Coordenadoria de Análise e Planejamento CAP

Coordenadoria de
Análise e Planejamento
Estudos
Criminológicos
CAP - SSP
Fevereiro 2005
3
Secretaria de Estado dos Negócios da Segurança Pública
Gabinete do Secretário
Sumário
1.
1.1
1.2
1.3
1.4
1.5
1.6
1.7
Taxa de Homicídio por setor censitário no município de São Paulo..............................................1
Resumo.................................................................................................................................................1
Abstract.................................................................................................................................................1
Introdução.............................................................................................................................................2
Métodos................................................................................................................................................3
Resultados.............................................................................................................................................4
Discussão..............................................................................................................................................5
Referências...........................................................................................................................................7
2.
Homicide in São Paulo, Brazil: space-temporal and weather variations....................................11
2.1
Abstract..............................................................................................................................................11
2.3
Introduction........................................................................................................................................11
2.4
Past research and hypotheses of study...............................................................................................12
2.5 Conceptual Framework and hypotheses of study...............................................................................13
2.6
Framing São Paulo as case study.......................................................................................................15
2.7 Definitions and data quality................................................................................................................17
2.8
Homicides in São Paulo: temporal and weather characteristics........................................................18
2.9
Space - time variations of homicide at intra - urban level.................................................................19
2.10 Do weather and temporal variables affect variations of homicide levels in São Paulo?...................21
2.11 Final considerations...........................................................................................................................25
2.12 References..........................................................................................................................................27
3.
3.1
3.2
3.3
Análise de séries temporais de criminalidade................................................................................31
Introdução..........................................................................................................................................31
Cuidados metodológicos no uso das séries temporais....................................................................32
OBJETIVO 1 - Fornecer modelos interpretativos que expliquem as variações
para cima ou para baixo observadas nos crimes................................................................................34
3.4 OBJETIVO 2 - Prever quais serão os níveis de criminalidade nos períodos
vindouros............................................................................................................................................37
3.5
Método da suavização exponencial...................................................................................................39
3.6
Método ARIMA.................................................................................................................................39
3.7
Decomposição Sazonal......................................................................................................................40
3.8
OBJETIVO 3 - Medir o efeito de políticas públicas elaboradas para reduzir
a criminalidade...................................................................................................................................41
3.9
Apreensão de Armas..........................................................................................................................43
3.10 Conclusão...........................................................................................................................................45
3.11 Bibliografia.........................................................................................................................................45
São Paulo, 22 de fevereiro de 2005
Desde 2003 a Secretaria de Segurança Pública vem liberando o acesso aos dados criminais do
sistema Infocrim a pesquisadores e instituições de pesquisa renomadas, com projetos na área da
segurança pública, polícia e criminalidade – mediante o envio para a CAP da metodologia da
pesquisa e a assinatura de um termo de responsabilidade.
Além de ampliar o debate, ainda precário, entre a Secretaria de Segurança e as Universidades
e Centros de Pesquisa, o governo se beneficia com análises multidisciplinares conduzidas por
sociólogos, estatísticos, geógrafos, economistas, sanitaristas e outros – que enriquecem com seus
respectivos saberes a compreensão das Polícias sobre os fenômenos criminais.
Este terceiro volume de estudos aborda novamente a questão dos homicídios em São Paulo, cuja
queda brusca ainda precisa ser compreendida, tomando o crime em suas relações com as condições
econômicas e sociais dos setores censitários da Capital, com as condições temporais e climáticas
da cidade e, finalmente, analisando os efeitos das políticas públicas – como o desarmamento – para
minimizá-lo.
Os estudos aqui reunidos são evidências de que não existem “caixas pretas” nas estatísticas
criminais do Estado e corroboram de maneira independente o fenômeno da queda dos homicídios
em São Paulo.
Boa leitura,
Dr. Túlio Kahn
Coordenadoria de Análise e Planejamento
Taxa de Homicídio por Setor Censitário no Município de São Paulo
Homicide rate in Sao Paulo, Brazil
Samuel Kilsztajna, Manuela Santos Nunes do Carmoa,b, Gustavo Toshiaki Lopes Sugaharaa, Erika de
Souza Lopesa e Luciana Zilles Limaa
Laboratório de Economia Social do Programa de Estudos Pós-Graduados em Economia Política da
Pontifícia Universidade Católica de São Paulo – LES/PUCSP
b
Secretaria de Economia e Planejamento do Estado de São Paulo
a
Agradecimentos: À Coordenadoria de Análise e Planejamento da Secretaria de Segurança Pública
do Estado de São Paulo, por colocar à disposição dados do Sistema de Informação Criminal –
Infocrim; e ao Professor César Roberto Leite da Silva da Pontifícia Universidade Católica de São
Paulo, pela sua colaboração na análise estatística.
Trabalho realizado com apoio do CNPq.
Resumo
Objetivo
O objetivo deste trabalho é analisar as taxas de homicídio por setor censitário do Município de São
Paulo entre 2000 e 2003 em relação às variáveis sócio-demográficas do universo do Censo de 2000
do Ibge.
Métodos
Para a distribuição dos homicídios no Município de São Paulo foram utilizadas as coordenadas
geográficas dos homicídios dolosos e latrocínios do Infocrim. A relação entre a taxa de homicídio e
as variáveis sócio-demográficas por setor censitário foi estimada pelo método dos mínimos quadrados.
Resultados
Embora tanto o modelo como cada uma das variáveis independentes sejam significativos num nível
superior a 0,009, as variáveis sócio-demográficas explicam apenas 2,3% da taxa de homicídio por
setor censitário no Município de São Paulo entre 2000 e 2003.
Conclusões
Apesar dos homicídios atingirem essencialmente homens jovens de baixa escolaridade e rendimento, setores censitários pobres do Município de São Paulo não apresentaram necessariamente
altas taxas de homicídio entre 2000 e 2003. A pobreza, sozinha, portanto, não explica as taxas de
homicídio no Município de São Paulo.
Palavras-chave: Violência. Homicídio. Setores censitários do Município de São Paulo.
Abstract
Objective
The objective of the paper is to analyze the relationship between homicide rates per census-defined
block group in Sao Paulo city 2000-2003 and National Census socio-demographic variables.
Methods
For the distribution of Sao Paulo city homicides it was utilized the geographic coordinates from
Infocrim database. The relationship between homicide rate and socio-demographic variables per
census-defined block groups was estimated by least squares method.
1
Although both statistic model and each of the independent variables are significant in a level over
0,009,
Results
Although both statistic model and each of the independent variables are significant in a level over
0,009, the socio-demographic variables explain only 2.3% of the homicide rate per census-defined
block groups in Sao Paulo city between 2000 and 2003.
Conclusion
Though homicides affect mainly low income young men, poor census-defined block groups in Sao
Paulo city did not necessary show high homicide rates between 2000 and 2003. Therefore poverty
alone does not explain homicide rate in Sao Paulo city.
Keywords: Violence. Homicide. Sao Paulo city census-defined block groups.
INTRODUÇÃO
As taxas de homicídio no Município de São Paulo, assim como em outras capitais do país,
apresentaram significativo crescimento a partir dos anos 80 do século passado. Diversos estudos
associam a taxa de homicídio (e a violência) no Brasil à pobreza (Drumond Jr., 2002), desemprego
(Andrade, Lisboa, 2000), concentração de renda e outras variáveis socioeconômicas (Mendonça,
Loureiro, Sachsida, 2003; Cerqueira, Lobão, 2003).
Embora as vítimas de homicídios, tanto em termos absolutos como em termos relativos,
sejam essencialmente homens jovens de baixa escolaridade e rendimento (Drumond Jr., 2002: 101),
unidades pobres não são necessariamente violentas ou apresentam altas taxas de homicídio. Jorge,
Gawryszewski e Latorre (1997), analisando as capitais do país, observaram que alguns dos locais
mais pobres do Brasil registravam taxas de homicídio relativamente baixas.
O Município de São Paulo, especificamente, constitui uma unidade de análise excessivamente agregada (em 2000, abrigava 10,4 milhões de habitantes – Ibge, 2002b). Diversos trabalhos, neste sentido, utilizam a distribuição dos homicídios entre os 96 distritos administrativos do
município (Yi et al., 2000; Gawryszewski, 2002). Mas, mesmo o estudo da taxa de homicídio por
distrito da capital pode ser prejudicado pelo ainda excessivo nível de agregação da unidade de
análise.
Vários distritos apresentam uma população muito numerosa e diversificada. O Distrito de Grajaú,
por exemplo, reunia 333.436 habitantes em 2000 (além da própria capital, somente 13 dos 645
municípios do Estado de São Paulo registravam população superior à do Distrito de Grajaú em 2000
– Ibge, 2002c); e todos os distritos situados entre a região central mais rica e a periferia da capital
apresentavam indicadores sociais por setor censitário extremamente diversificados (Ibge, 2002b).
O objetivo deste trabalho é analisar as taxas de homicídio por setor censitário do Município
de São Paulo, que constitui a menor unidade para a qual o Ibge divulga dados censitários. O artigo
analisa as taxas de homicídio por setor censitário do Município de São Paulo entre 2000 e 2003
em relação às variáveis socioeconômicas do Censo 2000 (Ibge, 2002b), rendimento e escolaridade
do responsável pelo domicílio, taxa de desemprego (estimada a partir das áreas de ponderação
– Ibge, 2002c) e participação de cortiços entre domicílios particulares permanentes. Além destas
variáveis socioeconômicas, considerando-se que os adolescentes e adultos jovens do sexo masculino
constituem grupo de risco para vítimas de homicídio (Jorge, Gawryszewski, Latorre, 1997), o
modelo construído foi ajustado para a participação de jovens do sexo masculino na população por
setor censitário.
Os setores subnormais do Ibge e as favelas (no conceito da Prefeitura do Município de São
Paulo) não foram utilizados neste estudo devido à grande imprecisão dos endereços nestes setores/
favelas. Sabe-se contudo que, nos distritos pobres da capital, as taxas de homicídio nas favelas
não são significativamente superiores às das demais áreas, mesmo considerando-se o perímetro da
favela ampliado em 100 metros (Maia, Cardoso, Silva, 2004).
2
A variável distribuição de renda não pode ser incorporada ao modelo porque (a) os setores censitários se caracterizam por elevado grau de homogeneidade e, portanto, baixo grau de concentração
interna de rendimento na capital não varia por setor e atinge cada um dos setores censitários de
acordo com as características socioeconômicas acima mencionadas (rendimento, escolaridade, taxa
de desemprego e cortiços).
MÉTODOS
Para a distribuição dos homicídios no Município de São Paulo foram utilizadas as coordenadas geográficas dos homicídios dolosos (crimes contra a pessoa) e latrocínios (roubos seguidos de
morte, crimes contra o patrimônio) ocorridos entre 2000 e 2003 do Sistema de Informação Criminal
– Infocrim (2004), disponibilizadas pela Coordenadoria de Análise e Planejamento da Secretaria de
Segurança Pública do Estado de São Paulo. O banco de dados utilizado não incluiu óbitos de policiais civis e militares e de pessoas em confronto com a polícia.
Os registros do Infocrim, gerados a partir dos Boletins de Ocorrência, informam o número
de ocorrências com óbito e não o número de vítimas fatais. Mas, embora uma ocorrência com
homicídio possa envolver mais de um homicídio, a grande maioria das ocorrências envolve apenas
uma vítima. É importante registrar também que os Boletins de Ocorrência fazem referência ao local onde a vítima de homicídio foi encontrada, que não é necessariamente o local de ocorrência da
agressão, nem o local de residência da vítima. O local onde o corpo é encontrado, contudo e em
geral, é muito próximo ao local de residência da vítima (Nvj, 2003: 8; Ceccato, Haining, Kahn,
2004: 18).
Para estimar a população total, jovens do sexo masculino, rendimento e escolaridade dos
responsáveis pelos domicílios e cortiços foram utilizados os resultados do Censo 2000 para o universo por setor censitário do Município de São Paulo (Ibge, 2002b). O reduzido número de residentes por setor censitário assegura a relativa homogeneidade entre os residentes de um mesmo
setor e garante a representatividade de médias por setor. Para estimar a taxa de desemprego foram
utilizados os resultados do Censo para a amostra por área de ponderação do Município de São Paulo
(Ibge, 2002c).
Embora todas as variáveis sócio-demográficas refiram-se a 2000, a taxa de homicídio referese à média anual do período 2000-2003. A taxa anual de homicídio por setor censitário para o
período 2000-2003 foi calculada a partir da sobreposição dos óbitos por agressão georreferenciados
à malha de setores censitário (overlay), com a utilização de estimativas para a média da população
por setor censitário em 2000-2003, projetadas a partir da taxa de crescimento da população do município entre a Contagem de 1996 (Ibge, 2002a) e o Censo de 2000 (Ibge, 2002b).
A participação percentual de jovens do sexo masculino na população total por setor
censitário foi calculada considerando-se homens de 15 a 34 anos de idade (adolescentes e adultos
jovens). O rendimento médio dos responsáveis foi calculado a partir da soma do rendimento nominal mensal dos responsáveis pelos domicílios particulares permanentes dividida pelo número total
de responsáveis por setor censitário (com e sem rendimento) e pelo valor do salário mínimo na data
de referência do censo (R$ 151,00). A escolaridade média dos responsáveis foi calculada a partir da
soma dos anos de estudo dos responsáveis pelos domicílios particulares permanentes dividida pelo
número de responsáveis por setor censitário (com 0 a 17 ou mais anos de estudo).
Não existem estimativas para a taxa de desemprego por setor censitário. A área de ponderação é a menor unidade para a qual o Ibge divulga informações sobre emprego, coletadas a partir
do questionário da amostra do Censo 2000 (todas as demais variáveis sócio-demográficas utilizadas neste trabalho têm como referência o setor censitário, com informações coletadas a partir do
questionário básico para o universo da população). A taxa de desemprego por área de ponderação,
expressa em percentagem, foi calculada a partir da divisão do número de pessoas não ocupadas
que tomaram alguma providência para conseguir trabalho no período de 30 de junho a 29 de julho
de 2000, pela soma deste e do número de pessoas ocupadas. A taxa de desemprego estimada para
cada uma das áreas de ponderação foi extrapolada para todos os setores censitários que compõem
a respectiva área.
3
A participação de cortiços por setor censitário foi calculada como percentual de domicílios tipocômodo no total de domicílios particulares permanentes.
A taxa de homicídio foi estimada a partir da função de regressão:
onde Y é a taxa anual de homicídio do setor censitário por 100 mil habitantes em 2000-2003; HJ a
participação percentual de homens de 15 a 34 anos no total da população por setor censitário; RR e
AE, respectivamente, médias do rendimento em salários mínimos e anos de estudo dos responsáveis
pelos domicílios particulares permanentes por setor censitário; TD a taxa de desemprego da respectiva área de ponderação; CT a participação percentual de cortiços no total de domicílios particulares
permanentes por setor censitário; β0 a β5 coeficientes; e ui o erro. Os coeficientes dos regressores
foram estimados pelo método dos mínimos quadrados (a significância estatística foi testada no nível
de 5%).
Considerando-se a variação do número de habitantes por setor censitário, cada setor foi
ponderado pelo número de residentes, dividido pela média de habitantes por setor censitário do
município.
RESULTADOS
O Infocrim (2004) registrou 21.895 homicídios dolosos (incluindo 384 homicídios qualificados) e 948 latrocínios ocorridos no Município de São Paulo entre 2000-2003. O total de 22.843
homicídios equivale a uma média de 5.711 homicídios ao ano. Não há informação do local onde a
vítima foi encontrada em 40 registros. A Figura 1 apresenta os 22.803 (22.843 - 40) homicídios no
Município de São Paulo entre 2000-2003 referenciados a partir das coordenadas geográficas informadas pelo Infocrim.
De acordo com a Figura 1, os homicídios entre 2000 e 2003, em números absolutos, se
concentravam ao Norte da capital, nos distritos de Brasilândia e Cachoeirinha; Centro, na região
conhecida por “Cracolândia” (Most, 2002: part 2, p.71-76); Sul, nos distritos de Campo Limpo,
Capão Redondo, Jardim São Luís, Jardim Ângela, Jabaquara, Cidade Ademar, Pedreira, Cidade
Dutra e Grajaú; e na Zona Leste da capital.
Entre os 13.278 setores censitários do Município de São Paulo, foram excluídos, para efeito
da análise, 93 setores sem residentes ou sem responsáveis por domicílios particulares permanentes
em 2000 (dentre eles o Carandiru, com 7.172 presidiários). Para a variável taxa de desemprego,
conforme Métodos, os resultados obtidos para as 456 áreas de ponderação da capital foram extrapolados para os respectivos setores censitários.
Os 13.185 (13.278 - 93) setores selecionados registraram média de 790 residentes por setor
censitário, mediana igual a 748 e desvio-padrão de 344. Como peso para a ponderação dos setores,
conforme Métodos, foi utilizada a população residente de cada setor, dividida por 790,243383
(10.419.359 habitantes / 13.185 setores).
No processo de georreferenciamento dos 22.803 homicídios com coordenadas geográficas
informadas pelo Infocrim, foram excluídos 71 casos localizados fora dos limites da capital e 67
casos localizados nos 93 setores censitários sem residentes ou sem responsáveis por domicílios
particulares permanentes. Foram utilizados, portanto, 99,4% (22.665) do total de 22.803 homicídios
com informação do local onde a vítima foi encontrada.
A partir dos dados da Contagem de 1996 (Ibge, 2002a) e do Censo de 2000 (Ibge, 2002b), a
taxa de crescimento da população paulistana foi estimada em 1,48% ao ano. Desta forma, utilizouse o fator 1,0224 para atualizar a população por setor censitário de 2000 para a média do período
2000-2003.
Considerando-se os 22.843 homicídios informados pelo Infocrim (2004) e os 10.668.052
habitantes estimados para 2000-2003, o Município de São Paulo registrou uma taxa média anual de
53,5 homicídios por 100 mil habitantes no período analisado.
De acordo com a Tabela 1, as variáveis rendimento, anos de estudo e taxa de desemprego
4
apresentaram elevados coeficientes de correlação. Na análise de regressão, as variáveis rendimento
e anos de estudo resultaram ser não significativas. Optou-se por excluir, entretanto, a taxa de desemprego, estimada a partir das áreas de ponderação, e preservar as variáveis estimadas diretamente a
partir dos setores censitários, rendimento e anos de estudo. Na análise de regressão com a exclusão
da taxa de desemprego, a variável rendimento, como era de se esperar, resultou ser não significativa;
assim o modelo ficou reduzido às variáveis homens jovens, anos de estudo e cortiços.
De acordo com a Tabela 2, a taxa de homicídio por setor censitário no Município de São
Paulo entre 2000 e 2003 está diretamente relacionada à participação de jovens do sexo masculino
no total da população e à participação de cortiços no total de domicílios particulares permanentes; e
inversamente relacionada ao nível de escolaridade do responsável pelo domicílio.
Embora tanto o modelo (estatística F) como cada uma das variáveis independentes utilizadas
no modelo (t de Student) sejam significativos num nível superior a 0,009, o modelo explica apenas
2,3% da taxa de homicídio no Município de São Paulo entre 2000 e 2003 (ver Tabela 2). Ou seja,
97,7% da taxa de homicídio por setor censitário não é explicada pela participação de homens jovens, nem pelas variáveis associadas ao nível sócio-econômico da população: escolaridade (rendimento, taxa de desemprego) e participação de cortiços por setor censitário. No modelo alternativo,
com a utilização das variáveis homens jovens, taxa de desemprego (estimada a partir das áreas de
ponderação) e cortiços, o poder explicativo da regressão é 2,9%.
A Figura 2 apresenta a relação entre a taxa de homicídio (em escala logarítmica, para melhor
visualização) e anos de estudo do responsável pelo domicílio, variável que, isoladamente, apresenta
o maior poder explicativo do modelo (1,8%).
DISCUSSÃO
Apesar dos homicídios atingirem essencialmente homens jovens de baixa escolaridade e
rendimento, setores censitários pobres do Município de São Paulo não apresentaram necessariamente altas taxas de homicídio entre 2000 e 2003. A pobreza, sozinha, portanto, não explica as taxas
de homicídio no Município de São Paulo: existem unidades pobres que apresentam altas taxas de
homicídio, assim como existem unidades pobres que apresentam baixas taxas de homicídio.
Embora o motivo desencadeador dos homicídios seja desconhecido em mais de 95% dos
boletins de ocorrência do Município de São Paulo (Lima, 1995) e não existam fontes para o
georreferenciamento do tráfico de drogas na região (as ocorrências policiais não podem ser utilizadas como fonte porque estão relacionadas à dinâmica da ação da polícia e não à dinâmica do tráfico
– Most, 2002: part 2, p.6; Warner, Coomer, 2003), Alba Zaluar (2004), desde os anos 1980, tem
chamado atenção para a relação entre a escalada da violência e a consolidação da rota internacional e do mercado de drogas ilícitas no país, que tem levado jovens pobres e pequenos traficantes à
morte, sem o comprometimento da estrutura do crime organizado, em suas estreitas conexões com
o poder policial, jurídico e político do país. A integração perversa entre pobreza e tráfico de drogas
no país serve de título para a obra publicada por Zaluar em 2004.
Cláudio Beato Filho, em estudo realizado no Município de Belo Horizonte, também conclui
que as condições socioeconômicas, por si só, não são responsáveis pelos homicídios, que são sim
resultado da violência sistêmica associada ao mercado negro de drogas na região (Beato Filho et al.,
2001: 1170).
Em pesquisa realizada entre 2001 e 2002 no Município de Santo André da Região Metropolitana de São Paulo, em que a relação entre o tráfico de drogas e a violência é narrada por diferentes personagens, a Polícia Civil declarou que o tráfico de entorpecentes está envolvido em 80% dos
homicídios ocorridos na cidade (Baierl, 2004: 145).
O documento apresentado pela regional brasileira do Office on Drugs and Crime das Nações
Unidas em 2003 considera que jovens pobres, agindo como couriers do tráfico, são freqüentemente
assassinados porque sabem demais, roubam demais ou porque são vítimas da guerra entre traficantes, que é a principal causa das elevadas taxas de homicídio entre jovens nas grandes metrópoles
brasileiras (Unodc, 2003: 1, 37).
A conexão entre tráfico de drogas, violência, arma de fogo e homicídio é largamente
5
documentada. A violência sistêmica associada ao tráfico de drogas inclui disputas territoriais entre
organizaçõesrivais, disputas internas pelo poder, disputas com a polícia, eliminação de informantes, punição por adulteração da qualidade da droga, punição por dívidas não pagas etc. (Goldstein,
1985). Blumstein (1995: 5-6) considera que a violência é a forma regular de se fazer negócios na indústria da droga ilícita e proteger os apreciáveis valores em droga e dinheiro manuseados cotidianamente – já que os traficantes não podem chamar a polícia. O citado documento da Unodc (2003: 2),
do mesmo modo, destaca que o tráfico de drogas, por ser ilegal e altamente lucrativo, não comporta
a competição não violenta por pontos de distribuição e venda. E, por hábito, os traficantes também
acabam agindo de forma eminentemente violenta até mesmo para resolver conflitos interpessoais
notoriamente banais (Goldstein, 1985).
Por outro lado, não existe nenhuma evidência empírica de que a violência derivada de conflitos interpessoais possa estar contribuindo de forma significativa para as atuais taxas de homicídio
no país. O fato de não haver pistas do autor e do motivo do crime para a quase totalidade dos homicídios que ocorrem no Município de São Paulo sugere, pelo contrário, a relação dos homicídios com
o tráfico de drogas, que é protegido pela “lei do silêncio” (Gawryszewski, 2002: 76; Baierl, 2004:
139-140).
Pesquisa realizada com familiares das vítimas de homicídio no Município de São Paulo entre
1998 e 1999 pelo Núcleo de Violência e Justiça da Pucsp, em parceria com o Centro de Referência
e Apoio à Vítima de Violência (Cravi) da Secretaria da Justiça e Defesa da Cidadania do Governo
do Estado de São Paulo, revelou que as famílias não declaram o autor e o motivo do assassinato de
seus familiares por medo de represálias do tráfico e do crime organizado (Nvj, 2003: 3).
A literatura internacional também destaca os problemas intrínsecos relacionados à informação policial sobre tráfico de drogas e violência, uma vez que a grande maioria das vítimas diretas da
violência sistêmica das drogas é composta pelas próprias pessoas vinculadas ao mundo das drogas
(Goldstein, 1985). Os criminosos têm maior probabilidade de serem vítimas de homicídio devido
à própria interação dos criminosos e à impossibilidade de poderem contar com proteção legal. Pesquisa realizada na cidade de Maryland demonstrou que, para um mesmo perfil (em relação à idade,
sexo e raça), cada registro de prisão aumenta a chance de uma pessoa ser vítima de homicídio em
2,4, no caso de prisão por crime contra a propriedade, e em 10,5, no caso de prisão por drogas
(Dobrin, 2001: 162).
Apesar de todas as evidências, a prevalência de homicídios entre as camadas pobres da
população tem sido utilizada para responsabilizar a pobreza e a desigualdade, exclusivamente, pelos
homicídios e, portanto, para vincular o combate à violência à sempre apregoada eliminação da pobreza e da desigualdade, como se elas, por si só, gerassem violência. Neste modo de argumentação,
moralmente ambíguo, a eliminação da pobreza e da desigualdade não aparecem como objetivos em
si mesmo, mas como uma forma de se reduzir a criminalidade. Não é o problema da cidadania, da
exclusão que seria ruim, mas o fato do crime estar ameaçando a tranquilidade das classes médias
e altas (Beato Filho, 1999: 15). A mídia sempre dá destaque para os eventuais homicídios que envolvem as elites ou pessoas de destaque, embora não seja este o perfil das 110 vítimas de homicídio
por semana que ocorreram no Município de São Paulo entre 2000 e 2003. Vale destacar também
que, diferentemente da quase totalidade dos homicídios, aqueles que envolvem as elites ou pessoas
de destaque são prontamente esclarecidos pelas autoridades policiais.
Em relação à concentração de renda, especificamente, há que se considerar que ela, a
princípio, afeta igualmente toda a população pobre do Município de São Paulo e que, portanto,
deveria, se fosse um dos fatores determinantes da taxa de homicídio, distribuir os homicídios pela
cidade de acordo com o nível de pobreza do setor censitário, relação que não foi encontrada na pesquisa desenvolvida neste estudo.
Resta portanto a indagação: por que, embora o noticiário, a própria polícia (Gawryszewski,
2002: 75-76), pesquisas acadêmicas e organismos internacionais sempre destaquem a mortandade
que cerca o tráfico de drogas, existe uma tendência a responsabilizar exclusivamente a pobreza e a
desigualdade pelo nível de violência no país, sem menção ao tráfico? Será a droga um tabu, como
sugere o título da obra organizada por Ribeiro e Seibel (1997), Drogas: hegemonia do cinismo?
Enquanto não se tiver um diagnóstico consistente das causas que determinam os homicídios,
6
não há como se desenhar políticas públicas capazes de enfrentar o problema, e sempre se estará à
mercê de uma dinâmica que se desconhece.
REFERÊNCIAS
Andrade MV, Lisboa MB. 2000. Desesperança de vida: homicídios em Minas Gerais, Rio de Janeiro
e São Paulo no período 1981/97. In: Henriques R (org.). Desigualdade e pobreza no Brasil. Rio de
Janeiro: Ipea. p.347-384.
Baierl LF. 2004. Medo Social, da violência visível ao invisível da violência. São Paulo: Cortez.
Beato Filho CC. 1999. Políticas públicas de segurança e a questão policial. São Paulo em
Perspectiva. V. 13, n.4. p.13-27.
Beato Filho CC, Assunção RM, Silva BFA, Marinho FC, Reis IA, Almeida MCM. 2001.
Conglomerados de homicídios e o tráfico de drogas em Belo Horizonte, Minas Gerais, Brasil, de
1995 a 1999. Cad. Saúde Pública. v.17, n.5. p.1163-1171.
Blumstein A. 1995. Violence by young people: why the deadly nexus? National Institute of Justice
Journal n.229. p.2-9. www.ncjrs.org/pdffiles/nijj_229.pdf [28out04].
Ceccato V, Haining R, Kahn T. 2004. The geography of homicide in Sao Paulo, Brazil. São Paulo
(mimeo).
Cerqueira D, Lobão W. 2003. Condicionantes sociais, poder de polícia e o setor de produção
criminal. Rio de Janeiro: Ipea (Texto para Discussão 957).
Dobrin A. 2001. The risk of offending on homicide victimization: a case control study. Journal of
Research in Crime and Delinquency, v.38, n.2. p.154-173.
Drumond Jr M. 2002. Vida e morte em São Paulo. São Paulo: Brasiliense.
Gawryszewski VP. 2002. Homicídios no Município de São Paulo: perfil e subsídios para um sistema
de vigilância epidemiológica (Tese de Doutorado). São Paulo: Fsp/Usp.
Goldstein PJ. 1985. The drug/violence nexus: a tripartite conceptual framework. Journal of Drug
Issues n.15. p.493-506.
Ibge (Instituto Brasileiro de Geografia e Estatística). 2002a. Contagem da população – 1996. Rio de
Janeiro: Ibge. www.sidra.ibge.gov.br [08set04].
Ibge (Instituto Brasileiro de Geografia e Estatística). 2002b. Censo demográfico 2000, resultados do
universo, agregado de setores censitários – município de São Paulo. Rio de Janeiro: Ibge
(Cd-rom/microdados).
Ibge (Instituto Brasileiro de Geografia e Estatística). 2002c. Censo demográfico 2000, resultados da
amostra. Rio de Janeiro: Ibge (Cd-rom/microdados).
Infocrim (Sistema de Informação Criminal). 2004. Homicídios ocorridos no Município de São
Paulo, 1999-2004 (banco de dados). São Paulo: Secretaria de Segurança Pública-SP (Cd-rom).
Jorge MHPM, Gawryszewski VP, Latorre MRDO, 1997. Análise dos dados de mortalidade. Revista
de Saúde Pública v.31, n.4 (suplemento). p.5-25.
Lima RS. 2000. Conflitos sociais e criminalidade urbana: uma análise dos homicídios cometidos no
Município de São Paulo. São Paulo, Fflch/Usp (dissertação de mestrado).
Maia PB, Cardoso GF, Silva DWT. 2004. Mortalidade por agressões: um exercício com as informações do atestado de óbito georreferenciadas para o Município de São Paulo. In Encontro Nacional
de Estudos
Populacionais, 14, Caxambu. Anais... Belo Horizonte: Abep. Cd-rom. www.abep.org.br [01out04].
Mendonça MJC, Loureiro PRA, Sachsida A. 2003. Criminalidade e desigualdade social no Brasil.
Rio de Janeiro: Ipea (Texto para Discussão 967).
7
Most (Management of Social Transformation/Unesco). 2002. Globalisation, drugs and
criminalisation, final research report on Brazil, China, India and Mexico. Paris: Unesco/Most.
Nvj (Núcleo de Violência e Justiça). 2003. Vidas nuas, mortes banais: os homicídios em São Paulo
através da fala de suas vítimas indiretas. São Paulo: Pucsp (mimeo).
Ribeiro MM, Seibel SD. 1997. Drogas: hegemonia do cinismo. São Paulo: Memorial.
Unodc (United Nations Office on Drugs and Crime). 2003. Brazil, 2003, Country Profile. Brasília:
UNODC Regional Office Brazil. www.unodc.org/pdf/brazil/brazil_country_profile.pdf [27out04].
Warner BD, Coomer BW. 2003. Neighborhood drug arrest rates: are they a meaningful indicator of
drug activity? A research note. Journal of Research in Crime and Delinquency, v.40, n.2. p.123-138.
Yi JLR, Felgueiras C, Monteiro AM, Câmara G. 2000. Análise espacial da distribuição e dinâmica
da violência na Cidade de São Paulo entre os anos 1996 e 1999. São José dos Campos: Inpe.
Zaluar A. 2004. Integração perversa: pobreza e tráfico de drogas. Rio de Janeiro: Fgv.
8
Figura 1 - Homicídios no Município de São Paulo, 2000 - 2003
Brasilândia
Cachoeirinha
Zona Leste
Centro
Campo Limpo
Capão Redondo
Jardim São Luís
Jardim Ângela
Jabaquara
Cidade Ademar
Pedreira
Cidade Dutra
Grajaú
0
Homicídio (ocorrência)
Distrito
9
18
Kilometers
Fonte: Infocrim (2004).
9
Tabela 1 - Coeficientes de correlação para as variáveis independentes do modelo
Variáveis
Homens 15-34 (%)
Rendimento (sm)
Anos de estudo
Taxa de desemprego (%)
Cortiços (%)
HJ
1,00
RR
-0,52
1,00
AE
-0,60
0,84
1,00
TD
0,50
-0,64
-0,75
1,00
Fonte: Elaborado a partir de Ibge (2002a; 2002b; 2002c).
Nota: 13185 observações; correlações significativas ao nível de 0,01.
CT
0,16
-0,11
-0,15
0,06
1,00
Tabela 2 - Equação para taxa de homicídio no Município de São Paulo, 2000 - 2003
Variável
β
Desvio-padrão
Constante
Homens 15-34 (%)
Anos de estudo
Cortiços
16.320
3.679
-3.961
0.542
Estatística F
R2 ajustado
103.881
0.023
Observações (n)
0.508
0.500
0.208
Estatística t
7.242
-7.925
2.610
Significância
0.000
0.000
0.009
0.000
13185
Fonte: Elaborado a partir de Infocrim (2004) e Ibge (2002a; 2002b; 2002c).
10
Homicide in São Paulo, Brazil: space-temporal and weather variations
Vania Ceccato
Institute of Criminology
University of Cambridge
UK
[email protected]
Abstract
This study examines the spatial-temporal and weather variations of homicide in São
Paulo, Brazil. The article first investigates intra-urban space-time clusters of homicides using
Geographical Information System (GIS) and Kulldorff’s scan test. The effect of weather and
temporal variations on violent behaviour expressed as cases of homicides was tested in the second
part of the study. Findings suggest that deprived areas concentrate most of the killings, particularly
in the hot months of the year. Temporal variables are by far more powerful to explain levels of
homicide than weather covariates. These results are consistent with hypotheses derived from
routine activity theory but show at intra-urban level signs of interactions with factors grounded on
the theory of social disorganisation.
1. Introduction
There are several reasons for examining temporal and weather variations of homicide in São Paulo,
Brazil. Firstly, empirical evidence in this field is based on case studies from countries of
temperate climate, either Europe or United States (e.g., Cohn, 1990, 1993; Field, 1992; Farrell and
Pease, 1994; Cohn and Rotton, 2000, 2003; Hakko, 2000; Semmens et al., 2002). Whilst the yearly
average temperature in many European cities does not overcome 10 degrees Celsius, in São Paulo
it is often above the average of 18 degrees. This difference in temperature must have an
effect on how, when and where human interactions take place. In countries of temperate climate,
for instance, outdoor activities may be limited to the summer whilst in São Paulo they may occur
all over the year.
Secondly, relatively little is known about temporal and weather variations of criminal behaviour in
developing countries. São Paulo is an important example since it is the largest metropolitan area in
South America and one of the largest and most unsafe cities of the world (Mercer Human
Resources, 2004, UN, 2003). The metropolitan area of São Paulo had three of the most violent
areas in Latin America during the 1990’s with few districts having 140 homicides a year per 100
000 inhabitants (InterAmerican Development Bank 2000). Although homicide rates have being
falling for the last five years, the Police in São Paulo recorded a total of 24242 homicides between
1999 and 2003, with an average of 13 a day.
Thirdly, studies assessing the variations in human behaviour and temporal and weather variables
vary widely in terms of methodology (Cohn and Rotton, 2000; Hakko, 2000). Most of these
studies overlap contributions of several research fields such as sociology, criminology, psychology,
psychiatry and environmental quality but they are often a-spatial. Relatively little is known about
space-time variations of criminal behaviour and, particularly in developing countries, spatial
analysis of crime was until recently rare. One reason was that offence data either was not available
or was of low quality. A feature of this study is that it is based on a new large georeferenced crime
database for São Paulo (INFOCRIM) that has only become available since 2000. The analysis of
such a large database was made feasible by the use of Geographic Information System (GIS)
technology. This article attempts to contribute to the knowledge base concerning the use of
spatial cluster techniques as a way of assessing differences in intra-urban vulnerability to violent
crimes that are often taken as static. The paper also reports the testing of hypotheses about the
levels of homicides based on the suggested effects of weather and temporal variations on human
behaviour and activity patterns.
11
The structure of this paper is as follows. Section two contains a brief review of the previous
research in the field of weather and temporal variations and violent crime, which is followed by the
conceptual framework and hypotheses of study. In section three, São Paulo is framed as a case
study area. First, we make a brief presentation of the city’s characteristics, its patterns of residential
segregation and violence. Section four discusses data acquisition and data quality followed by
a characterisation of the nature of homicide in Sao Paulo in section 5. In the following section,
results of space-time clusters analysis illustrate the intra-urban variation of homicide over time.
Section seven discusses the relationship between variations of levels of homicide and temporal and
weather covariates. Section eight summarises the main findings and discusses directions for future
work.
2. Past research and hypotheses of study
Quételet (1842) suggested that the greatest number of crimes against person is committed during
summer and the fewest during the winter. Since his seminal work, researchers have found
empirical evidence on how crime levels vary and how these variations relate to weather conditions.
Findings have often been contradictory since time scale of these studies varied quite widely and so
did their methodology.
A set of studies has dealt with fluctuations or cyclical variations of certain types of criminal events
or fear of crime over time. Researchers were often aware of the effect of temporal variations and/or
weather conditions on crime but did not explicitly use them as explanatory factors (recent
examples are Farrel and Pease, 1994 and Semmens et al., 2002). However, most studies in this area
are constituted by attempts to explain the effect of weather conditions and/or temporal
variations on levels of criminal events (for a comprehensive review, see Cohn, 1990; Cohn and
Rotton, 2000). They often assess whether or not changes in crime levels are affected by weather
conditions, either directly (1) by influencing people’s behaviour (e.g., heat seems to affect violent
behaviour) or indirectly, (2) through changes in human activity patterns (e.g., people are more
willing to engage in outdoor activities in the summer than in the winter). In (1), the assumptions
are based on the idea that weather changes or weather extremes are ‘stresses’ (individual who are
more sensitive would tend to exhibit behavioural or mood changes, and then commit a crime) or
a simply ‘stimulus’ to the human organism that can have both physiological and psychological
effects (Cohn, 1990). In (2), the assumptions are based on routine activities theory (Cohen and
Felson, 1979), which suggests that individual’s activities and daily habits are rhythmic, consist of
patterns that are repeated over time and that can be influenced by changes in the environment, for
instance, by temperature. Most crimes depend on the convergence in space and time of
motivated offenders, suitable targets and absence of capable guardians. People being more
outdoors or in unfamiliar places would be more at risk of being victimised by (and victimising)
strangers because they may spend time where motivated offenders are at that point in time.
However, conflicts between family members or acquaintances would tend to occur in familiar
places, such as in their own homes. The risk of being victimised of crime is not uniformly
distributed across the city. Combing weather variables with life-style and socio-economic
indicators at neighbourhood level, Harries et al. (1984) showed that high crime areas concentrated
individuals that are more susceptible to stresses than individuals living in low crime areas and were
therefore more likely to be violent toward others.
Although there is plenty of evidence of the effect of the seasons on aggressive and impulsive
behaviour (Linnoila and Virkkunen, 1992, Fossey and Shapiro, 1992), only few studies have dealt
with occurrence of homicides (Hakko, 2000). Studies of the relationship between homicide and
heat (high ambient temperature) have produced contradictory findings (Cohn, 1990, Cohn and
Rotton, 2000, Hakko, 2000, Rotton et al., 2004). Michael and Zumpe (1983), for instance, showed
no clear links between temperature and monthly number of homicides in different geographic
locations.
12
Neither did Maes et al. (1994) when the authors assessed the effect of weather variables on
homicides. However, Anderson and Anderson (1984) showed that increased temperature was
related both to a rise in criminal assaults, including homicide. In Hakko (2000), the seasonal
pattern of homicides showed a statistically significant peak in summer and trough in winter in
Finland from 1957 to 1995. Findings from preliminary studies in Brazil show some evidence of
seasonal variations of homicides. Lima (1998) suggested that the greatest share of homicides in
São Paulo state took place in first four months of the year, with exception of February that showed
lower rates. Beato et al. (1998) found that the highest rates of selected violent crimes in Minas
Gerais state were found between January and March and October and December. A similar
variation was also suggested by SSP (2003) in São Paulo state between 1996 and 2002.
Moreover, there are other factors that influence routine activities other than weather conditions.
There is evidence from time-budget studies (see Petland et al., 1999 for a review of time-budget
studies) that human activities, including criminal ones, depend highly on temporal variations (e.g.,
weekends-weekdays, holydays). Cohn and Rotton (2003) showed for instance that holidays affect
the levels of both instrumental and expressive crimes. The arrival of welfare checks has also been
associated with an increase in certain types of violent crimes, particularly assaults, domestics,
muggings. In the next section, we suggest a framework of analysis based on how weather and/or
temporal variables may affect homicides levels in Sao Paulo.
2.1 Conceptual framework and hypotheses of study
We distinguish three groups of factors that affect the levels and geography of homicides in São
Paulo (Figure 1). The first group of factors comprise the political, institutional, economic and
cultural characteristics of a society that determine how it functions and how it is organised. For
instance, the relative short democratic tradition in Brazil associated with old fashion police
practices (Caldeira, 2000, Chevigny, 2003) affect how conflict resolutions are solved. When state
legal resources are inaccessible, people tend to take justice into their own hands (Chevigny, 2003)
or prefer to trust informal networks instead of formal institutions to solve their problems (Hussain,
2003). Although factors at this scale affect mostly the level of different types of offences
(e.g., Brazil in relation to other countries, one region in Brazil relative to another region), we
believe they may interact locally and thus have an impact on the geography of certain offences.
The second group of factors include those that affect the level and geography of homicide within
an urban area because they vary at that scale (Figure 1). The spatial variation of homicide has
traditionally been related to patterns of long-term poverty (e.g., Wilson, 1987, Krivo and Peterson,
1996; Heimer, 1997) but also to differences in land use that determine human interactions and
existence of other criminogenic conditions that lead to high levels of violence, such as the
interactions between illegal weapons, drug-related offences and violence (e.g., Baumer, et al.,
1998, Carcarch, 1999, Cohen and Tita, 1999, Kilsztajn et al., 2002). For an extensive discussion of
how structural and criminological conditions affect the distribution of homicide at intra-urban level
in Sao Paulo, see eccato et al., (2004).
The third group of factors refer to the effect of temporal and weather variations on levels and
geography of homicides. They affect individuals’ behaviour – both directly (e.g., individuals who
are more sensitive would tend to exhibit aggressive behaviour) and indirectly (e.g., by affecting
patterns of activity patterns). We expect that the level of homicides in Sao Paulo be influenced by
temporal variations (e.g., time of the day, weekends) and weather conditions (e.g., temperature,
humidity, precipitation). However, the impact of these factors on violence is expected to be smaller
in Sao Paulo than in cities of northern hemisphere as a result of its smooth seasonal changeover.
There are also suggestions in the literature (e.g., Cohn and Rotton, 2000) that the effects of high
temperature would be minimised by physical mechanisms, such as air conditioning. There are few
reasons to believe that this would apply for Sao Paulo, where only a relatively little share of the
13
households have access to such appliances.
3
Temporal and weather variations
Urban
Levels
Regional
Political,
institutional,
economic
and
cultural
context
National
1
Level of homicide in a
particular city
Intra-Urban variation of
homicide rates
2
Population
characteristics
(individual and
group level)
Structural and
criminological
conditions
at intra-urban
level
It is also expected that summer would have the highest levels of homicide, especially during
evenings and weekends. São Paulo has all over the year a relatively high average temperature,
therefore it is unlikely that an increment in temperature in the summer would alone be responsible
for significant changes in people’s behaviour. However, we take the view that heat in combination
with other factors would increase the levels of aggression. High pollution levels combined with
relatively low humidity may cause discomfort and affect human health. The combination of heat
and rain in the autumn would, for instance, keep people more than usual indoors, and more
domestic conflicts would tend to appear. Contrary, the combination of heat and long summer days
would generate more activity patterns outdoors than in the winter. Family conflicts and argument
among acquaintances often peak when people are not at work or school. Activities spent during
people’s free time particularly those that include alcohol1 and/or drug consumption would make
evenings, particularly in the weekends, more propitious for violence in environments other than
people’s homes.
Clusters of homicide are expected to take place particularly in the summer but not uniformly
across the urban area. Hot spots of homicides would be confined to disadvantaged areas. Evidence
shows these areas are clustered in the most peripheral areas with high proportions of low-income
households and with a high proportion of young people (Ceccato et. al., 2004). Poverty and
disadvantage contribute to crime by creating structural conditions that enhance both criminal
vulnerability and criminal offending (Wilson, 1987). In places of extreme poverty, mechanisms
that discourage crime are lacking, which creates isolation and new cultural codes, including
violence (Sampson and Wilson, 1995, Krivo and Peterson, 1996, Heimer, 1997, Lee and Bankston,
1999, Kubrin and Weitzer, 2003). We expect therefore that summer extremes would boost the
stress levels of individuals that already live in high stress conditions, such as in poor environments.
We also expect that certain poor areas would have more homicides since criminogenic conditions
generated by other offences, such as drug related offences would make them more vulnerable to
violence (Cardia and Schiffer, 2000, Kilsztajn et al., 2002, Ceccato et al., 2004).
Human interaction is determined by temporal events, such as holidays or sporadic events that take
place in particular parts of the city at particular times. In Sao Paulo, besides national holidays, such
as Christmas and Carnaval, there are local ethnic festivals (e.g., Festa de Nossa Senhora da
Achiropita), activities and services that celebrate the local cultural heritage (e.g., Bairros da
Liberdade and Bixiga). These places or activities are believed to create ‘new consumption
landscapes’ (Sykora, 1994) that may engender friction and create their own patterns of violence.
We also expect that the week that includes paydays would tend to be associated with lethal
violence, as suggested by Cohn and Rotton (2003).
1
According to Pinsky and Laranjeira (2003) consumption of alcohol in Brazil has been growing in the last few years, especially
among young people. The most likely factors which explain this increase are: lack of regulations concerning alcohol supply, low price
of alcohol products, Brazilian society attitude towards alcohol consumption and aggressive promotion campaigns launched by the
alcohol industry followed by the development of new products (alcopops, light beer and ‘caipirinha’).
14
Despite the fact we recognise the importance of factors 1 and 2, we shall only be able to test
hypotheses that deals with the impact of temporal and weather covariates on the levels and
geography of homicides. This is important to predict when most homicides occur but they are not
sufficient for drawing inferences on mechanisms that involve factors 1 and 2 at intra-urban level.
Comments on possible interactions between these three factors are suggested in section 6, where
comments of space-time clusters of homicides are drawn based on Sao Paulo’s intra-urban
structure.
3. Framing São Paulo as case study
The Tropic of Capricorn passes right over the city of São Paulo (latitude: 23° 32’ S, longitude:
46°37’ W), which is today the country’s center for financial and economic decisions. The climate is
tropical, with an average temperature of 18,2 degrees Celsius, with rains all over the year (between
1,250 and 2,000 mm). São Paulo is one of the most violent urban areas in the world (UN, 2003).
Homicide rates have varied between 40 and 53 per 100,000 inhabitants in the last five years, with
higher rates been found in municipalities of its own metropolitan area (e.g., in Diadema, Embu and
Itapecerica da Serra the rate has been greater than 100 per 100,000 inhabitants). Figure 2 ilustrates
homicide rates per 100000 inhabitants against yearly average temperature in degrees Celsius for
selected cities of Southern hemisphere.
100
Homicides per 100000 inhabitants
Call
80
60
São Paulo
Pretoria
40
Rio de Janeiro
Bogotá
Lima
20
Santiago
0
12
14
Buenos Aires
Sydney
16
18
20
22
24
Average temperature - Celsius
Figure 2 Homicide rates per year and average temperature, selected cities of Southern hemisphere.
Data source: Home Office, 2002, WorldClimate (2004).
São Paulo is a compact city in international terms (with about 21,000 inhabitants per square mile)
with a population of over ten million in 2003 inhabitants whilst the greater metropolitan area had
nearly eighteen. Up to the 1980s, the city’s spatial structure was characterized by a centerperiphery pattern. The middle and upper class concentrated in the central neighborhoods, whilst
the most disadvantaged groups were on the periphery. From the 1980s on, however, a new urban
structure has been superimposed on this center-periphery pattern. According to Caldeira (2000),
different social groups have become closer to one another but separated by walls and the
technology of security, rarely sharing common spaces. The centre now concentrates a large number
of overcrowded residences occupied by the poor. Slum areas are side-by-side luxury apartment
buildings in districts away from the city core, such as in the Western parts of the city.
Overcrowding and population instability in some areas generates not only conflicts
(e.g., competition for scarce living space) but also affect people’s capacity to organize themselves
15
as communities. Figure 3 shows the most deprived areas, households with up to two times the
Brazilian minimum salary.
Figure 3 – Percentage of households with up to two times the minimum salary.
Data source: Data source: IBGE – Instituto Brasileiro de Geografia e Estatística, 2002.
High homicide rates often reflect high levels of other types of crime, such as drug related crimes
(Baumer et al., 1998; Howell and Decker, 1999). In Brazil, illegal international groups have
connections in Brazil for cocaine traffic, weapons trading and money laundering. It is believed that
drug traffic employs more than 20000 couriers, the majority of whom are adolescents between 10
and 16 years of age often coming from poor families – a job that often leads to violence and their
own death (UN, 2003).
Although São Paulo has lately being reporting homicide rates similar to the mid-1980s, they have
not always being as low (Figure 4). Between 1996 and 1999, for instance, homicide rates jumped
15.3 per cent. There is little doubt about impact of drug traffic on violence levels in large cities in
Brazil (UN, 2003), but this may not be the only factor. If one takes a close look at the recent drop
in homicide rates, one sees that they decreased also in the whole São Paulo state as well as in other
major Brazilian cities, such as Rio de Janeiro. The official reasons sustained by the Police for this
decrease are the imprisonment of key criminals involved in drug traffic and the increase in
apprehension of illegal weapons.
16
70
60
50
40
30
São Paulo city
Metropollitan Region
20
1983
1988
1993
1998
2003
Figure 4 – Homicide rates per 100 000 inhabitants in São Paulo city and its metropolitan region, 1983-2003.
Source: Data 1983-1998 is from Carneiro (1999) and 1999-2003 is from Secretaria de Segurança Pública – SSP, 2004
What is more striking is that the decline of homicide rates in São Paulo has not been followed by a
decrease of violence levels, quite the opposite. There is evidence that violence increased from 2000
to 2003 (homicide attempts, from 2905 to 3156, threat, from 28 611 cases to 37311, physical
injury, from 5999 to 8358, calumny, from 1353 to 1903, defamation, from 1485 to 1602, rape, from
3142 to 4005). This indicates that although there have been more violence acts; they have become
less lethal than in the past. This lends weight to the argument that homicide rates may have been
affected not only by the increase of apprehension of weapons, but also by the restrictions to
register them since 1997’s law followed by disarmament campaigns. Moreover, according to
Public Security Secretary - PSS (2003) the adoption of alcohol abolition law since 2001 in eleven
municipalities of São Paulo metropolitan area seems also to have influenced homicide rates in at
least eight of them. For instance, the decline of homicide in the first three months of 2003
compared to the same period in 2001 is much greater where the law has been put in practice (-9,8
per cent) than in other municipalities of the metropolitan region (-0,6 per cent).
4. Definitions and data quality
Homicide is defined according to the Brazilian Penal code as ‘to kill someone’ (art. 121). In this
analysis, homicide is regarded as intentional killings that are recorded as homicidio doloso. This
category excludes death following rape, robbery or confrontation with the police; death in (traffic)
accidents and so-called ‘found bodies’2 . However, there are cases in which it is difficult to
ascertain the type the event leading up to the death of the victim, and there may be cases
misclassified as homicidio doloso. This includes expressive crimes (intended to accomplish
anything specific other than the violence itself) but may also contain certain types of instrumental
homicide (which involves behaviour that has a specific tangible goal, such as territory dispute or
acquisition of property). Police records provide the place where the victim was found.
2
The category ‘found bodies’, includes cases in which the individual has been killed by natural causes but also bodies dumped
following a violent attack.
17
The location may be where the killing took place or where the body was dumped. This fact needs
to be borne in mind when interpreting results.
Compared to other offence statistics, homicide is one of the most accurate since there is no
significant variation in the way it is classified and is cross-reported by several institutions. Despite
the fact that the data recorded by the Police on murders are regarded as a relatively robust source
compared to other offences, they are far from being problem-free. There is evidence that the
Police homicide data is class and gender-biased (Caldeira, 2000) but the main problem with it is
that it is an underestimate. One reason is the fact that the data recorded by the Police refer to the
event, and not the total number of victims. Multiple murders (so-called chacinas) constitute three
per cent of total homicides a year in São Paulo. Another reason is that victims of robbery followed
by death and other types of violent crimes when the victim is murdered (e.g., rape followed by
death) or killed by the Police are not recorded as homicides. Another problem is when the cause
of death is unclear, such as when a body is found. This because ‘found bodies’ includes cases in
which the individual is killed by natural causes and dumped bodies as a result of violence. For a
review on quality of crime data in Brazil, see Carneiro, 1998 and Ceccato et al. (2004).
This study makes use of a relatively new crime data set called INFOCRIM - an automated system
of criminal records at co-ordinate level run by the Public Security Secretary of São Paulo. In the
case of homicide, the INFOCRIM database contains data on the nature of the offence, name of
the victim and where the victim was found. The location may be where the killing took place or
where the body was dumped. This fact has implications for interpreting results. INFOCRIM also
includes temporal data: data on the approximate hour, day and year the murder occurred as well as
the time the offence was reported. However, the estimated hour of death is often similar to the one
when the offence is recorded. The reason is that it is difficult to ascertain for sure an exact time
for the murder without a close examination of the body. Part of inconsistencies in the way data is
recorded is identified by a group of experts that run the data control every day by sampling 10 per
cent of all crimes. Data mismatching has fallen from circa 70 per cent to around 20 per cent as a
result of improvements in quality control procedures since INFOCRIM’s implementation in 2000.
5. Homicides in São Paulo: temporal and weather characteristics
The Police in São Paulo recorded a total of 16828 homicides between 2000 and 2002. Summer
concentrates 27 per cent of all homicides (January contributing with the highest share), followed
by autumn with 26 per cent. The pattern of homicides in the summer differs significantly from
winter and spring at 95% levels (Appendix 1). The spring pattern does not differentiate from
winter as autumn does not differentiate from summer. Differently from findings from the
Northern hemisphere (e.g., Hakko, 2000) summer in Sao Paulo alone does not contain the
greatest levels of homicide, autumn has also relatively high homicide levels. This is confirmed by
early studies in Brazil (Lima, 1998, Beato et al., 1998 and SSP, 2003).
Seasonal variations of homicides suggest they may be correlated to weather changes over the year.
For instance, homicide levels are highly correlated with monthly averages of maximum
temperatures (r= 0.66, at 99%), average precipitation (r= 0.72, at 99%) and cloud cover (r= 0.58,
at 99%). According to INMET (2003) Sao Paulo has periods of 10 to 15 days with relatively high
temperature and low humidity that in combination with high pollution levels (coming from mostly
from cars), affect human comfort and health. Symptoms include tiredness, headaches, irritation
and lung related diseases. For instance, in the last two decades, there has been evidence that
respiratory ill-health varied with pollution levels in Sao Paulo, the most affected are the ones
living in poor areas (Sobral, 1989, Lin et al., 1999).
18
Figure 5 – Percentage of homicides by hours of the day, 2000-2002, São Paulo.
Most killings take place during the weekends, in the evening-nighttimes. As much as 54 per cent
all homicides reported between 2000 and 2002 took place in the weekends and 44 per cent between
20.00 and 02.00 (Figure 5). Family conflicts and arguments among acquaintances should account
for most of interpersonal killings. They often reach a peak when people meet each other, often in
their free time, evenings or weekends. These conflicts may not necessary take place in the home
environment, but in bars, bingos or meeting places very close to where they live. For instance,
sampling of 2671 homicide records from Instituto Medico Legal shows that in São Paulo victims
are either killed in the district where they live (51 per cent) or very close to it (24 per cent). Cases
of the multiple murders take also place during the weekends. The intra-urban distribution of
homicides is further explored in the next section.
6. Space-time variations of homicide at intra-urban level
A cluster detection technique was applied to investigate high rates of homicide. In order to
detect changes over time and space in the geographical clustering of homicide, Kulldorff’s scan
test was used (SaTScan version 4.0.33 , Kuldorff, 1997). This technique has a rigorous inference
theory for identifying statistically significant clusters (Haining and Cliff 2003). The test here uses
the Poisson version of the scan test since under the null hypothesis of a random distribution of
offences (with no area specific effects) the number of events in any area is Poisson distributed.
This test adjusts for heterogeneity in the background population. The space-time scan statistic is
defined by a cylindrical window with a circular geographic base and with height corresponding to
time. This cylindrical window is moved in space and time, so that for each possible geographical
location and size, it also visits each possible time period. An infinite number of overlapping
cylinders of different size and shape are obtained, jointly covering the entire study region, where
each cylinder reflects a possible cluster.
3
Available at http://www.satscan.org/
19
Figure 6 – Space-time significant clusters at 99% in São Paulo, 2000-2002.
The space-time scan statistic was used for a single retrospective analysis using data from 1st
January 2000 to 31st December 2002. We collapsed the three years dataset into ‘one year’ in order
to have a more robust section of data. The temporal scanning window is defined through a few
different
parameter settings in SaTScan. The first is the time interval, or the time aggregation level. In this
case, the parameter was set to 7 days, so that the data was aggregated into weekly counts, and any
cluster detected would be a collection of consecutive weeks. Here we are interested in clusters that
are not longer than a week. Another parameter is the maximum temporal window size. This
parameter was set to 28 days, (and with time interval of 7 days) so SaTScan looked for clusters of
7, 14, 21 or 28 days. Figure 6 shows findings of the dataset without a cut-off. Note that three
significant clusters take place in the summer. The most likely cluster at 99% is located in the South
of São Paulo whilst the secondary ones are found in the centre-northern and eastern parts of the
city.
To test seasonal variations in homicides, we collapsed the three years dataset into ‘one year’ and
then we ran an analysis for each season. While not as ideal as doing only one analysis without a
cut-off, this allowed was to detect clusters using short periods of time. Figure 7 shows the
significant clusters (most likely and secondary) for each season. There are significant differences
in patterns of homicides from season to season, particularly between summer and winter as already
suggested in section 5. However, the general pattern is similar for the most likely clusters, which
are composed of disadvantaged areas of the South (such as Capão Redendo, Jardim Herculano,
Jardim Mirna, Parque São Rafael). Whilst in winter and spring, clusters are concentrated to areas
in southern and centre-southern parts of the city, in summer and autumn, secondary clusters
become much more scattered towards central and northeast areas (including Sé and a few
peripheral districts of north and northeast, such as Parada Taipas, Vila Jacuí and Cidade
Tiradentes). These findings indicate that long summer days keep people longer outdoors, in areas
that are characterised by criminogenic conditions of typical of centre or regional local centres
whilst in the winter, human interactions that lead to lethal violence take place mostly in poor areas
of the periphery. The scattered pattern in the summer and autumn may indicate the co-existence
with other criminogenic conditions that take place in the more central areas, such as those
generated by drug related offences or economic motivated crimes.
20
7. Do weather and temporal variables affect variations of homicide levels in São Paulo?
This analysis compares results from three models having homicides as dependent variable and
weather (e.g., temperature, relative humidity) and temporal (e.g., weekend, nighttimes, payday)
variables as explanatory variables using data from July 2001 to June 2002. Appendix 2 shows
definitions of all variables, sources and an explanation of the coding process used in the analyses.
We assess the effects of these covariates by hours of the day, days of the week and weeks of the
year. In the first model homicide data was aggregated every 8 hours. This interval was chosen
because weather variables were available three times a day at 12, 18 and 24. The second model
homicide was summed up by day of the year (N=365) whilst in the third model, homicide data
were gathered together by weeks (N=52) and then regressed by weather variables (average of
seven days) major holidays and month of the year (Figure 8).
21
Model 1
Homicide data
summed by
weather variables
Time
07:00
Weather data at
Model 2
Homicide data
by day (sum)
Weather data
by day (average)
Model 3
Homicide data
by week (sum)
Weather data
by week (average)
15:00
12:00
Time
22:00
18:00
07:00
24:00
365 dias
1 July 2001
30th June 2002
1 July 2001
30th June 2002
Time
52 weeks
1 July 2001
30th June 2002
1 July 2001
30th June 2002
Figure 8 - Modelling strategy
Model 1 – Daily data – three times a day
Homicide data were aggregated three times a day and later associated to weather measures.
Homicides that took place between 7 and 15 o’clock were linked to the measure collected at 12
UTC, whilst data recorded between 15 and 22 was attached to the measure from 18 UTC and
finally, homicides between 22 to 7 were associated with the measure from 24 UTC. Number of
hours of sunlight was dropped from the analysis because it was highly correlated with temperature.
Multicolinearaty in the model was also controlled by the VIF number (a usual threshold is 10.0,
which corresponds to a tolerance of .10). The independent variables contained in the final data file
included dummies for weekends, major holidays, pay day, sheaf coefficients for month of the year4,
wind speed, temperature, cloud cover, visibility, air pressure and relative humidity. First, the
Sheaf coefficient for months of the year was used to reduce the volume of dummy variables into the model as suggested by Cohn
(1993). This involves creating a series of dummy variables (for example, eleven dummy variables for months of the year) and running
the regression model using these dummy variables and homicides as the dependent variable. The sheaf coefficient are the predicted
values resulting from this initial model, which are used in the place of the original nominal variables together with other covariates in
the model. See also Heise (1972) for a detailed discussion of this technique.
4
22
model without the temporal variables was used to check how much variance could be explained
only by weather variables. At this stage, a sequence variable was added to the model to control for
linear trend but was later excluded since it was not significant at 10%. From all weather variables,
only temperature is significant. With the inclusion of temporal variables, the Goodness to fit of
the model increases and with exception of holidays, all temporal variables were significant. Hot
nights in summer weekends tend to concentrate most of cases of lethal violence in Sao Paulo. The
sign of the regression coefficient was unexpected only in the case of the variable Payday, which is
negative. One explanation is that conflicts may arise when people are short of money, as in the last
weeks of the month. Our initial hypothesis based on the previous evidence was that arrival of pay
checks would be associated with an increase in certain types of violence (see, e.g., Cohn and
Rotton, 2003). However, in Brazil paydays occur in the first seven office days of the month for
most of social benefits but not for all, which may explain, at least partially, why the coefficient is
not positive.
Second, we reversed the order of entry of the variables. We entered the temporal variables first and
then the weather factors. This allowed us to see how much variance was explained by weather after
controlling for the other variables. In this model, payday is no longer significant and was excluded
from the model as well as the sequence variable. Although weather variables improved only
slightly the overall model’s performance (from R2 = 48,1% to 48,8%), few were significant. The
greater the temperature and cloud cover, the higher is the number of homicides, particularly in the
night time of weekends in the summer. Although being significant only at 10%, relative humidity
does affect homicide levels. As suggested previously, Sao Paulo has periods that combine
relatively high temperature with low humidity that direct affect human comfort and health,
particularly when associated with high pollution levels. Although it is difficult to ascertain causal
mechanisms at this stage between these conditions and homicide levels, it is worth noting that they
coincide with periods of high lethal violence.
Model 2 – Daily data
Homicide data from July 2001 to June 2002 were aggregated by day whilst daily averages were
calculated for the weather variables from the exact same period of time (exceptions were hours of
sun light and precipitation that were originally daily measures). The correlations between the
independent variables were checked and only in the case of temperature and sun light the
correlation was greater than r = 0.4, so hours of sun light was dropped from the analysis. The
independent variables contained in the final data file included dummies for weekends, major
holidays, pay day an month of the year, daily average of wind speed, daily average temperature,
daily average of cloud cover, daily average visibility, daily average air pressure and daily average
humidity. As in model 1, we first checked how much variance could be explained only by weather
variables, then the temporal variables were included and the results were later compared. There
was no trace for linear trend in this model either, which was checked by using a sequence variable.
The goodness to fit of the model was 67 per cent and holidays, weekends and months of the year
were significant. The procedure was repeated putting the temporal variables first into the model.
Although the order of the variables has changed, the results were the same. The variable holidays
was significant in both models confirming the effect of changes in human activity patterns during
these breaks. Holidays may predispose people to situations of conflicts that would not occur if
people would be engaged in daily routine activities (e.g., at work). There are indications that
holidays may have functioned as a surrogate variable for alcohol and/or drug consumption.
Although there is no available statistics for research on time variations of alcohol/drugs
consumption in Brazil, there are reasons to believe that consumption of alcohol increases during
long holidays (see, e.g., Folha de Sao Paulo, 2003), contributing to an increase of incidents of
violence particularly, Carnaval and Christmas holidays.
23
Table 1 - Results of the regression analysis: Y=number of homicides
Model 1 - Data
aggregated three
times a day
0,14 + 0,16Temp* + 2,16 Weekends*-0,51 Payday+2,73 Night+0,248Months
(0,25) (6,46)
(10,25)
(-1,95)
(13,38)
(2,57)
Weather
variables
temporal
variables
t-values in brackets
R2 X 100 = 48,1%
R2 (adjusted) X 100 = 22,7%
Model 1 - Data
aggregated three
times a day
1,70+0,12Temp* + 0,11 Cloudcover*-0,02 RelatUm**+2,31Weekends*+2,91 Night+0,30Months
(1,37) (3,40)
(11,41)
(-2,45)
(-1,95)
(13,78)
(2,86)
Temporal
variables
weather variables
Model 2 - Data
aggregated by day
Weather
variables
temporal
variables
Model 2 - Data
aggregated by day
Temporal
variables
weather variables
Model 3 - Data
aggregated by
week
Weather
variables
temporal
variables
Model 3 - Data
aggregated by
week
Temporal
variables
weather variables
* significant at the 1% level
t-values in brackets
R2 X 100 = 48,8%
R2 (adjusted) X 100 = 23,4%
* significant at the 1% level
**significant at the 5% level
12,73 + 3,08Hollidays** + 8,49Weekends* + 1,37Months*
(43,64) (2,49)
(15,75)
(5,58)
t-values in brackets
R2 X 100 = 67,0%
R2 (adjusted) X 100 = 44,5%
* significant at the 1% level
**significant at the 5% level
12,73 + 3,08Hollidays** + 8,49Weekends* + 1,37Months*
(43,64) (2,49)
(15,75)
(5,58)
t-values in brackets
R2 X 100 = 67,0%
R2 (adjusted) X 100 = 44,5%
* significant at the 1% level
**significant at the 5% level
107,15 + 10,47Months*
(97,20) (9,41)
t-values in brackets
R2 X 100 = 79,9%
R2 (adjusted) X 100 = 63,2%
* significant at the 1% level
126,24 + 9,90Months* - 0,26 Relative Humidity**
(13,84) (8,91)
(-2,10)
t-values in brackets
R2 X 100 = 81,8%
R2 (adjusted) X 100 = 65,5%
* significant at the 1% level
** significant at the 5% level
24
Model 3 – Weekly data
In the third model, homicide data were summed up by weeks (N=52) and then regressed by
weather variables (average of seven days) and temporal variables. Visibility was dropped of the
analysis since was highly correlated with relativity humidity, maximum temperature and air
pressure (greater than 0.5).
As in model 1 and 2, temporal variables (dummy for holidays and sheaf coefficients of months
of the year) were included in the model after checking how much variance could be explained by
weather variables. As much as 66 per cent of variation of homicides was explained by a selected
group of weather variables: cloud cover, number of hours of sunlight and temperature. The higher
is the temperature, the greater is the number of homicides. Also, the greater the cloud cover and
hours of sunlight, the greater is the number of homicides. The temporal variables were later
included and the results were compared. With the inclusion of the temporal variables, goodness to
fit increases from 66 to 80 per cent but cloud cover, hours of sunlight and maximum temperature
were no longer significant. When weather variables were added to the model after the inclusion of
the temporal ones, R2 slightly increases to 82 per cent. As in model 1, relative humidity turned out
significant together with months of the year.
6. Final considerations
Although São Paulo is one of the most unsafe cities of the world, very little is known about
variations of crime levels and its geography over time. There are suggestions that crime may be
affected by weather and temporal variations but the literature fails in providing any systematic
evidence for cities in Southern hemisphere. This article makes a contribution to the knowledge
base concerning levels of homicides as a function of weather and temporal variables in Sao Paulo.
It also provides an analysis of intra urban space-time distribution of homicides using spatial
statistic techniques and GIS.
The results reported here suggest that there are variations on the level and the geography of
homicides in São Paulo. Homicides take place mostly in the night time and weekends in the hot
months of the year (Summer and Autumn). This is consistent with the initial hypothesis based on
routine activity theory, which suggested that conflicts often peak during people’s free time. Long
summer days, for instance, would keep more people in contact with each other. This process may
be affected by other intervening factors, such as alcohol and drug consumption. Despite of the lack
of evidence on seasonal variations of consumption of alcohol/drugs in Brazil, there are reasons to
believe that people would consume alcohol and/or drugs during their free time. Evening, weekends
and holidays would then be more propitious time to violence than daytime, weekdays and
non-holidays.
The hypothesis that the impact of weather and temporal factors on homicide in Sao Paulo would be
smaller as a result of a smoother seasonal changeover is very difficult to ascertain since our
modelling findings resemble the ones found in cities from the Northern hemisphere (see, for
instance, Anderson and Anderson, 1984, Hakko, 2000, Cohn and Rottton, 2003). As suggested
in the literature, temporal variables are by far more powerful to explain levels of homicide than
weather variables. The strategy of reversing the order of entry of the variables into the models has
shown to be efficient to reveal the effects of weather variables when controlling for the effect of
temporal covariates on homicide levels. Homicides seem to be concentrated in hot, relatively dry
days (poor relative humidity turned out to be significant at 10% in two models) - conditions that
can be worsened by high air pollution levels. The combination of heat (high temperature) and rain
(precipitation) did not appear to have a combined affect on homicide levels as expected. The
hypothesis that more homicides would take place in relatively hot but rainy days, since people
would stay indoors has not found empirical grounds in Sao Paulo’s case study.
25
Model 2 shows that the variable holiday is significant. This is consistent with predictions that are
based on routine activity theory, which suggested that holidays; particularly the major ones are
more likely to affect people’s activity patterns. Holidays, such as Christmas in Brazil means big
family-friends gatherings and that combined with alcohol consumption lead to an increase in
opportunities for conflicts and possible, violent behaviour. This would mostly explain interpersonal
homicides that took place in known environment. In holidays, such as Carnaval, people tend to
gather in meeting public places (clubs, bars, churches) or outdoor areas that generate more
non-interpersonal contacts, and in some cases, violence between people that do not know each
other.
Space-time clusters at intra-urban level show that deprived areas concentrate most of the killings
all over the year, but particularly in the summer. Poor neighbourhoods are more likely to have high
levels of homicide, regardless type and time of the year. However, we believe that the stress levels
of individuals living in already high stress conditions would be boosted by weather extremes in
certain temporal windows, such as evenings and weekends. As in any other large city,
disadvantaged areas in Sao Paulo have criminogenic conditions that make conflicts and violence
part of everyday life, triggered by dispute over scarce resources (Cardia et al., 2002), repression
by the Police (Chevigny, 1999) or by simply co-existence with other types of crimes, such as drug
related crimes (Ceccato et al, 2004). This last factor could partially explain the scattered pattern of
homicide towards the more central areas. These areas are mostly related to sites of consumption
of drugs (Cardia and Schiffer, 2000) and or some type of violence of economic reasons, such as
robbery followed by death. These results although being of explorative nature are consistent with
hypotheses derived from routine activity theory but show signs of interactions with structural
factors (such as poverty) that derive from social disorganisation theory.
This article makes also contributions to the way relationships between weather/ temporal variations
and crime are assessed. Most of the studies are a-spatial, which means that they do not consider
variations at intra-urban levels. An important feature of this analysis was to generate space-time
clusters of homicides over time using a new georeferenced crime database, Geographic
Information System (GIS) technology and Kulldorff’s scan test. The study also innovates by
exploring different scales of analysis in the modelling section and providing further evidence of the
so-called Modifiable Area Unit Problem – MAUP in regression analysis (see, e.g.., Fotheringham
and Wong, 1991). Although all models show that temporal variables are more powerful to explain
variations in homicide levels than weather covariates, findings show that the disaggregated model
(such as model 1) are better to untangle the relationship between weather/temporal variables and
homicides.
This study shares limitations with other analyses of crime-weather/temporal relationships that are
important to here to mention. Although we recognise that there are other factors that help to explain
levels and ]geography of homicides in Sao Paulo, we are in this article able to assess only the
effects of weather and temporal variations. Thus, any discussion that involves any attempts to
explain intra-urban differences of homicides in relation to weather/temporal variations and
socio-demographic and criminogenic conditions can only be therefore taken as explorative.
Another limitation is the unsolved problem of untangled effect of weather variables, such as
temperature, with temporal covariates, such as months of the year (in model 1, r=0.31, model
2, r=0.39 and model 3, r=0.53). However, when the interaction effect between temperature and
months of the year was tested in model 3, it turned out to be not significant at 5%. The third
limitation is that the modelling section is based on one-year database, which is a rather limited
period of time for drawing final conclusions on the relationship between homicide levels and
weather covariates. For future research, one of the main challenges is to elucidate more clearly the
mechanisms by which weather/temporal variables influence homicides using long time data series.
The inclusion of pollution levels and life style indicators, such as alcohol/drugs consumption would
certainly shed light on the effect of these intervening factors on homicide levels. Despite these
26
limitations, this study’s findings extended the current research on relationships between homicides
and weather/ temporal variations by providing empirical evidence of a city of the southern
hemisphere. In this context it is important to be able to report the findings from Sao Paulo, which
was until now inexistent in the literature.
7. References
Anderson, C.A., Anderson, D.C. (1984) Ambient temperature and violent crime: tests of the linear
and curvilinear hypothesis. Journal of pers soc psychology, 46:91-97.
Baumer, E, Lauritsen, J L, Rosenfled, R., Wright, R. 1998. The influence of crack cocaine on
robbery, burglary, and homicide rates: a cross-city, longitudinal analysis. Journal of research in
crime and delinquency, 35:316-340.
Beato et al. (1998) Criminalidade Violenta em Minas Gerais - 1986 a 1997.
Caldeira TPR, 2000, City of Walls: Crime, Segregation and Citizenship in São Paulo (University of
California Press, Berkley)
Carcach, C. (1999) Spatial analysis of crime data: firearms related homicide in Australia. Paper
presented at the 3rd National Outlook Symposium on Crime in Australia, Canberra. Available at:
http://www.aic.gov.au/conferences/outlook99/carcachf.pdf (7th July 2004)
Cardia N, Schiffer S, 2000, São Paulo secundary data analysis (World health organisation,
Substance Abuse Division, Geneve) , http://www.nev.prp.usp.br/NEV_Arquivos/publica/sp1s.pdf
Carneiro, L.P. (1999) Determinantes do crime na America Latina: Rio de Janeiro e São Paulo
(Universidade de São Paulo, Research Report, São Paulo)
Ceccato, V A, Haining, R., Kahn, T. (2004) The geography of homicide in São Paulo, Brazil.
Sumitted to Environment and Planning A (August, 2004)
Chevigny P, 1999, “Defining the role of the police in Latina America”, in The (un)rule of law and
the underprivileged in Latin America Eds J Mendez et al. (Notre Dame University Press, Notre
Dame)
________ (2003) The populism of fear: politics of crime in the Americas. Punishment and society.
5:77-96.
Cohn, E.G. (1990) Weather and crime. British journal of criminology. 30:51-64.
Cohn, E. (1993) The prediction of police calls for service: the influence of weather and temporal
variables on rape and domestic violence. Journal of environmental psychology, 13:71-83.
Cohn, E.G., Rotton, J. (2000) Weather, seasonal trends and property crimes in Minneapolis, 19871988. A moderator-variable time-series analysis of routine activities. Journal of Environmental
Psychology, 20:257-272.
Cohn, E. G., Rotton, J. (2003) Even criminals take a holyday: instrumental and expressive crimes
on major and minor holidays. Journal of criminal justice, 31:351-360.
Cohen, L.E. and M. Felson. (1979) Social Change and Crime Rate Trends: A Routine Activity
Approach. American Sociological Review 44:588-608.
27
Cohen J, Tita G, 1999, “Diffusion in homicide: exploring a general method for detecting spatial
diffusion process” Journal of Quantitative Criminology 15 451 – 493.
Farrell, G. and Pease, K. (1994) Crime seasonality: domestic disputes and residential burglary in
Merseyside 1988-1990. British journal of criminology. 34:487-498.
Field, S. (1992) The effect of temperature on crime. British Journal of criminology, 32:340-351.
Folha de Sao Paulo (2003) Projeto estuda elo entre bebida e violência. 07/09/2003. Available at
http://www1.folha.uol.com.br/folha/cotidiano/ult95u81692.shtml (23rd October, 2004).
Fossey, E., Shapiro, C.M. (1992) Seasonality in psychiatry: a review. The Canadian Journal of
Psychiatry, 37:223-228.
Fotheringham, A.S., Wong, D.W.S. (1991) The modifiable areal unit problem in multivariate
statistical analysis. Environment and Planning A, 23:1025-1044.
Lima, R. S. (1998) Cadernos do Fórum São Paulo Séc. XXI – Segurança.
Lin, CA, Martins, MA, Farhat, SC, Pope, CA 3rd, Conceicao, GM, Anastacio, VM, Hatanaka, M,
Andrade, WC, Hamaue, WR, Bohm, GM, Saldiva, PH. (1999) Air pollution and respiratory illness
of children in Sao Paulo, Brazil. Paediatric and perinatal epidemiology. 13:475-88.
Haining, R, and A Cliff. 2003. Using a Scan statistic to map the incidence of an infectious disease:
measles in the USA 1962-1995. Paper read at Proceedings of the Geomed conference 2001, at
Paris.
Hakko, H. (2000) Seasonal variation of suicides and homicides in Finland. Thesis at the
Department of Psychiatry, University of Oulu, and Department of forensic Psychiatry, University
of Kuopio, Oulu, Available at: http://herkules.oulu.fi/issn03553221/)
Harries, K., Stadler, S., Zdorkwski, R. (1984) Seasonality and assault: explorations in
inter-neighbourhood variation, Dallas 1980. Annals of the Association of American Geographers,
74:590-604.
Heimer, K. (1997) Socio-economic status, subcultural definitions and violent delinquency. Social
forces, 75:799-833.
Heise, D.R. (1972) Employing nominal variables, induced variables and block variables in path
analysis. Sociological methods and research, 1:147-173.
Home Office (2002) International comparisons of criminal justice statistics 2000, Home Office
Statistical Bulletin, 05/02.
Howell, J.C., Decker, S.H. (1999) The Youth Gangs, Drugs, and Violence Connection. Juvenile
Justice Bulletin. Washington, DC: U.S. Department of Justice, Available at:
http://www.ncjrs.org/pdffiles1/93920.pdf (8th July 2004).
Husain, S. (2003) Community policing in Brazilian favelas: effective implementation of human
rights standards? Netherlands School of Human Rights Research (SIM), Available at:
http://www.agogo.nl/txtbrazil/Community/Community.htm.
INMET – Instituto Nacional de Meteorologia (2003) Influencia do tempo e clima na saude. Curso
Internacional para gerents sobre saude, desastres e desenvolvimento. Organised by Diniz, F.
28
Inter-American Development Bank (2000) Development Beyond Economics: Economic and Social
Progress in Latin America - 2000 Report. Washington, D.C.: The Johns Hopkins University Press
and The Inter-American Development Bank.
Kilsztajn S, Rossbach A, Carmo N http://www.satscan.org/, Sugahara L, Souza L B, 2002, Vítimas
fatais da violência e mercados de drogas na Região Metropolitana de São Paulo (LES/PUCSP, São
Paulo)
Krivo, L.J., Peterson, R.D. (1996) Extremely disadvantaged neighborhoods and urban crime.
Social forces, 75:619-650.
Kulldorff, M. 1997. A spatial scan statistic. Communications in Statistics: Theory and methods
26:1481-1496.
Linnoila, V. M., Virkkunen, M. (1992) Aggression, suicidality and serotonin. The Journal of
Clinical Psychiatry, 53:46-51.
Maes, M., Meltzer, H.Y., Suy, E., De Meyer, F. (1993b) Seasonality in severity of depression:
relationships to suicide and homicide occurrence. Acta psychiatric Scandinavian, 88:156-161.
??Nome da revista
Mercer Human Resources (2004) Quality of Living report. Available at: http://www.mercerhr.com/
(7th July, 2004)
Michael, R.P. and Zumpe, D. (1983) Sexual violence in the United States and the role of season.
American journal psychiatry, 140:880-886.
Petland, W.E., Harvey, A.S., Lawton, M.P., McColl, M.A. (1999) Time use research in the social
sciences. New York: Kluwer Academic/Plenum.
Pinsky, I., Laranjeira, R. (2003) Alcohol Consumption in Brazil: recent public health aspects. The
Globe, 3. Available at: http://www.ias.org.uk/publications/theglobe/03issue3/globe0303_p17.html
(18th October 2004)
Quetelet, A. (1842) Of the development of the propensity to crime. In: A treatise on man.
Edinburgh, Chambers, 82-96, 103-108.
Rotton, J., Cohn, E., Peterson, A., Tarr, D.B. (2004) Temperature, city size, and southern subculture
of violence: support for Social Scape/Avoidance (SEA) Theory. Journal of Applied of Social
Psychology, 34:1-24.
Sampson, R.J., Wilson, W.J. (1995) Toward a theory of race, crime and urban inequality. In: Crime
and inequality. J. Hagan, R.D. Peterson (eds.), Stanford: Stanford university press, 37-57.
SSP – Secretaria de Seguranca Publica (2003) Sazonalidade na criminalidade no Estado de São
Paulo, Boletim CAP, 2, 2º Trimestre.
Semmens, N., Dillane, J., and Ditton, J. (2002) Preliminary findings on seasonality and the fear of
crime (research note). British journal of criminology. 42:798-806.
Sobral, H.R. (1989) Air pollution and respiratory diseases in children in Sao Paulo, Brazil. Social
science and medicine, 29:959-64.
Sykora, L. (1994) Local urban restructuring as a mirror of globalization processes: Prague in the
29
1990s. Urban Studies 31:1149-1166.
UN – United Nations (2003) Country profile: Brazil. Office on Drugs and crime. Available at:
http://www.unodc.org/pdf/brazil/brazil_country_profile.pdf (7th July 2004)
Wilson, W. J. (1987) The truly disadvantaged: the inner city, the underclass and the public
policy. Chicago: University of Chicago Press.
WorldClimate (2004) Average temperature. Available at http://www.worldclimate.com/ (24th
Appendix 1 – Cases of homicides by seasons in São Paulo, 2000-2002
Mean by day
Standard
Deviation
Lower Bound
Upper Bound
Spring (N=272)
14,6
6,06
13,9
15,3
Summer (N=269)
16,7
6,59
15,9
17,5
Autumn (N=275)
16,0
6,21
15,3
16,7
Winter (N=261)
13,8
6,00
13,1
14,6
Appendix 2 – Description of the data set
Variables
Descriptions
1. Crime Variable
Homicide records from July 2001 to June 2002
Homicide records per day from July 2001 to June 2002
Source: INFOCRIM, Secretaria de Segurança Pública de São Paulo
2. Temporal
variables
Month of the year (sheaf coefficient)
Dummy for major (1 = New Year’s eve, New Year’s Day, Christmas eve, Christmas day,
Independency day, Republic proclamation day, Carnaval, Tiradentes, 0 = otherwise)
models 1 and 2
Dummy for weekend (1= Sunday, Saturday, 0 = otherwise) models 1 and 2
Dummy for pay check days (first seven office days of each month)
Dummy for night time (10 pm to 07 am)
3. Weather
variables
Temperature (ºC) from July 2001 to June 2002
Wind speed (m/s)
Relative Humidity (%)
Precipitation (rain, in mm)
Air pression (mb)
Sun light (hours)
Cloud cover (dec)
Visibility (m)
Source: INMET – Instituto Nacional de Meteorologia, Station : 83781,
Latitude: 23:30 S, Longitude: 46:37 W
4. Control
variables
Variable containing 1 to 365 days – Models 1 and 2
Variable containing 1 to 52 weeks – Model 3
30
Análise de séries temporais de criminalidade
Túlio Kahn6 (rascunho 07/11/04, favor não citar)
Introdução
Desde janeiro de 2000 a Secretaria de Segurança Pública de São Paulo publicou 55 vezes estimativas
mensais de criminalidade para a Capital, criando com isso uma série histórica de onde é possível
estimar não apenas tendências para o futuro – isto é, a direção geral da criminalidade em um período
curto de tempo – mas também outros movimentos, tais como variações cíclicas, sazonais e irregulares – que permitem entender o que está por traz das subidas e quedas na criminalidade e testar o
efeito de políticas de segurança pública. (dados disponíveis em www.ssp.sp.gov.br)
Como já observado em diversas pesquisas criminológicas, os crimes também estão sujeitos a variações cíclicas, sazonais e irregulares: no verão os dias são mais longos e as pessoas vão mais as ruas,
aumentando as oportunidades para o cometimento de crimes; nas férias as pessoas viajam e deixam
as casas desprotegidas, facilitando os arrombamentos; na volta as aulas crescem os furtos e roubos
de automóveis em torno das universidades, nos finais de semana e feriados as pessoas estão mais
em casa, aumentando a ocorrência de violência doméstica e assim por diante. A passagem do tempo
não é linear, pois implica em mudanças climáticas, alteração das atividades sociais e econômicas,
favorecendo ou inibindo a ocorrência de determinados crimes. Em outras palavras, existem diversas
situações e fatores ligados ao calendário anual que explicam porque a criminalidade sobe ou desce,
sistematicamente, em certos momentos.
Assim, por exemplo, a análise dos homicídios na Capital, entre 2000 e 2004 sugere a existência de
um padrão temporal claro, com picos no 1º e 4º trimestres de cada ano e quedas nos 3º trimestres.7
Neste artigo procuramos explorar recursos para a análise de séries temporais, utilizando como
exemplo dados de homicídio, furto e roubo na Capital entre 2000 e 2004. Entre outros tópicos, o texto
discute formas de estimar a criminalidade futura a partir do passado e faz previsões para homicídios,
furto e roubos na Capital até dezembro de 2004. Procura-se demonstrar o uso destas estimativas para
a avaliação de políticas públicas, tomando como exemplo o Estatuto do Desarmamento, em vigor
desde dezembro de 2003. Os resultados sugerem que o Estatuto contribuiu para a redução de cerca
de 5% dos homicídios dolosos na cidade.
6
7
Doutor em ciência política e atualmente Coordenador de Análise e Planejamento na Secretaria de Segurança Pública de São Paulo
ANOVA por trimestre resultou num F = 2,543 significante a .06
31
Cuidados metodológicos no uso das séries temporais
Uma série temporal de dados é simplesmente uma coleção de observações quantitativas, como
crimes, feita a intervalos regulares, como anos, meses, dias ou horas – ou, alternativamente, uma
seqüência de medições no tempo que segue uma ordem não aleatória.
A análise de séries históricas permite descrever matematicamente os movimentos que as compõem e
podemos representar uma série histórica qualquer pela soma de seus quatro componentes:
Série = tendência + variações cíclicas + variações sazonais + variações irregulares.
As variações cíclicas mostram as oscilações de longo prazo, de subida ou descida, que se observam
na tendência criminal e em geral acontecem em períodos maiores que um ano. As variações sazonais,
por sua vez, são padrões que variam segundo as estações de um ano, de prazo mais curto, enquanto as
variações irregulares recebem tal nome porque não obedecem a um padrão uniforme e são causadas
por eventos aleatórios de muito curto prazo.
Analisar séries estatísticas exige vários cuidados, em função das particularidades das séries temporais: assim, por exemplo, do ponto de vista estatístico é preciso lidar com o problema da autocorrelação e dependência serial, enquanto do ponto de vista conceitual é preciso saber separar os efeitos da
passagem do tempo em si dos efeitos indiretos da idade, período ou geração selecionada na amostra,
no caso de se estar trabalhando com respostas de indivíduos.
Se estivermos tentando medir a “sensação de insegurança” no decorrer dos anos e encontrarmos um
aumento da insegurança nos dados, isto pode ser o resultado de termos selecionado uma amostra de
pessoas mais velhas na última medição, onde o sentimento de insegurança é geralmente maior. Esta
é apenas uma das inúmeras armadilhas na interpretação de séries temporais.
Além disso, é preciso saber enxergar a tendência real subjacente aos dados, excluindo-se os efeitos
perturbadores dos movimentos cíclicos, sazonais ou erráticos, que freqüentemente embaralham a
visualização dos fenômenos. Isto requer um tratamento prévio dos dados – decompondo a série em
seus diversos elementos a fim de obter a desejada “estacionariedade”, que é um dos pré-requisitos
para submeter uma série temporal a análises estatísticas mais sofisticadas.
Um erro muito comumente encontrado é o de correlacionar série de dados (indicadores criminais e
econômicos, por exemplo) com tendência ascendente, levando a identificação de correlações espúrias apenas porque ambas as séries estão subindo, sem que haja necessariamente uma relação
causal entre elas.
Vejamos como exemplo o correlograma da série de homicídios dolosos no Estado entre 2000 e
agosto de 2004. O gráfico da Função de Autocorrelação abaixo mostra uma situação que é muito
comum nas séries temporais criminais: uma correlação elevada no Lag 1 que vai lentamente diminuindo nos lags posteriores, o que é um forte indicador de que existe dependência serial nos dados e
que, portanto, eles precisam ser devidamente tratados antes de correlacionarmos esta variável com
outras variáveis.
32
O Gráfico de Autocorrelação Parcial abaixo é outro instrumento útil para checar dependência serial e
seu formato é igualmente revelador: elevada correlação do Lag 1 e ausência de correlações nos lags
subseqüentes. As séries de homicídio doloso, furtos e roubos na Capital mostraram todas padrões
semelhantes, tanto no gráfico de autocorrelação quanto no de correlação parcial: PACF significante
no Lag 1 mas não significantes nos demais e ACF declinando lentamente. Estas informações são
importantes para utilizar como parâmetros no modelo ARIMA ou em análises de regressão, como
veremos adiante.
Tomados os devidos cuidados, a análise de séries temporais torna-se uma ferramenta importante para,
entre outros objetivos:
1.
Fornecer modelos interpretativos que expliquem as variações para cima ou para baixo
observadas nos crimes
2.
Prever quais serão os níveis de criminalidade nos períodos vindouros
3.
Medir o efeito de políticas públicas elaboradas para reduzir a criminalidade
33
Objetivo 1 - Fornecer modelos interpretativos que expliquem as variações para cima ou para
baixo observadas nos crimes
Quando observamos a série temporal de furtos em São Paulo, vemos que eles têm crescido
linearmente no período analisado; como os níveis de desemprego no país são igualmente crescentes
no período tratado, a variável surge como candidata plausível para entendermos o crescimento dos
furtos.
Um primeiro passo para checar a correlação entre desemprego e furtos é efetuar uma “correlação
cruzada” entre as variáveis. O procedimento só pode ser utilizado, todavia, em séries temporais que
sejam “estacionárias”, isto é, tenham passado previamente por um tratamento de “diferenciação”. Do
contrário, como vimos, podemos encontrar correlações espúrias entre desemprego e furto, apenas
porque ambos estão subindo.
Se correlacionarmos então as séries de desemprego masculino e furto no Estado, sem nenhum
tratamento para obter estacionariedade, vamos encontrar correlações positivas e significativas entre
as variáveis, em todos os lags, inclusive nos negativos, simplesmente porque ambas as séries estão
crescendo, como mostra o gráfico abaixo.
Por outro lado, se utilizarmos o mesmo procedimento com as séries tratadas por um processo de diferenciação – ou seja, com ambas as séries estacionárias – notamos que as correlações simplesmente
desaparecem e se tornam erráticas, sugerindo novamente que a correlação antes observada entre
desemprego masculino e furto não é tão forte e imediata quanto se imagina.(sobre este aspecto, ver
trabalho recente da SSP, Desemprego, Rendimento e Crime: um estudo no Município de São Paulo)
34
Fica clara deste modo a necessidade de tratar previamente os dados e diagnosticar a existência de
dependência serial antes de os correlacionarmos com outras variáveis, sob risco de sermos induzidos
a erros de interpretação, como sugerir que dois eventos estão causalmente ligados apenas porque se
movem simultaneamente na mesma direção.
Os gráficos abaixo, num segundo exemplo, analisam a relação entre o número de pessoas presas
em flagrante e crimes contra o patrimônio como furto e roubo. O primeiro fato digno de nota é que
parece existir uma correlação positiva mês a mês entre as séries (aqui já tratadas pelo processo de
diferenciação): de tal forma que, quanto maior o número de roubos e furtos num mês, maior também
o número de pessoas presas no mesmo mês (R = .53 com furto e R= .71 com roubo). A correlação
positiva era esperada uma vez que se sabe que a maior parte dos flagrantes ocorrem em situações
de furto e roubo e quanto mais destes crimes são cometidos, maiores as chances de um flagrante
policial.
35
Correlations
DIFF(pres
DIFF(presos,1)
DIFF(presos,1)
DIFF(presos,1)
**.
DIFF(rou
Pearson Correlation
Sig. (2-tailed)
N
Pearson Correlation
Sig. (2-tailed)
N
1
.
44
,537**
,000
43
,537**
,000
43
1
.
55
,711**
,000
43
,737**
,000
55
Pearson Correlation
Sig. (2-tailed)
N
,711**
,000
43
,737**
,000
55
1
.
55
Correlation is significant at the 0.01 level (2-tailed).
O gráfico de correlação cruzada confirma a forte correlação positiva entre número de roubo e número
de pessoas presas em T0 mas, mais interessante que isso, aponta também para uma correlação
significativa e negativa em T+1, sugerindo assim que existe um efeito positivo da prisões sobre o nível
de criminalidade no mês subseqüente. Em outras palavras, quanto mais prisões são efetuadas num
determinado mês, menor a quantidade de furtos e roubos no mês seguinte, quer pelo incapacitação
quer pelo efeito intimidação que estas prisões provocam. Este formato é idêntico tanto com roubos
quanto com furtos.
Vimos nestes dois exemplos a necessidade de tratar os dados temporais antes de os correlacionarmos
com outras variáveis e de identificar a existência ou não de correlação serial. Depois de corrigidos
podemos correlacioná-los com outras variáveis em busca da existência de eventuais relações entre
elas e quando (em que hiato temporal) elas ocorrem: para ficar nos exemplos citados, verificamos
a inexistência de vínculos imediatos entre desemprego masculino e furtos no período analisado
mas encontramos indícios de que o aumento dos crimes contra o patrimônio aumenta a quantidade
de flagrantes no mesmo período e estes, por sua vez, diminuem a quantidade de crimes contra o
patrimônio no período seguinte.
Remover a dependência serial através do processo de diferenciação é também um passo necessário
para uma análise preditiva do tipo ARIMA, que requer estacionariedade da série, como veremos
mais a frente, ao passarmos em revista alguns métodos para estimarmos os crimes no futuro a partir
do comportamento passado.
36
Objetivo 2 - Prever quais serão os níveis de criminalidade nos períodos vindouros
No tópico acima vimos que a preocupação central é de natureza teórica, no sentido de compreender
que fatores causam as variações observadas nas séries de dados, correlacionando por exemplo furto
e desemprego. Para predizer valores futuros de uma série estatística, por outro lado, não é preciso
conhecer nada de substantivo sobre o fenômeno retratado, mas apenas identificar corretamente os
padrões (tendência, ciclicidade e sazonalidade, por exemplo) e daí extrapolá-los para os eventos
futuros.
Utilizando dados de homicídio, roubo e furtos no Município de São Paulo entre janeiro de 2000 e
agosto de 2004, procuramos estimar o número mensal destes crimes até dezembro de 2004, lançando
mão de três diferentes métodos: suavização exponencial, ARIMA e decomposição sazonal.
A Tabela abaixo traz os dados observados para os três tipos de crime. Note que a tabela já traz os dados
de setembro de 2004 – 276 homicídios, 13.125 furtos e 9.768 roubos - que serão usados para aferir
quão acurada foram as previsões nos três diferentes métodos.
2004
ANO/MÊS
Jan
Fev
Mar
Abr
Mai
Jun
Jul
Ago
Set
Out
Nov
Dez
HOMICÍDIOS
DOLOSOS
FURTO
ROUBO
313
292
299
304
298
314
288
253
276
11936
11220
12923
12162
12654
12861
12666
13206
13125
9931
9665
11374
10656
10303
10890
10089
10207
9768
Método da Suavização Exponencial
A suavização exponencial (exponencial smoothing) é um método de análise temporal onde o
investigador está menos interessado em construir um modelo explicativo para o fenômeno e mais
em previsões para o próximo período baseado no comportamento anterior da série, principalmente a
tendência mais recente. Trata-se de uma espécie de média-móvel, onde as observações mais recentes
recebem um “peso” relativamente maior do que as mais antigas, que recebem por sua vez pesos
exponencialmente menores. Este é um modelo de previsão popular em virtude de sua elevada eficácia
e simplicidade.
Se o interesse está na previsão de apenas um período adiante – por exemplo, prever a taxa de homicídio
de setembro de 04 a partir de uma série mensal dos últimos anos que vá até agosto de 2004 – pesquisas
empíricas sugerem que a suavização exponencial é o método mais preciso, entre 24 outros métodos de
análise serial. O gráfico abaixo plota a série observada de homicídios dolosos no Estado no período,
bem como a série prevista pela suavização exponencial dos dados.
37
A tabela abaixo foi construída utilizando o método de suavização exponencial8 e previu que em
setembro de 2004 teríamos em São Paulo cerca de 266 homicídios. A mera inspeção visual dos dados reais (em azul) comparados com a previsão (em verde) mostra a adequação das estimativas. De
fato, tivemos 276 homicídios na Capital em setembro, o que implica num erro de apenas 10 casos ou
0,3%.
Os furtos foram 13.125 em setembro quando o previsto eram 12.810, um erro de 315 casos para
menos, ou 0,2%. Os roubos, finalmente, foram 9.768 pelas estatísticas oficiais, quando prevíamos
10.186 casos pelo método da suavização, um erro de 418 casos para mais, ou 0,4%.
Case Summariesa
Fit for
Homicdio
Doloso from
EXSMOOTH
MOD_36 LA A
,60 G ,00 D
,00
Fit for Furto
from
EXSMOOTH
MOD_36 LA A
,20 G ,00 D
,40
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
311,6
311,0
298,1
297,2
299,8
297,3
305,9
291,9
265,9
264,5
263,0
261,6
12435,6
11770,2
12323,9
12424,9
12804,0
12325,7
12937,0
12824,8
12810,1
13550,3
13120,8
13399,2
12
12
Date. Format
“MMM/YYYY”
1
2
3
4
5
6
7
8
9
10
11
12
Total
a.
N
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
12
Fit for Roubo
from
EXSMOOTH
MOD_36 LA A
,50 G ,00 D
,80
10812,9
10289,9
10878,8
11077,5
11061,8
10114,7
10911,7
10390,3
10186,7
10524,7
9969,0
9714,0
12
Limited to first 100 cases
Embora o método seja mais preciso quando utilizado para prever um período adiante, estimamos na
tabela os valores previstos até o final de 2004, que apontam , mantidas as mesmas condições, para a
continuidade da queda dos homicídios e roubos, bem como do aumento dos furtos na Capital.
8
Exponential Smoothing no SSP, com os parâmetros Alpha .6 Gama .0, selecionados por “busca de grade”
38
Método ARIMA
Uma alternativa à suavização exponencial é o uso do modelo ARIMA para predição de eventos futuros,
cuja tradução seria aproximadamente Modelo Autoregressivo Integrado de Médias Móveis, porque
ele leva em conta simultaneamente tanto parâmetros “autoregressivos” como de médias móveis (p,q,d
- na linguagem dos criadores do modelo). Além da estacionariedade da série, é preciso pelo menos 50
observações para que o modelo estime parâmetros apropriados.9
Aqui estaremos utilizando uma série de 54 observações mensais de crimes para a cidade de São Paulo,
de janeiro de 2000 a agosto de 2004. O gráfico abaixo compara os números oficiais de homicídios com
a série prevista pelo método ARIMA
Case Summariesa
Fit for
Homicdio
Doloso from
ARIMA MOD_
73 CON
Fit for Furto
from
ARIMA MOD_
73 CON
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
317,4
312,7
295,0
290,4
296,2
294,8
301,7
291,3
259,4
250,2
248,3
243,4
12453,1
12306,4
11716,4
12170,3
12681,6
12526,6
12880,8
12759,9
12782,7
12990,6
13009,6
13126,6
12
12
Date. Format
“MMM/YYYY”
1
2
3
4
5
6
7
8
9
10
11
12
Total
a.
N
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
12
Fit for Roubo
from
ARIMA MOD_
73 CON
10294,2
9999,5
9787,0
10826,9
10931,2
11115,7
11061,8
10166,8
9846,0
9878,6
9899,5
9924,3
12
Limited to first 100 cases
Como vimos anteriormente, tivemos 276 homicídios na Capital em setembro, o que implica num erro
de apenas 17 casos ou 0,6 %.
9
Os parâmetros mais adequados são selecionados através de uma “busca de grade”, onde diferentes parâmetros são testados, sendo escolhidos, como sempre, aqueles que produzem as menores somas dos quadrados dos resíduos.
39
Os furtos foram 13.125 em setembro quando o previsto eram 12.782, um erro portanto de 343
casos para menos, ou 0,26 %. Os roubos, finalmente, foram 9.768 pelas estatísticas oficiais, quando
prevíamos 9.846 casos pelo método ARIMA, um erro de 78 casos para mais, ou 0,07%.
Decomposição Sazonal
Decomposição significa separar uma série temporal em seus quatro elementos: tendência (linear,
exponencial, logarítmica, etc.), movimentos sazonais (aditivos ou multiplicativos), cíclicos e
irregulares. Esta decantação de elementos é feita através de sucessivas subtrações ou divisões da
série original pelas suas médias móveis e componentes sazonais.
Assim como no processo de diferenciação, a decomposição sazonal procura descontar estes efeitos
e obter assim a série “pura” e pode ser pensada como uma etapa preparatória para outras análises.
Por outro lado, tendo identificado e isolado cada um destes elementos, ela também pode ser utilizada
como um método preditivo, resultando numa nova série de dados que é “sazonalmente ajustada”.
O gráfico abaixo ilustra o resultado do procedimento, trazendo em azul a série real de homicídios
dolosos e em verde a série “sazonalmente ajustada”.
Case Summariesa
Seas adj ser
for FIT_5 from
SEASON,
MOD_21 ADD
CEN 12
Seas adj ser
for FIT_6 from
SEASON,
MOD_26 ADD
CEN 12
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
2004
303,3
294,3
293,0
279,8
285,0
288,0
319,3
311,9
281,3
286,7
265,6
259,5
12409,7
12084,7
12295,1
12568,4
12678,4
12582,9
13051,3
12846,5
12844,8
13202,3
12999,6
13162,8
12
12
Date. Format
“MMM/YYYY”
1
2
3
4
5
6
7
8
9
10
11
12
Total
a.
N
Jan
Feb
Mar
Apr
May
Jun
Jul
Aug
Sep
Oct
Nov
Dec
12
Seas adj ser
for FIT_7 from
SEASON,
MOD_26 ADD
CEN 12
11070,0
10792,8
10805,8
10973,6
10698,4
10132,2
10793,2
10223,3
10278,6
10238,1
9946,7
9979,3
12
Limited to first 100 cases
40
Uma vez que tivemos 276 homicídios na Capital em setembro, o método da decomposição sazonal
produziu um erro de 5 casos para mais ou 0,18%.
Os furtos foram 13.125 em setembro quando o previsto eram 12.844, um erro portanto de 281 casos
para menos, ou 0,2%. Os roubos, finalmente, foram 9.768 pelas estatísticas oficiais, quando prevíamos
10.278 casos pelo método da decomposição sazonal, um erro de 510 casos para mais, ou 0,5%.
A conclusão é de que, ao menos para a previsão de um período a frente, os três métodos são adequados
e produzem estimativas bastante próximas da realidade. Estas previsões podem ser utilizadas para
readequar recursos policiais segundo meses do ano (operações versão e inverno, por exemplo, são
baseadas nestas variações) mas a principal vantagem é que elas nos fornecem um parâmetro para
avaliar quão bem sucedidas foram as políticas colocadas em prática para lidar com a criminalidade.
Sabendo qual seria a tendência criminal se nada fosse alterado, podemos comparar os resultados
obtidos depois de operações e políticas especiais e medir deste modo os resultados destas ações, como
veremos nos parágrafos seguintes.
Objetivo 3 -Medir o efeito de políticas públicas elaboradas para reduzir a criminalidade
Um dos problemas mais complicados para o administrador público é o de medir o efeito de uma
determinada política pública sobre os níveis de criminalidade. Para chegar a resultados minimamente
confiáveis, é preciso de um desenho de pesquisa do tipo “antes-depois com grupo de controle”,
tomando todo o cuidado para garantir que o grupo de controle seja o mais parecido possível com o
grupo / área onde se está implementando a nova política, de tal forma que a única diferença entre elas
seja, dentro do possível, a existência ou não da inovação que se está querendo testar.
Quando não se usa um grupo de controle mas apenas uma comparação de dados criminais “antes e
depois” do experimento a situação é mais complicada, pois é preciso distinguir o que é efetivamente
efeito da política posta em prática e o que é apenas o resultado de um movimento cíclico, sazonal, ou
de uma tendência declinante prévia da criminalidade na área.
Sabe-se que os homicídios dolosos vêm caindo desde 2000 no Estado de São Paulo. Diversos
municípios no Estado adotaram nos últimos anos a chamada “Lei Seca” e implementaram políticas
sociais com jovens de periferia – perfil preferencial das vítimas de homicídio. O Governo federal, por
sua vez, editou o Estatuto do Desarmamento no final de 2003 e o Estadual diversas outras medidas
para atacar o problema. Como isolar o efeito puro de cada uma destas novas políticas de segurança
– se é que os efeitos existem – e descontar da tendência declinante anterior? Como avaliar se estamos
diante de um efeito permanente ou apenas temporário? Se o efeito é abruto ou gradual?
Tomemos como exemplo o Estatuto do Desarmamento, cuja data de implementação é possível
determinar com precisão – dezembro de 2003 – e examinemos a série de homicídios na Capital antes e
depois desta data. Obviamente que os efeitos não são necessariamente imediatos e podem levar meses
ou mesmo anos para que possam ser observados nas estatísticas criminais, uma vez que o estoque de
armas em circulação é elevado. É preciso levar em conta igualmente que São Paulo faz campanhas de
desarmamento voluntário desde 1999 e mantém uma política rígida de concessão de portes e registros,
de modo que os efeitos do Estatuto do Desarmamento sejam talvez menores aqui do que em outras
cidades do país.
No gráfico abaixo são mostradas para antes e depois de dezembro de 2003 as séries de homicídios
dolosos na Capital em seus diversos formatos – série observada, séries previstas por diversos métodos,
séries estacionarizadas ou decompostas. É difícil discernir a olho nu os efeitos da medida, uma vez
que a série simplesmente continua sua trajetória declinante.
41
Para testar o efeito isolado do Estatuto vamos ignorar por um momento a série real de homicídios
entre janeiro e setembro de 2004 e rodar modelos ARIMA e de Suavização Exponencial apenas
com os dados de janeiro de 2000 a dezembro de 2003. A partir daí, vamos prever quantos seriam os
homicídios dolosos na Capital entre janeiro e setembro de 2004. Comparando a freqüência observada
de homicídios mês a mês com a freqüência esperada segundo a previsão dos dois modelos, podemos
verificar a direção e a magnitude do efeito do Estatuto sobre os Homicídios, supondo que esta tenha
sido a única mudança relevante no período analisado.
Os dados sugerem que, com exceção de junho, houve realmente nos demais meses menos homicídios
do que se esperaria, mantida a tendência anterior, embora a redução adicional tenha sido pequena:
cerca de 137 casos a menos no período, num universo de 2632 homicídios, ou 5%).10
ANO
MÊS
2004
2004
2004
2004
2004
2004
2004
2004
2004
jan
fev
mar
abr
mai
jun
jul
ago
set
Total
Hom. Dol. (a)
Anima (b)
expsmoth C
313
292
299
304
298
314
285
251
276
318
317
313
310
306
303
299
296
293
321
317
314
311
308
304
301
298
295
2632
2754
2769
(a-b)
(a-b)
-5
-25
-14
-6
-8
11
-14
-45
-17
-8
-25
-15
-7
-10
10
-16
-47
-19
-122
-137
Levando-se em consideração, como vimos no tópico 2, que os modelos ARIMA e de suavização
exponencial produzem boas predições sobre o comportamento futuro da série, pode-se atribuir a
diferença entre as predições e o número de homicídios observado especificamente à influência do
Estatuto do Desarmamento – que fez não só com que muitos indivíduos entregassem suas armas
mas principalmente, que evitassem sair armados na rua , salvando cerca de 137 vidas entre janeiro e
setembro de 2004, apenas na Capital.
10
De janeiro a setembro de 2003, também observamos uma diferença entre a freqüência observada e a esperada, mas de
apenas - 29 casos.
42
Apreensão de Armas
Uma outra maneira de medir o efeito do Estatuto do Desarmamento depois de dezembro de 2003
é olhar para a atividade policial de “apreensão de armas” divulgada trimestralmente desde 1995.
Utilizando o método da suavização exponencial com dados do 3º trimestre de 1995 ao 4º trimestre de
2003, procuramos prever qual seria o volume de apreensões de arma por trimestre em 2004, a partir
das tendências anteriores.
O gráfico e a tabela abaixo revelam uma diferença substancial entre o volume de apreensões de armas
previsto e o volume efetivamente apreendido pela polícia.
Case Summariesa
Date. Format
“QQ/YYYY”
1
2
3
4
5
6
7
8
Total
a.
N
Q1
Q2
Q3
Q4
Q1
Q2
Q3
Q4
2003
2003
2003
2003
2004
2004
2004
2004
8
Armas
Apreendidas
9571
10213
10007
9760
9256
8719
8189
.
7
prev 2003
Diferença
9514,27
9798,81
9909,83
10130,38
10056,00
10272,00
10185,00
10261,00
8
56,73
414,19
97,17
-370,38
-700,00
-1553,00
-1996,00
.
7
Limited to first 100 cases
A diferença entre o volume de apreensões de armas previsto e o volume observado foi de 700 armas a
menos no primeiro trimestre de 2004, 1553 armas no segundo e 1996 armas no 3º trimestre de 2004,
ou seja cerca de 24% menos armas nas ruas do que o esperado, se tomarmos como referência o 3º
trimestre. Uma vez que não se tem informação sobre qualquer redução na atividade policial em si,
como se depreende do gráfico abaixo, a diferença se deve provavelmente ao efeito da entrada em vigor
do Estatuto do Desarmamento no final de 2003, que fez com que muitas armas fossem voluntariamente
doadas (logo, deixaram de ser apreendidas pela polícia) e, principalmente, que menos pessoas saíssem
armadas na rua. Segundo o Ministério da Justiça, o estado de São Paulo ocupa o 1º lugar em números
absolutos no ranking de armas entregues pela população à Polícia Federal, com 45.741 armas (até
05/11). No país foram entregues mais de 160 mil armas, 28,5% das quais provenientes do estado.
43
No gráfico abaixo estão em azul todas as Intervenções feitas pela Polícia Militar no Estado entre
2000 e 2004, que compreendem o atendimento de ocorrências policiais, atendimentos sociais,
resgate, veículos localizados, prisões em flagrante, atos infracionais, procurados capturados, armas
de fogo apreendidas e apreensão de entorpecentes. A linha verde traz o número de Intervenções,
mas excluindo os atendimentos sociais, os regates do Corpo de Bombeiro e as apreensões de armas
de fogo. Como quer que seja, ambas as linhas são ascendentes no período e sugerem que o menor
número de apreensão de armas no Estado se deveu realmente à diminuição de armas em circulação e
não a redução da atividade policial.
Outra característica reveladora é que a apreensão de armas cai de forma homogênea em todas as áreas
do Estado e todas as seccionais da Capital, entre o terceiro trimestre de 2003 e o terceiro trimestre
de 2004. Trata-se portanto de um fenômeno generalizado provavelmente originado de uma origem
comum e uniforme, como a entrada em vigor do Estatuto do Desarmamento, pois parece inverossímil
que, simultaneamente, todas as unidades policiais tenham reduzido sua produtividade na apreensão
de armas.
Departamentos / CPIs – Interior
Seccionais / CPAs - Capital
3º Trim 03
3º Trim 04
Var %
ÁREA
DEINTER 1
494
389
-21%
DEINTER 2
1349
1109
DEINTER 3
693
DEINTER 4
3º Trim 03
3º Trim 04
Var %
ÁREA 1
199
195
-2,01%
-18%
ÁREA 2
343
270
-21,28%
574
-17%
ÁREA 3
472
317
-32,84%
744
492
-34%
ÁREA 4
451
326
-27,72%
DEINTER 5
505
383
-24%
ÁREA 5
260
247
-5,00%
DEINTER 6
594
430
-28%
ÁREA 6
550
476
-13,45%
DEINTER 7
621
558
-10%
ÁREA 7
415
321
-22,65%
ÁREA 8
299
284
-5,02%
DEINTER
44
Conclusão
Não temos aqui qualquer intenção de esgotar o tema da análise temporal de dados criminais e seus
métodos nem de aprofundar as complexas questões da correlação entre crime e desemprego ou de
mensuração do efeito de políticas públicas como o Estatuto do Desarmamento. O uso de série temporais é complexo mas traz inúmeras possibilidades de análise quando a metodologia é corretamente
selecionada e utilizada.
Uma das maiores dificuldades na interpretação de dados sociais é a de “pensar contrafactualmente”,
ou seja, imaginar qual teria sido a trajetória de um fenômeno qualquer “se” determinado evento não
tivesse ocorrido. A modelagem de séries temporais e a previsão de períodos à frente permite simular a
condição “contrafactual” e assim comparar o que foi (freqüência observada) com aquilo que deveria
ter sido (freqüência esperada) , na ausência do evento de interesse (uma política pública, um evento
dramático, uma nova lei, etc). A metodologia nos permitiu estimar, assim, um efeito do Estatuto do
Desarmamento da ordem de 5% na redução dos homicídios na Capital, bem como uma redução de
24% no volume de armas em circulação no Estado.
Bibliografia
Morettin, Pedro A. Economia Financeira: um curso em séries temporais financeiras. IME/USP –
Março de 2004
Barata, Rita Barradas; Almeida Ribeiro, Manoel Carlos Sampaio de; Moraes, José Cássio de .Tendência temporal da mortalidade por homicídios na cidade de São Paulo, Brasil, 1979-1994. Cad. Saúde
Pública, Rio de Janeiro, 15(4):711-718, out-dez, 1999.
Fajnzylberg, Pablo e Araújo Junior, Ari Francesco. O que causa a criminalidade violenta no Brasil?
Uma análise a partir do modelo econômico do crime: de 1981 a 1996. UFMG, Faculdade de Ciências
Econômicas, texto para discussão nº 162.
Piquet Carneiro, Leandro e outros. Desemprego, rendimentos e crime: um estudo no Município de
São Paulo. Estudos Criminológicos nº 2, Mimeo, SSP, fevereiro de 2004.
45