تحلیل تلفیقی ناهمگونی فضایی و پراکندگی بیش از حد جرم با یک مدل دوجمله ای منفی وزن دار جغرافیایی

خلاصه

مدل رگرسیون دو جمله ای منفی (NB) برای تحلیل جرم در مطالعات قبلی استفاده شده است. نقطه ضعف مدل NB این است که نمی تواند با اثرات فضایی مقابله کند. بنابراین، مدل‌های رگرسیون فضایی، مانند مدل رگرسیون پواسون وزن‌دار جغرافیایی (GWPR)، برای پرداختن به ناهمگونی فضایی در تحلیل جرم معرفی شدند. با این حال، GWPR نمی تواند برای پراکندگی بیش از حد، که معمولا در داده های جرم مشاهده می شود، توضیح دهد. مدل دوجمله‌ای منفی وزن‌دار جغرافیایی (GWNBR) برای پرداختن به ناهمگنی فضایی و پراکندگی بیش از حد به طور همزمان در تجزیه و تحلیل جرم، بر اساس یک مجموعه داده‌های 3 ساله جمع‌آوری‌شده از شهر ZG، چین، در این مطالعه اتخاذ شد. تعداد سرقت های منازل مسکونی به عنوان متغیر وابسته برای کالیبراسیون مدل های فوق استفاده شد. و نتایج نشان داد که مدل‌های GWPR و GWNBR برای کاهش وابستگی فضایی در باقیمانده‌های مدل بهتر از NB عمل کردند. GWNBR از GWPR برای ترکیب بیش از حد پراکندگی بهتر عمل کرد. بنابراین، GWNBR یک ابزار امیدوارکننده برای مدل‌سازی جرم ثابت شد.

کلید واژه ها:

سرقت منازل مسکونی ; ناهمگونی فضایی ; پراکندگی بیش از حد ; رگرسیون پواسون دارای وزن جغرافیایی رگرسیون دو جمله ای منفی با وزن جغرافیایی

1. معرفی

با توجه به نابرابری محیط های ساخته شده و عوامل اجتماعی-جمعیتی، توزیع نابرابر جرم در محله های مختلف مدت هاست که توسط بسیاری از مطالعات تایید شده است [ 1 ، 2 ، 3 ، 4 ]. محققان قبلی دریافته اند که اکثریت قریب به اتفاق جرایم در چند مکان خاص انجام می شود [ 5 ]. در میان بسیاری از نظریه های جغرافیای جرم، نظریه فعالیت های معمول و نظریه الگوی جرم معمولاً برای توضیح تجمع فضایی فعالیت های مجرمانه به کار می روند.

نظریه فعالیت معمولی که توسط کوهن و فلسون پیشنهاد شده است یک چارچوب نظری است که معمولاً در تجزیه و تحلیل جرم استفاده می شود [ 6 ]، که بیان می کند که همگرایی یک مجرم با انگیزه، یک قربانی آسیب پذیر و یک مکان مستعد جرم منجر به جرایم جنایی می شود. تئوری فعالیت‌های روتین نشان می‌دهد که مکان‌های خاصی مانند کافه‌ها، مدارس، و پمپ بنزین‌ها بیشتر قربانی جرم هستند. نظریه الگوی جرم که توسط برانتینگهام و برانتینگهام [ 7] ارائه شد، استدلال می‌کند که جرم به طور تصادفی در مکان و زمان توزیع نمی‌شود، اما الگوی خاصی از مکان‌هایی را ارائه می‌کند که محل تلاقی مجرمان و قربانیان در برابر جرم آسیب‌پذیرتر هستند. دو نظریه فوق به طور موثر توضیح می دهند که چرا جرم در فضایی متمرکز است و “نقاط داغ” جرایم جنایی را تشکیل می دهد.

نظریه عدم سازماندهی اجتماعی به طور گسترده ای برای کشف رابطه بین جرم و ویژگی های محله مرتبط استفاده شده است [ 8 ]. یکی از مقدمات نظریه بی‌سازمانی اجتماعی این است که میزان جرم و جنایت در جوامع محروم بیشتر از سایرین است که توسط بسیاری از مطالعات تجربی حمایت شده است [ 9 ]. تکنیک‌های آماری برای بررسی کمی رابطه بین جرم و عوامل تأثیرگذار، مانند حداقل مربعات معمولی (OLS) استفاده شده است [ 10 ، 11 ]]. تحقیقات جنایی معمولاً تعداد جرایم را به عنوان متغیر وابسته در نظر می گیرد که گسسته است، در حالی که مدل OLS فرض می کند که متغیر وابسته باید پیوسته باشد. بنابراین، مدل‌های پواسون و رگرسیون دوجمله‌ای منفی برای مدل‌سازی جرم اتخاذ شده‌اند [ 12 ، 13 ، 14 ، 15 ].

تکنیک های ذکر شده در بالا همه روش های رگرسیون جهانی هستند، که فرض می کنند ارتباط بین جرم و عوامل مرتبط در سراسر فضا ثابت است، در حالی که این همیشه درست نیست [ 16 ]. با توجه به ماهیت ذاتا تصادفی جرایم و محیط های پیچیده ای که در آن رخ می دهند، توصیف تأثیر عوامل خطر بر جرم با یک رابطه ثابت غیر واقعی است. روش‌شناسی‌های زیادی برای تحلیل روابط متغیر فضایی بین جرم و عوامل خطر مرتبط با آن، مانند مدل‌های رگرسیون وزن‌دار جغرافیایی [ 17 ، 18 ]، مدل فیلتر فضایی بردار ویژه [ 19 ، 20 ، 21 ] پیشنهاد شده‌اند.]، و مدل ضرایب متغیر بیزی و غیره [ 22 ، 23 ].

در میان این مدل‌ها، رگرسیون وزن‌دار جغرافیایی (GWR) به‌دلیل چارچوب مفهومی ساده و راحتی تفسیر آن در هنگام مدل‌سازی ناهمگونی فضایی برای جرم به طور گسترده اعمال شده است [ 17 ]. با توجه به نوع متغیر پاسخ، GWR به نسخه های مختلفی مانند رگرسیون گاوسی وزن جغرافیایی، رگرسیون پواسون وزن جغرافیایی (GWPR) و رگرسیون لجستیک وزن جغرافیایی (GWLR) تبدیل شده است. داده های جرم معمولاً در قالب تعداد پرونده های جنایی گزارش می شود که می تواند به عنوان متغیر پاسخ بدون تغییر در مدل GWPR استفاده شود [ 24 ، 25 ].

به دلیل پیچیدگی الگوهای جرم معمولاً از میزان جرم و تعداد جرایم به عنوان متغیر وابسته در تحلیل جرم استفاده می شود. پراکندگی بیش از حد مسئله دیگری است که باید در مدل‌سازی جرم حل شود، زمانی که متغیر وابسته یک شمارش باشد [ 26 ، 27 ]. از نظر آماری، پراکندگی بیش از حد به این معنی است که تغییرات بیشتری در داده ها نسبت به پیش بینی ها وجود دارد. داده های شمارش در تحقیقات جنایی بسیار محبوب هستند، در حالی که پراکندگی بیش از حد در تجزیه و تحلیل چنین داده هایی مشکل است. عدم پرداختن به پراکندگی بیش از حد به درستی منجر به دست کم گرفتن خطاهای استاندارد و استنتاج گمراه کننده برای ضرایب می شود [ 28 ]]. اگرچه مدل دوجمله ای منفی (NB) برای پرداختن به پراکندگی بیش از حد به عنوان جایگزینی برای مدل رگرسیون پواسون در تجزیه و تحلیل جرم [ 29 ، 30 ، 31 ] پذیرفته شده است ، اما در مقابله با ناهمگونی فضایی شکست خورده است.

اگرچه برخی مطالعات وجود دارد که نشان داده اند که لازم است ناهمگنی فضایی و پراکندگی بیش از حد به طور همزمان مدل شود [ 32 ، 33 ]، تحقیقات تجربی که پراکندگی بیش از حد را در ناهمگونی فضایی ادغام می کند به طور کامل در تحلیل جرم مورد بررسی قرار نگرفته است. هدف این مطالعه پر کردن این شکاف با مدل‌سازی ناهمگونی فضایی در جرایم حاوی پراکندگی بیش از حد است. مانند سایر نقاط جهان، دزدی از منازل رایج‌ترین جرم در چین است که شاید بیشترین جرم مورد تجزیه و تحلیل مکانی در سراسر جهان باشد. بنابراین در این تحقیق سرقت منزل به عنوان نمونه انتخاب شد.

2. داده ها و روش ها

2.1. منطقه مطالعه

با توسعه اقتصاد، وضعیت جرم و جنایت در چین به طور فزاینده ای جدی می شود. سرقت از منازل بزرگترین نوع جرم در چین است و هر سال بیش از 1 میلیون سرقت وجود دارد [ 34 ]. این تحقیق در ZG انجام شد. که بزرگترین شهر در جنوب شرقی چین است. این یکی از شلوغ ترین شهرهای چین است و جمعیت ZG در سال 2018 حدود 14.9 میلیون نفر است که یک سوم کل کشور است. از زمان اصلاحات و تغییر سیاست باز در دهه 1980، اقتصاد شهر ZG به دلیل مزایای موقعیت جغرافیایی، تحولات سریعی داشته است. در سال 2018، سرانه تولید ناخالص داخلی (تولید ناخالص داخلی) ZG 22167 دلار آمریکا بود و به یکی از 5 شهر ثروتمند چین تبدیل شده است.

2.2. داده ها

داده های مورد استفاده در این تحقیق از ZG; چین. داده های جرم توسط اداره امنیت عمومی شهرداری ZG ارائه شده است. بیش از 150000 پرونده سرقت از منازل مسکونی در دوره 2013-2015 وجود داشت. داده های جمعیت شناختی و اجتماعی-اقتصادی از سالنامه آماری ZG منتشر شده توسط اداره آمار ZG به دست آمده است. تعداد ایستگاه های اتوبوس از سامانه اطلاعات جغرافیایی شهر ZG جمع آوری شد.

سیستم‌های منطقه‌ای مختلف در تجزیه و تحلیل جرم مورد استفاده قرار گرفته‌اند، مانند ایالت‌ها، شهرستان‌ها، شهرها، گروه‌های بلوک، و بخش‌های سرشماری. یک ایستگاه پلیس مردمی ترین سازمان اجرای قانون در چین است. کل شهر به مناطق زیادی تقسیم شده بود که با توجه به موقعیت هر ایستگاه پلیس، مناطق مدیریت کلانتری (PSMA) نامیده می شدند. تمام سیاست های پلیسی از طریق ایستگاه های پلیس در چین انجام می شود. در مقایسه با سایر واحدها، PSMA را می توان به راحتی با فرآیند برنامه ریزی ایمنی ادغام کرد. بنابراین، PSMA به عنوان واحد فضایی در این مطالعه انتخاب شد و همه داده‌ها در سطح PSMA تجمیع شدند. 215 PSMA در شهر ZG وجود داشت. همانطور که در شکل 1 نشان داده شده است، تعداد سرقت های مسکونی در هر PSMA از 9 تا 3547 متغیر بود .

پیرو مطالعات قبلی [ 24 ، 25 ، 35 ، 36 ، 37 ]، متغیرهای انتخاب شده برای این تحقیق در جدول 1 و همچنین آمار توصیفی آنها نشان داده شده است. در این مطالعه تعداد سرقت به عنوان متغیر وابسته در نظر گرفته شد. تعداد واحدهای خانوار به عنوان متغیر مواجهه انتخاب شد. متغیرهای توضیحی که معمولاً در تحقیقات جنایی قبلی مورد استفاده قرار می گرفتند، با توجه به ادبیات [ 38 ، 39 ، 40 ، 41 انتخاب شدند.]. به منظور جلوگیری از چند خطی بودن بین متغیرها، برای اطمینان از تأثیر قابل توجه بر نتایج مدل، قبل از تجزیه و تحلیل بیشتر باید یک آزمون همبستگی دو متغیره انجام شود. نتایج در جدول 2 نشان داده شده است. همه ضرایب همبستگی کمتر از 0.7 بود که نشان داد بین متغیرهای توضیحی همبستگی قوی وجود ندارد.

2.3. روش شناسی

اگرچه روش های مختلفی برای مقابله با ناهمگونی فضایی وجود دارد، GWR به طور گسترده برای راحتی آن استفاده شده است. روش شناسی اتخاذ شده در این تحقیق بر اساس GWR بود. به منظور مقایسه عملکرد مدل، در این تحقیق 4 مدل توسعه داده شد که در این بخش به اختصار توضیح داده شده است.

2.3.1. مدل دو جمله ای منفی (NB)

توزیع نرمال متغیرهای وابسته یکی از مفروضات اساسی مدل های رگرسیون خطی سنتی است. با این حال، این فرضیه معمولا در عمل برآورده نمی شود. به عنوان مثال، زمانی که تعداد جرایم به عنوان متغیر وابسته در نظر گرفته شد، توزیع دیگر به عنوان یک توزیع نرمال ارائه نمی شود، بلکه به صورت یک توزیع دو جمله ای پواسون یا منفی [ 42 ، 43 ] ارائه می شود.]. سپس مدل های خطی تعمیم یافته، مانند مدل رگرسیون پواسون، به صورت متناوب مورد استفاده قرار گرفتند. مدل رگرسیون پواسون معمولاً زمانی استفاده می شود که متغیر وابسته داده های شمارش باشد. با این حال، فرض مدل پواسون این است که میانگین برابر با واریانس است که اغلب در داده های جرم نقض می شود. بنابراین، مدل دوجمله ای منفی اغلب به جای آن استفاده می شود تا بیش از حد پراکندگی را در نظر بگیرد.

y من ~ ن ب [تی من e x p (\sum ک β ک ایکس من ک) ، α]

(1)

جایی که $N B$ مخفف دوجمله ای منفی، $y_{i}$ تعداد سرقت های منازل مسکونی در است $i$ ام ( $i = 1, \dots, n$ ) PSMA، $x_{i k}$ هست $k$ متغیر توضیحی برای PSMA $i$ ، $β_{k}$ ( $k = 0, 1, \dots, p$ ) ضرایب هستند، $t_{i}$ تعداد واحدهای خانگی در PSMA است $i$ ، که متغیر افست است و $α$ پارامتر پراکندگی بیش از حد است.

