Determinantes do crime no sudeste brasileiro: aplicação de técnicas de econometria espacial

Abstract

Diversas áreas do conhecimento investigam os determinantes da criminalidade, buscando compreender o "como" e "porquê" as pessoas cometem crimes. Este estudo propõe-se a analisar os determinantes do crime na região sudeste do Brasil, utilizando técnicas de econometria espacial. Embasado na economia do crime e na Análise Exploratória de Dados Espaciais (AEDE), o modelo econométrico Spatial Lag (SAR) foi aplicado aos dados de taxas de homicídio por cem mil habitantes de 2010, suavizado pelo método bayesiano, em nível municipal e para grupos de variáveis socioeconômicas que abrangem desigualdade, predisposição do homem jovem, instabilidade familiar, educação, urbanização e risco. A inclusão do componente espacial não valida a significância encontrada no modelo linear simples para variáveis como desigualdade e predisposição do jovem ao crime. Por outro lado, destaca-se o impacto positivo da educação, estabilidade familiar, urbanização, taxa de desocupação e risco de apreensão em regiões metropolitanas. Vale ressaltar a presença de clusters de alta criminalidade no Rio de Janeiro e Espírito Santo e baixa em regiões de Minas Gerais e São Paulo. Em resumo, políticas voltadas para a redução de desigualdades, promoção da educação, fortalecimento da estabilidade familiar, investimento em segurança e criação de oportunidades de trabalho têm o potencial de gerar impactos positivos na diminuição da taxa de homicídios.

Several fields of knowledge delve into the determinants of criminality, aiming to understand "how" and "why" individuals commit crimes. This study seeks to analyze the determinants of crime in the southeastern region of Brazil, utilizing spatial econometric techniques. Based on the economics of crime and Exploratory Spatial Data Analysis (ESDA), the Spatial Lag (SAR) econometric model was applied to homicide rate data per one hundred thousand inhabitants from 2010, smoothed by Bayesian methodology, at the municipal level and across socio-economic variable groups encompassing inequality, predisposition of young men, family instability, education, urbanization, and risk. The inclusion of the spatial component does not validate the significance found in the simple linear model for variables such as inequality and young people's predisposition to crime. Conversely, it highlights the positive impact of education, family stability, urbanization, unemployment rate, and apprehension risk in metropolitan regions. It is worth noting the presence of high crime clusters in Rio de Janeiro and Espírito Santo and low clusters in regions of Minas Gerais and São Paulo. In summary, policies aimed at reducing inequalities, promoting education, strengthening family stability, investing in security, and creating job opportunities have the potential to generate positive impacts in reducing homicide rates.