FRAMEWORK PARA ANÁLISE DE DADOS CRIMINAIS MUNICIPAIS COM DADOS ADMINISTRATIVOS: UMA PROPOSTA METODOLÓGICA
DOI:
https://doi.org/10.56238/revgeov17n6-087Palavras-chave:
Análise Criminal Quantitativa, Dados Administrativos, Gestão da Informação em Segurança Pública, Classificação Municipal de RiscoResumo
Secretarias estaduais de segurança pública brasileiras produzem rotineiramente registros administrativos de ocorrências criminais, mas carecem de protocolo analítico padronizado para transformar esses dados em diagnóstico territorial confiável. Este artigo propõe um framework em quatro etapas para análise quantitativa da criminalidade municipal a partir de dados administrativos: (1) diagnóstico distribucional e seleção do modelo de contagem adequado; (2) seleção de variáveis explicativas com fundamento teórico e validação estatística; (3) verificação cruzada por método preditivo independente; e (4) classificação municipal por risco absoluto e anomalia residual. O framework é apresentado como protocolo replicável, com atenção explícita às características estruturais dos dados administrativos criminais que condicionam as escolhas metodológicas em cada etapa. Discutem-se as condições de replicabilidade, as limitações internas ao framework e as extensões possíveis para contextos com dados de melhor qualidade.
Downloads
Referências
ANGRIST, Joshua D.; PISCHKE, Jörn-Steffen. Mostly harmless econometrics: an empiricist's companion. Princeton: Princeton University Press, 2009.
ANSELIN, Luc. Local indicators of spatial association — LISA. Geographical Analysis, v. 27, n. 2, p. 93-115, 1995. https://doi.org/10.1111/j.1538-4632.1995.tb00338.x
BARROS, Pedro H. B.; BAGGIO, Henrique S.; BAGGIO, Ivã S. Os determinantes socioeconômicos da criminalidade no Brasil: o papel das externalidades e heterogeneidades espaciais. Revista Brasileira de Segurança Pública, v. 14, n. 2, p. 188-209, 2020. https://doi.org/10.31060/rbsp.2020.v14.n2.1091
BRAGA, Anthony A.; WEISBURD, David; TURCHAN, Brandon. Focused deterrence strategies and crime control. Criminology & Public Policy, v. 23, n. 1, p. 1-36, 2024. https://doi.org/10.1111/1745-9133.12671
BRANTINGHAM, Patricia J.; BRANTINGHAM, Paul L. Crime pattern theory. In: WORTLEY, Richard; MAZEROLLE, Lorraine (ed.). Environmental criminology and crime analysis. Cullompton: Willan, 2008. p. 78-93.
BREIMAN, Leo. Random forests. Machine Learning, v. 45, n. 1, p. 5-32, 2001. https://doi.org/10.1023/A:1010933404324
CAMERON, A. Colin; TRIVEDI, Pravin K. Regression analysis of count data. 2. ed. Cambridge: Cambridge University Press, 2013.
CERQUEIRA, Daniel; LOBÃO, Waldir. Determinantes da criminalidade: arcabouços teóricos e resultados empíricos. Dados, v. 47, n. 2, p. 233-269, 2004. https://doi.org/10.1590/S0011-52582004000200002
CHAINEY, Spencer; RATCLIFFE, Jerry. GIS and crime mapping. Chichester: Wiley, 2006.
CHOO, Chun Wei. Information management for the intelligent organization: the art of scanning the environment. 3. ed. Medford: Information Today, 2002.
COHEN, Lawrence E.; FELSON, Marcus. Social change and crime rate trends: a routine activity approach. American Sociological Review, v. 44, n. 4, p. 588-608, 1979. https://doi.org/10.2307/2094589
FELSON, Marcus; ECKERT, Mary A. Crime and everyday life. 5. ed. Thousand Oaks: Sage, 2019.
GARDNER, William; MULVEY, Edward P.; SHAW, Esther C. Regression analyses of counts and rates: Poisson, overdispersed Poisson, and negative binomial models. Psychological Bulletin, v. 118, n. 3, p. 392-404, 1995. https://doi.org/10.1037/0033-2909.118.3.392
GRINSZTAJN, Léo; OYALLON, Edouard; VAROQUAUX, Gaël. Why tree-based models still outperform deep learning on tabular data. Advances in Neural Information Processing Systems, v. 35, p. 507-520, 2022.
HAIR, Joseph F. et al. Multivariate data analysis. 7. ed. Upper Saddle River: Prentice Hall, 2009.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATÍSTICA (IBGE). Censo Demográfico 2022. Rio de Janeiro: IBGE, 2022. Disponível em: https://sidra.ibge.gov.br. Acesso em: 10 jan. 2025.
LESAGE, James P.; PACE, R. Kelley. Introduction to spatial econometrics. Boca Raton: CRC Press, 2009.
LONG, J. Scott. Regression models for categorical and limited dependent variables. Thousand Oaks: Sage, 1997.
LUM, Cynthia; KOPER, Christopher S. Evidence-based policing: translating research into practice. Oxford: Oxford University Press, 2017.
OSGOOD, D. Wayne. Poisson-based regression analysis of aggregate crime rates. Journal of Quantitative Criminology, v. 16, n. 1, p. 21-43, 2000. https://doi.org/10.1023/A:1007521427059
RATCLIFFE, Jerry H. Intelligence-led policing. 2. ed. Abingdon: Routledge, 2011.
SAMPSON, Robert J.; RAUDENBUSH, Stephen W.; EARLS, Felton. Neighborhoods and violent crime: a multilevel study of collective efficacy. Science, v. 277, n. 5328, p. 918-924, 1997. https://doi.org/10.1126/science.277.5328.918
SHAW, Clifford R.; McKAY, Henry D. Juvenile delinquency and urban areas. Chicago: University of Chicago Press, 1942.
SHERMAN, Lawrence W. The rise of evidence-based policing: targeting, testing, and tracking. Crime and Justice, v. 42, n. 1, p. 377-451, 2013. https://doi.org/10.1086/670819
SHWARTZ-ZIV, Ravid; ARMON, Amitai. Tabular data: deep learning is not all you need. Information Fusion, v. 81, p. 84-90, 2022. https://doi.org/10.1016/j.inffus.2021.11.011
VUONG, Quang H. Likelihood ratio tests for model selection and non-nested hypotheses. Econometrica, v. 57, n. 2, p. 307-333, 1989. https://doi.org/10.2307/1912557
WANG, Richard Y.; STRONG, Diane M. Beyond accuracy: what data quality means to data consumers. Journal of Management Information Systems, v. 12, n. 4, p. 5-33, 1996. https://doi.org/10.1080/07421222.1996.11518099
WEISBURD, David; GROFF, Elizabeth R.; YANG, Sue-Ming. The criminology of place: street segments and our understanding of the crime problem. Oxford: Oxford University Press, 2012.
WOOLDRIDGE, Jeffrey M. Econometric analysis of cross section and panel data. 2. ed. Cambridge: MIT Press, 2010.
ZHANG, Yonglong et al. A novel ensemble method for crime prediction. IEEE Access, v. 10, p. 74919-74930, 2022. https://doi.org/10.1109/ACCESS.2022.3191103
