Un primer experimento sobre asociaciones entre crímenes en Brasil

Autores/as

DOI:

https://doi.org/10.33448/rsd-v9i11.10078

Palabras clave:

Análisis criminal; Crimen; Ciencia de los datos; Procesamiento de datos; Python y R juntos.

Resumen

Contexto: Delincuencia ha sido un problema en todo el mundo y ha causado daños a las sociedades. Educación, la pobreza, el empleo y el clima son algunos de los factores que inciden en la tasa de criminalidad, lo que lleva a las autoridades a gastar anualmente millones en acciones para combatir la violencia y planes estratégicos para prevenir y reducir la criminalidad. Objetivo: Aplicar conceptos de Data Science para analizar datos gubernamentales relacionados con delitos en Brasil. Método: Utilización de minería de datos, específicamente reglas de asociación (AR), en un experimento controlado, para detectar patrones entre los tipos de delitos, así como entre los tipos de delitos y los meses del año. Resultados: En el contexto de las asociaciones entre delitos, los estados con las reglas más interesantes fueron: Bahía, con 15 asociaciones, São Paulo, con 12, Goiás, 11, y Paraná, con 9. Destacar para la asociación “Robo seguido de muerte  Robo de Carga”, encontrada para el Estado de Bahia, que alcanzó el 99% de confianza (0,99). En el ámbito de las asociaciones entre delitos y meses del año, Paraíba creció, con 2 asociaciones, Maranhão, Rondônia y São Paulo, con 1 asociación cada una. Destacado por regla “Deciembre  Robo de Vehículos”, encontrado para el estado de São Paulo, que alcanzó una confianza del 84% (0,84). Conclusión: Los resultados expuestos en esta investigación ayudan analistas penales en el proceso de toma de decisiones para prevenir y reducir la delincuencia en el país, ya que pueden permitir la inhibición de delitos que son antecedentes de otros sucesos dentro del mismo estado o delitos que ocurren en el mismo período.

Biografía del autor/a

Wesckley Faria Gomes, Universidade Federal de Sergipe

Aluno especial de Mestrado pela Universidade Federal de Sergipe (UFS). Pós-graduado em Especialização em Desenvolvimento de Soluções Web pela Faculdade de Administração e Negócios de Sergipe (FANESE/SE). Graduado em Ciência da Computação pela UFS/SE. Atualmente, Analista de Sistema de TI do Tribunal de Contas do Estado de Sergipe (SE). Lattes: http://lattes.cnpq.br/0390577313618340 .

Methanias Colaço Júnior, Universidade Federal de Sergipe

Professor da Universidade Federal de Sergipe. Doutor (UFBA) e Mestre (UFCG) em Informática, coordenou projetos de Educação e Inteligência aplicada à Segurança Pública em parceria com o Ministério Público e Grupos de Combate ao Crime Organizado. Como consultor, atuou pioneiramente na concepção dos primeiros projetos de Business Intelligence de órgãos públicos e privados, tais como no Ministério Público Federal e em Tribunais de Contas. Foi professor de pós-graduação em Gestão Estratégica para Delegados de Polícia, Comandantes da PM e Bombeiros Militares, bem como foi professor de Informática Aplicada ao Direito, na Universidade Tiradentes. Atualmente, é Professor Convidado da Pós-graduação em Políticas Públicas para Cidades Inteligentes da USP e Professor Permanente do Mestrado em Computação da UFS. Universidade Federal de Sergipe. Lattes: http://lattes.cnpq.br/5575237386798588.

Kleber Henrique de Jesus Prado, Universidade Federal de Sergipe

Mestrando em Engenharia de Software pela Universidade Federal de Sergipe (UFS). Pós-graduado em Sistema de Informação para Web pela Universidade Tiradentes (UNIT/SE). Pós-graduado em Engenharia de Software pela Universidade Estácio de Sá. Graduado em Análise e Desenvolvimento de Sistemas pela Universidade Estácio de Sá. Graduado em Ciência da Computação pela UNIT/SE. Atualmente, Analista de Sistema de TI do Tribunal de Contas do Estado de Sergipe (SE). Lattes: http://lattes.cnpq.br/1809819558863469.

Citas

AtlasBR. (2020). AtlasBR. Recuperado de http://www.atlasbrasil.org.br

Barros, P., Baggio, I., Stege, A., & Hilgemberg, C. (2019). Economic development and crime in Brazil: a multivariate and spatial analysis.

Basili, V. R., & Weiss, D. M. (1984). A methodology for collecting valid software engineering data. IEEE Transactions on software engineering, (6), 728-738.

Basili, V., Trendowicz, A., Kowalczyk, M., Heidrich, J., Seaman, C., Münch, J., & Rombach, D. (2014). Aligning Organizations Through Measurement: The GQM+ Strategies Approach. Springer.

Belesiotis, A., Papadakis, G., & Skoutas, D. (2018). Analyzing and Predicting Spatial Crime Distribution Using Crowdsourced and Open Data. ACM Trans. Spatial Algorithms Syst.

Campos, O. S. (2018). Data analytics transparente para descoberta de padrões e anomalias na realização de convênios e contratos de repasse federais.

Catlett, C., Cesario, E., Talia, D., & Vinci, A. (2018). A Data-Driven Approach for Spatio-Temporal Crime Predictions in Smart Cities. 2018 IEEE International Conference on Smart Computing (SMARTCOMP), (pp. 17-24). Taormina.

Chapetta, W. A. (2006). Uma Infra-estrutura para Planejamento, Execução e Empacotamento de Estudos Experimentais em Engenharia de Software (Doctoral dissertation, Dissertação de Mestrado, Programa de Engenharia de Sistemas e Computação, COPPE/UFRJ, Universidade Federal do Rio de Janeiro. Rio de Janeiro, RJ, Brasil).

Chaves, M. S. R. S., & Shimizu, I. S. (2018). Síndrome de burnout e qualidade do sono de policiais militares do Piauí. Revista Brasileira de Medicina do Trabalho, 16(4), 436-441.

Gillmeister, P., & Cazella, S. (2007). Uma análise comparativa de algoritmos de regras de associação: minerando dados da indústria automotiva. Escola Regional de Banco de Dados (ERBD). Caxias do Sul, RS.

Guimarães, F. F., Joaquim, S. F., Manzi, M. P., Silva, R. C. D., Bruder-Nascimento, A. C. M. D. O., Costa, E. O., & Langoni, H. (2016). Comparison phenotypic and genotypic identification of Staphylococcus species isolated from bovine mastitis. Pesquisa Veterinária Brasileira, 36(12), 1160-1164.

Gupta, M., Chandra, B., & Gupta, M. (2014). A framework of intelligent decision support system for Indian police. J. Enterp. Inf. Manag., 27, 512-540.

Huang, S.-M. (2013). A Study of the Application of Data Mining on the Spatial Landscape Allocation of Crime Hot Spots. Communications in Computer and Information Science, 398, 274-286.

IBGE. (2020). Instituto Brasileiro de Geografia e Estatística. Recuperado de https://www.ibge.gov.br

Lallich, S., Teytaud, O., & Prudhomme, E. (2007). Association Rule Interestingness: Measure and Statistical Validation. Studies in Computational Intelligence, 43, 251-275.

Marzan, C. S., Baculo, M. J. C., de Dios Bulos, R., & Ruiz Jr, C. (2017). Time series analysis and crime pattern forecasting of city crime data. International conference on algorithms, computing and systems, pp. 113-118.

Melo, M., Teixeira, J., & Campos, G. (2012). A prediction model for criminal levels using socio-criminal data. International Journal of Electronic Security and Digital Forensics, 4, 201-214.

MSJP. (2020). Portal Brasileiro de Dados Abertos. Recuperado de http://dados.gov.br

Nogueira de Oliveira, R., & Colaço Júnior, M. (2018). Experimental Analysis of Stemming on Jurisprudential Documents Retrieval. Information, 9, 28.

Paranhos, R., Figueiredo Filho, D. B., da Rocha, E. C., da Silva Júnior, J. A., Neves, J. A. B., & Santos, M. L. W. D. (2014). Desvendando os mistérios do coeficiente de correlação de Pearson: o retorno. Leviathan (São Paulo), (8), 66-95.

Pereira, A. S., Shitsuka, D. M., Parreira, F. J., & Shitsuka, R. (2018). Metodologia da pesquisa científica.

Pereira, B., & Brandão, W. (2014). ARCA : MINING CRIME PATTERNS USING ASSOCIATION RULES.

PostgreSQL. (2020). PostgreSQL. Recuperado de https://www.postgresql.org.

Prado, K. H. de J., Souza, L. S., de Jesus Junior, I. D., & Colaço Júnior, M. (2020). Applied Intelligent Data Analysis to Government Data Related to Criminal Incident: A Systematic Review. Journal of Applied Security Research, 1-35.

Procaci da Silva, A. (2004). Regras de associação quantitativas em intervalos não contínuos.

Santos, B. S., Júnior, M. C., & de Souza, J. G. (2018). A initial experimental evaluation of the neuromessenger: a collaborative tool to improve the empathy of text interactions. In Information Technology-New Generations (pp. 411-419). Springer, Cham.

Sevri, M., Karacan, H., & Akcayol, M. (2017). Crime Analysis Based on Association Rules Using Apriori Algorithm. International Journal of Information and Electronics Engineering, 7, 99-102.

Singh, N., Kaverappa, C. B., & Joshi, J. D. (2018). Data mining for prevention of crimes. In International Conference on Human Interface and the Management of Information (pp. 705-717). Springer, Cham.

Sumithra, R., & Paul, S. (2010). Using distributed apriori association rule and classical apriori mining algorithms for grid based knowledge discovery. 2010 Second International conference on Computing, Communication and Networking Technologies, (pp. 1-5).

Travassos, G., Gurov, D., & Amaral, E. (2002). Introdução à engenharia de software experimental.

Varde, A., Takahashi, M., Rundensteiner, E., Ward, M., Maniruzzaman, M., & Jr., R. (2004). Apriori Algorithm and Game-of-Life for Predictive Analysis in Materials Science. International Journal of Knowledge-Based and Intelligent Engineering Systems, 8, 213-228.

Wu, J., He, Z., Gu, F., Liu, X., Zhou, J., & Yang, C. (2016). Computing exact permutation p-values for association rules. Information Sciences, 346, 146-162.

Yadav, S., Timbadia, M., Yadav, A., Vishwakarma, R., & Yadav, N. (2017). Crime pattern detection, analysis & prediction. In 2017 International conference of Electronics, Communication and Aerospace Technology (ICECA) (Vol. 1, pp. 225-230). IEEE.

Descargas

Publicado

19/11/2020

Cómo citar

GOMES, W. F.; COLAÇO JÚNIOR, M.; PRADO, K. H. de J. Un primer experimento sobre asociaciones entre crímenes en Brasil. Research, Society and Development, [S. l.], v. 9, n. 11, p. e41791110078, 2020. DOI: 10.33448/rsd-v9i11.10078. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/10078. Acesso em: 28 sep. 2024.

Número

Vol. 9 Núm. 11

Sección

Ciencias Exactas y de la Tierra

Licencia

Derechos de autor 2020 Wesckley Faria Gomes; Methanias Colaço Júnior; Kleber Henrique de Jesus Prado

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Los autores que publican en esta revista concuerdan con los siguientes términos:

1) Los autores mantienen los derechos de autor y conceden a la revista el derecho de primera publicación, con el trabajo simultáneamente licenciado bajo la Licencia Creative Commons Attribution que permite el compartir el trabajo con reconocimiento de la autoría y publicación inicial en esta revista.

2) Los autores tienen autorización para asumir contratos adicionales por separado, para distribución no exclusiva de la versión del trabajo publicada en esta revista (por ejemplo, publicar en repositorio institucional o como capítulo de libro), con reconocimiento de autoría y publicación inicial en esta revista.

3) Los autores tienen permiso y son estimulados a publicar y distribuir su trabajo en línea (por ejemplo, en repositorios institucionales o en su página personal) a cualquier punto antes o durante el proceso editorial, ya que esto puede generar cambios productivos, así como aumentar el impacto y la cita del trabajo publicado.