• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Master's Dissertation
DOI
https://doi.org/10.11606/D.12.2023.tde-29052023-164445
Document
Author
Full name
Daniel Pedro Ribeiro da Cunha
E-mail
Institute/School/College
Knowledge Area
Date of Defense
Published
São Paulo, 2023
Supervisor
Committee
Mantovani, Daielly Melina Nassif (President)
Camargo Júnior, Alceu Salles
Cestari, José Marcelo Almeida Prado
Cruz, Marcus Vinicius Gonçalves da
Title in Portuguese
Estimando um indicador de desempenho com machine learning para o serviço de patrulhamento preventivo municipal
Keywords in Portuguese
Design Science Research
KNN
Machine Learning
Desempenho organizacional
Segurança pública
Abstract in Portuguese
Em 2014, com o advento do Estatuto Geral das Guardas Municipais, a função de proteção municipal preventiva foi regulamentada por lei para estas organizações e estabelece, dentre outros princípios de atuação das guardas civis municipais, o patrulhamento preventivo. Este estudo procura propor um indicador de desempenho para o serviço de patrulhamento preventivo, a fim de apoiar a secretaria de segurança pública no monitoramento das estratégias de redução da criminalidade que se apoiam na alocação das viaturas nas áreas do município onde os crimes ocorrem com maior frequência. A literatura sobre gestão de desempenho das polícias, sob uma análise bibliométrica, indica que esta é uma lacuna, especialmente no que tange a aplicação de técnicas de ciência de dados e inteligência artificial, se concentrando mais em pesquisas qualitativas sobre os problemas de liderança e da implantação de modelos de gestão que na ciência emergente de modelos preditivos e da mensuração quantitativa de resultados, sendo estes últimos, escassos. Trata-se de uma pesquisa exploratória, quantitativa, que procura elaborar um artefato baseado na ciência do projeto (Design Science Research, DSR) para acompanhar a evolução da incidência de crimes em dois momentos, antes da implantação do indicador e após sua implantação. O indicador consiste do cômputo percentual de cobertura do serviço de patrulhamento preventivo (CSPP) estimado por aprendizado de máquina e relacionado aos objetivos organizacionais de redução de crimes através da manipulação de um algoritmo de classificação semelhança de vizinhos mais próximos (k-Nearest Neighbors) entre a distância dos dados georreferenciados de posições das viaturas e os locais de crimes de uma série histórica, em recortes mensais. Verifica-se que o indicador (CSPP) influencia positivamente a aderência ao planejamento operacional e a redução dos índices criminais. A pesquisa contribui para o sistema de tomada de decisão da segurança pública e abre seu modelo de gestão para a criticidade da comunidade científica, geralmente tratado como uma caixa-preta; contorna conflitos internos expostos pela literatura, e acrescenta uma classe de problemas, que é o monitoramento de operações de campo delegadas, permitindo que o artefato possa ser utilizado em estudos multidisciplinares futuros. O estudo ainda impacta positivamente a sociedade, uma vez que ao investir e instrumentalizar a gestão da segurança pública objetiva-se a qualidade de vida dos cidadãos, deixando-os menos expostos a violência.
Title in English
Estimating a machine learning performance indicator for the municipal preventive patrolling service
Keywords in English
Design Science Research
KNN
Machine Learning
Organizational performance
Public security and safety
Abstract in English
Since 2014, with the advent of the General Statute of Municipal Guards, the function of municipal protection was regulated by laws for these organizations and establishing preventive patrolling among other principles. This study brings a key performance indicator in order to enable the Public Security Secretariat in monitoring crime reduction strategies operationalized by the Municipal Guard who applies resources by delegation on prior areas of the municipality defined per crime analytics. Through a bibliographic analysis the literature in police performance management shows that this is a gap, especially about data techniques, focusing more on qualitative issues of leadership and management models than an emergent field such as goal measuring by artificial intelligence applied. This study relies on Design Science Research (DSR) for an artifact conception and evaluates it by crime evolution stats in two moments, before and after the indicator implantation. The indicator consists of the percentage computation of preventive patrolling services coverage (PSC) inspired in the machine learning algorithm k-nearest neighbor matching the organizational goals of crime reduction, comparing georeferenced patrols data (GPS) and the crime places series. The conclusion is that the indicator positively influences the operational planning. A contribution to the public security research decision-making system is disclosuring its management model for the criticism of the scientific community, treated sometimes as a black box capability; it also handles internal conflicts exposed by literature and adds a DSR problem class for multidisciplinary future studies: performance monitoring for field-based operations delegated. The study also has a positive impact on society, since instrumentalizing the police management improves citizens life quality whereas they will not be exposed to violence.
 
WARNING - Viewing this document is conditioned on your acceptance of the following terms of use:
This document is only for private use for research and teaching activities. Reproduction for commercial use is forbidden. This rights cover the whole data about this document as well as its contents. Any uses or copies of this document in whole or in part must include the author's name.
Publishing Date
2023-06-01
 
WARNING: Learn what derived works are clicking here.
All rights of the thesis/dissertation are from the authors
CeTI-SC/STI
Digital Library of Theses and Dissertations of USP. Copyright © 2001-2024. All rights reserved.