روش های مختلف توزیع جمعیت محیطی و غیر متحرک بر الگوهای جرم و جنایت شهری تأثیر می گذارد

هر حادثه جنایی ماهیت جغرافیایی دارد. در مکان و زمان معینی انجام می شود. متخلف معمولاً از جاهای دیگر به محل ارتکاب خود می آید و همچنین محل اقامت دائمی یا متداول ترین محل سکونت دارد، مثلاً محل سکونت، کار یا تحصیل [ ۱ ].]. این مکان ها ممکن است یکسان یا مجاور یکدیگر باشند. زمان و مکان در درک و تبیین الگوهای جرم نقش اساسی دارند. تمایز مکانی-زمانی یکی از تمایزات مطالعات الگوی جرم و پیش زمینه ای برای تحقیق در این زمینه است. به منظور بررسی الگوهای جرم و جنایت، تلاش‌های مختلفی توسط محققان نه تنها در جرم‌شناسی، بلکه به‌طور کلان جغرافیا، جامعه‌شناسی و علوم اجتماعی صورت گرفته است. جغرافیای جرم در حوزه جغرافیا و جرم شناسی محیطی (همچنین به عنوان علم جرم شناخته می شود) در حوزه جرم شناسی به طور خاص بر محل وقوع جرم تمرکز دارند.

نظریه های جرم شناسی محیطی در درک الگوهای جرم زمانی و مکانی مفید هستند. نظریه فعالیت معمول استدلال می کند که جرم نتیجه تماس مستقیم سه عنصر در مکان و زمان است: یک مجرم با انگیزه، یک هدف مناسب و فقدان سرپرست توانا [ ۲ ، ۳ ]. این نشان می‌دهد که فعالیت‌های معمول مردم به تقاطع‌های احتمالی در زمان و مکان با یک مجرم بالقوه کمک می‌کند، و زمانی که این اتفاق می‌افتد، احتمال جرم به شدت افزایش می‌یابد [ ۲ ].

نظریه الگوی جرم همچنین نشان می دهد که توزیع جمعیت در زمان و مکان برای مطالعات الگوی جرم مهم است. این نظریه حاکی از آن است که مکان‌های وقوع جرم تصادفی نیستند، بلکه دارای الگوهای زمانی و مکانی واضح هستند. این تئوری فضاهای فعالیت و مسیرهای مرتبط با آنها را برجسته می کند. این فضاهای فعالیت شامل (۱) گره ها – به عنوان مثال، اقامتگاه ها، مراکز خرید، محل کار، مدارس، مناطق تفریحی و سرگرمی، مکان هایی برای ملاقات دوستان و غیره، (۲) مسیرهای اتصال این گره ها، و (۳) لبه ها، که مرز هستند. تقسیم مناطق با اشکال مختلف مدیریت، حاکمیت یا عملکرد. با حرکت در مسیرهای بین گره ها، فضاهای آگاهی مجرم ایجاد می شود. فضای عمل در هشیاری مجرم در قالب نقشه فضای شناختی منعکس می شود. بر اساس این نظریه، یک مجرم با انگیزه در جریان فعالیت های روزمره روزمره با بخش نسبتاً کوچکی از مناطق شهر ارتباط برقرار می کند. او از میان گره‌ها، مسیرها و لبه‌های درک شده و درک شده، اشیا یا قربانیان جنایت مناسب را در یک فرآیند تصمیم‌گیری چند مرحله‌ای انتخاب می‌کند. توزیع جرم و جنایت در یک شهر به ساختار فضایی، سیستم حمل و نقل و شبکه های خیابانی آن بستگی دارد و با توزیع جنایت مولدها، جاذبه ها و مخالفان شکل می گیرد.۱ ، ۴ ]. علاوه بر این، همانطور که قانون تمرکز جرم و قانون آهنین مکان‌های دردسرساز پیشنهاد می‌کنند، مشکل جرم شهر معمولاً در مناطق نسبتاً کوچک متمرکز است [ ۵ ، ۶ ، ۷ ، ۸ ، ۹ ]. در بسیاری از شهرها، مرکز شهر یا مناطق تجاری مرکزی به دلیل تمرکز جمعیت و فرصت‌ها در این دسته قرار می‌گیرند.

بنابراین، مشکل به دست آوردن اطلاعات در مورد مکان واقعی یا نزدیک به زمان واقعی جمعیت یکی از اطلاعات کلیدی در تحقیقات الگوی جرم است. اطلاعات سرشماری در دسترس عموم مکان واقعی جمعیت را منعکس نمی کند زیرا پدیده جابجایی روزانه شهروندان را در نظر نمی گیرد [ ۱۰ ]. همانطور که بسیاری از مطالعات اشاره کرده اند، افزایش تحرک و برد تلفن همراه می تواند توزیع پویا جمعیت را تغییر دهد که به نوبه خود بر الگوی جرم تأثیر می گذارد [ ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ، ۱۵ .]. چنین مسئله ای برای سنجش جمعیت می تواند حادتر باشد که از آن برای اندازه گیری جرم و سایر عوامل اجتماعی-اقتصادی استفاده شود. یکی از شاخص های جرم که اغلب مورد استفاده قرار می گیرد، نرخ جرم است که با تقسیم تعداد جرایم ثبت شده در یک منطقه خاص بر جمعیت آن منطقه محاسبه می شود. شاخص‌های مشابه عملاً در مطالعات مختلف پدیده‌های اجتماعی-اقتصادی، به عنوان مثال، تولید ناخالص داخلی سرانه، نرخ فقر، نرخ بیکاری و غیره استفاده می‌شوند. با این حال، هنگام تعیین جمعیت واقعی ساکن نیز مشکلاتی وجود دارد. برای مناطق بزرگ، مانند کشورها یا مناطق، داده های سرشماری عموماً هر ۱۰ سال یکبار گرفته می شود. چنین سرشماری‌هایی همیشه در همه مناطق در دسترس نیستند، و داده‌های سرشماری می‌تواند به دلیل شکاف اندازه‌گیری طولانی منسوخ شود، که می‌تواند نتایج را مخدوش کند. داده های ثبت جمعیت فعلی که توسط دولت نگهداری می شود معمولاً در چنین مطالعاتی به ویژه در کشورهای اروپایی استفاده می شود. اعتبار آنها به کیفیت مدیریت و مفاد تعهد ثبت بستگی دارد. تحرکات قابل توجه مهاجر، به ویژه ساکنان دوره ای مانند دانشجویان، گردشگران، و کسانی که در سفرهای کاری هستند، تعیین جمعیت واقعی ساکن را دشوارتر می کند. در کشورهایی که دارای مدیریت ضعیف و سطح پایین انضباط مدنی هستند، چنین دفاتری ثبت نمی‌شوند و تعداد جمعیت ساکن واقعی را فقط می‌توان تخمین زد. به ویژه ساکنان دوره ای مانند دانشجویان، گردشگران و کسانی که در سفرهای کاری هستند، تعیین جمعیت واقعی ساکن را دشوارتر می کند. در کشورهایی که دارای مدیریت ضعیف و سطح پایین انضباط مدنی هستند، چنین دفاتری ثبت نمی‌شوند و تعداد جمعیت ساکن واقعی را فقط می‌توان تخمین زد. به ویژه ساکنان دوره ای مانند دانشجویان، گردشگران و کسانی که در سفرهای کاری هستند، تعیین جمعیت واقعی ساکن را دشوارتر می کند. در کشورهایی که دارای مدیریت ضعیف و سطح پایین انضباط مدنی هستند، چنین دفاتری ثبت نمی‌شوند و تعداد جمعیت ساکن واقعی را فقط می‌توان تخمین زد.

نگرانی‌های مربوط به کیفیت داده‌ها ممکن است بر مناطق کوچک‌تر مانند شهرها و محله‌های آنها تأثیر بگذارد. بنابراین، اقدامات نوظهور که می تواند تحرک بالای ساکنان را جلب کند بیشتر مورد توجه قرار می گیرد: سالانه (تعطیلات و سایر دوره های طولانی بدون کار)، هفتگی (روزهای هفته / آخر هفته) و حتی روزانه (روز / شب و ساعات روز یا شب). اقدامات توزیع جمعیت در دسترس است. اولین تلاش ها برای تعیین تعداد افراد در روز و شب برای ولسوالی های جداگانه به شرح زیر انجام شد: جمعیت شبانه بر اساس جمعیت ثبت شده در ولسوالی گرفته شد. در حالی که جمعیت روزانه ترکیبی از تعداد افراد تازه وارد در طول روز است (بر اساس تعداد مشاغل، خدمات، تحصیلات، مکان‌ها در هتل‌ها، و بار حمل و نقل عمومی/ترافیک اتومبیل) و جمعیت ثبت شده در هر منطقه. چنین برآوردهایی در بسیاری از مطالعات در مورد تمایز فضایی جرم و سایر پدیده‌ها در شهرها استفاده شده است.۱۶ ، ۱۷ ، ۱۸ ، ۱۹ ].

علاوه بر این، به تازگی به دلیل گسترش سریع پلتفرم های رسانه های اجتماعی مانند توییتر، گرفتن موقعیت مکانی افراد ممکن شده است. پست‌های توییتر با اطلاعات مکانی خاص، همچنین به عنوان توییت‌های دارای برچسب جغرافیایی شناخته می‌شوند، برای نشان دادن توزیع واقعی جمعیت مفید هستند [ ۱۱ ، ۱۲ ، ۱۳ ، ۱۴ ]. این امکان پیش بینی رفتار افراد را با تجزیه و تحلیل مکان توییت ها [ ۲۰ ] و تأیید تئوری رفتار انسان [ ۲۱ ] فراهم می کند. توییت‌ها همچنین امکان انجام تحقیقات در مقیاس بزرگ را ارائه می‌دهند، که در آن جوامع محلی و غیر محلی ممکن است در فرآیندهای جمع‌آوری داده و طوفان فکری شرکت کنند [ ۲۲ ]]. تجزیه و تحلیل زمینه‌های توییت‌ها، درک سن و حرفه کاربران را بر اساس شواهد سرگرمی‌ها، هزینه‌ها و مکان‌های اوقات فراغت آنها ممکن می‌سازد [ ۲۳ ]. محققان علاقه‌مند به الگوهای جمعیت پویا نیز تحقیقاتی را بر اساس توییت‌ها انجام می‌دهند، زیرا علاوه بر اطلاعات ذکر شده در بالا، توییت‌ها ممکن است حاوی اطلاعات مکان واقعی نیز باشند [ ۲۴ ].

توییت های دارای برچسب جغرافیایی حاوی اطلاعاتی درباره مکان واقعی افراد در یک زمان معین هستند. این امر امکانات جدیدی را برای جغرافیای مطالعات جنایی باز می کند، به عنوان مثال، پیش بینی الگوهای جرم در آینده [ ۲۵ ، ۲۶ ]. پیشگیری از جرم در دوره های کوتاه مدت و میان مدت [ ۲۷ ]؛ تشخیص جمعیت محیط برای تجزیه و تحلیل جرم [ ۱۲ ، ۲۸ ، ۲۹ ، ۳۰ ]؛ تجزیه و تحلیل تغییرات درون روزی جرم و اثر سرریز جمعیت محیطی [ ۳۱ ]؛ کشف جرایم نوظهور، حوادث رانندگی، موارد اضطراری و خطرات و غیره [ ۳۲ ، ۳۳]؛ مطالعه اهمیت توییتر به عنوان بستری برای انتشار اخبار جنایی [ ۳۴ ]؛ ارزیابی چگونگی تأثیر رسانه های اجتماعی بر تعداد انواع مختلف جرم [ ۳۵ ]؛ کمک به مردم برای گزارش فعالیت ها یا جرایم مشکوک [ ۳۶ ]؛ ارائه هشدارهای امنیتی برای شناسایی بلادرنگ توییت‌های فیشینگ و پیشنهاد هشدار امنیتی [ ۳۷ ]. ارزیابی چگونگی تأثیر رویدادهای مهم بر الگوهای جرم و جنایت در شهرها [ ۱۳ ، ۳۸ ]؛ مطالعه جرایم مربوط به تعصب یا عدم تحمل نسبت به مسائل مربوط به منشاء ملی، احساسات، مذهب، نژاد و غیره [ ۳۹ ، ۴۰ ، ۴۱]. گربر (۲۰۱۴) دریافت که افزودن متغیرهای مشتق شده از توییتر، عملکرد پیش بینی را برای ۱۹/۲۵ نوع جرم بیشتر از مدل جرایم صرفاً تاریخی بهبود می بخشد [ ۲۵ ]. این مطالعه مزایای توییت‌ها را برای پیش‌بینی جرم نشان می‌دهد. Bendler و همکاران (۲۰۱۴) از مقدار نقطه مورد علاقه (POI) به عنوان متغیر مستقل برای شبیه سازی الگوهای جرم و جنایت در سانفرانسیسکو استفاده کردند و تعداد توییت ها را به مدل اضافه کردند [ ۳۵ ]. Ristea و همکارانش (۲۰۱۷) از تعداد توییت ها به عنوان یک متغیر توضیحی برای آزمایش رابطه جرم و توییت استفاده کردند [ ۴۲ ]. لن و همکارانش مطالعات سریالی برای آزمایش رابطه جرم و توییت انجام داده بودند و قابلیت اطمینان توییت‌ها را به عنوان یک معیار جمعیت پویا عملی پیشنهاد کردند [ ۱۲ ، ۳۱، ۴۳ ]. هیپ و همکارانش (۲۰۱۸) همچنین دریافتند که توییت‌ها می‌توانند به توضیح حضور جرم در کالیفرنیا کمک کنند [ ۱۱ ].

با این حال، همانطور که توسط مطالعات قبلی پیشنهاد شد، توییت‌های دارای برچسب جغرافیایی عموماً توزیع پویا جمعیت با تحرک بالاتر را نشان می‌دهند، زیرا آنها کاربران اصلی توییتر هستند [ ۱۱ ، ۲۳ ، ۴۴ ، ۴۵ ، ۴۶ ، ۴۷ ، ۴۸ ، ۴۹ ، ۵۰ .]. در نتیجه، تنها استفاده از توییت‌های دارای برچسب جغرافیایی برای مطالعه الگوهای جرم و جنایت ممکن است جمعیتی با تحرک محدود را نادیده بگیرد، به‌عنوان مثال، افرادی که بسیار جوان هستند (کمتر از ۱۶ سال) و مسن (بیش از ۶۵ سال). این مطالعه این شکاف را با استفاده از دو منبع داده برای گنجاندن جمعیت های محیطی و غیر متحرک در تجزیه و تحلیل جرم پر می کند. اولین منبع داده، توئیت‌های دارای برچسب جغرافیایی است، به عنوان معیاری برای جمعیت محیطی که در طول روز با رفت‌وآمد و جابجایی زیاد تحرکشان افزایش یافته است (گروه ۱) [ ۲۳ ]]. منبع دوم داده‌ها، داده‌های سرشماری است که برای مکان‌یابی گروه‌های اجتماعی بی‌حرکت (نه به اندازه توییت) مانند کودکان (سن ۱۵ ≤) و سالمندان (سن ۶۵ سال بالاتر)، که معمولاً در محله‌های مسکونی خود می‌مانند (گروه ۲) استفاده می‌شود. ). همانطور که نظریه فعالیت های معمول استدلال می کند، جرم زمانی اتفاق می افتد که یک مجرم با انگیزه در مکان و زمان با یک هدف/قربانی مناسب ملاقات کند، در حالی که هیچ نگهبان توانمندی در محل نیست [ ۲ ]. نظریه الگوی جرم نیز بر اهمیت فضا با این استدلال که فضاهای فعالیت همپوشانی مجرم و قربانی خطرناک‌تر است [ ۱ ] تأکید می‌کند.]. بنابراین، هم جمعیت متحرک (گروه ۱) و هم جمعیت غیر متحرک (گروه ۲) احتمالاً در محله های مسکونی خود درگیر جرم هستند. علاوه بر این، جمعیت متحرک (گروه ۱) نیز احتمالاً در محله هایی که رفت و آمد و بازدید می کنند درگیر جرم و جنایت هستند [ ۱۱ ، ۱۲ ، ۱۳ ، ۳۱ ]. بنابراین، ما احساس می‌کنیم که لازم است این شکاف را پر کنیم و هر دو گروه را برای ارزیابی روش‌های متفاوتی که توزیع‌های جمعیتی محیطی و غیرمتحرک بر الگوهای جرم شهری تأثیر می‌گذارند، در نظر بگیریم.

(۱)

چگونه می توان اندازه جمعیت محیط را در محله های جداگانه یک شهر بزرگ تخمین زد؟

(۲)

چه رابطه ای بین اندازه جمعیت محیطی (گروه ۱) و انواع مختلف جرم و جنایت با ویژگی های اجتماعی-اقتصادی کنترل شده وجود دارد؟

(۳)

رابطه بین اندازه جمعیت غیر متحرک (گروه ۲) و انواع مختلف جرم و جنایت با ویژگی های اجتماعی-اقتصادی کنترل شده چیست؟

ما داده‌های جرم و جنایت ۳ ساله را در Szczecin، لهستان (۲۰۱۵-۲۰۱۷) جمع‌آوری کردیم، از جمله (۱) سرقت در ساختمان‌های تجاری، (۲) جنایات مواد مخدر، (۳) دعوا و باتری، (۴) آسیب اموال، و (۵) سرقت . به دنبال شیوه‌های ایجاد شده در این زمینه، ما ۳ سال داده‌ها را برای غلبه بر محدودیت تعداد کمی از حوادث در هر سال ترکیب کردیم [ ۵۱ ، ۵۲ ، ۵۳ ، ۵۴ ]. این امر به دلیل پایداری توزیع فضایی جرم در یک شهر در طول سال ها قابل قبول است [ ۵,۵۳,۵۵]. Szczecin پایتخت ایالت پومرانیه غربی در شمال غربی لهستان است. این یک بندر بزرگ دریایی است زیرا در نزدیکی دریای بالتیک و مرز آلمان قرار دارد. در سال ۲۰۱۵ جمعیت آن ۴۰۴۷۱۲ نفر بوده و این تعداد در سال ۲۰۱۷ اندکی به ۴۰۴۰۰۰ نفر کاهش یافته است. وسعت شهر ۳۰۱ کیلومتر مربع است و از ۳۷ محله تشکیل شده است. این شهر در دلتای رودخانه اودر قرار دارد و به دلیل طرح ستاره‌ای شکل مشخص خیابان‌ها و میدان‌ها به «پاریس شمال» شهرت دارد [ ۵۶ ].

سرقت در ساختمان های تجاری (۲۲۲۸) در سراسر منطقه مسکونی شهر توزیع شده است ( شکل ۱ ). آنها بیشتر در منطقه مرکز شهر (منطقه مرکزی-غربی درست در غرب رودخانه اودر) متمرکز شده اند که از این واقعیت ناشی می شود که بسیاری از امکانات تجاری و شلوغ معمولاً کوچک در این منطقه وجود دارد. آنها معمولاً در طبقات همکف ساختمان های ترکیبی و در آلاچیق های کوچک قرار دارند که معمولاً به دلیل فقدان تدابیر امنیتی به راحتی وارد آنها می شود. مراکز بزرگ تجاری و خدماتی، که حدود ده مورد از آنها در Szczecin وجود دارد، توسط تلویزیون مدار بسته (CCTV) و تدابیر امنیتی به خوبی محافظت می شوند، بنابراین هدف مکرر سرقت های تجاری نیستند. چنین اطلاعاتی از سوی افسران مجری قانون و دانشمندان محلی آمده است.

حوادث جرایم مواد مخدر (۲۰۶۰) در سراسر منطقه مسکونی شهر رخ می دهد، اما به وضوح در بخش مرکزی مرکز شهر و منطقه ای در شمال آن که به دلیل نرخ کلی جرم و جنایت بالا شناخته شده است، متمرکز هستند ( شکل ۲ ).

مبارزات و باتری ها (۱۷۰۹) توزیع فضایی مشابهی دارند. غلظت بالایی در بخش مرکزی مرکز شهر رخ می دهد. این به این موضوع مربوط می شود که در این منطقه تمرکز قابل توجهی از نقاط توزیع الکل وجود دارد (فروشگاه های پذیرایی، مغازه های الکل فروشی، خواربارفروشی ها و غیره). همانطور که ساکنان محلی و افسران اجرای قانون نشان می دهند، مصرف الکل به شدت بر این نوع جرایم تأثیر می گذارد. جدای از آن، منطقه مرکز شهر تعداد قابل توجهی از مردم دارد که بدخلق هستند ( شکل ۳ ).

خسارات اموال (۱۸۴۴) نیز توزیع مشابهی دارد که ناشی از شرایط جمعیتی است که در بالا توضیح داده شد. تمرکز این نوع جرم در منطقه مرکز شهر حتی آشکارتر است ( شکل ۴ ).

رایج ترین نوع جرم – سرقت (۱۰۱۰۰) – تقریباً در همه جا در کل مناطق مسکونی شهر وجود دارد و تمرکز این حوادث جنایی در منطقه مرکز شهر چندان غالب نیست. این به دلیل این واقعیت است که قربانیان سرقت افراد هستند و می توانند متحرک باشند ( شکل ۵ ).

ما توییت‌ها را از سال ۲۰۱۵ تا ۲۰۱۷ در همان شهر از طریق TweetScraper جمع‌آوری کردیم، یک اسکریپت پایتون که بر روی Scrapy بدون استفاده از APIهای توییتر ساخته شده است [ ۵۷ ]. Scrapy یک چارچوب منبع باز و مشارکتی برای استخراج داده ها از وب سایت ها است [ ۵۸ ]. با توجه به توضیحات ابزار، TweetScraper از جستجوی توییت در یک مرورگر وب تقلید می‌کند و می‌تواند محدودیت ۱% Twitter API را دور بزند و آن را قادر می‌سازد تمام توییت‌های در دسترس عموم را بخزد. واضح است که توزیع فضایی توییت ها ( شکل ۶ ) به طور قابل ملاحظه ای شبیه به انواع جرایم فوق الذکر، به ویژه سرقت ها است ( شکل ۵ ).

ما از محله شهر به عنوان واحد تحلیل استفاده می کنیم و در مجموع ۳۷ محله وجود دارد. محله بهترین واحد داده های جمعیت شناختی اجتماعی است که در این شهر موجود است. بنابراین، اگرچه می‌توانیم داده‌ها و توئیت‌های جرم سطحی را جمع‌آوری کنیم، باید آنها را در سطح محله جمع کنیم تا با ساختار سنی و سایر عوامل اجتماعی جمعیت‌شناختی مقایسه کنیم. متغیرهای وابسته تعداد هر نوع جرم هستند. متغیرهای مستقل دو دسته هستند: (۱) تعداد توییت ها به عنوان معیار جمعیت محیطی [ ۱۱ ، ۱۲ ، ۱۴ ، ۳۱ ، ۴۳ ]، و (۲) جمعیت جوان (۱۵≤) و سالمندان (بیش از ۶۵) جمعیت به عنوان معیار افراد مبتلا به تحرک محدود که از این پس به عنوان جمعیت بی حرکت نامیده می شود [۵۹ ]. متغیرهای اجتماعی-اقتصادی کنترل عبارتند از تراکم جمعیت، جمعیت تحت کمک مرکز کمک به خانواده شهرداری، جمعیت بیکار، شاخص بار جمعیتی (شاخص ساختار سنی که درصد جمعیت سن غیرمولد را محاسبه می کند)، و تعداد فروشگاه های مشروب در سال ۲۰۱۵ [ ۵۲ , ۶۰ , ۶۱ , ۶۲ , ۶۳ , ۶۴ , ۶۵ ].

جدول ۱ آمار توصیفی متغیرها را نشان می دهد. پنج متغیر وابسته عبارتند از تعداد سرقت در ساختمان های تجاری (سرقت های تجاری)، جرایم مواد مخدر، دعوا و ضرب و جرح (حمله)، آسیب به اموال (وندالیسم)، و سرقت. دو متغیر مستقل اصلی، جمعیت محیطی مشتق شده از توییت ها و جمعیت بی حرکت (جمعیت زیر ۱۶ سال یا بیشتر از ۶۵ سال) هستند. متغیرهای کنترلی اضافی عبارتند از: تراکم جمعیت (معیار تمرکز جمعیت)، جمعیت تحت حمایت مرکز مددکاری خانواده شهرداری (افراد فقیر)، جمعیت بیکار (افرادی که شاغل نیستند)، شاخص بار جمعیتی (باری را که بر دوش جامعه است نشان می‌دهد. جمعیت غیرمولد)، و تعداد فروشگاه های مشروب (که به بسیاری از انواع جرایم خشن و دارایی مربوط می شود) [ ۵۲ ، ۶۰ ], ۶۱ , ۶۲ , ۶۳ , ۶۴ , ۶۵ ]. متغیرهای کنترلی در این مطالعه متغیرهای مستقل اضافی هستند که به طور مستقیم به اهداف این مطالعه علاقه ندارند، اما کنترل می شوند زیرا توسط مطالعات قبلی برای تأثیرگذاری بر الگوهای جرم مورد آزمایش قرار گرفته اند. ما آنها را درج می کنیم تا مطمئن شویم که رابطه جرم-توییت و رابطه ساختار جرم-سن تصادفی نیست. برای هر یک از این پنج متغیر وابسته، دو مدل مناسب هستند، یکی با جمعیت محیطی (توییت‌ها) و کنترل‌ها، دیگری با جمعیت بی‌حرکت (≤۱۵ یا >65) و کنترل‌ها. در نتیجه، ۲ ×۵ = ۱۰ مدل مناسب است.

برای استفاده از مدل رگرسیون خطی سنتی، متغیر وابسته باید از توزیع نرمال پیروی کند. با این حال، همانطور که قانون تمرکز جرم و قانون آهنین مکان‌های دردسرساز پیشنهاد می‌کنند: مکان‌های کمی مسئول بیشتر جرم هستند و بیشتر مکان‌ها جرمی را تجربه نمی‌کنند، بنابراین توزیع جرم همیشه کج است [ ۵ ، ۶ ، ۸ ، ۹ ] ]. همانطور که در شکل ۱ ، شکل ۲ ، شکل ۳ ، شکل ۴ و شکل ۵ مشهود است.، الگوهای جرم و جنایت در Szczecin نیز خوشه ای هستند. این به وضوح فرض اصلی رگرسیون خطی را نقض می کند. بنابراین، پواسون یا رگرسیون دو جمله ای منفی باید استفاده شود [ ۶۶ ، ۶۷ ، ۶۸]. مدل رگرسیون پواسون ممکن است برای داده های شمارش مانند حوادث جرم استفاده شود. با این حال، برای استفاده از رگرسیون پواسون، میانگین متغیر وابسته باید برابر واریانس باشد، که اغلب در داده‌های جرم ارضا نمی‌شود. بنابراین، با پیروی از رویه کلی در مطالعات جرم، از مدل رگرسیون دو جمله ای منفی برای ارزیابی رابطه بین جرم و جمعیت محیط در مقابل جمعیت غیر متحرک (≤۱۵ و >65) استفاده می کنیم. مدل رگرسیون دو جمله ای منفی به طور گسترده در مطالعات جرم شناسی مورد استفاده قرار گرفته است زیرا همگنی واریانس را فرض نمی کند و نیازی به توزیع نرمال متغیر وابسته ندارد [ ۶۷ ]. واحد تجزیه و تحلیل همسایگی است ( N = ۳۷). مدل رگرسیون دو جمله ای منفی به صورت زیر است:

جایی که NB مخفف دوجمله ای منفی است، yمنشمارش جرم در محله i ( i = ۱, …, n ) است، ایکسمنکk امین متغیر توضیحی برای همسایگی i است، βک( k = ۰, ۱, …, p ) ضرایب هستند و α پارامتر پراکندگی بیش از حد [ ۶۸ ] است.

جدول ۲ نتایج مدل های دوجمله ای منفی را برای پنج نوع جرم مختلف نشان می دهد. همانطور که در بخش روش شناسی مشخص شده است، هر یک از این پنج نوع جرم با دو مدل مختلف مطابقت دارند: یکی با جمعیت محیطی (توئیت ها) و دیگری با جمعیت غیر متحرک (≤۱۵ یا >65). همه مدل‌ها همچنین دارای متغیرهای کنترل اجتماعی و اقتصادی لازم هستند و حجم نمونه هر مدل ۳۷ است. معیار جمعیت محیطی مبتنی بر توییت رابطه مثبت معناداری با هر پنج نوع جرم دارد: سرقت تجاری (۰٫۵۳ = β، ۰٫۰۵ > p )، مواد مخدر. جنایت ( β = ۰٫۴۴، p <0.01)، مبارزه با باتری ( β = ۰٫۳۴، p <0.01)، آسیب اموال ( β = ۰٫۳۶، p<0.05)، و سرقت ( β = ۰٫۰۹، p <0.01). این بدان معنی است که اگر محله دارای جمعیت بیشتری باشد، خطرات این جنایات بیشتر است. این پنج نوع جرم همگی ارتباط نزدیکی با توزیع پویای جمعیت در خیابان‌ها و نزدیک آن دارند: سرقت تجاری در تأسیسات تجاری و تأسیسات تجاری که در آن افراد رفت و آمد می‌کنند، اتفاق می‌افتد [ ۶۹ ]. جرایم مواد مخدر (شامل توزیع، توزیع، نگهداری، خرید و فروش مواد)، دعوا کردن، آسیب به اموال (وندالیسم)، و دزدی معمولاً در خیابان‌ها و نزدیک خیابان‌هایی که مردم از آنجا بازدید می‌کنند اتفاق می‌افتد [ ۱۲ ، ۷۰ ، ۷۱ ، ۷۲ ، ۷۳ ].

جمعیت غیر متحرک (≤۱۵ یا >65)، با این حال، تنها به طور قابل توجهی به سرقت های تجاری به شیوه ای مثبت مرتبط است. دلیل احتمالی این امر در Szczecin است، ساختارهای مسکونی و تجاری به شدت مخلوط شده اند و محله ها دارای خانه های مسکونی و امکانات تجاری بیشتری هستند. علاوه بر این، جمعیت کمتر متحرک تمایل دارند فقط از مغازه ها و مراکز خدماتی نزدیک به محل زندگی خود استفاده کنند. تصادفاً، متخلفان دزدی های تجاری نیز عمدتاً ساکنان یک منطقه معین هستند و تمایل دارند مکان های کوچکی را که محافظت ضعیفی دارند هدف قرار دهند [ ۷۴ ، ۷۵ ].

با توجه به متغیرهای کنترل، تراکم جمعیت رابطه منفی با سرقت های تجاری در Szczecin دارد. این ممکن است نشان دهد که مناطق با تراکم جمعیت کمتر سرقت های تجاری بیشتری را تجربه می کنند. یک توضیح بالقوه این است که سارقان تمایل دارند از مناطق بسیار شلوغ اجتناب کنند زیرا خطر شناسایی شدن بیشتر است زیرا افراد بیشتری در نزدیکی هستند و تأسیسات تجاری در آن مناطق معمولاً از اقدامات امنیتی بیشتری برای جلوگیری از سرقت استفاده می کنند [ ۷۶ ، ۷۷ ]. همانطور که در مطالعات قبلی پیشنهاد شده است، مناطقی که جمعیت بیشتری در فقر و بیکار دارند، دزدی های تجاری، مشکلات مواد مخدر، آسیب اموال و سرقت های بیشتری را تجربه می کنند [ ۷۰ ، ۷۸ ، ۷۹ ، ۸۰ ]]. علاوه بر این، تعداد فروشگاه‌های مشروب به طور مثبتی با جرایم مواد مخدر، مبارزه با باتری و سرقت مرتبط است، که به خوبی با ادبیات موجود مشابهت دارد [ ۸۱ ، ۸۲ ، ۸۳ ].

اذعان به محدودیت های داده های رسانه های اجتماعی مانند توییت ها ضروری است. همانطور که مطالعات قبلی نشان داده است، توییت ها ممکن است تصویر کاملی از جمعیت سرشماری در یک منطقه را نشان ندهند. این به این دلیل است که کاربران توییتر نسبتاً جوان، ساکنان شهری و کاربران تلفن همراه هستند [ ۴۴ ، ۴۸ ، ۴۹ ]. علاوه بر این، تنها ۱۵٪ از بزرگسالان استفاده کننده از اینترنت از توییتر استفاده می کنند و بیشتر آنها بزرگسالان جوان هستند [ ۸۴ ، ۸۵ ]]. بنابراین، تحلیل‌های مبتنی بر توییت‌ها نباید ادعاهای مربوط به نمایندگی داده‌ها را اغراق کنند. با این وجود، این محدودیت‌ها اکتشافات این مطالعه را تضعیف نمی‌کند، زیرا ما از تعداد توییت‌ها به عنوان معیاری برای جمعیتی استفاده می‌کنیم که تحرک بیشتری دارند. نتایج نشان می دهد که توزیع جمعیت های متحرک و بی حرکت با الگوهای انواع مختلف جرم مرتبط است. به دلیل محدودیت داده ها، ما فقط می توانیم این مطالعه را در Szczecin، لهستان انجام دهیم. آزمون های بیشتری باید در سایر کشورهای اروپایی و یا حتی سایر نقاط جهان انجام شود تا نظم و انضباط بیشتر شود و دانش پیشرفت کند. علاوه بر این، ما از محله به عنوان واحد مطالعه استفاده می کنیم، زیرا این بهترین واحد داده های جمعیت شناختی اجتماعی است که می توانیم در این زمینه به دست آوریم. همانطور که توسط یک مطالعه قبلی پیشنهاد شده است،۳۱ ]. بنابراین، اگر داده‌ها در دسترس باشند، ممکن است آزمایش‌های بیشتری در واحدهای فضایی حتی دقیق‌تر، به‌عنوان مثال، مسیر، گروه بلوک، و بلوک‌ها مورد نیاز باشد تا ببینیم آیا چنین روابطی در مقیاس‌های فضایی مختلف وجود دارند یا خیر.