Queda dos homicídios em São Paulo

Memorial, outubro de 2006Tulio Kahn

Homicídios Em 1999 foram assassinadas 12.818 pessoas

no Estado de São Paulo. Em 2005 tivemos 7.276 homicídios no Estado, uma redução de -43%;

Tomando a taxa por 100 mil habitantes, o coeficiente passou de 35,3 em 1999 para 18,2 em 2005, uma redução pela metade;

Usando 1999 como base, os homicídios caíram em 434 municípios do Estado até 2004 e aumentaram – nem que seja em apenas um caso – em 211 municípios;

Porque os homicídios estão em queda ? Mudanças sociais: redução do número de jovens na

população, crescimento dos evangélicos, aumento dos programas sociais, crescimento da matricula dos jovens em idade escolar (hipótese da sociedade menos violenta)

Mudanças nas políticas de segurança pública: uso do infocrim, disque denúncia, aumento das taxas de esclarecimento do DHPP, aumento das taxas de encarceramento, foco no desarmamento, lei seca, aumento da repressão ao tráfico de entorpecentes

HOMICIDIOS E TENTATIVAS - Estado de São Paulo

2.30

22.38

8

2.70

4

2.59

4

2.51

62.63

3

2.56

4

2.52

22.6

762.8

053.

062

2.94

9

2.89

72.

953

3.25

6

3.13

63.

1383

.288

3.26

1

3.11

5

3.01

33.

2493

.418

3.25

8

2.71

0

3.08

93.

148

3.01

1

2.70

9

2.97

9

2.97

1

2.85

0

2.60

0

2.53

2

2.27

72.

335

2.24

3

2.07

92.

127

1.79

9

1.65

31.

697

1.55

11.

741

1.45

11.

496

1.82

6

2.25

3

2.24

62.

2632.

274

2.19

7

2.14

22.

170

2.47

12.58

82.66

5

2.22

22.34

72.5

03

2.37

8

2.36

42.

599

2.52

8

2.43

2

2.32

8

2.71

4

2.64

3

2.59

6

2.25

12.

5032.

602

2.51

4

2.27

9

2.78

6

2.67

6

2.51

2

2.26

42.4

12

2.20

5

2.16

52.29

2

2.13

02.

150

1.99

8

1.70

8

1.69

6

1.59

51.

657

1.55

6

0

500

1.000

1.500

2.000

2.500

3.000

3.500

4.000

3 Trim

. 199

5

1 Trim

. 199

6

3 Trim

. 199

6

1 Trim

. 199

7

3 Trim

. 199

7

1 Trim

. 199

8

3. T

rim. 1

998

1. T

rim 1

999

3. T

rim 1

999

1.Trim

200

0

3. T

rim 2

000

1. T

rim 2

001

3. T

rim 2

001

1. T

rim 2

002

3. T

rim 2

002

1. T

rim 2

003

3. T

rim 2

003

1. T

rim 2

004

3. tr

im 2

004

1. tr

im 2

005

3. tr

im 2

005

1. tr

im 2

006

3. tr

im 2

006

Note-se que os municípios onde houve aumento (em verde) estão concentrados em algumas regiões, que compartilham características sócio-econômicas:

Individual values hdclasseby hdclasse

1,000000 (434)2,000000 (211)

Desagregando o grupo de grandes cidades americanas por tamanho da população, observa-se que a queda foi especialmente intensa nas cidades com mais de 500 mil habitantes, particularmente nas maiores de 1 milhão

Fenômeno similar observamos em São Paulo, onde a magnitude da queda é tanto maior quanto maior é o tamanho da cidade; a queda ocorreu em todos os grupos mas começou antes nas maiores: note-se o intervalo de cerca de 1 ano entre os grupos

TAXA POR 100MIL HAB DE HOMICÍDIOS DOLOSOS DIVIDIDA POR FAIXAS DE POPULAÇÃO

21.9124.59 24.36

22.13

27.0929.96 30.90

37.95 37.91

32.89 33.4932.98

38.15 38.8241.37 42.04

37.1234.70

29.36

22.10

45.87 45.05 44.2747.33

53.0450.75 49.56

44.74

41.07

32.24

17.43

29.5928.6729.2627.08 27.0129.85

16.86

20.67

26.55

30.56

17.05

39.37

24.18

0.00

10.00

20.00

30.00

40.00

50.00

60.00

100mil a 249mil hab. 21.91 24.59 24.36 27.08 29.26 28.67 29.59 29.85 27.01 22.13 17.43

250mil a 499mil hab. 27.09 29.96 30.90 37.95 37.91 32.89 33.49 30.56 26.55 20.67 16.86

500mil a 999mil hab. 32.98 38.15 38.82 41.37 39.37 42.04 37.12 34.70 29.36 22.10 17.05

1milhão ou mais 45.87 45.05 44.27 47.33 53.04 50.75 49.56 44.74 41.07 32.24 24.18

1.995 1.996 1.997 1.998 1.999 2.000 2.001 2.002 2.003 2.004 2.005

Por RMtx. homicidios dolosos por RM

0

10

20

30

40

50

60

METROPOLITANA DE SÃO PAULO 45 46 45 48 52 49 47 43 39 30 24

METROPOLITANA DE CAMPINAS 18.87 21.48 25.34 30.00 35.89 35.75 37.44 33.53 34.16 28.02 19.20

METROPOLITANA DE SANTOS (RA DESANTOS)

30.28 37.81 40.59 51.93 54.97 49.32 47.33 46.88 34.51 21.28 14.09

1.995 1.996 1.997 1.998 1.999 2.000 2.001 2.002 2.003 2.004 2.005

Sao Paulo follows the national homicide trend until 1999. From that point on, the homicide curve drop amazingly almost 37% in 5 years

0.0

10.0

20.0

30.0

40.0

50.0

60.0

70.0

Ano

Co

ef/1

00.0

00

MSP

ESP

BR

Health data show the same tendency. The green line is the Brazil trend

Police data

Estado de São Paulo 1996 1997 1998 1999 2000 2001 2002 2003 2004

1999 a 2004

Homicídio doloso 10.447 10.567 11.861 12.818 12.638 12.475 11.847 10.953 8.934 -30,30

população 34.074.12

6 34.932.34

5 35.367.25

4 35.891.66

1 37.546.64

0 38.052.55

4 38.500.00

0 39.067.51

8 39.677.13

0

taxa 30,66 30,25 33,54 35,71 33,66 32,78 30,77 28,04 22,52 -36,95

Mesuring explicitly the “Estatuto do Desarmamento” Effect: level shifts in gun apprehension by police(Infocrim); in homicides in São Paulo city (infocrim) and in intentional agression with guns (datasus)

THE ESTIMATED MODEL PARAMETERS MODEL COMPONENT LAG COEFF STANDARD P T # (BOP) ERROR VALUE VALUE 1CONSTANT 114. 28.1 .0002 4.05 2Autoregressive-Factor # 1 12 .627 .690E-01 .0000 9.09 INPUT SERIES X1 I~L00035 2003/ 11 LEVEL 3Omega (input) -Factor # 2 0 -45.4 6.35 .0000 -7.15 INPUT SERIES X2 I~P00032 2003/ 8 PULSE 4Omega (input) -Factor # 3 0 67.8 13.0 .0000 5.20 INPUT SERIES X3 I~P00015 2002/ 3 PULSE 5Omega (input) -Factor # 4 0 67.4 12.7 .0000 5.29 INPUT SERIES X4 I~P00047 2004/ 11 PULSE 6Omega (input) -Factor # 5 0 -74.7 15.2 .0000 -4.93 INPUT SERIES X5 I~P00014 2002/ 2 PULSE 7Omega (input) -Factor # 6 0 -38.1 12.8 .0049 -2.98 Y(T) = 305.27 +[X1(T)][(- 45.3848 )] +[X2(T)][(+ 67.7951 )] +[X3(T)][(+ 67.3989 )] +[X4(T)][(- 74.7054 )] +[X5(T)][(- 38.1022 )] + [(1- .627B** 12)]**-1 [A(T)]

Mesuring explicitly the “Estatuto do Desarmamento” Effect: level shifts in gun losts (infocrim)

THE ESTIMATED MODEL PARAMETERS MODEL COMPONENT LAG COEFF STANDARD P T # (BOP) ERROR VALUE VALUE 1CONSTANT 16.6 .771 .0000 21.50 INPUT SERIES X1 I~L00021 2000/ 12 LEVEL 2Omega (input) -Factor # 1 0 -6.88 .927 .0000 -7.43 INPUT SERIES X2 I~P00004 1999/ 7 PULSE 3Omega (input) -Factor # 2 0 15.4 3.30 .0000 4.67 INPUT SERIES X3 I~L00057 2003/ 12 LEVEL 4Omega (input) -Factor # 3 0 -4.22 .927 .0000 -4.55 INPUT SERIES X4 I~P00007 1999/ 10 PULSE 5Omega (input) -Factor # 4 0 -8.59 3.30 .0113 -2.60 INPUT SERIES X5 I~S00003 1999/ 6 SEASP 6Omega (input) -Factor # 5 0 4.20 1.37 .0031 3.06 Y(T) = 16.589 +[X1(T)][(- 6.8832 )] +[X2(T)][(+ 15.4114 )] +[X3(T)][(- 4.2166 )] +[X4(T)][(- 8.5886 )] +[X5(T)][(+ 4.2030 )] + [A(T)]

We use gun suicide as a proxi for gun availability: part of homicide decline is explained by gun control (R2 = .69 AIC= 512)

THE ESTIMATED MODEL PARAMETERS MODEL COMPONENT LAG COEFF STANDARD P T # (BOP) ERROR VALUE VALUE 1CONSTANT 28.7 12.7 .0269 2.26 2Autoregressive-Factor # 1 3 .500 .943E-01 .0000 5.30 3Autoregressive-Factor # 2 1 .380 .106 .0006 3.57 INPUT SERIES X1 M_PROXIARMAS 4Delta (output)-Factor # 3 1 .525 .137 .0003 3.82 5Omega (input) -Factor # 4 0 1.34 .305 .0000 4.40 INPUT SERIES X2 I~S00063 2003/ 5 SEASP 6Omega (input) -Factor # 5 0 60.6 13.9 .0000 4.35 INPUT SERIES X3 I~P00007 1998/ 9 PULSE 7Omega (input) -Factor # 6 0 69.1 19.9 .0008 3.48 INPUT SERIES X4 I~P00033 2000/ 11 PULSE 8Omega (input) -Factor # 7 0 51.8 20.1 .0118 2.58 Y(T) = 194.92 +[X1(T)][(1- .525B** 1)]**-1 [(+ 1.3405 )] +[X2(T)][(+ 60.6161 )] +[X3(T)][(+ 69.1371 )] +[X4(T)][(+ 51.7989 )] + [(1- .500B** 3)(1- .380B** 1)]**-1 [A(T)]

We also use guns losts as a proxi for gun availability: part of homicide decline is explained by gun control (R2 = .65 AIC= 456)

THE ESTIMATED MODEL PARAMETERS MODEL COMPONENT LAG COEFF STANDARD P T # (BOP) ERROR VALUE VALUE 1CONSTANT 8.85 6.45 .1747 1.37 2Autoregressive-Factor # 1 1 .454 .102 .0000 4.45 INPUT SERIES X1 M_PERDARMA 3Delta (output)-Factor # 2 1 .887 .480E-01 .0000 18.48 4Omega (input) -Factor # 3 2 1.20 .312 .0003 3.83 INPUT SERIES X2 I~S00038 2002/ 5 SEASP 5Omega (input) -Factor # 4 0 40.8 13.1 .0027 3.12 INPUT SERIES X3 I~S00010 2000/ 1 SEASP 6Omega (input) -Factor # 5 0 25.4 9.28 .0079 2.74 INPUT SERIES X4 I~S00016 2000/ 7 SEASP 7Omega (input) -Factor # 6 0 26.9 10.2 .0102 2.65 Y(T) = 143.35 +[X1(T)][(1- .887B** 1)]**-1 [(+ 1.1963 B** 2)] +[X2(T)][(+ 40.8272 )] +[X3(T)][(+ 25.4371 )] +[X4(T)][(+ 26.8771 )] + [(1- .454B** 1)]**-1 [A(T)]

Gun suicide (proxi for guns) and gun agression (first differencied series)

DIFF(AGREARMA,1)

806040200-20-40-60-80D

IFF

(SU

ICID

IO,1

)

30

20

10

0

-10

-20

-30

Model Summaryb

,338a ,114 ,088 32,46965Model1

R R SquareAdjustedR Square

Std. Error ofthe Estimate

Predictors: (Constant), dummy para estatuto dodesarmamento, DIFF(SUICIDIO,1)

a.

Dependent Variable: DIFF(DATASUS,1)b.

ANOVAb

9091,305 2 4545,652 4,312 ,017a

70636,638 67 1054,278

79727,943 69

Regression

Residual

Total

Model1

Sum ofSquares df Mean Square F Sig.

Predictors: (Constant), dummy para estatuto do desarmamento, DIFF(SUICIDIO,1)a.

Dependent Variable: DIFF(DATASUS,1)b.

Coefficientsa

-,887 4,339 -,204 ,839

,810 ,276 ,338 2,935 ,005

-,480 9,703 -,006 -,049 ,961

(Constant)

DIFF(SUICIDIO,1)

dummy para estatutodo desarmamento

Model1

B Std. Error

UnstandardizedCoefficients

Beta

StandardizedCoefficients

t Sig.

Dependent Variable: DIFF(DATASUS,1)a.

Date

JAN 2005

SEP 2004

MAY 2004

JAN 2004

SEP 2003

MAY 2003

JAN 2003

SEP 2002

MAY 2002

JAN 2002

SEP 2001

MAY 2001

JAN 2001

SEP 2000

MAY 2000

JAN 2000

SEP 1999

MAY 1999

400

300

200

100

0

agressões intenciona

is por arma de fogo

suicídio com arma de

fogo - Datasus

Date

JAN 2005

SEP 2004

MAY 2004

JAN 2004

SEP 2003

MAY 2003

JAN 2003

SEP 2002

MAY 2002

JAN 2002

SEP 2001

MAY 2001

JAN 2001

SEP 2000

MAY 2000

JAN 2000

SEP 1999

MAY 1999

8

6

4

2

0

-2

-4

Zscore: DIFF(SUICID

IO,1)

Zscore: DIFF(DATASU

S,1)