SBORNÍK PŘÍSPĚVKŮ. Doc. Ing. Lubor Hruška, Ph.D. a kol. ACCENDO Centrum pro vědu a výzkum, o.p.s.

Transkript

1 SBORNÍK PŘÍSPĚVKŮ 1. ODBORNÝ WORKSHOP Mapy budoucnosti moderní nástroj ke zvýšení efektivity a kvality výkonu veřejné správy v oblasti prevence kriminality založený na analýze a predikci kriminality Policejní akademie ČR v Praze 2014 Doc. Ing. Lubor Hruška, Ph.D. a kol. ACCENDO Centrum pro vědu a výzkum, o.p.s. Registrační číslo projektu: CZ.1.04/4.1.00/B Tento projekt je financován z prostředků Evropského sociálního fondu prostřednictvím Operačního programu Lidské zdroje a zaměstnanost a ze státního rozpočtu České republiky.

2 Obsah Hlavní řečníci BEZPEČNOSTNÍ A SOCIÁLNÍ RIZIKA, PREDIKCE KRIMINALITY 5 INTEGROVANÝ PŘÍSTUP PRO ŘEŠENÍ DROGOVÉ PROBLEMATIKY V OSTRAVĚ Doc. Ing. Lubor Hruška, Ph.D., Ing. Ivana Foldynová PREDIKCE KRIMINALITY A JEJÍ MOŽNÝ ODRAZ DO POLICEJNĚ-BEZPEČNOSTNÍ PRAXE 18 Mgr. Oldřich Krulík, Ph.D. PROBLÉMY A VÝZVY MAPOVÁNÍ, ANALÝZ A PREDIKCE KRIMINALITY 33 Doc. Dr. Ing, Jiří Horák CRIME PREDICTION AND PREVENTION 47 Jaap Vink KNOW THEM BETTER, SERVE THEM BETTER: MEASURING PUBLIC OPINIONS ON POLICING 59 Johan Huizing GIS FOR LAW ENFORCEMENT 70 John Beck MAPS OF THE FUTURE 88 Bert Oltmans CRIPA - CRIMINAL PREDICTIVE ANALYSIS 95 Philip Glasner POLICIE ČR A JEJÍ AKTIVITY V OBLASTI MAPOVÁNÍ KRIMINALITY 106 kpt. Bc. Vojtěch Samek, pplk.. Ing. Vojtěch Bravenec E-ANALÝZA BEZPEČNOSTI V UHERSKÉM HRADIŠTI 112 Mgr. Martin Hudec, Bc. Vlastimil Pauřík CONCEPT HOT-SPOT POLICING IN THE UK 119 Petr Torak PREDICTING THE PATTERNING OF CRIME 126 Ken Pease JAK MŮŽE MOŽNOST VYUŽITÍ MAP KRIMINALITY OVLIVNIT BEZPEČNOSTNÍ SITUACI V URČITÉ LOKALITĚ 134 Doc. JUDr. Roman Svatoš, Ph.D. 2

3 MAPY BUDOUCNOSTI: PREZENTACE POLICIE ČESKÉ REPUBLIKY, KRAJSKÉHO ŘEDITELSTVÍ POLICIE STŘEDOČESKÉHO KRAJE ÚZEMNÍHO ODBORU KOLÍN A MĚSTSKÉ POLICIE KOLÍN 146 Viktor Prokeš, plk. Mgr. Jiří Fejfar GEOINFORMATIKA JAKO NÁSTROJ PRO PODPORU INTEGROVANÉ ČINNOSTI BEZPEČNOSTNÍCH A ZÁCHRANNÝCH SLOŽEK STÁTU - GISBS 154 Doc. Dr. Ing. Bronislava Horáková Bonus: INFORMACE ZE ZAHRANIČNÍ SLUŽEBNÍ CESTY K PROBLEMATICE MAPOVÁNÍ, ANALÝZ A PREDIKCE KRIMINALITY V USA ( , MEMPHIS POLICE DEPARTMENT, IACP CONFERENCE AND EXPO ORLANDO 2014) 160 JUDr. Michal Barbořík 3

4 Seznam zkratek AJAX Asynchronous Javascript And XML ANPR Automatic Number Plate Recognition BJA Bureau of Justice Assistance BZSS Bezpečnostní a záchraný systém státu CriPA Criminal Prediction Analysis CRUSH Crime Reduction Using Statistical History ESSK Evidenční statistický systém kriminality ETŘ Evidence trestního řízení GIS Geographic Information System GNSS Global Navigation Satellite System GPS Global Positioning System HUMINT Human Inteligence IACP International Association of Chiefs of Police IS Informační systém IT Information technology KŘP Krajské ředitelství policie KSU Kriminalisticky sledovaná událost MěÚ Městský úřad MHD Městská hromadná doprava MP Městská policie MPD Memphis Police Department MŘP Městské ředitelství policie MŠ Mateřská škola MTR Mission Task Request MV Ministerstvo vnitra OD Obchodní dům OPK MV Odbor prevence kriminality Ministerstva vnitra PC Personal computer PCSO Police Community Support Officers PČR Policie České republiky PD Police Department PDA Personal digital assistant RTCC Real Time Crime Centre SC Special Constables SIGINT Signals Intelligence SIMO Security Monitor S-JTSK Systém Jednotné Trigonometrické Sítě Katastrální SW Software TRAC Tracking for Resposibility, Accountability and Credibility ÚAP Územně analytické podklady WGS-84 World Geodetic System 1984 ZPM Základní policejní mapa ZŠ Základní škola 4

5 Bezpečnostní a sociální rizika, predikce kriminality Integrovaný přístup pro řešení drogové problematiky v Ostravě Doc. Ing. Lubor Hruška, Ph.D. Ředitel společnosti ACCENDO - Centrum pro vědu a výzkum, o.p.s., sociolog, analytik, expert v oblasti sociálních a bezpečnostních rizik Ing. Ivana Foldynová Zástupce ředitele společnosti ACCENDO - Centrum pro vědu a výzkum, o.p.s., expert v oblasti strategického plánování a integrovaného přístupu Prostorová sociologie Pro analýzu sociálních a bezpečnostních rizik je vhodné využít novou vědní disciplínu sociologii prostoru. Prostorová sociologie se zaměřuje na chování společnosti, komunit i jednotlivců v prostoru jako v definované jednotce, se kterou pracují moderní informační technologie a metody výzkumu s využitím matematicko-statistických analýz. Prostorová sociologie tedy umožňuje definovat základní sociologickou kategorii prostoru s využitím matematického aparátu, který lze upotřebit při prediktivních a komparativních analýzách. Studuje jednotlivé procesy v čase, a to od procesů dlouhodobých (desítky až stovky let), které vytvářely strukturu osídlení, přes procesy střednědobé (měsíce až desítky let), tj. např. formování komunitních vazeb a kategorie sousedství, k procesům krátkodobým, ovlivňujícím každodenní pohyb člověka v prostoru. (Hruška, 2012) 5

6 Procesy ve společnosti a jejich projevy v prostoru: Globalizace => Dochází k výrazné polarizaci území a růstu regionálních disparit. Měnící se socioekonomické podmínky způsobují nárůst sociálních rizik a vedou k formování vyloučených lokalit. Stávající sociální struktury ve společnosti se proměňují, sociální instituce se rozpadají (např. rodina) mění se způsob práce, což vyvolává úpadek tradičních oblastí ekonomiky a profesí. Proměny trhu práce mění prostorové rozložení ekonomických aktivit, mění velikosti a zaměření podniků. Dochází k výrazným migračním přesunům, které ovlivňují sídelní strukturu. Procesy globalizace zmenšují možnosti veřejné správy regulovat procesy v území. Důvodem zájmu o rozvíjející se téma prostorové sociologie je úzká a zatím dostatečně nevyužitá vazba k prostorovému plánovaní, tzn. k nástroji či prostředku pro praktický výkon aktivit v území a jeho řízení nebo regulaci. Smyslem prostorového plánování je propojení aktivit vedoucích k prevenci kriminality, komunitního plánování sociálních služeb, strategického plánování rozvoje, územního plánování s využitím geografického informačního systému (GIS) a dalších rozvojových dokumentů města (např. koncepce bydlení). Sociální procesy v prostoru je potřeba vnímat společně. Klíčovou činností v plánování je práce s informacemi, multidisciplinární přístup, vytvoření vzájemné víceúrovňové komunikační platformy (využití informačních technologií, manažerských a komunikačních dovedností, sociálního přístupu, tvorba společné vize). Jeden ze základních důvodů, proč uplatňovat sociologii prostoru v prevenci kriminality, je vysoký přínos ze získaných dat, nízké náklady, časové úspory, porovnatelnost, měřitelnost, možnost hodnocení dopadů. 6

7 Proměna společnosti Žijeme v době velkých transformačních procesů, které nejsou ovlivněny jen přechodem k tržně orientovanému hospodářství, ale mají daleko hlubší příčiny, a to v proměně sociální struktury obyvatelstva. Charakteristickým znakem dnešní společnosti je výrazná diferenciace životních stylů a doprovodná individualizace společnosti vedoucí k poklesu četnosti a intenzity mezilidských vazeb. Dochází k socioprostorové segregaci, tzn. rozdělení na sociální světy, které mezi sebou přestávají komunikovat a uzavírají se do sebe. Projevem tohoto procesu je vytváření tzv. gated communities, kdy se malý počet sociálně úspěšných oddělí od zbytku společnosti a žije ve střežených komunitách. Rozpad sociálních vazeb a dlouhodobě budovaných společenských struktur má za následek šíření sociálních rizik, ve kterých se protíná celá řada zcela zásadních problémů dnešní společnosti. (Keller, 2010), (Hruška, 2011) Sociální a bezpečnostní rizika Při současných socioekonomických proměnách společnosti a výrazných migračních přesunech obyvatel doprovázených nestabilitou sídel i rozpadem sociálních útvarů (rodiny, komunity, sousedství) dochází nyní (historicky opakovaně) k nárůstu nových sociálních rizik. Dochází k úpadku tradičních sociálních institucí a tradičních profesí, nárůstu ekonomické polarizace společnosti, která se projevuje růstem regionálních rozdílů, na úrovni měst nárůstem vyloučených lokalit ghett, výskytem bezdomovectví, navýšením počtu marginalizovaných menšin, zvýšeným výskytem kriminogenních faktorů, nárůstem sociální tenze, chudoby, pocitu ohrožení. 7

8 Za nová sociální rizika (dle Kellera, 2011) lze považovat: nejen chudobu způsobenou nezaměstnaností, ale chudobu pracujících na místech s minimální mzdou; nezaměstnanost se netýká jen lidi bez kvalifikace, ale i lidí s VŠ vzděláním; stáří prožité v chudobě, i když si člověk platil penzi; v případě nemoci živitele/telky rodiny celá rodina se ocitne v chudobě; matka samoživitelka neuživí dítě ať je, či není zaměstnaná (v kontextu nárůstu rozpadu rodin); riziko chudoby rodiny se zvětšuje narozením dítěte; předlužení domácnosti, nejen u finančně negramotných; problém udržení bydlení u všech typů domácností. Existuje velice silná závislost ve vnímání sociálních a bezpečnostních rizik. To prokazují i data Evropského sociologického výzkumu z roku Při porovnání intenzity vnímání těchto rizik Česká republika se dosahuje pozitivních nízkých hodnot, které jsou pod průměrem evropských zemí. (viz obr. 1) Obr. 1: Vztah mezi sociálními a bezpečnostními riziky Zdroj: European Social Survey 2011, zpracování: Doc. PhDr. Jiří Buriánek, CSc. 8

9 Za bezpečnostní riziko se považuje hrozba, že bude ohrožena integrita jedince nebo společenského útvaru jako celku kriminálním činem. Nezahrnuje jenom objektivní pravděpodobnost výskytu určité události ohrožující osobu, zdraví, majetek, atd., nýbrž také subjektivně vnímanou pravděpodobnost. (Buriánek, 2001). Model pocitu ohrožení obyvatel vychází z celé řady faktorů (více Pecháčková a kol. 1998). Jedná se o kombinaci objektivní skutečnosti výrazně ovlivněné prezentací medií s osobními charakteristikami, jako jsou zranitelnost (nemocní a senioři) v kombinaci s lhostejnosti okolí při napadení. Rovněž je dán pohybem osob v rizikových oblastech, jedná se především o nepřehledná místa (parky, podchody, neobydlené veřejné prostory), nebo o prostory s vyšším výskytem osob se sklonem ke kriminálním činům (okolí hospod, heren, oblasti v blízkosti hotelových domů). Prostorové rozložení rizik v České republice Prostor společně s časem podmiňují každý sociální jev a jsou od sebe neoddělitelné, přesto byl prostor v přístupu současných českých sociologů podceňován (viz Musil, 2006). Při výzkumu sociálního prostoru je vhodné rozlišovat tři úrovňové dimenze prostoru: makro-dimenzi, tj. od úrovně regionu až na úroveň státu případně Evropské unie; meso-dimenzi, tj. na úrovni měst nebo prostorových sídelních systému, aglomerace; mikro-dimenzi, tj. na úrovni mikro-lokality, kde se tvoří sousedské vazby a další komunitní vztahy. Pro každou úroveň se používají jiné teoretické a metodologické koncepty, cíle výzkumu a nástroje. Tyto postupy jsou vzájemně komplementární a doplňují celkovou znalost procesů v území. Socio-prostorové procesy a nárůst rizik v lokalitách případně identifikace socioekonomické zranitelnosti území lze lépe pochopit a analyzovat ve městech, která procházejí výraznou přeměnou, ve statickém stavu jsou tyto proměny městských prostorů jen obtížně pozorovatelné. Podle Bauma (2009) dochází k rostoucímu trendu residenční separace, resp. segregace mezi obyvateli z nižších a vyšších vrstev, především 9

10 v metropolitních oblastech a ve velkých městech. V analýzách mikro-dimenze jsou rozvinuty speciální sofistikované metody analýzy prostoru. Souvisí s pojmem teritoriality člověka, které pracují s kategoriemi soukromých, polosoukromých, poloveřejných a veřejných prostorů. V rámci těchto studií vznikl například koncept obhájitelného prostoru (Defensible Space Concept, Newman, 1976). Další výklad se soustředí především na meso-dimenzi (tj. města a městské aglomerace, příp. periferní nebo sociálně problémové oblasti). V současné době se právě otázka kriminality ukazuje jako narůstající problém, který je historicky výrazněji rozšířen v průmyslových městech a aglomeracích, především Moravskoslezském a Ústeckém kraji. V celé republice dochází ke snižování počtu trestných činů. Oproti tomu v průmyslových městech jako jsou Ostrava, Karviná, Orlová dochází k nárůstu kriminality, a to především od roku Tyto procesy je nutno propojit s růstem výše zmíněných sociálních rizik a jejich dopadů, především se snižováním kupní síly celých segmentů obyvatel, s růstem nezaměstnanosti a s nárůstem bezdomovectví. Obr. 2: Prostorové rozmístění trestných činů na území ČR Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s.; Policejní prezídium ČR

11 Budoucí vývoj Z hlediska budoucího vývoje nelze předpokládat, že dojde k snižování rizik, naopak s dopadem současné recese bude docházet k zvyšování rizika. Jedním z klíčových sociálních rizik je považována ztráta bydlení, která může být zapříčiněná rozvodem, nemocí, ztrátou zaměstnání. Nezaměstnaní a zaměstnanci s nízkými příjmy mají rostoucí potíže s hrazením nákladů na bydlení, byty se stávají cenově nedostupné, stávající bytový fond chátrá. Nejpostiženější skupinou jsou domácnost seniorů a ženy samoživitelky. Současný problém spojený s ubytovnami je jen jeden z projevů tohoto procesu. Další projev procesu nárůstu rizik lze spatřovat v úpadku veřejných prostranství, nárůstu sociálně patologických jevů ve společnosti a pocitu ohrožení u seniorů v problémových oblastech. Obr. 3: Budoucí vývoj rizik na území ČR Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. Dalším rizikovým faktorem je nárůst uživatelů nelegálních drog, kteří patří mezi nejčastější pachatele majetkových trestných činů, např. v Ostravě v roce 2010 uživatelé drog se na trestné činnosti vloupání do vozidel podílejí ze 75 %, na trestné činnosti loupežných přepadení z 54 % ze všech zjištěných pachatelů dané trestné činnosti. 11

12 Integrovaný přístup jako řešení bezpečnostních a sociálních rizik Zvláštním nástrojem regionální politiky EU a komunitního plánování pro uplatnění územní dimenze představují integrované přístupy, jejichž přínosem je zejména dosažení vyšší kvality strategického a komunitního plánování, řízení a efektivnější vynakládání finančních prostředků do jednotlivých oblastí. Jejich základním principem je věcná (vhodně a logicky provázané a potřebné tematické/sektorové intervence), územní (intervence ve vhodném geograficky a ekonomicky spojeném území) a časová (realistický harmonogram a časové a věcné sladění intervencí) provázanost intervencí realizovaná na základě kvalitní strategie rozvoje území. Zároveň představují z pohledu EU silně prosazovaný způsob implementace fondů v rozvoji regionů a obcí. Integrovaný přístup v prevenci kriminality představuje nástroj pro dosažení zejména vyšší kvality plánování v daném území, řízení a efektivnější vynakládání finančních prostředků. Integrovaný přístup obecně vyžaduje určitou časovou, územní a i kauzální provázanost jednotlivých typů intervencí. Integrované principy procesního řízení, které propojují koncepce bydlení, plány prevence kriminality, komunitní plánování a další strategie jsou za předpokladu efektivního sběru a využití dat, jejich vyhodnocení, tvorby analýz a následného doporučení vhodným přístupem vedoucím k snížení sociálních a bezpečnostních rizik. Nutným předpokladem pro zajištění fungujícího integrovaný přístupu je zachování provázanosti kompetencí horizontálně napříč organizacemi na jednotlivých správních úrovních a zároveň na horizontální úrovni v jednotlivých správních celcích. 12

13 Obr. 4: Platforma založená na integrovaných principech procesního řízení a prostorového plánování = nastroj pro řízení sociálních a bezpečnostních rizik Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. Integrovaný přístup pro řešení drogové problematiky v Ostravě Společnost ACCENDO Centrum pro vědu a výzkum, o. p. s. ve spolupráci s Výzkumným ústavem vodohospodářským T. G. Masaryka, v.v.i. řeší dva projekty v oblasti výskytu nelegálních drog v kanalizační síti: Projekt DRAGON - Stanovení množství nelegálních druhů drog a jejich metabolitů v komunálních odpadních vodách nový nástroj pro doplnění údajů o spotřebě drog v ČR (České republice). DRAGON2 od měření k řešení. Využití nového nástroje na měření výskytu nelegálních drog ve městech Moravskoslezského kraje pomocí integrované strategie pro organizační složky státu a územní veřejnou správu. 13

14 Cílem je zlepšení statistických metod vyhodnocování problémového užívání drog a získání nových informací o užívání nelegálních drog v České republice a ty využít pro tvorbu integrované strategie zaměřené na prevenci. Oficiální čísla o rozšíření nelegálních drog ve společnosti vycházejí zejména z průzkumu uživatelů drog, lékařských záznamů, statistik kriminálních činů a sledování produkce drog. Takto získané informace podávají přibližný obraz o jejich užívání a míry konzumace. Z tohoto důvodu odborníci začali hledat jiné možnosti jak kvantifikovat reálné hodnoty spotřeby návykových látek. V rámci projektu je v České republice sledován obsah nezákonných drog v komunálních odpadních vodách celkem v deseti městech České republiky (Praha, Brno, Ostrava, Plzeň, Ústí nad Labem, Frýdek-Místek, Český Těšín, Havířov, Karviná a Orlová). V roce 2013 proběhly celkem čtyři sedmidenní vzorkovací kampaně na každé sledované lokalitě a bylo odebráno celkově více než 1000 vzorků odpadních vod. V odpadních vodách jsou sledovány metamfetamin, amfetamin, kokain, heroin, morfin, LSD a Extáze. V Ostravě podobně jako v dalších městech je nejčastěji užívanou nelegální drogou pervitin (metamfetamin). Měřené koncentrace ostatních sledovaných drog jsou řádově nižší a množství jejich spotřeby se pohybuje na evropském průměru. Obr. 5: Spádová oblast kanalizační sítě ve městě Ostrava Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. 14

15 Ve městě Ostrava je celková plocha spádové oblasti kanalizační sítě 138,35 km 2. Vzorkování zde bylo na rozdíl od dalších měst provedeno na 10 sběrných místech, tím je možné sledovat výskyt uživatelů nezákonných drog v jednotlivých částech města. Lokalizace sběrných bodů lze vidět na níže uvedeném obrázku. Obr. 6: Množství pervitinu identifikovaného v kanalizační síti v Ostravě Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. Nejvyšší hodnoty metabolitů pervitinu se vyskytují v oblasti jižní části Zábřehu, které jsou zachycovány na sběrném bodě 10 (U Výtopny). Tyto data umožní jak Polici ČR zaměřit svou pozornost na níže uvedenou oblast včetně zesílení proti protidrogové prevence na školách vyskytující se v této oblasti. Rovněž bude zvýšená pozornost věnovaná ubytovnám a nízko nákladovým bytům, které jsou v této oblasti koncentrovány. 15

16 Dalším důležitým zdrojem o chování uživatelů ve městě jsou informace od Městské policie Ostrava o výskytu použitých injekčních stříkaček Obr. 7: Intenzita výskytu odhozených injekčních stříkaček v roce 2008 a 2013 Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. V roce 2008 byl velký výskyt použitých injekčních stříkaček v oblasti městské části Dubina (až 155 použitých injekčních stříkaček za rok). Jedná se o oblast s velkým podílem panelové zástavby. V roce 2013 došlo k výraznému zvýšení nálezu použitých injekčních stříkaček v centru města. Pokud vyloučíme možnost rozdílného přístupu ke sběru dat příslušníky jednotlivých oddělení, lze identifikovat, že uživatelé aplikují drogu v centru města v místech s vyšší koncentrací restauračních zařízení, barů a tanečních klubů. Městská část Dubina nadále zůstává oblastí s vysokým výskytem použitých stříkaček na veřejných prostranstvích. 16

17 Obr. 8: Intenzita výskytu odhozených injekčních stříkaček v roce 2013 Zdroj: ACCENDO Centrum pro vědu a výzkum, o.p.s. Pokud nechceme zobrazit jen obecné trendy je možné prostřednictvím metody jádrových odhadů (kernel density) zmenšit vyhledávací rádius, který nám pomůže lépe identifikovat lokality, kde se uživatelé vyskytují, pro lepší zacíleni preventivních programů. Na základě zmapování chování jednotlivých skupin uživatelů nelegálních drog bude možné zpřesnit zacílení integrované strategie, čímž dojde k zefektivnění prostředků na tvorbu preventivních programů a bude zvýšen jejich účinek. Rovněž je možné vytvořit selektivní strategie pro cílové skupiny zejména studenty a mladé pachatele trestných činů, jež patří z hlediska dlouhodobého dopadu ke klíčovým skupinám. Výstupy projektů jsou zaměřeny na Policii ČR a ostatní aktéry pohybující se v daném území. 17

18 Literatura ADAM, B., BECK, U., VAN LOON, J. (eds.). The Risk Society and Beyond. Critical Issues for Social Theory. London: Sage Publications BAKER, T. SIMON, J. (2002) Embracing Risk: The Changing Culture of Insurance and Responsibility. Chicago and London: The University of Chicago Press, BAUM, B. (2009) The Relationship between Spatial Segregation and Social Exclusion in Urbanised Modern Society. (no printed version) BECK, U. (2004) Riziková společnost: Na cestě k jiné modernitě. Praha: Sociologické nakladatelství. BURIÁNEK, J. (2001) Bezpečnostní rizika a jejich percepce českou veřejností. Sociologický časopis, roč. 37, číslo 1, s HAMNETT, CH. (2001) Social segregation and social polarization. In: PADDISON R. (ed), Handbook of Urban Studies. Sage Publications. London. HRUŠKA - TVRDÝ, L., (2012) Změny ve struktuře osídlení a jejich dopad na rozvoj měst a regionů, Ostrava: ACCENDO Centrum pro vědu a výzkum, o.p.s., 2011., 1. vydání, ISBN: HRUŠKA - TVRDÝ, L., (2011) Industriální město v postindustriální společnosti, Ostrava: ACCENDO Centrum pro vědu a výzkum, o.p.s., 2011., 1. vydání, ISBN: JÍCHOVÁ, J., TEMELOVÁ, J. (2011): Kriminalita ve městě. Geografické rozhledy, roč. 20, číslo 3, s KELLER, J. (2011) Nová sociální rizika a proč se jim nevyhneme. Praha: SLON, KELLER, J. (2010) Tři sociální světy. Sociální struktura postindustriální společnosti. Praha: Sociologické nakladatelství, ISBN MAREŠ, P. (2006) Sociální exkluze, sociální inkluze a sociální koheze: diskurs a realita. In SIROVÁTKA, T. (ed.) Sociální vyloučení a sociální politika. Brno: Masarykova univerzita. ISBN , s

