Kriminalitätsmuster mit Standortdaten aufdecken

Wie sich Menschen in Städten bewegen, lässt darauf schliessen, wann und wo besonders viele Delikte geschehen. Das haben ETH-Forschende anhand von Millionen anonymisierter Standort-Daten gezeigt.
Satellitenbild der Stadt Philadelphia. Wo die Forschenden anhand der Standortdaten mehr Mobilität feststellten, fanden sie auch mehr Kriminalität. (Bild: ©Halina - stock.adobe.com)

Wann und wo entsteht in Städten Kriminalität? Um diese Frage zu beantworten, stützten sich Kriminalisten bisher auf recht statische Modelle. Kriminalität wurde etwa in Verbindung gebracht mit der Zusammensetzung der Wohnbevölkerung eines Viertels oder mit der Nutzung der jeweiligen Gebiete. Welchen Einfluss die Mobilität auf die Entstehung von Kriminalität hat, wusste man bisher nicht.

Forschende der ETH Zürich, der University of Cambridge und der New York University konnten jetzt erstmals beweisen, dass die Kriminalität in einem direkten Zusammenhang damit steht, wo in einer Stadt sich wie viele Menschen aufhalten und wohin sie sich bewegen. Die Informatikerin Cristina Kadar, ehemalige Doktorandin am Mobiliar Lab für Analytik der ETH, hat die Studie geleitet. Kürzlich präsentierte Sie die Resultate an einer (virtuell abgehaltenen) Konferenz zu Computergestützten Sozialwissenschaften.

Bewegungsflüsse analysiert

Die Bewegungsflüsse errechneten die Forschenden aus aggregierten und anonymisierten Standortdaten. Sie verwendeten dafür drei komplette anonymisierte Datensätze der Standortdaten-Plattform Foursquare aus den Städten San Francisco, Chicago und Philadelphia aus den Jahren 2012 und 2013. Diese bestehen aus Millionen sogenannter Check-ins, also von Nutzerinnen und Nutzern aktiv geteilten Standorten. Bevor die Firma die Daten den Wissenschaftlern zur Verfügung stellte, wurden personenbezogene Angaben und sämtliche Check-ins an der Heimadresse der Nutzer gelöscht.

Diese Datensätze verglichen die Forschenden mit Kriminalitätsstatistiken aus demselben Zeitraum. Konkret berücksichtigten sie in ihren Analysen die Straftaten Diebstahl, Raub, Körperverletzung, Einbruch und Fahrzeugdiebstahl.

Mehr Aktivität, mehr Kriminalität

Das Resultat: Je mehr Aktivität die Daten der Plattform für eine bestimmte Zeit und einen bestimmten Bezirk anzeigten, desto mehr Delikte fanden die Forscher auch.

Als Aktivität zählten die Forschenden zum einen Check-ins, welche zum Beispiel Aufenthalten in Restaurants, Läden oder Sportstätten entsprechen und zum anderen Durchquerungen, wenn Personen einen bestimmten Bezirk zwischen zwei Check-ins nur passierten. Die Pfade zwischen zwei Check-ins kalkulierten die Forschenden aus den Annahmen, dass die Nutzer jeweils den kürzesten Weg wählen und sich an bestehenden Verkehrswegen orientieren.

Gefahr lauert unterwegs

Den grösseren Einfluss auf die Kriminalitätsraten haben dabei sogar die Durchquerungen. Mit anderen Worten: Kriminalität entsteht am häufigsten dort, wo Menschen zwischen zwei Routine-Aktivitäten durchreisen. Also zum Beispiel auf dem Weg zwischen Arbeit, Einkauf und Freizeitaktivitäten. Die Ergebnisse belegen eine bekannte Theorie aus der Kriminalistik, wonach Delikte dort geschehen, wo sich die Wege von Tätern und Opfern kreuzen.

Cristina Kadar sagt: «Ich bin begeistert, dass sich mit Daten, die primär nichts mit Kriminalität zu tun haben, Kriminaliät so gut beschreiben lässt». Noch nie habe man den Zusammenhang zwischen der Mobilität von Menschen und Kriminalität zeitlich und räumlich so feinkörnig aufzeigen können.

Die Forschenden schlüsselten die Analyse auch auf verschiedene Aktivitätstypen und Delikte auf. Dabei zeigte sich, dass an Orten und in Zeitfenstern, wo viele Freizeitaktivitäten stattfanden, auch mehr Kriminalität verzeichnet wurde, während dies etwa beim Shopping nicht zutraf. Bei den Delikten fanden die Forschenden den stärksten Zusammenhang zwischen Aktivität und Diebstählen, den schwächsten zwischen Aktivität und Raubüberfällen.

Auch Prognosen möglich

Zusätzlich prüften die Forschenden, ob es mit Hilfe der Mobilitätsdaten auch möglich ist, mittels maschinellem Lernen Kriminalität vorherzusagen. Dazu trainierten sie verschiedene Modelle einmal mit den Foursquare-Datensätzen und einmal nur mit Daten zu vergangenen Delikten. Danach prüften sie die Prognosegenauigkeit anhand der effektiv verzeichneten Delikte. Das Resultat: Die Vorhersagemodelle mit Mobilitätsdaten schnitten deutlich besser ab als Vorhersagen, die auf Deliktdaten beruhen.

Beitrag zur Forschung

Kadar sieht ihre Studie primär als Beitrag zur Forschung. Indem sie Beweise für die Crime-Pattern-Theorie liefere, helfe sie, die Entstehung von Kriminalität besser zu verstehen. Zudem zeige sie die Nützlichkeit von Big Data für die computergestützte Sozialwissenschaft.

Bevor jedoch die öffentliche Hand die Erkenntnisse dafür nutzen kann, um Städte sicherer zu gestalten, müssten sie durch weitere Studien validiert werden. Um mögliche Verzerrungen im Datensatz auszugleichen, müsste die Analyse demnach mit einer Reihe von zusätzlichen Datensätzen überprüft werden. Zudem würden die Aussagen für Grossstädte gelten, womöglich aber nicht für kleinere.