Uso de un modelo de clasificación para el despliegue adecuado de la patrulla policial para enfrentar el robo a banco en el nordeste de Brasil
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este artículo propone un nuevo enfoque para ayudar a los policías a combatir los robos a bancos, especialmente un tipo de delito violento denominado, en Brasil, “Novo Cangaço”. El robo de bancos es un problema masivo en los pequeños pueblos de todo Brasil y, en particular, en el Nordeste. En este contexto, los directores de policía enfrentan un desafío complejo al desplegar sus patrullas para cubrir áreas extensas. Para hacer frente a este problema, proponemos un nuevo enfoque utilizando algoritmos de clasificación que utilizan la probabilidad de un evento de robo a un banco en función de las características territoriales para desplegar más agentes de policía de manera eficiente. También analizaremos las características geográficas para comprender nuestro modelo, explicando cómo impactan los eventos de robos a bancos, utilizando funciones de importancia de características.
Detalles del artículo
Sección
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
La revista tiene derechos exclusivos sobre la primera publicación, impresa y/o digital, de este texto académico, lo que no afecta los derechos de autor del responsable de la investigación.
La reproducción (total o parcial) del material publicado depende de la mención expresa de esta revista como origen, citando el volumen, número de edición y el enlace DOI para la referencia cruzada. Para fines de derechos, se debe registrar la fuente de publicación original.
La utilización de los resultados aquí publicados en otros vehículos de divulgación científica, aunque sea por parte de los autores, depende de la indicación expresa de esta revista como medio de publicación original, so pena de caracterizar una situación de autoplagio.
____________________________________________
Información adicional y declaraciones del autor
(integridad científica)
Declaración de conflicto de interés: Los autores confirman que no existen conflictos de interés al realizar esta investigación y escribir este artículo.
Declaración de autoría: Todos y solo los investigadores que cumplen con los requisitos de autoría para este artículo se enumeran como autores; todos los coautores son totalmente responsables de este trabajo en su totalidad.
Declaración de originalidad: El(los) autor(es) garantiza(n) que el texto aquí publicado no ha sido publicado previamente en otro lugar y que las reediciones futuras sólo se harán con referencia expresa al lugar original de publicación; también certifica que no existe plagio de material de terceros ni autoplagio.
____________________________________________
Archivo y distribución
El PDF final publicado se puede archivar, sin restricciones, en cualquier servidor de acceso abierto, indexador, repositorio o página personal, como Academia.edu y ResearchGate.
Cómo citar
Referencias
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.