Estadísticas del crimen

CrimeStat es un programa de software de mapeo de delitos . CrimeStat es un programa basado en Windows que realiza análisis espaciales y estadísticos y está diseñado para interactuar con un sistema de información geográfica (GIS). El programa es desarrollado por Ned Levine & Associates bajo la dirección de Ned Levine, con financiación del Instituto Nacional de Justicia (NIJ), una agencia del Departamento de Justicia de los Estados Unidos . El programa y el manual son distribuidos de forma gratuita por el NIJ.

CrimeStat realiza análisis espaciales de objetos ubicados en un SIG. Los objetos pueden ser puntos (por ejemplo, eventos, ubicaciones), zonas (por ejemplo, manzanas, zonas de análisis de tráfico, ciudades) o líneas (por ejemplo, segmentos de calles). El programa puede analizar la distribución de los objetos, identificar puntos conflictivos, indicar autocorrelación espacial, monitorear la interacción de eventos en el espacio y el tiempo y modelar el comportamiento de los viajes.

Hay un módulo de regresión para modelado espacial no lineal. Algunas de sus herramientas son específicas para el análisis de delitos. Otras pueden aplicarse en muchos campos. Hay 55 rutinas estadísticas en el programa.

Desarrollo

CrimeStat se ha desarrollado desde mediados de los años 90 bajo la dirección de Ned Levine. El primer prototipo fue un programa C++ basado en Unix llamado Pointstat que se desarrolló para analizar los accidentes automovilísticos en Honolulu. ^[1]^[2] En 1996, el Instituto Nacional de Justicia financió la primera versión de CrimeStat y las primeras rutinas de Pointstat se incorporaron al programa.

La primera versión (1.0) fue lanzada en agosto de 1999: la última versión es la 3.3 (julio de 2010).

Hasta la versión 3.1, CrimeStat fue programado por Long Doan de Doan Consulting, Falls Church, VA.
A partir de la versión 2.0, y únicamente a partir de la versión 3.2, CrimeStat fue programado principalmente por Haiyan Teng de Houston, TX.

Funcionalidad

Configuración de datos

CrimeStat puede introducir datos tanto en archivos de atributos como en archivos SIG, pero requiere que todos los conjuntos de datos tengan coordenadas geográficas asignadas a los objetos. El formato de archivo básico es dBase (dbf), pero también se pueden leer archivos de texto ASCII y de formas (shp). El programa requiere un archivo primario, pero muchas rutinas también utilizan un archivo secundario. CrimeStat utiliza tres sistemas de coordenadas: esférico (longitud, latitud), proyectado y direccional (ángulos).

La distancia se puede medir de forma directa, indirecta ( Manhattan ) o en red (que también permite utilizar el tiempo de viaje o la velocidad). Las unidades de distancia son grados decimales para coordenadas esféricas y pies, metros, millas, kilómetros o millas náuticas para coordenadas proyectadas. El programa puede crear cuadrículas de referencia. Varias rutinas también utilizan el área de la región geográfica para sus cálculos.

Rutinas estadísticas

Las rutinas de descripción espacial incluyen:

Estadísticas de distribución espacial (centro medio, elipse de desviación estándar, centro de distancia mínima, centro mediano, media direccional, envoltura convexa)
Estadísticas de autocorrelación espacial para datos zonales ( I de Moran , G de Getis, G global de Getis-Ord, correlograma de Moran, correlograma de Geary, correlograma de Getis-Ord),
Estadísticas basadas en la distancia entre puntos ( análisis del vecino más cercano , "K" de Ripley , asignación y suma de puntos del Archivo Primario a puntos del Archivo Secundario y varias matrices de cálculo de distancias) y
Estadísticas de análisis de conglomerados para puntos, zonas o líneas. CrimeStat dispone de una serie de rutinas para la identificación de conglomerados:

Se pueden ejecutar simulaciones de Monte Carlo en muchas rutinas para estimar intervalos creíbles .

Las rutinas de modelado espacial incluyen:

Interpolación de densidad de kernel única para examinar la variación en una región de una sola variable
Interpolación de densidad de núcleo dual de dos variables (por ejemplo, un conjunto de eventos en relación con una población "en riesgo")
Rutina Head Bang para suavizar datos zonales ^[3]^[4]
Superficie de Head Bang interpolada que interpola las estimaciones de Head Bang a una cuadrícula
Índices de Knox y Mantel que identifican la interacción entre el espacio y el tiempo en los eventos
Análisis de caminata correlacionada , basado en la teoría de la caminata aleatoria , para modelar el comportamiento secuencial de un delincuente en serie en el espacio y el tiempo y hace una predicción sobre el próximo evento.
Análisis del recorrido hacia el delito para modelar el origen probable de un delincuente reincidente en función de la ubicación de eventos anteriores cometidos por el delincuente ( perfiles geográficos )
El método bayesiano Journey-to-crime es un método bayesiano empírico que integra la estimación Journey-to-crime con información sobre la ubicación de residencia de otros delincuentes reincidentes que cometieron delitos en los mismos lugares para producir una estimación actualizada. La rutina de diagnóstico compara esta estimación con sus componentes para predecir la ubicación de residencia de múltiples delincuentes reincidentes ^[5]^[6]
Estimación bayesiana del recorrido hacia el delito que aplica el método bayesiano del recorrido hacia el delito para estimar la ubicación de un delincuente reincidente
Regresión espacial . Los modelos incluyen mínimos cuadrados ordinarios , regresión de Poisson y varios otros modelos lineales generalizados para datos de recuento. Además, existen rutinas de Monte Carlo de cadena de Markov para ajustar los modelos Poisson-Gamma y Poisson-Lognormal, incluso cuando estos tienen un ajuste de autorregresión espacial condicional (CAR o SAR).

El módulo Demanda de viajes relacionados con delitos modela los viajes relacionados con delitos en un área metropolitana. Es una aplicación del modelado de la demanda de viajes a los delitos u otros eventos poco frecuentes. ^[7]^[8] El propósito es calibrar el comportamiento de viaje de un gran número de delincuentes que cometen delitos como base para modelar intervenciones alternativas por parte de las fuerzas del orden ^[9]^[10]

Producción

CrimeStat tiene tres tipos diferentes de resultados:

Salida en pantalla que muestra los resultados una vez finalizados los cálculos. Estos pueden guardarse en un archivo de texto.
Salida no gráfica para muchas rutinas en formato de texto dBase DBF o Ascii.
Salida gráfica para muchas rutinas que permiten visualizar los objetos calculados en un SIG. Actualmente, los formatos de salida gráfica incluyen Esri SHP, MapInfo Interchange Format (MIF/MID), Surfer for Windows DAT y formatos de texto ASCII.

Defectos

A diferencia de otros programas de estadísticas espaciales, CrimeStat no tiene capacidades de mapeo y debe utilizarse con software GIS. Algunos usuarios han descubierto que la interfaz gráfica de usuario es difícil de entender e inconsistente entre rutinas. ^{[ cita requerida ]}

Dado que CrimeStat analiza puntos en la mayoría de las rutinas, sus resultados no siempre son consistentes con los del software que analiza áreas (por ejemplo, GeoDa ). Por último, el tamaño del manual puede resultar abrumador para los nuevos usuarios de estadísticas espaciales.

Desarrollo de estadísticas complementarias sobre el crimen

Además del desarrollo del programa CrimeStat, todas las rutinas hasta ^{la versión 2.0 ,} más las rutinas de autocorrelación espacial, se han convertido en bibliotecas .NET para su uso en aplicaciones de terceros. La versión 1.0 de las bibliotecas de CrimeStat se publicó en agosto de 2010 y está disponible en la página web de CrimeStat.

Reseñas y ejemplos

Se han publicado revisiones y ejemplos de CrimeStat en su aplicación al análisis del delito. ^[11]^[12]^[13] También han aparecido ejemplos del uso de CrimeStat fuera del análisis del delito. ^[14]^[15]^[16]^[17]^[18]

Uso de CrimeStat por parte de los analistas de la policía del condado de Baltimore

Los analistas de la policía del condado de Baltimore utilizan CrimeStat para realizar diversos análisis espaciales. ^{[ cita requerida ]} La principal responsabilidad de los analistas de la policía del condado de Baltimore es identificar y abordar los problemas delictivos existentes o previstos. Los analistas de la policía utilizan el "análisis de puntos críticos" en CrimeStat para identificar áreas dentro del condado con altas concentraciones de delincuencia. Otro ejemplo que demuestra el uso de CrimeStat involucra los Enfoques basados en datos para la delincuencia y la seguridad vial (DDACTS) del departamento.

Los analistas de la policía utilizaron la agrupación espacial jerárquica del vecino más cercano para identificar las áreas con altas concentraciones de delitos y accidentes de tráfico. Los analistas descubrieron que los dos grupos de delitos y accidentes tendían a superponerse en muchas áreas del condado. El programa DDACTS del condado se inició para aumentar la presencia policial en las áreas objetivo. Los resultados preliminares han sido alentadores, ya que la mayoría de los delitos y accidentes de tráfico objetivo disminuyeron en las áreas DDACTS.

Desde entonces, el programa DDACTS del Departamento se ha convertido en un modelo a nivel nacional con el apoyo de la Administración Nacional de Seguridad del Tráfico en las Carreteras. Por último, los analistas policiales han utilizado los modelos Journey to Crime y Bayesian Journey to Crime Estimation de CrimeStat para identificar con éxito el espacio de actividad de un delincuente reincidente. Una vez que se ha identificado el espacio de actividad de un delincuente, los analistas policiales examinarán la información obtenida de otras fuentes policiales, como paradas de tráfico, informes de entrevistas de campo y lectores de matrículas para determinar si se estableció un contacto con un delincuente potencial.

La policía también ha utilizado el modelo Crime Travel Demand de CrimeStat para identificar las redes de carreteras utilizadas por conductores bajo la influencia del alcohol (DUI). Las carreteras identificadas por el modelo Crime Travel Demand fueron seleccionadas para programas de interdicción por parte del equipo de control de DUI del departamento. Se han utilizado redes de carreteras ponderadas similares junto con los modelos Journey to Crime para mejorar la identificación del espacio de actividad de un infractor.

Véase también

Mapeo del crimen

Referencias

^ Levine, N. "Estadísticas espaciales y SIG: herramientas de software para cuantificar patrones espaciales", Journal of the American Planning Association . 1996. 62 (3), 381-392.
^ Levine, N., Kim, KE y Nitz, LH (1995). "Análisis espacial de los accidentes automovilísticos en Honolulu: I. Patrones espaciales". Accident Analysis & Prevention , 27 (5), 663-674.
^ Mungiole, M., Pickle, LW y Simonson, KH (2002). Aplicación de un algoritmo ponderado de golpeteo de cabeza a mapas de datos de mortalidad, Statistics in Medicine , 18, 3201-3209.
^ Mungiole, M. y Pickle, LW (1999). Determinación del grado óptimo de suavizado utilizando el algoritmo de golpes de cabeza ponderados en datos de mortalidad mapeados, en ASC '99 Leading Survey & Statistical Computing into the New Millennium , Actas de la Conferencia Internacional de la ASC, septiembre. [1] Archivado el 27 de mayo de 2010 en Wayback Machine.
^ Levine, N. y Block, R. (2011). “Viaje bayesiano a la estimación del delito: una mejora en la metodología de elaboración de perfiles geográficos”. The Professional Geographer , 63(2), 1–17.
^ JIP-OP (2009). Artículos de Levine, N., Canter, D., Block, R., Bernasco, W., Leitner, M., Kent, J., Lee, P. y O'Leary, M., Número especial sobre el modelado bayesiano del viaje al delito. Journal of Investigative Psychology and Offender Profiling , 6 (3).
^ Hensher, DA y Button, KJ (2002). Manual de modelado de transporte . Elsevier Science: Cambridge, Reino Unido.
^ Ortúzar, Juan de Dios y Luis G. Willumsen (2001). Modelización del Transporte (3ª edición). J. Wiley & Sons: Nueva York.
^ Levine, N. y Canter, P. (2011) "Vincular los orígenes con los destinos de los accidentes automovilísticos causados por conducir bajo los efectos del alcohol: una aplicación del modelado de la demanda de viajes relacionados con el delito". Crime Mapping . En prensa.
^ Levine, N. (2007), “Demanda de viajes para delincuentes y robos a bancos: uso de CrimeStat III para modelar viajes para robos a bancos”. Social Science Computer Review , 25(2), 239-258.
^ Brodsky, H. (2002). “CrimeStat II en el escenario geoestadístico”. Geospatial Solutions , noviembre. 49-53
^ Paulsen, D. y Robinson, M. (2008). Aspectos espaciales del delito: teoría y práctica (2.ª edición). Allyn y Bacon.
^ Chainey, S. y Ratcliffe, J. (2005). SIG y cartografía del delito . John Wiley & Sons, Ltd.
^ Lai PC, Low CT, Wong M, Wong WC y Chan MH. (2009). “Análisis espacial de las caídas en una comunidad urbana de Hong Kong”, International Journal of Health Geography , 17:8-14
^ de Smith, MJ, Goodchild, MF y Longley, PA (2007). Análisis geoespacial (segunda edición). The Winchelsea Press: Leicester, Reino Unido
^ Anne van der Veen, A. (2005). “Zonas críticas económicas: visualización de la vulnerabilidad a las inundaciones”, Natural Hazards , 36(1-2), 65-80.
^ Anselin, L. (2003). “Introducción al análisis de patrones de puntos con CrimeStat”, GeoDa Center , Arizona State University: Tempe. http://geodacenter.asu.edu/system/files/points.pdf
^ Clevenger, AP, Chruszcz, B. y Gunson, KE (2001). “Las cercas de mitigación en las carreteras reducen las colisiones entre animales salvajes y vehículos”, Wildlife Society Bulletin , 29(2),646-653.

Lectura adicional

Levine, N. (2008). “CrimeStat: un programa estadístico espacial para el análisis de incidentes delictivos”. Shekhar, S. y Xiong, H. (eds), Enciclopedia de la ciencia de la información geográfica . Springer. 187-193.
Levine, N. (2006). “Mapeo del delito y el programa CrimeStat. Análisis geográfico . 38 (1), 41-55.

Enlaces externos

Sitio web oficial

[1] Levine, N. "Estadísticas espaciales y SIG: herramientas de software para cuantificar patrones espaciales", Journal of the American Planning Association . 1996. 62 (3), 381-392.

[2] Levine, N., Kim, KE y Nitz, LH (1995). "Análisis espacial de los accidentes automovilísticos en Honolulu: I. Patrones espaciales". Accident Analysis & Prevention , 27 (5), 663-674.

[3] Mungiole, M., Pickle, LW y Simonson, KH (2002). Aplicación de un algoritmo ponderado de golpeteo de cabeza a mapas de datos de mortalidad, Statistics in Medicine , 18, 3201-3209.

[4] Mungiole, M. y Pickle, LW (1999). Determinación del grado óptimo de suavizado utilizando el algoritmo de golpes de cabeza ponderados en datos de mortalidad mapeados, en ASC '99 Leading Survey & Statistical Computing into the New Millennium , Actas de la Conferencia Internacional de la ASC, septiembre. [1] Archivado el 27 de mayo de 2010 en Wayback Machine.

[5] Levine, N. y Block, R. (2011). “Viaje bayesiano a la estimación del delito: una mejora en la metodología de elaboración de perfiles geográficos”. The Professional Geographer , 63(2), 1–17.

[6] JIP-OP (2009). Artículos de Levine, N., Canter, D., Block, R., Bernasco, W., Leitner, M., Kent, J., Lee, P. y O'Leary, M., Número especial sobre el modelado bayesiano del viaje al delito. Journal of Investigative Psychology and Offender Profiling , 6 (3).

[7] Hensher, DA y Button, KJ (2002). Manual de modelado de transporte . Elsevier Science: Cambridge, Reino Unido.

[8] Ortúzar, Juan de Dios y Luis G. Willumsen (2001). Modelización del Transporte (3ª edición). J. Wiley & Sons: Nueva York.

[9] Levine, N. y Canter, P. (2011) "Vincular los orígenes con los destinos de los accidentes automovilísticos causados por conducir bajo los efectos del alcohol: una aplicación del modelado de la demanda de viajes relacionados con el delito". Crime Mapping . En prensa.

[10] Levine, N. (2007), “Demanda de viajes para delincuentes y robos a bancos: uso de CrimeStat III para modelar viajes para robos a bancos”. Social Science Computer Review , 25(2), 239-258.

[11] Brodsky, H. (2002). “CrimeStat II en el escenario geoestadístico”. Geospatial Solutions , noviembre. 49-53

[12] Paulsen, D. y Robinson, M. (2008). Aspectos espaciales del delito: teoría y práctica (2.ª edición). Allyn y Bacon.

[13] Chainey, S. y Ratcliffe, J. (2005). SIG y cartografía del delito . John Wiley & Sons, Ltd.

[14] Lai PC, Low CT, Wong M, Wong WC y Chan MH. (2009). “Análisis espacial de las caídas en una comunidad urbana de Hong Kong”, International Journal of Health Geography , 17:8-14

[15] Smith, MJ, Goodchild, MF y Longley, PA (2007). Análisis geoespacial (segunda edición). The Winchelsea Press: Leicester, Reino Unido

[16] Anne van der Veen, A. (2005). “Zonas críticas económicas: visualización de la vulnerabilidad a las inundaciones”, Natural Hazards , 36(1-2), 65-80.

[17] Anselin, L. (2003). “Introducción al análisis de patrones de puntos con CrimeStat”, GeoDa Center , Arizona State University: Tempe. http://geodacenter.asu.edu/system/files/points.pdf

[18] Clevenger, AP, Chruszcz, B. y Gunson, KE (2001). “Las cercas de mitigación en las carreteras reducen las colisiones entre animales salvajes y vehículos”, Wildlife Society Bulletin , 29(2),646-653.