Compreender os dados históricos sobre o crime

Dados históricos sobre crimes oferecem uma lente única para examinar o tecido social, econômico e jurídico das sociedades passadas. Ao contrário das estatísticas modernas sobre crimes, que se beneficiam de protocolos padronizados de relatórios e bases de dados digitais, os registros históricos são heterogêneos, incompletos e muitas vezes tendenciosos. Os pesquisadores devem navegar por fontes que vão de livros policiais escritos à colunas de jornais sensacionalizados, cada uma com sua própria proveniência e limitações.As fontes primárias mais comuns incluem:

  • Língaros da polícia e relatórios de polícia – Muitas vezes escritos à mão e mantidos localmente, estes incidentes de registo comunicados às autoridades, mas podem reflectir prioridades de comunicação, em vez de crimes reais.
  • Transcrições de corte e rolos de acusação – Fornecer detalhes sobre acusações, veredictos e sentenças, embora eles só capturam casos que chegaram a processo formal, nem todos os crimes.
  • Colunas de crime jornal – Oferecer rico detalhe narrativo, mas tendem a enfatizar crimes violentos ou incomuns, ao mesmo tempo em que ignoram ofensas mesquinhas, e viés editorial pode distorcer a representação.
  • Documentos parlamentares e resumos estatísticos – A partir do século XIX, os governos compilaram tabelas de crimes nacionais utilizando categorias cada vez mais padronizadas, possibilitando comparações transregionais.
  • Inquéritos de coroneiros e registos prisionais – Suplemento de dados com causa médica de morte e informações demográficas sobre infratores, muitas vezes incluindo idade, ocupação e alfabetização.

A digitalização tem sido uma etapa transformadora, desbloqueando arquivos que foram previamente acessíveis apenas através de visitas físicas. Projetos como o Old Bailey Online e os UK National Archives’ records crime[ fazem milhares de páginas pesquisáveis e legíveis por máquina. No entanto, a qualidade dos dados varia enormemente. Legibilidade de escrita manual, categorização inconsistente entre jurisdições, e entradas ausentes requerem técnicas estatísticas para inferir, imputar ou corrigir. Entender essas limitações é fundamental antes de aplicar qualquer método, uma vez que a má qualidade dos dados pode propagar erros através de mesmo dos modelos mais sofisticados.

Problemas comuns de dados nos registos de crimes históricos

  • Subnotificação – Muitos crimes nunca foram relatados devido ao medo, desconfiança das autoridades, banalização ou ilegalidade de relatar certos atos (por exemplo, violência doméstica em épocas em que foi legalmente tolerado).Modelos estatísticos utilizando métodos de captura-recaptura podem estimar a incidência real comparando duas fontes independentes (por exemplo, registros policiais e internações hospitalares).
  • Alterando definições legais – O que constituiu “latrocidade” em 1800 difere da classificação de roubo atual. Crimes como “feitiço” ou “sodomia” desapareceram dos estatutos, enquanto novos crimes como “roubo de veículos a motor” surgiram. Pesquisadores devem harmonizar categorias através de décadas e, por vezes, através das fronteiras nacionais.
  • A execução de contas – A polícia e os tribunais historicamente visaram certos grupos étnicos, classes socioeconômicas ou dissidentes políticos.As taxas de crimes históricos podem, portanto, refletir padrões de execução mais do que o comportamento ofensivo real. Por exemplo, ofensas de ordem pública em Londres do século XIX afetaram desproporcionalmente imigrantes irlandeses e pobres.
  • Vários em cobertura – Guerras, reorganizações administrativas ou destruição de registros deixam buracos temporais. Interpolação de séries temporais, imputação múltipla, ou suavização bayesiana podem tratar disso, mas os pesquisadores devem documentar os pressupostos por trás de cada técnica.
  • Erro de medição em variáveis chave – As idades podem ser mal lembradas, endereços incorretos e nomes errados. A ligação probabilística de registros pode mesclar registros entre fontes com taxas de erro quantificáveis.

Métodos estatísticos chave para a análise do crime histórico

Estatísticas Descritivas: Resumindo o Passado

Estatísticas descritivas formam a base de qualquer análise histórica quantitativa. Calculando médias, medianas, desvios padrão e percentis de crimes por ano, por região ou por tipo de crime fornece uma visão geral rápida e ajuda a identificar questões de qualidade de dados. Por exemplo, um pesquisador examinando roubo em Londres vitoriana pode descobrir que o número mediano de roubos registrados por mês foi de 120 em 1860, mas a distribuição foi altamente distorcida devido a picos sazonais em torno de feriados e grandes eventos públicos.Histogramas e boxplots revelam outliers - como um aumento súbito no roubo durante a Grande Exposição de 1851 - que exigem investigação de seguimento.

As proporções também são informativas: qual a proporção de crimes relatados eram violentos vs. propriedade? Na Inglaterra do século XIX, os crimes de propriedade dominados (cerca de 80% dos crimes indiciáveis), enquanto crimes violentos foram uma pequena fração – mas essa relação mudou com a urbanização e mudança de definições legais de agressão. Estatísticas descritivas podem ser apresentadas com intervalos de confiança para explicar o erro de amostragem quando os dados são extraídos de arquivos parciais, e tamanhos de efeito, como o d de Cohen pode contextualizar diferenças entre regiões ou períodos.

As abordagens modernas incluem usar estimativas de densidade de kernel para suavizar tendências temporais sem impor pressupostos paramétricos, e criar painéis com visualizações interativas (por exemplo, usando R's ] ou Python’s ) que permitem que os historiadores explorem padrões dinamicamente.

Análise de séries temporais: Detecção de tendências e sazonalidade

Os dados históricos de crimes são quase sempre coletados ao longo do tempo, tornando essencial a análise de séries temporais. Técnicas como médias móveis, decomposição sazonal usando STL (decomposição entre as regiões da Terra e a Terra usando o LOESS) e modelos de média móvel integrada autorregressiva (ARIMA) ajudam a separar a tendência do ruído e identificar pontos de viragem. Por exemplo, analisar relatórios de crimes mensais de Paris entre 1825 e 1850 pode revelar uma tendência ascendente a longo prazo ligada ao crescimento populacional e industrialização, sobreposição com um pico sazonal a cada verão, quando os migrantes rurais chegam à procura de trabalho. Uma regressão linear simples no tempo pode quantificar a mudança percentual anual, mas modelos mais robustos são responsáveis por autocorrelação, heterosquedasticidade e mudanças abruptas.

Se um novo comissário de polícia em 1840 mandasse uma notificação mais rigorosa de pequenos roubos, a aparente “onda de crime” pode ser um artefato de política em vez de um aumento real.A análise de intervenção (uma forma de série cronológica interrompida) pode testar se as mudanças de políticas alteram significativamente as taxas registradas, usando técnicas como testes de Chow ou séries temporais estruturais Bayesianas (BSTS).Referências externas como o ]Journal of Interdisciplinal History's especial on delivery history fornecem estudos de caso usando estes métodos para desententá-los efeitos de políticas de tendências subjacentes.

Análise de regressão: A exploração correlata

A regressão múltipla permite que historiadores examinem as relações entre as taxas de criminalidade e as variáveis econômicas, demográficas ou sociais, controlando-as. Por exemplo, um estudo de cidades dos EUA na década de 1920 pode modelar as taxas de homicídio em função do desemprego, consumo de álcool (execução pós-proibição), densidade populacional e proporção de homens jovens. Os mínimos quadrados comuns são comuns quando as taxas de crime são contínuas (por exemplo, logadas para normalizar), mas porque os dados de crime são frequentemente baseados em contagens (inteiros positivos) e sobre-dispersões, a regressão binomial negativa é frequentemente preferida. Modelos de Poisson podem ser usados quando a variância é igual à média, embora os dados históricos raramente atendam a essa condição.

Os coeficientes de elasticidade podem indicar que um aumento de 10% no desemprego foi associado a um aumento de 5% no roubo, mantendo outros fatores constantes. Entretanto, a correlação não implica em causalidade; variáveis omitidas (como intensidade de policiamento ou disposição pública para relatar) podem influenciar os resultados. As abordagens de variáveis instrumentais, quando existe um instrumento válido (por exemplo, mudanças na construção ferroviária que afetam as condições econômicas locais ou choques climáticos que afetam a produção de culturas), ajudam a abordar a endogeneidade. Os pesquisadores devem sempre discutir os pressupostos de identificação de forma transparente, e considerar a utilização de análises de sensibilidade como limites de Rosenbaum para estudos observacionais.

Análise Geoespacial: Mapeamento de Pontos de Crime

A análise geoespacial revolucionou a criminologia histórica ao revelar as dimensões espaciais do crime. Através de endereços geocodificadores de antigos registros judiciais, boletins policiais ou reportagens de jornais, estudiosos podem criar mapas de pontos e superfícies de densidade de kernel. Ferramentas como QGIS ou Rs e pacotes permitem a exploração de padrões espaciais em escalas que vão de ruas individuais a cidades inteiras. Por exemplo, um estudo da cidade de Nova Iorque do século XIX pode descobrir que os focos de crime se aglomeraram perto dos distritos de beira-mar e de tenement, alinhados com os mapas de pobreza criados por Jacob Riis e pela Sociedade de Organização Caridade.

Os testes estatísticos de correlação espacial global de Moran I, sejam áreas de alto crime, circundadas por outras áreas de alto crime. Indicadores locais de associação espacial (LISA) podem identificar clusters específicos. Modelos de regressão geograficamente ponderada (GWR) como a relação entre criminalidade e condições socioeconômicas varia em todo o espaço, revelando que o efeito da pobreza pode diferir entre distritos comerciais e residenciais.As camadas históricas de SIG, como as do Sistema de Informação Geográfica Histórico Nacional , fornecem limites censitários e dados demográficos para décadas anteriores, possibilitando a integração de dados espaciais com outras análises estatísticas.

Métodos Avançados: Aprendizagem de máquina e inferência causal

Além da regressão tradicional, técnicas de aprendizado de máquina são cada vez mais aplicadas em dados históricos de crimes. Florestas aleatórias e modelos de aumento de gradiente podem capturar relações não lineares e interações sem fortes pressupostos paramétricos, úteis para prever valores de crime ausentes ou imputar coordenadas geográficas desconhecidas. No entanto, a interpretabilidade continua a ser um desafio; os valores de SHAP (SHapley Aditive exPlanations) podem ajudar a explicar quais características impulsionaram as previsões.

Para questões causais (por exemplo, a introdução de uma força policial profissional reduziu o crime?), desenhos de diferenças comparam mudanças nas taxas de criminalidade entre jurisdições que adotaram reformas e aquelas que não, antes e após a mudança de política. Métodos de controle sintético constroem um contrafatual a partir de uma combinação ponderada de unidades de controle, útil quando apenas uma ou poucas entidades experimentaram uma intervenção. Essas abordagens requerem seleção cuidadosa de grupos de controle e teste para tendências paralelas no período pré-intervenção.

Fluxo de trabalho prático: Do arquivo à análise

Um fluxo de trabalho sistemático garante reprodutibilidade e minimiza erros em todo o processo de pesquisa. As etapas seguintes delineiam uma abordagem típica, com atenção à documentação e transparência:

  1. Colha e transcrição de dados – Fotografia ou digitalização de documentos originais em alta resolução. Use reconhecimento de caracteres ópticos (OCR) com correção manual para registros escritos à mão; ferramentas como Tesseract ou Transkribus (especializando-se em escrita histórica) podem acelerar o processo, mas ainda requerem verificação humana.Para dados tabulares de fontes impressas, recomenda-se a dupla entrada de dados com verificação de confiabilidade inter-avaliadores.
  2. Limpeza e harmonização de dados – Normalizar datas em um calendário consistente (por exemplo, ISO 8601), locais de geocódigo usando gazetadores históricos, e criar um sistema unificado de classificação de crime. Use taxonomias existentes como as classificações de crime ICPSR[] como uma base e mapeie categorias históricas sobre eles. Lide com valores em falta através de imputação múltipla (usando predição de correspondência média) ou análise de sensibilidade para avaliar o impacto de diferentes mecanismos de falta.
  3. Análise exploratória de dados (EDA) – Gerar estatísticas de resumo, gráficos temporais e matrizes de correlação. Identificar outliers e anomalias de registro potenciais (por exemplo, picos coincidindo com eventos conhecidos). Usar a visualização para verificar se há quebras estruturais ou alterações na variância ao longo do tempo.
  4. Seleção de métodos e pré-registo – Baseado em questões de pesquisa (por exemplo, detecção de tendências, inferência causal, agrupamento), escolha modelos apropriados. Pré-registre o plano de análise em plataformas como o Open Science Framework para evitar p-hacking e aumentar a credibilidade, mesmo para pesquisa histórica.
  5. Modelo de ajuste e validação – Ajuste de modelos, verificação de resíduos para normalidade, homocedasticidade e autocorrelação.Para abordagens Bayesianas, inspeccione distribuições preditivas posteriores e use WAIC ou validação cruzada para comparação de modelos.Para aprendizado de máquina, use k-fold cross-validation e teste fora da amostra.
  6. Interpretação em contexto histórico – A produção estatística deve ser interpretada ao lado de evidências qualitativas: cartas, memórias, editoriais de jornais e mudanças legais. Isto protege contra conclusões anacrônicas e ajuda a distinguir padrões estatísticos de processos históricos reais.

Estudo de caso: Analisando Roubo em Londres, no século XIX

Para ilustrar a integração de múltiplos métodos, considere um estudo hipotético, mas representativo, do roubo em Londres de 1830 a 1870. O pesquisador reúne dados do Old Bailey Online e do UK Parlamentar Papers, digitalizando 20.000 acusações de roubo. Os dados incluem data, localização (rua e paróquia), valor dos bens roubados, tipo de vítima (individual, empresarial ou instituição), e se o infrator foi condenado. Dados secundários sobre densidade populacional, salários médios, locais de delegacias e melhorias de iluminação pública são extraídos de registros censitários e levantamentos históricos.

Achados descritivos

As estatísticas descritivas mostram que os roubos atingiram o seu pico na década de 1840, com uma média de 120 por mês e um desvio padrão de 35. O valor médio roubado foi de £2 (aproximadamente £200 em 2025 poder de compra), mas a distribuição foi cerrada porque alguns roubos envolviam jóias valiosas ou dinheiro. A maioria dos infratores eram jovens do sexo masculino (85% dos casos), e as taxas de condenação pairavam em torno de 60%, embora esta variada por tipo de roubo (a furto de carteiras teve taxas de condenação mais baixas do que a invasão de domicílio). A distribuição de roubos entre as paróquias foi altamente desigual: o East End (Whitechapel, Bethnal Green) representou 40% de todos os casos, apesar de ter apenas 20% da população da cidade.

Análise de séries temporais

Um modelo ARIMA(1,1,0) com componente sazonal (lag 12) revela uma queda de 3% anual nos roubos registrados após 1856, coincidindo com a introdução do setor de detetive da Polícia Metropolitana. Uma análise de intervenção utilizando uma regressão segmentada confirma uma queda estatisticamente significativa (p < 0,01) após 1856, mesmo após controlar o crescimento populacional e mudanças no número de policiais. No entanto, mais decomposição mostra que o declínio foi inteiramente impulsionado por uma redução no furto insignificante (itens abaixo de £1), enquanto o roubo grande permaneceu estável – sugerindo que o novo ramo detetive pode ter se concentrado em criminosos profissionais em vez de criminosos casuais.

Análise de Regressão

Uma regressão binomial negativa prevê a contagem de roubos por distrito (parish) em função da densidade populacional, renda média (estimada a partir de registros fiscais), número de delegacias, distância ao mercado mais próximo e um boneco para a presença de uma estação ferroviária. Os resultados mostram que a duplicação da densidade populacional está associada a um aumento de 40% no roubo (taxa de incidência = 1,40, IC 95%: 1,25–1,58), enquanto um aumento de desvio padrão na renda média está associado a uma diminuição de 15% (IRR = 0,85, IC 95%: 0,78–0,93), e a presença de uma delegacia de polícia não mostra efeito significativo (IRR = 1,02, p = 0,45), sugerindo que a execução foi reativa e não preventiva. O modelo explica 55% da variância entre paróquias, incluindo uma interação significativa entre densidade e renda.

Análise Geoespacial

O mapeamento de locais de roubo (geocodificados para intersecções de rua) revela um ponto de encontro claro no East End (em torno da Whitechapel Road) e ao longo do Rio Tamisa, particularmente perto de docas e cais onde os bens foram transferidos. Uma regressão espacial usando regressão geograficamente ponderada indica que a relação negativa entre renda e roubo é mais forte no West End (parquias ricas), onde áreas afluentes experimentaram taxas de roubo muito baixas. Em contraste, a relação é mais fraca no East End, onde bairros ainda relativamente melhores fora tiveram taxas de roubo moderadas – sugerindo que outros fatores (desorganização social, populações transitórias) levaram crime lá. Moran's I para resíduos é 0,12 (p = 0,03), indicando uma ligeira autocorrelação espacial remanescente que poderia ser tratada com um modelo de atraso espacial.

Integração Qualitativa

Os padrões estatísticos se alinham com descrições contemporâneas. Os editoriais do Times nos anos 1850 queixaram-se de “ladrão profissional” que operava nas torres de São Giles e os Sete Mostradores. Os registros do tribunal mostram que 30% dos infratores tinham prisões anteriores, muitos dos mesmos bairros. Diários de comissários de polícia observam que o ramo de detetive focado em cercas e receptores conhecidos de bens roubados, que se alinha com a queda no pequeno roubo. A combinação de evidências quantitativas e qualitativas reforça a conclusão de que a desigualdade econômica e reformas policiais direcionadas moldou padrões de roubo, e que o declínio aparente após 1856 é parcialmente real e em parte um artefato de mudanças de práticas de aplicação da lei.

Desafios e Mitigações

Além dos problemas de dados já apontados, os pesquisadores devem enfrentar diversos desafios metodológicos que podem minar os achados estatísticos:

  • Falácia ecológica – As taxas de criminalidade agregadas podem não refletir o comportamento ofensivo individual. Usando dados de nível individual dentro de modelos multinível (por exemplo, modelos lineares hierárquicos com efeitos aleatórios para distritos) ajuda a ponte micro e macro níveis.
  • Erro de medição em variáveis-chave – Nomes, idades e endereços podem ser registrados incorretamente. A ligação probabilística de registros (por exemplo, usando o pacote ] em R) mescla registros de diferentes fontes com taxas de erro quantificáveis e análises de sensibilidade simulam diferentes níveis de erro para avaliar robustez.
  • Viés de seleção – Apenas crimes que chegaram ao tribunal aparecem em registros; muitos não. Heckman correção ou ponderação de pontuação de propensão pode ajustar-se para a seleção, mas apenas se correlacionar a notificação são observáveis. Por exemplo, um estudo sobre agressão sexual no século XIX deve explicar o fato de que a notificação dependia do status social e gênero da vítima.
  • Instabilidade temporal – As relações entre variáveis (por exemplo, desemprego e roubo) podem mudar ao longo de décadas devido à evolução das normas sociais ou estruturas econômicas.Modelos de regressão ou de estado-espaço (por exemplo, modelos lineares dinâmicos) capturam parâmetros variáveis de tempo, fornecendo estimativas de como os coeficientes evoluem.
  • Viés de publicação e replicabilidade – Os estudos históricos raramente são replicados devido à singularidade dos conjuntos de dados.Os pesquisadores devem sempre publicar código de replicação e dados anônimos (onde a privacidade permite) para permitir que outros verifiquem resultados.A Rede de Dados Históricos de Crime oferece diretrizes para documentação, compartilhamento de dados e considerações éticas ao trabalhar com registros históricos de prisão que contêm informações pessoais.

Integrando o Contexto Qualitativo

Os métodos estatísticos por si só não podem explicar por que o crime diminuiu em Londres vitoriana ou por que certos grupos estavam sobre-representados. Leitura atenta de fontes primárias – diários de comissários de polícia, debates parlamentares, relatórios de crimes de jornais – fornece narrativas causais e contextualiza padrões estatísticos. Por exemplo, o declínio do roubo após 1856 poderia ser em parte devido a uma melhor iluminação pública (medida de prevenção física, documentada pelos registros municipais de instalação de lâmpadas de gás) ou à mudança da tolerância pública dos crimes de propriedade à medida que a economia crescia (reflexionada nas diretrizes de sentenças judiciais que se tornaram menos punitivas para pequenos roubos). Nenhum efeito é diretamente capturado na regressão, mas as evidências qualitativas ajudam a interpretar as associações estatísticas.

As abordagens de métodos mistos são cada vez mais comuns. Os estudiosos podem usar estatísticas para identificar anomalias (por exemplo, um pico nas prisões por “loitering” em 1839) e depois recorrer a arquivos qualitativos (atas do conselho municipal, editoriais de jornais) para investigar esses casos. O pico pode ser rastreado para uma nova portaria de vagabundagem em vez de um real aumento no comportamento suspeito. Este diálogo iterativo entre números e narrativas enriquece a compreensão histórica, garantindo que os achados estatísticos permaneçam fundamentados nas realidades vividas de sociedades passadas. Os pesquisadores também devem considerar a incorporação de histórias orais (onde disponíveis), evidências visuais (mapas, fotografias) e estudos de cultura material para triangular achados.

Orientações futuras e considerações éticas

Olhando para o futuro, projetos de história digital continuarão a expandir os conjuntos de dados disponíveis. A mineração de textos de transcrições judiciais usando processamento de linguagem natural (NLP) pode extrair relações vítima-ofensor, tipos de armas e modus operandi de campos narrativos. A modelagem de tópicos da cobertura de crimes de jornais revela mudanças de preocupações públicas ao longo do tempo. Análise de rede de associações criminosas (usando dados co-reclusos) pode mapear redes de crime organizado e sua evolução.

As considerações éticas também surgem quando se trabalha com registros de crimes históricos. Enquanto os indivíduos estão mortos há muito tempo, seus descendentes ainda podem experimentar estigmas de envolvimento familiar no crime. Pesquisadores devem anonimizar dados ao publicar e considerar o potencial dano de vincular prisões históricas às comunidades modernas. Além disso, a dependência excessiva de registros policiais pode perpetuar vieses históricos, retratando certos grupos como inerentemente criminosos, ignorando as desigualdades estruturais. Métodos estatísticos devem ser usados não apenas para descrever padrões, mas para criticar os sistemas que os produziram.

Conclusão

Aplicando métodos estatísticos aos dados históricos do crime transforma registros dispersos e imperfeitos em evidências rigorosas sobre sociedades passadas. Estatísticas descritivas, séries temporais, regressão e análise geoespacial cada um oferece uma lente distinta, e quando combinadas com o tratamento cuidadoso de dados em falta, técnicas de inferência causal e contexto qualitativo, eles revelam padrões que moldam nossa compreensão da mudança social. Desafios – relatando viés, mudanças de definição, falácia ecológica, erro de medição – são sobrestrutíveis através de metodologia transparente e uma leitura cética dos resultados. Pré-registo, código de replicação e análises de sensibilidade ajudam a garantir que os achados sejam robustos e não artefatos de escolhas analistas.

O passado mantém sua complexidade, mas a análise estatística nos ajuda a contar, mapear e interpretar suas dimensões recorrentes. À medida que os arquivos digitais crescem e as ferramentas computacionais avançam, os historiadores têm uma oportunidade sem precedentes de fazer perguntas maiores sobre a relação entre crime, sociedade e governança ao longo do tempo. Ao manter uma postura crítica em relação às fontes de dados e um diálogo com evidências qualitativas, os pesquisadores podem produzir relatos credíveis e matizados que se levantam para escrutínio tanto de historiadores quanto de estatísticos. O campo da criminologia histórica está preparado para contribuir não só para nossa compreensão do passado, mas também para debates contemporâneos sobre policiamento, desigualdade e justiça que permanecem profundamente relevantes hoje.