Достижения в области машинного обучения и искусственного интеллекта вызвали интерес со стороны правительств к использованию этих инструментов для прогнозирования преступлений. Однако ранние попытки использования подобных алгоритмов были спорными, поскольку они не учитывали системные предубеждения в полицейском правоприменении и его сложные взаимоотношения с преступным миром и обществом.
Исследователи из Чикагского университета разработали новый алгоритм, который предсказывает возможность совершения насильственных или имущественных преступлений. Программа изучила закономерности, касающиеся времени и мест совершения преступных деяний. Разработанная модель предсказывала преступления на неделю вперед примерно с 90-процентной точностью.
В отдельной модели исследовательская группа также проверила реакцию полиции на преступность, проанализировав количество арестов после инцидентов и сравнив эти показатели среди районов с разным социально-экономическим статусом. Исследователи обнаружили, что преступность в более богатых районах приводила к большему числу арестов, в то время как в «бедных» районах число арестов было меньше. Это говорит о предвзятости полицейского правоприменения.
— Для того чтобы арестовывать больше людей в более богатых районах, полиции необходимо отвлекать ресурсы из районов с более низким социально-экономическим статусом, говорит соавтор исследования доктор Ишану Чаттопадхьяй.
Статья, описывающая результаты нового исследования, была опубликована в журнале Nature Human Behavior (DOI: 10.1038/s41562-022-01372-0).
Сложная проблема
Алгоритм был протестирован с использованием исторических данных города Чикаго по двум широким категориям зарегистрированных событий: насильственные преступления (убийства, нападения и побои) и имущественные преступления (кражи со взломом и воровство). Сообщения о преступных деяниях поступали в полицию в городских районах, где исторически сложилось недоверие к правоохранительным органам.
Предыдущие попытки предсказать преступность часто использовали эпидемический или сейсмический подход, когда преступность изображалась как происходящая в «горячих точках», которые распространялись на окружающие районы. Однако эти инструменты не учитывают сложную социальную среду городов и не рассматривают взаимосвязь между преступностью и последствиями работы полиции.
— Пространственные модели игнорируют естественную топологию города, — объясняет соавтор статьи доктор Джеймс Эванс. — ‘Наша модель учитывает, среди прочего, улицы, тротуары, железные дороги и автобусные маршруты, и объединяет данные о транспортных сетях, которые касаются районов со схожим социально-экономическим положением’, — добавляет исследователь.
Как вы прогнозируете преступность?
Новая модель обнаруживает преступления, сравнивая временные и пространственные координаты конкретных событий и выявляя закономерности для их прогнозирования. Алгоритм делит город на квадраты шириной около 300 метров и прогнозирует преступность в этих районах вместо того, чтобы полагаться на традиционные границы кварталов. Модель одинаково хорошо работала с данными из семи других городов США: Атланты, Остина, Детройта, Лос-Анджелеса, Филадельфии, Портленда и Сан-Франциско.
— Мы демонстрируем важность обнаружения специфических для города закономерностей для прогнозирования преступности. Это дает свежий взгляд на районы города, позволяет нам задавать новые вопросы и по-новому оценивать работу полиции, сказал Эванс.
Чаттопадхьяй отмечает, что точность инструмента не означает, что его следует использовать для руководства полицейской деятельностью. Вместо этого его следует добавить в инструментарий городской политики и полицейских стратегий по борьбе с преступностью.
Если вы скормите алгоритму данные, которые произошли в прошлом, он скажет вам, что произойдет в будущем. Это не «волшебный» инструмент, у него есть ограничения, но он все равно работает очень хорошо», — говорит Чаттопадхьяй.
