Espacios. Vol. 35 (Nº 12) Año 2014. Pág. 16

Perfil da Criminalidade nos Municípios de Minas Gerais

Profile Of Criminality In The Municipalities Of Minas Gerais

Talita Egevardt de CASTRO 1, Iara Maira da SILVEIRA 2; Viviani Silva LÍRIO 3; Daniel Arruda CORONEL 4; Rubicleis Gomes da SILVA 5.

Recibido: 11/08/14 • Aprobado: 16/10/14

Contenido

1. Introdução

2 Metodologia

3 Análise e discussão dos resultados

4 Conclusões

Referências

1. Introdução

O problema da criminalidade tem avançado em todo o mundo. Uma análise das estatísticas da criminalidade revela o quão preocupante tornou-se esta temática. Dos diferentes tipos de ações criminosas, são os homicídios que se destacam devido à gravidade e relevância social. Somente no ano de 2010, foram registrados 468.000 homicídios, sendo que deste total, 36% ocorreram na África, 31% na América, 27% na Ásia, 5% na Europa e 1% na Oceania (UNODC, 2011).

A América do Sul é uma das regiões mais violentas do mundo (GLOBAL PEACE INDEX, 2013), em especial, o Brasil, com uma das taxas de homicídios mais altas da América do Sul. A taxa de homicídios do Brasil, em 2011, que era de 27,4 homicídios por cem mil habitantes, superou os índices dos 12 países mais populosos do mundo. De 2008 a 2011, morreram, no Brasil – país sem guerra civil, conflitos religiosos, étnicos e raciais – 206.005 vítimas de homicídios, enquanto nos 62 conflitos armados ocorridos no mundo, de 2004 a 2007, foram vitimadas 208.349 pessoas (WAISELFISZ, 2013).

Nas últimas três décadas, mais de 1.000.000 de pessoas foram vítimas de homicídio no Brasil, um aumento de 275,3%. Contudo, observou-se um comportamento peculiar neste indicador na Região Sudeste do país, na década de 2000. Em 2001, das cinco regiões brasileiras – Norte, Nordeste, Centro-oeste, Sudeste e Sul – apenas a Região Sudeste foi responsável por 56% de todos os homicídios registrados no Brasil. Todavia, em 2011, esta proporção passou para 30%, sendo a única região a apresentar uma redução neste indicador. Observa-se que esta redução não ocorreu em todos os estados da Região Sudeste. São Paulo e Rio de Janeiro apresentaram uma redução de 64,2% e 37,9%, respectivamente, enquanto Minas Gerais e Espírito Santo apresentaram um aumento de 80,7% e 14,2%, respectivamente (WAISELFISZ, 2013).

O ônus da criminalidade para a sociedade é bastante elevado, pois ele envolve perda de capital humano, redução do bem-estar social, do desenvolvimento econômico e da qualidade de vida, aumento dos gastos públicos e privados com segurança, saúde, justiça e previdência social, perda na acumulação de capital físico, diminuição das atividades turísticas e dos investimentos na região com elevados índices de criminalidade.

A insegurança sentida pelos cidadãos tem colocado a temática da segurança entre as principais demandas da sociedade, juntamente com temas como saúde e educação, tornando necessárias medidas, intervenções e/ou políticas públicas, coordenadas com o Estado, sociedade, administração pública e atores sociais, que sejam eficientes [6] e efetivas [7] na mitigação do problema da criminalidade.

Nesse contexto, é importante compreender os fatores que contribuem com a ação criminosa, o perfil das vítimas e a distribuição espacial da criminalidade de modo a auxiliar os planejadores de políticas públicas no desenvolvimento de ações específicas para os problemas de cada localidade, que, de fato, sejam capazes de promover o desenvolvimento socioeconômico, aumentar o bem-estar social e as condições de segurança.

A criminalidade tornou-se objeto de estudo de diversas ciências como a Economia, a Sociologia e o Direito, que têm tentado compreender, há mais de dois séculos, quais são as motivações que levam, ou não, um indivíduo a cometer crimes. Estes estudos – teoria econômica da escolha racional [8], teoria das atividades rotineiras [9], teoria do estilo de vida 10, entre outras – permitem ao planejador de políticas públicas identificar as variáveis que mais influenciam a dinâmica da criminalidade da localidade que receberá a intervenção, o que permite a centralização das atenções e dos recursos públicos (CERQUEIRA ; LOBÃO, 2003).

No que tange ao perfil das vítimas, observa-se que, em geral, são do sexo masculino, jovens, negros ou pardos e de baixa escolaridade (ANDRADE et al., 2012; CERQUEIRA et al., 2007; SILVEIRA, 2008). De acordo com o UNODC (2011), os jovens do sexo masculino estão no grupo de risco, devido a sua maior participação em gangues, porte de armas, consumo de drogas, brigas de rua e etc. Conhecer o perfil do público alvo das políticas possibilita a elaboração de estratégias preventivas específicas para o grupo de risco.

Analisar a distribuição espacial da criminalidade também é importante, pois propicia a elaboração de intervenções que mitiguem o problema analisado (OLERIANO, 2007; MÁXIMO, 2004; SANTOS e JESUS, 2011) e adequadas para a realidade da localidade de interesse. Em geral, os estudos apontam para um padrão da criminalidade. Crimes contra a pessoa [11] geralmente ocorrem nas periferias, enquanto crimes contra o patrimônio [12] ocorrem em localidades com maior concentração de riqueza (BATTELA e DINIZ, 2010).

Oliveira (2005) ressalta a importância do tamanho da cidade na explicação de atividades criminosas. O autor comenta, ainda, que a criminalidade em grandes cidades é maior devido ao maior retorno do crime, menor probabilidade de punição e menores custos relacionados ao crime.

Em Minas Gerais, Farias et al. (2008) evidenciaram que as maiores taxas de crimes violentos contra o patrimônio do estado são dos municípios de Belo Horizonte, Contagem e Uberlândia,  municípios que têm população maior que 100 mil habitantes. Diniz e Ribeiro (2005) encontraram que as cidades médias do Estado de Minas Gerais apresentam taxas de criminalidade superiores à média do estado. Os autores destacam ainda que os Grandes Centros Regionais e a Região Metropolitana de Belo Horizonte têm as taxas de criminalidade mais altas do estado.

Batella et al. (2008) encontraram que os crimes contra o patrimônio concentram-se nas cidades médias do estado como, por exemplo, Uberlândia, Uberaba, Montes Claros, Governador Valadares e Teófilo Otoni. Por sua vez, os crimes contra a pessoa estão concentrados nos municípios de Teófilo Otoni, Unaí, Governador Valadares e João Pinheiro.

A análise da distribuição espacial da Criminalidade Violenta no Estado de Minas Gerais mostra que as maiores taxas de crimes violentos estão nos maiores municípios, com destaque para a Região Metropolitana de Belo Horizonte [13], o Triângulo Mineiro, a região Noroeste e municípios como Pirapora, Montes Claros e Governador Valadares, mantendo o padrão constatado em anos anteriores. Quanto à distribuição espacial do crime violento contra a pessoa, esta também manteve o padrão observado anteriormente em que a maior incidência deste tipo de crime está na região Nordeste, com destaque para a Região Metropolitana de Belo Horizonte, Triângulo Mineiro e a região Noroeste. As maiores taxas de crime violento contra o patrimônio estão nos maiores municípios do estado, seguindo o mesmo padrão já mencionado para o crime violento, com destaque para a Região Metropolitana de Belo Horizonte, o Triângulo Mineiro e a região Noroeste (BRASIL, 2010).

Diante do exposto, a presente pesquisa tem por objetivo identificar o perfil de criminalidade dos municípios do Estado de Minas Gerais, de maneira a contribuir com os planejadores de políticas públicas na elaboração de intervenções específicas para a localidade de interesse, que mitiguem o problema da criminalidade.

O presente trabalho está estruturado em quatro seções, além desta introdução. Na segunda seção, são descritos os procedimentos metodológicos, na terceira, os resultados obtidos são analisados e discutidos e, concluindo, são delineadas algumas considerações finais sobre o tema discutido.

2 Metodologia

Neste trabalho, utilizou-se a Análise de Agrupamento, visto que permite reduzir a dimensão do conjunto de dados, agrupando os municípios de acordo com a homogeneidade ou heterogeneidade de características.

Além disso, foi utilizada a análise fatorial, um método de estatística multivariada usado para a redução e sumarização de dados. O objetivo da análise fatorial é verificar as relações entre um amplo conjunto de variáveis correlacionadas, simplificando-as por meio da definição de um conjunto de dimensões latentes comuns, denominadas de fatores, ou seja, as variáveis referentes à criminalidade apresentam relações entre elas que serão representadas por meio dos fatores.

Um modelo de análise fatorial, de acordo com Mingoti (2005), é dado, genericamente, em forma matricial por:

O método utilizado para a realização da análise fatorial foi o de componentes principais. O procedimento é que, de posse da matriz de correlações R, tomam-se como fatores comuns os m componentes principais dessa matriz. E, para verificar se a análise fatorial utilizada ajusta-se aos dados do modelo, utilizou-se o teste de Esfericidade de Bartlett e o critério de Kaiser-Meyer-Olkin (KMO). O primeiro fornece a probabilidade estatística de que a matriz de correlação tenha correlações significantes entre pelo menos algumas das variáveis e compara a matriz de correlação populacional com a matriz identidade. Para que os dados sejam adequados à análise fatorial, o resultado do teste deve ser rejeitar a hipótese nula de igualdade entre a matriz populacional e a matriz identidade. Já o teste de KMO verifica a adequação dos dados a partir da criação de um índice que varia de 0 a 1, comparando as correlações simples e parciais entre as variáveis, sendo que valores superiores a 0,5 demonstram que os dados são adequados à análise fatorial (MINGOTI, 2005; HAIR et al., 2009).

Em relação à Análise de Agrupamento, também conhecida como Análise de Cluster, é uma técnica multivariada de classificação que objetiva reduzir a dimensionalidade dos dados, agrupando o conjunto de dados em subconjuntos, utilizando um critério fixado que pode variar ligeiramente em virtude do método de agrupamento utilizado. Nessa técnica, busca-se dividir os municípios da amostra em grupos cujos municípios do mesmo grupo sejam semelhantes entre si, dadas as características analisadas, e os municípios dos outros grupos heterogêneos em relação às características (MINGOTI, 2005).

No presente trabalho, os municípios foram agregados por meio do método não hierárquico (k-means), que dispõe os municípios em k grupos, onde os grupos de municípios baseiam-se na sua proximidade em relação a um centróide. Johnson e Wichern (1992) expõem o processo em três etapas: i) divisão aleatória dos itens em k grupos iniciais; ii) disposição de cada item ao grupo onde o centróide é mais próximo (feito isso, recalcula-se o centróide para os novos grupos formados) e; iii) repetição do passo anterior até que não ocorra mudança em duas iterações consecutivas dos grupos.

A determinação do número de grupos depende do conhecimento do problema ou de uma avaliação do conjunto de dados. No primeiro caso, a escolha tem um maior grau de subjetividade. No segundo caso, pode-se escolher k de modo que se maximize a variabilidade entre os grupos em relação à variabilidade intragrupos.

Feito o agrupamento, procedeu-se ao cálculo do índice de criminalidade. A classificação dos municípios foi feita com base nos resultados da Análise de Cluster. Os índices dos grupos foram calculados a partir dos escores fatoriais, ou seja, dos valores dos fatores para cada um dos 12 grupos. De acordo com Santos et al. (2011), o procedimento para a construção do índice de criminalidade foi feito por meio do cálculo da média dos fatores ponderada pela proporção de explicação da variância total associada a cada um deles, dado pela seguinte expressão:

2.1 Fonte de dados

Os dados utilizados são do Índice Mineiro de Responsabilidade Social (IMRS), disponibilizado pela Fundação João Pinheiro, para o ano de 2010, dos 853 municípios do Estado de Minas Gerais.

Foram analisadas as seguintes variáveis: taxa de crimes violentos contra a pessoa, taxa de crimes contra o patrimônio, taxa de crimes violentos e taxa de homicídios. A Figura 1 apresenta a descrição das variáveis conforme o IMRS.

Figura 1 – Descrição das variáveis utilizadas para analisar o perfil da criminalidade em Minas Gerais

Fonte: Fundação João Pinheiro.

3 Análise e discussão dos resultados

Inicialmente, realizou-se uma análise fatorial das variáveis para verificar a possibilidade de redução dessas variáveis para a Análise de Cluster. 

O teste de Bartlett indicou significância para o teste ao nível de 1%, demonstrando que as variáveis não são correlacionadas, fato que, consequentemente, demonstra a adequabilidade para o uso da técnica de análise fatorial. O outro procedimento realizado, o teste de KMO, apresentou valor de 0,7, o qual é maior que o valor crítico e adequado ao emprego da análise fatorial, que, conforme classificação de Hair et al.(2009), corresponde a 0,5. Portanto, ambos os testes demonstram a possibilidade de realização da análise fatorial.

Tabela 1 – Testes de Bartlett e KMO.

Fonte: Resultados da pesquisa.

A Tabela 2 apresenta os resultados obtidos com a estimação da análise fatorial. Pode-se observar que apenas dois fatores obtiveram raiz característica maior do que a unidade, sendo que o Fator 1 explica 65% e o Fator 2 explica 27%. Os dois fatores em conjunto explicam 92% da variância total das variáveis utilizadas.

Tabela 2 – Valores das raízes características, variância total explicada e variância acumulada pelos fatores identificados na análise fatorial

Fonte: Resultados da pesquisa.

Tendo em vista a existência de diferentes critérios para estabelecer o número de fatores principais que devem ser extraídos, de acordo com Freitas et al. (2007), optou-se pela inclusão apenas dos componentes que conseguem sintetizar uma variância acumulada em torno de 70%. Sendo assim, utilizam-se os dois primeiros fatores que, conjuntamente, explicam 92,1% da variância total das variáveis analisadas, conforme pode ser visto na última coluna da Tabela 2.

Na Tabela 3, estão apresentadas as cargas fatoriais e as comunalidades para os dois fatores após rotação fatorial e, de acordo com Farias et al. (2008), foi utilizado o método Varimax. As cargas fatoriais representam os coeficientes de correlação entre os fatores e cada um dos indicadores e foram consideradas as correlações acima de 0,7 como expressivas para explicar essa relação.

Tabela 3 – Cargas fatoriais após a rotação ortogonal e comunalidades, obtidas na análise fatorial das variáveis

Fonte: Resultados da pesquisa.

Verifica-se, portanto, que o Fator 1 está correlacionado com a taxa de crimes violentos e a taxa de crimes violentos contra o patrimônio. O Fator 2 está correlacionado com a taxa de crimes violentos contra a pessoa e taxa de homicídios. Assim, o Fator 1 foi denominado de crimes contra o patrimônio e o Fator 2, de crimes contra a pessoa.

3.1 Análise de Agrupamento e Índice de Criminalidade

A Análise de Cluster ou Agrupamento tem por objetivo identificar grupos cujos elementos sejam homogêneos entre si, porém heterogêneos em relação aos demais grupos. O método utilizado foi o não hierárquico kmeans, que dispõe os itens em k grupos, onde os grupos de itens baseiam-se na sua proximidade em relação a um centróide.

Com relação à análise de agrupamentos, foram selecionados 4 grupos representativos dos 853 municípios de Minas Gerais, utilizando o método de kmeans, como mencionado na metodologia.

A partir dos grupos formados, foram calculados os escores fatoriais padronizados e, em seguida, o índice de criminalidade baseado nos escores padronizados. A Figura 2 mostra a distribuição espacial do índice de criminalidade nos municípios mineiros e verifica-se que a criminalidade possui um padrão associação espacial, onde os municípios com maior índice (cor preta) estão cercados por municípios que também possuem elevado índice de criminalidade. Esses resultados indicam que elevados índices de criminalidade em determinados municípios geram externalidades negativas para os municípios vizinhos, corroborando os resultados obtidos por Farias et al. (2008). O autor comenta ainda que políticas de combate à criminalidade em um determinado município devem considerar a interdependência com os municípios vizinhos.

Figura 2 – Índice de criminalidade nos municípios de Minas Gerais em 2010
Fonte: Resultados da pesquisa.

O índice de criminalidade para os clusters formados é apresentado na Tabela 4 e observa-se que o grupo que apresenta maior índice de criminalidade é o grupo 4, com índice de aproximadamente 40%. Convém destacar que os municípios que compõem o grupo 4 são predominantemente os da Região Metropolitana de Belo Horizonte e do Triângulo Mineiro (Uberaba e Uberlândia), municípios estes que se encontram em regiões mais urbanizadas do Estado de Minas Gerais.

Tabela 4 – Escores fatoriais e Índice de criminalidade para os doze grupos de municípios homogêneos de Minas Gerais

Fonte: Resultados da pesquisa.

Conforme Peixoto et al. (2004), em estudo feito para analisar a criminalidade na Região Metropolitana de Belo Horizonte, os crimes contra a pessoa estão relacionados positivamente com um indicador que mede o grau de urbanização da região, explicando o fato de regiões com cidades maiores apresentarem maior criminalidade, especialmente os crimes contra o patrimônio. Oliveira (2005) argumenta que cidades maiores têm maiores índices de criminalidade devido ao maior retorno do crime, que está associado, dentre outros fatores, à menor probabilidade de apreensão.

Os municípios do grupo 3 apresentam baixos índices de criminalidade e são predominantemente pequenos, com população de até 100 mil habitantes. Farias et al. (2008), em seu estudo sobre a dependência espacial entre os diferentes tipos de crime para o Estado de Minas Gerais, verificou que os municípios pequenos, em geral de 30 a 40 mil habitantes, apresentam baixos índices de criminalidade, indicando que o tamanho do município influencia na incidência de criminalidade.

Para melhor visualização da criminalidade nos clusters de acordo com os tipos de crime praticados, a Figura 3 apresenta o padrão espacial do índice de criminalidade referentes ao Fator 1 (crimes contra o patrimônio) e ao Fator 2 (crimes contra a pessoa).

Figura 3 – Índice de criminalidade referente aos crimes contra o patrimônio (fator 1) e aos crimes contra a pessoa (fator 2)

Fonte: Resultados da pesquisa.

Analisando o comportamento dos crimes contra o patrimônio, verifica-se que esse não possui um padrão de associação espacial, ou seja, os municípios com elevado índice de crimes contra o patrimônio encontram-se relativamente isolados em algumas regiões do estado. Como analisado anteriormente, esses municípios são predominantemente das regiões mais urbanizadas (Região Metropolitana de Belo Horizonte e Triângulo Mineiro).

Em relação aos crimes contra a pessoa, verifica-se que esse possui um padrão de associação espacial, indicando que esses crimes possuem externalidade negativa. Peixoto et al. (2004) verificaram que a taxa de homicídio do município de Belo Horizonte pode estar relacionada à taxa de homicídio da vizinhança, resultado semelhante ao encontrado por Farias et al. (2008), indicando que os crimes relativos aos homicídios possuem um processo de difusão espacial.

4 Conclusões

Compreender a distribuição espacial da criminalidade auxilia os planejadores de políticas públicas na elaboração de políticas que atendam às demandas de cada localidade de interesse no combate à criminalidade. Neste sentido, esta pesquisa teve como objetivo identificar o perfil de criminalidade dos municípios do estado de Minas Gerais.

Os resultados indicaram que os métodos de análise estatística multivariada são adequados para a análise proposta. A Análise Fatorial mostrou que os 4 indicadores utilizados estão correlacionados com 2 fatores, os quais foram denominados de crimes contra o patrimônio e crimes contra a pessoa.

O índice de criminalidade no estado possui um padrão de associação espacial onde os municípios que apresentam os maiores índices estão cercados por municípios com alta criminalidade, indicando a existência de externalidades negativas associadas à criminalidade. Esta dependência espacial sugere que políticas públicas que visem à redução da criminalidade serão mais eficientes se realizadas de maneira integrada com os municípios que compõem os clusters espaciais.

 Em relação ao comportamento dos crimes contra o patrimônio e dos crimes contra a pessoa, verificou-se que esses dois tipos de crime apresentam comportamento distinto. Os crimes contra o patrimônio se concentram nas regiões mais urbanizadas do estado e não apresentam associação espacial com a vizinhança, enquanto os crimes contra a pessoa possuem padrão de associação espacial em municípios com elevado índice de criminalidade.

Com isso, as políticas de combate à criminalidade no Estado de Minas Gerais devem considerar que os municípios que formam os clusters com altos níveis de criminalidade contra o patrimônio não coincidem com aqueles formados por crimes contra a pessoa, demonstrando a necessidade de políticas específicas para o perfil de criminalidade de cada região.

Uma das limitações deste trabalho refere-se ao restrito período de tempo analisado, devido ao banco de dados disponível, não podendo ser levantadas maiores inferências para um período de tempo maior.

Uma sugestão para futuros trabalhos é incorporar variáveis socioeconômicas à análise, tais como renda, educação, emprego, entre outras, o que permitirá verificar os fatores que mais contribuem com a criminalidade na região de interesse. Conhecer os fatores propiciadores da criminalidade é importante, pois permite a elaboração de políticas públicas específicas para cada localidade e seu respectivo grupo de risco.

Referências

ANDRADE, S. S. C. A., et al. Perfil das vítimas de violências e acidentes atendidas em serviço de urgência e emergência selecionados em capitais brasileiras: vigilância de violências e acidentes, 2009. Epidemiologia e Serviços de Saúde. Brasília, p. 21-30, 2012.

BATELLA, W. B. et al. Explorando os determinantes da geografia do crime nas cidades médias mineiras. Revista de Biologia e Ciências da Terra, v. 8 n. 1, 2008.

BATELLA, W. B.; DINIZ, A. M. A. Análise espacial dos condicionantes da criminalidade violenta no estado de Minas Gerais. Sociedade & Natureza, Uberlândia, 2010. 

BECKER, G. S. Crime and Punishment: an economic approach. Columbia University. Journal of Political Economy, 1968.

BRASIL. Fundação João Pinheiro. Anuário de informações criminais de Minas Gerais. Belo Horizonte, MG, 2010.

CERQUEIRA, D. R. C. et al. Análise dos custos e consequências da violência no Brasil. IPEA. 2007.

CERQUEIRA, D.; LOBÃO, W. Determinantes da criminalidade: uma resenha dos modelos teóricos e resultados empíricos. IPEA. Rio de Janeiro, 2003.

COHEN, L.; FELSON, M. Social change and crime rate trends: a routine activities approach. American. Sociological Review, v. 44, p. 588-608, 1979.

DINIZ, A. M. A; RIBEIRO, J.G. da P Violência urbana nas cidades médias mineiras: determinantes e implicações. Geosul, Florianópolis, v. 20, n. 40, p. 77-103, 2005.

FARIAS, C. A. et al. Dependência espacial  e análise  de agrupamento de municípios para diferentes  tipos de crime em Minas Gerais. Reuna, Belo Horizonte, v. 13, n. 3, p. 67-83, 2008.

FREITAS, C. A; PAZ, M. V.; NICOLA, D. S. Analisando a modernização da agropecuária gaúcha: uma aplicação de analise fatorial e cluster. Análise Econômica, ano 25, n° 47, mar/2007. Porto Alegre, Faculdade de Ciências Econômicas, UFRGS, 2007.

GLOBAL PEACE INDEX. Measuring the state of global peace. Global Peace Index  and Institute for Economics & Peace, 2013.

GOTTFREDSON, M.; HINDELANG, M. Sociological aspects of criminal victimization. Annual Review of Sociology, v. 7, p.107-128, 1981.

HAIR, F.J et al. Análise multivariada de dados. 6ª ed. Porto Alegre: Bookman, 2009.

HINDELANG, M.; GOTTFREDSON, M.; GARAFOLO, J. Victims of Personal Crime: An Empirical Foundation for a Theory of Personal Victimization. Cambridge, MA: Ballinger Publishing Company, 1978.

JOHNSON, R. A., WICHERN, D. W. Applied multivariate statistical analysis. 3 ed. New Jersey: Prentice Hall, 1992. p. 356-383.

MÁXIMO, A. A. A importância do mapeamento da criminalidade utilizando-se tecnologia de Sistema de Informação Geográfica para auxiliar a segurança pública no combate à violência. Dissertação de Mestrado. UFSC. Florianópolis, 2004.

MINGOTI, S. A. Análise de dados através métodos de estatística multivariada: uma abordagem aplicada. Belo Horizonte: Editora UFMG, 2005.

OLERIANO, E. S. Espacialização da criminalidade em Viçosa – MG: mapeamento, reflexões e uso do SIG para o planejamento preventivo. Monografia. UFV. Viçosa, 2007.

OLIVEIRA, C. A. Criminalidade e o tamanho das cidades brasileiras: um enfoque da economia do crime. ANPEC, 2005.

PEIXOTO, B.; MORO, S.; ANDRADE, M. Criminalidade na Região Metropolitana de Belo Horizonte: uma análise espacial. In: XI Seminário de Economia Mineira, 2004. Diamantina, 2004.

SANTOS, D. R. C.; JESUS, J. A. Uso do Geoprocessamento para Territorialização do Espaço Urbano de Jacobina, Segundo Áreas de Ocorrências Criminais no Período de 2007 a 2008. XV Simpósio Brasileiro de Sensoriamento Remoto – SBSR. Curitiba, 2011.

SANTOS, M. A. S.; SANTANA, A. C.; RAIOL, L. C. B. Índice de modernização da pecuária leiteira no estado de Rondônia: determinantes e hierarquização. Perspectiva Econômica, v.7, n.2, p. 93-106, 2011.

SILVEIRA, A. M. A prevenção de homicídios: a experiência do programa fica vivo no morro das pedras. educação e realidade, p. 163-176, 2008.

UNODC. Global study on homicide. United Nations Office on Drugs and Crime, Vienna, 2011.

WAISELFISZ, J. J. Mapa da violência 2013: homicídios e juventude no Brasil. Cebela. Flacso, 2013.

1. Estudante de Mestrado em Economia Aplicada da Universidade Federal de Viçosa (UFV). E-mail: taliedecastro@yahoo.com.br.

2. Estudante de Mestrado em Economia Aplicada da UFV. E-mail: iaramaira.silveira@gmail.com.

3. Professora Associada do Programa de Pós-Graduação em Economia Aplicada da UFV e Bolsista de Produtividade do Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq). E-mail: vslirio@ufv.br

4. Professor Adjunto do Programa de Pós-Graduação em Administração e Diretor da Editora da Universidade Federal de Santa Maria (UFV). E-mail: daniel.coronel@uol.com.br. Homepage: www.danielcoronel.com.br

5. Professor Associado do Departamento de Economia da Universidade Federal do Acre (UFA). E-mail: rublicleis@uol.com.br.

6. Produzir resultados com o menor custo.

7. Capacidade de alcançar os resultados almejados.

8. Ver Becker (1968).

9. Ver Cohen e Felson (1979).

10. Ver Hindelang et al. (1978) e Gottfredson e Hindelang (1981).

11. Estão incluídas neste grupo as ocorrências registradas de homicídio, homicídio tentado e estupro.

12. Estão incluídas neste grupo as ocorrências registradas de roubo e roubo à mão armada.

13. Municípios da Região Metropolitana de Belo Horizonte: Baldim, Belo Horizonte, Betim, Brumadinho, Caeté, Capim Branco, Confins, Contagem, Esmeraldas, Florestal, Ibirité, Igarapé, Itaguara, Itatiaiuçu, Jaboticatubas, Nova União, Juatuba, Lagoa Santa, Mário Campos, Mateus Leme, Matozinhos, Nova Lima, Pedro Leopoldo, Raposos, Ribeirão das Neves, Rio Acima, Rio Manso, Sabará, Santa Luzia, São Joaquim de Bicas, São José da Lapa, Sarzedo, Taquaraçu de Minas, Vespasiano.