Antes das urnas: algoritmos de 'machine learning' preveem que pouco mudará na composição da Câmara dos Deputados

No próximo domingo, 4 de outubro, 158 milhões de brasileiros vão às urnas para escolher os próximos 513 deputados federais que serão responsáveis por legislar pelos próximos quatro anos. No entanto, chegamos à reta final de uma das eleições mais importantes do país sem saber, por meio de pesquisas de opinião, quem está na frente na disputa por boa parte dessas cadeiras.

Isso não acontece porque a eleição para a Câmara é menos relevante. Basicamente, esta dificuldade deriva de dois pontos: o desenho institucional brasileiro para a eleição de deputados federais (o chamado sistema proporcional de lista aberta); e a dificuldade de mensurar a intenção de voto dos eleitores quando existem milhares de candidatos e muitos candidatos sendo eleitos simultaneamente.

Notícias relacionadas

Aposenta-se aos 67 anos com 142 dias de férias não usados; Em vez de aproveitá-los, presenteou seus colegas com eles: "Deixo-os para quem precisar"

Rolex, garota de programa e lobby: Ex-sócio faz revelações sobre Flávio Bolsonaro, diz site

A três dias da eleição, diretor da Quaest diz que disputa ainda não esquentou e vê espaço para surpresa de todo tipo

São milhares de candidatos disputando uma vaga da Câmara dos Deputados em cada um dos 27 distritos eleitorais. Cada estado elege um determinado número de representantes a depender do tamanho da população (magnitude eleitoral variável).

Estados com populações menores como Acre e Amapá elegem 8 deputados, já estados muito populosos como São Paulo e Minas Gerais, elegem 70 e 53 deputados federais cada, respectivamente. Em 2022, tivemos mais de 9.400 candidaturas à Câmara dos Deputados espalhadas pelo país. Ao contrário da eleição presidencial, em que poucos nomes concentram a disputa, aqui candidatos do mesmo partido competem entre si e a distribuição das cadeiras depende das regras do sistema proporcional de lista aberta.

Neste cenário, pesquisas tradicionais de intenção de voto simplesmente não são uma ferramenta viável para acompanhar milhares de candidaturas ao mesmo tempo. Eleitores possuem milhares de opções disponíveis, e em muitas vezes, a decisão para este cargo é feita em cima da hora, de forma apressada, a caminho da urna.

Não existe, hoje, um equivalente brasileiro do site americano Silver Bullet dedicado às eleições legislativas daquele país. Também não há uma infraestrutura pública consolidada de previsão das cadeiras da Câmara baseada em pesquisas. E esta ausência está muito mais ligada ao desenho institucional e à forma como escolhemos nossos legisladores do que à incapacidade de nossos institutos de pesquisa.

Para tentar preencher essa lacuna, usamos machine learning, ou aprendizado de máquina, para prever a eleição de 2026. Em termos simples, machine learning é uma técnica que permite ensinar um computador a reconhecer padrões em grandes quantidades de dados e depois utilizar esses padrões para fazer previsões.

Em vez de programar uma regra dizendo quem será eleito, fornecemos ao computador informações sobre eleições anteriores e deixamos os algoritmos identificarem quais características estiveram associadas à vitória. Como sabemos os resultados de eleições anteriores, podemos avaliar as previsões dos algoritmos feitas para as eleições antigas. Assim, temos métricas consistentes para fazer previsões corretas.

Junto com Bruno Wilhelm Speck, da Universidade de São Paulo, treinamos três algoritmos com dados das quatro últimas eleições para a Câmara — 2010, 2014, 2018 e 2022 — e aplicamos esses modelos às candidaturas de 2026. Os padrões das eleições eleições passadas servem para prever o cenário futuro: quanto os candidatos arrecadaram? Já ocupavam uma cadeira? Como se saíram anteriormente? A que partido pertenciam? Depois de aprender com esses dados, os modelos calculam as probabilidades de cada candidato ser eleito.

Os três modelos de algoritmos que usamos foram treinados apenas com candidatos considerados competitivos — aqueles que haviam obtido pelo menos 1% do quociente eleitoral de seu distrito nas eleições de 2010, 2014, 2018, e 2022. A escolha é importante porque evita que o algoritmo transforme a previsão em uma tarefa artificialmente fácil. Em vez de simplesmente separar candidaturas sem chances reais dos demais, concentramos a análise nos candidatos que efetivamente entram na disputa.

O que faz um candidato ter mais chances?

Antes de olhar para 2026, a regressão logística nos ajuda a entender o que esteve associado ao sucesso eleitoral nas quatro eleições anteriores.

O fator mais poderoso é a incumbência (candidatos que disputam reeleição). Um incumbente possui cerca de 5 vezes mais chances de vitória do que um candidato que ainda não é deputado federal (controlando-se as demais variáveis). O segundo fator mais poderoso é o dinheiro. A cada milhão de reais adicional em receita de campanha, as chances de eleição aumentam aproximadamente quatro vezes, mantendo constantes as demais características observadas pelo modelo. Essa vantagem diminuiu depois da proibição das doações empresariais, em 2015, mas não desapareceu. O resultado sugere que ocupar um cargo produz vantagens que vão além do financiamento eleitoral.

Isso não significa que dinheiro compre uma cadeira. Significa que existe uma associação muito forte entre recursos financeiros e sucesso eleitoral. Em uma disputa com milhares de candidatos, dinheiro significa maior capacidade de comunicação, estrutura de campanha, presença territorial e exposição ao eleitor.

