sexta-feira, 26 de agosto de 2022

Correlatos dos roubos de veículos nos Estado na última década

 

Há uma literatura relativamente abundante sobre a dinâmica dos homicídios no Brasil, justificada pela gravidade do fenômeno, procurando entender os motivos para o crescimento do fenômeno a partir dos anos 80 e sua queda, mais recentemente, desde meados de 2017. Porém existem bem menos estudos dedicados a outros crimes, como os roubos de veículos e outros crimes patrimoniais, que também estão em tendência de queda nos anos recentes, na maioria dos Estados.

O gráfico abaixo traz a taxa de roubo de veículos por 100 mil habitantes por UF, entre 2010 e 2021. É possível identificar aumentos mais intensos no Acre, Paraíba, Piauí, Rondônia, Roraima e Sergipe, todos eles estados menos desenvolvidos das Regiões Norte e Nordeste. Observe-se que estas são também as Regiões onde os homicídios têm crescido nos últimos anos (e é possível que os dois fenômenos estejam relacionados: mais roubos = mais sensação de insegurança = mais armas = mais homicídios, mas este é outro artigo).

Na maioria dos Estados, contudo, é nítida a queda dos roubos de veículos nas últimas décadas, principalmente no Sudeste, como no Rio e em São Paulo, que concentram o maior número de casos.

 

 

Existem várias tentativas de explicação para o fenômeno, como a melhora nos equipamentos de segurança dos automóveis, o monitoramento por GPS e outras tecnologias, a intensificação da fiscalização dos desmanches e venda de peças usadas, aumento de prisões e gastos em segurança, migração para crimes digitais como os estelionatos, para citar apenas algumas.

Como se trata de fenômeno que atingiu grande número de Estados e mais ou menos no mesmo período, gosto de imaginar que variáveis macroeconômicas e sociais estão também por trás do processo: dinâmica demográfica, renda, ciclos econômicos e outras. Estas variáveis ajudam a entender também por que observamos quedas nos Estados mais desenvolvidos e crescimento nos menos desenvolvidos.

O modelo abaixo usa dados em painel para os 27 Estados e 11 anos, de 2010 a 2021 e permite submeter a teste algumas das variáveis mencionadas. Infelizmente não dispomos de dados sobre o uso das novas tecnologias de monitoramento nos veículos, migração para outros crimes ou repressão aos desmanches, por UF e ano e certamente o modelo omite variáveis importantes. Parte destas omissões é sanada pelo uso do painel com efeitos fixos, mas isto não resolve o problema de todo.

Existem dados sobre número de prisões de adultos e menores e despesas dos Estados em segurança por UF e ano, mas nestes casos, é provável imaginar que temos problemas de endogeneidade, como causação recíproca: número de prisões e despesas em segurança afetam a criminalidade, mas inversamente, criminalidade também afeta os número de prisões e as despesas em segurança. O problema da endogeneidade poderia ser minimizado com o uso de variáveis instrumentais (que estão relacionadas com estas variáveis explicativas, mas não com os erros da regressão). Mas não é fácil encontrar variáveis deste tipo, que estejam relacionadas, por exemplo, ao gasto em segurança, mas não relacionadas ao crime. Nos testes preliminares, estas variáveis de esforço da atividade policial aparecem relacionadas positivamente com os roubos, diferente do esperado. Mas estas estimativas são enviesadas e pouco confiáveis na ausência de um bom “instrumento”.

O modelo, portanto, tem suas limitações e se atem a algumas variáveis demográficas e sócio econômicas que se assume sendo exógenas. A variável dependente é a taxa de roubo de veículos por 100 mil habitantes, cuja vantagem é contar com uma boa notificação, uma vez que se trata de bem de alto valor e geralmente segurado. Como variáveis explicativas adicionamos o coeficiente gini de concentração de renda, a taxa de fecundidade defasada em 15 anos, uma variável dummy para Covid (1 para 2020 e 2021 e 0 para os demais anos) e um indicador de ciclo econômico, oriundo da Pesquisa Mensal do Comércio do IBGE. Incluímos também no modelo a busca pelo termo “porte de arma” coletada através do Google Trends. A busca por armas de fogo está intrinsecamente relacionada ao medo do crime e incluímo-la aqui como uma proxy de “sensação de insegurança”, na impossibilidade de mensurar diretamente o fenômeno.

 

 

 

 

. xtreg txrveic    gini   fecdef15  covid   gogtrend ciclopmc  , fe vce(robust)

 

Fixed-effects (within) regression               Number of obs     =        284

Group variable: codeuf                          Number of groups  =         27

 

R-sq:                                           Obs per group:

     within  = 0.1093                                         min =          9

     between = 0.0012                                         avg =       10.5

     overall = 0.0139                                         max =         11

 

                                                F(5,26)           =      12.65

corr(u_i, Xb)  = -0.2512                        Prob > F          =     0.0000

 

                                (Std. Err. adjusted for 27 clusters in codeuf)

------------------------------------------------------------------------------

             |               Robust

     txrveic |      Coef.   Std. Err.      t    P>|t|     [95% Conf. Interval]

-------------+----------------------------------------------------------------

        gini |  -178.9162   94.88386    -1.89   0.071    -373.9528    16.12039

    fecdef15 |  -21.07845   14.81514    -1.42   0.167    -51.53139    9.374502

       covid |  -28.65656   5.683228    -5.04   0.000     -40.3386   -16.97451

    gogtrend |   .5949738   .1909934     3.12   0.004     .2023813    .9875664

    ciclopmc |   17.23177   5.267683     3.27   0.003     6.403896    28.05965

       _cons |    197.378   43.88613     4.50   0.000     107.1688    287.5873

-------------+----------------------------------------------------------------

     sigma_u |  43.474597

     sigma_e |  34.998082

         rho |  .60677284   (fraction of variance due to u_i)

------------------------------------------------------------------------------

 

 

A análise dos coeficientes sugere que a taxa de roubo de veículo está relacionada negativamente como a concentração de renda no Estado. Em outras palavras, quanto maior a concentração de renda, menor o roubo de veículo. A taxa de fecundidade defasada não se demonstrou estatisticamente significativa, mas é curioso notar que o sinal da relação é negativo. Em ambos os casos, o esperado, segundo a hipótese de que desigualdade e pobreza geram criminalidade, é que o sinal fosse positivo, uma vez que tanto gini elevado como fecundidade elevada são características de regiões mais pobres e desiguais. O modelo sugere que as taxas de roubo foram mais elevadas no período analisado nos Estados mais ricos e desenvolvidos, favorecendo a hipótese de que - ao contrário dos crimes contra a vida, ligados à pobreza - , os crimes contra o patrimônio estão ligados às oportunidades criminais. É nos Estados mais ricos e desenvolvidos que existem mais veículos disponíveis e eventualmente um maior comércio de peças usadas e esta disponibilidade parece aumentar esta modalidade criminal. No mesmo sentido vai a variável ciclo PMC, cujo coeficiente é positivo e significativo, indicado que os roubos de veículo tendem a aumentar justamente nos anos em que o comércio vai melhor.

 

A dummy para Covid se comportou como esperado, significativa e negativa, comprovando a queda da criminalidade patrimonial durante a pandemia, que reduziu drasticamente a quantidade de veículos em circulação, novamente sugerindo que “a oportunidade faz o ladrão”. Finalmente, o modelo sugere que a relação é positiva e significativa entre roubo de veículos e a variável busca por “porte de arma” do Google. A interpretação aqui é que nos anos e Estados em que há mais roubos, há também mais busca por armas pela população, sugerindo que o medo de ser roubado alimenta a busca por porte de armas. A busca por armas cresceu em praticamente todos os Estados no período, mas especialmente naqueles em que as taxas de roubo de veículo foram mais elevadas. É interessante observar que se o modelo nos ajuda a entender alguns aspectos da distribuição e etiologia dos roubos de veículos, ele parece contribuir pouco para a explicação da dinâmica temporal e por qual o motivo os roubos de veículos começaram a cair abruptamente nos últimos anos. Alguma coisa grande aconteceu neste meio tempo, mas ainda nos faltam hipóteses de trabalho mais elaboradas e dados para entender o fenômeno.

keepinhouse

Arquivo do blog

Seguidores