خلاصه

مرگ جورج فلوید موج جدیدی از اعتراضات سال 2020 زندگی سیاه پوستان مهم است (BLM) را به شهرهای ایالات متحده وارد کرد. اعتراضات در چند شهر همراه با گزارش هایی از خشونت در چند روز اول اتفاق افتاد. به نظر می رسد این اعتراضات مربوط به افزایش جرم و جنایت باشد. این مطالعه از داده‌های جرم تازه جمع‌آوری‌شده در 50 شهر/بخش ایالات متحده برای بررسی تغییرات جرم مکانی-زمانی تحت اعتراضات BLM و تخمین عوامل محرک دزدی ناشی از اعتراض BLM استفاده می‌کند. چهار مدل فضایی و آماری شامل میانگین نزدیکترین همسایه (ANN)، تجزیه و تحلیل نقطه نقطه، کمترین انقباض مطلق و عملگر انتخاب (LASSO) و رگرسیون لجستیک باینری استفاده شد. نتایج نشان می دهد که (1) جرم و جنایت، به ویژه سرقت، در چند شهر/شهرستان به شدت افزایش یافته است، با این حال ناهمگونی در بین شهرها/شهرستان ها وجود دارد. (2) حجم و توزیع فضایی انواع جرایم خاص تحت اعتراض BLM تغییر کرد، فعالیت دزدی در مناطق خاصی در طول دوره اعتراضات جمع شده بود. (3) میزان تحصیلات، نژاد، جمعیت شناسی و جرم و جنایت در سال 2019 با تغییرات دزدی در جریان اعتراضات BLM مرتبط است. یافته‌های این مطالعه می‌تواند اطلاعات ارزشمندی برای اطمینان از توانایی پلیس و سازمان‌های دولتی برای مقابله با بحران در حال تحول فراهم کند.

کلید واژه ها:

جرم و جنایت ؛ همه گیر ؛ تجزیه و تحلیل های آماری ; عوامل اجتماعی و اقتصادی ؛ سرقت

1. معرفی

بررسی الگوهای توزیع مکانی و زمانی و عوامل محرک جرم، نگرانی‌های مستمر در جغرافیای جرم و تحقیقات جرم‌شناسی است [ 1 ، 2 ]. فرضیه کلی این است که تئوری بی‌سازمانی اجتماعی، وضعیت اقتصادی پایین، ناهمگونی قومیتی، بی‌ثباتی سکونتگاهی و از هم گسیختگی خانواده منجر به بی‌سازمانی اجتماعی جامعه و فقدان کنترل اجتماعی غیررسمی می‌شود که به نوبه خود، نرخ جرم و بزهکاری را افزایش می‌دهد . .]. تئوری فعالیت‌های معمول استدلال می‌کند که تغییرات اجتماعی (در سطح کلان) باعث تعدیل‌هایی در سبک زندگی افراد می‌شود و متعاقباً به عرضه فرصت‌های جرم کمک می‌کند (یعنی تجمع مجرمان با انگیزه در مکان و زمان، اهداف مناسب، و فقدان افراد توانا). نگهبانان) [ 5 ، 6 ]. این دو نظریه جرم‌شناسی بنیادی و مکان‌محور، عوامل اجتماعی-اقتصادی (یعنی جمعیت‌شناختی، قومیت، اقتصادی، اجتماعی، اختلال در خانواده، وضعیت تاهل و شهرنشینی) را به رویدادهای جنایی مرتبط می‌کنند [7 ، 8 ، 9 ] .
زندگی سیاه‌پوستان مهم است (BLM) یک جنبش غیرمتمرکز است که از نافرمانی مدنی غیرخشونت‌آمیز در اعتراض به حوادث خشونت پلیس و همه خشونت‌های نژادپرستانه علیه سیاه‌پوستان حمایت می‌کند [10 ] . مرگ جورج فلوید باعث اعتراضات گسترده ای در شهرهای سراسر ایالات متحده در حمایت از BLM شد [ 11 ]. برای ثبت، اعتراضاتی که در ماه های ژوئن، ژوئیه و آگوست ادامه یافت، بزرگترین اعتراضاتی است که در ایالات متحده برگزار می شود. در حالی که بسیاری از اعتراضات به طور مداوم مسالمت آمیز بود، برخی از آنها به خشونت و جنایت دامن زدند. اعتراضات در چند شهر همراه با گزارش هایی از خشونت در چند روز اول اتفاق افتاد [ 12]، چندین سرقت رخ داد و ده ها ساختمان در دوره های اعتراضی تخریب شد. این رویدادها معمولاً در اطراف محل تجمع اعتراضات متمرکز می شوند.
برخلاف حوادث قبلی (مانند ترایون مارتین در 13 ژوئیه 2013، مایکل براون در 9 اوت 2014 در فرگوسن)، اعتراض جرج فلوید در زمینه همه‌گیری کووید-19 اتفاق افتاد. مقررات فاصله‌گذاری اجتماعی، قرنطینه در مقیاس بزرگ و دستورات ماندن در خانه برای محدود کردن شیوع COVID-19 طراحی شده‌اند، اما ممکن است شرایط زمینه‌ای که تحت آن ممکن است جرم رخ دهد را تغییر داده و مختل کنند [13 ، 14 ، 15 ، 16 ] . پس از تغییر این فعالیت‌های معمول، شواهد مختلفی ظاهر شد که نشان‌دهنده کاهش چشمگیر جرم و جنایت بود [ 17 ، 18]]. فلسون و همکاران دزدی‌ها در گروه‌های بلوک با کاربری مختلط افزایش می‌یابد، اما نه بلوک‌هایی که در طول همه‌گیری COVID-19 تحت سلطه کاربری مسکونی قرار دارند [ 19 ]. مولر و همکاران کاهش حاشیه‌ای در سرقت‌های مسکونی، افزایش حاشیه‌ای در سرقت خودرو، و افزایش تماس‌های خشونت خانگی، نشان‌دهنده تغییر در الگوهای جرم و جنایت است [ 13 ]. Dodd کاهش عمده جرم و جنایت را در بریتانیا گزارش کرد، در حالی که اخبار هلند کاهش 46٪ در سرقت، 43٪ کاهش در سرقت دوچرخه، و 74٪ کاهش در جیب بری را گزارش کردند [20 ]]. این تحقیق نشان داد که کاهش عمده در جرم و جنایت گزارش شده است در حالی که این کاهش به نوع جرم بستگی دارد و ممکن است بر اساس بخش‌هایی از شهر و کاربری‌های زمین متفاوت باشد. با این حال، بسیاری از محققان بر روی تأثیر COVID-19 بر انواع مختلف جرایم تمرکز می‌کنند، اما تعداد کمی از محققان تغییرات جرم را در طول دوره اعتراض BLM بررسی کرده‌اند.
زمانی که مجرمان احتمالی در مکان و زمان با اهداف مجرمانه مناسب در غیاب پیشگیری کننده های توانمند جرم همگرا شوند، جنایات به احتمال زیاد رخ می دهند [ 19]]. به عنوان مثال، هنگامی که افراد در نزدیکی مشاغلی هستند که صاحبان و مشتریان آنها غایب هستند، آن مشاغل به اهداف آسیب پذیری برای جرم تبدیل می شوند. همانطور که گفته شد، همه‌گیری COVID-19 به دلیل تأثیر اقدامات دولت، تأثیراتی بر فعالیت‌ها و جرایم معمول داشت. مالکان و مشتریان مکان‌های تجاری دور شدند و کسب‌وکارها را به شدت در برابر سرقت و تجاوز آسیب‌پذیر کردند. به ویژه، زمانی که ده ها یا صدها نفر برای حمایت از BLM گرد هم آمدند، ازدحام انبوه، فروشگاه های تجاری بسته و غیبت پلیس همگی فرصت هایی را برای جنایتکاران فراهم کردند. روزنفلد و همکاران گزارش داد که افزایش شدید سرقت‌های غیر مسکونی احتمالاً با آسیب اموال و غارت در آغاز اعتراضات علیه خشونت پلیس مرتبط است [ 21]]. مقاله ای برای «اثر فرگوسن» بر میزان جرم و جنایت در 81 شهر بزرگ ایالات متحده آزمایش شد و نشان داد که میزان سرقت، که قبل از فرگوسن کاهش می یافت، در ماه های پس از فرگوسن افزایش یافت [22 ] . با این حال، تحقیقات موجود بر روی کلان‌شهرهای شهرهای بزرگ متمرکز بوده و مطالعات زیادی به بررسی مناطق حومه‌ای و روستایی پرداخته است.
به طور خلاصه، اعتراضات احتمالاً باعث افزایش جرم و جنایت می شود در حالی که این افزایش به نوع جرم بستگی دارد. مکان‌هایی که اعتراض‌ها در آن‌ها رخ می‌دهد بیشتر در معرض جنایت هستند. بنابراین، دلایل قوی وجود دارد که انتظار داشته باشیم حجم و توزیع جرم و بی نظمی تغییر کند. با این حال، روند کلی جرم نمی تواند منعکس کننده همه انواع جرم باشد، و ناهمگونی در سراسر شهرستان ها/شهرهای ایالات متحده وجود خواهد داشت. (2) تغییرات مکانی و زمانی دزدی. و (3) عوامل محرک دزدی در طول اعتراض BLM تغییر می کند.
علیرغم افزایش توجه رسانه‌ها، اعتراضات Black Lives Matter نسبت به COVID-19 کمتر مورد توجه علمی قرار گرفته است [ 23 ]. مطالعه ما یکی از اولین مطالعاتی است که تغییرات جرم و عوامل مؤثر بر آن ناشی از اعتراض BLM (در پس‌زمینه COVID-19) را تجزیه و تحلیل کرد. در این مطالعه، ما از داده‌های جرم ثبت شده جامع در 50 شهرستان/شهر در مقیاس‌های مختلف برای شناسایی تغییرات مکانی و زمانی جرم و نشان دادن رابطه بین سرقت و عوامل اجتماعی، اقتصادی و جمعیتی تحت اعتراض BLM در ایالات متحده استفاده می‌کنیم. کمک مهمی نه تنها به دولت در برخورد با شرایط اضطراری و تنظیم دستورالعمل‌های خط‌مشی، بلکه در پیش‌بینی جرم در طول رویدادهای اجتماعی در مقیاس بزرگ نیز کمک می‌کند.

2. مواد و روشها

2.1. جریان کار

شکل 1 گردش کار کل فرآیند تحلیلی را نشان می دهد. ابتدا، جمع آوری و پردازش مجموعه داده در بخش 2.2.1 و بخش 2.2.2 توضیح داده شده است . در ادامه، روش‌ها از دو جنبه در بخش 2.3.1 و بخش 2.3.2 معرفی شده‌اند . سپس، محتوای تحقیق به چهار بخش تقسیم می‌شود: (1) روند کلی زمانی جرم در طول همه‌گیری COVID-19 ( بخش 3.1 ). (2) تغییر کلی در انواع مختلف جرم ( بخش 3.2 ). (3) تغییرات مکانی و زمانی سرقت در طول BLM محافظت می کند ( بخش 3.3 )، و (4) تأثیر عوامل محرک بر تغییر سرقت ( بخش 3.4)). توجه داشته باشید که بر اساس نتایج بخش 3.1 و بخش 3.2 ، تغییر در سرقت به طور دقیق نشان دهنده تغییر جرم در طول اعتراض BLM نسبت به سایر انواع جرم یا مجموع جرایم است. بنابراین، بخش 3.3 و بخش 3.4 نیز به جای جرم کلی، بر دزدی سرقت تمرکز خواهند کرد.
زمان تحلیل (از 15 مه 2020 تا 15 ژوئن 2020) کل اعتراضات، از جمله مرگ جورج فلوید (25 مه 2020) و شروع اعتراضات شهری را در بر می گیرد. در این مقاله از روش های تحلیل فضایی و آماری چندگانه در فرآیند تحقیق استفاده شده است. ابتدا، ما یک نمودار توصیفی ساده برای نشان دادن تعداد جرم برای کل داده ها ایجاد کردیم. برای در نظر گرفتن ماهیت فضایی داده ها، میانگین نزدیکترین همسایه (ANN) [ 24 ] و تجزیه و تحلیل نقطه هات [ 25]] برای تجزیه و تحلیل توزیع فضایی و تغییرات آن استفاده شد. در نهایت، برای تشخیص تأثیر عوامل تأثیرگذار بر تغییرات سرقت در طول اعتراضات BLM، ما از حداقل انقباض مطلق و عملگر انتخاب (LASSO) و مدل رگرسیون لجستیک باینری برای انتخاب ویژگی و تحلیل عوامل محرک استفاده کردیم. تمام روش ها از طریق برنامه های پایتون یا R انجام شد.

2.2. مجموعه داده

2.2.1. مجموعه داده های جنایی
داده‌های رویدادهای جرم از وب‌سایت SpotCrime [ 26 ] که یک جمع‌آوری رویدادهای جرم و سرویس تجسم جرم عمومی است، به‌دست آمد. وب سایت SpotCrime داده های رویدادهای جنایی را از ادارات پلیس، گزارش های خبری تأیید شده، محتوای ارسالی توسط کاربر و سایر منابع معتبر جمع آوری می کند [ 27]]. یک طرح جامع داده جرم در مجموعه داده SpotCrime ارائه شده است، از جمله توضیحات، منبع ارجاع، و ویژگی های مکانی-زمانی، به عنوان مثال، تاریخ، زمان، آدرس مکان، و مختصات بر اساس طول و عرض جغرافیایی. انواع جرم به 9 دسته تقسیم می شوند که شامل حمله، آتش زدن، دستگیری، سرقت، سرقت، تیراندازی، سرقت، خرابکاری و غیره می شود. داده های رویدادهای جنایی با ترکیبی از نام و تاریخ شهرستان/شهر در صفحات وب سازماندهی و ارائه می شوند. در این تحقیق، حوادث جنایی بین 1 ژانویه تا 15 ژوئن 2019 و 2020 توسط یک خزنده وب سفارشی شده و کتابخانه geocoder جغرافیایی در پایتون جمع آوری شد. علاوه بر این، 50 شهرستان/شهر (شامل 12 شهر و 38 شهرستان) از بین 3370 منطقه در وب سایت SpotCrime بر اساس شرایط زیر انتخاب شدند.
  • برای حفظ ثبات داده ها برای تجزیه و تحلیل سری های زمانی طولانی مدت، داده های مربوط به رویدادهای جرم و جنایت برای هر منطقه باید کمتر از 30 روز در سال 2020 باشد.
  • میانگین تعداد کل رویدادهای جنایی در هر روز بیشتر از 15 مورد در مناطق جداگانه است تا از نویز داده ها توسط نمونه های کوچک جلوگیری شود.
فهرست 50 شهرستان/شهر انتخاب شده و توزیع فضایی در ایالات متحده به ترتیب در جدول 1 و شکل 2 نشان داده شده است . پنجاه شهرستان/شهر در 20 ایالت توزیع شده اند و بیش از 60770 مایل مربع را پوشش می دهند. سیزده شهرستان/شهر با جمعیت بیش از یک میلیون نفر و 4 شهرستان با جمعیت کمتر از 10000 نفر. علاوه بر این، متوسط ​​درآمد خانوار ایالات متحده در سال 2018 63,179 دلار بود . هفت شهر و بیست و یک شهرستان با درآمد متوسط ​​خانوار در سال 2018 بالاتر از میانگین بودند. شهرستانها/شهرهای بزرگ، متوسط ​​و کوچک همه در این تحقیق در نظر گرفته شده اند. بنابراین، نتایج تحقیق تا حدی نشان دهنده تغییرات جرم در طول اعتراضات BLM در ایالات متحده است
برای اعتبارسنجی مجموعه داده‌های جرم جمع‌آوری‌شده از SpotCrime، داده‌های رویدادهای جرم موجود را به‌طور تصادفی انتخاب و از مجموعه داده‌های رسمی در دسترس عموم دانلود کردیم. مقایسه کمی با جمع‌آوری داده‌های SpotCrime و منابع داده از دیدگاه آماری و مکانی-زمانی انجام شد. ما متوجه شدیم که داده ها از نظر سازگاری و دقت به خوبی مطابقت دارند. بعلاوه، ما عملیاتی شدن جرایم موجود در SpotCrime را بررسی کردیم و متوجه شدیم که “دستگیری” و “سایر” طبق برنامه گزارش جرم یکنواخت (UCR) FBI [28] جرایم شاخص بخش اول نیستند . بنابراین، مقوله‌های «دستگیری» و «سایر» از این پژوهش مستثنی هستند.
2.2.2. مجموعه داده های عوامل محرک
با الهام از نظریه بی‌سازمانی اجتماعی و نظریه فعالیت‌های معمول، عوامل مرتبط از جمله عوامل جمعیتی، تحصیلی، فقر، نژادی و اقتصادی در مطالعه ما جمع‌آوری شده‌اند. به عنوان یک ارزش تخمینی، جمعیت، سن، جنس، نژاد، تحصیلات و فقر از گزارش های اداره سرشماری ایالات متحده جمع آوری شد. پس از انجام پیش پردازش، عوامل تراکم جمعیت، جمعیت زیر 18 سال، جمعیت بالای 60 سال، نسبت وابستگی سنی، مرد به ازای هر 100 زن، پایه نهم، لیسانس، متوسط ​​درآمد خانوار، زیر سطح فقر، جمعیت سفیدپوست و سیاهپوست. یا جمعیت آفریقایی آمریکایی به دست آمد. شاخص تنوع، تنوع نژادی و قومی یک منطقه جغرافیایی را در یک عدد، از 0 تا 100 نشان می‌دهد [29 ] ، و توسط Esri [ 30] ارائه شده است.]. علاوه بر این، میزان جرم و جنایت به ازای هر 10000 نفر از 1 ژانویه 2019 تا 15 ژوئن 2019، به عنوان یک عامل محرک در مطالعه ما در نظر گرفته شده است. این به این دلیل است که شهرستان‌ها/شهرهایی که میزان جرم و جنایت بالاتری دارند، محیط‌هایی دارند که احتمال وقوع جرم بیشتر است. بررسی رابطه بین تغییر جرم در اعتراضات BLM با میزان جرم در مدت مشابه سال گذشته ضروری است. آمار توصیفی این متغیرها در جدول 2 ارائه شده است .

2.3. مواد و روش ها

2.3.1. تجزیه و تحلیل توزیع فضایی

برای شناسایی سطح تمرکز فضا و توزیع جرم در طول اعتراضات BLM، ما از مدل ANN و تجزیه و تحلیل نقشه نقطه کانونی استفاده کردیم. در اینجا، روش ANN فاصله بین هر نقطه جرم و محل نزدیکترین همسایه را اندازه گیری می کند [ 24 ]. برای تعیین کمیت و مقایسه توزیع فضایی جرم در یک شهرستان/شهر در طول زمان استفاده می شود. اگر نسبت ANN کمتر از 1 باشد، الگوی خوشه‌بندی را نشان می‌دهد. اگر مقدار بزرگتر از 1 باشد، روند به سمت پراکندگی است. نسبت ANN شهرستان/شهر جبه صورت زیر تعریف می شود:

آننج=D¯OD¯E=∑من=1nدمن/nج0.5/nج/آج،

جایی که D¯Oمیانگین فاصله بین هر نقطه جرم و نزدیکترین همسایه آن است. D¯Eمیانگین فاصله مورد انتظار برای است nامتیازات در یک الگوی تصادفی داده شده است. دمننشان دهنده فاصله بین نقطه است منو نزدیکترین ویژگی همسایه آن nجبا تعداد کل امتیازات در شهرستان/شهر مطابقت دارد ج. آجنشان دهنده منطقه شهرستان/شهرستان است ج. توجه داشته باشید که ما از فاصله دایره بزرگ به عنوان روش محاسبه فاصله استفاده می کنیم.

نقشه برداری هات اسپات یک تکنیک تحلیلی رایج در جغرافیای جرم و جنایت است. مدل KDE، یک تکنیک نگاشت نقطه هات، به عنوان مناسب ترین تکنیک تحلیل فضایی برای تجسم داده های جرم در نظر گرفته می شود. می توان از آن برای شناسایی بصری نقاط داغ جرم، و تفسیر فضایی مکان، اندازه، شکل، و جهت گیری خوشه های حوادث جرم استفاده کرد [ 31 ]. بسته Folium در پایتون در تجزیه و تحلیل هات اسپات استفاده شد.
2.3.2. مدل رگرسیون لجستیک
مدل رگرسیون لجستیک برای تخمین اثر عوامل محرک بر تغییر جرم در طول اعتراضات BLM استفاده شد. رگرسیون لجستیک باینری یک تکنیک آماری است که برای پیش بینی رابطه بین پیش بینی کننده ها (متغیرهای مستقل) و یک متغیر پیش بینی شده (متغیر وابسته) استفاده می شود. در این بخش، مدل را از سه مرحله ساختیم: تعریف متغیر وابسته، انتخاب متغیرهای مستقل و ساخت مدل‌سازی.
(1)
تعریف متغیر وابسته

ما نرخ تغییر جرم را برای نشان دادن تغییر درجه جرم در طول اعتراضات BLM محاسبه کردیم. هر چه نرخ رشد بالاتر باشد، جرم و جنایت بالاتر از میانگین است. نرخ تغییر به صورت زیر تعریف می شود:

r=آvgآfتیهrn-آvgبهforهnآvgبهforهn∗100%،

جایی که، آvgآfتیهrnهست nمیانگین نرخ جرم و جنایت روزها پس از تاریخ شروع اعتراضات، آvgبهforهnنشان دهنده nمیانگین نرخ جرم و جنایت چند روز قبل از شروع اعتراضات. nبر اساس مدت زمان اوج جرم تصمیم گیری می شود. تاریخ شروع اعتراضات از گزارش های خبری جمع آوری شد.

استفاده مستقیم از نرخ تغییر به عنوان متغیر وابسته مدل خطی مناسب نیست، زیرا نوسانات تصادفی ناشی از فصلی بودن و تناوب جرم را حذف نکردیم. با این حال، نوسانات تصادفی جزئی جرم از طریق طبقه بندی نادیده گرفته می شود. این دلیلی است که ما مدل رگرسیون لجستیک را برای تحقیق خود انتخاب کردیم. بنابراین، شهرستان ها/شهرها را بر اساس مقدار نرخ تغییر به دو دسته تقسیم کردیم که به شرح زیر تعریف می شود:

yج={0،منf r<σ1،منf r≥σ،

جایی که، rنشان دهنده نرخ تغییر در طول اعتراضات BLM است. σمقدار آستانه است. yج=1یعنی جنایت در شهر جدر طول اعتراضات BLM تنوع زیادی دارد، yج=0یعنی برعکس y={y1،y2،⋯،yن}به عنوان متغیر وابسته تعریف می شود، نتعداد شهرستان ها و شهرستان ها است. نتیجه طبقه بندی به عنوان متغیر وابسته تعریف می شود.

(2)
انتخاب متغیرهای مستقل

انتخاب متغیر مستقل یکی از تکنیک های اصلی برای انتخاب یک زیرمجموعه مهم از ویژگی ها به عنوان یک عامل خاص در توسعه مدل، به ویژه برای متغیرهای دارای هم خطی است. روش های انتخاب متغیر حذف متغیرهای اضافی یا ناچیز را هدف قرار می دهند [ 32 ]. LASSO یک روش تحلیل رگرسیون است که انتخاب متغیر را در حالی که در تحلیل رگرسیون انجام می‌دهد، برای افزایش تفسیرپذیری مدل آماری تولید شده انجام می‌دهد [ 33 ، 34 ]. تنظیم کمند به راحتی به مدل های خطی تعمیم یافته (GML) گسترش می یابد. وقتی متغیر پاسخ باینری است، هدف بهینه‌سازی برای مدل رگرسیون لجستیک به صورت [ 35 ] تعریف می‌شود:

β^(λ)=ارگβدقیقه{1ن∑من=1نρ(β)(ایکسمن،Yمن)+λ”β”1}،

جایی که Yنشان دهنده نتیجه، متشکل از نموارد ایکس=(ایکس1،ایکس2،⋯،ایکسمتر)متغیر کمکی است. λیک پارامتر آزاد از پیش تعیین شده در Constant است که عبارت L1 را ضرب می کند. هر چه ارزش آن بزرگتر باشد λ، میزان انقباض بیشتر است. تابع R glmnet در آزمایشات استفاده شده است.

(3)
مدل سازی ساختمان

در نهایت، مدل رگرسیون لجستیک باینری به صورت زیر تعریف شده است [ 36 ]:

لوجیت(پ)=لوگاریتمپ1-پ=β0+β1ایکس1+⋯+βnایکسn،

جایی که پاحتمال وقوع رویداد است، پ=پ(yج=1). ایکسمن:=(ایکس1،ایکس2،⋯،ایکسn)متغیر مستقلی است که توسط مدل LASSO انتخاب شده است. β0،β1،⋯،βnضرایب رگرسیون متغیرها هستند.

3. نتایج

3.1. روند کلی جنایت در طول همه گیری COVID-19

این بخش فرعی تمایل به ارائه تجزیه و تحلیل کلی در مورد روند جرم و جنایت در طول بحران COVID-19 دارد و پیشینه ای را ارائه می دهد که اعتراضات BLM رخ داده است. در شکل 3 ، توزیع نرخ کل جرم و جنایت را به ازای هر 10000 نفر از 1 ژانویه 2020 تا 15 ژوئن 2020 بر اساس نمودار جعبه نمایش می دهیم. هر کادر نشان دهنده یک شهرستان/شهر است که بر اساس شناسه شهرستان/شهر ( جدول 1 ) در محور افقی و نرخ جرم و جنایت به ازای هر 10000 نفر در عمودی ترسیم شده است. جعبه ها بر اساس میانگین نرخ جرم (که به عنوان خط نارنجی نشان داده شده است) مرتب شده اند. روند کلی نرخ جرم در نمودار 3نشان می‌دهد که شهرستان‌ها/شهرهایی با میزان جرم و جنایت پایین‌تر از شهرستان‌ها/شهرستان‌هایی با میزان جرم و جنایت بالاتر هستند و شهرستان‌ها/شهرهایی که میزان جرم و جنایت بالاتری دارند، نقاط دورتر بیشتری دارند (به صورت دایره‌های قرمز نشان داده می‌شوند).
ما به صورت دستی نه شهرستان و شهر معمولی را از 50 شهرستان/شهر با مقیاس‌های مختلف انتخاب کردیم تا الگوهای فعلی را تجسم کنیم. سری زمانی روزانه (از 1 ژانویه 2020 تا 15 ژوئن 2020) برای کل جرم در چندین شهرستان/شهر در شکل 4 نشان داده شده است . نتایج روند مشابهی از جرم و جنایت را در شهرها یا شهرستان های مختلف در طول همه گیری COVID-19 نشان نمی دهد. در شکل 4الف-ه، جنایت بین تاریخی که اولین مورد تایید شده گزارش شد و تاریخی که دستور اقامت در خانه اجرا شد کاهش یافت، سپس با اجرای دستور اقامت در خانه به آرامی افزایش یافت یا ثابت ماند. در همین حال، در (f)-(i)، جنایت در طول همه‌گیری COVID-19 تغییری نکرد. روند کلی جرم و جنایت در طول همه گیری کووید-19 با آنچه در مطالعات دیگر دیده شده است مطابقت دارد. با این حال، ما فقط تجزیه و تحلیلی از تعداد کل جرایم ارائه می‌کنیم، و متذکر می‌شویم که همه انواع جرایم تحت همه‌گیری COVID-19 روند یکسانی ندارند.
همانطور که در شکل 4 a-f نشان داده شده است، جنایت در چند شهر/شهرستان در طول اعتراضات BLM به شدت افزایش یافت. روند جرم و جنایت در شکل 4 g–i یک نوسان ثابت با دوره های دیگر دارد. علاوه بر این، در روزهای قبل و بعد از اعتراضات BLM برای همه شهرستان‌ها/شهرستان‌ها هیچ نقطه پرت (بیشتر یا کمتر از سه انحراف استاندارد) وجود نداشت. این نشان می‌دهد که اعتراض BLM در پس‌زمینه‌ای از ثبات نسبی جرم صورت گرفته است. برای مرحله فعلی، ما فقط تحلیلی از تعداد کل جرایم ارائه می دهیم. روند در انواع مختلف جرم مورد نیاز است.
به طور خلاصه، شکل 4 روند یکسانی از جرم و جنایت را در شهرها یا شهرستان های مختلف در طول همه گیری COVID-19 و اعتراضات BLM نشان نمی دهد، به عنوان مثال، ناهمگونی در بین شهرها/شهرستان ها وجود دارد. ناهمگونی بین شهرستان ها/شهرها ممکن است به تفاوت اجتماعی-اقتصادی آنها مرتبط باشد. ما تغییرات در انواع مختلف جرم، تغییرات مکانی و زمانی دزدی، و عوامل محرک تغییرات سرقت در طول اعتراضات BLM را در سه زیربخش بعدی بررسی خواهیم کرد.

3.2. تغییرات در انواع مختلف جرم در طول اعتراضات زندگی سیاه پوستان اهمیت دارد

از تجزیه و تحلیل کلی سری زمانی، جرم و جنایت در چند شهرستان/شهر در طول اعتراضات BLM تغییر زیادی کرده است، و در زمینه همه‌گیری کووید-19 در بین شهرستان‌ها/شهرها ناهمگونی وجود دارد. با این حال، روند کلی جرم نمی تواند منعکس کننده همه انواع جرم باشد. سری زمانی روزانه برای انواع مختلف جرم در شکل 5 نشان داده شده است . خطوط با رنگ های مختلف نشان دهنده هفت نوع جرم مختلف است.
شکل 5 الف-ف نشان می دهد که تغییرات شدیدی در سرقت در هر دو شهر وجود دارد. افزایش جزئی در خرابکاری و حمله در چندین شهر وجود دارد، مانند خرابکاری در سانفرانسیسکو و شیکاگو، همراه با حمله در شهرستان لس آنجلس و مینیاپولیس. روند سایر انواع جرایم کمتر تغییر کرد و نوسانات ثابتی را در رابطه با دوره های دیگر از خود نشان دادند. این بدان معناست که سایر انواع جرم به جز دزدی به طور جدی تحت تأثیر اعتراضات BLM قرار نگرفتند. این احتمالاً به این دلیل است که همه‌گیری کووید-19 با دور کردن مالکان و مشتریان از مکان‌های تجاری، فعالیت‌های معمول را تغییر داده و آنها را در برابر سرقت و تجاوز به شدت آسیب‌پذیر کرده است. 19]]. علاوه بر این، اعتراضات در چند شهر همراه با گزارش هایی مبنی بر سرقت رخ داد و ده ها مغازه و فروشگاه در دوره های اعتراضی به سرقت رفته و آسیب دیده اند. اگرچه گزارش‌هایی وجود دارد که نشان می‌دهد تعداد قتل‌ها و قربانیان تیراندازی در جریان اعتراضات BLM [ 37 ، 38 ] افزایش یافته است، این افزایش در مقایسه با دزدی کمتر آشکار بود.
علاوه بر این، دزدی بین 27 مه 2020 و 3 ژوئن 3 2020 به اوج خود رسید و سه تا پنج روز از آغاز اعتراضات اولیه ادامه یافت. سپس تعداد سرقت‌ها به مقدار معمولی خود کاهش یافت. از این رو، با کاهش خشونت و دامنه اعتراضات، تأثیرات اعتراضات بر سرقت به نظر می رسد تا حدودی گذرا بوده و در دوره کوتاه مدت محو می شود. به این ترتیب اعتراضات در این شهرها که با جنایت همراه بود پس از سه تا پنج روز مسالمت آمیز شد.
شکل 5 g-i نشان می دهد که جرم در این شهرستان ها در اواخر ماه مه یا اوایل ژوئن 2020 تغییر آشکاری ندارد، زمانی که انتظار می رود افزایش یابد. در مقایسه با شهرستانها/شهرهای بزرگتر با جمعیت بالاتر (یعنی شهرستان لس آنجلس، شهر نیویورک)، شهرستان شلبی، شهرستان اولمستد و شهرستان نیوبری اعتراضات کوچکتری داشتند و به طور جدی تحت تأثیر اعتراضات BLM قرار نگرفتند.
به طور خلاصه، شکل 5 روند یکسانی را در انواع مختلف جرم و شهرها/شهرها در جریان اعتراضات BLM نشان نمی دهد. تغییر در سرقت به طور دقیق نشان دهنده تغییر جرم در طول اعتراض BLM در مقایسه با سایر انواع جرم یا مجموع جرایم است. ناهمگونی دزدی بین شهرستان ها/شهرها ممکن است به تفاوت اجتماعی-اقتصادی آنها مرتبط باشد. ما الگوهای مکانی و زمانی و عوامل محرک تغییرات دزدی (به جای تغییرات کلی جرم) را در طول اعتراضات BLM در دو بخش بعدی تجزیه و تحلیل خواهیم کرد.

3.3. تغییرات مکانی و زمانی دزدی در طول اعتراضات زندگی سیاه پوستان اهمیت دارد

ما تغییرات توزیع فضایی در سرقت به جای جرم کل را تحلیل کردیم. لازم به ذکر است که ژئوکدگذاری محل وقوع این جرایم باعث بروز خطا می شود. ما تجزیه و تحلیل توپولوژیک انجام دادیم و نقاط خارج از مرز شهرها / شهرستان ها را حذف کردیم. این ممکن است کمی بر نتایج تحلیل میانگین نزدیکترین همسایه تأثیر بگذارد. ANN حاصل نشان می‌دهد که شهرستان‌ها/شهرها با تغییرات بیشتر در سرقت، تجمع فضایی را در طول اعتراضات نشان دادند. این احتمالاً به این دلیل است که دزدی‌ها حول محور اعتراضات متمرکز شده‌اند. توزیع فضایی شهرستان ها/شهرها با نرخ تغییر کمتر مشخص نیست.
شکل 6 میانگین مقادیر نزدیکترین همسایه را در سرقت برای شش شهرستان/شهر نمونه نشان می دهد. میله هایی با رنگ قهوه ای به این معنی است که مقادیر P بزرگتر یا مساوی 0.05 هستند و مقادیر ANN از نظر آماری معنی دار هستند. خط قرمز نشان دهنده روز شروع اعتراضات در هر شهر/شهرستان است. مقادیر ANN پس از شروع اعتراض نسبت به قبل در هر دو شهر کاهش می یابد. روند مقادیر ANN نشان می دهد که فعالیت سرقت در چندین منطقه خاص در طول دوره اعتراضات جمع شده است. علاوه بر این، دزدی ها در شیکاگو، واشنگتن دی سی و مینیاپولیس، متفاوت از شهرستان لس آنجلس و سان فرانسیسکو، بیش از هر زمان دیگری به صورت خوشه ای در نظر گرفته می شوند.
علاوه بر این، نقشه‌های کانون سرقت در شش شهرستان/شهر نمونه در شکل 7 ، شکل 8 ، شکل 9 ، شکل 10 ، شکل 11 و شکل 12 نشان داده شده است . ما روزی را با بیشترین مقدار سرقت، روز هفتم قبل، و روز هفتم بعد از روز اوج برای هر شهرستان/شهر انتخاب کردیم. شکل دوم (یعنی (ب)) در شکل 7 ، شکل 8 ، شکل 9 ، شکل 10 ، شکل 11 و شکل 12 نقشه های نقاط داغ روز اوج را نشان می دهد. در طول اعتراضات BLM نقاط داغ را می توان در هر دو شهرستان/شهر پیدا کرد. شکل 7, شکل 8 , شکل 9 , شکل 10 , شکل 11 و شکل 12نشان می دهد که دزدی ها در زمان معمول در سراسر شهر پخش می شوند و عمدتاً در مناطق مرکزی شهر در جریان اعتراضات BLM رخ می دهند. این بدان معناست که دزدی‌ها در روز اوج، همزمان با تجزیه و تحلیل ANN در فضا جمع شده‌اند. علاوه بر این، توزیع فضایی سرقت در شیکاگو، سانفرانسیسکو و مینیاپولیس الگوی تمرکز فضایی واضحی را در امتداد خیابان نشان می‌دهد. این به این دلیل است که دزدی‌ها در مناطق غیرمسکونی که در آن اعتراض‌ها تجمع کرده‌اند، جایی که ساختمان‌های تجاری و مغازه‌های زیادی در امتداد خیابان وجود دارد، رخ داده است. بنابراین، هم حجم و هم توزیع دزدی ها در جریان اعتراضات BLM تغییر کرد. سنبله در سرقت ها با ناگهانی بودن، اندازه، مختصر بودن و خوشه ای بودن مشخص می شود.

3.4. تأثیر عوامل رانندگی بر دزدی در اعتراضات زندگی سیاه پوستان مهم است

3.4.1. تغییر نرخ سرقت

نتایج بخش 3.1 و بخش 3.2 ما را هدایت می کند تا کشف کنیم که کدام شهرستان ها/شهرها به وضوح با سرقت در طول اعتراض BLM تغییر کرده اند. برای توضیح میزان تأثیر اعتراضات بر سرقت، نرخ تغییر را با استفاده از رابطه (2) محاسبه کردیم. علاوه بر این، پارامتر n5 است، زیرا سرقت معمولاً به اوج خود می رسید و سه تا پنج روز پس از شروع اعتراضات اولیه ادامه داشت. شایان ذکر است که زمانی که تعداد سرقت‌های منزل کمتر از دو مورد در روز باشد، در هنگام جمع یا تفریق تعداد کمی نوسانات زیادی خواهد داشت. بنابراین، شهرها/شهرستان‌هایی که کمتر از دو سرقت در روز داشتند را حذف کردیم.
نرخ تغییر سرقت در 36 شهر/شهرستان باقی مانده در جدول 3 ارائه شده است . هر چه نرخ رشد بیشتر باشد، سرقت بیشتر از میانگین است. نرخ تغییر نشان دهنده شدت سرقت ها و تأثیر اعتراضات بر جرم و جنایت است. جدول 3 نشان می دهد که نرخ تغییر شهرها / شهرستان ها بسیار متفاوت است. تمام شهرهای فهرست شده در جدول 3 با گزارش رسانه های جریان اصلی دزدی در اعتراضات همراه بود. به طور خاص، مینیاپولیس، فیرفکس کانتی، بوستون، سنت پل، شیکاگو، و واشنگتن دی سی بیش از هر زمان دیگری سرقت داشته اند. نتیجه طبقه بندی در ستون های پنجم و دهم جدول 3 نشان داده شده است .
علاوه بر این، شکل 13 توزیع مناطق تحقیقاتی با و بدون افزایش 50 درصدی سرقت را نشان می دهد. نرخ تغییر در 12 منطقه بیش از 50٪ است و 10 منطقه (به جز مینیاپولیس و سنت پل) با جمعیت بیش از 50000 نفر وجود دارد. این بدان معناست که تغییرات بزرگ در سرقت در شهرستان ها/شهرهای بزرگ وجود دارد. با این حال، همه شهرستان‌ها/شهرهای اصلی افزایش ناگهانی دزدی را در طول اعتراضات BLM تجربه نکرده‌اند، مانند Orange County، CA، و Miami-Dade County, FL.
3.4.2. انتخاب متغیرهای مستقل
ضریب همبستگی شخصی (PCC) [ 39 ، 40 ] برای این متغیرها در جدول 4 ارائه شده است . همبستگی‌های نشان‌داده‌شده در جدول 4 یک رابطه شگفت‌انگیز را نشان می‌دهند، با بالاترین این همبستگی‌ها مربوط به 60 سال و نسبت وابستگی بیش از حد جمعیت و سن (r = 0.86، p -value <0.01). داشتن مدرک لیسانس رابطه مثبت قوی با درآمد متوسط ​​خانوار دارد (r = 0.79، p -value < 0.01). روابط مثبت قوی بین کلاس کمتر از نهم و شاخص تنوع (r = 0.69، p -value < 0.01) و جمعیت زیر 18 سال با مردان در هر 100 زن (r = 0.66، p وجود دارد.– ارزش < 0.01). با توجه به مدل‌سازی آماری زیر، برخی از همبستگی‌ها نگرانی‌هایی را برای هم‌خطی ایجاد می‌کنند.
اثر هم خطی ضرایب رگرسیون را غیر قابل اعتماد می کند. بنابراین، انتخاب ویژگی در انتخاب زیرمجموعه ای از ویژگی های مهم به عنوان عوامل خاص برای توسعه مدل مورد نیاز است. LASSO در آزمایشات ما استفاده شد. شکل 14 اهمیت متغیر را با احتمالات آنها نشان می دهد. در طی فرآیند انتخاب ویژگی، متغیرهایی که هنوز دارای ضریب غیر صفر هستند، به عنوان بخشی از مدل انتخاب می شوند. برای ارزش λلسه( λلسهمدلی را ارائه می دهد که خطا در حد یک خطای استاندارد حداقل باشد)، پنج متغیر زیر انتخاب شدند: مدرک لیسانس، شاخص تنوع، نسبت وابستگی به سن، تراکم جمعیت و نرخ جرم و جنایت در سال 2019 به ازای هر 10000 نفر. این بدان معناست که میزان تحصیلات، نژاد، جمعیت شناسی و جرم و جنایت در سال 2019 با تغییرات دزدی در جریان اعتراضات BLM مرتبط است. به طور خاص، نرخ جرم و جنایت در سال 2019 با تغییرات سرقت نسبت به سایر متغیرها رابطه معناداری دارد.
3.4.3. تجزیه و تحلیل عوامل محرک
نتیجه رگرسیون لجستیک باینری در جدول 5 نشان داده شده است . مربع شبه R 0.6479 است و مقدار p این مدل کمتر از 0.01 است. با کمال تعجب، به جز مدرک لیسانس، مقادیر P سایر متغیرهای مستقل همگی بزرگتر از 0.1 هستند. شواهد آماری قابل توجهی وجود ندارد ایکس1، ایکس4، ایکس12، ایکس13با تغییر نرخ سرقت در این مدل رگرسیون لجستیک مرتبط هستند. برای بررسی پایایی نتایج، آزمایش‌هایی را با مدل رگرسیون خطی انجام دادیم و نتایج همسان بود.
ما مشاهده کردیم که مدرک لیسانس تأثیر مثبت قوی و قابل توجهی بر تغییر نرخ سرقت داشته است. تحقیقات فعلی نشان می دهد که آموزش باعث کاهش جرم می شود [ 41 ، 42 ]. متفاوت از تأثیر آموزش بر جرم و جنایت، شهرستان ها/شهرهایی که میزان تحصیلات بالاتری دارند، تأثیر مثبتی بر نرخ تغییر دزدی دارند. در طول اعتراضات، سرقت در شهرستان ها/شهرهایی که درصد بالاتری از مدرک لیسانس دارند، بیشتر رخ می دهد.
علاوه بر این، نسبت شانس نرخ جرم و جنایت به ازای هر 10000 نفر در سال 2019 بیشتر از چهار متغیر دیگر است. به ازای هر یک واحد افزایش نرخ جرم و جنایت به ازای هر 10000 نفر در سال 2019، نرخ تغییر دزدی در اعتراضات 4.485 افزایش یافته است. این بدان معناست که نرخ جرم و جنایت به ازای هر 10000 نفر در سال 2019 تأثیر مثبتی بر تغییر نرخ سرقت دارد. این با نتیجه LASSO مطابقت دارد.
شایان ذکر است که درصد افراد سفیدپوست یا سیاه پوست به عنوان عوامل تعیین کننده در LASSO انتخاب نمی شوند، اگرچه BLM جنبشی در اعتراض به حوادث خشونت با انگیزه نژادی علیه سیاه پوستان است. این احتمالاً به این دلیل است که اکثریت آمریکایی‌ها، در تمام گروه‌های نژادی و قومی، حمایت خود را از جنبش زندگی سیاه‌پوستان مهم است [ 43 ] ابراز کرده‌اند.

4. بحث

اگرچه جامعه و رسانه های اجتماعی به طور گسترده اعتراضات را گزارش کرده اند و به حادثه جورج فلوید واکنش نشان داده اند، این حادثه یک حادثه نگهبان در تغییر جهت کاهش کلی جرم و جنایت نبود. تجزیه و تحلیل ما برای شناسایی متغیرهای جرم و عوامل محرک در طول اعتراضات BLM در بین 50 نمونه از شهرهای ایالات متحده که تا به امروز مورد بررسی قرار گرفته بودند، موقعیت خوبی داشت. ما افزایش شدید سرقت‌ها را برای یک دوره زمانی خاص در برخی مکان‌ها مشاهده کردیم، اما هیچ تغییر گسترده‌ای در روند کلی جرم و جنایت در میان شهرستان‌ها/شهرها در مطالعه ما مشاهده نشد. ما همچنین دریافتیم که تعداد پرونده سرقت به سطح عادی بازگشت که 5 روز بعد تغییر چندانی نکرد. بنابراین، تجزیه و تحلیل ما این درک طولانی مدت را تأیید می کند که علت جرم منعکس کننده یک روند کند است و تحت تأثیر شرایط اضطراری قرار نمی گیرد.22 ، 44 ]. تغییر تعداد جرم، بدون افزایش یا کاهش، در مدت کوتاهی پس از پایان حادثه اضطراری به حالت عادی باز می گردد. علاوه بر این، چندین محدودیت برای مطالعه حاضر وجود دارد.
این مطالعه کلمه نهایی در مورد تغییرات جرم نیست. ما تغییرات مداوم دزدی بعد از 15 ژوئن 2020 را به دلیل کمبود داده در نظر نگرفتیم، که تحلیل فصلی در طول دوره BLM وجود ندارد. به طور مشابه، از آنجایی که ما فقط نرخ تغییر را برای سال 2020 محاسبه کردیم (به جای تفاوت در تفاوت، به عنوان مثال، مقایسه نرخ تغییر با داده‌های سال 2019)، اساساً نمی‌توانیم روند بالقوه در داده‌ها را در نظر بگیریم.
ثانیاً، تغییرات مکانی-زمانی منعکس کننده مکان اعتراضات است. در حالی که شش شهر در شکل 7 ، شکل 8 ، شکل 9 ، شکل 10 ، شکل 11 و شکل 12در روز اوج دزدی، هم یک کانون بزرگ مقیاس است، هم از تحلیل دقیق‌تر منطقه مانند مناطق مسکونی و غیرمسکونی صرفنظر می‌کند. ممکن است بر اساس نوع کاربری زمین، تفاوت‌های آشکاری وجود داشته باشد که تحلیل ما آن‌ها را درک نمی‌کند. علاوه بر این، توزیع سرقت ممکن است با توزیع مناطق تجاری مانند مغازه ها و فروشگاه ها نیز ارتباط داشته باشد. پلیس و صاحبان مشاغل می توانند اقداماتی را برای جلوگیری از تکرار این رویدادها در آینده انجام دهند.
این یک روش داده کاوی معمولی است که برای آزمایش تأثیر عوامل محرک بر جرم با شناسایی اهمیت ویژگی ها استفاده می شود. تفاوت با مدل های آماری، معناداری را نمی توان به راحتی تفسیر کرد.
علاوه بر این، رویدادهای غم انگیزی مانند مرگ تریون مارتین، مایکل براون، جورج فلوید، توجه و بحث گسترده ای را در مورد مسئولیت پذیری پلیس و مشروعیت پلیس برانگیخته است. با این حال، چنین بحثی باید با داده های محکم و تجزیه و تحلیل دقیق انجام شود. تصمیمات سیاستی که مبتنی بر شواهد نیست می تواند تأثیر منفی بر امنیت عمومی داشته باشد و اعتبار دولت را کاهش دهد. ما به دنبال ارائه شواهد تجربی در مورد تأثیر اعتراضات بر جنایت بودیم. ما امیدواریم که نتایج ما به ارائه بحث های مبتنی بر شواهد در مورد تغییرات جرم و دلایل آن در اعتراضات BLM کمک کند، به ویژه بحث گسترده تر در مورد تغییرات در روند جرم و جنایت.

5. نتیجه گیری ها

این تحقیق یکی از اولین تحلیل‌های تجربی از الگوهای مکانی-زمانی و عوامل مؤثر بر میزان جرم و جنایت در اعتراضات BLM 2020 را ارائه می‌کند که موضوع نگرانی مقامات ایمنی و بهداشت عمومی و رسانه‌ها بوده است. به طور خاص، ما از روش‌های چندگانه فضایی (ANN و KDE) و تجزیه و تحلیل آماری (LASSO و رگرسیون لجستیک) برای مدل‌سازی روند مکانی-زمانی و عوامل محرک سرقت در طول اعتراضات BLM در 50 شهرستان و شهر ایالات متحده استفاده می‌کنیم. نتایج منعکس کننده تغییرات کلی جرم در طول BLM هستند. اعتراضات در آمریکا تا حدی
از نتایج آزمایش‌ها و آمار، نشان می‌دهیم که (1) به نظر می‌رسد که جرم در ایالات متحده به طور کلی در طول همه‌گیری COVID-19 کاهش می‌یابد، اما اعتراض BLM در پس‌زمینه ثبات نسبی جرم رخ داد. (2) الگوهای زمانی متفاوتی از میزان جرم و جنایت در طول اعتراضات BLM 2020 در ایالات متحده ظاهر می شود. (3) فقط انواع خاصی از جرم، به عنوان مثال، دزدی، تغییر شدید در تعداد و توزیع مکانی دارد. و (4) میزان تحصیلات، نژاد، جمعیت و جرم و جنایت در سال 2019 با تغییرات دزدی در جریان اعتراضات BLM مرتبط است. به طور خاص، شهرستان‌ها/شهرهای دارای نرخ آموزش عالی تأثیر مثبتی بر نرخ تغییر سرقت دارند. نتایج پیشنهادات و مبنایی را برای پلیس و سازمان‌های دولتی ارائه می‌کند تا در جلوگیری از انتشار اعتراضات خشونت‌آمیز و افزایش جرایم گام بردارند.
در نهایت، به عنوان تقویت آینده کار ما، تجزیه و تحلیل دقیق مکانی-زمانی [ 42 ، 45 ] در سطح بلوک یا سطح جامعه، تغییرات جرم و جنایت در شهرستان/شهرستان را بهتر منعکس خواهد کرد. علاوه بر این، حمله خشونت آمیز و خشونت با اسلحه از حوزه های مهم تحقیق در جرم شناسی هستند و توجه بیشتری به این دو نوع جرم در کلان شهرها معطوف خواهد شد. خصلت توزیع فضایی ما را برانگیخت تا با استفاده از روش‌های مختلف مانند مدل رگرسیون پواسون و ARIMA، مطالعات بیشتری را در مورد تأثیر نقطه‌نفع بر جرم و جنایت انجام دهیم [14] .]. داده‌های دقیق‌تر، به‌عنوان مثال، ویژگی‌های حادثه جنایت، از جمله پس‌زمینه ناشناس مظنون، به توضیح تغییرات کمک می‌کند. به عنوان مثال، آیا هجوم افراد با تحصیلات پایین سیل به منطقه ای با جمعیت تحصیلکرده باعث افزایش نرخ جرم و جنایت می شود؟

منابع

  1. راث، RE; راس، KS; فنچ، بی جی; لو، دبلیو. Maceachren، AM تجزیه و تحلیل جرم فضایی و زمانی در سازمان های مجری قانون ایالات متحده: شیوه های فعلی و نیازهای برآورده نشده. فرمانداری Inf. Q. 2013 , 30 , 226-240. [ Google Scholar ] [ CrossRef ]
  2. دوان، ال. هو، تی. چنگ، ای. ژو، جی. گائو، سی. شبکه‌های عصبی پیچیده عمیق برای پیش‌بینی جرم فضایی و زمانی. در مجموعه مقالات کنفرانس بین المللی مهندسی اطلاعات و دانش (IKE)، لاس وگاس، NV، ایالات متحده آمریکا، 17 تا 20 ژوئیه 2017. [ Google Scholar ]
  3. اسمیت، WR; Frazee, SG; دیویسون، EL ادامه ادغام فعالیت های معمول و نظریه های بی نظمی اجتماعی: واحدهای کوچک تحلیل و مطالعه سرقت خیابانی به عنوان یک فرآیند انتشار. جرم شناسی 2000 ، 38 ، 489-524. [ Google Scholar ] [ CrossRef ]
  4. سامپسون، RJ; گرووز، ساختار جامعه و جرم و جنایت: آزمایش نظریه بی‌سازمانی اجتماعی. صبح. جی. سوسیول. 1989 ، 94 ، 774-802. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
  6. Felson, M. Environmental Criminology and Crime Analysis , 2nd ed.; Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2008; صص 87-97. [ Google Scholar ]
  7. اندرسن، MA تحلیل فضایی جرم در ونکوور، بریتیش کلمبیا: ترکیبی از بی‌سازمانی اجتماعی و نظریه فعالیت معمول. می توان. Geogr. Le Géographe Can. 2006 ، 50 ، 487-502. [ Google Scholar ] [ CrossRef ]
  8. اندرسن، MA اقدامات جنایی و تحلیل فضایی فعالیت مجرمانه. برادر J. Criminol. 2006 ، 46 ، 258-285. [ Google Scholar ] [ CrossRef ]
  9. اک، ج. Guerette, RT The Oxford of Handbook of Crime Prevention ; انتشارات دانشگاه آکسفورد: نیویورک، نیویورک، ایالات متحده آمریکا، 2012; صص 354-383. [ Google Scholar ]
  10. Friedersdorf، C. چگونه بین آنتیفا، برتری طلبان سفیدپوست و زندگی سیاه پوستان مهم است. اقیانوس اطلس. در دسترس آنلاین: https://www.theatlantic.com/politics/archive/2017/08/drawing-distinctions-antifathe-alt-right-and-black-lives-matter/538320 (در 2 سپتامبر 2020 قابل دسترسی است).
  11. تیلور، دی بی جرج فلوید اعتراضات: یک جدول زمانی. نیویورک تایمز ، 10 ژوئیه 2020. [ Google Scholar ]
  12. دیو، دی.م. فریدسون، هوش مصنوعی؛ ماتسوزاوا، ک. سابیا، جی جی; سافورد، اس. اعتراضات، فاصله گذاری اجتماعی و کووید-19 اهمیت دارد . 0898–2937; دفتر ملی تحقیقات اقتصادی: کمبریج، MA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  13. مولر، جی. برتوزی، آل. کارتر، جی. کوتاه، مگابایت؛ سورتمه، دی. تیتا، جنرال الکتریک؛ اوچیدا، سی دی; Brantingham، PJ تأثیر فاصله گذاری اجتماعی در طول همه گیری COVID-19 بر جرم و جنایت در لس آنجلس و ایندیاناپولیس. جی. جنایت. عدالت 2020 ، 68 ، 101692. [ Google Scholar ] [ CrossRef ]
  14. یانگ، سی. شا، دی. لیو، کیو. لی، ی. لان، اچ. Guan، WW; هو، تی. لی، ز. ژانگ، ز. تامپسون، جی.اچ. نبض کووید-19 را در نظر می گیریم: دیدگاه فضایی و زمانی. بین المللی جی دیجیت. زمین 2020 ، 10 ، 1186-1211. [ Google Scholar ] [ CrossRef ]
  15. هو، تی. گوان، دبلیو. زو، ایکس. شائو، ی. لیو، ال. دو، ج. لیو، اچ. ژو، اچ. وانگ، جی. او، بی. و همکاران ساخت یک مخزن منابع باز برای تحقیقات COVID-19. اطلاعات اطلاعات مدیریت 2020 ، 4 ، 130-147. [ Google Scholar ]
  16. شا، دی. میائو، ایکس. لان، اچ. استوارت، ک. روآن، اس. تیان، ی. یانگ، سی. تجزیه و تحلیل فضایی-زمانی کمبود منابع پزشکی در ایالات متحده تحت همه‌گیری COVID-19. PLoS ONE 2020 ، 15 ، 1-23. [ Google Scholar ] [ CrossRef ]
  17. پین، جی. مورگان، الف. کووید-19 و جرایم خشونت‌آمیز: مقایسه نرخ‌های تخلف ثبت‌شده و پیش‌بینی‌های پویا (ARIMA) برای مارس 2020 در کوئینزلند، استرالیا. SocArXiv de9nc، مرکز علوم باز. 2020. در دسترس آنلاین: https://ideas.repec.org/p/osf/socarx/g4kh7.html (در 2 سپتامبر 2020 قابل دسترسی است).
  18. پیکورو، آر. ریدل، جی آر؛ Bishopp، SA; ناروی، سی. رید، جی. Piquero، NL در خانه بمانیم، ایمن بمانیم؟ تجزیه و تحلیل کوتاه مدت COVID-19 در مورد خشونت خانگی دالاس. صبح. جی. جنایت. عدالت 2020 ، 3 ، 1-35. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  19. فلسون، ام. جیانگ، اس. Xu, Y. اثرات فعالیت معمول همه‌گیری Covid-19 در سرقت در دیترویت، مارس 2020. Crime Sci. 2020 ، 9 ، 10. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  20. 250 به دلیل نقض قانون 1.5 متر جریمه شد، اما جنایت “سنتی” به شدت کاهش می یابد. در دسترس آنلاین: https://www.dutchnews.nl/news/2020/04/250-fined-for-breaking-1-5-meter-rule-but-traditional-crime-drops-sharply/ (در 2 سپتامبر قابل دسترسی است. 2020).
  21. روزنفلد، آر. لوپز، ای. همه‌گیری، ناآرامی اجتماعی و جنایت در شهرهای ایالات متحده: به‌روزرسانی آگوست 2020 ؛ شورای عدالت کیفری: واشنگتن، WA، ایالات متحده آمریکا، 2020. [ Google Scholar ]
  22. پیروز، دی سی; دکر، SH; Wolfe، SE; Shjarback، JA آیا تأثیر فرگوسن بر میزان جرم و جنایت در شهرهای بزرگ ایالات متحده وجود داشت؟ جی. جنایت. عدالت 2016 ، 46 ، 1-8. [ Google Scholar ] [ CrossRef ]
  23. Updegrove، ق. کوپر، MN; اوریک، EA؛ Piquero، AR Red States and Black Life: به کارگیری فرضیه تهدید نژادی در جنبش Black Lives Matter. عدالت Q. 2020 ، 37 ، 85-108. [ Google Scholar ] [ CrossRef ]
  24. نحوه عملکرد میانگین نزدیکترین همسایه در دسترس آنلاین: https://pro.arcgis.com/en/pro-app/tool-reference/spatial-statistics/h-how-average-nearest-neighbor-distance-spatial-st.htm (دسترسی در 2 سپتامبر 2020 ).
  25. سیلورمن، تخمین چگالی BW برای آمار و تجزیه و تحلیل داده ها . CRC Press: Boca Raton، FL، USA، 1986; جلد 26. [ Google Scholar ]
  26. SpotCrime. در دسترس آنلاین: https://spotcrime.com/ (در 2 سپتامبر 2020 قابل دسترسی است).
  27. کورسو، ای جی به سوی تحلیل جرم پیش‌بینی‌کننده از طریق رسانه‌های اجتماعی، داده‌های بزرگ و همبستگی فضایی gis. در آیکنفرانس 2015 ; iSchools: نیوپورت بیچ، کالیفرنیا، ایالات متحده آمریکا، 2015. [ Google Scholar ]
  28. تعاریف تخلف UCR در دسترس آنلاین: https://www.ucrdatatool.gov/offenses.cfm (در 2 سپتامبر 2020 قابل دسترسی است).
  29. اسری. بیانیه روش شناسی شاخص تنوع ایالات متحده 2020 Esri. در دسترس آنلاین: https://downloads.esri.com/esri_content_doc/dbl/us/J10170_US_Diversity_Index_2020.pdf (در 2 سپتامبر 2020 قابل دسترسی است).
  30. اسری. تنوع در ایالات متحده در دسترس آنلاین: https://www.arcgis.com/home/item.html?id=def0151deab74cdb881eb92ea6d860d4 (در 2 سپتامبر 2020 قابل دسترسی است).
  31. چینی، اس. تامپسون، ال. Uhlig, S. ابزار نقشه برداری کانون برای پیش بینی الگوهای فضایی جرم. امن J. 2008 , 21 , 4-28. [ Google Scholar ] [ CrossRef ]
  32. Nitta، GR; رائو، توسط; سروانی، ت. راماکریشیا، ن. BalaAnand، M. انتخاب ویژگی مبتنی بر LASSO و طبقه‌بندی کننده ساده بیز برای پیش‌بینی جرم و نوع آن. خدمت محاسبات گرا Appl. 2019 ، 13 ، 187-197. [ Google Scholar ] [ CrossRef ]
  33. سانتوسا، اف. Symes، WW وارونگی خطی لرزه نگاری های بازتابی با نوار محدود. SIAM J. Sci. آمار محاسبه کنید. 1986 ، 7 ، 1307-1330. [ Google Scholar ] [ CrossRef ]
  34. تبشیرانی، آر. انقباض و انتخاب رگرسیون از طریق کمند. JR Stat. Soc. سر. B 1996 ، 58 ، 267-288. [ Google Scholar ] [ CrossRef ]
  35. فونتی، وی. Belitser, E. انتخاب ویژگی با استفاده از کمند. VU Amst. Res. پاپ اتوبوس. مقعدی 2017 ، 30 ، 1-25. [ Google Scholar ]
  36. Hosmer، DW، Jr. لمشو، اس. Sturdivant، RX کاربردی رگرسیون لجستیک ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2013. جلد 398. [ Google Scholar ]
  37. قتل های Hoonhout، T. در لس آنجلس نسبت به هفته قبل 250 درصد افزایش یافته است. در دسترس آنلاین: https://news.yahoo.com/homicides-los-angeles-increase-250-125611007.html (در 2 سپتامبر 2020 قابل دسترسی است).
  38. McEvoy, J. 14 Days of Protests, 19 Dead. در دسترس آنلاین: https://www.forbes.com/sites/jemimamcevoy/2020/06/08/14-days-of-protests-19-dead/#4d7181ca4de4 (در 2 سپتامبر 2020 قابل دسترسی است).
  39. راجرز، جی ال. Nicewander، WA سیزده روش برای نگاه کردن به ضریب همبستگی. صبح. آمار 1988 ، 42 ، 59-66. [ Google Scholar ] [ CrossRef ]
  40. استیگلر، گزارش فرانسیس گالتون از اختراع همبستگی. آمار علمی 1989 ، 4 ، 73-79. [ Google Scholar ] [ CrossRef ]
  41. Lochner, L. مزایای غیر تولیدی آموزش: جنایت، سلامت و شهروندی خوب . مقاله کار CIBC، شماره 2010-7; دانشگاه غربی انتاریو، مرکز CIBC برای سرمایه انسانی و بهره‌وری: لندن، ON، کانادا، 2010. [ Google Scholar ]
  42. ماچین، اس. ماری، او. Vujić، S. اثر کاهش جرم آموزش. اقتصاد J. 2011 ، 121 ، 463-484. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. پارکر، KH; جولیانا، م. اندرسون، ام. در میان اعتراضات، اکثریت در میان گروه های نژادی و قومی حمایت خود را از جنبش زندگی سیاه پوستان مهم است. در دسترس آنلاین: https://tinyurl.com/ycslfon5. (در 2 سپتامبر 2020 قابل دسترسی است).
  44. گلدبرگر، اس. Rosenfeld, R. Understanding Crime Trends: Workshop Report ; انتشارات آکادمی ملی: واشنگتن، WA، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  45. یانگ، سی. کلارک، ک. شکر، س. تائو، CV تجزیه و تحلیل داده های مکانی-زمانی بزرگ: مرز تحقیق و نوآوری. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1075-1088. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شکل 1. گردش کار فرآیند تحلیلی شامل مجموعه داده های جمع آوری شده (زرد)، ابزار پردازش داده ها (آبی)، روش های تجزیه و تحلیل (صورتی) و نتایج تحلیلی (بنفش).
شکل 2. انتخاب 50 منطقه شهرستان از وب سایت SpotCrime.
شکل 3. نمودار جعبه ای از نرخ کل جرم و جنایت به ازای هر 10000 نفر شامل نقاط پرت (دایره های قرمز)، مقادیر میانگین نرخ جرم (دایره های نارنجی)، و مقدار متوسط ​​نرخ جرم (خطوط زرد داخل جعبه ها).
شکل 4. سری زمانی جنایات در روز ( a ) شهرستان لس آنجلس، کالیفرنیا. ( ب ) شهر نیویورک، نیویورک؛ ( ج ) شیکاگو، IL; ( د ) سانفرانسیسکو، کالیفرنیا؛ ( ه ) واشنگتن دی سی. ( f ) مینیاپولیس، MN; ( g ) شهرستان شلبی، AL; ( h ) شهرستان اولمستد، MN; ( i ) شهرستان نیوبری، SC. خط عمودی زرد تاریخ اولین مورد تایید شده را نشان می دهد، خط عمودی قرمز تاریخ اجرای دستور اقامت در خانه را نشان می دهد و خط عمودی آبی نشان دهنده تاریخ مرگ جورج فلوید (26 ژوئن 2020) است.
شکل 5. تعداد جرایم برای انواع مختلف ( الف ) شهرستان لس آنجلس، کالیفرنیا. ( ب ) شهر نیویورک، نیویورک؛ ( ج ) شیکاگو، IL; ( د ) سانفرانسیسکو؛ ( ه ) واشنگتن دی سی; ( f ) مینیاپولیس، MN; ( g ) شهرستان شلبی، AL; ( h ) شهرستان اولمستد، MN; ( i ) شهرستان نیوبری، SC.
شکل 6. میانگین نزدیکترین مقدار همسایه ( a ) شهرستان لس آنجلس، کالیفرنیا. ( ب ) شهر نیویورک، نیویورک؛ ( ج ) شیکاگو، IL; ( د ) سانفرانسیسکو؛ ( ه ) واشنگتن دی سی; ( f ) مینیاپولیس، MN. خط قرمز عمودی نشان دهنده اولین تاریخ اعتراض گزارش شده از هر شهرستان/شهر است.
شکل 7. نقاط داغ سرقت در شهرستان لس آنجلس، کالیفرنیا ( a ) 23 مه 2020؛ ( ب ) 30 مه 2020؛ ( ج ) 6 ژوئن 2020.
شکل 8. نقاط داغ سرقت در شهر نیویورک، نیویورک ( a ) 26 مه 2020؛ ( ب ) 2 ژوئن 2020؛ ( ج ) 9 ژوئن 2020.
شکل 9. نقاط داغ سرقت در شیکاگو، IL ( a ) 24 مه 2020؛ ( ب ) 31 مه 2020؛ ( ج ) 7 ژوئن 2020.
شکل 10. نقاط داغ سرقت در سانفرانسیسکو، کالیفرنیا ( a ) 24 مه 2020؛ ( ب ) 31 مه 2020؛ ( ج ) 7 ژوئن 2020.
شکل 11. نقاط داغ دزدی در واشنگتن دی سی ( a ) 24 مه 2020؛ ( ب ) 31 مه 2020؛ ( ج ) 7 ژوئن 2020.
شکل 12. نقاط داغ سرقت در مینیاپولیس، MN ( a ) 21 مه 2020؛ ( ب ) 28 مه 2020؛ ( ج ) 4 ژوئن 2020
شکل 13. توزیع نرخ تغییر سرقت. دایره های قرمز نشان دهنده مناطق تحقیقاتی است که در آن سرقت بیش از 50٪ افزایش یافته است.
شکل 14. اهمیت متغیر با حداقل انقباض مطلق و عملگر انتخاب (LASSO).

بدون دیدگاه

دیدگاهتان را بنویسید