ناهمگونی فضایی عوامل خرید و فروش مواد مخدر: مطالعه موردی از ZG، چین

خلاصه

اعتیاد به مواد مخدر و جرایم مرتبط با مواد مخدر ناشی از خرید و فروش مواد مخدر مشکلات جدی بسیاری از کشورها است. چنین مشکلاتی در سال های اخیر در چین فوریت یافته است. با این حال، هیچ تحقیقی در مورد رابطه بین خرید و فروش مواد مخدر و عوامل مرتبط با آن و تغییرات آن در فضا در مقیاس خوب، مانند منطقه مدیریت ایستگاه پلیس (PSMA)، در چین وجود ندارد. بر اساس یک مجموعه داده هفت ساله به‌دست‌آمده در شهر ZG، چین، یک مدل رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) برای بررسی ناهمگونی فضایی در رابطه بین خرید و فروش مواد مخدر و عوامل خطر مرتبط، از جمله عوامل اجتماعی-دموگرافیک و ویژگی‌های محیطی مورد استفاده قرار گرفت. . نتایج مدل نشان داد که معاملات مواد مخدر در مناطق نابسامان اجتماعی بیشتر است. معمولاً با روستاهای شهری و جمعیت شناور مرتبط است. دسترسی مکانی تأثیرات قابل توجهی بر خرید و فروش مواد مخدر داشت. در حالی که جاده اصلی تأثیر منفی نشان داد، مناطقی با جاده های شعبه بیشتر و ایستگاه های اتوبوس تمایل بیشتری به جذب معاملات مواد مخدر داشتند. علاوه بر این، ما دریافتیم که این روابط از نظر فضایی در سراسر فضا غیر ثابت هستند. این تحقیق نشان‌دهنده اولین تحقیق در تنوع فضایی متمایز خرید و فروش مواد مخدر در یک شهر بزرگ چین است. این یافته‌ها نه تنها به سیاست‌گذاران کمک می‌کند تا معاملات مواد مخدر را از منظر جغرافیایی بهتر درک کنند، بلکه می‌تواند به آنها کمک کند تا استراتژی‌های مداخله محلی هدفمندتری را توسعه دهند. علاوه بر این، ما دریافتیم که این روابط از نظر فضایی در سراسر فضا غیر ثابت هستند. این تحقیق نشان‌دهنده اولین تحقیق در تنوع فضایی متمایز خرید و فروش مواد مخدر در یک شهر بزرگ چین است. این یافته‌ها نه تنها به سیاست‌گذاران کمک می‌کند تا معاملات مواد مخدر را از منظر جغرافیایی بهتر درک کنند، بلکه می‌تواند به آنها کمک کند تا استراتژی‌های مداخله محلی هدفمندتری را توسعه دهند. علاوه بر این، ما دریافتیم که این روابط از نظر فضایی در سراسر فضا غیر ثابت هستند. این تحقیق نشان‌دهنده اولین تحقیق در تنوع فضایی متمایز خرید و فروش مواد مخدر در یک شهر بزرگ چین است. این یافته‌ها نه تنها به سیاست‌گذاران کمک می‌کند تا معاملات مواد مخدر را از منظر جغرافیایی بهتر درک کنند، بلکه می‌تواند به آنها کمک کند تا استراتژی‌های مداخله محلی هدفمندتری را توسعه دهند.

کلید واژه ها:

خرید و فروش مواد مخدر ؛ رگرسیون پواسون وزن دار جغرافیایی ; ناهمگونی فضایی ; GLM

1. معرفی

تقریباً 275 میلیون نفر در سراسر جهان حداقل یک تجربه مصرف مواد مخدر در طول سال 2016 داشته اند که 5.6 درصد از کل جمعیت 15 تا 64 ساله را تشکیل می دهد [ 1 ]. عواقب سوء مصرف مواد بسیار جدی است و حتی زندگی را از مردم سلب می کند. به عنوان مثال، 450000 نفر به طور مستقیم یا غیرمستقیم بر اثر سوء مصرف مواد در سال 2015 جان خود را از دست دادند [ 1 ]. علاوه بر این، هزینه اقتصادی سوء مصرف مواد نیز بالا است، به عنوان مثال، هزینه سالانه برای کنترل سوء مصرف مواد در بریتانیا به 15.7 میلیارد پوند می رسد [ 2 ]. مواد مخدر غیرقانونی همچنین می تواند منجر به انواع دیگر جرایم، مانند خشونت، بی ادبی عمومی، و جرایم اموال شود [ 3 ، 4 ]]. بنابراین، مبارزه با جرایم مرتبط با مواد مخدر، از جمله خرید و فروش مواد مخدر، یکی از کارهای مهم ادارات اجرای قانون در بسیاری از کشورها است.

به منظور کاهش مضرات مواد مخدر، ادارات نیروی انتظامی معمولاً اقدامات قانونی برای کاهش عرضه مواد مخدر در نقاط داغ خرید و فروش مواد مخدر انجام می دهند. اما این به جای کاهش اساسی عرضه مواد مخدر، منجر به جابجایی جنایت می شود. تنها با کشف عوامل موثر بر شکل گیری بازار دارو و انجام اقدامات هدفمند می توان عرضه دارو را به طور اساسی کاهش داد.

خرید و فروش مواد مخدر به طور گسترده در بسیاری از رشته ها از جمله جرم شناسی، اقتصاد، جامعه شناسی و غیره مورد مطالعه قرار گرفته است. برخی از مطالعات شکل گیری نقاط داغ در خرید و فروش مواد مخدر را از منظر انتخاب منطقی فروشندگان مواد مخدر بررسی کرده اند. نتایج نشان می دهد که فروشندگان مواد مخدر تمایل به انتخاب مکان هایی با حجم تراکنش بالا و ریسک پایین دارند. نتایج مطالعات روی نقاط داغ خرید و فروش مواد مخدر نشان می‌دهد که اغلب مکان‌هایی با سطوح بالای خرید و فروش مواد مخدر وجود دارد [ 5 ، 6 ، 7 ، 8 ]، که ممکن است به ویژگی‌های مکانی مرتبط باشد که می‌تواند تجارت مواد مخدر را تسهیل کند. به عنوان مثال، مطالعه ای که در نیوجرسی انجام شد نشان داد که 46 درصد از دستگیری های فروش مواد مخدر در 4.4 درصد از کل مکان ها اتفاق افتاده است [ 9 ]]. شناسایی ویژگی های حوزه های پرخطر خرید و فروش مواد مخدر و تخصیص منابع محدود پلیس به سمت های مربوطه می تواند به طور موثر با جرایم مرتبط با مواد مخدر مبارزه کند.

برای بررسی رابطه بین خرید و فروش مواد مخدر و عوامل خطر، مطالعات قبلی از مدل‌های آماری سنتی، مانند رگرسیون چند متغیره [ 10 ]، رگرسیون لجستیک [ 11 ، 12 ] و مدل‌سازی منطقه خطر برای کشف رابطه بین خرید و فروش مواد مخدر و عوامل خطر [ 13 ، 14 ، 15 ]. مدل خط‌دار تعمیم‌یافته (GLM) یکی از متداول‌ترین مدل‌های رگرسیونی است که برای بررسی رابطه بین خرید و فروش مواد مخدر و عوامل مرتبط با آن در شرایطی که متغیر وابسته تعداد جرایم خرید و فروش مواد مخدر است [ 16 ، 17 ] است.]، که مجموعه ای از ضرایب ثابت جهانی را در سراسر منطقه مورد مطالعه تولید می کند. فرض مدل سازی GLM این است که رابطه بین خرید و فروش مواد مخدر و متغیرهای مستقل در فضا ثابت است، که لزوما با حقیقت سازگار نیست.

داده‌های جرم خرید و فروش مواد مخدر با مختصات جغرافیایی جمع‌آوری شده‌اند و ناهمگونی فضایی ممکن است در مدل‌سازی چنین داده‌هایی به وجود آید. ناهمگونی فضایی، که توسط LeSage و Pace [ 18 ] نامگذاری شده است، به معنای رابطه بین متغیرها در حال تغییر در فضا است. به عبارت دیگر، برخی عوامل ممکن است تأثیر بیشتری بر الگوی فضایی خرید و فروش مواد مخدر داشته باشند. ناهمگونی فضایی را نمی توان در فرآیند مدل سازی فضایی نادیده گرفت، که می تواند با رگرسیون وزنی جغرافیایی (GWR) مورد بررسی قرار گیرد. GWR که توسط فاثرینگهام و برانسون توسعه یافته است، راه حلی را برای بررسی رابطه تغییرات فضایی بین متغیرهای وابسته و متغیرهای توضیحی ارائه می دهد [ 19 ]]. رگرسیون پواسون وزن‌دار جغرافیایی (GWPR) انطباق GWR است زمانی که متغیر وابسته یک متغیر شمارش است، مانند تعداد سرقت‌ها یا قتل‌ها در تحلیل جرم [ 20 ، 21 ، 22 ]. اما تا آنجا که می دانیم، GWPR برای تجزیه و تحلیل خرید و فروش مواد مخدر استفاده نشده است. درک رابطه تنوع فضایی بین خرید و فروش مواد مخدر و عوامل خطر مرتبط، پیامدهای سیاستی روشنی دارد، که ممکن است منجر به پاسخ هدفمندتر و مناسب‌تر در مقیاس محلی، به جای پاسخ به کل منطقه شود.

هدف اصلی این تحقیق استفاده از مدل سازی GWPR در ارزیابی الگوی فضایی خرید و فروش مواد مخدر در یک شهر بزرگ چین است. به طور خاص، این مطالعه به دنبال پاسخ به دو سؤال تحقیقاتی است: (1) آیا رابطه بین خرید و فروش مواد مخدر و عوامل تأثیر آن در فضا تغییر خواهد کرد؟ (2) آیا مدل GWPR بهتر از مدل های GLM در تجزیه و تحلیل جرایم خرید و فروش مواد مخدر است؟ چنین دستاوردهای دانشی نه تنها منجر به پیشرفت تحصیلی می شود، بلکه به بخش های اجرای قانون نیز اجازه می دهد تا تقاضای جغرافیایی برای خدمات خود را درک کنند و سپس برای کاهش تأثیر منفی خرید و فروش مواد مخدر مداخله کنند.

2. منطقه مطالعه و داده ها

2.1. منطقه مطالعه

پس از یک سری کمپین های سرکوب، چین شروع به تجربه عصر عاری از مواد مخدر برای حدود سی سال کرد که از دهه 1950 شروع شد. با این حال، اصلاحات و سیاست درهای باز از دهه 1980 به این معنی بود که مواد مخدر دوباره در چین ظهور کرد. بر اساس گزارش جهانی مواد مخدر، چین بیشترین کوکائین را در آسیا و سومین مقدار هروئین در جهان را در سال 2006 کشف کرده است [ 23 ].]. منطقه مورد مطالعه این تحقیق منطقه شهری اصلی شهر ZG است که در جنوب شرقی چین قرار دارد. فرض به دست آوردن اطلاعات از اداره امنیت عمومی این بود که نام واقعی شهر در نشریات ذکر نمی شود، بنابراین شهر در این مقاله برچسب ZG را به خود اختصاص داده است. شهر ZG متعلق به استانی است که بیشترین جرایم مرتبط با مواد مخدر در چین را دارد. منطقه شهری اصلی شهر ZG مساحتی به وسعت 1600 کیلومتر مربع ^با جمعیت کل حدود 9 میلیون نفر را پوشش می دهد.

2.2. آماده سازی داده ها

داده های خرید و فروش مواد مخدر از اداره امنیت عمومی شهر ZG طی سال های 2012-2018 به دست آمد و در مجموع 10301 خرید و فروش مواد مخدر در منطقه مورد مطالعه ثبت شد. همانطور که در شکل 1 نشان داده شده است ، 85 معامله مواد مخدر در هر منطقه مدیریت ایستگاه پلیس (PSMA) به طور متوسط در طول دوره مطالعه از 0 تا 311 وجود دارد. داده های اقتصادی اجتماعی و داده های جمعیت شناختی از کتاب آماری ZG جمع آوری شده است [ 24 ] . اطلاعات جاده و POI (نقطه مورد علاقه) از Guangdong RITU WANFANG Technology Co. Ltd.

خطرات جرم و جنایت در سطوح مختلف جمع‌آوری فضایی در مطالعات قبلی، مانند بخش‌های خیابان، سرشماری، و گروه‌های بلوک، و غیره مورد بررسی قرار گرفته است. مناطق مدیریت ایستگاه پلیس (PSMAs) اکنون تنها سیستم تقسیم‌بندی مرتبط با امنیت در چین است که می‌تواند به راحتی با فرآیند مدیریت امنیت عمومی یکپارچه می شود. در مقایسه با سایر واحدهای اداری، PSMA ها دارای تجانس بهتری در مدیریت امنیت عمومی هستند، زیرا توسط اداره امنیت عمومی محلی برای مدیریت امنیت مشخص شده اند. بنابراین، PSMAها به عنوان واحدهای فضایی برای تجزیه و تحلیل در این مطالعه استفاده می شوند که در تجزیه و تحلیل سرقت مورد استفاده قرار گرفته است [ 20 ، 25 ]. 122 PSMA در منطقه مورد مطالعه وجود دارد که منطقه ای بین 1 کیلومتر مربع را پوشش می ^دهدو 92 کیلومتر مربع ^، با میانگین حدود 12 کیلومتر ^مربع .

متغیرهای توضیحی بر اساس نظریه و ادبیات جرم انتخاب شدند. دو نظریه غالب را می توان برای توضیح توزیع فضایی خرید و فروش مواد مخدر به کار برد، یعنی بی سازمانی اجتماعی و انتخاب منطقی.

با توجه به بی‌سازمانی اجتماعی، نرخ بالای بیکاری، سطح تحصیلات پایین و جمعیت اقلیت بالا از ویژگی‌های معمول یک جامعه بی‌سازمان اجتماعی است. این عوامل باعث می شود که جامعه به منطقه ای مناسب برای تجارت مواد مخدر تبدیل شود. این جوامع با فقدان قیمومیت رسمی و غیررسمی نتوانستند با موفقیت مبارزه کنند. سه متغیر توضیحی مربوط به این نظریه شامل روستای شهری [ 26 ]، جمعیت شناور [ 21 ، 25 ] و جمعیت با مدرک لیسانس یا بالاتر (مدرک تحصیلی پیشرفته) [ 27 ، 28 ] انتخاب شدند.

از منظر نظریه انتخاب منطقی، خرید و فروش مواد مخدر یک فعالیت غیرقانونی اما تجاری است. از این رو، فروشندگان مواد مخدر به دنبال دریافت پاداش های بالا، اما خطرات کم از نظر گرفتار شدن توسط پلیس هستند. در نتیجه، فروشندگان مواد مخدر مناطقی با جمعیت بیشتر و حمل و نقل راحت را برای تجارت مواد مخدر انتخاب می کردند. به این ترتیب آنها می توانند هر چه بیشتر مشتری داشته باشند و در صورت خطر سریع فرار کنند. به عنوان یک گره فعالیت مهم، ایستگاه های اتوبوس می توانند از دو جنبه امکان تجارت مواد مخدر را افزایش دهند [ 4 ، 13 ]]. اول اینکه به عنوان نقطه لنگر فعالیت های روزانه مصرف کنندگان مواد مخدر می تواند معتادان را به مناطق خاصی جذب کند. ثانیاً، ایستگاه های اتوبوس می توانند مصرف کنندگان مواد مخدر را از مناطق دیگر نیز جذب کنند و در نتیجه تعداد معاملات احتمالی مواد مخدر را افزایش دهند. جاده اصلی [ 16 ، 29 ]، جاده شعبه و هتل [ 12 ] نیز به عنوان متغیرهای توضیحی انتخاب شدند. همه متغیرهای فوق در سطح PSMA تجمیع شدند.

3. روش شناسی

GWPR روش اصلی تجزیه و تحلیل این مطالعه است که می تواند با ضرایب رگرسیون محلی به رابطه فضایی غیر ایستا بین متغیرها بپردازد. به منظور مقایسه، هر دو GLM و GWPR برای مدل‌سازی خرید و فروش مواد مخدر در این مطالعه استفاده شد. این دو تکنیک و معیارهای خوبی برای تناسب به طور خلاصه در پاراگراف های زیر توضیح داده شده است. تجزیه و تحلیل خودهمبستگی فضایی با آزمون موران I و بررسی چند خطی بین متغیرهای توضیحی انجام شد.

3.1. GLM

مدل‌های GLM رایج‌ترین روش مدل‌سازی جرم هستند. یک GLM از سه بخش شامل یک جزء تصادفی، یک جزء سیستماتیک و یک جزء تابع پیوند تشکیل شده است. با توجه به توزیع متغیر وابسته، مولفه تصادفی را می توان به طور انعطاف پذیر با توزیع احتمال، مانند توزیع پواسون یا توزیع دوجملی منفی مشخص کرد. بنابراین، GLM به طور گسترده در تجزیه و تحلیل جرم مورد استفاده قرار گرفته است، زیرا شمارش جرم معمولاً از توزیع پواسون یا منفی دوجمله ای تبعیت می کند [ 30 ، 31 ، 32 ]. فرم مدل GLM اتخاذ شده در این مطالعه به شرح زیر است:

ln (Y من) = β 0 + β 1 ln (پ من) + β 2 ایکس من 2 + β 3 ایکس من 3 + \dots + β ک ایکس ik + ε من

(1)

جایی که $Y_{i}$ تعداد مورد انتظار معاملات مواد مخدر در هر PSMA است، $P_{i}$ کل جمعیت در است $i$ -امین PSMA، $x_{ij}$ هست $j$ – متغیر توضیحی، $β_{0}, β_{1}, \dots β_{k}$ پارامترهای مدل هستند و $ε_{i}$ هست $i$ -ام خطای تصادفی ضرایب $β$ متغیرهای توضیحی در مدل فوق نسبت به PSMA ها تغییر نمی کنند که میانگین تاثیر متغیر است. $j$ در مورد خرید و فروش مواد مخدر در منطقه مورد مطالعه.

3.2. GWPR

نتایج GLM فوق از یک سری پارامترهای ثابت جهانی تشکیل شده است که نمی تواند ناهمگونی فضایی در رابطه بین متغیرهای وابسته و متغیرهای مستقل را توضیح دهد. GWPR یک روش بالقوه برای پرداختن به این موضوع با اجازه دادن به ضرایب برای تغییر مکانی است. ضرایب رگرسیون توابعی از مختصات جغرافیایی هر واحد تحلیل هستند. شکل مدل GWPR در زیر ارائه شده است:

ln (Y من) = β 0 (تو من ، v من) + β 1 (تو من ، v من) ln (پ من) + \sum k = 2 پ β ک (تو من ، v من) ایکس ik + ε من

(2)

جایی که $(u_{i}, v_{i})$ مختصات جغرافیایی نقطه مرکزی است $i$ -امین PSMA، $β_{k}$ عملکرد است $(u_{i}, v_{i})$ در PSMA ها متفاوت است که می تواند به صورت زیر تخمین زده 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 $W (u_{i}, v_{i})$ هست یک $n$ توسط $n$ ماتریس وزن فضایی که می تواند به صورت زیر توصیف 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 عنصر مورب $w_{i n}$ وزنی است که به PSMA داده می شود $j$ در فرآیند کالیبراسیون مدل برای PSMA $i$ ، در حالی که عناصر خارج از مورب صفر هستند [ 33 ].

معادله رگرسیون هر PSMA توسط مشاهدات در PSMAهای نزدیک تخمین زده می شود. هر PSMA با توجه به فاصله آن از نقطه رگرسیون وزن می شود. از این رو، برای PSMA

i

، هر چه مشاهدات به آن نزدیکتر باشد، تأثیر بیشتری بر تخمین دارد

\hat{β} (u_{i}, v_{i})

و مقدار این اثر معمولاً با دو تابع وزنی به شرح زیر محاسبه می شود:

گاوسی:

w ij = exp (- 1 2 * (د ij ب) 2)

(5)

دو مربع:

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

(6)

جایی که $d_{i j}$ فاصله بین PSMA است $i$ و $j$ ، $b$ پهنای باند ثابت است، $b_{i (k)}$ پهنای باند تطبیقی است که در این تحقیق استفاده شده است.

انتخاب پهنای باند بهینه یکی دیگر از مسائل مهم در مدل‌سازی GWPR است که می‌تواند با معیار اطلاعات Akaike (AIC) مورد بررسی قرار گیرد. AIC همچنین برای ارزیابی عملکرد مدل ها به کار گرفته شد. مدل با حداقل مقدار AIC مدل بهینه است.

کالیبراسیون مدل GWPR بر اساس قانون اول جغرافیای توبلر بود: “همه چیز به هر چیز دیگری مرتبط است، اما چیزهای نزدیک بیشتر از چیزهای دور مرتبط هستند” [ 34 ]. با توجه به این موضوع، در مقایسه با مدل جهانی، GWR برای مدل‌سازی جرم مبتنی بر منطقه مناسب‌تر است، زیرا می‌تواند ناهمگونی فضایی بین شمارش جرم و متغیرهای توضیحی را با موفقیت به تصویر بکشد.

3.3. خودهمبستگی فضایی و چند خطی

Moran’s I معیاری از خود همبستگی فضایی است که توسط موران [ 35 ] پیشنهاد شده است، که در این تحقیق برای بررسی اینکه آیا باقیمانده‌های مدل‌های پیشنهادی از نظر فضایی در بین PSMAهای مجاور همبستگی دارند، استفاده شد. شاخص موران از -1 تا 1 متغیر است. یک مقدار منفی به معنای خود همبستگی فضایی منفی است و بالعکس.

اگرچه چند خطی بودن بر دقت تخمین مدل تأثیر نمی گذارد، اما بر آزمون معنی داری برخی از متغیرها تأثیر می گذارد که سوگیری را برای تفسیر مدل معرفی می کند. بنابراین، ضرایب همبستگی دو متغیره بین متغیرهای توضیحی برای شناسایی متغیرهای دارای همبستگی بالا محاسبه شد.

3.4. معیارهای خوبی تناسب

علاوه بر AIC، میانگین انحراف مطلق (MAD) نیز برای اندازه گیری خوبی برازش مدل استفاده شد که به شرح زیر توضیح داده شد:

دیوانه = \sum ن i = 1 ∣∣ Y من ˆ - Y من ∣∣ ن

(7)

جایی که $Y_{i}$ تعداد مشاهده شده خرید و فروش مواد مخدر در PSMA است $i$ ، $\hat{Y_{i}}$ تعداد پیش بینی شده خرید و فروش مواد مخدر در PSMA است $i$ و N تعداد PSMA است. هر چه مقدار کمتر باشد، برازش مدل بهتر است.

از آنجایی که تابع پیوند در GLM و پسوندهای آن GWPR غیرخطی است، مدل‌های فوق قادر به تولید نیستند.

R^{2}

یا محلی

R^{2}

. بنابراین، درصد انحراف توضیح‌داده‌شده توسط GLM و درصد انحراف محلی توضیح‌داده‌شده توسط GWPR برای ارزیابی خوبی کلی برازش استفاده شد. هر چه درصد انحراف محلی بیشتر توضیح داده شود، برازش مدل بهتر است. GWPR و GLM توسط GWR 4.0 و Stata 12 به طور جداگانه برآورد شدند.

4. نتایج

آمار توصیفی متغیرهای توضیحی و متغیرهای وابسته در جدول 1 نشان داده شده است. توزیع فضایی خرید و فروش مواد مخدر در شکل 1 ارائه شده است . خوشه های فضایی در شرق و جنوب غربی شهر تشکیل شده است (Moran’s I : Z-Score: 4.1168، p -value : 0.0000).

یک آزمون همبستگی دو متغیره قبل از مدل سازی انجام شد و نتایج در جدول 2 ارائه شد . ضرایب همبستگی کمتر از 0.7 بود که به این معنی است که بین متغیرهای مستقل همبستگی قوی وجود ندارد. همچنین ضریب تورم واریانس (VIF) برای تمامی متغیرهای مستقل محاسبه شد. به طور کلی در نظر گرفته می شود که چند خطی بودن در بین متغیرها قابل قبول است اگر مقدار VIF کمتر از 5 باشد.

GLM برای مدل سازی رابطه بین خرید و فروش مواد مخدر و عوامل مرتبط استفاده شد. علاوه بر این، مدل GWPR برای محاسبه رابطه فضایی بین تعداد معاملات مواد مخدر و متغیرهای توضیحی استفاده شد. نتایج در جدول 3 ارائه شده است. ضرایب تمامی متغیرهای توضیحی در GLM از نظر آماری معنادار بوده و علائم نیز مطابق با انتظارات است. جاده اصلی و جمعیت با مدرک تحصیلی پیشرفته، تأثیر منفی بر خرید و فروش مواد مخدر دارد، که نشان می‌دهد با افزایش جمعیت با مدرک کارشناسی یا بالاتر و جاده اصلی، تعداد معاملات مواد مخدر در هر PSMA کاهش می‌یابد. از سوی دیگر، تأثیر سایر متغیرها بر معاملات مواد مخدر مثبت است، به این معنی که با افزایش این متغیرها، تعداد معاملات مواد مخدر نیز افزایش می‌یابد.

در مقایسه با GLM، GWPR می‌تواند تغییرات فضایی رابطه بین متغیرهای وابسته و مستقل را از طریق ضرایب رگرسیون محلی دریافت کند. پارامترهای محلی در GWPR در جدول 3 خلاصه شده است که به صورت حداقل، چارک پایین، میانه، چارک بالا و حداکثر ارائه شده است. ضرایب سایر متغیرها از منفی تا مثبت متغیر است به جز ضرایب چگالی ایستگاه اتوبوس که همیشه مثبت هستند.

الگوهای فضایی باقیمانده‌های مدل در شکل 2 ارائه شده‌اند ، که هیچ همبستگی فضایی را نشان نمی‌دهد ( مقدار I موران : -0.0286، Z-Score: -1.142، p -value : 0.2536). انحراف درصد محلی توضیح داده شده در GWPR همتای آن است

R^{2}

در یک مدل خطی، که نشان دهنده تغییرات مکانی در قدرت توضیحی است. بهترین تناسب مدل، همانطور که در شکل 3 نشان داده شده است، مرکز منطقه مورد مطالعه است.

چهار معیار برای مقایسه عملکرد مدل‌های بالا، معیار اطلاعات آکایک (AIC)، میانگین انحراف مطلق (MAD)، درصد انحراف توضیح داده شده، و همبستگی فضایی موجود در باقی‌مانده‌های مدل استفاده شد. نتایج نشان داده شده در جدول 3 نشان داد که GWPR با درصد انحراف بالاتر و همچنین AIC و MAD پایین تر از GLM عملکرد بهتری داشت. تنوع در معاملات مواد مخدر می تواند به خوبی توسط GWPR از طریق حسابداری ناهمگونی فضایی به تصویر کشیده شود.

تراکم فضایی جرم به طور گسترده در ادبیات مستند شده است [ 20 ، 21 ]. مفروضات اساسی مدل های فوق این است که عبارت خطا از نظر مکانی مستقل است. اگر باقیمانده همبستگی مکانی بود، نتایج مدل بایاس می‌شد [ 36 ]. شاخص موران I برای باقیمانده های مدل برای تجزیه و تحلیل خودهمبستگی فضایی محاسبه شد و نتایج در جدول 3 ارائه شد . می توان اشاره کرد که همبستگی فضایی در باقیمانده های GLM در سطح اطمینان 90٪ معنی دار بود، در حالی که به نظر نمی رسد باقیمانده های GWPR از نظر مکانی همبستگی داشته باشند. این نشان می دهد که وابستگی فضایی معاملات مواد مخدر به طور کامل توسط مدل مورد توجه قرار گرفته است.

5. بحث

مزیت GWPR نسبت به GLM این است که می‌تواند ناهمگونی فضایی را با اجازه دادن به پارامترها برای تغییر فضایی در نظر بگیرد. هنگامی که پارامترهای محلی به دست آمد، می توان آنها را نقشه برداری کرد و الگوهای فضایی آنها را می توان کاوش کرد. بنابراین، همانطور که بسیاری از مطالعات قبلی با استفاده از مدل‌های GWPR انجام داده‌اند، ضرایب هر متغیر توضیحی را برای بررسی الگوی فضایی آن و کشف علل احتمالی آن ترسیم کردیم . کاربرد GWPR برای ارزیابی معاملات مواد مخدر، تنوع فضایی ضرایب رگرسیون بین متغیر وابسته و متغیرهای مستقل را در سراسر مناطق PSMA در شهر ZG نشان داد ( شکل 4).). ضرایب روستای شهری از 0.05- تا 0.72 متغیر بود. آمار t محلی نشان می دهد که روستای شهری تاثیر مثبتی بر خرید و فروش مواد مخدر دارد. روستاهای شهری معمولاً با درجات بالاتری از بی‌سازمانی اجتماعی همراه هستند که منجر به فعالیت‌های مجرمانه مختلف می‌شوند [ 37 ]. پیچیدگی محیط ساخته شده، تنوع ساکنان و عدم کنترل اجتماعی در روستای شهری چالش هایی را برای مبارزه با خرید و فروش مواد مخدر ایجاد می کند. همانطور که در شکل 4 نشان داده شده استالف، رابطه بین روستای شهری و خرید و فروش مواد مخدر در مناطق مرکزی شهر قوی ترین است. در مقایسه با مناطق پیرامونی، کنترل اجتماعی رسمی و غیررسمی در مناطق مرکزی شهر قوی‌تر است که فروشندگان مواد مخدر را مجبور می‌کند فعالیت‌های خود را به روستاهای شهری محدود کنند.

ضرایب جمعیت شناور از 0.014- تا 0.015 متغیر بود. در مطالعات قبلی، تأثیر جمعیت شناور بر جرم و جنایت متناقض بوده است. برخی از مطالعات نشان دادند که جمعیت شناور تأثیر مثبتی بر جرم و جنایت دارد [ 38 ، 39 ]، اما برخی دیگر یافته های متفاوتی داشتند [ 40 ]. برای مثال، تأثیر جمعیت شناور بر جرم و جنایت بر اساس خاستگاه مهاجران متفاوت است [ 21 ]. مقادیر p نشان داد که جمعیت شناور تأثیر مثبتی بر خرید و فروش مواد مخدر دارد. توزیع فضایی ضرایب ( شکل 4ب) نشان داد که جمعیت شناور نفوذ بیشتری در مرکز شهر نسبت به مناطق پیرامونی دارد. تحرک بالای مسکونی جمعیت شناور یکی از ویژگی های مهم آن است، زیرا معمولاً برای امرار معاش مجبور به جابجایی مکرر هستند. افزایش تحرک مسکونی منجر به افزایش جرایم دارایی می شود [ 41 ، 42 ]، در حالی که تأثیر منفی بر جرایم جنسی داشت [ 43 ]. یافته‌های این مطالعه نشان داد که تحرک مسکونی تأثیر مثبتی بر خرید و فروش مواد مخدر دارد.

همانطور که در شکل 4 d نشان داده شده است، ضرایب تراکم ایستگاه اتوبوس در سراسر منطقه مورد مطالعه مثبت بود، که نشان می دهد افزایش تعداد ایستگاه های اتوبوس باعث افزایش خرید و فروش مواد مخدر می شود. نتایج مشابهی در مطالعات قبلی [ 13 ، 14 ] پیدا شده است. اگرچه ضرایب محلی چگالی ایستگاه اتوبوس در همه PSMA ها مثبت بود، اما قدرت این رابطه ثابت نیست. تأثیر ایستگاه های اتوبوس در شمال غربی بیشترین بود و به تدریج به سمت جنوب شرقی کاهش یافت. مناطقی با تراکم بیشتر ایستگاه‌های اتوبوس در دسترس‌تر هستند و حمل‌ونقل مقرون‌به‌صرفه‌ای را برای مصرف‌کنندگان مواد مخدر فراهم می‌کنند تا به مکان‌های فروش مواد مخدر سفر کنند.

هتل ها به عنوان یکی از مهم ترین عوامل جذب مشتری در بازار فروش مواد مخدر محسوب می شوند. فرصت های بیشتری برای ملاقات با خریداران بالقوه دارو در اطراف هتل ها وجود دارد. بنابراین، هتل‌های با مدیریت ضعیف اغلب نقاط داغ فعالیت‌های غیرقانونی مواد مخدر هستند که تأثیر مثبتی بر جرایم مرتبط با مواد مخدر دارند [ 12 ، 44 ]. همانطور که در شکل 4 نشان داده شده استه) نفوذ هتل ها در نواحی مرکزی شهر کمتر از حومه شهر است که ممکن است به دلیل وجود مکان های مناسب دیگر برای فروش مواد مخدر در مرکز شهر باشد، مانند رستوران ها، بارها، پارک ها و غیره. ضرایب در چند PSMA منفی بود و یک آزمون آماری t محلی انجام شد. نتایج نشان داد که ضرایب منفی برای اکثر PSMA ها (84.1٪) از نظر آماری ناچیز است.

علاوه بر این، پایداری یک بازار دارو ارتباط زیادی با دسترسی به آن دارد. شبکه راه ها شاخص مهمی از دسترسی است. شبکه جاده الگوی جریان افراد و وسایل نقلیه را تعیین می کند، که ثابت شده است که ارتباط نزدیکی با جرم دارد [ 45 ، 46 ]. برخی از مطالعات نشان دادند که تأثیر جاده‌ها منفی است [ 16 ]، در حالی که برخی دیگر آن را مثبت نشان دادند [ 29 ، 47 ]. شکل 4c,f به ترتیب برای جاده های فرعی و راه های اصلی تولید شد. توزیع فضایی ضرایب این متغیرها مشابه بود که هر دو در ناحیه مرکزی منفی و در حاشیه مثبت بودند. با این حال، پس از بررسی مقدار t محلی، متوجه شدیم که ضرایب منفی جاده انشعاب برای اکثر PSMA ها (80.5٪) در سطح اطمینان 95٪ معنی دار نبود. ضرایب مثبت جاده اصلی برای چند PSMA (16.9٪) معنی دار بود. توضیح احتمالی این پدیده اثرات کاهش جرم دوربین مداربسته (تلویزیون مدار بسته) است. ثابت شده است که دوربین مداربسته یک وسیله موثر برای پیشگیری از جرم است [ 48 ، 49]. با این حال، با محدودیت بودجه مالی، دوربین های بیشتری در امتداد جاده های اصلی در مناطق مرکزی شهر نصب شده است. جاده های شعبه در مناطق حاشیه ای با دوربین های کمتر در برابر خرید و فروش مواد مخدر آسیب پذیر هستند.

شکل 4 g تراکم افراد با مدرک لیسانس یا بالاتر (مدرک پیشرفته) را نشان می دهد، که نشان می دهد روندهای منفی قوی در جمعیت با مدرک پیشرفته در اکثر PSMA ها وجود دارد، که نشان می دهد افزایش در جمعیت با مدرک پیشرفته به کاهش خرید و فروش مواد مخدر رابطه بین سطح تحصیلات و انواع مختلف جرم به طور گسترده در مطالعات قبلی مورد بررسی قرار گرفته است، مانند سرقت [ 20 ، 50 ]، قتل [ 22 ] و سرقت [ 51 ، 52 ].]. نتایج مطالعات فوق نشان داد که هر چه نسبت افراد دارای مدارک تحصیلی پیشرفته (مانند دیپلم و بالاتر) بیشتر باشد، تعداد جرایم کمتر است. اگرچه تحقیقات قبلی نشان داده است که رابطه بین سطح تحصیلات و سوء مصرف مواد از نظر آماری معنادار نیست [ 27 ]، مطالعه دیگری رابطه آماری بین تحصیلات و تعداد دستگیری های فروش مواد مخدر را نشان داد که با یافته های ما مطابقت داشت [ 16 ].

از بحث بالا متوجه شدیم که علامت ضرایب اکثر متغیرها به جز چگالی ایستگاه اتوبوس از منفی به مثبت متغیر است. این پدیده در مدل های مبتنی بر GWR یا پسوندهای آن بسیار رایج است و در مطالعات قبلی مورد بحث قرار گرفته است [ 53 ، 54 ]. توضیح احتمالی این پدیده این است که اگرچه یک آزمون همبستگی دو متغیره در ابتدای مدل انجام شده است، اما تضمین نمی کند که چند خطی محلی بین متغیرهای توضیحی وجود ندارد.

6. نتیجه گیری

این مطالعه نشان دهنده اولین تلاش در به کارگیری GWPR برای تشخیص تنوع فضایی خرید و فروش مواد مخدر در یک شهر بزرگ چین است. خرید و فروش مواد مخدر در بسیاری از کشورها، مانند چین، به دلیل تأثیرات اجتماعی منفی آن، مانند هزینه های اقتصادی گسترده و جرایم مرتبط با مواد مخدر، جرمی جدی است. به منظور مبارزه با خرید و فروش مواد مخدر، ابتدا باید عوامل خطر مرتبط شناسایی شوند. این مطالعه بر اساس مجموعه داده‌های هفت ساله جمع‌آوری‌شده در یک شهر چینی ZG، رابطه بین خرید و فروش مواد مخدر و عوامل مؤثر بر آن را بررسی کرد. نتایج نشان داد که با افزایش تعداد روستاهای شهری و جمعیت شناور، تعداد معاملات مواد مخدر افزایش می‌یابد. رابطه بین جاده ها و خرید و فروش مواد مخدر وجود دارد اما در شهرها متفاوت است. مناطقی که جاده های اصلی بیشتری دارند، معاملات مواد مخدر کمتری را تجربه کرده اند، در حالی که مناطقی با جاده های شعبه بیشتر، معاملات مواد مخدر بیشتری را جذب کردند. علاوه بر این، مناطقی با تراکم بیشتر از ایستگاه‌های اتوبوس و هتل‌ها با معاملات مواد مخدر بیشتر مرتبط بودند. سطح تحصیلات با تعداد معاملات مواد مخدر همبستگی منفی داشت. علاوه بر این، نتایج همچنین نشان داد که ضرایب عوامل خطر در فضا متفاوت است.

یافته‌های بالا نه تنها به سیاست‌گذاران کمک می‌کند تا معاملات مواد مخدر را از منظر جغرافیایی بهتر درک کنند، بلکه به آنها کمک می‌کند تا مداخلات محلی و استراتژی‌های پیشگیری را هدفمندتر توسعه دهند. استراتژی‌های محلی نسبت به استراتژی‌های سنتی یک‌اندازه برای همه مؤثرتر هستند و می‌توانند هزینه‌های غیرضروری منابع اجتماعی را کاهش دهند.

این مطالعه محدودیت‌های متعددی نیز دارد. اول، با توجه به مسئله واحد منطقه ای قابل اصلاح (MAUP) پیشنهاد شده توسط Openshaw [ 55 ]، نتایج آمار فضایی به واحد جغرافیایی انتخاب شده حساس است. ما در حال حاضر فقط می‌توانیم داده‌های جرم و جنایت را در سطح PSMA از اداره پلیس ZG دریافت کنیم. بنابراین، PSMA تنها واحد جغرافیایی مورد استفاده در این تحقیق است که محدود به داده های جرم می باشد. مطالعات آینده باید از داده های جمع آوری شده از مقیاس های فضایی مختلف استفاده کند. دوم، این مطالعه فقط رابطه بین خرید و فروش مواد مخدر و عوامل مرتبط را برای یک شهر آزمایش کرد. مطالعات مقایسه ای در چندین شهر برای آزمایش کاربرد کلی یافته های کشف شده در این تحقیق مطلوب است.

منابع

UNODC. گزارش جهانی مواد مخدر 2018 ; سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2018. [ Google Scholar ] [ CrossRef ]
ویر، آر. استفاده از رگرسیون وزن‌دار جغرافیایی برای بررسی پیش‌بینی‌کننده‌های سوءاستفاده خانگی در سطح همسایگی در بریتانیا. ترانس. GIS 2019 ، 23 ، 1232-1250. [ Google Scholar ] [ CrossRef ]
براگا، AA; Weisburd، DL; Waring، EJ; Mazerolle، LG; اسپلمن، دبلیو. Gajewski، F. پلیس مشکل محور در مکان های جرم خشن: یک آزمایش کنترل شده تصادفی. جرم شناسی 1999 ، 37 ، 541-580. [ Google Scholar ] [ CrossRef ]
رابینسون، جی بی. Rengert، GF بازارهای غیرقانونی مواد مخدر: دیدگاه جغرافیایی و گرایش به جنایت. غرب. Criminol. Rev. 2006 , 7 , 20-32. [ Google Scholar ]
ویزبرد، دی. Mazerolle، LG Crime and Disorder in Drug Hot Spots: مفاهیمی برای تئوری و عمل در پلیس. پلیس Q. 2000 ، 2000. 3 ، 331-349. [ Google Scholar ] [ CrossRef ]
رنگرت، جی. چاکراورتی، اس. بول، تی. هندرسون، ک. تحلیل جغرافیایی بازارهای غیرقانونی مواد مخدر. جرم. قبلی گل میخ. 2000 ، 11 ، 219-239. [ Google Scholar ]
کندی، LW; Caplan، JM; Piza، E. Risk Clusters، Hotspots and Spatial Intelligence: Risk Terrain Modeling به عنوان الگوریتمی برای استراتژی های تخصیص منابع پلیس. جی. کوانت. Criminol. 2011 ، 27 ، 339-362. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
تانیگوچی، TA; راتکلیف، جی اچ. تیلور، RB Gang Set Space، Drug Markets، و Crime در اطراف Drug Corners در Camden. J. Res. Crime Delinquency 2011 ، 48 ، 327-363. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
ویزبرد، دی. گرین، ال. نقاط داغ مواد مخدر پلیس: آزمایش تجزیه و تحلیل بازار مواد مخدر شهر جرسی. عدالت Q. 1995 ، 12 ، 711-735. [ Google Scholar ] [ CrossRef ]
Eck, J. جلوگیری از جرم و جنایت با کنترل خرید و فروش مواد مخدر در املاک اجاره ای خصوصی. امن J. 1998 , 11 , 37-43. [ Google Scholar ] [ CrossRef ]
مک کورد، ES؛ Ratcliffe, JH A Micro-Spatial Analysis of Demographic and Criminogenic Environment of Drug Markets in Philadelphia. اوست NZJ Criminol. 2007 ، 40 ، 43-63. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
برناسکو، دبلیو. ژاک، اس. فروشندگان کجا از مشتریان درخواست می کنند و به آنها مواد مخدر می فروشند؟ مطالعه چند روشی در سطح خرد. J. Contemp. جنایت. عدالت. 2015 ، 31 ، 376-408. [ Google Scholar ] [ CrossRef ]
بارنوم، جی دی. کمپبل، WL; تروکیو، اس. Caplan، JM; کندی، LW بررسی ویژگی های محیطی مکان های فروش مواد مخدر. Crime Delinquency 2016 ، 63 ، 1731-1756. [ Google Scholar ] [ CrossRef ]
اونات، من. آکجا، دی. Bastug، MF مناطق در معرض خطر فعالیت های مواد مخدر غیرقانونی در منطقه دورهام. انتاریو می توان. J. Criminol. جنایت. عدالت 2018 ، 60 ، 1-29. [ Google Scholar ] [ CrossRef ]
اسکودرو، جی. Ramírez، B. مدل‌سازی خطر زمین برای نظارت بر بازارهای مواد مخدر غیرقانونی در سراسر بوگوتا، کلمبیا. علوم جنایی 2018 ، 7 ، 3. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
تانیگوچی، TA; Rengert، GF; مک کورد، ES جایی که اندازه مهم است: اقتصادهای انباشته بازارهای مواد مخدر غیرقانونی در فیلادلفیا. عدالت Q. 2009 ، 26 ، 670-694. [ Google Scholar ] [ CrossRef ]
جانسون، LT; تیلور، RB; راتکلیف، جی اچ به مواد مخدر نیاز دارید، سفر می کنید؟ فاصله تا جرم خریداران غیرقانونی مواد مخدر جی. جنایت. عدالت 2013 ، 41 ، 178-187. [ Google Scholar ] [ CrossRef ]
Lesage, JP مقدمه ای بر اقتصاد سنجی فضایی ; چپمن و هال/CRC: نیویورک، نیویورک، ایالات متحده آمریکا، 2009. [ Google Scholar ]
فاثرینگهام، ای. براندون، سی. چارلتون، ام. رگرسیون وزنی جغرافیایی: تجزیه و تحلیل روابط متغیر فضایی. 2002 ; جان وایلی و پسران: چیچستر، بریتانیا؛ هوبوکن، نیوجرسی، ایالات متحده آمریکا، 2003. [ Google Scholar ]
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 ]
چن، جی. لیو، ال. ژو، اس. شیائو، ال. جیانگ، سی. رابطه تغییرات 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 ]
Sepúlveda Murillo، FH; اولمو، جی سی. د کورتازار، ARG ناهمگونی فضایی عوامل زن کشی: مورد آنتیوکیا-کلمبیا. Appl. Geogr. 2018 ، 92 ، 63-73. [ Google Scholar ] [ CrossRef ]
UNODC. گزارش جهانی مواد مخدر 2008 ; سازمان ملل: نیویورک، نیویورک، ایالات متحده آمریکا، 2008. [ Google Scholar ] [ CrossRef ]
دفتر آمار چین، سالنامه آماری چین ؛ انتشارات آماری چین: پکن، چین، 2018.
چن، جی. لیو، ال. شیائو، ال. خو، سی. Long, D. تحلیل یکپارچه ناهمگونی فضایی و پراکندگی بیش از حد جرم با یک مدل دوجمله ای منفی وزن دار جغرافیایی. ISPRS Int. J. Geo-Inf. 2020 ، 9 ، 60. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لیو، ال. فنگ، جی. رن، اف. Xiao، L. بررسی رابطه بین محیط محله و مکان های مسکونی سارقان نوجوان و بزرگسال مهاجر در چین. شهرها 2018 ، 82 ، 10-18. [ Google Scholar ] [ CrossRef ]
وودیچ، ا. لاتون، بی. Taxman، FS جغرافیای اپیدمیولوژی سوء مصرف مواد مخدر در میان مشروطین در بالتیمور. J. Drug Issues 2013 ، 43 ، 231-249. [ Google Scholar ] [ CrossRef ]
ویلیتس، دی. برودی، LM; دنمن، ک. مدارس و بازارهای مواد مخدر: بررسی رابطه بین مدارس و جنایت مواد مخدر در محله. جامعه جوانان 2013 ، 47 ، 634-658. [ Google Scholar ] [ CrossRef ]
آندریاس، MS تجزیه و تحلیل فضایی جرم با استفاده از داده‌های مبتنی بر Gis: فیلتر تطبیقی وزنی و پیش‌بینی سلولی آشفته با کاربردها در بازارهای دارویی سطح خیابان. دکتری پایان نامه، دانشگاه کارنگی ملون، شنلی پارک پیتسبورگ، PA، ایالات متحده آمریکا، 1997. [ Google Scholar ]
لیو، ال. جیانگ، سی. ژو، اس. لیو، ک. Du، F. تأثیر سیستم اتوبوس عمومی بر الگوهای سرقت فضایی در بافت شهری چین. Appl. Geogr. 2017 ، 89 ، 142-149. [ Google Scholar ] [ CrossRef ]
آهنگ، جی. لیو، ال. برناسکو، دبلیو. شیائو، ال. ژو، اس. لیائو، و. ان صبح. دانشیار Geogr. 2018 ، 108 ، 1370–1388. [ Google Scholar ] [ CrossRef ]
آهنگ، جی. لیو، ال. برناسکو، دبلیو. ژو، اس. شیائو، ال. لانگ، دی. سرقت از شخص در چین شهری: ارزیابی اثرات روزانه فرصت ها و بوم شناسی اجتماعی. Habitat Int. 2018 ، 78 ، 13-20. [ Google Scholar ] [ CrossRef ]
Fotheringham، AS; چارلتون، من؛ Brunsdon، C. تغییرات فضایی در عملکرد مدرسه: یک تحلیل محلی با استفاده از رگرسیون وزن‌دار جغرافیایی. Geogr. محیط زیست مدل. 2001 ، 5 ، 43-66. [ Google Scholar ] [ CrossRef ]
Tobler, WR یک فیلم کامپیوتری شبیه سازی رشد شهری در منطقه دیترویت. اقتصاد Geogr. 1970 ، 46 ، 234-240. [ Google Scholar ] [ CrossRef ]
موران، PAP یادداشت هایی در مورد پدیده های تصادفی پیوسته. Biometrika 1950 ، 37 ، 17-23. [ Google Scholar ] [ CrossRef ]
Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . ناشر آکادمیک Kluwer: دوردرخت، هلند، 1988. [ Google Scholar ]
ژنگ، اس. لانگ، اف. فن، سی. گو، ی. دهکده های شهری در چین: بررسی 2008 اسکان مهاجران در پکن. جئوگر اوراسیا اقتصاد 2009 ، 50 ، 425-446. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
کوران، اصلاحات اقتصادی دی جی، جمعیت شناور و جنایت: تحول 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. International Journal of Offender Ther. Comp. Criminol. 1996 ، 40 ، 293-299. [ Google Scholar ] [ CrossRef ]
ژائو شوکای، AK جرم و جنایت و پلیس کارگران مهاجر. China J. 2000 , 43 , 101-110. [ Google Scholar ] [ CrossRef ]
کامینها، سی. فورتادو، وی. پکونو، THC؛ پونته، سی. Melo، HPM؛ اولیویرا، EA؛ Andrade، JS تحرک انسان در شهرهای بزرگ به عنوان نماینده ای برای جرم و جنایت. PLOS ONE 2017 , 12 , e0171609. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
امبورو، ال. Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با رفت و آمد. ان صبح. دانشیار Geogr. 2016 ، 106 ، 1-15. [ Google Scholar ] [ CrossRef ]
کنکل، آر. Hafemeister، A. دایگل، ال. اثرات مکان‌های مخاطره‌آمیز، مجرمان با انگیزه، و بی‌سازمانی اجتماعی بر قربانی‌سازی جنسی: یک بررسی ریزجغرافیایی و سطح همسایگی. J. Interpers. خشونت 2019 . [ Google Scholar ] [ CrossRef ]
فنگ، جی. لیو، ال. لانگ، دی. لیائو، دبلیو. بررسی تفاوت‌های فضایی بین مجرمان مهاجر و بومی در ارتکاب جرایم خشونت‌آمیز در یک شهر بزرگ چین. ISPRS Int. J. Geo-Inf. 2019 ، 8 ، 119. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
دیویس، تی. جانسون، SD بررسی رابطه بین ساختار جاده و خطر سرقت از طریق تجزیه و تحلیل شبکه کمی. جی. کوانت. جنایت. 2015 ، 31 ، 481-507. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
شیائو، ال. لیو، ال. آهنگ، جی. روتر، اس. ژو، اس. فواصل سفر تا جنایت سارقان مسکونی در چین تفکیک شده: تأثیرات مبدأ و مقصد. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 325. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
Eck, J. Drug Markets and Drug Places: مطالعه موردی کنترلی ساختار فضایی خرید و فروش غیرقانونی مواد مخدر. دکتری پایان نامه، دانشگاه مریلند، کالج پارک، MD، ایالات متحده آمریکا، 1994. [ Google Scholar ]
لیم، اچ. Wilcox, P. اثرات کاهش جرم دوربین مداربسته خیابان باز: ملاحظات مشروطیت. عدالت Q. 2017 ، 34 ، 597-626. [ Google Scholar ] [ CrossRef ]
پیزا، EL اثر پیشگیری از جرم دوربین مداربسته در مکان های عمومی: تجزیه و تحلیل امتیاز گرایش. جی. جنایت. عدالت 2018 ، 41 ، 14-30. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
دو، اف. لیو، ال. جیانگ، سی. لانگ، دی. Lan, M. تشخیص اثرات مهاجران روستایی به شهری بر سرقت در شهر ZG با مدل سازی معادلات ساختاری. پایداری 2019 ، 11 ، 561. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
لانگ، دی. لیو، ال. فنگ، جی. ژو، اس. جینگ، اف. ارزیابی تأثیر قبلی بر انتخاب‌های محل سرقت بعدی: مطالعه موردی در شهر ZG، چین. پایداری 2018 ، 10 ، 1818. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
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. رم Sens. 2019 ، 11 ، 1958. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
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 ]
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 ]
Openshaw, S. مسئله واحد مساحتی قابل اصلاح، در جغرافیای کمی: دیدگاه بریتانیایی . Wrigley, N., Bennett, RJ, Wrigley, N., Bennett, RJ, Eds. Routledge & Kegan Paul: لندن، انگلستان، 1981; ص 60-69. [ Google Scholar ]

شکل 1. توزیع مواد مخدر در شهر ZG بین سال های 2012-2018.

شکل 2. باقیمانده های مدل رگرسیون پواسون وزنی جغرافیایی (GWPR) توسط PSMA.

شکل 3. مناسب بودن (Local_pdev) مدل GWPR.

شکل 4. توزیع فضایی برای ضرایب محلی متغیرهای توضیحی.

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