Ny studie, ledd av Maria Camacho Doyle som är doktorand vid Örebro Universitet är nu publicerad i Nordic Journal of Studies in Policing och ska härmed sammanfattas.
Det kan ofta vara väldigt nyttigt att försöka identifiera vilka platser som har mycket brott - eller ännu hellre vilka platser som kan komma att ha mycket brott i framtiden. När man vet det kan man försöka göra något åt det, där den enklaste (och troligen vanligaste) åtgärden helt enkelt är att skicka fler poliser till platsen - så kallad hot spot policing vilket visat sig vara effektivt för att minska brottsligheten.
Det finns en mängd olika metoder för att identifiera eller predicera platser med mycket brott, t ex riskterrängmodellering som jag tidigare tagit upp på bloggen. Vanligast är dock att utgå från var det tidigare varit mycket brott, men frågan blir då hur det ska beräknas. Ett vanligt sätt att identifiera platser med mycket brott är genom Kernel Density Estimation (KDE), vilket bland annat finns inbyggt i polisens interna system i Sverige. I en KDE låter man brott influera en viss punkt med fallande kraft desto längre bort brotten är. 10 brott på exakt samma plats ger alltså ett högre värde på den platsen än 10 brott som ligger nära varandra, vilket i sin tur ger ett högre värde än om det är 10 brott längre bort eller om det är 5 brott i närheten (Här finns ett exempel på KDE för gatuvåld i Malmö). En KDE medför i praktiken att man slätar ut skillnader mellan platser, så att det blir en ganska jämn yta. Det fungerar också ganska bra för att identifiera platser med mycket brott. Allt bra alltså?
Njae, en nackdel med KDE är att det för de flesta upplevs som ganska tekniskt. Man stoppar in brott i en modell och får ut en densitetsberäkning utan att riktigt förstå hur det går till eller vad det visar mer exakt. Det är en blackbox, och att justera parametrar i beräkningarna (t ex inom vilka avstånd beräkningen ska göras) upplevs för somliga vara väldigt komplicerat och svårt.
Ett alternativ till att använda KDE är att helt enkelt räkna hur många brott som finns på en plats, och använda den beräkningen för att identifiera hotspots. Det är något som är lätt att förstå intuitivt, och som kan vara ganska lätt att genomföra. Att det är enklare att förstå är ganska givet och en stor fördel, men huruvida det är lättare att genomföra beror på hur man definierar vad en plats är. Om man utgår från adresser eller koordinater går det ganska lätt att identifiera vilka platser som har mest brott, men det är också en extremt liten analysenhet vilket gör att det kanske inte egentligen är en plats det handlar om. I forskningslitteraturen används ofta gatusegment (från en korsning till nästa korsning på en väg). Ett enkelt sätt att göra det på är också att dela in en stad i rutor och räkna brott i varje ruta. Ett rutnät läggs helt enkelt på staden och sedan beräknas antalet brott i varje ruta enkelt genom olika geografiska informationssystem.
I vår studie har vi testat att göra just det. Malmö har indelats i 16 737 rutor som är 100x100 meter stora, och sedan räknar vi hur många brott som varit i varje ruta för olika typer av brott. Vi testar sedan olika varianter av KDE jämfört med antalsräkningen för egendomsbrott och våldsbrott, samt nedbrutet på specifika brottskategorier såsom misshandel eller bostadsinbrott. I samtliga fall försöker vi predicera brottsligheten 2017 med tidigare brottslighet, och vi testar olika kombinationer av tidigare tidsperioder för att predicera 2017. Fungerar det bättre att använda 2016 jämfört med 2015? Eller en kombination av 2015 och 2016? Osv osv.
Jag ska här inte i detalj gå igenom alla analyser och resultat, men istället konstatera att kontentan är att den enklaste och mest rimliga versionen - att ta året innan och bara räkna antalet brott i respektive ruta - ger bra resultat och därför är vettigast att använda. Ibland fungerar KDE något bättre, men skillnaden är ganska marginell, och enkelheten i att bara räkna antal gör att vi föredrar det.
Vi visar också att det finns skillnader mellan olika brottstyper i hur lätt det är att predicera. Utomhusmisshandel är lättast - och vi visar där att så lite som 0.2% av platserna (rutorna) i Malmö kan fånga upp hela 19% av brotten. Bostadsinbrott däremot är svårare att predicera, och där föreslår vi att analysen kan kompletteras med till exempel near-repeat analyser som jag diskuterat i ett tidigare blogginlägg. Det finns en massa andra nyanser och analyser i studien, och den hågade kan därför med fördel läsa vidare via länken i början av detta inlägg - studien är open access och fritt tillgänglig för alla.