چکیده

از آنجایی که هدف سارقان عموماً دارایی ساکنین است، اندازه گیری دقیق قربانیان احتمالی هنگام تجزیه و تحلیل سرقت ها، به ویژه در مناطق کوچک بسیار مهم است. مطالعات قبلی در مورد سرقت عمدتاً بر اساس واحدهای بزرگ مانند سرشماری ها یا جوامع است. یکی از مشکلات اندازه گیری قربانیان احتمالی سرقت در مقیاس متوسط ​​است. ما اثرات اندازه‌گیری جمعیت سرشماری، خانوارهای سرشماری، کاربران شبانه تلفن همراه و رسانه‌های اجتماعی شبانه، مانند نقشه حرارتی منطقه‌ای Tencent (TRH) را بر روی قربانیان احتمالی سرقت در شبکه‌های 150 × 150 متر مقایسه می‌کنیم. بر اساس تئوری انتخاب منطقی و کنترل اثرات مخدوش‌کننده بالقوه خطرات و هزینه، ما نشان می‌دهیم که TRH بهترین عملکرد را داشته است، پس از سرشماری خانوارها و جمعیت سرشماری، و کاربران تلفن عملکرد ضعیفی داشتند. بهترین دوره زمانی برای داده های TRH ساعت 3:00 تا 5:00 صبح در آخر هفته ها بود. این یافته‌ها می‌تواند به اندازه‌گیری بهتر قربانیان بالقوه سرقت در مقیاس متوسط ​​منجر شود و می‌تواند بینش علمی برای پیشگیری از جرم ارائه دهد.

کلید واژه ها:

جغرافیای جرم و جنایت ; نقشه حرارتی منطقه ای Tencent ; کاربران تلفن همراه ; جمعیت مسکونی ; قربانیان احتمالی

1. مقدمه

هدف سرقت منزل منزل مسکونی است. داده هایی مانند جمعیت ساکن [ 1 ]، خانوارها [ 2 ] و ویژگی های ساختمان [ 3 ] در سرشماری اغلب برای برآورد اهداف واقعی جمعیت مسکونی استفاده می شود. با این حال، چنین داده هایی در مناطق کوچک جغرافیایی در چین و بسیاری از کشورهای دیگر در دسترس نیست.
منابع داده های نوظهور، مانند کاربران تلفن [ 4 ، 5 ]، نقشه حرارتی منطقه ای Tencent (TRH) [ 6 ]، تاکسی سواری، و سواری مترو [ 7 ]، برای تخمین جمعیت محیط استفاده شده اند و توزیع پویای جمعیت را به تصویر می کشند. در این میان، کاربران تلفن بیشتر در تحقیقات سرقت کاربرد دارند. او و همکاران [ 8 ] دریافتند که شاخص های جمعیت محاسبه شده از داده های بزرگ تلفن همراه به طور قابل توجهی با تغییرات مکانی دزدی ها ارتباط دارد. سونگ و همکاران [ 7] اثرات اندازه گیری چهار نوع داده (کاربران تلفن، جمعیت مسکونی، سواران مترو و تاکسی سواران) را بر روی جمعیت در معرض خطر سرقت در زمان های مختلف در شبکه های 1 کیلومتر × 1 کیلومتر مقایسه کرد و به این نتیجه رسید که کاربران تلفن و تاکسی سواران عملکرد بهتری نسبت به جمعیت مسکونی در اکثر دوره های روزانه داشت. اخیراً، محققان [ 9 ، 10 ] کشف کردند که TRH به توضیح توزیع نقاط داغ جرم مواد مخدر کمک می کند و دریافتند که تأثیر مثبت قابل توجهی بر جرایم تماس خیابانی دارد. اولی [ 9 ] از داده‌های پویا برای نشان دادن جمعیت کلی استفاده می‌کرد، اما از ویژگی‌های متغیر زمان داده‌های پویا استفاده کاملی نکرد. دومی [ 10] یک روز را به سه دوره زمانی تقسیم کرد تا تأثیرات مختلف آن بر جرایم تماس خیابانی ارزیابی شود. تاکنون، این معیار جدید جمعیت محیطی برای مطالعات سرقت اعمال نشده است.
با توسعه تجزیه و تحلیل جرم از مقیاس کلان تا میانی و خرد [ 11 ، 12 ]، سرقت نیز به تحقیقات میانی و خرد بیشتری نیاز دارد [ 13 ]. در مقیاس کلان، تئوری بی‌سازمانی اجتماعی معمولاً برای کشف عوامل مؤثر در سرقت استفاده می‌شود [ 12 ، 14 ]. در مقابل، نظریه انتخاب عقلانی و نظریه الگوی جرم در مقیاس‌های میانی و خرد به کار گرفته شده‌اند. ادبیات قبلی تأثیرات ایستگاه های اتوبوس [ 15 ]، تراکم جاده [ 2 ، 16 ]، تراکم تجاری محله [ 17 ]، ترکیب جمعیت [ 2 ] را در نظر گرفته است.]، و غلظت هدف [ 16 ، 18 ]. پیشگیری از جرم از طریق تئوری طراحی محیطی (CPTED) توجه بیشتری به دسترسی به مسکن [ 16 ، 18 ]، الگوهای استفاده از مسکن و دسترسی به ترافیک [ 19 ] می کند. به طور مشابه، در عمل پلیس، اندازه گیری، پیشگیری و مداخله در ادبیات [ 20 ، 21 ] مورد توجه قرار گرفته است. اندازه گیری و نمایش قربانیان بالقوه سرقت در مقیاس مزو یک چالش ثابت بوده است.
در حالی که مطالعات دزدی بسیار زیاد است، تعداد کمی وجود دارد که اندازه‌گیری‌های مختلف قربانیان بالقوه سرقت را با هم مقایسه کند. در این زمینه است که این مقاله به بررسی اندازه گیری های جایگزین با استفاده از کاربران تلفن و داده های TRH می پردازد. کاربران تلفن از تعاملات تلفن های فردی و ایستگاه های پایه مشتق شده اند. TRH بر اساس اطلاعات مکان جمع آوری شده توسط برنامه های تلفن همراه است. هم داده های تلفن همراه و هم داده های TRH دارای وضوح زمانی بسیار بالایی هستند، اما دومی وضوح مکانی بسیار بالاتری دارد. از نظر تئوری، داده‌های تلفن همراه و TRH در شب، زمانی که مردم به خانه بازگشته‌اند، بهتر می‌توانند جمعیت واقعی مسکونی را ثبت کنند. در واقع، در شهرهای بزرگ در جنوب چین، حتی در شب، ساکنان به فعالیت‌های زیادی مانند اضافه کاری، خوردن تنقلات نیمه شب، مهمانی در مراکز تفریحی و غیره مشغول هستند. شایان ذکر است که ممکن است بین منظم بودن این فعالیت ها در شب های هفته و شب های آخر هفته تفاوت قابل توجهی وجود داشته باشد. همه اینها بر اندازه‌گیری جمعیت مسکونی توسط داده‌های جمعیت پویا تأثیر می‌گذارند [10 ]. با این حال، دقیقاً چه دوره‌های زمانی برای مطالعات سرقت مناسب‌تر است، به‌طور تجربی آزمایش نشده است.
این مطالعه تئوری انتخاب منطقی را برای کنترل خطرات جرم، هزینه‌ها و پاداش‌ها انتخاب کرد و هدف آن شناسایی مناسب‌ترین معیار جمعیت مسکونی به عنوان معیاری جایگزین برای اهداف بالقوه سرقت است. چهار معیار شامل جمعیت سرشماری، سرشماری خانوارها، کاربران تلفن همراه و THR در این مطالعه مقایسه شده است.

2. نظریه ها

همانطور که در مقدمه بحث شد، انتخاب یک چارچوب نظری بر اساس وضعیت اجتماعی واقعی منطقه مورد مطالعه بسیار مهم است. تئوری انتخاب منطقی برای تحقیقات جنایی در مقیاس متوسط ​​مناسب در نظر گرفته می شود و ثابت شده است که می تواند دزدی در چین را به طور موثر توضیح دهد [ 3 ، 22 ]. بر ادراک و قضاوت مجرمان از هدف تأکید می کند و به طور جامع منافع، خطرات و هزینه های بالقوه نزدیک شدن به هدف را در نظر می گیرد. بدیهی است که این سه عنصر که در زیر به آنها اشاره می شود، ارتباط نزدیکی با وضعیت قربانیان احتمالی دارند.
(1)
مزایای بالقوه مطالعات قبلی [ 23 و 24 ] ثروت و قرار گرفتن در معرض اهداف در مناطق مسکونی را نشان دهنده جذابیت آنها برای مجرمان در نظر گرفتند. درآمد حاصل از سرقت از محل سکونت قربانی به دست می آید، بنابراین تعداد قربانیان احتمالی و ثروت احتمالی آنها به شرط اولیه برای اندازه گیری منافع مجرم تبدیل شده است. در این مطالعه، جمعیت سرشماری، سرشماری خانوارها، کاربران شبانه تلفن همراه و نقشه حرارتی منطقه ای Tencent برای نشان دادن اهداف بالقوه استفاده شد. انواع مسکن همچنین متضمن برآورد مجرم از ثروت احتمالی خانوار است. در این مطالعه از سه نوع مسکن استفاده شد: ساختمان‌های منطقه مسکونی، آپارتمان‌ها و ساختمان‌های خوابگاهی، و ساختمان‌های تجاری – مسکونی [17 ، 25 ].
(2)
هزینه سفر به مقصد راحتی ترافیک بر هزینه سرقت تاثیر می گذارد. به دنبال تحقیقات قبلی [ 3 ]، ایستگاه های اتوبوس و تراکم جاده برای نشان دادن دسترسی به ترافیک انتخاب شدند. هرچه حمل و نقل در منطقه مورد نظر راحت تر باشد، هزینه سفر کمتر می شود.
(3)
خطرات گرفتار شدن خطرات جنایی ناشی از دفاع مدنی، دفاع فیزیکی و دفاع فنی است. خطر نظارت و استانداردهای امنیت فیزیکی، عوامل بازدارنده اولیه برای سارقان هستند [ 26 ]. در چین، دوربین های نظارتی نصب شده توسط پلیس نیروی نظارت مستقیم هستند که خطر کشف سارقان را افزایش می دهد.
شکل 1 کاربرد نظریه انتخاب منطقی را در این مطالعه نشان می دهد. این مطالعه به طور خاص منافع، خطرات و هزینه‌های بالقوه‌ای را که ممکن است با تماس با اهداف بالقوه قربانی به همراه داشته باشد، در نظر گرفت. شاخص های مربوطه خاص را در محیط ساخته شده و محیط جمعیت مرتب کرد. و عوامل موثر بر وقوع سرقت منزل را مورد تجزیه و تحلیل قرار داد. از منظر محیط ساخته شده، خطر قرار گرفتن در معرض و وضعیت فیزیکی سفرهای مجرمانه با توزیع دوربین های نظارتی، تراکم جاده، و POI های مختلف از نوع مسکن توصیف می شود. از منظر محیط اجتماعی، جمعیت مسکونی (جمعیت سرشماری، سرشماری خانوار، کاربران تلفن همراه، نقشه حرارتی منطقه ای Tencent) برای نشان دادن قربانیان احتمالی استفاده شد.

3. منطقه مطالعه، داده ها، و روش

3.1. منطقه مطالعه

منطقه مورد مطالعه در XT JieDao، ZG City، جنوب چین واقع شده است. شهر ZG، به عنوان “دروازه جنوبی” چین، یک کلانشهر با اقتصاد توسعه یافته، جمعیت زیاد و درجه باز بودن بسیار بالا است. فرآیندهای شهرنشینی بسیار متفاوتی با ساختار جمعیتی پیچیده و کاربری متنوع زمین وجود دارد. بخش جنوبی XT JieDao یک منطقه شهری با درجه بالایی از شهرنشینی است. قسمت شمالی تحت سلطه مناطق کوهستانی و کم جمعیت است. ما جنوب را به عنوان منطقه مورد مطالعه انتخاب می کنیم، با مساحت کل 4.4 کیلومتر مربع، با جمعیت غیر محلی نزدیک به 70٪. از نوامبر 2010، جمعیت غیر محلی آن 118900 نفر و جمعیت محلی دائمی آن 54500 نفر بود. میزان جرم و جنایت به ویژه سرقت منزل در منطقه مورد مطالعه به طور قابل توجهی بیشتر از سایر نقاط شهر است.شکل 2 ). دهکده شهری یک پدیده شهری منحصر به فرد در فرآیند شهرنشینی در چین است (به طور کامل با “دهکده شهری” در بریتانیا، یک مدل ایده آل برای توسعه و برنامه ریزی پایدار متفاوت است). روستاهای شهری اساسا جزایری هستند که توسط مناطق تازه توسعه یافته احاطه شده اند. تفاوت های عمده ای در ظاهر و ترکیب درونی بین روستاهای شهری و سایر جوامع وجود دارد. اولی متشکل از مسکن‌های بی‌نظم و کم اجاره است که با مشاغل مختلف برای خدمات اولیه، رستوران‌های کوچک، مغازه‌های خرده‌فروشی و فروشندگان خیابانی در امتداد کوچه‌های باریک ترکیب شده است. ساختمان های شلوغ پشت سر هم ممکن است از قوانین ساختمانی مناسب پیروی نکنند. به طور کلی روستاهای شهری به خوبی نگهداری نمی شوند. دومی از ساختمان های بلند مرتبه و فضاهای سبز به خوبی برنامه ریزی شده تشکیل شده است [ 27].

3.2. داده ها و روش ها

ما یک مدل رگرسیون دو جمله ای منفی با در نظر گرفتن شبکه به عنوان واحد نمونه برای مقایسه اثرات شاخص های مختلف بر روی اندازه گیری قربانیان بالقوه (جمعیت ساکن واقعی) ساختیم. داده‌های تحقیق شامل موارد سرقت، داده‌های سرشماری، کاربران تلفن همراه، نقشه حرارتی منطقه‌ای Tencent، دوربین‌های نظارتی، POI انواع مسکن، شبکه‌های ترافیکی و سایر داده‌های جغرافیایی پایه بود. از آنجایی که جمعیت شبانه می تواند توزیع جمعیت مسکونی را به طور موثرتری نشان دهد، کاربران تلفن همراه و داده های TRH از ساعت 18:00 تا 08:00 در روزهای هفته و آخر هفته برای مطالعه انتخاب شدند. به دنبال مطالعه قبلی [ 7 ]، داده ها در 5 دوره زمانی 3 ساعته تقسیم شدند. آمار توصیفی تمامی متغیرها در جدول 1 نشان داده شده است.

3.2.1. واحدهای تحلیل فضایی

به منظور محدود نشدن توسط مرزهای اداری، یک درمان شبکه اعمال شد. با اشاره به روش های تقسیم شبکه فضایی در تحقیقات قبلی [ 28 ، 29 ]، فرمول اندازه شبکه بهینه گریفیث و همکاران. [ 30 ] اعمال شد و طول بهینه سمت شبکه حدود 130 متر بود. با توجه به وضعیت واقعی منطقه مورد مطالعه، طول ضلع شبکه 150 متر تعیین شد [ 10 ]. در امتداد لبه منطقه مورد مطالعه، سلول‌هایی با کمتر از 50 درصد در داخل منطقه مورد مطالعه از آنالیز حذف شدند. در مجموع 192 سلول نمونه را برای تجزیه و تحلیل بعدی تشکیل دادند.
3.2.2. داده ها و پردازش
منابع داده و اطلاعات مربوطه در جدول 2 نشان داده شده است. برای پرونده‌های سرقت، ابتدا رویه‌ای را برای تسویه خودکار نقاط پرونده اتخاذ کردیم و سپس به صورت دستی نقاط پرونده را برای اطمینان از صحت تنظیم کردیم (تعداد موارد: 284 در سال 2017، 153 در سال 2018 و 110 در سال 2019). برای دوربین های نظارتی، ابتدا نقاط غیرعادی مانند موقعیت نامشخص حذف شدند و خطاهای باقی مانده به صورت دستی تنظیم شدند (616 نقطه در XT JieDao و 9 نقطه حذف شد و 607 امتیاز باقی ماند؛ از این میان، 318 دوربین در قسمت جنوبی توزیع شد. از XT JieDao). برای داده‌های شبکه جاده‌ای، قبل از پردازش، به‌روزرسانی‌های دستی با مقایسه تصاویر سنجش از راه دور و بررسی‌های میدانی تکمیل شد. با مراجعه به تحقیقات قبلی [ 7]، پس از پردازش، تمام داده ها با تقاطع در شبکه خلاصه شدند تا مقدار شبکه متغیر مربوطه برآورد شود.
1. کاربران تلفن همراه
داده‌های کاربر تلفن همراه از داده‌های سیگنال مبتنی بر ایستگاه‌های پایه ارائه‌شده توسط یکی از سه شرکت اصلی در چین، از جمله تعداد کل کاربران ناشناس تلفن همراه که به صورت ساعتی در هر ایستگاه پایه در کل هفته 12 تا 18 مه 2016 شمارش شده‌اند، مشتق شده‌اند. در جنوب XT JieDao، برج های سلولی مجاور در فاصله 500 متری از یکدیگر قرار دارند. تا زمانی که تلفن همراه روشن است، آنتن تلفن همراه به طور خودکار به دنبال ایستگاه های پایه برای دریافت سرویس می گردد و جستجوی سیگنال آن در داده های کاربر تلفن همراه ثبت می شود [ 31 ].]. از آنجایی که تلفن‌ها اغلب سعی می‌کنند به نزدیک‌ترین ایستگاه پایه متصل شوند، استفاده از رویکرد چندضلعی Thiessen برای جمع‌آوری گروه‌های کاربران تلفن همراه در شبکه‌ها منطقی است. برای اطمینان از یکپارچگی و دقت هر چند ضلعی تیسن در منطقه مورد مطالعه، تمام ایستگاه های پایه در 1 کیلومتری حاشیه منطقه مورد مطالعه نیز جمع آوری شدند. شایان ذکر است که تعداد کاربران تلفن همراه نسبی بوده و نمی تواند معرف تعداد مطلق کاربران باشد. با توجه به تفاوت بین فعالیت ساکنین در روزهای هفته و آخر هفته [ 32 ]، ساعت 114 از ساعت 00:00 روز دوشنبه تا ساعت 17:00 روز جمعه، روزهای هفته و 54 ساعت باقی مانده از ساعت 17:01 روز جمعه تا ساعت 23:59 در نظر گرفته شد. روز یکشنبه تعطیلات آخر هفته در نظر گرفته شد.
2. نقشه حرارتی منطقه ای Tencent
نقشه حرارتی منطقه ای Tencent (TRH) جمع آوری داده های جمعیت نسبی فعلی در منطقه مورد مطالعه بر اساس نقشه بود. می توان آن را در برنامه کوچک “Yichuxing” (بر اساس نرم افزار رسانه اجتماعی WeChat) مشاهده کرد که توزیع فضایی پویا کاربران برنامه را نشان می دهد. در مقایسه با داده‌های سرشماری استاتیک سنتی، داده‌های نظرسنجی مسافران و سایر داده‌های پویای جمعیت، TRH دارای مزایای عملکرد در زمان واقعی قوی، دقت بالا، پوشش گسترده و دسترسی آسان است [ 33 ]. برنامه‌های Tencent پایگاه کاربری بزرگی دارند و تا زمانی که برنامه در پس‌زمینه استفاده می‌شود یا در حال اجرا است، مکان واقعی کاربران جمع‌آوری می‌شود [ 34 ]]. از طریق روش جمع‌آوری داده‌های بزرگ با برنامه پایتون، داده‌های جمعیت پویا کل هفته 9 تا 15 آوریل 2018، با فاصله مکانی نمونه‌برداری 25 متر × 25 متر و فاصله زمانی 1 ساعت به دست آمد. اگرچه داده‌های TRH فقط می‌تواند داده‌های جمعیتی محصولات مرتبط با Tencent را در تلفن‌های هوشمند جمع‌آوری کند، با توجه به نرخ استفاده بسیار بالای عمومی از محصولات Tencent در شهرهای بزرگ چین، نرخ پوشش خوبی در منطقه تحقیقاتی داشت [ 34 ]. به دلیل دقت بالاتر آن نسبت به شبکه‌ها، برای کاربردی‌تر کردن تفسیر داده‌ها، مطالعات قبلی [ 33] برای تبدیل داده‌ها برای به دست آوردن جمعیت در نقطه نمونه‌گیری ارجاع شدند و داده‌های نقطه نمونه‌گیری مربوطه در هر شبکه در تحلیل همپوشانی به عنوان مقدار هر جمعیت شبکه ترکیب شدند.
3.2.3. مدل رگرسیون دو جمله ای منفی
همانطور که در مطالعات جنایی معمول است، متغیر وابسته ما، تعداد موارد سرقت، بیش از حد پراکنده بود. بنابراین، مدل دو جمله ای منفی مناسب تر از مدل پواسون بود [ 7 ، 35 ]. اثر حاشیه ای متغیر مستقل مدل را نسبت نرخ بروز (IRR) می نامند، به این معنی که به ازای هر واحد افزایش متغیر مستقل، نرخ بروز یک مورد یک ضریب IRR افزایش می یابد.
برای مقایسه مدل، معیار اطلاعات آکایک (AIC) برای منعکس کردن اثربخشی مدل اتخاذ شد. هر چه مقدار کوچکتر باشد، مدل بهتر عمل می کند [ 7 ]. عوامل تورم واریانس (VIF) برای آزمون چند خطی بین متغیرهای مستقل قبل از برآورد استفاده شد. در اصل محدوده قابل تحمل VIF کمتر از 10 بود.

4. تجزیه و تحلیل و نتایج

4.1. توزیع فضایی سرقت

دزدی‌ها در جنوب XT JieDao ویژگی‌های خوشه‌بندی آشکاری را نشان دادند ( شکل 3 )، و حجم پرونده در کانون A (واقع در منطقه مرکزی و غربی) و کانون B (واقع در منطقه شرقی) به‌طور قابل‌توجهی بالا بود. در مقایسه با هات اسپات A، هات اسپات B غلظت ضعیف تر و دامنه وسیع تری داشت. همچنین چند مورد در شرق دور و غرب وجود داشت.
تحقیقات نشان داد که نقطه حساس A یک روستای معمولی شهری است و به سه جاده اصلی در حاشیه محدود شده است. Hotspot B از دو روستای شهری تشکیل شده بود که از شرق به غرب در کنار هم قرار گرفته بودند که با یک مسیر زیگزاگی با تفاوت های مورفولوژیکی کمی از هم جدا شده بودند. نقطه مشترک A و کانون B این بود که فضای زمین در داخل شهر روستا مختلط و نامنظم بود، از جمله تعداد زیادی ساختمان های اجاره ای ارزان قیمت با تراکم بالا، مخلوط با ساختمان ها و مدارس تجاری و مسکونی. در حالی که منطقه اطراف نزدیک به جاده اصلی صحنه خوش ساخت دیگری بود که از ساختمان های اداری، ساختمان های تجاری و سازمان های دولتی با عملکردهای متمایز تشکیل شده بود. بدیهی است موارد سرقت در محدوده روستای درون شهری متمرکز بوده است. علاوه بر این،
از نظر توزیع زمانی، موارد عمدتاً در صبح و عصر متمرکز بودند ( شکل 4 ). بیشتر مردم وقتی صبح از خواب بیدار می شوند یا عصر از سر کار به خانه باز می گردند از سرقت مطلع می شوند. لازم به ذکر است که زمان دقیق سرقت مشخص نبود، زیرا سرقت در صورت عدم آگاهی مالک رخ داده است [ 36 ]. “زمان وقوع حادثه” در داده های جرم اغلب بهترین حدس است.

4.2. مقایسه نتایج اندازه گیری

جمعیت سرشماری، خانوارهای سرشماری، کاربران تلفن همراه، و داده‌های TRH برای نشان دادن جمعیت مسکونی برای دستگیری قربانیان احتمالی سرقت استفاده شد. دو مورد اول ثابت بودند، در حالی که دو مورد دوم داده های پویا بودند که در زمان واقعی تغییر می کردند. با توجه به تحرک ساکنان بین محل کار و زندگی آنها، داده های شبانه ممکن است برای نمایش جمعیت مسکونی قابل توجه باشد. با این حال، قبل از ساعت شلوغی صبح، ساکنان ممکن است به طور کلی در خانه های خود باشند. این در حالی است که روال روزانه ساکنان در روزهای کاری تحت تاثیر کار و اضافه کاری قرار داشت در حالی که در روزهای آخر هفته تحت تاثیر فعالیت های تفریحی مختلف قرار داشتند. به منظور اندازه گیری دقیق عملکرد داده های دینامیکی در بازه های زمانی مختلف در شب، 15 ساعت، از ساعت 18:00 تا 8:00،
همانطور که VIF نشان می دهد ( جدول 3 )، همخطی متغیرهای مستقل در همه مدل ها ضعیف بود (میانگین VIF ها همه کمتر از 1.2 بودند و حداکثر VIF ها همه کمتر از 2 بودند).
همه مدل ها برای 5 دوره با یک متغیر بازنمایی قربانی بالقوه مربوطه ایجاد شدند و مقادیر AIC آنها در شکل 5 نشان داده شده است. برای اندازه گیری برازش مدل آماری از مقدار AIC استفاده شد. هرچه مقدار AIC کوچکتر باشد، مقدار متغیر مستقل در ثبت وضعیت واقعی دقیق تر است. بر اساس شکل 5 ، داده های TRH بهترین عملکرد را داشتند، پس از آن سرشماری خانوارها و جمعیت سرشماری، و کاربران تلفن همراه عملکرد ضعیفی داشتند. هم کاربران تلفن همراه و هم داده های TRH در اواخر شب و ساعات قبل از سحر عملکرد بهتری داشتند. با این حال، عملکرد داده‌های TRH در طول شب پایدارتر بود و بسیار بهتر از داده‌های تلفن همراه برازش می‌کرد.

4.3. تجزیه و تحلیل عوامل موثر

بر اساس اصل حداقل AIC، برای کاربران تلفن همراه و داده های TRH، دوره های زمانی با بهترین عملکرد (03:00-05:00 در روزهای هفته یا آخر هفته) انتخاب شدند. از چهار نوع داده مختلف برای ساخت چهار مدل رگرسیون دوجمله ای منفی برای تجزیه و تحلیل عوامل تأثیرگذار سرقت استفاده شد و نتایج در جدول 4 نشان داده شده است.
مقدار AIC مدل IV کوچکترین و مقدار شبه R 2 مدل IV نیز بزرگترین بود. هر دو نشان می دهند که مدل IV نسبت به سه مدل دیگر از تناسب بهتری برخوردار است. خوشه‌بندی باقیمانده‌ها ( شکل 6 ) نشان می‌دهد که باقی‌مانده‌ها در روستاهای شهری و نواحی اطراف آن‌ها بیشترین میزان را داشتند. موران I نشان داد که مدل‌های I، II و III همگی همبستگی مکانی معنی‌دار اما کم داشتند (I موران به ترتیب 0.22، 0.16 و 0.09 بود)، در حالی که مدل IV هیچ همبستگی فضایی معنی‌داری نداشت (I موران 0 بود)، که بیشتر تأکید می‌کند. که داده های TRH از 03:00 تا 05:00 بهترین معیار برای اهداف بالقوه بود.
نتایج مدل‌ها نشان داد که چهار نوع داده جمعیتی مسکونی نقش مهمی در اندازه‌گیری توزیع قربانیان سرقت دارند. مقادير IRR چهار نوع جمعيت مسكوني به طور معني داري بزرگتر از ساير متغيرهاي مستقل بود كه نشان داد بر وقوع سرقت منزل تاثير مثبت دارد. نسبت نرخ بروز (IRR) نشان می‌دهد که سرقت‌ها در یک شبکه تقریباً 67٪ (IRR = 1.67) با هر واحد افزایش در TRH در تعطیلات آخر هفته از ساعت 03:00 تا 05:00 افزایش یافته است. جالب توجه است، اگرچه داده‌های TRH می‌توانند توزیع جمعیت را با دقت بیشتری منعکس کنند، اما جمعیت واقعی مطلق در بزرگی عددی نبود، و تنها جمعیت سرشماری می‌تواند معادل ارزش جمعیت واقعی باشد. طبق مدل های I و II،
از نظر تئوری، دوربین‌های نظارتی قدرت نظارت و سرپرستی را نشان می‌دهند، اما فقط در مدل‌های ما تأثیرات ضعیف یا بدون تأثیری را نشان می‌دهند. این با ادبیات مطابقت داشت و بیان می‌کرد که شواهد محدودی مبنی بر اثربخشی دوربین مدار بسته برای کاهش سرقت وجود دارد، زیرا پوشاندن/پنهان کردن چهره از دوربین آسان است.
تراکم جاده با سرقت در همه مدل ها ارتباط معنی داری نداشت. این احتمالاً به واقعیت منطقه مورد مطالعه مربوط می شود: جاده های خارج از روستاهای شهر طولانی، مستقیم و ساده بودند، در حالی که جاده های داخل روستاهای شهر عمدتاً کوچه های باریک هستند که بسیاری از آنها توسط اتومبیل قابل تردد نبودند. . پیچیدگی در ترکیب انواع مختلف جاده ها ممکن است به این نتیجه کمک کرده باشد.
ایستگاه های اتوبوس اثرات منفی ضعیفی را در مدل های I، II و III نشان دادند. یکی از توضیحات احتمالی در اینجا این است که متخلفان با اتوبوس به محلی رسیدند و سپس از ایستگاه دور شده و به یک منطقه مسکونی پر تراکم رفتند تا اهداف مناسب را پیدا کنند، بنابراین ایستگاه های اتوبوس ارتباط منفی با سرقت داشتند. گنجاندن داده‌های TRH نقش ایستگاه‌های اتوبوس را جبران می‌کند و آن را در مدل IV بی‌اهمیت می‌سازد.
از نظر انواع مسکونی، تنها ساختمان‌های منطقه مسکونی و ساختمان‌های تجاری-مسکونی اثرات مثبت قابل توجهی در مدل IV نشان دادند. در واقع، در جنوب XT JieDao، آپارتمان‌ها و ساختمان‌های خوابگاهی اغلب با ساختمان‌های تجاری-مسکونی مخلوط می‌شدند و ساختمان‌های منطقه‌ای مسکونی به صورت تکه‌ای در داخل آن‌ها تعبیه شده بودند. آپارتمان ها و خوابگاه ها می توانند منعکس کننده برخی از ساکنان کوتاه مدت باشند که ثبت نام نکرده اند. این جمعیت ها در داده های TRH نیز وجود داشتند، اما در جمعیت سرشماری وجود نداشتند. در مدل IV، IRR پیشنهاد کرد که سرقت‌ها با افزایش هر واحد در ساختمان‌های تجاری-مسکونی 12 درصد (IRR = 1.12) و با افزایش هر واحد در ساختمان‌های منطقه مسکونی 19 درصد (IRR = 1.19) افزایش یافت. این نشان می دهد که سارقان مناطق مسکونی را به مناطق تجاری ترجیح می دهند. احتمالاً به دلیل تعداد بیشتری از اهداف مناسب و با ارزش تر است. به طور غیرمنتظره، در سه مدل اول، هر نوع مسکونی با سرقت ارتباط معنی‌داری نداشت. این ممکن است به دلیل دقت پایین داده ها باشد که منجر به اطلاعات مختلط می شود. همچنین برتری داده‌های TRH را در اندازه‌گیری توزیع قربانیان بالقوه ثابت کرد.

5. بحث

همانطور که فاوارین گفت، تجزیه و تحلیل انواع خاص جرم در مناطق کوچک برای درک مکان و چگونگی وقوع جرم در مناطق شهری بهتر است [ 37 ] و ما تأیید کردیم که داده های TRH با وضوح مکانی و زمانی بالا مزیت قابل توجهی در اندازه گیری توزیع دارند. اهداف سرقت در مقیاس متوسط ​​و جمعیت سرشماری نیز نقش مهمی در اندازه‌گیری کمی داشتند. در مقایسه با تحقیقات قبلی [ 38 ]، که قربانیان بالقوه را تنها با استفاده از نوع خاصی از داده‌های نمونه‌گیری مکانی-زمانی تجزیه و تحلیل می‌کرد، تحقیق ما توزیع دقیق جمعیت (داده‌های TRH) را با قدر مطلق جمعیت (داده‌های سرشماری) ترکیب کرد، که واقعی‌تر بود. .
اگرچه داده‌های TRH یک مقدار جمعیت نسبی بود، اما به دلیل وضوح فضایی بالای آن، جمعیت واقعی مسکونی را در مقیاس میکرو تا مزو منعکس می‌کرد. داده‌های TRH در ساعات شب، معیارهای مناسبی برای اهداف سرقت بود. اهداف بالقوه بیشتر سارقان بیشتری را جذب کردند [ 39 ، 40 ]. این با نظریه انتخاب منطقی مطابقت داشت که تعداد اهداف و توزیع فضایی آنها به شدت بر انتخاب یک جنایتکار تأثیر می گذارد [ 16 ].
همانطور که می دانیم بیشتر سرقت ها زمانی اتفاق می افتد که فردی در خانه خود نباشد. ممکن است در مورد منطق استفاده از جمعیت محیط برای اهداف سرقت سردرگمی وجود داشته باشد، زیرا افراد ممکن است استدلال کنند که جمعیت محیط می تواند سارقان را از ارتکاب جرم باز دارد. مطالعه ما در واقع به پاسخ به این نگرانی کمک کرد. ما متوجه شدیم که جمعیت فعال محیط در طول روز، دزدی را به خوبی توضیح نمی‌دهند، و تنها داده‌های TRH در اواخر شب و ساعات قبل از سحر، زمانی که افراد ممکن است به خواب رفته باشند، اقدامات جایگزین مناسبی برای اهداف بالقوه سرقت هستند. سپس متغیر مشتق شده برای اهداف بالقوه برای کل 24 ساعت روز اعمال شد.
عملکرد کاربران تلفن همراه در روزهای هفته مشابه عملکرد روزهای آخر هفته بود. این با یافته های سونگ و همکاران مطابقت داشت. [ 7 ]. با این حال، دقت داده های تلفن همراه دارای محدودیت هایی بود. مناطق خدماتی یک برج سلولی از طریق چند ضلعی های Thiessen [ 35 ] تخمین زده شد که به طور قابل توجهی بزرگتر از اندازه سلول های منفرد بود. علاوه بر عدم تطابق در وضوح مکانی، داده های تلفن همراه مربوط به سال 2014 بود، چند سال قبل از سال TRH و داده های جرم. عدم تطابق در زمان ممکن است به عملکرد ضعیف کمک کرده باشد. علاوه بر این، داده‌های تلفن همراه از یکی از سه ارائه‌دهنده خدمات بزرگ بود، و ممکن است به‌طور کامل نماینده همه کاربران تلفن همراه، به‌ویژه برای یک منطقه کوچک مطالعاتی نباشد.
عملکرد TRH در طول روزهای هفته کمی متفاوت از آخر هفته بود [ 41 ]. با این حال، بهترین دوره زمانی به طور مداوم 03:00 تا 05:00 بود، چه در روزهای هفته یا آخر هفته. این مطابق با منظم بودن فعالیت های روزانه مردم بود که توسط رضوان و همکاران مشاهده شد. بر اساس مجموعه داده های شبکه اجتماعی مبتنی بر مکان (LBSN). آنها دریافتند که فعالیت های مردم از ساعت 03:00 تا 05:00 در شانگهای چین ضعیف ترین بوده است [ 42 ]. این بدان معنی است که ساکنان به احتمال زیاد در این دوره خواب بودند. بنابراین، داده‌های TRH برای ساعت 03:00 تا 05:00 یک شاخص خوب از آپارتمان‌های اشغال شده بود که منجر به اندازه‌گیری مناسبی از اهداف بالقوه برای سارقان شد.
یکی از مزیت های اصلی TRH وضوح بالای 25 × 25 متر آن است. دیگری نمایندگی برتر آن از رسانه های اجتماعی است. داده‌های TRH توسط همه برنامه‌های خانواده بزرگ Tencent، غالب‌ترین پلتفرم رسانه‌های اجتماعی، گرفته می‌شود. این دو عامل در کنار هم به توضیح اینکه چرا TRH بهتر از بقیه عمل می کند کمک می کند.
نفوس سرشماری و خانوارهای سرشماری در بسیاری از جنبه ها با هم سازگار بودند. با این حال، با توجه به اینکه IRR برای تعداد خانوارها بسیار بیشتر از تعداد جمعیت بود، به نظر می رسید که خانوار از جمعیت مهمتر باشد. این نتیجه منطقی بود، زیرا سارقان خانواده ها را هدف قرار می دهند، نه افراد را.
اثر بازدارندگی دوربین های مداربسته معنی دار نبود. در تئوری، دوربین ها ممکن است از جرایم خیابانی جلوگیری کنند [ 43 ]. با این حال، بازدارندگی آنها از سرقت به طور جهانی در ادبیات حمایت نشده است. واقعاً تعجب آور نیست که این مطالعه هیچ اثر قابل توجهی از دوربین ها را نشان نداد.
نتایج برای تراکم جاده معنی‌دار نبود، اما ایستگاه‌های اتوبوس عمدتاً تأثیر منفی داشتند. ایستگاه های اتوبوس عمدتاً در امتداد جاده های اصلی و شریانی قرار داشتند. مناطقی که بلافاصله در مجاورت این جاده ها قرار داشتند، نسبتاً ثروتمند بودند. منطقه داخلی دورتر از جاده‌های اصلی عمدتاً ساختمان‌های متوسط ​​تا کم‌مرتبه بودند که اکثر آنها آپارتمان‌های اجاره‌ای ارزان بودند. این ویژگی‌ها، مشخصه روستای شهری، خطر قربانی شدن را در روستاهای شهری بسیار افزایش داد [ 19 ، 44 ، 45 ]. در نتیجه، ایستگاه‌های اتوبوس اثرات منفی یا ناچیز نشان دادند که با یافته‌های لیو و همکاران همخوانی داشت. [ 15 ].
کاهش سریع موارد سرقت از سال 2017 تا 2019 ممکن است بر عملکرد مدل تأثیر بگذارد. این کاهش با افزایش سریع پرونده های کلاهبرداری همراه شد. راحتی و محبوبیت روزافزون پرداخت‌های تلفن همراه، مانند WeChat Pay و Alipay، ممکن است چنین تغییری را تسهیل کند.

6. نتیجه گیری

بر اساس تئوری انتخاب منطقی، در نظر گرفتن جنوب XT JieDao در شهر ZG، یک ابرشهر در جنوب چین، به عنوان منطقه تحقیقاتی، ما جمعیت سرشماری، خانوارهای سرشماری، کاربران تلفن همراه و نقشه حرارتی منطقه ای Tencent (TRH) را به عنوان معیارهای پتانسیل مقایسه کردیم. قربانیان سرقت در مقیاس متوسط ​​150 متر × 150 متر شبکه. نتایج اصلی زیر بود:
(1)
رتبه‌بندی عملکرد از بالا به پایین عبارت بود از: داده‌های TRH، سرشماری خانوارها، جمعیت سرشماری و کاربران تلفن همراه.
(2)
عملکرد داده های TRH در زمان متفاوت بود. تفاوت های جزئی در اجراها بین روزهای هفته و آخر هفته وجود داشت. بهترین دوره زمانی برای داده‌های TRH ساعت 03:00 تا 05:00 در تعطیلات آخر هفته بود.
در تحقیق ما نیز محدودیت هایی وجود داشت. نوع مسکن توسط داده‌های POI تعیین شد، که قابل اجرا بود اما ممکن است کاملاً دقیق نباشد. منطقه مورد مطالعه نسبتا کوچک بود، بنابراین متغیرهای سرشماری مبتنی بر جامعه مانند سطح تحصیلات و ترکیب جمعیت حذف شدند. علاوه بر این، نمی توان نادیده گرفت که هم داده های تلفن همراه و هم داده های TRH مقادیر نسبی توزیع جمعیت واقعی بودند. آن‌ها ممکن است مکان‌هایی را که پوشش تلفن همراه محدود بود و جمعیتی که کمتر تمایل به استفاده از تلفن‌های همراه و برنامه‌ها داشتند، نشان نداده باشند. محدودیت دیگر این بود که زمان دقیق سرقت معمولاً ناشناخته است. علاوه بر این، داده های سرشماری مربوط به سال 2010 و داده های تلفن همراه مربوط به سال 2016 است.
در مجموع، نوآوری اصلی ما این بود که داده‌های جمعیت پویا را با وضوح مکانی و زمانی بالا برای اندازه‌گیری مؤثر اهداف سرقت در مقیاس مزو معرفی کردیم. در حالی که ما معتقدیم یافته ها به طور کلی قابل اجرا هستند، استحکام آنها باید در مطالعات آینده مورد آزمایش قرار گیرد.

منابع

  1. راث، جی. لی، اس. جو، جی. تأثیر مالکیت هشدار در سطح جامعه بر نرخ سرقت. J. Appl. امن Res. 2018 ، 13 ، 160-171. [ Google Scholar ] [ CrossRef ]
  2. شیائو، ال. لیو، ال. آهنگ، جی. روتر، اس. ژو، اس. فاصله سفر تا جنایت سارقان مسکونی در چین از هم گسسته شد: اثرات مبدأ و مقصد. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 325. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  3. شیائو، ال. لیو، ال. آهنگ، جی. ژو، اس. لانگ، دی. Feng, J. تأثیرات محیط جامعه بر سرقت مسکونی بر اساس نظریه انتخاب منطقی. Geogr. Res. 2017 ، 36 ، 2479-2491. [ Google Scholar ]
  4. ژونگ، دبلیو. وانگ، دی. زی، دی. Yan, L. ویژگی های دینامیکی توزیع جمعیت شانگهای با استفاده از داده های سیگنالینگ تلفن همراه. Geogr. Res. 2017 ، 36 ، 972-984. [ Google Scholar ]
  5. مالسون، ن. اندرسن، کارشناسی ارشد بررسی تأثیر اقدامات جمعیتی محیطی بر کانون‌های جرم و جنایت لندن. جی. جنایت. عدالت 2016 ، 46 ، 52-63. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. دوان، ی. لیو، ی. لیو، ایکس. او، دی. اندازه گیری ساختار شهری چند مرکزی با استفاده از داده های بزرگ Easygo: مطالعه موردی منطقه شهری چونگ کینگ. Prog. Geogr. 2019 ، 12 ، 1957–1967. [ Google Scholar ] [ CrossRef ]
  7. آهنگ، جی. لیو، ال. برناسکو، دبلیو. شیائو، ال. ژو، اس. لیائو، و. ان صبح. دانشیار Geogr. 2018 ، 108 ، 1370–1388. [ Google Scholar ] [ CrossRef ]
  8. او، ال. پائز، آ. جیائو، جی. آن، پ. لو، سی. مائو، دبلیو. طولانی، D. جمعیت محیطی و سرقت-سرقت: تجزیه و تحلیل فضایی با استفاده از داده های تلفن همراه. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 342. [ Google Scholar ] [ CrossRef ]
  9. لیو، ی. لی، دبلیو. وانگ، ایکس. توزیع فضایی و زمانی جنایات مواد مخدر در مقیاس خرد: به عنوان مثال در نظر گرفتن جوامع مسکونی NH و DM در شهر SZ. Prog. Geogr. 2020 ، 39 ، 841-852. [ Google Scholar ] [ CrossRef ]
  10. لیو، ال. لیانگ، اس. Song, G. توضیح جرم تماس خیابانی بر اساس توزیع پویا مکانی-زمانی اهداف بالقوه. بین المللی جی. جئوگر. Inf. علمی 2020 ، 22 ، 887-897. [ Google Scholar ]
  11. وانگ، ز. لیو، ایکس. Lu, J. تجزیه و تحلیل جغرافیایی چند مقیاسی سرقت. Acta Geogr. گناه 2017 ، 72 ، 329-340. [ Google Scholar ]
  12. روه، اس. کیم، ای. یون، ام. قربانی شدن جنایی در کره جنوبی: رویکرد چند سطحی. جی. جنایت. عدالت 2010 ، 38 ، 301-310. [ Google Scholar ] [ CrossRef ]
  13. لیو، دی. آهنگ، دبلیو. Xiu, C. تحلیل فضایی در مورد سرقت، توقیف اجباری، سرقت وسیله نقلیه و سرقت در چانگچون. علمی Geogr. گناه 2014 ، 34 ، 1344-1352. [ Google Scholar ]
  14. ژانگ، ال. مسنر، اس.اف. لیو، جی. تجزیه و تحلیل چند سطحی از خطر سرقت منزل در شهر تیانجین، چین. بریتانیایی J. Criminol. 2007 ، 47 ، 918-937. [ Google Scholar ] [ CrossRef ]
  15. لیو، ال. جیانگ، سی. ژو، اس. لیو، ک. Du، F. تأثیر سیستم اتوبوس عمومی بر الگوهای سرقت فضایی در بافت شهری چین. Appl. Geogr. 2017 ، 89 ، 142-149. [ Google Scholar ] [ CrossRef ]
  16. خو، جی. چن، پی. چن، جی. تحقیق در مورد توزیع های مکانی- زمانی سرقت بر اساس جرم شناسی محیطی: بر اساس تجزیه و تحلیل جرم در پکن. هوم Geogr. 2018 ، 33 ، 43-50. [ Google Scholar ]
  17. Sohn, D. آیا همه کاربری های تجاری زمین ایمنی محله را بدتر می کند؟ بررسی رابطه بین ترکیب کاربری تجاری و سرقت منازل مسکونی. Habitat Int. 2016 ، 55 ، 148-158. [ Google Scholar ] [ CrossRef ]
  18. وندویور، سی. برناسکو، دبلیو. “موقعیت، مکان، مکان”: تأثیرات ویژگی های محله و خانه بر انتخاب هدف سارقان. جی. کوانت. Criminol. 2019 ، 36 ، 1-43. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. Chang، D. جرم اجتماعی یا جرم فضایی؟ بررسی تأثیر عوامل اجتماعی، اقتصادی و مکانی بر میزان سرقت محیط زیست رفتار 2009 ، 43 ، 26-52. [ Google Scholar ] [ CrossRef ]
  20. استوکس، ن. کلر، جی. جلوگیری از سرقت تقریباً تکراری منازل از طریق پیله‌کردن: ارزیابی تعقیبی یک مداخله آزمایشی هدفمند به رهبری پلیس. امن J. 2019 ، 32 ، 45-62. [ Google Scholar ] [ CrossRef ]
  21. جونز، PA; برانتینگهام، پی جی. Chayes، LR مدل های آماری رفتار مجرمانه: اثرات اقدامات اجرای قانون. ریاضی. Models Methods Appl. علمی 2011 ، 20 ، 1397–1423. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. وانگ، ز. لیو، ال. هابرمن، سی. لان، ام. یانگ، بی. ژو، اچ. دزدی ها و کنترل های ورود در جوامع محصور. مطالعه شهری. 2021 . [ Google Scholar ] [ CrossRef ]
  23. لانگ، دی. لیو، ال. فنگ، جی. آهنگ، جی. او، ز. Cao, J. مقایسه اثرات محیطی جامعه بر سرقت و سرقت در فضای باز: مطالعه موردی شبه جزیره ZH در شهر ZG. Acta Geogr. گناه 2017 ، 72 ، 341-355. [ Google Scholar ]
  24. آهنگ، جی. شیائو، ال. ژو، اس. لانگ، دی. ژو، اس. لیو، ک. تأثیر فعالیت‌های معمول ساکنان بر الگوی مکانی-زمانی سرقت از شخص. Acta Geogr. گناه 2017 ، 72 ، 356-367. [ Google Scholar ]
  25. مونتویا، ال. یونگر، ام. Ongena, Y. رابطه بین املاک مسکونی و اطراف آن و سرقت روزانه و شبانه منازل مسکونی. محیط زیست رفتار 2014 ، 48 ، 515-549. [ Google Scholar ] [ CrossRef ]
  26. آرمیتاژ، آر. دزدی خانگی: پاسخ سارقان به هدف قرار دادن جذابیت. در کاهش سرقت ؛ انتشارات بین المللی اسپرینگر: چم، سوئیس، 2018; صص 45-75. [ Google Scholar ]
  27. لی، ال. لین، جی. لی، ایکس. Wu, F. توسعه مجدد دهکده شهری در چین – گامی به سوی یک سیاست شهری موثر؟ مطالعه موردی روستای لید در گوانگژو. Habitat Int. 2014 ، 43 ، 299-308. [ Google Scholar ] [ CrossRef ]
  28. خو، سی. لیو، ال. ژو، اس. جیانگ، سی. ناهمگونی فضایی اثرات عوامل میکرو فضایی بر سرقت های خیابانی: مطالعه موردی شبه جزیره DP. Geogr. Res. 2017 ، 12 ، 2492-2504. [ Google Scholar ]
  29. لیو، ایکس. ویژگی‌های فناوری تحلیلی پیش‌بینی‌کننده اطلاعات جنایی در ایالات متحده: تحلیلی از گزارش رند. جی. اینتل. 2016 ، 35 ، 7-12. [ Google Scholar ]
  30. گریفیث، دی. Amrhein، CG; Desloges، JR تجزیه و تحلیل آماری برای جغرافیدانان. مربا. آمار دانشیار 1999 ، 94 ، 654. [ Google Scholar ]
  31. نیو، ایکس. دینگ، ال. آهنگ، X. درک ساختار فضایی شهری شهر مرکزی شانگهای بر اساس داده های تلفن همراه. طرح شهری. انجمن. 2014 ، 6 ، 71-77. [ Google Scholar ]
  32. وو، زی. Ye, Z. تحقیق در مورد ساختار فضایی شهری بر اساس نقشه حرارتی بایدو: مطالعه موردی در شهر مرکزی شانگهای. طرح شهر. Rev. 2016 , 40 , 33-40. [ Google Scholar ]
  33. شن، ال. ژانگ، سی. لی، اچ. وانگ، ی. وانگ، زی. رابطه بین رفت و آمد حمل و نقل ریلی شهری و تعادل شغل و مسکن: تجزیه و تحلیل تجربی از پکن بر اساس روش های کلان داده. Prog. Geogr. 2019 ، 38 ، 791-806. [ Google Scholar ]
  34. چن، دبلیو. او، X. کار اجتماعی که توسط کلان داده ها هدایت می شود: چشم اندازها و چالش ها. J. Soc. علمی 2017 ، 7 ، 74-81. [ Google Scholar ]
  35. فنگ، جی. لیو، ال. لانگ، دی. لیائو، دبلیو. بررسی تفاوت‌های فضایی بین مجرمان مهاجر و بومی در ارتکاب جنایات خشونت‌آمیز در یک شهر بزرگ چین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 119. [ Google Scholar ]
  36. راتکلیف، امضاهای JH Aoristic و تحلیل زمانی الگوهای جرم و جنایت با حجم بالا. جی. کوانت. Criminol. 2002 ، 18 ، 23-43. [ Google Scholar ] [ CrossRef ]
  37. فاورین، س. اینجا باید محل (ارتکاب جرم) باشد. آزمایش قانون تمرکز جرم در میلان ایتالیا. یورو J. Criminol. 2018 ، 15 ، 702-729. [ Google Scholar ] [ CrossRef ]
  38. هانائوکا، ک. بینش های جدید در مورد روابط بین جرایم خیابانی و جمعیت محیطی: استفاده از داده های جمعیت ساعتی برآورد شده از مکان های کاربران تلفن همراه. محیط زیست طرح. ب مقعد شهری. علوم شهر 2016 ، 45 ، 295-311. [ Google Scholar ] [ CrossRef ]
  39. امبورو، LW; Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با رفت و آمد. ان صبح. دانشیار Geogr. 2016 ، 106 ، 804-818. [ Google Scholar ] [ CrossRef ]
  40. اندرسن، MA اقدامات جنایی و تحلیل فضایی فعالیت مجرمانه. برادر J. Criminol. 2006 ، 46 ، 258-285. [ Google Scholar ] [ CrossRef ]
  41. محمد، ر. ژائو، ی. لیو، اف. تحلیل فضایی-زمانی برای مشاهده رفتار بررسی جنسیتی با استفاده از داده های بزرگ رسانه های اجتماعی: مطالعه موردی گوانگژو، چین. پایداری 2019 ، 11 ، 2822. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  42. رضوان، م. وان، دبلیو. Gwiazdzinski، L. تجسم، الگوهای فضایی و زمانی، و تحلیل جهتی فعالیت های شهری با استفاده از داده های موقعیت جغرافیایی استخراج شده از LBSN. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 137. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  43. لیو، ال. جیانگ، سی. لی، ال. اثرات دوربین مداربسته پلیس بر جرم و جنایت: مطالعه موردی از منطقه گوسو در سوژو، چین. علمی Geogr. گناه 2019 ، 39 ، 61–69. [ Google Scholar ]
  44. دیویس، تی. جانسون، SD بررسی رابطه بین ساختار جاده و خطر سرقت از طریق تجزیه و تحلیل شبکه کمی. جی. کوانت. Criminol. 2015 ، 31 ، 481-507. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. زاویسا، تی. گارزا، آر. استفاده از دستگاه ردیابی چشم برای ارزیابی آسیب‌پذیری در برابر سرقت. ج. جرم پلیس. روانی 2017 ، 32 ، 203-213. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00280 g001 550
شکل 1. نمایش عناصر نظری.
Ijgi 10 00280 g002 550
شکل 2. نقشه توزیع جوامع، روستاها و جاده ها در XT JieDao.
Ijgi 10 00280 g003 550
شکل 3. نقشه توزیع موارد سرقت (A، B، C، و D نشان دهنده نقاط داغ؛ N = 192 سلول شبکه نمونه).
Ijgi 10 00280 g004 550
شکل 4. تعداد موارد سرقت در هر دوره زمانی.
Ijgi 10 00280 g005 550
شکل 5. مقادیر AIC شاخص های مختلف جمعیت مسکونی در مدل رگرسیون دو جمله ای منفی.
Ijgi 10 00280 g006 550
شکل 6. خوشه های باقیمانده از شاخص های مختلف جمعیت مسکونی در مدل رگرسیون دو جمله ای منفی (N = 192 سلول شبکه نمونه).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید