Utilizzo di un modello di classificazione per l'adeguata attuazione della pattuglia di polizia per far fronte alle rapine in banca nel nord-est del Brasile
Barra laterale dell'articolo
Contenuto principale dell'articolo
Abstract
Questo articolo propone un nuovo approccio per assistere gli agenti di polizia nella lotta contro le rapine in banca, in particolare un tipo di crimine violento chiamato, in Brasile, "Novo Cangaço". La rapina in banca è un grosso problema nelle piccole città del Brasile e soprattutto nel nord-est. In questo contesto, i dirigenti della polizia devono affrontare una sfida complessa quando dispiegano le loro pattuglie per coprire vaste aree. Per affrontare questo problema, proponiamo un nuovo approccio che utilizza algoritmi di classificazione che utilizzano la probabilità di un evento di rapina in banca in base alle caratteristiche territoriali per schierare gli agenti di polizia in modo più efficiente. Analizzeremo anche le caratteristiche geografiche per comprendere il nostro modello, spiegando come influiscono sugli eventi di rapina in banca, utilizzando le funzioni di importanza delle caratteristiche.
Dettagli dell'articolo
Sezione
Questo volume è pubblicato con la licenza Creative Commons Attribuzione - Non commerciale 4.0 Internazionale.
La rivista ha diritti esclusivi sulla prima pubblicazione, stampata e/o digitale, di questo testo accademico, che non pregiudica il diritto d'autore del responsabile della ricerca.
La riproduzione (in tutto o in parte) del materiale pubblicato dipende dalla citazione espressa di questa rivista come origine, citando il volume, il numero di edizione e il link DOI per un riferimento incrociato. Ai fini dei diritti, la fonte di pubblicazione originale deve essere registrata.
L'utilizzo dei risultati qui pubblicati in altri veicoli di divulgazione scientifica, anche se da parte degli autori, dipende dall'espressa indicazione di questa rivista come mezzo di pubblicazione originale, pena la caratterizzazione di una situazione di autoplagio.
____________________________________________
Informazioni aggiuntive e dichiarazioni dell'autore
(integrità scientifica)
Dichiarazione di conflitto di interessi: gli autori confermano che non vi sono conflitti di interesse nello svolgimento di questa ricerca e nella stesura di questo articolo.
Dichiarazione di paternità: tutti e solo i ricercatori che soddisfano i requisiti di paternità per questo articolo sono elencati come autori; tutti i coautori sono pienamente responsabili di questo lavoro nella sua interezza.
Dichiarazione di originalità: L'autore(i) garantisce che il testo qui pubblicato non è stato precedentemente pubblicato altrove e che la futura ripubblicazione sarà effettuata solo con espresso riferimento al luogo di pubblicazione originale; certifica inoltre che non vi è plagio di materiale di terzi o autoplagio.
____________________________________________
Archiviazione e distribuzione
Il PDF finale pubblicato può essere archiviato, senza restrizioni, su qualsiasi server ad accesso aperto, indicizzatore, repository o pagina personale, come Academia.edu e ResearchGate.
Come citare
Riferimenti bibliografici
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.