DADOS DE CRIMINALIDADE EM RESENDE/RJ: TRATAMENTO E ANÁLISE COM FOCO EM PADRÕES E TENDÊNCIAS
Resumo
Este trabalho analisou a criminalidade na cidade de Resende no estado do Rio de Janeiro, com foco nos crimes patrimoniais a partir de dados históricos coletados pelo Instituto de Segurança deste estado, de 2003 a 2024. O objetivo é explorar ferramentas para tratamento de dados, utilizando códigos em linguagem Python, para identificar padrões em ocorrências de roubos e furtos de celulares e veículos, bem como apreensão, posse e tráfico de drogas. Basicamente, veículos automotores, celulares e drogas são elementos centrais na vida urbana, gerando grande impacto na vida cotidiana. Discutimos como eventos sazonais, fatores econômicos e mudanças na legislação podem influenciar as ocorrências de tais delitos. A metodologia incluiu a análise exploratória dos dados por meio de visualização gráfica e uma experimentação da aplicação do algoritmo Prophet para prever tendências. Embora o Prophet tenha captado razoavelmente bem tendências gerais, ele se mostrou limitado ao prever picos e variações abruptas nos dados, características comuns em dados de criminalidade. A conclusão aponta para a necessidade de uma abordagem híbrida que integre análises exploratórias e métodos preditivos avançados e complementares para apoiar políticas públicas de segurança mais eficazes e informadas.
Palavras-chave: Análise de Dados. Crimes patrimoniais. Segurança Pública.
Texto completo:
PDFReferências
AGGARWAL, C. C. Outlier Analysis. 2ed. Cham: Springer, 2016.
GLOBO. Monitor da Violência. Disponível em: https://g1.globo.com/monitor-daviolencia/. Acesso em: 30 out. 2024a.
GLOBO. Polícia Militar faz operação contra o tráfico de drogas em Resende. G1, Rio de Janeiro, 17 jan. 2024. Disponível em: https://g1.globo.com/rj/sul-do-rio-costaverde/noticia/2024/01/17/policia-militar-faz-operacao-contra-o-trafico-de-drogasem-resende.ghtml. Acesso em: 30 out. 2024b.
HARVEY, A. C.; PETERS, S. Estimation procedures for structural time series models. Journal of Forecasting, v. 9, n.2, p. 89-108, 1990.
IBGE. Instituto Brasileiro de Geografia e Estatística. Disponível em:
https://www.ibge.gov.br. Acesso em: 30 out. 2024.
META INC. Prophet: Forecasting at scale. 2017. Disponível em:
https://facebook.github.io/prophet/. Acesso em: 30 out. 2024.
MIRANDA, G. H. B.; FILHO, J. A. F. Introdução à Ciência de Dados: Conceitos e Aplicações. Rio de Janeiro: Elsevier, 2019.
MUKAKA, M. M. Statistics corner: A guide to appropriate use of correlation coefficient in medical research. Malawi Medical Journal, v. 24, n. 3, p. 69-71, 2012. Disponível em:
https://www.ajol.info/index.php/mmj/article/view/81576. Acesso em: 29 out. 2024.
ORIGUELA, L. A. Weighted networks from Pearson, Spearman, and Kendall correlations to characterize the influence of events on the Brazilian stock market structure. 2018. Dissertação (Mestrado em Administração de Organizações) – Faculdade
de Economia, Administração e Contabilidade de Ribeirão Preto, Universidade de São Paulo, Ribeirão Preto. Disponível em: https://pdfs.semanticscholar.org. Acesso em: 29
out. 2024.
REZENDE, S. O. Sistemas Inteligentes: Fundamentos e Aplicações de Inteligência Artificial. Rio de Janeiro: LTC, 2003.
Apontamentos
- Não há apontamentos.
JNT - Facit Business and Technology Journal
ISSN 2526-4281