Diplomová práce

Úvodním krokem řešení práce bylo provedení literární rešerše za účelem hlubšího porozumění nesmírně široké problematiky v oblasti hodnocení kriminality. Další krok spočíval v nalezení vhodného zdroje veřejně dostupných prostorových dat o kriminalitě za požadované období s největší možnou prostorovou podrobností v kontextu Česka.

V praktickém řešení naplnění cílů práce byla aplikována celá řada metod. Za účelem prostorové analýzy kriminality proběhlo seznámení se s daty a následovalo zpracování prostorových bodových dat kriminality mj. agregací dat na úrovni obcí, což vedlo k výpočtům souhrnných indexů kriminality v obcích Česka za roky 2016 až 2021. Mezi vypočtené souhrnné indexy kriminality náleží hrubý index kriminality a čistý index kriminality. V této praktické části práce bylo snahou vytvořit inovativní výpočet váženého indexu kriminality na základě přiřazení patřičných vah trestným činům podle průměrné doby odnětí svobody (nepodmíněného trestu) za sledovaný rok 2021. Pozornost byla věnována i analýze dílčích kategorií trestných činů.

Další významnou částí práce bylo posouzení vztahu kriminality k vybraným socioekonomickým ukazatelům. Pro tento účel byly použity metody prostorové statistiky, jako jsou regresní modely – Ordinary Least Squares (OLS) a jejich prostorové varianty – Spatial Lag Model (SLM), Spatial Error Models či geograficky vážené regrese (Geographically Weighted Regression – GWR). Charakteristika modelů je stručně popsána v závěru této podkapitoly.

Volba demografických a ekonomických ukazatelů byla uskutečněna v závislosti na dostupnosti a aktuálnosti statistických dat požadované prostorové úrovně. Dalším kritériem pro volbu konkrétních statistických ukazatelů byla zmínka jejich přítomnosti v některých ze zkoumaných studií a autorovým subjektivním posouzením vhodnosti s ohledem na výsledky explorační analýzy vstupních dat.

Závěrečná část práce syntetizuje získané poznatky nalezení prostorových vztahů kriminality především z výsledků aplikace prostorových statistických modelů. Syntézou výsledků prostorových analýz je hodnocení kriminality ve vztahu k vybraným socioekonomickým ukazatelům. Dílčí výsledky hodnocení kriminality (tj. souhrnné indexy kriminality, jednotlivé kategorie trestných činů, nalezení prostorových vztahů vzhledem k vybraným socioekonomickým ukazatelům) byly zachyceny vhodnou prostorovou vizualizací sérií několika map užitím metody pseudokartogramu umožňující kvantitativní srovnávání jednotlivých dílčích územních celků, neboť forma geovizualizace ve srovnání s číselnými hodnotami, tabulkami či grafy, dokáže přehledně zobrazit požadovanou prostorovou variabilitu vztahu. Výstupy ve formě tabulek a grafů jsou rovněž zahrnuty jako součást diplomové práce.

V důsledku náročnosti funkcionality prostorových statistických modelů je interpretace jejich výsledků a koeficientů značně obtížná. Z tohoto důvodu autor této diplomové práce přistupoval k interpretaci výsledků hodnocení kriminality s maximální možnou obezřetností. Grafická vizualizace postupu zpracování je patrná z následujícího obrázku:

Regresní analýza

Regresní modelování má za cíl analyzovat vztah mezi vysvětlovanou závislou (vysvětlovanou) proměnnou a jednou nebo více nezávislými (vysvětlujícími) proměnnými (prediktory). Tento postup umožňuje odhadnout vliv prediktorů na sledovanou proměnnou. Lineární regresní model je nejjednodušší formou regresní analýzy, kdy je vztah mezi proměnnými aproximován lineární funkcí (tj. přímkou, která nejlépe popisuje datovou sadu). Geometricky se tak jedná o úsečku, která nejlépe prochází množinou bodů v rovině. Vztah je definován následující rovnicí:

𝒚 = β ₀ + β ₁ + ε

,kde 𝒚 je sledovaná proměnná, β₀ je úrovňová konstanta, β₁ regresní koeficient proměnné x a ε je vektor náhodné chyby měření.

Prostorové regresní metody rozšiřují klasické regresní modely tím, že zohledňují prostorovou strukturu dat, která často vykazuje nedostatek nezávislosti mezi měřeními provedenými na blízkých místech. Existuje několik různých přístupů k prostorovým regresním analýzám. Obvykle se využívají dva základní přístupy: globální řešení pomocí explicitní formy prostorovéautokorelace pro zohlednění celkového vlivu prostorové závislosti a místní řešení umožňující modelování prostorově proměnných parametrů (tj. GWR) na místní úrovni. Globální řešení přímo hodnotí prostorovou složku dat (často jako nezávislou proměnnou) a zahrnuje ji do návrhu modelu. Čistý prostorový autoregresní model se týká autoregrese závislé proměnné, avšak je nutno upozornit na společné autoregresní rysy i v jiných modelech, včetně prostorového chybového modelu. Existuje jednotný koncept globálních modelů prostorové závislosti, který vysvětluje vazby mezi těmito modely. Prostorový lag model, angl. Spatial Lag Model (SLM), neboli smíšený regresní prostorový autoregresní model zahrnuje složky standardního regresního modelu X𝛽 (kde X je vektor nezávislých proměnných a 𝛽 jsou regresní koeficienty) a také prostorově zpožděnou verzi závislé proměnné 𝒚 (následující rovnice) s vektorem prostorových autoregresních parametrů ρ, váhovou maticí W a vektorem chyb ε.

Prostorový chybový model, angl. Spatial ErrorModel (SEM) je definován následující rovnicí, která zahrnuje prostorové autoregresní parametry λ pro chyby a vektor jednotkových chyb. Prostorová autokorelace se nezahrnuje do modelu jako samostatná proměnná, ale ovlivňuje kovarianční strukturu náhodných chybových členů.

Prostorový chybový model je volen tehdy, pokud se zdá, že existuje statisticky významná prostorová autokorelace, avšak testy prostorových zpožděných efektů neposkytují dostatečné důkazy pro zahrnutí těchto efektů. Model prostorového zpoždění je vhodnější v situacích, kdy nepozorované proměnné nemají statisticky významný vliv, zatímco model prostorové chyby je upřednostňován, pokud jsou nepozorované proměnné relevantní. Nicméně, tyto modely jsou kritizovány za svůj univerzální přístup.