چکیده

:

شاخص‌های ایستا ممکن است نتوانند تفاوت‌های مکانی و زمانی را در تأثیر فضایی ویژگی‌های شهری بر انواع مختلف جرم نشان دهند. در این مطالعه، با یک قیاس ایستگاه پایه، ایستگاه‌های خطر جرم را معرفی کردیم که تأثیر فضایی ویژگی‌های شهری را به عنوان سیگنال‌های خطر جرم که در سراسر یک منطقه تحت پوشش پخش می‌شوند، مفهوم‌سازی می‌کنند. ما این سیگنال‌های ریسک را با دو امتیاز ریسک جدید، قدرت ریسک و شدت ریسک، که از توابع سیگنال خطر آگاه از فاصله جدید به دست آمده‌اند، عملیاتی کردیم. با یک رویکرد فضایی-زمانی خاص جرم، از طریق یک تحلیل تأثیر مکانی-زمانی، این امتیازات خطر را برای انواع مختلف جرم در مدل‌های مختلف مکانی-زمانی بررسی و مقایسه کردیم. با استفاده از یک تحلیل همبستگی، ما روابط آنها را با نقطه ضعف متمرکز بررسی کردیم. نتایج نشان داد که ایستگاه‌های اتوبوس شدت خطر نسبتاً پایین‌تری داشتند، اما قدرت ریسک بالاتری داشتند، در حالی که رستوران‌های فست‌فود شدت خطر بالاتر، اما قدرت ریسک پایین‌تری داشتند. تجزیه و تحلیل همبستگی، شدت و قدرت خطر بالا را در اطراف پمپ بنزین‌ها در مناطق محروم در ساعات آخر شب و آخر هفته شناسایی کرد. نتایج شواهد تجربی برای تأثیر فضایی پویا که در فضا، زمان و نوع جرم تغییر می‌کند، ارائه کرد. توابع ریسک پیشنهادی و امتیازات ریسک می‌توانند با کمی کردن دقیق خطر جرم در اطراف ویژگی‌های شهری، به ایجاد نقشه‌های کانون جرم و جنایت در سراسر شهرها کمک کنند. تجزیه و تحلیل همبستگی، شدت و قدرت خطر بالا را در اطراف پمپ بنزین‌ها در مناطق محروم در ساعات آخر شب و آخر هفته شناسایی کرد. نتایج شواهد تجربی برای تأثیر فضایی پویا که در فضا، زمان و نوع جرم تغییر می‌کند، ارائه کرد. توابع ریسک پیشنهادی و امتیازات ریسک می‌توانند با کمی کردن دقیق خطر جرم در اطراف ویژگی‌های شهری، به ایجاد نقشه‌های کانون جرم و جنایت در سراسر شهرها کمک کنند. تجزیه و تحلیل همبستگی، شدت و قدرت خطر بالا را در اطراف پمپ بنزین‌ها در مناطق محروم در ساعات آخر شب و آخر هفته شناسایی کرد. نتایج شواهد تجربی برای تأثیر فضایی پویا که در فضا، زمان و نوع جرم تغییر می‌کند، ارائه کرد. توابع ریسک پیشنهادی و امتیازات ریسک می‌توانند با کمی کردن دقیق خطر جرم در اطراف ویژگی‌های شهری، به ایجاد نقشه‌های کانون جرم و جنایت در سراسر شهرها کمک کنند.

 

1. مقدمه

ویژگی‌های شهری به درجات مختلفی با الگوهای جرم و جنایت در مجاورت آنها مرتبط است. با بررسی آنچه که این درجه را متمایز می کند، محققان در درجه اول به تأثیر فضایی که ویژگی های شهری بر توزیع جرم فضایی در مناطق مجاور دارند [ 1 ] پرداخته اند. این توزیع جرم نشان دهنده تراکم جرم تجمعی در هر نقطه در مجاورت یک ویژگی شهری است. تحقیقات قبلی نشان داد که این مقادیر تراکم بر اساس فاصله از مکان دقیق یک ویژگی شهری تغییر می‌کند [ 2 ، 3 ]. اثر فروپاشی فاصله، یک پدیده به خوبی تثبیت شده در تحقیقات جرم فضایی، مشخصه نفوذ فضایی با تراکم جرم به طور معکوس با فاصله از نقطه مبدا [ 1]، به دلیل کاهش تعامل فضایی با ویژگی های شهری [ 4 ]. تأثیر فضایی در مکان دقیق و نواحی نزدیک (یعنی اثر محلی) حداکثر است و در سراسر مناطق همسایه تحلیل می‌رود تا زمانی که در فاصله‌ای کاملاً از بین می‌رود (یعنی اثر انتشار فضایی) [ 5]. این الگوی تراکم جرم پویا، به عنوان تابعی از فاصله از مکان، تأثیر فضایی یک ویژگی شهری را تعریف می‌کند، و فاصله امتدادی تا نقطه اتلاف پیشنهادی، میزان فضایی را که تأثیر فضایی عمل می‌کند، مشخص می‌کند. بنابراین، به جای یک شاخص ایستا، یک تأثیر فضایی باید با یک تابع آگاه از فاصله اندازه گیری شود که می تواند تراکم جرم را در هر نقطه معینی در محدوده مکانی تخمین بزند. این توابع امکان توسعه شاخص‌های ریسک متعدد را فراهم می‌کنند که می‌توانند به کمیت کردن اثرات انتشار محلی و فضایی در یک منطقه معین کمک کنند.
نفوذ فضایی در خلاء وجود ندارد. بلکه با میزان تعامل یک ویژگی شهری با عوامل محیطی در ایجاد فرصت جرم مشخص می شود. از منظر فعالیت معمول، این فرصت با موقعیتی مشخص می شود که در آن یک هدف مناسب با یک مجرم با انگیزه در غیاب یک نگهبان توانا مواجه می شود [ 6 ]. نظریه الگوی جرم [ 7 ، 8 ، 9] این موقعیت ها را در نزدیکی ویژگی های شهری که به عنوان مولد جرم و مجذوب جرم توصیف می شوند، فضایی می کند. در حالی که گروه اول با جلب جمعیت زیادی که احتمالاً حاوی تعداد بیشتری از اهداف مناسب است، به مجرمان رسیدگی می کند، گروه دوم دارای ویژگی های برجسته ای است که رفتارهای مجرمانه را ترویج می کند. گروف در تلاشی دیگر برای توضیح ارتباط بین نفوذ فضایی و فرصت جرم و جنایت [ 4] سطح فعالیت انسانی را به عنوان یک عامل کلیدی ذکر کرد. او استدلال کرد که قرار گرفتن در معرض حجم بیشتری از فعالیت‌های انسانی برای دوره‌های طولانی نه تنها تأثیر فضایی یک ویژگی شهری را افزایش می‌دهد، بلکه وسعت فضایی آن را تا نقاط بیشتری گسترش می‌دهد. بر اساس این استدلال، می‌توانیم ادعا کنیم که این فعالیت‌های انسانی نزدیک به جای نوع ویژگی شهری است که تأثیر فضایی را هدایت می‌کند. شواهد پشتیبان توسط اک و همکاران ارائه شده است. [ 10 ] که مواجهه بسیار نامتقارن با جرم و جنایت را در میان ویژگی‌های شهری پراکنده در یک شهر، حتی در همان کلاس ویژگی، یافتند. این قرار گرفتن در معرض نامتقارن را می توان به طور مشترک با موزاییک های شهری [ 11 ] و دیدگاه جغرافیای زمانی [ 12 ، 13 ] توضیح داد.]. در طول یک روز یا یک هفته، فعالیت‌های انسانی بین موزاییک‌های شهری که به مناطق فرعی یک شهر اشاره می‌کنند، می‌گذرد که هر کدام دارای طرح‌بندی شهری، الگوهای فعالیت و ویژگی‌های اجتماعی جمعیت‌شناختی منحصربه‌فردی هستند. این تغییر مداوم در فعالیت های انسانی بین این موزاییک ها چشم انداز فرصت را در سراسر شهر شکل می دهد. جغرافیای زمانی که محدودیت‌های حرکت انسان در فضا و زمان را بیان می‌کند، توضیح بیشتری برای جهت الگوهای حرکتی نشان‌داده‌شده ارائه می‌دهد. یک مثال معمولی در اینجا می تواند روال روزانه یک کارمند اداری باشد. در یک روز عادی هفته، این کارمند یک مسیر کلی را دنبال می کند: خانه، رفت و آمد به محل کار، محل کار، و سپس بازگشت به خانه. به همین ترتیب، مسیرهایی که مردم در گروه های بزرگ در مناطق تفریحی در تعطیلات آخر هفته دنبال می کنند نمونه دیگری است. این مسیرهای عمومی فعالیت های انسانی را بین مناطق مسکونی، تجاری و تفریحی در یک شهر به جلو و عقب می برند. در نتیجه، فرصت های جرم و جنایت و از این رو تأثیر فضایی ویژگی های شهری در این مناطق، در طول یک روز و یک هفته به طور چشمگیری تغییر می کند. علاوه بر فعالیت انسانی، ویژگی‌های جمعیت شناختی اجتماعی نیز نقش مهمی در شکل‌دهی فرصت جرم و جنایت پیرامون ویژگی‌های شهری دارند. این رابطه بر یک دیدگاه اکولوژیکی استوار است که جرم و جنایت را نتیجه بی‌سازمانی اجتماعی یک منطقه می‌داند. بر این اساس، فقدان اعتماد و همبستگی میان ساکنان، کنترل اجتماعی غیررسمی بر جرم و جنایت را فلج می کند. به طور چشمگیری در طول یک روز و یک هفته تغییر می کند. علاوه بر فعالیت انسانی، ویژگی‌های جمعیت شناختی اجتماعی نیز نقش مهمی در شکل‌دهی فرصت جرم و جنایت پیرامون ویژگی‌های شهری دارند. این رابطه بر یک دیدگاه اکولوژیکی استوار است که جرم و جنایت را نتیجه بی‌سازمانی اجتماعی یک منطقه می‌داند. بر این اساس، فقدان اعتماد و همبستگی میان ساکنان، کنترل اجتماعی غیررسمی بر جرم و جنایت را فلج می کند. به طور چشمگیری در طول یک روز و یک هفته تغییر می کند. علاوه بر فعالیت انسانی، ویژگی‌های جمعیت شناختی اجتماعی نیز نقش مهمی در شکل‌دهی فرصت جرم و جنایت پیرامون ویژگی‌های شهری دارند. این رابطه بر یک دیدگاه اکولوژیکی استوار است که جرم و جنایت را نتیجه بی‌سازمانی اجتماعی یک منطقه می‌داند. بر این اساس، فقدان اعتماد و همبستگی میان ساکنان، کنترل اجتماعی غیررسمی بر جرم و جنایت را فلج می کند.14 ]، سطح کلی فرصت را در یک منطقه بالا می برد. این فرصت فزاینده همه ویژگی های شهری را احاطه کرده و در نتیجه نفوذ فضایی آنها را افزایش می دهد. تحقیقات قبلی شواهد تجربی کافی در مورد این ارتباط بین ویژگی‌های جمعیت‌شناختی و تأثیر فضایی ارائه کرد [ 15 ، 16 ]. بنابراین، بررسی این پیوند به درک بیشتر تعامل بین تأثیر فضایی و محیط اجتماعی کمک می کند.
در نهایت، فرصت جرم به شدت به نوع جرم بستگی دارد. بسته به عوامل موقعیتی که یک محیط جرم را تعریف می کند، ویژگی های شهری تأثیرات فضایی متفاوتی بر انواع مختلف جرم دارند [ 17 ].]. این استدلال را می توان با یک مثال معمولی نشان داد. در حالی که جمعیت زیادی که در اطراف یک رستوران فست فود جمع شده اند ممکن است فرصتی عالی برای سارقان وابسته به بی توجهی افراد نسبت به وسایل شخصی آنها باشد، همان جمعیت ممکن است به عنوان سپر طبیعی در برابر سرقتی عمل کند که اغلب شامل درگیری فیزیکی بین طرفین است. . به این ترتیب، اصطکاک محسوس، مداخله خارجی را از نگهبانان توانمند در قالب نیروهای امنیتی و همشهریان دعوت می کند. بنابراین، این تفاوت‌های شدید در فرصت‌ها، الگوهای جنایی متفاوتی را پیرامون ویژگی‌های شهری ایجاد می‌کند. در مجموع، عملیاتی‌سازی نفوذ فضایی نیازمند یک رویکرد مکانی-زمانی خاص جرم است. بر این اساس، این رویکرد باید تأثیر مکانی و زمانی را شناسایی کند، که در اینجا برای توصیف تأثیر فضایی در حال تغییر در فضا و زمان استفاده می شود. علاوه بر این، به دلیل تغییرات قابل توجه در سطوح فرصت جرم مرتبط برای هر نوع جرم، این تأثیر باید بر جنایت خاص باشد.
در این تحقیق مفهوم ایستگاه های خطر جرم را معرفی کردیم. این مفهوم رویکرد فضایی-زمانی خاص ما را برای عملیاتی کردن تأثیر فضایی یک ویژگی شهری در یک گستره فضایی نشان می‌دهد. دقیقاً مانند ایستگاه پایه سیگنال‌هایی را با سطوح قدرت متفاوت در سراسر یک منطقه تحت پوشش پخش می‌کند، یک ویژگی شهری مانند یک ایستگاه خطر جرم عمل می‌کند و تأثیر فضایی سیگنال‌مانندی را پخش می‌کند که در وسعت فضایی تغییر می‌کند. قدرت سیگنال در مبدا حداکثر است (یعنی اثر محلی) و در حین انتشار در مناطق مجاور کاهش می یابد. در اینجا، عملکرد پخش یک ایستگاه خطر جرم را نه تنها می‌توان با قدرت تأثیر فضایی آن بر یک گستره فضایی ارزیابی کرد، بلکه همچنین می‌توان میزان تأثیر فضایی را که از همان میزان منتقل می‌کند (یعنی اثر انتشار فضایی) ارزیابی کرد. در حالی که نرخ‌های انتقال بالاتر نشان‌دهنده قدرت نفوذ فضایی بالاتر است، نرخ‌های پایین‌تر نشان‌دهنده نرخ‌های ضعیف‌تر است. ما فرض کردیم که قدرت تأثیر فضایی سیگنال مانند به طور پویا بر اساس مکان، زمان و نوع جرم تغییر می کند. برای آزمایش این فرضیه، ابتدا توابع خطر جنایت آگاه از فاصله را توسعه دادیم تا تأثیر فضایی پویا ویژگی‌های شهری بر جرم در مناطق مجاور را به تصویر بکشیم. سپس، ما تأثیر فضایی را با دو امتیاز خطر جدید، یعنی امتیاز شدت سیگنال خطر (RSIS) و امتیاز سیگنال خطر (RSSS) عملیاتی کردیم. نمره اول تراکم جرم تجمعی را در یک گستره فضایی معین نشان می دهد، در حالی که نمره دوم نشان می دهد که چقدر از تأثیر محلی در همان وسعت فضایی منتقل می شود. سپس، تجزیه و تحلیل تأثیر مکانی-زمانی به طور آماری تفاوت در این نمرات را در مدل‌های مختلف با پیکربندی‌های مکانی-زمانی و انواع جرم مختلف آزمایش کرد. در نهایت، ما رابطه بین این نمرات و محیط اجتماعی را از طریق تحلیل همبستگی بررسی کردیم.
این مطالعه با هدف ارائه پاسخ های منطقی به سوالات زیر انجام شد:
  • تأثیرات فضایی ویژگی‌های شهری در یک گستره فضایی چگونه تغییر می‌کند؟
  • نفوذ فضایی در یک گستره فضایی چگونه عمل می کند؟
  • بر اساس یک رویکرد مکانی-زمانی خاص جرم:
    • چگونه تأثیر فضایی یک ویژگی شهری در میان مناطق فرعی یک شهر بر اساس زمان روز و روز هفته متفاوت است؟
    • چگونه تأثیر فضایی یک ویژگی شهری در انواع جرم متفاوت است؟
  • تأثیر فضایی و زمانی خاص جرم چگونه با ویژگی های محیط اجتماعی تعامل دارد؟

1.1. نفوذ فضایی

تأثیر فضایی یک ویژگی شهری را می توان با اندازه میدان فرصت جرم و جنایت در اطراف تعیین کرد: اندازه بزرگتر نشان دهنده تأثیر فضایی بزرگتر است. تئوری فعالیت های معمول [ 2 ] این ایده را فرموله کرد که این فرصت نتیجه یک همگرایی مکانی-زمانی بین یک هدف مناسب و مجرم با انگیزه بدون حضور نگهبان توانمند است. اگرچه این نظریه به چگونگی و چرایی جنبه‌های فرصت جرم اشاره می‌کند، اما توضیح نمی‌دهد که این فرصت جرم کجا و چه زمانی پدیدار می‌شود. توضیح معقولی از نظریه الگوی جرم برانتینگهام و برانتینگهام [ 7 ] بدست آمد که فرصت را در بافت شهری قرار داد. با تمرکز بر زمینه های فرصت در اطراف مکان ها، این نظریه [ 8 ،9 ] ویژگی‌های شهری را به‌عنوان گره‌های فعالیت (یعنی مکان‌هایی که مرتباً از آنها بازدید می‌شود) مشاهده کرد و به دو نوع گره جرم‌زا اشاره کرد: مولدهای جرم و مجذوب‌کننده جرم. نوع اول حجم زیادی از مردم را بدون انگیزه های مرتبط با جرم جذب می کند. جمعیت زیاد موقعیت هایی را ایجاد می کنند که ممکن است مجرمان گاه به گاه را وسوسه کند که فعالانه به دنبال موقعیت های متخلف مطلوب نیستند، اما هوشیاری شهودی نسبت به فرصت های جرم دارند [ 18 ]. به عنوان مثال، فرصتی برای این متخلفان زمانی پیش می آید که فردی که در ایستگاه اتوبوسی شلوغ منتظر بود، کیف خود را بدون مراقبت در نزدیکی پایش رها کرد و در حالی که چیزی در روزنامه می خواند [ 19 ]]. نوع دوم، مجذوبان جنایت، دارای ویژگی های منحصر به فردی است که رفتار مجرمانه را ترویج می کند. این گره ها توسط مجرمانی که به طور فعال به دنبال فرصت های جرم و جنایت به عنوان بخشی از فعالیت های غیرقانونی معمول خود هستند، رفت و آمد می کنند. به عنوان مثال، مجرمان به امید یافتن اهداف مناسب، اغلب به شکل یک فرد مست که قادر به دفاع درست از خود نیست، به میخانه ها نزدیک به ساعات تعطیلی خود جذب می شوند [ 20 ، 21 ]. در هر دو نوع، شدت این میدان‌های فرصت نشان‌دهنده تأثیر فضایی یک ویژگی شهری در مناطق مجاور است. در اینجا، پاسخ به سؤال “چقدر نزدیک است؟” [ 1 ] با وسعت فضایی بیان می شود و خط دیگری از تحقیق را ارائه می دهد که در بخش بعدی مورد بحث قرار خواهد گرفت.

1.2. ویژگی های گستره فضایی

گستره فضایی حوزه نفوذ فضایی را مشخص می کند که در آن فرصت جرم و جنایت را می توان تابعی از فاصله از یک ویژگی شهری توصیف کرد. بزرگی آن عمدتاً با حجم فعالیت انسانی تعیین می‌شود: قرار گرفتن در معرض یک ویژگی شهری در معرض جمعیت‌های بزرگ‌تر برای دوره‌های طولانی نشان‌دهنده قرار گرفتن در معرض بیشتر با مجرمان بالقوه است، که نه تنها گستره فضایی آن را به مناطق بیشتر گسترش می‌دهد، بلکه تأثیر فضایی آن را نیز افزایش می‌دهد [ 4 ] ]. بارها نشان داده شده است که تأثیر فضایی با فاصله کاهش می یابد و به موازات کاهش تعاملات فضایی بین ویژگی های شهری و جرم و جنایت در نقطه ای [ 1 ، 3 ] کاملاً از بین می رود [ 22 ].
محققان گذشته آستانه های فاصله مختلفی را برای گستره فضایی پیشنهاد کرده اند، مانند بلوک های سرشماری [ 21 ]، بلوک های چهره [ 23 ]، یک چهارم مایل [ 24 ]، یک مایل [ 25 ]، یا یک فاصله دلخواه [ 26 ]. با توجه به اینکه چنین پهنای باند دیسک مانندی ممکن است به درستی نوسانات تأثیر فضایی را در سراسر یک گستره فضایی در طرح‌بندی‌های فیزیکی مختلف ثبت نکند، محققان برای بهبود دقت تحلیل، پهنای باند متعددی را در سطوح وضوح بهتر پیشنهاد کردند. این روش با قرار دادن بافرهای فضایی حلقه مانند با اندازه های مختلف از 1.7 متر تا 457.2 متر شروع می شود [ 1 ، 4 ، 27 ، 28] پیرامون ویژگی های شهری. در مرحله بعد، آنها قرار گرفتن در معرض جرم تجمعی را در هر بافر محاسبه کردند. در مرحله آخر، بافری که میزان مواجهه با جرم و جنایت بالا را مشخص می کند، به عنوان گستره فضایی ویژگی شهری انتخاب شد. به عنوان یک مثال قابل توجه، با استفاده از میانگین طول بلوک خیابان (یعنی 122 متر) و یک چهارم مایل به عنوان بافرهای فضایی برای بررسی وسعت فضایی مکان های آشامیدنی در جرم، گروف [ 4 ] آستانه را در 366 متر برای پهنای باند اول شناسایی کرد. و 402 متر برای دوم. او همچنین بر اهمیت پهنای باند کوتاه‌تر برای توصیف بهتر وسعت فضایی تأکید کرد، زیرا آنها تصویر کامل‌تری از خطر جرم درونی ارائه می‌دهند. در یک مطالعه اخیر، خو و گریفیث [ 28] از پهنای باند کوچکتر، 1.7 متر استفاده کرد و کاهش سطح قرار گرفتن در معرض جرم را در فواصل مختلف فاصله در وسعت فضایی 304.8 متر مشاهده کرد.
در ادبیات موجود، وسعت فضایی عمدتاً با فاصله اقلیدسی [ 29 ، 30 ] یا فاصله شبکه خیابانی [ 3 ، 28 ] اندازه‌گیری می‌شود. با توجه به اینکه حرکت انسان بین ویژگی‌های شهری در درجه اول به شبکه‌های خیابانی در محیط‌های شهری محدود می‌شود، احتمال کمتری دارد که اولی به طور کامل فاصله‌های واقعی بین ویژگی‌های شهری و حوادث جرم را نشان دهد. علاوه بر این، این ممکن است باعث تداعی های فضایی مثبت کاذب [ 31 ، 32 ] یا خوشه های جرم و جنایت شود [ 33 ]. ماکی و اوکابه پس از آزمایش قابلیت تعویض اقلیدسی و فاصله شبکه در یک بافت شهری [ 34 ]] تفاوت های قابل توجهی در محاسبات فاصله زیر 400 متر پیدا کرد. به طور مشابه، گروف [ 4 ] قدرت ارتباط بین میله‌ها و جرم و جنایت را در آستانه‌های فاصله مختلف آزمایش کرد و دریافت که ارتباط بر اساس فاصله خیابان تا سه برابر بیشتر از ارتباط با فاصله اقلیدسی است. چنین تفاوت های مرتبط با فاصله اعتبار یک شاخص تأثیر فضایی را تهدید می کند. مطالعات با استفاده از فاصله شبکه بدون محدودیت نیستند. آنها گاهی اوقات جنایاتی را با بخش های خیابان مرتبط نشان می دهند [ 3]، که ممکن است دقت فاصله بین جرم و ویژگی های شهری را کاهش دهد. به عنوان مثال، انحراف در فاصله واقعی بین یک رویداد جنایی در لبه و یک ویژگی شهری در مرکز، نیمی از طول بخش خیابان است، زمانی که جرم با مرکز یک بخش خیابان نشان داده شود. برای اجتناب از چنین محاسباتی اشتباه، خو و گریفیث [ 28 ] یک فضای شبکه پیوسته را پیشنهاد کردند و از مکان های دقیق هر ویژگی شهری و جرم به عنوان واحدهای تحلیل استفاده کردند. این رویکرد بدون شک به بهبود دقت و از این رو دقت تجزیه و تحلیل نفوذ فضایی کمک کرد.

1.3. تأثیر فضایی در پوشش محیطی

نفوذ فضایی در یک پوشش محیطی تعبیه شده است [ 8 ، 9 ] که می تواند به عنوان محصول متقابل محیط اجتماعی، محیط ساخته شده، افراد، رفتار، فعالیت ها و زمان بندی در نظر گرفته شود [ 35 ]]. در زمینه جرایم شهری، این پشتوانه بر نقش محیط ساخته شده (یعنی ویژگی های شهری و شبکه های خیابانی) و فعالیت های انسانی در شکل دادن به فرصت های جرم در اطراف مکان ها تاکید می کند. محیط ساخته شده به عنوان رسانه اصلی حرکت انسان، فعالیت انسان را به مجموعه‌های مختلف مکان‌ها در طول روز یا هفته هدایت می‌کند، بنابراین چشم‌انداز فرصت جرم و جنایت را در یک شهر تغییر می‌دهد. این نوسان زمانی در سطوح فعالیت در سراسر مکان ها اغلب با دیدگاه جغرافیای زمانی توضیح داده می شود: ریتم فضایی-زمانی زندگی شهری [ 12 ] محدودیت های مختلفی را بر افراد تحمیل می کند [ 13 ، 36 ]] و حرکات آنها را در مکان و زمان محدود می کند. برای مثال، افراد باید از مکان‌ها (مانند بانک‌ها و خواربار فروشی‌ها و غیره) در ساعات کاری مشخص یا روزهای هفته برای انجام وظایف مربوطه بازدید کنند. این و بسیاری محدودیت‌های مشابه دیگر حکم می‌کند که افراد، خواه مجرم یا هدف باشند، باید مسیرهای عمومی را بین گره‌های فعالیت (مانند کار، مغازه، خانه، و حمل‌ونقل عمومی و غیره) دنبال کنند. تعداد فزاینده افرادی که مسیرهای مشابهی را در طول کارهای روزمره خود به اشتراک می گذارند، یک الگوی فرصت جرم چرخه ای در اطراف ویژگی های شهری در طول روز [ 37 ] یا در طول هفته ایجاد می کند [ 38 ، 39 ]]. مجموعه ای از تحقیقات تاکنون وجود این موقتی بودن فرصت جرم را در اطراف ویژگی های شهری مانند مدارس، ایستگاه های اتوبوس و رستوران های فست فود تایید کرده اند [ 37 ، 40 ، 41 ، 42 ].
باید توجه داشت که تأثیر فضایی ویژگی‌های شهری ممکن است در سراسر شهر حتی برای همان نوع جرم ثابت نباشد [ 43 ]. بخش کوچکی از همان نوع ویژگی‌های شهری اغلب بیشتر جنایت را تجربه می‌کنند و توزیع جنایات j شکل را در سطح شهر ایجاد می‌کنند [ 10 ]. کینی و همکاران [ 18 ] این ناهمگونی را با مفهوم موزاییک شهری توضیح داد [ 11 ]، که در آن شهرها به عنوان مجموعه‌ای از موزاییک‌ها در نظر گرفته می‌شوند که هر کدام دارای طرح‌بندی شهری، فعالیت‌ها و سطوح اجتماعی جمعیت‌شناختی متفاوتی هستند. مجموعه‌ای از تحقیقات تا کنون نقش موزاییک‌های شهری را در تأثیر مکانی و زمانی ویژگی‌های شهری نشان داده‌اند. در یک مطالعه اخیر، هیپ و کیم [ 44] دریافت که خطر سرقت در جنوب کالیفرنیا زمانی که کارمندان یک منطقه تجاری در روز در اطراف بودند به طور قابل توجهی کاهش یافت، در حالی که این اثر در شب وجود نداشت. علاوه بر این، آنها نشان دادند که خطر سرقت در بخش های بالای رستوران در اوایل عصر آخر هفته افزایش یافته است. استاکی و اوتنزمن [ 15 ] در مطالعه دیگری که بر تفاوت‌های اجتماعی جمعیت‌شناختی منطقه‌ای متمرکز بود، یک رابطه منفی بین آسیب‌های اجتماعی و تأثیر فضایی فروشگاه‌های خرده‌فروشی بر سرقت گزارش کردند. در مجموع، ادبیات ضرورت یک رویکرد مکانی-زمانی خاص جرم را در هر تحلیل تأثیر فضایی با اشاره به پوشش محیطی نشان داد.
با توجه به تفاوت در عوامل موقعیتی، الگوهای فرصت های ادواری جرم در انواع جرم متفاوت است. با توجه به اصول پیشگیری از جرم موقعیتی، انواع مختلف جرایم به تدابیر امنیتی متفاوتی نیاز دارند زیرا دارای سطوح متفاوتی از فرصت های جرم مرتبط هستند [ 17 ]. به عنوان مثال، خودرویی با پنجره باز فرصت های جرم متفاوتی را از نظر سرقت وسیله نقلیه موتوری و سرقت ایجاد می کند. به طور مشابه، سطح فرصت جرم و جنایت که یک خانه خالی نشان می دهد برای دزدی کاملاً متفاوت از یک حمله است. این فرصت تفاضلی پیامدهایی برای نفوذ فضایی دارد. در یک مطالعه قابل توجه که به بررسی تأثیر فضایی انواع مختلف جرم در فیلادلفیا، PA، گروف و لاک‌وود می‌پردازد [ 3] نشان داد که میله‌ها تقریباً 1.5 برابر بیشتر از تأثیر فضایی بر جنایات بی‌نظمی نسبت به جرایم خشونت‌آمیز و دارایی در پهنای باند 120 متری دارند. به طور مشابه، یک مطالعه جدیدتر [ 45 ] نشان داد که تراکم حمله دو برابر بیشتر از تراکم سرقت در پهنای باند 100 متری یک مدرسه است. این نسبت، برای یک جفت تراکم جرم، 1.5 برابر در همان پهنای باند از یک مرکز تفریحی بیشتر است. در مجموع، تأثیر فضایی برای انواع مختلف جرایم متفاوت عمل می‌کند، که بر نیاز به توسعه شاخص‌های تأثیر فضایی خاص جرم در یک گستره فضایی تأکید می‌کند.

1.4. این مطالعه

در مطالعه حاضر، ما ویژگی‌های شهری را به‌عنوان ایستگاه‌های پایه که سیگنال‌های خطر را پخش می‌کنند (به عنوان مثال، نفوذ فضایی) با کاهش سطوح قدرت (به عنوان مثال، اثر فروپاشی فاصله) در سراسر یک منطقه تحت پوشش (به عنوان مثال، وسعت فضایی) مفهوم‌سازی کردیم. برای ارزیابی عملکرد سیگنال آنها تحت پیکربندی های مختلف، ما یک رویکرد فضایی-زمانی خاص جرم را معرفی کردیم. برای آزمایش این رویکرد، از روشی استفاده کردیم که تحلیل شبکه K را با رگرسیون تقسیم‌بندی شده ترکیب می‌کند. با استفاده از تحلیل شبکه K، ابتدا گروه‌های جرم و جنایت را در اطراف ویژگی‌های شهری در سراسر شبکه‌های خیابانی بررسی کردیم. سپس، برای خوشه‌های مهم، از رگرسیون تقسیم‌بندی شده برای مدل‌سازی تأثیر فضایی به عنوان تابعی از فاصله شبکه خیابانی استفاده کردیم. روش مشابهی قبلا توسط خو و گریفیث [ 28 ] اعمال شده بود] در بررسی تأثیر فضایی ویژگی‌های شهری بر خشونت اسلحه در نیوآرک، نیوجرسی. ما این مطالعه را برای تجزیه و تحلیل تأثیرات مکانی-زمانی طیف وسیعی از ویژگی‌های شهری منتخب بر سرقت و سرقت در شیکاگو، IL گسترش دادیم.
تعیین آستانه وسعت فضایی مناسب با توجه به تفاوت های چیدمان فیزیکی در داخل و بین شهرها یک کار چالش برانگیز است. این تفاوت‌ها اغلب مانع تحلیل تأثیر فضایی مقایسه‌ای در زمینه‌های مختلف می‌شوند. در یک مطالعه قابل توجه، مک کورد و راتکلیف [ 46] تجزیه و تحلیل مقدار شدت (IVA) را برای محاسبه تأثیر فضایی از طریق اندازه گیری شمارش وزن معکوس فاصله (IDW) در یک پهنای باند شعاعی معین پیشنهاد کرد. این رویکرد امکان آزمایش تأثیر فضایی تفاضلی در درون و بین ویژگی‌های شهری در دوره‌ها، مناطق و انواع جرم را فراهم کرد. با انگیزه این ایده، توابع سیگنال خطر آگاه از فاصله را با استفاده از تکنیک رگرسیون تقسیم‌بندی شده معرفی کردیم. پیش از این، این تکنیک توسط محققان برای شناسایی نقاط تغییر که در آن تأثیر فضایی به طور قابل توجهی تغییر کرده است، استفاده می شد [ 1 ، 28 ]]. در کارمان، از آن برای مدل‌سازی تأثیر فضایی در یک گستره فضایی معین استفاده کردیم. با استفاده از این توابع، ما سپس دو شاخص تأثیر فضایی ایجاد کردیم: امتیاز شدت سیگنال خطر (RSIS) و امتیاز سیگنال خطر (RSSS). اولی نشان‌دهنده تراکم جرم تجمعی در یک گستره فضایی معین است، در حالی که دومی نشان‌دهنده اثر انتشار فضایی با اندازه‌گیری درصد تغییر بین یک اثر محلی برآورد شده و RSIS است. به عنوان یک مثال گویا، برای تراکم جرم دو در نقطه مبدا (یعنی اثر محلی) و تراکم جرم تجمعی 1.5 (یعنی RSIS) در وسعت فضایی، مقدار RSSS به صورت -33.3 محاسبه می‌شود که نشان دهنده یک است. سومین کاهش نفوذ فضایی. پس از مقایسه این نمرات در مدل‌های مختلف فضایی و زمانی،
در مجموع، این مطالعه از بسیاری جهات به ادبیات فعلی کمک می کند. اول، از تحلیل شبکه K به عنوان فیلتری استفاده می کند که خوشه های جرم ناچیز در اطراف ویژگی های شهری را حذف می کند. دوم، به جای یک مقدار واحد، به طور متناوب یک تابع سیگنال خطر را برای مدل‌سازی تأثیر فضایی یک ویژگی شهری در محدوده فضایی معین پیشنهاد می‌کند. سوم، دو امتیاز تأثیر فضایی جدید (یعنی RSIS و RSSS) معرفی می‌کند و آنها را در مدل‌های مکانی-زمانی و انواع جرم مقایسه می‌کند. در نهایت، رابطه بین تأثیر مکانی و زمانی و آسیب متمرکز را از طریق تحلیل همبستگی کمیت می‌کند.

2. مواد و روشها

2.1. تنظیم مطالعه

شیکاگو با جمعیتی نزدیک به 3 میلیون نفر سومین شهر بزرگ ایالات متحده است. این شهر در حال حاضر از 200 محله و 77 منطقه اجتماعی تشکیل شده است [ 47 ]. در ابتدا برنامه ریزی شده بود که سه ضلع اصلی داشته باشد (یعنی شمال، غرب و جنوب) به دلیل مرز طبیعی تعیین شده توسط رودخانه شیکاگو [ 48 ]]، با بزرگتر شدن، شهر به 9 ضلع تکامل یافت: سمت مرکزی (CS)، سمت شمال دور (FNS)، سمت جنوب شرقی دور (FSES)، سمت جنوب غربی دور (FSWS)، سمت شمالی (NS)، سمت شمال غربی (NWS)، ضلع جنوبی (SS)، ضلع جنوب غربی (SWS) و ضلع غربی (WS). هر یک از طرفین دارای برخی ویژگی های متمایز منطقه ای هستند. به عنوان مثال، CS مرکز جذب شهر است که میزبان دفاتر اصلی شرکت‌ها، مراکز خرید و تئاتر است، در حالی که FNS خانه پر جنب و جوش‌ترین محله‌های مهاجران است. از سوی دیگر، محله هایی با بیشترین بی نظمی در WS و SS قرار دارند. در مقابل، NS مناطق ثروتمندی را پوشش می دهد که دارای ثروتمندترین محله های شهر هستند [ 49 ، 50 ]]. چنین تفاوت هایی در سطح جرم نیز تأثیر دارد. به عنوان مثال، Block [ 51 ] گزارش داد که 55٪ از قتل های مربوط به باند و 35٪ از جرایم غیرکشنده مربوط به باند در WS رخ داده است. اخیراً، Schnell و همکاران. [ 52 ] دریافتند که کانون های اصلی جرم خشونت آمیز در WS و SS شهر واقع شده اند. این تفاوت ها وجود الگوهای خطر جرم محلی را در اطراف ویژگی های شهری در سراسر این طرف ها نشان می دهد. بنابراین، طرف‌های شیکاگو را به‌عنوان واحدهای فضایی تحلیل تأثیر مکانی-زمانی خود انتخاب کردیم. شکل 1 طرفین و مناطق اجتماعی مرتبط شیکاگو را نشان می دهد.

2.2. ایجاد شبکه های خیابانی برای طرفین شیکاگو

یک شبکه خیابانی را می توان به صورت یک نمودار بدون جهت فرموله کرد: G (V, E, W). در اینجا، V (یعنی رئوس) مربوط به یک تقاطع خیابان است، E (یعنی لبه ها) نشان دهنده یک قطعه خیابان بین دو تقاطع و W (یعنی وزن) طول قطعه است. بر اساس این فرمول، ابتدا یک نمودار اصلی از یک شکل فایل خط مرکزی خیابان ایجاد کردیم. همه شکل فایل‌ها از پورتال داده باز شهر شیکاگو ( https://data.cityofchicago.org/ ) بازیابی شدند.، مشاهده شده در 4 ژوئیه 2021). هر ویژگی در این نمودار مربوط به یک بخش خیابان با ویژگی های زیر است: شناسه بخش، شناسه شی، مختصات GPS تقاطع های درگیر، و طول. سپس به صورت فضایی این بخش‌های خیابان را به نزدیک‌ترین مناطق اجتماعی مشخص‌شده در shapefile مرزهای مناطق اجتماعی متصل کردیم. با توجه به اینکه هر منطقه جامعه فقط به یک طرف مربوط می شود، بخش ها به طور خودکار به طرف های مربوطه نگاشت شدند و شبکه های جداگانه ایجاد کردند. بخش‌های خیابان با استفاده از افزونه NNQGIS نرم‌افزار QGIS 3.6.0 از نظر فضایی به نزدیک‌ترین منطقه اجتماعی متصل شدند. سپس، با حذف تمام بخش‌های خیابان مستقل که خارج از مؤلفه اصلی باقی مانده‌اند، یک شبکه پیوسته به دست آوردیم. برای انجام این، ما اجزای شبکه‌های جانبی حاصل را با استفاده از بسته spatstat در R شناسایی کردیم و تمام بخش‌های مستقل از مؤلفه اصلی (یعنی شامل اکثر بخش‌های خیابان) را حذف کردیم. بنابراین ما شبکه‌های خیابانی کاملاً متصل را برای هر طرف تضمین کردیم، که بسیار مفید بود زیرا شبکه‌های قطع شده ممکن است نتایج هر تحلیل فضایی را با انحراف محاسبات فاصله پیچیده کنند [53 ]. شبکه های حاصل در شکل 2 نمایش داده شده است. اطلاعات توصیفی در جدول 1 خلاصه شده است.

2.3. مجموعه داده های جنایی

مجموعه داده های جنایی شیکاگو شامل تمام حوادث جنایی از سال 2001 تا کنون است. هر ردیف در این مجموعه داده نشان دهنده یک حادثه جنایی با 22 ویژگی از جمله شناسه جرم، تاریخ-زمان، مختصات x و y، توصیف اولیه جرم، محله و منطقه جامعه است. نمونه ما شامل سرقت ( n = 64,024) و سرقت ( n = 9685) واقعه در سال 2018 بود. مجموعه داده جرایم شیکاگو از پورتال داده باز شهر شیکاگو ( https://data.cityofchicago.org/ ) بازیابی شد.، مشاهده شده در 4 ژوئیه 2021). برای بررسی تحلیل تأثیر مکانی-زمانی، جنایات را در دو سطح و در سه سطح زمانی مجزا جمع‌بندی کردیم: پیش‌فرض، روزانه و هفتگی. در سطح اول، ما هر حادثه را با شبکه‌های خیابان فرعی مرتبط در زمینه منطقه اجتماعی بدون هیچ گونه تمایز زمانی (پیش‌فرض) تطبیق دادیم. در سطح دوم، حوادث به یکی از سه شیفت مساوی در طول روز، نوبت اول (FS) از ساعت 00:00 تا 07:59، شیفت دوم (SS) از ساعت 08:00 تا 15:59 اختصاص داده شد. نوبت سوم (TS) از ساعت 16:00 الی 23:59 بر اساس ساعت وقوع. این شیفت‌ها بر اساس ساعت‌های کاری افسران پلیس شیکاگو تعریف شدند [ 54]. در آخرین سطح، ما از یک بخش آخر هفته (WE) و روزهای هفته (WD) برای گروه‌بندی حوادث استفاده کردیم: آخر هفته همه حوادث بین شیفت سوم جمعه و شیفت اول دوشنبه (به استثنای) را پوشش داد و حوادث باقی مانده در تاریخ گنجانده شد. روزهای هفته این روش در مجموع 54 مدل مکانی-زمانی (9 پیش فرض + 9 × 3 سطح روزانه + 9 × 2 سطح هفتگی) تولید کرد. توزیع سرقت و سرقت در این مدل ها در شکل 3 نشان داده شده است.

2.4. ویژگی های شهری

مکان ویژگی های تجاری از مجموعه داده مجوزهای تجاری شیکاگو بازیابی شد. با راهنمایی تعاریف فعالیت های تجاری برای هر رکورد، نمونه های منحصر به فردی از رستوران های فست فود، میخانه ها، فروشگاه های مواد غذایی و سوابق پمپ بنزین را به دست آوردیم. برای ایستگاه‌های اتوبوس، مکان‌ها از شکل فایل ایستگاه‌های اتوبوس CTA بازیابی شدند. مجموعه داده نهایی شامل رستوران های فست فود ( n = 402)، فروشگاه های مواد غذایی ( n = 1330)، پمپ بنزین ها ( n = 350)، میخانه ها ( n = 810)، و ایستگاه های اتوبوس ( n = 10900)، که تأثیرات قابل توجهی بر روی آنها دارد. در مطالعات شیکاگو گزارش شد [ 30 , 38 , 43 , 55 , 56]. توزیع این ویژگی ها در دو طرف شیکاگو در شکل 4 نشان داده شده است .

2.5. عیب متمرکز (CD)

نقطه ضعف متمرکز (CD) یکی از شاخص‌های اصلی بی‌سازمانی اجتماعی در یک محله است، و بارها مشخص شد که تأثیر قابل‌توجهی بر تأثیر فضایی ویژگی‌های شهری دارد [ 15 ]. در این مطالعه، سی دی را با چهار شاخص اندازه گیری کردیم: درصد زیر 15 سال و بالای 64 سال، درصد ساکنان بیکار، درصد خانوارهای زیر خط فقر و درآمد متوسط. داده ها در سطح جانبی در دسترس نبودند. بنابراین، ما مجبور شدیم از یک روش تقسیم وزنی [ 57 ] برای منتسب کردن داده‌های CD سطح جانبی استفاده کنیم. برای هر طرف، ما یک CD متوسط ​​را محاسبه کردیم که بر اساس جمعیت مناطق اجتماعی مرتبط وزن شده بود. آمار توصیفی سی دی جانبی در جدول 2 نمایش داده شده است.

2.6. تابع شبکه K

تابع شبکه K [ 58 ] توسعه ای از تابع K معمولی است که یک الگوی نقطه ای را خلاصه می کند، فرضیه های مربوط به الگو را آزمایش می کند و پارامترها و مدل های برازش را تخمین می زند [ 59 ]. این تابع بر روی یک شبکه نامنظم محدود با کوتاه ترین فاصله، به جای یک صفحه بی نهایت همگن با فاصله اقلیدسی عمل می کند. در این مطالعه، ما از یک تابع شبکه دو متغیره متقاطع K استفاده می‌کنیم تا بررسی کنیم که آیا مکان‌های ویژگی‌های شهری بر توزیع فضایی جرم تأثیر می‌گذارند یا خیر. این تابع امکان تجزیه و تحلیل دسته بندی جرم و جنایت را در یک فاصله معین فراهم می کند. از نظر تئوری می توان آن را به صورت زیر فرموله کرد:

کبآ(تی)=1ρآE(تیساعته nتومتربهr of پoمنnتیس آ wمنتیساعتمنn nهتیworک دمنستیآnجه تی of آ پoمنnتی بمن منn ب)

جایی که E(.)نشان دهنده مقدار مورد انتظار با توجه به b i , …b n (b i Є B) است که از یک فرآیند نقطه دو جمله ای پیروی می کند، و ρآچگالی نقاط a است، ρآ=nآ|Lتی| (2). اینجا، |Lتی|نشان دهنده طول کل بخش های خط در یک شبکه است. برای فرآیندهای نقطه‌ای مشاهده‌شده از انواع مختلف، تابع شبکه مشاهده‌شده متقاطع K از A (یعنی جرم) نسبت به B (یعنی ویژگی شهری) می‌تواند به صورت زیر فرموله شود:

ک^بآ(تی)=|Lتی| nآnب∑من=1nب(تیساعته nتومتربهr of پoمنnتیس of آ on Lبمن(تی) )
در اینجا، اگر ک^بآ(تی)>کبآ(تی)، پس می توان نتیجه گرفت که a حول b جمع شده است، در غیر این صورت، if ک^بآ(تی)<کبآ(تی)، سپس می توان نتیجه گرفت که a در اطراف b پراکنده است. مقایسه از کبآو ک^بآمحاسبه انتظار در (1) را فرا می‌خواند که می‌تواند به صورت تحلیلی از طریق فرضیه تصادفی کامل فضایی (CSR) ارزیابی شود. این فرضیه CSR بیان می کند که انواع مختلف نقاط به طور مستقل و یکسان بر اساس توزیع دو جمله ای در فضای شبکه توزیع شده اند. در این مطالعه، ما CSR را با یک شبیه‌سازی مونت کارلو آزمایش کردیم که 39 الگوی نقطه تصادفی فضایی کامل برای جرایم و ویژگی‌های شهری در یک شبکه ایجاد کرد. Lتی. برای هر الگوی شبیه سازی شده، تعداد حوادث جرم در فاصله t از یک ویژگی شهری در یک شبکه محاسبه شد. حداقل و حداکثر مقادیر در فاصله t، به دست آمده از این الگوهای نقطه شبیه سازی شده، مقادیر بحرانی بالا و پایین در سطح معناداری 0.05 = α هستند [ 60 ]. اگر تعداد جرایم مشاهده شده از مقدار بالاتر بیشتر شود، می توانیم خوشه بندی قابل توجهی را فرض کنیم. اگر کمتر از مقدار پایین‌تر بود، می‌توانیم پراکندگی قابل‌توجهی را فرض کنیم، در غیر این صورت، رابطه ناچیز بود. ما آنالیز شبکه K مجزا را برای هر یک از 54 مدل مکانی-زمانی در بسته spatstat اجرا کردیم [ 61] در R برای ارزیابی خوشه‌بندی رویدادهای جرم و جنایت در اطراف ویژگی‌های شهری. شبیه‌سازی مونت کارلو به حذف تمام تأثیرات فضایی ناچیز قبل از تجزیه و تحلیل توابع سیگنال خطر کمک کرد.

2.7. توابع سیگنال خطر، RSIS و RSSS

رگرسیون قطعه‌ای نوعی تحلیل رگرسیونی است که برای مدل‌سازی روابط متغیر بین یک (x) مستقل و یک متغیر وابسته (y) در فواصل مختلف x مناسب است. این تجزیه و تحلیل مقادیر x را مشخص می‌کند و نقاط تغییر را مشخص می‌کند که در آن ضرایب تخمینی معادله رگرسیون به طور قابل‌توجهی بین فواصل زمانی متفاوت است. این معادله به صورت زیر فرموله شده است:

E[y|ایکس]=β0+β1ایکس+δ1(ایکس–τ1)++….+δک(ایکس–τک)+

جایی که τکنشان دهنده نقاط تغییر ناشناخته است که به موجب آن (ایکسمن–τک)+=(ایکسمن–τک)اگر (ایکسمن–τک)> 0. β0، β1،  δ1… δکضرایبی هستند که با روش آزمون جایگشت [ 62 ] برآورد شدند.

در این مطالعه، هر مشاهده (xi ، y i ) شامل یک فاصله شبکه و یک تراکم جرم تجمعی مربوطه بود. تابع متقاطع K خطی که ما برای تحلیل شبکه K استفاده کردیم، تعداد رویدادهای مورد انتظار را در 513 نقطه مساوی خروجی می‌دهد، و فواصل مساوی را در یک شعاع مرزی مشخص می‌کند (یعنی حداکثر کوتاه‌ترین فاصله مسیر بین هر دو نقطه در یک شبکه خطی). مختصات مرزی، شعاع، و تکه های فاصله مربوط به فاصله بین این 513 نقطه در جدول 1 گزارش شده است.. برای تخمین مدل‌های رگرسیون تقسیم‌بندی شده، از عدد کافی از این مشاهدات استفاده کردیم که حداقل 400 متر را در یک شبکه جانبی پوشش می‌دهد. به عنوان مثال، ما از 21 مشاهده برای زیرشبکه مرکزی با فاصله تکه ای 19.4 (19.4 × 21 = 407.4 متر) و 10 مشاهده برای سمت غربی (40.4 × 10 = 404 متر) با فاصله تکه ای 40.4 متر استفاده کردیم. برای ایجاد توابع سیگنال خطر، معادلات رگرسیون تقسیم‌بندی شده را با استفاده از برنامه Joinpoint Regression برای مدل‌سازی تراکم جرم به عنوان یک تابع خطی از فاصله شبکه (یعنی نفوذ فضایی) در یک گستره فضایی تخمین زدیم. یک تابع سیگنال خطر نمونه در شکل 5 نمایش داده شده است . ما عملکرد توابع ریسک را با RMSE و MAE ارزیابی کردیم.
از این توابع، RSIS و RSSS را استخراج کردیم. RSIS تراکم جرم تجمعی تخمین زده شده در یک گستره فضایی معین است. در این مطالعه، ما 402.4 متر، پهنای باند یک چهارم مایل را به عنوان وسعت انتخاب کردیم. این پهنای باند در ابتدا در تحقیقات حمل و نقل به عنوان آستانه ای برای حداکثر مسافتی که افراد برای رسیدن به نزدیکترین ایستگاه های حمل و نقل عمومی طی می کنند پیشنهاد شد [ 63 ]. سپس برای ترسیم مرزها برای تعاملات فضایی احتمالی بین ویژگی‌های شهری و جرم [ 4 ] با حوزه تحقیقات جرم فضایی سازگار شد .
مجموعه ای از تحقیقات تا کنون از این مقدار به عنوان نماینده ای برای وسعت فضایی استفاده کرده اند [ 24 ، 41 ، 64 ، 65 ]. RSSS را می توان با فرمول زیر محاسبه کرد:

آراساساس=آراسمناس–E[y|Orمنgمنn]E[y|Orمنgمنn]∗100
اینجا، E[y|Orمنgمنn]اثر محلی را با تراکم جرم مورد انتظار در 5.5 فوت (1.7 متر) کمیت می کند ( E[y|1.7]) زیرا حوادث جنایی در مکان های دقیق گاهی اوقات برای اهداف شناسایی با مناطق مجاور کدگذاری می شوند [ 1 ]. سپس RSSS می تواند به عنوان درصد تغییر در اثر محلی در سراسر یک گستره فضایی ترجمه شود، که نشان دهنده یک اثر انتشار فضایی است. فاصله مقدار برای RSSS (-∞، ∞) است. در مورد زوال فاصله مقادیر منفی و برای ویژگی‌های شهری که اثر انتشار فضایی افزایش می‌دهند مقادیر مثبت می‌گیرد. ما صفرها را به مقادیر RSIS و RSSS ویژگی‌های شهری که تأثیر فضایی ناچیز با تحلیل شبکه دو متغیره K دارند، نسبت می‌دهیم. این به این دلیل است که یک خوشه بندی ناچیز تحت فرضیه CSR نشان می دهد که خوشه های جرم مشاهده شده در اطراف یک ویژگی شهری صرفاً محصولات شانسی هستند.

2.8. رویه تحلیلی

تحلیل با ژئوکدگذاری ویژگی های شهری و جرایم به شبکه های خیابان های فرعی آغاز شد. جنایات سپس در 54 مدل مکانی و زمانی جمع شدند. در مرحله بعد، ما اهمیت خوشه‌بندی جرم در اطراف ویژگی‌های شهری انتخاب شده در هر مدل را با استفاده از تحلیل شبکه متقاطع K و شبیه‌سازی مونت کارلو با 39 مرحله بررسی کردیم. پس از حذف خوشه‌های فضایی-زمانی ناچیز، ما یک تابع سیگنال خطر آگاه از فاصله را برای هر مدل در قالب معادلات رگرسیون تقسیم‌بندی شده تخمین زده کردیم. با استفاده از این توابع، ما RSIS و RSSS را برای هر ویژگی شهری در انواع جرم انتخاب شده برای هر مدل استخراج کردیم. ما از آزمون‌های آماری ناپارامتریک (یعنی رتبه‌بندی علامت‌دار Wilcoxon و آزمون Kruskal-Wallis) برای بررسی تفاوت‌های بین این مقادیر در بین مدل‌ها استفاده کردیم. در آخر،

3. نتایج

3.1. تحلیل شبکه K

نتایج شبکه K ( پیوست A ) اکثریت (509/540) خوشه‌های جرم مکانی-زمانی فرضی را تأیید کرد. علاوه بر این، آنها تأثیرات متفاوت مکانی و زمانی پمپ بنزین ها، خواربار فروشی ها و میخانه ها را بر خطر سرقت و سرقت نشان دادند. شکل 6 ، شکل 7 و شکل 8 یکی از این خوشه های ناسازگار را نشان می دهد که بین میخانه ها و سرقت در FSWS شناسایی شده است.
این ارقام تعداد سرقت تجمعی مشاهده شده را در تمام فواصل از یک میخانه تا 1200 متر نشان می دهد. شکل 6 نشان می دهد که تعداد سرقت مشاهده شده، که با خط سیاه پیوسته نشان داده می شود، بیشتر از شمارشی است که تحت فرضیه CSR پس از نزدیک به 100 متر به دست آمد. در اینجا، نوار خاکستری ناحیه ناچیز را مشخص می کند که در آن تعداد مشاهده شده بین مقادیر حداکثر و حداقل به دست آمده از شبیه سازی مونت کارلو قرار می گیرد. خط قرمز شکسته در وسط باند نشان دهنده مقدار میانگین 39 شبیه سازی برای هر نقطه است. در مجموع، یک خط مشکی پیوسته که بالای نوار خاکستری اجرا می‌شود، نشان‌دهنده خوشه‌بندی قابل‌توجه، درون نوار خاکستری نشان‌دهنده خوشه‌بندی ناچیز، و زیر نوار خاکستری نشان‌دهنده پراکندگی قابل‌توجهی است. شکل 6بنابراین، خوشه های سرقت قابل توجهی را در اطراف میخانه ها در مدل پیش فرض نشان می دهد.
ما هیچ دزدی و دزدی قابل توجهی را در یک چهارم مایلی پمپ بنزین در CS در مدل پیش فرض مشاهده نکردیم.
مدل هفتگی همچنین بیانگر تأثیر فضایی متفاوت پمپ بنزین ها بر سرقت و سرقت بود. در حالی که تأثیر آن در سرقت بر روی NS در روزهای هفته و تعطیلات آخر هفته قابل توجه نبود، تنها در تعطیلات آخر هفته در CS وجود داشت. تناقضات بیشتری نیز بین میخانه و سرقت در مدل های هفتگی مشاهده شد. میخانه ها جرایم سرقت را در SS و SWS در طول آخر هفته جذب نکردند، و همچنین در FSWS و WS در روزهای هفته مورد توجه قرار نگرفتند.
مدل‌های درون روز تأثیرات فضایی متفاوتی را نشان دادند. برای مثال، خواربارفروشی‌ها در NWS و میخانه‌ها در SS و SWS دزدی را در شیفت اول جذب نکردند. به طور مشابه، هیچ دسته سرقت قابل توجهی در اطراف پمپ بنزین ها در CS، FNS و NS در طول شیفت دوم وجود نداشت.
هیچ دسته سرقت قابل توجهی در اطراف پمپ بنزین ها در CS و NS در شیفت سوم وجود نداشت. از سوی دیگر، خوشه‌های سرقت فضایی-زمانی در اطراف ویژگی‌های شهری، پایدارتر از خوشه‌های سرقت بودند. تنها چند دسته سرقت ناچیز در اطراف پمپ بنزین‌ها در سراسر CS و NS در طول تمام شیفت‌ها مشاهده شد.

3.2. تجزیه و تحلیل تأثیر فضایی و زمانی

به عنوان شاخص های عملکرد کلی توابع ریسک برازش ( 509 = n )، میانگین مقادیر MAE و RMSE به ترتیب 0.119 و 0.13675 بود. تجزیه و تحلیل تأثیر مکانی-زمانی تفاوت های قابل توجهی را در RSIS و RSSS در انواع مختلف جرم نشان داد ( پیوست B ).
شکل 9 مقادیر RSIS و RSSS ایستگاه اتوبوس را در حوادث سرقت و سرقت در مدل‌های فضایی و زمانی نشان می‌دهد. نتایج آزمون رتبه‌بندی علامت‌دار Wilcoxon نشان داد که سرقت RSIS ایستگاه‌های اتوبوس در مدل پیش‌فرض به طور قابل‌توجهی در شیفت دوم افزایش یافت ( p -value <0.01) و در شیفت اول کاهش یافت ( p -value <0.05). همچنین نشان دهنده سرقت بالاتر RSIS در طول شیفت اول بود ( ص– ارزش < 0.05). ما RSSS سرقت به طور قابل توجهی بالاتر از سرقت در شیفت اول مشاهده کردیم. آزمون Kruskal-Wallis نسبت به رستوران‌های فست‌فود و فروشگاه‌های مواد غذایی به طور کلی، RSIS کمتری در سرقت و سرقت نشان داد. این رابطه برای مقادیر RSSS معکوس شد، زیرا ایستگاه‌های اتوبوس بیشتر دارای مقادیر RSSS مثبت بودند. آزمایش‌ها نشان داد که RSISهای ایستگاه‌های اتوبوس واقع در FNS، FSES و FSWS به میزان قابل‌توجهی سرقت و سرقت بالاتری دارند. برای RSSS، ایستگاه‌های اتوبوس کمترین مقدار را در هر دو نوع جرم در CS و NS دارند.
دزدی و سرقت فضایی و زمانی RSIS و RSSS رستوران های فست فود در شکل 10 نشان داده شده است. نتایج اصلی نشان داد که هم سرقت و هم سرقت RSIS در مدل پیش‌فرض به‌طور معنی‌داری بالاتر از مدل‌های شیفت اول است ( p -value <0.01). آزمایش Kruskal-Wallis برای تفاوت‌های روزانه، شدت سرقت به طور قابل‌توجهی کمتری را در اطراف رستوران‌های فست فود در شیفت اول نسبت به موارد محاسبه‌شده در شیفت‌های دیگر نشان داد ( p -value <0.01). ما تفاوت‌های قابل‌توجهی RSSS را برای سرقت بین پیش‌فرض و روزهای هفته ( p -value <0.05) و بین مدل‌های آخر هفته و روزهای هفته مشاهده کردیم ( p– ارزش < 0.01). همچنین نتایج نشان داد که شدت سرقت از رستوران های فست فود به طور قابل توجهی بیشتر از میخانه ها در شیفت دوم و سوم بود. برای سرقت، رستوران‌های فست‌فود نسبت به پمپ بنزین‌ها و میخانه‌ها در تمام مدل‌های موقت، به‌جز مدل شیفت اول، ارزش‌های شدت بالاتری داشتند. آزمایش‌ها نشان داد که RSISهای سرقت به‌طور قابل‌توجهی از رستوران‌های فست فود واقع در FNS، FSES و FSWS بیشتر شده‌اند. برای حوادث سرقت، مقادیر قابل توجهی بالاتر عمدتاً در FSES گزارش شده است. برای RSSS، دو طرف CS و FE مقادیر نسبتاً بیشتری دارند.
نتایج آنالیز پمپ بنزین ها در شکل 11 نمایش داده شده است. آزمون رتبه امضا شده Wilcoxon نشان داد که RSIS سرقت در آخر هفته ها در مقایسه با مقادیر سرقت به طور قابل توجهی بالاتر بود ( p– ارزش < 0.05). ما همچنین RSSS های سرقت بالاتری را در روزهای هفته پیدا کردیم. تجزیه و تحلیل مقایسه ای با سایر ویژگی ها، تفاوت های شدت سرقت قابل توجهی را بین پمپ بنزین ها و رستوران های فست فود در تمام مدل های زمانی نشان داد. برای RSSS، این تفاوت در سرقت در مدل های پیش فرض، روزهای هفته و شیفت دوم قابل توجه بود. آزمایشات بیشتر شدت سرقت به طور قابل توجهی بالاتری را در اطراف پمپ بنزین ها در طرف FSES و FSWS و همچنین شدت سرقت بالاتر در FSES، FSWS و SWS نشان داد. برای سرقت RSSS، SWS به طور مداوم کمترین مقادیر را دارد.
شکل 12 نتایج فروشگاه‌های مواد غذایی را در مدل‌های مکانی-زمانی نشان می‌دهد. نتایج نشان داد که سرقت RSIS فروشگاه‌های مواد غذایی در مدل پیش‌فرض به‌طور معنی‌داری بیشتر از شیفت اول بود ( p -value <0.05). همچنین نشان داد که RSISهای سرقت بالاتر از همتایان سرقتی خود در طول شیفت دوم بودند ( p -value <0.05). مشاهده کردیم که مقادیر RSSS سرقت نیز در مدل‌های پیش‌فرض ( p -value <0.01)، روزهای هفته ( p -value <0.01) و شیفت سوم ( p ) به طور قابل توجهی بالاتر از مقادیر سرقت بود.– ارزش < 0.05). تجزیه و تحلیل مقایسه ای با سایر ویژگی ها نشان داد که شدت سرقت و سرقت در اطراف فروشگاه های مواد غذایی نسبت به میخانه ها در مدل های شیفت دوم به طور قابل توجهی بالاتر بود. تست‌های تفاوت جانبی، سرقت و سرقت RSISهای بسیار بالاتری را در FNS، FSES و FSWS نشان دادند. برای سرقت RSSS، فروشگاه های مواد غذایی دارای بالاترین مقادیر در FSES بودند.
نتایج تجزیه و تحلیل تأثیر مکانی – زمانی میخانه ها در شکل 13 نشان داده شده است. آنها نشان دادند که سرقت RSIS میخانه ها در مدل های پیش فرض و روزهای هفته به طور قابل توجهی بیشتر از روز هفته ( p -value <0.05) و کمتر از مدل آخر هفته ( p -value <0.05) بود. ما همچنین مقادیر RSSS سرقت کمتری را در شیفت اول نسبت به مدل پیش فرض پیدا کردیم. همچنین دزدی بیشتر RSSSها در شیفت دوم را گزارش کرد. نتایج همچنین نشان داد RSSS های سرقت و سرقت از میخانه ها در طول روزهای هفته، شیفت دوم و شیفت سوم به طور قابل توجهی کمتر از رستوران های فست فود بود. آزمایش Kruskal-Wallis نشان داد که سرقت RSIS از میخانه ها در SW و SWS و RSISs سرقت در SS، SWS و NWS به میزان قابل توجهی کمتر است.

3.3. تجزیه و تحلیل همبستگی با نقطه ضعف متمرکز (CD)

نتایج اصلی نشان داد که برخی از ارزش‌های RSIS و RSSS ویژگی‌های شهری برای انواع مختلف جرم با یکدیگر و با نقطه ضعف متمرکز طرفین همبستگی متوسطی دارند. ما دزدی و دزدی RSIS را در اطراف ایستگاه های اتوبوس در همه مدل های زمانی پیدا کردیم. برای پمپ بنزین ها، تجزیه و تحلیل همبستگی افزایش شدت جرم و جنایت را در محله های محروم نشان داد ( شکل 14 و شکل 15 ). به همین ترتیب، یک همبستگی قوی بین شدت CD و سرقت (ρ سرقت، CD = 0.92) و سرقت (ρ Robbery، CD = 0.76) در مدل‌های شیفت دوم مشاهده شد.
در مقابل، CD همبستگی منفی با RSSS سرقت در شیفت اول (ρ سرقت، CD = -0.69)، و سرقت و سرقت RSSS در طول آخر هفته (ρ سرقت، CD = -0.79 و ρ سرقت = -0.68) نشان داد. برای میخانه‌ها، تنها ارتباط معنی‌دار با CD در شدت سرقت (ρ سرقت، CD = -0.89) و سرقت (ρ سرقت، CD = -0.72) در مدل‌های شیفت اول و دوم مشاهده شد.

4. بحث

تحلیل شبکه دو متغیره K مناطق مرده احتمالی را از نظر تأثیر فضایی نشان داد، که به پیکربندی‌های مکانی-زمانی خاصی اشاره دارد که در آن ویژگی‌های شهری هیچ سیگنال خطر جرم و جنایت را در مجاورت خود پخش نمی‌کنند. علاوه بر این، ما خوشه‌های جنایی متفاوت را در اطراف ویژگی‌های شهری یافتیم که با اضلاع، زمان روز یا روز هفته متفاوت بودند. برای مثال، مدل پیش‌فرض مجموعه‌های سرقت و سرقت ناچیز را در اطراف پمپ بنزین‌ها در سراسر CS شناسایی کرد. با این حال، یک مدل هفتگی بیشتر نشان داد که حوادث سرقت خوشه قابل توجهی در همان سمت در طول روزهای هفته داشتند. به طور مشابه، اگرچه همه مدل‌های موقت، به جز مدل پیش‌فرض، خوشه‌های سرقت ناچیز را در اطراف پمپ بنزین‌ها در NS شناسایی کردند، اما آنها متوجه شدند که همه خوشه‌های سرقت در یک سمت قابل توجه هستند.39 ، 44 ، 66 ، 67 ، 68 ] که الگوهای جرم و جنایت درون روز و هفتگی منحصر به فردی را در اطراف ویژگی های شهری در مناطق مختلف نشان می دهد. نتیجه مهم دیگر نشان داد که به جز خوشه‌های ناچیز در اطراف پمپ بنزین‌ها در چند مدل مکانی-زمانی، خوشه‌های سرقت در اطراف همه ویژگی‌های شهری سازگارتر از خوشه‌های سرقت بودند. این موضوع بر فرصت جرم موقعیتی تاکید می کند و بر تعریف پاداش متفاوت مجرمان در انواع مختلف جرم تاکید می کند [ 17 ]]. ظاهراً مجرمان سرقت کمتر از سارقین تحت تأثیر عوامل موقعیتی قرار می گیرند. از سوی دیگر، سارقان از خشونت و ارعاب علیه قربانیان استفاده می کنند که ممکن است منجر به درگیری فیزیکی بین طرفین شود. این مبارزه ممکن است توجه بیشتری را از افراد خارجی که می توانند به عنوان نگهبانان توانمند عمل کنند، جلب کند [ 6 ]. بنابراین سارقان به دلیل خطرات بیشتر، نسبت به سارقان نسبت به موقعیت‌های نامطلوب حساس‌تر هستند.
نتایج RSIS نشان داد که ایستگاه‌های اتوبوس در مقایسه با سایر ویژگی‌های شهری، به‌ویژه رستوران‌های فست‌فود، تأثیر فضایی قابل‌توجهی کمتری در تقریباً همه مدل‌های زمانی دارند [ 69 ]. در مقابل، بسیاری از RSSS های مثبت، به ویژه در سرقت، در همه طرف ها، به جز در CS و FNS، نشان دادند که اثر انتشار فضایی بیشتری در سراسر وسعت فضایی دارد. این یافته با اثر فروپاشی فاصله که به طور تجربی توسط تحقیقات قبلی تایید شده بود، تناقض داشت [ 1 ، 2 ، 4 ، 28 ، 46 ]. با این حال، مجموعه ای از تحقیقات به طور مشابه گزارش کردند که برخی از ویژگی های شهری (مانند مدارس و میخانه ها و غیره) تأثیر فضایی بیشتری در مناطق بیشتر دارند [ 5 ]، 45 ]. به عنوان یک توضیح ممکن، وجود یک ایستگاه اتوبوس ممکن است به دلیل حضور افراد دیگری که در انتظار یا پیاده شدن از اتوبوس هستند و می توانند به عنوان عوامل امنیتی غیررسمی عمل کنند، پناهگاهی برای قربانیان احتمالی باشد [ 14 ]. این افزایش تعداد نگهبانان توانا، متخلفان بالقوه را به مکان‌های متروک‌تر (یعنی کوچه‌ها و جاده‌های ارتباطی و غیره) سوق می‌دهد و باعث ایجاد یک اثر سرریز فضایی به مناطق مجاور می‌شود. نتیجه جالب دیگر حاکی از یک سرقت مثبت RSSS از میخانه ها در SS در تمام مدل های زمانی بود. در مقابل، RSSS های سرقتی آنها به شدت از اثر کاهش فاصله در همان سمت پشتیبانی می کرد. در مجموع، این نتایج به وضوح نشان داد که شدت خطر و قدرت ریسک به طور چشمگیری بر اساس مکان، زمان و نوع جرم تغییر کرده است.
نتایج تجزیه و تحلیل RSSS مقایسه ای از طریق رتبه امضا شده Wilcoxon و آزمون Kruskal-Wallis پشتیبانی ترکیبی را برای تفاوت های مکانی-زمانی مشروط به نوع جرم ارائه می کند [ 70 ]. تفاوت های ناچیز درون روز با یافته های برناسکو، رویتر و بلاک [ 38 ] مطابقت داشت.]، که تنها تفاوت های محدودی در سطح جرم و جنایت درون روز در مورد ویژگی های شهری در طول روزهای هفته و زمان روز پیدا کردند. در این مطالعه، ما تفاوت RSIS درون روز را فقط برای رستوران‌های فست‌فود پیدا کردیم که در شیفت اول به طور قابل‌توجهی نسبت به سایرین شدت سرقت کمتری داشتند. با توجه به اینکه اکثر رستوران های فست فود در ساعات پایانی شب (00:00 تا 07:59) بسته بودند، چنین نتیجه ای تعجب آور نبود. با این حال، ما شواهد قابل توجهی برای تفاوت های زمانی در RSIS و RSSS در اطراف ویژگی های شهری پیدا کردیم. به عنوان مثال، تست رتبه امضا شده Wilcoxon نشان دهنده شدت سرقت بالاتر در اطراف میخانه ها در طول تعطیلات آخر هفته در مقایسه با روزهای هفته است. این یافته‌ها از الگوهای فرصت‌های جرم چرخه‌ای پشتیبانی می‌کنند که به صورت هفتگی در اطراف مکان‌ها تکرار می‌شوند [ 39 , 44 , 66].
تجزیه و تحلیل RSIS و RSSS فضایی-زمانی تأثیر فضایی بالاتری از ویژگی‌های شهری بر روی FNS، FSWS و FSES پیدا کرد که در مرزهای شمالی و جنوبی شیکاگو، IL واقع شده‌اند. با بررسی تعاملات احتمالی بین ویژگی‌های سطح جانبی و درجه نفوذ فضایی، تحلیل همبستگی یک همبستگی مثبت قوی بین سرقت و سرقت RSIS‌های پمپ بنزین و نقطه ضعف متمرکز پیدا کرد. از سوی دیگر، رابطه معکوس بین سرقت و سرقت RSIS میخانه ها و سی دی گزارش شد، اما فقط در مدل شیفت اول. با توجه به اینکه CS مزیت ترین طرف شیکاگو، IL است و قلب شهر از نظر تجارت، شب زنده داری و سرگرمی است،20 ، 21 ]. این نتایج برای تحقیقات قبلی [ 15 و 16 ] که یک ارتباط منفی بین نقطه ضعف متمرکز و تأثیر فضایی را شناسایی می‌کرد، پشتیبانی متفاوتی ارائه کرد. این نتایج متناقض نشان داد که تأثیر کمبود متمرکز بر تأثیر فضایی به واسطه نوع ویژگی شهری است.

5. نتیجه گیری ها

مطالعه حاضر یک رویکرد مکانی-زمانی خاص جرم را برای تأثیر فضایی سیگنال مانند که از ویژگی‌های شهری (به عنوان مثال، RSSS) پخش می‌شود، معرفی کرد. برای آزمایش این رویکرد، ما 54 مدل مکانی-زمانی ایجاد کردیم که حوادث سرقت و سرقت را در پیکربندی‌های مختلف مکانی (یعنی طرف‌های شیکاگو) و زمانی (یعنی مدل‌های پیش‌فرض، درون روز و هفتگی) جمع‌آوری می‌کند. پس از حذف خوشه‌های جرم فضایی-زمانی ناچیز با استفاده از تحلیل شبکه K، توابع سیگنال خطر آگاه از فاصله را برازش کردیم که تأثیر فضایی یک ویژگی شهری را در یک گستره فضایی مدل‌سازی می‌کند. از این توابع دو امتیاز جدید، RSIS و RSSS ابداع شده‌اند که شدت و قدرت سیگنال‌های نفوذ فضایی را کمیت می‌کنند. نتایج اصلی تجزیه و تحلیل تأثیر مکانی – زمانی وجود مناطق مرده احتمالی را تأیید کرد. که در آن تأثیر فضایی ویژگی‌های شهری بر انواع جرم خاص اصلاً وجود ندارد. یافته مهم بعدی نشان داد که اثر فروپاشی فاصله به نوع ویژگی شهری و بافت مکانی-زمانی بستگی دارد. به عنوان مثال، ایستگاه های اتوبوس اثر کاهش مسافتی را در سرقت و سرقت در تمام سطوح زمانی در CS و FNS نشان دادند، اما در طرف های دیگر نه. ما دریافتیم که جهت رابطه بین نفوذ فضایی و نقطه ضعف متمرکز ممکن است به نوع ویژگی‌های شهری بستگی داشته باشد. ایستگاه‌های اتوبوس اثر کاهش مسافتی را در سرقت و سرقت در تمام سطوح زمانی در CS و FNS نشان دادند، اما در طرف‌های دیگر نه. ما دریافتیم که جهت رابطه بین نفوذ فضایی و نقطه ضعف متمرکز ممکن است به نوع ویژگی‌های شهری بستگی داشته باشد. ایستگاه‌های اتوبوس اثر کاهش مسافتی را در سرقت و سرقت در تمام سطوح زمانی در CS و FNS نشان دادند، اما در طرف‌های دیگر نه. ما دریافتیم که جهت رابطه بین نفوذ فضایی و نقطه ضعف متمرکز ممکن است به نوع ویژگی‌های شهری بستگی داشته باشد.

5.1. مفاهیم تحقیق

این مطالعه دارای برخی مفاهیم تحقیقاتی است. اولاً، پشتیبانی تجربی قوی از نیاز به تحلیل تأثیر فضایی با رویکرد مکانی-زمانی خاص جنایت که با مفهوم پوشش محیطی دلالت داشت [ 7 ، 8 ، 9 ] ارائه کرد. بر این اساس، عامل یا مجذوب کننده جرم در یک زمینه ممکن است در زمینه دیگری بی ربط باقی بماند. علاوه بر این، به وضوح نشان داده شد که اثر فروپاشی فاصله عمدتاً تحت تأثیر نوع ویژگی‌های شهری است. ما یک اثر انتشار فضایی افزایش یافته برای ویژگی‌های شهری با فواصل بیشتر در برخی از مدل‌های مکانی-زمانی، و همچنین تفاوت‌های تأثیر فضایی درون شهری در طرف‌های شیکاگو، IL پیدا کردیم. این یافته به خوبی با فنگ و همکاران همسو بود. [ 68] که تفاوت های منطقه ای مشابهی را در پنج ناحیه شهر نیویورک، نیویورک گزارش کردند. در نهایت، این مطالعه نشان داد که تأثیر فضایی تنها برای برخی از ویژگی‌های شهری در برخی دوره‌ها به واسطه ضعف متمرکز بوده است.

5.2. مفهوم عملی

مطالعه حاضر بینش های مفید بسیاری را برای متخصصان مجری قانون فراهم می کند. اول، یک رویکرد خوشه‌بندی اولیه فضایی و زمانی ممکن است بسته به موقعیت به حذف یا افزایش مسیرهای گشت کمک کند. دوم، توابع سیگنال خطر پیشنهادی، امکان کمی و مقایسه تأثیر فضایی ویژگی‌های شهری را در هر پهنای باند معین در سراسر واحدهای فضایی-زمانی انتخاب شده با مدل‌سازی تراکم‌های تجمعی مختلف جرم در یک گستره فضایی فراهم می‌کند. سوم، هنگامی که در سطح بخش خیابان جمع می شوند، مقادیر RSIS و RSSS سطح خطر کلی جرم یک بخش را کمیت می کنند. سپس مقادیر تجمیع شده می‌توانند برای ایجاد نقشه‌های کانون جرم مکانی و زمانی مختلف در شبکه‌های خیابانی مورد استفاده قرار گیرند. بنابراین امکان استفاده موثر از منابع همراه با مداخلات هدفمندتر را با آگاه کردن تصمیم گیرندگان در مورد مسیرهای گشت زنی بهینه برای هر دوره معین در سراسر مناطق یک شهر فراهم می کند. علاوه بر این، یک تجزیه و تحلیل عمیق از این مکان‌ها که به طور مداوم توسط RSIS و RSSS در بالا رتبه‌بندی می‌شوند، ممکن است بینش بیشتری در مورد این تنظیمات محیطی جرم‌زا ارائه دهد. به عنوان یک پیشگیری ممکن از جرم از طریق طراحی محیطی (CPTED) [در عمل، این مقادیر ممکن است ارتقای ایمنی را از طریق پیشرفت‌های محیطی مانند چراغ‌های خیابان [ 28 ، 72 ] یا دوربین‌های مداربسته اضافی [ 39 ] هدایت کنند.

5.3. محدودیت ها

این مطالعه دارای چندین محدودیت است. اول و مهمتر از همه، عملکرد توابع سیگنال خطر به شدت به دقت مکانی و زمانی داده‌ها وابسته بود، با توجه به اینکه سطوح دقت پایین‌تر ممکن است اعتبار عملکردهای برآورد شده را به خطر بیندازد. دوم، مسئله واحد منطقه ای قابل تغییر (MAUP) [ 73 ] و مسئله واحد زمانی قابل تغییر [ 74 ]] همچنین خطرات مهمی برای اعتبار تحلیل ایجاد می کند. سوم، شدت محاسباتی تحلیل شبکه K و افزایش نمایی تعداد فضا x زمان x جرم x پیکربندی ویژگی‌های شهری عوامل بازدارنده‌ای بودند که مانع استفاده از واحدهای مکانی-زمانی در سطوح وضوح دقیق‌تر شدند. چهارم، مجموعه‌ای از ویژگی‌های شهری که در تحلیل فضایی-زمانی گنجانده‌ایم را می‌توان تا شامل ویژگی‌های اضافی گسترش داد. برای مثال، فاکس و همکاران. [ 75 ] جای خالی خود را به عنوان محرک اصلی جنایات خشونت آمیز در سراسر شمال و جنوب سنت لوئیس، MO پیدا کرد. در نهایت، نمونه به شیکاگو، IL محدود می شود، که به طور قابل توجهی تعمیم این مطالعه را به شهرهای دیگر محدود می کند. بنابراین، ما به شدت مطالعات تکرار را در سایر بافت های شهری توصیه می کنیم.

5.4. تحقیقات آینده

اگرچه ما واحدهای مکانی و زمانی مناسب را برای غلبه بر پراکندگی داده ها [ 38 ] و محاسباتی ناپذیری تابع K [ 65 ] انتخاب کردیم.]، یک تحلیل با سطح دانه بندی مکانی-زمانی دقیق تر ممکن است همچنان نویدبخش روابط قابل توجه باشد و بینش مفیدی را در تحقیقات آینده ارائه دهد. یکی دیگر از راه های تحقیقاتی بالقوه، بررسی اشکال جایگزین تابع سیگنال ریسک پیشنهادی است. به عنوان مثال، یک تابع غیرخطی، به جای یک تابع خطی در مطالعه کنونی، ممکن است تأثیر فضایی منحنی را در یک گستره فضایی بهتر به تصویر بکشد. با افزایش دسترسی به داده های GPS برای محققان، اکنون اندازه گیری سطح فعالیت انسانی در خیابان ها با دقت بیشتری ممکن شده است. تجزیه و تحلیل با استفاده از این معیار همچنین اطلاعات ارزشمندی در مورد تأثیر متقابل بین نفوذ فضایی و جمعیت محیط در خطر جرم در خیابان ها ارائه می دهد.

مشارکت های نویسنده

مفهوم سازی، طغرل کبیر حکیمز و برتان بادور; مدیریت داده، طغرل کبیر حکیمز; تحلیل صوری، طغرل کبیر حکیمز; تامین مالی، برتان بادور; تحقیق، طغرل کبیر حکیمز; روش شناسی، طغرل کبیر حکیمز و برتان بادور; سرپرستی، برتان بادور; تجسم، طغرل کبیر حکیمز; نوشتن – پیش نویس اصلی، طغرل کبیر حکیمز; نگارش-بررسی و ویرایش، طغرل کبیر حکیمز و برتان بادور. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط صندوق تحقیقات علمی دانشگاه بوغازیچی با شماره کمک مالی 15385 تامین شده است.

بیانیه در دسترس بودن داده ها

داده‌های ارائه‌شده در این مطالعه در یک مخزن در دسترس عموم در Figshare به آدرس 10.6084/m9.figshare.14582886 در دسترس است که در 4 ژوئیه 2021 قابل دسترسی است.

قدردانی

مایلیم از جیم وارد و کاگداس ددی اوغلو برای نظرات سازنده و حمایت های ارزشمندشان در تهیه این نسخه تشکر کنیم.

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

پیوست اول

جدول
جدول A1. ماتریس نتایج شبکه مکانی-زمانی K.

ضمیمه B

جدول
جدول A2. ماتریس نتایج مکانی-زمانی RSIS.
جدول
جدول A3. ماتریس نتایج مکانی-زمانی RSSS.

منابع

  1. راتکلیف، JH گستره فضایی مکان‌های جرم‌زا: رگرسیون نقطه تغییر خشونت در اطراف میله‌ها. Geogr. مقعدی 2012 ، 44 ، 302-320. [ Google Scholar ] [ CrossRef ]
  2. گروف، ER اندازه‌گیری قرار گرفتن در معرض یک مکان با امکانات با استفاده از مدل‌های پردازش جغرافیایی: تصویری با استفاده از مکان‌های نوشیدن و جرم و جنایت. در مدل سازی جرم و نقشه برداری با استفاده از فناوری های مکانی ; لایتنر، ام.، اد. Springer: Dordrecht، هلند، 2013; صص 269-295. [ Google Scholar ] [ CrossRef ]
  3. گراف، ای آر. Lockwood، B. امکانات جرم زا و جرم در بخش های خیابان در فیلادلفیا. J. Res. جنایت دلینق. 2014 ، 51 ، 277-314. [ Google Scholar ] [ CrossRef ]
  4. گروف، ای. کاوش در «نزدیک»: مشخص کردن وسعت فضایی تأثیر مکان آشامیدنی بر جنایت. اوست NZJ Criminol. 2011 ، 44 ، 156-179. [ Google Scholar ] [ CrossRef ]
  5. Wheeler، AP کمیت سازی اثرات محلی و فضایی خروجی های الکل بر جرم و جنایت. Crime Delinquency 2019 ، 65 ، 845-871. [ Google Scholar ] [ CrossRef ]
  6. کوهن، LE; فلسون، ام. تغییر اجتماعی و روند نرخ جرم: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588. [ Google Scholar ] [ CrossRef ]
  7. برانتینگهام، پی جی. برانتینگهام، جرم شناسی محیطی PL ; انتشارات سیج: بورلی هیلز، کالیفرنیا، ایالات متحده آمریکا، 1981. [ Google Scholar ]
  8. برانتینگهام، PL; Brantingham، PJ Nodes، مسیرها و لبه ها: ملاحظات در مورد پیچیدگی جرم و محیط فیزیکی. جی. محیط زیست. روانی 1993 ، 13 ، 3-28. [ Google Scholar ] [ CrossRef ]
  9. برانتینگهام، پی. برانتینگهام، پی. جرم و جنایت مکان. یورو جی. جنایت. نتیجه سیاست 1995 ، 3 ، 5-26. [ Google Scholar ] [ CrossRef ]
  10. اک، ج. کلارک، RV; تسهیلات مخاطره آمیز Guerette، RT: تمرکز جرم در مجموعه های همگن موسسات و امکانات. مطالعات پیشگیری از جرم 2007 ، 21 ، 225-264. [ Google Scholar ]
  11. Timms, D. The Urban Mosaic: Towards a Theory of Residential Differentiation , 2nd ed.; بایگانی CUP: کمبریج، بریتانیا، 1975. [ Google Scholar ]
  12. Pred، A. بازتولید اجتماعی و جغرافیای زمانی زندگی روزمره. Geogr. ان سر. B هوم. Geogr. 1981 , 63 , 5. [ Google Scholar ] [ CrossRef ]
  13. Hägerstraand, T. در مورد افراد در علم منطقه چطور؟ پاپ Reg. علمی 1970 ، 24 ، 7-24. [ Google Scholar ] [ CrossRef ]
  14. جیکوبز، جی . مرگ و زندگی شهرهای بزرگ آمریکا . وینتاژ: نیویورک، نیویورک، ایالات متحده آمریکا، 1961. [ Google Scholar ]
  15. گیر کرده، TD; Ottensmann، JR استفاده از زمین و جنایات خشونت آمیز. جرم شناسی 2009 ، 47 ، 1223-1264. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  16. براونینگ، CR; بایرون، RA; کالدر، کالیفرنیا؛ کریو، ال جی. کوان، ام.-پی. لی، جی.-ای. پترسون، تراکم تجاری RD، تمرکز مسکونی و جرم: الگوهای کاربری زمین و خشونت در بافت محله. J. Res. جنایت دلینق. 2010 ، 47 ، 329-357. [ Google Scholar ] [ CrossRef ]
  17. کلارک، پیشگیری از جرم موقعیتی RV. عدالت جنایی 1995 ، 19 ، 91-150. [ Google Scholar ] [ CrossRef ]
  18. کینی، جی بی. برانتینگهام، PL; ووشکه، ک. کرک، ام جی؛ Brantingham، PJ Crime Attractors، Generators and Detractors: Use Land and Urban Crime Opportunities. محیط ساخته شده 2008 ، 34 ، 62-74. [ Google Scholar ] [ CrossRef ]
  19. Loukaitou-Sideris، A. نقاط داغ جنایت ایستگاه اتوبوس. مربا. طرح. دانشیار 1999 ، 65 ، 395-411. [ Google Scholar ] [ CrossRef ]
  20. Roncek، DW; Pravatiner, MA شواهد اضافی مبنی بر افزایش جرم و جنایت در میخانه‌ها. اجتماعی Soc. Res. 1989 ، 73 ، 185-188. [ Google Scholar ]
  21. Roncek، DW; مایر، بارها، بلوک‌ها و جنایات PA مورد بازبینی مجدد: پیوند نظریه فعالیت‌های معمول با تجربه‌گرایی «نقاط داغ». جرم شناسی 1991 ، 29 ، 725-753. [ Google Scholar ] [ CrossRef ]
  22. Rengert، GF; پیکورو، آر. جونز، پوسیدگی فاصله روابط عمومی مورد بررسی مجدد قرار گرفت. جرم شناسی 1999 ، 37 ، 427-446. [ Google Scholar ] [ CrossRef ]
  23. برنج، KJ; Csmith، مدل‌های اجتماعی بوم‌شناختی دزدی خودرو WR: یکپارچه‌سازی فعالیت‌های معمول و رویکردهای بی‌سازمانی اجتماعی. J. Res. جنایت دلینق. 2002 ، 39 ، 304-336. [ Google Scholar ] [ CrossRef ]
  24. ویزبرد، دی. گراف، ای آر. یانگ، اس ام جرم شناسی مکان: بخش های خیابان و درک ما از مسئله جرم ؛ انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2012. [ Google Scholar ]
  25. Rengert، GF; راتکلیف، جی. چاکراورتی، اس. نظارت بر بازارهای غیرقانونی مواد مخدر: رویکردهای جغرافیایی برای کاهش جرم و جنایت . مطبوعات عدالت کیفری: مونسی، نیویورک، ایالات متحده آمریکا، 2005. [ Google Scholar ]
  26. نیوتن، ا. هیرشفیلد، الف. اندازه گیری خشونت در داخل و اطراف اماکن دارای مجوز: نیاز به یک پایگاه شواهد بهتر. جنایت قبلی جامعه ایمن 2009 ، 11 ، 171-188. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. مک‌کورد، ES؛ Ratcliffe, JH A Micro-Spatial Analysis of Demographic and Criminogenic Environment of Drug Markets in Philadelphia. اوست NZJ Criminol. 2007 ، 40 ، 43-63. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. خو، جی. گریفیث، ای. تیراندازی در خیابان: اندازه‌گیری تأثیر فضایی ویژگی‌های فیزیکی بر خشونت اسلحه در یک شبکه خیابانی محدود. جی. کوانت. Criminol. 2017 ، 33 ، 237-253. [ Google Scholar ] [ CrossRef ]
  29. فلسون، ام. Boivin, R. جرایم روزانه در یک شهر جریان دارد. علوم جنایی 2015 ، 4 ، 31. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. برناسکو، دبلیو. Block, R. Robberies in Chicago: A Block-Level Analysis of the Influence of Crime Generators, Crime Attractors, and Offender Anchor Points. J. Res. جنایت دلینق. 2010 ، 48 ، 33-57. [ Google Scholar ] [ CrossRef ]
  31. یامادا، آی. تیل، جی.-سی. مقایسه توابع K مسطح و شبکه در تحلیل حوادث ترافیکی. J. Transp. Geogr. 2004 ، 12 ، 149-158. [ Google Scholar ] [ CrossRef ]
  32. لو، ی. چن، ایکس. در مورد هشدار نادرست عملکرد K مسطح هنگام تجزیه و تحلیل جرم شهری توزیع شده در امتداد خیابان ها. Soc. علمی Res. 2007 ، 36 ، 611-632. [ Google Scholar ] [ CrossRef ]
  33. تامپسون، ال. کبک، اچ. Shepherd, N. Hot routes: توسعه یک تکنیک جدید برای تحلیل فضایی جرم. نقشه جنایت. J. Res. تمرین کنید. 2009 ، 1 ، 77-96. [ Google Scholar ]
  34. مکی، ن. Okabe، A. تحلیل مکانی-زمانی اعضای سالخورده یک باشگاه بدنسازی در حومه شهر. Proc. Geogr. Inf. سیستم دانشیار 2005 ، 14 ، 29-34. [ Google Scholar ]
  35. گراف، ER اندازه گیری تأثیر محیط ساخته شده بر جرم و جنایت در بخش های خیابان. اورش کشیش لگ. گل میخ. 2017 ، 15 ، 44-54. [ Google Scholar ] [ CrossRef ]
  36. راتکلیف، جی. یک نظریه محدودیت زمانی برای توضیح الگوهای توهین آمیز فضایی مبتنی بر فرصت. J. Res. جنایت دلینق. 2006 ، 43 ، 261-291. [ Google Scholar ] [ CrossRef ]
  37. هابرمن، CP; راتکلیف، جی. آزمایش برای روابط تمایز زمانی میان مکان‌های بالقوه جرم‌زا و تعداد سرقت‌های خیابانی بلوک‌های سرشماری. جرم شناسی 2015 ، 53 ، 457-483. [ Google Scholar ] [ CrossRef ]
  38. برناسکو، دبلیو. روتر، اس. Block, R. آیا انتخاب مکان سرقت خیابانی در طول روز یا روز هفته متفاوت است؟ آزمونی در شیکاگو J. Res. جنایت دلینق. 2017 ، 54 ، 244-275. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. کورکوران، جی. زهنو، ر. کیمپتون، ا. ویکس، آر. براندون، سی. موقتی بودن مکان: ساخت یک گونه شناسی زمانی جرم در مناطق تجاری. محیط زیست طرح. ب مقعد شهری. علوم شهر 2021 ، 48 ، 9-24. [ Google Scholar ] [ CrossRef ]
  40. اروین اریکسون، ی. La Vigne, N. تحلیل فضایی-زمانی جرم در قطار مترو واشنگتن دی سی: ویژگی های جرم زا و جذب جرم ایستگاه ها به عنوان گره ها و مکان های حمل و نقل. علوم جنایی 2015 ، 4 ، 14. [ Google Scholar ] [ CrossRef ]
  41. هارت، تی سی؛ Miethe، TD تنظیمات رفتار پیکربندی مکان‌های رویداد جرم. J. Res. جنایت دلینق. 2015 ، 52 ، 373-402. [ Google Scholar ] [ CrossRef ]
  42. مک دونالد، جی.ام. نیکوزیا، ن. Ukert، BD آیا مدارس باعث جرم و جنایت در محله ها می شوند؟ شواهدی از افتتاح مدارس در فیلادلفیا. جی. کوانت. Criminol. 2018 ، 34 ، 717-740. [ Google Scholar ] [ CrossRef ]
  43. بارنوم، جی دی. Caplan، JM; کندی، LW; پیزا، EL کالیدوسکوپ جنایی: تحلیلی متقابل قضایی از ویژگی‌های مکان و جرم در سه محیط شهری. Appl. Geogr. 2017 ، 79 ، 203-211. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. هیپ، جی آر؛ کیم، Y.-A. تبیین ابعاد زمانی و مکانی سرقت: تفاوت در مقیاس‌های محیط فیزیکی و اجتماعی جی. جنایت. عدالت 2019 ، 60 ، 1-12. [ Google Scholar ] [ CrossRef ]
  45. بریتزکه، جی دی. Edelstein، IS آیا مولدهای جرم و جنایت در یک زمینه در حال توسعه وجود دارند؟ یک مطالعه اکتشافی در شهرستان Khayelitsha، آفریقای جنوبی. امن J. 2020 ، 1-18. [ Google Scholar ] [ CrossRef ]
  46. مک کورد، ES؛ رتکلیف، تجزیه و تحلیل ارزش JH Intensity و اثرات جرم زایی ویژگی های کاربری زمین بر الگوهای جرم محلی. الگوهای جرم مقعدی. 2009 ، 2 ، 17-30. [ Google Scholar ]
  47. درباره شیکاگو: حقایق و آمار. در دسترس آنلاین: https://www.chicago.gov/city/en/about/facts.html (در 12 مه 2021 قابل دسترسی است).
  48. “طرفین” شیکاگو. مطالعات شیکاگو در دسترس آنلاین: https://chicagostudies.uchicago.edu/sides (در 12 مه 2021 قابل دسترسی است).
  49. کیتینگ، محله‌ها و حومه‌های شیکاگو: راهنمای تاریخی . انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  50. سامپسون، آر جی شهر بزرگ آمریکایی: شیکاگو و اثر همسایگی پایدار . انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  51. Block, R. Street Gang Crime در شیکاگو ; موسسه ملی دادگستری: واشنگتن، دی سی، ایالات متحده آمریکا، 1993.
  52. شنل، سی. براگا، AA; پیزا، EL تأثیر مناطق اجتماعی، خوشه‌های همسایگی، و بخش‌های خیابان بر تغییرپذیری فضایی جنایات خشونت‌آمیز در شیکاگو. جی. کوانت. Criminol. 2017 ، 33 ، 469-496. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. اوکابه، ا. Sugihara, K. تجزیه و تحلیل فضایی در طول شبکه: روش های آماری و محاسباتی . جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  54. حقوق و دستمزد و زمان سنجی – حضور و غیاب. در دسترس آنلاین: https://directives.chicagopolice.org/directives/data/a7a57b36-12cf4df7-24112-cf4e-9398046d4f55fbaf.html (در 3 ژوئیه 2021 قابل دسترسی است).
  55. برناسکو، دبلیو. Block, R. جایی که مجرمان برای حمله انتخاب می‌کنند: مدل گسسته‌ای از سرقت‌ها در شیکاگو. جرم شناسی 2009 ، 47 ، 93-130. [ Google Scholar ] [ CrossRef ]
  56. کندی، LW; Caplan، JM; پیزا، EL; Buccine-Schraeder، H. آسیب پذیری و قرار گرفتن در معرض جرم: استفاده از مدل سازی خطر زمین در مطالعه حمله در شیکاگو. Appl. تف کردن مقعدی سیاست 2016 ، 9 ، 529-548. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  57. کیم، Y.-A. بررسی رابطه بین ویژگی‌های ساختاری مکان و جرم با قرار دادن داده‌های بلوک سرشماری در بخش‌های خیابان: آیا درد ارزش سود را دارد؟ جی. کوانت. Criminol. 2016 ، 34 ، 67-110. [ Google Scholar ] [ CrossRef ]
  58. اوکابه، ا. یامادا، I. روش تابع K در یک شبکه و اجرای محاسباتی آن. Geogr. مقعدی 2010 ، 33 ، 271-290. [ Google Scholar ] [ CrossRef ]
  59. تابع K ریپلی. Wiley StatsRef: Statistics Reference. در دسترس آنلاین: https://onlinelibrary.wiley.com/doi/abs/10.1002/9781118445112.stat07751 (در 12 مه 2021 قابل دسترسی است).
  60. بادلی، ا. دیگل، پی جی؛ هاردگن، آ. لارنس، تی. Milne، RK; Nair, G. در مورد آزمون های الگوی فضایی بر اساس پاکت های شبیه سازی. Ecol. مونوگر. 2014 ، 84 ، 477-489. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  61. بادلی، ای جی; Turner, R. Spatstat: یک بسته R برای تجزیه و تحلیل پتن های نقطه فضایی. J. Stat. نرم افزار 2005 ، 12 ، 1-42. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  62. کیم، اچ.-جی. فی، نماینده مجلس؛ Feuer، EJ; Midthune، DN Test Permutation برای رگرسیون نقطه اتصال با برنامه های کاربردی برای نرخ سرطان. آمار پزشکی 2000 ، 19 ، 335-351. [ Google Scholar ] [ CrossRef ]
  63. Nelessen، AC Visions for a New American Dream ; Planners Press, American Planning Association: Chicago, IL, USA, 1994. [ Google Scholar ]
  64. Caplan، JM نقشه‌برداری تأثیر فضایی جرم همبستگی: مقایسه طرح‌های عملیاتی‌سازی و پیامدهای آن برای تجزیه و تحلیل جرم و عمل عدالت کیفری. منظر شهری 2011 ، 13 ، 57-83. [ Google Scholar ]
  65. او، ز. دنگ، م. زی، ز. وو، ال. چن، ز. پی، تی. کشف تأثیر مشترک امکانات شهری بر وقوع جرم با استفاده از الگوی هم‌مکانی فضایی. Cities 2020 , 99 , 102612. [ Google Scholar ] [ CrossRef ]
  66. A Andresen، M. مالسون، ن. الگوهای فضایی-زمانی جرم درون هفته ای. علوم جنایی 2015 ، 4 ، 12. [ Google Scholar ] [ CrossRef ]
  67. یو، اچ. زو، ایکس. بله، X. Guo, W. الگوهای محل سکونت محلی جرم و ویژگی های کاربری زمین در ووهان، چین. ISPRS Int. J. Geo-Inform. 2017 ، 6 ، 307. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  68. فنگ، اس کیو. پیزا، EL; کندی، LW; Caplan, JM اثرات تشدید کننده انواع خروجی های الکل بر سرقت خیابانی و حمله شدید در شهر نیویورک. J. Crime Justice 2018 ، 42 ، 257-273. [ Google Scholar ] [ CrossRef ]
  69. آهنگ، جی. برناسکو، دبلیو. لیو، ال. شیائو، ال. ژو، اس. Liao, W. Crime از فعالیت‌های قانونی تغذیه می‌کند: جریان‌های تحرک روزانه به توضیح انتخاب‌های مکان هدف سارقان کمک می‌کند. جی. کوانت. Criminol. 2019 ، 35 ، 831–854. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  70. De Melo، SN; پریرا، DVS; اندرسن، MA; ماتیاس، L. تغییرات مکانی/زمانی جرم: دیدگاه تئوری فعالیت معمول. بین المللی J. مجرم وجود دارد. Comp. Criminol. 2018 ، 62 ، 1967-1991. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  71. جفری، CR پیشگیری از جرم از طریق طراحی محیطی . انتشارات سیج: بورلی هیلز، کالیفرنیا، ایالات متحده آمریکا، 1971. [ Google Scholar ]
  72. خو، ی. فو، سی. کندی، ای. جیانگ، اس. Owusu-Agyemang، S. تاثیر چراغ های خیابان بر الگوهای مکانی-زمانی جرم در دیترویت، میشیگان. شهرها 2018 ، 79 ، 45-52. [ Google Scholar ] [ CrossRef ]
  73. Wong, D. مسئله واحد منطقه ای قابل اصلاح (MAUP). در SAGE Handbook of Spatial Analysis ; Fotheringham, A., Rogerson, PA, Eds. انتشارات سیج: هزار اوکس، کالیفرنیا، ایالات متحده آمریکا، 2009; صص 105-123. [ Google Scholar ]
  74. چنگ، تی. Adepeju، M. مسئله واحد زمانی قابل تغییر (MTUP) و تأثیر آن بر تشخیص خوشه فضا-زمان. PLoS ONE 2014 ، 9 ، e100465. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. فاکس، بی. ترولارد، آ. سیمونز، ام. Meyers, JE; ووگل، ام. ارزیابی تأثیر متفاوت جای خالی بر خشونت جنایی در شهر سنت لوئیس، MO. جنایت. Justice Rev. 2021 , 46 , 156-172. [ Google Scholar ] [ CrossRef ]
Ijgi 10 00472 g001 550
شکل 1. اضلاع اصلی و مناطق اجتماعی مربوطه شیکاگو (اقتباس از پورتال داده شهر شیکاگو).
Ijgi 10 00472 g002a 550 Ijgi 10 00472 g002b 550 Ijgi 10 00472 g002c 550
شکل 2. شبکه های خیابان فرعی ( a ) CS، ( b ) FSES، ( ج ) FNS، ( د ) NWS، ( e ) FSWS، ( f ) SWS، ( g ) NS، ( h ) SS، و ( i) ) WS.
Ijgi 10 00472 g003 550
شکل 3. توزیع مکانی و زمانی حوادث جرم.
Ijgi 10 00472 g004 550
شکل 4. تعداد ویژگی های شهری انتخاب شده در کنار هم.
Ijgi 10 00472 g005 550
شکل 5. تصویری از تابع ریسک.
Ijgi 10 00472 g006 550
شکل 6. نتیجه شبکه K برای سرقت و میخانه ها در FSWS.
Ijgi 10 00472 g007 550
شکل 7. نتایج شبکه K برای سرقت و میخانه ها در FSWS در ( الف ) روزهای هفته و ( ب ) آخر هفته.
Ijgi 10 00472 g008 550
شکل 8. نتیجه شبکه K برای سرقت و میخانه ها در FSWS در طول ( a ) شیفت اول، ( b ) شیفت دوم و ( c ) شیفت سوم.
Ijgi 10 00472 g009a 550 Ijgi 10 00472 g009b 550
شکل 9. ایستگاه های اتوبوس RSIS در ( الف ) دزدی و ( ج ) سرقت، و RSSS آنها در ( ب ) سرقت و ( د ) دزدی در مدل های فضایی-زمانی.
Ijgi 10 00472 g010a 550 Ijgi 10 00472 g010b 550
شکل 10. رستوران های فست فود RSIS در ( الف ) دزدی و ( ج ) دزدی RSIS ، و RSSS آنها در مورد ( ب ) سرقت و ( د ) دزدی RSSS در مدل فضایی-زمانی.
Ijgi 10 00472 g011a 550 Ijgi 10 00472 g011b 550
شکل 11. پمپ بنزین RSIS در مورد ( الف ) دزدی و ( ج ) سرقت، و RSSS آنها در مورد ( ب ) سرقت و ( د ) دزدی در مدل‌های فضایی-زمانی.
Ijgi 10 00472 g012a 550 Ijgi 10 00472 g012b 550
شکل 12. فروشگاه های مواد غذایی RSIS را در ( الف ) سرقت و ( ج ) سرقت، و RSSS خود را در مورد ( ب ) سرقت و ( د ) دزدی در مدل های مکانی-زمانی ذخیره می کنند.
Ijgi 10 00472 g013a 550 Ijgi 10 00472 g013b 550
شکل 13. RSIS را در مورد ( الف ) دزدی و ( ج ) سرقت، و RSSS آنها در مورد ( ب ) دزدی و ( د ) دزدی در مدل‌های فضایی-زمانی منتشر می‌کند.
Ijgi 10 00472 g014 550
شکل 14. همبستگی بین نقاط ضعف متمرکز (CD) و مقادیر RSIS پمپ بنزین در ( الف ) پیش فرض، ( ب ) روز هفته، ( ج ) آخر هفته، ( د ) شیفت اول، ( ه ) شیفت دوم، و ( f ) سوم مدل های شیفت GS = پمپ بنزین، RI = سرقت RSIS، TI = سرقت RSIS، RS = سرقت RSSS، TS = سرقت RSSS، WD = روز هفته، WE = آخر هفته، FS = اولین شیفت، SS = شیفت دوم و TS = شیفت سوم. برچسب های سلول از قرارداد نامگذاری پیروی می کنند: ویژگی شهری_ امتیاز ریسک_ مدل زمانی. به عنوان مثال، GS_TI_Default به سرقت RSIS پمپ بنزین در مدل پیش فرض اشاره دارد.
Ijgi 10 00472 g015a 550 Ijgi 10 00472 g015b 550
شکل 15. همبستگی بین نقاط ضعف متمرکز (CD) و مقادیر RSSS پمپ بنزین ها در ( الف ) پیش فرض، ( ب ) روز هفته، ( ج ) آخر هفته، ( د ) شیفت اول، ( ه ) شیفت دوم، و ( f ) سوم مدل های شیفت GS = پمپ بنزین، RS = سرقت RSSS، TS = سرقت RSSS، WD = روز هفته، WE = آخر هفته، FS = شیفت اول، SS = شیفت دوم و TS = شیفت سوم. برچسب های سلول از قرارداد نامگذاری پیروی می کنند: ویژگی شهری_ امتیاز ریسک_ مدل زمانی. به عنوان مثال، GS_Ts_Default به سرقت RSSS پمپ بنزین در مدل پیش فرض اشاره دارد.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید