Introdução
O homicídio é uma das manifestações mais extremas e trágicas de violência humana, representando a interrupção deliberada ou acidental de uma vida por outra pessoa. Esse ato, que envolve implicações morais, sociais e legais. A análise dos homicídios ultrapassa a esfera individual, destacando-se como um problema social de grande magnitude, que afeta diretamente as vítimas, suas famílias e a coletividade.
Neste contexto, é importante compreender as causas e consequências dos homicídios, assim como suas diferentes classificações, incluindo homicídio doloso, quando há intenção de matar, e homicídio culposo, quando a morte ocorre por negligência ou imprudência. Segundo o artigo 121 do Código Penal Brasileiro, a pena varia de acordo com a gravidade do crime, indo de 6 a 20 anos para homicídios simples e de 12 a 30 anos para homicídios qualificados.
Para subsidiar análises sobre este tema, utilizou-se a base de dados “Homicidios_2021”, disponibilizada em formato Excel (.xlsx) e construída a partir de informações extraídas do site do IPEADATA (http://ipeadata.gov.br/Default.aspx). Foram consolidadas as seguintes bases para a formação da mesma “Numero de homícidio.xlsx”, “Número de homicídios do sexo feminino.xlsx”,” Número de homicídios do sexo masculino.xlsx”,” Número de homicídios de jovens de 15 a 29 anos do sexo feminino.xlsx” e “Número de homicídios de jovens de 15 a 29 anos do sexo masculino.xlsx”. A base de dados possui, 162 (cento e sessenta e dois) observações e 6 (seis) variáveis, das quais serão descritas posteriormente.
Objetivo
O objetivo desta análise é identificar estruturas e padrões presentes nos dados, agrupando-os com base em características ou propriedades comuns, facilitando a compreensão das relações e tendências subjacentes.
Materiais e Métodos
Pacotes Utilizados
Para a realização desta análise, foram utilizados diversos pacotes do R que oferecem funcionalidades específicas para leitura, manipulação, análise e visualização de dados. A seguir, são apresentados os principais pacotes:
- readxl: Para importação de arquivos Excel (.xlsx),
facilitando o carregamento da base de dados.
- dplyr: Para manipulação de dados, incluindo
filtragem, agregação e transformação.
- rio: Para importação e exportação de dados em
diversos formatos de forma simplificada.
- dlookr: Para análise exploratória de dados,
incluindo geração de estatísticas descritivas e identificação de
padrões.
- factoextra: Para visualização e interpretação de
análises de agrupamento e componentes principais.
- cluster: Para implementação de métodos de
agrupamento como k-means e hierárquico.
- MultivariateAnalysis: Para análises estatísticas
multivariadas, incluindo técnicas de agrupamento.
- dendextend: Para personalização e comparação de dendrogramas gerados em análises hierárquicas.
## package 'MultivariateAnalysis' successfully unpacked and MD5 sums checked
##
## The downloaded binary packages are in
## C:\Users\vitto\AppData\Local\Temp\RtmpaIdu6s\downloaded_packagesBanco de dados
A base de dados abaixo reúne informações sobre homicídios nos estados brasileiros em 2021, a tabela apresenta uma amostra dos dados, destacando os principais variáveis:
Descrição das variáveis em estudo
Posteriormente serão apresentadas as variáveis analisadas neste estudo, com suas respectivas definições e classificações.
- Estados Variável categórica que representa os 27 estados brasileiros, conforme listado a seguir:
- Acre
- Alagoas
- Amazonas
- Amapá
- Bahia
- Ceará
- Distrito Federal
- Espírito Santo
- Goiás
- Maranhão
- Minas Gerais
- Mato Grosso do Sul
- Mato Grosso
- Pará
- Paraíba
- Pernambuco
- Piauí
- Paraná
- Rio de Janeiro
- Rio Grande do Norte
- Rondônia
- Roraima
- Rio Grande do Sul
- Santa Catarina
- Sergipe
- São Paulo
- Tocantins
Numero de homicídio: Variável quantitativa referente ao número de homicídios registrados em 2021 por estado;
Número de homicídios do sexo feminino: Variável quantitativa referente ao número de homicídios do sexo feminino registrados em 2021 por estado;
Número de homicídios do sexo masculino: Variável quantitativa referente ao número de homicídios do sexo masculino registrados em 2021 por estados;
Número de homicídios de jovens de 15 a 29 anos do sexo feminino: Variável quantitativa referente ao número de homicídios de jovens de 15 a 29 anos registrados no ano de 2021 por estado;
Número de homicídios de jovens de 15 a 29 anos do sexo masculino: Variável quantitativa; referente ao número de homicídios de jovens de a 29 anos registrados no ano de 2021 por estado;
Análise de cluster
A análise de cluster, também conhecida como análise de agrupamento, tem como objetivo agrupar observações com base em suas características, visando alcançar homogeneidade dentro de cada grupo e heterogeneidade entre ele. Portanto o principal objetivo é agrupar elementos de um conjunto de dados de modo que observações semelhantes estejam no mesmo grupo (cluster) e observações diferentes estejam em grupos distintos.
Análise de Cluster Hierárquico
A Análise de Cluster Hierárquico é uma técnica utilizada para agrupar dados em clusters (grupos), de forma que os objetos dentro de um mesmo grupo sejam mais semelhantes entre si do que com os objetos de outros grupos.
O processo envolve a criação de um dendrograma, que é uma árvore hierárquica que ilustra as relações entre os clusters formados. Inicialmente, cada objeto é tratado como um cluster individual. A partir daí, os clusters mais próximos são combinados de maneira iterativa até que todos os objetos sejam agrupados em um único cluster.
Métodos de Agrupamento
Aglomerativo: Inicia com cada objeto como um cluster individual e, em seguida, combina iterativamente os clusters mais próximos até formar um único grupo.
Divisivo: Começa com todos os objetos em um único cluster e, progressivamente, divide esse cluster em subclusters menores, até que cada objeto se torne um grupo isolado.
As métricas de distância são fundamentais para medir a similaridade entre os objetos analisados. Algumas das métricas mais comuns incluem a distância euclidiana e a distância de Manhattan. A escolha da métrica de distância adequada é importante, pois ela pode influenciar significativamente os resultados da análise, sendo importante selecionar aquela que melhor se adequa ao contexto e às características dos dados em questão.
A interpretação dos resultados é feita através do dendrograma, onde a altura das ligações indica a distância entre os clusters. Essa altura auxilia na determinação do número ideal de clusters.
Vantagens:
Não requer pré-definição do número de clusters.
Visualização clara das relações através do dendrograma.
Flexível e ajustável a diferentes tipos de dados.
Desvantagens:
Sensibilidade a outliers, que podem distorcer a formação dos clusters.
A escolha da métrica de distância e do método de agrupamento pode ser subjetiva.
Alta complexidade computacional em grandes conjuntos de dados.
Em sequência, para dar continuidade à análise, a variável “Estado” será removida, pois será associada a números.
Correlação entre as variáveis
Será realizada a correlação entre as variáveis relacionadas aos homicídios, com o objetivo de identificar possíveis relações entre os diferentes fatores que podem influenciar essa ocorrência.
library(knitr)
# Garantir que as colunas estejam como numéricas
dados$`Numero de homicidio` <- as.numeric(dados$`Numero de homicidio`)
dados$`Numero de homicidios do sexo feminino` <- as.numeric(dados$`Numero de homicidios do sexo feminino`)
dados$`Numero de homicidios do sexo masculino` <- as.numeric(dados$`Numero de homicidios do sexo masculino`)
dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino` <- as.numeric(dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino`)
dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino` <- as.numeric(dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino`)
# Calcular as correlações entre as variáveis
correlacoes <- data.frame(
Variaveis = c(
"Numero de homicidio X Numero de homicidios do sexo feminino",
"Numero de homicidio X Numero de homicidios do sexo masculino",
"Numero de homicidio X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino",
"Numero de homicidio X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino",
"Numero de homicidios do sexo feminino X Numero de homicidios do sexo masculino",
"Numero de homicidios do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino",
"Numero de homicidios do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino",
"Numero de homicidios do sexo masculino X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino",
"Numero de homicidios do sexo masculino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino",
"Numero de homicidios de jovens de 15 a 29 anos do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino"
),
Correlacao = c(
cor(dados$`Numero de homicidio`, dados$`Numero de homicidios do sexo feminino`, use = "complete.obs"),
cor(dados$`Numero de homicidio`, dados$`Numero de homicidios do sexo masculino`, use = "complete.obs"),
cor(dados$`Numero de homicidio`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino`, use = "complete.obs"),
cor(dados$`Numero de homicidio`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino`, use = "complete.obs"),
cor(dados$`Numero de homicidios do sexo feminino`, dados$`Numero de homicidios do sexo masculino`, use = "complete.obs"),
cor(dados$`Numero de homicidios do sexo feminino`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino`, use = "complete.obs"),
cor(dados$`Numero de homicidios do sexo feminino`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino`, use = "complete.obs"),
cor(dados$`Numero de homicidios do sexo masculino`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino`, use = "complete.obs"),
cor(dados$`Numero de homicidios do sexo masculino`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino`, use = "complete.obs"),
cor(dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo feminino`, dados$`Numero de homicidios de jovens de 15 a 29 anos do sexo masculino`, use = "complete.obs")
)
)
# Exibir a tabela de correlações de forma organizada
kable(correlacoes, caption = "Correlacao entre variaveis relacionadas a homicidios", align = c("l", "c"))| Variaveis | Correlacao |
|---|---|
| Numero de homicidio X Numero de homicidios do sexo feminino | 0.9409057 |
| Numero de homicidio X Numero de homicidios do sexo masculino | 0.9996533 |
| Numero de homicidio X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino | 0.9385063 |
| Numero de homicidio X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino | 0.9838726 |
| Numero de homicidios do sexo feminino X Numero de homicidios do sexo masculino | 0.9317348 |
| Numero de homicidios do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino | 0.9488210 |
| Numero de homicidios do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino | 0.8774213 |
| Numero de homicidios do sexo masculino X Numero de homicidios de jovens de 15 a 29 anos do sexo feminino | 0.9336242 |
| Numero de homicidios do sexo masculino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino | 0.9874024 |
| Numero de homicidios de jovens de 15 a 29 anos do sexo feminino X Numero de homicidios de jovens de 15 a 29 anos do sexo masculino | 0.9155814 |
A análise das correlações entre variáveis relacionadas revelam,
Correlação muito forte (acima de 0.95): Observa-se uma forte associação entre homicídios totais e os homicídios de homens (sexos masculino e jovem masculino).
Correlação forte (entre 0.85 e 0.94): As correlações entre homicídios totais e homicídios de mulheres, bem como entre homicídios de diferentes grupos de jovens, também são significativas, mas não tão altas quanto a dos homens.
Correlação moderada (acima de 0.85): As correlações entre homicídios de mulheres e homens jovens, assim como entre os homicídios de jovens do sexo feminino e masculino, são moderadas, mas ainda indicam uma associação clara entre esses grupos.
Esses resultados sugerem que os padrões de homicídios masculinos, especialmente de jovens, têm uma forte associação com os homicídios totais e também com os homicídios de mulheres, embora a dinâmica entre os sexos e faixas etárias possa variar em intensidade.
Distância Euclidiana
A distância euclidiana é uma medida de proximidade entre dois pontos em um espaço de \(n\) dimensões. A fórmula para calcular a distância euclidiana entre dois pontos \(P_1(x_1, x_2, \dots, x_n)\) e \(P_2(y_1, y_2, \dots, y_n)\) é dada por:
\[ d = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2} \]
- \(x_i\) e \(y_i\) são as coordenadas dos pontos nas dimensões \(i\).
- A fórmula calcula a soma dos quadrados das diferenças entre as coordenadas correspondentes e, depois, tira a raiz quadrada dessa soma, obtendo a distância entre os pontos.
Matriz de similaridade
A matriz de similaridade quantifica o grau de semelhança entre diferentes objetos ou grupos, sendo importante em análise de dados, aprendizado de máquina.
Uma matriz de similaridade é uma matriz quadrada, onde cada elemento \(s_{ij}\) representa o grau de similaridade entre os objetos \(i\) e \(j\). Quanto maior o valor de \(s_{ij}\), maior a semelhança entre os objetos.
A similaridade é calcular através da seguinte expressão:
\[ \text{similaridade}(A, B) = \frac{A \cdot B}{\|A\| \|B\|}. \]
Em que, \(A\) e \(B\) são vetores de características dos objetos, \(A \cdot B\) é o produto escalar, e \(\|A\|\) e \(\|B\|\) são as normas dos vetores.
A matriz de similaridade é representada por um mapa de cores, onde a intensidade das cores indica o grau de similaridade entre os cluster. No gráfico,
- Cores mais vermelhas indicam uma Baixa similaridade entre os objetos, ou seja, os objetos representados são mais próximos entre si em termos das características analisadas.
- Cores mais azuis indicam uma Alta similaridade, sugerindo que os objetos representados são mais distantes ou diferentes.
Formação dos Clusters
A análise de agrupamento hierárquico foi realizada com a função hclust(), que constrói um dendrograma para identificar grupos de objetos semelhantes com base nas distâncias de similaridade. Utilizando o método “Ward.D2”, os dados foram aglomerados para minimizar a variância dentro dos clusters. O dendrograma resultante, armazenado no objeto cluster_complete_linkage, permite a definição de um ponto de corte para determinar o número ideal de clusters.
Dendrograma
Dando continuidade às análises, foi gerado um dendrograma com os dados de homicídios de 2021, com o objetivo de identificar agrupamentos entre os estados com base nos índices de homicídios.
No código a seguir, definimos o número de clusters como 4 (k = 4), o que implica que, ao cortar o dendrograma, os estados serão divididos em 4 grupos distintos, com base na similaridade dos índices de homicídios.
## Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
## of ggplot2 3.3.4.
## ℹ The deprecated feature was likely used in the factoextra package.
## Please report the issue at <https://github.com/kassambara/factoextra/issues>.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
grupos<- cutree(cluster_complete_linkage, k = 4) #O k é o número de clusters que está contido no estudoEm seguida gerar uma tabela de frequências que conta o número de ocorrências de cada valor único presente no vetor ou fator grupos. Neste caso, grupos representa a divisão dos dados (como os estados, no caso do dendrograma) em clusters.
Ao executar table(grupos), obtemos a quantidade de elementos (neste caso, estados) que pertencem a cada cluster. Essa tabela permite entender a distribuição dos estados entre os diferentes grupos formados, facilitando a interpretação da segmentação realizada e permitindo verificar quantos estados foram alocados em cada cluster.
library(knitr)
# Criando a tabela de frequências
Quantidade <- table(grupos)
# Convertendo para data.frame para garantir que as colunas sejam exibidas corretamente
Quantidade_df <- as.data.frame(Quantidade)
# Exibindo a tabela com o título e alinhamento
kable(Quantidade_df, col.names = c("Grupos", "Quantidade de Estados"), align = "c", caption = "Quantidade de Estados por Clusters")| Grupos | Quantidade de Estados |
|---|---|
| 1 | 15 |
| 2 | 10 |
| 3 | 1 |
| 4 | 1 |
Agrupando os Clusters em Polígonos
Agrupar os clusters em polígonos consiste em associar os grupos gerados, como os de homicídios, a regiões geográficas, neste caso, os estados.
fviz_cluster(list(data = dados, cluster = grupos),
palette=c("blue","red","black","green"),
ellipse.type = "convex",
repel = TRUE,
show.clust.cent = FALSE, ggtheme = theme_minimal())
O Cluster 1 inclui 15 estados: Acre, Mato Grosso do Sul, Santa Catarina, Espírito Santo, Paraíba, Rio Grande do Norte, Alagoas, Sergipe, Amapá, Roraima, Tocantins, Rondônia, Piauí e Mato Grosso.
O Cluster 2 agrupa 10 estados: Ceará, Pernambuco, Pará, Maranhão, Goiás, Rio Grande do Sul, São Paulo, Paraná, Minas Gerais e Amazonas.
Já o Cluster 3 é formado exclusivamente pela Bahia, enquanto o Cluster 4 contém apenas o Rio de Janeiro.
Nota-se que os estados da Bahia e do Rio de Janeiro, integrantes dos Clusters 3 e 4, respectivamente, destacam-se por apresentarem as maiores taxas de homicídios em relação aos demais grupos.
Gerando o dendrograma cortado
Ao gerar o dendrograma cortado permite dividir o dendrograma em clusters definidos, conforme o número de clusters escolhido.
fviz_dend(cluster_complete_linkage, k=4,
cex = 0.80,
k_colors = c("black","green","blue","red"),
color_labels_by_k = TRUE,
rect = TRUE)
Análise descritiva
A análise descritiva é uma técnica estatística que tem como objetivo apresentar uma descrição resumida dos dados. Essas medidas descritivas auxiliam na sumarização e compreensão da distribuição dos grupos.
- Mínimo:
library(knitr)
Minimo<-aggregate(dados, by = list(cluster = grupos), min)
Minimo_df<- as.data.frame(Minimo)
# Exibindo a tabela com o título e alinhamento
kable(Minimo_df, col.names = c("Grupos", "Numero de Homicidos","Numero de Homicidios Feminino","Numero de Homicidios Masculino","Numero de Homicidios Jovens de 15 a 29 anos Feminino","Numero de Homicidios Jovens de 15 a 29 anos Masculino"), align = "c", caption = "Distribuição do valor Mínomo de Homicídios por Cluster")| Grupos | Numero de Homicidos | Numero de Homicidios Feminino | Numero de Homicidios Masculino | Numero de Homicidios Jovens de 15 a 29 anos Feminino | Numero de Homicidios Jovens de 15 a 29 anos Masculino |
|---|---|---|---|---|---|
| 1 | 205 | 19 | 176 | 8 | 84 |
| 2 | 1812 | 131 | 1656 | 47 | 703 |
| 3 | 7206 | 463 | 6740 | 203 | 4081 |
| 4 | 4693 | 284 | 4381 | 95 | 2527 |
Analisando a tabela dos dados de homicídios nos diferentes clusters, podemos observar que o cluster 1 apresenta o valor mínimo para todas as variáveis em estudo. Esse padrão sugere que os estados pertencentes a esse grupo têm índices de homicídios consideravelmente mais baixos em comparação aos outros grupos.
- Máximo:
library(knitr)
Maximo<-aggregate(dados, by = list(cluster = grupos), max)
Maximo_df<- as.data.frame(Maximo)
# Exibindo a tabela com o título e alinhamento
kable(Maximo_df, col.names = c("Grupos", "Numero de Homicidos","Numero de Homicidios Feminino","Numero de Homicidios Masculino","Numero de Homicidios Jovens de 15 a 29 anos Feminino","Numero de Homicidios Jovens de 15 a 29 anos Masculino"), align = "c", caption = "Distribuição do valor Maxímo de Homicídios por Cluster: Análise de Variáveis por Estado")| Grupos | Numero de Homicidos | Numero de Homicidios Feminino | Numero de Homicidios Masculino | Numero de Homicidios Jovens de 15 a 29 anos Feminino | Numero de Homicidios Jovens de 15 a 29 anos Masculino |
|---|---|---|---|---|---|
| 1 | 1253 | 125 | 1127 | 32 | 604 |
| 2 | 3471 | 342 | 3191 | 170 | 1779 |
| 3 | 7206 | 463 | 6740 | 203 | 4081 |
| 4 | 4693 | 284 | 4381 | 95 | 2527 |
Percebe-se que o cluster 3 apresenta os maiores valores em diversas variáveis, indicando que os estados pertencentes a este grupo possuem taxas significativamente mais altas em comparação aos outros de homícidios, sugerindo um padrão mais crítico de violência. Essa informação pode ser útil para direcionar políticas públicas e estratégias de segurança mais específicas para os estados com características semelhantes a deste grupo.
- Média:
library(knitr)
Media<-aggregate(dados, by = list(cluster = grupos), mean)
Media_df<- as.data.frame(Media)
# Exibindo a tabela com o título e alinhamento
kable(Media_df, col.names = c("Grupos", "Numero de Homicidos","Numero de Homicidios Feminino","Numero de Homicidios Masculino","Numero de Homicidios Jovens de 15 a 29 anos Feminino","Numero de Homicidios Jovens de 15 a 29 anos Masculino"), align = "c", caption = "Distribuição da Média de Homicídios por Cluster: Análise de Variáveis por Estado")| Grupos | Numero de Homicidos | Numero de Homicidios Feminino | Numero de Homicidios Masculino | Numero de Homicidios Jovens de 15 a 29 anos Feminino | Numero de Homicidios Jovens de 15 a 29 anos Masculino |
|---|---|---|---|---|---|
| 1 | 710.4 | 59.6 | 650.2 | 19.06667 | 323.0667 |
| 2 | 2529.2 | 221.8 | 2303.8 | 83.00000 | 1134.5000 |
| 3 | 7206.0 | 463.0 | 6740.0 | 203.00000 | 4081.0000 |
| 4 | 4693.0 | 284.0 | 4381.0 | 95.00000 | 2527.0000 |
O cluster 3 exibi a maior média de homicídios, que inclui estados com índices elevados, destacando-se em comparação aos demais, com números significativos tanto em homicídios gerais quanto em homicídios por sexo e faixa etária. Esse padrão sugere que os estados pertencentes a esse cluster enfrentam uma situação mais crítica em relação à violência, exigindo atenção especial para intervenções direcionadas à redução desses índices.
- Mediana:
library(knitr)
Mediana<-aggregate(dados, by = list(cluster = grupos), median)
Mediana_df<- as.data.frame(Mediana)
# Exibindo a tabela com o título e alinhamento
kable(Mediana_df, col.names = c("Grupos", "Numero de Homicidos","Numero de Homicidios Feminino","Numero de Homicidios Masculino","Numero de Homicidios Jovens de 15 a 29 anos Feminino","Numero de Homicidios Jovens de 15 a 29 anos Masculino"), align = "c", caption = "Distribuição da Mediana de Homicídios por Cluster: Análise de Variáveis por Estado")| Grupos | Numero de Homicidos | Numero de Homicidios Feminino | Numero de Homicidios Masculino | Numero de Homicidios Jovens de 15 a 29 anos Feminino | Numero de Homicidios Jovens de 15 a 29 anos Masculino |
|---|---|---|---|---|---|
| 1 | 712.0 | 65 | 620 | 16.0 | 305.0 |
| 2 | 2462.5 | 219 | 2238 | 78.5 | 1027.5 |
| 3 | 7206.0 | 463 | 6740 | 203.0 | 4081.0 |
| 4 | 4693.0 | 284 | 4381 | 95.0 | 2527.0 |
Nota-se que o cluster 3 indica ter a maior mediana em relação ao número de homicídios no ano de 2021, com um valor de 7206.0. Esse valor elevado sugere uma possível concentração de homicídios em uma ou mais unidades federativas dentro deste grupo, o que pode requerer análises mais detalhadas para entender as causas e as dinâmicas dessa realidade.
Conclusão
O estudo apresenta uma análise detalhada dos homicídios nos estados brasileiros em 2021, enfatizando a importância de compreender as dinâmicas sociais, econômicas e demográficas associadas a esse problema. A partir de uma base de dados consolidada, composta por variáveis relacionadas a homicídios por sexo, faixa etária e localização geográfica, foi realizada uma análise de agrupamento utilizando métodos hierárquicos e técnicas estatísticas multivariadas. Esses métodos permitiram não apenas examinar padrões gerais, mas também explorar correlações específicas entre os diferentes grupos populacionais afetados.
Os resultados destacam uma forte correlação entre os homicídios totais e aqueles cometidos contra homens jovens, sugerindo que este grupo é o mais vulnerável e frequentemente exposto a contextos de violência letal. Em contrapartida, a contribuição feminina nos índices totais é menos pronunciada, refletindo diferenças marcantes nos fatores de risco e nas dinâmicas de violência de gênero. A utilização da análise de clusters e matrizes de similaridade revelou a existência de padrões regionais distintos, agrupando estados com características similares em termos de violência homicida, o que evidencia desigualdades estruturais entre as regiões do país.
Esses achados reforçam a necessidade de políticas públicas direcionadas à prevenção da violência, com foco prioritário em jovens do sexo masculino, grupo que demanda atenção especial em estratégias educativas, de empregabilidade e proteção social. Além disso, as análises regionais apontam para a relevância de intervenções específicas, adaptadas às realidades locais, para a redução dos elevados índices de homicídios. A continuidade de estudos que explorem os determinantes socioculturais, econômicos e políticos desse fenômeno para embasar ações mais eficazes e sustentáveis é importante, visando mitigar as consequências sociais, econômicas e familiares da violência no Brasil.
Referências
IPEADATA. IPEADATA - S’eries Hist’oricas e Econˆomicas. 2024. Acesso em: 02 dez. 2024. Disponibilizar’ıvel em: ⟨http://ipeadata.gov.br/Default.aspx⟩.
BRASIL, C. Atlas da viola da gambaEncia 2021 revela queda de Homic’ıdios e aumento de mortes violentas Não Brasil. 2021. Acesso eme: 2 dez. 2024. Disponibilizarível em: ⟨https://www.cnnbrasil.com.br/nacional/atlas-da-violencia-2021-revela-queda-de-homicidis-e-aumento-de-mortes-violentas-no-brasil/⟩.
SOUZA, Maria de Fátima Marinho de et al. Análise da mortalidade por homicídios no Brasil. Epidemiologia e Serviços de Saúde, v. 16, n. 1, p. 7-18, 2007.
KOPITTKE, Alberto LW; RAMOS, Marília Patta. O que funciona e o que não funciona para reduzir homicídios no Brasil: uma revisão sistemática. Revista de Administração Pública, v. 55, p. 414-437, 2021.