Crime Analysis e Spatial Cognition: ArcGis e Studio della Mobilità Territoriale

Transcript

1 Crime Analysis e Spatial Cognition: ArcGis e Studio della Mobilità Territoriale Lorenzo P. Luini, Sapienza Università di Roma - Facoltà di Medicina e Psicologia - Laboratorio di Psicologia generale e sperimentale Francesco S. Marucci, Sapienza Università di Roma - Facoltà di Medicina e Psicologia- Coordinatore del Laboratorio di Psicologia generale e sperimentale Serena Mastroberardino, Esperto AIPG, Neuroimaging Laboratory - Fondazione Santa Lucia, IRCCS, Professore a.c. LUMSA Marco Scorzelli, Operatore per la sicurezza ed il controllo sociale Abstract Alcuni studiosi (Canter, & Larkin,1993; Canter & Snook,1999; Canter et al., 2000; Rossmo, 1995,2000; Levine, 2010) hanno applicato differenti algoritmi e modelli matematici al fine di prevedere il comportamento dei criminali e le loro strategie di azione in relazione alle caratteristiche geografiche del territorio nel quale essi operano. Tali modelli permettono la rappresentazione geografica del crimine; essi inoltre dovrebbero facilitare l analisi investigativa ed essere utili all attività di prevenzione. A tal fine sono stati sviluppati software relativi al Geographic Profiling per analizzare la mobilità territoriale dei criminali seriali. La finalità della presente ricerca è di valutare l eventuale attendibilità ed efficacia del Toolset di ArcGis Measuring Geographic Distributions (Toolbox Spatial Statistics Tools) come uno strumento user friendly facilmente impiegabile per un analisi sufficientemente esaustiva della mobilità territoriale criminale. Introduzione Il crimine, come molte attività umane, si manifesta in vari ambienti geografici con caratteristiche peculiari che sono state oggetto di diversi studi e ricerche (Bottoms, 2007). A partire dagli anni 30 (Shaw & McKey, 1929, 1931) è stata dimostrata l importanza della componente geografia nello studio del crimine (Brantingham & Brantingham, 1981). Anche in ambito investigativo le tecniche di analisi territoriale si sono molto evolute grazie anche allo sviluppo di software e tecnologie appositamente dedicate. Lo studio del crimine, da un punto di vista teorico e operativo, ha quindi subito grande impulso che si è concretizzato nell elaborazione di tecniche di analisi territoriale con cui vengono indagate, ad esempio, le relazioni tra crimine e caratteristiche socio-economico o ambientali, la distribuzione geografica dei crimini e l eventuale concentrazione in aree ben definite, o la valutazione di politiche di gestione del territorio da parte degli enti preposti o delle forze di polizia (Chainey & Ratcliffe, 2005). In questo ambito, è stata recentemente sviluppata una sofisticata tecnica di analisi che è particolarmente adatta allo studio di crimini seriali quali omicidi, reati sessuali ed attentati dinamitardi: il Geographic Profiling (GP). 1

2 Il GP è una metodologia di analisi investigativa che utilizza le referenze geografiche delle locations relative ad una serie di crimini per determinare l area in cui più probabilmente potrebbe vivere l autore (Rossmo, 2000). Sono numerosi i modelli sviluppati in questo contesto che si basano tutti sull analisi di componenti quantitative e qualitative (Levine, 2010): le prime, grazie all utilizzo di misure matematiche ed algoritmi statistici, vengono utilizzate per interpretare la distribuzione territoriale del fenomeno in analisi; le seconde, ancorandosi ai principi delle scienze del comportamento, vengono utilizzate per analizzare e comprendere il modello di comportamento territoriale adottato dall offender, gli ipotetici itinerari percorsi e le sue aree di maggiore confidenza (Chainey & Ratcliffe, 2005). Ad oggi, il profilo geografico può essere elaborato grazie ad alcuni software commercializzati da privati o distribuiti gratuitamente da consorzi di ricerca (Levine, 2010). Le principali problematiche legate all utilizzo di questi strumenti risiedono nella ridotta robustezza scientifica, negli elevati costi di acquisto e formazione e nella limitata compatibilità con le caratteristiche geografiche del territorio italiano. Diverse tecniche di analisi territoriale sono state utilizzate da Unità delle Forze di Polizia coinvolte nell analisi di crimini in serie (Luini et al., 2009). Questo studio ha pertanto lo scopo di valutare l efficacia dei metodi e delle procedure di analisi territoriale del crimine al fine di rendere più agevole l attività di analisi per le Forze di Polizia. Metodo Soggetti e materiale: a 30 soggetti (età M = 21; DS = 3 ) di cui 17 donne, 3 Uomini e 10 non noto, è stato chiesto di compilare in forma anonima una lista in cui riportare l indirizzo di almeno sette luoghi abitualmente frequentati. Ai partecipanti è stato richiesto inoltre di indicare l indirizzo della propria residenza (o dimora abituale), il luogo di lavoro o di frequenza di corsi universitari. Le località abitualmente frequentate sono state codificate come Località Frequentate (LF) ed i luoghi di residenza, lavoro o studio, come Punti di Ancoraggio (PA). Utilizzando ArcGis Desktop 10, LF e PA sono state georiferite e, utilizzando il Toolset Measuring Geographic Distributions (Spatial Statistic Tools Toolbox), sono state calcolate le seguenti misure: 1. Central Feature (CF) e la relativa distanza media dal PA più vicino; 2. Standard Deviation Ellipse (SDE) ed è stato verificato se almeno un PA vi fosse incluso; 3. Mean Center (MC) e la relativa distanza media dal PA più vicino; 4. Standard Distance (SD) ed è stato verificato se almeno un PA vi fosse incluso. 2

3 Inoltre sono state calcolate due aree: il Convex Hull (poligono di area minima comprendente tutti le LF) e l area di studio (Rettangolo comprendente tutte le LF) ed è stato verificato se almeno un PA vi fosse incluso. Poiché lo scopo principale delle tecniche di analisi investigativa è quello di fornire indicazioni geografiche utili per ridurre l area di ricerca dei PA, sono stati calcolati diversi Fattori di Riduzione (FR) da applicare alla Standard Distance. La SD misura la dispersione sul territorio delle LF in termini di distanza rispetto al MC, e in questo studio è stata usata come parametro per la misurazione della propensione alla mobilità dei partecipanti. Risultati Il 93% dei PA dei partecipanti è stato individuato nell Area Studio, l 80% all interno della circonferenza tracciata con centro Mean Center e raggio Standard Distance, l 80% all interno Standard Deviation Ellipse ed il 73% all interno del relativo Convex Hull. La distanza media dei PA dal relativo CF era di 1626 Mt (DvS = 1563 Mt; Area Media = 15, 7 Km 2 ) e la probabilità che un PA potesse essere individuato all interno della circonferenza con centro CF e raggio 1626 mt era del 60%. La distanza media di un PA dal Mean Center (MC) è stata misurata in 2419 Mt (DvS = 1408 Mt; Area Media = 24,4 Km 2 ) e la probabilità che un PA potesse essere individuato all interno della circonferenza con centro MC e raggio 2419 Mt era del 53%. La Standard Distance (SD) media è risultata pari a 4445 Mt (DvS = 2318 Mt; Area Media = 78,4 Km 2 ) e la probabilità che un PA potesse essere individuato all interno della circonferenza con centro MC e raggio SD era del 90%. Il Fattore di Riduzione (FR) è stato calcolato con la formula seguente: FR = Emc/SD Dove Emc è la differenza tra distanza PA MC (errore da MC) e SD è la Standard Distance. Il FR Medio è risultato essere di 0,598 (DvS = 0,302). Utilizzando il FRM e la relativa Deviazione Standard, ulteriori misure sono state calcolate per individuare aree che potessero essere predittive. Tre circonferenze con centro MC e raggi pari a: 1. R1 = SD x FRM + 1/3 DvS; Rid. Area Ricerca al 49% 2. R2 = SD x FRM + 1/2 DvS; Rid. Area Ricerca al 56% 3. R3= SD x FRM + 2/3 DvS; Rid. Area Ricerca al 64% 3

4 Le probabilità che un PA potesse essere individuato all interno delle tre circonferenze è stata calcolata nel 63% per la prima e nell 80% per la seconda e la terza. Altre tre aree con raggi: 1. SD x FRM ± 1/3 DvS (R1a = 2214mt; R2a = 3098 Mt; Area = 18,7 Km 2 ; Riduzione Area Ricerca al 24%) 2. SD x FRM ±1/2 DvS (R1b = 1987 Mt; R2b = 3325 Mt; Area M = 25,3 Km 2 ; Riduzione Area Ricerca al 36%;) 3. SD x FRM ± 2/3 DvS (R1a = 1769 Mt; R2b = 3543 Mt; Area M = 49,8 Km 2 ; Riduzione Area Ricerca al 64%) Le probabilità che un PA potesse essere individuato all interno delle tre aree è stata calcolata rispettivamente nel 23%, 47% e 50%. Riassumendo, gli AP sono individuabili con alte probabilità all interno: 1. dell Area Studio (93%); 2. del Convex Hull (73%); 3. della Standard Deviation Ellipse (80%); 4. della circonferenza con centro MC e raggio SD (90%); 5. della circonferenza con centro CF e raggio 1626 mt (60%); 6. della circonferenza con centro MC e raggio 2419 Mt (53%); 7. della circonferenza con centro MC e raggio R2 (= SD x FRM + 1/2 DvS) (80%). I parametri sono stati applicati a un caso di cronaca tratto da Parziale (2011) per verificarne l applicabilità a un caso studio. Uno o più PA sono stati individuati all interno: 1. dell Area Studio; 2. del Convex Hull; 3. della Standard Deviation Ellipse; 4. della circonferenza tracciata con centro MC e raggio SD; 5. della circonferenza con centro CF e raggio 1626 Mt; 6. della circonferenza con centro MC e raggio 2419 Mt; 7. della circonferenza con centro MC e raggio R2 (= SD x FRM + 1/2 DvS). 4

5 Discussione Lo studio della mobilità territoriale riveste grande importanza in diversi settori ed anche in criminologia. Molte tecniche di analisi sono state sviluppate e in particolare la necessità di risolvere problemi investigativi relativi a crimini in serie ha favorito l introduzione anche nel campo dell investigazione di sofisticati software per l elaborazione di Profili Geografici dei criminali. In Italia la ricerca nel settore è molto limitata (Santtila et al., 2007; Luini et al., 2009). La presente ricerca conferma i risultati dello studio precedente (Luini et al., 2009) e ne amplia la portata con l individuazione di alcuni parametri che ne rendono più adatta l applicazione. In questo studio la Distanza Standard rappresenta la misurazione della propensione alla mobilità degli individui e il Fattore di Riduzione individuato rappresenta un parametro grazie al quale è possibile ridurre la SD, e la relativa area di ricerca, pur mantenendo elevate probabilità di successo (dal 63% all 80%). Nell analisi della mobilità territoriale degli individui la seguente procedura appare la più indicata da utilizzare. Una volta provveduto a georeferenziare le località d interesse si dovrebbe procedere al 1 : 1. Calcolo di CF (punto delle LF localizzato più centralmente rispetto alle stesse - Toolset di ArcGis), MC (punto con coordinate Lat/Long medie - Toolset di ArcGis) e delle relative circonferenze con raggio pari a 1626 Mt e 2419 Mt; 2. Calcolo dell Area di Studio, individuando quel poligono che ha per vertice inferiore sinistro, valori Lat/Long minimi, e superiore destro, valori Lat/Long massimi; 3. Calcolo del Convex Hull, tracciando un poligono che ha come vertici i punti più esterni della distribuzione in analisi e che ne comprenda tutte le località; 4. Calcolo della SDE (Toolset di ArcGis); 5. Calcolo della SD e della relativa Circonferenza (Toolset di ArcGis); 6. Calcolo del raggio corretto utilizzando la formula Rc = SD x FRM + 1/2 DvSI (SD = Standard Distance; FRM = 0,598; 1/DvS = 0,302/2); 7. Valutazione qualitativa dei risultati. Le misure di cui ai punti da 1 a 6 (Area Studio; Convex Hull; Standard Deviation Ellipse; circonferenza con centro MC e raggio SD; circonferenza con centro CF e raggio 1626 Mt; circonferenza con centro MC e raggio 2419 Mt) sembrano più adatte a casi in cui 1 Per un approfondimento su calcolo e significato delle misure consultare Mitchell, A (2005) The Esri Guide to GIS Analysis (Vol II: Spatial Measurements & Satistics). Esri Press, Redlands, CA. 5

6 l estensione geografica della distribuzione delle LF sia ridotta, mentre le misure di cui al punto 7 (circonferenza con centro MC e raggio R2 = SD x FRM + 1/2 DvS) potrebbero ridurre notevolmente l area di ricerca in casi in cui tale estensione può raggiungere dimensioni molto grandi. Concludendo, il Toolset Measuring Geographic Distributions (Spatial Statistic Tools Toolbox) di ArcGIs sembra essere uno strumento molto utile all analisi della mobilità territoriale e può calcolare misure che sul campione di soggetti che hanno partecipato al seguente studio hanno dimostrato avere buone capacità predittive per l individuazione degli AP. Seguendo la procedura suggerita, le probabilità di successo nell individuazione dei PA, con la ragionevole riduzione delle aree di ricerca, possono risultare un valido strumento di supporto alla decisione anche nell analisi investigativa. Riferimenti autori Dott. Lorenzo P. Luini (lorenzop.luini@uniroma1.it) Utente Esri Sapienza Università di Roma - Facoltà di Medicina e Psicologia - Laboratorio di Psicologia generale e sperimentale Dottorando di ricerca in Psicologia Cognitiva, Psicofisiologia e Personalità - Dottore in Criminologia applicata per l investigazione e la sicurezza Dott. Marco Scorzelli Utente Esri Operatore per la sicurezza ed il controllo sociale Serena Mastroberardino, PhD - Esperto AIPG Neuroimaging Laboratory - Fondazione Santa Lucia, IRCCS Professore a.c. LUMSA Prof. Saverio F. Marucci - Professore Ordinario Sapienza Università di Roma - Facoltà di Medicina e Psicologia Coordinatore del Laboratorio di Psicologia generale e sperimentale 6

7 Bibliografia Bottoms, A. E. (2007). Place, Space, Crime, and Disorder. In The Oxford Handbook of Criminology (4th edition), edited by M. Maguire, R. Morgan and R. Reiner. Oxford: Oxford University Press. Chainey, S. & J. Ratclffe (2005) GIS and Crime Mapping. J. Wiley & Sons, Ltd., England. Brantingham, P. J. and Brantingham, P. L. (1981). Environmental Criminology. Prospect Heights, IL: Waveland Press. Canter, D. V., & Larkin, P. (1993). The environmental range of serial rapists. Journal of Environmental Psychology, 13, Canter, D. V., & Snook, B. (1999, December). Modelling the home location of serial offenders. Paper presented at the meeting of the Crime Mapping Research Center, Orlando, FL. Canter, D. V., Coffey, T., Huntley, M., & Missen, C. (2000). Predicting serial killers home base using a decision support system. Journal of Quantitative Criminology, 16, Levine N. (2010). CrimeStat: A Spatial Statistics Program for the Analysis of Crime Incident Locations (v 3.3). Ned Levine & Associates, Houston, TX, and the National Institute of Justice, Washington, DC. July Luini, L. P., Mastroberardino, S, Marucci, S. F.(2009) Investigating spatial behaviour: An application of space analysis to criminal investigations. Cognitive Processing, 10 (Suppl 2):S247 S249. Mitchell, A (2005) The Esri Guide to GIS Analysis (Vol II: Spatial Measurements & Satistics). Esri Press, Redlands, CA. Parziale, G. (2011) Nuove tecniche di analisi investigativa. Il mostro di Cassibile: dal profilo geografico all'analisi territoriale come supporto all'investigatore sul campo. Tesi non pubblicata. Santtila P., Laukkanen M, Zappala` A (2007) Crime behaviours and distance travelled in homicides and rapes. J Investig Psychol Offender Profiling 4:1 15. Shaw, C. R., with the collaboration of F. M. Zorbaugh, H. D. McKay, and L. S. Cottrell Delinquency Areas. Chicago: University of Chicago Press. Shaw, C. R., and H. D. McKay Social Factors in Juvenile Delinquency. Report on the Causes of Crime, hrational Commission of Law Observance and Enforcement, vol. 2. Washington, D.C.: Government Printing Office. Rossmo, D. Kim. Geographic Profiling (2000) CRC Press, Boca Raton, Florida. Rossmo, D. K. (1995). Place, space, and police investigations: Hunting serial violent criminals. In J. E. Eck & D. A. Weisburd (Eds.), Crime and place: Crime prevention studies, Vol. 4 (pp ). Monsey, NY: Criminal Justice Press. 7