ارزیابی تأثیر روز هفته بر قربانی شدن تقریباً تکراری: تحلیل مکانی-زمانی سرقت‌های خیابانی در شهر وین، اتریش

خلاصه

پدیده نزدیک به تکرار به افزایش خطر تکرار قربانی شدن نه تنها در همان مکان بلکه در مکان های نزدیک تا فاصله معین و برای یک دوره زمانی معین اشاره دارد. در تحقیقات اخیر، قربانی شدن تقریباً تکراری مکرراً برای انواع مختلف جرم مانند دزدی یا تیراندازی تأیید شده است. در این مقاله پدیده تکرار نزدیک برای هر روز از هفته به طور جداگانه مورد تجزیه و تحلیل قرار گرفته است. یعنی الگوی تقریباً تکرار برای همه دوشنبه‌ها، سه‌شنبه‌ها، چهارشنبه‌های متوالی و غیره موجود در مجموعه داده ارزیابی می‌شود. این روزهای هفته متوالی مجموعه ای خیالی از تاریخ های متوالی را نشان می دهد تا امکان تجزیه و تحلیل مکانی و زمانی الگوهای جرم را فراهم کند. با استفاده از این اصول، این فرضیه وجود دارد که سرقت های خیابانی در مکان و زمان و در همان روز هفته جمع می شوند. این تحقیق به تجزیه و تحلیل سرقت های خیابانی از سال 2009 تا 2013 در وین اتریش می پردازد. هدف کلی تحقیق بررسی می‌کند که آیا الگوهای تقریباً تکراری سرقت‌ها در روزهای هفته و در یک مرحله اضافی به زمان روز وجود دارد یا خیر، و اینکه آیا این الگوهای تقریباً تکراری با یکدیگر و با الگوهای فضایی کاملاً متفاوت هستند یا خیر. نتایج این تحقیق وجود الگوهای تقریباً تکراری را در روزهای هفته و به ویژه بر اساس ساعات روز تأیید می کند. مکان‌های متمایز شناسایی شده‌اند که در روزهای هفته و ساعات روز تفاوت زیادی دارند. بر اساس این اطلاعات، سازمان های مجری قانون در اتریش می توانند برنامه ریزی استراتژیک منابع پلیس را در مبارزه با سرقت بهینه کنند. هدف کلی تحقیق بررسی می‌کند که آیا الگوهای تقریباً تکراری سرقت‌ها در روزهای هفته و در یک مرحله اضافی به زمان روز وجود دارد یا خیر، و اینکه آیا این الگوهای تقریباً تکراری با یکدیگر و با الگوهای فضایی کاملاً متفاوت هستند یا خیر. نتایج این تحقیق وجود الگوهای تقریباً تکراری را در روزهای هفته و به ویژه بر اساس ساعات روز تأیید می کند. مکان‌های متمایز شناسایی شده‌اند که در روزهای هفته و ساعات روز تفاوت زیادی دارند. بر اساس این اطلاعات، سازمان های مجری قانون در اتریش می توانند برنامه ریزی استراتژیک منابع پلیس را در مبارزه با سرقت بهینه کنند. هدف کلی تحقیق بررسی می‌کند که آیا الگوهای تقریباً تکراری سرقت‌ها در روزهای هفته و در یک مرحله اضافی به زمان روز وجود دارد یا خیر، و اینکه آیا این الگوهای تقریباً تکراری با یکدیگر و با الگوهای فضایی کاملاً متفاوت هستند یا خیر. نتایج این تحقیق وجود الگوهای تقریباً تکراری را در روزهای هفته و به ویژه بر اساس ساعات روز تأیید می کند. مکان‌های متمایز شناسایی شده‌اند که در روزهای هفته و ساعات روز تفاوت زیادی دارند. بر اساس این اطلاعات، سازمان های مجری قانون در اتریش می توانند برنامه ریزی استراتژیک منابع پلیس را در مبارزه با سرقت بهینه کنند. مکان‌های متمایز شناسایی شده‌اند که در روزهای هفته و ساعات روز تفاوت زیادی دارند. بر اساس این اطلاعات، سازمان های مجری قانون در اتریش می توانند برنامه ریزی استراتژیک منابع پلیس را در مبارزه با سرقت بهینه کنند. مکان‌های متمایز شناسایی شده‌اند که در روزهای هفته و ساعات روز تفاوت زیادی دارند. بر اساس این اطلاعات، سازمان های مجری قانون در اتریش می توانند برنامه ریزی استراتژیک منابع پلیس را در مبارزه با سرقت بهینه کنند.

کلید واژه ها:

تقریباً تکرار ؛ پیشگیری از جرم ؛ سرقت خیابانی ؛ وین

1. معرفی

مطالعات تجربی اولیه نشان می دهد که رویدادهای جنایی به صورت مکانی متمرکز شده اند [ 1 ، 2 ]. اخیراً، چنین الگوهای فضایی برای انواع مختلف جرایم مشاهده شده است، به عنوان مثال، برای سرقت های مسکونی [ 3 ]، سرقت خودرو [ 4 ]، یا سرقت [ 5 ]. در سالهای اخیر مطالعات کمی با توجه به مولفه مکانی و زمانی رویدادهای جرم انجام شده است (به عنوان مثال، [ 6 ، 7 ]). دانستن این که الگوهای جرم در مکان و زمان در کجا خوشه می شوند، تأثیرات مهمی بر اقدام استراتژیک در جهت پیشگیری از جرم دارد. علاوه بر این، خوشه‌های مکانی-زمانی از کار پیش‌بینی پشتیبانی می‌کنند تا بتوان اقدامات کاهش جرم و جنایت را به روشی متمرکزتر برنامه‌ریزی کرد.8]. هدف این مقاله پیشرفت پژوهش در دوره‌ای خوشه‌بندی مکانی-زمانی رویدادهای سرقت خیابانی است. برای شروع، ادبیات مورد بررسی قرار می گیرد، با تمرکز بر خوشه های مکانی-زمانی جرم، و به دنبال آن یک تجزیه و تحلیل مکانی-زمانی از مجموعه داده های اصلاح شده تنها دوشنبه ها، سه شنبه ها، چهارشنبه ها و غیره در شهر وین، اتریش انجام می شود. سپس آن الگوها با الگوهای صرفاً مکانی و مکانی-زمانی از کل مجموعه داده‌های سرقت‌های خیابانی که در توالی واقعی دوشنبه‌ها، سه‌شنبه‌ها، چهارشنبه‌ها و غیره رخ می‌دهند، مقایسه می‌شوند. رویدادهایی که فقط در روزهای خاص هفته اتفاق می‌افتند، یا فقط در زمان خاصی در روزهای هفته رخ می‌دهند، و اینکه چگونه این اطلاعات می‌تواند برای اهداف پیشگیری از جرم سازمان‌های مجری قانون مفید باشد.

2. پیشینه نظری

هاولی [ 9 ] در بوم شناسی انسانی، الگوهای فعالیت روزانه و روال هایی را مورد بحث قرار می دهد که در آنها سه نوع سازماندهی زمانی را متمایز می کند: تمپو، ریتم و زمان. تعداد رویدادها در واحد زمان، مانند نرخ سالانه جرم و جنایت، به عنوان یک سرعت نامیده می شود. ریتم فصلی یا تناوب یک الگوی زمانی است. چرخه های ماهانه یا فصلی جرم در بین جرم شناسان به خوبی شناخته شده است [ 10 ]. به طور کلی، تناوب وقایع جنایی بر اساس روز هفته، در تحقیقات در مورد جرم رخ داده در مکان و زمان متمرکز نبوده است. آخرین اصطلاح، زمان‌بندی، به تقاطع ریتم‌ها اشاره دارد. زمان‌بندی زمانی بهتر درک می‌شود که تئوری‌هایی در مورد چگونگی ارتباط جرم و جنایت با زندگی روزمره در نظر گرفته شود. کوهن و فلسون [ 11] تئوری فعالیت معمول تأکید می کند که اگر مجرم با انگیزه و هدف مناسب (در غیاب قیم) (در یک مکان خاص) با یکدیگر تماس نداشته باشند، جرمی رخ نمی دهد. شرمن و همکاران [ 12 ] تاکید می کند که نظریه فعالیت های معمول نه تنها تحت تأثیر همگرایی قهرمانان در فضا بلکه در زمان نیز قرار می گیرد. علاوه بر این، این نظریه بیان می‌کند که فعالیت‌های یک فرد موزون هستند و روال‌های روزانه دائماً تکرار می‌شوند [ 11 ]. با استفاده از تئوری فعالیت های معمول، می توان نتیجه گرفت که انواع جرایم خاص در زمان های خاصی از روز، هفته یا سال بیشتر اتفاق می افتد. یکی از اولین مطالعات الگوهای جرم و جنایت بر حسب زمان توسط ساگوفسکی و جانسون انجام شد [ 7]، که به این نتیجه رسید که قربانی شدن مکرر دزدی معمولاً در ساعات روز کاری رخ می دهد، از ساعت 8:00 صبح تا 4:00 بعد از ظهر تامپسون و باورز [13 ] مجموعه داده های جرایم سرقت خیابانی را به چهار بازه زمانی 6 ساعته تقسیم کردند. سطوح مختلف تاریکی و دما در طول سال. در مطالعه خود، آنها انتظارات خود را مبنی بر اینکه تاریکی منجر به حجم بالاتری از سرقت نسبت به نور روز می شود تأیید کردند [ 13 ]. در تجزیه و تحلیل الگوهای جرم و جنایت در روزهای هفته و آخر هفته، LeBeau [ 14 ] دریافت که جرایم خشن در تعطیلات آخر هفته بیشتر است.

2.1. تکرار قربانی شدن

در حالی که چندین اقدام پیشگیری از جرم موثر هستند، بسیاری از آنها توسط افراد، خانواده ها یا مؤسساتی اجرا می شوند که کمترین خطر قربانی شدن را تجربه می کنند. با این حال، آن استراتژی‌های پیشگیری از جرم زمانی که مستقیماً بر روی کسانی متمرکز می‌شوند که بیشتر در معرض خطر قربانی شدن هستند، نتایج امیدوارکننده‌ای را نشان می‌دهند [ 15 ]. پیز [ 16 ] دریافت که به محض وقوع جرم، به احتمال زیاد مجرم آن جنایت را تکرار کند، نه اینکه به مکان جدیدی برود. با این حال، این همیشه به این معنی نیست که دقیقاً همان دارایی یا دقیقاً همان مکان دوباره قربانی می‌شود، اما، به طور کلی، مطالعات متعدد تأیید کرده‌اند که مجرمان به احتمال زیاد به هدف اولیه برای تکرار یک جرم بازمی‌گردند (به عنوان مثال، [15 ] ، 17]).

تکرار قربانی یا قربانی شدن مجدد، به عنوان یک فرد یا مکانی تعریف می شود که چندین بار در یک دوره زمانی خاص قربانی شده است. مقدار تکرار قربانی معمولاً به صورت درصد افراد یا آدرس‌ها (به طور کلی: قربانیان) که در طول یک دوره زمانی برای یک نوع جرم خاص قربانی شده‌اند، در مقایسه با تعداد کل قربانیان در همان دوره زمانی بیان می‌شود. از این اصطلاح به عنوان قربانیان تکراری یاد می شود. بعلاوه، تکرار بزه دیدگی اغلب به عنوان نسبت جرایمی که قربانیانی که بیش از یک بار در طول یک دوره زمانی قربانی شده اند، تجربه کرده اند، نشان داده می شود. این اقدام دوم به اصطلاح تکرار جرم اشاره دارد. در یک مطالعه در ایندیاناپولیس، IN، ایالات متحده، 65٪ از سرقت های تجاری توسط 32٪ از قربانیان تجربه شده است، که دو بار یا بیشتر در طول دوره مورد مطالعه قربانی شده اند.15 ، 18 ]. این اعداد را می توان به عنوان بسیاری از قربانیان تکراری که دو بار قربانی شده اند تفسیر کرد، اما چندین جرم تکراری به قربانیانی مرتبط است که بیش از دو بار در یک دوره زمانی خاص قربانی شده اند. برای خلاصه‌ای جامع‌تر از اعداد تکرار قربانی، به عنوان مثال، Weisel [ 15 ] یا Grove و همکاران را ببینید. [ 19 ]، که انواع مختلف جرم را از مناطق مختلف مورد مطالعه مقایسه می کنند.

دو رویکرد وجود دارد که توضیح می‌دهد چرا ویژگی‌ها به طور مکرر قربانی می‌شوند، از جمله رویکرد وابسته به رویداد و رویکرد ناهمگونی ریسک. اینها اغلب به عنوان حساب های تقویت (وابسته به رویداد) و پرچم (ریسک-ناهمگنی) نامیده می شوند [ 16]]. حساب تقویتی با مجرمان مکرر مرتبط است، تا جایی که خطر قربانی شدن در آینده توسط یک رویداد اولیه افزایش می یابد. مجرمان از تجربه اولیه خود دانش خاصی در مورد هدف به دست می آورند و از این اطلاعات برای قربانی شدن در آینده استفاده می کنند. به عنوان مثال، در یک پرونده سرقت، متخلفان می دانند که چگونه به داخل ملک وارد شوند، از چیدمان ملک اطلاع داشته باشند و بدانند چه چیزی از خود به جا گذاشته اند. با توجه به رویکرد ریسک-ناهمگونی، برخی از ویژگی های کلی در مورد دارایی وجود دارد که مستقل از تاریخچه قربانی شدن یک ملک است. املاکی که هر مجرم فرصت طلب گذری را به خود جذب می کنند، می توانند با امنیت اندک، راه های فرار خوب، یا حداقل نظارت طبیعی مشخص شوند. بنابراین، اموال ممکن است گهگاه قربانی شود، شاید توسط مجرمان غیر مرتبط. در عمل، هر دو حساب تقویت و پرچم وجود دارند، اما مانده دقیق آنها به خوبی شناخته نشده است، و ممکن است به نوع جرم بستگی داشته باشد. علاوه بر این، به احتمال زیاد هر دو توضیح در بازی هستند [7 ، 20 ].

2.2. قربانی شدن تقریباً تکراری

قربانی شدن قبلی یک پیش بینی کننده برجسته برای خطرات آینده است. مطالعات متعددی تایید کرده‌اند که تکرار قربانی شدن، زمانی که اتفاق می‌افتد، مدت کوتاهی پس از یک رویداد اولیه رخ می‌دهد (مثلا [ 6 ])، اما خطر تکرار قربانی شدن در ماه‌های پس از حادثه اولیه کاهش می‌یابد [ 21 ]. تحقیقات بیشتر در مورد تکرار قربانی شدن نشان می‌دهد که نه تنها یک جزء زمانی خطر افزایش یافته وجود دارد. ریسک نیز به یک جزء فضایی مربوط می شود. مورگان [ 22 ] این خوشه های مکانی-زمانی را تقریباً تکرار می کند. به عبارت دیگر، اینها قربانی شدن های مکرر هستند که از نزدیک در مکان و زمان پس از قربانی شدن اولیه اتفاق می افتند اما لزوماً در یک مکان نیستند.

حساب افزایش همچنین به دارایی های همسایه یک دارایی که قبلا قربانی شده است نیز گسترش می یابد. احتمال قربانی شدن اموال مجاور افزایش می‌یابد زیرا مجرم از قبل با محیط اطراف آشنا بوده و احتمالاً چیدمان اموال مشابه است [ 23 ]. به عنوان یک مفهوم نظری پشتیبان، جانسون، باورز و پیز [ 24] به رویکردی وام گرفته شده از بوم شناسی رفتاری، یعنی نظریه جستجوی بهینه، برای توضیح بالقوه الگوی رفتاری جرایم تقریباً تکراری اشاره دارد. در این مفهوم مجرم را با یک حیوان علوفه خوار مقایسه می کنند. یک حیوان جستجوگر بین غذایی که فوراً در دسترس است و تلاشی که برای رسیدن به منبع غذایی بهتر لازم است تصمیم می گیرد. اگر منبع غذایی بهتری در فاصله ای قابل تحمل وجود داشته باشد، حیوان سفر می کند و به آن می رسد.

این شبیه به مجرمانی است که به دلایل رضایت بخش (مثلاً اقلام با ارزش) دارایی ها را قربانی می کنند. هنگامی که یک منطقه هیچ کالای کاملی را ارائه نمی دهد، مجرم به مکان جدیدی می رود [ 23 ، 24 ]. این رفتار جستجوی غذا نیز با نتایج مصاحبه های انجام شده با مجرمان مطابقت دارد [ 25 ].

3. رویکرد

3.1. اهداف پژوهش

سرقت خیابانی به عنوان “استفاده یا تهدید به زور برای سرقت اموال از یک فرد در فضای عمومی” [ 26 ، 27 ] تعریف می شود. سرقت خیابانی به دلیل ماهیت خشونت آمیز آن از سرقت متمایز است. اعتقاد بر این است که سرقت خیابانی منبع اصلی ترس در میان مردم در مناطق شهری است [ 27 ]. بنابراین، می تواند شامل خشونت تهدید کننده زندگی، از دست دادن کنترل، و حمله به فضای شخصی و حریم خصوصی باشد. دزدی خیابانی در زمان‌ها و مکان‌های خاصی متمرکز می‌شود. در تفسیر اینکه چرا این الگوهای سرقت های خیابانی رخ می دهند، فعالیت های معمول مجرمان و قربانیان و زمان تماس بین آنها می تواند مفید باشد [ 27] .]. در حالی که مفهوم نظری یک جوینده بهینه عمدتاً با رفتار مجرم در ارتکاب سرقت مرتبط بود (به عنوان مثال، [ 28]]) همین نظریه را می توان به انواع دیگر جرم یعنی سرقت نیز مربوط کرد. یک سارق به عنوان یک جوینده باید بین فرصت‌هایی که فوراً در دسترس هستند و تلاش‌هایی که برای دستیابی به قربانیان یا مکان‌های «سودآور» بیشتری صرف می‌شود، وزن کند. قربانیان یا مکان‌های «سودآورتر» را می‌توان به‌عنوان مکان‌های غیر شلوغ، مکان‌هایی که نور کافی ندارند، مکان‌هایی با فرصت‌های خوب برای فرار مانند ایستگاه‌های حمل‌ونقل عمومی، یا قربانیانی که آسیب‌پذیرتر از دیگران هستند (گردشگران، افراد تحت تأثیر) توصیف کرد. ). علاوه بر این، اکانت‌های بوست و پرچم نقش مهمی در توضیح علت وقوع سرقت دارند. برخی از محیط ها بیشتر در معرض خطر هستند به طوری که این مناطق توسط دزدان پرچم گذاری می شوند. نمونه‌هایی از مکان‌های پرچم‌دار با مکان‌هایی که در نظریه بهینه جوینده شناسایی شده‌اند یکسان هستند:27 ]. این مکان‌ها و افراد پرچم‌دار دارای ویژگی‌های ماندگار هستند و بنابراین برای سارقین جذاب هستند [ 29 ]. هنگامی که یک سارق مکان مناسبی را شناسایی کرد و با موفقیت توهین کرد، منطقه با رویداد اولیه تقویت می‌شود و احتمال اینکه سارق بازگردد و مرتکب جنایات مجدد شود بسیار زیاد است. با توجه به تجربه به دست آمده از اولین تخلف، مجرم از این دانش برای بهینه سازی سرقت ها و قربانی کردن مجدد استفاده می کند. فرضیه اول در این تحلیل به وجود یک الگوی تقریباً تکراری معنی دار آماری در سرقت های خیابانی در وین اشاره دارد. بر اساس الگوهای تقریباً تکراری موجود در سرقت های خیابانی (به عنوان مثال، سرقت های مسلحانه خیابانی در فیلادلفیا، PA، ایالات متحده آمریکا، همانطور که توسط هابرمن و راتکلیف [ 30] بحث شده است.])، فرض بر این است که سرقت های خیابانی نیز تمایل دارند در مکان و زمان خوشه شوند. از آنجایی که الزامات زیست محیطی و روال روزانه در روزهای هفته متفاوت است، فرض بر این است که متخلفان مکان را برای سرقت انتخاب می کنند. به عنوان مثال، مکان های زیادی برای بیرون رفتن در شب وجود دارد که در شهرهایی مانند وین وجود دارد. با این حال، همه اینها در هر روز هفته به یک اندازه جذاب نیستند. دلایل این تفاوت‌ها در روزهای خاص هفته را می‌توان در تخفیف‌های دانشجویی، سبک موسیقی ترجیحی، رویدادهای خاص، محبوبیت برای گردشگران و غیره مشاهده کرد. بر اساس برنامه‌های روزمره و رفت و آمد ساکنان و بازدیدکنندگان، مکان‌های خاص به خوبی رفت و آمد می‌کنند و ارزش بیشتری برای دزدان بنابراین، فرضیه دیگری وجود دارد که سرقت های تقریباً تکراری به صورت ریتمیک، فقط در روزهای خاص هفته، مانند فقط دوشنبه ها، فقط سه شنبه ها، رخ می دهند. فقط چهارشنبه ها و غیره. علاوه بر این، به دلیل مکان‌های مختلف مانند محل سکونت، محل کار، خرید، مکان‌های تفریحی و غیره، افراد در طول روز به طور مکرر در حال رفت و آمد هستند. این حرکات منجر به الگوهای متفاوتی از کارهای روزمره می شود. این جملات با تئوری فعالیت های روتین مطابقت دارد، که تاکید می کند فعالیت های یک فرد موزون است و روال های روزانه دائما تکرار می شود.11 ]. بنابراین، این فرضیه وجود دارد که الگوهای تقریباً تکرار در زمان روز متفاوت است. از این رو، تناوب رویدادهای جرم و جنایت در روزهای هفته در تحقیقات قبلی مورد تجزیه و تحلیل قرار نگرفته است. هدف این مقاله تجزیه و تحلیل این است که آیا الگوهای مکانی-زمانی متمایز در روزهای هفته برای سرقت‌های خیابانی وجود دارد یا خیر، و آیا تفاوت‌هایی در ساعات روز در روزهای هفته وجود دارد یا خیر. علاوه بر این، این مطالعه تفاوت‌های بین مکان‌های تقریباً تکراری خاص در روزهای هفته و تقریباً تکرارها را برای کل مجموعه داده تعیین می‌کند. یک مفهوم شناخته شده در تحلیل الگوی مکانی-زمانی استفاده خواهد شد، ماشین حساب تکراری نزدیک که توسط جری رتکلیف [ 21] توسعه یافته است.]. این الگوهای تقریباً تکراری در نهایت با نقاط داغ مجموعه داده کل سرقت های خیابانی مقایسه خواهند شد. در حالی که نقاط داغ پایدار بیشتر به اقدامات پیچیده پیشگیری از جرم نیاز دارند، مانند تخصیص بیشتر منابع پلیس یا طراحی مجدد محیط فیزیکی، نقاط داغ موقتی ناپایدار نشان‌دهنده شیوع‌های کوتاه‌مدت جرم هستند که بر طول زمانی برای تخصیص تأثیر می‌گذارند. منابع پلیس [ 31 ]. در بحث خود، ما بر این تمرکز خواهیم کرد که چگونه این اطلاعات می‌تواند برای سازمان‌های مجری قانون برای پیش‌بینی قربانیان آینده و بهینه‌سازی استراتژی‌های پیشگیری از جرم در منابع پلیس مفید باشد.

3.2. آماده سازی داده ها

منطقه مورد مطالعه برای این تحقیق، شهر وین، اتریش است، جایی که تحقیقاتی در مورد قربانی شدن تقریباً تکراری قبلاً انجام نشده است. داده‌های جرم از ناظر امنیتی (“Sicherheitsmonitor” در آلمانی یا به اختصار SIMO) جمع‌آوری شده است، که از سال 2004 تمام جرایم گزارش‌شده در اتریش را ذخیره کرده است. SIMO توسط سرویس اطلاعات جنایی اتریش (اداره پلیس جنایی فدرال) اداره می‌شود. . حوادث جرم جمع آوری شده در پایگاه داده SIMO ذخیره شده و برای پرس و جو در اختیار حدود 25000 افسر پلیس قرار دارد. هر جرم گزارش شده حاوی اطلاعات موقعیتی وقوع آن (در صورت شناخته شدن) به شکل مختصات X و Y در یک طرح محلی اتریشی (“Bundesmeldenetz”)، همراه با کیفیت فرآیند کدگذاری جغرافیایی است. این فرآیند تخصیص مختصات موقعیتی به یک آدرس خیابان است. در SIMO سه سطح کیفی مختلف قابل تشخیص است. اگر آدرس دقیق حادثه جرم مشخص باشد، دقت موقعیت پس از فرآیند ژئوکدینگ بسیار بالاست. اگر نتوان آدرس دقیقی را برای حادثه جرم تعیین کرد، موقعیت دقیق آن قابل کدگذاری جغرافیایی نیست. در چنین مواردی، کل خیابانی که جنایت در آن رخ داده است در SIMO گنجانده می شود. در صورتی که حتی یک خیابان قابل شناسایی نباشد، محل جرم به منطقه یا کل شهر کدگذاری می شود. اطلاعات زمانی در قالب تاریخ شروع و پایان و زمان وقوع جرم و تاریخ و زمان گزارش به افسر پلیس جمع آوری می شود. تاونزلی و همکاران [ پس دقت موقعیتی پس از فرآیند geocoding بسیار بالا است. اگر نتوان آدرس دقیقی را برای حادثه جرم تعیین کرد، موقعیت دقیق آن قابل کدگذاری جغرافیایی نیست. در چنین مواردی، کل خیابانی که جنایت در آن رخ داده است در SIMO گنجانده می شود. در صورتی که حتی یک خیابان قابل شناسایی نباشد، محل جرم به منطقه یا کل شهر کدگذاری می شود. اطلاعات زمانی در قالب تاریخ شروع و پایان و زمان وقوع جرم و تاریخ و زمان گزارش به افسر پلیس جمع آوری می شود. تاونزلی و همکاران [ پس دقت موقعیتی پس از فرآیند geocoding بسیار بالا است. اگر نتوان آدرس دقیقی را برای حادثه جرم تعیین کرد، موقعیت دقیق آن قابل کدگذاری جغرافیایی نیست. در چنین مواردی، کل خیابانی که جنایت در آن رخ داده است در SIMO گنجانده می شود. در صورتی که حتی یک خیابان قابل شناسایی نباشد، محل جرم به منطقه یا کل شهر کدگذاری می شود. اطلاعات زمانی در قالب تاریخ شروع و پایان و زمان وقوع جرم و تاریخ و زمان گزارش به افسر پلیس جمع آوری می شود. تاونزلی و همکاران [ سپس محل جرم به منطقه یا کل شهر کدگذاری می شود. اطلاعات زمانی در قالب تاریخ شروع و پایان و زمان وقوع جرم و تاریخ و زمان گزارش به افسر پلیس جمع آوری می شود. تاونزلی و همکاران [ سپس محل جرم به منطقه یا کل شهر کدگذاری می شود. اطلاعات زمانی در قالب تاریخ شروع و پایان و زمان وقوع جرم و تاریخ و زمان گزارش به افسر پلیس جمع آوری می شود. تاونزلی و همکاران [3 ] بیان می کند که تحقیقات در مورد تکرار قربانی شدن تنها زمانی قابل اعتماد است که آدرس ها به طور دقیق ثبت و کدگذاری جغرافیایی شوند و اگر پنجره زمانی شروع و پایان تاریخ (و زمان) خیلی بزرگ نباشد. اگر قربانی زمان دقیق قربانی شدن را نداند ممکن است یک پنجره زمانی بزرگ ایجاد شود. به عنوان مثال، دزدی در طول روز ممکن است زمانی رخ دهد که ساکنان در محل کار هستند. بنابراین، افسر پلیس فقط می تواند یک بازه زمانی چند ساعته، یا در موردی که ساکنان در تعطیلات هستند، یک بازه زمانی تا چند روز یا چند هفته را ثبت کند. در این مورد، رتکلیف و مک کولاگ [ 32] یک روش آئوریستی را برای بهبود تجزیه و تحلیل مؤلفه زمانی داده های جرم به کار برد. نیاز به استفاده از روش درون یابی زمانی، مانند روش آئوریستیک، معمولاً در مورد حوادث سرقت مطرح نمی شود، زیرا قربانی مستقیماً در فرآیند قربانی شدن دخالت دارد. ویژگی‌های دیگر هر حادثه جرمی که در SIMO گنجانده شده است، که برای این مطالعه مهم است، نوع جرم و هر نوع جرم فرعی است.

در این مطالعه حوادث سرقت خیابانی به مدت پنج سال (2009-2013) از شهر وین، اتریش تجزیه و تحلیل شده است. وین، به عنوان پایتخت اتریش، خانه حدود 1.7 میلیون نفر است که حدود یک پنجم کل ساکنان اتریش است [ 33 ]. در زمان های اخیر، تقریباً 550000 رویداد جنایی در اتریش در سال گزارش شده است. تقریباً 210000 از آن 550000 حادثه (38٪) در وین رخ می دهد. وین حدود 3800 سرقت را تجربه کرد. 2 درصد از کل جرایم گزارش شده در آن شهر — در سال. تعداد کل سرقت ها را می توان به حدود تقسیم کرد. 1800 سرقت خیابانی و حدود. 2000 سرقت تجاری در سال [ 34]. در این مطالعه، تنها سرقت های خیابانی در وین در بازه زمانی پنج ساله بررسی شده است. مجموعه داده سرقت های خیابانی از مجموع 8972 حادثه از سال 2009 تا 2013 تشکیل شده است. از این تعداد کل حوادث، حدود. 92٪ (8217 رویداد) به یک آدرس خاص کدگذاری شدند و تنها 8٪ (755 رویداد) به بخش خیابان ارجاع داده شدند. هیچ یک از حوادث در کل شهر کدگذاری نشده است – پایین ترین سطح دقت موقعیت.

تا آنجا که به مؤلفه زمانی مربوط می شود، مجموعه داده سرقت شامل همه رویدادهای سرقت به جز یک مورد است که در بازه زمانی 24 ساعت رخ داده است. علاوه بر این، 99.6٪ (8934 رویداد) از تمام سرقت ها دارای زمان شروع و پایان در یک روز هستند. رویداد واحد با بازه زمانی بیشتر از 24 ساعت از تجزیه و تحلیل حذف شد. در مجموع، 8971 رویداد سرقت خیابانی در تحلیل مورد استفاده قرار گرفت.

در این مطالعه، الگوهای تقریباً تکراری رویدادهای سرقت برای هر روز از هفته، به طور جداگانه تجزیه و تحلیل شده است. این بدان معناست که تحلیل تقریباً تکراری برای همه دوشنبه‌ها، سه‌شنبه‌ها، چهارشنبه‌های متوالی و غیره که در مجموعه داده‌های سرقت‌های خیابانی گنجانده شده‌اند، انجام می‌شود. این روزهای هفته متوالی مجموعه ای ساختگی از تاریخ های متوالی را مشخص می کند تا امکان تحلیل مکانی و زمانی الگوهای جرم را فراهم کند. به عنوان مثال، تمام سرقت هایی که در روزهای دوشنبه اتفاق می افتد در یک مجموعه داده جمع آوری می شوند. به اولین (قدیمی‌ترین) رویداد، که در 5 ژانویه 2009 روی داد، یک تاریخ ساختگی و اولیه مانند 1 ژانویه 1900 داده می‌شود. برای هر حادثه، تفاوت هفتگی بین تاریخ رویداد واقعی و رویداد اولیه محاسبه می‌شود و به آن اضافه می‌شود. تاریخ ساختگی رویداد اولیه بنابراین، یک حادثه در 19 ژانویه 2009، یا دو هفته پس از رویداد اولیه، به تاریخ ساختگی 3 ژانویه 1900 اختصاص داده شده است. بر اساس این اصول تخصیص مجدد، مجموعه داده های روزهای هفته متوالی به دست می آید. برای در نظر گرفتن سرقت های خیابانی که قبل از نیمه شب یک روز هفته شروع می شوند و بعد از نیمه شب پایان می یابند و برای آزمایش الگوها بر اساس ساعت روز برای هر روز هفته، مجموعه داده بیشتر به سه بازه زمانی 8 ساعته تقسیم شد. این فواصل زمانی 6:00 صبح تا 1:59 بعد از ظهر، 2:00 بعد از ظهر تا 9:59 بعد از ظهر، و 10:00 بعد از ظهر تا 5:59 صبح است. دیدن برای در نظر گرفتن سرقت های خیابانی که قبل از نیمه شب یک روز هفته شروع می شوند و بعد از نیمه شب پایان می یابند و برای آزمایش الگوها بر اساس ساعت روز برای هر روز هفته، مجموعه داده بیشتر به سه بازه زمانی 8 ساعته تقسیم شد. این فواصل زمانی 6:00 صبح تا 1:59 بعد از ظهر، 2:00 بعد از ظهر تا 9:59 بعد از ظهر، و 10:00 بعد از ظهر تا 5:59 صبح است. دیدن برای در نظر گرفتن سرقت های خیابانی که قبل از نیمه شب یک روز هفته شروع می شوند و بعد از نیمه شب پایان می یابند و برای آزمایش الگوها بر اساس ساعت روز برای هر روز هفته، مجموعه داده به سه بازه زمانی 8 ساعته تقسیم شد. این فواصل زمانی 6:00 صبح تا 1:59 بعد از ظهر، 2:00 بعد از ظهر تا 9:59 بعد از ظهر، و 10:00 بعد از ظهر تا 5:59 صبح است. دیدنشکل 1 )، با ساعت 6 صبح به عنوان آغاز روز و ساعت 10:00 بعد از ظهر که هوا کاملاً تاریک است و مردم همچنان در خیابان ها حضور دارند. هر رویداد به بازه زمانی مناسب با استفاده از تاریخ و زمان پایان حادثه سرقت خیابانی اختصاص داده می شود (مطابق با تحلیل های انجام شده توسط تحلیلگران جرم و جنایت سرویس اطلاعات جنایی اتریش).

3.3. تجزیه و تحلیل داده های زمانی اکتشافی

همانطور که در شکل 1 مشاهده می شود ، بیشتر سرقت های خیابانی در عصر و در طول شب اتفاق می افتد. سهم سرقت هایی که بین ساعات صبح (از ساعت 6:00 صبح) تا اوایل بعد از ظهر (2:00 بعد از ظهر) رخ می دهد، نسبتاً کم است. این دلیل اصلی گروه بندی همه اتفاقات در این هشت ساعت با هم بود. یک توضیح احتمالی برای تعداد نسبتاً کم سرقت ها در ساعات صبح توسط ون کوپن و یانسن [ 35 ] ارائه شد . نویسندگان استدلال کردند که از آنجایی که بیشتر سارقان بیکار هستند، سارقان زود بیدار نمی شوند و بنابراین در صبح زود مرتکب سرقت نمی شوند. توضیحات احتمالی دیگر این است که مردم در ساعات صبح در محل کار هستند و دزدان در ساعات روز احساس راحتی و امنیت نمی کنند.

با توجه به دفعات سرقت در روزهای هفته، هیچ الگوی به وضوح قابل مشاهده ای به جز آخر هفته وجود ندارد. دفعات سرقت نسبتاً بالا از جمعه شب در حدود ساعت 22 شروع می شود و تا صبح شنبه در حدود ساعت 5:00 صبح ادامه می یابد. همین فرکانس بالا را می توان در روز شنبه نیز مشاهده کرد که در آن تعداد سرقت های خیابانی از ساعت 11:00 شب افزایش یافته است. تا حدود ساعت 6:00 صبح چنین مشاهداتی با یافته های مطالعات دیگر، مانند LeBeau [ 14 ]، که در آن جنایات خشن بیشتری در تعطیلات آخر هفته مشاهده می شود، مطابقت دارد. دلایل احتمالی افزایش جرایم سرقت خیابانی در تعطیلات آخر هفته ممکن است مربوط به مجرمان با انگیزه تر باشد که برای فعالیت های آخر هفته خود به پول نیاز دارند [ 35]]، خیابان هایی که رفت و آمد زیادی دارند، زیرا مردم از کار خارج می شوند، گردشگرانی که معمولاً آخر هفته ها برای بازدید از شهر می آیند، و افرادی که بیشتر در تعطیلات آخر هفته تحت تأثیر الکل و مواد مخدر هستند.

تعداد مجموع سرقت های خیابانی بر حسب زمان و روزهای هفته را می توان در جدول 1 مشاهده کرد.. در ساعات صبح، از ساعت 6:00 صبح تا 1:59 بعد از ظهر، حدود 15 درصد از کل حوادث رخ داده است. به طور کلی، تفاوتی در تعداد سرقت های خیابانی که در صبح تا روزهای هفته رخ می دهند، وجود ندارد. حدود 40 درصد از کل سرقت های خیابانی از سال 2009 تا 2013 در بعدازظهر، از ساعت 14:00 تا 9:59 بعد از ظهر رخ داده است. تعداد سرقت های خیابانی در ساعات بعدازظهر در کمترین حد در روزهای شنبه و یکشنبه است. یک دلیل احتمالی می تواند این باشد که سارقان حرفه ای بعد از جمعه و شنبه شب های قبلی که اوج مطلق الگوهای روزهای هفته هستند، غیرفعال هستند. به طور کلی، ساعات شب 45 درصد از کل رویدادهای رخ داده بین سال های 2009 و 2013 را تشکیل می دهد. در حالی که تعداد سرقت های شبانه از دوشنبه تا پنجشنبه به میزان قابل توجهی کمتر از سرقت های بعدازظهر است، تعداد سرقت های جمعه و شنبه شب دو برابر بیشتر از شب های قبل است. این نتیجه گیری ون کوپن و یانسن را تایید و ترکیب می کند.35 ، و تامپسون و باورز [ 13 ]، که دریافتند جنایات خشونت آمیز، به ویژه سرقت های خیابانی، در آخر هفته و در تاریکی رخ می دهد.

3.4. روش شناسی

برای آزمایش وجود الگوهای تقریباً تکراری، از ماشین حساب تکراری نزدیک (NRC) استفاده می شود. NRC یک برنامه نرم افزاری مستقل است که توسط جری رتکلیف [ 21 ] توسعه یافته است. این نرم افزار دامنه عمومی است و می توان آن را به صورت رایگان از آدرس اینترنتی زیر دانلود کرد: http://www.cla.temple.edu/cj/center-for-security-and-crime-science/projects/nearrepeatcalculator/ . این برنامه مشخص می کند که آیا یک الگوی تقریباً تکراری معنی دار آماری در مجموعه داده (جنایت) وجود دارد یا خیر. الگوریتم NRC بر اساس تست جفت نزدیک ناکس تجدید نظر شده است. در دهه 1960، اولین آزمایش‌ها مانند آزمون ناکس و منتل در زمینه اپیدمیولوژی برای آزمایش تعامل فضا-زمان توسعه یافتند [ 36 ، 37] .]. تعامل فضا-زمان زمانی پدیدار می شود که رویدادهای نزدیک مکانی تقریباً در یک زمان اتفاق بیفتند [ 38 ]. تست ناکس تعیین می‌کند که آیا جفت‌های تصادفی بیشتری در فضا و زمان نسبت به آنچه که بر اساس توزیع تصادفی انتظار می‌رود مشاهده شده است یا خیر. اهمیت آماری با استفاده از شبیه‌سازی مونت کارلو [ 39] ارزیابی می‌شود]. علاوه بر این، نرم افزار یک فایل جدولی شامل رویدادهایی ایجاد می کند که مبدع تکرارهای تقریباً هستند. یک رویداد مبدأ یک رویداد اولیه است که پس از آن ممکن است رویدادهای بعدی (تقریباً تکراری) رخ دهند که هم از نظر مکان و هم در زمان نزدیک هستند. این فایل همچنین شامل رویدادهایی است که تقریباً تکرار آن رویدادهای منشأ هستند. با استفاده از یک سیستم اطلاعات جغرافیایی (GIS)، فایل حاوی رویدادهای مبدأ و متعاقب آن تقریباً تکرار می شود، به راحتی می توان برای شناسایی مکان های این حوادث نقشه برداری کرد. ساختار مجموعه داده ورودی از یک شناسه منحصر به فرد، موقعیت جغرافیایی و یک فیلد تاریخ تشکیل شده است. کاربر باید پهنای باند مکانی و زمانی را در NRC مشخص کند. پهنای باند فضایی به فاصله آستانه رویدادها نزدیک به یک رویداد مبدا اشاره دارد. فاصله زمانی بازه زمانی است که در آن رویدادها پس از یک رویداد اولیه رخ می دهند. با استفاده از ترکیب این پهنای باند، برنامه تحلیل می کند که آیا یک الگوی تقریباً تکرار قابل توجه وجود دارد یا خیر. بیشتر تحقیقات در جرم شناسی محیطی نشان می دهد که الگوهای تقریباً تکراری حداکثر تا چند صد متر رخ می دهند. جانسون و همکاران [8 ] سرقت های مسکونی را در پنج کشور مختلف با پهنای باند فضایی از 200 تا 1200 متر تجزیه و تحلیل کرد. راتکلیف و رنگرت [ 39 ] و هابرمن و رتکلیف [ 30 ] طول تقریبی یک بلوک شهری را به عنوان واحد فضایی انتخاب کردند که حدود 120 متر (400 فوت) در فیلادلفیا است، تا الگوهای تقریباً تکراری تیراندازی یا سرقت‌های مسلحانه خیابانی را تجزیه و تحلیل کنند. ، به ترتیب.

NRC کاربر را ملزم می کند که پهنای باند مکانی و زمانی را انتخاب کند. این می تواند به عنوان یک محدودیت در نظر گرفته شود زیرا محقق می تواند پارامترها را خودسرانه تنظیم کند. تحقیقات قبلی استفاده از هفت روز را به عنوان پهنای باند زمانی پیشنهاد می کند (به عنوان مثال، [ 28 ]). هابرمن و رتکلیف [ 30] همچنین از هفت روز در تحلیل سرقت های مسلحانه خیابانی استفاده می کنند. آنها استدلال می کنند که پهنای باند هفت روزه یک بازه زمانی کوتاه و همچنین یک معیار ساده برای تفسیر و درک نتایج را فراهم می کند. در این مطالعه، یک پهنای باند زمانی هفت روزه برای تجزیه و تحلیل تکرارهای نزدیک در مجموعه داده کل سرقت ها اتخاذ خواهد شد. در تجزیه و تحلیل روزهای هفته متوالی، از پهنای باند چهار روز هفته متوالی استفاده می شود. این بدان معناست که برای مثال، چهار روز، چهار دوشنبه متوالی را در یک دوره چهار هفته ای نشان می دهد. این انتخاب با پری و همکاران مطابقت دارد. [ 40 ]، که توصیه می کنند هنگام تجزیه و تحلیل اثرات در روزهای هفته از داده های حدود پنج هفته استفاده شود. با توجه به پهنای باند فضایی، پهنای باند فضایی متفاوتی بین 100 تا 500 متر در بسیاری از مطالعات قبلی استفاده شده است (به عنوان مثال، [ 8 ، 39]]). در این مطالعه از پهنای باند فضایی 300 متر استفاده شده است. تجزیه و تحلیل اضافی با استفاده از پهنای باند فضایی 500 متر و پهنای باند زمانی هفت روز هفته متوالی انجام شد. در مجموع، نتایج تفاوت معنی داری نداشتند. ترکیب پهنای باند 300 متر و چهار روز هفته متوالی نتایج کمی قابل توجه تری ارائه می دهد. پلیس اینها را عملی تر و مفیدتر برای اقدامات پیشگیرانه می داند.

تحلیل اول بحث می‌کند که آیا یک الگوی تقریباً تکراری متمایز در مجموعه داده کل سرقت‌های خیابانی وجود دارد یا خیر. سپس، این تحقیق سرقت های خیابانی را به طور مقایسه ای تجزیه و تحلیل می کند، ابتدا بر اساس روز هفته و دوم بر اساس زمان روز و هفته تا این فرضیه را تأیید (یا رد) کند که الگوهای خاصی بر اساس روز هفته و ساعت روز (و روز هفته) وجود دارد. این تحقیق علاوه بر تجزیه و تحلیل وجود الگوها، اشتراکات و تفاوت‌های درون الگوهای فضایی جفت‌های تقریباً تکراری (رویدادهای مبدأ و تقریباً تکراری) را بر اساس روز هفته و زمان روز تحلیل می‌کند. علاوه بر این، این تحقیق به این موضوع می پردازد که آیا تقریباً تکرارها در مناطقی اتفاق می افتد که سرقت های خیابانی صرفاً به صورت مکانی جمع می شوند.

4. نتایج

4.1. الگوی تقریبا تکراری سرقت های خیابانی

در این بخش، ابتدا بررسی می کنیم که آیا یک الگوی تقریباً تکراری سرقت های خیابانی در وین از سال 2009 تا 2013 با استفاده از NRC وجود دارد یا خیر. انتظار می رود که سرقت های خیابانی در مکان و زمان جمع شوند. نتایج این تحلیل در جدول 2 ارائه شده است، که ریسک و سطوح اهمیت را در سراسر پهنای باند انتخاب شده نشان می دهد. سطح ریسک نشان دهنده نسبت جفت های مشاهده شده با پهنای باند مکانی-زمانی تعریف شده (شمارگر) نسبت به تعداد متوسط جفت های مورد انتظار با پهنای باند یکسان (مخرج) است. هرچه فرکانس بزرگتر باشد، اگر تعامل فضا-زمان وجود نداشته باشد، تفاوت بین ریسک مشاهده شده و ریسک بیشتر است. سطح معنی داری در هر سلول بر اساس شبیه سازی مونت کارلو است و نشان می دهد که آیا سطح ریسک مرتبط از نظر آماری معنی دار است یا خیر.

سلول سمت چپ بالای جدول 2 دارای مقدار 4.77 است. این مقدار را می توان به گونه ای تفسیر کرد که پس از یک رویداد سرقت اولیه، احتمال بسیار زیادی وجود دارد که رویداد دیگری در همان مکان طی هفت روز آینده رخ دهد. احتمال وقوع حادثه دیگری، سطح خطر، 377 درصد بیشتر از زمانی است که الگوی قربانی تقریبا تکراری وجود نداشته باشد. یک فروپاشی واضح در سطح خطر در نوار فضایی از 1 تا 300 متر در اطراف رویداد سرقت اولیه قابل مشاهده است، همانطور که در سلول زیر سلول بالا سمت چپ نشان داده شده است. احتمال وقوع یک رویداد سرقت دوم “فقط” 20٪ بیشتر از زمانی است که الگوی تقریبا تکراری مورد انتظار وجود نداشته باشد. همانطور که در جدول 2 مشاهده می شودسطوح خطر برای تکرار قربانی شدن با فاصله بیشتر از رویداد مبدا کاهش می یابد: 4.77 در همان مکان، 1.20 در 1 تا 300 متر، 1.07 در 301 تا 600 متر، و 1.04 در 601 تا 900 متر. کاهش مشابهی با توجه به پهنای باند زمانی قابل مشاهده است: در همان مکان، سطوح خطر از 4.77 ظرف 0 تا 7 روز، به 1.85 در عرض 8 تا 14 روز، به 1.82 در 15 تا 21 روز، و در نهایت به 1.45 در عرض 22 تا 28 روز کاهش می یابد. . این به این معنی است که پس از 28 روز، سطح خطر یک رویداد سرقت خیابانی دیگر که در همان مکان اتفاق می‌افتد، هنوز 45 درصد بیشتر از زمانی است که الگوی تکراری تقریباً مورد انتظار وجود نداشته باشد. بنابراین می توان نتیجه گرفت که یک الگوی تقریباً تکراری قابل توجهی برای سرقت های خیابانی وجود دارد.

4.2. الگوهای تقریباً تکراری سرقت های خیابانی در روز هفته

سوال دوم تحقیق در این مطالعه این است که آیا الگوی ریتمیک قابل توجهی از سرقت های خیابانی در روزهای هفته وجود دارد یا خیر؟ بنابراین، کل مجموعه داده به هفت زیر مجموعه داده که هر کدام یک روز از هفته را نشان می‌دهند، تفکیک شد. علاوه بر این، اطلاعات تاریخ برای هر روز هفته مجدداً مرتب شد تا تاریخ‌های متوالی در هفت مجموعه داده تنها با دوشنبه، سه‌شنبه، چهارشنبه و غیره وجود داشته باشد. اکنون برای هر یک از این هفت مجموعه داده، یک تحلیل تقریباً تکراری انجام شد. در این تحلیل، از پهنای باند مکانی (300 متر) و زمانی (چهار روز هفته متوالی) به منظور مقایسه نتایج با یکدیگر استفاده شد. نتایج تحلیل های تقریباً تکراری بر اساس روزهای هفته در جدول 3 نشان داده شده است. به طور کلی، نتایج نشان می دهد که اغلب الگوهای تقریباً تکراری معنی دار آماری در همان مکان و در پهنای باند از 1 تا 300 متر، تا چهار روز هفته متوالی از زمان شروع سرقت خیابانی. این به این سوال تحقیق پاسخ می دهد که آیا الگوی قابل توجهی در روز هفته وجود دارد یا خیر. تحلیل تقریباً تکراری با استفاده از پهنای باند فضایی اضافی (301 تا 600 و 601 تا 900 متر) و زمانی (5 تا 8، 9 تا 12، 13 تا 16 روزهای هفته متوالی) انجام شد، اما هیچ یک از این مقادیر ریسک از نظر آماری معنی دار نبودند. بنابراین، این اعداد در جدول 3 گنجانده نشده است .

در هر یک از روزهای هفته، سطح خطر وقوع یک رویداد سرقت خیابانی دیگر در چهار روز هفته متوالی حداقل 281٪ در همان مکان افزایش می یابد. در بین تمام روزهای هفته، چهارشنبه ها و جمعه ها بالاترین سطح خطر را برای یک سرقت خیابانی تکراری در همان محل وقوع سرقت اولیه خیابانی تجربه می کنند. سطح خطر قربانی شدن مجدد در فاصله 1 تا 300 متری از رویداد اولیه سرقت حدود 20 درصد بیشتر و از نظر آماری معنی دار در تمام روزهای هفته به جز دوشنبه های متوالی و یکشنبه های متوالی است. این نتایج تأیید می‌کند که عمدتاً خطر قربانی شدن تقریباً تکراری در روزهای متوالی هفته وجود دارد. با این حال، سطوح خطر هر الگوی روزهای هفته کمی متفاوت است. در حالی که این اطلاعات ممکن است تأثیر جزئی بر استراتژی های پیشگیری از جرم سازمان های مجری قانون داشته باشد، شناسایی مکان‌های خوشه‌های تقریباً تکراری مفیدتر است. بر اساس این اطلاعات، سازمان‌های مجری قانون می‌توانند برنامه‌ریزی تاکتیکی گشت‌های پلیس را بهینه کنند یا از قربانیان احتمالی در مکان‌ها و روزهای هفته از طریق کمپین‌های آگاهی محافظت کنند.27 ].

خروجی تجزیه و تحلیل نزدیک به تکرار NRC شامل مکان‌های همه مبتکرها (رویدادهای اولیه خوشه‌های تقریباً تکراری) و رویدادهای تقریباً تکراری است که در پهنای باند مشخص شده 0 تا 300 متر و هفت روز برای مجموعه داده کل خیابان رخ داده است. سرقت، و 0 تا 300 متر و چهار روز هفته متوالی برای تجزیه و تحلیل روزهای هفته. از 8971 رخداد سرقت در کل مجموعه داده، NRC 1961 مبتکر را پیدا کرد که حداقل یک رویداد دیگر را در فاصله 0 تا 300 متری و تا هفت روز پس از وقوع رویداد تجربه کردند. بیشترین تعداد رویدادهای تقریباً تکراری پس از یک رویداد اولیه شش رویداد بود. این بدان معناست که پس از یک سرقت اولیه، شش سرقت دیگر در فاصله 0 تا 300 متری و در طول هفت روز آینده رخ داده است.

برای تجسم های زیر از الگوهای سرقت خیابانی، از تخمین تراکم هسته (KDE) برای ایجاد نقاط مهم استفاده می شود. KDE یک تکنیک درون یابی محبوب است که برای تعمیم مکان های رویداد در کل منطقه استفاده می شود. بسیاری از تکنیک‌های درون‌یابی مانند کریجینگ، سطوح روند، یا رگرسیون‌های محلی در دسترس هستند، اما آن‌ها نیاز به یک متغیر شدت دارند که به عنوان تابعی از مکان تخمین زده شود. در عوض، KDE به یک متغیر شدت نیاز ندارد و بنابراین برای مکان‌های رویداد فردی مناسب است [ 41 ، 42 ].

در محاسبه یک KDE سه مرحله لازم است: ابتدا یک شبکه بر روی الگوی نقطه ای ایجاد می شود. دوم، یک تابع ریاضی سه بعدی روی هر رویداد قرار می گیرد و مقادیر شدت را برای هر سلول در شعاع هسته محاسبه می کند. سلول‌های شبکه‌ای که به رویداد نزدیک‌تر هستند، مقدار شدت بیشتری دریافت می‌کنند. سوم، مقادیر سلول‌های شبکه با جمع کردن تمام تخمین‌ها برای هر مکان رویداد محاسبه می‌شوند [ 41 ، 43 ]. در این تحقیق از تابع کرنل کوارتیک به طور گسترده پذیرفته شده استفاده شده است [ 41 ، 43 ، 44 ، 45 ، 46.]. محدودیت‌های KDE به دلیل هموارسازی مقادیر چگالی در مناطقی که جرمی رخ نداده است و انتخاب پهنای باند، تفسیرهای نادرست احتمالی است . برای محاسبه KDE از پهنای باند فضایی 600 متر استفاده می شود. این دو برابر فاصله ای است که برای آنالیز تقریباً تکرار استفاده می شود. دو پهنای باند اضافی 300 و 900 متر آزمایش شده است. به طور کلی، هرچه پهنای باند بیشتر باشد، تخمین چگالی حاصل هموارتر است و بالعکس.

در مقایسه نقاط مهم چندگانه، باید نحوه ترسیم سطوح چگالی همپوشانی را در نظر بگیریم. بنابراین، ما هر مقدار شدت بالاتر از یک آستانه تعیین شده را به عنوان یک هات اسپات طبقه بندی می کنیم. چینی و همکاران [ 47 ] استفاده از چندک ها را برای گروه بندی مقادیر در پنج کلاس موضوعی پیشنهاد می کند. سپس کلاس موضوعی برتر در نظر گرفته می شود. اک و همکاران [ 41 ] استفاده از انحرافات استاندارد را برای طبقه بندی محدوده های موضوعی و شناسایی خوشه هایی با مقادیر بسیار بالا یا پایین پیشنهاد می کند. در این تحقیق، هات اسپات ها با استفاده از مقادیر KDE سه انحراف استاندارد بالاتر از میانگین تولید می شوند. در بخش بعدی که تجزیه و تحلیل و یافته‌ها را توصیف می‌کند، یک نقطه داغ همیشه به «گرم‌ترین» ناحیه مقادیر شدت KDE با سه انحراف استاندارد بالاتر از میانگین اشاره می‌کند.

شکل 2شامل سه تجزیه و تحلیل مرتبط است: اول، نقاط داغ سرقت خیابانی از کل مجموعه داده. عبارت مجموعه داده کل به مجموعه داده اصلی دوشنبه و به دنبال آن سه شنبه و غیره اشاره دارد. این نقاط صرفاً فضایی با خطوط سیاه چین نشان داده شده است. دوم، نقشه نقاط داغ سرقت های خیابانی را نشان می دهد که تقریباً تکرار می شوند. اینها شامل رویدادهای مبدأ و نزدیک به تکرار تجزیه و تحلیل نزدیک به تکرار با استفاده از فاصله مکانی 0 تا 300 متر و فاصله زمانی تا چهار روز است. مجموعه داده شامل مجموعه داده اصلی یک دوشنبه و به دنبال آن یک سه شنبه و غیره است. این هات اسپات ها با خطوط مشکی یکدست نشان داده می شوند. سوم، نقاط داغ سرقت های خیابانی که تقریباً در روزهای هفته تکرار می شوند، نقشه برداری می شوند. از نو، این تجزیه و تحلیل ها شامل رویدادهای مبدا و نزدیک به تکرار تجزیه و تحلیل نزدیک به تکرار با استفاده از فاصله مکانی 0 تا 300 متر و فاصله زمانی تا چهار روز است. در این تحلیل‌ها، هر یک از هفت مجموعه داده خیالی شامل دوشنبه‌های متوالی یا سه‌شنبه‌های متوالی و غیره است. این نقاط داغ در روزهای هفته تا حدی با هم همپوشانی دارند. بنابراین، ما با استفاده از یک مقیاس خاکستری تیره‌تر، تعداد نقاط همپوشانی را بر اساس روزهای هفته ترسیم می‌کنیم. این به این معنی است که، به عنوان مثال، تعداد “3” نشان دهنده سه نقطه مهم در روز هفته است که در یک منطقه خاص همپوشانی دارند. تعداد نقاط مهم با هم تداخل دارند نشان‌دهنده این نیست که کدام روزهای هفته تحت تأثیر قرار گرفته‌اند. در واقع، برچسب‌های نقاط داغ روزهای هفته بر این اساس نقشه‌برداری می‌شوند تا بینش‌هایی در مورد تنوع الگوهای روزهای هفته ارائه کنند. هر یک از هفت مجموعه داده خیالی شامل دوشنبه های متوالی یا سه شنبه های متوالی و غیره است. این نقاط داغ در روزهای هفته تا حدی با هم همپوشانی دارند. بنابراین، ما با استفاده از یک مقیاس خاکستری تیره‌تر، تعداد نقاط همپوشانی را بر اساس روزهای هفته ترسیم می‌کنیم. این به این معنی است که، به عنوان مثال، تعداد “3” نشان دهنده سه نقطه مهم در روز هفته است که در یک منطقه خاص همپوشانی دارند. تعداد نقاط مهم با هم تداخل دارند نشان‌دهنده این نیست که کدام روزهای هفته تحت تأثیر قرار گرفته‌اند. در واقع، برچسب‌های نقاط داغ روزهای هفته بر این اساس نقشه‌برداری می‌شوند تا بینش‌هایی در مورد تنوع الگوهای روزهای هفته ارائه کنند. هر یک از هفت مجموعه داده خیالی شامل دوشنبه های متوالی یا سه شنبه های متوالی و غیره است. این نقاط داغ در روزهای هفته تا حدی با هم همپوشانی دارند. بنابراین، ما با استفاده از یک مقیاس خاکستری تیره‌تر، تعداد نقاط همپوشانی را بر اساس روزهای هفته ترسیم می‌کنیم. این به این معنی است که، به عنوان مثال، تعداد “3” نشان دهنده سه نقطه مهم در روز هفته است که در یک منطقه خاص همپوشانی دارند. تعداد نقاط مهم با هم تداخل دارند نشان‌دهنده این نیست که کدام روزهای هفته تحت تأثیر قرار گرفته‌اند. در واقع، برچسب‌های نقاط داغ روزهای هفته بر این اساس نقشه‌برداری می‌شوند تا بینش‌هایی در مورد تنوع الگوهای روزهای هفته ارائه کنند. که تعداد “3” نشان دهنده سه نقطه کانونی در روزهای هفته است که در یک منطقه خاص همپوشانی دارند. تعداد نقاط مهم با هم تداخل دارند نشان‌دهنده این نیست که کدام روزهای هفته تحت تأثیر قرار گرفته‌اند. در واقع، برچسب‌های نقاط داغ روزهای هفته بر این اساس نقشه‌برداری می‌شوند تا بینش‌هایی در مورد تنوع الگوهای روزهای هفته ارائه کنند. که تعداد “3” نشان دهنده سه نقطه کانونی در روزهای هفته است که در یک منطقه خاص همپوشانی دارند. تعداد نقاط مهم با هم تداخل دارند نشان‌دهنده این نیست که کدام روزهای هفته تحت تأثیر قرار گرفته‌اند. در واقع، برچسب‌های نقاط داغ روزهای هفته بر این اساس نقشه‌برداری می‌شوند تا بینش‌هایی در مورد تنوع الگوهای روزهای هفته ارائه کنند.

یکی از سؤالات پژوهشی این موضوع را مورد بحث قرار می‌دهد که آیا تکرارهای نزدیک در همان مکان‌هایی که کانون‌های صرفاً فضایی هستند رخ می‌دهند یا خیر. شکل 2 نشان می دهد که این سوال تحقیق قابل تایید است. همه کانون‌های تقریباً تکراری کل مجموعه داده (خط یکپارچه) در کانون‌های فضایی صرفاً کل مجموعه داده (خط چین) قرار دارند. این تأثیر قابل توجهی بر اقدامات پیشگیری از جرم دارد، زیرا این تکرارهای نزدیک باید برای پاسخ های کوتاه مدت تاکتیکی استفاده شوند. با این حال، از آنجایی که این تکرارهای تقریباً در داخل یا نزدیک به نقاط داغ مستمر قرار دارند، این مناطق نیز باید در کانون پاسخ‌های بلندمدت استراتژیک باشند [ 30]]. توجه داشته باشید که مناطقی از نقاط حساس فضایی کاملاً وجود دارد که کانون‌های تقریباً تکراری را منعکس نمی‌کنند. از منظر بصری، سرقت های خیابانی در مناطقی از مراکز اصلی حمل و نقل عمومی، در مناطق خرید و در مناطقی با تفریحات شبانه برجسته بیشتر رایج است.

یکی دیگر از سوالات پژوهشی مربوط به وجود الگوهای تقریباً تکراری در روزهای هفته است. در جدول 3 فرضیه و تأیید شده است که این الگوهای تقریباً تکراری سرقت های خیابانی در روزهای هفته وجود دارد. علاوه بر این، این سوال مطرح می شود که آیا تفاوت هایی در توزیع فضایی این کانون ها در روزهای هفته وجود دارد؟ در شکل 2، نقاط داغ سرقت های خیابانی که تقریباً در روزهای هفته تکرار می شوند، به عنوان نقاط داغ ثابت منحصر به فرد ترسیم می شوند. این بدان معناست که در مکان‌های پایدار چندین نقطه مهم در روزهای هفته وجود دارد، در حالی که در مکان‌های منحصربه‌فرد نقاط کانونی منفرد در روزهای هفته یافت می‌شوند. چندین کانون پایدار شناسایی شده است. این مناطق در هر روز هفته، نقاط داغ سرقت خیابانی هستند (که نشان دهنده هفت منطقه کانونی همپوشانی در روزهای هفته است). علاوه بر این نقاط داغ، سه نقطه قابل توجه وجود دارد: اول، در منطقه ای از یک مرکز حمل و نقل اصلی، سرقت های خیابانی عمدتاً در طول هفته از دوشنبه تا جمعه رخ می دهد. نقاط داغ سرقت خیابانی دوم و سوم عمدتاً در روزهای آخر هفته (پنجشنبه تا یکشنبه یا شنبه و یکشنبه) رخ می دهد.

4.3. الگوهای تقریباً تکراری سرقت های خیابانی در روزهای هفته و بر اساس زمان روز

تا این مرحله، این یافته‌ها فرض نویسندگان را در مورد وجود نقاط مهم سرقت خیابانی ثابت و مخصوص روزهای هفته تأیید کرده‌اند. برای تأیید بیشتر این مفروضات، و برای تجزیه و تحلیل الگوهای تقریباً تکرار روزانه، کل مجموعه داده به سه بازه 8 ساعته صبح / اوایل بعد از ظهر (6:00 صبح تا 1:59 بعد از ظهر)، اواسط تا اواخر بعد از ظهر / عصر تقسیم شد. (2:00 بعد از ظهر تا 9:59 بعد از ظهر)، و ساعات شب/اوایل صبح (10:00 بعد از ظهر تا 5:59 صبح). سپس این سه زیرمجموعه بر اساس هر روز هفته از هم جدا شدند تا تفاوت‌ها بر اساس روز هفته و ساعت روز محاسبه شود.

اولین تجزیه و تحلیل این بود که مشخص شود آیا الگوهای تقریباً تکراری بر اساس زمان روز و علاوه بر این، در روزهای هفته نتایج قابل توجهی را نشان می دهند یا خیر. این تحلیل جهانی با استفاده از NRC انجام شد. جدول 4 نتایج را بر اساس ساعت روز و روز هفته نشان می دهد. به طور کلی، طبقه بندی کل مجموعه داده در سه بازه زمانی 8 ساعته منجر به نتایج آماری معنی دارتر و سطوح ریسک بالاتری شد. در حالی که سطح خطر 24 ساعت (کل روز و شب) برای کل مجموعه داده ( جدول 3) 377٪ بود، تجزیه و تحلیل تقریباً تکراری سه بازه 8 ساعته منجر به سطوح خطر حتی بالاتری شد. برای همان مکان، 1302٪ بیشتر احتمال دارد که شاهد یک سرقت دیگر از ساعت 6:00 صبح تا 1:59 بعد از ظهر در مقایسه با مدت زمان مشابه در هفت روز آینده باشیم. مقادیر ریسک بالا در مقایسه با سطوح خطر 24 ساعته نیز از ساعت 2 بعدازظهر تا 9:59 بعد از ظهر و از ساعت 10:00 شب تا 5:59 صبح مشاهده می شود. علاوه بر این، سطوح خطر از 1 تا 300 متر برای هر سه 8 ساعت در مقایسه با سطوح خطر 24 ساعته، فواصل زمانی بیشتر یا مشابه هستند، اما فقط مقادیر خطر برای دوره های زمانی 2:00 بعد از ظهر تا 9:59 بعد از ظهر و 10:00 بعد از ظهر تا 5:59 صبح از نظر آماری معنی دار است.

در مقایسه با الگوهای تقریباً تکراری از کل مجموعه داده، ساعات صبح تا اوایل بعد از ظهر در روزهای هفته الگوهای تقریباً تکراری کاملاً متفاوتی را نشان می‌دهند. اول، تنها چهار الگوی تقریباً تکراری از نظر آماری معنادار هستند. در حالی که سطح خطر حادثه دیگری که در همان مکان برای صبح های یکشنبه تا اوایل بعد از ظهر رخ می دهد کمتر از سطح خطر برای همان دوره زمانی کل مجموعه داده است، سطح خطر سه شنبه صبح تا اوایل بعد از ظهر، با حداکثر سطح خطر 6500 درصد، و سطح خطر پنج شنبه و جمعه صبح تا اوایل بعدازظهر بیشتر از سطح خطر برای همه صبح ها تا اوایل بعدازظهر است. در پهنای باند فضایی 1 تا 300 متر، تنها یک سطح ریسک از نظر آماری معنادار است. سطح ریسک تکرارهای نزدیک در صبح پنجشنبه 165 درصد بیشتر از ریسک مورد انتظار است.

اگرچه چهار نتیجه از هفت نتیجه NRC از نظر آماری ناچیز است، نقاط داغ تقریباً تکرار در ساعات صبح تا اوایل بعد از ظهر در روزهای هفته در شکل 3 ترسیم شده است . این سؤال تحقیق که آیا جفت‌های نزدیک به تکرار مبتکرها و رویدادهای تقریباً تکراری تمایل دارند در نقاط حساس فضایی صرفاً رویدادها در ساعات صبح تا اوایل بعدازظهر جمع شوند، تأیید می‌شود. با این حال، الگوی نقاط داغ سرقت خیابانی که تقریباً در روزهای هفته تکرار می‌شوند و فقط از ساعت 6 صبح تا 1:59 بعد از ظهر رخ می‌دهند، کاملاً با الگوی مشاهده شده در شکل 2 متفاوت است.. نقاط داغ روزهای هفته رویدادهایی که در این بازه 8 ساعته رخ داده اند پراکنده تر هستند و به ندرت همپوشانی دارند. بسیاری از نقاط مهم سرقت خیابانی کوچک و منحصر به فرد قابل مشاهده هستند و تعداد کمی از آنها در روزهای هفته در مناطقی از نقاط داغ سرقت خیابانی قرار دارند. در مقایسه با همان تجزیه و تحلیل برای کل مجموعه داده در شکل 2 ، نتیجه می گیریم که مکان های کمی به اندازه مناطق دیگر در برابر سرقت های خیابانی در ساعات صبح تا اوایل بعد از ظهر آسیب پذیر نیستند. توضیحات احتمالی عدم حضور مردم در این مناطق است زیرا این مناطق عمدتاً در ساعات بعدازظهر تا شب جذاب هستند (شهربازی، رستوران، بارها و کلوپ های شبانه).

در ساعات بعد از ظهر و عصر، از ساعت 2:00 تا 9:59 بعد از ظهر، سطح خطر NRC در مقایسه با مجموعه داده کل روز (24 ساعت) به مقدار قابل توجهی بالاتر ( جدول 4 ) منجر می شود. سطح خطر تکرارهای نزدیک در این بازه 8 ساعته مقدار 894% را نشان می دهد که بیش از دو برابر ارزش خطر سطح خطر کل روز (24 ساعت) 377% است (جدول 3 را ببینید .). در همان مکان، مقادیر ریسک در ساعات بعدازظهر و عصر در روزهای هفته مقادیر بیشتری را نشان می‌دهد که در مقایسه با مقادیر ریسک در ساعات صبح و بعدازظهر قابل توجه است. مقادیر معنی دار آماری از 684% تا 1349% متغیر است. مقادیر ریسک برای چهارشنبه های متوالی (1250٪)، جمعه ها (1349٪) و یکشنبه ها (1250٪) بالاتر از سطح خطر ساعات بعدازظهر و عصر از کل مجموعه داده ها (894٪) است. تنها دو سطح خطر تکرار تقریباً از 1 تا 300 متر و روزهای متوالی هفته تا چهار هفته از نظر آماری با مقادیر 81% و 83% معنی‌دار است.

نقاط داغ سرقت خیابانی برای تکرار تقریباً در ساعات بعد از ظهر تا عصر (2:00 بعد از ظهر تا 9:59 بعد از ظهر) در شکل 4 ترسیم شده است . به طور کلی، نقاط داغ تقریباً تکرار در مناطقی از نقاط داغ از کل مجموعه داده سرقت های خیابانی (خطوط یکپارچه و چین) مطابقت دارند. الگوی نقاط داغ سرقت خیابانی در ساعات بعد از ظهر و عصر در روزهای هفته پراکنده است، اما نه به اندازه نقاط داغ در ساعات صبح تا اوایل بعد از ظهر. یک کانون پایدار در مرکز شهر شناسایی شده است. نقاط کانونی کوچک و محلی در سرتاسر شهر یافت می شود. این الگو در واقع با الگوی مشاهده شده از نقاط داغ سرقت های خیابانی در ساعات صبح تا اوایل بعدازظهر کاملاً متفاوت است ( شکل 3 را ببینید ).

آخرین دوره زمانی مورد بحث، تجزیه و تحلیل تکرارهای نزدیک در طول شب و ساعات اولیه صبح از ساعت 10:00 شب تا 5:59 صبح است. جدول 4 ) و دوباره بالاتر از سطح خطر کلی برای مجموعه داده کل روز سرقت های خیابانی (377٪؛ جدول 2 را ببینید).). سطوح خطر در یک مکان برای هر شب روز هفته همه به جز دوشنبه های متوالی، از نظر آماری معنی دار است. سطوح خطر در یک مکان برای سه شنبه متوالی (725٪)، پنجشنبه (858٪)، و یکشنبه شب ها و صبح زود (774٪) منجر به مقادیر ریسک بالاتری نسبت به سطح خطر ساعات شب برای کل مجموعه داده می شود. مقادیر ریسک از 1 تا 300 متر تنها دو بار از نظر آماری معنی‌دار است: اول، برای ارزش ریسک کل مجموعه داده‌های سرقت‌های خیابانی (18%)، و دوم برای ارزش خطرپذیری شب‌های متوالی جمعه و صبح زود (38%).

نقشه نهایی ( شکل 5 ) نقاط داغ سرقت خیابانی را برای رویدادهایی که در ساعات اولیه شب و صبح رخ می دهد نشان می دهد. نقاط کانونی رویدادهای تقریباً تکراری از ساعت 10:00 بعد از ظهر تا 5:59 صبح، دوباره کاملاً در مناطق کانونی کل مجموعه داده رویدادهای رخ داده در این بازه 8 ساعته قرار دارند.

در تجزیه و تحلیل توزیع نقاط داغ سرقت خیابانی بر اساس روزهای هفته، به وضوح قابل تشخیص است که نقاط کانونی در صبح تا اوایل بعدازظهر ( شکل 3 ) و در ساعات بعدازظهر تا عصر، الگوی متمرکزتر و کمتری را نشان می دهند (شکل 4) .). نقاط داغ ثابت در مناطقی شناسایی می شوند که کانون گردشگران و فعالیت های شبانه هستند زیرا رستوران ها، بارها و کلوپ های شبانه زیادی وجود دارد. بنابراین، هر دو منطقه مکان‌های پرچم‌دار در نظر گرفته می‌شوند، که در آن محیط‌ها برای وقوع سرقت‌های خیابانی مناسب است و بسیاری از قربانیان احتمالی درگیر فعالیت‌های شبانه در این مکان‌ها هستند. بدیهی است که هیچ خوشه ای در امتداد خیابان های خرید شناسایی نمی شود زیرا هیچ مغازه ای در اواخر شب و ساعات اولیه صبح باز نیست. ناگفته نماند که سرقت های خیابانی در ساعات اولیه شب تا ساعات اولیه صبح عمدتاً در مناطقی با فرصت های شبانه یافت می شود.

5. بحث

مطالعات متعدد وجود پدیده تقریباً تکراری را برای انواع مختلف جرایم مانند سرقت یا تیراندازی تأیید کرده است [ 8 ، 39 ]. تنها چند مطالعه تا کنون سرقت ها، به ویژه سرقت های خیابانی را تجزیه و تحلیل کرده اند (به عنوان مثال، [ 30]). شناسایی الگوهای تقریباً تکرار، پیامدهای عملی برای راهبردهای پیشگیری از جرم هدف گرا دارد. مطالعه حاضر با تجزیه و تحلیل سرقت های خیابانی در شهر وین، اتریش، به ادبیات قربانی شدن تقریباً تکراری کمک می کند. این اولین کمک به ادبیات پدیده تقریباً تکراری با استفاده از داده های جرم و جنایت از وین بوده است. تحقیق ارائه شده در این مقاله توضیح می‌دهد که چگونه سرقت‌های خیابانی در فضا و زمان دسته‌بندی می‌شوند و چگونه این الگوهای تقریباً تکراری در روزهای هفته متفاوت هستند. تجزیه و تحلیل بیشتر برای تعیین اینکه آیا تفاوت هایی در الگوهای تقریباً تکرار بر اساس روزهای هفته و زمان روز وجود دارد یا خیر، گسترش یافت. در نهایت، بحث شد که آیا این الگوها با الگوهای فضایی صرفاً نقاط داغ سرقت خیابانی تفاوت دارند یا خیر. بر اساس تقاطع‌های بالقوه نقاط حساس تقریباً تکراری و کانون‌های فضایی،

نتایج این تحقیق نشان داد که خطر افزایش مجدد سرقت‌های خیابانی پس از یک رویداد اولیه در همان مکان یا در نزدیکی (1 تا 300 متر) در هر دو مکان و زمان وجود دارد. به طور خاص، خطر وقوع سرقت دیگری در خیابان در همان مکان و در طول هفت روز آینده، 377 درصد بیشتر از زمانی است که تعامل فضا-زمان وجود نداشته باشد. علاوه بر این، خطر کاهش چشمگیری برای «تنها» 20 درصد از سرقت های خیابانی دیگر در پهنای باند فضایی 1 تا 300 متر مشاهده می شود. نقاط داغ سرقت خیابانی تحلیل تقریباً تکراری در مناطق قابل توجه با مراکز اصلی حمل و نقل عمومی، مناطق خرید و مناطق تفریحی شبانه شناسایی شده است.

استراتژی‌های پیشگیری از جرم زمانی که مناطق مشکل‌ساز را با تمرکز بر زمان‌ها و مکان‌های خاص هدف قرار می‌دهند، بهترین کار را دارند. به همین دلیل، بیشتر مورد بررسی قرار گرفت که آیا یک الگوی تقریباً تکرار متمایز در روزهای هفته و بر اساس زمان روز وجود دارد یا خیر. کل مجموعه داده به سه دوره زمانی 8 ساعته تقسیم شد که شامل مجموعه داده صبح و اوایل بعدازظهر از رویدادهایی است که از 6:00 صبح تا 1:59 بعد از ظهر رخ می دهد، مجموعه داده بعد از ظهر و عصر با رویدادهایی که از 2:00 بعد از ظهر تا 9 رخ می دهند: 59 بعد از ظهر، و در نهایت، یک مجموعه داده شب و صبح زود برای آن رویدادهایی که از 10:00 بعد از ظهر تا 5:59 صبح رخ می دهند، یافته های این تجزیه و تحلیل با مطالعات قبلی مطابقت دارد (به عنوان مثال، [13 ، 35 )]). نتایج تحلیل‌های تقریباً تکراری در سه بازه زمانی 8 ساعته، مقادیر خطر قابل‌توجهی بالاتری نسبت به تجزیه و تحلیل نزدیک به تکرار مجموعه داده کامل 24 ساعته نشان می‌دهد. برای محاسبه الگوهای تقریباً تکرار روزانه در روزهای متوالی هفته، مجموعه داده‌ها به 21 مجموعه داده در روزهای هفته متوالی و سه بازه زمانی 8 ساعته تفکیک شدند (به عنوان مثال، اولین مجموعه داده شامل رویدادهای دوشنبه‌های متوالی بود که از 6:00 صبح تا 1 رخ می‌دادند: 59 بعد از ظهر). به طور کلی، سطوح خطر تقریباً تکرار عمدتاً از نظر آماری در همان مکان و در طی روزهای هفته متوالی بعدی برای مجموع چهار هفته معنی‌دار است. این فرضیه که از نظر آماری یک الگوی تقریباً تکرار معنی‌دار در روزهای هفته، و علاوه بر این، با بازه‌های زمانی هفته و 8 ساعت وجود دارد، قابل تأیید است. فرضیه دوم در مورد اینکه آیا آن الگوهای تقریباً تکرار در روزهای هفته و با بازه زمانی 8 ساعته متفاوت هستند، مجدداً با استفاده از نقاط داغ تخمین تراکم هسته مکان‌های جفت‌های تقریباً تکراری (اصالت‌دهنده و تقریباً تکرار) آزمایش شد. در ساعات صبح و اوایل بعد از ظهر، الگوی هات اسپات به شدت پراکنده است. بسیاری از نقاط مهم محلی و منحصر به فرد برای هر روز هفته یافت می شود.

در نهایت، تحلیل می‌شود که آیا این نقاط داغ از مکان‌های تقریباً تکراری در داخل یا نزدیک به نقاط حساس فضایی کل مجموعه داده‌های سرقت‌های خیابانی که در طول دوره زمانی کامل ۲۴ ساعته رخ می‌دهند، قرار دارند یا خیر. تقریباً همه هات اسپات های تقریباً تکراری یا کاملاً در داخل یا نزدیک به هات اسپات های صرفاً فضایی هستند. در واقع، مکان‌های خوشه‌های تقریباً تکرار، پیامدهای مهمی برای اقدام پیشگیرانه دارند. به این ترتیب، تقریباً در مکان‌هایی که سرقت‌های خیابانی معمولاً بدون در نظر گرفتن روزهای هفته رخ می‌دهند، تقریباً تکرار می‌شوند. جانسون و همکاران [ 31 ] نشان می دهد که به دلیل پایداری نقاط داغ، احتمالاً به اقدامات پیچیده پیشگیری از جرم مانند تخصیص بیشتر منابع پلیس یا طراحی مجدد محیط فیزیکی نیاز دارد.

6. نتیجه گیری

بر اساس این نتایج، مهم است که بفهمیم چرا رویدادهای سرقت خیابانی از نظر مکانی و زمانی بر اساس روزهای هفته و بر اساس ساعت روز دسته‌بندی می‌شوند. این امر به ویژه برای بهبود توضیحات نظری الگوی تقریباً تکرار و بهینه‌سازی استراتژی‌های پیشگیری از جرم مهم است. نتایج این تحقیق با اشاره به رویکرد فعالیت روتین، مکان‌های مختلف و مکرر فعالیت قربانیان و متخلفان را در داخل شهر در روزهای هفته و در فواصل زمانی 8 ساعته نشان می‌دهد. نقاط داغ تقریباً تکرارها را می توان از نظر تئوری با تقویت و تز پرچم توضیح داد. در حالی که محیط‌های آن مناطق دزدان را جذب می‌کنند و بنابراین احتمالاً از نظریه پرچم حمایت می‌کنند، نظریه تقویت را نمی‌توان نادیده گرفت زیرا مجرم تمایل دارد به مکان‌های شناخته شده بازگردد. از این رو، نظریه تقویت نیز از ایده یک شبکه اجتماعی حمایت می کند. جایی که سارقان اطلاعاتی را در مورد مکان هایی برای سرقت به اشتراک می گذارند. تحقیقات بیشتری باید انجام شود تا توضیح دهد که چرا آن مناطق احتمال بیشتری برای جذب سارقین دارند. رویکردهای امیدوارکننده برای توضیحات می‌تواند ادغام مدل‌سازی خطر زمین باشد [48 ] برای شناسایی محیط هایی که مجرمین را برای اثبات وجود مکانیسم پرچم جذب می کند.

این تحقیق شامل اطلاعات مجرمان سریالی نمی شود. ما نام مجرمان را نمی دانیم. فرضیه‌ها و نتایج مربوط به داده‌های جرم جمع‌آوری شده است و بنابراین نمی‌توانیم و نمی‌توانیم هیچ استنتاجی در مورد افراد از داده‌های جرم جمع‌آوری کنیم. گزینه دیگر برای تحقیقات آینده، ادغام اطلاعات مجرم برای تعیین دخالت مجرمان تکراری است. بر اساس چنین تحلیلی، نظریه تقویت را می توان به طور کامل توضیح داد و تایید کرد. متأسفانه، داده‌های موجود اجازه آزمایش مستقیم در مورد اینکه آیا توضیحات Boost و Flag در حال اجرا هستند را نمی‌دهد.

بر اساس اطلاعات جمع‌آوری‌شده از این مطالعه، سیاست‌های پیشگیری از جرم را می‌توان به صورت آنی اعمال کرد. ریتم مشخصی از سرقت های خیابانی در روزهای هفته و به ویژه در فواصل زمانی 8 ساعته وجود دارد که باید سازمان های مجری قانون را برای استقرار ظرفیت های محدود اما هدفمند راهنمایی کند. بنابراین منابع پلیس باید در مکان‌های حساس در روزهای هفته و فواصل زمانی خاص، همانطور که در این تحلیل تقریباً تکراری مشخص شده است، قرار گیرند. یک مثال از چنین مکان بحرانی می تواند این باشد که یک سرقت خیابانی در دوشنبه شب در یک منطقه مشخص رخ دهد که در آن سرقت های خیابانی در دوشنبه شب ها تکرار می شود. در این مورد، منابع هدفمند باید نه تنها چند روز پس از سرقت اولیه خیابانی بلکه در دوشنبه شب های بعدی در آن منطقه مستقر شوند. علاوه بر این فعالیت های عملیاتی،

منابع

Guerry, A. Essai sur la Statistique Morale de la France ; کروچارد: پاریس، فرانسه، 1833. [ Google Scholar ]
Quetelet، AJ Sur l’Homme et le Développement de ses Facultés, ou Essai de Physique Sociale ; Bachelier: پاریس، فرانسه، 1835. [ Google Scholar ]
تاونزلی، ام. هومل، آر. Chaseling، J. تکرار قربانی سرقت: الگوهای مکانی و زمانی. اوست NZJ Criminol. 2000 ، 33 ، 37-63. [ Google Scholar ] [ CrossRef ]
اوکین، جی بی. فیشر، آر.ام. گرین، ال. جرم و جنایت دانشگاه نقشه برداری. امن J. 1994 , 5 , 172-179. [ Google Scholar ]
Jochelson, R. Crime and Place: An Analysis of Assaults and Robberies in Inner Sydney ; مجموعه گزارش های عمومی; دفتر آمار و تحقیقات جنایی نیو ساوت ولز: سیدنی، استرالیا، 1997.
پولوی، ن. لومن، تی. هامفریز، سی. Pease, K. دوره زمانی تکرار قربانی سرقت. برادر J. Criminol. 1991 ، 31 ، 411-414. [ Google Scholar ]
ساگوفسکی، آ. جانسون، اس دی دزدی مکرر چه زمانی رخ می دهد؟ اوست NZJ Criminol. 2007 ، 40 ، 1-26. [ Google Scholar ] [ CrossRef ]
جانسون، SD; برناسکو، دبلیو. Bowers، KJ; الفرز، اچ. راتکلیف، جی اچ. رنگرت، جی. تاونزلی، ام. الگوهای خطر فضا-زمان: ارزیابی متقابل ملی از قربانی شدن سرقت مسکونی. جی. کوانت. Criminol. 2007 ، 23 ، 201-219. [ Google Scholar ] [ CrossRef ]
Hawley, AH Human Ecology: A Theory of Community Structure ; رونالد پرس: نیویورک، نیویورک، ایالات متحده آمریکا، 1950. [ Google Scholar ]
هریس، کی. جنایت و محیط زیست ; Charles C. Thomas: Springfield، IL، USA، 1980. [ 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 ]
شرمن، LW; گارتین، روابط عمومی؛ Buerger, ME نقاط داغ جنایات غارتگرانه: فعالیت های معمول و جرم شناسی مکان. جرم شناسی 1989 ، 27 ، 27-55. [ Google Scholar ] [ CrossRef ]
تامپسون، ال. Bowers، KJ چاقو در تاریکی؟ یادداشت تحقیقی در مورد الگوهای زمانی سرقت خیابانی. J. Res. جنایت دلینق. 2012 ، 50 ، 616-631. [ Google Scholar ] [ CrossRef ] [ PubMed ]
LeBeau, J. نوسان پلیس به اختلافات خانگی با زمان و شاخص رطوبت دما. J. Crime Justice 1994 ، 17 ، 149-161. [ Google Scholar ] [ CrossRef ]
Weisel، DL تجزیه و تحلیل تکرار قربانی . راهنماهای مشکل گرا برای پلیس. ابزارهای حل مسئله سری 4; وزارت دادگستری ایالات متحده، دفتر خدمات پلیس جامعه گرا: واشنگتن، دی سی، ایالات متحده آمریکا، 2005.
Pease، K. تکرار قربانی: گرفتن سهام ; گروه تحقیقات پلیس: مقاله سری کشف و پیشگیری از جرم 90; وزارت کشور: لندن، بریتانیا، 1998.
اریکسون، U. مستقیم از دهان اسب. به روز رسانی پزشکی قانونی 1995 ، 43 ، 23-25. [ Google Scholar ]
Weisel، DL تکرار قربانی برای سرقت تجاری و سرقت: چقدر و کجا؟ در مجموعه مقالات وزارت دادگستری ایالات متحده، موسسه ملی دادگستری، کنفرانس تحقیقات نقشه برداری جرم، دالاس، تگزاس، ایالات متحده آمریکا، 1-4 دسامبر 2001.
Grove، LE; فارل، جی. Farrington، DP; جانسون، SD جلوگیری از تکرار قربانی شدن: یک بررسی سیستماتیک . شورای ملی سوئد برای پیشگیری از جرم: استکهلم، سوئد، 2012. [ Google Scholar ]
جانسون، SD; Bowers، KJ دزدی به عنوان سرنخی برای آینده: آغاز نقطه داغ آینده نگر. یورو J. Criminol. 2004 ، 1 ، 237-255. [ Google Scholar ] [ CrossRef ]
Ratcliffe, JH Near Repeat Calculator (نسخه 1.2) ؛ دانشگاه معبد: فیلادلفیا، PA، ایالات متحده; موسسه ملی عدالت: واشنگتن، دی سی، ایالات متحده آمریکا، 2008.
مورگان، اف. دزدی مکرر در حومه پرث: نشانگر خطر کوتاه مدت یا بلندمدت؟ در تکرار قربانی ; Farrell, G., Pease, K., Eds. مونسی: نیویورک، نیویورک، ایالات متحده آمریکا، 2001; صص 83-118. [ Google Scholar ]
Chainey، SP تکرار قربانی. سری JDiBrief ; UCL Jill Dando Institute of Security and Crime Science: لندن، بریتانیا، 2012. [ Google Scholar ]
جانسون، SD; Bowers، KJ; Pease، K. پیش بینی آینده یا خلاصه کردن گذشته؟ نقشه برداری جرم به عنوان پیش بینی در علوم جنایی: رویکردهای جدید برای پیشگیری و کشف جرم ؛ Smith, M., Tilley, N., Eds. Willan: لندن، انگلستان، 2005. [ Google Scholar ]
سامرز، ال. جانسون، SD; Rengert، G. استفاده از نقشه ها در مصاحبه های مجرم. در Offenders on Offending: Learning about Crime from Criminals ; برناسکو، دبلیو، اد. Willan: Cullompton، UK، 2010. [ Google Scholar ]
Bundesgesetzblatt der Republik Österreich. 60. Bundesgesetz: Strafgesetzbuch-StGB ; Verlagspostamt: وین، اتریش، 1974. [ Google Scholar ]
سرقت خیابان تامپسون، ال . سری JDiBrief ; UCL Jill Dando Institute of Security and Crime Science: لندن، بریتانیا، 2012. [ Google Scholar ]
جانسون، دی. رفتار مکان/زمان سارقان مسکونی: یافتن الگوهای تکراری نزدیک در داده‌های مجرم سریالی. Appl. Geogr. 2013 ، 41 ، 139-146. [ Google Scholar ] [ CrossRef ]
برناسکو، دبلیو دوباره آنها؟ مشارکت مجرم مشابه در سرقت های مکرر و تقریباً تکراری. یورو J. Criminol. 2008 ، 5 ، 411-431. [ Google Scholar ] [ CrossRef ]
هابرمن، CP; راتکلیف، جی اچ چالش‌های پلیسی پیش‌بینی‌کننده سرقت‌های مسلحانه خیابانی تقریباً تکراری. سیاسی J. سیاست عمل. 2012 ، 6 ، 1-16. [ Google Scholar ] [ CrossRef ]
جانسون، SD; آزمایشگاه، SP; Bowers، KJ نقاط داغ ثابت و روان جرم: تمایز و شناسایی. محیط ساخته شده 2008 ، 34 ، 32-45. [ Google Scholar ] [ CrossRef ]
راتکلیف، جی اچ. McCullagh، MJ شناسایی تکرار قربانی با GIS. برادر J. Criminol. 1998 ، 38 ، 651-662. [ Google Scholar ] [ CrossRef ]
آمار اتریش Registerzählung 2011. 2013. موجود آنلاین: http://www.statistik.at (در 24 سپتامبر 2016 قابل دسترسی است).
Bundeskriminalamt. Die Entwicklung der Kriminalität in Österreich 2004 bis 2013. Neue Herausforderungen für die Kriminalpolizei ; Bundeskriminalamt: وین، اتریش، 2014. [ Google Scholar ]
ون کوپن، پی جی. Jansen، RWJ زمان سرقت: تغییرات در زمان تعداد سرقت های تجاری. J. Res. جنایت دلینق. 1999 ، 36 ، 7-29. [ Google Scholar ] [ CrossRef ]
ناکس، جی. اپیدمیولوژی لوسمی دوران کودکی در نورثامبرلند و دورهام. برادر J. قبلی Soc. پزشکی 1964 ، 18 ، 17-24. [ Google Scholar ] [ CrossRef ] [ PubMed ]
Mantel، N. تشخیص خوشه بندی بیماری و یک رویکرد رگرسیون تعمیم یافته. سرطان Res. 1967 ، 27 ، 209-220. [ Google Scholar ] [ PubMed ]
Jacquez, GM A k نزدیکترین همسایه آزمایش برای برهمکنش فضا-زمان. آمار پزشکی 1996 ، 15 ، 1935-1949. [ Google Scholar ] [ CrossRef ]
راتکلیف، جی اچ. Rengert، GF الگوهای تقریبا تکرار در تیراندازی های فیلادلفیا. امن J. 2008 ، 21 ، 58-76. [ Google Scholar ] [ CrossRef ]
پری، WL; مک اینیس، بی. قیمت، سی سی; اسمیت، SC; هالیوود، پلیس پیش بینی JS. نقش پیش بینی جرم در عملیات اجرای قانون ; برنامه ایمنی و عدالت رند: سانتا مونیکا، کالیفرنیا، ایالات متحده آمریکا، 2013. [ Google Scholar ]
اک، جی. Chainey، SP; کامرون، جی. لایتنر، ام. Wilson, R. Mapping Crime: Understanding Hotspots ; موسسه ملی دادگستری: واشنگتن، دی سی، ایالات متحده آمریکا، 2005.
لوین، N. CrimeStat: یک برنامه آماری فضایی برای تجزیه و تحلیل مکان‌های وقوع جرم، نسخه 4.0 . ند لوین و همکاران: هیوستون، تگزاس، ایالات متحده؛ موسسه ملی دادگستری: واشنگتن، دی سی، ایالات متحده آمریکا، 2013.
Chainey، SP; Ratcliffe، JH GIS و Crime Mapping ; Wiley: لندن، انگلستان، 2005. [ Google Scholar ]
راتکلیف، جی اچ. McCullagh، MJ Hotbeds of جرم و جستجو برای دقت فضایی. جی. جئوگر. سیستم 1999 ، 1 ، 385-398. [ Google Scholar ] [ CrossRef ]
ویلیامسون، دی. مک لافرتی، اس. مک گوایر، پی. گلداسمیت، وی. Mollenkopf, J. A Better Method to Smooth Crime Incident Data ; مجله ESRI ArcUser، 1999. موجود به صورت آنلاین: https://www.esri.com/news/arcuser/0199/crimedata.html (دسترسی در 24 سپتامبر 2016).
Chainey، SP; رید، اس. استوارت، ن. چه زمانی یک هات اسپات یک هات اسپات است؟ رویه ای برای ایجاد نقشه های آماری نقاط داغ جنایت. در نوآوری در GIS 9 کاربردهای اجتماعی-اقتصادی علوم اطلاعات جغرافیایی ; هیگز، جی.، اد. تیلور و فرانسیس: لندن، بریتانیا، 2002. [ Google Scholar ]
Chainey، SP; تامپسون، ال. Uhlig, S. ابزار نقشه برداری کانون برای پیش بینی الگوهای فضایی جرم. امن J. 2008 , 21 , 4-28. [ Google Scholar ] [ CrossRef ]
Caplan، JM; کندی، LW; میلر، جی. مدل‌سازی زمین ریسک: نظریه جرم‌شناسی و روش‌های GIS برای پیش‌بینی جرم. عدالت Q. 2011 ، 28 ، 260-381. [ Google Scholar ] [ CrossRef ]

شکل 1. سرقت های خیابانی از سال 2009 تا 2013 به تفکیک ساعات روز و روزهای هفته.

شکل 2. نقاط داغ سرقت خیابانی تقریباً در روزهای هفته تکرار می شود.

شکل 3. نقاط داغ سرقت خیابانی تقریباً از ساعت 6:00 صبح تا 1:59 بعد از ظهر در روزهای هفته تکرار می شود.

شکل 4. نقاط داغ سرقت خیابانی تقریباً از ساعت 2:00 تا 9:59 شب در روزهای هفته تکرار می شود.

شکل 5. نقاط داغ سرقت خیابانی تقریباً از ساعت 10:00 شب تا 5:59 بعد از ظهر در روزهای هفته تکرار می شود.

جدول 1. تعداد مطلق سرقت های خیابانی در وین، اتریش از سال 2009 تا 2013 به تفکیک ساعات روز و روزهای هفته.

جدول 2. مقادیر ریسک تقریباً تکراری (مشاهده شده بر فرکانس های متوسط مورد انتظار) و سطوح اهمیت سرقت خیابانی برای کل مجموعه داده.

جدول 3. مقادیر ریسک تقریباً تکراری (مشاهده شده بر فرکانس های متوسط مورد انتظار) و سطوح مهم سرقت خیابانی در روزهای هفته.

جدول 4. مقادیر خطر تقریباً تکراری (مشاهده شده بر فرکانس های متوسط مورد انتظار) و سطوح اهمیت سرقت خیابانی برای کل مجموعه داده ها و روزهای هفته و بر اساس زمان روز.

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

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب