بررسی ارتباط تعاملی بین ویژگی‌های محیط ساخته شده شهری و توزیع اقامتگاه‌های مجرم با یک مدل ژئودتکتور

چکیده

محل سکونت مجرمان به یک مرکز تحقیقاتی در ادبیات جرم تبدیل شده است. با این حال، توجه کمی به ارتباط تعاملی بین عوامل محیطی ساخته شده و انتخاب های مسکونی مجرمان شده است. در طول سه دهه گذشته، موج بی‌سابقه‌ای از کارگران مهاجر به مراکز شهری برای اشتغال در چین سرازیر شده است. بیشتر آنها به روستاهای شهری در کلان شهرها سرازیر شدند. ثبات ضعیف پرسنل و تحرک زیاد باعث شده است که روستاهای شهری ارتباط تنگاتنگی با کاهش امنیت عمومی و وخامت نظم اجتماعی داشته باشند. منطقه YB در چین به عنوان منطقه مورد مطالعه انتخاب شد که در یکی از توسعه یافته ترین شهرهای جنوب چین واقع شده است و مساحتی حدود 800 کیلومتر مربع دارد .و جمعیتی حدود چهار میلیون نفر. هدف این مطالعه بررسی ارتباط بین محیط محله و اقامتگاه های متخلف با استفاده از مدل آشکارساز جغرافیایی (GeoDetector) از منظر تعامل است.
چارچوب مفهومی مبتنی بر نظریه بی‌سازمانی اجتماعی است. نتایج نشان داد که روستاهای شهری با قدرت تبیین نسبتاً بالا مهم‌ترین متغیر بودند. به طور کلی، در نظر گرفتن دهکده شهری به عنوان حامل، مکان‌های مختلف (هتل‌ها، مکان‌های تفریحی و کارخانه‌ها) در دهکده شهری ممکن است بیشتر شامل اقامتگاه‌های متخلف باشند. این مطالعه همچنین نظریه عدم سازماندهی اجتماعی را در زمینه غیرغربی قابل اجرا یافت. این یافته ها ممکن است پیامدهای مهمی برای شناسایی محل سکونت مجرم، پیشگیری از جرم،

کلید واژه ها:

توزیع فضایی ; انجمن های تعاملی ؛ GeoDetector ; نظریه عدم سازماندهی اجتماعی

1. مقدمه

تحقیق در مورد محل سکونت مجرمان موضوع مهمی در جرم شناسی، جغرافیا، جامعه شناسی و رشته های شهری است [ 1 ]. کار پیشگامی که توسط شاو و مک کی پیشنهاد شد [ 2 ] بر توزیع فضایی بزهکاران نوجوان در شیکاگو متمرکز شد و نشان داد که میزان مجرمان جوان از مرکز شهر به سمت حاشیه کاهش یافته است. اخیراً این موضوع در زمینه های مختلف ملی توسعه یافته است. کار قانون و همکاران. نشان داد که مجرمان جوان عمدتاً در مناطق شهری در کانادا متمرکز بودند [ 3 ]، در حالی که کار لیو و همکاران. نشان داد که سارقان مهاجر نوجوان تمایل داشتند در جوامعی با بی ثباتی مسکونی بالا در چین زندگی کنند [ 1 ]]. علاوه بر این، مطالعات انواع مختلف جرم مانند جرایم جنسی [ 4 ، 5 ، 6 ] و سرقت [ 7 ] نیز نشان داده است که اقامتگاه های مجرم دارای ویژگی های تجمع فضایی هستند.
ارتباط بین محل سکونت مجرم و محیط ساخته شده شهری به یک مرکز تحقیقاتی تبدیل شده است و تحت هدایت نظریه بی‌سازمانی اجتماعی به طور گسترده تشخیص داده شده است. فرض بر این است که جوامع با بی‌سازمانی (یعنی تحرک مسکونی بالا، وضعیت اجتماعی-اقتصادی پایین و ناهمگونی قومی بالا) انسجام اجتماعی پایینی دارند، که منجر به از دست دادن کنترل اجتماعی غیررسمی و افزایش سطح جرم و جنایت می‌شود [ 8 ].]. بنابراین، این نظریه اغلب به عنوان مبنای نظری در تبیین ارتباط بین سکونت مجرم و ویژگی های محله انتخاب می شود. علاوه بر این، چندین مطالعه تجربی نشان داده اند که میزان بزهکاری به شدت با بی نظمی اجتماعی مرتبط است. لاو و همکاران دریافتند که بزهکاری نوجوانان با عوامل پیش‌بینی‌کننده بی‌سازمانی اجتماعی، مانند خانواده‌های تک‌والدی، مهاجران، ناهمگونی قومی، و تحرک مسکونی همبستگی مثبت دارد [ 9 ]. در مطالعه بریتزکه و همکاران، محرومیت اقتصادی نقش مهمی در توزیع نرخ مجرم ایفا کرد [ 10 ]]. نرخ بالای متخلف در مناطق با سطح محرومیت اقتصادی بالا رخ داده است، در حالی که مناطق مرفه نرخ بزهکاری پایین را نشان می دهند. بسیاری از مطالعات بر تعامل پیچیده بین جرم و ویژگی های جمعیت شناختی مانند جنس، سن، درآمد، نژاد و قومیت، ازدواج، ساختار خانواده و غیره تاکید کرده اند [ 11 ، 12 ، 13 ، 14 ].
علاوه بر این، نظریه‌های دیگری مانند نظریه فعالیت‌های معمول، جرم‌شناسی محیطی و نظریه الگوی جرم نیز برای مطالعه اقامتگاه‌های مجرم به کار گرفته شده‌اند. تئوری فعالیت معمول اذعان می کند که وقوع بیشتر جنایات ناشی از همگرایی حضور مجرمان احتمالی و اهداف مناسب و عدم وجود نگهبانان توانا در مکان و زمان است [ 15 ]. نظریه الگوی جرم بر عواملی که فرصت های مجرمانه و ویژگی های اصلی محیط زندگی را ساختار می دهند تمرکز دارد [ 16 , 17 , 18]. برانتینگهام و برانتینگهام معتقدند که مجرمان بالقوه تمایل دارند در نزدیکی مکان هایی که از طریق فعالیت های روزمره خود می شناسند، مانند محل زندگی، کار یا معاشرت، مرتکب جرم شوند. یعنی “گره های فعالیت” آنها [ 17 ]. این نظریه ها توضیحی درباره اینکه چرا رویدادهای جنایی در مکان ها و زمان های خاصی متمرکز شده اند، ارائه می دهند. به عنوان مثال، برناسکو دریافت که مجرمانی که مرتکب سرقت، دزدی از منازل، دزدی وسایل نقلیه و تجاوز می‌شوند، نسبت به مناطق مشابهی که هرگز در آن زندگی نکرده‌اند، بیشتر مناطق مسکونی فعلی و سابق خود را هدف قرار می‌دهند [ 19 ]. از آنجایی که مجرمان جنسی مستعد زندگی در مجاورت قربانیان احتمالی هستند، محققان محل سکونت مجرمان و قربانیان را به طور همزمان تجزیه و تحلیل کرده اند [ 20 ، 21 ]]. علاوه بر این، با در نظر گرفتن فضای مجرمانه بالقوه، برخی از مطالعات خطر وقوع جرم را با شاخص‌های کاربری اراضی و امکاناتی مانند ایستگاه‌ها، بارها، اقامتگاه‌ها، پارک‌ها و غیره مرتبط کرده‌اند. این مطالعات نشان داده‌اند که نسبت کاربری‌های صنعتی و تجاری مثبت است. با محل سکونت مجرم مرد [ 22 ] همبستگی دارد، در حالی که نسبت استفاده از زمین باز رابطه مثبتی با اقامت مجرم جوان دارد [ 3 ]. Roncek و Bell دریافتند که جنایات بیشتری در بلوک های میله دار در مقایسه با بلوک های بدون میله وجود دارد [ 23 ]. علاوه بر این، مک‌کورد و رتکلیف نشان داده‌اند که سرقت‌های خیابانی در نزدیکی ایستگاه‌های مترو رخ می‌دهد [ 24 ]]. در مورد تجاوز جنسی در فضای باز، جنایات به طور نامتناسبی در نزدیکی ایستگاه‌های اتوبوس و میله‌ها، اما دور از نزدیک‌ترین محل سکونت رخ داده است [ 25 ]. علاوه بر این، اهمیت ترکیب خاصی از مولدهای جرم و جاذبه در محیط نزدیک در اطراف ایستگاه های اتوبوس عمومی توسط هارت و میته مورد بحث قرار گرفته است. در مقایسه با سایر گره‌های فعالیت، ایستگاه‌های اتوبوس به احتمال زیاد در پروفایل‌های موقعیتی غالب سرقت قرار دارند [ 26 ]. محققان همچنین بر اساس ویژگی‌های چشم‌انداز با استفاده از مدل‌سازی زمین‌های مخاطره‌آمیز، تغییرات ظریفی را در خطر قربانی شدن در بین محیط‌ها شناسایی کرده‌اند، که برای مطالعه انواع مختلف جرم مانند جرایم دارایی و جرایم خشونت‌آمیز استفاده شده است [ 27 ، 28 ، 29 ، 30 ]].
علاوه بر این، تحقیقات مربوط به جرم و مطالعات محل سکونت مجرم عمدتاً شامل دو جنبه است: ویژگی فضایی مکان ها و تحلیل عوامل بالقوه. از نظر ویژگی‌های فضایی مکان‌ها، تحلیل توصیفی ویژگی‌های توزیع فضایی، تحلیل نقطه داغ و تخمین تراکم هسته پرکاربردترین روش‌ها بوده‌اند [ 31 ، 32 ، 33 ، 34 ، 35 ]، زیرا تخصیص آن بسیار مهم است. منابع پلیس به طور موثر برای کاهش و پیشگیری از جرم و جنایت [ 36 , 37 , 38 , 39]. به عنوان مثال، کار براونشتاین و همکاران. با استفاده از نقشه برداری خطر و روش های تشخیص فضایی برای شناسایی خوشه های جرم، مناطق بالقوه نقاط داغ را شناسایی کرد که در آن سوء استفاده از داروهای مخدر رخ داده است [ 40 ]. به عنوان یک روش تجزیه و تحلیل نقاط داغ سنتی، خوشه‌بندی K-means بر روی یک مجموعه داده از نیو ساوت ولز برای اندازه‌گیری میزان جرایم، از جمله سرقت، قتل، و جرایم مختلف مواد مخدر در شهرهایی با نرخ جرم بالا استفاده شد [ 41 ]. اخیراً، تخمین تراکم هسته (KDE) تقاضای زیادی در تجزیه و تحلیل جرم داشته است، زیرا توزیع فضایی را به شیوه ای بصری جذاب و دقیق نشان می دهد [ 42 ، 43 ، 44 ، 45 ، 46 .]. برای تجزیه و تحلیل تأثیر پارامترها (به عنوان مثال، اندازه سلول و پهنای باند) در مدل KDE، آزمایش‌های مقایسه‌ای با داده‌های جرم مختلف انجام شده است. آنها دریافتند که اندازه سلول تأثیر کمی دارد، در حالی که اندازه پهنای باند بر نقشه های کانون جرم KDE تأثیر دارد [ 47 ، 48 ]. از نظر تحلیل عاملی بالقوه، روش‌های تحلیل چند متغیره مانند پواسون، رگرسیون دوجمله‌ای منفی و روش‌های رگرسیون چندسطحی طبقه‌بندی‌شده متقابل در چندین مطالعه اتخاذ شده‌اند [ 49 ، 50 ، 51 ]]. به عنوان مثال، یک مدل رگرسیون دو جمله ای منفی برای تجزیه و تحلیل عوامل مکان های سکونت مجرم در چین مورد استفاده قرار گرفت و دریافت که یک محله از نظر اجتماعی آشفته با بی ثباتی مسکونی بالا احتمالاً سارقان بیشتری را جذب می کند [ 1 ]. به طور کلی، داده های مکان های سکونت مجرم نوعی از داده های مکانی با اطلاعات موقعیت جغرافیایی هستند، بنابراین ناهمگونی مکانی که به توزیع نابرابر متغیرها در یک منطقه معین اشاره دارد، مهم است [ 52 ]. با این حال، ناهمگونی فضایی معمولاً در تحلیل رگرسیون نادیده گرفته می شود [ 53 ، 54 ، 55]. این مشکل با استفاده از مدل آشکارساز جغرافیایی (GeoDetector) قابل حل است. مدل GeoDetector پیشنهاد شده توسط وانگ و همکاران. راه حلی برای کاوش ارتباطات فضایی متغیر بین پدیده ها و عوامل جغرافیایی و تأثیرات متقابل بین این عوامل ارائه می دهد [ 56 ]. برخلاف روش های تحلیل رگرسیون چندگانه، این مدل تحت تأثیر همخطی بودن بین متغیرهای مستقل گسسته چندگانه قرار نمی گیرد [ 57 ].
با انگیزه ادبیات فوق، این کار یک مطالعه موردی در محل سکونت مجرمان در منطقه YB، شهر ZG، بر اساس نظریه بی‌سازمانی اجتماعی است. این نظریه به دلایل زیر انتخاب شد: (1) اولین تحقیقی که از این نظریه استفاده کرد، این نظریه به ویژه بر توزیع جغرافیایی محل سکونت مجرم تمرکز داشت [ 58 ]. (2) بر تأثیر قابل توجه ویژگی های اجتماعی و اقتصادی محله های محلی تأکید می کند [ 59]، که می تواند به ما در تفسیر ارتباط بین اقامتگاه های مجرم و ساختار جامعه کمک کند. علاوه بر این، مطالعات موجود با تجزیه و تحلیل ارتباط فردی بین هر عامل و محل سکونت مجرم با استفاده از چندین نوع مدل رگرسیون، بر ارتباط بین اقامتگاه های مجرم و محیط محله متمرکز شده است. با این حال، توجه کمی به ارتباط تعاملی بین عوامل در مکان های اقامت مجرم شده است. در این مطالعه از مدل آشکارساز تعامل GeoDetector برای پر کردن این شکاف استفاده کردیم. به طور خاص، ما از تجزیه و تحلیل توصیفی و KDE برای درک الگوهای فضایی اقامتگاه‌های مجرم استفاده کردیم و از مدل GeoDetector برای آشکار کردن ارتباط بین عوامل محیطی و مکان‌های مسکونی مجرمان استفاده کردیم. انتظار می رود که نتایج این مطالعه بتواند مرجعی باشد که به بخش های مربوطه کمک کند تا تقاضای جغرافیایی برای خدمات خود را درک کنند و سیاست های پیشگیری و کنترل هدفمند را برای کاهش اثرات منفی جرایم تدوین کنند. گردش کار کلی مطالعه را می توان در این قسمت مشاهده کردشکل 1 .
بقیه مقاله به شرح زیر سازماندهی شده است: مواد مربوطه، از جمله منطقه مورد مطالعه و داده ها، در بخش 2 معرفی شده اند . در بخش 3 روش ها و سوالات تحقیق ارائه شده است. نتایج و بحث ها در بخش 4 ارائه شده است. در نهایت، ما برخی از اظهارات نتیجه‌گیری را در بخش 5 ارائه می‌کنیم.

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

نام واقعی منطقه مورد مطالعه به دلیل قرارداد محرمانه قابل ذکر نیست، اما در اینجا به اختصار توضیح داده شد. منطقه YB در یکی از توسعه‌یافته‌ترین شهرها در جنوب چین واقع شده است و مساحتی در حدود 800 کیلومتر مربع و جمعیتی حدود چهار میلیون نفر دارد. منطقه مورد مطالعه، ناحیه ای است که بیشترین تعداد روستاهای شهری و بیشترین جمعیت مهاجر در شهر را دارد ( شکل 2).). روستاهای شهری که به دلیل تخصص آن در تولید پارچه، پوشاک، چرم و لوازم آرایش روزانه، مهاجران زیادی را برای زندگی جذب می‌کنند، تحت تسلط هستند. هفتمین سرشماری ملی جمعیت در سال 2020 بیان کرد که بیش از 2.3 میلیون نفر ساکن غیر محلی در منطقه مورد مطالعه زندگی می کنند. مهاجران در سیستم ثبت نام خانوار چین (hukou) به دو گروه طبقه بندی می شوند: ساکنان محلی و غیر محلی. همانطور که بیان شد، آن دسته از ساکنان غیر بومی واجد شرایط حقوق رفاه اجتماعی مانند بیمه درمانی ملی، مسکن رفاهی و غیره نیستند که ساکنان محلی (دارای هوکو) مستحق آن هستند. ساکنان غیر محلی معمولاً به عنوان افراد خارجی در شهر تلقی می شوند. شکل 2توزیع فضایی سکونتگاه های متخلف و روستاهای شهری را نشان می دهد. در منطقه مورد مطالعه دو نوع زمین مسکونی وجود دارد: روستاهای شهری و زمین مسکونی شهری. از یک سو، روستاهای شهری با توجه به مساحتشان با دایره‌هایی با اندازه‌های مختلف نمادین می‌شدند ( شکل 2 )، زیرا خطوط واقعی و تکه‌های کاربری اراضی روستاها به دلیل محرمانه بودن قابل ترسیم نبودند. از سوی دیگر، زمین های مسکونی شهری در مناطقی غیر از روستاهای شهری توزیع شد. مشاهده می شود که تراکم بالایی از هر دو سکونتگاه و روستاهای متخلف در وسط منطقه مورد مطالعه توزیع شده است.

2.2. متغیر وابسته

در این پژوهش، داده‌های اقامتگاه‌های مجرم، یعنی تعداد اقامتگاه‌های مجرم در هر سلول شبکه، به عنوان متغیر وابسته در نظر گرفته شد که توسط اداره امنیت عمومی ارائه شد. این داده ها شامل آدرس محل سکونت مجرمانی بود که در سال 2020 در منطقه مورد مطالعه زندگی می کردند، مرتکب جرم شده بودند، دستگیر شده بودند و محکوم شده بودند. متخلفانی را که در منطقه مورد مطالعه زندگی می کردند، شامل نمی شود، بلکه شامل مجرمانی می شود که در خارج از منطقه مورد مطالعه مرتکب جرم شده اند. به دلیل در دسترس بودن و شرایط حریم خصوصی داده ها، آنها انواع جرایم ارتکابی را مشخص نکردند. نمونه هایی از داده های اقامت مجرم در جدول 1 ارائه شده استو حاوی اطلاعاتی در مورد آدرس محل سکونت، تاریخ دستگیری متخلفین در منطقه مورد مطالعه و نتایج مختصات جغرافیایی بر اساس آدرس ها (دو فیلد آخر) باشد. به منظور حفظ امنیت داده ها، اطلاعات شخصی (به جز آدرس محل سکونت) قبل از به دست آوردن داده ها، از جمله نام و شماره شناسه حذف شد. علاوه بر این، همچنین برای محافظت از حریم خصوصی، شماره اتاق‌های خاص آدرس‌های مسکونی نیز توسط ارائه‌دهنده حذف شد، زیرا بیشتر آدرس‌ها آپارتمان‌ها یا واحدهای ساختمان‌ها بودند تا خانه‌های شخصی تک‌خانواری.
پیش پردازش داده های اقامتگاه متخلف شامل دو مرحله بود. ابتدا داده های دارای آدرس متنی گم یا نادرست حذف شدند. دوم، آدرس های اصلی برای بدست آوردن مختصات جغرافیایی از طریق Baidu Map API کدگذاری شدند. در این فرآیند مختصات اقامتگاه های متخلف به صورت دستی بررسی و تصحیح شد و مواردی که نتایج کدگذاری جغرافیایی گم یا نادرست داشتند حذف شدند. داده های خام شامل 3872 آدرس بود و مرحله اول 79 ورودی (2٪) را حذف کرد، در حالی که مرحله دوم 101 ورودی (2.6٪) را حذف کرد. داده های فیلتر شده شامل 3692 قطعه داده (95.4٪) بود. بنابراین، به طور کلی، مقدار داده پس از تمیز کردن حساب ها برای نسبت بالایی از داده های اصلی و کیفیت و دقت داده ها برای تجزیه و تحلیل بعدی کافی بود.

2.3. انتخاب متغیر مستقل

این مطالعه با هدف بررسی ارتباط بین اقامتگاه های متخلف و محیط ساخته شده شهری انجام شد. به دنبال مطالعات مرتبط، ما کاربری زمین و امکانات اجتماعی-اقتصادی را به عنوان متغیرهای مستقل انتخاب کردیم که در جدول 2 فهرست شده است [ 60 ، 61 ، 62 ، 63 ، 64 ، 65 .]. ابتدا، داده‌های نقاط مورد علاقه (POI) از طریق Baidu Map API در سال 2020 به دست آمد که شامل 9 نوع مکان و تسهیلات بود: کارخانه‌ها، هتل‌ها، تأسیسات کشاورزی، انبارداری، امکانات سرگرمی، شرکت‌های فناوری اطلاعات، فروشگاه‌ها و مراکز خرید، شرکت‌های خدمات لیزینگ تجاری. ، و بانک ها سپس داده‌های کاربری اراضی توسط دفتر محلی کاربری اراضی ارائه شد که داده‌های روستای شهری از آن استخراج شد. سوم، داده های جمعیت (تعداد جمعیت در یک شبکه 500 متری) توسط اپراتور محلی ارتباطات سیار ارائه شد که از داده های تلفن همراه محاسبه شد.
تئوری بی‌سازمانی اجتماعی معتقد است که محله‌ای با بی‌ثباتی مسکونی بالا، وضعیت اجتماعی-اقتصادی پایین، و ناهمگونی قومی بالا احتمالاً در نتیجه سطوح پایین انسجام اجتماعی و کنترل اجتماعی، نابسامانی اجتماعی و نرخ جرم بالاتری را تجربه می‌کند [ 2 ، 66 ، 67 ]. , 68 , 69 , 70 ]. انتخاب متغیرهای مستقل در این مطالعه بر اساس تئوری بی‌سازمانی اجتماعی و مطالعه مشابهی در مورد اقامتگاه‌های مجرم در چین بود [ 1 ]. ویژگی های منحصر به فرد منطقه ای منطقه مورد مطالعه نیز در نظر گرفته شد.
شایان ذکر است که روستاهای شهری در چین دارای ویژگی های مشابهی هستند که در توضیح نظریه بی نظمی اجتماعی ذکر شده در بالا توضیح داده شد. روستاهای شهری عامل مهمی در تحقیقات جرم و سکونت مجرم در یک بافت غیر غربی، به ویژه در چین هستند [ 1 ]. بنابراین، داده‌های کاربری اراضی روستای شهری انتخاب شدند که از داده‌های کاربری/پوشش زمین در قالب یک شکل فایل چند ضلعی استخراج شدند.
در میان نه نوع مکان POI، داده‌های POI در مورد مراکز خرید، هتل‌ها، بانک‌ها و امکانات سرگرمی (شامل KTV، بارها، نوارهای شبکه و سالن‌های ماساژ) به‌عنوان مجذوب‌کننده و مولد جرم در مطالعات مرتبط قبلی آزمایش شده‌اند [ 16 ، 17 ] , 18 , 65 , 66 , 67 ]. همانطور که توسط Brantingham و Brantingham تعریف شده‌اند، مولدهای جرم به مکان‌هایی اطلاق می‌شوند که حجم زیادی از قربانیان بالقوه را جذب می‌کنند و به همین ترتیب، فرصت‌های بیشتری برای جرم و جنایت را جذب می‌کنند [ 18 ]. مجذوبین جرم به مکان‌هایی اطلاق می‌شوند که مجرمان در آن جا رفت و آمد می‌کنند که سطوح بالایی از رفتار انحرافی از خود نشان می‌دهند و فرصت‌های بیشتری برای جرم ایجاد می‌کنند [ 18 ]].
وضعیت اجتماعی-اقتصادی محله ها با انتخاب محل سکونت مجرمان مرتبط است [ 71 ]. کارخانه‌ها، تأسیسات کشاورزی و انبارها را می‌توان به‌عنوان مناطقی با وضعیت اقتصادی-اجتماعی نسبتاً پایین دسته‌بندی کرد، در حالی که شرکت‌های فناوری اطلاعات و شرکت‌های خدمات لیزینگ تجاری را می‌توان به‌عنوان مناطقی با وضعیت اقتصادی-اجتماعی نسبتاً بالا طبقه‌بندی کرد. در این مطالعه، از این دو مجموعه POI برای ارزیابی و مقایسه تغییرات وضعیت اجتماعی-اقتصادی در منطقه مورد مطالعه استفاده شد.
علاوه بر این، جامعه نیز به عنوان یک متغیر مستقل اضافه شد [ 72 ، 73 ].

3. پرسش ها و روش تحقیق

3.1. سوالات و فرضیه های تحقیق

این مطالعه با هدف پاسخگویی به سه سوال انجام شد: (1) مجرمان در کجا زندگی می کنند؟ (2) ارتباط فردی بین هر عامل محیط ساخته شده و مکان های مسکونی مجرمان چیست؟ (3) تفاوت بین انجمن های تعاملی عوامل و ارتباط فردی بین هر عامل و اقامتگاه مجرم چیست؟
تئوری بی‌سازمانی اجتماعی معتقد است که محله‌ای با بی‌ثباتی مسکونی بالا، وضعیت اجتماعی-اقتصادی پایین و ناهمگونی قومی بالا احتمالاً در نتیجه سطح پایین انسجام اجتماعی و کنترل اجتماعی، دچار اختلال اجتماعی و حتی جرم می‌شود [ 2 ].]. بر این اساس، فرضیه‌های ما به شرح زیر بود: (1) منطقه‌ای که از نظر اجتماعی سازمان‌دهی نشده است که با بی‌ثباتی مسکونی بالا، وضعیت اجتماعی-اقتصادی پایین، و کاربری ضعیف زمین مسکونی مشخص می‌شود، اولویت انتخاب مسکونی مجرمان است. (2) با توجه به ویژگی های منطقه مورد مطالعه، روستاهای شهری ممکن است یک عامل مهم با قدرت توضیحی بالا باشند. (3) همانطور که توسط برانتینگهام و برانتینگهام نشان داده شد، مولدهای جرم به مکان‌هایی اشاره می‌کنند که حجم زیادی از قربانیان بالقوه را جذب می‌کنند و در نتیجه، تعداد زیادی فرصت برای جرم و جنایت را جذب می‌کنند [ 18 ]. مجذوبین جرم به مکان‌هایی اطلاق می‌شوند که مجرمان در آن‌ها رفت و آمد می‌کنند که سطوح بالایی از رفتار انحرافی از خود نشان می‌دهند و فرصت‌هایی برای جرم ایجاد می‌کنند [ 18 ]]. بنابراین، مکان‌هایی که دارای مراکز خرید، هتل‌ها، بانک‌ها و امکانات تفریحی (شامل KTV، بارها، نت بارها و سالن‌های ماساژ) هستند، ممکن است با اقامتگاه‌های مجرم مرتبط باشند، زیرا در مطالعات قبلی مرتبط به عنوان مجذوب‌کننده و مولد جرم شناخته شده‌اند. [ 65 ، 66 ، 67 ]. (4) ارتباط بین محیط ساخته شده شهری و مکان های مسکونی مجرمان پیچیده و جامع است. قدرت توضیحی انجمن های تعاملی فراتر از ارتباط بین هر یک از عوامل فردی و اقامتگاه های مجرم است. در عوض، ارتباط تعاملی بین عوامل ممکن است قدرت توضیحی بالاتری داشته باشد.

3.2. روش شناسی

3.2.1. پیش پردازش داده ها

همانطور که در بخش 2.3 ذکر شد ، 11 عامل به عنوان متغیرهای مستقل در این مطالعه برای نشان دادن محیط ساخته شده در محیط به منظور بررسی ارتباط آن با اقامتگاه های مجرم انتخاب شدند. به دنبال پیش پردازش مدل سازی GeoDetector [ 74]، ابتدا شبکه ای به ابعاد 500×500 متر که منطقه مورد مطالعه را پوشش می دهد از طریق ArcGIS ساخته شد. دوم، هر نوع داده POI در هر شبکه شمارش شد، که برابر با چگالی POI بود زیرا شبکه ها از نظر اندازه یکنواخت بودند. سپس مساحت روستای شهری در هر شبکه از طریق ArcGIS محاسبه شد. در این فرآیند، صفر در شبکه های بدون توزیع داده متغیر باقی می ماند. در نهایت متغیر وابسته در قالب مقدار عددی باقی ماند. سپس 11 متغیر مستقل به شش کلاس (از داده های عددی تا طبقه بندی) با روش شکست های طبیعی در ArcGIS [ 57 ] ( شکل 3 ) طبقه بندی شدند.

3.2.2. تخمین چگالی هسته

KDE یک روش ناپارامتریک است که از تکنیک تخمین چگالی استفاده می کند و به طور گسترده برای آشکار کردن توزیع کلی جرم و شناسایی نقاط داغ استفاده شده است [ 42 ، 43 ، 44 ، 45 ، 46 ]. این روش ناظر را قادر می‌سازد تا احتمال وقوع حادثه و میزان خطر را در یک منطقه معین ارزیابی کند [ 42 ].]. در این پژوهش، هدف تحقیق، سکونت متخلف بود که به صورت نقاط مکانی گسسته بود. در تجزیه و تحلیل ویژگی توزیع فضایی اقامتگاه های مجرم، KDE یک روش موثر برای تجزیه و تحلیل و مقایسه ناهمگونی فضایی اقامتگاه های مجرم است. در این مطالعه، برای مجموعه معینی از اقامتگاه های مجرم مشاهده شده از یک تابع چگالی احتمال ناشناخته، ما از تخمینگر هسته در یک فضای دو بعدی استفاده کردیم [ 42 ]. این برآوردگر را می توان به صورت زیر تعریف کرد:

کD ( s ) =∑ni = 11πr2(دمن _r)ک�س=∑من=1�1��2دمنس�

جایی که کد ( ها )ک�سچگالی در محل است سس، r�شعاع جستجوی تخمین چگالی هسته است، n�تعداد نقاط نمونه برداری است و k (دمن _r)�����وزن یک نقطه است من�در فاصله دمن _���به مکان س�و معمولاً به عنوان تابع هسته نسبت بین مدل‌سازی می‌شود دمن _���و r�. در این مطالعه از هسته با تابع گاوسی استفاده کردیم که می‌توان آن را به صورت زیر فرموله کرد:

k (دمن _r) =⎧⎩⎨⎪⎪12 π√e x p ( –دمن _22r2) ،0 ,0 < d≤ rد> r�����=12����−���22�2,0<�≤�0,�>�

3.2.3. مدل آشکارسازهای جغرافیایی

مطالعات مرتبط عمدتاً انواع مختلفی از مدل‌های رگرسیون را بدون توجه به ارتباط تعاملی عوامل بالقوه اعمال کردند. از این رو، برای حل این مشکل، روش جدیدی در این پژوهش اتخاذ شد. مدل آشکارساز جغرافیایی (GeoDetector) پیشنهاد شده توسط وانگ و همکاران. یک روش تشخیص ناهمگونی فضایی بر اساس تحلیل واریانس فضایی [ 56 ] است. می توان از آن برای تعیین کمیت قدرت توضیحی هر عامل بر روی متغیر وابسته استفاده کرد. ژئودتکتورها گروهی از روش های آماری جغرافیایی هستند که تنوع مکانی را تشخیص داده و عوامل پشت آن را آشکار می کنند. تئوری محاسباتی آن فرض می‌کند که اگر یک متغیر مستقل ارتباط مهمی با یک متغیر وابسته داشته باشد، توزیع فضایی متغیر مستقل و متغیر وابسته باید مشابه باشد.56 ]. سازگاری دو توزیع فضایی متغیر وابسته y و متغیر مستقل x نشان دهنده همبستگی دو متغیر است [ 56 ]. این همبستگی شامل هر دو بخش خطی و غیر خطی است که با آشکارسازهای جغرافیایی قابل اندازه گیری است. هدف از مدل رگرسیون خطی و آشکارساز جغرافیایی ایجاد ارتباط آماری بین دو متغیر به منظور استنتاج یک ارتباط علی احتمالی است. به طور کلی، زمانی که رگرسیون خطی قابل توجه است، آشکارساز جغرافیایی باید قابل توجه باشد. اگر رگرسیون خطی قابل توجه نباشد، آشکارساز جغرافیایی ممکن است همچنان قابل توجه باشد. اگر دو متغیر به هم مرتبط باشند، آشکارساز جغرافیایی قادر به تشخیص آنها است [ 57]. با توجه به اصول مدل آشکارساز جغرافیایی، به هم خطی بودن حساس نیست [ 57 ]. از نظر مقیاس، پیش پردازش داده ها و مدل سازی مدل GeoDetector فرآیندهای محلی مبتنی بر ناهمگونی فضایی هستند، در حالی که نتایج تشخیص جهانی هستند. بنابراین، نتایج مدل GeoDetector در مقیاس شبکه ای 500 × 500 متر در این مطالعه اندازه گیری شد.
مدل GeoDetector یک نرم‌افزار مدل‌سازی منبع باز در قالب یک ماکرو اکسل است ( https://geodetector.cn/ ، در 1 مارس 2022 قابل دسترسی است). فرآیند اصلی شامل وارد کردن آمار فضایی متغیرهای وابسته و توضیحی در واحدهای فضایی در نرم‌افزار GIS به منظور خروجی جدول ویژگی‌ها در نرم‌افزار ماکرو GeoDetector Excel برای خواندن داده‌ها و سپس اجرای مدل است. بر اساس قدرت تعیین کننده، مدل GeoDetector چهار آشکارساز، شامل آشکارساز عامل، آشکارساز خطر، آشکارساز اکولوژیکی و آشکارساز تعاملی تولید می کند [ 56 ].]. در میان آنها، آشکارساز عامل و آشکارساز تعاملی محبوب‌تر هستند، و همچنین در این مطالعه برای بررسی ارتباط فردی و تعاملی عوامل تعیین‌کننده در توزیع شاخص مخلوط شغل مورد استفاده قرار گرفتند [ 56 ، 57 ].

به طور خاص، آشکارساز عامل از قدرت تعیین کننده استفاده می کند (به نام q�) [ 56 ] برای تعیین کمیت تأثیر عوامل مختلف بر الگوی فضایی اقامتگاه های مجرم ( شکل 4 ). در مورد فاکتور ایکس�، ارزش q�می توان به صورت [ 56 ] محاسبه کرد:

q( x ) =1–∑Lh = 1نساعتσ2ساعتنσ2��=1−∑ℎ=1� �ℎ�ℎ2��2

جایی که ن�به یک منطقه مطالعاتی اطلاق می شود که به تقسیم می شود ن�واحدها که به طبقه بندی می شوند h = 1 ، 2 ، … ، Lℎ=1,2,…,�قشر [ 56 ]; و قشر ساعتℎشامل نساعت�ℎواحدها σ2�2و σ2ساعت�ℎ2به ترتیب واریانس جهانی متغیر وابسته در منطقه مورد مطالعه و واریانس متغیر وابسته در زیرحوزه ها را نشان می دهد. علاوه بر این، q( x )��شاخص توان توضیحی عوامل است ایکس�، q( x ) ∈ [ 0 , 1 ]��∈0,1[ 56 ]. زمانی که ارزش q( x )�ایکسبالاتر است، ارزش σ2ساعت�ساعت2نزدیک تر است 00، یعنی قدرت توضیحی عامل ایکسایکسنقش قوی تری در وقوع اقامتگاه های مجرم دارد [ 56 ].

علاوه بر این، آشکارساز تعامل برای تعیین اینکه آیا دو عامل فردی یکدیگر را تقویت یا تضعیف می کنند با مقایسه سهم ترکیبی آنها با مشارکت مستقل آنها استفاده شد ( شکل 5 ). به طور خلاصه، عملکرد آشکارساز برهمکنش مقایسه تفاوت بین انجمن های فردی عوامل بر روی متغیر وابسته و انجمن های مشترک تعاملی دو عامل بود. فرآیند محاسبه و مقایسه را می توان به صورت زیر انجام داد. برای راحتی، ما شاخص توان توضیحی عامل را مشخص کردیم ایکس1ایکس1و ایکس2ایکس2مانند q(ایکس1)�ایکس1و q(ایکس2)�ایکس2، به ترتیب. علاوه بر این، قدرت توضیحی اثر متقابل این عوامل را می توان به عنوان نشان داد q(ایکس1∩ایکس2)�ایکس1∩ایکس2. تعامل بین عوامل ایکس1ایکس1و ایکس2ایکس2بستگی به ارتباط بین q(ایکس1∩ایکس2)�ایکس1∩ایکس2و q(ایکس1)�ایکس1، q(ایکس2)�ایکس2، که می تواند به پنج نوع [ 57 ] طبقه بندی شود، همانطور که در جدول 3 نشان داده شده است.

4. نتایج و بحث

4.1. پرتره مجرمین

ویژگی‌های مجرمان مانند ساختار جنسیتی و سنی ( شکل 6 )، از مهمترین جنبه‌های این مطالعه بود و برای درک تنوع درونی این جمعیت به منظور کمک به مدیریت اجتماعی مفید بود.
در سال 2020، 3692 متخلف در منطقه مورد مطالعه وجود داشت که در میان آنها بیشتر افراد میانسال (با میانگین سنی 43 سال) و مرد (با نسبت مرد به زن 9:1) بودند. میانگین سنی مجرمان مرد و زن به ترتیب 43 و 39 سال بود. همانطور که در شکل 6 الف نشان داده شده است، نسبت جنسیتی مجرمان نسبت به کل جمعیت بسیار متفاوت است.

4.2. توزیع فضایی اقامتگاه های متخلف

شکل 7توزیع فضایی اقامتگاه های متخلف را نشان می دهد. به طور کلی، نقاط داغ اقامتگاه مجرم عمدتاً در وسط منطقه مورد مطالعه قرار داشتند. یک ساختار چند مرکزی را می توان در بیضی انحراف استاندارد مشاهده کرد. جهت توزیع محور بلند بیضی انحراف معیار (جنوب غربی به شمال شرقی) نشان داد که توزیع فضایی کلی اقامتگاه های متخلف در منطقه مورد مطالعه تمایل به سازگاری با شکل هندسی مرز منطقه مورد مطالعه دارد. وسط منطقه مورد مطالعه نزدیک به دو مرکز حمل و نقل، یک فرودگاه و یک ایستگاه راه آهن، با بزرگراه های فرودگاهی که از منطقه عبور می کردند، حمل و نقل توسعه یافته و جمعیت مهاجر زیادی قرار داشت. علاوه بر این، این منطقه یک منطقه معمولی حومه شهر با روستاهای شهری فراوان بود.

