From Detection to Decision: Integrating Analytics and Structural Equation Modeling for Urban Public Safety Response
Notice bibliographique
Résumé
Urban public safety operations face persistent challenges in managing high service demand under limited resources. Rapid detection and coordinated response to gunfire incidents are particularly critical, as they require data-driven decision support for patrol scheduling, resource allocation, and operational planning. This study leverages multi-year ShotSpotter acoustic detection data from Washington, D.C. (2014--2020) to move beyond descriptive hotspot analysis toward causal modeling of performance outcomes. First, Exploratory Data Analysis (EDA) identifies distinct temporal rhythms---including nighttime surges, weekend variability, and clustering in high-incidence districts---as well as long-term seasonal trends. Building on these findings, a Structural Equation Model (SEM) is developed to capture three latent constructs: Operational Load (incident intensity, temporal concentration, clustering severity), Response Efficiency (system acknowledgment and in-district confirmation), and Strategic Readiness (district-level adaptability). Using district--week aggregates from 2019--2020, Partial Least Squares SEM (PLS-SEM) and covariance-based SEM (CB-SEM) demonstrate that higher operational load reduces response efficiency, but that strategic readiness moderates this effect by buffering efficiency losses. By integrating exploratory analytics with structural modeling, this paper advances methodological understanding of SEM in public safety research and provides practical insights for patrol deployment, district staging, and adaptive staffing policies to enhance resilience in high-demand environments.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».