《Spatial Statistics》:Modelling street crime in Almada, Portugal, using point processes
编辑推荐:
空间机会结构和城市环境因素在塑造犯罪强度方面比单独的人口或组成特征发挥更大的作用。高斯随机场在很大程度上解释了未被协变量捕捉到的残差空间变异。
空间机会结构和城市环境因素在塑造犯罪强度方面比单独的人口或组成特征发挥更大的作用。高斯随机场在很大程度上解释了未被协变量捕捉到的残差空间变异。
犯罪在空间上分布不均,遵循Weisburd定律,犯罪热点集中在微小地理区域。环境犯罪学理论(如日常活动理论、理性选择理论、犯罪模式理论、社会解组理论)解释了地点和背景如何塑造犯罪行为。然而,葡萄牙在微观地理层面的犯罪研究匮乏,大多数研究使用区域数据而非点模式分析,尚未有研究采用点过程方法(如对数高斯Cox过程,LGCP)对犯罪进行建模。主要障碍是缺乏高分辨率空间数据。本研究的目的是评估空间点模式分析技术在阿尔马达市Guardia Nacional Republicana(GNR)管辖区域的犯罪数据中的潜力,以更好理解犯罪空间结构,支持巡逻资源分配。论文发表在《Spatial Statistics》。
研究人员使用空间Log-Gaussian Cox Process(LGCP)模型,结合集成嵌套拉普拉斯近似(INLA)和随机偏微分方程(SPDE)方法进行贝叶斯推断,对2022-2023年GNR记录的1426个街头犯罪事件进行建模。协变量来自2021年葡萄牙人口普查统计区块,包括13个反映机会理论和社会解组理论的变量。模型选择基于偏差信息准则(DIC)和渡边-赤池信息准则(WAIC)。主要结论:空间机会结构和城市环境因素比人口组成特征更重要;高斯随机场(Gaussian Random Field, GRF)解释了未被协变量捕捉的残差空间变异。具体发现包括:高失业率、高城镇化水平(以高层建筑比例衡量)、高高等教育比例与犯罪强度正相关;高空置率、大住宅面积、高移民比例与犯罪强度负相关。这些发现为葡萄牙警察提供了基于证据的巡逻规划依据,证明了点过程方法在犯罪建模中的适用性,填补了该国微观犯罪研究的空白。
主要关键技术方法