Introducción
La ola de delincuencia y de criminalidad son recurrentes cada día en muchas ciudades que hoy viven en descontento con las acciones y con los actores encargados de velar por la seguridad ciudadana. La sociedad civil exige mayor prevención de delitos y también una mayor vigilancia, pero el caso es más grave toda vez que los países tienden a invertir un alto porcentaje del producto interno bruto (PBI) para la seguridad, descuidando otras áreas de desarrollo y crecimiento económico, esto según los últimos estudios de la ONU. En esa línea, lo que se pretende realizar con el presente artículo es sintetizar información indexada respecto de las estrategias para la prevención del crimen y de la delincuencia con técnicas de predicción espacio-tiempo.
Predicción espacio-tiempo de delitos con soporte de la inteligencia artificial
En los últimos años se ha incrementado la densidad poblacional y, con ello, también los casos de delitos en varias ciudades de todo el mundo, al tiempo que se ignora las medidas de seguridad como es el caso de video-vigilancias u otro tipo de prevención de delitos. Para muchos, esto ha sido un desafío social de planificación de seguridad pública, es por eso que surgió la necesidad de pedir apoyo especializado con el fin de contrarrestar esta situación de vulnerabilidad e inseguridad personal.
Los últimos datos de la comisión de prevención del delito y justicia penal añaden que los delitos de violencia y crímenes son un desorden y un caos de nunca acabar, debido a que cada minuto que pasa se detecta un delito de toda índole. En este contexto, los tomadores de decisión de algunos países, como Reino Unido, Francia y España, decidieron utilizar algoritmos de inteligencia artificial para reducir la actividad delictiva. Estos algoritmos ayudaron a predecir y detectar puntos críticos de delincuencia con relación al espacio-tiempo. Este método se enfoca en el apoyo provisional a la vigilancia policial y la identificación de lugares críticos de lugares donde se manifiesta mayormente los intentos de delito y los modus operandi.
Detección y predicción de los puntos críticos mediante un mapeo espaciotemporal
La ubicación geográfica puede mostrar el volumen creciente de la criminalidad, y detectar la densidad de alto o bajo riesgo de estas, toda vez que los niveles de criminalidad son volátiles con respecto a otros puntos de las ciudades. Investigadores como Shiode y Shiode, (2020) propusieron un enfoque basado en redes para detectar puntos críticos de delincuencia a través de algoritmos. Estos algoritmos se aplicaron en delitos como robos practicados en California, así este medio empírico mostró una tendencia de efectividad del 73,9%, con lo cual se comprueba su utilidad.
Otros investigadores como Xie y Shekhar, (2019) destacaron los enfoques de detección en puntos críticos de delincuencia existentes y propusieron un algoritmo robusto, el cual contempla todas las posibles facetas del problema que se pretende resolver con estadísticas de exploración y normalización no determinista (NN) para la detección de puntos críticos. Este método se consideró para muchos muy novedoso, ya que permitía detectar casos de delitos y verificar su evolución. Dentro de la actividad delictiva, los resultados indican que los delitos más frecuentes son: terrorismo, tráfico ilícito de drogas y homicidios.
Predicción espacial de delitos con margen criminal
La criminalidad se puede traducir como una anomalía de comportamiento que trae consigo violencia considerados delitos para las distintas legislaciones; sin embargo, esto se acentúa indistintamente en ciertas periferias o zonas de las sociedades.
Ahora bien, Brantingham y Brantingham (1993) explican que los delitos que ocurren en áreas específicas no suelen ser delitos aleatorios, sino que pueden darse de manera organizada u oportunista, es decir, hay una mayor posibilidad de ser víctima de un delito al recurrir con mucha frecuencia por regiones que se encuentran en puntos críticos de hechos de crimen.
Una parte trascendental del artículo en mención es que justamente al considerarse que el delito no es aleatorio, por el mismo hecho de que los criminales están organizados, tienen identificadas las zonas más vulnerables de la periferia. Por lo tanto, para poder lograr una predicción en tiempo y espacio las autoridades tendrían que realizar un mapeo geográfico de los puntos calientes, esto es, de las zonas donde el crimen es muy frecuente. Así mismo, Gorr y Harries (2003) refieren que la previsión delictiva incluye el uso de sistemas de información geográfica (SIG), esto con el fin de realizar predicciones a corto y largo plazo con métodos univariados y multivariados, así como también el análisis de alto o bajo riesgo. Por su parte, Flores Arias (2014), quien introduce un número particular sobre la previsión de delitos espaciales, utiliza el enfoque de modelización de terreno de riesgo, lo que significa que se debe hacer un mapeo geográfico de los terrenos donde se comete la mayoría de los crímenes. Una revisión reciente de Chiok (2014) resume estudios anteriores de predicción de delitos donde se utilizó cuatro métodos: máquinas de vectores de soporte, redes neuronales artificiales, teoría difusa y series de tiempo multivariadas, las cuales aportan la rápida detección de algunos crímenes más difíciles de identificar.
Predicción espacio-tiempo de delitos mediante el aprovechamiento de una red neuronal
Elluri et al. (2019) afirman que la red neuronal tiene como finalidad identificar patrones de comportamiento que se traduzcan en actividades delictivas, teniendo como sujeto pasivo a la sociedad civil. Los problemas identificados son el desorden público y la alteración de las buenas costumbres, entre otras. Esta función de la red neuronal aporta beneficios en cuanto a la ubicación de los policías destinados a la vigilancia y la próxima detección de acontecimientos futuros; por lo tanto, este recurso resulta ser eficaz en la detección de delitos espacio-temporales en las periferias.
Relación de la red neuronal con otras redes de predicción
La red neuronal se relaciona con otras redes tales como las redes bayesianas y los árboles aleatorios. Por medio de estas redes, en el Estado de Mississippi se predijo tres tipos de delitos, lo que obtuvo una correlación del 99%, tal como lo afirma Esquivel et al. (2020). De esta manera, se muestra que se utilizaron cinco algoritmos de aprendizaje automático, a efecto de predecir la ocurrencia de algunos lugares donde sería más probableque incidan estos delitos. De esta manera, se tiene por ejemplo: asalto común y robo con allanamiento de morada. El mejor resultado se obtuvo mediante un árbol de decisiones o random tree, con una precisión del 97,4%.
Red neuronal en la predicción de crímenes
Según Butt et al. (2020) para la predicción de crímenes, las redes neuronales se amparan en los eventos temporales, geográficos y ambientales. En ese sentido, estos datos pueden ser utilizados también para generar información acerca del agrupamiento de zonas de conflicto, identificación de patrones de comportamiento, simulación de eventos; todo esto en tiempo real, con lo que pueden ser categóricos para la toma de decisiones a la hora de suscitarse los crímenes.
Mapeo del crimen espacio-temporal y análisis del crimen
En estos tiempos donde la inseguridad ciudadana es cada vez más común, así como también existen limitaciones fiscales, y de la vigilancia y la prevención de delitos, se ha generado la necesidad de descubrir patrones de delincuencia. Algunos resultados sugieren que la geografía local y regional contribuyen significativamente a la explicación de los patrones delictivos, la consideración de un espacio filtro, que se puede analizar desde la video-vigilancia también aumenta el poder explicativo de las conductas, esto por medio de algoritmos de regresión que en buena cuenta tienen la misma función que el random tree, es decir, la toma de decisiones.
Tomando el contenido de la investigación de Xiao et al. (2016), la video-vigilancia se ha convertido en una práctica bastante común con el auge mundial de ciudades inteligentes. Desarrollar tecnología de compresión de datos bajo los requisitos analíticos de la información de vigilancia es la clave para resolver el problema del almacenamiento. La investigación criminal exige la preservación de la calidad de los objetos sensibles, generalmente, peatones, rostros humanos, vehículos y placas de matrícula; sin embargo, el valor analítico de los datos de vigilancia se pierde rápidamente a medida que aumenta la relación de compresión de los ciudadanos con las instituciones de seguridad ciudadanía.
A casi todos los objetos sensibles necesarios en una investigación criminal se les asigna un alto valor de prominencia en lugar de solo una o dos regiones destacadas. La actividad en el dominio temporal se integra para poner énfasis en los objetos en movimiento, es decir, en los objetos sensibles que luego adquierenun mayor relieve. La ciudad inteligente ha surgido en los últimos años como un avance en el desarrollo de soluciones avanzadas a problemas comunes en la vida urbana a través del análisis. La video-vigilancia, una composición indispensable de cualquier ciudad inteligente, continúa creciendo en todo el mundo debido a la necesidad de marcos urbanos como la gestión del transporte, la gestión de desastres y la seguridad social. La implementación de video-vigilancia es típica de todos los gobiernos, sin embargo, este método utilizado para combatir a la delincuencia tiene algunas limitantes; por ejemplo, la capacidad de almacenamiento, la resolución de imagen y de video y la infraestructura para su manejo. Por otro lado, en ciudades con mayor avance tecnológico no solo se utiliza esta herramienta, sino que se le añade el uso de inteligencia artificial para el análisis de video, reconocimiento y rastreo de objetos y personas.
Autonomía espacio-temporal
En palabras de Wain et al. (2017), la video-vigilancia como tal es importante, pero es más trascendente cuando se da cuenta de la forma en que los operadores políticos y de justicia la utilizan para combatir o para aplicar una sanción respectivamente. En ese sentido, se ha visto la necesidad de instalar rastreadores de Sistema de Posicionamiento Global (GPS) a las patrullas de los agentes policiales para detectar los puntos más críticos de crímenes y robos. El mismo método fue utilizado en Gales y en Inglaterra.
En esa misma línea, los investigadores destacan que este método coadyuvó a los gerentes y supervisores de la justicia a poseer un gran control de monitoreo del despliegue de los oficiales en los puntos críticos y, además, se siguió de cerca los movimientos de los oficiales, tanto en tiempo como en espacio.
Redes sociales para la predicción espacio-temporal de crímenes
Según Kalampokis et al. (2013) en los últimos años los usuarios de redes sociales crecieron vertiginosamente. Cada día miles de datos se crean por segundos; a partir de 2012 la aplicación de redes sociales, Facebook alcanzó mil millones de usuarios activos mensuales, mientras que Twitter reportó más de 140 millones de usuarios activos. En ese entender, los investigadores esgrimen que las redes sociales podrían coadyuvar en la predicción y detección de crímenes.
Tal como afirman Kounadi et al. (2020) las redes sociales pueden servir de gran ayuda para detectar o predecir delitos. Esto debido a que cuentan con aplicativos de posicionamiento global o más conocido como GPS.
Por su parte, Gerber (2014) Concluyen que la red social Twitter también ha sido utilizada para predecir delitos. Esto en cuanto que, a través de la identificación de ciertos parámetros, por ejemplo las palabras escritas en los tweets, se pueden identificar acontecimientos delictivos. Si aunamos el mensaje del tweet a la ubicación exacta que arroja el GPS de la aplicación, entonces, estos datos podrían utilizarse por las autoridades a cargo de la seguridad interna de un país.
Predicción por medio de incidentes delictivos
Un método que demostró ser eficaz usando la técnica de incidentes delictivos es el de los puntos calientes, el cual consiste en juntar la información de actos delictivos actuales y crear una predicción en el espacio del delito. Se cree que en esos puntos se volverán a cometer delitos, por lo cual, se presta mayor atención a la zona.
Según Helbich y Jokar Arsanjani (2015) hay dos estrategias que son de suma utilidad, el primero es el modelo aditivo espacio-temporal generalizado (ST-GAM) y el segundo, el modelo aditivo espacio-temporal generalizado local (LST-GAM). Ambos predicen delitos, ya que utilizan datos geográficos, demográficos, espaciales y temporales basados en el incidente delictivo. Además, ayudan a estudiar patrones espacio-temporales, un ejemplo es el usarlos para evitar el terrorismo y accidentes automovilísticos.
Para hacer que estas estrategias funcionen se aplicaron complejas fórmulas que ayudan a la estimación de datos como por ejemplo la fórmula de variable dependiente (k) de una función de producción básica (f) tal que: K = f(X1, X2, X3, Xn-1, Xnorte) Donde las variables independientes (X1, X2etc.) se definen como factores estáticos que no cambian con el tiempo. El conocimiento es, por lo tanto, la suma en cualquier punto de la congestión de inteligencia estratégica para combatir el crimen y el terrorismo.
Para probar las estrategias se usaron datos de incidentes que ocurrieron en años pasados, se usó la información geográfica y la ubicación de centros públicos como colegios, empresas, restaurantes, etc. Los resultados fueron favorables y, al comparar distintas estrategias de predicción de delitos, tales como ST-GAM y LST-GAM, se pudo establecer que ST-GAM tuvo mejor desempeño. Esto muestra que las estrategias avanzan junto con la tecnología y constantemente se busca una mejora para poder predecir los incidentes delictivos con más efectividad. Esto bien podría ser usado por los operadores de justicia, con el propósito de hacer un trabajo más rápido y eficiente, pero, sobre todo, apoyados en estrategias que se irán perfeccionando con el paso del tiempo.
Objetivos
Objetivo general
Analizar, resumir, interpretar y evaluar las distintas técnicas de predicción espacio-temporal de la delincuencia con un panorama inteligente.
Objetivos específicos
Metodología
Por la propia naturaleza de la investigación, se utilizó metodología de enfoque descriptivo-cualitativo. Basados en esto, se diseñaron fichas de observación estructurada con el fin de sistematizar información de cinco bases de datos: Scopus, Web of Science, IEEE, ACM, Springer, del período de tiempo comprendido entre 2015 hasta junio de 2020. En ese sentido, se encontró un total de 3015 estudios. Después del proceso de cribado y verificación de los criterios de exclusión e inclusión, se seleccionaron 132 artículos, luego se aplicaron preguntas Psicólogo Interno Residente (PIR) hasta quedar 18 artículos. (Ver Tabla 1 y 2).
