بررسی تأثیر ویژگی‌های همسایگی بر خطرات سرقت: رویکرد مدل‌سازی اثرات تصادفی بیزی

خلاصه

یک رویکرد مدل‌سازی اثرات تصادفی بیزی برای بررسی تأثیر ویژگی‌های محله بر خطرات سرقت در منطقه جیانگان، ووهان، چین مورد استفاده قرار گرفت. این مدل اثرات تصادفی اساساً فضایی است. یک عبارت اثرات تصادفی ساختار یافته فضایی و یک عبارت اثرات تصادفی بدون ساختار به مدل رگرسیون پواسون غیر فضایی سنتی اضافه شده است. بر اساس تئوری‌های بی‌سازمانی اجتماعی و فعالیت‌های معمول، از پنج متغیر کمکی استخراج‌شده از داده‌های موجود در سطح محله در مدل‌سازی استفاده شد. سه مدل رگرسیون برازش داده شد و با معیار اطلاعات انحراف مقایسه شد تا مشخص شود کدام مدل به بهترین وجه با داده‌های ما مطابقت دارد. مقایسه نتایج حاصل از سه مدل نشان می‌دهد که مدل اثرات تصادفی بیزی نسبت به مدل‌های غیرمکانی در برازش داده‌ها و برآورد ضرایب رگرسیون برتری دارد. نتایج ما همچنین نشان می‌دهد که محله‌هایی با تراکم میله‌های متوسط و تراکم فروشگاه‌های بزرگ، خطر سرقت بالاتری دارند. خطرات دزدی خاص محله و احتمالات پسین محله هایی که خطر سرقت بیشتر از 1.0 دارند، نقشه برداری شد، که نشان دهنده محله هایی است که باید توجه بیشتری را ایجاب کند و برای مداخله و کاهش جرم در اولویت قرار گیرند. مفاهیم و محدودیت های مطالعه در بخش نتیجه گیری ما مورد بحث قرار می گیرد. خطرات دزدی خاص محله و احتمالات پسین محله هایی که خطر سرقت بیشتر از 1.0 دارند، نقشه برداری شد، که نشان دهنده محله هایی است که باید توجه بیشتری را ایجاب کند و برای مداخله و کاهش جرم در اولویت قرار گیرند. مفاهیم و محدودیت های مطالعه در بخش نتیجه گیری ما مورد بحث قرار می گیرد. خطرات دزدی خاص محله و احتمالات پسین محله هایی که خطر سرقت بیشتر از 1.0 دارند، نقشه برداری شد، که نشان دهنده محله هایی است که باید توجه بیشتری را ایجاب کند و برای مداخله و کاهش جرم در اولویت قرار گیرند. مفاهیم و محدودیت های مطالعه در بخش نتیجه گیری ما مورد بحث قرار می گیرد.

کلید واژه ها:

خطر سرقت ؛ مدل سازی اثرات تصادفی بیزی رگرسیون پواسون فضایی ; WinBUGS ; زنجیره مارکوف مونت کارلو

1. معرفی

محققان از دیرباز به رابطه بین جرم و مکان علاقه مند بوده اند [ 1 ]. علاقه سنتی جرم شناسی به مکان عمدتاً بر سطوح کلان جغرافیایی مانند کشورها [ 2 ، 3 ]، ایالت ها [ 4 ]، شهرستان ها [ 5 ] و شهرها [ 6 ، 7 ] متمرکز است. اخیراً، علاقه فزاینده ای به جرم و جنایت در مقیاس های کوچک وجود داشته است که شامل بلوک ها [ 8 ]، محله ها [ 9 ]، بخش های خیابان [ 10 ]، بلوک های چهره [ 11] می شود.] و سایر واحدهای تحلیل با ناحیه کوچک تعریف شده. مطالعات جرم و جنایت در مقیاس های کوچک دارای مزایای عملی زیادی است و برای مجریان قانون ارزش فوق العاده ای دارد. علاوه بر ارائه اهداف نسبتاً دقیق و آسان‌تر نسبت به واحدهای تحلیل بزرگ برای نظارت اداره پلیس، آنها همچنین درک دقیق‌تر و قوی‌تری از رابطه پیچیده بین جرم و مکان ارائه می‌دهند و به پیشگیری و کنترل علمی جرم کمک می‌کنند.

رویکردهای رگرسیون غیر مکانی سنتی فرض می‌کنند که تعداد جرم یا نرخ جرم مستقل و به طور یکسان توزیع شده‌اند. این فرضیه وابستگی فضایی بین تعداد جرم و نرخ جرم را نادیده می گیرد، به ویژه در مقیاس های کوچک. علاوه بر این، برخی از متغیرهای کمکی، برای مثال درآمد و نرخ بیکاری، احتمالاً از نظر مکانی همبستگی خودکار دارند. در مطالعات بوم‌شناختی جرم، اگر وابستگی فضایی وجود داشته باشد اما نادیده گرفته شود، خطاهای استاندارد ضرایب رگرسیون ممکن است دست کم گرفته شوند و استنتاج‌های مغرضانه و ناکارآمد را القا کنند [ 12 ]. برای مثال، متغیرهای کمکی ممکن است به اشتباه به عنوان مهم شناسایی شوند. بنابراین، مدل‌های غیرمکانی برای تحلیل جرم در سطوح کوچک نامناسب هستند.

برای غلبه بر کاستی‌های مدل‌های غیرمکانی در مطالعات جرم‌شناسی، اکثر محققین یک مدل تاخیر فضایی، مدل خطای فضایی یا برخی دیگر از مدل‌های آماری فراوان‌گرا را از منظر فضایی اتخاذ می‌کنند [13 ، 14 ، 15 ، 16 ] . مدل تاخیر مکانی و مدل خطای مکانی [ 17] برای مدلسازی متغیرهای گسسته نامناسب هستند زیرا هر دو نیاز به پیوسته بودن متغیر وابسته دارند و از توزیع نرمال پیروی می کنند. اگر تعداد مجزای جرم متغیر پاسخ باشد، این مدل ها نامناسب خواهند بود. علاوه بر این، مدل‌های فضایی پیچیده، برای مثال مدل لجستیک فضایی و مدل پروبیت فضایی که خود همبستگی فضایی را به حساب می‌آورند، به سختی تحت روش‌های مبتنی بر فرکانس قرار می‌گیرند.

آمار بیزی به عنوان دیگر مکتب آماری در تحلیل فضایی نیز به کار گرفته شده است. بر خلاف آمارهای فراوان گرا، آمار بیزی تمام پارامترهای ناشناخته را به عنوان متغیرهای تصادفی با توزیع احتمال در نظر می گیرد. این بر این اصل استوار است که دانش و داده های قبلی با هم ترکیب می شوند تا تخمین های بعدی را برای پارامترهای مورد علاقه بدست آورند. رویکردهای بیزی برای مدل‌سازی داده‌های مکانی از دهه 1990 مورد توجه فزاینده‌ای قرار گرفته است. این امر تا حد زیادی مدیون بهبود روش‌های زنجیره مارکوف مونت کارلو (MCMC) است که تطبیق بیشتر مدل‌های بیزی را ممکن می‌سازد، در دسترس بودن نرم‌افزاری مانند WinBUGS برای پیاده‌سازی MCMC [ 18 ، 19] .] و تکامل سریع کامپیوترهای قدرتمند. رویکردهای بیزی همراه با MCMC برای اکتشاف مدل‌های پیچیده (فضایی) مناسب هستند که در غیر این صورت تطبیق با آمارهای مکرر دشوار است. اگرچه آمارهای بیزی در علم مد هستند و به طور گسترده در اپیدمیولوژی و مشکلات بهداشت محیطی، به ویژه نقشه برداری و مدل سازی بیماری ها استفاده می شوند [ 20 ، 21 ، 22 ، 23 ]، کاربرد آن ها برای تجزیه و تحلیل جرم هنوز نادر است. با این حال، محققان به طور فزاینده ای از مزایای مدل سازی فضایی بیزی در تجزیه و تحلیل جرم در منطقه کوچک آگاه هستند. در چند سال گذشته، ادبیات کوچک اما رو به رشدی دیده شده است که از رویکردهای فضایی بیزی در تحقیقات جنایی استفاده می کنند [ 24 ,25 , 26 , 27 , 28 , 29 , 30 , 31 , 32 , 33 , 34 , 35 ]. به عنوان مثال، رابطه بین فروشگاه های الکل و خشونت خانگی (خشونت شریک صمیمی و کودک آزاری) در چند مطالعه زیست محیطی نشان داده شده است [ 25 ، 29 ]. سایر ویژگی های سطح محله نیز با خشونت خانگی مرتبط است [ 32 ، 35 ]. چندین مقاله اخیر نیز تأثیرات متنی را بر مجرمان نوجوان و جرایم دارایی با استفاده از رویکرد مدل‌سازی فضایی بیزی بررسی کرده‌اند.30 ، 31 ، 33 ]. مدل‌های فضایی بیزی را می‌توان نه تنها برای تحلیل متغیرهای پیوسته مانند نرخ جرم، بلکه برای مدل‌سازی متغیرهای گسسته مانند شمارش جرم خام مورد استفاده قرار داد.

هدف اصلی تحقیق ما بررسی تأثیر ویژگی‌های محله بر خطرات سرقت با اتخاذ رویکرد مدل‌سازی اثرات تصادفی بیزی است. این رویکرد مدل سازی به ندرت برای مطالعه خطرات سرقت به کار می رود. مدل‌های اثرات تصادفی بیزی، مدل‌های خطی تعمیم‌یافته را با گنجاندن یک یا چند عبارت اثرات تصادفی گسترش می‌دهند. این اثرات تصادفی به تثبیت تخمین ریسک برای مناطق کوچک با استقراض قدرت از مناطق مجاور کمک می کند، بنابراین بر برآوردهای ناپایدار به دلیل مشکل تعداد کم غلبه می کند [ 21 ، 36]]. این روش در هنگام تعیین خودهمبستگی فضایی که اغلب در داده های جرم وجود دارد، به ویژه در مقیاس های منطقه کوچک، انعطاف پذیری بیشتری را امکان پذیر می کند. علاوه بر این، مدل‌سازی اثرات تصادفی نیز زمانی مناسب است که به دلیل محدودیت داده‌ها، برخی از متغیرهای کمکی که خود ساختار فضایی دارند گم شده یا مشاهده نشده باشند. یک عبارت اثرات تصادفی فضایی می تواند به عنوان یک پروکسی برای این متغیرهای کمکی در یک مدل بیزی عمل کند. علاوه بر این، مدل‌سازی اثرات تصادفی همچنین می‌تواند با مشکل پراکندگی بیش از حد، که اغلب هنگام برازش مدل پواسون به داده‌های شمارش ناحیه کوچک با آن مواجه می‌شود، مقابله کند [ 37 ، 38]. مدل‌های پواسون فرض می‌کنند که میانگین و واریانس برابر هستند، با این حال، پراکندگی بیش‌ازحد اغلب در داده‌های ناحیه کوچک در عمل به دلیل ناهمگونی درون ناحیه‌ای وجود دارد که در نتیجه واریانس بیش از میانگین است. در این مقاله، هدف ما این است که آزمایش کنیم آیا گروهی از ویژگی‌های محله، کنترل کننده پراکندگی بیش از حد و همبستگی فضایی، شاخص‌های خطر سرقت هستند. این می تواند در برنامه های پیشگیری و کنترل جرم مفید باشد. این مقاله کمکی به تحقیقات جرم‌شناسی موجود است، زیرا رویکرد مدل‌سازی اثرات تصادفی بیزی هنوز به ندرت در تحلیل جرم استفاده می‌شود.

باقیمانده این نسخه به شرح زیر سازماندهی شده است: ابتدا منطقه مورد مطالعه و داده های مورد استفاده شرح داده می شود. دوم، روش مدل‌سازی اثرات تصادفی بیزی، از جمله استراتژی مدل‌سازی، مشخصات قبلی پارامترها و اجرای روش، به تفصیل توضیح داده خواهد شد. ثالثاً، نتایج تجزیه و تحلیل نشان داده خواهد شد و سپس در قسمت پایانی، در مورد تجزیه و تحلیل و محدودیت های مطالعه بحث می شود.

2. مطالعه منطقه و داده ها

2.1. منطقه مطالعه

این مطالعه در منطقه Jianghan، ووهان، چین انجام شد. ووهان یکی از بزرگترین و پرجمعیت ترین شهرهای چین مرکزی است که از هفت ناحیه شهری و شش ناحیه حومه و روستایی تشکیل شده است. جیانگان پرجمعیت ترین منطقه شهری ووهان است. مساحت این ناحیه تقریباً 33.43 کیلومتر مربع و جمعیت ساکن در حدود 0.71 میلیون نفر در سال 2013 [ 39 ] بود. منطقه جیانگان شامل 116 محله است. واحد تجزیه و تحلیل در این مقاله محله است، یک سطح فرعی مستقیم از یک منطقه فرعی که یکی از کوچکترین تقسیمات سیاسی در چین است. محله های ناحیه جیانگان همگی دارای مرزهای مشخصی هستند. دو محله از مطالعه حذف شدند زیرا داده‌های مربوط به این محله‌ها وجود ندارد.

2.2. داده ها

اطلاعات مربوط به حوادث سرقت از سیستم گزارش 110 شهر ووهان که توسط اداره امنیت عمومی ووهان مدیریت می شود، تهیه شده است. سیستم گزارش 110 منبع اصلی اطلاعات رسمی جرم است، زیرا تماس 110 خط تلفن عمومی برای گزارش های جرایم و اضطراری در چین است. هر رکورد در سیستم حاوی اطلاعاتی در مورد جرم است، مانند شناسه منحصر به فرد، طبقه بندی، تاریخ و مکان (مختصات XY، با استفاده از سیستم جهانی ژئودتیک 1984) هر رویداد. در این مطالعه از داده های دو سال سرقت برای دوره بین سال های 2013 و 2014 استفاده شد. این امر نوسانات جرم و جنایت را در طول سالها کاهش می دهد و به دستیابی به برآوردهای پایدارتر از اثرات متغیرهای کمکی و خطرات سرقت کمک می کند. نقاط حادثه به چند ضلعی های همسایگی با پیوستن فضایی در ArcMap 10.0 تجمیع شدند. یک حادثه به محله ای که داخل آن افتاد اختصاص داده شد و تمام حوادث سرقت در هر محله جمع بندی شد که در نتیجه تعداد کل سرقت برای هر محله انجام شد. در طول مدت مطالعه، 4115 فقره سرقت در منطقه مورد مطالعه رخ داده است. حوادث به طور نابرابر در بین محله ها توزیع شدند، از صفر تا 756 با میانگین 36.10 و انحراف استاندارد 76.80، که نشان می دهد اگر فرض شود داده های سرقت از توزیع پواسون پیروی می کنند، پراکندگی بیش از حد وجود دارد. از میان 114 محله، سه محله دارای سرقت صفر و 30.7 درصد محله ها [ حوادث به طور نابرابر در بین محله ها توزیع شدند، از صفر تا 756 با میانگین 36.10 و انحراف استاندارد 76.80، که نشان می دهد اگر فرض شود داده های سرقت از توزیع پواسون پیروی می کنند، پراکندگی بیش از حد وجود دارد. از میان 114 محله، سه محله دارای سرقت صفر و 30.7 درصد محله ها [ حوادث به طور نابرابر در بین محله ها توزیع شدند، از صفر تا 756 با میانگین 36.10 و انحراف استاندارد 76.80، که نشان می دهد اگر فرض شود داده های سرقت از توزیع پواسون پیروی می کنند، پراکندگی بیش از حد وجود دارد. از میان 114 محله، سه محله دارای سرقت صفر و 30.7 درصد محله ها [35 ] کمتر از 10 مورد سرقت دارند.

متغیرهای کمکی مورد استفاده در مدل سازی بر اساس نظریه بی سازمانی اجتماعی [ 40 ] و نظریه فعالیت معمول [ 41 ] ترسیم شدند. نظریه بی‌سازمانی اجتماعی مدعی است که استرس اجتماعی-اقتصادی کنترل اجتماعی را تضعیف می‌کند و سازمان اجتماعی را کاهش می‌دهد که منجر به وقوع جرم می‌شود [ 42 ، 43 ]. نظریه فعالیت معمول استدلال می کند که جرایم با ویژگی های محیط اجتماعی مرتبط است و سه عنصر برای وقوع جرم ضروری است: مجرمان با انگیزه، اهداف مناسب، و فقدان سرپرستان توانا [44، 45 ] .]. بر اساس این دو نظریه، ما پنج متغیر را در سطح محله به عنوان عوامل خطر بالقوه از داده های موجود شناسایی کردیم. متغیرها تراکم جمعیت، نرخ بیکاری، تراکم بار، تراکم فروشگاه‌های بزرگ و پلیس بودند.

تراکم جمعیت به عنوان تعداد ساکنان در هر کیلومتر مربع در هر محله تعریف می شود. تراکم جمعیت بالاتر نظارت بر خیابان توسط ساکنان را افزایش می دهد [ 46 ]. با این حال، برخی از محققان استدلال می کنند که هر چه تراکم جمعیت بیشتر باشد، میزان جرم و جنایت بیشتر است [ 47 ، 48 ].

نرخ بیکاری به عنوان تعداد ساکنان بیکار بین 18 تا 60 سال تقسیم بر همه ساکنان در همان محدوده سنی محاسبه می شود. نرخ بیکاری یک شاخص بالقوه برای وضعیت اجتماعی و اقتصادی محله است. الگوهای فضایی جرم اغلب با وضعیت اجتماعی-اقتصادی مرتبط است. بر اساس تئوری بی‌سازمانی اجتماعی، وضعیت اجتماعی-اقتصادی پایین اغلب به طور مثبت با جرم مرتبط است.

تراکم بار و تراکم فروشگاه های بزرگ به ترتیب به تعداد بارها و فروشگاه های بزرگ به ازای هر 10000 نفر در یک محله اشاره دارد. از این دو متغیر برای نشان دادن اثرات کاربری زمین استفاده می شود. متغیرهای کاربری زمین برای مدت طولانی مورد توجه محققان در تجزیه و تحلیل جرم بوده است [ 49 ، 50 ، 51 ]. ما این دو نوع کاربری زمین را در تجزیه و تحلیل قرار می دهیم تا بررسی کنیم که آیا آنها شاخص هایی از خطر سرقت هستند یا خیر.

پلیس تعداد کل اتاق های پلیس و نظارت اجتماعی به ازای هر 10000 نفر در هر محله است. اتاق های پلیس محلی در یک محله توسط ایستگاه های پلیس محلی برای تضمین امنیت محله ایجاد می شود و معمولاً توسط یک یا دو افسر پلیس تشکیل می شود. پلیس می تواند از وقوع جرم پیشگیری کرده و آن را کاهش دهد، اما از سوی دیگر، حضور پلیس بیشتر ممکن است واکنشی به مناطق با جرم بالا باشد.

از پنج متغیری که در بالا توضیح داده شد، یکی مربوط به جمعیت شناختی (تراکم جمعیت)، یکی به عنوان نماینده ای برای وضعیت اجتماعی-اقتصادی (نرخ بیکاری)، دو متغیر مربوط به کاربری زمین (تراکم بار و تراکم فروشگاه بزرگ) و آخرین مورد مربوط به پلیس است. ما از این پنج متغیر به عنوان متغیرهای کمکی در تجزیه و تحلیل خود استفاده کردیم تا ببینیم آیا آنها ارتباط واضحی با خطرات سرقت دارند یا خیر. جدول 1 ماتریس همبستگی پنج متغیر کمکی را نشان می دهد. این نتایج نشان می دهد که جفت کمکی نرخ بیکاری و تراکم جمعیت دارای بیشترین ضریب مطلق (0.420) است. به گفته ایوانز [ 52]، همبستگی بین آنها متوسط است در حالی که همبستگی دیگران ضعیف یا بسیار ضعیف است. ما از سه معیار برای تشخیص درجه چند خطی پنج متغیر کمکی استفاده می کنیم. اول، همه همبستگی های زوجی از 0.5-0.7 تجاوز نمی کنند (اگر همبستگی های زوجی از آستانه معمول پیشنهادی، 0.5-0.7 فراتر رود، همخطی بالاست؛ یک قانون کلی این است که از متغیرهای همبسته در |r| > 0.7 استفاده نکنید) [53 ] . دوم، تعیین کننده ماتریس همبستگی 0.62 است که از 0 فاصله دارد، که نشان می دهد همخطی زیاد نیست [ 53 ]. سوم، عدد شرط (CN) (نسبت بین بزرگترین و کوچکترین مقدار ویژه ماتریس همبستگی) [ 54 ] 3.85 است، بسیار کوچکتر از 100 (اگر CN < 100، چند خطی معمولا ضعیف در نظر گرفته می شود [ 55]]؛ دورمن و همکاران [ 53 ] همچنین آستانه 30 را پیشنهاد می کند. هر سه معیار نشان می‌دهند که چند خطی بودن موضوعی نیست. بنابراین، ما آن را در تحلیل فعلی در نظر نمی گیریم.

3. روش ها

3.1. استراتژی مدلسازی

متغیر وابسته تعداد سرقت خام بود و فرض بر این بود که از توزیع پواسون پیروی می کند. نماد استفاده شده برای این فرض عبارت است از:

O (i) ~ P o i s s o n (E (i) r (i))

(1)

جایی که $E (i) r (i)$ مقدار مورد انتظار توزیع پواسون است، $E (i)$ تعداد موارد سرقت در محله i است که در صورت توزیع تصادفی رویدادها در منطقه مورد مطالعه به گونه ای که تعداد مورد انتظار در هر محله با جمعیت آن نسبت مستقیم داشته باشد، می توان انتظار داشت. $r (i)$ خطر سرقت مربوط به منطقه خاص است. مدل رگرسیون پواسون سنتی به شرح زیر است:

l o g [E (i) r (i)] = l o g [E (i)] + l o g [r (i)]

(2)

= l o g [E (i)] + β 0 + β 1 ایکس 1 (i) + \dots + β ک ایکس ک (من)

(3)

جایی که $l o g [E (i)]$ یک عبارت افست با ضریب رگرسیون یک است، $β_{0}$ رهگیری است، $X_{1}$ ، $\dots$ ، $X_{k}$ مشاهدات متغیرهای کمکی هستند، $β_{1}$ ، $\dots$ ، $β_{k}$ ضرایب رگرسیون مربوطه هستند و $k$ تعداد متغیرهای کمکی، پنج در این مطالعه است. این مدل فرض می کند که همه متغیرهای کمکی مربوطه به درستی مشخص شده اند. علاوه بر این، غیر فضایی است و پراکندگی بیش از حد یا هیچ ساختار فضایی بین محله ها را در نظر نمی گیرد. برای مقابله با این مشکلات، از رویکرد مدل‌سازی اثرات تصادفی بیزی استفاده شد. مدل اثرات تصادفی بیزی به صورت زیر مشخص می شود:

l o g [E (i) r (i)] = l o g [E (i)] + β 0 + β 1 ایکس 1 (i) + \dots + β ک ایکس ک (i) + U (i) + S (من)

(4)

جایی که $U (i)$ یک اصطلاح اثرات تصادفی بدون ساختار برای محاسبه بیش از حد پراکندگی است، و $S (i)$ یک اصطلاح اثرات تصادفی فضایی برای توضیح خودهمبستگی فضایی است. به طور خاص، اصطلاح اثرات تصادفی فضایی $S (i)$ به عنوان یک پروکسی برای متغیرهای کمکی گمشده یا اندازه‌گیری نشده عمل می‌کند که از نظر مکانی همبستگی خودکار دارند، در غیر این صورت ساختار فضایی را در باقیمانده‌ها ثبت می‌کند. این مدل اثرات تصادفی در واقع بسط مدل غیر فضایی است که با گنجاندن عبارت اثرات تصادفی فضایی، آن را به یک مدل پواسون فضایی تبدیل می کند. اگر متغیرهای کمکی از دست رفته یا اندازه‌گیری نشده از نظر مکانی همبستگی خودکار نداشته باشند، عبارت اثرات تصادفی ساختار نیافته در نظر گرفته شود. $U (i)$ ممکن است کافی باشد و اصطلاح اثرات تصادفی فضایی باشد $S (i)$ را می توان از معادله (4) حذف کرد. بنابراین، مدل دیگری را نیز در تحلیل اجرا کردیم:

l o g [E (i) r (i)] = l o g [E (i)] + β 0 + β 1 ایکس 1 (i) + \dots + β ک ایکس ک (i) + U (من)

(5)

بسته به نتایج سه مدل (معادلات (3) – (5))، مدلی را انتخاب کردیم که بهترین تناسب با داده‌های ما را داشت و تجزیه و تحلیل خود را بر اساس این مدل انجام دادیم.

3.2. مشخصات قبلی

در رویکرد بیزی، دانش و داده های قبلی برای استنباط تخمین های پسین ترکیب می شوند. برای پارامترهای ناشناخته باید Priors مشخص شود.

β_{0}

، عبارت intercept، یک dflat() یکنواخت در کل خط به دلیل محدودیت مجموع به صفر در اثرات تصادفی [ 56 ] اختصاص داده می شود. بدون انتظارات قبلی واقعی در مورد جهت و بزرگی اثرات متغیرهای کمکی، یک قبل مبهم از توزیع نرمال با میانگین 0 و واریانس بزرگ (=100000)، یعنی N(0، 100000) برای همه ضرایب رگرسیون مشخص شد.

U (i)

مشخص شد که از توزیع نرمال با میانگین مورد انتظار 0 و واریانس پیروی کند

σ_{u}^{2}

S (i)

قبل از آن یک خودرگرسیون شرطی ذاتی (ICAR) که به طور گسترده در آمارهای فضایی استفاده می شود، اختصاص داده شد [ 57 ، 58 ]. با توجه به مشخصات ICAR، میانگین شرطی از

S (i)

داده شده

S (j)

به مقادیر همسایگان و متغیر بودن آن بستگی دارد

S (i)

توسط یک پارامتر واریانس کنترل می شود،

σ_{s}^{2}

. به طور خاص، برای منطقه i ، میانگین شرطی

S (i)

با میانگین همسایه آن داده می شود

S (j) s

، و واریانس

S (i)

با تعداد همسایگانش نسبت معکوس دارد. به صورت زیر تعریف می شود:

⎡ ⎣ ⎢ اس (من) | اس (j) j \neq i \sim N o r m a l ⎛ ⎝ \sum j \neq i ω من ، ج اس (j) ∕ n من ، σ 2 س ∕ n من ⎞ ⎠ ⎤ ⎦ ⎥

(6)

جایی که $ω_{i, j} = 1$ اگر i و j مجاور باشند و $ω_{i, j} = 0$ در غیر این صورت (با $ω_{i, i}$ همچنین روی 0) و $n_{i}$ تعداد محله های مجاور محله i است . محله هایی که مرز مشترک دارند به عنوان همسایه تعریف می شوند. همانطور که گلمن [ 59 ] توصیه می کند، ما از یک توزیع یکنواخت قبلی dunif(0، 100) برای پارامترهای انحراف استاندارد، به جای گاما استفاده کردیم. $ϵ$ ، $ϵ$ ) خانواده توزیع غیر اطلاعاتی که در آن $ϵ$ مقدار کمی برای پارامترهای دقیق تنظیم شده است $U (i)$ و $S (i)$ ; اگر پارامتر انحراف معیار نزدیک به صفر تخمین زده شود، استنباط های حاصل حساس به $ϵ .$

در تجزیه و تحلیل خود، ما همچنین توزیع خلفی را زیر نظر گرفتیم

ψ

، که به این صورت تعریف می شود:

ψ = s d ( اس ) s d ( U ) + s d ( اس )

(7)

جایی که $s d (S)$ و $s d (U)$ انحرافات استاندارد حاشیه ای تجربی هستند $S$ و $U,$ به ترتیب [ 60 ]. $ψ$ برای اندازه گیری تغییرپذیری در اثرات تصادفی ناشی از وابستگی فضایی استفاده می شود. مقادیر بزرگ از $ψ$ (یعنی نزدیک به 1) یک جزء واریانس همبسته فضایی غالب را نشان می دهد، در حالی که مقادیر کوچک (یعنی نزدیک به صفر) یک جزء ناچیز را نشان می دهد.

3.3. پیاده سازی

ما از رویکرد شبیه‌سازی MCMC در WinBUGS 1.4.3 برای برازش سه مدل استفاده کردیم (معادلات (3) – (5)). مدل ها با معیار اطلاعات انحراف (DIC) [ 61 ، 62 ] ارزیابی شدند. DIC یک تعمیم از معیار اطلاعات آکایک [ 63 ] است و هم تناسب مدل و هم پیچیدگی مدل را هنگام مقایسه مدل ها در نظر می گیرد. مقادیر DIC کوچکتر نشان دهنده یک مدل مناسب تر است.

سه زنجیره موازی با مقادیر اولیه بسیار متفاوت برای مدل‌ها اجرا شد. همگرایی با بررسی نمودار تاریخچه نمونه ها (مقادیر در یک منطقه موازی بدون تناوب قوی نشان دهنده همگرایی زنجیره است)، نمودار خودهمبستگی (مقادیر خود همبستگی پایین نشان دهنده همگرایی سریع)، آماره همگرایی گلمن-روبین [ 64 ] نظارت شد. و خطاهای مونت کارلو (MC) (خطای MC باید کمتر از 5% انحراف استاندارد خلفی مربوطه باشد) [ 31 ]. همگرایی در 10000 تکرار شناسایی شد و این تکرارها به عنوان “سوزاندن” کنار گذاشته شدند. هر زنجیره برای 100000 تکرار دیگر اجرا شد و 300000 نمونه تولید کرد. این نمونه ها برای تولید توزیع های خلفی استفاده شدند.

برای تجزیه و تحلیل حساسیت، ما همچنین مدل‌ها را با دیگر پیشین‌های N(0، 10) و N (0، 1000) برای ضرایب رگرسیون، و توزیع یکنواخت dunif (0، 50) و dgamma (0.5، 0.0005) برای ضرایب رگرسیون اجرا کردیم. پارامترهای انحراف استاندارد شرایط اثرات تصادفی. ما از N (0،10) اطلاعات قبلی استفاده کردیمبررسی اینکه آیا ضرایب رگرسیون اساساً بر اساس مشخصات قبلی متفاوت است، زیرا یکی از تمرکز مطالعه ما بررسی این است که آیا متغیرهای کمکی ارتباط واضحی با خطرات سرقت دارند یا خیر. هیچ ضرایب رگرسیون تخمینی علائم خود را تغییر نداد و تفاوت ها کمتر از 05/0 بود. DIC ها نیز اختلاف کمتر از 3.0 داشتند. بنابراین، ضرایب رگرسیون با توجه به اولویت‌های انتخابی قوی بود.

4. نتایج

برای بهبود همگرایی و امکان افزایش سرعت الگوریتمی، همه متغیرهای کمکی در مدل‌ها استاندارد شدند (مرکز حول میانگین و سپس تقسیم بر انحراف استاندارد) [ 22 ].

شکل 1 از بالا به پایین و از چپ به راست نمودار تاریخچه، نمودار چگالی خلفی، نمودار آماری گلمن روبین، نمودار خود همبستگی و آمار خطای MC را نشان می دهد.

β_{3}

، ضریب رگرسیون برای چگالی میله، نشان دهنده همگرایی است.

جدول 2 نتایج سه مدل نصب شده در WinBUGS را نشان می دهد. مدل 1 مدل پواسون غیر فضایی بدون در نظر گرفتن پراکندگی بیش از حد و ساختار فضایی است (معادله (3)). مدل 2 مدل پواسون غیر فضایی است که فقط یک اصطلاح اثرات تصادفی ساختار نیافته دارد

U (i)

برای محاسبه بیش از حد پراکندگی (معادله (5)). مدل 3 مدل اثرات تصادفی فضایی با اصطلاح اثرات تصادفی بدون ساختار است

U (i)

و یک اصطلاح اثرات تصادفی ساختاریافته

S (i)

برای محاسبه بیش از حد پراکندگی و ساختار فضایی، به ترتیب (معادله (4)). DICها برای مدل 2 و مدل 3 742.030 و 736.462 هستند، در مقایسه با 4982.890 برای مدل 1. اگرچه مدل 2 و مدل 3 حدود 105 پارامتر موثر اضافی دارند.

p_{d}

) برای عبارات اثرات تصادفی نسبت به مدل 1، ارزش آن را دارد به این معنا که DIC آنها بسیار کوچکتر هستند. DICهای بسیار کوچکتر برای مدل 2 و مدل 3 ضرورت حسابداری برای پراکندگی بیش از حد توسط اثرات تصادفی را نشان می دهد. علاوه بر این، مدل 3 دارای DIC کوچکتری نسبت به مدل 2 در 5.568 است و می توان آن را نسبت به مدل 2 صرفه جویی تر در نظر گرفت زیرا دارای تعداد کمتری است.

p_{d}

. بنابراین، مدل 3 توسط داده های ما بهتر از مدل 2 پشتیبانی می شود. میانگین پسین

ψ

به دست آمده از مدل 3 0.5493 است. این نشان می دهد که حدود 55 درصد از تنوع بیش از حد که توسط متغیرهای کمکی توضیح داده نشده است به دلیل تغییرات تصادفی ساختار یافته مکانی است. در همان زمان، نویز تصادفی بدون ساختار 45 درصد از تنوع اضافی را تشکیل می دهد. نه تغییرات تصادفی ساختاریافته و نه نویز تصادفی بدون ساختار بر سایرین غالب نیستند. این نشان می دهد که لازم است هر دو اثر تصادفی ساختاریافته و بدون ساختار را در مدل خود لحاظ کنیم. به طور خلاصه، مقایسه DIC ها برای مدل 1، مدل 2 و مدل 3 نشان می دهد که مدل 3 بهترین تناسب را با داده ها دارد. علاوه بر این، میانگین خلفی

ψ

علاوه بر این نشان می دهد که مدل 3 بهترین مدل در بین سه مدل است زیرا بر خلاف دو مدل دیگر، هم تغییرات تصادفی ساختاریافته و هم نویز تصادفی بدون ساختار را در نظر می گیرد.

در مدل 1، سه متغیر کمکی در بازه اعتبار 95 درصد (CI) معنادار هستند. آنها تراکم جمعیت، نرخ بیکاری و پلیس هستند. پس از محاسبه پراکندگی بیش از حد با عبارت اثرات تصادفی در مدل 2 و مدل 3، نرخ بیکاری و پلیس دیگر معنی دار نیست، در حالی که تراکم میله و تراکم فروشگاه بزرگ قابل توجه است. این نشان می دهد که مدل 1 اهمیت برخی از متغیرهای کمکی را به اشتباه شناسایی می کند. علاوه بر این، ضرایب رگرسیون برای تراکم میله و چگالی فروشگاه بزرگ علائم خود را در مدل 2 و مدل 3 تغییر دادند. اگرچه مدل 2 و مدل 3 مجموعه‌ای از متغیرهای کمکی معنی‌دار را شناسایی می‌کنند، اما دقت ضرایب رگرسیون برای همه متغیرهای کمکی به غیر از تراکم فروشگاه بزرگ از مدل 2 در مقایسه با مدل 3 بیش از حد برآورد شده است. این نتایج از این ادعا که مدل اثرات تصادفی فضایی (مدل 3) نسبت به مدل های غیرمکانی (مدل 1 و مدل 2) برتر است، پشتیبانی بیشتری می کند. بنابراین، اگر پراکندگی بیش از حد و خودهمبستگی فضایی وجود داشته باشد اما به درستی در مدل رگرسیون محاسبه نشود، می توان استنتاج های مغرضانه و حتی نادرست به دست آورد. بنابراین، تحلیل‌های باقی‌مانده ما صرفاً بر اساس مدل فضایی پواسون (مدل 3) است.

نتایج مدل پواسون فضایی نشان می‌دهد که نرخ بیکاری و پلیس ارتباط واضحی با خطرات سرقت ندارند. تراکم جمعیت با خطرات سرقت همبستگی منفی دارد، در حالی که تراکم بارها و تراکم فروشگاه‌های بزرگ با خطرات سرقت همبستگی مثبت دارند. محله ها با افزایش یک انحراف معیار در تراکم جمعیت، 26.07% کاهش در خطرات سرقت را نشان می دهند (معادله (8)). در عین حال، محله ها با افزایش یک انحراف معیار در تراکم میله و تراکم فروشگاه های بزرگ به ترتیب 46.68 درصد و افزایش 23.60 درصد در خطرات سرقت را تجربه می کنند (معادلات (9) و (10)). در همه موارد، سایر متغیرهای کمکی ثابت نگه داشته می شوند:

e x p (- 0.3020) - 1 = - 0.2607

(8)

e x p (0.3831) - 1 = 0.4668

(9)

e x p (0.2034) - 1 = 0.2360

(10)

شکل 2 نقشه توزیع نسبت های استاندارد شده سرقت (SBRs) را در سطح محله نشان می دهد. SBR نسبت خام تعداد مشاهده شده سرقت به تعداد مورد انتظار است. این معیاری برای خطرات سرقت است. محله‌ای که SBR آن بزرگ‌تر از 1.0 است، بیش از حد انتظار، حوادث سرقت دارد. سه محله دارای SBR 0.0 بودند زیرا تعداد سرقت مشاهده شده آنها صفر بود. حدود 33.3% (38 از 114) از کل محله ها SBR بالاتر از 1.0 داشتند. سه مورد از این محله‌ها دارای ارزش SBR بزرگتر از 9.0 بودند، که نشان می‌دهد تعداد دزدی‌ها بیش از 9 برابر میزان مورد انتظار مشاهده شده است.

شکل 3 نقشه توزیع خطرات دزدی را نشان می دهد (میانگین پسین خطر سرقت منطقه خاص

r (i)

) توسط مدل پواسون فضایی (مدل 3) برآورد شده است. بر خلاف SBR، محاسبه این معیار از خطرات سرقت، اثرات متغیرهای کمکی، تغییرات تصادفی ساختاریافته و تغییرات تصادفی بدون ساختار را در نظر می‌گیرد. این نقشه به وضوح اثر هموارسازی فضایی از مدل‌سازی اثرات تصادفی بیزی را نشان می‌دهد. به طور خاص، هیچ محله ای ریسک 0.0 را نشان نمی دهد. این بیشتر نشان دهنده خطرات واقعی است زیرا احتمال اینکه خطر سرقت در هیچ یک از محله ها صفر نباشد، بیشتر است. علاوه بر این، یکی از محله ها در گوشه سمت راست پایین شکل 2 که در شکل 2 استدارای SBR بزرگتر از 1.0 است و اکنون دارای مقدار کمتر از 1.0 است. این هموارسازی فضایی به تثبیت تخمین ریسک کمک می کند. این از طریق اصطلاح اثرات تصادفی فضایی در مدل اثرات تصادفی فضایی بیزی اجرا می شود که محله ها را قادر می سازد اطلاعات را از همسایگان خود قرض بگیرند.

شکل 4 احتمالات پسین محله هایی را نشان می دهد که خطر سرقت بزرگتر از 1.0 دارند. بر خلاف خطرات سرقت نقشه برداری شده در شکل 3 که واریانس را در نظر نمی گیرند، احتمالات پسین واریانس خطرات سرقت منطقه خاص را به حساب می آورند. آنها قدرت این را می سنجند که خطر سرقت خاص محله 1.0 بالاتر است. برای هر محله، این احتمال برابر است با نسبت شبیه‌سازی‌هایی که به آن خطری بیشتر از 1.0 اختصاص می‌دهند. شکل 4 نشان می دهد که 31 محله وجود دارد که دارای مقدار احتمال پسین بالاتر از 0.80 (24 محله بالاتر از 0.95) هستند. در نقشه برداری بیماری، ریچاردسون و همکاران. یک قانون تصمیم گیری برای تشخیص مناطق پرخطر واقعی پیشنهاد کنید، به عنوان مثال، با استفاده از مقداری در حدود 0.7-0.8 به عنوان آستانه در احتمال پسین [65 ]. میانگین خطرات دزدی پسین برای این 31 محله همه بزرگتر از 1.0 هستند، همانطور که در شکل 3 می توان مشاهده کرد . این محله ها باید مورد توجه کافی قرار گیرند و توسط ادارات اجرای قانون و محققان مورد بررسی بیشتر قرار گیرند.

5. بحث

در تحقیق خود، ما از یک رویکرد مدل‌سازی اثرات تصادفی بیزی برای بررسی تأثیر ویژگی‌های محله بر خطرات سرقت در منطقه جیانگگان، ووهان، چین استفاده کردیم. پراکندگی بیش از حد در داده های سرقت وجود داشت، زیرا واریانس (74/5950) بیش از 164 برابر میانگین (10/36) بود. پنج متغیر کمکی، به عنوان مثال، تراکم جمعیت، نرخ بیکاری، تراکم نوار، تراکم فروشگاه بزرگ و پلیس، عوامل خطر بالقوه در نظر گرفته شد. برای برازش داده ها از سه مدل استفاده شد. مدل 1 (معادله (3))، بدون در نظر گرفتن پراکندگی بیش از حد، دارای DIC 4983 است. به ترتیب 742 و 736. بسیاری از تفاوت ها در DIC ها در درجه اول ناشی از پراکندگی بیش از حد است. کاهش بزرگتر DIC در مدل 2 و مدل 3، ضرورت و اهمیت حسابداری برای پراکندگی بیش از حد را هنگام برازش مدل ها به داده های شمارش ناحیه کوچک نشان می دهد. با در نظر گرفتن متغیرهای کمکی، مدل 1 تراکم جمعیت، نرخ بیکاری و پلیس را در فاصله زمانی معتبر 95 درصد معنی‌دار می‌داند. با این حال، زمانی که پراکندگی بیش از حد توسط اثرات تصادفی در مدل 2 و مدل 3 محاسبه شد، نرخ بیکاری و پلیس دیگر معنی دار نبودند، در حالی که تراکم میله و تراکم فروشگاه بزرگ معنی دار شد. مدل 1 اهمیت برخی از متغیرهای کمکی را به اشتباه شناسایی کرد. این بیشتر تأیید می کند که پراکندگی بیش از حد باید به درستی در تجزیه و تحلیل جرم در منطقه کوچک مورد بررسی قرار گیرد. مدل 2 و مدل 3 مجموعه مشابهی از متغیرهای کمکی مهم را شناسایی کردند،جدول 2 . این نشان می‌دهد که مدل 3 که خود همبستگی فضایی را با گنجاندن یک عبارت اثرات تصادفی مکانی محاسبه می‌کند، برتر از مدل 2 است که همبستگی فضایی را در نظر نمی‌گیرد. در مجموع، مدل 3، که هم اثرات تصادفی ساختاریافته و هم ساختار یافته را برای توضیح پراکندگی بیش از حد و همبستگی خودکار فضایی، ترکیب می‌کند، بهترین مدل است. میانگین خلفی

ψ

(0.5493) نشان می دهد که نه تغییرات تصادفی ساختاریافته و نه نویز تصادفی بدون ساختار بر دیگری تسلط دارند، که بیشتر ضرورت ترکیب هر دو عبارت اثرات تصادفی را نشان می دهد. همه این‌ها نشان می‌دهند که مدل اثرات تصادفی فضایی (مدل 3) نسبت به مدل‌های غیرمکانی (مدل 1 و مدل 2) برتری دارد. روش مدل‌سازی اثرات تصادفی بیزی روش جدیدی برای درک عوامل خطر مرتبط با جرم در مقیاس کوچک فراهم می‌کند و به تعیین استراتژی‌های پیشگیری و مداخله مناسب از جرم کمک می‌کند. مطالعه ما کمکی به ادبیات جرم‌شناسی می‌کند زیرا رویکرد مدل‌سازی اثرات تصادفی بیزی هنوز به ندرت در تحلیل جرم استفاده می‌شود.

نتایج این مطالعه نشان می‌دهد که خطرات سرقت در منطقه جیانگهان، ووهان، به طور قابل‌توجهی با تراکم جمعیت، تراکم بار و تراکم فروشگاه‌های بزرگ در بازه زمانی معتبر 95 درصد همبستگی دارد. تراکم جمعیت با خطرات سرقت ارتباط منفی دارد. این می تواند خطرات سرقت را کاهش دهد، احتمالاً به این دلیل که تراکم جمعیت زیاد نظارت بر ساختمان های مسکونی را آسان تر می کند. خطر سرقت در محله هایی که تراکم میله ها بالاتر از حد متوسط است، بیشتر است. این یافته با مطالعات قبلی که نشان می‌داد مکان‌های با میله‌ها جرم بیشتری نسبت به مکان‌های بدون میله دارند مطابقت دارد [ 66]]. تراکم بالاتر فروشگاه های بزرگ با افزایش خطرات سرقت در منطقه جیانگان مرتبط است. نرخ بیکاری نیز با خطرات سرقت همبستگی مثبت دارد. این مطابق با تئوری بی‌سازمانی اجتماعی است که ادعا می‌کند که وضعیت اقتصادی-اجتماعی پایین معمولاً با جرم رابطه مثبت دارد، اگرچه نرخ بیکاری در تحلیل ما معنی‌دار نیست. دلیل مهم نبودن آن ممکن است این باشد که نرخ بیکاری به عنوان نماینده ای برای وضعیت اجتماعی-اقتصادی در مقاله ما عمل می کند. با این حال، وضعیت اجتماعی-اقتصادی پیچیده است و نمی توان آن را به طور کامل تنها با نرخ بیکاری نشان داد. پلیس نیز در تحلیل ما بی اهمیت است. دلیل ممکن است این باشد که می تواند از وقوع جرم جلوگیری کند، اما از طرف دیگر ممکن است واکنشی به مناطق پر جرم باشد. نتایج همچنین نشان می دهد که حدود 55 درصد از تنوع بیش از حد در خطرات سرقت به دلیل تغییرات تصادفی ساختار یافته مکانی است. 45 درصد باقیمانده ناشی از نویز تصادفی بدون ساختار است.

ما خطرات سرقت تخمین زده شده توسط مدل اثرات تصادفی را ترسیم کردیم و اثر هموارسازی فضایی به دست آمده با استحکام وام گرفتن از مناطق همسایه را نشان دادیم که تخمین ریسک را تثبیت کرد ( شکل 3 ). احتمالات پسین محله هایی که خطر سرقت بیشتر از 1.0 دارند نیز ترسیم شد ( شکل 4 ). بسته به موقعیت های خاص یا سؤالات تحقیق، این مقدار را می توان در مدل اثرات تصادفی بیزی ما تغییر داد. به عنوان مثال، احتمالات پسین محله هایی که خطر سرقت بیشتر از 9.0 دارند را نیز می توان تخمین زد. شکل 4 و شکل 3می توانند در عمل با هم برای ارائه مرجعی برای پیشگیری و کنترل جرم استفاده شوند. در مجموع، رویکرد مدل‌سازی اثرات تصادفی بیزی برای مدل‌سازی داده‌های شمارش گسسته منطقه کوچک که ممکن است مقدار کمی، پراکندگی بیش از حد و همبستگی فضایی را نشان دهند، مناسب است.

6. نتیجه گیری

این مقاله به درک ما از رابطه بین خطرات سرقت و ویژگی های محله می افزاید. نتایج مطالعه ما پیامدهای مستقیم و عملی بر تخصیص منابع پلیس و ارزیابی برنامه های پیشگیری و کنترل جرم دارد. پلیس با تمرکز بر حوادث سرقت در منطقه جیانگان باید عملیات را به سمت محله هایی که دارای تراکم بالای بارها و فروشگاه های بزرگ هستند، هدف قرار دهد. محله هایی که خطر سرقت آنها بیشتر از 1.0 است (نشان داده شده در شکل 3 ) و احتمال خطرات بعدی سرقت بیشتر از 1.0 (نشان داده شده در شکل 4 ) زیاد است، باید به شدت برای مداخله اولویت بندی شده و برای بررسی بیشتر توجه کافی شود.

این مطالعه محدودیت هایی نیز دارد. ابتدا، منطقه مورد مطالعه به عنوان یک سیستم بسته در نظر گرفته شد و ما تأثیرات مناطق خارجی را در نظر نگرفتیم. دوم، یافته‌های این مطالعه محدود به منطقه جیانگان است و ممکن است در جای دیگر قابل اجرا نباشد. سوم، داده های سرقت از سیستم گزارش 110 به دست آمده است. آنها ممکن است تمام رخدادهای دزدی را به دلیل گزارش نکردن یا گزارش نکردن کمتر از جرایم و اشتباهات وارد کردن داده ها به طور دقیق منعکس کنند [ 67 ، 68]. در مورد متغیرهای کمکی، اثرات آنها را در منطقه مورد مطالعه همگن فرض کرده ایم. با این حال، در واقعیت، تأثیرات فضایی لزوماً همگن نیستند. علاوه بر این، نرخ بیکاری ممکن است به اندازه کافی قدرتمند نباشد که وضعیت اجتماعی-اقتصادی را نشان دهد. همچنین برخی از متغیرهای بالقوه مرتبط با تئوری بی‌سازمانی اجتماعی و نظریه فعالیت‌های روتین مانند ناهمگونی قومیتی، گسست خانواده، تحرک مسکونی و محیط ساخته شده، به دلیل در دسترس نبودن در این مطالعه لحاظ نشده‌اند. کار آینده می‌تواند تحلیل فعلی را برای مطالعه پویایی زمانی خطرات سرقت از طریق یک رویکرد مدل‌سازی مکانی-زمانی گسترش دهد.

منابع

ویزبرد، دی. بروینسما، جی جی; برناسکو، دبلیو. واحدهای تحلیل در جرم شناسی جغرافیایی: توسعه تاریخی، مسائل بحرانی و سؤالات باز. در قرار دادن جنایت در جای خود ; Springer: برلین، آلمان، 2009; صص 3-31. [ Google Scholar ]
ویر، آر. بنگس، م. بریتانیا، جی. استفاده از سیستم های اطلاعات جغرافیایی توسط تحلیلگران جرم و جنایت در انگلستان و ولز . دفتر خانه: لندن، بریتانیا، 2007. [ Google Scholar ]
آرچر، دی. گارتنر، آر. خشونت و جنایت در دیدگاه فراملی . انتشارات دانشگاه ییل: نیوهیون، CT، ایالات متحده آمریکا، 1987. [ Google Scholar ]
فگیانی، د. بیبل، دی. برنسیلبر، دی. حل مشکل منطقه ای با استفاده از سیستم گزارش دهی مبتنی بر حادثه. در حل مشکلات جرم و بی نظمی ; انجمن تحقیقات اجرایی پلیس: واشنگتن، دی سی، ایالات متحده آمریکا، 2001; صص 155-174. [ Google Scholar ]
Baller، RD; آنسلین، ال. مسنر، اس.اف. دین، جی. هاوکینز، DF متغیرهای ساختاری نرخ قتل شهرستانی ما: ترکیب اثرات فضایی. جرم شناسی 2001 ، 39 ، 561-588. [ Google Scholar ] [ CrossRef ]
کورک، دی. بررسی تعامل فضا-زمان در داده‌های قتل در سطح شهر: بازارهای شکاف و انتشار اسلحه در بین جوانان. جی. کوانت. Criminol. 1999 ، 15 ، 379-406. [ Google Scholar ] [ CrossRef ]
بامر، ای. Lauritsen، JL; روزنفلد، آر. رایت، آر. تأثیر کوکائین کراک بر میزان سرقت، سرقت، و قتل: یک تجزیه و تحلیل بین شهری، طولی. J. Res. Crime Delinquency 1998 , 35 , 316-340. [ Google Scholar ] [ CrossRef ]
تیلور، RB نظم اجتماعی و بی نظمی بلوک های خیابان و محله ها: بوم شناسی، میکرواکولوژی، و مدل سیستمی بی سازمانی اجتماعی. J. Res. Crime Delinquency 1997 , 34 , 113-155. [ Google Scholar ] [ CrossRef ]
مارتین، دی. الگوهای فضایی در سرقت مسکونی ارزیابی اثر سرمایه اجتماعی محله. J. Contemp. عدالت کیفری 2002 ، 18 ، 132-146. [ Google Scholar ] [ CrossRef ]
گراف، ای آر. ویزبرد، دی. یانگ، اس.-م. آیا بررسی روندهای جرم و جنایت در سطح “خرد” محلی مهم است؟: تحلیل طولی تغییرپذیری خیابان به خیابان در مسیرهای جرم و جنایت. جی. کوانت. Criminol. 2010 ، 26 ، 7-32. [ Google Scholar ] [ CrossRef ]
اسمیت، WR; Frazee, SG; دیویسون، EL تداوم ادغام فعالیت های معمول و نظریه های بی نظمی اجتماعی: واحدهای کوچک تحلیل و مطالعه سرقت خیابانی به عنوان یک فرآیند انتشار. جرم شناسی 2000 ، 38 ، 489-524. [ Google Scholar ] [ CrossRef ]
قانون، ج. هاینینگ، آر. رویکرد بیزی برای مدل‌سازی داده‌های باینری: مورد مناطق جرم و جنایت با شدت بالا. Geogr. مقعدی 2004 ، 36 ، 197-216. [ Google Scholar ] [ CrossRef ]
مورنوف، جی دی. سامپسون، RJ; Raudenbush، SW محله نابرابری، اثربخشی جمعی، و پویایی فضایی خشونت شهری. جرم شناسی 2001 ، 39 ، 517-558. [ Google Scholar ] [ CrossRef ]
آندرسن، MA تحلیل فضایی جرم در ونکوور، کلمبیا بریتانیا: ترکیبی از بی‌سازمانی اجتماعی و نظریه فعالیت معمول. می توان. Geogr./Le Géographe canadien 2006 ، 50 ، 487–502. [ Google Scholar ] [ CrossRef ]
Malczewski، J. Poetz، A. سرقت های مسکونی و زمینه اجتماعی-اقتصادی محله در لندن، انتاریو: تحلیل رگرسیون جهانی و محلی. پروفسور Geogr. 2005 ، 57 ، 516-529. [ Google Scholar ] [ CrossRef ]
استین، RE; کانلی، جی اف. دیویس، سی. تأثیر متمایز اختلال جسمانی و اثربخشی جمعی: یک رگرسیون وزن‌دار جغرافیایی بر جنایت خشونت‌آمیز. GeoJournal 2015 ، 81 ، 1-15. [ Google Scholar ] [ CrossRef ]
Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . Kulwer Academic: Dordrecht، هلند، 1988. [ Google Scholar ]
کارلین، BP; Louis, TA Bayes and Empirical Bayes Methods for Data Analysis , 2nd ed.; چپمن و هال: لندن، بریتانیا، 2000. [ Google Scholar ]
Spiegelhalter، دی جی; توماس، ا. بهترین، NG; گیلکس، اشکالات WR: استنتاج بیزی با استفاده از نمونه گیری گیبس ، نسخه 0.50; دانشگاه کمبریج، واحد آمار زیستی MRC: کمبریج، بریتانیا، 1995. [ Google Scholar ]
کلیتون، دی. کالدور، جی. بیز تجربی خطرات نسبی استاندارد شده با سن را برای استفاده در نقشه برداری بیماری تخمین می زند. بیومتریک 1987 ، 43 ، 671-681. [ Google Scholar ] [ CrossRef ] [ PubMed ]
برناردینلی، ال. کلیتون، دی. پاسکوتو، سی. مونتومولی، سی. غسلندی، م. Songini، M. Bayesian تجزیه و تحلیل تغییرات فضا-زمان در خطر بیماری. آمار پزشکی 1995 ، 14 ، 2433-2443. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لاوسون، نقشه برداری بیماری بیزی AB : مدلسازی سلسله مراتبی در اپیدمیولوژی فضایی . CRC Press: Boca Raton، FL، USA، 2013. [ Google Scholar ]
کیم، اچ. اولسون، جی جی مدل تعامل پویای مکانی-زمانی بیزی: کاربرد برای بروز سرطان پروستات. Geogr. مقعدی 2008 ، 40 ، 77-96. [ Google Scholar ] [ CrossRef ]
هاینینگ، آر. قانون، جی. ترکیب ادراک پلیس با سوابق پلیس از مناطق جرم و جنایت جدی: یک رویکرد مدل سازی. JR Stat. Soc. سر. A (Stat. Soc.) 2007 ، 170 ، 1019-1034. [ Google Scholar ] [ CrossRef ]
فریستلر، بی. Weiss, RE استفاده از مدل‌های فضا-زمان بیزی برای درک محیط مصرف مواد و خطر ارجاع به خدمات محافظت از کودک. فرعی استفاده از سوء استفاده 2008 ، 43 ، 239-251. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ویلر، دی سی؛ والر، لس آنجلس مقایسه مدل‌های ضریب متغیر فضایی: یک مطالعه موردی که نرخ جرم خشونت‌آمیز و روابط آن‌ها با فروشگاه‌های الکل و دستگیری‌های غیرقانونی مواد مخدر را بررسی می‌کند. جی. جئوگر. سیستم 2009 ، 11 ، 1-22. [ Google Scholar ] [ CrossRef ]
لوین، ن. تخمین سفر به جرم بلاک، R. Bayesian: یک بهبود در روش شناسی پروفایل جغرافیایی. پروفسور Geogr. 2011 ، 63 ، 213-229. [ Google Scholar ] [ CrossRef ]
یو، کیو. اسکریبنر، آر. کارلین، بی. تال، ک. سیمونسن، ن. قوش دستیدار، ب. کوهن، دی. میسون، کی. مدل‌های نقطه تغییر دوگانه فضایی-زمانی چند سطحی برای ارتباط تخریب خروجی الکل و تغییرات در نرخ خشونت‌های تهاجمی در محله. Geosp. سلامت 2008 ، 2 ، 161-172. [ Google Scholar ] [ CrossRef ] [ PubMed ]
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. J. Urban Health 2011 ، 88 ، 191-200. [ Google Scholar ] [ CrossRef ] [ PubMed ]
قانون، ج. مدل‌سازی اثر تصادفی فضایی چان، PW بیزی برای تجزیه و تحلیل خطرات سرقت با کنترل عوامل خطر متخلف، اجتماعی-اقتصادی و ناشناخته. Appl. تف کردن مقعدی سیاست 2012 ، 5 ، 73-96. [ Google Scholar ] [ CrossRef ]
قانون، ج. کوئیک، ام. بررسی پیوندهای بین مجرمان نوجوان و بی‌سازمانی اجتماعی در مقیاس بزرگ نقشه: رویکرد مدل‌سازی فضایی بیزی. جی. جئوگر. سیستم 2013 ، 15 ، 89-113. [ Google Scholar ] [ CrossRef ]
گراسیا، ای. لوپز-کوئیلز، آ. مارکو، ام. لادوسا، اس. لیلا، ام. بررسی تأثیرات همسایگی بر تغییرات منطقه کوچک در خطر خشونت شریک صمیمی: رویکرد مدل‌سازی اثرات تصادفی بیزی. بین المللی جی. محیط زیست. Res. بهداشت عمومی 2014 ، 11 ، 866-882. [ Google Scholar ] [ CrossRef ] [ PubMed ]
قانون، ج. کوئیک، م. چان، پ. بیزی مدل سازی فضایی-زمانی برای تحلیل الگوهای محلی جرم در طول زمان در سطح منطقه کوچک. جی. کوانت. Criminol. 2014 ، 30 ، 57-78. [ Google Scholar ] [ CrossRef ]
قانون، ج. کوئیک، م. چان، PW تجزیه و تحلیل نقاط داغ جنایت با استفاده از رویکرد مدل‌سازی فضایی-زمانی بیزی: مطالعه موردی جنایات خشونت‌آمیز در ناحیه بزرگتر تورنتو. Geogr. مقعدی 2015 ، 47 ، 1-19. [ Google Scholar ] [ CrossRef ]
گراسیا، ای. لوپز-کوئیلز، آ. مارکو، ام. لادوسا، اس. لیلا، ام. اپیدمیولوژی فضایی خشونت شریک جنسی: آیا محله ها اهمیت دارند؟ صبح. J. Epidemiol. 2015 ، 182 ، 58-66. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Knorr-Held، L. Bayesian مدل‌سازی تغییرات تفکیک ناپذیر فضا-زمان در خطر بیماری. آمار پزشکی 1999 ، 19 ، 2555-2567. [ Google Scholar ] [ CrossRef ]
مولیه، آ. گیلکس، دبلیو. ریچاردسون، اس. Spiegelhalter، D. نقشه برداری بیزی بیماری. تمرین زنجیره ای مارکوف مونت کارلو. 1996 ، 1 ، 359-379. [ Google Scholar ]
ویکفیلد، جی. بهترین، ن. رویکردهای Waller، L. Bayesian به نقشه برداری بیماری. تف کردن اپیدمیول. Methods Appl. 2000 . [ Google Scholar ] [ CrossRef ]
اداره آمار شهرداری ووهان سالنامه آماری ووهان 2014 ; انتشارات آمار چین: پکن، چین، 2014.
شاو، CR; مک کی، HD بزهکاری نوجوانان و مناطق شهری ؛ انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1942. [ Google Scholar ]
کوهن، LE; فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
Bursik، RJ بی‌سازمانی اجتماعی و نظریه‌های جرم و بزهکاری: مشکلات و چشم‌اندازها. جرم شناسی 1988 ، 26 ، 519-552. [ Google Scholar ] [ CrossRef ]
آکرمن، WV همبستگی اجتماعی و اقتصادی افزایش نرخ جرم و جنایت در جوامع کوچکتر. پروفسور Geogr. 1998 ، 50 ، 372-387. [ Google Scholar ] [ CrossRef ]
فلسون، ام. کوهن، LE اکولوژی انسانی و جرم: رویکرد فعالیت معمول. هوم Ecol. 1980 ، 8 ، 389-406. [ Google Scholar ] [ CrossRef ]
شرمن، LW; گارتین، روابط عمومی؛ Buerger, ME نقاط داغ جنایات غارتگرانه: فعالیت های معمول و جرم شناسی مکان. جرم شناسی 1989 ، 27 ، 27-56. [ Google Scholar ] [ CrossRef ]
جیکوبز، جی. مرگ و زندگی شهرهای بزرگ آمریکا . Random House: نیویورک، نیویورک، ایالات متحده آمریکا، 1961. [ Google Scholar ]
بیزلی، RW; Antunes, G. علت شناسی جرم شهری یک تحلیل بوم شناختی. جرم شناسی 1974 ، 11 ، 439-461. [ Google Scholar ] [ CrossRef ]
روتولو، تی. عنوان، CR اندازه جمعیت، تغییر، و جرم و جنایت در شهرهای ایالات متحده. جی. کوانت. Criminol. 2006 ، 22 ، 341-367. [ Google Scholar ] [ CrossRef ]
Roncek, DW مکان های خطرناک: جرم و محیط مسکونی. Soc. نیروها 1981 ، 60 ، 74-96. [ Google Scholar ] [ CrossRef ]
استارک، آر. مکان های انحرافی: نظریه ای از بوم شناسی جرم. جرم شناسی 1987 ، 25 ، 893-910. [ Google Scholar ] [ CrossRef ]
Roncek، DW; مایر، بارها، بلوک‌ها و جنایات PA مورد بازبینی مجدد: پیوند نظریه فعالیت‌های معمول با تجربه‌گرایی «نقاط داغ». جرم شناسی 1991 ، 29 ، 725-753. [ Google Scholar ] [ CrossRef ]
Evans، JD Straightforward Statistics for the Behavioral Sciences . Brooks/Cole Publishing: Pacific Grove, CA, USA, 1996. [ Google Scholar ]
Dormann، CF; الیت، جی. باچر، اس. بوخمن، سی. کارل، جی. کاره، جی. مارکوز، جی آر جی؛ گروبر، بی. لافورکید، بی. Leitão، PJ Colinearity: مروری بر روش‌های مقابله با آن و یک مطالعه شبیه‌سازی که عملکرد آنها را ارزیابی می‌کند. اکوگرافی 2013 ، 36 ، 27-46. [ Google Scholar ] [ CrossRef ]
مونتگومری، دی سی؛ پک، EA؛ Vining، GG مقدمه ای بر تحلیل رگرسیون خطی . جان وایلی و پسران: نیویورک، نیویورک، ایالات متحده آمریکا، 2015. [ Google Scholar ]
بیزتی، اچ اس. د کاروالیو، CGP; د سوزا، JRP; Destro، D. تجزیه و تحلیل مسیر تحت چند خطی در سویا. براز قوس. Biol. تکنولوژی 2004 ، 47 ، 669-676. [ Google Scholar ] [ CrossRef ]
توماس، ا. بهترین، ن. لون، دی. آرنولد، آر. راهنمای کاربر Spiegelhalter, D. Geobugs . واحد آمار زیستی شورای تحقیقات پزشکی: کمبریج، انگلستان، 2004. [ Google Scholar ]
بساج، ج. یورک، جی. Mollié، A. بازیابی تصویر بیزی، با دو کاربرد در آمار فضایی. ان Inst. آمار ریاضی. 1991 ، 43 ، 1-20. [ Google Scholar ] [ CrossRef ]
بساج، ج. Kooperberg, C. در مورد خودرگرسیون های شرطی و ذاتی. Biometrika 1995 ، 82 ، 733-746. [ Google Scholar ]
Gelman, A. توزیع های قبلی برای پارامترهای واریانس در مدل های سلسله مراتبی. مقعد بیزی. 2006 ، 1 ، 515-534. [ Google Scholar ]
بهترین، NG; آرنولد، RA؛ توماس، ا. والر، لس آنجلس; مدل‌های Conlon، EM Bayesian برای داده‌های بیماری و مواجهه با همبستگی فضایی. در مجموعه مقالات ششمین نشست بین المللی والنسیا در مورد آمار بیزی، Alcossebre، اسپانیا، 6-10 ژوئن 1999. صص 131-156.
Spiegelhalter، دی جی; بهترین، NG; کارلین، BP; Van der Linde، A. Bayesian Deviance، تعداد موثر پارامترها، و مقایسه مدل‌های پیچیده دلخواه. در دسترس آنلاین: http://www.sph.umn.edu/faculty1/wp-content/uploads/2012/11/rr98-009.pdf (دسترسی در 10 ژانویه 2016).
Spiegelhalter، دی جی; بهترین، NG; کارلین، BP; اندازه‌گیری‌های پیچیدگی و تناسب مدل ون در لیند، A. بیزی. JR Stat. Soc. سر. B (Stat. Methodol.) 2002 ، 64 ، 583-639. [ Google Scholar ] [ CrossRef ]
آکایک، اچ. نظریه اطلاعات و بسط اصل احتمال حداکثری. در منتخب مقالات هیروتوگو آکایکه ; Springer: برلین، آلمان، 1998; صص 199-213. [ Google Scholar ]
گلمن، ا. استنتاج روبین، DB از شبیه سازی تکراری با استفاده از توالی های متعدد. آمار علمی 1992 ، 7 ، 457-472. [ Google Scholar ] [ CrossRef ]
ریچاردسون، اس. تامسون، ا. بهترین، ن. الیوت، پی. تفسیر تخمین خطر نسبی خلفی در مطالعات نقشه برداری بیماری. محیط زیست چشم انداز سلامتی 2004 ، 112 ، 1016-1025. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Roncek، DW; بل، آر. میله‌ها، بلوک‌ها و جنایات. جی. محیط زیست. سیستم 1981 ، 11 ، 35-47. [ Google Scholar ] [ CrossRef ]
گراف، ای آر. La Vigne, NG نقشه برداری از یک سطح فرصت سرقت مسکونی. J. Res. جنایت دلینق. 2001 ، 38 ، 257-278. [ Google Scholar ] [ CrossRef ]
رابینسون، MB; Mullen، KL Crime در محوطه دانشگاه: نظرسنجی از کاربران فضا. جنایت قبلی جامعه ایمن 2001 ، 3 ، 33-46. [ Google Scholar ] [ CrossRef ]

شکل 1. ( الف ) طرح تاریخ. ( ب ) نمودار چگالی خلفی. ( ج ) نمودار آماری گلمن روبین. ( د ) نمودار خودهمبستگی. ( ه ) آمار خطای مونت کارلو (MC) برای پارامتر رگرسیون

β_{3}

شکل 2. نقشه نسبت های استاندارد شده سرقت.

شکل 3. نقشه خطرات سرقت برآورد شده توسط مدل فضایی پواسون.

شکل 4. احتمالات پسین محله هایی که خطر سرقت بیشتر از 1.0 دارند.

جدول 1. ماتریس همبستگی متغیرهای کمکی.

جدول 2. نتایج سه مدل پیاده سازی شده با استفاده از نرم افزار WinBUGS. CI: فاصله معتبر؛ DIC: معیار اطلاعات انحراف.

© 2016 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC-BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب