رویکرد پیش بینانه به جرایم تروریستی

نوع مقاله : مقاله علمی - پژوهشی مستقل

نویسندگان

1 دانشجوی دکتری حقوق کیفری و جرم شناسی، دانشگاه شهید بهشتی، تهران، ایران،

2 دانشیار حقوق کیفری و جرم شناسی، دانشگاه شهید بهشتی، تهران، ایران،

چکیده

هدف: تروریسم موجب گسترش خشونت، تهدیدِ امنیت، اثرات منفی بر ابعاد اقتصادی، فرهنگی، اجتماعی و سیاسی جوامع مختلف، رشد فزاینده ناامنی در جهان شده و در نتیجه، حساسیتِ کنش‌گران عدالت کیفری از جمله پلیس، به این موضوع را به‌دنبال داشته است. در سال­های اخیر پلیس با رویکردی پیش­ بینانه در چارچوب مدیریت جرم­ شناختی خطر جرم، به‌صورت عمده به‌دنبال پیش­ بینی جرم تروریستی و شناسایی متغیرهای پُرخطر؛ شامل افرادی یا مکان­ هایی است که بیشتر در معرض ارتکاب جرم قرار دارند.
روش: روش تحقیق در این پژوهش توصیفی- تحلیلی است که اطلاعات اولیه آن از طریق منابع کتابخانه­ ای گردآوری شده­ اند. پس از تحلیل داده­ های اولیه، نتایج حاصل از مطالعه نظری به‌دست آمد. بر این اساس، سعی شده تا با ارائه برخی مدل­ ها موضوع به‌طور دقیق­ تری تبیین شود.
یافته­ ها: یافته­ های تحقیق نشان داد که پلیس با سیاست­ های کنترل جرایم تروریستی امروزه بیشتر به سمت پیش­ بینی از طریق مدل­ های آماری و اطلاعاتی و در شکلِ جدید آن از طریق هوش مصنوعی رفته است. هم‌چنین، گروه­ ها و مکان­ های پُرخطر، مانند مهاجران و مکان­ های پُرازدحام در اولویت رویکردهای پلیسی به جرایم تروریستی است.
نتیجه­ گیری: پیش­ بینی جرم و شناسایی متغیرهای خطرزای تروریستی نقش مؤثری در شناخت زمینه‌های ارتکاب جرم تروریستی توسط پلیس دارند. بر این اساس، گسترش اعمال تروریستی و سپس، امنیت­ گرایی موجب نفوذِ سیاست­ های عوام­ گرایانه در رویکردهای پلیسی برای شناسایی برخی متغیرها مانند قرار دادنِ مهاجران یا مکان­ های پُر ازدحام در گروه متغیرهای پُرخطر شده است. در نهایت، تمرکز پلیس ایران باید با کاهش رویکردهای واکنشی به سمت پیش­ بینی و شناسایی خطرهای تروریستی با روش­ ها و مدل­ های اطلاعاتی و آماری حرکت نمایند که می­ تواند در کاهش جرایم تروریستی تأثیرگذار باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Predictive approach to terrorist crimes

نویسندگان [English]

  • farhad shahideh 1
  • bagher shamloo 2
1 PhD Candidate in Criminal Law and Criminology, Shahid Beheshti University, Tehran, Iran, Email: farhad_shahideh@yahoo.com
2 Associate Professor in Criminal Law and Criminology, Shahid Beheshti University, Tehran, Iran, (Corresponding Author).
چکیده [English]

Background and objective: Terrorism has led to the spread of violence, threats to security, negative effects on the economic, cultural, social and political dimensions of different societies, growing insecurity in the world, and as a result, the sensitivity of criminal justice activists, including the police, to this issue. In recent years, the police, with a predictive approach in the framework of criminological crime risk management, mainly are seeking to predict terrorist crime and identify high-risk variables, including people or places that are most prone to crime.
Methods: The research method in this research is descriptive-analytical, the primary data of which has been collected through library sources. After analyzing the initial data, the results of the theoretical study were obtained. Accordingly, an attempt has been made to explain the issue more precisely by presenting some models.
Findings: The findings of the study showed that the police with the policies of controlling terrorist crimes today are more towards forecasting through statistical and information models and in its new form through artificial intelligence. Also, high-risk groups and places, such as immigrants and crowded places, are a priority for police approaches to terrorist crimes.
Results: Crime prediction and identification of dangerous terrorist variables play an effective role in identifying the context, in which the terrorist crime was committed, by the police. Accordingly, the spread of terrorist acts and, subsequently, securityism has led populist policies to influence police approaches to identifying certain variables, such as the placement of immigrants or crowded places in the group of high-risk variables. Finally, the focus of the Iranian police should be on reducing predictive approaches to forecasting and identifying terrorist threats with information and statistical methods and models that can be effective in reducing terrorist crimes.

کلیدواژه‌ها [English]

  • crime prediction
  • Identification
  • Security
  • terrorism
  1. پاک نهاد، امیر. (1394). سیاست جنایی ریسک مدار. نشر میزان.
  2. رضوانی، سودابه. (1396). مدیریت ریسک جرم. دانشنامه علوم جنایی اقتصادی. به کوشش امیرحسن نیازپور. نشر میزان.
  3. رضوانی، سودابه. (1396). مفهوم خطرناکی در گستره علوم جنایی . نشر میزان.
  4. غلامی، حسین. (1381). پیش­بینی جرم. مجله الهیات و حقوق، 2 (6)، 61-78.

http://ensani.ir/fa/article/189019

  1. کارگری، نوروز. (1398). مقابله با تروریسم از طریق مدیریت ریسک. فصلنامه تخصصی علوم سیاسی، 15 (48)، 181-204.

http://psq.kiau.ac.ir/article_672823.html

  1. گرشاسبی، رضا؛ کریمی مله. علی. (1397)، کودکان داعش: از درون‌فکنی ایستار تکفیری تا برون‌فکنی رفتار تسخیری، پژوهش‌های سیاسی جهان اسلام، 8 (1)، 1-28.                    http://priw.ir/article-1-214-fa.html
  2. مکیو. کولین. (1396). پیش­بینی در تحلیل اطلاعات جرم. ترجمه معاونت پژوهش و تولید علم. مؤسسه چاپ و انتشارات دانشکده اطلاعات.
  3. هالوِی. گابریل. (1397). مسئولیت کیفری ربات­ها: هوش مصنوعی در قلمرو حقوق کیفری. ترجمه فرهاد شاهیده و طاهره قوانلو. نشر میزان.
  4. خبرگزاری ایسنا. (1396، 28 آبان). طرح مقابله با مساجد و تشکیلات سلفی‌های افراطی در آلمان، قابل دسترس در: https://www.isna.ir/print/96082816110/
  5. Abbas, T .(2007). Muslim Minorities in Britain: Integration, Multiculturalism and Radicalism in the Post-7/7 Period’, Journal of Intercultural Studies, 28(3), 287-300.

DOI:10.1080/07256860701429717

  1. Allen, C., & Nielsen, J. (2002). Summary Report on Islamophobia in the EU After 11 September 2001. Vienna: European Monitoring Centre on Racism and Xenophobia.
  2. Ameli, S., & Marandi, M., & Ahmed, S., & Kara, S., & Merali, A. (2007). The British Media and Muslim Representation: The Ideology of Demonisation. Islamic Human Rights Commission.
  3. Carley, K. (2013). Dynamic Network Analysis, Alphascript Publishing.
  4. Drakopoulos, S.A. (1994). Hierarchical Choice in Economics, Journal of Economic Surveys, 8. 133-155.

DOI:org/10.1111/j.1467-6419.1994.tb00097.x

  1. Duoyong, S., & Zhu, R., & Li, B. (2015). Agent based modeling on organizational dynamics of terrorist network, Discrete Dynamics in Nature and Society, 2015. 1-17.

DOI:10.1155/2015/237809

  1. Evans, J. (2007). Intelligence, Counter-terrorism and Trust. Security Service.
  2. Farrington, D.P. (2000). Explaining and preventing crime: The globalization of knowledge- The American Society of Criminology 1999 presidential address, Criminology 38(1), 1-24. DOI:org/10.1111/j.1745-9125.2000.tb00881.x
  3. Fekete, L., & Webber, F. (2010). Foreign nationals, enemy penology and the criminal justice system, Race and class, Institute of Race Relations, 4(51), 1-25.

DOI:10.1177/0306396810362868

  1. Fenwick, H & Choudhury, T. (2011). The Impact of Counter-terrorism Measures on Muslim Communities, Equality and Human Rights Commission Research Report Series, 72. 151-181. DOI:10.1080/13600869.2011.617491
  2. Gao, S., & Wu, (2015). Period analysis and trend forecast for soil temperature in the Qinghai-Xizang Highway by wavelet transformation, Environmental Earth Sciences, 74(4), 2883-2991.
  3. Garland, J., & Spalek, B., & Chakraborti, N. (2006). Hearing Lost Voices: Issues in Researching ‘Hidden’ Minority Ethnic Communities, British Journal of Criminology, 46, 423-437. DOI: org/10.1093/bjc/azi078
  4. Gleditsch, K., & Ward, M. (2000). Peace and War in Time and Space: The Role of Democratization. International Studies Quarterly, 44, 1-29. https://www.jstor.org/stable/3013967
  5. Heaven, O., & Hudson, B. (2007), Race, Ethnicity and Crime, in: Hale, C., Hayward, K., Wahidin, A. and Wincup, E. eds. Criminology. Oxford: Oxford University Press.
  6. Home Office. (2007). Preventing Violent Extremism: A Strategy for Delivery. HM Government: London.
  7. Hudson, B. (2003). Justice in the Risk Society: Challenging and re-affirming justice in late modernity. London: Sage.
  8. Hudson, B., & Bramhall, G. (2005). Assessing the ‘Other’: Constructions of ‘Asianness in Risk Assessments by Probation Officers’, British Journal of Criminology, 45(5). DOI:org/10.1093/bjc/azi002
  9. Khan, F., & Mythen, G. (2008). Negotiating the Third Space: Shifting Identities amongst Young British Muslims, ESRC Muslim Geographies Conference, the University of Liverpool, UK, 4th April.
  10. Kumar, P., & Krishna, R., & Raju, B. (2019). Pattern discovery using sequence data mining, Applications and studies.
  11. LaFree, G., & Dugan, , & Xie, M., & Singh, P. (2012). Spatial and Temporal Patterns of Terrorist Attacks by ETA 1970 to 2007, Journal of Quantitative Criminology, 28(1), 7-29. https://www.jstor.org/stable/43551920
  12. Li, Q. (2005). Does Democracy Promote or Reduce Transnational Terrorist Incidents?, Journal of Conflict Resolution, 49(2), 278-297. DOI:1177/0022002704272830
  13. Metropolitan Police Service. (2009). Stop and Search Monitoring Report, London: MPS.
  14. Newburn, T. (2007). Criminology, United Stated, Willan Publishing.
  15. Raghavan, V., & Galstyan, A., & Tartakovsky, A. (2013). Hidden Markov models for the activity profle of terrorist groups, Te Annals of Applied Statistics, 7(4), 2402-2430. DOI:1214/13-AOAS682
  16. Sheehan, I. S., (2012). Assessing and comparing data sources for terrorism research, In: C. Lum & L. W. Kennedy (Eds.), Evidence‐based counterterrorism policy, New York, NY: Springer.
  17. Subrahmanian, A., & Mannes, A & Sliva, A & Shakarian, J & Dickerson, J. (2012). Computational Analysis of Terrorist Groups: Lashkar-e-Taiba, Springer Science and Business Media.
  18. (June, 2020). Number of terrorist attacks worldwide between 2006 and 2019, Available at:

https://www.statista.com/statistics/202864