Utilizando modelos matemáticos, el académico del Departamento de Industrias, Dr. Pablo Escalona espera con su investigación generar estrategias de vigilancia impredecibles para los delincuentes.
Ante la crisis en materia de seguridad que vive el país, surgen desde la academia alternativas para mejorar su percepción y reducir delitos. Tal es el caso de la investigación que desarrolla el académico del Departamento de Industrias de la Universidad Técnica Federico Santa María, Dr. Pablo Escalona, la que – a través de modelos matemáticos – generará estrategias de vigilancia policial impredecibles para los delincuentes.
Según explica el Doctor en Gestión de Operaciones, para comprender el modelo es necesario visualizar que la delincuencia opera en su mayoría con una lógica oportunista, es decir, actúan rápido cuando existe baja vigilancia, ante lo cual “la autoridad policial mapea los puntos críticos de la ciudad y realiza patrullajes de vigilancia o asigna oficiales durante un intervalo de tiempo determinado. Sin embargo, los delincuentes modifican su conducta para focalizarse en áreas menos patrulladas”, dice el investigador.
Los programas de patrullaje que surgen a partir de los modelos de programación matemática desarrollados por el Dr. Escalona toman en cuenta la capacidad que tienen los delincuentes de detectar patrones y adaptar su accionar. Para esto, indica Escalona, trabajamos con “distribuciones temporo-espaciales de probabilidades de vigilancia policial” para inducir el concepto de “riesgo” con el fin de modificar el accionar de los delincuentes quienes evitarían ciertos lugares por el riesgo a ser reprimidos.
Agrega que “este proyecto de investigación aborda la implementación operativa de una estrategia de vigilancia policial utilizando un programa de vigilancia impredecible (unpredictable Schedule) bajo un enfoque de juegos de Stackelberg. El desafío es determinar el conjunto de programas de vigilancia y sus respectivas probabilidades de ser seleccionados cuya aplicación diaria coincida con la estrategia de vigilancia definida por la autoridad policial a mediano plazo”.
Por lo tanto, el resultado de esta investigación denominada “Estrategia e imprevisibilidad para disuadir el crimen y mejorar la percepción de seguridad en áreas urbanas utilizando el enfoque de juegos de Stackelber” , son programas de fiscalización o patrullajes inteligentes con diferentes frecuencias, rutas y horarios para que las autoridades competentes puedan implementarlos de acuerdo con su propia dotación y contexto. Esto representa un cambio radical sobre el enfoque de seguridad, ya que para reducir la delincuencia no necesariamente se requiere mayor dotación policial o de fiscalizadores, sino que optimizar los recursos existentes ocupándolos de manera más eficiente modelando el comportamiento de los infractores jugando con la percepción de riesgo que sienten las personas.
Proyecciones
La base de la propuesta del Dr. Escalona está en la teoría de juegos de Stackelberg y programación matemática binivel. El enfoque de juegos de Stackelberg propone un marco teórico-referencial que describe situaciones estratégicas donde las decisiones se toman de forma secuencial, donde un líder toma decisiones y el resto de los agentes (followers) lo sigue. “Este proyecto también explora la percepción de seguridad de los ciudadanos formulando este problema como un juego de Stackelberg en el que la autoridad policial establece una distribución de probabilidades de patrullaje y los ciudadanos reaccionan cambiando su percepción de seguridad”, detalla el académico.
Este framework (o plantilla para desarrollar softwares) se puede aplicar a una serie de fenómenos sociales fuera de lo delictivo. Pablo Escalona, especialista en investigación de operaciones, ha trabajado previamente con este modelo para abordar la evasión en el sistema público de transporte y, actualmente, está proyectando este trabajo al comercio ambulante, narcotráfico al por menor, y microbasurales, junto a estudiantes del Magíster en Ciencias del Departamento de Industrias, además de profesionales del equipo INOCS de Inria-Lille, Francia, y de la Universidad de Santiago. “Lo importante es que la forma de ver estos problemas, bajo teoría de juegos, permite trabajar con estructuras de datos minimales, tales como, mapa de las ciudades, flujo de personas, horarios, etc. y de allí sacamos nuestros programas”.
El académico precisa que este modelo es una forma novedosa de enfocar este tipo de problemas, ya que, por el contrario, la inteligencia artificial, además de necesitar más datos para funcionar, esta puede, por ejemplo, “predecir o determinar cuáles serán estos ‘hot spots’ o puntos críticos, nosotros no necesitamos eso para modelar el comportamiento porque eso se aprende por parte de las personas y se pueden mover rápidamente”.
