Una mappa dei reati non è Crime Analysis.
Visualizzare migliaia di incidenti come punti su una mappa può essere utile, ma il vero problema analitico è molto più profondo: capire se ciò che osserviamo rappresenta un pattern statisticamente significativo, come evolve nel tempo, quanto rapidamente decade il rischio attorno a un evento, se un intervento ha realmente modificato il fenomeno e, soprattutto, quanta incertezza esiste nei dati che stiamo analizzando.
Con Crime Analysis 6.0, rilasciato a settembre 2026, Esri ha aggiornato in modo significativo la propria soluzione per ArcGIS Pro. La nuova release supporta ArcGIS Pro 3.7, introduce un nuovo add-in e due strumenti particolarmente interessanti: Aoristic Analysis e Weighted Displacement Difference.
Ma questi strumenti diventano ancora più interessanti se li inseriamo in un quadro più ampio:
Crime Mapping
↓
Spatial Statistics
↓
Spatio-Temporal Analysis
↓
Crime Pattern Detection
↓
Uncertainty Modelling
↓
Vector + Graph Representation
↓
GeoAI / Agentic Spatial IntelligenceIn questo deep dive vediamo quindi Crime Analysis non semplicemente come una toolbar di ArcGIS Pro, ma come il punto di ingresso verso una moderna architettura di spatial intelligence.
1. Il dato criminale è un evento spazio-temporale
Il modello più semplice rappresenta un incidente come:
CrimeEvent = (x, y, t)dove x,y identificano la posizione e t il tempo.
Nella realtà un evento è molto più ricco:
CrimeEvent =
{
Geometry,
OccurFrom,
OccurTo,
CrimeType,
ModusOperandi,
Target,
Context,
Relationships
}Già qui emerge un problema fondamentale: spesso t non è conosciuto.
Un furto in abitazione può essere scoperto alle 18:00, mentre il proprietario ha lasciato casa alle 08:00. L'unica informazione corretta è quindi:
08:00 ≤ t ≤ 18:00Attribuire arbitrariamente il crimine alle 08:00, alle 13:00 o alle 18:00 introduce informazione che il dato originale non contiene.
Ed è esattamente qui che entra in gioco una delle novità più interessanti di Crime Analysis 6.0.
2. Aoristic Analysis: modellare il tempo che non conosciamo
L'Aoristic Analysis affronta gli eventi per i quali conosciamo un intervallo temporale ma non l'istante esatto.
Supponiamo che un evento possa essere avvenuto in quattro intervalli temporali:
10:00
11:00
12:00
13:00In assenza di altra informazione, ciascun intervallo riceve peso:
P(t) = 1 / 4 = 0.25
Più generalmente, per un evento i compatibile con n intervalli:
w(i,t) = 1 / n
quando il time bucket t appartiene alla finestra temporale dell'evento, e zero altrimenti.
Aggregando molti eventi otteniamo:
A(t) = Σ w(i,t)
che rappresenta il peso aoristico complessivo associato a quel periodo.
La differenza concettuale è importante: non stiamo inventando l'orario più probabile del singolo evento. Stiamo propagando esplicitamente la sua incertezza temporale.
3. Implementarlo in C#
Il principio può essere riprodotto facilmente in .NET. Immaginiamo un modello minimale:
public sealed record CrimeIncident(
long Id,
DateTime OccurFrom,
DateTime OccurTo,
string CrimeType);Possiamo calcolare quanto un evento contribuisce a un determinato bucket temporale:
static double AoristicWeight(
DateTime occurFrom,
DateTime occurTo,
DateTime bucketFrom,
DateTime bucketTo)
{
if (occurTo <= occurFrom)
return 0;
var from = occurFrom > bucketFrom
? occurFrom
: bucketFrom;
var to = occurTo < bucketTo
? occurTo
: bucketTo;
if (to <= from)
return 0;
return (to - from).TotalSeconds /
(occurTo - occurFrom).TotalSeconds;
}Questa variante utilizza la frazione effettiva di sovrapposizione dell'intervallo, rendendo esplicito ciò che normalmente viene nascosto dietro una semplice classificazione temporale.
