Stop and frisk har ofta kritiserats som ett sätt att rikta in sig på minoriteter. Kredit:Dmitry Kalinovsky/shutterstock.com
Donald Trump har viftat runt med orden "stop and frisk" som en banderoll för att bota våldsbrott i amerikanska städer.
Det betyder att det är dags att ta en tillbakablick på en av de främsta kritikerna mot denna polispraxis:rasprofilering.
American Civil Liberties Union definierar rasprofilering som "den diskriminerande praxis av brottsbekämpande tjänstemän att rikta in sig på individer för misstanke om brott baserat på individens ras, etnicitet, religion eller nationellt ursprung." Detta inkluderar polis som använder ras för att avgöra vilka förare som ska stanna för rutinmässiga trafiköverträdelser eller vilka fotgängare som ska söka efter illegal smuggelgods.
Den oundvikliga frågan är vilken procent av minoriteterna polisen ska stoppa, statistiskt sett. Men standardmetoderna för att avgöra vem som är skyldig till rasprofilering är inte statistiskt korrekta. Vi arbetar med Bureau of Research and Analysis vid St. Louis County Police Department för att skapa ett starkare mått.
Folkräkningsbaserad benchmarking
I allmänhet, det finns två typer av tester som används för att identifiera mönster av rasprofilering.
Den första, "benchmarking, " innebär helt enkelt att jämföra andelen stopp för personer av en specifik ras med andelen av den minoriteten i det geografiska området.
Benchmarking användes i en ofta citerad rapport från 1999 av New Yorks justitieminister om New Yorks polisavdelnings stopp-och-frisk-praxis. Poliser patrullerade i och runt privata bostadshus och stoppade personer som de trodde gjorde intrång. 1999, 25,6 procent av stadens befolkning var svarta, utgjorde ändå 50,6 procent av alla personer som stoppades. I ett federalt domstolsfall 2013, domaren slog fast att stop and frisk hade använts på ett grundlagsstridigt sätt.
Dock, i benchmarking, siffrorna är baserade på folkräkningsdata, vilket kan ge en mycket missvisande uppfattning. Till exempel, ta stad och land, Missouri, en stad med endast 12,2 procent icke-vit befolkning. Mer än 20 procent av förra årets trafikstopp involverade minoriteter. Dock, Town and Country har två stora motorvägar som går genom den. Hur fångas de tiotusentals bilister som kör på dessa mellanstatliga vägar i riktmärket?
Folkräkningsdata tar inte hänsyn till några utländska invånare. För alla patrullområden i St. Louis County Police Department, endast 44,6 procent av förarna som stoppades av polisen bodde faktiskt i St. Louis County. Bara detta visar att folkräkningsdata inte är en användbar källa för att fastställa rasprofilering.
Vad mer, poliser beordras ofta att patrullera områden med "hög brottslighet". Statistiskt sett, dessa är till övervägande del minoritetsområden. Så, oundvikligen, det kommer att bli fler stopp i de utsedda områdena med hög brottslighet. Eftersom data vanligtvis observeras på en stad, läns- eller distriktsnivå, demografin i dessa områden med hög brottslighet är fördunklad.
Träffhastighet
En annan typ av test tittar på stop-and-frisks "träfffrekvens" – det vill säga, andelen sökningar som faktiskt leder till upptäckten av vapen, droger eller annat smuggelgods.
I vissa stater, som North Carolina, medan en högre andel av en minoritet söktes, det var faktiskt en mindre sannolik chans att poliserna upptäckte illegal smuggelgods. Detta visades som bevis på rasprofilering.
Ett problem här är att de flesta träfffrekvenser involverar alla sökningar, oavsett typ. Detta inkluderar husrannsakan efter gripanden för utestående order. Det betyder att den slutliga träfffrekvensen kan vara missvisande, inklusive sökningar som gjorts som en del av rutinbehandling.
2016, forskare vid Stanford publicerade en ny typ av test som analyserar fyra variabler:förarens ras, avdelningen för officer som stannar, om stoppet resulterade i en sökning och om olagligt smuggelgods hittats. Detta mått är utformat för att ge en "ögonblicksbild av officerens tröskel för misstanke innan han letar efter en person av en viss ras."
Dock, som författarna särskilt diskuterar, det finns inget sätt att definitivt dra slutsatsen att skillnaderna som visas av detta mått nödvändigtvis härrör från rasfördomar. Vad mer, Stanford's metric is too complicated for every precinct in the U.S. to use due to lack of detailed data and the complex analysis required.
A proposed metric
Given the drawbacks of current methods used to detect racial profiling, the U.S. needs a new way to detect racial profiling among police officers. We suggest something that is simple, understandable and easily applied across the country:a method called intrapopulation comparison.
Say one precinct has 100 police officers. Some officers stop fewer minorities, some stop more, while most officers are somewhere in the middle. Each officer is assigned a score, showing how far he or she individually deviates from the average. If the officer deviates too far, he or she is flagged and that case is looked at more carefully.
This concept was first introduced in the early 2000s. Why aren't more precincts using this method? Most likely the same reason most practices stay in place past their prime:habit. We're currently collecting data and studying how this metric might work for the St. Louis County Police Department.
Intrapopulation comparison allows us to flag individual officers, while addressing the issues that come with benchmarks or hit rates, like commuters and census data. The officers are compared with other officers in similar situations. The basis for identifying an officer in this system is that he or she is statistically different from the peer group.
A glaring issue with this approach is that an entire precinct could be racially biased. Men, inevitably, there will be major outliers.
Racial profiling is a critical issue for law enforcement and the nation. Police departments have to demonstrate that they serve citizens in an impartial manner. We believe that this metric is simple and understandable, and it serves as an early warning system that will get closer to the root of the problem – individual officers who racially profile.
Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.