2. 辛辛那提大学 地理系, 辛辛那提OH 45221-0131
2. Department of Geography, University of Cincinnati, Cincinnati OH 45221-0131, USA
公共空间盗窃是与人们日常出行活动联系最为密切的犯罪活动之一,也是发生率最高的案件之一,在影响城市公共安全等问题中扮演着重要的角色,因此成为国内外学者关注的焦点[1,2]和警务部门犯罪预防的重点。随着道路网逐渐密集和道路类型多元化,城市空间结构也日趋复杂,带来了更为复杂的社会环境和建成环境,为犯罪者提供了更多的犯罪机会。因此,明确道路在影响犯罪发生中扮演的角色,并且进行有效的防控,仍然是当今社会工作重点之一。
道路密度对犯罪率存在影响已经得到了大量的实证研究[3-8]。不同学者着眼于道路的不同方面对犯罪率的影响,一部分学者未划分道路类型探讨道路密度与犯罪的关系[5],如2015年Sohn等人探讨西雅图的道路密度与犯罪之间的关系时将所有类型道路作为一个整体进行考虑。一部分学者仅仅以主干道和次干道密度为代表作为影响犯罪率的一个因子进行研究[2,9,10],如2014年Maha在探讨犯罪的空间分布时将主干道和次干道密度作为影响犯罪的一个因子;2014年刘大千在探讨长春市“两抢两盗”的空间分布时亦使用主干道和次干道密度作为道路密度的代表。也有部分学者的研究着眼于不可通车道路密度与犯罪的关系[4,11,12],如2010年Johnson提出不可通车道路密度高犯罪率低的观点等。
还有相关研究着眼于道路通达度等属性对犯罪率的影响及其机制的分析。相关研究主要存在以下观点:①部分学者认为高的道路通达度等属性容易产生犯罪[3,8,13-15],如1972年的可防卫空间理论指出高的道路通达度产生高的犯罪率;2015年Davies使用分层线性模型对英国伯明翰市入室盗窃进行研究时发现道路的通达性越好犯罪率越高等。②一部分学者则认为高的道路通达度等属性产生低的犯罪率[6,16,17],如2000年和2003年Shu使用空间句法方法分别对伦敦和台湾北部小镇的道路通达度与犯罪的关系进行分析,发现道路通达度高的地方犯罪率低[14]。道路密度与道路通达性之间的相关关系也得到了许多学者的证实[13]。
不同类型道路密集的区域建成环境和社会环境存在较大的差异,成为不同类型道路密度对犯罪率的影响存在差异的原因,因此针对建成环境和社会环境的犯罪防控显得尤为重要。早在20世纪80年代,西方城市对犯罪防控的探索就已经着眼于建成环境[18]与犯罪的互动关系,探讨零售商业设施、娱乐场所、餐饮设施、道路网络密度、交通以及土地利用方式等对犯罪的影响[5,7,19],积累了大量经验,并逐渐产生了犯罪分布理论、可防卫空间理论[20]等相关理论。在犯罪防控的探索过程中,社会环境对犯罪的影响也得到学者的广泛关注,相关研究存在一定的共性,均发现社会环境[21,22]中人口地域结构、年龄结构、知识水平等方面对区域内犯罪率影响显著[14,23,24],社会失序理论[25]、理性选择理论[26]等理论成果随之产生。
总结前人的研究,有学者将所有类型道路作为一个整体探讨道路密度与犯罪的关系,有的学者仅仅着眼于主干道和次干道作为道路的代表探讨道路密度与犯罪的关系,还有学者探讨不可通车道路密度与犯罪的关系。然而不同类型道路在建成环境、社会环境等各种属性方面存在较大的差异,将所有类型道路归为一类或者选取其中某几类作为代表忽略了不同类型道路建成环境和社会环境等属性的差异。
采用何种方式来探讨不同类型道路与犯罪的关系对结果产生一定的影响。定性分析[8]、多元线性回归模型[5]、分层线性回归模型[3]和空间句法[6]等方法被用于探讨道路与犯罪之间的关系。在大多定量分析中,学者使用了道路密度作为衡量道路对犯罪的影响的指标[3,11]。使用不同的方法会有研究结果的差异,这种差异产生可以归为研究方法不同和研究区域内社会经济环境不同等原因。在研究中各种方法均具有自身的局限性,如使用空间句法的局限在于不能将道路的建成环境和社会环境等因素考虑在内等等,考虑本文分析的需求和已有数据,我们采用多元线性回归模型进行分析。
基于上述分析,本文以ZG市的城市主干道、城市次干道、城市支路、其他可通车道路和不可通车道路为研究对象,将不同类型的道路属性考虑在内建立多元线性回归模型,探讨不同类型道路密度对公共空间盗窃犯罪率的影响。接下来本文将回答两个问题:①不同类型道路密度对公共空间盗窃犯罪率有什么样的影响?②不同类型道路密度对公共空间盗窃犯罪率产生不同影响的原因。
2 理论基础与研究框架 2.1 理论基础本文主要基于日常活动理论,同时在理性选择理论、犯罪分布理论和社会失序理论的综合视角下探讨道路类型密度对公共空间盗窃犯罪率的影响。日常活动理论[27]指出犯罪活动的聚集是潜在犯罪者、易受害者和有效监管缺失在空间上聚集的结果。犯罪分布理论[15]通过使用生态学方法对犯罪分布问题进行研究,提出了同心圆分布模式,阐述了建成环境对城市犯罪空间分异的影响。社会失序理论[25]指出社会环境即经济条件、邻里关系以及社区本身的文化氛围等因素是诱发犯罪的根源所在,通过影响集体效能和非正式防控等对犯罪产生影响。理性选择[26,28]理论,即犯罪者都是有限理性的,潜在犯罪者会通过自己的认知地图和感知空间选择易受害者聚集和有效监管缺失的地方实施犯罪。
2.2 理论框架首先,本文根据道路的社会环境、建成环境等各方面属性将道路分为两大类别,一类由城市主干道、城市次干道、城市支路和其他可通车道路组成;另一类由不可通车道路组成。其次,我们基于理性选择理论和社会失序理论等,考虑不同类型道路密集区域社会环境的差异对公共空间盗窃犯罪率的影响,并基于犯罪分布理论等,考虑不同类型道路密集区域建成环境差异对公共空间盗窃犯罪率的影响(图 1)。
城市主干道、城市次干道、城市支路和其他可通车道路与外界联系密切[29],吸引各种服务范围大的设施分布,吸引人流的聚集,吸引易受害者和潜在犯罪者的聚集;人流车流的转换频率快,造成匿名性强,对犯罪者的识别性差,“守望效应”差[20],有效监管缺失;从而犯罪机会比较多。此外,由于人口流量大,对犯罪者的识别性差,是潜在犯罪者经常活动的场所,因此犯罪者的空间感知[30]范围广。此类道路密集的区域对潜在犯罪者和易受害者的吸引力大于有效监管的力量,公共空间盗窃高发。
不可通车道路与外界联系不密切,其设施大多为本地居民服务的,不易吸引人流的聚集,因此不容易吸引易受害者和潜在犯罪者的聚集;聚集的大多是本地的街坊,相互熟知,匿名性差,对犯罪者的识别性强,“守望效应”[20]好,监管有效;犯罪机会较少。此外,由于人流量小,对犯罪者的识别性好,处于潜在犯罪者活动范围外,因此犯罪者的空间感知[30]范围窄。此类道路密集的区域对潜在犯罪者和易受害者的吸引力小于有效监管的力量[11],公共空间盗窃低发。
3 研究区域、研究数据与研究方法 3.1 研究区域本文的研究区为中国东南沿海城市——ZG市的中心城区,研究区的总面积3525.6平方公里,分布在10个区,共177个派出所。ZG市经济发达,各种服务设施齐全,社会环境多元化。研究区内2013年公共空间盗窃警情约为9万件,占全市的83%左右。根据第六次人口普查的结果,研究区内总人数约为1000万人,其中外来人口425.3万人,占总人口的40%左右。本文中公共空间盗窃指的是在公共空间中(不包括公共交通上)盗取他人财物的行为。研究区内道路网密集,道路类型多元,包括城市主干道、城市次干道、城市支路、其他可通车的道路和不可通车道路。城市主干道、城市次干道、城市支路、其他可通车道路与不可通车道路的描述如表 1所示,在图 2中我们抽象的描述了各类型道路周边的用地性质和设施分布,与表 1对各道路类型特征的描述相结合,更为直观的表征了各类型道路周边的建成环境特征。
本文以派出所为研究单元,本文的研究数据主要有110接警数据、人口普查数据、POI数据和交通道路网数据等基础地理数据。其中警情数据主要来源于2013年110案件类接警数据中公共空间盗窃警情数据,人口数据来自于第六次人口普查数据,汇总到派出所单元;POI数据则是来源于2014年“电子地图”导航数据和路网数据。
在城市空间中造成公共空间盗窃犯罪聚集的原因有很多,包括建成环境、社会环境和道路属性等因素,所以在探讨不同类型道路密度对公共空间盗窃犯罪率的影响时要考虑其他建成环境、社会环境等因素的影响。考虑文献的梳理[23,31]、ZG市的社会经济发展和数据的可获取性等方面的因素,在本文中选取了人口、设施、社会、经济等方面与公共空间盗窃犯罪率相关性强的因素(表 2)。
Spearman[32]相关系数是用来定序变量间相关关系的系数。
多元线性回归[33]是研究一个因变量和若干个自变量之间线性关系的方法。1990年White等人对弗吉尼亚州入室盗窃影响因素进行分析时使用了多元线性回归的方法[4];2015年Sohn等人探讨西雅图道路密度对入室盗窃、抢劫影响时建立了多元线性回归模型[1];多元线性回归模型的一般形式为:
$Y = {\beta _0} + {\beta _1}{X_1} + {\beta _2}{X_2} + \cdots + {\beta _j}{X_j} + \cdots {\beta _k}{X_k} + \mu $ | (1) |
式中:k为解释变量的数目,βj (j = 1,2,…,k)为回归系数,μ为去除k个自变量对Y影响后的随机误差。
使用多元线性回归的前提条件是因变量服从正态分布,但本文中因变量不满足正态分布,因此在此引入BoxCox变换[34]。由于Box-Cox变换模型完全基于数据本身建模而无需任何先验信息,具有灵活的参数形式,在实际建模中广为应用且行之有效,如2007年左文鼎等人在分析中国汽车特征价格特征时就建立多元线性回归模型之前对因变量使用了Box-Cox转换[35],Box-Cox变换是统计建模中一种数据变换,用于连续的响应变量不满足正态分布的情况,通过变换可以使线性回归模型满足线性、独立性、方差齐性、正态分布的同时又不丢失信息。变换的公式[30]为:
${Y^{\left( \lambda \right)}} = \left\{ {\begin{array}{*{20}{l}} {\frac{{{Y^{\left( \lambda \right)}} - 1}}{\lambda },\lambda \ne 0}\\ {\ln Y,\lambda = 0} \end{array}} \right.$ | (2) |
Box-Cox变换的特点是引入一个参数λ,通过数据本身的分布特征估计出该参数,从而确定出选用的数据变换形式。对因变量Y的数据变换可以明显的改善数据的正态性、对称性和方差齐性。在本文中,进行了Box-Cox转换后,公共空间盗窃犯罪率的偏度为-0.032,满足正态分布。
4 不同类型道路和公共空间盗窃犯罪的空间分布格局研究区内经济发达,交通便捷,道路网系统发达。研究区域内部建成环境和社会环境是非均质的,社会经济等特征存在很大的差异,存在不同类型的交通需求,因此不同类型道路密度也存在较大的差异。研究区范围内城市主干道、城市次干道、城市支路、其他可通车道路、不可通车道路和公共空间盗窃的空间分布如图 3所示。
研究区域内部有不同的经济社会发展状况,社会环境和建成环境在空间分布上存在较大的差异,同样公共空间盗窃犯罪在空间上的分布不是均匀的而是在某些地方存在聚集现象。接下来,我们对研究区域内公共空间盗窃案件的空间分布进行了核密度分析,对公共空间盗窃犯罪的热点进行了识别,大致辨识出公共空间盗窃犯罪的聚集区域,根据核密度分析的结果将城市空间分为犯罪低发区、犯罪中发区和犯罪高发区,结果如图 3的Ⅵ所示。
通过定性的观察不同类型道路的空间分布和公共空间盗窃犯罪的核密度分析可以定性的看出城市主干道、城市次干道、城市支路、其他可通车道路和不可通车道路的分布与公共空间盗窃犯罪分布呈现显著相关,并且通过定性的分析可以得出城市主干道、城市次干道、城市支路和其他可通车道路密度高的地方同时也是公共空间盗窃犯罪率高的地方。以上的分析仅仅基于定性的方法,难以在所有类型道路密度都高的区域分别识别不同类型道路密度与公共空间盗窃犯罪率的关系,为了更深层次和更明确的探讨不同类型道路与公共空间盗窃犯罪率之间关系,接下来我们将结合定量的方法进一步分析论证。
5 道路类型对公共空间盗窃影响建模及结果分析 5.1 相关性分析Spearman相关系数在这用于检验各解释变量与公共空间盗窃犯罪率之间的相关关系。根据Spearman相关系数[33]分析结果(表 3)显示,城市主干道、城市次干道、城市支路、其他可通车道路和不可通车道路密度与公共空间盗窃犯罪率的相关系数在0.05水平上都是显著的。说明了城市主干道、城市次干道、城市支路、其他可通车道路和不可通车道路密度与公共空间盗窃犯罪率都是相关的,接下来本文进一步分析不同类型道路密度对公共空间盗窃犯罪率产生怎样的影响。
本文探讨不同类型道路密度对公共空间盗窃犯罪率的影响,在研究中涉及到了多个自变量,且因变量为连续变量,可以建立多元线性回归模型。多元线性回归模型要求因变量符合正态分布,因此需要对因变量公共空间盗窃犯罪率进行了Box-Cox转换。转换后因变量的偏度为-0.032,满足正态分布,符合建立多元线性回归模型条件。
采用直接进入策略对通过共线性检验的自变量建立多元线性回归模型[36],各自变量共线性检验中VIF值最大为3.633,通过了共线性检验;模型调整后的拟合R2为0.242,具体结果如表 4所示。
多元线性回归模型结果显示,城市次干道、城市支路、其他可通车道路、不可通车道路密度对公共空间盗窃犯罪率影响是显著的,其中城市次干道、城市支路和其他可通车道路密度与公共空间盗窃犯罪率呈正相关;不可通车道路密度与公共空间盗窃犯罪率呈负相关。而城市主干道密度对公共空间盗窃犯罪率的影响不显著。在选取的社会环境和建成环境变量中,年轻人比例、高学历人口比例、商品楼密度、餐饮设施密度对公共空间盗窃犯罪率的影响都是显著的,银行密度是不显著的,且年轻人比例、餐饮设施密度对公共空间盗窃犯罪率存在正向影响,而高学历人口比例和商品楼密度对公共空间盗窃犯罪率存在负向影响。
城市次干道是城市道路网中区域性的干道,承担主干路与各分区间的交通集散作用的道路,其兼具交通功能和服务功能。其社会环境和建成环境比较复杂,由于道路的通达性好,吸引各种设施的分布且各种设施的服务范围很大,容易吸引人流的聚集,产生更多易受害者和潜在犯罪者的聚集;人口的流动性大,匿名性强,对潜在犯罪者的识别性差,“守望效应”[20]差,导致有效监管的缺失;易受害者、潜在犯罪者和有效监管缺失在空间上聚集,产生了公共空间盗窃的犯罪机会。而且城市次干道的通达性好,人们活动频繁,潜在犯罪者的空间感知范围广[30]。基于此,城市次干道密集区域公共空间盗窃犯罪率较高。
城市支路是城市道路网中干道以外,联系次干道或供内部使用的道路。以服务功能为主。分布有各种具有服务功能的设施,且其服务范围比较大,吸引人流的聚集,产生易受害者和潜在犯罪者;并且人口流动性大,邻里“守望效应”差[20],有效监管缺失;易受害者、潜在犯罪者和有效监管缺失在空间上交互,产生犯罪机会;并且人们活动聚集,加上对犯罪者的识别性差,潜在犯罪者空间感知范围广[30]。基于上述分析,城市支路密集区域公共空间盗窃犯罪率较高。
其他可通车道路城市中可通车的较宽的胡同、里弄等,承载的是服务功能。此类型道路与人们的日常活动联系最为密切。吸引人流的聚集,产生易受害者和潜在犯罪者;人口混杂并且匿名性大,邻里“守望效应”[20]差,有效监管缺失;易受害者、潜在犯罪者和有效监管缺失在空间交互,产生犯罪机会;人们的活动频繁,潜在犯罪者空间感知范围广[30]。基于此,其他可通车道路密集区域公共空间盗窃犯罪率较高。
不可通车道路是城市中不可通车的步行小道,老街坊道路等。其社会环境和建成环境比较均质,由于道路的通达性较差,不易吸引各种设施的分布,且其设施的服务范围很小主要为本地居民服务的,不容易产生易受害者和潜在犯罪者的聚集;人口的流动性小,匿名性弱,对潜在犯罪者的识别性强,“守望效应”[20]好,形成有效监管;易受害者、潜在犯罪者和有效监管缺失交互频次少,公共空间盗窃的犯罪机会少。而且不可通车道路的领域性强,潜在犯罪者的空间感知[30]范围窄。基于此,潜在犯罪者和易受害者的产生和吸引能力弱于该地对有效监管[37],不可通车道路密集的区域公共空间盗窃犯罪率较低。
城市主干道是连接城市各分区的干路,仅承载交通功能。城市主干道密度对公共空间盗窃犯罪率影响不显著。原因可能是城市主干道道路等级高,承载的是较大尺度区域之间联系的功能;城市主干道上多为写字楼等高档场所,具有严密的监控设施,是特定人群上班的场所,与其他人日常活动联系不密切;而城市次干道、城市支路和其他可通车道路街道两旁多为商品楼、餐饮设施、娱乐设施等,城市主干道的建成环境与城市次干道、城市支路、其他可通车道的建成环境存在很大的差异。
综合上述分析,城市次干道、城市支路和其他可通车道路密度与公共空间盗窃犯罪率呈现正相关,即城市次干道、城市支路、其他可通车道路密集区域公共空间盗窃犯罪率较高。这几类道路的共同特征是潜在犯罪者、易受害者和有效监管缺失在空间上交互频繁,产生更多的公共空间盗窃的犯罪机会,并且其社会环境和建成环境相对开放,潜在犯罪者的空间感知范围广,潜在犯罪者和易受害者的产生和吸引能力强于有效监管[37],公共空间盗窃犯罪率高。不可通车道路密度与公共空间盗窃犯罪率呈负相关,即不可通车道路密集的区域公共空间盗窃犯罪率低,不可通车道路潜在犯罪者和易受害者的产生和吸引能力弱于有效的监管,公共空间盗窃犯罪率低。城市主干道的密度对公共空间盗窃犯罪率影响不显著,即城市主干道与公共空间盗窃犯罪相关性差。
6 结论与展望本研究得出以下结论:
一是城市次干道密度、城市支路密度、其他可通车道路密度与公共空间盗窃犯罪率呈正相关,即城市次干道、城市支路、其他可通车道路的密集区域公共空间盗窃犯罪率高。城市次干道兼具交通功能和服务功能,城市支路和其他可通车道路承载服务功能。这几类道路的社会环境和建成环境特征容易产生犯罪机会;并且潜在犯罪者空间感知范围广;潜在犯罪者和易受害者的产生和吸引能力强于该地对犯罪的防控能力,公共空间盗窃犯罪率高。
二是不可通车道路密度与公共空间盗窃犯罪率呈负相关,即不可通车道路密集区域公共空间盗窃犯罪率低。不可通车道路承载的是服务功能。不可通车道路的社会环境和建成环境特征产生较少的犯罪机会,并且潜在犯罪者空间感知范围窄,潜在犯罪者和易受害者的产生和吸引能力弱于该地对犯罪的防控能力,公共空间盗窃犯罪率低。
三是城市主干道密度对公共空间盗窃犯罪率的影响不显著。因为城市主干道的社会环境和建成环境等与城市次干道、城市支路、其他可通车道路和不可通车道路存在很大的差别,而且承载的功能为交通功能,承载较大尺度的区域之间的联系功能,与人们日常活动联系不密切。
总体而言,本研究的结论与前人存在有共性,均认为道路密度对公共空间盗窃犯罪率存在影响[3,5,12,14],而且承认不同类型道路密度对犯罪产生不同的影响[1,12],然而前人的研究大多将所有类型道路归为一类或者选取其中某几类作为道路的代表[2],忽略了不同类型道路之间社会环境、建成环境等各种属性方面的差异。相比与前人的研究,本研究的创新点在于,结合ZG市的实际社会经济发展情况将不同类型道路的属性考虑在内,探讨不同类型道路密度对公共空间盗窃犯罪率的影响,并揭示了不同类型道路密度对公共空间盗窃犯罪有不同影响的原因,为探讨ZG市不同类型道路密度与公共空间盗窃犯罪的关系提供实证研究。
本研究也存在一些不足的地方。首先,本文的拟合R2值比较低,分析其原因主要有以下几个方面:建立多元线性回归模型是要考虑解释变量的共线性问题,在影响公共空间盗窃犯罪率的各因素间存在很大的共线性,所以在建立回归模型时,剔除了其中一些共线性较强的因子,这些因素与公共空间盗窃犯罪率密切相关,指标体系不够完善造成模型的解释能力较低。其次,本研究是以派出所为单元的,计算派出所单元内的城市次干道密度、城市支路密度、其他可通车道路密度、不可通车道路密度,忽略了同类型道路内部社会环境和建成环境的差异。最后,国外不少学者指出与道路相连的道路属性也是影响该道路上犯罪率的重要因素,正是本文没有考虑在内的问题。因此在以后的研究中试图从更微观的角度探讨不同类型道路密度对公共空间盗窃犯罪率的影响。
[1] | 颜峻, 疏学明, 袁宏永. 盗窃犯罪空间分布与地理因素的关联[J]. 清华大学学报(自然科学版), 2010, 50(2): 174-176. [Yan Jun, Shu Xueming, Yuan Hongyong. Relationship between spatial distribution of thief crime and geographical factors[J]. Journal of Tsinghau University(Sci & Tech), 2010, 50(2): 174-176. ] |
[2] | 刘大千, 宋伟, 修春亮. 长春市"两抢两盗"犯罪的空间分析[J]. 地理科学, 2014, 34(11): 1344-1352. [Liu Daqian, Song Wei, Xiu Chunliang. Spatial analysis on robbery, forcible seizure, vehicle theft and burglary in Changchun[J]. Scientia Geographica Sinica, 2014, 34(11): 1344-1352. ] |
[3] | Davies T, Johnson S D. Examining the relationship between road structure and burglary risk via quantitative network analysis[J]. Journal of Quantitative Criminology, 2015, 31(3): 481-507. DOI:10.1007/s10940-014-9235-4 |
[4] | Johnson S D, Bowers K J. Permeability and burglary risk:Are culde-sacs safer[J]. Journal of Quantitative Criminology, 2010, 26(1): 89-111. DOI:10.1007/s10940-009-9084-8 |
[5] | Sohn D. Residential crimes and neighbourhood built environment:Assessing the effectiveness of crime prevention through environmental design(CPTED)[J]. Cities, 2016, 52(1): 86-93. |
[6] | Hillier B. Can streets be made safe[J]. Urban Design International, 2004, 9(1): 31-45. DOI:10.1057/palgrave.udi.9000079 |
[7] | Brantingham P L, Brantingham P J. Nodes, paths and edges:Considerations on the complexity of crime and the physical environment[J]. Journal of Environmental Psychology, 1993, 13(1): 3-28. DOI:10.1016/S0272-4944(05)80212-9 |
[8] | Cozens P M. New urbanism, crime and the suburbs:A review of the evidence[J]. Urban Policy & Research, 2008, 26(4): 429-444. |
[9] | Maha J, Malaika, Hamid H, et al. Achieving the efficient distribution of police stations and rescue police points in Duhok city/Iraq by using (GIS)[J]. Journal of Information Engineering & Applications, 2014, 4(4): 1-13. |
[10] | 毛媛媛, 戴慎志. 犯罪空间分布与环境特征——以上海市为例[J]. 城市规划学刊, 2006(3): 85-93. [Mao Yuanyuan, Dai Shenzhi. Research on spatial and environment characters of crime:Case study of shanghai[J]. Urban Planning Forum, 2006(3): 85-93. ] |
[11] | Armitage R. Predicting and preventing:Developing a risk assessment mechanism for residential housing[J]. Crime Prevention & Community Safety, 2006, 8(3): 137-149. |
[12] | Armitage R. The Impact of Connectivity and Through-Movement within Residential Developments on Levels of Crime and Anti-social Behavior[J]. London:University of Huddersfield, 2012: 5-10. |
[13] | Li Q, Fan H, Luan X, et al. Polygon-based approach for extracting multilane roads from OpenStreetMap urban road networks[J]. International Journal of Geographical Information Science, 2014, 28(11): 2200-2219. DOI:10.1080/13658816.2014.915401 |
[14] | White G. Neighborhood permeability and burglary rates[J]. Justice Quarterly, 1990, 7(1): 57-67. DOI:10.1080/07418829000090471 |
[15] | Paul J, Brantingham P L. Environmental Criminology[M]. California: Sage Publications, 1981: 264. |
[16] | Shu C F. Housing layout and crime vulnerability[J]. Urban Design International, 2000, 5(3): 177-188. |
[17] | Wu L, Liu X, Ye X, et al. Permeability, space syntax, and the patterning of residential burglaries in urban China[J]. Applied Geography, 2015, 60(1): 261-265. |
[18] | Matthews S A, Yang T C, Hayslettmccall K L, et al. Built environment and property crime in Seattle, 1998-2000:A bayesian analysis[J]. Environment & Planning A, 2010, 42(6): 1403-1420. |
[19] | Browning C R, Byron R A, Calder C A, et al. Commercial density, residential concentration, and crime:Land use patterns and violence in neighborhood context[J]. Journal of Research in Crime and Delinquency, 2010, 47(3): 329-357. DOI:10.1177/0022427810365906 |
[20] | 简·雅各布斯. 美国城市的死与生[M]. 金衡山, 译. 南京: 译林出版社, 2006: 26-47. [Jacobs J. The Death and Life of Great American Cities[M]. Jin Hengshan, trans. Nanjing:Yilin Press, 2006:26-46.] |
[21] | Hipp J R, Wickes R. Violence in urban neighborhoods:A longitudinal study of collective efficacy and violent crime[J]. Journal of Quantitative Criminology, 2016, 32(1): 1-26. DOI:10.1007/s10940-015-9250-0 |
[22] | Armstrong T A, Katz C M, Schnebly S M. The relationship between citizen perceptions of collective efficacy and neighborhood violent crime[J]. Crime & Delinquency, 2010, 61(1): 121-142. |
[23] | Cahill M E, Mulligan G F. The determinants of crime in Tucson, Arizona[J]. Urban Geography, 2003, 24(7): 582-610. DOI:10.2747/0272-3638.24.7.582 |
[24] | Morenoff J D, Sampson R J, Raudenbush S W. Neighborhood inequality, collective efficacy, and the spatial dynamics of urban violence[J]. Criminology, 2001, 39(3): 517 DOI:10.1111/crim.2001.39.issue-3 |
[25] | Shaw C R, Mckay H D. Juvenile Delinquency and Urban Areas[M]. Chicago: University of Chicago Press, 1942: 17-42. |
[26] | Anderson J M, Macdonald J M, Bluthenthal R, et al. Reducing crime by shaping the built environment with zoning:An empirical study of Los Angeles[J]. University of Pennsylvania Law Review, 2013, 161(3): 699-756. |
[27] | Felson M, Cohen L E. Human ecology and crime:A routine activity approach[J]. Human Ecology, 1980, 8(4): 389-406. DOI:10.1007/BF01561001 |
[28] | Karstedt S, Clarke R V, Felson M. Advances in criminological theory[J]. Contemporary Sociology, 1994, 23(6): 1-14. |
[29] | Cervero R, Sarmiento O L, Jacoby E, et al. Influences of built environments on walking and cycling:Lessons from Bogotá[J]. International Journal of Sustainable Transportation, 2009, 3(4): 203-226. DOI:10.1080/15568310802178314 |
[30] | Wortley R, Mcfarlane M. The role of territoriality in crime prevention:A field experiment[J]. Security Journal, 2011, 24(2): 149-156. DOI:10.1057/sj.2009.22 |
[31] | 王发曾. 城市空间环境对城市犯罪的影响[J]. 人文地理, 2001, 16(2): 1-6. [Wang Fazeng. The urban spatial environment's influences on urban crime[J]. Human Geography, 2001, 16(2): 1-6. ] |
[32] | Zhang W Y, Wei Z W, Wang B H, et al. Measuring mixing patterns in complex networks by Spearman rank correlation coefficient[J]. Physica A:Statistical Mechanics and its Applications, 2016, 451(1): 440-450. |
[33] | 张景阳, 潘光友. 多元线性回归与BP神经网络预测模型对比与运用研究[J]. 昆明理工大学学报(自然科学版), 2013, 38(6): 61-67. [Zhang Jingyang, Pan Guangyou. Comparison and application of multiple regression and BP neural network prediction model[J]. Journal of Kunming University of Science and Technology(Natural Science Edition), 2013, 38(6): 61-67. ] |
[34] | 高建, 周丽萍. 基于Box-Cox变换的住宅特征价格理论研究[J]. 河北科技大学学报, 2007, 28(3): 247-250. [Gao Jian, Zhou Liping. Study on housing hedonic price theory based on Box-Cox transformation[J]. Journal of Hebei University of Science and Technology, 2007, 28(3): 247-250. ] |
[35] | 左文鼎, 夏祥谦, 王力宾.Box-Cox变换在Matlab上的实现——以中国汽车特征价格模型为例[J].云南财经大学学报, 2007, 23(6):116-120. [Zuo Wending, Xia Xiangqian. Box-Cox transformation and its implementation by Matlab-application in Chinas automobile hedonic price model[J]. Journal of Yunnan University of Finance and Economics, 2007, 23(6):116-120.] http://kns.cnki.net/KCMS/detail/detail.aspx?filename=yncm200706019&dbname=CJFD&dbcode=CJFQ |
[36] | 王惠文, 孟洁. 多元线性回归的预测建模方法[J]. 北京航空航天大学学报, 2007, 33(4): 500-504. [Wang Huiwen, Meng Jie. Predictive modeling on multivariate linear regression[J]. Journal of Beijing University of Aeronautics and Astronautics, 2007, 33(4): 500-504. ] |
[37] | Reid A A, Frank R, Iwanski N, et al. Uncovering the spatial patterning of crimes:A criminal movement model(CriMM)[J]. Journal of Research in Crime and Delinquency, 2014, 51(2): 230-255. DOI:10.1177/0022427813483753 |