نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

نظریه جرم شناسی محیطی به خوبی توسعه یافته است [ 1 ، 2 ]، اما تکنیک های تحلیلی برای کاوش و مدل سازی رویدادهای جرم عقب مانده است. با توجه به ظهور و انباشت طیف گسترده ای از داده های زیست محیطی [ 3 ]، اطلاعات جغرافیایی داوطلبانه [ 4 ]، اطلاعات متنی بدون ساختار [ 5 ]، و داده های آماری (بزرگ) [ 6 ]، در میان دیگران، از اهمیت ویژه ای برخوردار است. با این تحولات همگام باشید و از چنین داده های مکانی و زمانی استفاده کنید. ادغام چنین داده‌هایی برای تجزیه و تحلیل جرم و جنایت فضا-زمان بسیار مرتبط است، و به طور بالقوه بینش جدیدی را در مورد کانون‌های جرم محلی ارائه می‌کند که از مجریان قانون برای مبارزه با جرم حمایت می‌کنند.
در حالی که روش‌های مبتنی بر سیستم اطلاعات جغرافیایی [ 7 ] و رویکردهای آماری فضایی امروزه برای ترسیم الگوهای جرم و جنایت [ 8 ] شتاب بیشتری به دست آورده‌اند ، روش‌های محاسباتی مبتنی بر داده‌های پیشرفته (مانند یادگیری ماشین، مدل‌های مکانی-زمانی بیزی) هنوز در مراحل ابتدایی خود هستند و بسیار دور هستند. از جریان اصلی بودن (به عنوان مثال، [ 9 ، 10 ]). با این حال، رشته‌های دیگر شواهدی ارائه می‌دهند که این رویکردها توانایی بالایی در حل مشکلات طبقه‌بندی، انجام استنتاج، پیش‌بینی و استخراج الگوهای پنهان در داده‌ها دارند که در غیر این صورت با روش‌های اساسی نظارت می‌شوند [11 ، 12 ]]. بنابراین به نظر می رسد ادغام جرم شناسی با روش های محاسباتی گام بعدی منطقی در دستور کار پژوهشی باشد.
برای پرداختن به این موضوع، هدف اصلی این شماره ویژه مرزها در تجزیه و تحلیل جرایم مکانی و زمانی، انتشار تحقیقات یا مقالات مروری اصلی به منظور تحریک بحث بیشتر در مورد توسعه و کاربرد آخرین پیشرفت‌های علمی مبتنی بر داده‌ها برای درک الگوهای جرم و جنایت بود. رفتار مجرمانه، پویایی آنها در طول زمان و مکان، و مکانیسم های کلیدی زیربنایی. ما پیش‌بینی می‌کنیم که این پیشرفت روش‌شناختی ارزیابی‌های ریسک قابل‌اعتمادتر و پیش‌بینی‌های دقیق‌تری از جرم را که توسط سازمان‌های عدالت کیفری خواسته شده و برای تصمیم‌گیری عدالت کیفری مبتنی بر شواهد مورد نیاز است، به همراه داشته باشد. مجموعه مقاله مجموعه ای از رویکردهای واقعی مفید را برای مخاطبانی که شامل محققان، فارغ التحصیلان و متخصصان می شود، اما نه محدود به آن، ارائه می دهد.13 ] در مورد اصول نقشه برداری جرم و ما معتقدیم که این مجموعه جدید از مقالات به دستور کار تحقیقاتی معاصر در مورد مدل سازی جرم از دیدگاه محاسباتی و داده محور کمک خواهد کرد.
همانطور که از پاسخ به فراخوان برای نسخه های خطی نشان می دهد، به نظر می رسد که قصد این شماره ویژه مورد استقبال گسترده قرار گرفته است. تا پایان دسامبر 2016 (مهلت ارسال)، در مجموع ده نسخه خطی ارسال شد. هر مقاله از طریق یک فرآیند بررسی یک سو کور توسط حداقل دو کارشناس بین المللی مورد ارزیابی قرار گرفت. برای فرآیند بررسی، از دستورالعمل های استاندارد بررسی MDPI استفاده شد. علاوه بر جنبه نوآورانه تحقیق، کیفیت علمی تحقیق به شدت بر تصمیم گیری در مورد پذیرش یا عدم پذیرش نسخه خطی تأثیر داشت. در مواردی که بازبینی‌های عمده توسط داوران درخواست می‌شد و برای تضمین کیفیت علمی بالا، دور دوم بررسی نسخه اصلاح‌شده توسط حداقل یکی از داوران اصلی یا یک داور جایگزین انجام می‌شد. اگر بازبینی‌ها نیاز به بازبینی‌های جزئی داشتند، دور دوم بررسی‌ها انجام نمی‌شد. در عوض، ویراستاران مهمان تصمیم گرفتند که آیا نسخه خطی اصلاح شده برای چاپ مناسب است یا نه. در مارس 2017، هفت مقاله از ده مقاله پذیرفته شد و اکنون در این شماره ویژه گنجانده شده است.
شماره ویژه حاضر از مقالات زیر گردآوری شده است: بولد و بورگ [ 14 ] با استفاده از داده‌های سرقت‌های مسکونی سوئدی، یک روش تحلیل زمانی جدید برای تقریبی زمان‌های جرم برای سرقت‌های مسکونی پیشنهاد کردند و آن را با روش‌های آئوریستی موجود مقایسه کردند. مقاله گلاسنر و لایتنر [ 15 ] به تکرار قربانی شدن از طریق سرقت های خیابانی بین سال های 2009 و 2013 در وین، اتریش، با استفاده از تجسم جغرافیایی همراه با تحلیل های مکانی و زمانی اختصاص داشت. Mburu و Bakillah [ 16 ] با ترویج مجموعه ای غنی از مدل های اقتصاد سنجی فضایی، خطر سرقت را برای لندن بزرگ، انگلستان ارزیابی کردند. تکمیل رگرسیون جهانی آنها، Du and Law [ 17] ارتباطات فضایی ناهمگن بین پوشش گیاهی و شبکه های حمل و نقل در مورد جرم و جنایت را در کیچنر-واترلو، کانادا، با استفاده از رگرسیون های وزنی جغرافیایی بررسی کرد. Sypion-Dutkowska و Leitner [ 18 ] بررسی کردند که چگونه استفاده از زمین بر توزیع فضایی انواع مختلف جرایم در Szczecin، لهستان، با استفاده از تحلیل‌های جغرافیایی استاندارد تأثیر می‌گذارد. در نهایت، دو مقاله نقاط قوت پارادایم مدل‌سازی بیزی را برای جرم‌شناسی مکانی و مکانی-زمانی مستند کردند. مارکو و همکاران [ 19 ] از مدل سازی فضایی بیزی برای آزمایش ویژگی های محله بر روی مداخلات پلیس مرتبط با مواد مخدر در والنسیا، اسپانیا استفاده کرد. با استفاده از تقریب لاپلاس تودرتو یکپارچه، لوان و همکاران. [ 20] داده‌های تماس برای سرویس را در منطقه واترلو (کانادا) مدل‌سازی کرد، در حالی که تعاملات فضا-زمان به صراحت در سطح منطقه کوچک در نظر گرفته می‌شوند.
در مجموع، آنچه این مقالات در این شماره ویژه نشان داده اند این است که تجزیه و تحلیل داده های مکانی از قبل یک رویکرد ثابت است. در حالی که برای الگوهای نقطه‌ای، تحلیل‌های فضا-زمان پذیرفته می‌شوند، رگرسیون‌های مکان-زمان صریح در حال افزایش هستند، اما هنوز در مراحل ابتدایی خود هستند. از آنجایی که الگوهای جرم ذاتاً پویا هستند و تحت تأثیر عوامل مخاطره‌آمیز و محافظ مکان-زمان قرار می‌گیرند، ما معتقدیم که این مدل‌ها پتانسیل زیادی برای افزایش درک ما از جرم در فضا و در طول زمان دارند. تا حدی غیرمنتظره، حتی اگر این شماره ویژه فقط نمای محدودی از این زمینه را نشان می‌دهد، مشخص شد که روش‌های محاسباتی مانند شبیه‌سازی مبتنی بر عامل، داده‌کاوی یا یادگیری ماشینی هنوز برای تجزیه و تحلیل جرم گسترده نیستند. بر این مبنا، ما هنوز نیاز مبرمی را می بینیم که تحقیقات جنایی باید چنین تکنیک های محاسباتی را با موفقیت در سایر رشته ها بکار گیرند و در نظر بگیرند. به نظر می رسد کار در این مسیر نوید بزرگی برای تحقیقات آینده باشد.

منابع

  1. کوهن، ال. فلسون، ام. تغییرات اجتماعی و روند نرخ جرم و جنایت: رویکرد فعالیت معمول. صبح. اجتماعی Rev. 1979 , 44 , 588-608. [ Google Scholar ] [ CrossRef ]
  2. برانتینگهام، پی. Brantingham, P. Environmental Criminology ; سیج: بورلی هیلز، کالیفرنیا، ایالات متحده آمریکا، 1981. [ Google Scholar ]
  3. سکاتو، وی. یوتنبوگارد، آ. بامزار، آر. امنیت در ایستگاه‌های زیرزمینی استکهلم: اهمیت ویژگی‌های محیطی و زمینه. امن J. 2013 ، 26 ، 33-59. [ Google Scholar ] [ CrossRef ]
  4. راث، آر. راس، ک. فینچ، بی. لو، دبلیو. MacEachren، A. تجزیه و تحلیل جرم فضایی و زمانی در سازمان های مجری قانون ایالات متحده: شیوه های فعلی و نیازهای برآورده نشده. حکومت کن. Inf. کوارت 2013 ، 30 ، 226-240. [ Google Scholar ] [ CrossRef ]
  5. هلبیچ، ام. هاگناور، جی. لایتنر، ام. ادواردز، آر. کاوش گزارش‌های جنایی روایی ساختار نیافته – یک شبکه عصبی بدون نظارت و رویکرد تحلیل الگوی نقطه‌ای. کارتوگر. Geogr. Inf. علمی 2013 ، 40 ، 326-336. [ Google Scholar ] [ CrossRef ]
  6. وانگ، تی. سینتیا، آر. دانیل، دبلیو. ریچ، اس. یافتن الگوهایی با هسته پوسیده: داده کاوی برای سریال های جنایی با هسته. کلان داده 2015 ، 3 ، 3-21. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  7. چینی، اس. Ratcliffe, J. GIS and Crime Mapping ; Wiley: Hoboken، NJ، ایالات متحده، 2013. [ Google Scholar ]
  8. هلبیچ، ام. جوکار ارسنجانی، ج. فیلتر بردار ویژه فضایی برای نگاشت جرم فضایی و زمانی و تحلیل جرم فضایی. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 134-148. [ Google Scholar ] [ CrossRef ]
  9. برک، آر. جرم شناسی الگوریتمی. امن Inf. 2013 ، 2 ، 1-14. [ Google Scholar ] [ CrossRef ]
  10. قانون، ج. کوئیک، م. چان، پی. تجزیه و تحلیل نقاط داغ جنایت با استفاده از رویکرد مدل‌سازی فضایی-زمانی بیزی: مطالعه موردی جنایات خشونت‌آمیز در منطقه تورنتو بزرگ. Geogr. مقعدی 2015 ، 47 ، 1-19. [ Google Scholar ] [ CrossRef ]
  11. جردن، م. میچل، تی. یادگیری ماشینی: روندها، دیدگاه ها و چشم اندازها. Science 2015 ، 349 ، 255-260. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  12. Hvistendahl، M. پیش بینی جرم. Science 2016 ، 353 ، 1484-1487. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  13. لایتنر، ام. Helbich، M. مدل‌سازی و نقشه‌برداری جنایی نوآورانه. کارتوگر. Geogr. Inf. علمی 2015 ، 42 ، 95-96. [ Google Scholar ] [ CrossRef ]
  14. بولد، ام. Borg, A. ارزیابی روش‌های تحلیل زمانی با استفاده از داده‌های سرقت مسکونی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 148. [ Google Scholar ] [ CrossRef ]
  15. گلاسنر، پی. لایتنر، ام. ارزیابی تأثیر روزهای هفته بر قربانی شدن تقریباً تکراری: تحلیل مکانی-زمانی سرقت‌های خیابانی در شهر وین، اتریش. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 3. [ Google Scholar ] [ CrossRef ]
  16. امبورو، LW; باکی‌الله، م. مدل‌سازی تعاملات فضایی بین مناطق برای ارزیابی خطر سرقت. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 47. [ Google Scholar ] [ CrossRef ]
  17. دو، ی. قانون، J. چگونه تراکم پوشش گیاهی و تراکم شبکه حمل و نقل بر جنایت در یک شیب مرکزی-پیرامونی شهری تأثیر می گذارد؟ مطالعه موردی در کیچنر-واترلو، انتاریو. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 118. [ Google Scholar ] [ CrossRef ]
  18. سایپیون دوتکووسکا، ن. لایتنر، ام. استفاده از زمین بر توزیع فضایی جرم شهری. مطالعه موردی Szczecin، لهستان. ISPRS Int. J. Geo-Inf. 2017 . پذیرفته شده. [ Google Scholar ]
  19. مارکو، ام. گراسیا، ای. López-Quílez، A. پیوند ویژگی های محله و مداخلات پلیس مرتبط با مواد مخدر: تحلیل فضایی بیزی. ISPRS Int. J. Geo-Inf. 2017 ، 6 ، 65. [ Google Scholar ] [ CrossRef ]
  20. لوان، اچ. کوئیک، م. قانون، J. تجزیه و تحلیل الگوهای مکانی-زمانی محلی فراخوان‌های پلیس با استفاده از تقریب لاپلاس تودرتو یکپارچه بیزی. ISPRS Int. J. Geo-Inf. 2016 ، 5 ، 162. [ Google Scholar ] [ CrossRef ]

بدون نظر

دیدگاهتان را بنویسید

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