In un add-in ArcGIS Pro potremmo quindi leggere le feature con ArcGIS Pro SDK, estrarre OccurFrom e OccurTo, costruire i bucket e produrre una tabella o una feature class derivata.
Il punto interessante non è riscrivere uno strumento che ArcGIS possiede già. È capire il modello matematico per poterlo integrare in pipeline analitiche più complesse.
4. Kernel Density non significa Hot Spot Analysis
Una delle confusioni più comuni nella spatial analysis è interpretare qualsiasi superficie con zone rosse come un hot spot statisticamente significativo.
Kernel Density Estimation (KDE) costruisce una superficie continua distribuendo attorno agli eventi una funzione kernel. In forma semplificata:
f̂(x) = 1/(nh²) Σ K((x-Xᵢ)/h)
dove h è il bandwidth.
Aumentando il search radius si ottiene una superficie più liscia e generalizzata; riducendolo emergono strutture locali più dettagliate.
Il risultato rimane però una stima di densità, non automaticamente una prova di significatività statistica.
high density ≠ statistically significant hot spot5. Getis-Ord Gi*: quando il clustering diventa statistico
Per individuare cluster statisticamente significativi ArcGIS Pro mette a disposizione, tra gli altri strumenti, Optimized Hot Spot Analysis, basato sulla statistica Getis-Ord Gi*.
Concettualmente non ci interessa soltanto sapere se una feature ha un valore elevato. Vogliamo sapere se essa è circondata da valori elevati in misura difficilmente compatibile con una distribuzione casuale.
Il risultato comprende:
Gi* z-score
p-value
confidence binQuesta distinzione dovrebbe essere alla base di qualsiasi sistema serio di crime intelligence:
Visualization
≠
Density estimation
≠
Spatial clustering
≠
Statistical evidence6. DBSCAN, HDBSCAN e clustering spazio-temporale
Non tutti i pattern hanno forma regolare.
Density-based Clustering in ArcGIS Pro consente di identificare cluster immersi nel rumore utilizzando algoritmi come DBSCAN, HDBSCAN e OPTICS.
Questa proprietà è particolarmente interessante nel crime analysis perché un pattern può essere molto evidente per tre settimane e scomparire completamente nel mese successivo.
Una distanza puramente spaziale:
d(i,j) = √((xᵢ-xⱼ)² + (yᵢ-yⱼ)²)
non cattura questa dinamica.
Possiamo concettualmente introdurre una distanza spazio-temporale:
D(i,j) = αDspace(i,j) + βDtime(i,j)
con scale opportunamente normalizzate.
7. Repeat e Near-Repeat: il rischio non è statico
Uno dei concetti più potenti della crime geography è la repeat/near-repeat victimization.
Dopo un evento, il luogo colpito e le aree vicine possono presentare per un periodo limitato un rischio maggiore di eventi analoghi. Tale influenza tende a diminuire sia con la distanza sia con il tempo.
Crime Analysis contiene strumenti dedicati per classificare eventi come originator, repeat e near-repeat utilizzando bande spaziali e temporali.
Possiamo rappresentare concettualmente il decadimento come:
R(d,t) = R₀ · e-λd · e-μt
dove:
d = distanza dall'incidente
t = tempo trascorso
λ = decadimento spaziale
μ = decadimento temporaleNon è quindi una superficie di rischio permanente.
È una superficie che decade continuamente nello spazio e nel tempo.
8. Prediction Zones: attenzione alla parola "prediction"
Crime Analysis può generare Prediction Zones a partire dai pattern repeat/near-repeat.
È però importante capire cosa significa "prediction".
Non significa:
qui avverrà il prossimo crimineSignifica piuttosto:
date le regolarità spazio-temporali
osservate nel dataset,
quest'area presenta un rischio relativo
più elevato nel breve periodo.È una differenza enorme, sia statisticamente sia eticamente.
9. Space-Time Cube: quando la mappa 2D non basta più
Un altro salto concettuale consiste nel trattare lo spazio e il tempo come un'unica struttura analitica.
Lo Space-Time Cube suddivide i dati in bin spaziali e temporali:
TIME
↑
│ ▢
│ ▢ ▢
│ ▢ ▢
│ ▢ ▢ ▢
│
└────────────→ SPACEEmerging Hot Spot Analysis permette di osservare non solo dove sono presenti cluster, ma come essi evolvono nel tempo.
La domanda non è più:
Dove sono gli hot spot?ma:
Dove stanno nascendo?
Quali persistono?
Quali si stanno intensificando?
Quali stanno scomparendo?Questa è già spatio-temporal intelligence.
10. Crime series e comportamento spaziale
Crime Analysis include workflow per ordinare cronologicamente gli eventi appartenenti a una serie e rappresentarne le connessioni.
Questo consente di studiare concetti classici del geographic profiling, come la distinzione tra comportamento marauder e commuter.
La sequenza:
P1 → P2 → P3 → P4 → P5diventa quindi molto più di una polilinea.
Possiamo analizzare:
distance(Pn, Pn+1)
bearing(Pn, Pn+1)
Δt(Pn, Pn+1)
velocity
dispersion
directional persistencee cercare cambiamenti nella struttura della serie.
11. Weighted Displacement Difference: l'intervento ha funzionato?
Crime Analysis 6.0 introduce anche Weighted Displacement Difference.
Qui la domanda cambia completamente.
Non vogliamo più soltanto descrivere il fenomeno. Vogliamo valutare un intervento.
Response Area
+
Response Displacement Zone
Control Area
+
Control Displacement Zone
↓
Before vs After
↓
Weighted Displacement DifferenceLa statistica confronta il cambiamento degli incidenti nell'area interessata dall'intervento con quello osservato in un'area di controllo e considera anche le aree circostanti per verificare se il fenomeno sia stato semplicemente spostato.
Questo è un passaggio metodologico importantissimo:
Crime ↓ nell'area Anon implica necessariamente:
Intervento efficaceperché potrebbe essersi verificato:
A ↓
B ↑ovvero displacement.
12. Da Crime Analysis a un Crime Graph
Fin qui abbiamo considerato principalmente geometrie, attributi e tempo.
Ma un'indagine contiene naturalmente anche relazioni.
Person ── called ── Person
│ │
visited owns
│ │
▼ ▼
Place ── near ── CrimeEvent
│
similar
│
▼
CrimeEventCrime Analysis contiene già strumenti investigativi per lavorare con call links, settori delle celle telefoniche e corrispondenze spazio-temporali.
La naturale evoluzione architetturale è quindi rappresentare parte del dominio come un spatio-temporal knowledge graph.
13. Il passo successivo: Crime Event Embeddings
Ed è qui che possiamo andare oltre gli strumenti standard.
Un incidente non deve necessariamente essere confrontato con un altro soltanto attraverso la distanza geografica.
Possiamo costruire una rappresentazione multidimensionale:
E = [
spatial features,
temporal features,
modus operandi,
target characteristics,
environmental context,
semantic description,
graph relationships
]e trasformarla in un vettore:
z = f(E) ∈ RⁿA quel punto due incidenti possono essere confrontati attraverso una funzione di similarità che combina più domini:
D(i,j) = αDspace + βDtime + γDsemantic + δDMO + εDgraph
La query investigativa cambia radicalmente.
Da:
Find incidents within 500 meters.a:
Find incidents that are:
geographically compatible
AND temporally compatible
AND behaviorally similar
AND semantically similar
AND connected through relevant entities.Questo è il punto d'incontro tra GIS, vector search e graph analytics.
14. Un'architettura GeoAI
Una possibile architettura enterprise potrebbe diventare:
ArcGIS Pro
│
Crime Analysis
│
Spatial Statistics
│
ArcGIS Enterprise
│
┌───────────┴───────────┐
│ │
Spatial Features Operational Data
│ │
└───────────┬───────────┘
│
Azure SQL
│
┌────────────┼────────────┐
│ │ │
relational vector graph
data index relationships
│ │ │
└────────────┼────────────┘
│
Retrieval Layer
│
GeoAgent
│
ArcGIS Pro / WebIl GeoAgent potrebbe ricevere una richiesta come:
Analyze residential burglaries from the last six weeks.
Identify statistically significant spatial clusters,
test for repeat/near-repeat behavior,
compare modus-operandi similarity,
and explain which evidence supports each candidate series.15. L'LLM non deve fare statistica al posto del GIS
Questo è forse il punto architetturale più importante.
Non costruirei un sistema nel quale chiediamo direttamente a un Large Language Model:
Where will the next crime occur?Un LLM non dovrebbe sostituire Getis-Ord Gi*, KDE, DBSCAN, Space-Time Cube o un modello statistico validato.
Dovrebbe invece funzionare come orchestratore analitico:
User
│
▼
GeoAgent
│
├──► ArcGIS Spatial Statistics
│
├──► Space-Time Analysis
│
├──► Vector Search
│
├──► Graph Query
│
└──► Operational Database
│
▼
Evidence
│
▼
LLM explanationIn altre parole:
LLM ≠ analytical truth
LLM = reasoning + orchestration + explanationmentre il risultato quantitativo deve continuare a provenire da strumenti deterministici, modelli statistici o algoritmi esplicitamente validati.
16. Explainability prima della prediction
Un sistema di crime intelligence dovrebbe poter rispondere non soltanto:
Risk = HIGHma anche:
WHY?
• 7 recent related incidents
• statistically significant Gi* cluster
• 5 incidents inside the near-repeat temporal window
• high spatial proximity
• strong modus-operandi similarity
• pattern intensifying over the last 3 weeksLa spiegabilità non è un accessorio dell'AI.
In domini ad alto impatto è parte dell'architettura.
17. Il problema più difficile: i dati non sono la realtà
Esiste infine un limite che nessun algoritmo può eliminare automaticamente.
Un database criminale non rappresenta necessariamente:
all crimes that happenedma più precisamente qualcosa di simile a:
events reported
+
events detected
+
events recorded
+
events classified
+
effects of enforcement activityQuesta distinzione è fondamentale.
Una maggiore concentrazione di osservazioni in una zona può derivare da un maggior numero di eventi, ma può anche essere influenzata da maggiore presenza operativa, differenti livelli di denuncia, procedure amministrative o qualità diversa del dato.
Se utilizziamo questi dati senza comprenderne il processo generativo, rischiamo di creare un feedback loop:
more observations
↓
higher estimated risk
↓
more attention
↓
more detected events
↓
even higher estimated riskLa precisione matematica del modello non elimina il bias del processo che ha prodotto i dati.
18. Dal GIS descrittivo alla Spatial Intelligence
Crime Analysis 6.0 mostra bene quanto il GIS moderno si stia allontanando dalla semplice rappresentazione cartografica.
Il percorso ormai è:
Where did it happen?
↓
Where is it concentrated?
↓
Is the concentration statistically significant?
↓
How is the pattern evolving?
↓
How does risk decay in space and time?
↓
Are apparently separate events related?
↓
Did an intervention change the pattern?
↓
What evidence supports the conclusion?E il prossimo passo potrebbe essere:
Can an intelligent spatial agent
autonomously assemble the right analyses,
test competing hypotheses,
retrieve supporting evidence
and explain its conclusions?Conclusione
Crime Analysis 6.0 è interessante non tanto perché aggiunge nuovi pulsanti ad ArcGIS Pro, ma perché rende evidente una trasformazione più ampia.
La geografia del crimine sta diventando sempre più una disciplina spazio-temporale, probabilistica e relazionale.
Aoristic Analysis ci ricorda che anche il tempo può essere incerto. Repeat/Near-Repeat Analysis introduce il decadimento spazio-temporale del rischio. Space-Time Cube permette di osservare l'evoluzione dei cluster. Weighted Displacement Difference porta l'analisi verso la valutazione degli interventi.
Embeddings, vector search, graph analytics e GeoAI possono costituire il livello successivo, purché non sostituiscano la statistica con un modello linguistico.
Il GIS del futuro non dovrà semplicemente mostrare dove si trova qualcosa.
Dovrà essere in grado di spiegare:
what happened
where
when
how it is connected
how certain we are
how the pattern is changing
and which evidence supports the hypothesis.È in quel momento che una mappa smette di essere soltanto una rappresentazione dello spazio e diventa un vero sistema di Spatial Intelligence.
