4 MODELO EMPÍRICO - Análise da influência de indicadores socioeconômicos sobre a criminalidade

A partir da definição das variáveis a serem utilizadas no estudo e do modelo econométrico a ser adotado, procura-se verificar a influência das variáveis relacionadas à renda, educação, repressão e características da população (participação masculina e faixas de idade) sobre a ocorrência de crimes violentos e não-violentos. Dessa forma, as seguintes variáveis serão utilizadas na estimação do modelo dessa pesquisa:

TABELA 2 – Variáveis do modelo empírico

Variável Descrição nviol Crimes não-violentos: soma de roubos em comércio e roubos diversos viol Crimes violentos: soma de homicídios e estupros

energ Consumo de energia elétrica efetivopm Efetivo da Polícia Militar pmasc População masculina

_10a19 População de 10 a 19 anos de idade _15a24 População de 15 a 24 anos de idade _20a49 População de 20 a 49 anos de idade _20a29 População de 20 a 29 anos de idade _30a49 População de 30 a 49 anos de idade salas Salas de aula

aluno Matrículas totais

ejovad Matrículas no ensino de jovens/adultos efundam Matrículas no Ensino Fundamental emedio Matrículas no Ensino Médio

Fonte: Anuário Estatístico do Distrito Federal 2002

Utilizando-se os respectivos anos das observações ou as regiões administrativas como parâmetro para se verificar os efeitos dos estimadores, o modelo não apresentava significância estatística. Procurou-se verificar se os efeitos em relação a uma dummy relativa aos grupos de renda das regiões administrativas

apresentavam significância estatística. Seguindo a metodologia realizada pela PED (Pesquisa de Emprego e Desemprego), classificam-se os grupos da seguinte forma:

- Grupo 1: Grupo de Regiões Administrativas de renda mais alta (Brasília, Lago Sul e Lago Norte);

- Grupo 2: Grupo de Regiões Administrativas de renda intermediária (Gama, Taguatinga, Sobradinho, Planaltina, Núcleo Bandeirante, Guará, Cruzeiro, Candangolândia e Riacho Fundo); - Grupo 3: Grupo de Regiões Administrativas de renda mais baixa

(Brazlândia, Ceilândia, Samambaia, Paranoá, São Sebastião, Santa Maria e Recanto das Emas).

A utilização de uma dummy referente aos grupos de renda (denominados "grp" no modelo) faz com que o modelo apresente significância estatística em seus parâmetros, passando, portanto, a ser utilizada como base de comparação para se verificar os efeitos dos estimadores.

Analisando-se o efeito do resíduo especifico não observado nos grupos, para se verificar qual tipo de efeito melhor representa o modelo, o ajustamento através de efeito-fixo demonstrou ser mais significativo do que através de efeito-aleatório, sendo confirmada sua representatividade através do teste de Hausman (Apêndice D).

Na estimação dos condicionantes dos crimes violentos (Apêndice B), as variáveis que demonstraram significância estatística foram: renda (relação negativa), participação masculina na população (relação positiva), efetivo da Polícia Militar (relação negativa) e faixa etária de 15 a 24 anos (relação positiva). A equação pode ser demonstrada da seguinte forma:

(15) 24 15 4 3 2 1

0 energ pmasc efetivopm a

viol=α −α +α −α +α

Em relação aos crimes não-violentos (Apêndice C), as variáveis dependentes que demonstraram significância estatística foram: renda (relação negativa), efetivo da Polícia Militar (relação negativa) e faixa etária de 20 a 49 anos (relação positiva). De forma equivalente, sua equação poder ser representada por:

(16) 49 20 3 2 1 0 energ efetivopm a nviol =β −β −β + β

Os resultados apresentam-se em acordo com a teoria. Nas duas categorias de crime o coeficiente da variável renda demonstra que a variação na renda está inversamente relacionada com incentivos ao crime – evidenciando que o rendimento relativo das atividades legais e ilegais é considerado na regra de decisão de se cometer uma infração – e com o efetivo da Polícia Militar – confirmando que pode ser um indicador representativo da repressão ao crime, representando relação direta com a probabilidade de punição, reduzindo o incentivo à atividade ilegal.

Nas estimações também foram verificadas as faixas etárias que têm maior representatividade com a ocorrência de cada tipo de crime. Os resultados apresentaram parâmetros significativos demonstrando que os crimes violentos estão positivamente relacionados com o percentual de homens na população e com a faixa etária de 15 a 24 anos. Similarmente, os crimes não-violentos apresentaram-se positivamente relacionados com o percentual da população da faixa etária de 20 a 49 anos.

No caso das variáveis relacionadas ao estudo, nenhuma delas apresentou-se como representativa na explicação do crime, não apresentando

significância estatística em seus parâmetros. Nos casos em que o coeficiente da variável apresentou sinal positivo (crime tendo relação positiva com a educação), optou-se por não incluir nos resultados, por ser considerada uma regressão espúria.

CONCLUSÃO

Verificando os resultados encontrados nessa pesquisa, observa-se que apresentam aspectos em comum com a literatura analisada, assim como na estimação do modelo são obtidos coeficientes com sinais compatíveis com a teoria econômica. Com resultados similares aos demais artigos, a pesquisa realizada no Distrito Federal demonstra que fatores relacionados a situações sociais e econômicas precárias atuam como condicionantes diretos da atividade criminosa.

Destaca-se que a influência da renda tem sido determinante na regra de decisão das atividades ilegais, tanto no caso dos crimes violentos como dos não-violentos, demonstrando que uma parcela significativa dos crimes está relacionada a fatores econômicos – seja através de sua motivação principal (como no caso dos crimes contra o patrimônio) ou pelo fato de haver uma forte relação entre baixos rendimentos e condições precárias de subsistência, não permitindo ao indivíduo melhores oportunidades de desenvolvimento pessoal e profissional, optando, muitas vezes, por incorrer em atividades criminosas como meio de sustento.

Os resultados também evidenciam o papel da presença do efetivo da Polícia Militar como agente de repressão à atividade criminosa, afetando, da mesma forma que no caso da renda, ambas as categorias de crime. Em conformidade com a teoria sobre o crime, a variável utilizada como representação direta com a probabilidade de punição do infrator (de ser pego) demonstra que o risco implícito às ações ilegais está significativamente presente em sua regra de decisão.

A verificação de determinadas características dos infratores, de acordo com o tipo de crime, pode demonstrar alguns padrões importantes. No caso dos crimes violentos, há uma representativa influência do aumento da parcela masculina da população e da faixa etária de 15 e 24 anos, confirmando que essa categoria de crimes se relaciona principalmente a jovens do sexo masculino e com baixo rendimento formal. De maneira similar, nos crimes não-violentos os resultados demonstraram que tem significante relação com a faixa etária de 20 a 49 anos. Em relação aos grupos de idade, os padrões verificados podem demonstrar que a passagem da adolescência para a idade adulta tende a alterar o tipo de ação criminosa, passando a cometer crimes não-violentos – em geral contra a propriedade – motivados principalmente por maiores necessidades financeiras devido à elevação das responsabilidades nesse estágio da vida.

Embora a educação informal (principalmente a familiar, que fundamenta a formação do caráter e dos valores éticos e morais do indivíduo) tem essencial importância na decisão de se cometer um crime, no caso da educação formal os resultados não se demonstraram significantes, mesmo com a utilização de diferentes graus de escolaridade e proxys de estudo.

Observa-se através dessa pesquisa, portanto, a importância de melhores condições sociais e econômicas para a efetiva redução dos níveis de criminalidade no Distrito Federal. Medidas tanto governamentais quanto de iniciativa privada que gerem empregos e melhores rendimentos pode inibir a principal motivação para a ação criminosa, a de caráter econômico. Mesmo que os testes realizados não tenham demonstrado a importância da educação no comportamento e na formação de um indivíduo, ela se faz presente – e tanto a teoria quanto outros estudos empíricos comprovam essa afirmação, inclusive com a consideração de sua

relação direta com melhores oportunidades de emprego e, conseqüentemente, de maiores rendimentos. A ocorrência de crimes está ligada diretamente com a consecução de políticas governamentais, principalmente no que se refere a melhores oportunidades de emprego, educação e segurança pública.

BIBLIOGRAFIA

ÅBERG, Y.; HEDSTRÖM, P.; KOLM A. S. Social Interactions And Unemployment. NBER Working Papers, nº 2003:15, June 2003.

ARGYS, L. M.; MOCAN H. N. Who Shall Live and Who Shall Die? An Analysis of

Prisioners on Death Row in the United States. University of Colorado at Denver.

January 2003.

BECKER, G. S. (1974). A Theory of Social Interactions. Journal of Political Economy, v. 82, nº. 6, pp. 1063-93.

_____. Crime and Punishment: an Economic Approach. Journal of Political Economy. Vol. 76, nº 2: 169-217. Mar-Apr. 1968.

BUETTNER, T.; SPENGLERZ, H. Local Determinants of Crime: Distinguishing

Between Resident and Non-resident Offenders. February, 2003.

CAMERON, S. The Economics of Crime Deterrence: a Survey of Theory and

Evidence. Kiklos, vol. 41: 301-323. 1988.

CARNEIRO, F. G.; LOUREIRO, P. R. A.; SACHSIDA, A. (2002). Crime And Social

Interactions: A Developing Country Case Study. Universidade Católica de

Brasília.

CULLEN, J.B.; STEVEN D. L. Crime, Urban Flight and the Consequences for

Cities. NBER Working Paper nº 5737. September 1996. Cambridge MA.

EHRLICH, I. Participation in Illegitimate Activities: A Theoretical and Empirical

Investigation. Journal of Political Economy, p. 521-565 May/Jun73.

EICHBERGER, J.; KELSEY, D.; SCHIPPER, B. Ambiguity and Social Interaction. (July 14, 2003). University of Birmingham, July 2003.

FAJNZYLBER, P.; LEDERMAN, D.; LOAYZA, N. What Causes Violent Crime?. World Bank Report. (1998a).

_____. Determinants of Crime Rates in Latin America and the World - An

Empirical Assessment. World Bank Latin American and Caribbean Studies. The

World Bank – Whashington-DC (1998b).

_____. Inequality and Violent Crime. Forthcoming in "The Journal of Law and Economics", August 2001.

FALK, A.; FISCHBACHER, U.; GAECHTER, S. Living in Two Neighborhoods -

Social Interactions in the Lab (May 2003). CESifo Working Paper Series No. 954;

FLEISHER, B. M. (1966). The Effect of Income on Delinquency. American Economic Review 56: 118-137.

FREEMAN, R. B. The Economics of Crime. Handbook of Labor Economics – chapter 52, v.3, edited by O. Ashenfelter and D. Card, 1999, Elsevier Science.

GLAESER, E. L. An Overview of Crime and Punishment. Harvard University and NBER. March 1999.

GLAESER, E. L., SACERDOTE, B.; SCHEINKMAN, J. A. Crime and Social

Interactions. Quaterly Journal of Economics, v. 111, p. 507-548, 1996.

GREENE, W. H. Econometric Analysis. New York University, 1997.

GROGGER, J. Market Wages and Youth Crime. NBER Working Paper nº 5983. March 1997. Cambridge MA.

HANSEN, K.; MACHIN, S. Spatial Crime Patterns and the Introduction of the UK

Minimum Wage. Oxford Bulletin Of Economics And Statistics, nº 64, Supplement

(2002).

HAUSMAN, J. A. Specification Tests in Econometrics. Econometrica, vol. 46, nº 6, p. 1251-1271. November, 1978.

HAYASHI, F. Econometrics. Princeton University Press, 2000.

IMROHOROGLU, A.; MERLO, A.; RUPERT, P. What Accounts for the Decline in

Crime?. C.V. Starr Center for Applied Economics - New York University - June 2000.

IRVINE, I.; XU, K. Crime, Punishment and the Measurement of Poverty in the

United States, 1979-1997. June 2003.

LALIVE, R. Social Interactions in Unemployment. Nº 03-063/3 in Tinbergen Institute Discussion Papers, June (2003).

LEVITT, S. D. Juvenile Crime and Punishment. NBER Working Paper nº 6191. September 1997. Cambridge MA.

LOTT, J. R. Do We Punish High Income Criminals Too Heavily?. Economic Inquiry 30: 583-608. October, 1992.

MACHIN, S.; MEGHIR, C. (2000). Crime and Economic Incentives. The institute for fiscal studies. The Institute For Fiscal Studies, paper WP 00/17.

MANSKI, C. F. Economic Analisys of Social Interactions. NBER Working Paper nº 7580. March 2000.

MATSUEDA, R. L.; GARTNER, R.; PILLIARIN, I.; POLAKOVSKI, M. The Prestige of

Criminal and Convenientional Occupations. American Sociological Review 57(6):

MENDONÇA, M. J. C; LOUREIRO, P. R. A.; SACHSIDA, A. Interação Social e

Crimes Violentos: Uma Análise Empírica a Partir dos Dados do Presídio de Papuda. Estudos Econômicos – IPE/USP. São Paulo, vol.32(4), p. 621-641

.Outubro-Novembro 2002.

MUSTARD, D. B. Re-examining Criminal Behavior: The Importance of Omitted

Variable Bias. Review of Economics and Statistics, v. 85 (1), February, 2003.

RAPHAEL, S.; WINTER-EBMER, R. Identifying The Effect Of Unemployment On

Crime. University Of California, San Diego. Discussion Paper 98-19, August 1998.

SAH, R. K. (1991). Social Osmosis and Pattern of Crime. Journal of Political Economy. Vol. 99, nº 6: 1272-1295.

SAMPSON, R. J.; RAUDENBUSH, S. W.; EARLS, F. (1997). Neighborhoods and

Violent Crime: a Multilevel Study of Collective Efficacy. Science 277: 918-924.

USHER, D. Education as a Deterrent to Crime. Queen’s University. Canadian Journal of Economics. May 1997.

WOOLDRIDGE, J. M. Introductory Econometrics: a Modern Approach. South- Western College Publishing, 2000.

ZENOU, Y. The Spatial Aspects of Crime. (August 2003). CEPR Discussion Paper nº 4028.

APÊNDICE A

Devido ao fato dos valores da renda nas regiões administrativas do Distrito Federal estarem somente disponíveis para os anos de 1997 e 2000, foi necessário recorrer ao uso de uma proxy, para a utilização de dados para todo o período dessa pesquisa. Para verificar se o consumo de energia pode ser utilizado como proxy da renda, foram comparados seus valores per capita, realizando uma regressão econométrica pelo método dos mínimos quadrados ordinários (MQO), de acordo com o modelo:

(17)

X Y =α +β

Onde:

Y = energiapc = Consumo de energia residencial per capita (em MWh) X = rendapc = Renda per capita (em R$)

TABELA 3 – Consumo de energia elétrica residencial (em MWh) e renda nas regiões administrativas do Distrito Federal – em valores per capita.

RA Ano energiapc rendapc

Brasília 2000 1,39938 1140,09 Gama 2000 0,56034 292,29 Taguatinga 2000 0,76669 489,36 Brazlândia 2000 0,38981 182,27 Sobradinho 2000 0,72392 376,92 Planaltina 2000 0,44547 194,03 Paranoá 2000 0,32183 152,47 Núcleo Bandeirante 2000 1,12815 834,97 Ceilândia 2000 0,48799 216,18 Guará 2000 0,80578 567,83 Cruzeiro 2000 1,26657 1053,74 Samambaia 2000 0,48179 169,41 Santa Maria 2000 0,44728 167,03 São Sebastião 2000 0,32602 281,00 Recanto das Emas 2000 0,33541 140,31 Lago Sul 2000 3,34879 2007,04 Riacho Fundo 2000 0,53108 268,37 Lago Norte 2000 1,62091 1370,6

RA Ano energiapc rendapc Brasília 1997 1,89023 968,89 Gama 1997 0,53564 245,2 Taguatinga 1997 0,68638 428,68 Brazlândia 1997 0,33778 169,4 Sobradinho 1997 0,65736 302,03 Planaltina 1997 0,42414 163,02 Paranoá 1997 0,30662 119,48 Núcleo Bandeirante 1997 1,69091 520,68 Ceilândia 1997 0,45503 197,21 Guará 1997 0,78226 569,76 Cruzeiro 1997 1,16005 669,87 Samambaia 1997 0,43823 200,3 Santa Maria 1997 0,38961 122,2 São Sebastião 1997 0,32032 143,27 Recanto das Emas 1997 0,33242 123,83

Lago Sul 1997 1903,07

Riacho Fundo 1997 249,8 Lago Norte 1997 1415,54

Candangolândia 1997 301,31

Fonte: Anuário Estatístico do Distrito Federal 2002

Foram obtidos os seguintes resultados:

. reg energiapc rendapc

Portanto, demonstra-se que a relação existente entre as variáveis nos permite utilizar o consumo per capita de energia elétrica como proxy da renda per capita para as regiões administrativas do Distrito Federal.

APÊNDICE B

Na estimação do modelo que busca verificar quais as variáveis que melhor apresentam influência sobre os crimes violentos, obtém-se como o mais significante o representado por:

. xtreg viol energ pmasc efetivopm _15a24, fe i(grp)

Fixed-effects (within) regression Number of obs = 70 Group variable (i) : grp Number of groups = 3 R-sq: within = 0.2840 Obs per group: min = 8 between = 0.7908 avg = 23.3 overall = 0.3323 max = 36 F(4,63) = 6.25 corr(u_i, Xb) = -0.8178 Prob > F = 0.0003 --- viol | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- energ | -.0002012 .0000542 -3.71 0.000 -.0003094 -.0000929 pmasc | .0184447 .0142326 1.30 0.200 -.0099969 .0468863 efetivopm | -.0000987 .0000309 -3.19 0.002 -.0001605 -.0000368 _15a24 | .0178041 .0100609 1.77 0.082 -.0023011 .0379092 _cons | -.6378076 .6909304 -0.92 0.359 -2.018522 .7429065 ---+--- sigma_u | .19334472 sigma_e | .12213974

rho | .71476039 (fraction of variance due to u_i)

--- F test that all u_i=0: F(2, 63) = 5.35 Prob > F = 0.0071

Verifica-se, portanto, que o modelo que apresenta maior significância na estimação dos crimes violentos é o que utiliza energia (proxy de renda), percentual de população masculina, efetivo da Polícia Militar e faixa etária de 15 a 24 anos, através do modelo de efeito-fixo em relação aos grupos de renda da PED.

APÊNDICE C

Similarmente ao teste realizado para os crimes violentos, na estimação das variáveis que condicionam os crimes não-violentos o modelo estimado que apresentou a melhor representatividade dos parâmetros foi:

. xtreg nviol energ efetivopm _20a49, fe i(grp)

Fixed-effects (within) regression Number of obs = 70 Group variable (i) : grp Number of groups = 3 R-sq: within = 0.1485 Obs per group: min = 8 between = 0.0889 avg = 23.3 overall = 0.0383 max = 36 F(3,64) = 3.72 corr(u_i, Xb) = -0.8931 Prob > F = 0.0157 --- nviol | Coef. Std. Err. t P>|t| [95% Conf. Interval] ---+--- energ | -.0040758 .0012475 -3.27 0.002 -.006568 -.0015835 efetivopm | -.0011904 .0006951 -1.71 0.092 -.0025791 .0001983 _20a49 | .2371844 .1486094 1.60 0.115 -.0596969 .5340658 _cons | -1.871631 6.833636 -0.27 0.785 -15.52339 11.78013 ---+--- sigma_u | 4.3035866 sigma_e | 2.6282966

rho | .72834177 (fraction of variance due to u_i)

--- F test that all u_i=0: F(2, 64) = 4.94 Prob > F = 0.0101

De forma equivalente, o modelo que apresenta maior significância na estimação dos crimes não-violentos é o que utiliza energia (proxy de renda), efetivo da Polícia Militar e faixa etária de 20 a 49 anos, através do modelo de efeito- fixo em relação aos grupos de renda da PED.

APÊNDICE D

Através do teste de especificação de Hausman, a eficiência dos estimadores de efeito-aleatório e de efeito-fixo é comparada. Considerando-se o efeito-fixo como o que resulta em melhores parâmetros do modelo, faz-se uma comparação com o modelo de efeito-aleatório, para verificar se há diferenças sistemáticas entre seus coeficientes.

- na estimação dos crimes violentos, o teste de Hausman demonstrou os seguintes resultados:

. xtreg viol energ pmasc efetivopm _15a24, fe i(grp)

rho | .71476039 (fraction of variance due to u_i)

--- F test that all u_i=0: F(2, 63) = 5.35 Prob > F = 0.0071

. hausman, save

. xtreg viol energ pmasc efetivopm _15a24, re i(grp)

Random-effects GLS regression Number of obs = 70 Group variable (i) : grp Number of groups = 3 R-sq: within = 0.2067 Obs per group: min = 8 between = 0.9149 avg = 23.3 overall = 0.3908 max = 36 Random effects u_i ~ Gaussian Wald chi2(4) = 41.70 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

rho | 0 (fraction of variance due to u_i)

---

. hausman

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B)) | Prior Current Difference S.E.

---+--- energ | -.0002012 -.0000744 -.0001268 .0000464 pmasc | .0184447 .0304912 -.0120465 .0057223 efetivopm | -.0000987 -.0000306 -.000068 .0000214 _15a24 | .0178041 .0220639 -.0042598 . --- b = less efficient estimates obtained previously from xtreg B = fully efficient estimates obtained from xtreg

Test: Ho: difference in coefficients not systematic chi2( 4) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 12.50

Prob>chi2 = 0.0140

- similarmente, na estimação dos crimes não-violentos, o teste de Hausman apresentou os seguintes resultados:

. xtreg nviol energ efetivopm _20a49, fe i(grp)

rho | .72834177 (fraction of variance due to u_i)

--- F test that all u_i=0: F(2, 64) = 4.94 Prob > F = 0.0101

. hausman, save

. xtreg nviol energ efetivopm _20a49, re i(grp)

Random-effects GLS regression Number of obs = 70 Group variable (i) : grp Number of groups = 3 R-sq: within = 0.0684 Obs per group: min = 8 between = 0.1430 avg = 23.3 overall = 0.0604 max = 36 Random effects u_i ~ Gaussian Wald chi2(3) = 4.24 corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.2364

rho | 0 (fraction of variance due to u_i)

---

. hausman

---- Coefficients ----

| (b) (B) (b-B) sqrt(diag(V_b-V_B)) | Prior Current Difference S.E.

---+--- energ | -.0040758 -.001197 -.0028788 .0010961

efetivopm | -.0011904 .0002975 -.0014879 .0005207 _20a49 | .2371844 .0111288 .2260557 .0618426

--- b = less efficient estimates obtained previously from xtreg B = fully efficient estimates obtained from xtreg

Test: Ho: difference in coefficients not systematic chi2( 3) = (b-B)'[(V_b-V_B)^(-1)](b-B) = 13.20

Prob>chi2 = 0.0042

Os resultados demonstram que para ambas as categorias de crime a hipótese de efeito de nível individual modelada por efeito-aleatório é fortemente rejeitada. Dessa forma, confirma-se que a utilização dos estimadores de efeito-fixo é a que apresenta estimadores mais consistentes e com os parâmetros mais eficientes.

No documento Análise da influência de indicadores socioeconômicos sobre a criminalidade no Distrito Federal (páginas 40-57)