In crime analysis, maps for degree of risk are important in decision making of police departments such as where to patrol or how to deploy the location of police force. This paper statistically models spatial crime data and produces crime risk maps. For the modeling and mapping of spatial crime data, we consider the traits of crime occurrences which are spatial dependence and correlation with other crimes. To reflect both of them simultaneously, we use a generalized multivariate conditional autoregressive model. For a real data application, we use counts of vehicle theft, larceny, and burglary at 83 census tracts in San Francisco in 2010. Bayesian approach using Markov chain Monte Carlo is used to estimate the model parameters. From the results, we detect crime hotspots and figure out the advantage of multivariate spatial analysis for crime risk.
최근 GIS 등 공간데이터 수집 기술이 발전함에 따라, 이를 활용한 범죄분석이 주요한 화두가 되었고 그 중 범죄지도 작성은 최적의 경찰서 배치문제나 순찰로 결정 문제 등에 많이 활용되고 있다. 본 논문은 범죄 데이터의 공간적 특성을 통계 모델에 반영하여 범죄 지도를 제작하였다. 반영한 특성으로는 특정범죄의 발생건수에 대한 공간적 상관성과 여러범죄간의 범죄발생 빈도수에 대한 공간적 상관성을 고려하였다. 실제 사례 분석으로는 2010년 샌프란시스코 북동부 지역에서 발생한 단순절도, 가정침입 그리고 차량 도난의 발생 빈도수를 이용하였다. 모델의 파라미터 값을 추정하기 위해 마코프체인 몬테카를로 기법을 이용한 베이지안 방법론을 이용하였다. 결과를 통해서, 각 범죄들의 발생에 대한 우발지역과 범죄 분석에 있어서의 다변량 공간 분석에 대한 장점을 설명하였다.
