Polícia não tem medo de bandido. Mas ainda morre de medo de algoritmos

Bancos são organizações que não costumam jogar dinheiro pela janela. Se você que saber se alguma tecnologia ou metodologia funcionam, ver se os bancos as utilizam pode ser um bom critério para a replicação.

Há décadas o setor bancário utiliza algoritmos matemáticos para definir riscos individuais de crédito. Se vou pedir um empréstimo no banco eles verificam se já dei cheques sem fundo, se fui listado no Serasa, se estou empregado, minha renda, meus bens, idade, e dezenas de variáveis que ajudam a prever se vou ou não honrar o empréstimo. Estas variáveis são ponderadas e no final recebo um score e uma classificação como bom ou mau pagador. Não adianta culpar o gerente se o empréstimo não foi concedido...quem define isso é o algoritmo, com base nas estatísticas de milhares de casos passados.

Trata-se de um método probabilístico e falível pois há sempre o risco de recursar crédito a um bom pagador (falso negativo) ou conceder crédito para um caloteiro (falso positivo). Mas de modo geral, o algoritmo acerta ou pelo menos acerta bem mais do que o gerente do banco sozinho, com seus preconceitos e limites de memória e informação.

O setor público, quase sempre, anda a reboque quando se trata de utilizar novas metodologias e tecnologias. O sistema de justiça criminal, não obstante a existência de ricas e gigantescas bases de dados, faz ainda pouco uso dos algoritmos como ferramentas de apoio a decisão. Existem nas polícias crenças equivocadas, tais como “os casos de feminicídio e homicídios domésticos são difíceis de prevenir” pois acontecem dentro de casa, entre pessoas sem histórico criminal, etc. A ênfase na formação jurídica e o desprestígio das demais ciências explicam em parte o pouco uso destas metodologias no Brasil.

Uma exceção é o policiamento baseado em hot spots, adotado usualmente pelo policiamento ostensivo. É comum hoje o uso de um algoritmo que calcule a densidade de ocorrências numa determinada área, dia e hora. Na verdade, o algoritmo está prevendo – como o sistema de crédito bancário – que há grande probabilidade de que novos crimes ocorram naquela local e hora, de modo que o melhor “investimento” é alocar mais recursos policiais para aquele hot spot e hot time. Como os recursos policiais são escassos, ao invés de desperdiçar estes recursos em locais e horas de baixo risco, potencializo meus recursos alocando-o onde o crime é mais provável. Na área investigativa, algoritmos calculam a probabilidade de que um rosto detectado numa câmera seja ou não o de um criminoso procurado pela justiça. 

Esta lógica de alocação de recursos baseada em fatores de risco, algoritmos matemáticos e na epidemiologia poderia ser utilizada para a tomada de diversas outras decisões dentro do sistema de justiça criminal. Há diversos exemplos de utilização pelos países desenvolvidos. Nos EUA, por exemplo, o software COMPASS utiliza 137 variáveis para prever quais criminosos tem maior probabilidade de reincidência. Esta informação pode ser utilizada, por exemplo, para decidir quem deve receber maiores cuidados assistenciais pelos serviços de atendimento aos egressos. Para a Justiça juvenil, existe por exemplo o YLS/CMI (Youth Level of Service/Case Management Inventory), instrumento com 42 itens, cobrindo 8 diferentes domínios, para predizer a probabilidade de reincidência de jovens de 10 a 16 anos. O instrumento é capaz de prever razoavelmente não apenas quem irá reincidir, mas também em quanto tempo. Na Filadélfia, um software desenvolvido pelo departamento de condicional baseado em modelos de “randon forest” e 12 variáveis preditivas, classifica em segundos o grau de risco dos sentenciados a condicional.

Em todos estes casos, parte-se do conhecido fato criminológico de que apenas uma minoria dos ofensores é responsável por um grande número de crimes, de modo que é relevante identificar estes ofensores e oferecer a eles tratamentos mais longos e intensivos ou fiscalizá-los mais de perto. Para os de baixo risco, a proposta é procurar medidas alternativas e menos custosas e menos estigmatizantes do que o encarceramento.

