Explorer les données des contrôles de police à l’aide de diagrammes
Même si de nombreux Américains ont fait l’objet de contrôles de police pour vitesse excessive ou pour avoir traversé une route en dehors des passages piétons, peu d’entre eux réalisent à quel point un contrôle peut s’avérer humiliant lorsque l’officier de police cherche des motifs supplémentaires. Cette Cour [Suprême] a autorisé tout officier de police à vous arrêter pour n’importe quel motif que ce soit, à la condition qu’il puisse établir une justification après les faits. … Cette justification doit indiquer les motifs spécifiques qui ont mené l’officier de police à suspecter une infraction de la loi ... mais cela peut impliquer votre origine ethnique ... votre lieu de résidence ... les vêtements que vous portez ... et votre comportement. … L’officier n’a même pas besoin de savoir exactement quelle loi vous pourriez avoir enfreint tant qu’il peut par la suite indiquer une infraction possible, même si elle est mineure, non pertinente ou ambiguë. … — « Dissidence de la juge Sonia Sotomayor dans l’affaire Utah v. Strieff », Cour Suprême des États-Unis, 2016
Pour commencer votre analyse, vous allez explorer les données des contrôles routiers effectués par la police à Nashville, dans le Tennessee. Vous allez utiliser la vue Data Engineering pour explorer les champs et les attributs des données, et créer des diagrammes afin d’identifier des disparités dans les taux de fouille et les tendances des données dans le temps. Pour terminer, vous comparerez un quartier spécifique à la ville dans son ensemble.
Examiner les données des contrôles de police avec la vue Data Engineering
Il est important de vous familiariser avec les données avant toute analyse. Vous allez commencer par étudier les champs disponibles dans le jeu de données des contrôles de police à Nashville.
- Téléchargez le fichier .zip police_stops et décompressez-le dans un emplacement de votre ordinateur, par exemple, l’unité C.
- Ouvrez le dossier décompressé police_stops et double-cliquez sur Police Stops.aprx pour ouvrir le projet dans ArcGIS Pro.
- À l’invite, connectez-vous à votre compte ArcGIS.
Remarque :
Si vous n’avez pas accès à ArcGIS Pro ou ne disposez pas d’un compte d’organisation ArcGIS, consultez les options disponibles pour accéder aux logiciels.
Un diagramme et une carte de Nashville, dans le Tennessee, apparaissent.
Les points sur la carte représentent les contrôles routiers effectués par la police à Nashville sur la période du jeu de données. Ces données proviennent du projet Stanford Open Policing Project. Le diagramme situé en bas a été créé avec les mêmes données et les chiffres relatifs à la population issus de l’ACS (American Community Survey), une enquête menée par le bureau du recensement américain. Le diagramme affiche deux barres pour chaque groupe racial : la barre bleu clair représente le pourcentage des contrôles de police pour ce groupe racial et la barre bleu foncé indique le pourcentage des habitants de Nashville appartenant à ce groupe racial.
Si les contrôles étaient proportionnels, vous devriez voir la même hauteur de barre pour Stop Percentage et Population Percentage de chaque groupe racial, mais cela n’est pas le cas. Ainsi, alors que seuls 26,93 % des habitants de Nashville sont noirs, ils font l’objet de 37,04 % des contrôles routiers. Cela prouve qu’il existe une disparité, ce qui signifie que les résultats sont différents selon les groupes. La présence d’une disparité seule ne signifie pas nécessairement qu’il existe une forme de discrimination, mais la disparité est toujours significative car elle a un impact néfaste (Pryor et al. 2020, 11).
Vous allez à présent examiner le jeu de données des contrôles de police dans la vue Data Engineering afin de savoir quels sont les champs et les attributs inclus pour chaque contrôle routier.
- Fermez la fenêtre de diagramme.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Police Stops (2017-2019) et sélectionnez Data Engineering.
La vue Data Engineering apparaît. Elle est composée de deux sections : le volet des champs, qui affiche la liste des champs de la couche, et le volet des statistiques, qui est actuellement vide. Vous allez explorer les champs en les ajoutant au volet des statistiques.
- Cliquez sur n’importe quel champ dans le volet des champs et appuyez sur Ctrl+A pour sélectionner tous les champs. Faites glisser les champs vers le volet des statistiques.
Les champs sont désormais affichés en tant que lignes dans le volet des statistiques.
- Au-dessus du volet des statistiques, cliquez sur le bouton Calculate (Calculer).
Au bout de quelques minutes, le volet des statistiques est renseigné avec des métriques et des statistiques de qualité des données relatives aux attributs de chaque champ.
Le volet des statistiques contient les noms de champ, les types de données, le nombre de valeurs nulles, un aperçu du diagramme affichant la distribution du champ, les valeurs de distribution générales, comme le minimum, le maximum, la moyenne et le mode, ainsi que d’autres métriques qui vous permettent de vous familiariser avec chacun des champs relatifs aux données.
En bas de la vue Data Engineering, le nombre d’enregistrements indique que 422 535 contrôles ont eu lieu pendant la période couverte par les données.
La seconde ligne de la table des statistiques contient les résumés statistiques du champ date. La valeur Minimum du 1er janvier 2017 et la valeur Maximum du 24 mars 2019 vous indiquent que les 422 535 contrôles routiers ont eu lieu sur une période de 2 ans et 3 mois correspondant à la collecte des données.
Explorer les taux de fouille par groupe racial et ethnique
Certains contrôles de police conduisent à des fouilles :
Une fouille a lieu lorsqu’un officier de police tapote ou balaie de la main l’extérieur des vêtements d’une personne pour vérifier si elle porte des armes. Un officier de police est légalement autorisé à vous « fouiller » si vous y consentez, ou même sans votre consentement s’il a un « motif raisonnable de soupçonner » (à savoir un motif spécifique basé sur des faits) que vous portez une arme. — « Know Your Rights: Stop-And-Frisk », ACLU of the District of Columbia, 2021.
La décision de la fouille est à la discrétion de l’officier de police, ce qui ouvre ainsi la porte à une représentation incorrecte du groupe racial au niveau individuel. Vous allez examiner le taux de fouille, à savoir le pourcentage de contrôles ayant donné lieu à une fouille. Lorsqu’une personne fait l’objet d’un contrôle, est-elle plus ou moins susceptible d’être fouillée en fonction de son appartenance à un groupe racial ? Pour répondre à cette question, vous allez utiliser deux champs, subject_race et frisk_performed, afin de créer un diagramme permettant de visualiser les taux de fouille par groupe racial.
- Dans la vue Data Engineering, faites défiler la table des statistiques jusqu’au champ subject_race.
- Sur la ligne subject_race, pointez le curseur de la souris sur la cellule Chart Preview (Aperçu du diagramme).
Une fenêtre apparaît, répertoriant les valeurs affichées dans l’aperçu du diagramme.
- Sur la ligne subject_race, cliquez avec le bouton droit sur la cellule Chart Preview (Aperçu du diagramme) et sélectionnez Open Bar Chart (Ouvrir le diagramme à barres).
Un diagramme à barres apparaît : il affiche le nombre de contrôles routiers par groupe racial auquel appartient la personne concernée.
Vous allez modifier ce diagramme de telle sorte qu’il affiche le taux de fouille de chaque group racial au lieu du nombre de contrôles.
- Si nécessaire, dans la barre d’outils située au-dessus du diagramme, cliquez sur le bouton Properties (Propriétés) pour ouvrir la fenêtre Chart Properties (Propriétés du diagramme).
Vous allez commencer par fractionner chaque colonne pour afficher le nombre de contrôles ayant mené à une fouille.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), pour Split by (optional) (Fractionner en (facultatif)), sélectionnez le champ frisk_performed.
Le diagramme affiche désormais 7 groupes de colonnes. Il indique le nombre de contrôles de police ayant mené ou non à une fouille pour chaque groupe racial. Vous aller étiqueter et empiler les barres afin d’en faciliter la lecture. Vous allez également supprimer la colonne de données qui ne s’applique pas.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), sous Data Labels (Étiquettes de données), cochez la case Label bars (Étiqueter les barres).
- Cliquez sur l’onglet Series (Séries). Pour Display multiple series as (Afficher plusieurs séries comme), sélectionnez 100% Stacked (Empilées à 100 %).
- Dans la table, cliquez sur la ligne NA (N/D), puis sur le bouton Delete the selected row (Supprimer la ligne sélectionnée).
- Faites glisser la ligne TRUE (VRAI) au-dessus de la ligne FALSE (Faux).
Vous allez mettre à jour le texte qui apparaît dans la légende du diagramme afin d’en faciliter la compréhension.
- Dans la colonne Label (Étiquette), double-cliquez sur TRUE (VRAI° et saisissez Fouille. Modifiez l’étiquette FALSE (FAUX) en Absence de fouille.
Le diagramme affiche désormais le taux de fouille pour chaque groupe racial.
Une comparaison des 2,58 % de personnes noires et des 2,49 % de personnes hispaniques aux 0,92 % de personnes blanches ayant fait l’objet d’une fouille montre qu’il existe une disparité raciale dans la décision de procéder à une fouille. En d’autres termes, les données indiquent que les personnes noires et hispaniques habitant à Nashville sont plus de deux fois plus susceptibles d’être fouillées que les personnes blanches lors d’un contrôle de police. Ces résultats semblent cohérents avec les rapports des activistes et les conclusions du projet Policing Project mené par la Faculté de droit de l’université de New York :
Les autorités municipales portent davantage leur attention sur les contrôles routiers depuis que deux rapports indépendants ont démontré que les conducteurs noirs étaient arrêtés et fouillés de manière disproportionnée, même si la police trouvait rarement la preuve d’un crime...
…ces tendances ont été mises en évidence dans deux analyses distinctes des données du service de police de Nashville (MNPD).
— « Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias », Samantha Max, Nashville Public Radio, 2021.
Explorer les tendances des contrôles routiers dans le temps et dans les quartiers
Alors que les disparités raciales lors des contrôles routiers de police sont un problème récurrent des villes aux États-Unis, les rapports établis par des analystes et des activistes peuvent conduire au changement : les contrôles routiers effectués par le service de police de Nashville (MNPD) ont diminué de presque 90 % entre 2016 et 2021, à la suite de modifications apportées à la formation des policiers après la parution de rapports indépendants.
Après que les chercheurs de l’Université de New York eurent établi que les contrôles routiers effectués par le MNPD ne permettaient que rarement de retrouver des articles de contrebande, le service de police a complètement revu sa formation. L’accent a été mis sur le contrôle des comportements de conduite dangereux et non plus sur les fouilles.
Dans la première diapositive, les officiers de police étaient encouragés à réfléchir au « motif des contrôles routiers » et à interagir avec les membres de la communauté « en garantissant la dignité et le respect du citoyen et de la procédure de justice. »
— « Nashville Police Report Major Drop In Traffic Stops Following Accusations Of Racial Bias », Samantha Max, Nashville Public Radio, 2021
Vous allez créer un diagramme illustrant l’évolution des contrôles routiers dans le temps afin de confirmer la diminutin indiquée dans le rapport de la radio publique de Nashville.
- Au-dessus de la fenêtre de diagramme, cliquez sur l’onglet Police Stops (2017-2019) pour ouvrir à nouveau la vue Data Engineering.
- Si nécessaire, faites défiler la table des statistiques vers le haut jusqu’à la ligne date.
Sur la ligne date, la cellule Chart Preview (Aperçu du diagramme) indique une tendance à la baisse du nombre de contrôles dans le temps. Pour approfondir votre examen, vous allez afficher la totalité du diagramme à la place de son aperçu.
- Sur la ligne date, cliquez avec le bouton droit sur la cellule Chart Preview (Aperçu du diagramme) et sélectionnez Open Line Chart (Ouvrir le diagramme linéaire).
Un diagramme linéaire apparaît. Le diagramme est également ajouté dans la fenêtre Contents (Contenu), sous la couche Nashville police stops.
Le diagramme représente le nombre de contrôles routiers à Nashville pendant la durée couverte par les données. L’espace entre chaque point représente six jours. Vous allez modifier cet intervalle en une semaine.
- Si nécessaire, dans la barre d’outils située au-dessus du diagramme, cliquez sur Properties (Propriétés) pour ouvrir la fenêtre Chart Properties (Propriétés du diagramme).
- Dans la fenêtre Chart Properties (Propriétés du diagramme), définissez Interval size (Taille d’intervalle) sur 7 Days (7 jours).
Le diagramme indique que les contrôles de police ont diminué à partir du début de l’année 2017 (avec environ 4 500 contrôles par semaine) jusqu’au début de l’année 2019 (avec environ 1 000 contrôles par semaine). Cette tendance semble cohérente avec les conclusions établies par Nashville Public Radio selon lesquelles les contrôles routiers effectués par le service de police de Nashville (MNPD) avaient diminué de près de 90 % sur les cinq dernières années. Vous allez poursuivre votre examen des données afin de savoir si cette tendance est cohérente au sein des différents groupes raciaux et ethniques, ainsi que dans les différents quartiers.
- Dans la fenêtre Chart Properties (Propriétés du diagramme), pour Split by (optional) (Fractionner en (facultatif)), sélectionnez subject_race.
Le diagramme est mis à jour et affiche une ligne pour chaque catégorie dans le champ subject_race.
Une tendance à la baisse similaire concernant le nombre de contrôles de police sur les véhicules est visible à la fois pour les personnes noires et les personnes blanches.
Conseil :
Vous pouvez cliquer sur les éléments de la légende du diagramme pour désactiver des catégories et faciliter l’examen des tendances d’une catégorie particulière.
Vous allez maintenant explorer les diagrammes et la carte afin de savoir si cette tendance est cohérente dans différents quartiers de Nashville.
- Cliquez sur l’onglet du diagramme linéaire et faites-le glisser à côté de la carte. Ancrez le diagramme à droite de la carte.
Le diagramme apparaît désormais à côté de la carte.
- Dans la vue Data Engineering, dans le volet des champs, pointez le curseur de la souris sur le champ subject_race et cliquez sur le bouton Update Symbology (Mettre à jour la symbologie).
La carte est mise à jour et affiche les contrôles routiers par groupe racial et origine ethnique de la personne contrôlée. Le diagramme linéaire est mis à jour et utilise les mêmes couleurs que la carte.
Remarque :
Les couleurs de votre carte et de votre diagramme peuvent être différentes de celles affichées dans ce didacticiel.
- Dans la barre d’outils située au-dessus du diagramme linéaire, cliquez sur le bouton Filter By Extent (Filtrer selon l’étendue).
- Effectuez un zoom sur la carte et déplacez-la pour examiner différents quartiers. Observez les changements sur le diagramme linéaire.
Le diagramme linéaire est mis à jour de manière dynamique pour refléter l’évolution des contrôles routiers dans le temps dans la vue cartographique actuelle. Certains quartiers font état d’un nombre de personnes noires contrôlées supérieur au nombre de personnes blanches. La plupart des quartiers indiquent une tendance à la baisse identique à celle de la ville dans son ensemble.
Comparer les taux de fouille selon le groupe racial, la période et le quartier
Vous allez maintenant examiner l’impact de la baisse des contrôles de police sur les taux de fouille après 2018.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Police Stops (2017-2019) et sélectionnez Zoom To Layer (Zoom sur la couche).
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Selection (Sélection), cliquez sur Select By Attributes (Sélectionner selon les attributs).
- Dans la fenêtre Select By Attributes (Sélectionner selon les attributs), pour Input Rows (Enregistrements en entrée), sélectionnez Police Stops (2017-2019).
- Pour Expression, utilisez les menus déroulants pour créer l’expression Where date is before 12/1/2018 (Où date est avant 01/12/2018).
- Cliquez sur OK.
La plupart des points de la carte sont sélectionnés. Dans le diagramme linéaire, tous les points antérieurs à la forte baisse de la fin de l’année 2018 sont sélectionnés.
- Au-dessus de la vue Data Engineering, cliquez sur l’onglet Police Stops (2017-2...frisk_performed (Contrôles de police (2017-2...frisk_performed) pour afficher le diagramme à barres.
- Dans la barre d’outils située au-dessus du diagramme à barres, cliquez sur le bouton Filter by Selection (Filtrer par sélection).
Le diagramme à barres est mis à jour et affiche uniquement les taux de fouille des contrôles de police qui se sont déroulés avant décembre 2018.
Le taux de fouille des personnes noires était de 2,56 % et le taux de fouille des personnes blanches de 0,9 %. Le ratio entre ces deux valeurs (2,56 divisé par 0,9) est égal à 2,84. Cela signifie que lors d’un contrôle, les personnes noires étaient 2,84 fois plus susceptibles d’être fouillées que les personnes blanches.
Vous allez maintenant examiner l’évolution de ces nombres après décembre 2018.
- Dans la barre d’outils située au-dessus de l’un des diagrammes, cliquez sur le bouton Switch Selection (Inverser la sélection).
Le diagramme à barres affiche désormais les taux de fouille correspondant à la dernière partie de la période. La nouvelle sélection apparaît également dans le diagramme linéaire.
Au cours de cette période, le taux de fouille à l’encontre des personnes noires était de 3,21 % et le taux de fouille sur les personnes blanches de 1,48 %. Ces deux valeurs sont supérieures aux précédentes. Cela signifie que les contrôles étaient davantage susceptibles de donner lieu à une fouille en 2019. Cependant, puisque le nombre global de contrôles était inférieur, le nombre de fouilles était également inférieur.
Le ratio entre les taux de fouille à l’encontre des personnes noires et blanches est égal à 2,16. Ce ratio est inférieur au ratio précédent de 2,84, ce qui signifie qu’après décembre 2018, les disparités raciales affectant les taux de fouille ont diminué. La diminution n’est toutefois pas très importante et les personnes noires étaient encore plus de deux fois plus susceptibles d’être fouillées que les personnes blanches à l’occasion d’un contrôle.
Vous allez maintenant examiner l’évolution des taux de fouille dans un quartier spécifique et non plus à l’échelle de la ville. N’effacez pas la sélection.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Navigate (Naviguer), cliquez sur Bookmarks (Géosignets), puis sur le géosignet Tennessee State University.
Un zoom est appliqué à la carte sur le quartier situé autour de l’Université d’État du Tennessee, une université historiquement noire.
- Dans la barre d’outils située au-dessus du diagramme à barres, cliquez sur le bouton Filter By Extent (Filtrer selon l’étendue).
Le diagramme affiche désormais les données de la sélection actuelle et de la vue cartographique actuelle : il reflète uniquement les contrôles qui ont eu lieu dans le quartier situé autour de l’Université d’État du Tennessee après décembre 2018.
Le taux de fouille à l’encontre des personnes noires dans ce quartier était de 3,15 % sur cette période. Il était de 0,6 % pour les personnes blanches.
Remarque :
Vos valeurs peuvent être différentes en raison d’une étendue de la carte légèrement différente. Ces nombres n’ont aucune incidence sur le reste du didacticiel.
Le ratio entre ces deux valeurs est égal à 5,25, ce qui est supérieur aux autres ratios examinés jusqu’à présent. On s’attend à ce que le nombre de contrôles sur les personnes noires soit supérieur à celui concernant les personnes blanches dans un quartier à prédominance noire, mais ce nombre reflète la probabilité qu’une personne soit fouillée lors d’un contrôle. Dans ce quartier, les disparités raciales entre les contrôles menant à une fouille sont supérieures à celles qui affectent la ville dans son ensemble.
- Dans la barre d’outils située au-dessus de l’un des diagrammes, cliquez sur le bouton Clear selection (Effacer la sélection).
- Fermez les deux diagrammes, la vue Data Engineering et la fenêtre Chart Properties (Propriétés du diagramme).
- Dans la barre d’outils Accès rapide, cliquez sur le bouton Save (Enregistrer).
Remarque :
Un message peut vous avertir que si vous enregistrez ce fichier de projet avec la version actuelle de ArcGIS Pro, vous ne pourrez pas le rouvrir dans une version antérieure. Si ce message apparaît, cliquez sur Yes (Oui) pour continuer.
À ce stade du didacticiel, vous avez exploré les données des contrôles routiers dans la ville de Nashville. Vous avez examiné les disparités raciales dans les taux de contrôle et de fouille, et avez créé des diagrammes des contrôles dans le temps. Vous avez constaté que les contrôles de police avaient diminué à Nashville de 2017 à 2019, ce qui pourait être la conséquence des changements apportés à la formation des officiers de police à la suite d’analyses menées par des activistes. Cependant, vous avez également remarqué qu’il existait encore des disparités raciales. Lors d’un contrôle de police, les personnes noires sont encore plus susceptibles d’être fouillées que les personnes blanches et ces disparités varient d’un quartier à l’autre.
Vous allez maintenant poursuivre votre examen des contrôles de police à l’aide d’outils d’analyse spatiale.
Rechercher les points chauds liés aux fouilles
Dans le module précédent, vous avez préparé, visualisé et examiné les données des contrôles de police dans la ville de Nashville. Vous allez maintenant vous concentrer sur la ville de la Nouvelle-Orléans, en Louisiane, et utiliser un jeu de données des contrôles piétons ayant donné lieu à une fouille. Les opérations de fouille ont été largement critiquées pour leur impact sur les individus et les communautés, ainsi que pour le ciblage disproportionné des populations noires et latinos (Center for Constitutional Rights, 2012).
L’humiliation du contrôle ne se limite pas au fait qu’un officier de police vous dise que vous avez l’air d’un criminel. L’officier peut ensuite vous demander votre « consentement » afin d’inspecter votre sac ou votre sac à main sans vous préciser que vous avez le droit de refuser. Quelle que soit votre réponse, il peut vous ordonner de rester « debout, peut-être face à un mur [vos] mains en l’air. » Si l’officier estime que vous êtes susceptible de représenter un danger, il peut ensuite vous « fouiller » pour vérifier que vous ne portez pas d’arme. Cela implique davantage qu’une simple palpation. Sous le regard des badauds, l’officier de police peut « toucher avec des doigts sensibles chaque partie de [votre] corps. Une recherche minutieuse [peut] être effectuée sur [vos] bras et vos aisselles, votre taille et votre dos, l’aine et la zone entourant les testicules, ainsi que sur la totalité de la surface de vos jambes jusqu’aux pieds. » — « Dissidence de la juge Sonia Sotomayor dans l’affaire Utah v. Strieff », Cour Suprême des États-Unis, 2016
Compte tenu de la gravité des incidents liés aux fouilles, vous allez maintenant analyser la manière dont ils se produisent dans l’espace et dans le temps, à la Nouvelle-Orléans. Pour faciliter la quantification de certains modèles que vous pourrez observer dans les cartes et les diagrammes, vous allez exécuter des tests de signification statistique sur les tendances des fouilles.
Créer un cube spatio-temporel des localisations des fouilles
Vous allez commencer par utiliser un diagramme linéaire afin d’observer l’évolution des tendances des fouilles dans le temps pour chaque groupe racial. Vous créerez ensuite un cube spatio-temporel. Cette structure de données est nécessaire si vous voulez effectuer une analyse des points chauds émergents, qui permet de visualiser simultanément des modèles spatiaux et temporels sur une seule carte.
- Si nécessaire, ouvrez le projet Police Stops dans ArcGIS Pro. Sous le ruban, cliquez sur l’onglet de la carte New Orleans.
Une carte illustrant les localisations des fouilles survenues entre 2011 et 2018 dans la ville de la Nouvelle-Orléans apparaît. Ces données proviennent du projet Stanford Open Policing Project. Les localisations sont symbolisées selon le groupe racial de la personne fouillée.
- Dans la fenêtre Contents (Contenu), sous Frisk Locations (2011-2018), cliquez avec le bouton droit sur le diagramme Change in frisks over time et sélectionnez Open (Ouvrir).
Le diagramme indique que le nombre global des fouilles effectuées à la Nouvelle-Orléans a diminué de 2011 à 2013, mais il semble également que les fouilles aient progressivement augmenté à l’encontre des personnes noires entre 2014 et 2018.
Remarque :
Si vous souhaitez examiner la variation de ces modèles par quartier, vous pouvez répéter les étapes précédentes du didacticiel afin de filtrer le diagramme selon l’étendue, puis vous déplacer et appliquer un zoom sur la carte.
L’affichage global de la carte et du diagramme permet de visualiser les tendances spatio-temporelles d’un jeu de données. Un cube spatio-temporel permet toutefois de quantifier ces modèles de manière plus concrète. Cette structure de données agrège les données en groupes définis selon l’espace et le temps. Pour définir les limites spatiales de vos groupes, vous allez utiliser les secteurs de recensement.
- Fermez la vue du diagramme et la fenêtre Chart Properties (Propriétés du diagramme).
- Dans la fenêtre Contents (Contenu), cochez la case située en regard de la couche Race/Ethnicity by Tract (2015-2019) pour l’activer.
Cette couche affiche les secteurs de recensement avec les variables de groupe racial et d’origine ethnique, telles que définies par l’ACS (American Community Survey). Les secteurs de recensement sont utilisés par le Bureau du recensement américain pour organiser et analyser les données concernant la population ; ils correspondent généralement à des quartiers comprenant entre 2 500 et 8 000 habitants (recensement américain, 2021). Les données sont issues de la couche ACS Race and Hispanic Origin Variables – Boundaries de ArcGIS Living Atlas of the World.
Vous allez créer un cube spatio-temporel avec les données relatives aux fouilles et les secteurs de recensement. Le résultat vous indiquera les secteurs de recensement correspondant à des points chauds de fouille.
- Sur le ruban, cliquez sur l’onglet Analysis (Analyse). Dans le groupe Geoprocessing (Géotraitement), cliquez sur Tools (Outils).
La fenêtre Geoprocessing (Géotraitement) s’affiche.
- Dans la barre de recherche, saisissez créer un cube spatio-temporel. Dans les résultats de la recherche, cliquez sur Create Space Time Cube By Aggregating Points (Créer un cube spatio-temporel en agrégeant des points).
Un cube spatio-temporel agrège des données dans un espace tridimensionnel. Les groupes spatiaux sont représentés sur les axes x et y, tandis que les groupes temporels sont représentés sur l’axe z. Dans le cadre de cette analyse, vous allez définir chaque groupe comme un secteur de recensement sur une période de quatre semaines. Chaque secteur correspondra à une pile de groupes, chacun d’entre eux représentant quatre semaines. Chaque groupe comptabilisera le nombre de fouilles ayant eu lieu dans cette zone pendant cette période.
- Dans la fenêtre Geoprocessing (Géotraitement), définissez les paramètres suivants :
- Pour Input Features (Entités en entrée), sélectionnez Frisk Locations (2011–2018).
- Pour Output Space Time Cube (Cube spatio-temporel en sortie), saisissez Fouille_Secteurs_4Semaines.
- Pour Time Field (Champ de temps), sélectionnez date.
- Laissez le paramètre Template Cube (Cube modèle) vide.
- Pour Time Step Interval (Intervalle temporel), saisissez 4 et sélectionnez Weeks (Semaines).
- Pour Time Step Alignment (Alignement de l’intervalle temporel), sélectionnez End time (Heure de fin).
- Pour Aggregation Shape Type (Type de forme d’agrégation), sélectionnez Defined locations (Emplacements définis).
- Pour Defined Polygon Locations (Emplacements surfaciques définis), sélectionnez Race/Ethnicity by Tract (2015-2019).
- Pour Location ID (ID d’emplacement), sélectionnez Tract Numeric ID.
Vous avez sélectionné End time (Heure de fin) pour le paramètre Time Step Alignment (Alignement de l’intervalle temporel) car dans le cadre de cette analyse, vous vous intéressez davantage aux tendances récentes des fouilles qu’aux données plus anciennes. Ce choix garantit que l’outil démarre à la fin (données les plus récentes) et procède à la comptabilisation en reculant dans le temps au fur et à mesure qu’il crée des groupes. Il se peut que le dernier groupe soit incomplet, ce qui génère un biais temporel, mais il est préférable que ce biais soit présent dans le groupe le plus ancien plutôt que dans le groupe le plus récent.
- Cliquez sur Run (Exécuter).
Au terme de l’exécution de l’outil, un avertissement apparaît en bas de la fenêtre Geoprocessing (Géotraitement).
- Sur l’avertissement, cliquez sur le lien View Details (Afficher les détails).
Une fenêtre contenant davantage d’informations apparaît. Elle suggère que certaines localisations ne coïncidaient pas avec la couche Census Tracts. Ces nouvelles entités ne sont pas affichées car elles se situent sur des limites de secteurs ; cela n’est pas un problème systémique susceptible d’avoir un impact sur cette analyse.
- Si nécessaire, cliquez sur l’onglet Messages. Dans la boîte de dialogue, sous Space Time Cube Characteristics (Caractéristiques du cube spatio-temporel), faites défiler la table jusqu’à l’entrée First time step temporal bias (Biais temporel du premier intervalle temporel).
Le biais temporel de 28,57 % affectera les résultats.
Lors de la création du cube spatio-temporel, vous avez défini un intervalle temporel de 4 semaines. Puisque l’outil compte en reculant dans le temps (en utilisant la valeur End time (Heure de fin) pour Time Step Alignment (Alignement de l’intervalle temporel)), le groupe temporel le plus ancien est le dernier à être comptabilisé et ne contient pas un ensemble complet de 4 semaines de données. Le groupe concerné couvre la période du 2 mai 2011 au 30 mai 2011, mais les fouilles les plus anciennes dans les données commencent le 10 mai 2011. Du 2 mai au 10 mai, le groupe est vide, ce qui génère un biais temporel de 28,57 % dans ce premier intervalle.
Pour corriger ce biais temporel, vous allez filtrer les données afin de les faire commencer le 31 mai 2011, puis vous exécuterez à nouveau l’outil.
Remarque :
Pour en savoir plus sur l’alignement de l’intervalle temporel, consultez la rubrique d’aide Fonctionnement de l’outil Créer un cube spatio-temporel.
- Fermez la fenêtre Create Space Time Cube By Aggregating Points (Créer un cube spatio-temporel en agrégeant des points).
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Selection (Sélection), cliquez sur Select By Attributes (Sélectionner selon les attributs).
- Dans la fenêtre Select By Attributes (Sélectionner selon les attributs), pour Input Rows (Enregistrements en entrée), sélectionnez Frisk Locations (2011-2018).
- Sous Expression, utilisez les menus déroulants pour créer la requête Where date is after 5/29/2011 (Où date est après 29/05/2011).
- Cliquez sur OK.
La plupart des points de la carte sont sélectionnés. Lorsque vous exécuterez à nouveau l’outil Créer un cube spatio-temporel en agrégeant des points, l’exécution ne prendra en compte que ces entités sélectionnées.
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur Run (Exécuter).
- Au terme de l’exécution de l’outil, cliquez sur le lien View details (Afficher les détails) et, si nécessaire, cliquez sur l’onglet Messages.
La valeur de First time step temporal bias (Biais temporel du premier intervalle temporel) a été réduite à 3,57 %.
- Faites défiler l’onglet Messages jusqu’en bas.
Les messages de diagnostic suggèrent également que le paramètre Trend direction (Sens de la tendance) du cube spatio-temporel est défini sur Not Significant (Non significatif).
Il apparaît qu’aucune tendance temporelle statistiquement significative n’ait été mise en évidence pour la ville de la Nouvelle-Orléans dans son ensemble, mais il se peut que certains quartiers et catégories de fouilles fassent ressortir de telles tendances.
- Fermez la fenêtre Create Space Time Cube By Aggregating Points (Créer un cube spatio-temporel en agrégeant des points).
Vous avez créé un cube spatio-temporel et l’avez corrigé en fonction du biais temporel. Le cube ne s’affiche pas sur votre carte. Vous allez maintenant visualiser le cube sur la carte à l’aide de l’outil Visualiser le cube spatio-temporel en 3D.
- Cliquez avec le bouton droit de la souris sur la carte et sélectionnez Clear (Effacer) pour effacer la sélection.
Remarque :
Si, après avoir cliqué sur la carte avec le bouton droit, vous ne voyez pas l’option qui permet d’effacer les entités sélectionnées, cliquez sur l’onglet Map (Carte) sur le ruban. Dans le groupe Sélection, cliquez sur Effacer.
Afficher les modèles de fouille en 3D
Vous allez afficher le cube spatio-temporel en trois dimensions pour comprendre et examiner la manière dont il agrège les fouilles dans l’espace et dans le temps.
- Sous le ruban, cliquez sur l’onglet New Orleans 3D.
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur le bouton de retour. Recherchez et ouvrez l’outil Visualiser le cube spatio-temporel en 3D.
- Pour Input Space Time Cube (Cube spatio-temporel en entrée), cliquez sur le bouton Browse (Parcourir). Accédez au dossier contenant le projet Police Stops et sélectionnez Fouille_Secteurs_4Semaines.nc.
Il s’agit du cube spatio-temporel que vous avez créé précédemment.
- Cliquez sur OK.
- Pour Cube Variable (Variable de cube), sélectionnez COUNT (TOTAL). Pour Display Theme (Thème d’affichage), sélectionnez Value (Valeur).
- Pour Output Features (Entités en sortie), effacez le texte existant et saisissez Fouilles3D.
- Cliquez sur Run (Exécuter).
Une nouvelle couche apparaît sur la scène : elle affiche le cube spatio-temporel en trois dimensions.
Chaque colonne représente un secteur de recensement. Chaque colonne est composée d’une pile de groupes et chaque groupe représente un intervalle temporel de 4 semaines. Les groupes situés en bas sont plus anciens (juin 2011) et les groupes situés en haut sont plus récents (juin 2018). Plus la couleur du groupe est foncée, plus le nombre de fouilles ayant eu lieu dans cet espace et pendant cette période est élevé.
- Sur le ruban, cliquez sur l’onglet Map (Carte). Dans le groupe Navigate (Naviguer), cliquez sur Bookmarks (Géosignets), puis sur New Orleans.
La carte effectue un zoom sur le centre-ville qui dénombre davantage de fouilles. De nombreuses zones affichent un modèle à bandes indiquant que les périodes de fouilles sont entrecoupées de périodes sans fouilles.
Analyser les tendances des fouilles dans l’espace et dans le temps
Maintenant que vous avez visualisé et compris la structure tridimensionnelle d’un cube spatio-temporel, vous allez appliquer une visualisation 2D qui récapitulera les tendances des données.
- Sous le ruban, cliquez sur l’onglet New Orleans pour revenir à la carte 2D.
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur le bouton de retour. Recherchez et ouvrez l’outil Visualiser le cube spatio-temporel en 2D.
- Pour Input Space Time Cube (Cube spatio-temporel en entrée), cliquez sur le bouton Browse (Parcourir). Recherchez et sélectionnez Fouille_Secteurs_4Semaines.nc. Cliquez sur OK.
- Pour Cube Variable (Variable de cube), sélectionnez COUNT (TOTAL). Pour Display Theme (Thème d’affichage), sélectionnez Trends (Tendances).
Le paramètre Display Theme (Thème d’affichage) détermine la manière dont le cube spatio-temporel sera symbolisé sur la carte. L’option Trends (Tendances) indique là où les valeurs augmentent ou diminuent dans le temps ; ces tendances sont calculées à l’aide de la statistique de Mann-Kendall.
- Cochez la case Enable Time Series Pop-ups (Activer les fenêtres contextuelles de série chronologique). Pour Output Features (Entités en sortie), saisissez Fouille_Tendances.
- Cliquez sur Run (Exécuter).
Une nouvelle couche apparaît sur la carte.
- Dans la fenêtre Contents (Contenu), lisez la légende pour comprendre les symboles de la carte.
Les zones en vert témoignent de tendances à la baisse, ce qui signifie que la plupart des intervalles temporels ont connu une diminution du nombre de fouilles par rapport à l’intervalle temporel précédent. Les zones en violet affichent des tendances à la hausse, ce qui signifie que la plupart des intervalles temporels sont associés à une augmentation par rapport à l’intervalle temporel précédent. Les zones blanches ne témoignent d’aucune tendance significative. Les différentes nuances de vert et de violet sont associées à la signification de la tendance.
Auparavant, la carte comportait tellement de points qu’il était impossible de détecter des modèles spatiaux ou temporels. Vous pouvez maintenant observer une augmentation des fouilles près du centre de la Nouvelle-Orléans et une diminution dans de nombreuses autres parties de la ville.
- Faites glisser la couche Neighborhoods en haut de la fenêtre Contents (Contenu).
- Appliquez un zoom sur le géosignet Treme-Lafitte.
La carte effectue un zoom sur le quartier de Treme-Lafitte, qui indique une tendance à la hausse des fouilles sur la période des données.
- Cliquez sur le secteur de recensement le plus au nord dans le quartier de Treme-Lafitte.
Une fenêtre contextuelle apparaît, affichant un diagramme chronologique qui illustre la tendance à la hausse des fouilles dans cette zone.
- Fermez la fenêtre contextuelle.
La statistique de Mann-Kendall évalue les tendances de chaque localisation. Même si une localisation affiche une tendance à la hausse, cela ne signifie pas nécessairement qu’elle est associée à des valeurs élevées. Vous allez maintenant utiliser l’outil Analyse des points chauds émergents pour évaluer l’agrégation des nombres élevés de fouilles dans l’espace et le temps.
Rechercher les points chauds liés aux fouilles
L’analyse des points chauds émergents vous permet d’interpréter les modèles des fouilles effectuées par la police dans l’espace et le temps. Pour chaque groupe spatio-temporel, l’outil crée un voisinage local dans l’espace et le temps d’autres groupes situés à proximité. Il compare ensuite le nombre moyen de fouilles du voisinage local au nombre moyen de fouilles correspondant à la totalité de la ville de la Nouvelle-Orléans. L’outil utilise alors ces comparaisons pour identifier les localisations au sein de la ville où les nombres de fouilles particulièrement élevés (points chauds) ou faibles (points froids) sont agrégés.
- Dans la fenêtre Geoprocessing (Géotraitement), cliquez sur le bouton de retour. Recherchez et ouvrez l’outil Analyse de points chauds émergents.
Pour Input Space Time Cube (Cube spatio-temporel en entrée), cliquez sur le bouton Browse (Parcourir). Recherchez et sélectionnez Fouille_Secteurs_4Semaines.nc. Cliquez sur OK.
- Pour Analysis Variable (Variable d’analyse), sélectionnez COUNT (TOTAL). Pour Output Features (Entités en sortie), saisissez Fouilles_PointChaud.
- Pour Conceptualization of Spatial Relationships (Conceptualisation des relations spatiales), sélectionnez K nearest neighbors (K voisins les plus proches).
La méthode par défaut de ce paramètre consiste à définir le voisinage de chaque groupe en fonction d’une distance fixe. Cependant, les secteurs de recensement ont des formes et des tailles différentes. Vous allez donc utiliser à la place la méthode K nearest neighbors (K voisins les plus proches) pour vous assurer que chaque voisinage contient un nombre défini (k) de voisins.
Dans le cadre de cette analyse, vous allez définir le voisinage spatial de chaque groupe comme son propre secteur, plus ses huit secteurs les plus proches dans l’espace.
- Pour Number of Spatial Neighbors (Nombre de voisins spatiaux), acceptez la valeur par défaut 8.
Les voisinages permettent également de comparer les données sur des intervalles temporels. Dans le cadre de cette analyse, vous allez définir le voisinage temporel de chaque groupe comme son propre intervalle temporel, plus un intervalle temporel précédent, ce qui fait un total de huit semaines.
- Pour Neighborhood Time Step (Intervalle temporel de voisinage), saisissez 4.
- Pour Define Global Window (Définir la fenêtre globale), sélectionnez Neighborhood Time Step (Intervalle temporel de voisinage).
Pour chaque secteur de chaque intervalle temporel, l’analyse crée un voisinage composé des huit secteurs voisins les plus proches, incluant les secteurs des quatre intervalles temporels précédents. Le nombre moyen de fouilles de chaque voisinage est ensuite comparé au nombre moyen de fouilles sur la totalité de la ville de la Nouvelle-Orléans pour chaque intervalle temporel du voisinage.
Remarque :
Ces paramètres ne sont qu’un point de départ. Il est conseillé de procéder par essai afin de déterminer la combinaison optimale de paramètres pour chaque jeu de données et question d’analyse.
- Cliquez sur Run (Exécuter).
Une nouvelle couche apparaît sur la carte.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Fouilles_PointChaud et sélectionnez Zoom To Layer (Zoom sur la couche).
- Dans la fenêtre Contents (Contenu), lisez la légende pour comprendre les symboles de la carte.
Les zones en rouge sont des points chauds, à savoir des zones qui présentent un nombre de fouilles beaucoup plus élevé par rapport à la moyenne de la ville. Les zones en bleu sont des points froids, à savoir des zones dans lesquelles le nombre de fouilles est beaucoup moins élevé. Les différents modèles de symbole sont liés à l’évolution du nombre de fouilles dans le secteur concerné dans le temps.
Remarque :
Pour en savoir plus sur les classes de symboles, consultez la rubrique Fonctionnement de l’outil Analyse de points chauds émergents.
Certaines zones proches du centre de la Nouvelle-Orléans présentent des points chauds de fouilles statistiquement significatifs.
- Dans la fenêtre Contents (Contenu), faites glisser la couche Neighborhoods en haut de la liste.
- Appliquez un zoom sur le géosignet Hot Spots.
La carte effectue un zoom sur les quartiers dans lesquels l’outil Analyse des points chauds émergents a trouvé des points chauds et froids spatio-temporels statistiquement significatifs liés aux fouilles.
La carte indique les localisations des agrégations statistiquement significatives des nombres élevés et faibles de fouilles ayant eu lieu à la Nouvelle-Orléans entre 2011 et 2018. Les quartiers de French Quarter et de Central Business District (CBD) présentent une intensification des points chauds liés aux nombres de fouilles. Les quartiers adjacents sont des points chauds sporadiques.
- Une intensification de point chaud désigne une localisation ayant représenté un point chaud statistiquement significatif pour 90 % des intervalles temporels, y compris l’intervalle temporel final. En outre, l'intensité de l'agrégation de nombres élevés dans chaque intervalle temporel augmente globalement, et cette augmentation est statistiquement significative.
- Un point chaud sporadique désigne une localisation qui représente un point chaud réactivé, puis désactivé. Moins de 90 % des intervalles temporels ont été des points chauds statistiquement significatifs et aucun des intervalles temporels n’a été un point froid statistiquement significatif.
Vous aviez précédemment identifié les zones de la Nouvelle-Orléans présentant une augmentation ou une diminution du nombre de fouilles. Cette nouvelle carte vous indique à présent les localisations où le nombre de fouilles est beaucoup plus élevé ou faible par rapport au reste de la ville et fournit des informations sur l’évolution des modèles de fouille dans le temps. Le quartier de Treme-Lafitte, qui affichait une tendance à la hausse du nombre de fouilles dans l’analyse précédente, se révèle également être un point chaud statistiquement significatif du nombre de fouilles.
Rechercher les points chauds de taux de fouille
L’analyse des points chauds émergents que vous avez menée vous indique que la zone du centre-ville de la Nouvelle-Orléans est un point chaud en ce qui concerne le nombre de fouilles. Il n’est toutefois pas surprenant que des quartiers denses et animés du centre-ville présentent des nombres de contrôles et de fouilles plus élevés. Vous allez maintenant rechercher les points chauds de taux de fouille et non plus du nombre de fouilles afin de savoir si un contrôle de police effectué dans ces quartiers est davantage susceptible de conduire à une fouille.
- Dans la fenêtre Contents (Contenu), désélectionnez et réduisez les couches suivantes :
- Fouilles_PointChaud
- Fouille_Tendances
- Race/Ethnicity by Tract (2015-2019)
- Frisk Locations (2011-2018)
- Activez et développez la couche All Stop Locations (2011-2018).
Vous venez d’analyser les localisations des fouilles. Vous allez maintenant analyser les fouilles en les comparant à tous les contrôles de police.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Encoder un champ.
Cet outil encode des valeurs catégorielles en champs numériques. Vous allez convertir le champ frisk_performed (avec des valeurs TRUE et FALSE) en un champ numérique (avec des valeurs 0 et 1). L’encodage des données vous permet de les utiliser avec l’outil Analyse des points chauds émergents.
- Pour Input Table (Table en entrée), sélectionnez All Stop Locations (2011-2018). Pour Field to Encode (Champ à encoder), sélectionnez frisk_performed.
- Pour Encoding Method (Méthode d’encodage), sélectionnez One-hot (Un-chaud).
Si vous utilisez cette méthode, les contrôles qui ont mené à une fouille recevront une valeur 1 et les contrôles sans fouille recevront une valeur 0.
- Cliquez sur Run (Exécuter).
Aucune modification n’est visible sur la carte. Deux nouveaux champs ont été ajoutés à la couche All Stop Locations (2011-2018). Ils vous permettent de créer un cube spatio-temporel qui modélise les taux de fouille à la place des nombres de fouilles.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Créer un cube spatio-temporel en agrégeant des points.
- Renseignez les paramètres suivants :
- Pour Input Features (Entités en entrée), sélectionnez All Stop Locations (2011-2018).
- Pour Output Space Time Cube (Cube spatio-temporel en sortie), saisissez TauxFouilles_Secteurs_4Semaines.
- Pour Time Field (Champ de temps), sélectionnez date.
- Laissez le paramètre Template Cube (Cube modèle) vide.
- Pour Time Step Interval (Intervalle temporel), saisissez 4 et sélectionnez Weeks (Semaines).
- Pour Time Step Alignment (Alignement de l’intervalle temporel), sélectionnez End time (Heure de fin).
- Pour Aggregation Shape Type (Type de forme d’agrégation), sélectionnez Defined locations (Emplacements définis).
- Pour Defined Polygon Locations (Emplacements surfaciques définis), sélectionnez Race/Ethnicity by Tract (2015-2019).
- Pour Location ID (ID d’emplacement), sélectionnez Tract Numeric ID.
À l’exception de Input Features (Entités en entrée) et du nom Output (Sortie), ces paramètres sont identiques à ceux que vous avez utilisés pour créer le cube spatio-temporel précédent.
- Sous Summary Fields (Champs de récapitulation), définissez les paramètres suivants :
- Pour Field (Champ), sélectionnez TRUE (frisk_performed_One-hot).
- Pour Statistic (Statistique), sélectionnez Mean (Moyenne).
- Pour Fill Empty Bins with (Remplir les groupes vides avec), sélectionnez Zeros (Zéros).
Ces paramètres permettent de calculer le taux de fouille moyen pour chaque groupe dans le cube spatio-temporel au lieu du nombre de fouilles.
- Cliquez sur Run (Exécuter).
Le cube spatio-temporel est créé, mais il n’apparaît pas sur votre carte. Vous allez maintenant le visualiser avec l’outil Analyse des points chauds émergents.
- Dans la fenêtre Géotraitement, recherchez et ouvrez l'outil Analyse de points chauds émergents. Renseignez les paramètres suivants :
- Pour Input Space Time Cube (Cube spatio-temporel en entrée), cliquez sur le bouton Browse (Parcourir). Recherchez et sélectionnez TauxFouilles_Secteurs_4Semaines.nc. Cliquez sur OK.
- Pour Analysis Variable (Variable d’analyse), sélectionnez ONEHOT_FRISK_PERFORMED_TRUE_MEAN_ZEROS.
- Pour Output Features (Entités en sortie), saisissez TauxFouille_PointChaud.
- Pour Conceptualization of Spatial Relationships (Conceptualisation des relations spatiales), sélectionnez K nearest neighbors (K voisins les plus proches).
- Pour Number of Spatial Neighbors (Nombre de voisins spatiaux), acceptez la valeur par défaut 8.
- Pour Neighborhood Time Step (Intervalle temporel de voisinage), saisissez 4.
- Pour Define Global Window (Définir la fenêtre globale), sélectionnez Entire cube (Cube entier).
Ces paramètres sont quasiment identiques à ceux de la dernière exécution de l’outil Analyse des points chauds émergents. Mais cette fois, vous avez sélectionné Entire cube (Cube entier) pour le paramètre Define Global Window (Définir la fenêtre globale) (au lieu de l’intervalle temporel de voisinage) car vous analysez les taux de fouille au lieu des nombres de fouilles, ce qui est moins lié aux variations de population. L’outil compare les quartiers et la totalité de la ville sur la période couverte par les données.
- Cliquez sur Run (Exécuter).
La couche TauxFouille_PointChaud apparaît sur la carte.
Cette couche affiche la proportion des contrôles piétons et routiers qui ont donné lieu à une fouille ; en d’autres termes, elle représente les zones de la ville dans lesquelles la proportion des contrôles ayant conduit à une fouille est plus élevée.
- Dans la fenêtre Contents (Contenu), faites glisser la couche Neighborhoods en haut de la liste. Désactivez et réduisez la couche All Stop Locations (2011-2018).
- Activez la couche Fouilles_PointChaud. Désactivez puis réactivez la couche TauxFouille_PointChaud pour la comparer avec la couche située juste en dessous.
Le quartier du CBD était un point chaud de fouilles, mais pas en ce qui concerne les taux de fouille. Cela signifie que le quartier du CBD a connu des nombres élevés de fouilles, mais que le nombre de fouilles par rapport au nombre de contrôles n’était pas très élevé comparé au reste de la ville. Au contraire, le quartier de Gert Town n’était pas un point chaud de fouilles, mais l’était concernant les taux de fouille : les fouilles n’y étaient pas nombreuses, mais la proportion de fouilles par rapport aux contrôles était élevée.
Vous allez comparer ces résultats avec l’origine ethnique et le groupe racial prédominant dans chaque secteur.
- Dans la fenêtre Contents (Contenu), désactivez la couche Fouilles_PointChaud. Activez la couche Race/Ethnicity by Tract (2015-2019).
- Désactivez puis réactivez la couche TauxFouille_PointChaud pour la comparer avec la couche située juste en dessous.
Les zones en jaune de la couche Race/Ethnicity by Tract (2015-2019) correspondent aux secteurs où la population est à prédominance noire ou afro-américaine. Une comparaison visuelle entre ces deux couches suggère que la décision de procéder à une fouille a eu lieu dans une proportion plus élevée lors de contrôles effectués dans des quartiers dont la population est majoritairement noire.
- Enregistrez le projet.
Dans ce module, vous avez créé un cube spatio-temporel à partir de données liées aux fouilles. Vous avez utilisé le cube spatio-temporel pour obtenir des tendances, ainsi que des points chauds et froids statistiquement significatifs des nombres de fouilles à la Nouvelle-Orléans. Vous avez ensuite créé un second cube spatio-temporel avec les taux de fouille, avez réalisé une seconde analyse des points chauds émergents et utilisé les résultats pour analyser les modèles de décision en faveur d’une fouille lors d’un contrôle à la Nouvelle-Orléans. Vous avez trouvé des points chauds des nombres de fouilles dans certains quartiers animés de la ville, comme le CBD et le French Quarter. Vous avez également détecté des points chauds de taux de fouille dans les quartiers majoritairement noirs à proximité du centre-ville.
Analyser les disproportions raciales lors des contrôles de police
Vous avez examiné les contrôles de police et les fouilles à Nashville avec des diagrammes, ainsi que les fouilles à la Nouvelle-Orléans à l’aide d’une analyse des points chauds émergents. Vous allez maintenant explorer la distribution des contrôles effectués sur des piétons par groupe racial dans chaque quartier de la ville de San Antonio, au Texas. Vous allez créer un indice de disparité pour rechercher les quartiers dans lesquels la proportion de personnes appartenant à un certain groupe racial et ayant été contrôlées est supérieure à la proportion représentée par ce groupe racial au sein du quartier.
Une analyse de l’indice de disparité suppose que les personnes qui font l’objet d’un contrôle dans un quartier y vivent également. Cette hypothèse n’est pas toujours vraie, mais elle est plus probable dans le cas de contrôles sur des piétons (Hannon, 2019) ; vous allez donc exclure les contrôles routiers de votre analyse. En outre, Hannon (2019) arrive à la conclusion que les disparités raciales établies par cette métrique sont réduites, mais qu’elles subsistent même lorsque les personnes non résidentes sont retirées. Cette métrique est également couramment utilisée par l’ACLU (American Civil Liberties Union) dans ses enquêtes sur les disparités lors des opérations de maintien de l’ordre aux États-Unis, par exemple, à New York City, dans l’état de New York, à Washington, DC et à Philadelphie, en Pennsylvanie. Même lorsque les contrôles concernent des personnes qui ne résident pas dans le quartier en question, ils ont toujours un impact sur la communauté, ce qui en fait une métrique utile malgré cette hypothèse.
Mesure le pourcentage des contrôles dans chaque secteur par groupe racial
Vous allez d’abord calculer le pourcentage de contrôles dans chaque secteur sur des personnes noires, blanches et hispaniques. Vous aurez besoin de ces valeurs ultérieurement pour calculer un indice de disparité. Il est possible de créer un indice de disparité pour chaque groupe racial et origine ethnique, mais dans le cadre de ce didacticiel, vous allez uniquement mesurer la disparité concernant les personnes noires, blanches et hispaniques.
- Si nécessaire, ouvrez le projet Police Stops dans ArcGIS Pro. Sous le ruban, cliquez sur l’onglet de la carte San Antonio.
La carte affiche les limites de la ville de San Antonio, ainsi que les îlots de recensement symbolisés par origine ethnique et groupe racial prédominants. À la différence de Nashville et la Nouvelle-Orléans, San Antonio compte une majorité de secteurs à prédominance hispanique ou latino, représentés sur la carte par la couleur verte.
- Dans la fenêtre Contents (Contenu), activez la couche Pedestrian Stops (2012-2018).
Des données ponctuelles apparaissent sur la carte, principalement agrégées au centre de la ville. Cette couche contient uniquement les contrôles effectués sur des piétons. Elle est issue du projet Stanford Open Policing Project.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Synthétiser - À l’intérieur (Outils d’analyse).
Vous allez utiliser cet outil pour comptabiliser les contrôles de police effectués sur des piétons dans chaque secteur en regroupant les résultats par groupe racial et origine ethnique de la personne contrôlée.
- Pour Input Polygons (Polygones en entrée), sélectionnez Race/Ethnicity by Tract (2015-2019).
Cette couche est issue du même jeu de données ACS que celui de la couche Race/Ethnicity by Tract (2015-2019) que vous avez utilisée pour la Nouvelle-Orléans. À San Antonio, cependant, les limites de secteur ne correspondent pas à la limite de la ville et pour cette analyse, il est important que les secteurs se trouvent majoritairement au sein de la ville. C’est pour cette raison que les secteurs comptant plus de 10 % de leur surface à l’extérieur de la ville ont été retirés.
- Pour Input Summary Features (Entités de synthèse en entrée), sélectionnez Pedestrian Stops (2012-2018). Pour Output Feature Class (Classe d’entités en sortie), saisissez DisparitéRacialeParSecteur.
- Laissez la section Summary Fields (Champs de récapitulation) vide. Pour Group Field (Champ de regroupement), sélectionnez subject_race.
Davantage de paramètres apparaissent.
- Cochez la case Add group percentages (Ajouter des pourcentages de regroupement). Pour Output Grouped Table (Table groupée en sortie), acceptez le nom par défaut subject_race_Summary.
- Cliquez sur Run (Exécuter).
L’exécution de l’outil peut prendre plusieurs minutes. Au terme de l’exécution de l’outil, une couche d’entités (DisparitéRacialeParSecteur) est ajoutée à la carte. Cette couche est identique à la couche Race/Ethnicity by Tract (2015-2019) avec un champ supplémentaire qui comptabilise le nombre de contrôles dans chaque secteur. Vous n’avez plus besoin de la couche d’origine. Vous allez donc la supprimer.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Race/Ethnicity by Tract (2015-2019) et sélectionnez Remove (Supprimer).
L’outil a également créé une nouvelle table nommée subject_race_Summary. Cette table dénombre les contrôles effectués sur chaque groupe racial dans chaque secteur. Vous allez joindre les informations liées au groupe racial issues de la table à la couche d’entités, mais vous devez d’abord croiser la table.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la table subject_race_Summary et sélectionnez Open (Ouvrir).
La nouvelle table contient les nombres et les pourcentages de contrôles dans chaque secteur, fractionnés par groupe racial. Le champ Join ID (ID de jointure) indique le secteur. Chaque secteur comporte plusieurs lignes, une pour chaque groupe racial. Vous allez croiser cette table afin qu’elle ne comporte plus qu’une seule ligne pour chaque secteur.
Remarque :
L’outil Table croisée requiert une licence Advanced. Si vous ne possédez par de licence Advanced, vous pouvez passer directement à l’étape 14 et utiliser subject_race_Summary_ready à la place de subject_race_Summary_Pivot.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Table croisée.
- Dans l’outil Table croisée, renseignez les paramètres suivants :
- Pour Input Table (Table en entrée), sélectionnez subject_race_Summary.
- Pour Input Field(s) (Champ(s) en entrée), sélectionnez Join_ID (ID de jointure).
- Pour Pivot Field (Champ de croisement), sélectionnez subject_race.
- Pour Value Field (Champ de valeur), sélectionnez Percent of point count.
- Pour Output Table (Table en sortie), modifiez le nom en Synthèse_race_sujet_Croisée.
- Cliquez sur Run (Exécuter).
- Fermez la table subject_race_Summary et ouvrez la table Synthèse_race_sujet_Croisée.
La table compte 260 lignes, une pour chaque secteur, et un champ pour chaque catégorie raciale. Les valeurs représentent le pourcentage de contrôles dans le secteur qui ont concerné des personnes appartenant à ce groupe racial. Par exemple, dans le secteur doté de l’OBJECTID 1, 28 % des personnes étaient hispaniques.
Joindre des valeurs de synthèse à une couche spatiale
Vous allez joindre les champs black, white et hispanic de la table de synthèse à la couche DisparitéRacialeParSecteur afin de pouvoir visualiser ces valeurs sur la carte.
- Dans la fenêtre Contents (Contenu), désactivez la couche Pedestrian Stops (2012-2028).
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l'outil Join Field (Champ de jointure).
- Renseignez les paramètres suivants :
- Pour Input Table (Table en entrée), sélectionnez DisparitéRacialeParSecteur.
- Pour Input Join Field (Champ de jointure en entrée), sélectionnez Join_ID (ID de jointure).
- Pour Join Table (Table de jointure), sélectionnez Synthèse_race_sujet_Croisée.
- Pour Join Table Field (Champ de table de jointure), sélectionnez Join_ID (ID de jointure).
- Pour Transfer Fields (Champ de transfert), sélectionnez black, hispanic et white.
Remarque :
Dans le cadre de ce didacticiel, vous allez uniquement analyser trois groupes raciaux. Il est recommandé de prendre en compte les données de tous les groupes raciaux et ethniques d’une population donnée dans le cadre d’une analyse de l’égalité raciale. Nous vous encourageons à utiliser le processus décrit dans ce didacticiel pour analyser les disparités entre d’autres groupes raciaux et ethniques de votre choix.
- Cliquez sur Run (Exécuter).
Les champs black, white et hispanic sont ajoutés à la couche DisparitéRacialeParSecteur. Vous allez renommer ces champs afin de les rendre plus explicites.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur DisparitéRacialeParSecteur, pointez le curseur de la souris sur Data Design (Conception de données) et sélectionnez Fields (Champs).
La table Fields (Champs) s’ouvre.
- Accédez au bas de la table. Dans la colonne Field Name (Nom de champ), modifiez black en PourcentageContrôlesNoirs, hispanic en PourcentageContrôlesHispaniques et white en PourcentageContrôlesBlancs.
- Dans la colonne Alias, modifiez black en Pourcentage de contrôles sur des personnes noires. Modifiez hispanic en Pourcentage de contrôles sur des personnes hispaniques. Modifiez white en Pourcentage de contrôles sur des personnes blanches.
Vous allez également masquer certains de ces champs. Cela facilitera la recherche et la comparaison ultérieures des champs qui vous intéressent.
- Désélectionnez la case sur l’en-tête de la colonne Visible pour désélectionner toutes les lignes.
- Cochez la case Visible des alias de champ suivants :
- NOM
- Population totale
- Percent of Population that is White alone, Non-Hispanic
- Percent of Population that is Black or African American alone, Non-Hispanic
- Percent of Population that is Hispanic or Latino
- Nombre de points
- Pourcentage de contrôles sur des personnes noires
- Pourcentage de contrôles sur des personnes hispaniques
- Pourcentage de contrôles sur des personnes blanches
- Sur le ruban, dans l’onglet Fields (Champs), dans le groupe Manage Edits (Gérer les mises à jour), cliquez sur Save (Enregistrer).
- Fermez la vue Fields (Champs) et la table Synthèse_race_sujet_Croisée.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur DisparitéRacialeParSecteur et sélectionnez Attribute Table (Table attributaire).
La table attributaire s’affiche.
- Faites défiler la table jusqu’à la fin.
Les trois champs joints sont désormais affichés avec leur nom mis à jour. Ces champs indiquent le pourcentage de contrôles dans chaque secteur sur des personnes noires, hispaniques et blanches. Vous allez maintenant symboliser l’un de ces champs sur la carte.
- Fermez la table attributaire.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la couche DisparitéRacialeParSecteur et sélectionnez Symbology (Symbologie).
La fenêtre Symbology (Symbologie) apparaît.
- Dans la fenêtre Symbology (Symbologie), pour Primary Symbology (Symbologie principale), sélectionnez Unclassed Colors (Couleurs non classées).
- Pour Field (Champ), sélectionnez Pourcentage de contrôles sur des personnes hispaniques.
La carte montre que les pourcentages de contrôles les plus élevés concernent les personnes hispaniques dans la moitié sud de la ville.
- Dans la barre d’outils Quick Access (Accès rapide), cliquez deux fois sur le bouton Undo (Annuler) ou jusqu’à ce que la carte soit à nouveau verte. Fermez la fenêtre Symbology (Symbologie).
La couche DisparitéRacialeParSecteur revient à sa symbologie d’origine. Elle indique que davantage de personnes hispaniques vivent dans la partie sud de la ville, donc il est peut-être normal que davantage de personnes hispaniques y soient contrôlées. Vous allez maintenant apprendre à calculer un indice de disparité qui prend en compte les données démographiques de chaque quartier.
Calculer un indice de disparité
Vous allez maintenant ajouter trois champs supplémentaires afin de calculer des valeurs d’indice de disparité pour chaque secteur. Elles vous permettront d’identifier les quartiers dans lesquels un certain groupe racial a fait l’objet de contrôles disproportionnés par rapport à la population locale.
- Ouvrez à nouveau la table attributaire de la couche DisparitéRacialeParSecteur.
- Dans la barre d’outils située au-dessus de la table, cliquez sur le bouton Calculate (Calculer).
La fenêtre Calculate Field (Calculer un champ) apparaît.
- Pour Field Name (Existing or New) (Nom du champ (existant ou nouveau)), saisissez DisparitéNoirs et appuyez sur la touche Tabulation.
Un nouveau paramètre nommé Field Type (Type de champ) apparaît car vous créez un nouveau champ au lieu d’en choisir un existant.
- Pour Field Type (Type de champ), sélectionnez Float (32-bit floating point) (Flottant (virgule flottante 32 bits)). Dans Expression Type (Type d’expression), sélectionnez Arcade.
- Pour DisparitéNoirs =, saisissez ou copiez et collez $feature.PourcentageContrôlesNoirs - $feature.B03002_calc_pctBlackE.
Conseil :
Vous pouvez également créer cette expression en double-cliquant sur les noms de champ dans la liste Fields (Champs).
Cette expression va soustraire la valeur de Percent of Population that is Black or African American de la valeur de Pourcentage de contrôles sur des personnes noires.
- Cliquez sur Apply (Appliquer).
Un nouveau champ nommé DisparitéNoirs apparaît à la fin de la table attributaire.
- Dans la boîte de dialogue Calculer Field (Calculer un champ), mettez à jour les paramètres suivants :
- Pour Field Name (Nom de champ), saisissez DisparitéBlancs et appuyez sur la touche Tabulation.
- Pour Expression, saisissez ou copiez et collez $feature.PourcentageContrôlesBlancs - $feature.B03002_calc_pctNHWhiteE.
- Cliquez sur Apply (Appliquer).
Un nouveau champ nommé DisparitéBlancs apparaît à la fin de la table attributaire.
- Dans la boîte de dialogue Calculer Field (Calculer un champ), mettez à jour les paramètres suivants :
- Pour Field Name (Nom de champ), saisissez DisparitéHispaniques et appuyez sur la touche Tabulation.
- Pour Expression, saisissez ou copiez et collez $feature.PourcentageContrôlesHispaniques - $feature.B03002_calc_pctHispLatE.
- Cliquez sur OK.
- Faites défiler la table attributaire DisparitéRacialeParSecteur jusqu’à la fin.
Les trois nouveaux champs sont disponibles.
Les valeurs stockées dans ces champs représentent la différence entre le pourcentage de la population qui est noire, blanche ou hispanique et le pourcentage de contrôles de police effectués sur des piétons lorsque le sujet est noir, blanc ou hispanique. Ces trois indices de disparité mesurent la différence entre les personnes qui vivent dans un quartier et les personnes de ce quartier qui ont fait l’objet d’un contrôle de police.
- Fermez la table attributaire.
Visualiser un indice de disparité
Vous allez maintenant visualiser l’indice de disparité des personnes noires sur une carte afin de détecter d’éventuels modèles spatiaux.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur DisparitéRacialeParSecteur et sélectionnez Symbology (Symbologie).
- Dans la fenêtre Symbology (Symbologie), pour Primary Symbology (Symbologie principale), sélectionnez Unclassed Colors (Couleurs non classées). Pour Field (Champ), sélectionnez DisparitéNoirs.
- Cliquez sur le menu Color scheme (Combinaison de couleurs), puis cochez les cases Show names (Afficher les noms) et Show all (Afficher tout). Faites défiler la liste de plus de la moitié vers le bas et sélectionnez la combinaison de couleurs Purple-Green (Continuous) (Violet-vert (continu)).
- Cliquez sur le bouton More (Plus), puis sur Reverse color scheme (Inverser la combinaison de couleurs).
Il s’agit d’une combinaison de couleurs divergente, ce qui signifie qu’elle comporte deux couleurs (vert et violet) qui divergent d’une couleur neutre centrale (blanc). Ce type de combinaison de couleurs est utile pour cartographier la disparité, mais uniquement si la couleur blanche centrale correspond à une valeur de disparité égale à zéro. Une disparité zéro signifie que le pourcentage de personnes noires ayant fait l’objet d’un contrôle est identique au pourcentage de personnes noires qui vivent dans ce quartier.
L’histogramme de symbologie indique une valeur minimale de -20 et une valeur maximale de 31. Ces nombres doivent être équidistants de zéro pour garantir l’alignement de la valeur zéro de la disparité sur la couleur blanche.
- Dans la fenêtre Symbology (Symbologie), double-cliquez sur l’étiquette -20 située au-dessus de l’histogramme et saisissez -31. Appuyez sur la touche Entrée.
La plage des couleurs possibles s’étend maintenant au-delà de la plage des données.
- Faites glisser le descripteur -20 en haut de l’histogramme afin qu’il indique également -31.
La symbologie est maintenant distribuée de manière égale. Dans les secteurs en violet, les contrôles concernant les personnes noires sont disproportionnément élevés, ce qui signifie que le pourcentage de personnes noires ayant fait l’objet d’un contrôle est supérieur au pourcentage de personnes noires habitant dans le secteur. Cela est vrai pour 208 des 260 (80 %) secteurs de la ville. La carte est maintenant majoritairement violette. Ce modèle n’était pas évident avant l’ajustement de l’histogramme de symbologie.
Dans les secteurs en vert, le contraire est vrai : le pourcentage de personnes noires contrôlées est inférieur au pourcentage de personnes noires résidant dans le secteur. Cela est vrai pour 50 secteurs (19 %) de la ville.
- Sur la carte, cliquez sur l’un des polygones de secteur pour afficher la fenêtre contextuelle associée. Comparez la valeur de Percent of Population that is Black or African American avec celle de Pourcentage de contrôles sur des personnes noires et de DisparitéNoirs.
Dans le secteur de l’exemple, 13,2 % des personnes contrôlées étaient noires, mais seulement 3,9 % des habitants du secteur étaient noirs. L’indice de disparité concernant les personnes noires (champ DisparitéNoirs) représente la différence entre ces deux valeurs.
- Fermez la fenêtre contextuelle.
Comparer la disparité entre trois catégories raciales
Vous allez effectuer deux copies de la couche DisparitéRacialeParSecteur pour pouvoir visualiser la disparité concernant les personnes blanches, hispaniques et noires. Vous allez configurer des propriétés de symbologie cohérentes pour ces trois couches afin de pouvoir comparer visuellement la disparité raciale entre ces trois catégories raciales.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur DisparitéRacialeParSecteur et sélectionnez Copy (Copier). Cliquez avec le bouton droit sur la carte San Antonio et sélectionnez Paste (Coller). Cliquez à nouveau avec le bouton droit sur la carte San Antonio et sélectionnez une nouvelle fois Paste (Coller).
Il existe maintenant trois couches DisparitéRacialeParSecteur identiques dans la fenêtre Contents (Contenu).
- Renommez les couches Disparité Noirs, Disparité Blancs et Disparité Hispaniques.
- Réorganisez les couches dans la fenêtre Contents (Contenu) de telle sorte que la couche de lignes San Antonio se trouve tout en haut, immédiatement suivie des trois couches Disparité.
Peu importe l’ordre entre les trois couches Disparité.
- Ouvrez la fenêtre Symbology (Symbologie) de la fenêtre Disparité Blancs. Modifiez la valeur de Field (Champ) en DisparitéBlancs.
- Ouvrez la fenêtre Symbology (Symbologie) de la couche Disparité Hispaniques. Modifiez la valeur de Field (Champ) en DisparitéHispaniques.
- Dans la fenêtre Contents (Contenu), comparez les plages de données des trois couches Disparité.
Actuellement, la couleur violette d’une couche représente une valeur de disparité de 13, tandis que dans une autre couche, elle représente une valeur de disparité bien plus élevée de 63. Afin de pouvoir effectuer une comparaison visuelle correcte, vous allez utiliser une plage de symbologie cohérente dans toutes les couches. Vous aurez ainsi la garantie qu’une couleur violet foncé ou vert foncé a la même signification dans toutes les cartes.
- Ouvrez la fenêtre Symbology (Symbologie) de la couche Disparité Noirs.
- Mettez à jour les étiquettes minimum et maximum sur l’histogramme en indiquant -64 et 64. Faites glisser les descripteurs de l’histogramme sur -64 et 64.
Conseil :
Les valeurs de l’histogramme de symbologie ne peuvent pas se croiser entre elles ; vous devez donc les mettre à jour dans un ordre spécifique.
- Mettez à jour les histogrammes des couches Disparité Blancs et Disparité Hispaniques pour qu’elles s’étendent de -64 à 64.
Maintenant que la symbologie est alignée, vous pouvez effectuer des comparaisons visuelles entre les couches Disparité.
- Dans la fenêtre Contents (Contenu), appuyez sur la touche Alt et cochez la case de la couche Disparité Noirs.
Toutes les couches disparaissent de la carte à l’exception de Disparité Noirs.
- Désactivez la couche Disparité Noirs. Activez les couches Disparity White et Disparité Hispaniques pour afficher chacune d’entre elles.
L’image représente de gauche à droite l’indice de disparité pour les personnes noires, blanches et hispaniques, où le violet signifie une disparité plus élevée, le vert une disparité plus faible et le blanc une absence de disparité. Comme précédemment, la plupart des secteurs de la carte Disparité Noirs sont en violet. Les couleurs sont plus claires car la plage des valeurs est plus étendue.
Sur la carte Disparité Blancs, les secteurs sont presque tous en violet. Cette carte indique que la majorité des contrôles de police effectués sur des piétons dans la ville étaient disproportionnément élevés pour les personnes blanches. Les nuances de violet sont également plus sombres que dans la carte précédente, ce qui signifie que la magnitude de la disparité est supérieure.
Sur la carte Disparité Hispaniques, les secteurs sont presque tous en vert, ce qui signifie que les contrôles de police effectués sur les piétons étaient disproportionnément faibles pour les personnes hispaniques.
- Sur la carte, cliquez sur le secteur en vert le plus foncé dans le sud de la ville.
- Dans la fenêtre contextuelle du secteur, comparez les valeurs relatives aux populations blanches et hispaniques.
Dans ce secteur, 8,4 % de la population est blanche et 91,6 % est hispanique ou latino. Cependant, 72,2 % des contrôles concernaient des personnes blanches et seulement 27,8 % des personnes hispaniques. Si nous supposons que toutes les personnes contrôlées dans ce secteur y habitaient, cela signifierait que la police a contrôlé les personnes blanches environ 8 fois plus que la part représentée par leur population. Les cartes en violet et en vert indiquent que ce modèle est répété dans toute la ville : les contrôles de police sur des piétons sont disproportionnément faibles pour les personnes hispaniques ou latinos et disproportionnément élevées pour les personnes blanches. Ce modèle semble inhabituel.
Vous ne disposez pas de suffisamment d’informations pour tirer des conclusions sur ce modèle. Toutefois, une explication possible serait que de nombreuses personnes hispaniques aient été considérées comme blanches ou comme appartenant à un autre groupe racial.
Le champ DisparitéHispaniques a été calculé avec des données collectées de deux manières différentes. Concernant les données de population, le recensement américain demandait d’abord aux participants s’ils étaient d’origine hispanique, latino ou espagnole ; puis, dans une question distincte, les participants étaient invités à indiquer leur groupe racial. Vous ne savez pas comment les données de la police ont été collectées, mais les catégories raciales disponibles suggèrent qu’il s’agissait d’une seule question. Vous ne savez pas non plus si le groupe racial enregistré dans la citation étaient identifié par l’officier de police ou la personne contrôlée. Il est possible que de nombreuses personnes de la ville de San Antonio comptabilisées comme hispaniques dans le recensement l’aient été comme blanches dans les données des contrôles de police. Cette incohérence et ce manque de connaissances sur les données font que vos résultats ne sont pas fiables.
Remarque :
Les groupes raciaux et l’origine ethnique, leur intersection et la façon dont ils sont encodés dans les données constituent un sujet complexe et en constante évolution. Un analyste qui cherche à effectuer une analyse équitable avec des données raciales et ethniques devrait veiller à bien comprendre la manière dont les données ont été collectées afin de s’assurer qu’il interprète correctement les résultats. Vous trouverez des informations supplémentaires sur ce sujet dans les articles suivants :
- Fermez la fenêtre contextuelle et enregistrez le projet.
Dans ce module, vous avez mesuré la disparité raciale des contrôles de police dans chaque secteur de la ville de San Antonio. Vous avez constaté que dans la plupart des secteurs, le pourcentage de contrôles effectués sur des personnes noires était plus élevé que le pourcentage de personnes noires habitant dans ce secteur. Vous n’avez toutefois pas pu tirer de conclusions fiables sur les disparités concernant les personnes blanches et hispaniques en raison de différences probables des modes de collecte du groupe racial dans les données de la police et les données de population issues du recensement.
Mesurer la colocalisation des contrôles de police et de la criminalité
Du point de vue de la police, l’utilisation des contrôles de police sur les piétons se justifie comme une forme de maintien de l’ordre proactif dans les zones à forte criminalité visant à prévenir les crimes et à dissuader les éventuels contrevenants.
Les évaluations de l’utilisation intensive de la procédure de contrôle-interrogatoire-fouille visant des localisations présentant une forte violence ou criminalité armée et se concentrant sur des contrevenants à haut risque de récidive démontrent un effet à court terme systématique de réduction de la criminalité — « A Number of Proactive Policing Practices Are Successful at Reducing Crime; Insufficient Evidence on Role of Racial Bias », Académies nationales des sciences, de l’ingénierie et de la médecine, 2017.
Cependant, une vaste étude (Carvalho, Mizael, and Sampaio 2021) a constaté que les contrôles de police visaient encore de manière disproportionnée les personnes et les communautés noires.
Dans ce module, vous allez utiliser les données de la ville de New York City et l’analyse de colocalisation pour vérifier la justification de la police selon laquelle les contrôles sont effectués dans des quartiers à forte criminalité. Vous identifierez ensuite les secteurs dans lesquels les contrôles de police ne sont pas associés à une forte criminalité et y examinerez les disparités raciales lors de ces contrôles.
Examiner l’indice de disparité à New York City
Vous allez commencer par examiner l’indice de disparité de New York City, qui a déjà été calculé pour vous. Vous l’utiliserez ensuite pour obtenir davantage de contexte sur les personnes faisant l’objet d’un contrôle de police à New York City, avant de mener l’analyse de colocalisation. Puis, vous comparerez les résultats de l’analyse de colocalisation avec l’indice de disparité.
- Si nécessaire, ouvrez le projet Police Stops dans ArcGIS Pro. Sous le ruban, cliquez sur l’onglet de la carte New York City.
La carte affiche l’indice de disparité pour les personnes noires non hispaniques. Elle a été créée selon les méthodes décrites dans le module précédent.
Remarque :
Si la carte n’affiche pas la couche de l’indice de disparité, dans la fenêtre Contents (Contenu), faites glisser la couche New York City vers le bas de la liste de contenu.
La majorité des secteurs apparaissent en violet, ce qui signifie qu’il existe une disparité élevée pour les personnes noires non hispaniques. Cela signifie que les personnes noires non hispaniques sont davantage contrôlées que ce qui serait attendu étant donné le pourcentage de leur population habitant dans le secteur dans lequel le contrôle a eu lieu. Les couleurs sont comprises entre -100 et 100, ce qui signifie que dans au moins un des secteurs en violet foncé, 100 % des personnes contrôlées et 0 % des personnes habitant dans le secteur étaient des noires et non hispaniques.
Certains secteurs sont absents. Il s’agit des secteurs dans lesquels aucune personne noire non hispanique ne vit ou n’a été contrôlée selon les jeux de données utilisés.
- Ouvrez la fenêtre Symbology (Symbologie) de la couche Racial Disparity by Tract.
- Dans la fenêtre Symbology (Symbologie), modifiez la valeur de Field (Champ) en Disparité Blancs Non hispaniques.
Dans cette carte, la majorité des secteurs sont en vert, ce qui signifie que le nombre de personnes blanches non hispaniques ayant fait l’objet d’un contrôle est inférieur au pourcentage de cette population habitant dans le secteur.
Remarque :
Trois autres indices de disparité sont inclus en tant que champs dans la couche que vous pouvez explorer : Disparity API (Asian and Pacific Islander), Disparity Black Hispanic et Disparity White Hispanic. Pour que vous puissiez effectuer des comparaisons correctes entre les champs, l’histogramme de symbologie doit utiliser une plage de valeurs cohérente (-100 à 100).
Vous allez à présent examiner les données des contrôles de police utilisées pour la création de ces indices de disparité.
- Dans la fenêtre Contents (Contenu), désactivez la couche Racial Disparity by Tract et activez Pedestrian Stops (2017-2020).
Cette couche représente tous les contrôles de police effectués sur des piétons entre le 1er janvier 2017 et le 31 décembre 2020. Cette couche est issue du jeu de données The Stop, Question and Frisk Data fourni par le service de police de New York (NYPD) via NYC OpenData.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Pedestrian Stops (2017-2020) et sélectionnez Data Engineering.
La vue Data Engineering apparaît.
- Au-dessus de la fenêtre des champs, dans la barre de recherche, saisissez race. Dans le volet des champs, cliquez avec le bouton droit sur SUSPECT_RACE_DESCRIPTION et sélectionnez Add To Statistics And Calculate (Ajouter aux statistiques et calculer).
Une ligne de table apparaît dans le volet des statistiques. La colonne Number of Unique Values (Nombre de valeurs uniques) vous indique qu’il existe 11 catégories raciales différentes dans ce jeu de données. La colonne Mode vous indique que la valeur raciale la plus courante est BLACK.
- Pointez le curseur de la souris sur la cellule Chart Preview (Aperçu du diagramme).
Une fenêtre contextuelle apparaît, indiquant le détail des 10 premières catégories de ce champ. Les données des contrôles de police de New York City encodent le groupe racial et l’origine ethnique de manière différente de ce qui est effectué pour les données de San Antonio : il existe des catégories distinctes pour BLACK et BLACK HISPANIC.
Les données démographiques du recensement utilisées pour le calcul de l’indice de disparité ont été encodées de la même manière. À San Antonio, vous ne pouviez pas effectuer de comparaisons correctes des disparités raciales car le mode de collecte des données des contrôles de police et le mode de collecte des données démographiques étaient différents. À New York City, vous pouvez effectuer une telle comparaison.
Remarque :
Les données démographiques utilisées pour le calcul des indices de disparité ont été ajoutées via l’outil de géotraitement Enrichir avec des variables issues de la catégorie 2015-2019 Race and Hispanic Origin (ACS). Pour savoir comment enrichir des couches dans ArcGIS Pro, vous pouvez réaliser le didacticiel Comparer les sites d’implantation d’une librairie.
- Fermez la vue Data Engineering.
Effectuer une analyse de colocalisation des contrôles de police et de la criminalité
Vous allez utiliser l’analyse de colocalisation afin de mesurer si chaque contrôle effectué sur des piétons à New York City entre 2017 et 2020 était colocalisé (proche) ou isolé (éloigné) par rapport à une forte criminalité. Vous allez mesurer la colocalisation dans l’espace et dans le temps.
- Dans la fenêtre Contents (Contenu), désactivez la couche Pedestrian Stops (2017-2020) et activez la couche Violent Crime (2017-2020).
Les points violets représentent les crimes violents de catégorie 1 signalés sur la même période. Cette couche est issue du jeu de données NYPD Complaint Data Historic sur NYC OpenData. Les crimes violents de catégorie 1 sont définis par le programme Uniform Crime Reporting (UCR) comme étant un homicide criminel, un viol avec pénétration, un vol ou une agression aggravée.
Toutes les données contiennent des biais. C’est pourquoi vous devez utiliser ces données de manière critique afin de limiter l’effet des biais sur votre analyse. Les données criminelles peuvent être particulièrement biaisées, ce qui est souvent dû à un signalement sous-évalué (par exemple, une victime peut ne pas signaler un crime en raison de sa peur) ou à des variations des modèles et des pratiques de la police (par exemple, il se peut que le nombre de crimes signalés dans un quartier faisant l’objet d’une importante surveillance policière soit supérieur). Dans le cadre de cette analyse, vous allez uniquement évaluer les localisations des crimes violents de catégorie 1, et non tous les crimes de New York City. Ces types de crimes ont été choisis pour deux raisons : la première étant qu’ils sont les plus graves et donc davantage susceptibles d’être signalés de manière cohérente. La seconde raison est liée à la justification de la pratique des contrôles de police sur les piétons qui indique cibler des zones présentant de manière spécifique des taux élevés de criminalité avec violence.
Vous allez rechercher les lieux où les données des contrôles de police sont colocalisées avec celles de la criminalité avec violence, et là où elles ne le sont pas.
- Ouvrez la fenêtre Géotraitement. Recherchez et ouvrez l’outil Analyse de colocalisation.
Pour chaque entité de contrôle de police, l’analyse de colocalisation évalue les entités criminelles dans le quartier concerné. Si le nombre de délits criminels à proximité d’un contrôle est plus élevé, plus précisément si la proportion des délits criminels dans le voisinage d’un contrôle est supérieure à la proportion de délits criminels de la totalité de la zone, le contrôle est considéré comme étant colocalisé avec la criminalité. Si le nombre de délits criminels à proximité d’un contrôle est moins élevé, le contrôle est considéré comme isolé par rapport à la criminalité.
- Dans la fenêtre Geoprocessing (Géotraitement), définissez les paramètres suivants :
- Pour Input Type (Type d’entrée), sélectionnez Datasets without Categories (Jeux de données sans catégories).
- Pour Input Features of Interest (Entités d’intérêt en entrée), sélectionnez Pedestrian Stops (2017-2020).
- Pour Time Field of Interest (Champ temporel d’intérêt), sélectionnez STOP_FRISK_DATE_Converted.
- Pour Input Neighboring Features (Entités voisines en entrée), sélectionnez Violent Crime (2017-2020).
- Pour Time Field of Neighboring Features (Champ temporel des entités voisines), sélectionnez CMPLNT_FR_DT.
Vous avez sélectionné le champ CMPLNT_FR_DT (Date de début de la plainte) car l’autre champ de date (CMPLNT_TO_DT) contient des valeurs nulles.
Vous avez été invité à sélectionner des champs de temps car cet outil recherche les entités criminelles situées à proximité à la fois dans l’espace et dans le temps. Vous allez définir le voisinage spatial de chaque contrôle sur la moitié d’un mile, et le voisinage temporel sur une année avant le contrôle.
- Définissez les paramètres suivants :
- Pour Distance Band (Bande de distance), saisissez 0,5 et sélectionnez US Survey Miles (Miles d’arpentage américains).
- Pour Temporal Relationship Type (Type de relation temporelle), sélectionnez Before (Avant).
- Pour Time Step Interval (Intervalle temporel), saisissez 1 et sélectionnez Years (Années).
- Pour Number of Permutations (Nombre de permutations), acceptez la valeur par défaut 99.
- Pour Output Features (Entités en sortie), saisissez Colocalisation_Contrôles_Criminalité.
Cette définition du voisinage a été choisie en fonction d’hypothèses précisant l’influence de l’antériorité et de l’éloignement spatial d’un délit criminel sur un contrôle. Il s’agit uniquement de valeurs de paramètre de départ ; vous pourrez répéter l’analyse ultérieurement avec des valeurs différentes.
- Cliquez sur Run (Exécuter).
Une nouvelle couche nommée Colocalisation_Contrôles_Criminalité est ajoutée à la fenêtre Contents (Contenu).
- Désactivez les couches ponctuelles Violent Crime (2017-2020).
- Dans la fenêtre Contents (Contenu), lisez la légende de la couche Colocalisation_Contrôles_Criminalité.
Chaque contrôle est catégorisé comme étant colocalisé ou isolé par rapport à la criminalité ; il est également précisé si cette relation est statistiquement significative. La catégorie Undefined (Non défini) signifie qu’il n’existe aucune entité criminelle dans le voisinage du contrôle et donc que la colocalisation n’a pas pu être évaluée.
Une colocalisation significative ne traduit pas nécessairement un nombre élevé de contrôles ou de délits criminels. Elle signifie uniquement que la proportion de la criminalité dans le voisinage du contrôle était supérieure à la proportion globale entre la criminalité et les contrôles.
Certains résultats ne sont pas fiables. Par exemple, un contrôle de police effectué le 1er janvier 2017 peut sembler isolé car aucun délit criminel n’a été signalé auparavant ; il n’est toutefois pas possible de déterminer si ce contrôle est isolé ou colocalisé puisque vous ne disposez d’aucune donnée criminelle pour 2016. Vous allez retirer tous les contrôles de l’année 2017 afin de limiter vos données aux seuls résultats fiables.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Colocalisation_Contrôles_Criminalité et sélectionnez Attribute Table (Table attributaire).
La table attributaire ne contient pas de champ de date car ce champ ne fait pas partie de la sortie de l’outil Analyse de colocalisation. Vous allez rajouter le champ de date issu du jeu de données d’origine à l’aide d’une jointure, puis vous retirerez les contrôles datant de 2017.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l'outil Join Field (Champ de jointure).
- Renseignez les paramètres suivants :
- Pour Input Table (Table en entrée), sélectionnez Colocalisation_Contrôles_Criminalité.
- Pour Input Join Field (Champ de jointure en entrée), sélectionnez Source ID.
- Pour Join Table (Table de jointure), sélectionnez Pedestrian Stops (2017-2020).
- Pour Join Table Field (Champ de table de jointure), sélectionnez OBJECTID.
- Pour Transfer Fields (Champ de transfert), sélectionnez STOP_FRISK_DATE_Converted.
Remarque :
Si les alias de champ n’apparaissent pour aucun des champs attributaires en entrée, cliquez sur le bouton Field list settings (Paramètres de la liste des champs) et choisissez Show Alias (Afficher l’alias).
- Cliquez sur Run (Exécuter).
Au terme de l’exécution de l’outil, un nouveau champ nommé STOP_FRISK_DATE_Converted apparaît dans la table attributaire. Vous êtes désormais en mesure de filtrer les données en fonction de la date.
- Dans la fenêtre Contents (Contenu), cliquez avec le bouton droit sur Colocalisation_Contrôles_Criminalité et sélectionnez Properties (Propriétés).
- Dans la fenêtre Layer Properties (Propriétés de la couche), cliquez sur l’onglet Definition Query (Ensemble de définition). Cliquez sur New definition query (Nouvel ensemble de définition).
- Utilisez les menus pour créer l’expression Where STOP_FRISK_DATE_Converted is on or after 1/1/2018 (Où STOP_FRISK_DATE_Converted est le ou après le 01/01/2018).
- Cliquez sur Apply (Appliquer), puis sur OK.
La carte est redessinée et affiche maintenant uniquement les résultats de colocalisation considérés comme fiables. Vous avez exclu à l’aide d’un filtre les contrôles effectués en 2017 après avoir exécuté l’outil Analyse de colocalisation et non avant de l’avoir exécuté car l’outil compare une proportion globale à une proportion locale. Il est important de s’assurer que la proportion globale n’est pas affectée.
Identifier les zones dans lesquelles les contrôles sont isolés de la criminalité
La carte affiche les résultats de colocalisation des contrôles individuels et les symboles associés se superposent sur la carte. Vous allez à présent vous concentrer sur les contrôles isolés afin de pouvoir identifier les quartiers dans lesquels les contrôles de police sur les piétons sont associés à un nombre moins élevé de délits criminels violents à proximité. Vous agrégerez les résultats en polygones de secteur de recensement afin de mieux visualiser les modèles sur la carte.
- Si nécessaire, ouvrez la table attributaire de la couche Colocalisation_Contrôles_Criminalité.
Le champ LCLQ Type (Type LCLQ) (quotient de colocalisation local) de la table indique si les contrôles sont colocalisés ou isolés. Vous allez créer un nouveau champ pour identifier uniquement les contrôles isolés et significatifs.
- Dans la barre d’outils située au-dessus de la table, cliquez sur le bouton Calculate (Calculer). Dans la fenêtre Calculate Field (Calculer un champ), définissez les paramètres suivants :
- Pour Field Name (Existing or New) (Nom du champ (existant ou nouveau)), saisissez IsolatedSignificant (IsoléSignificatif).
- Pour Field Type (Type de champ), sélectionnez Short (16-bit integer) (Court (entier 16 bits)).
- Dans Expression Type (Type d’expression), choisissez Arcade.
- Pour Expression, saisissez ou copiez et collez le texte suivant :
if ($feature.LCLQTYPE == "Isolated - Significant") {return 1}
else {return 0}
Cette expression affectera la valeur 1 à tous les contrôles significativement isolés et la valeur 0 à tous les autres contrôles.
- Cliquez sur OK.
Un nouveau champ est ajouté à la table attributaire : il identifie tous les contrôles significativement isolés.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Synthétiser - À l’intérieur (Outils d’analyse).
Vous allez utiliser l’outil Synthétiser - À l’intérieur pour comptabiliser les contrôles significativement isolés au sein de chaque secteur de recensement.
- Dans la fenêtre de l’outil Summarize Within (Synthétiser - À l’intérieur), configurez les paramètres suivants :
- Pour Input Polygons (Polygones en entrée), sélectionnez Racial Disparity by Tract.
- Pour Input Summary Features (Entités de synthèse en entrée), sélectionnez Colocalisation_Contrôles_Criminalité.
- Pour Output Feature Class (Classe d’entités en sortie), saisissez ContrôlesIsolésParSecteur.
- Sous Summary Fields (Champs de récapitulation), pour Field (Champ), sélectionnez IsoléSignificatif. Pour Statistic (Statistique), choisissez Sum (Somme).
- Cliquez sur Run (Exécuter).
Au terme de l’exécution de l’outil, une nouvelle couche apparaît sur la carte, mais il se peut qu’elle ne soit pas visible en raison de toutes les entités dans la couche de colocalisation.
- Dans la fenêtre Contents (Contenu), désactivez la couche Colocalisation_Contrôles_Criminalité et fermez la table attributaire associée.
- Ouvrez la table attributaire de la couche ContrôlesIsolésParSecteur. Faites défiler la table jusqu’à la fin.
Les champs Sum isolatedsignificant (Somme isoléssignificatifs) et Count of Points (Nombre de points) ont été créés par l’outil Synthétiser - À l’intérieur. Vous allez utiliser ces champs pour rechercher le pourcentage de contrôles de chaque secteur isolés de la criminalité.
- Dans la barre d’outils de la table attributaire, cliquez sur Calculate (Calculer). Dans la fenêtre Calculate Field (Calculer un champ), définissez les paramètres suivants :
- Pour Field Name (Existing or New) (Nom du champ (existant ou nouveau)), saisissez PourcentageContrôlesIsolés.
- Pour Field Type (Type de champ), sélectionnez Float (32-bit floating point) (Flottant (virgule flottante 32 bits)).
- Dans Expression Type (Type d’expression), choisissez Arcade.
- Pour Expression, saisissez ou copiez et collez $feature.SUM_IsolatedSignificant / $feature.Point_Count * 100.
Cette expression calcule le pourcentage de contrôles de chaque secteur significativement isolés.
- Cliquez sur OK.
Au terme de l’exécution de l’outil, des messages d’avertissement vous indiquent que le calcul a échoué pour certains enregistrements. En effet, certains secteurs ne font état d’aucun contrôle.
- Fermez la fenêtre Calculate Field (Calculer un champ). Vérifiez qu’un nouveau champ a été ajouté dans la table attributaire, puis fermez la table.
- Ouvrez la fenêtre Symbology (Symbologie) de la couche ContrôlesIsolésParSecteur. Modifiez la valeur de Field (Champ) en PourcentageContrôlesIsolés.
Les valeurs de ce champ sont comprises entre 0 et 100 % ; la combinaison de couleurs contrastées actuelle n’est donc pas appropriée. Vous allez choisir une combinaison de couleurs linéaire allant d’une couleur claire (représentant un nombre inférieur) à une couleur foncée (représentant un nombre supérieur).
- Cliquez sur le menu Color scheme (Combinaison de couleurs) et désélectionnez Show all (Afficher tout). Sélectionnez la combinaison de couleurs Blues (Continuous) (Bleus (Continu)).
Sur la carte, les secteurs en bleu foncé correspondent aux secteurs dans lesquels les contrôles de police étaient isolés, à la fois spatialement et temporellement, des délits criminels avec violence. Dans ces zones, les résultats contrastent avec la justification employée par la police selon laquelle les contrôles sont menés dans des zones à forte criminalité.
Étudier la disparité dans les zones où les contrôles sont isolés de la criminalité
Vous avez cartographié le pourcentage de contrôles isolés dans chaque secteur de recensement de New York City. Vous allez à présent sélectionner les secteurs où les contrôles isolés sont prédominants et y étudier les valeurs de l’indice de disparité.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Sélectionner une couche par attributs.
- Pour Input Rows (Enregistrements en entrée), sélectionnez ContrôlesIsolésParSecteur. Pour l’expression, créez la requête Where PercentIsolatedStops is greater than 50 (Où ContrôlesIsolésParSecteur est supérieur à 50).
- Cliquez sur Run (Exécuter).
Les secteurs en bleu plus foncé sont sélectionnés sur la carte. Vous allez maintenant collecter des statistiques pour ce groupe de secteurs.
- Dans la fenêtre Geoprocessing (Géotraitement), recherchez et ouvrez l’outil Summary Statistics (Résumés statistiques).
- Pour Input Table (Table en entrée), sélectionnez ContrôlesIsolésParSecteur. Pour Output Table (Table en sortie), saisissez ContrôlesMajoritairementIsolés_Synthèse.
Seules les entités sélectionnées seront prises en compte par l’outil, donc les sorties synthétiseront uniquement les secteurs dans lesquels les contrôles étaient majoritairement isolés de la criminalité.
- Pour Statistics Field(s) (Champ(s) statistique(s)), sélectionnez les champs suivants :
- Percent Population Black Not Hispanic
- Percent Population White Not Hispanic
- Percent Stops Black Not Hispanic
- Percent Stops White Not Hispanic
- Disparity Black Not Hispanic
- Disparity White Not Hispanic
Remarque :
Si les alias de champ n’apparaissent pour aucun des champs attributaires en entrée, cliquez sur le bouton Field list settings (Paramètres de la liste des champs) et choisissez Show Alias (Afficher l’alias).
- Pour tous les champs, modifiez la valeur de Statistic Type (Type de statistique) sur Median (Médiane).
Vous avez opté pour la médiane car il s’agit d’une valeur moyenne qui est moins affectée par les points aberrants que la moyenne.
- Cliquez sur Run (Exécuter).
- En bas de la fenêtre Contents (Contenu), cliquez avec le bouton droit sur la table ContrôlesMajoritairementIsolés_Synthèse et sélectionnez Open (Ouvrir).
La table de synthèse indique les valeurs médianes de tous les champs que vous avez répertoriés pour les secteurs sélectionnés. Vous pouvez constater que le pourcentage médian de la population noire et non hispanique est de 4,61. Vous allez maintenant créer la même table, mais pour tous les secteurs.
- Cliquez avec le bouton droit de la souris sur la carte et sélectionnez Clear (Effacer) pour effacer la sélection.
- Dans la fenêtre Geoprocessing (Géotraitement), définissez le paramètre Output Table (Table en sortie) sur TotalitéContrôles_Synthèse.
Ne modifiez pas le paramètre Statistics Fields(s) (Champ(s) statistique(s)).
- Cliquez sur Run (Exécuter).
- Ouvrez la table TotalitéContrôles_Synthèse. Faites glisser la table et ancrez-la au-dessus de l’autre table.
Vous allez maintenant examiner les statistiques que vous avez synthétisées. Ces valeurs peuvent vous aider à évaluer la disproportion raciale de ces contrôles de police qui ne s’expliquent pas par une forte criminalité dans la zone concernée.
- Comparez les valeurs des deux tables pour MEDIAN_Pct_Pop_BlackNotHispanic et MEDIAN_ Pct_Pop_WhiteNotHispanic.
Ces champs représentent le pourcentage de la population qui est noire et le pourcentage de la population qui est blanche.
Les secteurs dans lesquels les contrôles de police étaient majoritairement isolés de délits criminels violents (dans la table ContrôlesMajoritairementIsolés_Synthèse) sont le lieu de résidence d’un nombre inférieur de personnes noires et d’un nombre supérieur de personnes blanches, si on les compare à la ville dans son ensemble.
- Comparez les valeurs de MEDIAN_PercentStopsBlackNotHispanic et de MEDIAN_PercentStopsWhiteNotHispanic.
Les pourcentages de contrôles à l’encontre des personnes noires et des personnes blanches étaient très similaires entre les secteurs dans lesquels les contrôles étaient majoritairement isolés d’une forte criminalité et dans la ville dans son ensemble. Rappelez-vous néanmoins que les secteurs majoritairement isolés sont le lieu de résidence d’un nombre plus élevé de personnes blanches ; par conséquent, si vous vous appuyez sur l’hypothèse selon laquelle les contrôles concernent les résidents d’un secteur, vous devriez constater un pourcentage plus élevé de personnes blanches faisant l’objet d’un contrôle.
- Pour terminer, comparez les valeurs des deux tables pour MEDIAN_DisparityBlackNotHispanic et MEDIAN_DisparityWhiteNotHispanic.
Ces nombres confirment ce que vous avez observé à l’étape précédente : les secteurs dans lesquels les contrôles de police étaient majoritairement isolés d’une forte criminalité (les zones en bleu le plus foncé sur la carte) présentent un indice de disparité supérieur pour les personnes noires et inférieur pour les personnes blanches, si on les compare à la ville dans son ensemble.
Les secteurs en bleu foncé font état d’un nombre de délits criminels antérieurs moins élevé à proximité de chaque contrôle, comparé à la ville dans son ensemble. Soit les délits criminels étaient éloignés des contrôles, soit la densité des contrôles dans cette zone était supérieure à celle des délits criminels. Dans les secteurs en bleu foncé, l’indice de disparité pour les personnes noires est supérieur à celui de New York City dans son ensemble. Cela signifie que dans les zones où les contrôles ont été effectués malgré l’absence de délits criminels graves à proximité pour les justifier, les personnes noires ont été davantage contrôlées de manière disproportionnée que partout ailleurs dans la ville.
[L’]explication d’indices de disproportionnalité élevés est cohérente avec la célèbre étude de cas du professeur de Harvard, Henry Louis Gates Jr. ; quelles que soient les désignations et les ressources des classes sociales, les habitants issus de minorités sont considérés comme plus menaçants et « pas à leur place » dans les zones majoritairement blanches, et donc davantage susceptibles de faire l’objet d’une surveillance accrue de la part de la police. (Ogletree 2010) — « Neighborhood Residence and Assessments of Racial Profiling Using Census Data », Socius: Sociological Research for a Dynamic World, 2019.
- Fermez les deux tables et enregistrez le projet.
- Fermez ArcGIS Pro.
Dans ce module, vous avez utilisé l’analyse de colocalisation pour rechercher les contrôles effectués sur des piétons isolés des crimes violents de catégorie 1 à New York City. Vous avez synthétisé ces informations en secteurs afin d’identifier les zones dans lesquelles les contrôles étaient majoritairement isolés. Vous avez constaté qu’une proportion supérieure de personnes blanches habitaient dans les secteurs où les contrôles étaient moins colocalisés avec la criminalité et que la disparité des contrôles était même supérieure pour les personnes noires dans ces quartiers.
Le SIG est depuis longtemps employé dans le cadre de l’analyse des données criminelles. Vous venez de l’utiliser pour analyser des problèmes d’égalité raciale dans le cadre de l’application de la loi. Le Docteur Phillip Atiba Goff du Center for Policing Equity explique l’importance de ce travail :
Si le maintien de l’ordre est une question de justice, alors nous devons mesurer la justice et pas seulement en parler. Cela signifie mesurer non seulement la criminalité, mais aussi le coût de la lutte contre cette criminalité ; il convient également de déterminer si les opérations de maintien de l’ordre produisent des résultats équitables. Nous devons nous enquérir du coût de la généralisation des contrôles routiers et piétons, en nous concentrant particulièrement sur les communautés brisées par des successions de négligences et de désengagements de la part des autorités. Nous devons en mesurer l’impact sur ces quartiers et déterminer si de telles pratiques les rendent réellement plus sûrs. Nous devons avoir la volonté de savoir si, en essayant de résoudre les problèmes liés à la criminalité et à la sécurité, nous ne causons pas un préjudice supplémentaire — « Collecting, Analyzing, and Responding to Stop Data: A Guidebook for Law Enforcement Agencies, Government, and Communities », Center for Policing Equity and Policing Project, Faculté de droit de l’université de New York, 2020.
Dans ce didacticiel, vous avez utilisé plusieurs techniques pour examiner les disparités raciales lors des contrôles de police :
- Vous avez visualisé les données de contrôles de police à Nashville, dans le Tennessee, à l’aide de diagrammes et de la vue Data Engineering.
- Vous avez utilisé l’analyse de points chauds pour mieux identifier les quartiers de la Nouvelle-Orléans, en Louisiane, dans lesquels le nombre de fouilles était le plus élevé.
- Vous avez examiné le taux disproportionné de contrôles sur des piétons par groupe racial dans chaque quartier de San Antonio, au Texas.
- Vous avez employé l’analyse de colocalisation à New York City, dans l’état de New York, pour remettre en question la justification de la police selon laquelle les contrôles à l’encontre des piétons ont lieu dans les quartiers à forte criminalité.
Grâce à votre exploration de ces diverses villes, vous avez constaté que la localisation joue un rôle important. Chaque ville, et même chacun de ses quartiers, présente des résultats et des récits différents. Vous avez appris qu’il était essentiel de comprendre les données et découvert que dans certains cas, les données ne permettaient pas de détecter des modèles.
Vous avez la possibilité de poursuivre cette analyse de plusieurs façons. Vous pouvez ainsi essayer d’effectuer les opérations suivantes :
- Répétez l’analyse pour une autre ville. Vous trouverez les données des contrôles de police effectués dans d’autres localisations dans ArcGIS Hub, ainsi que sur les sites Stanford Open Policing Project et Police Data Initiative. Le document Center For Policing Equity Stop Guidebook indique les bonnes pratiques afin que vous puissiez collecter vous-même des données liées aux contrôles de police.
- Concentrez-vous sur l’analyse d’un groupe démographique spécifique, par exemple, les jeunes hommes noirs et hispaniques.
- Étudiez l’impact des données ou des méthodes sur les résultats.
Vous pouvez en outre examiner dans quelle mesure les disparités raciales dans les opérations de maintien de l’ordre se superposent aux disparités raciales rencontrées dans d’autres domaines, en étudiant les résultats obtenus en relation avec d’autres aspects de la société, comme l’éducation, la santé et l’insécurité alimentaire ou liée au logement. Le SIG peut jouer un rôle essentiel en prenant en charge l’approche globale nécessaire à l’examen de l’impact des pratiques racistes. Le hub Racial Equity GIS Hub contient des données, ainsi que d’autres ressources, qui vous aideront à explorer ces problèmes.
Vous trouverez d’autres didacticiels dans la bibliothèque des didacticiels.