Afdækning af kriminalitetsmønstre ved hjælp af lokalitetsdata

Hvornår og hvor opstår kriminalitet i byerne? For at besvare dette spørgsmål, kriminologer har tidligere satset på ret statiske modeller. Kriminalitet er blevet forbundet, for eksempel, til beboerbefolkningens struktur eller til brugen af ​​jord i et kvarter. Den indflydelse, mobilitet har på forekomsten af ​​kriminalitet, var tidligere en ukendt størrelse.

Nu, imidlertid, forskere fra ETH Zürich, University of Cambridge og New York University har for første gang været i stand til at demonstrere, at kriminalitet er direkte relateret til, hvor mange mennesker der er i en by, hvor de er, og hvor de skal hen. Cristina Kadar, en datalog og tidligere doktorand ved Mobiliar Lab for Analytics på ETH, ledet undersøgelsen. Hun præsenterede for nylig resultaterne på en (virtuel) konference om computational social science.

Analyse af mobilitetsstrømme

Forskerne beregnede mobilitetsstrømme ud fra aggregerede og anonymiserede lokationsdata. I deres undersøgelse, de brugte tre komplette sæt anonymiserede data vedrørende byerne San Francisco, Chicago og Philadelphia fra årene 2012 og 2013. De indhentede oplysningerne fra lokationsteknologiplatformen Foursquare, som er baseret på millioner af "check-ins, "dvs. steder, som brugerne aktivt har delt. Inden dataene stilles til rådighed for forskerne, virksomheden sørgede for, at persondata og alle indtjekninger på brugernes hjemmeadresse var blevet slettet.

I deres analyse, forskerne sammenlignede datasættene med kriminalitetsstatistikker fra samme periode, fokuserer specifikt på lovovertrædelser i forbindelse med tyveri, røveri, angreb, indbrud og stjålne biler.

Mere aktivitet, mere kriminalitet

De fandt ud af, at jo mere aktivitet platformens data viste for et bestemt tidspunkt og distrikt, jo større antal af lovovertrædelser, der var blevet begået dér.

Ved beregning af "aktivitet, "Forskerne inkluderede check-in på restauranter, butikker eller sportsfaciliteter samt eventuelle tilfælde af personer, der passerer gennem en given bydel på vej mellem to indtjekninger. Deres beregninger af stierne mellem to indtjekninger var baseret på den antagelse, at brugerne vælger den korteste rute og navigerer deres vej ved hjælp af eksisterende trafikruter.

Fare lurer undervejs

Faktisk, det er disse mellemrejser, der har den største indflydelse på kriminaliteten. Med andre ord, kriminalitet er mest sandsynligt, at der opstår i de områder, som folk passerer igennem mellem at gennemføre to rutinemæssige aktiviteter, for eksempel på vej fra arbejde til butikker eller for at deltage i fritidsaktiviteter. Resultaterne understøtter en populær teori fra kriminologi, der hævder, at forbrydelser finder sted, hvor gerningsmændenes og ofrenes veje krydses.

"Jeg glæder mig over, at vi kan bruge data, der i bund og grund ikke har noget at gøre med strafbare handlinger til at karakterisere kriminalitet så godt, " siger Kadar. Aldrig før har vi været i stand til at påvise sammenhængen mellem menneskers mobilitet og kriminalitet på en så detaljeret måde i form af tid og rum, forklarer hun.

Forskerne opdelte også deres analyse efter type aktivitet og lovovertrædelse. Dette afslørede, at der blev registreret mere kriminalitet i steder og tidsperioder med et stort antal rekreative aktiviteter, men det var ikke tilfældet med shopping, for eksempel. Med hensyn til den type lovovertrædelse, der er begået, forskerne fandt den stærkeste positive sammenhæng fra aktivitet med tyverier, og de svageste med røverier.

Forudsigelser også muligt

Ud over, forskerne undersøgte, om det ville være muligt at bruge mobilitetsdataene til at forudsige kriminalitet ved hjælp af maskinlæring. At gøre dette, de trænede forskellige modeller én gang med Foursquare-datasættene og én gang kun med data om tidligere lovovertrædelser. Næste, de kontrollerede nøjagtigheden af ​​prognoserne i forhold til de faktiske registrerede forseelser. De opdagede, at forudsigelsesmodellerne, der blev fodret med mobilitetsdata, klarede sig væsentligt bedre end forudsigelser baseret på tidligere forbrydelser.

Støtte til forskning

Kadar ser sit studie primært som et middel til at støtte forskning. Ved at give beviser for kriminalitetsmønsterteorien, det hjælper med at forbedre forståelsen af ​​kriminalitetens oprindelse. Hun mener, at hendes arbejde også demonstrerer anvendeligheden af ​​big data til computational social science, men bemærker, at yderligere undersøgelser er nødvendige for at validere resultaterne, før offentlige myndigheder kan anvende dem til at designe og bygge sikrere byer. Det skyldes, at analysen bør genbesøges med en række forskellige datasæt for at kalibrere enhver potentiel platformbias. Og selvom resultaterne af undersøgelsen kan anvendes på store byer, de er måske ikke relevante for mindre.