Post on 30-Nov-2019
Predictive PolicingTheorie, Anwendung & Erkenntnisse am Beispiel desbaden-württembergischen Pilotprojekts P4
Dominik GerstnerMax-Planck-Institut für ausländischesund internationales Strafrecht
BMBF-Fachkonferenz der zivilen Sicherheitsforschung
Übersicht
• Predictive Policing– Definition– Vorhersage von Kriminalität?– Wirkung
• P4 in Baden-Württemberg– PRECOBS in a nutshell– Elemente der Evaluation– Ergebnisse
• Fazit
D. Gerstner - Predictive Policing - SIFO 20172
Predictive Policing aus Sichteines Herstellers
IBM Werbespot: https://www.youtube.com/watch?v=5n2UjBO22EI [20.6.2017]
D. Gerstner - Predictive Policing - SIFO 20173
Predictive PolicingAspekte in dem Werbespot:• Polizist & Räuber schauen beide auf Ihre Uhrenà zeitlicher
Aspekt• Beide Nutzen ein Straßennetzwerk um zu einem bestimmten
Ort zu kommenà räumlicher Aspekt• Der Polizist hat einen Computer, der ihm hilft Daten zu
analysieren und Informationen über zukünftige Straftaten gibtà Aspekt der statistischen Vorhersage
• “figure out where to send patrols”à Aspekt der Intervention
D. Gerstner - Predictive Policing - SIFO 20174
Predictive Policing• Predictive policing is a “multi-disciplinary, law enforcement-
based strategy that brings together advanced technologies,criminological theory, predictive analysis, and tacticaloperations that ultimately lead to results and outcomes –crime reduction, management efficiency, and safercommunities.” (Uchida 2014)
• Zahlreiche Spielarten derAusgestaltung, aber immerein „End-to-End-Process“
D. Gerstner - Predictive Policing - SIFO 20175
Perry et al. (2013)
Können wir Kriminalitätvorhersagen?
• JA, aber niemals so genau wie in dem IBM Werbespot!Predictive Policing operiert mit WAHRSCHEINLICHKEITEN
– Z.B. ERHÖHTES RISIKO von Einbrüchen in bestimmtenGebieten zu einer bestimmten Zeit (z.B. PRECOBS inDeutschland)
• Es gibt Vorhersagemethoden, …– die auf beobachteten Mustern (Hot-spot analysis, risk terrain
modelling, near-repeat phenomenon, etc) und kriminologischerTheorie basieren (Rational choice Perspektive ,Cornish 1986 /Routine activity theory, Cohen & Felson 1979, Offender as„optimal forager“, Johnson et al. 2009 / PREDPOL (USA),PRECOBS (GER), u.a.
– … die auf Data Mining basieren (z.B. diverse IBM)– … mit “machine learning” Algorithmen (z.B. HunchLab, nutzt
auch alle oben genannten Methoden)D. Gerstner - Predictive Policing - SIFO 20176
Können wir Kriminalitätvorhersagen?
• Exaktheit (accuracy) von Prognosen über RETROSPEKTIVESIMULATION oder “SILENT TESTS”.
• Angaben zu Trefferquoten müssen stets vorsichtig interpretiertwerden!
• 9,8 % korrekte Vorhersagen mit PredPol vs. 6.8 % durch Analyst inMaidstone/Kent (150 x 150 Meter Zellen / 24 Stunden) (Mohler et al.2016)
• Shreveport Predictive Policing Experiment: Zellen 120 x 120 Meter /1 Monat (Hunt et al. 2014):– medium rated cells: 20 %– high-risk cell: 68 %
• PRECOBS in BW: Je nach Definition von Folgedelikt zwischen ca.40 % und 70 % (wird im Rahmen der jeweiligen Kalibrierungermittelt).
• SSL in Chicago: kein Unterschied zwischen “targeted persons”und der Kontrollgruppe (Saunders et al. 2016)
D. Gerstner - Predictive Policing - SIFO 20177
Wirkt Predictive Policing?
• Problem: Kaum unabhängige Evaluationen– Meist durch Polizei in Kooperation mit Hersteller evaluiert– Fallzahlen werden oft nur mit dem Vorjahr verglichen
• Zahlen variieren natürlich – kein robustes Maß!– Kein experimentelles Design
• Sinkende Fallzahlen können andere Gründe haben!• Studien mit experimentellem Design:
– Shreveport predicitve policing experiment: Keine Effekte, aberniedrige statistische Power (Hunt et al. 2014 – Reduktion vonKosten festgestellt)
– Mohler et al (2015): moderate Effekte• Evaluation von P4 in Baden Württemberg durch MPICC:
– erste unabhängige Evaluation– Kein experimentelles Design, aber sehr detaillierte Analysen– Ergebnisbericht in Kürze (Gerstner, 2017)
D. Gerstner - Predictive Policing - SIFO 20178
Pilotprojekt PredictivePolicing P4Testgebiete:Polizeipräsidien Karlsruhe undStuttgartEvaluationszeitraum:30. Oktober 2015 bis30. April 2016
Pilotprojekt Predictive Policing P4
• Fachliche Leitung und Planung durch Projektgruppe desLandeskriminalamtes Baden-Württemberg.
• PRECOBS (PRECrime OBservation System, Entwickler:Institut für musterbasierte Prognosetechnik).
• Laufender Betrieb in Teilen der Schweiz und Bayerns.• Einsatz in Baden-Württemberg: Pilotproject Predictive
Policing P4.• PRECOBS in BW ausschließlich im Kontext von
Wohnungseinbruchdiebstahl verwendet.• Vorhersagen basieren auf dem Near-Repeat-Phänomen und
beobachteten Mustern in Bezug zum Tathergang.
D. Gerstner - Predictive Policing - SIFO 201710
Pressemitteilung zum Projektstart:https://www.baden-wuerttemberg.de/de/service/presse/pressemitteilung/pid/polizei-startet-einsatz-der-prognose-software-precobs/
Near-Repeat-Phänomen
• “Near repeat victimisation is the observed finding that targets nearto a recent incident are also at a heightened risk of being victimized”(Johnson & Bowers 2004).
• Gilt im Besonderen für Wohnungseinbrüche.• Dabei wird angenommen, dass der/die selben Täter am Werk sind.• ‘Professionelle Einbrecher’ als ‘optimal foragers’ verhalten sich
meist rational, Muster beobachtbar. (Johnson et al. 2009)• Zahlreiche empirische Befunde (AUS, DE*, NL, UK, USA)
*Gerstner/Straub (in Vorbereitung) Gluba et al. (2015)
11 D. Gerstner - Predictive Policing - SIFO 2017
(Near-)Repeats in Baden-Württemberg2010-2015 (eigene Berechung)
PRECOBS in a nutshell
• PRECOBS nutzt das NR-Phänomen umWohnungseinbrüche vorherzusagen, die potenziell aufeinen stattgefundenen Wohnungseinbruch folgen.
• Ziel: Verhinderung von FOLGEDELIKTEN• Prognosen/Alarme nur für bestimmte Gebiete (NR-Areas,
Randzone)• Daten, die für die Prognosen genutzt werden:
– Adresse (hier: Microzelle aus min. 5 Haushalten)– Datum bzw. Zeit des Einbruchs– Modus Operandi (Tatwerkzeug, Zutrittsmethode etc.)– Beute– keine Personenbezogenen Daten– Im BW-Pilot:à nach Prüfung des Landesdatenschutzbeauftragten;
keine ProblemeD. Gerstner - Predictive Policing - SIFO 201712
PRECOBS in a nutshell
D. Gerstner - Predictive Policing - SIFO 2017
Wohnungseinbrüche derletzten 5 Jahre:
Welche können als Near-Repeat klassifiziert
werden? (Z.B.: Blau/Rotinnerhalb von 2 Tagen)
Near-Repeats derletzten 5 Jahre
Was charakterisiertdiese?
- Beute- Zutrittsmethode
- Uhrzeit- …
Keine-Near-Repeatsletzte 5 Jahre
Was charakterisiertdiese?
TriggerKriterien
anti-triggerKriterien
NR-Vorhersagen
möglich
Alarm wirdausgelöst
keine NR-Vorhersage
möglich
VerhindertAlarm
13
Fiktives BeispielMap by Stamen Designunder CC BY 3.0
PRECOBS in a nutshell(vereinfachte Darstellung, ohne Randzone)
D. Gerstner - Predictive Policing - SIFO 2017
Simulations-Studie:Vorhersagen für dieletzten 5 JahreàIdentifikation von
Gebieten mit hohemVorhersagepotential
Orange:In NR-Area,aberAnti-Triggerà kein Alarm
Violetter Einbruch:Außerhalb NR-Areaà Kein Alarm
Grün:In NR-Area,Trigger Merkmaleà Alarmà Near-Repeat Einbrüche
sind erwartbar für 7 Tage &Radius von 500 Metern
14
Fiktives BeispielMap by Stamen Designunder CC BY 3.0
Fiktives BeispielMap by Stamen Designunder CC BY 3.0
PRECOBS in a nutshell
• Alle Alarme werden von Operatoren auf Plausibilität geprüft.• OKà Alarmmeldungen auf Basis der Vorhersage an Polizeirevier
und Intranet (PDF-Dokument)à mehr/gezielte Maßnahmen etc.
D. Gerstner - Predictive Policing - SIFO 201715
Zunahme derPolizeidichte im
Alarmgebiet.Empirische
Messung überGPS-Daten
PRECOBS in a nutshell
• Alle Alarme werden von Operatoren auf Plausibilität geprüft.• OKà Alarmmeldungen auf Basis der Vorhersage an Polizeirevier
und Intranet (PDF-Dokument)à mehr/gezielte Maßnahmen etc.
D. Gerstner - Predictive Policing - SIFO 201716
• Sonderfälle von Alarmen:– Früher Alarm– Operatoralarm (Delikt in
Randzone von NR-Area)– Freie Prognose
• Weitere zusätzlicheProgrammfunktionen– Haupttatzeitstunde– Kacheln zur vergangenen
Fallbelastung im Hintergrund– Raummerkmale– etc.
Elemente der Evaluation
• Anzahl und Art der Prognosen / Alarme?• Dauer vom Datenimport bzw. Delikt bis
zur Prognose?• Wie schnell werden Alarme gesteuert?• Probleme bei Datenerfassung?• Wie gut lässt sich mit PRECOBS
arbeiten?• Welche Probleme traten auf?
17 D. Gerstner - Predictive Policing - SIFO 2017
Prognosen / Alarme
• 206 Alarme, 183 akzeptiert undgesteuert
• Mehr Operatorprognosen im PPStuttgart als im PP Karlsruhe
• Kaum Alarme in ländlichen Gebieten• Rückgang mit Sommerkonfiguration• Schnelle Steuerung der Alarme nach
Import (Median = 2 h)• Zeit vom Initialdelikt bis Steuerung
zufriedenstellend (Median 20 h, 61 %< 24 h)
• Bedienung & Supportunproblematisch
• Datenbanklösung in BW z.T.problematisch bei Fehlerfassungen
• Zeitoptimierung durch mobileFallerfassung möglich (wie z.B. inZürich)18 D. Gerstner - Predictive Policing - SIFO 2017
WechselWinter-/Sommer-konfiguration
01
23
45
01/11/2015
01/12/2015
01/01/2016
01/02/2016
01/03/2016
01/04/2016
01/05/2016
Alarme pro Tag (Steuerung)
Verlauf Stuttgart (geglättet, Kerndichte mit Bandbreite 3, Integral=111)
Verlauf Karlsruhe (geglättet, Kerndichte mit Bandbreite 3, Integral=72)
Elemente der Evaluation
• Welche polizeilichen Maßnahmen folgenauf die Alarme?
• Welche Auswirkungen hat PRECOBS aufdie gesamte Fallzahl anWohnungseinbrüchen?
• Gab es Folgedelikte? Wie oft?• Gibt es Zusammenhänge zwischen der
Intensität der Maßnahmen und derAnzahl der Folgedelikte?
• Wie kam PRECOBS bei allen Beteiligtenan?
19 D. Gerstner - Predictive Policing - SIFO 2017
P4 Maßnahmen
• In den meisten Fällen (94 %)erfolgte auf einen Alarm eineintensivere Bestreifung derAlarmgebieteà Messung durchGPS-Daten von Polizeifahrzeugen
• Durchführung gezielterMaßnahmen (Fahrzeug-/Fußstreifen, Fahrzeug-/Personenkontrollen, Gesprächemit Anwohnern, etc.)à Quantitätzwischen Alarmen fürWirkevaluation nützlich
• Durchschnittlich z.B. 50 Stundenpro Alarm durch 2,8 Beamtegeleistet.
20 D. Gerstner - Predictive Policing - SIFO 2017
500
010
2030
40Pr
ozen
t
0 200 400 600
Steigerung Dichte in % - 5% getrimmtes Mittel
200
0.5
11.
5kd
ens,
bwid
th=1
0,Fl
äche
=10
0%
0 100 200 300 400 500 600
Steigerung Dichte in % (5 % getr.Mittel)
PP Stuttgart PP Karlsruhe
P4 Evaluation - Gesamtfallzahl
• Fallzahlen gesamt:nur kleine Effekteauf die Menge derWED
• àKeinexperimentellesDesign
• à Veränderungkann nicht exklusivPRECOBSzugesprochenwerden
D. Gerstner - Predictive Policing - SIFO 201721
P4 Evaluation - Gesamtfallzahl
D. Gerstner - Predictive Policing - SIFO 201722
Starke Zunahme im Stadtkreis (SK) KA durchintensive Serie im Dezember 2015 begründet
P4 Evaluation – Near Repeats
• Reduktion von NR-Events (und Fallzahlen) in NR-Areas
D. Gerstner - Predictive Policing - SIFO 201723
Signifikante Near Repeat Muster (7 Tage / 1-500 Meter)WK12-13 WK13-14 WK14-15 WK15-16††
Stuttgart gesamt 1.79** 1.29* 1.51** 1.64**NR-Areas 2.51** 1.52** 1.85** 1.23
PP Karlsruhe gesamt 1.66** 1.59** 1.57** 1.62**NR-Areas 2.42** 1.75** 2.19** 1.39
SK Karlsruhe gesamt 1.29 1.45** 1.14 1.48*NR-Areas 2.22* 1.67** 1.65 1.49
SK Pforzheim gesamt 1.65** 1.47* 0.96 1.3NR-Areas 2.68** 1.4* 1.16 0.69
LK Lörrach gesamt 2.5* 2.67* 3.41** 2.44**
** p<0.001 , *p<0.05 (MC-Simulation mit N=999 Iterationen)Bsp.: 1,69: Die Chance auf einen weiteren Einbruch ist um 69 % größer im Falle desangenommenen Musters†WK = Winterkonfiguration: Monate November, Dezember, Januar, Februar, März††WK15-16: Evaluationszeitraum P4
Folgedelikte
• Quote Folgedelikte (in dem Fall „zutreffende Prognosen“)• Min. 1 Folgedelikt im Operativen Kreis oder NR-Area oder
Randzone, 168 h: bei ca. 40 % der gesteuerten Alarme• Min. 1 Folgedelikt ausschließlich Operativen Kreis, 168 h:
ca. 25 % der gesteuerten Alarme• Dauer bis zum 1. Folgedelikt: Median 65, p25: 22h, p75: 110h
24 D. Gerstner - Predictive Policing - SIFO 2017
P4 Evaluation
• Zusammenhänge zwischen Polizeidichte/Intensität derMaßnahmen, Dauer bis zum Alarm und Zahl der Folgedelikte
D. Gerstner - Predictive Policing - SIFO 201725
0.2
5.5
.75
1An
zahl
vorh
erge
sagt
erN
ear-R
epea
ts
-.8 -.4 0 .4 .8 1.2 1.6 2 2.4 2.8 3.2 3.6
Steigerung der Polizeidichte um 50 %
Vorserie=0 Vorserie=1Vorserie=2 Vorserie=3
Karlsruhe
0.2
5.5
.75
1An
zahl
vorh
erge
sagt
erN
ear-R
epea
ts
-.8 -.4 0 .4 .8 1.2 1.6 2 2.4 2.8 3.2 3.6
Steigerung der Polizeidichte um 50 %
Vorserie=0 Vorserie=1Vorserie=2 Vorserie=3
Stuttgart
Factorscore aus „Einsatzstunden gesamt“,„Anzahl Personenkontrollen“, „AnzahlFahrzeugkontrollen“, „AnzahlBürgergespräche“ und „Anteil Fußstreife“
P4 Evaluation - „Preview“
• Polizei auf der Straße: gemischte Gefühle!
D. Gerstner - Predictive Policing - SIFO 201726
Einschätzung des Nutzens (n=552)
27 D. Gerstner - Predictive Policing - SIFO 2017
020
4060
80H
äufig
keit
in%
(kde
ns,b
wid
th=0
.12)
1 1.25 1.5 1.75 2 2.25 2.5 2.75 3 3.25 3.5 3.75 4Einschätzung Nutzen (Index, 1 'kein Nutzen' 4'hoher Nutzen')
PP Stuttgart PP Karlsruhe
Index aus 7 Items (Cronbachs Alpha = 0,912): "Predictive Policingist eine sinnvolle Ergänzung zur normalen Polizeiarbeit","Predictive Policing ist mehr lästig als nützlich", "Predictive Policingist ein gutes Hilfsmittel für zielgerichtete Einsatzplanung", "EinMehrwert durch Predictive Policing ist nicht vorhanden", "PredictivePolicing bleibt für mich ein Blick in die Kristallkugel", "Es istLohnenswert, über Einsatz bei anderen Delikten nachzudenken„,"Die Finanzmittel für das Pilotprojekt hätten woanders sinnvollereingesetzt werden können"
Fazit
• Bestimmte Arten von Kriminalität können zu einem gewissen Gradvorhergesagt werden …
• … aber das ist mehr oder weniger kompliziert und nicht so einfachwie oft dargestellt.
• PRECOBS– Kann als praxistauglich eingestuft werden– Vor allem bei hoher Fallbelastung à Im ländlichen Raum mit
wenigen Fällen nur sehr geringer Nutzen.– Gewisser Effekt auf Anzahl der Folgedelikte/Near-Repeats.– Effekte auf Reduktion von Kriminalität weiter unklar und eher
klein.– Von Operatoren als nützliche Ergänzung wahrgenommen.– Geteilte Meinung bei Polizisten auf der Straße
• Weitere Evaluationen wünschenswert, auch mit experimentellenElementen
D. Gerstner - Predictive Policing - SIFO 201728
Angeführte Literatur
D. Gerstner - Predictive Policing - SIFO 2017
Cohen, L. E. & Felson, M. (1979). Social Change and Crime Rate Trends: A Routine Activity Approach. AmericanSociological Review 44, 588--608.
Gerstner, D. (im Druck). Predictive Policing als Instrument zur Prävention von Wohnungseinbruchdiebstahl.Evaluationsergebnisse zum Baden-Württembergischen Pilotprojekt P4. Freiburg.
Gluba, A., Heitmann, S. & Hermes, N. (2015). Reviktimisierung bei Wohnungseinbrüchen. Eine empirischeUntersuchung zur Bedeutung des Phänomens der (Near) Repeat Victimisation im Landkreis Harburg.Kriminalistik 7/2015, 368-376.
Hunt, P., Saunders, J. & Hollywood, J. S. (2014). Evaluation of the Shreveport Predictive Policing Experiment.Johnson, S. D. & Bowers, K. J. (2004). The Stability of Space-Time Clusters of Burglary. British Journal of
Criminology 44, 55-65.Johnson, S. D., Summers, L. & Pease, K. (2009). Offender as Forager? A Direct Test of the Boost Account of
Victimization. Journal of Quantitative Criminology 25, 181-200.Lum, K. & Isaac, W. (2016). To predict and serve? Significance 13, 14-19.Mohler, G. O., Short, M. B., Malinowski, S., Johnson, M., Tita, G. E., Bertozzi, A. L. & Brantingham, P. J. (2015).
Randomized Controlled Field Trials of Predictive Policing. Journal of the American Statistical Association110, 1399-1411.
Perry, W. L., McInnis, B., Price, C. C., Smith, S. C. & Hollywood, J. S. (2013). Predictive policing: The role of crimeforecasting in law enforcement operations.
Saunders, J., Hunt, P. & Hollywood, J. S. (2016). Predictions put into practice: a quasi-experimental evaluation ofChicago’s predictive policing pilot. Journal of Experimental Criminology 12, 347-371.
Schweer, T. (2015). "Vor dem Täter am Tatort" – Musterbasierte Tatortvorhersagen am Beispiel desWohnungseinbruchs. Justice Quarterly Heft 1, 13-16.
Uchida, C. D. (2014). Predictive Policing, in: G. Bruinsma & D. Weisburd (eds.), Encyclopedia of Criminology andCriminal Justice. New York, NY, 3871-3880.
29
Vielen Dank für dieAufmerksamkeit!Dominik Gerstnerd.gerstner@mpicc.de
Dank gebührt dem LKA Baden-Württembergsowie dem IfmPt für das entgegengebrachteVertrauen bei der ergebnisoffenen Evaluation.