Anticiper le risque dans le processus décisionnel : applications en renseignement criminel

24/12/2017
OAI : oai:www.see.asso.fr:1301:2017-5:21294
contenu protégé  Document accessible sous conditions - vous devez vous connecter ou vous enregistrer pour accéder à ou acquérir ce document.
Prix : 10,00 € TVA 20,0% comprise (8,33 € hors TVA) - Accès libre pour les ayants-droit
 

Résumé

Anticiper le risque dans le processus décisionnel : applications en renseignement criminel

Métriques

4
0
417.47 Ko
 application/pdf
bitcache://58d135ddbd6a4f9da0b142b345dfebe31fda961e

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/1301:2017-5/21294</identifier><creators><creator><creatorName>Patrick Perrot</creatorName></creator><creator><creatorName>Nicolas Valescant</creatorName></creator><creator><creatorName>Daniel Camara</creatorName></creator></creators><titles>
            <title>Anticiper le risque dans le processus décisionnel : applications en renseignement criminel</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sun 24 Dec 2017</date>
	    <date dateType="Updated">Mon 29 Jan 2018</date>
            <date dateType="Submitted">Mon 15 Oct 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">58d135ddbd6a4f9da0b142b345dfebe31fda961e</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>35776</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

REE N°4/2017 Z93 URSI DOSSIER 2 Anticiper le risque dans le processus décisionnel Applications en renseignement criminel Nicolas Valescant1 , Daniel Camara2 , Patrick Perrot3 Expert en analyse de données, Service central de renseignement criminel, Gendarmerie nationale1 PhD, Service central de renseignement criminel, Gendarmerie nationale2, 3 Introduction La lutte contre la délinquance s’articule autour de notions répressives et préventives qu’embrasse le champ applicatif du renseignement criminel. Alors que la répression néces- site de mettre en évidence des éléments de preuve et donc d’adopter une posture réactive par rapport à un fait criminel, le champ de la prévention ouvre des possibilités de postures proactives et non pénales exploitant des facteurs caractéris- tiques de la criminalité. Ciblant essentiellement les auteurs d’infractions, les approches répressives sont par nature limi- tées et circonscrites, au contraire des approches préventives qui intéressent un spectre sociétal très large. Elles offrent alors des leviers d’action plus conséquents et permettent une mise en œuvre dans le temps et l’espace plus aisée. Endémique à toute forme sociétale, la délinquance trouve ses origines au sein de facteurs très divers et répond parfois à des critères temporels de répétabilité comme de saison- nalité. En effet, elle ne peut être assimilée à un processus aléatoire ou déterministe. Aléatoire, elle serait particulière- ment difficile à comprendre et à combattre, déterministe elle serait parfaitement maîtrisable. La théorie du chaos comme la physique quantique ont révélé l’impossibilité pratique de se débarrasser du hasard comme du déterminisme laplacien. La réalité de la délinquance se situe à l’intersection, nous ne pouvons exclure que la délinquance soit régie par des carac- téristiques endogènes comme exogènes dans un processus que nous qualifierons de pseudo aléatoire. Une méthode d’analyse fondée sur l’évaluation du risque [5] apparaît parfaitement adaptée à une prévention qui intègre les circonstances et l’environnement des faits commis et les facteurs sociaux prédisposant à la délinquance. Intégrées au concept de renseignement criminel, les méthodes d’anticipa- tion consistent non pas à orienter l’équipage d’une patrouille de surveillance à l’instar de logiciels tels que PredPol (Predictive Policing), mais bien d’apporter des éléments d’aide à la déci- sion. A l’image de Sun Tzu qui ne définit pas de distinction dans l’échelle de la décision, nous ne formaliserons pas de ni- veau adapté à l’exploitation de notre application. En effet, nous considérons plutôt l’apport de l’outil dans un continuum allant de la réflexion à la décision via l’analyse évitant ainsi le risque de rupture. Néanmoins, parce que nous nous intéressons à la question de la décision, l’application développée s’adresse prioritairement à des niveaux disposant à la fois du pouvoir de décision et de leviers d’action. L’objectif poursuivi consiste à fournir des éléments d’ob- servation de la relation entre les faits passés et ceux à venir, The paper deals with the