خلاصه

این مطالعه ترس از درک جرم و آمار رسمی جرم را در یک زمینه فضایی با استفاده از نقشه‌های طرح دیجیتال و روش‌های آماری GIS ارزیابی می‌کند. هدف این مطالعه تعیین انگیزه‌های توضیحی ترس از جرم با مقایسه نتایج شهرهای بزرگ، متوسط ​​و کوچک مجارستانی است. اطلاعات مربوط به ترس از جرم و جنایت ساکنان با استفاده از یک برنامه وب جمع‌آوری شد که امکان علامت‌گذاری مناطقی را بر روی نقشه فراهم می‌کرد، جایی که پاسخ‌دهندگان احساس امنیت یا احساس ترس دارند. این نقشه‌های دیجیتالی با ابزار GIS پردازش شدند و به داده‌های شبکه‌ای تبدیل شدند تا متغیرهای توضیحی قابل مقایسه برای ترس از تجزیه و تحلیل جرم محاسبه شوند. مدل نرمال شده مبتنی بر شبکه، برخی شباهت ها و تفاوت ها را بین شهرهای مشاهده شده منعکس می کند. با توجه به نتایج، نمونه‌هایی هم در تصادفات و هم در ارتباط متضاد آمار جرم و درک مکان‌های ناامن یافت شد که اهمیت محل را در ترس از تحقیق جرم نشان می‌دهد. علاوه بر این، نتایج نشان داد که اندازه شهر یا جنسیت پاسخ دهنده به طور قابل توجهی بر قضاوت کلی مکان ها تأثیر نمی گذارد، بلکه تعداد مطلق علامت گذاری های ایمن و تعداد محلی رویدادهای جرم ثبت شده می تواند بر نتایج محلی تأثیر بگذارد.

کلید واژه ها:

ترس از جنایت ؛ نقشه برداری جرم و جنایت ; نقشه های اسکچ دیجیتال ; نقشه های ذهنی ؛ GIS آماری

1. معرفی

ضرورت تحقیق درباره ترس از جرم به عنوان یک پدیده، همانطور که در کار فورستنبرگ [ 1 ] و زدنر [ 2 ] بیان شده است، در دهه 1960 در بریتانیا و در ایالات متحده آمریکا به عنوان واکنشی به ظهور خشونت شهری ظاهر شد. اگرچه ترس از جرم از آن زمان به یک موضوع به شدت مورد تحقیق تبدیل شده است [ 3 ، 4 ]، هنوز بحث های زیادی در مورد ارکان موضوعی آن وجود دارد [ 5 ]. چندین تلاش برای بازنویسی معنای ترس از جنایت انجام شد: به عنوان مثال، فرارو و لاگرانژ این پدیده را به عنوان یک احساس عاطفی منفی که توسط جنایت یا نمادهای مرتبط ایجاد می شود توصیف کردند [ 6 ].]. مطالعه تحقیقاتی آنها با هدف تعیین اینکه آیا ویژگی‌های فردی، مانند جنسیت یا سن، می‌تواند بر ترس از جنایت تأثیر بگذارد یا خیر، مدعی شد که افراد مسن بیشتر از چیزهایی می‌ترسند که جوانان نسبت به آن‌ها کمتر نگران هستند یا در مقایسه با مردان. زنان ممکن است در مکان های مختلف احساس ترس کنند [ 7 ، 8 ].
طبق مطالعات بهزیستی، یکی از مهمترین عناصر کیفیت زندگی، محیط امن است [ 9 ]. ممکن است تصور شود که احساس امنیت اساساً تحت تأثیر جرم و جنایت است [ 10 ، 11 ]، اما به نظر می رسد که جغرافیا نیز اهمیت دارد. اهمیت عامل فضایی قبلاً به عنوان یک شاخص محیطی در زمینه جرم در اوایل سال 1993 ظاهر شد [ 12 ]، علاوه بر آن، نتایج تحقیقات اخیر از این ایده حمایت می کند [ 13 ، 14 ]. به عنوان مثال، فضا در تصمیم‌گیری‌هایی که به دلیل ترس از جرم و جنایت از کدام مکان‌ها اجتناب شود، اهمیت دارد [ 15 ].
اگرچه مطالعات متعدد ثابت کرده‌اند که عوامل فضایی مختلف می‌توانند ترس از جرم را تحریک کنند، واقعیت این است که نرخ جرم و جنایت در مناطق خاص لزوماً به اندازه‌ای که انتظار می‌رود بالا نیست [ 16 ، 17 ]، در نتیجه، عوامل توضیحی اضافی نیز باید در نظر گرفته شود. برای مثال دوران و لیز [ 18 ] رابطه بین ترس از جنایت و اختلال جسمانی را یافتند. بعدها، دوران و برگس [ 3 ] ثابت کردند که محیط به طور کلی نقش مهمی در ترس از جرم بازی می کند. اخیراً نشان داده شده است که حتی بهبود در محیط می تواند تأثیر مثبتی بر کاهش ترس از جرم داشته باشد [ 19]. علاوه بر این، تعداد زیادی از مطالعات تأیید کردند که ترس از جرم در مناطقی متمرکز است که می‌توان آن‌ها را با ویژگی‌های محیطی مشخص توصیف کرد. به عنوان مثال لدرر و لایتنر [ 20 ] به این نتیجه رسیدند که ترس از قربانی شدن به سرقت می تواند به نقاط داغ جغرافیایی کاملاً تعریف شده نسبت داده شود، همچنین با ویژگی های آماری مشخص و حتی با مناطقی که حفاظت فنی کمتری دارند مرتبط است.
با این حال، یک مشکل معمول ترسیم ترس از جرم، فقدان داده در مورد ادراک مکان است. در بسیاری از کشورها، پلیس هیچ نظرسنجی در مورد این موضوع را تکمیل نکرده است، بنابراین، نظرسنجی های داده های خود را باید برای جمع آوری اطلاعات از، به عنوان مثال، پرسشنامه ها [ 21 ] یا از نقشه های دیجیتالی انجام داد، که به طور قابل تصوری – به روشی خاص – کمیت می کند. سطح و منطقه ترس از جرم در یک شهر [ 22 ، 23 ، 24 ، 25 ، 26 ]. علاوه بر این، چندین مقاله تحقیقاتی معاصر در مورد ترس از جرم، از فناوری‌های مدرن فناوری اطلاعات برای ترسیم تصویر دقیق‌تری از موضوع استفاده می‌کنند. به عنوان مثال Solymosi و همکاران. [ 27] اپلیکیشن FOCA (کاربرد ترس از جرم) را توسعه داد که با ردیابی فعالیت شرکت کنندگان، ترس از جرم را به عنوان یک پدیده پویا بررسی می کند و از این طریق از مکان های خاص دوری می کند. کوندی و همکاران [ 28 ] از سوی دیگر، داده‌های توئیتر جغرافیایی را برای شناسایی جمعیتی که در معرض خطر جرم و جنایت برای دزدی‌ها و سرقت‌ها در وین هستند، به کار برد. با این حال، توییتر در کشورهایی – مانند مجارستان – که ضریب نفوذ آن به اندازه کافی زیاد نیست، چندان مفید نیست.
مطالعات تطبیقی ​​در شهرهای مختلف از جمله ترس از جرم و اطلاعات رسمی پلیس هنوز کمتر ارائه شده است. مقالات جدیدی در مورد مقایسه الگوهای فضایی ترس از جرم و رویدادهای جرم ثبت شده وجود دارد [ 21 , 26]، با این حال نتایج آنها با نمونه هایی از یک شهر منتخب به دست آمده است و به واریانس های احتمالی بین شهرها و عوامل تفاوت های چندشهری پرداخته نشده است. هدف این مطالعه با انجام تحلیل مقایسه ای شهرها برای تشخیص شباهت ها و سوگیری ها بین داده های رویداد جرم و درک ترس شهروندان محلی است. در ابتدای تحقیق، ما فرض کردیم که الگوهای شهری ترس از جرم و مناطق ایمنی را می‌توان با داده‌های پلیس پشتیبانی کرد، اگرچه این امکان نیز وجود دارد که مناطق ناامن و امن با الگوهای فضایی آمار رسمی جرم مطابقت نداشته باشند. اکثر مناطق آلوده به جرم به هیچ وجه ترسناک ترین مکان ها از نظر افراد مورد بررسی نیستند. بنابراین،

2. مواد و روشها

تحقیق ما از ابزار نقشه طراحی دیجیتال استفاده کرد که در شکل اولیه آن در سال 2016 طراحی شد [ 29 ]. از آن زمان، داده‌های نقشه‌های دیجیتالی در بسیاری از شهرها و در بازه‌های زمانی مختلف سال‌ها به دست آمده‌اند. مجموعه داده تحلیل شده این مطالعه دوره بین ژانویه 2016 تا مارس 2019 را پوشش می دهد و دارای نقشه های دیجیتالی 910 پاسخ دهنده است که از این تعداد 41 درصد زن و 59 درصد مرد بودند. در مجموع پاسخ دهندگان 3955 چند ضلعی ترسیم کرده اند (بدیهی است که می توان بیش از یک ویژگی ترسیم کرد) و تقریباً نیمی از آنها (51٪) مکان های ترس را نشان دادند (بقیه به مکان های ایمنی اشاره کردند). اطلاعات رویدادهای جنایی که برای تحلیل فضایی مقایسه ای مورد نیاز بود، توسط پلیس مجارستان برای دوره ژانویه 2013 تا دسامبر 2018 ارائه شد.

2.1. جمع آوری داده ها

نقشه های اسکچ دیجیتال و نقشه برداری ذهنی به عنوان ابزاری علمی برای تشخیص ادراک شهروندان از محیط خود دارای سنت طولانی است [ 15 ، 30 ، 31 ، 32 ]. حوزه‌های مختلفی از برنامه‌ریزی شهری، مطالعات ضد جداسازی تا جغرافیای رفتاری وجود دارد که این تکنیک را اعمال می‌کنند [ 33 ، 34 ، 35 ]. از دیدگاه روش شناختی بر اساس کار بنیادی لینچ [ 30 ]، یک مطالعه تعیین کننده بر روی نقشه های ذهنی توسط استنلی میلگرام [ 36 ] انجام شد.]، که تکنیک یادآوری آزاد را به کار برد، که در آن پاسخ دهندگان باید نقشه های ذهنی را روی یک کاغذ خالی ترسیم می کردند. تنها مشکل این روش این بود که افراد مکان‌های مشابه را متفاوت درک می‌کردند، بنابراین مقایسه مستقیم نقشه‌های نتیجه دشوار بود و استخراج اطلاعات از آنها دشوار بود. اخیراً تکنیک‌های مختلف و جدید جمع‌آوری داده‌ها در نقشه‌برداری ذهنی توسعه یافته است، مانند روش‌های پیمایشی صرفاً کمی، تکنیک‌های مصاحبه کیفی و غیر ترسیمی، روش‌های جمع‌آوری داده‌های فراخوان آزاد بر اساس نقشه‌های آزادانه، تکنیک‌های ترسیم نقشه یادآوری جهت‌یافته با مصاحبه تکمیلی. و روش های جمع آوری داده ها بر اساس نقشه ها و تصاویر موجود [ 24 ، 25 ، 37]. با این حال، تأکید بر این نکته مهم است که دیدگاه‌های فردی یک منطقه ممکن است بر تعداد زیادی متغیر متکی باشد، یعنی متغیرهای دیگری مانند نحوه سفر، سن، تحصیلات و غیره نیز ممکن است بر افراد تأثیر بگذارند، بنابراین نقشه‌های ذهنی می‌توانند داشته باشند و می تواند طیف وسیعی از نتایج را منعکس کند [ 3 ].
به منظور ارزیابی کیفی محیط، ترکیب نقشه ذهنی و GIS نیز ابزار مفیدی بود [ 38 ، 39 ، 40 ]. این به طور گسترده ای در تجزیه و تحلیل اطلاعات جغرافیایی کیفی برای به تصویر کشیدن روایت های فضایی گروه ها یا افراد استفاده شده است [ 24 ]. محققان معاصر اغلب این ابزار را در نقشه‌برداری احساسی [ 41 ]، یا به عنوان وسیله‌ای مکمل با روایت‌های جغرافیایی ویدئویی فضایی [ 42 ] یا اطلاعات حسی انسان [ 43 ] به کار می‌برند.
برای جمع‌آوری داده‌های نقشه‌های ذهنی قابل مقایسه در مورد نظر مردم، یک برنامه وب طراحی شد به گونه‌ای که به عنوان ابزاری برای ایجاد نقشه‌های طراحی دیجیتال عمل می‌کند. این برنامه بر روی API وب بومی Google (رابط برنامه نویسی برنامه) با ظرفیت ترسیم افزایش یافته ساخته شده توسط Drawing Manager ساخته شده است (وب سایت نقشه برداری از اینجا قابل دسترسی است: bunmegelozes.amk.uni-obuda.hu/). این برنامه هم به عنوان یک وب سایت و هم به عنوان یک برنامه تلفن همراه طراحی شده است، در حالی که پاسخ دهندگان داوطلب می توانند بدون ثبت نام از این پلت فرم استفاده کنند. برای دستیابی به پاسخ‌دهندگان، این برنامه نظرسنجی عمدتاً از طریق کانال‌های رسانه‌های اجتماعی توزیع شد که منجر به نوعی سوگیری نمونه شد، به این معنا که پاسخ‌دهندگان به طور طبیعی باید توانایی خواندن آنلاین و نقشه‌خوانی داشته باشند. اگرچه چنین انگیزه هایی لزوماً بر نتایج تحقیق تأثیر نمی گذارد، بنابراین ما نظرسنجی خود را به عنوان یک آزمایش مدل در نظر می گیریم. در ابتدا از پاسخ دهندگان خواسته شد که جنسیت خود را به عنوان – طبق گفته دوران و برگس [ 3] – این واقعیت ممکن است به طور قابل توجهی بر درک ترس از جرم تأثیر بگذارد. پس از آن، با پیروی از دستورالعمل ها، کاربران می توانند مکان هایی را که در آن احساس امنیت می کنند (کاربران می توانند یک چند ضلعی ساده و سبز رنگ روی نقشه در اطراف مناطق امن ترسیم کنند) و همچنین می توانند مکان هایی را که در آن احساس ترس از جرم و جنایت دارند، نشان دهند. با رسم چند ضلعی های ساده و قرمز رنگ روی نقشه). در برخی از مطالعات، دانشمندان از پاسخ دهندگان خواستند تا مکان های ناامن را به عنوان نقاطی روی نقشه علامت گذاری کنند [ 21 ، 27 ]. دیگران استدلال کردند که نقاط داغ بدون توجه به نمایش داده ها در حال ظهور هستند، و همچنین پیشنهاد کردند که نقشه های طرح را می توان در شبکه ای از سلول ها در سراسر منطقه مورد مطالعه جمع کرد [ 40 ]]. از سوی دیگر، بسیاری از نویسندگان استفاده از چند ضلعی ها را به جای نمایش نقطه ای پیشنهاد کردند، زیرا در واقع ترس از جرم بیشتر در ارتباط با مناطق کوچکتر یا بزرگتر ظاهر می شود و نه با مکان های نقطه گسسته [ 24 ، 38 ، 44 ، 45 ، 46 ] . ما این رویکرد دوم را دنبال کردیم، با این فرض که نمای جمع‌شده چند ضلعی‌های نقشه ترسیمی می‌تواند تصویر فضایی نماینده‌تری از جغرافیای ترس از جرم ارائه دهد.
پس از جمع‌آوری داده‌های نقشه دیجیتالی، در مجموع شانزده شهر امکان بررسی وجود داشت که از بین آن‌ها نه شهر انتخاب شدند که تعداد پاسخ‌دهندگان حداقل 50 نفر بود (که حداقل به یک هزارم جمعیت محلی می‌رسید). ایده اولیه این بود که این تحقیق در شهرها انجام شود که نشان دهنده مقوله های مختلف اندازه شهری در مجارستان است و در عین حال امکان مقایسه آنها را حفظ کرد. در نتیجه، ما چند شهر را هم از دسته‌های بزرگ با تعداد جمعیت بین 100 تا 160 هزار نفر (سگد، میسکولک، نیرهگیهازا، سکسفهروار)، از دسته‌های متوسط ​​با 40 تا 50 هزار نفر (Nagykanizsa، Dunaujváros) و از شهرهای کوچک با جمعیت انتخاب کردیم. 10-20 هزار ساکن (Keszthely، Balmazújváros، Heves). دسته بندی های بزرگ، متوسط ​​و کوچک در زمینه مجارستان تعیین شده اند [47 ]، که از آن دسته فوق العاده بزرگ و منحصر به فرد بوداپست مستثنی شد، در حالی که شهرها و روستاهای کمتر از 10 هزار نفر نیز نماینده نداشتند.
ستون دوم مجموعه داده ما از داده های جرم ساخته شده است که طبق مقررات مجارستان به 110 نوع جرم طبقه بندی شده است [ 48 ]]. اما در تجزیه و تحلیل بیشتر داده‌ها، ما فقط دسته‌بندی جرایم اموال و جرایم علیه مردم را به کار بردیم و مواردی را که باعث ترس مستقیم شهروندان نمی‌شوند (به عنوان مثال، “جرایم یقه سفید” مانند جعل اسکناس، تخلف، در نظر نگرفتیم. برخلاف دستور انتخابات، جعل تمبر و غیره). انواع جرایم درگیر مانند قتل، تجاوز فیزیکی، تجاوز جنسی، سرقت، سرقت خودرو، جیب بری، هولیگانیسم، جرایم مربوط به مواد مخدر یا تخلفات نظم عمومی و غیره بودند که همگی می توانستند با یک مکان خاص مرتبط باشند. هیچ تمایزی بین انواع جرم قائل نشد، فقط از اعداد مجموع استفاده شد، اگرچه ما از این واقعیت آگاه هستیم که انواع مختلف جرم ممکن است الگوهای فضایی یا تأثیرات متفاوتی بر ترس در یک مکان داشته باشند [ 49 ، 50 ]]. آگاهی از دلیل پاسخ دهندگان برای علامت گذاری مکان ناامن احتمالاً این محدودیت مطالعه را کاهش می دهد. علاوه بر نوع جرم، موقعیت جغرافیایی داده ها نیز توسط پلیس مجارستان در سطح آدرس ها و مختصات جغرافیایی ارائه شده است. پایگاه داده نهایی برای شهرهای منتخب ما شامل 101206 رویداد جنایی بود.