2.3.2. مدل پواسون دارای وزن جغرافیایی (GWPR)

زمانی که مختصات جغرافیایی مشاهدات در فرآیند مدل‌سازی گنجانده شد، مدل رگرسیون پواسون به رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) گسترش یافت. مدل پواسون وزن‌دار جغرافیایی توسعه‌ای از GWR در چارچوب مدل‌های خطی تعمیم‌یافته بود، در حالی که متغیر وابسته داده‌های شمارش بود. چارچوب GWPR به شرح زیر است:

y من ~ پ من هستم و نیستم [__تی من e x p (\sum ک β ک (تو من ، v من) ایکس من ک)]

(2)

جایی که $(u_{i}, v_{i})$ مختصات جغرافیایی مرکز PSMA هستند $i$ ، و $β_{k} (u_{i}, v_{i})$ تابع مرکز PSMA است $i$ ، که می تواند به صورت زیر محاسبه شود:

β ˆ (تو من ، v من) = (ایکس تی W (تو من ، v من) X) - 1 ایکس تی W (تو من ، v من) Y

(3)

جایی که $\hat{β} (u_{i}, v_{i})$ بردار پارامترهای محلی در PSMA است $i$ ، و $W (u_{i}, v_{i})$ ماتریس وزن فضایی است که می تواند به صورت زیر ارائه شود:

W (تو من ، v من) = ⎡⎣⎢⎢⎢⎢ w من 1 0 \dots 00 w من 2 \dots \dots \dots \dots \dots \dots 00 \dots w من n ⎤⎦⎥⎥⎥⎥

(4)

جایی که $w_{i j}$ وزنی است که به PSMA داده می شود $j$ در طول فرآیند کالیبراسیون برای PSMA $i$ .

2.3.3. مدل دوجمله‌ای منفی وزن‌دار جغرافیایی (GWNBR)

GWPR برای بررسی رابطه بین جرم و عوامل خطر مرتبط به کار گرفته شده است، زمانی که متغیر پاسخ تعداد جرایم بود [ 24 ]. همانطور که Xu و Huang نشان دادند، استفاده از GWPR برای مدل‌سازی داده‌های شمارش تنها یک راه‌حل موقت بود که عمدتاً توسط نرم‌افزار موجود GWR4 محدود شده بود [ 44 ]. GWR4 توسط Nakaya و همکاران توسعه داده شد. [ 45 ] برای مدل‌سازی ناهمگنی فضایی، که کالیبراسیون GWR را با ساختار دوجمله‌ای منفی ارائه نمی‌دهد. برای غلبه بر این نقطه ضعف، باید از مدل رگرسیون دوجمله‌ای منفی وزن‌دار جغرافیایی (GWNBR) استفاده شود که می‌تواند ناهمگنی فضایی و پراکندگی بیش از حد را به طور همزمان مدل‌سازی کند [ 33]. مدل GWNBR را می توان به صورت زیر توصیف کرد:

y من ~ ن ب [تی من e x p (\sum ک β ک (تو من ، v من) ایکس من ک) ، α (تو من ، v من)]

(5)

جایی که $t_{i}$ یک متغیر افست است که تعداد واحدهای خانه است، $β_{k}$ ضریب متغیر توضیحی است $x_{k}$ ، برای $k = 1, \dots n$ ، $y_{i}$ تعداد سرقت های منازل مسکونی در است $i t h$ PSMA، و $α$ پارامتر پراکندگی بیش از حد است.

روش حداقل مربعات اصلاح شده با وزن مجدد (IRLS) و الگوریتم نیوتن رافسون (NR) به طور متناوب برای تخمین استفاده شد.

β_{k} (u_{i}, v_{i})

α (u_{i}, v_{i}),

به گفته سیلوا و رودریگز [ 33 ].

ایده اصلی GWR از قانون اول جغرافیا [ 46 ] مشتق شده است که نشان می دهد مشاهدات نزدیک به مکان

i

تاثیر بیشتری در تخمین دارند

β_{k} (u_{i}, v_{i})

نسبت به مشاهدات واقع در دورتر. یک تابع هسته می تواند به طور موثر بزرگی تأثیر را نشان دهد و دو مربع یکی از متداول ترین توابع هسته است که در این مطالعه استفاده می شود:

دو مربع:

w من ج = ⎧⎩⎨⎪⎪⎪⎪ (1 - (د من ج ب من ( k ))) 2 اگر د من ج < ب من (k) 0 در غیر این صورت

(6)

جایی که $d_{i j}$ فاصله بین PSMA است $i$ و PSMA $j$ ، و $b_{i (k)}$ پهنای باند تطبیقی است.

پهنای باند تأثیر مهمی بر تخمین پارامتر دارد. معیار اطلاعات Akaike تصحیح شده (AICc ) و اعتبار متقابل ( CV ) دو روش متداول برای تعیین پهنای باند بهینه هستند که به شرح زیر توصیف می شوند:

یک من سی c = - 2 L (β ، α) + 2 k + 2 k ( k + 1 ) n - k - 1

(7)

جایی که $L (β, α)$ احتمال ورود به سیستم GWNBR و $k$ تعداد موثر پارامترها است. این $k$ از GWNBR باید به عنوان ثبت شود $k = k_{1} + k_{2}$ ، جایی که $k_{1}$ و $k_{2}$ تعداد موثر پارامترهای هستند $β$ و $α$ . بسته به اینکه آیا پارامتر overdispersion $α$ در فضا متفاوت است، مدل GWNBR می تواند به 2 مدل تبدیل شود. یکی با α از لحاظ مکانی متفاوت GWNBR محلی نامیده می شود و دیگری، با همان α در کل منطقه تحقیقاتی، GWNBR جهانی نامیده می شود. این $k_{2}$ برای GWNBR جهانی 1 و است $k_{2}$ برای GWNBR محلی تا به امروز دشوار بوده است. بنابراین، پهنای باند بهینه GWNBR محلی باید توسط CV تخمین زده شود:

رزومه = \sum j = 1 n [y j - y ˆ \neq j (ب)] 2

(8)

جایی که $b$ پهنای باند است و ${\hat{y}}_{\neq j} (b)$ تخمین نقطه است $j$ .

ریشه میانگین مربعات خطا (RMSE) معیار دیگری برای ارزیابی عملکرد مدل ها است که می تواند به صورت زیر ارائه شود:

RMSE = 1 n \sum (y j - y j ˆ) 2 ————-\sqrt

(9)

جایی که $y_{j}$ تعداد مشاهده شده سرقت های مسکونی است، $\hat{y_{j}}$ تعداد پیش‌بینی‌شده سرقت‌های مسکونی است و $n$ تعداد PSMA ها است.

3. نتایج و بحث

مدل‌های داده‌های شمارش در این تحقیق انتخاب شدند، زیرا متغیر وابسته تعداد جرایم بود که معمولاً توزیع کج‌رویی را نشان می‌دهد. علاوه بر این، این مطالعه سعی می‌کند تا پراکندگی بیش از حد را در یک مدل رگرسیون وزن‌دار جغرافیایی به منظور تجزیه و تحلیل اثر پراکندگی بیش از حد بر مدل‌سازی غیر ثابت جرم وارد کند. چهار مدل برای بررسی اثر پراکندگی بیش از حد بر تجزیه و تحلیل جرم بر اساس روش‌شناسی فوق، از جمله مدل دوجمله‌ای منفی (NB)، مدل رگرسیون پواسون وزن‌دار جغرافیایی (GWPR)، مدل رگرسیون دو جمله‌ای منفی وزن‌دار جغرافیایی با آلفای محلی (محلی) توسعه یافت. GWNBR)، و مدل رگرسیون دوجمله ای منفی دارای وزن جغرافیایی با آلفای جهانی (GWNBR جهانی).

مدل های ذکر شده در بالا با استفاده از ماکروهای نرم افزار SAS® که توسط Silva و Rodrigues [33] توسعه یافته بودند ^، کالیبره شدند . پهنای باند بهینه برای GWPR و GWNBR جهانی با به حداقل رساندن AICc به دست آمد . از آنجایی که برآورد AICc برای GWNBR محلی غیرممکن بود، CV برای تعیین پهنای باند بهینه انتخاب شد.

3.1. مقایسه عملکرد مدل

سه معیار برای مقایسه عملکرد چهار مدل فوق الذکر، شامل ریشه میانگین مربعات خطا (RMSE)، احتمال ورود به سیستم ( LL )، و معیار صحیح اطلاعات آکایک (AICc ) اتخاذ شد. هر چه RMSE و AICc مدل کمتر باشد، عملکرد مدل بهتر است. مدل هایی با مقادیر LL بالاتر نسبت به سایرین مزیت دارند. نتایج در جدول 3 نشان داده شده است. مدل NB بالاترین RMSE را داشت و پس از آن مدل های جهانی GWNBR، GWNBR محلی و GWPR قرار گرفتند. بدیهی است که سه مدل فضایی بهتر از مدل غیر فضایی عمل می کنند. برای سه مدل فضایی، یک دلیل ممکن برای توضیح اینکه چرا GWPR بهتر از دو مدل GWNBR عمل می کند، با RMSE کمتر و بالاتر، L .L . این است که اولی کمترین پهنای باند را داشت. با توجه به AICc، GWPR بدترین تنظیم را داشت و پس از آن NB و مدل جهانی GWNBR قرار گرفتند. دلیل احتمالی این است که دو مدل بعدی دارای پراکندگی بیش از حد هستند.

جدول 4 آمار موران I و مقدار p مربوطه را برای باقیمانده های چهار مدل ارائه می دهد. اول از همه، ارزش Moran’s I پس از گنجاندن اثرات فضایی و پراکندگی بیش از حد در داده ها به طور قابل توجهی کاهش یافت. دوم، باید توجه داشت که وابستگی فضایی در دو مدل GWNBR ناچیز می‌شود، که نشان می‌دهد خود همبستگی فضایی بین باقیمانده‌های مدل‌ها را می‌توان به طور موثر با پراکندگی بیش از حد و ناهمگنی فضایی توضیح داد.

با ترکیب جدول 3 و جدول 4 ، می توانیم رابطه بین برازش مدل و خود همبستگی فضایی را در باقیمانده های مدل ارزیابی کنیم. دو مدل GWNBR آمار ناچیز Moran’s I را با RMSE متوسط به دست دادند که کمتر از NB بود. در حالی که GWPR کمترین RMSE را داشت، نتوانست وابستگی فضایی را به طور موثر حل کند. این نشان داد که اثر فضایی، به ویژه وابستگی فضایی، ممکن است به طور مستقیم با توانایی پیش بینی یک مدل مرتبط نباشد. یک مدل با قدرت پیش بینی قوی تضمین نمی کند که از نظر فضایی بی طرفانه باشد. یک مدل فضایی که یک برآورد فضایی غیر مغرضانه تولید می کند ممکن است به قیمت قدرت پیش بینی آن تمام شود.

3.2. تخمین پارامترها

نتایج برآورد ضریب در جدول 5 ارائه شده است. میانگین ضرایب در مدل جهانی (NB) و همچنین آمار توصیفی ضرایب برآورد شده توسط مدل های محلی (GWPR، GWNBR جهانی و GWNBR محلی) شامل حداقل و حداکثر مقادیر، چارک پایین، چارک بالا و مقادیر میانه.

ضرایب مدل‌های GWPR، GWNBR محلی و GWNBR جهانی از نظر مکانی متفاوت است، در حالی که پارامترهای مدل NB در منطقه مورد مطالعه منحصر به فرد هستند. با توجه به علامت مقدار میانگین ضرایب، تنها یک متغیر وجود دارد، بیش از 60 (درصد افراد بالای 60 سال (%)) که تاثیر منفی بر سرقت منزل در مدل NB و همچنین مدل‌های GWNBR محلی و GWNBR جهانی، در حالی که سه متغیر وجود دارد که تأثیر منفی در GWPR دارند.

با توجه به بزرگی ضرایب، پارامترهای برآورد شده توسط مدل‌های GWNBR محلی و GWNBR جهانی به NB نزدیک‌تر از GWPR بودند. دامنه تغییرات ضریب برای مدل GWPR به طور قابل توجهی گسترده تر از مدل های محلی GWNBR و GWNBR جهانی بود، که ممکن است تا حدی با این واقعیت توضیح داده شود که مدل GWPR پراکندگی بیش از حد داده ها را در نظر نمی گیرد.

چندین پارامتر محلی متفاوت از منفی به مثبت در مدل های محلی وجود دارد که با عقل سلیم ما مطابقت ندارد. به عنوان مثال، گزارش شده است که جمعیت شناور تأثیر مثبت قابل توجهی بر سرقت های مسکونی در مطالعات قبلی دارد [ 25 ، 47 ، 48 ]، به این معنی که PSMA هایی با جمعیت شناور کمتر ایمن تر بودند. با این وجود، ضرایب جمعیت شناور در برخی از PSMAها در این تحقیق منفی است. مشکل علامت ضد شهودی در مدل‌سازی با مدل‌های محلی، مانند GWR و GWPR بسیار محبوب بود [ 24 ، 44 ، 49 ]]. یکی از دلایل احتمالی این مشکل، چند خطی بودن بین متغیرهای توضیحی بود. به منظور کمی سازی میزان چند خطی، یک آزمون همبستگی دو متغیره انجام شد و نتایج در جدول 2 ارائه شده است. حداکثر مقدار ضریب همبستگی بین جمعیت‌های شناور و اجاره‌کنندگان 667/0 بود که نشان می‌دهد هیچ متغیر توضیحی همبستگی بالایی در مدل‌ها وجود ندارد.

از سوی دیگر، پراکندگی بیش از حد در داده ها ممکن است توضیح مهمی برای علائم پارامترهای غیرمنتظره باشد، همانطور که محققان قبلی گزارش کردند [ 32 ، 44 ]. به عنوان مثال، ثابت شد که تراکم ایستگاه اتوبوس تأثیر مثبتی بر سرقت‌های مسکونی دارد [ 50 ، 51 ، 52 ]، و همچنین در مدل‌های محلی GWNBR و GWNBR جهانی، در حالی که همان ضریب برآورد شده توسط GWPR از منفی به مثبت متغیر بود. در نظر نگرفتن پراکندگی بیش از حد در GWPR ممکن است دلیل این پدیده باشد.

3.3. تحلیل فضایی ضرایب

توزیع فضایی تمام ضرایب برآورد شده توسط مدل های محلی فوق به ترتیب در شکل 2 ، شکل 3 و شکل 4 ارائه شده است و الگوهای فضایی مربوط به آنها در ادامه بررسی شده است.

چندین الگوی فضایی وجود دارد که باید در اینجا مورد توجه قرار گیرد. اول، با توجه به این واقعیت که GWPR مدلی با کمترین پهنای باند بود، ضرایب GWNBR محلی و GWNBR جهانی صاف تر از GWPR بود. دوم، به نظر می رسد که بزرگی ضرایب محلی برآورد شده در GWNBR محلی و GWNBR جهانی به سمت محدوده ضرایب همان متغیر در GWPR کاهش یافته است.

توزیع فضایی پارامتر overdispersion برای مدل محلی GWNBR در شکل 5 ارائه شده است . می توان دریافت که مقادیر کمتر α در نواحی مرکز شهر قرار دارد و این مقادیر از مناطق شهری به حومه شهر افزایش یافته است. پارامترهای پراکندگی بیش از حد در سطح 90 درصد در بیش از 80 درصد PSMAها معنی‌دار است که ضرورت استفاده از مدل محلی GWNBR را نشان می‌دهد.

با توجه به این واقعیت که دو مدل GWNBR مشابه هستند و از مدل NB و GWPR بهتر عمل می کنند، ما مدل جهانی GWNBR را برای تفسیر نتایج خود انتخاب کردیم. مدل توسعه‌یافته نیز می‌تواند به طور موثر با تفسیر خوبی از تخمین پارامتر توجیه شود.

در این تحقیق مساحت خانه به عنوان جذابیت برای مجرمان در نظر گرفته شد. فراوانی بیشتر خانه‌های بزرگ منجر به انتخاب هدف‌های بیشتری برای مجرمان شد. مساحت خانه به عنوان یک عامل مثبت قابل توجه در سرقت های مسکونی در مطالعات قبلی شناسایی شده بود [ 24]. علائم ضریب مساحت خانه در اکثر PSMA ها مثبت بود که نشان می دهد افزایش خانه های بزرگ باعث افزایش دفعات سرقت منازل مسکونی می شود. تنها 9 PSMA با علائم منفی در GWPR و به دنبال آن 4 در GWNBR محلی و 0 در GWNBR جهانی وجود داشت. غرب شهر یک منطقه توسعه اقتصادی و فناوری است که مساحت خانه بیشترین تأثیر را در جرم و جنایت دارد. با این حال، ما می دانیم که این یک مبادله است زیرا خانه های بزرگتر ممکن است امنیت بهتری داشته باشند و سرقت آنها سخت تر باشد. بر اساس تئوری انتخاب منطقی، سارقان ممکن است با خطر دستگیر شدن از دزدی از خانه های بزرگ دست بکشند. متغیرهای اضافی باید در تحقیقات آینده اضافه شود تا تغییرات را به تصویر بکشد.

تعداد اجاره‌کنندگان به طور مثبت با تعداد سرقت‌های مسکونی در مدل NB مرتبط بود، که نشان می‌دهد اجاره‌کنندگان بیشتر در یک PSMA می‌تواند منجر به سرقت‌های مسکونی بیشتر شود. ضرایب سه مدل محلی به جز چند PSMA مثبت بود. در مطالعات قبلی به دلیل تحرک بالا، اجاره کنندگان به عنوان یک عامل خطر مهم مرتبط با جرم و جنایت گزارش شده است [ 25 ]. بر اساس تئوری بی‌سازمانی اجتماعی، افزایش تحرک ساکنان منجر به جرایم بیشتر می‌شود [ 8 ]]. این را می توان با این واقعیت توضیح داد که صاحبان خانه بیشتر از اجاره نشینان نگران امنیت جامعه بودند. زمانی که خطر امنیتی بالقوه وجود داشت، صاحبان خانه بیشتر سعی می‌کردند مشکل را حل کنند، در حالی که اجاره‌کنندگان اغلب به جای آن محل را ترک می‌کردند.

افراد مسن به عنوان یک سرپرست غیررسمی مهم در ادبیات جنایی شناخته شده اند [ 53 ]، به این معنی که انتظار می رود منطقه ای با افراد بالای 60 سال دارای سرقت های کمتری از منازل باشد. در این تحقیق مشخص شد که بیش از 60 با سرقت های مسکونی در اکثر PSMA ها ارتباط منفی دارد، به جز 12 مورد. پس از بررسی آمارهای t محلی، متوجه شدیم که هیچ یک از 12 مورد در سطح اطمینان 95٪ معنی دار نبودند. همانطور که در شکل 2 ، شکل 3 و شکل 4 نشان داده شده استاز منظر فضایی، تأثیر بیش از 60 بر سرقت منازل مسکونی در حومه شهر نسبت به مناطق شهری بیشتر بود. این ممکن است به دلیل تفاوت بین ویژگی های فیزیکی مناطق شهری و روستایی باشد. در مرکز شهر، مردم در ساختمان‌های مرتفع زندگی می‌کنند که از فعالیت‌های نظارتی محروم هستند، که نظارت طبیعی را کاهش می‌دهد.

تراکم ایستگاه اتوبوس به طور مثبت با فرکانس سرقت از منازل در GWNBR جهانی مرتبط است، همانطور که در مدل NB، نشان می دهد که توقف های اتوبوس بیشتر در یک PSMA می تواند منجر به سرقت های مسکونی بیشتر شود. هیچ اتفاق نظری در مورد تأثیر دسترسی بر سرقت وجود نداشت. برخی از مطالعات نشان دادند که دسترسی به سرقت ارتباط منفی دارد [ 54 و 55 ]، در حالی که برخی دیگر دریافتند که مناطق با دسترسی بهتر می تواند منجر به سرقت های بیشتر شود [ 56 ، 57 ] که مشابه این مطالعه بود. همانطور که در شکل 2 ، شکل 3 و شکل 4 نشان داده شده استتراکم ایستگاه اتوبوس تاثیر بیشتری در حومه شهر داشت. حمل و نقل عمومی روش اصلی سفر در چین و همچنین برای متخلفان است. گزینه های زیادی برای حمل و نقل عمومی در مناطق شهری مانند مترو، اتوبوس، تاکسی، تراموا، دوچرخه مشترک و غیره وجود دارد، در حالی که اتوبوس ها تقریبا تنها وسیله حمل و نقل عمومی در حومه شهر هستند. تئوری فعالیت های روتین ادعا می کرد که “فعالیت های غیرقانونی از فعالیت های قانونی زندگی روزمره تغذیه می شود”. حمل و نقل عمومی راه مهمی برای سفر در چین است، بنابراین ایستگاه های اتوبوس گره مهمی از فعالیت های روزانه هستند. بنابراین، جای تعجب نیست که ایستگاه های اتوبوس تاثیر مثبتی بر سرقت منزل داشته باشند.

جمعیت های شناور گروه های خاصی در روند توسعه اجتماعی در چین بودند. مطالعات قبلی نشان داد که جمعیت های شناور رابطه مثبتی با جرم و جنایت دارند [ 47 ، 48 ]. ضریب جمعیت شناور در 7 مورد از 215 PSMA منفی بود. بررسی آماره های t محلی نشان داد که این 7 PSMA با پارامترهای منفی معنی دار نبودند. بر اساس تئوری بی‌سازمانی اجتماعی، کنترل اجتماعی غیررسمی به پیشگیری از جرم کمک می‌کند، در حالی که تحرک بیش از حد مسکونی منجر به تنظیم غیررسمی اجتماعی نمی‌شود. نسبت بالایی از جمعیت های شناور منجر به جرایم بیشتر می شود که در این مطالعه تایید شده است.

3.4. محدودیت ها

اگرچه نتایج مطالعه فعلی پشتیبانی می‌کند که GWNBR یک ابزار امیدوارکننده برای تجزیه و تحلیل جرم است، نمی‌توان فراموش کرد که این روش فقط برای مدل‌سازی داده‌های شمارش فضایی با پراکندگی بیش از حد قابل‌توجه قابل استفاده است. یکی از محدودیت های این مطالعه این است که فقط سرقت از منازل مورد بررسی قرار گرفت. با این حال، پراکندگی بیش از حد در انواع مختلف جرایم دیده شده است، بنابراین این روش باید برای انواع دیگر جرایم قابل اجرا باشد. علاوه بر این، تنها یک شهر چینی مورد بررسی قرار گرفت. تفاوت های زیادی در زمینه جغرافیایی بین شهرها یا کشورها وجود داشت. بنابراین، مطالعات بیشتری باید در شهرها و کشورهای مختلف و با انواع جرایم انجام شود تا بهره مندی از مدل های پیشنهادی توجیه شود. با این وجود، مطالعات قبلی تأیید کرده‌اند که مدل‌های مبتنی بر نظریه‌های الگوی جرم و تئوری‌های فعالیت معمول عموماً در شهرهای چین قابل اجرا هستند. علاوه بر این، هر گونه تحقیق بر اساس واحدهای فضایی نمی تواند از مسئله واحد منطقه قابل اصلاح (MAUP) جلوگیری کند، که توجه جرم شناسان را نیز به خود جلب کرده است.58 ، 59 ]. تجزیه و تحلیل چند مقیاسی به عنوان یک روش موثر برای حل MAUP در نظر گرفته می شود [ 60 ، 61 ]. با این حال، محدود به داده ها، این مطالعه نمی تواند تجزیه و تحلیل حساسیت را برای اثر مقیاس و اثر منطقه بندی انجام دهد، که باید در آینده اجرا شود.

4. نتیجه گیری

مدل های تجزیه و تحلیل جرم به طور گسترده ای استفاده شده است. ثابت شده است که رگرسیون وزن‌دار جغرافیایی یک روش قدرتمند برای مدل‌سازی جرم است که می‌تواند ناهمگونی فضایی را در داده‌های جرم نشان دهد. با این حال، بسیاری از مسائل وجود دارد که تا به امروز حل نشده باقی مانده است که یکی از آنها پراکندگی بیش از حد است. بنابراین، این مطالعه عمدتاً بر امکان ادغام ناهمگونی فضایی و پراکندگی بیش از حد در مدل‌سازی جرم متمرکز بود. برای این منظور، مدل دوجمله‌ای منفی وزن‌دار جغرافیایی (GWNBR) برای تطبیق ناهمگنی فضایی و پراکندگی بیش از حد به طور همزمان معرفی شد. مقایسه‌ای بین چهار مدل از جمله مدل دوجمله‌ای منفی (NB)، مدل پواسون وزن‌دار جغرافیایی (GWPR)، مدل دوجمله‌ای منفی با وزن جغرافیایی محلی (GWNBR محلی) انجام شد. و مدل دوجمله ای منفی با وزن جغرافیایی جهانی (GWNBR جهانی)، بر اساس مطالعه موردی در، ZG. چین.

در نتیجه، نتایج این مطالعه ثابت کرد که گنجاندن پراکندگی بیش از حد در ناهمگونی فضایی می‌تواند عملکرد مدل‌سازی جرم را بهبود بخشد. در مقایسه با GWNBR محلی و GWNBR جهانی، ضرایب GWPR ناهمگن تر است، که ممکن است به دلیل این واقعیت باشد که پراکندگی بیش از حد داده های جرم را در بر نمی گیرد. پیامد دیگر این است که پهنای باند GWPR کوچکترین از سه مدل محلی است که باعث می شود سطح ضریب آن تیز به نظر برسد. اگرچه GWPR بهترین عملکرد را برای RMSE به دست آورده است، اما نمی تواند خودهمبستگی فضایی را در باقیمانده های مدل حذف کند. علاوه بر این، دو مدل GWNBR می‌توانند ناهمگونی فضایی و وابستگی فضایی را همزمان با استفاده از پراکندگی بیش از حد حل کنند.

ضرایب توسط مدل GWNBR برای هر PSMA برآورد شد. سپس، مدل پیش‌بینی جرم می‌تواند برای هر PSMA توسعه یابد. این مدل های پیش بینی جرم را می توان برای ارزیابی وضعیت ایمنی روزانه و پیش بینی تعداد جرایم در آینده مورد استفاده قرار داد. این مدل ها همچنین می توانند برای ارزیابی اثربخشی سیاست های پلیسی فعلی یا اقدامات متقابل اعمال شده در PSMA های خاص مورد استفاده قرار گیرند.

منابع

یوتنبوگارد، آ. Ceccato، V. خوشه های فضا-زمان جنایت در استکهلم، سوئد. کشیش Eur. گل میخ. 2012 ، 4 ، 148-156. [ Google Scholar ] [ CrossRef ]
ژانگ، سی. پیترسون، ام. تحلیل فضایی جنایات محله در اوماها، نبراسکا با استفاده از معیارهای جایگزین نرخ جرم. بین المللی J. Criminol. 2007 ، 31 ، 1-28. [ Google Scholar ]
Breetzke، GD مدل سازی نرخ جرم خشونت آمیز: آزمونی از بی سازمانی اجتماعی در شهر Tshwane، آفریقای جنوبی. J Crim. عدالت 2010 ، 38 ، 446-452. [ Google Scholar ] [ CrossRef ]
Melo، SND; اندرسن، MA; ماتیاس، LF جغرافیای جرم در زمینه برزیل: کاربرد نظریه بی‌سازمانی اجتماعی. جئوگر شهری. 2017 ، 38 ، 1550-1572. [ Google Scholar ] [ CrossRef ]
شی، س. دونگ، ی. Song, L. تحلیل فضایی-زمانی جرم شهری در پکن: بر اساس داده های مربوط به جرم مالکیت. مطالعه شهری. 2015 ، 53 ، 3223-3245. [ Google Scholar ]
کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
برانتینگهام، پی. برانتینگهام، پی. نظریه الگوی جرم. محیط زیست Criminol. جنایت مقعد. 2013 ، 78-93. [ Google Scholar ] [ CrossRef ]
شاو، CR; Mckay، HD بزهکاری نوجوانان و مناطق شهری. Soc. خدمت Rev. 1942 , 35 , 394. [ Google Scholar ] [ CrossRef ]
لیو، اچ. زو، ایکس. بررسی تأثیر ویژگی‌های همسایگی بر خطرات سرقت: رویکرد مدل‌سازی اثرات تصادفی بیزی. ISPRS Int. J. Geo Inf. 2016 ، 5 ، 102. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
وارنر، بی.دی. پیرس، جی. جرم شناسی 1993 ، 31 ، 493-517. [ Google Scholar ] [ CrossRef ]
گروبسیچ، TH; مک، EA؛ Kaylen، MT رویکردهای مدلسازی مقایسه ای برای درک خشونت شهری. Soc. علمی Res. 2012 ، 41 ، 92-109. [ Google Scholar ] [ CrossRef ] [ PubMed ]
پاترنوستر، آر. برام، آر. باخمن، آر. شرمن، LW آیا رویه های منصفانه اهمیت دارند؟ تأثیر عدالت رویه ای بر تعرض به همسر. جامعه حقوق Rev. 1997 , 31 , 163-204. [ Google Scholar ] [ CrossRef ]
آهنگ، جی. لیو، ال. برناسکو، دبلیو. ژو، اس. شیائو، ال. لانگ، دی. دزدی از شخص در چین شهری: ارزیابی اثرات روزانه فرصت ها و بوم شناسی اجتماعی. Habitat Int. 2018 ، 78 ، 13-20. [ Google Scholar ] [ CrossRef ]
ژو، اچ. لیو، ال. لان، ام. یانگ، بی. وانگ، ز. ارزیابی تأثیر گرادیان نور شب بر سرقت و سرقت خیابانی در سینسیناتی ایالت اوهایو، ایالات متحده. Remote Sens. 2019 ، 11 ، 1958. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لان، ام. لیو، ال. هرناندز، آ. لیو، دبلیو. ژو، اچ. وانگ، زی. اثر سرریز توییت‌های دارای برچسب جغرافیایی به‌عنوان معیاری از جمعیت محیطی برای جرم سرقت. پایداری 2019 ، 11 ، 6748. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
براندون، سی. Fotheringham، AS; چارلتون، ME رگرسیون وزن‌دار جغرافیایی: روشی برای بررسی ناپایداری فضایی. Geogr. مقعدی 1996 ، 28 ، 281-298. [ Google Scholar ] [ CrossRef ]
موریلو، FHS؛ Chica-Olmo، J. ناهمگونی فضایی عوامل زن کشی: مورد آنتیوکیا-کلمبیا. Appl. Geogr. 2018 ، 92 ، 63-73. [ Google Scholar ] [ CrossRef ]
ژانگ، اچ. مک‌کورد، ES یک تحلیل فضایی از تأثیر سلب‌مصرف مسکن بر دزدی مسکونی. Appl. Geogr. 2014 ، 54 ، 27-34. [ Google Scholar ] [ CrossRef ]
امبورو، LW; Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با رفت و آمد. ان دانشیار صبح. Geogr. 2016 ، 106 ، 804-818. [ Google Scholar ] [ CrossRef ]
هلبیچ، ام. ارسنجانی، JJ فیلتر بردار ویژه فضایی برای نگاشت جرم فضایی و زمانی و تحلیل جرم فضایی. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 134-148. [ Google Scholar ] [ CrossRef ]
Chun, Y. تجزیه و تحلیل حوادث جرم و جنایت فضا-زمان با استفاده از فیلتر فضایی بردار ویژه: یک برنامه کاربردی برای سرقت خودرو. Geogr. مقعدی 2014 ، 46 ، 165-184. [ Google Scholar ] [ CrossRef ]
قانون، ج. کوئیک، ام. بررسی پیوندهای بین مجرمان نوجوان و بی‌سازمانی اجتماعی در مقیاس بزرگ نقشه: رویکرد مدل‌سازی فضایی بیزی. جی. جئوگر. سیستم 2013 ، 15 ، 89-113. [ Google Scholar ] [ CrossRef ]
قانون، مدل سازی اثر تصادفی فضایی جی بیزی برای تجزیه و تحلیل خطرات سرقت برای عوامل خطر مجرم، اجتماعی-اقتصادی و ناشناخته. Appl. تف کردن مقعدی سیاست 2012 ، 5 ، 73-96. [ Google Scholar ] [ CrossRef ]
چن، جی. لیو، ال. ژو، اس. شیائو، ال. جیانگ، سی. رابطه تنوع فضایی بین جمعیت شناور و سرقت مسکونی: مطالعه موردی از، ZG. چین. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 246. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
چن، جی. لیو، ال. ژو، اس. شیائو، ال. آهنگ، جی. Ren، F. مدل‌سازی اثر فضایی در سرقت مسکونی: مطالعه موردی از شهر ZG، چین. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 138. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
پارک، اس ام؛ تارک، جی. چو، مصونیت و سبک زندگی قربانی شدن YI: مطالعه مقایسه ای قربانیان سرقت بیش از حد پراکنده در کره جنوبی و ایالات متحده آمریکا . J. Law Crime Justice 2016 ، 45 ، 44-58. [ Google Scholar ] [ CrossRef ]
امید، تی. نوریس، ناهمگونی PA در توزیع فراوانی قربانی شدن جرم. جی. کوانت. Criminol. 2013 ، 29 ، 543-578. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
یانگ، ز. هاردین، جی دبلیو. آدی، CL آزمون امتیاز برای پراکندگی بیش از حد در رگرسیون پواسون بر اساس مدل تعمیم یافته پواسون-2. J. Stat. طرح. استنتاج 2009 ، 139 ، 1514-1521. [ Google Scholar ] [ CrossRef ]
آهنگ، جی. لین، ال. برناسکو، دبلیو. شیائو، ال. ژو، اس. لیائو، و. ان صبح. دانشیار Geogr. 2018 ، 108 ، 1370–1388. [ Google Scholar ] [ CrossRef ]
برک، آر. مک دونالد، JM Overdispersion و رگرسیون پواسون. جی. کوانت. Criminol. 2008 ، 24 ، 269-284. [ Google Scholar ] [ CrossRef ]
بوچر، جی. Ezell، ME بررسی اثربخشی کمپ های بوت: یک آزمایش تصادفی با یک پیگیری طولانی مدت. J Res Crime Delinq 2005 ، 42 ، 309-332. [ Google Scholar ] [ CrossRef ]
Gomes، MJTL؛ کانتو، اف. Silva، AR رگرسیون دوجمله ای منفی وزن شده جغرافیایی برای مدل های عملکرد ایمنی سطح منطقه ای اعمال می شود. اسید. مقعدی قبلی 2017 ، 106 ، 254. [ Google Scholar ] [ CrossRef ] [ PubMed ]
داسیلوا، آر. رودریگز، TCV رگرسیون دوجمله‌ای منفی وزن‌دار جغرافیایی – شامل پراکندگی بیش از حد. آمار محاسبه کنید. 2014 ، 24 ، 769-783. [ Google Scholar ] [ CrossRef ]
CSY. سالنامه آماری چین ; خانه انتشارات آماری چین: پکن، چین، 2016. [ Google Scholar ]
Sohn، DW جرایم مسکونی و محیط ساخته شده محله: ارزیابی اثربخشی پیشگیری از جرم از طریق طراحی محیطی (CPTED). شهرها 2016 ، 52 ، 86-93. [ Google Scholar ] [ CrossRef ]
کاتز، سی ام. والاس، دی. هدبرگ، EC ارزیابی طولی تأثیر سلب حق اقامه دعوی بر جنایت همسایگی. J. Res. جنایت دلینق. 2011 ، 50 ، 359-389. [ Google Scholar ] [ CrossRef ]
Malczewski، J. Poetz، A. سرقت های مسکونی و زمینه اجتماعی-اقتصادی محله در لندن، انتاریو: تحلیل رگرسیون جهانی و محلی*. پروفسور Geogr. 2005 ، 57 ، 516-529. [ Google Scholar ] [ CrossRef ]
آریل، بی. پارتریج، اچ. پلیس قابل پیش بینی: اندازه گیری مزایای کنترل جرم و جنایت پلیس در نقاط حساس در ایستگاه های اتوبوس. جی. کوانت. Criminol. 2016 ، 33 ، 809-833. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
هانتر، جی. Tseloni، A. عدالت، عدالت و کاهش جرم: مورد سرقت در انگلستان و ولز. علوم جنایی 2016 ، 5 ، 1-13. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، جی. پارک، اس. یونگ، اس. تأثیر پیشگیری از جرم از طریق اقدامات طراحی محیطی (CPTED) بر زندگی فعال و ترس از جرم. Sustainability 2016 , 8 , 872. [ Google Scholar ] [ CrossRef ][ Green Version ]
اشراف، MR; وارد، JT; تیلر، آر. تأثیر بافت همسایگی بر الگوهای فضایی و زمانی سرقت. J. Res. جنایت دلینق. 2016 ، 53 ، 711-740. [ Google Scholar ] [ CrossRef ]
Osgood، DW; چمبرز، JM بی نظمی اجتماعی خارج از کلان شهر: تحلیلی از خشونت جوانان روستایی*. جرم شناسی 2000 ، 38 ، 81-116. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ناگین، دی.اس. زمین، سن KC، مشاغل مجرمانه، و ناهمگونی جمعیت: مشخصات و تخمین یک مدل پواسون ناپارامتری*. جرم شناسی 1993 ، 31 ، 327-362. [ Google Scholar ] [ CrossRef ]
خو، پی. Huang، H. مدل سازی ناهمگونی فضایی تصادف: پارامتر تصادفی در مقابل وزن جغرافیایی. اسید. مقعدی قبلی 2015 ، 75 ، 16-25. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ناکایا، تی. چارلتون، ام. لوئیس، پی. فورترینگهام، اس. Brunsdon, C. Windows Application for Geographically Weighted Regression Modeling ; دانشگاه Ritsumeikan: کیوتو، ژاپن، 2012. [ Google Scholar ]
Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
کوران، دی جی اصلاحات اقتصادی، جمعیت شناور و جرم و جنایت: دگرگونی کنترل اجتماعی در چین. J. Contemp. جنایت. عدالت 1998 ، 14 ، 262-280. [ Google Scholar ] [ CrossRef ]
سیتو، ی. لیو، دبلیو. جمعیت گذرا، جنایت و راه حل: تجربه چینی. بین المللی J. مجرم وجود دارد. 1996 ، 40 ، 293-299. [ Google Scholar ] [ CrossRef ]
حدایقی، ع. شلبی، ع. Persaud، BN توسعه ابزارهای ایمنی حمل و نقل در سطح برنامه ریزی با استفاده از رگرسیون پواسون دارای وزن جغرافیایی. اسید. مقعدی قبلی 2010 ، 42 ، 676-688. [ Google Scholar ] [ CrossRef ]
کویی، BR ارزیابی همبستگی بین تراکم ایستگاه اتوبوس و گونه‌شناسی جرم مسکونی. جنایت قبلی اشتراک. Saf. 2013 ، 15 ، 81-105. [ Google Scholar ] [ CrossRef ]
بیون، دی جی; برانتینگهام، PL; برانتینگهام، پی جی تأثیر شبکه های خیابانی بر الگوبرداری از جرایم مالکیتی. جنایت قبلی گل میخ. 1994 ، 2 ، 115-148. [ Google Scholar ]
نرخ نفوذپذیری و سرقت محله سفید، GF. عدالت Q. 1990 ، 7 ، 57-67. [ Google Scholar ] [ CrossRef ]
لی، اس. تحلیل های فضایی الگوهای نصب و ویژگی های دزدگیرهای مسکونی. J. Appl. امن Res. 2011 ، 6 ، 82-109. [ Google Scholar ] [ CrossRef ]
هیلیر، بی. آیا می توان خیابان ها را ایمن کرد؟ شهری دس. بین المللی 2004 ، 9 ، 31-45. [ Google Scholar ] [ CrossRef ]
شو، CF طرح مسکن و آسیب پذیری جرم. شهری دس. بین المللی 2000 ، 5 ، 177-188. [ Google Scholar ]
لین، ال. چائو، جی. ژو، اس. کای، ال. Du، F. تأثیر سیستم اتوبوس عمومی بر الگوهای سرقت فضایی در بافت شهری چین. Appl. Geogr. 2017 ، 89 ، 142-149. [ Google Scholar ]
Chang، D. جرم اجتماعی یا جرم فضایی؟ بررسی تأثیر عوامل اجتماعی، اقتصادی و مکانی بر میزان سرقت محیط زیست رفتار 2011 ، 43 ، 26-52. [ Google Scholar ] [ CrossRef ]
راتکلیف، جی اچ. McCullagh، MJ Hotbeds of جرم و جستجو برای دقت فضایی. جی. جئوگر. سیستم 1999 ، 1 ، 385-398. [ Google Scholar ] [ CrossRef ]
راتکلیف، جی اچ، حرکت فضایی الگوهای جنایت درون منطقه ای را در طول زمان تشخیص می دهد. جی. کوانت. Criminol. 2005 ، 21 ، 103-123. [ Google Scholar ] [ CrossRef ]
هی، جی. مارسئو، دی. دوبه، پ. Bouchard، A. چارچوب چند مقیاسی برای تجزیه و تحلیل منظر: تجزیه و تحلیل و ارتقاء شی خاص. Landsc. Ecol. 2001 ، 16 ، 471-490. [ Google Scholar ] [ CrossRef ]
Lechner, AM; لنگفورد، WT; جونز، SD; Bekessy، SA; گوردون، A. بررسی روابط گونه-محیط در مقیاس های چندگانه: تمایز بین مقیاس ذاتی و مسئله واحد منطقه ای قابل اصلاح. Ecol. مجتمع. 2012 ، 11 ، 91-102. [ Google Scholar ] [ CrossRef ]

شکل 1. توزیع فضایی سرقت از منازل مسکونی در سال 2013-2015.

شکل 2. توزیع فضایی ضرایب پواسون با وزن جغرافیایی (GWPR).

شکل 3. توزیع فضایی ضرایب مدل رگرسیون دو جمله ای منفی با وزن جغرافیایی جهانی (GWNBR).

شکل 4. توزیع فضایی ضرایب GWNBR محلی.

شکل 5. توزیع فضایی پارامتر آلفای overdispersion.

مقالات داخلی و بین المللی

بدون دیدگاه

دیدگاهتان را بنویسید لغو پاسخ

برای نوشتن دیدگاه باید وارد بشوید.

مشاورین هوش پیروزی

خلاصه

کلید واژه ها:

1. معرفی