prediction issue in the field of public safety and more specifically on its influence in the process of decision-making. A key point in criminal intelligence to increase the crime fighting efficiency is the risk evaluation based on anticipation. Gen- darmerie nationale has developed an application based on a fusion of many methods able to predict the evolution of new occurrences in many offenses. Through that appli- cation, the authors have developed a new way to evaluate the performance of the algorithm by taking into account the trend and the value. The aim is to be more adapted to operational needs. Defining priorities, optimizing the hu- man and logistic resources allocation, and defining specific mission appear as a good mean to upgrade the perfor- mance of law enforcement. This is a part of the challenge proposed in this paper. ABSTRACT Le document traite de la question de la prédic- tion dans le domaine de la sécurité publique et plus particulièrement de son influence dans le processus de prise de décision. Un élément-clé de l'intelligence crimi- nelle pour accroître l'efficacité de la lutte contre la crimina- lité, est l'évaluation des risques fondée sur l'anticipation. La Gendarmerie nationale a développé une application basée sur la fusion de plusieurs méthodes capables de prédire l'évolution de nouvelles occurrences dans de nombreuses infractions. Ce faisant, les auteurs ont développé une façon nouvelle d'évaluer la performance de l'algorithme en pre- nant en compte la tendance et la valeur. L'objectif est de mieux répondre aux besoins opérationnels. La définition des priorités, l'optimisation de l'allocation des ressources humaines et logistiques et la définition de la mission spéci- fique, apparaissent comme un moyen efficace d'améliorer la performance des forces de l'ordre. Ceci fait partie du défi proposé dans cet article. RÉSUMÉ URSI DOSSIER 2 94 ZREE N°5/2017 en proposant une probabilité d’occurrence. Cette analyse aidera à la mise en œuvre, par anticipation, selon une unité spatiale et temporelle choisie, de contre-mesures et à la prise de décision la plus objective. La décision repose sur un trip- tyque incluant une vision prédictive, une vision prospective et une vision situationnelle. Face à cette approche ternaire, l’ap- port du traitement automatique se révèle particulièrement efficace au niveau de l’analyse prédictive et situationnelle. En effet, l’analyse prospective relève davantage d’une logique de scénario reposant sur l’imaginaire et envisageant l’impro- bable comme le plus probable sans en mesurer précisément la rationalité. L’analyse prédictive comme situationnelle pré- sente l’intérêt de pouvoir être modélisée comme évaluée, à partir de méthodes mathématiques. Après une première section, où nous abordons l’émer- gence et l’apport des mathématiques dans le champ policier, nous détaillerons dans une deuxième section les méthodes, prédictives comme régressives, utilisées dans le cadre d’une analyse de risque situationnel et social avant de proposer une métrique adaptée à l’évaluation des résultats dans une troisième section. La mathématique au service de la sécurité L’apport des mathématiques en matière de police est un phénomène qui n’est pas nouveau, si nous nous référons aux précurseurs que sont Edmond Locard ou Alphonse Bertillon dans le domaine des sciences forensiques. Nous voyons néanmoins ces dernières années apparaître un champ ap- plicatif de plus en plus important eu égard notamment au développement des possibilités en matière d’exploitation des données. Dans le domaine policier, de nouvelles approches analytiques ont émergé aux États-Unis à l’aube du 21e siècle autour des notions d’analyse prédictive et de cartographie criminelle [1], [3], dans le cadre d’une nouvelle appréhen- sion de la délinquance. Après les balbutiements de premiers outils tels CrimeStat, des outils plus directement exploitables ont vu le jour aux Etats-Unis comme en Europe d’ailleurs. Nous pouvons citer PredPol, PreCobs ou encore KeyCrime. L’objectif de ces produits commerciaux est d’indiquer aux dif- férentes patrouilles les quartiers où sont susceptibles de se commettre des faits en les classant par priorité. L’approche est essentiellement basée sur la notion de répétabilité spa- tio-temporelle [2] telle qu’envisagée par Jerry Ratcliffe : “If your house has been broken into, there is an increased risk that your house will be broken into again within a very short time”. Comme