UNIVERSIDADE ESTADUAL DE MONTES CLAROS - UNIMONTES

CENTRO DE CIÊNCIAS SOCIAIS APLICADAS – CCSA

DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS
CURSO DE CIÊNCIAS ECONÔMICAS

Fábio Gonçalves do Amaral

GASTO COM SEGURANÇA PÚBLICA E CRIMINALIDADE

NAS MINAS GERAIS: Uma análise no período de 2015 a 2019

Montes Claros - MG
Novembro - 2021
 Fábio Gonçalves do Amaral

GASTO COM SEGURANÇA PÚBLICA E CRIMINALIDADE

NAS MINAS GERAIS: Uma análise no período de 2015 a 2019

Projeto de Monografia apresentado ao Curso de

Graduação em Economia, da Universidade Estadual
de Montes Claros, como requisito parcial para
obtenção do título de Bacharel em Ciências
Econômicas.

Orientadora: Professora Dra. Tânia Marta Maia

Fialho.

Montes Claros - MG
Novembro – 2021
 UNIVERSIDADE ESTADUAL DE MONTES CLAROS - UNIMONTES
CENTRO DE CIÊNCIAS SOCIAIS APLICADAS – CCSA
DEPARTAMENTO DE CIÊNCIAS ECONÔMICAS
CURSO DE CIÊNCIAS ECONÔMICAS

DEFESA PÚBLICA DO TRABALHO DE MONOGRAFIA

FOLHA DE APROVAÇÃO

Autor(a): Fábio Gonçalves do Amaral

Título: GASTO COM SEGURANÇA PÚBLICA E CRIMINALIDADE NAS MINAS
GERAIS: Uma análise no período de 2015 a 2019

Monografia defendida e aprovada em com NOTA ( ), pela comissão julgadora:

Profª Dra. Tânia Marta Maia Fialho (Orientadora) – Unimontes

Profª Luciana Maria Costa Cordeiro (Examinadora) – Unimontes

Profª Diogo Daniel Bandeira de Albuquerque (Examinadora) – Unimontes

Profª Maria de Fátima Rocha

Chefe do Departamento de Ciências Econômicas – Unimontes

Profª Emerson Costa Dos Santos

Coordenador do Curso de Ciências Econômicas – Unimontes
 AGRADECIMENTOS

Aos meus familiares e amigos que com carinho, amor e incentivo tornam-se os pilares
para a realização de meus objetivos.
Às professoras Maria Elizete Gonçalves e Marilia Borborema Rodrigues Cerqueira,
memoráveis diante o repasse de conhecimentos e motivação no curso.
À professora Tânia Marta Maia Fialho, pela paciência, orientação e
acompanhamento que tornaram possível esta monografia.
À Universidade Estadual de Montes Claros - MG e todos os professores do curso de
economia que permitiram ampliar meus conhecimentos e contribuir com esta monografia.
 RESUMO

O objetivo deste trabalho direciona os estudos de transdisciplinaridade a pesquisa econômica

e a criminalidade. E visa uma abordagem econômica do crime trata das relações entre
variáveis econômicas com a criminalidade, a qual analisa o comportamento criminoso
aplicando teorias econômicas sob o comportamento humano. Do ponto de vista social, os
homicídios assim como o latrocínio incidem na expectativa e na qualidade de vida da
população; a quantidade e intensidade dos delitos são determinadas pelas condições
econômicas; e político porque os entes federativos tem o dever de criar políticas públicas e
alocar os recursos que visam mitigar a criminalidade. Diante dados para verificar tendências
espaciais do crime nos municípios do Estado de Minas Gerais. As mais variáveis utilizadas no
modelo foram as Taxas de Crimes Violentos como variável independente; Gasto com
Segurança Pública; Gasto com Educação; Renda per capita do Setor Formal; Percentual da
População Pobre ou Extremamente Pobre; Taxa de Rendimento do Ensino Médio; Densidade
Populacional e Número de Ocorrências de Porte Ilegal de Arma de Fogo; sendo coletado do
banco de dados da Fundação João Pinheiro (FJP) e do Instituto Brasileiro de Geografia e
Estatística (IBGE). Os resultados obtidos com o estudo empírico, realizado por meio de
regressão de dados em painel utilizando o modelo de efeito MQVD, confirmam a hipótese de
que o aumento dos gastos com a função segurança pública apresentou correlação negativa
coma a taxa de crimes violentos, mostrando que o aumento de gastos com a função segurança
pública leva a uma redução da taxa de crimes violentos para o período analisado. Enfim, os
resultados corroboram com o previsto pela teoria e nos estudos empíricos considerados no
estudo, que mostram a correlação entre variáveis econômicas e sociais e as taxas da
criminalidade no Brasil.

Palavras-chave: Economia do Crime. Gastos Públicos. Dados em Painel de Minas Gerais.

 ABSTRACT

The objective of this work directs transdisciplinary studies to economic research and
criminality. And it aims at an economic approach to crime that deals with the relationships
between economic variables and crime, which analyzes criminal behavior by applying
economic theories on human behavior. From a social point of view, homicides as well as
robbery affect the population's life expectancy and quality of life; the number and intensity of
offenses are determined by economic conditions; and political because federative entities have
a duty to create public policies and allocate resources aimed at mitigating crime. Based on
data to verify spatial trends in crime in the municipalities of the State of Minas Gerais. The
most variables used in the model were the Violent Crime Rates as an independent variable;
Spending on Public Security; Spending on Education; Formal Sector per capita income;
Percentage of Poor or Extremely Poor Population; High School Income Rate; Population
Density and Number of Occurrences of Illegal Firearm Possession; being collected from the
database of the João Pinheiro Foundation (FJP) and the Brazilian Institute of Geography and
Statistics (IBGE). The results obtained from the empirical study, carried out through panel
data regression using the MQVD effect model, confirm the hypothesis that the increase in
spending on the public security function was negatively correlated with the rate of violent
crimes, showing that the increase in spending on the public security function leads to a
reduction in the rate of violent crimes for the period analyzed. Finally, the results corroborate
what is predicted by theory and empirical studies considered in the study, which show the
correlation between economic and social variables and crime rates in Brazil.

Keywords: Crime Economy. Public spending. Panel Data Minas Gerais.

      
 LISTA DE FIGURAS

Figura 1 - Taxa de Homicídio por 100 mil habitantes para o Brasil e Regiões: 1989-2019....27
Figura 2 - Análise de dependência espacial local (LISA) para taxa de crimes violentos: 2015 e
2019...........................................................................................................................................34
Figura 3 - Análise de dependência espacial local bivariada (LISA) para gasto com segurança
pública e taxa de crimes violentos: 2015 e 2019......................................................................36
Figura 4 - Análise de dependência espacial local bivariada (LISA) para gasto com educação e
taxa de crimes violentos: 2015 e 2019......................................................................................37
Figura 5 - Gastos per capita com Segurança Pública dos Estados Brasileiros: 2015 e 2020...40
 LISTA DE GRÁFICOS

Gráfico 1 - Número de Homicídios Intencionais por 100 mil habitantes: Países selecionados
da América do Sul.....................................................................................................................25
Gráfico 2 - Taxa de Homicídios por 100 mil habitantes...........................................................26
Gráfico 3 - Taxa de Mortes Violentas Intencionais, Brasil e regiões.......................................28
Gráfico 4 - Variação da Taxa de Mortes Violentas Intencionais: Brasil e Unidades da
Federação – 2019-2020.............................................................................................................29
Gráfico 5 - Taxa de Homicídios por 100 mil habitantes Brasil e Minas Gerais: 1990-2019. . .31
Gráfico 6 - Despesas com segurança pública e mortes violentas intencionais no Brasil: 2011-
2020...........................................................................................................................................39
Gráfico 7 - Evolução das despesas com segurança pública: Brasil e entes federativos: em
valores constantes de 2020........................................................................................................41
 LISTA DE QUADROS

Quadro 1 - Estudos Empíricos sobre Economia do Crime.......................................................21

Quadro 2 - Resumo das Variáveis Utilizadas...........................................................................49
Quadro 3 - Análise Descritiva das Variáveis...........................................................................55
Quadro 4 - Resultado das Estimativas.....................................................................................57
 LISTA DE TABELAS

Tabela 1 - Mortes Violentas Intencionais por 100 mil habitantes - Região Sudeste 2011 a 2020
...................................................................................................................................................30
Tabela 2 - Evolução das despesas com a Função Segurança Pública, por ente federativo em
bilhões de reais valores constantes de 2020 no período 2011 a 2020.......................................41
 SUMÁRIO

1 INTRODUÇÃO.........................................................................................................11
2 SOBRE A TEORIA ECONÔMICA DO CRIME..................................................15
2.1 ECONOMIA DO CRIME SEGUNDO GARY BECKER:........................................17
2.2 ALGUNS ESTUDOS EMPÍRICOS BASEADOS NA TEORIA DO CRIME:.........19
3 INDICADORES DE CRIMINALIDADE E GASTO PÚBLICO........................24
3.1 COMPORTAMENTO DA TAXA DE HOMICÍDIOS NO BRASIL.......................24
3.2 CRIMINALIDADE NAS REGIÕES E ESTADOS BRASILEIROS........................26
3.3 CRIMINALIDADE EM MINAS GERAIS:...............................................................30
3.4 GASTO COM SEGURANÇA PÚBLICA.................................................................37
4 METODOLOGIA.....................................................................................................43
4.1 FONTE DE DADOS:.................................................................................................43
4.1 VARIÁVEIS UTILIZADAS E EFEITOS ESPERADOS..........................................45
4.1.1 Variável Dependente................................................................................................45
4.1.2 Variáveis Explicativas..............................................................................................46
4.2 MODELO ANALÍTICO............................................................................................50
4.2.1 Modelo Econométrico...............................................................................................53
4.3 DISCUSSÃO DOS RESULTADOS..........................................................................54
4.3.1 A relação entre Gastos com Segurança Pública e Crime......................................59
5 CONSIDERAÇÕES FINAIS...................................................................................62
REFERÊNCIAS......................................................................................................................64
ANEXOS..................................................................................................................................69
 11

1 INTRODUÇÃO

A economia vem, ao longo do tempo, ampliando sua área de estudos, incorporando a

transdisciplinaridade. Uma das áreas que tem ganhado importância na pesquisa econômica é a
criminalidade. Estudos relevantes com abordagem econômica tratam das relações entre
variáveis econômicas com a criminalidade, como o desenvolvido por Gary Becker (1974):
Crime and Punishment: An Economic Approach, que analisa o crime aplicando teorias
econômicas sob o comportamento humano.
Neste artigo, o autor deduz que o criminoso é visto como alguém que maximiza uma
função utilidade, o que lhe garantiu o Prêmio Nobel de Economia, em 1992, segundo
VIAPIANA, 2006.
Este estudo foi o precursor dos estudos da criminalidade sob a ótica econômica,
abordando os determinantes da criminalidade e desenvolvendo um modelo em que o
criminoso é racional e avalia os benefícios envolvidos no ato delituoso, ou seja, benefícios e
custos esperados decorrente do ato ilícito cometido, comparados com as atividades no
mercado de trabalho formal, ou seja, o tempo alocado com a atividade legal (LOUREIRO,
2006).
A partir deste artigo de Gary Becker, surgem duas correntes na literatura econômica de
forma geral e distinta: a primeira tem como base a repressão policial e judicial como fator
determinante para combater a criminalidade; a segunda considera que os determinantes para
explicar o comportamento criminoso são relacionados ao ambiente econômico e social,
enfatizando a concentração de renda e pobreza (LOUREIRO, 2006).
Neste sentido, este estudo seguirá a segunda corrente, a qual visa demonstrar os
determinantes que explicam a criminalidade em Minas Gerais.
A criminalidade é um fenômeno que afeta a sociedade num todo, ou seja, é um
problema social, econômico e político.
Social; porque os homicídios, assim como o latrocínio incidem na qualidade e na
expectativa de vida da população.
Econômicos; porque as condições econômicas podem ser determinantes da quantidade
e intensidade dos delitos, podendo até mesmo restringir o crescimento econômico.
Por fim, o político; porque a União, os Estados e Municípios tem o dever de criar
políticas públicas e alocar os recursos que visem combater a criminalidade, numa escolha
entre fins alternativos ou em função de outros objetivos políticos, como saúde e educação
(ARAÚJO JR. & FAJNZYLBER, 2001).
 12

Dentre os fatores econômicos que afetam a criminalidade, a desigualdade de renda e

que resulta da concentração da riqueza é um dos mais proeminentes. Segundo Resende e
Andrade (2011): “evidências sugerem que, no Brasil, a desigualdade de renda afeta de forma
peculiar a criminalidade, principalmente se levar em consideração os elevados índices de
desigualdade observados no país”.
Do ponto de vista do custo de oportunidade, quanto menor for o nível de renda, menor
é o custo de oportunidade de se envolver em atividades legais. Outras variáveis importantes
que são utilizadas em estudos sobre criminalidade são o nível de emprego e a educação.
Considerando que as políticas econômicas e sociais necessárias à redução de
desigualdades, como ampliação do nível de emprego e renda, aumento do nível de
escolarização, dentre outras, tem efeitos mais em longo prazo, a segurança pública torna-se
um instrumento efetivo e necessário para coibir a criminalidade.
As abordagens de políticas públicas visando reduzir a criminalidade envolvem
aplicação da lei, prevenção, redução de danos, regulação e descriminalização, que são
atribuídas aos agentes políticos em suas respectivas esferas de atuação, nos níveis federal,
estadual e municipal.
No Brasil, apesar de nas últimas décadas a segurança privada ter se multiplicado, a
segurança pública é dever do Estado como forma de proteção às pessoas e do patrimônio, bem
como da preservação da ordem pública (BRASIL, CF 1988). Para exercer suas funções, os
gastos públicos com a função segurança pública são essenciais para financiamento dos órgãos
que lhes dão sustentação, como as polícias federal, civil, penais e militar que compõem sua
estrutura.
A análise dos gastos com segurança permite verificar se os esforços do governo,
principalmente em relação ao que é despendido tem sido capaz de reduzir os índices de
criminalidade e, com isso, aumentar o bem-estar da população. Dessa forma, entendem-se os
gastos públicos crescentes e eficientes com segurança pública como condição necessária à
redução da taxa de criminalidade no país, pelos efeitos de repressão que exercem em relação
ao crime.
Conforme dados divulgados no Atlas da Violência (2019, p.70), no Brasil cerca de 910
mil pessoas morreram vítimas de arma de fogo entre 1980 e 2016. A taxa de homicídios por
100 mil habitantes do Brasil, que é comumente utilizada como um indicador de criminalidade,
por se tratar do mais grave crime contra a vida, teve aumento ao longo dos anos e com
tendência sempre crescente.
 13

Em 1980, essa taxa foi de 11,69, chegando a 29,14 por 100 mil habitantes em 2003.
Com a entrada em vigor do Estatuto do Desarmamento em 2004, por meio da Lei Federal
10.826/2003, no período de 2004 a 2008 a taxa de homicídios permaneceu na média de 26,
sendo que a partir de 2009 retomou o crescimento, chegando a 31,59 por 100 mil habitantes
em 2017.
Ressalta-se que, segundo o Atlas da Violência (2019, p. 8) “o Estatuto do
Desarmamento freou a escalada de mortes no Brasil e serviu de mecanismo importante para a
redução de homicídios em alguns estados”. Este documento revela que no ano de 2018 essa
tendência de crescimento foi interrompida, com a taxa de homicídios reduzindo de 31,6 em
2017 para 27,8 por 100 mil habitantes, isto é, significando declínio de 12%, representando o
menor nível para o Brasil nos últimos quatro anos. Verifica-se, pelos dados apresentados que
o Brasil apresenta taxas de homicídios superiores àquelas consideradas endêmicas pela
Organização Mundial de Saúde – OMS.
A Organização Mundial da Saúde (OMS) considera como endêmicas taxas de
homicídio superiores a 10 vítimas por cada 100 mil habitantes. No Brasil, a referida taxa foi
de três vezes mais que esse limite da OMS, chegando a 30,3 em 2016 e 31,6 em 2017, com
leve redução para 27,8 em 2018, conforme dados dispostos no Atlas da Violência (2020).
As principais vítimas de homicídios no Brasil são jovens de 15 a 29 anos de idade,
com taxa por 100 mil habitantes sempre superior a 50 entre 2008 e 2018, chegando neste
último ano a 60,4, conforme dados publicados no Atlas da Violência (2020). Em 2018 o
homicídio representou 55,6% das mortes de jovens na faixa etária entre 15 e 19 anos, cerca de
52% entre 20 e 24 anos e 43,3% na faixa de 25 a 29 anos. Esses dados deixam claro a
principal característica da criminalidade do país, que atinge fortemente a juventude brasileira.
O crime afeta, não apenas suas vítimas diretamente, mas, também, todo o contexto
socioeconômico, dado que tanto o setor público quanto o privado enfrentam custos para
garantir a segurança da população. A motivação para realização deste estudo partiu,
inicialmente, da importância do tema para a sociedade brasileira já que a identificação da
relação de variáveis com a taxa de criminalidade é um passo importante para a adoção de
políticas públicas que possam reduzir esse problema.
Por atuar no setor de segurança pública do país, em especial em Minas Gerais, o
interesse em conhecer melhor e pensar o tema de forma científica, uma vez que, um estímulo
a mais para que este trabalho fosse realizado.
Dessa forma, este estudo visa apresentar conceitos, definições e ferramentas
necessárias para entender o comportamento da criminalidade, que é um dos principais
 14

problemas da sociedade contemporânea. Os entes Federativos, União, Estados e Municípios,

têm como dever constitucional, promover políticas públicas de segurança pública, que visa
reduzir a insegurança provocada pela criminalidade, que por sua vez, implica em
consequências negativas em todos os setores da sociedade (BRASIL, CF 1988).
As principais questões que o estudo procura responder são: i) Existe relação entre
criminalidade e gastos com segurança pública? ii) De que maneira o gasto com segurança
pública e o índice de criminalidade em Minas Gerais se relacionaram, no período de 2015 a
2019? iii) Quais os efeitos dos gastos com segurança pública sobre a criminalidade em Minas
Gerais nesse período? Com essas questões, a suposição que direcionou este estudo é que
aumento nos gastos com segurança pública tem efeito sobre a redução da criminalidade, já
que afeta a capacidade da polícia em reprimir e controlar o crime.
O objetivo geral procura verificar de que maneira o gasto com segurança pública se
relacionou com os crimes violentos em Minas Gerais no período de 2015 a 2019. Os objetivos
específicos para a realização do estudo foram:
i) realizar uma revisão da literatura teórica e empírica que trata da relação entre
economia e criminalidade; ii) apresentar e discutir indicadores econômicos e de criminalidade
do Brasil, para melhor compreensão da relação entre eles; iii) identificar, empiricamente, o
efeito do gasto com segurança pública sobre a taxa de criminalidade no estado de Minas
Gerais; iv) verificarem a existência de tendências espaciais e temporais de criminalidade no
Estado de Minas Gerais.
O desenvolvimento do estudo foi baseado na pesquisa teórica e análises empíricas de
dados, utilizando a técnica análise de regressão para dados em painel. Para tanto, com base na
literatura sobre a relação entre economia e crime, foram identificadas variáveis que poderiam
ser relevantes para explicar a taxa de criminalidade, como as relativas às atividades
econômicas, sociais, demográficas e de políticas públicas. Além da metodologia de dados em
painel, foi empregada a análise espacial de dados para verificar tendências de espacialidade e
temporalidade do crime nos municípios do Estado de Minas Gerais.
Portanto, este trabalho está organizado em cinco capítulos, incluindo esta introdução.
No próximo capítulo serão apresentadas as referências teóricas e empíricas sobre economia e
crime; no capítulo 3 são apresentadas e discutidas algumas variáveis sobre criminalidade e
gastos públicos com segurança no Brasil; o capítulo 4 apresenta e discute os resultados das
análises empíricas e, em seguida serão apresentadas as conclusões.
 15

2 SOBRE A TEORIA ECONÔMICA DO CRIME

Este capítulo trata-se de uma breve revisão da evolução da teoria econômica do crime,
cuja apresenta alguns estudos empíricos, as quais relacionam variáveis socioeconômicas com
indicadores de criminalidade.
Cada análise que será realizada, parte do pressuposto de que os crimes podem ser
correlacionados ao ambiente econômico e social, especialmente de fatores como renda per
capita, gastos com saúde e educação, gastos com segurança pública, níveis de pobreza, dentre
outros, conforme Loureiro (2006).

