EN中文

地理科学进展 >

2022 , Vol. 41 >Issue 6: 1041 - 1052

DOI: https://doi.org/10.18306/dlkxjz.2022.06.008

研究论文

可渗透性环境对盗窃犯罪分布的影响及社会解组的调节作用——兼论街道眼理论与防卫空间理论的适用性

  • 张延吉 , 1 ,
  • 林钦熙 2 ,
  • 朱春武 3 ,
  • 茅明睿 4 ,
  • 姜冬睿 4
展开
  • 1.福州大学人文社会科学学院,福州 350116
  • 2.福州大学建筑与城乡规划学院,福州 350116
  • 3.得州农工大学建筑学院,美国 得克萨斯卡城 77840
  • 4.北京城市象限科技有限公司,北京 100005

张延吉(1989— ),男,上海人,博士,副教授,硕士生导师,研究方向为社会地理学和环境犯罪学。E-mail:

收稿日期: 2021-10-18

  修回日期: 2021-12-18

  网络出版日期: 2022-08-28

基金资助

国家社会科学基金青年项目(21CSH006)

收起

The influence of permeable built environment on theft crime pattern and the moderation effects of social disorganization: Applicability of street eyes and defensible place theories

  • ZHANG Yanji , 1 ,
  • LIN Qinxi 2 ,
  • ZHU Chunwu 3 ,
  • MAO Mingrui 4 ,
  • JIANG Dongrui 4
Expand
  • 1. School of Humanities and Social Sciences, Fuzhou University, Fuzhou 350116, China
  • 2. School of Architecture and Urban-Rural Planning, Fuzhou University, Fuzhou 350116, China
  • 3. Department of Landscape Architecture and Urban Planning, Texas A&M University, College Station, TX 77840, USA
  • 4. Beijing City Quadrant Technology Co. Ltd, Beijing 100005, China

Received date: 2021-10-18

  Revised date: 2021-12-18

  Online published: 2022-08-28

Supported by

Youth Program of National Social Science Foundation of China(21CSH006)

Fold

摘要

为揭示街道眼与防卫空间理论的分歧源头和适用条件,论文以北京中心城区为研究范围,整合法律文书、定位服务、街景图像、兴趣点等多源大数据,将犯罪机会与社会生态理论置于同一分析框架,探讨了可渗透性环境对盗窃犯罪分布的影响以及社会解组因素的调节作用。结果表明,土地利用密度、功能混合度、路网密度、沿街通透性等可渗透性特征与盗窃密度整体呈现正向关联。建成环境对犯罪行为的影响因社会生态分异而变化,随着居住不稳定性、途经人员流动性、就业人员流动性、人口异质性、社会经济弱势地位等社会解组程度的加深,可渗透性环境的犯罪引致作用将不断放大,防卫空间理论更具适用性。而在社会结构稳定的社区中,街道眼能够发挥自然监控作用,街道眼理论的解释力更强,现实生活中该类社区仍属少数,盲目采用新城市主义设计方法恐会加剧安全风险。

关键词： 街道眼; 防卫空间; 社会解组; 法律文书; 犯罪地理

本文引用格式

张延吉 , 林钦熙 , 朱春武 , 茅明睿 , 姜冬睿 . 可渗透性环境对盗窃犯罪分布的影响及社会解组的调节作用——兼论街道眼理论与防卫空间理论的适用性[J]. 地理科学进展, 2022 , 41(6) : 1041 -1052 . DOI: 10.18306/dlkxjz.2022.06.008

Abstract

To unravel the conditions of application of street eyes theory and defensible space theory as well as the reasons of their theoretical dispute, this study took the central urban area of Beijing as research area and systematically explored the impacts of the permeable built environment on theft crime and the moderation effects of social disorganization on such relationships by integrating crime opportunity theory and social ecology theory. Big data from multiple sources during 2016 to 2020, including court records, location-based service data, street view images, points of interest, and road networks were used together. The results indicate that characteristics of permeable built environment such as land use density, mixing degree of urban functions, road network density, and transparency of street buildings all have positive and significant associations with the density of theft crimes in general. Furthermore, the direction and intensity of incluence of built environment features on criminal activities vary depending on the social ecological factors of communities. In other words, the degrees of social disorganization moderate the links between permeable environment and theft distribution. With social disorganization exacerbating, including the increase in residential instability, visitor mobility, employee mobility, population heterogeneity, and socioeconomic disadvantages, the positive effects of permeable built environment on crime will be steadily magnified, which more conforms to the defensible space theory. On the contrary, street eyes theory has better explanatory power in communities with stable social structure and abundant social capital where street eyes can be activated so as to provide effective informal surveillance to ensure safety. Unfortunately, according to the critical value of moderators estimated by the regression models, the later situation is less common in Beijing, suggesting that defensible space theory is more applicable in the majority of communities and the safety risks would increase when applying the approach of New Urbanism.

Key words： street eyes; defensible space; social disorganization; legal instrument; crime geography

犯罪机会理论和社会生态理论是犯罪地理学研究的两大基石。作为第一种理论视角,犯罪机会理论关注建成环境对犯罪分布的影响。其中,日常活动理论将潜在罪犯、作案目标、监管盲区在同一时空中的汇聚视为产生犯罪现象的条件[1];理性选择理论指出,犯罪分子以收益最大化、风险和成本最小化为原则选定空间作案[2];但在哪些建成环境更易满足犯罪形成条件、更易成为理性作案场所的核心问题上,街道眼理论与防卫空间理论仍存争议,焦点在于可渗透性特征与犯罪分布的关系[3]。
街道眼理论认为,富有活力的可渗透性环境更能维护城市安全,因为高强度的土地利用、密路网的肌理形态有助于激发步行行为及邻里交往,带来更多有监视意愿的街道眼,对犯罪行为起到阻遏作用。功能混合会吸引不同目的的出行者,他们在各时段对公共空间的持续使用有利于实现自然监控全覆盖。该理论还主张建筑物面向街道增设窗户,通过提高通透性为自然监控创造条件[4]。这些观点在实证检验中得到部分支持,当芝加哥的街区人流量增至拐点后,街道活力能显著抑制暴力活动[5];增强街道整合度和功能混合度也显著减少了西雅图的盗窃行为[6]。于是,新城市主义遵循整合性方法(integrated approach),将高密度、混合型、小尺度、开放性作为犯罪预防设计原则[7]。在采用新城市主义理念新建的澳大利亚珀斯市(Perth)社区中,居民自我回溯的受害率明显下降[8]。
与之相反,防卫空间理论认为,人流混杂的可渗透性环境是造成犯罪高发的主因[9]。从作案收益看,密集人流为罪犯提供了大量潜在作案机会;从作案成本看,密路网便于罪犯抵达和逃逸;从作案风险看,街道眼的存在并不必然引起人为介入,陌生人的涌入反而会招致无序感、匿名性和不信任感,降低居民辨识可疑人员的意愿与能力,削弱街道眼的自然监控功效[10]。多数分析证实,多功能、小街区、设施可达、步行友好、对外联通、高强度开发的可渗透性环境使各类犯罪活动不减反增[11⇓⇓-14]。英国政策评估显示,新城市主义社区的治安成本及报警量分别是功能分区式社区的3倍和5倍,入室盗窃率是全国均值的20倍,犯罪率恰是在拥有单一居住功能和尽端式道路的非渗透性环境中最低[15]。故在规划实践中,遵循隔离性方法(segregated approach)的门禁社区得到了广泛应用[3]。
作为第二种理论视角,以社会解组(social disorganization)理论为代表的社会生态理论关注社会环境对犯罪分布的影响。社会解组指无法凝聚集体共识和难以维持非正式社会控制的情境,多见于流动性强、异质性高、地位弱势的社区[16]。这是由于居住及人员流动性强的社区难以累积互信和培育归属感,人口构成异质的社区难以形成共同价值观,位居经济社会弱势地位的社区缺乏安全治理所需的经济社会资本[17]。具有上述解组特征的社区易使集体效能流失、公共参与锐减,进而对犯罪防控产生消极作用[18]。该规律屡获验证,以移民比例、少数族裔比例、租客比例、新住户比例、房屋空置率、途经人口比例测度的居住及人员流动性[19⇓⇓⇓-23],以种族混合度、房龄混合度量化的人口异质性[24⇓-26],以失业率、贫困率、低学历比例、单亲家庭比例、政府救济比例、低房价住户比例反映的经济社会弱势地位对各类犯罪活动均有显著正向影响[22,27⇓⇓-30]。少量研究有不同发现,语言多样性的提高导致半数芝加哥社区杀人案的减少,或因该地的多元文化增强了技能互补性和社会包容度[31]。
总之,犯罪率高低既取决于日常活动中潜在罪犯和受害者共存的频率,也有赖于旁观者介入社会控制的程度。犯罪机会理论关注作案机会的区位特征,未考虑社会环境的空间异质性;社会生态理论基于社会结构解释自然监视能力和作案动因,缺乏对犯罪目标分布的剖析[29]。“邻里中的地方”(place in neighborhood)概念强调,两大理论各有侧重、互为补充,需加强邻里社会背景与地方建成环境之间的交互效应研究[32]。因为在现实生活中,建成环境对犯罪行为的影响是在具体社会情境中发生的,特定社区的社会环境决定着某种土地利用方式会带来更多犯罪机会、抑或为社会控制创造有利条件[30]。此外,探讨建成环境与社会环境因素的交互效应、厘清可渗透性环境得以发挥积极作用的社会条件对于揭示街道眼与防卫空间理论的分歧源头、明确犯罪分布成因及防控策略深具意义[20]。
由于变量测度尚不统一、研究地域不尽相同,社会解组与可渗透性环境的交互效应未达成共识。部分研究表明,社会解组在可渗透性与犯罪分布的关系中起着增强调节作用,伴随社区弱势程度的加深、公众参与的减少、单亲家庭的增多、少数族裔的集聚、居住不稳定性的提高,住宅密度、设施密度、用地混合对暴力及侵财案件的正向影响将不断强化[20,28-29,33⇓⇓-36];为反渗透而设计的犯罪防控措施也会在弱势群体集中的社区中功效减弱[22]。与预期不同,在布里斯班、洛杉矶、列克星敦、印第安纳等地,随着种族构成日益多样和经济水平持续下滑,用地混合度、可步行性、设施可达性、路网密度、商业用地比例等对犯罪活动的正向影响不升反降,社会解组弱化了可渗透性环境对犯罪行为的诱发作用[20,28,37⇓-39]。另有案例显示,集体效能与可渗透性不存在交互效应,匿名性则会削弱街道眼对凶杀案的阻抑作用[5]。但既有文献集中于西方国家,中国城市中可渗透性环境与社会解组交互效应的实证分析有待加强。
基于此,本文以北京中心城区为研究范围,整合法律文书、定位服务(LBS)、街景图像、空间兴趣点(POI)、道路网络等多源大数据,尝试将犯罪机会和社会生态理论置于同一分析框架,以探明街道眼理论与防卫空间理论对中国城市的解释力及其适用的社会条件。具体而言,旨在解答如下问题：第一,以高密度、混合型、密路网、通透性为特征的可渗透性建成环境对盗窃犯罪具有怎样的影响,街道眼能否发挥出抑制犯罪行为的功效?第二,可渗透性特征与居住及人员流动性、人口异质性、经济社会弱势地位等社会解组特征是否对盗窃犯罪存在交互效应;随着社会解组程度降低,街道眼对犯罪活动的自然监控作用能否得到扩大?