nombre de techniques innovantes, ces ap- proches font l’objet de multiples critiques qui se résument bien souvent à une tautologie : « les crimes auront lieu majo- ritairement dans les zones historiquement les plus crimino- gènes de la ville ». D’autres considèrent la police prédictive comme la « police des évidences ». Ces propos, souvent dé- nués de tout fondement rationnel, tendent tout simplement à considérer la réalité criminelle comme un phénomène dé- terministe et l’action policière comme totalement inefficace. Or, l’analyse prédictive témoigne justement du contraire en affichant des zones différenciées selon les périodes et/ou les types d’infractions. Néanmoins, il est évident que l’analyse de données n’a pas vocation à révéler ce qui n’est pas probable. Parce qu’il est plus efficace d’envisager la lutte contre la délinquance à des niveaux où les leviers d’action sont effec- tifs, le choix que nous avons fait est de développer une appli- cation qui envisage la délinquance spatialement du niveau départemental au niveau national et temporellement du niveau mensuel au niveau annuel. Ce choix offre une vision macroscopique permettant d’envisager la mise en œuvre de mesures préventives mais aussi de les évaluer pour une meilleure efficacité. En effet, la prédiction criminelle n’est pas comparable à une prédiction météorologique. La prédic- tion criminelle ne s’évalue pas sur les données présentes, le principe étant que les mesures déployées pour lutter contre la criminalité présente altèrent les variables ayant servi à calculer la prédiction. Il est ensuite possible d’évaluer, non pas la prédiction par rapport à la réalité des faits commis, mais bien l’efficacité des mesures prises. Dès lors, l’appli- cation que nous avons développée répond à une analyse prédictive comme à une analyse situationnelle. Nous exploi- tons diverses méthodes telles que le lissage exponentiel, les méthodes régressives de type ARIMA (Auto Regressive Integrated Moving Average), les réseaux neuronaux. A ces méthodes, s’ajoute la technique du boosting qui consiste à construire et combiner différentes approches pour obtenir un système global plus performant. Méthodologie : principes théoriques et expérimentation Préalablement à la présentation des principes régissant l’application développée, il est opportun de s’intéresser aux moyens à notre disposition pour évaluer un risque en pre- nant en compte comme préalablement expliqué l’aspect situationnel et l’aspect prédictif. Il est évident que l’un peut concourir à l’autre mais nous choisissons pour des raisons didactiques de les distinguer. L’analyse situationnelle : celle-ci peut-elle être utile à évaluer le risque criminel ou délictuel ? La réponse à cette question est positive même si cela est à la fois inquiétant, rassurant et pour le moins évident. Inquiétant dans le sens où considérer l’aspect situationnel comme pesant sur la délinquance, c’est aussi considérer que la situation sociétale REE N°5/2017 Z 95 Anticiper le risque dans le processus décisionnel ou économique que nous construisons, est, pour une part, génératrice de délinquance. Rassurant, car si cette situation résulte d’une construction, nous pouvons, en comprenant les ressorts situationnels de la délinquance, agir dessus. Les méthodes exploitables en matière de prise en compte de la situation sociétale notamment dans laquelle se meut la délinquance s’orientent vers des techniques. Évident enfin car toute décision en matière de lutte contre la délinquance ne peut s’affranchir d’une expertise de contexte que celui-ci soit local ou global. L’analyse prédictive : « Prévoir consiste à projeter dans l’avenir ce que nous avons perçu du passé » disait Bergson. L’analyse prédictive consiste en effet à prendre en compte le poids des occurrences passées pour construire un modèle de prédiction et à le projeter sur l’avenir après une phase de validation. Cela nécessite donc de disposer d’un corpus de données d’apprentissage pour apprendre le modèle, d’un corpus de développement pour l’ajuster ou le valider et enfin d’un corpus de test pour en estimer la réelle pertinence. Nous pouvons lire dans une partie de la littérature crimino- logique que la « prédiction ne peut fonctionner sinon tout le monde gagnerait à la loterie nationale ». Cette assertion témoigne d’une méconnaissance totale de la dépendance des événements et des probabilités associées mais aussi des méthodes d’apprentissage automatique. Les travaux réalisés se concentrent sur un large panel d’infractions de nature différente et sur l’intégration d’agré- gats d‘infractions de même type. Les données sont issues de l’état 4001 qui constitue une base de données quantitatives des faits enregistrés par les forces de police (gendarmerie et police nationales, préfecture de police). Il recense exclusive- ment les faits faisant l’objet d’une procédure judiciaire trans- mise au parquet (à la suite d’une plainte ou d’une enquête de police pour les faits les plus graves). Outre ces données qui relèvent de bases propres à la délinquance, nous exploi- tons des données socio-économiques dans le cadre d’une approche situationnelle et explicative de la criminalité. En effet, alors que les données endogènes à la délinquance aident à en anticiper l’évolution, les données exogènes aident à la comprendre en la caractérisant par des variables explicatives. Nous avons donc utilisé 627 variables issues de l’INSEE (Institut national de la statistique et des études éco- nomiques) intégrant des informations relatives à la richesse, à la démographie, au contexte social. L’analyse prédictive comme situationnelle de la criminalité peut être envisagée à partir de différentes approches qui font appel à des méthodes mathématiques diverses que nous pouvons résumer comme suit : s MÏTHODESSPATIO
TEMPORELLES s DATAMININGETMÏTHODESDERÏGRESSION sMÏTHODESDERÏPÏTABILITÏ sMODÏLISATIONDESZONESÌRISQUES Il n’existe pas en réalité de « meilleure » approche pour anti- ciper le risque criminel dans toutes ses composantes. Il existe en revanche des méthodes plus adaptées que d’autres aux cas d’usage. C’est la raison pour laquelle nous envisageons la solu- tion sous une forme plurielle et associons des familles de mo- dèles avec différentes variantes en vue d’optimiser le résultat sur des données réelles. L’appréhension du risque concourt en effet à la combinaison de différentes techniques qui sous une forme criminologique rassemblent les théories routinières, du choix rationnel et de l’identification des caractéristiques criminelles. Les méthodes spatio-temporelles et de répétabilité consi- dèrent les nouvelles occurrences comme une fonction de celles passées : f(crime future) = f(faits passés). Parmi ces méthodes nous exploitons l’efficacité des séries temporelles notamment sur une délinquance de masse telle que les cambriolages. A partir de la collecte des données, l’évolu- tion des faits de délinquance est analysée afin d’en extraire les caractéristiques temporelles : irrégularité, saisonnalité, croissance ou décroissance, combinaison de ces différentes caractéristiques. Ensuite, une analyse prédictive est réalisée en exploitant les méthodes de lissage exponentiel, simple, double (Holt), triple (Holt Winters) mais aussi des méthodes autorégressives et des réseaux neuronaux. La figure 1 pré- sente les différentes étapes d’analyse. Figure 1 : Synoptique d’analyse. URSI Valeur de la variable Coefficient de régression Population en ZGN 648 885 1,25 Usages stupéfiants 405 0,14 Taux de scolarisation des 18-24 ans 51% -2,26 Taux d’actifs occupés chez les 15-24 ans 32% -2,37 Logements 513 506 -1,97 Foyers fiscaux non imposables 55% 2,87 Salaire net horaire moyen des employés 9,4 -4,59 Hommes non salariés de 15 ans ou plus 31 469 2,09 Taux d’urbanisation 73% 1,10 Cambriolages 2132 DOSSIER 2 96 Z REE N°5/2017 Les méthodes de datamining comme de régression en- visagent les faits à venir comme une combinaison linéaire de données endogènes comme exogènes à la criminalité : f(crime à venir) = f(crimes de même nature passés, crimes de nature différente passés, données socio-économiques, météorologiques…). A partir de ces techniques régressives, nous déterminons la combinaison linéaire qui lie le type d’in- fraction (variables à expliquer) aux données passées endo et exogènes (variables explicatives). le tableau 1 présente les résultats d’une régression sur les faits de cambriolages dans le département du Finistère en Bretagne. : Variables explicatives : Variable à expliquer Le signe du coefficient de régression détermine l’influence positive de la variable explicative sur la variable à expliquer en l’occurrence les cambriolages, les deux variables évoluent dans le même sens. En d’autres termes, le taux d’urbani- sation par exemple influe à la hausse sur les cambriolages lorsque ce taux croît et à la baisse lorsqu’il décroît. L’analyse de la répétabilité est également une préoccu- pation intéressante en matière d’anticipation du risque. En effet, lors d’une infraction commise en un lieu, il apparaît opportun de mesurer la probabilité qu’une zone spatiale et temporelle proche du fait soit de nouveau concernée par un nouveau fait. La répétabilité répond à un triptyque crimino- logique bien connu : minimisation du risque, minimisation du temps d’exécution, maximisation du gain. Pour satisfaire à cette triple condition, la connaissance préalable du lieu de commission est un atout considérable. Un autre moteur de la répétabilité est la concentration des secteurs d’opportu- nité criminelle c’est-à-dire les zones où il y a un intérêt par exemple à commettre un cambriolage, motivé par le gain envisagé. Il existe de nombreuses études sur le sujet, nous avons choisi de travailler à partir de la méthode de Knox qui consiste à déterminer où se situe le plus de faits qu’attendu dans une zone spatio-temporelle à partir d’une distribution aléatoire. Ainsi, un tableau de contingence de valeurs ob- servées où les paires d’évènements sont classées selon des intervalles de temps et d’espace, est comparé à un tableau où les valeurs sont aléatoirement distribuées à partir de l’al- gorithme de Monte-Carlo. L’hypothèse sous-jacente à cette méthode est qu’il existe un cluster spatio-temporel statis- tiquement significatif des données observées. En d’autres termes, nous supposons qu’il devrait y avoir plus d’évène- ments observés dans une proximité spatio-temporelle que 95 % des combinaisons de la distribution aléatoire. Nous pouvons ainsi, à partir d’une échelle espace-temps, mesu- rer la probabilité d’occurrence d’un nouveau fait dans une zone déterminée. A la lecture du tableau 2, établi au niveau d’un départe- ment français, nous pouvons considérer qu’il existe 9,82 fois plus de chance qu’une nouvelle infraction soit commise dans les 250 mètres et les deux jours, d’un lieu où un fait a déjà été commis. Du point de vue opérationnel, ce type d’infor- r r mation permet de gérer le compromis entre la surveillance de prévention et celle effectuée en vue d’une interpellation. Tableau 1 : Analyse régressive des cambriolages en Finistère. REE N°5/2017 Z 97 Anticiper le risque dans le processus décisionnel La modélisation des zones à risque (RTM : Risk Terrain Modeling) considère qu’un certain nombre de caractéris- tiques d’une zone géographique influence et même poten- tiellement conditionne les comportements criminels tant dans la durée que dans la gravité. Sous cet angle, s’intéresser à ces caractéristiques permet d’évaluer le risque de genèse, comme d’extension d’une délinquance spécifique. Des élé- ments comme l’absence d’éclairage ou les configurations labyrinthiques, telles que l’architecture urbaine nous en a proposé dans les années 70 en France, pourrait être propice au développement criminel. Il s’agit de considérer l’impor- r r tance de ces variables ou caractéristiques trop souvent dé- laissées par rapport à l’aspect humain, à savoir les individus habitant dans ces zones. La méthode RTM offre ainsi la pos- sibilité de créer un modèle de vulnérabilités spatiales face au crime, avec l’idée de descendre à l’échelle la plus fine. La présence de commerces de tabac, d’écoles peut se révéler comme facteur de risque pour une délinquance particulière. L’ensemble des caractéristiques est intégré à un SIG (système d’information géographique) pour en déduire des cartes où chaque lieu, découpé en cellule, se voit affecter une probabi- lité de risque. Il ressort un maillage probabiliste sur des zones plus ou moins étendues, dont nous pouvons déterminer la taille. L’ambition de la modélisation RTM est d’apporter une métrique probabiliste sur une zone en considérant non pas la présence ou l’absence d’une caractéristique générant un type d’infraction mais plutôt à partir de l’influence spatiale (proximité et densité) de cette caractéristique. Evaluation : de la nécessité de définir une métrique adaptée Mesurer le niveau de performance de l’analyse néces- site de mettre en œuvre une métrique objective adaptée à la problématique visée. Alors qu’une simple distance entre la valeur prédite et la valeur réelle pourrait convenir à une première approximation, elle ne constitue pas un intérêt fondamental pour les utilisateurs en matière de lutte contre la délinquance. Cette différence ne peut à elle seule rendre compte du risque à venir. C’est la raison pour laquelle nous avons associé à cette distance, la pente de la courbe. En effet, anticiper une tendance à la hausse ou à la baisse représente un intérêt tout aussi important et même plus pour les acteurs opérationnels, que la valeur absolue de la variable. L’objectif de cette nouvelle métrique, intégrant à la fois la valeur de la variable, la tendance et la force de celle-ci, offre, au niveau de décision adapté, une approche plus objective et pragmatique de l’évolution de la criminalité. Il est ainsi pos- sible de mettre en place une priorité d’action sur telle ou telle infraction qui n’intègre pas seulement une forte hausse (car si le nombre de faits demeure très minime, cela pourrait détourner les priorités opérationnelles) mais qui ne se limite pas à la prise en compte d’une valeur absolue élevée du nombre de faits (car cette valeur pourrait néanmoins être largement inférieure aux données prédites). Cette nouvelle approche de l’évaluation, guidée par une nécessité opéra- tionnelle, peut être appréhendée par les mathématiques. La littérature ne mentionnant pas de formule adaptée à notre besoin, nous formulons une fonction d’erreur qui prend en compte non seulement la distance entre les différents points d’évolution de la variable mais aussi la tendance. Nous formu- lons cette erreur moyenne absolue, conditionnée par la ten- dance (MAPTE : Mean Absolute Percentage and Tendency Error), comme suit r : La taille T, de la série réelle comme de la prédiction à laquelle nous la comparons est identique. Dans la première partie de la série, nous estimons l’erreur moyenne entre les deux séries indépendamment de l’échelle et la normalisons Tableau 2 : Répétabilité criminelle à l’échelle d’un département. URSI DOSSIER 2 98 ZREE N°5/2017 entre 0 et 1. Dans le second terme de la formule, N repré- sente le nombre de fois où la pente de la prédiction diffère de la pente des faits réels. Le troisième terme est composé au numérateur de l’er- reur moyenne entre la valeur réelle et la valeur prédite et au dénominateur de l’enveloppe de la donnée réelle. Enfin, C représente le nombre de fois où trois points de la série sont colinéaires pour la courbe des valeurs prédites, divisé par la taille de la série. La métrique définie permet de minimiser l’impact de mé- thodes qui envisagent la prédiction d’un point de vue trop linéaire qui, même s’il est satisfaisant en termes de prédic- tion quantitative, est peu exploitable opérationnellement. Tel est l’objectif de MAPTE qui est indépendant des échelles à la fois de F et de Y. L’erreur est généralement incluse entre 0 et 4. Mais nous conservons la possibilité par la pondération de chaque composante (w1 à w4) de faire évoluer à la hausse ou à la baisse la colinéarité par exemple. Le tableau 3 présente les résultats où, pour chaque dépar- tement français, nous appliquons 29 techniques fondées sur l’analyse des séries temporelles, 15 méthodes de nature dif- férente et 14 déclinaisons. A partir de la lecture du tableau 3, nous notons selon la méthode MAPTE une prédominance de la méthode ARIMA (19 % des cas) suivie par la méthode Average Naive (14 %). La détermination du meilleur modèle de prédiction s’appuie sur 46 00 exécutions (46 infractions * 100 départements). La figure 2 représente l’évolution temporelle réelle des faits de cambriolages de décembre 2015 à novembre 2016. Elle représente aussi l’approximation de cette évolution par Method and citation (number of different configurations) MAPE [9] MASE [9] MAPTE Mean non matched slops Parentage of usage ARIMA [11] (6) 26.65 0.72 1.909 3.50 19.00 % Average naive method (2) 29.89 0.75 1.842 3.54 13.66 % Exponential smoothing state space model [17] (4) 30.88 0.76 1.993 3.89 11.99 % Neural Network Time Series Forecasts [18] (3) 31.54 0.71 1.929 3.40 11.30 % Singular Spectrum Analysis [19] (1) 35.65 0.72 2.022 3.75 8.15 % Seasonal Decomposition of Time Series object [14] (2) 30.02 0.78 1.927 3.56 7.98 % Seasonal naïve [14] (1) 28.4 0.7 1.788 3.38 7.27 % Holt Winters [10] (3) 30.1 0.93 2.17 3.69 6.79 % Long term forecasts [21] (1) 18.95 0.5 1.896 2.28 4.32 % Exponential smoothing state space [13] (2) 24.44 0.75 1.912 3.67 3.30 % Naive and Random Walk Forecasts [14] (1) 17.96 0.5 1.676 2.90 2.54 % Trigonometric terms for seasonality [14] (1) 26.98 0.77 1.959 3.81 2.47 % Support Vector Machines [20] (1) 31.23 0.69 2.333 3.61 0.69 % Cubic Spline Forecast [16] (1) 28.33 0.73 2.291 4.07 0.46 % Theta method forecast [15] (1) 27.01 0.59 1.949 3.75 0.09 % Tableau 3 : Tableau comparatif des méthodes d’évaluation incluant MAPTE. Figure 2 : Comparaison des méthodes prédictives. REE N°5/2017 Z 99 Anticiper le risque dans le processus décisionnel différentes approches mathématiques. Alors que le lissage exponentiel triple (Holt Winters), par exemple, parvient à approcher la tendance à la baisse de la courbe réelle, nous mesurons la difficulté à appréhender les différents soubre- sauts de la réalité. Nous percevons également le niveau de performance de la méthode MAPTE qui associe le meilleur compromis entre l’estimation de la valeur et la prise en compte de la tendance. Après avoir sélectionné la meilleure méthode pour chaque département et pour chaque infraction (ou agrégat), nous proposons, à l’adresse des utilisateurs, une courbe mention- nant les faits réels de l’année écoulée (en bleu sur la figure 3) comparativement à la prédiction (en jaune sur la courbe) pour chaque mois. Cette première partie de la courbe per- met d’évaluer le niveau de la prédiction mais aussi, dès lors que la prédiction est exploitée à des fins opérationnelles, l’efficacité des mesures prises. La seconde partie de la courbe présente la prédiction pour l’année à venir en termes quantitatifs comme de tendance. A droite de la figure 3 appa- raissent pour une infraction considérée et pour un mois par- ticulier les départements français qui devraient être le plus impactés. Cette vision à long terme permet d’anticiper les renforts avec plus d’un an d’avance. Conclusion L’application développée par la Gendarmerie nationale propose une approche macroscopique de la délinquance en vue d’anticiper l’évolution des infractions. Exploité à un niveau où le pouvoir de décision et les leviers d’action sont réels, ce type d’outils permet de mieux appréhender la délin- quance mais aussi d’optimiser l’action des forces de l’ordre par une meilleure allocation des ressources qualitatives et quantitatives comme une meilleure appréhension des prio- rités. Les méthodes employées entrent dans le champ des mathématiques ouvrant des perspectives jusqu’alors peu ex- plorées dans une perspective proactive de lutte contre la dé- linquance en France. Elle se distingue également largement de programmes ou d’outils comme PredPol ou Precobs, en s’adressant prioritairement au responsable en charge de la décision et non de l’exécution. Les développements en cours au sein de la Gendarmerie envisagent également une échelle spatiale et temporelle plus faible afin de pouvoir descendre en termes d’usage non seulement à une optimisation de l’allocation de la ressources humaines et logistiques, mais aussi à une meilleure définition des missions en agissant sur l’orientation du service en complémentarité et non en remplacement des méthodes actuelles. Enfin, il est à noter que l’ensemble de ces initiatives est en conformité avec la question des libertés individuelles car elles ne concernent en aucune manière le comportement individuel ou groupal de citoyens. Références [1] John Eck, Spencer Chainey, James Cameron, R Wilson, “Mapping crime : understanding hotspots” In National Institute of Justice, 2005. [2] C. P. Haberman, J. H. Ratcliffe, The predictive policing challenges of near repeat armed street robberies, Policing: A Journal of Policy and Practice, 6(2): 151-166, 2012. [3] J. H. Ratcliffe, Crime mapping and the training needs of Figure 3: Présentation de l’analyse à partir de données réelles en Isère. URSI DOSSIER 2 100 ZREE N°5/2017 law enforcement, European Journal on Criminal Policy and Research, 10 (1): 65-83, 2004 [4] P. Perrot, K. T. Achi, “Forecasting analysis in a criminal intel- ligence context”, Proc. International Crime and Intelligence Analysis Conference, 2015. [5] P. Perrot, « L’analyse du risque criminel : l’émergence d’une nouvelle approche », Revue de l’électricité et de l’électronique, 2014. [6] Interstats Méthode N° 2 : l’enregistrement des crimes et délits non routiers par la police et la gendarmerie, Interstats, novembre 2015. [7] C. Willmott, K. Matsuura, Advantages of the Mean Absolute Error (MAE) over the Root Mean Square Error (RMSE) in assessing average model performance, Clim. Res., 30, 79– 82, 2005. [8] T. Chai, R. R. Draxler, Root mean square error (RMSE) or mean absolute error (MAE) - Arguments against avoiding RMSE in the literature - Geosci. Model Dev., 7, 1247–1250, 2014. [9] Rob J. Hyndman, Another Look at Forecast-Accuracy Metrics for Intermittent Demand, FORESIGHT Issue 4, June 2006. [10] P. R. Winters, Forecasting sales by exponentially weighted moving averages, Management Science 6 324-342, 1960. [11] J. Haslett and A. E. Raftery, Space-time Modelling with Long- memory Dependence: Assessing Ireland’s Wind Power Resource (with discussion); Applied Statistics 38, 1-50, 1989 [12] R.J. Hyndman, A.B. Koehler, J.K. Ord, R.D. Snyder, Fore- casting with exponential smoothing: the state space approach, Springer-Verlag: New York, 2008 [13] A. M. De Livera, R. J. Hyndman, R. D. Snyder, Forecasting time series with complex seasonal patterns using expon- ential smoothing, Journal of the American Statistical Association, 106 (496), 1513-1527, 2011. [14] Rob Hyndman, Forecasting Functions for Time Series and Linear Models, available online at http://github.com/ robjhyndman/forecast, version 7.3, October 13, 2016. [15] V. Assimakopoulos and K. Nikolopoulos, The theta model: a decomposition approach to forecasting, International Journal of Forecasting, 16, 521-530, 2000. [16] Rob J Hyndman, Maxwell L. King, Ivet Pitrun, Baki Billah, Local linear forecasts using cubic smoothing splines, Australian and New Zealand Journal of Statistics, 47 (1), 87- 99, 2005. [17] R.J. Hyndman, A.B. Koehler, R.D. Snyder, and S. Grose, A state space framework for automatic forecasting using exponential smoothing methods, International J. Forecasting, 18 (3), 439–454, 2002. [18] Rob Hyndman, Forecasting Functions for Time Series and Linear Models, available online at http://github.com/ LES AUTEURS Nicolas Valescant est officier de gendarmerie et cher- cheur au service central du renseignement criminel. Sa mission est de contribuer au développement des capacités d’analyse de données du service en vue de son exploita- tion au profit du renseignement criminel. Engagé sur le pro- jet de l’analyse décisionnelle, il y applique des méthodes d’intelligence artificielle et d’analyse des séries temporelles en vue de comprendre et anticiper les patterns criminels. Nicolas Valescant est titulaire d’un master en commerce et en économétrie à Kedge Business School et Queen’s University. Daniel Câmara est chercheur au service central du rensei- gnement criminel où il applique les théories des réseaux sur l’analyse et la prédiction de patterns de criminalité. Il a travaillé par le passé comme chercheur à Telecom Paris- Tech, l’INRIA, EURECOM et à l’UFMG. Il a également été professeur au sein de l’université pontificale catholique du Minas Gerais, Brésil. Ses domaines de recherche principaux comprennent les réseaux sans fil, les systèmes distribués, la qualité logicielle et les algorithmes d’intelligence artificielle. Le Dr. Câmara est titulaire d’un doctorat en télécommuni- cations de Telecom ParisTech et un autre d’informatique de l’Université fédérale du Minas Gerais au Brésil. Patrick Perrot est officier de gendarmerie au sein du Service central de renseignement criminel qui a pour ob- jectif d’exploiter la donnée à des fins de lutte contre la délinquance en développant des méthodes d’anticipation. Durant sa carrière, il a combiné des commandements opérationnels et des fonctions de nature scientifique, no- tamment dans le domaine forensique et dans celui du ren- seignement. Titulaire d’un doctorat de Telecom Paris Tech dans le domaine du signal, il est aussi ingénieur de forma- tion et diplômé en sciences criminelles et droit pénal. Il est l’auteur de nombreuses publications dans le domaine de l’application de la science au profit de la sécurité. REE N°5/2017 Z 101 Anticiper le risque dans le processus décisionnel robjhyndman/forecast, version 7.3, October 13, 2016. [19] R. Vautard, M. Ghil, Singular spectrum analysis in nonlinear dynamics, with applications to paleoclimatic time series, Physica D, 35, 395–424, 1989. [20] Chih-Chung Chang and Chih-Jen Lin, LIBSVM: A library for support vector machines. ACM Trans. Intell. Syst. Technol. 2, 3, Article 27, May 2011. [21] P. Cortez. Sensitivity Analysis for Time Lag Selection to Forecast Seasonal Time Series using Neural Networks and Support Vector Machines, In Proceedings of the IEEE International Joint Conference on Neural Networks (IJCNN 2010), pp. 3694-3701, Barcelona, Spain, July, 2010. [22] S. Makridakis, M. Hibon, The M3-competition: Results, conclusions and implications, International Journal of Forecasting, 16, 451-476, 2000. [23] Aman U. Khan, W. Bartley Hildreth, Case studies in public budgeting and financial management. New York, N.Y: Marcel Dekker. ISBN 0-8247-0888-1, 2003.