Usando um modelo de classificação para a adequada implantação do patrulhamento policial para o enfrentamento à assaltos a bancos no nordeste do Brasil
Barra lateral de artigos
Conteúdo do artigo principal
Resumo
Este artigo propõe uma nova abordagem para auxiliar policiais no combate a assaltos a bancos, especialmente um tipo violento de crime denominado, no Brasil, “Novo Cangaço”. O assalto a banco é um grande problema em pequenas cidades de todo o Brasil e, principalmente, no Nordeste. Nesse contexto, os gestores policiais enfrentam um desafio complexo ao desdobrar suas patrulhas para cobrir grandes áreas. Para lidar com esse problema, propomos uma nova abordagem usando algoritmos de classificação que usam a probabilidade de um evento de assalto a banco com base em características territoriais para implantar policiais com mais eficiência. Também analisaremos características geográficas para entender nosso modelo, explicando como elas impactam os eventos de assaltos a bancos, usando funções de importância de características.
Detalhes do artigo
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
O periódico tem direito de exclusividade sobre a primeira publicação, impressa e/ou digital, deste texto acadêmico, o que não afeta os direitos autorais do(s) responsável(eis) pela pesquisa.
A reprodução (integral ou parcial), do material publicado depende da expressa menção a este periódico como origem, mediante citação do volume, número da edição e do link DOI para referência cruzada. Para fins de direitos, deve ser consignada a fonte de publicação original.
A utilização dos resultados aqui publicados em outros veículos de divulgação científica, ainda que pelos autores, depende de expressa indicação deste periódico como meio de publicação original, sob pena de caracterizar situação de auto-plágio.
____________________________________________
Informações adicionais e declarações de autoria
(integridade científica)
Declaração de conflito de interesse: A autoria confirma não haver conflitos de interesse na condução desta pesquisa e escrita deste artigo.
Declaração de autoria: Todos e apenas os pesquisadores que atendem os requisitos de autoria deste artigo são listados como autores; todos os coautores são integralmente responsáveis por este trabalho em sua inteireza.
Declaração de originalidade: A autoria assegura que o texto aqui publicado não foi previamente divulgado em qualquer outro local e que a futura republicação apenas será feita com expressa referência ao local original de publicação; também atesta que não há plágio de material de terceiros ou autoplágio.
____________________________________________
Arquivamento e distribuição
É permitido o arquivamento do PDF final publicado, sem restrições, em qualquer servidor de acesso aberto, indexador, repositório ou página pessoal, a exemplo do Academia.edu e ResearchGate.
Como Citar
Referências
Bernasco, W. “Them Again?: Same-Offender Involvement in Repeat and Near Repeat Burglaries.” European Journal of Criminology, 5, 2008: 411-431.
Braga, AA, AV Papachristos, e DM Hureau. “The concentration and stability of gun violence at micro places in Boston, 1980-2008.” Journal of Quantitative Criminology 26, 2010: 33-53.
Caplan, J M, e L W Kennedy. “Risk terrain modelling: Brokering criminological theory and GIS methods for crime forecasting.” Justice Quarterly 28, 2011: 360-381.
Cavadas, B, P Branco, e S Pereira. “Crime Prediction Using Regression and Resources Optimization.” DOI: 10.1007/978-3-319-23485-4_51, 2015.
Chaney, S., e J. Ratcliffe. GIS and crime mapping. West Sussex: John Wiley & Sons, 2008.
Chao Huang, C, J Zhang, Y Zheng, e N. Chawla. “DeepCrime: Attentive Hierarchical Recurrent Networks forCrime Prediction.” CIKM’18. Turim: Association for Computing Machinery, 2018.
Chawla, N. V., K. W. Bowyer, L. O. Hall, e W. P. Kegelmeyer. “SMOTE: Synthetic Minority Over-sampling Technique.” Journal of Artificial Intelligence Research 16 , 2002: 321-357.
Costa, C. A. V., E. M. L. S Ramos, S. S. Almeida, e A. R. Araújo. ““Novo Cangaço” - sua incidência no Estado do pará e sua relação com o tráfico de drogas.” Em Segurança e Defesa: Conflitos, Criminalidade, Tecnologia da Informação, por S. S. Almeida, E. M. L. S. Ramos e C. A. N. Chagas, 197-206. Belém: Edições UFPA, 2016.
Jiang, B. “Head/tail Breaks: A New Classification Scheme for Data with a Heavy-tailed Distribution.” The Professional Geographer, 2012: 1-13.
Johnson, S. D., D.J. Birks, L McLaughlin, K.J. Bowers, e K Pease. “Prospective crime mapping inoperational context: Final report.” Home Office Online Report 19/07. Lonodn, 19 de jULY de 2007.
Mohler, G, M. B. Short, P. J. Brantingham, F. P. Schoenberg, e . Tita. “Self-Exciting Point Process Modeling of Crime.” Journal of the American Statistical Association 106, 2011: 100-108.
Nath, S. V. “Crime pattern detection using data mining.” Web Intelligence and Intelligent Agent Technology Workshops, IEEE/WIC/ACM International Conference. IEEE, 2006. 41-44.
Perry, W. L., B. Mc Innis, S. C. Smith, e J. S Hollywood. Predictive policing: the role of crime forescasting in law enforcements operations. Washington: RAND Corporation, 2013.
Reinhart, A, e J Greenhouse. “ Self-exciting point processes with spatial covariates: Modelling the dynamics of crime.” Journalof the Royal Statistical Society: Series C (Applied Statistics) 67, 2018: 1305-1329.
Silva, W. C. P. S. “ESPAÇO GEOGRÁFICO E CRIMINOLOGIA: topologia de segurança versus topologia do crime - uma análise da gestão de segurança do território e roubo a bancos no Nordeste.” Tese apresentada ao Programa de Pós-Graduação em Geografia do Departamento de Geografia da Universidade Federal do Rio Grande do Norte para a obtenção do título de Doutor em Geografia., Natal, 2019.
Wheeler, A P, e W Steenbeek. “Mapping the risk terrain for crime using machine learning.” J Quant Criminol (10.31235/osf.io/xc538), 2020: https://doi.org/10.1007/s10940-020-09457-7.
Zhao, X, e J Tang. “Modeling Temporal-Spatial Correlations for Crime Prediction.” CIKM’17. Singapore, 2017. 497-506.