Estrategia de búsqueda
La estrategia de búsqueda que se utilizó para este trabajo está relacionada con cinco búsquedas de distintas bases de datos y para los respectivos hallazgos se utilizó una cadena de búsqueda que permitió la rápida detección de los artículos necesarios y claros, con el objeto de encontrar manuscritos de calidad. Estos elementos fueron: OR y AND; también se utilizaron palabras como justic* law*. (Ver Tabla 3 y 4). Estos atributos fueron de suma importancia para encontrar información en las bases de datos antes mencionadas. (Ver Tabla 5 y 6).
Análisis de los resultados de búsqueda
El número de artículos obtenidos a partir de las distintas búsquedas en las bases de datos pertinentes han sido de 3015, de los cuales, después de aplicar el método de inclusión y exclusión, se han seleccionado 136 más; con las preguntas realizadas de PIR quedaron solo 18. (Ver Tabla 7 y 8). La primera búsqueda se centró, principalmente, en el tema espaciotemporal y su estrecha relación con la inteligencia artificial en el campo del derecho. Los documentos obtenidos fueron 488, de los cuales solo quedaron 7 artículos.
La segunda fase fue casi similar a la primera, la diferencia fue que se utilizaron palabras como “espacio-temporal”, en la cual se encontraron 264.136 artículos, seleccionando al final solo 18 artículos. Como se observó, muchos artículos fueron candidatos para ser analizados, pero con las preguntas de inclusión y exclusión se redujeron considerablemente; más aún, con las preguntas PIR, quedando finalmente los artículos que están más próximos a nuestra investigación.
Discusión
Los resultados expuestos de la investigación indican que los puntos más calientes de la región se encuentran en los barrios más pobres, pero otras investigaciones espaciotemporales indican en sus resultados que los puntos más calientes se pueden encontrar en cualquier región. Además, se concluye que muchas patrullas de seguridad ciudadanas están siempre al pendiente de un caso de delincuencia y crimen, pero lamentablemente no son eficaces con sus rastreos o su detección. En la siguiente tabla se evidenciará la capacidad de los distintos métodos de detección de crimen. (Ver Tabla 9).
Como se evidencia en la tabla, los métodos inteligentes dieron resultados asombrosos de detección de crímenes y delitos en tiempo y espacio, pero la eficacia es aún incierta. No obstante, se puede apreciar que en un futuro estos métodos ya tendrán mejores porcentajes de eficacia. Aun así, existe discrepancia con otras investigaciones respecto de su metodología y análisis. En consecuencia, se tiene que: con respecto al análisis del crimen, la ubicación que se muestra en estas investigaciones no tiene márgenes realistas exactas de los puntos más críticos; otra de las cuestiones, son los gráficos o tablas, ya que al estudiarlos son difusos y por ello son poco entendibles.
Algunas desventajas en la implementación de los métodos de la detección y predicción-temporal de delitos
Al elaborar esta investigación se recurrió a diversas fuentes académicas, en donde se expuso la importancia de la inteligencia artificial y la video-vigilancia en la predicción de delitos; no obstante, se evidenciaron algunas posibles desventajas y errores al aplicar estos métodos de predicción.
Según Wain et al. (2017) argumentaron que la aplicación del método de GPS en los patrullajes para monitorear los puntos críticos resultaría un control total de los movimientos policiales, el cual podría traer conflictos futuros, dado que los oficiales no se sienten cómodos a la hora del rastreo constante. Ahora bien, las redes neuronales, método bayesiánico, random tree, entre otras, pueden tener fallos en la predicción de delitos en las zonas críticas, tales como la errónea detección de delitos en algunos puntos de la región, poca capacidad para almacenar una inmensa cantidad de datos.
Aportes y una llamada a futuros investigadores
Con el avance de la ciencia, la tecnología y el aumento vertiginoso de la sociedad, surgen nuevos conflictos antagónicos. Aunado a ello, una gran cantidad de ciudadanos que buscan solucionar estos conflictos intersubjetivos a través de ideas innovadoras.
Ahora bien, cada año miles de estudiantes buscan realizar una investigación novedosa en los diversos campos de estudios académicos; sin embargo, muchos de ellos no logran llegar a sus objetivos, por diversos factores, las más comunes son: la falta de apoyo de centros educativos, en brindar materiales necesarios y óptimos para el desarrollo satisfactorio de la investigación, tales como el acceso gratuito a los bases de datos, fuentes de relevancia académica, acceso a diversos artículos científicos. También es importante resaltar que América Latina se caracteriza por el ínfimo aporte de investigaciones científicas a nivel global, esto en comparación con países más desarrollados como Estados Unidos, India y algunos países europeos, quienes ponen más énfasis en el tema de las investigaciones. En ese orden de ideas, se hace un llamado muy singular a los discentes, a poder formar parte del espacio académico de la investigación, puesto que la misma será de gran ayuda para el desarrollo personal y para el descubrimiento de nuevos conocimientos que sean capaces, de aportar soluciones futuras a los diversos litigios sociales.