Diplomová práce

Práce se zabývá hodnocením kriminality v obcích Česka v letech 2016–2021. V práci byla použita především data trestných činů z Mapy kriminality. Míra kriminality byla hodnocena v geografickém kontextu prostřednictvím výpočtu hrubého a čistého indexu kriminality za pomocí geografických informačních systémů. Čistý index kriminality oproti hrubému zahrnuje pouze trestně právní obyvatele. Inovativním a unikátním přístupem byl autorův návrh a výpočet váženého indexu kriminality pro rok 2021 v obvodních odděleních Česka. K tomu byla využita data Policie ČR všech registrovaných typů trestných činů dle takticko-statistické klasifikace. Ve výpočtu jsou zahrnuty váhy, které byly vypočítány na základě průměrné délky trestu nepodmíněného odnětí svobody (v měsících) pro každý typ trestné činnosti klasifikovaných podle Trestního zákona. Výsledky vypočteného váženého indexu kriminality v podobě map mají širší vypovídací hodnotu, mohou přinést nové perspektivy a přiblížit se co nejvíce k reálnému stavu kriminality v dané oblasti na základě zohlednění různých vah trestných činů. Vše ale závisí na kvalitě vstupních dat kriminality.

Míra kriminality je v prostoru variabilní. Identifikace kriminality byla zaměřena především na místa vykazující anomálie a na místa s vyšší, resp. nižší koncentrací míry kriminality. Z výsledků všech souhrnných indexů kriminality napříč sledovanými roky vyplývá, že nejvyšší míra kriminality v Česku je nejvíce koncentrována v Praze, v obcích na Mostecku, Ostravsku, velkých městech s vysokým počtem obyvatel (50 000 a více), a poté v obcích při pohraničí (s výjimkou JV Česka). Dalšími důležitými výstupy hodnocení míry kriminality jsou animace a matice map indexů míry kriminality dílčích kategorií trestných činů v obcích Česka za jednotlivé roky 2016–2021.

Nutno podotknout, že diplomová práce reflektuje potřebu výzkumu kriminality v detailním prostředí, a sice na úrovni obcí, což činí tuto práci v Českém kontextu výjimečnou a dosud unikátní i z hlediska použitých metod a datové sady. Výsledky hodnocení míry kriminality jsou do určité míry překvapivé, nicméně nelze je srovnávat s jinými tuzemskými studiemi, jelikož se jedná o první studii, která byla realizována v kontextu použitých dat na úrovni obcích Česka. Mapové výstupy poskytují užitečné informace o trendech a vzorcích kriminality v různých oblastech. Mapování prostorového rozložení míry kriminality může pomoci Policii České republiky a dalším orgánům činným v trestním řízení lépe pochopit příčiny a vytvářet strategie pro řešení kriminality.

Ke stanovení vztahu mezi čistým indexem kriminality a vybranými demografickými a ekonomickými ukazateli byl použit jak neprostorový lineární model regrese Ordinary Least Squares (OLS), tak i prostorové regresní modely – Spatial Lag Model (SLM), Spatial Error Model (SEM) a Geograficky vážené regrese (GWR). Regresní modelování bylo realizováno pro dva scénáře – MODEL 1 zahrnující obce s nulovou hodnotou indexu kriminality a MODEL 2, které tyto obce nezahrnuje. Přestože logaritmická transformace dat indexu kriminality v MODELU 2 přispěla k pozitivní změně normality dat, byla autorova pozornost věnována interpretaci MODELU 1 z důvodu hodnocení bližšího skutečného stavu kriminality. Hodnocení MODELU 2 by bylo nad rámec této diplomové práce a může představovat potenciální téma pro další výzkumy.

Užitím OLS bylo zjištěno, že s rostoucím podílem obyvatel náboženského vyznání roste také index kriminality. Z hlediska rodinného stavu model potvrdil, že s rostoucím podílem svobodných a rozvedených roste i míra kriminality. Dle modelu platí, že s rostoucím podílem obyvatel v insolvenci klesá index kriminality. OLS vyhodnotil, že s rostoucími hodnotami indexu kriminality roste podíl obyvatel v exekuci, romské populace a příjemců příspěvků na bydlení.

Dílčí část práce se věnuje aplikaci prostorových autoregresních modelů. Podle Akaike informačního kritéria (AIC) přináší prostorové modely SLM a SEM mírné zlepšení oproti neprostorovým. Vzhledem k tomu, že nedošlo k výraznému zlepšení výsledků ve srovnání s OLS, žádný z těchto prostorových modelů nebyl zvolen pro další interpretaci.

Použití metody GWR vedlo k lepším výsledkům než využití metody OLS. Pro srovnání bylo využito několik statistik, mezi které náleží hodnota koeficientu determinace R² a AIC. V tomto případě platí, že vyšší explanační sílu modelu GWR před modelem OLS indikuje nižší hodnota AIC. Šírka fixního Gaussovského pásma byla optimalizována podle AIC a R² na 15 km. Výsledný model obou scénářů má nadále problémy s vysokou lokální multikolinearitou. Oba scénáře v žádném případě neodstranily prostorovou autokorelaci reziduí. V rámci interpretace výsledných regresních koeficientů GWR MODELU 1 je autorova pozornost soustředěna především na modelem identifikovány statisticky významné lokality. Metoda GWR posloužila ke hledání vztahů mezi indexem kriminality a osmi prediktory – index stáří, podíl obyvatel bez vzdělání, podíl obyvatel v exekuci, podíl obyvatel v insolvenci, podíl obyvatel s náboženským vyznáním, podíl svobodných, podíl rozvedených a volební účast).

Dosažené výsledky lokálních regresních koeficientů GWR mohou pomoci porozumět specifikům statistických a prostorových vztahů kriminality vzhledem k vybraným ekonomickým a demografickým ukazatelům v kontextu geoinformatiky a geografie. Tyto výsledky mohou být užitečné pro podporu prevence kriminality v konkrétních oblastech Česka a ke zlepšení různých opatření a strategií. Nicméně, je třeba mít na paměti, že kriminalita je komplexní a multidisciplinární téma, které zahrnuje sociální, psychologické a environmentální faktory. Proto by měly být výsledky regresních koeficientů interpretovány s opatrností a s ohledem na další relevantní faktory. Multidisciplinární přístup umožní získat komplexní a celkovější pohled na problematiku kriminality v dané oblasti.