¿Cuándo y dónde surge el crimen en las ciudades? Para responder a esta pregunta, Los criminólogos se han basado anteriormente en modelos bastante estáticos. El crimen ha sido vinculado, por ejemplo, a la estructura de la población residente o al uso del suelo en un barrio. La influencia que tiene la movilidad en la incidencia de la delincuencia era previamente desconocida.

Ahora, sin embargo, investigadores de ETH Zurich, la Universidad de Cambridge y la Universidad de Nueva York han podido demostrar por primera vez que la delincuencia está directamente relacionada con la cantidad de personas que hay en una ciudad, dónde están y hacia dónde se dirigen. Cristina Kadar, un científico informático y ex estudiante de doctorado en el Mobiliar Lab for Analytics en ETH, dirigió el estudio. Recientemente presentó los resultados en una conferencia (virtual) sobre ciencias sociales computacionales.

Análisis de flujos de movilidad

Los investigadores calcularon los flujos de movilidad a partir de datos de ubicación agregados y anonimizados. En su estudio, utilizaron tres conjuntos completos de datos anonimizados relacionados con las ciudades de San Francisco, Chicago y Filadelfia de los años 2012 y 2013. Obtuvieron la información de la plataforma de tecnología de ubicación Foursquare, que se basa en millones de "registros, ", es decir, ubicaciones que los usuarios han compartido de forma activa. Antes de poner los datos a disposición de los científicos, la empresa se aseguró de que se eliminaran los datos personales y todos los registros en las direcciones de los usuarios.

En su análisis, los investigadores compararon los conjuntos de datos con estadísticas sobre delitos del mismo período, centrándose específicamente en delitos relacionados con el robo, robo, asalto, robo y robo de vehículos.

Más actividad, más crimen

Descubrieron que cuanta más actividad mostraban los datos de la plataforma para un tiempo y distrito específicos, mayor era el número de delitos que se habían cometido allí.

Al calcular la "actividad, "los investigadores incluyeron registros en restaurantes, tiendas o instalaciones deportivas, así como cualquier caso de personas que pasen por un distrito determinado en su camino entre dos registros. Sus cálculos de las rutas entre dos registros se basaron en la suposición de que los usuarios eligen la ruta más corta y navegan utilizando las rutas de tráfico existentes.

El peligro acecha en el camino

De hecho, Son estos viajes intermedios los que tienen una mayor influencia en las tasas de criminalidad. En otras palabras, Es más probable que el crimen surja en aquellas áreas por las que las personas pasan entre completar dos actividades de rutina, por ejemplo, en el camino del trabajo a las tiendas o para participar en actividades recreativas. Los resultados apoyan una teoría popular de la criminología que postula que los delitos ocurren donde se cruzan los caminos de los perpetradores y las víctimas.

"Estoy emocionado de que podamos usar datos que esencialmente no tienen nada que ver con los delitos para caracterizar el crimen tan bien, ", Dice Kadar. Nunca antes habíamos podido demostrar el vínculo entre la movilidad de las personas y la delincuencia de una manera tan granular en términos de tiempo y espacio, ella explica.

Los investigadores también desglosaron su análisis por tipo de actividad y delito. Esto reveló que se registraron más delitos en lugares y períodos de tiempo con una gran cantidad de actividades recreativas, pero este no fue el caso de las compras, por ejemplo. En cuanto al tipo de delito cometido, los investigadores encontraron la relación positiva más fuerte entre la actividad y los robos, y los más débiles con robos.

Las predicciones también son posibles

Además, los investigadores examinaron si sería posible utilizar los datos de movilidad para predecir delitos mediante el aprendizaje automático. Para hacer esto, entrenaron diferentes modelos una vez con los conjuntos de datos de Foursquare y una vez solo con datos sobre delitos pasados. Próximo, comprobaron la exactitud de las previsiones frente a las infracciones reales registradas. Descubrieron que los modelos de predicción que se alimentaron con datos de movilidad funcionaron significativamente mejor que las predicciones basadas en delitos anteriores.

Apoyo a la investigación

Kadar ve su estudio principalmente como un medio para apoyar la investigación. Al proporcionar evidencia para la teoría del patrón delictivo, ayuda a mejorar la comprensión de los orígenes del delito. Ella cree que su trabajo también demuestra la utilidad de big data para las ciencias sociales computacionales, pero señala que se requieren más estudios para validar los hallazgos antes de que las autoridades públicas puedan aplicarlos para diseñar y construir ciudades más seguras. Esto se debe a que el análisis debe revisarse con varios conjuntos de datos diferentes para calibrar cualquier sesgo potencial de la plataforma. Y aunque los resultados del estudio se pueden aplicar a las grandes ciudades, pueden no ser relevantes para los más pequeños.