Prediciendo el crimen en ciudades intermedias: un modelo de “machine learning” en Bucaramanga, Colombia

  • Juan David Gelvez Ferreira University of Maryland
  • María-Paula Nieto-Rodríguez
  • Carlos-Andrés Rocha-Ruiz Departamento Nacional de Planeación
Palabras clave: análisis de datos, Colombia, crimen, prevención del crimen, Policía

Resumen

El uso de tecnología para prevenir el crimen es una práctica cada vez más frecuente. Sin embargo, la evidencia se ha concentrado en ciudades principales, que cuentan con gran cantidad de datos y mejores capacidades locales. El objetivo de esta investigación es presentar los resultados de un modelo de “machine learning” para predecir el delito en Bucaramanga, una ciudad intermedia de Colombia. Se utilizó el procesamiento de señales para grafos y una adaptación al caso del modelo de vectorización de texto TF-IDF. Se identificó que los mejores resultados en la predicción del crimen se dieron con modelos espaciales de grafos por semanas. Además, encontramos evidencia de que existen diversas dificultades de predicción, en dependencia de la periodicidad del modelo. La mejor opción posible (con los datos disponibles) es una periodicidad semanal. El mejor modelo encontrado es un KNN de clasificación, que alcanza un 59 % de exhaustividad(recall) y más de 60 % de exactitud (accuracy.). Concluimosque los modelos de predicción del delito constituyen una herramienta útil para construir estrategias de prevención en ciudades principales; sin embargo, existen limitaciones para su aplicación en ciudades intermedias, que cuentan con poca información.

Abstract

The use of technology to prevent and respond to citizen security challenges is increasingly frequent. However, empirical evidence has been concentrated in major cities with large amounts of data and local authorities' strong capacities. Therefore, this investigation aims to capture a series of policy recommendations based on a machine learning crime prediction model in an intermediate city in Colombia, Bucaramanga (department of Santander). The model used signal processing for graphs and an adaptation of the TF-IDF text vectorization model to the space-time case, for each of the cities’ neighborhoods. The results show that the best crime prediction outcomes were obtained when using the models with spatial relationships of graphs by weeks. Evidence of the difficulty in predictions based on the periodicity of the model is found. The best possible prediction (with available data) is weekly prediction. In addition, the best model found was a KNN classification model, reaching 59 % of recall and more than 60 % of accuracy. We concluded that crime prediction models are a helpful tool for constructing prevention strategies in major cities; however, there are limitations to its application in intermediate cities and rural areas in Colombia, which have little statistical information and few technical capabilities.

Descargas

La descarga de datos todavía no está disponible.

Referencias

Abt, Thomas, Chris Blattman, Beatriz Magaloni y Santiago Tobón. 2019. “¿Qué funciona para prevenir y reducir la violencia juvenil? Revisión sistemática de la evidencia sobre prevención y reducción de la violencia juvenil, con un análisis aplicado al contexto mexicano”. USAID.

Alcaldía Mayor de Bogotá. 2019. “Bogotá desarrollará un método de predicción de delitos”, https://bit.ly/3JrFqnr

Alvarado, Nathalie, Ervyn Norza, Santiago Pérez-Vincent, Santiago Tobón y Martín Vanegas-Arias. 2020. “Evolución de la seguridad ciudadana en Colombia en tiempos del COVID-19”. Nota de Política CIEF 1. doi.org/10.18235/0002780

Barrera, Francisco, Carlos Díaz, Álvaro Riascos y Mónica Ribero. 2016. “A comparison of different crime prediction models for Bogotá”. Documentos CEDE 34.

Blair, Rob, y Michael Weintraub. 2020. “El Ejército y la seguridad ciudadana: un experimento de campo en Cali, Colombia”, https://bit.ly/3SnxCHz

Blattman, Christopher, Donald Green, Daniel Ortega y Santiago Tobon. 2017. “Pushing Crime Around the Corner? Estimating Experimental Impacts of Large-Scale Security Interventions”, doi.org/10.2139/ssrn.3050823

Braga, Anthony A., Andrew V. Papachristos y David M. Hureau. 2014. “The effects of hot spots policing on crime: An updated systematic review and meta-analysis”. Justice quarterly 31 (4): 633-663. doi.org/10.1080/07418825.2012.673632

Brantingham, Patricia, Paul Brantingham y Wendy Taylor. 2005. “Situational crime prevention as a key component in embedded crime prevention”. Canadian Journal of Criminology and Criminal Justice: 271-292. doi.org/10.3138/cjccj.47.2.271

Buitrago, Julián Ricardo, Jair David Rodríguez y Pedro Aleksander Bernal. 2015. “Registros administrativos de policía para la consolidación de cifras de criminalidad en Colombia”. Revista Criminalidad 57 (2): 11-22.

Cornish, Dereck, y Ronald Clarke. 2003. “Opportunities, precipitators and criminal decisions: a reply to Wortley's critique of situational crime prevention”. Crime Prevention Studies 16: 41-96.

Gélvez, Juan David. 2018. “¿Cuáles determinantes se relacionan con la percepción de inseguridad? Un análisis estadístico y espacial para la ciudad de Bogotá, D. C.”. Revista Criminalidad 61 (1): 69-84.

Gómez, Santiago, Daniel Mejía y Santiago Tobón. 2019. “The Deterrent Effect of Surveillance Cameras on Crime”. Documentos CEDE.

Hollywood, Jhon, Kenneth McKay, Dulani Woods y Denis Agniel. 2019. “Real-Time Crime Centers in Chicago: Evaluation of the Chicago Police Department's Strategic Decision Support Centers”, doi.org/10.7249/rr3242

Instituto de Estudios Urbanos-Universidad Nacional de Colombia. 2016. “Las ciudades intermedias como resultado del proceso de urbanización”, https://bit.ly/3BCXx83

Johnson, Shane D., Rob T. Guerette y Kate Bowers. 2014. “Crime displacement: What we know, what we don't know, and what it means for crime reduction”. Journal of Experimental Criminology 10 (4): 549-571. doi.org/10.1007/s11292-014-9209-4

Kang, Hyeon-Woo, y Hang-Bong Kang. 2017. “Prediction of crime occurrence from multi-modal data using deep learning”. PLoS ONE 12 (4): e0176244. doi.org/10.1371/journal.pone.0176244

Karppi, Tero. 2018. “The Computer Said So: On the Ethics, Effectiveness, and Cultural Techniques of Predictive Policing”. Social Media + Society 4 (2): 205630511876829. doi.org/10.1177/2056305118768296

Levine, E. S., Jessica Tisch, Anthony Tasso, y Michael Joy. 2017. “The New York City police department’s domain awareness system”. Interfaces 47 (1): 70-84. doi.org/10.1287/inte.2016.0860

Meijer, Albert, y Martijn Wessels. 2019. “Predictive Policing: Review of Benefits and Drawbacks”. International Journal of Public Administration 42 (12): 1031-1039. doi.org/10.1080/01900692.2019.1575664

Mejía, Daniel, Ervyn Norza, Santiago Tobón y Martín Vanegas-Arias. 2021. “Broken Windows Policing and Crime: Evidence from 80 Colombian Cities”, doi.org/10.2139/ssrn.3917187

Mohler, George-, Martin Short, Jeffrey Brantingham, Frederic Paik Schoenberg y George Tita. 2011. “Self-Exciting Point Process Modeling of Crime”. Journal of the American Statistical Association 106 (493): 100-108, doi.org/10.1198/jasa.2011.ap09546

Mohler, George, M.B. Short, Sean Malinowski, Mark Johnson, George Tita, Andrea Bertozzi y P. Jeffrey Brantingham. 2015. “Randomized Controlled Field Trials of Predictive Policing”. Journal Of the American Statistical Association 110 (512): 1399-1411. doi.org/10.1080/01621459.2015.1077710

Organización Mundial de Ciudades y Gobiernos Locales Unidos. s.f. “Ciudades intermedias- Nexo vital entre lo local y lo global”, https://bit.ly/3d2CEJi

Ridgeway, Greg. 2018. “Policing in the Era of Big Data”. Annual Review of Criminology 1 (1): 401-419. doi.org/10.1146/annurev-criminol-062217-114209

Riascos, Álvaro, Mateo Dulce, Juan Sebastián Moreno y Francisco Gómez. 2020. “Prediciendo el crimen en Bogotá”. Nota de Política CEDE 38. Universidad de los Andes.

Santos, Rachel. 2014. “The effectiveness of crime analysis for crime reduction: Cure or diagnosis?”. Journal of Contemporary Criminal Justice 30 (2): 147-168. doi.org/10.1177/1043986214525080

Saunders, Jessica, Priscillia Hunt, y John S. Hollywood. 2016. “Predictions put into practice: A quasi-experimental evaluation of Chicago’s predictive policing pilot”. Journal of Experimental Criminology 12 (3): 347-371. doi.org/10.1007/s11292-016-9272-0

Shuman, David, Sunil K. Narang, Pascal Frossard, Antonio Ortega, y PierreVandergheynst. 2013. “The emerging field of signal processing on graphs: Extending high-dimensional data analysis to networks and other irregular domains”. IEEE Signal Processing Magazine 30 (3): 83-98. doi.org/10.1109/msp.2012.2235192

SEN (Sistema Estadístico Nacional). 2021. “Resultados de evaluación de la calidad estadística y trabajo conjunto para la encuesta de convivencia y seguridad ciudadana”, https://bit.ly/3JtYKAq

Stanković, Ljubisa, y Ervin Sejdić. 2019. Vertex-Frequency Analysis of Graph Signals. Signals And Communication Technology.

Wang, Bao, Penghang Yin, Andrea Bertozzi, Jeffrey Brantingham, Stanley Osher, y Jack Xin. 2017. “Deep Learning for Real-Time Crime Forecasting and Its Ternarization”. Chinese Annals of Mathematics. doi.org/10.1007/s11401-019-0168-y

Wang, Bao, Xiyang Luo, Fangbo Zhang, Baichuan Yuan, Andrea Bertozzi, y Jeffrey Brantingham. 2018. “Graph-Based Deep Modeling and Real Time Forecasting of Sparse Spatio-Temporal Data”. Cornell University. doi.org/10.48550/arXiv.1804.00684

Weisburd, David, y Cody Telep. 2014. “Hot Spots Policing”. Journal Of Contemporary Criminal Justice 30 (2): 200-220. doi.org/10.1177/1043986214525083

Wright, Jhon, y Kevin Beaver. 2012. Parenting and Crime. En The Oxford Handbook of Criminological Theory, editado por Francis T. Cullen y Pamela Wilcox, 40-68. Oxford University Press.

Publicado
2022-09-30
Cómo citar
Gelvez Ferreira, J., Nieto-Rodríguez, M.-P., & Rocha-Ruiz, C.-A. (2022). Prediciendo el crimen en ciudades intermedias: un modelo de “machine learning” en Bucaramanga, Colombia. URVIO. Revista Latinoamericana De Estudios De Seguridad, (34), 83-98. https://doi.org/10.17141/urvio.34.2022.5395