Relations statistiques entre les tendances de la criminalité et les principales tendances socioéconomiques¹

Dans la présente section, on explore les relations statistiques entre l'évolution des taux de criminalité et un certain nombre de tendances économiques et sociodémographiques au macroniveau. On s'intéresse à quatre principaux types d'infractions pour la période de 1962 à 2003 : les homicides, les vols qualifiés, les introductions par effraction et les vols de véhicules à moteur. Ces types d'infractions ont été choisis pour l'analyse de séries chronologiques parce qu'ils ont été déclarés de façon relativement constante dans le cadre du Programme de déclaration uniforme de la criminalité et aussi parce qu'ils sont moins susceptibles que d'autres types d'infractions (comme l'agression sexuelle, les voies de fait, les infractions relatives aux drogues et la prostitution) de faire l'objet de modifications dans la législation et les pratiques de mise en accusation de la police ou les habitudes de déclaration des victimes. De plus, on suppose, comme d'autres (Cantor et Land, 1985), que différents facteurs influent sur divers crimes. Afin de tenir compte des différences de la relation entre les variables explicatives et la criminalité, on se penche sur certains types d'infractions plutôt que sur les taux globaux de crimes avec violence ou de crimes contre les biens.

La méthode statistique retenue pour cette étude est celle de l'analyse de séries chronologiques. Cette méthode a été utilisée par un certain nombre de chercheurs pour examiner le lien entre certains types de crimes et l'évolution économique et démographique (LaFree, 1999 ; LaFree et coll., 1992; Cohen et Land, 1987). Ce rapport est fondé sur l'analyse de séries chronologiques, étant donné que les variables analysées sont dans un ordre chronologique (p. ex. tendances des taux de criminalité et des taux de chômage). Cette méthode offre l'avantage de pouvoir tenir compte de ce qui s'est produit au cours des 12 ou 24 mois précédents et de faire des comparaisons entre les variables pour l'année courante. En outre, elle offre la souplesse nécessaire pour examiner d'importantes questions, notamment celle de la présence d'une corrélation entre les taux de chômage et les taux de criminalité dans l'année courante ou après un décalage d'un ou de deux ans.

L'une des principales limites de l'analyse de séries chronologiques est qu'il n'est possible d'inclure que les facteurs qui ont été mesurés et consignés annuellement à divers moments. Cette contrainte élimine forcément la principale source de données statistiques sur les caractéristiques de la population, soit le recensement quinquennal. Il y a toutefois des exceptions importantes, comme l'âge et le sexe de la population, variables qui sont disponibles chaque année grâce aux estimations intercensitaires. Le tableau 5 présente le large éventail d'indicateurs sociodémographiques et économiques pris en compte dans la présente analyse, et indique leur source et la période pour laquelle elles sont disponibles.

En outre, il est important dans une analyse de séries chronologiques que toutes les variables soient disponibles pour la même longue période. Malheureusement, des mesures qui pourraient être importantes, comme les mesures relatives aux familles monoparentales, ainsi qu'un certain nombre d'indicateurs économiques, dont le faible revenu ou le pourcentage de familles touchant des prestations d'assurance-emploi ou d'aide sociale, ne sont disponibles que depuis 1980. Comme il fallait une série chronologique plus longue pour donner des estimations fiables, il a été décidé de limiter l'analyse aux variables disponibles pour les années qui concordent relativement bien avec les taux de criminalité du Programme de déclaration uniforme de la criminalité : 1962 à 2003. Ces variables sont marquées d'un astérisque dans le tableau 5. Cette série chronologique plus longue fournit le plus grand nombre de degrés de liberté et des modèles de séries chronologiques plus robustes.

Description des variables
Méthodes pour l'analyse des séries chronologiques
Résultats de l'analyse multidimensionnelle
Discussion

Haut de la page

Description des variables

Taux de criminalité

La principale source d'information sur les tendances de la criminalité au Canada est le Programme de déclaration uniforme de la criminalité de Statistique Canada . Depuis 1962, tous les services de police dans l'ensemble du pays déclarent les statistiques sommaires suivantes dans le cadre de ce Programme  :

1. les infractions criminelles connues de la police;
2. les infractions non fondées (jugées ne pas constituer un crime à la suite d'une enquête policière);
3. les infractions criminelles réelles (celles qui sont jugées fondées);
4. le nombre d'infractions classées par mise en accusation ou sans mise en accusation;
5. le nombre d'adultes et de jeunes inculpés.

Variables socioéconomiques

Les variables prédictives utilisées dans cette analyse ont été choisies en fonction, d'une part, de leur pertinence par rapport aux explications criminologiques résumées précédemment dans ce rapport, et, d'autre part, de leur disponibilité dans une série chronologique remontant jusqu'à 1962. Ces variables comprennent la structure par âge de la population, le chômage, l'inflation et la consommation d'alcool par habitant.

Structure par âge de la population

La répartition de la population selon l'âge est l'un des principaux facteurs qui expliquent l'évolution des taux de criminalité. Afin de vérifier s'il existe un lien entre les tendances de la criminalité et l'âge, on a inclus dans l'analyse le pourcentage de la population de 15 à 24 ans et de 25 à 34 ans. Les données sur l'âge sont calculées à partir de la moyenne des estimations trimestrielles de population et des estimations de population pour certains groupes d'âge utilisées dans l'Enquête sur la population active (pour laquelle on a recours aux estimations tirées du recensement). Ces estimations sont rajustées pour tenir compte du sous-dénombrement et de la croissance démographique.

Chômage

Les taux de chômage sont tirés de l'Enquête sur la population active, qui couvre 98 % de la population, mais qui exclut les résidents du Yukon, des Territoires du Nord-Ouest et du Nunavut, les personnes qui habitent dans des réserves indiennes , les membres à temps plein des Forces armées canadiennes et les pensionnaires d'établissements . Les chômeurs sont définis comme des personnes qui étaient disponibles pour travailler, et qui avaient été mises à pied temporairement, qui avaient cherché un emploi au cours des quatre dernières semaines, ou qui devaient commencer à travailler dans les quatre semaines suivantes. Le taux de chômage exclut les travailleurs découragés qui sont disponibles pour travailler mais qui ne recherchent plus activement un emploi.

Inflation

Cet indicateur est tiré de l'Indice des prix à la consommation ( IPC ). L'inflation est tout simplement la différence entre l'IPC de deux années consécutives, exprimée en tant que pourcentage de l'année précédente. Il y a inflation lorsque le niveau moyen des prix est à la hausse.

Taux de consommation d'alcool par habitant

Les taux de consommation d'alcool par habitant sont fondés sur la consommation apparente d'alcool au Canada (exprimée en litres), divisée par la population totale. Les données sur la consommation apparente d'alcool sont tirées du rapport Le contrôle et la vente de boissons alcoolisées au Canada , diffusé par la Division des institutions publiques. En l'absence de données à long terme décrivant les habitudes de consommation d'alcool des adultes canadiens, la consommation apparente d'alcool est utilisée comme substitut de la consommation d'alcool, la consommation étant définie comme la consommation apparente moins le gaspillage. Dans le cas de l'alcool, le gaspillage annuel moyen est très faible (3,5 %), particulièrement en comparaison avec les autres catégories d'aliments - par exemple, le gaspillage annuel moyen de fruits et de légumes est d'environ 40 %.

Haut de la page

Méthodes pour l'analyse des séries chronologiques

Dans la présente analyse, on explore la mesure dans laquelle les variations au fil du temps d'une variable dépendante, comme le taux de criminalité, peuvent être attribuées à des fluctuations de variables explicatives, dans ce cas, une série d'indicateurs socioéconomiques. Toutefois, il se peut que ces indicateurs socioéconomiques suivent les mêmes tendances que le taux de la criminalité au fil du temps, mais qu'il n'existe aucune relation de cause à effet entre celles-ci et le taux de criminalité. Par conséquent, si l'on établit des modèles en utilisant les variables non modifiées, soit au moyen d'une simple analyse de corrélation ou de techniques de régressions multiples, on pourrait conclure faussement qu'il existe une relation de cause à effet, alors qu'en réalité, il n'y en a pas.

Sur le plan technique, le problème se produit parce que la variance et les moyennes des taux de criminalité et des autres indicateurs socioéconomiques qui doivent faire partie du modèle ne sont pas stationnaires dans le temps. Cela signifie que si, à partir de la série chronologique entière des données de 1962 à 2002, l'on prend plusieurs échantillons de séries chronologiques plus courtes pour chaque variable, la moyenne de la variable et sa variance seront différentes d'un échantillon à l'autre.

La première étape de la modélisation d'une série chronologique consiste à transformer les variables qui doivent faire partie du modèle d'une manière qui réduise le risque d'obtenir des conclusions illusoires ou fausses, en créant une moyenne et une variance stationnaires. Le calcul du logarithme d'une variable est une technique courante servant à transformer les variables pour arriver à cette fin, en particulier lorsque les valeurs ont une gamme étendue et une grande variabilité.

Pour ces modèles de séries chronologiques, on a calculé le logarithme de chaque variable devant être incluse dans les modèles, puis on a calculé le taux de croissance des valeurs logarithmiques, ce qui a produit une série de données transformées pour chaque variable. La seule exception à cette règle était le taux d'inflation, étant donné que la variable est elle-même un taux de croissance. Pour cette variable, le logarithme était suffisant.

On a constitué des modèles à deux variables à l'aide des variables transformées afin de déterminer laquelle des variables explicatives avait un rapport statistiquement significatif avec le taux de criminalité. On a ensuite créé des modèles à plusieurs variables en faisant l'essai de différentes combinaisons de variables explicatives pour lesquelles les modèles à deux variables avaient révélé un rapport significatif.

Dans tout exercice de modélisation, il n'est normalement pas possible d'inclure dans le modèle toutes les variables qui auraient un rôle important à jouer dans l'explication des fluctuations de la variable dépendante, en l'occurrence le taux de criminalité. Les erreurs qui se produisent dans les modèles lorsqu'il manque d'importantes variables sont connues sous le nom de « variance résiduelle ». Bien qu'un modèle puisse rarement éliminer les erreurs, pour déterminer avec précision l'importance des variables comprises dans le modèle dans l'explication de l'évolution des taux de criminalité au fil du temps, c'est-à-dire pour éviter de produire des résultats illusoires ou faux, il est important que cette erreur ou variance résiduelle soit aléatoire ou du bruit blanc².

Dans les modèles de séries chronologiques, les coefficients d'autocorrélation sont des statistiques clés servant à déterminer si la variable dépendante, soit le taux de criminalité, est corrélée avec elle-même : avec le taux de criminalité il y a 1 an (décalage de 1 période), il y a 6 ans (décalage 6), il y a 12 ans (décalage 12), etc. L'autocorrélation dans les données signifie qu'une partie de la variance de la variable dépendante — le taux de criminalité — peut s'expliquer par les taux de criminalité passés. La présence d'autocorrélation dans les modèles produit des variances résiduelles qui ne sont pas aléatoires mais qui comportent un motif. Les variables de décalage, c'est-à-dire les taux de criminalité il y a 6 ans, 12 ans, 18 ans et 24 ans, sont incluses dans les modèles des séries chronologiques afin de déterminer s'il y a présence d'autocorrélation. Les modèles pour lesquels ces variables ne sont pas statistiquement significatives réussissent l'essai du bruit blanc, c'est-à-dire que les variances résiduelles dans le modèle sont aléatoires ou du bruit blanc.

En outre, comme il fallait tester davantage l'ajustement du modèle en examinant sa capacité de prévoir les taux de criminalité observés en 2002 et 2003, les variances résiduelles pouvaient contenir de l'information nous révélant des choses sur le mouvement d'autres variables importantes ne faisant pas partie des modèles. Cette information peut nous aider à élaborer de meilleurs modèles pour prévoir la criminalité future. Des termes de moyennes mobiles ont été ajoutés aux modèles pour saisir tous les renseignements dans les variances résiduelles au fil du temps pouvant améliorer la capacité de prévision des modèles. Par conséquent, les modèles de séries chronologiques élaborés pour la présente analyse sont des modèles ARMMI (modèles autorégressifs à moyennes mobiles intégrées).

On a ensuite comparé les résultats de tous les modèles avec trois critères servant à déterminer les modèles offrant le meilleur ajustement pour chaque type de crime étudié :

1. Les variables socioéconomiques comprises avaient des paramètres statistiquement significatifs.
2. Les variances résiduelles ont été rendues aléatoires (l'essai du bruit blanc a été réussi).
3. Les modèles ont produit les prévisions les plus exactes.

Le tableau 6 montre les modèles qui offrent le meilleur ajustement pour chaque type d'infraction.

Haut de la page

Résultats de l'analyse multidimensionnelle

La section ci-après présente les résultats des modèles des séries chronologiques correspondant à chacun des quatre types d’infractions examinés.

Taux d’homicides³

Comme le montre le tableau 6, les résultats de l’analyse des séries chronologiques indiquent qu’au cours des quatre dernières décennies, l’évolution des taux de chômage et de la consommation d’alcool a été associée aux variations des taux d’homicides. Ainsi, lorsque le taux de croissance du chômage varie de 1 %, le taux de croissance des homicides fluctue d’environ 0,39 % dans le même sens. En outre, lorsque le taux de croissance de la consommation d’alcool varie de 1 %, le taux de croissance des homicides fluctue d’environ 1,38 % dans le même sens. Ce modèle indique une relation positive entre les taux d’homicides et les taux de chômage et de consommation d’alcool par habitant; lorsque les taux de chômage augmentent (ou diminuent), on note une variation des taux d’homicides dans le même sens. De même, lorsque les taux de consommation d’alcool par habitant augmentent (ou diminuent), on constate un mouvement correspondant des taux d’homicides dans le même sens.

Crimes imputables à des motifs financiers⁴

On a constaté que l’inflation — et non les taux de chômage — était associée à tous les crimes imputables à des motifs financiers examinés : vol qualifié, vol de véhicules à moteur⁵ et introduction par effraction. Plus particulièrement, les résultats de l’analyse des séries chronologiques indiquent que lorsque le taux d’inflation varie de 1 %, le taux de croissance des vols qualifiés fluctue d’environ 0,026 % et le taux de croissance des vols de véhicules à moteur varie d’environ 0,019 % dans le même sens. Autrement dit, si l’inflation augmente (ou diminue), il en va de même pour les taux de vols qualifiés ou de vols de véhicules à moteur.

Il est ressorti de cette étude que les changements de la structure par âge de la population et des taux d’inflation avaient une incidence importante uniquement sur les taux d’introductions par effraction. Le modèle des séries chronologiques⁶ indique une relation positive entre les taux d’introductions par effraction et la proportion de la population âgée de 15 à 24 ans, de sorte que lorsque le taux de croissance de la population âgée de 15 à 24 ans varie de 1 %, le taux de croissance des introductions par effraction varie d’environ 1,67 % dans le même sens. Lorsque l’inflation varie de 1 %, le taux de croissance des introductions par effraction fluctue d’environ 0,021 % dans le même sens.

Réexamen des tendances de la criminalité : prévision de la criminalité en 2002 et 2003

Les modèles ont fait l’objet d’un autre contrôle de validité qui a consisté à examiner la capacité de prévoir les tendances de la criminalité. Il était important de déterminer si les modèles utilisés pour prévoir les tendances de la criminalité au cours des dernières décennies, et plus particulièrement la baisse observée durant les années 1990, pouvaient rendre compte tout aussi bien des changements observés en 2002 et 2003.

Les modèles de prévision élaborés relativement aux taux d’homicides, de vols qualifiés, d’introductions par effraction et de vols de véhicules à moteur étaient statistiquement significatifs et précis⁷, et ce, particulièrement dans le cas des tendances de la criminalité en 2003⁸ (tableau 7). Entre 2002 et 2003, les taux d’homicides ont légèrement fléchi, tandis que les taux de vols qualifiés, d’introductions par effraction et de vols de véhicules à moteur se sont accrus. Les modèles de prévision présentés dans ce rapport auraient permis de prévoir de façon précise la baisse du taux d’homicides et l’augmentation des taux des autres types d’infractions examinés; cependant, les hausses prévues étaient supérieures à celles observées.

Comparativement à 2003, les prévisions des tendances de la criminalité en 2002 se sont révélées un peu moins précises⁹, en partie parce que l’accroissement du nombre de degrés de liberté améliore l’exactitude des modèles de prévision (en l’occurrence, cela équivaut à une année supplémentaire de données) (tableau 8). Entre 2001 et 2002, les taux d’homicides ont augmenté, tandis que les taux de vols qualifiés, d’introductions par effraction et de vols de véhicules à moteur ont légèrement reculé. Les modèles de prévision dans le présent rapport auraient permis de prévoir de façon précise la baisse observée des vols de véhicules à moteur ainsi que la hausse constatée des taux d’homicides. En revanche, les modèles de prévision auraient indiqué une augmentation des taux de vols qualifiés et d’introductions par effraction, alors que ces taux ont en fait diminué.

Haut de la page

Discussion

Ces dernières années, les plus fortes réductions des taux de criminalité ont été observées pour les crimes contre les biens, particulièrement chez les jeunes contrevenants. En outre, on a constaté d’importantes baisses en ce qui concerne les vols qualifiés, les homicides commis à l’aide d’une arme à feu et les homicides dans leur ensemble. Cette étude donne à penser qu’il existe une relation entre les taux de criminalité et les tendances relatives à d’autres importants indicateurs socioéconomiques, notamment les taux d’inflation, les changements démographiques, les taux de chômage et les taux de consommation d’alcool par habitant, et elle montre l’intérêt que présente l’analyse de séries chronologiques dans l’examen de cette relation. À partir des résultats, il est possible de conclure que les années où certains problèmes sociaux sont fréquents tendent aussi à être des années où les taux de criminalité sont élevés. Cette étude a révélé que les années où les taux d’inflation sont élevés tendent à être des années où les taux de crimes imputables à des motifs financiers (vols qualifiés, introductions par effraction, vols de véhicules à moteur) sont supérieurs, tandis que les années où les taux de consommation d’alcool par habitant et de chômage sont élevés sont généralement des années où les taux d’homicides sont supérieurs.

Cette étude souligne également l’importance d’inclure l’inflation comme indicateur macroéconomique de la vigueur économique. Selon les résultats de l’étude, les variations du taux d’inflation— et non des taux de chômage — ont été associés aux types d’infractions imputables à des motifs financiers qui ont été examinés. Selon Devine, Sheley et Smith (1988), le chômage et l’inflation façonnent grandement les politiques de macroéconomie et de bien-être social; par conséquent, ces deux indicateurs devraient être inclus dans l’analyse macroéconomique de la criminalité. Les résultats de la présente analyse confirment le bien-fondé de cet argument.

En outre, ces résultats indiquent une conséquence imprévue de la politique monétaire de la Banque du Canada, qui visait à maintenir le taux d’inflation à environ 2 % tout au long des années 1990. Les lecteurs se souviendront que l’inflation au Canada s’est accrue sensiblement dans les années 1970 et au début des années 1980, avait diminué en 1984 et s’est repliée de nouveau après 1991. Au regard des taux d’inflation élevés observés dans les années 1970 et au début des années 1980, le Canada a fixé, en février 1991, des objectifs en matière d’inflation. Auparavant, le taux annuel moyen d’inflation s’était chiffré à 6 % entre 1981 et 1990, alors qu’entre 1991 et 2000 il a été de 2 % (Longworth, 2002).

Des recherches antérieures ont révélé une relation positive entre les taux de criminalité et le taux d’inflation (Devine, Sheley et Smith, 1988; Land et Felson, 1976; Long et Witte, 1981). Selon ces chercheurs, un certain nombre de facteurs contribuent à la relation positive entre la criminalité et l’inflation. Lorsque l’inflation est élevée, le prix des biens augmente par rapport aux revenus, ce qui fait diminuer le revenu réel. Cette baisse du revenu a un effet marqué sur les personnes qui touchent un revenu fixe ou un salaire minimum. L’inflation mine également la confiance dans les établissements existants et crée un climat d’incertitude et de crainte face à l’avenir (p. ex. les taux d’intérêt pour les prêts personnels et hypothécaires sont plus élevés, les taux de chômage sont plus élevés). Cantor et Land (1985) ont soutenu que les difficultés économiques provoquent le déplacement vers le haut de la répartition de la densité démographique sur le continuum de la motivation criminelle. En d’autres mots, lorsque l’inflation est élevée, qu’il existe un écart important entre le prix des biens et les salaires, et que l’incertitude face à l’avenir économique est élevée, les personnes qui se trouvent à la limite motivationnelle de la légalité peuvent être portées à franchir le seuil de la criminalité. De plus, comme le font remarquer Devine, Sheley et Smith (1988), l’inflation récompense les auteurs de crimes contre les biens, puisque la demande de biens augmente et par conséquent, les profits réels réalisés sur le marché des biens illégaux.

Enfin, nos résultats semblent confirmer la thèse voulant que les changements de la composition par âge de la population ne sont qu'un des nombreux factueurs contribuant à la baisse globale de la criminalité (Levitt, 1999; Steffensmeier et Harer, 1999). En n’oubliant pas que la présente étude ne portait que sur quatre types d’infractions, on constate que les changements de la proportion des groupes d’âge à risque dans la population, soit des 15 à 24 ans, étaient associés avec des variations des taux d’introduction par effraction, mais n’étaient pas significatifs dans le cas des autres types d’infractions examinés. De plus, les effets de la population des 25 à 34 ans ont été neutralisés lorsque les effets du chômage, de l’inflation et de la consommation d’alcool par habitant ont été pris en compte. Cette constatation donne à croire que l’âge peut avoir un effet important selon le type d’infraction étudié; cependant, elle incite aussi à penser que d’autres facteurs peuvent compenser les effets d’un changement de la répartition (composition) par âge de la population.

Notes

1. Une importante question est la mesure dans laquelle les résultats et les conclusions de l'analyse multidimensionnelle obtenus à l'échelon national peuvent également s'appliquer à celui des provinces. Toutefois, il existe certaines limites à la modélisation des taux de criminalité à l'échelle provinciale qui tiennent à la disponibilité de données qui ne s'appliquent pas à l'échelle nationale. Il existe des données pour les variables explicatives choisies aux fins de cette étude, mais elles portent sur une période plus courte. Par exemple, les taux d'inflation dans les provinces sont disponibles à compter de 1980, mais ce n'est qu'à partir de 1972 qu'on dispose d'une mesure de la migration interprovinciale.

2. Dans le cas des séries chronologiques, les erreurs constituent elles-mêmes une série chronologique. On cible habituellement les erreurs dépourvues de toute structure, même s'il peut exister entre elles des corrélations. Toutefois, si l'on peut extraire la corrélation dans les erreurs, on peut se retrouver avec des valeurs résiduelles sans corrélation (ou structure). Une telle série est qualifiée de bruit blanc.

3. Le modèle de la série chronologique pour l’homicide est le suivant : Δ logHom(t) = 0,39 Δ logunemp (t) + 1,38 Δ logAlcohol (t)+Z(t).

4. Le modèle de la série chronologique pour le vol qualifié est le suivant : Δ logRob(t) = 0,026logInf(t) + Z(t) – 0,37Z(t-1). Le modèle de la série chronologique pour le vol de véhicules à moteur est le suivant : Δ logMotor (t) = 0,0185 logInf (t) + Z(t) + 0,4676Z(t-1) + 0,2367Z(t-5)– 0,3551Z(t-8) – 0,4703Z(t-9).

5. Les données provenant de 22 grands services de police, qui ont déclaré près des trois quarts des vols de véhicules au Canada, révèlent qu’environ 1 véhicule volé sur 5 n’a pas été récupéré en 2002 (Wallace, 2004a). Environ 1 vol de véhicules à moteur sur 5 pourrait donc être attribuable aux groupes organisés ou aux réseaux de voleurs. Cette proportion est grandement supérieure à celle observée au début des années 1970, alors qu’environ 2 % des véhicules volés n’étaient pas récupérés. Selon l’analyse de Wallace (2004a), on pourrait conclure que la vaste majorité de vols de véhicules à moteur ne sont pas commis en vue du profit financier. Toutefois le profit financier entre en jeu lorsque le crime organisé est impliqué et lorsque le véhicule est pris aux fins du transport ou de la perpétration d’un autre crime.

6. Le modèle de la série chronologique pour l’introduction par effraction est le suivant : Δ 0.0211logInf(t) + 1.6736 Δ logPop15(t) + Z(t) + 0.2899Z(t-1) - 0.5348Z(t-9).

7. Dans l’analyse de séries chronologiques à Statistique Canada, la limite acceptable pour les erreurs de prévision est de 15 % ou moins. Les modèles de prévision présentés dans ce rapport satisfont à ce critère.

8. Des pourcentages d’erreurs ont été calculés pour chaque type de crime étudié en soustrayant le taux de criminalité observé en 2003 du taux de criminalité prévu pour 2003, puis en divisant le résultat par le taux de criminalité observé en 2003, multiplié par 100. Par exemple, le taux d’homicides observé en 2003 s’élevait à 1,7 pour 100 000 habitants. Le modèle ARMMI élaboré pour les homicides aurait prévu un taux de 1,8 pour 100 000 habitants. L’erreur de prévision est donc ((1,8 – 1,7)/1,7*100, ce qui donne 7,64 %.

9. Des pourcentages d’erreurs ont été calculés pour chaque type de crime étudié en soustrayant le taux de criminalité observé en 2002 du taux de criminalité prévu pour 2002, puis en divisant le résultat par le taux de criminalité observé en 2002, multiplié par 100. Par exemple, le taux de vols qualifiés observé en 2003 s’élevait à 85 pour 100 000 habitants. Le modèle ARMMI élaboré pour les vols qualifié aurait prévu un taux de 90 pour 100 000 habitants. L’erreur de prévision est donc ((90 – 85)/85*100, ce qui donne 5,88 %.