خلاصه

جنایت تقریباً تکراری به الگویی اشاره دارد که به موجب آن یک رویداد جنایی به زودی با یک رویداد جنایی مشابه در یک مکان نزدیک دنبال می شود. تحقیقات موجود در مورد الگوهای جرم تقریباً تکراری در مورد اینکه الگوهای تقریباً تکراری کجا ظهور می‌کنند و کدام عوامل فیزیکی و اجتماعی بر آنها تأثیر می‌گذارند، قطعی نیست. پژوهش حاضر با بررسی رابطه بین رویدادهای آغازگر (یعنی اولین رویداد در یک الگوی تقریباً تکراری) و ویژگی‌های محیطی به این شکاف پرداخت تا تخمین بزند که در کجا احتمال ظهور الگوهای نزدیک به تکرار وجود دارد. تجزیه و تحلیل دو مرحله ای با استفاده از داده های مربوط به سرقت های خیابانی گزارش شده در مالمو، سوئد، برای سال های 2006-2015 انجام شد. پس از تعیین الگوهای تقریباً تکراری، ما همبستگی بین رویدادهای آغازگر و مکان های جرم زا و شاخص های اجتماعی-اقتصادی را با استفاده از یک رگرسیون دو جمله ای منفی در سطح بخش خیابان ارزیابی کردیم. نتایج ما نشان می‌دهد که مکان‌های جرم‌زا و شاخص‌های اجتماعی-اقتصادی تأثیر قابل‌توجهی بر تغییرات فضایی رویدادهای آغازگر دارند، که نشان می‌دهد ویژگی‌های محیطی می‌تواند برای توضیح ظهور الگوهای تقریباً تکراری مورد استفاده قرار گیرد. سازمان های مجری قانون می توانند از یافته ها برای جلوگیری از وقوع سرقت های خیابانی بیشتر استفاده کنند.

کلید واژه ها:

جنایت تقریباً تکراری ؛ سرقت خیابانی ؛ مدلسازی مکانی-زمانی ; تحلیل شهری ; GIS

1. معرفی

جرم و جنایت یک مشکل اجتماعی در اکثر کشورهاست. علاوه بر سیستم عدالت کیفری قابل توجه و هزینه های قربانی، جرم نیز بر زندگی اجتماعی تأثیر منفی می گذارد [ 1 ]. بنابراین راهبردهای پیشگیری از جرم که به طور مستقیم یا غیرمستقیم از وقوع جرم جلوگیری می کند، می تواند منافع اجتماعی قابل توجهی ایجاد کند [ 2 ].
در تلاش برای پیشگیری از جرم، تحقیقات زیادی بر توضیح چگونگی تأثیر ویژگی های محیطی بر تنوع فضایی جرم متمرکز شده است [ 3 ، 4 ]. چندین مطالعه نشان داده است که جرم و جنایت در محیط‌هایی با ویژگی‌های محیطی فیزیکی و اجتماعی خاص، مانند مکان‌هایی که افراد در آن فعالیت‌هایی انجام می‌دهند (مثلاً فروشگاه‌های مواد غذایی) [ 5 ، 6 ، 7 ، 8 ] یا محله‌هایی با انسجام اجتماعی کم، متمرکز می‌شوند [ 9 ، 10 ]. بنابراین مجری قانون و منابع پیشگیری از جرم می توانند به طور موثر چنین محیط هایی را برای بازدارندگی یا کشف فعالیت های مجرمانه هدف قرار دهند [ 11 ].
با این حال، جرم نه تنها در فضا، بلکه در زمان نیز متمرکز است [ 12 ، 13 ، 14 ، 15 ، 16 ]. این پدیده به عنوان پدیده تقریباً تکرار شناخته می شود و به یک الگوی جرم اشاره دارد که به موجب آن یک رویداد جنایی به زودی با یک رویداد جنایی مشابه در یک مکان نزدیک دنبال می شود [ 17 ، 18 ، 19 ]. پدیده جرایم تقریباً تکراری نه تنها برای دزدی [ 20 ، 21 ، 22 ]، بلکه برای سرقت وسایل نقلیه [ 23 ] و سرقت های خیابانی [ 13 ] مشاهده شده است.]. برای توضیح ظهور الگوهای تقریباً تکراری، دو فرضیه مطرح شده است [ 24 ، 25 ]. یکی از آنها، فرضیه تقویت، نشان می‌دهد که با انجام یک جرم، مجرم در مورد فرصت‌های نزدیک یاد می‌کند و برای بهره‌برداری از آنها در مدت زمان کوتاهی بازمی‌گردد [ 26 ]. فرضیه دیگر، فرضیه پرچم، نشان می‌دهد که برخی از عوامل خطر، برخی محیط‌ها را برای ارتکاب جرم مناسب‌تر می‌کنند و بنابراین مجرمان بیشتری را جذب می‌کنند [ 26 ].
برای شناسایی مکان‌هایی که رویدادهای آغازگر – یک رویداد جنایی که یک الگوی تقریباً تکراری را آغاز می‌کند – احتمالاً در کجا رخ می‌دهد، مجموعه رو به رشدی از ادبیات سعی کرده‌اند توضیح دهند که چگونه ویژگی‌های محیطی بر تنوع فضایی رویدادهای آغازگر تأثیر می‌گذارند [ 27 ، 28 ، 29 ، 30 ] ]. بر اساس نظریه الگوی جرم [ 4 ] و نظریه بی‌سازمانی اجتماعی [ 3 ]، یافته‌های این مطالعات نشان می‌دهد که احتمال وقوع رویدادهای آغازگر در نزدیکی مکان‌های جرم‌زا، مانند فروشگاه‌های مواد غذایی، رستوران‌ها و پارک‌ها، افزایش می‌یابد [ 27 ، 28 ، 29] و در مناطق مسکونی با نسبت بالایی از افراد آسیب دیده اجتماعی (یعنی افراد زیر خط فقر، افراد بیکار و غیره) [ 30 ]. این نشان می دهد که هر دو ویژگی محیطی فیزیکی و اجتماعی بر تنوع فضایی رویدادهای آغازگر تأثیر می گذارد. با این حال، مطالعات دارای محدودیت هایی نیز هستند.
اول، اکثر مطالعات [ 27 ، 28 ، 29 ] از یک تکنیک مدل خطر زمین [ 31 ] برای تخمین تأثیر مکان های جرم زا بر رویدادهای آغازگر استفاده می کنند. در حالی که چنین مدلی اندازه‌گیری دقیقی از تأثیر انباشته مکان‌های جرم‌زا ارائه می‌کند، این روش تأثیر مکان‌های جرم‌زای فردی را اندازه‌گیری نمی‌کند [ 31 ]]. اگر بتوان تأثیر مکان‌های جرم‌زای فردی را اندازه‌گیری کرد، می‌توان تعیین کرد که کدام مکان‌های جرم‌زا بیشترین تأثیر را بر تنوع فضایی رویدادهای آغازگر دارند. دوم، مطالعات معمولاً تأثیر روی رویدادهای آغازگر را با اعمال یک مقدار آستانه مبتنی بر فاصله اندازه‌گیری می‌کنند که به موجب آن مکان‌های جرم‌زا در آن فاصله از نظر مکانی نزدیک در نظر گرفته می‌شوند. با این حال، این عملیاتی سازی مشکل ساز است، زیرا یک مکان جرم زا واقع در نزدیکی ممکن است تأثیر بارزتری نسبت به مکان دورتر داشته باشد [ 32]. بنابراین، رویکردی که در آن فاصله بین رویدادهای آغازگر و مکان‌های جرم‌زا به صراحت در نظر گرفته می‌شود، ممکن است اندازه‌گیری‌های دقیق‌تری از تأثیر جرم‌زا ارائه دهد. در نهایت، اگرچه مشخص شده است که ویژگی‌های اجتماعی-اقتصادی بر تنوع فضایی جرم تأثیر می‌گذارد [ 9 ، 10 ]، تا آنجا که دانش ما تنها یک مطالعه آزمایش کرده است که آیا ویژگی‌های اجتماعی-اقتصادی بر وقوع رویدادهای آغازگر تأثیر می‌گذارد [ 30 ]. تحقیقات موجود در مورد الگوهای تقریباً تکراری فقط بر تشخیص الگو متمرکز است اما همبستگی با ویژگی‌های محیطی محلی را ارزیابی نمی‌کند [ 33 ]. بنابراین، اطلاعات کمی در مورد رابطه بین رویدادهای آغازگر و ویژگی‌های اجتماعی-اقتصادی وجود دارد که نیازمند تحقیقات بیشتر است.
پژوهش حاضر با بررسی رابطه بین رویدادهای جنایت آغازگر و ویژگی‌های محیطی در مالمو، سوئد، به این شکاف‌های تحقیقاتی پرداخت. هدف ما آزمایش این بود که آیا تأثیر ترکیبی مکان‌های بالقوه جرم‌زا و شاخص‌های اجتماعی-اقتصادی، تنوع فضایی رویدادهای آغازگر سرقت خیابانی را توضیح می‌دهد یا خیر. سرقت های خیابانی در ادبیات آغازگر رویدادهای محیطی مورد بررسی قرار نگرفته اند، اما آنها منبع اصلی ترس کلی از جرم و جنایت در شهرها هستند [ 1 ]، و سرقت خیابانی را به جرمی مهم برای پیشگیری از دیدگاه اجتماعی تبدیل می کنند. تأیید اینکه سرقت های خیابانی الگوهای تقریباً تکراری را نشان می دهند، پیامدهای مهمی برای استراتژی های پیشگیری از جرم دارد، زیرا نشان می دهد که رویدادهای جنایی آینده را می توان بر اساس رویدادهای گذشته پیش بینی کرد [ 25 ]]. بنابراین، اگر یک رویداد آغازگر شناسایی شود، سازمان‌های مجری قانون می‌توانند منابع را به نحو مؤثرتری برای جلوگیری از وقوع رویدادهای بعدی تخصیص دهند [ 30 ].

