杂志的下一篇文章
考察城市形态的社会、心理和能源潜力之间的权衡
下一篇特刊文章
防撞护栏和围栏对野生动物-车辆碰撞有影响吗-基于人工智能和GIS的分析
期刊上的上一篇文章
支持智能土地覆盖变化检测的面向Web服务的地球处理系统
特刊上一篇文章
河流系统污染热点重新形成的威胁：普洛奇尼斯河（捷克共和国）的案例研究
 
 
搜索用于文章:
标题/关键字
作者/附属机构/电子邮件
日记账
文章类型
 
 
高级搜索
 
章节
特别发行
体积
问题
编号
第页
 
期刊销售
IJGI公司
第8卷
第1版
10.3390/ijgi8010051
ijgi-logo公司
提交到此日志 本期刊的评论 提出特殊问题
► 文章菜单

文章菜单

分享 分享 公告 帮助 format_quote格式 引用 问题_答案 在SciProfiles中讨论 竖起拇指（_U）
...
背书 短信
...
注释
第一页（_P）
设置
订购文章重印
字体类型：
宋体 佐治亚州 宋体，Verdana
字体大小：
Aa公司 Aa公司 Aa公司
行距：
列宽：
背景：
第条

多伦多社区财产和暴力犯罪的空间和社会模式：一种空间定量方法

通过
卢旺（Lu Wang）
1,*,
加比·李
1和
伊恩·威廉姆斯
2
1
加拿大安大略省多伦多市Ryerson大学地理与环境研究系
2
商业智能与分析部门。加拿大安大略省多伦多市大学街40号多伦多警察局，邮编：M5G 2J3
*
信件应寄给的作者。
ISPRS国际地理信息杂志。 2019,8(1), 51;https://doi.org/10.3390/ijgi8010051
收到的提交文件：2018年12月18日/修订日期：2019年1月9日/接受日期：2019年1月16日/发布日期：2019年1月21日
（本文属于特刊安全与安保管理地理信息系统)
浏览地物
版本注释

摘要

:
犯罪活动往往在空间上分布不均。文献表明，犯罪的发生往往集中在特定的街区，并与各种社会经济和犯罪机会因素有关。本研究通过对由140个街区组成的多伦多市的邻里社会经济条件和犯罪罪犯的个人特征的研究，探索了不同社会经济阶层之间以及跨空间的财产和暴力犯罪的广泛模式。尽管多伦多是加拿大最大的城市中心，人口增长迅速，但从空间角度来看，在犯罪分析方面研究不足。在本研究中，使用空间和定量方法分析了2014年至2016年的财产和暴力犯罪数据集以及基于人口普查的Ontario-边缘化指数。空间技术（如Local Moran’s I）用于分析犯罪活动的空间分布，同时考虑空间自相关。测量与犯罪的距离是为了探索犯罪活动的空间行为。进行了普通最小二乘（OLS）线性回归，以探讨个人和邻里人口特征与邻里犯罪率之间的关系。地理加权回归（GWR）用于进一步了解犯罪与OLS模型中包含的自变量之间的空间变化关系。在这三年的研究中，财产犯罪和暴力犯罪在城市核心区、西北部和东端的重大犯罪热点分布相似。OLS模型表明，与犯罪者相关的人口统计数据（即年龄、婚姻状况）是这两种犯罪类型的重要预测因素，但方式不同。邻里关系背景变量由Ontario-边缘化指数的四个维度衡量。它们以不同的方式与暴力犯罪和财产犯罪有着显著的关联。GWR是一个更适合解释不同街区观察到的财产犯罪率变化的模型。它还确定了关系中的空间非国家性。该研究通过加强对犯罪模式和因素的了解，为预防犯罪和安全提供了启示。它指出，不仅需要执法部门，而且需要广泛的社会和经济部门和服务部门建立安全的社区。

1.简介

犯罪活动在城市或地理区域的空间分布往往不均衡[1]犯罪往往集中在特定的街区或环境中[2,三,4,5]. 近年来，利用地理信息系统绘制犯罪地图取得了巨大进展，这是一种增进我们对犯罪模式理解的工具；它取代了警察部队使用的“现场地图”，即在大型街道地图上实际放置别针，以识别犯罪隐患[6]. 除了绘图方法外，还应用了空间统计分析来检查犯罪活动的集中和分散，以及犯罪模式与社区、罪犯和受害者的社会经济特征之间的关系。例如，空间聚类技术用于识别毒品犯罪高（或低）风险区域，这些区域被非随机相似（或不同）风险区域包围[4]. 这种方法可以识别研究区域内各种类型犯罪的统计意义上的“热点”或“冷点”，为犯罪活动和犯罪模式的社会经济和空间背景提供关键见解。研究还发现，犯罪率高的社区与更高程度的经济劣势、更大比例的年轻人以及更大的居住不稳定性有关[5]. 贫困是衡量社会经济劣势的一个关键指标，它是城市环境或大空间单元（如城市）邻里犯罪率的有力决定因素[7].
识别导致犯罪发生的因素一直是犯罪发生和模式研究的中心焦点。研究发现，罪犯的个人特征，如教育程度、性别、年龄、婚姻状况、社会阶层和就业状况，与某些类型的犯罪密切相关[8]. 例如，与受过高等教育的人相比，受教育程度较低的人更有可能犯罪；具体来说，那些高中文凭以下的人更有可能因欺诈或毒品相关犯罪而被监禁[9]. 性别和年龄相互作用，影响各种类型的犯罪。芬兰的一项研究发现，男性和15-30岁年龄段的人群中，财产犯罪和暴力犯罪的发病率都很高[10]. 相比之下，俄罗斯的一项区域研究发现，与商业或毒品相关犯罪相比，更多的女性罪犯被判暴力犯罪[11]. 此外，生活方式理论认为犯罪的发生与人口统计学变量有关，因为这些特征与犯罪者的生活方式有关[12]. 生活方式理论还根据罪犯日常生活的特点，如工作、学校、住房条件和休闲活动，与行为相关[13]. 例如，婚姻状况和低收入被发现与入室行窃受害呈正相关，而居住在独立住宅则被发现与之呈负相关[12].
犯罪研究的一个显著趋势是社会、经济和政治环境（即背景因素）对邻里犯罪变化的影响越来越大。研究邻里环境对犯罪的影响之间的联系，主要是基于社会组织理论，这是一个将环境的生态特征，如经济劣势和种族异质性，与邻里犯罪发生联系起来的关键理论视角[14,15]. 由于可用资源较少，贫困和失业等方面处于高度不利地位的社区往往会遭遇更多犯罪[2,7,16,17]. 在弱势城市或地区内地理位置集中的弱势社区，资源可能特别有限，导致犯罪率更高，尤其是暴力和财产犯罪[7]. 邻里环境可以通过检查犯罪发生的邻里和罪犯居住的邻里来处理。邻里关系可能相同，也可能不同。让我们以罪犯的居住区环境为例。以空地和道路密度为代表的土地利用模式被发现是青少年犯罪的一个重要因素[15]. 相对剥夺理论关注邻里环境对犯罪的潜在影响，以及将自己与“参照群体”进行比较的个人感知到的不平等的作用；例如，以收入不平等程度衡量的收入或资源份额的不公平可能会导致压力或挫折，导致个人采取犯罪行为来应对[18,19]. 虽然确定适当的参照群体以确定个人可能感受到的相对不平等或匮乏是一项挑战，但研究已经利用居民区和大城市来探索邻里不平等与邻里犯罪之间的关系[7,20].
常规活动理论为理解犯罪发生提供了另一个框架，即当一个有动机的人在缺少有能力的监护人的情况下遇到机会（或合适的目标）时[21]. 例如，当潜在犯罪者经常从自己的街区前往较富裕（或较不富裕）的街区并意识到环境的变化时，财产犯罪可能会增加。常规活动理论为理解犯罪地点和犯罪人地点之间的关系以及与犯罪活动相关的空间（或旅行）行为提供了重要的空间手段。
相对较少的研究将背景因素（例如，邻里社会经济条件和环境）和个人（例如，罪犯）特征纳入重大犯罪分析。关注邻里（或城市）环境对犯罪的影响的研究通常使用基于人口普查的剥夺措施或邻里层面的其他属性（如酒馆密度）措施中的环境变量，以确定邻里环境与犯罪率之间的关系[5,16,22]. 这些研究具有显著的空间维度，因为犯罪活动往往集中在社会经济边缘化或贫困地区。调查犯罪与罪犯个人特征之间关系的研究较少涉及地域；他们更多地依赖统计分析，如回归[10])部分原因是由于获取小规模的犯罪（或受害者）地理参考数据或空间数据的挑战，这些数据还提供了有关个人社会经济特征的信息。
本研究旨在确定与多伦多犯罪率相关的犯罪者的邻里因素和个人特征。它采用空间和定量的方法分析了两类主要犯罪：财产犯罪和暴力犯罪。研究文献表明，财产犯罪和暴力犯罪具有不同的空间分布，并与不同的邻里特征相关联，例如芝加哥特有的特征[23]. 加拿大对犯罪空间模式和与特定类型犯罪相关的决定因素进行的学术研究有限。一个例外是，在温哥华市进行的一系列研究采用了空间和统计技术来调查犯罪模式和相关因素[24,25,26,27,28]. 尽管多伦多是加拿大最大的城市中心，人口增长迅速，但对多伦多不同类型重大犯罪的空间分布及其与周边特征和罪犯特征的关系的研究相对较少。本研究使用了多种数据集，包括2014年和2016年财产、暴力犯罪和罪犯特征的地理参考数据，以及2006年安大略省边缘化（on-Marg）指数（研究时邻里层面的最新on-Mag数据），了解犯罪发生地区的社会经济状况。与财产犯罪和暴力犯罪相关的不同因素之间的比较对与犯罪类型和邻里环境相关的犯罪预防和控制产生了重要影响。

2.数据

该研究分析了两个主要的空间数据集，以探索犯罪率的空间分布和集群模式，以及犯罪率、罪犯特征和邻里环境之间的关系。这两个数据集位于城市街区层面，包括从多伦多警察局（TPS）商业情报和分析部门获得的主要犯罪数据和安大略省边缘化指数（On-Marg），这是一个基于人口普查的数据集，用于衡量多伦多市街区层面边缘化的多个维度。
由于数据的机密性，根据《市政信息自由和隐私保护法》，“地方政府机构应保护政府记录中个人个人信息的隐私”[29]，本研究仅使用了邻里层面的汇总犯罪数据。多伦多市共有140个街区。犯罪数据提供了以下信息：（a）2014年至2016年多伦多各街区的财产和暴力犯罪发生率；（b） 选择社区一级被控财产和暴力犯罪的罪犯的社会经济地位（SES）（年龄、性别、婚姻状况、到犯罪地点的距离）；以及（c）罪犯居住地和犯罪地点之间的平均行驶距离。（即犯罪之旅）。
SES变量使我们能够了解不同年龄组、不同性别和婚姻状况组每个街区的罪犯百分比。距离变量测量的是平均直线距离犯罪者从其居住地点到附近犯罪的距离。它是在Alteryx中使用罪犯的邮政编码位置到罪犯的邮政编码位置来计算的。在以前的研究中，假设最短距离可以降低旅行成本，同时最大化犯罪行为的利益[30,31,32]. 产出以公里为单位，分为财产犯罪和暴力犯罪，以确定两组之间的差异。出于保密原因，在研究分析之前，将个人层面计算的距离汇总到邻里层面。计算出的平均旅行距离使我们能够了解财产空间活动和暴力犯罪之间的行为差异，并作为协变量包含在回归模型中。
财产犯罪和暴力犯罪都被TPS视为主要犯罪指标。财产犯罪包括汽车盗窃、闯入和其他盗窃$暴力犯罪包括袭击、抢劫和性侵犯。2014年至2016年，谋杀和凶杀在多伦多所有犯罪指标中所占比例不到1%；他们被排除在研究之外，因为他们的发病率低得多。研究中对财产犯罪和暴力犯罪的关注与文献一致；由于与季节性、旅行距离和犯罪预测因素有关的犯罪模式不同，这两类犯罪被分别研究[16,30,33].
安大略省邻里地理水平的边缘化指数使我们能够了解多伦多邻里的社会经济背景[34]. 它从总共18个人口普查变量中创建了四个指数来量化边缘化的四个维度：居住不稳定、物质匮乏、种族集中和依赖。这些维度是使用主成分因子分析定义的，该分析得出特征值大于1的四个因子[34]. 具体来说，贫困指数是根据6个人口普查变量得出的（25岁以上没有证书、文凭或学位的人口；独居家庭；接受政府转移支付的人口；15岁以上的失业人口）。住宅不稳定指数基于7个人口普查指标（独居比例、5-15岁青年、多单元住房、已婚/公法住房、拥有的住房、与5年前相同的住房以及每个住房的平均人数）。种族集中指数来自两个人口普查变量（最近五年抵达的新移民比例和可见少数民族比例）。抚养指数基于3个人口普查变量（老年人比例、抚养比率、劳动力参与比率）。
研究区域为多伦多市，位于安大略湖西北岸。它由六个人口普查分区组成：埃托比科、约克、北约克、多伦多、东约克和斯卡伯勒。它是加拿大最大的城市，总人口为2731571人，占加拿大人口的8.7%，安大略省人口的22.5%，多伦多人口普查都市区人口的43.8%[35]. 多伦多人口、人口、社会经济和文化高度多样化。目前，最大的年龄组由25至29岁的人组成，65岁以上的人多于15岁以下的人。该市使用140多种语言和方言，51%的多伦多人认为自己是明显的少数民族。大约20%的人口低于低收入临界值（LICO），而加拿大整体为14%。根据[36]2010年，多伦多人口普查大都会区的抢劫、闯入和汽车盗窃率分别为每10万人128、307和171起，而加拿大为89、577和272起。这些比率是2010年前十多年来总体下降趋势的一部分。过去对多伦多犯罪模式的研究使用邻里作为相关的空间尺度[5]. 多伦多目前有140个社区概况，平均约4000人。多伦多市为规划目的划定了邻里边界，使用一个或多个人口普查区边界，这有助于使用加拿大人口普查数据，因为加拿大统计局没有收集邻里级别的地理信息。鉴于多伦多相对同质的社会经济特征和犯罪数据的机密性，该街区被视为多伦多犯罪空间分析的适当单位，这限制了在更精细的空间尺度（包括个人层面）上访问数据。

3.方法

衡量犯罪的空间模式犯罪率是根据财产犯罪和街区暴力犯罪的总数计算的，该总数由街区总人口以100000的比率进行标准化。这种方法在加拿大已经使用多年，对于了解一个城市的犯罪分布，而不报告不成比例的值至关重要[37]. 它还允许系统比较城市暴力犯罪和财产犯罪的空间分布与邻里社会经济不平等的关系。过去的研究表明，在分析犯罪模式和风险因素，特别是暴力犯罪方面，环境人口比基于人口普查的居民人口更有用[28,38]. 环境人口是一天中任何时间和一年中任何一天给定空间单位中人口数量的估计值，反映了人们为了就业、娱乐和其他目的的日常和季节性日常活动[24]. 然而，在研究区域和特定的空间尺度上，环境人口数据并不总是现成的。在一项基于Vancouver的研究中[24]虽然在计算暴力犯罪率时使用环境人口对相对于使用居住人口的空间分析结果产生了影响，但小地理区域（即DA）的影响大于大单位（即人口普查区）的影响。在这些背景下，本文使用基于人口普查的人口数据来衡量邻里一级的犯罪率。
为了研究犯罪的空间分布和聚集模式，应用Local Moran’s I，也称为空间关联的局部指标（LISA），探索犯罪发生之间的空间自相关性，识别热点和冷点以及空间异常值[39]. 这是一种既定的空间技术，已被用于探索各种刑事犯罪的集群，如毒品犯罪和暴力犯罪[4,40,41]. 该方法确定高值或低值在空间上聚集的位置，并显示具有与周围特征非常不同的值的特征。在这项研究中，选择了一阶女王连续性来定义和解释空间关系。这是因为多伦多街区大多是形状不规则的多边形，而相邻的多边形被认为是那些在公共秩序或顶点上至少共享一个点的多边形。
OLS回归和GWR模型。首次采用OLS（普通最小二乘）多元回归模型探讨因变量和自变量之间的全局关系。财产和暴力犯罪是分开建模的。因变量衡量每10万人中财产犯罪和暴力犯罪的犯罪率。自变量包括（1）衡量邻里社会经济状况的On-Marg指数的四个维度（居住不稳定、物质匮乏、种族集中和依赖）；（2）犯罪者的主要特征，包括年龄、婚姻状况和到犯罪地点的平均距离。所有变量都是在邻里水平上测量的。作为一种全球回归技术，OLS回归是探索犯罪率与邻里变量之间关系的有效工具[2,5,42,43,44,45,46]. 已经发现类似的变量与犯罪有关[9,10,11,12].
OLS回归在Esri ArcGIS中运行。输出返回关于残差的多重共线性和空间独立性的诊断统计信息。通过检查方差通货膨胀系数（VIF）值来评估多重共线性。VIF值较大（>7.5）通常表示解释变量之间存在冗余。利用空间自相关系数Global Moran’s I评估回归残差的空间独立性[47]. Global Moran的I指数介于[-1，1]之间，其中1描述了非常强的正自相关（聚类），而-1反映了强烈的负聚类模式。如果该值接近0，则模式对应于随机排列[48,49]. 此测试还返回z（z）-分数和对-指示结果是否具有统计显著性的值。
残差的空间相关性（或自相关）要求使用地理加权回归（GWR）进一步检查因变量和自变量之间的统计关系如何随空间变化[50,51]. GWR是OLS回归的一种局部形式，允许回归参数估计在局部发生变化。在本研究中，它通过合并与每个目标街区带宽内的街区相关的因变量和自变量，为多伦多市的每个街区构建了一个单独的OLS方程。每个邻域（数据集中的一个特征）都与其自身的参数估计相关联。因此，GWR生成了一组参数估计值和伪t吨-随空间变化的重要性值。对于每个变量，Pseudot吨-绘制了值和局部系数。这些参数估计值的空间变化揭示了犯罪率与不同个人和邻里环境所代表的空间变化过程的关联方式。Akaike信息标准（AIC）和调整后的R2为OLS和GWR模型生成，作为模型拟合和性能的指标。

4.调查结果和结果

2014年至2016年，根据《加拿大刑法》，多伦多分别有3419人和21999人被控财产和暴力犯罪(表1). 这些数据没有提供关于同一个人是否与多起犯罪有关联的额外信息，而且在包括在内的一些犯罪中，罪犯实际上可能是同一个人。表2描述了2014年至2016年期间被控财产和暴力犯罪者的一般人口统计特征。18至34岁年龄组在这两种类型的犯罪中所占比例最高。男性罪犯的比例明显高于女性罪犯。单身罪犯的比例高于伴侣罪犯的比例。虽然文献中对收入和种族等其他因素进行了研究，以了解罪犯的人口构成，但由于数据保密性，本研究仅提供了总体邻里水平罪犯的这三个特征（年龄、性别和婚姻状况）。

4.1. 犯罪的空间分布与空间集群

图1描述了2014年至2016年财产和暴力犯罪率的空间分布。这两类犯罪都集中在市中心核心区、东北端（北约克州埃托比科克）和东端（斯卡伯勒）的小范围内。犯罪率最高的街区有西汉伯克莱维尔、伊斯灵顿市中心、约克大学高地、三位一体Bellwoods和沃本。该市中部和西部的犯罪集中度较低。
LISA的统计数据进一步加深了我们对多伦多市犯罪的空间分布和聚集模式的了解。LISA统计数据中，财产犯罪的全球莫兰I值为0.27(z（z）-得分=6.96；对=0.00），暴力犯罪0.40(z（z）-得分=10.23；对=0.00），表示这些数据集中没有空间独立性，多伦多两种犯罪活动的空间分布呈集群状。图2a、 b直观显示财产和暴力犯罪的显著和不显著空间自相关分布。这些地图突出显示了对财产和暴力犯罪具有相对较高和较低重要性的地区。对于这两种犯罪类型，多伦多市中心有几个相当一致的高犯罪率集群，高犯罪率被高犯罪率包围（即正空间自相关）。多伦多东部（斯卡伯勒）有一个孤立的暴力犯罪高发区。多伦多市中心明显存在低度暴力犯罪集群，在多伦多西部（埃托比科）和北约克有几个小区域。城市中更为分散的是高低（负空间自相关），高低集群大多位于多伦多西部和中部（埃托比科和北约克）。

4.2. 犯罪距离变量

犯罪距离测量计算罪犯在多伦多境内居住地点和相应犯罪地点之间的最短距离。承认犯罪之旅的起源不一定是家，犯罪活动所涉及的空间行为远比家与犯罪地点之间的直接旅行模式复杂，计算出的距离提供了犯罪发生地点与罪犯居住地点之间的快速联系。如所示表3暴力犯罪者的平均行驶距离为4.9公里，而财产犯罪者为7.6公里。财产犯罪者的最远距离为49.2公里，暴力犯罪者为36.6公里。这与文献一致，文献表明财产犯罪者的平均旅行距离高于暴力犯罪者[30].

4.3. OLS结果

OLS回归用于探索犯罪率与衡量罪犯特征和邻里社会经济背景的自变量之间的统计关联。由于数据可用性，回归在邻里层面上运行。在进行OLS回归之前，使用皮尔逊相关诊断法（包括所有潜在变量）测试多重共线性。性别被排除在OLS回归之外，因为它与年龄高度相关。自变量和OLS回归结果的最终列表见表4没有发现任何自变量与其他变量高度相关，也没有发现任何自变量与相关系数超过0.7或更高的犯罪率高度相关。此外，报告的VIF值表4均低于7.5，表明OLS估计不存在多重共线性。总的来说，犯罪者的两个特征（18-34岁的占%，夫妻占%）与自变量显著相关；犯罪距离与两种犯罪之间的关系均不显著；不同的On-Margalization指数与不同犯罪的犯罪率有不同的关系。更具体地说，社区犯罪者中18至34岁年龄组比例的增加与暴力犯罪率的增加呈正相关，但与财产犯罪率呈负相关。已婚/普通法同居罪犯比例的增加与暴力犯罪率的下降有很大关系，但与财产犯罪率的上升有很大关系。在安大略省边缘化指数的四个维度中，与更高水平的不稳定和贫困相关的街区与更高的暴力犯罪率显著相关。不稳定程度较高、种族集中程度较低的社区与较高的财产犯罪率显著相关。
调整后的R2表明模型分别解释了暴力犯罪率和财产犯罪率总方差的73%和71%。然而，财产犯罪OLS模型的残差显示出显著的正空间自相关（Global Moran’s I=0.20，对=0.00），这违反了OLS关于残差独立性的假设。为了解决这一局限性，使用GWR模型进一步探索财产犯罪率与因变量之间的关系。在暴力犯罪的情况下，OLS残差呈现随机模式，正如Global Moran’s I测试所诊断的那样（Global Moran's I=-0.08，对= 0.13). 因此，OLS被认为是探索自变量和暴力犯罪率之间关系的一个适当模型，而GWR并不像文献所建议的那样是必需的[52]. 事后分析证实，将GWR应用于暴力犯罪并没有带来改善的结果，调整后的R2仍为0.73。

4.4. 财产犯罪GWR

财产犯罪GWR的结果见表5GWR系数以最小值、25%（或第一个四分位数的最大值）、50%（或第二个四分位的最大）、75%（或第三个四分之一的最大）和最大值的形式报告。调整后的R2GWR为0.80，比OLS回归增加了9%。GWR还产生了减少的AICc。这些模型统计数据表明，GWR是一个更合适的模型，可以解释多伦多不同街区所观察到的80%的财产犯罪率变化。条件数均低于临界值30，表明结果可靠，局部多重共线性在GWR模型中不是问题。
可视化估计的局部加权R2可以了解GWR模型与不同地区观察到的财产犯罪率的吻合程度。图3描述了局部R的分布2，这不是均匀分布在各个街区。总的来说，GWR预测多伦多西部的情况良好，R2值大于0.80。例如，Etobicoke中的Markland Wood、Long Branch和Alder Wood与R相关2值大于0.86。多伦多西端的邻里关系与较低的当地R有关2值。斯卡伯勒的一些街区，如高地溪、百年斯卡伯勒和西山，R值最低2该市为0.66。低R2这表明，其他协变量可能在影响这些街区的当地犯罪活动方面发挥作用。
在GWR模型中，伪t吨统计表明了自变量局部变化系数的重要性。图4显示了伪t吨-截距值和研究区域内的每个自变量。伪t吨通过将系数估计值除以标准误差来计算，具有显著性(对<0.05）定义为伪t吨-值>1.96（正相关）或<−1.96（负相关）[51,53,54,55]. 非重要关系用黄色表示图4在红色/橙色中呈显著正相关，在绿色/浅绿色中呈显著负相关。图5可视化GWR模型中截距和自变量的局部系数。它本质上揭示了独立变量和每个因变量之间关系的方向和强度如何随空间变化。检查两个伪t吨中的曲面图4和系数映射图5对关系中的空间变化产生有用的见解。伪的空间模式t吨通常，局部系数与OLS回归结果在关系方向上是一致的；它们还揭示了局部变化强度和方向关系中的精细空间细节。例如，年龄（18-34岁）和种族集中度与多伦多大多数街区的犯罪率呈显著负相关。例外情况是斯卡伯勒东部（两个变量）和埃托比科西部（种族集中），两者之间的关系并不重要。婚姻状况（即%对夫妻）与绝大多数城市街区的犯罪率显著正相关，斯卡伯勒东区除外。在OLS回归中，剥夺和依赖对财产犯罪率的预测作用都很小。然而，GWR结果揭示了约克、北约克东南角和斯卡伯勒西南角的一组街区，其中财产犯罪率与剥夺呈显著正相关，与依赖呈显著负相关。GWR的调查结果补充了OLS的调查结果，但没有透露当地的细节。

5.讨论、局限性和未来研究

本文探讨了加拿大最大的城市中心街区财产和暴力犯罪的空间模式。它研究了特定罪犯特征和邻里社会经济条件与邻里犯罪率的关联方式。通过使用空间分析技术确定犯罪空间变化和犯罪集群，该研究增加了加拿大基于不同类型重大犯罪的空间犯罪分析的相对较少的文献。使用传统的全球OLS回归和地理加权回归（GWR），该研究同时考虑了犯罪者差异导致的成分效应和街区差异导致的背景效应，以解释犯罪率的差异。通过这样做，它为文献做出了贡献，文献倾向于在预测犯罪发生时分别关注更广泛的邻里（或城市）背景和罪犯个人特征[5,10].
空间分析证实了学术研究的结果，即犯罪并非在空间中随机分布，而是集中在具有特定特征的街区[2,三]. 如所示图2a、 财产犯罪和暴力犯罪在整个城市中的空间分布大致呈U形，与多伦多U形贫困走廊中描述的社会经济地位较低的街区大致一致[56,57]. OLS和GWR模型进一步证实了犯罪率（财产犯罪率和暴力犯罪率）与安大略边缘化指数各维度之间的重要关系。这与将犯罪与邻里社会经济劣势联系在一起的社会无组织理论相呼应[58]. 在研究的三年中（2014-2016年），财产犯罪和暴力犯罪往往聚集在类似的街区，犯罪始终集中在城市核心区，而在城市的西北部和东北部则高度集中，尤其是在财产犯罪方面。与暴力犯罪相比，财产犯罪在社区中表现得更为分散。LISA地图显示了财产犯罪和暴力犯罪在统计上具有显著意义的空间集群。虽然三年的时间可能不足以得出实质性的结论，但财产和暴力犯罪之间的空间差异是显而易见的。
应该指出的是，对于每种犯罪类型，在本研究中，犯罪距离不是邻里犯罪率的重要预测因素，这并不直接支持日常活动理论。然而，在比较这两种犯罪类型时，犯罪距离测量显示，财产犯罪罪犯到犯罪地点的距离要比暴力犯罪罪犯长。这一发现与[30]这表明财产犯罪者的平均出行距离高于暴力犯罪者。这对理解日常活动理论这表明犯罪不仅受到犯罪者的社会经济特征的影响，还受到其他潜在因素的影响，例如个人的意识空间、动机犯罪者的驱动、合适的目标以及缺乏有能力的监护人[59]. 在这方面，我们的研究使用欧几里德距离来衡量居民与犯罪之间的距离，结果与之前基于网络距离的研究一致[30]和基于欧几里得距离[59]. 如果收益超过成本，长途旅行可能会使财产犯罪变得值得。这一发现有助于我们理解理性选择框架，根据该框架，罪犯通过空间结构、层次结构和顺序过程选择目标[60,61]. 此外，在本研究中，发现暴力犯罪在某些街区聚集，这解释了与财产犯罪相比，暴力犯罪的旅行距离更短。这一发现与芝加哥进行的一项研究一致，该研究发现，暴力大多发生在犯罪者居住的街区，或几乎不需要旅行的街区[62]. 在比利时，东欧从事财产犯罪的多名罪犯也被发现比其他罪犯走得更远[63].
这项研究的独特之处在于，它在邻里层面考虑了2014年至2016年被控财产和暴力犯罪的罪犯的邻里社会经济特征和个人人口特征。根据OLS回归，安大略边缘化指数衡量的邻里社会经济状况与财产和暴力犯罪显著相关。对于暴力犯罪，社区不稳定和贫困程度越高，犯罪率越高。对于财产犯罪，社区不稳定程度越高，种族集中程度越低，犯罪率越高。这证实了文献表明犯罪倾向于围绕教育程度低的边缘化和社会弱势社区聚集的广泛模式[64,65]低收入、低物质资源[66,67,68]，劳动力市场参与度低[69]和脆弱的家庭结构，如单亲母亲[70,71]. 罪犯的个人特征与财产和暴力犯罪有不同的联系。表2显示，18至34岁年龄段的犯罪人数最多。这一发现与文献中报道的15-29岁年龄组犯罪率较高的研究结果密切相关[72]囚犯中位年龄为34岁，17岁以下和55岁以上的罪犯比例最低[73]. 无论是财产犯罪还是暴力犯罪，男性罪犯的比例都明显高于女性罪犯。这与之前的研究结果一致，表明存在“性别比例问题”，即女性犯罪的可能性低于男性[10,74]. 就婚姻状况而言，已婚或有共同法律关系的罪犯所占比例大大低于单身罪犯。这一发现可以用夫妻之间的经济和社会支持与稳定以及与单身人士相比更加顺从来解释，这降低了冒犯的可能性[75]. OLS回归结果表明，这些个体变量与不同类型的犯罪表现出不同的统计关系。社区犯罪者中18至34岁年龄组的百分比与暴力犯罪率呈显著正相关，但与财产犯罪率呈明显负相关。已婚/普通法罪犯比例的增加与暴力犯罪率的降低显著相关，但与财产犯罪率的增加相关。到犯罪地点的距离并不是这两种犯罪的重要预测因素。这些关系表明，罪犯的特征与财产和暴力犯罪的发生有着复杂的联系。它还呼吁进一步探讨其他罪犯特征（如就业、种族）和背景因素（如犯罪地区/设施、建成环境、服务可及性），这些可能会加强我们对多伦多财产行为和暴力犯罪的理解。
GWR已在之前的研究中用于模拟疾病传播、犯罪、环境正义和健康等环境中的空间变化关系[53,76,77,78]. 该研究的GWR部分为正在兴起的加拿大学者提供了方法学启示，该学者利用GWR探索犯罪模式[79,80,81]. GWR对财产犯罪的调查结果是对OLS回归结果的补充，OLS回归揭示了因变量和自变量之间的全局关系，但隐藏了这些关系中的重要局部变化。GWR结果确定了关系中的空间非国家性，并对犯罪率和每个独立变量之间的空间变化的局部关系提供了额外的见解。如前所述，本地R2surface揭示了回归模型在多大程度上符合不同街区观察到的财产犯罪率。例如，斯卡伯勒东南部的街区的R值最低2在多伦多，这表明了本研究中未捕获到的其他协变量或犯罪因素。树木覆盖率和道路密度可能是需要探索的潜在因素，尤其是在这些街区，因为它们与加拿大的财产犯罪率有着显著的关联[82]. 类似地，检查伪t吨统计数据和局部系数使我们能够了解不同邻里之间关系的重要性、强度和方向。例如，尽管种族集中与财产犯罪率有显著的负相关，但在城市的西端和东端却不存在同样的显著关系。
该研究有一些不可避免的局限性，但对未来的研究具有重要意义。首先，尽管有许多公认的影响犯罪的因素，如社会组织理论等各种理论所建议的，但很难获得罪犯特征的数据。出于保密的原因，也在邻里一级汇总了现有数据。本研究没有种族、移民身份、就业状态和收入等敏感数据。未来的研究将受益于在更精细的地理范围内，使用相同的方法，获得更广泛的罪犯特征，从而有能力分析这些特征。特别是，个人层面的罪犯特征数据可以通过使用多层次逻辑回归方法对犯罪相关因素进行更准确的分析，在这种方法中，个人层面和邻里层面的因素可以一起建模。或者，可以将点犯罪数据转换为小六边形，以匿名化犯罪数据，以便进行更详细的空间分析[83]. 此外，尽管该研究分析了2014年至2016年期间的犯罪事件，但并未涵盖很大的时间跨度。如果进行更广泛的分析，考虑到更长的时间段，将能够更恰当地检查按月份或年份划分的时间趋势和邻里犯罪的空间模式，以及影响犯罪率变化的因素。它还将捕获随时间发生的不同或类似变化，并允许进行更准确的分析。
其次，并非研究期间的所有犯罪都向警方报告。未能报告的常见因素包括公众对警方的不满、警方的不当行为、恐惧以及可能导致个人不向警方报告的社会经济因素[84]. 第三个问题与所使用的GWR方法有关，该方法在应用于大型数据集时产生最佳结果。该研究的可用数据是邻里层面的，样本规模为140，因为多伦多有140个邻里。未来的研究可以考虑更大的研究领域，以增加使用GWR建模犯罪因素的样本量。第四，研究区以多伦多市和郊区之间的行政边界为界。没有多伦多市以外地区的数据。这表明存在局限性，因为人工边界以外的特征可能解释城市周边某些街区的犯罪频率和犯罪热点。未来的研究应调查与城市郊区边界附近集群相邻的郊区社区的犯罪、人口和社会经济因素。
此外，必须承认可修改面积单位问题（MAUP），因为使用的数据是从个人到邻里级别的汇总。由于缩放和分区效应，当数据与两个不同的地理级别交叉时，信息可能会出现过度代表或代表不足的情况[85]. 不确定地理环境问题（UGCoP）对于研究邻里犯罪与预定义地理单元（即多伦多邻里）所代表的邻里特征之间的关系也很重要。UGCoP对基于区域的属性的影响提出质疑，这些属性可能会受到周边单元地理划分方式的影响[86]. 许多研究使用了不同地理水平的人口普查数据，将邻里联系起来，试图了解犯罪活动[2,5,14,15,45]. 然而，这些区域单元是否是以有意义的方式影响犯罪行为的街区的真实代表，这是值得怀疑的。罪犯可能有个人活动空间和超越行政定义边界的独特旅行模式，这可能会导致其测量的社区与实际社区之间的差异。在未来的研究中，应侧重于从与罪犯和/或受害者的访谈中收集定性信息，并将个人行为数据纳入犯罪集群、犯罪“旅程”以及犯罪预测因素与犯罪发生之间的关系的空间分析中。这种方法可以解决一些“不确定的地理环境”，并阐明邻里关系对犯罪的影响。或者，应探索多伦多街区周围人口的可用性和使用情况，以捕获因日常工作或非工作目的而出现在空间中的非居民人口[24]. 在未来的研究中，应比较基于周围人口和居住人口计算的犯罪率差异及其对犯罪模式和空间分析的影响。

6.含义

研究结果对制定战略和分配现有资源以支持一系列减少犯罪的方法具有重要意义。该研究展示了托伦托地区的地理热点，这些热点显然容易受到财产和/或暴力犯罪活动的影响。一些集群对应于一段时间以来在社会经济上处于不利地位的社区。安全和健康的社区需要超越今天的合作水平。迫切需要有针对性的干预措施，通过减少或预防这些街区的犯罪来改善公共安全。然而，这些举措并不仅仅是执法部门的责任。他们应该成为社区联合努力的一部分，在高风险个人和社区中实施减少犯罪战略。推动以社区为基础的解决方案的一个成功模式是FOCUS Rexdale（加强我们的社区，团结我们的服务），这是一项创新的社区安全和健康倡议，由多伦多市、多伦多联合之路和多伦多警局牵头，旨在减少犯罪、受害并提高社区复原力和福祉[87,88]. 鉴于犯罪行为的复杂性，应在私人和公共组织、地方政府和公众的社会服务部门之间共同努力。正如所指出的[89]至关重要的是，必须建立地方合作伙伴关系，以支持政府预防犯罪和社区安全举措。此外，加强社区内的能力正变得越来越必要，最恰当的做法是利用各种利益相关者组织的优势，采用协作方式。将安全和安保作为基本支柱的健康社区只能从服务提供商的合作中受益。TPS目前正在进行现代化进程。这说明需要加强社区警察伙伴关系，以及对整个城市的街区和当地资源有透彻了解的警察的专门支持[90]. 重点放在支持健康社区的伙伴关系上。利用公共、非政府和私人组织中现有或未来合作伙伴关系的机会的需求只会增加。研究人员和未来的研究人员必须考虑合作对理解犯罪的益处，并提出合理的解决方案和有效的减少犯罪战略。

作者贡献

L.W.编写了手稿，修改了手稿、改进了分析并协调了项目。G.L.进行了数据清理和部分数据分析，为文献审查做出了贡献，并提供了书目和制图帮助。I.W.为方法框架做出了贡献，并为分析和讨论提供了宝贵的投入。

基金

本出版物由莱尔森大学艺术学院院长办公室提供的特别项目拨款支持。

致谢

作者希望感谢多伦多警察局为本项目提供的数据。非常感谢莱尔森大学艺术学院院长办公室提供的财政支持。

利益冲突

作者声明没有利益冲突。

工具书类

  1. Brantingham，P.J.犯罪多样性。犯罪学 2016,54, 553–586. [谷歌学者] [交叉参考]
  2. M·查伦。安大略省多伦多市的邻里特征与犯罪分布：青少年犯罪分析; 加拿大统计局和加拿大司法统计中心：渥太华，安大略省，加拿大，2011年；编号85-561。
  3. Lersch，M.K。；哈特，C.T。空间、时间与犯罪; 卡罗琳学术出版社：达勒姆，北卡罗来纳州，美国，2011年。[谷歌学者]
  4. 快，M。；Law，J.探索多伦多毒品犯罪热点：四种本地空间聚类检测方法的比较。可以。《克里米诺杂志》。深红。正义/Rev.Can。去犯罪。Et De Justice Penale律师事务所 2013,55, 215–238. [谷歌学者] [交叉参考]
  5. 汤普森，S.K。；Gartner，R.多伦多社区凶杀案的空间分布和社会背景。J.Res.犯罪。 2014,51, 88. [谷歌学者] [交叉参考]
  6. Wang，F.为什么警察和警务需要GIS：概述。地理信息系统年鉴 2012,18, 159–171. [谷歌学者] [交叉参考]
  7. A.W.张伯伦。；Hipp，J.R.这都是相对的：集中在社区内部和社区之间的劣势，以及社区犯罪的后果。J.克里姆。正义 2015,43, 431–443. [谷歌学者] [交叉参考]
  8. 布罗迪，L.M。；Daday，J.K。；克兰德尔，C.S。；斯科拉，D.P。；Jost，P.F.探索杀人犯罪者和受害者之间的人口、结构和行为重叠。凶杀现场。 2006,10, 155–180. [谷歌学者] [交叉参考]
  9. 韦塞拉克（Veselak），K.M。教育程度与被监禁罪犯犯罪类型之间的关系。J.正确。教育部。 2015,66, 30. [谷歌学者]
  10. Elonheimo，H。；Gyllenberg，D。；哈图恩，J。；Ristkari，T。；Sillanmaki，L。；Sourander，A.，1981年全国出生队列中15-30岁男性和女性的犯罪行为：来自FinnCrime研究的结果。J.Adolesc。 2014,37, 1269–1279. [谷歌学者] [交叉参考]
  11. Kaplun，O.俄罗斯的女性犯罪：一份来自流放地的研究报告。国际竞争杂志。申请。深红。正义 2017,41, 231. [谷歌学者] [交叉参考]
  12. Soo Chon，D.住宅盗窃受害：家庭和国家级混合建模。国际版次Vict。 2017,23, 47–61. [谷歌学者] [交叉参考]
  13. Maxfield，M.犯罪的生活方式和日常活动理论：关于受害、犯罪和罪犯决策的实证研究。J.数量。犯罪分子。 1987,三, 275–282. [谷歌学者] [交叉参考]
  14. 奥斯古德，D.W。；Anderson，A.L.非结构化社交和犯罪。犯罪学 2004,42, 519–549. [谷歌学者] [交叉参考]
  15. 法律，J。；快，M。；Chan，P.开放面积和道路密度作为小面积青少年罪犯居住地点的土地利用指标：加拿大安大略省的案例研究。城市研究。 2016,53, 1710–1726. [谷歌学者] [交叉参考]
  16. 菲茨杰拉德，R。；Wisener先生。；萨沃伊，J。温尼伯的邻里特征与犯罪分布; 加拿大统计局：犯罪与司法研究论文系列；加拿大司法统计中心：渥太华，安大略省，加拿大，2004年。
  17. Bursik，R.J.《社会解体与犯罪与犯罪理论：问题与前景》。犯罪学 1988,26, 519–551. [谷歌学者] [交叉参考]
  18. Agnew，R.犯罪抵抗力和敏感性理论。犯罪学 2016,54, 181–211. [谷歌学者] [交叉参考]
  19. 川崎，I。；肯尼迪，B.P。；威尔金森，R.G.《犯罪：社会混乱和相对剥夺》。社会科学。医学。 1999,48, 719–731. [谷歌学者] [交叉参考]
  20. Hipp，J.R.Block，tract，and levels of aggregation：邻里结构与犯罪和混乱，作为一个恰当的例子。美国社会学。版次。 2007,72, 659–680. [谷歌学者] [交叉参考]
  21. 科恩，L.E。；Felson，M.《社会变化与犯罪率趋势：日常活动方法》。美国社会学。版次。 1979,44, 588–608. [谷歌学者] [交叉参考]
  22. Fitterer，J.L.公司。；Nelson，T.A.对用于研究酒精犯罪的统计和定量方法的回顾。公共科学图书馆 2015,10，e0139344。[谷歌学者] [交叉参考]
  23. 施雷克，J。；Jean，M。；David，S.K.《暴力社区的起源：芝加哥社区犯罪类型分化的性质和预测因素研究》。法官Q。 2009,26, 771–794. [谷歌学者] [交叉参考]
  24. Andresen，M.A.加拿大温哥华的区位商、周围人口和犯罪空间分析。环境。计划。A类 2007,39, 2423–2444. [谷歌学者] [交叉参考]
  25. Andresen，M.A.环境人口与犯罪分析。Geogr教授。 2011,63, 193–212. [谷歌学者] [交叉参考]
  26. Andresen，M.A.使用（多项式）Logistic回归预测当地犯罪集群。城市景观 2015,17, 249–262. [谷歌学者]
  27. Andresen，M.A.：基于区域的非参数空间点模式测试：测试、应用和未来。Methodol公司。创新。 2016,9, 2059799116630659. [谷歌学者] [交叉参考]
  28. 北卡罗来纳州马勒森。；Andresen，M.A.时空犯罪热点和周围人口。犯罪科学。 2015,4, 1–8. [谷歌学者] [交叉参考]
  29. 工控机。安大略省市政信息自由和隐私保护法案：迷你指南; 信息和隐私专员：加拿大安大略省渥太华，2014年。[谷歌学者]
  30. Ackerman，J.M。；罗斯莫，D.K.旅行多远？居住与犯罪距离的多层次分析。J.数量。克里米诺。 2015,31, 237–262. [谷歌学者] [交叉参考]
  31. 绘制，G。；Walker，J.T。；Felson，M.青少年罪犯：对犯罪距离和犯罪集群的研究。制图员。地理。信息科学。 2015,42, 122–133. [谷歌学者] [交叉参考]
  32. 霍奇金索伊，S。；Tilley，N.犯罪旅行：瞄准受害者。国际版次Vict。 2007,14, 281–298. [谷歌学者] [交叉参考]
  33. 科恩，E.G。；Breetzke，G.D.南非茨瓦内暴力和财产犯罪的周期性。国际深红。正义Rev。 2017,27, 60–71. [谷歌学者] [交叉参考]
  34. F.I.马西森。；邓恩，J.R。；Smith，K.L.公司。；莫因丁，R。；Glazier，R.H.《加拿大边际化指数的发展：研究不平等的新工具》。可以。公共卫生杂志 2012,103，S12–S16。[谷歌学者]
  35. 加拿大统计局。人口普查; 加拿大统计局：渥太华，安大略省，加拿大，2016年。
  36. Brennan，S。；M.多弗涅。2011年加拿大警方报告的犯罪统计数据; 加拿大统计局目录的组成部分；法学家：加拿大司法统计中心：渥太华，安大略省，加拿大，2011年；编号85-002-X。
  37. Keighley，K。2016年加拿大警方报告的犯罪统计数据; 加拿大统计局：渥太华，安大略省，加拿大，2017年。
  38. 费尔森，M。；Boivin，R.城市里每天都有犯罪活动。犯罪科学。 2015,4, 1–10. [谷歌学者] [交叉参考]
  39. Anselin，L.空间关联的局部指标——LISA。地理。分析。 1995,27, 93–115. [谷歌学者] [交叉参考]
  40. 科恩，J。；Tita，G.杀人扩散：探索检测空间扩散过程的通用方法。J.数量。克里米诺。 1999,15, 451–493. [谷歌学者] [交叉参考]
  41. A.T.穆雷。；McGuffog，I。；Western，J.S。；Mullins，P.研究城市犯罪的探索性空间数据分析技术。Br.J.克里米诺。 2001,41, 309–329. [谷歌学者] [交叉参考]
  42. Durlauf，S.N。；纳瓦罗，S。；Rivers，D.A.了解总体犯罪回归。《经济学杂志》。 2010,158, 306–317. [谷歌学者] [交叉参考]
  43. Lee，C.死亡中的生命价值：洛杉矶县凶杀案侦破的多元回归和事件历史分析。《压汞杂志》。正义 2005,33, 527–534. [谷歌学者] [交叉参考]
  44. Lee，M.R.农村地区的宗教制度基础和暴力犯罪。科学杂志。研究遗迹。 2006,45, 309–324. [谷歌学者] [交叉参考]
  45. 华莱士，M。；Wisener，M。；柯林斯，K。里贾纳的邻里特征与犯罪分布; 加拿大统计局：渥太华，安大略省，加拿大，2006年。
  46. 萨沃伊，J。Edmonton、Halifax和Thunder Bay的邻里特征和犯罪分布; 加拿大统计局：渥太华，安大略省，加拿大，2008年。
  47. Moran，P.A.P.统计图的解释。J.R.统计社会服务。B类 1948,10, 243–251. [谷歌学者] [交叉参考]
  48. Jacquez，G.M.健康事件中的空间聚类和自相关。在区域科学手册; 施普林格：德国柏林/海德堡，2014年；第1311e1334页。[谷歌学者]
  49. 罗杰森，P。；我是雅马哈。地理集群的统计检测与监测; CRC出版社：美国佛罗里达州博卡拉顿，2008年。[谷歌学者]
  50. Anselin，L。；科恩，J。；库克，D。；戈尔，W。；Tita，G.犯罪的空间分析。深红。正义 2000,4, 213–262. [谷歌学者]
  51. Nakaya，T。；Fotheringham，A.S。；布伦斯顿，C。；Charlton，M.用于疾病关联映射的地理加权泊松回归。统计医学。 2005,24, 2695–2717. [谷歌学者] [交叉参考] [绿色版本]
  52. 林，C。；Wen，T.使用地理加权回归（GWR）探索未成熟蚊子和人类密度与登革热发病率的空间变化关系。国际环境杂志。Res.公共卫生 2011,8, 2798–2815. [谷歌学者] [交叉参考] [公共医学]
  53. 布伦斯顿，C。；福瑟林厄姆，A.S。；Charlton，M.E.地理加权回归：探索空间非平稳性的方法。地理。分析。 1996,28, 281–298. [谷歌学者] [交叉参考]
  54. Fotheringham，A.S。；布伦斯顿，C。；M·查尔顿。地理加权回归：空间变化关系分析; 约翰·威利父子公司：英国奇切斯特，2002年。[谷歌学者]
  55. Kuo，C.C。；Wardrop，N。；Chang，首席技术官。；王，H.C。；Atkinson，P.M.主要国际港口在台湾鼠伤寒分布中的意义。PLoS忽略。特罗普。数字化信息系统。 2017,11，e0005430。[谷歌学者]
  56. J.D.Hulchanski，《多伦多的三座城市：多伦多邻里之间的收入两极分化》。在线可用：https://tspace.library.utoronto.ca/bitstream/1807/91269/1/The%20Three%20Cities_tspace.pdf（2018年1月20日访问）。
  57. 科尔帕克，P。；Wang，L.探索糖尿病的社会和社区预测因素：多伦多和芝加哥的比较。主要。卫生保健研究开发。 2017,18, 291–299. [谷歌学者] [交叉参考] [公共医学]
  58. T.C.哈特。；Waller，J.《社区边界和社会混乱的结构决定因素：检查常用措施的有效性》。西部。犯罪分子。版次。 2013,14, 16. [谷歌学者]
  59. 绘制，G。；Thomas，S.A.公司。；Hart，T.C.常规活动理论与被捕可能性：结合方法的复制和扩展。J.康特姆。深红。正义 2017,33, 121–132. [谷歌学者] [交叉参考]
  60. 科尔曼，J.S。；T.J.法拉罗。理性选择理论; 塞奇：纽约，纽约，美国，1992年。[谷歌学者]
  61. Vandeviver，C。；Van Daele，S。；Vander Beken，T.是什么使长途犯罪旅行值得进行？平衡窃贼犯罪过程中的成本和收益。Br.J.刑事犯罪。 2015,55, 399–420. [谷歌学者] [交叉参考]
  62. R座。；Galary，A。；Brice，D.犯罪之旅：芝加哥的受害者和罪犯在暴力指数犯罪中汇聚。安全。J。 2007,20, 123–137. [谷歌学者] [交叉参考]
  63. Van Daele，S。；Vander Beken，T.“流动犯罪集团”犯罪之旅。警察。国际警察战略杂志。管理。 2010,33, 339–353. [谷歌学者] [交叉参考] [绿色版本]
  64. Lochner，L.公司。；教育对犯罪的影响：来自囚犯、逮捕和自我报告的证据。美国经济。版次。 2004,94, 155–189. [谷歌学者] [交叉参考]
  65. 费拉，G。；Gallipoli，G.生命周期中的教育与犯罪。经济收益率。螺柱。 2014,81, 1484–1517. [谷歌学者] [交叉参考]
  66. DeGuzman，P.B。；Merwin，E.I。；Bourguignon，C.人口密度、到公共交通的距离以及低收入社区妇女的健康。公共卫生中心。 2013,30, 478–490. [谷歌学者] [交叉参考] [公共医学]
  67. R.O.Pitner。；Yu，M。；布朗，E。哪个因素影响更大？对低收入非裔美国人的收入水平、感知到的社区混乱和犯罪对社区护理和警惕性的影响进行了研究。种族社会学问题。 2013,5, 57–64. [谷歌学者] [交叉参考]
  68. Kilewer，W.《社区集体效能感和犯罪恐惧在低收入社区应对暴力社会化中的作用》。《社区心理学杂志》。 2013,41, 920–930. [谷歌学者] [交叉参考] [公共医学]
  69. Altindag，D.T.犯罪与失业：来自欧洲的证据。法律经济学国际修订版。 2012,32, 145–157. [谷歌学者] [交叉参考]
  70. Neises，G。；Grüneberg，C.单亲父母的社会经济状况和健康结果。J.公共卫生 2005,13, 270–278. [谷歌学者] [交叉参考]
  71. 贾布隆斯卡，B。；Lindberg，L.不同家庭结构青少年的风险行为、受害和精神痛苦。精神病学学会。流行病。 2007,42, 656–663. [谷歌学者] [交叉参考] [公共医学]
  72. O'Brien，R.M.相对队列规模和特定年龄的犯罪率：一个年龄-周期-相关的短期模型。犯罪学 1989,27, 57–78. [谷歌学者] [交叉参考]
  73. 波特，J.R。；雷德，东北部。；Cossman，J.S.《社会混乱与邻里恐惧：考察个人、社区和县域特征的交叉点》。Am.J.克里姆。正义 2012,37, 229–245. [谷歌学者] [交叉参考]
  74. Kruttschnitt，C.性别与犯罪。社会学年鉴。 2013,39, 291–308. [谷歌学者] [交叉参考]
  75. 巴恩斯，J.C。；金色，K。；曼奇尼，C。；Boutwell，B.B。；K.M.海狸。；Diamond，B.婚姻与犯罪：在全国代表性样本中考虑相互影响。法官Q。 2014,31, 229–256. [谷歌学者] [交叉参考]
  76. Ge，Y。；Song，Y。；Wang，J。；刘，W。；任，Z。；彭杰。；Lu，B.中国北方疟疾发病率的基于地理加权回归的决定因素。事务处理。地理信息系统 2017,21, 934–953. [谷歌学者] [交叉参考]
  77. 吉尔伯特，A。；Chakraborty，J.使用地理加权回归进行环境正义分析：佛罗里达州空气毒物的累积癌症风险。社会科学。物件。 2011,40, 273–286. [谷歌学者] [交叉参考]
  78. 卡希尔，M。；Mulligan，G.使用地理加权回归探索当地犯罪模式。社会科学。计算。版次。 2007,25, 174–193. [谷歌学者] [交叉参考]
  79. Malczewski，J。；Poetz，A.安大略省伦敦的住宅盗窃和社区社会经济背景：全球和地方回归分析。Geogr教授。 2005,57, 516–529. [谷歌学者] [交叉参考]
  80. Ali，K。；医学博士帕特里奇。；Olfert，M.R.地理加权回归能改善区域分析和政策制定吗？国际注册科学。版次。 2007,30, 300–329. [谷歌学者] [交叉参考]
  81. Boivin，R.日常活动、人口和犯罪：关于邻里犯罪与人口联系的空间异质性和相互矛盾的命题。申请。地理。 2018,95, 79–87. [谷歌学者] [交叉参考]
  82. Ye，C。；陈，Y。；Li，J.调查树木覆盖率和道路密度对财产犯罪的影响。ISPRS国际地理信息杂志。 2018,7, 101. [谷歌学者] [交叉参考]
  83. Pánek，J。；Pászto，V.《地方邻里规划中的情感映射：捷克共和国Příbram的案例研究》。国际J.E计划。决议（IJEPR） 2017,6, 1–22. [谷歌学者] [交叉参考]
  84. 俄罗斯伏尔加格勒地区未报告的犯罪、公众对警察的不满以及观察到的警察不当行为：一份研究报告。国际竞争杂志。申请。深红。正义 2014,38, 305–325. [谷歌学者] [交叉参考]
  85. 亨特，J.M。犯罪热点会移动吗？可修改区域单位问题和可修改时间单位问题对犯罪热点稳定性的影响; Proquest LLC.：美国华盛顿特区，2016年。[谷歌学者]
  86. Kwan，M.P.不确定的地理环境问题。美国地质协会年鉴。 2012,102, 958–968. [谷歌学者] [交叉参考]
  87. 多伦多市。简报：聚焦多伦多。2016年。在线提供：https://www.toronto.ca/legdocs/mmis/2016/cc/comm/communicationfile-58904.pdf)（2018年1月20日访问）。
  88. Ng、S。；Nerad，S.《FOCUS Rexdale试点项目评估》。在线可用：https://www.usask.ca/cfbsjs/research/pdf/researc_reports/EvaluationoftheFOCUSRexdalePilotProject.pdf（2018年1月20日访问）。
  89. Sheperdson，P。；克兰西，G。；Lee，M。；Crofts，T.社区安全和预防犯罪伙伴关系：挑战与机遇。国际刑事司法协会。 2014,三, 107–120. [谷歌学者] [交叉参考]
  90. 多伦多警察局。行动计划：前进之路。2017年。在线提供：https://www.torontopolice.on.ca/TheWayForward网站/（2018年1月20日访问）。
伊吉08 00051 g001 550
图1。2014-2016年多伦多社区的财产和暴力犯罪率（每100000人）。
图1。2014-2016年多伦多社区的财产和暴力犯罪率（每100000人）。
伊吉08 00051 g001
伊吉08 00051 g002 550
图2。(一)2014–2016年LISA财产犯罪统计图。(b条)2014–2016年LISA暴力犯罪统计图。
图2。(一)2014–2016年LISA财产犯罪统计图。(b条)2014–2016年LISA暴力犯罪统计图。
伊吉08 00051 g002
国际货币基金组织08 00051 g003 550
图3。调整后局部R的分布2GWR模型中的财产犯罪。
图3。调整后局部R的分布2GWR模型中的财产犯罪。
伊吉08 00051 g003
伊吉08 00051 g004 550
图4。伪t吨-截距和自变量的值。
图4。伪t吨-截距和自变量的值。
伊吉08 00051 g004
伊吉08 00051 g005 550
图5。截距和自变量的GWR局部系数。
图5。截距和自变量的GWR局部系数。
伊吉08 00051 g005
表
表1。2014-2016年被指控的罪犯数量。
表1。2014-2016年被指控的罪犯数量。
罪犯2014–2016
财产犯罪3419
暴力犯罪21,999
总计25,418
表
表2。2014-2016年财产和暴力犯罪罪犯的人口统计特征。
表2。2014-2016年财产和暴力犯罪罪犯的人口统计特征。
罪犯特征财产犯罪%（n=3419）暴力犯罪%（n=21999）
年龄（%）
≤1798
18–345051
35–543632
≥5558
性别（%）
男性8983
女性1116
婚姻状况（%）*
单身（单身、离异、分居、丧偶）5937
夫妻（普通法，已婚）917
*大约32%的人缺少婚姻状况数据。只有年龄和性别是强制性信息。
表
表3。与犯罪的距离。
表3。与犯罪的距离。
统计财产犯罪（公里）暴力犯罪（公里）
平均7.64.9
中值的4.21.3
最小值00
最大值49.236.6
表
表4。暴力犯罪和财产犯罪的普通最小二乘回归结果（n=140）。
表4。暴力犯罪和财产犯罪的普通最小二乘回归结果（n=140）。
参数系数标准误差对-价值VIF（振动频率）
财产犯罪模型
拦截13.94 *3.230
%年龄（18至34岁）−81.31 *12.9701.72
%情侣1340.09 *75.7801.57
距离犯罪0.500.450.2671.27
不稳定性指数5.12 *2.010.0121.48
贫困指数2.082.060.3141.92
种族集中指数−6.26 *1.4501.87
依赖关系索引−1.513.210.6401.31
调整后R20.71
AIC公司1136.98
暴力犯罪模型
拦截71.43 *14.830
%年龄（18至34岁）297.79 *25.3803.25
%情侣−525.68 *116.8603.37
距离-犯罪0.963.810.8011.56
不稳定性指数13.51 *6.330.0351.70
贫困指数37.78 *6.5302.23
种族集中指数−5.164.670.2712.22
依赖关系索引−11.409.400.2281.29
调整后R20.73
AIC公司1439.48
*指对值小于0.001。
表
表5。财产犯罪的地理加权回归（GWR）结果。
表5。财产犯罪的地理加权回归（GWR）结果。
参数分钟25%第50百分位第75个百分点马克斯
拦截8.9210.2411.9915.2127.76
%年龄（18至34岁）−131.79−92.89−74.69−68.22−16.58
%情侣494.911245.571478.911558.481695.65
不稳定性−1.522.323.224.108.94
剥夺−7.03−0.663.015.7912.92
种族集中度−8.18−6.75−5.43−4.75−1.62
附属国−14.15−7.93−3.490.823.88
与犯罪的距离−0.460.300.480.581.13
条件编号6.797.127.588.3114.06
调整后R20.80
AICc公司1102.7

分享和引用

MDPI和ACS样式

Wang，L。；Lee，G。；威廉姆斯，I。多伦多社区财产和暴力犯罪的空间和社会模式：空间定量方法。ISPRS国际地理信息杂志。 2019,8, 51.https://doi.org/10.3390/ijgi8010051

AMA风格

王力、李G、威廉姆斯一世。多伦多社区财产和暴力犯罪的空间和社会模式：空间定量方法。ISPRS国际地理信息杂志. 2019; 8(1):51.https://doi.org/10.3390/ijgi8010051

芝加哥/图拉宾风格

王、卢、加比·李和伊恩·威廉姆斯。2019.“多伦多社区财产和暴力犯罪的空间和社会模式：空间定量方法”ISPRS国际地理信息杂志8，编号1:51。https://doi.org/10.3390/ijgi8010051

请注意，从2016年第一期开始，该杂志使用文章编号而不是页码。请参阅更多详细信息在这里.

文章指标

返回页首顶部