‘Domestic abuse hot spots’: A longitudinal, place-based analysis of 13 years of initial reports to the police
Notice bibliographique
Résumé
Abstract A rich body of literature suggests that crime is concentrated in hotspots, some consistently ‘hot’ over long periods. However, whether there are spatial and temporal concentrations of domestic abuse (DA) is presently unknown. While it is plausible that DA data follow similar Pareto curves as general crime, it is equally reasonable to assume stochasticity, especially regarding year-to-year consistency. We conducted a retrospective longitudinal analysis of 1.7 million DA initial reports to the police (as opposed to ‘crime incidents’) over 13 years (2007–19) in London, UK. We also examine crime harm patterns, which provide a more nuanced risk estimate for victims based on a crime harm index. We utilize a combination of spatial statistics and trajectory modelling approaches. We find that a small percentage of addresses are responsible for an outsized proportion of DA counts but half the bandwidth for crime harm generated. Year-to-year repeat victimization at specific addresses is 69.9%, and the mean probability of receiving another DA report from the same address in the following month is 41%. For both crime count and harm models, locations with either low or high DA reportage remained as such throughout the study. Changes in less than 1% of locations will drive DA trends in London. We conclude that concentrating on place-based emergency-calls-for-service data rather than crime reports unmasks a substantially greater likelihood of repeat DA victimization than previously assumed. The discovery of a spatiotemporal DA hotspot allows law enforcement to ‘zero in’ prevention efforts on a small number of premises relative to the overall scale of the capital. Future DA research should place greater weight on micro-place factors associated with DA to calibrate prevention efforts’ accuracy and efficiency.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».