Inleiding en context
Goede morgen allemaal, het is vandaag woensdag 23 juni 2021. Na een kleine week vakantie in Portugal, inclusief een bijna 24 uur durende huwelijkspartij: https://www.youtube.com/watch?v=AAZQaYKZMTI ben ik weer terug op mijn thuishonkkantoor. En direct een nieuwe ´kennisparel´ in jullie mailbox. Dit keer over het voorspellen waar verschillende typen van criminaliteit zich geografisch gaan manifesteren. Voer voor alle misdaadanalisten werkzaam bij verschillende rechtshandhavingsorganisaties. Een prima systematisch overzicht op dit terrein.
In Nederland is sprake van een scheve verdeling van de ‘’criminaliteitslasten’’. Dat is zowel geografisch, aan daderkant en aan slachtofferkant het geval. Zo vindt bijna 45% van het geweld plaats bij slechts 10% van de slachtoffers met een publieke taak. Ook binnen het bedrijfsleven treffen we deze concentratie van slachtofferschap aan. Zo neemt drie procent van het totaal aantal vestigingen binnen de detailhandel meer dan 50% van het geschatte totale slachtofferschap voor haar rekening. Aan daderkant blijkt vijf procent van de bekende daders verantwoordelijk te zijn voor 40 procent van bepaalde delicten. Ook geografisch is de criminaliteit niet evenredig verdeeld, er is sprake van zogenaamde ‘’hot places’’. Dit zijn buurten, locaties en bedrijventerreinen waar (georganiseerde) criminaliteit zich bovengemiddeld voordoet. Er is sprake van geconcentreerde ‘’criminele brandhaarden’’. Kortom: de criminaliteit is scheef verdeeld. Voor misdaadanalisten biedt dat prima mogelijkheden om op basis van die scheve verdeling analyses te vervaardigen waar verschillende typen van criminaliteit zich gaan voordoen. Bijgesloten systematisch overzicht biedt bewijs dat er een methode bestaat om die voorspellingen redelijk adequaat te doen: ´ Risk Terrain Modelling´. Snel dus naar bijgesloten samenvatting van bijgesloten ´kennisparel´.
Bron
Marchment, Zoe & Paul Gill (June 2021) Systematic review and meta-analysis of risk terrain modelling (RTM) as a spatial forecasting method. Crime Science, vol. 10, no. 12, 16 June, pp. 1-11. https://crimesciencejournal.biomedcentral.com/articles/10.1186/s40163-021-00149-6
Summary
Several studies have tested the reliability of Risk Terrain Modelling (RTM) by focusing on different geographical contexts and types of crime or events. However, to date, there has been no attempt to systematically review the evidence on whether RTM is effective at predicting areas at high risk of events. This paper reviews RTM’s efficacy as a spatial forecasting method. We conducted a systematic review and meta-analysis of the RTM literature. We aggregated the available data from a sample of studies that measure predictive accuracy and conducted a proportion meta-analysis on studies with appropriate data.
In total, we found 25 studies meeting the inclusion criteria. The systematic review demonstrated that RTM has been successful in identifying at risk places for acquisitive crimes, violent crimes, child maltreatment, terrorism, drug related crimes and driving while intoxicated (DWI). The proportion meta-analysis indicated that almost half of future cases in the studies analysed were captured in the top ten per cent of risk cells. This typically covers a very small portion of the full study area. The study demonstrates that RTM is an effective forecasting method that can be applied to identify places at greatest risk of an event and can be a useful tool in guiding targeted responses to crime problems.
To our knowledge, this is the first study that has systematically summarised the available evidence for the predictive accuracy of RTM. We used a systematic literature review and proportion meta-analysis approach to estimate the proportion of future cases accurately predicted by high risk cells. This study has demonstrated that RTM is an effective spatial diagnostic and forecasting method that can be applied to identify places at greatest risk of an event and can be a useful tool in guiding targeted responses to crime problems. RTM reliably identifies problematic features that exacerbate the likelihood of future crimes in a given geographic area. The detection of these areas helps prioritise efficient police patrols and other preventative and deterrent measures. In this way, RTM guides efficient resource allocation. It not only identifies potential hot-spots, but provides a reasoning for why they are ‘hot’ in the first place. Importantly RTM, can also predict where crime may displace to, based on relatively stable environmental and contextual risk factors that go beyond incident-based data. RTM can also be applied to a variety of crime types and has been shown to be an effective forecasting method for a range of acquisitive crimes, violent crimes, terrorist incidents, child maltreatment, traffic incidents, drug related crime and organised crime. The systematic review demonstrated that RTM has been successful in identifying at risk places for acquisitive crimes, violent crimes, child maltreatment, terrorism, drug related crimes and DWI.
RTM as an overall approach is relatively simple and user-friendly, and the associated RTMDx software provides an opportunity for practitioners to readily utilize the approach with minimal resources and time spent on learning new processes. This means that it is within the reach of many operational crime analysts in practical law enforcement settings. Police often try to predict where future crime will occur by looking at past crime locations, and then determine the allocation of resources accordingly. These retrospective analyses, such as KDE, cannot consider the influence of underlying social and physical factors. The additional characteristics determined by RTM allow for more accurate predictions of future crime locations and can improve the allocation of police resources to designated areas with higher predicted levels of criminal activity. As it is possible to identify the correlates of the criminal events, due to the diagnostic focus on the risk factors, targeted countermeasures can be designed. Further, crime doesn’t have to be included as a risk factor to create an RTM and can indicate risky areas based on crime generators and attractors.
Afsluitend
Een dat geeft de (rechtshandhaving)burger weer moed. Op basis van de beschreven analysetechniek is het mogelijk om met een selectief en gericht criminaliteitsbeleid kan er veel meer preventief en repressief effectief worden opgetreden tegen allerlei vormen van criminaliteit. De geografische spreiding van criminaliteit is dus ongelijk verdeeld. Er zijn plekken en plaatsen waar vormen van criminaliteit en herhaald slachtofferschap zich in hoge mate concentreren. De aanwezigheid van riskante voorzieningen zoals horeca, gokgelegenheden, commerciële seksbedrijven in combinatie met anonimiteit bepalen deze concentratie.
Niet alleen groepen personen lopen de kans om meervoudig of herhaald slachtoffer worden, ook binnen gebieden of bij objecten zoals schoolgebouwen, bedrijventerreinen, detailhandel, horecagelegenheden manifesteert zich herhaald slachtofferschap. De aard en omvang van de criminaliteit is geografisch bezien ongelijk verdeeld. Zowel bij daders, slachtoffers en binnen specifieke geografische plekken, plaatsen of branches is sprake van een belastende concentratie van criminaliteit. Hier ligt een prima kans om zeer gericht (focus optima forma) beleid te voeren op die plekken en plaatsen waar sprake is van een scheve verdeling van criminaliteit, slachtofferschap, en daderschap. Wellicht kan een gelijkmatiger verdeling van de criminaliteitsproblematiek tot stand komen door de gerichte inzet van de publieke veiligheidszorg op die plaatsen waar de criminaliteitsproblematiek zich bovengemiddeld voordoet en waar inwoners en bedrijven niet in staat zijn preventieve maatregelen te bekostigen. Naar analogie van beleid ter bestrijding van armoede en sociale uitsluiting, kan aandacht geschonken worden aan groepen en gebieden met hoge criminaliteitsrisico’s.
