جستجو ...

الگوی فضایی و اجتماعی اموال و جنایات خشونت آمیز در محله های تورنتو: رویکرد کمی- فضایی

مقالات داخلی و بین المللی الگوی فضایی و اجتماعی اموال و جنایات خشونت آمیز در محله های تورنتو: رویکرد کمی- فضایی

خلاصه

فعالیت های مجرمانه اغلب به طور نابرابر در فضا توزیع می شوند. ادبیات نشان می‌دهد که وقوع جرم غالباً در محله‌های خاص متمرکز است و به عوامل مختلف اجتماعی-اقتصادی و فرصت جرم مرتبط است. این مطالعه با بررسی شرایط اجتماعی-اقتصادی محله و ویژگی‌های فردی مجرمان مرتبط با جرم در شهر تورنتو، که متشکل از 140 محله است، الگوی گسترده اموال و جرایم خشونت‌آمیز را در میان اقشار مختلف اجتماعی-اقتصادی و در سراسر فضا بررسی می‌کند. تورنتو علیرغم اینکه بزرگترین مرکز شهری در کانادا است، با جمعیتی رو به رشد، در تحلیل جرم و جنایت از دیدگاه فضایی مورد مطالعه قرار نگرفته است. در این مطالعه، هر دو مجموعه داده های دارایی و جرایم خشونت آمیز از سال های 2014 تا 2016 و شاخص انتاریو-حاشیه سازی مبتنی بر سرشماری با استفاده از روش های فضایی و کمی تجزیه و تحلیل می شوند. تکنیک‌های فضایی مانند Local Moran’s I برای تحلیل توزیع فضایی فعالیت‌های مجرمانه در حالی که خود همبستگی فضایی را محاسبه می‌کنند، استفاده می‌شوند. فاصله تا جرم برای کشف رفتار فضایی فعالیت مجرمانه اندازه‌گیری می‌شود. رگرسیون خطی حداقل مربعات معمولی (OLS) برای کشف راه‌هایی انجام می‌شود که در آن ویژگی‌های جمعیتی فردی و محله با نرخ جرم و جنایت در سطح محله مرتبط است. رگرسیون وزن‌دار جغرافیایی (GWR) برای درک بیشتر ما از روابط متغیر فضایی بین جرم و متغیرهای مستقل موجود در مدل OLS استفاده می‌شود. اموال و جرایم خشونت آمیز در طول سه سال مطالعه نشان می دهد که توزیع مشابهی از نقاط داغ جرم و جنایت در مرکز، شمال غرب و شرق شهر وجود دارد. مدل OLS نشان می‌دهد که جمعیت‌شناسی مرتبط با مجرم (یعنی سن، وضعیت تأهل) پیش‌بینی‌کننده مهمی برای هر دو نوع جرم است، اما به روش‌های مختلف. متغیرهای زمینه ای محله با چهار بعد شاخص حاشیه نشینی انتاریو اندازه گیری می شوند. آنها به طور قابل توجهی با جنایات خشونت آمیز و دارایی از طرق مختلف مرتبط هستند. GWR مدل مناسب تری برای توضیح تغییرات در نرخ جرم ملکی مشاهده شده در محله های مختلف است. همچنین عدم ایستایی فضایی را در روابط مشخص می کند. این مطالعه مفاهیمی را برای پیشگیری و امنیت جرم از طریق درک بهتر الگوها و عوامل جرم ارائه می‌کند.

کلید واژه ها:

تحلیل فضایی ; جرم عمده ; تورنتو ؛ محله ؛ GWR ; OLS ; حاشیه نشینی

1. معرفی

فعالیت های جرم و جنایت اغلب به طور نابرابر در فضا در یک شهرداری یا منطقه جغرافیایی توزیع می شوند [ 1 ]، و وقوع جرم تمایل دارد در محله ها یا مکان های خاصی متمرکز شود [ 2 ، 3 ، 4 ، 5 ]. نقشه برداری جرم و جنایت با استفاده از سیستم اطلاعات جغرافیایی (GIS) در سال های اخیر به عنوان ابزاری برای افزایش درک ما از الگوهای جرم پیشرفت زیادی کرده است. این نقشه جایگزین “نقشه نقطه ای” مورد استفاده توسط نیروهای پلیس شده است که به موجب آن پین ها به صورت فیزیکی بر روی نقشه های بزرگ خیابان ها برای شناسایی خطرات جرم قرار می گیرند [ 6]]. علاوه بر رویکرد نقشه‌برداری، تحلیل‌های آماری فضایی برای بررسی تمرکز و پراکندگی فعالیت‌های مجرمانه و همچنین روابط بین الگوهای جرم و ویژگی‌های اجتماعی-اقتصادی محله‌ها و مجرمان و قربانیان استفاده شده است. به عنوان مثال، تکنیک‌های خوشه‌بندی فضایی برای شناسایی مناطق با خطر بالا (یا کم) برای جرایم مواد مخدر که توسط مناطقی با خطرات غیر تصادفی مشابه (یا غیر مشابه) احاطه شده‌اند، استفاده می‌شود [4] .]. چنین رویکردهایی امکان شناسایی «نقاط داغ» یا «نقاط سرد» معنی‌دار آماری را برای انواع مختلف جرم در یک منطقه مورد مطالعه فراهم می‌کند و بینش‌های انتقادی را در زمینه‌های اجتماعی-اقتصادی و فضایی فعالیت‌های مجرمانه و الگوهای جرم ارائه می‌دهد. تحقیقات همچنین نشان داده است که محله‌هایی با میزان جرم و جنایت بالا با سطوح بالاتری از آسیب‌های اقتصادی، نسبت‌های بیشتر جوانان و بی‌ثباتی مسکونی بیشتر همراه هستند [ 5 ]. محرومیت، معیاری کلیدی از آسیب های اجتماعی-اقتصادی، به عنوان یک عامل تعیین کننده قوی برای نرخ جرم و جنایت در سطح محله در محیط های شهری یا در واحدهای فضایی بزرگ مانند شهرها یافت می شود [7 ] .
شناسایی عواملی که در بروز جرم نقش دارند، کانون اصلی تحقیقات در مورد وقوع جرم و الگوهای آن بوده است. مشخص شده است که ویژگی های فردی مجرمان، مانند تحصیلات، جنسیت، سن، وضعیت تاهل، طبقه اجتماعی و وضعیت شغلی به طور قابل توجهی با انواع خاصی از جرم مرتبط است [ 8 ]. به عنوان مثال، افراد کم سواد در مقایسه با کسانی که تحصیلات عالی دارند، بیشتر درگیر جرم هستند. به طور خاص، کسانی که بیش از دیپلم دبیرستان ندارند بیشتر به دلیل کلاهبرداری یا جرایم مرتبط با مواد مخدر زندانی می شوند [ 9 ]. جنسیت و سن بر انواع مختلف جرم تأثیر می گذارند. یک مطالعه فنلاندی نشان داد که مردان و افرادی که در گروه سنی 15 تا 30 سال قرار دارند، شیوع بالایی از جنایات دارایی و خشونت آمیز دارند [10 ]]. در مقابل، یک مطالعه منطقه‌ای در روسیه نشان داد که مجرمان زن بیشتری به دلیل جرایم خشونت‌آمیز در مقایسه با جرایم تجاری یا مرتبط با مواد مخدر محکوم شده‌اند [ 11 ]. علاوه بر این، نظریه سبک زندگی نشان می دهد که وقوع جرم با متغیرهای جمعیت شناختی مرتبط است، زیرا چنین ویژگی هایی با سبک زندگی مجرم مرتبط است [ 12 ]. تئوری سبک زندگی همچنین به رفتار از نظر ویژگی های روال روزانه مجرمان، مانند کار، مدرسه، شرایط مسکن و فعالیت های اوقات فراغت مربوط می شود [ 13 ]. به عنوان مثال، وضعیت ازدواج و درآمد پایین به طور مثبت با قربانی شدن سرقت مرتبط است، در حالی که زندگی در یک خانه مجزا رابطه منفی دارد [ 12 ].
یک روند قابل توجه در تحقیقات جنایی، تأثیر فزاینده محیط‌های اجتماعی، اقتصادی و سیاسی (یعنی عوامل زمینه‌ای) بر تغییرات جرم محله است. تحقیقاتی که به بررسی ارتباط بین اثرات زمینه‌ای محله بر جرم می‌پردازد، عمدتاً بر روی نظریه بی‌سازمانی اجتماعی، یک دیدگاه نظری کلیدی که ویژگی‌های اکولوژیکی محیط، مانند ضعف اقتصادی و ناهمگونی قومی را به وقوع جرم در محله پیوند می‌دهد، بنا شده است [14 ، 15 ] . محله هایی که در سطح بالایی از آسیب در جنبه هایی مانند فقر و بیکاری قرار دارند، اغلب به دلیل وجود منابع کمتر در دسترس برای مقابله با آن، جرم بیشتری را تجربه می کنند [ 2 ، 7 ، 16 ،17 ]. منابع ممکن است به ویژه در محله‌های محروم از نظر جغرافیایی در شهرها یا مناطق محروم محدود باشد، که منجر به نرخ بالاتر جرم و جنایت، به ویژه جرایم خشونت‌آمیز و مالکیت می‌شود [ 7 ]. با بررسی هم محله ای که جرم در آن رخ می دهد و هم محله ای که مجرم در آن زندگی می کند، می توان به محیط محله نزدیک شد. محله ممکن است یکسان باشد یا نباشد. برای مثال، محیط محله مسکونی مجرم را در نظر بگیرید. الگوی کاربری زمین، که توسط مناطق باز و تراکم جاده نشان داده شده است، به عنوان یک عامل مهم در جرم و جنایت جوانان شناخته شده است [ 15]]. نظریه محرومیت نسبی به تأثیر بالقوه محیط محله بر جنایت و نقش نابرابری ادراک شده توسط افرادی که خود را با «گروه مرجع» مقایسه می کنند، مربوط می شود. درآمد ناعادلانه ادراک شده یا سهم منابع، برای مثال، همانطور که با میزان نابرابری درآمد سنجیده می شود، ممکن است باعث استرس یا ناامیدی شود، که منجر به واکنش فرد با درگیر شدن در رفتار مجرمانه شود [18 ، 19 ] . در حالی که شناسایی گروه مرجع مناسب به منظور تعیین نابرابری نسبی یا محرومیتی که ممکن است فرد احساس کند یک چالش است، تحقیقات از محله مسکونی و شهر بزرگتر برای بررسی رابطه بین نابرابری محله و جرم محله استفاده کرده است [7 ، 20 ]].
تئوری فعالیت های معمول چارچوبی جایگزین برای درک وقوع جرم ارائه می دهد که یک فرد با انگیزه در غیاب یک نگهبان توانا با یک فرصت (یا یک هدف مناسب) مواجه می شود [ 21 ]. به عنوان مثال، زمانی که مجرمان احتمالی به طور معمول از محله های خود به محله های مرفه تر (یا کمتر مرفه تر) سفر می کنند و از محیط تغییر یافته آگاه می شوند، جرایم اموال ممکن است افزایش یابد. تئوری فعالیت معمول ابزارهای فضایی مهمی را برای درک رابطه بین مکان جرم و مکان مجرم و رفتار فضایی (یا سفر) مرتبط با فعالیت مجرمانه فراهم می‌کند.
تحقیقات نسبتاً کمی هم عوامل زمینه‌ای (مثلاً شرایط و محیط اجتماعی-اقتصادی محله) و هم ویژگی‌های فردی (مثلاً مجرم) را در تجزیه و تحلیل جرم عمده گنجانده است. مطالعاتی که بر تأثیر بافت محله (یا شهر) بر جرم و جنایت متمرکز هستند، اغلب از متغیرهای زمینه‌ای از معیارهای محرومیت مبتنی بر سرشماری یا معیارهای سایر ویژگی‌ها مانند تراکم خروجی الکل، در سطح محله استفاده می‌کنند تا ارتباط بین محیط محله و نرخ جرم و جنایت [ 5 ، 16 ، 22]. این مطالعات دارای یک بعد فضایی برجسته هستند، زیرا فعالیت‌های مجرمانه اغلب در مناطق حاشیه‌نشین یا محروم از نظر اقتصادی-اجتماعی جمع می‌شوند. مطالعاتی که به بررسی رابطه بین جرم و ویژگی های فردی مجرم می پردازند، کمتر جغرافیایی دارند. آنها بیشتر بر تحلیل های آماری، مانند رگرسیون [ 10 ] تکیه می کنند، تا حدی به دلیل چالش دسترسی به داده های جغرافیایی ارجاع یا مکانی در مقیاس کوچک در مورد جرم (یا قربانی) که همچنین اطلاعاتی در مورد ویژگی های اجتماعی-اقتصادی افراد ارائه می دهد. نگران.
این مطالعه به دنبال تعیین عوامل همسایگی و ویژگی های فردی مجرمان مرتبط با میزان جرم و جنایت در تورنتو است. این روش از روش‌های کمی و مکانی برای تجزیه و تحلیل دو نوع جرم عمده استفاده می‌کند: جرم مالکیت و جرم خشن. ادبیات تحقیق نشان می‌دهد که جرم مالکیت و جنایات خشونت‌آمیز توزیع‌های فضایی متفاوتی دارند و با ویژگی‌های محله‌ای متمایز مرتبط هستند – برای مثال، ویژگی‌های خاص شیکاگو [ 23 ]. تحقیقات علمی محدودی در کانادا در مورد الگوهای فضایی جرم و عوامل تعیین کننده نسبت به نوع خاصی از جرم انجام شده است. یک استثنا، مجموعه ای از مطالعات انجام شده در شهر ونکوور است که از تکنیک های فضایی و آماری در بررسی الگوهای جرم و عوامل مرتبط با آن استفاده می کند.24 ، 25 ، 26 ، 27 ، 28]. اگرچه تورنتو بزرگترین مرکز شهری در کانادا است، با جمعیتی که به سرعت در حال رشد است، تحقیقات نسبتا کمی در مورد توزیع فضایی انواع مختلف جرایم عمده در تورنتو و ارتباط آنها با ویژگی‌های زمینه‌ای و مجرم انجام شده است. این مطالعه از طیف متنوعی از مجموعه‌های داده استفاده می‌کند، از جمله داده‌های ارجاع‌شده جغرافیایی در مورد دارایی و جنایات خشونت‌آمیز و ویژگی‌های مجرم از سال‌های 2014 و 2016، و همچنین شاخص حاشیه‌سازی انتاریو (On-Marg) 2006 (جدیدترین داده‌های On-Marg در سطح محله در زمان مطالعه)، برای روشن کردن وضعیت اجتماعی-اقتصادی محله هایی که جرم در آنها رخ می دهد.

2. داده ها

این مطالعه دو مجموعه داده مکانی اصلی را به منظور بررسی توزیع فضایی و الگوهای خوشه‌ای وقوع جرم و روابط بین نرخ جرم، ویژگی‌های مجرم، و بافت محله تجزیه و تحلیل می‌کند. این دو مجموعه داده در سطح محله شهر هستند، از جمله داده های جرم و جنایت عمده به دست آمده از واحد اطلاعات تجاری و تجزیه و تحلیل خدمات پلیس تورنتو (TPS) و شاخص حاشیه نشینی انتاریو (On-Marg)، یک مجموعه داده مبتنی بر سرشماری که ابعاد چندگانه را اندازه گیری می کند. حاشیه نشینی در سطح محله برای شهر تورنتو.
با توجه به ماهیت محرمانه داده ها، و مطابق با قانون آزادی اطلاعات و حفاظت از حریم خصوصی شهرداری، که طبق آن “موسسات دولتی محلی باید از حریم خصوصی اطلاعات شخصی افراد موجود در سوابق دولتی محافظت کنند” [29 ]]، تنها از داده های جرم جمع آوری شده در سطح محله در مطالعه استفاده می شود. در مجموع 140 محله در شهر تورنتو وجود دارد. داده های جرم اطلاعاتی را در مورد (الف) وقوع اموال و جنایات خشونت آمیز بر اساس محله در تورنتو از سال 2014 تا 2016 ارائه می دهد. (ب) انتخاب وضعیت اجتماعی-اقتصادی (SES) (سن، جنسیت، وضعیت تأهل، مسافت طی شده تا محل جرم) مجرمین متهم به دارایی و جنایت خشونت آمیز در سطح محله؛ و (ج) میانگین مسافت طی شده بین محل سکونت مجرمان و محل تخلف. (یعنی سفر به جنایت).
متغیرهای SES به ما امکان می‌دهند درصد مجرمان در هر محله را در گروه‌های سنی مختلف، گروه‌های جنسیت و وضعیت تأهل مختلف درک کنیم. متغیر فاصله میانگین مسافت خط مستقیم متخلفان را از محل مسکونی خود تا جرم در یک محله اندازه گیری می کند. در Alteryx با استفاده از محل کد پستی متخلف به محل کد پستی تخلف محاسبه می شود. در مطالعات قبلی کمترین فاصله برای کاهش هزینه های سفر و در عین حال به حداکثر رساندن منافع عمل مجرمانه فرض شده است [ 30 ، 31 ، 32]. خروجی ها بر حسب کیلومتر هستند و در بین جرایم دارایی و خشونت آمیز طبقه بندی می شوند تا تفاوت بین هر دو گروه مشخص شود. به دلایل محرمانه بودن، فاصله محاسبه شده در سطح فردی قبل از تجزیه و تحلیل در مطالعه به سطح محله تجمیع شد. محاسبه میانگین مسافت طی شده به ما امکان می‌دهد تفاوت‌های رفتاری بین فعالیت فضایی دارایی و جرم خشونت‌آمیز را درک کنیم و در مدل‌های رگرسیون به‌عنوان متغیر کمکی گنجانده شده است.
هر دو جنایت اموال و جرایم خشن از نظر TPS از شاخص های اصلی جرم محسوب می شوند. جرایم اموال شامل سرقت خودرو، شکستن و ورود، و سایر سرقت های بیش از 5000 دلار است. جرایم خشونت آمیز شامل حمله، سرقت، و تجاوز جنسی است. قتل و قتل کمتر از 1٪ از کل شاخص های جرم در تورنتو را برای هر سال از 2014 تا 2016 تشکیل می دهند. آنها به دلیل نرخ بسیار پایین تر از مطالعه حذف شدند. تمرکز بر جرایم اموال و جرایم خشونت آمیز در این مطالعه با ادبیات موجود مطابقت دارد. این دو نوع جرم به دلیل تفاوت در الگوهای جرم مرتبط با فصلی بودن، مسافت سفر و پیش بینی جرم به طور جداگانه مورد مطالعه قرار گرفتند [ 16 ، 30 ، 33 ].
شاخص حاشیه نشینی انتاریو در سطح جغرافیای محله به ما امکان می دهد که زمینه های اجتماعی-اقتصادی محله های تورنتو را درک کنیم [ 34 ]. دارای چهار شاخص است که از مجموع 18 متغیر سرشماری برای تعیین کمیت چهار بعد حاشیه نشینی ایجاد شده است: بی ثباتی مسکونی، محرومیت مادی، تمرکز قومی، و وابستگی. این ابعاد با استفاده از تحلیل عاملی مؤلفه اصلی تعریف شدند که منجر به چهار عامل با مقادیر ویژه بیشتر از یک شد [ 34] .]. به طور خاص، شاخص محرومیت از 6 متغیر سرشماری (جمعیت بالای 25 سال بدون گواهی، دیپلم یا مدرک، خانواده های تک والد، جمعیت دریافت کننده پرداخت های انتقالی دولتی، جمعیت بالای 15 سال که بیکار هستند) استخراج شده است. شاخص بی ثباتی مسکونی بر اساس 7 شاخص سرشماری (نسبت زندگی تنها، جوانان 5 تا 15 ساله، مسکن چند واحدی، متاهل/قانون عام، خانه های دارای مالکیت، همان خانه 5 سال قبل و میانگین تعداد افراد در هر خانه) است. . شاخص تمرکز قومی از 2 متغیر سرشماری (نسبت مهاجران اخیری که در پنج سال گذشته وارد شده اند و نسبت اقلیت های قابل مشاهده) به دست آمده است. شاخص وابستگی بر اساس 3 متغیر سرشماری (نسبت سالمندان، نسبت وابستگی، نسبت مشارکت نیروی کار) است.
منطقه مورد مطالعه – شهر تورنتو – در ساحل شمال غربی دریاچه انتاریو قرار دارد. از شش زیربخش سرشماری تشکیل شده است: Etobicoke، York، North York، Toronto، East York و Scarborough. این بزرگترین شهر کانادا است، با جمعیت کل 2,731,571، که 8.7٪ از جمعیت کانادا، 22.5٪ از جمعیت انتاریو، و 43.8٪ از جمعیت منطقه کلانشهری سرشماری تورنتو را تشکیل می دهد [35] .]. تورنتو از نظر جمعیتی، اجتماعی، اقتصادی و فرهنگی دارای جمعیت بسیار متنوعی است. در حال حاضر، بزرگترین گروه سنی شامل افراد 25 تا 29 سال است و افراد بالای 65 سال بیشتر از افراد زیر 15 سال هستند. بیش از 140 زبان و گویش در این شهر صحبت می شود و 51 درصد از تورنتونی ها به عنوان عضو شناخته می شوند. از یک اقلیت قابل مشاهده تقریباً 20٪ از جمعیت در مقایسه با 14٪ برای کانادا به عنوان یک کل، زیر محدودیت های کم درآمد (LICO) قرار دارند. با توجه به [ 36]، نرخ سرقت، ورود و خروج و سرقت خودرو برای منطقه شهری تورنتو در سرشماری تورنتو در سال 2010، 128، 307 و 171 در هر 100000 بود، در مقایسه با 89، 577 و 272 در کانادا. این نرخ ها بخشی از یک روند کاهشی عمومی در بیش از یک دهه قبل از سال 2010 بود. تحقیقات گذشته در مورد الگوهای جرم و جنایت در تورنتو از محله به عنوان مقیاس فضایی مرتبط استفاده کرده است [ 5]]. در تورنتو، در حال حاضر 140 نمایه محله با میانگین حدود 4000 نفر وجود دارد. مرزهای محله توسط شهرداری تورنتو برای اهداف برنامه ریزی، با استفاده از یک یا چند مرز سرشماری مشخص می شود، که استفاده از داده های سرشماری کانادا را تسهیل می کند زیرا جغرافیای سطح محله توسط آمار کانادا جمع آوری نمی شود. این محله با توجه به ویژگی‌های اجتماعی-اقتصادی نسبتاً همگن آن و ماهیت محرمانه داده‌های جرم، که دسترسی به داده‌ها را در مقیاس‌های فضایی دقیق‌تر، از جمله در سطح فردی محدود می‌کند، واحد مناسبی در تحلیل فضایی جرم در تورنتو تلقی می‌شود.

3. روش ها

اندازه گیری الگوی فضایی جرم . نرخ جرم از مجموع مجموع جرایم اموال و جرایم خشن در محله های عادی شده توسط کل جمعیت محله ها به میزان 100000 محاسبه می شود. این روش که برای سال‌ها در کانادا مورد استفاده قرار گرفته است، برای درک توزیع جرم در یک شهر بدون گزارش ارزش‌های نامتناسب حیاتی است [ 37 ]. همچنین امکان مقایسه سیستماتیک بین توزیع فضایی جنایات خشونت آمیز و دارایی در سراسر یک شهر را در رابطه با نابرابری های اجتماعی-اقتصادی محله فراهم می کند. تحقیقات گذشته سودمندی جمعیت محیط را نسبت به جمعیت مسکونی مبتنی بر سرشماری در تجزیه و تحلیل الگوهای جرم و عوامل خطر، به ویژه، در جرایم خشن نشان داده است [ 28 ، 38]]. جمعیت محیطی تخمینی از تعداد افراد در یک واحد فضایی معین در هر زمان از روز و هر روز از سال است که منعکس کننده فعالیت های روزمره و فصلی افراد برای اشتغال، تفریح ​​و اهداف دیگر است [24 ] . با این حال، داده های جمعیت محیطی همیشه در یک منطقه مورد مطالعه و در مقیاس فضایی خاص به راحتی در دسترس نیست. در یک مطالعه مبتنی بر ونکوور [ 24 ]، در حالی که استفاده از جمعیت محیطی در محاسبه نرخ جرایم خشونت‌آمیز تأثیری بر نتایج تحلیل فضایی نسبت به استفاده از جمعیت مسکونی داشت، تأثیر آن برای مناطق کوچک جغرافیایی (یعنی DA) بیشتر از واحدهای بزرگتر (یعنی سرشماری). در این زمینه‌ها، این مقاله از داده‌های جمعیتی مبتنی بر سرشماری در اندازه‌گیری میزان جرم و جنایت در سطح محله استفاده می‌کند.
برای بررسی توزیع فضایی و الگوهای خوشه‌بندی جرم، Local Moran’s I، همچنین به عنوان نشانگر محلی انجمن فضایی (LISA) شناخته می‌شود، برای کشف همبستگی فضایی بین وقوع جرم و شناسایی نقاط سرد و گرم و نقاط پرت فضایی [39] استفاده می‌شود . این یک تکنیک فضایی تثبیت شده است که برای کشف مجموعه هایی از جرایم جنایی مختلف، مانند جرایم مواد مخدر و جرایم خشونت آمیز استفاده شده است [ 4 ، 40 ، 41]]. این روش مکان هایی را که مقادیر زیاد یا پایین به صورت فضایی خوشه می شوند شناسایی می کند و ویژگی ها را با مقادیری که بسیار متفاوت از ویژگی های اطراف هستند نشان می دهد. در این مطالعه، پیوستگی ملکه مرتبه اول برای تعریف و تفسیر روابط فضایی انتخاب شده است. این به این دلیل است که محله‌های تورنتو عمدتاً چند ضلعی‌هایی با شکل نامنظم هستند و چند ضلعی‌های همسایه آنهایی هستند که حداقل یک نقطه مشترک دارند – مرز یا راس.
مدل های رگرسیون OLS و GWR.یک مدل رگرسیون چند متغیره OLS (کمترین مربع معمولی) ابتدا برای بررسی رابطه کلی بین متغیر وابسته و متغیرهای مستقل استفاده می شود. اموال و جرایم خشن به طور جداگانه الگوبرداری می شوند. متغیر وابسته میزان جرم و جنایت را در هر 100000، برای جرایم دارایی و جرایم خشن اندازه گیری می کند. متغیرهای مستقل شامل (1) چهار بعد شاخص On-Marg (بی ثباتی مسکونی، محرومیت مادی، تمرکز قومی، و وابستگی) است که شرایط اجتماعی-اقتصادی محله را اندازه‌گیری می‌کند. و (2) ویژگی های کلیدی مجرم، از جمله سن، وضعیت تأهل، و میانگین مسافت طی شده تا محل جرم. همه متغیرها در سطح محله اندازه گیری می شوند. به عنوان یک تکنیک رگرسیون جهانی،2 ، 5 ، 42 ، 43 ، 44 ، 45 ، 46 ]. متغیرهای مشابهی با جرم مرتبط هستند [ 9 ، 10 ، 11 ، 12 ].
رگرسیون OLS در Esri ArcGIS اجرا می شود. خروجی آمار تشخیصی چند خطی بودن و استقلال فضایی باقیمانده ها را برمی گرداند. چند خطی بودن با بررسی مقادیر فاکتور تورم واریانس (VIF) ارزیابی می شود. مقادیر بزرگ VIF (> 7.5) به طور کلی نشان دهنده افزونگی در بین متغیرهای توضیحی است. استقلال فضایی باقیمانده های رگرسیون با استفاده از ضریب خودهمبستگی فضایی، Global Moran’s I [ 47 ] ارزیابی می شود. شاخص جهانی مورن I بین [-1، 1] قرار می گیرد، جایی که 1 یک خودهمبستگی مثبت بسیار قوی (خوشه بندی) را توصیف می کند و -1 نشان دهنده یک الگوی خوشه بندی منفی قوی است. اگر مقدار نزدیک به 0 باشد، الگو با یک آرایش تصادفی مطابقت دارد [ 48 ، 49 ]. این تست همچنین نتایج را برایz -score و p -value نشان می دهد که آیا نتایج از نظر آماری معنی دار هستند یا خیر.
وابستگی فضایی (یا خود همبستگی) باقیمانده ها مستلزم استفاده از رگرسیون وزنی جغرافیایی (GWR) برای بررسی بیشتر چگونگی تغییر رابطه آماری بین متغیرهای وابسته و مستقل در فضا است [ 50 ، 51 ]. GWR یک شکل محلی از رگرسیون OLS است که به تخمین پارامتر رگرسیون اجازه می دهد تا به صورت محلی تغییر کند. در این مطالعه، یک معادله OLS جداگانه برای هر محله در شهر تورنتو با ترکیب متغیرهای وابسته و مستقل مرتبط با محله‌هایی که در پهنای باند هر محله هدف قرار می‌گیرند، می‌سازد. هر محله (ویژگی در مجموعه داده) با تخمین پارامتر خاص خود مرتبط است. به این ترتیب، GWR مجموعه ای از تخمین های پارامتر و شبه t را تولید می کند-مقادیر اهمیت که در فضا متفاوت است. برای هر متغیر، t -values ​​و ضرایب محلی ترسیم می شوند. تنوع فضایی این تخمین پارامترها راه هایی را که در آن نرخ جرم و جنایت با فرآیندهای متفاوت مکانی که توسط بافت های فردی و محله ای مختلف نشان داده می شود مرتبط است، روشن می کند. معیار اطلاعات Akaike (AIC) و R2 تنظیم شده برای هر دو مدل OLS و GWR به عنوان شاخص تناسب مدل و عملکرد تولید می‌شوند.

4. یافته ها و نتایج

از سال 2014 تا 2016، 3419 و 21999 نفر در تورنتو به ترتیب به دلیل جرایم دارایی و خشونت آمیز تحت قانون جنایی کانادا ( جدول 1 ) متهم شدند. این داده ها اطلاعات بیشتری در مورد اینکه آیا یک فرد مشابه با چندین جرم مرتبط است یا خیر ارائه نمی کند، و این امکان وجود دارد که مجرمان در واقع برای برخی از جرایم شامل یک شخص باشند. جدول 2ویژگی های عمومی جمعیت شناختی افراد متهم به جرایم دارایی و خشونت آمیز از سال 2014 تا 2016 را توصیف می کند. گروه سنی 18 تا 34 سال بالاترین درصد را برای هر دو نوع جرم دارد. درصد مجرمان مرد به طور چشمگیری بیشتر از مجرمان زن است. درصد برای مجرمان مجرد بیشتر از مجرمان شریک است. در حالی که سایر عوامل، مانند درآمد و قومیت، در ادبیات برای درک ترکیب جمعیتی مجرمان بررسی می‌شوند، به دلیل محرمانه بودن داده‌ها، تنها این سه ویژگی (سن، جنسیت و وضعیت تأهل) مجرمان در سطح مجموع محله در دسترس هستند. مطالعه.

4.1. توزیع فضایی و خوشه فضایی جرایم

شکل 1 توزیع فضایی نرخ اموال و جرایم خشونت آمیز را از سال 2014 تا 2016 نشان می دهد. غلظت بالایی از هر دو نوع جرم در مرکز شهر، انتهای شمال شرقی (اتوبیکوک یورک، نیویورک شمالی)، و جیب های کوچک در انتهای شرقی وجود دارد. (اسکاربرو). محله هایی که بالاترین میزان جرم و جنایت را دارند عبارتند از: West Humber-Clairville، Islington-City Center West، York University Heights، Trinity-Bellwoods و Woburn. غلظت کمتر جرم و جنایت در مرکز و انتهای غربی پایین شهر وجود دارد.
آمار LISA درک ما را از توزیع فضایی و الگوهای خوشه‌بندی جرم در شهر تورنتو افزایش می‌دهد. ارزش جهانی مورن I برای آمار LISA 0.27 برای جرایم دارایی ( z -score = 6.96؛ p = 0.00) و 0.40 برای جرایم خشونت‌آمیز ( z -score = 10.23؛ p = 0.00) است که نشان‌دهنده عدم استقلال مکانی در این مجموعه داده‌ها است. و توزیع فضایی خوشه ای از هر دو فعالیت مجرمانه در تورنتو. شکل 2a،b توزیع خودهمبستگی فضایی قابل توجه و ناچیز را به ترتیب برای اموال و جرایم خشونت آمیز به صورت بصری نشان می دهد. نقشه ها مناطقی را نشان می دهند که اهمیت نسبتاً بالا و پایین برای جرم و جنایت خشن دارند. برای هر دو نوع جرم، مرکز شهر تورنتو چندین خوشه نسبتاً ثابت دارد که در آن میزان جرم و جنایت بالا با نرخ جرم بالا احاطه شده است (یعنی خود همبستگی فضایی مثبت). یک دسته جدا شده از جنایات خشن در شرق تورنتو (Scarborough) دیده می شود. دسته‌های کم و کم جنایات خشونت‌آمیز به‌طور مشخص در مرکز تورنتو، با چند بخش در غرب تورنتو (اتوبیکوک) و نورث یورک وجود دارند. زیاد کم و کم زیاد (خودهمبستگی فضایی منفی) بیشتر در شهر پراکنده هستند، با خوشه های زیاد و کم بیشتر در غرب و مرکز تورنتو (اتوبیکوک و نورث یورک).

4.2. متغیر فاصله تا جرم

اندازه‌گیری فاصله تا جرم، کوتاه‌ترین مسافت طی شده توسط مجرم را بین محل سکونت خود و محل جرم مربوطه در تورنتو محاسبه می‌کند. با اذعان به اینکه مبدأ سفر به جرم لزوماً خانه نیست و رفتار فضایی دخیل در فعالیت های مجرمانه بسیار پیچیده تر از یک الگوی سفر مستقیم بین خانه و مکان جرم است، فاصله محاسبه شده نمایی سریع از محل وقوع جرم در رابطه ارائه می دهد. به محل سکونت مجرم. همانطور که در جدول 3 نشان داده شده استمیانگین مسافت طی شده توسط مجرمان جرایم خشن 4.9 کیلومتر است در حالی که برای مجرمان جرایم دارایی 7.6 کیلومتر است. بیشترین مسافت طی شده برای مجرمان دارایی 49.2 کیلومتر و برای مجرمان جرایم خشن 36.6 کیلومتر بوده است. این با ادبیات مطابقت دارد، که نشان می دهد میانگین مسافت سفر در بین متخلفان دارایی نسبت به مجرمان خشن [ 30 ].

4.3. نتایج OLS

رگرسیون OLS برای بررسی ارتباط آماری بین میزان جرم و جنایت و متغیرهای مستقل اندازه‌گیری ویژگی‌های مجرمان و زمینه اجتماعی-اقتصادی محله استفاده می‌شود. به دلیل در دسترس بودن داده ها، رگرسیون در سطح محله اجرا می شود. قبل از انجام رگرسیون OLS، چند خطی بودن با استفاده از تشخیص همبستگی پیرسون شامل همه متغیرهای بالقوه آزمایش می‌شود. جنسیت به دلیل همبستگی بالای آن با سن از رگرسیون OLS مستثنی است. فهرست نهایی متغیرهای مستقل و نتایج رگرسیون OLS در جدول 4 ارائه شده است . هیچ یک از متغیرهای مستقل با سایر متغیرها و همچنین با میزان جرم و جنایت با ضریب همبستگی بیش از 0.7 یا بالاتر همبستگی بالایی پیدا نکردند. علاوه بر این، مقادیر VIF گزارش شده درجدول 4همه زیر 7.5 هستند، که نشان دهنده عدم وجود چند خطی بودن با تخمین OLS است. به طور کلی، هر دو ویژگی مجرم (% سن 18-34 و % زوج) به طور قابل توجهی با متغیرهای مستقل مرتبط هستند. فاصله تا جرم رابطه غیر معناداری با هر یک از جرم ها را نشان می دهد. شاخص‌های مختلف حاشیه‌نشینی روابط متفاوتی با نرخ جرم برای جرایم مختلف نشان می‌دهند. به طور خاص، افزایش نسبت گروه سنی 18 تا 34 سال در میان مجرمان در محله‌ها به طور مثبت با افزایش نرخ جرایم خشونت‌آمیز مرتبط است، اما به طور منفی با نرخ جرایم دارایی مرتبط است. افزایش نسبت مجرمانی که متاهل/قانون مشترک بوده اند به طور قابل توجهی به کاهش نرخ جرایم خشونت آمیز مربوط می شود، اما افزایش نرخ جرایم دارایی را افزایش می دهد. در میان چهار بعد شاخص حاشیه نشینی انتاریو، محله های مرتبط با سطح بالاتری از بی ثباتی و محرومیت به طور قابل توجهی با سطح بالاتری از میزان جرایم خشن مرتبط هستند. محله هایی که دارای سطح بالاتری از بی ثباتی و سطح پایین تر تمرکز قومی هستند، به طور قابل توجهی با نرخ بالاتر جرایم دارایی مرتبط هستند.
R2 تعدیل‌شده نشان می‌دهد که مدل‌ها به ترتیب حدود 73 و 71 درصد از کل واریانس‌های نرخ جرم خشونت‌آمیز و دارایی را توضیح می‌دهند. با این حال، باقی‌مانده‌های مدل OLS برای جرم دارایی، یک همبستگی فضایی مثبت معنی‌دار را نشان می‌دهد (I = 0.20 موران جهانی، 0.00 = p )، که فرض OLS در استقلال باقی‌مانده‌ها را نقض می‌کند. برای پرداختن به این محدودیت، یک مدل GWR برای بررسی بیشتر رابطه بین نرخ جرم و جنایت اموال و متغیرهای وابسته استفاده می‌شود. در مورد جنایات خشونت‌آمیز، باقیمانده‌های OLS یک الگوی تصادفی را نشان می‌دهند، همانطور که با آزمایش جهانی موران I تشخیص داده شد (Global Moran’s I = -0.08, p.= 0.13). بنابراین OLS یک مدل مناسب در کاوش رابطه بین متغیرهای مستقل و نرخ جرم خشونت آمیز در نظر گرفته می شود و GWR مورد نیاز نیست، همانطور که توسط ادبیات پیشنهاد شده است [ 52 ]. تجزیه و تحلیل Post-hoc تأیید می کند که استفاده از GWR در جرایم خشونت آمیز نتایج بهبود یافته ای را ارائه نمی دهد و R2 تعدیل شده همچنان 0.73 است.

4.4. GWR برای جنایت اموال

نتایج GWR برای جرم مالکیت در جدول 5 ارائه شده است . ضرایب GWR بر حسب مقادیر حداقل، صدک 25 (یا حداکثر چارک اول)، صدک 50 (یا حداکثر چارک دوم)، صدک 75 (یا حداکثر چارک سوم) و حداکثر گزارش شده است. R 2 تنظیم شدهاز GWR 0.80 است که نشان دهنده افزایش 9 درصدی نسبت به رگرسیون OLS است. GWR همچنین کاهش AICc را تولید می کند. این آمار مدل نشان می‌دهد که GWR مدل مناسب‌تری است که می‌تواند 80 درصد از تغییرات در نرخ جرم ملکی مشاهده‌شده در محله‌های مختلف تورنتو را توضیح دهد. اعداد شرط همگی زیر مقدار بحرانی 30 هستند، که نشان می دهد نتایج قابل اعتماد هستند و چند خطی بودن محلی در مدل GWR مشکلی ندارد.
تجسم R2 با وزن محلی تخمین زده شده به شما امکان می دهد درک درستی از اینکه مدل GWR چقدر با نرخ جرم و جنایت مشاهده شده دارایی در مناطق مختلف مطابقت دارد. شکل 3 توزیع R2 محلی را نشان می دهد که به طور همگن در سراسر محله ها توزیع نشده است. به طور کلی، GWR به خوبی نسبت به بخش غربی تورنتو، با مقادیر R 2 بیش از 0.80 پیش بینی می کند. به عنوان مثال، چوب مارکلند، لانگ برانچ و چوب توسکا در Etobicoke با مقادیر R 2 بیش از 0.86 همراه هستند . محله‌ها در انتهای غربی تورنتو با R2 محلی پایین‌تر همراه هستندارزش های. برخی از محله‌های اسکاربرو، مانند هایلند کریک، سنتنیال اسکاربرو و وست هیل، کمترین R 2 را با 0.66 در شهر دارند. R2 پایین نشان می دهد که متغیرهای کمکی اضافی ممکن است در تأثیرگذاری بر فعالیت های جرم محلی در این محله ها نقش داشته باشند.
در مدل GWR، آمار شبه t نشان دهنده اهمیت ضرایب متغیر محلی برای متغیرهای مستقل است. شکل 4 توزیع فضایی مقادیر شبه t را برای رهگیری و هر متغیر مستقل در منطقه مورد مطالعه نشان می دهد. t شبه با تقسیم تخمین ضریب بر خطای استاندارد، با معنی‌داری ( 05 /0p<) که به‌عنوان مقدار t شبه > 1.96 (رابطه مثبت) یا <-1.96 (رابطه منفی) تعریف می‌شود [ 51 ، 53 ، 54 ، 55 ] . روابط غیر معنی دار با رنگ زرد در شکل 4 نشان داده شده استبا روابط مثبت معنی‌دار در قرمز/نارنجی و روابط منفی معنی‌دار در سبز/سبز روشن. شکل 5 ضرایب محلی را برای متغیرهای رهگیری و مستقل در مدل GWR به تصویر می کشد. اساساً نشان می دهد که چگونه جهت و قدرت رابطه بین متغیر مستقل و هر متغیر وابسته در فضا تغییر می کند. بررسی هر دو سطح شبه t در شکل 4 و نقشه های ضریب در شکل 5 ، بینش های مفیدی را در مورد تغییرات فضایی در روابط به دست می دهد. الگوهای فضایی شبه تیو ضرایب محلی، به طور کلی، با نتایج رگرسیون OLS از نظر جهت رابطه سازگار هستند. آنها همچنین جزئیات فضایی ظریف را در تغییرات محلی قدرت و جهت رابطه آشکار می کنند. به عنوان مثال، سن (18 تا 34) و تمرکز قومی رابطه منفی قابل توجهی با میزان جرم و جنایت در اکثر محله های تورنتو نشان می دهد. استثناها بخش شرقی اسکاربورو (برای هر دو متغیر) و اتوبیکوک غربی (برای تمرکز قومی) هستند، که در آن روابط ناچیز است. وضعیت تاهل (به عنوان مثال، ٪ زوج) به طور قابل توجهی و مثبت با نرخ جرم و جنایت در اکثریت قریب به اتفاق محله های شهر، به جز برای گوشه شرقی اسکاربرو مرتبط است. در رگرسیون OLS، هم محرومیت و هم وابستگی پیش بینی کننده های ناچیز نرخ جرم و جنایت اموال هستند. با این حال، نتایج GWR مجموعه‌ای از محله‌ها را در یورک، گوشه جنوب شرقی نورث یورک و گوشه جنوب غربی اسکاربرو نشان می‌دهد، جایی که نرخ جرم و جنایت دارایی رابطه مثبتی با محرومیت و رابطه منفی با وابستگی به‌طور معنی‌داری نشان می‌دهد. یافته GWR مکمل نتایج OLS است که جزئیات محلی را آشکار نمی کند.

5. بحث، محدودیت ها و تحقیقات آینده

این مقاله به بررسی الگوهای فضایی اموال و جنایات خشونت آمیز در سطح محله در بزرگترین مرکز شهری کانادا می پردازد. این روش‌هایی را بررسی می‌کند که در آن ویژگی‌های مجرم منتخب و شرایط اجتماعی-اقتصادی محله با نرخ جرم و جنایت محله مرتبط است. این مطالعه با استفاده از تکنیک‌های تحلیلی فضایی در تعیین تنوع فضایی جرم و خوشه جرم، به حجم نسبتاً کمی از ادبیات کانادا در مورد تجزیه و تحلیل جرم فضایی بر اساس انواع مختلف جرایم عمده می‌افزاید. این مطالعه با استفاده از یک رگرسیون جهانی OLS سنتی و یک رگرسیون وزن‌دار جغرافیایی (GWR)، به طور همزمان اثرات ترکیبی ناشی از تفاوت در مجرمان و اثرات متنی ناشی از تفاوت‌های بین محله‌ها را در توضیح تغییرات در نرخ جرم در نظر می‌گیرد. با انجام این کار،5 ، 10 ].
تحلیل‌های فضایی نتایج تحقیقات علمی را تأیید می‌کنند که نشان می‌دهد جرم به طور تصادفی در فضا توزیع نمی‌شود، بلکه در محله‌هایی متمرکز شده است که ویژگی‌های خاصی مشترک دارند [ 2 ، 3 ]. همانطور که در شکل 2 الف، ب نشان داده شده است، توزیع فضایی جنایات دارایی و جنایات خشونت آمیز از یک الگوی تقریبی U شکل در سراسر شهر پیروی می کند، که تقریباً با محله هایی که دارای وضعیت اقتصادی اجتماعی پایین تری هستند که در کریدور فقر U شکل در تورنتو توضیح داده شده است. 56 ، 57]. مدل‌های OLS و GWR رابطه معنادار بین نرخ جرم (اعم از دارایی و خشونت) و ابعاد مختلف شاخص حاشیه‌نشینی انتاریو را تأیید می‌کنند. این بازتاب نظریه بی‌سازمانی اجتماعی است که جرم و جنایت را با آسیب‌های اجتماعی-اقتصادی محله مرتبط می‌کند [ 58]]. اموال و جرایم خشونت‌آمیز در طول سه سال مطالعه (2014-2016) در محله‌های مشابه، با غلظت ثابت جرم در مرکز شهر و تمرکز بالا در بخش‌های شمال غربی و شمال شرقی شهر، به‌ویژه با توجه به دارایی‌ها، جمع می‌شوند. جرم. در مقایسه با جرایم خشن، جرایم دارایی پراکندگی بیشتری در محله ها نشان می دهد. نقشه‌های LISA، خوشه‌های فضایی معنی‌دار آماری را از جنایات خشن و دارایی نشان می‌دهد. در حالی که ممکن است سه سال برای به دست آوردن یافته های قابل توجه کافی نباشد، تمایز فضایی بین مالکیت و جنایت خشونت آمیز مشهود است.
لازم به ذکر است که برای هر نوع جرم، فاصله تا جرم پیش‌بینی‌کننده قابل‌توجهی برای نرخ جرم محله در پژوهش حاضر نیست، که مستقیماً نظریه فعالیت‌های معمول را تأیید نمی‌کند. با این حال، در مقایسه دو نوع جرم، اندازه‌گیری فاصله تا جرم نشان می‌دهد که مجرمان جرم دارایی مسافت بیشتری را تا محل جرم طی کرده‌اند تا مجرمان جرم خشن. این یافته مشابه آن چیزی است که توسط [ 30 ] گزارش شده است که نشان می دهد میانگین مسافت سفر در بین متخلفان دارایی نسبت به مجرمان خشن بیشتر است. این پیامدهایی در درک نظریه فعالیت معمول دارد، که نشان می دهد جرم نه تنها تحت تأثیر ویژگی های اجتماعی-اقتصادی مجرمین است، بلکه از عوامل بالقوه دیگری مانند فضای آگاهی فرد، هدایت شده توسط مجرم با انگیزه، هدف مناسب و عدم وجود یک قیم توانمند [59 ] . در این راستا، مطالعه ما که از فاصله اقلیدسی برای اندازه‌گیری فاصله محل سکونت تا جرم استفاده می‌کند، نتایجی مطابق با مطالعات قبلی بر اساس فاصله مبتنی بر شبکه [30] و فاصله مبتنی بر اقلیدسی [ 59] ایجاد می‌کند.]. اگر مزایا بیش از هزینه‌ها باشد، سفر مسافت‌های طولانی‌تر می‌تواند ارتکاب تخلف ملکی را ارزشمند کند. این یافته پیامدهایی برای درک ما از نظر چارچوب انتخاب منطقی دارد که بر اساس آن مجرمان اهداف خود را با استفاده از یک فرآیند ساختاری، سلسله مراتبی و ترتیبی فضایی انتخاب می کنند [ 60 ، 61 ]. علاوه بر این، در مطالعه حاضر، جرایم خشونت‌آمیز در محله‌های خاصی دسته‌بندی می‌شوند که مسافت کمتری را که برای جرایم خشن طی شده در مقایسه با جرایم دارایی توضیح می‌دهد. این یافته با مطالعه انجام شده در شیکاگو مطابقت دارد، که نشان می دهد خشونت بیشتر در محله هایی رخ می دهد که مجرم در آن ساکن بوده یا جایی که نیازی به مسافرت چندانی نبوده است [ 62] .]. در بلژیک، متخلفان متعدد اروپای شرقی که در جرایم دارایی درگیر بودند نیز بیشتر از سایر مجرمان سفر می‌کردند [ 63 ].
این مطالعه از این نظر منحصر به فرد است که هم ویژگی های اجتماعی-اقتصادی محله و هم ویژگی های جمعیت شناختی فردی مجرمان متهم به دارایی و جرایم خشونت آمیز از سال 2014 تا 2016 را در سطح محله در نظر می گیرد. با توجه به رگرسیون OLS، شرایط اجتماعی-اقتصادی محله که با شاخص حاشیه‌نشینی انتاریو اندازه‌گیری می‌شود، به طور قابل‌توجهی با اموال و جرایم خشن مرتبط است. برای جرایم خشونت آمیز، سطح بالاتر بی ثباتی و محرومیت محله به طور قابل توجهی با نرخ بالاتر جرم مرتبط است. برای جرایم دارایی، سطح بالاتر بی ثباتی محله و سطح پایین تر تمرکز قومی به طور قابل توجهی با نرخ بالاتر جرم مرتبط است.64 ، 65 ]، درآمد کم و منابع مادی کم [ 66 ، 67 ، 68 ]، مشارکت کم در بازار کار [ 69 ] و ساختار خانواده آسیب پذیر مانند مادری تنها [ 70 ، 71 ]. ویژگی های فردی مجرمان به طرق مختلف با اموال و جرایم خشن مرتبط است. جدول 2 نشان می دهد که گروه سنی 18 تا 34 سال بیشترین تعداد مجرمین متهم را دارد. این یافته نزدیک به آنهایی است که در ادبیات یافت شده است که میزان جرم و جنایت را در بین گروه سنی 15 تا 29 سال گزارش می کنند [ 72 ]، و همچنین میانگین سنی 34 سال در میان زندانیان و کمترین درصد مجرمان زیر 17 سال و بالای 55 سال [72].73 ]. درصد مجرمان مرد عمدتاً بالاتر از مجرمان زن است، هم از نظر دارایی و هم برای جرایم خشن. این با نتایج مطالعات قبلی مطابقت دارد و یک “مشکل نسبت جنسیتی” را پیشنهاد می کند، که در آن زنان کمتر از مردان احتمال ارتکاب جرم را دارند [ 10 ، 74 ]. برای وضعیت تاهل، درصد مجرمانی که متاهل هستند یا در یک رابطه معمولی هستند به طور قابل ملاحظه ای کمتر از مجردانی است که مجرد هستند. این یافته را می‌توان با حمایت و ثبات مالی و اجتماعی در بین زوج‌ها و افزایش همنوایی در مقایسه با افراد مجرد، که احتمال توهین را کاهش می‌دهد، توضیح داد [ 75]]. نتایج رگرسیون OLS نشان می دهد که این متغیرهای فردی روابط آماری متفاوتی را با انواع مختلف جرم نشان می دهند. درصد گروه سنی 18 تا 34 سال در بین متخلفان محله‌ای با نرخ جرایم خشن رابطه مثبت و معنی‌دار، اما با نرخ جرایم دارایی رابطه منفی معنادار دارد. افزایش نسبت مجرمانی که متاهل/قانون عام بوده اند به طور قابل توجهی با کاهش نرخ جرایم خشونت آمیز مرتبط است، اما با افزایش نرخ جرایم دارایی مرتبط است. مسافت طی شده تا جرم پیش بینی کننده قابل توجهی برای هر دو جنایت نیست. این روابط راه‌های پیچیده‌ای را نشان می‌دهد که در آن ویژگی‌های مجرم با اموال و وقوع جرم خشن مرتبط است. همچنین خواستار کاوش بیشتر سایر خصوصیات مجرم (مانند اشتغال،
GWR در تحقیقات قبلی برای مدل‌سازی روابط متغیر فضایی در محیط‌هایی مانند انتشار بیماری، جرم، عدالت محیطی و سلامت استفاده شده است [ 53 ، 76 ، 77 ، 78 ]. مؤلفه GWR این مطالعه پیامدهای روش شناختی را برای بورسیه تحصیلی در حال ظهور کانادا ارائه می دهد که الگوی جرم و جنایت را با استفاده از GWR بررسی می کند [ 79 , 80 , 81]. یافته‌های GWR برای جرایم دارایی، یافته‌های حاصل از رگرسیون OLS را تکمیل می‌کند، که روابط جهانی بین متغیرهای وابسته و مستقل را نشان می‌دهد، اما تغییرات محلی مهم را در این روابط پنهان می‌کند. نتایج GWR عدم ایستایی فضایی در رابطه را شناسایی می‌کند و بینش‌های بیشتری را در رابطه با روابط محلی متغیر مکانی بین نرخ جرم و هر متغیر مستقل ارائه می‌کند. همانطور که قبلاً مورد بحث قرار گرفت، سطح محلی R2 نشان می‌دهد که تا چه اندازه مدل رگرسیون با نرخ‌های جرم و جنایت ملکی در محله‌های مختلف مطابقت دارد. برای مثال، محله‌های جنوب شرقی اسکاربرو دارای پایین‌ترین میزان R 2 هستنددر تورنتو، نشان دهنده متغیرهای کمکی یا عوامل جرم و جنایت است که در این مطالعه ثبت نشده است. پوشش درختان و تراکم جاده‌ها می‌توانند عوامل بالقوه‌ای برای اکتشاف، به‌ویژه در این محله‌ها باشند، زیرا مشخص شد که آنها ارتباط قابل‌توجهی با نرخ جرم و جنایت در کانادا دارند [ 82 ]. به طور مشابه، بررسی الگوهای فضایی آمار شبه t و ضرایب محلی ما را قادر می سازد تا اهمیت، قدرت و جهت رابطه را که می تواند از محله ای به محله دیگر متفاوت باشد، درک کنیم. به عنوان مثال، اگرچه تمرکز قومیتی با نرخ جرایم دارایی رابطه معنادار و منفی دارد، اما در انتهای غربی و شرقی شهر این رابطه معنادار وجود ندارد.
این مطالعه دارای چندین محدودیت است که اجتناب ناپذیر بود، اما پیامدهای مهمی برای تحقیقات آینده دارد. اول، علیرغم بسیاری از عوامل شناخته شده موثر بر جرم، همانطور که توسط نظریه های مختلف مانند قضیه بی نظمی اجتماعی پیشنهاد می شود، به دست آوردن اطلاعات در مورد ویژگی های مجرم دشوار بود. داده های موجود نیز به دلایل محرمانه در سطح محله جمع آوری شدند. داده های حساس مانند قومیت، وضعیت مهاجرت، وضعیت اشتغال و درآمد برای مطالعه در دسترس نبود. تحقیقات آینده از دسترسی و در نتیجه توانایی تجزیه و تحلیل طیف گسترده‌تری از ویژگی‌های مجرم با استفاده از رویکرد روش‌شناختی مشابه، در مقیاس جغرافیایی دقیق‌تر سود می‌برد. به خصوص، داده‌های مربوط به ویژگی‌های مجرم در سطح فردی امکان تحلیل دقیق‌تری از عوامل مرتبط با جرم را با استفاده از رویکرد رگرسیون لجستیک چند سطحی فراهم می‌کند که در آن عوامل در سطح فردی و سطح همسایگی می‌توانند با هم مدل شوند. از طرف دیگر، داده‌های جرم نقطه‌ای را می‌توان به شش ضلعی‌های کوچک تبدیل کرد تا داده‌های جرم و جنایت را برای تجزیه و تحلیل فضایی دقیق‌تر ناشناس‌تر کرد.83 ]. علاوه بر این، اگرچه این مطالعه رخدادهای جرم و جنایت را از سال 2014 تا 2016 تجزیه و تحلیل کرد، اما بازه زمانی زیادی را شامل نشد. تجزیه و تحلیل گسترده تر با در نظر گرفتن مدت زمان طولانی تر می تواند روندهای زمانی را بر اساس ماه یا سال و الگوهای مکانی جرم محله و همچنین عوامل موثر بر تغییرات در نرخ جرم بررسی کند. همچنین تغییرات متفاوت یا مشابهی را که در طول زمان اتفاق می‌افتد را ثبت می‌کند و امکان تجزیه و تحلیل دقیق‌تر را فراهم می‌کند.
دوم، تمام جرایم در طول دوره مطالعه به پلیس گزارش نشده است. عوامل رایج در عدم گزارش دهی عبارتند از نارضایتی عمومی از پلیس، سوء رفتار پلیس، ترس و عوامل اجتماعی-اقتصادی که ممکن است باعث شود فرد از گزارش دادن به پلیس خودداری کند [84] .]. نگرانی سوم مربوط به روش GWR مورد استفاده است، که بهترین نتایج را زمانی که برای مجموعه داده های بزرگ اعمال می شود، ایجاد می کند. داده های موجود برای مطالعه در سطح محله با حجم نمونه 140 است، زیرا تورنتو دارای 140 محله است. تحقیقات آینده می‌تواند یک منطقه مطالعه بزرگ‌تر را برای افزایش حجم نمونه برای استفاده از GWR برای مدل‌سازی عوامل جرم در نظر بگیرد. چهارم، منطقه مورد مطالعه توسط یک مرز اداری بین شهر و حومه تورنتو محدود شده است. اطلاعات مربوط به مناطق خارج از شهر تورنتو در دسترس نبود. این یک محدودیت را نشان می دهد، زیرا ویژگی های خارج از مرز مصنوعی می تواند به طور بالقوه فراوانی و نقاط داغ برای جرم و جنایت را در محله های خاص واقع در محیط شهر توضیح دهد. تحقیقات آتی باید جرم را بررسی کند،
علاوه بر این، مشکل واحد منطقه ای قابل اصلاح (MAUP) باید تایید شود، زیرا داده های مورد استفاده از سطح فردی به سطح محله جمع شده اند. هنگامی که داده ها در برابر دو سطح مختلف جغرافیایی به دلیل اثرات مقیاس بندی و منطقه بندی تلاقی داده می شوند، اطلاعات می تواند بیش از حد یا کمتر ارائه شود [ 85 ]. مشکل بافت جغرافیایی نامشخص (UGCoP) همچنین در بررسی چگونگی ارتباط جرم محله با ویژگی های محله هایی که توسط واحدهای جغرافیایی از پیش تعریف شده (یعنی محله های تورنتو) نشان داده شده اند، مهم است. UGCoP اثرات ویژگی‌های مبتنی بر ناحیه را که می‌تواند تحت‌تاثیر چگونگی ترسیم واحدهای زمینه‌ای از نظر جغرافیایی قرار گیرد، زیر سوال می‌برد [ 86]]. بسیاری از مطالعات از داده های سرشماری از سطوح مختلف جغرافیایی برای زمینه سازی محله ها در تلاش برای درک فعالیت های مجرمانه استفاده کرده اند [ 2 ، 5 ، 14 ، 15 ، 45.]. با این حال، این که آیا این واحدهای منطقه ای بازنمایی واقعی محله هایی هستند که رفتار مجرمانه را به شیوه ای معنادار تحت تأثیر قرار می دهند، جای سوال دارد. مجرمان ممکن است فضاهای فعالیت فردی و الگوهای سفر منحصر به فرد فراتر از مرزهای تعریف شده اداری داشته باشند، که می تواند منجر به تفاوت بین همسایگی اندازه گیری شده و واقعی آنها شود. در تحقیقات آتی، تلاش‌ها باید بر جمع‌آوری اطلاعات کیفی از مصاحبه با مجرمان و/یا قربانیان و ترکیب داده‌های رفتاری فردی در تحلیل‌های فضایی خوشه‌های جرم، «سفر» به سمت جرم و رابطه بین پیش‌بینی‌کننده‌های جرم و وقوع جرم متمرکز شود. چنین رویکردی ممکن است به برخی از «زمینه‌های جغرافیایی نامشخص» بپردازد و تأثیر زمینه‌ای همسایگی را بر جرم و جنایت روشن کند. متناوبا، از سوی دیگر،24 ]. تفاوت در نرخ جرم محاسبه شده بر اساس جمعیت محیطی و جمعیت محل سکونت و تأثیر آن بر الگوهای جرم و تجزیه و تحلیل فضایی باید در تحقیقات آینده مقایسه شود.

6. مفاهیم

یافته‌ها پیامدهای مهمی برای توسعه استراتژی‌ها و تخصیص منابع موجود برای حمایت از مجموعه‌ای از رویکردهای کاهش جرم دارند. این مطالعه نقاط داغ جغرافیایی را در سراسر شهر تورنتو نشان می‌دهد – مناطقی که آشکارا در برابر اموال و/یا فعالیت‌های جنایی خشونت‌آمیز آسیب‌پذیر هستند. برخی از خوشه‌ها مربوط به محله‌هایی هستند که برای مدتی از نظر اقتصادی-اجتماعی محروم بوده‌اند. محله های امن و سالم نیاز به سطحی از همکاری دارند که امروزه فراتر از آن وجود دارد. نیاز مبرمی به مداخلات متمرکزی وجود دارد که با کاهش یا پیشگیری از جرم و جنایت در این محله ها، امنیت عمومی را بهبود بخشد. با این حال، چنین اقداماتی به تنهایی بر عهده بخش اجرای قانون نیست. آنها باید بخشی از تلاش مشترک جامعه برای اجرای استراتژی های کاهش جرم و جنایت در میان افراد و محله های پرخطر باشند. یکی از مدل‌های موفق برای راه‌حل‌های مبتنی بر جامعه، FOCUS Rexdale (افزایش جوامع ما، متحد کردن خدمات ما)، یک طرح نوآورانه ایمنی و رفاه جامعه به رهبری شهر تورنتو، یونایتد وی تورنتو و خدمات پلیس تورنتو است که هدف آن کاهش جرم و جنایت است. قربانی شدن و بهبود تاب آوری و رفاه جامعه [87 ، 88 ]. با توجه به ماهیت پیچیده رفتار مجرمانه، چنین تلاش های مشترکی باید در میان خدمات اجتماعی از سازمان های خصوصی و دولتی، دولت های محلی و مردم به اشتراک گذاشته شود. همانطور که توسط [ 89]، بسیار مهم است که مشارکت های محلی برای حمایت از پیشگیری از جرم و جنایت دولت و طرح های ایمنی جامعه تشکیل شود. علاوه بر این، تقویت ظرفیت در جوامع به طور فزاینده‌ای ضروری می‌شود و به بهترین شکل با استفاده از یک رویکرد مشارکتی که از نقاط قوت سازمان‌های ذینفع مختلف استفاده می‌کند، اجرا می‌شود. جوامع سالم که ایمنی و امنیت را در میان ارکان اساسی خود قرار می دهند، تنها می توانند از مشارکت ارائه دهندگان خدمات بهره مند شوند. TPS در حال حاضر تحت یک فرآیند مدرن سازی است. این نشان دهنده نیاز به افزایش مشارکت پلیس و جامعه و همچنین حمایت اختصاصی افسران با دانش کامل از محله ها و منابع محلی در سراسر شهر است [ 90]. تاکید بر مشارکت برای حمایت از جوامع سالم است. نیاز به فرصت‌هایی برای استفاده از مشارکت‌های موجود یا آینده در سازمان‌های دولتی، غیردولتی و خصوصی تنها افزایش خواهد یافت. ضروری است که محققان و پژوهش‌های آینده مزایای همکاری برای درک جرم را در نظر بگیرند و راه‌حل‌های مناسب و استراتژی‌های موثر کاهش جرم را پیشنهاد کنند.

منابع

  1. Brantingham، PJ Crime diversity. جرم شناسی 2016 ، 54 ، 553-586. [ Google Scholar ] [ CrossRef ]
  2. Charron, M. Neighborhood Characters and the Distribution of Crime in Toronto, Ontario: Analysis on Youth Crime ; Statistics Canada و Canadian Center for Justice Statistics: اتاوا، ON، کانادا، 2011; شماره 85–561.
  3. Lersch، MK; هارت، سی تی فضا، زمان و جنایت . Caroline Academic Press: دورهام، NC، ایالات متحده آمریکا، 2011. [ Google Scholar ]
  4. کوئیک، م. قانون، J. کاوش نقاط داغ جرایم مواد مخدر در تورنتو: مقایسه چهار روش محلی تشخیص خوشه فضایی. می توان. J. Criminol. جنایت. عدالت / کشیش می توان. دی کرینول. Et De Justice Penale 2013 ، 55 ، 215-238. [ Google Scholar ] [ CrossRef ]
  5. تامپسون، SK; گارتنر، آر. توزیع فضایی و بافت اجتماعی قتل در محله های تورنتو. J. Res. جنایت دلینق. 2014 ، 51 ، 88. [ Google Scholar ] [ CrossRef ]
  6. Wang, F. چرا پلیس و پلیس به GIS نیاز دارند: یک مرور کلی. ان GIS 2012 ، 18 ، 159-171. [ Google Scholar ] [ CrossRef ]
  7. چمبرلین، AW; Hipp، JR همه چیز نسبی است: ضعف متمرکز در داخل و بین محله ها و جوامع، و عواقب آن برای جنایات محله. جی. جنایت. عدالت 2015 ، 43 ، 431-443. [ Google Scholar ] [ CrossRef ]
  8. برودی، LM; دادی، جی کی; کراندال، CS; Sklar، DP; Jost، PF بررسی همپوشانی جمعیتی، ساختاری و رفتاری در بین مجرمان و قربانیان قتل. مطالعه قتل. 2006 ، 10 ، 155-180. [ Google Scholar ] [ CrossRef ]
  9. Veselak، KM رابطه بین میزان تحصیلات و نوع جرم ارتکابی توسط مجرمان زندانی. J. درست است. آموزش. 2015 ، 66 ، 30. [ Google Scholar ]
  10. الونهایمو، اچ. گیلنبرگ، دی. هاتونن، جی. رستکاری، ت. سیلانماکی، ال. سوراندر، الف. بزهکاری جنایی در میان مردان و زنان بین سنین 15 تا 30 سال در یک گروه تولد مبتنی بر جمعیت در سراسر کشور در سال 1981: نتایج حاصل از مطالعه FinnCrime. J. Adolesc. 2014 ، 37 ، 1269-1279. [ Google Scholar ] [ CrossRef ]
  11. کاپلون، او. جنایتکاری زنان در روسیه: یادداشت تحقیقی از مستعمره کیفری. بین المللی J. Comp. Appl. جنایت. عدالت 2017 ، 41 ، 231. [ Google Scholar ] [ CrossRef ]
  12. سو چون، دی. قربانی سرقت مسکونی: مدل سازی مختلط در سطح خانگی و کشوری. بین المللی کشیش ویکت. 2017 ، 23 ، 47-61. [ Google Scholar ] [ CrossRef ]
  13. ماکسفیلد، ام. سبک زندگی و نظریه های فعالیت معمول جرم: مطالعات تجربی بزه دیدگی، بزهکاری، و تصمیم گیری مجرم. جی. کوانت. Criminol. 1987 ، 3 ، 275-282. [ Google Scholar ] [ CrossRef ]
  14. Osgood، DW; اندرسون، AL اجتماعی شدن و بزهکاری بدون ساختار. جرم شناسی 2004 ، 42 ، 519-549. [ Google Scholar ] [ CrossRef ]
  15. قانون، ج. کوئیک، م. چان، پی. منطقه باز و تراکم جاده به عنوان شاخص های کاربری زمین مکان های مسکونی مجرم جوان در سطح منطقه کوچک: مطالعه موردی در انتاریو، کانادا. مطالعه شهری. 2016 ، 53 ، 1710-1726. [ Google Scholar ] [ CrossRef ]
  16. فیتزجرالد، آر. ویزنر، ام. Savoie, J. Neighborhood Characters and the Distribution of Crime in Winnipeg ; Statistics Canada: Crime and Justice Research Paper Series; مرکز کانادایی آمار عدالت: اتاوا، ON، کانادا، 2004.
  17. Bursik، RJ بی‌سازمانی اجتماعی و نظریه‌های جرم و بزهکاری: مشکلات و چشم‌اندازها. جرم شناسی 1988 ، 26 ، 519-551. [ Google Scholar ] [ CrossRef ]
  18. اگنیو، آر. نظریه مقاومت و حساسیت به جرم. جرم شناسی 2016 ، 54 ، 181-211. [ Google Scholar ] [ CrossRef ]
  19. کواچی، آی. کندی، BP; Wilkinson, RG Crime: بی سازمانی اجتماعی و محرومیت نسبی. Soc. علمی پزشکی 1999 ، 48 ، 719-731. [ Google Scholar ] [ CrossRef ]
  20. بلوک Hipp، JR، مسیر، و سطوح تجمع: ساختار محله و جنایت و بی نظمی به عنوان یک مورد. صبح. اجتماعی Rev. 2007 , 72 , 659-680. [ Google Scholar ] [ CrossRef ]
  21. 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 ]
  22. فیترر، جی ال. نلسون، TA مروری بر روش های آماری و کمی مورد استفاده برای مطالعه جرایم منتسب به الکل. PLoS ONE 2015 ، 10 ، e0139344. [ Google Scholar ] [ CrossRef ]
  23. شرک، جی. ژان، م. دیوید، اسکی درباره ریشه‌های محله خشونت‌آمیز: مطالعه ماهیت و پیش‌بینی‌کننده‌های تمایز نوع جرم در محله‌های شیکاگو. عدالت Q. 2009 ، 26 ، 771-794. [ Google Scholar ] [ CrossRef ]
  24. اندرسن، MA ضرایب موقعیت مکانی، جمعیت های محیطی، و تحلیل فضایی جرم در ونکوور، کانادا. محیط زیست طرح. A 2007 , 39 , 2423-2444. [ Google Scholar ] [ CrossRef ]
  25. Andresen، MA جمعیت محیط و تجزیه و تحلیل جرم و جنایت. پروفسور Geogr. 2011 ، 63 ، 193-212. [ Google Scholar ] [ CrossRef ]
  26. Andresen، MA پیش بینی خوشه های جرم محلی با استفاده از رگرسیون لجستیک (چند جمله ای). منظر شهری 2015 ، 17 ، 249-262. [ Google Scholar ]
  27. اندرسن، MA آزمون الگوی نقطه ناپارامتریک فضایی مبتنی بر ناحیه: آزمون، کاربردهای آن و آینده. روش. نوآوری. 2016 , 9 , 2059799116630659. [ Google Scholar ] [ CrossRef ]
  28. مالسون، ن. اندرسن، MA کانون های جرم و جنایت فضایی-زمانی و جمعیت محیطی. علوم جنایی 2015 ، 4 ، 1-8. [ Google Scholar ] [ CrossRef ]
  29. IPC. قانون آزادی اطلاعات و حفاظت از حریم خصوصی شهرداری انتاریو: یک راهنمای کوچک ؛ کمیسر اطلاعات و حریم خصوصی: اتاوا، ON، کانادا، 2014. [ Google Scholar ]
  30. آکرمن، جی.ام. Rossmo، DK چقدر باید سفر کرد؟ تجزیه و تحلیل چند سطحی از فاصله محل سکونت تا جرم. جی. کوانت. Criminol. 2015 ، 31 ، 237-262. [ Google Scholar ] [ CrossRef ]
  31. دراو، جی. واکر، جی تی. فلسون، ام. مجرمان نوجوان: بررسی فاصله تا جرم و دسته های جرم. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 122-133. [ Google Scholar ] [ CrossRef ]
  32. هوچکینسوی، اس. Tilley، N. سفر به جرم: خانه در قربانی. بین المللی کشیش ویکت. 2007 ، 14 ، 281-298. [ Google Scholar ] [ CrossRef ]
  33. کوهن، EG; Breetzke، GD تناوب جنایات خشونت آمیز و دارایی در Tshwane، آفریقای جنوبی. بین المللی جنایت. Justice Rev. 2017 , 27 , 60-71. [ Google Scholar ] [ CrossRef ]
  34. متسون، فی. دان، جی آر. اسمیت، KL; معین الدین، ر. گلازیر، توسعه RH شاخص حاشیه نشینی کانادا: ابزاری جدید برای مطالعه نابرابری. می توان. J. بهداشت عمومی/Revue Canadienne de Sante’e Publique 2012 ، 103 ، S12–S16. [ Google Scholar ]
  35. آمار کانادا سرشماری نفوس ; آمار کانادا: اتاوا، ON، کانادا، 2016.
  36. برنان، اس. Dauvergne، M. آمار جنایات گزارش شده توسط پلیس در کانادا، 2011 ; جزء کاتالوگ آمار کانادا; حقوقدان: مرکز کانادایی آمار عدالت: اتاوا، ON، کانادا، 2011; شماره 85-002-X.
  37. Keighley، K. آمار جنایات گزارش شده توسط پلیس در کانادا، 2016 ؛ آمار کانادا: اتاوا، ON، کانادا، 2017.
  38. فلسون، ام. Boivin, R. جرایم روزانه در یک شهر جریان دارد. علوم جنایی 2015 ، 4 ، 1-10. [ Google Scholar ] [ CrossRef ]
  39. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  40. کوهن، جی. تیتا، جی. انتشار در قتل: بررسی یک روش کلی برای تشخیص فرآیندهای انتشار فضایی. جی. کوانت. Criminol. 1999 ، 15 ، 451-493. [ Google Scholar ] [ CrossRef ]
  41. موری، AT; مک گافگ، آی. وسترن، JS؛ Mullins، P. تکنیک های تحلیل داده های فضایی اکتشافی برای بررسی جرم شهری. برادر J. Criminol. 2001 ، 41 ، 309-329. [ Google Scholar ] [ CrossRef ]
  42. Durlauf، SN; ناوارو، اس. Rivers, DA درک رگرسیون جرم کل. جی. اکونوم. 2010 ، 158 ، 306-317. [ Google Scholar ] [ CrossRef ]
  43. لی، سی. ارزش زندگی در مرگ: تحلیل رگرسیون چندگانه و تاریخچه رویداد از پاکسازی قتل در شهرستان لس آنجلس. جی. جنایت. عدالت 2005 ، 33 ، 527-534. [ Google Scholar ] [ CrossRef ]
  44. لی، ام آر پایگاه نهادی مذهبی و جنایات خشونت آمیز در مناطق روستایی. J. Sci. درس دینی بخوان 2006 ، 45 ، 309-324. [ Google Scholar ] [ CrossRef ]
  45. والاس، ام. ویزنر، ام. کالینز، کی. خصوصیات محله و توزیع جرم در رجینا . آمار کانادا: اتاوا، ON، کانادا، 2006.
  46. Savoie, J. Neighborhood Characteristics and the Distribution of Crime, Edmonton, Halifax and Thunder Bay ; آمار کانادا: اتاوا، ON، کانادا، 2008.
  47. موران، PAP تفسیر نقشه های آماری. JR Stat. Soc. سر. B 1948 , 10 , 243-251. [ Google Scholar ] [ CrossRef ]
  48. ژاکز، GM خوشه بندی فضایی و خودهمبستگی در رویدادهای سلامت. در کتابچه راهنمای علوم منطقه ای ; Springer: برلین/هایدلبرگ، آلمان، 2014; پ. 1311e1334. [ Google Scholar ]
  49. راجرسون، پی. یاماها، I. تشخیص آماری و نظارت بر خوشه های جغرافیایی . CRC Press: Boca Raton، FL، USA، 2008. [ Google Scholar ]
  50. آنسلین، ال. کوهن، جی. کوک، دی. گور، دبلیو. تیتا، جی. تحلیل های فضایی جرم. جنایت. عدالت 2000 ، 4 ، 213-262. [ Google Scholar ]
  51. ناکایا، تی. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون پواسون دارای وزن جغرافیایی برای نقشه برداری ارتباط بیماری. آمار پزشکی 2005 ، 24 ، 2695-2717. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  52. لین، سی. Wen, T. استفاده از رگرسیون وزن‌دار جغرافیایی (GWR) برای کشف روابط متغیر فضایی پشه‌های نابالغ و تراکم انسان با بروز دنگی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2011 ، 8 ، 2798-2815. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  53. براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای کاوش غیرایستایی فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
  54. Fotheringham، AS; براندون، سی. چارلتون، ام. رگرسیون وزن‌دار جغرافیایی: تحلیل روابط متغیر فضایی . جان وایلی و پسران: چیچستر، بریتانیا، 2002. [ Google Scholar ]
  55. Kuo، CC; وارداپ، ن. چانگ، سی تی. وانگ، اچ سی. اتکینسون، PM اهمیت بنادر بین‌المللی عمده در توزیع تیفوس موش در تایوان. PLoS Negl. تروپ دیس 2017 , 11 , e0005430. [ Google Scholar ]
  56. Hulchanski، JD سه شهر در تورنتو: قطبش درآمد در میان محله های تورنتو. در دسترس آنلاین: https://tspace.library.utoronto.ca/bitstream/1807/91269/1/The%20Three%20Cities_TSpace.pdf (دسترسی در 20 ژانویه 2018).
  57. کلپاک، پ. وانگ، ال. بررسی پیش‌بینی‌کننده‌های اجتماعی و همسایگی دیابت: مقایسه بین تورنتو و شیکاگو. پریم. مراقبت های بهداشتی Res. توسعه دهنده 2017 ، 18 ، 291-299. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  58. هارت، تی سی؛ والر، جی. مرزهای همسایگی و تعیین‌کننده‌های ساختاری بی‌سازمانی اجتماعی: بررسی اعتبار معیارهای رایج. غرب. Criminol. Rev. 2013 , 14 , 16. [ Google Scholar ]
  59. دراو، جی. توماس، SA; هارت، تئوری فعالیت روتین TC و احتمال دستگیری: تکرار و گسترش با روش‌های پیوندی. J. Contemp. جنایت. عدالت 2017 ، 33 ، 121-132. [ Google Scholar ] [ CrossRef ]
  60. کلمن، جی اس. فرارو، تی جی نظریه انتخاب منطقی . Sage: نیویورک، نیویورک، ایالات متحده آمریکا، 1992. [ Google Scholar ]
  61. وندویور، سی. ون دیل، اس. واندر بکن، تی. چه چیزی باعث می شود سفرهای جنایی طولانی انجام شود؟ متعادل کردن هزینه ها و منافع در سفر سارقان به جرم برادر J. Criminol. 2015 ، 55 ، 399-420. [ Google Scholar ] [ CrossRef ]
  62. بلوک، آر. گالری، ا. بریس، دی. سفر به جنایت: قربانیان و مجرمان در جرایم شاخص خشونت آمیز در شیکاگو به هم نزدیک می شوند. امن J. 2007 , 20 , 123-137. [ Google Scholar ] [ CrossRef ]
  63. ون دیل، اس. واندر بکن، تی. سفر به جرم “گروه های جنایتکار دوره گرد”. سیاسی بین المللی جی. استراتژی پلیس. مدیریت 2010 ، 33 ، 339-353. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. لوچنر، ال. مورتی، ای. تأثیر آموزش بر جرم: شواهد از زندانیان، دستگیری ها و گزارش های خود. صبح. اقتصاد Rev. 2004 , 94 , 155-189. [ Google Scholar ] [ CrossRef ]
  65. فلا، جی. گالیپولی، جی. آموزش و جنایت در چرخه زندگی. کشیش Econ. گل میخ. 2014 ، 81 ، 1484-1517. [ Google Scholar ] [ CrossRef ]
  66. دیگازمن، پی بی; مروین، EI; Bourguignon، C. تراکم جمعیت، فاصله تا حمل و نقل عمومی، و سلامت زنان در محله های کم درآمد. پرستاران بهداشت عمومی. 2013 ، 30 ، 478-490. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  67. پیتنر، روسی. یو، م. براون، E. کدام عامل تأثیر بیشتری دارد؟ بررسی اثرات سطح درآمد، اختلال محله ادراک شده، و جرم و جنایت بر مراقبت و هوشیاری جامعه در میان ساکنان آمریکایی آفریقایی تبار کم درآمد. Race Soc. مشکل 2013 ، 5 ، 57-64. [ Google Scholar ] [ CrossRef ]
  68. Kilewer، W. نقش کارآمدی جمعی محله و ترس از جرم در اجتماعی شدن مقابله با خشونت در جوامع کم درآمد. J. روانی جامعه. 2013 ، 41 ، 920-930. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  69. Altindag، DT جنایت و بیکاری: شواهدی از اروپا. بین المللی ریوی قانون اقتصاد. 2012 ، 32 ، 145-157. [ Google Scholar ] [ CrossRef ]
  70. نیسس، جی. گرونبرگ، سی. وضعیت اجتماعی-اقتصادی و پیامدهای سلامت والدین مجرد. J. بهداشت عمومی 2005 ، 13 ، 270-278. [ Google Scholar ] [ CrossRef ]
  71. یابلونسکا، بی. لیندبرگ، ال. رفتارهای پرخطر، قربانی شدن و ناراحتی روانی در میان نوجوانان در ساختارهای مختلف خانواده. Soc. روانپزشکی Psychiatr. اپیدمیول. 2007 ، 42 ، 656-663. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  72. O’Brien، RM اندازه گروه نسبی و نرخ جرم خاص سن: یک مدل سن-دوره-نسبی-کوهورت-اندازه. جرم شناسی 1989 ، 27 ، 57-78. [ Google Scholar ] [ CrossRef ]
  73. پورتر، جی آر. رادر، NE; Cossman، JS بی‌سازمانی اجتماعی و ترس از محله: بررسی تلاقی ویژگی‌های فردی، جامعه و شهرستان. صبح. جی. جنایت. عدالت 2012 ، 37 ، 229-245. [ Google Scholar ] [ CrossRef ]
  74. Kruttschnitt، C. جنسیت و جرم. ان کشیش سوسیول. 2013 ، 39 ، 291-308. [ Google Scholar ] [ CrossRef ]
  75. بارنز، جی سی. گلدن، ک. مانچینی، سی. Boutwell، BB; Beaver, KM; الماس، ب. ازدواج و دخالت در جرم: در نظر گرفتن اثرات متقابل در یک نمونه نماینده ملی. عدالت Q. 2014 ، 31 ، 229-256. [ Google Scholar ] [ CrossRef ]
  76. Ge، Y. آهنگ، ی. وانگ، جی. لیو، دبلیو. رن، ز. پنگ، جی. لو، ب. عوامل تعیین‌کننده مبتنی بر رگرسیون دارای وزن جغرافیایی در بروز مالاریا در شمال چین. ترانس. GIS 2017 ، 21 ، 934-953. [ Google Scholar ] [ CrossRef ]
  77. گیلبرت، ا. Chakraborty، J. استفاده از رگرسیون وزن‌دار جغرافیایی برای تجزیه و تحلیل عدالت محیطی: خطرات تجمعی سرطان ناشی از سموم هوا در فلوریدا. Soc. علمی Res. 2011 ، 40 ، 273-286. [ Google Scholar ] [ CrossRef ]
  78. کیهیل، م. مولیگان، جی. استفاده از رگرسیون وزن‌دار جغرافیایی برای کشف الگوهای جرم محلی. Soc. علمی محاسبه کنید. Rev. 2007 , 25 , 174-193. [ Google Scholar ] [ CrossRef ]
  79. Malczewski، J. Poetz، A. سرقت های مسکونی و زمینه اجتماعی-اقتصادی محله در لندن، انتاریو: تحلیل رگرسیون جهانی و محلی. پروفسور Geogr. 2005 ، 57 ، 516-529. [ Google Scholar ] [ CrossRef ]
  80. علی، ک. کبک، MD; Olfert، MR آیا رگرسیون های وزنی جغرافیایی می توانند تحلیل و سیاست گذاری منطقه ای را بهبود بخشند؟ بین المللی Reg. علمی Rev. 2007 , 30 , 300-329. [ Google Scholar ] [ CrossRef ]
  81. بووین، آر. فعالیت معمول، جمعیت(ها) و جرم: ناهمگونی فضایی و گزاره های متضاد در مورد پیوند جرم محله-جمعیت. Appl. Geogr. 2018 ، 95 ، 79-87. [ Google Scholar ] [ CrossRef ]
  82. بله، سی. چن، ی. لی، جی. بررسی تأثیرات پوشش درخت و تراکم جاده بر جرایم دارایی. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 101. [ Google Scholar ] [ CrossRef ]
  83. پانک، جی. Pászto، V. نقشه برداری عاطفی در برنامه ریزی محله محلی: مطالعه موردی Příbram، جمهوری چک. بین المللی طرح جی ای. Res. (IJEPR) 2017 ، 6 ، 1-22. [ Google Scholar ] [ CrossRef ]
  84. Semukhina، O. جنایات گزارش نشده، نارضایتی عمومی پلیس، و رفتار نادرست پلیس مشاهده شده در منطقه ولگوگراد، روسیه: یک یادداشت تحقیقاتی. بین المللی J. Comp. Appl. جنایت. عدالت 2014 ، 38 ، 305-325. [ Google Scholar ] [ CrossRef ]
  85. Hunt، JM آیا نقاط داغ جنایت حرکت می‌کند؟ بررسی اثرات مسئله واحد منطقه ای قابل تغییر و مسئله واحد زمانی قابل تغییر بر پایداری نقطه داغ جرم ؛ Proquest LLC.: واشنگتن، دی سی، ایالات متحده آمریکا، 2016. [ Google Scholar ]
  86. Kwan، MP مشکل بافت جغرافیایی نامشخص. ان دانشیار صبح. Geogr. 2012 ، 102 ، 958-968. [ Google Scholar ] [ CrossRef ]
  87. شهر تورنتو اطلاعیه توجیهی: FOCUS Toronto. 2016. در دسترس آنلاین: https://www.toronto.ca/legdocs/mmis/2016/cc/comm/communicationfile-58904.pdf) (دسترسی در 20 ژانویه 2018).
  88. نگ، اس. Nerad, S. ارزیابی پروژه آزمایشی FOCUS Rexdale. در دسترس آنلاین: https://www.usask.ca/cfbsjs/research/pdf/research_reports/EvaluationoftheFOCUSRexdalePilotProject.pdf (دسترسی در 20 ژانویه 2018).
  89. شپردسون، پی. کلنسی، جی. لی، ام. کرافتز، تی. مشارکت های ایمنی و پیشگیری از جرم و جنایت: چالش ها و فرصت ها. بین المللی J. Crimejustice Soc. دموکراسی 2014 ، 3 ، 107-120. [ Google Scholar ] [ CrossRef ]
  90. خدمات پلیس تورنتو برنامه اقدام: راه رو به جلو. 2017. در دسترس آنلاین: https://www.torontopolice.on.ca/TheWayForward/ (دسترسی در 20 ژانویه 2018).
Ijgi 08 00051 g001 550
شکل 1. نرخ اموال و جرایم خشن (به ازای هر 100000 نفر) بر اساس محله تورنتو، 2014-2016.
Ijgi 08 00051 g002 550
شکل 2. ( الف ) نقشه آماری LISA برای جرم ملکی، 2014-2016. ( ب ) نقشه آماری LISA برای جنایات خشونت آمیز، 2014-2016.
Ijgi 08 00051 g003 550
شکل 3. توزیع R2 محلی تعدیل شده در مدل GWR برای جرم مالکیت.
Ijgi 08 00051 g004 550
شکل 4. مقادیر t- شبه برای متغیرهای قطع و مستقل.
Ijgi 08 00051 g005 550
شکل 5. ضرایب محلی GWR برای متغیرهای رهگیری و مستقل.
قیمت طراحی سایت آموزش gis آموزش مقاله نویسی آموزش کسب و کار

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید