Análise de Correspondência Aplicada a Dados Periciais: Identificação de Padrões para Melhoria dos Serviços de Atendimento

Mara Pires de Lima Derani; Miguel Lellis

DOI: 10.22167/2675-6528-202603235

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A necessidade de otimizar recursos e compreender a complexa dinâmica criminal motivou a exploração de dados periciais, frequentemente subutilizados em laudos textuais. Aplicou-se a Análise de Correspondência Múltipla (ACM) em atendimentos periciais na Macrorregião de Bauru, SP. O objetivo foi investigar e identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, visando subsidiar decisões operacionais. Utilizaram-se dados da Superintendência da Polícia Técnico-Científica (SPTC), coletados entre maio de 2023 e janeiro de 2026. A metodologia englobou a limpeza, transformação e categorização das variáveis, além da construção de matrizes de contingência processadas em Python. A análise descritiva inicial revelou que furtos e colisões predominaram no volume total de ocorrências, enquanto crimes violentos, como homicídios, estupros e feminicídios, representaram uma parcela menor, mas demandaram tempos de resposta significativamente maiores. A ACM mapeou visualmente as correlações estruturais, demonstrando associações claras entre crimes noturnos e de finais de semana com regiões específicas. Identificaram-se dois agrupamentos principais: um perfil noturno e de fim de semana, associado a choques, atropelamentos e suicídios, com destaque para Bauru; e um perfil diurno em dias úteis, dominado por furtos e danos à propriedade. Demonstrou-se que o uso de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Palavras-chave: Crimes violentos; Matriz de contingência; Priorização de serviços; Python; Tempos de resposta.

1. Introdução

A análise de dados é uma ferramenta essencial para a tomada de decisões estratégicas e a compreensão de padrões complexos em diversos setores (Russo, Jannetta, e Duane, 2018). No campo da perícia criminal, a vasta quantidade de informações geradas em cada atendimento representa um recurso valioso. Essas informações podem revelar insights cruciais sobre a dinâmica da criminalidade e contribuir para o aprimoramento dos serviços de segurança pública (Lopez, McGrath e Taylor, 2020). Estudos recentes enfatizam que a análise exploratória de dados pode desvendar padrões ocultos em registros criminais, otimizando o uso de recursos e aprimorando a prevenção de crimes (Zhang et al., 2022).

Os registros de ocorrências periciais contêm uma riqueza de dados, abrangendo o motivo do acionamento, a data e hora do evento, e a localização do atendimento (Russo, Jannetta, e Duane, 2018). Contudo, essas informações frequentemente permanecem subutilizadas, limitando-se a descrições textuais em laudos. A ausência de uma análise aprofundada impede a revelação de padrões e correlações significativas que poderiam embasar decisões estratégicas (Silveira, 2025).

Para superar essa lacuna, técnicas não supervisionadas, como a Análise de Correspondência Múltipla (ACM), mostram-se eficazes na extração de informações de dados complexos e subutilizados (Birks et al., 2020). A ACM permite identificar agrupamentos e tendências que podem orientar decisões estratégicas, sem a necessidade de hipóteses pré-definidas (Abdi e Williams, 2010). Essa técnica é amplamente reconhecida por sua capacidade de analisar a associação entre múltiplas variáveis categóricas, permitindo a visualização gráfica dos resultados e a identificação de padrões complexos (Beh e Lombardo, 2019; Greenacre, 2017).

A eficiência do sistema de justiça criminal depende não apenas de recursos, mas também da articulação entre os órgãos envolvidos, dimensão na qual a análise de dados periciais pode ser fundamental (Lima, Sapori e Ribeiro, 2021). Abordagens baseadas em dados são capazes de otimizar a gestão de serviços públicos, incluindo a segurança e a justiça criminal (Russo, Jannetta e Duane, 2018; Parfitt et al., 2026). A identificação de padrões em atendimentos periciais pode, portanto, subsidiar a alocação estratégica de equipes da Superintendência da Polícia Técnico-Científica (SPTC), contribuindo para uma gestão mais eficiente dos recursos e uma resposta mais ágil às demandas da segurança pública.

Diante da necessidade de transformar dados periciais brutos em informações estratégicas para a gestão operacional e a formulação de políticas públicas baseadas em evidências, este trabalho se justifica pela busca por uma compreensão mais profunda da dinâmica criminal na Macrorregião de Bauru, SP. Assim, o objetivo geral deste estudo é aplicar a Análise de Correspondência Múltipla (ACM) aos registros de atendimentos periciais da Macrorregião de Bauru, SP, no período de maio de 2023 a janeiro de 2026, para identificar padrões de associação entre variáveis categóricas que possam subsidiar decisões operacionais baseadas em evidências.

2. Material e Métodos

O presente trabalho caracterizou-se como um estudo de caso aplicado, de natureza exploratória, focado na análise de dados reais de atendimentos periciais. A pesquisa foi conduzida sobre registros da Superintendência da Polícia Técnico-Científica (SPTC) da Macrorregião de Bauru, no estado de São Paulo. A escolha dessa macrorregião justificou-se pela sua representatividade e diversidade socioespacial, o que permitiu um tratamento detalhado dos dados e a captura de diferentes dinâmicas criminais e operacionais. A abordagem metodológica adotada alinhou-se ao paradigma do policiamento orientado por dados.

Os dados utilizados foram extraídos dos registros oficiais de atendimentos periciais realizados pela SPTC, abrangendo o período de maio de 2023 a janeiro de 2026. A coleta foi realizada mediante acesso autorizado ao banco de dados da instituição, com a aprovação da Comissão Científica e de Ética de Trabalhos Periciais. Para garantir a preservação de informações sigilosas e a conformidade ética, todas as informações sensíveis foram anonimizadas antes da análise.

O processo de preparação dos dados compreendeu duas etapas principais: limpeza e transformação. Inicialmente, uma base de 8.573 registros de atendimentos periciais da Macrorregião de Bauru foi submetida à limpeza. Nessa etapa, foram excluídos 607 registros que não possuíam natureza de exame preenchida, os quais correspondiam, em sua maioria, a solicitações recusadas ou canceladas onde a perícia não foi efetivamente realizada. Esse procedimento resultou em 7.966 registros válidos, que constituíram a base para a aplicação da Análise de Correspondência Múltipla (ACM).

Na etapa de transformação, as variáveis foram categorizadas e derivadas para adequação à análise. A hora do atendimento foi convertida em períodos pré-definidos (manhã, tarde, noite, madrugada), e os endereços foram agregados por município ou distrito dentro da Macrorregião de Bauru. Adicionalmente, o dia da semana foi derivado a partir da data de atendimento, e o tempo de resposta foi calculado em minutos, representando a diferença entre os campos de liberação e designação de cada ocorrência.

As variáveis categóricas selecionadas para a análise incluíram: motivo de acionamento (como homicídio, suicídio, latrocínio, acidente de trânsito), período do dia (manhã, tarde, noite, madrugada) e cidade de atendimento (Bauru, Avaí, Pederneiras, entre outras). Uma análise descritiva preliminar dos dados, incluindo o tempo de resposta, indicou uma alta dispersão, o que reforçou a necessidade de categorização para a aplicação da ACM.

A técnica principal de análise empregada foi a Análise de Correspondência Múltipla (ACM), uma abordagem de Machine Learning Não Supervisionado. A ACM baseia-se no conceito de distância qui-quadrado entre perfis de categorias, ponderados pelas distribuições marginais, e permite decompor as associações entre variáveis em dimensões fatoriais ordenadas por sua contribuição à variância total. Essa técnica é uma generalização da Análise de Correspondência Simples, adequada para analisar mais de duas variáveis categóricas simultaneamente (Fávero e Belfiore, 2023).

As análises foram realizadas em ambiente Python, utilizando a distribuição Anaconda Navigator (versão 2.7.0) e o ambiente de desenvolvimento integrado Spyder (versão 6). A implementação da ACM utilizou o pacote `prince`, que executa automaticamente os cálculos e gera os mapas perceptuais bidimensionais (Eixo 1 × Eixo 2). Esses mapas foram empregados para a interpretação dos padrões associativos entre as categorias das variáveis periciais (Greenacre, 2017; Fávero e Belfiore, 2023).

O procedimento metodológico para a aplicação da ACM envolveu a construção das matrizes indicadora e de Burt, a decomposição em valores singulares (SVD), o cálculo de inércia e a geração de biplots para interpretação visual das associações. As variáveis categóricas submetidas à ACM foram: Natureza do Exame (agrupada em dez categorias mais frequentes e uma categoria residual “Outras”), Período do Dia (manhã, tarde, noite, madrugada), Dia da Semana e Município (seis cidades com maior volume de atendimentos, mais a categoria “Outras”).

As etapas específicas da aplicação da ACM incluíram a construção da matriz de contingência, que é uma tabela multidimensional relacionando as categorias das variáveis selecionadas. Em seguida, realizou-se o cálculo das coordenadas fatoriais, utilizando o algoritmo padrão da ACM para transformar a matriz em coordenadas para visualização em um mapa perceptual (Greenacre, 2017). A interpretação dos eixos dimensionais (Eixo 1 e Eixo 2) permitiu identificar as principais dimensões de associação entre as categorias.

Por fim, calculou-se a contribuição das categorias, que corresponde à inércia, para identificar quais variáveis possuíam maior peso na formação dos agrupamentos. A escolha da ACM foi justificada pela necessidade de analisar mais de duas variáveis simultaneamente, evitando distorções comuns em análises qualitativas e preservando a estrutura natural dos dados. Esse posicionamento metodológico alinha-se à incorporação de técnicas de inteligência artificial e aprendizado de máquina em investigações criminais (Muda e Ahmad Raphaie, 2025).

3. Resultados e Discussão

A análise dos dados de atendimentos periciais na Macrorregião de Bauru, SP, revelou padrões significativos em termos de volume, distribuição temporal e espacial das ocorrências, bem como nos tempos de resposta. Estes achados iniciais serviram de base para a aplicação da Análise de Correspondência Múltipla (ACM), que permitiu explorar relações mais complexas entre as variáveis categóricas, como o motivo do acionamento, o horário, o dia da semana e a localização. A abordagem adotada alinha-se à premissa de que a análise exploratória de dados pode desvendar padrões ocultos em registros criminais, otimizando o uso de recursos e aprimorando a prevenção de crimes (Zhang et al., 2022).

A caracterização descritiva inicial dos motivos de acionamento evidenciou que furtos e tentativas, juntamente com colisões, representaram a maior parte do volume total de ocorrências. Furtos e tentativas corresponderam a 38% dos atendimentos, enquanto colisões totalizaram 11%. Em contraste, crimes violentos, como homicídios, estupros e feminicídios, embora de alta gravidade, somaram menos de 5% do total de registros. Este perfil de ocorrências sublinha a importância de investigar as correlações entre esses tipos de eventos e outras variáveis, como o período do dia e a região, um dos objetivos centrais da ACM.

A distribuição temporal dos atendimentos periciais apresentou padrões distintos. Observou-se uma concentração dos chamados no período diurno, entre 06h e 18h, enquanto a madrugada, compreendida entre 0h e 6h, registrou o menor volume de ocorrências, correspondendo a apenas 8% do total. Em relação aos dias da semana, as segundas-feiras concentraram quase o dobro de atendimentos em comparação com os fins de semana. Esse padrão pode indicar uma retomada das atividades e, consequentemente, das ocorrências após o período de menor circulação de sábado e domingo, refletindo a dinâmica socioeconômica da região.

A análise do tempo de resposta revelou uma distribuição assimétrica, com uma média de 78 minutos e um desvio-padrão de 405 minutos, mas uma mediana de apenas 12 minutos. Essa disparidade indica que a maioria dos atendimentos é concluída com agilidade, mas um conjunto de ocorrências de maior complexidade eleva substancialmente a média geral. Casos extremos, que demandaram tempos de execução prolongados, chegaram a 15.000 minutos. Feminicídios e lesões corporais destacaram-se com os maiores tempos médios de resposta, de 150,38 e 151,56 minutos, respectivamente, entre todos os tipos de ocorrência analisados.

Essas disparidades nos tempos de resposta, especialmente para crimes violentos, reforçam a necessidade de alocação estratégica de recursos. A literatura nacional, como o estudo de Parfitt, Pantaleão e Kopittke (2026), demonstra que a gestão baseada em dados e a redistribuição estratégica de recursos policiais podem ter um impacto direto na redução de indicadores de violência. Assim, a análise do tempo de resposta pericial não se configura como um fim em si, mas como um insumo crucial para decisões operacionais que visam à melhoria da segurança pública.

A análise regional dos atendimentos periciais demonstrou que o município de Bauru concentra 55% do total de acionamentos, liderando em cada tipo de ocorrência individualmente. Nos demais municípios da macrorregião, os atendimentos diurnos foram predominantes, um padrão consistente independentemente do porte ou localização do município. Esses resultados indicam que tanto a distribuição espacial quanto a temporal dos chamados apresentam regularidades que justificam uma investigação multivariada, como a realizada pela ACM, para desvendar associações mais profundas.

A aplicação da ACM foi realizada sobre 7.966 registros válidos, utilizando quatro variáveis categóricas: Natureza do Exame (agrupada em 10 categorias mais frequentes e uma residual “Outras”), Período do Dia (manhã, tarde, noite, madrugada), Dia da Semana e Município (seis cidades com maior volume de atendimentos, mais a categoria “Outras”). A implementação seguiu o procedimento descrito na metodologia, com decomposição em valores singulares da matriz indicadora normalizada pelo pacote Prince em Python, compatível com o algoritmo de Benzécri (Greenacre, 2017), gerando mapas bidimensionais para interpretação visual das associações.

As duas primeiras dimensões fatoriais da ACM explicaram, respectivamente, 5,8% e 5,2% da inércia total, somando 11% da variância capturada no espaço bidimensional. Embora o percentual de explicação possa parecer modesto, ele está dentro do esperado para análises com elevado número de categorias, conforme apontado por Fávero e Belfiore (2023). O relevante, neste contexto, não é o percentual absoluto, mas a coerência interpretativa dos agrupamentos revelados, que fornecem insights operacionais úteis.

O biplot gerado pela ACM permitiu identificar dois agrupamentos principais, revelando uma oposição clara entre perfis de ocorrências. A Dimensão 1 (eixo horizontal) organizou as categorias segundo uma oposição entre ocorrências noturnas e de fim de semana, posicionadas à direita, e ocorrências diurnas em dias úteis, à esquerda. No polo direito, concentraram-se os períodos Noite e Madrugada, os dias Sábado e Domingo, e naturezas como Choque, Atropelamento e Suicídio Consumado, além do município de Bauru.

No polo esquerdo da Dimensão 1, agruparam-se os períodos Manhã e Tarde, os dias úteis de Segunda a Quinta, e as naturezas Furtos e Tentativas e Danos/Depredação. Essa configuração visual sugere que eventos mais graves e urgentes tendem a ocorrer em períodos noturnos e nos fins de semana, especialmente em Bauru, enquanto crimes contra o patrimônio são mais prevalentes durante o dia e em dias úteis na macrorregião.

A Dimensão 2 (eixo vertical) complementou essa leitura, separando, no polo superior, o perfil de criminalidade patrimonial em dias úteis, com destaque para Furtos, Danos/Depredação, Terça e Segunda. No polo inferior, posicionaram-se ocorrências mais graves e urgentes, associadas à madrugada e ao domingo. Essa estrutura corrobora a ideia de que o município de Bauru apresenta um perfil diferenciado, com maior concentração de chamados noturnos e de fim de semana em comparação às demais cidades da região, o que pode refletir tanto o maior volume populacional quanto a dinâmica específica dos serviços de plantão.

A análise de contribuição e qualidade de representação (cos²) das categorias nas duas primeiras dimensões reforçou esses padrões. Na Dimensão 1, as categorias de maior contribuição foram Noite (14,7%), Domingo (11,3%), Madrugada (7,4%) e Sábado (7,1%), confirmando numericamente a oposição entre o perfil noturno/fim de semana e o perfil diurno/dia útil. Na Dimensão 2, destacaram-se as categorias Jogos/Máquinas Eletrônicas (39,3%) e o município de Jaú (38,0%), que apresentaram posições extremas no biplot e alta qualidade de representação (cos² de 0,60 cada), indicando que sua localização no gráfico reflete fielmente sua estrutura nos dados.

Apesar da baixa qualidade de representação de categorias como Choque (cos² = 0,09) e Bauru (cos² = 0,10) nas duas primeiras dimensões, o que sugere que parte de sua variação está distribuída em dimensões adicionais não visualizadas, a coerência interpretativa dos agrupamentos se mantém. A identificação de Jaú como ponto atípico no espaço da ACM, com um perfil diferenciado de acionamentos, e a categoria Jogos/Máquinas Eletrônicas, com distribuição muito concentrada, indicam nichos de atuação específicos que dificilmente seriam detectados por análises convencionais, justificando análises individualizadas futuras.

Esses resultados dialogam com estudos que aplicam a ACM em outros domínios, como o de Muda e Ahmad Raphaie (2025) na área de saúde mental, que demonstrou a robustez do método na identificação de padrões configuracionais invisíveis a abordagens convencionais. Embora o percentual de explicação da variância total seja menor neste estudo, devido à maior dispersão categorial dos dados periciais, a estrutura interpretativa dos agrupamentos identificados é igualmente coerente e operacionalmente útil para a gestão.

Os achados desta pesquisa sugerem uma contribuição potencial para a gestão dos serviços periciais, fornecendo subsídios descritivos que podem informar discussões sobre a alocação de recursos e o planejamento de ações preventivas. A análise indica que técnicas exploratórias como a ACM podem apoiar, de forma complementar, a formulação de políticas públicas de segurança baseadas em evidências, transformando dados periciais brutos em informações estratégicas vitais para a alocação eficiente de equipes e o embasamento de políticas públicas.

Contudo, é fundamental ressaltar que, por se tratar de um estudo de caráter exploratório e associativo, os resultados não permitem inferir relações de causalidade entre os padrões identificados e a redução da criminalidade ou a melhoria efetiva dos serviços. Essa verificação exigiria um desenho de pesquisa distinto, de natureza inferencial ou longitudinal. A limitação do recorte geográfico à Macrorregião de Bauru, embora justificada por razões de viabilidade operacional, impede a generalização dos padrões identificados para o conjunto do estado de São Paulo.

Como desdobramentos futuros, pretende-se ampliar a análise para todas as macrorregiões do estado de São Paulo, o que permitirá comparações regionais e a identificação de padrões sistêmicos na distribuição dos atendimentos periciais. Em etapa subsequente, a abordagem será estendida aos registros de exames de peças, atualmente excluídos do escopo, para contemplar a integralidade da produção pericial da Superintendência da Polícia Técnico-Científica. Estudos futuros poderiam ainda combinar a ACM com modelos de regressão para avaliar o peso estatístico de cada variável sobre o tempo de resposta, além de incorporar variáveis contextuais como efetivo disponível por turno, sazonalidade e condições climáticas, o que ampliaria o poder explicativo e a aplicabilidade dos resultados para a gestão da segurança pública.

Em síntese, a pesquisa demonstrou que dados periciais estruturados podem ser transformados em insumos estratégicos por meio de técnicas de aprendizado não supervisionado. A ACM, ao mapear geometricamente as associações entre categorias, oferece uma linguagem visual acessível para gestores que precisam tomar decisões sobre alocação de recursos sem necessariamente dominar estatística avançada, evidenciando o potencial ainda pouco explorado de análises baseadas em dados na gestão da segurança pública brasileira. Os padrões de associação identificados entre o tipo de ocorrência, o período do dia, o dia da semana e a localização na Macrorregião de Bauru fornecem subsídios valiosos para o planejamento operacional e a formulação de políticas públicas baseadas em evidências, respondendo diretamente ao objetivo do estudo de identificar tais padrões.

4. Conclusão

Este estudo aplicou a Análise de Correspondência Múltipla (ACM) aos registros de atendimentos periciais da Macrorregião de Bauru, SP, entre maio de 2023 e janeiro de 2026, buscando identificar padrões de associação entre o tipo de ocorrência, o período do dia, o dia da semana e a localização, com o intuito de subsidiar decisões operacionais baseadas em evidências. Verificou-se que furtos e colisões representaram a maior parte do volume de ocorrências, enquanto crimes violentos, embora menos frequentes, demandaram os maiores tempos de resposta, como observado em feminicídios e lesões corporais. A distribuição temporal dos atendimentos concentrou-se no período diurno, com menor volume nas madrugadas e maior incidência às segundas-feiras. A análise regional indicou que Bauru concentrou a maioria dos acionamentos. A ACM revelou dois agrupamentos principais: um perfil noturno e de fim de semana, associado a ocorrências como choques, atropelamentos e suicídios, predominantemente em Bauru; e um perfil diurno em dias úteis, caracterizado por furtos e danos à propriedade. A pesquisa demonstrou que a aplicação de técnicas exploratórias de aprendizado de máquina transformou dados periciais brutos em informações estratégicas vitais, fornecendo subsídios para a alocação eficiente de equipes e fundamentando a elaboração de políticas públicas baseadas em evidências.

Contudo, é importante ressaltar que, por se tratar de um estudo de caráter exploratório e associativo, os resultados não permitem inferir relações de causalidade entre os padrões identificados e a redução da criminalidade ou a melhoria efetiva dos serviços. A limitação do recorte geográfico à Macrorregião de Bauru impede a generalização dos padrões para o conjunto do estado de São Paulo. Como desdobramentos futuros, sugere-se a ampliação da análise para todas as macrorregiões do estado, a extensão da abordagem aos registros de exames de peças para contemplar a integralidade da produção pericial da Superintendência da Polícia Técnico-Científica, e a combinação da ACM com modelos de regressão para avaliar o peso estatístico de cada variável sobre o tempo de resposta. A incorporação de variáveis contextuais, como efetivo disponível por turno, sazonalidade e condições climáticas, também poderia ampliar o poder explicativo e a aplicabilidade dos resultados para a gestão da segurança pública.

Referências Bibliográficas

Lopez, B.E.; McGrath, J.G.; Taylor, V.G. 2020. Using forensic intelligence to combat serial and organized violent crimes. NIJ Journal 282: 47-57. Disponível em: <https://nij.ojp.gov/topics/articles/using-forensic-intelligence-combat-serial-and-organized-violent-crimes>. Acesso em 12 abr. 2026.

Russo, M.; Jannetta, J.; Duane, M. 2018. Developing data dashboards to drive criminal justice decisions. Urban Institute, Washington, DC, EUA. Disponível em: https://www.urban.org/sites/default/files/publication/99171/developing-data-dashboards-to-drive-criminal-justice-decisions.pdf, acesso em 12 abr. 2026.

Silveira, C. T. Segurança pública baseada no uso de dados. Brazilian Journal of

Zhang, X.; Liu, L.; Lan, M.; Song, G.; Xiao, L.; Chen, J. 2022. Interpretable machine learning models for crime prediction. Computers, Environment and Urban Systems 94: 101789. https://doi.org/10.1016/j.compenvurbsys.2022.101789. Acesso em 12 abr. 2026.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy