Accesses Brazilian Public Security Data from SINESP Since 2015.
BrazilCrime
Roadmap de desenvolvimento
[X] Inclusão de shapes dos estados e argumento booleano para retornar dados espacializados;
[X] Adicionar argumento booleano para retornar o formato da tabela diferente com o tidyr;
[X] Inclusão de argumento booleano para retornar o número de ocorrências a cada 100 mil habitantes (dados de projeções mensais provenientes das projeções do IBGE);
[X] Adicionar testes para as funções;
[X] Adição da função que coleta os dados divulgados na plataforma gov.br disponibilizados pelo Ministério da Justiça (Sinesp-VDE);
[X] Subir versão inicial para o CRAN;
[ ] Incluir dados populacionais anuais por município e interpolar dados por mês para o argumento relative_values da função get_sinesp_vde_data; e
[ ] Adicionar microdados do SUS com estatísticas sobre violência (agressões).
Sobre o projeto
A principal função do pacote BrazilCrime é disponibilizar de maneira acessível os dados sobre criminalidade e violência do Brasil, através da linguagem R.
Para isso coleta-se as informações divulgadas pelo Sistema Nacional de Informações de Segurança Pública (Sinesp), órgao do Ministério da Justiça e Segurança Pública, esses dados são organizados em um data frame e disponibilizados ao usuário.
Nessa primeira versão, temos disponível dados a partir de janeiro de 2015 até dezembro de 2022, em estratificação por unidade federativa, para as seguintes tipologias criminais: Estupro, Furto de Veículo, Homicídio Doloso, Lesão Corporal Seguida de Morte, Roubo a Insituição Financeira, Roubo de Carga, Roubo de Veículo, Roubo Seguido de Morte (Latrocínio) e Tentativa de Homicídio.
Instalação do Pacote
Versão oficial no CRAN:
install.packages("BrazilCrime")
library(BrazilCrime)
Versão de desenvolvimento:
install.packages("devtools")
devtools::install_github("GiovanniVargette/BrazilCrime")
library(BrazilCrime)
Exemplos de uso das funções
Baixar todos os dados do SINESP entre 2015 e 2022 com granularidade mensal.
dados <- get_sinesp_data()
Baixar todos os dados do SINESP entre 2015 e 2022 com granularidade anual.
dados <- get_sinesp_data(granularity = 'year')
Baixar todos os dados do SINESP de 2018 e 2019 sobre homicídio doloso para os estados de São Paulo, Rio de Janeiro e Minas Gerais com granularidade mensal.
dados <- get_sinesp_data(state = c('RJ', 'SP', 'MG'),
typology = 'Homicídio doloso',
year = c(2018, 2019))
Exemplo 1: Baixar os dados dos estados do Sul do Brasil sobre roubo de veículos para o ano de 2022 com granularidade anual e com os vetores espaciais das UFs.
data_sul <- get_sinesp_data(state = c('PR','SC','RS'),
typology = 'Roubo de veículo',
year = 2022,
geom = T,
granularity = 'year')
# criar o mapa
library(ggplot2)
ggplot(data = data_sul) +
geom_sf(aes(fill = ocorrencias)) +
theme_minimal() +
labs(title = "Mapa de Ocorrências",
subtitle = "Visualização espacial das ocorrências",
fill = "Qtd de ocorrências")
Exemplo 2: Taxa mensal de roubo de carga ocorridos em SP de 2015 a 2022
txroub_carg_SP_mensal_ts <- get_sinesp_data(state = 'sp',
typology = 'roubo de carga',
granularity = 'month',
relative_values = TRUE)
names(txroub_carg_SP_mensal_ts)
# Transformar para objeto ts (time series)
txroub_carg_SP_mensal_ts <- ts(txroub_carg_SP_mensal_ts[,8],
start = c(1, 2015),
frequency = 12)
# Estimando um modelo ARIMA pelo auto.arima
(mod_auto <- auto.arima(txroub_carg_SP_mensal_ts,
lambda = 0, # transf. log
stepwise = TRUE,
trace = TRUE,
approximation = FALSE,
allowdrift = TRUE,
allowmean = TRUE,
test = "kpss",
ic = c("bic")))
# Análise visual dos resíduos
par(mfrow=c(2,2))
plot(mod_auto$residuals, main="Resíduos", col=2)
Acf(mod_auto$residuals, main="Resíduos", col=4)
Acf((mod_auto$residuals)^2, main="Resíduos ao quadrado", col=4)
plot(density(mod_auto$residuals,
kernel = c("gaussian")),
main="Resíduos", col=6)
# Testes formais nos resíduos
# Autocorrelação
Box.test(mod_auto$residuals,
lag=4,
type="Ljung-Box",
fitdf=2)
Box.test(mod_auto$residuals,
lag=8,
type="Ljung-Box",
fitdf=2)
Box.test(mod_auto$residuals,
lag=12,
type="Ljung-Box",
fitdf=2)
# Heterocedasticidade condicional
ArchTest(mod_auto$residuals, lags=4)
ArchTest(mod_auto$residuals, lags=8)
ArchTest(mod_auto$residuals, lags=12)
# Normalidade
shapiro.test(mod_auto$residuals)
# Previsões
forecast(mod_auto, h=24, level=95)
autoplot(forecast(mod_auto, h=24, level=95))
Exemplo 3: Roubo de carga a cada 100 mil habitantes por UF em 2022
q <- get_sinesp_data(
typology = 'roubo de carga',
granularity = 'year',
year = 2022,
relative_values = TRUE,
geom = TRUE)
ggplot(data = q) +
geom_sf(aes(fill = ocorrencias_100k_hab), color = 'white') +
scale_fill_viridis_c(option = "plasma", na.value = "white", name = NULL) +
labs(
title = "Roubos de Carga por 100 mil Habitantes em 2022",
fill = "Ocorrências por 100k Habitantes"
) +
theme_minimal() +
theme(
legend.position = "bottom",
legend.direction = "horizontal",
legend.title = element_blank(),
panel.grid = element_blank(),
plot.title = element_text(hjust = 0.5)
)
Citação
Para citar em trabalhos utilize:
citation("BrazilCrime)
#To cite package ‘BrazilCrime’ in publications use:
# Vargette G, Justus M, Laltuf I (2024). _BrazilCrime: Crime data from Brazil_. R
# package version 0.0.2, <https://github.com/GiovanniVargette/BrazilCrime>.
#A BibTeX entry for LaTeX users is
# @Manual{,
# title = {BrazilCrime: Crime data from Brazil},
# author = {Giovanni Vargette, Marcelo Justus and Igor Laltuf},
# year = {2024},
# note = {R package version 0.0.3},
# url = {https://github.com/GiovanniVargette/BrazilCrime},
# }