Determinantes do furto e roubo de veículos no Rio Grande ...



Nome: Chantós Guilherme Antunes Mariani

Qualificações: Graduando do 7º semestre de Ciências Econômicas pela Universidade Federal do Rio Grande do Sul.

Endereço: Rua Duque de Caxias, 979, 4 – Centro – Porto Alegre/RS - CEP: 90010-282

ÁREA TEMÁTICA: Estudos Urbanos

Determinantes do furto e roubo de veículos no Rio Grande do Sul

Resumo: Este artigo visa determinar empiricamente os fatores que exercem influência sobre a taxa de furto e roubo de veículos (TFRV) nas cidades do Rio Grande do Sul, sob a contextualização do crime no âmbito econômico e social e via utilização de econometria espacial. Primeiramente, são resgatados aspectos teóricos que tradicionalmente dão sustento aos estudos da criminalidade, priorizando as contribuições da teoria econômica do crime e da abordagem da desorganização social proposta pela sociologia. Após, será apresentada a metodologia aplicada na estimação do modelo empírico para os fatores relevantes a TFRV, como também os resultados encontrados para o modelo no ano de 2008. Finalmente, conclui-se que a taxa municipal de outros tipos de crimes, o valor médio dos veículos registrados no município, bem como a proporção de jovens homens na população e o fato do município ser de grande porte (i.e. acima de 100.000 habitantes), aliado a importância do setor de serviços na matriz econômica do município, são fatores que impactam positivamente a taxa de furto e roubo de veículos nas cidades gaúchas.

Palavras-chave: criminalidade, furto de veículos, regressão espacial.

1. Introdução

O crescimento acelerado da frota de veículos é um fenômeno notório em todas as partes do Brasil. No Rio Grande do Sul, o número de veículos registrados dobrou entre 1993 e 2008, enquanto a população gaúcha cresceu cerca de 15% no mesmo período (ver gráfico A.1 em anexo). A magnitude da expansão desse mercado reflete as facilidades geradas pela ampliação da produção nacional de veículos, juntamente à diversificação dos modelos ofertados, o que possibilitou às montadoras a contemplação de consumidores nos mais variados extratos de renda; e, mais recentemente, a uma forte expansão do crédito e o alargamento do prazo de financiamento – hoje podendo ultrapassar cinco anos de parcelamento.

Contudo, essa expansão acelerada propicia a disseminação de um bem valioso e bastante visado do ponto de vista do crime. O raciocínio é tal que se há a oferta e demanda para o mercado “primário” de veículos (cujos agentes são montadoras, concessionárias e consumidores legais), uma expansão na demanda desse bem – e a efetivação dessa intenção de compra – gera uma maior quantidade de veículos em circulação, acarretando, automaticamente, numa maior oferta possível no mercado “secundário” de veículos (no qual atuam os ladrões de veículos, desmanches e consumidores ilegais), visto que este é suprido através do roubo e furto dos bens do mercado legal.

Portanto, o presente artigo tem como objetivo verificar quais os fatores que determinam a taxa de furto e roubo de veículos no estado do Rio Grande do Sul. Dessa maneira, este estudo se valerá da literatura existente acerca dos determinantes da criminalidade nas diversas áreas do conhecimento. Sabendo da complexidade do tema, é imprescindível uma leitura multidisciplinar que agregue contribuições da sociologia, psicologia e criminologia – áreas que tradicionalmente abordam a matéria. Contudo, será priorizada uma interpretação econômica desse tipo de delito, sob a influência do modelo originalmente proposto por Becker (1968), o qual dá as bases para o que é conhecida como teoria econômica do crime. Além desta introdução, o artigo se estrutura da seguinte maneira: a segunda seção levanta os aspectos teóricos que sustentam o propósito do artigo, unindo a abordagem econômica do crime à teoria da desorganização social, esta que se empenha na verificação da influência dos aspectos locais das comunidades na ocorrência da atividade criminosa. Após, a terceira seção trará a metodologia do modelo econométrico espacial que possibilita verificar quais variáveis são relevantes para o tipo de crime em questão, valendo-se da idéia de que o padrão de criminalidade em determinado município pode se difundir entre os municípios vizinhos, criando assim clusters de alta ou baixa ocorrência de delitos. Na terceira seção, serão apresentados os resultados da estimação para os municípios gaúchos no ano de 2008, interpretando-os à luz das teorias anteriormente propostas. Finalmente, são feitas as últimas considerações.

2. Aspectos Teóricos da Criminalidade

O estudo da criminalidade certamente é algo complexo, carente de um tratamento que aborde uma ampla gama de aspectos complementares para que o estudo em si não assuma um caráter demasiadamente reducionista, visto que o tema proposto é motivo constante de debates, dos quais parecem emergir poucas conclusões consensuais e ainda mais dúvidas.

Nesse sentido, ao valer-se do modelo de escolha racional proposto por Becker (1968), o qual contribui largamente para a criação de um eficiente instrumento analítico do tema, parece ser necessário ao pesquisador encontrar alguma abordagem auxiliar que traduza os aspectos que o modelo econômico original tende a subestimar. Oliveira (2005), ao tratar da relevância da abordagem econômica do crime, salienta que:

“Se por um lado, a grande virtude da contribuição de Gary Becker é o de trazer as contribuições metodológicas da economia para dentro da discussão de um problema social relevante, por outro lado, a sua abordagem restringe-se a um caráter excessivamente financista ao tema, o que deixa incompleta a busca pelos determinantes da criminalidade.” (OLIVEIRA, 2005. p-3).

Portanto, a abordagem aqui proposta, que visa à determinação dos fatores que influenciam a taxa de furto e roubo de veículos nos municípios gaúchos, será fundamentada a partir da convergência entre a teoria econômica do crime e a teoria da desorganização social, comumente utilizada na sociologia e, mais recentemente, também servindo de arcabouço teórico para os estudos empíricos acerca da criminalidade.

2.1 A Teoria Econômica do Crime

Sob uma visão econômica, o crime torna-se uma atividade na qual qualquer indivíduo pode se aventurar, perdendo o ar patológico que muito se creditava aos agentes que cometiam crimes. De fato, segundo Cerqueira e Lobão (2003), a ênfase biológica das causas do crime, que associava a pessoas com certas características físicas uma maior propensão à prática de delitos, foi caindo em desuso após a 2ª Guerra Mundial, dado o conteúdo racista nela impregnada. Portanto, ao analisarmos o crime como uma atividade que imputa custos e benefícios, assume-se que qualquer pessoa é capaz de cometer um delito.

Nesse sentido, os custos da prática do crime podem ser desmembrados em alguns elementos. Primeiro, têm-se o custo de execução e planejamento – ou seja, aquele custo que está relacionado às informações, habilidades e instrumentos que são necessários ao criminoso para que este ponha em prática o delito. Em segundo lugar, a cada prática criminosa associa-se um custo de oportunidade, que também é contabilizado pelo possível delinqüente na sua tomada de decisão, podendo esse ser representado pelo rendimento que o indivíduo poderia conseguir caso estivesse empenhado em alguma atividade legal. A probabilidade de punição do indivíduo ao cometer o crime também pode se tornar um fator dissuasório à prática do delito, uma vez que a elevação desta pode desestimular a entrada – ou continuidade – de pessoas com um grau mais elevado de aversão ao risco. Por fim, um quarto custo que emerge dessa análise é o custo moral do crime, este a depender de uma série de fatores familiares, educacionais e até mesmo religiosos, que constroem os limites morais e éticos do indivíduo na sociedade. É importante salientar que tal custo moral em muitos aspectos torna-se o único custo realmente decisivo para a não prática do crime: em localidades pobres, por exemplo, nas quais o conhecimento prático do crime é disseminado (baixo custo da informação acerca da execução e planejamento); o custo de oportunidade é baixo, dados fatores como o pouco dinamismo do mercado legal e grau de escolaridade reduzido dos indivíduos da região; além da baixa probabilidade de captura do infrator nesse tipo de localidade; a existência de um fator psicológico que sinaliza ao indivíduo que a prática de um ato criminoso é algo moralmente condenável perante a sociedade acaba sendo a única barreira relevante para que os benefícios de se praticar um delito não superem os custos dessa atividade.

Em suma, a grande abrangência da teoria econômica do crime deve-se ao fato desta ser produto de uma aplicação alternativa do conjunto teórico que compõe a microeconomia tradicional. Segundo Fernandez e Pereira (2001), ao importarmos o conceito do indivíduo otimizador e racional da teoria microeconômica para a análise do crime, torna-se possível visualizar a prática de crimes como:

“... uma atividade ou setor da economia, e o criminoso (...) como um agente econômico (em qualquer uma das suas múltiplas formas, ou seja, empresário, investidor, trabalhador, etc.), respondendo a incentivos econômicos dispersos na sociedade, mobilizando recursos produtivos, fazendo investimentos, assumindo riscos, e decidindo quanto tempo alocar ao trabalho legal e/ou ilegal.” (FERNANDEZ & PEREIRA, 2001. p-797)

Sendo possível interpretar o crime como um setor da economia, no qual os agentes participantes respondem a incentivos, podemos incorporar o raciocínio lógico de uma série de ferramentas usualmente empregadas na análise econômica, possibilitando a expansão do arcabouço teórico que visa buscar as causas da criminalidade, antes majoritariamente composto por ramificações da sociologia, criminologia e psicologia.

2.2 Teoria da Desorganização Social

A abordagem da desorganização social compreende o crime como o resultado dá má organização das relações sociais dos indivíduos no nível familiar e comunitário. Em síntese, Cerqueira e Lobão (2003) definem essa teoria da seguinte maneira:

“Trata-se de uma abordagem sistêmica, cujo enfoque gira em torno das comunidades locais, sendo essas entendidas como um complexo sistema de redes de associações formais e informais, de relações de amizades, parentescos e de todas as outras que de alguma forma contribuam para o processo de socialização e aculturação do indivíduo.” (CERQUEIRA & LOBÃO, 2003 p-956).

Portanto, nesse ponto admite-se explicitamente que o contexto no qual o indivíduo está inserido é um fator essencial para que haja a probabilidade do mesmo tender a atividades criminosas. O indivíduo, do nascimento à morte, estabelece uma série de relações pessoais nos mais diversos níveis de intimidade, que acabam por condicionar sua formação como cidadão e a sua visão do papel a desempenhar na sociedade. Tais relações dependem de uma gama variada de fatores, que abrangem desde os aspectos socioeconômicos locais quanto o nível de desestruturação familiar e outros fatores que podem dificultar a criação de um senso de comunidade e a mobilização dos indivíduos em prol do bem-estar comum. Segundo Brunet & Viapiana (2008), uma série de modelos empíricos, nos quais a literatura destaca o estudo pioneiro de Shaw e Mckay (1930), sobre a delinqüência juvenil na cidade de Chicago nos EUA, e a análise de Sampson e Groves (1989) para a criminalidade na Inglaterra e País de Gales, têm corroborado a influência de comunidades consideradas “desorganizadas socialmente” na formação de indivíduos criminosos.

O grau de interação entre os participantes de uma comunidade, e a visão que esta tem da sociedade como um todo, pode ser considerado como um dos determinantes do custo moral que a teoria econômica imputa à prática do crime. Cada agente, através dos valores que absorve no âmbito familiar, nas amizades, na escola, e demais círculos de relacionamento que estabelece, forma um conjunto de valores morais que influencia diretamente suas decisões. Entretanto, tal conjunto pode diferir daquele socialmente aceito: comunidades onde as estruturas sociais internas são fracas em relação ao resto da sociedade, geram – para os indivíduos que formam seus valores morais nela – a impressão que aquela realidade e aqueles valores lá presentes são o “padrão”, ou o “natural”, dado que o indivíduo dificilmente tem conhecimento de uma realidade alternativa nesse período de formação de valores que o possibilite o exercício dialético de contraposição dos valores aceitos na sua comunidade, com os valores aceitos pela sociedade em geral. Consequentemente, tais comunidades tendem a gerar indivíduos que não consideram a prática de um crime, ou outras práticas socialmente condenáveis, algo tão moralmente desafiador, o que diminui substancialmente o custo moral do delito e eleva o benefício líquido que o agente pode auferir nessa prática.

3. Metodologia Empregada e Modelo Utilizado

Diversos estudos que abordam a criminalidade sob a perspectiva econômica têm se valido de técnicas de econometria espacial para a estimação dos modelos que apresentem os determinantes do crime. Peixoto et al. (2004) estimam regressões espaciais para alguns tipos de delitos na região metropolitana de Belo Horizonte. Oliveira (2008), ao abordar o caso dos homicídios, roubos e furtos nos municípios do Rio Grande do Sul, também estima modelos nos quais a relevância do espaço geográfico nos resultados é salientada, valendo-se da seguinte justificativa:

“Neste processo de difusão da criminalidade, as cidades possuem um papel relevante, pois há não só uma disseminação interna, mas também uma externa às cidades. Este processo de difusão evidencia uma dependência espacial na criminalidade entre cidades.” (OLIVEIRA, 2008. p-41).

No âmbito da econometria espacial destacam-se dois tipos de modelos econométricos que descrevem distintos padrões de dependência espacial, a saber: modelos de defasagem espacial e modelos de erro espacial. Podemos descrevê-los da seguinte maneira:

[pic] (1)

Onde [pic] é o termo de erro descrito por [pic]; [pic] e [pic]são as matrizes de pesos espaciais, que expressam se as observações são próximas ou distantes umas das outras; [pic] é a matriz de variáveis dependentes; [pic] é o vetor dos coeficientes da matriz das variáveis regressoras; e [pic] e [pic] são os coeficientes que refletem o tipo de dependência espacial. Se [pic][pic] e [pic] = 0, o modelo será de defasagem espacial (spatial lag), demonstrando que o padrão da variável dependente em um local afeta os seus vizinhos. No caso de [pic] = 0 e [pic][pic], o modelo será de erro espacial (spatial error), refletindo a correlação entre os erros das observações, muito provavelmente gerada pela omissão de alguma variável independente no modelo.

Portanto, valendo-se de tal método, a estimação que tenta capturar os determinantes da taxa de furto e roubo de veículos é um modelo de cross-section para o ano de 2008 e apresenta as seguintes variáveis:

[pic] (2)

Em que:

a) trfv = taxa de furto e roubo de veículos por mil veículos em 2008.

b) crim08 = taxa de ocorrências criminais (exceto furto e roubo de veículos) em 2008.

c) n18_24 = percentual da população masculina com idade entre 18 e 24 anos.

d) vabagro = valor agregado bruto per capita da agropecuária.

e) vabserv = valor agregado bruto per capita do setor de serviços.

f) vabind = valor agregado bruto per capita da indústria.

g) ipva_nv = valor médio do IPVA arrecadado por veículo registrado no município.

h) dispoa = distância do município em relação à Porto Alegre, em quilômetros.

i) dpop = dummy para municípios com população > 100.000 habitantes.

Tal conjunto de variáveis explicativas tenta simular o ambiente de cada município de acordo com as teorias já propostas. A variável “crim08” descreve qual a situação do município frente à criminalidade como um todo, e como esse ambiente de criminalidade, disseminada ou restrita, se relaciona com o furto e roubo de veículos. Alternativamente, essa variável serve para sinalizar o nível de acesso a informação necessária à prática criminosa; ou seja, quanto mais elevada a taxa de criminalidade como um todo, maior a chance dos indivíduos já terem tido experiências criminosas, ou contato com delinqüentes, o que diminui substancialmente o custo da informação (neste caso, encarado como o custo de execução e planejamento) acerca do crime. Complementarmente, é razoável imaginar o furto e roubo de veículos como um tipo de crime onde determinada experiência seja necessária ao agressor; e, portanto, uma espécie de delito na qual apenas indivíduos já “iniciados” no hábito criminoso possam se empenhar com relativo sucesso. Dessa maneira, é de se esperar que uma maior quantidade de delitos no geral (muito representados por delitos menores) represente um potencial do município em desenvolver ladrões e furtadores de veículos.

A variável “n18_24” representa a faixa etária e o sexo dos munícipes mais suscetíveis à prática de alguma atividade criminosa; e, portanto, espera-se que esta se relacione positivamente com a variável dependente. Quanto à “vabagro”, “vabserv” e “vabind”, tenta-se verificar se a atividade econômica preponderante do município, e consequentemente todos os efeitos diretos e indiretos que cada atividade pode desencadear - tais como maior taxa de urbanização, maior renda média, maior dinamismo da economia municipal - tende a afetar as condições que levam os agentes a praticar a delinqüência contra veículos.

Já a variável “ipva_nv” é uma proxy do valor médio dos veículos do município e, portanto, um indicador do benefício esperado pelo crime: espera-se que quanto maior o valor dos veículos, maior o benefício e, consequentemente, maior o incentivo aos delinqüentes, ainda que um maior valor também possa ser visualizado como maiores custos de execução e planejamento do crime. Por fim, “distpoa” e “dpop” objetivam controlar, respectivamente, a heterogeneidade existente entre os municípios no que tange a facilidade de acesso da sua população a um grande centro urbano (e todas as implicações decorrentes), aqui representado por Porto Alegre; e a influência do tamanho da cidade no furto e roubo de veículos: é de se esperar que centros urbanos de maior porte (i.e. acima de 100 mil habitantes) destoem dos outros municípios no que tange o tratamento da criminalidade.

4. Resultados

4.1 Análise exploratória espacial

Num primeiro momento, para obtermos indícios de existência de dependência espacial em uma variável, cabe a realização de uma análise exploratória na qual se verifiquem padrões espaciais nos dados. Desta maneira, tal análise permite “identificar e descrever distribuições espaciais, identificar localidades atípicas (outliers espaciais), agrupamentos de observações semelhantes (clusters) e identificar formas de heterogeneidade espacial” (ANSELIN, 1994 apud PEIXOTO, 2004, p.9).

Uma estatística usualmente empregada na verificação da dependência espacial é a I de Moran, a qual:

“(...) indica a ‘força’ da similaridade ou dissimilaridade espacial das regiões vizinhas, sendo que uma estatística I-Moran Global significativamente positiva indica regiões vizinhas similares enquanto que uma estatística I-Moran Global significativamente negativa indica dissimilaridade entre as regiões contíguas.” (CHIARINI, 2008. p-58).

Tal estatística, proposta inicialmente em 1948, é calculada da seguinte maneira:

[pic] (3)

Onde [pic] e [pic] são os desvios da média dos valores da variável em questão (no caso, a taxa de furto e roubo de veículos); n é o número de observações (neste estudo, o número de municípios do Rio Grande do Sul), e [pic]denota os elementos da matriz de pesos espaciais. Nesta última variável, cabe observar que os resultados da estatística I de Moran são muito influenciados pela matriz de contigüidade escolhida pelo pesquisador (OLIVEIRA, 2008. p-46), visto que tal escolha, ainda que teórica, seja discricionária no sentido de não haver regra bem estabelecida para a determinação da melhor matriz. Contudo, seguindo a linha de estudos anteriores, a matriz de contigüidade escolhida para este caso foi a do tipo “rainha” de ordem 1, a qual – analogamente ao movimento da peça “rainha” em um jogo de xadrez – considera contíguos os municípios que partilham tanto lados quanto vértices. Quanto à ordem escolhida para a matriz, temos que “é possível considerar várias ordens de contigüidade, definindo a ordem de contigüidade k-ésima para quando as unidades espaciais são contíguas de primeira ordem a uma unidade espacial de ordem (k-1)-ésima e não contíguas de ordem inferior” (ANSELIN, 1998, apud CHIARINI, 2008. p.51-52). Contudo, no intuito de considerar apenas a influência os vizinhos imediatos (i.e. aqueles que partilham de pelo menos alguma fronteira), fora estabelecida a ordem 1 para a matriz.

Na figura 1, é apresentado o resultado da estatística I de Moran e o gráfico de associação espacial da variável “taxa de furto e roubo de veículos”:

Figura 1

[pic]

Fonte: Elaborado pelo autor

O resultado (0,4872) indica um alto grau de associação espacial nos valores da variável dependente do modelo. Outro fator importante do gráfico é que ele possibilita desmembrar qual o padrão de aglomeração de cada região: no primeiro quadrante (à direita e acima), cada ponto representa municípios com alta TFRV que estão próximos de outros municípios com alta TFRV. Contrariamente, no terceiro quadrante (à esquerda e abaixo), encontram-se municípios com baixa TFRV próximos de outros municípios com baixa TFRV. O segundo e o quarto quadrantes compreendem os municípios que não apresentam associação espacial com seus vizinhos, seja na configuração alta-baixa ou baixa-alta TRFV.

Contudo, é problemático utilizar apenas o valor global da estatística I de Moran para uma análise da dependência espacial. Segundo Peixoto et. al. (2004): “Essas estatísticas globais ignoram a existência de padrões locais de autocorrelação espacial, podendo levar a resultados enganosos sobre a existência de correlação espacial nos dados” (PEIXOTO et. al., 2004, p.9). Dessa forma, é necessária a decomposição da estatística global em estatísticas locais para verificar quais as regiões que, de fato, apresentam associação espacial. Valendo-se do instrumental analítico criado por Anselin (1995), denominado Local Indicators of Spatial Association, ou simplesmente LISA, é possível criar um mapa que destaca tais regiões, como o da figura 2 abaixo:

Figura 2

[pic]

Fonte: Elaborado pelo autor

No mapa, é possível visualizar que a Região Metropolitana de Porto Alegre é o principal cluster de alta taxa de furto e roubo de veículos no estado (high-high). Contudo, dois municípios (Lindolfo Collor e Nova Santa Rita) destoam do padrão dos municípios ao redor, apresentando baixas TFRV. Outro cluster de elevadas taxas é formado por municípios do litoral norte, a saber: Balneário Pinhal, Cidreira, Imbé, Osório e Tramandaí. Nestes municípios é importante salientar um fator sazonal importante no verão, estação esta que apresenta números de furto e roubo de veículos muito superiores aos do resto do ano. Tal fator decorre que nesse período o número de veículos em circulação no litoral oriundos de outras regiões aumenta drasticamente, o que acaba superestimando a TFRV, visto que esta é calculada através da razão entre o número de furtos e roubos de veículos ocorridos no município e o número de veículos registrados no município. Dessa maneira, o alto número de ocorrências registradas no verão acaba superestimando a taxa no final do ano, resultando no fato dessa região se destacar como uma de alta ocorrência do tipo de delito em questão.

Alguns municípios do noroeste gaúcho (Alecrim, Boa Vista do Buricá, Novo Machado, Porto Lucena, Porto Mauá, Santa Rosa, Santo Cristo, Três de Maio e Tuparendi), compõem o principal cluster de baixas TFRV (low-low). Também há alguns focos desse padrão em municípios dos campos de cima da serra e norte gaúcho, como também dois pequenos clusters no centro do estado e em cidades do vale do taquari. Os municípios de Santa Maria e Mata (centro); e Constantina, Ijuí, Santo Ângelo e São Luiz Gonzaga (noroeste), apresentam altas taxas se comparados aos municípios em seu entorno (high-low). Em contrapartida, na configuração “low-high” se destacam os municípios de Capivari do Sul, pelo fato de se situar entre os maiores clusters do padrão “high-high”; e Barra do Quarai, por ter fronteira apenas com Uruguaiana (município com uma elevada TFRV).

4.2 Estimação do modelo e interpretações

Após o resultado da estatística I de Moran aponta a existência de dependência espacial, torna-se necessário verificar qual a forma adequada para modelo proposto na seção 3. Na estimação por MQO abaixo, também são feitos os testes que indicam qual a estrutura ideal do modelo econométrico espacial.

Tabela 1 – Estimação por Mínimos Quadrados Ordinários (MQO)

[pic]

Os dois testes LM robusto para dependência espacial indicaram a rejeição da hipótese nula, apontando correlação espacial tanto na variável dependente quanto nos erros. Dessa maneira, os estimadores encontrados serão viesados e ineficientes (OLIVEIRA, 2008). Contudo, a validade do teste é seriamente prejudicada devido à constatação da não-normalidade e heteroscedasticidade dos resíduos – ambas verificadas após inspeção dos testes Jarque-Bera e White, respectivamente – o que afeta também as premissas básicas para a validade dos testes de hipótese nos parâmetros estimados por MQO. Sendo tal problema bastante relevante, foi necessário identificar as fontes da não-normalidade e heteroscedasticidade, culminando na transformação da variável dependente em raiz quadrada, utilizando esta para uma nova estimação do modelo. A tabela 2 abaixo resume os resultados encontrados para essa nova estimação:

Tabela 2 – Estimação por Mínimos Quadrados Ordinários (MQO)

[pic]

Nota-se, portanto, que a transformação da variável dependente em raiz quadrada surtiu o efeito esperado, tornando os resíduos normais e homoscedásticos. Entretanto, é necessário verificar para essa nova variável se a dependência espacial continua elevada, visto que o intuito da transformação em raiz quadrada era encontrar uma variável que possibilitasse uma estimação na qual os testes fossem confiáveis, mas mantendo as características principais da variável TFRV. Neste sentido, a figura 3 e 4 demonstram os resultados da estatística I de Moran e o mapa LISA para a raiz quadrada da TFRV dos municípios gaúchos:

Figura 3

[pic]

Fonte: Elaborado pelo autor

Figura 4

[pic]

Fonte: Elaborado pelo autor

Para a raiz quadrada da TFRV, o resultado da estatística I de Moran se reduziu (0,3190); entretanto, ainda sinaliza a existência de dependência espacial entre os municípios gaúchos. O mapa da figura 3 apresenta algumas diferenças em relação ao da figura 2, principalmente no que tange ao cluster “low-low” existente no noroeste do estado. Contudo, o padrão dos municípios do entorno de Porto Alegre, do litoral norte, e de alguns outros municípios dispersos continua praticamente o mesmo em comparação àquele apresentado no mapa anterior, possibilitando a utilização da raiz quadrada da TFRV como uma boa proxy dos padrões de dependência originais.

Ao analisarmos os resultados dos testes LM robustos, a 10% de significância podemos considerar a dependência espacial nos moldes do modelo com erro espacial. Devido a perda da propriedade de eficiência dos estimadores por MQO na presença de dependência espacial nos erros (ANSELIN, 1988, apud OLIVEIRA, 2008, p.49), é necessário estimar o modelo pelo método da máxima verossimilhança. Os resultados da estimação são apresentados na tabela 3 abaixo:

Tabela 3 – Estimação por Máxima Verossimilhança do modelo com erro espacial.

[pic]

O parâmetro da variável “lambda” indica a dependência espacial nos erros, sendo este significativo a 1%. Os testes Breusch-Pagan e Jarque-Bera apontam, respectivamente, para resíduos homoscedásticos e distribuídos normalmente, tornando possível confiar nos testes de hipótese realizados para os coeficientes estimados do modelo. Uma vez que os coeficientes estimados representam a influência de cada variável (mantidas as outras variáveis constantes) sobre a raiz quadrada da taxa de furto e roubo de veículos e não sobre a TFRV de fato, é necessário cautela na interpretação dos resultados. Contudo, visto que os resultados das estimativas no modelo original e no modelo transformado não diferem substancialmente, salvo em duas variáveis (vide anexo 1), podemos considerar a estimativa como válida.

A variável “crim08” apresentou sinal positivo no modelo. Como anteriormente dito, tal variável simboliza qual o ambiente do crime na cidade, o que engloba fatores como o acesso da população a informações sobre a prática de atividades ilegais, e a facilidade de contato dos munícipes com indivíduos delinqüentes. Portanto, o sinal positivo já era esperado, possibilitando a conclusão de que municípios nos quais a criminalidade é disseminada tendem a apresentar maiores taxas de furto e roubo de veículos.

A variável n18_24, que representa o percentual de homens residentes no município com idade entre 18 e 24 anos, também apresentou coeficiente positivo, indicando que tal grupo, por ser mais suscetível a entrada no crime devido a fatores como salários mais baixos – ou seja, custo de oportunidade menor – (GROGGER, 1997, apud FAJNZYLBER & ARAUJO JR., p.11, 2001), e menor aversão ao risco, pode afetar positivamente o mercado secundário de veículos. Porém, nesta variável, o coeficiente estimado nos modelos original e transformado difere quanto a significância, talvez indicando que o fato de uma cidade ter mais habitantes do sexo masculino nessa faixa etária não implique diretamente em maiores ocorrências de furtos e roubos de veículos.

Quanto às variáveis “vabagro” e “vabserv”, os sinais encontrados (negativo e positivo, respectivamente) já eram esperados. Municípios com maior especialização econômica na agricultura e pecuária tendem a possuir menores taxas de urbanização, e uma maior distribuição territorial dos habitantes. Essa distância diminui as oportunidades de se praticar um delito, visto que a convivência com indivíduos desconhecidos se dá em menor escala, o que acaba restringindo as pessoas à vida em pequenas comunidades, nas quais o custo moral da prática de um delito por um de seus componentes tende a ser maior. Já o sinal positivo da variável “vabserv” reflete o fato dos municípios de maior porte terem um VAB maior neste ramo. Ademais, o próprio funcionamento das atividades econômicas deste setor reflete uma ampla necessidade de convívio com outros indivíduos, resultando no adensamento das cidades e na expansão das possibilidades dos criminosos. Contudo, o sinal negativo de “vabind” indica que municípios com maior VAB per capita no setor industrial tendem a apresentar menores taxas de furtos e roubos de veículos – diferindo do sinal previamente esperado. Uma das explicações para tal evento pode ser encontrada na grande quantidade de municípios que possuem poucas indústrias, mas essas altamente agregadoras de valor em comparação ao restante das atividades econômicas locais. Ou seja, ainda que tal município não seja industrializado de fato, a produção de uma única indústria pode elevar substancialmente o VAB per capita do setor no município, refletindo negativamente na TFRV.

A proxy para o valor dos veículos em circulação (ipva_nv), ainda que não significativa no modelo sem a transformação em raiz quadrada, mostrou-se significativa e positivamente relacionada a taxa de furto e roubo de veículos no modelo alternativo, demonstrando que quanto maior o valor dos veículos em circulação, maior será o benefício esperado pelo criminoso nestes tipos de delitos, ampliando os incentivos a tal prática. O resultado é interessante porque verifica que o benefício esperado pelo crime – estimado através do valor que o veículo possui – é mais que proporcional ao custo de execução e planejamento (caracterizado pelos dispositivos de segurança adicionais dos veículos mais caros), que um veículo de maior valor imputa na equação de “custos e benefícios” do criminoso quando esse está para decidir se comete ou não o delito. De acordo com o resultado obtido, é possível especular que o nível de especialização dos agentes deste mercado esteja cada vez mais acentuado, resultando em custos de execução e planejamento não suficientemente dissuasórios à prática do delito mesmo em veículos com melhores acessórios de segurança.

Por fim, as variáveis “distpoa” e “dpop” apresentaram os sinais esperados (negativo e positivo, respectivamente). Quanto a primeira variável, os mapas das figuras 3 e 4 já demonstram que os municípios próximos a Porto Alegre possuem altas TFRV; portanto, nada mais natural que o afastamento do município em relação à capital diminua a freqüência deste tipo de crime. Já acerca “dpop”, podemos concluir que o crime contra veículos – seja furto ou roubo – é inerente aos grandes municípios (aqui interpretados como aqueles de população maior do que 100 mil habitantes). Este resultado, em conjunto com o encontrado em “distpoa”, possibilita a especulação de um fator cultural relativo aos grandes centros: como o furto e roubo de veículos é visto como um crime no qual é necessário certo grau de experiência prévia e uma série de informações técnicas para a efetuação do delito com sucesso, uma cidade de grande porte – por todos os benefícios que ela proporciona se tratando de acesso à informação, convivência coletiva, etc. – possibilita uma proliferação mais acentuada das condições para a realização de um crime, seja através de menores barreiras à entrada (menor custo da informação e mão-de-obra previamente qualificada), quanto a extensão absoluta do mercado do crime. Deste modo, não é de se admirar que o principal cluster de altas TFRV se situe ao redor de Porto Alegre, numa região com praticamente 4 milhões de habitantes – já que além do município de Porto Alegre ser bastante populoso, ele é cercado por outros municípios populosos, o que dinamiza a difusão da criminalidade para essas localidades próximas. Enquanto isso, outros municípios muito populosos, tais como Caxias do Sul, Santa Maria e Pelotas, não conseguem exercer a mesma difusão externa dos seus padrões de criminalidade como a encontrada na região de Porto Alegre, visto que as cidades ao redor de seus territórios são, principalmente, de pequeno-médio porte.

5. Considerações Finais

Através dos resultados obtidos neste artigo foi possível verificar qual o padrão de distribuição espacial dos delitos contra veículos, aqui representados pelos furtos e roubos registrados no ano de 2008. Dessa forma, há como considerar a existência de dois clusters de alta TFRV, sendo o primeiro formado pelos municípios do entorno de Porto Alegre, e o segundo representado por municípios do litoral norte. Contudo, o primeiro encontra-se em tal situação devido a fatores estruturais, tanto econômicos quanto sociais, inerentes aos municípios desta região; já o segundo deve este resultado ao fator sazonal observado no verão, que superestima as ocorrências de furtos e roubos de veículos do ano todo.

O modelo econométrico utilizado demonstrou que municípios de grande porte (representados por dpop), que tenham um ambiente de criminalidade já estabelecido (crim08), com uma maior percentual de homens jovens na população (n18_24), cujo valor médio dos veículos em circulação seja elevado (representado por ipva_nv), bem como a produção do setor de serviços per capita; tendem a apresentar maiores TFRV. Neste quesito, cabe salientar a cautela na análise dos resultados das variáveis “n18_24” e “ipva_nv”, dadas as discrepâncias dos sinais estimados no modelo original e no alternativo. Contrariamente, uma maior distância em relação a Porto Alegre, assim como uma produção per capita elevada na agricultura e na indústria, demonstraram influenciar negativamente a TFRV dos municípios gaúchos no ano de 2008.

Por fim, é possível concluir que as espécies de delitos aqui tratadas são características de municípios populosos, com maior adensamento urbano, nos quais a variedade de veículos em circulação é maior. Dessa forma, o ambiente inerente as grandes cidades propicia condições favoráveis ao furto e roubo de veículos, o que se reflete diretamente na distribuição espacial destes tipos de crimes, tornando os municípios próximos a Porto Alegre os maiores mercados para os praticantes de tais delitos.

Referências Bibliográficas

ARAÚJO, A & FAJNZYLBER, P. (2001). “Violência e Criminalidade” In: LISBOA, M & MENEZES-FILHO, N. (eds). Microeconomia e Sociedade no Brasil. Rio de Janeiro: Contracapa.

BECKER, G.S. (1968) “Crime and Punishment: An Economic Aproach”. Journal of Political Economy, v.76, p.169-217.

BRUNET, J. & VIAPIANA, L. (2008) Contra a Corrente: Evolução recente e desafios da criminalidade no RS. Porto Alegre, Editora AGE.

CERQUEIRA, D. & LOBÃO, W. (2003). “Determinantes da Criminalidade: Uma Resenha dos Modelos Teóricos e Resultados Empíricos”. IPEA. Mimeo.

CHIARINI, T. (2008). “A Pobreza no Espaço: Uma Aplicação para o Rio Grande do Sul, 2000”. Porto Alegre, 2008. Dissertação (Mestrado em Economia) – Programa de Pós-Graduação em Economia, Universidade Federal do Rio Grande do Sul.

CHIARINI, T. (2009). “Acesso a Serviços Públicos e Pobreza no Rio Grande do Sul: Uma Análise Espacial – 2000”. Ensaios FEE, Porto Alegre, v.30, n.1, p.195-228.

FERNANDEZ, J. C. & PEREIRA, R. (2001). “Diagnóstico da Criminalidade na Bahia: Uma Análise a Partir da Teoria Econômica do Crime”. Revista Econômica do Nordeste, Fortaleza, v. 32, n. especial, p.792-806.

OLIVEIRA, C. A. (2005). “Criminalidade e o Tamanho das Cidades Brasileiras: Um Enfoque da Economia do Crime”. In: XXXIII Encontro Nacional de Economia. ANPEC. Disponível em: . Acesso em 15 de novembro de 2009.

OLIVEIRA, C. A. (2008). “Análise Espacial da Criminalidade no Rio Grande do Sul”. Revista de Economia, Curitiba, v.34, n.3, p.35-60, set/dez 2008.

PEIXOTO, B. T. et. al. (2004). “Criminalidade na Região Metropolitana de Belo Horizonte: Uma Análise Espacial”. Centro de Desenvolvimento e Planejamento Regional (CEDEPLAR), Belo Horizonte. Disponível em . Acesso em 10 de outubro de 2009.

APÊNDICE

Gráfico A.1 – População e número de veículos registrados no RS em 1993 e 2008.

[pic]

Fonte: FEE

Tabela A.1 – Descrição das variáveis utilizadas

[pic]

Tabela A.2 – Comparativo entre os resultados da estimação por MV do modelo original e do modelo com a variável dependente transformada.

[pic]

Fonte: Elaboração própria.

Tabela A.3 – Os vinte municípios com maior taxa de furto e roubo de veículos no RS, em 2008.

[pic]

Fonte: Elaboração própria

-----------------------

Var. pop. 93-08 = 14,9%

Var. veic. 93-08 = 105,0%

[pic]

................
................

In order to avoid copyright disputes, this page is only a partial summary.

Google Online Preview   Download