Crime dynamics in Edmonton’s train stations: analysing hot spots, harm spots and offender patterns
Notice bibliographique
Résumé
Purpose The objectives of this study are to (a) identify spatial and temporal crime concentrations, (b) supplement the traditional place-based analysis that defines hot spots based on counted incidents with an analysis of crime severity and (c) add to the research of hot spots with an analysis of offender data. Design/methodology/approach This study explores crime concentration in mass transit settings, focusing on Edmonton’s Light Rail Transit (LRT) stations in 2017–2022. Pareto curves are used to observe the degree of concentration of crime in certain locations using multiple estimates; trajectory analysis is then used to observe crime patterns in the data on both places and offenders. Findings A total of 16.3% of stations accounted for 50% of recorded incidents. Train stations with high or low crime counts and severity remained as such consistently over time. Additionally, 3.6% of offenders accounted for 50% of incident count, while 5% accounted for 50% of harm. We did not observe differences in the patterns and distributions of crime concentrations when comparing crime counts and harm. Research limitations/implications Hot spots and harm spots are synonymous in low-crime-harm environments: high-harm incidents are outliers, and their weight in the average crime severity score is limited. More sensitive severity measures are needed for high-frequenty, low-harm enviornments. Practical implications The findings underscore the benefits of integrating offender data in place-based applied research. Originality/value The findings provide additional evidence on the utility of place-based criminology and potentially cost-effective interventions.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».