4.3. نتایج مدل GeoDetector

4.3.1. تشخیص فاکتور

با در نظر گرفتن تعداد مکان های مسکونی متخلف در هر شبکه به عنوان متغیر وابسته و 11 عامل بالقوه به عنوان متغیر مستقل، توزیع محل سکونت مجرم با استفاده از مدل آشکارساز جغرافیایی مورد تجزیه و تحلیل قرار گرفت. نتایج به دست آمده با مدل آشکارساز عامل در جدول 4 آمده است. از نظر تئوری، دامنه مقدار q 0-1 بود، و بزرگی مقدار q از طریق مقایسه بین عوامل بود. هر چه مقدار q بزرگتر باشد، قدرت توضیحی عامل بر روی متغیر وابسته قوی تر است.
همانطور که در جدول 4 نشان داده شده است ، به غیر از تراکم شرکت های خدمات لیزینگ تجاری و تراکم بانک ها، مقادیر p 9 عامل دیگر همگی کمتر از 0.05 بود که نشان می دهد این نه عامل قدرت توضیحی قابل توجهی بر توزیع فضایی دارند. مجرم در سطح معناداری 05/0 اقامت دارد. با بیان این مطلب، مدل برای توضیح ارتباط بین محیط ساخته شده و اقامتگاه های متخلف در این مطالعه مناسب بود.
نتایج نشان داد که تراکم کارخانه‌ها، مساحت روستای شهری و تراکم هتل‌ها سه متغیر مستقل بالاتر از میانگین q (27/0) هستند. همانطور که فرض شد، بیان شد که این سه متغیر از نظر ارتباط فردی عوامل کلیدی بودند.
دوم، مقدار q (0.39) منطقه روستای شهری پس از تراکم کارخانه‌ها در رتبه دوم قرار دارد. همانطور که فرض شد، همچنین نشان دهنده قدرت توضیحی نسبتاً بالای روستاهای شهری بر اقامتگاه های متخلف است. قابل ذکر است که روستاهای شهری در چین به روستاهای سنتی اشاره نمی کنند. روستاهای شهری پدیده عجیبی هستند که در روند شهرنشینی در سرزمین اصلی چین ظاهر شده است. در مفهوم محدود، روستاهای شهری به تکامل مناطق مسکونی از روستاهای روستایی در طول فرآیند شهرنشینی اشاره دارد، زیرا تمام یا بیشتر زمین های زیر کشت مصادره می شود، اما کشاورزان پس از تبدیل شدن به ساکنان همچنان در روستاهای اصلی زندگی می کنند. در مفهوم وسیع، روستاهای شهری به مناطق مسکونی اطلاق می شود که از سرعت توسعه فعلی عقب مانده و از مدیریت شهری مدرن دور شده اند. و استانداردهای زندگی پایین را در طول فرآیند توسعه سریع شهری حفظ کرده اند. معمولاً برنامه ریزی یا مدیریت واحدی در داخل روستاهای شهری وجود ندارد. دومین مقدار q بالای منطقه روستای شهری نشان می دهد که محل سکونت متخلف نیز به شدت به روستاهای شهری، به ویژه روستاهای بزرگ شهری وابسته است. نشان داده شده است که روستاهای شهری در چین ارتباط نزدیکی با نظم اجتماعی رو به وخامت و نرخ بالاتر جرم و جنایت دارند.75 ، 76 ]. علاوه بر این، بیش از 2.3 میلیون ساکن غیر محلی در منطقه مورد مطالعه زندگی می کردند. آن مهاجران اغلب از نظر دستمزد و رفاه اجتماعی در موقعیت نامناسبی بدون هوکو در شهر قرار داشتند [ 77 ]. در نتیجه درآمد کم، روستاهای شهری به دلیل اجاره پایین، انتخاب مسکونی محبوب برای بسیاری از مهاجران هستند [ 78 ]. به دلیل تحرک زیاد و بی ثباتی مهاجران، روستاهای شهری در شهرهای چین با کاهش امنیت عمومی و وخامت نظم اجتماعی همراه هستند [ 75 ].
ثالثاً، مقدار q هتل (34/0) نیز بالاتر از مقدار میانگین q بود که پس از کارخانه و روستا رتبه بندی می شود، که همچنین نشان دهنده قدرت توضیحی نسبتاً بالایی برای اقامتگاه های متخلف است. از یک سو، هتل ها معمولاً مکان هایی در نظر گرفته می شوند که مستعد جرم و جنایت هستند و جرم را جذب می کنند [ 79 ، 80 ، 81 ]. به عنوان یک تسهیلات اقتصادی، هتل دارای حساسیت تجاری و تحرک داخلی زیادی است که مانند یک جامعه کوچک پیچیده است [ 79 ]. آنها به طور طبیعی مجرمان را جذب می کنند و به عنوان فرصت ها و راحتی ذاتی برای فعالیت های مجرمانه در نظر گرفته می شوند [ 80 ]. مطالعات مرتبط تایید کرده اند که سرقت رایج ترین نوع جرم در هتل ها است [ 81، 82 ]. از سوی دیگر، انتخاب های مسکونی مجرمان معمولاً به نزدیکی قربانیان احتمالی بستگی دارد [ 83 ]. تئوری فعالیت معمول نیز برای توضیح محل زندگی مجرمان به کار گرفته شده است، که تأکید می کند بیشتر جرایم به دلیل وجود مجرمان احتمالی و اهداف مناسب و همچنین ادغام سرپرستان نالایق در زمان و مکان رخ می دهد [ 84 ]]. لازم به ذکر است که POI مکان‌های مختلف به‌عنوان متغیر توضیحی در این پژوهش به منظور تحلیل روابط فضایی بین این مکان‌ها و اقامتگاه‌های متخلف از منظر مجاورت فضایی انتخاب شدند. یک توضیح احتمالی در مورد قدرت توضیحی نسبتاً بالای هتل این بود که اقامتگاه های متخلف ممکن است نزدیک به هتل واقع شوند، نه مجرمانی که در هتل ها زندگی می کنند.

4.3.2. تشخیص تعامل

ارتباط تعاملی عوامل در محل سکونت مجرم با استفاده از مدل آشکارساز تعامل بررسی شد و نتایج در جدول 5 نشان داده شده است. شبکه‌های رنگی نشان‌دهنده انجمن‌های تعاملی هستند و شبکه‌های خاکستری نشان‌دهنده انجمن‌های فردی (تشخیص عامل). در مرحله اول، انجمن های تعاملی هر دو عامل به عنوان یک افزایش غیرخطی، که توضیحی ترین نوع تعامل بود، کمی سازی شد. همانطور که فرض شد، نشان داد که ارتباط تعاملی هر جفت از عوامل در اقامتگاه های مجرم با توضیح قوی تر از انجمن های فردی معنی دارتر است.
مهمتر از همه، ما دریافتیم که تعاملات مرتبط با نواحی روستایی شهری بیشترین ارتباط مشترک را داشتند و به دنبال آن تعاملات مرتبط با تراکم کارخانه ها (در جدول 5 برجسته شده است)با حروف درشت). بنابراین، مجدداً تأیید شد که روستاها و کارخانه‌های شهری عوامل اساسی در توضیح توزیع مکان‌های سکونت متخلف هستند. در بین 55 جفت عامل، جفت هتل دهکده ∩ توضیح‌دهنده‌ترین جفت عامل در اقامتگاه مجرم بود. نتایج آشکارساز تعامل ثابت کرد که هتل‌های واقع در اطراف دهکده‌های شهری (مقدار q مشترک = 0.65) و مکان‌های تفریحی (مقدار q مشترک = 0.58) به‌ویژه امکان اقامت متخلف را افزایش می‌دهند که با مورد مبتنی بر نظریه فعالیت معمول مطابقت دارد. یک محیط محله ای در اطراف هتل امنیت هتل را کاهش داده و امکان جرم و جنایت را افزایش می دهد [ 82]. علاوه بر این، تعامل کسب و کار دهکده ∩ با مقدار q مشترک 0.57 در رتبه سوم قرار گرفت، که همچنین نشان دهنده یک ارتباط تعاملی بالا است. این همچنین با مطالعه‌ای که نشان می‌دهد استفاده تجاری از زمین به طور مثبت با سکونت بزهکار مردان مرتبط است، سازگار بود و آن را گسترش داد [ 22 ].

4.4. خلاصه

نتایج تحقیق ما عمدتاً شامل دو بخش بود: تشخیص عامل و تشخیص تعامل. ابتدا، قدرت توضیحی فردی 11 عامل محیط ساخته شده برای توزیع فضایی اقامتگاه های متخلف کمی سازی شد. در این مرحله، نتایج ما به عمقی مشابه با سایر مطالعات با استفاده از مدل‌های رگرسیون رسید. سپس، در گام دوم، قدرت توضیحی تعاملی هر جفت از عوامل را بر توزیع فضایی اقامتگاه‌های مجرم، که توسعه‌ای از ادبیات مربوطه بود، اندازه‌گیری کردیم. به عنوان مثال، نتایج تشخیص تعامل نشان داد که توان توضیحی تعاملی روستا و هتل شهری بر توزیع فضایی اقامتگاه‌های متخلف 65/0 و در روستا و انبار شهری 51/0 است. طبق اصل مدل GeoDetector، نتایج فوق نشان داد که روستای شهری و هتل به طور مشترک 65 درصد از واریانس توزیع فضایی اقامتگاه های متخلف را تبیین می کنند، در حالی که روستا و انبار شهری به طور مشترک 51 درصد از واریانس را تبیین می کنند. از نظر کمی نشان داد که در محدوده روستای شهری، امکان اقامت متخلف در اطراف هتل 14 درصد بیشتر از اطراف انبار است.
نتایج این مطالعه پتانسیل شناسایی مناطق مستعد برای سکونت مجرم را دارد تا تصمیمات و پیشنهادات بهتری در خصوص تخصیص منابع پیشگیری از جرم اتخاذ شود. به عنوان مثال، از نظر ماکروسکوپی، برای این منطقه مورد مطالعه، منطقه روستای شهری، منطقه داغ محل سکونت متخلفان بود. از نظر کیهانی خرد، هتل‌ها، مکان‌های تفریحی، مشاغل، کارخانه‌ها و مراکز خرید در محدوده روستاهای شهری مکان‌هایی بودند که بیشترین ارتباط را با اقامتگاه‌های متخلف داشتند.
اگرچه در این مطالعه اطلاعاتی در مورد مهاجر بودن یا نبودن متخلفین در داده های اقامتگاه های متخلف به دست نیامد، اما نتایج این مطالعه نشان داد که روستای شهری با ارزش q نسبتا بالا و q مشترک مهم ترین عامل تأثیرگذار بر توزیع سکونتگاه های متخلف بوده است. ارزش. بنابراین، تمرکز نهایی این مطالعه به موضوع مدیریت روستاهای شهری در شهرهای چین مربوط می شود. در سه دهه گذشته، موج بی‌سابقه‌ای از کارگران مهاجر به مناطق شهری برای اشتغال در چین سرازیر شده است. کارگران مهاجر به دلیل نداشتن هوکو و درآمد کم، در موقعیت ضعیفی در جامعه و دور از شهر خود قرار دارند و در روستاهای شهری برای زندگی و کار جمع می شوند. این امر منجر به ایجاد روستاهای شهری بیشتر و بیشتر با ثبات جمعیتی ضعیف تر و تحرک بیشتر شده است.76 ]. برای پرداختن به این موضوع، حفظ و استانداردسازی مسکن اجاره ای و بهبود کیفیت محیط زندگی در روستاهای شهری ممکن است راه حلی باشد [ 84 ]، به جای حذف روستاهای شهری [ 85 ]. علاوه بر این، با افزایش فرصت‌های شغلی و فعالیت‌های اجتماعی و سایر اقدامات همکاری چندبخشی، می‌توانیم ادغام مجرمان بالقوه مهاجر در روستاهای شهری را در زندگی اجتماعی محلی ارتقا دهیم و ارتباط محله‌ای اجتماعی بین ساکنان و مهاجران در روستاهای شهری را بهبود بخشیم [ 1 ].]. ترویج تبدیل تدریجی روستاهای شهری، از جمله محیط ساخته شده و ساکنان داخلی، از “روستا” به “شهر” از طریق همکاری چند کاناله و چند بخشی ممکن است راهی موثر برای حل مشکل روستاهای شهری در چین باشد.

4.5. محدودیت ها و تحقیقات آینده

این مطالعه علیرغم مزایایی که داشت، دارای محدودیت هایی بود که باید در مطالعات آتی مورد توجه قرار گیرد. اول، به دلیل در دسترس بودن داده ها، داده های محل سکونت مجرم ارائه شده توسط ادارات امنیت عمومی تنها داده های تلفیقی بود که حاوی اطلاعاتی در مورد انواع خاصی از جنایات مجرمان نبود. همانطور که می دانیم ناهمگونی فضایی در توزیع فضایی رویدادهای جرم و سکونت مجرمان انواع مختلف جرم وجود دارد. بنابراین، عدم قطعیت‌هایی در این مطالعه وجود داشت، زیرا هدف ما تحلیل عوامل بالقوه انواع اقامتگاه‌های مجرم در منطقه مورد مطالعه از منظری کلی است، نه نوع خاصی از مجرم. این مطالعه باید با به دست آوردن اطلاعات دقیق تر در مورد انواع خاص جرایم ارتکابی گسترش یابد.
دوم، سوگیری نمونه‌گیری احتمالی در داده‌های محل سکونت مجرم وجود داشت، زیرا داده‌های مورد استفاده در این مطالعه فقط نشانی محل سکونت مجرمانی را ثبت می‌کردند که در سال 2020 در منطقه مورد مطالعه زندگی می‌کردند، مرتکب جرم شدند، دستگیر شدند و محکوم شدند. داده ها شامل همه مجرمان مربوط به منطقه مورد مطالعه نمی شود. به عنوان مثال، آن دسته از مجرمانی که در منطقه مورد مطالعه زندگی می کردند اما در خارج از منطقه مورد مطالعه مرتکب جرم شدند، به دلیل در دسترس بودن داده ها، در داده ها گنجانده نشدند. به طور کلی مجرمان مربوط به منطقه مورد مطالعه را می توان به سه دسته تقسیم کرد: کسانی که در منطقه مورد مطالعه زندگی می کنند و مرتکب جرم می شوند، مجرمانی که در منطقه مورد مطالعه زندگی می کنند اما خارج از محدوده مطالعه مرتکب جرم می شوند و مجرمانی که خارج از محدوده مطالعه زندگی می کنند. اما در محدوده مورد مطالعه مرتکب جرم شوند. با این حال،
ثالثاً، تنها اقامتگاه های مجرم در این مطالعه شرکت داشتند. در آینده، نه تنها باید انواع خاصی از جرایم ارتکابی را لحاظ کنیم، بلکه باید به آدرس محل ارتکاب جرایم نیز توجه کنیم تا مسافت سفر تا جرم را بررسی کنیم، که این نیز یک موضوع مهم تحقیقاتی جغرافیای جرم است. 48 ]. علاوه بر این، مطالعات آینده باید با تجزیه و تحلیل تغییرات بین مجرمان و سایر ساکنان در هر دو توزیع فضایی و عوامل مؤثر گسترش یابد، که توسط آن می توان توزیع اقامتگاه های مجرم را از دیدگاه های بیشتری بررسی و مقایسه کرد.
علاوه بر این، اگرچه این مطالعه اساساً از نظریه بی‌سازمانی اجتماعی پیروی می‌کرد، اما کار آینده باید با انتخاب متغیرهای بیشتر مرتبط با این نظریه، مانند تعداد مهاجران، درصد اقامتگاه‌های اجاره‌ای، مدرک تحصیلی و غیره گسترش یابد [ 1 ]. در این مطالعه به دلیل در دسترس بودن داده ها در نظر گرفته نشده است. علاوه بر این، اگرچه این مطالعه به طور کامل از مزیت مدل آشکارساز جغرافیایی در کمی کردن ارتباطات تعاملی بین عوامل بر اساس تحلیل فضایی واریانس استفاده کرد، کار آینده می‌تواند با روش‌های دیگری مانند رگرسیون وزن جغرافیایی ادغام شود تا تأثیرات متفاوت مکانی را بررسی کند. عوامل روی متغیر وابسته [ 86 ، 87 ، 88]. جدای از تجزیه و تحلیل ارتباط، مطالعات آینده همچنین باید بر تخمین محتمل‌ترین مناطق اقامتگاه مجرم با تجزیه و تحلیل مکان‌های یک سری جرایم مرتبط با استفاده از پروفایل جغرافیایی [ 89 ] و روش کاوی الگوی فضا-زمان [ 90 ] تمرکز کنند.

5. نتیجه گیری ها

یافته‌های تجربی ما نشان داد که روستای شهری مهم‌ترین عامل در ارتباط بین محیط ساخته‌شده شهری و اقامتگاه‌های متخلف است. به طور کلی با در نظر گرفتن روستای شهری به عنوان حامل، مکان‌های مختلف (هتل‌ها، مکان‌های تفریحی، کارخانه‌ها، مناطق تجاری و تجاری) در روستای شهری قدرت توضیحی قابل‌توجهی بر توزیع مکان سکونت‌های متخلف داشتند. این مطالعه ما را قادر ساخت تا در مورد کاربرد نظریه بی‌سازمانی اجتماعی در کشورهای غیر غربی مانند چین تأمل کنیم. نتایج تشخیص عامل و تشخیص تعاملی تا حد زیادی با تئوری عدم سازماندهی اجتماعی همانطور که در بالا بحث شد مطابقت دارد.
این مطالعه با بررسی عوامل مکان های سکونت مجرم از دیدگاه تعاملی به ادبیات کمک می کند. این در یک زمینه غیر غربی بر اساس تئوری بی‌سازمانی اجتماعی که از کشورهای غربی سرچشمه می‌گیرد، انجام شد [ 8 ، 9 ، 10 ]. این مطالعه نشان داد که نظریه بی‌سازمانی اجتماعی برای مکان‌های سکونت مجرم در کلان‌شهرهای چین قابل استفاده است [ 1 ]. این مطالعه برای درک ویژگی‌های انتخاب‌های مسکونی مجرمان و کمی کردن ارتباط تعاملی عوامل در محل سکونت مجرم مفید است.

منابع

  1. لیو، ال. فنگ، جی. رن، اف. Xiao، L. بررسی رابطه بین محیط محله و مکان های مسکونی سارقان نوجوان و بزرگسال مهاجر در چین. شهرها 2018 ، 82 ، 10-18. [ Google Scholar ] [ CrossRef ]
  2. شاو، CR; مک کی، HD بزهکاری نوجوانان و مناطق شهری ؛ انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1942. [ Google Scholar ]
  3. 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 ]
  4. گروبسیچ، TH; موری، AT محل اقامت مجرم جنسی و عدالت فضایی. Appl. تف کردن مقعدی سیاست 2008 ، 1 ، 175-192. [ Google Scholar ] [ CrossRef ]
  5. Duwe, G. محدودیت های اقامت و تکرار جرم جنسی: پیامدهایی برای امنیت عمومی. Annotation 2009 , 2 , 6-8. [ Google Scholar ]
  6. گروبسیچ، TH خوشه های مجرمان جنسی. Appl. Geogr. 2010 ، 30 ، 2-18. [ Google Scholar ] [ CrossRef ]
  7. جانسون، SD; سامرز، L. تست نظریه های بوم شناختی تصمیم گیری فضایی مجرم با استفاده از مدل انتخاب گسسته. جنایت دلینق. 2015 ، 61 ، 454-480. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. 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 ]
  9. قانون، ج. کوئیک، ام. بررسی پیوندهای بین مجرمان نوجوان و بی‌سازمانی اجتماعی در مقیاس بزرگ نقشه: رویکرد مدل‌سازی فضایی بیزی. جی. جئوگر. سیستم 2013 ، 15 ، 89-113. [ Google Scholar ] [ CrossRef ]
  10. بریتزکه، جی دی. Horn، AC عبور از شکاف نژادی: دیدگاه فضایی-اکولوژیکی مجرمان در شهر Tshwane شهری، آفریقای جنوبی. جئوژورنال 2006 ، 67 ، 181-194. [ Google Scholar ] [ CrossRef ]
  11. باربوسا، GY تفکیک مسکونی مهاجر. در دایره المعارف مطالعات شهری و منطقه ای ویلی بلکول ؛ وایلی: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2019؛ صفحات 1-9. [ Google Scholar ]
  12. پادشاه، RD; جنوب، SJ جنایت، نژاد، و گذار به ازدواج. جی. فام. شماره های 2011 ، 32 ، 99-126. [ Google Scholar ] [ CrossRef ]
  13. جنوب، SJ; مسنر، جنایت SF و جمعیت شناسی: پیوندهای چندگانه، روابط متقابل. آنو. کشیش سوسیول. 2000 ، 26 ، 83-106. [ Google Scholar ] [ CrossRef ]
  14. هیرشمن، سی. تولنای، جمعیت شناسی اجتماعی SE. در کتابچه راهنمای جمعیت ; Springer: Boston, MA, USA, 2005; صص 419-449. [ Google Scholar ]
  15. کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. در کلاسیک در جرم شناسی محیطی ; Routledge: آکسفوردشایر، انگلستان، 1979; صص 588-608. [ Google Scholar ]
  16. برانتینگهام، PL; برانتینگهام، پی جی مدل نظری تولید نقطه داغ جنایت. گل میخ. جنایت جنایت قبلی 1999 ، 8 ، 7-26. [ Google Scholar ]
  17. برانتینگهام، PL; Brantingham، PJ Nodes، مسیرها و لبه ها: ملاحظات در مورد پیچیدگی جرم و محیط فیزیکی. جی. محیط زیست. روانی 1993 ، 13 ، 3-28. [ Google Scholar ] [ CrossRef ]
  18. Brantingham، PJ جرم و جنایت مکان: مولدهای جرم و مجذوبان جرم. یورو جی. جنایت. نتیجه سیاست 1995 ، 3 ، 5-26. [ Google Scholar ] [ CrossRef ]
  19. برناسکو، دبلیو. سفری احساساتی به جرم: تأثیرات تاریخ سکونت بر انتخاب مکان جرم. جرم شناسی 2010 ، 48 ، 389-416. [ Google Scholar ] [ CrossRef ]
  20. Mustaine، EE; توکسبری، آر. Stengel، KM محل سکونت و تحرک مجرمین جنسی ثبت شده. صبح. جی. جنایت. عدالت 2006 ، 30 ، 177-192. [ Google Scholar ] [ CrossRef ]
  21. توکسبری، آر. Mustaine، EE محل زندگی مجرمین جنسی ثبت شده: ویژگی های جامعه و نزدیکی به قربانیان احتمالی. ویکت مجرمان 2008 ، 3 ، 86-98. [ Google Scholar ] [ CrossRef ]
  22. والیس، CP; Maliphant، R. مناطق بزهکار در شهرستان لندن: عوامل اکولوژیکی. برادر J. Criminol. 1967 ، 7 ، 250-284. [ Google Scholar ] [ CrossRef ]
  23. Roncek، DW; بل، آر. میله‌ها، بلوک‌ها و جنایات. جی. محیط زیست. سیستم 1981 ، 11 ، 35-47. [ Google Scholar ] [ CrossRef ]
  24. مک کورد، ES؛ رتکلیف، تجزیه و تحلیل ارزش JH Intensity و اثرات جرم زایی ویژگی های کاربری زمین بر الگوهای جرم محلی. الگوهای جرم مقعدی. 2009 ، 2 ، 17-30. [ Google Scholar ]
  25. فلسون، ام. د ملو، SN; Boivin, R. خطر تجاوز به عنف در فضای باز و نزدیکی به ایستگاه های اتوبوس، کافه ها و محل سکونت. قربانی خشونت 2022 ، 36 ، 723-738. [ Google Scholar ]
  26. هارت، تی سی؛ Miethe، سرقت خیابان TD و ایستگاه های اتوبوس عمومی: مطالعه موردی گره های فعالیت و خطر موقعیتی امن J. 2014 , 27 , 180-193. [ Google Scholar ] [ CrossRef ]
  27. Caplan، JM; کندی، LW; میلر، جی. مدل‌سازی زمین ریسک: نظریه جرم‌شناسی و روش‌های GIS برای پیش‌بینی جرم. عدالت Q. 2011 ، 28 ، 360-381. [ Google Scholar ] [ CrossRef ]
  28. Drawve, G. مقایسه متریک تکنیک‌های نقطه داغ و RTM. عدالت Q. 2016 ، 33 ، 369-397. [ Google Scholar ] [ CrossRef ]
  29. دراو، جی. موک، SC; Berthelot، ER قابل پیش بینی جنایات اسلحه: مقایسه تکنیک های مدل سازی نقطه داغ و خطر زمین. سیاسی Soc. 2016 ، 26 ، 312-331. [ Google Scholar ] [ CrossRef ]
  30. Connealy، NT; پیزا، فاکتور خطر EL و تغییرات مکان پرخطر در اهداف مختلف سرقت در دنور، کلرادو. جی. جنایت. عدالت 2019 ، 60 ، 47-56. [ Google Scholar ] [ CrossRef ]
  31. Adeyemi, RA; مایاکی، جی. Zewotir، TT; رامروپ، اس. جمعیت شناسی و جرم: تحلیل فضایی الگوهای جغرافیایی و عوامل خطر جنایات در نیجریه. تف کردن آمار 2021 ، 41 ، 100485. [ Google Scholar ] [ CrossRef ]
  32. شرمن، LW; گارتین، روابط عمومی؛ Buerger, ME نقاط داغ جنایات غارتگرانه: فعالیت های معمول و جرم شناسی مکان. جرم شناسی 1989 ، 27 ، 27-56. [ Google Scholar ] [ CrossRef ]
  33. اک، جی. چینی، اس. کامرون، جی. Wilson, R. Mapping Crime: Understanding Hotspots ; برنامه های دفتر دادگستری وزارت دادگستری ایالات متحده: واشنگتن، دی سی، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  34. هارت، TC بررسی ثبات الگوی جرم در فواصل زمانی خرد: پیامدهایی برای تجزیه و تحلیل جرم و استراتژی های پلیس نقطه داغ. جنایت. Justice Rev. 2021 , 46 , 173-189. [ Google Scholar ] [ CrossRef ]
  35. موندال، اس. سینگ، دی. کومار، R. تشخیص کانون جرم با استفاده از روش‌های آماری و مکانی: مطالعه موردی شهر پونا، ماهاراشترا، هند. GeoJournal 2022 ، 1-17. [ Google Scholar ] [ CrossRef ]
  36. هاجکینسون، تی. Andresen، MA تغییر الگوهای فضایی سرقت مسکونی و کاهش جرم: نیاز به امضای داده های مکانی. جی. جنایت. عدالت 2019 ، 61 ، 90-100. [ Google Scholar ] [ CrossRef ]
  37. ژائو، ایکس. تانگ، جی. مدل‌سازی همبستگی‌های زمانی-مکانی برای پیش‌بینی جرم. در مجموعه مقالات ACM 2017 در کنفرانس مدیریت اطلاعات و دانش، سنگاپور، 6 تا 10 نوامبر 2017؛ صص 497-506. [ Google Scholar ]
  38. پیزا، EL; کارتر، JG پیش بینی آغازگر و رویدادهای تقریباً تکراری در الگوهای جرم و جنایت فضایی-زمانی: تجزیه و تحلیل سرقت مسکونی و سرقت وسایل نقلیه موتوری. عدالت Q. 2018 ، 35 ، 842-870. [ Google Scholar ] [ CrossRef ]
  39. یانگ، بی. لیو، ال. لان، ام. وانگ، ز. ژو، اچ. Yu, H. یک روش مکانی-زمانی برای پیش‌بینی جرم با استفاده از داده‌های جرم تاریخی و مناطق انتقالی شناسایی‌شده از تصاویر نور شب. بین المللی جی. جئوگر. Inf. علمی 2020 ، 34 ، 1740-1764. [ Google Scholar ] [ CrossRef ]
  40. Brownstein, JS; سبز، TC; کسیدی، TA; باتلر، سیستم‌های اطلاعات جغرافیایی و فارماکوپیدمیولوژی SF: استفاده از تشخیص خوشه‌ای فضایی برای نظارت بر الگوهای محلی سوء مصرف مواد افیونی تجویزی. فارماکوپیدمیول Drug Saf. 2010 ، 19 ، 627-637. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. جوشی، ع. سبیثا، ع. Choudhury، T. تجزیه و تحلیل جرم با استفاده از K-means خوشه بندی. در مجموعه مقالات سومین کنفرانس بین المللی هوش محاسباتی و شبکه ها (CINE) در سال 2017، اودیشا، هند، 28 اکتبر 2017؛ صص 33-39. [ Google Scholar ]
  42. کالینیچ، م. کریسپ، تخمین چگالی هسته JM (KDE) در مقابل تجزیه و تحلیل نقطه داغ – شناسایی نقاط داغ جنایی در شهر سانفرانسیسکو. در مجموعه مقالات بیست و یکمین کنفرانس علوم اطلاعات جغرافیایی، لوند، سوئد، 12 تا 15 ژوئن 2018. [ Google Scholar ]
  43. امبورو، LW; Zipf، A. یک رویکرد فضایی برای بررسی جرم – مناطق مشکل‌ساز در سطح خیابان. در اتصال اروپای دیجیتال از طریق مکان و مکان ؛ Springer: برلین/هایدلبرگ، آلمان، 2014. [ Google Scholar ]
  44. Levine, N. Crimestat IV: A Spatial Statistics Program for Analysis of Crime Incident Locations, Version 4.0 ; ند لوین و همکاران: هیوستون، تگزاس، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  45. چینی، اس. راتکلیف، جی. شناسایی کانون های جرم و جنایت. در GIS و نقشه برداری جرم ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2005; صص 145-182. [ Google Scholar ]
  46. راتکلیف، جی. نقشه برداری جرم: چالش های مکانی و زمانی. در کتابچه راهنمای جرم شناسی کمی ; Springer: New York, NY, USA, 2010; ص 5-24. [ Google Scholar ]
  47. Chainey، SP بررسی تأثیر اندازه سلول و اندازه پهنای باند بر روی نقشه‌های کانون جرم تخمین چگالی هسته برای پیش‌بینی الگوهای فضایی جرم. گاو نر Geogr. Soc. لیژ 2013 ، 60 ، 7–19. [ Google Scholar ]
  48. هارت، تی. Zandbergen، P. تخمین چگالی هسته و نگاشت هات اسپات: بررسی تأثیر روش درونیابی، اندازه سلول شبکه و پهنای باند بر پیش‌بینی جرم. سیاسی بین المللی جی. استراتژی پلیس. مدیریت 2014 ، 37 ، 305-323. [ Google Scholar ] [ CrossRef ]
  49. شیائو، ال. لیو، ال. آهنگ، جی. روتر، اس. ژو، اس. فاصله سفر تا جنایت سارقان مسکونی در چین تفکیک شده: اثرات مبدأ و مقصد. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 325. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  50. براونینگ، CR; بایرون، RA; کالدر، کالیفرنیا؛ کریو، ال جی. کوان، نماینده مجلس؛ لی، جی. پترسون، RD تراکم تجاری، تمرکز مسکونی و جرم: الگوهای استفاده از زمین و خشونت در بافت محله J. Res. جنایت دلینق. 2010 ، 47 ، 329-357. [ Google Scholar ] [ CrossRef ]
  51. شیا، ز. استوارت، ک. فن، جی. ترکیب فضا و زمان در مدل‌های جنگل تصادفی برای تجزیه و تحلیل الگوهای جغرافیایی حوادث جنایی مرتبط با مواد مخدر در یک منطقه بزرگ شهری ایالات متحده. محاسبه کنید. محیط زیست سیستم شهری 2021 ، 87 ، 101599. [ Google Scholar ] [ CrossRef ]
  52. لسیج، جی. Pace, RK مقدمه ای بر اقتصاد سنجی فضایی ; چپمن و هال: لندن، انگلستان، 2009. [ Google Scholar ]
  53. چن، جی. لیو، ال. لیو، اچ. لانگ، دی. خو، سی. ژو، اچ. ناهمگونی فضایی عوامل خرید و فروش مواد مخدر: مطالعه موردی از ZG، چین. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 205. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  54. چن، جی. لیو، ال. ژو، اس. شیائو، ال. آهنگ، جی. Ren، F. مدل‌سازی اثر فضایی در سرقت مسکونی: مطالعه موردی از شهر ZG، چین. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 138. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  55. چن، جی. لیو، ال. شیائو، ال. خو، سی. لانگ، دی. تحلیل یکپارچه ناهمگونی فضایی و پراکندگی بیش از حد جرم با یک مدل دوجمله ای منفی وزن دار جغرافیایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 60. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  56. وانگ، جی اف. لی، XH; کریستاکوس، جی. لیائو، YL; ژانگ، تی. گو، ایکس. ژنگ، XY ارزیابی خطر سلامت مبتنی بر آشکارسازهای جغرافیایی و کاربرد آن در مطالعه نقص لوله عصبی منطقه هشون، چین. بین المللی جی. جئوگر. Inf. علمی 2010 ، 24 ، 107-127. [ Google Scholar ] [ CrossRef ]
  57. وانگ، جی. ژانگ، تی. فو، ب. اندازه گیری ناهمگنی طبقه بندی شده فضایی. Ecol. اندیک. 2016 ، 67 ، 250-256. [ Google Scholar ] [ CrossRef ]
  58. ویزبرد، دی. گراف، ای آر. یانگ، اس ام جرم شناسی مکان: بخش های خیابان و درک ما از مسئله جرم ؛ انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2012. [ Google Scholar ]
  59. شاو، CR; McKay، HD نوجوانان بزهکاری و مناطق شهری: مطالعه میزان بزهکاری در رابطه با ویژگی های متفاوت جوامع محلی در شهرهای آمریکا (1969). در کلاسیک در جرم شناسی محیطی ; Routledge: آکسفوردشایر، انگلستان، 2010; صص 103-140. [ Google Scholar ]
  60. وانگ، ز. لیو، ال. ژو، اچ. Lan, M. چگونه محرمانه بودن مکان های جرم تحت تأثیر پارامترهای تخمین چگالی هسته قرار می گیرد؟ ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 544. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  61. 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 ]
  62. مانپالی، UR; Bham, GH; Kandada, S. ارزیابی شناسایی نقاط داغ با استفاده از تخمین چگالی هسته (K) و Getis-Ord (Gi*) در I-630. در مجموعه مقالات سومین کنفرانس بین المللی ایمنی و شبیه سازی جاده، ایندیاناپولیس، ایالت متحده آمریکا، 14 تا 16 سپتامبر 2011. [ Google Scholar ]
  63. زی، ز. Yan, J. تخمین تراکم هسته حوادث ترافیکی در فضای شبکه. محاسبه کنید. محیط زیست سیستم شهری 2008 ، 32 ، 396-406. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  64. Ihlanfeldt، حمل و نقل ریلی KR و جرم محله: مورد آتلانتا، جورجیا. اقتصاد جنوبی J. 2003 , 70 , 273-294. [ Google Scholar ] [ CrossRef ]
  65. خو، سی. چن، ایکس. لیو، ال. لان، ام. چن، دی. ارزیابی تأثیر ایستگاه‌های مترو جدید بر سرقت‌های شهری در مناطق اطراف. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 632. [ Google Scholar ] [ CrossRef ]
  66. ویلیتس، دی. برودی، ال. دنمن، مدارس K.، عوامل خطر همسایگی، و جرم و جنایت. جنایت دلینق. 2013 ، 59 ، 292-315. [ Google Scholar ] [ CrossRef ]
  67. موری، RK; سوات، ML تفکیک رابطه بین مدارس و جرم و جنایت: یک تحلیل فضایی. جنایت دلینق. 2013 ، 59 ، 163-190. [ Google Scholar ] [ CrossRef ]
  68. Bursik، RJ بی‌سازمانی اجتماعی و نظریه‌های جرم و بزهکاری: مشکلات و چشم‌اندازها. جرم شناسی 1988 ، 26 ، 519-552. [ Google Scholar ] [ CrossRef ]
  69. Bursik، RJ; وب، جی. تغییر جامعه و الگوهای بزهکاری. صبح. J. Soc. 1982 ، 88 ، 24-42. [ Google Scholar ] [ CrossRef ]
  70. شاو، CR یک منطقه بزهکاری. تک نگاری های صندوق تحقیقات رفتار ; مور، من، اد. انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1931; صص 13-25. [ Google Scholar ]
  71. Hesseling، RBP استفاده از داده‌ها در مورد تحرک مجرم در تحقیقات زیست‌محیطی. جی. کوانت. Criminol. 1992 ، 8 ، 95-112. [ Google Scholar ] [ CrossRef ]
  72. ژانگ، ایکس. گائو، اف. لیائو، اس. ژو، اف. کای، جی. لی، اس. به تصویر کشیدن مشاغل شهروندان و ارزیابی ترکیب مشاغل شهری با داده های تلفن همراه: یک چارچوب تحلیلی جدید فضایی-زمانی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 392. [ Google Scholar ] [ CrossRef ]
  73. دنگ، ایکس. لیو، ی. گائو، اف. لیائو، اس. ژو، اف. Cai، G. توزیع فضایی و مکانیسم ترکیبی از اشغال شهری در گوانگژو: یک شاخص مبتنی بر ژئودتکتور بهینه برای مقایسه اثرات فردی و تعاملی. ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 659. [ Google Scholar ] [ CrossRef ]
  74. گائو، اف. لی، اس. تان، ز. وو، زی. ژانگ، ایکس. هوانگ، جی. Huang, Z. درک مسئله واحد منطقه ای قابل تغییر در استفاده از اشتراک دوچرخه بدون اسکله و بررسی اثرات تعاملی عوامل محیطی ساخته شده. بین المللی جی. جئوگر. Inf. علمی 2021 ، 35 ، 1-21. [ Google Scholar ] [ CrossRef ]
  75. آهنگ، ی. زنو، ی. دینگ، سی. بیایید کودک را با آب حمام بیرون نیندازیم: نقش روستاهای شهری در اسکان مهاجران روستایی در چین. مطالعه شهری. 2008 ، 45 ، 313-330. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  76. ژانگ، ال. ژائو، SXB؛ Tian، JP خودیاری در مسکن و Chengzhongcun در شهرنشینی چین. بین المللی J. Urban Reg. Res. 2003 ، 27 ، 912-937. [ Google Scholar ] [ CrossRef ]
  77. وانگ، YP; وانگ، ی. وو، جی. مسکن کارگران مهاجر در مناطق شهری شدن سریع: مطالعه مدل چینی در شنژن. خانه گل میخ. 2010 ، 25 ، 83-100. [ Google Scholar ] [ CrossRef ]
  78. چنگ، ز. گوا، اف. هوگو، جی. یوان، X. تبعیض اشتغال و دستمزد در شهرهای چین: مطالعه تطبیقی ​​مهاجران و افراد محلی. Habitat Int. 2013 ، 39 ، 246-255. [ Google Scholar ] [ CrossRef ]
  79. کمشال، اچ. ایمن بخوابید: خطرات جنایت ممکن است کمتر از آن چیزی باشد که فکر می کنید. Soc. سیاست Adm. 2010 , 31 , 247-259. [ Google Scholar ] [ CrossRef ]
  80. هو، تی. ژائو، جی. براون، نماینده مجلس بررسی جنایات هتل از گزارش های جنایی پلیس. جنایت قبلی جامعه ایمن 2009 ، 11 ، 21-33. [ Google Scholar ] [ CrossRef ]
  81. هارپر، DWJ مقایسه قربانی شدن جرم گردشگران. ان تور. Res. 2001 ، 28 ، 1053-1056. [ Google Scholar ] [ CrossRef ]
  82. کلی، I. نرخ جرم و جنایت مقصد توریستی: بررسی کنز و ساحل طلایی، استرالیا. جی. تور. گل میخ. 1993 ، 4 ، 2-11. [ Google Scholar ]
  83. استیون، اس. ساختار اجتماعی و نرخ جرم و جنایت سوئدی یک تحلیل سری زمانی، 1950-1979. جرم شناسی 2006 ، 20 ، 499-514. [ Google Scholar ] [ CrossRef ]
  84. وی، ال. Yan, X. تبدیل “روستای شهری” و حالت عملی. طرح شهر. Rev. 2005 , 7 , 9-13. [ Google Scholar ]
  85. ژنگ، اس. لانگ، اف. فن، سی سی; گو، ی. روستاهای شهری در چین: بررسی سال 2008 از سکونتگاه های مهاجر در پکن. جئوگر اوراسیا اقتصاد 2009 ، 50 ، 425-446. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  86. گائو، اف. لی، اس. تان، ز. ژانگ، ایکس. لای، ز. Tan, Z. چگونه فضای سبز شهری با استفاده از اشتراک دوچرخه بدون اسکله در روزهای هفته، آخر هفته و تعطیلات مرتبط است؟ ISPRS Int. J. Geo-Inf. 2021 ، 10 ، 238. [ Google Scholar ] [ CrossRef ]
  87. لی، اس. لیو، دی. هوانگ، جی. ژانگ، ایکس. گائو، اف. چن، ی. لیو، X. تأثیرات متغیر فضایی عوامل محیطی ساخته شده بر سواری حمل و نقل ریلی در سطح ایستگاه: مطالعه موردی در گوانگژو، چین. J. Transp. Geogr. 2017 ، 82 ، 102631. [ Google Scholar ] [ CrossRef ]
  88. Fotheringham، AS; چارلتون، من؛ براندون، سی. رگرسیون وزن‌دار جغرافیایی: یک تکامل طبیعی روش بسط برای تجزیه و تحلیل داده‌های مکانی. محیط زیست طرح. A 1998 , 30 , 1905-1927. [ Google Scholar ] [ CrossRef ]
  89. Rossmo، DK Geographic Profileing، چاپ اول. Routledge: Oxfordshire، UK، 1999. [ Google Scholar ] [ CrossRef ]
  90. گائو، اف. لی، اس. تان، ز. لیائو، اس. تجسم ویژگی‌های مکانی-زمانی استفاده از دوچرخه‌های Dockless در شنژن، چین. جی. جوویس. تف کردن مقعدی 2022 ، 6 ، 12. [ Google Scholar ] [ CrossRef ]
Ijgi 11 00369 g001 550
شکل 1. گردش کار این مطالعه.
Ijgi 11 00369 g002 550
شکل 2. محل سکونت و روستاهای شهری متخلف در منطقه مورد مطالعه.
Ijgi 11 00369 g003 550
شکل 3. توزیع فضایی عوامل بالقوه: ( الف ) منطقه روستای شهری. ( ب ) تراکم کارخانه ها. ( ج ) تراکم شرکت های فناوری اطلاعات؛ ( د ) تراکم هتل ها؛ ( ه ) تراکم جمعیت. ( f ) تراکم POIهای کشاورزی. ( ز ) تراکم انبارها. ( ح ) تراکم مکان‌های سرگرمی، از جمله KTV، بارهای شبکه، و سالن‌های ماساژ. ( i ) تراکم مراکز خرید و فروشگاه ها؛ ( j ) تراکم POI خدمات لیزینگ تجاری. ( k ) تراکم بانک ها.
Ijgi 11 00369 g004 550
شکل 4. اصل آشکارساز جغرافیایی.
Ijgi 11 00369 g005 550
شکل 5. تشخیص تعامل.
Ijgi 11 00369 g006 550
شکل 6. ساختار سنی مجرمان و کل جمعیت ( الف )، ساختار جنسیتی مجرمین ( ب ) و ساختار سنی مجرمان زن و مرد ( ج ).
Ijgi 11 00369 g007 550
شکل 7. توزیع فضایی اقامتگاه های متخلف.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید