Ruimtelijk-temporele patronen van woninginbraak in Antwerpen, 2005-2014: In hoeverre is woninginbraak geconcentreerd in bepaalde straatsegmenten, en hoe stabiel is deze concentratie over de tijd?

Abstract

Achtergrond: Met de beschikbaarheid van nauwkeurig gegeocodeerde criminaliteitsdata, blijken geregistreerde criminaliteit zich sterk te concentreren in de ruimte. Criminaliteit is niet slechts oververtegenwoordigd in enkele buurten, maar binnen buurten blijken straatsegmenten een belangrijke ruimtelijke eenheid.

Doel: Onderzoeken van de ruimtelijke concentratie, en de temporele stabiliteit van die concentratie, van woninginbraak in Antwerpen. Dit in de context van een substantiële daling van het totaal aantal woninginbraak in de stad in de periode 2005-2014.

Methode: 46.684 woninginbraken in de periode 2005-2014 zijn gegeocodeerd naar de 26.875 straat segmenten van Antwerpen. Longitudinale trends in de ruimtelijke concentraties van inbraak worden vastgesteld met gegeneraliseerde Gini coëfficiënten; Getis-Ord statistiek hot spots; en een niet-parametrische ruimtelijke punt patroontest (SPPT) die door deze auteurs wordt uitgewerkt naar een longitudinale context.

Resultaten: Woninginbraak is sterk geconcentreerd in een relatief klein aantal straatsegmenten (en dat blijkt in elk jaar zo te zijn). Tussen 2005 en 2014 zien 87% van de straatsegmenten een (netto) afname in woninginbraak, en woniningbraak neemt toe in slechts 2% van de segmenten. Er is geen duidelijk ruimtelijk patroon te herkennen in deze toe- en afnames.

Conclusie: Terwijl woninginbraak in Antwerpen met bijna 15% daalde gedurende 2005-2014, is deze daling niet te herleiden naar specifieke plekken in de stad. Ook is het niet zo dat op bepaalde plekken een veel sterkere daling plaatsvond dan op andere plekken. Het valt wel op dat het centrum van de stad nogal wat schommelingen doormaakt, hoewel woninginbraak ook daar na 10 jaar netto is gedaald.

Wouter Steenbeek

Senior Researcher

My research interests include spatio-temporal patterns of crime, offender decision-making, neighborhoods, machine learning, and R.