نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

 

خلاصه

به طور کلی پذیرفته شده است که محیط شهری انواع مختلفی از عوامل خطر را ارائه می دهد، اما اینکه چگونه اثرات ساختاری مناطق بر سطوح خطر در مناطق مجاور تأثیر می گذارد کمتر مورد بررسی قرار گرفته است. این تحقیق اثرات محلی عوامل مؤثر دزدی را بر سرقت در مناطق کوچک در یک منطقه بزرگ شهری ارزیابی می کند. یک چارچوب مقایسه ای برای تجزیه و تحلیل اثرات وابستگی جغرافیایی بر نرخ سرقت، و برای ارزیابی چگونگی چنین وابستگی شرایط بافت جامعه و کاربری زمین شهری ایجاد شده است. تجزیه و تحلیل خودهمبستگی مکانی شاخص های محلی سرقت ها را در طول پنج سال (2011-2015) برای شناسایی خوشه های خطر ارزیابی می کند. پس از آن، اثرات متغیرهای مختلف (به عنوان مثال، بیکاری، تراکم ساختمان) در فرکانس سرقت در یک سری از مدل‌های رگرسیونی تخمین زده می‌شود و در عین حال تغییرات در سطوح خطر مناطق اطراف را کنترل می‌کند. نتایج شواهد قوی نشان می دهد که پیکربندی محیط اطراف بر ریسک تأثیر می گذارد. پس از کنترل تعامل مبتنی بر منطقه، الگوهایی شناسایی می‌شوند که با ادبیات قبلی در تضاد هستند، مانند دفعات کمتر سرقت در مناطق با اجاره بالاتر در واحدهای مسکن اجتماعی. مجموع یافته‌ها نشان می‌دهد که آرایش فضایی مناطق به اندازه عوامل جنایی زمینه‌ای حیاتی است، به ویژه هنگام ارزیابی خطر برای مناطق کوچک. الگوهایی شناسایی شده‌اند که در تضاد با ادبیات قبلی هستند، مانند دفعات کمتر سرقت در مناطق با اجاره بالاتر در واحدهای مسکن اجتماعی. مجموع یافته‌ها نشان می‌دهد که آرایش فضایی مناطق به همان اندازه که عوامل جرم زمینه‌ای حیاتی است، به ویژه هنگام ارزیابی خطر برای مناطق کوچک بسیار مهم است. الگوهایی شناسایی شده‌اند که در تضاد با ادبیات قبلی هستند، مانند دفعات کمتر سرقت در مناطق با اجاره بالاتر در واحدهای مسکن اجتماعی. مجموع یافته‌ها نشان می‌دهد که آرایش فضایی مناطق به همان اندازه که عوامل جرم زمینه‌ای حیاتی است، به ویژه هنگام ارزیابی خطر برای مناطق کوچک بسیار مهم است.
کلید واژه ها: 

دزدی ; وابستگی فضایی ؛ ارزیابی ریسک

 

1. معرفی

تحلیلگران جرم معمولاً از سنت بوم شناختی برای توضیح غلظت سرقت برحسب ساختارهای اجتماعی-اقتصادی و سیاسی استفاده می کنند [ 1 ]. ارتباط نهادهای ناپایدار و جرم و جنایت در مناطق به خوبی در ادبیات تثبیت شده است، اما میزان تأثیر جرم و جنایت تحت تأثیر بی ثباتی و مشکلات جرم و جنایت در مناطق مجاور اغلب نادیده گرفته شده است [ 2 ، 3 ]. این حذف، تجزیه و تحلیل جرم را از عمل جدا می کند، زیرا تحرک و تعامل انسان، و زوال آنها با افزایش فاصله، با هم تغییراتی را در توزیع عوامل خطر ایجاد می کند [ 1]]. در مقابل، تمرکز یکجانبه بر ریسک در مناطق فرض می‌کند که مناطق با ویژگی‌های یکسان برابر هستند و مشابه بودن یا نبودن همسایگانشان را ارزیابی نمی‌کند، شبیه به بستن صحنه‌های جرم و ارزیابی فقط شواهد موجود در هر صحنه.
به استثنای موارد، مانند در طول تجزیه و تحلیل کل کشورها، یا هنگام ارزیابی مناطقی که به طور تصادفی بدون توجه به اتصال جغرافیایی آنها نمونه برداری شده است، تحرک و تعامل پیامدهای قابل توجهی برای مشاهدات اندازه گیری شده دارد [4 ]]. یک راه برای تصور مغالطه نادیده گرفتن تعامل فضایی از طریق تبادل فرضی مکان ها برای دو منطقه است، یکی در منطقه مستعد جرم و دیگری در منطقه عاری از جرم. از آنجایی که چنین تغییر مکانی به طور قطع بر سطوح جرم ناشی از هر دو منطقه تأثیر می گذارد، نتیجه می شود که تعامل بین مناطق می تواند آمار کلی جرم را هدایت کند. به طور مداوم، تحلیلگران جرم اغلب پیوندهایی را از عوامل جرم و جنایت می‌کشند که از فرآیندهای مبتنی بر منطقه گسترده‌تر، مانند تورم اقتصادی، وام‌گیری منطقه‌ای، و قشربندی اجتماعی که تأثیرات آن فراتر از مناطق گسترش می‌یابد، ناشی می‌شود [5 ] . با این حال، مطالعات کمی بررسی کرده اند که چگونه مکان های جرم زا محلی در کنار هم وجود دارند [ 5 ].
ضرورت بررسی ماهیت و شدت روابط فضایی در این پژوهش، از جمله جنبه های دیگر، ناشی از این واقعیت است که فعالیت های روتین باعث شکل گیری مسیرهای مبدأ – جرم می شود که از نظر فضایی نامحدود هستند. سیستم‌های حمل‌ونقلی که مناطق کوچک، شهرها و مناطق را به هم متصل می‌کنند، ساکنان را قادر می‌سازد تا مناطق مشخص شده سرشماری خود را برای کار، خرید، یا بازدید از دوستان هر روز ترک کنند [6]، تعداد زیادی از مردم در مکان‌های عمومی مختلف و/یا برای رویدادهای مختلف جمع می‌شوند [ 7 ، 8 ] ، 9 ]، و افراد از زندان آزاد می شوند تا در مناطق پراکنده جغرافیایی مستقر شوند [ 10]. پدیده هایی از این قبیل اغلب باعث ایجاد تغییراتی در فرصت های جرم می شوند. بنابراین، در حالی که ترکیب ساختاری مناطق برای توضیح جرم معنادار است، تعاملی که در طول فعالیت های معمول رخ می دهد نیز بسیار مرتبط است [ 11 ، 12 ].
این تحقیق جرم به دانشی در مورد تأثیرات اجتماعی-ساختاری برای تولید سرقت کمک می کند. مهمتر از آن، همچنین اثرات ریسک ناشی از آرایش فضایی مناطق را بررسی می کند. دزدی برای این طراحی تحلیلی راحت است زیرا مطالعات قبلی اغلب بر جرایم حجمی دیگر مانند سرقت و خشونت تمرکز کرده اند [ 13 ، 14 ، 15 ]. بر خلاف این جنایات، تحقیقات مجرم-هدف برای سرقت شامل عدم اطمینان از اهداف متحرک نمی‌شود. این امکان تجزیه و تحلیل متمرکز تری را فراهم می کند.

2. تأثیرات دزدی مبتنی بر منطقه

مطالعات چارچوب های نظری را برای درک جرم، مانند «کارآمدی جمعی» و «بی سازماندهی اجتماعی» به کار برده اند [ 13 ، 16 ، 17 ]. این تئوری ها خوشه های ریسک مبتنی بر منطقه را به دو دلیل اصلی نسبت می دهند: (الف) تنوع در توانایی جوامع برای اعمال مکانیسم های ایمنی غیررسمی. و (ب) جنبه‌های نامطلوب حوزه‌هایی که افراد را از مداخله برای منافع عمومی منصرف می‌کند [ 15 ، 17 ]. بنابراین، محیط‌های هدف آسیب‌پذیر به مجرمان اجازه می‌دهد تا «منطقه راحتی» ایجاد کنند که با موفقیت‌های روزافزون گسترش می‌یابد [ 18 ، 19 ، 20 ]. این منجر به خوشه هایی در مناطق خاص می شود [ 2 ,13 ، 21 ، 22 ]، در انواع و مکان های خاص خانوار [ 23 ، 24 ، 25 ]، و در زمان های خاصی از روز یا روزهای هفته [ 21 ، 26 ]. جرم شناسان محیطی چنین الگوهای جرمی را با ردیابی سفرهای مجرم به جرم بررسی می کنند [ 27 ، 28 ]. با این حال، مجموعه داده‌های خاص مجرم معمولاً به اندازه کافی جزئیات ندارند تا همه سرنخ‌ها را در مورد تعاملات مجرم و چگونگی منجر به تمرکز جرم [ 28 ] ارائه کنند.
افزایش توانایی برای انجام مطالعات در سطح خرد، تحلیلگران را بر آن داشته است تا اطلاعات بیشتری را از ویژگی‌های مناطق هدف به عنوان شرایط انتخاب سارقان استخراج کنند. این خط تحقیقات عوامل اجتماعی-اقتصادی و کاربری زمین مبتنی بر منطقه را دنبال می کند که احتمالاً باعث ترویج یا جلوگیری از توسعه جرم می شود [ 2 ]. مطالعات جامعه‌شناختی ارتباط بین دزدی و آسیب‌های متمرکز [ 22 ، 25 ]، تراکم جمعیت بالا [ 29 ، 30 ]، ضرر [ 1 ، 20 ، 25 ] و بی‌ثباتی مسکونی [ 31 ، 32 ، 33] را بررسی کرده‌اند.]، و بسیاری از ارتباطات مهم پیدا شده است. در یک مطالعه گسترده روی 352 شهر ایالات متحده طی 30 سال، هیپ [ 34 ] کشف کرد که سطح طبقه بندی اقتصادی پیامدهای قابل توجهی برای دزدی دارد. شهرهایی که سطوح مختلف اقتصادی را در مناطق یکسان ترکیب می‌کنند، سطوح ریسک بالاتری را نسبت به شهرهایی با اقتصاد یکنواخت تجربه می‌کنند. با این حال، شهرهایی با طبقه بندی اجتماعی-اقتصادی بالا بدون در نظر گرفتن ساختار اقتصادی، از میزان سرقت بالایی رنج می بردند. شواهد بیشتر نشان می‌دهد که ناتوانی ساکنان در اعمال کنترل اجتماعی غیررسمی می‌تواند باعث شود که اثرات جرم از مناطق اطراف احساس شود [ 13] .]. علاوه بر این مشخص شد که احتمال قربانی شدن توسط سرقت در مناطقی که خانواده‌های مرفه با خانواده‌های محروم هم مرز بودند بیشتر از مناطقی بود که خانواده‌های مرفه توسط خانواده‌های به همان اندازه مرفه احاطه شده بودند [35 ] .
جنبه های ساختاری محیط ساخته شده نیز مورد بررسی قرار گرفته است. به عنوان مثال، وارد و همکارانش [ 25 ] کشف کردند که مناطقی با دسترسی بالا توسط شبکه جاده‌ای خطر سرقت پایینی را تجربه می‌کنند، در حالی که مناطق با ثروت بالاتر با وجود اتصال خوب، از نرخ بالاتری رنج می‌برند. نویسندگان این مشاهده را به تعادل منطقی خطرات و منافع مجرمان نسبت دادند. چشم انداز افزایش سود احتمالاً سارقان را به سمت انتخاب منطقه شکار متشکل از خانوارهای مرفه نسبت به خانوارهای محروم هدایت می کند. همچنین پیشنهاد شده است که برخی از ویژگی‌های کاربری زمین شهری، مانند مکان‌های تجاری و جاده‌های نفوذپذیر ( به عنوان مثالمولدهای جرم) تعداد زیادی از مردم را به دلایل نجیب جذب می کنند، اما با این وجود فرصت های توهین آمیز را فراهم می کنند [ 2 ، 8 ، 10 ، 19 ]. بسیاری از مکان‌های شهری نیز شامل جاذب‌های جرم و جنایت می‌شوند، مانند بازارهای مواد مخدر، اماکن وام‌دهی، رهن‌فروشان، مناطق با چراغ قرمز که منجر به تمرکز بالای جرم و جنایت می‌شوند، زیرا میزبان فعالیت‌های غیرقانونی هستند و مشارکت‌کنندگان مشتاق را جذب می‌کنند، با مجرمان با انگیزه و اهداف آسیب‌پذیر در میان این موارد [ 8 . 10 ، 36 ، 37 ، 38 ].
اکتشافات بالا نشان می دهد که جنایات هم از عوامل خطر موجود در مناطق و هم از تأثیرات اطراف ناشی می شوند. متأسفانه، بسیاری از مطالعات برجسته شده در بالا فرض کرده اند که مسیرهای جرم و جنایت خانه سارقان به طور تصادفی توزیع شده است یا اینکه هیچ محدودیت مکانی مانند فاصله یا اتصال مناطق وجود ندارد [ 2 ]. کار کمی برای کشف اینکه آیا اتصال متقابل فرصت های جرم بیشتری را در مکان های خاص نسبت به مکان های دیگر ایجاد می کند [ 2 ، 10 ، 38] انجام شده است.]. از آنجایی که جرایم بر مرزهای مناطق سرشماری تأثیر می گذارد، تخمین ریسک قابل اعتماد باید تعاملی را که بین گروه هایی از مناطق رخ می دهد در نظر بگیرد. تجزیه و تحلیل این مقاله یکی از تحقیقات اولیه را در مورد تعاملات منطقه محور و الگوهای سرقت های رسمی گزارش شده با بررسی دو سؤال ارائه می دهد:

  • آرایش فضایی نواحی تا چه اندازه در تأثیر ساختاری بر خطر سرقت داخلی یک منطقه تأثیر می گذارد؟
  • عوامل خطر مناطق به هم پیوسته چگونه بر دفعات سرقت تجمعی تأثیر می گذارد؟
بقیه این مقاله به شرح زیر سازماندهی شده است. ابتدا حوزه و روش های مطالعه را ارائه می کنیم. نتایج پس از آن، و همچنین بحث در مورد مفاهیم ارائه شده است. مقاله با توصیه های سیاستی به پایان می رسد.

3. مواد و روشها

3.1. منطقه مطالعه

تمرکز این مطالعه منطقه شهری لندن بزرگ، بزرگترین منطقه شهری بریتانیا و پرجمعیت ترین منطقه در اتحادیه اروپا است [ 39 ]. این منطقه به سه دلیل اصلی انتخاب شد. اول، منطقه لندن یک محیط تجاری شلوغ با انواع مختلف مولد جرم، افزایش قیمت مسکن، و سرعت بخشیدن به نرخ جرم و جنایت است [ 40 ، 41 ، 42 ]. بنابراین یک صحنه ایده آل برای بررسی تأثیرات جرم مبتنی بر منطقه ارائه می دهد. ثانیاً، نابرابری اجتماعی-اقتصادی بالا مشخصه منطقه لندن است. شکاف بین ثروتمندان و فقیران لندن یکی از بزرگترین شکاف ها در اروپا است و لندن داخلی نابرابرترین منطقه از نظر اقتصادی انگلستان است [ 40] .]. از یک طرف، مناطق خاصی در شرق، شمال و شمال غرب لندن توسط شاخص های محرومیت چندگانه بریتانیا به عنوان محروم ترین مناطق در کل انگلستان طبقه بندی شدند [ 43 ]. از سوی دیگر، ارزش جمعی املاک در ده منطقه در مرکز شهر لندن از ارزش ترکیبی املاک در ولز، ایرلند شمالی و اسکاتلند بیشتر است [ 44 ]. چنین نابرابری اقتصادی آشکاری بر سطح جرم و جنایت تأثیر می گذارد. در نهایت، مقامات لندن انواع مختلفی از مجموعه داده‌های بسیار دقیق را به طور رایگان برای تحقیق در دسترس قرار داده‌اند، عاملی که موظف است تحقیقات تطبیقی ​​آینده از این نوع را ارتقا دهد.

3.2. داده ها و متغیرها

داده های مطالعه از منابع مختلف به دست آمده است. متغیر وابسته پیوسته است و تعداد سرقت در هر هکتار را نشان می دهد. از 425393 سرقت ثبت شده توسط پلیس استفاده می کند که در طول پنج سال (2011-2015) در سراسر لندن بزرگ، منطقه بریتانیا رخ داده است.
تجزیه و تحلیل از 12 متغیر مستقل استفاده می کند. تعدادی از شاخص های اجتماعی-اقتصادی از داده های سرشماری ONS برای سال 2011 بر اساس ادبیات قبلی [ 1 ، 12 ، 35 ، 36 ، 45 ] استخراج شد. چهار متغیر اول با شرایط مناطقی مطابقت دارد که در آن مشکلات اجتماعی احتمالاً به وجود می آیند و بر کنترل های غیررسمی بر جرم تأثیر می گذارند [ 14 ، 17]]. نسبت های مختلف خانواده ها با توجه به اندازه گیری شد. (1) بیکاری (UNEMP)؛ (2) بدون خودرو (NOAUTO)؛ (3) بدون گرمایش مرکزی (NOHEAT)؛ و (4) زندگی در واحدهای مسکن اجتماعی (SOCHSE). سه متغیر اضافی برای عواملی که می توانند مستقیماً رفتار سرقت را تشدید کنند کنترل می کنند، مطابق با مطالعات قبلی [ 15 ، 17 ، 35]]؛ (5) ارزش وام وام مسکن برای بخش‌های کد پستی (MORTAGE) از ONS به‌دست آمد و در چهار فصل 2014 به‌طور میانگین محاسبه شد. مقادیر مربوط به نسبت داده ها در مناطق مبدأ است که مناطق هدف را قطع می کنند، با فرض توزیع یکنواخت مقادیر در داخل مناطق. به عنوان مثال، اگر منطقه مبدأ دارای ارزش وام رهنی 5 میلیون پوند باشد و نیمی از منطقه مورد نظر را تشکیل می دهد، 2.5 میلیون به عنوان ارزش متوسط ​​وزن منطقه به منطقه هدف کمک می کند. (6) قیمت خانه (HSEPRICE) از ONS در جغرافیای مناطق تجزیه و تحلیل به دست آمد. و (7) حضور مغازه‌های وام‌دهی روز، کارگزاران وام مسکن، و رهن‌گزاران (LENDERS) با استفاده از مکان‌های واقعی این تسهیلات تعیین شد.46 ، 47 ، 48 ]. متغیر LENDERS با جستجو در صفحات زرد و جستجو در مکان های منحصر به فرد امکانات عملیاتی با استفاده از برنامه نقشه برداری گوگل ساخته شد. نوردهی وزنی بر روی شبکه جاده اندازه گیری شد و از داده های جاده های رسمی بررسی مهمات استفاده شد. این وزن‌های فاصله معکوس را با استفاده از کوتاه‌ترین مسیر جاده از مرکز وزنی جمعیت منطقه تا محل تأسیسات اعمال می‌کند. وزن ها تفاوت بین مقدار فاصله آستانه از پیش تعریف شده (1 کیلومتر) و مقدار فاصله هر تاسیسات تا مرکز منطقه را بر روی حداکثر مقدار، که برای همه مشاهدات در 1 کیلومتر جمع می شود، به کار می گیرد.
دو متغیر مربوط به مناطق مرفه و تأثیر کاهش جرم است که از داده های سرشماری ONS برای مناطق تجزیه و تحلیل استفاده می کند. (8) درآمد کل متوسط ​​درآمد خانوار در سال است که به طور میانگین در طول پنج سال (2008-2013) می باشد. و (9) HOMEOWN نشان دهنده نسبت املاک مسکونی است که به طور کامل مالکیت دارند. در نهایت، سه متغیر فرصت‌هایی را برای تعامل مجرم-هدف سیگنال می‌دهند [ 1 ، 17 ، 30 ، 48 ، 49 ]. (10) POPDENS متغیری است که تراکم جمعیت را اندازه گیری می کند، به عنوان مثال ، تعداد افراد در 100 متر مربع; (11) DIST2CITY نشان دهنده نزدیکی به شهر لندن است. این وزنه‌های فاصله معکوس را با استفاده از کوتاه‌ترین مسیر از مرکز هر ناحیه تا شهر به کار می‌گیرد. این معیار برای کاهش فاصله مناطق تا مرکز شهر تنظیم شد. این نشان دهنده تفاوت بین حداکثر فاصله ثبت شده و مسافت منطقه است، وزن آن با مقدار حداکثر فاصله، یعنی 1 – [(d max – d ij )/d max ]). (12) BUILDDENS تعداد ساختمان ها در هکتار است و آخرین انتشار رسمی ردپای ساختمان توسط Ordnance Survey (ژوئیه 2015) را به کار می گیرد.

3.3. مواد و روش ها

این مطالعه بر بررسی اثرات سرقت بین مناطق کوچک به هم پیوسته متمرکز شده است. از این رو تعامل فضایی به عنوان معیاری از مجاورت برای مناطق مشاهده مفهوم‌سازی شد ( n = 4835). در حالی که تفاوت‌های بین طرح‌های مختلف وزن‌دهی مبتنی بر مجاورت قابل‌توجه نبود، اندازه‌گیری با وزن دودویی (0 = همسایه نیست، 1 = همسایه) برای جلوگیری از خوشه‌بندی مصنوعی مؤثر است، همانطور که با مشاهدات قبلی مطابقت دارد [ 6 ، 50 ، 51 ، 52 ]. ابتدا، خوشه‌های سرقت محلی در برابر انواع مختلف عوامل مؤثر بر سرقت با استفاده از شاخص‌های محلی دو متغیره همبستگی فضایی مورد بررسی قرار گرفتند (LISA؛ [ 51)]). LISA دو متغیره همبستگی های محلی را که شامل محصول متقابل مقادیر استاندارد شده برای یک متغیر (مثلاً نرخ سرقت) و مقادیر میانگین همسایه متغیر دیگر (مثلاً نرخ بیکاری) است، ارزیابی می کند [53 ] . آمار خوشه‌های معنی‌داری را گزارش می‌کند ( 05/ 0p <) از چهار نوع: زیاد-بالا (مناطق خوشه‌های بالا احاطه‌شده توسط نواحی خوشه‌های بالا)، کم-کم (مناطق خوشه‌های پایین احاطه شده توسط مناطق خوشه‌های کم)، زیاد کم ( نواحی از خوشه های بالا احاطه شده توسط مناطق خوشه های کم) و کم-بالا (مناطق خوشه های پایین احاطه شده توسط مناطق خوشه های بالا) [ 51 ، 52 ].
علاوه بر این، چهار مدل رگرسیون برای داده های سرقت برآورد شد. یک مدل حداقل مربعات معمولی (OLS) و سه مدل فضایی ( به عنوان مثال ، مدل تاخیر فضایی-SLM، مدل خطای فضایی-SEM، و مدل فضایی دوربین-SDM). سه مدل آخر برای جنبه‌های متمایز تعامل فضایی کنترل می‌شوند. از یک طرف، بر اساس این فرضیه که احتمالات ریسک در یک منطقه تحت تأثیر احتمالات ریسک در مناطق مجاور آن است [ 54 ]، SLM تعدیل غیرخطی زیر را برای برآورد حداقل مربعات معمولی اتخاذ کرد:

l n ( y) = ρ Wl n ( y) +∑i = 112ایکسمنβمن+ ε ، ε ~ N    ( 0 ,σ2من) ،��(�)=����(�)+∑�=112����+�,    �~�(0,�2�),

که در آن y گزارش طبیعی نرخ سرقت است ( به عنوان مثال ، رویدادها در هکتار) و X یک ماتریس طراحی 12 در n از 12 متغیر پیش بینی فهرست شده در جدول 1 است . پارامترهای β i ، ε، σ2 ، و I به ترتیب با ضرایب رگرسیون، بردار باقیمانده، واریانس باقیمانده، و ماتریس هویت ( به عنوان مثال ، n × n ماتریس مورب 1s) مطابقت دارند. ρ همبستگی فضایی را با استفاده از یک ماتریس فضایی n × n وزن مبتنی بر مجاورت باینری، W .

SDM SLM را گسترش می دهد تا اثرات عوامل دزدی دزدی در منطقه اطراف را شامل شود [ 55 ]. از این رو، SDM دارای یک پارامتر اضافی از فرآیند رگرسیون خودکار برای هر پیش‌بینی کننده تاخیر مکانی است و به شکل زیر است:

l n ( y) = ρ Wl n ( y) +∑i = 112ایکسمنβمن+ دبلیوایکسγ+ ε ، ε ~ N    ( 0 ,σ2من) ،ل�(�)=�دبلیول�(�)+∑من=112ایکسمن�من+دبلیوایکس�+�،    �~ن(0،�2من)،

که در آن γ یک پارامتر (12×1) است که تأثیر حاشیه ای تغییرات در مناطق مجاور را در سرقت اندازه گیری می کند. برآورد دو مدل فضایی، SLM و SDM اثرات سرریز را در نظر می گیرد، مگر اینکه مشاهدات به طور تصادفی در فضا توزیع شوند ( یعنی ρ = 0). اینها با سه نوع اثر تعادلی مطابقت دارند که با استفاده از رویکرد شبیه‌سازی زنجیره مونت کارلو (MCMC) بیزی مارکوف [ 50] مدل‌سازی شده‌اند.]؛ (1) تأثیر مستقیم تأثیر متغیرهای زمینه‌ای را بر خطر سرقت در مکان فوری اندازه‌گیری می‌کند، همچنین اثرات بازخوردی را که در مناطق اطراف آبشار می‌شود و به منطقه‌ای که فرآیند تعدیل آغاز شده است بازمی‌گردد. (2) تأثیرات غیرمستقیم نشان دهنده تأثیر متغیرهای زمینه ای در منطقه مستقیم بر خطر سرقت همه همسایگان آن است. (3) کل تأثیرات مجموع تأثیرات مستقیم و غیرمستقیم است [ 54 ].

مدل فضایی نهایی، SEM، با این فرضیه برآورد می‌شود که تغییرات سرقت توسط عوامل ناشناخته یا حذف شده القا می‌شود. از این رو همبستگی فضایی باقیمانده ها را مدل می کند:

l n ( y) =∑i = 112ایکسمنβمن+ υ ، υ = λ W   μ + ε ، ε ~ N    ( 0 ,σ2من) ،ل�(�)=∑من=112ایکسمن�من+�،   �=�دبلیو�+�،    �~ن(0،�2من)،

که در آن υ یک عبارت خطای همبسته مکانی و λ ضریب وابستگی مکانی است. SEM اثرات تعادل را مدل نمی کند. این به این دلیل است که عناصر ماتریسی که پارامتر اثرات فضایی، λ را با ضرایب رگرسیون، β پیوند می‌دهند معمولاً صفر هستند [ 54 ].

آزمون‌های خوشه‌بندی باقیمانده‌های مدل از ضریب Moran’s I و انحراف معیار استفاده کردند. آزمون‌های برازش، معیارهای اطلاعات آکایک (AIC) و مقادیر R2 مدل‌های رقیب را ارزیابی کردند. علاوه بر این، آمار نسبت احتمال مزیت مدل‌سازی اثرات فضایی را نسبت به استفاده از یک رگرسیون خطی غیرمکانی برای داده‌های سرقت آزمایش کرد.

4. نتایج

این بخش اندازه‌گیری خطر سرقت شناسایی شده را از نظر الگوهای تمرکز جرم، خوشه‌های فضایی و همبستگی‌ها ارائه می‌کند.

4.1. تحلیل اکتشافی

مناطق به طور متوسط ​​4.694 سرقت در هر هکتار و تغییرات قابل توجهی در نرخ سرقت تجربه کردند ( حداقل = 0، حداکثر = 35.986، SD = 3.529). بالاترین میزان سرقت، 36 جرم در هکتار، برای منطقه ای واقع در نزدیکی شهر لندن ثبت شده است. در مقابل، دو منطقه دورتر از شهر در طول پنج سال هیچ سرقتی را ثبت نکردند. با مشاهده این نواحی، متوجه می‌شویم که جنبه‌های محیط اطراف تأثیر قابل‌توجهی بر ریسک دارند ( شکل 1 ). بیشترین منطقه مستعد سرقت (با برچسب ” i”) دارای دو ویژگی متمایز است. اولاً، همسایگان آن نیز از قربانی شدن بالایی برخوردار بودند. ثانیاً تراکم ساختمانی بالایی دارد و ساختمان های اطراف آن نیز خوشه ای هستند. مناطق عاری از سرقت، با برچسب ” j ” و ” k ” در شکل 1 هر دو توسط مناطقی احاطه شده اند که سرقت های کمی را نیز تجربه کرده اند. به نظر می رسید که موقعیت استراتژیک منطقه k در نزدیکی تأسیسات اسکله و رودخانه تیمز آن را از نفوذ سرقت ناشی از مناطق در سمت شرقی محافظت می کند. به دلیل این تأثیر خارجی، مقایسه مکان‌های امن با مکان‌های پرخطر با اشاره به مناطق i و j ادامه می‌یابد .
دو ناحیه i و j دارای چندین ویژگی متمایز هم از نظر ویژگی های خود و هم از نظر پیکربندی همسایگان خود هستند ( شکل 2 ). دومی مرفه تر است، با سطوح بالاتری از درآمد خانوار، مالکیت خانه و قیمت خانه، و توسط مناطقی احاطه شده است که کمتر از خودش مرفه هستند. در مقابل، همسایگان منطقه j به وضوح ثروتمندتر هستند ( شکل 2 D، H، و J)، و این ممکن است جذابیت این منطقه را برای سرقت کاهش داده باشد. هر دو منطقه، i و j از نظر وضعیت وام مسکن و عدم وجود وام دهندگان روز قابل مقایسه هستند، اما منطقه iبه طور قابل توجهی در معرض وام دهی اضطراری از همسایگانش در شمال غربی قرار دارد. در نهایت، i پرتراکم تر از j است و همچنین توسط مناطق پرجمعیت احاطه شده است. در مجموع، این ویژگی ها ممکن است باعث شده باشد که منطقه، i به یک هدف محتمل تر برای سرقت نسبت به منطقه مربوطه تبدیل شود، j .
جدول 1 آمار توصیفی برای متغیرهای پیش بینی کننده را نشان می دهد. وام مسکن بیشترین میانگین و کمبود گرمایش مرکزی کمترین ارزش را داشت. قرار گرفتن در معرض وام‌دهی روز پرداخت و تسهیلات رهن‌گذاری بیشترین تنوع را در مناطق مختلف داشت، با مقدار بزرگ‌تری برای انحراف استاندارد ( یعنی 0.267) نسبت به میانگین (به عنوان مثال ) .، 0.084) از متغیر LENDERS. تغییرات همچنین برای نسبت خانوارهای مسکن اجتماعی (میانگین = 0.235، انحراف معیار = 0.202)، و تراکم جمعیت (میانگین = 0.959، SD = 0.612) بسیار زیاد بود. به طور کلی، همه متغیرهای پیش‌بینی‌کننده مقدار قابل‌توجهی از تغییرات را ثبت کردند، تا حدی به دلیل ناهمگونی منطقه شهری و همچنین به دلیل تعداد زیاد مناطق مشاهده. این منجر به این سؤال شد که آیا چنین تغییراتی بر تغییر غلظت سرقت تأثیر می گذارد یا خیر. نابرابری در مقادیر بین متغیرها همچنین نیاز به مقیاس بندی متغیرهای پیش بینی کننده قبل از تجزیه و تحلیل رگرسیون دارد تا تخمین ضرایب خواناتر شود.

4.2. تشخیص خوشه های فضایی

یک ارزیابی جهانی، خوشه‌بندی قابل‌توجهی از نرخ سرقت در فضای جغرافیایی را شناسایی کرد (Moran’s I = 0.593، z -score ~ ​​70.195). در سطح محلی، خوشه های خطر متراکم و معنی دار برای همه متغیرهای پیش بینی کننده در سطح 0.05 = p پس از 99999 آزمون تصادفی سازی کشف شد ( شکل 3 ). به ویژه، مرکز منطقه مورد مطالعه از جمله شهر لندن دارای خوشه‌هایی از خطر سرقت بالا در اطراف مقادیر بالای عوامل خطر، مطابق با مشاهدات قبلی در ( شکل 2) بود.A، C، G و K). متراکم ترین خوشه ها برای بیکاری، خانوارهای بدون وسایل نقلیه موتوری، تراکم جمعیت، و فاصله تا شهر شناسایی شدند. به طور خاص، متغیر دوم دارای افزایش در مقادیر آن بود که به طور مستقیم با ریسک نسبت داشت ( شکل 3 K). حفره های پرخطر به طور متراکم از شهر جمع شده بودند و به صورت دایره ای به سمت خارج در چندین منطقه مجاور پخش می شدند. پس از آن خوشه های کم-بالا در نواحی میانی و خوشه های کم-پایین در نزدیکی حاشیه وجود داشت. به طور مشابه، حضور وام دهندگان روز پرداخت تأثیر بیرونی شهر بر ریسک در مناطق نزدیک داشت ( شکل 3 G). منطقه مرکزی دارای خوشه های بسیار بالا بود که در جیب های تسهیلات وام دهی بالا و پایین در همه جهات پخش می شدند.
حاشیه منطقه برای بسیاری از متغیرها یا دارای خوشه های بی معنی یا خوشه های کم کم بود. مطابق با انتظارات، مالکیت خانه بر کاهش ریسک به طور کلی تأثیر گذاشت، به ویژه در مناطق حاشیه ای که در آن خوشه های متراکم با ریسک کم و زیاد یافت می شود. با این حال، دو نوع غالب از خوشه‌های ریسک با مالکیت خانه در نزدیکی منطقه مرکزی مرتبط بودند. بالا-بالا، که در آن خطر در مناطق اطراف علیرغم افزایش مالکیت خانه وجود داشت و بالا-کم، که در آن سرقت مکرر در نزدیکی مناطق با مالکیت خانه کم بود. مشاهدات قبلی مصادف با مشاهده قبلی از خطر سرقت بالا در منطقه ای است که با مناطقی با تعداد زیادی صاحب خانه هم مرز است ( شکل 2 G)
بر خلاف بسیاری از متغیرها که خوشه‌های بالا را در اطراف خود شهر ثبت می‌کردند، بیکاری بالا و مسکن اجتماعی هیچ خوشه‌بندی قابل‌توجهی با سرقت در این منطقه نداشتند. یک توضیح احتمالی این است که اثرات این دو متغیر به ترتیب با تعداد بالای کارگران در شهر و کاربری تجاری تا حد زیادی زمین انجام شده است. با این وجود، خوشه‌های پرخطر و بیکاری به طور کلی و به‌ویژه در نواحی شمالی متراکم‌ترین و گسترده‌ترین خوشه‌ها بودند. این با این فرضیه مطابقت دارد که سارقان می توانند شامل افراد شاغلی باشند که در جریان تعامل روزانه فرصت ها را کشف می کنند [ 12]]. به نظر می رسد سایر عناصر ساختاری شهر به عنوان ژنراتور سرقت ثبت شده است. به عنوان مثال، خوشه های متراکم را می توان در مرکز شهر لندن یافت که در آن میزان سرقت زیاد در نزدیکی مناطق پرجمعیت و نزدیک مناطق با تراکم ساختمانی بالا رخ داده است.

4.3. تجزیه و تحلیل رگرسیون

تشخیص ضریب لاگرانژ مدل‌های رگرسیون، مقادیر Moran’s I مثبت و معنی‌دار را برای متغیرهای دزدی با تاخیر مکانی و باقیمانده‌ها تخمین زد. جدول 2 تشخیص مدل را برای مدل حداقل مربعات معمولی (OLS) و سه مدل فضایی نشان می دهد. مدل تاخیر مکانی (SLM)، مدل خطای مکانی (SEM) و مدل فضایی دوربین (SDM). ضرایب خود همبستگی فضایی برای همه مدل‌های فضایی معنی‌دار بود. به طور خاص، مقادیر rho بالا برای مدل‌های تاخیر، SLM و SDM (ρ = 0.383 و ρ = 0.468، p <0.001) برآورد شد، و عبارت خطای مکانی نیز نسبتاً معنی‌دار بود ( λ = 0.450، p< 0.05). این مشاهدات پیامدهای مدل‌سازی اثرات فضایی را برجسته کرد. با وجود اینکه این مدل دوازده درجه آزادی بیشتر از SLM و SEM دارد، SDM بالاترین برآورد احتمال ورود به سیستم (-2.506) را داشت. به همین ترتیب، برآوردهای معیار اطلاعات آکایک (AIC) و معیار شوارتز (SC) همگی نشان دادند که SDM قابل اعتمادترین مدل ریسک است. ضریب تعیین مدل (R2 ) نیز برای SDM بالاترین بود، و به نظر می رسد که محاسبه وابستگی مکانی در هر دو سرقت و عوامل زمینه ای باعث افزایش قابل توجهی در قابلیت اطمینان تخمین مدل شده است.
مدل‌های فضایی نسبت به مدل رگرسیون OLS که مقدار I موران بسیار معنی‌داری را ثبت کرد، باقیمانده‌های خوشه‌ای کمتری داشتند ( به عنوان مثال ، 0.245، z -score = 29.032، p <0.001). با این حال، تخمین موران I نیز برای SLM نسبتاً معنی‌دار بود ( z -score = 4.301، p <0.01)، که نشان می‌دهد تنظیم خودهمبستگی فضایی در متغیر وابسته به تنهایی کافی نیست. از دو بهترین مدل (SEM و SDM)، مدل دوم کمترین باقیمانده‌های همبستگی مکانی را داشت. شکل 4باقیمانده ها را برای همه مدل ها در فضای جغرافیایی بررسی می کند. از مشاهده الگوی باقیمانده‌ها مشخص می‌شود که هر چهار مدل باقیمانده‌ها را در فاصله 4 کیلومتری خوشه‌بندی کرده بودند ( شکل 4 A)، اما باقی‌مانده‌های رگرسیون OLS در این فاصله بیشترین خوشه‌بندی را داشتند. پس از آن، باقیمانده‌های OLS یک همبستگی فضایی منفی فراتر از 30 کیلومتر نشان دادند. مطابق با مشاهدات قبلی ( جدول 2 )، باقیمانده ها برای SEM و SDM کمترین همبستگی را داشتند.
بررسی نرخ سرقت ترسیم شده در برابر مقادیر رگرسیون تغییر شکل برگشتی پیش‌بینی‌شده توسط SEM و SDM – دو مدل با بهترین عملکرد – یک همبستگی مثبت و متمایز را برای دومی آشکار کرد ( شکل 4 C). SEM دارای چندین نقطه پرت بود که بر قدرت پیش بینی آن تأثیر می گذاشت. علاوه بر این، واریانس باقیمانده برای SDM ( SSE ≈ 856) 7٪ کمتر از SEM ( SSE ≈ 904) بود. این مشاهدات و آمار برازش ( جدول 2 ) تجزیه و تحلیل بعدی را برای اتخاذ SDM هدایت کرد.
جدول 3 تخمین سرقت از مدل رگرسیون SDM را ارائه می دهد. اثرات مستقیم، غیرمستقیم و کل (مستقیم + غیر مستقیم) برآوردهای رگرسیون بین مرتبه 0 (منطقه فوری) و مرتبه 3 (سومین همسایه نزدیک) اندازه گیری شد. همه اثرات خطر به جز سه متغیر از نظر آماری معنی دار بود. وام مسکن، HSEPRICE، و درآمد. علاوه بر این، بیش از نیمی از تأثیرات مستقیم و غیرمستقیم قابل توجه بود، که نشان می‌دهد که تعامل مناطق مجاور تأثیر عمیقی بر ریسک دارد. برای مثال، اثر مستقیم برای متغیر، NOHEAT ( یعنی 2.395) به طور قابل توجهی بیشتر از اثرات جزئی برآورد شده برای این متغیر بود ( یعنی، 2.17). این نشان می دهد که مناطق به دلیل بیکاری در مناطق مجاور افزایش سرقت 0.225 را تجربه کردند. با این حال، اثرات غیر مستقیم کمتر احساس شد. عوامل زمینه‌ای بر میزان کمتری از خطر تجمعی در مناطق اطراف تأثیر می‌گذارند، احتمالاً به دلیل فروپاشی فاصله. به طور مشابه، اثرات بازخورد کلی (مجموع تأثیرات مستقیم و غیرمستقیم) کمتر از برآوردهای واقعی سرقت در مناطق برای بسیاری از متغیرها بود.
همه شاخص‌های اجتماعی-اقتصادی آسیب‌پذیری به جز SOCHSE ( به عنوان مثال ، UNEMP، NOAUTO، NOHEAT و POPDENS) به طور قابل‌توجهی با ریسک بالا همبستگی داشتند. میزان تأثیر ریسک نیز برای این متغیرها بسیار بیشتر از بیشتر عوامل زمینه ای بود. با این حال، DIST2CITY بیشترین مقدار ضریب را داشت (β DIST2CITY = 7.647، p > 0.001). علاوه بر این، این متغیر و دو متغیر دیگر (UNEMP، LENDERS) مقادیر قابل توجهی برای همه اندازه‌گیری‌های ریسک، از جمله اثرات سرریز داشتند. ضریب HSEPRICE معنی‌دار نبود، اما تأثیر مستقیم و غیرمستقیم آن معنی‌دار بود. در حالی که از مشاهده شکل 2G، H، به نظر می رسید که درآمد خانوار با ریسک همبستگی دارد، SDM هیچ تاثیر معنی داری را برای متغیر درآمد برای ضریب یا سرریز برآورد نمی کند. به طور مشابه، متغیر وام مسکن به طور قابل توجهی با سرقت همبستگی نداشت و این با مقادیر یکنواختی که قبلاً برای مناطق با خطر کم در مقابل خطر بالا مشاهده شد مطابقت دارد ( شکل 2 A,B).
HOMEOWN تأثیر منفی بر ریسک داشت، و افزایش مالکیت خانه در مناطق اطراف تأثیر منفی بر منطقه مستقیم داشت (تاثیر غیر مستقیم = -0.363، P <0.05). این مشاهدات با مشخصات ریسک مشاهده شده برای مناطق امن ( شکل 2 J) و با خوشه های متراکم کم-بالا که برای دزدی-مالکیت خانه، به ویژه در مناطق حاشیه ای پیدا شده اند، مطابقت دارد ( شکل 3 I). با این وجود، تأثیر مالکیت خانه بر کاهش ریسک در مناطق مجاور متوسط ​​بود و تأثیرات مستقیم و کلی آن به طور کلی ناچیز بود.
به طور غیرمنتظره بر اساس مطالعات قبلی [ 5 ، 15 ]، برآورد ضریب برای متغیر SOCHSE منفی بود و تأثیر مستقیم برای این متغیر نیز منفی و معنادار بود ( 05 /0p<). متغیرهای DISTANCE و BUILDDENS برای افزایش ریسک بسیار مهم بودند و اثرات بازخورد نیز برای این متغیرها نسبتاً بالا بود.

5. بحث

این مطالعه به پدیده ناشناخته تعامل فضایی بین مناطق کوچک یک کلانشهر شهری و چگونگی تأثیر این تعامل بر غلظت سرقت پرداخته است. این تحقیق اثرات مضرات (به عنوان مثال، بیکاری، عدم وجود سیستم گرمایش مرکزی، مسکن اجتماعی) و ثروت (به عنوان مثال، مالکیت خانه، قیمت خانه) را در خطر سرقت بر اساس منطقه بررسی کرده است، در حالی که اثرات این عوامل بر نرخ سرقت را نیز کنترل کرده است. در مناطق مجاور تحقیقات قبلی به طور کلی بر رابطه بین دزدی و اثرات کمکی در مناطق متمرکز شده است، و گسترش فرصت های سرقت به مناطق اطراف نادیده گرفته شده است. علاوه بر این، این تحقیق دزدی، هم پیکربندی اجتماعی-اقتصادی بافت اجتماعی و هم جنبه‌های ساختاری مبتنی بر مکان کاربری زمین شهری (به عنوان مثال، قرار گرفتن در معرض وام دهندگان روز پرداخت، تراکم ساختمان) را در نظر گرفته است. از این جهات، نتایج حاصل از این مدل‌سازی سیستماتیک، شواهد جدیدی را برای مجریان قانون و سیاست‌گذاران فراهم می‌کند.
در ابتدا، بررسی خوشه‌های فضایی محلی برای تعیین اینکه آیا جنبه‌های ریسک در یک منطقه پیامدهایی بر ریسک همسایه دارد یا خیر، انجام شد. خوشه های متراکم و گسترده برای همه متغیرها کشف شد که این فرضیه را تایید می کند. تجزیه و تحلیل همچنین مدل‌های رگرسیونی مختلف سرقت را، هم فضایی و هم غیرمکانی، مقایسه کرد و کشف کرد که دقیق‌ترین مدل ریسک شامل وابستگی مکانی هم نرخ سرقت و هم عوامل مؤثر است. این بینش مهمی برای تحلیلگرانی است که به دنبال مدل‌سازی ریسک با استفاده از مشاهدات ارجاع‌شده جغرافیایی در مناطق کوچک هستند.
با تمرکز بر ویژگی‌های منطقه هدف، چهار مورد از پنج معیار آسیب‌های مبتنی بر منطقه بررسی شده به طور قابل‌توجهی با افزایش احتمال سرقت مرتبط بودند. مناطق با بیکاری بالا، تراکم جمعیت بالا، و/یا فاقد وسایل نقلیه موتوری و سیستم گرمایش مرکزی، احتمال بیشتری برای سرقت دارند. این با مطالعات قبلی که خطر سرقت زیاد در مناطق پرجمعیت [ 29 ، 30 ] و آسیب پذیری بالای خانوارها با کنترل ناکافی را نسبت می دادند، مطابقت دارد [ 13 ، 17 ، 45 ]. همچنین با فرضیه مربوط به افزایش ریسک در موسسات ناپایدار [ 16 و 17] موافق است.]. با این وجود، شواهد قوی نیز برای خطر سرقت کم در مناطقی با تعداد زیادی واحد مسکونی اجتماعی یافت شد، و این فرضیه فوق یا مشاهدات گذشته را که سرقت از سرقت را با ضررهای مرتبط با مسکن مرتبط می‌کرد، تأیید نکرد [5 ، 15 ]]. درعوض، مشاهدات نشان می‌دهد که جوامع توانایی خاصی را برای اعمال اثربخشی جمعی در برابر دزدی، علی‌رغم مضرات، دارند. به این ترتیب، نتایج در اینجا می‌تواند سیاست‌هایی را که به دنبال ترویج و توسعه عوامل کاهش‌دهنده خطر در مناطق محروم هستند، بیان کند. توضیح جایگزین برای کاهش خطر در میان خانوارهای تحت طرح اجتماعی، فضایی است و به کاهش جذابیت سارقان در این مناطق مربوط می شود. انتظار می رود سارقان به دنبال اهداف سودآور باشند، و بعید است که در میان خانه هایی که به وضوح متوجه ضرر شده اند، فرصت هایی را جستجو کنند. در یک مطالعه قبلی کشف شد که مناطق محروم اما نزدیک فلوریدا، ایالات متحده آمریکا از سطح پایینی از خطر سرقت رنج می برد [ 25 ]. این نیز با مشاهدات از ( شکل 2) سازگار استD، H، J). منطقه ای که کمترین خطر را متحمل می شود منطقه ای با فرصت های کمتر بود، زیرا به خوبی شناخته شده است که سارقان اغلب به دنبال اهدافی در مناطق ثروتمند هستند [ 30 ، 35 ]. علاوه بر این، برآورد واضح مسکن اجتماعی از پیکربندی ساختاری این شاخص ناشی می‌شود. بر خلاف برخی از اقدامات گسترده‌تر مبتنی بر سرشماری، مانند بیکاری، مجموعه‌هایی از عوامل مکان‌محور، مانند طرح‌های مسکن اجتماعی معمولاً به‌طور برجسته‌تر در داخل و بین مناطق مشخص می‌شوند. بنابراین، یک امکان ناشناخته، تعامل فضایی موجود در میان جوامع نزدیک است که دارای یک نقطه ضعف متقابل هستند.
نرخ سرقت در مناطق با مالکیت خانه بالا به طور قابل توجهی کمتر بود، مطابق با دیگر یافته های گذشته [ 21 ، 32 ، 35 ، 36 ]. این الگو از فرضیه «کارآمدی جمعی» حمایت می کند که جوامع مرفه و باثبات را با افزایش کنترل بر جرم مرتبط می کند. با این حال، پس از کنترل نفوذ مناطق مجاور، بیشترین منطقه جرم و جنایت در یک منطقه نسبتاً مرفه با مالکیت خانه بالا یافت شد. علاوه بر این، مناطق با مالکیت خانه بالا به طور قابل توجهی خطر سرقت در اطراف را کاهش ندادند. این نشان دهنده توانایی تأثیرات نزدیک برای کاهش اثر کاهنده مالکیت خانه بر ریسک است.
با توجه به تأثیر ساختاری کاربری زمین شهری، احتمال سرقت با افزایش فاصله تا شهر افزایش می‌یابد، در حالی که خوشه‌هایی با احتمال سرقت پایین در مناطق پیرامونی برجسته‌تر بودند. این مشاهده چندین پیامد کلیدی دارد. اولین مورد، تأثیر کاهش‌دهنده جوامع نزدیک است که در مناطق خارج از شهر زندگی می‌کنند، همانطور که توسط تحقیقات موجود پشتیبانی می‌شود [ 13 ، 14 ، 25]]. دوم این است که سطوح پایین‌تر ضرر در نواحی پیرامونی بر کاهش انگیزه سرقت تأثیر گذاشت. در مقابل، سرقت در اطراف مناطق با محرومیت متمرکز، و خوشه های مرکزی و شمال از خوشه های بالا بیشتر بود. شاخص‌های محرومیت چندگانه بریتانیا، این مناطق را به‌عنوان برخی از محروم‌ترین مناطق انگلستان معرفی کرد [ 43 ]. مورد سوم به محیط های هدف مربوط می شود که فضاهای فعالیت را برای سارقان تعریف می کند [ 19 ]. ازدیاد موسسات تجاری شهر و اطراف آن با افزایش خطر سرقت به دلیل مولدها و مجذوبان جرم و احتمال دفع سریع اموال مسروقه مطابقت دارد [ 48 ، 49 ، 55 ].
بر اساس فرضیه قبلی [ 15 ، 17 ، 35] انتظار می رفت] که مناطقی با وام‌های رهنی بالا و/یا درآمد بالا احتمالاً هدف سرقت قرار می‌گیرند، اما هیچ مدرکی دال بر این پیوند چه در مناطق یا از طریق تأثیرات اطراف یافت نشد. با این وجود، قرار گرفتن در معرض وام دهندگان روز پرداخت قابل توجه و مثبت برای ریسک است. با توجه به اینکه دو شاخص اول از داده‌های سرشماری استخراج شده‌اند و متغیر دوم مقدار فاصله وزنی مکان‌های واقعی وام دهندگان است، تعریف دلخواه وام‌های رهنی و درآمد خانوار در هر سرشماری ممکن است در عدم تأثیر مشاهده شده نقش داشته باشد. در واقع، مطالعات مشاهده کرده‌اند که معیارهای مبتنی بر مکان خاص، تعیین‌کننده‌های ریسک دقیق‌تر از شاخص‌های مبتنی بر سرشماری هستند [ 5 ، 10 ، 39]]. به این ترتیب، تکثیر عوامل مکانی خاص مانند بازارهای مواد مخدر و دلالان رهن می‌تواند خوشه‌های ریسک را در میان مناطقی با وضعیت اجتماعی-اقتصادی مبتنی بر سرشماری همگن ایجاد کند [ 10 ].
همزمان با مشاهدات مهم گزارش شده در این مطالعه تحلیلی، محدودیت‌های متعددی وجود دارد که راه‌هایی را برای تحقیقات آتی ارائه می‌دهد. اول، به عنوان یک نتیجه از تجمع وقایع دزدی در سرشماری، تجزیه و تحلیل توسط مشکل واحد منطقه ای قابل تغییر سوگیری شد (MAUP؛ [ 56 ]). واحدهای آنالیز کوچک (حدود 0.325 کیلومتر مربع) به کار گرفته شدنددر هر سرشماری) و ما انتظار داریم که این باعث کاهش اثرات MAUP بر نتایج مشاهده شده شود، اما این ثابت نشد. ثانیاً، تجزیه و تحلیل مطالعه به سرقت‌های انجام شده در منطقه لندن بزرگ محدود می‌شود و اثرات مخاطره‌ای در مجاورت منطقه را شامل نمی‌شود. موقعیت مرکز شهر لندن در مرکز منطقه مورد مطالعه تا حدی اثرات مرزی را کاهش می‌داد، اما با این وجود، محاسبه این اثرات برای برآورد خطر مرتبط بود. ثالثاً، این مطالعه طیف وسیعی از عواملی را که احتمال سرقت را افزایش می‌دهند، تکمیل نکرد. به عنوان مثال، عادات مواد مخدر به طور بالقوه می تواند انگیزه سرقت را افزایش دهد [ 8 ، 36 ، 37 ، 38] اما در اینجا مورد بررسی قرار نگرفتند. در اصل، مدل‌سازی همه عواملی که در ایجاد خطر سرقت نقش دارند، ممکن نبود.
تحلیل‌های جرم آتی می‌توانند محدودیت‌های بالا را با ارزیابی سایر تأثیرات گسترده‌تر سرقت در مناطق غیرمرتبط با سرشماری مانند بخش‌های خیابان در نظر بگیرند [ 39 ، 57 ]. کار بعدی همچنین می‌تواند یافته‌های فعلی را برای تعیین تأثیر مکانی-زمانی بر تغییرات سرقت، و همچنین تأثیرات زمینه‌ای مناطق به هم پیوسته بر سرقت در محیط‌های کمتر شهری گسترش دهد.
به طور کلی، نتایج نشان می دهد که تحلیلگران جرم و سایر افراد و مقامات مسئول نظارت و کاهش جرم و جنایت نباید به طور یکجانبه عوامل خطر را در مناطق مشاهده در نظر بگیرند، بلکه تأثیرات محیط اطراف را نیز بررسی کنند [5 ، 39 ] .

6. نتیجه گیری

یافته‌های این مطالعه اهمیت شناسایی عوامل خطر قابل اعتماد و محاسبه اثرات این عوامل خطر را که ناشی از آرایش فضایی مناطق مشاهده است، برجسته می‌کند. کنترل تعامل فضایی بین مناطق در این مطالعه تنوع قابل توجهی را در توزیع سرقت نشان داد. در مجموع، اثرات زمینه‌ای در یک منطقه عوامل تعیین‌کننده ریسک مرتبط هستند، اما زمینه تعامل نیز به همان اندازه مهم است. بنابراین، نادیده گرفتن اتصال فضایی مناطق، پیامدهای عمیقی بر نتایج تخمین ریسک، به ویژه برای مناطق کوچک دارد.

اختصارات

در این نسخه از اختصارات زیر استفاده شده است:

روشن است دفتر آمار ملی
لیزا شاخص های محلی خودهمبستگی فضایی
OLS حداقل مربعات معمولی
SLM مدل تاخیر فضایی
SEM مدل خطای مکانی
SDM مدل دوربین فضایی
MCMC زنجیر مارکوف مونت کارلو
AIC معیارهای اطلاعات آکایکه
SC معیار شوارتز
MAUP مشکل واحد منطقه ای قابل تغییر

منابع

  1. برناسکو، دبلیو. Luykx, F. اثرات جذابیت، فرصت و دسترسی به سارقان بر نرخ سرقت مسکونی از محله های شهری. جرم شناسی 2003 ، 41 ، 981-1002. [ Google Scholar ] [ CrossRef ]
  2. هیرشفیلد، ا. بیرکین، ام. براندون، سی. مالسون، ن. نیوتن، الف. مکان‌ها چگونه بر جرم و جنایت تأثیر می‌گذارند: تأثیر مناطق اطراف بر نرخ سرقت از محله در یک شهر بریتانیا. مطالعه شهری. 2013 . [ Google Scholar ] [ CrossRef ]
  3. الفرز، اچ. تحلیل تأثیر همسایگی در جرم شناسی. آمار Neerlandica 2003 ، 57 ، 347-367. [ Google Scholar ] [ CrossRef ]
  4. آنسلین، ال. Raymond, F. جهت های جدید در اقتصاد سنجی فضایی . Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  5. Bowers, K. امکانات مخاطره آمیز: رادیاتورهای جرم یا جاذب جرم؟ مقایسه سطوح داخلی و خارجی سرقت جی. کوانت. Criminol. 2014 ، 30 ، 389-414. [ Google Scholar ] [ CrossRef ]
  6. امبورو، ال. Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با مسافران. ان دانشیار صبح. Geogr. 2016 . [ Google Scholar ] [ CrossRef ]
  7. برانتینگهام، پی جی. برانتینگهام، جرم شناسی محیطی PL ; انتشارات سیج: بورلی هیلز، کالیفرنیا، ایالات متحده آمریکا، 1981. [ Google Scholar ]
  8. اک، ج. Weisburd، DL Crime مکان‌هایی در نظریه جنایت. در جرم و مکان: مطالعات پیشگیری از جرم ؛ Willow Tree Press, Inc.: Monsey, NY, USA, 2015; صص 1-33. [ Google Scholar ]
  9. یو، SSV؛ اسمیت، ام جی مناطقی که مسافران حمل و نقل عمومی آسیب پذیر در آن زندگی می کنند: روشی برای هدف قرار دادن پیشگیری از جرم و سایر منابع برای رسیدگی به مشکلات منطقه. در ایمنی و امنیت در محیط های حمل و نقل ; Ceccato, V., Newton, A., Eds. پالگریو مک میلان: نیویورک، نیویورک، ایالات متحده آمریکا، 2015; صص 213-233. [ Google Scholar ]
  10. میلر، جی. Caplan، JM; Ostermann، M. گره های خانگی، مکان های جرم زا، و شکست آزادی مشروط: آزمایش یک مدل محیطی خطر مجرم. جنایت دلینق. 2013 ، 62 ، 169-199. [ Google Scholar ] [ CrossRef ]
  11. رایت، RT؛ دکر، SH سارقان در محل کار: زندگی خیابانی و فرارهای مسکونی . انتشارات دانشگاه نورث ایسترن: بوستون، MA، ایالات متحده آمریکا، 1996. [ Google Scholar ]
  12. مالسون، ن. هپنستال، ا. ببینید، L. کاهش جرم از طریق شبیه سازی: یک مدل مبتنی بر عامل از سرقت. محاسبه کنید. محیط زیست سیستم شهری 2010 ، 34 ، 236-250. [ Google Scholar ] [ CrossRef ]
  13. سامپسون، RJ; Raudenbush، SW; ارلز، اف. محله‌ها و جنایات خشونت‌آمیز: مطالعه چند سطحی اثربخشی جمعی. علوم 1997 ، 277 ، 918-924. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  14. ساترلند، آ. برونتون اسمیت، آی. جکسون، جی. اثربخشی جمعی، محرومیت و خشونت در لندن. برادر J. Criminol. 2013 . [ Google Scholar ] [ CrossRef ]
  15. جانسون، LT; تیلور، RB; گراف، خوشه های جرم محلی ER متروپولیتن: اثرات غلظت ساختاری و مدل سیستمیک. جی. جنایت. عدالت 2015 ، 43 ، 186-194. [ Google Scholar ] [ CrossRef ]
  16. شاو، CR; مک کی، HD بزهکاری نوجوانان و مناطق شهری. نظریه جرم شناسی ; انتشارات دانشگاه شیکاگو: شیکاگو، IL، ایالات متحده آمریکا، 1969. [ Google Scholar ]
  17. سامپسون، RJ تراکم ساختاری و قربانی شدن جنایی. جرم شناسی 1983 ، 21 ، 276-293. [ Google Scholar ] [ CrossRef ]
  18. Kocsis، RN; ایروین، HJ تجزیه و تحلیل الگوهای فضایی در تجاوز به عنف سریالی، آتش سوزی، و سرقت: کاربرد نظریه دایره محدوده محیطی برای پروفایل روانشناختی. روانپزشکی. قانون 1997 ، 4 ، 195-206. [ Google Scholar ] [ CrossRef ]
  19. برانتینگهام، پی. گلسر، یو. جکسون، پی. وجیه اللهی، م. مدل سازی فعالیت مجرمانه در مناظر شهری ; Springer: وین، اتریش، 2009. [ Google Scholar ]
  20. ماوبی، آر. دزدی ؛ Routledge: لندن، بریتانیا، 2013. [ Google Scholar ]
  21. جانسون، SD; Bowers، KJ پایداری خوشه‌های فضا-زمان سرقت. برادر J. Criminol. 2004 ، 44 ، 55-65. [ Google Scholar ] [ CrossRef ]
  22. وندویور، سی. ون دیل، اس. واندر بکن، تی. چه چیزی باعث می شود سفرهای جنایی طولانی انجام شود؟ متعادل کردن هزینه ها و منافع در سفر سارقان به سمت جرم و جنایت. برادر J. Criminol. 2014 . [ Google Scholar ] [ CrossRef ]
  23. فارل، جی. Pease, K. Once Bitten, Twice Bitten: تکرار قربانی شدن و پیامدهای آن برای پیشگیری از جرم ؛ مقاله شماره 46; دفتر خانه: لندن، بریتانیا، 1993. [ Google Scholar ]
  24. تاونزلی، ام. هومل، آر. Chaseling, J. سرقت های عفونی. آزمون فرضیه تکرار نزدیک برادر J. Criminol. 2003 ، 43 ، 615-633. [ Google Scholar ] [ CrossRef ]
  25. وارد، JT; اشراف، MR; یوستین، تی جی; Cook, CL قرار دادن پیوند دسترسی محله-سرقت در بافت اجتماعی-ساختاری. جنایت دلینق. 2010 ، 60 ، 739-763. [ Google Scholar ] [ CrossRef ]
  26. گروبسیچ، TH; مک، EA تعامل مکانی-زمانی جرم شهری. مقدار. Criminol. 2008 ، 24 ، 285-306. [ Google Scholar ] [ CrossRef ]
  27. لایتنر، ام. کنت، جی. بیزی مدل‌سازی سفر به جنایت سری‌های جنایی تک و چندگانه در شهرستان بالتیمور، MD. ج. سرمایه گذاری روانی خاموش 2009 ، 6 ، 213-236. [ Google Scholar ] [ CrossRef ]
  28. امبورو، ال. Helbich، M. ارزیابی دقت و اثربخشی روش های پروفایل جغرافیایی جنایی: مورد Dandora، کنیا. پروفسور Geogr. 2015 ، 67 ، 110-120. [ Google Scholar ] [ CrossRef ]
  29. واکر، WC; سیم، اس. Keys-Mathews، L. استفاده از رگرسیون وزنی جغرافیایی در بوم شناسی جرم، پاسخ به طوفان در میامی، فلوریدا. در Forensic GIS ; Springer: هلند، 2014; ص 245-262. [ Google Scholar ]
  30. براونینگ، CR; بایرون، RA; کالدر، کالیفرنیا؛ کریو، ال جی. کوان، نماینده مجلس؛ لی، جی. پترسون، RD تراکم تجاری، تمرکز مسکونی و جرم: الگوهای استفاده از زمین و خشونت در بافت محله J. Res. جنایت دلینق. 2010 ، 47 ، 329-357. [ Google Scholar ] [ CrossRef ]
  31. لایتنر، ام. هلبیچ، ام. تأثیر طوفان ها بر جرم و جنایت: تحلیل مکانی-زمانی در شهر هیوستون، تگزاس. کارتوگر. Geogr. Inf. علمی 2011 ، 38 ، 213-221. [ Google Scholar ] [ CrossRef ]
  32. مونتویا، ال. یونگر، ام. Ongena، Y. رابطه بین املاک مسکونی و اطراف آن و سرقت روزانه و شبانه منازل مسکونی. محیط زیست رفتار 2014 . [ Google Scholar ] [ CrossRef ]
  33. Stults، BJ; هاسبروک، ام. تأثیر رفت و آمد بر میزان جرم و جنایت در سطح شهر. مقدار. Criminol. 2015 ، 31 ، 331-350. [ Google Scholar ] [ CrossRef ]
  34. Hipp, JR گسترش ثروت: تأثیر توزیع درآمد و نژاد/قومیت در بین خانواده‌ها و محله‌ها بر مسیرهای جرم و جنایت شهر. جرم شناسی 2011 ، 49 ، 631-665. [ Google Scholar ] [ CrossRef ]
  35. Bowers، KJ; هیرشفیلد، ا. جانسون، SD Victimization بازبینی کرد: مطالعه موردی سرقت مکرر غیر مسکونی در مرسی ساید. برادر J. Criminol. 1998 ، 38 ، 429-452. [ Google Scholar ] [ CrossRef ]
  36. کرامول، پی اف. اولسون، JN; Avary، DW Breaking and Entering: An Ethnographic Analysis of Burglarry ; Sage: Newbury Park, CA, USA, 1991. [ Google Scholar ]
  37. Bean, P. Drugs and Crime ; Routledge: لندن، بریتانیا، 2014. [ Google Scholar ]
  38. گراف، ای آر. Lockwood، B. تأسیسات جرم‌زا و جنایت در بخش‌های خیابان در فیلادلفیا در حال کشف شواهدی در مورد وسعت فضایی تأثیر تأسیسات. J. Res. جنایت دلینق. 2014 ، 51 ، 277-314. [ Google Scholar ] [ CrossRef ]
  39. پوینتر، جی. مناطق شهری عمده بریتانیا. تمرکز بر مردم و مهاجرت. در دسترس آنلاین: www.statistics.gov.uk/downloads/theme_compendia/fom2005/03_FOPM_UrbanAreas.pdf (دسترسی در 15 مارس 2016).
  40. پالمر، جی. سایت فقر: نابرابری های درآمدی انگلستان. 2011. در دسترس آنلاین: http://www.poverty.org.uk/09/index.shtml؟ (دسترسی در 15 مارس 2016).
  41. دفتر آمار ملی تجزیه و تحلیل ویژگی های منطقه ای ONS 2013 برای لندن. در دسترس آنلاین: http://www.ons.gov.uk/ons/rel/regional-trends (در 15 مارس 2016 قابل دسترسی است).
  42. دفتر آمار ملی بولتن آماری: جنایت در انگلستان و ولز: سال پایانی ژوئن 2015. در دسترس آنلاین: http://www.ons.gov.uk/peoplepopulationandcommunity/crimeandjustice/bulletins/crimeinenglandandwales/2015-10-15 (در 29 مارس 2016 در دسترس است).
  43. پین، آر. Abel, G. بریتانیا شاخص‌های محرومیت چندگانه – راهی برای آسان‌تر کردن مقایسه بین کشورهای سازنده. آمار سلامت Q. 2012 ، 53 ، 22-37. [ Google Scholar ]
  44. براون، جی. 10 منطقه لندن ارزشی بیش از همه خانه‌های ولز، اسکاتلند و ایرلند شمالی دارند. در دسترس آنلاین: http://www.independent.co.uk/news/uk/home-news/10-london-boroughs-worth-more-than-all-the-homes-in-wales-scotland-and-northern -ireland-8478990.html (دسترسی در 15 مارس 2016).
  45. وندویور، سی. نویتنز، تی. ون دیل، اس. گورتس، دی. Vander Beken، T. یک مدل گسسته انتخاب فضایی از انتخاب هدف سرقت در سطح خانه. Appl. Geogr. 2015 ، 64 ، 24-34. [ Google Scholar ] [ CrossRef ]
  46. مورس، ای. وام دهندگان روز پرداخت: قهرمانان یا شروران؟ جی. فاینانس. اقتصاد 2011 ، 102 ، 28-44. [ Google Scholar ] [ CrossRef ]
  47. پوزیک، سی. روک، ام. Whiteacre، K. Mazeika، D. بررسی سرقت فلز در زمینه: رویکرد نظریه فرصت. عدالت سیاست 2012 ، 14 ، 79-10. [ Google Scholar ] [ CrossRef ]
  48. Moreto، WD; پیزا، EL; Caplan, JM “طاعون در هر دو خانه شما؟”: خطرات، تکرار و بازنگری دزدی مسکونی شهری. عدالت Q. 2014 ، 31 ، 1102-1126. [ Google Scholar ] [ CrossRef ]
  49. جانسون، LT; تیلور، RB; راتکلیف، JH آیا به مواد مخدر نیاز دارید، سفر خواهد کرد؟: فاصله تا جرم خریداران غیرقانونی مواد مخدر. جی. جنایت. عدالت 2013 ، 41 ، 178-187. [ Google Scholar ] [ CrossRef ]
  50. تیتا، جنرال الکتریک؛ مدل‌های رگرسیون فضایی رادیل، SM در جرم‌شناسی: مدل‌سازی فرآیندهای اجتماعی در ماتریس وزن‌های فضایی. در کتابچه راهنمای جرم شناسی کمی ; Piquero, A., Weisburd, R., Eds. Springer: New York, NY, USA, 2010; صص 101-121. [ Google Scholar ]
  51. Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
  52. آنسلین، ال. سیبری، آی. Kho, Y. GeoDa: مقدمه ای بر تجزیه و تحلیل داده های مکانی. در کتابچه راهنمای تحلیل کاربردی فضایی ; Fischer, MM, Getis, A., Eds. Springer: برلین، آلمان، 2010; صص 73-89. [ Google Scholar ]
  53. سینگ، آ. Pathak، PK; Chauhan، RK; پان، دبلیو. مرگ و میر نوزادان و کودکان در هند در دو دهه گذشته: یک تحلیل جغرافیایی. PLoS ONE 2011 ، 6 ، e26856. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  54. لسیج، جی. Pace، KR مقدمه ای بر اقتصاد سنجی فضایی . CRC Press: لندن، انگلستان، 2009. [ Google Scholar ]
  55. وو، ال. خو، X. بله، X. ژو، ایکس. دزدی های مکرر و تقریباً تکراری و دخالت مجرم در یک شهر بزرگ چین. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 178-189. [ Google Scholar ] [ CrossRef ]
  56. Openshaw, S. مسئله واحد مساحتی قابل تغییر . Geo Books: Norwich، UK، 1984. [ Google Scholar ]
  57. برناسکو، دبلیو. دزدی مسکونی. در دایره المعارف جرم شناسی و عدالت کیفری ; Bruinsma, G., Weisburd, D., Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; صفحات 4381-4391. [ Google Scholar ]
Ijgi 05 00047 g001 1024
شکل 1. مکان رویدادهای سرقت برای ( A ) منطقه با بالاترین میزان سرقت، و ( B ، C ) مناطق با کمترین نرخ.
Ijgi 05 00047 g002 1024
شکل 2. مقایسه یک منطقه سرقت بالا ( i ) با یک منطقه عاری از سرقت ( j ) و محیط اطراف آن با استفاده از شش شاخص: ( A , B ) وام مسکن. ( C , D ) قیمت خانه; ( E , F ) وام دهندگان روز پرداخت; ( G , H ) درآمد خانوار; ( I , J ) مالکیت خانه; و ( K ، L ) تراکم جمعیت.
Ijgi 05 00047 g003 1024
شکل 3. خوشه های مورن دو متغیره نرخ سرقت ( به عنوان مثال ، تعداد رویدادها در هکتار) و ( A ) بیکاری. ( ب ) بدون خودرو؛ ( ج ) بدون گرمایش؛ ( د ) مسکن اجتماعی؛ ( ه ) وام مسکن؛ ( F ) قیمت خانه؛ ( ز ) وام دهندگان روز پرداخت؛ ( ح ) درآمد خانوار؛ ( I ) مالکیت خانه؛ ( J ) تراکم جمعیت. ( K ) فاصله تا شهر؛ و ( L ) تراکم ساختمان. متغیرهای همبسته بر روی میانگین متمرکز شده اند.
Ijgi 05 00047 g004 1024
شکل 4. یک همبستگی از باقیمانده های فاصله دار برای مدل های فضایی و غیر فضایی ( A ). و همبستگی مشاهده شده با نرخ سرقت پیش بینی شده برای SEM ( B ) و SDM ( C ).
جدول
جدول 1. شرح متغیرهای پیش بینی کننده برای مدل های رگرسیونی سرقت ( 4835 = n ).
جدول
جدول 2. برآورد پارامترهای مدل‌های غیرمکانی و فضایی سرقت در مناطق خروجی لندن بزرگ ( n = 4,835).
جدول
جدول 3. برآوردها از مدل دوربین فضایی نرخ سرقت و اثرات نزدیک ( n = 4,835).

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهکاربرد جی ای اسکاربرد جی ای اس در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

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

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370