A Relação entre Vulnerabilidade Socioeconômica e Criminalidade: Uma Análise dos Homicídios e do Tráfico de Drogas no município de Curitiba em 2011

A Relação entre Vulnerabilidade Socioeconômica e Criminalidade: Uma

Análise dos Homicídios e do Tráfico de Drogas no município de Curitiba

em 2011

Vinicius Klein Budal (UFPR) Raquel Rangel de Meireles Guimarães (UFPR)

_{Os autores agradecem à equipe da Coordenadoria de Análise e Planejamento Estratégico da Secretaria de Estado}

da Segurança Pública e Administração Penitenciária do Paraná, Sr. Antonio Jorge Gonçalves Pontes, Coordenador Interino, e Sr. Gladson Fabian Marques, Analista Criminal, por disponibilizarem os dados criminais de Curitiba analisados neste trabalho.

A Relação entre Vulnerabilidade Socioeconômica e Criminalidade: Uma

Análise dos Homicídios e do Tráfico de Drogas no município de Curitiba

em 2011

1. Introdução

A criminalidade é um problema social relevante que afeta toda a sociedade e, por isso, tem ganhado destaque nos estudos acadêmicos e nas políticas públicas. A importância do tema se ampara nos prejuízos decorrentes dos atos ilícitos e na perda de bem-estar social trazida pela elevada incidência da criminalidade: reduções na expectativa de vida, sentimento de insegurança, bens perdidos e destruídos, gastos com prevenção, custos relacionados com a justiça criminal e prisão e redução da produtividade, devido às perdas de capital físico e humano (SOARES, 2015). Por exemplo, Cerqueira e Soares (2014) estimaram que, em 2007, o custo do bem-estar social dos homicídios no Brasil correspondeu, em termos de fluxo, a 2,34% de PIB, sendo que esse valor aumenta para 6,08% do PIB quando se consideram os gastos diretos com segurança pública. Nesse sentido, torna-se urgente a determinação dos fatores associados à mesma para que seja possível minimizar esse grave problema social.

Dentre os fatores associados à violência, o poder explicativo da vulnerabilidade socioeconômica tem sido bastante explorado na literatura. Por exemplo, alguns estudos evidenciam uma alta correlação entre a criminalidade e a desigualdade de renda (BEATO, 2000; CARVALHO; LAVOR, 2008; NERY et al., 2014; SANTOS, 2009). Nos estudos com dados agregados, a vulnerabilidade socioeconômica é usualmente medida por meio de uma ou como uma combinação de fatores de risco, quais sejam: níveis de desemprego, pobreza, baixos níveis de oportunidades econômicas, más condições de habitação e falta de acesso aos serviços públicos. A literatura teórica documenta que a relação entre vulnerabilidade socioeconômica é bidirecional: quanto maior a vulnerabilidade, maior a ocorrência de episódios de criminalidade. Por sua vez, argumenta-se que a criminalidade gera vulnerabilidade socioeconômica: por exemplo, a exposição à criminalidade pode afetar negativamente a capacidade das pessoas em se manter no emprego (como exemplo, mulheres vítimas de agressões por seus parceiros), gerando estresse pós-traumático e afetando diretamente os resultados econômicos, tais como o nível de renda e emprego, e, ainda outros indicadores não econômicos, como desempenho escolar (HEINEMANN; VERNER, 2006).

Esse estudo busca contribuir com a literatura testando se diferentes níveis de vulnerabilidade socioeconômica estão associados à variações na incidência da criminalidade nos bairros do município de Curitiba, no estado do Paraná, em 2011. A violência que assola os

3 grandes centros urbanos no Brasil não é diferente nesse município: entre 2002 e 2012, o município teve um acréscimo de 40,2% no número de óbitos por arma de fogo, conforme o Mapa da Violência 2014 (WAISELFISZ, 2015). Ainda segundo esse estudo, a taxa de homicídios da capital (por 100 mil habitantes), em 2012, foi de 41,8, valor esse superior ao considerado aceitável pela ONU, OMS e ENASP, que é de 10 óbitos por 100 mil habitantes.

Para cumprir o objetivo deste estudo, utilizamos um desenho quantitativo, com base na análise de dados socioeconômicos e demográficos do Censo Demográfico de 2010 (IBGE), de informações para Curitiba disponibilizadas pelo Instituto de Pesquisa e Planejamento Urbano de Curitiba (IPPUC), de indicadores do Atlas do Desenvolvimento Humano do Brasil (PNUD, 2013), e de dados criminais cedidos pela Coordenadoria de Análise e Planejamento Estratégico (CAPE) da Secretaria de Estado da Segurança Pública do Paraná (SESP). Estimou-se modelos de regressão em que as variáveis dependentes de nosso interesse correspondem às ocorrências dos seguintes tipos penais nos bairros em 2011: homicídios e tráfico de drogas. A variável de impacto é um Índice de Vulnerabilidade Socioeconômica (IVS), construído pelos autores através do método de Análise de Componentes Principais.

Esse artigo está organizado em cinco sessões, incluindo esta introdução. Na seção 2 uma revisão da literatura que aborda a relação entre vulnerabilidade socioeconômica e criminalidade no Brasil e no mundo. Os dados e métodos desta pesquisa são apresentados na seção3. Os resultados são sumarizados na seção 4 e, por fim, na seção 5 traçamos as conclusões e os desdobramentos deste estudo.

2. Literatura

No Brasil, a literatura que investiga a relação entre a vulnerabilidade socioeconômica e criminalidade é bastante vasta. Em geral, os autores utilizam diversas proxies para a vulnerabilidade (pobreza, desemprego e desigualdade de renda). Por exemplo, Resende e Andrade (2011) mostram que a desigualdade social tem correlação positiva com os crimes de homicídio, roubo e furto, mas não está associadacom outros crimes como estupro e lesão corporal. Dos Santos (2009) argumenta que a criminalidade tem causa estrutural e se relaciona com a elevada desigualdade de renda, os baixos salários, a pobreza e as altas taxas de desemprego, trazendo impactos negativos sobre o estoque de capital humano disponível. Em um estudo empírico para a cidade de São Paulo entre 2000 e 2010, Nery et al (2014) avaliaramos fatores associados à queda do número de homicídios dolosos, e concluiram que a maior participação social, a melhora de direitos econômicos e sociais, a atuação da gestão municipal, investimentos e ações no campo da segurança pública e em políticas públicas sociais, o

4 encarceramento, a apreensão de armas e as alterações demográficas explicam a dinâmica da violência. Contudo, as taxas de homicídios dolosos não estão sempre relacionadas com melhorias econômicas na infraestrutura ou no perfil demográfico-social, sendo necessário um estudo pontual em função da heterogeneidade espacial em um período de tempo relativamente longo. Reforçando os demais estudos, Uchôa e Menezes (2014) indicaram que a desigualdade, o nível de renda e o desemprego são os fatores mais relevantes para explicar a violência (taxa de homicídios), que é cometida em número mais elevado pelos jovens. Além disso, segundo os autores, a criminalidade pode ser sustentada, em grande medida, pela impunidade e pela sensação de anonimato dos criminosos devido à densidade populacional, que reduz a fiscalização do comportamento dos indivíduos. Ao investigar as principais características socioeconômicas que se associam à criminalidade entre crianças e adolescentes de rua com base em informações de 3028 questionários aplicados em Minas Gerais em 2007, Araújo Jr et. al. (2012) averiguaram que jovens do sexo masculino, que frequentam a escola e que não haviam sofrido violência são menos propensos a cometer crimes. Dessa maneira, há uma forte evidência na literatura da relevância da vulnerabilidade socioeconômica para a criminalidade no Brasil, e este estudo busca contribuir para essa agenda.

3. Metodologia

Para a elaboração deste trabalho, os dados socioeconômicos e demográficos foram obtidos através do Censo Demográfico de 2010 (IBGE, 2010), de dados da cidade de Curitiba compilados pelo Instituto de Pesquisa e Planejamento Urbano de Curitiba (IPUCC, 2010) e de informações sistematizadas pelo Atlas do Desenvolvimento Humano do Brasil (PNUD, 2013). Os dados criminais, por sua vez, foram cedidos aos autores pela Coordenadoria de Análise e Planejamento Estratégico (CAPE) da Secretaria de Estado da Segurança Pública do Paraná (SESP), e referem-se ao ano de 2011.

É importante ressaltar que as informações socioeconômicas dos bairros estão disponíveis somente para 2010. Como as informações de criminalidade são referentes a 2011, assumimos que o efeito das variáveis socioeconômicas se realiza nas taxas de criminalidade do ano seguinte.

As unidades de análise na pesquisa foram os setenta e cinco bairros do município de Curitiba1. Para medir a criminalidade, utilizamos duas proxies que serão nossas variáveis

1 _{Abranches, Água Verde, Ahú, Alto Boqueirão, Alto da Glória, Alto da XV, Atuba, Augusta, Bacacheri, Bairro}

Alto, Barreirinha, Batel, Bigorrilho, Boa Vista, Bom Retiro, Boqueirão, Butiatuvinha, Cabral, Cachoeira, Cajuru, Campina do Siqueira, Campo Comprido, Campo de Santana, Capão da Imbuia, Capão Raso, Cascatinha, Caximba,

5 dependentes: número de homicídios no ano e número de pessoas detidas por tráfico de substâncias entorpecentes no ano. Segundo a legislação brasileira, o homicídio (Art. 121 do Código Penal) consiste em matar alguém. Por sua vez, o uso e tráfico de substâncias entorpecentes (Art. 33 da Lei nº 11.343/2006) consistem em importar, exportar, remeter, preparar, produzir, fabricar, adquirir, vender, expor à venda, oferecer, ter em depósito, transportar, trazer consigo, guardar, prescrever, ministrar, entregar a consumo ou fornecer drogas em desacordo com a lei. Salienta-se que, para ambas as variáveis, pode ocorrer que elas não representem o número total desses crimes, mas sim o número de casos em que a polícia conseguiu intervir. Por outro lado, face não existir uma forma de conhecer esse valor real, assumimos, para fins do estudo, que os valores coletados representam uma medida da atividade ilícita incidente sobre cada bairro.

As variáveis explicativas do modelo foram divididas em um bloco demográfico e um bloco socioeconômico, com os dados agrupados por bairros. O primeiro bloco, conta com os seguintes dados: número de habitantes e número de jovens. O segundo bloco contou com os seguintes dados: renda média, taxa de desemprego/desocupação, taxa de alfabetização, escolaridade, taxa de vulnerabilidade das mulheres, taxa de vulnerabilidade das crianças, proporção de pobres, esperança de vida, mortalidade infantil e número de esgotos irregulares.

Com relação aos dados socioeconômicos coletados, pelo fato de que muitas das variáveis acima mencionadas são correlacionadas entre si, foi criado um indicador que sintetizasse a maior parte da variância destas informações. O referido indicador foi denominado como Índice de Vulnerabilidade Socioeconômica (IVS) e teve como objetivo mensurar a fragilidade em termos de desenvolvimento socioeconômico de cada bairro. Para a estimação do índice foi utilizado o método de Análise de Componentes Principais - ACP (MINGOTI, 2005).

Tendo-se estimado o indicador de vulnerabilidade, foram estimadas regressões econométricas, segundo a particularidade dos dados coletados e analisados. Os métodos empregados nesse estudo são descritos brevemente a seguir.

Centro, Centro Cívico, Cidade Industrial, Cristo Rei, Fanny, Fazendinha, Ganchinho, Guabirotuba, Guaíra, Hauer, Hugo Lange, Jardim Botânico, Jardim das Américas, Jardim Social, Juvevê, Lamenha Pequena, Lindóia, Mercês, Mossunguê, Novo Mundo, Orleans, Parolin, Pilarzinho, Pinheirinho, Portão, Prado Velho, Rebouças, Riviera, Santa Cândida, Santa Felicidade, Santa Quitéria, Santo Inácio, São Braz, São Francisco, São João, São Lourenço, São Miguel, Seminário, Sítio Cercado, Taboão, Tarumã, Tatuquara, Tingui, Uberaba, Umbará, Vila Izabel, Vista Alegre e Xaxim

6 Análise de Componentes Principais

Conforme Mingoti (2005), a técnica de Análise de Componentes Principais (ACP) tem como objetivo explicar a estrutura de variância e covariância de um vetor aleatório de p variáveis aleatórias, por meio de uma combinação linear das variáveis originais. Tais combinações lineares são denominadas componentes principais, e possuem a vantagem de não serem correlacionadas entre si. Desta forma, a partir de p variáveis aleatórias, obtem-se p componentes principais. Contudo, um dos objetivos é reduzir a dimensão das informações das

p variáveis para k componentes principais não correlacionados que aproximam o sistema de

variabilidade das variáveis originais. A ACP consiste, portanto, na decomposição da matriz de correlações do vetor aleatório p e, determinados os k componentes principais, estes podem ser calculados para cada observação amostral, podendo ser utilizados em análises econométricas.

O uso da matriz de correlações neste estudo justifica-se porque dispomos de um vetor aleatório 𝑋 cujas variáveis possuem diferentes variâncias (ex: renda per capita, escolaridade, percentual de domicílios pobres). Neste caso, a técnica de componentes principais é aplicada à matriz de correlação 𝑃𝑝𝑥𝑝 das variáveis originais 𝑋𝑖, 𝑖 = 1, 2, … , 𝑝.

Para a aplicação do método, considere a variável padronizada 𝑍𝑖= (𝑋𝑖− µ𝑖)/𝜎𝑖, onde 𝐸(𝑥𝑖) = µ𝑖 e 𝑉𝑎𝑟(𝑋𝑖) = 𝜎_𝑖2, 𝑖 = 1, 2, … , 𝑝. A matriz 𝑃𝑝𝑥𝑝 é a matriz de covariâncias de 𝑍𝑖. A partir dessa matriz, obtêm-se seus autovalores da matriz λ1 ≥ λ2≥. . . λ𝑝 e seus respectivos autovetores normalizados 𝑒1,𝑒2,. . .,𝑒𝑝, onde 𝑒𝑖= (𝑒𝑖1, 𝑒𝑖2,. . .,𝑒𝑖𝑝)′. A j-ésima componente principal da matriz 𝑃𝑝𝑥𝑝 é definida como:

𝑌𝑗= 𝑒_𝑗′_{𝑍 = 𝑒}

𝑗1 𝑍1+ 𝑒𝑗2 𝑍2+ ⋯ + 𝑒𝑗𝑝 𝑍𝑝 (1)

Quanto aos critérios para determinação do número k de componentes principais, utilizamos a análise dos autovalores λ̂_𝑗. Se há uma diferença considerável entre o primeiro auto-valor e o segundo, então podemos adotar somente uma componente.

Modelos para Dados de Contagem

Neste estudo, as variáveis dependentes são a contagem dos homicídios (HOMIC) e das ocorrências de tráfico de drogas (TRAF_DROGAS) realizadas pela Secretaria de Estado da Segurança Pública do Paraná (SESP) nos bairros em 2011. Devido à preponderância de zeros nestas variáveis, os pequenos valores e sua natureza claramente discretas, optou-se pela estimação de modelos econométricos que considerassem estas características.

Na literatura, os modelos mais comuns para dados de contagem são o Modelo de Poisson e o Modelo Binomial Negativo. Quando há muitos valores zero para as variáveis dependentes

7 na amostra, devemos considerar os modelos de Poisson e Binomial em sua versão com zeros inflados. A seguir apresentamos de forma breve cada um desses modelos.

3.2.1 Modelo de Regressão de Poisson

Seguindo-se Wooldridge (2010), considere 𝑦_𝑖 como o número de ocorrências de HOMIC ou de TRAF_DROGAS no bairro i. Esse modelo especifica que cada 𝑦𝑖 é tomado de

uma distribuição de Poisson com parâmetro 𝜆_𝑖: 𝑃𝑟𝑜𝑏(𝑌𝑖 = 𝑦𝑖) =𝑒

−𝜆𝑖_𝜆𝑦𝑖

𝑦𝑖! , onde 𝑦𝑖 = 0,1,2 …. (2)

Gostaríamos que essa distribuição fosse relacionada com o vetor de variáveis explicativas 𝒙_𝒊 (IVS e as características demográficas). Desta maneira, a esperança dos HOMIC ou de TRAF_DROGAS, dada a observação dos 𝒙𝒊, é:

𝐸[𝑦𝑖|𝒙𝒊] = 𝑣𝑎𝑟[𝑦𝑖|𝒙𝒊] = 𝜆𝑖 = 𝑒𝛽′𝒙𝒊 (3)

Tal que:

𝜕𝐸[𝑦𝑖|𝒙𝒊]

𝜕𝒙𝒊 = 𝜆𝑖𝛽 (4)

O modelo de Poisson é, portanto, caracterizado por uma regressão não-linear e os parâmetros são estimados pelo método de máxima verossimilhança. Obtidas as estimativas dos parâmetros, a previsão para a observação i é 𝜆𝑖 = 𝑒𝛽′𝒙𝒊.

Em termos da qualidade do ajuste, o modelo de Poisson não produz uma estatística similar ao R2 de um modelo de regressão linear, porque a função condicional média é não linear e a regressão é heterocedástica (CAMERON; TRIVEDI, 2005).

Uma crítica usual ao modelo de Poisson é devido ao seu pressuposto de que 𝐸[𝑦_𝑖|𝒙_𝒊] = 𝑣𝑎𝑟[𝑦_𝑖|𝒙_𝒊]. Para verificar se 𝐸[𝑦_𝑖|𝒙_𝒊] = 𝑣𝑎𝑟[𝑦_𝑖|𝒙_𝒊] é verdadeiro, devemos detectar a sobredispersão nos dados. A sobredispersão ocorre se a 𝐸[𝑦𝑖|𝒙𝒊] ≠ 𝑣𝑎𝑟[𝑦𝑖|𝒙𝒊]. Nesse sentido,

define-se  como sendo a deviance do modelo dividida pelos graus de liberdade. Se o modelo de Poisson é adequado, a média e a variância são iguais,  deve ser aproximadamente um. Se  for maior que um, há um indício de sobredispersão, ou seja, a variância verdadeira é maior que a média, o que sugere um ajuste inadequado do modelo de Poisson. Nesse caso, o modelo binomial negativo é uma alternativa.

3.2.2 Modelo de Regressão Binomial Negativa

Na distribuição binomial negativa, temos que 𝑣𝑎𝑟[𝑦𝑖|𝒙𝒊] = 𝐸[𝑦𝑖|𝒙𝒊] + 𝑘 ∙ 𝐸2[𝑦𝑖|𝒙𝒊],

8 reduz à Poisson. Desta maneira, ao invés de assumir que as variáveis dependentes (HOMIC e TRAF_DROGAS) seguem uma distribuição de Poisson, assume-se uma distribuição binomial negativa.

A estimação do modelo de regressão binomial negativa é similar ao ajuste da regressão de Poisson. A média 𝜇 é uma função exponencial das variáveis dependentes 𝒙_𝒊:

𝐸[𝑦_𝑖|𝒙_𝒊] = 𝜇 = 𝑒𝛽′𝒙𝒊 ₍₅₎

Ou seja, o log da média é uma função linear das varáveis dependentes: log (𝜇) = 𝛽′𝒙_𝒊 (6)

No modelo de regressão binomial negativa, o método de máxima verossimilhança é usado para estimar o parâmetro de dispersão 𝑘 e os parâmetros 𝛽 do modelo (WOOLDRIDGE, 2010).

Para escolher entre os dois modelos para dados em contagem, Poisson e regressão binomial negativa, procede-se com um teste da razão de verossimilhança, em que se testa a igualdade da média e da variância imposta pela distribuição de Poisson versus a alternativa de que a variância é maior que a média. Ou seja, sob H0, 𝑘 = 0 e na hipótese alternativa, 𝑘 > 0. Esse teste da razão da verossimilhança é aplicado para verificar a hipótese de sobredispersão. Sob a hipótese nula, a média e a variância são iguais. Se rejeitarmos a hipótese nula, conclui-se que a média e a variância são diferentes e que não podemos utilizar o modelo de Poisson (CAMERON; TRIVEDI, 2010).

3.2.3 Modelos de Contagem com Zeros Inflados

Em algumas aplicações empíricas, o resultado “zero” do processo que gera os dados é qualitativamente distinto dos resultados positivos. Por exemplo, se há bairros nos quais a ocorrência de Homicídio (HOMIC) ou Tráfico de Drogas (TRAF_DROGAS) é igual a zero, então podemos especular que exista uma heterogeneidade associada a estes bairros que os diferem daqueles nos quais a ocorrência de HOMIC ou TRAF_DROGAS é diferente de zero. Um indicador dessa heterogeneidade é um excesso de zeros nas variáveis dependentes. Se isso for constatado nos dados, a alternativa para modelagem é considerar modelos de contagem que envolvam combinações de modelos discretos: os chamados modelos com zeros inflados. Esses modelos consideram que o resultado zero pode ser explicado por duas situações: na primeira situação, o resultado é sempre zero. Na segunda situação, os processos de Poisson ou Binomial Negativa se aplicam, de tal forma que valores zero ou qualquer outro valor positivo podem ocorrer (CAMERON; TRIVEDI, 2005). Por exemplo, assuma que um bairro está sujeito a um

9 processo não observado, por exemplo, o risco da criminalidade, onde esse risco existe ou não. Se um bairro está sujeito a esse risco de criminalidade, então existe um processo de contagem para HOMIC ou TRAF_DROGAS. Por outro lado, se um bairro não possui risco de criminalidade, então o único resultado para HOMIC ou TRAF_DROGAS é zero. Desta maneira, para modelar HOMIC ou TRAF_DROGAS, precisamos modelar em qual das duas situações o resultado zero está associado. Em seguida, utilizamos um modelo de contagem para modelar HOMIC ou TRAF_DROGAS.

Desta maneira, em termos matemáticos, o número de HOMIC ou TRAF_DROGAS esperado é uma combinação de dois processos:

𝐸[HOMIC = k] = Prob[RiscoCriminalidade = 0] ∙ 0 +

Prob[RiscoCriminalidade = 1] ∙ 𝐸[HOMIC = k|RiscoCrimalidade = 1] (7)

Dessa forma, a probabilidade do processo não-observado que determina os zeros pode ser então determinada por um conjunto de covariáveis, que não precisam ser necessariamente as mesmas que determinam o número esperado das variáveis dependentes no modelo de Poisson ou Binomial Negativo.

Para decidir entre o modelo padrão (Poisson ou Binomial Negativo) e o modelo com zeros inflados, utilizamos o teste de Vuong. A estatística de teste segue uma distribuição normal, em que valores positivos com grande magnitude favorecem o modelo com zeros inflados, e valores negativos com grande magnitude favorecem o modelo padrão. Valores próximos a zero não favorecem nenhum modelo (CAMERON; TRIVEDI, 2010, p. 589) 4. Resultados

Apresentamos na Tabela 1 a relação e a descrição das variáveis dependentes e explicativas que foram utilizadas nesta pesquisa (criminais, demográficas e socioeconômicas). Na Tabela 2 são apresentadas as estatísticas descritivas das variáveis empregadas neste estudo, tanto as variáveis dependentes (HOMIC e TRAF_DROGA) como as variáveis que compuseram o IVS e as variáveis demográficas (HABITANTES e JOVENS_15-29). Em Curitiba, no ano de 2011, houve em média 8,88 homicídios e 9,44 ocorrências de tráfico de drogas. Contudo, a variabilidade na amostra destes indicadores, expressa pelo desvio-padrão, é bastante elevada.

Tabela 1: Descrição das Variáveis Presentes na Pesquisa

SIGLA VARIÁVEL Descrição Fonte

HOMIC Número de ocorrências de Homicídios CAPE / SESP/PR TRAF_DROGA Número de ocorrências de Tráfico de Drogas CAPE / SESP/PR

10 JOVENS_15-29 Número de jovens entre 15 e 29 anos de idade IBGE / IPPUC REND_MED Valor do rendimento nominal médio mensal das

pessoas de 10 anos ou mais de idade IBGE / IPPUC ESGOTO_FOSSA Número de domicílios particulares permanentes com

esgotamento sanitário via fossa rudimentar IBGE / IPPUC ESGOTO_VALA Número de domicílios particulares permanentes com

esgotamento sanitário via vala IBGE / IPPUC

TX_ALFA Taxa de alfabetização IBGE / IPPUC

TX_DESOCUPACAO

Taxa de desocupação - PEA de 18 anos ou mais sem ocupação, mas que antes do censo haviam procurado trabalho

ADHB PERC_VULNERAB_MAES % de mães chefes de família sem fundamental e com

filho menor, no total de mães chefes de família ADHB PERC_VULNERAB_CRIANCAS % de crianças em domicílios em que ninguém tem

fundamental completo ADHB

PERC_ADULTOS_FUND % de 18 anos ou mais com ensino fundamental

completo ADHB

PERC_POBRES

Proporção dos indivíduos com renda domiciliar (domicílios particulares permanentes) per capita igual ou inferior a R$140,00 mensais, em reais de ago. 2010

ADHB

ESP_VIDA Expectativa de vida ADHB

MORT_INF Mortalidade Infantil ADHB

Obs.: IBGE: Instituto Brasileiro de Geografia e Estatística, IPPUC: Instituto de Pesquisa Planejamento Urbano de Curitiba, ADHB: Atlas do Desenvolvimento Humano no Brasil, CAPE: Coordenadoria de Análise e Planejamento Estratégico, SESP: Secretaria de Estado da Segurança Pública e Administração Penitenciária do Paraná.

Tabela 2: Estatísticas Descritivas

Variável Obs. Média Desvio-padrão Min Max

HOMIC 75 8,88 17,44 0,00 114,00 TRAF_DROGA 75 9,44 21,85 0,00 146,00 REND_MED 75 2405,29 1229,09 854,89 6184,93 HABITANTES 75 23358,76 28078,56 289,00 172822,00 JOVENS_15-29 75 6184,21 7822,30 83,00 48441,00 ESGOTO_FOSSA 75 97,85 168,81 0,00 731,00 ESGOTO_VALA 75 68,05 120,72 0,00 558,00 TX_ALFA 75 98,01 1,69 92,26 99,82 TX_DESOCUPACAO 75 4,36 0,81 2,43 6,48 PERC_VUL_MAES 75 19,56 13,26 1,42 45,92 PERC_VUL_CRIANCAS 75 11,11 9,09 0,00 37,08 PERC_ADUL_FUND 75 74,76 13,47 47,09 94,75 PERC_POBRES 75 1,97 1,83 0,06 8,06 ESP_VIDA 75 78,01 2,64 71,81 81,45 MORT_INF 75 9,47 3,21 5,70 17,87

Fonte: Elaboração dos autores.

ÍNDICE DE VULNERABILIDADE SOCIOECONÔMICA (IVS)

Nosso primeiro exercício empírico consistiu na estimação da variável não-observada (ou indicador latente) correspondente ao IVS. Para tanto, optou-se pela técnica ACP. O IVS

11 será aproximado a partir das variáveis REND_MED, ESGOTO_FOSSA, ESGOTO_VALA,

TX_ALFA, TX_DESOCUPACAO, PERC_VULNERAB_MAES,

PERC_VULNERAB_CRIANCAS, PERC_ADULTOS_FUND, PERC_POBRES, ESP_VIDA e MORT_INF. Antes da aplicação da técnica ACP, verificamos se existia correlação entre as variáveis escolhidas para a análise, o que é um indicativo do traço latente. A Tabela 3 apresenta essa matriz, que confirma a existência de correlações elevadas entre todas as variáveis. Ainda pela análise da matriz de correlações verifica-se dois perfis de variáveis: aquelas que, quanto mais altas, indicam um melhor posicionamento do bairro frente ao indicador latente (REND_MED, ESP_VIDA, PERC_ADUL_FUND, TX_ALFA), e aquelas que, quando mais altas, indicam maior vulnerabilidade do bairro (ESGOTO_FOSSA, ESGOTO_VALA, TX_DESOCUPACAO, PERC_VUL_MAES, PERC_VUL_CRIANCAS, PERC_POBRES, MORT_INF).

Tendo analisado as correlações, estimou-se as componentes principais da matriz de correlações. Após análise, mantivemos para a construção do IVS somente a primeira componente (Comp1), cujo autovalor foi 7,82. Essa componente explicou por si só 71,15% da variância conjunta das variáveis socioeconômicas analisadas neste trabalho (TABELAS 4 e 5). Logo, utilizamos os escores da primeira componente como proxy para o IVS de cada bairro da cidade de Curitiba. Como as variáveis com sinal negativo tem maior peso na definição da componente (TABELA 5), quanto maior os escores nessa componente, pior é a situação do bairro e maior seu IVS. Para facilitar a interpretação, os escores da primeira componente foram transformados para uma escala varia de 0 a 10, em que zero é o escore para o bairro com menor IVS e 10 é o escore para o bairro com maior IVS.

Tabela 1: Matriz de correlação das variáveis constantes do IVS

REND _MED ESGOTO _FOSSA ESGOT O_VAL A TX_ ALF A TX_DESO CUPACAO PERC_VULN ERAB_MAES PERC_VULNER AB_CRIANCAS PERC_ADU LTOS_FUN D PERC_ POBRE S ESP_ VID A MOR T_IN F REND_MED 1.00 ESGOTO_FOSS A -0.39 1.00 ESGOTO_VALA -0.47 0.62 1.00 TX_ALFA 0.73 -0.25 -0.41 1.00 TX_DESOCUPA CAO -0.49 0.19 0.27 -0.49 1.00 PERC_VULNER AB_MAES -0.84 0.40 0.50 -0.81 0.53 1.00 PERC_VULNER AB_CRIANCAS -0.75 0.40 0.47 -0.76 0.51 0.94 1.00 PERC_ADULTO S_FUND 0.86 -0.42 -0.50 0.82 -0.54 -0.98 -0.96 1.00 PERC_POBRES -0.61 0.37 0.40 -0.66 0.46 0.78 0.90 -0.83 1.00 ESP_VIDA 0.83 -0.40 -0.51 0.82 -0.53 -0.95 -0.95 0.97 -0.86 1.00 MORT_INF -0.78 0.38 0.50 -0.81 0.53 0.94 0.96 -0.96 0.89 -1.00 1.00

Tabela 2: Resultados da Análise de Componentes Principais

Componente Autovalor Diferença entre autovalores Proporção explicada pela componente Proporção acumulada explicada pela componente Comp1 7,8261 6,6638 0,7115 0,7115 Comp2 1,1623 0,4906 0,1057 0,8171 Comp3 0,6717 0,1951 0,0611 0,8782 Comp4 0,4766 0,1080 0,0433 0,9215 Comp5 0,3686 0,1151 0,0335 0,9550 Comp6 0,2535 0,1074 0,0230 0,9781 Comp7 0,1461 0,0858 0,0133 0,9914 Comp8 0,0604 0,0380 0,0055 0,9969 Comp9 0,0223 0,0109 0,0020 0,9989 Comp10 0,0114 0,0106 0,0010 0,9999 Comp11 0,0008 - 0,0001 1,0000

Obs.: Nº de componentes = 11, traço = 11, nº de observações = 75. Fonte: Elaboração dos autores.

Tabela 3: Autovetores associados aos autovalores das Componentes Principais

Variável _{Comp1 Comp2 Comp3 Comp4 Comp5 Comp6 Comp7 Comp8 Comp9 Comp10}

REND_MED _{-0,3055 0,0134 -0,0535 0,4779 0,4545 -0,4116 0,5168 -0,0743 0,0818 -0,1321} ESGOTO_FOSSA _{0,1716 0,7214 0,0547 0,2982 -0,5167 -0,2912 0,0345 -0,0667 -0,0128 0,0245} ESGOTO_VALA _{0,2072 0,6183 0,1067 -0,3066 0,6582 0,1664 -0,0426 0,0773 0,0091 -0,0248} TX_ALFA _{-0,3005 0,1706 0,0154 0,4204 -0,0641 0,8220 0,1162 -0,0859 0,0478 -0,0255} TX_DESOCUPACAO _{0,2118 -0,1760 0,9411 0,1915 0,0377 -0,0013 0,0159 -0,0078 -0,0084 -0,0012} PERC_VUL_MAES _{0,3449 -0,0663 -0,0674 -0,0922 -0,0984 0,1125 0,4971 0,2534 0,6193 0,3826} PERC_VUL_CRIANCAS _{0,3424 -0,0794 -0,1485 0,2370 0,0609 0,0900 0,2233 0,4340 -0,6972 0,2488} PERC_ADUL_FUND _{-0,3509 0,0669 0,0809 0,0458 0,1176 -0,1100 -0,2329 -0,1403 -0,0356 0,8705} PERC_POBRES _{0,3094 -0,0917 -0,1917 0,5459 0,2149 -0,0403 -0,5960 0,2093 0,3319 -0,0301} ESP_VIDA _{-0,3508 0,0771 0,1049 -0,0196 -0,0336 -0,0802 -0,0849 0,5564 0,0720 -0,0330} MORT_INF _{0,3481 -0,0870 -0,1262 0,1008 0,1149 0,0376 0,0497 -0,5924 -0,0670 0,1125}

Fonte: Elaboração dos autores.

MODELO ECONOMÉTRICO PARA OS HOMICÍDIOS

Conforme descrito na seção metodológica deste estudo, é necessária uma análise descritiva da variável dependente para detectar-se a possibilidade de zeros inflados e de sobredispersão. Uma maneira conveniente de se analisar essas informações é através do histograma: esse gráfico para os crimes de Homicídio revelou grande dispersão dos dados e um número elevado de zeros (FIGURA 1). Desta maneira, testamos os modelos que considerassem essa situação: o modelo de Poisson com zeros inflados ou o modelo binomial negativo com zeros inflados.

13 Para decidir entre o modelo de Poisson e o Modelo Binomial Negativo, é preciso verificar se há sobredispersão nos dados. Para tanto, é necessário primeiro especificar as variáveis independentes no modelo. Utilizamos como variáveis explicativas para a ocorrência de homicídios o IVS e também número de ocorrência de Tráfico de Drogas (TRAF_DROGA), pois a literatura indica que o tráfico de drogas é um preditor do número de homicídios (FILHO

et al., 2001). Definidas as variáveis independentes, calculamos a média e a variância do número

de Homicídios para os bairros segundo quartis do Índice de Vulnerabilidade e da ocorrência de Tráfico de Drogas. Essas evidências estão reportadas nas Tabelas 7 e 8. Percebe-se que os homicídios se concentram em maior número nos locais em que há maior vulnerabilidade ou onde exista uma maior atividade ilícita de tráfico de drogas (quartil 4). Ademais, como a variância do homicídio nos quartis é muito elevada, há evidência de sobredispersão. Portanto, o modelo binomial negativo com zeros inflados poderia ser recomendado.

Figura 1: Histograma das Ocorrências de Homicídio por bairros. Curitiba, 2011

Fonte: Elaboração própria com base nos dados da Secretaria de Estado da Segurança Pública do Paraná (SESP).

Tabela 4: Média e Variância do Número de Homicídios (HOMIC) para os bairros agrupados segundo quartis do IVS

Grupos de bairros Média

HOMIC Variância HOMIC N. Obs.

1 – Menor IVS 0,53 0,71 19 2 3,53 12,15 19 3 7,84 53,81 19 4 – Maior IVS 24,44 885,56 18 Total 8,88 304,13 75 0 2 4 6 8 10 12 14 16 18 0 6 _{12 18 24 30 36 42 48 54 60 66 72 78 84 90 96} 102 108 114 120 126 132 138 144 150 Fr e quê nc ia Homicídios

14 Fonte: Elaboração dos autores.

Tabela 5: Média e Variância do Número de Homicídios (HOMIC) para os bairros agrupados segundo quartis da ocorrência de Tráfico de Drogas (TRAF_DROGA)

Grupos de bairros Média

HOMIC

Variância

HOMIC N. Obs.

1 – Baixa ocorrência de TRAF_DROGA 1,83 6,06 24

2 2,58 11,81 19

3 7,93 64,84 14

4 – Alta ocorrência de TRAF_DROGA 25,67 840,00 18

Total 8,88 304,13 75

Fonte: Elaboração dos autores.

Contudo, após os devidos testes de especificações, concluiu-se que o modelo de Poisson

com zeros inflados seria mais adequado, já que a estimativa do logaritmo natural do parâmetro

de sobredispersão  foi estatisticamente igual a zero (favorável ao modelo de Poisson) e que o teste de Vuong indicou que o modelo com zeros inflados possuía um melhor ajuste (Pr>z = 0.0713). Desta maneira, estimamos um modelo de Poisson com zeros inflados para o número de homicídios, em duas especificações: somente o IVS como variável explicativa (Modelo 1) e controlando-se adicionamente pelas ocorrências de tráfico de drogas (Modelo 2). Os resultados estão dispostos na Tabela 9. Na tabela reportamos duas equações, “Equação Principal” é a equação para o número de homicídios e “Equação para zeros inflados” é a parte do resultado que se refere ao modelo logístico que prediz em que medida um bairro terá ou não valor zero de homicídios. Os coeficientes da equação principal devem ser interpretados da seguinte forma: no Modelo 1, quanto o número esperado de homicídios muda quando aumenta-se uma unidade do IVS; no Modelo 2, o coeficiente revela quanto muda o número esperado de homicídios quando aumenta-se uma unidade do IVS, mantido constante o número de ocorrências de tráfico de drogas. A equação para zeros inflados revela a chance da ocorrência zero de homicídios, segundo variações no IVS e no número de habitantes do bairro.

15 Tabela 6: Resultados do Modelo de Poisson com Zeros Inflados. Variável Dependente: HOMIC

Modelo (1) Modelo (2) Equação Principal IVS 0,3016*** 0,3288*** (0,0500) (0,0494) TRAF_DROGA - 0,0202*** (0,0028) Constante 0,8605*** 0,2463 (0,2574) (0,3148)

Equação para zeros inflados

IVS -0,4501* -0,3646 (0,2523) (0,2719) HABITANTES -0,0001*** -0,0001*** (0,0000) (0,0000) Constante 1,3445* 0,9298 (0,7717) (0,9703) Número de observações 75 75

Número de observações zero 17 17

log-verossimilhança -500,1066 -320,3266

Teste de Vuong (z) 1,74 1,47

Pr>z 0,0407 0,0713

Obs.: Erros-padrão robustos entre parênteses

Legenda: *** Significativo a 1%; ** Significativo a 5%; * Significativo a 10% Fonte: Elaboração dos autores.

Os coeficientes da Tabela 9 devem ser exponencializados para a análise, e conforme o coeficiente obtido no Modelo 2 (0,3288), que controla pelo número de ocorrências de tráfico de drogas, o aumento unitário no IVS ocasiona o aumento de 1,38 homicídios. Esse efeito é estatisticamente significante a 1%. A partir dos resultados para a equação com zeros inflados, conclui-se que a chance de não ocorrer nenhum homicídios, a cada aumento unitario no IVS (-0,3646), controlando pelo número de habitantes, reduz-se em 30%. Porém esse efeito não é estatisticamente significante. Em contrapartida, a chance de ocorrência zero de homicídios, a cada aumento unitario no número de habitantes (-0,0001), controlando pelo IVS, reduz-se em 0,01%. Esse efeito é estatisticamente significante a 1%.

Modelo Econométrico para o Tráfico de Drogas

Nesta seção o objetivo é investigar se existe uma relação entre o IVS com a ocorrência de Tráfico de Drogas (TRAF_DROGA). Assim como no modelo anterior, testamos pela presença de zeros inflados e pela sobredispersão. Evidencia-se pelo histograma da variável que há grande dispersão dos dados, mas a ocorrência de zeros não é predominante (FIGURA 2).

16 Desta feita, o ideal é escolher entre o modelo de Poisson o modelo binomial negativo sem zeros inflados.

Figura 2: Histograma das Ocorrências de Tráfico de Drogas por bairros. Curitiba, 2011

Fonte: Elaboração própria com base nos dados da Secretaria de Estado da Segurança Pública do Paraná (SESP).

Para o teste de sobredispersão que nos revela qual modelo é o mais adequado (Poisson ou Binomial Negativo), é necessário primeiro especificar as variáveis independentes no modelo. Utilizamos como variáveis explicativas para TRAF_DROGA o IVS e também número de jovens com idade entre 15 e 29 anos (JOVENS_1529), já que a literatura indica uma relação positiva entre a ocorrência de tráfico de drogas entre jovens (MEIRELLES; MINAYO GOMEZ, 2009). As Tabelas 10 e 11 apresentam a média e a variância do número de ocorrências de Tráfico de Drogas, agrupadas por quartis do IVS e do número de jovens de 15 a 29 anos, respectivamente. Observa-se, a partir das tabelas descritivas, a alta concentração do tráfico de drogas nas regiões mais vulneráveis e, também, nos locais de maior número de jovens de 15 a 29 anos. Quanto aos dados das tabelas, estes apontam que a variância da variável dependente TRAF_DROGA é alta relativamente à média. Portanto, isto indica que há sobredispersão. O modelo binomial negativo com zeros inflados poderia ser recomendado.

Tabela 7: Média e Variância do Número de Ocorrências de Tráfico de Drogas (TRAF_DROGA) para os bairros agrupados segundo quartis do IVS

Grupos de bairros Média

TRAF_DROGA Variância TRAF_DROGA N. Obs. 0 2 4 6 8 10 12 14 0 6 _{12 18 24 30 36 42 48 54 60 66 72 78 84 90 96} 102 108 114 120 126 132 138 144 150 Fr equênc ia Homicídios

17 1 – Menor IVS 2,42 15,48 19 2 10,00 1089,89 19 3 7,74 63,76 19 4 – Maior IVS 18,06 703,59 18 Total 9,44 477,55 75

Fonte: Elaboração dos autores.

Tabela 8: Média e Variância do Número de Ocorrências de Tráfico de Drogas (TRAF_DROGA) para os bairros agrupados segundo quartis do número de Jovens de 15 a 29 anos (JOVENS_1529)

Grupos de bairros Média

TRAF_DROGA Variância TRAF_DROGA N. Obs. 1 - Menos JOVENS_1529 3,63 55,91 19 2 2,58 11,81 19 3 5,16 12,14 19 4 - Mais JOVENS_1529 27,33 1544,35 18 Total 9,44 477,55 75

Fonte: Elaboração dos autores.

Após os devidos testes de especificações, a recomendação pelo modelo binomial negativo para a ocorrência de tráfico de drogas confirmou-se: o parâmetro de sobredispersão  alpha foi estatisticamente diferente de zero, o que favorece o modelo binomial negativo apropriado (p-valor=0.000).

Tal como no modelo para os homicícios, estimamos as equações que explicam a ocorrência de tráfico de drogas em duas especificações: somente o IVS como variável explicativa (Modelo 1) e controlando-se adicionamente pelo número de jovens com idade entre 15 e 19 anos (Modelo 2). Os coeficientes devem ser interpretados da seguinte forma: no Modelo 1, quanto o número esperado de ocorrências de tráfico de drogas muda quando aumenta-se uma unidade do IVS; no Modelo 2, o coeficiente revela quanto muda o número esperado de ocorrência de tráfico de drogas quando aumenta-se uma unidade do IVS, mantido constante o número de jovens com idade entre 15 a 19 anos.Os resultados estão dispostos na Tabela 9. O Modelo 1 revela que o aumento de uma unidade no IVS aumenta o número de ocorrências de tráfico de drogas em 1,19 (valor do exponencial do coeficiente 0,1750). Contudo, esse parâmetro não foi estatisticamente significante. No Modelo 2, que controla pelo número de jovens com idade entre 15 a 29 anos, o aumento de uma unidade no IVS aumenta a ocorrência de tráfico de drogas em 1,07 (valor do exponencial do coeficiente 0,0683). Contudo, esse parâmetro não é estatisticamente significante. Dessa maneira, não foi possível, com base em nossa amostra, verificar uma relação entre o IVS e a ocorrência de tráfico de drogas. Essa ausência de significância poderia ser explicada pelo fato de que existe uma correlação forte e

18 estatisticamente significante entre o IVS e o número de jovens de 15 a 29 anos (corr=0,651, significativa a 5%).

Tabela 9: Resultados do Modelo Binomial Negativo. Variável Dependente: Ocorrência de Tráfico de Drogas (TRAF_DROGA) Modelo (1) Modelo (2) IVS 0,1750 0,0683 (0,1323) (0,0868) JOVENS_1529 - 0,000126*** (0,0000) Constante 1,4888** 0,7015 (0,7802) (0,3740) Número de observações 75 75 log-verossimilhança -232,45 -212,91

Teste de sobredispersão (Modelo Binomial Negativo vs

Modelo Poisson)  

Obs.: Erros-padrão robustos entre parênteses

Legenda: *** Significativo a 1%; ** Significativo a 5%; * Significativo a 10% Fonte: Elaboração dos autores.

5. Considerações Finais

Esse trabalho teve por objetivo analisar se a vulnerabilidade econômica estava relacionada com indicadores de criminalidade (homicídios e tráfico de drogas) nos bairros do município de Curitiba em 2011. A literatura documenta que essa relação existe e é bastante significativa. Ainda, essa discussão tem fundamental importância para a sociedade, pois a criminalidade não atinge somente pessoas de baixa renda, sociedade, talvez não diretamente, por conta do acaso, mas indiretamente, uma vez que os gastos com segurança pública e os custos em termos de estoque de capital humano, causam, no geral, perda de bem-estar social. Considera-se, portanto, a necessidade de estudos que realizem diagnósticos dos fatores associados à criminalidade para que sejam formuladas políticas públicas apropriadas.

Com base em um desenho quantitativo, este estudo buscou contribuir com a literatura realizando um estudo dos homicídios e da ocorrência de tráfico de drogas nos 75 bairros de Curitiba em 2011. Verificou-se em que medida um maior nível de criminalidade estaria ou não associado a uma maior variabilidade socioeconômica. Essa análise foi implementada por meio de modelos econométricos e com base na construção de um Índice de Vulnerabilidade Socioeconômica (IVS). Em relação ao número de homicídios, nossos resultados revelaram que bairros com maior IVS apresentaram maior ocorrência dos mesmos, e esse resultado é robusto quando controlamos na análise pelo número de ocorrências de tráfico de drogas. Por sua vez,

19 nos modelos explicativos do número de ocorrência de tráfico de drogas, o IVS não teve relação estatisticamente significante com o número de ocorrências de tráfico de drogas nos bairros de Curitiba em 2011, e nem quando controla-se pelo número de jovens no bairro. Porém, como existe uma correlação alta entre o IVS e o número de jovens no bairro, tal resultado pode ser decorrente dessa correlação (corr=0,651, significativa a 5%) entre as variáveis. Desta forma, ainda que de forma parcial, concluímos que a vulnerabilidade socioeconômica deve ser objeto de políticas públicas para a redução da criminalidade.

Em termos de proposições de políticas que sejam eficazes para minimizar a criminalidade decorrente da vulnerabilidade socioeconômica, salientamos o papel importante dos programas de transferência de renda condicionados. Estudos experimentais ou quase experimentais revelam que a incidência de roubos (BLATTMAN et al., 2015; CHIODA et al., 2015) ou de tráfico de drogas (CHIODA et al., 2015) são significantemente reduzidos com as transferências de renda, que atuam justamente reduzindo a vulnerabilidade socioeconômica.

Como desdobramentos futuros desse estudo, sugere-se que seja levada em consideração nas estimações o efeito dos bairros vizinhos sobre a criminalidade. Alguns estudos revelam que áreas com baixas taxas de homicídios são cercadas por bairros com altas taxas de homicídios, o que pode ser explicado pelo processo de urbanização que pode ter levado à formação de ilhas de segurança, habitadas por pessoas com níveis mais elevados de educação e maior renda (KANG, 2015; MENEZES et al., 2013). Apesar da desigualdade influenciar na criminalidade, essa influência poderia ser certamente amenizada pelo contexto de vizinhança existente.

20 Referências

ARAUJO JR, A. F.; SHIKIDA, C. D.; NOGUEIRA JR, R. P.; FERREIRA, F. M. P. Socio-Economic Determinants of Juvenile Crime among Street Children and Teenagers in a Brazilian State. Economics Bulletin, n. 32, p. 2076–2084, 2012.

BEATO, C. Determining factors of criminality in Minas Gerais. Revista Brasileira de Ciências Sociais, n. SPE1, p. 159–172, 2000.

BLATTMAN, C.; JAMISON, J. C.; SHERIDAN, M. Reducing Crime and Violence: Experimental Evidence on Adult Noncognitive Investments in Liberia. . [S.l.]: National Bureau of Economic Research. Disponível em: <http://www.nber.org/papers/w21204>. Acesso em: 7 ago. 2015. , maio 2015

CAMERON, A. C.; TRIVEDI, P. K. Microeconometrics: Methods and Applications. New York: Cambridge University Press, 2005.

CAMERON, A. C.; TRIVEDI, P. K. Microeconometrics using Stata. College Station, Tex: Stata Press, 2010.

CARVALHO, J. R.; LAVOR, S. C. Repeat property criminal victimization and income inequality in Brazil. Revista EconomiA, 2008.

CERQUEIRA, D.; SOARES, R. R. The welfare cost of homicides in Brazil: accounting for heterogeneity in the willingness to pay for mortality reductions. Health economics, 2014. CHIODA, L.; DE MELLO, J. M. P.; SOARES, R. R. Spillovers from conditional cash transfer programs: Bolsa Família and crime in urban Brazil. Economics of Education Review, maio 2015.

FILHO, B.; CHAVES, C.; ASSUNÇÃO, R. M.; et al. Conglomerados de homicídios e o tráfico de drogas em Belo Horizonte, Minas Gerais, Brasil, de 1995 a 1999. Cadernos de Saúde Pública, v. 17, n. 5, p. 1163–1171, out 2001.

HEINEMANN, A.; VERNER, D. Crime and violence in development: A literature review of Latin America and the Caribbean. World Bank Policy Research Working Paper, n. 4041, 2006.

IBGE. Censo Demográfico. Rio de Janeiro: Instituto Brasileiro de Geografia e Estatística, 2010.

IPUCC. Curitiba em Dados. Curitiba: Instituto Brasileiro de Geografia e Estatística, 2010. KANG, S. Inequality and crime revisited: effects of local inequality and economic

segregation on crime. Journal of Population Economics, p. 1–34, 28 dez 2015.

MEIRELLES, Z. V.; MINAYO GOMEZ, C. Rompendo com a criminalidade: saída de jovens do tráfico de drogas em favelas na cidade do Rio de Janeiro. Ciênc. saúde coletiva, v. 14, n. 5, p. 1797–1805, dez 2009.

21 MENEZES, T.; SILVEIRA-NETO, R.; MONTEIRO, C.; RATTON, J. L. Spatial correlation between homicide rates and inequality: Evidence from urban neighborhoods. Economics Letters, v. 120, n. 1, p. 97–99, jul 2013.

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

NERY, M. B.; SOUZA, A. A. L. DE; PERES, M. F. T.; CARDIA, N.; ADORNO, S. Homicídios dolosos na cidade de São Paulo: fatores associados à queda entre 2000 e 2010. Revista Brasileira de Segurança Pública, v. 8, n. 2, p. 32–47, ago/set 2014.

PNUD. Atlas do Desenvolvimento Humano. Brasília: Programa das Nações Unidas para o Desenvolvimento, 2013.

SANTOS, M. J. DOS. Dinâmica temporal da criminalidade: Mais evidências sobre o “efeito inércia” nas taxas de crimes letais nos estados brasileiros. Revista EconomiA, v. 10, n. 1, p. 169–194, 2009.

SOARES, R. R. Welfare costs of crime and common violence. Journal of Economic Studies, v. 42, n. 1, p. 117–137, 12 jan 2015.

WAISELFISZ, J. J. Mapa da violência: adolescentes de 16 e 17 anos. . Rio de Janeiro: Faculdade Latino-Americana de Ciências Sociais. , 2015

WOOLDRIDGE, J. M. Econometric Analysis of Cross Section and Panel Data. Cambridge, Mass: MIT Press, 2010.