Coordenadoria de Análise e Planejamento CAP
Transcrição
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