Modelagem espaço-temporal e dinâmica do roubo de cargas no Estado de São Paulo

Abstract

O roubo de cargas é um dos principais desafios para a segurança pública e a logística no Brasil, gerando altos impactos econômicos. Esta tese investiga a dinâmica desse fenômeno no Estado de São Paulo e propõe uma transição metodológica da estatística espacial clássica para o Aprendizado Profundo em Grafos Espaço-Temporais. Os dados foram estruturados por meio do processo de Descoberta de Conhecimento em Bases de Dados (Knowledge Discovery in Databases - KDD) para identificar pontos críticos e corredores rodo-logísticos. Para modelar a propagação do risco pelas rodovias, implementou-se a arquitetura neural A3T-GCN (Attention Temporal Graph Convolutional Network). Para corrigir o forte desbalanceamento geográfico dos dados, concentrados na Macrometrópole, desenvolveu-se uma estratégia de Aprendizado Sensível ao Custo (Cost-Sensitive Learning) com função de perda ponderada. Os resultados matemáticos demonstram que a rede corrigiu o viés de concentração da Capital e mapeou a difusão do risco criminal em direção ao interior. Sob a ótica da criminologia crítica, a modelagem prova que o roubo de cargas funciona como uma atividade empresarial estável que utiliza a infraestrutura do capital formal. Conclui-se, a partir dos testes do grafo, que intervenções focadas nos nós centralizadores de fluxo (centros logísticos) possuem maior impacto estatístico do que o patrulhamento linear de vias ostensivas, direcionando as estratégias de controle para o estrangulamento financeiro das organizações criminosas.

Cargo theft is one of the primary challenges to public security and logistics in Brazil, causing severe economic impacts. This thesis investigates the dynamics of this phenomenon in the State of São Paulo, proposing a methodological transition from classical spatial statistics to Spatiotemporal Graph Deep Learning. The data were structured using the Knowledge Discovery in Databases (KDD) process to identify hotspots and routing corridors. To model risk propagation across highways, an A3T-GCN (Attention Temporal Graph Convolutional Network) neural architecture was implemented. To address the severe geographical data imbalance concentrated in the Macrometropolis, a Cost-Sensitive Learning strategy with a weighted loss function was developed. The mathematical results demonstrate that the network corrected the Capital's concentration bias and mapped the diffusion of criminal risk toward the state's interior. From the perspective of critical criminology, the model proves that cargo theft operates as a stable corporate activity that leverages formal capital infrastructure. Based on the graph simulation tests, it is concluded that interventions focused on flow-concentrating nodes (logistical hubs) have a greater statistical impact than the linear patrolling of ostensive highways, shifting control strategies toward the financial strangulation of organized crime.