การประยุกต์ใช้การวิเคราะห์ทางสถิติเชิงพื้นที่ของอาชญากรรม ในพื้นที่สามจังหวัดชายแดนใต้ของประเทศไทย
Applying Spatial Statistics Analysis to Crime Data in the Three Southern Border Provinces of Thailand
Keywords:
แผนที่อาชญากรรม, รูปแบบการเกิดอาชญากรรม, ระบบสารสนเทศภูมิศาสตร์, การวิเคราะห์เชิงพื้นที่, สามจังหวัดชายแดนภาคใต้, crime mapping, criminal pattern, GIS, spatial analysis, Thailand's Three southern border provincesAbstract
การศึกษานี้มีวัตถุประสงค์เพื่ออธิบายรูปแบบและความหนาแน่นของอาชญากรรมใน 3 จังหวัดภาคใต้(ยะลา ปัตตานีและ นราธิวาส) ในประเทศไทย โดยใช้ GIS และการวิเคราะห์เชิงพื้นที่ มีการรวบรวมข้อมูลเหตุการณ์ไม่สงบจากหน่วยงานรักษาความปลอดภัยและมีความเชื่อถือได้ในช่วงปี 2560 - 2563 เกี่ยวกับการยิงและวางระเบิด การลอบวางเพลิง การก่อความความรุนแรงและยาเสพติด ระเบียบวิธีวิจัยแรก คือ สถิติเชิงพื้นที่จากทฤษฎีความหนาแน่นของเคอร์เนล ใช้สำหรับวิเคราะห์รูปแบบอาชญากรรมหรือจุดฮอตสปอต ช่วงเวลาการก่ออาชญากรรม และความหนาแน่นของอาชญากรรม ระเบียบวิธีที่สอง ใช้ค่าสัมประสิทธิ์สหสัมพันธ์และการ วิเคราะห์การถดถอยเพื่อค้นหาความสัมพันธ์ของปัจจัยต่างๆ ที่มีผลกระทบต่อเหตุการณ์อาชญากรรม หลังจากนั้น มีการใช้วิธีการรวมข้อมูลประเภทต่างๆ ที่เกี่ยวข้องเข้าเป็นหนึ่งเดียวเพื่อวิเคราะห์ดัชนีการเข้าถึงสถานีตำรวจและด่านตรวจในพื้นที่อาชญากรรม ผลการศึกษาพบว่า 1. คดีที่ก่อมีการระบุในกลุ่มที่คล้ายกันที่มีแบบแผนและพื้นที่อาชญากรรมซ้ำเดิมหรือพื้นที่ใกล้เคียงกับที่เกิดอาชญากรรมก่อนหน้านี้ 2. ในการวิเคราะห์พื้นที่เสี่ยงสูง (จุดฮอตสปอต) พบว่ามีการยิงและทิ้งระเบิดที่จังหวัดยะลา มีการลอบวางเพลิง และการก่อความรุนแรงที่ปัตตานีและตรวจพบยาเสพติดที่นราธิวาส 3. ผลการวิเคราะห์ความถดถอยเชิงพหุคุณ เพื่อทดสอบสมมติฐาน พบว่า มีปัจจัยอิสระ 5 ตัว ที่สามารถพยากรณ์จำนวนอาชญากรรมในพื้นที่ 3 จังหวัดชายแดนภาคใต้ได้อย่างมีนัยสำคัญทางสถิติที่ระดับ 0.05 ได้แก่ขนาดพื้นที่จังหวัด จำนวนประชากร ความหนาแน่นของประชากรในพื้นที่ จำนวนนักเรียนที่เลิกเรียนกลางคัน และจำนวน สถานประกอบการอุตสาหกรรมในพื้นที่ เมื่อนำปัจจัยอิสระทั้งหมดมาเข้าสู่สมการพยากรณ์ได้ค่าสัมประสิทธิ์สหสัมพันธ์พหุคุณ (R) เท่ากับ 0.392 มีอำนาจพยากรณ์ (Adjusted R Square) เท่ากับ 0.362 หรือสามารถพยากรณ์ได้ร้อยละ 36.2 ซึ่งแปลผลได้ว่า ปัจจัยทั้ง 5 ด้าน พยากรณ์จำนวนอาชญากรรมในพื้นที่ 3 จังหวัดชายแดนภาคใต้ได้ร้อยละ 36.2 ส่วนที่เหลืออาจเป็นอิทธิพลของปัจจัยด้านอื่นๆ ผลการศึกษานี้สามารถนำไปใช้เป็นแนวทางในการป้องกันและลดอาชญากรรมที่เป็นประโยชน์ต่อเจ้าหน้าที่ตำรวจในการวางแผน ป้องกันอาชญากรรมในสามจังหวัดชายแดนภาคใต้ของประเทศไทยได้ The purpose of this study is to describe the criminal pattern and density in three southern provinces of Thailand (Yala, Pattani, and Narathiwat) using GIS and spatial analysis. Data on disorderly incidents received by reputable security authorities between 2017 and 2020, including shootings and bombings, arson, violence, and drugs were collected. This study's approach employed spatial statistics, particularly kernel density, to analyze crime patterns-hotspots, criminal periods, and criminal density. Second, the correlation coefficient and regression analysis were performed to determine the association between various factors and crime incidents. 1. The crime scenes were located in similar cluster patterns and repeated criminal areas or in areas close to previously criminal areas, according to the study. 2. According to the analysis of high-risk areas (hot spots), shooting and bombing cases was identified at the Yala Province, Arson and Violence was identified at Pattani and Drug was identified at Narathiwat. 3. In the multiple regression analysis for hypothesis testing, 5 independent variables could predict the number of crimes in Three southern border provinces at the statistical significance level of 0.05. These 5 independent variables were district area size, number of population, population density, number of drop-out students, and number of industrial establishment. When loading all these independent variables into a predictive equation, the multiple correlation coefficient (R) was 0.392 with predictive power (adjusted R square) at 0.362 (36.2%). This means that these 5 factors could predict the number of crimes in Three southern border provinces at 36.2%. The factors with effects of relationship of crime incidents were the number of population and the number of industrial establishments. The results of this study can be utilized for guidelines in criminal prevention and reduction, they are useful for police officers in planning for criminal prevention in Three southern border provinces in Thailand.References
Aomjai, W. (2019). The effect from the three southernmost crisis to the community economy: Case Studies Community in Muang district of Pattani province. RUSAMILAE JOURNAL, 40(1), 95-99.
Bourdieu P. (1984) Distinction: A Social Critique of the Judgement of Taste. London: Routledge & Kegan Paul
Breslin, P. (1999). Getting to know ArcView GIS: the geographic information system (GIS) for everyone. ESRI, Inc.
Markovic, J. (2007). Book Review: Chainey, S., & Ratcliffe, J. (2005). GIS and Crime Mapping. London: Wiley. (422 pp., $60.00 paperback). Social Science Computer Review, 25(2), 279-282.
Maurizio, G., Paul, L., & Phil, A. (2007). Kernel density estimation and percent volume contours in general practice catchment area analysis in urban areas. GISRUK 2007: Proceedings of the Geographical Information Science Research UK 15th Annual Conference.
Mayhew, H., & Binny, J. (2011). The criminal prisons of London: And scenes of prison life. Cambridge University Press.
Ninsri, S. (2014). Resurgence of violence in Southern Thailand. RUSAMILAE JOURNAL, 35(3), 23-36.
Soontorn, N., & HONG, S. (2020). THE KERNEL DENSITY ESTIMATION FOR CRIME ANALYSIS: A CASE STUDY IN THREE PROVINCES SOUTHERN OF THAILAND (master’s thesis). Chon Buri: Burapha University.
Tantiwutthipong, S., Meksangsouy, P., & Sithi, A. (2021). Application of Geographic Information System to Allocate Service Areas of the Rural Road Sub-district. Journal of Letters, 50(1), 136-156.
Tarde, G. (2010). Gabriel Tarde on communication and social influence: Selected papers. Universityof Chicago Press.
Yiampisan, M., & Srivanit, M. (2010). Using the Kernel Density Estimation surface for criminal pattern: A case study in Phranakhon district, Bangkok. Journal of Architectural/Planning Research and Studies (JARS), 7(1), 87-102.