SEGURANÇA PÚBLICA E INTELIGÊNCIA ARTIFICIAL: UM ESTUDO GEORREFERENCIADO PARA O DISTRITO FEDERAL

Abstract

O presente estudo realizou um estudo de georreferenciamento para a ocorrência de crimes violentos e contra o patrimônio com base em dados do ano de 2013 da Pesquisa Distrital por Amostra de Domicílios (PDAD), mediante metodologias inovadoras de aprendizado de máquinas – uma área do conhecimento recente e que vem, cada vez mais, sendo explorada por pesquisas científicas de ponta em nível global em aplicações diversas. Realizou-se um levantamento bibliográfico sistemático da literatura acadêmica correlata, culminando na seleção e fundamentação de 50 variáveis explicativas presentes na base de dados que subsidiam a previsão de ocorrências futuras de crimes nas 31 Regiões Administrativas do Distrito Federal. Para o cômputo das previsões, foram consideradas as metodologias de regressão logística, classificador Bayes ingênuo (Naive-Bayes), árvore de decisão random forest e máquina de vetores de suporte (Support Vector Machine). Cada conjunto de previsões foi avaliado mediante três métricas de desempenho (acurácia, precisão e revocação) e georreferenciadas com a malha digital do Distrito Federal, gerando mapas que ilustram diferentes gradações da propensão à criminalidade de cada Região Administrativa. Os resultados mostram que as previsões atingiram alta aderência aos dados reais, evidenciando que, com base nas variáveis explicativas escolhidas, a ocorrência de crimes no Distrito Federal possui um grau razoável de previsibilidade, visto pelo mapeamento de zonas de alta propensão a crimes. Os resultados obtidos são de grande valia para a sociedade civil e gestores de políticas públicas, os quais podem utilizá-los como insumo para fundamentar a formulação e execução de medidas de segurança pública de intervenção ex-post e políticas de desenvolvimento social de intervenção ex-ante para combater a criminalidade e promover o bem-estar da população nessa região.