Strona głównaArtykułySpołeczeństwo i Ekonomia

Punkty Gorączkowe Przestępcze: Modelowanie Ryzyka przy Użyciu Samowzbudzających się Procesów Punktowych

Wprowadzony z modeli trzęsień ziemi poekstrzymalnych, proces Hawkes traktuje każde przestępstwo jako mały, zanikający piki ryzyka dla jego sąsiadów — i pokazuje, dlaczego punkty gorączkowe gromadzą się zarówno w przestrzeni, jak i czasie.

mysimulator teamZaktualizowano — czerwiec 2026≈ 7 min czytania▶ Otwórz symulację

Przestępczość nie rozkłada się losowo

Jeśli przestępstwa miałyby zachodzić wyłącznie losowo – przy stałym poziomie tła, niezależnie w każdym miejscu – oczekiwano by, że włamania, na przykład, byłyby rozmieszczone mniej więcej równomiernie po całym mieście, z okazjonalnymi skupiskami wynikającymi jedynie z przypadku. Rzeczywiste dane dotyczące przestępczości niczym to nie wyglądają. Dziesięciolecia badań kryminalistycznych dotyczących bliskich powtórzeń ofiar pokazały, że włamanie do jednego budynku mierzalnie podnosi ryzyko kolejnego włamania w pobliżu – często tego samego domu, częściej tej samej ulicy – na okres od kilku dni do kilku tygodni, po którym zwiększone ryzyko wraca do poziomu bazowego. Przestępczość gromadzi się zarówno w przestrzeni, jak i czasie jednocześnie, a to dlatego, że poszczególne zdarzenia wpływają przyczynami na bliską przyszłość, a nie tylko ze względu na stabilną geografię.

Hawkesowy proces: inspirowany trzęsieniami ziemi

Precyzyjnie do tego wzoru służy Hawkesowy proces, samogwałcąca się zmienna punktowa wprowadzona przez Alana Hawkesa w 1971 roku i później adaptowana dla przestępczości przez badaczy, takich jak George Mohler, bazując bezpośrednio na modelu Epidemic-Type Aftershock Sequence (ETAS) autorstwa Yosihiko Ogaty z zakresu sejsmologii – tym samym rodzinie równań wykorzystywanych do modelowania, w jaki sposób jedno trzęsienie ziemi podnosi prawdopodobieństwo wystąpienia pobliskich dưших.

λ(t, x) = μ(x) + Σ_{t_i < t}  g(t − t_i, x − x_i)

μ(x)       background rate — the "always there" baseline risk at location x
g(Δt, Δx)  triggering kernel — extra risk contributed by a past event,
           decaying with elapsed time Δt and distance Δx
           (commonly an exponential or power-law decay in each)

sum runs over every event i that occurred before time t
demo na żywo · powiązana symulacja● LIVE

Wzmacnianie, oznaczanie i dlaczego ta różnica ma znaczenie

Criminolodzy oferują dwa, wzajemnie nie wykluczające się wyjaśnienia dla wzorców powtarzalnych. Teoria wzmacniania mówi, że sprawca rzeczywiście uczy się czegoś wartościowego z udanego przestępstwa – jaki okno było otwarte, kiedy sąsiedzi są poza domem, jak ominąć konkretny alarm – i wraca, aby wykorzystać tę samą wiedzę ponownie, co jest dokładnie mechanizmem przyczynowym i samo-wzmacniającym się, który bezpośrednio uchwycany jest przez proces Hawkesa. Teoria oznaczania jest bardziej statyczna: niektóre miejsca zawsze były bardziej podatne na przestępczość, z powodu oświetlenia, widoczności lub łatwych szlaków ucieczki, a pierwsze przestępstwo po prostu ujawnia – oznacza – istniejącą podatność, zamiast ją powodować. Rozróżnianie tych dwóch ma znaczenie dla polityki, ponieważ ryzyko oparte na wzmacnianiu dobrze reaguje na krótkoterminowe, miejscowo ukierunkowane interwencje natychmiast po incydencie, podczas gdy ryzyko oparte na oznaczaniu wymaga trwałych zmian środowiskowych.

Przewidywanie policyjne i jego problem sprzężony

Oprogramowanie takie jak PredPol, oparte bezpośrednio na modelach Hawkes-a w stylu ETAS, służy do prognozowania, gdzie najprawdopodobniej nastąpi kolejna sprawa, oraz do kierowania zasobami patroli tam. Podejście to ma dobrze udokumentowaną słabość: jeśli funkcjonariusze są preferencyjnie wysyłani do oznaczonych miejsc gorących, więcej przestępstw tendencją do rejestracji w tych miejscach, ponieważ obecni jest tam większy udział policji – szczególnie w przypadku przestępstw takich jak posiadanie narkotyków, które wykrywane są głównie dzięki aktywnemu patrolowaniu, a nie zgłoszeniom ofiar. Ta dodatkowa zarejestrowana sprawa wpływa na model jako dalsze dowody wskazujące na wysokie ryzyko w tym obszarze, wzmacniając pętlę, która może odzwierciedlać historyczne wzorce patroli i uprzedzenia tak samo jak prawdziwy poziom przestępstw, co jest głównym tematem poruszanym przez badaczy, takich jak Kristian Lum i William Isaac.

Co pozwala badać symulacja

Model na tej stronie umożliwia regulację siły wzbudzenia – jak silnie każdy incydent podnosi ryzyko w pobliżu – oraz włączanie i wyłączanie reakcji patrolu punktów kryzysowych, dzięki czemu można porównać, jak szybko tworzą się i zanikają skupiska przy różnych założeniach, a także zobaczyć bezpośrednio, jak reakcja patrolu skoncentrowana na obszarach oznaczonych przez model wpływa na wzorzec kolejnych zarejestrowanych incydentów.

Frequently asked questions

Co sprawia, że proces punktowy jest samowzbudny?

W zwykłym (poissonowskim) procesie punktowym zdarzenia zachodzą niezależnie od siebie z pewnym stałym tempem tła. W procesie samowzbudnym każde zdarzenie tymczasowo podnosi prawdopodobieństwo dalszych zdarzeń w przestrzeni i czasie – tempo występowania zależy od historii samego procesu, co dokładnie formalizuje proces Hawkesowy poprzez dodanie tła oraz zanikającego jądra wyzwalającego dla każdego poprzedniego zdarzenia.

Dlaczego złodzieje często wracają do tego samego domu lub ulicy?

Literatura kryminalistyczna o prawie do bliskich powtórzeń oferuje dwie komplementarne wyjaśnienia. 'Wyjaśnienie wzmocnienia' mówi, że udany włamanie ujawnia naprawdę użyteczne informacje, które sprawiają, że ten sam cel staje się ponownie atrakcyjny. 'Wyjaśnienie oznaczenia' mówi, że niektóre lokalizacje zawsze były atrakcyjne dla przestępców ze względu na stabilne cechy, takie jak słabe oświetlenie lub łatwe drogi ucieczki, a pierwsze przestępstwo po prostu oznaczło tę podstawową podatność, a nie spowodowało następnego.

Czy predykcyjne policyjnie oparte na tym modelu może stworzyć pętlę sprzężoną?

Tak, a to jest najbardziej poważna krytyka tego modelu w realnym świecie. Jeśli zasoby patrolu są preferencyjnie wysyłane do obszarów oznaczonych przez model jako wysokiego ryzyka, więcej przestępstw tendencją do rejestrowania się tam po prostu dlatego, że obecni są więcej policjantów, co wzmacnia przekonanie modelu o wysokim ryzyku w tym obszarze – pętla samorealizująca się, która może utrwalić uprzedzenia w historycznych danych policyjnych zamiast odzwierciedlać, gdzie faktycznie dochodzi do przestępstw.

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Crime Hotspots i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.

▶ Otwórz symulację Crime Hotspots

Co znalazłeś?

Dodaj kroki odtworzenia (opcjonalnie)