EN中文

地理科学进展 >

2023 , Vol. 42 >Issue 2: 328 - 340

DOI: https://doi.org/10.18306/dlkxjz.2023.02.010

研究论文

新冠疫情防控措施对入室盗窃犯罪热点的影响——基于北京市主城区的案例研究

  • 张新宇 ,
  • 陈鹏 , *
展开
  • 中国人民公安大学信息网络安全学院，北京 102600
* 陈鹏(1981— )，男，辽宁营口人，博士，副教授，研究方向为犯罪地理和公安大数据分析。E-mail:

张新宇(1998— )，男，河南濮阳人，硕士生，研究方向为警务数据分析。E-mail:

收稿日期: 2022-07-21

  修回日期: 2022-09-21

  网络出版日期: 2023-02-24

基金资助

教育部人文社会科学规划基金项目(20YJAZH009)

中央高校基本科研业务费专项(2020JKF501)

收起

The impact of COVID-19 prevention and control measures on residential burglary hotspots: A case study of the core urban areas of Beijing

  • ZHANG Xinyu ,
  • CHEN Peng , *
Expand
  • School for Informatics Cyber Security, People's Public Security University of China, Beijing 102600, China

Received date: 2022-07-21

  Revised date: 2022-09-21

  Online published: 2023-02-24

Supported by

Project of Humanities and Social Sciences of Ministry of Eduction in China(20YJAZH009)

Special Fund for Basic Scientific Research of Central Universities(2020JKF501)

Fold

摘要

为了分析新冠疫情防控措施对入室盗窃犯罪热点带来的影响，论文收集了北京市2020年重大突发公共卫生事件一级响应期间和2019年同一时期的入室盗窃案件数据，利用核密度分析、PAI(predictive accuracy index)指数等方法比较了疫情防控前后犯罪热点的变化，从路网密度、POI多样性等环境特征以及发案地点、重复作案等角度对发生明显变化的犯罪热点的环境特征和案件特征进行了分析，讨论了疫情防控措施对犯罪热点带来的影响。结果表明：① 疫情发生后，北京市主城区内的入室盗窃类案件数量大幅下降，2020年一级响应期间的日均发案量较2019年同一时期降幅达66.8%；② 2019年出现的8个主要犯罪热点在2020年疫情防控期间呈现出明显衰减现象，其中5个热点基本消失，3个热点有所减弱；③ 出现衰减的热点普遍具有交通便利性好、要素多样性高、发案地点集中、犯罪人重复作案明显等特点；④ 疫情防控期间实施的居家隔离和社交限制等措施对犯罪人的作案机会形成压缩、公共场所的实名查验对犯罪人的匿名性形成削弱是疫情期间犯罪数量下降和热点效应衰减的主要原因。研究结果对疫情防控期间的犯罪预防和警力资源优化具有一定的意义。

关键词： 新冠疫情; 防控措施; 入室盗窃; 犯罪热点; 日常活动理论; 理性选择理论; 北京市

本文引用格式

张新宇 , 陈鹏 . 新冠疫情防控措施对入室盗窃犯罪热点的影响——基于北京市主城区的案例研究[J]. 地理科学进展, 2023 , 42(2) : 328 -340 . DOI: 10.18306/dlkxjz.2023.02.010

Abstract

In order to analyze the impact of COVID-19 prevention and control measures on the hotspots of residential burglary, the data of crimes that occurred during the First Level Response period of Major Public Health Emergencies in Beijing in 2020 and the same period in 2019 were collected, and the changes of hotspots during the two periods were compared by using kernel density estimation and predictive accuracy index. Consequently, the environmental features such as street network, point of interest (POI) diversity, crime locations, and repeat victimization in significantly varied hotspot areas were investigated. The results show that: 1) After the outbreak of the pandemic, the occurrence of residential burglary in the core urban areas of Beijing dropped significantly, and daily occurrence of crimes during the First Level Response period in 2020 decreased by 66.8% compared with the same days in 2019. 2) The eight major hotspots that existed in 2019 apparently declined during the corresponding days in 2020, five of them basically disappeared, and three hotspots weakened. 3) The declined hotspots were generally clustered around traffic hubs, areas with high diversity of POIs, clustered crimes, and repeat victimizations. 4) Home isolation and social restriction strategies implemented during the First Level Response period reduced the opportunities of offenders, and the real-name inspection adopted in public places increased the exposure risk of offenders, which are the main reasons for the hotspots decline during the pandemic. This work has some implications for crime prevention and police resources optimization during the pandemic.

Key words： COVID-19; pandemic prevention and control measures; residential burglary; crime hotspots; routine activity theory; rational choice theory; Beijing City

突如其来的新冠疫情给社会生活带来了巨大的变化，而采取的疫情防控措施几乎影响了人类活动的每个领域，也给犯罪活动带来了深刻的影响。自2020年以来，国内外学者针对疫情防控对城市犯罪的影响这一领域开展了相应的研究，发现疫情防控对不同类型的犯罪均产生了显著性的影响效应。例如，Nivette等[1]发现，在疫情发生初期，23个国家的27个城市中发生的入室盗窃、偷窃、汽车盗窃、抢劫、故意伤害等犯罪呈现显著下降趋势。Ashby[2]针对美国疫情初期16个大城市的研究显示，与疫情爆发前的2019年相比，住宅入室盗窃和机动车盗窃显著减少。另一项针对美国疫情爆发初期25个大城市的研究中，发现毒品犯罪、普通盗窃、住宅盗窃、严重暴力犯罪事件和逮捕人数普遍下降，而非居民区盗窃和汽车盗窃案却有所增加[3] 。Borrion等[4]就疫情爆发初期中国某城市的商业盗窃案件数据展开研究，并进行了弹性评估，发现犯罪数量在疫情防控放松后会产生一定程度的反弹。Dai等[5]则对疫情爆发初期湖北省某县级市的110报警数据展开分析，发现犯罪、交通和纠纷类的报警数据显著减少，但与家庭暴力、公共安全和其他问题有关的报警数据却大幅增加。
为抑制疫情传播，各个国家和地区大量采取了“居家令”(stay-at-home orders)和“社交限制”(social distancing)等防控措施，这被认为对入室盗窃等以居民住所、营业场所等固定目标为对象实施侵害的犯罪活动有着巨大的影响。因此，在疫情防控影响犯罪变化的研究中，入室盗窃类案件始终是研究人员关注的重点犯罪类型。对这一类犯罪的研究中，在时间效应方面，Hodgkinson等[6]通过分析疫情防控初期加拿大温哥华市的犯罪数据，发现入室盗窃案件的变化并不明显；Koppel等[7]对疫情防控前后住宅区和公共空间2种用地的入室盗窃案件进行了对比分析，发现公共场所的入室盗窃增加了26%，住宅区减少了14%，但犯罪总量基本没有变化； Balmori等[8]对墨西哥的城市犯罪进行了研究，发现2020年1—10月疫情防控期间入室盗窃案件经历了下降和反弹的过程；Chen等[9]针对中国南方某市的犯罪数据进行研究，发现入室盗窃案件在疫情防控初期呈明显的下降趋势。随着疫情的不断发展，研究人员在获得更多信息的基础上，也开始从更加精细化的角度来探讨疫情防控对入室盗窃案件的影响。如Mohler等[10]从社交距离变化的层面对疫情防控期间美国洛杉矶和印第安纳波利斯的入室盗窃开展研究，发现入室盗窃案件的变化呈现为明显的空间异质性，其中洛杉矶案发量的减少与社交限制相关，但印第安纳波利斯的案件变化与社交限制的关联性并不显著；Halford等[11]结合英国的犯罪数据和谷歌人口流动性报告发现，疫情防控期间入室盗窃案发量的下降与人口流动性的下降有关；Campedelli等[12]对美国芝加哥市的犯罪活动进行分析，发现在疫情防控期间，入室盗窃案件普遍减少，但不同社区的变化幅度不同，其中对于65岁以上人口占比越高的社区，其发生的入室盗窃案件在统计上显著减少的可能性就越低；Payne等[13]基于澳大利亚昆士兰77个地区的犯罪数据分析，发现居民区入室盗窃在疫情防控初期呈现下降趋势，非居民区入室盗窃在封城后则经历了先上升后下降的趋势，其认为当地政府采取的社交限制措施是引发这一变化的主要原因；此外，Schleimer等[14]通过研究美国实施疫情防控措施后16个主要城市的犯罪数据，发现入室盗窃案发量与居家人口的百分比呈正相关。
整体上，新冠疫情爆发后疫情防控措施对犯罪活动的影响效应分析已经成为犯罪学和地理学领域的新方向，尤其是入室盗窃案件因受疫情防控措施影响较大，受到了研究人员的重点关注。但从目前已产出的研究成果来看，现有工作主要侧重于从疫情期间社交距离的变化、人口流动性的变化及居家人口的变化等视角对入室盗窃案件的影响来展开分析，并基于日常活动理论(routine activity theory)[15⇓-17]以及理性选择理论(rational choice theory)[18⇓-20]等经典环境犯罪学观点进行解释。但这些工作大多集中在城市或社区级尺度，空间视角相对单一，不够精细，并且疫情防控对犯罪活动的影响分析主要偏重于空间单元内的人口构成、种族影响[13]等因素，缺少结合地理环境的犯罪空间热点效应的影响性分析。对此，本文拟针对北京市疫情防控前后的入室盗窃案件热点分布变化开展实证研究，结合北京市疫情防控政策，分析对比疫情防控前后入室盗窃案件的热点分布特征，并结合犯罪热点内的环境结构和发案特征，利用环境犯罪学基本原理，对疫情防控措施影响犯罪热点分布的过程进行解释，进一步深化人们对疫情防控影响犯罪地理分布的认识。

1 研究区域、数据及方法

1.1 研究区域及数据

1.1.1 研究区概况

本文实证研究对象为北京市。截至2021年末，北京市总面积约为16410 km2，其中主城区(东城、西城、海淀、丰台、朝阳、石景山)面积约为1385 km2，占比为8.4%。北京市常住人口约为2188.6万人，其中主城区常住人口约为1098.8万人，占比为50.2%。以北京市的6条环线高速路为参考对其地理方位表示如图1所示，北京市由内向外可分为不同的城市功能区，其中二环以内为老城区，主要空间要素为老旧民居、古建筑及政府单位机关等；二环至三环为城市功能扩展区，主要空间要素包括CBD、大型交通枢纽，但也存在部分老旧民居；三环以外为通勤区，主要空间要素除高校外，为商住小区、居民区等。总体上，北京市的城市发展属于由内向外、逐渐扩张的趋势，同时与原有的空间要素相互融合相互影响，造成了空间环境的复杂性和犯罪活动的高发性[21]。因此，为了对研究区域形成有效聚焦，本文仅对主城区内的入室盗窃案件进行分析，具体以五环路内的区域为主。
图1 北京市行政区划及主干环线快速路示意图

Fig.1 Administrative division and major ring roads of Beijing Municipality

1.1.2 POI及路网数据

本文研究所采用的空间数据为北京市的POI数据和路网数据，均来源于百度地图。其中POI数据包括了类型、坐标等信息，且类型信息包含多个等级，具体如表1所示，本文按照第一级进行分类。路网数据为涵盖北京市主要城区的道路及其支路等。
表1 POI二级类型示例

Tab.1 Secondary type of POI

一级 二级
餐饮
酒店
购物
生活服务
旅游景点
休闲娱乐
运动健身
教育培训
文化传媒
医疗
汽车服务
交通设施
金融
房地产
公司企业
政府机构		 中餐厅/外国餐厅/小吃快餐店等
星级酒店/公寓式酒店/民宿等
购物中心/百货商场/超市/市场等
通讯营业厅/照相馆/家政服务等
公园/动物园/文物古迹/风景区等
度假村/电影院/KTV/歌舞厅等
体育场馆/极限运动场所/健身房等
高等院校/中学/小学/幼儿园等
新闻出版/广播电视/艺术团体等
综合医院/专科医院/诊所/药店等
汽车销售/汽车维修/汽车美容等
飞机场/火车站/地铁站/地铁线路等
银行/ATM/信用社/投资理财等
写字楼/住宅区/宿舍/内部楼栋等
公司/园区/农林园艺/厂矿等
中央机构/各级政府/行政单位等

1.1.3 犯罪数据

犯罪数据①(① 本文在研究过程中收集了2017—2020年同期的入室盗窃数据，但2017—2019年案发数量和案发位置存在一定变动，这与北京市公安机关的专项行动有一定关系。其中，2017年公安部部署了“三打击一整治”专项行动”，2018年北京市公安局部署了“回天利剑”千警百日打整专项行动，其打击目标均包含了侵财类犯罪。而2019年公安部部署的“净网专项”，其打击目标主要为网络犯罪，其对侵财类犯罪影响相对较小。因此，为了消除警务专项行动对犯罪空间态势的影响，本文仅以2019年和2020年的入室盗窃案件进行比较分析。)来源于北京市公安局，犯罪类型选择为入室盗窃案件，其主要字段包括案件编号、案发时间、主案别以及案发地址等。在犯罪数据的筛选上，根据北京市疫情防控措施的调整进行选择。北京市自2020年1月24日启动了突发公共卫生事件一级响应机制②(②http://www.beijing.gov.cn/ywdt/gzdt/202001/t20200124_1828366.html。)，响应期间采取了居住区封闭管理，省际客运全部停运，所有旅游团禁止出行，地铁限流50%，生活服务、购物、金融、旅游景点、体育休闲等暂停开放等措施。随着全国疫情防控形势取得阶段性胜利，北京市于4月30日凌晨将疫情防控等级降为二级，防控措施开始逐步放开，各类场所开始逐步恢复运营。为此，本文选择了一级响应实施的时间区间，即2020年1月24日至4月29日，作为数据选择时间窗口，同时为了进行对比也提取了2019年1月24日至4月29日期间发生的入室盗窃案件数据。对数据进行噪声去除并进行人工清洗后，最终得到2019、2020年可用于分析的入室盗窃案件数据，分别为1260、418起。

1.2 研究方法

1.2.1 核密度估计

核密度是一种非参数估计的空间统计方法，在进行犯罪热点挖掘时的原理为假设每一个案件属于独立同分布，则每个案件数据点服从概率密度函数，犯罪活动在空间的分布可以表示为区域内所有犯罪活动邻域内的核密度函数之和[22⇓-24]。点xi的核密度函数f(x)可以表达为：
f ( x ) = 1 n ∑ i = 1 n K ( x i - x k h )
式中：xk表示xi邻域内的点，xi ~ xk表示两者之间的距离，h为距离衰减阈值。本文以ArcGIS 10.7为工具进行核密度分析，并控制像元大小和搜索半径参数相同。

1.2.2 PAI指数

PAI(predictive accuracy index)指数[25]是Chainey于2008年提出的用于确定热点区的一个指数，用以衡量所选区域能否被认定为犯罪热点的一个标准，其表达式如下：
P A I = n N · 100 / ( a A · 100 )
式中：n是发生在待判定区域的案件数值；N是犯罪案件数量的总值；a是待判定是否为热点区域的面积值；A是研究区的面积值。如果将整个研究区域视为热点区域，那么所有案件数发生在全部的研究区面积上，即PAI指数为1；若60%案件发生在30%的面积上，则PAI指数为2。PAI数值越高，则说明判定的区域为犯罪热点的可能性越大。

1.2.3 辛普森指数

辛普森指数又称为辛普森多样性指数[26]，常用于生物学领域群落物种多样性的判断。在犯罪活动的异质性[24]和城市用地多样性[27]中也有应用，本文利用辛普森指数研究城市特定区域的POI多样性，其表达式为：
S = 1 - ∑ i = 1 m ( M i M ) 2
式中：S表示POI多样性，Mi代表一个地理区域中第i种POI类型的数量，M代表一个地理区域中所有POI的总数量，m表示一个地理区域中POI类型总数。S的取值范围为0~1，值越大表示一个地理区域POI多样性越高，反之越低。

2 入室盗窃案件的时空分布变化

2.1 时间变化

对2019年和2020年研究周期内的入室盗窃案件生成时间序列如图2所示，其描述性统计信息如表2所示。由图2可见，2020年一级响应期间的案发量明显低于疫情前2019年同期的案发数量。其中，2019年对应周期内的入室盗窃案件呈现出“高低交错”的特点，日均发案量为13.2起，标准差为4.86起。2020年一级响应期间入室盗窃案件则整体呈现小幅度波动的趋势，日均发案量为4.4起，标准差为2.38起。通过对比可知，2020年一级响应期间的日均入室盗窃案件数量相对2019年下降了约66.8%，不仅数量下降，且相对平稳，没有出现类似于2019年急剧变化的特点。
图2 北京市2019与2020年研究周期内入室盗窃案件时间分布

Fig.2 Temporal change of residential burglary in Beijing in 2019 and 2020

表2 北京市2019与2020年研究周期内入室盗窃案件描述性统计

Tab.2 Descriptive statistics of residential burglary in Beijing in 2019 and 2020 (起)

描述性统计指标 2019年 2020年
总案发量
最小案发量(每天)
最大案发量(每天)
平均案发量
标准差		 1260
4
29
13.20
4.86		 418
0
11
4.40
2.38

2.2 空间变化

采用核密度估计对2019年和2020年研究周期内的入室盗窃案件热点进行分析。为保证结果可比较，在参考文献[21]的研究基础上，设置栅格像元大小均为160 m × 160 m，搜索半径均为1.6 km，核函数均采用高斯分布函数，得到2019年和2020年研究周期内的犯罪热点核密度分布如图3所示。
图3 2019年和2020年研究周期内入室盗窃案件核密度分布

注：图中1~9为入室盗窃案件热点编号。下同。

Fig.3 Kernel density of residential burglary in Beijing in 2019 and 2020

由图3可见，2019年的入室盗窃案件存在8个比较突出的犯罪热点，2020年存在2个比较突出的犯罪热点。2019年的8个入室盗窃案件热点主要集中在北京市中心区域的东部和南部，呈现出多点集中分布的态势，其中在东四环与东五环尤为多发。但在2020年一级响应期间，原先的8个犯罪热点数量和面积均大幅减少，其中热点“1”、热点“3”、热点“5”、热点“7”、热点“8”的热点效应基本消失，热点“2”、热点“4”、热点“6”的热点效应有所减弱，而在西北四环则新增了一个较为突出的犯罪热点“9”。由此可见，随着公共卫生突发事件一级响应的实施，犯罪热点整体上呈现出了衰减的趋势，仅有个别热点新增或加强。为了进一步分析犯罪热点的变化，利用PAI指数分别计算2019年和2020年的犯罪热点特征(表3)，并对2019—2020年的变化差值进行计算，从结果可见，PAI指数变化较大的热点共有6个，其中热点“1”，热点“3”，热点“5”，热点“7”，热点“8”主要表现为明显衰减趋势，热点“9”表现为加强趋势。各热点的具体分布如图4所示，可以发现2020年的入室盗窃热点“9”相比于2019年发生了明显的位置转移。
表3 疫情前后入室盗窃热点统计对比

Tab.3 Statistics of residential burglary hotspots before and after COVID-19

热点编号 热点面积/km2 位置 案件量/起 PAI指数
2019年 2020年 2019年 2020年 差值
热点“1”
热点“2”
热点“3”
热点“4”
热点“5”
热点“6”
热点“7”
热点“8”
热点“9”		 1.96
5.07
3.18
0.59
0.74
1.87
2.40
1.06
0.86		 南三环南侧
东三环东西两侧
东四环东南侧
东四环东侧
东四环西侧
东四环东侧
东四环东北侧
北四环北侧
北四环西北侧		 19
46
36
12
10
14
17
18
0		 0
10
0
7
0
13
0
0
18		 11.27
10.54
13.16
23.38
15.67
8.70
13.09
19.74
0		 0
2.29
0
13.64
0
8.09
0
0
24.32		 -11.27
-8.20
-13.16
-9.74
-15.67
-0.61
-13.09
-19.74
24.32
图4 疫情前后PAI数值变化较大的入室盗窃热点分布

Fig.4 Significantly varied hotspots before and after COVID-19

3 主要犯罪热点的构成特征分析

为进一步了解疫情防控措施对犯罪热点的影响，结合热点内的路网密度、POI多样性等环境特征以及破案率、发案地点、重复作案等案件特征分析疫情前后发生较大变化的6个主要犯罪热点的特征构成。犯罪热点的各类特征计算结果如表4所示。其中6个热点区域内的路网密度普遍较高，反映出犯罪热点内的交通普遍较为便利，而从POI多样性上看，犯罪热点内的POI多样性基本相近，反映出犯罪热点的POI结构基本相似。从犯罪热点内的案件破案率来看，疫情前的破案率相比疫情后偏低，表明疫情发生后虽然入室盗窃案件总量下降且热点数量减少，但也有利于公安机关集中侦查警力，提升了破案率。为详细探讨疫情前后犯罪热点的变化，对每个主要犯罪热点分别进行分析。
表4 疫情前后的犯罪热点特征统计

Tab.4 Statistics of crime hotspots before and after COVID-19

热点名称 路网密度
/(km/km2)		 辛普森指数
S		 2019年 2020年
发(破)案量/起 破案率/% 发(破)案量/起 破案率/%
热点“1”
热点“3”
热点“5”
热点“7”
热点“8”
热点“9”		 15.07
10.67
17.00
14.03
16.34
14.14		 0.89
0.89
0.88
0.86
0.89
0.88		 19 (13)
36 (30)
10 (7)
17 (13)
18 (10)
0		 68.4
83.3
70.0
76.5
55.6
—		 0
0
0
0
0
18 (18)		 —
—
—
—
—
100

3.1 热点“1”构成特征分析

热点“1”为衰减型犯罪热点，2019年发案19起，2020年没有案件发生。该热点地处南三环附近，位于光彩路以西，其地理环境如图5a所示，该区域内包含有商贸市场，平房门店较多。路网密度为15.07 km/km2，交通便利，小路、胡同等相互交错。POI类型分布如图5b所示，主要以餐饮、生活服务、运动健身和交通设施为主，辛普森指数为0.89，反映该区域设施类型较丰富。2019年期间发生的入室盗窃发案场所类型分布如图5c所示，呈现出单点集中的特征，接近一半的案件(9起)发生在大红门西里的社区居民楼中。受害人年龄分布在28~73岁之间，从年龄结构上覆盖了从业和离退休群体。已破获的13起案件系3名嫌疑人所为，呈现出嫌疑人集中重复作案的特点。总体上，热点“1”呈现出一定的犯罪吸引地(crime attractor)特征[28-29]。
图5 热点“1”区域地理环境、POI构成及发案地点分布

Fig.5 Geographic environment, POI types and crime location within hotspot #1

3.2 热点“3”构成特征分析

热点“3”为衰减型犯罪热点，2019年发案36起，2020年没有案件发生。该热点位于东四环与京哈高速交叉口南北两侧，其地理环境如图6a所示，区域内有一大型露天市场，人流量相对较多且活动人员较为复杂。路网密度为10.67 km/km2，交通相对发达。POI类型分布如图6b所示，主要以生活服务、教育培训、交通设施和餐饮等设施为主，辛普森指数为0.89，反映该区域的设施类型较丰富。2019年1—4月期间发生的入室盗窃发案场所类型分布如图6c所示，也呈现为单点集中的态势，其中仅王四营乡市场门店就发生入室盗窃案件28起，受害人年龄分布在26~85岁之间，从年龄结构上覆盖了从业和离退休群体。已破获的30起案件系4名嫌疑人所为，嫌疑人集中连续作案的特点比较明显。总体上，热点“3”同样呈现出犯罪吸引地的特征。
图6 热点“3”区域地理环境、POI构成及发案地点分布

Fig.6 Geographic environment, POI types and crime location within hotspot #3

3.3 热点“5”构成特征分析

热点“5”为衰减型犯罪热点，2019年发案10起，2020年没有案件发生。该热点地处东四环西侧、朝阳北路以北，其地理环境方面如图7a所示，区域内有多个居住小区，且绝大部分是老旧居民楼。路网密度为17.00 km/km2，覆盖了多个十字路口，交通便利，且支路相互交错。POI类型分布如图7b所示，主要以餐饮、交通设施、运动健身和生活服务为主，辛普森指数为0.88，多样性较为丰富，且流动人员较多。2019年发生的入室盗窃案发场所如图7c所示，主要以甜水园北里社区为主(5起)，发案地点相对较为集中，受害人年龄分布在32~69岁之间，从年龄结构上覆盖了从业和离退休群体。已破获的7起案件系1名嫌疑人所为，为明显的犯罪嫌疑人重复作案。从热点特征上，热点“5”同样呈现出犯罪吸引地的特征。
图7 热点“5”区域地理环境、POI构成及发案地点分布

Fig.7 Geographic environment, POI types and crime location within hotspot #5

3.4 热点“7”构成特征分析

热点“7”为衰减型犯罪热点，2019年发案17起，2020年没有案件发生。该热点位于东四环东北侧，主要集中在酒仙桥附近，其地理环境如图8a所示，该区域含多个老旧居住小区。路网密度为14.03 km/km2，交通便利，道路相互穿插，便于人员出行。POI分布如图8b所示，主要以餐饮、生活服务、金融设施和运动健身场所等消费类型为主，辛普森指数为0.86，多样性较为丰富。2019年期间发生的入室盗窃案发场所如图8c所示，绝大部分案件集中在酒仙桥各个街坊社区内，周边小区或住宅则零星发案，受害人年龄分布在23~76岁之间，同样从年龄结构上覆盖了从业和离退休群体。已破获的13起案件系8名嫌疑人所为，人均作案量相对较少，但仍具有一定的重复作案特征，犯罪吸引地特征较为明显。
图8 热点“7”区域地理环境、POI构成及发案地点分布

Fig.8 Geographic environment, POI types and crime location within hotspot #7

3.5 热点“8”构成特征分析

热点“8”为衰减型犯罪热点，2019年发案18起，2020年没有案件发生。该热点地处北四环北侧、北苑路东西两侧，其地理环境如图9a所示，内含半开放居住小区。路网密度为16.34 km/km2，支路互相交错，且覆盖多个地铁站，便于人员出行。POI类型分布如图9b所示，主要以餐饮、交通设施、生活服务和金融设施居多，辛普森指数为0.89，多样性较高。2019年期间发生的入室盗窃案发场所如图9c所示，在多个居住小区内均有案件发生，其中以金泉家园和凯旋城小区居多。受害人年龄分布在29~85岁之间，同样从年龄结构上覆盖了从业和离退休群体。已破获的10起案件中有2名嫌疑人，嫌疑人重复作案的特点较强。在热点特征上，热点“8”的犯罪吸引地的特征较为明显。
图9 热点“8”区域地理环境、POI构成及发案地点分布

Fig.9 Geographic environment, POI types and crime location within hotspot #8

3.6 热点“9”构成特征分析

热点“9”为疫情防控期间出现的唯一一个新增型犯罪热点，热点区域内2019年没有案件发生，但2020年一级响应期间连续发生18起入室盗窃案件③(③ 该区域在2020年6月完成整体拆迁，在2020年1—4月的一级响应期间仍处于正常使用状态。)。该热点的地理环境如图10a所示，地处北四环西北侧，为一农改居民区，具有“城中村”性质。热点内路网密度为14.14 km/km2，小路杂路居多，交通便利。POI类型分布如图10b所示，主要以教育培训、生活服务、交通设施和运动健身设施居多，辛普森指数为0.88，多样性较高。2020年入室盗窃案件的发生场所如图10c所示，案件大部分发生在水磨东街的出租公寓内，受害人年龄集中在18~35岁之间，从年龄结构上主要集中于从业、就学年龄段群体。已破获的18起案件中有2名嫌疑人，其中1人作案17起，另1人作案1起，呈现出很强的嫌疑人重复作案特征。
图10 热点“9”区域地理环境、POI构成及发案地点分布

Fig.10 Geographic environment, POI types and crime location within hotspot #9

4 疫情防控措施对入室盗窃犯罪热点的影响性分析

通过对疫情防控前后北京市主城区的入室盗窃案件犯罪热点进行对比分析可以发现，除了存在少数热点在疫情期间新增的现象，整体上，疫情防控措施的实施对犯罪热点产生了较强的削弱作用，疫情发生前形成的主要犯罪热点在疫情发生后均呈现出衰减趋势。而从被削弱的犯罪热点内的环境特征和案件特征来看，其普遍具有交通便利性高、空间要素多样性强、案发位置相对集中、受害人年龄跨度大、犯罪人重复作案明显等特点，犯罪热点体现出一定的“犯罪吸引地”特征，即犯罪目标和机会相对集中吸引了多个犯罪人在当地多次重复作案，造成犯罪局部聚集。而随着疫情防控政策的实施，热点区域内原先有利于犯罪发生的条件被破坏，热点效应消失，在这一过程中，热点内的环境结构受疫情防控影响不大，主要的改变发生于热点内人们的行为模式，即行为模式的改变影响了犯罪人的犯罪选择。根据理性选择理论的基本原理，犯罪人在实施入室盗窃的过程中从心理层面上主要取决于2个方面：一个为犯罪收益是否符合其当时的心理预期，另一个为违法犯罪的成本是否可以接受[18⇓-20]。而犯罪收益和违法犯罪成本又分别和潜在的犯罪目标和监管措施的时空分布密切相关。日常活动理论认为，当犯罪人与合适的目标在一定的时空条件下形成了交集，并且现场的监管措施缺失，则意味着出现了对犯罪人有利的机会[15⇓-17]。因此，可以认为，犯罪目标越集中且监管措施越薄弱的区域越符合犯罪人的心理预期，也越容易成为犯罪活动高发地，即犯罪热点。对此，结合北京市疫情前后的犯罪热点变化，描述疫情前后犯罪热点的形成过程，如图11所示。
图11 疫情前后热点区域环境特征、行为特征及其对犯罪人决策的影响

Fig.11 Geographic environment and routine activities and their impact on offenders' decision making before and after COVID-19

(1) 疫情发生前(常态化时期)。北京市存在的犯罪热点在空间环境上普遍具有道路通达性较高、消费类场所和居住类场所密集、混合等特点。这一类区域往往人流量较大、商业较为发达(图5)，是城市中的大众商圈，容易吸引较多的外来人员来到当地进行消费，但同时也吸引了犯罪人到当地寻找高价值的犯罪目标。从具体的发案场所来看，入室盗窃案件大多发生于商业住宅、普通老旧小区或市场门店内，且发案场所相对集中，其原因在于这些场所内的人们在常态化时期一般都有着特定的日常行为模式(上班族早出晚归，营业场所有固定的经营时间)，因此犯罪人很容易找到合适的目标和犯罪机会。而这些区域虽然往往有着相对规范的监管措施(社区出入设有卡口、门禁、保安等物防和人防措施)，但由于热点区域内人员流动性往往较强(快递、外卖等服务性人群等)，反而无形中提升了犯罪人的匿名性[30]，削弱了监管措施对其犯罪的影响，由此导致这一类区域往往更加符合犯罪人的心理预期，从而导致入室盗窃案件的集中发生(如热点“1”、热点“3”、“热点5”、热点“8”内的犯罪人重复作案特征较为明显)。
(2) 疫情发生后(疫情防控时期)。虽然热点区域内的环境构成未发生较大改变，但为防控疫情传播而采取的一系列应急性措施改变了入室盗窃案件的目标条件和监管条件。其中对于营业性、消费类场所，由于采取了社交限制措施，导致餐饮、健身、电影院等机构临时性停业，而居家隔离措施的实施则使人们大量居家，日常经营、生活等行为模式几乎完全改变，在常态化时期对犯罪人有利的目标和机会被大量压缩甚至消失[20]，从心理上减少了犯罪人的收益期望。而在交通上，由于人们居家隔离、办公导致了路面交通量减少，出行便利性在一定程度上有所降低，也削弱了犯罪人的流动性。更为关键的是，区域内的管控力度大大加强，特别是对出入社区和超市等场所的人员实施实名制查验，削弱了犯罪人的匿名性，增加了其实施犯罪的成本。这些变化导致了犯罪人在原有热点内作案机会的减少和作案成本的增加，从而使得全市范围内犯罪数量大幅下降，犯罪空间分布整体上从局部聚集转变为零散发案。而即便在疫情防控期间出现新增热点，其形成模式也发生了一定程度上的改变，如从原有热点内犯罪人的多人多次作案转变为了新增热点内的单人多次作案(热点“9”)。

5 结论

新冠疫情的发生以及为防控疫情而采取的管控措施深刻地影响了人们的日常生活，从一定程度上重塑了人们的日常行为模式，也对入室盗窃这一代表性侵财类犯罪产生了重要影响。本文选择了北京市2020年重大突发公共卫生事件一级响应期间的入室盗窃案件，将其与2019年同期的案件进行对比，分析了犯罪热点的变化及热点内空间环境和案件特征的构成，并从犯罪人实施入室盗窃犯罪活动的决策行为角度分析了疫情防控措施对犯罪活动以及犯罪热点的影响。结果表明：疫情发生后，随着疫情防控措施的实施，常态化时期存在的犯罪热点大都出现了衰减效应，其中2019年存在的8个主要犯罪热点中有5个热点在2020年基本消失，3个热点有所减弱；在影响原因上，营业场所暂停营业、人们居家隔离等措施改变了人们的日常行为模式，减少了犯罪目标的数量，压缩了犯罪机会，而社区等场所的实名制查验则提升了监管水平，削弱了犯罪人的匿名性，增加了其实施犯罪的成本，减小了犯罪人实施犯罪的意愿，最终导致犯罪热点内案件数量减少和热点效应的消失。
本文研究结果对增强疫情防控背景下犯罪空间分布构成的认识、优化和调整警力资源具有一定的借鉴意义。首先，对于常态化时期存在的犯罪热点，疫情防控期间所采取的一系列防控措施客观上改变了其入室盗窃案件发生的条件，导致犯罪发生的因素难以聚集，使犯罪热点出现“自组织性”衰减，即这一过程是区域内部各类要素重新自发组织所导致的结果，因此对这一类犯罪热点可以适当减少警力的投入；其次，对于一些疫情防控期间的薄弱区域，如外来人口居住和就业较为集中的社区、商场等需要重点关注，一旦疫情防控响应措施增强或提级，这些区域极有可能会出现房屋空置现象，导致犯罪机会大量出现，容易为违法犯罪人员所利用，因此对这一类区域应加强巡逻和技防措施。
疫情防控措施对犯罪热点分布的影响总体上是复杂的，本文虽然以北京市主城区作为实证对象进行了分析，但在研究过程中仍存在一定的不足。一方面，疫情防控前后的犯罪热点比较的前提是需要排除警务活动等外界因素对犯罪态势的干扰，但由于北京市各行政区公安机关在打击违法犯罪活动的具体目标、政策、举措方面存在一定的动态性、差异性和独立性，因此，本文研究中不可避免的地混入了警务活动的一些影响，这对疫情前后犯罪热点的对比分析可能带来一定的偏差。另一方面，从入室盗窃案件犯罪人的职业化特点来看，实施犯罪是其生存的重要条件[31-32]，有着很强的犯罪动机，因此，疫情防控期间犯罪热点内犯罪机会的压缩可能会改变其犯罪决策过程，迫使其主动寻找地理空间上犯罪防控的其他薄弱区域，形成犯罪热点的转移效应[33-34]，但本文中对疫情防控期间犯罪人选择目标的决策过程转变以及衰减的犯罪热点与新增的犯罪热点间的关系尚未考虑。因此，在未来工作中，我们将针对这些不足开展更为深入的研究。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Nivette A E, Zahnow R, Aguilar R, et al. A global analysis of the impact of COVID-19 stay-at-home restrictions on crime[J]. Nature Human Behaviour, 2021, 5(7): 868-877.

DOI PMID

[2]
Ashby M P J. Initial evidence on the relationship between the coronavirus pandemic and crime in the United States[J]. Crime Science, 2020, 9(1): 6. doi: 10.1186/s40163-020-00117-6.

DOI PMID

[3]
Abrams D S. COVID and crime: An early empirical look[J]. Journal of Public Economics, 2021, 194: 104344. doi:10.1016/j.jpubeco.2020.104344.

DOI

[4]
Borrion H, Kurland J, Tilley N, et al. Measuring the resilience of criminogenic ecosystems to global disruption: A case-study of COVID-19 in China[J]. PLoS One, 2020, 15(10): e0240077. doi: 10.1371/journal.pone.0240077.

DOI

[5]
Dai M L, Xia Y W, Han R X. The impact of lockdown on police service calls during the COVID-19 pandemic in China[J]. Policing: A Journal of Policy and Practice, 2021, 15(3): 1867-1881.

DOI

[6]
Hodgkinson T, Andresen M A. Show me a man or a woman alone and I'll show you a saint: Changes in the frequency of criminal incidents during the COVID-19 pandemic[J]. Journal of Criminal Justice, 2020, 69: 101706. doi:10.1016/j.jcrimjus.2020.101706.

DOI

[7]
Koppel S, Capellan J A, Sharp J. Disentangling the impact of Covid-19: An interrupted time series analysis of crime in New York City[J]. American Journal of Criminal Justice, 2022. doi: 10.1007/s12103-021-09666-1.

DOI

[8]
Balmori de la Miyar J R, Hoehn-Velasco L, Silverio-Murillo A. The U-shaped crime recovery during COVID-19: Evidence from national crime rates in Mexico[J]. Crime Science, 2021, 10(1): 14. doi: 10.1186/s40163-021-00147-8.

DOI PMID

[9]
Chen P, Kurland J, Piquero A R, et al. Measuring the impact of the COVID-19 lockdown on crime in a medium-sized city in China[J]. Journal of Experimental Criminology, 2021. doi: 10.1007/s11292-021-09486-7.

DOI

[10]
Mohler G, Bertozzi A L, Carter J, et al. Impact of social distancing during COVID-19 pandemic on crime in Los Angeles and Indianapolis[J]. Journal of Criminal Justice, 2020, 68: 101692. doi: 10.1016/j.jcrimjus.2020.101692.

DOI

[11]
Halford E, Dixon A, Farrell G, et al. Crime and coronavirus: Social distancing, lockdown, and the mobility elasticity of crime[J]. Crime Science, 2020, 9(1): 11. doi:10.1186/s40163-020-00121-w.

DOI PMID

[12]
Campedelli G M, Favarin S, Aziani A, et al. Disentangling community-level changes in crime trends during the COVID-19 pandemic in Chicago[J]. Crime Science, 2020, 9(1): 21. doi: 10.1186/s40163-020-00131-8.

DOI PMID

[13]
Payne J L, Morgan A, Piquero A R. Exploring regional variability in the short-term impact of COVID-19 on property crime in Queensland, Australia[J]. Crime Science, 2021, 10(1): 7. doi: 10.1186/S40163-020-00136-3.

DOI PMID

[14]
Schleimer J P, McCort C D, Tomsich E A, et al. Physical distancing, violence, and crime in US cities during the coronavirus pandemic[J]. Journal of Urban Health, 2021, 98(6): 772-776.

DOI

[15]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach (1979)[M]// Andresen M A, Brantingham P J, Kinney J B. Classics in environmental criminology. London, UK: Routledge, 2010: 203-232.

[16]
Felson M, Jiang S, Xu Y. Routine activity effects of the Covid-19 pandemic on burglary in Detroit, March, 2020[J]. Crime Science, 2020, 9(1): 10. doi:10.1186/s40163-020-00120-x.

DOI PMID

[17]
Estévez-Soto P R. Crime and COVID-19: Effect of changes in routine activities in Mexico City[J]. Crime Science, 2021, 10(1): 15. doi: 10.1186/s40163-020-00131-8.

DOI PMID

[18]
Cornish D B, Clarke R V. The reasoning criminal: Rational choice perspectives on offending[M]. New York, USA: Springer, 1986.

[19]
Miller J M, Blumstein A. Crime, justice & the COVID-19 pandemic: Toward a national research agenda[J]. American Journal of Criminal Justice, 2020, 45(4): 515-524.

DOI

[20]
Stickle B, Felson M. Crime rates in a pandemic: The largest criminological experiment in history[J]. American Journal of Criminal Justice, 2020, 45(4): 525-536.

DOI

[21]
徐嘉祥, 陈鹏, 陈建国. 基于环境犯罪学理论的入室盗窃时空分布研究: 以北京市主城区案件的分析为例[J]. 人文地理, 2018, 33(1): 43-50.

[Xu Jiaxiang, Chen Peng, Chen Jianguo. Research on spatial-temporal distributions of burglary based on the environmental criminology: Based on the analysis of crime in Beijing. Human Geography, 2018, 33(1): 43-50.]

[22]
West M. Kernel density estimation and marginalization consistency[J]. Biometrika, 1991, 78(2): 421-425.

DOI

[23]
陈鹏, 李欣, 胡啸峰, 等. 北京市长安街沿线的扒窃案件高发区分析及防控对策[J]. 地理科学进展, 2015, 34(10): 1250-1258.

DOI

[Chen Peng, Li Xin, Hu Xiaofeng, et al. Clustering pattern analysis and prevention strategies to pickpocketing offence along the Chang'an Street in Beijing. Progress in Geography, 2015, 34(10): 1250-1258.]

DOI

[24]
郭雅琦, 陈鹏. 基于时空临近重复效应的犯罪热点特征及成因分析: 以北京市抢劫案件为例[J]. 地理科学进展, 2020, 39(5): 804-814.

DOI

[Guo Yaqi, Chen Peng. Formation and feature analyses of crime hotspots using near repeat principle: A case study of robbery in Beijing. Progress in Geography, 2020, 39(5): 804-814.]

DOI

[25]
Chainey S, Tompson L, Uhlig S. The utility of hotspot mapping for predicting spatial patterns of crime[J]. Security Journal, 2008, 21: 4-28.

DOI

[26]
郑伟成, 曹志浩, 郑子洪, 等. 浙江丽水白云山与九龙山两栖动物多样性时空分布的比较[J]. 生态与农村环境学报, 2020, 36(6): 697-705.

[Zheng Weicheng, Cao Zhihao, Zheng Zihong, et al. Spatial and temporal distribution of amphibian diversity at Baiyunshan Mountain versus Jiulongshan Mountain in Lishui City, Zhejiang Province. Journal of Ecology and Rural Environment, 2020, 36(6): 697-705.]

[27]
严朝霞, 季民河, 宋太新. 上海城市道路对消费活力的影响: 基于POI密度与多样性分析[J]. 苏州科技大学学报(自然科学版), 2017, 34(2): 73-80.

[Yan Zhaoxia, Ji Minhe, Song Taixin. Influential analysis of road networks on urban consumption vitality based on POI density and diversity: A case study of Shanghai. Journal of Suzhou University of Science and Technology (Natural Science Edition), 2017, 34(2): 73-80.]

[28]
Demeau E, Parent G. Impacts of crime attractors and generators on criminality in Montreal[J]. Canadian Journal of Criminology and Criminal Justice, 2018, 60(3): 387-412.

DOI

[29]
Liu L, Zhou H L, Lan M X. Agglomerative effects of crime attractors and generators on street robbery? An assessment by Luojia 1-01 satellite nightlight[J]. Annals of the American Association of Geographers, 2022, 112(2): 350-367.

DOI

[30]
Shah A K, LaForest M. Knowledge about others reduces one's own sense of anonymity[J]. Nature, 2022, 603: 297-301.

DOI

[31]
张玉林, 李玮. 论城市攀爬入室盗窃案件的特点及现场勘查[J]. 安徽警官职业学院学报, 2017, 16(3): 44-46.

[Zhang Yulin, Li Wei. On the characteristics and scene investigation of urban climbing burglary cases. Journal of Anhui Vocational College of Police Officers, 2017, 16(3): 44-46.]

[32]
王淑华, 刘威, 武帅, 等. 谈当前入室盗窃案件的特点与侦查对策[J]. 辽宁警专学报, 2005, 7(6): 58-60.

[Wang Shuhua, Liu Wei, Wu Shuai, et al. On the characteristics and countermeasures of current housebreaking cases. Journal of Liaoning Police Academy, 2005, 7(6): 58-60.]

[33]
柳林, 吴雨菡, 宋广文, 等. 犯罪防控警务策略及其时空效益评估研究进展[J]. 地球信息科学学报, 2021, 23(1): 29-42.

DOI

[Liu Lin, Wu Yuhan, Song Guangwen, et al. Research progress on policing strategy of crime prevention and the evaluation of its effectiveness in space and time. Journal of Geo-information Science, 2021, 23(1): 29-42.]

[34]
单勇, 王熠. “建设更高水平的平安中国”的新展开: 犯罪热点稳定性的再验证及其启示[J]. 河南社会科学, 2021, 29(9): 73-81.

[Shan Yong, Wang Yi. Some new thoughts on the peaceful China construction: The re-verification and enlightenment of the stability of crime hotspots. Henan Social Sciences, 2021, 29(9): 73-81.]

Options
文章导航

/

〈 〉