هوش مکانی اتیم تحقیقاتی ونوس نصیرفام

بررسی ارتباط بین عوامل محیطی و توزیع فضایی جرم اموال

چکیده

شناخت همه جانبه عوامل مؤثر بر جرم، پیش نیاز پیشگیری و مبارزه با جرم است. اگرچه برخی از مطالعات به بررسی رابطه بین عوامل محیطی و جرایم اموالی پرداخته اند، اما تعامل بین عوامل در این مطالعات به طور کامل مورد توجه قرار نگرفته است و توضیح عوامل پیچیده ممکن است ناکافی باشد. این مقاله تأثیر عوامل محیطی بر جرایم دارایی را با استفاده از رگرسیون عاملی و تعامل عامل بر اساس داده‌های شهر مرکزی لانژو، چین بررسی می‌کند. یافته های ما نشان داد که: (۱) توزیع پرونده های جرم نشان دهنده الگوی چند مرکزی محلی است. تراکم مغازه، تراکم هتل، تراکم سرگرمی و قیمت خانه چهار محرک محیطی غالب جرایم دارایی بودند. (۲) رابطه بین شدت نور و جرم مالکیت دارای توضیحات همبستگی متفاوتی در طرح ریزی زمانی و فرافکنی فضایی بود. یک منحنی توزیع نرمال بین تعداد جرایم دارایی و نسبت قیمت به درآمد (نسبت PE) قیمت مسکن اجتماعی وجود داشت. و (۳) نتایج حاصل از اثر متقابل عامل نشان داد که تأثیر همه عوامل بر جرم افزایش دو عاملی را نشان داد. به عنوان یک کاتالیزور مهم، تراکم فروشگاه قوی ترین تعامل را با عوامل دیگر داشت. شیب تراکم مغازه بر میزان تفسیر ناهمگونی فضایی جرم مالکیت تأثیر گذاشت. یک منحنی توزیع نرمال بین تعداد جرایم دارایی و نسبت قیمت به درآمد (نسبت PE) قیمت مسکن اجتماعی وجود داشت. و (۳) نتایج حاصل از اثر متقابل عامل نشان داد که تأثیر همه عوامل بر جرم افزایش دو عاملی را نشان داد. به عنوان یک کاتالیزور مهم، تراکم فروشگاه قوی ترین تعامل را با عوامل دیگر داشت. شیب تراکم مغازه بر میزان تفسیر ناهمگونی فضایی جرم مالکیت تأثیر گذاشت. یک منحنی توزیع نرمال بین تعداد جرایم دارایی و نسبت قیمت به درآمد (نسبت PE) قیمت مسکن اجتماعی وجود داشت. و (۳) نتایج حاصل از اثر متقابل عامل نشان داد که تأثیر همه عوامل بر جرم افزایش دو عاملی را نشان داد. به عنوان یک کاتالیزور مهم، تراکم فروشگاه قوی ترین تعامل را با عوامل دیگر داشت. شیب تراکم مغازه بر میزان تفسیر ناهمگونی فضایی جرم مالکیت تأثیر گذاشت.

کلید واژه ها:

جرم مالکیت ; عوامل محیطی ؛ تعامل عوامل ; رگرسیون خطی بیزی (BLR) ; آشکارساز جغرافیایی ؛ لانژو

۱٫ مقدمه

جرم و جنایت یک تهدید بزرگ برای مناطق شهری در بسیاری از کشورها است. این امر به این دلیل است که نه تنها منجر به آسیب و از دست دادن دارایی می شود، بلکه ترس عمومی از جرم و احساس ناامنی را نیز افزایش می دهد [ ۱ ]]. جرایم ملکی معمولاً کمتر از جرایم شخصی تلقی می شوند. با این وجود، آنها به طور قابل توجهی بر قربانیان فردی تأثیر می گذارند و بر کیفیت کلی زندگی شهری تأثیر منفی می گذارند. در تمام دسته‌بندی‌های جرایم، جرایم دارایی مانند سرقت، سرقت و سرقت وسایل نقلیه موتوری و گاهی اوقات سرقت به طور کلی شایع‌ترین جرایم فردی هستند، با نسبتی که معمولاً از جنایات خشونت‌آمیز یا سایر انواع جرم بیشتر است. در میان تمام جرایم دارایی، سرقت احتمالاً تهاجمی‌ترین جرم است که اغلب اثرات روانی طولانی مدت بر قربانیان، انگ برای محله‌ها و مناطق و پیامدهایی برای برنامه‌ریزی و طراحی به همراه دارد. سرقت یک تهدید امنیتی بزرگ و نگرانی ویژه در کشورهای در حال توسعه است. جرایم اموال بیشترین سهم از کل جرایم در چین را به خود اختصاص داده است [ ۲]، که ۳۰٫۳ درصد از کل موارد جرم گزارش شده از سال ۲۰۱۳ تا ۲۰۱۷ را تشکیل می دهد.
محیط جغرافیایی همواره نقش مهمی در تأثیرگذاری بر فعالیت های مجرمانه ایفا کرده است زیرا حوزه تعامل مستقیم طبیعت و جامعه است. در قرن ۱۸، “نظریه های جرم شناسی کلاسیک” بر اساس ایده های روشنگری [ ۳ ] توسعه یافت. دانشکده جرم شناسی شیکاگو با مطالعات فضایی در محله اجتماعی در مورد جرم و جنایت شناسایی شد که به ویژه بر الگوهای فضایی چنین رفتاری تمرکز می کند، به ویژه همانطور که در نقشه های توزیع فضایی آنها منعکس شده است، و نظریه های ساختار اجتماعی پیشنهادی [ ۴ ] – نظریه بی سازمانی اجتماعی [۴]. ۵ ، نظریه انجمن افتراقی [ ۶ ] و نظریه یادگیری اجتماعی [ ۷] – که نشان دهنده گروهی از رویکردهای به اصطلاح پوزیتیویستی به تحقیقات جنایی است که در قرن نوزدهم شکل گرفت. این انعکاس این باور بود که تنها روش های علمی توضیح می تواند به روشن شدن علل رفتار مجرمانه کمک کند. بلتون فایشر [ ۸ ] و گری بکر [ ۹ ] قبلاً گفته اند که جرم ممکن است قابل توضیح باشد. در دهه‌های ۱۹۶۰ و ۱۹۷۰، انسان‌گرایی و پوزیتیویسم شناخت و درک فضای افراد در تحقیقات جنایی را بیشتر ارتقا داد. چیدمان و طراحی محیط زندگی شهری عامل مهمی در برخی مناطق مستعد رفتار مجرمانه در نظر گرفته شد. در این دوره نظریه هایی مانند پیشگیری از جرم از طریق طراحی محیطی (CPTED) [ ۱۰ ]، نظریه فضای قابل دفاع [۱۰]۱۰ ] و پیشگیری از جرم موقعیتی [ ۱۱ ] به طور متوالی ظهور کردند. Matlovicova K. و همکاران. از مثال شهرهای اسلواکی استفاده کرد تا نشان دهد که پیشگیری از جرم یا کاهش آن از طریق شکل گیری و اصلاح محیط شهری امکان پذیر است [ ۳ ، ۱۲ ، ۱۳ ]. از اواخر دهه ۱۹۸۰، پیشینه نظری محکمی در مورد ابعاد مکانی و زمانی جرم ایجاد شده است [ ۱۴ ، ۱۵ ، ۱۶ ]، از جمله تئوری های معروفی مانند فعالیت معمول [ ۱۷ ]، انتخاب منطقی [ ۱۸ ] و هندسه جرم. [ ۱۹] و از درک مکانیسم جرم حمایت می کند، که یک گام اولیه مهم در جهت کاهش جرم است [ ۲۰ ، ۲۱ ]. این مدل ها بینش هایی اضافه کرده اند که به درک جرایم جرم کمک می کند. برخی مطالعات ثابت کرده اند که بین عوامل محیطی و وقوع جرم رابطه معینی وجود دارد. برای مثال، Ceccato [ ۲۲ ] دریافت که دزدی ها و سرقت ها در سائوپائولو، برزیل، در اطراف ایستگاه های مترو در مرکز شهر متمرکز شده است. لیو و همکاران [ ۲۳ ] تأثیر تغییرات در محل ایستگاه های اتوبوس در سرقت های خیابانی در سینسیناتی را بررسی کرد. Hipp JR تأثیر سن مسکن و نوع مسکن را بر جرم و جنایت در مقیاس‌های فضایی مختلف مطالعه کرد [ ۲۴]. بووین رابطه بین تراکم جمعیت و میزان جرم و جنایت را در تورنتو مورد بحث قرار داد [ ۲۵ ]. نتایج نشان داد که رابطه بین تراکم جمعیت و نرخ جرم در سناریوهای مختلف نامشخص بوده و ممکن است افزایش یا کاهش یابد. برخی از مطالعات نشان داده‌اند که محیط‌های تاریک برای جرم و جنایت مساعد بوده و نرخ جرم و جنایت در مناطقی با روشنایی بهتر خیابان‌ها به طور قابل توجهی کاهش یافته است [ ۲۶ ، ۲۷ ]]. در ترویج غرور جامعه و کنترل اجتماعی غیررسمی، به نظر می رسید روشنایی خیابان مفیدتر از تقویت نظارت و بازدارندگی باشد. با این حال، برخی از محققان معتقد بودند که روشنایی در برخی از مناطق پنهان نه تنها می تواند دید عابران پیاده را بهبود بخشد، بلکه دید مجرمان را نیز بهبود می بخشد، که ممکن است به آنها کمک کند تا پس از ارتکاب جرم، هدف جنایت را انتخاب کرده و فرار کنند [ ۲۸ ].]. در حال حاضر تحقیقات جرم و جنایت با تمرکز بر کاهش فرصت موقعیتی ارتکاب جرم با تغییر محیط ادامه یافته است که از کاربرد GIS و آمار فضایی در مطالعه جرایم منطقه ای و نیز افزودن معماری، شهرسازی و طراحی و بهره مندی از آن بهره مند شده است. رشته های دیگر عوامل محیطی در مورد فضای جرم و جنایت که از منابع داده های مختلف به دست می آید، روز به روز پیچیده تر و به محیط واقعی شهری نزدیکتر می شود. از آنجایی که عوامل محیطی مؤثر بر جرم وجود دارد، مایلیم تفاوت تفسیر عوامل محیطی متعدد بر جرم و تفسیر عوامل محیطی تعاملی بر جرم را بدانیم. به هر حال، محیط جنایی از یک عامل واحد تشکیل نشده است، بلکه به جای پیچیدگی است.
هدف این مطالعه بررسی مکانیسم این مدل‌ها نیست، بلکه بررسی متغیرهای محیطی در توزیع فضایی جرم مالکیت برای افزایش درک ما از پیچیدگی جرم مالکیت در سراسر فضا است. مدل‌های رگرسیون هم برای سازمان‌های مجری قانون و هم برای تحقیقات دانشگاهی از اهمیت بالایی برخوردار هستند [ ۲۹ ]. کابررا-بارونا بر اساس رگرسیون حداقل مربعات معمولی و رگرسیون وزن‌دار جغرافیایی، رابطه بین انواع جرم و فقر، تراکم جمعیت و پلیس را در منطقه شهری تحلیل کرد [ ۳۰ ]. میشل کوندو با استفاده از رگرسیون خطی و مدل رگرسیون پواسون تأثیر فضای سبز و زمین های خالی جامعه را بر جرم و جنایت مورد مطالعه قرار داد [ ۳۱ ].]. کندیف از رگرسیون دوجمله ای منفی چندسطحی برای تجزیه و تحلیل رابطه بین دانشگاه ها و نرخ جرایم خشونت آمیز و دارایی استفاده کرد [ ۳۲]. نتایج نشان داد که هر چه به محوطه دانشگاه نزدیکتر باشد، پس از کنترل سایر شاخص‌های سطح شهر و جامعه، میزان جرم و جنایت بیشتر می‌شود. اگرچه مدل رگرسیون می تواند به طور مستقل میزان تأثیر عوامل را بر پدیده های جغرافیایی نشان دهد، اما به طور کامل تعامل بین عوامل را در نظر نمی گیرد و توضیح عوامل پیچیده ممکن است ناکافی باشد. جرم یک رفتار اجتماعی پیچیده است و وقوع آن نتیجه عمل مشترک عوامل اجتماعی، فردی، طبیعی و سایر عوامل محیطی است. تعامل بین عوامل را می توان ذاتاً به مکانیسم جفت بین نظریه های مختلف نسبت داد. برای مثال، نظریه بی‌سازمانی اجتماعی می‌تواند انگیزه مجرمانه را در نظریه فعالیت‌های معمول در برخی موارد تفسیر کند. در حالی که فقدان نظارت در نظریه فعالیت های معمول ممکن است تأثیر تعارضات اجتماعی را در نظریه بی سازمانی اجتماعی تفسیر کند. در مقایسه با تحلیل رگرسیون، ژئودتکتور تعامل بین عوامل را در نظر می گیرد. نیروهای محرکه پدیده های جغرافیایی را با تشخیص ناهمگونی طبقه بندی شده فضایی (SSH) آشکار می کند، که به این معنی است که روشی موثر و مناسب برای توضیح محرک های پیچیده جرم است. اگرچه ژئوآتشگر به طور موثر می تواند تأثیر متقابل عامل بر پدیده های جغرافیایی را تشخیص دهد، اما نمی تواند همبستگی های مثبت یا منفی عوامل مستقل را تعیین کند و فاقد توانایی مدل های رگرسیون برای شبیه سازی ویژگی های متغیرهای وابسته است. در حال حاضر، درک ضعیف و مطالعات اندکی از عوامل ترکیبی رگرسیون و تعامل برای کشف عوامل مؤثر بر جرم مالکیت وجود دارد. بنابراین، این مقاله با ترکیب رگرسیون عاملی و تعامل از طریق مجموعه عوامل محیطی، تفسیر عوامل متعدد بر تراکم فضایی جرم ملکی در منطقه مورد مطالعه را مورد بررسی و سنجش قرار داد.

۲٫ مواد و روشها

۲٫۱٫ مطالعه موردی

لانژو یک مرکز تجاری مهم و مرکز حمل و نقل جامع در شمال غربی چین با سابقه طولانی است، و همچنین یک شهر مهم در کمربند اقتصادی جاده ابریشم و یک محل ورودی مهم برای جمعیت شناور در شمال غربی چین است. این کشور دارای ۵ ناحیه و ۳ شهرستان با مساحت ۱۳۱۰۰ کیلومتر مربع و جمعیت ساکن در حدود ۴٫۳۸ میلیون نفر است. لانژو شهری چند قومی با ۵۶ گروه قومی است که پرجمعیت ترین گروه هان ها هستند که ۹۵٫۸۸ درصد از جمعیت شهر را تشکیل می دهند. اکثر مردم در منطقه مرکزی شهری، منطقه چنگ گوان، منطقه شیگو، ناحیه آنینگ و منطقه کیلیه زندگی می کنند ( شکل ۱).). منطقه شهری مرکزی تنها ۲٫۷۵ درصد از مساحت شهر را به خود اختصاص داده است، اما ۶۷٫۷۰ درصد از جمعیت شهر را با میانگین تراکم جمعیت ۲۷۱۶ نفر در کیلومتر مربع تشکیل می دهد و منطقه ای با تراکم جمعیت بالا است. لانژو به عنوان یک شهر مرکزی مهم در شمال غربی چین، تعداد زیادی از مهاجران شناور را به خود جذب کرده است. هجوم جمعیت نه تنها نیروی کار ارزان را برای ساخت و ساز شهری فراهم می کند، بلکه تجمع جمعیت با تراکم بالا نیز فشاری را بر مدیریت امنیت عمومی شهر وارد می کند. بنابراین، انتخاب شهر مرکزی لانژو به عنوان منطقه مورد مطالعه برای عوامل محرک جرم و جنایت دارای اهمیت اجتماعی مهمی است.

۲٫۲٫ منابع داده و پیش پردازش

ما داده‌های مربوط به جرایم دارایی (از جمله سرقت، سرقت، سرقت وسایل نقلیه موتوری و سرقت) و عوامل تأثیرگذار بر محیط‌زیست آن‌ها را از منابع مختلف جمع‌آوری کردیم. برای تحلیل ناهمگونی فضایی از سوابق جرایم اموال به عنوان متغیر وابسته استفاده شد. این مجموعه داده به صورت رایگان از China Judgments Online [ ۳۳ ] دانلود شده است که شامل زمان، مکان و دسته جرم می شود. به طور گسترده مورد استفاده قرار گرفته و ثابت شده است که در انعکاس الگوی فضایی جرم شهری در چین موثر است [ ۳۴ , ۳۵ , ۳۶]. ما در مجموع ۲۲۰۷ پرونده جرم ملکی را که از سال ۲۰۱۴ تا ۲۰۱۶ در منطقه مرکزی شهری لانژو رخ داده است استخراج کردیم و برای تعیین موقعیت مکانی آنها به صورت کد جغرافیایی کدگذاری شدند.
با توجه به پیچیدگی شرایط جرم، یک چارچوب شامل ۱۰ عامل متغیر نماینده از فعالیت های انسانی، اجتماعی-اقتصادی و زیرساختی به عنوان عوامل خطر بالقوه برای تجزیه و تحلیل اثر این عوامل بر جرم دارایی طراحی شد ( شکل ۲ و جدول ۱ را ببینید). تراکم جمعیت و روشنایی شب نشان دهنده شدت فعالیت انسان است [ ۳۷ ، ۳۸ ]. تراکم شبکه جاده‌ای، فاصله تا ایستگاه‌های پلیس، فاصله تا جاده‌های اصلی و فاصله تا ایستگاه‌های اتوبوس نشان‌دهنده درجه کامل زیرساخت و دسترسی ترافیکی است [ ۲۴ ، ۳۹ ، ۴۰ ، ۴۱ ]]. تا حدودی، متوسط ​​قیمت مسکن با سطح درآمد محلی مرتبط است و شکاف در سطوح درآمد، جرم را تشدید می‌کند [ ۴۲ ، ۴۳ ]. تراکم سرگرمی، تراکم هتل و تراکم مغازه منعکس کننده محیط کسب و کار است، و ممکن است قربانیان بالقوه بیشتری در مناطق مرفه تر وجود داشته باشد [ ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ ]، و آنها نیز به عنوان متغیرهای مستقل معرفی شدند.
داده های جمعیت از نظرسنجی جمعیت جامعه توسط اداره امنیت عمومی شهرداری لانژو به دست آمده است. داده های نور شب با وضوح ۵۰۰ × ۵۰۰ متر از NPP-VIIRS [ ۴۸ ] به دست آمد. با توجه به اینکه اثر سایه‌اندازی تاج پوشش گیاهی در زمستان ضعیف‌تر از سایر فصول است، تصاویر نور شب در زمستان می‌توانند محیط شهری را با وضوح بیشتری تشخیص دهند [ ۴۹ ]، داده‌های تصویر مصنوعی در سال ۲۰۱۶ انتخاب شدند. تصویر اثر اشباع نور را حذف کرد، نسبت سیگنال به نویز را بهبود بخشید و نویز آشکار را حذف کرد. در این مطالعه، تصویر به منظور تسهیل تجزیه و تحلیل مجددا طبقه بندی شد و محدوده مقدار پیکسل ۰-۴۰۰ است. داده های شبکه جاده ها از OpenStreetMap [ ۵۰]، و پس از پیش پردازش مانند بررسی قوانین توپولوژیکی، ویرایش و اصلاحات بر اساس داده های نظارت بر شرایط ملی جغرافیایی در لانژو به دست آمد. داده های قیمت خانه از وب سایت “Anjuke” [ ۵۱ ] دانلود شد. پس از پاکسازی داده ها و فضایی سازی، میانگین رکوردهای قیمت خانه ۲۶۶۱ جامعه در منطقه اصلی شهری لانژو در سال ۲۰۱۶ به دست آمد. داده‌های POI شامل ایستگاه‌های پلیس، ایستگاه‌های اتوبوس، مکان‌های تفریحی، هتل‌ها و فروشگاه‌ها از Amap [ ۵۲ ] مشتق شده‌اند.]. آنها با فراخوانی Amap API در منطقه مورد مطالعه از طریق برنامه نویسی پایتون به دست آمدند. پس از پاکسازی داده ها، تبدیل مختصات و تطبیق، ۴۰۵۲۴ رکورد معتبر از جمله ۸۶ ایستگاه پلیس، ۹۹۴ ایستگاه اتوبوس، ۲۶۳۲ مکان تفریحی، ۳۰۵۳ هتل و ۳۳۷۵۹ فروشگاه به دست آمد. برای تجزیه و تحلیل بعدی، تراکم مغازه با توجه به روش نقطه شکست طبیعی به پنج کلاس تقسیم شد: تعداد بسیار کمی از مغازه ها (سطح ۱: <3/km2 ) ، مغازه های کمتر (سطح ۲ : ۳-۸/km2 )، مغازه های متوسط ​​( سطح ۳: ۸-۱۵/km ۲ )، مغازه های بیشتر (سطح ۴: ۱۵-۵۰/km ۲ ) و مغازه های بیش از حد (سطح ۵: > 50/km ۲ )). برخی از هتل‌ها، مکان‌های تفریحی و فروشگاه‌ها از نظر فضایی با هم همپوشانی دارند، که به این موضوع مربوط می‌شود که بیشتر این سه نوع تسهیلات در مناطقی با تردد عابر پیاده بالا در منطقه تجاری واقع شده‌اند.
۱۴۵۴ شبکه منظم به ابعاد ۵۰۰ × ۵۰۰ متر در منطقه مورد مطالعه ایجاد شد و شمارش جرم اموال و ۱۰ متغیر عامل برای هر شبکه استخراج شد.
در جدول ۱ ، Y تعداد جرایم مالکیت در گرید است. در بین شبکه های جغرافیایی ۱۴۰۵، max( Y ) = ۶۳، min( Y ) = ۰، E( Y ) = ۱٫۵۱٫ به عنوان شبکه معمولی، تمام مساحت شبکه ها یکسان است، بنابراین متغیر Y نیز تراکم جرایم مالکیت است. تجزیه و تحلیل ما بر توضیح تفسیر در رابطه بین تراکم جرم دارایی و عوامل محیطی در طول ۳۵۰٫۴۲ کیلومتر مربع متمرکز است .سلول های شبکه ای در منطقه مورد مطالعه جرم یک رویداد احتمال کوچک است، مدل پواسون، مدل پواسون با تورم صفر، مدل اثر مختلط، مدل دوجمله ای منفی و مدل سازی مستقیم وابستگی فضایی با استفاده از میدان های تصادفی در تحقیق آن ارائه شده است. برخی از محققان شروع به درک مزایای مدل بیزی برای ناهمگونی فضایی کردند، تعداد فزاینده ای از محققان مدل بیزی را برای مطالعه جغرافیای جنایی معرفی کردند [ ۵۳ ، ۵۴ ، ۵۵ ، ۵۶ ، ۵۷ ]. محققان عوامل محیطی در خشونت خانگی [ ۵۳ ، ۵۷ ]، و عوامل محیطی در جرایم خیابانی [ ۵۸ ] را بررسی کردند.]. در آمار بیزی، پارامترها به عنوان متغیرهای تصادفی در نظر گرفته می شوند که بر حسب احتمالات بیان می شوند. استنتاج بیزی بر اصلاح باورهای قبلی در مورد مقادیر پارامترها توسط داده های بعدی متمرکز است.

۲٫۳٫ روش شناسی

چارچوب کل مطالعه در شکل ۳ نشان داده شده است . ابتدا، ما از میانگین نزدیکترین همسایه و تخمین تراکم هسته برای بررسی ناهمگونی توزیع فضایی جرم استفاده کردیم. سپس، ما از رگرسیون بیزی و ژئوآشکار برای بررسی مشترک عوامل محرک در جرم مالکیت استفاده کردیم.

۲٫۳٫۱٫ میانگین نزدیکترین همسایه

شاخص میانگین نزدیکترین همسایه ( ANN ) می تواند برای تعیین اینکه آیا الگوی نقطه تصادفی، پراکنده یا خوشه ای بین هر نقطه و نزدیکترین نقطه همسایه آن در یک لایه است استفاده شود [ ۵۹ ، ۶۰ ، ۶۱ ]. این مقاله شاخص ANN را برای اندازه‌گیری الگوی تجمع فضایی پرونده‌های جرم ذکر کرد.

آننمن=r¯r0
r¯=∑منnدمنn
r0=0.5n/آ

جایی که، آننمنشاخص ANN است. r¯مقدار متوسط ​​نزدیکترین فاصله واقعی پرونده های جرم است. r0مقدار مورد انتظار نزدیکترین فاصله است. دمننزدیکترین فاصله واقعی است. n تعداد موارد جرم است. A مساحت منطقه مورد مطالعه است. اگر آننمن< 1، الگوی خوشه بندی را نشان می دهد، اگر آننمن > ۱، الگوی پراکنده است، اگر آننمن = ۱، الگوی تصادفی است.

۲٫۳٫۲٫ تخمین چگالی هسته

تخمین تراکم هسته (KDE) از تابع هسته برای به دست آوردن مقدار تخمینی هر نقطه از تابع چگالی استفاده می کند که تقریباً می تواند توزیع داده ها را نشان دهد، به طوری که احتمال وقوع عناصر نقطه را در مکان های جغرافیایی مختلف نشان دهد و الگوهای توزیع را منعکس کند. و ویژگی های عناصر نقطه ای در فضا. هر چه تراکم هسته بیشتر باشد، نقاط چگالی تر و بالعکس، پراکندگی بیشتری دارند. فرمول به شرح زیر است:

fnw=1nساعت∑من=۱nکw-دبلیومنساعت،

که در آن h پهنای باند است. دبلیومنمختصات محل نقطه i را نشان می دهد . n تعداد نقاط در شعاع جستجو است. ک w-دبلیومنساعتتابع هسته است.

۲٫۳٫۳٫ همبستگی پیرسون

ضریب همبستگی پیرسون جهت و درجه تغییر روند بین دو متغیر تصادفی را نشان می دهد [ ۶۲ ]. این مطالعه از ضریب همبستگی پیرسون برای بررسی تأثیر ۱۰ عامل بر جرم مالکیت و منطقی بودن انتخاب متغیر استفاده کرد. ضریب همبستگی پیرسون به طور گسترده در تشریح محیط، اقلیم، اکولوژی و غیره استفاده شده است.

ρایکس،y=∑من=۱ن ایکسمن-ایکس¯Yمن-Y¯∑من=۱نایکسمن-ایکس¯۲∑من=۱نYمن-Y¯۲،

که در آن محدوده مقدار [–۱، ۱] است. ۰ به این معنی است که بین این دو متغیر همبستگی وجود ندارد. مقادیر مثبت و منفی به ترتیب نشان دهنده همبستگی مثبت و منفی است. هر چه مقدار بالاتر باشد، همبستگی قوی تر است.

۲٫۳٫۴٫ رگرسیون خطی بیزی

BLR یک الگوریتم ساده، کارآمد و کلاسیک است که کاربردهای عملی مرتبط در بسیاری از زمینه ها دارد [ ۶۳ ]. می تواند به طور موثری با معرفی گاوسی قبل از دستیابی به پارامتر جریمه برای پارامتر (بردارها) از وقوع اضافه برازش جلوگیری کند [ ۶۴ ]. برای یک بردار تصادفی θ(به عنوان یک پارامتر در نظر گرفته می شود) و یک بردار تصادفی y(به عنوان داده های نمونه در نظر گرفته می شود)، فرمول بیزی به شرح زیر است:

پθ|y=پ(y|θ)پθپy،

جایی که پθ|yتوزیع خلفی است. پθتوزیع قبلی برای پارامترها است. پ(y|θ)توزیع نمونه گیری داده ها است. و پyچگالی توزیع حاشیه ای y است.

رگرسیون خطی بیزی (BLR) یک مدل رگرسیون خطی است که توسط روش احتمالی بیزی استنباط شده است که دارای ویژگی های اساسی مدل آماری بیزی است [ ۶۵ ]. داده های نمونه را به صورت تعریف کنید ایکسمن=ایکس۱،ایکس۲،…ایکسn∈ آرn، Yمن=Y1،Y2،🔻YnX متغیر مستقل است، Yمتغیر وابسته است و n تعداد نمونه ها است، سپس مدل BLR:

f(ایکسمن)=ایکسمنتیw
Y=f(ایکسمن)+ε،

جایی که wضریب وزنی است، ε باقیمانده است.

۲٫۳٫۵٫ بهترین انتخاب زیر مجموعه
انتخاب بهترین زیرمجموعه روشی است که هدف آن یافتن زیرمجموعه ای از متغیرهای مستقل ( Xi ) است که می تواند نتیجه ( Y ) را به بهترین شکل پیش بینی کند و این کار را با در نظر گرفتن همه ترکیبات ممکن از متغیرهای مستقل انجام می دهد [ ۶۶ ]. مراحل اصلی محاسبه به شرح زیر است: ① مدل‌ها را با متغیرهای پیش‌بینی ۱ تا p برازش کنید و n مدل بهینه را با توجه به معیار «حداکثر R2 تنظیم‌شده » (R ۲ adj ) انتخاب کنید . ② با توجه به R ۲ adj ، بهترین ترکیب متغیرهای مستقل را از p انتخاب کنیدمدل ها. ③ ضریب تعیین ( R2 ) ، معیار اطلاعات آکایک (AIC) و معیار اطلاعات بیزی (BIC) مدل‌های بهینه p به نوبه خود برای ارزیابی جامع نتایج بهترین انتخاب زیرمجموعه محاسبه می‌شوند. R2 برای ارزیابی جامع برازش Y استفاده می شود . هرچه R2 به ۱ نزدیکتر باشد، دقت برازش رگرسیون بالاتر است. AIC و BIC برای اندازه‌گیری اثر برازش عالی مدل آماری مبتنی بر آنتروپی استفاده می‌شوند، که می‌تواند به طور موثر از پدیده بیش از حد برازش جلوگیری کند [ ۶۷ ]] و هر چه مقدار آن کوچکتر باشد، مدل بهتر می تواند متغیرهای وابسته را با کمترین تعداد متغیر توضیح دهد.
۲٫۳٫۶٫ ژئو دتکتور
ژئودتکتور یک مدل آماری برای تجزیه و تحلیل داده های مکانی است که تئوری اصلی آن تعیین شباهت توزیع فضایی دو متغیر از طریق دیدگاه ناهمگنی طبقه بندی شده فضایی است [ ۶۸ ]. می توان آن را به صورت رایگان از وب سایت [ ۶۹ ] دانلود کرد. در مقایسه با سایر روش‌های تحلیل فضایی، ژئودتکتور دو مزیت اصلی دارد. اولاً، می تواند از داده های کمی و کیفی استفاده کند. ثانیاً، می‌تواند تأثیر دو متغیر توضیحی متقابل را بر یک متغیر هدف مشخص تعیین کند. توابع ژئودتکتور شامل آشکارساز عامل، آشکارساز تعامل، آشکارساز اکولوژیکی و آشکارساز خطر است که سه عملکرد اول عمدتاً در این مقاله استفاده شده است.
(۱)

آشکارساز عامل: مقدار آشکارساز عامل q ، SSH متغیر Y یا توان تعیین کننده متغیر توضیحی X از Y را اندازه گیری می کند . محاسبه این است؛

q=1-∑ساعت=۱Lنساعتσساعت۲نσ۲=۱-اساسدبلیواساستی
اساسدبلیو=∑ساعت=۱Lنساعتσساعت۲  اساستی=نσ۲

که در آن، h = ۱،۲، … n . L طبقه بندی یا لایه متغیر ( Y ) یا عامل ( X ) است. نساعتو نتعداد واحدها در لایه h و کل مساحت به ترتیب هستند. σساعت۲و σ۲واریانس مقدار ( Y ) لایه h و کل مساحت است. SSW و SST به ترتیب مجموع مربع های درون و مجموع مجموع مربع ها هستند. محدوده مقدار q [۰، ۱] است و مقدار بزرگتر q نشان دهنده قدرت توضیحی قوی تر متغیر مستقل X برای ویژگی Y و بالعکس است. در حالت شدید، مقدار q برابر با ۱ نشان می‌دهد که عامل X به طور کامل توزیع فضایی Y را کنترل می‌کند ، مقدار q ۰ نشان می‌دهد که عامل X هیچ رابطه‌ای با Y ندارد ، و aمقدار q نشان می دهد که X ۱۰۰ × q % Y را توضیح می دهد.

(۲)
آشکارساز برهمکنش: آشکارساز تعامل، برهمکنش های بین عوامل را شناسایی می کند. با قضاوت در مورد اینکه آیا عمل مشترک دو عامل باعث افزایش یا تضعیف قدرت توضیحی متغیر ( Y ) می شود یا اینکه تأثیرات این عوامل بر ( Y ) مستقل از یکدیگر از جدول ۲ است. روش قضاوت این است که مقدار q دو عامل محرک مختلف را بر روی متغیر Y محاسبه کنیم : q ( Xi ) و q ( Xj )، سپس نتیجه تعامل مقدار q دو عامل محرک مختلف را محاسبه می‌کند ( q (X i ∩ X j : توزیع چندضلعی جدید که از مماس دو لایه متغییرهای روی هم قرار داده شده X i و X j تشکیل می شود و در نهایت نتایج محاسبه شده q ( X i ) ، q ( X j ) و q را مقایسه می کنیم. ( X i ∩ X j );
(۳)

تشخیص اکولوژیک: آشکارساز اکولوژیکی تفاوت تأثیرات بین دو متغیر توضیحی را شناسایی می کند. به عنوان شاخص آزمون، F به صورت زیر تعریف می شود:

اف=نایکس۱(نایکس۲-۱)اساسدبلیوایکس۱نایکس۲(نایکس۱-۱)اساسدبلیوایکس۲،

جایی که نایکس۱و نایکس۲اندازه نمونه دو عامل را مشخص کنید. اساسدبلیوایکس۱و اساسدبلیوایکس۲مجموع واریانس درون لایه ای دو عامل تشکیل دهنده لایه را نشان می دهد.

۳٫ نتایج و تجزیه و تحلیل

۳٫۱٫ تحلیل ناهمگونی توزیع فضایی جرم اموال

نتیجه میانگین نزدیکترین همسایه نشان داد که آننمنشاخص ۰٫۲۹۳ و z-score 63.511- بود که آزمون را در سطح معنی‌داری ۰٫۰۱ گذراند و به یک الگوی خوشه‌ای فضایی معنی‌دار تعلق داشت. تجزیه و تحلیل بیشتر با استفاده از روش KDE انجام شد و نتیجه در شکل ۴ نشان داده شد .
توزیع جرم مالکیت در منطقه اصلی شهری لانژو دارای ناهمگونی فضایی، با الگوی چند مرکزی محلی بود. در سرتاسر منطقه مورد مطالعه، مکان‌های جرم و جنایت به‌طور تصادفی توزیع نشده‌اند، بلکه در برخی «نقاط داغ» کوچک متمرکز شده‌اند. نتایج نشان داد که بیش از نیمی از پرونده های جرم در ۴٫۳۳ درصد از منطقه متمرکز بوده و حتی تا ۷۲٫۲۲ درصد از پرونده های جرم در ۸٫۶۰ درصد از منطقه مورد مطالعه متمرکز شده است که با مطالعات قبلی مطابقت دارد [ ۷۰ ]. در شکل ۴، کانون های جرم و جنایت به شرح زیر بود: کانون جرم c در نزدیکی CBD (منطقه تجاری مرکزی) در منطقه Chengguan، جایی که معروف ترین مراکز ورزشی شهر، مراکز خرید با درجه بالا، ایستگاه های راه آهن، هتل های درجه یک و ساختمان های اداری است، قرار داشت. شرکت های بزرگ داخلی مستقر شدند. علاوه بر صنعت توسعه یافته تجاری، اقامتی و پذیرایی، کالج ها و دانشگاه ها با تعداد زیادی از جوانان، حمل و نقل توسعه یافته و سطح بالایی از توسعه اقتصادی وجود داشت. کانون های جرم و جنایت b و d به ترتیب در نواحی شهری قدیمی منطقه Qilihe و Chengguan قرار داشتند، جایی که مسکن های عمومی متراکم ویران، امکانات تجاری عالی، مدارس، امکانات پذیرایی گردشگری و بزرگترین منطقه تجمع اقلیت های قومی در شهر وجود داشت. کانون جرم و جنایت a در روستاهای شهری معمولی منطقه شیگو واقع شده بود، جایی که جمعیت زیادی شناور در آن جمع شده بودند. برون زا بودن اعضای اجتماعی، ناهمگونی فرهنگی و آسیب پذیری گروهی در این مناطق برجسته بود که مدیریت دولت را دشوار می کرد.۷۱ ]. به عنوان مرکز سنتی سیاسی، فرهنگی و آموزشی لانژو، کرانه جنوبی رودخانه زرد با اقتصاد به خوبی توسعه یافته دارای زیرساخت های سالم، جمعیت متراکم و همچنین منطقه ای با شیوع بالای جرایم اموال بود.

۳٫۲٫ تحلیل رگرسیون خطی بیزی

۳٫۲٫۱٫ تست چند خطی و تحلیل پیرسون

آمار داده های متغیر در جدول ۳ نشان داده شده است. همبستگی قوی بین متغیرها ممکن است باعث اعوجاج تخمین مدل شود، بنابراین لازم است تست های چند خطی روی متغیرهای مستقل انجام شود. فاکتورهای تورم واریانس (VIF) همه متغیرهای مستقل کمتر از ۴٫۰ و تحمل همه متغیرهای مستقل (۱/VIF) بیشتر از ۰٫۳ بود که با فرض استقلال ویژگی های مدل رگرسیون مطابقت داشت [ ۷۲ ]. در همین حال، ضرایب همبستگی پیرسون بین هر متغیر مستقل و متغیر وابسته Y برای تایید منطقی بودن انتخاب متغیر مستقل محاسبه شد ( شکل ۵).). نتایج آزمون معناداری را در سطح معناداری ۰۱/۰ قبول کردند.
نمودار ۵ نشان داد که اکثر عوامل دارای همبستگی متوسط ​​یا قوی با توزیع جرم هستند و هفت عامل با توزیع جرم همبستگی مثبت داشتند که در این میان حداکثر مقدار ضریب همبستگی پیرسون ۷۴۴/۰ و تراکم مغازه (۱۰X ) برابر بود. مهمترین عامل توزیع جرم در منطقه مورد مطالعه.
۳٫۲٫۲٫ مدل رگرسیون با ترکیب بهینه متغیرهای مستقل

برای هر مدل زیرمجموعه، ترکیب متغیرها توسط R ۲ adj تعیین شد و در مجموع ۱۰ مدل رگرسیون به دست آمد که به طور جامع برازش با متغیر وابسته Y توسط R ۲ ارزیابی شد. هر چه R2 به ۱ نزدیکتر باشد، دقت برازش رگرسیون بالاتر است. معیار اطلاعات آکایک (AIC) و معیار اطلاعات بیزی (BIC) معیارهایی برای اندازه‌گیری برازش خوب مدل‌های آماری مبتنی بر آنتروپی هستند که می‌توانند به طور موثری از پدیده اضافه برازش جلوگیری کنند و مقادیر کوچک‌تر آنها نشان می‌دهد که مدل می‌تواند به بهترین وجه وابستگی را توضیح دهد. متغیر با حداقل تعداد متغیر نتایج R2 ، AIC و BIC برای ۱۰ مدل رگرسیون در شکل ۶ نشان داده شده است. به طور کلی، با افزایش تعداد متغیرهای مستقل مدل، R ۲ به تدریج افزایش یافت که در شرایط مدل با برازش بیش از حد اتفاق می افتد. شکل ۶ نشان داد که روند افزایشی R ۲ به تدریج کاهش یافت و زمانی که تعداد متغیرهای مستقل n بیشتر از ۴ بود ، پایدار شد. زمانی که n = ۴، مقدار BIC به کمترین مقدار رسید، و سپس به تدریج افزایش یافت، که نشان می دهد مدل از آن زمان بیش از حد برازش شده بود و اثر برازش مدل بهترین بود. وقتی n > 9، R ۲بر این اساس افزایش پیدا نکرد. بنابراین، ما تابع رگرسیون بهینه مبتنی بر رگرسیون خطی بیزی را داریم.

Y=-0.011+0.083ایکس۱+۰٫۳۵۶ایکس۸+۰٫۰۹۹ایکس۹+۰٫۴۲۸ایکس۱۰٫
معادله ( ۱۲ ) نشان داد که چهار متغیر مستقل، تراکم جمعیت ( X ۱ )، تراکم سرگرمی ( X ۸ )، تراکم هتل ( X9 ) و تراکم فروشگاه ( X10 ) می توانند به عنوان ترکیب متغیر مستقل بهینه برای تأثیرگذاری استفاده شوند. توزیع جرایم اموال در منطقه شهری مرکزی لانژو. همچنین مشخص شد که حداکثر R ۲ در بین ۱۰ مدل رگرسیون تنها ۰٫۶۴۹۲ در شکل ۶ بود، که نشان می دهد جرم فرآیند پیچیده ای است که توسط افراد متعدد و نقش میکروسکوپی افراد و محیط شکل می گیرد. به دلیل پیچیدگی ذاتی آن، تنظیم آن با دقت بالا دشوار است [۷۳ ].
۳٫۲٫۳٫ تحلیل عوامل مستقل در توزیع جرم
ضرایب همبستگی پیرسون در جدول ۳ نشان داد که قیمت خانه ( ۷ X )، تراکم سرگرمی ( ۸ X )، تراکم هتل ( ۹ X ) و تراکم مغازه ( ۱۰ X ) با توزیع جرم همبستگی مثبت دارند که با معادله ( ۱۰) مطابقت دارد. ۱۲). تراکم فروشگاه ( X ۱۰ ) متغیر مستقل با بزرگترین ضرایب مطلق در رابطه (۱۲) بود که با قوی ترین رابطه توسط ضریب همبستگی پیرسون در جدول ۳ مطابقت داشت . فاصله تا ایستگاه های پلیس ( X ۴) با توزیع جرم از جدول ۳ همبستگی منفی داشت و ضریب همبستگی پیرسون ۰٫۳۲۴- بود. این بدان معناست که موارد جنایات بیشتری در مناطق نزدیک به مقامات پلیس رخ داده است.
نورپردازی شبانه اغلب برای مطالعه مشکلات فضایی بزرگ مانند گسترش شهری، تراکم اقتصادی و فعالیت های انسانی مورد استفاده قرار می گرفت، در حالی که کمتر در زمینه جغرافیای جرم و جنایت کاربرد داشت. راه اندازی ماهواره سنجش از دور نور شب NPP و دسترسی آزاد به داده ها امکان استفاده از داده های نور شب را برای مطالعه جرایم شهری فراهم می کند.
نمونه های جرم بر حسب زمان ارتکاب جرم به دو دسته جرم ارتکابی در روز و جرم ارتکابی در شب تقسیم شدند. رابطه آماری بین دو دسته و شدت نور شب در شکل ۷ نشان داده شده است. برازش مقدار R ۲ با جرم ارتکابی در شب ۰٫۱۹۱ بود که نشان می‌دهد شدت نور شب در منطقه مورد مطالعه تأثیر مثبتی بر جرم ارتکابی در شب داشته است، اما این تأثیر از نظر آماری معنی‌دار نبود. R ۲ _ارزش برازش با جرم انجام شده در طول روز ۰٫۱۵۹ بود که همچنان همبستگی ضعیفی داشت. تأثیر روشنایی شب بر جنایت اموال در لانژو قابل توجه نبود، که ممکن است مربوط به آب و هوای لانژو باشد. در ۳۶ درجه شمالی خط استوا، لانژو در قسمت داخلی شمال غربی چین قرار دارد که میانگین دمای سالانه آن ۱۰٫۳ درجه سانتیگراد و زمستان سرد و طولانی است. تغییرات دما بین روز و شب زیاد است و دما در شب نسبتاً پایین است. دمای پایین جامعه پذیری ساکنان در فضای باز را محدود می کند و منجر به کاهش شدت فعالیت ساکنان می شود، نقش خاصی در محدود کردن جرم مالکیت دارد [ ۷۴ ].
بر اساس تئوری فعالیت های معمول، شرایطی که منجر به رفتار جرم می شود شامل بزهکاران با انگیزه، اهداف مناسب و عدم پیشگیری از جرم است. رابطه بین قیمت مسکن و جرم ملکی را می توان برحسب دو عنصر اخیر در نظر گرفت. از یک سو، قیمت خانه نشان دهنده سطح درآمد جامعه تا حد معینی است، دستاوردهای بزرگ یک جنایت موفق از سوی ثروتمندان مجرمان جرم را جذب می کند، و ممکن است در جوامع با سطح درآمد بالاتر قربانیان بیشتری وجود داشته باشد. از سوی دیگر، قیمت خانه معمولاً متناسب با سطح مدیریت امنیت عمومی در جامعه است و هر چه قیمت خانه بالاتر باشد، اقدامات مدیریت امنیتی ممکن است کاملتر باشد [ ۷۵ ].
نمودار ۸ نشان می دهد که جرم ملکی در منطقه مورد مطالعه عمدتاً در جوامع مسکونی با قیمت خانه از ۸۰۰۰ تا ۱۴۰۰۰ ¥/m2 رخ داده است و چند پرونده جنایی نیز در جوامع با قیمت خانه کمتر از ۷۵۰۰ ¥/m2 رخ داده است . یا بیش از ۲۰۰۰۰ ¥/m2 ، و اوج جنایت در جوامع با قیمت خانه حدود ۱۳۰۰۰ ¥/m2 بود . اکثر جوامع با قیمت خانه زیر ۷۵۰۰ ¥/m2 در حومه شهر قرار داشتند ( شکل ۸)ب) در جایی که جمعیت نسبتاً پراکنده بود، بیشتر مالکان یا مستأجران کارگران مهاجر یا گروه های کم درآمد بودند. عواید و میزان موفقیت کم بود و برای مجرمان جذابیت کمتری داشت. جوامع با قیمت خانه از ۸۰۰۰ تا ۱۴۰۰۰ ¥/m2 عمدتاً در منطقه مرکزی شهری قرار داشتند ( شکل ۸ ج)، با تراکم جمعیت بالا، حمل و نقل راحت، و اکثر مالکان درآمد پایدار داشتند. اوج جنایت در جوامع با قیمت خانه حدود ۱۳۰۰۰ ¥/m2 بود ( شکل ۸آ). بیشتر این جوامع در اطراف شلوغ‌ترین منطقه تجاری شهری، با تراکم جمعیت بالا، شبکه‌های جاده‌ای متراکم، فضای باز جامعه بالا و محیط ساختمان پیچیده قرار داشتند که زمینه‌های مناسبی برای رشد جرم و جنایت بودند [ ۷۶ ]. جوامع با قیمت خانه بیش از ۲۰۰۰۰ ¥/m ۲ بیشتر در منطقه ویلا قرار داشتند ( شکل ۸د) جایی که امکانات امنیتی نسبتاً کامل بود، با مدیریت دقیق ورود و خروج افراد خارجی و تجهیزات نظارتی کامل. بر اساس تئوری انتخاب منطقی، سطح درآمد کلی مالکان در منطقه ویلا بالاتر است، در حالی که خطر وقوع جرم در منطقه ویلا اغلب بیشتر از عواید حاصل از جرم است. مجرمان به ندرت از طریق مبادله منطقی بین ریسک و عواید، ارتکاب جرم را انتخاب می کنند، بنابراین موارد جرم کمتری در منطقه ویلا وجود داشت [ ۷۵ ].
نتایج جدول ۳ و شکل ۸ نشان داد که منحنی رابطه بین پرونده های جرم ملکی و قیمت مسکن منحنی توزیع نرمال را نشان می دهد. در محدوده ۰ تا ۱۳۰۰۰ ¥/m2 ، با افزایش قیمت خانه، پرونده های جرم ملکی افزایش یافت، پس از بیش از ۱۳۰۰۰ ¥/m2 ، موارد جرم با افزایش قیمت خانه کاهش یافت. ضریب همبستگی پیرسون نشان داد که بین قیمت مسکن و جرم همبستگی مثبت وجود دارد، ممکن است پرونده های جرم عمدتاً در نیمه اول منحنی توزیع نرمال توزیع شده باشد که با افزایش قیمت مسکن، موارد جرایم اموال کاهش یافته است.

۳٫۳٫ تجزیه و تحلیل نتایج ژئو آشکارساز

۳٫۳٫۱٫ عوامل غالب در جرایم اموال

قدرت توضیحی عوامل موثر بر جرم اموال با مقدار q در شکل ۹ اندازه گیری شد . عوامل قدرت توضیحی به صورت زیر رتبه بندی شدند: تراکم فروشگاه ( X ۱۰ ) > تراکم هتل ( X ۹ ) > تراکم سرگرمی ( X ۸ ) > میانگین قیمت خانه ( X ۷ ) > تراکم شبکه جاده ( X ۳ ) > فاصله تا ایستگاه های پلیس (X 9) X ۴ ) > تراکم جمعیت ( X ۱ ) > شدت نور شب ( X ۲ ) > فاصله تا ایستگاه های اتوبوس ( X ۶ ) > فاصله تا جاده های اصلی (X ۵ ). تراکم مغازه ( q = ۰٫۵۶)، تراکم هتل ( q = ۰٫۴۷)، تراکم سرگرمی ( q = ۰٫۴۶) و قیمت خانه ( q = ۰٫۳۰) چهار محرک قدرتمند بودند. این نشان داد که عوامل تجاری که با عواید حاصل از جرم مرتبط بودند، مهم‌ترین عوامل جرایم دارایی هستند که با مطالعات قبلی همخوانی دارد [ ۷۷ ].
۳٫۳٫۲٫ تفاوت بین عوامل
تشخیص بوم شناختی نشان داد که آیا تفاوت های قابل توجهی در تأثیر عوامل مختلف بر جرم مالکیت وجود دارد یا خیر. نتایج تشخیص جدول ۴ نشان داد که بین هفت زوج از متغیرها تفاوت معنی داری وجود ندارد و بین اکثر متغیرها تفاوت معنی داری وجود دارد. ترکیب با نتایج آشکارساز عامل، ما تراکم مغازه ( X ۱۰ )، تراکم هتل ( X ۸ ) و تراکم سرگرمی ( X ۷ ) را ارائه کردیم.) عوامل کلیدی برای جرم و جنایت در منطقه اصلی شهری لانژو بودند که با نتایج رگرسیون خطی بیزی نیز مطابقت داشت. تمرکز فضایی اموال، اهداف جذابی را برای جرم و جنایت اموال فراهم کرد.
۳٫۳٫۳٫ تأثیر متقابل عوامل بر جرایم اموال
آشکارساز تعامل نشان داد که تأثیر هر دو عامل افزایش دو عاملی است، که نشان می دهد هیچ عامل مستقلی از دیدگاه سیستم وجود ندارد. برهمکنش بین اکثر عوامل تأثیرگذار، افزایش دوتایی را نشان داد (از جدول ۳ ). شکل ۱۰ و شکل ۱۱ نشان دادند که سه تعامل قوی تراکم مغازه ∩ تراکم هتل ( q ( X ۱۰ ∩ X ۹ ) = ۰٫۷۲۸)، تراکم مغازه ∩ تراکم جمعیت ( q ( X ۱۰ ∩ X ۱ ) ۳ = ۰٫۶۸ بود. ∩ تراکم سرگرمی ( q ( X10 ∩ X ۸ ) = ۰٫۶۸۶)، و قدرت توضیحی بین تراکم فروشگاه و سایر عوامل محیطی نیز در بالای همه تعاملات قرار گرفت. این نشان داد که در منطقه مرکزی شهری لانژو، تراکم مغازه غالب‌ترین عامل بر جرایم دارایی نسبت به سایر عوامل بوده، تعامل قوی با عوامل محیطی داشته و به یک کاتالیزور مهم برای وقوع جرم ملکی تبدیل شده است.
از شکل ۱۱ ، دریافتیم که بدون عوامل تجاری (تراکم فروشگاه، تراکم هتل، تراکم سرگرمی)، حداکثر مقدار q تعامل، تراکم جمعیت ∩ میانگین قیمت خانه ( q ( X ۱ ∩ X ۷ ) = ۰٫۴۶۱) بود، که مرتبط بود. به ویژگی های عملکردی شهری لانژو. به عنوان مرکز جمعیت منطقه شمال غربی، منطقه شهری اصلی لانژو دارای تراکم جمعیت بالایی است، اما فضای عملکردی شهری نسبتاً ساده است، اساساً به فضاهای مسکونی و تجاری تقسیم می شود و صنایع اولیه و ثانویه کمی دارد. زیر بالا qارزش تعامل تراکم جمعیت ∩ تراکم شبکه جاده بود ( q ( X ۱ ∩ X ۳ )= ۰٫۴۵۶) بدون فاکتورهای تجاری. این نشان داد که در مناطقی که تردد افراد زیاد و حمل و نقل مناسب وجود دارد، احتمال ارتکاب جرم بسیار بیشتر است. شبکه متراکم و توسعه یافته جاده، فرار را پس از ارتکاب جرم تسهیل می کرد. لازم به تاکید است که در کشفیات متقابل، تأثیر تراکم جمعیت به تنهایی و تراکم شبکه جاده ای به تنهایی بر جرم و جنایت معنی دار نبوده است. این بدان معناست که تنها تراکم جمعیت بالا یا حمل و نقل راحت احتمال وقوع جرم را تا حد زیادی افزایش نمی دهد، اما زمانی که این دو با هم کار کنند، احتمال وقوع جرم بسیار افزایش می یابد. این همچنین با تئوری فعالیت معمولی مطابقت داشت که جرم برای وقوع به یک قربانی بالقوه و یک محیط مناسب نیاز دارد [ ۱۷ ].
علاوه بر افزایش دوتایی، یک افزایش غیر خطی (از جدول ۳ ) بین تراکم جمعیت و شدت نور شب نیز وجود دارد ( q ( X1∩X2 ) = ۰٫۴۲۶ > q ( X1 ) + q ( X2)). هر چه تراکم جمعیت و شدت نور شب بیشتر باشد، قدرت توضیحی در مورد جرم مالکیت بیشتر است که از مجموع دو عامل به تنهایی بیشتر بود. این نشان می دهد که بین شدت نور شب و تراکم جمعیت در بین عوامل مؤثر بر جرم رابطه مکمل قوی وجود دارد و نور شب دید و راحتی بیشتری را برای مجرمان برای ارتکاب جرم در میان جمعیت فراهم می کند.
۳٫۳٫۴٫ تأثیر عوامل بر پایداری تفسیر سیستم
هر دو رگرسیون خطی بیزی و تشخیص جغرافیایی نشان دادند که تراکم مغازه مهمترین عامل تأثیرگذار بر جرم مالکیت در منطقه اصلی شهری لانژو است. طبق روش نقطه شکست طبیعی، تراکم فروشگاه به پنج درجه تقسیم شد: ۰-۳ (سطح ۱)، ۳-۸ (سطح ۲)، ۸-۱۵ (سطح ۳)، ۱۵-۵۰ (سطح ۴)، > 50 (سطح ۵)، و تغییرات سایر عوامل محیطی بر جرم مالکیت با شیب تراکم مغازه متفاوت مورد بحث قرار گرفت.
نمودار ۱۲ a نشان داد که در منطقه شهری با سطح ۱، میانگین قیمت خانه ( ۷ X ) عامل اصلی مؤثر بر جرم بوده است. با افزایش تراکم مغازه، تراکم جمعیت ( X1 ) ، تراکم سرگرمی ( X8 ) و تراکم هتل ( X9 ) به عوامل اصلی جرم تبدیل شدند و مقادیر q مدام بزرگتر می‌شدند . چه بسا با رونق تجارت، هتل ها و تفریحات اطراف نیز افزایش می یافت، این امکانات افراد بیشتری را به خود جذب می کرد و خود این مکان های تفریحی و تفریحی، مناطقی با وقوع جرم بالا بودند. هنگامی که تراکم مغازه بالاترین بود (سطح ۵)، تراکم جمعیت ( X1تراکم سرگرمی ( X ۸ ) و تراکم هتل ( X ۹ ) همچنان عوامل اصلی مؤثر بر جرم و جنایت بودند، در حالی که ارزش q قیمت مسکن ضعیف بود. منطقه با سطح ۵ در منطقه تجاری مرکزی، دور از مناطق مسکونی قرار داشت.
از شکل ۱۲ a مشاهده می شود که با افزایش مستمر تراکم فروشگاه، منحنی های مقدار q به طور قابل توجهی نوسان می کنند و حل مدل تمایل به ناپایداری دارد. این نشان می دهد که با افزایش مستمر تراکم مغازه ها و انتقال تدریجی از مناطق مسکونی به مناطق تجاری، عوامل محیطی به تدریج پیچیده شده است. این امر منجر به بی ثباتی سیستم تفسیر جرم و نوسانات شدید منحنی های قدرت توضیحی شد. برای درک بهتر مکانیسم محیطی پشت جرم دارایی، معادلات رگرسیون بین عوامل و جرم دارایی را تحت سطوح مختلف تراکم مغازه ایجاد کردیم و R2 در شکل ۱۲ نشان داده شده است.ب R2 نشان داد که با افزایش تراکم مغازه، دقت برازش عوامل مختلف با جرم ملکی بهبود یافته است.

۴٫ بحث

این مقاله عوامل محرک جرم مالکیت را با ترکیب رگرسیون عامل و تعامل عامل در شهر لانژو، چین بررسی می‌کند. ما الگوی خوشه‌ای فضایی جرم را با ANN اندازه‌گیری کردیمایندکس و KDE، روش بیزی را برای تخمین عوامل ناهمگونی فضایی جرم ارائه کردند و از بهترین مدل انتخاب زیرمجموعه برای برازش تأثیر بر متغیر وابسته با داشتن کمترین تعداد متغیر آزاد استفاده کردند. رگرسیون خطی بیزی می‌تواند ویژگی‌های متغیر وابسته را با متغیرهای مستقل شبیه‌سازی کند، اما تعاملات بین متغیرها را در نظر نمی‌گیرد که برای درک سیستماتیک پدیده‌های جغرافیایی کافی نیست. در مقایسه با مدل رگرسیونی، ژئودتکتور تعامل بین دو متغیر توضیحی به متغیر پاسخ را در فرآیند اندازه‌گیری و یافتن ناهمگونی طبقه‌بندی‌شده فضایی بررسی می‌کند که روشی مؤثر برای مطالعه عوامل محرک است. اما فاقد توانایی مدل های رگرسیون برای شبیه سازی ویژگی های متغیر وابسته است. در این مقاله، ما عوامل موثر بر توزیع پرونده های جرم و جنایت در لانژو را با هماهنگ کردن رگرسیون عامل و تعامل عامل بررسی کردیم.
به طور کلی، جرم و جنایت یک رویداد نادر است. توزیع پرونده های جرم و جنایت در منطقه اصلی شهری لانژو دارای ناهمگونی فضایی با الگوی چند مرکزی محلی بود که منعکس کننده توزیع فضایی غیرتصادفی بود. نتایج نشان داد که بیش از نیمی از پرونده های جرم در ۴٫۳۳ درصد از منطقه متمرکز بوده و حتی تا ۷۲٫۲۲ درصد موارد جرم در ۸٫۶۰ درصد از منطقه مورد مطالعه متمرکز بوده است. خطر ابتلا به جنایت به طور یکسان در یک منطقه توزیع نشده بود و مکان هایی وجود داشت که موارد جرم در آنها متمرکز شده بود که با مطالعات قبلی مطابقت داشت [ ۷۰ ، ۷۸ ]]. این کانون های جرم و جنایت دارایی عمدتاً در CBD، دانشگاه ها و همچنین محله های فقیر نشین متمرکز شده اند. CBD منطقه ای با ثروت است. کالج ها و دانشگاه ها مناطق متمرکزی از دانشجویان و همچنین محصولات الکترونیکی با ارزش بالا، مانند تلفن های همراه، لپ تاپ، آی پد و غیره هستند. بر اساس نظریه فعالیت های معمول (RAT) [ ۱۷ ]]، مجرمان چیزهای ارزشمندی را انتخاب می کنند که کوچک هستند و در همان شرایط به راحتی پنهان می شوند، یعنی مجرمان تلفن های همراه را به رایانه هایی ترجیح می دهند که حمل آن آسان نیست. ساختمان‌های محله‌های فقیرنشین فرسوده هستند، جمعیت شناور زیاد است و پیشگیری از جرم ضعیف است. اهداف جذابی که ناشی از تمرکز ثروت است و فقدان قیمومیت توانمند به دسترسی مجرمان به اهداف مناسب و ناکافی محافظت شده کمک می کند که ناهمگونی فضایی آنها توزیع فضایی جرم دارایی را تشکیل می دهد. به این ترتیب، متخلفان به عنوان علوفه جویان توصیف شده اند، که “قبل از شروع به تعقیب طعمه باید یک شکارگاه خوب پیدا کنند” [ ۷۹ ]]، سپس CBD، کالج ها، دانشگاه ها و محله های فقیر نشین محل شکار خوبی در دید مجرمان هستند که مطابق با نظریه الگوی جرم است.
هر جرمی تلاقی دو عامل در زمان و مکان است: انگیزه مجرم برای ارتکاب جرم و فرصت برای انجام عمل مورد نظر در یک موقعیت خاص [ ۸۰ ]. نتایج حاصل از عوامل مستقل نشان داد که قدرت توضیحی ( مقدار q ) عوامل مختلف بر توزیع فضایی جرم عبارتند از تراکم مغازه ( X ۱۰ ) > تراکم هتل ( X ۹ ) > تراکم سرگرمی ( X ۸ ) > میانگین قیمت خانه (X 10). X ۷ ) > تراکم شبکه جاده ای ( X ۳ ) > فاصله تا کلانتری ها ( X ۴ ) > تراکم جمعیت ( X1 ) > شدت نور شب ( X ۲ ) > فاصله تا ایستگاه های اتوبوس ( X ۶ ) > فاصله تا جاده های اصلی ( X ۵ ). تراکم فروشگاه ( q = ۰٫۵۶)، تراکم هتل ( q = ۰٫۴۷)، تراکم سرگرمی ( q = ۰٫۴۶) و قیمت خانه ( q= 0.30) چهار محرک قوی بودند و آن ۴ عامل نیز متغیرهای مستقل با بیشترین ضرایب مطلق پیرسون بودند. به عنوان عوامل منعکس کننده اهداف جذاب، تراکم مغازه، تراکم هتل، تراکم سرگرمی و قیمت خانه عوامل مهمی بر انگیزه مجرمان دارایی در تئوری انتخاب منطقی هستند. مقادیر ضریب پیرسون آن ۴ عامل همگی بزرگتر از ۰ بود. این بدان معنی است که این چهار عامل ممکن است باعث وقوع جرم ملکی شوند یا مناطقی که مقادیر بالای این چهار عامل را دارند جذابیت بیشتری برای جرم ملکی داشته باشند که به نظر می رسد بیشتر باشد. مورد قدردانی دانشمندان جنایی سنتی. همچنین مشخص شد که حداکثر R ۲در بین توابع رگرسیون تنها ۰٫۶۴۹۲ بود، یعنی جرم فرآیند پیچیده ای است که توسط افراد متعدد و نقش میکروسکوپی افراد و محیط شکل می گیرد. به دلیل پیچیدگی ذاتی آن، شبیه سازی یا پیش بینی مکان جرم با دقت بالا دشوار است.
مقادیر ضریب پیرسون فاصله تا ایستگاه‌های پلیس ( X4 )، فاصله تا جاده‌های اصلی ( X5 )، و فاصله تا ایستگاه‌های اتوبوس ( X6 ) همگی کمتر از ۰ بودند، که تأثیر منفی ضعیفی بر جرم داشتند. اگرچه عموماً اعتقاد بر این است که ایستگاه پلیس یک نقطه بازدارنده برای جرم است [ ۴۱ ]، اما پارامتری برای ارزش مورد انتظار دستگیر شدن [ ۸۰ ] است و به نظر نمی رسد برای مجرمان جذاب باشد. اگر تئوری انتخاب منطقی یا فعالیت معمول پذیرفته شود، مجرم بالقوه دورترین نقطه از ایستگاه پلیس را برای ارتکاب جرم انتخاب می کند [ ۸۱ ].]، در حالی که تعدادی از مطالعات نشان داده اند که به نظر می رسد نزدیکی به ایستگاه پلیس باعث افزایش جرایم اموال می شود [ ۷۱ ، ۸۲]. دلایل احتمالی این یافته به شرح زیر بود: گشت کلانتری بود، نه ساختمان پاسگاه، که اثر بازدارندگی مؤثرتری بر جرم داشت و هیچ مدرکی مبنی بر شدت بیشتر گشت‌زنی در اطراف ساختمان‌های کلانتری نسبت به سایر مناطق وجود نداشت. علاوه بر پیشگیری از جرم، کار روزانه پلیس شامل تعامل با جمعیت محله (مدیریت خانگی، در چین)، گوش دادن به نیازها و پیشنهادات آنها و ارائه اطلاعات قابل اعتماد برای تصمیم گیری است، بنابراین به طور کلی به جامعه، ساکنان نزدیکتر است. و امکانات تجاری یعنی به نقطه داغ جرم نزدیکتر است. اگر قربانی شدن در نزدیکی یک ایستگاه پلیس اتفاق بیفتد، قربانیان سرقت ممکن است بیشتر به پلیس اطلاع دهند [ ۷۱ ]]. ما نمی‌توانیم این احتمال را که نتایج ما تا حدی ناشی از تفاوت‌ها در نیروی انسانی پلیس و تغییر شدت گشت‌زنی باشد را کاملاً رد کنیم. این به این دلیل است که ما اطلاعات دقیق تری در مورد سوابق گشت پلیس برای ارزیابی تأثیر شدت گشت زنی در اطراف ایستگاه های پلیس بر وقوع جرم نداریم، که با خطر درک شده مجرمان جنایی مربوطه مرتبط است.
مدت‌ها تصور می‌شد که روشنایی خیابان‌ها می‌تواند بر جرم و جنایت تأثیر بگذارد، و سه پروژه تحقیقاتی در دادلی، استوک-آن-ترنت و نیویورک نشان دادند که افزایش سطح روشنایی منجر به کاهش جرم و جنایت می‌شود [ ۲۶ ، ۸۳ ].]. نتایج این مقاله نشان داد که شدت نور در منطقه مورد مطالعه بر جرم ارتکابی اثر مثبت دارد. به نظر می رسد این دو نتیجه متناقض هستند. در واقع، برای یک منطقه (مانند یک جامعه)، شدت نور در دوره های مختلف با جرم رابطه منفی دارد، یعنی بهبود نور باعث کاهش جرم در این منطقه می شود، در حالی که برای ناهمگونی فضای جرم شهرها در در همین دوره نورپردازی تاثیر مثبتی بر جرایم انجام شده دارد، یعنی هر چه شدت نور بیشتر باشد، جرایم ارتکابی نیز بیشتر می شود. رابطه بین شدت نور و جرم دارایی دارای تبیین های همبستگی متفاوتی در طرح ریزی زمانی و فرافکنی مکانی است. شدت نور شب اساساً فعالیت انسان را منعکس می کند. عواملی که فعالیت انسان را مهار می کنند، مانند سرمای شدید،

این مقاله به تحلیل همبستگی بین قیمت مسکن و جرم و جنایت املاک پرداخته است. با در نظر گرفتن تفاوت نرخ ارز کشورهای مختلف، نسبت قیمت به درآمد (PE Ratio) وارد تحلیل شد که به شرح زیر محاسبه شد:

نسبت PE = میانگین قیمت خانه شهری/ میانگین درآمد ماهانه تمام وقت شهرها،

که در آن ارزش میانگین درآمد ماهانه تمام وقت شهر برای شهر لانژو ۲۴۷۱¥/ماه [ ۸۴ ] بود و واحد میانگین قیمت خانه شهر ¥/m2 بود .

نتایج آماری نشان داد که منحنی توزیع نرمال بین تعداد جرایم دارایی و نسبت PE جامعه وجود دارد. با تعریف نسبت PE ترکیب شده و از داده های شکل ۸ محاسبه می شود، جرم در منطقه مورد مطالعه عمدتاً در جوامع مسکونی با نسبت PE از ۳٫۰ به ۶٫۰ رخ داده است، و چند پرونده جنایی در جوامع با نسبت PE کمتر از ۳٫۰ یا بالاتر از ۸٫۰ رخ داده است، اوج جرم در جوامع رخ داده است. که در آن نسبت PE حدود ۵٫۲۶ بود. مناطق با ارزش پلی اتیلن پایین عمدتاً جدا از مرکز شهر بودند، جایی که گروه های کم درآمد و متوسط ​​در آنجا جمع می شدند و سود مورد انتظار از ارتکاب جرم ناچیز بود که باعث کاهش جرایم اموال شد. ساکنان شهری ثروتمندتر عمدتاً مناطقی را با ارزش پلی اتیلن بالا جمع آوری کردند. اگرچه افراد ثروتمندتر از نظر اقتصادی برای مجرمان جذاب تر بودند، اما جداسازی افراد ثروتمند شهرنشین برای محافظت از دارایی و حریم شخصی افراد افزایش یافت. آنها در اجتماعات سرپوشیده زندگی می کردند. جوامع سرپوشیده در اکثر شهرها به طور کلی به طور کلی برنامه ریزی شده و با تدابیر امنیتی پیچیده طراحی شده بودند، مانند سیستم های دربان الکترونیکی، که توسط توسعه دهندگان پروژه ارائه شده بود، که به طور موثری از مجرمان احتمالی جلوگیری می کرد و جرایم اموال را کاهش می داد. برای متخلفان اموال، آنها کمتر مناطقی را انتخاب می کردند که دارای قیمومیت قوی تر باشد.
اکثر محققان جرم‌شناسی سنتی و جرم‌شناسی محیطی به‌عنوان افراد مستقل، بدون توجه به تعامل عوامل، عوامل رفتار مجرمانه را مورد مطالعه قرار دادند. نتایج حاصل از اثر متقابل عامل نشان داد که تراکم مغازه قوی ترین اثر متقابل را با سایر عوامل دارد و اثر متقابل تراکم مغازه ∩ تراکم هتل ( q ( X ۱۰ ∩ X ۹ ) = ۰٫۷۲۸)، تراکم مغازه ∩ تراکم جمعیت ( q ( X ۱۰ ) ∩ X ۱ ) = ۰٫۶۸۳) و تراکم فروشگاه ∩ تراکم سرگرمی ( q ( X ۱۰ ∩ X ۸) = ۰٫۶۸۶) سه برهمکنش قوی بودند که نشان می‌دهد تراکم مغازه نه تنها تأثیر زیادی بر جرایم اموال داشته، بلکه با عوامل محیطی نیز تعامل قوی داشته و به یک کاتالیزور مهم برای وقوع جرم ملکی تبدیل شده است. همچنین دریافت که هر دو اثر متقابل عامل افزایش دو عاملی را نشان دادند و قدرت توضیحی تعاملات عاملی برای جرم دارایی بسیار بیشتر از هر عامل واحدی بود که مطابق با نظریه مدیریت مکان بود. مقادیر q اثر متقابل عامل کمتر از مجموع q بودمقدار عامل منفرد، نشان می دهد که تفسیر عوامل محیطی به جرم از نظر آماری کاملاً مستقل نبوده است، یعنی ممکن است چندین عامل محیطی به صورت مستقل کار نکنند. این نشان داد که جنایت اموال زمانی بسیار محتمل است که چندین عامل محیطی مثبت در یک مکان در یک زمان جمع شوند. به عنوان مثال، در CBD، یک خیابان شلوغ با دسترسی نزدیک به ایستگاه اتوبوس یا بزرگراه، فرصت‌های ضعیف‌تری را در سطح مکان برای جرایم دارایی ارائه می‌کند. از منظر پیچیدگی جرم، ناهمگونی فضایی جرم دارایی نتیجه تعامل همه جانبه عوامل متعدد است [ ۸۵ ].]، و بازخورد بین عوامل اقتصادی و محیطی مؤثر بر ناهمگونی فضایی جرم دارایی پیچیده است. نتایج حاصل از تعامل عوامل به خوبی این نکته را نشان می دهد، که همچنین به ما یادآوری می کند که نیروهای محرک عمیق جرم مالکیت را از منظر سیستمی مورد مطالعه قرار دهیم. ارزش همبستگی مثبت بین تراکم مغازه و جرم و جنایت دارایی بیشترین میزان را در بین محرک‌های اقتصادی-اجتماعی داشت که منعکس‌کننده آن بود که منفعت هدف اصلی جرم مالکیت است. این مقاله همچنین کشف کرد که گرادیان تراکم مغازه بر میزان تفسیر ناهمگونی فضایی جرم مالکیت در منطقه اصلی شهری لانژو تأثیر می‌گذارد. با افزایش مداوم تراکم مغازه، qمنحنی های ارزش به طور قابل توجهی نوسان کردند، راه حل مدل تمایل به ناپایدار بودن داشت و دقت برازش عوامل مختلف مؤثر بر جرم بهبود یافت.

۵٫ نتیجه گیری ها

این مقاله بر روی عوامل محیطی فیزیکی و اجتماعی مؤثر بر جرایم دارایی تمرکز دارد که در دسته جرم شناسی محیطی قرار می گیرد. ترکیبی از رگرسیون عامل و تعامل عامل برای بررسی عوامل ناهمگونی فضایی جرایم دارایی، بر اساس داده‌های سوابق جرم دارایی و برخی داده‌های اجتماعی-اقتصادی، از جمله قیمت خانه، تراکم جمعیت، تراکم مغازه، ایستگاه‌های اتوبوس، سرگرمی، هتل‌ها، پیشنهاد شد. ایستگاه های پلیس و سایر داده های محیطی مانند روشنایی جاده و شب. ما منطقه شهری اصلی لانژو، چین را به عنوان موردی برای تجزیه و تحلیل نتایج در نظر گرفتیم. نتیجه گیری اصلی به شرح زیر بود.
(۱)
الگوی توزیع پرونده های جرایم دارایی در منطقه اصلی شهری لانژو غیرتصادفی نبود. دارای ناهمگونی فضایی، به طور خاص تر، تراکم فضایی بود. نیمی از پرونده های جرم در ۴٫۳۳ درصد از منطقه متمرکز بوده و حتی تا ۷۲٫۲۲ درصد از پرونده های جرم در ۸٫۶۰ درصد از منطقه مورد مطالعه متمرکز شده است. تراکم مغازه، تراکم هتل، تراکم سرگرمی و قیمت خانه چهار محرک قدرتمند توزیع فضایی جرایم دارایی در منطقه اصلی شهری لانژو بودند و مناطقی که مقادیر بالای این چهار عامل را داشتند جذاب‌تر به نظر می‌رسیدند. اهداف جذاب که ناشی از تمرکز ثروت و فقدان قیمومیت توانمند است، به دسترسی مجرمان به اهداف مناسب و ناکافی محافظت شده کمک می کند.
(۲)
فاصله تا پاسگاه‌های پلیس، فاصله تا جاده‌های اصلی و فاصله تا ایستگاه‌های اتوبوس تأثیر منفی ضعیفی بر جرایم اموال داشتند. شدت نور در منطقه مورد مطالعه تأثیر مثبتی بر جرم ارتکابی داشت. رابطه بین شدت نور و جرم، تبیین های همبستگی متفاوتی در طرح ریزی زمانی و فرافکنی فضایی دارد. عوامل بازدارنده فعالیت انسان، مانند سرمای شدید، ضریب همبستگی بین شدت نور شب و جرم را کاهش می دهد. می‌توانیم پیش‌بینی کنیم که ضریب همبستگی بین شدت نور شب و جرم شهرها در مناطق سردسیر باید کمتر از ضریب همبستگی در مناطق معتدل یا مناطق استوایی باشد.
(۳)
منحنی توزیع نرمال بین تعداد جرایم دارایی و نسبت PE جامعه وجود داشت. با افزایش نسبت PE، تعداد جرایم اموال ابتدا افزایش و سپس کاهش یافت و اوج نسبت PE به ۵٫۲۵ رسید. جوامع محصور با قیمومیت قوی تری طراحی شده بودند که به طور موثری از مجرمان بالقوه جلوگیری می کرد و جرایم دارایی را کاهش می داد. برای متخلفان اموال، آنها کمتر مناطقی را انتخاب می کردند که دارای قیمومیت قوی تر باشند.
(۴)
نتایج حاصل از تعامل عامل نشان داد که عوامل محیطی متعدد ممکن است به صورت مستقل کار نکنند. تأثیر متقابل عامل افزایش دو عاملی را نشان داد و قدرت توضیحی تأثیر متقابل عامل برای جرم دارایی بسیار بیشتر از هر عامل واحد بود. به عنوان یک کاتالیزور مهم، تراکم فروشگاه قوی ترین تعامل را با عوامل دیگر داشت. گرادیان تراکم مغازه بر میزان تفسیر ناهمگونی فضایی جرم مالکیت تأثیر گذاشت. با افزایش مداوم تراکم مغازه، حل عوامل مدل تمایل به ناپایداری داشت و دقت تطبیق عوامل مختلف با جرم بهبود یافت. با این حال، حداکثر R ۲در میان توابع رگرسیون تنها ۰٫۶۴۹۲ بود، یعنی عمل جرم فرآیندی است که توسط نقش های میکروسکوپی متعدد افراد و محیط شکل می گیرد. به دلیل پیچیدگی ذاتی آن، شبیه سازی یا پیش بینی مکان رویداد جرم با دقت بالا دشوار است.
این مقاله زمینه‌های جرم‌زای محیطی را مورد مطالعه قرار داد و انگیزه‌های محیطی را برای اقدام مجرمانه مثال زد. با این حال، محدودیت ها مشهود است. نتایج آماری در این تحقیق از پایگاه های اطلاعات جغرافیایی و سوابق جرایم اموال شهری بدست آمده است. بستر جرم زا به خودی خود برای انتخاب جرم کافی نیست. متغیرهای اجتماعی-اقتصادی و اجرای قانون، مانند گذرا بودن جمعیت، ترکیب نژادی و قومیتی، ترکیب بر اساس سن و جنسیت، سطوح تحصیلی، ساختار خانواده، و همچنین قدرت (پرسنل و سایر منابع) و پرخاشگری سازمان‌های مجری قانون یک حوزه قضایی، باید در نظر گرفته شود و از طریق ترکیبی از تحقیقات جنایی برای شناسایی بیشتر علل نتایج. تجزیه و تحلیل ادراک ساکنان از ناامنی نیز می تواند در تجزیه و تحلیل ادغام شود و با سایر مناطق جغرافیایی در تلاش برای درک شباهت ها، تکرارها یا تفاوت های احتمالی، تفسیری متقابل از نتایج مقایسه شود. به طور خاص، لازم است مکانیسم جفت نظریه جرم شناسی که توسط تعامل عامل منعکس شده است، روشن شود. علاوه بر این، تجزیه و تحلیل نرخ جرم به جای تراکم جرم به عنوان یک متغیر وابسته نیز قابل بررسی است. در نهایت، مدل مورد استفاده می تواند بیشتر بهبود یابد. رگرسیون پواسون به طور گسترده ای برای توصیف فراوانی رویدادهای تصادفی استفاده می شود که در راستای ویژگی های وقوع جرم است.

منابع

  1. Un-Habitat. افزایش ایمنی و امنیت شهری: گزارش جهانی در مورد سکونتگاه های انسانی ۲۰۰۷ ; Routledge: Abingdon-on-Thames، UK، ۲۰۱۲٫ [ Google Scholar ]
  2. جین، جی. شو، ج. Lin, XN تجزیه و تحلیل و پیش بینی وضعیت جرم و جنایت چین (۲۰۱۸-۲۰۱۹). جی. مردم امنیت عمومی. دانشگاه چین ۲۰۱۹ ، ۳۵ ، ۱–۱۱٫ [ Google Scholar ]
  3. ماتلویچووا، ک. چارچوب نظری تحقیقات جرم شناسی درون شهری: رویکردهای اصلی در اندیشه جرم شناسی. فولیا جئوگر. ۲۰۱۴ ، ۵۶ ، ۲۹-۴۰٫ [ Google Scholar ]
  4. لی، CK کاربرد ساختار اجتماعی و نظریه یادگیری اجتماعی برای توضیح ارتکاب خشونت شریک صمیمی در سراسر زمینه های ملی. J. Interpers. خشونت ۲۰۲۲ ، ۰۸۸۶۲۶۰۵۲۱۱۰۷۲۱۶۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  5. شاو، CR; مور، من یک منطقه بزهکاری ; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، ۱۹۳۱٫ [ Google Scholar ]
  6. هریس، اچ ام. ناکامورا، ک. Bucklen, KB آیا هم سلولی ها مهم هستند؟ آزمون علی فرضیه مکاتب جرم با مفاهیمی برای تئوری های ارتباط افتراقی و بازدارندگی. جرم شناسی ۲۰۱۷ ، ۵۶ ، ۸۷-۱۲۲٫ [ Google Scholar ] [ CrossRef ]
  7. وارد، JT; مک کانهی، ام. Bennett, J. کاربرد افتراقی نظریه های جرم شناسی برای افراد؟ مورد یادگیری اجتماعی در مقابل کنترل اجتماعی. جنایت دلینق. ۲۰۱۷ ، ۶۴ ، ۵۱۰-۵۴۱٫ [ Google Scholar ] [ CrossRef ]
  8. روچ، جی ال فلیشر: اقتصاد بزهکاری (بررسی کتاب). Soc. نیروها ۱۹۶۷ ، ۴۵ ، ۴۶۲٫ [ Google Scholar ]
  9. بکر، GS جرم و مجازات: یک رویکرد اقتصادی. در ابعاد اقتصادی جرم ; پالگریو مک میلان: لندن، بریتانیا، ۱۹۶۸; صص ۱۳-۶۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  10. پیروزفر، پ. Farr, ER; ابواگیه-نیمو، ای. Osei-Berchie، J. پیشگیری از جرم در فضاهای شهری از طریق طراحی محیطی: دیدگاه انتقادی انگلستان. Cities ۲۰۱۹ , ۹۵ , ۱۰۲۴۱۱٫ [ Google Scholar ] [ CrossRef ]
  11. هاجکینسون، تی. فارل، جی. برنامه پیشگیری از جرم موقعیتی و ایمنی عمومی در کانادا. امن J. ۲۰۱۸ , ۳۱ , ۳۲۵-۳۴۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  12. ماتلویچووا، ک. موکاک، پ. آندریکو، ج . ۲۰۱۲ ، ۵۴ ، ۱۴۶٫ [ Google Scholar ]
  13. ماتلویکووا، ک. موکاک، پ. کولسارووا، جی. کوتوسلاوا، م. پیتر، م. جانا، ک. محیط املاک و پیشگیری از جرم از طریق شکل‌گیری و اصلاح محیط شهری. Geogr. پانونیکا ۲۰۱۶ ، ۲۰ ، ۱۶۸-۱۸۰٫ [ Google Scholar ] [ CrossRef ]
  14. چینی، اس. Ratcliffe, J. GIS and Crime Mapping ; جان وایلی و پسران: هوبوکن، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۳٫ [ Google Scholar ]
  15. ری، اس جی. مک، EA؛ Koschinsky، J. تحلیل فضا-زمان اکتشافی الگوهای سرقت. جی. کوانت. Criminol. ۲۰۱۲ ، ۲۸ ، ۵۰۹-۵۳۱٫ [ Google Scholar ] [ CrossRef ]
  16. لایتنر، ام. مدل‌سازی جرم و نقشه‌برداری با استفاده از فناوری‌های جغرافیایی ؛ Springer Science & Business Media: برلین/هایدلبرگ، آلمان، ۲۰۱۳٫ جلد ۸٫ [ Google Scholar ]
  17. کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. در کلاسیک در جرم شناسی محیطی ; Routledge: Abingdon-on-Thames، انگلستان، ۱۹۷۹; صص ۵۸۸-۶۰۸٫ [ Google Scholar ]
  18. کلارک، RV; کورنیش، تصمیمات مجرمان مدلسازی DB: چارچوبی برای تحقیق و سیاست. عدالت جنایی ۱۹۸۵ ، ۶ ، ۱۴۷-۱۸۵٫ [ Google Scholar ] [ CrossRef ]
  19. برانتینگهام، پی جی. برانتینگهام، PL جرم شناسی محیطی: از نظریه تا عمل برنامه ریزی شهری. گل میخ. جنایت جنایت قبلی ۱۹۹۸ ، ۷ ، ۳۱-۶۰٫ [ Google Scholar ]
  20. اندرسن، MA اقدامات جنایی و تحلیل فضایی فعالیت مجرمانه. برادر J. Criminol. ۲۰۰۶ ، ۴۶ ، ۲۵۸-۲۸۵٫ [ Google Scholar ] [ CrossRef ]
  21. کوتاه، مگابایت؛ برانتینگهام، پی جی. برتوزی، آل. Tita، GE پراکندگی و جابجایی نقاط داغ در مدل‌های واکنش- انتشار جرم Proc. Natl. آکادمی علمی ایالات متحده آمریکا ۲۰۱۰ ، ۱۰۷ ، ۳۹۶۱–۳۹۶۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  22. سکاتو، وی. موریرا، جی. تحقیق. پویایی دزدی ها و سرقت ها در متروی سائوپائولو، برزیل. یورو جی. جنایت. نتیجه سیاست ۲۰۲۱ ، ۲۷ ، ۳۵۳-۳۷۳٫ [ Google Scholar ] [ CrossRef ]
  23. لیو، ال. لان، ام. اک، ج. Kang، EL ارزیابی اثرات جابجایی ایستگاه اتوبوس بر سرقت خیابانی. محاسبه کنید. محیط زیست سیستم شهری ۲۰۲۰ , ۸۰ , ۱۰۱۴۵۵٫ [ Google Scholar ] [ CrossRef ]
  24. هیپ، جی آر؛ لی، اس. کی، دی. کیم، جی‌اچ اندازه‌گیری محیط ساخته‌شده با نمای خیابان گوگل و یادگیری ماشینی: پیامدهای جرم در بخش‌های خیابان. جی. کوانت. Criminol. ۲۰۲۱ . [ Google Scholar ] [ CrossRef ]
  25. بووین، آر. فعالیت معمول، جمعیت (ها) و جرم: ناهمگونی فضایی و گزاره‌های متضاد در مورد پیوند جرم محله-جمعیت. Appl. Geogr. ۲۰۱۸ ، ۹۵ ، ۷۹-۸۷٫ [ Google Scholar ] [ CrossRef ]
  26. چالفین، ا. هانسن، بی. لرنر، جی. پارکر، ال. کاهش جرم از طریق طراحی محیطی: شواهدی از یک آزمایش تصادفی روشنایی خیابان در شهر نیویورک. جی. کوانت. Criminol. ۲۰۲۲ ، ۳۸ ، ۱۲۷-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
  27. Fotios، SA; رابینز، سی جی; فارال، اس. تأثیر روشنایی بر شمارش جرم. Energies ۲۰۲۱ , ۱۴ , ۴۰۹۹٫ [ Google Scholar ] [ CrossRef ]
  28. جاکوبز، آر. احیای خیابان‌های سه رودخانه: ساعت ابلاک و CPTED. در مجموعه مقالات نهمین کنفرانس بین المللی سالانه CPTED، بریزبن، استرالیا، ۱۳ تا ۱۶ سپتامبر ۲۰۰۴٫ [ Google Scholar ]
  29. Osgood، DW پواسون مبتنی بر تحلیل رگرسیون نرخ جرم مجموع. جی. کوانت. Criminol. ۲۰۰۰ ، ۱۶ ، ۲۱-۴۳٫ [ Google Scholar ] [ CrossRef ]
  30. Cabrera-Barona، PF; جیمنز، جی. Melo, P. انواع جرم، فقر، تراکم جمعیت و حضور پلیس در منطقه متروپولیتن کیتو. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۵۵۸٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  31. کوندو، م. هول، بی. هان، اس. براناس، سی. اثرات سبز شدن و استفاده مجدد جامعه از زمین های خالی بر جرم و جنایت. مطالعه شهری. ۲۰۱۵ ، ۵۳ ، ۳۲۷۹-۳۲۹۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. کندیف، ک. کالج‌ها و جرایم اجتماعی: تحلیلی از نزدیکی دانشگاه و میزان جرم و جنایت همسایگی. جنایت دلینق. ۲۰۲۱ ، ۶۷ ، ۴۳۱-۴۴۸٫ [ Google Scholar ] [ CrossRef ]
  33. چین قضاوت آنلاین. در دسترس آنلاین: https://wenshu.court.gov.cn/ (دسترسی در ۱ مه ۲۰۲۲).
  34. ژنگ، ZQ; جیانگ، سی. یو، RL; ژو، جی کیو. Wu، ZJ; Luo, JY ویژگی‌های عمومی، بار اقتصادی، داروهای مسبب و خطاهای پزشکی مرتبط با دعوی قضایی مربوط به آسیب پزشکی که شامل عوارض جانبی شدید پوستی دارویی در چین است. جی. کلین. فارم. آنجا ۲۰۲۰ ، ۴۵ ، ۱۰۸۷-۱۰۹۷٫ [ Google Scholar ] [ CrossRef ]
  35. Cai, RL; تانگ، جی. دنگ، CH; Lv، GF; خو، XH; سیلویا، اس. پان، جی. خشونت علیه کارکنان مراقبت های بهداشتی در چین، ۲۰۱۳-۲۰۱۶: شواهدی از اسناد قضاوت ملی. هوم منبع. Health ۲۰۱۹ , ۱۷ , ۱۰۳٫ [ Google Scholar ] [ CrossRef ]
  36. شائو، ام ال. نیومن، سی. Buesching، CD; مک دونالد، DW; ژو، ZM درک جنایات حیات وحش در چین: پروفایل اجتماعی و جمعیت شناختی و انگیزه مجرمان. PLoS ONE ۲۰۲۱ , ۱۶ , e024608. [ Google Scholar ] [ CrossRef ]
  37. باگان، ح. یاماگاتا، ی. تجزیه و تحلیل رشد شهری و تخمین تراکم جمعیت با استفاده از تصاویر ماهواره ای از نورهای شبانه و داده های کاربری زمین و جمعیت. GISci. Remote Sens. ۲۰۱۵ , ۵۲ , ۷۶۵–۷۸۰٫ [ Google Scholar ] [ CrossRef ]
  38. پاندی، بی. Seto، KC شهرنشینی و از دست دادن زمین کشاورزی در هند: مقایسه تخمین های ماهواره ای با داده های سرشماری جی. محیط زیست. مدیریت ۲۰۱۵ ، ۱۴۸ ، ۵۳-۶۶٫ [ Google Scholar ] [ CrossRef ]
  39. زهنو، ر. Corcoran, J. Crime and bus stops: معاینه با استفاده از کارت هوشمند حمل و نقل و داده های جرم. محیط زیست طرح. ب- مقعد شهری. علوم شهر ۲۰۲۱ ، ۴۸ ، ۷۰۶-۷۲۳٫ [ Google Scholar ] [ CrossRef ]
  40. ووشکه، ک. اندرسن، MA; Brantingham، PL مسیرهای جرم: اندازه گیری غلظت جرم در امتداد جاده های شهری. می توان. Geogr. Geogr. می توان. ۲۰۲۱ ، ۶۵ ، ۲۶۷-۲۸۰٫ [ Google Scholar ] [ CrossRef ]
  41. فوندویلا، جی. ویلاتا-پردومو، سی. پرز، MCG; Cafferata، FG اثر بازدارنده جرم و جنایت کلانتری ها. Appl. Geogr. ۲۰۲۱ ، ۱۳۴ ، ۱۰۲۵۱۸٫ [ Google Scholar ] [ CrossRef ]
  42. گودا، تی. استوارت، سی. گارسیا، AT نابرابری درآمد مطلق و افزایش قیمت مسکن. Soc.-Econ. Rev. ۲۰۲۰ , ۱۸ , ۹۴۱–۹۷۶٫ [ Google Scholar ] [ CrossRef ]
  43. متز، ن. بوردینا، ام. نابرابری درآمد محله و جرم مالکیت. مطالعه شهری. ۲۰۱۸ ، ۵۵ ، ۱۳۳-۱۵۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. باگز، الگوهای جرم شهری SLJ. صبح. اجتماعی Rev. ۱۹۶۵ , ۳۰ , ۸۹۹-۹۰۸٫ [ Google Scholar ] [ CrossRef ]
  45. تیلور، ن. کومبر، ک. زهنو، ر. فریس، جی. میشک، ر. Miller, PG تأثیر احتمالی ممنوعیت ۱۰ روزه حامیان بر جرم و جنایت در بزرگترین منطقه تفریحی کوئینزلند. Drug Alcohol Rev. ۲۰۲۱ ، ۴۰ ، ۷۷۱-۷۷۸٫ [ Google Scholar ] [ CrossRef ]
  46. الگاهتانی، م. کومار، ال. روشی برای کاوش پیوند بین گسترش منطقه شهری در طول زمان و فرصت برای جنایت در عربستان سعودی. Remote Sens. ۲۰۱۶ , ۸ , ۸۶۳٫ [ Google Scholar ] [ CrossRef ]
  47. هوآ، ن. لی، بی. ژانگ، تحقیقات جنایی TT در مهمان‌نوازی و گردشگری. بین المللی J. Contemp. بیمارستان مدیریت ۲۰۲۰ ، ۳۲ ، ۱۲۹۹-۱۳۲۳٫ [ Google Scholar ] [ CrossRef ]
  48. صفحه اصلی مراکز ملی اطلاعات محیطی. در دسترس آنلاین: https://ngdc.noaa.gov/eog/ (در ۱ مه ۲۰۲۲ قابل دسترسی است).
  49. قوش، ت. الویج، سی دی; ساتون، رایانه شخصی؛ باگ، KE; زیسکین، دی. Tuttle، BT ایجاد یک شبکه جهانی از انتشار گازهای CO ۲ سوخت فسیلی از تصاویر ماهواره ای شبانه. انرژی ها ۲۰۱۰ ، ۳ ، ۱۸۹۵-۱۹۱۳٫ [ Google Scholar ] [ CrossRef ]
  50. نقشه خیابان را باز کنید. در دسترس آنلاین: https://www.openstreetmap.org/ (در ۱ مه ۲۰۲۲ قابل دسترسی است).
  51. صفحه اصلی Anjuke. در دسترس آنلاین: https://lanzhou.anjuke.com/ (دسترسی در ۱ مه ۲۰۲۲).
  52. صفحه اصلی Amap. در دسترس آنلاین: http://lbs.amap.com/ (در ۱ مه ۲۰۲۲ قابل دسترسی است).
  53. Cunradi، CB; مایر، سی. پونیکی، دبلیو. Remer، L. فروشگاه های الکل، ویژگی های محله، و خشونت شریک صمیمی: تجزیه و تحلیل زیست محیطی یک شهر کالیفرنیا. جی. هرد. ۲۰۱۱ ، ۸۸ ، ۱۹۱-۲۰۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. لی، جی. هاینینگ، آر. ریچاردسون، اس. بهترین، N. تنوع فضا-زمان در خطر سرقت: یک رویکرد مدل‌سازی فضایی-زمانی بیزی. تف کردن آمار ۲۰۱۴ ، ۹ ، ۱۸۰-۱۹۱٫ [ Google Scholar ] [ CrossRef ]
  55. کوئیک، م. قانون، ج. لی، جی. روابط متغیر زمانی بین استفاده از زمین و جرم و جنایت: تجزیه و تحلیل فضایی-زمانی روندهای جرم و جنایت فصلی دارایی در مناطق کوچک. محیط زیست طرح. ب مقعد شهری. علوم شهر ۲۰۱۹ ، ۴۶ ، ۱۰۱۸–۱۰۳۵٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  56. کوئیک، م. لی، جی. قانون، J. مدل‌سازی فضایی-زمانی پیامدهای مرتبط با منطقه کوچک: تحلیل الگوهای مشترک و نوع خاص جنایت و اختلال. Geogr. مقعدی ۲۰۱۸ ، ۵۱ ، ۲۲۱-۲۴۸٫ [ Google Scholar ] [ CrossRef ]
  57. گراسیا، ای. لوپز-کوئیلز، آ. مارکو، ام. لادوسا، اس. لیلا، ام. بررسی تأثیرات همسایگی بر تغییرات منطقه کوچک در خطر خشونت شریک صمیمی: یک رویکرد مدل‌سازی اثرات تصادفی بیزی. بین المللی جی. محیط زیست. Res. بهداشت عمومی ۲۰۱۴ ، ۱۱ ، ۸۶۶-۸۸۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  58. دنگ، م. یانگ، دبلیو. چن، سی. لیو، سی. بررسی ارتباط بین عوامل منظره خیابان و رفتارهای جرم و جنایت با استفاده از تصاویر نمای خیابان Google. جلو. محاسبه کنید. علمی ۲۰۲۱ ، ۱۶ ، ۱۶۴۳۱۶٫ [ Google Scholar ] [ CrossRef ]
  59. Adler، JT; بله، اچ. مارکمن، جی اف. نگوین، LL تحلیل زمانی رقابت بازار و تراکم در حجم و نتیجه پیوند کلیه. پیوند ۲۰۱۶ ، ۱۰۰ ، ۶۷۰-۶۷۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
  60. عزیز، س. نگوی، آر. لیم، یال؛ شعله، آی. فرحانه، ج. عزیزان، ع. یوسف، الگوی فضایی WWS توزیع دانگ در سال ۲۰۰۹ در کوالالامپور با استفاده از برنامه GIS. تروپ Biomed. ۲۰۱۲ ، ۲۹ ، ۱۱۳-۱۲۰٫ [ Google Scholar ]
  61. یجید، مذم; Dom، NC; Camalxaman، SN; نصیر، RA تجزیه و تحلیل مکانی- زمانی برای شناسایی منطقه خطر دنگی در منطقه ملاکا تنگاه. Geocarto Int. ۲۰۲۰ ، ۳۵ ، ۱۵۷۰-۱۵۷۹٫ [ Google Scholar ] [ CrossRef ]
  62. شوبر، پی. بوئر، سی. شوارت، LA ضرایب همبستگی: استفاده و تفسیر مناسب. آنست. آنالگ ۲۰۱۸ ، ۱۲۶ ، ۱۷۶۳-۱۷۶۸٫ [ Google Scholar ] [ CrossRef ]
  63. MacNab، YC در شناسایی در نقشه‌برداری بیماری بیزی و مدل‌های رگرسیون اکولوژیکی- فضایی. آمار روش ها Med. Res. ۲۰۱۴ ، ۲۳ ، ۱۳۴-۱۵۵٫ [ Google Scholar ] [ CrossRef ]
  64. ون ارپ، اس. اوبرسکی، دی.ال. مولدر، ج. شرینکیج برای رگرسیون جریمه بیزی. جی. ریاضی. روانی ۲۰۱۹ ، ۸۹ ، ۳۱–۵۰٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. کاستیو، آی. اشمیت هیبر، جی. ون در وارت، A. رگرسیون خطی بیزی با پیشینیان پراکنده. ان آمار ۲۰۱۵ ، ۴۳ ، ۱۹۸۶–۲۰۱۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  66. دی گانگی، ال. لاپوچی، ام. شوئن، اف. Sortino، A. یک رویکرد بهینه‌سازی کارآمد برای انتخاب بهترین زیرمجموعه در رگرسیون خطی، با کاربرد برای انتخاب مدل و برازش در سری‌های زمانی خودرگرسیون. محاسبه کنید. بهینه. Appl. ۲۰۱۹ ، ۷۴ ، ۹۱۹-۹۴۸٫ [ Google Scholar ] [ CrossRef ]
  67. آهو، ک. دری بری، دی. پترسون، تی. انتخاب مدل برای بوم شناسان: جهان بینی AIC و BIC. اکولوژی ۲۰۱۴ ، ۹۵ ، ۶۳۱-۶۳۶٫ [ Google Scholar ] [ CrossRef ]
  68. وانگ، جی. Xu, C. Geodetector: اصل و آینده نگر. Acta Geogr. گناه ۲۰۱۷ ، ۷۲ ، ۱۱۶-۱۳۴٫ [ Google Scholar ]
  69. صفحه اصلی ژئودتکتور. در دسترس آنلاین: http://www.geodetector.cn/ (در ۱ مه ۲۰۲۲ قابل دسترسی است).
  70. ویلر، AP; رویتر، اس. بازنگری نقاط داغ جنایت در دالاس، تگزاس. پلیس Q. ۲۰۲۱ ، ۲۴ ، ۱۵۹-۱۸۴٫ [ Google Scholar ] [ CrossRef ]
  71. آهنگ، GW; لیو، ال. برناسکو، دبلیو. Xiao، LZ؛ ژو، SH; لیائو، WW نشانگرهای آزمایش جمعیت در معرض خطر برای سرقت از شخص در فضا و زمان: اهمیت تحرک و فعالیت در فضای باز. ان صبح. دانشیار Geogr. ۲۰۱۸ ، ۱۰۸ ، ۱۳۷۰–۱۳۸۸٫ [ Google Scholar ] [ CrossRef ]
  72. Hsieh، FY; بلوچ، دی. Larsen, MD یک روش ساده برای محاسبه حجم نمونه برای رگرسیون خطی و لجستیک. آمار پزشکی ۱۹۹۸ ، ۱۷ ، ۱۶۲۳-۱۶۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  73. مالسون، ن. ببینید، L. ایوانز، آ. هپنستال، الف. اجرای رفتار مجرم جامع در یک مدل واقعی دزدی مبتنی بر عامل. شبیه سازی ترانس. Soc. شبیه سازی مدل سازی. بین المللی ۲۰۱۲ ، ۸۸ ، ۵۰-۷۱٫ [ Google Scholar ] [ CrossRef ]
  74. هو، XF; Wu، JS; چن، پی. سان، تی. لی، دی. تأثیر تغییرپذیری آب و هوا و تغییر بر میزان جرم و جنایت در تانگشان، چین. علمی کل محیط. ۲۰۱۷ ، ۶۰۹ ، ۱۰۴۱-۱۰۴۸٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  75. Decreuse، B. مونگرین، اس. ون یپرسل، تی. جنایات اموال و تخصیص حفاظت خصوصی در شهرها: نظریه و شواهد. اقتصاد Inq. ۲۰۲۲ ، ۶۰ ، ۱۱۴۲-۱۱۶۳٫ [ Google Scholar ] [ CrossRef ]
  76. Twinam، T. منطقه خطر: کاربری زمین و جغرافیای جرم محله. J. شهری اقتصاد. ۲۰۱۷ ، ۱۰۰ ، ۱۰۴-۱۱۹٫ [ Google Scholar ] [ CrossRef ]
  77. سایپیون دوتکووسکا، ن. لایتنر، ام. استفاده از زمین بر توزیع فضایی جرم شهری: مطالعه موردی Szczecin، لهستان. ISPRS Int. J. Geo-Inf. ۲۰۱۷ ، ۶ ، ۷۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  78. عمر، ف. جانسون، SD; Cheshire، JA ارزیابی تمرکز فضایی جرم شهری: بینشی از نیجریه. جی. کوانت. Criminol. ۲۰۲۱ ، ۳۷ ، ۶۰۵-۶۲۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  79. برناسکو، دبلیو. Block, R. جایی که مجرمان برای حمله انتخاب می‌کنند: یک مدل گسسته از سرقت‌ها در شیکاگو. جرم شناسی ۲۰۰۹ ، ۴۷ ، ۹۳-۱۳۰٫ [ Google Scholar ] [ CrossRef ]
  80. فلسون، ام. کلارک، RV Opportunity دزد را می سازد. تصمیم پلیس سر. ۱۹۹۸ ، ۹۸ ، ۱۰٫ [ Google Scholar ]
  81. گراف، شبیه سازی ER برای آزمایش و آزمایش تئوری: نمونه ای با استفاده از نظریه فعالیت های معمول و سرقت خیابانی. جی. کوانت. Criminol. ۲۰۰۷ ، ۲۳ ، ۷۵-۱۰۳٫ [ Google Scholar ] [ CrossRef ]
  82. هلبیچ، ام. جوکار ارسنجانی، JJ فیلترینگ بردار ویژه فضایی برای نگاشت جرم فضایی و زمانی و تحلیل جرم فضایی. کارتوگر. Geogr. Inf. علمی ۲۰۱۵ ، ۴۲ ، ۱۳۴-۱۴۸٫ [ Google Scholar ] [ CrossRef ]
  83. نقاش، KA; Farrington, DP مزایای مالی بهبود روشنایی خیابان ها بر اساس کاهش جرم و جنایت. سبک. Res. تکنولوژی ۲۰۰۱ ، ۳۳ ، ۳-۱۰٫ [ Google Scholar ] [ CrossRef ]
  84. کمیته سالنامه استان گانسو. سالنامه توسعه گانسو ۲۰۱۷ ; انتشارات آمار چین: نیجینگ، چین، ۲۰۱۷٫ [ Google Scholar ]
  85. Howsen, RM; Jarrell, SB برخی از عوامل تعیین کننده جرم دارایی: عوامل اقتصادی بر رفتار مجرمانه تأثیر می گذارد اما نمی تواند به طور کامل سندرم را توضیح دهد. صبح. جی. اکون. اجتماعی ۱۹۸۷ ، ۴۶ ، ۴۴۵-۴۵۷٫ [ Google Scholar ] [ CrossRef ]
Ijgi 11 00428 g001 550
شکل ۱٫ موقعیت جغرافیایی منطقه مورد مطالعه.
Ijgi 11 00428 g002 550
شکل ۲٫ توزیع فضایی عوامل محیطی.
Ijgi 11 00428 g003 550
شکل ۳٫ چارچوب تحقیق.
Ijgi 11 00428 g004 550
شکل ۴٫ توزیع چگالی هسته ای پرونده های جرم در منطقه مورد مطالعه.
Ijgi 11 00428 g005 550
شکل ۵٫ همبستگی پیرسون بین همه متغیرها.
Ijgi 11 00428 g006 550
شکل ۶٫ حالت های ترکیبی بهینه از بهترین انتخاب زیر مجموعه.
Ijgi 11 00428 g007 550
شکل ۷٫ معادلات رگرسیون جرم و روشنایی شب در طول روز ( a ) و شب ( b ).
Ijgi 11 00428 g008 550
شکل ۸٫ رابطه بین میانگین قیمت مسکن و تعداد جرایم.
Ijgi 11 00428 g009 550
شکل ۹٫ مقادیر q تشخیص عامل.
Ijgi 11 00428 g010 550
شکل ۱۰٫ مقادیر q تشخیص تعامل.
Ijgi 11 00428 g011 550
شکل ۱۱٫ مقایسه مقادیر q بین تشخیص برهمکنش و تشخیص عامل عوامل تأثیرگذار.
Ijgi 11 00428 g012 550
شکل ۱۲٫ منحنی های توان توضیحی مقادیر q در شیب چگالی کارگاهی مختلف ( a )؛ مقادیر q هر عامل و R2 معادلات رگرسیون در شیب چگالی فروشگاهی مختلف ( b ) .

ونوس نصیرفام

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

خانهدربارهتماسارتباط با ما