Introducci\u00f3n<\/strong><\/p>\n\n\n\n Desde finales de los a\u00f1os 90 la tecnolog\u00eda y la estad\u00edstica han sido piezas clave en el campo de la investigaci\u00f3n, ayudando a potenciar los l\u00edmites humanos en el proceso de informaci\u00f3n y mejorando exponencialmente su capacidad de an\u00e1lisis. En el sector de la seguridad, la tecnolog\u00eda es ampliamente utilizada en el marco preventivo mediante el desarrollo de programas inform\u00e1ticos de an\u00e1lisis predictivo, los cuales tienen como objetivo principal calcular la probabilidad de que ocurra, o no, un evento o crimen. El pa\u00eds precursor de las t\u00e9cnicas de an\u00e1lisis predictivo es Estados Unidos, sin embargo, desde principios de la d\u00e9cada de los 2000 estas se han empezado a adoptar tambi\u00e9n en la Uni\u00f3n Europea; si bien en este marco todav\u00eda nos encontramos en una fase preliminar de desarrollo de las mismas.<\/p>\n\n\n\n Hoy en d\u00eda, pa\u00edses como Alemania, Austria, B\u00e9lgica, Dinamarca, Espa\u00f1a, Francia, Italia, Pa\u00edses Bajos, Reino Unido y Suecia han adoptado o desarrollado al menos un programa de an\u00e1lisis predictivo, cambiando en mayor o menor medida su metodolog\u00eda de an\u00e1lisis criminal para adaptarse a las nuevas realidades que vienen acompa\u00f1adas de la evoluci\u00f3n tecnol\u00f3gica. Sin embargo, a causa de la ausencia de evaluaciones de los programas y de las lagunas de investigaci\u00f3n existentes acerca del tema, a\u00fan no est\u00e1 clara su relaci\u00f3n de coste-beneficio, poniendo en duda su efectividad a la hora de mejorar la seguridad ciudadana y nacional.<\/p>\n\n\n\n Teniendo en cuenta el contexto actual en el que se est\u00e1 desarrollando la difusi\u00f3n de programas de an\u00e1lisis predictivo a nivel global, surgen una serie de preguntas que servir\u00e1n como punto de partida del presente trabajo. En primer lugar, \u00bfse puede definir el an\u00e1lisis predictivo como una tendencia en el marco europeo? Y, en segundo lugar, \u00bfcu\u00e1l es el estado de desarrollo de dichas t\u00e9cnicas a nivel europeo, as\u00ed como su potencial?<\/p>\n\n\n\n Con el objetivo de responder a estas cuestiones, el art\u00edculo ha sido estructurado en cuatro cap\u00edtulos principales. El primero tendr\u00e1 como eje central el concepto del predictive policing<\/em> o an\u00e1lisis predictivo, analizando las ventajas y desventajas que presenta. En el segundo cap\u00edtulo se tratar\u00e1 de dar respuesta a la pregunta de si el an\u00e1lisis predictivo en Europa puede considerarse una tendencia o no. El tercer cap\u00edtulo analizar\u00e1 los programas vigentes en el continente, seleccionando seis casos de estudio sobre los que se realizar\u00e1 una comparativa de sus caracter\u00edsticas principales. Por \u00faltimo, se indagar\u00e1 sobre el futuro de la inteligencia policial y del an\u00e1lisis criminal, planteando posibles pautas futuras en el marco del an\u00e1lisis predictivo europeo.<\/p>\n\n\n\n Antes de todo, es considerado oportuno definir una serie de t\u00e9rminos con el objetivo de facilitar la comprensi\u00f3n del art\u00edculo al lector, independientemente de su familiaridad con el asunto tratado en el mismo. Con ello, se entiende por predictive policing <\/em>o an\u00e1lisis predictivo \u201cel uso de t\u00e9cnicas de an\u00e1lisis, en particular t\u00e9cnicas cuantitativas, para identificar objetivos potenciales que requieren la intervenci\u00f3n policial, adem\u00e1s de prevenir delitos o resolver cr\u00edmenes pasados \u200b\u200bmediante pron\u00f3sticos estad\u00edsticos\u201d (Perry et al<\/em>. 2013: xiii). Asimismo, se define el an\u00e1lisis criminal como \u201cla b\u00fasqueda y an\u00e1lisis de relaciones, por un lado entre los datos de criminalidad, y por otro lado entre otros datos de inter\u00e9s con fines judiciales y policiales\u201d (Gakoue, 2017: 170). En tercer lugar, se considera big data<\/em> como \u201clos activos de informaci\u00f3n caracterizados por un volumen, velocidad y variedad tan altos que requieren una tecnolog\u00eda espec\u00edfica y m\u00e9todos anal\u00edticos para su transformaci\u00f3n en valor\u201d (De Mauro et al<\/em>. 2016). Seguidamente, se entiende por tendencia como \u201cla idea o corriente que se orienta en una determinada direcci\u00f3n\u201d[1]<\/a>. Por \u00faltimo, se define an\u00e1lisis de datos como \u201cel proceso de examinar conjuntos de datos para descubrir patrones, correlaciones desconocidas, tendencias y preferencias criminales y otra informaci\u00f3n \u00fatil\u201d (Perrot, 2017: 66).<\/p>\n\n\n\n Metodolog\u00eda<\/strong><\/p>\n\n\n\n Para alcanzar dichos objetivos, se ha llevado a cabo una exhaustiva investigaci\u00f3n sobre los programas predictivos que se han implementado hasta ahora en el contexto europeo, as\u00ed como de las perspectivas de futuro de este creciente fen\u00f3meno, adoptando para ello un m\u00e9todo tanto cualitativo como cuantitativo.<\/p>\n\n\n\n En una fase inicial, se ha recopilado toda la informaci\u00f3n disponible sobre esta cuesti\u00f3n para poder, en primer lugar, identificar las caracter\u00edsticas del an\u00e1lisis predictivo en Europa y, en segundo lugar, los programas actualmente existentes. Esta primera b\u00fasqueda nos ha permitido definir el estado de la cuesti\u00f3n, hacer un primer registro de los programas de inter\u00e9s y establecer las variables a tener en consideraci\u00f3n a la hora de hacer el an\u00e1lisis comparativo de los distintos sistemas. De los veinte (20) programas identificados se ha llevado a cabo un an\u00e1lisis comparativo de diecisiete (17), dado el escaso acceso a las fuentes de tres (3) de ellas por desconocimiento del idioma. Para realizar la comparativa, se ha trabajado con trece (13) variables diferentes: fecha de implementaci\u00f3n, instituci\u00f3n que lo ha desarrollado, n\u00famero y tipo de indicadores utilizados por cada uno, enfoque, metodolog\u00eda, objetivo, zona de implementaci\u00f3n, tipo de datos tratados, categor\u00eda de crimen abordada, tipo de intervenci\u00f3n policial, rol del analista y si el programa ha estado sometido a evaluaciones internas o externas. Durante una segunda fase de la investigaci\u00f3n, se ha procedido a identificar los casos de estudio a tratar en funci\u00f3n de su relevancia. Los seis (6) casos sobre los que se profundizar\u00e1 en este art\u00edculo, que incluyen cinco (5) pa\u00edses europeos (es decir, Alemania, Francia, Italia, Pa\u00edses Bajos y Reino Unido), han sido seleccionados en base al recorrido del programa y la informaci\u00f3n disponible sobre cada uno de ellos.<\/p>\n\n\n\n En cuanto a las fuentes utilizadas, hemos considerado oportuno centrarnos en el uso de fuentes primarias y no solo recurrir a fuentes secundarias, tales como conferencias y art\u00edculos period\u00edsticos, para obtener informaci\u00f3n de contexto y detectar opiniones a nivel social acerca del objeto de estudio. Primeramente, hemos indagado en la literatura existente acerca del tema y en publicaciones de instituciones europeas, entre las cuales se incluyen la Comisi\u00f3n Europea, Europol y el European Prevention Crime Network. En segundo lugar, para los casos de estudio hemos utilizado informes gubernamentales y policiales, las p\u00e1ginas web de polic\u00edas y los documentos internos escritos por las empresas de tecnolog\u00eda que desarrollaron algunos de los softwares en cuesti\u00f3n.<\/p>\n\n\n\n Teniendo en cuenta las muchas dudas que genera el asunto tratado y que siguen sin contestarse, el presente art\u00edculo tiene como objetivo llevar a cabo el primer an\u00e1lisis comparativo de programas predictivos en el marco europeo. Mediante el an\u00e1lisis de estos, as\u00ed como de las t\u00e9cnicas y metodolog\u00edas adoptadas por parte de los distintos departamentos policiales en Europa, este trabajo ayuda a proporcionar nuevos datos sobre la calidad de dichos programas y su potencial para aumentar la capacidad de la seguridad europea, al mismo tiempo que intenta abordar algunas de las lagunas cient\u00edficas en el marco de la cuesti\u00f3n.<\/p>\n\n\n\n En base a lo anteriormente expuesto, conviene introducir tambi\u00e9n los l\u00edmites que se han encontrado y planteado a la hora de realizar la investigaci\u00f3n. Por un lado, al ser un tema relativamente novedoso y de poco recorrido en Europa, se destaca la escasa existencia de material y de fuentes acad\u00e9micas al respecto. Por otro lado, el trabajo de investigaci\u00f3n se ha llevado a cabo haciendo uso de los cuatro idiomas de los que los autores tienen conocimiento: es decir espa\u00f1ol, franc\u00e9s, ingl\u00e9s e italiano, obligando as\u00ed a excluir algunos pa\u00edses por falta de accesibilidad a la informaci\u00f3n. Por \u00faltimo, se hace constar un desequilibrio en el n\u00famero de fuentes disponibles entre un caso de estudio y otro, variando en gran medida en funci\u00f3n del esfuerzo acad\u00e9mico realizado en este \u00e1mbito por cada uno de los pa\u00edses.<\/p>\n\n\n\n El rol del an\u00e1lisis policial predictivo en la prevenci\u00f3n del crimen: ventajas e inconvenientes<\/strong><\/p>\n\n\n\n Desde los inicios de la disciplina a mitad del siglo XIX, la efectividad para llevar a cabo un buen an\u00e1lisis criminal se ha medido en gran parte en base a la capacidad de gestionar la informaci\u00f3n que posee tanto el analista como la organizaci\u00f3n a la que pertenece (Gakoue, 2017). Desde mediados de los a\u00f1os 90, la evoluci\u00f3n de las telecomunicaciones y la intensificaci\u00f3n de la globalizaci\u00f3n han derivado en un aumento exponencial en la cantidad de informaci\u00f3n que cualquier usuario, incluidos los analistas, tiene a su disposici\u00f3n. Para hacer frente a esta realidad, se torna imprescindible el desarrollo paralelo de herramientas que faciliten la labor de recopilaci\u00f3n y proceso de los datos, con el objetivo de mejorar dicha capacidad de gesti\u00f3n dentro del ciclo de an\u00e1lisis criminal.<\/p>\n\n\n\n Por ello, las t\u00e9cnicas de an\u00e1lisis predictivo, y en concreto el uso de programas con este fin, no debe ser considerado como una disciplina ajena e independiente al an\u00e1lisis criminal en su concepci\u00f3n m\u00e1s cl\u00e1sica, sino como un nuevo pilar de este surgido de la imperante necesidad de potenciar los sistemas de gesti\u00f3n de la informaci\u00f3n (Bachner, 2013: 6). As\u00ed, la implementaci\u00f3n de este tipo de programas apoyar\u00eda, fundamentalmente, las dos primeras fases del ciclo, correspondientes a la recopilaci\u00f3n y el an\u00e1lisis, siendo fundamental el papel del analista durante todo el proceso para llevar labores de supervisi\u00f3n y aportar su pensamiento cr\u00edtico (Fig. 1). Posteriormente, la informaci\u00f3n analizada es trasladada a los operativos policiales sobre el terreno, que son quienes llevar\u00e1n a cabo las intervenciones oportunas en base a la informaci\u00f3n analizada.<\/p>\n\n\n\n Fig. 1 Modelo de proceso de an\u00e1lisis predictivo<\/p>\n\n\n\n Elaboraci\u00f3n propia<\/p>\n\n\n\n El desarrollo de programas de an\u00e1lisis predictivo ha tra\u00eddo aparejado un extenso debate sobre los potenciales beneficios y costes asociados a su utilizaci\u00f3n en el \u00e1mbito de la seguridad. En relaci\u00f3n con los aspectos positivos, uno de los principales puntos a destacar hace referencia a la optimizaci\u00f3n de la gesti\u00f3n de los, a menudo, escasos recursos a nivel operativo, favoreciendo entre otras cosas una mejor distribuci\u00f3n de las patrullas en aquellas zonas geogr\u00e1ficas identificadas como las de mayor probabilidad en la comisi\u00f3n de un delito. En otras palabras,<\/p>\n\n\n\n \u201ca visi\u00f3n de la polic\u00eda predictiva permite a los cuerpos de seguridad pasar de centrarse en lo que ha ocurrido a centrarse en lo que ocurrir\u00e1, y en c\u00f3mo desplegar de manera efectiva los recursos disponibles para combatir el crimen, y por tanto cambiar los resultados (Beck, 2014).<\/p>\n\n\n\n De igual manera, la recopilaci\u00f3n y elaboraci\u00f3n de una gran cantidad de datos permite identificar patrones, tendencias y relaciones secuenciales entre ellos, las cuales pueden ser utilizadas por parte de las fuerzas de seguridad para anticiparse a una acci\u00f3n criminal o para resaltar informaci\u00f3n de inter\u00e9s de cara a futuras investigaciones. En este sentido, el uso de programas de an\u00e1lisis predictivo facilita, en cierta medida, la adopci\u00f3n de una postura policial m\u00e1s proactiva, en vez de centrarse en la investigaci\u00f3n de hechos criminales ya acontecidos (reactiva).<\/p>\n\n\n\n Asimismo, la introducci\u00f3n de inteligencia artificial en el proceso de an\u00e1lisis limita el riesgo de la aparici\u00f3n de sesgos y la posibilidad de que el analista obvie o excluya de manera inconsciente informaci\u00f3n o variables relevantes para el caso concreto de estudio, haciendo de uno de los principales beneficios \u201cel hecho de que patrones desconocidos o ignorados queden a la vista, y los departamentos de polic\u00eda puedan facilitar este proceso reuniendo todos los datos potencialmente relevantes que puedan ser manejados por los analistas y el software\u201d (Bachner, 2013: 7).<\/p>\n\n\n\n Respecto a los aspectos negativos, el punto central del debate guarda relaci\u00f3n con el necesario respeto a los derechos civiles e individuales que acompa\u00f1a a todo el trabajo policial, incluyendo la privacidad de la informaci\u00f3n personal utilizada por el programa, as\u00ed como la presunci\u00f3n de inocencia. Debido a la novedad de la cuesti\u00f3n, el marco legislativo alrededor de la utilizaci\u00f3n de programas de an\u00e1lisis predictivo y sus limitaciones a\u00fan sigue sin estar completamente desarrollado. La incorporaci\u00f3n al proceso anal\u00edtico de variables socioecon\u00f3micas, como el hecho de que una persona resida en un barrio considerado como conflictivo, que est\u00e9 desempleada o que tenga un nivel bajo de ingresos, contin\u00faa plasmando problemas a la hora de discernir si el resultado final del an\u00e1lisis puede presentar un car\u00e1cter discriminatorio. Este hecho se acent\u00faa si tenemos en cuenta que, en muchos casos, las zonas geogr\u00e1ficas designadas como de alto riesgo corresponden a \u00e1reas de mayor\u00eda inmigrante o que albergan minor\u00edas \u00e9tnicas o religiosas (Moses & Chan, 2018: 811). Adem\u00e1s de las reticencias \u00e9ticas planteadas a este respecto, otra cuesti\u00f3n a destacar es la posibilidad de los \u201cfalsos positivos\u201d por parte del programa a la hora de categorizar a una persona como probable reincidente en el futuro, siendo necesario en todo momento la supervisi\u00f3n de un analista e \u201cimprescindible que este identifique estos errores de la manera m\u00e1s temprana posible\u201d (Hildebrandt, 2017: 10).<\/p>\n\n\n\n An\u00e1lisis predictivo en Europa: evaluaci\u00f3n de la tendencia<\/strong><\/p>\n\n\n\n Desde comienzos de los a\u00f1os 2000, varios departamentos de polic\u00eda en Europa han comenzado a implementar programas predictivos con el objetivo de reducir la criminalidad en sus respectivas jurisdicciones. El pa\u00eds pionero a este respecto en Europa es Francia, que empez\u00f3 a acercarse al mundo del an\u00e1lisis predictivo en 1994 con el programa Anacrim, remplazado por i2 Analyst Notebook en 2005. Lo siguieron por orden cronol\u00f3gico Suecia, Italia, Reino Unido, B\u00e9lgica, Pa\u00edses Bajos, Alemania, Espa\u00f1a, Dinamarca y Austria (Fig. 2)[2]<\/a>. Como muestra la Figura 3, la evoluci\u00f3n de programas que han ido desarroll\u00e1ndose en los pa\u00edses investigados ha crecido de manera constante hasta llegar en 2018 a un total de 20. Es de recibo destacar como algunos pa\u00edses han adoptado o testado m\u00e1s de un programa, dato que denota no solo una mayor propensi\u00f3n a la aplicaci\u00f3n de esta tecnolog\u00eda, sino tambi\u00e9n un aumento en la complejidad de los programas.<\/p>\n\n\n\n Fig. 2 Pa\u00edses europeos con programas activos[3]<\/a><\/p>\n\n\n\n Elaboraci\u00f3n propia<\/p>\n\n\n\n Fig. 3 N\u00famero de programas en Europa<\/p>\n\n\n\n Elaboraci\u00f3n propia<\/p>\n\n\n\n En su mayor\u00eda, se trata de programas cuya zona de implementaci\u00f3n se circunscribe a los centros urbanos y que abordan temas de evaluaci\u00f3n de riesgo a nivel comunitario y no individual, utilizando exclusivamente datos de delitos acontecidos en el pasado. Mientras algunos de los pa\u00edses han desarrollado e introducido programas en su propia metodolog\u00eda de an\u00e1lisis, otros est\u00e1n ahora en una fase preliminar de lanzamiento de proyectos piloto.<\/p>\n\n\n\n A nivel institucional europeo tambi\u00e9n se ha notado un cambio de tendencia hacia el fen\u00f3meno desde que la Comisi\u00f3n Europea comenzase en 2007, a trav\u00e9s del programa \u201cSeventh Framework Programme for Research and Technological Development\u201d (FP7), la financiaci\u00f3n de un proyecto propio y ayudando al desarrollo del programa predictivo Valcri[4]<\/sup><\/a>. Adem\u00e1s, en 2016, la instituci\u00f3n European Crime Prevention Network (EUCPN) public\u00f3 un informe acerca de las herramientas de an\u00e1lisis predictivo utilizadas en Europa, invitando a desarrollar programas de este tipo y dando recomendaciones sobre c\u00f3mo implementarlos en el marco europeo. As\u00ed, la agenda europea reconoce la seguridad ciudadana como un objetivo clave y los modelos de recopilaci\u00f3n de datos han sido identificados entre las prioridades de seguridad, categor\u00eda dentro de la cual se incluye el proyecto Valcri (European Commission, 2016: 118-119).<\/p>\n\n\n\n Si bien se puede decir que en Europa hay una inclinaci\u00f3n hacia el desarrollo del an\u00e1lisis predictivo, esta se trata en su mayor\u00eda de una aproximaci\u00f3n que podr\u00edamos considerar, en cierta medida, rudimentaria. A ra\u00edz de la base de datos desarrollada a lo largo de esta investigaci\u00f3n, se destacan algunas de las caracter\u00edsticas de esta tendencia. De los 16 programas analizados por los autores, seis (6) se han considerado como avanzados por presentar alguna caracter\u00edstica diferenciadora del resto, mientras que en los otros casos se tratar\u00eda de t\u00e9cnicas de an\u00e1lisis, no de programas completos, o bien de proyectos piloto que a\u00fan no han sido introducidos en su totalidad. Entre ellos, seis (6) se han testado e implementado con robos, espec\u00edficamente de viviendas, y cinco (5) abordan todo tipo de cr\u00edmenes. De igual modo, todos los programas investigados son capaces de predecir d\u00f3nde<\/em> y cu\u00e1ndo<\/em> podr\u00eda tener lugar un hecho delictivo, pero \u00fanicamente tres (3) de ellos identifican al perpetrador (qui\u00e9n<\/em>) y dos (2) tambi\u00e9n la manera en la cual se perpetrar\u00e1 dicho acto criminal (c\u00f3mo<\/em>). Este \u00faltimo dato est\u00e1 relacionado con la metodolog\u00eda de an\u00e1lisis aplicada y las herramientas de las que consta el propio software en funci\u00f3n de su sofisticaci\u00f3n. Por \u00faltimo, si bien los diecis\u00e9is (16) programas aplican variables temporales y espaciales, no todos son capaces de apoyarse en tecnolog\u00eda considerada como m\u00e1s avanzada, como puede ser el reconocimiento facial, el an\u00e1lisis de im\u00e1genes y videos, redes sociales u otros.<\/p>\n\n\n\n Los programas policiales a la vanguardia en Europa<\/strong><\/p>\n\n\n\n Tal y como se ha hecho alusi\u00f3n en el segundo cap\u00edtulo, existe una marcada disparidad entre los diferentes pa\u00edses europeos respecto a la implementaci\u00f3n de programas de an\u00e1lisis predictivo en sus respectivos cuerpos policiales. Pa\u00edses como Alemania, Francia, Italia, Pa\u00edses Bajos o Reino Unido cuentan ya con una experiencia de varios a\u00f1os en este \u00e1mbito, habiendo introducido de manera m\u00e1s o menos efectiva este tipo de metodolog\u00eda en sus procesos de an\u00e1lisis criminal. En este apartado, se llevar\u00e1 a cabo una comparativa por orden cronol\u00f3gico de los principales programas de referencia operativos en cada uno de los casos de estudio mencionados, con el objetivo de extraer conclusiones claras sobre las particularidades, fortalezas y debilidades de cada uno de ellos.<\/p>\n\n\n\n I2 Analyst\u2019s Notebook, Francia<\/em><\/p>\n\n\n\n i2 Analyst Notebook (i2AN) es el programa predictivo de la Gendarmer\u00eda Nacional francesa, recientemente adoptado por la polic\u00eda nacional de manera parcial, y tiene su origen en un programa de an\u00e1lisis criminal desarrollado en Francia en 1994 llamado Anacrim (Minist\u00e8re de la Justice, 2003: 7-8). Dicho programa fue implementado en el marco de un proyecto gubernamental consistente en la digitalizaci\u00f3n y centralizaci\u00f3n de todas las bases de datos a nivel estatal con el fin de agilizar la compartici\u00f3n de informaci\u00f3n entre los diferentes organismos p\u00fablicos. As\u00ed, nos podr\u00edamos referir al i2AN como la versi\u00f3n m\u00e1s avanzada de Anacrim; una herramienta que responde a las necesidades gubernamentales y el avance de las t\u00e9cnicas de investigaci\u00f3n policiales.<\/p>\n\n\n\n Desarrollado por la empresa tecnol\u00f3gica IBM en el a\u00f1o 2005, i2AN es un programa de visualizaci\u00f3n de datos que, tras esquematizar y representar en forma de gr\u00e1ficos los datos criminales, \u201cagiliza el ciclo de an\u00e1lisis criminal, permitiendo al analista recopilar r\u00e1pidamente los datos, analizar y mirar toda la informaci\u00f3n en una \u00fanica pantalla, reduciendo el tiempo necesario para identificar la informaci\u00f3n clave que permita solucionar un caso concreto\u201d[5]<\/sup><\/a>. Espec\u00edficamente, tres son las caracter\u00edsticas relevantes en las que centraremos el an\u00e1lisis del software: el enfoque visual, el tipo de datos que maneja, y el rol proactivo del analista.<\/p>\n\n\n\n En cuanto a las tecnolog\u00edas utilizadas para recopilar y elaborar los datos, el programa tiene un dise\u00f1o muy inductivo basado principalmente en la representaci\u00f3n en forma de gr\u00e1ficos de la informaci\u00f3n a su disposici\u00f3n. Al inicio del an\u00e1lisis de un nuevo caso, la forma de visualizaci\u00f3n del programa i2AN refleja \u00fanicamente una p\u00e1gina en blanco con varias barras de herramientas en los m\u00e1rgenes. El analista se encarga de insertar los datos en el programa y seleccionar la opci\u00f3n de visualizaci\u00f3n que quiere, trat\u00e1ndose todas ellas de filtros opcionales (Kubler, 2017: 5). Tras este paso, en la pantalla se muestra la informaci\u00f3n insertada, resaltando las redes criminales, nichos y relaciones personales a modo de clusters.<\/em><\/p>\n\n\n\n Esto nos lleva al segundo factor relevante de este software: los datos que utiliza. En primer lugar, el programa trabaja con bases de datos policiales, privadas y gubernamentales, lo cual le da acceso a una enorme cantidad de informaci\u00f3n en comparaci\u00f3n con otros programas similares y que le permite, a priori, no descartar ninguna hip\u00f3tesis o informaci\u00f3n que pueda ser relevante en el an\u00e1lisis \u00be una de las caracter\u00edsticas positivas que tenemos en cuenta en el apartado uno. En segundo lugar, el i2AN es, junto con KeyCrime (Italia), el \u00fanico programa que utiliza metodolog\u00eda de investigaci\u00f3n de redes sociales, refiri\u00e9ndose esto al estudio de las relaciones existentes entre criminales. De esta manera, el software es capaz de establecer interconexiones entre personas y cr\u00edmenes que a un analista humano le resultar\u00eda extremadamente dif\u00edcil relacionar debido a la gran cantidad de informaci\u00f3n de la que dispone el programa. Debido a esta capacidad, y si bien el programa se aplica a todos los tipos de crimen, la Gendarmer\u00eda Nacional francesa la considera una herramienta clave para \u201cidentificar, predecir, prevenir e interrumpir actividades fraudulentas, terroristas y redes criminales\u201d, delitos en los que resulta imprescindible para su comisi\u00f3n la participaci\u00f3n de varias personas (Corrieu & Sajhau, 2014: 50).<\/p>\n\n\n\n Otro punto a destacar de i2AN es el papel preponderante del analista a lo largo de todo el proceso. Contrariamente a otros programas, en el i2AN el analista es necesario para identificar el objetivo de la actuaci\u00f3n policial y dise\u00f1ar la fase operativa; mientras que, en el caso, por ejemplo, de PredPol (Reino Unido), el algoritmo es al mismo tiempo procesador de datos y analista, haciendo las predicciones correspondientes sobre d\u00f3nde <\/em>y cu\u00e1ndo <\/em>podr\u00eda tener lugar el pr\u00f3ximo hecho criminal. Por ende, el analista tiene un rol proactivo y central en i2AN, tanto es as\u00ed que la Gendarmer\u00eda francesa considera necesario que los agentes est\u00e9n especializados y formados para utilizar correctamente dicha herramienta, una formaci\u00f3n que los usuarios policiales de otros programas similares, como es el caso de KeyCrime, no reciben.<\/p>\n\n\n\n Por su nivel de implementaci\u00f3n y capacidades, el i2AN es el principal programa de an\u00e1lisis predictivo en Francia, pero no el \u00fanico. En la labor exclusiva de procesamiento de datos destinados a la investigaci\u00f3n criminal, otros dos programas destacan en el marco franc\u00e9s: Salvac (por sus siglas francesas, Sistema de An\u00e1lisis de la Relaci\u00f3n entre Hechos Violentos y Criminales), el cual permanece activo en la ciudad de Nanterre y es aplicado fundamentalmente al an\u00e1lisis de cr\u00edmenes violentos o sexuales; y el Chardon (por sus siglas francesas, Comportamiento Homicida, An\u00e1lisis e Investigaci\u00f3n sobre los Datos Operativos Nacionales), creado por la Brigada Criminal de la prefectura policial de Par\u00eds y el cual, en base a un an\u00e1lisis comparativo del modus operandi<\/em> empleado, permite identificar los hechos criminales perpetrados por el mismo individuo (Gakoue, 2017: 177).<\/p>\n\n\n\n KeyCrime, Italia<\/em><\/p>\n\n\n\n En el caso de Italia, el primer software de an\u00e1lisis predictivo implementado en el pa\u00eds, KeyCrime, fue desarrollado en 2007 en el cuartel general de la polic\u00eda de Mil\u00e1n por el entonces asistente de la polic\u00eda estatal, Mario Venturi. Este programa integra una actividad de c\u00e1lculo de big data<\/em> que es capaz de detectar cr\u00edmenes en serie y predecir d\u00f3nde<\/em>, cu\u00e1ndo<\/em> y c\u00f3mo<\/em> podr\u00eda tener lugar el pr\u00f3ximo hecho delictivo. Adem\u00e1s, seg\u00fan declaraciones del creador, el programa se encuentra ahora mismo en fase de desarrollo y ser\u00eda capaz de detectar todos los cr\u00edmenes de tipo serial, sin ninguna excepci\u00f3n. Hasta ahora, el programa ha estado sujeto a dos fases de experimentaci\u00f3n; la primera con el objetivo de contrarrestar los robos en establecimientos comerciales en la ciudad de Mil\u00e1n, y la segunda para analizar los robos perpetrados contra entidades bancarias en la provincia de Mil\u00e1n – 3.234.658 habitantes (ISTAT, 2019).<\/p>\n\n\n\n La relevancia del programa reside en tres particularidades principales: el enfoque anal\u00edtico, el rol proactivo del analista y la capacidad de influir en las tres \u00e1reas del delito (prevenci\u00f3n, persecuci\u00f3n y parte procesal-penal). En relaci\u00f3n con la complejidad anal\u00edtica, al igual que el cerebro humano, KeyCrime trabaja con los datos previamente almacenados, aplicando en su metodolog\u00eda de an\u00e1lisis pr\u00e1cticas y herramientas extra\u00eddas de disciplinas como las matem\u00e1ticas, la estad\u00edstica, la psicolog\u00eda comportamental y el an\u00e1lisis geoespacial. Con ello, el software es capaz de procesar hasta un mill\u00f3n y medio de variables, focaliz\u00e1ndose en dos tipos de datos; simples y gen\u00e9ricos (es decir, lugar, fecha y hora de la comisi\u00f3n de un delito) o sofisticados y detallados (caracter\u00edsticas y comportamiento del perpetrador).<\/p>\n\n\n\n A su vez, elabora sus premisas en base a cuatro elementos fundamentales de cada crimen: su tipolog\u00eda, el objetivo, el modus operandi<\/em> (incluidos los objetos, las armas y los medios de transporte empleados) y las caracter\u00edsticas psicof\u00edsicas del autor (incluyendo gestos, ropa, tatuajes, piercings, cicatrices, o cualquier objeto visible que pudiera identificarlo). As\u00ed, el proceso de an\u00e1lisis complejo cuenta con dos fases diferentes: una primera inductiva[6]<\/sup><\/a>, en la cual se analiza con detalle un crimen concreto para identificar los elementos comunes con otros eventos de similares caracter\u00edsticas y as\u00ed relacionarlos con un \u00fanico perpetrador; y una segunda deductiva[7]<\/sup><\/a>, que permitir\u00e1, tras observar los elementos clave identificados en la serie criminal, predecir cu\u00e1ndo<\/em>, d\u00f3nde<\/em> y c\u00f3mo<\/em> (es decir, en qu\u00e9 condiciones) se cometer\u00e1 el delito futuro. El segundo elemento diferenciador hace referencia al hecho de que el software funciona \u00fanicamente si est\u00e1 en relaci\u00f3n continua con el analista, factor que reduce el margen de error del an\u00e1lisis y de sus resultados al implicar un elemento de supervisi\u00f3n. El tercer aspecto caracter\u00edstico y que define la complejidad del software es el hecho de que va m\u00e1s all\u00e1 del elemento predictivo, influyendo tras su aplicaci\u00f3n en las tres \u00e1reas identificables del delito: la prevenci\u00f3n, la persecuci\u00f3n y la parte legal-procesal posterior a la comisi\u00f3n del crimen. En cuanto al nivel de prevenci\u00f3n, KeyCrime permite identificar series criminales y concretar los desplazamientos de las patrullas policiales de manera m\u00e1s efectiva, con un margen de error muy bajo. Con respecto a la persecuci\u00f3n, el programa permite influir directamente en el n\u00famero de delitos que componen la serie criminal, reduci\u00e9ndose dr\u00e1sticamente (Mastrobuoni, 2017: 30). Mientras que, a nivel legal, la identificaci\u00f3n de un crimen en serie por parte del software permite agrupar los casos en una misma causa penal, agilizando y haciendo m\u00e1s efectivo el proceso judicial, pudiendo enjuiciar al autor por un mayor n\u00famero de delitos y con una condena m\u00e1s extensa.<\/p>\n\n\n\n M\u00e1s all\u00e1 de las fortalezas que el programa pueda presentar, otro punto a destacar es el hecho de que es uno de los pocos softwares, junto con Precobs (Alemania), que ha sido evaluado emp\u00edricamente por parte de personal externo al desarrollo del programa; an\u00e1lisis que ha demostrado la eficacia del software a la hora de implementarlo, as\u00ed como su potencial beneficio econ\u00f3mico (Mastrobuoni, 2017: 30). En este sentido, la auditor\u00eda concluy\u00f3 que la aplicaci\u00f3n del software en el entorno de Mil\u00e1n favoreci\u00f3 un aumento de ocho (8) puntos porcentuales en la probabilidad de resolver un crimen en serie, disminuyendo el n\u00famero de robos que los grupos criminales son capaces de perpetrar antes de su detenci\u00f3n. Adem\u00e1s, la evaluaci\u00f3n plante\u00f3 que actuando en los tres niveles del delito (prevenci\u00f3n, persecuci\u00f3n y procesal-legal), KeyCrime lleva a una reducci\u00f3n del coste econ\u00f3mico y de los esfuerzos operacionales, adem\u00e1s de agilizar la fase procesal y penal del caso. Se ha calculado que, solo en la ciudad de Mil\u00e1n, la aplicaci\u00f3n del software permitir\u00eda ahorrar alrededor de 1,2 millones de euros anuales (Mastrobuoni, 2017: 30).<\/p>\n\n\n\n Sin embargo, a\u00fan teniendo en cuenta los resultados positivos, actualmente el programa solo se utiliza en Mil\u00e1n y no se ha conseguido exportar a nivel nacional. De igual modo, otras polic\u00edas italianas est\u00e1n intentando desarrollar sus propios sistemas predictivos, como es el caso de N\u00e1poles, donde en diciembre del 2018 se hizo un primer test de un programa para predecir el lugar de comisi\u00f3n de robos (La Stampa, 2019).<\/p>\n\n\n\n Predpol, Reino Unido<\/em><\/p>\n\n\n\n Desarrollado por la empresa hom\u00f3nima en California en el a\u00f1o 2011, Predpol es uno de los programas de an\u00e1lisis predictivo l\u00edder a nivel mundial, habiendo sido implementado desde su creaci\u00f3n en departamentos de polic\u00eda tanto de Estados Unidos como europeos. En el caso particular de Reino Unido, Predpol comenz\u00f3 a utilizarse en el a\u00f1o 2013 por parte del departamento de polic\u00eda de Kent y permaneci\u00f3 activo durante cinco a\u00f1os, hasta marzo de 2018. Adem\u00e1s de en Kent, el software ha sido testado en alg\u00fan momento desde entonces tambi\u00e9n por las polic\u00edas del \u00e1rea metropolitana de Londres y de Manchester, as\u00ed como los condados de West Midlands y de West Yorkshire (Jones, 2014).<\/p>\n\n\n\n En relaci\u00f3n con el n\u00famero de variables que utiliza en el proceso de an\u00e1lisis, Predpol es especialmente sencillo, ya que cuenta \u00fanicamente con cuatro (4), referentes al tipo de delito, el lugar, la fecha y la hora de su comisi\u00f3n. Adem\u00e1s, Predpol, al igual que la gran mayor\u00eda de programas dedicados al predictive mapping<\/em>, no hace uso de datos personales de ning\u00fan tipo, ni tampoco de informaci\u00f3n procedente de fuentes abiertas, como puede ser el caso de redes sociales como Facebook, Twitter o Instagram[8]<\/sup><\/a>. A pesar de su aparente sencillez, la clave de Predpol reside en la utilizaci\u00f3n de un algoritmo basado en la tecnolog\u00eda de aprendizaje autom\u00e1tico (en ingl\u00e9s, machine-learning<\/em>), lo que lo dotar\u00eda de una capacidad de evoluci\u00f3n sistem\u00e1tica y constante.<\/p>\n\n\n\n Durante su implementaci\u00f3n en Reino Unido el programa no ha sido sometido a auditor\u00edas externas. Sin embargo, una evaluaci\u00f3n interna llevada a cabo por la polic\u00eda de Kent en 2014, tan solo unos meses desde el inicio de la implantaci\u00f3n del programa, revel\u00f3 que Predpol acertaba en un 11% de las ocasiones en las que designaba una localizaci\u00f3n como probable de que se produjese la comisi\u00f3n de un delito, \u201chaciendo diez veces m\u00e1s probable predecir la localizaci\u00f3n del crimen que por medio de patrullas aleatorias, y dos m\u00e1s veces m\u00e1s probable que mediante el uso de t\u00e9cnicas tradicionales de an\u00e1lisis de inteligencia\u201d (Kent Police, 2014).<\/p>\n\n\n\n Si bien las conclusiones aportadas por la evaluaci\u00f3n reflejan datos positivos respecto a los efectos reales en la reducci\u00f3n de la criminalidad mediante Predpol, cabe decir que actualmente ninguno de los departamentos policiales en Reino Unido que han testado el software lo mantiene operativo. Sin embargo, la decisi\u00f3n de no implementar a largo plazo el programa viene dada, no por las dudas sobre su efectividad, sino por cuestiones meramente econ\u00f3micas (Couchman, 2019: 45-62). En este sentido, tanto la Polic\u00eda Metropolitana de Londres como la de Manchester han optado por desarrollar programas internos en base a los mismos par\u00e1metros anal\u00edticos y de datos que Predpol. Esta es una pr\u00e1ctica muy habitual entre los cuerpos policiales europeos, particularmente en pa\u00edses que cuentan con suficiente capacidad de medios t\u00e9cnicos y financieros, como Reino Unido o Pa\u00edses Bajos, para hacer frente al desarrollo tecnol\u00f3gico de su propio software, el cual suele ser largo y costoso.<\/p>\n\n\n\n Crime Anticipation System, Pa\u00edses Bajos<\/em><\/p>\n\n\n\n El Crime Anticipation System (CAS), fue desarrollado internamente por el departamento de polic\u00eda de \u00c1msterdam en el a\u00f1o 2013 y posteriormente implementado a nivel nacional en Pa\u00edses Bajos en 2017. En la actualidad, y tras una serie de proyectos piloto en ciudades como Hoorn, Groningen y Hoefkade, el CAS se encuentra plenamente operativo en seis (6) de los diez (10) distritos que componen los Pa\u00edses Bajos (Oosterloo & van Schie, 2018).<\/p>\n\n\n\n La particularidad y gran ventaja del CAS reside en su acceso a m\u00faltiples bases de datos que les proporcionan una ventaja cuantitativa respecto a otros programas de an\u00e1lisis predictivo de similares caracter\u00edsticas. En particular, el sistema analiza informaci\u00f3n proveniente de tres bases de datos. En primer lugar, la Base de Datos Criminal Central, de la cual extrae informaci\u00f3n relativa a la localizaci\u00f3n, fecha y hora de cr\u00edmenes similares ocurridos en un periodo de tres a\u00f1os desde la fecha de la b\u00fasqueda, as\u00ed como datos de delincuentes reincidentes que habitan en las zonas marcadas como de medio o alto riesgo. En segundo lugar, el CAS tiene acceso a la Oficina Central de Estad\u00edsticas holandesa, la cual proporciona los datos socioecon\u00f3micos y demogr\u00e1ficos de las \u00e1reas geogr\u00e1ficas de inter\u00e9s, incluyendo cuestiones como la renta per c\u00e1pita, el n\u00famero de personas que habitan de media en una vivienda o si en la casa familiar hay presencia de uno o dos progenitores, entre otros factores. Por \u00faltimo, se utilizan los datos de la Administraci\u00f3n Municipal, cuya informaci\u00f3n, compuesta mayoritariamente por direcciones, es empleada a nivel \u00fanicamente informativo para la creaci\u00f3n del resultado final del mapa de incidencias. Derivado del acceso a estas bases de datos, en total el CAS hace uso de al menos diecinueve (19) variables distintas, diferenciando aquellas relativas a registros estad\u00edsticos relacionados con la criminalidad (3) y aquellas sobre aspectos socioecon\u00f3micos y demogr\u00e1ficos de inter\u00e9s para el an\u00e1lisis (16).<\/p>\n\n\n\n Otra de las caracter\u00edsticas del CAS hace referencia a la posibilidad de incorporar informaci\u00f3n procedente de fuentes abiertas, particularmente de redes sociales (Sanders & Sheptycki, 2017: 8). A diferencia de otros programas como Predpol o Skala (Alemania), el uso de las redes sociales elimina de facto la barrera que limita la recopilaci\u00f3n de datos sobre individuos concretos, y por ende abre la posibilidad de que el CAS adquiera un enfoque m\u00e1s centrado en el posible perpetrador de un determinado delito. En otras palabras, el CAS puede focalizarse tambi\u00e9n en el qui\u00e9n<\/em> adem\u00e1s del d\u00f3nde <\/em>y el cu\u00e1ndo<\/em>.<\/p>\n\n\n\n Por \u00faltimo, una limitaci\u00f3n del programa reside en que, debido a la necesidad de cuantificar los datos en base a una localizaci\u00f3n espec\u00edfica, este no es capaz de analizar todos los tipos de delito, sino \u00fanicamente aquellos en los que el hecho criminal pueda ser atribuido a un punto geogr\u00e1fico y a una fecha determinada, como los robos a comercios, a viviendas y de veh\u00edculos. En este sentido,<\/p>\n\n\n\n los incidentes que no ocurren de manera habitual, como los asesinatos, o aquellos que no se reportan habitualmente, como las violaciones o la venta de drogas falsas, no pueden predecirse de manera precisa en un sistema basado en el tiempo y el espacio (Sanders & Sheptycki, 2017: 5).<\/p>\n\n\n\n Precobs, Alemania<\/em><\/p>\n\n\n\n Precobs fue el primer programa de an\u00e1lisis predictivo implementado en Alemania y todav\u00eda hoy permanece activo en el estado de Baviera, en concreto en las regiones de Nuremberg, Franconia Media y M\u00fanich (Seidensticker et al<\/em>., 2018). El software, el cual fue desarrollado por la empresa Instituto de Predicci\u00f3n T\u00e9cnica (IfmPt por sus siglas en alem\u00e1n) en el a\u00f1o 2014, hace uso de la teor\u00eda anal\u00edtica de la \u201cpr\u00f3xima repetici\u00f3n\u201d para intentar predecir las localizaciones donde podr\u00eda tener lugar un robo en una vivienda. Dicha teor\u00eda sugiere que \u201cel crimen tiende a agruparse en el tiempo y en el espacio, de modo que cuando un evento criminal ocurre en un sitio, hay un aumento temporal de la probabilidad de que otros hechos similares ocurran en una localizaci\u00f3n pr\u00f3xima\u201d (Johnson & Bowers, 2014).<\/p>\n\n\n\n Adem\u00e1s de las tres (3) variables que con frecuencia introducen este tipo de programas en su proceso de an\u00e1lisis (lugar, fecha y hora de la comisi\u00f3n del delito objeto de estudio), las cuales aportan informaci\u00f3n sobre el d\u00f3nde <\/em>y el cu\u00e1ndo<\/em>, Precobs ser\u00eda capaz de responder tambi\u00e9n al c\u00f3mo<\/em>, mediante el uso de los denominados desencadenantes, que incluyen datos de inter\u00e9s espec\u00edficos sobre el modus operandi empleado, el material robado, e incluso, el tipo de vivienda asaltada (Gerstner, 2018: 115-138). Esta particularidad permite tener una visi\u00f3n m\u00e1s completa del hecho delictivo analizado, aportando tanto al propio programa como al analista una mayor precisi\u00f3n a la hora de identificar las zonas de riesgo y potenciales objetivos.<\/p>\n\n\n\n Precobs es un software de an\u00e1lisis espacial cuyo principal cometido es la creaci\u00f3n de mapas de calor indicando las zonas y la hora donde es m\u00e1s probable que se cometa el hecho delictivo en cuesti\u00f3n. Durante la fase de an\u00e1lisis, el programa no emplea datos personales de ning\u00fan tipo, en referencia a bases de datos de personas fichadas por la polic\u00eda o de criminales reincidentes. La decisi\u00f3n de obviar este tipo de informaci\u00f3n viene dada por la definici\u00f3n de an\u00e1lisis predictivo utilizada y acordada por todos los cuerpos de polic\u00eda alemanes, la cual establece la necesidad de que \u201cno haya una focalizaci\u00f3n en los datos de la v\u00edctima o el perpetrador y ning\u00fan dato personal debe ser utilizado\u201d (Seidensticker et al<\/em>., 2018). Este hecho representa una clara limitaci\u00f3n a la hora de responder a otra pregunta clave, el qui\u00e9n<\/em>, cuesti\u00f3n que muchos otros sistemas de an\u00e1lisis predictivo contin\u00faan sin poder abordar, en su mayor parte por aspectos \u00e9ticos sobre la confidencialidad de la informaci\u00f3n de individuos particulares.<\/p>\n\n\n\n Tal y como se ha visto con el caso de estudio italiano, Precobs es uno de los pocos softwares de estas caracter\u00edsticas que ha sido sometido a una auditor\u00eda externa para intentar validar su efectividad. As\u00ed, el Instituto Max Planck de Legislaci\u00f3n Criminal Internacional llev\u00f3 a cabo una evaluaci\u00f3n entre octubre de 2015 y abril de 2016, la cual obtuvo resultados dispares. Si bien es cierto que, por ejemplo, durante los meses que dur\u00f3 la evaluaci\u00f3n el n\u00famero de robos en viviendas en la ciudad de Stuttgart pas\u00f3 de 580 a 458, resulta del todo imposible verificar que dicha reducci\u00f3n se debiera \u00fanicamente a la implementaci\u00f3n del software. Variables como el n\u00famero de patrullas efectivamente implementadas en las zonas marcadas por Precobs o el hecho de que los datos de robos ven\u00edan de una tendencia descendente desde el a\u00f1o 2014, imposibilitan refutar de manera clara la efectividad del software (Gerstner, 2018: 115-138).<\/p>\n\n\n\n Skala, Alemania<\/em><\/p>\n\n\n\n Otro de los programas de an\u00e1lisis predictivos m\u00e1s relevantes en Alemania es Skala. Este software, originalmente desarrollado en 2015 por la Oficina Estatal de Investigaci\u00f3n Criminal del estado de Rhine Westphalia del Norte y la empresa tecnol\u00f3gica IBM, ha evolucionado desde sus inicios hasta convertirse en el principal programa de an\u00e1lisis predictivo de Alemania, contando en la actualidad con presencia en diecis\u00e9is (16) cuerpos de polic\u00eda de todo el pa\u00eds. Similar en el concepto y en gran parte de los aspectos t\u00e9cnicos a Precobs, el software tambi\u00e9n se emplea con el objetivo de predecir los lugares donde es m\u00e1s probable la comisi\u00f3n de un robo. Sin embargo, a diferencia de este \u00faltimo, Skala ampl\u00eda el espectro de los delitos analizados de \u00fanicamente asaltos en viviendas a robos en establecimientos comerciales y de veh\u00edculos, tres de los delitos que estad\u00edsticamente presentan una mayor incidencia en Alemania.<\/p>\n\n\n\n M\u00e1s all\u00e1 del tipo de cr\u00edmenes, la principal particularidad de Skala reside en su incorporaci\u00f3n en el proceso de an\u00e1lisis de, adem\u00e1s de datos sobre delitos similares ocurridos en el pasado, informaci\u00f3n relativa al nivel socioecon\u00f3mico y de infraestructuras del \u00e1rea de inter\u00e9s. Aparte de la renta per c\u00e1pita, porcentaje de desempleo y media de edad de los residentes locales (datos socioecon\u00f3micos), el software valora aspectos como la presencia de autopistas o estaciones de tren y\/o autob\u00fas, ligando este hecho a la probabilidad de que los delincuentes tengan m\u00e1s facilidad para evadirse tras la comisi\u00f3n de un delito, y por tanto siendo \u00e1reas m\u00e1s susceptibles de albergar criminalidad. Este ser\u00eda el caso, por ejemplo, del robo de veh\u00edculos.<\/p>\n\n\n\n An\u00e1lisis predictivo en Europa: retos futuros<\/strong><\/p>\n\n\n\n De cara al futuro, es oportuno plantear varias cuestiones sobre la direcci\u00f3n hacia la que puede dirigirse el an\u00e1lisis predictivo en el continente europeo en los pr\u00f3ximos a\u00f1os y sobre los retos que el mismo puede presentar.<\/p>\n\n\n\n En cuanto a la futura tendencia del an\u00e1lisis predictivo en el marco europeo, se destacan cambios tanto a corto como a largo plazo. A corto plazo, es muy probable que los programas se vayan uniformando en cuanto a categor\u00eda de crimen, n\u00famero y tipo de variables que utilizan en el proceso de an\u00e1lisis. En la base de datos desarrollada por los investigadores, se puede ver una cierta tendencia de los programas conforme avanzan en su desarrollo en, primero, ampliar el espectro del tipo de crimen que analizan una vez que el mismo ha tenido \u00e9xito en contrarrestar una categor\u00eda espec\u00edfica, y segundo, en pasar de pocas (entre tres y cuatro) a un elevado n\u00famero de variables utilizadas (incluso millones), gracias a la implementaci\u00f3n de herramientas de inteligencia artificial, incluyendo no solo elementos espaciales y temporales sino tambi\u00e9n datos sobre relaciones interpersonales, informaci\u00f3n socioecon\u00f3mica o de infraestructuras. Este \u00faltimo cambio permite a los programas contestar tanto a las preguntas de d\u00f3nde <\/em>y cu\u00e1ndo <\/em>como de identificar tambi\u00e9n el c\u00f3mo <\/em>y\/o qui\u00e9n<\/em> respecto a un hecho criminal, pasando as\u00ed de ser programas meramente predictivos a programas de naturaleza dual, es decir, predictivos y de lucha contra el crimen.<\/p>\n\n\n\n A largo plazo, destaca un cambio de direcci\u00f3n en el objetivo de los programas predictivos. Si bien es cierto que la totalidad de los programas analizados en este art\u00edculo se focalizan casi exclusivamente en el denominado predictive mapping<\/em>, en los \u00faltimos a\u00f1os ha habido un desarrollo exponencial de las tecnolog\u00edas de evaluaci\u00f3n de riesgo individual para medir la probabilidad de reincidencia de una persona con un historial criminal. En este sentido, pa\u00edses como Estados Unidos (Compas), o en el caso europeo Reino Unido (Hart), llevan varios a\u00f1os de experiencia en la implementaci\u00f3n de este tipo de sistemas (Babuta et al<\/em>., 2018). Teniendo en cuenta que Estados Unidos ya est\u00e1 yendo hac\u00eda esta direcci\u00f3n, en el caso de Europa es posible imaginar dos escenarios distintos. Primeramente que, como ya demuestra el hecho de que Reino Unido haya testado este tipo de programas, los estados europeos sigan esta tendencia y recurran a herramientas m\u00e1s enfocadas al contexto individual, entendidos como una versi\u00f3n m\u00e1s avanzada de los programas de evaluaci\u00f3n comunitaria. Por otro lado, el hecho de que algunos de los programas europeos, como por ejemplo KeyCrime y i2AN, ya incluyen en sus an\u00e1lisis datos relativos a relaciones personales (i2AN) y caracter\u00edsticas psicof\u00edsicas del perpetrador (KeyCrime), podr\u00edamos pensar que existe la posibilidad de que en Europa ocurra una inversi\u00f3n de la tendencia y que, en lugar de dos herramientas, haya una propensi\u00f3n a aplicar programas que consideren ambos factores (comunitarios e individuales).<\/p>\n\n\n\n A ra\u00edz de lo planteado en esta primera parte del apartado, surgen cuatro principales desaf\u00edos futuros. El primer reto est\u00e1 relacionado con el cambio de enfoque anal\u00edtico hacia el individuo, que subraya a\u00fan m\u00e1s la cuesti\u00f3n \u00e9tica abordada en el primer cap\u00edtulo. En este contexto, el riesgo de discriminaci\u00f3n por la introducci\u00f3n de variables de etnia, origen y sexo, as\u00ed como el riesgo de no respetar leyes de privacidad ser\u00eda mucho m\u00e1s alto. El segundo reto es el control de intercambio de informaci\u00f3n. En ambos sentidos, ser\u00eda necesario antes de la implementaci\u00f3n en la Uni\u00f3n Europea un marco estrat\u00e9gico com\u00fan a nivel pol\u00edtico y policial que favorezca una mejor integraci\u00f3n de los diferentes sistemas nacionales mediante una homogeneizaci\u00f3n de criterios (EUCPN, 2017: 8).<\/p>\n\n\n\n Un tercer reto futuro se refiere a la formaci\u00f3n de los agentes policiales: un uso extendido del an\u00e1lisis predictivo requerir\u00e1, antes o temprano, una mayor especializaci\u00f3n del propio analista en este \u00e1mbito con el objetivo de aprovechar todas sus capacidades. De los diecisiete (17) programas tomados en cuenta en esta investigaci\u00f3n, solo en el caso de i2AN se subraya la necesidad de una formaci\u00f3n especializada para utilizar el software de manera correcta. Teniendo en cuenta que el trabajo del agente policial es llevar a cabo \u00e9l mismo parte del proceso an\u00e1lisis criminal, debido al inevitable desarrollo tecnol\u00f3gico y a la entrada de la inteligencia artificial en el sector de la seguridad resulta imprescindible que los agentes adquieran el conocimiento necesario para poder realizar su trabajo de an\u00e1lisis de la mejor manera posible, al tiempo que sean capaces de explotar todas las capacidades del software.<\/p>\n\n\n\n Por \u00faltimo, se expone el, quiz\u00e1s, reto m\u00e1s importante para los departamentos de polic\u00eda respecto a la implementaci\u00f3n de estos programas, que es contestar a la pregunta de coste-beneficio: \u00bfes el an\u00e1lisis predictivo realmente eficaz? Y \u00bfmerece la pena el riesgo? En este art\u00edculo se ha intentado contestar al menos parcialmente a las dos cuestiones, demostrando que en algunos casos los programas predictivos no solo han bajado la tasa de criminalidad en una ciudad o pa\u00eds en concreto, sino que han sido capaces de mejorar la actuaci\u00f3n de los agentes de polic\u00eda, al tiempo que han reducido costes al sistema. Aunque las evaluaciones de los programas en el marco europeo a\u00fan son escasas, estas son auditor\u00edas hechas por empresas o individuos externos al propio proyecto, lo que otorga una mayor objetividad a la evaluaci\u00f3n y sus resultados que en el caso americano. Por \u00faltimo, para contrastar si realmente los departamentos de polic\u00eda deben apostar por estos programas, resulta necesario la realizaci\u00f3n de m\u00e1s investigaci\u00f3n cient\u00edfica y econ\u00f3mica que eleve la confianza pol\u00edtica en dichos sistemas y, como resultado, fomente el desarrollo e implementaci\u00f3n de programas predictivos. <\/p>\n\n\n\n Conclusiones<\/strong><\/p>\n\n\n\n Tras haber realizado un an\u00e1lisis del fen\u00f3meno de la implementaci\u00f3n de programas de an\u00e1lisis predictivo, se puede concluir que estos programas hicieron su entrada en Europa hace menos de dos d\u00e9cadas y que hasta ahora diez (10) de los veintiocho (28) estados miembros han adoptado alguna t\u00e9cnica de an\u00e1lisis predictivo, comprendiendo en total alrededor de veinte (20) programas. Sin embargo, lo que podr\u00eda verse como un dato de relativa irrelevancia, puede indicar en realidad un cambio de tendencia en el sector de la seguridad, espec\u00edficamente en el \u00e1mbito del an\u00e1lisis criminal policial, que avanza paralela al continuo desarrollo de la tecnolog\u00eda y la inteligencia artificial.<\/p>\n\n\n\n El hecho de que en pocos a\u00f1os se haya incrementado de manera constante la creaci\u00f3n y puesta en funcionamiento de estos programas denota un inter\u00e9s creciente de los distintos departamentos de polic\u00eda europeos sobre el fen\u00f3meno y, en cierto grado, de confianza hacia esta nueva frontera del an\u00e1lisis criminal. Con todo ello, el debate parece estar institucionaliz\u00e1ndose en el continente, como ejemplifican los casos expuestos de la European Prevention Crime Network y del programa financiado por la Comisi\u00f3n Europea FP7.<\/p>\n\n\n\n Para terminar, aunque es seguro decir que el an\u00e1lisis predictivo es una de las nuevas tendencias tecnol\u00f3gicas en el sector de la seguridad en Europa, este art\u00edculo ha pretendido demostrar que dicha tendencia se encuentra todav\u00eda en una fase preliminar y que todav\u00eda existe un gran margen de mejora y evoluci\u00f3n al respecto. Tras la investigaci\u00f3n realizada, se denota una falta de estandarizaci\u00f3n de los programas a nivel europeo, destacando tanto la importante disparidad entre los pa\u00edses analizados, como la falta de control existente sobre el tipo de software desarrollado en cada caso concreto, existiendo as\u00ed el riesgo de que este fen\u00f3meno acabe por estancarse y no evolucione hacia una verdadera adaptaci\u00f3n de esta tecnolog\u00eda al \u00e1mbito de la seguridad europea.<\/p>\n\n\n\n Nota sobre los autores:<\/strong><\/p>\n\n\n\n Virginia Cinelli<\/strong> es gestora de proyectos en el Real Instituto Elcano. Es graduada en Relaciones Internacionales y en Ciencias Pol\u00edticas por la Universidad LUISS Guido Carli (Roma) y especializada en Estudios de Terrorismo y Seguridad Internacional por la Universidad King\u2019s College London (Londres).<\/p>\n\n\n\n Alberto Manrique Gan <\/strong>es analista de inteligencia en la Unidad de An\u00e1lisis del \u00e1rea de seguridad internacional del Global Risk Advisory Prosegur. Es graduado en Relaciones Internacionales y Derecho por la Universidad Antonio de Nebrija (Madrid) y especializado en Estudios de Terrorismo y Seguridad Internacionales por la Universidad King\u2019s College London (Londres).<\/p>\n\n\n\n Referencias<\/strong><\/p>\n\n\n\n Babuta, Alexandre; Oswald, Marion & Rinik Christine (2018), \u201cMachine Learning Algorithms and Police Decision-Making. Legal, Ethical and Regulatory Challenges\u201d, Royal United Services Institutes<\/em>, 21 September. https:\/\/rusi.org\/publication\/whitehall-reports\/machine-learning-algorithms-and-police-decision-making-legal-ethical<\/a><\/p>\n\n\n\n Bachner, Jennifer (2013), \u201cPredictive Policing: Preventing Crime with Data an Analytics\u201d, IBM Center for The Business of Government<\/em>.<\/p>\n\n\n\n Beck, Charlie (2014), \u201cPredictive Policing: What Can We Learn from Wal-Mart and Amazon about Fighting Crime in a Recession?\u201d, The Police Chief Magazine<\/em>. http:\/\/www.policechiefmagazine.org\/predictive-policing-what-can-we-learn-from-wal-mart-and-amazon-about-fighting-crime-in-a-recession\/<\/a>.<\/p>\n\n\n\n Couchman, Hannah (2019), \u201cPolicing by Machine. Predictive Policing and the Threat to Our Rights\u201d, Liberty<\/em>. https:\/\/www.libertyhumanrights.org.uk\/sites\/default\/files\/LIB%2011%20Predictive%20Policing%20Report%20WEB.pdf<\/a><\/p>\n\n\n\n De Mauro, Andrea; Greco, Marco & Grimaldi, Michele (2016), \u201cA formal definition of Big Data based on its essential features\u201d, Library Review, <\/em>Vol. 65, No. 3, pp. 122-135.<\/p>\n\n\n\n European Commission. (2015), \u201cEU Research for a Secure Society\u201d, Publications Office of the European Union<\/em>. https:\/\/publications.europa.eu\/es\/publication-detail\/-\/publication\/87dd7e4a-c81f-11e6-a6db-01aa75ed71a1<\/a>.<\/p>\n\n\n\n Gakoue, Sokrou A. (2017), \u201cRegards Sur L\u2019analyse Criminelle\u00bb, European Scientific Journal, <\/em>Vol. 13, No. 7, pp. 169-185. http:\/\/dx.doi.org\/10.19044\/esj.2017.v13n7p169<\/a>.<\/p>\n\n\n\n Gerstner, Dominik (2018), \u201cPredictive Policing in the Context of Residential Burglary: An Empirical Illustration on the Basis of a Pilot Project in Baden-W\u00fcrttemberg, Germany\u201d, European Journal for Security Research, <\/em>Vol. 3, No. 2, pp. 115-138. https:\/\/link.springer.com\/article\/10.1007\/s41125-018-0033-0<\/a>.<\/p>\n\n\n\n Hildebrandt, Mireille (2017), \u201cLaw As Computation in the Era of Artificial Legal Intelligence. Speaking Law to the Power of Statistics\u201d, SSRN Electronic Journal<\/em>. https:\/\/papers.ssrn.com\/sol3\/papers.cfm?abstract_id=2983045<\/a>.<\/p>\n\n\n\n Ibm.Com, \u201cIBM I2 Analyst’s Notebook – Overview – United States\u201d. https:\/\/www.ibm.com\/us-en\/marketplace\/analysts-notebook<\/a>. Acceso el 29 de marzo de 2019.<\/p>\n\n\n\n ISTAT (2019), fecha de actualizaci\u00f3n 01\/01\/2019, Disponible en: http:\/\/dati.istat.it\/Index.aspx?DataSetCode=DCIS_POPRES1<\/a>. Acceso el 29 de marzo de 2019.<\/p>\n\n\n\n Johnson, Shane D. & Bowers, Kate J. (2014), \u201cNear Repeats and Crime Forecasting\u201d, in Bruinsma, Gerben & Weisburd, David (eds), Encyclopedia of Criminology and Criminal Justice<\/em>, New York: Springer, pp. 3242-3254. https:\/\/link.springer.com\/referenceworkentry\/10.1007%2F978-1-4614-5690-2_210<\/a>.<\/p>\n\n\n\n Jones, Chris (2014\u201d, \u201cPredictive policing: mapping the future of policing?\u201d, OpenDemocracy<\/em>, 10 June. https:\/\/www.opendemocracy.net\/en\/opensecurity\/predictive-policing-mapping-future-of-policing\/<\/a>.<\/p>\n\n\n\n Kent Police (2014), \u201cPredPol operational overview\u201d. http:\/\/www.statewatch.org\/docbin\/uk-2014-kent-police-predpol-op-review.pdf<\/a>.<\/p>\n\n\n\n Kubler, Kyle (2017), \u201cState of urgency: Surveillance, power, and algorithms in France\u2019s state of emergency\u201d, Big Data & Society, <\/em>Vol. 1, No. 10. https:\/\/journals.sagepub.com\/doi\/pdf\/10.1177\/2053951717736338<\/a>.<\/p>\n\n\n\n La Stampa (2019), \u201cParma, come funziona il software che prevede i reati\u201d, 18 gennaio. https:\/\/www.lastampa.it\/2019\/01\/18\/italia\/x-law-il-software-che-prevede-i-reati-attivo-in-italia-ecco-come-funziona-mRNATzZsdbmNnqcsb7EGoK\/pagina.html<\/a>.<\/p>\n\n\n\n EUCPN (2017), Predictive policing Recommendations paper<\/em>. https:\/\/eucpn.org\/sites\/default\/files\/content\/download\/files\/recommendation_paper_predictive_policing_update.pdf<\/a>.<\/p>\n\n\n\n Mastrobuoni, Giovanni (2017), \u00abCrime is Terribly Revealing: Information Technology and Police Productivity\u00bb, SSRN Electronic Journal<\/em>. https:\/\/papers.ssrn.com\/sol3\/papers.cfm?abstract_id=2989914<\/a><\/p>\n\n\n\n Minist\u00e8re de la Justice (2003), \u201cRapport du groupe de travail interminist\u00e9riel\u201d, Direction des Affairse Criminelles et des Graces. <\/em>https:\/\/docplayer.fr\/13411493-Analyse-criminelle-et-analyse-comportementale.html<\/a><\/p>\n\n\n\n Moore, David T. (2010), Critical thinking and intelligence analysis<\/em>, Washington, DC: Center for Strategic Intelligence Research, National Defense Intelligence College.<\/p>\n\n\n\n Moses, Lyria B. & Chan, Janet (2018), \u201cAlgorithmic prediction in policing: assumptions, evaluation, and accountability\u201d, Policing and Society, <\/em>Vol. 28, No. 7, pp. 806-822. https:\/\/www.tandfonline.com\/doi\/full\/10.1080\/10439463.2016.1253695<\/a>.<\/p>\n\n\n\n Oosterloo, Serena & van Schie, Gerwin (2018), \u201cThe Politics and Biases of the \u201cCrime Anticipation System\u201d of the Dutch Police\u201d, CEUR Workshop Proceedings, <\/em>Vol. 2103. http:\/\/ceur-ws.org\/Vol-2103\/paper_6.pdf<\/a>.<\/p>\n\n\n\n Perrot, Patrick (2017), \u201cWhat about AI in criminal intelligence? From predictive policing to AI perspectives\u201d, European Police Science and Research Bulletin<\/em>, No. 16, pp. 65-76. https:\/\/www.google.com\/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&cad=rja&uact=8&ved=2ahUKEwiWxrXh_KfhAhUBixoKHSI_Dt4QFjAAegQIABAC&url=https%3A%2F%2Fbulletin.cepol.europa.eu%2Findex.php%2Fbulletin%2Farticle%2Fdownload%2F244%2F208%2F&usg=AOvVaw1cgPu1QQYEMjUuw8mrUiQt<\/a>.<\/p>\n\n\n\n Perry, Walter L. et al<\/em>. (2013), Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations<\/em>, Santa Monica, CA: RAND Corporation. https:\/\/www.rand.org\/content\/dam\/rand\/pubs\/research_reports\/RR200\/RR233\/RAND_RR233.pdf<\/a>.<\/p>\n\n\n\n Predpol. https:\/\/www.predpol.com\/law-enforcement\/<\/a>. Acceso el 27 de marzo de 2019.<\/p>\n\n\n\n Sanders, Carrie B. & Sheptycki, James (2017), \u201cPolicing, crime and \u2018big data\u2019; towards a critique of the moral economy of stochastic governance\u201d, Crime, Law and Social Change<\/em>, Vol. 68, No. 1-2, pp. 1-15. https:\/\/www.researchgate.net\/publication\/312034069_Policing_crime_and_%27big_data%27_towards_a_critique_of_the_moral_economy_of_stochastic_governance<\/a>.<\/p>\n\n\n\n Seidensticker, Kai; Bode, Felix & Stoffel, Florian (2018), \u201cPredictive Policing in Germany\u201d<\/em>, Konstanzer Online-Publikations-System<\/em> (KOPS). http:\/\/kops.uni-konstanz.de\/bitstream\/handle\/123456789\/43114\/Seidensticker_2-14sbvox1ik0z06.pdf?sequence=5&isAllowed=y<\/a>.<\/p>\n\n\n\n Valcri.org, \u201cValcri | VALCRI is a European Union project\u201d. http:\/\/valcri.org<\/a>. Acceso el 29 de marzo de 2019.<\/p>\n\n\n\n [1]<\/a> Definici\u00f3n de la Real Academia Espa\u00f1ola.<\/p>\n\n\n\n [2]<\/a> Se debe tener en cuenta que el dato del orden cronol\u00f3gico no ejemplifica en ning\u00fan el nivel de avance e implementaci\u00f3n del an\u00e1lisis predictivo. Por ejemplo, en el caso de Suecia, comenz\u00f3 a aplicar t\u00e9cnicas de an\u00e1lisis predictivo en el a\u00f1o 2001 con Qlikview, pero hasta ahora no ha llegado a una fase de implementaci\u00f3n de ning\u00fan software. A pesar de ello, Suecia ha seguido mostrando inter\u00e9s hasta el d\u00eda de hoy. V\u00e9ase: (EUCPN, 2017: 4).<\/p>\n\n\n\n [3]<\/a> T\u00e9ngase en cuenta que se trata de cifras aproximadas, dado que la investigaci\u00f3n no engloba todos los pa\u00edses de la Uni\u00f3n Europea y que, en algunos pa\u00edses analizados, como por ejemplo el Reino Unido, tenemos constancia de que muchos departamentos policiales est\u00e1n utilizando programas predictivos, pero la informaci\u00f3n disponible es muy escasa e inaccesible al p\u00fablico.<\/p>\n\n\n\n [4]<\/sup><\/a> Para m\u00e1s informaci\u00f3n, v\u00e9ase la p\u00e1gina web oficial del proyecto \u00abValcri | VALCRI is a European Union Project\u00bb. 2019. Valcri.org<\/em>.<\/p>\n\n\n\n [5]<\/sup><\/a> Traducci\u00f3n del ingl\u00e9s al espa\u00f1ol, \u00abIBM I2 Analyst’s Notebook – Overview – United States\u00bb, 2019.<\/p>\n\n\n\n [6]<\/sup><\/a> Se define como \u2018an\u00e1lisis inductivo\u2019 como el m\u00e9todo cient\u00edfico mediante el cual se obtienen conclusiones generales a partir de premisas particulares. V\u00e9ase: (Moore, 2010: 6).<\/p>\n\n\n\n [7]<\/sup><\/a> Se define como \u2018an\u00e1lisis deductivo\u2019 al m\u00e9todo cient\u00edfico mediante el cual se obtienen conclusiones particulares a partir de premisas generales. V\u00e9ase: Ibid.<\/em><\/p>\n\n\n\n [8]<\/sup><\/a> P\u00e1gina web oficial de Predpol, https:\/\/www.predpol.com\/law-enforcement\/<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"![\"\"](\"http:\/\/www.ugr.es\/~resi\/Fig1.Cinelli.jpg\")
<\/figure><\/div>\n\n\n\n<\/figure>\n\n\n\n
![\"\"\/](\"http:\/\/www.ugr.es\/~resi\/Fig.3.Cinelli.jpg\")
<\/figure>\n\n\n\n
\n\n\n\n