Análisis Espacial de la Criminalidad basado en Georeferenciación de Denuncias

Joséé Miguel Benavente PhD Jos Departamento de Economía. Departamento de Ingeniería Industrial. Universidad de Chile. Carabineros de Chile.

Modelo Predictivo del Crimen para la Región Metropolitana Proyecto FONDEF D031125 Objetivos: 1. Generar un sistema de información para mejorar la toma de decisiones y logística de distribución de recursos policiales. 2. Generar un modelo de predicción de delitos y aprehensiones geográficamente referenciados..

Modelo Predictivo del Crimen para la Región Metropolitana Resultados Esperados:
Un Sistema de Información en tiempo real sobre el desarrollo y evolución georefenciada del delito a nivel de comisarías.
Un software que integre dicho sistema de información, junto a un modelo de predicción de la actividad criminal en el corto plazo.
Compendios estadísticos, así como informes periódicos de información delictual.

GEOREFERENCIACIÓN • Es un procedimiento para el mapeo de elementos o eventos geográficos que referencia su posición espacial a un sistema de coordenadas, ya sea existente o arbitrario. • La dirección es un elemento clave para la georeferenciación. Se debe asociar las direcciones correctamente escritas y almacenadas en tablas con un elemento geográfico definido como “red de calles” el que permite hacer una correspondencia entre las direcciones y las posiciones sobre un mapa. Este proceso se denomina geocodificación.

UNA APLICACIÓN ESPECÍFICA: DENUNCIAS O DETENCIONES Densidad : La representación de este análisis se realiza mediante Mapas de Densidad, donde los delitos geocodificados son procesados matemáticamente en un módulo de Análisis Espacial. Radio de Búsqueda : El radio de agrupación o de búsqueda está en directa relación “con la distancia de ocurrencia de los delitos en un espacio geográfico determinado”.

UNA APLICACIÓN ESPECÍFICA: DENUNCIAS O DETENCIONES Mapa de Densidad

Fuente: Proyecto Fondef

Nivel de Densidad : La densidad de delitos varía de una comisaría a otra dependiendo de las características propias del sector dónde se ubique.

EVOLUCION DE DELITOS POR DIA Y HORA

ANÁLISIS POR COMISARIAS 1ra Comisaría de Santiago Mapas de Distribución de Hot Spots Por grupo Horario 00:00 – 07:59

08:00 – 15:59

Mapas de Distribución de Hot Spots Por Día de la semana 16.00 – 23:59

Lunes

Viernes

Fuente: Proyecto Fondef

Miércoles

Sábado

ANÁLISIS POR COMISARIAS 19na Comisaría de Providencia Mapas de Distribución de Hot Spots Por grupo Horario 00:00 – 07:59

08:00 – 15:59

Mapas de Distribución de Hot Spots Por Día de la semana 16.00 – 23:59

Lunes

Viernes Fuente: Proyecto Fondef

Miércoles

Sábado

ANÁLISIS POR COMISARIAS 20ma Comisaría de Puente Alto Mapas de Distribución de Hot Spots Por grupo Horario 00:00 – 07:59

08:00 – 15:59

Mapas de Distribución de Hot Spots Por Día de la semana 16.00 – 23:59

Lunes

Viernes

Fuente: Proyecto Fondef

Miércoles

Sábado

ANÁLISIS POR COMISARIAS 6ta Comisaría de Recoleta Mapas de Distribución de Hot Spots Por grupo Horario 00:00 – 07:59

08:00 – 15:59

Mapas de Distribución de Hot Spots Por Día de la semana 16.00 – 23:59

Lunes

Viernes

Fuente: Proyecto Fondef

Miércoles

Sábado

Bases Conceptuales Modelo de Predicción • Delincuentes maximizan función de utilidad, la que incluye tamaño del botín, probabilidad de no ser descubierto, costos de viajes y otros similares. • Lo anterior, genera estrategias óptimas de desplazamiento en un el espacio-tiempo. • Estrategias se ven reflejadas en rutinas o patrones que pueden ser caracterizados en términos temporales y espaciales. • Presencia policial altera rutas óptimas. • Sub óptimos generan caídas en el nivel agregado de delito. • En el límite, proceso aleatorio de rutas como de puntos de vigilancia.

MODELOS PREDICTIVOS
Redes Neuronales
Minería de Datos
Series de Tiempo

GRAFICOS DE PROYECCION (VAR) (Intramuestral)

Pronóstico diario Cuadrante 1

Cantidad de delitos por día

100 90 80 70 60

cuadrante 1 50

Pronóstico 40 30 20 10 0

Fecha

GRAFICOS DE PROYECCION (VAR) (Intramuestral)

80 70

60 50 40 30

20 10

26 -0 204

19 -0 204

12 -0 204

05 -0 204

29 -0 104

22 -0 104

15 -0 104

08 -0 104

0

01 -0 104

Cantidad de delitos por día

Pronóstico diario fuera de muestra para C1

Fecha Cuadrante 1

Pronóstico sist

Predicción Predicci n del números n meros de delitos en una grilla por comisaría comisar a

Predicción en la celda (x,y)

(x,y)

Hipótesis: delitos en (x,y) dependen principalmente de los delitos en celdas vecinas en 4 periodos de tiempo pasados.

Red Neuronal Un solo modelo de red neuronal que predice el número de delitos por celda y entrenada con datos de cada comisaría.

Características: Caracter sticas: •Tipo de Red: Multicapas (Feedforward), (2 capas ocultas) •Tipo de Aprendizaje:Backpropagation. •No. de datos totales: 208 semanas (2001-2004). •No de datos de entrenamiento: 75% (156 semanas). •No. de datos de test de predicción: 25% (52 semanas).

Arquitectura de la red Entrada

Capas escondidas Salida

Vector de 11 características de t-3, t-2, t-1 y t.

No. de delitos predichos en la celda (x,y) el día t+1.

44 N.

7 N.

5 N.

1 N.

Algunos resultados Comisaría 1a.

Error de Pred. Dimensión (celda: 200 x 200) (%) 13 x 15 12,44

19a.

22 x 25

27,2

47a.

44 x 51

8,4

Evaluación Modelo de Predicción • Hipótesis a ser testeadas : • Nivel de delitos (denuncias) se reduce en comisarías con sistema. • Nivel de delitos en comisarías (cuadrantes) vecinos aumenta. • Resultados, en construcción. • Existe evidencia circunstancial que apunta a positivo impacto (intermedio y final) del sistema.