4  A arguição de descumprimento de preceito fundamental, o que foi ?

A intensidade da judicialização da política no Brasil pode ser diretamente aferida pela análise do volume de ações de controle concentrado de constitucionalidade ajuizadas no Supremo Tribunal Federal (STF). Instrumentos como a Ação Direta de Inconstitucionalidade (ADI), a Ação Declaratória de Constitucionalidade (ADC), a Ação Direta de Inconstitucionalidade por Omissão (ADO) e, notadamente, a Arguição de Descumprimento de Preceito Fundamental (ADPF) constituem os principais canais pelos quais questões políticas são submetidas a um veredito sobre sua compatibilidade com a Constituição. Desde a promulgação da Carta de 1988, um total de 8.355 ações dessa natureza foram propostas, evidenciando a consolidação do STF como uma arena de disputas de alta relevância.

A distribuição dessas ações, contudo, não é homogênea ao longo do tempo. Conforme ilustra o panorama quantitativo, o período de 2014 a 2024 se destaca por uma escalada sem precedentes no número de processos, com um ápice em 2021. Essa variação anual não é um dado isolado; ela pode refletir a conjuntura política do país. Períodos de maior conflito, marcados por eventos como a Operação Lava Jato, o impeachment presidencial e a pandemia de COVID-19, sugerem que o STF foi instado a atuar como árbitro em disputas cruciais entre atores políticos e sobre a condução de políticas públicas.

Dentro deste universo de ações, este capítulo se debruça especificamente sobre a Arguição de Descumprimento de Preceito Fundamental. A ADPF se destaca como um instrumento de particular interesse devido à sua crescente utilização e flexibilidade para contestar não apenas leis, mas um vasto leque de atos do poder público, incluindo omissões. O objetivo é, portanto, realizar uma análise aprofundada do que representou a ADPF nos últimos dez anos, investigando os padrões de seu ajuizamento, os temas veiculados e, principalmente, os fatores que determinam a longevidade de sua tramitação no Tribunal.

Desde a promulgação da Constituição de 1988 foram ajuizadas 8355 ações de controle concentrado, distribuídas heterogeneamente ao longo do período. A Figura 4.1 abaixo representa o número de ações de controle concentrado ajuizadas por ano, o período destacado em laranja se refere ao recorte temporal desta pesquisa (2014-2024) e a linha cinza a tendência:

# --- Preparação e Manipulação dos Dados ---

# O objeto 'dados_fig_3' é criado a partir do dataframe 'clean_processos'.
# O operador pipe '|>' passa o resultado de uma função como o primeiro argumento da próxima.
dados_fig_3 <- clean_processos |> 
  
  # Seleciona apenas as colunas 'classe', 'numero' e 'data_autuacao' do dataframe.
  # O prefixo 'dplyr::' garante que a função 'select' do pacote 'dplyr' seja usada.
  dplyr::select(classe, numero, data_autuacao) |> 
  
  # Remove linhas duplicadas, considerando todas as colunas selecionadas.
  # Garante que cada processo seja contado apenas uma vez.
  dplyr::distinct() |> 
  
  # Cria novas colunas no dataframe.
  dplyr::mutate( 
    # Cria a coluna 'recorte'. Se o ano de 'data_autuacao' estiver entre 2014 e 2024, o valor será "1"; caso contrário, será "0". Isso serve para destacar um período no gráfico.
    # A função 'year()' do pacote 'lubridate' extrai o ano da data.
    recorte = ifelse(lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024, "1", "0"), 
    
    # Cria a coluna 'ano' extraindo o ano da coluna 'data_autuacao'.
    ano = lubridate::year(data_autuacao) 
  ) |>  
  
  # Agrupa o dataframe pela coluna 'ano'. As operações seguintes serão feitas para cada ano separadamente.
  dplyr::group_by(ano) |>  
  
  # Dentro de cada grupo (ano), conta o número de linhas (processos) e armazena em uma nova coluna 'n'.
  # A função 'n()' do 'dplyr' conta as observações no grupo atual.
  dplyr::mutate(n = dplyr::n()) |> 
  
  # Remove o agrupamento para que as próximas operações se apliquem ao dataframe inteiro.
  dplyr::ungroup() |> 
  
  # Seleciona apenas as colunas 'ano', 'n' e 'recorte', que são necessárias para o gráfico.
  dplyr::select(ano, n, recorte) |> 
  
  # Remove linhas duplicadas novamente. Como agora temos a contagem 'n' para cada ano,
  # queremos apenas uma linha por ano.
  dplyr::distinct() 

# --- Exportação dos Dados ---

# Salva o dataframe 'dados_fig_3' em um arquivo Excel no caminho especificado.
writexl::write_xlsx(dados_fig_3, "DATA/EXCEL/dados_figura_3.xlsx") 

# Salva o mesmo dataframe em um arquivo CSV no caminho especificado.
write.csv(dados_fig_3, "DATA/CSV/dados_figura_3.csv") 

# --- Criação do Gráfico ---

# Inicia a criação do gráfico usando o dataframe 'dados_fig_3'.
dados_fig_3 |> 
  # Define a estética base do gráfico: 'ano' no eixo x e 'n' (número de processos) no eixo y.
  ggplot(aes(x = ano, y = n)) + 
  
  # Adiciona uma camada de colunas (gráfico de barras). A cor de preenchimento ('fill') de cada coluna é determinada pela coluna 'recorte'.
  geom_col(aes(fill = recorte)) + 
  
  # Adiciona uma linha de tendência suavizada sobre os dados.
  # 'se = FALSE' remove a faixa de erro padrão. A cor da linha é definida pelo sexto elemento do vetor 'cores'.
  geom_smooth(se = FALSE, color = cores[6]) + 
  
  # Personaliza manualmente as cores de preenchimento das colunas.
  scale_fill_manual( 
    breaks = NULL, # Remove a legenda para as cores de preenchimento.
    # Define que o valor "1" em 'recorte' corresponde à cor 5 e "0" à cor 4 do vetor 'cores'.
    values = c("1" = cores[5], "0" = cores[4]) 
  ) + 
  
  # Personaliza a escala do eixo x.
  scale_x_continuous( 
    # Define os marcadores (breaks) do eixo x para aparecerem a cada 4 anos,
    # começando em 1988 e terminando no ano atual (Sys.Date()).
    breaks = seq(1988, lubridate::year(Sys.Date()), by = 4) 
  ) + 
  
  # Personaliza a escala do eixo y.
  scale_y_continuous( 
    expand = c(0,0), # Remove o espaço extra entre as barras e a base do eixo.
    limits = c(0,600) # Define o limite do eixo y de 0 a 600.
  ) + 
  
  # Define os títulos (rótulos) dos eixos.
  labs( 
    y = "Número de Processos", 
    x = "Ano" 
  ) + 
  
  # Aplica um tema visual customizado do pacote 'decJ'.
  decJ::theme_decJ(y_num = TRUE) 

# --- Salvamento do Gráfico ---

# Salva o gráfico gerado como um arquivo PNG.
# A função 'save_decJ' é uma função customizada do pacote 'decJ'.
# 'l = 24' define a largura e 'dpi = 300' define a resolução da imagem.
decJ::save_decJ("PLOT/figura_3.png", l = 24, dpi = 300)

Figura 4.1- Número de ações de controle concentrado ajuizadas desde 1988 no Supremo Tribunal Federal

O período de 1988 à 2013 apresenta um crescimento gradual e não linear com pico entre 2003-2004 seguido de um vale. A linha de tendência suavizada confirma esse movimento ascendente, indicado que, apesar das flutuações anuais, o recurso ao Judiciário se consolida de forma consistente nas duas primeiras décadas de redemocratização.

A partir de 2014, o podemos perceber uma escalada no número de processos, tendo seu ápice em 2021. Os anos que sucederam 2014 foram marcados pela Operação Lava Jato, Impeachment da ex-Presidente Dilma Roussef, COVID-19, etc., sugerindo que o Supremo Tribunal Federal passou a ser arbitrado não apenas sobre a constitucionalidade das leis, mas sobre decisões políticas cruciais e disputas entre atores políticos e condução de políticas públicas. Por fim, o segmento final do gráfico induz um novo regime com a queda abrupta no número de processos retornando a patamares anteriores à 2019.

Corroborando a relevância desses números, um estudo de Nunes (2022) aponta que, entre 1º de janeiro de 2019 e 30 de dezembro de 2022, durante o governo Bolsonaro, foram ajuizadas 262 ADI por partidos políticos perante o STF. A comparação desse dado específico com o total de ADI recebidas pelo tribunal pode revelar a proporção da judicialização que é diretamente impulsionada por atores políticos partidários.

A variação anual no número de ações, portanto, não é um dado isolado. Ela pode refletir a conjuntura política – períodos de maior conflito tendem a gerar mais demandas judiciais – assim como estratégias específicas dos atores envolvidos, como o uso mais intenso do judiciário pela oposição para contestar ações governamentais.

A análise gráfica permite identificar momentos de intensificação (picos) ou retração (vales) na propositura de ações judiciais. A correlação desses movimentos com eventos políticos significativos – como eleições, crises institucionais, mudanças de governo, escândalos de corrupção ou pandemias – é crucial para compreender a dinâmica da judicialização.

Dentre as ações de controle concentrado previstas no sistema de revisão judicial, destaca-se a arguição de descumprimento de preceito fundamental. A ADPF foi prevista na Constituição Federal de 1988 desde a sua promulgação, mas apenas passou a ser utilizada após a Lei nº 9.882/1999, e a sua criação preencheu lacunas que permitiu exercer o controle de constitucionalidade sobre atos que estavam, até então, descobertos do controle – como leis municipais ou ainda normas pré-constitucionais. Diante disso, a ADPF foi desenhada como uma ação subsidiária e genérica, destinada a evitar ou reparar lesão a preceito fundamental, resultante de ato do poder público.

Um dos traços marcantes da ADPF é a opção do constituinte e do legislador por não fornecer um rol taxativo do que seriam os “preceitos fundamentais”. Essa indeterminação conceitual transferiu para a doutrina e, principalmente, para a jurisprudência do STF, a tarefa de densificar o conteúdo desta expressão. O Tribunal consolidou o entendimento de que preceitos fundamentais não se limitam aos princípios fundamentais expressos nos artigos 1º a 4º da Constituição, nem se confundem exclusivamente com as cláusulas pétreas do artigo 60, § 4º. O conceito é mais amplo, abrangendo um espectro de normas que formam a “espinha dorsal” da Constituição e que lhe conferem identidade e estrutura. Incluem-se nesta categoria os direitos e garantias individuais e coletivos, os princípios sensíveis que estruturam a federação, e as normas que definem a organização essencial do Estado Democrático de Direito. Esta concepção aberta é o que confere ao instituto sua vitalidade, permitindo sua adaptação a novas e imprevistas controvérsias constitucionais, como demonstrado em julgamentos complexos que abordaram desde direitos reprodutivos até o reconhecimento de novas entidades familiares.

A flexibilidade conceitual, no entanto, revela-se uma característica de dupla face. Por um lado, ela arma o STF com uma ferramenta potente e adaptável para proteger o núcleo da Constituição contra ameaças que o legislador de 1999 não poderia prever. Casos como a ADPF 132 e a ADPF 54 só foram possíveis porque o Tribunal pôde enquadrar as questões subjacentes como violações a preceitos de dignidade e liberdade, mesmo sem uma menção explícita na lei. Por outro lado, essa mesma abertura é a fonte das críticas de uso político da ação. A ausência de um critério rígido permite que uma vasta gama de controvérsias seja levada ao STF sob o manto da violação de um preceito fundamental, alimentando acusações de que o Tribunal estaria extrapolando suas funções e atuando como um legislador positivo.

O artigo 1º da Lei 9.882/99 define um objeto vasto e, por sua natureza subsidiária, residual para a ADPF: “evitar ou reparar lesão a preceito fundamental, resultante de ato do Poder Público”. A jurisprudência do STF tem interpretado a expressão “ato do Poder Público” de forma extremamente ampla, consolidando a ADPF como um instrumento polivalente que alcança hipóteses não cobertas pelas demais ações de controle concentrado. Seu objeto pode incluir:

1. Leis ou atos normativos municipais: Diferentemente da ADI, cujo escopo se restringe a normas federais e estaduais, a ADPF firmou-se como o instrumento por excelência para o controle concentrado da constitucionalidade de normas municipais em face da Constituição Federal.
   

2. Direito pré-constitucional: A ADPF pacificou uma longa controvérsia doutrinária ao se estabelecer como a via adequada para a análise da recepção (ou não recepção) de leis e atos normativos anteriores à Constituição de 1988. O julgamento da ADPF 130, que declarou a não recepção da Lei de Imprensa de 1967, é o exemplo dessa função.

3. Atos não-normativos e de efeitos concretos: A ação pode ser utilizada para questionar atos administrativos, decisões judiciais (desde que não transitadas em julgado) e outros atos do poder público que, embora desprovidos de caráter normativo geral e abstrato, causem lesão a preceito fundamental.

4. Controvérsia constitucional relevante: O parágrafo único do artigo 1º da lei também prevê o cabimento da ADPF para dirimir “controvérsia constitucional relevante” sobre a aplicação de normas, o que evidencia seu papel na pacificação da jurisprudência nacional e na garantia da segurança jurídica, evitando decisões conflitantes em diferentes instâncias do Judiciário.

Essa amplitude de objeto posiciona a ADPF como a ferramenta final de unificação do ordenamento jurídico sob a égide da Constituição de 1988. Enquanto a ADI e a ADC possuem um escopo limitado a leis federais e estaduais editadas após a Constituição, a ADPF foi desenhada para preencher todas as lacunas remanescentes. Isso significa que, enquanto a ADI realiza uma fiscalização prospectiva do ordenamento, a ADPF promove uma depuração completa, alcançando todo o acervo legislativo e de atos do poder público, independentemente de sua origem federativa ou de sua data de edição.

Dessa forma, a ADPF não é apenas mais uma ação de controle, mas o mecanismo que assegura a supremacia da Constituição de 1988 sobre todo o direito brasileiro, consolidando o poder do STF como seu guardião final.

O requisito mais controverso e definidor da ADPF é o princípio da subsidiariedade, cravado no artigo 4º, § 1º, da Lei 9.882/99: “Não será admitida arguição de descumprimento de preceito fundamental quando houver qualquer outro meio eficaz de sanar a lesividade”. Este princípio confere à ADPF um caráter residual. O Supremo Tribunal Federal tem reiteradamente afirmado que a existência de um meio processual alternativo e idôneo – como a Ação Direta de Inconstitucionalidade (ADI), a Ação Declaratória de Constitucionalidade (ADC), a Ação Direta de Inconstitucionalidade por Omissão (ADO) ou mesmo a Reclamação Constitucional – impede o conhecimento da ADPF.

A análise da “eficácia” do meio alternativo é realizada pelo Tribunal em termos de sua capacidade de resolver a controvérsia constitucional de forma ampla, geral e imediata, com a mesma força e abrangência que uma decisão em ADPF.

A aplicação deste princípio pelo STF é alvo de críticas e controvérsia reside na definição do que constitui um “meio eficaz”. Uma interpretação excessivamente literal do dispositivo poderia, em tese, inviabilizar completamente a ADPF, pois no sistema jurídico brasileiro o controle difuso de constitucionalidade, exercido incidentalmente em qualquer ação judicial, é sempre um meio disponível para questionar a validade de um ato perante a Constituição. A discussão se aprofundou com a introdução do instituto da repercussão geral, que também visa à pacificação de teses constitucionais com efeitos que transcendem o caso concreto, gerando um debate sobre a sobreposição de funções e a necessidade de repensar o papel residual da ADPF.

A jurisprudência vacilante e a aplicação por vezes rigorosa da subsidiariedade revelam uma tensão fundamental: por um lado, a ADPF foi criada para ser a mais potente ferramenta de defesa da Constituição; por outro, o STF a maneja com extrema cautela, muitas vezes preferindo não atuar se houver qualquer outra porta processual aberta, mesmo que mais estreita. Na prática, o princípio da subsidiariedade transcende sua função de mero requisito processual para operar como uma válvula de controle institucional. Por meio dele, o STF gerencia ativamente seu próprio poder e sua pauta de julgamentos.

Os dados mostram que, desde a sua regulamentação, já foram ajuizadas 1217 ADPF. A Figura 4.2 abaixo mostra a distribuição de ADPF ao longo do tempo, com destaque do período de estudo de 2014 a 2024 e linha de tendência:

# --- Preparação e Manipulação dos Dados (com filtro) ---

# O objeto 'dados_fig_4' é criado a partir do dataframe 'clean_processos'.
dados_fig_4 <- clean_processos |>
  # Seleciona as colunas de interesse: 'classe', 'numero' e 'data_autuacao'.
  dplyr::select(classe, numero, data_autuacao) |>
  
  # APLICA UM FILTRO: Mantém apenas as linhas onde a coluna 'classe' é igual a "ADPF".
  # Esta é a principal diferença em relação ao script anterior, focando a análise em um tipo específico de processo.
  dplyr::filter(classe == "ADPF") |>
  
  # Remove linhas duplicadas para garantir que cada processo "ADPF" seja único.
  dplyr::distinct() |>
  
  # Cria novas colunas para análise e visualização.
  dplyr::mutate(
    # Cria a coluna 'recorte' para destacar o período de 2014 a 2024.
    recorte = ifelse(lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024, "1", "0"),
    # Cria a coluna 'ano' extraindo o ano da 'data_autuacao'.
    ano = lubridate::year(data_autuacao)
  ) |> 
  
  # Agrupa os dados por ano para contar os processos anualmente.
  dplyr::group_by(ano) |> 
  
  # Conta o número de processos (n) para cada ano.
  dplyr::mutate(n = dplyr::n()) |>
  
  # Remove o agrupamento para as operações seguintes.
  dplyr::ungroup() |>
  
  # Seleciona as colunas finais necessárias para o gráfico e para a exportação.
  dplyr::select(ano, n, recorte) |>
  
  # Garante que haja apenas uma linha por ano com a contagem total.
  dplyr::distinct()
  
# --- Exportação dos Dados ---

# Salva o dataframe filtrado e agregado 'dados_fig_4' em um arquivo Excel.
writexl::write_xlsx(dados_fig_4, "DATA/EXCEL/dados_figura_4.xlsx")
# Salva o mesmo dataframe em um arquivo CSV.
write.csv(dados_fig_4, "DATA/CSV/dados_figura_4.csv")

# --- Criação do Gráfico ---

# Inicia a criação do gráfico a partir do dataframe 'dados_fig_4'.
dados_fig_4 |>
  # Define a estética base: 'ano' no eixo x, 'n' (contagem de ADPFs) no eixo y.
  ggplot(aes(x = ano, y = n)) +
  
  # Adiciona as colunas, com a cor de preenchimento ('fill') baseada na coluna 'recorte'.
  geom_col(aes(fill = recorte)) +
  
  # Adiciona uma linha de tendência suavizada, sem a faixa de erro padrão.
  geom_smooth(se = FALSE, color = cores[6]) +
  
  # Personaliza as cores de preenchimento, associando "1" e "0" a cores específicas.
  scale_fill_manual(
    breaks = NULL, # Oculta a legenda de preenchimento.
    values = c("1" = cores[5], "0" = cores[4])
  ) +
  
  # Personaliza os marcadores do eixo x, mostrando um a cada 4 anos.
  scale_x_continuous(
    breaks = seq(1988, lubridate::year(Sys.Date()), by = 4)
  ) +
  
  # Personaliza a escala do eixo y.
  scale_y_continuous(
    expand = c(0,0), # Remove o espaço na base do eixo.
    limits = c(0,200) # Ajusta o limite do eixo y para 0 a 200, adequado para esta contagem menor.
  ) +
  
  # Define os títulos dos eixos.
  labs(
    y = "Número de Processos",
    x = "Ano"
  ) +
  
  # Aplica o tema visual customizado do pacote 'decJ'.
  decJ::theme_decJ(y_num = TRUE)

# --- Salvamento do Gráfico ---

# Salva o gráfico final como um arquivo PNG com largura e resolução especificadas.
decJ::save_decJ("PLOT/figura_4.png", l = 24, dpi = 300)

Figura 4.2- Número de Arguição de Descumprimento de Preceito Fundamental ajuizadas por ano

Nota-se que a ADPF foi uma ação de controle pouco utilizada inicialmente, mas que, ao longo do tempo, recebeu atenção dos legitimados para a sua proposição. No primeiro período de 2000 a 2014, observa-se um volume de ações relativamente baixo e estável, as flutuações anuais são modestas, e raramente ultrapassando a marca de 40 processos. A partir de 2015, o cenário muda completamente, atingindo picos de mais de 150 processos em 2021. A curva de tendência coincide com o período de pandemia e Governo Bolsonaro (2019-2022). Após o ápice, a análise para os anos subsequentes revela um movimento de arrefecimento, com uma queda considerável no número de ajuizamentos. Contudo, os patamares de 2022 a 2024, embora menores que o pico, permanecem significativamente superior à média do período anterior a 2016. Isso pode indicar o estabelecimento de um “novo normal” na utilização da ADPF.

O uso crescente da ADPF pode indicar tanto uma maior conscientização dos atores jurídicos e políticos sobre seu potencial quanto uma percepção de que outros instrumentos processuais ou os canais políticos tradicionais são insuficientes para lidar com certas violações de direitos ou impasses institucionais. A ADPF permite contestar não apenas leis ou atos normativos específicos, mas também atos do poder público de natureza diversa, incluindo omissões ou um conjunto de atos que, cumulativamente, gerem lesão a preceito fundamental. Um aumento no número de ADPFs pode sugerir que os problemas levados ao STF são cada vez mais de natureza estrutural ou difusa, transcendendo a simples inconstitucionalidade de uma lei ou ato normativo.

A pandemia não apenas gerou novas demandas por direitos (como acesso a leitos, medicamentos e vacinas), mas também expôs e intensificou tensões federativas preexistentes. A ausência de uma coordenação nacional clara e a divergência de posturas entre o governo federal e os governos estaduais e municipais levaram a uma profusão de conflitos que desaguaram no STF, que atuou como árbitro dessas disputas. Decisões sobre a autonomia de instituições federais de ensino para exigir comprovante de vacina, contrariando diretrizes do Ministério da Educação, ou a suspensão de atos da FUNAI que negavam proteção a terras indígenas não homologadas durante a crise sanitária, são exemplos dessa mediação de conflitos verticais (entre o governo federal e outros entes ou instituições) e horizontais (entre diferentes políticas públicas) pelo Supremo.

Observado o crescimento no número de ADPF ajuizadas por ano, é possível verificar quais ramos do direito e assunto estão sendo discutidos nessas ações:

# --- ANÁLISE PARTE A: TOP 10 RAMOS DO DIREITO ---

# O objeto 'dados_fig_5_a' é criado a partir do dataframe 'clean_processos'.
dados_fig_5_a <- clean_processos |>
  # Seleciona as colunas necessárias para esta análise específica.
  dplyr::select(classe, numero, ramo_do_direito, data_autuacao) |>
  
  # Aplica um filtro duplo:
  # 1. Mantém apenas as linhas onde 'classe' é "ADPF".
  # 2. Mantém apenas as linhas cujo ano de 'data_autuacao' está entre 2014 e 2024.
  dplyr::filter(classe == "ADPF", lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024) |>
  
  # Remove a coluna 'data_autuacao', que já foi usada para o filtro e não é mais necessária.
  dplyr::select(-data_autuacao) |>
  
  # Remove linhas duplicadas para garantir que cada processo seja contado apenas uma vez por ramo de direito.
  dplyr::distinct() |>
  
  # Agrupa os dados pela coluna 'ramo_do_direito'.
  dplyr::group_by(ramo_do_direito) |>
  
  # Para cada 'ramo_do_direito', conta o número de ocorrências (processos) e resume o resultado na coluna 'n'.
  dplyr::summarise(n = dplyr::n()) |> 
  
  # Remove linhas onde 'ramo_do_direito' é NA (não preenchido), para não poluir o resultado.
  tidyr::drop_na() |> 
  
  # Seleciona as 10 linhas com os maiores valores na coluna 'n'. Isso isola os 10 principais ramos do direito.
  dplyr::slice_max(n = 10, order_by = n)

# Exporta os dados resultantes (top 10) para os formatos Excel e CSV.
writexl::write_xlsx(dados_fig_5_a, "DATA/EXCEL/dados_figura_5_a.xlsx")
write.csv(dados_fig_5_a, "DATA/CSV/dados_figura_5_a_.csv")

# Inicia a criação do gráfico de barras horizontais.
dados_fig_5_a |>
  # Define a estética: 'n' no eixo x e 'ramo_do_direito' no eixo y.
  # 'reorder(ramo_do_direito, n)' ordena as barras no eixo y com base no valor de 'n',
  # tornando o gráfico mais fácil de ler, do menor para o maior.
  ggplot(aes(x = n, y = reorder(ramo_do_direito, n))) +
  
  # Adiciona a camada de colunas (as barras) com uma cor de preenchimento específica.
  geom_col(fill = cores[4]) +
  
  # Personaliza o eixo x, removendo o espaço extra e definindo um limite fixo.
  scale_x_continuous(expand = c(0,0), limits = c(0,870)) +
  
  # Define os títulos dos eixos.
  labs(
    x = "Número de Processos",
    y = "Ramo do Direito"
  ) +
  
  # Aplica um tema customizado.
  decJ::theme_decJ(x_num= TRUE)

# Salva o gráfico gerado como um arquivo PNG.
decJ::save_decJ("PLOT/figura_5_a_.png", l = 24, dpi = 300)


# --- ANÁLISE PARTE B: TOP 10 ASSUNTOS RELACIONADOS ---

# O processo é quase idêntico ao anterior, mas agora focado em 'assunto_relacionado'.
dados_fig_5_b <- clean_processos |>
  # Seleciona 'assunto_relacionado' em vez de 'ramo_do_direito'.
  dplyr::select(classe, numero, assunto_relacionado, data_autuacao) |>
  
  # Aplica o mesmo filtro para processos "ADPF" entre 2014 e 2024.
  dplyr::filter(classe == "ADPF", lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024) |>
  
  # Remove a coluna de data.
  dplyr::select(-data_autuacao) |>
  
  # Remove duplicatas.
  dplyr::distinct() |>
  
  # Agrupa por 'assunto_relacionado'.
  dplyr::group_by(assunto_relacionado) |>
  
  # Conta as ocorrências (n) para cada assunto.
  dplyr::summarise(n = dplyr::n()) |> 
  
  # Remove linhas com assuntos não preenchidos (NA).
  tidyr::drop_na() |> 
  
  # Seleciona os 10 assuntos mais frequentes com base na contagem 'n'.
  dplyr::slice_max(n = 10, order_by = n)

# Exporta os dados dos top 10 assuntos para Excel e CSV.
writexl::write_xlsx(dados_fig_5_b, "DATA/EXCEL/dados_figura_5_b.xlsx")
write.csv(dados_fig_5_b, "DATA/CSV/dados_figura_5_b_.csv")

# Criação do gráfico para os assuntos.
dados_fig_5_b |>
  # Define a estética, reordenando o eixo y ('assunto_relacionado') pela contagem 'n'.
  ggplot(aes(x = n, y = reorder(assunto_relacionado, n))) +
  
  # Adiciona as barras.
  geom_col(fill = cores[4]) +
  
  # Personaliza o eixo x.
  scale_x_continuous(expand = c(0,0), limits = c(0,870)) +
  
  # Define os títulos dos eixos.
  labs(
    x = "Número de Processos",
    y = "Assunto"
  ) +
  
  # Aplica o tema customizado.
  decJ::theme_decJ(x_num= TRUE)

# Salva o segundo gráfico como um arquivo PNG.
decJ::save_decJ("PLOT/figura_5_b.png", l = 24, dpi = 300)

Figura 4.3- Dez principais ramos do direito (a) e assuntos (b) das Arguições de Descumprimento de Preceito Fundamental ajuizadas entre 2014-2024

(a) Ramo do Direito

(b) Assunto Relacionado

Uma vez mapeado o “o quê” — os temas que dominam o universo das ADPFs —, a análise se volta para o “quem”: os membros do Tribunal responsáveis por conduzir esses processos. A forma como o Supremo Tribunal Federal processa essa avalanche de demandas de alta complexidade política não é homogênea, sendo crucial entender como a carga processual se distribui entre os ministros e se há concentração de relatorias, um fator que pode influencia diretamente o andamento e o destino das arguições.

# --- Análise de Processos ADPF por Relator ---

# O objeto 'dados_adpf_min' é criado a partir do dataframe 'clean_processos'.
dados_adpf_min <- clean_processos |>
  # Seleciona as colunas de interesse: classe, número, relator e data de autuação.
  dplyr::select(classe, numero, relator_atual, data_autuacao) |>
  
  # Filtra os dados para manter apenas os processos da classe "ADPF" que foram autuados entre 2014 e 2024.
  dplyr::filter(classe == "ADPF", lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024) |>
  
  # Remove linhas duplicadas para garantir que cada processo seja contado apenas uma vez.
  dplyr::distinct() |>
  
  # Remove as linhas em que a coluna 'relator_atual' não possui valor (NA).
  # Isso assegura que a contagem seja feita apenas para relatores devidamente identificados.
  tidyr::drop_na(relator_atual) |> 
  
  # Agrupa o dataframe pela coluna 'relator_atual'.
  dplyr::group_by(relator_atual) |>
  
  # Para cada relator, conta o número de processos ('n').
  dplyr::summarise(n = dplyr::n()) |>
  
  # Remove o agrupamento do dataframe.
  dplyr::ungroup() |>
  
  # Filtra o resultado para remover a categoria "MINISTRO PRESIDENTE", que não corresponde a um relator específico.
  dplyr::filter(relator_atual != "MINISTRO PRESIDENTE")

# --- Exportação dos Dados Processados ---

# Salva o dataframe 'dados_adpf_min' em um arquivo Excel (.xlsx).
# O caminho especificado é 'DATA/EXCEL/dados_adpf_min.xlsx'.
writexl::write_xlsx(dados_adpf_min, "DATA/EXCEL/dados_adpf_min.xlsx")

# Salva o mesmo dataframe em um arquivo de valores separados por vírgula (.csv).
# O caminho especificado é 'DATA/CSV/dados_adpf_min.csv'.
write.csv(dados_adpf_min, "DATA/CSV/dados_adpf_min.csv")

No que tange aos ministros relatores das arguições, a média de relatorias por ministro é de aproximadamente 58,6 processos, no entanto com uma alta variabilidade. Por exemplo, a Ministra Cármen Lúcia relata 91 processos, enquanto o Min. Flávio Dino apenas 23. Isso se dá, obviamente, pelo tempo de tribunal. Além do fato de que os dados considerando o relator atual do processo, e não o relator inicial. Isso quer dizer, quando um ministro se aposenta sem que os processos tenham encerrado, é designado um novo relator – é esse novo relator que recebe o dado. Observa-se que os Ministros Celso de Mello e Marco Aurélio possuem de 2014 a 2024 apenas 27 e 31 processos, respectivamente.

A constatação de uma distribuição achatada das relatorias leva naturalmente à pergunta seguinte: essa concentração de poder processual impacta a celeridade dos julgamentos? Deixando a análise estática da distribuição de casos, o estudo avança para uma perspectiva dinâmica, buscando mensurar o tempo de vida de uma ADPF dentro do Tribunal. É preciso, primeiramente, estabelecer uma linha de base para entender quanto tempo, em média, uma arguição leva para ser concluída, antes de investigar os fatores que podem acelerar ou retardar esse processo.

Assim com as ações de controle concentrado em geral, as ADPF possuem tempo próprio de resposta pelo STF cujos prazos podem ser influenciados a depender de diferentes fatores. No momento, analisa-se em relação a um modelo nulo – independentemente de qualquer variável, em relação ao relator e em relação ao tipo de legitimado.

O modelo nulo para um conjunto de 1217 processos, considerando que em 995 ocorreram o evento de interesse e 222 casos censurados (quando o processo não foi concluído ainda) indica que a mediana do tempo de sobrevivência foi de 746 dias, ou seja, metade das ADPF da amostra levaram aproximadamente 2,04 anos para serem baixadas.

# --- Visualização da Curva de Sobrevivência de Kaplan-Meier ---

# A função ggsurvplot() do pacote 'survminer' é usada para criar o gráfico.
# Ela é construída sobre o ggplot2 e é altamente customizável.
ggsurvplot(
  estimador_km, # O primeiro argumento é o objeto do modelo ajustado com survfit().
  
  data = processos_surv, # Especifica o dataframe original usado para o ajuste.
  
  pval = FALSE, # Define como 'FALSE' para não exibir o p-valor no gráfico. (Não é aplicável para um modelo de grupo único).
  
  conf.int = FALSE, # Define como 'FALSE' para não plotar a banda de intervalo de confiança ao redor da curva.
  
  surv.median.line = "hv", # Adiciona linhas (horizontal e vertical) para marcar a mediana de sobrevivência.
                           # A mediana é o tempo no qual a probabilidade de sobrevivência é de 50%.
  
  # risk.table = TRUE, # Esta linha está comentada. Se ativada, adicionaria uma tabela de risco abaixo do gráfico,
                       # mostrando o número de processos "em risco" (ainda não baixados) em diferentes pontos no tempo.
  
  xlab = "Tempo (dias)", # Define o rótulo do eixo x.
  
  ylab = "Probabilidade de Sobrevivência", # Define o rótulo do eixo y.
  
  palette = cores[4], # Define a cor da curva de sobrevivência, usando o quarto elemento do vetor de cores 'cores'.
  
  ggtheme = decJ::theme_decJ() # Aplica um tema visual customizado do pacote 'decJ', para consistência com os outros gráficos.
)

# --- Salvamento do Gráfico ---

# Salva o gráfico gerado como um arquivo PNG de alta qualidade.
# A função 'save_decJ' é uma função customizada do pacote 'decJ'.
# 'l = 24' define a largura e 'dpi = 300' define a resolução da imagem.
decJ::save_decJ("PLOT/figura_6.png", l = 24, dpi = 300)

Figura 4.4- Curva de Sobrevivência de Kaplan-Meier: sobrevivência de uma arguição de descumprimento de preceito fundamental

Saber que metade das ADPFs é encerrada em pouco mais de dois anos oferece um panorama geral valioso, mas oculta as variações significativas que existem caso a caso. O que explica por que algumas ações são decididas em meses, enquanto outras aguardam anos? O primeiro fator a ser testado é a influência do ministro relator. Utilizando o modelo de riscos proporcionais de Cox, é possível ir além da média e quantificar o efeito que cada relator individualmente exerce sobre a celeridade processual. A partir desse ponto, considere que estão sendo avaliadas apenas as ADPF ajuizadas entre 2014 e 2024, e não mais sobre todo o período.

# --- Preparação dos Dados para o Modelo de Cox ---

# O objeto 'processos_surv' é criado para a análise.
processos_surv <- clean_processos |>
  # Seleciona as colunas necessárias: classe, número, datas e a variável preditora 'relator_atual'.
  dplyr::select(classe, numero, data_autuacao, data_baixa, relator_atual) |>
  
  # Remove processos sem um relator atribuído, pois esta é a variável de interesse.
  tidyr::drop_na(relator_atual) |>
  
  # Aplica um filtro triplo para focar a análise:
  # 1. Apenas processos da classe "ADPF".
  # 2. Apenas processos autuados entre 2014 e 2024.
  # 3. Exclui a categoria genérica "MINISTRO PRESIDENTE".
  dplyr::filter(classe == "ADPF", lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024, relator_atual != "MINISTRO PRESIDENTE") |>
  
  # Garante que cada processo seja único.
  dplyr::distinct() |>
  
  # Cria a variável de evento (status): 1 se o processo foi baixado (evento ocorreu), 0 se ainda está ativo (censurado).
  dplyr::mutate(
    evento = ifelse(!is.na(data_baixa), 1 , 0)
  ) |>
  
  # Para os processos censurados, atribui uma data de fim de estudo ('2025-06-06').
  tidyr::replace_na(list(data_baixa = lubridate::ymd("2025-06-06"))) |>
  
  # Calcula a variável 'tempo' (duração) em dias.
  dplyr::mutate(
    tempo = lubridate::interval(data_autuacao, data_baixa) / lubridate::ddays(1)
  )

# --- Exportação dos Dados Preparados ---

# Salva o dataframe final em um arquivo Excel.
writexl::write_xlsx(processos_surv, "DATA/EXCEL/dados_surv_adpf_min.xlsx")
# Salva o mesmo dataframe em um arquivo CSV.
write.csv(processos_surv, "DATA/CSV/dados_surv_adpf_min.csv")

# --- Estimação do Modelo de Riscos Proporcionais de Cox ---

# Ajusta o modelo de Cox usando a função coxph() do pacote 'survival'.
# Este modelo avalia como a variável 'relator_atual' afeta a taxa de "baixa" dos processos.
# A fórmula Surv(tempo, evento) ~ relator_atual significa que estamos modelando o tempo até o evento
# em função do relator do processo.
# O resultado 'm_cox' é um objeto que contém os coeficientes do modelo, que podem ser
# interpretados como "hazard ratios" (razões de risco).
m_cox <- survival::coxph(survival::Surv(tempo, evento) ~ relator_atual, data = processos_surv)

# --- Salvamento do Modelo Ajustado ---

# Salva o objeto do modelo 'm_cox' em um arquivo .rds.
# Isso permite carregar o modelo posteriormente para análise dos resultados (e.g., tabelas, gráficos)
# sem a necessidade de reajustá-lo.
saveRDS(m_cox, "DATA/MODELOS/modelo_cox_adpf_min.rds")

A Tabela 4.1 representa os resultados da regressão de Cox analisando o tempo de baixa de cada processo em razão de cada relator, tomando como referência o Min. Alexandre de Moraes:

# --- PARTE 1: Processamento e Exportação dos Resultados para Excel ---

# A função tidy() do pacote 'broom' converte o objeto complexo do modelo 'm_cox'
# em um dataframe (tibble) organizado. Cada linha representa um termo do modelo (neste caso, um relator),
# e as colunas contêm as estatísticas associadas (estimativa, erro padrão, p-valor, etc.).
m_cox_broom <- broom::tidy(m_cox)

# O resultado é então processado e exportado.
m_cox_broom |>
  # Calcula a Razão de Risco (Hazard Ratio - HR). O modelo de Cox estima o logaritmo da razão de risco ('estimate').
  # Para obter a razão de risco em si, que é mais interpretável, exponenciamos a estimativa.
  # HR > 1 indica um risco maior de o evento ocorrer (processo ser baixado) em comparação com a referência.
  # HR < 1 indica um risco menor.
  dplyr::mutate(HR = exp(estimate)) |>
  
  # Arredonda os valores numéricos nas colunas 2 a 6 para duas casas decimais,
  # tornando a tabela mais limpa e fácil de ler.
  dplyr::mutate(
    dplyr::across(2:6, ~{round(.x, 2)})
  ) |>
  
  # Salva o dataframe processado em um arquivo Excel, ideal para compartilhamento ou análises adicionais.
  writexl::write_xlsx("DATA/EXCEL/odelo_cox_adpf_min.xlsx")


# --- PARTE 2: Criação de uma Tabela de Apresentação com o Pacote 'gt' ---

# Este bloco cria uma tabela de alta qualidade diretamente no R para inclusão em relatórios ou artigos.
m_cox |>
  # O processo começa novamente convertendo o modelo em um dataframe organizado.
  broom::tidy() |>
  
  # Realiza duas mutações:
  dplyr::mutate(
    # Limpa os nomes na coluna 'term', removendo o prefixo "relator_atual" que o R adiciona automaticamente.
    # Isso torna os rótulos das linhas (nomes dos ministros) mais limpos.
    term = stringr::str_remove_all(term, "relator_atual"),
    # Calcula a Razão de Risco (HR) a partir da estimativa do modelo.
    HR = exp(estimate)
  ) |>
  
  # Inicia a criação da tabela de exibição com o pacote 'gt'.
  gt::gt() |>
  
  # Formata todas as colunas numéricas.
  gt::fmt_number(
    columns = everything(), # Aplica a formatação a todas as colunas.
    decimals = 2,           # Usa duas casas decimais.
    dec_mark = ",",         # Usa vírgula como separador decimal.
    sep_mark = "."          # Usa ponto como separador de milhar.
  ) |>
  
  # Aplica uma série de opções de estilo para customizar a aparência da tabela.
  gt::tab_options(
    table.border.top.style = "hidden",        # Oculta a borda superior da tabela.
    table.border.bottom.style = "hidden",     # Oculta a borda inferior da tabela.
    column_labels.border.bottom.style = "solid", # Adiciona uma linha sólida abaixo dos títulos das colunas.
    column_labels.border.bottom.width = px(2), # Define a espessura dessa linha.
    column_labels.vlines.style = "hidden",    # Oculta as linhas verticais entre os títulos.
    table_body.vlines.style = "hidden",       # Oculta as linhas verticais no corpo da tabela.
    table_body.border.bottom.style = "solid", # Adiciona uma linha sólida no final do corpo da tabela.
    table_body.border.bottom.width = px(2),   # Define sua espessura.
    table_body.hlines.style = "hidden",       # Oculta as linhas horizontais entre as linhas de dados.
    heading.align = "center",                 # Centraliza o título da tabela (se houver).
    source_notes.padding = px(10)             # Adiciona preenchimento às notas de rodapé (se houver).
  ) |>
  
  # Centraliza o alinhamento do texto em todas as colunas.
  gt::cols_align(
    align = "center",
    columns = everything()
  )

Tabela 4.1- Resultados do Modelo de Riscos Proporcionais de Cox para tempo de sobrevivência de um processo por relator

term	estimate	std.error	statistic	p.value	HR
MIN. ANDRÉ MENDONÇA	−1,55	0,25	−6,26	0,00	0,21
MIN. CÁRMEN LÚCIA	0,10	0,16	0,62	0,53	1,10
MIN. CELSO DE MELLO	0,17	0,22	0,77	0,44	1,19
MIN. CRISTIANO ZANIN	−1,60	0,31	−5,13	0,00	0,20
MIN. DIAS TOFFOLI	−0,23	0,17	−1,31	0,19	0,80
MIN. EDSON FACHIN	−0,55	0,17	−3,22	0,00	0,58
MIN. FLÁVIO DINO	−1,01	0,32	−3,14	0,00	0,36
MIN. GILMAR MENDES	−0,38	0,16	−2,29	0,02	0,69
MIN. LUÍS ROBERTO BARROSO	−0,36	0,17	−2,19	0,03	0,69
MIN. LUIZ FUX	−0,93	0,21	−4,49	0,00	0,40
MIN. MARCO AURÉLIO	−0,23	0,22	−1,07	0,28	0,79
MIN. NUNES MARQUES	−0,78	0,20	−3,99	0,00	0,46
MIN. RICARDO LEWANDOWSKI	0,29	0,19	1,48	0,14	1,33
MIN. ROSA WEBER	−0,32	0,18	−1,78	0,08	0,73

A análise dos resultados do modelo de regressão de Cox, demonstra que a variável relator possui um impacto estatisticamente significante na taxa de conclusão das ADPFs. Este resultado global sublinha a relevância do papel do ministro relator na dinâmica processual e na efetividade da judicialização da política, indicando que a identidade do magistrado não é um fator neutro na temporalidade da tramitação das ações.

Observa-se uma heterogeneidade notável entre os ministros no que tange à taxa de conclusão das ADPFs. Ministros como André Mendonça (HR = 0.21, p = 0,00) e Cristiano Zanin (HR = 0.20, p = 0) apresentam os menores riscos, indicando uma taxa de conclusão significativamente mais baixa para as ADPFs sob sua relatoria. Isso implica que as ações sob a responsabilidade desses ministros tendem a ter um tempo de sobrevivência consideravelmente maior, ou seja, demoram mais para serem concluídas, em comparação com a referência. Outros ministros com HR significativamente abaixo de 1 incluem Flávio Dino (HR = 0.36), Luiz Fux (HR = 0.40), Nunes Marques (HR = 0.46), Edson Fachin (HR = 0.58), Gilmar Mendes (HR = 0.69) e Luís Roberto Barroso (HR = 0.69). Para esses magistrados, a taxa de conclusão das ADPFs é igualmente inferior à da referência, embora em magnitudes variadas. Essa constatação sugere que a gestão processual, a complexidade dos casos que lhes são distribuídos ou até mesmo a filosofia jurídica de cada relator podem influenciar diretamente a celeridade ou a morosidade na resolução dessas importantes ações de controle concentrado de constitucionalidade.

Em contraste, alguns ministros não demonstram um impacto estatisticamente significativo na taxa de conclusão das ADPFs ou seus riscos se aproximam de 1, indicando que a duração das ações sob sua relatoria não difere substancialmente da média ou da categoria de referência. Este grupo inclui Ministros como Cármen Lúcia (HR = 1,10, p = 0,53), Celso de Mello (HR = 1,19, p = 0,44), Dias Toffoli (HR = 0,80, p = 0,19), Marco Aurélio (HR = 0.79, p = 0.28) e Ricardo Lewandowski (HR = 1.33, p = 0.14). Embora Ricardo Lewandowski apresente um risco acima de 1, sugerindo uma taxa de conclusão potencialmente mais alta, o p-valor associado indica que essa diferença não é estatisticamente significativa. Da mesma forma, a Ministra Rosa Weber apresenta um risco abaixo de 1, mas seu p-valor, embora próximo da significância, não permite inferir um impacto estatisticamente distinto. A ausência de significância estatística para esses relatores sugere que, para as ADPFs sob sua responsabilidade, a dinâmica de tramitação se alinha mais com o padrão geral observado, sem acelerações ou desacelerações pronunciadas que possam ser atribuídas unicamente à sua atuação como relator.

A análise demonstra, portanto, que a identidade do relator é uma variável-chave na equação da celeridade processual. Contudo, para além das características individuais dos julgadores, existem mecanismos processuais internos ao Tribunal que são projetados para influenciar o ritmo dos julgamentos. Dentre eles, destaca-se a aplicação do rito abreviado. A investigação se volta agora para este fator, buscando determinar se sua utilização cumpre, na prática, a promessa de acelerar a entrega da prestação jurisdicional.

Outra observação possível diz respeito a influência do rito abreviado para o prazo de julgamento da ADPF. Primeiramente, é preciso destacar que o rito abreviado não está previsto na Lei nº 9882/1999 – que regulamenta a ADPF, mas é amplamente utilizado de modo genérico no controle concentrado, embora só esteja previsto na regulamentação da ADI, ADO e ADC. Segundo esse rito, havendo medida cautelar, o relator, após prazo de dez dias para informações e cinco dias para manifestação do Advogado-Geral da União e o Procurador-Geral da República, pode submeter o processo direto ao plenário para julgar definitivamente a ação - sem a necessidade de avaliar a liminar previamente.

# O fluxo de análise inicia com o dataframe 'clean_processos'.
clean_processos |>
  # Seleciona as colunas necessárias para a análise: classe, número do processo,
  # a variável indicadora do rito e a data de autuação.
  dplyr::select(classe, numero, tem_rito_art_12, data_autuacao) |>
  
  # Filtra os dados para criar um subconjunto de interesse.
  dplyr::filter(
    # Mantém apenas os processos da classe "ADPF".
    classe == "ADPF",
    # E que foram autuados no período entre 2014 e 2024, inclusive.
    lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024
  ) |>
  
  # Remove linhas duplicadas para garantir que cada processo seja contado apenas uma vez.
  dplyr::distinct() |>
  
  # Agrupa os dados com base na coluna 'tem_rito_art_12'.
  # Isso cria dois grupos: um para processos com o rito (e.g., TRUE) e outro para processos sem o rito (e.g., FALSE).
  dplyr::group_by(tem_rito_art_12) |>
  
  # Para cada grupo, calcula o número de observações (processos) e armazena o resultado
  # em uma nova coluna chamada 'n'. O resultado final é uma tabela de frequência.
  dplyr::summarise(n = dplyr::n())

No escopo dos processos analisados, cerca de 136 processos adotaram o rito abreviado. Mas, o rito abreviado reduz o tempo de julgamento da ação?

# --- Preparação dos Dados para Análise de Sobrevivência Comparativa ---

# O objeto 'processos_surv' é criado a partir do dataframe 'clean_processos'.
processos_surv <- clean_processos |>
  # Seleciona as colunas necessárias, incluindo a variável de grupo 'tem_rito_art_12'.
  dplyr::select(classe, numero, data_autuacao, data_baixa, tem_rito_art_12) |>
  
  # Filtra os dados para focar nos processos da classe "ADPF" autuados entre 2014 e 2024.
  dplyr::filter(classe == "ADPF", lubridate::year(data_autuacao) >= 2014 & lubridate::year(data_autuacao) <= 2024) |>
  
  # Garante que cada processo seja único no conjunto de dados.
  dplyr::distinct() |>
  
  # Cria a variável de evento (status): 1 se o processo foi baixado, 0 se está ativo (censurado).
  dplyr::mutate(
    evento = ifelse(!is.na(data_baixa), 1 , 0)
  ) |>
  
  # Para os processos censurados, atribui uma data de fim de estudo ('2025-06-06').
  tidyr::replace_na(list(data_baixa = lubridate::ymd("2025-06-06"))) |>
  
  # Calcula a variável 'tempo' (duração) em dias.
  dplyr::mutate(
    tempo = lubridate::interval(data_autuacao, data_baixa) / lubridate::ddays(1)
  )

# Exporta o dataframe preparado para os formatos Excel e CSV.
writexl::write_xlsx(processos_surv, "DATA/EXCEL/dados_surv_adpf_rito.xlsx")
write.csv(processos_surv, "DATA/CSV/dados_surv_adpf_rito.csv")

# --- Estimação do Modelo de Kaplan-Meier Comparativo ---

# Ajusta um modelo de sobrevivência usando o estimador de Kaplan-Meier.
# A fórmula Surv(tempo, evento) ~ tem_rito_art_12 instrui a função a estimar
# curvas de sobrevivência separadas para cada grupo definido pela variável 'tem_rito_art_12'.
estimador_km <- survival::survfit(survival::Surv(tempo, evento) ~ tem_rito_art_12, data = processos_surv)

# Salva o objeto do modelo ajustado em um arquivo .rds para uso futuro.
saveRDS(estimador_km, "DATA/MODELOS/modelo_surv_km_adpf_rito.rds")

# --- Processamento e Exportação dos Resultados do Modelo ---

# Utiliza a função tidy() do pacote 'broom' para converter o objeto do modelo
# em um dataframe organizado, contendo as estimativas de sobrevivência para cada grupo em cada ponto no tempo.
data_km <- estimador_km |>
  broom::tidy()

# Exporta os dados detalhados do modelo para Excel e CSV.
writexl::write_xlsx(data_km, "DATA/EXCEL/modelo_surv_km_adpf_rito.xlsx")
write.csv(data_km, "DATA/CSV/modelo_surv_km_adpf_rito.csv")

# --- Visualização das Curvas de Sobrevivência Comparativas ---

# Utiliza a função ggsurvplot para criar um gráfico comparativo.
ggsurvplot(
  estimador_km, # O objeto do modelo ajustado.
  data = processos_surv, # O dataframe original.
  
  pval = TRUE, # Solicita a exibição do p-valor do teste log-rank, que avalia se a diferença entre as curvas é estatisticamente significativa.
  
  conf.int = FALSE, # Oculta os intervalos de confiança.
  
  surv.median.line = "hv", # Adiciona linhas para marcar a mediana de sobrevivência em cada curva.
  
  xlab = "Tempo (dias)", # Rótulo do eixo x.
  ylab = "Probabilidade de Sobrevivência", # Rótulo do eixo y.
  
  palette = c(cores[4], cores[5]), # Define uma paleta com duas cores distintas, uma para cada curva.
  
  ggtheme = decJ::theme_decJ(), # Aplica o tema visual customizado.
  
  legend.labs = c("Não", "Sim"), # Define os rótulos para cada curva na legenda.
  legend.title = "Rito abreviado" # Define o título da legenda.
)

# Salva o gráfico final como um arquivo PNG de alta qualidade.
decJ::save_decJ("PLOT/figura_7.png", l = 24, dpi = 300)

Figura 4.5- Curva de Sobrevivência de Kaplan-Meier: sobrevivência de uma Arguição de Descumprimento de Preceito Fundamental em relação ao rito abreviado

Os dados apresentam um paradoxo contraintuitivo. A análise de sobrevivência demonstra visualmente que a probabilidade de uma ADPF permanecer “viva” (ou seja, pendente de julgamento) é consistentemente maior para os casos que tramitam sob o rito abreviado (curva laranja, “Sim”) em comparação com aqueles que seguem o rito ordinário (curva azul, “Não”). Esta observação visual é quantificada pelos dados de sobrevivência mediana, conforme detalhado na Tabela 4.2. Uma ADPF que tramita sem o rito do artigo 12 possui um tempo de vida mediano de 572 dias. Em contraste, uma ADPF para a qual o relator adota o rito abreviado apresenta uma mediana de 794 dias — um acréscimo de 222 dias, ou aproximadamente 39%.

Tabela 4.2- Estimativas de Kaplan-Meier para a sobrevivência de uma ADPF com ou sem rito abreviado

Rito abreviado	Total de Casos	Eventos	Sobrevivência Mediana (em dias)
Não	751	597	572
Sim	136	107	794

Este achado inicial desestabiliza a compreensão convencional do procedimento. O que é legalmente designado como um mecanismo de celeridade está, na prática, associado a um tempo de tramitação significativamente mais longo até a decisão final. Tal discrepância entre o propósito do instituto e seu resultado sugere que a denominação “rito abreviado” pode ser um equívoco se interpretada estritamente como sinônimo de rapidez. A verdadeira função do rito do art. 12 parece ser outra, possivelmente ligada à natureza intrínseca dos casos aos quais é aplicado. A decisão de abreviar o rito, ao dispensar a análise liminar em favor de um julgamento de mérito direto, pode ser uma estratégia para gerir a complexidade e a controvérsia, permitindo ao Tribunal um tempo maior para instrução e deliberação antes de proferir uma decisão definitiva, ou até mesmo para o relator se eximir de decidir sobre a medida liminar.

# --- Estimação do Modelo de Riscos Proporcionais de Cox ---

# Ajusta um modelo de Cox usando a função coxph() do pacote 'survival'.
# Este modelo avalia como a variável 'tem_rito_art_12' (ter ou não o rito abreviado)
# afeta a taxa de "baixa" (o evento) dos processos ao longo do tempo.
# A fórmula Surv(tempo, evento) ~ tem_rito_art_12 significa que estamos modelando
# o risco do evento em função da aplicação do rito abreviado.
m_cox <- survival::coxph(survival::Surv(tempo, evento) ~ tem_rito_art_12, data = processos_surv)

# --- Salvamento do Modelo Ajustado ---

# Salva o objeto do modelo 'm_cox' em um arquivo .rds.
# Este formato nativo do R preserva o objeto do modelo, permitindo que ele seja
# carregado posteriormente para análise sem a necessidade de reajustar o modelo.
saveRDS(m_cox, "DATA/MODELOS/modelo_cox_adpf_rito.rds")

# --- Teste da Premissa de Riscos Proporcionais ---

# Realiza o teste de resíduos de Schoenfeld para avaliar a premissa de riscos proporcionais (PH).
# A premissa de PH é fundamental para a validade do modelo de Cox e assume que o efeito
# de uma covariável (neste caso, 'tem_rito_art_12') sobre o risco é constante ao longo do tempo.
# A função cox.zph() testa se há uma tendência não nula na correlação entre os resíduos e o tempo.
#
# Interpretação: Um p-valor baixo (e.g., < 0.05) no resultado deste teste sugere que a premissa de
# riscos proporcionais foi violada, indicando que o efeito do rito abreviado não é constante
# no tempo e que o modelo de Cox pode não ser o mais apropriado sem ajustes.
teste_mcox <- survival::cox.zph(m_cox, terms = FALSE)

# --- Preparação da Variável para Modelagem ---

# Converte a variável 'tem_rito_art_12' para um formato numérico (0/1).
# Originalmente, ela poderia ser um fator ou texto (e.g., "Sim", "Não").
# A conversão para 1 (se "Sim") e 0 (caso contrário) é uma boa prática para
# a modelagem, especialmente ao criar termos de interação como os que se seguem.
processos_surv$tem_rito_art_12 <- ifelse(processos_surv$tem_rito_art_12 == "Sim", 1, 0)

# --- Estimação do Modelo de Cox com Efeito Dependente do Tempo ---

# Ajusta um novo modelo de Cox que relaxa a premissa de riscos proporcionais.
# Esta abordagem é utilizada quando o efeito de uma variável não é constante no tempo.
m_cox <- survival::coxph(
  # A fórmula agora inclui um termo de interação com o tempo.
  # ~ tem_rito_art_12: Este é o efeito principal, representando o impacto do rito no tempo zero.
  # ~ tt(tem_rito_art_12): Este é o termo que captura a mudança do efeito ao longo do tempo.
  formula = Surv(tempo, evento) ~ tem_rito_art_12 + tt(tem_rito_art_12),
  
  data = processos_surv,
  
  # O argumento 'tt' (time-transform) define como o efeito da variável muda com o tempo.
  # Aqui, a função especifica uma interação linear simples: o valor da variável (x)
  # é multiplicado pelo tempo (t). O modelo, portanto, estima um coeficiente para
  # 'tem_rito_art_12' e outro para a interação 'tem_rito_art_12 * tempo'.
  tt = function(x, t, ...) {
    x * t
  }
)

# --- Salvamento do Modelo Avançado ---

# Salva o novo objeto do modelo ajustado ('m_cox') em um arquivo .rds.
# O sufixo "_tt" no nome do arquivo é uma boa convenção para indicar que este
# é um modelo com uma covariável dependente do tempo (time-transform).
saveRDS(m_cox, "DATA/MODELOS/modelo_cox_adpf_rito_tt.rds")

Para além da análise descritiva das curvas de sobrevivência, é imperativo quantificar a magnitude e a significância estatística da associação entre a adoção do rito abreviado e o tempo de tramitação das ADPFs. A primeira especificação do modelo, apresentada como “Modelo 1” na Tabela 4.3, trata o efeito do rito como constante ao longo de toda a vida do processo.

Os resultados deste modelo confirmam a impressão deixada pela análise das medianas. O coeficiente associado à variável ter rito abreviado tem sinal negativo (\(\beta_{tem\_rito\_art\_12Sim}=-0,2136\)), indicando que a doação do rito está associada a uma redução no risco de conclusão do processo e, de modo mais intuitivo, a razão de riscos de um processo com o rito abreviado é de 0,8077. Isto é, ao adotar o rito abreviado, a ADPF tem uma redução de 19,23% na probabilidade diária de resolução se comparada com uma ADPF em que não foi adotado o rito.

A robustez do modelo e a validade depende da premissa de que os riscos são proporcionais, portanto, as curvas de sobrevivência deveriam divergir e convergir de forma mais ou menos paralela, sem se cruzarem. Todavia, conforme se visualiza na Figura 4.5, as curvas se cruzam, indicando que a premissa dos riscos proporcionais foi violada. A análise dos resíduos de Schoenfeld confirmaram a violação da premissa – ou seja, adotar o rito abreviado não possui o mesmo efeito sobre o evento ao longo do tempo.

Diante disso, a abordagem adequada para tal é um modelo com covariáveis dependentes do tempo, que permite que o efeito do procedimento mude ao longo da “vida” do processo. Isso é alcançado pela inclusão de um termo de interação entre a variável do rito e uma função do tempo. O Modelo 2, detalhado na Tabela 4.3, implementa essa abordagem.

Tabela 4.3- Resultados do Modelo de Riscos Proporcionais de Cox para tempo de sobrevivência de um processo por rito abreviado. Modelo 1 sem variável com interação no tempo. Modelo 2 com variável com internação no tempo.

Variável	Modelo 1			Modelo 2
	β	p-valor	HR	β	p-valor	HR
Rito do art. 12 (Sim)	-0,2136	0,042	0,808	-0,7301	< 0,05	0,482
Tempo * Rito do art. 12	-	-	-	0,0007168	< 0,05	-

Neste modelo mais completo, o coeficiente da variável ter rito do art. 12 representa o efeito inicial do rito, no tempo \(t = 0\). A razão de riscos instantânea nesse caso é de 0,48. Isso revela que, no início de sua tramitação, uma ADPF sob o rito abreviado tem menos da metade da probabilidade de ser concluída em comparação com uma ação em rito ordinário.

O segundo coeficiente crucial é o do termo de interação, que é positivo e altamente significativo (0,0007168), ou seja, para cada dia que passa, o logaritmo da razão de riscos aumenta em 0,0007168. Em termos substantivos, a “desvantagem” temporal imposta pelo rito abreviado não é permanente, ela diminui progressivamente. Esta dinâmica conecta-se diretamente a teorias de comportamento judicial estratégico. Esse achado possui implicações para a compreensão do STF, evidenciando que o Tribunal atua não apenas como árbitro constitucional passivo, mas como ator político estratégico e uma instituição de governança, que utiliza das regras processuais de forma discricionária para gerir o tempo das suas decisões, controlar a agenda política e modular o impacto de seus julgamentos.

Em uma análise preliminar, o rito abreviado é um ato de judicial statecraft, por meio do qual o tempo deixa de ser um indicador de ineficiência para se tornar um recurso estratégico, utilizado para gerir conflitos, absorver pressões políticas e construir decisões mais robustas e legítimas.

No entanto, o resultado do processo pode ter influência sobre o tempo do seu término. Parece óbvio que processos sem resolução de mérito terminam antes do que os que tem o seu mérito resolvido. A análise sobre o rito abreviado acima possui essa limitação inicial, ela não explora o resultado – que será analisado posteriormente.

Finalmente, é possível verificar o tempo de encerramento da arguição em relação ao seu resultado. Primeiro, é interessante observar que boa parte das arguições sequer são julgadas pelo STF, sendo extintas sem resolução de mérito. Porém, quando são julgadas, um grande número é bem-sucedido. Das ações encerradas, 479 foram julgadas sem resolução de mérito (incluindo as prejudicadas), e as que tiveram mérito julgado 37 foram improcedentes, 124 procedentes e 51 parcialmente procedentes. A Figura 4.6 ilustra essa relação.

# --- Bloco 1: Classificação Inicial das Decisões Finais ---

# O objetivo deste bloco é criar uma variável 'resultado' padronizada.
clean_decisoes_final <-
  clean_decisoes |>
  # Filtra o dataframe de decisões para focar em:
  # 1. Processos da classe "ADPF".
  # 2. Apenas os números de processo que estão no dataframe de referência 'adpf_rec'.
  # 3. Apenas as movimentações classificadas como "Decisão Final".
  dplyr::filter(classe == "ADPF", numero %in% adpf_rec$numero, subgrupo == "Decisão Final") |>
  # Cria a coluna 'resultado' com base na coluna 'andamento_agrupado'.
  dplyr::mutate(
    resultado = dplyr::case_when(
      andamento_agrupado == "Procedente" ~ "Procedente",
      andamento_agrupado == "Improcedente" ~ "Improcedente",
      andamento_agrupado == "Procedente em parte" ~ "Procedente em parte",
      andamento_agrupado == "Prejudicado" ~ "Prejudicado",
      # Se nenhuma das condições acima for atendida, classifica como "Sem mérito".
      TRUE ~ "Sem mérito"
    )
  )

# --- Bloco 2: Separação dos Tipos de Resultado ---

# Cria um dataframe apenas com as decisões de mérito (julgamento sobre o pedido).
clean_decisoes_final_pt2 <- clean_decisoes_final |>
  dplyr::filter(
    resultado == "Procedente" | resultado == "Improcedente" | resultado == "Procedente em parte"
  ) |>
  # Seleciona apenas as colunas essenciais e remove duplicatas.
  dplyr::select(classe, numero, resultado) |>
  dplyr::distinct() |>
  # Garante que o número do processo seja do tipo numérico para o 'join' posterior.
  dplyr::mutate(numero = as.numeric(numero))

# Cria um dataframe separado para as decisões de "Prejudicado".
clean_decisoes_final_pt3 <- clean_decisoes_final |>
  dplyr::filter(resultado == "Prejudicado") |>
  dplyr::select(classe, numero, resultado) |>
  dplyr::distinct() |>
  dplyr::mutate(numero = as.numeric(numero))

# --- Bloco 3: Junção (Join) e Consolidação dos Resultados ---

# Inicia com o dataframe de referência 'adpf_rec'.
adpf_rec_teste <- adpf_rec |>
  # Junta (left_join) com as decisões de mérito. Processos sem decisão de mérito terão 'NA' na coluna 'resultado.x'.
  dplyr::left_join(
    clean_decisoes_final_pt2,
    by = dplyr::join_by(numero)
  ) |>
  # Junta com as decisões de "Prejudicado".
  dplyr::left_join(
    clean_decisoes_final_pt3,
    by = dplyr::join_by(numero),
    keep = FALSE,
    # 'relationship = "one-to-one"' é uma verificação de integridade, garantindo que não há múltiplos resultados para um mesmo processo.
    relationship = "one-to-one"
  )

# Consolida as duas colunas de resultado ('resultado.x' e 'resultado.y') em uma só.
adpf_rec_teste <- adpf_rec_teste |>
  mutate(
    # Se 'resultado.x' (mérito) for NA, usa 'resultado.y' (prejudicado). Caso contrário, mantém 'resultado.x'.
    resultado = ifelse(is.na(resultado.x), resultado.y, resultado.x)
  ) |>
  # Seleciona apenas as colunas de interesse.
  dplyr::select(numero, resultado)

# --- Bloco 4: Limpeza do Ambiente e Preparação Final ---

# Atribui o resultado a um novo objeto com nome mais claro.
decisoes_final <- adpf_rec_teste
# Garante que a coluna 'numero' é numérica.
decisoes_final$numero <- as.numeric(decisoes_final$numero)

# Remove os dataframes intermediários para manter o ambiente de trabalho organizado.
rm(clean_decisoes_final_pt2, clean_decisoes_final_pt3, adpf_rec_teste)

# --- Bloco 5: Integração Final com a Base de Processos ---

# Cria o dataframe final que será exportado.
processos_resultado <- clean_processos |>
  # Filtra a base principal de processos para o mesmo escopo de ADPFs de 'adpf_rec'.
  dplyr::filter(classe == "ADPF", numero %in% adpf_rec$numero) |>
  # Seleciona as colunas de interesse da base de processos.
  dplyr::select(
    numero, data_autuacao, data_baixa, tem_rito_art_12, em_tramitacao
  ) |>
  # Garante unicidade e o tipo correto da coluna 'numero'.
  dplyr::distinct() |>
  dplyr::mutate(numero = as.numeric(numero)) |>
  # Junta a base de processos com a tabela de resultados finais criada nos blocos anteriores.
  dplyr::left_join(
    decisoes_final,
    by = "numero"
  ) |>
  # Cria a coluna final e definitiva de 'resultado', considerando o status de tramitação.
  dplyr::mutate(resultado = dplyr::case_when(
    # Se o processo não está em tramitação E tem um resultado da junção, usa esse resultado.
    em_tramitacao == "Não" & !is.na(resultado) ~ resultado,
    # Se não está em tramitação E NÃO tem um resultado (e.g., foi arquivado sem decisão), classifica como "Sem mérito".
    em_tramitacao == "Não" & is.na(resultado) ~ "Sem mérito",
    # Se ainda está em tramitação, classifica como "Sem julgamento".
    em_tramitacao == "Sim" ~ "Sem julgamento"
  ))

# Remove os últimos objetos intermediários.
rm(decisoes_final, clean_decisoes_final)

# --- Bloco 6: Exportação dos Dados ---

# Salva o dataframe final e enriquecido em um arquivo Excel.
writexl::write_xlsx(processos_resultado, "DATA/EXCEL/dados_processos_resultado_cap4.xlsx")
# Salva o mesmo dataframe em um arquivo CSV.
write.csv(processos_resultado,"DATA/CSV/dados_processos_resultados_cap4.csv")

# O fluxo de visualização inicia com o dataframe 'processos_resultado'.
processos_resultado |>
  # Agrupa os dados pela coluna 'resultado'. Isso prepara o dataframe para
  # que a operação seguinte seja feita para cada categoria de resultado separadamente.
  dplyr::group_by(resultado) |>
  
  # Para cada grupo (cada tipo de resultado), conta o número de processos
  # e armazena essa contagem em uma nova coluna chamada 'n'.
  dplyr::summarise(n = dplyr::n()) |>
  
  # Inicia a construção do gráfico com os dados agregados.
  ggplot() +
  
  # Adiciona a camada de colunas (gráfico de barras).
  # aes(x = resultado, y = n) mapeia as categorias de resultado para o eixo x
  # e a contagem (n) para a altura das barras no eixo y.
  # fill = cores[4] define uma cor de preenchimento única para todas as barras.
  geom_col(aes(x = resultado, y = n), fill = cores[4]) +
  
  # Personaliza a escala do eixo y.
  # expand = c(0,0) remove o espaço padrão entre as barras e o eixo x.
  # limits = c(0, 450) define os limites do eixo y de 0 a 450.
  scale_y_continuous(expand = c(0,0), limits = c(0, 450)) +
  
  # Define os rótulos (títulos) dos eixos.
  labs(
    x = "Resultado",
    y = "Número de processos"
  ) +
  
  # Aplica um tema visual customizado do pacote 'decJ'.
  decJ::theme_decJ(y_num = TRUE)

# Salva o gráfico final como um arquivo de imagem PNG.
# A função 'save_decJ' permite especificar o caminho, a largura ('l') e a resolução ('dpi').
decJ::save_decJ("PLOT/figura_8.png", l = 24, dpi = 300)

Figura 4.6- Resultado das arguições de descumprimento de preceito fundamental ajuizadas entre 2014-2024

A análise descritiva dos dados (Tabela 4.4) revela disparidades no tempo mediano de tramitação das ações, sugerindo a existência de distintas velocidades processuais no âmbito do STF, que parecem estar associadas à natureza da decisão proferida:

# --- Preparação dos Dados para Análise de Sobrevivência por Resultado ---

# O fluxo se inicia com o dataframe 'processos_resultado', que já contém o desfecho de cada processo.
processos_surv <- processos_resultado |>
  # Cria a variável de evento (status): 1 se o processo foi baixado (tem data_baixa), 0 caso contrário.
  dplyr::mutate(
    evento = ifelse(!is.na(data_baixa), 1 , 0)
  ) |>
  # Substitui os valores NA em 'data_baixa' por uma data de fim de estudo (censura administrativa).
  tidyr::replace_na(list(data_baixa = lubridate::ymd("2025-06-06"))) |>
  # Calcula a variável 'tempo' como a duração em dias entre a autuação e a baixa (ou data de censura).
  dplyr::mutate(
    tempo = lubridate::interval(data_autuacao, data_baixa) / lubridate::ddays(1)
  ) |>
  # Filtra o dataframe para incluir APENAS os processos que não estão mais em tramitação.
  # Este é um passo crucial para evitar viés de antecipação (look-ahead bias), pois só se pode
  # analisar o tempo até um resultado para os processos que de fato já atingiram um.
  dplyr::filter(em_tramitacao == "Não") |>
  # Remove a coluna 'em_tramitacao', que já cumpriu seu propósito no filtro.
  dplyr::select(-em_tramitacao)

# Exporta o dataframe preparado para as análises subsequentes.
writexl::write_xlsx(processos_surv, "DATA/EXCEL/dados_surv_adpf_resultado.xlsx")
write.csv(processos_surv, "DATA/CSV/dados_surv_adpf_resultado.csv")

# --- Estimação do Modelo de Kaplan-Meier (Descritivo) ---

# Ajusta um modelo de Kaplan-Meier para estimar as curvas de sobrevivência.
# A fórmula Surv(tempo, evento) ~ resultado especifica que curvas separadas
# devem ser geradas para cada categoria da variável 'resultado'.
estimador_km <- survival::survfit(Surv(tempo, evento) ~ resultado, data = processos_surv)

# Salva o objeto do modelo Kaplan-Meier para uso posterior (e.g., gráficos).
saveRDS(estimador_km, "DATA/MODELOS/modelo_km_adpf_resultado.rds")

# --- Estimação do Modelo de Cox (Inferencial) ---

# Ajusta um modelo de riscos proporcionais de Cox para quantificar a associação
# entre o tipo de resultado e a "taxa de baixa" do processo.
m_cox <- survival::coxph(Surv(tempo, evento) ~ resultado, data = processos_surv)

# Salva o objeto do modelo de Cox para análise posterior dos coeficientes.
saveRDS(m_cox, "DATA/MODELOS/modelo_cox_adpf_resultado.rds")

# --- Validação da Premissa do Modelo de Cox ---

# Realiza o teste de resíduos de Schoenfeld para verificar a premissa de riscos proporcionais (PH).
# Esta premissa assume que o efeito de cada categoria de resultado sobre o risco é constante no tempo.
# Um p-valor baixo no resultado deste teste indicaria uma violação da premissa,
# sugerindo que o modelo de Cox pode não ser o mais adequado sem ajustes.
teste_mcox <- survival::cox.zph(m_cox, terms = FALSE)

Tabela 4.4- Estimativas de Kaplan-Meier para a sobrevivência de uma ADPF em relação ao resultado

Resultado	Número de Casos	Número de Eventos	Sobrevivência mediana (em dias)
Improcedente	37	37	990
Prejudicado	72	72	552
Procedente	124	124	750
Procedente em parte	51	51	639
Sem mérito	407	407	282

As ações julgadas “Sem mérito” - aquelas que não superam os requisitos processuais de admissibilidade, como a demonstração de subsidiariedade ou a pertinência temática do autor - apresentam um tempo mediano de sobrevivência de apenas 282 dias. Este valor contrasta de forma gritante com os casos que recebem um julgamento de mérito. As ações julgadas “Improcedentes”, nas quais a Corte analisa integralmente os argumentos e os rejeita, são as mais longevas, com uma mediana de 990 dias. Da mesma forma, as ações julgadas “Procedentes” (750 dias) e “Procedentes em parte” (639 dias) também exibem tempos de deliberação substancialmente mais longos.

Esta distribuição bimodal dos tempos de processamento sugere fortemente que o STF opera com um sistema de triagem judicial. Existe uma distinção entre uma “via rápida” para o descarte processual e uma “via lenta” para a deliberação substantiva. O abismo entre os 282 dias para decisões “Sem mérito” e a faixa de 639 a 990 dias para todas as outras categorias de mérito não parece ser fruto do acaso, mas um indício de um mecanismo de filtragem sistemático. A Corte parece alocar seus recursos deliberativos de forma estratégica, dispensando rapidamente os casos que considera processualmente inviáveis para conservar sua capacidade analítica para as disputas que levantam questões constitucionais genuínas e complexas, moldando a agenda do debate constitucional antes mesmo que a discussão de mérito se inicie.

O modelo de Cox revelou dois padrões principais. Primeiramente, o resultado “Sem mérito” é um preditor extremamente poderoso da celeridade processual. A razão de riscos de 2,396, com altíssima significância estatística (p < 0.000001), indica que um processo destinado a ser extinto sem resolução de mérito tem uma probabilidade de ser concluído, a qualquer momento, que é aproximadamente 2,4 vezes maior do que a de um processo destinado a ser julgado improcedente. Este resultado quantifica e corrobora a hipótese da “triagem judicial”, demonstrando que o filtro processual não é apenas uma observação descritiva, mas um fator com forte poder preditivo sobre o tempo de vida de uma ação. O mesmo padrão, embora com menor magnitude, é observado para os casos julgados “Prejudicados” (HR = 1,894, p = 0,00185), que também representam uma forma de extinção anômala do processo, sem análise completa do mérito.

Um segundo achado, mais sutil e igualmente importante, emerge da análise das categorias de mérito. As razões de risco para “Procedente” (HR = 1,298) e “Procedente em parte” (HR = 1,107) não são estatisticamente significantes (p=0,166 e p=0,638, respectivamente). Isso significa que não se pode rejeitar a hipótese nula de que seus tempos de tramitação são diferentes da categoria de referência (“Improcedente”). Esta ausência de significância estatística sugere que, uma vez que um caso é admitido para análise de mérito, o resultado - vitória, derrota ou vitória parcial para o autor - não prediz de forma significativa a duração do processo. O fator que consome tempo não é a direção do voto final, mas o próprio processo de deliberação. Uma suposição intuitiva de que os casos com os quais a Corte concorda (“Procedente”) seriam resolvidos mais rapidamente, talvez por um consenso mais fácil, é contrariada por estes dados. A longa e estatisticamente indistinguível duração entre todos os resultados de mérito indica que estes casos são inerentemente complexos, exigindo extensa argumentação jurídica, deliberação entre os ministros e cuidadosa redação de votos, independentemente do desfecho.

Tabela 4.5- Resultados do Modelo de Riscos Proporcionais de Cox para tempo de sobrevivência de um processo por resultado

Variável	β	p-valor	HR
Prejudicado	0,63	0,00185	1,8941
Procedente	0,26	0,16	1,2977
Procedente em Parte	0,10	0,63	1,10
Sem Mérito	0,87	5,28 x 10⁻⁷	2,39

Todavia, após aplicação do teste de resíduos de Schoenfeld, verificou-se a violação dos pressupostos do modelo. Ou seja, os estimadores enganam, posto que os riscos não são proporcionais ao longo do tempo. Para superar a violação do pressuposto, ajustou-se o modelo de Cox incluindo covariáveis dependentes do tempo, isto é, foram criados termos de interação entre cada categoria de resultado e o logaritmo natural do tempo, permitindo que o efeito de cada categoria sobre a taxa de risco de resolução mude ao longo do processo, oferecendo um retrato mais fiel e dinâmico.

# --- Bloco 1: Preparação dos Dados com Variáveis Dummy ---

# Cria uma matriz de design (dummy variables) a partir da variável categórica 'resultado'.
# A função model.matrix() converte cada categoria de 'resultado' em uma coluna com 0s e 1s.
# A primeira categoria (geralmente por ordem alfabética, "Improcedente" neste caso) será a categoria de referência.
dummies <- model.matrix(~ resultado, data = processos_surv)
# Remove a primeira coluna da matriz, que corresponde ao intercepto (a categoria de referência).
dummies <- dummies[, -1]
# Combina o dataframe original com as novas colunas de variáveis dummy.
processos_surv_tt <- cbind(processos_surv, dummies)


# --- Bloco 2: Estimação do Modelo de Cox Corrigido com Efeitos Dependentes do Tempo ---

# Ajusta um novo modelo de Cox que permite que os efeitos das covariáveis mudem com o tempo.
# Esta é a abordagem correta quando o teste cox.zph indica a violação da premissa de riscos proporcionais.
modelo_corrigido_final <- survival::coxph(
  # A fórmula é especificada manualmente usando as variáveis dummy.
  # A primeira linha contém os efeitos principais (constantes no tempo).
  # A segunda linha contém os termos de interação com o tempo (efeitos que mudam com o tempo).
  formula = Surv(tempo, evento) ~ resultadoPrejudicado + resultadoProcedente + 
                                  `resultadoProcedente em parte` + `resultadoSem mérito` +
                                  tt(resultadoPrejudicado) + tt(resultadoProcedente) + 
                                  tt(`resultadoProcedente em parte`) + tt(`resultadoSem mérito`),
  data = processos_surv_tt,
  
  # O argumento 'tt' (time-transform) define a função que descreve como o efeito muda com o tempo.
  # A função x * log(t) modela a interação entre a covariável (x) e o logaritmo do tempo (t).
  # Esta é uma forma flexível que permite que o risco mude mais rapidamente no início e depois se estabilize.
  tt = function(x, t, ...) {
    x * log(t) 
  }
)

# Salva o objeto do modelo final e corrigido em um arquivo .rds.
saveRDS(modelo_corrigido_final, "DATA/MODELOS/modelo_cox_adpf_resultado_tt.rds")

# --- Bloco 3: Processamento e Exportação dos Resultados do Modelo ---

# Utiliza a função tidy() do pacote 'broom' para converter o resultado complexo do modelo
# em um dataframe organizado, pronto para análise e exportação.
dados_cox <- modelo_corrigido_final |>
  broom::tidy()

# Salva a tabela de resultados do modelo em um arquivo Excel.
writexl::write_xlsx(dados_cox, "DATA/EXCEL/modelo_cox_adpf_resultado_tt.xlsx")
# Salva a mesma tabela em um arquivo CSV.
write.csv(dados_cox, "DATA/CSV/modelo_cox_adpf_resultado_tt.csv")

Tabela 4.6- Resultados do Modelo de Riscos Proporcionais de Cox para tempo de sobrevivência de um processo por resultado com internação no tempo

Variável	β	p – valor	HR
Prejudicado	0,09	0,94	1,10
Procedente	-0,47	0,71	0,62
Procedente em Parte	-0,42	0,78	0,65
Sem Mérito	3,54	0,0034	34,54
tt(Prejudicado)	0,11	0,60	1,11
tt(Procedente)	0,11	0,54	1,12
tt(Procedente em Parte)	0,08	0,71	1,08
tt(Sem Mérito)	-0,44	0,01	0,64

A análise da Tabela 4.6 confirma e refina as hipóteses anteriores. A razão de risco de um processo sem resolução de mérito é positiva (\(\beta = 3,54\)) e altamente significativo, indicando que, no início do processo, a taxa de risco de resolução para um caso “Sem mérito” é muito maior (HR=34,53) do que para um caso “Improcedente”. Contudo, o termo de interação no termo é negativo (\(\beta = -0,44\)), confirmando que o efeito é front-loaded, isto é, o impulso para uma resolução rápida de casos “Sem mérito” decai com o tempo.

A ausência de significância estatística para todas as outras variáveis, tanto os termos principais quanto os de interação. O modelo anterior, mais simples, havia sugerido que casos “Prejudicados” eram resolvidos mais rapidamente que os “Improcedentes”. Este modelo mais robusto demonstra que, uma vez que a dependência temporal é modelada, essa diferença desaparece. Não há evidência estatística de que os tempos de resolução para casos “Procedentes”, “Procedentes em parte” ou “Prejudicados” sejam diferentes daqueles julgados “Improcedentes”, em nenhum momento do seu ciclo de vida. Isso fortalece a conclusão de que, uma vez superada a barreira da admissibilidade, os casos entram em uma “via de deliberação” onde a complexidade intrínseca do julgamento de mérito, e não o seu resultado, se torna o principal determinante da sua longevidade.

4.1 Considerações parciais

O expressivo aumento no ajuizamento de Arguições de Descumprimento de Preceito Fundamental (ADPF) na última década, com um pico acentuado entre 2014 e 2024, evidencia a consolidação deste instrumento como um palco central para a judicialização da política no Brasil. Este fenômeno, correlacionado a eventos como a Operação Lava Jato, crises institucionais e a pandemia de COVID-19, sugere que o STF passou a ser instado a arbitrar não apenas sobre a constitucionalidade de normas, mas sobre decisões políticas cruciais. O uso crescente pode indicar uma percepção de que os canais políticos tradicionais são insuficientes para lidar com impasses institucionais e violações de direitos, estabelecendo um “novo normal” na dinâmica entre os poderes.

A análise da celeridade processual das ADPFs revela que o tempo de julgamento é fortemente influenciado pela identidade do ministro relator, e, para além do relator, mecanismos processuais e a identidade do autor da ação também influenciam a tramitação da ADPF, mas de forma não-linear. O rito abreviado, por exemplo, não funciona como um acelerador constante. Seu efeito é dependente do tempo: embora não impacte a celeridade inicial, ele se mostra útil para acelerar o julgamento de ações que persistem por longos períodos. Da mesma forma, a análise por legitimado não aponta uma preferência clara de julgamento, mas uma demora generalizada, com processos do Presidente da República sendo os mais lentos e os de partidos políticos e entidades sindicais seguindo um padrão similar entre si.

A análise dos resultados das ações revela uma faceta crucial da atuação do STF: o poder estratégico do controle de pauta. Uma proporção expressiva das ADPFs encerradas é extinta sem resolução de mérito, com destaque para o elevado número de ações julgadas prejudicadas. Este fenômeno, já mapeado como um “poder oculto” do Tribunal, sugere que a deliberação sobre o momento do julgamento pode levar à perda de objeto da causa. A análise de sobrevivência corrobora essa dinâmica, ao demonstrar que a mediana de tempo para o encerramento de processos julgados com resolução de mérito é significativamente maior do que para aqueles extintos sem essa análise.

Em suma, a pesquisa demonstra que o tempo judicial na seara da ADPF não é um fator técnico-burocrático, mas uma variável eminentemente política. A celeridade é moldada por uma complexa interação entre a atuação individual dos ministros, a aplicação de ritos processuais, a natureza dos proponentes e, crucialmente, pela decisão estratégica de enfrentar ou não o mérito da causa. A grande clivagem temporal não está entre os diferentes resultados de mérito, mas sim entre decidir e não decidir. Fica evidente, portanto, que o Supremo Tribunal Federal gerencia a judicialização da política não apenas pelo conteúdo de suas decisões, mas pelo domínio sobre o seu próprio calendário.