Parte significativa dos assassinatos de mulheres tem precedentes de violência doméstica e registros policiais. A polícia Inglesa utiliza desde 2009 um questionário com cerca de 40 questões (DASH) para estabelecer quais mulheres têm maior risco de sofrer violência doméstica, criando classes de periculosidade. Os próprios policiais preenchem este formulário após cada atendimento de violência doméstica. Esta informação é utilizada pelo comitê multidisciplinar que monitora os casos e pode ser usada para direcionar o programa de patrulhamento preventivo ou decidir quando um agressor deve ser preso ou que vítima deve receber um celular de emergência ou ir para um abrigo governamental. Nos EUA existem vários instrumentos semelhantes para predizer violência doméstica, como o DA, DV-MOSAIC, DVSI ou K-SID, entre outros, enquanto o Canadá desenvolveu os instrumentos SARA e ODARA.

Em todos estes exemplos, existe um acumulado de conhecimento criminológico que norteia quais as variáveis relevantes do ponto de vista teórico e empírico. Sabe-se que envolvimento precoce com o crime, passagens anteriores pela justiça, uso de álcool e drogas, baixa escolaridade e baixa empregabilidade, bairro de moradia, período de tempo desde o último crime, etc. são preditores relevantes para reincidência. Uso de álcool e drogas, separação judicial do casal, histórico de agressões, disponibilidade de armas de fogo, histórico de destruição de propriedade, desemprego, baixo status sócio econômico, pouca idade, etc. são preditores consistentes de violência doméstica. Existem centenas de variáveis na literatura criminológica e psicológica já avaliadas como fatores de risco ou protetivos.

Utilizando julgamentos clínicos ou métodos atuarias, questionários são elaborados para investigar dados demográficos, histórico psiquiátrico, histórico de envolvimento com a justiça, informações sobre a infância do agressor, traumas físicos e dezenas de outras dimensões que impactam a disposição a delinquir e reincidir. Com base nestes questionários, o que os algoritmos fazem é testar quais são os melhores preditores, ponderá-los, computar uma nota de corte, fazer uma classificação que sirva de apoio à decisão. Os métodos estatísticos para fazer os cálculos são variados, como a regressão linear, regressões logísticas ou tree decision forest, entre outros.

É importante notar que enquanto alguns destes preditores são estáticos e não passiveis de modificação (sexo, traumas físicos) outros são dinâmicos e, portanto, potencialmente alteráveis por políticas públicas (tratamento para prevenir o uso drogas, aumentar a escolarização, terapias, etc.)

Existem dezenas de perguntas relevantes para a administração da justiça e gestão da polícia que poderiam ser respondidos da mesma maneira. Quem deve ser preso provisoriamente e quem pode ser liberado? Quem deve se beneficiar da saída temporária? Quem tem maior probabilidade de ser vitimizado ou revitimizado? Que policiais tem maior propensão ao suicídio? Que perfil de policial tem maior predisposição a se envolver com ocorrências de alto risco? Quem são aqueles com risco de se envolver em atividades desonestas caso sejam contratados? Podemos identificar os sinais de risco de feminicídios e intervir antes que ocorram? Na ausência de um critério jurídico, que deve ser classificado como usuário e quem como traficante?

Em todos estes casos, é provável que existam sinais que podem ser captados através de instrumentos adequados. As respostas são probabilísticas e é preciso decidir, para cada tema, quais os riscos dos chamados “falsos negativos” ou “falsos positivos” e estabelecer a priori uma “razão de custo”. (por exemplo, qual o custo de classificar um policial como potencial suicida e fornecer a ele um tratamento psicológico, quando na verdade ele não é. Existem recursos estatísticos, como as curvas ROC que ajudam a estimar este custo “ideal” mas a decisão final é sempre meta-estatística: por princípio, na dúvida, é melhor pecar por excesso e oferecer tratamento ao não suicida, do que pecar por falta).

É preciso cuidar também para que os algoritmos não sejam social ou racialmente enviesados. Regra geral, os algoritmos produzem resultados mais imparciais do que os humanos. Em suma, é preciso tratá-los como ferramentas de apoio à decisão e não como oráculos infalíveis. Por vezes será conveniente combinar os resultados do algoritmo com uma supervisão final “humana”.

Tomados os devidos cuidados, a literatura sugere – ainda mais agora em tempos de “big data” e “machine learnings” – que os algoritmos conseguem detectar correlações as vezes invisíveis a olho nu e tomar decisões mais acertadas e menos sujeitas à preconceitos do que os seres humanos. Este tratamento equânime dado pelo algoritmo a todos os casos é um elemento importante, depois que a economia comportamental descobriu que as sentenças judiciais podem ser afetadas por fatores totalmente espúrios, como a hora do julgamento ou se o juiz almoçou ou não. (Daniel Kahneman, Rápido e Devagar, etc.)

Quando os recursos são escassos e os atendimentos precisam ser priorizados – temos 700 mil presos no país, 40% deles “provisórios), os algoritmos de predição e classificação podem ser grandes aliados. Os bancos já sabem disso quando se trata de emprestar ou não dinheiro. Então pode acreditar que funciona.

Bibliografia

·         Craig Dowden & S. L. Brown (2002) The role of substance abuse factors in predicting recidivism: A Meta-analysis, Psychology, Crime and Law, 8:3, 243-264, DOI: 10.1080/10683160208401818

·         EYITAYO ONIFADE, WILLIAM DAVIDSON, CHRISTINA CAMPBELL, GARRETT TURKE, JILL MALINOWSKI, KIMBERLY TURNER. PREDICTING RECIDIVISM IN PROBATIONERS WITH THE YOUTH LEVEL OF SERVICE CASE MANAGEMENT INVENTORY (YLS/CMI). Article in Criminal Justice and Behavior · April 2008

·         J. Dressel, H. Farid, The accuracy, fairness, and limits of predicting recidivism. Sci. Adv.4, eaao5580 (2018).

·         Marcela Madalena, Lucas de Francisco Carvalho, Denise Falcke .Violência Conjugal: O Poder Preditivo das Experiências na Família de Origem e das Características Patológicas da Personalidade,. Trends in Psychology / Temas em Psicologia – Março 2018, Vol. 26, nº 1, 75-91

·         Ritter, Nancy. Predicting Recidivism Risk: New Tool in Philadelphia Shows Great Promise. NIJ JOURNAL / ISSUE NO. 271 - FEBRUARY 2013

·         Robert Chalkley & Heather Strang .Predicting Domestic Homicides and Serious Violence in Dorset: a Replication of Thornton’s Thames Valley.. Camb J Evid Based Polic (2017) 1:81–92

·         Ronzano, Gemma. FORECASTING DOMESTIC VIOLENCE. Degree: BSc Psychology

·         Author(s): Janice Roehl, Ph.D.; Chris O’Sullivan, Ph.D.; Daniel Webster, ScD; Jacquelyn Campbell, Ph.D. Intimate Partner Violence Risk Assessment Validation Study, Final Report. Document No.: 209731 Date Received: May 2005

Estatísticas Criminais e a Lei de Newcomb-Benford

Vamos supor que sou um policial pouco honesto e que o desempenho da minha área – e a minha renumeração - seja medido ou varie em função da quantidade mensal de roubos. Ao invés de registrar a quantidade real de roubos na planilha, digamos, posso ser tentado a inventar os números, tirando-os da minha própria cabeça ou recorrendo a algum sorteio aleatório de números. Não o aconselho a fazer isso, exceto se for um bom conhecedor da lei de Newcomb-Benford. Não adianta consultar o Código Penal. Trata-se de uma “Lei” no sentido matemático do termo.

Na tabela abaixo utilizamos o gerador de números aleatório do Google e ele nos gerou doze quantidades fictícias de “roubos” para minha área, uma para cada mês do ano. Para efeito de demonstração, deixei os números variarem de 100 a 1000 (o que raramente ocorre com crimes, que na verdade são bastante estáveis) e aparentemente, a série gerada pelo computador faz sentido para um observador desatento.

Com um exercício para entender a natureza do problema, separe-se, por exemplo, o primeiro dígito de cada centena gerada: na terceira coluna da tabela vemos estes dígitos em destaque. Note-se que o digito 8 aparece na série três vezes na primeira posição (25%), o número 7 aparece apenas uma vez (8,3%), o número 5 surge duas vezes (16,7%) e assim por diante.

Análise do 1º dígito de números aleatórios

Mês	Roubos	1º digito		Digito	Freq.	%
jan	899	8		1	2 vezes	16,7%
fev	776	7		2	1 vez	8,3%
mar	535	5		3	0 vezes	0,0%
abr	241	2		4	2 vezes	16,7%
mai	149	1		5	2 vezes	16,7%
jun	487	4		6	1 vez	8,3%
jul	547	5		7	1 vez	8,3%
ago	853	8		8	3 vezes	25,0%
set	111	1		9	0 vezes	0,0%
out	420	4			12	100,0%
nov	620	6
dez	890	8

Fonte: gerados de números do Google

Segundo a lei dos grandes números, se a nossa amostra de casos sorteados aleatoriamente aumentasse, a distribuição percentual de cada dígito de 1 a 9 se aproximaria de 11,1%, que é a frequência teórica esperada, supondo que cada dígito tem uma probabilidade equivalente de ocorrência. (se incluíssemos o dígito 0, a porcentagem seria 10%, obviamente)

E é precisamente ai que nosso policial desonesto se estrepa. Ocorre que para diversos tipos de fenômenos, a distribuição do primeiro digito numa coleção de números não é equiprovável. Trata-se de um fenômeno descoberto há cerca de dois séculos e que se aplica à uma série de diferentes listas de números: valor de contas de luz, lista de códigos postais, população municipal, edifícios mais altos do mundo, preços de ações, comprimento de rios,  pesos, moleculares, etc. Infelizmente não há uma regra que diga à priori e quando uma distribuição de frequências segue o formato Newcomb- Benford. É preciso coletar os dados e realizar um teste empírico. 

Para infelicidade do nosso policial pouco versado em estatística, a distribuição da maioria dos crimes também segue uma distribuição de frequência Newcomb-Benford, em homenagem a seus descobridores. 

Benford já notara esta característica nos anos 30 com as taxas de mortalidade e Hikman e Rice observaram o mesmo padrão ao estudarem em 2010 as estatísticas criminais nacional e estaduais norte americanas. (Digital Analysis of Crime Statistics: Does Crime Conform to Benford’s Law? Hickman, M.J. & Rice, S.K. J Quant Criminol (2010) 26: 333. https://doi.org/10.1007/s10940-010-9094-6.)

Numa distribuição deste tipo, quando separamos o primeiro dígito de cada número, o digito 1, por exemplo, aparece 30,1% do tempo e o dígito 9, apenas 4,6% do tempo. A probabilidade de ocorrência de cada dígito não é equiprovável, mas antes decai numa forma que é logarítmica, como no gráfico abaixo.

A tabela seguinte traz exemplos com crimes brasileiros, agregados em nível estadual[1]. Vamos explorá-la um pouco. Nas duas últimas colunas vemos a distribuição teórica dos dígitos segundo a distribuição esperada de Benford e na última coluna a distribuição real encontrada pelo autor nas taxas de mortalidade que estudou em 1938. Nas demais colunas encontramos a distribuição dos primeiros dígitos nas estatísticas criminais reportadas pelos Estados brasileiros entre 2001 e 2019, formando uma coleção de números com 32 mil linhas. Os crimes analisados são Estupro, furto, furto de veículo (FV), homicídio doloso (HD), lesão corporal dolosa (LCD), lesão corporal seguida de morte, roubo (RB), roubo de veículo (RV) e tráfico de drogas.

Como pode ser notado pela tabela, com exceção da lesão corporal dolosa, a maioria dos crimes parece realmente seguir uma distribuição de Newcomb-Benford, quando analisamos a frequência dos primeiros dígitos em cada coleção de crimes. Quando combinamos todos os crimes na coluna Total Geral, observe-se a notável semelhança com a distribuição esperada.

Na parte de baixo da tabela anotamos as diferenças, em cada célula, entre a distribuição esperada e a distribuição encontrada nas estatísticas criminais nacionais. Quando somamos os números absolutos em cada coluna (desconsiderando o sinal), temos uma medida rústica do quanto cada indicador criminal se desvia ou não da distribuição teórica esperada. Note-se que é raro encontrarmos um desvio maior do que + ou – 5%, com exceção da mencionada coluna lesão corporal dolosa.

Não é o caso de discutir no escopo deste artigo por que a maioria dos crimes segue a distribuição de Benford ou por que as estatísticas nacionais de lesão corporal dolosa se afastam aparentemente deste padrão. Mais importante aqui é perceber como esta característica desta coleção de números pode ser utilizada como uma ferramenta para detectar tentativas de fraude. De fato, desde os anos 70, contadores e outros profissionais de auditorias procuram utilizá-las desta manceira.

No setor de estatística criminal que coordenei em São Paulo, adotávamos diversos mecanismos de controle de qualidade: leitura diária de uma amostra aleatória de boletins em busca de inconsistências, comparações entre as séries históricas de homicídios com as mortes por agressão compiladas pelo ministério da saúde, controle estatístico de qualidade “3 sigmas”, e, esporadicamente, também a técnica ilustrada acima, de distribuição de frequência do primeiro dígito. Com exceção de um ou outro episódio excepcional – greve na polícia, ataques de maio de 2006, mudança no código penal, criação da denúncia on-line, etc. – assinale-se que jamais identificamos em oito anos de SSP, tentativas “dolosas” de fraude nas estatísticas criminais, embora certamente tenham ocorrido erros de digitação e outras inconsistências.

Para o bem ou para o mal, o fato é que crimes são fenômenos sociais extremamente regulares e previsíveis: existem padrões sazonais, cíclicos, perfis conhecidos de horários, dias da semana, vítimas, autores, etc. Eles seguem também as leis de concentração espacial. Em resumo, para falsificar uma ocorrência ou um grupo de ocorrências que seja coerente, é preciso conhecer muito bem este perfil, para que os dados não fujam muito dos padrões.

Nestes tempos de políticas “compliance” adotados por empresas e governos, é sempre bom lembrar que as estatísticas são ferramentas importantes para a detecção de fraudes e erros. Lembrando sempre que estatísticas são de natureza probabilística.

Recentemente, um jornal de grande circulação nacional calculou a razão entre gastos eleitorais e votos e identificou indícios de candidaturas “laranjas”, pois diversos candidatos(as) tinham obtido poucos votos, mesmo gastando milhares de reais (este mesmo jornal esqueceu de averiguar o desvio inverso, muitos votos com poucos recursos). Como sempre, as estatísticas fornecem indícios probabilísticos das fraudes, jamais certezas e é sempre complicado expor publicamente pessoas com base em probabilidades estatísticas. Como diz o ditado, a estatística deve ser utilizada como um bêbado usa um poste: mais como ponto de apoio do que como fonte de luz! De todo modo, pode ser um passo inicial importante para o aprofundamento das investigações. As estatísticas criminais nacionais, em sua maioria, parecem passar neste teste de integridade.

Fontes adicionais

https://link.springer.com/article/10.1007/s10940-010-9094-6

https://en.wikipedia.org/wiki/Benford%27s_law

https://pt.wikipedia.org/wiki/Lei_de_Benford

---

[1] Observe-se que a distribuição de Newcomb-Benford, depende em parte da unidade de análise utilizada. Estatísticas agregadas por municípios ou por Distritos policiais não seguem necessariamente esta distribuição, uma vez que a quantidade absoluta de crimes cai. No caso de crimes raros, teríamos uma grande porcentagem de primeiros dígitos concentrados entre os dígitos 1 e 2. Quando usamos taxas ao invés de números absolutos, a distribuição também se afasta da esperada, uma vez que alteramos a escala dos dados.

Queda dos homicídios em 2018 não deve se repetir em 2019

Os homicídios em 2018 caíram com relação a 2017 e a queda foi intensa e generalizada. Dos 27 Estados, 24 apresentaram queda. Em magnitude, a média foi de -13%, uma das mais intensas da última década. Os números e detalhes de cada estado podem ser consultados no projeto Monitor da Violência, organizado em conjunto pelo G1, NEV e Fórum Brasileiro de Segurança Pública. Com dados disponíveis até metade do ano, a tendência também pode ser verificada através do Painel de Monitoramento da Mortalidade do Datasus ou no meu blog, onde compilo as estatísticas estaduais de homicídios e outros crimes.

Se os dados são unanimes ao apontarem a melhora significativa dos homicídios em 2018, as interpretações sobre as razões da queda estão longe da unanimidade. Instados pelo G1 a interpretar o fenômeno, meus colegas Renato Sergio de Lima e Samira Bueno, do FBSP, apostam nas políticas de segurança pública colocadas em prática pelos Estados nos últimos anos, como a cooperação entre diferentes órgãos e instancias governamentais. Meu amigo Bruno Manso, pelo NEV-USP, interpreta a queda como um momento de pacificação dos confrontos promovidos pelo crime organizado nos anos anteriores, que fizeram os homicídios crescer no Norte/Nordeste. 

Ambas interpretações explicam parte da realidade, mas deixam de lado questões importantes: por que em tantos Estados? Por que simultaneamente? Por que com esta intensidade? Como explicar a queda também generalizada nos roubos? Como se vinculam os projetos adotados nos Estados, bastante díspares, com a queda intensa dos homicídios? Que evidências temos do impacto destes projetos?

Na qualidade de ex-pesquisador do NEV e de membro fundador do FBSP, gostaria de propor uma teoria unificada sobre o fenômeno – que reconhece o papel das políticas de segurança pública de segurança e da dinâmica das facções em alguns estados e momentos – mas que vê a queda basicamente como um subproduto mais amplo do contexto socioeconômico e social.

Como escrevi em artigo em janeiro último sobre os indicadores econômicos, “após cair -5,7 no quarto trimestre de 2015 a velocidade da queda do PIB começa a desacelerar até que o sinal se torna ligeiramente positivo no primeiro trimestre de 2017. Os cheques sem fundo – indicador de inadimplência do consumidor - atingem seu auge no quarto trimestre de 2015 e a partir daí desaceleram, passando a cair no primeiro trimestre de 2017. A taxa de desemprego também chega ao máximo no quarto trimestre de 2015, caindo desde então até tornar-se negativa, no início de 2018. Como consequência, o ICC, que é uma medida subjetiva da crise, inverte de tendência a partir do 3T de 2015, passando a aumentar desde então, ainda que de forma um tanto errática, com algumas idas e vindas. Ainda que ténue, o quadro geral mostra uma melhora dos indicadores econômicos em 2017 e 2018. Isto nos ajuda a entender em parte a queda de roubos e homicídios na maioria dos estados em 2018.” https://tuliokahn.blogspot.com/2019/01/economia-nao-e-destino-mas-ajuda-um.html

Conjuntura econômica impacta no crime? Na tabela abaixo vemos as taxas de roubos e roubos de veículos nos estados, entre 2001 e 2018. As taxas estão desagregadas pelos trimestres de recessão (em laranja) e trimestres de expansão da economia(em azul), conforme a classificação do CODACE/FGV. Dos 27 estados analisados, em 26 as taxas de roubos são maiores nos trimestres de recessão, como seria esperado. Além disso, existem evidências extraídas de São Paulo de que a apreensão de armas pela polícia cai -3,2% nos trimestres em que a economia está em expansão (e os roubos diminuindo), enquanto crescem cerca de 4% nos trimestres em que a economia está em recessão (e os roubos aumentando)

O cenário econômico impacta mais diretamente os crimes patrimoniais, mas indiretamente, através da sensação de insegurança e das armas em circulação, também os crimes interpessoais.

As conjecturas sobre o impacto das políticas públicas adotadas pelos Estados ou sobre a ‘pax criminosa’ são interpretações ex-post-facto: nenhuma previu antecipadamente a nova fase de queda da criminalidade em 2017 e 2018. Diferentemente, como temos sugerido através da “teoria dos contextos” há anos, cenários econômicos negativos aumentam os roubos e estes fazem aumentar a sensação de insegurança. Este contexto faz com que as pessoas, que guardaram suas armas em casa, optem por circular com as armas novamente nas ruas, pois os riscos aumentaram e compensam os custos de serem pegos pela polícia. E, como é sabido, com mais armas em circulação, temos mais homicídios, como ilustra o conhecido gráfico abaixo, mostrando as variações nas apreensões de armas e nos homicídios dolosos em São Paulo.[1]

Fazendo o caminho inverso para explicar a queda de 2018, a recuperação da economia a partir de meados de 2016 fez os roubos caírem em quase todos os estados. A tabela abaixo traz a variação dessazonalizada dos roubos em 14 estados para quais a divulgação de estatísticas na internet, entre 2015 e 2019. Como é possível notar pela graduação de cores, com exceção do Rio de Janeiro, onde a melhora foi tardia, e do Amazonas, onde os roubos cresceram em 2018,  os demais estados apresentam significativa queda nos roubos a partir da metade de 2017. Este cenário se encaixa adequadamente dentro teoria dos contextos (que elaborei há muitos anos para explicar o crescimento dos homicídios no NE e queda no Sudeste) https://tuliokahn.blogspot.com/2018/09/crescimento-dos-homicidios-no-n-e-ne.html.

Mas como explicar esta queda dos roubos nos estados a partir de 2017 com a matriz da “pax criminosa”? As fações mandaram não apenas parar com as matanças, mas também com os roubos? Como explicar a coincidência no timming da queda dos roubos nos Estados? As diferentes políticas adotadas pelos estados nos diferentes períodos produziram resultados sobre roubos e homicídios, ao mesmo tempo?

A queda dos homicídios em 2017 e 2018 está em parte associada, como acreditamos, a esta queda dos roubos, que deixou as pessoas mais seguras e as armas em casa. A correlação entre as variações nas quedas dos homicídios e variações nas quedas dos roubos é de r.88 no RJ, r.74 em Minas, r. 69 em Goiás, r.65 no RS e acima de r.40 no DF, PR, MS e MT. A correlação é fraca em SP – onde os homicídios continuam impressionantemente em queda, independente do contexto econômico – e nos Estados do CE, RO, BA e AM. Em SP faz sentido pensar em hipóteses como impacto das políticas públicas e no CE, RO, BA e AM, faz todo sentido pensar na atuação das facções criminosas. Acredito como meus colegas que políticas públicas bem sucedidas podem fazer diferença e que em certos períodos e Estados, a atuação das facções pode impactar nas trajetórias dos homicídios. Mas para a maioria dos Estados, em condições normais de temperatura e pressão, a regra é a existência de uma correlação entre os homicídios e os roubos, sensação de insegurança e armas, e destes com a conjuntura econômica. https://tuliokahn.blogspot.com/2018/11/uma-radiografia-das-series-temporais-de.html Uma teoria completa deve incorporar todas estas diferentes explicações, mas sem perder de vista uma hierarquia de pesos.

Nem todas as recessões são iguais. As de 2003 e 2009 seguiram um formato em “V” invertido, foram curtas e intensas. Como escrevemos em julho, esta última recessão, cujo pico se deu em 2014, parece antes um “W” invertido : “ A partir do pico de 2014 note-se, na sequência, um período de 14 meses de recuperação que vai até agosto de 2015, seguido de um novo crescimento dos roubos até setembro de 2016. De outubro de 2016 até aproximadamente maio de 2018 presenciamos um novo período de 21 meses de queda nos roubos. Se tomarmos, portanto, este período de 2014 a 2018, é possível ver no gráfico um W em formato invertido (alta 2014 / baixa em 2015 / alta em 2016 / baixa em 2017 a metade de 2018 / nova alta se formando em 2018).” https://tuliokahn.blogspot.com/2018/07/recessao-e-roubos-fomatos-vulw.html

Falamos também na ocasião que a queda parecia estar chegando ao seu ponto mais baixo e que a partir dali, se a recuperação econômica não ganhasse folego, começaríamos a ver uma inversão na tendência dos roubos. O gráfico abaixo traz os dados mais recentes dos roubos em 8 estados. Ele mostra claramente o “W” invertido. Embora as variações nos roubos ainda sejam negativas (quedas) ele sugere também que o ponto mais baixo foi alcançado no final de 2018. Em alguns estados já é possível perceber uma desaceleração da queda. (Ele mostra também que as variações criminais nos Estados são mais ou menos simultâneas, o que sugere a existência de um fator comum por traz do fenômeno.)

Se os roubos de fato começarem a crescer, veremos novamente o aumento da insegurança e um estímulo às pessoas saírem armadas nas ruas, buscando autoproteção. Se juntarmos a isso a flexibilização da posse de armas, com o consequente aumento do número de armas em circulação, e a sensação de que portar armas agora é legítimo, teremos a “tempestade perfeita” se formando nos próximos anos.

---

[1] Note-se no gráfico, de passagem, o crescimento de armas e homicídios em janeiro de 2019, sugerindo um impacto da mentalidade pró armas de fogo adotada pela nova gestão federal.