Os dados também revelam desigualdades que o dinheiro não consegue eliminar completamente. Candidatas mulheres precisam arrecadar substancialmente mais que candidatos homens para alcançar uma probabilidade semelhante de eleição. Candidatos sem diploma universitário enfrentam uma desvantagem semelhante.

Esses resultados são importantes porque mostram que uma eleição não é determinada apenas pela quantidade de dinheiro disponível para cada candidato. Características sociais e políticas também estão associadas às chances de chegar ao Congresso. Por fim, candidatos pertencentes a partidos de esquerda possuem chances maiores de eleição. Não porque são melhores candidatos necessariamente, mas porque são um grupo menor em comparação às candidaturas de direita. Partidos de esquerda parecem fazer uma pré-seleção mais rigorosa para seus candidatos, concentrando assim seus recursos organizacionais e financeiros em um número menor de candidatos.

E o que os modelos dizem sobre 2026?

Aplicamos os três modelos às candidaturas deste ano e produzimos previsões para as 513 cadeiras.

Para evitar uma previsão incompatível com o funcionamento do sistema eleitoral, impusemos uma regra simples: o número de candidatos previstos como eleitos em cada estado precisa corresponder exatamente ao número de cadeiras daquele estado.

Os três modelos não concordam em todos os casos. E essa divergência é importante: Em 483 das 513 cadeiras, pelo menos dois dos três modelos apontam o mesmo candidato como aquele com maior probabilidade de eleição.

Isso significa que existe uma convergência considerável entre os diferentes métodos. As 30 cadeiras restantes são aquelas em que os algoritmos divergem mais e, portanto, nas quais a incerteza da previsão é maior. Em 318 cadeiras, os três algoritmos apontaram o mesmo candidato eleito.

Mas é importante não transformar probabilidade em certeza.

Se dois modelos concordam que determinado candidato tem maior probabilidade de ser eleito, isso não significa que ele necessariamente será eleito. Os modelos podem cometer erros.

O que podemos dizer é que, entre milhares de candidaturas, conseguimos identificar 483 cadeiras nas quais há concordância entre pelo menos dois métodos diferentes.

Previsão indica modesto avanço da esquerda

Os modelos também permitem olhar para a eleição de uma maneira mais ampla, para além dos candidatos individualmente.

Pelos resultados do nosso melhor algoritmo (o MLPClassifier - rede neural do tipo Multilayer Perceptron), o União Brasil aparece com uma projeção de crescimento de 20 cadeiras, passando de 49 para 69. PP e Republicanos também apresentam crescimento projetado. enquanto PL, MDB e AVANTE aparecem com redução em relação à composição utilizada como referência.

Quando agrupamos os partidos segundo a classificação ideológica de Bolognesi e colaboradores (2023), a Câmara atual apresenta uma maioria de cadeiras no bloco de direita: 380 das 513, ou 74,1%. A esquerda reúne 115 cadeiras, ou 22,4%, enquanto o centro soma 18 cadeiras, ou 3,5%.

Na projeção do MLPClassifier, a direita passaria de 380 para 365 cadeiras; a esquerda, de 115 para 131; e o centro, de 18 para 17. A projeção, portanto, não aponta para uma mudança ampla na distribuição ideológica da Câmara, apenas para um modesto avanço da esquerda no parlamento.

A previsão de redistribuição na Câmara:

- Por bancadas ideológicas:

- E por partidos:

O verdadeiro teste começa depois da eleição

Talvez a parte mais interessante deste exercício não seja saber se conseguimos "adivinhar" os 513 deputados. O verdadeiro teste será comparar as previsões com aquilo que as urnas efetivamente produzirem.

Machine learning é particularmente útil porque consegue trabalhar com uma quantidade de informações que seria difícil analisar manualmente. Mas sua força é também seu limite: os algoritmos aprendem com os dados que recebem. Se uma eleição apresenta comportamentos ou acontecimentos que não estavam presentes nas eleições anteriores, não há garantia de que o modelo consiga antecipá-los.

Por isso, uma previsão eleitoral não substitui a pesquisa de opinião, o jornalismo ou a análise política. Ela oferece outra perspectiva: a dos padrões estatísticos encontrados em grandes volumes de dados.

No caso brasileiro, essa perspectiva pode ser especialmente útil. Temos um sistema proporcional complexo, com milhares de candidatos e praticamente nenhuma pesquisa capaz de acompanhar de forma abrangente a disputa pelas cadeiras da Câmara.

Os dados permitem transformar parte dessa complexidade em probabilidades.

No domingo, os eleitores farão suas escolhas e as urnas produzirão o único resultado que realmente importa: o observado.

Depois da apuração, poderemos comparar as 513 previsões com as 513 cadeiras efetivamente preenchidas. Saberemos onde os modelos acertaram, onde erraram e, principalmente, o que a eleição de 2026 pode ensinar para a próxima geração de modelos.

As previsões completas, organizadas por estado e com as probabilidades produzidas pelos três modelos, estão disponíveis para consulta e download. Confira: Before the Votes Are Cast: We Used Machine Learning to Predict the 2026 Brazilian Chamber of Deputies Election

Sobre o sistema proporcional de lista aberta:

Os autores não prestam consultoria, trabalham, possuem ações ou recebem financiamento de qualquer empresa ou organização que se beneficiaria deste artigo e não revelaram qualquer vínculo relevante além de seus cargos acadêmicos.