“Spazi urbani e percezione della sicurezza. Strategie di sostenibilità sociale e nuove narrazioni della sicurezza”, Quaderno della Rivista Trimestrale della Scuola di Perfezionamento per le Forze di Polizia – 2024
Le radici della “predictive policing”, letteralmente definita come “the use of data and analytics to predict crime”, risalgono ai primi anni del XXI secolo, quando le Forze di Polizia negli Stati Uniti iniziarono a sperimentare l’uso di modelli matematici per la prevenzione del crimine. La “polizia predittiva” contempla un insieme di attività di analisi dei dati inerenti crimini consumati nel corso degli anni: la loro collocazione temporale, la georeferenziazione e le ricorrenze riscontrate sui modus operandi di criminali riconducibili a motivazioni, opportunità, profili di vittima, scelte temporali e schemi di azione. La combinazione di questi elementi consente di acquisire informazioni che configurano la probabilità futura della reiterazione dell’evento, evidenziando la concentrazione spaziale dei delitti sul territorio. Il fine ultimo della strategia di base della predictive policing è l’allocazione ottimale delle risorse umane e degli interventi della polizia.
La predictive policing comprende diverse tipologie di software che, nonostante le loro peculiarità, seguono un medesimo processo articolato in tre fasi. In primo luogo, si inseriscono dati di una o più tipologie nel sistema. Successivamente, i dati inseriti vengono analizzati attraverso un metodo algoritmico al fine di elaborare la specifica previsione cui il sistema è finalizzato. Infine, gli agenti di polizia utilizzano tale previsione per informare le decisioni strategiche e tattiche sul campo. Molteplici sono le varianti delle possibili applicazioni concrete a seconda del tipo di dati utilizzati, della tecnica algoritmica impiegata e, soprattutto, del tipo di predizione che si intende ottenere.
Sotto quest’ultimo profilo, si distinguono due principali tipologie di sistemi: i sistemi place-based e i sistemi person-based. I primi elaborano una predizione basata sull’individuazione delle aree urbane (crime hot spot e “riserve di caccia”) dove è probabile che si verifichino reati, mentre i secondi forniscono una previsione di rischio individuale, identificando coloro che potrebbero commettere reati o diventarne vittime. In questo ambito, esiste un sottogruppo di software denominati suspect-based, che delineano il profilo del possibile autore di un determinato reato o di una serie di reati seriali.
L’idea di fondo alla base dell’implementazione degli strumenti place-based è che alcune tipologie di reati tendono ad avere un effetto domino nelle aree limitrofe e, quindi, a essere seguiti da altri reati della stessa specie. Ciò accade perché lo stesso autore torna nel medesimo luogo per commettere nuovi reati o perché sussistono condizioni ambientali che alimentano la criminalità, come l’assenza di Forze di Polizia nell’area. Questo fenomeno, noto come «near repeat effect», ispira gran parte dei sistemi di predictive policing attuali, che trovano conferma empirica soprattutto nei reati contro il patrimonio.
Preliminarmente, il concetto di hot spot, individua le aree geografiche in cui è più probabile che si verifichino crimini, sulla base di dati storici e modelli previsionali. Gli hot spots vengono identificati utilizzando algoritmi che analizzano dati storici sui crimini, considerando variabili come il tipo di reato, l’ora e il luogo di commissione. Questo approccio si basa sull’idea che i crimini non si distribuiscono in modo casuale nello spazio urbano, ma tendono a concentrarsi in specifiche aree. L’identificazione di questi siti consente alle Forze di Polizia di allocare le risorse in modo più efficiente, aumentando la presenza nelle aree a rischio e potenzialmente prevenendo crimini prima che accadano.
L’individuazione delle “riserve di caccia” urbane, fornisce un modello utile per comprendere il comportamento criminale ripetitivo, traendo il fondamento teorico dall’unione delle teorie della «rational choice» e della «routine activity». La teoria della «rational choice» si basa sull’assunto che i criminali agiscano in modo razionale e, come i predatori in natura che esplorano attentamente un quartiere per identificare obiettivi di interesse e valutare potenziali pericoli, è probabile che si attengano a una formula d’azione collaudata e commettano altri reati nello stesso contesto ambientale in tempi ravvicinati, massimizzando il patrimonio conoscitivo acquisito e minimizzando i rischi. Secondo la teoria della «routine activity», la realizzazione di un reato è facilitata dalla presenza di un autore motivato, dalla disponibilità di un «bersaglio adatto» e dall’assenza di adeguate misure di protezione. Da qui, l’idea che rafforzare i controlli di polizia in un determinato luogo e in un certo orario possa avere un effetto deterrente riducendo l’incidenza di crimini.
Tra i primi strumenti di predictive policing basati su sistemi place-based, sperimentati negli USA, vi è l’algoritmo PredPol, sviluppato da ricercatori dell’UCLA. Basato sul near repeat effect, e inizialmente utilizzato per prevedere alcuni property crime come furti e rapine, questo algoritmo analizza i dati relativi ai reati passati, considerando variabili quali la tipologia, l’ora e il luogo di commissione, per identificare pattern tra i comportamenti criminali precedenti. Il sistema individua poi le probabili zone di attività criminale e mette a disposizione degli agenti di polizia mappe digitali delle aree da pattugliare. Una prima evoluzione dei place-based systems ha esteso le tipologie di reati oggetto di predizione ai «violent crime», come conflitti a fuoco ed episodi di violenza legati alle gang. Inoltre, è stata sviluppata una nuova tecnica di analisi, il Risk Terrain Modeling (RTM), che ricerca gli «environmental crime drivers» o fattori ambientali che incentivano la criminalità in determinate aree urbane. Il RTM considera la realtà fisica di una città come un terreno di rischi interconnessi, e la presenza di più risk factors in una determinata zona indica una significativa probabilità di reati.
I person-based systems, si fondano sull’ipotesi per cui soltanto una piccola quota della popolazione è responsabile di episodi di violenza, sicché l’individuazione di tali soggetti e il conseguente intervento mirato nei loro confronti si rivelano essenziali per ridurre il tasso di criminalità (c.d. focused deterrence). Questi sistemi prevedono:
- l’elaborazione di liste di persone ritenute ‘a rischio’ ovvero soggetti che, secondo la polizia, commetteranno crimini in futuro o che sono coinvolti in attività criminali in corso, ma non sono ancora stati arrestati;
- la social network analysis (rete sociale), con identificazione dei soggetti a rischio in base ai rapporti che ciascuno ha in una rete sociale (parenti, amici, incontri regolare, colleghi,) e l’analisi dei social media, si fonda sul presupposto che le persone inserite in un cerchio di relazioni – che include vittime o autori di episodi di violenza con armi da fuoco – presenti un alto rischio di essere coinvolto in futuro in simili episodi.
Infine, i suspect-based systems, pur essendo una sottocategoria dei person-based systems, si focalizzano sull’analisi dei dati relativi ai reati seriali per individuare corrispondenze che permettano di delineare il profilo dell’autore di futuri reati per finalità investigative e predittive.
Esempi virtuosi dell’approccio di polizia predittiva sono riscontrabili nell’esperienza italiana con i software Xlaw e KeyCrime.
Il sistema Xlaw, sviluppato da un ispettore della questura di Napoli, utilizza un algoritmo di apprendimento automatico per analizzare dati relativi a reati predatori urbani e variabili socio-economiche e demografiche. La tecnologia, che rientra nei cosiddetti place-based systems, attraverso un algoritmo di tipo euristico mette in comparazione le dinamiche sul territorio con gli eventi accaduti nel tempo e riesce a identificare e isolare dei precisi modelli criminali che vi si configurano, dando loro una precisa collocazione spazio-temporale e restituendo una previsione finale di rischio. Il sistema XLAW elabora degli alert temporali, georeferenziando (attraverso le API di Google) le aree di territorio dove si prevede, con buona probabilità, possa essere commesso un reato predatorio. Tali alert permettono di vigilare sulle aree urbane in anticipo, prima che il reato avvenga. Il sistema, inoltre, è in grado di elaborare l’indice di previsione criminale (PCRIME), un indicatore affidabile per comprendere immediatamente la portata del fenomeno e definire gli obiettivi da perseguire a breve, medio e lungo termine. La tecnologia che compone XLAW consta in una WebApp fruibile attraverso tutti i moderni dispositivi dotati di un browser e di un collegamento alla rete internet. XLAW è utilizzabile agevolmente da tutti gli operatori di controllo del territorio, i quali possono prendere in carico gli alert elaborati dal sistema nel corso del servizio di istituto ed applicare con puntualità la strategia preventiva nel tempo e nello spazio.
Parallelamente, il software KeyCrime, sviluppato presso la Questura di Milano, sfrutta l’intelligenza artificiale e il machine learning per analizzare dettagliati dati sui reati seriali, tra cui circostanze di luogo e tempo, abbigliamento e gestualità del colpevole, testimonianze dei presenti e altro. Questa analisi, che rappresenta un esempio di person-based predictive policing, valuta il rischio individuale basandosi su variabili come precedenti penali, connessioni sociali e comportamenti passati, permettendo di tracciare un profilo del
perpetrator e di predire le sue mosse future. KeyCrime si basa sul principio di “Crime Linking”: un algoritmo che combina dati storici relativi al profilo degli autori di reati passati e i luoghi e le tempistiche precise dei crimini commessi. Tramite correlazione il software suggerisce quali crimini sono compiuti dagli stessi criminali consentendo interventi mirati su soggetti specifici. Esattamente come un cervello umano, il software mira a svolgere un’attività computazionale dei dati archiviati attraverso principi di osservazione, analisi e logica, prendendo spunti da diverse discipline, quali la matematica, la statistica, la
psicologia comportamentale e l’analisi geospaziale.
I principi di analisi multidisciplinare rappresentano il cuore del sistema, che mira a individuare e mettere in correlazione tra loro gli elementi caratterizzanti un evento criminoso, valutandone l’importanza attraverso una complessa procedura di calcolo. L’applicativo si basa, quindi, sull’analisi degli elementi proposti dalla realtà. Dall’osservazione del dato reale prende avvio la prima delle diverse analisi eseguite dal software: l’analisi induttiva, che mira a individuare aspetti comuni in eventi diversi, creando relazioni tra fatti
singoli che altrimenti non potrebbero essere collegati. Questa fase permette di attribuire reati avvenuti in tempi e luoghi diversi a un’unica mano, anche se ignota, con l’obiettivo di rilevare e definire serialità criminali.
Successivamente, il sistema passa a una seconda fase, ancor più complessa, che segue un percorso deduttivo applicando logiche di osservazione per prevedere un reato futuro attraverso un complesso modello previsionale, definibile come “predictive crime analysis”. La piattaforma fornisce strumenti avanzati di visualizzazione dei dati, inclusi mappe termiche e dashboard interattive, i quali facilitano la comprensione dei modelli criminali e supportano l’adozione di decisioni informate. Tali strumenti consentono di pianificare mirati “servizi di prevenzione” nelle aree urbane individuate come potenziali scenari di attività criminali, permettendo, in diversi casi, l’intervento delle Forze dell’Ordine prima che i reati vengano effettivamente perpetrati. Sulla base di questo tool, il Dipartimento di Pubblica Sicurezza del Ministero dell’Interno ha dato vita al progetto Giove, un sistema di elaborazione e analisi automatizzata, che sfrutta la tecnologia di KeyCrime e che dovrebbe estendere il perimetro dell’analisi predittiva anche per i reati di terrorismo molestia e violenza sessuale, furti in abitazione e truffe. La sperimentazione è tuttora sospesa nell’attesa del vaglio del Garante della privacy.