2.1 SOBRE O CONCEITO DE CRIME

Derivado do latim, a palavra crimen (acusação, queixa, racismo, injuria etc.), equivale
a toda ação cometida com dolo na forma grave e na modalidade culposa para crime com
menor potencial ofensivo, sendo assim, é toda ação contrária aos costumes, à moral e à lei
(PIERANGELLI, 1980).
De acordo com o Código Penal brasileiro, o crime assume diversas formas, podendo
ser contra a pessoa, patrimônio, costumes dentre outras, definidas nesta lei. Para Brenner, o
crime é definido por diversos autores como:

Um ato de transgressão de uma lei vigente na sociedade. A sociedade decide, através

de seus representantes, o que é um ato ilegal via legislação, e pela prática do Sistema
de Justiça Criminal. Esta delimitação entre o que é legal e o que é ilegal vai
determinar o montante de crimes realizados na sociedade (BRENNER, 2001, p.32).

Do ponto de vista da economia, o crime é tratado como uma atividade econômica

como qualquer outra, que envolve toda uma cadeia de produtos e serviços destinados à sua
produção e repressão. Para Becker (1974) o crime pode ser classificado sob a ótica econômica
nos grupos lucrativos e não lucrativos. Shikida e Borilli (2002) apontam exemplos crime
lucrativo como furto, roubo, sequestro, extorsão, estelionato, receptação e, como não
lucrativo, o estupro, abuso de poder, tortura.
Pelo menos dois economistas clássicos devem ser mencionados, quando se discute a
teoria econômica do Crime. Na obra de Adam Smith, a quem é atribuído o surgimento da
economia, são encontradas as primeiras ideias da teoria econômica do crime. Jeremy Bentham,
como representante do princípio utilitarista, que foi aplicado à economia do crime.
 16

Adam Smith, buscando entender a natureza humana, argumentava que as pessoas são
dotadas de sentimentos, de interesses próprios que as fazem buscar alcançar status e riqueza.
O comportamento criminoso surge quando o desejo de obter riqueza supera os limites do que
é considerado legal.
Daí o argumento que o crime era produto das condições socioeconômicas da
sociedade, especialmente da pobreza. Um indivíduo pobre que deseja se ascender
socialmente, pode estar propenso a adotar normas morais mais flexíveis que facilitam a
realização de algum tipo de transgressão moral ou legal.
Contudo, Adam Smith questionava as penas aplicadas à época, por considerar que
havia uma desproporção entre a gravidade do crime cometido e a pena aplicada, quando as
diversas punições severas eram justificadas em nome do bem público ou da utilidade pública.
Contestava a lei de exportação britânica, que impunha a pena de morte para quem
transgredisse a proibição do comércio externo de lã, por considerar que essa penalidade se
justificava porque a riqueza e a força da nação dependiam do comércio de lã.
Mesmo considerando que a aplicação de penas duras e longas poderiam ser justificadas
para dissuadir o ato criminoso, afirmava não haver razão que essas penalidades fossem
impostas a um comportamento criminoso de baixo potencial ofensivo. Portanto, para Adam
Smith as punições deviam ser racionais com princípio de reparar o dano daquele que foi
atingido pelo ato criminoso.
Césare Beccaria (1764) considerado como principal representante da Escola Clássica
do Direito Penal compartilhava da ideia smithiana de desproporcionalidade entre a gravidade
do crime e da punição imputada aos criminosos. Esse autor considerava que o crime era
resultado de uma escolha racional errada, ou seja, o criminoso fazia a escolha de forma
racional por práticas um ato ilícito, e o resultado é a irracionalidade por cometer uma
transgressão. Entretanto, tanto Adam Smith como Beccaria, reconheciam a importância da
pena como instrumento para dissuadir o indivíduo de cometer o crime.
Segundo Fukuyama (apud Fernandez e Pereira 2001), o comportamento criminoso se
vincula às características do capitalismo principalmente da luta de classes. De acordo com
Karl Marx a desigualdade social proveniente do processo de industrialização, foi responsável
pelo aumento nos índices de desemprego, que, por sua vez, tem origem na luta de classes
entre o sistema capitalista de produção e proletariado, ao criar um exército industrial de
reserva que é explorado pelo capital. 
Wacquant (1999) aponta que a desigualdade social tem correlação positiva com a
criminalidade, sendo os espaços de pobreza, ambiente natural da ocorrência do crime. Em
 17

geral, o capitalismo não distribui de forma equânime a riqueza, gerando desigualdade social,
já que os meios de produção são apropriados por uma pequena parcela da população, o que
limita o acesso aos demais membros da sociedade, o que leva ao aumento da pobreza. 
Entretanto, o principal trabalho sobre a economia do crime foi desenvolvido por Gary
Becker (1974), baseado nos princípios utilitaristas dos autores clássicos e neoclássicos,
especialmente Jeremy Bentham que considerava que as penas deviam se aplicadas para obter
a utilidade geral da sociedade. A penalidade devia, portanto, ser forte o suficiente para que o
indivíduo fosse desestimulado de cometer o delito, quando realizasse o cálculo racional dos
custos e benefícios envolvidos no crime cometido.
Segundo Bentham (1822), as penalidades são impostas como consequências de ações
que maximizam o bem-estar do indivíduo, mas que, para a sociedade são nocivas ao bem
público e privado. A imposição de penalidades ao indivíduo que comete um ato criminoso
reduz o prazer da sua realização.
Essas punições visam alcançar três objetivos: inabilitação, reforma e vergonha, que
concomitante, podem reduzir que indivíduos contumazes no crime, permaneçam praticando
esses atos. Na visão desse autor, a pena de reclusão dificulta ou inabilita os criminosos a
continuarem na criminalidade; com atividades profissionalizantes e educação os presos
reformam sua personalidade, dignidade, elevando sua autoestima uma vez que por motivos
alheios sua vontade não teve acesso quando se encontrava em liberdade; e, por fim, a
vergonha de ser visto pela sociedade como e- presidiário.
Nesse sentido a pena quando aplicada de forma eficaz e equânime atinge os objetivos
de forma que retira as características do indivíduo que atua na ilegalidade.
A melhor maneira de compreender esse processo é considerar que a punição imposta à
criminalidade visa interromper as atividades criminosas. Nesse sentido Bentham deixa claro
que um crime impune libera o caminho para novos indivíduos propensos a criminalidade e
que a punição é modo de manter a sociedade nas atividades lícitas, uma vez que a pessoa
punida é um espelho para os outros possíveis criminosos.
A penalidade devia, portanto, ser forte o suficiente para que o indivíduo fosse
desestimulado de cometer o delito, quando realizasse o cálculo racional dos custos e
benefícios envolvidos no crime cometido.

2.2 ECONOMIA DO CRIME SEGUNDO GARY BECKER:

 18

Foi com a publicação de Crime and Punishment: An Economic Approach (1974) que

Becker apresentou os motivos que levam um indivíduo a cometer um crime, do ponto de vista
econômico, utilizando os fundamentos da economia neoclássica, especialmente dos princípios
da utilidade desenvolvidos por Jeremy Benthan.
Sob a ótica econômica, o crime é analisado de forma generalizada como deseconomias
ou causa externa. Para Becker (1974) fica claro que para cometer um crime, o indivíduo
espera maximizar uma função utilidade na qual os lucros excedam os custos e seja maior que
ocupar-se com qualquer outra atividade lícita. Assim, Becker (1974), define que a abordagem
adotada em sua pesquisa segue:

[...] a análise de escolha usual dos economistas e assume que uma pessoa comete
uma ofensa se a utilidade esperada para ele exceder a utilidade que poderia obter
usando seu tempo e outros recursos em outras atividades. Algumas pessoas se
tornam "criminosas", portanto, não porque sua motivação básica seja diferente de
outras pessoas, mas porque seus benefícios e custos diferem. (BECKER, 1974, p. 9).

Portanto, é evidente que a busca de maximizar a utilidade como fator que determina se
a pessoa comete ou não o crime. De acordo com Cerqueira e Lobão (2004, p.247)

A decisão de cometer ou não o crime resultaria de um processo de maximização da

utilidade esperada, em que o indivíduo confrontaria, de um lado, os potenciais
ganhos resultantes da ação criminosa, o valor da punição e as probabilidades de
detenção e aprisionamento associadas e, de outro, o custo de oportunidade de
cometer crimes, traduzido pelo salário alternativo no mercado de trabalho.

Isso significa que a penalidade aplicada com a finalidade de dissuasão para impedir
que novos crimes aconteçam, nem sempre é o que determina se o delito ocorre ou não, já que
aquele indivíduo acostumado ao crime busca maximizar sua utilidade, mesmo considerando
os riscos de ser descoberto e punido no cálculo dos custos e benefícios.
Gary Becker (1974), foi o primeiro economista que desenvolveu um modelo formal
que buscava explicar os aspectos econômicos e sociais do crime empiricamente. Para criação
do modelo estabeleceu as seguintes relações:
 19

(1) o número de crimes, denominados "delitos" neste ensaio, e o custo dos delitos,
(2) o número de delitos e as punições cumpridas, (3) o número de delitos, prisões e
condenações e os gastos públicos com policiais e tribunais, (4) o número de
condenações e os custos de prisões ou outros tipos de punições, e (5) o número de
delitos e os gastos privados em proteção e apreensão. (BECKER, 1974, p.5).

O estudo foi feito para o ano de 1960 nos Estados Unidos. O método aplicado foi o
mesmo método de escolha usado pelos economistas para explicar a entrada em atividades
legais, os infratores preferem o risco na margem. Empiricamente o modelo demonstra a
associação entre taxas de crimes e desigualdade de renda bem como atividade de aplicação da
lei. O resultado demonstrou que, políticas ótimas para o combate do comportamento ilegal
fazem parte de alocação ótima de recursos.
Segundo Becker a principal contribuição do seu estudo foi demonstrar que políticas de
combate ao comportamento ilegal fazem parte da política ótima de alocação de recursos e,
portanto, devem ser analisadas utilizando os instrumentos que a teoria econômica oferece.
Ressalta que alguns aspectos relacionados ao crime, como punição e prisão são não
monetários, mas se constituem custos para a sociedade e para os infratores, daí a importância
de tratar o crime como um fato também econômico, que inclusive já tinha sido apontado por
autores como Beccaria e Bentham.

2.3 ALGUNS ESTUDOS EMPÍRICOS BASEADOS NA TEORIA DO CRIME:

Gary Becker (1974) o primeiro economista que desenvolveu o modelo formal da

decisão de cometer crimes enfatizando a relação entre crime e punições e fatores econômicos,
empregando os fundamentos da teoria da utilidade. Baseado neste estudo surgiu muito outros
modelos que avaliam a relação entre criminalidade e economia.
Ehrlich (1970), propõe modelos de equação simultânea de produção da atividade
policial, para prever a direção, a magnitude relativa da resposta de agressões bem como
distinguir os efeitos dissuasivos e preventivos da pena de prisão.
O estudo analisou a variação de crime em todos os estados dos Estados Unidos nos
anos de 1940, 1950 e 1960. Com proposta diferente, Ehrlich substitui no modelo de Becker,
custos e ganhos de buscas legítimas e ilegítimas por custo da punição e penas e alocação
ocupacional de recursos sob incerteza a atividades concorrentes, tanto dentro quanto fora do
setor de mercado por escolha entre atividades mutuamente exclusivas. Os resultados são
 20

algumas estimativas da eficácia da aplicação da lei em dissuadir o crime e reduzir a perda

social do crime.
No Brasil, Loureiro (2006), analisa os gastos públicos em assistência social
relacionados ao crime, tendo em vista o poder dissuasório de medidas de repressão do crime
no curto prazo e de políticas sociais. O trabalho foi desenvolvido com dados anuais para todos
os estados brasileiros e cobrem o período de 2001 a 2003. A metodologia utilizada foi
regressão por Mínimos Quadrados Generalizados – MQG, com dados em painel, efeitos fixos
com primeira diferença e posteriormente por mínimos quadrados em dois estágios – MQ2E.
Como resultados empíricos, observou que a concentração de renda e a proxy para
desorganização social, proporção de lares uniparentais, afetam a criminalidade de forma
robusta e positivamente.
Martins (2010), analisa os principais fatores apontados como determinantes do crime
visando verificar como eles se correlacionam, nos estados brasileiros, no período de 2005 a
2007. Para tanto, utilizou-se análise descritiva com a Correlação de Pearson e a de Spearman.
Os resultados empíricos mostram que o desemprego, seguido pela desigualdade integram os
principais fatores que apresentam maior correlação positiva com as taxas de homicídios.
Amaral (2014), analisou os efeitos dos gastos públicos estaduais em segurança
pública, assistência social e educação sobre a criminalidade no estado do Ceará para o período
de 2010 a 2013. Foi utilizada regressão por MQO utilizando séries temporais. O estudo
apresentou resultados contraditórios em relação aos gastos governamentais com segurança
pública; gastos com educação e assistência social em conjunto foram significativos para
crimes letais, indicando que aumento nestes gastos é eficaz para reduzir o número de
homicídios.
Dutra (2017), estudou os homicídios consumados com usos de arma de fogo nas
capitais brasileiras e Distrito Federal, para verificar, empiricamente, se mais armas geram
menos homicídios. Os resultados demonstraram em média que a elasticidade é igual a 3,9
entre a variável arma de fogo e homicídios, ou seja, o crime é muito sensível ou elástico em
relação ao porte de armas. Verificou-se também que a elasticidade é maior para vítimas
declaradas como negras quando comparado às vítimas declaradas como brancas, bem como
para vítimas do sexo masculino quando comparado às vítimas do sexo feminino.
Estudo realizado por Pessoa (2019) analisou o comportamento dos homicídios da
população com faixa etária entre 15 a 29 anos, no período de 2006 a 2012, para o Estado do
Rio Grande do Sul. Os resultados empíricos do modelo com efeitos fixos demonstram que as
variáveis tráfico e mães jovens foram estatisticamente significativas. Por outro lado, a
 21

desigualdade de renda não teve correlação positiva com os homicídios, não sendo
estatisticamente significativa.
Estes estudos encontram-se relacionados no Quadro 1 e foram baseados em diferentes
métodos de análise, mas a maioria dos autores utilizou modelos de regressão, para mensurar o
impacto de variáveis econômicas, sociais e demográficas sobre a criminalidade. Esse registro
serve de referência para a escolha da metodologia utilizada neste estudo.

Quadro 1 - Estudos Empíricos sobre Economia do Crime

(continua)
AUTOR OBJETIVO METODOLOGIA VARIÁVEL VARIÁVEIS
DEPENDENTE EXPLICATIVAS
Loureiro Avaliar o poder Regressão por Homicídios, roubo, Renda domiciliar per
(2006) Uma dissuasório do Mínimos Quadrados furto e sequestro. capita, desigualdade
Análise crime de medidas Generalizados – MQG, de renda, nível
Econométrica de repressão de com dados em painel, educacional, nível de
do Impacto dos curto prazo e de efeitos fixos com pobreza, taxa de
Gastos políticas sociais. primeira diferença e desemprego,
Públicos Sobre posteriormente por proporção de lares
a mínimos quadrados em uniparentais,
Criminalidade dois estágios – MQ2E. proporção de jovens
no Brasil. do sexo masculino,
gastos com segurança
pública e, gastos em
assistência social.
Daisy (2010), Analisar os Analise descritiva dos Taxa de homicídios Anos de estudo,
Os Principais principais fatores indíces de homicídios e coeficiente de Gini,
Fatores que apontados como dos indicadores taxa de desemprego,
Influenciam o determinates do socioeconômicos, renda média
Crime no crime e verifica realização de domiciliar per capita,
Brasil: Uma como eles se correlações parciais, percentual de pobreza
Análise correlacionam correlação de Pearson e densidade
Estatítica das e a de Spearman demográfica.
Variáveis.
 22

Quadro 1 - Estudos Empíricos sobre Economia do Crime

(continua)
Amaral (2014), Avaliar os efeitos Regressão por MQO Crime letal Gasto em segurança
uma análise do dos gastos utilizando séries (homicídios) e pública, gasto em
Efeito dos públicos temporais. Variáveis. crimes contra o educação, gasto em
Gastos estaduais em patrimônio (roubos assistência social e
Públicos segurança e furos). gastos sociais.
Estaduais em pública,
Segurança assistência social
Pública, e educação sobre
Assistência a criminalidade.
Social e
Educação
Sobre a
Criminalidade
no Ceará para
o Período de
2010 a 2013.
Dutra (2017), Verificar Regressão por MQVD Homicídios por Armas de fogo em
Análise da empiricamente se com dados em painel. arma de fogo. poder da população,
relação entre mais armas densidade
Acesso a geram menos demográfica,
Armas de Fogo homicídios ou se estimativas
e Homicídios menos armas populacionais,
no Brasil. geram menos dummies referente ao
homicídios. estatuto do
desarmamento,
percentual de
homicídios por armar
de fogo por sexo da
vítima, percentual de
homicídios por arma
de fogo por raça das
vítimas e idade média
das vítimas de
homicídios por arma
de fogo.
 23

Quadro 1 - Estudos Empíricos sobre Economia do Crime

(conclusão)
Pessoa (2019), Avaliar a Análises multivariadas Taxa de homicídios. Desigualdade de
A Influência qualidade do com dados em painel, renda, abandono
das Variáveis gasto público modelo pooled com escolar (defasada),
Sociais e estadual efeitos fixos e efeitos população (jovens
Econômicas brasileiro nas aleatórios. entre 15 e 19 anos),
nos funções de saúde, mães jovens (que
Homicídios da educação e tiveram filhos com
População segurança idade entre 10 a 19
Jovem no pública. anos, defasada) e
Estado do Rio tráfico.
Grande Do
Sul.
Fonte: Elaboração própria a partir de estudos sobre o tema.

Este capítulo procurou apresentar algumas vertentes que tratam da teoria econômica
do crime, enfatizando uma das suas principais abordagens, a de Gary Becker (1974) que é a
principal referência sobre o tema, para quem a opção do indivíduo por atuarem em atividades
ilícitas, é parte da condição social e econômica existente.
Porém, os estudos empíricos apresentados confirmam de certa forma essa ideia, já que
muitos dos indicadores utilizados para explicar a criminalidade, são variáveis
socioeconômicas. O próximo capítulo será discutido indicadores de criminalidade e gasto
público no Brasil e Minas Gerais.
 24

3 INDICADORES DE CRIMINALIDADE E GASTO PÚBLICO:

Neste capítulo serão apresentados alguns dados sobre a criminalidade no Brasil e

Minas Gerais, assim como sobre o gasto público com segurança, visando uma melhor
compreensão de seu comportamento e tendências.

3.1 COMPORTAMENTO DA TAXA DE HOMICÍDIOS NO BRASIL

No mundo, a criminalidade tem se mostrado crescente, com o aumento de crimes,

especialmente homicídios mais fortemente concentrado nas grandes cidades.
De acordo Anuário Brasileiro de Segurança Pública (2021, p.19)1 as Mortes Violentas
Intencionais (MVI) são definidas como a “soma das vítimas de homicídio doloso, latrocínio,
lesão corporal seguida de morte e mortes decorrentes de intervenções policiais”, ou seja,
corresponde ao total de vítimas de homicídios.
Os dados2 de alguns países selecionados da América do Sul mostram o Brasil com
uma das maiores taxas de homicídio intencionais da região, atrás apenas da Venezuela e
Colômbia (até 2014) e ocupando a segunda posição a partir de 2015, conforme Gráfico 1.
Portanto, esses três países apresentaram taxas médias superiores aos dessa região,
enquanto outros como Argentina, Bolívia, Chile e Paraguai apresentaram taxas abaixo da
média regional e, entre 2016 a 2018 inferiores a 10 homicídios intencionais por 100 mil
habitantes, o que dá a dimensão da realidade de criminalidade do Brasil.

1
Publicado pelo Fórum Brasileiro de Segurança Pública. Disponível em https://forumseguranca.org.br/wp-
content/uploads/2021/02/anuario-2020-final-100221.pdf. Acesso em 20/10/2021.
Modelo formulado e estimado após vários testes conjuntos de variáveis.
2
Conforme The World Bank Data. Disponível em https://data.worldbank.org/indicator/VC.IHR.PSRC.P5?
end=2018&locations=BR-AR-CL-CO-VE-PY-BO-US&start=1993&type=shaded&view=chart. Acesso em
21/10/2020.
 25

Gráfico 1 - Número de Homicídios Intencionais por 100 mil habitantes: Países selecionados
da América do Sul (2011 a 2018)

70

60
número por 100 mil habitantes

50

40
36,7
30 27,3
25,3
20 21

10

0
2000 2011 2012 2013 2014 2015 2016 2017 2018

Brasil Argentina Chile Colômbia

Venezuela Paraguai Bolívia América do Sul
OBS.: Dados da Venezuela inexistente para 2013.
Fonte: Elaboração própria a partir de The World Bank Data.

Analisando especificamente os dados do Brasil, contidos no Atlas da Violência (2020)

e no Sistema de Informação sobre Mortalidade do Ministério da Saúde (SIM/MS), verifica-se
que nas últimas quatro décadas houve tendência crescente da taxa de homicídios por 100 mil
habitantes no país, que passou de 11,7 em 1980 para 31,6 em 2017, valor mais alto da série,
significando uma elevação de 170% nesse período, conforme demonstra o Gráfico 2.
Entretanto, em 2018 foi registrada a menor taxa de homicídios intencionais (27,8) do
país, revertendo à tendência e atingindo o mesmo patamar de 2010. Esse mesmo
comportamento de queda foi observado também em 2019 que apresentou taxa de 21,6
homicídios por 100 mil habitantes, significando uma redução de 6,2% em relação ao ano
anterior.
Entretanto, o Atlas da violência (2021, p.11) recomenda que “a queda no número de
homicídios observada entre 2018 e 2019 de 22,1%, segundo os registros oficiais do SIM/MS,
deve ser vista com grande cautela em função da deterioração na qualidade dos registros
oficiais”, uma vez que os relatórios das polícias civis divergem em 5% para mais, daqueles
apresentados pelo Ministério da Saúde.
 26

O crescimento menor verificado a partir de 2005 até 2016 resultou segundo essa
mesma fonte3 de três fatores: “mudança do regime demográfico rumo ao envelhecimento da
população e à diminuição do número de jovens; a implementação de ações e programas
qualificados de segurança pública em alguns estados e municípios brasileiros; e o Estatuto do
Desarmamento” (ATLAS DA VIOLÊNCIA, 2021, p.13).

Gráfico 2 - Taxa de Homicídios por 100 mil habitantes

35 31.6
30
30 28.9
taxa por 100 mil habitantes

27.8
25
22.2
22.7
20

15

1011.7

0
81 83 85 87 89 91 93 95 97 99 01 03 05 07 09 11 13 15 17 19
19 19 19 19 19 19 19 19 19 19 20 20 20 20 20 20 20 20 20 20

Fonte: Elaboração própria a partir dos dados do Anuário Brasileiro de Segurança Pública (2020).

Além disso, é importante mencionar que esse período foi marcado por políticas
públicas, como a Bolsa Família, iniciado em 2003, baseado em ações de complemento de
renda, acesso a direitos e articulação com políticas como a educação, com vistas a promover o
desenvolvimento das famílias de menores níveis de renda, considerado como instrumento
importante na redução da criminalidade.

3.2 CRIMINALIDADE NAS REGIÕES E ESTADOS BRASILEIROS:

Desde o final dos anos 1980 até 2019, a distribuição espacial da taxa de homicídios
por 100 mil habitantes do Brasil, teve mudanças importantes. As regiões que apresentavam
taxas mais baixas (menores que 20) em 1989 eram Nordeste, Norte e Sul, enquanto as regiões
Sudeste e Centro-Oeste apresentavam taxas superiores a 20, quando a taxa média do país era
de 20,30 homicídios por 100 mil habitantes.
3
O Atlas da Violência (2021, p.13) monstra diversas ações por parte dos Estados e municípios que adotaram
políticas e programas inovadores como por exemplo, o INFOCRIM (São Paulo); Fica Vivo e IGESP (Minas
Gerais); Pacto pela Vida (Pernambuco); UPPs (Rio de Janeiro); Estado Presente (Espírito Santo); dentre outros.
 27

Em 2019, ocorreu completa reversão desses indicadores entre as regiões brasileiras,

com redução nas regiões que apresentavam valores menores em 1989 e aumento naquelas que
apresentavam valores menores.
Em 2019 apenas as regiões sul e sudeste apresentaram taxas de homicídio por 100 mil
habitantes inferiores à média nacional de 21,6, conforme ilustrado na Figura 1.

Figura 1 - Taxa de Homicídio por 100 mil habitantes para o Brasil e Regiões: 1989-2019

Fonte: Adaptação do Atlas da Violência (2021, p.9).

Essa mudança espacial da criminalidade do Brasil é atribuída a diversos fatores, mas

tem especial relação com a criação do Sistema Penitenciário Nacional – SPN na década de
2000 que, segundo Manso e Nunes Dias (2018, p.173) gerou efeitos colaterais já que
“funcionou como um elo interligando indivíduos, grupos e organizações criminosas de todos
os tamanhos e lugares do Brasil”. Manso (2019, p.37) observa que:

As mudanças regionais na violência, o crescimento e a queda atual dos homicídios,

em 2018, são resultado do processo de transformação na cena criminal que produziu
uma nova dinâmica de estratégia e relacionamento dentro e fora das prisões. Essa
nova dinâmica foi sendo moldada a partir de políticas públicas implantadas nas
últimas décadas, resultado de erros, acertos, omissões e excessos. Policiamento
ostensivo, melhoria na gestão das polícias, aprisionamentos em flagrante, no final
das contas, acabaram produzindo efeitos colaterais inesperados, como o
aprisionamento massivo e a perda do controle no interior das prisões. Ou melhor: a
terceirização do controle para os presos, que precisaram estabelecer um esquema de
autogestão para sobreviver naqueles ambientes que o estado não parecia ter
competência, dinheiro ou até mesmo interesse em administrar.

Segundo esse autor, quando maior a população carcerária, tanto maior se torna o poder
dos chefes de organizações criminosas, dentro das prisões. Esse “novo modelo de negócio
criminal, organizado das prisões, se espalha por todo o Brasil. Novos grupos passam a exercer
 28

seus comandos a partir das prisões”, inclusive extrapolando as fronteiras nacionais, com
ampliação de parcerias nas fronteiras do país (MANSO, 2019, p.37).
O Gráfico 3 mostra o comportamento das mortes violentas intencionais do Brasil e das
Regiões na última década, com o Norte e Nordeste com maiores crescimentos até 2017. A
partir de 2018 todas as regiões mostram reduções na taxa de mortes violentas intencionais, o
que ocorreu também em 2020, com exceção das regiões Nordeste e Sul, que apresentaram
taxas crescentes. Ou seja, em 2020, três regiões seguiram a tendência de queda, mas, as
regiões Nordeste e Sul apresentaram crescimento de, respectivamente, 20,3% e 4,7% em
relação a 2019, puxando a média do país para cima.
Gráfico 3 - Taxas de Mortes Violentas Intencionais, Brasil e regiões.
60.0

50.0
Taxa de mortalidade por 100 mil hab.

40.0

30.0

20.0

10.0

0.0
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020
F
onte: Extraído de Anuário Brasileiro de Segurança Pública (2021, p. 26). Acesso em 19/08/2021.

apresenta ainda os maiores crescimentos na taxa de mortes violentas intencionais que

ocorreram no Ceará (75,1%), Maranhão (30,2%), Paraíba (23,1%) e Piauí (20,1%). Dados
informados pelo Anuário Brasileiro de Segurança Pública (2021) apontam que o aumento na
taxa de mortalidade nesses entes federados, está vinculado possivelmente a redução dos
crimes contra o patrimônio, devido à diminuição da circulação de pessoas imposta pelo
isolamento social, assim como às dinâmicas do crime organizado.
 29

A pandemia e o isolamento social pioraram as condições econômicas, com aumento

do desemprego, a população sofrendo com saúde mental, liberação de presos de todos os tipos
de periculosidade. Além disso, 29,7% do efetivo da segurança pública do Brasil (policiais,
bombeiros militares e guardas municipais), foram contaminado pela Covid-19 enfraquecendo
a capacidade operacional de combate ao crime corroborando para o aumento da letalidade
(ANUÁRIO BRASILEIRO DE SEGURANÇA PÚBLICA, 2021, p.301).
No geral, 12 unidades da federação apresentaram taxas de variação de mortes
violentas intencionais maiores que a média do Brasil (4%), 4 tiveram taxas menores e 11 com
taxas negativas, com a maior redução no Pará (-23,6).
Gráfico 4 - Variação da Taxa de Mortes Violentas Intencionais: Brasil e Unidades da
Federação – 2019-2020

100

80 75.0790228550306

60

40
Variação %

30.1965485658207
23.1310747589292
20.1400133284273
20 13.7630064555954
12.2654789753926
11.248823149743
11.2261854948166
10.3286515340484
8.19577481758447
7.21587812937654
4.00262371118998 5.50740334757964
1.88239607546583
1.17508766387524
1.18236041859563
1.17141201598487
00
-0.251860228894296
-2.06759536600113
-2.17559783208084
-5.01983749832711
-5.74772549156802
-6.20651383472918
-7.2998378118021
-20 -18.421540567549
-19.365462319281
-20.0899603023066
-23.5754500710238

-40
Brasil AP PA RR RJ DF AMMGGO SC AC RS SP MS SE RO RN PE MT TO PR BA ES AL PI PB MA CE

Fonte: extraído de Anuário Brasileiro de Segurança Pública (2021, p.23). Acesso em 19/08/2021.

No caso do Ceará, que teve o maior aumento na taxa de crimes violentos intencionais,
além dos demais fatores mencionados, o motim da Polícia Militar no estado, que ocorreu em
2020, desorganizou a segurança pública e interrompeu as políticas que estavam em curso,
 30

dando margem para a expansão ao crime organizado local (O Anuário Brasileiro de

Segurança Pública, 2021), o que levou ao aumento descontrolado da criminalidade.

3.3 CRIMINALIDADE EM MINAS GERAIS:

Entre 2011 e 2020, a região Sudeste teve taxa de mortes violentas intencionais por 100
mil habitantes menores que a média do Brasil, conforme mostra a tabela, pois São Paulo foi o
estado que teve taxas menores. Em Minas Gerais, foi só a partir de 2017, que essas taxas se
tornaram menores na visão nacional, entretanto, a maior redução nesse período ocorreu nessa
unidade da federação, seguida do Espírito Santo.
O Rio de Janeiro foi o único a apresentar crescimento de 9,3% no período
considerado. Essas reduções verificadas na taxa de mortes violentas intencionais desses
quatro estados da região sudeste são atribuídas, por diversos estudiosos, como resultado de
políticas públicas adotadas nos níveis nacional, estadual e municipal, como o estatuto do
desarmamento (2003); políticas de combate ao crime como o Fica Vivo e o Integração e
Gestão em Segurança Pública – IGESP em Minas Gerais, o Estado Presente em Defesa da
Vida no Espírito Santo, o Sistema de Informação Criminal – INFOCRIM em São Paulo;
utilização de georreferenciamento para mapear e combater o crime em áreas de maior
incidência; criação da guarda municipal; dentre outros.

Tabela 1 - Mortes Violentas Intencionais por 100 mil habitantes - Região Sudeste 2011 a 2020
Variação
Taxas de MVI
Variação % %
201 201 201 201 201 201 201 201 201 202 2020/2011 2020/201
Ano 1 2 3 4 5 6 7 8 9 0 9
Brasil 24,5 28,2 27,8 29,5 28,6 29,9 30,9 27,6 22,7 23,6 - 3,6 4,0
Região Sudeste 17,8 20,1 19,8 20,7 18,7 19,5 19,8 17,6 15,8 14,6 -17,9 - 7,6
Espírito Santo 42,0 48,5 42,7 41,9 37,2 32,9 37,5 29,9 26,5 29,7 -29,2 12,3
Minas Gerais 19,2 20,8 20,6 21,3 20,9 20,8 19,6 15,3 13,4 12,6 -34,3 - 5,7
Rio de Janeiro 25,8 26,1 32,7 34,7 30,3 37,6 40,4 39,1 34,6 28,3 9,3 - 18,4
São Paulo 12,0 15,1 12,5 13,2 11,7 11,0 10,7 9,5 8,9 9,0 -25 1,2
Fonte: Elaboração própria a partir de Anuário Brasileiro de Segurança Pública (2021). Acesso em
19/08/2021.

Em 2020 as mortes violentas intencionais voltaram a crescer no país, conforme

mostrado no gráfico 4 e Tabela 1. Entretanto, para a região Sudeste houve redução de 7,6%,
com Minas Gerais e Rio de Janeiro apresentando variações negativas e São Paulo e Espírito
Santo com variações positivas4.
4
Como já informado, o Anuário Brasileiro de Segurança Pública (2021) explica que com a pandemia e
isolamento social, houve uma piora nas condições socioeconômicas do país, com aumento do desemprego e
 31

A série histórica da taxa de homicídios por cem mil habitantes para Minas Gerais
vinha com tendência crescente persistente desde 1990, com picos de 22,84 em 2004 e de
22,98 em 2012, conforme mostra o gráfico com menor valor de 7,59 no primeiro ano. Embora
durante todo o período as taxas de homicídios de Minas Gerais tenham ficado sempre abaixo
das do Brasil, o crescimento no Estado foi maior do que o do país.
O Gráfico 5 mostra que entre 1990 e 2017 (pico da série) a taxa de homicídios do
Brasil cresceu 42,2%, enquanto a de Minas Gerais aumentou 168,2%. Pouco mais de duas
décadas, o crescimento dos homicídios em Minas Gerais foi quase três vezes maior que o
aumento verificado no Brasil.
A partir de 2012, ocorreram reduções persistentes nesse indicador, que chegando em
2020 a 12,6 o que é cerca de 45% menor que a daquele ano. De 2017 para 2019, a queda na
taxa de homicídios do Brasil foi de 31,5%, e de Minas Gerais 32,8%.

Gráfico 5 - Taxa de Homicídios por 100 mil habitantes Brasil e Minas Gerais: 1990-2019

35 30.33 31.59
29.14
30
21.65
25 22.22 22.84 22.98
Taxa de homicidios

20,36
20

15
13.67
10

57.59

Brasil Minas Gerais

Fonte: Elaboração própria a partir do Atlas da Violência (2021).

Visa compreender e verificar se existem padrões espaciais, de que forma a taxa de

crimes violentos se comporta e se distribui no Estado de Minas Gerais e se há formação de
cluster entre os municípios mineiros, análise exploratória de dados espaciais se faz necessária,

mesmo problemas de saúde mental da população, o que pode agravar a violência. Da mesma forma, lembra que a
liberação de presos devido à pandemia pode também ter contribuído para o aumento da criminalidade. Também,
muitos profissionais da segurança pública foram contaminados pelo vírus Covid, reduzindo o efetivo de combate
ao crime.
 32

para verificar a dependência espacial entre a taxa de crimes violentos, gasto com segurança
pública e gasto com educação.
Mesmo sem ser a análise espacial de dados o método utilizado neste estudo, o que
exigiria se dedicar mais a essa técnica, foi feito um exercício com os dados, utilizando o
software GeoDa, para verificar como a taxa de homicídios se apresentava espacialmente no
estado de Minas Gerais.
Anselin (1995) considera a análise exploratória de dados espaciais como um método
por meio do qual é possível verificar se existe autocorrelação entre as variáveis nas várias
dimensões, de global ou local, por meio da influência dos efeitos espaciais. A metodologia de
Análise Exploratória de Dados Espaciais (AEDE) tem como princípio visualizar e descrever
os aspetos espaciais na base de dados, demonstrando os efeitos da autocorrelação e da
heterogeneidade espacial. Tem como objetivo apresentar a distribuição espacial, isto é, os
cluster espaciais, verificar a presença de diferentes regimes espaciais ou outras instabilidades
espaciais, assim como identificar outliers (ALMEIDA, 2012).
Os dois principais tipos de matriz de peso espaciais que indica a fronteira que será
considerada para análise são: Rainha (Queen) e Torre (Rook), que nas palavras de Figueiredo
(2002) a percepção dos efeitos espaciais é dada por ponderações de uma unidade sobre as
outras, assim a variável observada em cada região quando for vizinha da região analisada
recebe uma ponderação. Nesse sentido a convenção de contiguidade dita Rainha, são todas as
unidades que dividem qualquer tipo de fronteira com a unidade analisada são consideradas
vizinhas.
Para Oliveira (2008) a maneira mais utilizada para testar autocorrelação espacial
global, ou seja, se há coincidência de semelhança de valores de uma variável com a
semelhança da localização dessa variável em análise, é o I de Moran. A estatística I de Moran
é um coeficiente de autocorrelação, quando próximo do valor 1 (positivo), indica correlação
positiva, ou seja, valores altos tendem a estar próximo de valores altos, e de forma análoga
para valores baixos.
Se a estatística for próxima de 1 (negativo), ocorre o oposto, valores altos estarão
próximo de valores baixos e valores baixos estarão próximos de valores altos. Quando a
estatística de I de Moran quando for zero, não existe autocorrelação espacial (ALMEIDA,
2012).
Anselin (1995) ressalta que é possível em regiões isoladas, existir padrões espaciais
mesmo quando a estatística do I de Moran apontar ausência, que o Indicador Local de
Associação Espacial (LISA), é recomendado uma vez que observa padrões locais de
 33

associação linear estatisticamente significativo, de forma que este indicador mostra aquelas
unidades que ao seu redor há aglomeração de valores semelhantes, de forma que o somatório
do LISA é proporcional ao indicador de autocorrelação espacial global.
O indicador LISA, é baseado no I de Moran, assim valores próximos de 1 (positivo)
indicam a existência de relação espacial do tipo Alto-Alto e Baixo-Baixo. Para valores
próximos de 1 (negativo), indica a existência espacial do tipo Alto-Baixo e Baixo-Alto. Para
valores próximos de zero, o polígono em análise não está significativamente associado
espacialmente aos seus vizinhos.

Quadro 2 - Coeficientes I de Moran para os anos 2015 e 2019

Ano Crime p-Valor Gastse p-Valor Gasted p-Valor
2015 0,550 0,001 0,067 0,003 0,052 0,010
2019 0,510 0,001 0,117 0,001 0,077 0,002
Média 0,530 0,092 0,065
Desvio- 0,028 0,035 0,018
Padrão
Fonte: elaboração própria com software GeoDa 1.18.

Analisando os resultados, a taxa de crimes violentos demonstra evidências à existência

de dependência espacial, os gastos com segurança pública e gastos com a educação, pois o I
de Moran está próximo de zero. Segundo Anselin (1995) recomenda-se o indicador LISA para
identificar quais observações se correlacional espacialmente, uma vez que, os padrões
espaciais em regiões isoladas, mesmo quando o I de Moran indicar a inexistência.
Dessa forma, a estatística LISA possibilita construir mapas que destacam tais regiões,
os instrumentos de análise deste método permitem a visualização em mapas da formação de
agrupamentos de determinada variável e de correlação entre elas, o Quadro 3 mostra a
compreensão desses mapas.

Quadro 3 - legenda para leitura dos mapas de dependência espacial (Figuras 2)

Tipo de Associação Descrição
Alto-Alto Alta criminalidade cercada por alta criminalidade
 34

Alto-Baixo Alta criminalidade cercada por baixa criminalidade

Baixo-Alto Baixa criminalidade cercada por alta criminalidade

Baixo-Baixo Baixa criminalidade cercada por baixa criminalidade

Não significante Não há associação espacial nessas regiões

Fonte: Elaboração própria utilizando os critérios do software GeoDa 1.18.

Nota: Indicadores locais construídos sob o critério de contiguidade do tipo “rainha”. Todos os clusters são
significativos a 5%.

Na Figura 2 é possível identificar a evolução da associação espacial na taxa de crimes

violentos para os anos de 2015 e 2019. Para o ano de 2015, percebe-se o comportamento de
formação de cluster “alto-alto” na Região Metropolitana de Belo Horizonte (RMBH),
Triângulo Mineiro, Noroeste e na região Norte de Minas Gerais.
Quando se compara o ano de 2019 com o ano de 2015, mostra que a região do
Triângulo Mineiro aumentou os municípios com formação de cluster “alto-alto”, a RMBH
não sendo observada alteração significativa. De forma particular a região Noroeste e Norte de
Minas Gerais não sendo observado formação de clusters. Por fim, os municípios com
formação de cluster tida como “baixo-baixo” tendem a se situar nas mesmas regiões
observadas para ambos os anos.

Figura 2 - Análise de dependência espacial local (LISA) para taxa de crimes violentos: 2015
e 2019
2015 2019

Fonte: Elaboração própria utilizando os critérios do software GeoDa 1.18.

O Quadro 4 apresenta legenda para compreensão dos mapas da dependência espacial

local bivariada LISA.
 35

Quadro 4 - legenda para leitura dos mapas de dependência espacial bivariada (LISA) (Figuras
3 e 4)
Tipo de Associação Descrição
Alto-Alto Alto gasto (segurança/educação) cercado por alta criminalidade

Alto-Baixo Alto gasto (segurança/educação) cercado por baixa criminalidade

Baixo-Alto Baixo gasto (segurança/educação) cercado por alta criminalidade

Baixo-Baixo Baixo gasto (segurança/educação) cercado por baixa criminalidade

Não significante Não há associação espacial nessas regiões

Fonte: Elaboração própria utilizando os critérios do software GeoDa 1.18.

Nota: Indicadores locais construídos sob o critério de contiguidade do tipo “rainha”. Todos os clusters são
significativos a 5%.

Quanto à análise bivariada da taxa de crimes violentos e gasto com segurança pública,
a Figura 3 mostra um comportamento bastante heterogêneo para os anos analisados. Para o
ano de 2015 a Região do Triângulo Mineiro, Região Metropolitana de Belo Horizonte,
Noroeste e Norte de Minas Gerais, apresentam formação de cluster “alto-alto”, ou seja,
municípios com altas taxas de crimes violentos com altos gastos com a função segurança.
Percebe-se também que a Região Zona da Mata e Sul de Minas apresentam outlier, formação
de cluster “alto-baixo”, ou seja, municípios com altos gastos com segurança pública e baixa
taxa de crimes violentos.
Comparando o ano de 2019 com o ano de 2015, mantém o padrão heterogêneo, com
aumento de municípios com formação de clusters “alto-alto” na região do Triângulo Mineiro,
de forma particular a região Noroeste, não manteve a formação de cluster observado no ano
de 2015. Percebe-se também que o padrão “baixo-baixo” permanece na mesma região, mas
com aumento em 2019 comparando com 2015.

Figura 3 - Análise de dependência espacial local bivariada (LISA) para gasto com segurança
pública e taxa de crimes violentos: 2015 e 2019
2015 2019
 36

Fonte: Elaboração própria utilizando os critérios do software GeoDa 1.18.

“Quanto ao gasto com educação e a taxa de crimes violentos no estado, a Figura 4

mostra a existência de associação espacial do tipo ‘alto-alto” no ano de 2015, de forma que há
formação de cluster em alguns municípios da Região do Triângulo Mineiro, RMBH, Noroeste
e Norte de Minas Gerais, com comportamento bastante heterogêneo.
Percebe-se também que a Região Zona da Mata e Sul de Minas apresentam outlier,
formação de cluster “alto-baixo”, ou seja, municípios com altos gastos com educação e
vizinhança com baixas taxas de crimes violentos. Já para o ano de 2019, verifica que a
persistência de associação “alto-alto” para a Região do Triângulo Mineiro, de forma que a
quantidade de municípios com formação de cluster do tipo “alto-alto” aumentou. Por outro
lado, os municípios de Lassance e Porteirinha que apresentavam associação espacial “alto-
alto” no ano de 2015, em 2019 não mostraram significância espacial.
Por fim quanto ao padrão “baixo-baixo”, permaneceu concentrado nas regiões Sul e
Zona da Mata para todo o período analisado, com pequenos focos na região Noroeste de
Minas Gerais.

Figura 4 - Análise de dependência espacial local bivariada (LISA) para gasto com educação e
taxa de crimes violentos: 2015 e 2019
2015 2019
 37

Fonte: Elaboração própria utilizando os critérios do software GeoDa 1.18.

Em 2019 verifica-se nítida mudança com efeito de espalhamento no Triângulo

Mineiro, para os municípios que fazem limite com a cidade de Uberlândia, com o pequeno
município Veríssimo passando de baixo-alto para alto-alto. Muitos fatores são considerados
na discussão sobre essa mudança da espacialidade do crime nessa região, dentre elas a
facilidade de mobilidade dos criminosos que deslocam de estados vizinhos para cometerem
crimes na região, já que o Triângulo Mineiro faz limite com os estados de São Paulo, Mato
Grosso do Sul e Goiás.
Esta análise apresentou um padrão espacial dos crimes violentos no Estado de Minas
Gerais, no período 2015 e 2019, utilizando a metodologia de Análise Exploratória de Dados
Espaciais – AEDE. Ressalta-se a persistência espacial da criminalidade mais evidente nas
regiões Metropolitana de Belo Horizonte e Triângulo Mineiro, com tendência de
espalhamento no Norte do Estado e alguns outliers na zona da Mata e Nordeste de Minas
Gerais. Contudo, uma atenção o fato da instabilidade na redução dos crimes violentos no
Estado que não é sustentado, com anos de pequenas reduções seguidos de anos de alta, o que
pode ser resultado de interrupções de políticas públicas de combate ao crime. Outro fator bem
aparente é a heterogeneidade do comportamento do crime entre as várias regiões do Estado,
que merecerem serem levadas em consideração quando da elaboração de políticas de combate
ao crime.

3.4 GASTO COM SEGURANÇA PÚBLICA

Segundo Riani (2012) a União, Estados e Municípios tem nos gastos públicos
ferramenta importante, para realização das prioridades de prestação de serviços públicos
 38

básicos e de investimentos. Os gastos públicos podem ser conceituados “como uma escolha
política dos governos no que se refere aos diversos serviços que prestam à sociedade.
Representam o custo da quantidade e da qualidade dos serviços e bens oferecidos pelo
governo” (RIANI, 2012, p.54).
  Considerando que os gastos públicos se destinam a promoção de prestação de serviço
à sociedade com vistas a satisfazer sua necessidade, as despesas com segurança pública,
quando realizadas com eficiência, podem aumentar o bem-estar social.
A Constituição Federal de 1988, em seu artigo 144, define:

A segurança pública, dever do Estado, direito e responsabilidade de todos, é

exercida para a preservação da ordem pública e da incolumidade das pessoas e do
patrimônio, através dos seguintes órgãos: I. polícia federal; II. polícia rodoviárias
federal; III. polícia ferroviária federal; IV. polícias civis; V. polícias militares e
corpo de bombeiros militares; VI. polícias penais federal, estaduais e distrital
(BRASIL, CF 1988, s/p).

De acordo com Ehrlich (1973) e Backer (1974), a probabilidade de os criminosos

serem apanhados e punidos, com o aumento dos gastos e investimentos com segurança
pública, afetaria positivamente a dissuasão do crime. Assim com gastos e eficiência maiores,
os efeitos positivos da justiça criminal seriam ampliados por dissuadir o crime, retirando os
criminosos das ruas e reduzindo indicadores de criminalidade.
Os gastos com segurança pública são geralmente utilizados como aproximação de que
o criminoso seja flagrado, na medida em que podem aumentar o contingente de policiais e
melhorar o desempenho do setor, sendo considerado como variável correlacionada com o
crime.
Entretanto, alguns estudos na literatura brasileira sobre o tema, não encontram
resultados significativos que mostre correlação robusta entre gasto com segurança pública e o
crime, o que reforça a hipótese de ineficiência na alocação dos recursos (KUME, 2004;
SANTOS e KASSOUF, 2007; e SANTOS, 2009).
Segundo Oliveira (2005), por exemplo, não encontrou resultados significativos de que
maiores dispêndios em segurança pública diminui o crime nas grandes cidades brasileiras.
Neste estudo o autor alerta para a presença de causalidade inversa observada nos dados, já que
à medida que aumenta os crimes, os investimentos também tendem a aumentar (OLIVEIRA,
2005).   
 39

Outros estudos, como o de Becker e Kassouf (2014) apresentam resultados empíricos

de que um aumento de 10% nos gastos com segurança pública dos estados brasileiros, reduz
em 7,8% a taxa de homicídios. Afirmam também que o aumento de 10% nos gastos com
educação ajuda reduzir a taxa de criminalidade em 1% no período posterior a sua realização.
Mostram, ainda que “assim como os gastos com educação, os gastos com segurança pública
levem algum tempo para serem observados e absorvidos pela população, de modo que o efeito
destes gastos sobre a criminalidade seja observado no médio e longo prazo” (BECKER e
KASSOUF, 2014, P.226).
O Gráfico 6 mostra as despesas com segurança pública no Brasil, a preços constantes
de 2020 e a taxa de mortes violentas intencionais por 100 mil habitantes. Observa-se que nos
períodos em que a despesa com segurança pública era menor, a taxa de mortes violentas
intencionais era maior.
Insta parece ser um indicativo da possível correlação entre gastos com segurança
pública e as mortes violentas intencionais no Brasil conforme mostra o Gráfico 6, mas, que
precisa ser testado de maneira eficiente.

Gráfico 6 - Despesas com segurança pública e mortes violentas intencionais no Brasil: 2011-
2020
85000 35.0

Taxa de mortes violentas intencionais

Despesas em milhões de reais

30.0
80000 por cem mil habitantes
25.0

75000
20.0

15.0
70000

10.0
65000
5.0

60000 0.0
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Gastos Taxa MVI

Fontes: Elaboração própria a partir de dados do Tesouro Nacional e do Anuário Brasileiro de Segurança
Pública.

A demonstra os gastos per capita com segurança a preços constantes por unidade da
federação para os anos de 2015 e 2020. Segundo o Anuário Brasileiro de Segurança Pública
 40

(2021) as despesas com a função segurança pública cresceram de 67,3 para 79 bilhões de reais
entre 2011 e 2015, com variação de 17,5%.
A partir de 2016 houve reduções nas despesas com pequenos variações, tendo em vista
a crise econômica e fiscal que o país enfrentava desde 2014/2015 e que significou
sobreposição de crises com o início da pandemia de Covid 19 em 2020, chegando a 2020 a
valores semelhantes ao de 2014 (77,2 milhões) (ANUÁRIO BRASILEIRO DE
SEGURANÇA PÚBLICA, 2021, p.161).

Figura 5 - Gastos per capita com Segurança Pública dos Estados Brasileiros: 2015 e 2020

Fonte: Elaboração própria a partir dos dados disponibilizados pelas instituições (Anuário Brasileiro de Segurança
Pública 2021 e IBGE). Valores atualizados pelo IPCA de dezembro/2020.

A Tabela 2 mostra a evolução das despesas com Segurança Pública para a União,
Estados, Municípios e Distrito Federal, com valores em bilhões de reais constantes de 2020.
Entre 2011 e 2020 houve crescimento desse item de despesa da União de 11,92% e dos
Estados de 15,73%. Ao mesmo tempo, os municípios reduziram essas despesas em 1,49%.
Percebe-se que os Estados e Distrito Federal respondem pela maior parte do
financiamento da segurança pública do país.

Tabela 2 - Evolução das despesas com a Função Segurança Pública, por ente federativo em
bilhões de reais valores constantes de 2020 no período 2011 a 2020
2011 2012 2013 2014 2015 2016 2017 2018 2019 2020 Variação%
 41

União 12,33 13,10 13,03 12,03 10,98 11,10 10,82 12,16 11,69 13,80 11,92

Unidades da
Federação 67,32 69,02 71,30 77,20 79,09 77,26 77,48 79,28 79,78 77,91 15,73

Minas Gerais 10,7 7,6 8,6 9,6 10,9 10,2 10,1 9,9 9,3 8,9 - 16,8
Municípios 4,70 5,27 5,21 5,37 5,51 5,91 5,75 6,25 6,58 4,63 -1,49

Total 84,35 87,39 89,54 94,60 95,58 94,27 94,05 97,69 98,05 96,34 26,16

Fonte dos dados básicos: Anuário Brasileiro de Segurança Pública 2021 (elaboração própria,
acesso em 19/08/2021).

A evolução das despesas com segurança pública do país, segundo

, mostra a redução das despesas com segurança pública entre 2019 e 2020 para os
entes federativos e os municípios e aumento dos valores da União.
Segundo o Anuário Brasileiro de Segurança Pública (2021) o surgimento da pandemia
significou uma sobreposição de crises para as unidades da federação que já vinham lidando
com a crise fiscal e financeira desde 2014 e, as medidas restritivas impostas pelo Covid-19
significou mais redução nas receitas. Com isso, a mobilização das despesas para o
enfrentamento da pandemia foi necessária.

Gráfico 7 - Evolução das despesas com segurança pública: Brasil e entes federativos: em
valores constantes de 2020
90.00
79.09 77.48 79.28 79.78 77.91
80.00 77.20 77.26
69.02 71.30
70.00
Bilhões de Reais

60.00

50.00

40.00

30.00
13.80
13.10

13.03

12.16
12.03

11.69

20.00
11.10
10.98

10.82

6.58
6.25
5.91

5.75
5.51
5.37
5.27

5.21

4.63

10.00

0.00
2012 2013 2014 2015 2016 2017 2018 2019 2020

União Unidades da Federação Municípios

Fonte: Elaboração própria a partir do Anuário Brasileiro de Segurança Pública (2021). Acesso em 19/08/2021.

No total do país, verificou-se uma redução de cerca de 1,98% de 2019 para 2020 nos
gastos com segurança pública dos Estados, Distrito Federal e municípios e aumento de 13,4%
 42

dos gastos da União com este item de despesa. Minas Gerais teve forte redução nos gastos
com segurança pública de 16,8% entre 2011 e 2020, devido às restrições do ajuste fiscal do
Estado.
Mesmo que os dados apresentados aparentemente possam indicar a existência de
correlação entre a taxa de homicídios e os gastos com segurança pública, foi necessário
realizar um estudo empírico baseado em método econométrico para melhor discussão da
relação entre essas variáveis, sendo o que será tratado no capítulo seguinte.
 43

4 METODOLOGIA

Os dados coletados foram analisados e interpretados sob a ótica de pesquisa descritiva,

isto é, “os fatos são observados, registrados, analisados, classificados e interpretados, sem que
o pesquisador interfira sobre eles, ou seja, os fenômenos do mundo físico e humano são
estudados, mas não são manipulados pelo pesquisador” (PRODANOV, 2013, p.52). Para
tanto, será utilizado modelo econométrico com dados em painel.
A metodologia deste estudo, a partir do estudo teórico e dos dados disponíveis, foi
baseada, também, na análise empírica de dados, utilizando a técnica econométrica da
regressão com dados em painel, procurando identificar que variáveis são relevantes para
explicar a taxa de criminalidade no estado de Minas Gerais, no período 2015-2019. Foram
utilizadas variáveis econômicas, sociais, demográficas, com a criminalidade mensurada por
meio da taxa de crimes violentos.

4.1 FONTE DE DADOS:

Para análise da relação da criminalidade em Minas Gerais, foram utilizadas proxies de

indicadores que poderiam efetivamente afetar o comportamento do crime das unidades
analisadas, ou seja, dos 853 municípios que compõem o estado. Os dados foram extraídos da
base de instituições como a Fundação João Pinheiro por meio do Índice Mineiro de
Responsabilidade Social (IMRS), do Instituto Brasileiro de Geografia e Estatística (IBGE) e
Fundação Getúlio Vargas (FGV). O período considerado foi de 2015 a 2019, pela
disponibilidade das informações necessárias para cada município de Minas Gerais.
A medida utilizada para criminalidade foi a Taxa de Crimes Violentos, obtida do
Índice Mineiro de Responsabilidade Social - IMRS definida como:

A razão entre o número de ocorrências, registradas pelas polícias estaduais (militar e

civil), de crimes violentos (Homicídio Consumado, Homicídio Tentado, Roubo
Consumado, Sequestro e Cárcere Privado Consumado, Sequestro e Cárcere Privado
Tentado, Estupro Consumado, Estupro de Vulnerável Consumado, Estupro de
Vulnerável Tentado, Extorsão Consumado e Extorsão Tentado, conforme definição
constante em Registros de Eventos de Defesa Social – REDS) e a população do
munícipio; multiplicada por 100.000 (ÍNDICE MINEIRO DE
RESPONSABILIDADE SOCIAL, 2021).
 44

Para a variável de interesse Gasto em Segurança Pública, foi utilizada a “proxy”

gastos per capita com Segurança Pública a preços constantes de 2020, deflacionado através do
Índice Geral de Preços de Mercado – IGP-M da Fundação Getúlio Vargas - FGV.
Correspondem ao valor dos gastos orçamentários apresentados nas Prestações de Contas
Anuais (PCA) realizados nas subfunções Policiamento e Defesa Civil, dividido pela
população total de cada município, para cada município de Minas Gerais.
Para a variável Gasto em Educação, variável de controle, foi utilizada a “proxy”
Gastos per capita com atividades de educação a preços constantes de 2019, deflacionada
através do IGPM – FGV. Os dados referem-se ao valor dos gastos orçamentários apresentados
nas Prestações de Contas Anuais (PCA) realizados nas subfunções Ensino Fundamental,
Ensino Médio, Ensino Profissional, Ensino Superior, Ensino Infantil, Educação de Jovens e
Adultos e Educação Especial, dividido pela população total do município, para cada
município de Minas Gerais.
A variável Renda do Setor Formal, inserida no modelo como variável de controle, é o
valor do rendimento total dos empregados do setor formal divido pela população total do
município, a preços constantes de 2019, deflacionada através do IGPM – FGV. Este indicador
foi extraído do banco de dados da Fundação João Pinheiro por meio do Índice Mineiro de
Responsabilidade Social (IMRS), para os 853 municípios mineiros.
Para a variável Pobreza, foi utilizada como variável de controle, a proxy expressa pelo
percentual da população pobre ou extremamente pobre no Cadastro Único em relação à
população total do município. O indicador refere-se à razão entre a população pobre ou
extremamente pobre cadastrada no Cadastro Único e a população total do município,
multiplicado por 100. Os dados referentes à variável foram extraídos do banco de dados da
Fundação João Pinheiro por meio do Índice Mineiro de Responsabilidade Social (IMRS), para
os 853 municípios mineiros.
A variável Taxa de Rendimento (Abandono): Ensino Médio, foi utilizada como
variável de controle. É a razão do número de alunos que abandonaram a série k ao longo do
ano t e a matrícula total na série k no ano t. Os dados referentes a essa variável foram
extraídos da Fundação João Pinheiro por meio do Índice Mineiro de Responsabilidade Social
(IMRS), para cada município mineiro.
A Densidade Populacional, visando ajustar o modelo, foi utilizada como variável de
controle. É a razão entre o número total de pessoas residentes no município e a sua área total,
em habitantes/km², para cada município do estado de Minas Gerais.
 45

A variável Porte Ilegal de Arma de Fogo foi incluída no modelo como variável de
controle. Ela representa o número absoluto de ocorrências de porte ilegal de arma de fogo
(conforme definição constante em Registro de Eventos de Defesa Social – REDS), registradas
pelas polícias estaduais (militar e civil), excluindo os registros de posse ilegal 5 de arma de
fogo, para cada um dos 853 municípios mineiros.

4.2 VARIÁVEIS UTILIZADAS E EFEITOS ESPERADOS

As variáveis incorporadas no modelo são de cunho socioeconômico, motivo pelo qual

foram consideradas, com vistas apresentar o modelo empírico e testá-lo a seguir. Nesse
sentido as variáveis apresentadas anteriormente, utilizadas para testar o modelo econométrico
são: Crimes Violentos por 100 mil habitantes.
Em linhas gerais, relaciona-se como função do Gasto com Segurança Pública, do
Gasto com Educação, da Renda per capita do Setor Formal, do percentual da população pobre
ou extremamente pobre no Cadastro Único em relação à população total do município, da
Taxa de Rendimento (abandono) Ensino Médio, da Densidade Populacional e do Número de
Ocorrência de Porte Ilegal de Arma de Fogo.
Na próxima seção, as variáveis serão descritas assim como o efeito esperado de acordo
com a literatura que aborda o tema criminalidade.

4.2.1 Variável Dependente

A variável dependente a ser explicada é Taxa de Crimes Violentos (CRIMIVIO), são

os crimes de Homicídio Consumado, Homicídio Tentado, Roubo Consumado, Sequestro e
Cárcere Privado Consumado, Sequestro e Cárcere Privado Tentado, Estupro Consumado,
Estupro de Vulnerável Consumado, Estupro de Vulnerável Tentado, Extorsão Consumado e
Extorsão Tentado, conforme definição constante em Registros de Eventos de Defesa Social –
REDS, são crimes na modalidade tentado ou consumado.
A opção pela variável se justifica pelo motivo que em uma única variável há um
conjunto de variáveis de criminalidade, motivo pela qual esta variável é uma proxy com maior
probabilidade de demonstrar a variação criminal em uma determinada região.

5
Conforme lei Federal 10.826/2003 Estatuto do Desarmamento, o Art. 12 defini como posse ilegal de arma de
fogo “possuir ou manter sob sua guarda arma de fogo, acessório ou munição, de uso permitido, em desacordo
com determinação legal ou regulamentar, no interior de sua residência ou dependência desta, ou, ainda no seu
local de trabalho, desde que seja o titular ou o responsável legal do estabelecimento ou empresa”.
 46

Cerqueira e Lobão (2003) apontam que devido os municípios mineiros apresentarem

características e dimensões populacionais heterogêneas, se faz necessário usar a taxa de
crimes em detrimento ao uso do número de crimes em termos absoluto.

4.2.2 Variáveis Explicativas

A variável Gasto em Segurança Pública (LNGASTSE) em logaritmo natural, variável

de interesse, expressa os gastos per capita com segurança pública a preços constantes de 2019
deflacionada através do IGPM – FGV.
A literatura econômica do crime aponta que essa variável pode agir como fator de
dissuasão, pelo controle e fiscalização que exerce sobre a criminalidade, com expectativa
teórica de relação inversa com a variável dependente do modelo. Ou seja, quanto maiores
forem os gastos em segurança pública, maiores serão as atividades de prevenção e de combate
ao crime propriamente dito.
O modelo teórico de Becker (1974) demonstra que o indivíduo considera a
probabilidade de ser flagrado, condenado e punido, para decidir se executa ou não um crime,
de forma que gastos com segurança pública, são geralmente utilizados como medida dessa
probabilidade.
Santos (2006) aponta que a probabilidade de captura e punição, afetam os indivíduos
na tomada de decisão ao analisar o retorno da atividade delituosa. Assim quanto maior e
melhor for à segurança pública, no sentido combater o crime, maior será a probabilidade de o
indivíduo dissuadir de cometê-lo.
As variáveis subsequentes, foram incluídas no modelo como variáveis de controle. A
terceira variável Gasto com Educação (LNGASTED) em logaritmo natural, incluída no
modelo empírico, sendo expressa pelos gastos per capita com atividade de educação.
A literatura econômica do crime aponta, em geral, que a princípio essa variável
apresenta efeito ambíguo, de forma que pode ter efeito positivo ou negativo no nível de
criminalidade, conforme, por exemplo, Schaefer e Shikida (2001) e Borilli e Shikida (2002).
Considerando diversos fatores Kume (2004) considera o nível educacional do
indivíduo como:

Outra variável que, a princípio, tem um efeito ambíguo sobre o crime. Primeiro,
amplia o valor moral de se cometer um crime. Segundo, cria condições para se
obtiver maiores oportunidades de emprego. Terceiro, diminui o custo de se cometer
um crime. Quarto, aumenta o lucro do crime. Quinto, reduz a probabilidade de ser
preso (KUME, 2004, p.4).
 47

De fato, pelo menos no caso do Brasil os denominados “crimes de colarinho branco” 6

são, sem sombra de dúvidas os mais difíceis de serem punidos, merecendo inclusive cela
especial aos que tem diploma de ensino superior até a condenação definitiva.
Entretanto a visão de Becker (1974) é de que o custo de oportunidade da atividade
criminosa é alterado pela escolaridade, uma vez que uma pessoa mais educada obtém
melhores oportunidades de salário e emprego, o que eleva o custo de cometer um crime, de
forma que a punição pode ser mais custosa, já que a prisão implica tempo fora do mercado de
trabalho.
Segundo Mariano (2010), a maioria dos trabalhos que testam a variável educação com
vistas a verificar o impacto no nível de criminalidade, encontra efeitos negativos,
evidenciando que maior nível educacional reduz a criminalidade.
A terceira variável incluída no modelo é a renda do setor formal
(LNRENDAFORPC), em logaritmo natural, que corresponde à renda per capita do setor
formal a preços constates de 2019, deflacionada através do IGPM – FGV. A relação desta
variável, com a taxas de crime também apresenta efeito ambíguo.
Ou seja, pode existir correlação positiva com os retornos esperados do crime, já que
quanto maior a renda maior será o retorno esperado da atividade delituosa. Por outro lado,
quando associada aos custos de oportunidade, a correlação passa a ser negativa, pois quanto
maior a renda obtida pelo indivíduo no setor legal, maior será o custo que ele terá ao ser
punido, caso seja flagrado na atividade criminosa (SJOQUIST, 1973).
Dessa forma, a rigorosa aplicação da lei penal, no sentido de dissuadir o indivíduo
pode ser um fator importante na determinação do custo de oportunidade de cometer ou não a
infração. Além disso, pode existir maior ocorrência de crimes em unidades de análise que
apresentam maior riqueza, ou seja, renda per capita mais elevada, já que muitos crimes têm
motivação econômica, como, por exemplo, latrocínio, assim como maior concentração
populacional.
A quarta variável Pobreza (PERPOB), expressa pelo percentual da população pobre ou
extremamente pobre em relação à população do município, foi incluída no modelo com vista a
testar o impacto da pobreza sobre a criminalidade.

6
Jusbrasil: São considerados crimes de colarinho branco corrupção, sonegação, fraude, suborno, informação
privilegiada, extorsão, apropriação indébita, crime cibernético, lavagem de dinheiro, falsidade ideológica e
falsificação. Disponível em: < https://canalcienciascriminais.jusbrasil.com.br/artigos/782098604/os-crimes-de-
colarinho-branco-seu-alto-poder-de-lesividade-e-a-falencia-da-nacao>. Acesso em: 23/11/2021.
 48

A correlação dessa variável com a criminalidade tem motivado diversos estudos, com
indicação de que a concentração e a desigualdade de renda, que geram parcelas da população
excluídas monetária e socialmente afetam direta, ou indiretamente, as escolhas do indivíduo
em relação ao crime.
De acordo com Kume (2004) quando há aumento da desigualdade de renda os valores
morais dos excluídos, podem alimentar sentimento de revolta que conduz o indivíduo a atos
antissociais, desde uma contravenção penal até o cometimento de um crime bárbaro. Como
não foi possível identificar variável que mensurasse a desigualdade para o período estudado,
optou-se por inserir essa variável que, segundo Garrido (2016) correlaciona positivamente
com o crime, indicando que quanto maior a pobreza maior será o nível de criminalidade.
A quinta variável das taxas de Rendimento do ensino médio (ABANDONO) foi
inserida no modelo como variável de controle. Expressa pela razão do número de alunos que
abandonaram a uma determinada série k ao longo do ano t e a matrícula total na série k. A
literatura econômica do crime aponta que o efeito esperado dessa variável seja oposto do
Gasto em Educação.
Ou seja, quanto maior o abandono escolar maior será a criminalidade, pela
importância que a educação tem na formação do indivíduo.
A sexta variável incluída no modelo é a densidade populacional (DENSIDADE), que
expressa o número de habitantes residentes em uma região geográfica por km², de forma que
ela indica a intensidade que um território é ocupado.
A escolha desta variável se justifica uma vez que com a concentração espacial da
população existe maior propensão de que o crime seja cometido. Essa variável é relevante no
Estado de Minas Gerais que possui um número de municípios elevado, com pequenas, médias
e grandes cidades.
Para Kume (2004), a identificação de criminosos é dificultada em ambientes
aglomerados assim como aumenta a probabilidade de fuga do potencial criminoso. Portanto,
cidades com densidade populacional alta, tendem a ter correlação positiva com a
criminalidade, uma vez que para executar e planejar as atividades delituosas demanda baixos
custos, segundo Glaeser e Sacerdote (1999), assim como a baixa probabilidade de captura e
prisão diante da facilidade de fuga ofertada pela aglomeração.
A sétima variável número de ocorrências de porte ilegal de arma de fogo
(PORTEDEARMA), foi incluída no modelo como variável de controle. Expressa pelo
número absoluto de pessoas presas portando arma de fogo sem estar em conformidade com a
legislação vigente.
 49

A teoria econômica do crime aponta que o efeito esperado seja positivo, conforme
Gilson (2017, p.49) aponta em sua pesquisa que “o efeito encontrado demonstra que quanto
mais armas estiverem de posse da população, maior será a ocorrência de homicídios causados
por arma de fogo nas regiões analisadas”.
Além disso, há uma discussão recente sobre a flexibilização do porte de armas de fogo
no país que, segundo o Anuário Brasileiro de Segurança Pública (2021) em 2020 houve
aumento de mais de 100% nos registros de armas de fogo ativos no Sinarm – Sistema
Nacional de Armas do país, comparando com o ano de 2017. O Quadro 5 apresenta o resumo
das variáveis utilizadas no modelo.

Quadro 5 - Resumo das Variáveis Utilizadas

(continua)
VARIÁVEL SIGLA DESCRIÇÃO FONTE
Taxas de Crimes CRIMIVIO Razão entre o Fundação João
Violentos número de Pinheiro/IMRS
ocorrências de
Crimes Violentos e
a população do
município,
multiplicada por
100.000
Gasto com Segurança LNGASTSE Razão entre os Fundação João
Pública gastos direcionados Pinheiro/IMRS
à Segurança
Pública e o
tamanho da
população
Gasto com Educação LNGASTED Razão entre os Fundação João
gastos direcionados Pinheiro/IMRS
à educação e o
tamanho da
população

Quadro 6 - Resumo das Variáveis Utilizadas

(conclusão)
Renda do setor formal LNRENDAFORPC Razão entre o valor Fundação João
do rendimento total Pinheiro/IMRS
dos empregados do
 50

setor formal e a
população
Percentual da PERPOB Razão entre a Fundação João
população pobre ou população pobre ou Pinheiro/IMRS
extremamente pobre extremamente
(Pobreza) pobre e a população
do município,
multiplicado por
100
Taxas de Rendimento ABANDONO Razão do número Fundação João
(Abandono) do ensino de alunos que Pinheiro/IMRS
médio abandonaram a uma
determinada série k
ao longo do ano t e
a matricula total na
série k
Densidade DENSIDADE Razão entre o Fundação João
populacional número total de Pinheiro/IMRS
pessoas residente
no município e a
sua área total, em
habitante/km²
Número de PORTEDEARMA Número absoluto Fundação João
Ocorrências de Porte de ocorrências de Pinheiro/IMRS
Ilegal de arma de fogo porte ilegal de arma
de fogo
Região D Dummy por IBGE
mesorregião
Fonte: Elaboração própria a partir dos dados disponibilizados pelas Instituições (IBGE e Fundação João
Pinheiro/IMRS).

4.3 MODELO ANALÍTICO

Para a estimação do modelo econométrico, considerando a base de dados que foi

levantada, optou-se pela utilização da técnica de Dados em Painel. Conforme Gujarati (2006),
dados em painel são combinações de dados em corte transversal (cross-section) com séries
temporais, ou seja, a mesma unidade de corte transversal (uma família, uma empresa, um
município) apresenta observações ao longo do tempo.
 51

Assim, as técnicas de estimação em painel fornecem dados mais informativos, além de

aumentar consideravelmente os graus de liberdade. Em linhas gerais, a utilização de modelos
combinados de corte transversal e tempo, melhora a análise empírica, tornando-a mais
robusta.
Greene (2003) afirma que o principal avanço dos dados em painel sobre os dados de
corte transversal é a flexibilidade em modelar diferentes comportamentos dos indivíduos.
Baltagi (2001) e Gujarati (2006) apontam as vantagens que essa abordagem apresenta sobre as
demais, ou seja: i) uma vez que os dados em painel se relacionam a indivíduos, empresas,
estados, países, municípios etc., tende a haver heterogeneidade nessas unidades e essa técnica
permite identificá-la individualmente; ii) os dados em painel oferecem “dados mais
informativos, maior variabilidade, menos colinearidade entre variáveis, mais graus de
liberdade e mais eficiência” (GUJARATI, 2006, p.587).
No caso desse estudo, os dados foram organizados em um painel curto, já que o
número de observações (853 municípios) é maior que o número de períodos (5 anos). Além
disso dados em painel obtidos são balanceados, ou seja, cada unidade de corte transversal
(municípios) tem o mesmo número de observações. O modelo básico pode ser descrito por:
' '
y ¿ =x ¿ β+ z ¿ α +ε ¿ (1)
A expressão (1) não possui um termo constante explícito. Os efeitos individuais
afetam o termo z '¿ α , onde i é o i-ésimo indivíduo e t são períodos para as variáveis. Os
diferentes tipos de efeitos assumidos sobre o termo zʹ reduzem-se a três especificações
diferentes, modelos MQO para dados empilhados (pooled), modelo de efeitos fixos (MEF) e o
modelo de efeitos aleatórios (MEA).
i) Modelo de regressão pooled: Gujarati (2006) demonstra que, ao examinar os
resultados da regressão para dados empilhados (pooled), aplicando os critérios convencionais,
os coeficientes poderão ser significativos em termos estatísticos. Com base em (1), se zʹ é
apenas uma constante, então a estimação é feita pelo MQO tradicional, em que zʹ é
considerada uma constante qualquer. Supõe-se que as variáveis explanatórias sejam não
estocásticas, que o termo de erro ε ¿ iid (0 ,σ 2u), isto é, que ele seja distribuído idêntica e
independentemente com média zero e variância constante.
O principal problema desse modelo é que ele não distingue entre (indivíduos, empresa,
estados, etc.), nem diz se a resposta da variável explicada às variáveis explicativas ao longo
do tempo é a mesma para todas as variáveis explicativas. Em suma, ao juntar diferentes
 52

variáveis explicativas em períodos diferentes, pode-se camuflar a heterogeneidade

(individualidade ou originalidade) que possa existir entre as variáveis.
Outra forma de afirmar isso é que a individualidade de cada sujeito está incluída no
termo de erro, ε ¿. Em consequência, é bem possível que o termo de erro possa estar
correlacionado com alguns dos regressores incluídos no modelo. Se for esse o caso os
coeficientes estimados na equação (1) podem ser tendenciosos e inconsistentes (GUJARATI,
2006). Nesse sentido, uma das hipóteses importantes é que no modelo clássico de regressão
linear é que os regressores e o termo de erro não sejam correlacionados.
ii) O Modelo de Efeitos fixos (MEF): Se zʹ não é observado, mas correlacionado com
x '¿, então z '¿ α =α e o modelo é y ¿ =x '¿ β+ α + ε ¿, no qual é considerado um efeito fixo de um
grupo específico do modelo. Segundo Gujarati (2006), uma forma de estimar uma regressão
para dados empilhados é eliminar o efeito fixo, α , expressando os valores das variáveis
dependente e explanatória para cada como desvios de seus respectivos valores médios, ou
seja, os valores resultantes são chamados corrigidos pela média.
iii) O Modelo de Efeitos Aleatórios (MEA): Se a heterogeneidade não é observada,
então o modelo assume a forma y ¿ =x '¿ β+ α +u¿ +ε ¿ , em que o parâmetro α é somado ao termo
u¿ aleatório. Conforme Gujarati (2006), o modelo pressupõe-se que o intercepto é uma
extração de um universo muito maior com valor médio comum e que as diferenças individuais
de cada indivíduo se refletem no termo de erro ε i.
O termo de erro agora é representado por w ¿consiste na soma de dois componentes:
u¿ + ε ¿ . O modelo de componentes de erros (MCE) recebe esse nome, porque o termo de erro
composto consiste em dois (ou mais) erros. Portanto, os componentes de erro individual não
estão correlacionados entre si, nem com as unidades de corte transversal e de série temporal.
O termo de erro composto w ¿ não está correlacionado com nenhuma das variáveis
explicativas do modelo; caso contrário, MCE resultará em estimativa inconsistente dos
coeficientes de regressão.
Visando escolher o melhor modelo econométrico, de acordo com Gujarati (2006), são
realizados os testes de Hausman, Breusch-pagan e Chow. Para a escolha entre o modelo
pooled e de efeitos fixos, utilizou-se o teste de Chow, no qual a hipótese nula é a escolha do
modelo pooled. Se essa hipótese for rejeitada, Greene (2003) sugere o teste de Hausman, sob-
hipótese nula modelo de efeitos aleatórios contra a hipótese alternativa do modelo de efeitos
fixos. Se a hipótese nula – escolha pelo modelo de efeitos aleatórios – for rejeitada, opta-se
pelo modelo de efeitos fixos.
 53

Todavia, se a hipótese do teste de Hausman não for rejeitada, Greene (2003) sugere o
teste do Multiplicador de Lagrange (LM) de Breusch-Pagan, em que a hipótese nula
novamente é a escolha pelo modelo pooled.
Para testar a autocorrelação para dados em painel, utiliza-se o teste de Wooldridge,
onde a hipótese nula é a ausência de autocorrelação. Já para heterocedasticidade, opta-se pelo
teste de Wald, sugerido por Greene (2003), no qual a hipótese nula é de ausência de
heterocedasticidade.

4.3.1 Modelo Econométrico

Diante do levantamento dos dados e da teoria analisada, o modelo econométrico visa

testar as variáveis socioeconômicas que foram selecionadas para compor o modelo linear em
relação à Taxa de Crimes Violentos para os municípios do Estado de Minas Gerais nos anos
de 2015 a 2019.
O modelo foi elaborado com a utilização de uma forma linear onde os Crimes
Violentos por cem mil habitantes é função dos gastos per capita com segurança pública em
logaritmo neperiano, dos gastos per capita com educação em logaritmo neperiano, da renda
per capita do setor formal em logaritmo neperiano, do percentual de pobreza ou extrema
pobreza, das taxas de rendimento no ensino médio, da densidade populacional e do número de
ocorrência de porte ilegal de arma. Foi estruturado com base na seguinte equação (2):
crimivio=f (lngastse ,lngaste ,lnrendaforpc , perpob , abandono , densidade , portedearma )
Considerando a função da equação (2), o modelo foi estruturado conforme equação
(3):
crimivio ¿ =β 0+ β 1 lngasto com seguran ç a p ú blica ¿ + β 2 lngasto com educa çã o¿ + β3 lnrenda per capit

Em que β 0 , β 1 , β 2 , β3 , β 4 , β 5 , β6 e β 7 , são parâmetros a serem estimados.

Com base em (3), o modelo a ser estimado pelo presente trabalho pode ser expresso
por (4):
crimivio ¿ =α i + β 1 lngasto com seguranç a p ú blica¿ + β 2 lngasto com educa çã o¿ + β3 lnrenda per capita

𝑖 = 1,2,3, …,853
𝑡 = 1,2,3, …,5.
 54

Em que α i=β 0, i representa os municípios do Estado de Minas Gerais e t o período de

análise (2015 a 2019).
Nesse sentido a Taxa de Crimes Violentos, variável dependente, é explicada pelas
variáveis: gasto com segurança pública, gasto com educação, renda per capita do setor formal,
pobreza, abandono, densidade, porte de arma, mais um erro aleatório ε ¿ e ainda por uma
dummy para cada mesorregião incorporada no modelo.

4.4 DISCUSSÃO DOS RESULTADOS:

A discussão dos resultados nota-se no Quadro 7 contém a análise descritiva das

variáveis das principais taxas. Quanto a Taxa de Crimes Violentos, Gasto com Segurança
Pública, Gasto com Educação, Renda per capita do Setor Formal, Percentual da população
pobre ou extremadamente pobre, Taxa de Rendimento (Abandono) do Ensino Médio,
Densidade Populacional e número absoluto de ocorrências de Porte Ilegal de arma de fogo;
assim como apresenta a dimensão, a média, o desvio padrão, o valor mínimo e o valor
máximo das variáveis para o Estado de Minas Gerais no período analisado.

Quadro 7 - Análise Descritiva das Variáveis

Variável Dimensão Desvio
Média Mínimo Máximo
Padrão
Taxas de overall 219,7848 0 2326,78
Crimes between 205,373 196,1306 9,976 1.837,926
Violentos within 99,3691 -587,143 1.062,421
Gasto com overall 7.032794 14,71747 0 396,99
Segurança between 12,89538 0 193,378
 55

Pública within 7,071726 -96,9812 255,4888

Gasto com overall 302,09 0 4.871,86
Educação between 720.5909 291,4427 282,906 4.179,832
within 79,45208 -70,17306 1756,711
Renda do overall 271,873 13,07 4.350,71
setor Formal between 276,6798 268,8991 44,502 3.938,954
within 40,93922 -397,2422 688,4358
Percentual da overall 15,03436 3,25 92,38
população between 14,57238 3,846 75,358
pobre ou within 3,725179 10,42103 54,74903
29,95503
extremament
e pobre
(Pobreza)
Taxas de overall 4,448716 0 28
Rendimento between 3,181892 0 19,5
(Abandono) within 7,098592 3,11065 -10,28141 24,55859
do ensino
médio
Densidade overall 335,059 1,32 7607,03
populacional between 70,50909 335,1927 1,344 7.555,864
within 3,970032 2,443143 147,4731
Número de overall 16,91426 0 491
Ocorrências between 14,25546 0 336,6
de Porte within 4,767535 9,109199 -330,8325 193,9675
Ilegal de
arma de fogo
Nota: Valores em reais, para as variáveis: Gasto com Segurança Pública, Gasto com Educação e Renda do Setor
formal, a preços constantes de 2019, corrigidos pelo IGPM - FGV.
Fonte: Elaboração própria com base nos resultados do estudo.

O Quadro 3 demonstra que a variação entre os municípios é maior que a variação ao

longo do tempo, uma vez que todas as variáveis apresentam between maior que within.
A média da Taxa de Crime Violentos foi, aproximadamente, de 205,373 crimes, o
valor da taxa mínima de crimes violentos foi de zero crimes, sendo obtido por 110 cidades no
período analisado.
A taxa máxima de crimes foi de aproximadamente 2.323,78 crimes obtido pela cidade
de Contagem no ano de 2016. O desvio padrão dos Crimes Violentos foi de 219.7848 crimes.
A média da variável Gasto com Segurança Pública foi de R$ 7,032794 (reais) em
valor absoluto, o valor máximo do Gasto com Segurança Pública per capita foi de R$ 396,99
 56

(mil reais), que foi obtido pela cidade de Itatiaiuçu em 2015 e o desvio padrão do Gasto com
Segurança Pública foi de R$ 14,71747 (reais).
A média dos Gastos com Educação foi de R$ 720,5909 (reais) em valores absolutos, o
valor máximo per capita foi de R$ 4.871,86 para a cidade de São Gonçalo do Rio Abaixo em
2015, o desvio padrão dos Gastos em Educação foi de R$ 302,09.
A média da Renda do Setor Formal foi de R$ 276,6798 (reais) em valores absolutos, o
valor mínimo per capita foi de R$ 13,07 para a cidade de Setubinha em 2017, o valor máximo
foi de R$ 4.350,71 (mil reais) para a cidade de Jaceaba em 2017, o desvio padrão da Renda do
Setor Formal foi de R$ 271,873.
A média do Percentual da População Pobre ou Extremamente Pobre foi de,
aproximadamente, 29,95503%. O mínimo do percentual de pobreza foi de 3,25%, na cidade
de Nova Serrana em 2017, e o máximo foi de 92,38% na cidade de Manga no ano de 2016. O
desvio padrão da variável Percentual da População Pobre ou Extremamente Pobre foi de
15,03436, aproximadamente.
A média da Taxa de Rendimento (Abandono) do Ensino Médio foi de,
aproximadamente, 7,098592. O mínimo da Taxa de Rendimento foi de 0 (zero) em 125 cidade
do Estado no período analisado, e o máximo foi de 28 nas cidades de Ipiaçu e Planura nos
anos de 2015 e 2017, respectivamente. O desvio padrão da variável Taxa de Rendimento
(Abandono) do Ensino Médio foi de 4,448716, aproximadamente.
A média da Densidade Populacional é de, aproximadamente, 70.50909 hab/km². O
mínimo da variável Densidade Populacional foi de aproximadamente 1,32 hab/km² na cidade
de Santa Fé de Minas em 2019, e o máximo de habitantes por quilômetro quadrado em uma
cidade em Minas no período analisado foi de 7.607,03 hab/km² na cidade de Belo Horizonte
no ano de 2019. O desvio padrão da Densidade Populacional foi de 335,059 hab/km²,
aproximadamente.
A média do Número de Ocorrências de Porte Ilegal de arma de fogo foi de,
aproximadamente, 4,767535 ocorrências em Minas Gerais. O mínimo foi de 0 (zero)
ocorrências de Porte Ilegal de arma de fogo, em 1.252,00 cidades no período analisado. O
número máximo de Ocorrências de Porte Ilegal de arma de fogo foi de 491 ocorrências, na
cidade de Belo Horizonte em 2015 e o desvio padrão da variável foi de 16,91426 ocorrências,
aproximadamente. O Quadro apresenta os resultados das estimativas.

Quadro 8 - Resultado das Estimativas

(continua)
 57

Crimivio Dados Empilhados (MQO) Efeito Efeito Fixo MQVD

Variável Aleatório
Dependente Coeficientes
Lngastse -16,57933* -14,34698* -7,675938** -18.47972*
(3,154015) (3,190307) (3,59913) (2,973116)
Lngasted -42,9673* -0,4007038 58,075* -54,93878*
(10,304) (13,93425) (19,18699) (9,856812)
lnrendaforpc 146,1513* 119,4176* 3,733378 131,3248*
(7,385343) (10,01574) (15,9003) (7,098814)
Perpob 2,03023* 2,94766* 5,005145* 1,580718*
(0,304728) (0,3881648) (0,5104872) (0,3500538)
Abandono 2,554773* 2,85613* 2,508701* 3,337551*
(0,721459) (0,5787726) (0,5885436) (0,6829285)
Densidade 0,0583992* 0,1154799* -5,342413* 0,0403122*
(0,0123824) (0,0181537) (0,5000889) (0,0118354)
Portearma 3,853826* 3,079846* 2,02037* 3,65176*
(0,2427986) (0,1861824) (0,2056948) (0,2305663)
dCentral _ _ _ 109,9553*
(17,42061)
dMetro _ _ _ 186,3827*
(11,59749)
dNM _ _ _ 40,13117*
(13,70993)
dNO _ _ _ 53,5043*
(20,24488)

Quadro 9 - Resultado das Estimativas

(continua)
dOeste _ _ _ 110,1629*
(15,45267)
dSul/Sud _ _ _ -21,50344***
(11,45836)
dTmap _ _ _ 40.10534*
(14,28839)
dVA _ _ _ 55,87416*
(11,36208)
 58

dVerten _ _ _ -79,93498*
(16,38405)
dVJ _ _ _ 41,75429*
(14,13456)
dVM _ _ _ 58,6906*
(19,46748)
Cons. -370,8376* -538,4308* 51,38051 -248,8739*
(66,53) (94,62018) (147,5131) (64,50687)
R2 0,3314 0,3112 0,1531 0,4210
TESTES F / CHI2 PROB
Chow F (721, 2611) = 11,24 Prob > F = 0,0000
Breusch – Pagan Chi2 (01) = 2726,51 Prob > Chi2 = 0,0000
Hausman Chi2 (7) = 282,85 Prob > Chi2 = 0,0000
Wooldridge F (1, 659) = 147,416 Prob > F = 0,0000
Wal Chi2 (722) = 7,9 Prob > Chi2 = 0,0000

Nota: 1) Entre parênteses encontra-se o erro-padrão. 2) *significativo a um nível de 1%; **significativo a um

nível de 5%; ***significativo a um nível de significância de 10%.
Fonte: Elaboração própria com base nos resultados do estudo.

O Quadro 4 mostra os resultados obtidos através da estimação do modelo

econométrico, apresentando os coeficientes das variáveis para quatro modelos de dados em
painel: o modelo de MQO empilhado (pooled), o Modelo de Efeitos Aleatórios - MEA, o
Modelo de Efeitos Fixos - MEF e o modelo de MQO com variáveis dummies (MQVD), um
modelo do tipo efeitos fixos também.
A escolha do modelo mais adequado ao estudo foi realizada com a utilização Teste de
Breusch-Pagan, Teste de Chow e o Teste de Hausman. Para definir entre o modelo MQO
empilhado e MEA, foi utilizado o Teste de Breusch-Pagan, que apresentou significância a
menos de 1%, ou seja, o MEA é mais eficiente.
Da mesma forma a escolha entre o modelo MQO empilhado e MEF foi feita com base
no Teste de Chow, que apresentou significância menor de 1%, o que levou a aceitação do
MEF. A escolha entre MEF e MEA foi feita com base no Teste de Hausmann, que também
apresentou significância estatística menor que 1% e, portanto, a aceitação do MEF como
melhor modelo. Uma vez que o MEF mostrou ser o melhor modelo, para complementar a
análise, buscou-se acrescentar variáveis dummies referente às 12 (doze) mesorregiões
mineiras com o objetivo de investigar a heterogeneidade dessas regiões em relação aos crimes
violentos.
 59

O Teste de Wooldridge, utilizado para verificar uma possível autocorrelação nos

dados, indicou ao nível de 1% de significância, a presença de autocorrelação no modelo. O
Teste de Wald que identifica se há ou não erros heterocedásticos no modelo, indicou ao nível
de 1% de significância, que o modelo apresenta heterocedasticidade. Ao estimar o modelo,
utilizaram-se os procedimentos para correção quanto aos problemas de autocorrelação e
heterocedasticidade, utilizando-se erros-padrão robustos.

4.4.1 A relação entre Gastos com Segurança Pública e Crime:

Conforme descrito no Quadro 4, todos os coeficientes nos modelos estimados, foram

estatisticamente significativos e com o sinal esperado de acordo com a teoria.
Os resultados do estudo empírico realizado mostram que o aumento nos gastos com
segurança pública apresentou efeito significativo em nível de menos de 5% na redução da
taxa de crimes violentos do Estado de Minas Gerais, no período 2015-2019. De forma
particular, pelo modelo MQVD, foi possível verificar que o gasto de R$ 1,00 no gasto com
segurança pública diminuiu em 0,18 aproximadamente, a taxa de crimes violentos, mantendo
as demais variáveis constantes.
Esse resultado contraria os encontrados por Oliveira (2005) quando analisou o crime
nas cidades brasileiras e não encontrou relação de causalidade entre essa variável e os gastos
com Segurança pública. Entretanto, estão em sintonia com Becker e Kassouf (2014) que
mostram que dispêndios maiores em segurança pública podem diminuir o crime nas grandes
cidades brasileiras.
É semelhante também, aos resultados obtidos por Castro, Silva e Lopes (2020) que
mostram que quanto maiores os gastos com segurança pública, menor é a taxa de homicídios
nas cidades brasileiras, em 2000 e 2010.
Portanto, a análise econométrica realizada confirmou a hipótese inicial desse estudo de
que existia correlação entre as variáveis crimes violentos e gastos com segurança pública,
especificamente para o caso de Minas Gerais, no período 2015 – 2019. Alguns pontos que não
foram discutidos nesse curso, como por exemplo, a causalidade nos dois sentidos, com os
gastos reduzindo o crime, mas com a existência de gastos mais altos porque a taxa de
criminalidade é alta, são ainda, questões não respondidas.
A educação é uma das variáveis importantes para a redução da criminalidade e que
apresentou uma relação negativa, no sentido de que o gasto de R$ 1,00 nessa atividade,
significou uma redução de aproximadamente 0,54 na taxa de crime violentos. Ao contrário, a
 60

variável abandono que mede a desistência escolar, mostrou uma relação positiva com a
criminalidade, indicando que quanto mais pessoas fora da escola, maior a taxa de
criminalidade.
Com relação à variável de controle renda per capita, apresentou um resultado que pode
ser considerado ambíguo, já que o aumento de R$ 1,00 na renda per capita do setor formal,
levou a um aumento de 1,31 na taxa de crimes violentos. Se considerada a teoria de Becker
isso significaria que quanto maior o custo de oportunidade maior seria a probabilidade de se
cometer o crime. Entretanto, deve-se levar em conta que o rendimento do setor formal é um
indicador de renda e, em geral, a maior incidência de crimes ocorre em locais com rendas
maiores.
O percentual da população pobre e extremamente pobre apresentou relação positiva
com a taxa de criminalidade, com efeito, na taxa de crimes violentos em 1,58
aproximadamente ceteris paribus para cada ponto percentual adicional. De forma similar,
quando a densidade é elevada a 1 hab/km², eleva a taxa de crimes em 0,04 mantendo as
demais variáveis constantes, o que indica que a concentração da população ou as áreas mais
densamente povoadas é fator que aumenta a criminalidade.
A variável do número de ocorrências de porte ilegal de armas de fogo que, é um
indicador do porte de armas na população, mostrou uma relação positiva com a taxa de crimes
violentos. Assim o aumento do número de ocorrências de armas de fogo reflete o porte ilegal
de armas.
Ademais, em relação à análise das variáveis dummies acrescentadas, utilizou-se a
mesorregião Zona da Mata como categoria de referência, e segundo Gujarati (2006) insere no
modelo d-1 dummies para evitar cair na armadilha da varável dummy, assim cada unidade de
corte transversal terá seu próprio intercepto.
Os valores médios da taxa de crimes violentos apresentam diferenças dos valores
médios da Zona da Mata, uma vez que os coeficientes foram significativos. Os coeficientes
das dummies foram significativos a um nível de significância de 1%, excetuando o coeficiente
da dummy Sul/Suldeste que foi de significância de 10%, portanto há diferença da média da
taxa de Crimes Violentos dessas mesorregiões para a região Zona da Mata.
 61

5 CONSIDERAÇÕES FINAIS

Contudo, a criminalidade é um dos principais problemas que o mundo enfrenta e, em

especial o Brasil. Tanto o Estado de Minas Gerais, assim como todos os demais entes
federativos do país em suas circunscrições tem enfrentado esse problema ao longo do tempo,
que afeta diretamente a população, reduzindo os níveis de bem-estar social, o que exige dos
governantes intervenção firme e constante para minimizar este problema.
Nesse sentido, este estudo procurou verificar se existe relação entre criminalidade e
gastos com segurança pública e de que maneira essas variáveis se relacionaram. Dessa forma,
o estudo buscou discutir e medir o efeito do gasto com segurança pública sobre a taxa de
criminalidade em Minas Gerais. Para tanto, foram utilizados dados socioeconômicos
agregados com periodicidade anual para o período de 2015 – 2019, para os 853 municípios do
estado de Minas Gerais, utilizando um modelo MQVD.
A suposição que orientou o estudo foi de que o aumento dos gastos com segurança
pública reduziu as taxas de crimes violentos no Estado, no período. Os resultados obtidos com
o estudo empírico realizado por meio de regressão de dados em painel utilizando o modelo de
efeitos fixos confirmam a hipótese de que o aumento dos gastos com segurança pública
apresentou correlação com a taxa de crimes violentos quando utilizados dados do Estado de
Minas Gerais, no período 2015 – 2019.
Observa-se uma relação negativa entre essas variáveis, mostrando que o aumento de
gastos com a função segurança pública leva a uma redução da taxa de crimes violentos, pela
capacidade que esses recursos podem exercer na repressão e controle do crime.
Outras variáveis socioeconômicas, utilizadas como controle também mostraram efeito
na redução da criminalidade, como por exemplo, os gastos com educação, com maior impacto
sobre a taxa de crime do que a variável de interesse taxa de crimes violentos. A pobreza,
medida pela população pobre ou extremamente pobre mostrou ser correlacionada com a taxa
de crimes violentos no mesmo sentido.
Entretanto, deve-se considerar que para essa variável, a pobreza deve ser entendida
como a desigualdade de renda e de oportunidades, inclusive educacionais que gera condições
de exclusão social, que leva ao crime. O resultado da renda per capita do setor formal que
apresentou uma correlação positiva com a taxa de crimes violentos deve ser considerado no
sentido de que, de uma forma geral, a criminalidade ocorre em locais com rendimentos mais
elevados, ou que exista rendimentos suficientes para que a atividade ilegal seja cometida, o
 62

que, de certa forma parece estar de acordo com a teoria econômica do crime, desenvolvida por
Becker (1974) e outros.
O que se espera é que este estudo, possa ampliar o debate sobre variáveis que, de
alguma forma, afetam a criminalidade, podendo ser de interesse daqueles que atuam no setor
de segurança do Estado e do país, que são responsáveis pelo planejamento e execução de
ações políticas com vistas reduzirem a criminalidade.
O dispêndio de recursos públicos é um dos instrumentos importante para realização
desse planejamento e execução de projetos que possam reduzir o crime e aumentar a
segurança pública, aumentando o bem-estar da população. Dessa forma, o estudo buscou
discutir e medir o efeito do gasto com segurança pública sobre a taxa de criminalidade em
Minas Gerais.
A partir da análise realizada percebeu-se que a criminalidade pode ser reduzida a partir
de uma ação mais forte do Estado naquelas variáveis que se mostraram significativas na
determinação do crime e da violência. São ações que devem envolver a educação, a redução
da pobreza e da desigualdade, maiores gastos com segurança pública principalmente em áreas
com maior densidade populacional, assim como em fatores que, de alguma forma,
desagregam as cidades, estado ou regiões socialmente. São ações diretamente vinculadas ao
desempenho governamental, que podem levar a criação de políticas públicas permanentes de
combate ao crime.
Por fim, com vistas à realização de pesquisas futuras, sugere a melhoria nos dados
disponíveis e a criação de banco de dados com informações sobre criminalidade do Estado,
completando ou substituindo indicadores socioeconômicas descontinuados por outros com as
mesmas características, assim como melhoria nas séries temporais que, de alguma forma são,
ainda, séries curtas ou mesmo incompletas, para que haja maior confiabilidade nos resultados
obtidos.
 63

REFERÊNCIAS

AFONSO, J.R. Orçamento público no Brasil: história e premência de reforma. Espaço

Jurídico Journal of Law. V. 17, n. 1, p. 9-28. Joaçaba, 2016.

ALMEIDA, E. S. 2004. Curso de econometria espacial aplicada. Piracicaba-SP, 2004.

Disponível em: <https://edoc.site/apostila-econometria-espacial-pdf-free.html>. Acesso em:
07/12/2021.

AMARAL, J. E. do. Uma análise do efeito dos gastos estaduais em segurança pública
sobre a criminalidade no Ceará para o período de 2010 a 2013 / Joafran Eufrasino do
Amaral. – 2014. 38p.

ARAÚJO Jr., A.F. e FAJNZYLBER, P. O que causa a criminalidade violenta no Brasil?:

Uma análise a partir do modelo econômico do crime: 1981 a 1996. Texto de Discussão nº.
162, CEDEPLAR/UFMG, 2001.

ARAÚJO, I; ARRUDA, D. Contabilidade Pública: da teoria à prática. São Paulo: Saraiva,

2009.

ARAÚJO, J. A.; MONTEIRO, V. B.; CAVALCANTE, C. A. A influência dos gastos

públicos no crescimento econômico dos Municípios do Ceará. In: CARVALHO, E.B.S
(Org.). Encontro economia do Ceará em debate, 2010, Fortaleza. Fortaleza: IPECE, 2010.
p.176-200.

Anuário Brasileiro de Segurança Pública 2021. Disponível em: <

https://forumseguranca.org.br/anuario-brasileiro-seguranca-publica/> Acesso em: 19 de
agosto de 2021.

Atlas da Violência 2019. Disponível em:

<https://www.ipea.gov.br/atlasviolencia/download/24/atlas-da-violencia-2019> Acesso em:
11 de setembro de 2020.

Atlas da Violência 2020. Disponível em:

<https://www.ipea.gov.br/atlasviolencia/download/24/atlas-da-violencia-2020>. Acesso em:
11 de setembro de 2020.

BALTAGI, B.H. and KAO, C. (2001), "Nonstationary panels, cointegration in panels and

dynamic panels: A survey", Baltagi, B.H., Fomby, T.B. and Carter Hill,
R. (Ed.) Nonstationary Panels, Panel Cointegration, and Dynamic Panels (Advances in
Econometrics, Vol. 15), Emerald Group Publishing Limited, Bingley, pp. 7-51.

BECCARIA, C. Dos Delitos e Das Penas. Nova Fronteira, 2011.

BECKER, G. Essays in the economics of crime and punishment. National Bureau of

Economic Research Distributed by Columbia University Press, 1974.
 64

BECKER, K. L., KASSOUF. A. L. Uma análise do efeito dos gastos públicos em educação
sobre a criminalidade no Brasil. Economia e Sociedade, Campinas, v. 26, n. 1 (59), p. 215-
242, abr. 2017.

BENTHAM, J. O Panóptico. Autêntica Editora, 2019.

BORILLI, S. P.; SHIKIDA, P. F. A. Apontamentos acerca das organizações criminosas a

partir de um estudo exploratório na penitenciária industrial de Guarapuava e cadeia
pública de Foz do Iguaçu (Paraná). Revista de Ciências Empresariais da UNIPAR, Toledo,
191-210, julho-dezembro 2002.

BRASIL. Governo Federal. Constituição Federal. Disponível em:

<http://www.planalto.gov.br/ccivil_03/constituicao/constituicao.htm> Acesso em 10/08/2020.

BRENNER, G. A racionalidade econômica do comportamento criminoso perante a ação

de incentivos. 2001. (Tese de Doutorado). UFRGS-IEPE, Porto Alegre, 2001.

CASTRO, Silva e Lopes. Gastos com Educação, Saúde e Segurança Pública: Uma
Relação com as Taxas de Homicídios nos Municípios do Brasil. Revista de Gestão,
Finanças e Contabilidade, v. 10, n.3. 2020

CERQUEIRA, D.; LOBÃO, W. Criminalidade: Social Versus Polícia. IPEA. Texto para
Discussão n. 958. Rio de Janeiro, 2003.

CNJ - Conselho Nacional de Justiça. Disponível em:

<https://www.cnj.jus.br/wp-content/uploads/2015/07/577d8ea3d35e53c27c2ccc265cd62b4e.p
df>. Acesso em: 10/10/2020.

DUTRA, G. J. Analise da relação entre acesso a armas de fogo e homicídios no Brasil /

Gilson José Dutra. – Viçosa, Mg, 2017.

FERNANDEZ, J. C.; PEREIRA, R. Diagnóstico da criminalidade na bahia: uma análise a

partir da teoria econômica do crime. Revista Econômica do Nordeste, fortaleza; v.32, n.
especial, 2001.

FIGUEIREDO, A. M. R. 2002. Resposta da produção agrícola aos preços na região

Centro-Oeste: uma análise de econometria espacial para o período 1975/1995-1996. 184p.
Tese (Doutorado em Economia) – Universidade Federal de Viçosa, Viçosa.

GARRIDO, Adriana Cristina Oliver. Fatores sociais de criminalidade. Revista sistema

penal & violência, v. 4, [s./p.], 2016.

GLAESER, E., SACERDOTE, B. Why is there more crime in cities. Journal of Political
Economy, v. 1007, n.6, p. S225-S258, 1999.

GREENE, William H .; HENSHER, David A. Um modelo de classe latente para análise de

escolha discreta: contrastes com logit misto. Transporte Pesquisa Parte B: Metodológico, v.
37, n. 8, pág. 681-698, 2003.
 65

GUJARATI, Damodar; PORTER, Dawn C. Econometria Básica. Ed. Campus/Elsevier,

2006, 918 pág.

Instituto Brasileiro de Geografia e Estatística – IBGE. Disponível em:<

https://portaldemapas.ibge.gov.br/portal.php#homepage>. Acesso em: 20/07/2021.

KUME, L. Uma estimativa dos determinantes da taxa de criminalidade brasileira: uma

aplicação em painel dinâmico. EPGE/FGV. 2004.

KUME, L. Uma estimativa dos determinantes da taxa de criminalidade brasileira: uma

aplicação em painel dinâmico. In: ENCONTRO NACIONAL DE ECONOMIA, 32., 2004.
João Pessoa. Anais… João Pessoa: Anpec, 2004. p. 1-16.

LOUREIRO, A.O. F. Uma análise econométrica do impacto dos gastos públicos sobre a
criminalidade no Brasil/André Oliveira Ferreira Loureiro – Fortaleza, 2006. 98f.

MANSO, Bruno & Nunes Dias, A guerra: a ascensão do PCC e o mundo crime no Brasil.
São Paulo: Todavia, 1ª ed., 2018. Disponível em https://ilide.info/doc-viewer.

MANSO, B. A. Cena criminal brasileira mudou; compreendê-la ajuda entender as novas

dinâmicas dos homicídios. In Anuário Brasileiro de Segurança Pública. Fórum Brasileiro de
Segurança Pública, ano 13, 2019.

MARIANO, R. S. Fatores socioeconômicos da criminalidade no estado de São Paulo: um

enfoque da economia do crime. São Paulo, 2010.

MARTINS, D. C. C. Os principais fatores que influenciam o crime no Brasil: Uma

Análise Estatística das Variáveis / Daisy Cristina Castilhos Martins, 2010.

MARX, K. O Capital. 1867. https://www.marxists.org/portugues/index.htm. Disponível

em: < https://www.marxists.org/portugues/marx/1867/capital/livro1/cap23/03.htm > Acesso
em: 06/04/2021.

MATTOS, E.; TERRA, R. Conceitos sobre eficiência. In: BOUERI Rogério; ROCHA, F.;
RODOPOULOS, Fabiana (Org.). Avaliação da qualidade do gasto público e mensuração da
eficiência. Brasília: Secretaria do Tesouro Nacional, 2015. p. 211-233. Disponível em:
<www.tesouro.fazenda.gov.br/-/tesouro-nacional-lanca-livro-sobre-qualidade-do-gasto>.
Acesso em: 08/04/2021.

MJSP - Ministério da Justiça e Segurança Pública. Disponível em: <

https://www.justica.gov.br/news/collective-nitf-content-1571059445.0>. Acesso em:
10/09/2020.

O CAPITAL: 3. Progressiva Produção De Uma Sobrepopulação Relativa ou de Um

Exército Industrial De Reserva. Disponível em:
https://www.marxists.org/portugues/marx/1867/capital/livro1/cap23/03.htm. Acesso em:
04/06/2021.
 66

OLIVEIRA, C. A. Criminalidade e o tamanho das cidades brasileiras: Um enfoque da

economia do crime. In: ENCONTRO NACIONAL DE ECONOMIA, 33., 2005. Natal.
Anais... Natal: Apnec, 2005. P. 1-23

OLIVEIRA, C. A. de. 2008. Análise espacial da criminalidade no Rio Grande do Sul.

Revista de Economia (Curitiba), 34: 35-60. Disponível em:
<https://doi.org/10.5380/re.v34i3.13824>. Acesso em: 23/09/2021.

PESSOA, R. D. V. A influência das variáveis sociais e econômicas nos homicídios da

população jovem no estado do Rio Grande do Sul / Rafael Della Valentina Pessoa, 2019.

Portal de Mapas IBGE. Disponível em:

<https://portaldemapas.ibge.gov.br/portal.php#mapa223130>. Acesso em 23 de jul de 2021.

PIERANGELLI, J. H. (1980) Códigos Penais do Brasil: evolução histórica. Bauru (SP):

Jalovi.

PINDYCK, Robert S.; RUBINFELD, Daniel L. Microeconomia. São Paulo. 2005. 768 pág.

PRODANOV, Cleber Cristiano. Metodologia do trabalho científico [recurso eletrônico]:

métodos e técnicas da pesquisa e do trabalho acadêmico / Cleber Cristiano Prodanov,
Ernani Cesar de Freitas. – 2. ed. – Novo Hamburgo: Feevale, 2013.

RESENDE, F. A. Finanças Públicas. – 2. ed. – 4. Reimpressão – São Paulo: Atlas, 2006.

RESENDE, João Paulo de; ANDRADE, Mônica Viegas. Crime social, castigo social:
desigualdade de renda e taxas de criminalidade nos grandes municípios brasileiros,
2011.

RIANI, Flávio. Economia do Setor Público: uma abordagem introdutória. 5 ed. Rio de

Janeiro: LTC, 2012.

SANTOS, M. J.; KASSOUF, A. L. U Economia e Criminalidade no Brasil: evidencias e

controvérsias empíricas. Centro de Estudos Avançados em Economia Aplicada
(CEPEA/USP). 2006.

SANTOS, M. J.; KASSOUF, A. L. Uma investigação econômica da influência do mercado

de drogas ilícitas sobre a criminalidade brasileira. Economia, Brasília, Anpec, v. 8, n. 2, p.
187-210, 2007.

SANTOS, M. J. Dinâmica temporal da criminalidade: mais evidências sobre o efeito

inércia nas taxas de crimes letais nos estados brasileiros. Economia, Brasília, Anpec, v. 10,
n. 1, p. 170-194, 2009.

SJOQUIST, D. L. Property crime and economic behavior: some empirical results. The
American Economic Review, Pittsburgh, v. 63, n. 3, p. 439-446, 1973.

SMITH, A. Lectures on jurisprudence Clarendon Press Oxford University Press,1978.

 67

SOSA, L. D. Qualidade do gasto público brasileiro: uma análise dos gastos estaduais
com saúde, educação e segurança / Laura Duarte Sosa, 2018. 66 f.

TESOURO NACIONAL. https://www.tesourotransparente.gov.br/. Disponível em: <

https://www.tesourotransparente.gov.br/temas/estatisticas-fiscais-e-planejamento/resultado-
do-tesouro-nacional-rtn-conteudos-relacionados#item-dados-abertos> Acesso em:
10/04/2021.

VIAPIANA, L. T. Economia do crime: uma explicação para a formação do criminoso.

Porto Alegre/RS: Age, 2006.

WAISELFISZ, J. J. Mapa da violência 2014: Os jovens do Brasil. Flacso Brasil.

Secretaria Geral da Presidência da República. Secretaria Nacional de Juventude.
Secretaria de Políticas de Promoção da Igualdade Racial, 2014.
 68

ANEXOS

Resultados das Estimativas com Erros Padrão Robustos

Crimivio Variável Dados Empilhados Efeito Aleatório Efeito Fixo MQVD

Dependente (MQO)
Coeficientes
Lngastse -16,57933* -14,34698* -7,675938 -18.47972*
(4,36445) (4,848239) (5,231525) (3,98615)
Lngasted -42,9673* -0,4007038 58,075* -54,93878*
(10,66499) (16,27095) (21,67215) (10,16059)
lnrendaforpc 146,1513* 119,4176* 3,733378 131,3248*
(9,98628) (14,74837) (18,10188) (9,798553)
Perpob 2,03023* 2,94766* 5,005145* 1,580718*
(0,3267815) (0,446031) (0,5941804) (0,3557205)
Abandono 2,554773* 2,85613* 2,508701* 3,337551*
(0,6055173) (0,5834592) (0,5814936) (0,5451853)
Densidade 0,0583992** 0,1154799*** -5,342413* 0,0403122
(0,0297746) (0,0643194) (1,723772) (0,0292191)
Portearma 3,853826* 3,079846* 2,02037* 3,65176*
(0,6921536) (0,7079183) (0,6193845) (0,6801258)
dCentral _ _ _ 109,9553*
(17,68983)
dMetro _ _ _ 186,3827*
(13,80085)
dNM _ _ _ 40,13117*
(11,13084)
dNO _ _ _ 53,5043*
(18,46666)
dOeste _ _ _ 110,1629*
(23,00102)
dSul/Sud _ _ _ -21,50344*
(7,710369)
dTmap _ _ _ 40.10534*
(12,17543)
dVA _ _ _ 55,87416*
(8,018173)
 69

dVerten _ _ _ -79,93498*
(8,466552)
dVJ _ _ _ 41,75429*
(9,306196)
dVM _ _ _ 58,6906*
(13,84279)
Cons. -370,8376* -538,4308* 51,38051 -248,8739*
(84,48454) (118,5679) (198,2558) (84,67319)
R2 0,3314 0,3112 0,1531 0,4210
TESTES F / CHI2 PROB
Chow F (721, 2611) = 11,24 Prob > F = 0,0000
Breusch – Pagan Chi2 (01) = 2726,51 Prob > Chi2 = 0,0000
Hausman Chi2 (7) = 282,85 Prob > Chi2 = 0,0000
Wooldridge F (1, 659) = 147,416 Prob > F = 0,0000
Wal Chi2 (722) = 7,9* Prob > Chi2 = 0,0000

Nota: 1) Entre parênteses encontra-se o erro-padrão. 2) *significativo a um nível de 1%; **significativo a um

nível de 5%; ***significativo a um nível de significância de 10%.

SAÍDA DO STATA

Figura 6 - Regressão MQO

. reg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma

Source SS df MS Number of obs = 3340

F( 7, 3332) = 235.92
Model 55823844 7 7974834.86 Prob > F = 0.0000
Residual 112631535 3332 33802.9817 R-squared = 0.3314
Adj R-squared = 0.3300
Total 168455379 3339 50450.8473 Root MSE = 183.86

crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -16.57933 3.154015 -5.26 0.000 -22.76333 -10.39533

lgasted -42.9673 10.304 -4.17 0.000 -63.1701 -22.7645
lredaforpc 146.1513 7.385343 19.79 0.000 131.671 160.6315
perpob 2.03023 .304728 6.66 0.000 1.432757 2.627703
abandono 2.554773 .721459 3.54 0.000 1.140225 3.96932
densidade .0583992 .0123824 4.72 0.000 .0341213 .0826772
portearma 3.853826 .2427986 15.87 0.000 3.377777 4.329876
_cons -370.8376 66.53 -5.57 0.000 -501.2814 -240.3938
 70

Figura 7 - Regressão EF
. xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, fe

Fixed-effects (within) regression Number of obs = 3340

Group variable: id Number of groups = 722

R-sq: within = 0.1656 Obs per group: min = 1

between = 0.2196 avg = 4.6
overall = 0.1531 max = 5

F(7,2611) = 74.03
corr(u_i, Xb) = -0.9958 Prob > F = 0.0000

crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -7.675938 3.59913 -2.13 0.033 -14.73337 -.6185011

lgasted 58.075 19.18699 3.03 0.002 20.45176 95.69825
lredaforpc 3.733378 15.9003 0.23 0.814 -27.44508 34.91184
perpob 5.005145 .5104872 9.80 0.000 4.004144 6.006145
abandono 2.508701 .5885436 4.26 0.000 1.354642 3.66276
densidade -5.342413 .5000889 -10.68 0.000 -6.323023 -4.361802
portearma 2.02037 .2056948 9.82 0.000 1.617029 2.423712
_cons 51.38051 147.5131 0.35 0.728 -237.8739 340.6349

sigma_u 2022.9747
sigma_e 102.52549
rho .99743806 (fraction of variance due to u_i)

F test that all u_i=0: F(721, 2611) = 11.24 Prob > F = 0.0000

Figura 8 - Regressão RE
. xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma
> , re

Random-effects GLS regression Number of obs = 3340

Group variable: id Number of groups = 722

R-sq: within = 0.1010 Obs per group: min = 1

between = 0.3881 avg = 4.6
overall = 0.3112 max = 5

Wald chi2(7) = 724.30

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

crimivio Coef. Std. Err. z P>|z| [95% Conf. Interval]

lgastse -14.34698 3.190307 -4.50 0.000 -20.59987 -8.094096

lgasted -.4007038 13.93425 -0.03 0.977 -27.71132 26.90992
lredaforpc 119.4176 10.01574 11.92 0.000 99.78713 139.0481
perpob 2.94766 .3881648 7.59 0.000 2.186871 3.708449
abandono 2.85613 .5787726 4.93 0.000 1.721757 3.990504
densidade .1154799 .0181537 6.36 0.000 .0798993 .1510605
portearma 3.079846 .1861824 16.54 0.000 2.714936 3.444757
_cons -538.4308 94.62018 -5.69 0.000 -723.8829 -352.9786

sigma_u 148.58623
sigma_e 102.52549
rho .67745664 (fraction of variance due to u_i)
 71

Figura 9 - Teste de Breush-Pagan

. qui xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, re

. xttest0

Breusch and Pagan Lagrangian multiplier test for random effects

crimivio[id,t] = Xb + u[id] + e[id,t]

Estimated results:
Var sd = sqrt(Var)

crimivio 50450.85 224.6127

e 10511.48 102.5255
u 22077.87 148.5862

Test: Var(u) = 0
chibar2(01) = 2726.51
Prob > chibar2 = 0.0000

Figura 10 - Teste de Hausman

. qui xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, fe

. estimates store fe

. qui xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, re

. estimates store re

. hausman fe re

Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.

lgastse -7.675938 -14.34698 6.671045 1.666037

lgasted 58.075 -.4007038 58.47571 13.19005
lredaforpc 3.733378 119.4176 -115.6842 12.34927
perpob 5.005145 2.94766 2.057484 .3315498
abandono 2.508701 2.85613 -.3474294 .1067985
densidade -5.342413 .1154799 -5.457893 .4997593
portearma 2.02037 3.079846 -1.059476 .0874442

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(7) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 282.85
Prob>chi2 = 0.0000
 72

Figura 11 - Regressão MQVD

. reg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma d_central d_metro
> d_nm d_no d_oeste d_sul_sud d_tmap d_va d_verten d_vj d_vm

Source SS df MS Number of obs = 3340

F( 18, 3321) = 134.16
Model 70922790.5 18 3940155.03 Prob > F = 0.0000
Residual 97532588.4 3321 29368.4398 R-squared = 0.4210
Adj R-squared = 0.4179
Total 168455379 3339 50450.8473 Root MSE = 171.37

crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -18.47972 2.973116 -6.22 0.000 -24.30904 -12.65039

lgasted -54.93878 9.856812 -5.57 0.000 -74.26482 -35.61273
lredaforpc 131.3248 7.098814 18.50 0.000 117.4063 145.2433
perpob 1.580718 .3500538 4.52 0.000 .8943752 2.267061
abandono 3.337551 .6829285 4.89 0.000 1.998548 4.676555
densidade .0403122 .0118354 3.41 0.001 .0171069 .0635176
portearma 3.65176 .2305663 15.84 0.000 3.199693 4.103826
d_central 109.9553 17.42061 6.31 0.000 75.79912 144.1116
d_metro 186.3827 11.59749 16.07 0.000 163.6438 209.1217
d_nm 40.13117 13.70993 2.93 0.003 13.25041 67.01192
d_no 53.5043 20.24488 2.64 0.008 13.81059 93.19801
d_oeste 110.1629 15.45267 7.13 0.000 79.86515 140.4606
d_sul_sud -21.50344 11.45836 -1.88 0.061 -43.9696 .9627186
d_tmap 40.10534 14.28839 2.81 0.005 12.0904 68.12028
d_va 55.87416 11.36208 4.92 0.000 33.59678 78.15154
d_verten -79.93498 16.38405 -4.88 0.000 -112.0588 -47.81113
d_vj 41.75429 14.13456 2.95 0.003 14.04096 69.46762
d_vm 58.6906 19.46748 3.01 0.003 20.52114 96.86006
_cons -248.8739 64.50687 -3.86 0.000 -375.3511 -122.3967
 73

Figura 12 - Detecção de autocorrelação

. xtserial crimivio lgastse lgasted lredaforpc perpob abandono densidade portear
> ma, output

Linear regression Number of obs = 2604

F( 7, 706) = 7.65
Prob > F = 0.0000
R-squared = 0.0408
Root MSE = 115.09

(Std. Err. adjusted for 707 clusters in id)

Robust
D.crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse
D1. -6.310448 3.585548 -1.76 0.079 -13.35006 .7291656

lgasted
D1. 44.64839 15.99231 2.79 0.005 13.25021 76.04658

lredaforpc
D1. -5.801788 13.41667 -0.43 0.666 -32.14314 20.53956

perpob
D1. 1.171905 .5849616 2.00 0.046 .0234322 2.320377

abandono
D1. .9926596 .5152257 1.93 0.054 -.0188983 2.004217

densidade
D1. -5.248443 1.571516 -3.34 0.001 -8.333846 -2.16304

portearma
D1. 1.154239 .3838113 3.01 0.003 .4006911 1.907787

Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation
F( 1, 659) = 147.416
Prob > F = 0.0000

Figura 13 - Detecção de heterocedasticidade

. qui xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portea
> rma, fe

. xttest3

Modified Wald test for groupwise heteroskedasticity

in fixed effect regression model

H0: sigma(i)^2 = sigma^2 for all i

chi2 (722) = 7.9e+34

Prob>chi2 = 0.0000
 74

Figura 14 - Regressão com erros padrão robustos

. reg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, vce (robust)

Linear regression Number of obs = 3340

F( 7, 3332) = 69.91
Prob > F = 0.0000
R-squared = 0.3314
Root MSE = 183.86

Robust
crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -16.57933 4.36445 -3.80 0.000 -25.13661 -8.022059

lgasted -42.9673 10.66499 -4.03 0.000 -63.8779 -22.0567
lredaforpc 146.1513 9.98628 14.64 0.000 126.5714 165.7311
perpob 2.03023 .3267815 6.21 0.000 1.389517 2.670943
abandono 2.554773 .6055173 4.22 0.000 1.367549 3.741996
densidade .0583992 .0297746 1.96 0.050 .0000208 .1167777
portearma 3.853826 .6921536 5.57 0.000 2.496737 5.210915
_cons -370.8376 84.48454 -4.39 0.000 -536.4844 -205.1908

Figura 15 - Regressão EF com erros padrão robustos

. xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, fe vce (robust)

Fixed-effects (within) regression Number of obs = 3340

Group variable: id Number of groups = 722

R-sq: within = 0.1656 Obs per group: min = 1

between = 0.2196 avg = 4.6
overall = 0.1531 max = 5

F(7,721) = 22.00
corr(u_i, Xb) = -0.9958 Prob > F = 0.0000

(Std. Err. adjusted for 722 clusters in id)

Robust
crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -7.675938 5.231525 -1.47 0.143 -17.94678 2.594905

lgasted 58.075 21.67215 2.68 0.008 15.52694 100.6231
lredaforpc 3.733378 18.10188 0.21 0.837 -31.80531 39.27207
perpob 5.005145 .5941804 8.42 0.000 3.838614 6.171675
abandono 2.508701 .5814936 4.31 0.000 1.367078 3.650324
densidade -5.342413 1.723772 -3.10 0.002 -8.726625 -1.958201
portearma 2.02037 .6193845 3.26 0.001 .8043578 3.236383
_cons 51.38051 198.2558 0.26 0.796 -337.8471 440.6081

sigma_u 2022.9747
sigma_e 102.52549
rho .99743806 (fraction of variance due to u_i)
 75

Figura 16 - Regressão RE com erros padrão robustos

. xtreg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma, re vce (robust)

Random-effects GLS regression Number of obs = 3340

Group variable: id Number of groups = 722

R-sq: within = 0.1010 Obs per group: min = 1

between = 0.3881 avg = 4.6
overall = 0.3112 max = 5

Wald chi2(7) = 131.88

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

(Std. Err. adjusted for 722 clusters in id)

Robust
crimivio Coef. Std. Err. z P>|z| [95% Conf. Interval]

lgastse -14.34698 4.848239 -2.96 0.003 -23.84936 -4.844608

lgasted -.4007038 16.27095 -0.02 0.980 -32.29117 31.48976
lredaforpc 119.4176 14.74837 8.10 0.000 90.51134 148.3239
perpob 2.94766 .446031 6.61 0.000 2.073456 3.821865
abandono 2.85613 .5834592 4.90 0.000 1.712571 3.999689
densidade .1154799 .0643194 1.80 0.073 -.0105837 .2415435
portearma 3.079846 .7079183 4.35 0.000 1.692352 4.467341
_cons -538.4308 118.5679 -4.54 0.000 -770.8195 -306.0421

sigma_u 148.58623
sigma_e 102.52549
rho .67745664 (fraction of variance due to u_i)

Figura 17 - Regressão MQVD com erros padrão robustos

. reg crimivio lgastse lgasted lredaforpc perpob abandono densidade portearma d_central d_metro
> d_nm d_no d_oeste d_sul_sud d_tmap d_va d_verten d_vj d_vm, vce (robust)

Linear regression Number of obs = 3340

F( 18, 3321) = 57.91
Prob > F = 0.0000
R-squared = 0.4210
Root MSE = 171.37

Robust
crimivio Coef. Std. Err. t P>|t| [95% Conf. Interval]

lgastse -18.47972 3.98615 -4.64 0.000 -26.29528 -10.66416

lgasted -54.93878 10.16059 -5.41 0.000 -74.86043 -35.01712
lredaforpc 131.3248 9.798553 13.40 0.000 112.113 150.5366
perpob 1.580718 .3557205 4.44 0.000 .8832646 2.278172
abandono 3.337551 .5451853 6.12 0.000 2.268618 4.406484
densidade .0403122 .0292191 1.38 0.168 -.0169771 .0976015
portearma 3.65176 .6801258 5.37 0.000 2.318252 4.985268
d_central 109.9553 17.68983 6.22 0.000 75.27128 144.6394
d_metro 186.3827 13.80085 13.51 0.000 159.3237 213.4418
d_nm 40.13117 11.13084 3.61 0.000 18.30716 61.95517
d_no 53.5043 18.46666 2.90 0.004 17.29712 89.71148
d_oeste 110.1629 23.00102 4.79 0.000 65.06527 155.2605
d_sul_sud -21.50344 7.710369 -2.79 0.005 -36.621 -6.385888
d_tmap 40.10534 12.17543 3.29 0.001 16.23323 63.97744
d_va 55.87416 8.018173 6.97 0.000 40.1531 71.59522
d_verten -79.93498 8.466552 -9.44 0.000 -96.53517 -63.33479
d_vj 41.75429 9.306196 4.49 0.000 23.50783 60.00075
d_vm 58.6906 13.84279 4.24 0.000 31.54934 85.83186
_cons -248.8739 84.67319 -2.94 0.003 -414.8908 -82.85699