Andersons vinkel

Forutsi domestic violence fra liquor store aktivitet med maskinlæring

mm
Legg til Unite.AI blant dine foretrukne kilder på Google

En ny forskningsrapport fra University of Buffalo studerer sammenhengen mellom alkoholutsalg og domestic violence (DV) i forskjellige nabolag i en amerikansk by, basert på anonymisert GPS-plasseringsdata fra et mobiltelefonnettverk.

Rapporten konkluderer med at liquor store-aktivitet er mer sterkt assosiert med domestic violence enn noen annen plass hvor alkohol kan kjøpes, og indikerer at sammenhengen mellom alkoholutsalg og domestic violence kan være mer nyansert enn hva tidligere studier har antydet:

‘Merkelig nok viser variabelen for liquor store-besøk den sterkeste positive bidrag til DV-rate sammenlignet med andre variabler. Dette resultat antyder at liquor store-besøk er en viktig prediktor for DV-rate på nabolagsnivå.

‘Interessant nok har besøk til to andre typer alkoholutsalg (dvs. drikkesteder og bryggerier) negative koeffisienter, som er konsistent med korrelasjonsanalysen.

‘Dette resultat viser at besøk til disse stedene faktisk er assosiert med lavere DV-rater. Dette resultat er overraskende, da en høyere tetthet av drikkesteder i et nabolag ofte ble antatt å være relatert til en høyere DV-[rate]’

Fra rapporten, en kartvisualisering som viser besøk mellom liquor stores og hjemmenabolag over en uke i 2019, før den data-forstyrrende begivenheten COVID. Kilde: https://arxiv.org/ftp/arxiv/papers/2203/2203.04088.pdf

Fra rapporten, en kartvisualisering som viser besøk mellom liquor stores og hjemmenabolag over en uke i 2019, før den data-forstyrrende begivenheten COVID. Kilde: https://arxiv.org/ftp/arxiv/papers/2203/2203.04088.pdf

Forfatterne teoriserer en mulig nær-invers sammenheng mellom besøk til mer prestisjefylte alkohol-relaterte steder og domestic violence, og mener at besøkende til steder som bryggerier og barer sannsynligvis er av en høyere sosioøkonomisk status, noe som reduserer deres sannsynlighet for å være involvert i domestic violence-episoder.

Rapporten rapporten heter Rollen til alkoholutsalg besøk avledet fra mobiltelefon-plasseringsdata i å forbedre domestic violence-prediksjon på nabolagsnivå, og kommer fra tre forskere fra avdelingene for matematikk, medisin og geografi ved Buffalo.

Data og avgrensning

Forskerne hadde som mål å bestemme om anonymisert mobil plasseringsdata kunne brukes, i kombinasjon med tilgjengelige krimstatistikk, for å prediktere hendelser og hyppighet av domestic violence på nabolagsnivå, i den utstrekning disse kan relateres til tilgjengeligheten av alkohol i lokalområdet.

Det første oppdraget var å definere nabolag, som ble gjort ved å bruke Census Block Groups (CBGs), den minste tilgjengelige geografiske enhet som fortsatt beholder fullstendig demografisk og sosioøkonomisk data, som er gitt av American Community Survey (ACS).

De anonymiserte mobil plasseringsdataene kom fra SafeGraph, et kommersielt selskap som tilbød data som dekket hele USA til forskerne gratis. Datasettet dekker 3,6 millioner punkt av interesse over hele landet, inkludert de som selger alkohol, som liquor stores, barer, vingårder og bryggerier.

Studien dekker en periode som fører opp til, men ikke inkluderer, den statistisk forstyrrende utbruddet av COVID, og hjemmeplasseringene til besøkende til alkoholutsalg ble antatt av SafeGraph basert på natte-plasseringsdata i de foregående seks ukene. Hverken de eksakte banene til besøkene eller den eksakte hjemmeplasseringen til brukerne er åpenbart i dataene – en stikkprøve som matcher ‘generaliserte’ grenser for nabolagene identifisert i ACS-dataene.

Banene som ble undersøkt i arbeidet korrelere ikke nødvendigvis med hjem-liquor store-hjem-besøk, men kan representere baner til et annet hjemmemiljø, med et stopp ved en liquor store underveis.

Banene som ble undersøkt i arbeidet korrelere ikke nødvendigvis med hjem-liquor store-hjem-besøk, men kan representere baner til et annet hjemmemiljø, med et stopp ved en liquor store underveis.

Selv om de tilgjengelige GPS-dataene omfatter hele nasjonen som et potensielt område for undersøkelse, valgte forskerne Chicago, på grunn av den relativt godt merkte informasjonen som er tilgjengelig via Chicago Police Department’s Citizen Law Enforcement Analysis and Reporting (CLEAR) System.

CLEAR-datasettet inkluderer krimtyper (som brann eller overfall), samt tid, plass og bredde-/lengdegradpar for hendelsen, blant andre datapunkter. Det inneholder også en binær verdi for ‘Domestisk’, som indikerer om de besøkende politioffiserene tilskrev hendelsen som relatert til Illinois Domestic Violence Act fra 1986.

Forskerne bemerker at en rekke ikke-‘domestic violence’-kriminalitet (inkludert brann), hadde blitt feilaktig tilskrevet denne kategorien, og filtrerte ut disse hendelsene.

Venstre, grensene for byen Chicago, sammen med dens Census Block Groups (CBGs), høyre, uttrukne domestic violence-hendelser.

Venstre, grensene for byen Chicago, sammen med dens Census Block Groups (CBGs), høyre, uttrukne domestic violence-hendelser.

Kun hendelser hvor et besøk til en liquor store varte i fire eller flere minutter, ble talt. I tillegg innrømmer forskerne at det ikke er noen måte å vite om besøket resulterte i en kjøp, eller omfanget eller typen av kjøpet. Videre bemerker de at domestic violence er ansett å være blant de mest underrapporterte kriminalitetene, og bidrar til den omtrentlige naturen til resultater som ble funnet i studien.

Fire tilnærminger

Dataene ble undersøkt med fire tilnærminger: Random Forest (RF), Ordinary Least Squares (OLS), Deep Neural Network (DNN), og Geographically Weighted Regression (GWR). OLS og GWR er statistiske metoder snarere enn maskinlæringsmetoder.

En generell oversikt over eksperimentene, som omfatter fire metoder og fire kategorier av alkohol-punkt-av-interesse i SafeGuard-data, sammenlignet med domestic violence-hendelser i CLEAR-data.

En generell oversikt over eksperimentene, som omfatter fire metoder og fire kategorier av alkohol-punkt-av-interesse i SafeGuard-data, sammenlignet med domestic violence-hendelser i CLEAR-data.

Resultatene over de fire metodene viser at sammenhengen mellom liquor stores og domestic violence varierer betydelig over nabolag, selv om forskerne ultimate konkluderer at ‘økninger i liquor store-besøk er assosiert med økninger i DV-rater i de fleste nabolag i Chicago’.

Korrelasjon til DV-hendelser, basert på de fire typene alkohol-utsalg som ble studert i rapporten: a) liquor stores, b) drikkested (dvs. bar), c) bryggeri og d) vingård.

Korrelasjon til DV-hendelser, basert på de fire typene alkohol-utsalg som ble studert i rapporten: a) liquor stores, b) drikkested (dvs. bar), c) bryggeri og d) vingård.

Rapporten inneholder en mer detaljert oversikt over de sosioøkonomiske og demografiske indikatorene relatert til analyser.

Forfatterne sier*:

‘Våre resultater gir videre innsikt i sammenhengen mellom alkoholbruk og DV. Blant de fire typene alkohol-utsalg-besøk, har liquor store-besøk den sterkeste sammenhengen med økt DV i hjemmenabolagene til liquor store-besøkende.

‘Den vanlige aktivitetsteorien om kriminalitet foreslår tre nødvendige betingelser for at en kriminalitet skal skje, som er: en motivert kriminell, en potensiell mål, og en mangel på noe som kan hindre kriminellens atferd. Liquor store-besøk antyder at den kjøpte alkoholen vil bli konsumert hjemme hvor alle tre betingelser er møtt: kriminellen og den potensielle mål er i nærheten av hverandre, og alkoholen gir [disinhibitor].’

Forfatterne foreslår videre at resultater fra studier som disse kan bidra til fremtidige politiske beslutninger om regulering av liquor stores i områder hvor deres sammenheng med domestic violence ser ut til å være manifest fra dataene, med mulige inngrep som inkluderer begrensning av tillatte salgsperioder og begrensning av antallet alkohollisenser.

 

* Min konvertering av forfatternes inline-citater til hyperlink.

Først publisert 9. mars 2022.

Forfatter innen maskinlæring, domenespesialist i menneskeskapesynthese. Tidligere sjef for forskningsinnhold i Metaphysic.ai, til det ble oppløst i DNEG's Brahma.ai.
Portfolio nettsted: martinanderson.ai
Kontakt: martin@martinanderson.ai