top of page
logo brasil data science.png

Mantenha-se atualizado diariamente com conteúdos sobre Data Science.

  • Foto do escritorGustavo Costanti Lara

Análise de dados sobre a criminalidade no Rio de Janeiro

Atualizado: 21 de fev. de 2021


É de conhecimento de todos que a criminalidade é um grande problema social no estado do Rio de Janeiro. Do meu ponto de vista, os problemas de segurança pública devem ser enfrentados por meio de políticas públicas com metas definidas, tendo como base o diagnóstico de dados reais.

Tendo em vista as atuais leis de acesso à informação, o governo do Rio de Janeiro teve a iniciativa de disponibilizar dados sobre a segurança pública do estado no portal ISPDados.


1. Obtenção dos Dados

Conforme anteriormente mencionado, os dados foram obtidos diretamento do portal ISPDados, uma página de Dados Abertos do Instituto de Segurança Pública do Rio de Janeiro.

As estatísticas divulgadas no portal são construídas a partir dos Registros de Ocorrência (RO) lavrados nas delegacias de Polícia Civil do estado do Rio de Janeiro, além de informações complementares de órgãos específicos da Polícia Militar.

Como forma de criar um controle de qualidade, antes de serem consolidados no ISP, os Registros de Ocorrência são submetidos à Corregedoria Interna da Polícia Civil (COINPOL). As estatísticas produzidas baseiam-se na data em que foi confeccionado o Registro de Ocorrência.

Neste projeto utilizamos o dataset em formato csv que pode ser baixado diretamente neste link ou no portal ISPDados..


Importando os dados

Primeiramente devemos importar os pacotes necessários, transformar o dataset em um Dataframe e exibir suas primeiras 5 linhas para nos auxiliar na visualização dos dados e compreensão das variáveis.

Por padrão, ao importarmos um arquivo em formato csv em um DataFrame, a biblioteca Pandas considera a separação das colunas pelas vírgulas, isso porque csv significa comma separated values (valores separados por vírgulas). No entanto, o dataset disponibilizado pelo Instituto de Segurança Pública do Rio de Janeiro utiliza ponto e vírgula (;) para separar as colunas. Para resolver esse problema, adicionei o atributo sep=’;’ ao importar o dataset em um DataFrame.

Além disso, os espaços que não contém dados coletados foram adicionados como um espaço vazio (‘ ‘) ao invés de receberem o valoro de NaN (Not a Number). Isso pode ocasionar problemas no momento em que formos tratar os dados. Para resolver esse problema, adicionei o atributo na_values=’ ‘ para substituir os espaços vazios por NaN.

Antes de iniciarmos a análise dos dados é importante colocar os valores das variáves ano e mes como índice (index) do nosso DataFrame no formato ano/mes. Ademais, devemos remover as colunas ano e mes, já que a data será o índice do nosso DataFrame.

2. Análise inicial (entendendo o DataFrame)

Ao analisar qualquer dataset temos que entender o que as variáveis (colunas) representam. Para isso, precisamos de um dicionário de variáveis.

Dicionário de variáveis

Dentro do portal ISP Dados Abertos, há a página de Notas Metodológicas e Dicionários, na qual o Instituto de Segurança Pública do estado do Rio de Janeiro disponibiliza informações sobre o significado dessas variáveis.

Ao importar os dados do arquivo excel, devemos fazer uma pequena limpeza para nos auxiliar na visualização. Nesse sentido, devemos:

  • Pular as três primeiras linhas, vez que nelas não contém dados relevantes para o nosso dicionário. Para isso, adicionaremos o atributo skiprows=3.

  • Fazer com que a coluna ‘Variável’ seja o índice do nosso DataFrame. Para isso, adicionaremos o atributo index_col=0.

Além disso, precisamos:

  • Retirar as linhas ‘ano’ e ‘mes’, já que elas se referem a variáveis que não existem mais no nosso DataFrame

  • Retirar as colunas ‘Disponibilidade dos dados’ e ‘Observação’, já que a primeira não contém dados relevantes para o nosso dicionário, e a coluna Observação receberá uma explicação à parte.

  • Trocar o valor NaN da linha ‘fase’ para ‘Sem contagem’, pois a ‘fase’ não é um valor que será objeto de contagem.

  • Ajustar a largura da coluna ‘Descrição da variável’.

  • Preencher os valores NaN (Not a Number) nos grupos.

Sobre a coluna ‘GRUPOS’

Como advogado, não pude deixar de notar que na classificação dos crimes em grupos, o Instituto de Segurança Pública do Rio de Janeiro cometeu um equívoco ao não colocar o latrocínio no grupo de roubos. No entanto, acertaram ao considerar o número de latrocínios na variável outros_roubos.

O fato de haver morte não faz do latrocínio crime contra a vida, mas sim crime contra o patrimônio com resultado morte, já que a finalidade do agente é a subtração de bens mediante o emprego de violência, do qual decorre o óbito da vítima ou de terceira pessoa que não o co-autor.

Além disso, foram criados dois grupos distintos, um para o crime de roubo e outro para crimes violentos. Essa separação não faz sentido, visto que o crime de roubo é um crime violento. De acordo com o artigo art. 157 do Código Penal, roubo é “Subtrair coisa móvel alheia, para si ou para outrem, mediante grave ameaça ou violência a pessoa, ou depois de havê-la, por qualquer meio, reduzido à impossibilidade de resistência”.

No entanto, não realizei nenhuma alteração na separação dos grupos realizada pelo o Instituto de Segurança Pública do Rio de Janeiro.

Sobre a coluna OBSERVAÇÃO

A coluna ‘observação’ serve para explicar o significado das variáveis que não ficam tão evidentes apenas com ao ler a descrição da variável.

Segue abaixo a coluna de observação:

  • cvli: Homicídio doloso + Lesão corporal seguida de morte + Latrocínio

  • letalidade_violenta: Homicídio doloso + Lesão corporal seguida de morte + Latrocínio + Morte por intervenção de agente do Estado

  • estupro: Em 2009, o Artigo 214 do Código Penal passou a caracterizar Atentado Violento ao Pudor (AVP) como Estupro. Por isso, antes de 2009, a variável "estupro" é na verdade a soma de "estupro" e "AVP".

  • hom_culposo: Atropelamento + colisão + outros

  • lesao_corp_culposa: Atropelamento + colisão + outros

  • roubo_rua: Roubo a transeunte + Roubo de celular + Roubo em coletivo

  • outros_roubos: Inclui contagem de ocorrências de latrocínio.

  • roubos: Soma de todos os roubos listados.

  • total_furtos: Soma de todos os furtos listados.

  • apreensao_drogas: Refere-se à aglutinação dos títulos de Uso/Porte, Tráfico e Apreensão de substância entorpecente.

  • posse_drogas: A soma dessas variáveis pode ser maior que o número de registros de apreensão de drogas, pois um mesmo registro pode conter mais de um tipo de apreensão de drogas.

  • recuperacao_veiculos: Refere-se à recuperação de veículos, não necessariamente roubados/furtados durante o mês, e/ou roubados/furtados na mesma área.

  • registro_ocorrencias: Total de registros de ocorrências divulgados no mês


Tamanho do DataFrame


Tipos das variáveis

Observa-se que o DataFrame possui apenas valores númericos (ints e floats).


Porcentagem dos valores ausentes

Acima, podemos ver que algumas das variáveis possuem valores faltantes em proporções consideráveis, como é o exemplo dos crimes de roubo e furto de bicicletas, bem como os crimes relacionados à drogas ilícitas. As colunas que não apresentam valores ausentes são aquelas que foram registradas desde janeiro de 1991, isso porque ao longo do tempo foram acrescidas outras variáveis ao dataset, como por exemplo as ocorrências de roubo e furto de bicicleta.

Os valores nulos não influenciarão muito os resultados da nossa análise, pois as ocorrências criminais serão analisadas individualmente.


3. Análise e visualização dos dados (Informações Estatísticas da criminalidade no Rio de Janeiro)

Conforme observado anteriormente, o nosso DataFrame possui 360 linhas referentes às ocorrências criminais, de modo que analisar cada variável uma a uma seria um trabalho estenuante. A melhor abordagem para resolver esse problema é realizar análises separadas de acordo com os grupos que o próprio Instituto de Segurança Pública do Rio de Janeiroe stabeleceu.

Nesse sentido, devemos dividir o DataFrame em seis grupos (crimes violentos, crimes de trânsito, roubos, outros crimes contra o patrimônio, atividade policial e outros registros) e em duas variáveis isoladas que não fazem parte de um grupo(fase e registros de ocorrência). Assim, serão criados 8 novos DataFrames.

Crimes violentos

Para obtermos um resumo dos principais dados relativos aos crimes violentos, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

A tabela acima nos apresenta alguns dados interessantes, dentre eles se destaca a média (mean), o desvio padrão(std) a mínima (min), a máxima (max), e o primeiro, segundo e terceiro quartil (25%, 50% e 75%, respectivamente). É importante lembrar que as ocorrências estão mensuradas em período mensal.

Média mensal de crimes violentos

  • 496 homicídios dolosos

  • 4 lesões corporais seguidas de morte

  • 15 latrocínios

  • 74 homicídios por intervenção policial

  • 321 tentativas de homicídio

  • 5446 lesões corporais dolosas

  • 373 estupros

À exceção do crime de estupro, a diferença entre o terceiro quartil e o valor máximo é bem alta. Isso indica que há meses em que os números são extremamente altos em relação á maioria dos meses. Essa diferença é ainda mais marcante quando se trata de homicídios por intervenção policial, visto que em média temos 74 dessas ocorrências por mês, mas o mês de máxima contou com 195 homicídios por intervenção policial.

Procurei entender o motivo de máxima ser tão alta. O primeiro passo para isso é descobrir em que mês esta máxima histórica ocorreu.

O dado acima nos mostra que a máxima ocorreu no mês de julho de 2019. Para procurar entender a situação, fiz uma rápida pesquisa e encontrei uma matéria do G1 discutindo o assunto.

Para darmos continuidade em nossa análise dos crimes violentos, vamos descobrir como os valores estão distribuídos no DataFrame.

Ao analisar os histogramas acima, observa-se que:

  • Nas variáveis relativas à tentativa de homicídio, lesão corporal dolosa e latrocínio, há muitos meses em que o número de ocorrências é relativamente baixo.

  • Na variável relativa à lesão corporal seguida de morte há muitos meses em que o número de ocorrências é bem baixo, contudo há alguns poucos meses que houveram um grande número de ocorrências, o que representa a existência de outliers.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

De acordo com os gráficos acima, podemos observar que:

  • A quantidade de ocorrências de homicídio doloso vem diminuindo e apresenta uma tendência de queda.

  • A quantidade de ocorrências de lesão corporal seguida de morte e de latrocínios apresentam valores bem estáveis, não tendendo à uma diminuição nem à um aumento. Os valores costumam variar em torno da média, com algumas poucas exceções.

  • A quantidade de ocorrências de Morte por intervenção de agentes do Estado, tentativa de homicídio e estupro seguia uma tendência de aumento até março de 2020, data que coincide com o início das medidas de distanciamento social e suspensão de operações policiais em função do combate ao COVID-19.

  • A quantidade de ocorrências de lesão corporal dolosa tinha uma tendência de aumento, e, posteriormente, assumiu uma tendência de diminuição.

Uma observação interessante é que para todas as variáveis houve uma queda nos números em março de 2020, data do início das medidas de distanciamento social em função do combate à pandemia do COVID-19.


Crimes de trânsito

Para obtermos um resumo dos principais dados relativos aos crimes de trânsito, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

Média mensal de crimes de trânsito

  • 209 homicídios culposos

  • 3305 lesões corporais culposas

Assim como nos crimes violentos, quando analisados os dados dos crimes de trânsito, observa-se que a diferença entre o terceiro quartil e o valor máximo é bem alta. Isso indica que há meses em que os números são extremamente altos.

Para darmos continuidade em nossa análise dos crimes de trânsito, vamos descobrir como os valores estão distribuídos no DataFrame.


Os histogramas nos aponta que os dados se mantiveram perto da média na maioria dos meses. Em alguns poucos meses o número de ocorrências foi bem alto.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

De acordo com os gráficos acima, podemos observar que a tendência é de queda tanto para a quantidade de ocorrências de homicídio culposo como para lesão corporal culposa. No entanto, é possível observar alguns períodos de alta acentuada para as duas variáveis, e alguns períodos de baixa na quantidade de ocorrências de lesão corporal culposa.

Novamente, para todas as variáveis houve uma queda nos números em março de 2020, data do início das medidas de distanciamento social em função do combate à pandemia do COVID-19.


Roubos

Para obtermos um resumo dos principais dados relativos ao crime de roubo, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

Primeiramente, importa apresentar a definição de roubo presente no art. 157 do Código Penal, visto muitos não conseguem distinguir roubo de furto. Art. 157 — Subtrair coisa móvel alheia, para si ou para outrem, mediante grave ameaça ou violência a pessoa, ou depois de havê-la, por qualquer meio, reduzido à impossibilidade de resistência.

Ao separar os crimes em grupos, o Instituto de Segurança Pública do Rio de Janeiro inseriu diversos “tipos” (aspas por não se tratar especificamente de tipos penais) de roubo. Não analisarei o roubo de rua por se tratar de da soma dos crimes de roubo a transeunte, roubo de celular e roubo em coletivo. Primeiramente, vamos analisar as médias de cada “tipo” de roubo.

Média mensal de roubos

  • 3458 roubos transuentes

  • 995 roubos de celulares

  • 667 roubos coletivos

  • 2443 roubos de veículos

  • 345 roubos de carga

  • 448 roubos à estabelecimentos comerciais

  • 130 roubos à residência

  • 9 roubos à banco

  • 4 roubos à caixa eletrônico

  • 11 roubos com condução da vítima para saque

  • 140 roubos após o saque

  • 12 roubos de bicicleta

  • 1221 outros roubos

  • 9514 total de roubos por mês

Para roubos a banco, o valor máximo de ocorrências foi quase quatro vezes maior que o valor do terceiro quartil, enquanto para roubos de celular esse diferença foi de praticamente o dobro. O número de ocorrências em determinado período foi tão alto que acabou elevando a média de ocorrências. Essa informação indica a presença de outliers.

Para o total do número de roubos, o valor máximo representa praticamente o dobro do valor do terceiro quartil, o que indica que há meses em que o número de ocorrências é muito maior que a maioria dos meses.

Para darmos continuidade em nossa análise sobre o crime de roubo, vamos descobrir como os valores estão distribuídos no DataFrame.

Ao analisar os histogramas acima, observa-se que para a maioria das variáveis há um número alto de meses em que a quantidade de ocorrências é relativamente menor que a média, mesmo que a maioria dos valores oscile perto da média Contudo, há alguns poucos meses em que o número de roubos é muito acima da média.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

Ao analisar os gráficos acima é possível observar que:

  • Para os roubos transeuntes, roubo de celular, roubo coletivo, roubo de veículo, outros roubos e para o total de roubos, até aproximadamente meados de 2017 havia uma tendência de aumento. Posteriormente a esse período, iniciou-se uma tendência de queda.

  • Os roubos relacionados à instituições financeiras, excetuados os roubos à caixa eletrônico, vêm há muito tempo apresentando uma tendência de queda.

  • Com relação á quantidade de ocorências de roubo de bicicleta, os dados começaram a ser coletados em 2014, de modo que não há dados suficientes para identificar uma tendência.


Furtos

Para obtermos um resumo dos principais dados relativos aos crimes de furto, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

De acordo com o art. 155 do Código Penal, entende-se por furto o ato de “Art. 155 — Subtrair, para si ou para outrem, coisa alheia móvel”. Portanto, o furto é um crime contra o patrimônio sem violência ou ameaça à vítima.

Média mensal de furtos

  • 1649 furtos de veículos

  • 1498 furtos transeuntes

  • 623 furtos coletivos

  • 1424 furtos de celulares

  • 133 furtos de bicicletas

  • 6002 outros furtos não listados

  • 10414 total de furtos

Ao analisar os dados acima, observa-se que para todos os “tipos” de furto com exceção do furto coletivo, os valores máximos das variáveis são muito superiores aos valores do terceiro quartil.

Para darmos continuidade em nossa análise sobre o crime de furto, vamos descobrir como os valores estão distribuídos no DataFrame.

Da análise dos histogramas, observa-se que:

  • Para os furtos transeuntes e para o número total de furtos, há um maior número de meses com menos ocorrências criminais.

  • Para os furtos coletivos, de celular, de bicicleta e para a variável outros_furtos, há um maior número de meses com mais ocorrências criminais.

  • Para os furtos de veículos, há um maior número de meses com um número de ocorrências criminais mais próximo à média.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

Ao analisar os gráficos acima é possível observar que:

  • A tendência da quantidade de ocorrências de furto de veículos é de queda.

  • A tendência da quantidade de ocorrências de furto a transeuntes, coletivos e do total de furtos era de um aumento, mas essa tendência se invertou nos últimos anos.

  • Para todas as variáveis ocorreu uma queda abrupta em março de 2020, provavelmente consequência das medidas de isolamento social para o combate da pandemia do COVID-19.

Outros crimes contra o patrimônio

Para obtermos um resumo dos principais dados relativos aos outros crimes contra o patrimônio, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

Média mensal de outros crimes contra o patrimônio

  • 1 sequestro

  • 132 extorsões

  • 8 sequestros relâmpagos

  • 2361 crimes de estelionato

De acordo com os dados acima, observa-se que:

  • A média de ocorrências de sequestro é de um caso por mês, mas se observarmos a mediana, temos que em metade de todos os meses analisados não houveram casos de sequestro.

  • Todos as variáveis apresentam uma grande diferença entre o valor máximo e o valor de terceiro quartil.

Para darmos continuidade em nossa análise sobre os crimes contra o patrimônio não listados, vamos descobrir como os valores estão distribuídos no DataFrame.

Cada um dos histogramas acima se comporta de uma maneira distinta, não havendo um padrão único.

  • Na maioria dos meses não há nenhuma ocorrência de sequestro, e em poucos meses houveram 3 ou mais casos.

  • Com relação ao crimne de extorsão, a maioria dos meses apresentou um número de ocorrência próximo à média.

  • Na maioria dos meses, o número de sequestros relâmpago é baixa.

  • Para o crime de estelionato, os valores estão distribuídos próximo ou menor que a média.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

Analisando os gráficos acima, é possível identificar uma tendência de aumento leve e de longo prazo para os crimes de estelionato. Contudo, não é possível identificar nenhuma tendência com relação às demais variáveis.

Em março de 2020 houve um grande aumento na quantidade de estelionatos, provavelmente em virtude das medidas de isolamento social. De certa forma, a criminalidade parece ter se “reinventado” durante o período de isolamento, visto que para a enorme maioria dos crimes os números despencaram, enquanto os números de estelionato tiveram um salto.


Atividade policial

Para obtermos um resumo dos principais dados relativos às atividades policiais, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

Média mensal de atividades policiais

  • 1102 apreensões de droga

  • 622 posses de droga

  • 770 ocorrências de tráfico de drogas

  • 182 apreensões de droga sem autor

  • 1759 recuperações de veículos

  • 2348 Autos de prisão em flagrante

  • 554 Autos de apreensão de adolescente por prática de ato infracional

  • 1246 Cumprimentos de mandado de prisão

  • 86 Cumprimentos de mandado de busca e apreensão

Da análise dos dados acima, observa-se que:

  • Para as ocorrências relacionadas à atividade policial, a média de casos é semelhante a mediana, de modo que metade do período analisado tem um número de ocorrências menor que a média, e a outra metade apresenta um número de ocorrências maior que a média.

  • Não há uma diferença relevante entre o terceiro quartil e o valor máximo. Pela análise descritiva parece não haver um pico no número de ocorrências.

Para darmos continuidade em nossa análise sobre as atividades policiais, vamos descobrir como os valores estão distribuídos no DataFrame.

Analisados os histogramas acima, observa-se que:

  • Em um grande número de meses houve poucos Autos de apreensão de acolescnete por prática de ato infracional e cumprimentos de mandado de busca e apreensão.

  • Em um grande número de meses houve muitas ocorrências de tráfico de drogas e muitos Autos de prisão em flagrante.

  • As demais variáveis possuem uma distribuição mais próxima da média, ou da média para a esquerda.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

  • Assim como nos demais grupos, a quantidade de ocorrências relativas à maioria das variáveis sofreu queda em março de 2020 em razão das medidas de isolamento social.

  • Para a quantidade de ocorrências de apreensão e tráfico de drogas, bem como para a quantidade de Autos de prisão em flagrante, observa-se uma tendência inicial de aumento, seguido de uma estabilização em alta.

  • A tendência é de queda para apreensões de droga sem autor, quantidade de recuperação de veículos e Autos de apreensão de adolescente por prática de ato infracional.

  • Havia uma tendência de aumento de Cumprimentos de mandado de busca e apreensão e de mandados de prisão até março de 2020.

Outros registros

Para obtermos um resumo dos principais dados relativos aos outros registros, utilizaremos a função describe() e arredondaremos o valor para diminuir as casas decimais com a função round().

Média mensal de outos registros

  • 5438 ameaças

  • 426 pessoas desaparecidas

  • 64 encontros de cadáver

  • 3 encontros de ossada

  • 2 policiais militares mortos em serviço

  • 0,34 policiais civis mortos em serviço

Da análise dos dados acima, observa-se que:

  • Para o grupo de outros registros, a média e mediana possuem valores próximos, sendo que o terceiro quartil e o valor máximo possuem uma diferença considerável.

  • Há uma grande diferença entre os números de policiais militares mortos em serviço com relação ao número de policiais civis mortos em serviço. Essa diferença realça as principais características das duas policias, sendo a policia militar de caráter mais ostensivo, enquanto a policia civil de caráter mais investigativo.

  • Apesar da média mensal de policiais militares mortos em serviço ser de 3, em um dado mês o número de mortos chegou a 10.

Para darmos continuidade em nossa análise sobre os outros registros, vamos descobrir como os valores estão distribuídos no DataFrame.

Da análise dos histogramas acima, percebe-se que;

  • Há um grande número de meses em que a quantidade de encontros de cadáver, encontros de ossada e policiais mortos em serviço é baixo se comparado à média das ocorrências.

  • Na maioria dos meses, a quatidade de ameaças e de pessoas desaparecidas é próximo da média.

Por fim, devemos analisar como se deu a evolução dos números de ocorrência ao longo do tempo. Para isso, vamos plotar gráficos de linha do número de ocorrência pelo período.

  • Assim como nos demais grupos, a quantidade de ocorrências relativas à maioria das variáveis sofreu queda em março de 2020 em razão das medidas de isolamento social.

  • Há uma tendência de queda na quantidade de ocorrências de ameaças, pessoas desaparecidas e encontro de cadáver.

  • Para as demais variáveis há uma dificuldade em se identificar tendências.


Registros de ocorrência

Analisados todos os grupos de crimes, vamos tentar entender qual é a tendência da evolução das ocorrências em geral.

Da análise do gráfico acima, é possível perceber duas quedas acentuadas:

  • Em algum entre o início de 2016 e o final de 2017.

  • Em março de 2020

No entanto, não sabemos exatamente o mês da queda das ocorrências entre o início de 2016 e o final de 2017. Para encontrarmos essa data, vamos visualizar todas as entradas entre o período supramencionado.

Ao observar os números acima, conclui-se que o menor número de ocorrências se deu em fevereiro de 2017.


Sobre a queda no número de registros de ocorrência em fevereiro de 2017 e março de 2020

Conforme já mencionamos, a queda do número de registros de ocorrência em março de 2020 foi proveniente das medidas de isolamento social para o combate da pandemia do COVID-19.

Ao realizar uma rápida pesquisa, conseguimos encontrar diversas matérias discutindo a queda dos índices nesse período. Separei algumas dessas matérias abaixo:

Fiz uma breve pesquisa para tentar descobrir o motivo da queda nos índices em fevereiro de 2017. Abaixo destaquei algumas das reportagens:

De acordo com essas matérias, a greve dos policiais civis do Rio de Janeiro teve início em janeiro de 2017, com duração de 78 dias. Durante esse período, somente casos muito graves com o homicídio, estupro e sequestro eram registrados nas delegacias, razão pela qual observamos uma queda no número da maioria das ocorrências.


Conclusão

A partir da análise das séries históricas disponibilizadas pelo Instituto de Segurança Pública do estado do Rio de Janeiro, podemos fazer as seguintes conclusões:

  • Com relação à tendência do número de ocorrências, foi observado que o total de registros vinha apresentando uma tendência de aumento que começou a se inverter nos últimos períodos.

  • Houve mais casos de policiais militares mortos do que policiais civis. Esse fato ressalta as diferenças na natureza do serviço prestados por cada uma das instituições.

  • Na maioria dos crimes e variáveis analisadas, houve uma queda acentuada na quantidade de ocorrências em fevereiro de 2017, bem como em março de 2020. Após uma rápida pesquisa, observa-se que essa queda se deu em virtude da greve dos policiais civis do Rio de Janeiro em 2017, e em razão das medidas de isolamento social para o combate da pandemia do COVID-19 em março de 2020.

  • Em julho de 2019 houve um grande aumento no número de homicídios por intervenção policial. Feita uma rápida pesquisa, concluímos que esse aumento se deu em virtude da intensificação de operações policiais por parte do então Governado do Estado, Wilson Witzel.

A iniciativa do Instituto de Segurança Pública é muito importante para que seja possível uma tomada de decisão mais precisa pelos órgãos de segurança pública do estado do Rio de Janeiro. A análise de dados sobre segurança pública, principalmente quando falamos sobre o Rio de Janeiro, deve ser feita com muito cuidado e extrema atenção ao contexto do período em que os dados se encaixam.

Ademais, importa salientar que os dados sobre segurança pública no Rio de Janeiro não costumam ser muito precisos. Contudo, a análise desses dados continua sendo muito válida.

168 visualizações

Posts recentes

Ver tudo

Comentarios


bottom of page