Niniejsza analiza stanowi projekt z przedmiotu PjR na kierunku AB

Wprowadzenie

Zbiór danych police_deaths z pakietu fivethirtyeight zawiera informacje o śmierci funkcjonariuszy policji w USA. Analiza dotyczy lat, przyczyn śmierci oraz lokalizacji. Celem projektu jest zidentyfikowanie trendów oraz potencjalnych czynników wpływających na wzrost lub spadek liczby takich przypadków. Dane na ten temat zostały zebrane przez dziennikarzy: Carl Bialik, Ritchie King and Andrew Flowers i udostępnione w tym artykule.

Wczytanie danych

Wyczytujemy dane z pakietu fivethirtyeight o nazwie police_deaths

data("police_deaths")
police <- police_deaths

Czyszczenie i przygotowanie danych

Dane składają się z 22800 rekordów i 7 zmiennych. Każdy rekord dotyczy pojedynczego przypadku śmierci.

Filtrujemy nasze dane żeby nie zawierały one wartości NA, były poprawne i nie uwzgłędniały zabitych psów policyjnych.

police_clean <- police %>%
  filter(!is.na(cause_of_death), !is.na(year), !is.na(state), canine == 'FALSE')
police_clean$state <- as.factor(police_clean$state)
police_clean$cause_of_death <- as.factor(police_clean$cause_of_death)

police_clean_pies <- police %>%
  filter(!is.na(cause_of_death), !is.na(year), !is.na(state))
police_clean$state <- as.factor(police_clean$state)
police_clean$cause_of_death <- as.factor(police_clean$cause_of_death)

Wykorzystane zmienne

W dalszej analizie wykorzystano następujące zmienne:

Zmienna	Opis
person	Imię i nazwisko funkcjonariusza (lub psa policyjnego), który zginął na służbie
cause_of_death	Główna przyczyna śmierci funkcjonariusza (np. postrzał, wypadek itp.)
date	Dokładna data śmierci
year	Rok, w którym nastąpiła śmierć
canine	Informacja, czy zmarły to pies policyjny (TRUE) czy człowiek (FALSE)
dept_name	Nazwa jednostki policji, w której pracowała zmarła osoba
state	Stan USA, w którym policjant/policjantka poniósł/poniosła śmierć

Statystyki podsumowujące wybrane zmienne przedstawiają się następująco:

knitr::kable(police_clean %>% select(date, state, cause_of_death, year) %>% summary)

date	state	cause_of_death	year
Min. :1791-01-03	TX : 1869	Gunfire :11985	Min. :1791
1st Qu.:1923-10-08	CA : 1604	Automobile accident: 2335	1st Qu.:1923
Median :1951-08-24	NY : 1571	Motorcycle accident: 1134	Median :1951
Mean :1951-08-24	US : 1216	Heart attack : 977	Mean :1951
3rd Qu.:1983-01-15	IL : 1070	Vehicular assault : 882	3rd Qu.:1983
Max. :2016-07-03	PA : 890	Struck by vehicle : 833	Max. :2016
NA	(Other):14317	(Other) : 4391	NA

Analiza

Przeprowadzona analiza obejmowała następujące zagadnienia:

analizę czasową - analiza różnych zmiennych na przesztrzeni lat

analizę przestrzenną - analiza z podziałem na poszczególne stany i departamenty w USA

analizę sprawców - przyczyny, liczbę przypadków, czy śmierć poniósł policjant, czy pies policyjny

Analiza czasowa

Liczba zgonów rocznie

police_clean  %>% 
  group_by(year) %>%
  summarise(n = n(), .groups = "drop") %>%
  ggplot(aes(x = year, y = n)) +
  geom_line(color = "steelblue", linewidth = 1.2) +
  geom_point(color = "darkblue") +
  labs(title = "Liczba śmierci policjantów rocznie",
       x = "Rok", y = "Liczba zgonów")+
    theme_bw()

Liczba zgonów funkcjonariuszy zmienia się w czasie. W niektórych latach widać wyraźne wzrosty, które mogą być powiązane z wydarzeniami społecznymi (np. zamieszki) lub zmianami w polityce bezpieczeństwa.

Rok vs przyczyna śmierci funkcjonariusza policji

translations <- tibble::tibble(
  cause_of_death = c("Assault", "Automobile accident", "Gunfire", "Gunfire (Accidental)", 
                     "Heart attack", "Motorcycle accident", "Stabbed", "Struck by vehicle", 
                     "Vehicle pursuit", "Vehicular assault"),
  cause_pl = c("Atak fizyczny", "Wypadek samochodowy", "Postrzelenie", "Postrzelenie (przypadkowe)",
               "Zawał serca", "Wypadek motocyklowy", "Dźgnięcie", "Potrącenie pojazdem",
               "Pościg pojazdem", "Napaść pojazdem"))

police_clean %>%
  filter(cause_of_death %in% translations$cause_of_death) %>%
  left_join(translations, by = "cause_of_death") %>%
  count(year, cause_pl) %>%
  ggplot(aes(x = year, y = n, fill = cause_pl)) +
  geom_area() +
  labs(title = "Zgony wg 10 najczęstszych przyczyn w czasie",
       x = "Rok", y = "Liczba zgonów", fill = "Przyczyna ") +
  theme_minimal()

Wykres pokazuje, że postrzelenia były przez wiele lat najczęstszą przyczyną śmierci funkcjonariuszy. Z czasem zaczęły się pojawiać inne przyczyny, takie jak wypadki czy zawały. W ostatnich latach liczba zgonów stopniowo spada, co może świadczyć o poprawie bezpieczeństwa służby.

Liczba smierci funkcjonariuszy policji w każdym wieku

police_clean %>% 
    mutate(wiek= ifelse(year >=2001,'XXI_wiek', 
                                     ifelse(year >= 1901, 'XX_wiek', 
                                            ifelse(year >= 1801, 'XIX_wiek', 'XVIII_wiek'))),
                        wiek = factor(wiek, levels = c('XXI_wiek', 'XX_wiek', 'XIX_wiek', 'XVIII_wiek'))) %>% 
    group_by(year, wiek)%>%
    summarise(liczba_smierci=n()) %>% 
    ggplot(aes(x = year, y = liczba_smierci ))+
    geom_col(col = 'black', fill = 'red')+
    facet_wrap(~wiek, scales = 'free')+
    theme_bw()

Wykres przedstawia liczbę zgonów funkcjonariuszy w podziale na wieki. Najwięcej zgonów odnotowano w XX wieku, jednak po uwzględnieniu długości okresów (100 lat vs 15 lat), średnia roczna liczba zgonów w XX i XXI wieku jest zbliżona (odpowiednio 180 i 167), co oznacza, że różnice są niewielkie

knitr::kable( police_clean %>% 
     mutate(wiek= ifelse(year >=2001,'XXI_wiek', 
                         ifelse(year >= 1901, 'XX_wiek', 
                                ifelse(year >= 1801, 'XIX_wiek', 'XVIII_wiek'))),
            wiek = factor(wiek, levels = c('XXI_wiek', 'XX_wiek', 'XIX_wiek', 'XVIII_wiek'))) %>%
     group_by(wiek) %>%
     summarise(
         liczebność = n(),
         liczba_lat_w_wieku = case_when(
             cur_group()$wiek == 'XXI_wiek' ~ 15,
             cur_group()$wiek == 'XIX_wiek' ~ 100,
             cur_group()$wiek == 'XVIII_wiek' ~ 9,
             TRUE ~ 100),
         średnie_smierci_rocznie = round(liczebność/liczba_lat_w_wieku, 0)))

wiek	liczebność	liczba_lat_w_wieku	średnie_smierci_rocznie
XXI_wiek	2499	15	167
XX_wiek	18027	100	180
XIX_wiek	2006	100	20
XVIII_wiek	5	9	1

Analiza przestrzenna

Zgony funkcjonariuszy według stanów (top 10)

state_names <- tibble::tibble(
  state = state.abb,
  full_name = state.name
) %>%
  bind_rows(tibble(state = "US", full_name = "United States"))


top10 <- police_clean %>%
  group_by(state) %>%
  summarise(n = n(), .groups = "drop") %>%
  arrange(desc(n)) %>%
  slice_max(n, n = 10) %>%
  left_join(state_names, by = "state")


t <- top10 %>%
  rowwise() %>%
  mutate(x = list(1:n)) %>%
  unnest(x) %>%
  mutate(value = x) %>%
  select(-state) %>% 
  rename(state = full_name, y = n)

ggplot(top10, aes(x = n, y = reorder(full_name, n), fill = n)) +
  geom_col() +
  geom_text(aes(label = n), hjust = -0.1, size = 3.5, color = "black") +
  scale_fill_gradient(low = "forestgreen", high = "red") +
  labs(
    title = "Top 10 stanów z największą liczbą zgonów",
    x = "Liczba zgonów",
    y = "Stan"
  ) +
  theme_minimal() +
  theme(legend.position = "none") +
  xlim(0, max(top10$n) * 1.1)

Największa liczba zgonów przypada na stany z dużymi populacjami jak Texas, California i New York. Jest to częściowo efektem liczby funkcjonariuszy i skali przestępczości.

Mapa USA – liczba zgonów według stanu

state_data <- police_clean %>% 
  group_by(state) %>%
  summarise(deaths = n(), .groups = "drop")

plot_usmap(data = state_data, values = "deaths", color = "white") +
  scale_fill_continuous(name = "Zgony", label = scales::comma) +
  labs(title = "Liczba zgonów funkcjonariuszy według stanu (USA)") +
  theme(legend.position = "right")

Mapa pokazuje silne zróżnicowanie geograficzne. Najwięcej zgonów występuje w południowych i zachodnich stanach. Regiony wiejskie mają mniejszą liczbę przypadków.

Zgony według departamentu (top 10)

police_clean %>%
  filter(!is.na(dept_name)) %>%
  group_by(dept_name) %>%
  summarize(n = n(), .groups = "drop") %>%
  arrange(desc(n)) %>%
  slice_max(n, n = 10) %>%
  ggplot(aes(x = reorder(dept_name, n), y = n)) +
  geom_col(fill = "purple") +
  geom_text(aes(label = n), hjust = -0.3, size = 3.5) + 
  coord_flip(clip = "off") +  
  labs(
    title = "Top 10 departamentów\nz największą liczbą zgonów",
    x = "Departament",
    y = "Liczba zgonów"
  ) +
  theme_minimal() +
  theme(
    plot.title = element_text(size = 14, face = "bold"),
    plot.margin = margin(10, 30, 10, 10))

Największe jednostki organizacyjne, takie jak New York Police Department, znajdują się na szczycie listy. Może to odzwierciedlać zarówno skalę działania, jak i ryzyko operacyjne.

Analiza sprawców

Przyczyny śmierci funkcjonariuszy z podziałem na incydentalne i zamierzone

tlumaczenia <- tibble::tibble(
  cause_of_death = c(
    "Gunfire", "Gunfire (Accidental)", "Assault", "Stabbed", "Terrorist attack",
    "Automobile accident", "Motorcycle accident", "Heart attack", "Vehicle pursuit",
    "Struck by vehicle", "Vehicular assault", "Drowned", "Electrocuted",
    "Training accident", "Explosion", "Fire", "Bomb", "Exposure", "Exposure to toxins",
    "Fall", "Animal related", "Accidental", "Struck by streetcar", "Struck by train",
    "Weather/Natural disaster", "Boating accident", "Aircraft accident",
    "Structure collapse", "9/11 related illness", "Duty related illness",
    "Unidentified", "Train accident", "Bicycle accident", "Poisoned",
    "Heat exhaustion"
  ),
  przyczyna_pl = c(
    "Postrzelenie", "Postrzelenie (przypadkowe)", "Atak fizyczny", "Dźgnięcie", "Atak terrorystyczny",
    "Wypadek samochodowy", "Wypadek motocyklowy", "Zawał serca", "Pościg pojazdem",
    "Potrącenie przez pojazd", "Atak z użyciem pojazdu", "Utonięcie", "Porażenie prądem",
    "Wypadek treningowy", "Eksplozja", "Pożar", "Bomba", "Narażenie na czynniki szkodliwe", "Kontakt z toksynami",
    "Upadek", "Zwierzę", "Wypadek", "Potrącenie przez tramwaj", "Potrącenie przez pociąg",
    "Katastrofa naturalna", "Wypadek łodzi", "Katastrofa lotnicza",
    "Zawalenie konstrukcji", "Choroba związana z zamachem z 11 września(WTC)", "Choroba służbowa",
    "Nieokreślone", "Wypadek kolejowy", "Wypadek rowerowy", "Otrucie",
    "Przegrzanie organizmu"
  )
)


tabela <- police_clean %>%
  mutate(
    kategoria = case_when(
      cause_of_death %in% c("Gunfire", 'Vehicular assault', 'Bomb', 'Explosion', "Assault", "Stabbed", "Terrorist attack", 'Poisoned') ~ "Zamierzone (atak/sprawca)",
      TRUE ~ "Incydentalne (choroba/wypadek)"
    )
  ) %>%
  count(cause_of_death, kategoria, sort = TRUE) %>%
  left_join(tlumaczenia, by = "cause_of_death") %>%
  rename("Przyczyna (EN)" = cause_of_death,
         "Przyczyna (PL)" = przyczyna_pl,
         "Kategoria" = kategoria,
         "Liczba przypadków" = n) %>%
  select(`Przyczyna (EN)`, `Przyczyna (PL)`, Kategoria, `Liczba przypadków`)


tabela %>%
  kbl(caption = "", align = "lclc") %>%
  kable_styling(full_width = FALSE, position = "center", font_size = 14)


Przyczyna (EN)	Przyczyna (PL)	Kategoria	Liczba przypadków
Gunfire	Postrzelenie	Zamierzone (atak/sprawca)	11985
Automobile accident	Wypadek samochodowy	Incydentalne (choroba/wypadek)	2335
Motorcycle accident	Wypadek motocyklowy	Incydentalne (choroba/wypadek)	1134
Heart attack	Zawał serca	Incydentalne (choroba/wypadek)	977
Vehicular assault	Atak z użyciem pojazdu	Zamierzone (atak/sprawca)	882
Struck by vehicle	Potrącenie przez pojazd	Incydentalne (choroba/wypadek)	833
Vehicle pursuit	Pościg pojazdem	Incydentalne (choroba/wypadek)	627
Assault	Atak fizyczny	Zamierzone (atak/sprawca)	608
Gunfire (Accidental)	Postrzelenie (przypadkowe)	Incydentalne (choroba/wypadek)	593
Stabbed	Dźgnięcie	Zamierzone (atak/sprawca)	447
Aircraft accident	Katastrofa lotnicza	Incydentalne (choroba/wypadek)	381
Drowned	Utonięcie	Incydentalne (choroba/wypadek)	256
Struck by train	Potrącenie przez pociąg	Incydentalne (choroba/wypadek)	253
Fall	Upadek	Incydentalne (choroba/wypadek)	183
Duty related illness	Choroba służbowa	Incydentalne (choroba/wypadek)	164
9/11 related illness	Choroba związana z zamachem z 11 września(WTC)	Incydentalne (choroba/wypadek)	110
Terrorist attack	Atak terrorystyczny	Zamierzone (atak/sprawca)	84
Electrocuted	Porażenie prądem	Incydentalne (choroba/wypadek)	83
Accidental	Wypadek	Incydentalne (choroba/wypadek)	78
Animal related	Zwierzę	Incydentalne (choroba/wypadek)	77
Struck by streetcar	Potrącenie przez tramwaj	Incydentalne (choroba/wypadek)	68
Fire	Pożar	Incydentalne (choroba/wypadek)	61
Explosion	Eksplozja	Zamierzone (atak/sprawca)	58
Bomb	Bomba	Zamierzone (atak/sprawca)	57
Exposure to toxins	Kontakt z toksynami	Incydentalne (choroba/wypadek)	42
Weather/Natural disaster	Katastrofa naturalna	Incydentalne (choroba/wypadek)	33
Training accident	Wypadek treningowy	Incydentalne (choroba/wypadek)	25
Structure collapse	Zawalenie konstrukcji	Incydentalne (choroba/wypadek)	23
Train accident	Wypadek kolejowy	Incydentalne (choroba/wypadek)	18
Exposure	Narażenie na czynniki szkodliwe	Incydentalne (choroba/wypadek)	14
Heat exhaustion	Przegrzanie organizmu	Incydentalne (choroba/wypadek)	14
Bicycle accident	Wypadek rowerowy	Incydentalne (choroba/wypadek)	13
Boating accident	Wypadek łodzi	Incydentalne (choroba/wypadek)	13
Unidentified	Nieokreślone	Incydentalne (choroba/wypadek)	6
Poisoned	Otrucie	Zamierzone (atak/sprawca)	2

Najczęstszą przyczyną śmierci są postrzelenia, a dalej wypadki komunikacyjne i zawały serca. Widać dominację przyczyn związanych z przemocą fizyczną lub stresem.

police_clean %>%
  mutate(kategoria = ifelse(cause_of_death %in% c("Gunfire", "Assault", "Stabbed", "Terrorist attack"),
                             "Zamierzone", "Incydentalne")) %>%
  group_by(year, kategoria) %>%
  summarise(n = n(), .groups = "drop") %>%
  ggplot(aes(x = year, y = n, fill = kategoria)) +
  geom_area(alpha = 0.7) +
  scale_fill_manual(values = c("Zamierzone" = "firebrick", "Incydentalne" = "steelblue")) +
  labs(title = "Zgony funkcjonariuszy wg typu przyczyny (obszarowy)",
       x = "Rok", y = "Liczba zgonów", fill = "Typ przyczyny") +
  theme_minimal()

Na przestrzeni lat obserwujemy przewagę zgonów z przyczyn incydentalnych (np. wypadki, choroby), jednak zamierzone przyczyny (atak, postrzelenie) również stanowią znaczną część i w niektórych okresach, jak lata 30. i 70. XX wieku, ich liczba znacząco rosła. W ostatnich dekadach ogólna liczba zgonów maleje, co może świadczyć o poprawie warunków bezpieczeństwa.

Czy zabitym był pies policyjny?

police_clean_pies %>% mutate(canine = factor(canine, levels = c('FALSE', 'TRUE'), 
                                        labels = c('Policjant', 'Pies'))) %>%
    ggplot(aes(x = canine, fill = canine))+
    geom_bar(col = 'black')+
    labs(title = "Porównanie ilości przypadków smierci policjanta lub psa policyjnego",
       x = "Czy zmarłym był pies policyjny", y = "ilość przypadków",
       fill = "")+
    theme_bw()+
    geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5, fontface = "bold")

Z danej analizy możemy zauważyć, że podczas większości przypadków zmarłym był człowiek-funkcjonariusz policji i tylko podczas 263 przypadkach to był pies policyjny.

Wnioski

Najczęstszą przyczyną śmierci funkcjonariuszy były postrzelenia.
Stany o dużej populacji mają najwięcej zgonów.
Mapa i wykresy pokazują wyraźne różnice regionalne.
Departamenty miejskie są najbardziej narażone.
Czasowe rozkłady przyczyn śmierci wskazują na zmieniający się charakter zagrożeń.
Największa gęstość smierci rocznie miała miejsce w XX i XXI wieku.

Co dalej?

W niniejszym projekcie skupiliśmy się na podstawowym podziale danych według wieku (wieków historycznych), liczby zgonów oraz ich średnich rocznych. Dalsze analizy mogłyby pogłębić wnioski i odpowiedzieć na bardziej szczegółowe pytania. W szczególności warto byłoby:

Uwzględnić dodatkowe zmienne: np. płeć, itp.
Zbadać sezonowość: czy zjawisko zgonów wykazuje cykliczność w ciągu roku?
Porównać z danymi z innych krajów lub zawodów: np. strażaków lub pracowników ochrony, aby przeanalizować wyniki w szerszym kontekście.

Dzięki tym analizom możliwe byłoby stworzenie pełniejszego obrazu dynamiki zjawiska oraz wskazanie potencjalnych obszarów wymagających interwencji lub zmian w polityce bezpieczeństwa.

Analiza danych: Police Deaths

Projekt 2025| Jakub Hajduk