19 MUSIL, J. (2006) Prostor a svět věcí poněkud zanedbávaná dimenze v naší sociologii. In: Čím žije česká sociologie? Přitažlivost sociologie na prahu nového století, Brno, MUSIL, J. a kol. (2004) Pojetí sociální soudržnosti v soudobé sociologii a politologii. Praha: UK FSV CESES, NEWMAN, O. (1976) Design Guidelines for Creating Defensible Space. U.S. Department of Justice, U.S. Government Printing Office: Washington, DC O MALLEY, P. ed. (1998) Crime and Risk Society. Aldershot: Dartmouth, Ashgate. PECHÁČKOVÁ, Z., a kol. (1998) Pocit ohrožení kriminalitou v České republice. Sociologický časopis, 34, 1., s SIROVÁTKA, T. (2007) New Social Risks and Social Exclusion as a Challenge to Czech Social Policy. European Journal of Social Security TAYLOR-GOOBY, P. ed. (2004) New Risks, New Welfare. The Transformation of the Welfare State. Oxford: Oxford University Press. TAYLOR-GOOBY, P.; ZINN, J. O. (2005) Risk in Social Science. Oxford: Oxford University Press

20 Predikce kriminality a její možný odraz do policejněbezpečnostní praxe Mgr. Oldřich Krulík, Ph.D. Proděkan pro vědu a výzkum - Policejní akademie České republiky v Praze Namísto úvodu: Policie České republiky a ekonomická realita V několika posledních letech je Policie České republiky konfrontována s celou řadou výzev respektive požadavků, týkajících se jejího výkonu služby. Ačkoli současná vláda v dané oblasti přinesla řadu změn, některé aspekty i nadále v určité míře přetrvávají: Početní stavy sboru (ačkoli se mohou zahraničním pozorovatelům zdát na počet obyvatel vysoké) jsou sice stabilizované, ale nižší než před několika lety. Snahy o odbřemenění sboru od určitých policejně neproduktivních aktivit rovněž narazily na určité limity. Stahování Policie České republiky z určitých lokalit (omezený výkon služby v určitých služebnách, nepříliš častá pochůzková či hlídková činnost v určitých lokalitách či celých mikroregionech). Hledání netypických řešení ze strany řady lokalit (sponzorování Policie České republiky, najímání soukromých bezpečnostních agentur pro výkon hlídkové činnosti desítkami obcí). Každý instrument, který by alespoň částečně zefektivnil policejní práci, tak aby byla schopna dělat více za méně, se proto cení. Nelze tedy nevidět potenciál, který se skrývá v řešeních typu mapování kriminality, ale i jiných záležitostech typu ANPR (Automatic Number Plate Recegnition) (kamerová telematika, umožňující sledovat pohyb zájmových vozidel), mapování obsahu sociálních sítí a internetu celkově, nebo strojového přepisu řeči atd. (zkrácení psaní oznámení o trestném činu, zefektivnění vyhledávání ve zvukovém záznamu). 20

21 O tom, že tyto výzvy řeší i kolegové v zahraničí, svědčí celá řada studií. Například autor příspěvku Scanning the Future of Law Enforcement: A Trend Analysis, který vyšel roku 2010 v časopise s příznačným názvem Futurist 1 je toho názoru, že zločin budoucnosti bude v řadě ohledů jiný než dnes, i když mnohé tradiční skutkové podstaty přetrvají. Je přitom otázkou, zda nebo za jak dlouho skončí ekonomická krize, která vede k tomu, že řada vlád států Unie chce, aby policisté dělali více práce za méně peněz. Například v Kalifornii jsme svědky jak vyklízení pozic v území (venkovské oblasti), tak co se týče redukce některých agend. Poklesly i finanční prostředky na chod věznic. Rezonuje zde eventualita krize jako příležitost. Šetření benzinem (jehož cena roku 2008 překročila 4 dolary za gallon) vede k hledání efektivnějších hlídkových tras a využívání nejmodernějších technologií (PredPol a další). Zaznívají i hlasy, že chybějící lidi může nahradit technologie typu sofistikovaných kamerových systémů nebo bezpilotních letadel. Ken Walentine, státní zástupce z Utahu v časopise Xiphos v roce 2009 zveřejnil své zamyšlení Law enforcement Trends to Watch in 2010 and Beyond. 2 Jedinou jistotou a to nejen s ohledem na policejní práci je změna. Kdo se jí nepřizpůsobí, ztroskotá. Stěžejním trendem pro roky 2010 až 2025 bude širší využívání pokročilých technologií (alespoň ve vztahu k určitým formám kriminality) a snaha o těsnější spolupráci s konkrétními komunitami. To je v součtu možné nazvat okřídleným pojmem intelligence-led-policing (ať už co se týče využívání techniky, SIGINT (Signals Intelligence), nebo práce s lidmi HUMINT (Human Inteligence)). 1 MEADE, E. (2010). Scanning the Future of Law Enforcement: A Trend Analysis. Futurits, July-August. 2 WALENTINE, K. (2009). Law enforcement Trends to Watch in 2010 and Beyond. PoliceOne.com, 7. XII and-beyond/ 21

22 Policii jsou ukládány další a další úkoly, třeba v oblasti ochrany prvků veřejné infrastruktury. Rostou i nároky soudů na dokazování konkrétních případů často v tom smyslu, že policista či žalobce, který nedisponuje zvukovou nebo ještě lépe obrazovou nahrávkou spáchání trestné činu, je ve velmi složité situaci. Kamery, připevněné na ramenou policistů pomohou navíc řešit stížnosti na údajnou policejní brutalitu. Využitelnost kamerových systémů je celkově chápána optimisticky. Samozřejmostí bude podle autora i rozeznávání obličejů a další, dnes nevídané funkce. Celkově lze očekávat rozmach forensních věd, včetně analýzy DNA v terénu. Zároveň je třeba najímat specialisty na boj se sofistikovanou hospodářskou kriminalitou, páchanou obvykle za použití informačních technologií. Rukověť pro policejní náboráře z roku 2009 ( Law Enforcement Recruitment Toolkit ) 3 konstatuje, že podstav je v řadě sborů v rámci Spojených států chápán jako norma. Důvody jsou různé, stejně jako snahy situaci řešit (používání sofistikované techniky, počítačová řešení 4 či spolupráce s komunitami). Evidence trestního řízení a GIS Ke dni 1. července 2013 byla v rámci Policie České republiky realizována jedna z novinek, ve které lze do budoucna spatřovat potenciální příležitost k uplatnění metod pro predikci budoucího vývoje kriminality podle lokalit. Jedná o zavedení lokalizace míst trestných činů, přestupků nebo jiných událostí prošetřovaných Policií České republiky ( delikt ) pomocí GPS (Global Positioning System) souřadnic. Cílem novinky v informačním systému Evidence trestního řízení (ETŘ) je delikt co nejpřesněji lokalizovat pomocí GPS souřadnic. 3 Law Enforcement Recruitment Toolkit (2009). United States Department of Justrice: Office of Community Oriented Policing Services, Washington. 4 Predictive Policing : Predict Crime in Real Time. PredPol. 22

23 Zadávání GPS souřadnic v ETŘ, probíhá v editaci deliktu v záložce lokalita, kde je kromě zadávání adresy zavedena funkcionalita mapového okna Geografického informačního systému Policie České republiky. Cílem nové funkce ETŘ je vytvoření zdrojového systému dat pro zajištění co nejpřesnější zaměření lokality míst spáchání trestných činů, přestupků nebo jiných událostí prošetřovaných Policií České republiky. K zaměření lokality se provádí pomocí GIS za účelem dalšího zpracování v analytických zobrazovacích dotazech v ETŘ a také v dalších nadstavbových aplikacích provozovaných v rámci Policie České republiky. GPS souřadnice umožňují jednoznačně a přesně lokalizovat místo události či spáchání deliktu. Z tohoto hlediska jsou údaje o GPS souřadnicích velmi cenným údajem. V záložce lokality v ETŘ je možné zadávat GPS souřadnice: automaticky - ručním zadáním adresy v lokalitě s příp. využitím našeptávače adresy, příp. validátoru, jsou souřadnice místa (adresy) doplněny automaticky; vepsáním souřadnic do odpovídajících kolonek - možnost zadat přesné souřadnice místa (lokality) pokud jsou známy. Je možné zadávat ve dvou souřadnicových systémech (modul umožňuje jejich vzájemný přepočet): o o S-JTSK Systém Jednotné Trigonometrické Sítě Katastrální, což je pro Českou republiku závazný geodetický referenční systém (tzv. Křovákovo zobrazení nebo Křovákovy souřadnice); WGS-84 World Geodetic System 1984 (Světový geodetický systém 1984), standard vydaný ministerstvem obrany USA (United States of America), pro geodézii a navigaci; označením místa v mapě přímo kliknutím tlačítka myši - tato možnost usnadní práci zejména v případě, kdy konkrétní místo není možné přesně specifikovat adresou (například v terénu je třeba lokalizovat místo v lesním na poli, louce, cestě, parku, zahradě, vodní ploše, apod.). Funkcionalita zadávání souřadnic řeší i případy, kdy ještě není vyplněna lokalita. Systém dokáže nejprve načíst mapový podklad území, bývá jím nejbližší vyšší územní celek, který odpovídá útvaru, který spis zadal do ETŘ, například zadal-li nějaký v rámci Městského ředitelství v Plzni, načte se mapový podklad Plzně. 23

24 Ilustrace: Postup výběru souřadnic. 5 Obr. 1: Ukázka zadávaní záznamu v systému ETŘ Zdroj: ETŘ Wiki, intranet Policie České republiky Dále je možné podle informací dostupných k lokalizaci deliktu vybrat určení souřadnic podle: místa spáchání - je nutné vyplnit v rámci lokality; o pokud nelze místo spáchání definovat, určují se GPS souřadnice podle: místa následku - je nutné toto místo vyplnit v rámci lokality; o pokud nelze místo následku určit, určují se GPS souřadnice podle: místa oznámení, což bývá adresa organizačního článku policie uvedeného v položce útvar - přijal, v tomto případě jsou souřadnice doplněny automaticky systémem, je však nutné vyvarovat se automatickému zadání u dislokovaných útvarů, různých detašovaných pracovišť, která mají adresní sídlo jinde. Pokud jsou při zadávání k dispozici GPS souřadnice, je možné je, jak již bylo popsáno zadat i ručně, zde je však nutné uživatelem místo, zadat co nejpřesněji, neboť uživatel zpravidla neví kdy a kým a k čemu může být jeho zadání v budoucnu využito. Standardně je zobrazen pouze modul pro zadávání S-JTSK (Křovákových) souřadnic, ale pomocí tlačítka Zobraz WGS-84 formát je možné zobrazit modul, který umožní zadávat souřadnice ve formátu stupňů, minut a vteřin. 5 ETŘ Wiki, intranet Policie České republiky. 24

25 Souřadnice je ručně možné zadávat v libovolném z obou systémů, následně budou mezi sebou automaticky přepočítány (případně je možné je mezi sebou vzájemně přepočítávat pomocí nabízených tlačítek). Obr. 2: Ukázka zadávaní záznamu v systému ETŘ Zdroj: ETŘ Wiki, intranet Policie České republiky Funkcionalita dokonce umožňuje v záložce lokalita lokalizování označením místa v mapě. Ve kterém mapovém podkladu bude policista pracovat, záleží pouze na volbě, z hlediska funkčnosti se pracuje na obou podkladech shodně. Pokud nastane situace, kdy je třeba označit místo v mapě, které nesouhlasí přesně s adresou nebo pro něj není možné určit adresu ověřenou, je možné určit toto místo ručně kliknutím přímo do mapy, ale pozor na přesnost tohoto zadání, uživatel zpravidla nikdy neví, kdy a jak bude jeho zadání v budoucnu využito a k jakému účelu. Při kliknutí místa do mapy se vždy z mapy určí "Nejbližší adresní bod", kterým je možné po stisku Propiš vyplnit údaje adresního místa. Takto definovaná adresa se tak stává nejbližším orientačním místem deliktu, které je však upřesněno právě zadanými GPS souřadnicemi. 25

26 Obr. 3: Ukázka zadávaní záznamu v systému ETŘ Zdroj: ETŘ Wiki, intranet Policie České republiky Ne jenom represe, ale i integrovaná sociálně-bezpečnostní politika Tématu korelace socioekonomického vývoje a potenciální kriminality se navzdory snahám o tabuizaci 6 ze strany řady vlivných mluvčích, včetně vrcholných politických představitelů věnuje i řada dalších studií doma i v zahraničí. 7 6 Proti sledování některých ukazatelů (například korelace míry nezaměstnanosti a nápadu zjištěné trestné činnosti v území) se dokonce vymezila politická reprezentace země (například Petr Nečas v pozici někdejšího ministra práce a sociálních věcí). Sledování nálad ve společnosti přitom není pouze specifikem totalitních a autoritářských režimů, ale vyskytovalo se i v Rakousko-Uhersku či v meziválečném Československu. 7 KRULÍK, O.; NOVÁKOVÁ, J. (2011). Image of the Place and Perception of Security. The Science for Population Protection, č. 1, s. 59 až 68. ISSN X. Chudoba může být měřena různými způsoby: míra nezaměstnanosti, vysoká míra rozvodovosti, existence neúplných rodin, zchátralý bytový fond, nízká úroveň vzdělávacích institucí nebo koncentrace menšin, to představuje jen zlomek možných příkladů. 26

27 Výzkum v řadě měst ukazuje na to, že sociální problémy, jako zločinnost, narušování veřejného pořádku, záškoláctví, vysoká závislost na sociálních dávkách a zanedbávání péče o děti, přímo souvisí s koncentrovanou chudobou, nestabilním rodinným prostředím a častou změnou bydliště. 8 Sociální problémy, které se kumulují v nízkopříjmových oblastech, rovněž vykazují spojitost s vývojovými problémy mezi dětmi, jejich připraveností na školní docházku a dalšími aspekty jejich osobnostního rozvoje, mírou úspěšně nedokončené školní docházky, případy těhotenství u mladistvých matek, ale i s dalšími problémy v rovině emoční, chování a delikvence. To jde ruku v ruce s ukazateli o rodinách, jako je výše rodinného rozpočtu, úroveň vzdělání rodičů a uspořádání rodiny jako takové. 9 Z dosavadního studia literatury začalo být zjevné, že situace v místě bydliště sehrává důležitou roli, co se týče kvality života a všeobecného blahobytu jednotlivců i rodin. Zatímco všeobecně platí, že osoby, které žijí v nízkopříjmových oblastech, se nacházejí v horších sociálních podmínkách než jejich protějšky z bohatších čtvrtí či oblastí, není možné tvrdit, že všechny osoby z nízkopříjmové skupiny jsou na tom stejně. Kromě toho dochází ke změnám v důsledku migrace (stěhování) obyvatelstva. Aby bylo možné odpovídajícím způsobem na úrovni sousedství zachytit a sledovat dynamiku změn životních podmínek, vedl technologický vývoj a zvýšený důraz na operacionalizaci proměnných řadu 8 SAMPSON, R., J.; MORENOFF, J., D.; GANNON-ROWLEY, T. (2002). Assessing Neighborhood Effects : Social Processes and New Directions in Research. Annual Review of Sociology, 28, s. 443 až ROOSA, M., W.; JONES, S.; TEIN, J.-Y.; CREE, W. (2003). Prevention Science and Neighborhood Influences on Low-Income Children's Development: Theoretical and Methodological Issues. American Journal of Community Psychology, 31(1-2), s. 55 až 72. CHOW, J.; JOHNSON, M.; AUSTIN, M., J. (2004). The Status of Low-income Neighborhoods in the Post-Welfare Reform Environment: Mapping the Relationship between Poverty and Place, Center for Social Services Research, School of Social Welfare, University of California, Berkeley. 27

28 agentur ke sběru informací a vytváření zpráv o širokém záběru sociálních a hospodářských údajů. Vazba (spojitost) mezi územním výskytem (koncentrací) chudoby nebo nezaměstnanosti na straně jedné a kriminálními aktivitami (nemluvě o terorismu) na straně druhé, je velkou výzvou současnosti. V řadě případů je přitom zároveň možné říci, že takovéto úvahy jsou často tabuizovány. Společnost jako celek často nepřesně chápe vazbu mezi chudobou a zločinností. Přestože je trestná činnost páchána především těmi osobami, které pocházejí z chudých poměrů, všeobecně platí, že ne všichni ti, kteří jsou chudí, se trestné činnosti dopouštějí. 10 Mnoho badatelů je toho názoru, že neexistuje kausální souvislost mezi chudobou a zločinem, a to z toho důvodu, že existují země, kde je hladina chudoby vysoká, ale míra zločinnosti relativně nízká. Někdy je obtížné tvrdit, že neexistuje vztah mezi zločinností a chudobou. Ve Spojených státech amerických chudí lidé představují drtivou většinu osob za mřížemi 53 % vězeňské populace tvoří osoby, které před uvězněním vydělávaly méně než dolarů ročně. 11 Každopádně vypadá intuitivně přijatelně předpoklad, že existuje oboustranná příčinná souvislost mezi zločinností a chudobou. Snaha o potírání zločinu koncentrovaná na represivní aspekty, bez snahy vypořádat se s chudobou jako jeho podhoubím, není nejlepší volbou Does Poverty Cause Crime? ehow WILLIAMS, J. (2007). Poverty and Crime, Christian Association for Prison Aftercare SPAGNOLI, F. (2008). Poverty and Crime. Filip Spagnoli. 28

29 Osoby, žijící v oblastech s vyšší mírou chudoby, mohou vybírat z mnohem menšího spektra životních příležitostí. U osob, které žily v chudobou zasažených oblastech, byla větší pravděpodobnost, že budou vystaveny větším zdravotním problémům, s ohledem na nedostatečnou zdravotní péči, rizikové chování a nedostatek vzdělání. Lidé, kteří jsou vystaveni chudobě, jsou na tom z hlediska zdraví hůře jedním z negativních faktorů je bydlení v blízkosti dálnic a průmyslových objektů, což u lokalit obydlených osobami s vyššími příjmy nebývá pravidlem. V celé řadě etap v americké historii existuje korelace mezi mírou nezaměstnanosti a majetkovou trestnou činností. 13 Vazba přitom nezřídka platí obousměrně. Zločinem pověstné lokality a priori odradí většinu investorů, kteří by mohli konkrétní prostor pozvednout: Pokud se v konkrétní lokalitě vyskytuje drogová kriminalita a gangy, jedná se o investici do vlastního propadu, prostřednictvím znemožňování nového růstu a sociálního oživení z důvodu páchání zločinů. 14 Mnoho pozorování poukazuje na vazbu mezi chudobou a zločinem. Závěry různých teorií ukazují, že existuje velká pravděpodobnost, že se lidé žijící v chudobě budou dopouštět některých forem trestné činnosti, jako jsou například krádeže a vloupání Does Poverty Cause Crime? ehow Does Poverty Cause Crime? ehow WILLIAMS, J. (2007). Poverty and Crime, Christian Association for Prison Aftercare. 29

30 Stejně tak je třeba zdůraznit, že řada jiných, v ekonomickém důsledku velmi citelných druhů trestné činnosti, jako podvody, zločiny z vášně, sériové vraždy atd., nevykazují zcela žádnou vazbu na chudobu. Dokonce zde může být inverzní souvislost. Chudí lidé nemusejí být schopni páchat takové trestné činy jako například podvod nebo zneužití interních informací o budoucích ukazatelích firmy. 16 Ilustrace: Které lokality jsou potenciálně velmi výbušné, naznačují i mapy, vytvořené v rámci Policejního prezídia: 17 Obr. 4: Rizikové oblasti v rámci ČR Zdroj: Policie České republiky 16 SPAGNOLI, F. (2008). Poverty and Crime. Filip Spagnoli Statistické přehledy kriminality za rok 2011 v mapách. Policie České republiky. 30

31 Namísto závěru aneb nečekejme zázraky Je třeba zdůraznit, že bezpečnostní složky státu se s konkrétními socioekonomickými scénáři často setkávají až v okamžiku jejich vyhrocení. Není vhodné ba ani možné očekávat, že bezpečnostní složky vyřeší do důsledků situaci, která vyvěrá z ekonomických, náboženských či etnických kořenů. Do takového úsilí se musí zapojit mnohem širší spektrum aktérů. Odhad budoucího vývoje (nejen) co se týče kriminality, je více než problematický. Nestačí pouze prodloužit křivky týkající se míry zjištěné (hlášené) kriminality, míry objasněnosti a podobně, a předpokládat, že určitý vývoj bude kontinuálně pokračovat. V úvahu je třeba vzít celou řadu dalších aspektů, včetně kolísání latence některých skupin kriminality (například mravnostní trestné činnosti). Ani snaha odvodit určité trendy od vývoje v jiných zemích nemusí být všeříkající. Existující legislativní rámce se do té míry liší, že i poměřování objemu či objasněnosti některých skupin kriminality je prakticky porovnáváním hrušek s jablky. Nestabilita politického prostředí, nepříznivý socioekonomický vývoj provázený finanční krizí a rostoucím zadlužováním, negativní změny v hodnotovém žebříčku společnosti, to vše jsou faktory, které mohou společnost destabilizovat a stát se důvodem pro příklon k radikálnějším či extrémním řešením nahromaděných problémů. Výše popsané podmínky jsou pak živnou půdou pro extremisty, stávky, manifestace a jiné, v krajním případě i násilné, vyjadřování postojů na veřejnosti. Stejně tak, v případě prudkého zhoršení socioekonomické situace a životních podmínek v okolních státech, se Česká republika může lehce stát cílovou či transitní zemí pro osoby s cizí státní příslušností, čímž na území státu vyvstane potřeba řešit migrační přílivovou vlnu velkého rozsahu. 31

32 Jakýkoli odhad budoucího vývoje, co se týče skutečné, zjištěné či objasněné kriminality v rámci České republiky je zřejmě irelevantní. Pesimistický odhad budoucího vývoje může být zvrácen soustředěnou investicí do bezpečnostního systému a zvýšením efektivity policejní práce. Stejně tak jakýkoli optimistický odhad může být rozmetán, pokud nastane destabilizace fungování orgánů činných v trestním řízení (policisté, státní zástupci). 32

33 Problémy a výzvy mapování, analýz a predikce kriminality Doc. Dr. Ing. Jiří Horák Vysokoškolský pedagog VŠB TU Ostrava Institut Geoinformatiky Úvod Součástí činnosti policie je pravidelné hodnocení bezpečnostní situace, situace v kriminalitě, navrhování vhodných opatření a sledování jejich účinnosti. Je zřejmé, že k tomu potřebuje adekvátní podporu, vhodné nástroje, evidenci a prezentaci dat. Výskyt kriminality není náhodný a je podmíněn přítomností pachatele a oběti, ve stejný čas na stejném místě (Fořt 2009). Jedním z významných faktorů kriminality je poloha. Přirozeným důsledkem je shlukování deliktů v prostoru (Herbert, Evans, 1989). Sherman (1995) uvádí, že koncentrace kriminality podle místa je 6x větší než podle osob. Některé lokality vykazují sníženou imunitu, což může být způsobeno faktory v okolí, ale projevit se může i nevhodný architektonický návrh vlastního místa (Schmeidler, 2000). Charakter místa může přitahovat jistý typ deliktů (teorie broken window a další). Příkladů prostorových vazeb trestné činnosti je celá řada, namátkou třeba tvrzení Rossmo (2000), že většina kriminálních činů se uskuteční méně než 2 míle od bydliště pachatele. Sledování prostorových aspektů kriminality vyžaduje vhodné formy jejího mapování a rovněž využití prostorových analýz. 33

34 Základní možnosti prostorových analýz a mapování kriminality K základním nástrojům studia prostorových aspektů kriminality patří: Různé formy mapování a vizualizace. Obr. 1: Intenzita trestné činnosti v Ostravě 2009 a detail Zdroj: VŠB TU Ostrava, Policie ČR Hodnocení vazby k vybraným objektům nebo prostředí (vzdálenostní analýzy, prostorové korelace, překryvné analýzy atd.) Např. na obr. 2 je hodnocena struktura a intenzita kriminality v okolí vybraných hřišť v Ostravě v roce Je zřejmé, že mezi nimi existují významné rozdíly i ve struktuře trestné činnosti např. podíly násilné trestné činnosti či extrémismu. 34

35 Obr. 2: Struktura trestné činnosti v okolí vybraných hřišť v Ostravě v roce 2009 Zdroj: VŠB TU Ostrava, Policie ČR Území Ostravy bylo rozděleno do 6 urbanistických a sociálně ekologických tříd podle typu a hustoty urbanizace na základě klasifikace jednotlivých urbanistických obvodů (Ivan, Horák, 2012). Městská zástavba zahrnuje i sídliště různého stáří s minimálním podílem rodinných domků. Vykazuje index kriminality 536. Struktura trestné činnosti je podobná průměru Ostravy, mírně nadprůměrné je zastoupení krádeží vloupáním a trestné činnosti na mládeži (obr. 3 vlevo). Obr. 3: Porovnání struktury trestné činnosti mezi rodinnými domky (vč. kolonií) a městskou zástavbou v Ostravě 2009 Zdroj: VŠB TU Ostrava, Policie ČR 35

36 Kategorie rodinné domky a kolonie má nižší index kriminality než městská zástavba (489). Ve struktuře trestné činnosti jsou větším podílem zastoupeny krádeže vloupáním (avšak přepočet dle bydlících obyvatel ukazuje na jejich podprůměrnou intenzitu), poněkud vyšší je i zastoupení obecně nebezpečné trestné činnosti, naopak výrazně nižší je zastoupení krádeží (obr. 3 vpravo). Vzájemné vazby (korelační a regresní analýzy, autokorelace, prostorové regresní modelování). Např. Cracolici, Uberti (2008) sledovali distribuci různých typů kriminality v italských provinciích a jejich autokorelaci. Obr. 4: Metoda K means pro nalezení 5 hlavních shluků kriminality v Ostravě v roce 2009 Zdroj: VŠB TU Ostrava, Návratová 2013, Policie ČR 36

37 Multivariační metody (shlukování, geografické profilování, ). Použití metod demonstruje obrázek 4, kde byla v prostředí programu CrimeStat aplikována metoda K-means pro detekci nejvýznamnějších shluků kriminality v Ostravě. Časoprostorové analýzy (porovnávání řezů, časoprostorové shlukování, časoprostorové animace ). Např. Henry, Bryan (2000) ve své práci popisovali časoprostorovou distribuci krádeží motorových vozidel ve městě Adelaide a studovali změny v prostorové distribuci v závislosti na denní době, dnu v týdnu a také v průběhu roku. Na obr. 5 jsou dokumentovány rozdíly v lokalizaci denní a noční násilné trestné činnosti, které se analyzovaly v rámci analýz kriminality v Ostravě v letech 2009 až 2011 (Horák, Ivan, Inspektor, Návratová, Calábek, Ohanka a další). Obr. 5: Intenzita násilných trestných činů v denní a noční době v Ostravě v roce 2009 Zdroj: VŠB TU Ostrava, Policie ČR Na obr. 6 je dokumentován meziroční vývoj intenzity trestných činů v letech vybraného území v Ostravě. Dvě značky ukazují trend vývoje mezi roky 2009 a 2010, resp a Je zřejmé, že obě významné lokality v západní části od roku 2009 stále ztrácí (u té větší je možné dobře sledovat zmenšování rozsahu hraniční izolinie), zatímco u lokalit situovaných podél SJ orientované ulice byl mezi prvními roky zaznamenán nárůst, následovaný poklesem. 37

38 Obr. 6: Vývoj lokalit zvýšené intenzity trestných činů v letech v Ostravě Zdroj: VŠB TU Ostrava, Policie ČR Komplexní vícefaktorové analýzy. Společné hodnocení více faktorů v daném území je dnes nutností. Bez komplexního hodnocení není možné provádět adekvátní interpretaci. Např. DeMotto (2001) se zabýval analýzou majetkové trestné činnosti v Minnesotě ve městě Winona v souvislosti s prodejnami alkoholu v roce 1996 a Došel k závěru, že více než prodejny alkoholu ovlivňuje kriminalitu nízký podíl trvale bydlících obyvatel a také nízký věk obyvatel. 38

39 Možnosti kombinace jednotlivých údajů pro vybranou malou lokalitu ukazuje obr. 7. Pro území vymezené polygonem byla zjištěna věková struktura obyvatel, na základě agregace údajů o nezaměstnaných zjištěn vývoj ukazatelů nezaměstnanosti a pro stejné území agregovány trestné činy a zjištěna struktura trestné činnosti. V území je zřejmá silně progresivní věková pyramida, vysoká hodnota míry nezaměstnanosti, postupný časový nárůst dlouhodobé nezaměstnanosti a profil trestné činnosti, který se odchyluje od ostravského průměru zejména nižším podílem krádeží a vyšším podílem trestné činnosti na mládeži. Další ukázky komplexních analýz socioekonomické situace, studia vyloučených lokalit a jejich prostorového vymezení a vývoje lze najít např. v Horák et al. (2010), Horák et al. (2011a), Inspektor et al. (2014); hodnocení situace na trhu práce v detailním měřítku v rámci města lze najít např. v Horák et al. (2011c). Obr. 7: Věková struktura, struktura trestné činnosti a vývoj ukazatelů nezaměstnanosti vybrané lokality Zdroj: VŠB TU Ostrava, Policie ČR 39

40 Hlavní výzvy při budování systému predikce kriminality Za hlavní výzvy při budování systému predikce kriminality lze považovat: I. Zlepšení interních procesů policie 1) Zlepšit evidenci zjištěných událostí Je nezbytné dále zpřesnit záznamy, zlepšovat lokalizaci případů a jednotlivých skutečností. Bez přesných dat není možné zefektivnit vytváření závěrů, nelze zlepšit situační prevenci, nelze připravovat vhodná řešení konkrétní bezpečnostní situace. V případě událostí v interiéru je nezbytné správně identifikovat adresu. Pokud se událost stane v exteriéru (před domem, ve dvorním prostoru, na zastávce MHD (Městská hromadná doprava), na křižovatce, v parku atd.), je potřebné i tady najít vhodný efektivní a dostatečně přesný systém popisu místa. A to včetně evidence zvláštních okolností (podchod, číslo linky MHD apod.). Popis některých problémů viz (Ivan, Horák, 2012). Je potřebné nesdružovat jednotlivé případy a v evidenci rozlišovat jednotlivá místa, kde docházelo ke sledovaným událostem. Je nutné vědět o všech místech, kde docházelo k událostem spojeným s kriminalitou (typicky vícenásobná činnost v obchodních centrech či garáže). Zpřesnění lokalizace může výrazně napomoci vybavení policistů záznamovým zařízením GNSS (Global Navigation Satellite System) (GPS), protože jejich lokalizace přes mobilní sítě či AVL nebude pro tyto účely stačit. Je vhodné se zabývat také způsobem klasifikace událostí. Vazba na konkrétní stav legislativy (na aktuální kodifikaci trestního práva) je z analytického hlediska málo vhodná; znemožňuje dlouhodobé a neutrální sledování kriminality. Čím lepší bude evidence, tím lepší budou analýzy, tím více hodnotnější budou závěry a účinnější doporučení k prevenci či predikci dalších případů. Současně je potřebné vyvinout či adaptovat vhodný systém pro automatizované zpracování nestrukturovaných textů, aby bylo možné zápisy efektivně zpracovávat a vytěžovat. 40

41 Nesmí se ale zapomínat ani na motivaci těch, kteří mají zlepšenou evidenci zajistit. Policisté, kteří zadávají příslušné údaje s jejich polohou, musí mít možnost prostorové funkce efektivně využít (přinejmenším vizualizaci). Je nezbytné zajistit, aby byli sami aktivními uživateli prostorových dat a tím se automaticky vytvářel tlak na zvyšování kvality. Teprve pak se přesvědčí, že jde o užitečné nástroje a že pracnost spojená s uváděním doplňujících a upřesňujících údajů se vyplatí. Význam zapojení uživatelů dobře dokumentuje situace na Novém Zélandu, kde původně byla přesnost geokódování kolem 50%, ale postupně školením, osvětou a ukázkami užitečnosti analýz se podařilo přesnost zvýšit na 70-80% (Gilmour, Barclay, 2008). 2) Snižovat podíl latentní kriminality Analýzy a zejména predikce mají smysl jen tehdy, pokud vychází z dostatečně úplné poznatkové základny. Pokud chybí evidence případů a je vysoký podíl latentní kriminality, nemůže být predikce spolehlivá. Cílem je dosáhnout, aby evidence pokrývala co nejvíce případů. Je žádoucí hledat cesty, jak přesvědčit občany, že má smysl hlásit i méně závažné delikty nebo takové, u kterých mohou panovat osobní či společenské zábrany. Je potřebné aktivně vyhledávat a evidovat případy, stopy atd. Velikost latence u deliktů typu úplatkářství či mravnostní delikty je zřejmá, avšak poměrně vysoký podíl latence může být i u některých typů násilné trestné činnosti. Příkladem může být loupež podle průzkumu v ČR nahlásí oběti policii delikt asi u 65% případů (Martinková, 2007), podle průzkumu ve Velké Británii asi ve 44% (Walker et al., 2006, In Tomášek, 2010). Současně je potřebné se zabývat motivací a hodnocením policistů ve vazbě na vyhledávání případů latentní kriminality a hodnocení objasněnosti, které nutně bude klesat s rostoucím počtem málo dokumentovaných případů či jejich indicií. 41

42 II. Zlepšení externích informačních procesů 1) Kvalitní a aktuální topografické mapové podklady Pro mapování a prostorové analýzy je nezbytné zajišťovat kvalitní a aktuální mapové podklady a letecké snímky. V současné době v ČR chybí státní mapové dílo velkého měřítka, které by zobrazovalo reálný stav v území. Stávající katastrální mapa takovou roli neplní (i když je tak často používána), protože registruje pouze právní stav. Lze očekávat, že v souvislosti s implementací Strategie rozvoje infrastruktury pro prostorové informace v České republice do roku 2020 dojde k dalšímu rozvoji potřebné mapové základny. 2) Evidence různých objektů v území Je potřebné, aby policie získávala data z různých, zejména oficiálních zdrojů o objektech v území, jako jsou budovy, instituce, firmy, herny, zastavárny atd. Každý okrskář má evidovat různé objekty ve svém území. Měla by být zajištěna podpora z oficiálních registrů, které může ověřovat a doplňovat o své poznatky. Obr. 8: Vymapované objekty v části Ostravy Zdroj: VŠB TU Ostrava, Policie ČR 42

43 3) Aktuální a kvalitní sociální mapy Policie potřebuje ke své práci nejen topografické mapy a letecké snímky, ale především potřebuje kvalitní sociální mapy. Přece to hlavní, co se v území sleduje, co se má chránit, komu se má pomáhat, či naopak sledovat a kontrolovat, jsou lidé. Význam sociálních kriminogenních faktorů je dobře znám (viz např. Novotný, Zapletal, 2004), přesto se dosud dělá poměrně málo v jejich mapování. Policie zejména nutně potřebuje mapování aktuální demografické a sociální situace. Je nutné konstatovat obrovský deficit v této oblasti. Zatímco u fyzických objektů máme poměrně přesnou evidenci, známe jednotlivé domy, jejich rozměry a polohu řádově v desítkách cm, to samé nelze říci o evidenci obyvatel. V současnosti je problematické získat aktuální informace o tom, kolik lidí bydlí nebo se zdržuje v daném místě, natož podrobnější informace o jejich skupinové charakteristice. V této oblasti je zásadní spolupráce a součinnost orgánů veřejné moci. III. Poznat a naučit se provádět časoprostorové analýzy a predikce kriminality Sebelepší datová a informační základna sama o sobě nestačí. Ke skutečnému zhodnocení je nezbytná dobrá znalost postupů a metod jejich zpracování a vyhodnocení. Na posílení této stránky v oblasti prostorových informací (tedy mapování, prostorových analýz a predikce kriminality) jsou zaměřeny v současnosti probíhající projekty Mapy budoucnosti i Geoinformatika jako nástroj pro podporu integrované činnosti bezpečnostních a záchranných složek státu (oba projekty koordinuje MV (Ministerstvo vnitra) ČR). Významnou roli zde sehrávají výzkumné a vzdělávací instituce (např. Institut pro kriminologii a sociální prevenci, vysoké školy). Je nezbytné připravit vhodné metodiky, předpisy a zajistit školení. 43

44 Příprava školení nesmí být podceněna, školení musí být dobře cílená a praktická. Význam školení podtrhují např. pro geografické profilování s využitím specializovaného SW (Software) Rossmo a Verlande (2008) a upozorňují na nutnost extenzivního tréningu a vhodnost mentorování, který je nezbytné pro dobré pochopení SW, relevantní metodologie a teorií. IV. Mít k dispozici potřebné nástroje Praktická implementace vyžaduje rovněž pořízení vhodného technického a programového vybavení. Závěr Projekt Mapy budoucnosti má přispět ke zvýšení efektivity a kvality veřejné správy v oblasti prevence kriminality. K hlavním výzvám pro adekvátní mapování, analýzy a predikce kriminality patří: zlepšení interních procesů policie (zlepšení evidence, snižování latentní kriminality), zlepšení externích procesů (zajištění aktuálních topografických podkladů, evidence zájmových objektů v území, aktuální a kvalitní sociální mapy), poznání a dokonalé zvládnutí provádění časoprostorových analýz a predikce kriminality, pořízení vhodných nástrojů. Jejich řešení není jednoduché a závisí na vůli všech zainteresovaných stran k podpoře záměrů projektu. Poděkování Děkuji pracovníkům Policie ČR za spolupráci. 44

45 Literatura Cracolici, M.,Uberti, T. (2008): Geographical distribution of crime in Italian provincies: A Spatial Econometric analysis. FEEM, Milano, Italy. DeMotto, N. (2001): Maximizing Community Policing Resources using Spatial Analysis to Identify Areas of High Property Crime in Winona, Minnesota. Fořt, I. (2009): Analýza výskytu kriminality s využitím geografických podkladů. Military Geographic Review 1/09, str Gilmour, Barclay (2008): Developing geographical information systems and crime mapping tools in New Zealand. In Chainey S., Tompson, L. (Eds). Crime Mapping Case Studies: Practice and Research. Wiley, ISBN: Henry L., Bryan B. (2000): Visualising the Spatio-Temporal Patterns of Motor Vehicle Theft in Adelaide, South Australia. Horák J., Ivan I., Inspektor T., Hruška-Tvrdý L. (2010): Monitoring of Socially Excluded Localities of Ostrava City. In Sborník mezinárodního symposia GIS Ostrava Ostrava stran. ISBN Horák J., Inspektor T., Šimek M., Ivan I. (2011a): Nezaměstnanost v Ostravě. In Hruška-Tvrdý et al.: Industriální město v postindustriální společnosti, 4. díl, závěrečná monografie. ACCENDO Centrum pro vědu a výzkum o.p.s. 12/2011, 1. vydání, Ostrava, ISBN S stran. Horák J., Inspektor T., Krausová A., Hruška-Tvrdý L. (2011b): Sociálně rizikové lokality v Ostravě. In Hruška-Tvrdý et al.: Industriální město v postindustriální společnosti, 4. díl, závěrečná monografie. ACCENDO Centrum pro vědu a výzkum o.p.s. 12/2011, 1. vydání, Ostrava, ISBN S

46 Horák J., Ivan I., Inspektor T., Kovář J., Návratová M., Ohanka J. (2011c): Kriminalita v Ostravě. In Hruška-Tvrdý et al.: Industriální město v postindustriální společnosti, 4. díl, závěrečná monografie. ACCENDO Centrum pro vědu a výzkum o.p.s. 12/2011, 1. vydání, Ostrava, 2011, ISBN S Ivan, I., Horák, J. (2012): Analýza kriminality v Ostravě. In Sborník GIS Ostrava Současné výzvy geoinformatiky. ISBN ISSN X. Dostupné na: < Inspektor, T., Ivan, I., Horák, J. (2014): Mapping and Monitoring Unemployment Hot Spots towards Identification of Socially Excluded Localities: case study of Ostrava. Journal of Maps, vol. 10, No. 1. P ISSN Martinková, M. (2007): Zkušenosti obyvatel České republiky s některými delikty výsledky viktimologického průzkumu. Praha: Institut pro kriminologii a sociální prevenci. Návratová, M. (2013). Hodnocení vývoje kriminality na Ostravsku v letech DP VŠB-TU Ostrava. Novotný, O., Zapletal, J. (2004): Kriminologie, ASPI Publishing, 2. přeprac. vydání, 451 s., ISBN Rossmo D., Verlande L. (2008): Geographic profiling analysis: principles, methods and applications. In Chainey S., Tompson, L. (Eds). Crime Mapping Case Studies: Practice and Research. Wiley, ISBN: Sherman L. W. (1995) Hot spots of crime and criminal careers of places. Crime and place 4, Schmeidler, K. (2000): Prostředí města, urbanistická tvorba a sociální patologie. Kriminalistika, čís. 4. Tomášek, J. (2010): Úvod do kriminologie. Jak studovat zločin. Grada Publishing, 216 s. Walker A., Kershaw C., Nicholas S. (2006): Crime in England and Wales 2005/06. Home Office Statistical Bulletin 12/06. London: Home Office. 46

47 Crime prediction and prevention A safer public through advanced analytics Jaap Vink Global Predictive Analytics Leader Public Sector & Healthcare at IBM Overview To keep the public safe, law enforcement officers have always relied on their instincts and the information available to them. But combating crime and rising gang violence with limited or shrinking resources is becoming more difficult day by day. Meeting this challenge is now a matter of working smarter - making sure that every effort counts and no effort is wasted. To work smarter, many policing organizations are making better use of the information they generate and store, both structured (such as crime and criminal data) and unstructured (such as audio and image data from communications and surveillance). When brought together and made available for analysis, these volumes of data can contribute to an understanding not just of what happened in the past, but (based on patterns) of what is likely to happen in the future. Using such data as historical crime incidents, profiles, maps and typology, as well as enabling factors Identify areas typically frequented by violent criminals. Match trends in regional or national gang activity with local incidents. Profile crimes to identify similarities and match the crimes to known offenders. Identify the conditions most likely to trigger violent crime, and predict when and where these crimes may occur in the future. Determine the likelihood of recidivism. 47

48 More reliable and widespread information lets law enforcement agencies improve intelligence gathering, investigation, resource planning, case management, operations and enforcement. With this insight, crime prevention becomes a science. Elusive data So what is preventing every law enforcement agency from becoming data driven? The reality is that many crime-fighting organizations still rely on manual paperbased processes for much of their work. Of those with crime information systems, many are decades old and support only limited reporting and analysis. What s worse, a great deal of information is siloed within departments and agencies. With information in many places and no ability to bring it together, it is next to impossible to determine patterns across crimes and suspects and effectively deploy personnel, let alone predict future criminal activity and provide real-time feedback to law enforcement officers and supervisors. And finally, not only are agencies stuck with manually analyzing data that resides in many places, they also lack any kind of predictive capability. All decisions, such as where to deploy resources, are based on historical and anecdotal information. Predictive modeling does not make the assumption that what has happened in the past will continue into the future. Instead, the model combines analysis of past events with a higher level of logic to determine the arc of events - such as criminal behaviour or crowd patterns or the evolution of organized crime structures. It is for these reasons, and likely many others, that law enforcement agencies are challenged to drive decisions and manage operations on the basis of facts. 48

49 Proactive law enforcement Agencies can move beyond retaining physical records and into keeping an electronic history of every important piece of information: incidents, individuals, times, tactics, evidence and so on. The solution brings together a wide range of data, including unstructured data, for analysis, modeling and prediction. It lets agencies uncover hidden relationships within the data and draw out insights. It provides clearer hindsight and sharper foresight. Within this information environment, analysis becomes second nature. Employees at any level have ready access to usable information that helps them make decisions grounded in data. Better decisions, based on insight as well as foresight, helps officers predict future incidents, prevent crime, respond faster and improve operations. The following seven areas are common ways in which a Crime Insight and Prevention solution can be applied. 1. Force deployment Sometimes a precinct captain or shift commander will base resource deployment decisions on past experience, sending more officers to known hotspots. But in general, deployment decisions tend to be more reactive. Patrols are sent after an incident occurs. But what if a commander had broader and more data-driven insight into the likelihood of incidents, based on patterns in geography, time, weather and external events? With this knowledge, a commander can proactively manage force deployment decisions in advance for every dispatch area. A stronger police presence will deter the anticipated crime; fewer officers will idle where no crime is expected: the force is better used. 49

50 Fig. 1: Business scenario: Decisioning Force deployment Source: International Business Machines Corporation (IBM) 2. Patrol officer preparation Just as the experience and instinct of commanders can be supplemented with real-time data from the system, so patrol officers can be prepared with data to determine the best patrol routes within their deployment area and where to use extra caution. Data may suggest that a certain type of armed robbery in a certain area is likely to escalate into an assault, for example. Weather conditions, seasons, time of day, paydays and holidays: all of these factors may contribute to a higher likelihood of crime or accidents. 3. Profiling Agencies can use historical data to perform predictive modeling on crimes and criminals. Patterns emerge from past crimes that can be used to profile criminal types and associations, and detect crime patterns and geographical or temporal hotspots or clusters. Criminal career scoring models can help agencies calculate repeat offender risk, information critical to district attorneys and parole or arresting officers. A case assignment officer can analyze modus operandi typology leading to a serial crime profile. A crime scene assessment model can help CSI resource planners predict the likelihood of evidence at different kinds of crime scenes to inform 50

51 decisions on whether to send an officer. Predictive results will become more precise as data volume and richness grows. 4. Case resolution The ability to bring information together across multiple departments and districts can also help analysts compare tactics or other characteristics of seemingly unrelated cases and identify those common to all of them. They can perform post crime analysis to gain insight into cold cases. And they can develop more effective action plans to uncover leads and solve cases with greater accuracy and speed. 5. Public safety Forewarned is forearmed. Better access to information can inform planning for a better police presence where necessary. The ability to predict and act, rather than sense and respond, allows pre-emptive action, heading crime off at the pass and resulting in safer cities. 6. Program and facilities management Statistical modeling can also help agencies decide where to locate new emergency command centers based on the frequency and location of crimes, fires and accidents. It can inform forecasting for correctional facility needs based on trends in crime rates. 7. Recidivism and rehabilitation Predictive modeling can reduce recidivism, another way of preventing crime. When the rehabilitation effort is well matched to the criminal s issues and risk of re-offense, the success of the program is much more likely. Risk of re-offense is closely related to a number of key predictors such as past offense history, family background and peer associations. Criminals at higher risk can be placed in more focused programs that address substance abuse or mental health issues as needed. Lower risk individuals would attend a less restrictive program tailored for their specific needs. Such models help criminals become and remain law-abiding citizens. 51

52 Crime insight and prevention Better data mining and predictive modeling let agencies anticipate incidents, profile crimes and criminals, improve solved crime rates and optimize resource use. Real-time data access and updates mean that insight is actionable, allowing agencies to be one step ahead of criminals. Scorecards and dashboards let officials monitor and respond quickly to the metrics they consider important. Fig. 2: Business scenario: Police decisioning - Investigations Source: International Business Machines Corporation (IBM) Planning tools allow law enforcement organizations to analyze spending history, set goals and build execution plans. Reports guide users to the issues to be resolved quickly to improve service and ensure public safety. Consistent information across departments makes collaboration easier, improving response to inquiries, requests for service and investigative actions. 52

53 Three steps to insight Three steps let you begin benefiting from the insight contained within your data: capture, predict and act. Capture: Gather and input data Law enforcement agencies gather a wide variety of data. A solution should accept both structured and unstructured data. Examples include: Historical crime incidents: location, crime type, severity, victims, suspects, convictions, criminal behaviors and attributes. Enabling factors: weather, temperature, time of year, month or week. Trigger events: holidays, festivals or paydays. Unstructured data: images, audio, video and text contained in incident reports, witness statements, suspect interviews, tip information, calls for service, and chat room activity (This information is critical for analyzing interactions and uncovering the attitudes, desires and motivations of criminals to get at the reasons behind crimes. Understanding the why helps prediction go beyond assuming that past actions and behaviors will dictate future ones.). Evaluations of past predictions and actions should also be captured. Some predictions will be more and less accurate, some actions more and less successful, some reports and dashboards more and less used. A feedback loop lets your predictive models grow smarter and helps you focus effort in the areas with the biggest payback. 53

54 Predict: Statistics and modeling for crime analysis Creating an analysis and scoring model to predict the likelihood of incidents requiring police attention will drive confidence in your data and decision-making and bring repeatability to your processes. Some examples of modeling and reporting include: Data mining to uncover hidden relationships in data key predictors of what is likely to happen. Text analytics to extract and categorize concepts from qualitative, unstructured data including crime record notes, call logs, surveillance and communications data. Visualizations, reports and management dashboards for real-time risk analysis. Key performance indicators and key performance predictors. Act: Deploy to operations and collaborate Insight is only useful when those who need it can access it quickly and easily. The deployment technologies and methodologies of the Crime Insight and Prevention solution should enable your agency to maximize the impact of analytics within your operation. Collaboration tools help deliver more effective analytical results and deploy them into operational planning and daily decision-making. Automation of analytical processes improves orchestration and discipline. GIS applications to display predictions allow the force to interact with data that s easy to understand and use. Since law enforcement is 24/7, systems must be available to all personnel at all hours. 54

55 Growth areas With predictive analytics, you can move from counting crime after it has occurred to preventing crime before it happens. In this realm, there is any number of possible applications not yet mentioned, including: Cyber-crime profiling. Forensics analysis. Open source intelligence analytics. Internal and external terrorist threats. Traffic risk profiling. Suspect vehicle identification. Material maintenance predictions. Inclusion of citizen feedback. An Example from Germany Business Need: In the past, this police force stored information about suspects, incidents, and victims of crime and traffic accidents in 23 different systems. Officers could not gain an overview of this information without consulting multiple sources of data - a time-consuming and frustrating task. The police force tried to address this problem by developing a data warehouse and implementing several business intelligence tools. This worked for a time, but before long the directorate found itself overwhelmed by demand: everyone, it seemed, wanted to know more about traffic and crime. If the directorate was going to keep up with this demand, it would need a powerful, centralized and comprehensive business intelligence solution. Solution: What makes it smarter Fighting crime and keeping roadways safe are tremendously noble pursuits, and it is in society s best interest to ensure that the people who take up these callings are equipped with the best tools possible. That s why the police force developed a centralized analytics system that uses cutting-edge business 55

56 intelligence technology to support operational and strategic decision making at all levels of the police directorate. Whether it s a matter of national security or a stop sign that has blown over in the wind, the police force can use the solution to provide their police officers with the information they need to do their jobs as efficiently and effectively as possible. Three times a day, the solution automatically compiles near-real-time information from 23 police operational systems and sends it to a central data warehouse. There, the information is stored for up to 10 years, in accordance with relevant data protection laws. Most of the information relates to the roughly 550,000 crimes and 200,000 traffic accidents that are reported in the region each year. A suite of analytics applications uses this pool of data to compile customized reports on matters such as crime statistics and traffic accidents. Officers from all levels of the police hierarchy use the solution to access information from a single interface, viewing the data in tables, graphs and maps and drilling down for details as needed. Officers can also use the solution to uncover information that may have been difficult to find in the past. For example, an officer can enter a person s phone number and immediately know not only the crimes with which that person has been associated but also any other people with whom he has been in contact. This geographic information system (GIS) is designed to boost business intelligence by adding a geographical component to data. The police force is taking advantage of it to create customized, interactive and intelligent maps that show danger spots on the road: for example, crossings where a disproportionate number of accidents occur or specific spots on a street where accidents tend to happen. Police departments now use the solution to remotely monitor these locations. When the data indicates that countermeasures should be taken, the solution helps police determine which actions are most appropriate, such as lowering the speed limit or installing traffic mirrors. 56

57 Benefits of the Solution: Real business results - Ensures that 100 percent of the region s crimes and traffic incidents are logged into a single system, as opposed to more than 20 systems used previously. - Offers managers approximately 250 general and customized reports and analyses that they can investigate interactively. - Facilitates more informed, proactive police work by analyzing incidents within the framework of location to ferret out trends and identify trouble spots. Instrumented The solution draws data from 23 police applications, including details associated with more than 500,000 crimes and 200,000 traffic incidents that occur in the region each year. Interconnected The crime and traffic data is correlated and interconnected with a GIS, providing police officers at all levels with an immediate and comprehensive view of the community at large. Intelligent The solution enables officers to analyze changes in the levels of traffic accidents and crimes by using locational data to identify hotspots and historical data to ferret out trends, ultimately helping support operational and strategic decisions with reliable data. Thanks to the business intelligence solution, 100 percent of the crimes and traffic incidents that occur in the region are now logged into a single system, rather than more than 20 systems as was the case in the past. Managers and administrators use the solution to generate approximately 250 general and customized reports that facilitate better decision making at every level, from where to send officers each day to how to allocate the budget each year. 57

58 Finally, the solution uses analytics along with a sophisticated GIS to help identify and address patterns of criminal activity and trouble spots on the road. Client Quote: This is the only system of its type in Germany, and users have described it as a quantum leap in operational intelligence. Conclusion Your law enforcement teams are experienced and intuitive. But combating crime, gangs and terrorism requires a combination of instinct and the kind of insight that comes from the rigorous analysis of multiple types of data. Automated analysis is complete, methodical, unbiased and consistently outperforms human experts. Models can bring insights not immediately apparent to humans simply because the nature or method of a crime may fly in the face of rationality. Making decisions and drawing conclusions based on fact builds confidence among staff and with the public. Facts based decisions, provide arguments and present a clear picture of conditions in time to take action. They help officers without the experience or intuition in a particular area to make the best decisions. 58

59 Know them Better, Serve them Better: Measuring Public Opinions on Policing Johan Huizing Quality Survey Projectmanager (North of Holand, National Police in The Hague) Every day a community police officer in Rotterdam rings to the door of one of the houses in his area, exactly at 12:00 noon. Hello, I am Walter Kroon. I am your community police officer. Can I eat my lunch together with you today? Doing this during several months he knew more about the people in his area than most of his colleagues working for years in their neighborhood. Knowing what s happening in your neighborhood is one of the most important challenges for community policing and therefore effective police work. Police work can only be effective when there is confidence from the public in the police. The legitimacy of the police depends heavily on this. Since 1989 we tried to face these challenge with scientifically proven surveys among citizens in the Netherlands. In this essay we will show you how this development took place and where we stand today. 59

60 Knowing them better In earlier days the police limited the work exclusively to cases officially reported or were observed by police officers themselves. That seems logic, because you cannot act upon events you don t see. Fig. 1: Cases of Burglary per Population Source: United Nations Office on Drugs and Crime, Statistics on Crime Looking at reported crime gives insight in areas or countries and differences between them, it can as well be evaluated if there is a decrease because of some interventions from police or (local) government. But is that all there is to say about crime rate? Dark number In the eighties it became obvious that crime is a social problem but not only a responsibility of police and prosecution, but for local government, the private sector and the general public as well. Also it became obvious that the government should take notice of non-reported crime too, necessary to understand. The factual levels of crime. How to measure non-reported or dark number crime? In 1989 we started with a survey among citizens in the city of Groningen. Groningen is a city with many students and because of that also much bicycles and because of that also much bicycle theft. The survey proved that the 5000 reported cases of bicycle theft in one year should be corrected to because only 35% cases of bicycle theft were reported to the police. The political discussion in the council of Groningen was mainly about the question: what is the problem. 60

61 The 5000 cases reported to the police or the victims that should be offered prevention programs for bicycle theft. Groningen choose for prevention. This decision had far reaching effects because it changed the way we were thinking on crime reports and opportunities to measure non-reported crimes in the Netherlands. From National Police Monitor to Local Safety Scan In 1993 the Dutch government started with the Police Monitor, a survey among citizens in the Netherlands, divided in 25 police regions. For the first time there was a concern about the limitations of relying only on reported crime: victimization, reporting rate, feelings of unsafety, recent experience with police, attitudes to police, prevention measures etc. In the province of Groningen we decided to select more citizens for the survey, so we could draw conclusions on the level of the 25 municipalities in our region. These conclusions were discussed in the city councils in order to formulate recommendations for police strategies for the next year. In 1999 we started on our own with our local Safety Scan, first with questionnaires and in 2001 for the first time also on the internet with web based questionnaires. We used SPSS Analytics for statistical analysis of the data, later we also used the Data Collection from SPSS for web interviews. The last delivery of our survey reports (2007) looked like this: Theme Indicator Small towns Scheemda Slochteren Ten Boer Vlagtwedde Winsum Zuidhorn General evaluation Neighborhood (Key figure) 7,8 7,8 7,9 7,8 7,7 7,8 8 Safety % Unsafety feelings 27% 27% 32% 31% 35% 27% 24% Victim % violence 2% 1% 1% 2% 3% 1% 3% Victim % vehicle crimes 7% 5% 6% 8% 6% 3% 7% Victim % (attempted) Burglary 2% 1% 1% 3% 4% 0% 1% Neighborhood Social Quality 5,8 5,8 5,9 5,8 5,8 5,7 5,9 (Key figures) Judgment own home 8,0 8,0 8,0 8,3 8,0 8,0 8,0 Threat 0,9 0,7 0,7 0,7 1,1 1,0 0,7 Social nuisance 2,3 2,1 2,1 2,3 2,3 2,5 2,0 Property crimes 2,4 2,2 2,2 2,5 2,8 2,9 2,6 Traffic problems 3,0 3,1 3,1 3,1 2,9 2,9 2,9 Degradation 3,8 3,7 3,5 3,5 3,3 4,1 3,5 Facilities 6,2 5,9 6,2 6,1 6,1 6,4 6,2 Police % satisfied about last contact 67% 52% 74% 71% 69% 66% 74% % satisfied about treatment in reporting 40% 34% 40% 45% 25% 19% 45% Availability (Key figure) 6,4 7,0 6,3 5,8 6,9 6,7 6,0 Municipality Judgment Municipality (Key figure) 4,6 4,4 4,5 5,3 4,2 4,5 4,6 Fig. 2: Survey Report Source: Dutch police, = positive with respect to main = main = negative with respect to main

62 In this table the results of 6/25 municipalities can be compared with the mean of the 19 small towns in the region. There were questions about Safety, Neighborhood problems, Police performance and performance of the Municipality. We always compare with the mean of municipalities of about the same size, because including bigger cities would give the mean too much bias. In the council of each municipality the local police chief discusses every year the priorities for the next year. Decisions about these plans are made by the Mayor, the Chief Constable and the Chief Prosecutor. After 2007 the job of making these surveys is transferred from the police to the municipalities, because safety is declared to be a responsibility of the local government. Serving them better You cannot be a Quality Hospital, you will have to become a Quality Hospital every day This is the text on a billboard in the main entrance of my favorite hospital, the University Medical Center Groningen. This could also be a mission statement for the police. Confidence from citizens must be warranted every day again and it can be lost in a few seconds. Confidence comes on foot and leaves on a horseback. The second Strategic Goal for our National Police is: More Legitimacy and Confidence in the Police Apart from knowing what s happening in his area the police will be more effective when there is a high degree of confidence in the police. People with high confidence will sooner call 112 or give essential witness information to the police. Confidence can be defined as a conviction that the police (officer) will meet my expectations in a fair way. Equally, if we were stopped by the police we would expect the officers to be effective and fair (and we would act accordingly). 62

63 Confidence is often based on experiences and will grow when there is a continuous confirmation in every new contact. Most commercial organizations have one type of clients: Customers, who buy, should be satisfied and come again. Police has several types of clients, some of them can never be satisfied and some of them should not come again. It is not possible to ask all clients of the police in one questionnaire whether they are satisfied According to upcoming concern about customer satisfaction in business the police also tried to learn how to deal with that. There was a growing belief that meeting the expectations of citizens would help the police. There was only an important difference: The police is one of the rare institutions that does not necessarily want their clients to come back, in contrast with businesses. Measuring satisfaction about contacts with the police in an annual survey like the Local Safety Scan is a poor way to give direction to improvements. In one year only 30% of the citizens have contact with the police. Asking the remaining 70% about the police rather gives a judgment about the general image, not necessarily based on experience with any contact with the police. These judgments have their main source in pubs, on birthday parties and in bad newspapers. We decided to start asking our citizens only after they had contact with us. Fig. 3: Questionnaire Collection Illustration Source: Johan Huizing 63

64 Differentiation in contacts of citizens with the police Soon it became obvious that there are so many different kinds of contact that one questionnaire for all contacts would be of no use. Citizens that received a ticket for a traffic offense should not get a question about offering victim support. So we started developing different questionnaires for each type of contact the police offers. The first questionnaire was about one of the most important contact moments, reporting crime. Usually crimes could only be reported to the police by visiting a police station and waiting for your turn (occasionally more than one hour). Since last year our citizens can choose out of six different ways: telephone, internet, 3D-screen, visiting a police station, at home or at the place of incident. Fig. 4: Rotterdam, Report on 3D-screen Source: Wegener Huis-aan-huisMedia B.V., deweekkrant.nl Again we had to admit that it is not quite possible to develop a questionnaire for all six ways to make report to the police. We now have one for the report on internet (although one could discuss about the question is this really a contact with the police? ), one for telephonic report (request for police assistance) and one combination of report at home, on the place of incident and visit on a police station. 64

65 In the first year we concentrated on victims of what we call High Impact Crimes : Burglary, Mugging and Raid. We draw out of our Police Systems all the reporters in a period of three months and sent them an invitation by letter (last year approximately 9.000). We asked them to go to our website satisfaction survey.nl and enter a code: Fig. 5: Questionnaire completing Source: Dutch police No single respondent will ever know, that one key (that is hidden in the entry code) refers to the questionnaire that fits the situation of this particular respondent (victim of robbery, burglary or telephonic request for police assistance). Every of the three situations leads to other questionnaires, with of course a lot of common questions, but not all. Fig. 6: Questionnaire Completing Source: Dutch police 65

66 The response to the questionnaires is not very high yet, but we are working on this. We are planning to ask addresses with every intake so we can send invitations by in the future instead of expensive letters. Important however, in respect to confidence in the Police, is that we put two additional questions at the end of every questionnaire. These are exactly the same as in the national Safety Monitor. We expect that the score on these questionnaires can give some direction to better alternatives for police interventions. Note that this is not yet scientifically tested, but in time we hope to give evidence to the indications below. Victims of burglary First the scores on the surveys for victims of burglary. The intention of the National Police is to give them feedback about their case within 14 days after they reported to the police. We wanted to find out how differences in this factor influence the confidence in the police. In our examples only one of the two questions is used. Confidence in the police: When it really matters the police will be there for me Had Feedback after report Not agree Neutral Agree Total Frequency % Frequency % Frequency % Frequency Difference No 22 6,3% 78 22,4% ,3% % Yes, within 14 days 13 2,1% 67 11,0% ,9% % Yes, after 14 days 6 4,6% 20 15,3% ,2% % Total 41 3,8% ,2% ,1% % Agree (Safety monitor 2012) 48,2% Difference 32,9% Fig. 7: Feedback Statistics Source: Dutch police We divided the respondents in three subgroups: One that didn t get feedback at all, one that received feedback within 14 days and one that received feedback later than 14 days. We know that the score on this thesis in the population is 48,2% to agree. 66

67 It is no surprise that respondents give a higher score on this, they had a reassuring contact with police offers (81,1% agree). But there is also a difference if the police gives feedback within 14 days, later or not at all. Giving feedback within 14 days results in 86,9%. These differences are significant! In a secondary analysis we discovered that giving feedback in a home visit enlarges this number even more, comparing with giving a call or send an . It is of course of interest to know whether this higher confidence is lasting and if so, for how long. Calls for assistance In a second group we looked at the people asking for assistance (not the 112 calls), and looked at the different answers on the question Did you notice any action of the police as a response to your request? In general there is a lower score on Confidence than in the National Safety Monitor (43,2% agree). We can see a larger difference in two answer categories, where the decline in Confidence is considerable: Did you notice any action of the police as a response to your request? Confidence in Police Difference with National Crime survey Difference with mean Yes, I saw the police and spoke to them 58,0% 9,8% 14,8% Yes, I heard (from other people) that the police was here 50,0% 1,8% 6,8% Yes, I was called (back) for asking more information 53,3% 5,1% 10,1% The police explained to me why they did'nt come and I understand 50,0% 1,8% 6,8% The police explained to me why they did'nt come and I don't understand 25,0% -23,2% -18,2% No, I did'nt see, hear or read anything from the police 27,8% -20,4% -15,4% Total mean 43,2% -5,0% Safety Monitor ,2% Fig. 8: Confidence in Police Source: Dutch police How to disappoint your public to a maximum? Don t react at all, or give a not understandable explanation for why you are not coming now. You can be sure you are substantially losing confidence from the public! On the other hand: when the police is making contact with the caller you are doing a good job for the police and in the same time for restoring confidence. 67

68 Apprehensions for traffic offenses The last group we compared on differences in confidence is not a category that is famous for loving police officers: traffic offenders that are being caught by the police. And indeed: their score on Confidence is 32,8%. Apprehensions for traffic offense Confidence in Police Difference with National Crime survey Difference with mean Did the police officer introduce himself to you? Yes 41,9% -6,3% 9,0% No 19,9% -28,3% -13,0% Don't remember 28,5% -19,7% -4,4% Did the police officer tell you why you had to stop? Yes, immediately 39,4% -8,8% 6,6% Yes, but not immediately 20,2% -28,0% -12,7% No, I wasn't told at all 21,4% -26,8% -11,4% Did the police officer explain to you why you got a ticket? Yes, extensively 42,2% -6,0% 9,4% Yes, restrictedly 28,9% -19,3% -3,9% No 15,2% -33,0% -17,7% Did the police officer give you an opportunity to ask questions or give your story? Yes 38,2% -10,0% 5,3% No 19,7% -28,5% -13,1% Total mean 32,8% Safety monitor ,2% Fig. 9: Confidence in Police Source: Dutch police Looking at traffic offenders the police can only do a good job in limiting the damage to confidence. Offenders expect a fair and proportional treatment. There is no higher % in one of the answer categories, but if we compare with the mean of the total group of offenders there is some slight positive news about the group that answered yes on the question: Did the police officer introduce himself to you?. The best way to limit the damage in confidence for traffic police officers seems to be: tell immediately why the offender has to stop; explain extensively to the offender why he gets a ticket; give the offender explicitly an opportunity to ask questions or give his own story. 68

69 Collecting all the statements in these surveys that prove to enlarge the confidence from public in the police should lead to a dynamic list of advices to cope with several contacts the police usually has with citizens. This works even better when citizens in the survey are asked to be royal with explanations and illustrations to their scores. Feedback to local teams of the police on these outcomes can be very helpful. Some complaints like: You didn t bring my laptop back or You didn t catch the burglar are about items that the police can scarcely do better. But: It would have been helpful if the constable was looking at me when he talked to me instead of staring into the garden gives direct advice how to cope with citizens in despair. Or, like the home philosopher of the Police in Amsterdam wrote in 2013: Police work is often like mopping with the tap open, but the police is the only one who can do this job excellently. 18 I discussed the limits of reported crime to the police. My essay is about the limits of reported crime and the need to introduce other tools and methods to measure crime and perceptions on both crime and the service delivered by the police to the public. This is to improve strategies and effectivity of the police and to raise the levels of confidence (legitimacy) in policing. A whole new toolkit of (web based) questionnaires has been developed which enables us to analyze large amounts of data to improve the levels of policing even further in the Netherlands. 18 Jurriën Rood: What s wrong with Authority?,

70 GIS for Law Enforcement John Beck Law enforcement specialist, Strategic and tactical crime analysis, ESRI Executive Summary In today s world of fiscal uncertainty and ever-increasing budget constraints, law enforcement agencies are being forced to find ways to meet higher service demands with fewer resources. In order to meet these challenges, police agencies need to maximize return on investment (ROI). This means using every available asset for optimal effect. Increasingly, one of the most effective tools for continuing mission success is information technology (IT). Today many systems are in place to help, including mobile technologies, computer-aided dispatch (CAD), records management systems (RMS), and automated vehicle location (AVL) systems. The combined data, software, and analysis tools from these systems serve many functions, including delivery of fast, effective call response times, managing crime reports, and improving the effectiveness of Compstat, intelligence-led, and place-based policing methodologies. The result is more agencies are benefiting from technology as a weapon against crime. Yet these systems fall short of providing a complete set of collection, communication, coordination, and intelligence tools to every department and officer. Moreover, not every agency uses technology as a fundamental asset to achieve mission success. Many agencies own technology but aren t using it because it is difficult to use or is incompatible with existing architecture. 70

71 Challenging questions for law enforcement include: How do you make it actionable for officers and staff throughout the organization? What can be done to provide useful solutions that require little to no training? If not using technology, what s available that delivers true value? What approaches are available to quickly begin improving decision making? A geographic information system (GIS) can meet these and other challenges. GIS provides a complete system for crime analysis, criminal intelligence, community policing, vehicle/personnel tracking, traffic safety, community corrections, and many other areas, resulting in the ability to rapidly process and disseminate actionable intelligence organization-wide. It serves as the foundation to integrate the various systems, databases, and data types that every agency possesses. Moreover, law enforcement can leverage robust analytical tools for a myriad of purposes. GIS dramatically improves every workflow. In addition, GIS is compatible with many of the world s leading law enforcement solutions and can be adapted to meet your specific needs. This means that as technology evolves, agencies can take advantage of cutting-edge tools and industry innovations. The purpose of this paper is to discuss how GIS delivers value to support the law enforcement mission. 71

72 GIS Provides a Complete System GIS provides a complete system for law enforcement and is scalable to meet any organization s specific operational needs. When implemented, GIS functions on many levels, becoming a technology, a platform, and a tool that supports all of a law enforcement organizations missions. Fig 1: GIS supports All Law Enforcement Missions Source: ESRI GIS as a technology GIS integrates hardware, software, and data for capturing, managing, analyzing, and displaying all forms of geographically referenced information. GIS technology is scalable and fits into any existing IT infrastructure. Today local, state and federal government agencies across the country and around the world use GIS. What this means for law enforcement is that an extensive network of data, applications, and expertise are immediately available for use. Agencies can share and take advantage of street network data, satellite images, building floor plans, Census data, infrastructure data, and utility data. They can also benefit from live data feeds such as weather, video cameras, and more. The power of GIS comes from its ability to bring together data from disparate sources and relate this information spatially. Everything law enforcement manages has a location. GIS is able to reference and convert this information into a digital format and overlay it on a map consisting of base layers and then perform analysis on this data. GIS allows anyone crime analyst, investigator, commander, 72

73 patrol officer to view, understand, question, interpret, and visualize data. These different personnel can then use the technology to reveal relationships, patterns and trends in the form of maps, reports, and charts. GIS as a Platform Esri GIS provides a complete platform that connects the entire organization. It allows departments to share and distribute intelligence and knowledge through workflows for more effective communication, collaboration, and coordination. Specialized units such as crime analysis, investigations, gangs, and narcotics can all link together using a single GIS framework. Each can access, update, share and analyze the same data sets previously maintained independently. GIS also links law enforcement organizations and the community. GIS Web services allow agencies to open up crime data as part of their service delivery. GIS software works on desktop, server, cloud, Web, and mobile environments. It s an integrated and adaptable set of tools, components, and software that can be shared through any of these environments. GIS as a platform allows for more efficiency, collaboration, transparency, and accountability. GIS as a Tool GIS allows you to deploy mission-specific applications that require minimal training. These applications become a part of the law enforcement toolbox. They provide specific functionality based on the role or duty of the officer. This means that agencies can supply staff exactly what they need with little training and minimum buy-in. GIS is adaptable and can be customized to fit each agencies needs and can quickly help an organization realize the power of a geospatially enabled operational model. 73

74 Fig 2: Officer Crime and Intelligence Mapping Application Source: ESRI, Monroe Crime Analysis Center in Rochester Officers and Investigators at the Monroe Crime Analysis Center in Rochester, NY use a web mapping application powered by ArcGIS to visualize recent crime patterns and analyze offender and intelligence data to identify potential investigative leads. GIS Powers Operational Capabilities GIS supplies capabilities that support all facets of the increasingly diverse law enforcement mission. These capabilities meet operational needs from the command center to tactical planning to field operations. Operational Awareness Under ever increasing budgetary cuts, with fewer personnel and limited equipment and assets, understanding operational readiness, capability, and daily activities is challenging. More and more, agencies are struggling to get the most out of finite resources. 74

75 GIS provides a gateway to understanding all phases of operations. It supplies a comprehensive, informed, and relevant view into the activities of the entire organization. It can be used to gather data from varying sources including community base maps, critical infrastructure, calls for service, crime reports, and other types of activity into one cohesive and easy to understand format. Staff can then easily retrieves, process, and share information from each of these separate sources and make timely, informed decisions. It also improves organizational performance measures by monitoring outcomes. GIS provides the flexibility to give multiple data views based upon responsibilities such as command view, supervisor view, officer view, analyst view, etc. These user defined viewers can include customized dashboards that supply each user exactly what they need to make informed decisions quickly and easily. GIS-based citizen engagement portals allow agencies to empower the public to voluntarily share information about any location. They can also take certain operational datasets and release them to the public. Ultimately, police departments improve visibility and transparency across the organization. Information Integration & Management As law enforcement moves to more intelligence-led and knowledge-based work-flows, the difficulty becomes how to make sense from the vast amounts of data that agencies collect. Calls for service, field interview cards, situational awareness reports, investigative reports, coupled with open source data, result in a constant flow of raw data. Making sense of these data assets is difficult. GIS gives analysts and others charged with maintaining this data the tools they need to capture, collect, integrate, analyze, and disseminate information in a fast, efficient manner. Data storage and management is enhanced using GIS technology and servers in conjunction with web applications and cloud capabilities. This helps analysts manage data, avoid data overload, and effectively capture and distribute information such as citizen alerts or special crime bulletins. Law enforcement can create value from massive data stores and intelligence is delivered in a timely, logical, intuitive, and contextual manner. 75

76 Planning & Analysis Effective police work involves intimate knowledge of criminal behavior and illegal activities. It also involves looking at previous crime patterns to predict future trends and continuously re-evaluating tactics and strategies. But understanding exactly these issues in a holistic manner is difficult. Comprehensive analysis tools available in GIS give frontline supervisors the opportunity to proactively fight crime and perform community policing. They can ask questions such as: Where are crimes occurring? What types of crimes? When are incidents occurring? Where are patrols during these peak crime occurrences? Spatial and temporal analysis help define the best field deployments. They paint an accurate picture for communicating why existing resources are needed as well as securing new funds, personnel, or equipment. The ability to view and analyze crime and event data also helps officers make arrests and holds them to the highest accountability standards. The organization decides which planning and analysis tools are available to units and officers as needed. Agencies have the ability to quickly identify and target emerging issues, optimize personnel scheduling and allocation, and increase mission readiness. Fig 3: Journey to Crime Analysis Source: ESRI 76

77 In predictive analysis for Law Enforcement, the Journey-to-crime is the most common methodology for creating geographic profiles of an offender s potential residence area based on his area of offending. ArcGIS provides the foundational tools necessary to build journey-to-crime models, and allows journey to crime analytic results (from any source) to be visualized and translated into operational information products. Field Mobility Officers need the ability to access critical data in the field, as well as to provide field updates in an emergency situation or during tactical operations. While nearly every agency has mobile data terminals in vehicles, GIS extends mobile capabilities from the car to the street using tools as simple as a smart phone. Mobile GIS gives law enforcement the ability to view and share critical information about their location, suspicious persons or unlawful activity, and other information using a mobile phone, tablet, or laptop. GIS software and a digital map interface supply an intuitive method for interacting with data and applications, resulting in wider data dissemination among personnel, other agencies and the community. GIS Supports Mission Workflows The power of Esri software and services lies in its ability to impact every workflow. This means you get the most out of your investment. Esri GIS software and solutions available through the Esri partner network provide customized, user-defined functionality. Here are just a few of the important ways GIS improves law enforcement. Compstat/ Intelligence-Led Policing Compstat, intelligence-led policing, and other modern law enforcement techniques use statistics to reduce crime, improve quality of life, and better manage personnel and resources. These are typically driven by weekly strategic meetings where police commanders discuss the previous week s stats and identify developing trends. These meetings also offer command staff a forum for sharing significant intelligence or community issues with one another. What makes Compstat successful is its ability to hold command staff accountable for what happens 77

78 in their beat or command area. GIS improves this process with its ability to create crime maps and charts used during the meetings. These visual aids help communicate new findings and provide context to presentations. Information such as crime and arrest data, quality of life information, community events, and emergency situations can all be displayed using GIS. To do this, the GIS software accesses the CAD and RMS systems to mine the data which can then be used to create the maps, charts and graphs. During the meetings, a map showing hot spots or other spatial locations and a chart with crime numbers will usually be displayed side by side and discussed. GIS automates and simplifies the Compstat workflow. Geospatial models allow fast, efficient data collection and automated analysis. GIS then makes this data visually appealing and easy to understand through the digital map interface. Trends and problem areas become readily apparent. The discoveries can lead to collaboration between various units, agencies and the community as information becomes intelligence. Operations The primary function of most police agencies is patrol. Police organizations have long focused on random patrols of their assigned beats areas and responded to calls for service as assigned. GIS provides an information-based map interface to expedite and improve this process. It can tell commanders where their personnel should be deployed for optimal effectiveness, including by time of day and day of week. GIS can also be used to predict crime spikes and can spot trends as they develop. Dispatch can use GIS to quickly see the location of a call. They can then use AVL to see where officers are on a map and deploy the closest officer based on this information. Real Time Crime Centers (RTCC s), which are becoming more prevalent in law enforcement, can also use this information to analyze calls as they come in and then bring up previous calls to that location as calls for the same incident from other locations around the reported incident. This additional intelligence helps the officer better understand the situation they are entering. Mobile devices can be used by officers to receive information from RTCC s or dispatch centers and help them identify suspicious activity, access suspect information and perform on the fly crime analysis in the field. 78

79 Fig 4: Major GIS Trends in Law Enforcement Source: ESRI Crime Analysis Crime analysts collect, interpret, and present data to support the police mission. Both civilian and sworn personnel work as analysts to identify emerging crime trends and patterns to support operations. GIS aids crime analysis by Identifying and highlighting suspicious incidents and events that may require further investigation. Supporting pattern and trend analysis across multiple jurisdictions. Enhancing the implementation of various policing methodologies to reduce overall crime and disorder. Integrating traditional and nontraditional law enforcement data to improve overall analysis. Educating the public with visual information to clarify crime concerns and enlist community action. Providing tools and techniques to capture crime series and forecast future crime occurrences. GIS has many tools that enable crime analysts to carry out their job functions. They can better support data collection and aggregation from multiple agencies. Information from disparate sources can be joined to analyze cause-effect relationships. Crime analysts are able to create reports for tactical, strategic 79

80 and administrative uses. These support all levels of law enforcement, from executive staff to operations, investigations, and other units as needed. Whether the problem is tactical, strategic, or administrative, any data containing location information can be displayed and analyzed using geographic information system (GIS) technology. GIS is an essential part of a crime analyst s toolkit your means of creating valuable information for your officers in the field. By incorporating traditional law enforcement data with data such as demographics, infrastructure, and offender tracking, you can use GIS to transform information into actionable intelligence. They can also use or make available tools to interpret data and make discoveries. Spatial analysis can identify and link seemingly unrelated crime patterns and trends. In addition to spatial analysis, GIS allows you to perform temporal analysis. Data can be used to link what crimes are occurring at specific times of day, week, month, or even by season. Fig 5: GIS Users serve the needs of a wide array of users in a Law Enforcement agency Source: ESRI In addition, analysts can capture processes and workflows to identify best practices and necessary improvements. GIS ensures that analysts are spending their time doing analysis and high priority work, not tasks that GIS can automate. Law enforcement often suffers from limited resources. GIS can help you efficiently and effectively match demands for service with service delivery. By knowing where your problems are, it also provides a visual means to proactively combat crime and communicate with citizens to build support. 80

81 GIS can help you to: Understand events and dynamics in a neighborhood including persons, events, and crime hazards. Identify risk factors including businesses, buildings, or other locations that draw crime. Rapidly reconfigure beats and reallocate resources after analyzing crime trends over time. Develop plans for special crime abatement teams to address regional or seasonal hot spot locations. Capture repeat call-for-service locations to apply additional help and resources. Officers working the street, or investigators working a case, already know generally where the crime is. In addition to this knowledge, mapping over a period of months can help officers and investigators precisely view and understand underlying crime movements and patterns. For example, can certain types of crime be correlated to the time of day or day of week? Is an open, unmonitored parking structure a draw for criminals? As a crime analyst, you can support your officers in developing more effective tactical approaches and deployment strategies, ultimately preventing crime by identifying trends. Using GIS, you can model your workflow and capture your best practices. This allows you to determine what works and share it with others. You can build on your existing knowledge and experience collaborating with officers, investigators, and other analysts. 81

82 The Geographic Advantage for Crime Analysis Geography is a natural way to organize information in law enforcement. You can use the geographic advantage in administrative crime mapping to provide an easy-to-understand view into your agency s activities. GIS mapping and analysis can help you demonstrate the results of a comprehensive enforcement strategy to government officials, provide a common operating picture to commanders during strategic Compstat meetings, and communicate with the public through an interactive Web site. GIS aids in all aspects of the business of law enforcement. Tactical Crime Mapping Every day you face something different - different demands and different crime. Calls for service can quickly translate into calls from the community to take action. Officers and investigators look to you to provide them with information and analysis. GIS supports your needs in tactical crime mapping by providing a platform for: Analyzing crime data to identify crime patterns and series. Linking modus operandi and suspect information to specific crime locations. Providing investigative leads by aggregating data from multiple sources. Forecasting potential crime locations through spatial tools and techniques. Supporting operations plans and clarifying ideal deployment locations. Clearing cases by linking suspects to specific crimes after arrest. Continuous active monitoring of high-risk and convicted sex offenders. 82

83 Identifying Patterns and Series - Using GIS, you can create a map that can identify where the crimes are occurring and clarify what crimes are or are not related based on your research. This can allow investigators to target their efforts and line officers to patrol and respond to locations while being more fully aware. Fig 6: Patrol Officers Source: ESRI Surveillance and Operations Plans - Criminals often victimize a community multiple times. GIS can help you gain an accurate view of a community to determine an offender s travel pattern and the ideal locations for surveillance. Clearing Cases - You can analyze data to examine an alibi or clarify whether a suspect was in direct proximity to a crime. GIS links data from various datasets on offenders and crime and allows a sophisticated platform for analysis. Community Policing/Information Sharing Police agencies partner with the community and neighboring agencies to reduce crime and foster goodwill. Information is shared through public information officers (PIO s), community meetings, and documents that are shared with other agencies. Volunteers, neighborhood watch groups, and citizen advisory boards are supported and asked to participate in decision making. 83

84 GIS can integrate community information from various sources such as demographic, housing, business and others. Maps can be produced that help the community understand the issues facing it, including how resources are coordinated. Online mapping and public facing Web sites can be produced to inform the community how crime and other quality of life issues may affect them. GIS integrates with social media to alert affected areas or residents of public safety risks. This type of public/private collaboration and communication promoted through easily comprehensible information maps fosters community partnerships. Citizens can look at what areas need greater grassroots action such as neighborhood watch, knock-and-lock, and other, similar campaigns. They can use volunteered geographic information to quickly take a photo of an incident such as graffiti or vandalism, upload the photo, and then provide staff with a better understanding of crime and its location using proactive, community-based policing. This fast and easy means of information sharing builds safer, stronger communities. Corrections, Probation & Parole The law enforcement mission doesn t end with an arrest. This is just one piece of the criminal justice system. Law enforcement agencies are responsible for all aspects of offender management, from arrest and sentencing to incarceration and parole. Local sheriff departments and jails are responsible for pre-trial detention and management of probationers. State and federal agencies manage offenders sentenced to prison and parole. GIS helps these various agencies effectively manage and maintain the corrections, probation, and parole process. For instance, in correctional facilities, personnel can quickly identify areas prone to inmate violence. Computer maps combined with live data feeds enhance inmate monitoring. Data can be linked to specific facility sites to capture and build intelligence about inmate criminal activity. In addition, inmate interactions with the outside world can be mapped and analyzed, including gang activity and risks. Sex offenders, parolees, and probationers can be fitted with GPS units and then be monitored with GIS. By using GIS to visualize inmate social networks 84

85 and associations, officers can make intuitive connections that may have otherwise been missed. These types of comprehensive, data-rich mapping applications give officers and analysts valuable intelligence to make life-saving decisions. It increases officer safety and eases the workloads of probation and parole officers through smarter management. Probation and parole officers can look at digital maps showing where high-risk offenders are located, where the schools, parks, and other community locations are, and if there are any other known associates or offenders in the area. Agencies can give the public Web map information about where offenders live based on existing laws. Fig 7: IBM Analyst Notebook- Esri Edition Source: ESRI Officers use Esri business partner IBM s analyst s notebook to uncover relationships between persons, vehicles, phone numbers and places, and using Analyst s Notebook Esri Edition have the ability to incorporate spatial analysis to visualize and analyze the geographic component of those relationships. 85

86 GIS provides an information-based method supporting all roles and aspects of law enforcement. Line Officer or Investigator - Officers can access current crime analysis and suspect information while in the field or during an investigation. The ability to spatially query, analyze, and visualize information provides fast and intuitive means to work smarter. Command Staff - Command staff can use GIS to understand trends, make critical decisions when crime spikes, and collaborate with other law enforcement agencies to put the right people in the right place at the right time. Fig 8: Mapping for Command Staff Source: ESRI Crime Analyst - A crime analyst can use sophisticated tools and techniques to provide command staff with knowledge and intuition to support better operational decisions and to address short-term tactical and long-term strategic issues. 86

87 Conclusion Esri ArcGIS software is a complete system for law enforcement. It s affordable, scalable, fits into existing IT, or operates as a stand-alone solution. It transforms data into actionable intelligence for every department and workflow. ArcGIS helps with all modern policing techniques, including Compstat, intelligence-led policing, and others. This enables any agency employing these proven methodologies to meet mission demands through better decisions at every level. Because Esri software benefits every department within your organization, you can better connect your organization and foster greater collaboration. And because of Esri s extensive partner and user communities at local, state, and federal levels, you can leverage Esri as a complete system to work more effectively with homeland security, public safety, and other organizations, as well as the public. Esri global partners provide value-added solutions that meet your specific needs. Esri s network of law enforcement users provide knowledge-exchange and share best practices; and Esri s community of government users at local, state, and federal agencies provide an extensive outreach for resources and support. This combination of staff, software, services, partners, and user support gives you what you need to quickly get up and running with your GIS platform. It also means you ll have a long-term partner in Esri that will work to help you succeed. Fig 9: Other GIS Applications Across the Criminal Justice System Source: ESRI 87

88 Maps of the Future Bert Oltmans Ředitel Oracle sekce Nato, obrana, spravedlnost, Cyber kriminalita a veřejná bezpečnost Introduction The topic of crime prediction in order to prevent crimes has been published widely and was first discussed at the annual IACP conference in August 2009 where the four principles of CompStat (Complaint Statistics) were stipulated: Accurate and timely intelligence: Know what is happening. Effective tactics: Have a plan. Rapid deployment: Do it quickly. Relentless follow-up and assessment: If it works, do more. If not, do something else. Several implementations have been done and the results were documented well. Oracle has been involved in many of these projects by using their Business Intelligence (BI) and Geospatial database capabilities. The use of historical data and statistics to reduce or prevent crime has many followers and also opponents. However one thing is clear and that the common sense of the law enforcement officer is always needed to make proper judgment of the outcome of the computations. Two cases are presented that have different objectives but they share one common element and that is the use of geospatial mapping technologies. 88

89 CASE 1 The first case is a project that was done by a company in Italy called ICONSULTING. They are an Italian company with long history in using Oracle Business Analytics for commercial use. Aiming at enhancing the enforcement actions taken to combat crime in the entire Italian territory, the Department of Public Security of the Italian Ministry of the Interior adopted an advanced business intelligence system based on Oracle Business Intelligence to produce detailed analysis of criminal events evaluating all the aspects of each crime (victim, author, geography, time, type, etc). The solution has been developed within the SIGR project (Integrated System for the Geo-referencing of Crimes) with the support of ICONSULTING. At the beginning of 2012, the Department of Public Safety chose to adopt a single centralized tool to produce logical and structured analysis to support investigations, to obtain useful information and to combat crime over the whole of Italy. To achieve all of this, the Department of Public Safety decided to develop a solution beyond the traditional features of Business Intelligence, mainly used for business reporting and statistics. To carry out the ambitious project, concluded in June 2012, the Italian Ministry of the Interior leveraged the consulting support of ICONSULTING and Oracle s Business and Location Intelligence technologies, integrated with a library developed by ICONSULTING through its Location Intelligence team. The result was a platform that adds to the traditional - even advanced - analysis of crimes, based on graphs and tables, also geolocation analysis used to locate crimes on a map. The principle difference between a typical bridge type solution where two separate solutions such as a Business Intelligence Data Ware House (DWH) and GIS system are bridged versus a Geospatial DWH is that mixed queries are now possible, the ability to process high data volumes with good performance and better Integrated User Visualization. In the project crime data was used from the last three months as well as Point-Of-Interest (POI) data. 89

90 The objective was to have the system suggesting hidden correlations between data (e.g. when a crime occurs, it is very likely to find two specific POIs in the vicinity). Fig 1: Spatial and Data Mining Source: Oracle Corporation The initial results however did not deliver what the police was looking for. Firstly the results were very dependent on the algorithm configurations, secondly predominant point categories (e.g. car parking) make all rules trivial and it was hard to correctly tune the input dataset in order to obtain interesting results. Another approach was then applied where decision trees were used and this proved to be a better approach as the modeling was more suited for the analysis and adaptation of the applied model was easier to optimize by iteration. Fig 2: Decision Trees Source: Oracle Corporation 90

91 Dividing the map into small parcels of 1 square kilometer and observing the data resulted in a heat map where the possibility of crime became more visible and allowed for optimizing the planning of police force resources like location of police stations and effective routes for patrols. Fig 3: Decision Trees Source: Oracle Corporation The results were positive as the approach based on Decision Trees lead to concrete and interesting results pointing police attention to those areas with the highest crime risk. Also it was apparent that crime forecasting should not only be based on crime history, but also on current Point-of-Interest location and that crime prevention actions can be taken while police forces can make a better use of resources. It was concluded that the technology is now ready for effective Predictive Location Intelligence applications and that the integration of a Geo-Data Warehouse and Location Intelligence solution provides for a common front-end and a combination of Predictive Location Intelligence and What-if analysis. Fig 4: Decision Trees Source: Oracle Corporation 91

92 CASE 2 The second case presented was about preventing crimes using real-time data processing by observing suspect behavior. As an introduction a brief mention was made about the phenomenon The Internet-of-Things or IOT as it is mentioned nowadays. In our society we see a proliferation of active devices that are able to provide useful information. They can be surveillance cameras, smart phones, GPS devices built into cars. Each of these devices acts as a sensor and applications can process their data to create predefined actions. Examples are sensors that in the end can control traffic congestion in a city to lower the ecological impact of harmful emissions or sensors in a house that make living more comfortable. In the future police forces will have to deal with the enormous amount of data that is available and this can only be done by automation. The case is about a homeland security operation where the presence of sea pirates in an African Country presented a high risk for the LNG (Liquid Natural Gas) tankers that were offshore the coast. The Proof of Concept (PoC) was done to demonstrate: Tracking multiple suspects in real-time. Using multiple sensors. Automate alerts and mission tasks. Prevention of crime (Hijacking of ship). Using geospatial mapping. The objective is to catch pirates while they are moving on the country side and to prevent them to board a vessel that allows them to hijack a LNG tanker. The relevance to police is obvious since they also have to monitor a suspects location. This becomes more difficult when the number of suspects increase and multiple sources are reporting their locations. The specific scenario portrays a situation with pirates off the coast of Africa, where we have a sea vessel and suspected pirates off the coast of Monrovia that we are tracking. We have known safe house locations that we identify on our geospatial 92

93 maps with spatial data types in the Oracle Database. The JSTARS application and infrastructure is monitoring all traffic in that area, the AWACS is providing air command and control, Army units are monitoring the safe houses, and our goal is to initiate action when the pirates congregate in one particular place. The technology used is part of the Oracle Event Driven Architecture (EDA). This architecture comprises several technologies that allow for observation of events and automating the required response in real time. The core of the solution is based on Oracle Event Processing (OEP) or Complex Event Processing as it was called previously. It is a complete Fast Data solution platform for building applications to filter, correlate and process events in real-time so that downstream applications, service oriented architectures and event-driven architectures are driven by true, real-time intelligence. The geospatial mapping capability is used to define zones (Safe House). Massive polygon-in-point calculations are done to determine if one or more suspects enter these zones. When a parameter driven number of suspects do this in a way that coincides with a predetermined pattern within 30 seconds then an automated alert is generated resulting in a Mission Task Request (MTR). Fig 5: Best Practices Source: Oracle Corporation 93

94 Fig 6: Scenario Source: Oracle Corporation The conclusions of the PoC were very positive since it was proven that a large number of suspects can be monitored automatically. Pre-defined events can trigger a reaction based on operational rules. Also it was shown that the use of Event Driven Applications can add operational value to existing mapping information. Finally the Internet of Things (IoT) requires police operations to further extend their current and future mapping information with event driven technology/architectures. 94

95 CriPA - Criminal Predictive Analysis Philip Glasner GIS Specialist - University of Salzburg, Project Assistant - Criminal Predictive Analysis Reliable predictions and risk analysis of short- and long-term trends of crime are valuable tools for strategic crime prevention for the Austrian law enforcement management. Crime Predictive Analytics is concerned with the predictive analysis of crime and includes quantitative methods to identify patterns and dependencies in databases. Thus, future events may be predicted and potential strategic decisions may be evaluated. In the present project, appropriate methods and software components are to be developed and integrated in a reference system, for two important questions. This research project is a collaboration of a multi-disciplinary consortium of several law enforcement agencies (federal, state, and local), a research and technology institute (Joanneum Research, the private sector (SynerGIS, the Department of Geoinformatics Z_GIS at the University of Salzburg ( and the Institute for the Sociology of Law and Criminology ( It is funded by the Austrian Research Promotion Agency ( as part of its Austrian Security Research Program KIRAS. The first involves long-term, large-scale predictions to estimate future trends of crime for the decision support of strategic measures to crime prevention. As social changes in demographics and the employment structure considerably influence crime, effects of these changes on crime are analyzed. These results and further factors of influence are used for prediction of medium- and long-term trends of crime. For short-time, small-scale predictions and risk models, prevention is most important. Small-scale predictions of the occurrence of crime and an appropriate integration into a geographic information system (GIS) support the resource planning and strategic crime prevention of the law enforcement management. 95

96 Spatial models for risk analysis are developed, implemented and validated. In doing so the early identification of spatial and temporal patterns as well as the consideration of relevant factors of influence on crime and the integration of these methods into a GIS is very important. Evaluations and experiences of police experts are systematically recorded, prepared and integrated into the models to improve the precision of the predictions. All models are implemented in a real-time capable, web-based, GIS-based reference system. The validation of the system is based on real data. The integration of the developed Predictive Analytics methods into the dashboard of the Austrian law enforcement management is intended. Predictive Statistical Modeling One major objective of CriPA is to develop statistical models for predicting medium- and long-term trends of crime for deriving appropriate strategic crime prevention measures. On the other hand operational preventive measures, as resource planning and police patrols, require short-time, small-scale predictions and risk models. To comply with these two aspects statistical time series analyses and spatial models as well as space-time models are developed, implemented and validated within CriPA. In doing so the early identification of spatial and temporal patterns as well as the consideration of relevant factors of influence on crime and the integration of these methods into a GIS is very important. 96

97 Some examples of the analyses, models and research results of CriPA achieved so far are illustrated in the following. Fig. 1: Density Map Source: Results of project CriPA. Fig. 2: Overlay of Contours Source: Results of project CriPA. Spatio-temporal modeling approach for small scale-crime prediction The first example is a spatio-temporal model for small scale-crime prediction. This approach uses spatio-temporal generalized additive models (ST-GAMs) to discover underlying factors related to crimes and predict location and time of future criminal activity. Based on a regular grid of size 250 x 250 meters, we model the probability of a burglary happening at a certain location and time given some relevant features such as geographic features (e.g. distances to geographic landmarks) and demographic features (population and building information). We also include spatial and temporal effects to account for spatial dependence and capture seasonal fluctuations. 97

98 The model is applied to burglaries that happened in Vienna between 2009 and The approach predicts probabilities of a potential future burglary on a spatial grid that can be visualized using a heat map in a geographic information system (see Fig. 3). Fig. 3: Prediction of burglaries in Vienna for July, 2013 by ST-GAM Source: Results of project CriPA. Geoadditive model for large-scale crime prediction We develop a spatio-temporal model approach for large-scale prediction of criminal activity in order to identify and act on future trends of crime. This approach is based on a geoadditive model where the number of burglaries at district level per week is modeled as a function of temporal components, spatial components as well as district-specific characteristics (e.g. population structure in a district, infrastructure and building information, average income). To account for temporal effects, we use an overall trend component, a seasonal component to capture seasonal fluctuations (e.g. burglaries at dusk) as well as calendar effects (e.g. turn of the year, Easter etc.). As we assume that neighboring districts are more alike than two arbitrary sites (spatial dependence), we additionally include a spatial effect. 98

99 Figure 4 shows the estimated function of burglaries (blue line) and a prediction of burglaries in terms of four months for a certain district in Vienna. Fig. 4: Prediction of burglaries for a district in Vienna with 95% prediction interval (green: true burglaries) Source: Results of project CriPA. Long-term predictive model for crime monitoring The last example deals with the development of a long-term predictive model for crime monitoring in Vienna. Using the method of functional time series analysis (FTSA), we forecast the weekly burglary counts for each district in Vienna for the year 2013 based on the burglary counts of past years and/or similar districts. In addition, the 95% prediction interval is calculated. To implement a monitoring system for detecting unusual crime behavior and trends, we have to define several decision rules: If an original point in a certain district falls outside the prediction interval, it is an eye-catching point. If it is at least the third consecutive week outside the interval boundaries, it s an outlier (see Fig. 5). 99

100 Fig. 5: Original counts and forecast of burglaries for 2013 in district 6 in Vienna Source: Results of project CriPA. Forecasting Crime Using Exploratory, Retrospective and Prospective Methods This research primarily applies geospatial methods and technologies to analyze the probability of future crime occurrences. This study is also the first to investigate whether predictive concepts and methods developed in the US and the UK over the past decade can be successfully applied to Austria and, by extension, to other countries of mainland Europe that share a similar history, culture, economy, etc. This may also be the most comprehensive research to date on this topic. The results of this research are both immediately shared with the police, where they are implemented when deemed relevant and practicable, and also serve as the main input into the building of a prototype software tool for law enforcement agencies to predicting crime. The study areas include the three largest cities in Austria and two medium-sized cities. The crime data are collected from the Security Monitor (SIMO) administered by the Austrian Federal Police that stores all reported crimes in Austria since The main attributes for each reported crime include the exact location of the crime occurrence (the x- and y-coordinates of the address, if known by the victim), the time of the occurrence (to the minute, if known by the victim), 100

101 and the crime type. Non-crime data sources are numerous and constitute, for example, data from the federal government, such as Statistics Austria and Geographic Information System (GIS) databases from individual states that include the selected cities. In addition, the results from a recent and already completed KIRAS project led by Joanneum Research that identified the most significant criminogenic factors of crime in Austria have also been incorporated. The analysis thus far has been both exploratory and confirmatory applied to both retrospective and prospective analysis. The exploratory analysis has, for instance, found no statistically significant relationship between apartment burglaries and full moon days and a significant peak in apartment and home burglaries in specific neighborhoods in Graz during the fourth week of January from This information led the police to concentrate resources in these neighborhoods during the fourth week in January 2014, resulting in an above average clearance rate of these crimes. The retrospective analysis has focused on the application and evaluation of spatial (Getis-Ord Gi*, local Moran s I, kernel density estimation, spatial and temporal analysis of crime, and nearest neighbor hierarchical clustering-nnhc statistics) and spatial-temporal hot spot methods (near repeat calculator-nrc, space-time Gi*, and SatScan statistics). Of the purely spatial hot spot methods, the NNHC statistic has shown the most promising results thus far. However, no conclusive evidence has been found in the evaluation of the three spatial-temporal statistics selected. Already completed research has confirmed both the near-repeat phenomenon for robberies and burglaries in Vienna and the correct spatial-temporal prediction of between 25-50% of future robberies, auto-thefts, and burglaries with the risk terrain modeling approach (a prospective analysis method) for the city of Salzburg, Austria. 101

102 Fig. 6: Risk Terrain Modelling Source: Results of project CriPA. Including unstructured knowledge CriPA attempts to improve the prediction of future crime by integrating and taking into account the implicit knowledge of the police officers on side. This is done by including the free text fields which were filled in by the policemen during the recording of the crime. Together with the domain specific knowledge these free text fields are analyzed by text mining algorithms to extract additional features regarding emerging trends, stolen goods and modus operandi. An attempt to perform a clustering based on this data together with time and location based information to identify possible series of burglaries will also be investigated. 102

103 Fig. 7: Inclusion of unstructured knowledge Source: Results of project CriPA. Interviews with project external experts The overall function of IRKS within the CriPA-consortium was it to ensure the provision of societal aspects at the different stages of the project, since it is an obligatory part of the KIRAS programme to integrate humanities, social sciences and cultural studies into all of the funded collaborative projects. A central point is in this connection the consideration of acceptance and acceptability by stakeholders and even more so end-users of (IT-) security solutions that are developed within the projects. The main assignment of IRKS focusses hereby on work package about qualitative analysis and societal aspects, namely the circumstances of crime development in connection with societal transformation with a special focus on the inclusion of project-external experts. 103

104 IRKS conducted elaborate interviews with selected Austrian law enforcement officials. The interviews were held as qualitative face-to-face consultations on the basis of a code of practise. Topics included but were not limited to: a) the specific expertise regarding crime trends and the connection to societal aspects; b) statistical models and IT-tools; c) questions of acceptance regarding these (prognostic) tools; d) a review of end-user opinions about the pros and cons of such prognostic tools; e) and detailed recommendations. The results were summarized and presented in a work report on experts assessments regarding long-term crime development and practitioner s expectations relating to prognostic tools. The report is also going to be integrated into the final project report. Development of a demonstrator to forecast future crime SynerGIS Informationssysteme GmbH is the Austrian distributor of Esri products and additionally offers a variety of software products based on Esri technology. These self-developed products involve GeoOffice as a Desktop GIS, WebOffice as a Web GIS, and ProOffice as a tool for maintenance management. In the project CriPA, SynerGIS is responsible for the development of a demonstrator to be tested and evaluated by a test group within the Austrian police. This demonstrator should serve Austrian law enforcement agencies to identify places with a greater risk of repeat victimization. Based on this information, police resources can be effectively deployed to combat future crime events. 104

105 The tools that are used to develop the demonstrator are based on cutting-edge technology from Esri. While a Desktop GIS needs to be installed with all the components to a local computer, the use of a Web GIS offers additional benefits. For example, the clients do not need to install any components locally nor do they need to have an access to a local database where the data is being stored. A Web GIS uses any common internet browser to access an application and data that is stored on a remote server. As the basis of the web application, SynerGIS focuses on so-called WebApps that are easily accessible in all common browsers, and in addition, in all common smartphone and tablet devices. The CriPA demonstrator will therefore be set up using Esri s WebApp Builder to create a framework to visualize historic burglary events, hot spots maps from techniques provided by Z_GIS and Joanneum Research, and especially the forecasts for future burglary events. This basic WebApp will be customized to provide all the necessary functions and tools for data queries and the prediction of crime. The customized functions will include spatial statistical tools and data mining tools in R (is a software environment for statistical computing and graphics). When a new burglary event is occurring, the database is being updated with this additional event. Based on this update, the server will process the data for new future crime locations. This is another benefit of server-based processing and Web GIS, as the analysis do not need to be run on each client manually. After internal tests using retrospective burglary events, SynerGIS will share the demonstrator with the test group of the Austrian police to monitor the forecasts in real-time. In this phase, SynerGIS assists for further adjustments on the routines and application itself to satisfy the needs and to include common practices of the police. 105

106 Policie ČR a její aktivity v oblasti mapování kriminality kpt. Bc. Vojtěch Samek GIS specialista PČR Plzeňského kraje pplk. Ing. Vojtěch Bravenec GIS specialista Policejního prezidia ČR Příspěvek Policie ČR a její aktivity v oblasti mapování kriminality popisoval především veřejnosti doposud nezveřejněné ukázky z práce policejního týmu, který zodpovídá za problematiku policejních map. Autoři se v příspěvku zaměřili na poskytnutí komplexního náhledu na činnosti Policie ČR v oblasti zpracování prostorových dat a geografické podpory přímého výkonu služby. Příspěvek posluchače seznámil se stavem aktuálně budovaného geografického informačního systému Policie ČR, který má díky specifické práci Policie ČR v rámci ČR své nezastupitelné místo. Autoři tak ve svém příspěvku umožnili nahlédnout do (ne)dávno minulé, ale i současné práce kolem policejních map, které velmi pravděpodobně poskytnou nenahraditelný zdroj informací a základ pro aktivity kolem map kriminality v budoucnosti. Policie ČR díky širokému spektru činností, které jí ukládá současná legislativa, představuje pro aplikovanou geoinformatiku velmi vhodné prostředí, kde je potřeba řešit geografickou podporu z mnoha hledisek. Policejní mapy jistě nenahradí místní znalost, mohou však zásadně ulehčovat práci velkému okruhu uživatelů v rámci Policie ČR a jejích útvarů. Důležitou roli v oblasti mapování kriminality hraje především přesný zákres vedení hranic územního členění Policie ČR, neboť tato data neslouží pouze pro potřeby vytváření přehledových map. Např. pro každou adresu z lokální kopie RUIAN, kterou spravuje Policie ČR ve své autonomní síti, je pro každé místo v rámci území ČR díky Geografickému systému PČR (Policie České republiky) dopočten tzv. atribut působnosti, který je využíván v rámci operační řízení PČR, či evidence trestných činů a přestupků. Ve stručnosti lze tedy říci, že pro každou 106

107 lokalitu v rámci ČR má Policie ČR přesně stanoveno, kdo je za ni v rámci územního členění Policie ČR zodpovědný. Díky přechodu na digitální technologie a velmi dynamickému rozvoji IS, Policie ČR v minulosti svou obvyklou potřebu vytváření policejních map upozadila. Přestože, drtivá většina informací má přímou a často velmi přesnou návaznost na polohu a čas, informační systémy Policie ČR zaznamenávaly tato data ne zcela přesným způsobem. Patrně proto bylo v roce 2007 rozhodnuto o realizaci Geografického systému Policie ČR. Když se podíváme na prostorová data tak, jak je zaznamenávala PČR zhruba před pěti lety, položky evidence lokalit nebyly při evidenci trestné činnosti povinné. Lokalizační údaje byly vyplňovány často volnou formou, docházelo tak často k zápisu špatných názvů, nesrozumitelných zkratek či špatně lokalizovatelných údajů (např. Benzínka ARAL D1 ). Automaticky lokalizovatelné lokality představovaly v takto vedených záznamech spíše minoritu. I s těmito daty se však pracovníci GIS naučili pracovat a jejich obsah podrobně vyhodnocovat, což i tehdy přinášelo poměrně úzkému okruhu uživatelů přidanou hodnotu. Kvalitu prostorových dat pořizovaných při evidenci trestné činnosti se však podařilo před 2 lety zásadně zlepšit. Pracovníci Policie ČR mají dnes k dispozici pro potřebu evidence lokalit ty nejaktuálnější informace a technicky vyspělé geoinformační nástroje. Tyto nástroje jim tak při přesné lokalizaci deliktů zásadně ulehčují práci a nijak je z hlediska administrativy nezatěžují, což bylo nutnou podmínkou při implementaci celého řešení. Díky práci vývojářů systému ETŘ a pracovníků GIS se tak razantně zvýšila kvalita těchto informací. Policie ČR v současnosti pracuje na systematickém vytěžování těchto informací v přímém výkonu služby, což bylo v rámci příspěvku podrobně prezentováno formou živých ukázek. 107

108 Obr. 1 Evidovaná trestná činnost v letech na území Českých Budějovic Zdroj: Policie ČR Pracovníci GIS dále prezentovali využití geoinformačních technologií nasazených v přímém výkonu služby v rámci Krajského ředitelství policie Plzeňského kraje. Jednalo se zejména o využití GIS pro mapovou podporu policistů v přímém výkonu služby. Díky znalosti potřeb policistů je možné vytvářet mapové podklady na míru a díky místní znalosti v kraji je možné mapy udržovat aktuální. GIS je také zapojen do mimořádných situací, kde je prováděna podpora při bezpečnostních opatřeních na úseku ochrany veřejného pořádku a při pátracích akcích. Kromě běžné kartografické produkce se pracovník GIS v rámci Krajského ředitelství policie Plzeňského kraje věnuje, také pokročilým analýzám zejména pro dopravní policii, pro kterou zpracovává lokalizované lokality dopravních nehod a přestupků v dopravě. 108

109 Obr. 2 Ukázka mapy nehod a dopravních přestupků Zdroj: Policie ČR Výstupy slouží nejenom pro vnitřní potřebu Policie ČR, ale také pro potřeby místní samosprávy. Z pohledu samosprávy je ale nejvýznamnějším výstupem policejního GISu na krajské úrovni zcela určitě pravděpodobnostní model nálezu nevybuchlé letecké munice z druhé světové války zpracovaný v roce Na krajském pracovišti je prováděna také analýza dat o trestných činech, která je ale ztěžována řadou příčin, které jsou dány buď samotnými podmínkami při páchání trestné činnosti, nebo teritoriálními omezeními informačních systémů Policie ČR. Nedílnou součástí těchto aktivit je také vytváření Základní Policejní Mapy (dále jen ZPM ), což prezentoval její autor kpt. Samek. Takzvaná ZPM byla vyvíjena během roku 2014 a v současnosti již je plně implementována. Cílem je jednotný mapový podklad pro Policii ČR použitelný v celém spektru vykonávaných činností. 109

110 Obr. 3 Ukázka Základní Policejní Mapy Zdroj: Policie ČR Zásadními prvky jsou možnosti aktivní kontroly obsahu a aktualizací, čili nezávislost na jakémkoliv externím subjektu. Spuštění systému sběru lokalit trestné činnosti bylo nezbytně podmíněno vývojem ZPM. Vývoj ZPM je zásadní také pro nově rekonstruovaná integrovaná operační střediska Policie ČR, která se tímto odpoutala od komerčních mapových sad. Největším problémem současného stavu je potom nedostupnost kvalitních dat o sousedních státech, která vede k použití volně dostupných avšak neverifikovaných dat. Mapy kriminality a výskyt sociopatogenních jsou velmi populárním tématem nejen pro novináře, tato oblast je samozřejmě zajímavá i pro široké spektrum subjektů soukromého sektoru. Rovněž jsme si vědomi toho, že mapy kriminality představují velký potenciál pro užší spolupráci s veřejností. Policie ČR však nemůže v souladu se stávající legislativou vydávat všechna anonymizovaná data o lokalitách trestných činů a přestupků. Policejní GIS pracoviště nejsou gestorem za zpracování požadavků na základě zákona 106/1999 Sb. o svobodném přístupu k informacím. 110

111 Z technického hlediska můžeme pouze konstatovat, že je v současnosti nemožné vydávat kompletní export lokalit trestných činů. V souladu se stávající legislativou by bylo nutné posuzovat každý případ od případu, zda je možné tyto informace poskytnout. Vezmeme-li v úvahu, že policejní databáze se ročně rozšíří o několik miliónů deliktů, potřebný objem nutné ruční práce dostává zcela konkrétní rysy. Dalším nezanedbatelným aspektem je fakt, že doposud nejsou v rámci rezortu MV nastaveny pravidla, v jaké formě tyto informace poskytovat. Většina z těchto dat jsou pro Policii ČR taktická data, některá jsou dokonce citlivá. Podle stávající legislativy není možné vydávat informace z případů, kde probíhá vyšetřování, což je jistě na místě. Aktuálně tedy Policie ČR nemůže předávat veřejnosti celistvý a detailní obraz o výskytu trestné činnosti na území ČR. Oprávněnou potřebu veřejnosti však zástupci Policie ČR chápou a snaží se ji aktivně řešit. Díky tomu tak byla na popud Policie ČR v letošním roce vládou schválená Geoinfostrategie (usnesením vlády ČR ze dne č. 815) doplněna o strategické úkoly ministerstva vnitra a Policie ČR v oblasti Geoinformatiky. 111

112 e-analýza bezpečnosti v Uherském Hradišti Mgr. Martin Hudec Specialista GIS MÚ Uherské Hradiště Bc. Vlastimil Pauřík Velitel městské policie Uherské Hradiště Cíle projektu Zobrazení přestupků a trestných činů nad mapovým podkladem. Podpora při rozhodování Městské policie Uherské Hradišti (dále MP). Propojení informačních systémů městského úřadu. Prezentace práce MP směrem k veřejnosti. Vznik a historie projektu Základní myšlenka vznikla v roce 2010 a spočívala v propojení stávající mapy pro městskou policii se stávající evidencí přestupků. Hlavním impulsem byla možnost získat finanční prostředky z programu Prevence kriminality vyhlášeným Ministerstvem vnitra České Republiky. To se v roce 2011 povedlo a začala realizace nového mapového výstupu. Po konzultacích bylo rozhodnuto, že strážníci městské policie budou k přestupkům značit přesnou polohu vybraných přestupků. Takto lokalizovaná data se od počátku roku 2012 pravidelně načítají do mapového serveru města v textovém souboru. Každou noc je spuštěn script, kterým se aktualizuje celý soubor hodnot k načítání. Kromě vybraných přestupků, které řeší MP v něm lze najít i data od krajského ředitelství policie Zlínského kraje. Ty se vkládají zvlášť v excelových tabulkách. Pro zobrazení dat v mapě byl využit tenký, tzv. AJAX klient (Asynchronous Javascript And XML) - Tento mapový projekt bude v budoucnu i nadále funkční a bude zobrazovat data přestupků za poslední rok. V tomto prostředí má uživatel možnost vidět detailní klasifikaci přestupků a trestných činů. 112

113 Obr. 1 Ukázka mapového projektu e-analýza bezpečnosti Zdroj: Městská policie Uherské Hradiště Obr. 2 Zobrazované přestupky a trestné činy Zdroj: Městská policie Uherské Hradiště 113

114 Město bylo rozděleno do menších ploch, ve kterých se dá sledovat statistika přestupkové i trestné činnosti, a to jen prostým kliknutím do daného polygonu. Viz obrázek 3 níže: Obr. 3 Ukázka zobrazení přestupků dle věku pachatele a výpis statistických informací Zdroj: Městská policie Uherské Hradiště Projekt byl oceněn v několika soutěžích, ale sami jsme už při realizaci zaznamenali, že se nepodařilo podchytit všechny budoucí potřeby. Na některé úpravy již nezbyly finanční prostředky, jiné potřeby vyplynuly s běžným používáním mapy. Nová tvář mapové aplikace V roce 2013 jsme analyzovali stávající stav projektu a zkonfrontovali s novou výzvou z Ministerstva vnitra ČR. Počet přestupků dosáhl hranice 1500 a v některých problémových lokalitách se zhoršila čitelnost mapy díky značnému výskytu různých druhů protiprávní činnosti. Byla nastavena hranice jednoho roku pro jejich zobrazování. Tím se však ztrácela starší data a uživatel je neměl možnost zobrazovat. Vyvstala také potřeba sledovat vybrané území v různých 114

115 časových intervalech. Např. vymezené plochy, kde je vyhláškou města zakázána konzumace alkoholických nápojů. Program prevence kriminality umožnil získat další finanční prostředky na rozvoj a doplnění. V průběhu realizace jsme po konzultacích s dodavatelem zjistili, že námi požadované úpravy již stávající aplikace nebyla schopna zvládnout. Po dohodě jsme rozhodili, že naše požadavky budou realizovány v novém prostředí. Upgrade celého řešení spočívá ve způsobu nahlížení na data. Podařilo se vytvořit uživatelsky přijatelné rozhraní. Současně se ale řešili i výstupy z databáze přestupků městské policie, kvůli schopnosti operativně řešit případné výdaje dat. Pro strážníky městské policie přibylo v jejich evidenčním systému důležité tlačítko, které umožňuje zobrazit již zlokalizovaný přestupek v mapě. Tím se dá lépe kontrolovat správnost lokalizace v primární evidenci. K již existujícím bodům zájmu (kamery městského kamerového a dohlížecího systému) byly doplněny nové body, které mají přímý či nepřímý vztah k pouliční kriminalitě v Uherském Hradišti. Jedná se o supermarkety, provozovny s výherními automaty a rizikové provozovny. Tyto body si může město Uherské Hradiště libovolně aktualizovat. 115

116 Obr. 4 Nová podoba e-analýzy bezpečnosti Zdroj: Městská policie Uherské Hradiště Nový koncept přichází s možností zobrazení dat podle různých parametrů. Prvním z nich je volba viditelnosti přestupků a trestných činů a dále jejich způsob vizualizace. Oproti původní verzi je počet kategorií zredukován na 9, hlavně kvůli přehlednosti levé lišty. Informace o druhu přestupku se však neztratí, po kliku na konkrétní bod se zobrazí v infookně. Na obrázku č. 4 je vidět zobrazení bodů pomocí barevných teček. Další možností je zobrazení pomocí grafů a tzv. heatmapy, která zachycuje shluky bodů v barevných odstínech. Čím teplejší barva, tím více protiprávní činnosti je evidováno v dané lokalitě. Shluková analýza představuje vhodné zobrazení pouliční kriminality, která má charakter plošného jevu. 116

117 Obr. 5 Zobrazení pouliční kriminality jako spojitého jevu Zdroj: Městská policie Uherské Hradiště Dále si uživatelé mohou zadat časovou podmínku pro zobrazení dat. Po doplnění času spáchání přestupku je nyní například možné zobrazovat protiprávní činnost v nočních hodinách. Uživatel si také může zvolit předdefinované lokality a sledovat statistiky pouze na nich. Po navolení filtrů se vygeneruje mapa s požadovaným zobrazením. Díky možnosti volby Věk pachatele se může výsledná množina bodů dále zpřesnit o informaci, zdali je pachatel nezletilý, mladistvý či dospělý. Pod oknem s mapou se přehledně zobrazuje statistika, která reflektuje zadané parametry pro výběr bodů v mapě. Je tedy na uživateli, jak si data a statistiky zobrazí. 117

118 Závěr Obr. 6 Ukázka zobrazení statistiky a možnosti práce s grafy Zdroj: Městská policie Uherské Hradiště Realizace projektu probíhá do konce roku 2014, spuštění je v plánu od počátku roku S odstupem času se dá říci, že v první fázi se vyřešilo hlavně vytvoření databáze a jednoduché zobrazení dat v mapě. V další etapě už jsme se zaměřili na práci s daty a větší komfort pro uživatele z řad městské policie i veřejnosti. S mapovým výstupem pracuje zejména velitel městské policie, který plánuje v koordinaci s Policií ČR (především s Územním odborem Uherské Hradiště) nasazení sil a prostředků do míst, kde se zhoršil nápad trestné činnosti a porušování veřejného pořádku. Propojení evidenčního systému s mapou přináší občanům města pohled na práci městské policie i Policie ČR. 118

119 CONCEPT HOT-SPOT POLICING IN THE UK Petr Torak Police Constable Cambridgeshire Constabulary Organisation structure of police service To understand the human resources available to general policing, we will firstly look into the organisational structure. Police work is governed by two supreme bodies the Association of Chief Police Officers (ACPO) that comprises of Police Officers of the rank of Chief Superintendant to Chief Constables, from all police constabularies in the UK. 19 There are 43 police constabularies, some of which are currently merging, but keeping their individual managerial structure. ACPO is governing body that aims to coordinate effective policing in the UK. The second body is the Association of Police and Crime Commissioners (APCC). 20 Police and Crime Commissioners are publicly elected and are representing the public to which the police serve. Within the police service, there are three main types of uniformed officers. There are Police Constables (PC), Police Community Support Officers (PCSO) and Special Constables (SC). Police Community Support Officers are responsible for community engagement and their work is predominantly within communities, youth centres, schools and vulnerable groups. PCSOs have no police power of arrest. Special Constables are uniformed officers with the same powers 19 Association of Chief Police Officers, acpo.police.uk, 16 December 2014, 20 Association of Police and Crime Commissioners, apccs.police.uk, 16 December 2014, < 119

120 and responsibilities of Police Constables, but their work is voluntary, with no financial reward. Effective Use of Police Resources Since 2007 the police and other public authorities have been influenced by major economic and political changes. As a result of the austerity, the police service was obliged to save on average 20% of their budget. This obviously meant to cut some admin jobs and to adopt other saving strategies. The police had to look for methodologies that would sustain or even increase efficiency of police service with less money and human resources. Many police constabularies had introduced modern technology as a key to saving on officers time and making police administration more effective. The other cost saving methods includes effective management of human resource, solving problems by multi-disciplinary approach and by effective use of collected data. In 1996 the Audit Commission attempted to conceptualise methodology of increasing police efficiency in a report called Tackling Crime Effectively. 21 In that report the Audit Commission described a revolutionary concept of effecting use of all police human resources, including uniformed officers, crime investigators, coordination of front line reactive officers and collection and use of data. The effective use of policing time was also a theme of a study completed by National Policing Improvement Agency (NPIA) that had been renamed to College of Policing. NPIA issued a study An Observational Study of response and neighbourhood officers in In that study the NPIA addressed the importance of utilising officers time more effectively as the amount of time that officers spend in the communities is about 44%, however including travelling time and time to take statements Audit Commission, Tackling Crime Effectively, London 1996, 22 National Poling Improvement Agency (NPIA), Observational Study of Response and Neighbourhood Officers, September 2011, 120

121 As a result of trying to utilise officers time more effectively, police service in the UK recognised the fact that crime is geographically specific, within a particular spot. This spot could be a house, shop, street, park or neighbourhood. Because of the increased occurrence of crime and / or anti-social behaviour (ASB), these places or spots are known as hot-spots. The term hot-spots policing or sometimes known as hotspotting refers to crime prevention and reduction strategies within a geographically limited area. By utilising police resources into specific area, the police work may become much more focused and effective. Hot-spot policing can take many forms; from high visibility patrols to targeted law enforcement activity against prolific offenders in the particular area. Policing in hot-spots has proved to be very effective for certain types of offences and ASB, but less of others. It is, for example effective for tackling drug dealing or violent offences as the visible police presence will deter those offences. It proved to be less effective for property related crimes. 23 Hot-spot policing also helps to reduce the number of calls for service from members of public. Prevention and reduction are the key aspects of the hot-spot policing as it places emphasis on preventing reoccurrence of crime and ASB and systematic work with prolific callers. Multidisciplinary Approach to problem solving To be able to utilise resources as much effectively as possible, it had been recognised that the police can t resolve high-crime areas without help of other partner agencies. Officers responsible for their neighbourhoods (including PCSOs and PCs) are able to organise neighbourhood meeting between all stakeholders, including police, members of public, public authority, health, education, environmental health and other agencies that might be able to assist to combat crime and ASB in the hot-spot area. fficers.pdf 23 Anthony A. Braga, The Effects of Hot Spots Policing on Crime, May 2007, 121

122 Use of hot-spots in public domain In 2012 the police had shared some its analytical data with members of public, in the form of publically accessible domain 24 Fig. 1: BBC News Source: BBC News article, Crime and Policing in England, Wales and Northern Ireland, police.uk, 16 December 2014, 25 BBC News UK, Crime map website to reveal hotspots, 16 December 2014, 122

123 Fig. 2: Crime Map in England Source: police.uk The site offers members of public to choose the area of interest by selecting relevant police constabulary and particular city. Fig. 3: Crime Map in England Source: police.uk 123

124 The following view offers members of public to choose a specific area within the city and numbers of recorded crimes are shown for selected time period. Fig. 4: Crime Statistic View Source: police.uk Upon selecting specific crime in the area, members of public can see what sort of crime had taken place in there, the current status (investigation ongoing, complete etc) and the timeframe in which the crime was investigated in. Practical use of hot-spot policing Example 1: Operation Metis As part of the saving strategies, certain police constabularies adopted a new approach to devices that could save officers time and cut on bureaucracy. Police officers were issued with Lenovo slates and smart phones that enable them to do everything remotely. Officer books on duty, reads a briefing and tasking document specifying particular areas of interest (hot-spots) and then leaves the police station equipped with his slate, in which he has an access to all possible police databases and forms. The officer can log onto wife at public premises (restaurants, schools, shops etc) and stay in his spare time in the high-crime areas, contributing to high-visibility crime prevention measure. 124

125 Example 2: Operation Style Couple of years ago Cambridge University together with Cambridgeshire Constabulary had started a project called Operation Style. Cambridge University analysed all police data in relation to calls for service and reported crimes and incidents and provided the Constabulary with specific hot-spot areas. Neighbourhood officers and PCSO were given particular areas and times during which they had to be present in the given area. Their presence and compliance was monitored by GPS in their radio or vehicle. 125

126 Predicting the Patterning of Crime Ken Pease University College London, Department of Security and Crime Science The major shortcoming of research into the spatial and temporal distribution of crime to date is that it is, for the most part, descriptive rather than predictive. Perfect prediction of when and where crimes were to take place would facilitate their prevention or detection. Police sting operations are effective because the time and place of a crime is engineered by police action, and sometimes elicit complaints of entrapment because of that. Short of sting operations, the police have to rely on intelligence and to some extent on risk factors identified by criminological research. One kind of risk analysis has particular relevance because the information on which it is based is routinely available to the police. This concerns prior victimization. Research concerned with repeat victimization has added insights relevant to crime prevention (Skogan, 1996). Prior victimization is a very good predictor of future risk (Farrell & Pease, 1993); when it occurs, repeat victimization tends to occur swiftly (e.g. Polvi et al., 1991) and is most prevalent in deprived areas (Johnson et al., 1997). A second approach to understanding crime patterns is the attempt to identify hot spots of crime (e.g. Bowers and Hirschfield 1999) into which police or other resources may be deployed. The raw material for such identification, as with repeat victimization, is the reported crime event. However, delineating hot spots requires extra analytic work and the resultant hot spot is often unstable (Townsley et al 2000), with implications for wasted effort in crime reduction. A third approach involves targeting resources on those at elevated risk. Importantly, in an analysis of characteristics associated with burglary risks (such as the employment marital, and ethnic status of the head of household, the type of housing and the type of area), Budd (1999) concluded that the predictive power 126

127 of prior victimization is greater than that of other analysed variables. However, self-evidently, prior victimization yields no prediction about properties as yet un-victimised, and hence the above approaches offer prediction for only a limited proportion of the population at risk. The benefit of developing a technique that extended such prediction to those as yet un-victimised is obvious, in that it affords the most comprehensive risk assessment at the household level. It is towards an integrated approach that this proposal is directed. Each of the approaches discussed above and applied individually has advantages and limitations. For conventional risk analysis of the type exemplified by Budd s work, the police (or their local authority partners in crime reduction) must become aware of variables like housing structure, tenure, and resident lifestyle and set them alongside local crime data to deploy crime reduction resources optimally. This would allow the most precise possible matching of pre-victimization risk to crime preventive effort. The prevention of repeat victimization does not help residents of as yet unvictimized properties, but it does permit best use of the information which the police will routinely acquire (ie that a crime has occurred). As for hot spot analysis, the number of properties identified is usually so high (e.g. an entire police beat) that it is impracticable to protect even a significant proportion of those identified as being at risk. Further, the techniques used by police forces to identify hotpots are not always consistent and will be subject to error introduced by the vicissitudes of recording crime location. Finally, crime problems in areas designated as hot spots may be transient, and dissipate before resources are formally targeted into those areas. Reasons for such a pattern of results include regression to the mean, which occurs when an area is designated as a hotspot on the basis of an extreme crime rate that is not typical for that area. 127

128 Morning Afternoon Overnight Fig. 1: Shift predictions Source: UCL Department of Security and Crime Science A brief aside should be introduced here to address a point about which there may be skepticism. In short, is it possible to prevent crime by means of reducing those at risk of suffering it? There is ample such evident (see for example Johnson and Bowers 2003a, b). Thus identifying those at risk is realistically a prelude to reducing their levels of victimization. In consequence, any risk assessment must be dynamic, responding to changing relative levels of those at risk. To optimize both understanding of patterns of risk, and crime prevention effort, there exists the need to develop new techniques not susceptible to the criticisms of the approaches discussed above and which will move towards prediction of risk and hence rational deployment of prevention resources. Recently, we conducted research that represents the beginnings of such an approach. One key element of this was to investigate the distance in time and space across which victimization has predictive value. In addition, we began to examine the similarity of victimized properties. To illustrate the importance of these factors, consider how the world changes in the wake of a burglary. Other homes become (or are revealed as) vulnerable insofar as they are similar to the burgled home in one or more ways, which local offenders may consider important in choosing targets. In the context of burglary this may include similarity in layout and location, or opulent appearance, or simple propinquity (see Morgan, 2001). To what extent is risk to non-victimized homes shaped or indexed by the first event? If substantially, vulnerable properties could be identified before they are victimized, and preventive action, triggered by the burglary event taken. The first phase of the research 128

129 examined the extent to which burglaries cluster in geographical space and time, and how housing type and the area in which a property is located influences the degree to which such patterns emerge. Our starting point was an analogy between crime and communicable diseases, reflected in the use of techniques from epidemiology. A disease is inferred to be communicable if people catch it soon after exposure to a disease agent. Communicability is thus inferred from closeness in space and time of manifestations of the disease in different people. In the earlier research we asked questions such as does domestic burglary exhibit these features of communicability? and is a burglary followed by a subsequent burglary at a nearby house, within a fairly short period of time, more often than could be expected? One presumption was that when an offender passes/visits a property he or she acquires knowledge about its external physical security measures, levels of natural surveillance and neighbour vigilance, together with similar features of neighbouring properties. Having burgled one property the offender adds new information to a 'knowledge base' of the area. The first phase of the research utilized police recorded crime data which, for each burglary event, included information on the date, location, and type of property victimized. Supplementary data from the UK census provided information concerning characteristics of the area in which each burglary occurred. The central conclusions of the research may be summarized as follows. In relation to the distance and time over which victimization has an impact, properties within meters of a burgled home (whether located on the same street or not) were at a heightened risk of victimization for a period of 1-2 months (Johnson and Bowers, in press). This pattern, which can be referred to as "space-time clustering", tended to occur in more affluent than deprived areas, whereas the reverse was true for repeat victimization. At the street level, houses that neighboured a burgled house were at an elevated risk relative to those located further away and, those on the same side of the street were at a particularly heightened risk (Bowers and Johnson, submitted). There was subtle, but statistically unreliable, evidence that houses with identical floor layouts were also at a heightened risk. Furthermore, there was evidence that space-time clusters 129

130 remained in one area for some time and then moved to nearby neighbourhoods (Johnson and Bowers, in press) The research conducted so far has clear implications for crime prevention, but represents only the beginning of the endeavour. What is now needed is a more in-depth study of clustering, which so far has exclusively compared pairs of burglary. A problem with comparing pairs of burglary is that although they examine clustering to a certain degree, they do not give details about series of related events occurring within short periods of time. In order to address this we need to make methodological advances which will allow us to search for such series. Furthermore, it is important to examine whether clustering applies to crime types other than burglary, such as car crime, or series of disparate crimes against the same target or small area. It is also important to further our understanding of how space-time clusters relate to other phenomena, such as crime hotspots and repeat victimisation, on both a theoretical and an empirical level. Perhaps the most important task, however, is to examine the practical implications of clusters for operational policing. It is possible to apply the space-time cluster findings to produce "prospective" maps for policing purposes which would indicate the risk of as yet un-victimised properties in the proximity of a first burglary event. Fig. 2: Boost Account (Optimal Foraging theory: Charnov, 1976) Source: Johnson, S.D., and Bowers, K.J. (2004).The Stability of Space-Time Clusters of Burglary. 130

131 Recent Research and Prospects The approach described has recently yielded ways in which more precise identification of how contagion works in relation to crime risk at the street segment level (Davies 2014, Davies and Johnson 2014). Parallel work at the individual household level (Tseloni and Pease 2014) brings us to a position where ever more precise forecasting of victimisation permits ever more precise deployment of patrol and security installations. Fig. 3: Forecasting - ProMap Source: Bowers, K.J., Johnson, S.D., and Pease, K. (2004). Prospective Hot-spotting: The Future of Crime Mapping? References Bowers, K. J. and Hirschfield, A. (1999) Exploring Links Between Crime And Disadvantage In North West England: An Analysis Using Geographical Information Systems, International Journal of Geographical Information Science, 13(2), pp Bowers, K.J., and Johnson, S.D. (submitted). Domestic burglary repeats and space-time clusters: the dimensions of risk, submitted to the European Journal of Criminology. Budd, T. (1999) Burglary of Domestic Dwellings: Findings from the British Crime Survey. Home Office Statistical Bulletin 4/99. London: Home Office. 131

132 Brantingham, P. and Brantingham, P. (1995): Criminality of Place: Crime Generators and Crime Attractors, European Journal on Criminal Policy and Research: Crime Environments and Situational Prevention, 3(3) pp Davies T. (2014) Spatio-temporal modelling for issues in crime and security PhD thesis. University College London. Davies T. and Johnson S.J. (2014) Examining the Relationship Between Road Structure and Burglary Risk Via Quantitative Network Analysis Journal of Quantitative Criminology DOI /s Diggle, P. J., Chetwynd, A.G., Haggkvist, R., Morris, S. E. (1995) Second-order analysis of space-time clustering. Statistical Method in Medical Research 4, p Farrell, G. and Pease, K. (1993): Once Bitten, Twice Bitten: Repeat Victimisation and its Implications for Crime Prevention. Crime Prevention Unit Paper 46. London: Home Office. Johnson, S.D., and Bowers, K.J. (in press). The burglary as a clue to the future: the beginnings of prospective hot-spotting, European Journal of Criminology 1. Johnson, S.D., and Bowers, K.J. (in press), The Stability of Space-time clusters of burglary, British Journal of Criminology. Johnson, S.D., Bowers, K.J. and Hirschfield, A.F.G. (1997): New Insights into the Spatial and Temporal Distribution of Repeat Victimisation, British Journal of Criminology, 37(2), pp Kershaw, C., Budd, T., Kinshott, G., Mattinson, J., Mayhew, P. and Myhil, A. (2000) The 2000 British Crime Survey: England and Wales. Home Office Statistical Bulletin 18/00, Home Office: London. Knox, G. (1964) Epidemiology of Childhood Leukaemia in Northumberland and Durham. British Journal of Preventative and Social Medicine 18, p Mantel, N. (1967) The Detection of Disease Clustering and a Generalised Regression Approach, Cancer Research, 27, pp

133 Morgan, F. (2001). Repeat burglary in a Perth Suburb: Indicator of Short-Term or Long-Term risk? pp In G. Farrell, G. and K. Pease (Eds.) Repeat Victimisation: Crime Prevention Studies Volume 12, Monsey: Criminal Justice Press. Polvi, N., Looman, T., Humphries, C. and Pease, K. (1991): The Time Course of Repeat Burglary Victimisation, British Journal of Criminology, 31(4), pp Skogan, (1996). The Decades most important Criminological Insight. National Institute of Justice: Research in Action. Washington: Department of Justice. Townsley, M, Homel, R and Chaseling, J (2000) 'Repeat Burglary Victimisation: Spatial and Temporal Patterns', Australian and New Zealand Journal of Criminology, 33(1), pp Tseloni A. and Pease K. (2014) Statistical Modelling for Crime Analysis and Prevention. New York: Springer. 133

134 Jak může možnost využití map kriminality ovlivnit bezpečnostní situaci v určité lokalitě Doc. JUDr. Roman Svatoš, Ph.D. Vedoucí katedry právních oborů a bezpečnostních studií - Vysoká škola evropských a regionálních studií, o.p.s. České Budějovice Úvod Jedním ze základních úkolů státu, ale i dalších subjektů, je ochrana občanů před kriminalitou. I přes značné snahy zainteresovaných subjektů se tento úkol nedaří uspokojivě plnit, o čemž svědčí vysoká míra registrované kriminality. Jednou z příčin tohoto stavu jsou i nedostatečné informace o kriminalitě, tedy informace, které jsou potřebné k její analýze, prognóze a potažmo k jejímu efektivnímu ovlivňování. Za účelem zefektivnění boje s kriminalitou je nutné využívat nových technologických možností, jako jsou mapy kriminality, které umožní takovou práci s daty o kriminalitě, jež povedou k získání kvalitativně vyšším informacím o ní, tedy k možnostem jejího účinnějšího ovlivňování. Problematika spojená s daty o kriminalitě Aby mohlo docházet k prognózování kriminality a tyto prognózy měly požadovanou validitu, je nutné mít k dispozici hodnověrné a určitým způsobem setříděné informace o kriminalitě. Informace o registrované kriminalitě jsou v současné době obsaženy především ve statistikách kriminality, které jsou vedeny v informačních systémech, spravovaných Policií ČR. Jedná se například o informační systémy Evidenčně statistický systém kriminality (dále jen ESSK ), informační systém Událost (dále jen IS Událost ), informační systém Kriminalisticky sledovaná událost (dále jen KSU ), informační systém Evidence trestního řízení (dále jen ETŘ ) a další. Limitem těchto informačních systémů je především ta skutečnost, že s výjimkou ETŘ mají omezené analytické možnosti, výstupy jsou pouze v podobě tabulek a grafů a místa spáchané trestné činnosti není možné konkretizovat v podobě GPS souřadnic. Jediný informační systém, který částečně tyto limity eliminuje, je IS (Informační systém) ETŘ. 134

135 Tento je oproti zmiňovaným systémům vybaven odpovídajícími analytickými funkcionalitami, což znamená, že trestnou činnost na jednotlivých policejních útvarech lze sledovat a vyhodnocovat pomocí analytického dotazu. Je možné si pomocí různých ukazatelů (filtrů) zadat určité parametry a pomocí nich zjišťovat potřebné informace. Je v podstatě možné se dotázat na vše, co je do IS ETŘ zapsáno. Tímto způsobem lze získat přehled např. o nápadu trestné činnosti v určitém časovém období, v určité lokalitě, určitým okruhem pachatelů atd. Dotaz lze variabilně přizpůsobit dle požadavků zadavatele. Součástí IS ETŘ je funkcionalita zadávání míst událostí prostřednictvím souřadnic GPS. V současné době probíhá u Policie ČR zkušební provoz zadávání souřadnic GPS do IS ETŘ. Tyto souřadnice jsou vyhledávány na dnes běžně dostupných digitálních mapách, a to podle konkrétní adresy a poté přenášeny do IS ETŘ. Avšak místa, která nejsou identifikovatelná podle určité adresy, například místa ve volné krajině, tak tyto nelze pomocí GPS souřadnic do IS ETŘ zadat. Informační systém ETŘ je již v dnešní době online propojen s informačními systémy státních zastupitelství a soudů. Nevýhodou tohoto informačního systému je ta skutečnost, že zatím nepracuje na celorepublikové úrovni, ale je užíván pouze na krajské úrovni jednotlivými 14-ti krajskými policejními ředitelstvími. V budoucnosti se počítá, že IS ETŘ bude pracovat jako celorepublikový informační systém. IS ETŘ je budován tak, že by měl do budoucna být základním informačním systémem vedeným u Policie ČR, na který budou navázány všechny ostatní informační systémy, které jsou potřebné, pro práci policie. Další nevýhodou jsou zatím omezené možnosti vizualizace. Jak bylo v přecházejícím odstavci zmíněno, pro potřeby adekvátní analýzy kriminality a potažmo její prognózu uvedené informační systémy sice dostatek informací o registrované kriminalitě obsahují, ale jejich skladba a možnost vizualizace je omezena. A to je pouze část problému. 135

136 Problematika spojená s analýzou a prognózou kriminality Další část problému spočívá v tom, že analytické metody, za jejichž využití by se mělo dojít k poznání příčin kriminality, mají samy o sobě značné limity. Při poznávání kriminality využíváme základní metody vědeckého poznání, mezi které patří pozorování, popisování, srovnávání, analogie, analýza a syntéza, abstrakce, zevšeobecňování, specifikace, indukce, dedukce, modelování a další. Významnými metodami poznání, i pokud jde o kriminalitu, je analýza a syntéza (dále jen analýza ). Při analýze kriminality musíme brát v potaz tu skutečnost, že kriminalita je také jevem společenským. Z tohoto důvodu při provádění analýzy kriminality nemůžeme zkoumat pouze vztahy, vazby mezi jednotlivými prvky částmi, ale i vztahy, vazby a závislosti s okolím, vnějšími procesy, jevy a událostmi, které probíhají ve společnosti a které mají vliv na kriminalitu. Jedná se například o ekonomickou situaci, právní prostředí, demografickou situaci, podnebí a další. A to vyžaduje odborníky, kteří budou mít v těchto oblastech dostatečné znalosti. Takovýchto odborníků je však, a nejenom u Policie ČR, jako šafránu. U kriminality nezkoumáme pouze kvantitativní stránku, ale především kvalitativní. Proto k poznání etiologie kriminality musíme využít speciální analyticko-syntetické metody, mezi které můžeme například zařadit klasifikační analýzu, obsahovou analýzu, komparační analýzu, vztahovou analýzu (logickou i korelační), systémovou analýzu a kauzální analýzy. Klasifikační analýza patří mezi základní metody zkoumání určitého předmětu. Třídění celku na části nemůže být samovolné, chaotické, ale musí být zachovávána určitá předem stanovená klasifikační pravidla. Podstata klasifikační analýzy spočívá v tom, že se snaží rozčlenit celek (kriminalitu) na jednotlivé části podle podobnosti. Jde například o členění podle druhu trestných činů, podle doby nápadu trestné činnosti, podle území nápadu trestné činnosti, podle způsobu spáchání trestné činnosti, podle pachatelů (věk, pohlaví, recidivisté, pod vlivem alkoholu, drog) atd. Z uvedeného vyplývá, že určitá klasifikace kriminality je již obsažena v příslušných statistikách. Například v ESSK dle takticko-statistické klasifikace trestné činnosti. 136

137 Další specifická metoda je metoda obsahová. Obsahová analýza umožňuje zobecňování kvalitativních informací, které jsou obsaženy v různých podkladových materiálech, jako jsou například různá hlášení, zprávy o bezpečnostní situaci zpracovávané podřízenými organizačními články, informace získané z veřejných zdrojů (počet obyvatelstva, skladba obyvatelstva, míra nezaměstnanosti, výše sociálních dávek, minimální měsíční mzda a další) atd. Pomocí obsahové analýzy hledáme obecné a typické jevy. Cílem obsahové analýzy by mělo být pochopení a správná interpretace slovního vyjádření určité skutečnosti. Obsahová analýza může identifikovat existenci určitých jevů v obecné poloze, ale nelze s jejím využitím získat odpověď na otázku o podstatě jevu, podstatě kriminality. Komparativní analýza je nejčastěji využívaná metoda zkoumání. Její podstatou je porovnávání jak kvantitativních (např. počet trestných činů), tak kvalitativních (např. druhů trestných činů) v určitých časových po sobě jdoucích obdobích. Může být porovnán také nápad trestných činů podle teritoriálního hlediska a další. Na základě komparativní analýzy můžeme získat informace o vývoji zkoumaného jevu, o rozdílech četnosti jevu v určitých územích. Komparace však ještě sama o sobě nevysvětluje podstatu zkoumaných jevů. Nedává odpověď na příčiny kriminality, ale může naznačit cestu k použití metod, jak příčiny kriminality odhalit. V praxi se bohužel velmi často setkáváme s tím, že při hodnocení kriminality a jejích příčin jsou prezentovány informace získané pouze na základě komparace několika po sobě jdoucích obdobích, aniž by byly použity další analytické nástroje. Tento stav je typický pro zprávy o bezpečnostní situaci, které jsou zpracovávány na všech úrovních policie. Pro získání kvalitativních informací o zkoumaném jevu je nutno použít vztahovou (logickou a korelační) a faktorovou analýzu. Vztahová analýza logická zkoumá a hodnotí vztahy mezi jednotlivými stránkami zkoumaného objektu, v našem případě vztahy ke stavu, struktuře a dynamice kriminality, přičemž jde o změny, které byly předtím zjištěny za pomoci komparativní analýzy. Tím, že zkoumá tyto změny, proniká tak hlouběji k podstatě kriminality. Vztahová analýza logická má především za úkol odpovědět na otázku, zda a na kolik komparativní analýzou zjištěné změny (např. meziroční zvýšení kriminality) nebo nové jevy (např. nový způsob páchání trestné činnosti) souvisí s jinými nově vzniklými či změněnými 137

138 jevy a procesy (např. povodně nebo zvýšená míra nezaměstnanosti). Z uvedeného vyplývá, že pro zjištění příčin kriminality nestačí, k takovému zjištění potřebujeme použít další speciální metody, a to analýzu korelační a analýzu kauzální. Korelační analýza se využije v případě, pokud vztahovou logickou analýzou byly zjištěny vztahy mezi zkoumaným objektem a dalšími jevy. Avšak tyto jevy nebyly kvantifikovány nebo jejich kvantifikace je problematická či nemožná. Korelační analýzou jsou zjišťovány kvantitativní změny jedněch jevů (zvýšení kriminality) v souvislosti se změnami jiných jevů (zvýšení nezaměstnanosti). Změny se vyjadřují pomocí kvantitativních statistických znaků. Korelační analýza nám dává odpověď na otázku, zda změny zkoumaného objektu (zvýšení kriminality) mohou souviset se změnami jiných jevů (zvýšení nezaměstnanosti). Statistická závislost nám však nedává ještě odpověď na kauzální vztah mezi změnami zkoumaného objektu a změnami souvisejících jevů, neboť statistická závislost může být pouze vnější formou kauzální závislosti. Ke zjištění kauzálního vztahu je nutné použít kauzální analýzu. Pro dosažení co nejoptimálnějších výsledků o příčinných souvislostech mezi kriminalitou a souvisejícími jevy je nutné před použitím kauzální analýzy použít faktorové analýzy. Kriminalita jako společenský jev je podmíněna nepřeberným množstvím činitelů neboli faktorů. Faktorová analýza nám dává odpověď na otázku, zda existují faktory, které pozitivně či negativně ovlivňují kriminalitu, tedy tzv. kriminogenní faktory. V přírodě, potažmo ve společnosti, existuje nepřeberné množství jevů, které spolu více či méně souvisejí, které se navzájem ovlivňují. Tyto jevy se projevují navenek zpravidla otevřeně, prostřednictvím své formy. Chceme-li však poznat podstatu těchto jevů, musíme poznat příčiny, které tyto jevy způsobily a způsobují. Pouze poznání příčin může vést k ovlivňování zkoumaných jevů, neboť prostřednictvím působení na příčiny lze sledované jevy ovlivňovat. Podstatou kauzální analýzy je ta skutečnost, že ze statické roviny zkoumání sledovaného jevu, přecházíme do roviny dynamické. O co jde? Příčiny působí na sledovaný jev po určitou dobu, v určitém čase, a navíc vyvolávají následek s určitým časovým zpožděním (může však být i nekonečně krátké, např. náraz motorového vozidla do stromu okamžitá smrt). Za pomoci kauzální analýzy postupujeme dvěma způsoby. Zaprvé zpět v čase, tedy od již existujícího následku (trestné činy) se snažíme zjistit, 138

139 které příčiny působily v minulosti a které způsobily následek, a zadruhé z časového pohledu opačným směrem, tedy jak poznané příčiny mohou v budoucnu ovlivnit sledovaný jev, jaké mohou vyvolat následky. To je podstatou prognózování. Závěrem je nutno podotknout jednu důležitou skutečnost. Na žádný jev, a o kriminalitě to platí dvojnásob, nepůsobí pouze jedna příčina, ale nekonečné množství příčin. Důležité proto je poznat ty nejdůležitější příčiny, které nejvíce ovlivňují sledovaný jev a od příčin nevýznamných, pokud jsou vůbec zjištěny, abstrahovat. Pokud nepoznáme skutečné příčiny kriminality, nemůžeme požadovaným způsobem ovlivnit kriminalitu samotnou. Například poznání změn (zvýšení, snížení) kriminality, ke kterému jsme došli za pomoci komparativní analýzy, nám nemůže umožnit tyto změny v budoucnu ovlivnit. Kriminalitu, tak jako všechny existující jevy, lze ovlivnit pouze prostřednictvím působení na její příčiny a podmínky. Hledání příčin kriminality avšak v praxi dělá značné potíže, jde o proces velmi složitý a komplikovaný, a proto tzv. interpretátoři kriminality často sklouzávají pouze k popisu změn a případnému vyvozování domnělých příčin kriminality, na které poté aplikují jistá rozhodnutí, která by kriminalitu měla ovlivnit. Jakého může být dosaženo výsledku, tedy efektivity při použití těchto opatření, je nanejvýš jasné. Jak již bylo výše naznačeno, samotné prognózování kriminality za využití současných postupů, je velmi problematické. Prognózy by měly stanovit určitý časový interval, ve kterém k předpokládanému jevu dojde, tento musí být měřitelný. Většinou se jedná o delší časové období. Prognózování do krátké budoucnosti třeba několika dnů je pro svoji časovou náročnost téměř neuskutečnitelné. Velmi důležitý požadavek je stanovení teritoria, pro které byla prognóza zpracovávána. V praxi se převážně provádí prognózy na větší území, např. celou republiku, kraje, okresy a již jen zřídka na menší teritoria, jako jsou určitá sídliště, ulice, konkrétní místa. Prognózování na menší území je problematické, neboť ve statistikách nejsou vždy k dispozici přesná místa proběhnuvších událostí. Dalším požadavkem je včasnost vypracování prognózy. Tento požadavek je velmi důležitý pro možnost v rámci řídící činnosti přijímat adekvátní opatření bez časové tísně. Pokud není prognóza vyhotovena včas, a někdy to ani z časového hlediska nelze, řídící pracovník poté přistupuje 139

140 k rozhodování o přijetí potřebných opatření více intuitivně, což může s větší pravděpodobností vést k nesprávným závěrům. Filozofie možného řešení problematiky spojené s prognózováním Za účelem objektivizace pravděpodobnostního vývoje kriminality je proto nutné použít nové přístupy, které by mohly alespoň částečně eliminovat problémy související s analýzou a prognózováním kriminality. Jednou z možností je využití moderních informačních technologií v podobě map kriminality. Výhod, které poskytuje možnost využití digitálních map kriminality u policejních sborů, je celá řada. K této problematice byly provedeny některé výzkumy, 26 které ukazují na velký zájem policistů o možnosti využití digitálních map kriminality. Při využívání digitálních map se vychází z důležitého předpokladu, a to, že kriminalita probíhá v určitých pravidelně se opakujících cyklech, má tzv. sezónní charakter. K této skutečnosti byla v minulosti i dnes provedena celá řada výzkumů Podrobně se problematice denních, týdenních a sezónních cyklů (rytmů) věnují Klarke a Eck, 30 když uvádí, že pravidelnost nejrůznějších činností má na výskyt problémů (trestných činů) nesmírný vliv. Poklesy a nárůsty dopravy, které vyplývají z dojíždění obyvatel za prací a za nákupy, například významně mění množství potencionálních cílů i dozorců na parkovištích. Což pochopitelně souvisí s dobou, kdy nejčastěji dochází 26 SVATOŠ, Roman. Kriminalita a možnosti jejího poznání a ovlivňování. 1. vydání. České Budějovice: Vysoká škola evropských a regionálních studií, o. p. s., s. ISBN PUSZTAI, L Hospodárske cykly a prognóza kriminality. In. HOLCR, K., CHALKA, R. eds.: Aktuálne problémy kriminologickej prognostiky. Bratislava, Zborník Akadémie PZ, 1995, s MICHÁLEK, A. PODOLÁK, P Identifikácia kriminálne rizikových období aplikáciou časových radov. Kriminalistika. 2001, č. 4, s HAJDÚKOVÁ, T. UHRIN, S Analýza uličnej trestnej činnosti a jej sezónnosť. Policajná teória a prax. 2011, č. 2, s KLARKE, R. V. & ECK, J. E. Analýza kriminality v 60. krocích. Praha: Pro Police, s

141 ke krádežím vozidel a vloupáním do nich. Nejvíce případů přepadení a oloupení opilců je o pátečních a sobotních nocích, v době, kdy se zavírají bary, protože tehdy se po ulicích pohybuje nejvíce cílů přepadení. Do hry zde vstupují dva důležité rytmy: cyklus pracovní dny/víkend, díky němuž jsou tak páteční a sobotní večery oblíbenou dobou pro zábavu a odpočinek a samozřejmě otevírací a zavírací doba barů. Pro zjištění denních, týdenních a sezónních cyklů a pro systematické zkoumání časového průběhu kriminality se používá označení analýza časových řad. Na základě uvedených výzkumů lze vyslovit závěr, že kriminalita je mimo jiné ovlivněna skutečnostmi, které mají cyklický charakter, a na základě takto opakujících se periodik, se dá částečně předpovídat. A právě použití digitálních map kriminality může značně pomoci při předvídání jejího vývoje. Podmínkou však je, aby příslušný geografický informační systém byl vybaven analytickou funkcionalitou, obsahoval GPS souřadnice přesných míst nápadu trestné činnosti z dlouhodobého hlediska, nejlépe několika roků a byl vybaven možností zobrazovat informace plasticky, tedy prostřednictvím digitálních map. Možnosti využití map kriminality a) okamžité získání potřebných informací bez časově náročné analýzy a prognózy kriminality a tím možnost okamžité reakce na měnící se bezpečnostní situaci, b) eliminace intuitivního rozhodování řídících pracovníků rozhodujících v časové tísni, kdy neexistuje možnost provedení okamžité prognózy pro její časovou náročnost, c) plasticita, vizualizace informací a s tím související lepší orientace a přehlednost v dané problematice. Digitální mapy nám po zadání jakékoli variability plasticky ukáží, kde by mělo na základě cyklických vlivů dojít opětovně k určité krizové situaci, která si bude vyžadovat patřičnou reakci, d) eliminace nedostatků vzniklých při analýze a prognóze kriminality, které jsou zapříčiněny subjektivními faktory, tedy tím, kdo analýzu a prognózu provádí, 141

142 e) eliminace nedostatku odborníků, kteří jsou fundovaně schopni analýzu a s ní související prognózu kriminality provést, f) z operativního hlediska možnost tipování sériové trestné činnosti, podle místa a času spáchání trestných činů, g) z operativního hlediska možnost tipování dle způsobu spáchání trestné činnosti tzv. modus operandi. Vychází se z předpokladů, že pachatelé recidivisté při opětovném páchání obdobného trestného činu opakují podobné znaky způsobu páchání, jakých použili již v minulosti (perseverance), h) lepší přehlednost o nápadu trestné činnosti v rámci služebního okrsku a možnost předpokládat místa a čas budoucího nápadu trestné činnosti, i) zpřesnění místa činu především ve volném terénu a tím snazší orientace v prostoru (např. při řešení trestné činnosti pytláctví, při řešení vloupání do vozidel odstavených na lesních cestách, vloupání do vozidel na rozlehlých parkovištích, v rozhlehlých objektech jako jsou např. nemocnice atd.), j) z pohledu řízení možnost směřování sil a prostředků do pravděpodobného výskytu trestné činnosti (např. obchodní domy v době vánočních svátků), k) z pohledu prevence kriminality možnost reagovat s předstihem, navrhovat s dostatečným předstihem konkrétní preventivní opatření, l) mít k dispozici informace o budoucí kriminalitě z pohledu malého teritoria než pouze území toho kterého obvodního oddělení policie (vyhodnocení kriminality z pohledu nebezpečných ulic, městských čtvrtí a s tím související možnost např. efektivnější instalace městských kamerových systémů, směřování hlídek do rizikových lokalit atd.), m) jednodušší zpracování zpráv o bezpečnostní situaci v určité lokalitě předkládané nadřízeným a dalším subjektům (starostům, hejtmanům atd.), n) z pohledu samotných občanů možnost osobní reakce na předpokládané páchání kriminality (např. vyhýbat se určitým místům v určitém čase, efektivněji si zabezpečit byt v době dovolených při nepřítomnosti v bytě), 142

143 o) zvýšení účinnosti při pátrání po osobách a věcech, pohybujících se v terénu při pátracích akcích, a to na základě možnosti monitorovat na digitálních mapách např. pohyb mobilního telefonu dle tzv. buněk nebo pohyb osoby či vozidla podle míst výskytu, která byla získána např. ze svědeckých výpovědí. Význam digitálních map kriminality spočívá především v možnosti identifikovat a zvýraznit takové podezřelé incidenty a události, které mohou vyžadovat zvýšenou pozornost, prostorové analýzy typických vzorů a trendů kriminality, zvýšení účinnosti policejních metod pro potírání kriminality, integrace tradičních i netradičních údajů za účelem zvýšení účinnosti analýz, výchovu veřejnosti prostřednictvím vizualizace zločinnosti, poskytnutí nástrojů a technik pro podchycení sériových zločinů a předpovídání budoucích výskytů zločinnosti. Z organizačního a technického hlediska by GPS souřadnice byly z místa trestného činu získávány prostřednictvím dnes běžně dostupných technických prostředků. Těmito však musí být celorepublikově vybaveni všichni policisté, kteří se zabývají nápadem trestné činnosti. Dnes je tato situace uspokojivě vyřešena u policistů, kteří zpracovávají dopravní nehody. Tito jsou celorepublikově vybaveni zařízením Garmin Dakota, do kterého zaznamenají GPS souřadnice místa dopravní nehody a po příjezdu na služebnu tyto souřadnice přehrají do příslušného informačního systému, konkrétně Lotus Notes. Obdobně by mohla být situace řešena i u policistů zabývajících se nápadem trestné činnosti. U těchto by však muselo dojít k jejich vybavení příslušným zařízením na snímání GPS souřadnic. Dále např. v protokolu o ohledání místa činu by byla přidána další kolonka týkající se GPS souřadnic. GPS souřadnice by se poté přehrávaly do již dnes existujícího IS ETŘ, který je vybaven uvedenou funkcionalitou. Aby na základě vložených přesných míst trestné činnosti bylo možné analyzovat časové řady, je nutné, aby takto zaznamenaná místa byla z co nejdelšího časového období, pokud možno co nejvíce let. V minulosti vkládaná místa trestných činů byla konkretizována podle příslušných adres. Tato místa by bylo nutné transformovat do podoby GPS souřadnic. Tak by se zajistilo dostatečné časové období, které by umožnilo provádět validní analýzy časových řad. 143

144 Po předpokládaném zavedení centrálního registru přestupků by geografické informační systémy bylo možné v budoucnu obdobným způsobem využít i u této sice méně závažné protispolečenské činnosti, ale často více obtěžující občany než samotná kriminalita. Řešení potenciálních problémů, které by se bezpochyby vyskytly při vkládání GPS souřadnic do příslušných informačních systémů ze strany strážníků městských, obecních policií, není tématem tohoto příspěvku. 144

145 Závěr Autor se snažil v tomto příspěvku poukázat na limity prognózování kriminality současnými metodami, poukázat na možnou filozofii řešení problematiky spojené s prognózováním kriminality a poukázat na přednosti map kriminality. Též naznačil možnosti řešení u Policie ČR. Autor dochází k závěru, že právě jedním z nástrojů, který by mohl pomoci v předcházení a potlačování kriminality, a to především na lokální úrovni, jsou možnosti využití geografických informačních systémů, jejichž součástí jsou digitální mapy, které mohou obsahovat nepostradatelné informace, odpovídající potřebám nové doby. Literatura HAJDÚKOVÁ, T. UHRIN, S Analýza uličnej trestnej činnosti a jej sezónnosť. Policajná teória a prax. 2011, č. 2, s KLARKE, R. V. & ECK, J. E. Analýza kriminality v 60. krocích. Praha: Pro Police, s. ISBN MICHÁLEK, A. PODOLÁK, P Identifikácia kriminálne rizikových období aplikáciou časových radov. Kriminalistika. 2001, č. 4, s PUSZTAI, L Hospodárske cykly a prognóza kriminality. In. HOLCR, K., CHALKA, R. eds.: Aktuálne problémy kriminologickej prognostiky. Bratislava, Zborník Akadémie PZ, 1995, s SVATOŠ, Roman. Kriminalita a možnosti jejího poznání a ovlivňování. 1. vydání. České Budějovice: Vysoká škola evropských a regionálních studií, o. p. s., s. ISBN

146 Mapy budoucnosti: prezentace Policie České republiky, Krajského ředitelství policie Středočeského kraje Územního odboru Kolín a Městské policie Kolín Viktor Prokeš Ředitel Městské policie Kolín plk. Mgr. Jiří Fejfar Vedoucí Územního odboru Kolín, Krajské ředitelství policie Středočeského kraje Mapy budoucnosti jsou velmi efektivním nástrojem, který by měl ať již možností své vizualizace, tak i možností určité predikce napomoci úspěšně řešit bezpečnostní situaci v daném teritoriu. Avšak bez úzké a smysluplné spolupráce bezpečnostních složek a složek státní správy a samosprávy by se minul účinkem. Město Kolín je velmi starým městem. První zmínka o jeho existenci byla již v roce Rozkládá se na území 35 km2. Je důležitým železničním uzlem, nachází se zde rozvinutý automobilní, strojírenský, chemický, potravinářský a kaligrafický průmysl. V Kolíně působí 42 strážníků Městské policie a 53 policistů obvodního oddělení. Z pohledu bezpečnostní situace se Kolín dlouhodobě vyznačuje velmi vysokou kriminalitou. Pro ilustraci, v roce 2013 bylo v Kolíně spácháno 1881 trestných činů, v sousední Kutné Hoře však jenom 547 a v nedalekém Nymburce 874 trestných činů. Výraznými kriminogenními faktory, které tuto situaci ovlivňují je vysoký počet ubytoven pro sociálně slabé občany, několik desítek heren, průmyslová zóna čítající 5000 zaměstnanců, kteří se rekrutují nejen z celé republiky, ale i ze zahraničí. Nezanedbatelným faktorem je také velmi vysoký počet uživatelů tvrdých drog. 146

147 Vzhledem k tomu byla koncem roku 2013 založena pracovní skupina Bezpečný Kolín s jednoznačnou vizí: Policie České republiky společně s městem Kolínem a dalšími partnery vyjadřuje odhodlání v následujícím období společnými silami razantně redukovat kriminalitu a přispět ke zlepšení kvality života Kolíňáků. Stálými členy pracovní skupiny jsou mimo jiné starosta města, vedoucí Územního odboru Kolín, ředitel městské policie, manažer prevence kriminality, vedoucí odboru sociálních věcí a zdravotnictví MěÚ (Městský úřad), vedoucí Probační a mediační služby. Vize byla rozvinuta na konkrétní cíle: Bezpečné ulice - bezpečnostní akce, součinnost složek Police ČR (dopravní, pořádkové a kriminální policie) s Městskou policií Došlo k efektivnímu rozdělení teritoria pro výkon hlídkové služby mezi městskou policií a obvodním oddělením, jsou jasně definované okrsky, kde hlídkuje městská policie, kde obvodní oddělení, tím pokrýváme výkonem hlídkové služby více míst najednou v kritických časech. Dochází ke zvýšenému výkonu služby v oblastech identifikovaných rizik (viz bezpečná místa). Pravidelné kontroly ubytoven, heren, nočních barů a zastaváren. Bezpečná místa vlakové a autobusové nádraží, OC (Obchofní centrum) Futurum, parkoviště, ubytovny, OD (Obchodní dům) Tesco, pravidelná místa nálezů injekčních stříkaček. Nulová tolerance - trestné činnosti a drogám. Vznik policejního týmu Kolín. Z důvodu neustále se zvyšující kriminality, došlo v roce 2013 k zahlcení obvodního oddělení Kolín, kdy policisté byli nuceni přes den administrativně zpracovávat další a další oznámení o páchané trestné činnosti a tedy neměli dostatek času k důslednému pátrání po pachatelích těchto činů. Velmi málo z těchto oznámení bylo objasněno. Město Kolín se tak stávalo snadným terčem osob páchajících zejména majetkovou trestnou činnost. 147

148 Počátkem roku 2014 bylo přistoupeno k založení speciálního policejního týmu Kolín, který je složen jak z policistů uniformované, tak policistů kriminální policie a jeho hlavním úkolem je důsledné pátrání po pachatelích majetkové a drogové trestné činnosti v teritoriu města Kolín. Současně působí také v rámci výkonu hlídkové služby na místech zvýšené kriminality. Do současné doby má na svém kontě realizaci více než pěti desítek pachatelů sériové majetkové trestné činnost a drogové trestné činnosti, zejména výroby a distribuce omamných a psychotropních látek. Vytvoření WEBOVÝCH stránek Bezpečný Kolín s cílem informovat a zapojit Kolíňáky do boje proti kriminalitě. Obr. 1: Ukázka z webových stránek Bezpečný Kolín Zdroj: Městská policie Kolín Preventivní opatření ze strany Městské policie. Zavedení okrskové služby. Schránky důvěry ve všech okrscích. Bezpečnostní přednášky na ZŠ (Základní škola), MŠ (Mateřská škola), pro seniory a zdravotně postižené. Rekonstrukce kamerového systému. Dohled u přechodů pro chodce. Preventivní přítomnost u škol. 148

149 Kamerový systém. Vybudován v roce 1998, v současné době prochází rozsáhlou rekonstrukcí, v současné době čítá 25 kamerových bodů a bude dále rozšiřován. Krajské ředitelství policie Středočeského kraje počátkem roku spustilo pilotní projekt využití videointerakčního zařízení pro provádění úkonů v trestním řízení, do kterého se intenzivně zapojil i Územní odbor Kolín. Samotný projekt byl koncipován k ověření možnosti, schopnosti a efektivity meziresortní komunikace v trestním řízení, kdy základním předpokladem bylo propojení videointerkačních jednotek mezi služebnami Policie České republiky a objekty Ministerstva spravedlnosti, resp. soudů a věznic. V počátku pilotního projektu byla videointerakční technika umístěna do policejní budovy Územního odboru Nymburk, Územního odboru Kolín, budovy Okresního soudu Nymburk, Okresního soudu Kolín, Školního policejního střediska Sadská, cely předběžného zadržení Praha a Věznice Jiřice. Od startu projektu v měsíci březnu 2014 do bylo prostřednictvím těchto zařízení provedeno celkem 326 procesních úkonů orgány činnými v trestním řízení, z toho soudními orgány bylo uskutečněno 194 procesních úkonů, zbylé úkony byly realizovány policejním orgánem. V převážné většině se jednalo o výslechy osob v procesním postavení svědků (včetně svědků s utajenou identitou), obviněných a podezřelých, ale také v rámci rozhodování o uvalení vazby, nebo rozhodování o podmíněném propuštění osoby ve výkonu trestu odnětí svobody. Obr. 2: Videointerkační přelíčení Zdroj: Krajské ředitelství policie Středočeského kraje 149

150 Z analýzy provedených procesních úkonů vyplývá, že využitím videinterakčních přenosů došlo: k výraznému urychlení rozhodovacího procesu zadržená osoba nemusela být eskortována k procesním úkonům do budovy policie případně soudu, ale úkon probíhal přímo v cele předběžného zadržení, a to jak výslech osoby v procesním postavení podezřelého či obviněného, ale i rozhodovací proces o uvalení vazby; k úspoře finančních prostředků v souvislosti s dopravou typickým příkladem využití videointerakčního zařízení je zadržení pachatele v teritoriu Územního odboru Kolín, jeho eskorta do cely předběžného zadržení v Praze. Bez možnosti využití videointerakce by musel být až třikrát eskortován k orgánům činným v trestním řízení a zpět do cely (výslech podezřelého, výslech obviněného, rozhodování o uvalení vazby). Jenda cesta tam a zpět činí 145 km, v celkově vypočtené výši Kč 942,50,-- (Výpočet nákladů je stanoven pro nejběžnější typ SDP ŠKODA OCTAVIA COMBI 1.6i o výkonu 75kW); ke zvýšení bezpečnosti účastníků při úkonu (útěk zadržené osoby, inzultace vyšetřovatele, slovní nátlak na svědky atd.); k ochraně utajovaného svědka videointerakční technika ve spojení s modulátorem hlasu efektivně eliminuje možnost rozpoznání identity svědka; k efektivnějšímu využití lidských zdrojů (např. při eskortě zadržené osoby je třeba tří eskortujících policistů eskortu provádí zpravidla policisté ve 3 či 4 tarifní třídě, kteří vykonávají hlídkovou službu; k ochraně práv nezletilých a mladistvých videointerkaci lze využít též při výslechu osob přímo do hlavního líčení, případně ve spojení se speciálními výslechovými místnostmi pro děti a mladistvé; k ochraně poškozených a dalších zvlášť zranitelných obětí (nesdílí jednu místnost s pachatelem) - videokonference efektivně eliminuje druhotnou újmu způsobenou setkáním oběti s pachatelem v rámci procesního úkonu, či při hlavním líčení u soudu; 150

151 k zajištění dálkové přítomnosti znalců, tlumočníků prostřednictvím softwarového klienta, lze umožnit připojení znalců a tlumočníků do videointerakčního procesního úkonu přímo z jejich PC z domova či kanceláře urychlení řízení, snížení nákladů za jízdné znalců a tlumočníků, čekání na úkon, možnost následného přezkoumání kvality tlumočené věci; k on-line propojení policejního systému ETŘ do videointerakčního procesu - vyslýchaná osoba sleduje protokolaci procesního úkonu on-line na jedné z obrazovek. Veškerá shora nastíněná opatření byla zhodnocena výrazným snížením kriminality v porovnání se stejným obdobím roku 2013 (celkem o 362 trestných činů, u krádeží vloupáním o 148 případů a krádeží prostých o 242 případů). Současně došlo k nárůstu zjištěných pachatelů drogové trestné činnosti z 22 na 62. Obr. 3: Porovnání klíčových ukazatelů kriminality v Kolíně Zdroj: Městská policie Kolín, IS ETŘ 151

152 V roce 2015 v součinnosti s městem jednáme o vydání obecně závazné vyhlášky, která zakáže provozování heren na území města. Současně začínáme pilotně pracovat s mapami kriminality, označujícími nikoliv jednotlivé trestné činy, ale jejich ohniska, tzv. hotspoty. Na jejich základě bude plánován systém hlídkové služby. Obr. 4: Hotspots trestná činy v Kolíně Zdroj: Městská policie Kolín Obr. 5: Výskyt nezaměstnaných v Kolíně nad 3 roky v evidenci Zdroj: Policie ČR, MPSV Kolín,

153 Pilotní projekt mapy budoucnosti by měl z našeho pohledu mimo jiné zhodnotit stávající právní úpravu týkající se možnosti sdílení informací z informačních systémů státní správy a samosprávy. Jednotlivé instituce státní správy disponují velmi důležitými a cennými informacemi, které však nejsou dále sdíleny. Klasickým příkladem je informační systém Úřadu práce, který má kompletní přehled o sociálně slabých občanech v teritoriu své působnosti (kde bydlí, kolik mají dětí, zda jsou v hmotné nouzi, kdy a kdo se vrátil z výkonu trestu odnětí svobody). Z pohledu bezpečnosti se jedná o velmi cenné informace, které by mohly být v rámci map kriminality velmi efektivně využity; ověřit systém mapování kriminality a její predikce v jiných zemích a navrhnout implementaci nejvhodnějšího modelu pro Českou republiku. 153

154 Geoinformatika jako nástroj pro podporu integrované činnosti bezpečnostních a záchranných složek státu - GISBS Doc. Dr. Ing. Bronislava Horáková Zástupce společnosti Intergraph CS, s. r. o. Charakteristika projektu: Aplikační výzkum v rámci specifik ČR a pilotní implementace technologie a SW řešení do prostředí Policie ČR s cílem navrhnout konkrétní opatření a řešení pro integrované využití geoinformatiky pro podporu koordinované činnosti bezpečnostních a záchranných složek státu (BZSS). Cíl projektu: Cílem výzkumného projektu je vypracování návrhu jednotné geoinformační platformy určené pro všechny bezpečnostní a záchranné složky státu, včetně definování technických a technologických standardů, za účelem dosažení interoperability, integrace a nastavení pravidel správy prostorových dat z oblasti bezpečnosti státu (vytváření, verifikace, sdílení, aktualizace, zpracování, vizualizace a interpretace). Tato platforma bude zastřešující vrstvou, která bude propojovat a integrovat subsystémy vznikající pro řešení potřeb jednotlivých dotčených složek a jejich dílčích infrastruktur. V rámci projektu se předpokládá vytvoření aplikačního modulu obsahujícího nástroje na podporu rozhodování při řešení krizových situací a pilotní ověření výstupů výzkumného projektu při konkrétních činnostech PČR. 154

155 Přínosy a dopady projektu: zrychlení a zkvalitnění rozhodovacích procesů BZSS v oblasti prevence kriminality, bezpečnosti obyvatelstva a krizového řízení, snížení výše finančních prostředků potřebných na rozhodování BZSS, snížení nápadu a zvýšení objasněnosti trestné činnosti, snížení přímých nákladů na výkon služby v terénu, zlepšení koordinace a vzájemné komunikace prvků bezpečnostního systému při řešení krizových a havarijních situací a stavů, efektivnější práce s informačními systémy, které obsahují data o poloze a čase, konsolidace informačních zdrojů do robustní datové vrstvy systému GIS PČR. Příklady využití: mapování, vizualizace, statistická a geografická analýza kriminality a trestné činnosti v prostoru a čase, zdokonalení ETŘ, vyšší dostupnost kvalitních informaci pro zájmové subjekty v oblasti bezpečnosti, publikace informací mapovým portálem PČR pro přímý výkon služby příslušníky PČR, optimalizace a vizualizace nasazení sil a prostředků pro pravidelné i výjimečné situace, např. rozmístění hlídek v závislosti na aktuální situaci, trasa převozu výbušnin, podpora pro rozhodování při řešení mimořádných událostí nebo krizových situací, vypracování specializovaných odborných map a tematických mapových kompozic v GIS, vizualizace pohybu a tras pochodů, lokalit shromažďování občanů (např. extremismus), identifikace nebezpečných míst a preventivní opatření (např. doprava, shromažďování), 155

156 geografická podpora pro lokalizaci při pátracích akcích a při záchraně a evakuaci osob. Uživatelé systému: Policie ČR. Ministerstvo vnitra odbor prevence kriminality, odbor bezpečnostní politiky, odbor egovernmentu. Města, městské/obecní policie. Další bezpečnostní a záchranné složky státu, orgány krizového řízení na všech úrovních, složky IZS. Občané v rámci Community Policing. Fáze projektu: 1a) Analýza stavu předmětné problematiky Procesní analýza a komplexní analýza dostupných datových technických a personálních zdrojů v rámci bezpečnostních a záchranných složek státu. 1b) Implementace pilotního řešení Implementace technologií a vybraných pracovních postupů v pilotním prostředí geoinformační platformy ve specifikovaných lokalitách Pilotní řešení bude probíhat v lokalitách České Budějovice, Kolín a Ostrava a budou do něj zapojeny subjekty: KŘP (Krajské ředitelství policie) Jihočeského kraje, ÚOP Kolín, MŘP (Městské ředitelství policie) Ostrava, Městské policie České Budějovice/Kolín/Ostrava, Jihočeský kraj, Kolín, Ostrava 156

157 Obr. 1: Etapa 1/4 - Analýza stavu předmětné problematiky a implementace pilotního řešení Zdroj: Intergraph CS, s. r. o. 2) Datová fúze zájmových vnitřních zdrojů dat Integrace a konsolidace vybraných interních zdrojů dat o poloze a čase do jedné ucelené datové vrstvy, včetně definice datových rozhraní. Obr. 2: Etapa 2/4 - Datová fúze zájmových vnitřních zdrojů dat Zdroj: Intergraph CS, s. r. o. 157

158 3) Datová fúze zájmových vnějších zdrojů dat Integrace vybraných externích zdrojů dat do vytvořené databáze interních zdrojů a zapracování specifických workflows z oblasti krizového řízení do prostředí informačního systému. Školení vybraných uživatelů. Vypracování hodnotící studie projektu. Obr. 3: Etapa 3/4 - Datová fúze zájmových vnějších zdrojů dat Zdroj: Intergraph CS, s. r. o. 4) Vypracování certifikované metodiky pro bezpečnostní komunitu Vytvoření sady certifikovaných metodik, které obsahují definici společných potřeb pro množinu většiny bezpečnostních složek, popis častých problémů a jejich řešení. Definici vhodného workflow, které by měly bezpečnostní složky implementovat do svých interních procesů tak, aby byl výsledkem plně funkční, autonomní, ale snadno rozšiřitelný GIS. Obr. 4: Etapa 4/4 Vypracování certifikované metodiky pro bezpečnostní komunitu Zdroj: Intergraph CS, s. r. o. 158