DE 
EnglishStandard
Українська
Polski🚨 Kriminalitäts-Hotspots — Selbsterregender Punktprozess
Simulieren Sie Kriminalitäts-Hotspots mit einem vereinfachten selbsterregenden Hawkes-Prozess. Jeder Vorfall erhöht vorübergehend das Risiko in der Nähe und modelliert Near-Repeat-Viktimisierung und die Broken-Windows-Theorie. Passen Sie Erregungsstärke, Grundrate und Abklingen an, dann schalten Sie die Hotspot-Streife um.
Über diese Simulation
Diese Simulation modelliert urbane Kriminalität als selbsterregenden raumzeitlichen Punktprozess, das Rahmenwerk, das George Mohler und Kollegen 2011 in ihrem einflussreichen Paper „Self-Exciting Point Process Modeling of Crime“ in die Kriminologie einführten, aufbauend auf der mathematischen Theorie der Hawkes-Prozesse, die Alan Hawkes 1971 entwickelte, um Erdbeben-Nachbebensequenzen zu beschreiben. In diesem Modell tritt Kriminalität nicht unabhängig an zufälligen Orten auf; stattdessen erhöht jeder Vorfall vorübergehend die Wahrscheinlichkeit eines weiteren Vorfalls in der Nähe, sodass eine Grundrate „spontaner“ Kriminalität zu sichtbaren Clustern — Hotspots — verstärkt wird, die aufflammen, driften und über die Zeit abklingen, während die Erregung vergangener Ereignisse exponentiell verblasst.
Der Mechanismus spiegelt ein gut dokumentiertes empirisches Muster wider, das Near-Repeat-Viktimisierung genannt wird: Nach einem Einbruch stehen Häuser innerhalb von etwa 400 Metern für mehrere Wochen messbar erhöhtem Risiko gegenüber, ein Effekt, den Kriminologen teils wiederkehrenden Tätern zuschreiben, die zu einem vertrauten, verwundbaren Ziel zurückkehren, und teils der „Broken-Windows“-Theorie, die besagt, dass sichtbare Zeichen von Unordnung und ungeahndeter Kriminalität signalisieren, dass eine Gegend unbeobachtet ist, und weitere Straftaten einladen. Diese Ideen liegen realen Predictive-Policing-Systemen wie PredPol (heute Geolitica) zugrunde, die Streifenressourcen auf computerprognostizierte Hotspots verteilen. Der Ansatz bleibt umstritten: Während Befürworter argumentieren, er verbessere die Ressourceneffizienz, haben Forscher und Journalisten Rückkopplungsschleifen dokumentiert, in denen verstärkte Streifen in bereits überpolizierten Vierteln dort mehr erfasste Kriminalität erzeugen und so genau die Vorhersagen verstärken, die Beamte zurückschickten, und Bedenken hinsichtlich rassischer und sozioökonomischer Verzerrung in historischen Trainingsdaten geäußert.
Häufig gestellte Fragen
Was ist ein selbsterregender (Hawkes-)Prozess?
Ein Hawkes-Prozess ist ein mathematisches Modell zufälliger Ereignisse, bei dem jedes Auftreten vorübergehend die Wahrscheinlichkeit weiterer Ereignisse kurz danach und in der Nähe erhöht, statt dass Ereignisse unabhängig wie bei einem einfachen zufälligen (Poisson-)Prozess auftreten. Erstmals von Alan Hawkes 1971 entwickelt, um geclusterte Phänomene wie Erdbeben-Nachbeben zu modellieren, wird er durch eine Grundintensität plus eine Summe abklingender „Erregungs“-Beiträge jedes vergangenen Ereignisses definiert, wodurch Clusterbildung zu einer emergenten, quantifizierbaren Eigenschaft des Modells wird.
Was bedeutet „Near-Repeat-Viktimisierung“?
Near-Repeat-Viktimisierung ist der empirische Befund, bestätigt in vielen Städten und Kriminalitätsarten, dass ein Grundstück in der Nähe einer kürzlichen Straftat (besonders Einbruch) für einen Zeitraum von Tagen bis Wochen danach deutlich erhöhtem Risiko gegenübersteht, wobei das Risiko sowohl mit zunehmender Entfernung als auch Zeit vom ursprünglichen Ereignis abklingt. Es ist eines der konsistentesten Muster in der Umweltkriminologie und das direkte reale Analogon zum räumlichen Erregungskern, der in dieser Simulation verwendet wird.
Was steuert der Regler für die Erregungsstärke?
Die Erregungsstärke skaliert, wie stark jedes Kriminalitätsereignis das Risikofeld in seiner lokalen Nachbarschaft erhöht, in etwa vergleichbar mit dem „Verzweigungsverhältnis“ in der Hawkes-Prozess-Terminologie — die erwartete Anzahl von Folgeereignissen, die direkt von einem Elternereignis ausgelöst werden. Niedrige Werte halten Ereignisse nahezu unabhängig (Poisson-artig) und verstreut; hohe Werte drücken das Verzweigungsverhältnis gegen 1 und erzeugen dramatische, selbsterhaltende Hotspot-Cluster, ähnlich einer nahezu kritischen Epidemie.
Was ist die Broken-Windows-Theorie, und warum ist sie umstritten?
Die Broken-Windows-Theorie, vorgeschlagen von James Q. Wilson und George Kelling 1982, argumentiert, dass sichtbare Unordnung — zerbrochene Fenster, Graffiti, Müll — mangelnde soziale Kontrolle signalisiert und eskalierende Kriminalität einlädt, sodass die aggressive Behebung kleinerer Unordnung schwerere Straftaten verhindern kann. Sie inspirierte „Null-Toleranz“- und ordnungserhaltende Polizeistrategien in Städten einschließlich New York. Kritiker argumentieren, die empirische Evidenz für die Kausalkette sei schwach, sie sei genutzt worden, um aggressive Polizeiarbeit gegen kleinere Vergehen in Minderheiten- und einkommensschwachen Vierteln zu rechtfertigen, und beobachtete Kriminalitätsrückgänge könnten von unabhängigen Faktoren wie wirtschaftlichem Wandel oder allgemeiner verstärkter Polizeiarbeit herrühren, statt speziell von der Unordnungs-Durchsetzung.
Was ist Hotspot-Policing, und funktioniert es?
Hotspot-Policing konzentriert Streifenressourcen auf die kleine Anzahl von Orten, die für einen unverhältnismäßigen Anteil der Kriminalität verantwortlich sind, basierend auf Forschung, die zeigt, dass Kriminalität räumlich stark konzentriert ist — oft beschreibt „das Gesetz der Kriminalitätskonzentration“, dass etwa die Hälfte der Kriminalität einer Stadt auf unter 5 % der Straßenabschnitte entfällt. Randomisierte kontrollierte Studien, einschließlich der einflussreichen Minneapolis- und Jersey-City-Hotspot-Experimente, finden im Allgemeinen bescheidene, aber echte Reduktionen der Kriminalität an behandelten Hotspots mit begrenzter „Verdrängung“ der Kriminalität in nahe Gebiete, was es zu einer der besser belegten Polizeistrategien macht, obwohl die Effekte je nach Taktik und Kontext variieren.
Was ist Predictive Policing, und was sind die Hauptkritikpunkte?
Predictive Policing verwendet statistische oder maschinell erlernte Modelle, oft aufgebaut auf Hawkes-Prozess-Grundlagen wie in dieser Simulation, um vorherzusagen, wo und wann Kriminalität wahrscheinlich auftritt, und Streifen entsprechend zu lenken; PredPol (umbenannt in Geolitica) und HunchLab waren prominente kommerzielle Beispiele. Dokumentierte Kritikpunkte umfassen Rückkopplungsschleifen, bei denen Vorhersagen Streifen in bereits überpolizierten Vierteln konzentrieren, dort mehr erfasste Kriminalität erzeugen und künftige Vorhersagen unabhängig von den tatsächlichen zugrunde liegenden Kriminalitätsraten verstärken; Bedenken, dass historische Festnahmedaten rassische und sozioökonomische Verzerrungen einbetten; und begrenzte unabhängige Evidenz, dass die Prognosen einfachere Hotspot-Karten sinnvoll übertreffen. Mehrere US-Städte, darunter Los Angeles, beendeten PredPol-Verträge nach diesen Bedenken.
Wie unterscheidet sich das von einem einfachen zufälligen (Poisson-)Kriminalitätsmodell?
In einem homogenen Poisson-Prozess treten Ereignisse unabhängig mit einer konstanten Durchschnittsrate ohne Gedächtnis an vergangene Ereignisse auf, sodass Clusterbildung nur durch reinen Zufall auftritt und schnell wieder auflöst. In dieser selbsterregenden Simulation erhöht jedes Ereignis die lokale Rate aktiv für eine Zeit danach und erzeugt echte, anhaltende und räumlich strukturierte Clusterbildung — reale Kriminalitätsdaten zeigen konsistent mehr Clusterbildung, als ein Poisson-Modell vorhersagt, weshalb Kriminologen genau deshalb Hawkes-artige Modelle übernahmen.
Wer war Pionier dieses Ansatzes in der Kriminologie?
George Mohler, damals an der Santa Clara University, und später mit UCLA verbundene Forscher einschließlich Martin Short, P. Jeffrey Brantingham und George Tita passten Hawkes' seismologische Mathematik in einer Reihe von Papieren ab etwa 2008–2011 an urbane Kriminalitätsdaten an, formal veröffentlicht als „Self-Exciting Point Process Modeling of Crime“ im Journal of the American Statistical Association. Diese Arbeit begründete das Teilgebiet der mathematischen Kriminologie, das Kriminalität als messbaren, stochastischen raumzeitlichen Prozess behandelt, und führte direkt zu kommerzieller Predictive-Policing-Software.