เครื่องมือพยากรณ์จุดเสี่ยงอาชญากรรมส่วนใหญ่อาศัยประวัติคดีในอดีตเป็นหลัก ขณะที่อาชญาวิทยาเชิงสภาพแวดล้อมชี้ว่าลักษณะทางกายภาพของพื้นที่เองก็กำหนดความเสี่ยงเช่นกัน งานวิจัยนี้เสนอคะแนน Street Segment Risk Score (SSRS) ซึ่งวัดว่าสถานที่บนถนนแต่ละช่วง เช่น ผับ ป้ายรถเมล์ และร้านฟาสต์ฟู้ด ดึงความเสี่ยงเข้ามามากเพียงใด โดยค่าคะแนนเปลี่ยนตามผลัดเวรตำรวจและแตกต่างระหว่างวันธรรมดากับวันหยุด ผู้วิจัยทดสอบกับคดีชิงทรัพย์และลักทรัพย์ในย่านใจกลางชิคาโกด้วยอัลกอริทึมการเรียนรู้ 5 แบบ พบว่าการเพิ่ม SSRS ช่วยให้การพยากรณ์แม่นยำขึ้นในแบบจำลองส่วนใหญ่ ขณะที่การนับเพียงว่าถนนช่วงนั้นมีสถานที่เหล่านี้กี่แห่ง โดยไม่คำนวณว่าแต่ละแห่งดึงคดีเข้ามามากเพียงใด กลับทำให้ผลแย่ลง ทั้งนี้วิธีการนี้ไม่ใช้ตัวแปรด้านรายได้ การว่างงาน และเชื้อชาติ ซึ่งเป็นประเด็นที่ระบบพยากรณ์อาชญากรรมมักถูกวิจารณ์
วัตถุประสงค์ของการวิจัย
- เสนอคะแนน Street Segment Risk Score (SSRS) ที่บอกระดับความเสี่ยงของถนนแต่ละช่วง โดยค่าเปลี่ยนตามช่วงเวลาของวันและวันในสัปดาห์
- พัฒนา Local Risk Score (LRS) ซึ่งวัดความหนาแน่นของคดีรอบสถานที่แต่ละแห่ง แล้วถ่วงน้ำหนักตามระยะทางบนโครงข่ายถนน
- ทดสอบว่าการเพิ่ม SSRS ช่วยให้การพยากรณ์แม่นยำขึ้นหรือไม่ ทั้งรายวันและรายผลัด โดยเทียบกับกรณีที่ไม่ใส่คะแนน และกรณีที่ใส่เพียงจำนวนสถานที่
- เชื่อมการพยากรณ์อาชญากรรมเข้ากับทฤษฎีอาชญาวิทยาสิ่งแวดล้อม โดยรวมมุมมองที่ว่าคดีมักเกิดซ้ำในที่เดิม เข้ากับมุมมองที่ว่าบางสถานที่ล่อเป้าให้เกิดคดีโดยไม่ต้องอาศัยประวัติ
วิธีการศึกษา
- พื้นที่ศึกษาคือย่าน Central Side ใจกลางชิคาโก ซึ่งมีอัตราอาชญากรรม 466.65 ต่อประชากร 1,000 คน สูงกว่าค่าเฉลี่ยทั้งเมืองที่ 374.86 โดยเฉพาะคดีลักทรัพย์
- ข้อมูลคดีชิงทรัพย์ 2,016 คดีและลักทรัพย์ 31,493 คดี จาก City of Chicago Data Portal ระหว่างปี 2015 ถึง 2018 โดยข้อมูลปี 2015 ใช้สร้างคะแนน ส่วนปี 2016 ถึง 2017 ใช้ฝึกและทดสอบแบบจำลอง บนโครงข่ายถนน 2,459 ช่วง โดยวิเคราะห์สถานที่ 5 ประเภท ได้แก่ ป้ายรถเมล์ ร้านขายของชำ ผับ ร้านฟาสต์ฟู้ด และปั๊มน้ำมัน
- การสร้าง SSRS ใช้ bivariate network K function คัดสถานที่ที่ไม่มีนัยสำคัญออก แล้วใช้ segmented regression หาระยะที่อิทธิพลแผ่ไปถึง ผลลัพธ์แยกตามผลัดตำรวจ 3 ผลัด และแยกวันธรรมดากับวันหยุด
- อัลกอริทึมที่เปรียบเทียบแบ่งเป็น 3 ระดับ ได้แก่ แบบมองเมืองเป็นโครงข่าย (Graph WaveNet และ STGCN) แบบเรียนรู้เชิงลึกดั้งเดิม (LSTM) และแบบพื้นฐานที่ใช้เป็นเกณฑ์เปรียบเทียบ (MLP และ STNetKDE) วัดผลด้วย Mean Hit Rate (MHR) ที่ระดับพื้นที่เฝ้าระวัง 20 เปอร์เซ็นต์
ข้อค้นพบสำคัญ
- ในการพยากรณ์ชิงทรัพย์ Graph WaveNet ที่ใช้ SSRS ทำได้ดีที่สุดรายวันด้วย MHR 58 เปอร์เซ็นต์ ส่วนรายผลัด STGCN ที่ใช้ SSRS ทำได้ดีที่สุดที่ 59.9 เปอร์เซ็นต์ โดย SSRS ช่วยเพิ่มความแม่นยำได้ในทุกอัลกอริทึมของการพยากรณ์รายผลัด
- ในการพยากรณ์ลักทรัพย์รายวัน GWNet ที่ใช้ SSRS ทำได้สูงสุดที่ MHR 80 เปอร์เซ็นต์ ส่วนรายผลัด MLP ซึ่งเป็นแบบจำลองพื้นฐานที่สุดกลับทำได้ดีกว่าทุกแบบจำลองที่เกือบ 80 เปอร์เซ็นต์ ผู้วิจัยอธิบายว่าคดีลักทรัพย์กระจุกตัวสูงมาก โดยครึ่งหนึ่งเกิดบนช่วงถนนเพียง 4.92 เปอร์เซ็นต์ของพื้นที่ศึกษา
- SSRS ไม่ได้ช่วยในทุกกรณี ในการพยากรณ์ชิงทรัพย์รายวันทำให้ MLP ลดลงจาก MHR 40 เปอร์เซ็นต์เหลือ 23 เปอร์เซ็นต์ ผู้วิจัยจึงสรุปว่าคะแนนนี้ช่วยได้กับแบบจำลองส่วนใหญ่ ไม่ใช่ทั้งหมด
- การใช้เพียงจำนวนสถานที่แทนคะแนน SSRS ทำให้ผลแย่ลงเกือบทุกกรณี โดย MLP ลดลงถึง 53 เปอร์เซ็นต์ในการพยากรณ์ชิงทรัพย์รายผลัด ผลนี้ชี้ว่าสิ่งที่กำหนดความเสี่ยงไม่ใช่การมีสถานที่นั้นตั้งอยู่ แต่เป็นระดับที่สถานที่นั้นดึงคดีเข้ามาในแต่ละช่วงเวลา
- อัลกอริทึมตระกูล graph learning ให้ผลเหนือกว่าแบบจำลองดั้งเดิมสองถึงสามเท่า เนื่องจากมองเห็นการลามของความเสี่ยงระหว่างช่วงถนน ส่วนผล LRS พบว่าผับมีอิทธิพลต่อการชิงทรัพย์สูงสุดในผลัดดึกและวันหยุด ร้านฟาสต์ฟู้ดสูงสุดในผลัดกลางวันและเย็น ขณะที่ปั๊มน้ำมันไม่มีอิทธิพลอย่างมีนัยสำคัญ
ข้อเสนอแนะ
- ใช้ SSRS เป็นเส้นฐานความเสี่ยงเชิงสภาพแวดล้อม แล้วปรับการวางกำลังตามคดีที่เกิดล่าสุด สายตรวจช่วงดึกเน้นช่วงถนนคะแนนสูงใกล้ผับและร้านขายของชำ ส่วนกลางวันย้ายไปใกล้ร้านฟาสต์ฟู้ดและป้ายรถเมล์
- เลือกมาตรการป้องกันให้สอดคล้องกับประเภทคดี ช่วงถนนที่เสี่ยงลักทรัพย์เหมาะกับการควบคุมทางเข้าออก ส่วนที่เสี่ยงชิงทรัพย์เหมาะกับการเพิ่มการปรากฏตัวของเจ้าหน้าที่
- จัดอบรมผู้ดูแลสถานที่ ทั้งผับและร้านค้า ให้เข้าใจว่าความเสี่ยงรอบสถานประกอบการเปลี่ยนแปลงอย่างไรในแต่ละช่วงเวลาและแต่ละวัน
- ใช้คะแนนอย่างรับผิดชอบ แม้ SSRS จะไม่ใช้ตัวแปรที่มีอคติ ผู้วิจัยยังเตือนว่าการให้คะแนนรายพื้นที่อาจตีตราย่านได้ จึงควรนำเสนอเป็นค่าประมาณเชิงเปรียบเทียบพร้อมระบุความไม่แน่นอน
- งานวิจัยต่อไปควรทดสอบในเมืองอื่นร่วมกับผู้เชี่ยวชาญด้านความปลอดภัย ใช้ช่วงเวลาที่ละเอียดขึ้น ขยายไปสู่คดีความรุนแรง และตรวจสอบผลในช่วงระหว่างและหลังโควิด
ประเด็นสำคัญที่ควรจดจำ (Key Takeaways)
- ความเสี่ยงอาชญากรรมไม่ได้ขึ้นอยู่กับประวัติคดีเพียงอย่างเดียว ลักษณะของสถานที่บนถนนก็กำหนดความเสี่ยงที่เปลี่ยนแปลงตามชั่วโมงและวันในสัปดาห์
- คะแนนที่สร้างจากฐานทฤษฎีช่วยเพิ่มความแม่นยำ ขณะที่การใส่เพียงจำนวนสถานที่ของสิ่งเดียวกันกลับทำให้ผลแย่ลงได้ถึง 53 เปอร์เซ็นต์
- การไม่ใช้ตัวแปรรายได้ การว่างงาน และเชื้อชาติ ตอบข้อวิจารณ์เรื่องอคติที่ระบบพยากรณ์อาชญากรรมมักได้รับ สำหรับประเทศไทย ย่านที่มีสถานบันเทิงหนาแน่นมีลักษณะใกล้เคียงกับพื้นที่ศึกษา และคะแนนระดับช่วงถนนที่แยกตามผลัดเวรน่าจะสอดคล้องกับการวางแผนสายตรวจมากกว่าการแบ่งพื้นที่เป็นตารางกริด
เอกสารอ้างอิง
Hakyemez, T. C., & Badur, B. (2026). Enhancing deep learning-based crime hotspot predictions with theory-based environmental risk scores. Applied Spatial Analysis and Policy, 19, Article 39. https://doi.org/10.1007/s12061-025-09789-6
อ่านฉบับเต็ม (Open Access): https://link.springer.com/article/10.1007/s12061-025-09789-6
