1
Introdução
Segundo
George Kelling [1], um dos autores do
artigo “Teoria da Janela Quebrada” e do livro “Consertando janelas quebradas”,
se um prédio tem uma janela quebrada, é melhor consertá-la logo, antes que um
vândalo quebre todas as outras. Nesta perspectiva acredita-se que crimes pequenos
podem atrair crimes mais graves. Essa ideia tem orientado programas nos Estados
Unidos, onde o controle das pequenas infrações tem ajudado a prevenir crimes
mais graves[1].
O
crescente aumento da violência no estado de Pernambuco aponta para uma urgência
na criação de soluções estratégicas, desafiadoras para a gestão da segurança
pública. Algumas cidades pelo mundo têm adotado medidas proativas de controle e
prevenção a crimes com a ajuda da gestão de informações registradas em sistema
de informação, apresentando significativo impacto na redução da taxa de
criminalidade. Um exemplo disso é o CompStat, utilizado pela prefeitura de Nova
Iorque, que pode ser definido como uma técnica de gestão de processos orientada
por metas, baseada na utilização de tecnologia computacional, estratégia
operacional e responsabilidade gerencial para estruturar o modo como o
departamento de polícia fornece serviços voltados para o controle da
criminalidade [2]. Logo, o Compstat
não é um método de mapeamento do crime por si só, mas um instrumento de gestão
baseado em informação gerada pela tecnologia da informação. Sua utilização teve
impactos significativos na experiência de Nova Iorque nos anos 90 e foi
expandida para outros departamentos de polícia, dentro e fora dos Estados Unidos.
O sistema Compstat caracteriza-se pela utilização de dados criminais com o
mapeamento geográfico das áreas a serem policiadas. Esse instrumento está
associado a técnicas como o mapeamento de "zonas quentes" (hotspot
mapping), que são definidas a partir da utilização das
estatísticas criminais [3].
Exemplos
como este nos encorajou a desenvolver este trabalho, onde buscamos analisar a
relação existente entre as variáveis de ocorrência de crimes fomentando, assim,
possíveis orientações à Segurança Pública no estado de Pernambuco, através da
promoção de estratégias adequadas para prevenção e combate a crimes.
2
Trabalhos relacionados
Vários
trabalhos vêm sendo desenvolvidos nesta temática nos últimos anos, um estudo
para identificar o modus operandi do crime de roubo a transeuntes em
Belém do Pará foi realizado em 2015 [4]
e, nele, a partir de dados coletados nos registros dos boletins de ocorrência,
foi possível realizar uma análise descritiva, identificando o modo como os
assaltantes agem e o meio empregado para a locomoção no espaço geográfico por
ocasião do cometimento do crime. Além disso, pôde-se analisar a variável
temporal (horário e dia da semana) e o número de autores envolvidos.
No
estudo [4], foi feito um levantamento
dos dados de 2011, 2012 e 2013 para observar se houve alguma alteração ao longo
dos anos no comportamento do cometimento do crime de roubo, em termos da faixa
de hora predominante. Em 2011, o delito ocorria sobretudo das 12h00 às 17h59;
já em 2012 e 2013, a tônica se dava entre 18h00 e 23h59; e o ano de 2013
caracterizou-se pelo distanciamento entre as duas faixas de hora, fugindo do
padrão dos anos anteriores. Este conjunto de informações revela a relação entre
a luz do dia e a escuridão na preferência do delinquente no cometimento do
crime de roubo.
O
mesmo estudo também mostrou uma nítida distribuição da ocorrência do roubo ao
longo dos dias da semana: em 2011 foi o sábado; em 2012, a sexta-feira; e em
2013, a quarta-feira [4].
Um
outro estudo semelhante [5],
realizado com variáveis de criminalidade em Teresina, Piauí, apontou os locais
e horários onde há o maior índice de criminalidade, quais os principais crimes
cometidos, causas e instrumentos utilizados. Também traça um perfil das vítimas
e criminosos. Nesse estudo foi possível verificar a diferença entre os crimes
cometidos contra homens e mulheres. Enquanto os homens são as principais
vítimas de homicídios dolosos, as mulheres são as principais atingidas por
lesões dolosas [5].
3
Referencial Teórico
Os
métodos utilizados para analisar dados em busca de relações existentes entre as
variáveis diferem de acordo com o tipo de dado coletado. Neste trabalho, as
variáveis analisadas são categóricas, e, para descobrir possíveis dependências
entre elas, foram utilizados dois tipos de testes de hipótese, o teste do qui-quadrado
e o teste exato de Fisher.
Um
teste de hipótese é um procedimento estatístico que permite tomar uma decisão
(aceitar ou rejeitar a hipótese nula H0) entre duas ou mais
hipóteses (hipótese nula H0 ou hipótese alternativa H1),
utilizando os dados observados de um determinado experimento [6]. Uma hipótese nula geralmente afirma que
não existe relação entre dois fenômenos medidos, enquanto que a hipótese
alternativa é contraditória à primeira.
3.1
Teste de Qui quadrado
O
teste do qui quadrado pode não ser tão preciso quando os valores das
amostras são muito pequenos, sendo, nesse caso, recomendado utilizar testes
exatos. Por esse motivo, duas abordagens foram utilizadas neste trabalho, o
teste de aproximação de quiquadrado e o teste exato de Fisher.
O
teste do qui quadrado compara as frequências observadas com as
frequências esperadas da amostra. As frequências observadas são obtidas
diretamente dos dados das amostras, enquanto que as frequências esperadas são
calculadas matematicamente a partir destas.
É
preciso obter as duas estatísticas: o X² calculado e o X² tabelado. O X²
calculado é obtido através da equação (1).
Já o χ² tabelado depende do número de graus de liberdade e do nível de
significância adotado.
O
teste é feito sobre uma tabela de contingência formada por (m) linhas e (n)
colunas e o grau de liberdade é dado pelo produto de (m-1) x (n-1). O nível de
significância representado por α é definido previamente, mas costuma-se adotar,
por convenção, o valor de α = 0,05. O nível de significância representa
a máxima probabilidade de erro (valor-p) que se tem ao rejeitar uma hipótese.
Em outras palavras, isso significa que os resultados experimentais que atingem
esse nível de significância têm, no máximo, 5% de chance de ser resultado do
mero acaso.
O
teste calcula a relação: quadrado da diferença entre as frequências obtida (Oi)
e esperada (Oe) em cada casa da tabela de contingência, dividido
pela frequência esperada, e soma esses quadrados. O resultado dessa soma é
o valor do X² encontrado (1).
(1)
Considerando
o grau de liberdade calculado e o nível de significância pré-definido,
consultando-se a tabela da distribuição de X², encontramos o valor crítico de
X² e o valor p. Uma vez que o valor de X² encontrado é maior ou igual ao valor
crítico, e, consequentemente, o valor-p é menor do que o nível de significância
adotado, rejeita-se a hipótese nula. Ou seja, quando o valor obtido no teste
estatístico excede o correspondente do valor crítico estabelecido, a hipótese
nula deve ser rejeitada e aceita-se a associação entre as variáveis. Caso
contrário, a hipótese nula não pode ser descartada.
3.2
Teste Exato de Fisher
O
teste exato de Fisher é mais preciso do que o teste do qui quadrado quando os números
esperados são pequenos. John H. McDonald recomenda que seja utilizado o
teste exato de Fisher quando o tamanho total da amostra for inferior a 1000, e
o qui quadrado seja utilizado para tamanhos de amostra maiores [7].
O
Teste Exato de Fisher se caracteriza por fornecer diretamente o valor-p, sem o
uso de uma estatística intermediária.
O
teste também pode ser realizado no caso de amostras grandes, porém, como
envolve cálculos maiores e mais complexos que utilizam fatoriais, o que pode conduzir
a números excessivamente elevados, necessita de maiores recursos do computador.
O
teste exato de Fisher é baseado na distribuição hipergeométrica (2):
(2)
A
probabilidade calculada será igual ao produto dos fatoriais dos totais
marginais pelo fatorial do total geral multiplicado pelo inverso do produto dos
fatoriais dos valores observados em cada classe.
4
Metodologia
A
análise realizada neste artigo utilizou cinco bases de dados da Secretaria de
Defesa Social do Estado de Pernambuco[1].
Essas bases contêm ocorrências que foram registradas nas delegacias do estado
no período de 01 de janeiro de 2017 a 30 de setembro de 2017, isto é, durante
um período de nove meses, resultando em um total de 52.873 instâncias. São
elas: CVLI (Crimes Violentos Letais Intencionais), CVP (Crimes Violentos contra
o Patrimônio), Furto, Furto de Veículo e Roubo de Veículo.
O
processo de análise envolveu:
●
Verificar
se existe relação significativa entre o dia da semana ser dia útil ou final de
semana e a natureza do crime.
●
Verificar
se existe relação significativa entre o período do dia e a natureza do crime.
●
Verificar
se existe relação entre o trimestre e a natureza do crime.
●
Verificar
se existe relação significativa entre a área onde ocorreu o crime e a natureza
do mesmo.
●
Verificar
se existe relação significativa entre a faixa etária da vítima e a natureza do
crime para os casos de crimes violentos letais intencionais.
●
Verificar
se existe relação significativa entre o sexo da vítima e a natureza do crime
para os casos de crimes violentos letais intencionais.
4.1
Pré-processamento
Para
dar início à pesquisa, foi necessário realizar um trabalho de extração,
transformação e carga (ETL – Extract, Transform and Load) nas bases para
que a integração entre elas e suas análises fossem possíveis.
O
processo de ETL envolveu a extração dos dados das bases obtidas, a
transformação dos mesmos, incluindo higienização, padronização e categorização
de variáveis, e, por fim, a integração das bases em uma base única. Para esta
última etapa do ETL, foram selecionadas as variáveis mais significativas e em
comum entre as bases.
As
bases foram extraídas dentro da ferramenta Kettle, também conhecida como PDI (Pentaho
Data Integration2). Nela, cada base passou individualmente por
uma transformação. Uma variável representando um contador para os registros foi
criada, além de mais outras duas variáveis categóricas, ambas derivadas da
variável data. Uma delas representando o mês, e a outra, o dia da semana. As
mesmas transformações foram reproduzidas para cada base.
Em
seguida, as saídas das bases tratadas no Kettle continuaram o pré-processamento
com mais algumas categorias sendo criadas. Dessa vez, utilizando o R3,
um ambiente de software livre para computação estatística e gráficos. As
categorias trimestre e semana – indicando quando se trata de dia útil ou final
de semana, mais especificamente – foram criadas, derivadas das variáveis
recém-criadas mês e dia da semana, respectivamente. Também foi criada – apenas
para a base CVLI – a categoria faixa etária, derivada da variável idade. A base
CVLI era a única que continha as variáveis idade e gênero.
O
pré-processamento no R gerou novas saídas, que foram utilizadas novamente no
Kettle para realizar a integração.
A integração envolveu a junção de todas as
cinco bases utilizando apenas as suas variáveis em comum, resultando em uma
base única, conforme Figura 1.
4.2 Dicionário de dados
A base integrada, resultante da fase de
ETL, contém nove variáveis, como mostra o Quadro 1:
Quadro 1 – Dicionário de Dados das bases
integradas
|
AREA
|
Área
onde ocorreu o crime, representada pela AIS – Área Integrada de Segurança, divisão
territorial feita em Pernambuco para acompanhamento de ações e resultados.
Existem, ao todo, 26 AIS em Pernambuco, mas as bases só envolvem as da cidade
do Recife:
AIS
1 – Santo Amaro, Boa Vista, Ilha Joana Bezerra e São José.
AIS
2 – Espinheiro, Iputinga, Cordeiro, Madalena, Água Fria e Campo Grande.
AIS
3 – Boa Viagem, Pina, Imbiribeira, Ibura, Brasília Teimosa
AIS
4 – Várzea, Curado, Jardim São Paulo, Torrões e Afogados.
AIS
5 – Apipucos, Guabiraba,
Brejo
da Guabiraba, Passarinho, Dois Unidos, Vasco da Gama e Alto do Mandú.
|
|
DATA
|
Informa
a data e a hora em que ocorreu o crime.
|
|
DIA_SEMANA
|
Variável
categórica derivada da variável DATA. Informa o dia da semana quando ocorreu
o crime.
|
|
DIA_ÚTIL
|
Variável
categórica derivada da variável DIA_SEMANA. Informa se o dia em que ocorreu o
crime era dia útil ou final de semana.
|
|
MÊS
|
Variável
categórica derivada da variável DATA. Informa o mês em que ocorreu o crime.
|
|
NATUREZA
|
Informa
a natureza do crime (homicídio, roubo, latrocínio, etc.).
|
|
PERÍODO
|
Variável
categórica derivada da variável DATA. Informa o período do dia em que o crime
ocorreu (manhã, tarde, noite ou madrugada).
|
|
TRIMESTRE
|
Variável
categórica derivada da variável MÊS. Informa o trimestre em que o crime
ocorreu.
|
|
TOTAL
|
Contador
de registros.
|
A
base CVLI, além das variáveis mostradas na tabela acima, também contém três
variáveis exclusivas, conforme o Quadro 2:
Quadro
2 –
Dicionário de Dados da base CVLI
|
SEXO
|
Variável
categórica que representa o sexo da vítima de crimes violentos letais
intencionais.
|
|
IDADE
|
Informa
a idade da vítima.
|
|
FAIXA_ETARIA
|
Variável
categórica derivada da variável IDADE que representa a faixa etária da
vítima, onde “Adolescente” representa a faixa de 12 a 18 anos, “Jovem Adulto”
represente a faixa de 19 a 30 anos, “Adulto” representa a faixa de 31 a 49
anos, e “Idoso”, a partir de 60 anos.
|
4.3
Análises Descritivas
4.3.1
Tabelas de Frequência
Inicialmente,
utilizando a ferramenta R, foram construídas individualmente tabelas de
frequência para todas as nove variáveis da base integrada e para as duas
variáveis categóricas exclusivas da base CVLI.
A tabela de frequência auxilia na
orientação da pesquisa, mostrando a distribuição de frequência das variáveis. A
frequência de uma variável é o número de ocorrências ou repetições dessa
variável.
Utilizando
as funções table() e prop.table(),
uma tabela de frequência foi construída para cada variável, assim como uma
tabela de frequência relativa.
A
tabela de frequência da variável que representa o sexo da vítima de crimes
violentos letais intencionais, por exemplo, apontou para um percentual maior de
vítimas do sexo masculino, com 92,19% de incidência.
Ainda
na base de crimes violentos letais intencionais, a tabela de frequência
construída em cima da variável que representa a faixa etária da vítima mostrou
que as maiores vítimas são jovens adultos, com uma incidência de 55,41%,
seguidos de adultos e adolescentes, com 30,45% e 13,48% respectivamente.
Todas
as distribuições citadas até aqui foram construídas em cima da base CVLI. A
seguir, serão apresentadas as tabelas de distribuição de frequências em cima da
integração de todas as cinco bases (CVLI, CVP, ROUBO DE VEÍCULO, FURTO E FURTO
DE VEÍCULO). A Tabela1, referente à natureza do crime, mostra que há um índice
maior de casos de crimes violentos ao patrimônio, e o segundo lugar ficando com
crimes de furto.
Tabela
1 -
Distribuição de frequência relativa referente à natureza do crime
|
Natureza
|
Frequência
|
|
Cvp
|
56,05%
|
|
Furto
|
34,72%
|
|
Roubo de veículo
|
5,65%
|
|
Furto de veículo
|
2,45%
|
|
Homicídio
|
1,11%
|
|
Latrocínio
|
0,03%
|
|
Lesões corporais seguida de morte
|
0,00%
|
Como
o período da base vai de janeiro a setembro do mesmo ano, a variável trimestre,
sozinha, não indica algo muito significativo, já a tabela de frequência
relativa da variável referente ao mês da ocorrência apresentou uma distribuição
praticamente uniforme para todos os meses, de forma que, sozinha, na base
integrada, ela não tem grande relevância.
Tabela
2 - Distribuição
de Frequência relativa referente ao dia da semana
|
Dia da semana
|
Frequência
|
|
Sexta-feira
|
15,65%
|
|
Quarta-feira
|
15,05%
|
|
Terça-feira
|
14,74%
|
|
Quinta-feira
|
14,70%
|
|
Segunda-feira
|
14,47%
|
|
Sábado
|
14,04%
|
|
Domingo
|
11,34%
|
Pode-se
observar na Tabela2 que ocorreram mais crimes nas sextas-feiras e nas
quartas-feiras, com o domingo apresentando o menor percentual de ocorrências,
coincidindo com o estudo realizado em Belém do Pará [4],
em que as sextas-feiras e as quartas-feiras apresentaram mais incidentes de
crimes de roubo.
Consequentemente,
a tabela de frequências da variável que categorizou o dia da semana em dia útil
ou final de semana ratificou o resultado acima, revelando que os crimes
ocorreram com mais frequência nos dias úteis do que nos finais de semana.
O
estudo também identificou que, assim como em Teresina [5], crimes de violência contra o patrimônio e
homicídio são mais recorrentes no período da noite. Neste estudo, encontramos
um resultado de 40,45% de incidência de crimes de CVP durante a noite e 8,81%
no período da madrugada. Para homicídio, houve uma incidência de 42,56% no
período da noite e 17,42% durante a madrugada, enquanto que o estudo realizado
em Teresina apresentou uma incidência de 49% para crimes de furto e 55% para
crimes de roubo - ambos são categorizados como crimes de violência ao
patrimônio (CVP) - e uma incidência de 76% para crimes de homicídio, ambos no
período de 18h às 03h (noite e madrugada).
Tabela
3–
Distribuição de frequência relativa referente ao período do dia.
|
Período
|
Frequência
|
|
Noite
|
34,26%
|
|
Tarde
|
28,12%
|
|
Manhã
|
23,81%
|
|
Madrugada
|
13,81%
|
A
distribuição de frequências relativas por período, conforme apresentado na
Tabela 5, mostra que houve uma maior incidência de crimes gerais durante a
noite.
Tabela 4 –
Distribuição de frequência relativa referente à área da ocorrência.
|
Área
|
Frequência
|
|
1
|
24,29
|
|
3
|
23,25
|
|
4
|
20,23
|
|
2
|
19,05
|
|
5
|
12,20
|
|
99
|
0,99
|
Por
fim, a distribuição por área (Tabela 4) indicou que a AIS 1 e a AIS3
apresentaram um percentual maior de crimes. A AIS 1 é composta dos seguintes
bairros: Santo Amaro, Boa Vista, Ilha Joana Bezerra e São José, e a AIS 3 é
formada pelos bairros Boa Viagem, Pina, Imbiribeira, Ibura e Brasília Teimosa.
A área 99 corresponde aos valores ausentes.
Este
resultado pode incentivar um outro estudo que envolva o levantamento das
características urbanas dos bairros do estado para detectar se esses bairros
mais violentos possuem características que indiquem degradação urbana,
negligência ou desmazelo. As características socioeconômicas dos bairros também
devem ser levadas em consideração, para identificar se existe um alto índice de
desemprego, pobreza, baixa escolaridade e outras características que podem ser
reveladas potenciais para desencadear a violência.
5
Testes de relação
Analisando
o Gráfico 1, é possível ratificar que existe uma incidência maior de crimes de
violência ao patrimônio durante o período da noite.
Aplicando
o teste de qui quadrado na tabela de contingência construída a partir
dessas variáveis, “natureza” e “período”, utilizando a função chisq.test()
do R, obtivemos o valor do X² = 3348.9, com o grau de liberdade = 12 e o
valor p <0,0000000000000022, isto é, muito abaixo do nível de
significância 0,05. Portanto, há um forte indício de que podemos
rejeitar a hipótese nula e concluir que existe uma relação entre a natureza do
crime e o período do dia em que ele ocorre.
Gráfico
1 –
Incidência
de crime por natureza e por período
Para
identificar se a possível relação que parece existir entre as variáveis
“natureza” e “dia_util” no Gráfico 2, também aplicamos o teste de qui-quadrado
na tabela de contingência das duas variáveis, obtendo um resultado de 233.51
para o X², com grau de liberdade = 4 e valor p ≈ 0,000,
indicando que podemos rejeitar a hipótese nula e constatar que existe relação
entre essas duas variáveis.
Gráfico 2 – Incidência de crime por natureza e por dia de semana
(dia útil ou final de semana)
Ainda
utilizando o teste de qui quadrado, vimos que a hipótese nula, que
afirma não existir relação entre as variáveis que representam a natureza do
crime e sexo da vítima não pode ser descartada, visto que o resultado do X² foi
de 0.23795, com um valor p = 0.9935, acima do nível de
significância estabelecido, de 0,05. Portanto, não podemos afirmar que essas
variáveis são dependentes.
Por
meio do teste exato de Fisher, pôde-se concluir que a distribuição do
número de homicídios difere (p = 0,01212) entre as faixas etárias das
vítimas e o sexo, sendo maior para jovens adultos e adultos do sexo masculino,
com 53% e 26,36% respectivamente. O Gráfico 3 ilustra bem essa diferença. Este
resultado converge com o observado no estudo realizado em Teresina, Piauí.
Gráfico 3 – Incidência de homicídios por faixa etária e por sexo
Analisando
também a relação entre o período do dia e o dia da semana das ocorrências de
crimes de homicídio isoladamente, vimos que, assim como o estudo em Teresina
também apontou, eles seguem um padrão temporal, com uma maior incidência à
noite e nos finais de semana, com o sábado à noite apresentando o maior número
de ocorrências, 13,67%. Aplicando o teste de qui quadrado, pudemos
constatar que existe uma relação entre essas duas variáveis (período do dia e
dia da semana). O resultado do teste apresentou um X² = 39.876 e um
valor p = 0.00217.
O
Gráfico 4 mostra uma distribuição dos crimes por área e natureza, indicando que
crimes contra o patrimônio (roubos e furtos) ocorrem mais na AIS 1, enquanto
que crimes relacionados a veículos (roubos e furtos) ocorrem mais na AIS 4,
formada pelos bairros Várzea, Curado, Jardim São Paulo, Torrões e Afogados, e
AIS 3, formada pelos bairros Boa Viagem, Pina, Imbiribeira, Ibura e Brasilia
Teimosa. Isso foi ratificado através do teste do qui-quadrado, que
resultou em um p valor menor do que 0,05.
Gráfico4 – Incidência de crimes de CVP, furto ou
roubo de veículo por AIS.
Tabela
5 – Distribuição
de Frequência Natureza X AIS
A
Tabela 6 destrincha os crimes relacionados apenas a veículos (roubos e furtos)
por período do dia e dia da semana. Nela pode-se observar que existe maior
incidência nas noites de sexta e quarta-feira. Aplicando o teste de qui
quadrado, obtivemos o resultado de 0.4866 para o valor p.
Tabela
6 – Distribuição
de Frequência de roubos e furtos de veículos por período e dia da semana
A
Tabela 7 representa uma síntese de todas as variáveis e suas respectivas
significâncias encontradas através dos testes de relação.
6
Análise e Discussões
Vimos
nos resultados das análises que o período de maior ocorrência de crimes em
geral é o da noite. Isso acontece possivelmente pela visibilidade ser menor com
a pouca iluminação que existe à noite e por ter menos movimento nas ruas. Esse
tipo de informação merece ser identificado para que haja uma melhor e mais
estratégica distribuição do policiamento por horário. Outra possível solução
também seria a readequação da iluminação da cidade de acordo com o tipo de
movimentação de cada bairro.
Vimos
também nos resultados das análises que alguns bairros são mais suscetíveis a
crimes de roubos e furtos de veículos. Com poucos dados suficientes para
inferir a causa dessa estatística, podemos apenas conjecturar que esses números
podem estar relacionados ao fato de se tratarem de bairros residenciais
compostos, em sua maioria, de casas, implicando em muitos carros estacionados
nas ruas e moradores que precisam descer dos carros para abrir os portões de
suas residências, ficando mais vulnerável e se tornando um alvo fácil para os
criminosos.
A
preferência por alvos de determinada faixa etária por parte dos criminosos
poderia ter sua causa descoberta, caso existissem algumas outras variáveis,
tais como condição social da vítima, a localização exata do crime e o sexo do
criminoso. Uma base de dados mais completa e mais integrada poderia auxiliar
nessa descoberta.
Vimos também que o tipo de
ocorrência de crimes varia de acordo com a área. A base utilizada nesse estudo
tem limitações de quantidade de variáveis a um período de tempo pequeno. Porém,
as relações encontradas aqui podem ser utilizadas para alimentar estudos mais
detalhados e mais aprofundados, e também para um planejamento estratégico da
segurança segmentado por AIS, onde cada AIS teria um policiamento adequado.
Ainda
em relação à distribuição de ocorrências por AIS, este estudo nos possibilitou
observar que a AIS 1 possui maior ocorrência em todos os tipos de crime, e
talvez isso comprove a teoria das janelas quebradas, sugerindo que crimes
menores atraiam crimes mais graves. A partir da prevenção de pequenos crimes
pode ser possível evitar que a área vá se transformando em um espaço cada vez
mais violento. Para isso é necessário identificar os pontos e quais os crimes
ali praticados, como o mostrado nesse estudo.
7
Considerações Finais
Com
esses levantamentos, é possível elaborar um diagnóstico melhor do problema da
violência no estado e começar a ter uma visão estratégica para solucioná-lo. A
mudança do tipo de policiamento em determinadas áreas, ou o aumento do efetivo
policial em determinados dias e horários, de acordo com os resultados dessas
estatísticas, pode ser uma das soluções, juntamente com a instalação de câmeras
de segurança em pontos estratégicos.
8
Contribuições Futuras
Cabe
fazer algumas considerações relevantes para que haja uma melhor gestão das
informações sobre os dados das ocorrências de crimes e delitos no Estado de
Pernambuco.
Este
estudo pode fomentar outros estudos que devem ser realizados envolvendo mais
variáveis além das mostradas aqui, mas que não foram fornecidas pela Secretaria
de Defesa Social por razões de sigilo da informação, como variáveis geográficas
e variáveis relacionadas a dados urbanos, buscando possíveis relações entre
tipos de crimes e características urbanas do local de ocorrência.
Como
trabalhos futuros serão utilizadas técnicas de mineração de dados, com o
objetivo de encontrar padrões nos crimes relatados, além da criação de uma
ferramenta web para melhor visualização e análise dos resultados.
Este
estudo e possíveis extensões do mesmo podem orientar a Segurança Pública na
promoção de estratégias adequadas para a redução da criminalidade no Estado.
Também podem fornecer subsídios para serem feitos posteriormente monitoramentos
para identificar se houve real redução na criminalidade após a implementação de
novos controles.
Agradecimentos
À
Secretaria de Defesa Social de Pernambuco, pelo fornecimento das bases de dados
utilizadas neste trabalho.
Referências
[1] WILSON, James Q.; KELLING, George L. BROKEN
WINDOWS: The police and neighborhood safety. The Atlantic, Mar. 1982.
Disponível em:
<https://www.theatlantic.com/magazine/archive/1982/03/broken-windows/304465/>.
Acesso
em: 30 set. 2017.
[2] WALSH, William F. Compstat: An analysis of
an emerging police managerial paradigm. Policing: An International. Journal
of Police Strategies & Management, v. 24, n.3, p. 347, 2001.
[3] RATCLIFFE, J.erry H. Crime mapping and the
training needs of law enforcement. European Journal on Criminal Policy and
Research, v. 10, n.1, p.10-65, 2004. Disponível em:
<https://doi.org/10.1023/B:CRIM.0000037550.40559.1c>. Acesso em: 1 fev.
2018.
[4] CAVALCANTE,
Lucidéia S.; ALMEIDA, Silvia dos S.; ARAÚJO, Adrilayne dos R.
O Modus operandi do crime de roubo a transeuntes em Belém. Planejamento
e Políticas Públicas, n. 47, jul/dez. 2016. Disponível em:
<http://www.ipea.gov.br/ppp/index.php/PPP/article/view/614>. Acesso em:
30 jan. 2018
[5] SANTOS, Laura
Castro de Carvalho dos. Violência e criminalidade: Um estudo dos dados existentes
em Teresina - PI. Âmbito Jurídico, Rio Grande, v. 15, n. 99, abr 2012.
Disponível em:
<http://www.ambito-juridico.com.br/site/?n_link=revista_artigos_leitura&artigo_id=11448>.
Acesso em: mar 2018.
[6] DÁVILA, Víctor Hugo
L. Teste de Hipóteses. Instituto de Matemática, Estatística e
Computação, UNICAMP. Disponível em: <https://www.ime.unicamp.br/~hlachos/Inferencia_Hipo1.pdf>
p. 3. Acesso
em: 15 mar. 2018.
[7] MCDONALD, John H. Handbook of
Biological Statistics. 3rd ed. Baltimore: Sparky House Publishing, 2014. Disponível em:
<http://www.biostathandbook.com/HandbookBioStatThird.pdf>. Acesso em:
mar. 2018.