国外犯罪时空分布研究综述.docVIP

PAGE PAGE 1 国外犯罪时空分布研究综述 　　国外犯罪时空分布研究综述 　　程薇，吴健平 　　（华东师范大学地理信息科学教育部重点实验室，上海200241） 　　摘要：从时间和空间的角度而言，犯罪事件的发生具有一定的规律。采用地理学视角观察犯罪问题，可以揭示其时空分布特征，有助于犯罪的预防与控制。国外学术界和警界对犯罪时空分布研究比较深入，在理论和实践上都有许多成果。本文主要从犯罪时空分布特征识别、犯罪时空分布模型建立、犯罪时空分布模式形成机制这三个方面，介绍和总结了当前国际上犯罪时空分布研究的进展，以期为我国在该领域的研究工作提供借鉴。 　　关键词：犯罪；时空分布；综述 　　中图分类号：D917.3文献标识码：ADOI：10.3969/j.issn.1004-9479.2013.02.018 　　犯罪一直是城市发展过程中不容忽视的问题。从时间和空间的角度而言，犯罪事件的发生具有一定的规律。采用地理学视角观察犯罪问题，可以揭示其时空分布模式，使犯罪的控制预防成为可能。 　　比较明确的针对犯罪问题在时空分布上的研究可以追溯到19世纪，1833年Guerry应用统计学方法分析了法国全国范围内犯罪与环境、人口变化之间的关系[1]。1842年Quetelet进行了相似研究，得到了法国富裕地区通常有更高的财产犯罪率、犯罪行为发生具有季节性特点的结论[2]。在20世纪初期，芝加哥大学社会学系对犯罪行为以及其他社会问题在城市中的分布进行探索，并用社区差异来解释这类现象，其中就包括了著名的Shaw和McKay关于青少年犯罪分布模式的研究[3]，该研究探讨了青少年犯罪率和社区情况之间的关系，在犯罪时空分析研究领域具有重要意义。早期由于技术条件因素，这方面的研究受到一定限制。20世纪90年代，随着地理信息系统（GIS）等技术的发展，犯罪时空分析在学术界和警界都得到了广泛应用，并出现了一系列分析工具和软件[4，5]。另一方面，分级多元线性回归模型很快被犯罪学家和社会学家所接受和应用，并发展出用于犯罪数据测量的生态测量学[6]、用于犯罪轨迹建模的轨迹模型等[7，8]。犯罪数据的统计方法从传统的最小二乘回归模型拓展到空间滞后模型、地理加权回归模型等。 　　目前，国外学术界和警界对犯罪时空分布研究比较深入，不乏基于真实犯罪数据的案例分析，在理论和应用上有较多成果。本文将主要从犯罪时空分布特征识别、犯罪时空分布模型建立、犯罪时空分布模式形成机制这三个方面介绍和总结当前国际犯罪时空分布研究的进展，以期为我国在该领域的研究工作提供借鉴。 　　1犯罪时空分布特征 　　犯罪事件的发生具有一定规律。从时间和空间的角度而言，这种规律表现为一种分布特征。通过使用一系列方法对犯罪数据进行处理分析，可以从一定程度上识别这种特征。犯罪时空分布特征指的是犯罪在时间和空间上的集聚情况，即是否存在“犯罪热点”，以及“犯罪热点”于什么位置、什么时间发生。从空间意义而言，犯罪热点指的是一个可识别的边界里的犯罪聚集地点或区域；从时间意义上而言，犯罪热点指的是犯罪高发的时间点或时间段。 　　1.1空间分布特征分析 　　犯罪数据按照来源可以分为通过区域统计方法获得的面数据和通过GPS等方式精确采集定位的点数据。面数据可以包含犯罪率以及各种社会经济指标，比较丰富且适合进行相关分析，但却涉及到可调整地区单元问题。点数据不受分区限制，能更真实地体现分布特征，但往往只具有单一的犯罪信息属性。所以基于点的热点探测方法并不一定总是优于基于面的方法[9]，要根据实际研究的需要进行数据选择和处理。 　　在犯罪的空间分布特征分析中，研究人员通常会先采用一系列检验指标判断犯罪数据是否在全域空间内存在聚集现象。对于面数据，相邻或相近的区域之间会相互影响，这种影响可能是促进，也有可能是抑制，即存在空间自相关性，可以通过Moran’sI指数[10]、Geary’sC指数[11]等加以检验。它们可以用于评估全域内的临近区域是空间正相关、空间负相关，还是相互独立的关系。针对点数据，常用的全局聚类检验指标有最邻近统计法[12]和Ripley’sK函数法[13]等。最邻近统计法指计算实际最小邻近距离的平均数与在随机情况下的期望最小临近距离的平均数的比率，小于1则表明存在聚集，但不适用于边界模糊的情况或小空间尺度的研究[14，15]。Ripley’sK函数法则是计算以每个犯罪点为圆心、给定半径内的平均犯罪数和研究区内犯罪点密度的比值，如果大于期望值则表明聚集。 　　在很多实际研究中，除了检验犯罪数据是否存在聚集情况，寻找数据在空间上聚集的具体位置可能更有实用价值。应用于面数据的经典方法有LISA指数[16]和Gi指数[17]，前者可以用于检验局部地区是否存在相似或相异的值聚集，后者用于检验局部地区是否存在显著的