Nature子刊：新演算法可提前一週預測兩個街區內的犯罪，在美國8個城市準確率達90%

芝加哥大學的助理教授Ishanu Chattopadhyay告訴Insider，他和他的團隊創造了一個「urban twin（城市雙胞胎）」模型，透過對芝加哥從2014年到2016年底的犯罪數據的訓練，可以預測接下來幾週某些犯罪的可能性，並將範圍縮小到兩個街區半徑內，準確率達到90% 。

Chattopadhyay表示，「我們報告了一種從個別事件層面預測城市犯罪的方法，其預測準確性遠遠高於過去。」

論文的合著者James Evans告訴《科學日報》：「我們證明了發現城市特有的犯罪模式對於預報報案的重要性，這產生了對城市社區的全新看法，使我們能夠提出新穎的問題，並讓我們以新的方式評估警方行動。」

該研究被發表在Nature Human Behavior。

 

#論文連結：

https://www.nature.com/articles/s41562-022-01372-0

預測未來的犯罪

模型的數據來自芝加哥市的歷史數據，這些數據包括兩大類報告事件: 暴力犯罪(謀殺、襲擊和毆打)和財產犯罪(入室盜竊、盜竊和機動車竊盜)。

根據AreaVibes彙編的數據，2020年芝加哥的犯罪率比全國平均高出67%。

之所以使用這些數據，是因為這些數據最有可能被報告給城市地區的警察，這些地區在歷史上存在不信任和缺乏與執法部門合作的情況。 

與毒品犯罪、交通阻塞和其他輕微違法行為不同，這類犯罪也較不容易出現執法偏誤。

透過對資料進行測試和驗證，訓練出的新模型透過觀察離散事件的時間和空間座標，可以準確預測未來幾週事件的模式，地理範圍可以控製到兩個街區左右。

該模型在其他七個城市（亞特蘭大、奧斯汀、底特律、洛杉磯、費城、波特蘭和舊金山。）也得到了類似的結果，主要關注犯罪的類型和發生地點。

「我們創造了一個城市環境的數位孿生兄弟。如果你從過去發生的事情中提供數據，它會告訴你將來會發生什麼， 」Chattopadhyay說，「這並不神奇，有一些局限性，但是我們驗證了它，而且效果非常好。」

##潛在的偏見

第一作者Ishanu Chattopadhyay謹慎地指出，「該工具的準確性並不意味著它應該被用來指導執法政策——例如，警察部門不應該使用它主動聚集到某個社區來預防犯罪，」Chattopadhyay 說。

相反，它應該被添加到城市政策和治安策略的工具箱中，以解決犯罪問題。 #

「現在，你可以把它當作一個模擬工具，看看如果城市某個地區的犯罪率上升，或者另一個地區的執法力度加大，會發生什麼情況。如果你應用所有這些不同的變量，就可以看到系統是如何處理這些變數的。」Chattopadhyay解釋道。

研究小組也研究了警察對犯罪的反應，透過分析事件發生後的逮捕人數，並比較不同社區的逮捕率。

根據Econofact編制的研究報告，維持治安方面的種族偏見造成了高昂的經濟代價，並加劇了已經遭受嚴重剝奪的地區的不平等。他們發現，當富裕地區的犯罪率上升時，就會有更多的人被逮捕。但這種情況並沒有發生在弱勢社區，這顯示警方的反應和執法不平衡。

 

#因此，Chattopadhyay將這些資料和演算法公諸於世以加強審查，他希望這些發現能夠用於高層政策，而不是作為警方的反應工具。

儘管如此，對於這樣的研究，還是存在著不少質疑的聲音。

2016年，芝加哥警察局試驗了一個模型來預測那些最有可能捲入槍擊事件的人，但這份神秘的名單最終顯示， 56% 的居住在芝加哥的黑人男性出現在名單上，引發了種族主義的指控。

雖然有些模型試圖根除這些偏見，但它們往往產生相反的效果，有人指責潛在數據中的種族偏見加劇了未來的偏見行為。

劍橋循證警務中心的Lawrence Sherman告訴《新科學家》雜誌，他擔心這項研究會將警務數據納入依賴公民報告或警察出動尋找的犯罪行為的研究中。

Chattopadhyay同意這是一個問題，他的團隊試圖透過排除公民報告的犯罪和警察幹預(通常涉及輕微的毒品犯罪和交通攔截)，以及更嚴重的暴力和財產犯罪(在任何情況下都更有可能被報告)來解釋這一問題。

Chattopadhyay說：「理想情況下，如果你能預測或預防犯罪，唯一的反應不應該是派遣更多的警察或讓執法人員大量湧入某個特定社區。」

 「如果你能預防犯罪，我們還可以做很多其他事情來防止這類事情發生，這樣就不會有人入獄，並幫助整個社會。」 

#

以上是Nature子刊：新演算法可提前一週預測兩個街區內的犯罪，在美國8個城市準確率達90%的詳細內容。更多資訊請關注PHP中文網其他相關文章！