1 研究设计

1.1 研究范围

北京市的远郊区包含山地、农田等大量非城镇人口活动空间,故将六环路以内和与六环路相交的社区作为研究范围,共计2538.2 km2。另以居委会、村委会辖区界定社区作为分析单元,共计2969个。

1.2 变量测度

1.2.1 被解释变量：盗窃犯罪密度

盗窃犯罪指盗窃公私财物数额较大或多次盗窃、入户盗窃、携带凶器盗窃、扒窃公私财物的行为,在北京刑事案件中占比最高。为规避年度波动,以2016年1月1日至2020年12月31日各社区发生的盗窃犯罪密度作为被解释变量。盗窃数据来自北京法院审判信息网(http://www.bjcourt.gov.cn)。利用Python程序,爬取2021年6月30日前发布的所有一审刑事判决书,提取案发地点、犯罪类型、作案时间等信息,经地理编码逐一识别案发地经纬度。在剔除主要信息缺失或无法定位至社区的案件后,得到研究范围内5 a间发生的盗窃犯罪7606起。

1.2.2 解释变量：可渗透性环境

高密度、混合型、密路网、通透性是可渗透性建成环境的核心特征,是街道眼理论中发挥自然监控机制的最佳空间属性。为测度4项解释变量,首先以容积率反映土地利用密度。然后,将POI划分成23类城市功能①（①功能类型包括住宅、社区服务设施、机关团体、文化、教育、体育、医疗卫生、社会福利、零售商业、批发市场、餐饮、旅馆、公用设施、商务金融、娱乐康体、工业、仓储、轨交站点、公交车站、停车场、对外交通场站、公园广场、宗教文物古迹。）,以POI类型的赫希曼—赫芬代尔系数(HH)量化功能混合度[40];令原始HH系数乘以-1,该值越大说明功能越多样、越小表示功能越单一;另外,以路网密度度量城市肌理中的街区大小。上述数据均来自2016年的百度地图。
为评价通透性,以50 m为采样间距,抓取研究区范围内每条城市道路在2018年百度街景地图左右方向上的所有图片。选择2%图片作为训练样本,根据一二层建筑的玻璃面积、围墙、篱笆等要素对通透性程度开展人工标注。标注采用李克特5点量表,数值越大,表明通透性越佳。最后,利用MobileNet机器学习模型自动识别每处街景图像中的沿街通透性,进而估得各社区均值。

1.2.3 调节变量：社会解组因素

居民及人员流动性、人口异质性、经济社会弱势地位等社会解组因素是调节变量。以外来人口占居住人口的比例反映居住不稳定性,居住人口指在本社区常住2个月以上的人群,外来人口指2016—2019年春节假期皆未在京发生定位的居住人口②（②不同于统计部门按户籍地界定外来人口,本文所指外来人口包括新市民、农民工、暂住者等群体,以2016—2019年7 d春节假期均未在京定位作为识别依据。尽管存在一定误差,该人群与北京社会的联结度整体弱于本地原住民。）。以途经人口占定位人口的比例和就业人口占定位人口的比例量化人员流动性,其中途经人口指就业地和居住地不在本社区但在本社区发生过定位的人口,就业人口指就业地在本社区但居住地不在本社区的人口。2类人群都有匿名性特征,前者的匿名性更强。定位人口由途经人口、就业人口、居住人口构成。人口数据均来自百度地图慧眼的LBS数据库(https://huiyan.baidu.com),取2019年均值。
住房单价可较好体现个体所处的经济社会地位,故以2016—2018年社区内每套住房成交单价的标准差量化人口异质性。因链家地产在北京二手房市场的占有率接近一半,成交价格真实,从链家网爬取2016—2018年在京成交的258486套二手房数据,逐一提取面积、售价、地址信息(https://bj.lianjia.com/ershoufang)。鉴于大学教育对就业和收入的决定性影响[41-42],用居住人口中非本科学历者的比例度量社区的经济社会弱势地位,该值来自百度地图慧眼。需要说明的是,由于解释变量的数据来源都在2016—2019年之间,与被解释变量的时间段基本吻合。加之一般而言,城市建成环境和社会环境在短期内变化有限,前后一两年的数值对结果影响有限,故不影响本文分析结果。

1.2.4 混淆变量

除可渗透性环境与社会解组因素外,犯罪产生地、吸引地、抑制地分布及空间失序现象亦会影响犯罪空间格局。为控制其干扰,参考犯罪模式理论[43],将商业设施、公交站、地铁站、对外交通站场等人流密集场所归入犯罪产生地,将娱乐设施等特殊活动场所归入犯罪吸引地,将派出所这一正式管制机构归入犯罪抑制地,并把这6类POI密度作为混淆变量。
破窗理论指出,空间失序现象暗示社区缺乏管理维护,易使治安形势陷入恶性循环[44]。与通透性的测度方式相似,以50 m为间距,抓取百度地图前后方向上的街景图像,对杂草、垃圾、杂物、废水、污渍5项空间失序要素进行人工标注;再通过MobileNet机器学习模型,自动识别每张街景图像中的失序要素数量,按社区统计失序要素量的均值,该值越高说明失序越严重。
以上各变量说明及描述特征如表1所示。
表1 变量说明及描述统计

Tab.1 Measurement and descriptive statistics of variables

变量名 释义 均值 标准差
被解释变量
盗窃犯罪密度 2016—2020年盗窃总数/社区面积(起/km2) 7.95 15.78
解释变量
土地利用密度 容积率=总建筑面积/社区面积 1.00 0.78
功能混合度 HHj=- ∑ i = 1 23 S i j - x i 2,其中Sij为社区j中i类POI占该社区POI总数的比重,xi为研究范围内i类POI占POI总数的比重 -0.81 0.60
路网密度 路网密度=(干道长度+支路长度)/社区面积(km/km2) 6.06 3.23
沿街通透性 各街景图像的通透性评分均值 0.92 0.48
调节变量
居住不稳定性 外来人口数/居住人口数 0.49 0.12
途经人员流动性 途经人口数/定位人口数 0.37 0.22
就业人员流动性 就业人口数/定位人口数 0.33 0.24
人口异质性 每套住房成交单价的标准差,无成交社区记为0(万元) 1.41 0.61
社会经济弱势地位 非本科学历居住人口数/居住人口数 0.74 0.10
混淆变量
商业设施密度 (零售+餐饮+批发市场+宾馆POI数)/社区面积(个/km2) 199.04 503.18
公交站密度 公交站POI数/社区面积(个/km2) 3.51 6.63
地铁站密度 地铁站POI数/社区面积(个/km2) 0.60 3.94
对外交通站场密度 (汽车站+火车站+机场POI数)/社区面积(个/km2) 0.06 3.41
娱乐设施密度 (KTV+游戏厅+网吧+酒吧+舞厅+棋牌室+洗浴按摩+影剧院POI数)/社区面积(个/km2) 4.86 12.26
派出所密度 派出所POI数/社区面积(个/km2) 1.64 5.31
空间失序 各街景图像的空间失序要素数量均值 3.94 2.34
盗窃犯罪密度滞后项 Q相邻社区的平均盗窃犯罪密度(起/km2) 7.41 14.93

1.3 计量方法

盗窃犯罪密度的Moran's I值达0.15,且在0.001的统计水平上显著,说明盗窃犯罪存在显著的空间集聚。空间自相关的存在会违背OLS估计所依赖的高斯—马尔可夫定理。借鉴既有应对方式,在模型中控制被解释变量的空间滞后项,即Q相邻社区的盗窃密度均值[28]。为规避异方差干扰,采用“OLS+稳健标准误”开展回归分析。为使各变量回归系数可比,将原变量值减去均值再除以标准差,即在转换成标准分数后纳入模型。在先后加入解释变量、调节变量的基础上,加入两者交互项,以探究社会解组是否在可渗透环境与盗窃犯罪之间发挥着调节作用。经检验,所有变量及交互项的VIF值都小于5,未见严重共线性问题。

2 实证分析

2.1 盗窃犯罪、可渗透性环境和社会解组的空间格局

北京市的盗窃密度表现出中心高、边缘低的整体空间结构,这与经济社会活动的分布大体吻合(图1)。在部分商圈(如西单和王府井附近的崇文门西大街)、对外交通站场(如北京西站附近的西木楼)、历史街区(如东四八条)和商品房小区(如小南庄、龙锦苑、广外南社区、美树假日嘉园)出现犯罪热点。因区位条件良好,盗窃犯罪还在长安街、京开高速、京港澳高速、京沪高速等快速路沿线相对高发,由中心向外围呈轴线放射状格局。
图1 盗窃密度的空间格局

Fig.1 Spatial pattern of theft density

从可渗透性特征的空间分布看(图2a~2d)：土地利用密度、功能混合度、路网密度、沿街通透性具有由中心向外围递减的总趋势。但4项变量间的Pearson相关系数均未超过0.5,仅有中低强度相关性,说明各指标相对大小的全市分布不尽相同。如景点、公园等片区的容积率较低,而通透性较好;回龙观、天通苑等大型居住区的开发强度较高,而功能混合较差。
图2 可渗透性特征与社会解组因素的空间格局

Fig.2 Spatial patterns of permeability characteristics and social disorganization factors

从社会解组程度的空间分布看(图2e~2i)：居住不稳定性强烈的地区集中在四环路外,该处房价相对低廉,促使大量外来人口聚居于此。途经人员流动性高的地区多位于干道、商圈、景点、机场、火车站周边。就业人员流动性高的片区则以CBD、金融街、望京、上地、亦庄等商务区或产业园为主。人口异质性分布呈同心圆结构,市区人口更多元,外围人口更同质。随着到市中心距离的增加,社会经济地位的弱势程度逐渐上升,但在原住民集聚的老城区,部分社区的平均社会地位偏低。

2.2 可渗透性和社会解组对盗窃分布的独立影响

由回归模型1可见(表2),当控制混淆因素干扰后,4项可渗透性建成环境特征均与盗窃犯罪密度呈显著正向关联。土地利用密度、功能混合度、路网密度、沿街通透性每提高1个标准差,社区盗窃密度会相应增加1.985、1.524、1.307、1.252个标准差。该发现同街道眼理论的预期相反,与防卫空间理论的观点更契合。总体而言,具有可渗透性特征的建成环境没能减少盗窃行为发生,这是因为可渗透环境中自然监控机制对犯罪活动的抑制作用未能超过因潜在机会增加而对罪犯产生的激励作用,还是因为街道眼的犯罪防控效应并不存在,仍须验证。
表2 盗窃分布影响因素的回归分析结果

Tab.2 Regression analysis results of the influencing factors of theft distribution

变量 模型1 模型2 模型3 模型4 模型5 模型6
土地利用密度 1.985*** 2.032*** 2.138*** 2.013*** 1.940*** 1.893***
功能混合度 1.524*** 1.356*** 1.298*** 1.588*** 1.320*** 1.299***
路网密度 1.307*** 1.199*** 1.121** 1.019** 1.294*** 1.151**
沿街通透性 1.252* 1.101* 1.070+ 1.016+ 0.869+ 1.620**
居住不稳定性 0.872** 1.162*** 1.048** 1.031** 1.021**
途经人员流动性 1.551*** 1.526*** 1.350*** 1.429*** 1.554***
就业人员流动性 1.079*** 1.048** 0.962** 1.022** 1.055***
人口异质性 1.878*** 1.893*** 2.015*** 1.798*** 1.819***
社会经济弱势地位 0.878* 1.139* 1.114* 0.967* 0.904*
土地利用密度×居住不稳定性 1.077**
土地利用密度×途经人员流动性 0.332
土地利用密度×就业人员流动性 0.726*
土地利用密度×人口异质性 0.257
土地利用密度×社会经济弱势地位 0.205
功能混合度×居住不稳定性 0.614*
功能混合度×途经人员流动性 1.247***
功能混合度×就业人员流动性 1.010***
功能混合度×人口异质性 1.103**
功能混合度×社会经济弱势地位 -0.492
路网密度×居住不稳定性 0.672*
路网密度×途经人员流动性 0.680*
路网密度×就业人员流动性 0.967**
路网密度×人口异质性 1.669***
路网密度×社会经济弱势地位 1.229**
沿街通透性×居住不稳定性 0.588*
沿街通透性×途经人员流动性 1.014**
沿街通透性×就业人员流动性 0.626*
沿街通透性×人口异质性 1.001**
沿街通透性×社会经济弱势地位 0.449
商业设施密度 2.196*** 2.028*** 2.003*** 2.395*** 1.986*** 1.945***
公交站密度 -0.829** -0.436 -0.428 -0.298 -0.258 -0.425
地铁站密度 0.531+ 0.341 0.337 0.482+ 0.248 0.297
对外交通站场密度 0.975*** 0.838** 0.830** 1.014*** 0.850** 0.860**
娱乐设施密度 1.512*** 1.691*** 1.693*** 1.593*** 1.802*** 1.775***
派出所密度 0.440 0.363 0.454 0.553+ 0.439 0.340
空间失序 1.362** 1.254* 1.265* 0.995+ 1.063* 1.561**
盗窃犯罪密度滞后项 1.696*** 1.785*** 1.921*** 1.718*** 1.856*** 1.839***
常数 8.010*** 8.011*** 8.194*** 7.768*** 8.087*** 8.033***
R2 0.350 0.385 0.391 0.405 0.401 0.396
F值 46.200 37.940 30.200 31.920 31.680 30.810

注：***、**、*、+分别表示在0.001、0.01、0.05、0.1的统计水平上显著。

模型2新增的5项社会解组特征也与盗窃密度存在显著正向关系(表2),说明以社会解组为代表的社会生态因素亦是激发犯罪行为的重要动因。伴随居住不稳定性、途经人员流动性、就业人员流动性、人口异质性、社会经济弱势地位的加深,社区集体效能加速瓦解,公共参与意愿不断减弱,非正式社会控制受到削弱,致使潜在罪犯、作案目标、监管盲区同步增多,治安形势持续恶化。标准化回归系数显示,人口异质性是社会解组变量中相对影响最强的犯罪引致因素;由于居住人口、就业人员、途经人口的匿名性依次递增,基于三者测量的流动性影响也呈上升态势。

2.3 可渗透性和社会解组对盗窃分布的交互影响

为进一步检验可渗透性与社会解组之间是否具有交互效应,依次将4项建成环境变量与5项社会环境变量相乘,建构20个交互项,按可渗透性特征逐批纳入模型。模型3表明,在控制各变量的独立影响后,土地利用密度与5项社会解组因素的交互项均为正值,其中土地利用密度与居住不稳定性在0.01的统计水平上显著、与就业人员流动性的交互项在0.05的统计水平上显著(表2)。如图3所示,当居住不稳定性的标准分数大于-1.985 (=-2.138/1.077) ③（③若居住不稳定性的标准分数为-1.985,表示该社区的居住不稳定性比研究范围内该变量的均值低1.985个标准差。将解释变量的回归系数除以交互项的回归系数、再取负数可得调节变量的临界值,解释变量对被解释变量的影响方向会在临界值上下发生改变。）,或就业人员流动性的标准分数大于-2.945(=-2.138/0.726)时,土地利用密度对盗窃犯罪的正向影响将随居住不稳定性和就业人员流动性的加强而扩大;反之,当居住不稳定性和就业人员流动性低于上述临界值时,土地利用密度对盗窃行为的影响将由正转负,该负向影响还会随社会解组程度的缓解而强化。
图3 土地利用密度与社会解组的交互效应

Fig.3 Interactions between land use density and social disorganization

社会解组在其他可渗透性特征与盗窃犯罪的关系中扮演着相似的调节作用。当居住不稳定性、途经人员流动性、就业人员流动性、人口异质性的标准分数分别大于-2.586、-1.273、-1.572、-1.440时,功能混合度对盗窃密度的正向影响将随着4项解组因素的提高而显著增强(模型4、图4)。当4项解组变量以及社会经济弱势地位的标准分数分别大于-1.926、-1.903、-1.338、-0.775、-1.053时,路网密度对盗窃密度的正向影响也因社会日益解组而显著强化(模型5、图5)。当这4项解组变量的标准分数分别大于-2.755、-1.598、-2.588、-1.618时,沿街通透性对盗窃密度的正向影响也会随解组程度的加深而显著放大(模型6、图6)。当各解组变量低于上述临界值时,功能混合度、路网密度、沿街通透性对盗窃密度的影响将由正转负,该负向影响亦随社会解组程度的降低而逐渐扩大。
图4 功能混合度与社会解组的交互效应

Fig.4 Interactions between mixing degree of urban functions and social disorganization

图5 路网密度与社会解组的交互效应

Fig.5 Interactions between road network density and social disorganization

图6 沿街通透性与社会解组的交互效应

Fig.6 Interactions between transparency of street buildings and social disorganization

综上所述,可渗透性建成环境对犯罪行为的影响方向和影响强度并非是一成不变的。高密度、多功能、密路网、通透性在促进城市活力的过程中为公共空间带来了众多“街道眼”,但街道眼能否发挥自然监控机制取决于所在社区的社会环境。在流动性强、构成异质、地位弱势的解组社区中,街道眼的自然监控作用将日益式微;而在流动性低、构成同质、地位优越的社区中,可渗透性环境不仅不会加剧犯罪,反而因集聚了更多有意愿、敢作为的街道眼而对犯罪现象起到阻抑作用。不过,多数解组变量的临界值低于均值1个标准差以上,表明可渗透性环境仍是绝大部分北京社区的犯罪诱因,街道眼理论仅适用于少量社会结构稳定、富有集体效能的社区。这也是总体上可渗透性环境与盗窃密度呈正向关系的原因所在。

2.4 混淆因素对盗窃分布的影响

从混淆因素的影响看,商业设施、对外交通站场、娱乐设施是盗窃犯罪的产生地或吸引地;公交站和地铁站的影响则不明显,或因这些站点增配的协管员发挥了震慑作用。派出所周边并未出现盗窃减少,或因派出所往往设在人流密集区域,其对犯罪的遏制作用被充足的作案机会所抵消。如破窗理论所言,空间失序与盗窃密度关系密切。盗窃密度的滞后项显著为正,证明存在空间自相关。

3 结论与讨论

本文以北京中心城区为研究范围,通过整合法律文书、定位服务、街景图像、空间兴趣点、道路网络等多源大数据,测量了可渗透性的建成环境特征和社会解组的社会环境特征,探讨了可渗透性环境对盗窃犯罪分布的影响以及社会解组因素在其间发挥的调节作用,促成了犯罪机会与社会生态理论在同一分析框架中的互动,揭示了街道眼与防卫空间理论的分歧源头和适用情境。
街道眼理论和防卫空间理论在可渗透性环境对犯罪活动的影响方面存在分歧,并在实践中指导着新城市主义和门禁社区2种对立的设计理念,对制定统一的犯罪防控策略造成了一定困扰。研究表明,土地利用密度、功能混合度、路网密度、沿街通透性等建成环境特征总体上均与社区盗窃密度存在显著正向关联,这同多数西方研究结论相似。如防卫空间理论所言,可渗透性环境未能有效抑制北京市盗窃犯罪的发生。一方面,充满活力和人气的空间为潜在罪犯提供了更多作案机会,密路网为作案人的抵达及逃逸提供了便利;另一方面,虽然街道眼的数量会随空间使用者的增多而上升,但混杂人群集聚容易降低居民识别陌生人的意愿和能力,弱化甚至消除街道眼的自然监控功效。
不过,这一平均化、一般性的规律并非放之四海而皆准。除犯罪机会理论外,同时考虑社会生态理论以及2种理论的交互效应至关重要。因为建成环境对犯罪行为的影响并非是在真空中产生的,各社区建成环境与犯罪分布的关系也不尽相同。本地社会生态在这一关系中扮演着调节作用,可渗透性环境带来的街道眼能否发挥自然监控功效有赖于社会解组特征的强弱。对多数可渗透性特征而言,伴随居住不稳定性、途经人员流动性、就业人员流动性、人口异质性、社会经济弱势地位等社会解组程度的加深,可渗透性环境对盗窃密度的正向影响将持续扩大;反之,伴随社会结构日趋稳定、集体效能不断增强,街道眼蕴含的非正式社会控制潜力将得到激发,进而能有效抑制犯罪行为。
由此可知,街道眼理论与防卫空间理论的成立与否取决于具体空间场域中的社会情境。防卫空间理论更适用于解组社区,在缺乏凝聚力、归属感、共同价值观和集体行动能力的社区,街道眼数量的增加并不会直接提升监视意愿,并不能转化为居民对社区事务的积极介入和对越轨现象的主动干预,此时采取新城市主义的可渗透性设计策略容易加剧安全风险。街道眼理论更符合社会结构稳定、社会资本丰厚的社区,唯有在互信互助、团结有为的社会情境下,活力空间中云集的街道眼才能自动自发地产生非正式监控机制,使可渗透性环境成为阻抑犯罪的积极因素。模型拟合的临界值表明,防卫空间理论对北京多数社区的犯罪成因更具解释力,现阶段秉持隔离性门禁社区的设计理念仍有必要。
未来研究还可做如下探索：① 本文使用的横截面模型没能揭示因果关系,可采用面板模型,或借由城市更新、新城建设引发的环境变化开展准实验研究;② 由社会调查测量集体效能、社会资本等构念,进而通过结构方程揭示社会解组对犯罪活动影响的内在机理;③ 可用案件数量、人均受害率等多种方式测度犯罪状况,并将交互效应的讨论拓展至其他犯罪类型和中小城市,以检验结论稳健性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4): 588-608.

DOI

[2]
Cornish D B, Clarke R V. The reasoning criminal: Rational choice perspectives on offending[M]. New York, USA: Springer-Verlag, 1986.

[3]
Landman K. Boundaries, bars and barricades: Reconsidering two approaches to crime prevention in the built environment[J]. Journal of Architectural and Planning Research, 2009, 26(3): 213-227.

[4]
Jacobs J. The death and life of great American cities[M]. New York, USA: Vintage, 1961.

[5]
Browning C R, Jackson A L. The social ecology of public space: Active streets and violent crime in urban neighborhoods[J]. Criminology, 2013, 51(4): 1009-1043.

DOI

[6]
Sohn D W, Yoon D K, Lee J. The impact of neighborhood permeability on residential burglary risk: A case study in Seattle, USA[J]. Cities, 2018, 82: 27-34.

DOI

[7]
Kitchen T. New urbanism and the CPTED in the British planning system: Some critical reflections[J]. Journal of Architectural and Planning Research, 2005, 22(4): 342-357.

[8]
Foster S, Hooper P, Knuiman M, et al. Are liveable neighbourhoods safer neighbourhoods? Testing the rhetoric on new urbanism and safety from crime in Perth, Western Australia[J]. Social Science & Medicine, 2016, 164: 150-157.

DOI

[9]
Newman O. Defensible space: Crime prevention through urban design[M]. New York, USA: Macmillan, 1972.

[10]
Dong H W. Does walkability undermine neighbourhood safety?[J]. Journal of Urban Design, 2017, 22(1): 59-75.

DOI

[11]
柳林, 姜超, 周素红, 等. 城市入室盗窃犯罪的多尺度时空格局分析: 基于中国H市DP半岛的案例研究[J]. 地理研究, 2017, 36(12): 2451-2464.

DOI

[ Liu Lin, Jiang Chao, Zhou Suhong, et al. Spatial-temporal patterns of burglary at multiple scales: The case of DP peninsula in H city, China. Geographical Research, 2017, 36(12): 2451-2464. ]

DOI

[12]
肖露子, 柳林, 宋广文, 等. 基于理性选择理论的社区环境对入室盗窃的影响研究[J]. 地理研究, 2017, 36(12): 2479-2491.

DOI

[ Xiao Luzi, Liu Lin, Song Guangwen, et al. Impacts of community environment on residential burglary based on rational choice theory. Geographical Research, 2017, 36(12): 2479-2491. ]

DOI

[13]
张延吉, 朱春武, 秦波. 犯罪数量与危害的空间分布及建成环境影响: 基于北京市刑事案件的纵向研究[J]. 地理科学进展, 2019, 38(12): 1876-1889.

DOI

[ Zhang Yanji, Zhu Chunwu, Qin Bo. Spatial distribution of crime number and harm and the influence of the built environment: A longitudinal research on criminal cases in Beijing. Progress in Geography, 2019, 38(12): 1876-1889. ]

DOI

[14]
Cowen C, Louderback E R, Roy S S. The role of land use and walkability in predicting crime patterns: A spatiotemporal analysis of Miami-Dade county neighborhoods, 2007-2015[J]. Security Journal, 2019, 32: 264-286.

DOI

[15]
Cozens P M. New urbanism, crime and the suburbs: A review of the evidence[J]. Urban Policy and Research, 2008, 26(4): 429-444.

DOI

[16]
Shaw C, Mckay H. Juvenile delinquency and urban areas[M]. 5th Edition. Chicago, USA: University of Chicago Press, 1986.

[17]
Sampson R J, Groves W B. Community structure and crime: Testing social-disorganization theory[J]. American Journal of Sociology, 1989, 94(4): 774-802.

DOI

[18]
Sampson R J, Raudenbush S W, Earls F. Neighborhoods and violent crime: A multilevel study of collective efficacy[J]. Science, 1997, 277: 918-924.

PMID

[19]
Breetzke G D. Modeling violent crime rates: A test of social disorganization in the city of Tshwane, South Africa[J]. Journal of Criminal Justice, 2010, 38(4): 446-452.

DOI

[20]
Stucky T D, Ottensmann J R. Land use and violent crime[J]. Criminology, 2009, 47(4): 1223-1264.

DOI

[21]
Zhou H L, Liu L, Lan M X, et al. Using Google Street View imagery to capture micro built environment characteristics in drug places, compared with street robbery[J]. Computers, Environment and Urban Systems, 2021, 88: 101631. doi: 10.1016/j.compenvurbsys.2021.101631.

DOI

[22]
Tillyer M S, Walter R J. Low-income housing and crime: The influence of housing development and neighborhood characteristics[J]. Crime & Delinquency, 2019, 65(7): 969-993.

[23]
Song G W, Liu L, Bernasco W, et al. Theft from the person in urban China: Assessing the diurnal effects of opportunity and social ecology[J]. Habitat International, 2018, 78: 13-20.

DOI

[24]
Bernasco W, Block R. Robberies in Chicago: A block-level analysis of the influence of crime generators, crime attractors, and offender anchor points[J]. Journal of Research in Crime and Delinquency, 2011, 48(1): 33-57.

DOI

[25]
Johnson S D, Bowers K J. Permeability and burglary risk: Are cul-de-sacs safer?[J]. Journal of Quantitative Criminology, 2010, 26: 89-111.

DOI

[26]
Hipp J R, Kim Y-A, Kan K. The effect of the physical environment on crime rates: Capturing housing age and housing type at varying spatial scales[J]. Crime & Delinquency, 2019, 65(11): 1570-1595.

[27]
Hipp J R, Yates D K. Ghettos, thresholds, and crime: Does concentrated poverty really have an accelerating increasing effect on crime?[J]. Criminology, 2011, 49(4): 955-990.

DOI

[28]
Jones R W, Pridemore W A. Toward an integrated multilevel theory of crime at place: Routine activities, social disorganization, and the law of crime concentration[J]. Journal of Quantitative Criminology, 2019, 35(3): 543-572.

DOI

[29]
Rice K J, Csmith W R. Socioecological models of automotive theft: Integrating routine activity and social disorganization approaches[J]. Journal of Research in Crime and Delinquency, 2002, 39(3): 304-336.

DOI

[30]
de Nadai M, Xu Y, Letouzé E, et al. Socio-economic, built environment, and mobility conditions associated with crime: A study of multiple cities[J]. Scientific Reports, 2020, 10: 13871. doi: 10.1038/s41598-020-70808-2.

DOI

[31]
Graif C, Sampson R J. Spatial heterogeneity in the effects of immigration and diversity on neighborhood homicide rates[J]. Homicide Studies, 2009, 13(3): 242-260.

DOI

[32]
Wilcox P, Land K C, Hunt S A. Criminal circumstance: A dynamic, multi-contextual criminal opportunity theory[M]. New York, USA: Routledge, 2003.

[33]
Pridemore W A, Grubesic T H. Community organization moderates the effect of alcohol outlet density on violence[J]. The British Journal of Sociology, 2012, 63(4): 680-703.

DOI PMID

[34]
Wo J C, Park J. An examination of schools, social ecological factors, and neighbourhood crime[J]. British Journal of Criminology, 2020, 60(4): 851-872.

DOI

[35]
Smith W R, Frazee S G, Davison E L. Furthering the integration of routine activity and social disorganization theories: Small units of analysis and the study of street robbery as a diffusion process[J]. Criminology, 2000, 38(2): 489-524.

DOI

[36]
Tillyer M S, Wilcox P, Walter R J. Crime generators in context: Examining 'place in neighborhood' propositions[J]. Journal of Quantitative Criminology, 2021, 37(2): 517-546.

DOI

[37]
Wo J C. Mixed land use and neighborhood crime[J]. Social Science Research, 2019, 78: 170-186.

DOI

[38]
Lee N, Contreras C. Neighborhood walkability and crime: Does the relationship vary by crime type?[J]. Environment and Behavior, 2021, 53(7): 753-786.

DOI

[39]
Zahnow R. Mixed land use: Implications for violence and property crime[J]. City & Community, 2018, 17(4): 1119-1142.

[40]
Cho G, Rodriguez D. Location or design? Associations between neighbourhood location, built environment and walking[J]. Urban Studies, 2015, 52(8): 1434-1453.

DOI

[41]
Hu A N, Hibel J. Changes in college attainment and the economic returns to a college degree in urban China, 2003-2010: Implications for social equality[J]. Social Science Research, 2014, 44: 173-186.

DOI

[42]
Xiao Y, Bian Y J. The influence of hukou and college education in China's labour market[J]. Urban Studies, 2018, 55(7): 1504-1524.

DOI

[43]
Brantingham P L, Brantingham P L. Criminality of place: Crime generators and crime attractors[J]. European Journal on Criminal Policy and Research, 1995, 3: 5-26.

DOI

[44]
Wilson J Q, Kelling G L. Broken windows[J]. The Atlantic Monthly, 1982, 249(3): 29-38.

Options
文章导航

/

〈 〉