Historische Verbrechensdaten verstehen

Historische Kriminalitätsdaten bieten eine einzigartige Möglichkeit, das soziale, wirtschaftliche und rechtliche Gefüge vergangener Gesellschaften zu untersuchen. Im Gegensatz zu modernen Kriminalitätsstatistiken, die von standardisierten Berichtsprotokollen und digitalen Datenbanken profitieren, sind historische Aufzeichnungen heterogen, unvollständig und oft voreingenommen. Forscher müssen Quellen von handgeschriebenen Polizeibüchern bis hin zu sensationellen Zeitungsspalten mit jeweils eigener Herkunft und Grenzen navigieren. Die häufigsten Primärquellen sind:

  • Polizeistationsbücher und stabile Berichte - Diese Aufzeichnungen werden oft handschriftlich und lokal gepflegt und den Behörden gemeldet, spiegeln jedoch möglicherweise die Berichtsprioritäten wider und nicht das tatsächliche Verbrechen.
  • Gerichtsprotokolle und Anklagelisten - Geben Sie Details zu Anklagen, Urteilen und Sätzen an, obwohl sie nur Fälle erfassen, die eine formelle Strafverfolgung erreicht haben, nicht alle Straftaten.
  • Zeitungskriminalitätsspalten - Bieten reiche narrative Details, neigen jedoch dazu, gewalttätige oder ungewöhnliche Verbrechen zu betonen, während sie Kleindelikte ignorieren, und redaktionelle Vorurteile können die Darstellung verzerren.
  • Parlamentarische Papiere und statistische Abstracts – Beginnend im 19. Jahrhundert, Regierungen kompiliert nationalen Kriminalität Tabellen mit zunehmend standardisierten Kategorien, die interregionale Vergleiche ermöglichen.
  • Coroners 'Ermittlungen und Gefängnisregister - Ergänzen Sie Daten mit medizinischen Todesursachen und demografischen Informationen über Täter, oft einschließlich Alter, Beruf und Alphabetisierung.

Die Digitalisierung war ein transformativer Schritt, indem sie Archive freischaltete, die zuvor nur durch physische Besuche zugänglich waren. Projekte wie die Verbrechensregister von Old Bailey Online und die Verbrechensregister von UK National Archives machen Tausende von Seiten durchsuchbar und maschinenlesbar. Die Datenqualität variiert jedoch enorm. Die Lesbarkeit von Handschriften, die inkonsistente Kategorisierung in allen Ländern und fehlende Einträge erfordern statistische Techniken, um abzuleiten, zu unterstellen oder zu korrigieren. Diese Einschränkungen zu verstehen ist entscheidend, bevor man eine Methode anwendet, da eine schlechte Datenqualität Fehler durch selbst die anspruchsvollsten Modelle verbreiten kann.

Häufige Datenprobleme in historischen Verbrechensakten

  • Viele Verbrechen wurden nie gemeldet, weil sie Angst hatten, Behörden misstrauen, trivialisiert wurden oder die Illegalität der Berichterstattung über bestimmte Handlungen (z. B. häusliche Gewalt in Zeiten, in denen sie rechtlich geduldet wurde) . Statistische Modelle, die Fang-Eroberungsmethoden verwenden, können die tatsächliche Inzidenz durch den Vergleich zweier unabhängiger Quellen (z. B. Polizeiakten und Krankenhauseinweisungen) abschätzen.
  • Änderung der rechtlichen Definitionen – Was im Jahr 1800 als „Betrug galt, unterscheidet sich von der heutigen Diebstahlklassifizierung. Verbrechen wie „Hexerei oder „Sodomie verschwanden aus den Statuten, während neue Straftaten wie „Kraftfahrzeugdiebstahl auftauchten. Forscher müssen Kategorien über Jahrzehnte und manchmal über nationale Grenzen hinweg harmonisieren.
  • Verdrängte Durchsetzung – Polizei und Gerichte zielten historisch auf bestimmte ethnische Gruppen, sozioökonomische Klassen oder politische Dissidenten ab. Historische Kriminalitätsraten können daher eher Durchsetzungsmuster widerspiegeln als tatsächliches beleidigendes Verhalten. Zum Beispiel betrafen Straftaten der öffentlichen Ordnung im London des 19. Jahrhunderts überproportional irische Einwanderer und die Armen.
  • Lücken in der Abdeckung – Kriege, administrative Reorganisationen oder Rekordzerstörung hinterlassen zeitliche Lücken. Zeitreihen-Interpolation, Mehrfachimputation oder Bayessche Glättung können dies beheben, aber die Forscher müssen die Annahmen hinter jeder Technik dokumentieren.
  • Messfehler in Schlüsselvariablen – Alter können falsch erinnert werden, Adressen falsch geschrieben und Namen falsch geschrieben werden. Probabilistische Datensatzverknüpfung kann Datensätze über Quellen hinweg mit quantifizierbaren Fehlerraten zusammenführen.

Statistische Schlüsselmethoden für die historische Kriminalitätsanalyse

Deskriptive Statistiken: Die Vergangenheit zusammenfassen

Beschreibungsstatistiken bilden die Grundlage jeder quantitativen historischen Analyse. Die Berechnung von Mitteln, Medianen, Standardabweichungen und Perzentilen der Kriminalitätszahlen pro Jahr, pro Region oder pro Straftattyp bietet einen schnellen Überblick und hilft dabei, Datenqualitätsprobleme zu identifizieren. Zum Beispiel könnte ein Forscher, der Diebstahl im viktorianischen London untersucht, feststellen, dass die mittlere Anzahl der aufgezeichneten Diebstähle pro Monat im Jahr 1860 120 betrug, aber die Verteilung war aufgrund der saisonalen Spitzen um Feiertage und große öffentliche Veranstaltungen stark verzerrt. Histogramme und Boxplots zeigen Ausreißer - wie einen plötzlichen Anstieg der Taschendiebstähle während der Großen Ausstellung von 1851 -, die eine Nachuntersuchung rechtfertigen.

Die Anteile sind auch informativ: Wie hoch war der Anteil der gemeldeten Straftaten an Gewalt und Eigentum? Im England des 19. Jahrhunderts dominierten Eigentumsverbrechen (rund 80% der strafbaren Straftaten), während Gewaltverbrechen nur einen kleinen Bruchteil ausmachten - aber dieses Verhältnis verlagerte sich mit der Urbanisierung und den sich ändernden rechtlichen Definitionen von Angriffen. Deskriptive Statistiken können mit Konfidenzintervallen dargestellt werden, um Stichprobenfehler zu berücksichtigen, wenn Daten aus Teilarchiven entnommen werden, und Effektgrößen wie Cohen können Unterschiede zwischen Regionen oder Perioden kontextualisieren.

Moderne Ansätze beinhalten die Verwendung von Kerneldichteschätzungen, um zeitliche Trends zu glätten, ohne parametrische Annahmen aufzuerlegen, und das Erstellen von Dashboards mit interaktiven Visualisierungen (z. B. mit R's oder Python's ), die es Historikern ermöglichen, Muster dynamisch zu erforschen.

Historische Kriminalitätsdaten werden fast immer im Laufe der Zeit gesammelt, was eine Zeitreihenanalyse unerlässlich macht. Techniken wie gleitende Durchschnitte, saisonale Zersetzung mit STL (Seasonal-Trend-Dekomposition mit LOESS) und autoregressive integrierte gleitende Durchschnitte (ARIMA) Modelle helfen, den Trend vom Lärm zu trennen und Wendepunkte zu identifizieren. Zum Beispiel könnte die Analyse monatlicher Kriminalitätsberichte aus Paris zwischen 1825 und 1850 einen langfristigen Aufwärtstrend aufzeigen, der mit Bevölkerungswachstum und Industrialisierung verbunden ist, überlagert mit einem saisonalen Anstieg jeden Sommer, wenn ländliche Migranten auf Arbeitssuche ankamen. Eine einfache lineare Regression kann die jährliche prozentuale Veränderung quantifizieren, aber robustere Modelle berücksichtigen Autokorrelation, Heteroskedastizität und abrupte Verschiebungen.

Forscher müssen sich auch auf Änderungen in der Aufzeichnungspraxis einstellen. Wenn ein neuer Polizeikommissar 1840 eine strengere Berichterstattung über kleinere Diebstähle vorschrieb, könnte die offensichtliche "Verbrechenswelle" eher ein Artefakt der Politik als eine echte Zunahme sein. Interventionsanalyse (eine Form unterbrochener Zeitreihen) kann testen, ob sich die aufgezeichneten Raten durch Politikverschiebungen signifikant verändern, indem Techniken wie Chow-Tests oder Bayesian Structural Time Series (BSTS) verwendet werden. Externe Referenzen wie die Sonderausgabe des Journal of Interdisciplinary History zur Kriminalgeschichte liefern Fallstudien mit diesen Methoden, um politische Effekte von den zugrunde liegenden Trends zu entwirren.

Regressionsanalyse: Erforschung von Korrelationen

Mehrfache Regression erlaubt Historikern, Beziehungen zwischen Kriminalitätsraten und wirtschaftlichen, demografischen oder sozialen Variablen zu untersuchen, während sie gleichzeitig Störfaktoren kontrollieren. Zum Beispiel könnte eine Studie über US-Städte in den 1920er Jahren Mordraten als eine Funktion von Arbeitslosigkeit, Alkoholkonsum (Durchsetzung nach dem Verbot), Bevölkerungsdichte und dem Anteil junger Männer modellieren. Gewöhnliche kleinste Quadrate sind üblich, wenn die Kriminalitätsraten kontinuierlich sind (z. B. protokolliert, um sich zu normalisieren), aber weil Kriminalitätsdaten oft zählbasiert sind (positive ganze Zahlen) und überverteilte, negative binomiale Regression wird häufig bevorzugt. Poisson-Modelle können verwendet werden, wenn die Varianz dem Mittelwert entspricht, obwohl historische Daten selten diese Bedingung erfüllen.

Elastizitätskoeffizienten können darauf hinweisen, dass ein Anstieg der Arbeitslosigkeit um 10 % mit einem Anstieg des Diebstahls um 5 % verbunden ist, wobei andere Faktoren konstant bleiben. Die Korrelation impliziert jedoch keine Verursachung; ausgelassene Variablen (wie die Kontrollintensität oder die Bereitschaft der Öffentlichkeit, Bericht zu erstatten) können Verzerrungsergebnisse liefern. Instrumentale Variablenansätze, die bei Vorliegen eines gültigen Instruments (z. B. Veränderungen im Eisenbahnbau, die die lokalen wirtschaftlichen Bedingungen beeinflussen, oder Wetterschocks, die die Ernteerträge beeinflussen) dazu beitragen, die Endogenität zu bekämpfen. Forscher sollten immer transparent über Identifizierungsannahmen diskutieren und Sensitivitätsanalysen wie Rosenbaumgrenzen für Beobachtungsstudien in Erwägung ziehen.

Geospatialanalyse: Mapping Crime Hotspots

Geospatial-Analyse hat die historische Kriminologie revolutioniert, indem sie die räumlichen Dimensionen von Kriminalität aufdeckt. Durch Geocodierung von Adressen aus alten Gerichtsakten, Polizeiflecken oder Zeitungsberichten können Wissenschaftler Punktkarten und Kerndichteflächen erstellen. Werkzeuge wie QGIS oder Rs und Pakete ermöglichen die Erforschung räumlicher Muster in Skalen, die von einzelnen Straßen bis hin zu ganzen Städten reichen. Zum Beispiel könnte eine Studie des 19. Jahrhunderts in New York City feststellen, dass sich Kriminalitäts-Hotspots in der Nähe der Uferpromenade und Mietsvierteln ansammeln, die sich an die Armutskarten von Jacob Riis und der Charity Organization Society anpassen.

Moran’s I Statistiktests für globale räumliche Autokorrelation – ob Gebiete mit hoher Kriminalität von anderen Gebieten mit hoher Kriminalität umgeben sind. Lokale Indikatoren der räumlichen Assoziation (LISA) können spezifische Cluster identifizieren. Geografisch gewichtete Regressionsmodelle (GWR) modellieren, wie die Beziehung zwischen Kriminalität und sozioökonomischen Bedingungen im Weltraum variiert, was zeigt, dass die Auswirkungen der Armut zwischen Geschäfts- und Wohnbezirken unterschiedlich sein können. Historische GIS-Schichten, wie die aus dem National Historical Geographic Information System , liefern Zensustraktgrenzen und demografische Daten für frühere Jahrzehnte, die die Integration räumlicher Daten mit anderen statistischen Analysen ermöglichen.

Fortgeschrittene Methoden: Maschinelles Lernen und ursächliche Inferenz

Neben der traditionellen Regression werden maschinelle Lerntechniken zunehmend auf historische Kriminalitätsdaten angewendet. Random Forests und Modelle zur Steigerung des Gradienten können nichtlineare Beziehungen und Interaktionen ohne starke parametrische Annahmen erfassen, die für die Vorhersage fehlender Kriminalitätswerte oder die Zurechnung unbekannter geografischer Koordinaten nützlich sind. Die Interpretierbarkeit bleibt jedoch eine Herausforderung; Methoden wie SHAP-Werte (SHapley Additive exPlanations) können helfen, zu erklären, welche Merkmale Vorhersagen ausgelöst haben.

Für kausale Fragen (z. B.: Hat die Einführung einer professionellen Polizei die Kriminalität reduziert?) vergleichen die Unterschiede in den Kriminalitätsraten Veränderungen zwischen den Ländern, die Reformen beschlossen haben, und denen, die dies nicht taten, vor und nach der Änderung der Politik. Synthetische Kontrollmethoden konstruieren eine kontrafaktische aus einer gewichteten Kombination von Kontrolleinheiten, die nützlich sind, wenn nur eine oder wenige Einheiten eine Intervention erfahren haben. Diese Ansätze erfordern eine sorgfältige Auswahl von Kontrollgruppen und Tests auf parallele Trends in der Zeit vor der Intervention.

Praktischer Workflow: Vom Archiv zur Analyse

Ein systematischer Workflow sorgt für Reproduzierbarkeit und minimiert Fehler über den gesamten Forschungsprozess hinweg. Die folgenden Schritte skizzieren einen typischen Ansatz mit Blick auf Dokumentation und Transparenz:

  1. Datenerfassung und Transkription – Fotografieren oder Scannen von Originaldokumenten mit hoher Auflösung. Verwenden Sie optische Zeichenerkennung (OCR) mit manueller Korrektur für handschriftliche Aufzeichnungen; Werkzeuge wie Tesseract oder Transkribus (spezialisiert auf historische Handschrift) können den Prozess beschleunigen, erfordern aber dennoch eine menschliche Verifizierung. Für tabellarische Daten aus gedruckten Quellen wird eine doppelte Dateneingabe mit Inter-Rater-Verlässlichkeitsprüfungen empfohlen.
  2. Datenbereinigung und Harmonisierung – Standardisieren Sie Daten in einen konsistenten Kalender (z. B. ISO 8601), Geocode-Standorte mit historischen Gazetteers und erstellen Sie ein einheitliches Kriminalitätsklassifizierungssystem. Verwenden Sie bestehende Taxonomien wie die ICPSR-Kriminalklassifikationen als Basis und kartieren Sie historische Kategorien darauf. Behandeln Sie fehlende Werte über mehrere Imputationen (unter Verwendung von prädiktiver Mittelwertabgleich) oder Sensitivitätsanalyse, um die Auswirkungen verschiedener Fehlensmechanismen zu bewerten.
  3. Explorative Datenanalyse (EDA) – Generieren Sie zusammenfassende Statistiken, Zeitdiagramme und Korrelationsmatrizen. Identifizieren Sie Ausreißer und mögliche Aufzeichnungsanomalien (z. B. Spikes, die mit bekannten Ereignissen übereinstimmen). Verwenden Sie Visualisierung, um nach strukturellen Unterbrechungen oder Änderungen der Varianz im Laufe der Zeit zu suchen.
  4. Methodenauswahl und Vorregistrierung – Wählen Sie auf der Grundlage von Forschungsfragen (z. B. Trenderkennung, Kausalinferenz, Clustering) geeignete Modelle aus. Registrieren Sie den Analyseplan auf Plattformen wie dem Open Science Framework vor, um P-Hacking zu vermeiden und die Glaubwürdigkeit zu erhöhen, auch für die historische Forschung.
  5. Modellanpassung und -validierung – Passende Modelle, Residuen auf Normalität, Homoszendizität und Autokorrelation überprüfen. Für Bayes-Ansätze posteriore prädiktive Verteilungen untersuchen und WAIC oder Cross-Validation für den Modellvergleich verwenden.
  6. Interpretation in Historical Context – Statistische Outputs müssen neben qualitativen Beweisen interpretiert werden: Briefe, Memoiren, Zeitungsleitartikel und rechtliche Änderungen. Dies schützt vor anachronistischen Schlussfolgerungen und hilft, statistische Muster von realen historischen Prozessen zu unterscheiden.

Fallstudie: Analyse von Diebstahl im 19. Jahrhundert London

Um die Integration mehrerer Methoden zu veranschaulichen, betrachten Sie eine hypothetische, aber repräsentative Studie über Diebstahl in London von 1830 bis 1870. Der Forscher sammelt Daten aus der Old Bailey Online und den UK Parliamentary Papers, die 20.000 Diebstahlanzeigen digitalisieren. Die Daten umfassen Datum, Ort (Straße und Gemeinde), Wert der gestohlenen Waren, Art des Opfers (Einzelperson, Geschäft oder Institution) und ob der Täter verurteilt wurde. Sekundäre Daten über Bevölkerungsdichte, Durchschnittslöhne, Polizeistationen und Verbesserungen der öffentlichen Beleuchtung werden aus Volkszählungsaufzeichnungen und historischen Umfragen extrahiert.

Beschreibung der Ergebnisse

Deskriptive Statistiken zeigen, dass die Diebstähle in den 1840er Jahren ihren Höhepunkt erreichten, mit einem Durchschnitt von 120 pro Monat und einer Standardabweichung von 35. Der Median der gestohlenen Werte betrug 2 £ (ca. 200 £ im Jahr 2025 Kaufkraft), aber die Verteilung war rechtsverzerrt, weil einige Diebstähle wertvolle Schmuck oder Bargeld beinhalteten. Die meisten Täter waren junge Männer (85% der Fälle) und die Verurteilungsraten schwebten um 60%, obwohl dies nach Art des Diebstahls variierte (Pickpocketing hatte niedrigere Verurteilungsraten als Hauszerstörung). Die Verteilung der Diebstähle in den Gemeinden war sehr ungleich: Das East End (Whitechapel, Bethnal Green) war für 40% aller Fälle verantwortlich, obwohl nur 20% der Stadtbevölkerung.

Zeitreihenanalyse

Ein ARIMA (1,1,0)-Modell mit einer saisonalen Komponente (lag 12) zeigt einen jährlichen Rückgang der aufgezeichneten Diebstähle nach 1856 um 3%, der mit der Einführung der Detektivabteilung der Metropolitan Police zusammenfällt. Eine Interventionsanalyse mit einer segmentierten Regression bestätigt einen statistisch signifikanten Rückgang (p < 0,01) nach 1856, auch nach der Kontrolle des Bevölkerungswachstums und der Veränderungen der Anzahl der Polizeibeamten. Eine weitere Zersetzung zeigt jedoch, dass der Rückgang vollständig auf eine Verringerung des Kleindiebstahls zurückzuführen war (Artikel unter £ 1), während der große Diebstahl stabil blieb - was darauf hindeutet, dass sich die neue Detektivabteilung möglicherweise auf Berufskriminelle und nicht auf Gelegenheitstäter konzentriert hat.

Regressionsanalyse

Eine negative Binomialregression prognostiziert die Diebstahlzahl pro Bezirk (Paris) als Funktion der Bevölkerungsdichte, des durchschnittlichen Einkommens (aus Steuerunterlagen geschätzt), der Anzahl der Polizeistationen, der Entfernung zum nächsten Markt und eines Dummys für das Vorhandensein eines Bahnhofs. Die Ergebnisse zeigen, dass die Verdoppelung der Bevölkerungsdichte mit einem Anstieg des Diebstahls um 40% verbunden ist (Inzidenzquote = 1,40, 95% CI: 1,25–1,58), während eine Zunahme des durchschnittlichen Einkommens um einen Standard von 15% verbunden ist (IRR = 0,85, 95% CI: 0,78–0,93). Das Vorhandensein einer Polizeistation zeigt keinen signifikanten Effekt (IRR = 1,02, p = 0,45) - was darauf hindeutet, dass die Durchsetzung eher reaktiv als präventiv war. Das Modell erklärt 55% der Varianz zwischen den Gemeinden, einschließlich einer signifikanten Wechselwirkung zwischen Dichte und Einkommen.

Geodatenanalyse

Die Kartierung von Diebstahlorten (geokodiert an Straßenkreuzungen) zeigt einen klaren Hotspot im East End (um die Whitechapel Road) und entlang der Themse, insbesondere in der Nähe von Docks und Kai, wo Waren transferiert wurden. Eine räumliche Regression mit geografisch gewichteter Regression zeigt an, dass die negative Beziehung zwischen Einkommen und Diebstahl im West End (reichen Gemeinden) stärker ist, wo wohlhabende Gebiete sehr niedrige Diebstahlraten erlebten. Im Gegensatz dazu ist die Beziehung im East End schwächer, wo sogar relativ besser gestellte Viertel moderate Diebstahlraten hatten - was darauf hindeutet, dass andere Faktoren (soziale Desorganisation, vorübergehende Bevölkerungen) die Kriminalität dort trieben. Moran's I für Reste ist 0,12 (p = 0,03), was auf eine geringfügige verbleibende räumliche Autokorrelation hinweist, die mit einem räumlichen Verzögerungsmodell angegangen werden könnte.

Qualitative Integration

Statistische Muster stimmen mit zeitgenössischen Beschreibungen überein. Die Leitartikel der Times in den 1850er Jahren beklagten sich über „professionelle Diebe, die in den Rookeries von St. Giles und den Seven Dials operierten. Gerichtsakten zeigen, dass 30% der Täter zuvor verhaftet wurden, viele aus den gleichen Vierteln. Tagebücher der Polizeikommissare stellen fest, dass sich die Detektivabteilung auf bekannte Zäune und Empfänger von gestohlenen Waren konzentrierte, was mit dem Rückgang des Kleindiebstahls übereinstimmt. Die Kombination von quantitativen und qualitativen Beweisen verstärkt die Schlussfolgerung, dass wirtschaftliche Ungleichheit und gezielte Polizeireformen Diebstahlmuster prägten und dass der offensichtliche Rückgang nach 1856 teilweise real ist und teilweise ein Artefakt sich ändernder Strafverfolgungspraktiken.

Herausforderungen und Minderung

Über die bereits erwähnten Datenprobleme hinaus müssen sich die Forscher mit mehreren methodischen Herausforderungen auseinandersetzen, die statistische Ergebnisse untergraben können:

  • Ökologischer Irrtum – Die aggregierte Kriminalitätsrate spiegelt möglicherweise nicht das individuelle beleidigende Verhalten wider. Die Verwendung von Daten auf individueller Ebene in mehrstufigen Modellen (z. B. hierarchische lineare Modelle mit Zufallseffekten für Bezirke) hilft, Mikro- und Makroebenen zu überbrücken.
  • Messfehler in Schlüsselvariablen – Namen, Alter und Adressen können ungenau aufgezeichnet werden. Probabilistische Datensatzverknüpfung (z. B. unter Verwendung des -Pakets in R) führt Datensätze aus verschiedenen Quellen mit quantifizierbaren Fehlerraten zusammen und Sensitivitätsanalysen simulieren verschiedene Fehlerpegel, um die Robustheit zu beurteilen.
  • Selection bias – Nur Verbrechen, die vor Gericht kamen, erscheinen in Aufzeichnungen; viele nicht. Heckman-Korrektur oder Neigungspunktgewichtung können sich für die Auswahl anpassen, aber nur, wenn Korrelate der Berichterstattung beobachtbar sind. Zum Beispiel muss eine Studie über sexuelle Übergriffe im 19. Jahrhundert die Tatsache berücksichtigen, dass die Berichterstattung vom sozialen Status und Geschlecht des Opfers abhängt.
  • Zeitliche Instabilität – Beziehungen zwischen Variablen (z. B. Arbeitslosigkeit und Diebstahl) können sich über Jahrzehnte aufgrund sich entwickelnder sozialer Normen oder wirtschaftlicher Strukturen ändern.
  • Publikationsvorurteile und Replizierbarkeit – Historische Studien werden aufgrund der Einzigartigkeit von Datensätzen selten repliziert. Forscher sollten immer Replikationscode und anonymisierte Daten veröffentlichen (sofern es die Privatsphäre erlaubt), um anderen die Überprüfung der Ergebnisse zu ermöglichen. Das Historical Crime Data Network bietet Richtlinien für Dokumentation, Datenaustausch und ethische Überlegungen bei der Arbeit mit historischen Verhaftungsaufzeichnungen, die persönliche Informationen enthalten.

Qualitativer Kontext integriert

Statistische Methoden allein können nicht erklären, warum die Kriminalität im viktorianischen London zurückging oder warum bestimmte Gruppen überrepräsentiert waren. Das genaue Lesen der Primärquellen - Tagebücher von Polizeikommissaren, Parlamentsdebatten, Kriminalberichte - liefert kausale Narrative und kontextualisiert statistische Muster. Zum Beispiel könnte der Rückgang des Diebstahls nach 1856 teilweise auf eine verbesserte Straßenbeleuchtung (eine physische Präventionsmaßnahme, die durch Stadtratsaufzeichnungen der Installation von Gaslampen dokumentiert wird) oder auf eine veränderte öffentliche Toleranz von Eigentumsverbrechen im Zuge des Wirtschaftswachstums zurückzuführen sein (was sich in den Richtlinien für Gerichtsurteile widerspiegelt, die für kleinere Diebstähle weniger strafend wurden).

Gemischte Methoden Ansätze sind immer häufiger. Wissenschaftler können Statistiken verwenden, um Anomalien zu identifizieren (z. B. eine Spitze in Verhaftungen wegen "Lagern" im Jahr 1839) und dann wenden sich an qualitative Archive (Stadtrat Protokolle, Zeitungsleitartikel), um diese Fälle zu untersuchen. Die Spitze könnte auf eine neue Landstreicher Verordnung zurückgeführt werden, anstatt eine echte Zunahme des verdächtigen Verhaltens. Dieser iterative Dialog zwischen Zahlen und Erzählungen bereichert das historische Verständnis, um sicherzustellen, dass statistische Ergebnisse in den gelebten Realitäten der vergangenen Gesellschaften verankert bleiben. Forscher sollten auch erwägen, mündliche Geschichten (falls verfügbar), visuelle Beweise (Karten, Fotografien) und Materialkulturstudien zu Triangulation Ergebnisse.

Zukünftige Richtungen und ethische Überlegungen

Mit Blick auf die Zukunft werden Projekte der digitalen Geschichte weiterhin verfügbare Datensätze erweitern. Text Mining von Gerichtsprotokollen mit Hilfe von Natural Language Processing (NLP) kann Opfer-Täter-Beziehungen, Waffentypen und Modus Operandi aus narrativen Bereichen extrahieren. Thematische Modellierung der Berichterstattung über Zeitungskriminalität zeigt sich in der Öffentlichkeit verändernde Bedenken im Laufe der Zeit. Netzwerkanalysen von kriminellen Vereinigungen (unter Verwendung von Daten aus Co-Verhaftungen) können Netzwerke der organisierten Kriminalität und ihre Entwicklung abbilden. Diese Methoden erfordern sorgfältige Aufmerksamkeit auf Datenherkunft und rechentechnische Reproduzierbarkeit.

Ethische Überlegungen ergeben sich auch bei der Arbeit mit historischen Verbrechensakten. Während die Individuen lange tot sind, können ihre Nachkommen immer noch Stigmatisierung durch familiäre Beteiligung an Verbrechen erfahren. Forscher sollten Daten anonymisieren, wenn sie die potenziellen Schäden einer Verbindung historischer Verhaftungen mit modernen Gemeinschaften berücksichtigen. Darüber hinaus kann eine übermäßige Abhängigkeit von Polizeiakten historische Vorurteile verewigen, indem sie bestimmte Gruppen als von Natur aus kriminell darstellen und strukturelle Ungleichheiten ignorieren. Statistische Methoden müssen nicht nur verwendet werden, um Muster zu beschreiben, sondern auch um die Systeme zu kritisieren, die sie hervorgebracht haben.

Schlussfolgerung

Die Anwendung statistischer Methoden auf historische Kriminalitätsdaten verwandelt verstreute, unvollkommene Aufzeichnungen in strenge Beweise für vergangene Gesellschaften. Deskriptive Statistiken, Zeitreihen, Regression und geospatiale Analysen bieten jeweils eine unterschiedliche Linse, und wenn sie mit dem sorgfältigen Umgang mit fehlenden Daten, kausalen Inferenztechniken und qualitativem Kontext kombiniert werden, zeigen sie Muster auf, die unser Verständnis des sozialen Wandels prägen. Herausforderungen - Berichterstattungsverzerrung, Definitionsverschiebungen, ökologischer Irrtum, Messfehler - sind durch transparente Methodik und eine skeptische Lektüre der Ergebnisse überwindbar. Vorregistrierung, Replikationscode und Sensitivitätsanalysen helfen sicherzustellen, dass die Ergebnisse robust sind und nicht Artefakte von Analystenwahlen.

Die Vergangenheit behält ihre Komplexität bei, aber statistische Analysen helfen uns, ihre wiederkehrenden Dimensionen zu zählen, zu kartieren und zu interpretieren. Während digitale Archive wachsen und computergestützte Werkzeuge voranschreiten, haben Historiker eine beispiellose Gelegenheit, größere Fragen über die Beziehung zwischen Kriminalität, Gesellschaft und Regierungsführung im Laufe der Zeit zu stellen. Durch die Aufrechterhaltung einer kritischen Haltung gegenüber Datenquellen und einen Dialog mit qualitativen Beweisen können Forscher glaubwürdige und nuancierte Berichte erstellen, die sowohl von Historikern als auch von Statistikern geprüft werden. Das Feld der historischen Kriminologie ist bereit, nicht nur zu unserem Verständnis der Vergangenheit beizutragen, sondern auch zu zeitgenössischen Debatten über Polizeiarbeit, Ungleichheit und Gerechtigkeit, die heute noch tief relevant sind.