O que você precisa saber antes de começar a mapear votos por região
A geografia do voto é simplesmente a análise de como os resultados eleitorais se distribuem no território. Parece óbvio, mas a maioria das pessoas acha que é só colocar cores num mapa e pronto. Não é. Você vai precisar lidar com densidade populacional desigual, zonas rurais que ocupam 80% do território mas têm 5% dos eleitores, e distritos que foram desenhados propositalmente para diluir ou concentrar votos de determinado grupo. Isso é o que chamam de gerrymandering em inglês, mas no Brasil o problema é outro: abismo urbano-rural, migrações sazonais, e a forma como o TSE calcula percentuais sem normalizar por área. Se você está começando agora, o primeiro erro é usar dados brutos do censo eleitoral sem cruzar com a área de cada município. Um voto no interior de Roraima não vale o mesmo em termos de representação territorial do que um voto em São Paulo capital, mas o sistema eleitoral brasileiro trata todos com o mesmo peso numérico. A diferença aparece quando você tenta visualizar isso num mapa de cor uniforme. O resultado é um borrão verde ou vermelho que não significa nada na prática.
Geografia do voto: como construir uma análise que realmente funciona
Eu comecei a trabalhar com mapeamento eleitoral em 2014, num projeto pra uma prefeitura do interior de Minas. Quase desisti na primeira semana porque o mapa que saía do QGIS parecia um capricho de criança. O problema era que eu estava usando polígonos municipais com cores baseadas apenas no percentual de votação, sem considerar a população. Quando você normaliza por área, os municípios pequenos do sul do estado viram manchas invisíveis. Quando normaliza por população, aparece o que realmente importa: onde o eleitorado está concentrado. O processo que eu uso hoje é básico mas funciona. Primeiro, você baixa os dados eletrorais do TSE na seção de estatísticas, filtrando por zona e seção se quiser granularidade. Depois cruza com os shapefiles do IBGE mais recentes. Se estiver usando Python, o pacote geopandas resolve a maior parte do trabalho. Eu costumo fazer um merge pelos códigos do IBGE, que são padronizados e estáveis. O resultado é um dataframe espacial com a votação de cada candidato ou partido em cada município, já ligado ao polígono correspondente.
A normalização é onde a maioria erra. Não normalize por área física. Normalize por número de eleitores. Um município de 50 mil habitantes que votou majoritariamente em X tem um peso diferente de um município de 200 mil que votou da mesma forma, e seu mapa precisa refletir isso. A técnica que eu recomendo é criar classes de cores baseadas em buckets populacionais, não geográficos. Assim, cidades grandes como Goiânia ou Curitiba aparecem com cores mais distintas, enquanto áreas vazias não dominam a visualização. Um problema que eu enfrentei recentemente foi com municípios de fronteira. No caso específico de Pacajá, no Pará, a zona eleitoral tinha eleitores registrados em territórios que pertencem a outros municípios vizinhos devido a disputas de limite não resolvidas. O dado do TSE mostrava votação naquela seção, mas o município de origem do eleitor era outro. Eu resolvi fazendo uma consulta direta à sede da zona eleitoral e cruzando com o cadastro de eleitores por bairro, mas isso leva tempo. Se você está fazendo análise em larga escala, considere ignorar seções com menos de 200 eleitores ou marcar como "dados pendentes de validação" para não espalhar ruído pelo mapa.
Outro detalhe prático: o código do município do IBGE muda? Não. Mas o nome do município às vezes aparece com grafia diferente no banco do TSE. Sempre valide os matches manualmente antes de confiar no merge. Eu já perdi meia tarde com "São José dos Dourados" que no IBGE era registrado como "São José dos Dourados - MG" com travessão. O merge silenciosamente falhava e você não percebia até tentar plotar o mapa.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Pegadas avançadas que ninguém conta nos tutoriais
Aqui vai algo que eu aprendi na prática e raramente vejo escrito: a correlação entre densidade demográfica e comportamento eleitoral não é linear. Em regiões metropolitanas, o voto tende a se polarizar por bairros de alta renda versus periferias de forma muito nítida. Mas no interior, a divisão é outra: cidades históricas versus municípios agrícolas. Um estudo que eu fiz com dados de 2018 mostrou que municípios com PIB agrícola acima de 40% do total tendiam a votar de forma previsivelmente consistente, enquanto municípios com economia diversificada tinham oscilações de até 15 pontos percentuais entre eleições consecutivas. Esse tipo de insight só aparece quando você olha o mapa com camadas de dados econômicos sobrepostas. Uma armadilha comum é confiar demais em mapas choropléticos simples. Eles funcionam para eleições majoritárias com dois candidatos fortes, mas desmoronam em sistemas multipartidários. Em 2022, por exemplo, tentar mapear a geografia do voto com cores para cada partido gerava um arco-íris ilegível em estados como São Paulo e Rio de Janeiro. A solução que eu adotei foi agrupar coligações ou partidos afins por eixo ideológico, criando classificações como "centrão", "esquerda", e "direita", e depois aplicar uma paleta divergente em vez de qualitativa. Isso reduz visualmente a complexidade e mantém a informação essencial.
Se você quer ir além do básico, experimente mapear a distância até o palco eleitoral mais próximo. Em áreas rurais, a distância física até a seção eleitoral é um fator mensurável de abstenção. Eu usei dados do Google Maps API com rotas reais e descobri que municípios com média de deslocamento superior a 30 quilômetros para a seção mais próxima tinham abstenção 12% maior que a média estadual. Isso não é teoria. São dados que você pode reproduzir se tiver paciência pra processar as requisições de API. Não existe ferramenta pronta que resolva tudo. O QGIS é gratuito e suficiente para a maioria das análises, mas se você precisa de automação em larga escala, o Python com geopandas e matplotlib é mais produtivo. Para visualizações interativas que você pode embeddar em relatórios, o folium ou o plotly resolvem. Eu recomendo folium para mapas simples e plotly quando precisar de zoom e tooltips com dados detalhados ao passar o mouse.
A principal limitação que você vai encontrar é a atualidade dos dados. O TSE atualiza as bases eleitorais trimestralmente, mas os shapefiles do IBGE saem com ano-base fixo. Se você está analisando eleições antecipadas, pode haver defasagem de até dois anos entre a base territorial e o cenário real de divisões municipais. Isso é especialmente crítico em estados como Mato Grosso e Pará, onde novos municípios são criados com frequência. Verifique sempre a data de referência do shapefile que você está usando. Se o seu objetivo é apenas visualização rápida para presentation ou redes sociais, considere ferramentas como o Datawrapper ou o Flourish. Eles automatizam a normalização e já vêm com paletas testadas. Mas se você precisa de análise profunda, controle de variáveis e possibilidade de publicar metodologia reprodutível, o caminho aberto no Python é o que oferece mais transparência. O custo é tempo de setup inicial, que pode levar de uma a duas semanas para quem nunca manipulou dados espaciais.
Quando a geografia do voto não ajuda em nada
Em eleições proporcionais, o mapeamento territorial perde força. O sistema de cotas e a distribuição de sobras depende de fatores que o mapa não captura: legenda partidária, nome do candidato, campanha digital, e o chamado voto de cupom. Eu tentei mapear a geografia do voto para deputados estaduais em 2022 e o resultado foi prácticamente inútil para previsão. Os padrões espaciais eram fracos demais pra explicar a variance. Nesse caso, modelos de regressão logística com variáveis socioeconômicas performam significativamente melhor do que qualquer mapa. O método que eu descrevi aqui é funcional, mas não é uma bola de cristal. Ele mostra tendências, correlações e agrupamentos. Não prevê resultados. Se alguém vender isso como ferramenta de forecasting, desconfie. A geografia do voto é descritiva por natureza. O que ela faz bem é responder a perguntas do tipo "onde os votos se concentram" e "quais regiões se comportam de forma atípica". Responder "por quê" exige dados adicionais e modelagem causal que estão fora do escopo de um mapeamento simples.
Para começar, o link direto para os dados do TSE é o portal de estatísticas eleitorais no site do tribunal. O IBGE disponibiliza os shapefiles no serviço de malhas digitais. Ambas as fontes são gratuitas e não exigem cadastro para downloads básicos. Se quiser o script Python que eu uso como ponto de partida, ele está estruturado em três etapas: download dos dados, merge espacial, e plotagem com normalização populacional. Cada etapa leva em média 15 minutos para rodar em dados de um estado inteiro, dependendo da potência da máquina.
