Comprendre les données historiques sur la criminalité

Contrairement aux statistiques modernes sur la criminalité, qui bénéficient de protocoles de déclaration normalisés et de bases de données numériques, les dossiers historiques sont hétérogènes, incomplets et souvent biaisés. Les chercheurs doivent naviguer dans des sources allant des livres de police manuscrits aux colonnes de journaux sensationnalisées, chacune ayant sa propre provenance et ses limites. Les sources primaires les plus courantes sont :

  • Répertoires des postes de police et rapports de constable[ – Souvent écrits à la main et maintenus localement, ces incidents enregistrés signalés aux autorités, mais qui peuvent refléter les priorités de déclaration plutôt que la criminalité réelle.
  • Transcriptions et rouleaux d'accusation – Donner des détails sur les accusations, les verdicts et les peines, bien qu'ils ne saisissent que les affaires qui ont abouti à des poursuites formelles, pas toutes les infractions.
  • – Offrez de riches détails narratifs, mais tendent à mettre l'accent sur les crimes violents ou inhabituels tout en ignorant les délits mineurs, et le biais éditorial peut fausser la représentation.
  • Documents parlementaires et résumés statistiques – À partir du XIXe siècle, les gouvernements ont compilé des tableaux nationaux de la criminalité en utilisant des catégories de plus en plus normalisées, permettant des comparaisons interrégionales.
  • Coroners=" Enquêtes et registres des prisons – Supplément aux données sur la cause médicale du décès et sur les données démographiques sur les délinquants, y compris souvent l'âge, la profession et l'alphabétisation.

La numérisation a été une étape de transformation, déverrouillant les archives qui n'étaient accessibles auparavant que par des visites physiques. Des projets comme Old Bailey Online et Les archives nationales du Royaume-Uni rendent des milliers de pages consultables et lisibles par machine. Cependant, la qualité des données varie énormément.

Problèmes de données courantes dans les dossiers de crimes historiques

  • Sous-déclaration – De nombreux crimes n'ont jamais été signalés en raison de la peur, de la méfiance des autorités, de la banalisation ou de l'illégalité de la déclaration de certains actes (p. ex., violence familiale à une époque où elle était légalement tolérée).
  • Changement des définitions juridiques[ – Ce qui a constitué -larcence en 1800 diffère de la classification actuelle de vol. Des crimes comme -switchcraft ou -sodomy ont disparu des lois, tandis que de nouvelles infractions comme --moteur-vol -vol -.
  • Recours en justice contre des personnes qui ont commis des infractions – La police et les tribunaux ont toujours ciblé certains groupes ethniques, certaines classes socio-économiques ou des dissidents politiques.
  • Les lacunes dans la couverture[ – Les guerres, les réorganisations administratives ou la destruction de dossiers laissent des trous temporels. L'interpolation de séries chronologiques, l'imputation multiple ou le lissage bayésien peuvent résoudre ce problème, mais les chercheurs doivent documenter les hypothèses derrière chaque technique.
  • Erreur de mesure dans les variables clés – Les âges peuvent être mal mémorisés, les adresses incorrectes et les noms mal orthographiés. Le couplage probabiliste des enregistrements peut fusionner les enregistrements entre les sources avec des taux d'erreurs quantifiables.

Principales méthodes statistiques pour l'analyse historique de la criminalité

Statistiques descriptives: Résumer le passé

Les statistiques descriptives constituent le fondement de toute analyse quantitative historique. Le calcul des moyennes, des médianes, des écarts types et des percentiles de nombres de crimes par année, par région ou par type d'infraction fournit un aperçu rapide et aide à identifier les problèmes de qualité des données. Par exemple, un chercheur qui examine le vol à Victoria pourrait constater que le nombre médian de vols enregistrés par mois était de 120 en 1860, mais la distribution a été fortement biaisée en raison de pics saisonniers autour des vacances et des grands événements publics.

Les proportions sont aussi informatives : quelle proportion des crimes signalés étaient violents par rapport à la propriété? En Angleterre du XIXe siècle, les crimes contre la propriété étaient dominés (environ 80 % des infractions passibles d'une accusation), alors que les crimes violents étaient une petite fraction, mais ce rapport a évolué avec l'urbanisation et la modification des définitions juridiques des voies de fait.

Les approches modernes comprennent l'utilisation d'estimations de densité du noyau pour lisser les tendances temporelles sans imposer d'hypothèses paramétriques, et la création de tableaux de bord avec des visualisations interactives (p. ex., en utilisant R=s ou Python=s ) qui permettent aux historiens d'explorer dynamiquement les modèles.

Analyse des séries chronologiques: Détecter les tendances et la saisonnalité

Les données historiques sur la criminalité sont presque toujours recueillies au fil du temps, ce qui rend l'analyse chronologique essentielle. Les techniques telles que les moyennes mobiles, la décomposition saisonnière à l'aide de la STL (décomposition de la tendance à la saison à l'aide de la LOESS) et les modèles de moyenne mobile intégrée autorégressive (ARIMA) aident à séparer la tendance du bruit et à identifier les points de retournement.

Si un nouveau commissaire de police en 1840 a imposé des rapports plus stricts sur les vols mineurs, l'apparente vague de criminalité peut être un artefact de politique plutôt qu'une véritable augmentation. L'analyse d'intervention (une forme de séries chronologiques interrompues) peut tester si les changements de politique ont modifié de façon significative les taux enregistrés, en utilisant des techniques comme les tests Chow ou les séries chronologiques bayésiennes (BSTS).

Analyse de régression : exploration des corrélations

Par exemple, une étude des villes américaines des années 1920 pourrait modéliser les taux d'homicide en fonction du chômage, de la consommation d'alcool (après interdiction), de la densité de la population et de la proportion de jeunes hommes. Les moindres carrés ordinaires sont fréquents lorsque les taux de criminalité sont continus (p. ex., enregistrés pour normaliser), mais parce que les données sur la criminalité sont souvent basées sur le nombre (entiers positifs) et que la régression binôme négative surdispersée est souvent préférée.

Les coefficients d'élasticité peuvent indiquer qu'une augmentation de 10 % du chômage a été associée à une augmentation de 5 % du vol, ce qui maintient d'autres facteurs constants. Cependant, la corrélation n'implique pas une causalité; des variables omises (comme l'intensité des services de police ou la volonté du public de signaler) peuvent biaiser les résultats.

Analyse géospatiale: Cartographie des points chauds du crime

L'analyse géospatiale a révolutionné la criminologie historique en révélant les dimensions spatiales du crime. Par le géocodage des adresses des anciens dossiers judiciaires, des blotteurs de police ou des journaux, les chercheurs peuvent créer des cartes ponctuelles et des surfaces de densité du noyau. Des outils comme QGIS ou R=2] et des paquets permettent d'explorer des modèles spatiaux à des échelles allant de rues individuelles à villes entières.

Les indicateurs locaux d'association spatiale (LISA) peuvent identifier des groupes spécifiques.La régression pondérée géographique (GWR) modélise la relation entre la criminalité et les conditions socioéconomiques dans l'espace, révélant que l'effet de la pauvreté peut différer entre les districts commerciaux et résidentiels.Les couches SIG historiques, comme celles du Système national d'information géographique historique[, fournissent les limites des secteurs de recensement et les données démographiques pour les décennies précédentes, permettant l'intégration des données spatiales avec d'autres analyses statistiques.

Méthodes avancées : apprentissage automatique et inférence causale

Au-delà de la régression traditionnelle, les techniques d'apprentissage automatique sont de plus en plus appliquées aux données historiques sur la criminalité. Les forêts aléatoires et les modèles stimulant les gradients peuvent capter les relations et les interactions non linéaires sans hypothèses paramétriques solides, utiles pour prédire les valeurs manquantes de criminalité ou pour imputer des coordonnées géographiques inconnues.

Pour les questions causales (p. ex., l'introduction d'un corps de police professionnel a-t-elle réduit la criminalité?), les différences de différences sont-elles des modèles qui comparent les changements dans les taux de criminalité entre les administrations qui ont adopté des réformes et ceux qui n'ont pas été apportés, avant et après le changement de politique? Les méthodes de contrôle synthétique construisent un contre-ffait à partir d'une combinaison pondérée d'unités de contrôle, utiles lorsqu'une ou quelques entités seulement ont subi une intervention.

Flux de travail pratique: des archives à l'analyse

Un flux de travail systématique assure la reproductibilité et minimise les erreurs dans l'ensemble du processus de recherche. Les étapes suivantes décrivent une approche typique, avec une attention à la documentation et à la transparence :

  1. Collecte et transcription de données[ – Photographie ou analyse des documents originaux à haute résolution. Utilisez la reconnaissance optique des caractères (OCR) avec correction manuelle pour les enregistrements manuscrits; des outils comme Tesseract ou Transtribus (spécialisant l'écriture historique) peuvent accélérer le processus mais nécessitent toujours une vérification humaine.
  2. Nettoyage et harmonisation des données[ – Normaliser les dates dans un calendrier cohérent (par exemple ISO 8601), les emplacements des géocodes à l'aide de gazette historiques et créer un système unifié de classification des crimes.
  3. Analyse des données exploratoires (EDA) – Générer des statistiques sommaires, des diagrammes de temps et des matrices de corrélation.
  4. Méthode de sélection et pré-enregistrement – Basé sur des questions de recherche (p. ex., détection des tendances, inférence causale, regroupement), choisissez des modèles appropriés. Pré-enregistrez le plan d'analyse sur des plateformes comme le Cadre scientifique ouvert pour éviter le p-haking et augmenter la crédibilité, même pour la recherche historique.
  5. Support et validation de modèles[ – Modèles de montage, vérifier les résidus pour la normalité, l'homoscédasticité et l'autocorrélation. Pour les approches bayésiennes, inspecter les distributions prédictives postérieures et utiliser WAIC ou la validation croisée pour la comparaison de modèles.
  6. Interprétation dans le contexte historique – La production statistique doit être interprétée en parallèle avec des preuves qualitatives : lettres, mémoires, éditoriaux de journaux et changements juridiques.

Étude de cas: Analyse du vol au 19e siècle à Londres

Pour illustrer l'intégration de plusieurs méthodes, il faut envisager une étude hypothétique mais représentative du vol à Londres de 1830 à 1870.Le chercheur recueille des données provenant des documents parlementaires et du journal parlementaire britannique Old Bailey Online, qui numérisent 20 000 actes d'accusation pour vol. Les données comprennent la date, l'emplacement (rue et paroisse), la valeur des biens volés, le type de victime (individu, entreprise ou établissement) et le fait que le délinquant ait été condamné.

Résultats descriptifs

Les statistiques descriptives montrent que les vols ont atteint leur maximum dans les années 1840, avec une moyenne de 120 par mois et un écart-type de 35. La valeur médiane des vols était de £2 (environ £200 en 2025 pouvoir d'achat), mais la distribution a été correctement asymétrique parce que certains vols impliquaient des bijoux ou de l'argent comptant précieux. La plupart des délinquants étaient de jeunes hommes (85 % des cas), et les taux de condamnation ont oscillé autour de 60%, bien que cela variait selon le type de vol (le vol de pickpocket avait des taux de condamnation inférieurs à ceux de la démolition de maison).

Analyse des séries chronologiques

Un modèle ARIMA(1,1,0) comportant une composante saisonnière (largeur 12) révèle une baisse annuelle de 3 % des vols enregistrés après 1856, coïncidant avec l'introduction de la branche des inspecteurs de la police métropolitaine. Une analyse d'intervention utilisant une régression segmentée confirme une baisse statistiquement significative (p & lt; 0,01) après 1856, même après avoir maîtrisé la croissance démographique et l'évolution du nombre de policiers.

Analyse de régression

Une régression binôme négative prédit le nombre de vols par district (parois) en fonction de la densité de la population, du revenu moyen (estimé à partir des registres fiscaux), du nombre de postes de police, de la distance jusqu'au marché le plus proche et d'un facteur fictif de la présence d'une gare ferroviaire. Les résultats montrent que le doublement de la densité de la population est associé à une augmentation de 40 % du vol (rapport de taux d'incidence = 1,40, IC à 95 % : 1,25–1,58), alors qu'une augmentation de la déviation unistandard du revenu moyen est associée à une diminution de 15 % (IRR = 0,85, IC à 95 % : 0,78–0,93). La présence d'un poste de police n'a pas d'effet significatif (IRR = 1,02, p = 0,45), suggérant que l'application de la loi était réactive plutôt que préventive.

Analyse géospatiale

La cartographie des lieux de vol (géocodé aux intersections de rue) révèle un point chaud clair dans l'extrémité est (environ Whitechapel Road) et le long de la Tamise de la rivière, particulièrement près des quais et des quais où les marchandises ont été transférées. Une régression spatiale utilisant une régression pondérée géographique indique que la relation négative entre le revenu et le vol est plus forte dans l'extrémité ouest (paroisses de fortune), où les zones riches ont connu des taux de vol très faibles.

Intégration qualitative

Les modèles statistiques s'alignent sur les descriptions contemporaines. Les journaux du Times se plaignent dans les années 1850 de voleurs professionnels qui opèrent dans les roqueries de St. Giles et des Sept Dials. Les dossiers judiciaires montrent que 30 % des délinquants ont déjà été arrêtés, beaucoup de gens des mêmes quartiers. Les journaux des commissaires de police notent que la branche des inspecteurs se concentre sur les clôtures et les récepteurs connus de biens volés, ce qui s'aligne sur la chute du vol mineur. La combinaison de preuves quantitatives et qualitatives renforce la conclusion que l'inégalité économique et les réformes policières ciblées ont façonné les modèles de vol, et que le déclin apparent après 1856 est en partie réel et en partie un artéfact de l'évolution des pratiques d'application de la loi.

Défis et atténuations

Au-delà des problèmes de données déjà relevés, les chercheurs doivent relever plusieurs défis méthodologiques qui peuvent saper les résultats statistiques :

  • – Les taux de criminalité agrégés ne reflètent peut-être pas le comportement criminel individuel. L'utilisation de données individuelles au sein de modèles multiniveaux (p. ex. modèles linéaires hiérarchiques avec effets aléatoires pour les districts) aide à combler les niveaux micro et macro.
  • – Les noms, les âges et les adresses peuvent être enregistrés de façon inexacte. L'assemblage probabiliste des enregistrements (p. ex., en utilisant le paquet dans R) fusionne les enregistrements de différentes sources avec des taux d'erreur quantifiables, et les analyses de sensibilité simulent différents niveaux d'erreur pour évaluer la robustesse.
  • Privé de sélection[ – Seuls les crimes qui ont atteint le tribunal apparaissent dans les dossiers; beaucoup ne l'ont pas fait. La correction Heckman ou la pondération des scores de propension peuvent être ajustées pour la sélection, mais seulement si les corrélations de signalement sont observables.
  • L'instabilité temporelle[ – Les relations entre variables (p. ex. chômage et vol) peuvent changer au cours des décennies en raison de l'évolution des normes sociales ou des structures économiques.
  • Praticabilité et biais de publication – Les études historiques sont rarement reproduites en raison de l'unicité des ensembles de données.Les chercheurs devraient toujours publier du code de reproduction et des données anonymes (lorsque la confidentialité le permet) pour permettre à d'autres de vérifier les résultats.Le Historical Crime Data Network offre des lignes directrices pour la documentation, le partage de données et les considérations éthiques lors de l'utilisation de dossiers historiques d'arrestation qui contiennent des renseignements personnels.

Intégration du contexte qualitatif

Les méthodes statistiques ne peuvent à elles seules expliquer pourquoi la criminalité a diminué à Victoria ou pourquoi certains groupes étaient surreprésentés. La lecture étroite des sources primaires — les journaux des commissaires de police, les débats parlementaires, les rapports sur la criminalité dans les journaux — fournit des récits causaux et met en contexte les tendances statistiques. Par exemple, la baisse du vol après 1856 pourrait être due en partie à l'amélioration de l'éclairage des rues (une mesure de prévention physique, documentée par les registres des conseils municipaux sur l'installation de lampes à gaz) ou à la modification de la tolérance du public à l'égard des crimes de propriété à mesure que l'économie s'est développée (réfléchie dans les directives de sentence des tribunaux qui sont devenues moins punitives pour les vols mineurs).

Les méthodes mixtes sont de plus en plus courantes. Les chercheurs peuvent utiliser des statistiques pour identifier les anomalies (par exemple, une augmentation des arrestations pour ----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Orientations futures et considérations éthiques

L'extraction de textes de transcriptions judiciaires utilisant le traitement du langage naturel (NLP) peut extraire les relations victimes-délinquants, les types d'armes et les modes opératoires des champs narratifs. La modélisation thématique de la couverture des crimes dans les journaux révèle des préoccupations changeantes du public au fil du temps. L'analyse en réseau des associations criminelles (à l'aide de données sur les arrestations conjointes) peut cartographier les réseaux du crime organisé et leur évolution.

Les chercheurs devraient anonymiser les données lors de la publication et examiner les risques que pourrait présenter le lien entre les arrestations historiques et les communautés modernes. De plus, la dépendance excessive à l'égard des dossiers de police peut perpétuer des préjugés historiques, dépeignant certains groupes comme étant intrinsèquement criminels tout en ignorant les inégalités structurelles.

Conclusion

Les statistiques descriptives, les séries chronologiques, la régression et l'analyse géospatiale offrent chacune une lentille distincte, et lorsqu'elles sont combinées à un traitement minutieux des données manquantes, des techniques d'inférence causale et du contexte qualitatif, elles révèlent des modèles qui façonnent notre compréhension du changement social. Les défis – déclaration de biais, changements de définition, erreurs écologiques, erreurs de mesure – sont surmontables grâce à une méthodologie transparente et à une lecture sceptique des résultats.

Le passé conserve sa complexité, mais l'analyse statistique nous aide à compter, cartographier et interpréter ses dimensions récurrentes. Au fur et à mesure que les archives numériques se développent et que les outils informatiques progressent, les historiens ont une occasion sans précédent de poser des questions plus vastes sur les relations entre le crime, la société et la gouvernance à travers le temps.En maintenant une position critique envers les sources de données et un dialogue avec des preuves qualitatives, les chercheurs peuvent produire des comptes crédibles et nuancés qui se tiennent à la hauteur des historiens et des statisticiens.