Navigation – Plan du site
Varia

De la prévention situationnelle au predictive policing

Sociologie d’une controverse ignorée
Bilel Benbouzid
Traduction(s) :
From situational crime prevention to predictive policing

Résumés

Cet article traite d’un corpus de textes scientifiques correspondant à un moment important dans le processus de légitimation de la prévention situationnelle : les recherches sur la victimisation à répétition et la construction d’algorithmes de prédiction. Le corpus permet de mettre en scène une controverse souvent ignorée, opposant Ken Pease et Tim Hope, relative à l’interprétation de résultats issus de la modélisation statistique de la distribution de la victimisation dans la population. Mise en perspective avec les résultats des recherches de Ken Pease et ses collaborateurs, la critique de Tim Hope permet de rendre compte de l’ignorance qui évolue avec le développement des connaissances sur la prédiction des victimisations et des innovations qui leur sont associées. En conclusion, il est fait appel à une définition des politiques publiques de prévention et de sécurité non pas à partir des connaissances produites par les experts, mais à partir d’un accord rendu public sur leurs désaccords.

Haut de page

Texte intégral

Introduction

  • 1 Pour une présentation simple et assez complète de la prévention situationnelle, on peut consulter W (...)

1Production scientifique sur le crime et, dans le même temps, discours normatif sur l’action publique de sécurité, le corpus des textes étudiés ici correspond à un moment important dans le processus de légitimation de la prévention situationnelle1. Il permet d’opérer une sociologie des controverses, à partir d’un cas particulier, sur les causes de l’insécurité et les différents modèles de prévention qui leur sont associés. L’analyse critique d’articles scientifiques des promoteurs et détracteurs de la prévention situationnelle permet de comprendre comment, durant ces vingt-cinq dernières années, la prévention situationnelle a gagné en sophistication, mais aussi comment elle a cumulé zones d’ombre et incertitudes au fil de son développement.

2L’intérêt pour la dimension savante de la prévention situationnelle ne doit pas être perçu comme une simple ostentation d’érudition. L’assimilation de ce modèle de prévention à une pratique scientifique légitime constitue un élément important des conditions de sa diffusion, de son acceptation et de sa reconnaissance (Benbouzid, 2011).1 Plus encore, si les discours sur la prévention du crime en Angleterre, pays natal de la prévention situationnelle, ont pris en grande partie la forme de discours sur la science et l’innovation technologique et sociale (Tilley, Laycock, 2007), ils ont plus rarement pris celle d’une mise en perspective politique des controverses qui les sous-tendent.

3L’analyse qualitative de ce corpus de textes met en scène un processus de mathématisation (Israël, 1996) et une critique souvent ignorée de l’historiographie officielle du développement de la prévention situationnelle. Elle oppose Ken Pease et Tim Hope et leurs collaborateurs respectifs, reconnus, l’un comme ayant contribué de façon décisive à la prévention situationnelle (SCP) en proposant le principe de prédiction de la répétition des victimisations (Laycock, Farrell 2003 ; Pease, Tseloni, 2014), et l’autre pour avoir formalisé le community crime prevention (CCP) comme modèle de substitution à la prévention situationnelle (Hope, 1995 ; Hope, Karstedt, 2003). La différence entre ces deux modèles de prévention est bien connue dans le monde des criminologues : d’un côté, avec le CCP, c’est l’organisation sociale de la ville, dans toutes ses échelles, qui est envisagée comme la cause et la solution des problèmes de criminalité. De l’autre, c’est l’environnement immédiat, dans sa matérialité la plus simple, qui apparaît comme une prise directe et efficace pour anticiper, surveiller et empêcher le passage à l’acte du criminel. Mais ce qui distingue ces deux modèles ne se situe pas sur le plan de la simple opposition conceptuelle entre les modèles du SCP et du CCP dont les nombreuses zones de contact ont souvent été montrées. C’est même la proximité du projet initial de Tim Hope par rapport à celui des promoteurs de la prévention situationnelle qui a permis une critique de fond rendant ainsi la prévention situationnelle discutable et substantiellement amendable.

4Le théâtre de la controverse se situe autour de la recherche sur la modélisation statistique et la prédiction des victimisations à répétition dans laquelle Pease et Hope s’investissent ensemble dans les années 1990 pour tenter de comprendre pourquoi un petit nombre de victimes subit la plupart des infractions et par quel processus les victimisations se réitèrent dans l’espace et le temps. La mise en scène de cette controverse scientifique se présente comme une confrontation sans dialogue autour des tests statistiques modélisant la répétition des victimisations et de la production d’une forme nouvelle de prévention situationnelle - le predictive policing (Perry et al, 2013) - une sécurisation policière assistée par des algorithmes d’anticipation du crime dans l’espace et le temps. Au fur et à mesure de l’accumulation des découvertes empiriques, l’interprétation du phénomène de la victimisation à répétition se fera de plus en plus en faveur des expérimentations locales en matière de prévention situationnelle et du développement du predictive policing. En dépit de nombreuses tentatives de réfutations émises par Tim Hope et ses collaborateurs, l’idée que le meilleur moyen de réduire la délinquance serait de sécuriser dans l’urgence les victimes à répétition par des techniques de prévention situationnelle, va peu à peu s’imposer dans les politiques publiques de sécurité.

5La controverse Pease/Hope apparaît comme un cas idéal pour ouvrir la boîte noire du contenu scientifique de la prévention situationnelle. En effet, si les critiques de la prévention situationnelle sont nombreuses, elles ne procèdent généralement pas d’un démontage minutieux des théories et des faits scientifiques qui la légitiment. C’est seulement après avoir choisi d’explorer à fond cette controverse que nous avons découvert, au fil de l’enquête, que la genèse savante du predictive policing pouvait être retracée à travers l’histoire de la recherche sur la modélisation de la répétition des victimisations.

6Pour alimenter et mieux fonder cette intuition devenue conviction, nous avons procédé à un dépouillement systématique des sources écrites, en particulier les rapports et les articles scientifiques relatifs aux travaux sur la répétition des victimisations. Il s’est agi d’entrer dans le détail des sources disponibles et de faire parler la manière dont elles s’articulent et entrent en correspondances les unes avec les autres. Retracer « la science en train de se faire » a exigé de notre part de croiser les sources écrites avec des informations recueillies auprès des acteurs identifiés comme ayant été au cœur de la controverse. Nous ne les avons pas tous rencontrés, mais avons pu néanmoins longuement nous entretenir à plusieurs reprises avec les deux principaux protagonistes, Tim Hope et Ken Pease. Concrètement, nous avons réalisé deux longs entretiens avec Tim Hope à Vilnius et à Prague, respectivement en septembre 2011 et septembre 2014. Tim Hope a bien voulu par ailleurs nous faire part d’un long témoignage écrit de huit pages où il nous a rendu compte des moments importants de sa carrière et des débats scientifiques dans lesquels il fut engagé. Nous n’avons hélas jamais pu rencontrer Ken Pease pour un échange en vis-à-vis. Mais il a accepté, en revanche, d’échanger de manière intensive entre 2010 et 2014 par le biais d’une correspondance électronique abondante à partir de nos questionnements précis, avec toute la latitude qu’il estimait devoir apporter à nos questions. L’objectif était surtout d’obtenir des clarifications sur les étapes de sa propre carrière par rapport à ses travaux publiés, que nous avions préalablement reconstruits, des circonstances de son investissement dans la prévention situationnelle et de la réorientation de ses travaux vers les phénomènes de victimisation à répétition. C’est à partir des questions sur cette réorientation que nous lui avons alors demandé de nous éclairer sur ce qui l’opposait et oppose à Tim Hope.

7L’analyse de la dynamique scientifique de cette controverse, des années 1990 à aujourd’hui, s’inspire des travaux de sociologie des sciences et des techniques (Pestre, 2006), en particulier ceux de la sociologie de la quantification (Armatte, 2010 ; Desrosières, 1993). Nous traitons les modèles scientifiques « symétriquement », sans conférer de privilège à l’une ou l’autre des positions étudiées. Il s’agit d’ouvrir la boîte noire (Latour, 1989) des modèles, en les considérant comme les instruments cognitifs d’une bataille visant, de la part des protagonistes, à rendre plus solides des arguments justifiant leurs différentes manières de penser et de mettre en œuvre la prévention du crime.

8L’objectif du sociologue des sciences se borne à rendre toujours « discutable » le predictive policing (l’avatar de la prévention situationnelle), en n’entrant pas lui-même dans la discussion de son efficacité. Nous aurons réussi notre objectif si cet article permet au lecteur de comprendre avant tout le predictive policing comme un problème à la fois et indissolublement politique et scientifique.

I - Le Groupe de criminologie quantitative et la modélisation statistique de la répétition des victimisations

  • 2 On trouve une trace de la critique adressée à la prévention situationnelle à cette époque dans Hope (...)

9À la fin des années 1980, après une dizaine d’années d’expérimentations locales en Angleterre (Tilley, 2002), la prévention situationnelle souffre d’un manque de légitimité dans le champ des politiques de prévention et de sécurité. Les premières expérimentations, fondées sur une approche stricte de la réduction des occasions, se sont avérées difficiles à mettre en œuvre. Les promoteurs de la prévention situationnelle se heurtent notamment aux résistances des acteurs de terrains, que ce soient les agents de probation qui s’opposent à l’idée d’une approche strictement défensive de la prévention (Laycock, Pease, 1989) ou les policiers qui, imprégnés d’une culture de l’urgence, restent difficiles à enrôler dans une stratégie d’action proactive2 (Heal, 1983 ; Gilling, 1994).

  • 3 Né le 5 août 1943, Pease suit des études de psychologie et obtient un doctorat dans cette disciplin (...)
  • 4 Pour un aperçu de ce projet qui deviendra célèbre dans l’histoire de la prévention situationnelle, (...)

