Relações entre Crimes e o Espaço Urbano: Um Estudo de Caso Baseado em Pontos de Interesses Extraídos da Web
Resumo
Altos índices de criminalidade estão dentre os principais problemas que afetam negativamente a qualidade de vida nos centros urbanos. No Brasil, em particular, estima-se uma taxa média de 20 mortes por mês para cada 100 mil habitantes em decorrência de situações de violência. As altas taxas de criminalidade nas cidades brasileiras poderiam ser melhor analisadas e compreendidas a partir de fontes de dados alternativas que exploram características do espaço urbano. Neste artigo, investigamos a relação entre índices de criminalidade e essas características refletidas em pontos de interesse (POIs) que as pessoas registraram em um serviço Web para a cidade de São Paulo. Mostramos o potencial desse tipo de dado para predizer índices de crimes por regiões da cidade. Nesse sentido, construímos modelos de regressão com desempenhos satisfatórios para essa predição e exploramos esses modelos para descobrir as categorias de POIs mais importantes para explicar os crimes mais frequentes por regiões das cidades. Adicionalmente, analisamos o ganho de desempenho com o aumento de POIs registrados na cidade ao longo dos anos.
Referências
Adorno, S. and Nery, M. B. (2019). Crime e violências em são paulo: retrospectiva teórico-metodológica, avanços, limites e perspectivas futuras. Cadernos Metrópole, 21(44):169–194.
Becker, K. L. and Kassouf, A. L. (2017). Uma análise do efeito dos gastos públicos em educação sobre a criminalidade no brasil. Economia e Sociedade, 26(1):215–242.
Belesiotis, A., Papadakis, G., and Skoutas, D. (2018). Analyzing and predicting spatial crime distribution using crowdsourced and open data. ACM Transactions on Spatial Algorithms and Systems (TSAS), 3(4):1–31.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Castro, U. R., Rodrigues, M. W., and Brandao, W. C. (2020). Predicting crime by exploiting supervised learning on heterogeneous data. In ICEIS (1), pages 524–531.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in neural information processing systems, 9:155–161.
Groß, J. (2012). Linear regression, volume 175. Springer Science & Business Media.
Huang, C., Zhang, J., Zheng, Y., and Chawla, N. V. (2018). Deepcrime: Attentive hierarchical recurrent networks for crime prediction. In Proceedings of the 27th ACM International Conference on Information and Knowledge Management, pages 1423– 1432.
Iranmanesh, A. and Alpar Atun, R. (2020). Reading the urban socio-spatial network through space syntax and geo-tagged twitter data. Journal of Urban Design, 25(6):738– 757.
Masi, C. M., Hawkley, L. C., Piotrowski, Z. H., and Pickett, K. E. (2007). Neighborhood economic disadvantage, violent crime, group density, and pregnancy outcomes in a diverse, urban population. Social science & medicine, 65(12):2440–2457.
Mueller, W., Silva, T. H., Almeida, J. M., and Loureiro, A. A. (2017). Gender matters! analyzing global cultural gender preferences for venues using social sensing. EPJ Data Science, 6(1):5.
Nery, M. B., Souza, A. A. L. d., and Adorno, S. (2019). Os padrões urbano-demográficos da capital paulista. Estudos Avançados, 33(97):5–36.
NEV-USP (2021). Monitor da violência. Disponível em: Acesso https://nev.prp.usp.br/projetos/projetos-especiais/monitor-da-violencia/. em 07 de jun. 2021.
Noronha, C. V., Machado, E. P., Tapparelli, G., Cordeiro, T. R. F., Laranjeira, D. H. P., and Santos, C. A. T. (1999). Violência, etnia e cor: um estudo dos diferenciais na região metropolitana de salvador, bahia, brasil. Revista Panamericana de Salud Pública, 5:268–277.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Ramm, F., Topf, J., and Chilton, S. (2011). OpenStreetMap: using and enhancing the free map of the world. UIT Cambridge Cambridge.
Silva, T. H., de Melo, P. O. V., Almeida, J. M., and Loureiro, A. A. (2017). Uma fotografia do instagram: Caracterização e aplicação. Revista Brasileira de Redes de Computadores e Sistemas Distribuídos.
Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: a survey. ACM Computing Surveys (CSUR), 52(1):1–39.
SSP-SP (2021). Dados estatísticos do estado de são paulo. Disponível em: http://www.ssp.sp.gov.br/estatistica/pesquisa.aspx. Acesso em 10 de mai. 2021.
São Paulo (2015). Disponível em: Diário oficial do estado de são paulo. https://www.imprensaoficial.com.br. Acesso em 07 de jul. 2021.
Tonry, M. (1997). Ethnicity, crime, and immigration. Crime and justice, 21:1–29.
Tucker, R., O’Brien, D. T., Ciomek, A., Castro, E., Wang, Q., and Phillips, N. E. (2021). Who ‘tweets’ where and when, and how does it help understand crime rates at places? measuring the presence of tourists and commuters in ambient populations. Journal of Quantitative Criminology, 37(2):333–359.
Wang, H., Jenkins, P., Wei, H., Wu, F., and Li, Z. (2019). Learning task-specific city region partition. In The World Wide Web Conference, pages 3300–3306.
Wang, H., Yao, H., Kifer, D., Graif, C., and Li, Z. (2017). Non-stationary model for crime rate inference using modern urban data. IEEE transactions on big data, 5(2):180–194.
Wang, Z., Ma, D., Sun, D., and Zhang, J. (2021). Identification and analysis of urban functional area in hangzhou based on osm and poi data. Plos one, 16(5):e0251988.
Weisburd, D., Groff, E. R., and Yang, S.-M. (2012). The criminology of place: Street segments and our understanding of the crime problem. Oxford University Press.
Yuan, J., Zheng, Y., and Xie, X. (2012). Discovering regions of different functions in In Proceedings of the 18th ACM SIGKDD a city using human mobility and pois. international conference on Knowledge discovery and data mining, pages 186–194.
Becker, K. L. and Kassouf, A. L. (2017). Uma análise do efeito dos gastos públicos em educação sobre a criminalidade no brasil. Economia e Sociedade, 26(1):215–242.
Belesiotis, A., Papadakis, G., and Skoutas, D. (2018). Analyzing and predicting spatial crime distribution using crowdsourced and open data. ACM Transactions on Spatial Algorithms and Systems (TSAS), 3(4):1–31.
Breiman, L. (2001). Random forests. Machine learning, 45(1):5–32.
Castro, U. R., Rodrigues, M. W., and Brandao, W. C. (2020). Predicting crime by exploiting supervised learning on heterogeneous data. In ICEIS (1), pages 524–531.
Drucker, H., Burges, C. J., Kaufman, L., Smola, A., Vapnik, V., et al. (1997). Support vector regression machines. Advances in neural information processing systems, 9:155–161.
Groß, J. (2012). Linear regression, volume 175. Springer Science & Business Media.
Huang, C., Zhang, J., Zheng, Y., and Chawla, N. V. (2018). Deepcrime: Attentive hierarchical recurrent networks for crime prediction. In Proceedings of the 27th ACM International Conference on Information and Knowledge Management, pages 1423– 1432.
Iranmanesh, A. and Alpar Atun, R. (2020). Reading the urban socio-spatial network through space syntax and geo-tagged twitter data. Journal of Urban Design, 25(6):738– 757.
Masi, C. M., Hawkley, L. C., Piotrowski, Z. H., and Pickett, K. E. (2007). Neighborhood economic disadvantage, violent crime, group density, and pregnancy outcomes in a diverse, urban population. Social science & medicine, 65(12):2440–2457.
Mueller, W., Silva, T. H., Almeida, J. M., and Loureiro, A. A. (2017). Gender matters! analyzing global cultural gender preferences for venues using social sensing. EPJ Data Science, 6(1):5.
Nery, M. B., Souza, A. A. L. d., and Adorno, S. (2019). Os padrões urbano-demográficos da capital paulista. Estudos Avançados, 33(97):5–36.
NEV-USP (2021). Monitor da violência. Disponível em: Acesso https://nev.prp.usp.br/projetos/projetos-especiais/monitor-da-violencia/. em 07 de jun. 2021.
Noronha, C. V., Machado, E. P., Tapparelli, G., Cordeiro, T. R. F., Laranjeira, D. H. P., and Santos, C. A. T. (1999). Violência, etnia e cor: um estudo dos diferenciais na região metropolitana de salvador, bahia, brasil. Revista Panamericana de Salud Pública, 5:268–277.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., et al. (2011). Scikit-learn: Machine learning in python. the Journal of machine Learning research, 12:2825–2830.
Ramm, F., Topf, J., and Chilton, S. (2011). OpenStreetMap: using and enhancing the free map of the world. UIT Cambridge Cambridge.
Silva, T. H., de Melo, P. O. V., Almeida, J. M., and Loureiro, A. A. (2017). Uma fotografia do instagram: Caracterização e aplicação. Revista Brasileira de Redes de Computadores e Sistemas Distribuídos.
Silva, T. H., Viana, A. C., Benevenuto, F., Villas, L., Salles, J., Loureiro, A., and Quercia, D. (2019). Urban computing leveraging location-based social network data: a survey. ACM Computing Surveys (CSUR), 52(1):1–39.
SSP-SP (2021). Dados estatísticos do estado de são paulo. Disponível em: http://www.ssp.sp.gov.br/estatistica/pesquisa.aspx. Acesso em 10 de mai. 2021.
São Paulo (2015). Disponível em: Diário oficial do estado de são paulo. https://www.imprensaoficial.com.br. Acesso em 07 de jul. 2021.
Tonry, M. (1997). Ethnicity, crime, and immigration. Crime and justice, 21:1–29.
Tucker, R., O’Brien, D. T., Ciomek, A., Castro, E., Wang, Q., and Phillips, N. E. (2021). Who ‘tweets’ where and when, and how does it help understand crime rates at places? measuring the presence of tourists and commuters in ambient populations. Journal of Quantitative Criminology, 37(2):333–359.
Wang, H., Jenkins, P., Wei, H., Wu, F., and Li, Z. (2019). Learning task-specific city region partition. In The World Wide Web Conference, pages 3300–3306.
Wang, H., Yao, H., Kifer, D., Graif, C., and Li, Z. (2017). Non-stationary model for crime rate inference using modern urban data. IEEE transactions on big data, 5(2):180–194.
Wang, Z., Ma, D., Sun, D., and Zhang, J. (2021). Identification and analysis of urban functional area in hangzhou based on osm and poi data. Plos one, 16(5):e0251988.
Weisburd, D., Groff, E. R., and Yang, S.-M. (2012). The criminology of place: Street segments and our understanding of the crime problem. Oxford University Press.
Yuan, J., Zheng, Y., and Xie, X. (2012). Discovering regions of different functions in In Proceedings of the 18th ACM SIGKDD a city using human mobility and pois. international conference on Knowledge discovery and data mining, pages 186–194.
Publicado
16/08/2021
Como Citar
SOUSA, Denilson da Silva; FEITOSA, Marcos Paulo Fontes; GONÇALVES, Glauber Dias.
Relações entre Crimes e o Espaço Urbano: Um Estudo de Caso Baseado em Pontos de Interesses Extraídos da Web. In: WORKSHOP DE COMPUTAÇÃO URBANA (COURB), 5. , 2021, Uberlândia.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2021
.
p. 196-208.
ISSN 2595-2706.
DOI: https://doi.org/10.5753/courb.2021.17114.
