نقشه برداری خطر خشونت با استفاده از GIS: مطالعه موردی پاکستان

خشونت اولین چیزی است که توسط آن جان انسان ها نابود می شود. خشونت چالش‌های جدی برای سازمان‌های مجری قانون و سیاست‌گذاران ایجاد می‌کند و همچنین حکم دولت را تهدید می‌کند. وضعیت خشونت یک کشور را می توان از طریق یک نقشه دقیق خطر خشونت تجسم کرد. این مقاله روشی را برای تهیه نقشه خطر بروز خشونت (IOV) با استفاده از GIS ارائه می‌کند. داده های IOV برای سال 2010 از موسسه مطالعات صلح پاکستان (PIPS) جمع آوری شده است که دارای 3104 پرونده است و 16 دسته از انواع حمله را پوشش می دهد. داده های IOV بیشتر با استفاده از سرویس کدگذاری جغرافیایی Google آنلاین کدگذاری شدند. نقشه‌های ریسک IOV از طریق دو روش در دسترس توسعه یافتند: تراکم هسته و getis-ord-gi* با دادن پارامتر واحد «فرکانس»، و یک روش نمایه‌سازی جدید با دادن دو پارامتر اضافی و همچنین «شدت» و «احتمال». برای هر منطقه، مقادیر فراوانی و شدت IOV از داده‌های PIPS محاسبه شد، در حالی که مقدار احتمال IOV از برنامه حمایت از درآمد بی‌نظیر – بررسی کارت امتیازی فقر (BISP-PSS) استخراج شد. مقداری از 1 تا 5 به هر یک از سه پارامتر نسبت به هر منطقه اختصاص داده شد و سپس هر سه پارامتر با یکدیگر ضرب شدند تا شاخص ریسک IOV تولید شود که مقادیری از 1 تا 125 داشت. شاخص ریسک IOV بیشتر از طریق شکست های طبیعی طبقه بندی شد. به سه دسته کم خطر (1-40)، خطر متوسط ​​(41-70) و پرخطر (71-125). به منظور اعتبارسنجی، تحلیل همپوشانی فضایی بین داده‌های IOV سال 2011 (طبقه‌بندی شده از طریق شکست‌های طبیعی) و نقشه‌های ریسک IOV سال 2010 (توسعه یافته از طریق چگالی هسته، getis-ord-gi* و روش نمایه‌سازی) انجام شد. روش نمایه سازی به عنوان یک روش قابل اعتماد برای تهیه نقشه ریسک IOV با دقت 93 درصد و سپس getis-ord-gi* و تراکم هسته به ترتیب با دقت 58 درصد و 89 درصد ثابت شده است. علاوه بر این، روش نمایه سازی مناطق خطر IOV را از نظر توزیع فضایی کارآمدتر پیش بینی کرد. روش نمایه سازی ولسوالی های خزدار، ژوب، دیر علیا، ایجنس خیبر، منطقه اوراکزی، پیشاور و کراچی را در طبقه بندی پرخطر نشان می دهد که در آنها اقداماتی از سوی سازمان های مجری قانون و ذینفعان برای به حداقل رساندن حوادث خشونت آمیز مورد نیاز است. این مطالعه نشان داده است که GIS دارای قابلیت های باورنکردنی است که ما را در گرفتن، تجزیه و تحلیل و تجسم داده های IOV تسهیل می کند. روش نمایه سازی مناطق خطر IOV را از نظر توزیع فضایی کارآمدتر پیش بینی کرد. روش نمایه سازی ولسوالی های خزدار، ژوب، دیر علیا، ایجنس خیبر، منطقه اوراکزی، پیشاور و کراچی را در طبقه بندی پرخطر نشان می دهد که در آنها اقداماتی از سوی سازمان های مجری قانون و ذینفعان برای به حداقل رساندن حوادث خشونت آمیز مورد نیاز است. این مطالعه نشان داده است که GIS دارای قابلیت های باورنکردنی است که ما را در گرفتن، تجزیه و تحلیل و تجسم داده های IOV تسهیل می کند. روش نمایه سازی مناطق خطر IOV را از نظر توزیع فضایی کارآمدتر پیش بینی کرد. روش نمایه سازی ولسوالی های خزدار، ژوب، دیر علیا، ایجنس خیبر، منطقه اوراکزی، پیشاور و کراچی را در طبقه بندی پرخطر نشان می دهد که در آنها اقداماتی از سوی سازمان های مجری قانون و ذینفعان برای به حداقل رساندن حوادث خشونت آمیز مورد نیاز است. این مطالعه نشان داده است که GIS دارای قابلیت های باورنکردنی است که ما را در گرفتن، تجزیه و تحلیل و تجسم داده های IOV تسهیل می کند.

کلید واژه ها

GIS ، بروز خشونت ، نقشه خطر ، Getis-Ord-Gi* ، تراکم هسته ، نمایه سازی ، PIPS ، پاکستان

1. مقدمه

نلسون ماندلا اظهار داشت که قرن بیستم به عنوان قرنی که با خشونت مشخص شده است به یاد خواهد ماند. خشونت عامل اصلی مرگ است. حدود یک میلیون نفر از پانزده تا چهل و چهار سال هر سال به دلیل خشونت جان خود را از دست می دهند و بسیاری دیگر مجروح می شوند [ 1 ]. سازمان جهانی بهداشت (WHO) خشونت را به عنوان یک عمل مضر تعریف می کند که به طور هدفمند برای تأثیر گذاشتن بر سلامت، ثروت یا صلح یک فرد یا گروه انجام می شود [ 2 ]. سه نوع گسترده از خشونت وجود دارد: خشونت خودگردان، خشونت بین فردی و خشونت جمعی [ 3 ] که از این میان فقط خشونت جمعی برای این تحقیق مورد بررسی قرار گرفته است. خشونت دسته جمعی توسط گروه بزرگتری صورت می گیرد و می توان آن را به سه دسته تقسیم کرد: خشونت اجتماعی، سیاسی و اقتصادی.1 ] .

نقشه‌برداری خطر خشونت، نیاز مبرم پاکستان برای انجام و حفظ خطرات یا تهدیدات امنیتی است. پاکستان در سال 2009 در زمره کشورهایی قرار گرفت که بیشترین آسیب را از بحران های فراوانی دیدند. تعداد کل وقوع خشونت در سال 2009 3816 نفر است که جان 12632 نفر را گرفت و 12815 نفر را مجروح کرد [ 4 ].

موسسه مطالعات صلح پاکستان (PIPS) یک پایگاه داده جامع در مورد حوادث خشونت آمیز دارد. گزارش های امنیتی PIPS منبع امنیت داخلی در پاکستان است زیرا هیچ پایگاه داده رسمی در این کشور موجود نیست. توسعه پایگاه‌های اطلاعاتی حوادث نتیجه یک فرآیند نظارت دقیق بر هر حادثه مرتبط در کشور به صورت روزانه است. PIPS داده ها را از منابعی از جمله روزنامه ها، مجلات، مجلات، منابع میدانی و غربالگری سوابق رسمی جمع آوری می کند. بیش از سی روزنامه انگلیسی و اردو، مجلات و مجلات و کانال های خبری تلویزیونی مختلف برای به روز رسانی پایگاه داده نظارت می شوند. روزنامه ها و هفته نامه های منطقه ای از پیشاور، کویته، گیلگیت و کراچی نیز برای جزئیات در مورد حوادث گزارش شده در رسانه های محلی تحت نظر هستند. خبرنگاران در مراکز استان ها منبع اصلی PIPS برای راستی آزمایی گزارش های رسانه ها هستند. در صورت وقوع یک حادثه بزرگ، تیم های PIPS برای جزئیات بیشتر با اداره محلی و خبرنگاران مشورت می کنند. در مواردی که PIPS تأیید حقایق مربوط به یک حادثه خاص را دشوار می یابد، به اظهارات رسمی در این زمینه ارجحیت می دهد.5 ] .

اگرچه، یک پایگاه داده عظیم در مورد حوادث خشونت آمیز در PIPS موجود است، اما این پایگاه داده جغرافیایی نیست. پایگاه داده جغرافیایی هر رکورد را با اطلاعات مکانی با ارجاع به زمین ذخیره می کند. بدون زمینه جغرافیایی، ما نمی توانیم بفهمیم که رویدادهای خشونت آمیز کجا و چگونه رخ می دهند، و همچنین نمی توانیم دلیل وقوع آنها را توجیه کنیم. پایگاه داده جغرافیایی توانایی اطلاعات را بهبود می بخشد و آگاهی موقعیتی موثرتری را ارائه می دهد. سیستم اطلاعات جغرافیایی (GIS) می تواند به عنوان ابزاری موثر برای مدیریت و نظارت بر حوادث خشونت آمیز و فعالیت های مرتبط استفاده شود [ 6 ]] . GIS به دلایل بسیاری از جمله توانایی آنها در ادغام داده ها از منابع مختلف برای تولید اطلاعات جدید و عملکردهای بصری ذاتی آنها منبع بالقوه قدرتمندی است که می تواند حل خلاقانه مسئله و تصمیم گیری های صحیح را با تأثیرات پایدار و موقعیت بر زندگی افراد ترویج کند [ 7 ] [ 8 ]. ] . بیشتر محققان از GIS برای مشخص کردن مناطق پرخطر خشونت استفاده می کنند [ 9 ].

در این مطالعه، هدف اصلی تهیه نقشه خطر IOV در سطح ملی است. در این راستا دو روش موجود; تراکم هسته و getis-ord-gi* و یک روش نمایه سازی جدید استفاده شد. چگالی کرنل یک مقدار در واحد سطح را از ویژگی‌های نقطه یا چندخط با استفاده از یک تابع هسته محاسبه می‌کند تا یک سطح مخروطی هموار را برای هر نقطه یا چندخط قرار دهد. مقادیر بزرگتر پارامتر شعاع چگالی تعمیم یافته تری ایجاد می کند در حالی که مقادیر کوچکتر جزئیات بیشتری را نشان می دهند [ 10 ] [ 11 ] [ 12 ] [ 13 ]. Getis-ord-gi* خوشه های فضایی معنی دار آماری با مقادیر بالا (نقاط داغ) و مقادیر پایین (نقاط سرد) را شناسایی می کند [ 14] . روش نمایه سازی توصیف می کند که ریسک IOV تابعی از سه پارامتر است، یعنی فرکانس IOV، احتمال IOV و شدت IOV. “فرکانس IOV” نشان می دهد که چند عدد IOV در بازه زمانی مشخص رخ داده است. “شدت IOV” در مورد عواقب از نظر میزان مرگ و میر بیان می کند که در صورت وقوع IOV چقدر ضرر خواهد بود. “احتمال IOV” در مورد احتمال وقوع IOV توضیح می دهد. بسیاری از محققان معتقدند که افراد فقیر بیشتر درگیر اعمال خشونت آمیز می شوند [ 15 ] [ 16 ] [ 17 ] [ 18 ].

2. روش تحقیق

2.1. منطقه مطالعه

منطقه مطالعاتی انتخاب شده برای این تحقیق بین 60 درجه شرقی تا 78 درجه شرقی و 23 درجه شمالی تا 38 درجه شمالی روی کره زمین قرار دارد ( شکل 1 ).

اسلام آباد از سال 1960 پایتخت آن است، قبل از اینکه کراچی پایتخت آن باشد. کشورهای همسایه پاکستان در شرق هند، چین در شمال، افغانستان و ایران در غرب هستند و از جنوب به 1046 کیلومتر خط ساحلی در امتداد دریای عرب محدود می‌شوند. قلمرو مورد مناقشه از منطقه مورد مطالعه مستثنی است. بر اساس سرشماری سال 2017 کل جمعیت پاکستان تقریباً 20.77 کرور است [ 19 ]. در حال حاضر پاکستان دارای 8 بخش اداری اصلی است، یعنی بلوچستان، پنجاب، سند، خیبر پختونخوا، گیلگیت بالتستان، مناطق قبیله ای تحت اداره فدرال، آزاد و جامو کشمیر و منطقه پایتخت اسلام آباد.

2.2. جمع آوری داده ها

2.2.1. داده های IOV

مجموعه داده PIPS IOV برای انجام این مطالعه انتخاب شد ( شکل 2 ). صفات از

مجموعه داده ها عبارت بودند از تاریخ، استان، منطقه، شهر، نوع، هدف، آسیب، مجروح، کشته، مسئولیت، تاکتیک حمله، جزئیات و مرجع. در سال 2010، تعداد کل IOV 3104 بود که 16 دسته از انواع حمله را پوشش می داد ( شکل 3 ). در جایی که حداقل تعداد IOV در یک منطقه 0 بود، حداکثر تعداد IOV در یک منطقه 262، میانگین تعداد IOV در یک منطقه 21 بود، در حالی که انحراف معیار 45 بود. جمع. گسترش IOV 2010 نشان داده شده است ( شکل 4 ).

2.2.2. داده های فقر

داده های فقر از موسسه اقتصاد توسعه پاکستان (PIDE) به دست آمده است. داده‌های فقر در ولسوالی در سال 2013 تولید شد که بر اساس برنامه حمایت از درآمد بی نظیر – بررسی کارت امتیازی فقر (BISP-PSS) است که در سال 2010 انجام شد [ 20 ]. داده های فقر پاکستان دارای پنج طبقه فقر است. حداقل فقیر، آسیب پذیر، فقیر، بسیار فقیر و بسیار فقیر ( شکل 5 ). از 151 ولسوالی پاکستان، 21 ولسوالی فاقد آمار فقر هستند. در حالی که 25 ولسوالی در رده کم فقیرترین، 24 ولسوالی در رده آسیب پذیر، 28 ولسوالی در رده فقیر، 31 ولسوالی در رده بسیار فقیر و 22 ولسوالی در رده فوق العاده فقیر قرار داشتند.

2.2.3. داده های وثیقه

مجموعه داده های اداری شامل فایل های شکل فایل های مرزهای بین المللی، استانی و ناحیه ای پاکستان از پورتال وب جامعه بشردوستانه دانلود شد ( شکل 6 ).

2.3. روش شناسی

توسعه نقشه خطر IOV چندین مرحله کلیدی دارد ( شکل 7 ). برای این مطالعه از سخت افزار کافی با ظرفیت پردازش کافی استفاده شده است.

2.3.1. پردازش داده ها

داده‌های فقر در قالب PDF جمع‌آوری شد و سپس به فرمت MS Excel و داده‌های IOV در قالب MS Excel به دست آمد. برای وارد کردن هر دو مجموعه داده در ArcGIS Environment، اقدامات کمی انجام شد، مانند حذف فضاهای اضافی و کاراکترهای خاص، اختصاص طول نام ستون به 10 کاراکتر، قالب بندی ستون تاریخ به عنوان “ماه، سال” و تمام ستون های عددی به عنوان نوع داده عددی با 0 رقم اعشار به علاوه، تمام مقادیر از دست رفته شناسایی و پر شدند.

هنگامی که داده ها در MS Excel پردازش شدند، از طریق حساب شخصی Google در برگه Google آپلود شدند تا آن را به صورت جغرافیایی کدگذاری کنند. Google خدمات کدگذاری جغرافیایی را به ما ارائه می دهد که به نام مکان ها نیاز دارد و طول و عرض جغرافیایی هر مکان را به ما برمی گرداند. علاوه بر این، داده های جغرافیایی به طور کامل بررسی شد تا تأیید شود که هر رکورد در مکان درست علامت گذاری شده است.

تمام مکان هایی که به اشتباه کدگذاری جغرافیایی شده بودند شناسایی شدند و سپس طول و عرض جغرافیایی صحیح این رکوردها با استفاده از اطلاعات زمینه پیدا شد و بر اساس آن جایگزین شد.