2.2. آماده سازی داده ها

نقشه های طرح دیجیتال ترسیم شده توسط شرکت کنندگان چندین چند ضلعی همپوشانی را فرموله کردند ( شکل 1 ). اگرچه داده های خام را می توان حداقل به صورت بصری تجزیه و تحلیل کرد، برای تحقیقات بیشتر و عمیق تر، تغییرات بیشتری مورد نیاز بود.
ابتدا یک شبکه 100 × 100 متر بر روی کل مجموعه چند ضلعی ایجاد شد تا تعداد چند ضلعی های همپوشانی در یک منطقه در هر گروه چند ضلعی محاسبه شود. این کار با پیوستن فضایی چند ضلعی ها به سلول های شبکه ای انجام شد. از آنجایی که چند ضلعی‌های اصلی دارای ویژگی‌های شهری بودند که به آن تعلق دارند، همچنین نشانه‌های ایمن یا ناایمن و جنسیت پاسخ‌دهنده، مقادیر شبکه تعداد محلی مردان، زنان، موارد ایمن و ناایمن را نشان می‌داد. با ترکیبی از ویژگی‌های میدانی، تعداد چند ضلعی‌های زیرگروه‌های دیگر را می‌توان برای هر شهر در مطالعه تعیین کرد (به عنوان مثال، تعداد چندضلعی‌های ایمن مشخص‌شده توسط زنان، و غیره).
ثانیاً، از آنجایی که ما به دنبال تجزیه و تحلیل ویژگی‌های توزیع شهری مقادیر شبکه بودیم، سلول‌های شبکه باید حذف می‌شدند که به حاشیه‌های خالی از سکنه، مانند بدنه‌های آبی یا زمین‌های کشاورزی اشاره داشت. برای انجام این کار، پایگاه داده CORINE Land Cover 2018 برای برش سطوح مصنوعی استفاده شد، از این رو تحقیقات بیشتر فقط بر روی مناطق ساخته شده متمرکز شد. اگرچه ساکنان می‌توانستند برخی از مکان‌های بیرونی را عمداً به‌عنوان امن یا ناامن علامت‌گذاری کنند، چنین نمونه‌هایی بسیار نادر بودند، در غیر این صورت انحراف زیادی در توزیع ارزش شهری ایجاد می‌کردند.
در مرحله بعد، داده های شبکه به منظور قابل مقایسه کردن نتایج شهر، نرمال سازی شده اند. بنابراین، در هر شهر، حداکثر مقدار محلی سلول‌های شبکه با 100 اختصاص داده شد و سایر مقادیر نسبت به حداکثر مقدار در مقیاس 0-100 محاسبه شدند. این کار هم برای دسته های شبکه ایمن و هم ناایمن انجام شد.
به موازات موارد فوق، داده های جرم مبتنی بر نقطه با روش تخمین تراکم هسته (KDE) با استفاده از شعاع جستجو به ترتیب 300 متر پردازش شدند. ما نمونه‌هایی از مطالعات قبلی [ 40 ، 51 ] را دنبال کردیم، زیرا موافقیم که ترس از جرم نه به طور خاص در مکان‌های دقیق رویدادهای جنایی سابق، بلکه در محیط نه چندان دور آنها ظاهر می‌شود.
پس از آن، شبکه ای که قبلا ایجاد شده بود، روی نقشه تراکم هسته رویدادهای جرم پوشانده شد و سپس هر سلول شبکه مقداری را از نقشه KDE دریافت کرد که در موقعیت مرکز سلول اندازه گیری شد. مقادیر شبکه نیز در مقیاس 0-100 نرمال شد تا برای مقایسه نتایج شهرهای مختلف مناسب باشد.
در نهایت، با داشتن داده‌های ترس از جرم و رویداد جرم مبتنی بر شبکه، امکان مقایسه اعداد سطح شبکه فراهم شد. به عنوان نتایج، محاسبات هم بین تعداد مطلق نشانه‌گذاری‌های ایمن یا ناایمن و رویدادهای جرم و هم تعداد نسبی (عادی‌شده) نشانه‌گذاری‌ها و رویدادهای جرم انجام شد.

3. نتایج

3.1. تحلیل الگوی فضایی نظرات مردم

همانطور که در بالا ذکر شد، چند ضلعی های نقشه طرح دیجیتال ترسیم شده توسط کاربران در هر شهر روی هم قرار گرفتند و در یک شبکه 100×100 متری جمع شدند. در نتیجه، مقدار سلول‌های شبکه، نشان‌دهنده تعداد کل چند ضلعی‌های شمارش‌شده است که با توجه به حداکثر مقدار مشاهده‌شده در هر شهر نرمال شده‌اند. انتظار می‌رفت که مقادیر نرمال‌شده شبکه‌ها به طور قابل‌توجهی در مناطق مختلف شهرهای مشاهده‌شده متفاوت باشد، در راستای آن، نقشه‌های نتیجه قطعاً الگوی فضایی مقادیر تصادفی نیست، اما ساختار یافته را منعکس می‌کنند. نقشه های توزیع مکان هایی که به عنوان امن یا ناامن مشخص شده اند برای هر یک از 9 شهر ایجاد شده است و نتایج سه مورد از آنها (شهر کوچک، متوسط ​​و بزرگ) در سری نقشه های شکل 2 ارائه شده است.
اگرچه اندازه و شکل شهرها متفاوت است، اما مهم ترین مکان های ترس از جنایت و ایمنی هنوز به راحتی قابل تشخیص است. تمرکز فضایی مقادیر بالا و همچنین توزیع جغرافیایی پراکنده مقادیر کم بر روی نقشه های شهر ظاهر می شود. غلظت شبکه‌های با مقادیر بالا ممکن است منعکس‌کننده این باشد که بسیاری از کاربران مکان‌های تحت پوشش را به طور مشابه ارزیابی کرده‌اند (همان خطرناک یا همان امن)، در حالی که پراکندگی مقادیر پایین ممکن است نظرات متفاوت اما نه قوی پاسخ‌دهندگان را نشان دهد. ما این نتایج را به عنوان نقطه شروع کلیدی برای تحلیل بیشتر خود به کار بردیم.
علاوه بر این، از آنجایی که ویژگی‌های جنسیت پاسخ‌دهندگان نیز در مجموعه داده‌های ما داده شده بود، یک امکان آشکار برای آزمایش این بود که آیا تفاوت‌هایی بین نقشه‌های ترسیم شده مرد یا زن وجود دارد، یعنی بین درک محلی دو گروه از ترس یا ایمنی. شکل 3 با مقایسه تعداد پاسخ دهندگان مرد یا زن، که منطقه ای امن یا ناامن را در یکی از شهرهای مورد تجزیه و تحلیل ما مشخص کرده اند، ایجاد شده است. این نتیجه نماینده تفاوت های کم رنگ بین قضاوت پاسخ دهندگان مرد و زن در مورد مکان ها را نشان می دهد، که نشان می دهد ترس از جرم به جای جنسیت بهتر با فضا توضیح داده می شود.
از سوی دیگر، تفاوت های قابل توجهی در ابعاد بیشتر ظاهر می شود. ما یک ویژگی مشترک برای همه شهرها پیدا کردیم که مکان‌های ترس از جرم یا مکان‌های ایمنی معمولاً به طور متفاوتی قرار دارند، که یک نتیجه مورد انتظار بود. به منظور داشتن یک نمای کلی جامع، نقشه‌های طرحی حاوی مکان‌های امن با مکان‌های ناامن را گردآوری کردیم. در نتیجه، یک نقشه شبکه ایجاد شد، که در آن مقادیر شبکه، تفاوت بین تعداد نقشه‌های طرحی را که مکان خاصی را امن ذکر می‌کنند و تعداد مواردی که آن را به عنوان ناامن ذکر می‌کنند، نشان می‌دهد. بنابراین، در جایی که نقشه مقادیر مثبت را برمی‌گرداند، به این معنی است که چند ضلعی‌های ایمن بیشتری نسبت به موارد ناامن همپوشانی دارند (پیکسل‌های قرمز را در شکل 4 ببینید..)، در حالی که مقادیر منفی تعداد بیشتری از چند ضلعی های همپوشانی ناامن را نسبت به موارد ایمن نشان می دهد (به پیکسل های آبی مراجعه کنید).
هم محاسبات مربوط به تفاوت تعداد مطلق ذکرها (شمارش محلی) و هم محاسبات مربوط به تفاوت تعداد عادی (یا نسبی) ذکرها (شمارش نسبی محلی) الگوهای فضایی قابل توجهی را با نقاط حساس به وضوح قابل شناسایی مناطق ناامن و امن منعکس می کنند. به عنوان نتیجه، ممکن است نقشه های نتیجه را به عنوان تفسیر بصری قضاوت کلی مکان ها تفسیر کنیم.

3.2. مقایسه الگوهای ناایمن با آمار رسمی جرم و جنایت

امکان دیگر مقایسه نتایج قضاوت مکان با الگوهای جغرافیایی به دست آمده از آمار پلیس بود. با مقایسه مکان‌های ناامن مشخص‌شده توسط شهروندان و مکان‌های رویدادهای جرمی که به‌طور رسمی ثبت شده‌اند، می‌توان برخی مکان‌های همزمان را کشف کرد، که نشان می‌دهد مردم محلی در مکان‌هایی احساس ترس می‌کنند، جایی که – طبق آمار – حوادث جنایی اتفاق می‌افتد. این یک نتیجه تعجب آور نیست، با این حال، می توان مکان هایی را نیز شناسایی کرد که توسط پاسخ دهندگان به عنوان ناامن علامت گذاری شده بودند، اما در آمار رسمی پلیس ظاهر نشدند. از سوی دیگر، این یک نتیجه غیرمنتظره است، به این معنی که در مناطق خاصی مردم هنوز احساس ترس می کنند، علیرغم اینکه حوادث زیادی در آنجا ثبت نشده است. این نشان می دهد که محیط محلی به نوعی تأثیر منفی بر احساس ایمنی دارد.52 ، 53 ]. نوع سوم از نتایج، زمانی بود که الگوی فضایی ترس از جرم و تعداد حوادث جرم، نه در جهت مخالف و نه در یک جهت با یکدیگر کوواریانس معناداری نداشتند. شکل 5 نمونه هایی را نشان می دهد که روابط متغییر، متضاد و مستقل بین ترس از جرم و حوادث جرم ثبت شده را نشان می دهد.

4. بحث

تحلیل الگوی فضایی از ابزارهای بصری برای نشان دادن توزیع سرزمینی پدیده های مورد بررسی استفاده کرد. اگرچه بسیاری از حدس‌ها قبلاً قابل تأیید بودند (یا امکان اثبات وجود داشت)، اما می‌توان با بررسی داده‌های شطرنجی‌شده با استفاده از روش‌شناسی آماری، نتایج دقیق‌تر و عینی‌تری گرفت. این رویکرد اگرچه نسبتاً متفاوت از مطالعات قبلی مرتبط با GIS است. در ادامه به بررسی آماری کوواریانس و روابط نتایج شاخص محلی در سطح واحدهای شبکه (یا رسترها) می پردازیم تا حدس و گمان های مربوط به جغرافیای ترس از جرم را تقویت و تکمیل کنیم.
همانطور که توسط نتایج قبلی پیشنهاد شد، ارتباط بین تعداد جمع‌آوری شده و عادی علامت‌گذاری یک مکان ناامن و تعداد رویدادهای جرم ثبت‌شده در یک مکان خاص می‌تواند به صورت موازی یا برعکس در حال پیشرفت باشد یا می‌تواند مستقل از یکدیگر باشد. . برای تأیید این عبارت مختلط، ضرایب همبستگی پیرسون زوجی بین تعداد عادی شده رویدادهای جرم ثبت شده و تعداد عادی علامت‌گذاری مکان ناامن، و همچنین تعداد عادی علامت‌گذاری امن آن تعیین شده است.
جدول نتایج ( جدول 1 ) همزیستی این سه نوع را که در شکل 5 نشان داده شده است، تأیید می کند . شهر Balmazújváros نمونه خوبی در ارتباط نسبتاً قوی بین نشانه‌های ناایمن محلی و تعداد حوادث جرم است، در حالی که ارتباط ضعیفی بین رویدادهای جرم و نشانه‌های امن محلی دارد. بنابراین، این نمونه ای از احساس ترس محلی است، جایی که رویدادهای جرم در واقع اتفاق می افتد، و درک ایمنی، که در آن حوادث جرم نادر است، که شبیه به برخی از یافته های ادبیات [ 46 ، 54 ] است.
برخلاف این نتیجه مورد انتظار، وضعیت معکوس قابل مشاهده است برای مثال در Nagykanizsa، که در آن ضریب همبستگی بین تعداد حوادث جرم و تعداد عادی علامت‌گذاری یک مکان امن نسبتاً بالا است، در مقایسه با ضریب همبستگی با نشانه‌های ناایمن محلی. کاملا متوسط چنین نتایجی نشان می دهد که در شهرهایی مانند این، ترس محلی از جرم باید در ارتباط با انگیزه های دیگری غیر از فراوانی معمول جرم باشد. در ناگیکانیزسا، مرکز شهر دارای بیشترین تعداد رویدادهای جرم و جنایت بود، در حالی که اغلب به عنوان امن مشخص می شد، که توضیح احتمالی آن می تواند آگاهی نسبتاً بالا از منطقه و تراکم نسبتاً بالای جمعیت (روز یا شب) باشد. . فرض بر این است که فراوانی جرم (حداقل اشکال خاصی از آن) در ارتباط با تراکم جمعیت است [55 ]، با این حال، درک مثبت از مکان ها، در نتیجه همسایگی خوب، منظم و مرتب، ممکن است احساس امنیت را بازنویسی کند. با این حال، این فرض باید با درگیر کردن مجموعه داده‌های جدید آزمایش شود.
در نهایت، شهر Székesfehérvár را می توان به عنوان نمونه ای از ارتباط متعادل بین فراوانی جرم و نشانه گذاری های ناامن یا ایمن انتخاب کرد. هر دو ضرایب همبستگی منعکس کننده روابط قابل توجه بین جرم و احساس ایمنی هستند که ممکن است با انگیزه های ترکیبی علامت گذاری یک مکان امن یا ناامن توضیح داده شود (همچنین به [ 21 ] مراجعه کنید).
به طور کلی، نتایج همبستگی نشان می دهد که مناطق امن و ناامن لزوماً به عنوان سرزمین های “سیاه و سفید” از هم جدا نمی شوند. این به این دلیل است که نظر بسیاری از پاسخ دهندگان فردی هنگام ترسیم نقشه ترس از جرم مبهم و همپوشانی می شود، با این حال، در برخی شهرها بازنمایی ذهنی مشترک واضح تری از نقاط داغ قابل شناسایی است.
با دیدن ماهیت ترکیبی همبستگی های محلی با حوادث جرم، این سوال مطرح می شود که آیا ترس از جرم در تفاوت های جغرافیایی اهمیت دارد؟ جنسیت احتمالاً می تواند عامل تعیین کننده تری باشد، اگرچه شکل 3 قبلاً تفاوت های الگوی فضایی ناچیز بین پاسخ دهندگان مرد و زن را نشان می دهد. با ارزیابی آماری داده ها، این استنباط را تقویت کردیم. جدول 2 ضرایب همبستگی پیرسون را بین اعداد عادی علامت گذاری مکان ناامن یا ایمن توسط مردان و زنان نشان می دهد، که جنبه دیگری به یافته های گیلکریست و همکاران می دهد. 1998 [ 7]. به نظر می رسد که همبستگی بین نظر پاسخ دهندگان مرد و زن در هنگام صحبت در مورد درک آنها از مکان های ناامن قوی است و این وضعیت زمانی بود که علامت گذاری آنها از مکان های امن مورد بررسی قرار گرفت. در همان زمان، اگر تعداد نشانه‌های ناامن با علامت‌های ایمن توسط همه ترکیب‌های جنسیتی مقایسه شده بود، همبستگی نسبتاً کمی مشاهده کردیم.
برای دریافت دیدگاه پیچیده تر، تصویر کلی ترس شطرنجی از جرم و جنایت در شهرها باید با عوامل متعددی توضیح داده می شد. بنابراین، مدل‌های رگرسیون حداقل مربعات معمولی (OLS) در سراسر 30701 سلول شبکه منطقه مشاهده‌شده به منظور آزمایش تأثیر ترکیبی تعداد رویدادهای جرم، اندازه شهر، تفاوت عقاید مبتنی بر جنسیت و تعداد کلی نرمال‌شده ساخته شد. علامت گذاری یک مکان ناامن یا امن هدف مدل ها تعیین نقش توضیحی متغیرهای مستقل بر قضاوت کلی مکان ها بود که به عنوان تفاوت بین تعداد نرمال شده ذکر مکان امن و تعداد نرمال شده ذکر آن به عنوان ناامن تعریف شد (این تفاوت بین تعداد نسبی ذکرهای ایمن و ناامن).
در مجموع، نه آزمایش مدل انجام شد، به طوری که رویکرد مبتنی بر شبکه عمومی ما نقش توضیحی چندین ترکیب متغیر را آزمایش کرد ( جدول 3 ). محاسبات اولیه (مدل 1 و 2) تعداد حوادث جرم و اندازه شهر (اندازه گیری شده به عنوان جمعیت شهری که شبکه به آن تعلق دارد) به عنوان متغیرهای مستقل منفرد، با ضرایب بتای استاندارد شده بسیار پایین و قدرت توضیحی اعمال شد. علاوه بر این، اثر ترکیبی رویدادهای جرم و اندازه شهر مقادیر نسبتاً پایینی را برگرداند (مدل 3). به نظر می رسد، نه تعداد حوادث جرم ثبت شده [ 26زمانی که هیچ متغیر دیگری در مدل‌های رگرسیون توضیحی دخیل نبوده است، اندازه شهر بر قضاوت کلی یک مکان تأثیر زیادی ندارد. در مرحله بعد، اثرات تفاوت های عقاید مبتنی بر جنسیت بر قضاوت مکان مورد آزمایش قرار گرفت (مدل 4). تفاوت بین تعداد عادی علامت‌گذاری مکان ناامن توسط مردان و زنان، و همچنین مقادیر تفاوت مشابه برای ایمنی، دوباره ضرایب بتا پایین را به عنوان متغیرهای مستقل برگرداند. علاوه بر این، با در نظر گرفتن تعداد حوادث جرم ثبت شده، اندازه شهر و تفاوت های جنسیتی به طور همزمان، قدرت توضیحی مدل همچنان پایین است (مدل 5).
در مرحله بعدی، هدف ما این بود که بررسی کنیم که تعداد در نظر گرفتن یک مکان امن (یا ناامن) تا چه حد می تواند بر قضاوت کلی یک مکان تأثیر بگذارد. ما از این واقعیت آگاه هستیم که ارزش قضاوت مکان یک طرفه به تعداد در نظر گرفتن مکان ایمن (یا ناامن) وابسته است، با این حال، این بار با فرض تمرکز بر غلظت انبوه ذکرهای ایمن (یا ناایمن) در مکان مشاهده شده که حجم ایمنی (یا ناایمنی) ذکر شده خود نقش تعیین کننده ای در ارزیابی کلی یک مکان دارد. به عنوان مثال، قضاوت کلی یک مکان می تواند بالا باشد، زمانی که یک تعداد متوسط ​​ایمنی در برابر تعداد ناایمنی کم قرار می گیرد، با این حال، اگر تعداد بسیار زیادی از ایمنی به صورت محلی با یک عدد متوسط ​​بزرگ مطابقت داشته باشد، همان نتیجه قضاوت ظاهر می شود. از ناامنی ترازهای دو مورد برابر است،
متغیر وابسته تفاوت بین اعداد نرمال شده علامت گذاری مکان امن و ناامن است (قضاوت کلی مکان). متغیرهای مستقل: تعداد عادی شده رویدادهای جرم ثبت شده (CRIMEEVENT). اندازه شهر (CITYSIZE); تفاوت بین تعداد عادی علامت‌گذاری مکان ناامن توسط مرد و زن (UM_UF)؛ تفاوت بین تعداد عادی علامت‌گذاری مکان امن توسط مرد و زن (SM_SF). تعداد عادی علامت گذاری مکان امن (SAFE)؛ تعداد عادی علامت گذاری مکان ناامن (UNSAFE)؛ مقادیر p در پرانتز در زیر ضرایب گزارش شده است. ** معنی‌داری آماری را در سطح p <0.01 نشان می‌دهد. فقط بالاترین واریانس ضریب تورم (VIF) نتایج ارائه شده است.
در ابتدا، ما تنها تأثیر تعداد نرمال شده در نظر گرفتن یک مکان امن را آزمایش کردیم (مدل 6). محاسبات ضرایب بتای بسیار بالا و مثبت همراه با مقادیر R-square تعدیل شده بالا را نشان دادند، به این معنی که حجم ذکر یک مکان امن – در حال حاضر زمانی که صرفاً در نظر گرفته شود – تأثیر تعیین کننده ای بر قضاوت مکان نهایی دارد. وضعیت در مورد تعداد عادی در نظر گرفتن مکان ناامن (مدل 7) آنقدر پیشگام نبود، با این حال، نقش تأثیرگذار آن همچنان می تواند مهم تلقی شود.
سپس مدل‌های نهایی ما اثر ترکیبی تعداد رویدادهای جرم، اندازه شهر، تفاوت عقاید مبتنی بر جنسیت، و تعداد عادی مشخص‌شده یک مکان امن یا غیرایمن را بررسی کردند. مجموعه متغیرهای مختلط با افزایش جزئی در اثر تعداد رویدادهای جرم و جنایت ثبت شده، باعث بهبود قدرت توضیحی مدل‌ها شد، در حالی که تعداد نرمال شده در نظر گرفتن مکان امن (یا ناامن) به عنوان مهم‌ترین متغیر مستقل باقی ماند. (مدل 8 و 9). برای تشخیص رگرسیون OLS (در کنار R-square تعدیل شده و مقادیر خطای استاندارد تخمین) همچنین آمار VIF مورد آزمایش قرار گرفت که بر اساس آن هیچ چند خطی مشکلی در بین متغیرهای اعمال شده در هیچ یک از مدل ها مشاهده نشد (به خطوط پایین جدول 3 مراجعه کنید.). به طور خلاصه، ما متوجه شدیم که تعادل کلی درک ترس محلی از جرم تا حد زیادی بستگی به این دارد که آنها چقدر قوی قضاوت شده اند، و در برخی موارد تعداد محلی رویدادهای جرم ثبت شده نیز مهم است، با این حال، این عامل بسیار کمتر است. تعیین کننده اندازه شهر و همچنین تفاوت های جنسیتی در نظرات به عنوان انگیزه های تأثیرگذار ظاهر نشد.

5. نتیجه گیری ها

با کمک نقشه های دیجیتالی، ما درک ترس از جرم و امنیت را در چند شهر بزرگ، متوسط ​​و کوچک مجارستان بررسی کردیم. مدل نرمال شده مبتنی بر شبکه ما نتایج شهرهای مختلف را قابل مقایسه کرد و شباهت‌ها و تفاوت‌هایی را بین شهرهای مشاهده‌شده به دست آورد.
در 9 شهر منتخب برای مشاهده، تصادفات قابل توجهی از آمار جرم و درک مکان‌های ناامن را یافتیم، در حالی که در برخی موارد حتی همبستگی معکوس آن قابل مشاهده بود یا رابطه بین مکان‌های امن یا ناایمن و فراوانی جرم مختلط بود. این نتایج اهمیت محلّی بودن را در ترس از تحقیق جنایی برجسته کرد.
در جستجوی انگیزه‌های توضیحی ترس از جرم، متوجه شدیم که تفاوت‌های جنسیتی به طور قابل‌توجهی بر الگوی فضایی علامت‌گذاری ناامن یا ایمن مکان‌ها تأثیر نمی‌گذارد [ 3 ]، بلکه مسائل جغرافیایی، یعنی ترس از جرم توسط عوامل محیطی محلی بهتر توضیح داده می‌شود. با ارزیابی آماری متغیرهای احتمالی برای توضیح قضاوت کلی مکان‌ها، متوجه شدیم که اندازه شهر در ترس از تفاوت‌های جرم و جنایت کمتر تعیین‌کننده است، بلکه وزن مطلق نشانه‌گذاری‌های ایمن و تعداد محلی رویدادهای جرم ثبت‌شده می‌تواند بر نتایج محلی تأثیر بگذارد. .
نتایج تحلیل ترس از جرم را می‌توان با مشارکت تعداد بیشتری از شهرها (و پاسخ‌دهندگان) در تجزیه و تحلیل بهبود بخشید، از این رو نتایج مطالعه تا حدی محدود است. علاوه بر این، ابزار نقشه طراحی دیجیتال اعمال شده تنها اطلاعاتی را در مورد مکان مکان‌های امن و ناامن جمع‌آوری می‌کند و هیچ توضیح مستقیمی برای اینکه چرا یک مکان امن یا ناامن علامت‌گذاری شده است، ارائه نمی‌دهد. اگر کاربران علامت‌گذاری‌های خود را نظر می‌دادند، نتیجه‌گیری می‌توانست بهبود یابد. محدودیت‌های این مطالعه همچنین از این واقعیت ناشی می‌شود که ترس می‌تواند در ارتباط با چهارراه‌های خطرناک یا سایر موقعیت‌های ترافیکی نیز ظاهر شود، که گاهی اوقات جدا کردن آنها از احساسات مرتبط با جرم دشوار است.
اگرچه بسیاری از دیدگاه‌های مختلف در تجزیه و تحلیل ما در نظر گرفته شده‌اند، ما معتقدیم که بهبود احتمالی مدل را می‌توان با پیاده‌سازی نقاط مورد علاقه (POI)، ترافیک یا داده‌های جمعیت با تراکم بالا که نتایج را بیشتر اصلاح می‌کند، به دست آورد. علاوه بر این، اطلاعات در مورد پیشینه اجتماعی-فرهنگی مناطق (مانند قومیت ها) توضیح عمیق تری از یافته ها ارائه می دهد. یک توصیه احتمالی اضافی برای تحقیقات آینده این است که اثرات فضایی را عمیق‌تر آزمایش کنید، به عنوان مثال با مدل‌های تاخیر فضایی.

منابع

  1. فورستنبرگ، واکنش عمومی FF به جنایت در خیابان ها. در ترس از جنایت ; Routledge: لندن، بریتانیا، 2017; صص 3-12. [ Google Scholar ] [ CrossRef ]
  2. زدنر، L. قربانیان. در کتاب راهنمای جرم شناسی آکسفورد ، ویرایش دوم؛ Maguire, M., Morgan, R., Reiner, R., Eds. Clarendon Press: آکسفورد، انگلستان، 2002; صص 577-612. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  3. دوران، بی جی; Burgess, MB قرار دادن ترس از جنایت بر روی نقشه . Springer: New York, NY, USA, 2012. [ Google Scholar ] [ CrossRef ]
  4. فارال، اس. بنیستر، جی. دیتون، جی. گیلکریست، ای. روانشناسی اجتماعی و ترس از جرم. برادر J. Criminol. 2000 ، 40 ، 399-413. [ Google Scholar ] [ CrossRef ]
  5. دیتون، جی. بنیستر، جی. گیلکریست، ای. فارال، اس. ترس یا عصبانی؟ تنظیم مجدد “ترس” از جنایت. در ترس از جنایت ; Routledge: لندن، بریتانیا، 2017; صص 535-551. [ Google Scholar ] [ CrossRef ]
  6. فرارو، KF; LaGrange، RL اندازه گیری ترس از جرم. اجتماعی Inq. 1987 ، 57 ، 70-101. [ Google Scholar ] [ CrossRef ]
  7. گیلکریست، ای. بنیستر، جی. دیتون، جی. فارال، اس. زنان و «ترس از جنایت» که کلیشه پذیرفته شده را به چالش می کشد. برادر J. Criminol. 1998 ، 38 ، 283-298. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  8. اسمیت، WR; تورستنسون، ام. جوهانسون، ک. خطر درک شده و ترس از جرم: تفاوت های جنسیتی در حساسیت زمینه ای. بین المللی کشیش ویکت. 2001 ، 8 ، 159-181. [ Google Scholar ] [ CrossRef ]
  9. آشپزخانه، پ. ویلیامز، الف. کیفیت زندگی و درک جرم در ساسکاتون، کانادا. Soc. اندیک. Res. 2010 ، 95 ، 33-61. [ Google Scholar ] [ CrossRef ]
  10. مک اینتایر، امنیت عمومی و جرم و جنایت RN. در دایره المعارف جنایت و مکافات ; John Wiley & Sons, Inc.: Hoboken, NJ, USA, 2015. [ Google Scholar ] [ CrossRef ]
  11. چو، دبلیو. هو، AT آیا جرم محله اهمیت دارد؟ یک مطالعه نظرسنجی چند ساله در مورد درک نژاد، قربانی شدن، و امنیت عمومی. بین المللی J. Law Crime Justice 2018 ، 55 ، 13-26. [ Google Scholar ] [ CrossRef ]
  12. 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 ]
  13. سایپیون دوتکووسکا، ن. لایتنر، ام. استفاده از زمین بر توزیع فضایی جرم شهری: مطالعه موردی Szczecin، لهستان. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 74. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  14. Telep، CW; ویزبورد، دی. تمرکز جنایت در مکان‌ها. در کتاب راهنمای جرم شناسی محیطی آکسفورد ؛ Bruinsma, GJN, Johnson, SD, Eds. انتشارات دانشگاه آکسفورد: آکسفورد، بریتانیا، 2017. [ Google Scholar ] [ CrossRef ]
  15. Downs, RM; Stea، D. تصویر و محیط: نقشه برداری شناختی و رفتار فضایی. صبح. جی. سوسیول. 1975 ، 80 ، 1027-1028. [ Google Scholar ] [ CrossRef ]
  16. باکس، اس. هیل، سی. اندروز، جی. توضیح ترس از جنایت. برادر J. Criminol. 1988 ، 28 ، 340-356. [ Google Scholar ] [ CrossRef ]
  17. کیلیاس، م. Clerici، C. معیارهای مختلف آسیب پذیری در رابطه با ابعاد مختلف ترس از جرم. برادر J. Criminol. 2000 ، 40 ، 437-450. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. دوران، بی جی; Lees, BG استفاده از GIS برای بررسی پیوندهای مکانی-زمانی بین بی نظمی، جنایت و ترس از جرم. در مجموعه مقالات کنفرانس گرافیتی و اختلال، بریزبن، استرالیا، 18 تا 19 اوت 2003. [ Google Scholar ]
  19. نیر، جی. دیتون، جی. فیلیپس، S. بهبودهای محیطی و ترس از جنایت. در ترس از جنایت ; Routledge: لندن، بریتانیا، 2017; صص 525-531. [ Google Scholar ] [ CrossRef ]
  20. لدرر، دی. لایتنر، M. Erfassung der stadtteilspezifischen Kriminalitätsfurcht und Verortung von Kriminalitätsfurchträumen در لینز. در فناوری اطلاعات جغرافیایی کاربردی ; Strobl, J., Blaschke, T., Griesebner, G., Eds. Wichmann: برلین، آلمان؛ آفنباخ، آلمان، 2012. [ Google Scholar ]
  21. پانک، جی. ایوان، آی. Macková، L. مقایسه ترس ساکنان از جرم با داده های جرم ثبت شده – مطالعه موردی Ostrava، جمهوری چک. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 401. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. پودور، ا. یاکوبی، ا. نقشه‌های دیجیتالی که مکان‌های ترس از جنایت را شناسایی می‌کنند. در GIS Ostrava 2018–GIS برای ایمنی و امنیت ؛ Ivan, I., Caha, J., Burian, J., Eds. دانشگاه فنی استراوا: استراوا، چک، 2018; ص 22-32. [ Google Scholar ]
  23. کرتیس، JW یکپارچه سازی نقشه های طرح با GIS برای کاوش ترس از جرم در محیط شهری: مروری بر گذشته و چشم انداز آینده. کارتوگر. Geogr. Inf. علمی 2012 ، 39 ، 175-186. [ Google Scholar ] [ CrossRef ]
  24. بوشمن، EE; Cubbon, E. Sketch Maps and Qualitative GIS: استفاده از نقشه نگاری های روایت های فضایی فردی در تحقیقات جغرافیایی. پروفسور Geogr. 2013 ، 66 ، 236-248. [ Google Scholar ] [ CrossRef ]
  25. کرتیس، JW رونویسی از ذهن به نقشه: ردیابی تکامل یک مفهوم. Geogr. Rev. 2016 , 106 , 338-359. [ Google Scholar ] [ CrossRef ]
  26. Ogneva-Himmelberger، Y.; راس، ال. کیوود، تی. خانانایف، م. استار، سی. تجزیه و تحلیل رابطه بین ادراک ایمنی و جرم گزارش شده در یک محله شهری با استفاده از GIS و نقشه های طرح. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 531. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  27. سولیموسی، ر. باورز، ک. فوجیما، تی. ترسیم ترس از جنایت به عنوان یک تجربه روزمره وابسته به زمینه که در مکان و زمان متفاوت است. پا. Criminol. روانی 2015 ، 20 ، 193-211. [ Google Scholar ] [ CrossRef ]
  28. کوندی، ا. ریستئا، ع. لایتنر، ام. لانگفورد، سی. جمعیت در معرض خطر: استفاده از درون یابی منطقه ای و پیام های توییتر برای ایجاد مدل های جمعیتی برای دزدی و سرقت. کارتوگر. Geogr. Inf. علمی 2017 ، 45 ، 205-220. [ Google Scholar ] [ CrossRef ]
  29. پودور، ا. Révész، A.; راچسکای، پی. Sasvár, Z. اندازه گیری ترس شهروندان از جرم با استفاده از یک برنامه وب: مطالعه موردی. Gi_Forum 2016 ، 2 ، 123-133. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. لینچ، کی . تصویر شهر . انتشارات MIT: کمبریج MA، ایالات متحده آمریکا، 1960. [ Google Scholar ]
  31. گولد، پی. White, R. Mental Maps ; راتلج: نیویورک، نیویورک، ایالات متحده آمریکا، 1993; پ. 93. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. Tversky، B. نقشه های شناختی، کلاژهای شناختی، و مدل های ذهنی فضایی. در نظریه اطلاعات مکانی مبنای نظری برای GIS، نکات سخنرانی در علوم کامپیوتر ; Springer: برلین، آلمان، 1993; جلد 716، ص 14–24. [ Google Scholar ] [ CrossRef ]
  33. Ghioca، S. نقش نقشه شناختی در برنامه ریزی شهری و محوطه سازی: کاربرد در شهر بریلا، رومانی. Cinq ادامه 2014 ، 4 ، 137-157. [ Google Scholar ]
  34. Smiley، SL نقشه های ذهنی، جداسازی، و زندگی روزمره در دارالسلام، تانزانیا. J. Cult. Geogr. 2013 ، 30 ، 215-244. [ Google Scholar ] [ CrossRef ]
  35. طلا، RJ مقدمه ای بر جغرافیای رفتاری ; انتشارات دانشگاه: آکسفورد، انگلستان، 1980. [ Google Scholar ]
  36. میلگرام، اس. نقشه های روانشناختی پاریس. در کتاب «فرد در یک جهان اجتماعی: مقالات و تجربیات» ؛ Sabini, J., Silver, M., Eds. McGraw-Hill: نیویورک، نیویورک، ایالات متحده آمریکا، 1992. [ Google Scholar ]
  37. ژانگ، دبلیو. احمد ترمیدا، ن. Susilo، YO منطقه آشنای فرد را چه می سازد؟ مطالعه کمی و طولی. محیط زیست طرح. ب شهری. مقعدی علوم شهر 2019 ، 46 ، 322-340. [ Google Scholar ] [ CrossRef ]
  38. متی، س. Ball-Rokeach، SJ; Qiu، JL ترس و درک نادرست از فضای شهری لس آنجلس. اشتراک. Res. 2001 ، 28 ، 429-463. [ Google Scholar ] [ CrossRef ]
  39. پودور، ا. زنتای، ال. Gál, E. نقشه های طراحی دیجیتال در آموزش GIS برای دانش آموزان اجرای قانون. Proc. بین المللی کارتوگر. دانشیار 2019 ، 2 ، 102. [ Google Scholar ] [ CrossRef ]
  40. کرتیس، جی دبلیو. سو، ای. لوری، بی. اسلون، دی. هنیگان، ک. کورتیس، A. چشم اندازها و مشکلات ادغام نقشه های طرح با سیستم های اطلاعات جغرافیایی برای درک ادراک محیطی: مطالعه موردی ترسیم ترس از جوانان در محله های باند لس آنجلس. محیط زیست طرح. B طرح. دس 2014 ، 41 ، 251-271. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. پانک، جی. پاستو، وی. Marek, L. ترسیم احساسات: توزیع فضایی ادراک ایمنی در شهر Olomouc. در GIS Ostrava 2016–The Rise of Big Spatial Data ; یادداشت های سخنرانی Springer در اطلاعات جغرافیایی و نقشه برداری. Springer: Cham, Switzerland, 2016; ص 211-224. [ Google Scholar ] [ CrossRef ]
  42. کرتیس، ای. کرتیس، جی دبلیو. آجایاکومار، جی. جفریس، ای. میچل، اس. همان فضا-چشم‌اندازهای مختلف: تحلیل مقایسه‌ای بافت جغرافیایی از طریق نقشه‌های طرح و روایت‌های جغرافیایی ویدئویی فضایی. بین المللی جی. جئوگر. Inf. علمی 2018 ، 33 ، 1224-1250. [ Google Scholar ] [ CrossRef ]
  43. زیل، پ. رسچ، بی. Exner، JP; ساگل، جی. احساسات شهری: مزایا و خطرات در استفاده از ارزیابی حسی انسان برای استخراج اطلاعات هیجانی متنی در برنامه ریزی شهری. در برنامه ریزی سیستم های پشتیبانی و شهرهای هوشمند ; Geertman, S., Ferreira, J., Jr., Goodspeed, R., Stillwell, J., Eds.; یادداشت های سخنرانی در اطلاعات جغرافیایی و نقشه برداری. Springer: Cham, Switzerland, 2015. [ Google Scholar ] [ CrossRef ]
  44. Kohm، SA ابعاد فضایی ترس در یک جامعه با جنایت بالا: ترس از جنایت یا ترس از بی نظمی؟ می توان. J. Criminol. جنایت. عدالت 2009 ، 51 ، 1-30. [ Google Scholar ] [ CrossRef ]
  45. سکاتو، VA; Snickars، F. تطبیق فناوری GIS با نیازهای برنامه ریزی محلی. محیط زیست طرح. B طرح. دس 2000 ، 27 ، 923-937. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  46. لوپز، ن. لوکین بیل، سی. مقایسه ادراک پلیس و ساکنان از جرم و جنایت در محله ققنوس با استفاده از نقشه های ذهنی در GIS. سالب. دانشیار Pac. Coast Geogr. 2010 ، 72 ، 33-55. [ Google Scholar ] [ CrossRef ]
  47. توث، ج. شهرنشینی و ساختار فضایی در مجارستان. ژئوژورنال 1994 ، 32 ، 343-350. [ Google Scholar ] [ CrossRef ]
  48. قانون مجازات مجارستان در دسترس آنلاین: https://net.jogtar.hu/jogszabaly?docid=A1200100.TV (در 24 فوریه 2020 قابل دسترسی است).
  49. هابرمن، CP نقاط داغ همپوشانی دارند؟ بررسی ناهمگونی فضایی نقاط داغ انواع مختلف جرم. Criminol. سیاست عمومی 2017 ، 16 ، 633-660. [ Google Scholar ] [ CrossRef ]
  50. Melo، SN; ماتیاس، LF; آندرسن، MA تمرکز جرم و شباهت در الگوهای جرم فضایی در زمینه برزیل. Appl. Geogr. 2015 ، 62 ، 314-324. [ Google Scholar ] [ CrossRef ]
  51. دوران، بی جی; لیز، بی جی در حال بررسی پیوندهای فضایی و زمانی بین اختلال، جنایت و ترس از جنایت. پروفسور Geogr. 2005 ، 57 ، 1-12. [ Google Scholar ] [ CrossRef ]
  52. Skogan, WG Dimensions of the Dark Figure of Unreported Crime. جنایت دلینق. 1977 ، 23 ، 41-50. [ Google Scholar ] [ CrossRef ]
  53. کلمن، سی. Moynihan, J. Understanding Crime Data: Haunted by the Dark Figure ; انتشارات دانشگاه آزاد: باکینگهام، انگلستان، 1996; جلد 120. [ Google Scholar ]
  54. کوریل، روابط عمومی؛ بیشاپ، اس آر ترس از جرم: تأثیر توزیع های مختلف قربانی شدن. کمون پالگریو 2018 ، 4 . [ Google Scholar ] [ CrossRef ]
  55. نولان، جی جی، III. ایجاد رابطه آماری بین اندازه جمعیت و میزان جرم و جنایت UCR: تأثیر و پیامدهای آن جی. جنایت. عدالت 2004 ، 32 ، 547-555. [ Google Scholar ] [ CrossRef ]
Ijgi 09 00229 g001 550
شکل 1. چند ضلعی های ترسیم شده توسط شرکت کنندگان که مکان های امن و ناامن را در نظرسنجی در Székesfehérvár نشان می دهند.
Ijgi 09 00229 g002 550
شکل 2. تعداد محلی (نرمال شده) تعداد دفعاتی که یک مکان به عنوان ( الف ) امن یا ( ب ) ناامن (در برخی شهرهای انتخاب شده) علامت گذاری شده است: ( 1 ) Balmazújváros; ( 2 ) Nagykanizsa; ( 3 ) Székesfehérvár.
Ijgi 09 00229 g003 550
شکل 3. تفاوت بین قضاوت پاسخ دهندگان مرد و زن در مورد ( الف ) مکان های امن و ( ب ) مکان های ناامن. مقادیر بالاتر نشان‌دهنده مردان بیشتر، مقادیر کمتر نشان‌دهنده نشانه‌های زنانه بیشتر است. شهر نمونه: Nagykanizsa.
Ijgi 09 00229 g004 550
شکل 4. تفاوت های محلی قضاوت مکان: (الف ) شمارش محلی علامت گذاری یک مکان امن منهای شمارش محلی برای علامت گذاری ناامن. ( ب ) تعداد عادی علامت گذاری یک مکان امن منهای تعداد عادی علامت گذاری ناامن. مقادیر بالاتر نشان دهنده ایمن تر و مقادیر پایین تر نشان دهنده درک ناامن تر است. شهر نمونه: ( 1 ) Nagykanizsa, ( 2 ) Székesfehérvár.
Ijgi 09 00229 g005 550
شکل 5. تراکم جرم در مقابل الگوهای ناایمن: ( الف ) توزیع فضایی تخمین تراکم هسته (KDE) رویدادهای جرم ( b ). تعداد محلی رویدادهای جرم KDE منهای نشانه‌های محلی ناامنی، که در آن مقادیر پایین نشان‌دهنده نشانه‌های ناامنی بیشتر از رویدادهای جرم KDE و مقادیر بالا نشان‌دهنده رویدادهای جرم KDE بیشتر از نشانه‌های ناامنی است (در برخی از شهرهای انتخاب شده): ( 1 ) Balmazújváros; ( 2 ) Nagykanizsa; ( 3 ) Székesfehérvár.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید