Como a análise aorística aproveita horários imprecisos e revela diferenças importantes para o planejamento municipal.
Uma pessoa estaciona o veículo às oito da noite e, ao retornar às seis da manhã, descobre que ele foi furtado. O local é conhecido, mas o horário exato não. Colocar esse furto às 20h, às 6h ou no meio do intervalo pode criar uma concentração artificial. Excluir o registro também tem um custo: perdemos uma ocorrência que contém informação sobre quando o fato pode ter acontecido.
Esse problema aparece com frequência nos registros policiais. Sabemos muito sobre onde o crime ocorreu, mas nem sempre sobre seu momento preciso. Este estudo investiga como aproveitar essa informação parcial nas bases do URBIK e quanto ela modifica o diagnóstico temporal.
Incorporar os períodos conhecidos amplia substancialmente a cobertura dos furtos — outros. As grandes faixas do dia mudam pouco no conjunto dos municípios, mas a faixa predominante muda em 30 de 92 combinações município–ano elegíveis. A escala local revela diferenças que o agregado esconde.
O que é análise aorística?
A análise aorística trata eventos cujo momento exato é indeterminado, mas que podem ser situados dentro de um intervalo. Em sua forma básica, ela distribui o peso de cada ocorrência pelos horários em que o fato poderia ter acontecido. O registro continua valendo uma ocorrência; apenas sua contribuição temporal é repartida.
No exemplo do veículo, o intervalo entre 20h e 6h tem dez horas. Sob a hipótese de distribuição uniforme, cada hora recebe um peso de 0,1. Somando essas contribuições entre muitos registros, construímos um perfil temporal que inclui também os fatos com horário impreciso. Não descobrimos a hora verdadeira de cada crime: representamos a informação disponível sob uma regra explícita.
Ratcliffe e McCullagh desenvolveram essa abordagem em 1998, e Ratcliffe aprofundou sua articulação com a dimensão espacial em 2000. Em uma avaliação com 303 furtos de bicicletas cujos horários reais foram identificados por câmeras, Ashby e Bowers (2013) encontraram resultados mais próximos do perfil verdadeiro com a análise aorística e a atribuição aleatória dentro do intervalo do que com métodos que colocavam o evento no início ou no fim. Essa evidência sustenta o método, mas sua aplicação depende das características de cada base.
Como adaptamos o método aos dados do URBIK
A base paulista examinada contém hora do fato ou uma categoria como manhã, tarde, noite e madrugada. Não foram encontrados, na tabela consolidada, dois campos estruturados com o início e o fim possíveis de cada evento. Por isso, o estudo utiliza uma adaptação aorística baseada em períodos do dia, e não intervalos individuais reconstruídos.
| Período | Intervalo adotado | Peso de um registro sem hora |
|---|---|---|
| Madrugada | 0h até antes das 6h | 1/6 em cada hora |
| Manhã | 6h até antes das 12h | 1/6 em cada hora |
| Tarde | 12h até antes das 18h | 1/6 em cada hora |
| Noite | 18h até antes das 24h | 1/6 em cada hora |
Os quatro blocos de seis horas são a convenção adotada para esta análise. Um registro com hora válida contribui integralmente para a hora informada. Quando há somente período conhecido, seu peso é repartido igualmente entre as seis horas correspondentes. Casos classificados como “hora incerta”, sem período ou sem informação utilizável permanecem separados. A data de registro do boletim não foi usada como limite do intervalo do crime.
Essa regra permite comparar dois perfis: um que utiliza somente os registros com hora e outro que acrescenta os períodos conhecidos. Em cada perfil, as proporções são calculadas sobre os registros efetivamente incluídos.1
Quais registros foram examinados?
A auditoria, realizada em 3 de outubro de 2026, abrangeu 1.617.481 registros em 72 municípios paulistas: 642.183 no ano estatístico de 2024, 627.217 em 2025 e 348.081 em 2026. Como o último ano contém somente janeiro a julho na extração, a comparação principal utiliza 2024 e 2025.
O horário analisado é o do fato, enquanto a seleção dos anos segue o campo estatístico da base. As duas referências não são necessariamente coincidentes. Os números representam registros da base consolidada, sem conversão automática em quantidade de vítimas ou eventos independentes.
| Natureza · auditoria 2024–2026 | Registros | Com hora válida | Somente período | Sem informação utilizável |
|---|---|---|---|---|
| Furto — outros | 819.096 | 48,3% | 49,5% | 2,2% |
| Furto de veículo | 133.290 | 87,1% | 10,3% | 2,6% |
| Roubo — outros | 302.284 | 88,1% | 11,7% | 0,2% |
| Roubo de veículo | 33.884 | 95,3% | 4,4% | 0,3% |
A oportunidade é especialmente grande nos furtos — outros: quase metade dos registros tem apenas período conhecido. Nos crimes de veículos e nos roubos, a hora aparece com maior frequência. Isso mostra que a necessidade de tratamento temporal varia por natureza. Uma hora preenchida, entretanto, pode ser aproximada; validade do campo não comprova precisão do relato.
Nos furtos, a cobertura praticamente dobra
| Natureza · 2024–2025 | Total | Com hora | Incluídos pelo período | Sem informação |
|---|---|---|---|---|
| Furto — outros | 639.287 | 301.896 | 322.823 | 14.568 |
| Furto de veículo | 105.881 | 95.858 | 7.294 | 2.729 |
| Roubo — outros | 243.997 | 218.772 | 24.848 | 377 |
| Roubo de veículo | 28.899 | 27.704 | 1.110 | 85 |
Para furtos — outros, o perfil convencional utiliza 301.896 dos 639.287 registros. Com os períodos conhecidos, passamos a utilizar 624.719. A cobertura sobe de 47,2% para 97,7%. Esse ganho é substantivo: o diagnóstico passa a considerar uma parcela muito maior da informação já registrada.
Maior cobertura não é sinônimo automático de maior acurácia. O perfil ampliado depende da qualidade do período informado e da hipótese utilizada para distribuir seu peso.
As grandes faixas permanecem semelhantes no agregado
| Natureza | Madrugada | Manhã | Tarde | Noite |
|---|---|---|---|---|
| Furto — outros | 18,7% → 17,9% | 25,5% → 25,8% | 29,9% → 29,8% | 25,9% → 26,5% |
| Furto de veículo | 14,5% → 16,1% | 22,9% → 22,8% | 28,2% → 27,7% | 34,4% → 33,5% |
| Roubo — outros | 18,7% → 19,2% | 19,7% → 19,8% | 21,4% → 21,3% | 40,2% → 39,8% |
| Roubo de veículo | 15,5% → 15,8% | 15,5% → 15,7% | 20,6% → 20,5% | 48,5% → 48,0% |
Em cada célula: proporção usando somente horas registradas → proporção incorporando os períodos conhecidos. Percentuais arredondados.
A tarde permanece como faixa predominante nos furtos — outros. A noite continua predominante nos outros três grupos, chegando a aproximadamente 48% dos roubos de veículo no perfil ampliado. A incorporação de novos registros não altera radicalmente a distribuição conjunta.
Na resolução de uma hora, o pico dos furtos — outros muda de 18h para 12h sob a distribuição uniforme; nos outros grupos, permanece às 20h. Esse resultado precisa ser interpretado como efeito do modelo. Ele não comprova que os furtos ocorram mais ao meio-dia: a alocação uniforme acrescenta o mesmo peso a todas as horas de cada período.
O agregado esconde diferenças municipais
Para comparar os perfis locais, exigimos pelo menos 100 registros com hora e 200 com hora ou período em cada combinação município–ano. O critério reduz a dependência de volumes muito pequenos, embora não elimine a incerteza. Uma mesma cidade pode aparecer em dois anos; portanto, as combinações abaixo não equivalem a municípios distintos.
| Natureza | Combinações elegíveis | Mudaram de faixa predominante | Percentual |
|---|---|---|---|
| Furto — outros | 92 | 30 | 32,6% |
| Furto de veículo | 24 | 0 | 0,0% |
| Roubo — outros | 31 | 0 | 0,0% |
| Roubo de veículo | 8 | 0 | 0,0% |
Nos furtos — outros, aproximadamente uma em cada três combinações elegíveis muda de faixa predominante. Nos demais grupos, isso não ocorre nas combinações examinadas. Uma aparente estabilidade do conjunto, portanto, pode coexistir com alterações locais importantes.
Mudar de faixa predominante não significa necessariamente uma transformação grande: quando duas faixas têm participações próximas, uma pequena diferença pode inverter sua ordem. A decisão municipal deve observar também as proporções e os volumes que sustentam essa classificação.
O que o estudo permite concluir
Os resultados mostram que períodos conhecidos são informação relevante. Para trabalhar com quatro grandes faixas, basta incorporar diretamente as categorias registradas; a repartição aorística é necessária quando desejamos representar a contribuição por hora dentro delas. Essa distinção evita atribuir ao método um ganho que decorre, em parte, de aproveitar dados antes excluídos.
A forma do perfil dentro de cada período continua dependente de uma hipótese. Não dispomos de horários verdadeiros independentes para demonstrar que a distribuição uniforme recupera melhor a realidade paulista. Também não foram realizadas, neste estudo, análises por bairros ou mapas temporais. Esses são caminhos de aprofundamento, e não resultados já obtidos.
Implicações para a gestão pública
Primeiro, ampliar a base do diagnóstico. Em furtos — outros, decisões apoiadas apenas nos registros com hora deixam de considerar mais da metade da base de 2024–2025. Incorporar períodos conhecidos permite examinar quase todos os registros, mantendo explícita a parcela ainda desconhecida.
Segundo, planejar na resolução que os dados sustentam. Manhã, tarde, noite e madrugada podem orientar a discussão sobre distribuição de equipes, proteção de equipamentos, fiscalização e ações preventivas. Uma curva estimada por hora exige mais cautela. Não seria adequado deslocar uma equipe para o meio-dia apenas porque essa hora passou a liderar no cenário uniforme.
Terceiro, diferenciar municípios e naturezas. A mudança em 32,6% das combinações locais de furto recomenda revisar os diagnósticos municipais, mesmo quando a curva agregada parece estável. Já nos grupos com maior preenchimento horário e pouca mudança observada, o ganho pode ser sobretudo de cobertura e transparência.
Quarto, combinar tempo, território e contexto. Uma faixa predominante deve ser discutida junto com os locais de ocorrência, circulação de pessoas, funcionamento do comércio, transportes e conhecimento das equipes. Esses resultados podem ajudar a formular hipóteses sobre oportunidades criminais; não identificam suas causas nem demonstram a eficácia de uma intervenção específica.
Quinto, melhorar o registro e avaliar as ações. Sempre que possível, vale preservar início e fim possíveis do fato, a origem da informação e sua precisão. Depois de uma mudança operacional, o acompanhamento deve considerar volume, composição e qualidade dos registros, além de um desenho de avaliação que permita separar o efeito da ação de outras mudanças.
A contribuição da análise aorística é tornar utilizável uma informação incompleta. Para a gestão pública, isso significa decidir com uma base mais abrangente e com consciência da precisão que ela realmente oferece.
Fontes e referências
RATCLIFFE, J. H.; McCULLAGH, M. J. Aoristic crime analysis. International Journal of Geographical Information Science, 12(7), 751–764, 1998.
RATCLIFFE, J. H. Aoristic analysis: the spatial interpretation of unspecific temporal events. International Journal of Geographical Information Science, 14(7), 669–679, 2000.
ASHBY, M. P. J.; BOWERS, K. J. A comparison of methods for temporal analysis of aoristic crime. Crime Science, 2, 1, 2013.
1 Nota metodológica. Consultas somente de leitura à base consolidada em 03/10/2026, com cálculos externos. Auditoria de 2024–2026 e comparação principal de 2024–2025, por ano estatístico. Não houve alteração de bases permanentes ou funcionalidades analíticas. Hora válida: inteiro de 0 a 23, priorizado sobre o período; meia-noite foi preservada. Categorias normalizadas quanto a caixa e acentuação. Os quatro blocos de seis horas são uma convenção deste estudo, sem confirmação em dicionário oficial consultado. A hipótese uniforme preserva peso total igual a um por registro incluído. A base cobre municípios carregados, não todo o estado; registros dependem de notificação, classificação e práticas de registro. Não houve validação externa de horários, análise espacial, teste causal ou cálculo de intervalos de confiança. O critério mínimo municipal é exploratório; mudanças de faixa dominante podem refletir pequenas diferenças entre faixas próximas.
Fonte dos dados: registros da Secretaria da Segurança Pública do Estado de São Paulo, base consolidada do URBIK, extração de 3 de outubro de 2026.