10Ainsi, le principal problème des promoteurs de la prévention situationnelle est de rendre crédible cette technologie de sécurité aux yeux des acteurs locaux. Comment faire en sorte que la prévention situationnelle devienne une stratégie d’action intégrée ? Ken Pease, professeur de criminologie à l’université de Manchester, fait partie de ceux qui cherchent à répondre à cette question3. Au milieu des années 1980, il est mandaté par le Home Office dans le cadre d’un projet expérimental de réduction des cambriolages à Kirkholt duquel il entend donner un second souffle à la prévention situationnelle. C’est à partir du diagnostic partagé des cambriolages que Ken Pease va guider les acteurs du projet vers une découverte majeure : la plupart des cambriolages se répète sur un petit nombre de victimes4. De ce constat, il imagine une stratégie de prévention nouvelle : si le plus grand nombre des cambriolages se concentre sur un petit nombre de victimes, il faut cibler directement ces victimes à répétition.

11Cette proposition est loin d’être évidente et va contre le sens commun de tous les acteurs des politiques de prévention et de sécurité, en particulier celui des policiers qui sont loin d’imaginer qu’un cambrioleur commette un autre cambriolage au même endroit. Néanmoins, Pease parvient à convaincre les acteurs de terrain d’appliquer des techniques de prévention situationnelle sur les personnes ayant déjà subi un premier cambriolage (patrouilles, conseils de sécurité, organisation de la surveillance de voisinage, etc.). En très peu de temps, le projet apparaît comme une véritable réussite. Non seulement on observe une forte chute du cambriolage, mais surtout une véritable implication des acteurs de terrain. La recherche sur la victimisation à répétition apparaît alors comme une piste prometteuse pour donner à la prévention situationnelle le second souffle attendu.

12Aussitôt a-t-il rencontré quelques succès dans la sphère gouvernementale que Pease envisage de transformer ce problème appliqué de la victimisation à répétition en véritable programme de recherche. D’une manière très simple, avec l’aide de quelques collaborateurs canadiens, Pease commence par décrire la distribution statistique des séries temporelles de la répétition des victimisations à partir des données de la police (Polvi et al., 1991). Il montre que durant le premier mois suivant le délit, le risque d’être victime d’un cambriolage est douze fois plus élevé pour les ménages ayant déjà subi une victimisation. Après cette période d’un mois, le risque diminue considérablement.

13Cette première description statistique de l’évolution temporelle de la victimisation invite Pease à approfondir le travail de recherche sur la victimisation à répétition. Il va donc mobiliser des compétences plus sophistiquées en matière statistique en enrôlant des économètres de l’université de Manchester, spécialisés en modélisation financière. Pease leur propose d’analyser la victimisation à répétition à partir des données des grandes enquêtes nationales de victimisation (British Crime Survey). Débute alors la formation d’une équipe de recherche appelée le Groupe de Criminologie Quantitative (GCQ) composé à ses origines de quelques économètres tels que Denise Osborn et Alan Trickett, de trois criminologues, Ken Pease, Graham Farell, un jeune psychologue qui vient de terminer une thèse de doctorat sur la victimisation à répétition et Tim Hope, un jeune sociologue et spécialiste de la prévention du crime (dont nous reparlerons).

1) Incidence, prévalence et concentration

14Dans le cadre d’un financement de l’Economic and Social Research Council, le GCQ envisage d’abord l’étude de la répétition de la victimisation dans l’intérêt des politiques de prévention, mais sans associer a priori sa recherche à un modèle de prévention en particulier. Il s’agit d’abord d’analyser les données des enquêtes de victimisation sous forme de distribution de probabilité de la victimisation à répétition dans la population, en utilisant des modèles statistiques plus ou moins sophistiqués (des lois de distribution et des hypothèses sur les variables aléatoires) qui permettent une description mathématique approximative des données. Le GCQ envisage d’abord une analyse exploratoire dans laquelle il cherche à décrire les différences d’incidence de la victimisation entre différents secteurs. Il publie son analyse dans l’article What is different about high crime areas (Trickett et al., 1992), considéré aujourd’hui comme l’article séminal de la recherche sur la victimisation à répétition. Dans cet article, les auteurs ont recours à une conceptualisation nouvelle du calcul du risque de victimisation en liant arithmétiquement la prévalence, l’incidence et la concentration (dite vulnérabilité) de la victimisation par la formule :

  • 5 L’incidence renvoie au nombre des victimisations dans une population sur une période spécifique. La (...)

Incidence5 = Prévalence x Concentration

  • 6 Il s’agit d’une pratique de base de statistique descriptive : l’analyse de la distribution par les (...)

15L’enjeu est de comprendre la fonction de distribution probabiliste qui sous-tend cette formule arithmétique. En ordonnant la distribution de la victimisation par secteur en déciles6, l’analyse montre simplement que le lien entre la prévalence et l’incidence (la concentration, donc) varie selon les déciles et tend à augmenter considérablement sur les déciles supérieurs : 20% des zones résidentielles contribuent à la moitié des victimisations au plan national. Le groupe tente de comprendre la loi de probabilités qui sous-tend cette forte dispersion. Pour ce faire, il procède à un test statistique simple : il compare les distributions de la prévalence et de l’incidence attendues selon une loi binomiale (une loi simple qui modélise des répétitions d’épreuves dont les résultats sont binaires (victimisation ou pas) et indépendants d’une épreuve à l’autre) et celles observées. Le groupe montre que la vulnérabilité observée dans les secteurs dont la prévalence est la plus élevée est bien plus grande que celle obtenue par le test de simulation (la loi binomiale simulée), c’est-à-dire par une distribution aléatoire de la victimisation : la victimisation ne se répète pas par hasard. On en déduit qu’il est sans doute judicieux d’orienter les ressources des politiques de prévention vers le petit nombre de victimes sur lesquelles les victimisations semblent se concentrer. Mais pour pouvoir définir plus précisément comment intervenir, les chercheurs ont besoin de poursuivre la recherche sur la distribution afin de comprendre pourquoi et comment la victimisation se répète et se concentre.

2) La flexibilité interprétative de la modélisation de la distribution

16Pour aller plus loin dans l’explication de la victimisation à répétition, Ken Pease et Farrell (1993) avancent une double hypothèse pour rendre compte du mécanisme qui sous-tend la victimisation : la victimisation à répétition d’une personne ou d’un ménage peut être vue soit comme un signal d’un risque relativement stable de la victimisation (flag), soit comme une indication que les incidents de victimisation renforcent la probabilité d’occurrence d’incidents ultérieurs (boost). Cette double hypothèse trouve une traduction en langage statistique : l’hypothèse du flag s’appelle l’hétérogénéité du risque et celle du boost, la dépendance à l’événement (state-dependent).

  • 7 La notion de « loi mélange » est une expression classique de statisticiens pour exprimer une combin (...)

17Ces deux hypothèses avaient déjà été évoquées dans les travaux pionniers de Richard Sparks dans les années 1970 en Angleterre (Sparks et al., 1977). Dans son analyse des données des enquêtes locales de victimisation, Sparks s’était d’abord tourné vers la loi de distribution de Poisson, dite loi des petites probabilités, idéale lorsque l’on souhaite appliquer la loi des grands nombres à un phénomène rare comme la victimisation. Cette loi qui décrit que pour qu’un événement rare se produise, il faut en général une conjonction improbable de plusieurs facteurs, une suite inattendue de coups du sort (Bouchaud, 2013, 106), ne colle pas aux données des enquêtes de victimisation. Dans ce contexte, les chercheurs parlent de « surdispersion » de la distribution de la victimisation dont les paramètres peuvent être ajoutés au modèle de Poisson pour arriver à une modélisation plus satisfaisante dite « mélange » de Poisson7 . Les chercheurs se tournent d’abord vers le « mélange » de Poisson le plus utilisé, le modèle binomial négatif. Plutôt que modéliser une succession de victimisations indépendantes ayant une espérance constante, le modèle binomial négatif suppose que les victimisations se produisent d’une manière contagieuse (boost) ou/et dans un milieu hétérogène (flag).

18À la fin des années 1970, les premières études de modélisation sur les données des enquêtes de victimisation montrent que le modèle binomial négatif est satisfaisant pour représenter la distribution des victimisations dans la population. On favorise l’explication en terme de propension de certains groupes sociaux à la victimisation à répétition (flag), l’idée de la contagion (boost) étant considérée comme tirée par les cheveux (selon Sparks, le raisonnement épidémiologique trouvait ici ses limites, préférant des explications plus sociologiques de la répétition). En revanche, au milieu des années 1990, les deux explications semblent pertinentes et le GCQ s’attache à démêler le boost du flag. Comment examiner spécifiquement, sur un plan statistique le mécanisme de la répétition ? Par quel processus, une fois une victimisation opérée, l’incident se répète-t-il ou cesse-t-il ? Et lorsque la victimisation se poursuit, quelle fréquence atteint-elle avec le temps ? Quels sont les facteurs de risques spécifiques (individuels et territoriaux) du premier saut et du second saut ? Quels sont les liens de corrélation entre le premier et le deuxième sauts ?

19Le GCQ souhaite intégrer dans le même examen empirique ce qui jusqu’alors avait toujours été séparé dans l’analyse : la description statistique du passage de l’état de non-victime à celui de victime (premier saut), puis de victime à victime à répétition (second saut). Pour réaliser ce type de modèle, la littérature économétrique propose une solution qui consiste à élaborer un système d’équations simultanées, une technique de modélisation statistique multivariée bien connue des travaux en économétrie de l’éducation. S’inspirant de cette solution statistique standardisée, le GCQ publie en 1996 un article considéré comme une avancée méthodologique importante dans la recherche sur la modélisation de la victimisation (Osborn et al., 1996). Néanmoins, le GCQ ne parvient pas à dégager un facteur qui soit plus significatif qu’un autre pour expliquer la répétition. Comme en témoignent les acteurs du GCQ : on en inférait qu’on ne mesurait aucun prédicteur a priori qui distinguerait les multi-victimes des victimes en général et qui fut différent de ceux qui sont communs à toutes les victimes et les distingueraient des non-victimes (Hope, Trickett, 2004a, 389).

  • 8 La piste de l’hétérogénéité n’est pas abandonnée pour autant car elle intéresse la prévention situa (...)

20À l’issue de cette première modélisation d’ensemble de la distribution, la flexibilité interprétative des modélisations statistiques est grande. En fonction de leurs engagements théoriques, les membres du GCQ n’émettront pas les mêmes hypothèses sur la signification des résultats obtenus et, partant, définir des perspectives de recherche différentes. D’un côté, les chercheurs engagés dans la prévention situationnelle comme Pease et Farrell considèrent que les résultats obtenus sont assez bons pour en inférer que le processus de renforcement est une bonne explication et donc une bonne piste de recherche pour le développement de la prévention situationnelle. De là, ils entreprennent un projet de recherche tourné pour l’essentiel vers l’exploration de l’hypothèse du boost8. Par ailleurs, les chercheurs attachés à la prévention sociale communautaire comme Tim Hope, considèrent qu’il faut aller plus loin dans le travail d’analyse de la distribution de la victimisation à répétition et envisager d’autres hypothèses dans une perspective sociologique. Analysons une à une ces deux voies différentes.

II - La recherche autour de l’hypothèse du renforcement et le développement du predictive policing

21À la fin des années 1990, l’analyse approfondie des mécanismes de renforcement (boost) devient un enjeu de recherche majeur pour la prévention situationnelle. Comment parvenir à une connaissance fine du phénomène de renforcement pour agir, voire même prédire le crime ? Dans une perspective de prévention situationnelle, expliquer un crime revient à le rapporter aux comportements du délinquant en situation de passage à l’acte et à la vulnérabilité de la cible. Avec la recherche sur la victimisation à répétition, il s’agit désormais d’insérer les stratégies de prévention situationnelle dans un espace-temps complexe et évolutif. C’est dans cette perspective que Richard Townsley, Shane Johnson et Kate Bowers, en collaboration étroite avec Ken Pease, entament une série de travaux au début des années 2000 au sein du nouvellement créé Jill Dando Institute of Crime Science (JDICS), le premier laboratoire de recherche et de développement universitaire, entièrement dédié à la prévention situationnelle en Angleterre.

1) La modélisation de la contagion

  • 9 Sur les origines de l’analyse spatio-temporelle de la victimisation à répétition, consulter Johnson (...)

22Pour analyser plus en détails le renforcement, les chercheurs du JDICS tentent de modéliser la dimension spatio-temporelle de la victimisation à répétition9. Les rapports complexes entre le temps et l’espace dans l’explication de la victimisation sont encore peu explorés au début des années 2000. On trouve néanmoins quelques études mineures qui ont déjà montré que non seulement les victimisations se répètent, mais qu’elles se diffusent de proche en proche (Anderson et al., 1995 ; Morgan, 2000). Ce phénomène de la diffusion, que l’on appelle near-repeat colle assez bien avec les résultats des enquêtes qualitatives conduites auprès des cambrioleurs. Ces derniers expliquent aux enquêteurs qu’il leur arrive régulièrement de revenir cambrioler un même logement lorsqu’il est facile à cambrioler et qu’ils n’ont pas pu tout emporter lors de leur premier passage (Ashton et al., 1998). Les cambrioleurs opèrent par secteur. Ils appartiennent à des réseaux de cambrioleurs avec qui ils échangent de l’information sur la vulnérabilité des cibles détectées lors des phases de repérage. C’est ainsi que les victimisations se diffusent dans l’espace et dans le temps.

23Comment représenter le phénomène de diffusion de la victimisation en langage statistique ? Comment identifier les configurations spatio-temporelles plus ou moins répétitives sur lesquelles bâtir des stratégies de prévention ? Telles sont les questions posées par l’équipe de JDICS. Pour tenter d’y répondre, les chercheurs mobilisent les outils statistiques de l’analyse spatiale, réflexe standard lorsque l’on cherche à identifier des concentrations spatio-temporelles d’événements. Ils s’intéressent en particulier au test statistique spatio-temporel de Knox, bien connu pour l’analyse des phénomènes de contagion. Développé dans les années 1960 dans le cadre de recherche épidémiologique, le test de Knox utilise un test de Poisson afin de déterminer si la distribution des événements dans le temps et l’espace diffère significativement d’une distribution aléatoire, indépendante. Cette méthode teste l’existence de regroupement de victimisations dans le temps et dans l’espace simultanément - un raffinement statistique qui permet de représenter sous forme de clusters l’interdépendance spatio-temporelle des crimes. Mobilisant les statistiques policières qui fournissent les données sur le lieu et le moment de la victimisation, les chercheurs vont pouvoir modéliser, grâce à ce test, comment le cambriolage se répète et se propage de proche en proche.

24À partir du test de Knox, les chercheurs du JDICS entament toute une série d’études sur la communication du risque de victimisation. Townsley propose l’un des premiers articles sur la contagion à partir des tests de Knox en proposant la notion de cambriolages infectieux (Townsley et al., 2003). Townsley avait déjà montré dans sa thèse de doctorat des éléments d’analyse spatio-temporelle importants, comme le fait que les points chauds de cambriolage les plus instables sont largement représentés par des adresses de victimisations répétées, alors que les points chauds les plus stables sont davantage liés à des aspects de l’environnement social et physique immédiat. Dans son article sur le cambriolage infectieux, Townsley poursuit son analyse sur les similarités de voisinage, mais montre cette fois qu’un premier cambriolage augmente le risque d’une victimisation suivante pour une cible proche, à condition que la cible nouvelle partage des caractéristiques sociales et physiques similaires à celle de la première victimisation.

25Utilisant le même test de Knox, Kate Bowers et Shane Johnson montrent qu’un premier cambriolage augmente le risque de cambriolage dans un rayon de 400 m dans un intervalle de temps estimé entre un ou deux mois (Johnston, Bowers, 2004b ; Bowers, Johnson, 2005). Ils montrent également que si les zones les plus pauvres sont celles qui connaissent le plus de victimisations à répétition, les regroupements (les clusters) de cambriolages dans l’espace et le temps sont plus nombreux dans les zones les plus riches. Aussi, une maison cambriolée à côté d’un premier cambriolage a beaucoup plus de risque d’être cambriolée que celle située quelques mètres plus loin, particulièrement durant la première semaine suivant le premier cambriolage. Plus encore, sur un même alignement de rue, les cambriolages se répètent dans les maisons aux caractéristiques architecturales identiques. Autrement dit, un agencement architectural différent dans une rue où les modèles de construction de maison se répètent à l’identique peut faire baisser le risque d’être cambriolé.

2) Le développement d’une machine prédictive

26Grâce au test de Knox et l’utilisation de données géoréférencées à l’échelle de la rue et datées, le discours scientifique sur la répétition de la victimisation contient progressivement de plus en plus de détails sur le processus spatio-temporel du renforcement. Mais il ne suffit pas aux chercheurs du JDICS d’apporter des éléments d’analyse toujours plus fins sur la dynamique spatio-temporelle de la répétition des victimisations. La politique de recherche du JDICS implique aussi de développer des technologies innovantes de réduction du crime. Comment tirer profit de l’analyse spatio-temporelle pour imaginer des stratégies de prévention ? C’est pour répondre à cette question que Pease s’associe aux chercheurs du JDICS au début des années 2000 afin de développer un outil opérationnel de prédiction du crime, Prospective crime Mapping dit PROMAP, fondé sur la modélisation des changements spatio-temporels de la victimisation à répétition sur un territoire donné (Bowers, Johnson, 2004a). Leur objectif est de faire la différence avec la prédiction telle qu’elle était pratiquée jusqu’à présent par les méthodes de calcul et de représentation des hotspots (Dupont, Ratcliffe, 2000 ; Weisburd et al., 2009). Avec ces dernières, la simple représentation des concentrations spatiales d’acte passé était considérée comme de bons prédicteurs de crime à venir. L’objectif de PROMAP est de parvenir à représenter sous forme cartographique non pas le passé comme bon révélateur du futur (la pratique classique du hotspot policing), mais plutôt les crimes à venir.

  • 10 Pour une compréhension facile de ce calcul, consulter le rapport Johnson et al., 2007. On y trouve (...)
  • 11 L’une des techniques les plus connues est la méthode du noyau, dite Kernel Density Estimation (KDE)

27Pour passer d’une cartographie criminelle rétrospective à une cartographie prospective qui localise les risques à venir, les chercheurs s’inspirent des méthodes de lissage ordinairement utilisées en analyse spatiale pour trouver les points nodaux sur une carte. Pour générer une carte de détection des hotspots, les cartographes projettent une grille virtuelle à mailles régulières10 sur le territoire de l’étude sur laquelle ils font survoler une fenêtre mobile circulaire avec un diamètre fixé qui enregistre pour chaque cellule de la grille le nombre d’événements (des cambriolages par exemple). Tous ces enregistrements permettent le calcul par un algorithme mathématique, pour chaque grille, d’un niveau de densité appelé l’intensité du risque. Les méthodes disponibles qui permettent ce calcul de la densité sont nombreuses dans la littérature11. Pease et ses collaborateurs s’en inspirent, mais ils y apportent une transformation substantielle. Alors que les formules mathématiques utilisées dans le hotspot policing pour estimer les risques étaient paramétrées à partir de considérations esthétiques de représentation des cartes, avec la cartographie prospective, il s’agit d’intégrer dans les éléments de paramétrage des formules les théories criminologiques sur la contagion (Johnson et al., 2007, 2009). Ainsi, pour prédire, les chercheurs utilisent les résultats-clés des recherches sur la victimisation à répétition : le risque de victimisation se diffuse sur 400 mètres, avec un risque plus élevé pour les maisons du même côté de la rue et sur une période de deux mois.

  • 12 Dans sa phase de développement encore la plus rudimentaire, PROMAP permet déjà à la police de patro (...)

28L’innovation de Pease et de ses collaborateurs tient à la traduction d’une théorie criminologique dans les paramétrages de l’algorithme mathématique qui calcule l’intensité des risques. D’autres éléments paramétriques peuvent être intégrés pour pondérer, dans les modèles mathématiques, les victimisations passées comme les heures de la journée, les jours de la semaine, les conditions météorologiques, la topographie des sites, etc. L’algorithme de PROMAP est toujours perfectible au gré de recherches plus fondamentales de la dynamique spatiotemporelle de la victimisation12.

III - Tim Hope et la théorie de la sécurisation réflexive 

  • 13 Et dans une moindre mesure Sandra Walklate, une analyste critique de la victimologie, qui propose u (...)
  • 14 Il faut souligner que Tim Hope connaît bien le monde de la prévention situationnelle. Diplômé de so (...)

29Alors que la recherche autour de l’hypothèse du renforcement est au cœur du développement des politiques de prévention en Angleterre et du predictive policing, d’autres chercheurs remettent en question cette hypothèse et empruntent d’autres voies pour analyser la distribution de la victimisation dans la population. Tim Hope et Alan Trickett13 qui, rappelons-le, appartiennent au groupe de criminologie quantitative, sont les principaux promoteurs de cette orientation depuis 1995. C’est en effet autour de cette date qu’ils prennent leur distance avec Pease14 et commencent une analyse originale, mais qui restera marginalisée, de la distribution de la victimisation dans la population.

1) Le lancement de la controverse

  • 15 Ce que Tim Hope appelle « prévention sociale » peut autant renvoyer à la tradition des community re (...)

30C’est une véritable controverse qui s’enclenche après la publication en 1996 de l’article Are repeatedly victimized households different? (traité supra). Coauteur de cet article, Tim Hope considère que les résultats de la modélisation probit bivarié laissent dans l’ombre de nombreuses questions de recherche qui ne suscitent pas l’intérêt de Pease et ses collaborateurs, plus préoccupés par des questions opérationnelles. Engagé dans la promotion d’une prévention sociale15, Hope n’est pas satisfait de l’interprétation de Pease et cherche à prolonger plus à fond l’analyse de la distribution de la victimisation dans la population.

31On retrouve les principales traces de cette critique dans un article publié en 2004 avec Trickett, mais dont les principaux résultats sont formalisés depuis 1995 (Hope, Walklate, 1995). Hope et Trickett (2004a) considèrent que trop peu d’analyses sont accordées au fait que l’on mesure beaucoup plus de non-victimes que de victimes (la victimisation est un phénomène rare) et que les enquêtés indiquant les niveaux les plus élevés de fréquence de victimisation sont les plus rares. Selon eux, si l’on veut correctement rendre compte de la sur-dispersion de la distribution, il faut non seulement tenir compte de la concentration des victimisations sur une petite partie de la population (la queue droite de la courbe de distribution), mais aussi s’attacher à expliquer l’extrême concentration de la non-victimisation sur une très grande partie de la population (la queue gauche de la courbe de distribution). Ensuite, ils montrent que la plupart des victimes (les personnes qui ont subi une première victimisation) ne restent pas des victimes sur le long terme, mais au contraire, reviennent le plus fréquemment au statut de non-victime après avoir été victimes une première fois. Dès lors, il se peut que la distribution de la victimisation dans la population s’explique par une tendance différentielle et décrémentielle toward immunity from crime risk.

32Pour pouvoir démontrer cette hypothèse de l’immunité, Hope et Trickett raisonnent par simulation à partir des équations du modèle probit bivarié. Ils imaginent trois niveaux de probabilité de subir une première victimisation (p = 1 ou 0,4 ou 0,005). Grâce au modèle probit bivarié, ils peuvent simuler la probabilité d’une victimisation subséquente en fonction des trois niveaux de risque et en déduire la probabilité d’une non-victimisation subséquente. Pour les personnes les plus vulnérables, le risque de subir une première victimisation augmente le risque d’une victimisation subséquente (22 chances sur 100), mais pas au point d’avoir moins de chance de ne pas être victime. Pour les personnes au niveau moyen de risque de subir une première victimisation (40 chances sur 100), le risque de subir une seconde victimisation reste inchangé et avec l’hypothèse extrême de 100 chances sur 100, le risque d’une victimisation subséquente diminue (0,60). Ainsi, Hope et Trickett parviennent à montrer que le risque qu’une victimisation se répète une seconde fois dépend du niveau de risque a priori, avec une propension, avec le temps, à la non-victimisation.

33À partir de ces résultats, Hope invite à abandonner les présupposés de l’hypothèse de l’augmentation de l’exposition au risque avec le temps (le renforcement) et les théories qui lui sont associées pour adopter d’autres grilles interprétatives de la distribution de la victimisation dans la population. Cette grille de lecture nouvelle, Hope la puise dans la théorie de la structuration de Giddens, très en vogue dans les années 1990. Il n’est pas question de revenir ici en détails sur cette théorie bien connue. Rappelons seulement que la structure de Giddens est un ensemble de règles et de ressources organisées de façon répétitive, actualisée et coordonnée sous la forme de traces en mémoire des acteurs (Rojot, 2010), en l’occurrence ici des victimes. Ce qu’il faut relever, c’est l’intérêt pour les « structures » (dans le sens sociologique de Giddens) plutôt que pour les facteurs épidémiologiques. Voici comment, selon Hope, la notion de structure peut être mobilisée pour conceptualiser la victimisation à répétition :

This [structuration theory] provides one way of understanding the dynamism between, for example, the structural location of women (one way of understanding women’s powerlessness, a defining characteristic of being a victim), and women’s negotiation of their structural location (one way of understanding the term survivor); It is this kind of theoretical starting point, which neither treats individual characteristics as given nor individual events as products of such givens, which permits the development of a critical edge to the work on repeat victimization (Hope, Walklate, 1995).

34 Pour poursuivre les recherches sur les victimisations à répétition, Hope envisage de s’intéresser à la manière dont les victimes démontrent leurs compétences et orientent leurs conduites en fonction de leurs connaissances sur la façon dont les victimisations se font. De ce point de vue, c’est moins le risque qui intéresse Hope que la « sécurité » entendue dans le sens proche du concept de sécurité ontologique de l’acteur défini par Giddens. Comment les victimes s’expliquent-elles leur propre vulnérabilité ? Comment en viennent-elles à réviser cette explication ? Comment s’adaptent-elles ? Quelles sont les conditions de cette adaptation ?

2) Expliquer l’immunité : la clubbisation de la sécurité

35En posant ces questions, Hope se lance dans une entreprise de recherche qui renverse radicalement la vapeur et qui ouvre la voie vers des politiques de prévention assez différentes de la prévention situationnelle. On passe du problème de la distribution de la victimisation à celui de la distribution de la sécurisation réflexive. Les enquêtes de victimisation permettent de s’engager dans cette piste car elles fournissent de nombreuses données sur la consommation de produits de sécurité et l’engagement des personnes dans leur quête de sécurité. À partir de ces données, Hope identifie trois formes d’actions préventives engagées par les personnes pour sécuriser leur sphère privée : le neighbourhood watch (toutes les activités liées à la sécurisation résidentielle comme le marquage de propriété, la surveillance de voisinage), les technologies de sécurité (les alarmes par exemple) et la fortress security (tout ce qui relève de la sécurité physique lié à l’habitat). Les analyses des données des enquêtes de victimisation montrent que la tendance à s’engager dans ces actions de prévention est liée à la perception du risque de victimisation, mais que les personnes les plus promptes à se sécuriser restent celles appartenant aux couches les plus favorisées.

  • 16 Voir aussi les travaux qu’il mène quelques années plus tôt avec Stevan Lab sur les facteurs prédict (...)

36Parmi les domaines de sécurité étudiés, les initiatives de neighbourhood watch occupent un statut particulier car elles se situent à la frontière du service public de sécurité et de la sécurité privée. Mobilisant des techniques de régression, Hope et Trickett (2004b) ont cherché à montrer les déterminants de la participation au neighborhood watch. L’un des résultats intéressant de l’analyse de Hope et Trickett est d’avoir montré que la participation à la sécurité collective est étroitement liée au sens de la réciprocité de voisinage et à l’implication des acteurs dans d’autres activités communautaires16. Ainsi, la sécurisation réflexive dépend autant des ressources économiques que des ressources sociales des acteurs. Hope le montre à plusieurs reprises, dans les zones résidentielles de banlieue, la prévention du crime s’organise en club, c’est-à-dire comme un bien partagé, mais exclusif. C’est cette notion de club et la théorie de la sécurité réflexive qui lui est associée qui permettent à Hope d’expliquer l’hypothèse de l’immunité :

The theory of reflexive securitisation would seem a plausible way of linking burglary victimisation and private security trends. The residential clubbing and consequent intensification of private security, may affect mid-range communities the most: very low crime communities have an excess of community over risk, and thus an excess of immunity; their investment in private security may be primarily symbolic. In contrast, high crime neighborhoods have an excess of victimisation, which negatively affects trust and social capital formation […] Some part of the decline in burglary may have been introduced asymmetrically into the trend by the socio-spatial distancing between victims and offenders brought about by the changing ecology of tenure in the UK over the period (Hope, 1999; 2001). Thus, reflexive securitization may explain why the bulk of burglary reduction has come about through a reduction in prevalence, since a large number of erstwhile victims may have been removed from risk, and thus would be eligible no longer for selection as repeat or multiple victims (Hope, 2007).

37En conceptualisant la sécurité comme bien mutualisé, Hope peut mieux tenir compte, dans l’explication des tendances des crimes contre les biens, du rôle des acteurs non gouvernementaux (les citoyens) et des liens qu’ils entretiennent entre eux et d’autres institutions, pour ne plus se focaliser sur la seule action du gouvernement, et en particulier de la police, lorsqu’il s’agit d’évaluer les grandes expérimentations de réduction du cambriolage. Tim Hope schématise un modèle de prévention du crime fondé sur la notion de « bien » qui, comme on le voit ci-dessous, permet d’envisager la prévention du crime dans une perspective globale et structurelle :

Fig. 1 : Le schéma proposé par Tim Hope pour représenter la sécurité comme bien mutualisé (Hope, 2006).

  • 17 La controverse oppose Hope et les chercheurs du JDICS qui évaluent eux aussi les mêmes programmes, (...)

38Comme le souligne Bruno Aubusson de Cavarlay, on imagine avec intérêt la situation idéale où une équipe d’économètres chevronnés pourrait tester empiriquement [ce modèle] (Aubusson de Cavarlay, 2006). Mais Hope ne l’envisage jamais entièrement. Tous les articles publiés depuis la fin des années 1990 couvrent à chaque fois une seule partie du modèle. En 2002, il modélise les interventions du gouvernement dans le cadre de l’évaluation des programmes de réduction du cambriolage fondée en grande partie sur les stratégies de prévention situationnelle et de prédiction des victimisations à répétition (Hope, 2004). Cependant, l’esprit du modèle global est toujours présent dans l’analyse des résultats (Aubusson de Cavarlay, 2006). En effet, utilisant un modèle d’analyse provenant de la micro-économétrie, trop complexe pour être présenté ici, Hope parvient à montrer que d’autres facteurs que les programmes de réduction expliquent la réduction des cambriolages et que dans certains cas les programmes de réduction peuvent avoir l’effet inverse ou ralentir la baisse des cambriolages amorcée par les initiatives des personnes17.

39La controverse tient en grande partie au désaccord plus large entre le modèle de l’immunité et le modèle du renforcement, qui renvoie à deux conceptions différentes de ce qui produit de la sécurité : le présupposé du modèle de l’immunité est que ce sont en fait les facteurs de protection qui en disent plus sur la sécurité que sur le risque lui-même  (Hope, Trickett, 2004a). Selon Hope, la prévention du crime devient le problème de la détection et de la prédiction du délitement de ces facteurs de protection par une compréhension toujours plus fine des inégales conditions d’accès à la sécurité.

IV - Retourner l’interprétation

40La stratégie de prévention avancée par Pease (predictive policing) et l’innovation conceptuelle proposée par Hope (la sécurisation réflexive) reposent toutes les deux sur des interprétations - respectivement sur le modèle du renforcement et le modèle de l’immunité - flexibles des études statistiques sur la distribution de la victimisation dans la population. Il leur faut donc encore poursuivre une recherche plus fondamentale sur cette distribution : du côté des promoteurs de la prévention situationnelle, il reste à résoudre l’énigme des deux explications jamais démêlées de la répétition des victimisations : boost or flag ? Du côté du groupe représenté par Hope, il reste à trouver un modèle d’ensemble qui tienne compte de l’inflation de zéro victimisation (l’enjeu étant de tenir compte du poids de la « non-victimisation » dans le modèle de la distribution de la victimisation dans la population) afin de rendre compte du rôle de l’immunité dans la distribution de la victimisation.

41Pour construire ces deux modèles, les chercheurs se sont essentiellement appuyés sur les outils de la statistique dite ‘fréquentiste’. Il s’est agi de mobiliser les méthodes économétriques de régression logistique, dans la perspective d’isoler les effets de certaines variables. Dès la fin des années 2000, ce type de raisonnement semble avoir trouvé ses limites et les deux groupes de chercheurs se tournent vers d’autres techniques statistiques pour poursuivre leur analyse. Le développement d’outils prédictifs et l’usage de techniques computationnelles toujours plus sophistiquées (en particulier la simulation Monte Carlo utilisées dans les tests de Knox) amènent progressivement les chercheurs du JDICS à s’intéresser aux techniques de simulation sociale de Nigel Gilbert (Gilbert, Doran, 1994) qui se diffusent dans toutes les sciences sociales depuis le début des années 1990. D’un autre côté, la mort prématurée d’Alan Trickett pousse Tim Hope à s’adjoindre un autre collaborateur sociologue/statisticien avec qui il tente de mobiliser les outils de l’analyse exploratoire de données qui reposent davantage sur l’analyse de co-occurrences des propriétés des victimes que sur l’idée d’effets purs des variables. Explorons tour à tour ces deux retournements de méthodes qui, nous le verrons, sont dans le même temps deux manières de retourner l’interprétation.

1) La simulation sociale du boost et du flag

42La simulation sociale telle qu’elle est définie par Gilbert intéresse Pease et ses collaborateurs car elle offre la possibilité de représenter des situations sociales artificielles depuis lesquelles les chercheurs peuvent observer des dynamiques spatio-temporelles. Parmi les nombreuses méthodes disponibles de simulation, c’est la simulation multi-agents qui permet d’aller le plus loin dans l’analyse car elle offre la possibilité de représenter avec une grande flexibilité les cambrioleurs, leurs comportements et leurs interactions dans un environnement.

43La simulation multi-agents permet aux criminologues de représenter le comportement d’un délinquant par un processus informatique (un programme). Dans un article publié en 2011, Johnson, avec l’aide d’une jeune mathématicienne (Pitcher, Johnson, 2011), définit un modèle multi-agents dans lequel les cambrioleurs sont représentés informatiquement sous la forme d’agents en mouvement dans un environnement constitué de cibles (des logements) dont l’attractivité est la fois stable (en fonction des emplacements) et changeante (en fonction de l’action des cambrioleurs). Le cambrioleur est capable de percevoir l’attractivité d’une cible et des cibles environnantes et de réagir en fonction de cette attractivité. Les règles définissant le mouvement du cambrioleur sont traduites sous la forme d’un algorithme que les auteurs schématisent comme suit :

Fig. 2 : Le schéma proposé par Pitcher et Johnson pour représenter l’algorithme qui simule l’action dans le temps et l’espace (Pitcher, Johnson, 2011).

44Une fois le modèle mathématique paramétré et l’algorithme implémenté, les chercheurs peuvent exécuter le modèle en faisant varier son aspect dynamique et statique afin de pouvoir simuler différentes configurations : hétérogénéité du risque, dépendance à l’événement sans hétérogénéité du risque et hétérogénéité du risque avec dépendance à l’événement. À l’issue de multiples expérimentations, les auteurs avancent un argument en faveur de l’hypothèse du boost différent de celui des années 1990. Si dans les modélisations multivariées classiques il y avait toujours la possibilité d’avoir omis des variables cachées qui expliqueraient la répétition par l’hétérogénéité du risque, avec la simulation les chercheurs montrent, à l’inverse, que la répétition des victimisations ne peut s’expliquer par la seule configuration de l’hétérogénéité du risque :

In the introduction to this article, we discussed the possibility that observed space–time patterns of crime may be explained by a statistical artifact that occurs when results are aggregated for populations with very different risks (the flag account). However, the results of a series of simulations suggest that such models (as specified here) were insufficient and did not generate the types of pattern that are observed in real-world data [...] In contrast to the flag hypothesis, our results suggest that the boost account may offer a plausible explanation for why crime clusters in space and time (Pitcher, Johnson, 2011).

45La logique de l’inférence statistique est inversée : il ne s’agit plus de mesurer l’écart qu’il peut y avoir entre un modèle statistique et les données empiriques collectées auprès des victimes à partir des grandes enquêtes en population générale, mais plutôt d’évaluer la portée explicative des hypothèses réalisées sur des mécanismes générateurs de la répétition. Alors que dans la modélisation statistique, les modèles théoriques de l’hétérogénéité du risque et de la dépendance à l’événement étaient centrés sur l’intensité des liens entre les variables, dans les travaux de simulations sociales, ces mêmes modèles sont centrés sur la plausibilité des mécanismes qui sous-tendent la victimisation à répétition. Grâce à cette nouvelle approche, Johnson et sa collaboratrice sont parvenus à montrer l’interdépendance de l’hétérogénéité du risque et de la dépendance à l’événement dans l’explication des mécanismes de la répétition, ce qui les pousse à en déduire toute l’importance de l’articulation de mesures classiques de réduction des occasions et celle de prédiction de la répétition. Les auteurs interprètent ce résultat « fondamental » toujours en faveur de la prévention situationnelle.

2) L’immunité comme variable latente : la mobilisation de l’analyse de données

46Nous l’avons vu dans la deuxième partie, Hope s’est donné comme objectif principal de recherche de pousser à fond – plus encore que Pease et ses collaborateurs - le travail statistique qui consiste à déduire des échantillons des enquêtes de victimisation la « distribution de probabilité » de la victimisation sur la population d’Angleterre et Galles. Mais nous avons vu que cette estimation n’est pas un but de recherche en soi. C’est un intermédiaire indispensable et stratégique pour pousser plus avant l’établissement d’un modèle qui justifierait telle ou telle représentation de la bonne manière de faire de la prévention. En 2004, Hope avait proposé avec Trickett le modèle suivant :

  • Une tendance générale à la non-victimisation, indépendamment des risques subséquents ;

  • Une tendance pour les non-victimes de se maintenir à l’état de non-victimisation dans le temps ;

  • Une tendance pour les victimes qui subissent un grand nombre de victimisations à conserver une fréquence élevée de victimisations dans le temps ;

  • Une tendance pour les victimes à faible niveau de victimisation à revenir à la tendance générale de non-victimisation.

47En 2010, Hope cherche une technique statistique qui lui permettrait de faire tenir ensemble et de prendre en compte plus finement ces différentes composantes du phénomène de la répétition, mais sans se soucier de leur observabilité car les données du BCS dont il dispose ne sont pas longitudinales (il ne peut pas rendre compte directement de la stochasticité du processus).

  • 18 Dans les manuels de statistique, on lit que l’analyse en classe latente forme une classe particuliè (...)

48Avec l’aide d’un sociologue statisticien (Hope, Norris, 2012), Hope s’attelle à cette tâche en mobilisant l’analyse des classes latentes (ACL) à partir des données des enquêtes de victimisation. L’ACL n’appartient pas aux méthodes de modélisation statistique que Hope a utilisées jusqu’alors, mais à celles de l’analyse de données qui renvoient à une manière différente de faire de la statistique : les uns [l’analyse de données] décrivent des groupes, les autres parlent le langage des variables (Desrosières, 2014). L’ACL permet de modéliser des relations entre variables observées tout en postulant l’existence de variables non observables identifiées sous la forme de classe (de groupes). Contrairement à la méthode des tests d’hypothèse qui consiste à poser a priori le modèle et à en estimer directement les paramètres à l’aide d’estimateurs calculés sur les observations, l’ACL est basée sur la spécification de modèles concurrents qui peuvent être comparés entre eux en fonction de plusieurs registres d’ajustement. L’analyse en classe latente est une technique statistique de type bayésien18 et apparaît ainsi à Hope comme une alternative à la statistique fréquentiste adoptée jusqu’alors.

  • 19 L’analyse de clustering fait l’objet de nombreuses critiques en criminologie, notamment celle de pr (...)
  • 20 L’ACL permet de faire ressortir des cohérences des réponses des enquêtés et de classes de victime s (...)

49Pourquoi Hope choisit-il de se tourner vers une autre approche statistique ? L’ACL intéresse Hope non pas parce qu’il adopte un nouveau point de vue épistémologique. Il n’est pas devenu bayésien soudainement. De plus, il n’envisage pas l’ACL dans une perspective seulement taxonomique. Il se tourne vers l’ACL pour trois raisons pratiques qui lui permettent de prolonger l’analyse de la distribution : d’abord parce qu’il a une assez bonne connaissance théorique de la distribution de la victimisation pour pouvoir envisager une ACL sans trop risquer une interprétation aberrante des classes proposées19 ; ensuite parce qu’elle permettrait de représenter l’hétérogénéité inobservée de la distribution de la victimisation dans la population, ce qu’il n’avait pas pu faire complètement jusqu’à présent ; enfin, parce qu’elle permet de rendre compte d’un modèle de mélange de distributions en estimant les paramètres des différentes distributions intervenant dans un mélange complexe fait de non-victimes, de multi-victimisations, de victimisations à répétition et de mono-victimisations (des victimes d’une seule atteinte). Les résultats de l’ACL permettent à Hope de sérier les victimes selon leur classe la plus probable et de calculer le niveau moyen de victimisation subi par les répondants dans une classe particulière20. De ces résultats, il dégage trois grandes classes de victimes : les non-victimes, les victimes intermédiaires et les victimes chroniques.

50Hope tente de modéliser la distribution de chacune de ces classes à partir du calcul de probabilités des répondants d’appartenir à une classe par niveau de fréquence de victimisation : les répondants enregistrant zéro victimisation ont une probabilité plus élevée d’appartenir à la classe de non-victimes et une faible probabilité d’appartenir à des classes intermédiaires ; seuls les répondants à une fréquence élevée de victimisations appartiennent à la classe des victimes chroniques. De plus, la distribution des probabilités d’être victime est hétérogène pour les classes extrêmes (non-victimes et victimes chroniques), alors qu’elle est homogène pour les classes intermédiaires. Hope se demande alors si les victimes intermédiaires (qui constituent un nombre relativement important) et les victimes chroniques (qui représentent un nombre faible de victimes mais un très grand nombre de victimisations) ne poseraient pas des questions étiologiques qui leur seraient propres. L’ACL ne lui permet pas de creuser cette piste, mais en soulevant cette question, Hope montre toutes les nuances que l’on peut encore apporter au travail de modélisation de la distribution des victimisations. L’ACL lui permet de critiquer la catégorie trop réductrice de « victimisation à répétition » en donnant à voir des formes de distributions selon les classes, une observation qui conforte l’idée d’une hétérogénéité mélangée (heterogeneous mixture) de la distribution de la victimisation dans la population.

51L’apport principal de l’ACL est de permettre de rendre compte d’un modèle général de la distribution. Hope montre que la non-victimisation exerce un pouvoir fort sur la forme générale de la distribution. La classe des non-victimes représente 80% de la population, mais contient seulement 20% de victimisations. Les 20% restants de population (victimes intermédiaires et chroniques) concentrent 80% des victimisations.

In sum, while the broad 80:20 inequality of the distribution persist, we can now see how those inequality is constructed out of a heterogeneous mixture of sub-distributions that lie between the two poles of maximum immunity and maximum exposure (Hope, à paraître).

52Il en déduit que l’on ne peut prédire une victimisation qu’à partir d’une modélisation conjointe de l’immunité et de l’exposition au risque de victimisation. L’immunité et l’exposition au risque de victimisation sont deux dimensions de la distribution qui interagissent l’une sur l’autre. Mais où veut-il en venir en montrant que le modèle général de la distribution de la victimisation peut-être conceptualisé as propensities for immunity from and exposure to crime victimization, respectively ? Tim Hope s’en explique de la manière suivante :

In view of the nature of the distribution, non-victimization would appear to be a better predictor of non-victimization than would victimization be of victimization; in other words, long run safety may be a more certain and reliable outcome for the general population than is the prospect of short-term, periodic risk. Of course, this is no consolation for the minority who, at any one time, suffer excessive victimization. It may be even more galling for them to know that a much larger proportion of their fellow citizens might be luxuriating in more than their « fair share » of safety while they suffer more than their fair share of harm (Hope, à paraître).

53Alors que les travaux autour de la prédiction de la victimisation se concentrent sur une seule partie du modèle de la distribution (la répétition de la victimisation dans la population), Hope montre l’importance de comprendre ce qui cause le zéro. Ainsi, il remet en question tous les fondements sur lesquels repose le predictive policing : le crime est, selon Hope, un problème qui se pose et se comprend en tenant compte du temps long durant lequel l’immunité et la chronicité s’installent dans la population. On comprend mieux ici sa critique complexe ignorée par tous les promoteurs de la prévention situationnelle : fonder une politique publique sur le seul modèle de l’exposition au risque, c’est ignorer le fait que l’immunité des uns est liée à l’exclusion des autres de la sécurité ; c’est aussi renoncer d’agir dans le temps et en profondeur sur le crime ; c’est enfin empêcher de penser la protection des victimes dans une perspective de solidarité. Les solutions du predictive policing pourraient même avoir des effets contre-intuitifs comme ceux de renforcer des logiques d’immunisation qui renforcent l’exclusion de certains ou, à l’inverse, perturber des dynamiques vertueuses qui mènent à l’immunité. Cette idée complexe pourrait elle aussi être explorée en mobilisant les outils de la simulation sociale en tenant compte de l’interaction de ces deux composantes de la distribution de la victimisation dans la population.

Pour conclure : le problème public du confinement d’une controverse scientifique

  • 21 Sur la posture de science de l’ingénieur en économie, cf. Armatte, 2010.

54Qu’apporte cette mise en regard de la controverse sur la modélisation de la distribution de la victimisation dans la population qui oppose le groupe de Pease à celui de Hope ? Elle permet d’aller plus loin que l’explication apportée par les acteurs eux-mêmes sur leur désaccord. Selon eux, ce qui les opposerait avant toute chose tiendrait à leurs différentes postures de recherche. Hope revendique de faire de la recherche pour la connaissance alors que Pease prétend être parvenu à une « science pour l’action » (qu’il nomme crime science). Il est vrai que Hope se préoccupe beaucoup plus de questions d’épistémologie des sciences sociales, alors que Pease s’inscrit dans la tradition des sciences de l’ingénieur, avec une visée d’utilité, sans jamais questionner les fondements cognitifs et politiques qui sous-tendent la prévention situationnelle21. Mais cette différence peut être discutée : Hope intègre aussi une visée pratique dans ses recherches. Il milite en effet pour une prévention sociale de type communautaire. Le groupe de Pease oscille entre une recherche scientifique toujours plus sophistiquée et le développement de solutions technologiques prédictives.

55Chercher à trier le bon grain de l’ivraie de cette controverse ne nous permettrait pas de faire avancer le débat. Nous espérons plutôt que cette mise en regard a permis de réfléchir à nouveaux frais au statut des savoirs dans l’action publique de prévention du crime. Ce retour sur la dynamique de production des connaissances scientifiques, en particulier sur la pluralité des perspectives possibles et contradictoires en matière de prévention, nous invite à nous concentrer sur les enjeux publics des controverses scientifiques qui restent confinées à la sphère scientifique alors qu’elles concernent toute la sphère politique.

56Nous l’avons montré au fil de cet article, Hope se bat depuis près d’une vingtaine d’années pour que les spécialistes de la prévention trouvent un accord là où ils ne sont pas d’accord. Mais la dynamique de la controverse entre les deux groupes n’a jamais pris la forme d’une confrontation. Ken Pease et ses collaborateurs connaissent bien la critique de Tim Hope, mais ils n’en font pas cas, la considérant trop éloignée de leurs préoccupation principale : développer des technologies innovantes de réduction du crime. Avec l’usage des méthodes computationnelles (la simulation sociale, l’usage du machine learning et la mise au point de solutions prédictives) la prévention situationnelle entre dans un régime de production de connaissances toujours plus intégrées à l’action, ce qui est, pour ses promoteurs, le critère de réussite le plus important. Les logiciels PROMAP et PREDPOL, deux innovations directement issues des recherches sur la modélisation de la victimisation à répétition, sont des exemples de cette réussite de la prévention situationnelle. Pourtant, l’analyse de la critique de Tim Hope permet de montrer toute l’ignorance qui évolue avec le développement des connaissances sur la prédiction des victimisations à répétition et les algorithmes de prédiction qui leur sont associés. Elle permet aussi de voir la dimension politique de la modélisation statistique de la victimisation : alors que les hypothèses de Hope sont indissociables d’une conception solidariste de l’action publique en matière de sécurité, celles défendues par Pease et ses collaborateurs sont adossées à une conception minimale et court-termiste de l’action publique. En refusant de considérer le débat proposé par Tim Hope, les promoteurs de la prévention situationnelle empêchent le débat politique sur leurs propositions scientifiques et, dans le même temps, l’élargissement de leur champ disciplinaire. Ils protègent ainsi la spécialité qu’ils viennent à peine de constituer.

57L’attitude qui nous paraît aujourd’hui la plus urgente est de faire en sorte que ce sur quoi les scientifiques s’opposent soit su et compris par ceux-là mêmes qui ont à mettre en œuvre des politiques de prévention. Dans un contexte où ces dernières sont de plus en plus dépendantes d’algorithmes de prédiction construits dans des laboratoires de recherche, les controverses criminologiques deviennent des enjeux publics et ne doivent plus être la chasse gardée d’une élite scientifique. Comment définir des politiques publiques de sécurité non pas à partir des connaissances produites par les experts, mais à partir de leurs désaccords ? C’est, nous semble-t-il, une manière raisonnable de réguler le processus de scientifisation (Erikson, Shearing, 1985) des politiques de prévention et de sécurité qui semblent à l’œuvre depuis une trentaine d’années.

Haut de page

Bibliographie

Armatte M., 2010, La science économique comme ingénierie. Quantification et modélisation, Paris, Presses des Mines.

Anderson D., Chenery, S., Pease, K., 1995, Biting Back: Tackling Repeat Burglary and Car Crime, London, Home Office.

Ashton J., Brown I., Senior B., Pease K., 1998, Repeat Victimisation: Offender Accounts, International Journal of Risk, Security and Crime Prevention, 3, 269-279.

Aubusson de Cavarlay B., 2006, Consommation de masse et prédations de masse, in Lévy R., Mucchielli L., Zauberman R. (dir.), Crime et insécurité : un demi-siècle de bouleversements. Mélanges pour et avec Philippe Robert, Paris, L’Harmattan, 93-105.

Benbouzid B., 2011, La prévention situationnelle. Genèse et développement d’une science pratique (1965-2005), Thèse de doctorat en sociologie, Université de Lyon.

Bouchaud, J-P., 2013, Les lois des grands nombres, in Histoire des nombres, 99-111.

Bowers K.J., Johnson, S.D., 2005, Domestic burglary repeats and space-time clusters: the dimensions of risk, European Journal of Criminology, 2, 1, 67-92.

Desrosières A., 1993, La politique des grands nombres, Paris, La Découverte.

Desrosières A., 2014, Prouver et gouverner, Paris, La Découverte.

Dupont B., Ratcliffe J., 2000, Juste des punaises sur une carte ? Quelques considérations critiques sur la cartographie criminelle, Les Cahiers de la sécurité intérieure, 41, 229-243.

Erikson R., Shearing C., 1985, The Scientification of Police Work, in Bohme G., Stehr, N., The Impact of Scientific Knowledge on Social Structure, Sociology of Science Yearbook, Dordrecht, Reidel, 129-159.

Farrell G., Pease K., 1993, Once Bitten, Twice Bitten: Repeat Victimization and its Implications for Crime Prevention, Police Research Group, Crime Prevention Unit Paper n°46, London, Home Office.

Farrell G., Bowers K., J., Shane D. J., Townsley M. (Eds), 2007, Imagination for Crime Prevention: Essays in Honour of Ken Pease. Crime Prevention Studies vol. 21, Boulder, Lynne Rienner.

Fielding M., Jones V., 2012, Disrupting the optimal forager: predictive risk mapping and domestic burglary reduction in Trafford, Greater Manchester, International Journal of Police Science & Management, 14, 30-41.

Forrester D., Chatterton M., Pease K., 1988, The Kirkholt Burglary Prevention Demonstration Project, Rochdale, Home Office Crime Prevention Unit Paper n°13, London, Home Office.

Garland D., 1998, The Culture of control: crime and Social Order in contemporary Society, Oxford, Oxford University Press.

Gilbert N., Doran J., 1994, Simulating Societies: the computer simulation of social phenomena, London, UCL Press.

Gilling D., 1994, Multi-agency crime prevention in Britain: the problem of combining situational and social strategies, Crime Prevention Studies, 3, 231-248.

Heal K., 1983, The Police, the Public and the Prevention of Crime, Howard Journal, 22, 91-100.

Hope T., 1995, Community crime prevention, in Tonry M., Farrington D.P. (Eds), Building a Safer Society: strategic approaches to crime prevention, Chicago, University of Chicago Press, 21-89.

Hope T., 2001, Community crime prevention in Britain: a strategic overview, Criminology and Criminal Justice, 1, 4, 421-440.

Hope T., 2004, Pretend it works: evidence and governance in the evaluation of the Reducing Burglary Initiative, Criminology and Criminal Justice, 4, 3, 287-308.

Hope T., 2006, Mass consumption, mass predation - private versus public action? The case of domestic burglary in England and Wales, in Lévy R., Mucchielli L., Zaubermann R. (dir.), Crime et insécurité : un demi-siècle de bouleversements. Mélanges pour et avec Philippe Robert, Paris, L’Harmattan, 46-61.

Hope T., 2007, Conceptualising the trend in burglary in England and Wales, Contribution au séminaire Atteintes aux biens, programme de coordination CRIMPREV du 6ème PCRD Assessing Deviance, Crime and Prevention in Europe, Bruxelles.

Hope T., 2009, The political evolution of situational crime prevention in England and Wales, in Crawford A. (ed.), Crime Prevention Policies in Comparative Perspective, Willan, Cullompton, Devon, 38-61.

Hope T. (à paraître), Understanding the distribution of crime victimization using “British Crime Survey” data: An exercice in statistical reasoning, Handbook in Crime and Criminal Justice, Oxford University Press Online.

Hope T., Karstedt S., 2003, Towards a New Social Crime Prevention, in Kury H., Obergfell-Fuchs, J. (Eds), Crime Prevention: New Approaches, Mainz, Weisse Ring Verlag-GmbH, 461-489.

Hope T., Lab S. P., 2001, Variation in crime prevention participation: evidence from the British Crime Survey, Crime Prevention and Community Safety: an international journal, 3, 1, 7-21.

Hope T., Norris P. A., 2012, Heterogeneity in the frequency distribution of crime victimization, Journal of Quantitative Criminology, 29, 4, 543-578.

Hope T., Shaw M., 1988, Communities and crime reduction, London, HMSO.

Hope T., Trickett A., 2004a, La distribution de la victimation dans la population, Déviance et Société, 28, 3, 385-404.

Hope T., Trickett A., 2004b, Angst essen seele auf ... but it keeps away the burglars! Private security, neighbourhood watch and the social reaction to crime, Kölner Zeitschrift für Soziologie und Sozialpsychologie, Sonderheft, 43, 441-468.

Hope T., Walklate S., 1995, Repeat victimization : differentiation or Structuration ?, Paper presented to the British Criminology Conference, Loughborough.

Israël G., 1996, La mathématisation du réel, Paris, Le Seuil.

Johnson S., Birks D., McLaughlin L., Bowers K., Pease K., 2007, Prospective crime mapping in operational context, London, Home Office.

Johnson S.D., Bowers K.J., 2004a, The burglary as clue to the future: the beginnings of prospective hot-Spotting, European Journal of Criminology, 1, 2, 237-255.

Johnson S.D., Bowers K.J., 2004b, The Stability of Space-time Clusters of Burglary, British Journal of Criminology, 44, 1, 55-65.

Johnson S., Bowers K., Birks D., Pease K., 2009, Predictive Mapping of Crime by ProMap: Accuracy, Units of Analysis, and the Environmental Backcloth, in Weisburd D. (ed.), Putting Crime in its Place, New York, Springe.

Johnson S.D., Bowers K., Hirschfield A., 1997, New insight into the spatial and temporal distribution of repeat victimisation. British Journal of Criminology, 37, 2, 224-241.

Johnson S.D., Bowers K.J., Young C.A., Hirschfield A.F.G., 2001, Uncovering the true picture: evaluating crime reduction initiatives using disaggregate crime data, Crime Prevention and Community Safety: An International Journal, 3, 4, 7-24.

Latour B., 1989, La science en action, Paris, La Découverte.

Laycock G., Farrell G., 2003, Repeat victimization: Lessons for implementing problem-oriented policing, Crime Prevention Studies, 15, 150-175.

Laycock G., Pease K., 1989, Crime Prevention within the probation service, Probation Journal, 32, 43-47.

Lynch J.P., Berbaum M.L., Planty M., 1998, Investigating Repeated Victimization with the NCVS, Final Report for National Institute of Justice, Washington D.C., Department of justice.

Morgan F., 2000, Repeat Burglary in a Perth Suburb: Indicator of Short-Term or Long-Term Risk”, in Farrell, G., Pease, K., Ed., Repeat Victimisation: Crime Prevention Studies, 12, 83-118.

Osborn D., Ellingworth D., Hope T., Trickett A., 1996, Are repeatedly victimized households different?, Journal of Quantitative Criminology, 12, 223-245.

Osborn D., Tseloni A., 1998, The Distribution of Household Property Crimes, Journal of Quantitative Criminology, 14, 307-330.

Pease K., 1998, Repeat Victimisation: Taking Stock, London, Home Office.

Pease K., Tseloni A., 2014, Using Modeling to Predict and Prevent Victimization, Publication numérique, Springer.

Perry W.L., McInnis B., Price C.C., Smith S.C., Hollywood J.S., 2013, Predictive Policing: The Role of Crime Forecasting in Law Enforcement Operations, Rand Corporation Report.

Pestre D., 2006, Introduction aux Sciences Studies, Paris, La Découverte.

Pitcher A., Johnson S.D., 2011, Examining Theories of Victimization Using a Mathematical Model, Journal of Research in Crime and Delinquency, 48, 1, 83-109.

Polvi N., Looman T., Humphries Ch., Pease K., 1991, The Time-Course of Repeat Burglary Victimization, British Journal of Criminology, 31, 411-414.

Rojot J., 2010, La théorie de la structuration, Revue de gestion des ressources humaines, 2, 76, 44-60.

Rowley C., 2013, A level 2 outcome evaluation of a police intervention aimed at reducing future burglary dwellings in the immediate vicinity of a burglary dwelling, Cambridge, Institute of Criminology.

Sampson R.J., Laub J.H., 2005, Seductions of method: rejoinder to Najin and Tremblay’s Developmental trajectory groups: fact of fiction?, Criminology, 43, 905-913.

Sparks R., Genn H., Dodd D., 1977, Surveying victims, Chichester, Wiley.

Tilley N., 2002, Crime prevention in Britain, 1975-2010: breaking out, breaking in and breaking down, in Hughes G., E. McLaughkin J. Muncie (Eds), Crime prevention and community safety: new directions, London, Sage,12-36.

Tilley N., Laycock G., 2007, From Crime Prevention to Crime Science, in Farrell G. (ed.), Imagination for Crime Prevention: Essays in Honour of Ken Pease, New York, Crime Prevention Studies, 21, 19-39.

Townsley M., Homel R., Chaseling J., 2003, Infectious Burglaries: A Test of the Near Repeat Hypothesis, British Journal of Criminology, 43, 615-633.

Trickett A., Osborn D.R., Seymour J., Pease K., 1992, What is different about high crime areas?, British Journal of Criminology, 32, 81-90.

Weisburd D., Bernasco W., Bruinsma G., (Eds.), 2009, Putting Crime in Its Place: Units of Analysis in Spatial Crime Research, New York, Springer.

Wortley R., Mazerolle L. (Eds), 2008, Environmental Criminology and Crime Analysis, Cullompton, Willan Publishing.

Haut de page

Notes

1 Pour une présentation simple et assez complète de la prévention situationnelle, on peut consulter Wortley, Mazerolle, 2008 et pour une lecture critique Garland, 1998.

2 On trouve une trace de la critique adressée à la prévention situationnelle à cette époque dans Hope, Shaw, 1988.

3 Né le 5 août 1943, Pease suit des études de psychologie et obtient un doctorat dans cette discipline en 1971. Il démarre sa carrière comme chargé de recherche au Home Research and Planning Unit (l’unité de recherche du ministère de l’Intérieur anglais), entre 1972 et 1976, où il travaille à l’évaluation des Communities Service Order (une forme de travail d’intérêt général). Entre 1976 et 1996, il devient professeur de psychologie à l’université de Manchester où il occupe des fonctions multiples. Jusqu’en 1988, il est surtout reconnu pour son travail sur la question pénitentiaire et les services de probation. C’est cette première casquette qui va faire de Pease le chercheur idéal pour travailler à l’intégration de la prévention situationnelle dans des expérimentations locales jusqu’alors dominées par la probation. Pease est devenu célèbre dans le monde de la prévention situationnelle (en grande partie grâce à la notion de victimisation à répétition), à un tel point que ses collègues décident de lui rendre hommage en 2007, dans la collection Crime Prevention Studies dirigée par Ronald Clarke (le concepteur originel de la prévention situationnelle), quelques années après son départ en retraite.

4 Pour un aperçu de ce projet qui deviendra célèbre dans l’histoire de la prévention situationnelle, il faut consulter Forrester, Chatterton, Pease, 1988.

5 L’incidence renvoie au nombre des victimisations dans une population sur une période spécifique. La prévalence compte le nombre de personnes qui s'est déclaré victime (au moins une fois) au cours de la période d'observation. Il est ainsi aisé de comprendre que le rapport de l’incidence sur la prévalence fournit un indicateur de la concentration de la victimisation dans la population.

6 Il s’agit d’une pratique de base de statistique descriptive : l’analyse de la distribution par les caractéristiques de dispersion du nombre de victimisations par personne dans la population. Un moyen simple pour mesurer cette dispersion consiste à représenter les quantiles (des quantités) qui permettent de classer les unités statistiques (les personnes victimes) selon la valeur d’une variable (le nombre de victimisations). Un décile (un quantile d’ordre 10) représente chacune des 9 valeurs qui divisent un jeu de données en 10 parts égales, de sorte que chaque partie représente 1/10e de l'échantillon de population.

7 La notion de « loi mélange » est une expression classique de statisticiens pour exprimer une combinaison de probabilités.

8 La piste de l’hétérogénéité n’est pas abandonnée pour autant car elle intéresse la prévention situationnelle, cf. Pease, Tseloni, 2014. C’est la modélisation d’ensemble qui est mise en suspens.

9 Sur les origines de l’analyse spatio-temporelle de la victimisation à répétition, consulter Johnson et al., 1997.

10 Pour une compréhension facile de ce calcul, consulter le rapport Johnson et al., 2007. On y trouve un schéma très clair de l’opération cartographique exécuté par l’ordinateur.

11 L’une des techniques les plus connues est la méthode du noyau, dite Kernel Density Estimation (KDE).

12 Dans sa phase de développement encore la plus rudimentaire, PROMAP permet déjà à la police de patrouiller de manière stratégique et d’optimiser le déploiement des ressources toujours plus rares dans le service public. Aussi ingénieux et novateur soit-il, PROMAP ne trouvera pas le financement nécessaire à son développement, bien que deux polices en Angleterre aient expérimenté l’outil dans le cadre de programmes locaux de réduction du crime (Fielding, Jones, 2012 ; Rowley, 2013). Le logiciel PREDPOL dont l’algorithme est très proche de celui de PROMAP, connaîtra en revanche un immense succès international. Le predictive policing est devenu aux États-Unis un domaine de recherche abondement financé par le gouvernements depuis une dizaine d’années (Perry et al., 2013).

13 Et dans une moindre mesure Sandra Walklate, une analyste critique de la victimologie, qui propose une communication avec Hope en 1995 à la British Criminology Conference dans laquelle ils posent les jalons d’un programme de déconstruction de la notion de victimisation à répétition. À la même époque apparaît aussi la critique de James Lynch et ses collaborateurs qui, à partir des données longitudinales de l’enquête de victimisation américaine, remettent largement en question l’hypothèse du boost (Lynch et al., 1998).

14 Il faut souligner que Tim Hope connaît bien le monde de la prévention situationnelle. Diplômé de sociologie de la London School of Economics, Hope a d’abord intégré l’Unit en 1970 comme ingénieur de recherche et collaborateurs de Ronald Clarke. Il devient rapidement le spécialiste des effets de la prévention situationnelle dans les écoles. Mais au fur et à mesure des expérimentations, Hope s’intéresse aux points de blocage entre les normes formelles de la prévention situationnelle et les stratégies mises en œuvre sur le terrain. Montrant les limites de l’intégration concrète de la prévention situationnelle dans les politiques locales, il milite en sociologue dès le milieu des années 1980 pour que l’étude sociale du crime ne puisse plus être exclue du raisonnement des promoteurs de la prévention situationnelle. À la fin des années 1980, il propose que la prévention situationnelle soit intégrée dans un modèle de prévention moins défensif et plus social (Hope, Shaw, 1988). Avant de rejoindre le GCQ, il est déjà engagé dans une critique de la prévention situationnelle.

15 Ce que Tim Hope appelle « prévention sociale » peut autant renvoyer à la tradition des community research qu’à une analyse sociologique des contextes de mise en œuvre des technologies de sécurité. Dans cette perspective, il conduit dans les années 1980 une évaluation quasi-expérimentale de l’effet de la sécurisation de quartiers dans le cadre d’un programme d’amélioration de l’environnement de l’habitat (le Priority Estates Project Evaluation Study). Hope a beaucoup souffert du manque d’intérêt pour ce projet qu’il envisageait comme une technique d’expérimentation (sur le plan de l’évaluation) de la sécurisation des quartiers, alternative au modèle d’expérimentation de Kirkholt.

16 Voir aussi les travaux qu’il mène quelques années plus tôt avec Stevan Lab sur les facteurs prédictifs de la participation des publics à diverses formes de prévention, Hope, Lab, 2001.

17 La controverse oppose Hope et les chercheurs du JDICS qui évaluent eux aussi les mêmes programmes, sur la base de critères épistémologiques différents, et arrivent à des résultats positifs sur l’efficacité des actions menées par le gouvernement. Voir Johnson et al., 2001.

18 Dans les manuels de statistique, on lit que l’analyse en classe latente forme une classe particulière de réseaux bayésiens car il s’agit de représenter les relations de dépendance dans le groupe de variables étudiées (des catégories de crime et des caractéristiques de victime) en fonction d’une distribution de probabilités conditionnelles associée à chaque variable.

19 L’analyse de clustering fait l’objet de nombreuses critiques en criminologie, notamment celle de produire des regroupements artificiels. Hope indique le débat résumé dans Sampson, Laub, 2005.

20 L’ACL permet de faire ressortir des cohérences des réponses des enquêtés et de classes de victime selon les catégories de crime (entre 4 et 6 classes en fonction des enquêtes et des catégories). Hope et son collaborateur procèdent à deux analyses, l’une pour les atteintes à la propriété, l’autre pour les atteintes aux personnes à partir des données des grandes enquêtes de victimisation.

21 Sur la posture de science de l’ingénieur en économie, cf. Armatte, 2010.

Haut de page

Table des illustrations

Légende Fig. 1 : Le schéma proposé par Tim Hope pour représenter la sécurité comme bien mutualisé (Hope, 2006).
URL http://champpenal.revues.org/docannexe/image/9050/img-1.png
Fichier image/png, 53k
Légende Fig. 2 : Le schéma proposé par Pitcher et Johnson pour représenter l’algorithme qui simule l’action dans le temps et l’espace (Pitcher, Johnson, 2011).
URL http://champpenal.revues.org/docannexe/image/9050/img-2.png
Fichier image/png, 55k
Haut de page

Pour citer cet article

Référence électronique

Bilel Benbouzid, « De la prévention situationnelle au predictive policing », Champ pénal/Penal field [En ligne], Vol. XII | 2015, mis en ligne le 09 juin 2015, consulté le 29 mai 2017. URL : http://champpenal.revues.org/9050 ; DOI : 10.4000/champpenal.9050

Haut de page

Auteur

Bilel Benbouzid

Maître de conférences en Sociologie, Université Paris-Est, LISIS (Laboratoire Interdisciplinaire Science Innovation et Société). Contact : bilel.benbouzid198@gmail.com

Haut de page

Droits d’auteur

© Champ pénal

Haut de page
  • cnrs
  • Logo DOAJ - Directory of Open Access Journals
  • Revues.org