- Home
- 60 (2013/1) - Crime mapping & modelling
- Enhancing the design of observational studies of community policing: using geospatial data mining to design non-experimental program evaluations
View(s): 446 (12 ULiège)
Download(s): 86 (0 ULiège)
Enhancing the design of observational studies of community policing: using geospatial data mining to design non-experimental program evaluations
![Open Access](images/Open_Access.png)
Attached document(s)
original pdf fileRésumé
La présente étude est une application d’algorithmes d’exploration de données géo-spatiales afin d’améliorer la validité d’une étude observationnelle de la police de proximité dans les plus grands centres urbains de Suisse. Des algorithmes supervisés et non supervisés ont été utilisés sur les données à haute dimensionnalité, relatives à la criminalité à l’échelle des quartiers, à la structure socio-économique et démographique et au cadre bâti. Le but poursuivi est d’identifier des zones comparables à travers les cinq villes étudiées afin d’analyser les impacts de la police de proximité. La typologie de quartier développée a abouti à une réduction de la variance intra-groupe des variables contextuelles. Elle permet d’expliquer une partie significative de la variance intergroupe des indicateurs d’impacts de la police de proximité recueillis par le biais de sondages. Ceci semble suggérer que les méthodes de géo-informatique aident à équilibrer les co-variables observées et donc à réduire les menaces relatives à la validité interne d’un concept de recherche non-expérimental. L’analyse de la validité de la typologie des quartiers à des fi ns d’évaluation ainsi que sa géo-visualisation pour une meilleure communication des résultats aux praticiens et l’aide à la décision stratégique font partie intégrante de l’étude.
Abstract
The current research is an application of geospatial data mining algorithms to enhance the validity of an observational study of community policing in Switzerland’s major urban areas. Both unsupervised and supervised data mining algorithms are used to cluster high-dimensional data on neighborhood-level crime rates, the socio-economic and demographic structure, and the built environment in order to identify matched comparison areas across the five cities for the subsequent impact evaluation. The resulting neighborhood typology reduced the within-cluster variance of the contextual variables and accounted for a significant share of the between-cluster variance in the survey measures of community policing impact. This suggests that geo-computational methods help to balance the observed covariates and hence to reduce threats to the internal validity of a non-experimental research design. The assessment of the validity of the neighborhood classification system for evaluation purposes and its geo-visualization for better communication with practitioners and intelligence-based decision making form an integral part of the study.
To cite this article
About: Christian KREIS
Nederlands Studiecentrum Criminaliteit en Rechtshandhaving
De Boelelaan 1077a
1081 HV Amsterdam
ckreis@nscr.nl