2.3.2. نقشه برداری ریسک IOV

هر یک از سه روش (تراکم هسته، Getis-Ord-Gi* و روش Indexing) به جای رویدادهای IOV منفرد، نقاط وزنی را به عنوان ورودی می گیرد. برای این منظور، داده‌های IOV بر اساس مکان یکسان با استفاده از ابزار جمع‌آوری رویداد در ESRI ArcMap جمع‌آوری شدند. “Collect Event”، نقاط تصادفی را ترکیب می کند و سپس یک فیلد برای ذخیره مجموع همه اتفاقات در مکان منحصر به فرد اضافه می کند.

پس از آن، اولین نقشه خطر IOV به روش تراکم هسته با استفاده از «شعاع 40000 متر»، «اندازه سلول 1000 متر مربع» و «نزدیک‌ترین همسایه به عنوان فرآیند نمونه‌گیری مجدد» در ESRI ArcMap تهیه شد. دومین نقشه خطر IOV از طریق getis-ord-gi* با استفاده از “contiguity-edge-only” به عنوان “مفهوم سازی رابطه فضایی” در ESRI ArcMap تهیه شد.

سومین نقشه ریسک IOV به روش نمایه سازی تهیه شد. به این منظور؛ مقدار فرکانس IOV در برابر هر ناحیه از طریق جدول 1 ایجاد شد و به طور مشابه شدت IOV از طریق جدول 2 و احتمال IOV از طریق جدول 3 ایجاد شد . پس از آن هر سه مقدار فراوانی IOV، شدت IOV و احتمال IOV در هر ناحیه با یکدیگر ضرب شدند.

و یک شاخص ریسک IOV ایجاد کرد. شاخص ریسک IOV بیشتر از طریق شکست های طبیعی به سه دسته طبقه بندی شد. کم خطر (1 – 40)، خطر متوسط ​​(41 – 70) و ریسک بالا (71 – 125).

2.3.3. اعتبار سنجی

برای این منظور، تحلیل همپوشانی فضایی بین نقشه‌های ریسک IOV 2010 و نقشه IOV سال 2011 که از طریق شکست‌های طبیعی طبقه‌بندی شده بودند، انجام شد ( شکل 8 ). گسست های طبیعی 6 ولسوالی را در معرض خطر بالا، 15 ولسوالی با خطر متوسط ​​و 125 منطقه را در مناطق کم خطر شناسایی کردند.

3. تجزیه و تحلیل داده ها و نتایج

نقشه های خطر IOV که از طریق روش gitis-ord-gi*، روش چگالی هسته و روش نمایه سازی ایجاد شده اند به ترتیب در (شکل های 9-11) نشان داده شده اند.

مقایسه بین نقشه ریسک IOV 2010 که از طریق روش getis-ord-gi* و IOV 2011 طبقه بندی شده از طریق شکست های طبیعی تهیه شده بود، تبعیض های زیادی را آشکار کرد.

روش Getis-ord-gi* ژوب، ماستونگ و کراچی را به عنوان مناطق پرخطر شناسایی نکرد، در حالی که به اشتباه میانوالی و اتوک استان پنجاب را به عنوان مناطق پرخطر شناسایی کرد، فقط به دلیل محدودیت های این روش. این روش وضعیت مناطق مجاور را نیز در حین پردازش مناطق مورد نظر در نظر می گیرد. بنابراین، ژوب، ماستونگ و کراچی را از دست داد زیرا مناطق مجاور آنها در معرض خطر بالایی قرار نداشتند. به همین ترتیب، منطقه اتوک و میانوالی را شامل می شد زیرا

مناطق مجاور در معرض خطر بالایی قرار داشتند. این روش 27 ولسوالی تحت خطر پرخطر، 81 ولسوالی با خطر متوسط ​​و 38 ولسوالی با خطر کم را شناسایی کرد.

مقایسه نقشه ریسک IOV در سال 2010 که به روش تراکم هسته تهیه شد و IOV 2011 طبقه بندی شده از طریق شکست های طبیعی، شباهت بین یکدیگر را نشان داد زیرا این روش در هنگام شناسایی ریسک منطقه هدف، ریسک مناطق همسایه را در نظر می گیرد و سپس یک مقدار ریسک متوسط ​​را به هدف اختصاص می دهد. حوزه. در این روش 6 ناحیه تحت خطر پرخطر، 9 ناحیه با خطر متوسط ​​و 131 ناحیه تحت خطر کم خطر شناسایی شدند.

مقایسه نقشه ریسک IOV 2010 که از طریق روش نمایه سازی تهیه شد و IOV 2011 طبقه بندی شده از طریق شکست های طبیعی، شباهت معمولی فوق العاده ای را بین روش تراکم هسته نشان داد زیرا این روش پارامترهای بیشتری را در نظر می گیرد. روش‌های Getis-ord-gi* و چگالی هسته فقط با داده‌های فرکانس IOV برای تعیین ریسک کار می‌کنند در حالی که روش نمایه‌سازی داده‌های شدت و احتمال IOV را نیز در نظر می‌گیرد. روش نمایه سازی 7 ناحیه تحت خطر پرخطر، 11 ناحیه با خطر متوسط ​​و 128 ناحیه با خطر کم را شناسایی کرد.

علاوه بر این، هر ناحیه از 146 منطقه برای مشاهده شباهت سطح ریسک شناسایی شده برای سال 2010 از طریق getis-ord-gi*، تراکم هسته و روش نمایه سازی با سطح ریسک طبقه بندی شده از طریق شکست های طبیعی برای سال 2010 بررسی شد ( جدول 4 ). روش Getis-ord-gi* سطح ریسک یکسان را در 85 ناحیه، روش تراکم هسته در 130 ناحیه سطح ریسک یکسان و روش نمایه سازی سطح ریسک یکسان را در 137 منطقه به ترتیب با دقت 58 درصد، 89 درصد و 93 درصد پیش بینی کرد.

4. نتیجه گیری

روش نمایه سازی برای تهیه نقشه ریسک IOV مناسب تر است زیرا پارامترهای بیشتری از IOV را در نظر می گیرد. اگر داده های شدت و احتمال IOV در دسترس نباشد، پس از روش نمایه سازی، تراکم هسته مطمئن ترین روش است. روش Getis-ord-gi* برای شناسایی خوشه‌های مقادیر کم و زیاد خوب است، اما برای توسعه نقشه ریسک مناسب نیست.

GIS دارای قابلیت های باورنکردنی برای ضبط، تجزیه و تحلیل و تجسم داده های IOV است. بنابراین، پرسنل کلیدی از سازمان های امنیتی و اجرای قانون باید در زمینه استفاده از GIS آموزش دیده باشند.

اگرچه، روش نمایه سازی با در نظر گرفتن سه پارامتر (فراوانی، شدت و احتمال)، مناطق خطر IOV را بسیار کارآمد شناسایی کرده است، اما بسیاری از پارامترهای اجتماعی-اقتصادی دیگر وجود دارند که به خشونت کمک می کنند. بنابراین، در آینده با افزودن پارامترهای کمک کننده بیشتر، نتایج افزایش می یابد.

منابع

 

[ 1 ]	Krug, EG, Dahlberg, LL, Mercy, JA, Zwi, AB and Lozano, R. (2002) World Report on Violence and Health. WHO، ژنو
[ 2 ]	سازمان جهانی بهداشت (1996) مشاوره جهانی در مورد خشونت و سلامت. خشونت: یک اولویت بهداشت عمومی WHO، ژنو
[ 3 ]	Foege, WH, Rosenberg, ML and Mercy, JA (1995) بهداشت عمومی و پیشگیری از خشونت. مسائل جاری در بهداشت عمومی، 1، 2-9.
[ 4 ]	Rana, MA (2010) گزارش امنیتی پاکستان 2009. موسسه پاکستان برای مطالعات صلح.
[ 5 ]	Rana, MA (2011) گزارش امنیتی پاکستان 2010. موسسه مطالعات صلح پاکستان.
[ 6 ]	Jeefoo, P. (2016) تجزیه و تحلیل خوشه بندی فضایی و تشخیص نقاط داغ شیوع HIV/AIDS با استفاده از فناوری GIS. مجله بین المللی ژئوانفورماتیک، 12، 65-73.
[ 7 ]	بل، ن. و شوورمن، ن. (2010) GIS و پیشگیری و کنترل آسیب: تاریخچه، چالش ها و فرصت ها. مجله بین المللی تحقیقات محیطی و بهداشت عمومی، 7، 1002-1017. https://doi.org/10.3390/ijerph7031002
[ 8 ]	باکریج، دی ال (2002) ساختن نقشه های داده های سلامت: مطالعه موردی یک همکاری پژوهشی جامعه/دانشگاه. علوم اجتماعی و پزشکی، 55، 1189-1206. https://doi.org/10.1016/S0277-9536(01)00246-5
[ 9 ]	Maged، N. and Kamel، B. (2004) به سوی زیرساخت و خدمات نظارتی اطلاعات ملی بهداشت فضایی مبتنی بر شواهد، GIS محور در بریتانیا. International Journal of Health Geographics, 3, 1. https://doi.org/10.1186/1476-072X-3-1
[ 10 ]	Hart, T. and Zandbergen, P. (2014) تخمین چگالی هسته و نگاشت نقطه کانونی: بررسی تأثیر روش درونیابی، اندازه سلول شبکه و پهنای باند بر پیش بینی جرم. پلیس: مجله بین المللی استراتژی ها و مدیریت پلیس، 37، 305-323. https://doi.org/10.1108/PIJPSM-04-2013-0039
[ 11 ]	Chainey، SP (2013) بررسی تأثیر اندازه سلول و اندازه پهنای باند بر روی نقشه‌های کانون جرم تخمین چگالی هسته برای پیش‌بینی الگوهای فضایی جرم. بولتن انجمن جغرافیایی لیژ، 60، 7-19.
[ 12 ]	Cusimano, M., Marshall, S., Rinner, C., Jiang, D. and Chipman, M. (2010) الگوهای صدمات خشونت آمیز شهری: تحلیل مکانی-زمانی. PLoS ONE، 5، e8669. https://doi.org/10.1371/journal.pone.0008669
[ 13 ]	Portnov, BA and Zusman, M. (2014) تجزیه و تحلیل داده های فضایی با استفاده از ابزارهای چگالی هسته. دایره المعارف تجزیه و تحلیل کسب و کار و بهینه سازی، 2252-2264، IGI Global.
[ 14 ]	Songchitruksa, P. and Zeng, X. (2010) آمار فضایی Getis-Ord برای شناسایی نقاط داغ با استفاده از داده های مدیریت حادثه. پرونده تحقیقات حمل و نقل. مجله هیئت تحقیقات حمل و نقل، 2165، 42-51. https://doi.org/10.3141/2165-05
[ 15 ]	کراچفیلد، RD و Wadsworth، T. (2003) فقر و خشونت. در: Heitmeyer W. and Hagan J., Eds., International Handbook of Violence Research, Springer, Dordrecht. https://doi.org/10.1007/978-0-306-48039-3_4
[ 16 ]	Krueger, AB and Jitka, M. (2003) آموزش، فقر و تروریسم: آیا ارتباط علی وجود دارد؟ مجله چشم انداز اقتصادی، 17، 119-144.
[ 17 ]	رامیرو مارتینز، جی (1996) لاتین تبارها و خشونت کشنده: تأثیر فقر و نابرابری. مسائل اجتماعی، 43، 131-146. https://doi.org/10.2307/3096994
[ 18 ]	هاف-کورزین، ال.، کورزین، جی و مور، دی سی (1991) ارتباطات مرگبار: فرهنگ، فقر و جهت گیری خشونت کشنده. نیروهای اجتماعی، 69، 715-732. https://doi.org/10.1093/sf/69.3.715
[ 19 ]	دفتر آمار پاکستان (2017) نتایج خلاصه موقت ششمین سرشماری نفوس و مسکن 2017. https://www.pbscensus.gov.pk/sites/default/files/Population_Results.pdf
[ 20 ]	عارف، جنرال موتورز (2014) مشخصات فقر پاکستان. موسسه اقتصاد توسعه پاکستان