2. مواد و روشها

2.1. حوزه و داده های مطالعه

مالمو سومین شهر بزرگ سوئد است و در سال 2015 تقریباً 320000 نفر جمعیت داشته است. مالمو هم در سیاست و هم در رسانه ها به دلیل مشکلات اجتماعی و جنایی خود و به ویژه مشکل آن با جرایم خشن مانند سرقت خیابانی که در آنجا به طور قابل توجهی بیشتر از سایر شهرهای سوئد رایج است، مورد توجه قرار گرفته است. این موضوع مالمو را به مکانی ایده آل برای این تحقیق تبدیل کرد.
داده ها از سه منبع جمع آوری شد. داده‌های مربوط به سرقت‌های خیابانی از مقامات پلیس به‌دست آمد که پایگاه داده‌ای از 7744 رویداد جنایی گزارش‌شده برای سال‌های 15-2006 ارائه می‌کرد. مکان جرم هر سرقت خیابانی بر اساس مختصاتی که با محل جرم واقعی مطابقت دارد، ارجاع جغرافیایی داده شد. از بین رویدادها، 7434 (95.9٪) می توانند با موفقیت به زمین ارجاع داده شوند، در حالی که 310 رویداد باقیمانده مکان نامعلومی داشتند، که منجر به نرخ ارجاع جغرافیایی موفقیت آمیز، بسیار بالاتر از حداقل آستانه قابل اعتماد 85٪ پیشنهاد شده توسط راتکلیف [ 34 ]، با توجه به آن داده ها شد. به صورت تصادفی گم شده اند
داده های مربوط به مکان های جرم زا از شهرداری مالمو جمع آوری شد. انتخاب مکان‌های جرم‌زا توسط تئوری الگوی جرم برای به تصویر کشیدن ویژگی‌های مکانی محیطی که تصور می‌شود بر احتمال سرقت خیابانی تأثیر می‌گذارند، اطلاع داده شد [ 4 ]. ما رستوران‌ها، کافه‌ها، رستوران‌های فست فود، فروشگاه‌های مواد غذایی، دستگاه‌های خودپرداز، ایستگاه‌های قطار، ایستگاه‌های اتوبوس، دبیرستان‌ها و پارک‌های عمومی را شامل می‌شویم [ 5 ، 6 ، 35 ]. همه اینها بر اساس آدرس‌های خیابان موجود، جغرافیایی کدگذاری شدند.
در نهایت، داده های اجتماعی-اقتصادی مبتنی بر منطقه از آمار سوئد جمع آوری شد. داده ها در سلول های شبکه مربعی با وضوح فضایی 100 × 100 متر و 250 × 250 متر نشان داده شده است. با هدایت نظریه عدم سازماندهی اجتماعی [ 3 ]، ما متغیرهای زیر را در نظر گرفتیم: تعداد کل افراد، تعداد افراد طبقه بندی شده بر اساس کشور محل تولد (به عنوان مثال، سوئدی، نوردیک (دانمارک، فنلاند، ایسلند، نروژ)، اتحادیه اروپا 28، سایر موارد تعداد افراد طبقه بندی شده بر اساس سطح درآمد (یعنی کم، متوسط، بالا، بر اساس میانگین درآمد ملی)، تعداد افراد طبقه بندی شده بر اساس شغل (یعنی شاغل، بیکار) و تعداد افراد طبقه بندی شده بر اساس تحصیلات. سطح (یعنی کم، متوسط-کم، متوسط-بالا، بالا، بر اساس دیپلم).

2.2. واحد تجزیه و تحلیل و تجمیع داده ها

بخش های خیابان، همانطور که در جاهای دیگر [ 36 ] توصیه می شود، به عنوان واحد تجزیه و تحلیل مورد استفاده قرار گرفت، زیرا آنها با دقت بیشتری محیطی را نشان می دهند که در آن جرم رخ می دهد [ 37 ] و در مقایسه با واحدهای منطقه کمتر مستعد تجمع و سوگیری منطقه بندی هستند [ 38 ، 39 ]. داده های شبکه خیابانی برای سال 2015 از اداره حمل و نقل سوئد بازیابی شده است. نقاط دسترسی بزرگراه و بزرگراه ( n = 890) حذف شدند زیرا عابران پیاده مجاز به استفاده از آنها نیستند و بخش های خیابان خارج از بخش های شهری مالمو ( n )= 2457) برای کاهش تعداد واحدهای بدون مشاهده حذف شدند (اثرات مرزی بالقوه در نظر گرفته شد). بنابراین، مجموعه داده نهایی شبکه خیابانی شامل 9769 بخش خیابان با میانگین طول 103.8 متر (انحراف استاندارد (SD) = 102.5 متر) بود.
برای تجمیع داده‌های مکان‌های جرم‌زا و تطبیق ویژگی‌های اجتماعی-اقتصادی با شبکه خیابانی، از دو رویکرد مجزا استفاده شد. ابتدا، داده‌های مکان‌های جرم‌زای جغرافیایی به بخش خیابان مربوطه پیوست شدند. از آنجا که یک بخش خیابان منفرد یک ویژگی مجزا نیست، بلکه بخشی از شبکه خیابانی بزرگتر است، و بنابراین، احتمال وقوع جرم در آن بخش ممکن است تحت تأثیر بخش های مجاور قرار گیرد [ 32 ]]، از یک رویکرد مبتنی بر شبکه استفاده کردیم که در آن کوتاه‌ترین فاصله مسیر در امتداد شبکه خیابان تا نزدیک‌ترین مرکز هر مکان جرم‌زا محاسبه شد. در نتیجه به هر بخش خیابان فاصله از نقطه میانی تا نزدیکترین مرکز هر مکان جرم زا اختصاص داده شد. ما فرض کردیم که مکان‌های جرم زا واقع در نزدیکی یک بخش خیابان تأثیر قابل توجهی بر احتمال وقوع جرم دارند و بالعکس.
دوم، داده‌های مربوط به ویژگی‌های اجتماعی-اقتصادی با محاسبه میانگین وزنی منطقه بر اساس نسبت هر بخش خیابان که سلول متغیر را قطع می‌کند، به شبکه خیابان تفکیک شد [ 40 ]. توزیع یکنواخت مقادیر در هر سلول در نظر گرفته شد. بر اساس داده های ورودی اجتماعی-اقتصادی، شاخص های زیر محاسبه شد. ناهمگونی قومی از طریق شاخص تنوع سیمپسون نشان داده شد [ 41] برای تخمین احتمال زندگی دو فرد در یک خیابان، دارای پیشینه مشابه، بر اساس چهار زیربخش قومی: (1) نسبت افراد متولد شده در سوئد (%)، (2) نسبت افراد متولد شده در یک کشور شمال اروپا ( %)، (3) نسبت افرادی که در کشورهای دیگر اتحادیه اروپا متولد شده اند (%)، و (4) نسبت افرادی که در خارج از اتحادیه اروپا متولد شده اند (%). محرومیت و ثروت به عنوان معیارهای ترکیبی با استفاده از مجموع امتیازهای z-وزن داده شده محاسبه شد. محرومیت شامل نسبت افرادی بود: (1) با سطح تحصیلات پایین (%)، (2) با سطح درآمد پایین (%)، و (3) بیکار (%). ثروت شامل نسبت افرادی بود: (1) با سطح تحصیلات بالا (%)، (2) با سطح درآمد بالا (%)، و (3) که شاغل بودند (%).

2.3. استراتژی تحلیلی

تجزیه و تحلیل در دو مرحله انجام شد. ابتدا، الگوهای تقریباً تکراری با یک ماشین حساب تقریباً تکراری برای ارزیابی تعاملات مکانی-زمانی بین سرقت‌های خیابانی با استفاده از آزمون ناکس [ 42 ] برآورد شدند. آزمون ناکس تعامل وقوع جرم در فضا و در طول زمان را به صورت دوتایی ارزیابی می کند. برای پهنای باند فضایی، هابرمن و رتکلیف [ 13] میانگین طول یک بلوک شهری را پیشنهاد کرد. به عنوان پروکسی برای بلوک شهری، از میانگین طول بخش‌های خیابان استفاده کردیم (103.8 متر گرد شده بود)، که منجر به پهنای باند فضایی 105 متر شد. شش نوار فضایی برای آزمایش وسعت فضایی الگوهای بالقوه نزدیک به تکرار (یعنی 1-105 متر، 106-210 متر و غیره) مورد استفاده قرار گرفت. فاصله منهتن به عنوان یک روش محاسبه فاصله فضایی انتخاب شد، زیرا حرکت افراد را در یک شهر با دقت بیشتری در مقایسه با فاصله اقلیدسی تقریب می‌کند [ 43 ]. برای پهنای باند زمانی، مطالعات قبلی نشان داد که سارقان خیابانی اغلب به جنایت می پردازند، به این معنی که چندین جرم توسط یک مجرم در مدت زمان کوتاهی مرتکب می شوند [ 44 ]]. ما یک پهنای باند زمانی 1 روز و 4 باند زمانی را برای آزمایش وسعت زمانی (یعنی 1 روز، 2 روز و غیره) در نظر گرفتیم، مشابه یوستین و همکاران. [ 45 ]. با این حال، از آنجایی که بعد زمانی الگوهای تقریباً تکرار می‌تواند به میزان قابل توجهی بسته به مقدار آستانه متفاوت باشد، آزمایش‌های حساسیت با پهنای باند 4 روز و 7 روز انجام شد [ 46 ]. در نهایت، برای برآورد اهمیت برای ظهور یک الگوی تقریباً تکرار، 1000 تکرار مونت کارلو برای ایجاد یک مقدار p شبه و یک نسبت مشاهده شده به مورد انتظار برای هر فاصله مکانی و زمانی [ 42 ] انجام شد. نسبت‌های مشاهده‌شده به انتظار بالاتر نشان‌دهنده احتمال افزایش یافته‌ای است که یک الگوی تقریباً تکراری ظاهر می‌شود.
دوم، رابطه بین رویدادهای آغازگر و ویژگی های محیطی با استفاده از یک مدل رگرسیون دو جمله ای منفی آزمایش شد. چنین مدل‌هایی برای مدل‌سازی متغیرهای پاسخ شمارش گسسته زمانی که داده‌ها بیش از حد پراکنده می‌شوند (یعنی واریانس بیش از میانگین است) مناسب هستند [ 14 ]. به عنوان یک متغیر پاسخ، رویدادهای آغازگر قابل توجه الگوهای سرقت خیابانی تقریباً تکراری به کار گرفته شد. به عنوان متغیرهای پیش بینی، ما 10 مکان جرم زا و چهار شاخص اجتماعی-اقتصادی را در سطح شبکه خیابانی در نظر گرفتیم. از آنجایی که شبکه خیابانی به هم پیوسته است، انتظار می‌رود که متغیر وابسته از نظر مکانی همبستگی خودکار داشته باشد [ 40]. در نتیجه یک نسخه با تاخیر مکانی متغیر پاسخ، با استفاده از مجاورت ملکه به عنوان مشخصات محله، به عنوان متغیر پیش بینی اضافه شد. علاوه بر این، برای مدل سازی مناسب قرار گرفتن در معرض جغرافیایی، یک متغیر افست اندازه گیری طول هر بخش خیابان برای کنترل تفاوت در اندازه بخش ها اضافه شد [ 47 ].
برای مقایسه، متغیرهای پیش بینی استاندارد شدند. متغیرهای مبتنی بر فاصله شبکه (یعنی مکان‌های جرم‌زا) نیز برای سهولت در تفسیر کدگذاری معکوس شدند (یعنی به جای اندازه‌گیری کاهش احتمال با افزایش فاصله، افزایش یک واحدی در متغیرهای پیش‌بینی‌کننده افزایش احتمال را اندازه‌گیری می‌کند. فاصله کاهش می یابد). برای هر پیش‌بینی‌کننده، نسبت‌های نرخ حادثه (IRR) (یعنی ضرایب توان) را گزارش می‌کنیم. آزمون‌های نسبت احتمال، نمرات معیار اطلاعات آکایک (AIC) و آماره پراکندگی پیرسون (PDS) برای تعیین اینکه آیا مدل دوجمله‌ای منفی برازش بهتری نسبت به مدل پایه پواسون ارائه می‌دهد استفاده شد [ 47 ].]. چند خطی بودن از طریق فاکتورهای تورم واریانس (VIF) ارزیابی شد. مقادیر بالای 5 به عنوان بحرانی در نظر گرفته شد [ 48 ].

3. نتایج

3.1. تحلیل نزدیک به تکرار

جدول 1 نتایج تحلیل نزدیک به تکرار را نشان می دهد. بیشترین احتمال ظهور الگوهای تقریباً تکراری 0 تا 1 روز پس از یک رویداد آغازگر وجود دارد. بالاترین سطوح احتمال را می توان برای پهنای باند فضایی 1-105 متر ( p <0.050) و 211-315 m ( p <0.001) مشاهده کرد، که در آن احتمال اینکه یک رویداد سرقت خیابانی با رویداد دیگری به دنبال داشته باشد 60 درصد افزایش می یابد. برای پهنای باند 106-210 ( p <0.050)، 316-420 ( p <0.050)، 421-525 ( p <0.001) و 526-630 m ( p<0.050)، همچنین احتمال به طور قابل توجهی بالاتری وجود دارد که یک الگوی تقریباً تکرار ظاهر شود، اما با افزایش فاصله مکانی از رویداد آغازگر، این احتمال کاهش می‌یابد. برای پهنای باند زمانی 2-2 روز (یعنی 25-48 ساعت از رویداد آغازگر)، پهنای باند فضایی 106-210 ( p <0.001) و 316-420 متر ( p<0.050) یک احتمال افزایش یافته را نشان می دهد، که نشان می دهد این احتمال برای برخی از مسافت ها به مدت 2 روز بالاتر می ماند. برای پهنای باند زمانی طولانی‌تر که به‌عنوان تست حساسیت استفاده می‌شوند، افزایش احتمال را می‌توان برای پهنای باند فضایی 0-4 روز مشاهده کرد. با این حال، این افزایش به احتمال زیاد ناشی از احتمال بالای مشاهده شده برای 0-1 روز است، به ویژه از آنجا که الگوهای مشابهی را می توان برای پهنای باند زمانی 0-7 روز نیز یافت. برای سایر پهنای باند زمانی، الگوهای قابل توجهی را می توان برای برخی از پهنای باند فضایی یافت، به جز برای پهنای باند 5-8 روز و 211-315 متر ( p <0.001)، افزایش احتمال کمتر از 20 درصد است که کم است.
به دنبال این، رویدادهای آغازگر مهم ( 1569 = n ) از مجموعه داده استخراج شد و در بخش‌های خیابان جداگانه جمع‌آوری شد (آمار توصیفی در جدول A1 در پیوست A ارائه شده است). فقط رویدادهای آغازگر که بخشی از یک الگوی تقریباً تکرار بودند که در فاصله زمانی 0-2 روز و فاصله مکانی 1-630 متر رخ داده بودند استخراج شدند، زیرا این فواصل مهم ترین و بالاترین احتمالات را نشان دادند که تقریباً تکرار می شوند. الگوهایی پدیدار خواهند شد که با مطالعات قبلی نیز مطابقت دارد [ 44 ، 45 ].

3.2. رگرسیون دو جمله ای منفی

نتایج رگرسیون دو جمله ای منفی در جدول 2 ارائه شده است. آزمون نسبت درستنمایی ( 050/0 p >)، مقادیر AIC و PDS به طور مداوم تأیید کردند که مدل دوجمله ای منفی (AIC = 4995؛ PDS = 1.23) برازش بهتری نسبت به مدل پواسون ارائه می دهد (AIC = 6632؛ PDS = 2.46). مقدار PDS نیز بسیار کمتر از مقدار آستانه 1.30 توصیه شده توسط Hilbe [ 47 ] است، که نشان می دهد که مدل دوجمله ای منفی به دقت برای پراکندگی بیش از حد تنظیم شده است. علاوه بر این، VIF نشان می‌دهد که چند خطی بودن موضوعی نیست (همه نمرات VIF < 3).
تعدادی از مکان‌های جرم‌زای تئوری‌شده تأثیر معنی‌داری ( 050/ 0p <) بر تعداد رویدادهای آغازگر سرقت خیابانی داشتند. بخش‌های خیابان نزدیک رستوران‌های فست‌فود، فروشگاه‌های مواد غذایی، دستگاه‌های خودپرداز، ایستگاه‌های قطار و پارک‌ها، همگی احتمال وقوع رویدادهای آغازگر را افزایش دادند. مناطق نزدیک به ایستگاه های قطار (IRR = 3.05، p <0.001) با اختلاف بیشترین احتمال را داشتند و پس از آن فروشگاه های مواد غذایی (IRR = 2.38، p <0.001). برای بخش های خیابان نزدیک ایستگاه های اتوبوس (IRR = 0.76، p <0.001)، با این حال، احتمال وقوع یک رویداد آغازگر کمتر بود. هیچ اثر قابل توجهی برای رستوران هایی که الکل سرو می کنند، رستوران هایی که الکل سرو نمی کنند، کافه ها و دبیرستان ها یافت نشد.
برای متغیرهای اجتماعی-اقتصادی، افزایش احتمال برای بخش‌های خیابانی با جمعیت بیشتر مشاهده شد (IRR = 1.09، P <0.01). به طور مشابه، بخش‌های خیابانی با سطوح محرومیت بالا (IRR = 1.49، p <0.001) نیز احتمال افزایشی را تجربه کردند، در حالی که شاخص‌های رفاه و ناهمگونی قومی هیچ تأثیر معنی‌داری نشان ندادند. نسخه با تأخیر مکانی متغیر وابسته به طور قابل‌توجهی بیشتر همبستگی فضایی مشاهده‌شده را در متغیر پاسخ به تصویر می‌کشد ( 134/0 = I ، 001/0 p <)، اما آماره موران I 0.32 از باقیمانده‌های مدل همچنان همبستگی مکانی جزئی را با اهمیت 5 درصد نشان می‌دهد. مرحله.

4. بحث

هدف از این مطالعه آزمایش این بود که آیا ترکیبی از مکان‌های جرم‌زا و شاخص‌های اجتماعی-اقتصادی می‌تواند تغییرات فضایی وقایع آغازگر سرقت خیابانی را توضیح دهد، تا کاربرد مفهوم نزدیک به تکرار را به عنوان یک استراتژی پیشگیری از جرم بهبود بخشد. یافته‌ها نشان داد که مکان‌های جرم‌زا و شاخص‌های اجتماعی-اقتصادی در واقع بر تغییرات فضایی رویدادهای آغازگر سرقت خیابانی تأثیر گذاشتند.
افزایش احتمال وقوع سرقت تقریباً تکراری خیابانی در مناطق نزدیک به رستوران‌های فست فود، خواربارفروشی‌ها، دستگاه‌های خودپرداز، ایستگاه‌های قطار و پارک‌ها نشان می‌دهد که تنوع مکانی رویدادهای آغازگر، تا حدی، از یک الگوی مورد انتظار پیروی می‌کند و نزدیک به آن متمرکز است. مکان های جرم زا که قبلاً مشخص شده بود خطر سرقت خیابانی را افزایش می دهند [ 1 ، 5 ، 6 ، 35 ]. با تکیه بر نظریه الگوی جرم و جنایت، این ممکن است با افزایش حضور افرادی توضیح داده شود که یا در چنین مکان‌هایی فعالیت می‌کنند یا به طور منظم خود را سرگرم می‌کنند و فرصت‌های جرم و جنایت را برای یک سارق خیابانی با انگیزه فراهم می‌کنند [ 4 ]]. به طور مشابه، افزایش احتمال وقوع رویدادهای آغازگر در مناطق با جمعیت زیاد و سطوح محرومیت بالا نیز مطابق با مطالعات قبلی است [ 9 ، 10 ]. مطابق با تئوری بی‌سازمانی اجتماعی، این ممکن است با فقدان انسجام اجتماعی که محله‌های محروم اجتماعی اغلب تجربه می‌کنند، توضیح داده شود، که انتظار می‌رود آنها را در برخورد با رفتار مجرمانه ناتوان کند [ 3 ].
با این حال، کاهش احتمال وقوع یک رویداد آغازگر در نزدیکی ایستگاه‌های اتوبوس، برای مثال، برناسکو و بلوک [ 5 ] در تضاد است. این تفاوت را می توان با نحوه توزیع ایستگاه های اتوبوس در فضا توضیح داد. تحقیقات گذشته نشان داده است که احتمال وقوع جرم در نزدیکی ایستگاه اتوبوس اغلب به انواع مکان‌هایی که نزدیک ایستگاه اتوبوس هستند و تعداد افرادی که از آن مکان‌ها بازدید می‌کنند، بستگی دارد [ 49 ]. بنابراین، اگر یک ایستگاه اتوبوس در یک مکان جدا شده باشد، احتمال وقوع جرم ممکن است کمتر باشد، زیرا فرصت های جرم کمتری وجود خواهد داشت.
در مجموع، این یافته‌ها نشان می‌دهند که نظریه الگوی جرم و تئوری بی‌سازمانی اجتماعی می‌تواند برای درک تنوع فضایی رویدادهای آغازگر و تأیید بیشتر یافته‌های مطالعات قبلی استفاده شود [ 27 ، 28 ، 29 ، 30 ]. با این حال، نتایج مطالعه حاضر تصویر بسیار ظریف‌تری را ارائه می‌دهد، زیرا تأثیر مکان‌های جرم‌زای فردی از هم گسیخته شده و فاصله واقعی بین رویدادهای آغازگر و مکان‌های جرم‌زا در نظر گرفته می‌شود.
یافته‌های این مطالعه همچنین به دانش نظری در مورد اینکه چرا الگوهای تقریباً تکراری ظهور می‌کنند می‌افزاید. تأثیر مکان‌های جرم‌زا و شاخص‌های اجتماعی-اقتصادی بر رویدادهای آغازگر نشان می‌دهد که برخی عوامل خطر محیطی احتمال ظهور الگوهای تقریباً تکراری را افزایش می‌دهند، همانطور که توسط فرضیه پرچم پیشنهاد شده است [ 26 ]. با این حال، نتایج تجزیه و تحلیل نزدیک به تکرار نشان می‌دهد که احتمال ظهور یک تکرار نزدیک 1 تا 2 روز پس از یک رویداد آغازگر بالاترین میزان است. این نشان دهنده ارتکاب جرم ولگردی و جنایت است، به این معنی که همان مجرم احتمالاً مسئول الگوهای تقریباً تکرار مشاهده شده است، همانطور که توسط فرضیه تقویت [ 26 ] ارائه شده است.]. این نشان می‌دهد که هم فرضیه تقویت و هم فرضیه پرچم، توضیحات قابل قبولی در مورد اینکه چرا الگوهای تقریباً تکراری ظهور می‌کنند، ارائه می‌دهند. بنابراین، مطالعات بیشتری که این دو مکانیسم را به صورت تجربی آزمایش می‌کنند تا تأثیر فردی آنها را از هم جدا کنند، مورد نیاز است، به ویژه از آنجایی که مکانیسم تقویت مستقیماً در این مطالعه آزمایش نشده است.
هنگام تفسیر یافته های ما باید محدودیت های زیر را در نظر گرفت. اولاً، داده‌های مربوط به سرقت‌های خیابانی شامل رویدادهای جنایی گزارش‌نشده نمی‌شود. این احتمال وجود دارد که مطالعه ما تمام الگوهای تقریباً تکراری و همه رویدادهای آغازگر سرقت خیابانی را ثبت نکرده باشد. با این حال، این محدودیتی نیست که منحصر به این مطالعه باشد: این یک سوگیری شناخته شده هنگام کار با داده های جرم است [ 34 ]]. دوم، در حالی که این مطالعه از مجموعه گسترده ای از متغیرها برای تخمین تأثیر ویژگی های محیطی استفاده کرد، انتخاب همچنان به منابع داده موجود محدود بود. مطالعات آینده باید تلاش کنند مکان‌های جرم‌زا و شاخص‌های اجتماعی-اقتصادی بیشتری را برای درک بهتر تنوع فضایی رویدادهای آغازگر گنجانده شوند. در نهایت، اگرچه نتایج ما چندین بینش جدید را در مورد تغییرات فضایی رویدادهای آغازگر سرقت خیابانی ارائه می دهد، تحقیقات بیشتری برای ارزیابی اینکه آیا این یک الگوی رایج است یا خیر، مورد نیاز است. بنابراین تحقیقات آتی باید بر روی تکرار نتایج مطالعه حاضر در یک محیط متفاوت تمرکز کند. این ممکن است بینش های جالبی را به همراه داشته باشد، زیرا قبلاً نشان داده شده بود که الگوهای تقریباً تکراری تفاوت هایی را در فرکانس و وقوع بسته به تنظیمات نشان می دهند [ 46 ]].
پیامد سیاست اصلی یافته‌ها این است که استراتژی‌های پیشگیری از جرم، مانند گشت‌زنی شدید پلیس، می‌تواند به طور مؤثری به سمت رویدادهای بالقوه آغازگر (یعنی رویدادهای جرمی که به یک الگوی تقریباً تکراری تبدیل می‌شوند) هدایت شود تا از وقوع رویدادهای بعدی جلوگیری شود. 11]. به عنوان مثال، اگر یک سرقت خیابانی در نزدیکی یک فروشگاه مواد غذایی اتفاق بیفتد، یافته‌های ما نیاز به مداخله نزدیک در مکان و زمان برای جلوگیری از رویدادهای جنایی بعدی دارد، زیرا رویدادهای آغازگر بیشتر در نزدیکی فروشگاه‌های مواد غذایی رخ می‌دهند. برعکس، اگر یک سرقت خیابانی در نزدیکی ایستگاه اتوبوس رخ دهد، نتایج ما نشان می‌دهد که مداخله نزدیک ممکن است ضروری نباشد، زیرا رویدادهای آغازگر کمتر در نزدیکی ایستگاه‌های اتوبوس رخ می‌دهند. چنین اولویت‌بندی به سازمان‌های مجری قانون کمک می‌کند تا منابع را برای جلوگیری از وقوع جنایات بعدی به‌طور مؤثرتر مستقر کنند.

منابع

  1. Jean, PK Pockets of Crime: Windows Broken, Collective Efficiency, and Criminal Point of Crime . انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2008. [ Google Scholar ]
  2. وندویور، سی. برناسکو، دبلیو. جغرافیای جرم و جنایت و کنترل جرم. Appl. Geogr. 2017 ، 86 ، 220-225. [ Google Scholar ] [ CrossRef ]
  3. سامپسون، RJ; گرووز، ساختار جامعه و جرم و جنایت: آزمایش نظریه بی‌سازمانی اجتماعی. صبح. جی. سوسیول. 1989 ، 94 ، 774-802. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  4. برانتینگهام، PL; Brantingham، PJ Environment، روال و موقعیت: به سوی یک نظریه الگویی از جنایت. Adv. Criminol. نظریه 1993 ، 5 ، 259-294. [ Google Scholar ]
  5. برناسکو، دبلیو. بلوک، R. Robbery در شیکاگو: تجزیه و تحلیل سطح بلوک از تأثیر عوامل جنایت، مجذوبان جرم، و نقاط لنگر مجرم. J. Res. جنایت دلینق. 2011 ، 48 ، 33-57. [ Google Scholar ] [ CrossRef ]
  6. هابرمن، CP; راتکلیف، JH آزمایش برای روابط متمایز زمانی بین مکان‌های بالقوه جرم‌زا و تعداد سرقت‌های خیابانی بلوک‌های سرشماری. جرم شناسی 2015 ، 53 ، 457-483. [ Google Scholar ] [ CrossRef ]
  7. رومنز، آ. هاردینز، دبلیو. Pauwels, L. استفاده از تحلیل پیش‌بینی‌کننده در پیش‌بینی جرم مکانی و زمانی: ساخت و آزمایش یک مدل در یک بافت شهری. Appl. Geogr. 2017 ، 86 ، 255-261. [ Google Scholar ] [ CrossRef ]
  8. امبورو، LW; Helbich، M. عوامل خطر محیطی موثر بر سرقت دوچرخه: تجزیه و تحلیل فضایی در لندن، انگلستان. PLoS ONE 2016 , 11 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. سامپسون، آر جی شهر بزرگ آمریکایی: شیکاگو و اثر همسایگی پایدار . انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  10. گرل، ام. Kronkvist، K. جنایات خشونت آمیز، اثربخشی جمعی و اثرات مرکز شهر در مالمو. برادر J. Criminol. 2017 ، 57 ، 1185-1207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  11. براگا، AA; Papachristos، AV; Hureau, DM اثرات پلیس نقاط داغ بر جرم: یک بررسی سیستماتیک و متاآنالیز به روز شده. عدالت Q. 2014 ، 31 ، 633-663. [ Google Scholar ] [ CrossRef ]
  12. سکاتو، وی. هاینینگ، R. جنایت در مناطق مرزی: مورد اسکاندیناویایی Öresund، 1998-2001. ان دانشیار صبح. Geogr. 2004 ، 94 ، 807-826. [ Google Scholar ]
  13. هابرمن، CP; راتکلیف، جی اچ چالش‌های پلیسی پیش‌بینی‌کننده سرقت‌های مسلحانه خیابانی تقریباً تکراری. سیاسی J. سیاست سیاست. 2012 ، 6 ، 151-166. [ Google Scholar ] [ CrossRef ]
  14. هلبیچ، ام. ارسنجانی، JJ فیلتر بردار ویژه فضایی برای نگاشت جرم فضایی و زمانی و تحلیل جرم فضایی. کارتوگر. Geogr. Inf. علمی 2015 ، 42 . [ Google Scholar ] [ CrossRef ]
  15. گلاسنر، پی. لایتنر، ام. ارزیابی تأثیر روزهای هفته بر قربانی شدن تقریباً تکراری: تحلیل مکانی-زمانی سرقت‌های خیابانی در شهر وین، اتریش. ISPRS Int. J. Geo Inf. 2017 ، 6 ، 3. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  16. اشراف، MR; وارد، JT; تیلر، آر. تأثیر بافت محله بر الگوهای مکانی و زمانی سرقت. J. Res. جنایت دلینق. 2016 ، 53 ، 711-740. [ Google Scholar ] [ CrossRef ]
  17. مورگان، اف. دزدی مکرر در حومه پرث: نشانگر خطر کوتاه مدت یا بلندمدت؟ جنایت قبلی گل میخ. 2001 ، 12 ، 83-118. [ Google Scholar ]
  18. تاونزلی، ام. هومل، آر. Chaseling, J. سرقت های عفونی. آزمون فرضیه تکرار نزدیک برادر J. Criminol. 2003 ، 43 ، 615-633. [ Google Scholar ] [ CrossRef ]
  19. جانسون، دی. رفتار مکان/زمان سارقان مسکونی: یافتن الگوهای تکراری نزدیک در داده‌های مجرم سریالی. Appl. Geogr. 2013 ، 41 ، 139-146. [ Google Scholar ] [ CrossRef ]
  20. برناسکو، دبلیو دوباره آنها؟ مشارکت مجرم مشابه در سرقت های مکرر و تقریباً تکراری. یورو J. Criminol. 2008 ، 5 ، 411-431. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. Chainey، SP; دا سیلوا، BFA بررسی میزان قربانی شدن مکرر و تقریباً تکراری سرقت های خانگی در بلو هوریزونته، برزیل. علوم جنایی 2016 ، 5 ، 1. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  22. وو، ال. خو، X. بله، X. ژو، ایکس. دزدی های مکرر و تقریباً تکراری و دخالت مجرم در یک شهر بزرگ چین. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 178-189. [ Google Scholar ] [ CrossRef ]
  23. بلوک، اس. فوجیتا، اس. الگوهای تقریباً تکرار سرقت های موقت و دائم وسایل نقلیه موتوری. جنایت قبلی جامعه ایمن 2013 ، 15 ، 151-167. [ Google Scholar ] [ CrossRef ]
  24. تسلونی، ع. Pease، K. قربانی شدن شخصی را تکرار کنید. “تقویت” یا “پرچم”؟ برادر J. Criminol. 2003 ، 43 ، 196-212. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. جانسون، SD; Bowers، KJ Near Repeats و Crime Forecasting ; Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2013. [ Google Scholar ]
  26. جانسون، SD تکرار قربانی سرقت: داستانی از دو نظریه. J. Exp. Criminol. 2008 ، 4 ، 215-240. [ Google Scholar ] [ CrossRef ]
  27. Caplan، JM; کندی، LW; Piza، EL ابزار مشترک تکنیک های تجزیه و تحلیل جرم وابسته به رویداد و محیطی برای پیش بینی جرم خشونت آمیز. جنایت دلینق. 2013 ، 59 ، 243-270. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. Moreto، WD; پیزا، EL; Caplan, JM “طاعون در هر دو خانه شما؟”: خطرات، تکرار و بازنگری دزدی مسکونی شهری. عدالت Q. 2014 ، 31 ، 1102-1126. [ Google Scholar ] [ CrossRef ]
  29. کندی، LW; Caplan، JM; پیزا، EL; Buccine-Schraeder، H. آسیب‌پذیری و قرار گرفتن در معرض جرم: استفاده از مدل‌سازی خطر زمین برای مطالعه حمله در شیکاگو. Appl. تف کردن مقعدی سیاست 2016 ، 9 ، 529-548. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  30. پیزا، EL; کارتر، JG پیش بینی آغازگر و رویدادهای تقریباً تکراری در الگوهای جرم و جنایت فضایی-زمانی: تجزیه و تحلیل سرقت مسکونی و سرقت وسایل نقلیه موتوری. عدالت Q. 2018 ، 35 ، 842-870. [ Google Scholar ] [ CrossRef ]
  31. Caplan، JM; کندی، LW; میلر، جی. مدل‌سازی زمین ریسک: نظریه جرم‌شناسی و روش‌های GIS برای پیش‌بینی جرم. عدالت Q. 2011 ، 28 ، 360-381. [ Google Scholar ] [ CrossRef ]
  32. گراف، ای آر. Lockwood، B. امکانات جرم زا و جرم در سراسر بخش های خیابان در فیلادلفیا: کشف شواهد در مورد وسعت فضایی نفوذ تسهیلات. J. Res. جنایت دلینق. 2014 ، 51 ، 277-314. [ Google Scholar ] [ CrossRef ]
  33. هوپ، ال. گرل، ام. الگوهای سرقت تقریباً تکراری در مالمو: ثبات و تغییر در طول زمان. یورو J. Criminol. 2019 ، 16 ، 3-17. [ Google Scholar ] [ CrossRef ]
  34. Ratcliffe، JH Geocoding جنایات و اولین برآورد از حداقل نرخ ضربه قابل قبول. بین المللی جی. جئوگر. Inf. علمی 2004 ، 18 ، 61-72. [ Google Scholar ] [ CrossRef ]
  35. 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 ]
  36. ویزبرد، دی. گراف، ای آر. یانگ، اس.-م. جرم‌شناسی مکان: بخش‌های خیابان و درک ما از مسئله جرم ؛ انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2012. [ Google Scholar ]
  37. راسر، جی. دیویس، تی. Bowers، KJ; جانسون، SD; چنگ، تی. نقشه برداری جنایت پیش بینی: شبکه های خودسرانه یا شبکه های خیابانی؟ جی. کوانت. Criminol. 2017 ، 33 ، 569-594. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. گرل، ام. کوچکتر بهتر است؟ توزیع فضایی آتش سوزی و مسئله واحد منطقه ای قابل اصلاح جی. کوانت. Criminol. 2017 ، 33 ، 293-318. [ Google Scholar ] [ CrossRef ]
  39. آهنگ، جی. لیو، ال. برناسکو، دبلیو. شیائو، ال. ژو، اس. لیائو، و. ان صبح. دانشیار Geogr. 2018 ، 108 ، 1370–1388. [ Google Scholar ] [ CrossRef ]
  40. امبورو، LW; Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با مسافران. ان صبح. دانشیار Geogr. 2016 106 . _ [ Google Scholar ] [ CrossRef ]
  41. هیل، MO تنوع و یکنواختی: نمادی متحد کننده و پیامدهای آن. اکولوژی 1973 ، 54 ، 427-432. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  42. Ratcliffe, JH Near Repeat Calculator (نسخه 1.3) ؛ دانشگاه معبد: فیلادلفیا، PA، ایالات متحده; موسسه ملی عدالت: واشنگتن، دی سی، ایالات متحده آمریکا، 2009. [ Google Scholar ]
  43. چینی، اس. Ratcliffe, J. GIS and Crime Mapping ; جان وایلی و پسران: چیچستر، بریتانیا، 2013. [ Google Scholar ]
  44. گروبسیچ، TH; مک، EA تعامل مکانی-زمانی جرم شهری. جی. کوانت. Criminol. 2008 ، 24 ، 285-306. [ Google Scholar ] [ CrossRef ]
  45. یوستین، تی جی; اشراف، MR; وارد، JT; Cook, CL ارزیابی تعمیم پذیری پدیده تکرار نزدیک. جنایت. عدالت رفتار. 2011 ، 38 ، 1042-1063. [ Google Scholar ] [ CrossRef ]
  46. جانسون، SD; برناسکو، دبلیو. Bowers، KJ; الفرز، اچ. راتکلیف، جی. رنگرت، جی. تاونزلی، ام. الگوهای خطر فضا-زمان: ارزیابی متقابل ملی از قربانی شدن سرقت مسکونی. جی. کوانت. Criminol. 2007 ، 23 ، 201-219. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. Hilbe، JM مدل سازی تعداد داده ها ; انتشارات دانشگاه کمبریج: کمبریج، بریتانیا، 2014. [ Google Scholar ]
  48. فیلد، الف. کشف آمار با استفاده از آمار SPSS IBM ; Sage: لندن، بریتانیا، 2013. [ Google Scholar ]
  49. هارت، تی سی؛ Miethe، سرقت خیابان TD و ایستگاه های اتوبوس عمومی: مطالعه موردی گره های فعالیت و خطر موقعیتی امن J. 2014 , 27 , 180-193. [ Google Scholar ] [ CrossRef ]

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید