مدلسازی مشترک جنایات چندگانه: رویکرد فضایی بیزی

خلاصه

یک رویکرد مدل‌سازی فضایی بیزی چند متغیره برای مدل‌سازی مشترک تعداد دو نوع جرم، به عنوان مثال، سرقت و سرقت وسایل نقلیه غیر موتوری، و کشف الگوی جغرافیایی خطرات جرم و عوامل خطر مرتبط استفاده شد. بر خلاف مدل تک متغیره، که استقلال را در بین نتایج فرض می‌کند، رویکرد چند متغیره همبستگی‌های بالقوه بین جرایم را در نظر می‌گیرد. شش متغیر مستقل به عنوان عوامل خطر بالقوه در مدل گنجانده شده است. برای ارائه کامل این روش، هم مدل چند متغیره و هم مدل تک متغیره آن مورد بررسی قرار می گیرد. ما دو مدل را به داده‌ها برازش کردیم و آنها را با استفاده از معیار اطلاعات انحراف ارزیابی کردیم. مقایسه نتایج حاصل از این دو مدل نشان می‌دهد که مدل چند متغیره بر مدل تک متغیره برتری دارد. نتایج ما نشان می‌دهد که تراکم جمعیت و تراکم میله‌ها به وضوح با خطر سرقت و سرقت وسایل نقلیه غیر موتوری مرتبط است و نشان‌دهنده رابطه نزدیک بین این دو نوع جرم است. میانگین پسین و صدک 2.5 درصد از خطرات جنایت نوع خاص برآورد شده توسط مدل چند متغیره برای کشف الگوهای جغرافیایی ترسیم شد. مفاهیم، محدودیت‌ها و کار آینده مطالعه در بخش نتیجه‌گیری مورد بحث قرار می‌گیرد.

کلید واژه ها:

مدل فضایی چند متغیره ; خطر جرم ؛ مدلسازی فضایی بیزی رگرسیون پواسون فضایی ; زنجیره مارکوف ؛ مونت کارلو

چکیده گرافیکی

1. معرفی

مطالعات بوم‌شناختی جرم برای جغرافی‌دانان و جرم‌شناسان بسیار مورد توجه است، زیرا می‌توانند الگوی جغرافیایی خطرات جرم و همچنین عوامل خطر مرتبط را که آن الگو را توضیح می‌دهند، آشکار کنند. محققان از مدل‌های رگرسیون غیرمکانی در تحلیل جرم استفاده کرده‌اند. به عنوان مثال، کراگلیا و همکاران. [ 1] یک مدل رگرسیون لجستیک استاندارد را برای بررسی رابطه بین ویژگی‌های اجتماعی-اقتصادی و زمینه‌های جرم و جنایت با شدت بالا اتخاذ کرد. چنین مدل‌های غیر مکانی فرض می‌کنند که مشاهدات مستقل و به طور یکسان توزیع شده‌اند. با این حال، این فرض معمولاً در مطالعات تجربی جرم مشکل ساز است. در عمل، مناطق مجاور اغلب داده‌های جرم مشابهی دارند، به عنوان مثال، داده‌های جرم به احتمال زیاد از نظر مکانی همبستگی خودکار دارند، به‌ویژه در مقیاس‌های ناحیه کوچک که اغلب با خوشه‌هایی که در نقشه‌های جرم نشان داده می‌شوند، نشان داده می‌شوند. نادیده گرفتن این وابستگی فضایی در مطالعات اکولوژیکی می تواند منجر به تخمین هایی با خطاهای استاندارد دست کم برآورد شود [ 2 ]. بنابراین، از نظر روش‌شناسی، مدل‌های سنتی غیرمکانی برای تحلیل جرم در سطح منطقه کوچک نامناسب هستند.

خودهمبستگی فضایی معمولاً با استفاده از مدل تاخیر فضایی [ 3 ]، مدل خطای فضایی [ 4 ] یا دیگر مدل‌های آماری مکرر [ 5 ] در تحلیل جرم مدل‌سازی می‌شود. با این حال، محدودیت هایی در مدل های متداول وجود دارد. مدل‌های تاخیر فضایی و خطا [ 6 ] فقط می‌توانند برای مدل‌سازی متغیرهای پیوسته (یعنی نتایج نرخ‌ها، نه شمارش) به دنبال توزیع نرمال استفاده شوند. علاوه بر این، مدل های فضایی مکرر نمی توانند اطلاعات موجود را به طور سیستماتیک پردازش کنند [ 7 ]. این رویکردها همچنین قادر به مقابله با مشکل تعداد کم نیستند، که ممکن است تخمین ریسک غیرقابل اعتمادی را در صورت عدم در نظر گرفتن مدل تولید کند [ 8 ].

محدودیت‌های مدل‌های مکرر در تحلیل جرم منطقه کوچک را می‌توان با مدل‌های فضایی بیزی برطرف کرد. آمار بیزی، بر خلاف آمار فراوان گرا، پارامترهای ناشناخته را به عنوان متغیرهای تصادفی بیان می کند که بر حسب احتمالات بیان می شوند. این دانش قبلی و داده های مشاهداتی را برای به دست آوردن توزیع های پسین برای پارامترهای مورد علاقه ترکیب می کند. پیاده سازی روش ها و نرم افزارهای زنجیره مارکوف مونت کارلو (MCMC) مانند WinBUGS برای پیاده سازی MCMC [ 7 ، 9] تناسب مدل های فضایی پیچیده را ممکن می سازد. اگرچه مدل‌های فضایی بیزی می‌توانند مشکلاتی را که در رویکردهای مکرر با آن مواجه می‌شوند مقابله کنند، و بنابراین در تجزیه و تحلیل منطقه کوچک سودمند هستند، اما هنوز به ندرت در مطالعات جرم و جنایت استفاده می‌شوند. با این حال، این در حال تغییر است، زیرا محققان بیشتری از مزایای مدل‌های فضایی بیزی آگاه شده‌اند. مجموعه کوچک اما رو به رشدی از تحقیقات، رویکردهای مدل‌سازی فضایی بیزی را در تحلیل جرم اتخاذ کرده‌اند [ 10 ، 11 ، 12 ، 13 ، 14 ، 15 ، 16 ، 17 ]. برای مثال، محققانی که از مدل‌های فضایی بیزی استفاده می‌کنند، تأثیرات زمینه‌ای بر خشونت خانگی را بررسی کرده‌اند [ 12 ،15 ، 18 ]، مجرمان نوجوان [ 14 ] و جرایم اموال [ 13 ].

تحقیقات جرم‌شناسی موجود که با استفاده از مدل‌های فضایی بیزی انجام شده است، معمولاً بر یک نوع جرم متمرکز است. در این کاربردها، روش‌های مدل‌سازی اتخاذ شده ماهیت تک متغیره دارند. تعداد انواع مختلف جرایم می تواند به هم مرتبط باشد و تا حدی چند متغیره است، زیرا جرایم ممکن است در برخی متغیرهای گمشده یا اندازه گیری نشده مشترک باشند. مدل‌سازی تعداد جرم‌های مرتبط با یکدیگر با جمع‌آوری همه آنها با هم یا به طور جداگانه با استفاده از رویکرد تک متغیره برای هر نوع جرم، این همبستگی را تشخیص نمی‌دهد و ممکن است اطلاعات به اشتراک گذاشته شده در آن متغیرهای گمشده را نادیده بگیرد. در تحلیل اکولوژیکی، نادیده گرفتن ساختارهای همبستگی بین نتایج ممکن است تخمین ضرایب رگرسیون را مخدوش کند و منجر به استنتاج پارامترهای مغرضانه و ناکارآمد شود [ 19]]. با این وجود، تا جایی که ما می دانیم، کار کمی روی مدل سازی جنایت بیزی چند متغیره در تحقیقات جرم شناسی انجام شده است.

این مقاله از یک رویکرد مدل‌سازی فضایی بیزی چند متغیره برای مدل‌سازی مشترک تعداد دو نوع جرم، یعنی سرقت و سرقت وسایل نقلیه غیرموتوری استفاده می‌کند و الگوی جغرافیایی خطرات جرم را در مقیاس کوچک بررسی می‌کند. دزدی ها و سرقت های وسایل نقلیه غیرموتوری می توانند به هم مرتبط باشند، زیرا به یک دسته سرقت در چین تعلق دارند و ممکن است در برخی متغیرهای حذف شده مشترک باشند. مدل فضایی بیزی چند متغیره همبستگی بین این دو نوع جرم را در نظر می گیرد. این امر از نظر نظری و عملی اهمیت دارد. از منظر نظری، از طریق این روش مدل‌سازی مشترک، دستاوردهایی در دقت و کارایی تخمین‌ها وجود دارد که با ادغام تمام داده‌های موجود از منابع مختلف جرم به دست می‌آید. مدل‌های بیزی چند متغیره می‌توانند از همبستگی‌ها در انواع مختلف جرم استفاده کنند. علاوه بر این، مدل فضایی چند متغیره اطلاعاتی را نه تنها در مورد شباهت‌ها، بلکه در مورد تفاوت‌ها در تأثیر متغیرهای کمکی بر جرایم ارائه می‌کند. این مدل همچنین می تواند برای شناسایی عوامل خطر خاص جرم مورد استفاده قرار گیرد. از منظر عملی، هم دزدی و هم سرقت وسایل نقلیه غیر موتوری رایج است و در چین شیوع بالایی دارد. ادارات پلیس و مردم به شدت نگران این دو نوع جرم هستند و علاقه مند به شناسایی عوامل خطر مرتبط هستند. اطلاعات به‌دست‌آمده از تحلیل‌های مشترک می‌تواند به توسعه درک بیشتر از توزیع فضایی و عوامل تعیین‌کننده جرایم کمک کند و به مداخله و راهبردهای پیشگیری کارآمدتر و مؤثرتر جرم کمک کند.

باقی مانده این نسخه خطی به ترتیب زیر تنظیم شده است. ابتدا منطقه مورد مطالعه و داده های مربوطه را به اختصار شرح می دهیم. در مرحله بعد، رویکرد مدل‌سازی فضایی بیزی چند متغیره را به تفصیل توضیح می‌دهیم. سوم، نتایج تجزیه و تحلیل نشان داده شده است، و سپس بحث در مورد نتایج. نقاط قوت و محدودیت‌های مطالعه و همچنین دستورالعمل‌های تحقیق ویژگی در بخش پایانی نتیجه‌گیری می‌شود.

2. مطالعه منطقه و داده ها

2.1. منطقه مطالعه

این مطالعه در منطقه Jianghan، ووهان، چین انجام شد. ووهان، بزرگترین شهر در مرکز چین، یک پایگاه صنعتی و مرکز حمل و نقل مهم است. منطقه Jianghan ووهان در تقاطع رودخانه یانگ تسه و رودخانه هان قرار دارد. این شهر مرفه ترین و پرجمعیت ترین منطقه شهری این شهر است. محله واحد تحلیل در پژوهش حاضر بود. این یک زیرسطح مستقیم از یک منطقه فرعی است که یکی از کوچکترین تقسیمات سیاسی در چین است. منطقه جیانگان از 116 محله تشکیل شده است. دو محله به دلیل کمبود داده از مطالعه حذف شدند.

2.2. داده ها

اطلاعات مربوط به دزدی و سرقت وسایل نقلیه غیر موتوری از سیستم گزارش 110 شهر که توسط اداره امنیت عمومی ووهان اداره می شود، به دست آمده است. سیستم گزارش 110 منبع اصلی اطلاعات رسمی جرم در چین است، زیرا 110 شماره تلفن اضطراری عمومی برای گزارش جرایم و موارد اضطراری به پلیس است. از اول ژانویه 2015 تا 31 دسامبر 2015 در مجموع 1747 سرقت و 2341 سرقت وسایل نقلیه غیر موتوری در منطقه مورد مطالعه رخ داده است. هر دو نوع حوادث به طور نابرابر در بین محله ها توزیع شده اند ( جدول 1 را ببینید ). ما از این داده های حادثه به عنوان متغیرهای وابسته استفاده کردیم.

متغیرهای مستقل بر اساس نظریه عدم سازماندهی اجتماعی [ 20 ] و نظریه فعالیت معمول [ 21 ] انتخاب شدند. تئوری بی‌سازمانی اجتماعی نشان می‌دهد که سطح جرم و جنایت در محله‌ها به شدت با ویژگی‌های بوم‌شناختی محلی مرتبط است. استرس اجتماعی و اقتصادی می تواند سازمان اجتماعی را کاهش دهد. محله‌های بی‌سازمان اجتماعی سطوح پایین‌تری از کنترل اجتماعی دارند، که نظارت بر فعالیت‌های مجرمانه را کاهش می‌دهد و بیشتر منجر به وقوع جرم می‌شود [ 22 ، 23 ]. تئوری فعالیت معمول سه عنصر ضروری برای یک جرم را شناسایی می کند: مجرمان با انگیزه، اهداف مناسب، و فقدان سرپرستان توانا [ 24 ، 25] .]. اگر هر یک از این موارد وجود نداشته باشد، احتمال وقوع جرم کمتر خواهد بود. بر اساس این دو نظریه، شش متغیر در سطح محله به عنوان عوامل خطر بالقوه در نظر گرفته شد. آنها تراکم جمعیت، نرخ بیکاری، درصد تحصیلات عالی، درصد مردان جوان، پلیس و تراکم بارها بودند.

تراکم جمعیت با تعداد ساکنان در هر کیلومتر مربع اندازه گیری شد. برای کنترل تفاوت در اندازه و جمعیت محله [ 26 و 27 ] گنجانده شد. عموماً اعتقاد بر این است که تراکم جمعیت بیشتر معمولاً منجر به نرخ بالاتر جرم و جنایت می شود [ 28 ، 29 ]. با این حال، تراکم جمعیت بالاتر نیز نظارت بر خیابان ها را توسط ساکنان افزایش می دهد [ 30 ] و هر کسی را از ارتکاب جرم باز می دارد.

نرخ بیکاری به عنوان تعداد ساکنان بیکار بین 18 تا 60 سال تقسیم بر تعداد تمام ساکنان در محدوده سنی مشابه در محله محاسبه شد. معمولاً اعتقاد بر این است که نرخ بیکاری رابطه مثبتی با جرم و جنایت دارد و پژوهش ها از آن به عنوان یکی از شاخص های وضعیت اجتماعی-اقتصادی استفاده کرده اند [ 14 ، 31 ، 32 ]. درصد افراد دارای تحصیلات عالی، درصد جمعیت 20 ساله یا بالاتر با دیپلم دبیرستان یا معادل آن بود. این متغیر همچنین اغلب برای اندازه گیری محرومیت اقتصادی استفاده می شود [ 14 ، 32 ، 33]. بنابراین، در تحلیل ما، نرخ بیکاری و درصد افراد دارای تحصیلات عالی به عنوان شاخصی برای وضعیت اجتماعی-اقتصادی استفاده شد. محله هایی با نرخ بیکاری بالا و درصد پایینی از ساکنان با تحصیلات عالی، به طور نسبی، احتمالاً وضعیت اجتماعی-اقتصادی پایین تری دارند. بر اساس تئوری بی‌سازمانی اجتماعی [ 20 ]، اغلب یک همبستگی مثبت بین وضعیت اجتماعی-اقتصادی پایین و جرم وجود دارد.

درصد مردان جوان به درصد مردان بین 15 تا 24 سال اشاره دارد. این عامل به این دلیل در نظر گرفته شد که تحقیقات قبلی نشان داده است که مردان جوان در میان افرادی که در فعالیت‌های مجرمانه فعالیت می‌کنند بیش از حد حضور دارند [ 23 ، 34 ، 35 ].

پلیس با تعداد اتاق های پلیس و نظارت اجتماعی در هر محله به ازای هر 10000 نفر اندازه گیری شد. اتاق های پلیس توسط ایستگاه های پلیس محلی راه اندازی شده و چندین افسر پلیس برای تضمین امنیت محله کار می کنند. رابطه بین پلیس و جرم در مطالعات قبلی مورد بررسی قرار گرفته است [ 15 ، 27 ].

تراکم بار به عنوان تعداد میله ها در هر 10000 نفر در هر محله تعریف شد. ما این متغیر کاربری زمین را در تجزیه و تحلیل قرار دادیم تا آزمایش کنیم که آیا می تواند الگوی فضایی خطرات جرم را توضیح دهد یا خیر. محققان مدتهاست که به متغیرهای کاربری زمین در تجزیه و تحلیل جرم علاقه مند بوده اند [ 36 ، 37 ].

آمار توصیفی شامل حداقل، حداکثر، میانگین و انحراف معیار (SD) متغیرهای وابسته و مستقل در سطح محله در جدول 1 نشان داده شده است .

جدول 2 ماتریس همبستگی شش متغیر مستقل را خلاصه می کند. این جدول نشان می دهد که جفت تراکم جمعیت و نرخ بیکاری دارای بیشترین ضریب همبستگی (420/0) بودند. با توجه به ایوانز [ 38 ]، این سطح همبستگی متوسط است در حالی که سطح همبستگی سایر جفت متغیرها ضعیف یا بسیار ضعیف است. بنابراین، موضوع چند خطی را در نظر نگرفتیم و از هر شش متغیر در مدل سازی استفاده کردیم.

3. روش ها

3.1. چارچوب مدلسازی

متغیر وابسته تعداد جرایم بر حسب نوع بود که از توزیع پواسون پیروی می کرد:

Y من ک \sim پ یا من هستم (___E من ک r من ک)

(1)

که در آن k به نوع جرم اشاره دارد، $Y_{i k}$ تعداد جرایم مشاهده شده از نوع k در محله i است ، $E_{i k} r_{i k}$ مقدار مورد انتظار توزیع پواسون است، $E_{i k}$ تعداد جنایاتی است که می توان انتظار داشت، و $r_{i k}$ خطر جرم مربوط به منطقه خاص و نوع خاص است. در رویکرد مدل‌سازی فضایی بیزی ما، لگاریتم مقدار مورد انتظار به متغیرهای مستقل مرتبط شد:

l o g (E من ک r من ک) = l o g (E من ک) + l o g (r من ک)

(2)

= l o g (E من ک) + β k 0 + β k 1 ایکس من 1 + \dots + β k l ایکس من l + U من ک + اس من ک

(3)

جایی که $l o g (E_{i k})$ یک عبارت افست برای نوع جرم k در محله i با ضریب رگرسیون یک است، $β_{k 0}$ رهگیری برای جنایت نوع k است ، $X_{i 1}$ ، $\dots$ ، $X_{i l}$ مشاهدات متغیرهای مستقل در همسایگی i هستند ، $β_{k 1}$ ، $\dots$ ، $β_{k l}$ ضرایب رگرسیون مربوط به جنایت نوع k هستند ، $U_{i k}$ یک اصطلاح اثرات تصادفی بدون ساختار است که برای توضیح پراکندگی بیش از حدی است که ممکن است هنگام مدل‌سازی داده‌های شمارش ناحیه کوچک ایجاد شود، و $S_{i k}$ یک اصطلاح اثرات تصادفی ساختار یافته فضایی برای توضیح خودهمبستگی فضایی است.

3.2. مشخصات قبلی برای مدل تک متغیره

به منظور بیان کامل مدل فضایی بیزی چند متغیره، ما مشخصات قبلی مورد استفاده در مدل تک متغیره را توصیف می کنیم و آنها را با همتایان چند متغیره خود مقایسه می کنیم. مشخصات قبلی برای پارامترهای ناشناخته در استنتاج بیزی مهم است، زیرا توزیع های پسین پارامترها با ترکیب دانش و داده های قبلی استنتاج می شوند.

β_{k 0}

به دلیل محدودیت مجموع به صفر در اثرات تصادفی، یک dflat () یکنواخت نسبت داده شد [ 39 ]:

β k 0 \sim د f l a t () ، k = 1 ، 2

(4)

$β_{k l}$ ضریب رگرسیون برای پیروی از یک توزیع نرمال غیر اطلاعاتی با میانگین صفر و واریانس 10000 مشخص شد زیرا هیچ انتظار قبلی واقعی برای جهت و بزرگی اثر متغیر مستقل نداشتیم:

β k l \sim N (0, 10,000), k = 1, 2; l = 1 ، 2 ، \dots ، 6

(5)

مدل فضایی بیزی تک متغیره همبستگی بین انواع مختلف جرم را نادیده می گیرد زیرا فرض می کند که اثرات تصادفی برای انواع مختلف جرم مستقل هستند. در مورد مدل تک متغیره،

U_{i k}

به عنوان یک توزیع نرمال مستقل با میانگین انتظاری صفر و واریانس مشخص شد

σ_{u k}^{2}

U من ک \sim N (0, σ 2 u k) ، k = 1 ، 2

(6)

$S_{i k}$ ، اصطلاح اثرات تصادفی ساختار یافته فضایی، از طریق توزیع خودبازگشتی شرطی ذاتی (ICAR) تعیین شد که به طور گسترده در آمار فضایی استفاده می شود [ 40 ، 41 ]. تحت مشخصات ICAR، این منجر به موارد زیر می شود:

اس من ک ∣ ∣ اس - من ک \sim N (اس من ک ، σ 2 s k / n من) ، k = 1 ، 2

(7)

جایی که ${\bar{S}}_{i k} = \sum_{j \neq i} ω_{i, j} S_{j k} / n_{i}$ ، $ω_{i, j} = 1$ اگر i و j مجاور باشند و در غیر این صورت 0 و $n_{i}$ تعداد محله های مجاور محله i است . به طور خاص، با توجه به مشخصات مدل ICAR، توزیع مشروط از $S_{i k}$ با توجه به اجزای باقی مانده ( $S_{- i k}$ ) با میانگین طبیعی است ${\bar{S}}_{i k}$ و واریانس $σ_{s k}^{2} / n_{i}$ . تنوع از $S_{i k}$ توسط پارامتر واریانس کلی کنترل می شود $σ_{s k}^{2}$ .

در مورد هایپرپارامترها

σ_{u k}^{2}

σ_{s k}^{2}

فرض می‌شود که متقابل این دو پارامتر از توزیع گامای متداول استفاده می‌شود [ 42 ]:

σ 2 u k - 1 ~ G a m m a (0.5, 0.0005), k = 1, 2

(8)

σ 2 s k - 1 ~ G a m m a (0.5, 0.0005), k = 1, 2

(9)

کد WinBUGS برای مدل تک متغیره را می توان در مواد تکمیلی یافت .

3.3. مشخصات قبلی برای مدل چند متغیره

مشخصات از معادله (4) تا معادله (9) اساساً معادل مشخصات مدل فضایی تک متغیره پواسون برای هر نوع جرم است، یعنی به ترتیب سرقت و سرقت وسایل نقلیه غیر موتوری. با این حال، این مشخصات امکان مقایسه مستقیم با مشخصات مفصل چند متغیره را فراهم می کند.

مشخصات قبلی از

β_{k 0}

β_{k l}

برای مدل فضایی بیزی چند متغیره همانند مدل تک متغیره بود. برخلاف مدل تک متغیره که فرض می‌کند اثرات تصادفی برای انواع مختلف جرم مستقل هستند، مدل چند متغیره همبستگی بین اثرات تصادفی را در نظر می‌گیرد. بنابراین، تفاوت اصلی بین مدل چند متغیره و مدل تک متغیره، مشخصات قبلی اثرات تصادفی است. برای مدل فضایی چند متغیره،

U_{i} = {(U_{i 1}, U_{i 2})}^{T}

فرض بر این بود که از توزیع نرمال چند متغیره پیروی می کند:

U من \sim م ن (μ من ، \sum تو)

(10)

جایی که $μ_{i}$ یک برداری است که تمام عناصر آن صفر است $μ_{i} = {(0, 0)}^{T}$ و $\sum_{u}$ ماتریس کوواریانس برآورد شده توسط توزیع Wishart است:

\sum تو - 1 \sim دبلیو i s h a r t (Ω ، د)

(11)

جایی که $Ω = [\begin{matrix} 0.01 & 0 \\ 0 & 0.01 \end{matrix}]$ و $d = 2$ به ترتیب ماتریس مقیاس و درجات آزادی هستند. برای راحتی محاسباتی، توزیع Wishart معمولاً استفاده می‌شود، زیرا مزدوج قبلی برای معکوس پارامترهای کوواریانس توزیع‌های نرمال چند متغیره است [ 43 ، 44 ]. ماتریس مقیاس، $Ω$ ، اغلب تنظیم می شود که یک ماتریس شناسایی مقیاس شده با ضریب مقیاس بندی باشد ( برای مثال به [ 45 ، 46 ، 47 ] مراجعه کنید). در تجزیه و تحلیل خود، ما 0.01 را به عنوان ضریب مقیاس بندی، یعنی تنظیم، انتخاب کردیم $Ω$ ورودی های مورب به $Ω_{i i} = 0.01$ ، مشخصاتی که برای اجرای تحلیل حساسیت برای ماتریس دقیق توزیع نرمال چند متغیره اتخاذ شده است [ 45 ]. پارامتر $d$ ، درجات آزادی، برابر 2 قرار داده شد تا بر روی قبلی انجام شود ${\sum_{u}}^{- 1}$ حداقل آموزنده [ 48 ، 49 ].

در مورد اثرات تصادفی ساختار یافته فضایی

S_{i} = {(S_{i 1}, S_{i 2})}^{T}

، مشخصات ICAR در مدل تک متغیره به طور طبیعی با جایگزینی توزیع شرطی عادی تک متغیره با توزیع شرطی چند متغیره به مشخصات ICAR چند متغیره گسترش می یابد:

اس من | (اس - من 1 ، اس - من 2) ~ م ن (اس ¯ من ، \sum اس / n من)

(12)

جایی که ${\bar{S}}_{i}$ بردار میانگین است ${\bar{S}}_{i} = {(\sum_{j \neq i} ω_{i, j} S_{j 1} / n_{i}, \sum_{j \neq i} ω_{i, j} S_{j 2} / n_{i})}^{T}$ ، و $\sum_{S}$ هست $2 \times 2$ به ترتیب ماتریس کوواریانس. مانند حالت تک متغیره، $ω_{i, j} = 1$ اگر i و j مجاور و 0 در غیر این صورت، و $n_{i}$ تعداد همسایگان محله i است . عناصر مورب از $\sum_{S}$ ، یعنی $\sum_{11}$ و $\sum_{22}$ ، واریانس های شرطی هستند $S_{i 1}$ و $S_{i 2}$ به ترتیب، و عناصر خارج از مورب، به عنوان مثال، $\sum_{12}$ و $\sum_{21}$ ، نشان دهنده کوواریانس شرطی درون همسایگی بین است $S_{i 1}$ و $S_{i 2}$ . این مشخصات از $S_{i}$ معادل چند متغیره مشخصات استاندارد ICAR [ 40 ] را می دهد. مدل ICAR چند متغیره مبتنی بر مدل‌های خودبازگشتی شرطی چند متغیره (MCAR) است که توسط Mardia [ 50 ] توضیح داده شده است. این نسخه ذاتی مدل خودرگرسیون شرطی چند متغیره (MCAR) [ 51 ] است و در تحلیل فضایی استفاده شده است [ 46 ، 52 ]. مشابه مشخصات $\sum_{u}$ ، ما همین رویکرد را برای تعیین در پیش گرفتیم $\sum_{S}$ ; توزیع Wishart برای معکوس آن انتخاب شد ${\sum_{s}}^{- 1}$ [ 45 ، 48 ، 49 ]:

\sum س - 1 \sim دبلیو من h a r t (R_، د)

(13)

جایی که $R = [\begin{matrix} 0.01 & 0 \\ 0 & 0.01 \end{matrix}]$ و $d = 2$ به ترتیب ماتریس مقیاس و درجات آزادی هستند.

کد WinBUGS برای مدل چند متغیره را می توان در مواد تکمیلی یافت .

3.4. پیاده سازی و ارزیابی مدل

مدل‌ها با رویکرد شبیه‌سازی MCMC در WinBUGS 1.4.3 برازش شدند. قبل از برازش، همه متغیرهای مستقل استانداردسازی شدند (مرکز حول میانگین و سپس تقسیم بر انحراف استاندارد) برای بهبود همگرایی [ 51 ]. برای هر مدل، دو زنجیره نمونه برداری موازی با مقادیر اولیه متفاوت اجرا شد. ما همگرایی هر مدل را با بازرسی بصری نمودارهای ردیابی و آماره همگرایی گلمن-روبین [ 53 ] ارزیابی کردیم. همگرایی پس از 50000 تکرار اول اتفاق افتاد. هر زنجیره برای 100000 تکرار دیگر اجرا شد و 200000 نمونه با خطاهای مونت کارلو قابل قبول (<5% از انحراف استاندارد خلفی) برای تخمین های پسین تولید شد. ما مدل‌های مختلف را با استفاده از معیار اطلاعات انحراف (DIC) ارزیابی کردیم [54 ]. به طور کلی، DIC یک تعمیم از معیار اطلاعات آکایک [ 55 ] است و به صورت زیر تعریف می شود:

DIC = D ¯ + پ د

(14)

جایی که $\bar{D}$ میانگین خلفی انحراف است و $p_{d}$ تعداد پارامترهای موثر در مدل است. DIC هر دو مدل برازش را می گیرد (خلاصه شده توسط $\bar{D}$ ) و پیچیدگی مدل (گرفته شده توسط $p_{d}$ ) هنگام مقایسه مدل ها در نظر گرفته شود. مقادیر کوچکتر DIC مدل های مناسب تری را نشان می دهد.

4. نتایج

4.1. مقایسه DIC ها

جدول 3 نتایج مدل های رگرسیون تک متغیره و چند متغیره برازش شده در WinBUGS را نشان می دهد. هر دو مدل شامل یک عبارت اثرات تصادفی بدون ساختار و یک اصطلاح اثرات تصادفی ساختار یافته مکانی بودند. تفاوت عمده در روشی است که در آن اثرات تصادفی مشخص شده است. یکی به شکل تک متغیره و دیگری به شکل چند متغیره است. مدل تک متغیره دارای DIC 1344.709 بود. هنگامی که به مدل چند متغیره تعمیم داده شد، DIC به 1325.992 کاهش یافت، تفاوت 18.717. این تفاوت در DIC ها را می توان با انحراف خلفی توضیح داد

\bar{D}

و تعداد پارامترهای موثر

p_{d}

. این

\bar{D}

برای مدل چند متغیره 1145.07 در مقایسه با 1150.30 برای مدل تک متغیره بود. بالاتر

\bar{D}

زیرا مدل تک متغیره نشان دهنده برازش ضعیف نسبت به برازش مدل چند متغیره است. این

p_{d}

در مدل تک متغیره 194.409 بود، در حالی که اثرات تصادفی تک متغیره را به فرم چند متغیره ساخته شده گسترش داد.

p_{d}

13.487 امتیاز کمتر. این کاهش در

p_{d}

نشان می دهد که اثرات تصادفی ممکن است همبستگی داشته باشند. در واقع، هنگامی که همبستگی بین اثرات تصادفی در مدل چند متغیره در نظر گرفته شد،

p_{d}

کاهش یافت و تا حد زیادی بهبود در DIC را توضیح داد. به طور خلاصه، مدل چند متغیره نسبت به جایگزین تک متغیره مقرون به صرفه تر بود. مدلی با تناسب بهتر و پارامترهای کمتر همیشه ترجیح داده می شود. بنابراین، از نظر DIC، معیار مقایسه کلی مدل که هم تناسب مدل و هم پیچیدگی مدل را در نظر می‌گیرد، مدل چند متغیره برای داده‌های ما مناسب‌تر بود. ما حساسیت نتایج به انتخاب فراپارامترها را مطالعه کردیم. با توجه به مدل تک متغیره، توجه می‌کنیم که از پیشین‌های یکنواخت انحراف استاندارد معمولاً استفاده می‌شود [ 56 ]. بنابراین، ما از یک توزیع یکنواخت یکنواخت dunif (0،100) برای پارامترهای انحراف استاندارد استفاده کردیم.

U_{i k}

S_{i k}

[ 16 ]. DIC با اختلاف 5.077 (1349.786 در مقابل 1344.709) به دست آمد. برای مدل چند متغیره، ماتریس هویت دوبعدی را انتخاب کردیم، پیشینی غیر اطلاعاتی که اغلب در عمل استفاده می‌شود.

Ω

R

[ 45 ، 47 ]. DIC با اختلاف 4.198 (1330.190 در مقابل 1325.992) به دست آمد. تجزیه و تحلیل حساسیت نشان می‌دهد که نتایج مدل‌های تک متغیره و چند متغیره هر دو نسبت به مشخصات انتخاب شده بیش از حد حساس نیستند.

4.2. تجزیه و تحلیل عوامل خطر

با توجه به متغیرهای مستقل، تراکم جمعیت و تراکم میله با هر دو نوع جرم در بازه اعتبار 95 درصد (CI) هم در مدل تک متغیره و هم در مدل چند متغیره ارتباط واضحی داشتند. چهار متغیر دیگر یعنی نرخ بیکاری، درصد جمعیت با تحصیلات عالی، درصد مردان جوان و پلیس برای دو نوع جرم در هر دو مدل معنادار نبودند. مدل تک متغیره و مدل چند متغیره مجموعه یکسانی از متغیرهای معنادار را برای هر دو جرم شناسایی کردند. با این حال، دقت تمام ضرایب رگرسیون از مدل تک متغیره در مقایسه با ضرایب مدل چند متغیره بیش از حد برآورد شد. به طور کلی، ضرایب رگرسیون پس از گسترش اثرات تصادفی تک متغیره به همتایان چند متغیره خود بسیار تغییر کردند. این نشان می دهد که همبستگی بین سرقت و سرقت وسایل نقلیه غیر موتوری تأثیر زیادی بر برآورد ضرایب داشته است. از آنجایی که مدل چند متغیره برازش بهتری با داده ها دارد، تحلیل های ما بر اساس این مدل است.

تراکم جمعیت بر هر دو نوع جرم تأثیر منفی داشت. مشخص شد که چگالی میله با دزدی و سرقت وسایل نقلیه غیر موتوری در CI 95% همبستگی مثبت دارد. به طور کلی، با ثابت نگه داشتن سایر متغیرها، با افزایش یک انحراف معیار در تراکم جمعیت، خطر نسبی سرقت و سرقت وسایل نقلیه غیر موتوری به ترتیب 28.12% و 41.32% کاهش می یابد (معادلات (15) و (16)). .

e x p (- 0.3302) - 1 = - 0.2812

(15)

e x p (- 0.5331) - 1 = - 0.4132

(16)

با استفاده از روش محاسباتی مشابه، تخمین زدیم که خطر نسبی سرقت و سرقت وسایل نقلیه غیر موتوری به ترتیب با افزایش یک انحراف معیار در چگالی میله، به ترتیب 67.30% و 46.96% افزایش خواهد یافت (معادلات (17) و (18) ).

e x p (0.5146) - 1 = 0.6730

(17)

e x p (0.3850) - 1 = 0.4696

(18)

4.3. همبستگی بین اثرات تصادفی

جدول 4میانگین خلفی ماتریس کوواریانس/همبستگی اثرات تصادفی را نشان می دهد. اگرچه همبستگی بین اثرات تصادفی بدون ساختار کم بود (1398/0)، اما همبستگی بین اثرات تصادفی ساختار یافته فضایی بالا بود (7664/0). احتمالاً به دلیل غلبه اثرات تصادفی ساختار یافته فضایی، همبستگی خلفی بین اثرات تصادفی کل نیز بالا بود (0.7953) که نشان دهنده رابطه نزدیک بین دو نوع جرم در داده ها است. در نتیجه، مانند هر مدل آماری، این همبستگی باید در تخمین گنجانده شود. در مدل چند متغیره، با محاسبه حاصل ضرب درونی دو خطر جرم، میانگین و انحراف استاندارد خطرات جنایت نوع خاص، همبستگی بین خطرات جرم را بیشتر محاسبه کردیم. میانگین پسین همبستگی 0.7592 بود.

4.4. نقشه برداری از ریسک های نسبی

میانگین خطرات خلفی دزدی و سرقت وسیله نقلیه غیر موتوری برآورد شده توسط مدل چند متغیره به ترتیب در شکل 1 a و شکل 1 b نشان داده شده است. برخلاف نسبت استاندارد جرم و جنایت (SCR)، معیاری از خطرات نسبی که از تقسیم تعداد مشاهده‌شده وقوع جرم بر تعداد مورد انتظار به دست می‌آید، خطرات نشان‌داده‌شده در شکل 1 با در نظر گرفتن اثرات متغیرهای مستقل، بدون ساختار، برآورد شدند. اثرات تصادفی، و اثرات تصادفی ساختار یافته فضایی. در شکل 1 به هیچ محله ای ارزش ریسک دقیقاً صفر اختصاص داده نشده استاگرچه SCR های برخی از محله ها صفر خواهد بود زیرا هیچ جرمی در این محله ها رخ نداده است. این تفاوت بین SCRها و خطرات نشان داده شده در شکل 1 عمدتاً به دلیل اثر هموارسازی فضایی از اثرات تصادفی چند متغیره ساختار فضایی بود. مدل چند متغیره می‌تواند قدرت را نه تنها از تخمین‌های نوع جرم دیگر در همان محله، بلکه از طریق همبستگی فضایی، از آن‌هایی که در محله‌های مجاور هستند، وام بگیرد. این اثر “قدرت استقراض” به تثبیت تخمین ریسک کمک می کند.

از نظر خطرات نسبی نوع خاص، شکل 1 a نشان می دهد که سه محله دارای ارزش ریسک سرقت بالاتر از 10.0 و 38 محله دارای ارزش ریسک بیشتر از 1.0 هستند. با توجه به سرقت وسایل نقلیه غیر موتوری، همچنین سه محله با ارزش ریسک بالاتر از 10.0 وجود دارد که از شکل 1 ب نشان داده می شود. علاوه بر این، 43 محله دارای خطر سرقت وسایل نقلیه غیر موتوری بیش از 1.0 بودند. در مجموع، دو محله هر دو خطر جرم و جنایت بالاتر از 10.0 داشتند. حدود 25.44 درصد از کل محله ها (29 محله از 114 محله) هر دو خطر جرم و جنایت بیشتر از 1.0 داشتند، که نشان می دهد خطر جرم آنها بالاتر از میانگین کل منطقه مورد مطالعه است.

علاوه بر میانگین های خلفی، صدک 2.5 درصدی توزیع خلفی را نیز ترسیم کردیم.

r_{i k} s

( شکل 2 ). درصدهای توزیع خلفی پارامترهای مورد علاقه در تفسیر نتایج یک تحلیل بیزی مفید هستند. در مطالعه حاضر، صدک 2.5 درصد اطلاعات ارزشمندی در مورد الگوی خطرات جرم ارائه کرد. سایه های مختلف نشان داده شده در شکل 2 به مقدار اشاره دارد

r_{i k}

به طوری که 97.5 درصد از مقادیر شبیه سازی شده آن بیشتر از مقدار تعیین شده بود. شکل 2 الف نشان می دهد که 18 محله با ارزش صدک 2.5 درصدی پسین خطر سرقت بزرگ از 1.0 وجود دارد. نکته قابل توجه این است که مقدار صدک در دو محله بالاتر از 10.0 بود. شکل 2b نشان می دهد که 23 محله با ارزش صدک 2.5٪ خطر سرقت وسیله نقلیه غیر موتوری بیشتر از 1.0 و یک محله با ارزش صدک بیشتر از 10.0 وجود دارد. به طور خلاصه، 9 محله دارای مقادیر صدک 2.5 درصدی خطر سرقت و سرقت وسیله نقلیه غیر موتوری بیشتر از 1.0 و یک محله دارای مقادیر صدک بالاتر از 10.0 برای هر دو نوع جرم بود. این محله ها نیاز به بررسی بیشتر توسط محققان دارند و باید توجه کافی از سوی مسئولان مربوطه به آنها شود.

5. بحث

این تحقیق یک رویکرد مدل‌سازی فضایی بیزی چند متغیره را برای مدل‌سازی مشترک تعداد دزدی‌ها و سرقت‌های وسایل نقلیه غیرموتوری و برآورد خطرات نسبی این دو نوع جرم در مقیاس کوچک به کار برد. مدل چند متغیره همبستگی بین انواع مختلف جرم را توضیح می دهد. این همبستگی زمانی که مدل های تک متغیره جداگانه برای هر نوع جرم تخمین زده می شود قابل تشخیص نیست. اگرچه مدل تک متغیره همان مجموعه ای از متغیرهای کمکی مهم را برای هر دو جنایت شناسایی کرد که مدل چند متغیره انجام داد، یک DIC کوچکتر برای مدل فضایی چند متغیره نشان می دهد که توسط داده های ما بهتر پشتیبانی می شود (جدول 3) .). علاوه بر این، دقت تمام ضرایب رگرسیون از مدل تک متغیره در مقایسه با ضرایب مدل چند متغیره بیش از حد برآورد شد ( جدول 3 ). بنابراین مدل چند متغیره بر مدل تک متغیره برتری دارد.

تجزیه و تحلیل ما نشان می دهد که تراکم جمعیت و تراکم میله با هر دو نوع جرم در هر دو مدل تک متغیره و چند متغیره ارتباط واضحی داشتند ( جدول 3 ). تراکم جمعیت با هر دو خطر جرم همبستگی منفی داشت. ارتباط واضح بین تراکم جمعیت و جرم و جنایت که در مطالعه حاضر یافت شد مطابق با سایر مطالعات است که نشان می دهد تراکم مسکونی می تواند نرخ جرم و جنایت را کاهش دهد [ 26 ، 27 ]. این ممکن است به دلیل نظارت نزدیک‌تر و آسان‌تر خیابان‌ها در صورت وجود تراکم جمعیت بیشتر باشد [ 30]]. خطر سرقت و سرقت وسایل نقلیه غیر موتوری در محله‌هایی که تراکم میله‌ها بیشتر از میانگین بود، بیشتر بود. ارتباط بین کافه ها و جرایم به طور کلی در ادبیات [ 57 ] پشتیبانی می شود. نرخ بیکاری و درصد افراد دارای تحصیلات عالی ارتباط معنی داری با هر دو نوع جرم در هر دو مدل نداشت. این تا حدودی غیرمنتظره است زیرا با نظریه بی‌سازمانی اجتماعی مطابقت ندارد. یکی از دلایل ممکن ممکن است این باشد که این دو متغیر نمی توانند وضعیت اجتماعی-اقتصادی را به طور کامل نشان دهند. مسائل مربوط به مغالطه اکولوژیکی [ 58 ، 59 ] و مشکل واحد منطقه قابل تغییر [ 60 ] نیز نیازمند بررسی است. با این حال، نتایج مشابهی در تجزیه و تحلیل داده های جرم دیگر پیدا شده است [ 32]. پلیس ارتباط روشنی با هر دو نوع جرم نداشت. این با فاریا و همکاران همخوانی ندارد. [ 27 ]، که دریافتند رابطه مثبتی بین پلیس و دزدی وجود دارد. با این وجود، نتایج ما کاملاً غیرمنتظره نیست. پلیس می تواند از جرم جلوگیری کند، اما حضور پلیس بیشتر معمولاً واکنشی به مناطق با جرم بالا است. بنابراین، ممکن است ارتباط روشنی بین پلیس و جرم وجود نداشته باشد.

از طریق مدل‌سازی مشترک سرقت‌های منازل و سرقت وسایل نقلیه غیر موتوری، نتایج ما نشان می‌دهد که رابطه تنگاتنگی بین دو نوع جرم وجود دارد ( جدول 4 ). همبستگی بین خطرات نسبی این دو جنایت بالا بود (0.7592)، که نشان‌دهنده یک الگوی جغرافیایی مشترک قوی از خطرات بین دزدی و سرقت وسایل نقلیه غیر موتوری است.

ما میانگین ( شکل 1 ) و صدک 2.5% ( شکل 2 ) توزیع پسینی خطرات جرم را که توسط مدل فضایی بیزی چند متغیره تخمین زده شده است، ترسیم کردیم. با نشان دادن توزیع فضایی خطرات جرم و برجسته کردن مناطق با خطر جرم بالا، نقشه های نشان داده شده در شکل 1 و شکل 2 یک مبنای علمی برای تدوین سیاست و تخصیص منابع فراهم می کند.

ما توجه می‌کنیم که برخی از مدل‌های دیگر، مانند مدل مؤلفه مشترک و مدل تحلیل واریانس هموار (SANOVA) نیز ممکن است برای مدل‌سازی مشترک انواع مختلف جرم استفاده شوند. مدل مؤلفه مشترک می تواند سطح خطر زیربنایی را برای هر جرم به یک جزء مشترک و یک جزء خاص جرم تفکیک کند [ 61 ]. با این حال، هنگامی که مدل مؤلفه مشترک به تجزیه و تحلیل مشترک بیش از دو نوع جرم بسط می‌یابد، ممکن است تعداد جابجایی‌های احتمالی اجزای مشترک و خاص به‌سرعت بازدارنده شود [ 61 ]. علاوه بر این، تفسیر یک جزء مشترک در چنین مواردی دشوارتر است [ 51 ]. مدل SANOVA همچنین قادر به مدلسازی یک نتیجه چند متغیره است [ 62 , 63 ,64 ]. بر اساس این مدل، یک سری تضادهای متعامد (به معنای تحلیل واریانس) در نظر گرفته شده است [ 63 ]. انتخاب این تضادها مشکل اصلی مدل SANOVA است، زیرا درجه سود قابل حصول از طریق برازش مدل عمدتاً به میزان مناسب بودن این انتخاب بستگی دارد و اغلب استانداردها و معیارهای روشنی برای کمک به انتخاب آنها وجود ندارد [64 ] . مدل ICAR چند متغیره که در تجزیه و تحلیل ما به کار گرفته شد، بسط طبیعی مدل ICAR رایج در مطالعات تک متغیره است. به راحتی می توان آن را به تحلیل مشترک سه یا چند نوع جرم تعمیم داد.

6. نتیجه گیری

مطالعه ما نشان‌دهنده کمکی به ادبیات جرم‌شناسی موجود است زیرا رویکرد مدل‌سازی فضایی چند متغیره بیزی به ندرت در تحلیل جرم استفاده می‌شود. برخلاف مدل تک متغیره، مدل فضایی بیزی چند متغیره نه تنها همبستگی‌های بین انواع مختلف جرم را در یک واحد فضایی در نظر می‌گیرد، بلکه از همسایگان خود برای استقراض قدرت بهره می‌برد. این اثر “قدرت استقراض” می تواند بر مشکل تعداد کم غلبه کند و به تخمین ریسک پایدار کمک می کند.

نتایج مطالعه ما پیامدهای عملی دارد. استفاده از رویکرد مدل‌سازی فضایی بیزی چند متغیره، دیدگاه جدیدی برای درک بهتر عوامل خطر مرتبط با انواع مختلف جرم ( جدول 3 ) و همچنین رابطه بین جرایم ( جدول 4 ) فراهم می‌کند. این می تواند مناطقی را با خطر جرم بالا برجسته کند ( شکل 1 و شکل 2) و بنابراین مبنای علمی برای پیشگیری از جرم و راهبردهای مداخله فراهم می کند. به طور کلی، پلیس مسئول دزدی و سرقت وسایل نقلیه غیر موتوری در منطقه جیانگان باید بر محله هایی تمرکز کند که تراکم نوار بالایی دارند. علاوه بر این، محله‌هایی که بالاترین خطر جرم و جنایت را نشان می‌دهند باید به طور کلی‌تر مورد توجه کافی قرار گیرند. بررسی بیشتر، شناسایی قرار گرفتن در معرض محیطی خاص در این بخش‌های ناحیه جیانگگان که خطر جرم و جنایت بالایی را نشان می‌دهد، ممکن است ارزشمند باشد. این به شناسایی سایر ویژگی‌های بافت محله برای توضیح سطوح بالای خطر کمک می‌کند و بنابراین می‌تواند برای پیشگیری و تلاش‌های مداخله هدفمند بهتر استفاده شود. علاوه بر این، از آنجایی که تجزیه و تحلیل ما در مقیاس کوچک انجام شد، می تواند استفاده کارآمد از منابع را نشان دهد.

این مطالعه محدودیت هایی نیز دارد. ابتدا داده های جرم ما از سامانه 110 گزارش شهر به دست آمد. نقص در داده ها، مانند خطاهای ورود داده ها و موضوع از دست رفتن داده های مربوط به عدم گزارش جرایم، تایید شده است [ 65 ]. با این حال، با وجود این محدودیت‌ها، سیستم گزارش 110 معتبرترین منبع اطلاعات جرم را در چین ارائه می‌کند. دوم، ما از جمعیت مسکونی به عنوان جمعیت در معرض خطر برای محاسبه شمارش جرم مورد انتظار استفاده کردیم. ما تغییرات روز در اندازه جمعیت به دلیل رفت و آمد را در نظر نگرفتیم. این ممکن است بر برآوردهای خطر و سوگیری ارزیابی تأثیرات زمینه‌ای بر خطرات جرم در مطالعات جنایی بوم‌شناختی را تحت تأثیر قرار دهد که توسط تحقیقات اخیر نشان داده شده است [ 66 , 67 ,68 ، 69 ]. سوم، معیارهای مورد استفاده برای نشان دادن وضعیت اجتماعی-اقتصادی (یعنی نرخ بیکاری و درصد افراد دارای تحصیلات عالی) ممکن است به اندازه کافی قدرتمند نباشند، زیرا سایر متغیرهای مرتبط مانند میانگین درآمد خانوار [27]، درصد افراد زیر خط فقر [ 70 ] ] و درصد وضعیت شغلی بالا [ 14 ]، در نظر گرفته نشد. علاوه بر این، وضعیت اجتماعی-اقتصادی تنها یکی از شاخص های بی نظمی اجتماعی است. سایر شاخص‌هایی که معمولاً برای عملیاتی کردن بی‌سازمانی اجتماعی استفاده می‌شوند عبارتند از ناهمگونی قومی، گسست خانواده، وضعیت اجتماعی-اقتصادی و تحرک مسکونی [ 4 ، 33] .]. با این حال، به دلیل در دسترس نبودن داده ها، این شاخص ها در تجزیه و تحلیل ما لحاظ نمی شوند. محدودیت دیگر مطالعه این است که ما نقش پیکربندی فضایی را در توضیح خطرات جرم در نظر نگرفتیم. تحقیقات اخیر نشان داده است که پیکربندی فضایی می تواند یک عامل اساسی در ایجاد خطرات جرم و در فاش کردن منابع خودهمبستگی فضایی در داده های جرم باشد [ 71 ].

علیرغم محدودیت‌ها، می‌خواهیم تأکید کنیم که هدف اصلی مقاله ما ارائه و نشان دادن یک مدل فضایی بیزی چند متغیره است. داده های جرم قبلی اغلب با مدل سازی هر نوع جرم به طور جداگانه بدون در نظر گرفتن همبستگی هایی که ممکن است بین انواع مختلف جرم وجود داشته باشد، تجزیه و تحلیل می شود. مدل چند متغیره ارائه شده در تحقیق حاضر می تواند با ساختار همبستگی و پراکندگی بیش از حد در داده های جرم مقابله کند. این وابستگی بین انواع مختلف جرم و همچنین وابستگی در فضا را تأیید می کند. علاوه بر این، این مدل را می توان به راحتی برای تجزیه و تحلیل مشترک بیش از دو نوع جرم گسترش داد.

چندین راه مهم برای کار آینده وجود دارد. ابتدا، آزمایش‌های اضافی مدل چند متغیره با داده‌های جرم متفاوت توصیه می‌شود. دوم، مدل چند متغیره فعلی باید گسترش یابد تا بیش از دو نوع جرم را در خود جای دهد تا درک ما از الگوهای جرم و همبستگی بین جرایم مختلف را عمیق تر کنیم. سوم، تحقیقات آینده باید به طور کامل بررسی کند که آیا پیکربندی فضایی یک متغیر مرتبط در مدل‌های فضایی جرم شهری است، زیرا این موضوع اغلب تحت ارزیابی در مدل‌سازی داده‌های جرم است. چهارم، همانطور که هلبیچ و جوکار ارسنجانی نشان داده اند [ 72]، الگوهای جرم و جنایت در طول زمان تغییر می کند. توصیه می‌شود که سال‌های بیشتری از داده‌های جرم جمع‌آوری شود و مدل فضایی چند متغیره به یک مدل زمانی- مکانی گسترش یابد تا تغییر الگوهای جرم در طول سال‌ها تحلیل شود.

منابع

کراگلیا، ام. هاینینگ، آر. Signoretta، P. مدلسازی مناطق جرم و جنایت با شدت بالا در شهرهای انگلیسی. مطالعه شهری. 2001 ، 38 ، 1921-1941. [ 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 ]
اندرسن، MA تحلیل فضایی جرم در ونکوور، بریتیش کلمبیا: ترکیبی از بی‌سازمانی اجتماعی و نظریه فعالیت معمول. می توان. Geogr. 2006 ، 50 ، 487-502. [ Google Scholar ] [ CrossRef ]
استین، RE; کانلی، جی اف. دیویس، سی. تأثیر متمایز اختلال جسمانی و اثربخشی جمعی: یک رگرسیون وزن‌دار جغرافیایی بر جنایت خشونت‌آمیز. جئوژورنال 2016 ، 81 ، 351–365. [ Google Scholar ] [ CrossRef ]
Anselin, L. اقتصاد سنجی فضایی: روش ها و مدل ها . Kulwer Academic: Dordrecht، هلند، 1988; جلد 4. [ Google Scholar ]
کارلین، BP; Louis, TA Bayes and Empirical Bayes Methods for Data Analysis , 2nd ed.; چپمن و هال: لندن، بریتانیا، 2000. [ Google Scholar ]
گلمن، ا. قیمت، PN همه نقشه های برآورد پارامترها گمراه کننده هستند. آمار پزشکی 1999 ، 18 ، 3221-3234. [ Google Scholar ] [ CrossRef ]
Spiegelhalter، دی جی; توماس، ا. بهترین، NG; گیلکس، اشکالات WR: استنتاج بیزی با استفاده از نمونه گیری گیبس، نسخه 0.50 ; واحد آمار زیستی MRC، دانشگاه کمبریج: کمبریج، بریتانیا، 1995. [ Google Scholar ]
هاینینگ، آر. قانون، جی. ترکیب ادراک پلیس با سوابق پلیس از مناطق جرم و جنایت جدی: یک رویکرد مدل سازی. JR Stat. Soc.: Ser. 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 ]
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. مدل سازی 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 ]
Congdon, P. Bayesian Statistical Modeling , 2nd ed.; جان وایلی و پسران: ساسکس غربی، بریتانیا، 2007. [ Google Scholar ]
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 ]
ژانگ، اچ. پیترسون، MP تحلیل فضایی جنایات محله در اوماها، نبراسکا با استفاده از معیارهای جایگزین میزان جرم و جنایت. بین المللی J. Criminol. 2007 ، 31 ، 1-31. [ Google Scholar ]
فاریا، جی آر. Ogura، LM؛ Sachsida، A. جنایت در یک شهر برنامه ریزی شده: مورد برازیلیا. شهرها 2013 ، 32 ، 80-87. [ Google Scholar ] [ CrossRef ]
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 ما. جی. کوانت. Criminol. 2006 ، 22 ، 341-367. [ Google Scholar ] [ CrossRef ]
جیکوبز، جی. مرگ و زندگی شهرهای بزرگ آمریکا . Random House: نیویورک، نیویورک، ایالات متحده آمریکا، 1961. [ Google Scholar ]
شولنبرگ، جی.ال. زمینه اجتماعی اختیار پلیس با مجرمان جوان: یک تحلیل زیست محیطی. می توان. J. Criminol. جنایت. عدالت 2003 ، 45 ، 127-158. [ Google Scholar ] [ CrossRef ]
شولنبرگ، جی ال. جیکوب، جی سی. Carrington، PJ تجزیه و تحلیل زیست محیطی نرخ جرم و صلاحدید پلیس با افراد جوان: یک تکرار. می توان. جی. جنایت. جنایت. عدالت 2007 ، 49 ، 261-277. [ Google Scholar ] [ CrossRef ]
جیکوب، جی سی جرایم جوانان مرد و زن در جوامع کانادایی: ارزیابی کاربرد نظریه بی‌سازمانی اجتماعی. می توان. جی. جنایت. جنایت. عدالت 2006 ، 48 ، 31-60. [ Google Scholar ] [ CrossRef ]
کریو، ال جی. پترسون، RD محله های بسیار محروم و جرم و جنایت شهری. Soc. نیروهای 1996 ، 75 ، 619-648. [ Google Scholar ] [ CrossRef ]
هانون، ال. نظریه فرصت جنایی و رابطه بین فقر و جرم مالکیت. اجتماعی طیف 2011 ، 22 ، 363-381. [ Google Scholar ] [ CrossRef ]
Roncek, DW مکان های خطرناک: جرم و محیط مسکونی. Soc. نیروها 1981 ، 60 ، 74-96. [ Google Scholar ] [ CrossRef ]
Roncek، DW; مایر، بارها، بلوک‌ها و جرایم 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 ]
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 ] [ CrossRef ]
ویکفیلد، جی. بهترین، ن. رویکردهای Waller، L. Bayesian به نقشه برداری بیماری در اپیدمیولوژی فضایی: روش ها و کاربردها . انتشارات دانشگاه آکسفورد: آکسفورد، انگلستان، 2000. [ Google Scholar ]
Press, SJ Applied Multivariate Analysis: Using Bayesian and Frequenist Methods of Inference , 2nd ed.; رابرت، ای.، اد. شرکت انتشارات کریگر: Malabar, FL, USA, 1982. [ Google Scholar ]
گلمن، ا. کارلین، جی بی. استرن، اچ اس. روبین، تجزیه و تحلیل داده بیزی دی بی ، ویرایش دوم. Chapman & Hall/CRC: Boca Raton، FL، USA، 2004. [ Google Scholar ]
Macnab، YC; گوستافسون، P. هموارسازی B-spline رگرسیون در نقشه برداری بیماری بیزی: با کاربرد در نظارت بر ایمنی بیمار. آمار پزشکی 2007 ، 26 ، 4455-4474. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ویلر، دی سی؛ والر، لس آنجلس کوه‌ها، دره‌ها و رودخانه‌ها: انتقال بیماری هاری راکون در یک چشم‌انداز ناهمگون. جی. آگریک. Biol. محیط زیست آمار 2008 ، 13 ، 388-406. [ Google Scholar ] [ CrossRef ] [ PubMed ]
موراگا، پ. لاوسون، مخلوط اجزای AB Gaussian و مدل‌های خودرو در نقشه‌برداری بیماری بیزی محاسبه کنید. آمار داده آنال. 2012 ، 56 ، 1417-1433. [ Google Scholar ] [ CrossRef ]
گلمن، ا. هیل، جی. تجزیه و تحلیل داده ها با استفاده از رگرسیون و مدل های چند سطحی/سلسله مراتبی . انتشارات دانشگاه کمبریج: کمبریج، انگلستان; نیویورک، نیویورک، ایالات متحده آمریکا، 2007. [ Google Scholar ]
گلمن، ا. کارلین، جی بی. استرن، اچ اس. دانسون، دی.بی. وهتری، ع. روبین، دی بی بیزی تجزیه و تحلیل داده ها ، ویرایش سوم. Chapman & Hall/CRC: Boca Raton، FL، USA، 2013. [ Google Scholar ]
Mardia، KV میدان های تصادفی گاوسی مارکوف چند متغیره چند بعدی با کاربرد در پردازش تصویر. J. Multivar. مقعدی 1988 ، 24 ، 265-284. [ Google Scholar ] [ CrossRef ]
لاوسون، نقشه برداری بیماری بیزی AB : مدلسازی سلسله مراتبی در اپیدمیولوژی فضایی . CRC Press: Boca Raton، FL، USA، 2013. [ Google Scholar ]
تامپسون، جی. کاروزا، SE; Zhu، L. ارزیابی کوواریانس فضایی و چند متغیره در میان هیستوتیپ های سرطان دوران کودکی در تگزاس (ایالات متحده). کنترل علل سرطان 2007 ، 18 ، 105-113. [ Google Scholar ] [ CrossRef ] [ PubMed ]
گلمن، ا. استنتاج روبین، DB از شبیه سازی تکراری با استفاده از توالی های متعدد. آمار علمی 1992 ، 7 ، 457-472. [ Google Scholar ] [ CrossRef ]
Spiegelhalter، دی جی; بهترین، NG; کارلین، BP; اندازه‌گیری‌های پیچیدگی و تناسب مدل ون در لیند، A. بیزی. JR Stat. Soc.: Ser. 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: نیویورک، نیویورک، ایالات متحده آمریکا، 1998; صص 199-213. [ Google Scholar ]
Gelman, A. توزیع های قبلی برای پارامترهای واریانس در مدل های سلسله مراتبی. مقعد بیزی. 2006 ، 1 ، 515-534. [ Google Scholar ]
Roncek، DW; بل، آر. میله‌ها، بلوک‌ها و جنایات. جی. محیط زیست. سیستم 1981 ، 11 ، 35-47. [ Google Scholar ] [ CrossRef ]
رابینسون، WS همبستگی های اکولوژیکی و رفتار افراد. بین المللی J. Epidemiol. 2009 ، 38 ، 337-341. [ Google Scholar ] [ CrossRef ] [ PubMed ]
سوبرامانیان، SV; جونز، ک. کدور، ع. کریگر، ن. بازبینی رابینسون: خطرات مغالطه فردگرایانه و بوم‌شناختی. بین المللی J. Epidemiol. 2009 ، 38 ، 342-360. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Openshaw, S. مسئله واحد مساحتی قابل تغییر . Geo Books: Norwich، UK، 1984. [ Google Scholar ]
Knorr-Held، L. بهترین، NG یک مدل جزء مشترک برای تشخیص خوشه بندی مشترک و انتخابی دو بیماری. JR Stat. Soc. 2000 ، 164 ، 73-85. [ Google Scholar ] [ CrossRef ]
Hodges, JS; کوی، ی. سارجنت، دی جی; تجزیه و تحلیل واریانس تک خطای متوازن کارلین، BP Smoothing. تکنومتریک 2007 ، 49 ، 12-25. [ Google Scholar ] [ CrossRef ]
ژانگ، ی. Hodges, JS; Banerjee, S. Smoothed anova با جلوه های فضایی به عنوان رقیب MCAR در هموارسازی فضایی چند متغیره. ان Appl. آمار 2009 ، 3 ، 1805-1830. [ Google Scholar ] [ CrossRef ] [ PubMed ]
ماری-دل اولمو، م. مارتینز-بنیتو، MA; گوتسنس، ام. Palència، L. یک مدل ANOVA هموار برای رگرسیون اکولوژیکی چند متغیره. استوک. محیط زیست Res. ارزیابی ریسک 2014 ، 28 ، 695-706. [ 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 ]
اندرسن، MA; Jenion، GW جمعیت های محیطی و محاسبه نرخ جرم و خطر. امن J. 2010 , 23 , 114-133. [ Google Scholar ] [ CrossRef ]
Andresen، MA تجزیه و تحلیل جمعیت محیط و جرم و جنایت. پروفسور Geogr. 2011 ، 63 ، 193-212. [ Google Scholar ] [ CrossRef ]
Stults، BJ; هاسبروک، ام. اثر رفت و آمد بر میزان جرم و جنایت در سطح شهر. جی. کوانت. Criminol. 2015 ، 31 ، 331-350. [ Google Scholar ] [ CrossRef ]
امبورو، LW; Helbich، M. برآورد خطر جرم با جمعیت محیطی هماهنگ شده با مسافران. ان صبح. دانشیار Geogr. 2016 ، 106 ، 804-818. [ Google Scholar ] [ CrossRef ]
متیوز، SA; یانگ، تی.-سی. Hayslett-McCall، KL; Ruback، RB محیط ساخته شده و جرم مالکیت در سیاتل، 1998-2000: تحلیل بیزی. محیط زیست طرح. A 2010 , 42 , 1403-1420. [ Google Scholar ] [ CrossRef ] [ PubMed ]
بلا، ED; کورسی، م. لپوراتی، ال. Persico, L. پیکربندی فضایی محیط های جرم شهری و مدل سازی آماری. محیط زیست طرح. B طرح. دس 2015 ، 57 ، 1014-1019. [ Google Scholar ] [ CrossRef ]
هلبیچ، ام. ارسنجانی، JJ فیلتر بردار ویژه فضایی برای نگاشت جرم فضایی و زمانی و تحلیل جرم فضایی. صبح. کارتوگر. 2015 ، 42 ، 134-148. [ Google Scholar ] [ CrossRef ]

شکل 1. میانگین خطرات خلفی ( الف ) دزدی و ( ب ) سرقت وسیله نقلیه غیر موتوری برآورد شده توسط مدل چند متغیره.

شکل 2. صدک 2.5 درصدی توزیع خلفی ( الف ) خطرات سرقت و ( ب ) خطرات سرقت وسایل نقلیه غیرموتوری برآورد شده توسط مدل چند متغیره.

جدول 1. آمار توصیفی متغیرهای وابسته و مستقل.

جدول 2. ماتریس همبستگی متغیرهای مستقل.

جدول 3. نتایج مدل های تک متغیره و چند متغیره.

جدول 4. ماتریس کوواریانس/همبستگی خلفی اثرات تصادفی: مثلث بالایی، کوواریانس اثرات تصادفی. مثلث پایین، همبستگی اثرات تصادفی.

© 2017 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