CC BY
6УДК 004.932.2
Царев Ю.В.
к.т.н., доцент кафедры Информационных систем и технологий Ярославский государственный технический университет (Россия, г. Ярославль)
Бережной И.Б.
бакалавр 3 курса кафедры Информационных систем и технологий Ярославский государственный технический университет (Россия, г. Ярославль)
Бархатов А.А.
бакалавр 3 курса кафедры Информационных систем и технологий Ярославский государственный технический университет (Россия, г. Ярославль)
КЛАСТЕРНЫЙ АНАЛИЗ УЛИЧНОЙ ПРЕСТУПНОСТИ В ПРЕДЕЛАХ АДМИНИСТРАТИВНО-ТЕРРИТОРИАЛЬНЫХ ЕДИНИЦ АНГЛИИ
Аннотация: в данной статье применяется инструмент кластерный анализ для оценки изменений региональной криминогенной обстановки графства Эвон и Сомерсет (Англия) в 3 и 4 квартале 2020 года.
Ключевые слова: Эвон и Сомерсет, кластерный анализ, региональная преступность, тепловые карты.
Пространственное моделирование преступлений способствует общему пониманию механизмов, движущих преступностью. Выявленные зависимости могут дать в руки лицам, принимающим решения, надежный инструмент в разработке эффективных стратегий сокращения преступности. В последние годы
появились модели на основе агентов, которые объединяют географические среды для создания моделей преступлений.
Авторы в статье [1] использовали данные о преступности в соединенных штатах Мексики, чтобы выполнить кластерный анализ. Авторы выявили, что существует географическая взаимосвязь в том, как были сгруппированы в кластеры штаты: угон автомобилей, самый высокий уровень убийств, кражи на улице и в общественном транспорте, вымогательство. В статье [2] рассматривается метод AMОЕBA (многонаправленный оптимальный алгоритм, основанный на экотопах), который является более точным в описании характеристик концентрации и формы, более эффективным в обнаружении сложных горячих точек. Результаты исследования показывают, что предлагаемая система оценки и индикаторы могут описывать размер, концентрацию и характеристики формы обнаруженных горячих точек, тем самым поддерживая количественное сравнение различных методов. Автор исследования [3] отмечает наличие ограничений в случае применения кластерного анализа для выявления моделей преступлений:
• Анализ структуры преступления может только помочь детективам, но не заменить их. Эксперты-люди должны интерпретировать то, что говорят нам кластеры.
• Интеллектуальный анализ данных чувствителен к качеству входных данных и иногда может быть неточным. Отсутствие информации также может привести к ошибкам.
• Сопоставление атрибутов интеллектуального анализа данных является сложной задачей и, следовательно, требует наличия квалифицированного интеллектуального анализа данных и аналитика данных о преступлениях с хорошим знанием предметной области.
В представленной работе для выполнения кластерного анализа использовались открытые данные о преступности и действиях полиции в Англии, Уэльсе и Северной Ирландии [4]. В методике использовалось
извлечение из тепловой карты уличной преступности кластера с уровнем преступности более 10 преступлений на км2. Результаты кластерного анализа приведены на рисунках 1-3.
Рис. 1. Кластер уличной преступности, извлеченный из тепловой карты
(июль 2020 года)
Координаты -303074 6693594 Масштабировать 1:224175 - Ц| Увеличение 100% ^ Поворот
Рис. 2. Кластер уличной преступности, извлеченный из тепловой карты
(август 2020 года)
Рис. 3. Кластер уличной преступности, извлеченный из тепловой карты
(сентябрь 2020 года)
По результатам анализа можно сделать заключение, что изменений криминогенной обстановки в 3 и 4 квартале 2020 года в графстве Эвон и Сомерсет не наблюдается. В рассмотренных интервалах времени границы кластера с высокой криминогенной обстановкой (>10 преступлений на км2) практически сохраняются неизменными.
СПИСОК ЛИТЕРАТУРЫ:
1. Analysis of crimes in Mexico during 2017 with Machine Learning techniques (Cluster Analysis): Comparison Elbow Method and Silhouette Method https://towardsdatascience.com/analysis-of-crimes-in-mexico-during-2017-with-machine-learning-techniques-cluster-analysis-9c25147dfa86 (дата обращения 01.06.2023);
2. He Zh., Lai R., Wang Zh., Liu H., Deng M., Tchounwou P.B. Comparative Study of Approaches for Detecting Crime Hotspots with Considering Concentration and Shape Characteristics // Int J Environ Res Public Health. 2022. Vol. 19(21): 14350;
3. Kumar P. Crime analysis using K-Means clustering. https://sigmamagic.com/blogs/crime-analysis-using-k-means-clustering/ (дата обращения 01.06.2023);
4. Data.Police.UK [официальный сайт]. URL: https://data.police.uk/data/archive/ (дата обращения 01.06.2023).
Tsarev Yu.V.
Candidate of Technical Sciences, Associate Professor of the Department of Information Systems and Technologies Yaroslavl State Technical University (Russia, Yaroslavl)
Barkhatov A.A.
Bachelor of the 3rd year of the Department of Information Systems and Technologies
Yaroslavl State Technical University (Russia, Yaroslavl)
Berezhnoy I.B.
Bachelor of the 3rd year of the Department of Information Systems and Technologies
Yaroslavl State Technical University (Russia, Yaroslavl)
CLUSTER ANALYSIS OF STREET CRIME WITHIN THE ADMINISTRATIVE TERRITORIAL UNITS OF ENGLAND
Abstract: this article uses the cluster analysis tool to assess changes in the regional crime situation in Avon and Somerset (England) in the 3rd and 4th quarters of2020..
Keywords: Avon and Somerset, cluster analysis, regional crime, heat maps.
