Introdução

A criminalidade é um dos principais problemas sociais que afetam a qualidade de vida das pessoas e a segurança pública. Analisar dados de crimes de forma anual pode ajudar a identificar padrões e tendências, detectar mudanças ao longo do tempo e fornecer insights valiosos para a formulação de políticas públicas e estratégias de segurança. Neste projeto, focaremos na análise dos dados de crimes na Índia de forma anual, entre os anos de 2020 e 2024.

Utilizando um conjunto de dados disponível publicamente, que inclui informações sobre diferentes tipos de crimes (como homicídios, roubos, violência doméstica, entre outros), além de dados geográficos (estados e cidades), demográficos (idade e gênero das vítimas) e temporais (datas em que os crimes ocorreram), buscaremos identificar fatores correlacionados com taxas de criminalidade e auxiliar na alocação mais eficiente de recursos policiais.

A análise anual permitirá um exame detalhado das variações na criminalidade ao longo do tempo, oferecendo uma base sólida para decisões políticas e estratégicas visando a redução de crimes e a melhoria da segurança pública.

Pacotes Requeridos

list.of.packages <- c("ggplot2", "dplyr", "lubridate", "DT", "purrr")
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages, repos = "http://cran.us.r-project.org" )

library(ggplot2)
library(dplyr)
library(lubridate)
library(DT)
library(purrr)

Preparação dos Dados

Este conjunto de dados captura um panorama abrangente das atividades criminosas em várias cidades indianas de 2020 a 2024. Ele inclui informações detalhadas sobre o tipo de crime, a data e hora da ocorrência, a arma utilizada, as características demográficas das vítimas e o nível de policiamento empregado.

Foi feita a leitura do dataset e a substituição dos valores vazios para NA, que representa valores ausentes ou indefinidos em R.

df <- read.csv("crime_dataset_india.csv")
df[df == ""] <- NA

Conversão de strings para objetos de data e hora.

df$Date.Reported <- dmy_hm(df$Date.Reported)

df$Date.Case.Closed <- dmy_hm(df$Date.Case.Closed)

df$Time.of.Occurrence <- dmy_hm(df$Time.of.Occurrence)

Criação da coluna de ocorrência.

df$Year <- year(df$Time.of.Occurrence)

Remoção de colunas que não seriam necessárias para a análise.

df <- subset(df, select = -Date.of.Occurrence)
df <- subset(df, select = -Weapon.Used)
df <- subset(df, select = -Crime.Domain)

Análise Exploratória dos Dados

crime_types_plot <- function(data) {
  ggplot(data, aes(x = reorder(Crime.Description, -table(Crime.Description)[Crime.Description]), fill = Crime.Description)) +
    geom_bar() +
    theme(axis.text.x = element_text(angle = 90, hjust = 1)) +
    labs(title = "Distribuição de Tipos de Crime", x = "Tipo de Crime", y = "Contagem") +
    scale_fill_manual(values = scales::hue_pal()(length(unique(data$Crime.Description)))) +
    theme(legend.position = "none")
}

yearly_crime_types <- create_yearly_plot(df, crime_types_plot)

walk(names(yearly_crime_types), ~{
  print(yearly_crime_types[[.x]])
})

victim_age_plot <- function(data) {
  ggplot(data, aes(x = Victim.Age)) +
    geom_histogram(binwidth = 5, fill = "skyblue", color = "black") +
    labs(title = "Distribuição da Idade das Vítimas", x = "Idade da Vítima", y = "Contagem") +
    theme_minimal()
}

yearly_victim_age <- create_yearly_plot(df, victim_age_plot)

walk(names(yearly_victim_age), ~{
  print(yearly_victim_age[[.x]])
})

Conclusão

A análise dos dados de crimes na Índia entre 2020 e 2024 revelou insights significativos sobre a criminalidade ao longo dos anos, permitindo uma compreensão mais profunda das dinâmicas criminais e da eficácia das estratégias de segurança pública. Através da exploração anual dos dados, foram identificados padrões importantes e áreas que necessitam de atenção especial:

Distribuição dos Tipos de Crime: Observou-se uma variação na prevalência dos tipos de crime ao longo dos anos. Isso pode indicar mudanças nos padrões de criminalidade ou no comportamento criminoso. Autoridades podem usar essas informações para ajustar as estratégias de prevenção e resposta.

Criminalidade por Cidade: A distribuição geográfica dos crimes evidenciou quais cidades enfrentam maiores desafios em termos de criminalidade. Esta informação é crucial para a alocação eficiente de recursos policiais e o desenvolvimento de políticas locais de segurança.

Gênero das Vítimas: A análise revelou padrões de vitimização baseados no gênero. Esses dados podem auxiliar na criação de programas de prevenção direcionados e na elaboração de estratégias de apoio para grupos mais vulneráveis.

Idade das Vítimas: A distribuição etária das vítimas mostrou quais faixas etárias estão mais expostas a certos tipos de crimes. Isso pode orientar campanhas de conscientização e políticas de proteção específicas para diferentes grupos etários.

Implantação Policial: A análise do número de policiais implantados por tipo de crime ajudou a avaliar a eficiência da resposta policial e a identificar possíveis lacunas na cobertura policial. Ajustes na alocação de recursos podem ser feitos com base nesses insights.

Taxa de Resolução de Crimes: A taxa de resolução variou entre os tipos de crime, indicando áreas onde a eficácia das investigações pode ser aprimorada. Estratégias específicas podem ser desenvolvidas para melhorar as taxas de resolução e a eficácia das investigações.

Em resumo, a análise anual dos dados de crimes forneceu uma visão abrangente dos padrões criminais na Índia durante o período estudado. Esses insights são valiosos para a formulação de políticas públicas, o planejamento estratégico de segurança e a alocação de recursos. A continuidade da análise e a integração de novos dados são essenciais para manter e aprimorar a eficácia das estratégias de combate ao crime.