「犯罪予測」は可能か？：時間と空間に着⽬した犯罪分析

⾬宮 護システム情報系社会⼯学域amemiya@sk.tsukuba.ac.jp

GIS-ASA科研学内ミーティング 140512

はじめに：⾃⼰紹介

⾬宮 護（あめみやまもる）

所属：システム情報系（社会⼯学域）経歴：システム情報⼯学研究科修了

→警察庁科学警察研究所→東京⼤学空間情報科学研究センター

専⾨：都市計画・犯罪学・空間情報科学

2

問題意識と関⼼のある問い

犯罪予防のための警察活動や「まちづくり」，本当に有効に⾏われているか？

• 犯罪の時間・空間的分布の特徴の研究

• 犯罪と都市空間の関連に関する研究

• 警察活動，防犯まちづくりの効果検証

3

「都市と犯罪」という研究領域

• 19世紀初頭犯罪統計の地図化に起源• 1920’sシカゴ学派の社会⽣態学的研究• 以来，犯罪学者・地理学者の興味の的に

http://www.math.yorku.ca/SCS/Gallery/guerry/

4

犯罪の地理的研究：最近の例

犯罪学と地理学，双⽅からの関⼼

ASC（⽶国犯罪学会）• 路上強盗犯の⽣活場所• 近隣と犯罪：住⺠のネットワーク

の視点から• 交通ノードにおける犯罪の時空間

的動態性• 犯罪集中の安定性：時空間的分析• ⼩地域における徒歩パトロールの

効果検証• 犯罪と場所：スコットランドのバ

ンダリズムの研究• 場所の秩序違反性の分析• 場所・時間と強盗リスクの関係• 殺⼈の空間パターン

・・・

AAG（⽶国地理学会）• 犯罪分析の⾃動化• ポーランドにおける犯罪の地理的分析• ドアに鍵を：カルガリーの犯罪及び犯罪

不安の研究• 台北における犯罪の時空間分析• チェコにおける犯罪の地理的分布• フレズノにおける⾃動⾞関連犯罪の時空

間分析• ロンドンにおける犯罪分布の予測分析• テキサスにおける⼈種，緑地，犯罪の地

理的関係• 都市犯罪の時間と空間のリズム性・・・

5

研究の⼤きな流れ：空間分析から時空間分析へ

対応する分析ソフトウェアも登場ASCでの主な演題

“CAST” by GeoDa Center

• Space, Time, and Community Change

• Space, Time, and Microenvironments of Crime

• CrimeStat II: Multivariate Spatial and Temporal Modeling with CrimeStat

• Temporal and Spatial Trends in Sexual Victimization…

6

本⽇の話題

「犯罪予測」は可能か：時間と空間に着⽬した犯罪分析

• 海外での研究・実務の動向• ⽇本での可能性

7

犯罪が起きる前に警察が来る！？

New York Times, 15 Aug. 2011http://www.nytimes.com/2011/08/16/us/16police.html 8

プロアクティブな警察活動• 犯罪関連のビッグデータ

から動的に「次の」犯罪発⽣を予測．それに基づく警察活動．

• 2005年NYPD「リアルタイム犯罪分析センター」（RTCC)で実装．以後，複数都市に波及．

• 新しい警察活動“Predictive Policing”Time誌 “The 50 best Inventions of The Year2011” に選定

http://www.chinadaily.com.cn/photo/2010‐05/14/content_9850832_5.htm

(Perry et al.,2013)

9

基盤技術としての「地理的犯罪予測」

• データ分析に基づき，将来の犯罪発⽣の時間と空間を予測する技術

• 時間・場所を絞った資源の配分，効率的な警察活動への応⽤ (Johnson et al.,2004)

10

“ProMap”

様々な地理的犯罪予測の⼿法

Perry et al.(2013)をもとに作成

分類 概要

ホットスポット分析(Hot Spot Analysis)

過去の⼀定期間における犯罪の集積地区を，そのまま将来の犯罪発⽣の可能性の⾼い地区と考えるもの．

回帰分析(Regression Methods)

過去の犯罪数に加え，当該罪種以外の罪種の件数や，⼈⼝等の犯罪に関連するその他の変数を独⽴変数とし，回帰分析によって将来の犯罪数を予測するもの．

データマイニング(Data Mining)

⼤量のデータをもとに，クラス分類やクラスタリングなどのデータマイニング⼿法によって将来の犯罪数を予測するもの．

近接反復被害法(Near-Repeat Methods)

1件の犯罪と次の犯罪の時空間的な近接性に基づいて，将来の犯罪を予測するもの．

時空間分析(Spatiotemporal Analysis)

犯罪集中地区の短期〜⻑期の時間変化に伴う移動パターンやそれに影響する諸要因から，将来の犯罪集中地区を予測するもの．

リスク⾯分析(Risk Terrain Analysis)

犯罪に影響する空間的要因との近接性からリスク⾯を作成し，将来の犯罪の発⽣を予測するもの．

11

犯罪予測ソフトウェア “PredPol”• UCLA，サンタクララ⼤

学，UCアーバインの数学者，犯罪学者が警察と共同開発

• 152m四⽅で，⽇ごとの犯罪発⽣場所を予測．

• LA，サンタクルーズ，シアトル等で導⼊．⼤きな成果．

• 詳細なアルゴリズムは秘匿（犯罪の点過程，環境要因に加え，犯罪者データも⼊っている模様） 12

地理的犯罪予測はなぜ可能か

犯罪には時間的・空間的依存性がある理論的根拠1. 合理的選択論：犯罪者の空間⾏動はランダムで

はなく，⼀定の合理性がある2. ⽇常活動理論・犯罪パターン理論：犯罪は，犯

罪者・被害者・監視者の空間⾏動と関連がある3. リスク不均⼀説：都市空間には，犯罪の機会が

不均⼀に分布している4. ブースト説：⼀件の犯罪が起きると，それを契

機にして，近接・反復して犯罪が起きる13

⽇本での地理的犯罪予測は可能か？

• ⽇本でも，犯罪の時間的・空間的分布を別個に⾒た際の集中傾向は確認．

• 仮に，両者に⼀定の秩序が⾒いだせるならば，地理的犯罪予測の可能性はある．

• しかし，犯罪数の少なさ，社会経済的困難の空間への反映の少なさ等の事情が，欧⽶とは異なる．

• ⽇本での実証研究に基づく議論が必要． 警視庁データをもとに作成

14

これまでに取り組んできた時間と空間に着⽬した犯罪分析

菊池城治・⾬宮護・島⽥貴仁・⿑藤知範・原⽥豊（2010）近接反復被害の罪種間⽐較：時空間K関数の応⽤，GIS理論と応⽤，18巻2号，pp.21-30

⽇単位×地点単位での犯罪の時空間的集積性の検討

⾬宮護・島⽥貴仁（2013）東京23 区における住宅対象侵⼊窃盗犯の地理的分布の変化 －2001 年〜2011 年の11 年間を対象に－，都市計画論⽂集，48巻1号，pp.60-66

町丁⽬単位での犯罪の集積性の年次変化

⾬宮護（2013）潜在成⻑曲線モデルを⽤いた地区レベルでの犯罪の時系列変化と地区環境との関連の分析 －東京23区における住宅対象侵⼊窃盗犯を事例に－，都市計画論⽂集，48巻3号，pp.351-356

町丁⽬単位での犯罪の年次変化と，社会経済的・物理環境的要因との関連

15

⽇単位・地点単位での犯罪の時空間的集積性の検討

16

⽇・地点単位での犯罪の集積性＝「近接反復被害」

(Near-Repeat Victimization)

「⼀件の犯罪が起こると，⼀定期間，⼀定距離圏での被害リスクが⾼まる」⽇本でも本当に確認されるか？

Bowers & Johnson(2005)

17

データ

• 2008年に⾸都圏の⾃治体Aの警察管内で認知された刑法犯

• 粗暴犯，ひったくり，⾞上狙い，住宅対象侵⼊盗，事務所対象侵⼊盗

• 発⽣⽇時と発⽣地点データを含む

罪種 件数

粗暴犯 7395

⾞上狙い 5905

住宅対象侵⼊盗 5159

事務所対象侵⼊盗 2657

ひったくり 1539

18

分析⽅法：時空間K関数

Space

Time

時空間的集積性の統計的検定： 犯罪発⽣⽇時を無作為に貼りかえるモンテカルロ・シミュレーション（試⾏数999）（Diggle et al., 1995）

,任意の点から時間 ・距離 内にある点の数

単位空間・単位時間あたりの点の数（＝密度）

t

s

19

時空間的相互作⽤の尺度

Space

Time

D0は，ある犯罪から(s,t）の範囲内における相対的なリスクの⾼さ（時空間的相互作⽤がない場合0）（Diggle et al., 1995）

sとtを変化させながら，範囲内にある犯罪の地点数を計算

,,

t

s

20

分析結果

住宅対象侵⼊盗(p=0.001)

事務所ねらい(p=0.001)

⾞上ねらい(p=0.001)

ひったくり(p=0.001)

粗暴犯(p=0.084)

• 財産犯において有意な時空間的集積性

• 特に被害対象が地理的に固定した罪種で⾼い時空間的集積性21

ある被害から「250m×前後1週間」の範囲の被害リスクの⾼さ

罪種 リスクの⾼さ（独⽴に発⽣する場合に⽐較し何倍か）

粗暴犯 ns⾞上狙い 1.38

住宅対象侵⼊盗 3.17事務所対象侵⼊盗 3.60

ひったくり 2.13• ⼀件の犯罪を契機に短期的，集中的に警

戒を強める警察活動は財産犯で特に有効22

町丁⽬単位での犯罪の集積性の年次変化

23

犯罪の地理的移動

犯罪は，時間とともに地理的に移動するもし移動に⼀定のパターンが⾒いだせれば，地理的犯罪予測に役⽴てることができる

空き巣 ひったくり 暴⾏

24

データ• 2001-2011年における

東京23区での住宅対象侵⼊盗（空き巣＋居空き＋忍び込み）

• 年次×町丁⽬で集計されたデータ（11年次×3028地区）※対象年次において⾮継続地区，世帯数が10世帯未満の地区は除外）

• 町丁⽬ごとに各年次の世帯数で割り，1を⾜した後，対数変換 25

分析⽅法①：GlobalなMoran’s Iの年次変化

• 犯罪の全体的な地理的集積傾向• 年次ごとに算出，変化を⾒る

x：地区ごとの犯罪率（対数），w：空間重み (0 or 1)，n：全地区の数，i，j：地区

+-

26

分析⽅法②：LocalなMoran’s Iに基づく地区類型の

年次変化

• 犯罪の局所的な集積の指標（地区ごとに算出）• HH地区を集積地区とし，年次ごとの量的・地

理的変化，年次間での相関を⾒る

x：地区ごとの犯罪率（対数），w：空間重み (0 or 1)，n：全地区の数，i，j：地区

27

結果：G-Moran’s Iの年次変化

• 犯罪数の減少に伴い，集積傾向は緩和• ⼀⽅で，依然として有意な集積 28

L-Moran’s Iに基づく地区類型の年次変化

• 年次問わず⼀定数のHH地区が存在 29

L-Moranʼs Iに基づく地区類型の地理的分布の年次変化

凡例HH地区HL地区LH地区LL地区 30

隣り合う年次間での地区類型の関係

• HH地区，LL地区は固定化する傾向が強い• 変化にはあまり傾向はみられず• 空間的な収縮プロセスは？今後の課題 31

犯罪の年次変化と，社会経済的・物理環境的要因との関連

32

犯罪のホットスポットの移動＝地区ごとの犯罪率の時系列変化のばらつき

• こうした「変化のばらつき」は何により⽣じているか？

• 環境要因と⼀定の関連があれば，地区ごとに将来の犯罪率を予測できる

33

分析⽅法：データ（独⽴変数）

「社会解体論」，「⽇常活動理論」，「防犯環境設計論」を参照して変数を設定

参照理論 地域特性 指標 データソース

居住流動性 民営借家居住世帯比率，5年定住世帯比率 国勢調査（2000年，2010年）

社会経済的困難公営UR居住世帯比率（LN），年収300万以下世帯比率，*完全失業率，*離婚率，*母子世帯率

国勢調査（2000年，2010年），JPS「年収階級別世帯数推計データ」（2000年，2010年）

魅力的な対象世帯密度，低層（1～2階建て）集合住宅居住世帯比率，戸建て住宅居住世帯比率，*世帯あたり延べ床面積，年収1000万以上世帯比率

国勢調査（2000年，2010年），JPS「年収階級別世帯数推計データ」（2000年，2010年）

動機付けられた犯罪者 －

有能な守り手昼間人口密度（LN），世帯あたり人員，65歳以上人口構成比率

国勢調査（2000年，2010年），日本統計センター「推計昼間人口」（2000年，2010年）

地区の通り抜けやすさ行き止まり率（地区内のノード総数に占めるオーダー1ノードの割合）（LN），道路密度

住友電工「DRM」（2009年）

他用途との混在住宅とその他の土地利用から計算されるエントロピー指数

空閑地の量 未利用地率（LN）建蔽率 地区に占める建築面積の割合容積率 地区に占める建築床面積の割合

社会解体論

日常活動理論

防犯環境設計論

東京都都市計画地理情報システム（2001年）

34

分析⽅法：モデル分析のアプローチ

パネルデータを解析するためのマルチレベルモデルの⼀種教育社会学，計量経済学などで実績

「潜在成⻑曲線モデル」(Latent Growth Curve Modeling)

35

パス図によるモデルの表現と分析の位置づけ

分析①各年次犯罪率から，Level1⽅程式の切⽚と係数を推定，平均・分散を解釈平均：全地区共通の傾向分散：地区ごとのばらつき分析②独⽴変数から，Level2⽅程式の切⽚と係数を推定，偏回帰係数を解釈．偏回帰係数：ある地区特性との関連の強さ 36

分析①の結果

⼀次直線，⼆次曲線ともに当てはまりは良好⼆次の係数の値の⼩ささを考慮して⼀次のモデルを採⽤

モデル1（一次のモデル）

モデル2（二次のモデル）

切片 3.298** 3.261**係数（一次） -0.211** -0.187**係数（二次） -0.002**切片 1.034** 0.975**係数（一次） 0.006** 0.027**係数（二次） 0.000**切片－係数（一次） -0.704** -0.292**切片－係数（二次） -0.037(ns)係数（一次）－係数（二次） -0.882**

CFI 0.953 0.961IFI 0.953 0.961

**p<0.01

推定値

因子の分散

因子の平均値

因子間の相関係数

モデル適合度指標

パラメータ推定結果

37

⼀次のモデルのパラメータの解釈推定値

切片 3.298**傾き -0.211**切片 1.034**傾き 0.006**

平均値

分散

分散＝地区ごとのばらつき

切⽚→期⾸の犯罪率に，有意なばらつき傾き→減少傾向に，有意なばらつき

平均値＝地区全体の傾向

切⽚→期⾸の値の全地区平均は，3.3程度（約26件／1万世帯）

傾き→全体としては有意な減少傾向

38

切⽚と傾きの地理的分布のばらつき

こうしたばらつきは何によって説明されるのか？ 39

分析②の結果

切⽚，傾きともに，地区の社会的・物理的特性と⼀定の関連

従属変数 独立変数係数の推定値

（標準化推定値）

民営借家居住率 0.463**世帯あたり延べ床面積 0.212**道路密度 0.168**建蔽率 0.115**他用途との混在 0.099**低層集合住宅居住率 0.081*戸建て居住率 -0.082*5年定住率 -0.115**容積率 -0.301**戸建て居住率 0.417**容積率 0.389**低層集合住宅居住率 0.235**民営借家居住率（変化量） 0.130**戸建て居住率（変化量） 0.087**65歳以上人口構成比率 -0.118**世帯あたり人員 -0.139*昼間人口密度（LN） -0.164*世帯あたり延べ床面積 -0.350**民営借家居住率 -0.478**

CFI 0.932IFI 0.932

モデル適合度指標

傾き

（R2=0.275）

切片

（R2=0.525）

40

パラメータの解釈（１）傾きに＋の関連：危険になったまちの特性

住宅が新たに増加した地区→コミュニティの未成熟

低層・⼾建て居住が元々多い地区→防犯設備導⼊の遅れ

容積率が元々⾼い地区→床効果の可能性

有意となった変数

⺠営借家居住率（Δ）⼾建て居住率（Δ）低層集合住宅居住率⼾建て居住率容積率

41

パラメータの解釈（２）傾きにーの関連：安全になったまちの特性借家率が元々⼤きい地区→防犯対策の集中

床⾯積が元々⼤きい地区→経済的余裕のなかでの

防犯設備の新規導⼊

⾼齢者率，世帯⼈員，昼間⼈⼝が元々多い地区→住宅侵⼊盗の多い昼間の

時間帯における「ひと⽬｣の多さ

有意となった変数

⺠営借家居住率世帯あたり延べ床⾯積65歳以上⼈⼝構成⽐率世帯あたり⼈員昼間⼈⼝密度（LN）

42

これまでの分析のまとめ

1. ⽇単位×地点単位で，特に財産犯で時空間的な集積性

2. 犯罪集積の年次単位での固定性3. 町丁⽬単位における犯罪の年単

位での変動は，社会的，物理的環境と⼀定の関連

43

44

Risk

Space1. 地区環境に応じた不均⼀なリスク

2. 1件の犯罪の発⽣ 3. リスクの空間分布のゆがみ

4. 近接反復被害 5. ホットスポットの形成

6. ホットスポットの⻑期固定

地区環境からの影響

Risk Risk

Space Space

Risk

Space

犯罪のホットスポット形成と固定化の過程

「犯罪予測」は可能か？犯罪数の少ない⽇本においても・・・犯罪は，• 過去の周囲での犯罪• 地区の社会的・物理的環境と関連して起きる秩序性を持っている

地理的犯罪予測の技術構築の可能性はある

45

⾬宮 護システム情報系社会⼯学域amemiya@sk.tsukuba.ac.jp