As interações sociais e as atividades econômicas mudaram com o surto e a disseminação da Covid-19 em todo o Brasil. Estas mudanças estão diretamente relacionadas com a septicemia da doença e com as medidas preventivas e de controle de segurança, a fim de evitar o contágio e a propagação exponencial do vírus (TJENDRA et al., 2020). Além das medidas de isolamento e distanciamento social das pessoas, bem como das orientações quanto ao uso de máscaras e higienização frequente das mãos, autoridades municipais e estaduais do Brasil emitiram decretos com o objetivo de regulamentar, fiscalizar e até inibir atividades econômicas que, de alguma forma, gerassem aglomerações e movimentação de pessoas. Apenas o funcionamento de algumas atividades classificadas como essenciais (supermercados, hospitais, serviços de pagamento) foi autorizado e fiscalizado pelas autoridades competentes.

Em conjunto, essas medidas afetaram a oferta e a demanda de outros mercados, como transporte aéreo, transporte público, indústria, serviços de comércio e educação, intermediação financeira e turismo (SILVA, 2021). Ademais, mudaram o cotidiano, o ambiente doméstico e o comportamento das pessoas. Familiares passaram a conviver mais tempo juntos durante o dia, dividindo e adaptando o mesmo espaço físico da casa para trabalhos de “home office”, a realizar compras online (e-commerce), ficando mais preocupados com o risco de perda de emprego e renda, ajustando o orçamento familiar, priorizando gastos essenciais e suspendendo a compra de bens duráveis e supérfluos (JONKER et al., 2020; MCKIBBIN; FERNANDO, 2020).

Na pandemia da Covid-19, as pessoas mudaram suas atividades rotineiras, pois reduziram a circulação nas ruas com a intenção de tentar conter a transmissão do Coronavírus e isso pode ter imposto dificuldades na realização de assaltos nas ruas. No entanto, a pandemia pode ter aumentado os crimes dentro das residências, uma vez que as pessoas passaram a ficar mais tempo em casa (PINTO et al., 2022). O tempo prolongado nas residências, agravado por dificuldades financeiras, pode ter criado oportunidades para a violência doméstica, na medida em que a exposição da vítima aumenta com o isolamento (UN WOMEN, 2020).

Nesse contexto, Barton (1970) e Drabek (1986) indicam que uma alteração no comportamento coletivo pode afetar o comportamento criminoso. Ao tratarem sobre as mudanças do comportamento criminoso em eventos excepcionais, os estudos desses autores inspiraram o surgimento de diversos estudos aplicados na literatura internacional (e.g. GROSS; SCOTT, 2021; FELSON; STICKLE, 2020; NEANIDIS; RANA, 2021; HALFORD et al., 2020). Em comum, esses estudos avaliaram o impacto da Covid-19 sobre o crime (i.e. sexuais, agressão comum, violência doméstica, agressão grave) em países desenvolvidos, cujos resultados conclusivos apontam para queda da criminalidade no período da pandemia. Como forma de contribuir para essa literatura internacional, este artigo avança e complementa o debate em curso, ao analisar o comportamento criminoso em regiões em um estágio inferior de desenvolvimento, como as regiões brasileiras. Esta pesquisa escolheu o estado de São Paulo justamente porque ele apresenta a maior representatividade econômica e populacional do país, além de oferecer dados estatísticos mais regulares para a análise de estudo.

Para acomodar este problema de pesquisa, a análise procede de uma estratégia metodológica que combina técnicas de Análise de Componentes Principais (ACP) e de Análise Qualitativa Comparativa (QCA) sobre um conjunto de variáveis aleatórias nos anos de 2019 e 2020. A ACP permite identificar os crimes mais representativos na formação do componente principal, cujo índice será avaliado na QCA em uma etapa posterior. O segundo método, o QCA, utiliza a lógica dos conjuntos para avaliar a relação entre criminalidade e as variáveis socioeconômicas (densidade demográfica, desemprego, PIB per capita e abandono escolar). Pela identificação das inúmeras combinações dos conjuntos é possível observar os diferentes caminhos causais que resultam na criminalidade.

Ademais, a análise envolve as ocorrências ilegais associadas à circulação de pessoas nas ruas (roubos e furtos), os crimes domésticos, visto que o isolamento social aproximou vítima e agressor no mesmo local e por mais tempo, e os crimes relacionados às drogas, pois o fechamento temporário de aeroportos e portos pôde represar o transporte de drogas, contraindo sua circulação e venda, dessa maneira, espera-se que esse produto ilícito circule mais dentro das próprias cidades.

Inédita, a pesquisa inova ao analisar o efeito da pandemia pela Covid-19 sobre os crimes nos municípios paulistas. Para tanto, considera-se três perspectivas: a) A influência da pandemia para a ocorrência dos diferentes tipos de crimes; b) A análise do efeito do isolamento social sobre os crimes de maneira geral; e c) O efeito de controles, como as variáveis socioeconômicas, que possam explicar melhor o comportamento da criminalidade na pandemia.

Além desta introdução, o artigo está organizado em mais quatro seções articuladas entre referencial teórico, metodologia, resultados e conclusão. A segunda seção contém as bases teóricas e os estudos aplicados sobre a economia do crime; a terceira parte, o processo metodológico para a construção dos modelos; na quarta, são apresentados os resultados da ACP e QCA; e na última seção, as conclusões.

A economia do crime é uma área do conhecimento que busca compreender a criminalidade sob a ótica de um economista. O tema surge no contexto econômico entre as décadas de 1960 e 1970, com os estudos de Becker (1968) e Ehrlich (1996); portanto, precursores no desenvolvimento de um modelo teórico e econômico relacionado ao crime (SALVIATO; MOURÃO, 2016). Para Becker, a indústria do crime é como outra qualquer, em que a existência, o crescimento e o decrescimento resultam das forças de mercado. As pessoas escolhem como alocar seu tempo e seus talentos entre atividades legais e/ou ilegais, impulsionadas por expectativas de retorno líquido. A teoria de Becker não envolve questões morais ou éticas, todas as pessoas são potencialmente criminosas, pois estão sujeitas a raciocínios econômicos que comparam ganhos esperados e custos, considerados comuns nas atividades criminosas (CLEMENTE; WELTERS, 2007).

De maneira geral, para Becker (1968), um modelo ótimo de combate ao crime deve considerar as seguintes relações individuais: o custo financeiro de cometer crimes, o número de crimes, o percentual de prisões e condenações, o percentual de crimes que são punidos com eficiência, os gastos efetivos com polícia e as despesas com o sistema judiciário e carcerário. Portanto, coeteris paribus1, um aumento na probabilidade de punição e prisão provoca uma redução da quantidade de delitos que venham a ocorrer (SANTOS; CASAGRANDE; HOECKEL, 2015).

A base teórica de Becker não mudou significativamente ao longo dos anos. Assim, coube ao autor construir um referencial teórico capaz de atribuir notoriedade acadêmica ao problema da criminalidade. No entanto, Becker não realizou nenhum estudo econométrico2. Posteriormente, com o desenvolvimento da economia do crime, os autores preencheram essa lacuna e passaram a utilizar bases de dados cada vez mais detalhadas em seus estudos, ou seja, é cada vez mais recorrente o uso de variáveis socioeconômicas para a análise sobre a criminalidade.

Segundo Halicioglu (2012), as variáveis que se relacionam com as ocorrências criminais são divididas em três categorias. Nesse caso, algumas variáveis exercem efeito positivo e outras, efeitos negativo sobre a criminalidade: i) variáveis econômicas: desemprego, taxas de juros, PIB, desigualdade de renda, inflação, nível de renda e seguro desemprego (seguro trabalhista); ii) variáveis sociodemográficas: densidade populacional, número de filhos por mulher, taxa de urbanização, idade da população, taxa de divórcio e número de membros da família; e iii) detenção: variáveis relacionadas com a capacidade que os esforços públicos e privados têm de ditar a prisão de criminosos, por exemplo, contingente policial, apreensão de criminosos e gastos com segurança pública (HALICIOGLU, 2012).

No primeiro grupo de variáveis, Winkelmann e Papps (1998) verificaram que o desemprego na Nova Zelândia, entre 1984 e 1996, não explica a variação na totalidade dos crimes, porém mostrou-se importante para determinar os crimes contra o patrimônio. Ademais, Beato Filho e Reis (2000), ao analisarem se variáveis socioeconômicas tinham alguma correlação com o crime no estado de Minas Gerais, em 1991, concluíram que o desemprego não influencia as taxas de criminalidade.

Pereira (2017) analisou como a renda influencia a criminalidade nos municípios brasileiros e concluiu que em locais com maior PIB, o número de crimes tende a ser menor. No entanto, o crime violento é prevalente em comunidades com escassez de recursos. Porém, informa que os crimes contra o patrimônio (roubos e furtos) ocorrem em regiões mais ricas (alto PIB). No segundo grupo de variáveis, as taxas de criminalidade se correlacionam com a população apenas quando o crescimento populacional é não planejado ou desordenado, de forma que a população é privada de aspectos importantes para uma boa qualidade de vida e moradia (ANDRADE, 2020).

Para Araújo (2002), cidades com alta densidade demográfica são favoráveis ao comportamento criminoso, pois facilitam a transmissão do conhecimento a potenciais criminosos, reduzindo o custo de execução e planejamento do crime. Criminosos de classes sociais mais baixas tendem a cometer os mesmos tipos de crimes, pois convivem e se comunicam com pessoas do mesmo meio. Por sua vez, criminosos de classes sociais mais altas têm acesso a outro tipo de aprendizado, o que permite a execução de crimes mais elaborados, sobretudo mais rentáveis.

Em relação às variáveis de detenção, os estudos usam a elasticidade para observar a relação entre policiamento e criminalidade. Levitt (1997) utilizou um painel de efeito fixo para 59 cidades americanas entre os anos de 1970 e 1992 e encontrou elasticidades de: -0.07 para estelionato, -0.58 para assassinatos e -1.23 para roubos e veículos. Cornwell e Trumbull (1994), ao utilizarem as variáveis de probabilidade de captura, condenação de prisão e quantidade de policial por habitante (polícia per capita), em uma análise em painel de efeito fixo para as cidades da Carolina do Norte, encontraram elasticidade negativa para as duas primeiras variáveis, mas elasticidade positiva para o policiamento.

Para a análise da Covid 19 em um âmbito internacional, Neanidis e Rana (2021) analisaram os efeitos dos bloqueios induzidos pelo coronavírus em crimes na Inglaterra, concluindo que os bloqueios diminuíram o comportamento criminoso, com exceção de crime envolvendo drogas e crimes contra a ordem pública. Outro estudo que buscou entender a relação entre isolamento social e criminalidade foi elaborado por Payne, Morgan e Piquero (2020), na Austrália. Para os autores, os crimes de agressão sexual e agressão grave diminuíram em abril de 2020, período em que o distanciamento social foi mais intensificado.

Halford et al. (2020) examinaram o impacto do isolamento social sobre os crimes no Reino Unido. Nesse caso, os autores verificaram que os crimes diminuíram: furto (-62%), violência doméstica (-45%) e furto de veículos (-43%). Para os Estados Unidos, Mohler et al. (2020) verificaram o impacto da Covid-19 nas cidades de Los Angeles e Indianápolis, entre janeiro e abril de 2020. Para os autores, os roubos foram menores em Indianápolis após a permanência em casa, entretanto a diminuição não foi estatisticamente significativa; porém, as agressões não sofreram mudança em Indianápolis e em Los Angeles, contrariamente, os crimes de violência doméstica tiveram um crescimento.

No Brasil, a criminalidade também teve uma redução. Os dados do Anuário Brasileiro de Segurança Pública de 2020 indicam que roubos a residências diminuíram cerca de 16%, roubos a pessoas circulando nas ruas reduziram em 34%, roubos de veículos caíram em 22,5%, roubos de cargas diminuíram em 25,7% e roubos a comércio decaíram em 18,8%. Ricas (2021) e Clemente et al. (2020), ao analisarem a evolução dos crimes contra a pessoa e o patrimônio no estado do Rio Grande do Sul, no período de janeiro de 2017 a maio de 2020, verificaram que, enquanto roubos e crimes contra o patrimônio apresentaram decréscimos, o estelionato aumentou em torno de 47%, pois devido às pessoas permanecerem em casa, tornaram-se alvos mais fáceis para crimes virtuais.

Finalmente, fazendo a comparação entre países desenvolvidos, países em desenvolvimento e o Brasil, percebe-se que a criminalidade foi afetada de forma diferente, ou seja, enquanto nos países desenvolvidos a pandemia parece ter sido um fator que baixou acentuadamente a criminalidade, a queda não foi tão marcante nos países em desenvolvimento. Assim, cabe analisar se fatores externos como altas taxas de desemprego e piores condições de vida podem ter influenciado na magnitude da queda, bem como associar variáveis socioeconômicas à criminalidade para ter uma visão ampla do fenômeno.

A estratégia metodológica combina técnicas de Análise de Componentes Principais (ACP) com Análise Qualitativa Comparativa (QCA) sobre um conjunto de variáveis aleatórias nos anos de 2019 e 2020. A partir da ACP, identificam-se os crimes com maior representatividade na formação do componente principal. Em seguida, um índice geral de criminalidade é criado para ser usado na QCA.

A ACP é uma técnica estatística de análise multivariada que permite a investigação com grande número de dados disponíveis. Além disso, a ACP identifica as medidas responsáveis pelas maiores variações entre os resultados, sem perdas significativas de informações. Para isso, a técnica transforma um conjunto de variáveis originais em outro conjunto reduzido, os componentes principais de dimensões equivalentes (JOHNSON; WICHERN, 2007). Essa transformação, que busca eliminar algumas variáveis originais que possuam pouca informação, ocorre com a menor perda de informação, sendo que a redução somente é possível se as variáveis iniciais forem independentes e tiverem coeficientes de correlação não nulos (JOHNSON; WICHERN, 2007).

Algebricamente, os componentes principais são combinações lineares das p variáveis aleatórias, z1, z2, z3 ... zp e dependem exclusivamente da matriz de covariância (ou matriz de correlação) dessas variáveis. Além disso, os componentes principais dispensam a suposição de normalidade multivariada. Pode-se, pois, expressar os componentes principais conforme o seguinte sistema de equações lineares:

Y1 = a1´= a11Z1+ a12Z2+ ... + a1pZp (1)

Y2 = a2´= a22Z2+ a22Z2+ ... + a2pZp (2)

.

.

.

Yp = ap´= ap1Z2+ ap2Z2+ ... + appZp (3)

De acordo com Johnson e Wichern (2007), o primeiro componente é aquele cuja combinação possui variância máxima, ou seja, que maximiza Var ( a1´Z) sujeito a a1´a1= 1. Além disso, a ACP recorre-se dos autovalores e respectivos autovetores normalizados da matriz de correlação pela qual é possível a visualização do melhor componente, que é o que melhor resume as informações de uma base de dados (VERDINELLI, 1980).

Após a extração dos autovalores e autovetores, é possível ranquear os componentes. Os três principais componentes (que têm os melhores resultados) devem expressar o máximo de variabilidade total dos dados. Os componentes não devem se correlacionar uns com os outros, dessa maneira, o primeiro componente não deve estar correlacionado com o segundo, nem o segundo com o terceiro, nem o terceiro com o primeiro ou com o segundo; isso deve ocorrer até o momento em que os Componentes Principais representam mais de 70% da variância total dos dados, conforme postula o critério de Pearson (CECCONELLO; CENTENO; GUEDES, 2018).

Este critério é complementado com o de Kaiser. O critério de Kaiser consiste em adicionar somente aqueles componentes cujos valores próprios sejam maiores que 1. Este critério tende a incluir poucos componentes quando o número de variáveis originais é inferior a vinte, uma vez que, de maneira geral, utilizam-se componentes que sintetizam a variância acumulada em torno de 70% (KAISER, 1958; CATTELL, 1966). Por fim, complementa-se aos critérios o teste de KMO, a fim de avaliar a adequação da matriz de correlação (JOHNSON; WICHERN, 2007).

Por seu turno, a QCA é apropriada para analisar causalidade complexa em termos de condições (combinação de condições) necessárias e suficientes, isto é, explorar os padrões complexos de relacionamento entre os conjuntos que descrevem condições estabelecidas na literatura, e assim, permitir ao pesquisador interpretar os padrões que são potencialmente causais, mostrados pelos objetos sobre investigação (SCHNEIDER; WAGEMANN, 2012). As técnicas QCA e suas aplicações foram criadas com o objetivo de tratar uma quantidade pequena de observações e de fornecer uma abordagem macro comparativa. A QCA tem particularidades e seus procedimentos, assim como sua metodologia, diferenciam-se em relação às demais técnicas. As variáveis explicativas são mostradas como condições e a variável dependente é denominada resultado (MONTENEGRO, 2016).

A QCA é baseada na teoria dos conjuntos, que permite avaliar o pertencimento dos casos de uma estrutura de dados em determinados conjuntos, identificando as relações presentes entre certos conjuntos, além de interpretar essas relações em termos das propriedades de suficiência e necessidade (SCHNEIDER; WAGEMANN, 2012). Por meio da ideia de pertencimento, a QCA identifica como certos conjuntos, combinados ou não, estão presentes ou ausentes de um fenômeno de interesse. Por meio das operações dos conjuntos (intersecção, união e negação) são estabelecidas as relações entre os conjuntos.

Quando se está diante de um fenômeno de causalidade complexa, como é o caso dos crimes, altas taxas de crimes podem ocorrer em locais com PIB alto ou com alta densidade demográfica. Entretanto, essas relações podem acontecer de diferentes maneiras, dependendo das condições associadas; no caso, levando em considerando apenas uma única condição potencial: o isolamento social associado com a criminalidade. A partir daí, se introduz outras condições (desemprego, PIB per capita, evasão escolar) que delimitam as condições para ocasionar os crimes. As configurações resultantes servem como tipologias empíricas úteis para a análise comparativa (FERREIRA, 2017).

Para a análise da QCA, existem dois tipos de informações possíveis de se operacionalizar: os conjuntos Fuzzy e os conjuntos Crisp, também denominado conjuntos Booleano (RAGIN, 1987). O conjunto Crisp é um conjunto binário convencional, com apenas duas categorias de informações, zero ou um; assim, este conjunto é utilizado para a construção da tabela verdade. Já o conjunto Fuzzy permite a calibração do grau de associação da combinação utilizando scores, cujos intervalos variam de 0 a 1.

O diferencial do conjunto Fuzzy reside na possibilidade de escalonar diferentes scores de associação e, consequentemente, fornece associações parciais e complexas (GANTER; HECKER, 2014). Explicando de outro modo, ao invés de se desagregar casos em um determinado número de variáveis independentes, a QCA permite conceituar em combinações de atributos expressivos pelas suas combinações.

Para a avaliação da QCA é preciso observar as medidas de consistência e cobertura (BETARELLI; FERREIRA, 2018). A medida de consistência é uma medida descritiva que mede o grau de proximidade da relação entre os conjuntos, desse modo, avalia a intensidade em que os casos que compartilham uma determinada condição (ou combinação de condições) colaboram com o resultado. Quanto mais próximo de 1, maior a consistência dos dados com a afirmação de que X é um subconjunto de Y ou, em termos lógicos: “se X, então Y (x ≤ y)”.

IXY = min(xi,yi)∑xi (4)

A medida de cobertura é uma medida de quantificação da relevância empírica de uma condição ou combinação causal no conjunto das combinações causais. Ela se assemelha ao coeficiente de determinação no contexto econométrico. Dito de outro modo, a cobertura avalia a parcela dos elementos que estão presentes em x e y em relação ao total de casos em y [0,1]. Uma alta cobertura denota que a configuração específica tem relevância empírica quanto ao resultado (Y).

CXY = min(xi,yi)∑yi (5)

Porém, a classificação final de algumas configurações como suficientes é uma parte relevante da QCA. Depois que as configurações suficientes foram determinadas, pode-se usar a álgebra booleana para reduzir as configurações, por exemplo: se ambos a.B.C e A.B.C foram classificados como suficientes, isso reduziria para B.C. Essa redução é realizada via algoritmo Quine-McCluskey (LONGEST; VAISEY, 2008).

Em termos de dados, para a variável criminalidade, são utilizados crimes contra a vida, crimes contra o patrimônio e crimes de porte e tráfico de entorpecentes (Tabela 1). Os crimes contra o patrimônio são aqueles que atacam diretamente o patrimônio de uma pessoa ou organização, assim, o objeto do crime é qualquer coisa que tenha valor patrimonial. Os crimes que possuem essa característica são roubos e furtos.

Os crimes contra a vida são aqueles que podem resultar em morte, dolosa ou não. Os crimes que se enquadram nesta categoria do Direito Penal são: homicídio; induzimento, instigação ou auxílio ao suicídio; infanticídio; e as modalidades de aborto (BRASIL, 1940). Por fim, o crime de tráfico de droga está previsto no art. 33 da Lei 11.343/2006, que descreve diversas condutas que caracterizam o delito, vedando qualquer tipo de venda, compra, produção, armazenamento, entrega ou fornecimento, ainda que gratuito, de drogas sem autorização ou em desacordo com a legislação pertinente.

Tendo esses crimes como base para a pesquisa, os dados foram retirados do site da Secretaria de Segurança Pública do Estado de São Paulo e os crimes relacionados à mulher foram solicitados por meio do SIC (Serviço de Informação ao Cidadão), pois o site da SSP/SP não apresenta os dados desagregados por município. É importante ressaltar que os dados passaram por um procedimento de relativização para evitar erros de estimações (relativizados para 100 mil habitantes).

Este estudo também inclui na análise variáveis socioeconômicas, como densidade populacional, desemprego, PIB per capita e evasão escolar. A variável evasão escolar refere-se apenas ao ano de 2019, pois não houve aulas presenciais em 2020. A utilização dessa variável se deve ao fato de que quando uma pessoa abandona a escola, há maior chance dela cometer algum comportamento criminoso (GUIMARÃES, 2017; TEXEIRA, 2011).

A variável isolamento social foi elaborada com base nas informações do Community Mobility Reports, organizados pelo Google, onde esses relatórios mostram as tendências de deslocamento de pessoas nos municípios ao longo do tempo (diariamente), em diferentes locais, como: varejo, supermercados, parques, estações de trânsito, residências e locais de trabalho. A variável foi construída apenas com dados residenciais, o que significa que as pessoas cumpriram o distanciamento social ficando em casa. É importante ressaltar que essa variável foi utilizada apenas no ano de 2020, ano em que foi aplicado o isolamento social nos municípios paulistas.

A Tabela 2 reporta os dois principais componentes para os anos de 2019 e 2020, que atendem simultaneamente aos critérios Person e Kaiser4. Ou seja, ambos os componentes possuem autovalores maiores que 1 e expressam mais de 70% da variância total. O primeiro componente, em 2019, obteve um autovalor de 11,96 e, em 2020, atingiu 12.06. Por seu turno, o segundo componente, em 2019, relevou um autovalor de 1,7457 enquanto, em 2020, atingiu 1,7866. Ambos atingem aproximadamente 80% da variabilidade total dos dados aleatórios. Além disso, os resultados pela técnica de ACP atendem aos testes de alfa de Cronbach, independência e KMO. Nos testes de correlação, a maioria das variáveis apresentou um alfa de Cronbach com valores acima de 0,90, o que é considerado excelente para avaliar a confiabilidade das escalas das variáveis. Ao comparar a matriz de correlação e a identidade, observa-se que não eram iguais do ponto de vista estatístico, ou seja, o teste de esfericidade de Bartlett foi atendido. Por fim, o KMO apresentou valores maiores que 0,90, indicando que a matriz de correlação é adequada para a ACP.

Em ambos os anos, o primeiro componente, que representa 70% da variância total, capta nitidamente as variáveis aleatórias associadas entre roubos, furtos, homicídios, latrocínios, drogas e estupros. Trata-se, pois, de um índice geral de maneira que evidencia que estes tipos de crimes urbanos, externos ao lar, estão correlacionados para a economia paulista no período. Mais especificamente, na Tabela 2, observa-se que os crimes que mais contribuíram para a formação do componente 1, em 2019, foram furtos (outros) (0,2872), estupros (mulher) (0,2871) e estupros de vulnerável (0,2869). Entretanto, em 2020, houve uma redução e os crimes passaram a representar 0,2859, 0,2860 e 0,2854, respectivamente. De maneira geral, verifica-se que os crimes contra o patrimônio, roubos (outros), roubos de veículo, roubos de banco, roubos de carga, furtos (outros) e furtos de veículo diminuíram no ano de 2020. A redução dos crimes contra o patrimônio pode ser explicada pelo isolamento social, já que a baixa circulação de pessoas nas ruas levou a menos oportunidades para os criminosos.

Já os crimes contra a vida, também, diminuíram durante a pandemia da Covid-19. O homicídio apresentou uma pequena queda na formação do componente, em 2019, representando 0,2851, porém, em 2020, representou 0,2840. Com relação aos crimes envolvendo drogas, verifica-se que o porte de entorpecentes (drogas para o uso pessoal) aumentou durante o isolamento social. O aumento do uso de drogas durante a pandemia está associado a uma tentativa das pessoas de aliviar o estresse, a ameaça, a ansiedade e o desconforto (EEP, 2020). Todavia, a apreensão de drogas e o tráfico apresentaram um arrefecimento durante a pandemia.

Por seu turno, o segundo componente praticamente é formado por cargas significativas dos crimes contra as mulheres paulistas, como maus tratos, lesão corporal e ameaças. Este componente representou praticamente 10% da variância total dos dados e isolou certas variáveis que não exibem correlações significativas com os crimes supracitados no primeiro componente. Ou seja, como as variáveis de crime destacadas no primeiro componente correm, em geral, fora do lar, é possível sinalizar, em alguma medida, que os danos morais, as lesões corporais e as ameaças sofridas pelas mulheres devem ter ocorrido dentro da residência. Na formação deste segundo componente, destacam-se os crimes de maus tratos e as ameaças às mulheres, cujas variáveis aleatórias relevaram baixa correlação com os crimes urbanos, externos ao lar.

Cabe salientar que nos crimes relacionados a mulheres e crianças, as estimações mostram que, durante a pandemia da Covid-19, aumentaram os feminicídios (0,2493), os maus tratos (0,3411), as lesões corporais (0.6549) e as ameaças (0.6242). No entanto, houve uma diminuição nas notificações de estupro de vulnerável e estupro de mulheres. Segundo o Fundo de Emergência das Nações Unidas para Crianças (UNICEF, 2020), as denúncias de crimes domésticos foram menores, pois as vítimas tinham medo de denunciar os agressores e medo da contaminação pelo vírus. Esses dois fatores ajudaram a reduzir a demanda por serviços de segurança.

Na aplicação da QCA, as variáveis foram transformadas em conjuntos Fuzzy e o método de ranqueamento determinou um ponto de corte de 0,5 na amostra. A partir desse ponto, os valores foram considerados como altos e baixos, possibilitando observar o grau de pertencimento a um conjunto. A cada conjunto foi atribuída uma letra, muitas vezes, sendo a primeira letra da variável que foi transformada em conjunto, que se maiúscula (minúscula) retrata alta (baixa) probabilidade condicional dos casos em cada conjunto: C (crime), D (densidade demográfica), S (desemprego), P (PIB per capita), A (abandono escolar) e I (isolamento social).

A Tabela 3 fornece a matriz de suficiência e necessidade para os conjuntos dos anos de 2019 e 2020. O conjunto densidade demográfica (D) seria o mais suficiente para levar ao desfecho de crimes (C), pois existem 0.828 de suas possíveis áreas compartilhadas, no ano de 2019. Apesar dessa sobreposição significativa, não é possível inferir qual dos dois conjuntos está contido no outro. O menor coeficiente, em 2019, foi abandono escolar (A), indicando que altas taxas de abandono escolar não interferiram para a ocorrência de mais crimes nos municípios paulistas. No ano de 2020, o conjunto isolamento social (I) foi responsável por elevar a quantidade dos crimes em 0.675. Outro aspecto a ser considerado é uma maior homogeneidade dos resultados em 2020.

Além da investigação preliminar da matriz de suficiência e necessidade, são testadas as combinações lógicas que provocam ou estão associadas ao desfecho crime. Conforme Ferreira (2017), a lista de todas as combinações possíveis de condições, juntamente com a distribuição dos casos entre as combinações, permite distinguir as combinações com maior número de casos, em contradição, com os menores números de casos. Essa distribuição define os casos com grau de pertencimento acima de 0.5. Para realizar este procedimento é necessário selecionar pelo menos 75% – 80% dos casos que pertencem às combinações com mais elementos.

Assim, para a construção do Anexo A, foi considerado um ponto de corte de 0.80, onde conjuntos abaixo desse corte não são considerados subconjuntos consistentes. O Anexo A fornece 14 possíveis combinações lógicas que permitem um aumento da criminalidade em 2019 e 9 combinações de conjuntos no ano de 2020. Em 2019, existem 6 condições verdadeiras para o aumento dos crimes, que são: Dspa, DspA, DSpa, DSpA, DSPa e DSPA. Em 2019, a combinação DSPa está presente em 74 municípios paulistas que apresentam uma combinação de altas taxas de desemprego (S), grande densidade demográfica (D), PIB per capita alto (P) e baixo abandono escolar (A), que está associada a um aumento da criminalidade. Em 2020, observa-se que 137 municípios paulistas têm como característica alto PIB per capita (P), alta densidade demográfica (D), alta taxa de desemprego (S) e baixo isolamento social (i), associados a uma maior quantidade de crimes.

Após identificar as combinações lógicas dos conjuntos, o próximo passo é a aplicação do Quine – McCluskey, algoritmo de minimização que irá reduzir ainda mais os conjuntos. O método consiste em comparar a presença de uma determinada condição causal em uma combinação e a ausência dessa mesma condição em outra combinação, e assim reduzir a combinação. Após a redução, obtemos as três melhores combinações de conjuntos D*p e D*S, em 2019, e D*S*i e D*S*P, em 2020. Portanto, a redução dos conjuntos mostra que os municípios que tiveram alta densidade demográfica tenderam a ter maior índice de criminalidade, no ano de 2019. É importante ressaltar que a alta densidade demográfica precisou ser combinada como outra característica do município para gerar a criminalidade, como, baixo PIB (p) e alta taxa de desemprego (S).

Os resultados de cobertura bruta, consistência e cobertura única são reportados na Tabela 4. Quanto maior a taxa de cobertura, mais o conjunto C (crime) está contido nos outros conjuntos. Quando existem vários caminhos para um resultado, a cobertura específica pode ser pequena. Em geral, é necessária uma alta taxa de consistência, pois não é bom se a cobertura for alta e a consistência, baixa.

Nos quatro conjuntos, o índice de suficiência está acima de 0,70, o que demonstra, por exemplo, que um município com grande população e ao mesmo tempo altas taxas de desemprego é condição suficiente para muitos crimes. Essas duas condições aumentam a chance de um município ter muitos crimes em torno de 0,645. Além disso, a combinação de uma grande população com baixo PIB (p) tende a aumentar os crimes em torno de 0,556.

No ano de 2020, as 4 combinações (Anexo A) de conjuntos considerados verdadeiros para a obtenção de aumento de criminalidade foram reduzidas para 2 conjuntos. Observa-se que em municípios que tinham como características altas taxas de desemprego (S), densidade demográfica alta (D) e PIB per capita alto (P) tiveram chances de aumentar a ocorrência dos crimes em torno de 0,903. Além disso, as estimativas mostram que municípios que tiveram baixo isolamento social apresentaram um aumento de crimes em torno de 0,898, porém, o baixo isolamento dever ser combinado com altas taxas de desemprego (S) e densidade demográfica alta (D).

Por meio dos Anexo B e Anexo C é possível tirar algumas conclusões sobre a combinação entre os conjuntos que levam à ocorrência do conjunto crime. Em 2019, 6 combinações (Anexo A) resultaram na ocorrência de crimes. Na primeira combinação, o município com grande população gera maior chance de ocorrência de crime. A variável PIB per capita é a que menos contribuiu para a ocorrência da criminalidade, pois possui um menor número de combinações. Além disso, o alto PIB precisa estar associado a outras variáveis para resultar no conjunto crime. Em 2020, a variável desemprego participou de todas as combinações que resultaram em criminalidade, porém, no ano de 2019, este fato não aconteceu, o que demostra que a pandemia agravou as condições sociais.

Outro fato foi o deslocamento das atividades criminosas para outros municípios durante a pandemia. Esta constatação pode ser visualizada nas Figura 1 e Figura 2, que mostram como se distribuíram os crimes contra a vida, o patrimônio e os crimes ligados a drogas por 100 mil habitantes em 2019 e 2020. A frequência dos crimes é destacada de acordo com suas quantidades, que são devidamente identificadas com cores, de modo que a cor azul mais escura denota uma quantidade maior de crime e a cor mais clara, uma quantidade menor.

Os crimes mais frequentes em 2020, no primeiro ano da pandemia da Covid 19, foram: tráfico de entorpecentes, variando de 4.163 a 7.352; furto, variando de 87.9 a 164.4; e roubos, variando 66.7 a 127.5. Porém, apesar desses crimes serem os mais prevalentes, quando comparados a 2019, eles foram menores do que os crimes contra o patrimônio (roubo e furto), tendo uma participação menor. Em 2020, houve diminuição do latrocínio e o município de São Miguel Arcanjo apresentou a maior quantidade desse crime.

A ACP mostra que os crimes contra o patrimônio (roubos e furtos) e contra a vida tiveram uma redução no primeiro ano da pandemia, já que a baixa circulação de pessoas nas ruas dificultou a ação criminosa. Outro fato a ser destacado é o aumento dos casos de feminicídio, ameaça e lesão corporal contra as mulheres, entretanto, os casos de estupro diminuíram durante a pandemia; este resultado pode ter sido causado pela subnotificação dos casos, pois a pandemia aproximou vítima e agressor, o que pode ter dificultado a notificação. Por fim, a ACP mostra que houve aumento da posse de entorpecentes pela população durante a pandemia da Covid-19.

Posteriormente, a técnica QCA mostra quais características socioeconômicas dos municípios auxiliaram na ocorrência dos altos índices de criminalidade. Constata-se que locais que apresentaram baixo isolamento social tiveram índices de criminalidade mais elevados, em torno de 89,8%. Ademais, as informações da QCA permitem inferir que a pandemia aumentou o desemprego, pois, em 2019, essa variável não foi relevante para a formação do conjunto crime, porém, em 2020, o desemprego tornou-se importante. O fato de muitas pessoas terem perdido o emprego durante o isolamento social pode ter resultado no crescimento da criminalidade. Assim, a pandemia da Covid-19 tem se mostrado um problema grave que vai muito além de uma grave situação de saúde mundial.

A pesquisa, portanto, contribui para a identificação de crimes que tiveram um aumento durante a pandemia da Covid-19. Por meio destes resultados, as autoridades policiais podem focar mais no combate a esses crimes. Ao reconhecer que os problemas sociais se ampliaram nesse período, é possível criar políticas públicas para mitigar os efeitos negativos da pandemia na sociedade.