Data Science aplicada à análise criminal baseada nos dados abertos governamentais de Minas Gerais

Autores

DOI:

https://doi.org/10.33448/rsd-v9i11.10044

Palavras-chave:

Análise Criminal; Ciência de Dados; Dados abertos governamentais.

Resumo

Contexto:  Crime é um problema social comum e complexo, que afeta a qualidade de vida, o crescimento econômico e a reputação de uma nação. Governantes e a sociedade em geral têm tido enormes problemas causados por esse fenômeno. A cada ano, os governos gastam milhões de dólares combatendo a violência e, consequentemente, a prevenção e o controle do crime são questões de grande preocupação para as agências de segurança pública. Objetivo: Aplicar fundamentos de Data Science e fornecer um modelo automatizado, constantemente atualizado, para analisar dados abertos governamentais relacionados aos crimes ocorridos em Minas Gerais. Método: Um experimento foi executado para descoberta de associações entre os municípios, Regiões Integradas de Segurança Pública (RISPs), crimes e alvos de roubo e furto. Adicionalmente, foram desenvolvidos rankings com os municípios mais perigosos. Resultados: Do ponto de vista geral, com ponderações para os crimes, os munícipios de Belo Horizonte, Confins e Contagem estiveram, constantemente, entre os cinco mais perigosos. Além disso, ficou evidenciado que existem dependências entre: crimes e municípios, crimes e RISPs, alvos de roubo e municípios, e alvos de roubo e RISPs. Conclusão: A Ciência de Dados possibilita a execução de diagnósticos mais precisos e mais céleres, auxiliando o planejamento estratégico e a tomada de decisão em Segurança Pública. Com algumas particularidades e indo além dos homicídios, Minas Gerais segue parcialmente a tendência nacional de ter índices de criminalidade mais baixos em áreas ao redor de regiões com maior desenvolvimento econômico.

Biografia do Autor

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.

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. 

Referências

Agrawal, R., Imieliński, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. In Proceedings of the 1993 ACM SIGMOD international conference on Management of data (pp. 207-216).

Agrawal, S., & Sejwar, V. (2017). Crime identification using FP-growth and multi objective particle swarm optimization. In 2017 International Conference on Trends in Electronics and Informatics (ICEI) (pp. 727-734). IEEE.

Albuquerque, D. J. S., Nunes, V. T., Cappelli, C., & Ralha, C. G. (2016). Implementing E-government Processes Distribution with Transparency using Multi-Agent Systems. iSys-Revista Brasileira de Sistemas de Informação, 9(1), 118-138.

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

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

Bertot, J. C., Gorham, U., Jaeger, P. T., Sarin, L. C., & Choi, H. (2014). Big data, open government and e-government: Issues, policies and recommendations. Information polity, 19(1, 2), 5-16.

Blackburn, S. (2016). The Oxford Dictionary of Philosophy. 2 ed. Oxford University Press. Online version. Recuperado de http://www.oxfordreference.com/view/10.1093/acref/9780199

001.0001/acref-9780199541430-e-1645.

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

Carazza, L., da Mota Silveira Neto, R., & Emanuel, L. (2020). Juvenile curfew and crime reduction: Evidence from Brazil. Papers in Regional Science.

Catlett, C., Cesario, E., Talia, D., & Vinci, A. (2018, June). A data-driven approach for spatio-temporal crime predictions in smart cities. In 2018 IEEE International Conference on Smart Computing (SMARTCOMP) (pp. 17-24). IEEE.

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.

Dados Abertos. (2020). Portal brasileiro de dados abertos. Recuperado de http://www.dados.gov.br.

Damasceno, M., Teixeira, J., & Campos, G. (2012). A prediction model for criminal levels using socio-criminal data. International Journal of Electronic Security and Digital Forensics 7, 4(2-3), 201-214.

de Barros, P. H. B., Baggio, I. S., Stege, A. L., & Hilgemberg, C. M. D. A. T. (2019). Economic development and crime in brazil: a multivariate and spatial analysis. Revista Brasileira de Estudos Regionais e Urbanos, 13(1), 1-22.

de Farias, A. M. G., Cintra, M. E., Felix, A. C., & Cavalcante, D. L. (2018). Definition of strategies for crime prevention and combat using fuzzy clustering and formal concept analysis. International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 26(03), 429-452.

Ervilha, G. T., & Lima, J. E. D. (2019). Um método econométrico na identificação dos determinantes da criminalidade municipal: a aplicação em Minas Gerais, Brasil (2000-2014). Economía, sociedad y territorio, 19(59), 1059-1086.

Fraga, L. D. S., Medeiros, A. P. D., & Vieira, K. M. (2019). Transparência da gestão pública: Análise em pequenos municípios do Rio Grande o Sul. Gestão & Planejamento-G&P, 20.

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. P. (2014). A framework of intelligent decision support system for Indian police. Journal of Enterprise Information Management.

Hardy, K., & Maurushat, A. (2017). Opening up government data for Big Data analysis and public benefit. Computer law & security review, 33(1), 30-37.

Janssen, M., Charalabidis, Y., & Zuiderwijk, A. (2012). Benefits, adoption barriers and myths of open data and open government. Information systems management, 29(4), 258-268.

Juristo, N., & Moreno, A. M. (2013). Basics of software engineering experimentation. Springer Science & Business Media.

Lima, A.; Vignatti, A. & Silva, M. (2020). Reconhecimento de grafos Power-law por algoritmos de aprendizagem de máquina utilizando um conjunto reduzido de propriedades estruturais. Encontro nacional de inteligência artificial e computacional, 611-621.

Lima, R. S., & Bueno, S. (2020). Anuário brasileiro de segurança pública 2020. Fórum Brasileiro de Segurança Pública. São Paulo.

Maciel, G. S. (2019). Eficiência técnica da polícia militar: um estudo dos comandos de policiamento regionais do Distrito Federal por meio da análise envoltória de dado.

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.

Nascimento, D. O. do. (2019). Transparência pública: uma análise do município de Alagoa Nova-PB.

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.

Phillips, P., & Lee, I. (2011). Crime analysis through spatial areal aggregated density patterns. Geoinformatica, 15(1), 49-74.

Portal Transparência. (2020). Portal da Transparência do Governo Federal. Recuperado de http://www.portaltransparencia.gov.

PostgreSQL. (2020). Installing procedural languages. Recuperado de https://www.postgre

sql.org/docs/current/xplang-install.html.

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.

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.

Santos, R. M., Santos, I. M., Júnior, M. C. R., & de Mendonça Neto, M. G. (2020). Long Term-short Memory Neural Networks and Word2vec for Self-admitted Technical Debt Detection. In ICEIS (2) (pp. 157-165).

Sejusp. (2020). Portal da Secretaria de Estado de Justica e Seguranca Publica de Minas Gerais. Recuperado de http://www.seguranca.mg.gov.br.

Silvares, A. C. (2019). Políticas Públicas em Segurança no Brasil: Avanços e Novos Desafios. Revista Científica Doctum Direito, 1(3).

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.

ToppiReddy, H. K. R., Saini, B., & Mahajan, G. (2018). Crime prediction & monitoring framework based on spatial analysis. Procedia computer science, 132, 696-705.

Travassos, G. H., & Barros, M. O. (2003). Contributions of in virtuo and in silico experiments for the future of empirical studies in software engineering. In 2nd Workshop on Empirical Software Engineering the Future of Empirical Studies in Software Engineering (pp. 117-130).

Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., & Wesslén, A. (2012). Experimentation in software engineering. Springer Science & Business Media.

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.

Zheng, Z., Kohavi, R., & Mason, L. (2001). Real world performance of association rule algorithms. In Proceedings of the seventh ACM SIGKDD international conference on Knowledge discovery and data mining (pp. 401-406).

Downloads

Publicado

17/11/2020

Como Citar

PRADO, K. H. de J.; COLAÇO JÚNIOR, M. Data Science aplicada à análise criminal baseada nos dados abertos governamentais de Minas Gerais. Research, Society and Development, [S. l.], v. 9, n. 11, p. e36391110044, 2020. DOI: 10.33448/rsd-v9i11.10044. Disponível em: https://rsdjournal.org/index.php/rsd/article/view/10044. Acesso em: 28 set. 2024.

Edição

Seção

Ciências Exatas e da Terra