بررسی عوامل مرتبط با سفرهای مجرمانه سارقان مسکونی با استفاده از مدل سازی تعامل فضایی

این مطالعه از مدل‌سازی تعامل فضایی برای بررسی اینکه آیا عوامل خاص مبدا و مقصد، اثرات زوال فاصله و ساختارهای فضایی سفرهای مجرمانه سارقان مسکونی را توضیح می‌دهند، استفاده کرد. در مجموع، 4041 سفر مجرمانه انجام شده توسط 892 مجرم فردی که در توکیو زندگی می‌کردند و مرتکب سرقت منزل شده بودند، مورد تجزیه و تحلیل قرار گرفت. هر سفر مجرمانه به یک جفت مبدا-مقصد ایجاد شده از ترکیب مناطق خروج و ورود بالقوه اختصاص داده شد. متغیرهای توضیحی زیر از یک مجموعه داده خارجی ایجاد و مورد استفاده قرار گرفتند: جمعیت مسکونی، تراکم سرقت‌های مسکونی، و الگوهای تحرک جمعیت عمومی. عوامل خاص مبدأ نه تنها به عنوان شاخص هایی برای تولید سفرهای مجرمانه، بلکه همچنین فرصت ارتکاب جرم در مناطق مبدأ عمل کردند. علاوه بر این، سفرهای مجرمانه مربوط به الگوهای تحرک جمعیت عمومی بود که نشان دهنده سفرهای اوقات فراغت روزانه (غیر مجرمانه) بود، و اثرات سرریز فضایی مبتنی بر مبدا و مقصد نسبتاً بزرگ برآورد شد. نشان داده شد که نه تنها با توجه به عوامل خاص مقصد، بلکه با توجه به عوامل خاص مبدا، سازه‌های فضایی برای بررسی سفرهای مجرمانه سارقان مسکونی حائز اهمیت است. یافته‌های فعلی می‌تواند برای تحقیقات آینده در مورد پروفایل جغرافیایی با ترکیب عوامل سطح همسایگی در مدل‌های موجود قابل استفاده باشد. نشان داده شد که نه تنها با توجه به عوامل خاص مقصد، بلکه با توجه به عوامل خاص مبدا، سازه‌های فضایی برای بررسی سفرهای مجرمانه سارقان مسکونی حائز اهمیت است. یافته‌های فعلی می‌تواند برای تحقیقات آینده در مورد پروفایل جغرافیایی با ترکیب عوامل سطح همسایگی در مدل‌های موجود قابل استفاده باشد. نشان داده شد که نه تنها با توجه به عوامل خاص مقصد، بلکه با توجه به عوامل خاص مبدا، سازه‌های فضایی برای بررسی سفرهای مجرمانه سارقان مسکونی حائز اهمیت است. یافته‌های فعلی می‌تواند برای تحقیقات آینده در مورد پروفایل جغرافیایی با ترکیب عوامل سطح همسایگی در مدل‌های موجود قابل استفاده باشد.

کلید واژه ها:

سفر جنایی ؛ سرقت منازل مسکونی ; مدل سازی تعامل فضایی ; ساختار فضایی ; استان توکیو

1. مقدمه

بررسی نحوه انتخاب مناطق هدف مجرمانه توسط مجرمان یکی از موضوعات اصلی جرم شناسی است. بسیاری از مطالعات نشان داده اند که مجرمان احتمالاً مناطق نزدیک به محل زندگی یا زندگی خود را انتخاب می کنند [ 1 ، 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ] زیرا آنها با چنین مناطقی بیشتر آشنا هستند و تمایل دارند اهداف مناسب را به راحتی شناسایی کنند [ 2 ، 4 ]]. با این حال، فاصله سفر تا جرم از محل سکونت مجرم تا محل جرم به عوامل مختلفی از جمله صحنه جرم [ 4 ، 14 ]، ویژگی های مجرم [ 6 ، 8 ، 9 ، 10 ، 11 ] و سطح محله مرتبط است. ویژگی هایی مانند تراکم جمعیت [ 1 ، 13 ، 16 ]. مطالعات اخیر نشان داده است که واریانس فاصله سفر تا جرم با ترکیب متغیرهای سطح محله در مدل توضیحی بهتر توضیح داده می شود [ 1 ، 16 ]]. از سوی دیگر، در ادبیات انتخاب مکان جنایی، اشاره شده است که فاصله سفر تا جرم نباید به عنوان متغیر وابسته استفاده شود: Bernasco و Nieuwbeerta [ 3 ] پیشنهاد کردند که این فاصله تنها یکی از عوامل تعیین کننده برای انتخاب مکان مجرمانه توسط یک مجرم و باید به عنوان یک متغیر توضیحی در نظر گرفته شود تا توضیح دهد که چرا مجرمان مناطق هدف خاصی را بر سایرین ترجیح می دهند.

1.1. مدل لاجیت شرطی

برای غلبه بر معایب مطالعات قبلی انتخاب مکان مجرمانه، از رویکرد مدل‌سازی لاجیت شرطی استفاده شده است. این رویکرد مدل‌سازی با مشکلات انتخاب مکان‌های مکانی با استفاده از ابزار محاسبه‌شده توسط جایگزین‌های فضایی [ 3 ] سر و کار دارد و چگونگی ارتباط انتخاب مکان‌های مجرمانه توسط مجرمان با عوامل سطح محله و همچنین فواصل سفر تا جرم را بررسی می‌کند. مزیت این رویکرد مدل‌سازی این است که اجازه می‌دهد عوامل سطح همسایگی مناطق بالقوه که می‌توانستند توسط متخلفان انتخاب شوند، اما نبودند، در یک مدل گنجانده شوند. برناسکو و نیوبرتا [ 3] اولین کسانی بودند که از این رویکرد مدلسازی برای بررسی انتخاب مکان مجرمان استفاده کردند. آنها دریافتند که سارقان مسکونی بیشتر احتمال دارد مناطق هدف با تعداد زیادی واحد مسکونی و همچنین مناطق نزدیک به محل زندگی خود را انتخاب کنند. به همین ترتیب، بسیاری از مطالعات دیگر نشان داده‌اند که مناطقی که دارای اهداف بالقوه زیادی هستند، فرصت‌های بیشتری را برای مجرمان با انگیزه برای انتخاب یک هدف مناسب فراهم می‌کنند [ 7 ، 12 ، 17 ]. به عنوان مثال، هانایاما و همکاران. [ 7] از داده‌های مربوط به سرقت‌های مسکونی ژاپنی استفاده کرد و دریافت که تعداد سرقت‌های منازل مسکونی در گذشته به عنوان شاخصی از جذابیت برای سارقان مسکونی عمل می‌کرد. مزیت دیگر مدل‌سازی لاجیت شرطی این است که اجازه می‌دهد تفاوت‌های ترجیحات انتخاب فضایی در بین متخلفان در یک مدل گنجانده شود [ 5 ، 12 ]. به عنوان مثال، تاونزلی و همکاران. [ 12 ] اشاره کرد که فواصل سفرهای مجرمانه سارقان مسکونی ساکن در منطقه مبدا مشابه یکدیگر بود و فریت و همکاران. [ 5 ] دریافتند که بخش خیابانی که تمایل داشت برای توهین انتخاب شود در بین مجرمان متفاوت است.

این یافته ها نشان می دهد که در نظر گرفتن عوامل سطح محله برای بررسی انتخاب مکان مجرمانه مجرمان مهم است. با این حال، محدودیت‌های متعددی برای استفاده از رویکرد مدل‌سازی لاجیت شرطی وجود دارد. اول، اثرات سرریز فضایی سفرهای مجرمانه و ساختارهای فضایی انتخاب مکان مجرمانه مجرمان را نادیده می گیرد [ 18 ، 19 ، 20 ]. در واقع، الگوهای فضایی جرایم بسیار متمرکز هستند و در مکان‌های خرد خاص در طول زمان بسیار پایدار هستند [ 21 ]. علاوه بر این، وقوع جرایم دارایی از جمله سرقت در میان جوامع همسایه مسری است [ 20 ]]. علاوه بر این، از منظر قربانی شدن تقریباً تکراری، وقوع جرایم در مکان و زمان به شدت خوشه‌بندی می‌شود [ 22 ، 23 ، 24 ، 25 ، 26 ، 27 .]. دو فرضیه مکمل برای توضیح قربانی شدن تقریباً تکراری پیشنهاد شده‌اند، یعنی حساب پرچم و حساب تقویت، که هر دو به عنوان دیدگاه‌هایی برای توضیح اثر سرریز فضایی سفرهای جنایی در نظر گرفته می‌شوند. حساب پرچم از این دیدگاه پشتیبانی می کند که برخی از املاک قربانی شده در گذشته به طور موثر آسیب پذیری خود را تبلیغ می کنند و بسیاری از مجرمان فرصت طلب را جذب می کنند. علاوه بر این، ساختار شبکه‌های راه‌آهن/راه‌آهن برای دسترسی از مناطق مبدأ مجاور به یک منطقه مقصد خاص می‌تواند مشابه باشد. با در نظر گرفتن این حساب، مسیرهای سفرهای مجرمانه به مقصدی خاص می تواند الگوهای مشابهی را نشان دهد. در مقابل،23 ]. با در نظر گرفتن این حساب، مسیرهای سفرهای مجرمانه که از مبدأ خاصی خارج می شوند، می توانند الگوهای مشابهی را نشان دهند. بنابراین، می توان این فرضیه را مطرح کرد که سفرهای مجرمانه مجرمان بر اساس الگوهای فضایی خاصی ایجاد می شود. یعنی اگر تعداد سفرهای مجرمانه در یک جفت مبدا-مقصد خاص (OD) بیشتر باشد، این ممکن است مستقیماً بر تعداد سفرهای مجرمانه در جفت‌های OD مجاور فضایی تأثیر بگذارد.

دوم، رویکرد مدل‌سازی لاجیت مشروط نمی‌تواند عوامل خاص مبدا را در نظر بگیرد، اما در واقع، مجرمان با مناطق مبدا که در آن زندگی می‌کنند بیشتر آشنا هستند [ 2 ، 4 ]. علاوه بر این، طبق یک مطالعه تجربی توسط Xiao و همکاران. [ 15]، در حالی که وجود بسیاری از اهداف سودآور واقع در نزدیکی مناطق مبدأ متخلفان، متخلفان بالقوه را تشویق می‌کند تا به دنبال اهداف مناسب در منطقه مبدا یا نزدیک به منطقه مبدا خود بگردند تا هزینه‌های سفر را به حداقل برسانند، فقدان اهداف مناسب در مناطق مبدأ آنها ممکن است متخلفان را تشویق کند بیشتر سفر کنید با توجه به نتایج این مطالعات، عوامل خاص مبدأ می‌توانند سفرهای مجرمانه را ایجاد کنند که از مناطق مبدأ خارج می‌شوند و به‌عنوان عوامل تعیین‌کننده برای اینکه آیا مجرمان در آنجا مرتکب جرم می‌شوند یا خیر، عمل می‌کنند.

برای مقابله با این دو محدودیت و درک بهتر سفرهای مجرمانه مجرمان، در پژوهش حاضر از مدل سازی تعامل فضایی استفاده شد.

1.2. مدل سازی تعامل فضایی

مدل‌های تعامل فضایی (SIM) به طور گسترده در مطالعات جغرافیایی [ 28 ، 29 ، 30 ، 31 ] مورد استفاده قرار گرفته‌اند و حرکت‌های فضایی مانند مهاجرت افراد [ 32 ، 33 ]، جریان‌های کالا [ 34 ، 35 ] و جریان‌های ترانزیت را توضیح داده‌اند. [ 36 ]. یک سیم‌کارت کلاسیک که به نام «مدل گرانشی» شناخته می‌شود از سه نوع مؤلفه ساخته می‌شود: مؤلفه‌های خاص مبدا که توانایی مبدأ برای تولید جریان را مشخص می‌کنند، مؤلفه‌های خاص مقصد که جذابیت مقصد را نشان می‌دهند، و امپدانس‌های سفر بین مبدا و مقصد. مناطق [ 28]. مدل جاذبه به شرح زیر است

تیمنj = کOمنβoDjβددمنjβدمنستی،

(1)

جایی که تیمنjتعداد سفرها از منطقه مبدا است منبه منطقه مقصد j، Oمننشان دهنده عوامل خاص مبدا مربوط به تعداد سفرها است، Djنشان دهنده عوامل خاص مقصد مربوط به تعداد سفر است، دمنjفاصله از منطقه مبدا است منبه منطقه مقصد j، و ک، βo، βد، و βدمنستیپارامترهای برازنده هستند

برخی از مطالعات از یک سیم کارت کلاسیک برای بررسی سفرهای مجرمانه مجرمان استفاده کرده اند [ 37 ، 38 ]. به گفته لوین [ 37 ]، سفرهای مجرمانه از منطقه مبدا منبه منطقه مقصد jرا می توان با استفاده از رابطه (1) توصیف کرد. به این معنا که، Oمنتابعی از تمایل به سفر است، از جمله عواملی که نشان دهنده کمبود فرصت ها و سایر اختلالات در منطقه مبدا هستند. من، و Djتابعی از جاذبه یا عواملی است که نشان دهنده فرصتی برای تصمیم گیری در مورد اینکه آیا مجرم در منطقه مقصد مرتکب جرم شده است یا خیر j. اگرچه لوین [ 37 ] تنها کاربرد سیم کارت کلاسیک را برای توضیح سفرهای مجرمانه در نظر گرفت، رنگرت [ 38 ] از آن برای بررسی انتخاب مکان مجرمانه سارقان مسکونی در فیلادلفیا استفاده کرد. Rengert [ 38 ] دریافت که وقتی دسترسی نسبی در میان مناطق کنترل می شود، بخش های شمالی و جنوبی فیلادلفیا سفرهای مجرمانه بیشتری نسبت به بخش مرکزی ایجاد می کند. با این حال، یک محدودیت سیم کارت کلاسیک این است که اثر سرریز فضایی، یعنی ساختار فضایی جفت‌های OD را نادیده می‌گیرد [ 28 ]. برای مقابله با این مشکل، یک سیم کارت توسعه یافته که تأثیر اثر سرریز فضایی و ساختارهای فضایی را به حساب می آورد استفاده شده است [ 28 ، 35 ]، 36 ]. در مطالعه حاضر، سیم کارت توسعه‌یافته برای توضیح سفرهای مجرمانه مجرمان استفاده شد، زیرا می‌تواند اثر سرریز فضایی جرایم مورد بحث در بالا را به درستی توضیح دهد.

1.3. سفرهای روزانه

کاهش حرکت با افزایش فاصله معمولاً در رفتار فضایی فعالیت‌های مجرمانه و همچنین فعالیت‌های فضایی غیر مجرمانه مانند خرید، مسافرت، مهاجرت و رفت‌وآمد مشاهده می‌شود [ 4 ]. بر اساس تئوری الگوی جرم، مجرمان دارای الگوهای حرکتی روزانه و مکانی-زمانی غیر مجرمانه هستند: آنها بیشتر وقت خود را در فعالیت های غیر مجرمانه می گذرانند، و جرایم زمانی رخ می دهد که مجرمان بالقوه هدف یا قربانی مناسبی را پیدا کنند که در فرصت آنها برای ارتکاب جرم باشد [ 39 ]. بووین و دیلیا [ 40] دریافت که تعداد سفرهای بین منطقه ای غیرجنایی پیش بینی مثبت و قابل توجهی از تعداد سفرهای بین منطقه ای جنایی در یک شهر بزرگ در کانادا است. این یافته از نظریه الگوی جرم حمایت می کند، اما مشخص نیست که چه نوع سفرهای غیرجنایی یا تحرک روزانه عموم مردم می تواند سفرهای مجرمانه را به وضوح توضیح دهد. کوماکی [ 41 ] داده های سفرهای غیرجنایی ژاپنی (یعنی سفرهای روزانه) را تجزیه و تحلیل کرد و دریافت که الگوهای حرکات فضایی روزانه بین سفرهای رفت و آمد روزانه و سفرهای مصرفی روزانه (تفریحی) متفاوت است. با استفاده از داده های یک بررسی سفر شخصی (PT)، کوماکی [ 41] ساختار عملکردی منطقه شهری توکیو را بررسی کرد و نشان داد که سفرهای مصرفی (تفریحی) تمایل به پراکندگی در منطقه مورد مطالعه دارند، زیرا حومه‌ها شامل چندین منطقه مصرف‌کننده در مقیاس کوچک هستند. در مقابل، سفرهای رفت و آمد معمولاً در منطقه تجاری مرکزی متمرکز بود. بنابراین، با توجه به انتخاب مکان سارقان مسکونی، الگوهای سفرهای مجرمانه آنها می تواند شباهت بیشتری به سفرهای مصرفی روزانه (تفریحی) داشته باشد تا سفرهای رفت و آمد روزانه، زیرا توزیع اهداف بالقوه (یعنی محل سکونت) در این منطقه پراکنده می شود. منطقه مورد مطالعه مانند چندین منطقه مصرف کننده در مقیاس کوچک است.

1.4. فرضیه های مطالعه حاضر

هدف پژوهش حاضر بررسی عوامل مرتبط با سفرهای مجرمانه سارقان مسکونی با استفاده از سیم کارت های توسعه یافته بود. برای دستیابی به این هدف، سه فرضیه زیر تدوین شد.

فرضیه 1 (H1).

همانطور که در مطالعات قبلی ذکر شد، عوامل خاص مقصد می توانند به توضیح سفرهای مجرمانه سارقان مسکونی کمک کنند. به طور خاص، سارقان مسکونی تمایل دارند مناطقی را انتخاب کنند که در آن سرقت های مسکونی بسیاری رخ داده است. به عبارت دیگر، مناطق با تراکم بالای سرقت های مسکونی معمولاً توسط سارقان مسکونی که از مناطق مبدا دیگر می آیند انتخاب می شوند.

فرضیه 2 (H2).

سفرهای مجرمانه سارقان مسکونی با عوامل خاص مبدا مرتبط است. به طور خاص، این پژوهش به دنبال دو فرضیه فرعی تدوین شده است.

فرضیه 2a (H2a).

مناطق با جمعیت مسکونی زیاد تمایل به ایجاد سفرهای مجرمانه بسیاری از سارقان مسکونی دارند زیرا ممکن است مجرمان با انگیزه زیادی در چنین مناطقی گنجانده شوند .

فرضیه 2b (H2b).

مناطق با تراکم بالای سرقت های مسکونی معمولاً توسط سارقان مسکونی ساکن در چنین مناطقی انتخاب می شوند زیرا مجرمان ممکن است ابتدا به دنبال اهداف مناسب در یا نزدیک مناطق مسکونی خود بگردند تا هزینه های سفر را به حداقل برسانند [ 15 ] .

فرضیه 3 (H3).

ساختارهای فضایی می توانند به توضیح بیشتر سفرهای مجرمانه سارقان مسکونی کمک کنند. به طور خاص، این مطالعه به دنبال سه فرضیه فرعی تدوین شده است.

فرضیه 3a (H3a).

همانطور که در بالا ذکر شد، سفرهای تفریحی روزانه یک پیش بینی مثبت تعداد سفرهای مجرمانه در مقایسه با سفرهای رفت و آمد روزانه را تشکیل می دهند.

فرضیه 3b (H3b).

با در نظر گرفتن اثر سرریز فضایی سفرهای مجرمانه که در بالا توضیح داده شد، سارقان مسکونی که همان منطقه مقصد را انتخاب می کنند از مناطق مبدأ مجاور می آیند. این تمایل به عنوان اثر سرریز فضایی مبتنی بر مبدا [ 28 ] نامیده می شود و در سمت چپ شکل 1 نشان داده شده است. فلش جامد از مبدأ i به مقصد j نشان دهنده سفر جنایی مشاهده شده در یک جفت OD خاص است و فلش های چین نشان دهنده سفرهای مجرمانه روی جفت های OD هستند که همسایگان فضایی فلش جامد هستند. این اثر سرریز ممکن است به حساب پرچم مربوط باشد، زیرا مسافرانی که در مبدا همسایه i زندگی می‌کنند، مجرمان متفاوتی فرض می‌شوند، و این نمودار نشان می‌دهد که یک مقصد خاص (یعنی مقصد j) به‌طور مکرر توسط مجرمان مختلف انتخاب می‌شود.

فرضیه 3c (H3c).

سارقان مسکونی که از همان منطقه مبدا می آیند، مقاصد همسایه را انتخاب می کنند. این تمایل به عنوان اثر سرریز فضایی مبتنی بر مقصد [ 28 ] نامیده می شود و در سمت راست شکل 1 نشان داده شده است. این اثر سرریز ممکن است به حساب افزایش مربوط باشد زیرا مسافرانی که در همان منطقه مبدا زندگی می کنند منمی تواند به عنوان همان مجرم در نظر گرفته شود. در مطالعه حاضر، این دو اثر سرریز فضایی در مدل گنجانده شد.

برای آزمون این فرضیه ها، چهار مدل شرح داده شده در بخش 2 ساخته شد.

2. روش ها

2.1. منطقه مطالعه

استان توکیو که پایتخت ژاپن است به عنوان منطقه مورد مطالعه انتخاب شد. جمعیت مسکونی تخمین زده شده توکیو بیش از 13 میلیون نفر و مساحت آن حدود 2194 کیلومتر مربع ^است . توکیو معمولاً به سه منطقه تقسیم می شود: 23 بخش ویژه در بخش شرقی آن، منطقه تاما شامل 26 شهر، سه شهر و یک روستا در بخش غربی آن، و دو زنجیره جزیره – جزایر ایزو و جزایر اوگاساوارا – در اقیانوس آرام. اقیانوس. با این حال، این دو زنجیره جزیره به دلیل فاصله بیش از صد کیلومتری از سرزمین اصلی، از منطقه مورد مطالعه حذف شدند.

منطقه مورد مطالعه به 53 بخش اداری (شهرداری) یعنی 23 بخش ویژه، 26 شهر، سه شهرک و یک دهیاری تقسیم شده است. هر یک از این 53 شهرداری به عنوان یک واحد تحلیلی در نظر گرفته شد و از این پس به عنوان یک منطقه نامیده می شود. شکل 2 موقعیت منطقه مورد مطالعه را نشان می دهد و شکل 3نقشه های کروپلث منطقه مورد مطالعه را با رنگ آمیزی اندازه جمعیت مسکونی و تراکم جمعیت هر منطقه نشان می دهد. این نقشه‌های choropleth از سرشماری ژاپن در سال 2010 ایجاد شده‌اند. دایره‌های کوچک در هر منطقه که در نقشه‌های choropleth نشان داده شده است، مکان‌های دفاتر عمومی را نشان می‌دهد. Chiyoda-ku (“ku” به معنی “بخش”) بخشی است که شامل بسیاری از نهادهای سیاسی مرکزی است. اگرچه بسیاری از مردم به چیودا کو رفت و آمد می کنند، جمعیت مسکونی و تراکم جمعیت آن کوچکترین بخش از بخش های ویژه است. Chuo-ku و Minato-ku واقع در مجاورت Chiyoda-ku نیز مراکز سیاسی و اقتصادی ژاپن هستند و این سه بخش معمولاً به عنوان “مرکز توکیو” نامیده می شوند. در همین حال، Shinjuku-ku، Shibuya-ku، و Toshima-ku معمولاً به عنوان مرکز فرعی توکیو شناخته می شوند. که مرکز تجاری است. Setagaya-ku واقع در بخش جنوب غربی بخش ویژه دارای بیشترین جمعیت مسکونی در توکیو است. بر خلاف بخشهای ویژه، منطقه تاما معمولاً به عنوان منطقه حومه شهر در نظر گرفته می شود. منطقه ای با بیشترین جمعیت مسکونی در منطقه تاما، هاچیوجی شی («شی» به معنای «شهر») است که در قسمت جنوب غربی آن واقع شده است. Hachioji-shi سومین جمعیت مسکونی بزرگ در توکیو است. منطقه با دومین جمعیت مسکونی در منطقه تاما، ماچیدا-شی است که در مجاورت هاچیوجی-شی قرار دارد. در حالی که Hachioji-shi و Machida-shi جمعیت مسکونی بیشتری در منطقه تاما دارند، تراکم جمعیت این شهرها نسبتاً کم است. منطقه با کمترین جمعیت مسکونی در توکیو هینوهارا-مورا (مورا به معنای دهکده) است. و منطقه با دومین جمعیت مسکونی در توکیو Okutama-machi است (“machi” به معنی “شهر”). اینها در قسمت غربی منطقه تاما واقع شده اند.

2.2. داده های سفرهای جنایی

داده‌های مربوط به سفرهای مجرمانه سارقان مسکونی از آژانس پلیس ملی به‌دست آمد که از آن مجرمانی که در توکیو زندگی می‌کردند و مرتکب سرقت‌های مسکونی شده بودند و بین سال‌های 2009 تا 2017 دستگیر شدند، استخراج شدند. موارد زیر به دلیل دشوار بودن از تحلیل‌ها حذف شدند برای تعریف مناطق خروج و/یا ورود سفرهای مجرمانه: مواردی که توسط چندین مجرم انجام شده است. مواردی که توسط مجرمانی انجام شده است که در زمان تخلف، آدرس منزل ثابتی نداشتند. مواردی که در آن شماره بلوک آدرس منزل مجرمین و/یا آدرس صحنه جرم شناسایی نشده است. نمونه نهایی شامل 4041 سفر مجرمانه بود که توسط 892 سارق مسکونی انجام شد. مجموع مجرمان مجرد دستگیر شده که بین سال‌های 2009 تا 2017 در توکیو زندگی می‌کردند و مرتکب دزدی‌های مسکونی شده بودند، 1632 نفر گزارش شدند که نشان می‌دهد نمونه فعلی 54.7 درصد از مجرمان دستگیر شده را تشکیل می‌دهد. دلیل باقی‌مانده نمونه نسبتاً کوچک این بود که فقط مواردی که در آن‌ها شماره بلوک آدرس منزل مجرمان و آدرس محل‌های جرم کاملاً شناسایی شده بود، در تحلیل‌های بعدی گنجانده شد. متخلفان به طور متوسط 4.5 سرقت از منازل را انجام داده اند (دقیقه = 1.0، 1.00 = 1.0، Mdn = 1.0، 3. Th = 3.0، max = 151.0)، و 324 متخلف مرتکب دو یا چند سرقت مسکونی شده اند. میانگین فاصله سفر تا جرم در نمونه فعلی 5.1 کیلومتر بود (دقیقه = 0.01 کیلومتر، چندک اول = 0.94 کیلومتر، Mdn = 2.81 کیلومتر، چندک سوم = 6.61 کیلومتر، حداکثر = 46.05 کیلومتر).

با این حال، از آنجایی که سیم‌کارت‌ها نیاز دارند سفرهای مجرمانه فردی در داده‌های جریان OD که مناطق مبدأ و مقصد را به هم متصل می‌کند، جمع‌آوری شود، فاصله سفر تا جرم به فاصله‌ای از نقطه مرکزی منطقه مبدا که در آن مجرم در آن زندگی می‌کرده تا نقطه مرکزی تبدیل شد. منطقه مقصد حاوی سایت مجرمانه؛ روش تبدیل بعدا توضیح داده می شود. میانگین فاصله تبدیل شده در نمونه فعلی 5.3 کیلومتر بود (دقیقه = 0.22 کیلومتر، چندک اول = 1.11 کیلومتر، Mdn = 2.62 کیلومتر، چندک 3 = 6.58 کیلومتر، حداکثر = 46.33 کیلومتر). شکل 4 رابطه بین فواصل سفر تا جنایت و فواصل اتصال نقاط مرکزی بین جفت های OD را نشان می دهد و یک همبستگی بالا ( ρ= 0.753، p <0.001) بین آنها مشاهده می شود.

در مرحله بعد، جفت‌های OD بالقوه از ترکیب مناطق خروج و ورود بالقوه در منطقه مورد مطالعه ایجاد شدند. در مطالعه حاضر، 2809 جفت OD بالقوه (53 منطقه × 53 منطقه) ایجاد شد که در میان آنها 53 جفت OD نشان دهنده سفرهای درون منطقه ای بود که مناطق عزیمت و ورود برای آنها یکسان بود، در حالی که 2756 جفت OD باقی مانده نشان دهنده سفرهای بین منطقه ای بود که برای آنها مناطق خروج و ورود متفاوت بود. یک سفر مجرمانه یک سارق مسکونی بر اساس اطلاعات مربوط به مناطق خروج و ورود به یکی از جفت‌های OD اختصاص داده شد. میانگین تعداد سفرهای مجرمانه در جفت‌های OD 1.4 بود (دقیقه = 0، 1 درصد = 0، Mdn = 0، سهک سوم = 0، حداکثر = 202). از تمام جفت های بالقوه OD، 17.9٪ حداقل یک سفر جنایی داشته اند.

2.3. متغیرها

برای ایجاد متغیرها از سه مجموعه داده خارجی در این تحقیق استفاده شد. ابتدا، داده های جمعیت شناختی توکیو از نتایج سرشماری ژاپن استخراج شد. در ژاپن، سرشماری هر پنج سال یکبار انجام می‌شود که آخرین بررسی‌ها مربوط به سال‌های 2020، 2015 و 2010 می‌باشد. برای تطبیق دوره سرشماری با سایر داده‌ها، از سرشماری سال 2010 استفاده شد و داده‌های آن از “مستقل” استخراج شد. e-stat» پورتال برای آمار رسمی در ژاپن [ 42 ]. اطلاعات مربوط به جمعیت مسکونی از سرشماری به دست آمد. همانطور که در بالا ذکر شد و در شکل 3 نشان داده شده است ، Setagaya-ku بیشترین جمعیت مسکونی را در توکیو داشت. آمار توصیفی این متغیر در جدول 1 ارائه شده است. توزیع این متغیر به دلیل کج بودن بسیار تغییر شکل داده شد.

دوم، از داده‌های مربوط به تعداد سرقت‌های مسکونی گزارش‌شده به پلیس استفاده شد که از پورتال اداره پلیس متروپولیتن توکیو استخراج شد [ 43 ]. اگرچه تعداد سرقت های منازل مسکونی گزارش شده به پلیس هر سال ثبت می شود، اما رکورد سال 2010 برای مطابقت با دوره سرشماری مورد استفاده قرار گرفت. علاوه بر این، از آنجایی که تعداد سرقت های مسکونی گزارش شده به پلیس به ازای واحدهای منطقه که کوچکتر از واحدهای شهرداری هستند ثبت می شود، در واحدهای شهرداری ادغام شدند. برای محاسبه تراکم سرقت های مسکونی در هر منطقه، تعداد سرقت های مسکونی بر مساحت تقسیم شد. آمار توصیفی در جدول 1 ارائه شده است.

سوم، از داده‌های سفرهای روزانه استفاده شد که از نظرسنجی PT در منطقه شهری توکیو که توسط دولت محلی انجام شد [ 44 ] ایجاد شد. نظرسنجی PT یک نظرسنجی اساسی است که برای ثبت حرکات افراد در یک روز هفته و روشن کردن ویژگی‌های سفر، نقاط مبدأ و مقصد، هدف سفر و وسایل حمل‌ونقل برای استفاده در برنامه‌ریزی شهری و برنامه‌ریزی پیشگیری از بلایا طراحی شده است [ 45 ، 46 ] . برخلاف سرشماری، نظرسنجی PT در منطقه شهری توکیو تنها هر ده سال یکبار انجام می‌شود که آخرین بررسی‌ها مربوط به سال‌های 2018 و 2008 است. داده های بررسی PT در سال 2008 استفاده شد.

روش بررسی PT در سال 2008 به شرح زیر بود. افراد مسن تر از چهار سال که در منطقه شهری توکیو زندگی می کنند به طور تصادفی از داده های ثبت نام ساکنان اولیه انتخاب شدند. پاسخ دهندگان پرسشنامه را از طریق پست دریافت کردند و باید به آن پاسخ دهند و سپس آن را از طریق ایمیل یا پست برگردانند. پرسشنامه دارای دو بخش بود: ابتدا، پاسخ دهندگان باید ویژگی های دموگرافیک خود را بیان می کردند (به عنوان مثال، جنس، سن، شغل، درآمد سالانه خانوار)، و سپس باید سفرهای روزانه خود را در یک روز هفته (به عنوان مثال، هدف، مبدا و مقصد توصیف می کردند). ، وسایل حمل و نقل).

در پژوهش حاضر، سفر روزانه به عنوان حرکت از منطقه مبدأ (شهرداری) شامل محل سکونت مسافر به منطقه مقصد (شهرداری) تعریف شده است. انواع سفرهای روزانه زیر از تجزیه و تحلیل مستثنی شدند: سفرهایی که شروع شده یا به خارج از توکیو رسیده اند، سفرهایی که از دفتری که مسافر در آن کار می کرده آغاز شده است، سفرهایی از مقصد به محل اقامت مسافر، و سفرهایی که برای آنها منطقه مبدأ یا مقصد است. (شهرداری) ناشناس بود. پس از آن، سفرهای روزانه باقیمانده بر اساس هدف سفر که توسط پاسخ دهندگان ارائه شده است، به دو نوع طبقه بندی شدند: سفرهای رفت و آمد (یعنی جابجایی از محل اقامت مسافران به ادارات) و سفرهای تفریحی (مثلاً برای خرید، بازدید از امکانات عمومی، و سایر موارد). سفر برای فعالیت های خصوصی). در نهایت، 5,043,175 سفر روزانه و 4,160، 553 سفر اوقات فراغت روزانه در تحلیل‌های زیر مورد استفاده قرار گرفت و این سفرها بر اساس اطلاعات مربوط به مناطق عزیمت و ورود به جفت‌های OD اختصاص یافت. آمار توصیفی این دو نوع سفر روزانه ارائه شده استجدول 1 .

2.4. مشخصات سیم کارت

در مطالعه حاضر سیم کارت های زیر ساخته شدند. متغیر هدف yهست یک n2× 1 بردار با عناصر yمنj، که تعداد سفرهای مجرمانه از منطقه مبدا است من من = 1،2،…،nبه منطقه مقصد j j = 1،2،…،nدر یک جفت OD مدل پایه (مدل 0) توصیف شده توسط یک مدل رگرسیون پواسون به صورت فرموله شده است

y~پλ، λ = انقضاαلن + افD،

(2)

جایی که پ·توزیع پواسون را نشان می دهد، لننشان دهنده یک n2 × 1 بردار (برق)، و αیک پارامتر اسکالر است که باید تخمین زده شود. کارکرد افDامپدانس بین مبدا را نشان می دهد منو مقصد jو به صورت بیان می شود

افD = βدمنستید،

(3)

جایی که دهست یک n2× 1 بردار با عناصر دمنj، که فاصله اقلیدسی بین منطقه مبدأ مرکزی است منو منطقه مقصد j، و βدمنستییک پارامتر اسکالر است که باید تخمین زده شود. در پژوهش حاضر، مکان‌های ادارات دولتی در شکل 3 به عنوان نقاط مرکزی مناطق در نظر گرفته شده‌اند، زیرا دفاتر عمومی معمولاً در مراکز شهرداری‌ها قرار دارند. علاوه بر این، هنگام ساخت یک سیم کارت، لازم است مشکل فاصله درون ناحیه ای [ 47 ] در نظر گرفته شود. چندین مطالعه قبلی روش هایی را برای جلوگیری از فواصل سفرهای درون ناحیه ای بررسی کرده اند (به عنوان مثال، من = j) از صفر بودن [ 47 ، 48 ]. یک روش کلاسیک برای مقابله با این مشکل این است که فرض کنیم منطقه تقریباً دایره ای است و جمعیت به طور مساوی با تراکم ثابت پخش شده است [ 47 ]. با این فرض، دمنمنبه عنوان محاسبه می شود

دمنمن = rمن2،

(4)

جایی که rمنشعاع منطقه است من. روش دیگر در نظر گرفتن میانگین چگالی اهداف در منطقه است من[ 48 ]؛ این روشی است که در پژوهش حاضر استفاده شده است و به صورت محاسبه شده است

سمن = آمنمترمن

(5)

دمنمن≈0.427سمن-0.5،

(6)

جایی که آمنمنطقه است و مترمنتعداد سرقت های منازل مسکونی گزارش شده به پلیس در سال 2010 است.

برای آزمایش فرضیه 1 و فرضیه 2، مدل 1، با ترکیب متغیرهای مبدأ و مقصد خاص در معادله (2)، به صورت ساخته شده است.

λ = انقضاαلن + βoپoپایکسoپoپ + βoجrمنمترمنnتیrآایکسoجrمنمترمنnتیrآ + βدجrمنمترمنnتیهrایکسدجrمنمترمنnتیهr + افD.

(7)

متغیر ایکسo_پoپهست یک n2× 1 بردار نشان دهنده اندازه جمعیت مسکونی در مناطق مبدا. متغیرها ایکسoجrمنمترمنnتیrآو ایکسدجrمنمترمنnتیهrهستند n2× 1 بردار نشان دهنده تراکم سرقت های مسکونی در مناطق مبدا یا مقصد. برای تمایز عوامل مرتبط با سفرهای بین منطقه ای از عوامل مرتبط با سفرهای درون منطقه ای، آنها به شرح زیر گسترش می یابند [ 28 ]:

ایکسoجrمنمترمنnتیrآ = ایکسo_جrمنمتر-ایکسoجrمنمترمنnتیهr

(8)

ایکسدجrمنمترمنnتیهr = ایکسد_جrمنمتر-ایکسدجrمنمترمنnتیrآ.

(9)

این n2× 1 بردار ایکسoجrمنمترمنnتیهrبه عنوان تعریف شده است nمشاهدات مرتبط با سفرهای جنایی درون منطقه ای در بردار به صفر می رسد ایکسo_جrمنمتر. به این معنا که، ایکسoجrمنمترمنnتیrآمی تواند اثرات عوامل مرتبط با سفرهای درون ناحیه ای را به تصویر بکشد. به همین ترتیب، n2× 1 بردار ایکسدجrمنمترمنnتیrآبه عنوان تعریف شده است nمشاهدات مرتبط با سفرهای جنایی بین منطقه ای در بردار به صفر می رسد ایکسد_جrمنمتر. به این معنا که، ایکسدجrمنمترمنnتیهrمی تواند اثرات عوامل مرتبط با سفرهای بین منطقه ای را به تصویر بکشد.

مدل 1 شامل عوامل زیر است. به عنوان یک عامل خاص مبدا ( ایکسo_پoپ)، اندازه جمعیت مسکونی در مناطق مبدأ گنجانده شد. به عنوان یکی دیگر از عوامل خاص مبدا مرتبط با سفرهای درون منطقه ای ( ایکسoجrمنمترمنnتیrآ) تراکم سرقت های مسکونی در مناطق مبدا گنجانده شد. به عنوان یک عامل خاص مقصد مرتبط با سفرهای بین منطقه ای ( ایکسدجrمنمترمنnتیهr)، تراکم سرقت های مسکونی در مناطق مقصد گنجانده شد. تابع امپدانس افDدر رابطه (7) با معادله (3) برابر بود.

در نهایت، برای آزمون فرضیه 3، مدل 2، شامل سه نوع ساختار فضایی، فرموله شده است. اول، برای گنجاندن رفت و آمد روزانه و سفرهای تفریحی از مبدا منبه مقصد jنشان دهنده حرکات جمعیت عمومی در یک روز هفته به تابع امپدانس است افD، معادله (3) به صورت بسط داده شده است

افD = βدمنستید + βجتیجتی

(10)

یا

افD = βدمنستید + βلتیلتی.

(11)

متغیر جتیهست یک n2× 1 بردار با عناصر جتیمنj، که نشان دهنده نسبت سفرهای رفت و آمد از مبدا است منبه مقصد jدر تمام سفرهای روزانه با افزودن تعداد سفرهای رفت و آمد به سفرهای تفریحی تعریف شده است. به همین ترتیب، متغیر لتیهست یک n2× 1 بردار با عناصر لتیمنj، که نشان دهنده نسبت سفرهای تفریحی از مبدا است منبه مقصد jدر تمام سفرهای روزانه با افزودن تعداد سفرهای رفت و آمد به سفرهای تفریحی تعریف شده است. با توجه دمنj، هر چه از مبدأ دورتر باشد منبه مقصد j، امپدانس حرکت بالاتر است. در همین حال، با توجه به جتیمنjو لتیمنj، نسبت چنین سفرهای روزانه از مبدا بیشتر است منبه مقصد j، امپدانس ها کمتر است زیرا فرض بر این است که انتقال به منطقه ای که در آن سفرهای روزانه زیادی ایجاد می شود برای متخلفان آسان تر است. به دلیل همبستگی زیاد بین جتیو لتی( ρ= -0.277، p <0.001، دو نوع مدل 2 برای جلوگیری از چند خطی ساخته شد: مدل 2a شامل معادله (10) و مدل 2b شامل معادله (11).

دوم، برای ثبت اثر سرریز فضایی مبتنی بر مبدا، بردار تاخیر فضایی مبتنی بر مبدا ρoدبلیوoyدر سمت راست مدل 2 گنجانده شده است. این بردار به این معنی است که تعداد سفرهای مجرمانه مشاهده شده در یک جفت OD بر روی سایر جفت های OD که دارای مقصد و مبداهای همسایه با جفت OD مشاهده شده هستند، تأثیر می گذارد. سوم، برای ثبت اثر سرریز فضایی مبتنی بر مقصد، بردار تاخیر فضایی مبتنی بر مقصد ρددبلیودyدر سمت راست مدل 2 گنجانده شده است. این بردار به این معنی است که تعداد سفرهای مجرمانه مشاهده شده در یک جفت OD بر سایر جفت های OD که مبدا و مقاصد همسایه با جفت OD مشاهده شده دارند تأثیر می گذارد. برای محاسبه این اثرات سرریز فضایی، ماتریس های وزن فضایی مبتنی بر جریان مورد نیاز است که به صورت زیر بیان می شوند [ 28 ]:

دبلیوo = دبلیو⊗منن

(12)

دبلیود = منن⊗دبلیو.

(13)

این n×nماتریس وزن فضایی دبلیودر معادلات (12) و (13) مشخص می کند که کدام مناطق همسایه فضایی هستند و مننهست یک n×nماتریس واحد ماتریس وزن فضایی دبلیوعنصر را دارد wمنj، که به این صورت تعریف شد -دمنjدر مطالعه حاضر. این بدان معنی است که با کاهش فاصله بین مناطق، wمنjبه صورت خطی افزایش می یابد. محصول کرونکر ( ⊗) در رابطه (12) آرگومان سمت راست را ضرب می کند مننبا هر عنصر در ماتریس وزن فضایی دبلیو. به همین ترتیب، محصول کرونکر ( ⊗) در رابطه (13) آرگومان سمت راست را ضرب می کند دبلیوبا هر عنصر در ماتریس واحد منن. ρo و ρدضرایب تاخیر مکانی هستند که باید تخمین زده شوند. اگر اینها با مقادیر نسبتاً بزرگ تخمین زده شوند، تفسیر این است که سفرهای مجرمانه به طور تصادفی ایجاد نمی شوند.

2.5. شاخص های برازش مدل

برای بررسی اینکه کدام مدل‌ها سفرهای مجرمانه را با وضوح بیشتری توضیح می‌دهند، از شاخص‌های برازش زیر استفاده شد. ابتدا از معیار شبه R -squared برای رگرسیون پواسون استفاده شد. در مدل های رگرسیون پواسون، یک اندازه گیری مربع R تنظیم شده بر اساس انحرافات تعریف می شود.

آرD2 = 1-Dy;μ^ + کDy;y¯،

(14)

جایی که Dy;μ^انحراف مدلی است که شامل متغیرهای مورد علاقه است، Dy;y¯مدلی است که فقط رهگیری گنجانده شده است و کتعداد متغیرهای کمکی برازش شده در مدلی است که شامل متغیرهای کمکی مورد علاقه است. آرD2را می توان به عنوان کاهش نسبی در انحراف به دلیل گنجاندن متغیرهای کمکی در مدل [ 49 ] تفسیر کرد.

دوم، AIC (معیارهای اطلاعات آکایک) و BIC (معیارهای اطلاعات بیزی) در بین مدل‌ها مقایسه شدند. مدل با کوچکترین AIC و BIC به عنوان توضیح بهتر متغیر وابسته تفسیر می شود. سوم، من موران برای باقیمانده های هر مدل محاسبه شد. برای این، تعداد سفرهای ورودی برای هر مقصد jتجمیع شد. باقیمانده به عنوان تفاوت بین تعداد واقعی و تخمینی سفرهای ورودی، تقسیم بر تعداد تخمینی سفرهای ورودی [ 36 ] تعریف شد. اگر یک موران I نسبتاً بزرگ مشاهده شود، تفسیر این است که مدل نمی تواند ساختارهای فضایی سفرهای مجرمانه را به درستی ثبت کند.

3. نتایج

3.1. الگوهای فضایی سفرهای جنایی

تعداد کل سفرهای جنایی بین منطقه ای 2208 بود. یعنی 6/54 درصد از سرقت های منازل مسکونی با تردد بین مناطق مختلف صورت گرفته است. توزیع فضایی سفرهای درون ناحیه ای در شکل 5 نشان داده شده است . مناطقی که به رنگ قرمز روشن هستند، مناطقی هستند که در آنها سفرهای درون منطقه ای زیادی وجود داشته است. الگوی فضایی سفرهای درون منطقه ای مشابه با جمعیت مسکونی نشان داده شده در شکل 3 است.; این است که، سفرهای درون منطقه ای به احتمال زیاد در بخش شرقی منطقه مورد مطالعه شامل 23 بخش ویژه، به جز Chiyoda-ku و Chuo-ku مشاهده می شود. بیشترین سفرهای درون منطقه ای در آداچی-کو بود که در قسمت شمالی بخش های ویژه قرار دارد، در حالی که تعداد کمی از سفرهای درون منطقه ای در منطقه تاما انجام شد، به جز هاچیوجی-شی و ماچیدا-شی.

الگوی فضایی سفرهای بین منطقه ای در شکل 6 نشان داده شده است ، جایی که یک خط مستقیم مناطق متصل کننده یک جفت OD مشاهده شده را نشان می دهد. شکل 6 a فقط شامل جفت های OD با کمتر از پنج سفر بین منطقه ای است، در حالی که شکل 6 ب فقط شامل جفت های OD با پنج یا بیشتر سفرهای بین منطقه ای است. خطوط مستقیم قرمز نشان می دهد که بسیاری از سفرهای مجرمانه مشاهده شده است.

همانطور که در شکل 6 الف نشان داده شده است، برای جفت های OD با چند سفر بین منطقه ای، برخی از آنها مسافت طولانی تری داشتند. به عنوان مثال، برخی از جفت‌های OD Machida-shi را در قسمت جنوبی منطقه تاما با چندین منطقه در بخش‌های ویژه و برخی Ota-ku را در بخش جنوبی بخش‌های ویژه با چندین منطقه در منطقه تاما متصل می‌کنند. با این حال، همانطور که در شکل 6 ب نشان داده شده است، برای جفت های OD با پنج یا بیشتر سفرهای بین منطقه ای، تقریباً همه فواصل کوتاه تری داشتند. برای مثال، جفت‌های OD مرتبط با Machida-shi با بخش‌های ویژه مرتبط نبودند، و جفت‌های OD متصل به Ota-ku با مناطقی در منطقه تاما مرتبط نبودند.

3.2. مقایسه مدل ها

ابتدا، مدل پایه (مدل 0) که فقط اثر فروپاشی فاصله را در بر می گرفت ساخته شد ( جدول 2 را ببینید ). در نتیجه، اثر کاهش مسافت منفی قابل توجهی تایید شد، که نشان می دهد با افزایش فاصله بین مناطق، تعداد سفرهای مجرمانه کاهش می یابد. با این حال، مدل 0 تنها 38.5٪ از انحراف را توضیح داد، و Moran’s I از باقیمانده ها بالا بود (0.244). بنابراین مدل 0 برای تبیین سفرهای مجرمانه سارقان مسکونی و تصویربرداری مناسب از ساختارهای فضایی آن سفرها کافی نبود.

برای آزمایش فرضیه 1 و فرضیه 2، مدل 1 شامل عوامل خاص مبدا و مقصد در مدل 0 ساخته شد. ضریب تورم واریانس (VIF) مدل 1 زیر 1.63 بود. در حالی که یک اثر کاهش فاصله منفی قابل توجهی مانند مدل 0 برآورد شد، روابط قابل توجهی نیز بین سفرهای مجرمانه و هر عامل گنجانده شده در مدل برآورد شد. مناطقی با جمعیت مسکونی زیاد احتمال بیشتری برای ایجاد سفرهای مجرمانه داشتند. علاوه بر این، مناطقی با تراکم بالای سرقت های مسکونی احتمالاً توسط سارقان مسکونی که از مناطق مختلف خارج می شوند به عنوان مناطق مقصد انتخاب می شوند. علاوه بر این، مناطقی با تراکم بالای سرقت های مسکونی نیز احتمالاً توسط سارقان مسکونی که از همان مناطق خارج می شوند به عنوان مناطق مقصد انتخاب می شوند.من از باقیمانده کمی بالا بود (0.147).

در نهایت، مدل 2a و مدل 2b، با ترکیب ساختارهای فضایی در مدل 1، ساخته شدند. VIFهای مدل 2a و مدل 2b به ترتیب کمتر از 2.64 و 3.18 بود. نتایج هر دو مدل نشان داد که سفرهای روزانه پیش بینی کننده معناداری سفرهای مجرمانه است. اما الگوهای متضادی بین سفرهای رفت و آمد و سفرهای تفریحی مشاهده شد. در حالی که نسبت سفرهای رفت‌وآمد گنجانده شده در مدل 2a یک پیش‌بینی‌کننده منفی و معنادار سفرهای مجرمانه را نشان می‌دهد، نسبت سفرهای تفریحی موجود در مدل 2b نشان‌دهنده پیش‌بینی‌کننده مثبت و معنادار سفرهای مجرمانه است. علاوه بر این، اگرچه هر دو نوع ضرایب تاخیر فضایی موجود در مدل 2a و مدل 2b نسبتا بزرگ بودند، الگوهای مخالف مشاهده شد. یک ضریب تاخیر فضایی مبتنی بر مبدأ مثبت نسبتاً بزرگ پیدا شد، که نشان می دهد که سفرهای مجرمانه بیشتر در یک جفت OD مشاهده شده، سفرهای مجرمانه بیشتری را در جفت های OD پیش بینی می کند که دارای مقصد و مبداهای همسایه با جفت OD مشاهده شده هستند. از سوی دیگر، یک ضریب تاخیر فضایی مبتنی بر مقصد منفی نسبتاً بزرگ پیدا شد، که نشان می‌دهد سفرهای مجرمانه بیشتر در یک جفت OD مشاهده‌شده، سفرهای مجرمانه کمتری را در جفت‌های OD که مبدا و مقاصد مجاور مشابه جفت OD مشاهده‌شده دارند، پیش‌بینی می‌کند. بالاترین شبه که نشان می دهد که سفرهای مجرمانه بیشتر در یک جفت OD مشاهده شده، سفرهای مجرمانه کمتری را در جفت های OD پیش بینی می کند که مبدا و مقاصد مجاور مشابه جفت OD مشاهده شده دارند. بالاترین شبه که نشان می دهد که سفرهای مجرمانه بیشتر در یک جفت OD مشاهده شده، سفرهای مجرمانه کمتری را در جفت های OD پیش بینی می کند که مبدا و مقاصد مجاور مشابه جفت OD مشاهده شده دارند. بالاترین شبهR2 و کوچک‌ترین AIC و BIC ^با مدل 2b به‌دست آمدند، که نشان می‌دهد سفرهای مجرمانه سارقان مسکونی با در نظر گرفتن نه تنها عوامل خاص مبدا و مقصد، بلکه ساختارهای فضایی، از جمله سفرهای اوقات فراغت روزانه، با وضوح بیشتری توضیح داده می‌شوند. علاوه بر این، کوچکترین موران I از باقیمانده ها با مدل 2b به دست آمد، که نشان می دهد خود همبستگی فضایی باقیمانده ها با ترکیب ساختارهای فضایی از جمله سفرهای اوقات فراغت روزانه در مدل توضیح داده شده است.

برای تجسم الگوهای فضایی کل سفرهای ورودی برآورد شده، تعداد تخمینی آن سفرها برای هر منطقه محاسبه شد. برای مقایسه با این مقادیر تخمینی، تعداد مشاهده شده کل سفرهای ورودی هر منطقه به دست آمد و نتایج در شکل 7 نشان داده شده است.. مناطقی که قرمز روشن هستند، مناطقی هستند که تعداد کل سفرهای ورودی تخمینی یا مشاهده شده بالایی دارند. الگوی فضایی کل سفرهای ورودی برآورد شده با مدل 0 کاملاً متفاوت از کل سفرهای ورودی مشاهده شده بود. با این حال، الگوهای فضایی کل سفرهای ورودی برآورد شده با مدل 1، مدل 2a، و مدل 2b شبیه به الگوهای کل سفرهای ورودی مشاهده شده بود. به طور خاص، این سه مدل تعداد بیشتری از کل سفرهای ورودی را برای بخش‌های ویژه، به جز چیودا-کو و چو-کو، تخمین زدند. علاوه بر این، Hachioji-shi و Machida-shi در بخش جنوب غربی منطقه تاما به عنوان دارای تعداد بیشتری از کل سفرهای ورودی در مقایسه با سایر مناطق در منطقه Tama برآورد شدند. این تمایلات مشابه الگوی فضایی کل سفرهای ورودی مشاهده شده بود.

4. بحث و نتیجه گیری

سفرهای مجرمانه سارقان مسکونی با استفاده از سیم کارت های توسعه یافته با وضوح بیشتری توضیح داده شد. مطابق با مطالعات قبلی، عوامل خاص مقصد با تعداد سفرهای مجرمانه سارقان مسکونی مرتبط بود. به طور خاص، مناطق با تراکم بالای سارقان مسکونی به احتمال زیاد توسط مجرمان انتخاب می‌شوند، که از فرضیه 1 پشتیبانی می‌کند . مناطقی با اهداف بالقوه و قربانی زیاد ممکن است مجرمان بالقوه را جذب کنند.

علاوه بر این، عوامل خاص مبدا با سفرهای مجرمانه سارقان مسکونی مرتبط بود. به طور خاص، مناطق با جمعیت مسکونی زیاد تمایل به ایجاد سفرهای مجرمانه بیشتری دارند که از فرضیه 2a پشتیبانی می کند. از منظر نظریه الگوی جرم [ 39]، این می تواند به این معنا تفسیر شود که یک منطقه با جمعیت مسکونی زیاد ممکن است شامل بسیاری از مجرمان بالقوه با انگیزه باشد و سفرهای مجرمانه زیادی ایجاد کند. علاوه بر این، مناطقی با تراکم بالای سرقت های مسکونی معمولاً توسط سارقان مسکونی ساکن در چنین مناطقی انتخاب می شوند که از فرضیه 2b پشتیبانی می کند. این تمایل پشتیبانی تجربی بیشتری را برای این ادعا فراهم می کند که مجرمان ممکن است قبل از سفر بیشتر به دنبال اهداف مناسب در مناطق مسکونی خود بگردند تا هزینه های سفر را به حداقل برسانند [ 15 ].

علاوه بر این، ساختارهای فضایی سفرهای روزانه و جفت‌های OD سفرهای مجرمانه را با وضوح بیشتری توضیح می‌دهند. اول، نسبت سفرهای تفریحی روزانه به توضیح سفرهای مجرمانه سارقان مسکونی کمک کرد، به این معنی که حرکات فضایی سارقان مسکونی بیشتر شبیه سفرهای اوقات فراغت روزانه است تا سفرهای رفت و آمد روزانه، که از فرضیه 3a پشتیبانی می کند. این تمایل ممکن است از ماهیت خاص الگوهای فضایی سفرهای رفت و آمد در منطقه شهری توکیو ناشی شود. کوماکی [ 41] نشان داد که سفرهای رفت و آمد روزانه در منطقه شهری توکیو بیشتر در منطقه تجاری مرکزی متمرکز است، در حالی که بر خلاف سفرهای رفت و آمد روزانه، مناطق مقصد سفرهای مصرف کننده روزانه پراکنده هستند زیرا چندین منطقه مصرف کننده در مقیاس کوچک در منطقه وجود دارد. حومه شهر در پرتو نتایج به‌دست‌آمده توسط کوماکی [ 41 ]، می‌توان در نظر گرفت که توزیع مناطق هدف بالقوه سرقت‌های مسکونی ممکن است شبیه به سفرهای تفریحی روزانه باشد. یعنی مناطق مقصد بالقوه سارقان مسکونی ممکن است در منطقه مورد مطالعه به دلیل وجود چندین منطقه هدف در مقیاس کوچک پراکنده شوند.

علاوه بر این، ضرایب تاخیر فضایی مبتنی بر مبدا و مقصد نسبتاً بزرگ تخمین زده شد که نشان می‌دهد یک جفت OD مشاهده‌شده ممکن است بر جفت‌های OD مجاور فضایی تأثیر بگذارد. با این حال، الگوهای مخالف بین اثرات سرریز فضایی مبتنی بر مبدا و مقصد برآورد شد. ضریب تأخیر فضایی مبتنی بر مبدأ مثبت نسبتاً بزرگ نشان داد که سفرهای مجرمانه که به یک منطقه مقصد خاص می‌رسند، تمایل به خروج از مناطق مبدا همسایه دارند، که از فرضیه 3b پشتیبانی می‌کند. این نتیجه نشان می‌دهد که سفرهای مجرمانه که از مناطق مبدأ همسایه خارج می‌شوند ممکن است در یک منطقه مقصد خاص متمرکز شوند. از آنجا که ساختارهای شبکه راه آهن/راه برای دسترسی از مبدأ به مقصد ممکن است در بین مناطق مبدأ همسایه کاملاً مشابه باشد. ممکن است برای مجرمان با انگیزه که در مناطق مبدأ همسایه زندگی می کنند دسترسی به یک منطقه مقصد خاص آسان تر باشد. علاوه بر این، با توجه به حساب پرچم توضیح دهنده قربانی شدن تقریباً تکرار [22 ، 23 ]، این تمایل ممکن است به این معنا تفسیر شود که مناطق مقصد حاوی بسیاری از خواص آسیب پذیر، مجرمان با انگیزه بسیاری را که در مناطق مبدأ همسایه زندگی می کنند جذب می کند و مکرراً توسط مجرمان مختلف قربانی می شوند. در مقابل، ضریب تأخیر فضایی مبتنی بر مقصد منفی نسبتاً بزرگ نشان داد که سفرهای مجرمانه که از همان منطقه مبدا حرکت می‌کنند، به مناطق مقصد همسایه نمی‌رسند. یعنی مناطق مقصد سفرهای مجرمانه تمایل به پراکندگی در منطقه مورد مطالعه داشتند که فرضیه 3c را پشتیبانی نمی کند. مطالعه حاضر یک اثر سرریز فضایی مبتنی بر مقصد مثبت را به دلیل حساب تقویتی که فرض می‌کند یک سری از فعالیت‌های مجرمانه توسط یک مجرم سریالی خاص در همسایگی انجام می‌شود، فرض کرد.22 ، 23 ، 24 ]. با این حال، به دلیل اینکه یک واحد تحلیلی نسبتاً بزرگ (یعنی شهرداری) در مطالعه حاضر استفاده شد، بسیاری از متخلفان مختلف در مناطق مبدا یکسان گنجانده شدند. همانطور که توسط مطالعات قبلی نشان داده شده است [ 5 ، 12 ]، ترجیحات انتخاب مکان مجرمان فضایی در بین مجرمان متفاوت است. علاوه بر این، همانطور که در بالا ذکر شد، به دلیل اینکه مناطق مقصد سارقان مسکونی ممکن است به دلیل وجود چندین منطقه هدف در مقیاس کوچک در منطقه مورد مطالعه پراکنده باشد، متخلفان مختلف می توانند مناطق هدف متفاوتی را ترجیح دهند. در نتیجه، اثرات سرریز فضایی مبتنی بر مقصد منفی به دلیل اثرات آلودگی در سطوح بین و درون مجرم مشاهده شد.

مطالعه حاضر یافته‌ها و پیشنهادات زیادی را ارائه کرد، اما محدودیت‌های متعددی نیز داشت که اولین مورد در دسترس بودن داده‌ها بود. مطالعه حاضر از سوابق مجرمان دستگیر شده توسط آژانس پلیس ملی و سه مجموعه داده خارجی استفاده کرد: داده‌های سرشماری، داده‌های نظرسنجی PT، و آمار برای تعداد سرقت‌های مسکونی گزارش شده به پلیس در توکیو. به دلیل تکنیک های مختلف نظرسنجی و چرخه های ثبت در بین این مجموعه داده های خارجی، مطالعه حاضر نمی تواند متغیرهایی را از داده های ثبت شده در همان سال ایجاد کند. علاوه بر این، عواملی در مدل‌ها مانند اندازه جمعیت مسکونی، تراکم سرقت‌های مسکونی، و تعداد رفت‌وآمدهای روزانه و سفرهای تفریحی ثابت نیستند و می‌توانند در طول زمان تغییر کنند. با این حال، آنها به عنوان ثابت در نظر گرفته شدند،

محدودیت دوم مربوط به واحد تحلیلی است. نتایج پژوهش حاضر نشان داد که بیش از نیمی از سفرهای مجرمانه نمونه فعلی (6/54 درصد) در زمان وقوع جرم بین شهرداری ها بوده است. علاوه بر این، همبستگی بالایی بین فاصله سفر تا جرم و فواصل تغییر یافته (یعنی فواصل از نقطه مرکزی بین مناطق مبدأ و مقصد) در نمونه فعلی مشاهده شد ( شکل 4 را ببینید ). این نتایج، تعریف شهرداری ها به عنوان واحد تحلیلی را توجیه می کند. با این حال، یک خط تحقیقاتی که رابطه بین عوامل خاص مقصد و انتخاب مکان مجرمان را بررسی می‌کند، واحد تحلیلی را به عنوان مناطق دقیق‌تر تعریف کرده است، زیرا فاصله سفر تا جرم نسبتاً کوتاه است [ 3 ،7 ، 12 ، 17 ]. علاوه بر این، الگوهای فضایی جرایم بسیار متمرکز هستند و در مکان‌های خرد خاص در طول زمان بسیار پایدار هستند [ 21 ، 22 ، 23 ، 24 ، 25 ، 26 ، 27 ]. علاوه بر این، شکل 4 نشان می‌دهد که فاصله‌های خطای بزرگ‌تری بین مسافت‌های سفر تا جرم و فواصل تبدیل‌شده در مقیاس فاصله کوتاه‌تر مشاهده شد.

با این وجود، واحد تحلیلی مورد استفاده در مطالعه حاضر در مقیاس نسبتاً بزرگ بود و می‌توانست برای ثبت توزیع جرم در منطقه مورد مطالعه ناکافی باشد. دلیل محدود کردن واحد تحلیلی این بود که واحد جمع‌آوری شده بررسی PT در منطقه شهری توکیو معمولاً بر اساس واحد شهرداری است. در حالی که مطالعه حاضر رابطه بین الگوی فضایی سفرهای مجرمانه و جمعیت عمومی را با استفاده از پیمایش PT نشان داد، مطالعات بیشتری برای بررسی تعمیم‌پذیری در واحدهای تحلیلی مختلف در صورت وجود داده‌های مناسب‌تر مورد نیاز است. علاوه بر این، لازم است بررسی شود که آیا این یافته ها را می توان در مناطق دیگر مانند مناطق غیرکلانشهری در ژاپن اعمال کرد یا خیر. علاوه بر این،

سوم، اگرچه اشاره شده است که فواصل سفر تا جرم با سن مجرم، صحنه جرم و وسیله حمل و نقل متفاوت است [ 4 ، 6 ، 8 ، 9 ، 10 ، 14 ]، سیم کارت های فعلی نمی توانند این عوامل را به درستی ترکیب کنند. زیرا سیم‌کارت‌ها به سفرهای مجرمانه فردی نیاز دارند که در داده‌های جریانی که مناطق مبدأ و مقصد را به هم متصل می‌کنند [ 3 ] جمع شوند. مطالعات بیشتری برای در نظر گرفتن اثرات متقابل بین سطوح فردی و همسایگی مورد نیاز است [ 17 ].

اگرچه مطالعه حاضر دارای محدودیت های متعددی بود، همانطور که در بالا مورد بحث قرار گرفت، سه فرضیه را فرموله کرد و رابطه بین سفرهای مجرمانه سارقان مسکونی و عوامل سطح محله با استفاده از سیم کارت را آشکار کرد. نتایج نشان داد که عوامل خاص مبدا، از جمله منبع سفرهای مجرمانه تولید انرژی و عوامل خاص مقصد که نمایانگر شاخص جذابیت برای مجرمان بالقوه است، پیش‌بینی‌کننده مثبت و معنادار تعداد سفرهای مجرمانه بودند. علاوه بر این، سفرهای مجرمانه به طور تصادفی در فضا ایجاد نمی شدند و الگوهای حرکتی فضایی مشابه سفرهای تفریحی روزانه داشتند. این نتایج چندین پیامد برای حمایت از نظریه الگوی جرم و حسابداری برای قربانی شدن تقریباً تکراری ارائه می دهد.

منابع

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 ][ نسخه سبز ]
برناسکو، دبلیو. Kooistra, T. اثرات تاریخ مسکونی بر انتخاب محل جرم سارقان تجاری. یورو J. Criminol. 2010 ، 7 ، 251-265. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برناسکو، دبلیو. Nieuwbeerta، P. چگونه سارقان مسکونی مناطق مورد نظر را انتخاب می کنند؟ رویکردی جدید برای تحلیل انتخاب مکان مجرمانه برادر J. Criminol. 2005 ، 45 ، 296-315. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برانتینگهام، PL; Brantingham، PJ یادداشت هایی در مورد هندسه جنایت. در جرم شناسی محیطی ; Brantingham, PJ, Brantingham, PL, Eds. Waveland Press: Prospect Heights, IL, USA, 1981; ص 27-54. [ Google Scholar ]
فریت، ام جی. جانسون، SD; Fry, HM نقش شبکه خیابانی در تصمیم گیری فضایی سارقان. جرم شناسی 2017 ، 55 ، 344-376. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Haginoya, S. جمعیت شناسی و ویژگی های جغرافیایی مجرم توسط وسایل حمل و نقل مجرم در سرقت های سریالی مسکونی. روانی قانون جنایی 2014 ، 20 ، 515-534. [ Google Scholar ] [ CrossRef ]
هانایاما، ا. هاگینویا، اس. کوریشی، ح. کوبایاشی، م. سودمندی داده های جرم گذشته به عنوان شاخص جذابیت برای سارقان مسکونی. ج. تحقیق. روانی خاموش پروفسور 2018 ، 15 ، 257-270. [ Google Scholar ] [ CrossRef ]
LeBeau, JL سفر به تجاوز جنسی: فاصله جغرافیایی و روش تجاوزگر برای نزدیک شدن به قربانی. J. Police Sci. Adm. 1987 , 15 , 129-136. [ Google Scholar ]
LeBeau، JL چهار مطالعه موردی که تجزیه و تحلیل مکانی-زمانی متجاوزان سریالی را نشان می‌دهد. مطالعه پلیس. 1992 ، 15 ، 124-145. [ Google Scholar ]
اسمیت، دبلیو. باند، JW; تاونزلی، ام. تعیین چگونگی تغییر سفرها به جرم: اندازه‌گیری توزیع‌های سفر جنایی بین و درون مجرم. در قرار دادن جنایت در جای خود ; Weisburd, D., Bernasco, W., Bruinsma, G., Eds. Filiquarian Publishing: لندن، انگلستان، 2009; ص 217-236. [ Google Scholar ]
تاونزلی، ام. Sidebottom، A. همه مجرمان برابر هستند، اما برخی از آنها برابرتر از دیگران هستند: تنوع در سفر به جرم بین مجرمان. جرم شناسی 2010 ، 48 ، 897-917. [ Google Scholar ] [ CrossRef ]
تاونزلی، ام. بیرکز، دی. روتر، اس. برناسکو، دبلیو. White, G. مدل‌های انتخاب هدف با تنوع اولویت بین متخلفان. جی. کوانت. Criminol. 2016 ، 32 ، 283-304. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ون کوپن، پی جی. یانسن، RWJ جاده به سرقت: الگوهای سفر در سرقت های تجاری. برادر J. Criminol. 1998 ، 38 ، 230-246. [ Google Scholar ] [ CrossRef ]
وارن، جی. ربوسین، آر. هازل وود، RR; کامینگز، آ. گیبس، ن. ترومبتا، اس. صحنه جنایت و ارتباط دور تجاوز زنجیره ای. جی. کوانت. Criminol. 1998 ، 14 ، 35-59. [ Google Scholar ] [ CrossRef ]
شیائو، ال. لیو، ال. آهنگ، جی. روتر، اس. ژو، اس. فاصله سفر تا جنایت سارقان مسکونی در چین تفکیک شده: اثرات مبدأ و مقصد. بین المللی J. Geoinf. 2018 ، 7 ، 325. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
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 سمت جرم و جنایت. برادر J. Criminol. 2015 ، 55 ، 399-420. [ Google Scholar ] [ CrossRef ]
وندویور، سی. برناسکو، W. “موقعیت موقعیت مکانی”: اثرات ویژگی های محله و خانه بر انتخاب هدف سارقان. جی. کوانت. Criminol. 2020 ، 36 ، 779-821. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Ruiter، S. Crime انتخاب مکان: وضعیت هنر و راه‌هایی برای تحقیقات آینده. در کتابچه راهنمای تصمیم گیری مجرم در آکسفورد ؛ Bernasco, W., Van Gelder, J.-L., Elffers, H., Eds. انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2017; صص 398-420. [ Google Scholar ]
محفود، م. برناسکو، دبلیو. بولای، س. ون در می، R. پیش بینی تغییرات مکانی-زمانی در سرقت مسکونی با چارچوب تقریب لاپلاس یکپارچه: اثرات مولدهای جرم، شبکه های خیابانی، و جرایم قبلی. جی. کوانت. جنایی. 2021 ، 37 ، 835-862. [ Google Scholar ] [ CrossRef ]
هوگه، م. ونهوت، بی. هاردینز، دبلیو. بیرکان، تی. بیکاری، نابرابری، فقر و جرم و جنایت: الگوهای توزیع فضایی اعمال مجرمانه در بلژیک، 2001-2006. برادر J. Criminol. 2011 ، 51 ، 1-20. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ویزبرد، دی. بوشوی، اس. لوم، سی. یانگ، اس ام مسیرهای جرم و جنایت در مکان ها: مطالعه طولی بخش های خیابان در شهر سیاتل. جرم شناسی 2004 ، 42 ، 283-322. [ Google Scholar ] [ CrossRef ]
برناسکو، دبلیو دوباره آنها؟ مشارکت مجرم مشابه در سرقت های مکرر و تقریباً تکراری. یورو J. Criminol. 2008 ، 5 ، 411-431. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
Bowers، KJ; جانسون، SD چه کسی تقریباً تکرار می کند؟ تست توضیح تقویت. غرب. جنایت. Rev. 2004 , 5 , 12-24. [ Google Scholar ]
جانسون، SD رفتار مکانی/زمانی سارقین خانه: یافتن الگوهای تکراری نزدیک در داده‌های مجرم سریالی. Appl. Geogr. 2013 ، 41 ، 139-146. [ Google Scholar ] [ CrossRef ]
جانسون، SD; برناسکو، دبلیو. Bowers، KJ; الفرز، اچ. راتکلیف، جی. رنگرت، جی. تاونزلی، ام. الگوهای خطر فضا-زمان: ارزیابی متقابل ملی از قربانی شدن سرقت مسکونی. جی. کوانت. Criminol. 2007 ، 23 ، 201-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوتاه، مگابایت؛ D’Orsogna، MR; برانتینگهام، پی جی. تیتا، جنرال الکتریک اندازه گیری و مدل سازی اثرات سرقت تکراری و تقریباً تکراری. جی. کوانت. Criminol. 2009 ، 25 ، 325-339. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تاونزلی، ام. هومل، آر. Chaseling، J. سرقت های عفونی: آزمون فرضیه تقریبا تکرار. برادر J. Criminol. 2003 ، 43 ، 615-633. [ Google Scholar ] [ CrossRef ]
LeSage، JP; سرعت، RK مدل‌سازی اقتصادسنجی فضایی جریان‌های مبدا-مقصد. J. Reg. علمی 2008 ، 48 ، 941-967. [ Google Scholar ] [ CrossRef ]
فلاوردیو، ر. Aitkin, M. روشی برای برازش مدل گرانشی بر اساس توزیع پواسون. J. Reg. علمی 1982 ، 22 ، 191-202. [ Google Scholar ] [ CrossRef ]
Fotheringham، AS; ناکایا، تی. یانو، ک. اپن شو، اس. Ishikawa، Y. انتخاب مقصد سلسله مراتبی و مدل سازی تعامل فضایی: یک آزمایش شبیه سازی. محیط زیست طرح. A 2001 , 33 , 901-920. [ Google Scholar ] [ CrossRef ]
موریسی، ک. مدل‌های تعامل فضایی. در ژئومحاسبات: یک آغازگر عملی . Brunsdon, C., Singleton, A., Eds. SAGE: لندن، بریتانیا، 2015; صص 221-232. [ Google Scholar ]
Ishikawa، Y. مطالعه تجربی مدل مقاصد رقابتی با استفاده از داده‌های تعامل ژاپنی. محیط زیست طرح. A 1987 , 19 , 1359-1373. [ Google Scholar ] [ CrossRef ]
یانو، ک. ناکایا، تی. Fotheringham، AS; اپن شو، اس. ایشیکاوا، ی. مقایسه رفتار مهاجرت در ژاپن و بریتانیا با استفاده از مدل‌های تعامل فضایی. بین المللی جی پوپول. Geogr. 2003 ، 9 ، 419-431. [ Google Scholar ] [ CrossRef ]
چلیک، اچ ام. گلدمن، JM مدل‌سازی تعامل فضایی جریان‌های کالای بین منطقه‌ای. اجتماعی اقتصادی برنامه ریزی کنید. علمی 2007 ، 41 ، 147-162. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
چون، ی. کیم، اچ. کیم، سی. مدل‌سازی جریان‌های کالای بین منطقه‌ای با ترکیب همبستگی خودکار شبکه در مدل‌های تعامل فضایی: کاربرد جریان‌های کالای بین‌ایالتی ایالات متحده. محاسبه کنید. محیط زیست شهری. سیستم 2012 ، 36 ، 583-591. [ Google Scholar ] [ CrossRef ]
کرکمن، ک. مارتنز، ک. Meurs، H. یک مدل تعامل فضایی چند سطحی از جریان‌های عبوری که همبستگی فضایی و شبکه‌ای را در خود جای داده است. J. Transp. Geogr. 2017 ، 60 ، 155-166. [ Google Scholar ] [ CrossRef ]
Levine, N. مقدمه ای بر شماره ویژه در بیزی سفر به جرم و جنایت. ج. تحقیق. روانی خاموش پروفسور 2009 ، 6 ، 167-185. [ Google Scholar ] [ CrossRef ]
رنگرت، سرقت GF در فیلادلفیا: نقد یک مدل ساختار فرصت. در جرم شناسی محیطی ; Brantingham, PJ, Brantingham, PL, Eds. Waveland Press: Prospect Heights, IL, USA, 1981; ص 189-201. [ Google Scholar ]
برانتینگهام، PL; برانتینگهام، نظریه الگوی جرم PJ. در جرم شناسی محیطی و تحلیل جرم ; Wortley, R., Mazerolle, L., Eds. Routledge: نیویورک، نیویورک، ایالات متحده آمریکا، 2008; صص 78-93. [ Google Scholar ]
بووین، آر. D’Elia، M. شبکه ای از محله ها: پیش بینی سفرهای جرم و جنایت در یک شهر بزرگ کانادا. J. Res. جنایت دلینق. 2017 ، 54 ، 824-846. [ Google Scholar ] [ CrossRef ]
کوماکی، N. ساختار عملکردی منطقه شهری توکیو بر اساس تجزیه و تحلیل فعالیت های رفت و آمد و مصرف. جئوگر جدید. 2004 ، 52 ، 1-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
سایت پورتال آمار رسمی ژاپن. در دسترس آنلاین: https://www.e-stat.go.jp/en (در 25 مارس 2021 قابل دسترسی است).
اداره پلیس کلانشهر در دسترس آنلاین: https://www.keishicho.metro.tokyo.lg.jp/about_mpd/jokyo_tokei/jokyo/ninchikensu.html (در 15 اکتبر 2021 قابل دسترسی است).
نظرسنجی سفر افراد. در دسترس آنلاین: https://www.tokyo-pt.jp/person/01 (در 25 مارس 2021 قابل دسترسی است).
ایمای، ر. ایکدا، دی. شینگای، اچ. ناگاتا، تی. Shigetaka، K. سفرهای مبدا-مقصد تولید شده از داده های عملیاتی یک شبکه تلفن همراه برای برنامه ریزی حمل و نقل شهری. ج. طرح شهری. توسعه دهنده 2021 , 147 , 04020049. [ Google Scholar ] [ CrossRef ]
وزارت زمین، زیربنا، حمل و نقل و گردشگری. در دسترس آنلاین: https://www.mlit.go.jp/toshi/tosiko/toshi_tosiko_tk_000031.html. (دسترسی در 29 ژانویه 2022).
Batty، M. مدلسازی شهری: الگوریتم ها، کالیبراسیون ها، پیش بینی ها . انتشارات دانشگاه کمبریج: لندن، انگلستان، 1976. [ Google Scholar ]
شلایچ، تی. هورن، آل. فورمن، ام. فریدریش، اچ. یک مدل جریان مواد غذایی مبتنی بر جاذبه برای شناسایی منبع شیوع بیماری های ناشی از غذا. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2020 ، 17 ، 444. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هاینزل، اچ. Mittlböck، M. شبه R-squared اندازه گیری برای مدل های رگرسیون پواسون با بیش یا underdispersion. محاسبه کنید. آمار داده آنال. 2003 ، 44 ، 253-271. [ Google Scholar ] [ CrossRef ]

شکل 1. اثرات سرریز فضایی. سمت چپ : مبتنی بر مبدا. سمت راست : مبتنی بر مقصد.

شکل 2. موقعیت منطقه مورد مطالعه.

شکل 3. جمعیت مسکونی و تراکم جمعیت هر منطقه.

شکل 4. رابطه بین فواصل سفر تا جرم و فواصل اتصال نقاط مرکزی بین مناطق مبدأ و مقصد.

شکل 5. توزیع فضایی سفرهای جنایی درون منطقه ای.

شکل 6. توزیع فضایی سفرهای جنایی بین منطقه ای: ( الف ) جفت های OD با کمتر از پنج سفر بین منطقه ای. ( ب ) جفت های OD با پنج یا بیشتر سفرهای بین منطقه ای.

شکل 7. تعداد تخمینی یا مشاهده شده کل سفرهای ورودی.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

کلید واژه ها: