空间数据驱动的B市主城区犯罪时空分布及其影响因素分析
发布时间：2021-10-06 15:46
以基于派出所的泰森多边形为研究单元,采用核密度估计、标准差椭圆、G统计分析、地统计分析和全局Moran’s I指数分析B市2016～2017年犯罪在空间上的分布情况。基于空间兴趣点（point of interest,POI）与多时相遥感分类体系等多源数据,采用相关分析和主成分分析提取犯罪影响因子,通过解释变量Johnson变换后的地理加权回归（geographically weighted regression,GWR）模型和基于主成分因子的最小二乘法（ordinary least squares,OLS）模型解释因子对5类犯罪空间分布的影响。研究发现:时空分析上,在6月～7月份犯罪率最高,具有"东西"走向且"离心型犯罪化"的表现;影响因素分析中16个自变量中有10个变量对犯罪率存在较强的正相关影响,而这些变量之间具有空间自相关性,因此采用基于主成分分析的OLS和GWR模型对其消除空间自相关性建立回归模型;而几个回归模型检验上,基于主成分因子的OLS、GWR与Johnson变换后GWR模型均具有较高的拟合度。此研究结果可为犯罪防控及犯罪预测建模提供参考与建议。
【文章来源】：科学技术与工程. 2019,19(26)北大核心
【文章页数】：11 页
【部分图文】：
研究区域Fig.1Studyarea点v构建的泰森多边形V定义如下［13］:
载荷;xj为原始变量指标。1.3变量定义及模型设计根据理性选择理论和日常活动理论［33，34］，两个重要理论基础并结合近年来的实证研究［35，36］，本文模型中的自变量因子共16个［1.1节(3)中数据来源为12个POI因子以及4个RS地物因子］。将16个空间因子通过式(12)比率化后的分布密度作为研究的自变量:分布密度=∑该泰森多边形内空间因子数人口密度(12)表2中可决系数R2越接近1，模型的拟合度越高。拟合曲线如图5所示。可以看出:犯罪率与餐饮、超市商城、交通设施、金融保险、生活服务、体育休闲、住宅、医疗和酒店的线性关系较为明显，而与风景名胜、公共设施、公司企业和教育的线性关系不为明显。因此解释变量为:餐饮、超市商城、交通设施、金融保险、生活服务、体育休闲、医疗、住宿服务、建筑面积和道路长度，共取10个因子，并对其做Johnson正态变换后拟合曲线如图6所示。表3中，Johnson变换后偏度Z-scoreK，峰度Z-scoreS，在α=0.05的检验水平下，均在±1.96之间;可以认为Johnson变换后的数据服从正态分布。至此可构建变量因子及模型。(1)解释变量:POI因子、遥感地物分类因子记为{x1，x2，x3，x4，x5，x6，x7，x8，x9，x10}。(2)数据变化:Johnson变换的3种类型:SB(bounded)、SL(lognormal)和SU(unbounded)。表2各影响因子拟合曲线R2值Table2Eachimpactfac
图6犯罪率与各相关因子Johnson变换后拟合曲线Fig.6ThefittingcurvesofcrimerateandthecorrelationcurveaftertheJohnsontransform表3各相关因子Johnson变换前后正态变换检验Table3NormaltransformationtestbeforeandafterJohnsontransformofcorrelationfactors变量原始数据Johnson变换Z-scoreKZ-scoreSZ-scoreKZ-scoreS餐厅13.68223.008－0.026－0.407超市商城18.46945.0440.953－0.995交通设施13.93826.3730.286－0.762金融保险23.90675.5900.3490.337生活服务14.81826.0890.474－0.736体育休闲14.04222.7520.281－0.663住宿服务14.39627.3710.490－0.833医疗17.76041.0000.620－0.204建筑15.81831.4670.0100.305道路16.87034.8510.1610.050犯罪17.92237.3790.224－0.457(3)两个模型:基于主成分分析的回归模型、GWR模型。(4)单因素分析:基于主成分因子的OLS回归模型。(5)综合分析:所有相关因子的GWR模型。2结果与分析2.1聚类检验结果分析聚类检验结果包括基于GIS的G统计量与Moran'sI指数的检验以及核密度估计、标准差椭圆与统计分析的时空聚集性检验。2.1.1聚类检验G统计量与Moran'sI指数(表4)分析结果显示，G指数对应的z值均大于99%置信度下的z值为2.58，说明总犯罪、盗窃、故意伤害、抢夺、抢劫和诈骗的具有高值与高值聚集的特征，且这种分布模式的概率在99%以上。同样在99%置信度的情况下，对比Moran'sI方法可以看出诈骗类犯罪在全局上呈随机分布形态，在局部有高值聚类的特点。2.1.2时空分析采用基于犯罪点和派出点的核密度估计、
【参考文献】：
期刊论文
[1]基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究[J]. 于丙辰,刘玉轩,陈刚. 地球信息科学学报. 2018(06)
[2]基于理性选择理论的社区环境对入室盗窃的影响研究[J]. 肖露子,柳林,宋广文,周素红,龙冬平,冯嘉欣. 地理研究. 2017(12)
[3]不同类型道路密度对公共空间盗窃犯罪率的影响——基于ZG市的实证研究[J]. 柳林,杜方叶,肖露子,宋广文,刘凯,姜超. 人文地理. 2017(06)
[4]AMSR-E亮温数据的3种正态变换方法比较[J]. 付秀丽,王博. 遥感信息. 2017(03)
[5]基于Johnson分布体系的发输电系统可靠性评估[J]. 张立波,程浩忠,曾平良,张沈习,周勤勇. 上海交通大学学报. 2017(05)
[6]北京地面沉降时空分布特征研究[J]. 周超凡,宫辉力,陈蓓蓓,郭琳,高明亮. 地球信息科学学报. 2017(02)
[7]北京市长安街沿线的扒窃案件高发区分析及防控对策[J]. 陈鹏,李欣,胡啸峰,曾昭龙,赵鹏凯. 地理科学进展. 2015(10)
[8]理解理性选择理论:历史、发展与论争[J]. 邢瑞磊. 武汉大学学报(哲学社会科学版). 2015(03)
[9]基于主成分分析的衡阳市土地生态安全评价[J]. 王鹏,况福民,邓育武,田亚平,易锋. 经济地理. 2015(01)
[10]论日常活动理论在刑事侦查中的应用[J]. 艾明. 中国刑警学院学报. 2014(01)
硕士论文
[1]电信网络诈骗犯罪成因及治理研究[D]. 隋新宇.中国社会科学院研究生院 2017
本文编号：3420310
【文章来源】：科学技术与工程. 2019,19(26)北大核心
【文章页数】：11 页
【部分图文】：
研究区域Fig.1Studyarea点v构建的泰森多边形V定义如下［13］:
载荷;xj为原始变量指标。1.3变量定义及模型设计根据理性选择理论和日常活动理论［33，34］，两个重要理论基础并结合近年来的实证研究［35，36］，本文模型中的自变量因子共16个［1.1节(3)中数据来源为12个POI因子以及4个RS地物因子］。将16个空间因子通过式(12)比率化后的分布密度作为研究的自变量:分布密度=∑该泰森多边形内空间因子数人口密度(12)表2中可决系数R2越接近1，模型的拟合度越高。拟合曲线如图5所示。可以看出:犯罪率与餐饮、超市商城、交通设施、金融保险、生活服务、体育休闲、住宅、医疗和酒店的线性关系较为明显，而与风景名胜、公共设施、公司企业和教育的线性关系不为明显。因此解释变量为:餐饮、超市商城、交通设施、金融保险、生活服务、体育休闲、医疗、住宿服务、建筑面积和道路长度，共取10个因子，并对其做Johnson正态变换后拟合曲线如图6所示。表3中，Johnson变换后偏度Z-scoreK，峰度Z-scoreS，在α=0.05的检验水平下，均在±1.96之间;可以认为Johnson变换后的数据服从正态分布。至此可构建变量因子及模型。(1)解释变量:POI因子、遥感地物分类因子记为{x1，x2，x3，x4，x5，x6，x7，x8，x9，x10}。(2)数据变化:Johnson变换的3种类型:SB(bounded)、SL(lognormal)和SU(unbounded)。表2各影响因子拟合曲线R2值Table2Eachimpactfac
图6犯罪率与各相关因子Johnson变换后拟合曲线Fig.6ThefittingcurvesofcrimerateandthecorrelationcurveaftertheJohnsontransform表3各相关因子Johnson变换前后正态变换检验Table3NormaltransformationtestbeforeandafterJohnsontransformofcorrelationfactors变量原始数据Johnson变换Z-scoreKZ-scoreSZ-scoreKZ-scoreS餐厅13.68223.008－0.026－0.407超市商城18.46945.0440.953－0.995交通设施13.93826.3730.286－0.762金融保险23.90675.5900.3490.337生活服务14.81826.0890.474－0.736体育休闲14.04222.7520.281－0.663住宿服务14.39627.3710.490－0.833医疗17.76041.0000.620－0.204建筑15.81831.4670.0100.305道路16.87034.8510.1610.050犯罪17.92237.3790.224－0.457(3)两个模型:基于主成分分析的回归模型、GWR模型。(4)单因素分析:基于主成分因子的OLS回归模型。(5)综合分析:所有相关因子的GWR模型。2结果与分析2.1聚类检验结果分析聚类检验结果包括基于GIS的G统计量与Moran'sI指数的检验以及核密度估计、标准差椭圆与统计分析的时空聚集性检验。2.1.1聚类检验G统计量与Moran'sI指数(表4)分析结果显示，G指数对应的z值均大于99%置信度下的z值为2.58，说明总犯罪、盗窃、故意伤害、抢夺、抢劫和诈骗的具有高值与高值聚集的特征，且这种分布模式的概率在99%以上。同样在99%置信度的情况下，对比Moran'sI方法可以看出诈骗类犯罪在全局上呈随机分布形态，在局部有高值聚类的特点。2.1.2时空分析采用基于犯罪点和派出点的核密度估计、
【参考文献】：
期刊论文
[1]基于夜光遥感与POI数据空间耦合关系的南海港口城市空间结构研究[J]. 于丙辰,刘玉轩,陈刚. 地球信息科学学报. 2018(06)
[2]基于理性选择理论的社区环境对入室盗窃的影响研究[J]. 肖露子,柳林,宋广文,周素红,龙冬平,冯嘉欣. 地理研究. 2017(12)
[3]不同类型道路密度对公共空间盗窃犯罪率的影响——基于ZG市的实证研究[J]. 柳林,杜方叶,肖露子,宋广文,刘凯,姜超. 人文地理. 2017(06)
[4]AMSR-E亮温数据的3种正态变换方法比较[J]. 付秀丽,王博. 遥感信息. 2017(03)
[5]基于Johnson分布体系的发输电系统可靠性评估[J]. 张立波,程浩忠,曾平良,张沈习,周勤勇. 上海交通大学学报. 2017(05)
[6]北京地面沉降时空分布特征研究[J]. 周超凡,宫辉力,陈蓓蓓,郭琳,高明亮. 地球信息科学学报. 2017(02)
[7]北京市长安街沿线的扒窃案件高发区分析及防控对策[J]. 陈鹏,李欣,胡啸峰,曾昭龙,赵鹏凯. 地理科学进展. 2015(10)
[8]理解理性选择理论:历史、发展与论争[J]. 邢瑞磊. 武汉大学学报(哲学社会科学版). 2015(03)
[9]基于主成分分析的衡阳市土地生态安全评价[J]. 王鹏,况福民,邓育武,田亚平,易锋. 经济地理. 2015(01)
[10]论日常活动理论在刑事侦查中的应用[J]. 艾明. 中国刑警学院学报. 2014(01)
硕士论文
[1]电信网络诈骗犯罪成因及治理研究[D]. 隋新宇.中国社会科学院研究生院 2017
本文编号：3420310
本文链接：https://www.wllwen.com/falvlunwen/fanzuizhian/3420310.html
