EN中文

地理科学进展 >

2024 , Vol. 43 >Issue 11: 2284 - 2297

DOI: https://doi.org/10.18306/dlkxjz.2024.11.014

研究论文

警察盘查时空模式对街面盗窃的因果效应——以ZG市CBD为例

  • 龙锦颖 , 1 ,
  • 张春霞 2 ,
  • 宋广文 , 1, * ,
  • 范卓颖 1
展开
  • 1.广州大学地理科学与遥感学院公共安全地理信息分析中心，广州 510006
  • 2.广州番禺职业技术学院旅游商务学院，广州 511483
*宋广文(1991— )，男，广东廉江人，博士，教授，硕士生导师，主要研究方向为时空行为与犯罪地理分析。E-mail:

龙锦颖(2000— )，男，广东廉江人，硕士生，主要研究方向为城市安全与犯罪地理。E-mail:

收稿日期: 2024-01-11

  修回日期: 2024-04-12

  网络出版日期: 2024-11-26

基金资助

国家自然科学基金项目(42171218)

国家自然科学基金项目(42071184)

广东省创新平台项目(2022WTSCX250)

广东省哲学社会科学规划项目(GD22CSH07)

收起

Causal effect of spatiotemporal patterns of police stops on street thefts: A case study of the central business district of ZG City

  • LONG Jinying , 1 ,
  • ZHANG Chunxia 2 ,
  • SONG Guangwen , 1, * ,
  • FAN Zhuoying 1
Expand
  • 1. Center of GeoInformatics for Public Security, School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China
  • 2. College of Tourism Business, Guangzhou Panyu Polytechnic, Guangzhou 511483, China

Received date: 2024-01-11

  Revised date: 2024-04-12

  Online published: 2024-11-26

Supported by

National Natural Science Foundation of China(42171218)

National Natural Science Foundation of China(42071184)

Innovation Platform Project of Guangdong Province(2022WTSCX250)

Philosophy and Social Science Planning Programme of Guangdong Province(GD22CSH07)

Fold

摘要

警察盘查对犯罪时空分布有着重要的影响，但现有研究对警察盘查与犯罪之间的内生性问题讨论不足，亦未对大城市中央商务区警察盘查的时空模式及犯罪防控效益进行深入探讨。因此，论文以位于中国南方大城市ZG市HT区中央商务区派出所为例，利用精细化的警察盘查与街面盗窃时空大数据，对盘查与街面盗窃的时空模式特征进行分析，并运用份额移动法构建工具变量精确衡量警察盘查对街面盗窃的因果效应。研究发现：① 中央商务区内警察盘查呈现出较为明显的热点集聚趋势，其时空模式主要表现为持续热点、连续增强热点、历史热点、新增热点与分散热点，不同热点类型中警察盘查与街面盗窃的时空互动关系存在差异；② 内生性问题会影响警察盘查对犯罪的因果效应评估，考虑工具变量后，发现中央商务区警察盘查对街面盗窃的发生起到显著的威慑作用，上周的警察盘查量每增加一个标准单位，本周的街面盗窃案件量将下降约0.243起。论文聚焦警察日常活动与犯罪行为时空关系的定量研究，相关结论可为精细化规划警察盘查时间、提升盘查效率、合理配置警力资源提供科学依据。

关键词： 警察盘查; 街面盗窃; 因果效应; 工具变量; 时空模式; 中央商务区

本文引用格式

龙锦颖 , 张春霞 , 宋广文 , 范卓颖 . 警察盘查时空模式对街面盗窃的因果效应——以ZG市CBD为例[J]. 地理科学进展, 2024 , 43(11) : 2284 -2297 . DOI: 10.18306/dlkxjz.2024.11.014

Abstract

As a formal supervisory force, police stops have a significant impact on the spatiotemporal distribution of crimes. However, existing research lacks sufficient discussion on the endogeneity issues between police stops and crimes, as well as an in-depth exploration of the spatiotemporal patterns and preventive effects of police stops in the central business districts (CBDs) of large cities. Therefore, this study took the CBD police station located in the core area of the CBD of ZG City, a big city in southern China, as an example, and used exact spatiotemporal big data of police stops and street thefts to analyze their spatiotemporal pattern characteristics. Then we applied the share-shift method to construct the Bartik's instrumental variable to analyze the causal effect of police stops on street thefts. This study found that: 1) Police stops in the CBD showed an obvious hotspot clustering trend, and their spatiotemporal coverage mainly included sustained hotspots, continuously enhancing hotspots, historical hotspots, new hotspots, and dispersed hotspots, with varying spatiotemporal relationships between police stops and street thefts for different hotspot types. 2) Endogeneity issues affect the assessment of the causal effect of police stops on crimes. After considering instrumental variables, we found that police stops in the CBD had a significant deterrent effect on the occurrence of street thefts, and for every one standard unit increase in the number of police stops in the previous week, the number of street thefts in the current week will drop by about 0.243 cases. This research focused on the quantitative study of the spatiotemporal relationship between daily police activities and criminal behaviors. The findings can serve as a scientific basis for refining the planning of police stops, enhancing patrol efficiency, and realizing the rational allocation of police resources.

Key words： police stops; street thefts; causal effect; instrumental variable; spatiotemporal pattern; central business district

改革开放以来，中国的城镇化水平不断提高，城市经济活动呈现出高度的集聚趋势[1]，中央商务区(central business district，CBD)作为城市中经济活动最为集中的增长极，经济辐射能力强，资源配置密度高，该区域的安全有序对城市经济健康发展具有重要意义。警察作为维护城市安全和社会稳定的重要力量，城市CBD是其开展日常盘查活动的重点区域，但同时其大量的人群活动也为犯罪者提供了较多的潜在犯罪机会[2]，区域中犯罪案件发生率仍处于较高水平[3]，且多为侵财类案件(如街面盗窃)。因此，CBD中警察盘查的时空组织特征及其对犯罪的防控效果如何，仍需深入研究和评估。
警察盘查是指警察基于犯罪预防或侦查的目的对相关人员进行盘问并让其出示身份证件进行检查的一种主动警务策略[4]。长期以来警察盘查一直被各国警方用作防控公共空间犯罪的核心手段之一，已成为警察巡逻过程中的重要组成部分[5]。街面盗窃则是指发生在城市街头、巷道、车站、公园、集市等公共场所的违法盗窃公众随身财物、公共财产的犯罪事件，具有发案量大、流动性强、难以预测等特点。与警察盘查类似，街面盗窃发生场所也主要为室外公共空间，因此是一种较适合用于探讨犯罪与警察盘查时空互动特征的犯罪类型。“因果效应”是因果推断框架下的一个概念，指由于干预(treatment)的改变所导致结果(outcome)的变化量。警察盘查对街面盗窃的因果效应评估能够定量刻画警察盘查量的改变对街面盗窃量造成的影响，精确衡量警察日常防控活动的有效性。因此，本文以警察盘查与街面盗窃为研究对象，围绕二者的时空互动关系进行分析，并评估警察盘查对街面盗窃的因果效应。
根据日常活动理论，犯罪的发生需要满足有动机的犯罪者、合适的目标以及缺失的监管三大因素在时空上耦合的条件[6]；理性选择理论则认为，犯罪者作案行为的发生是一个理性决策的过程，犯罪者会综合评估犯罪的风险、成本与收益，追求效益最大化[7]。警察作为正式监管的重要力量，其日常盘查活动会提高犯罪者作案被捕的风险，从而对犯罪的发生有着重要的影响[8-9]。在国内的犯罪地理研究中，一般使用与最近派出所的距离作为犯罪监管因素的衡量指标[10]，但该指标无法真实反映警察的动态分布[11]，从而无法精细化衡量警察与犯罪者之间的互动关系。此外，国内对警察盘查的研究仅局限于盘查制度的政策性讨论[12-13]，尚未开展警察盘查与犯罪时空关系的研究。
已有的少数研究主要集中于西方国家。在时空模式特征方面，现有研究发现警察盘查与犯罪类似，均存在明显的时空集聚性(时空热点)。例如Weisburd等[14]发现纽约市警察盘查的集中度甚至高于犯罪，仅占5%比例的街道段产生了约77%的盘查，5%的十字路口则产生了50%以上的盘查；但现有研究仅对犯罪时空热点进行分类研究[15]，对盘查热点类型的关注并不充分，不同类型热点中警察盘查与犯罪之间的时空关系仍有待进一步探究。实证研究方面，国外的相关研究发现警察盘查对犯罪具有威慑作用。例如Weisburd等[16]以街道段为分析单元，运用工具变量法和线性概率模型，分析了纽约市警察盘查对每周犯罪事件发生的影响，表明盘查对犯罪具有显著的威慑作用；MacDonald等[17]研究了警察盘查的增加对纽约市高犯罪率区域中多种犯罪类型的影响，发现研究区内的犯罪率显著下降，特别是在抢劫和盗窃方面，逮捕人数显著增加。但是，有学者认为警察盘查并非对所有类型的犯罪都具有威慑作用。例如Tiratelli等[18]运用自然实验的方法，研究了2004—2014年伦敦市警察盘查对犯罪的潜在影响，发现无论是在周尺度或月尺度上，盘查对毒品犯罪和暴力犯罪影响较显著，对其他类型犯罪则影响较小；Rosenfeld等[19]使用SGMM(系统广义矩估计，system generalized method of moments)估计了2003—2010年间盘查对纽约地区年度抢劫和入室盗窃率的影响，发现盘查对抢劫和入室盗窃的影响为负，但并不显著。可见，国外的研究发现警察盘查对犯罪具有一定程度的抑制作用，但影响结果存在不确定性，即警察盘查不一定会降低所有类型犯罪的发生率。
另外，现有研究大都以整个城市为研究尺度，将城市看作均质的整体，却忽略了城市存在多样化的功能结构。不同的城市功能分区中警察盘查及犯罪时空分布模式可能存在较大差异，二者的时空互动特征也亟待进一步探讨。在CBD的警察防控策略及其对犯罪的影响方面，Oatley等[20]通过分析珀斯CBD警察自身预测的犯罪热点、犯罪数据生成的犯罪热点与警察GPS巡逻路线，发现警察在犯罪热点区域停留足够长的时间才能对犯罪起到威慑作用；Haberman等[21]评估了在CBD热点区域徒步巡逻的效益，发现犯罪率显著下降，并且观察到犯罪防控效益的扩散；Mugari等[22]研究了在津巴布韦哈拉雷CBD实施的徒步巡逻对犯罪的影响，发现犯罪热点导向的徒步巡逻在减少特定的犯罪方面是有效的，CBD中特定犯罪行为的减少降低了整个城市的总犯罪水平。整体上看，城市CBD中警察盘查与犯罪关系的研究仍较少，目前少数的研究仅关注了CBD内犯罪热点区域的情况，且现有的研究结果主要是基于警务实验的方法在受控的环境中得出的，缺乏利用实际观测数据研究实际情况中警察盘查对犯罪的影响。
评估警察盘查对犯罪的因果效应必须要面对一个挑战：“内生性”问题。但现有研究对该问题的讨论仍不够充分。内生性问题的存在会使因果推断产生偏误，其形成原因主要有以下两个方面。首先，警察盘查与犯罪的互动存在着潜在的双向因果机制[16,23]。其一是犯罪会影响警察盘查：若某区域的犯罪发生率上升，警察会加强对该区域的盘查力度以最大程度防范犯罪的发生；其二是警察盘查会影响犯罪的发生：警察盘查会提升见警率和监管力度，提高了犯罪者的犯罪成本和被捕的风险[24]，从而影响犯罪的发生。其次，遗漏既影响警察盘查又影响犯罪的混杂变量：区域建成环境[25-26]、社会经济环境[27-28]等周遭环境因素会同时影响犯罪和警察盘查，但通常无法将所有变量纳入模型，导致模型出现偏误。因此，在较长时间序列的分析中，不同时间周期警察盘查与犯罪之间的双向因果关系以及时变与非时变的混杂因素会使模型产生内生性问题，对模型结果的估计产生直接影响。已有研究多运用工具变量法、自然实验或随机实验等因果推断方法解决警察盘查与犯罪间的内生性问题[16,18-19]，但现实中合适的自然实验或随机实验较为罕见，且工具变量构造条件苛刻，需要同时满足相关性和外生性等基本条件，而已有研究对工具变量构造的合理性讨论尚不够充分，也并未构建完整的警察盘查与犯罪因果分析框架。
综上，西方学者对警察盘查与犯罪的时空关系进行了一定探究，但已有研究仍存在以下不足：① 警察盘查在时空上存在热点，但尚没有研究讨论在不同类型热点内警察盘查与犯罪间的时空互动特征；② 警察盘查与犯罪之间存在着由双向因果等因素导致的内生性问题，现有研究对二者间的内生性问题及其解决方法讨论不足；③ 现有研究大都以整个城市为研究尺度，鲜有基于观测数据研究城市CBD内警察盘查对犯罪的影响。为此，本文将从微观时空尺度出发，以中国东南沿海特大城市ZG市HT区中央商务区派出所(简称CBD派出所)管辖区为研究区域，运用时空立方体等方法对CBD的警察盘查时空模式进行细化分析，并基于2019年的“警察盘查—街面盗窃”时空面板大数据，运用Bartik工具变量和两阶段最小二乘法(2SLS)定量评估警察盘查对街面盗窃的因果效应。

1 概念框架、数据与方法

1.1 概念框架

根据日常活动理论和理性选择理论，监管者能够提高犯罪者作案后被捕的风险，从而抑制犯罪的发生，监管的缺失则为犯罪的发生创造了机会。基于上述犯罪地理学理论和相关文献，本文构建了一个警察盘查与街面盗窃时空分布之间的因果逻辑框架(图1)，反映的是二者潜在的因果机理。首先，警察盘查与犯罪之间存在双向因果关系。即警察盘查在一定程度上可能会对街面盗窃产生威慑作用，从而抑制街面盗窃的发生；但另一方面，街面盗窃的发生也会同时影响警察对盘查时间及地点的选择，警察可能会选择盗窃率较高的时空节点进行日常盘查活动。此外，还存在着包括非时变异质性因素(建成环境和社会环境等)和时变同质性因素(盘查策略变化、季节变化等)在内的混杂因素同时对警察盘查及街面盗窃产生影响，若不控制混杂因素的影响将会导致因果推断的不可信。因此，警察盘查与街面盗窃之间的关系表现出多向性和复杂性，本文将使用Bartik工具变量结合双向固定效应的因果推断方法，精细化衡量警察盘查对街面盗窃的单向影响。
图1 概念框架

Fig.1 Conceptual framework of the research

1.2 研究区域与分析单元

根据对ZG市HT区公安局及所辖派出所的调研和对基层巡警的访谈结果，HT区警察盘查警务体系的构成通常以派出所常态化盘查为主。派出所的常态化盘查以派出所为基本单位，由派出所统筹安排本辖区内的巡逻盘查警力人数、巡逻路线、盘查地点等，较少受到邻近区域警务策略的干扰，意味着派出所层面的研究区域更有利于研究警察盘查与犯罪之间的互动关系，因此，本文的研究区域是ZG市HT区的CBD派出所辖区。
该派出所辖区面积约为3.53 km2，下辖6个社区，区域内经济发达，城市化水平高，公共交通系统完善，道路可达性高，拥有商业区及商住混合区等社区类型。此外，CBD派出所位于ZG市中央商务区核心区。该区是华南地区经济最为发达的区域之一，分布有大量民生基础设施及公共服务场所，其安全有序对社会稳定具有重要意义。本文以人口普查区(社区)为研究区域的细分单元、周为时间尺度(剔除年初和年末不完整的周)构建时空面板大数据，共计306个观测值(51周×6个社区)。社区是根据可见的特征(如道路、河流)或不可见的特征(如经济发展水平)划分的微观区域，其空间范围常被公安部门用于警察盘查任务区的配置；本文选择“周”作为时间单位原因在于有研究表明，主动警务发生后的一周或几周内，会出现剩余威慑力的衰减，“周”的尺度也与基层巡警对盘查时间、地点及警力部署调整的周期相一致[16,29]。此外，与传统的横截面数据和时间序列数据结构相比，本文所使用的面板数据兼具时空属性特征，在因果推断、控制时空异质性、反映地理现象的状态持续性等方面表现出较大优势[30]，适于分析警察盘查与犯罪之间的长期动态关系。

1.3 变量及数据来源

本文将2019年的警察盘查与街面盗窃警情数据以周为时间尺度汇总成一份面板数据加以分析。因变量为2019年CBD派出所街面盗窃警情数量的自然对数，该数据是由ZG市公安局提供的2019年110接警数据，数据涵盖案发时间、案发地址等属性信息，本文将街面盗窃警情地址通过地理编码生成坐标落点至CBD派出所的社区中，并统计各社区内的警情数量。自变量为2019年发生于CBD派出所辖区内各社区的警察盘查数量，该数据是ZG市公安局提供的2019年盘查数据，记录了盘查发生的地点经纬度坐标和盘查时间等信息。
值得注意的一点是，警察盘查与犯罪的发生及分布还受到潜在受害者的时空分布[31-32]、潜在犯罪者的活动[11]、区域建成环境[25-26]、社会经济环境[27-28]等区域环境异质性因素及日期特殊性[33]、盘查策略的调整等时变同质性因素的影响。在以往的犯罪地理学研究中，此类影响因素多采用诸如人口普查数据、POI数据等静态数据加以表征，数据时间变化性弱，与具有时空双维度的精细化动态犯罪数据的匹配性不高。本文所使用的面板数据是一种包含截面数据与时间序列数据的数据组织形式，样本容量较大，提供的个体动态行为信息较多，能较好地分析警察盘查与犯罪的时空互动。但面板数据要求具有时空属性，因此，不随时间改变但因地点而异的静态数据以及不随地点改变但因时间而异的数据均不宜作为变量使用，因而众多影响警察盘查和犯罪的混杂因素成为遗漏变量[34]，从而影响警察盘查与犯罪之间因果关系的推断。但面板数据提供了遗漏变量的解决方式，即可以在模型设置层面对所使用的模型进行转换，采用固定效应(fixed effect)结合工具变量的方法，消除区域环境等遗漏变量的影响，获得一致的估计量[35-36]，具体方法将在下文详细阐述。

1.4 研究方法

本文运用兼顾“时间+空间”粒度表达的时空立方体分析2019年警察盘查的时空变化特征，识别出盘查与街面盗窃的高发热点，并基于新兴时空冷热点分析法，研究警察盘查与街面盗窃高发点的时空动态互动模式；而后，基于兼具时空属性的面板数据，使用份额移动法构建Bartik工具变量，解决警察盘查与街面盗窃之间的内生性问题，探究警察盘查对街面盗窃的因果效应。

1.4.1 时空立方体模型与新兴时空热点分析法

时空立方体模型由瑞典地理学家Hägerstrand[37]于1970年首次提出，其可以结合空间和时间维度直观展示警察盘查的时空分布特征及变化过程。三维坐标系中的x轴和y轴表示警察盘查的平面空间位置，t轴表示盘查时间。基于时空立方体模型，可运用新兴时空热点分析法(Getis-Ord热点分析法和Mann-Kendall时间趋势检验法)识别警察盘查时空热点/冷点并分析其时间变化趋势，如图2所示。
图2 时空立方体模型与新兴时空热点分析法示意图

Fig.2 Schematic diagram of space-time cube and emerging hotspot analysis

每个时空立方体的属性值为包含的警察盘查数量。Getis-Ord热点分析法可以得到z得分和显著性P值。若z>0，得分越高代表盘查热点的聚类程度越紧密；z<0，得分越低代表盘查冷点的聚类程度越紧密。显著性P值可以用于检测盘查热点/冷点聚类程度的显著性。Mann-Kendall检验法被应用于同一位置上各个时空立方体Getis-Ord热点分析法的z得分时间序列。该方法最多可以识别出17种时空演变模式，分别为持续热点/冷点、连续热点/冷点、增强热点/冷点、新增热点/冷点、递减热点/冷点、分散热点/冷点、震荡热点/冷点、历史热点/冷点和无趋势。本文使用ArcGIS Pro 3.01进行计算。

1.4.2 面板模型构建及内生性处理

本文使用CBD派出所辖区2019年警察盘查和街面盗窃警情的时空面板数据来研究CBD警察盘查对街面盗窃的影响。结合本文选取的解释变量，面板回归模型可以表示为：
l n T h e f t j t + 1 = α + β S t o p j t - 1 + v j + λ t + μ j t
式中：j和t分别代表社区和周数； l n T h e f t j t + 1为本周街面盗窃数量的自然对数值(为保证自然对数值大于等于0，将街面盗窃数量加1)；由于盘查量数据是在每周的水平上组织起来的，因此无法确定盘查是发生在街面盗窃之前还是之后，盘查与街面盗窃的发生存在同时性，参考Weisburd等[16]的做法，本文将盘查量变量滞后一期，用 S t o p j t - 1指上周发生盘查的数量； α为常数项；β为回归系数，即上周发生的盘查数量对本周发生的街面盗窃数量的因果效应；vj指地点固定效应；λt指时间固定效应； μ j t为随机扰动项。所有的回归标准误都在社区层面聚类。
由于受警察盘查与街面盗窃之间潜在的双向因果关系和遗漏变量等因素的影响，式(1)的面板回归分析可能存在内生性问题。对此本文采用两种方法解决模型中潜在的内生性偏误。
其一，控制地点固定效应与时间固定效应，这在一定程度上可以解决因地点而异但不随时间变化，以及随时间变化但不随地点而变的遗漏变量所导致的内生性问题，如可能遗漏的区域环境异质性、宏观盘查策略变化等因素。通过组内离差法估计地点固定效应，即对每个社区进行时间序列内的差分(用社区的观测值减去该社区的平均值，得到组内离差，再使用组内离差估计模型)，以消除社区环境异质性对模型的影响；对于时间固定效应，由于本文所用数据属于长面板(n < T，n为横截面数量，T为时间序列长度)，为保持较高的模型自由度，本文通过加入时间趋势项的方式控制时间固定效应[38]，时间趋势项t趋势的估计公式为：t趋势=t-1。t指周数，即第t周。
其二，运用份额移动法(shift-share design)构造合适的工具变量，来解决双向因果等所有可能存在的内生性问题。份额移动法构造的工具变量，也被称为Bartik工具变量[39]，最早由Bartik在研究美国地方政策对就业增长的影响时首次提出[40]，后在经济学领域被广泛使用[41-42]，近年来Weisburd等[16]首次将其运用于犯罪地理学领域。本文构建了一个简化的Bartik工具变量，重点关注其空间属性特征。其基本思想是，用分析单元初始的份额构成和区域总体的增长率来模拟出每段时间周期的估计值，该估计值和实际值高度相关，但与模型的残差项不相关。在本文中，自变量为上周发生的盘查量，每个社区的盘查量由分布于社区内更小尺度的网格单元中的盘查量汇总而成。将社区划分为更小尺度的网格单元，如图3所示，本文设定网格大小为50 m×50 m，若网格边界与社区边界重叠，则使用社区边界对网格进行分割处理。
图3 社区与网格从属关系示意图

Fig.3 Schematic diagram of communities and grids affiliation

若用i表示j社区的网格单元，有如下等式：
S t o p j t = ∑ i ∈ j S t o p i t
若用t0表示初始周期，即本文的2019年的第一周，对于任意网格单元 i ∈ j， S t o p i t 0表示网格单元i在初始t0周的警察盘查量。本文对Bartik工具变量进行了一定的改进以增强工具变量的外生性，即计算HT区在t周的盘查量相对于初始周期t0的增长率，用HTt表示，则份额移动法构造的警察盘查的工具变量可表示为如下等式：
S t o p _ i v j t = ∑ i ∈ j S t o p i t 0 × 1 + H T t
份额移动法构建的工具变量 S t o p _ i v j t仅通过初始状态的 S t o p i t 0与外生的HT区盘查量的增长率HTt相乘得到，在控制了地点和时间固定效应后，该变量不会与其他影响街面盗窃的残差项相关。另外，该变量显然会与实际的盘查量高度相关。因此，本文所构建的Bartik工具变量可以较好地解决由于遗漏变量、双向因果等原因导致的内生性问题。
本文在面板回归模型及Bartik工具变量的基础上，使用两阶段最小二乘法(2SLS)评估警察盘查对街面盗窃的因果效应。2SLS模型的第一阶段是使用工具变量对实际观测值进行拟合，第二阶段使用第一阶段的拟合值对因变量进行回归分析，第一阶段模型和第二阶段模型分别设定如下：
第一阶段：
S t o p j t - 1 = α + β S t o p _ i v j ( t - 1 + v j + λ t + μ j t
第二阶段：
l n T h e f t j t + 1 = α + β S t o p j t - 1 ^ + v j + λ t + μ j t
式中： S t o p j t - 1 ^是 S t o p j t - 1的拟合值。本模型使用Stata 17进行计算。

2 警察盘查与街面盗窃的时空分布

2.1 警察盘查与街面盗窃的空间分布特征

CBD派出所的辖区面积仅占其所在区总面积的2.57%，但发生了占HT区总量6.03%的盘查与3.26%的街面盗窃。可见，该区域为警察盘查与街面盗窃的高发区域。本文计算了警察盘查点与街面盗窃警情点的最邻近指数(警察盘查：0.300，P<0.001；街面盗窃：0.415，P<0.001)，发现警察盘查与街面盗窃空间分布均具有集聚性特征，且盘查集聚程度比街面盗窃更高。
根据2019年CBD派出所辖区警察盘查与街面盗窃警情的密度空间分布图可知(图4)，警察盘查与街面盗窃集聚区域存在差异。从警察盘查的空间分布来看，其在研究区域内主要呈现双中心圈层结构分布，并形成一个次热点，集聚程度最高的区域位于商业办公区，该处汇集了大量办公场所大楼，并分布有大型购物中心、图书馆、博物馆等设施，经济发展水平高，人流量大，人口流动性较强。从街面盗窃警情的空间分布来看，总体上呈现出沿道路延展的连绵带状分布，其中不乏有街面盗窃高度集聚的区域，街面盗窃的主要高发区位于研究区域中部，该处多购物中心、住宅小区及地铁站等设施。对比警察盘查与街面盗窃的时空分布，发现警察盘查集中区域与街面盗窃集聚区空间匹配程度不高，警察盘查多分布于维稳需求较高的核心公共设施周边区域，而街面盗窃主要分布于人流量较大的地铁站等区域，可见，CBD的警察盘查与街面犯罪的空间分布模式存在差异。
图4 警察盘查与街面盗窃密度空间分布 ①

Fig.4 Spatial distribution of the density of police stops and street thefts

2.2 警察盘查与街面盗窃的时间分布特征

本文选取2019年的警察盘查数量、街面盗窃数量以周为单位运用极差标准化法(计算公式为： x 标 准 化 = x - x m i n x m a x - x m i n)进行归一化统计制图(剔除年初和年末不完整的周)，并使用多项式拟合法对警察盘查与街面盗窃的变化趋势进行拟合。
总体来看(图5)，警察盘查与街面盗窃均呈现连续的波动变化，存在多个高峰和低谷，且警察盘查波动幅度大于街面盗窃(警察盘查标准差为0.258，街面盗窃标准差为0.226)。从变化趋势来看，警察盘查数量在上升的同时街面盗窃数量下降，二者呈现负相关的关系。警察盘查量在第5、22、40、50周时出现高峰，最低值出现在第6周；街面盗窃量的最大值则出现在第28周，最低值出现在第52周。
图5 警察盘查和街面盗窃警情时间序列变化

Fig.5 Time series variation of police stops and street thefts

需要指出的是，尽管从时间序列图中发现警察盘查与街面盗窃存在负相关的关系，但从中得出盘查抑制了街面盗窃的发生是不合理的，原因在于这种负相关的关系很可能是多种混杂因素同时影响盘查和街面盗窃的结果。因此，警察盘查与街面盗窃的关系还需运用因果推断模型进行定量衡量。

2.3 警察盘查的时空模式挖掘

本文基于警察盘查时空数据集，参考蔡宇阳等[43]的时空轨迹提取方法，计算了研究区域内警察盘查的平均移动距离，发现警察盘查的覆盖范围平均为51.384 m，故选取近似值50 m作为空间步长、1周作为时间步长构建时空立方体，并采用新兴时空热点分析法挖掘警察盘查的时空模式，共识别出5类时空演变模式，其中新增热点模式6个、连续增强热点模式10个、持续热点模式9个、分散热点模式18个、历史热点模式9个。区分5种时空热点类型，绘制不同热点类型中警察盘查与街面盗窃的时间变化图以挖掘不同类型热点中二者的时空关系，时空演变模式时空分布如图6所示。
图6 警察盘查时空模式

Fig.6 Spatial and temporal patterns of police stops

(1) 持续热点模式指此位置已经是90%的时间步长间隔具有统计显著性的热点，且没有明显趋势表明盘查的聚类强度随着时间的推移而有所增加或减少。研究区域中的持续热点模式主要分布于CBD中最为繁华的商业办公区核心公共设施附近。可见2019年此区域的警察盘查在一整年中均保持极高的集聚强度，但街面盗窃警情则整体低发，说明此区域的警察盘查并非以降低犯罪为目的。
(2) 历史热点模式指在至少90%的时间步长间隔是热点，但最近的时间步长间隔(即最近一周)并非热点。该类热点主要分布于研究区域的大型政府机构附近。从图中可见其街面盗窃警情较为低发，但警察盘查量大部分时间均处于高位，最近的时间步长则降至将近最低，导致该区域热点模式转变的原因可能是警察盘查勤务安排的变化。
(3) 连续增强热点指在至多90%的时空立方体内具有统计显著性且不断增强的热点。研究区域中主要分布于地铁站附近。在此类热点区域中，警察盘查持续时间较长，且整体上盘查力度不断增强，街面盗窃与盘查呈现交替上升的趋势。
(4) 新增热点模式指最后一个时间步长具有统计显著性的热点，在之前不存在具有统计显著性的热点。研究区域的新增热点主要位于CBD另一大地铁站。该位置前期街面盗窃警情较多，但警察盘查较少，后期警察盘查量增加，街面盗窃量下降，可见此区域受到警方的重视程度不断提高。
(5) 分散热点模式指此位置是不连续的热点，时间步长间隔均不具有统计显著性。此类热点主要分布于CBD的商住混合区及主干道交叉路口，该类型热点区域前期警察盘查量较大，街面盗窃量较小，后期盘查量减少，街面盗窃警情量有所反弹。
可见，城市CBD内警察盘查时空模式存在异质性，不同热点类型中警察盘查与街面盗窃的时空关系存在差异，大多数警察盘查会选择重点公共设施等维稳需求较大的区域进行，但同时警察盘查也会根据现实犯罪情况的变化进行调整。这也进一步证明了警察盘查与街面盗窃之间可能存在着潜在的双向因果关系，为厘清警察盘查对街面盗窃的因果效应，本文将运用工具变量的方式解决二者间的内生性问题。

3 警察盘查对街面盗窃的因果效应评估

3.1 描述性统计

本文面板回归模型使用到的各变量的描述性统计如表1所示。因与ZG市公安局签署了保密协议，研究区的警察盘查与街面盗窃数据均运用极差标准化法作了标准化处理。在所有的研究单元中，每个社区警察盘查量平均值为0.119标准单位/周；每个社区的街面盗窃警情案件量平均值为0.129标准单位/周。因作了标准化处理，警察盘查与街面盗窃的最大值均为1。
表1 描述性统计

Tab.1 Descriptive statistics

变量 平均值 标准差 最小值 最大值 观测值
警察盘查 总体 0.119 0.226 0 1 N=306
组间 — 0.228 0.009 0.582 n=6
组内 — 0.088 -0.239 0.536 T=51
街面盗窃 总体 0.129 0.196 0 1 N=306
组间 — 0.151 0.025 0.380 n=6
组内 — 0.138 -0.251 0.749 T=51

注：N表示总观测值；n表示社区数量；T表示总周数；“—”表示无数值。

3.2 基于工具变量法的因果效应评估

本文在挖掘了警察盘查与街面盗窃的时空模式特征的基础上，使用份额移动法构建Bartik工具变量，并基于两阶段最小二乘法(2SLS)构造面板回归模型定量评估警察盘查对街面盗窃警情的因果效应，探究CBD中警察盘查对街面盗窃犯罪的防控效益及社会治理效果。本文首先使用OLS模型进行基准回归，再纳入工具变量进行2SLS回归，所有回归模型均设定在社区层面聚类的稳健标准误。基准模型回归分析结果如表2所示。
表2 基准模型回归结果

Tab.2 Benchmark model regression results

变量 模型一 模型二 模型三
β 聚类稳健标准误 P值 β 聚类稳健标准误 P值 β 聚类稳健标准误 P值
S t o p j t - 1 0.042 0.067 0.533 -0.079 0.086 0.399 -0.072 0.081 0.414
时间固定效应 不控制 不控制 控制
地点固定效应 不控制 控制 控制
模型一为未控制时间固定效应、地点固定效应及工具变量情况下的OLS基准回归结果，系数符号为正，这意味着警察盘查会增加街面盗窃发生的概率，但正如前文所言，街面盗窃的发生不仅会受到警察盘查的影响，还会受到非时变异质性因素(建成环境和社会环境等)和时变同质性因素(盘查策略变化、季节变化等)等多种混杂因素的影响，由这些因素构成的遗漏变量会造成模型回归系数估计结果的不一致。因此，模型二和模型三依次控制了地点固定效应和时间固定效应，以控制遗漏变量的影响。从模型二的回归结果可知，在控制了随地点变化但不因时间而异的遗漏变量(如建成环境、社会混乱程度等短时期内变化不大的变量)的影响后，回归系数符号由正变为负，警察盘查对街面盗窃的正向影响消失，说明具有地点异质性的混杂因素对街面盗窃存在较大的影响。模型三在模型二的基础上进一步控制了不随地点变化但随时间变化的遗漏变量(如季节性、整个辖区巡逻盘查策略的变化等)，回归系数依旧为负，但相比于模型二系数，绝对值减小，说明模型二高估了警察盘查对街面盗窃的影响，随时间变化的因素也会在一定程度上抑制犯罪的发生，但影响程度不大。可见，在回归模型中使用固定效应方法控制遗漏变量以排除混杂因素的影响是合理的。
但控制双向固定效应只能部分解决遗漏变量导致的内生性问题，并不能解决双向因果导致的内生性问题。理论上，警察盘查会通过提高犯罪被捕风险的方式影响犯罪的发生，某地犯罪量的高低变化也会影响警察对盘查地点及时间的选择，因此，本文在基准回归的基础上，使用基于份额移动法构造的Bartik工具变量 S t o p _ i v j ( t - 1和两阶段最小二乘法(2SLS)回归模型来解决内生性问题。2SLS模型的第一阶段是使用工具变量对实际观测值进行拟合，第二阶段使用第一阶段的拟合值和因变量进行回归分析，结果如表3所示。从模型结果可以看出，两阶段回归的第一阶段结果均在0.01水平上显著为正(P<0.001)，系数大于或等于1.180，F值显著大于10，表明通过份额移动法模拟出的警察盘查估计值与实际的警察盘查数量高度接近，且不存在弱工具变量问题，因此，构造的工具变量是有效的。模型一及模型二的第二阶段的回归结果均在0.01水平上显著为负，说明上周的盘查对本周街面盗窃的发生具有显著的威慑作用，警察盘查可以在一定时间内抑制街面盗窃的发生。但模型一和模型二的系数存在差异，体现出街面盗窃在一定程度上受混杂因素的影响。在排除混杂因素的影响后，模型二的回归系数为-0.278(P<0.001)，说明上周的盘查量每增加一个标准单位，本周的街面盗窃案件数量将会下降约0.243起(e-0.278-1)。与表2的基准模型回归结果相比，表3的2SLS回归模型的系数绝对值均显著增加，表明警察盘查与街面盗窃之间存在着双向因果关系，警察盘查降低街面盗窃案件发生率的同时，街面盗窃案件的减少也会在一定程度上会影响警察盘查的时空选择，导致基准回归结果低估了警察盘查对街面盗窃警情的威慑作用。
表3 2SLS模型回归结果

Tab.3 2SLS model regression results

变量 模型一 模型二
β 聚类稳健标准误 P值 第一阶段F值 β 聚类稳健标准误 P值 第一阶段F值
第一阶段回归结果
S t o p _ i v j ( t - 1 1.180*** 0.011 <0.001 11440.030 1.184*** 0.020 <0.001 3674.600
第二阶段回归结果
S t o p j t - 1 -0.305*** 0.020 <0.001 — -0.278*** 0.041 <0.001 —
时间固定效应 不控制 控制
地点固定效应 控制 控制

注： ***表示P<0.01。

4 结论与讨论

本文从日常活动理论、理性选择理论视角出发，综合运用时空模式挖掘与因果推断的方法，选取具有典型代表性的ZG市CBD核心区域，从微观时空尺度对警察盘查的时空分布模式特征进行了探究，并针对警察盘查和街面盗窃之间可能存在的内生性问题，运用份额移动法构建了Bartik工具变量，详细评估了CBD警察盘查对街面盗窃时空分布影响的因果效应。主要结论如下：
(1) 城市CBD内警察盘查呈现出较为明显的热点集聚趋势，主要表现为持续热点、连续增强热点、历史热点、新增热点与分散热点，但不同热点类型中警察盘查与街面盗窃的时空关系存在差异，警察盘查倾向于选择重点公共设施等人流量较大的区域进行，但同时警察盘查也会根据犯罪情况的变化进行动态调整。
(2) 警察盘查与街面盗窃之间存在潜在的双向因果关系，二者间的双向互动及混杂因素的存在会导致模型回归结果产生内生性问题而无法准确衡量警察盘查对犯罪的影响，基于份额移动法和真实的警察盘查量数据构造的Bartik工具变量可以很好地解决盘查与街面盗窃间的内生性问题。
(3) CBD中警察盘查与街面盗窃之间呈现出显著的负向因果效应，盘查对街面盗窃警情的发生具有显著的威慑作用，上周该区域的警察盘查量每增加一个标准单位，本周的街面盗窃案件量将会下降约0.243起。
本文的研究结论与前人的研究存在共性：均发现盘查与街面盗窃案件存在时空高发区，在时空分布上存在热点[27]；警察盘查与街面盗窃之间存在负相关的关系，盘查对街面盗窃的发生在短期内具有显著的威慑作用[16-17]。本文的创新和贡献主要体现在：① 本文聚焦警察日常防控活动与犯罪行为的时空关系，从犯罪监管者视角出发定量刻画了警察盘查对街面盗窃的因果效应，深化了日常活动理论等犯罪地理理论关于监管者的探讨；② 聚焦经济、政治与文化要素集中的CBD，运用多源融合的“监管者—警情”时空动态数据，精细识别了警察盘查的时空模式及其与街面盗窃的互动特征；③ 充分讨论了警察盘查与街面盗窃之间的内生性问题，采用份额移动法构建的工具变量合理地解释并精确衡量了警察盘查对街面盗窃警情的因果效应。本文的发现有助于基于CBD的实际情况，制定针对性的日常巡逻盘查方案，合理配置警力资源，提升警方精准打击及预防犯罪的能力。
值得注意的是，有学者研究发现，当警察把警力投入到犯罪高发的区域时，取得的犯罪防控效益会更高[44-45]。根据本文研究结果，CBD的警察盘查对街面盗窃起到显著的威慑作用，可以有效抑制犯罪的发生，但盘查与街面盗窃的热点时空匹配度不高。因此，如何将有限的警力集中于犯罪热点以提升犯罪防控的精准程度，仍有待更多的研究。此外，本文发现警察盘查对街面盗窃的威慑作用能够在短期内持续，且警察与犯罪者活动地点的选择也会根据对方的时空变化动态调整，因此，在城市CBD内可采取科学设点、潮汐式布局的警务模式，在犯罪发生的高风险区域进行常态化打击，其他区域则以周为单位进行动态化轮换、定期回访，在确保犯罪防控效果的同时合理分配警力资源。
但本文还存在一定的局限性。第一，本文仅聚焦于特大城市CBD，未对比研究不同类型区域(如不同城市CBD或城市不同功能区)中警察盘查对犯罪影响的差异性，而不同区域的社会文化、经济发展水平等方面的差异会影响警察及犯罪者的行为习惯，因而警察盘查对犯罪影响的因果效应机制及其普适性仍有待深入探究。第二，在ZG市的警务防控体系中，警察盘查通常有固定区域常态化盘查、临时设卡盘查、巡逻途中随机动态盘查等形式，但本文未分析不同盘查类型及盘查形式对犯罪影响的差异性。第三，警察盘查在直接影响犯罪的同时，也能够通过影响非正式社会监管(社区居民的监视、“街道眼”效应等)间接地作用于犯罪，但本文未将警察盘查对犯罪的间接影响纳入考虑。最后，受数据局限性的影响，本文未将“合适的目标”变量纳入模型，而是将其视为区域环境异质性因素使用地点固定效应的方式进行控制，因而无法探究具有动态特征的潜在受害者活动对犯罪的影响。后续将进一步细化不同类型地区警察盘查与街面盗窃之间的因果关系分析，厘清二者的时空模式特征与时空互动机制，并对研究结果的普适性展开讨论。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
崔喆, 沈丽珍, 刘子慎. 南京市新街口CBD服务业空间集聚及演变特征: 基于微观企业数据[J]. 地理科学进展, 2020, 39(11): 1832-1844.

DOI

[Cui Zhe, Shen Lizhen, Liu Zisheng. Spatial agglomeration characteristics of service industry in Xinjiekou CBD of Nanjing City and change: Based on micro enterprise data. Progress in Geography, 2020, 39(11): 1832-1844.]

DOI

[2]
Wikström P H. Preventing city-center street crimes[J]. Crime and Justice, 1995, 19: 429-468.

[3]
Almanie T, Mirza R, Lor E. Crime prediction based on crime types and using spatial and temporal criminal hotspots[J]. International Journal of Data Mining & Knowledge Management Process, 2015, 5(4). doi: 10.5121/ijdkp.2015.5401.

[4]
万毅. 论盘查[J]. 法学研究, 2006(2):126-137.

[Wan Yi. On stop and frisk. Chinese Journal of Law, 2006(2): 126-137.]

[5]
朱敏. 我国警察盘查制度研究[D]. 苏州: 苏州大学, 2014.

[Zhu Min. Study on interrogation system in China. Suzhou, China: Soochow University, 2014.]

[6]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4): 588-608.

[7]
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.]

[8]
Sherman L W, Weisburd D. General deterrent effects of police patrol in crime "hot spots": A randomized, controlled trial[J]. Justice Quarterly, 1995, 12(4): 625-648.

[9]
Ratcliffe J H, Taniguchi T, Groff E R, et al. The Philadelphia foot patrol experiment: A randomized controlled trial of police patrol effectiveness in violent crime hotspots[J]. Criminology, 2011, 49(3): 795-831.

[10]
Liu L, Feng J, Ren F X, et al. Examining the relationship between neighborhood environment and residential locations of juvenile and adult migrant burglars in China[J]. Cities, 2018, 82: 10-18.

[11]
柳林, 孙秋远, 肖露子, 等. 涉毒人员日常活动对盗窃警情空间格局影响的时间差异[J]. 地球信息科学学报, 2021, 23(12): 2187-2200.

DOI

[Liu Lin, Sun Qiuyuan, Xiao Luzi, et al. The temporal influence difference of drug-related personnels' routine activity on the spatial pattern of theft. Journal of Geo-information Science, 2021, 23(12): 2187-2200.]

[12]
陈慧君, 李浩. 我国盘查权规范化路径的反思与再选择[J]. 中国人民公安大学学报(社会科学版), 2019, 35(1): 110-122.

[Chen Huijun, Li Hao. Reflection and re-selection of the normalization path of inventory right in China. Journal of People's Public Security University of China (Social Sciences Edition), 2019, 35(1): 110-122.]

[13]
郭旨龙. 警察盘查权行使条件的法治化[J]. 中国政法大学学报, 2021(2): 204-215.

[Guo zhilong. The rule of law on the conditions for the exercise of police interrogation and examination. Journal of China University of Political Science and Law, 2021(2): 204-215.]

[14]
Weisburd D, Telep C W, Lawton B A. Could innovations in policing have contributed to the New York City crime drop even in a period of declining police strength? The case of stop, question and frisk as a hot spots policing strategy[J]. Justice Quarterly, 2014, 31(1): 129-153.

[15]
Ratcliffe J H. The hotspot matrix: A framework for the spatio-temporal targeting of crime reduction[J]. Police Practice and Research, 2004, 5(1): 5-23.

[16]
Weisburd D, Wooditch A, Weisburd S, et al. Do stop, question, and frisk practices deter crime? Evidence at microunits of space and time[J]. Criminology & Public Policy, 2016, 15(1): 31-56.

[17]
MacDonald J, Fagan J, Geller A. The effects of local police surges on crime and arrests in New York City[J]. PLoS One, 2016, 11(6): e157223. doi: 10.1371/journal.pone.0157223.

[18]
Tiratelli M, Quinton P, Bradford B. Does stop and search deter crime? Evidence from ten years of London-wide data[J]. The British Journal of Criminology, 2018, 58(5): 1212-1231.

[19]
Rosenfeld R, Fornango R. The impact of police stops on precinct robbery and burglary rates in New York City, 2003-2010[J]. Justice Quarterly, 2014, 31(1): 96-122.

[20]
Oatley G, Williams S, Barnes G C, et al. Crime concentration in Perth CBD: A comparison of officer predicted hot spots, data derived hot spots and officer GPS patrol data[J]. Australian Journal of Forensic Sciences, 2019, 51(S1): S136-S140.

[21]
Haberman C P, Stiver W H. The Dayton foot patrol program: An evaluation of hot spots foot patrols in a central business district[J]. Police Quarterly, 2019, 22(3): 247-277.

DOI

[22]
Mugari I, Thabana N. Foot patrols and crime prevention in Harare Central Business District: Police officers' perspectives[J]. Crime Prevention and Community Safety, 2018, 20: 113-124.

[23]
Simpson R, Hipp J R. What came first: The police or the incident? Bidirectional relationships between police actions and police incidents[J]. Policing and Society, 2019, 29(7): 783-801.

[24]
郑海, 杨涵. 犯罪热点研究进展综述[J]. 犯罪研究, 2014(6): 102-110.

[Zheng Hai, Yang Han. Research and progress of hot points of crimes. Chinese Criminology Review, 2014(6): 102-110.]

[25]
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

[26]
龙冬平, 柳林, 冯嘉欣, 等. 社区环境对入室盗窃和室外盗窃影响的对比分析: 以ZG市ZH半岛为例[J]. 地理学报, 2017, 72(2): 341-355.

DOI

[Long Dongping, Liu Lin, Feng Jiaxin, et al. Comparisons of the community environment effects on burglary and outdoor-theft: A case study of ZH peninsula in ZG City. Acta Geographica Sinica, 2017, 72(2): 341-355.]

DOI

[27]
Andresen M A. Crime measures and the spatial analysis of criminal activity[J]. British Journal of Criminology, 2006, 46(2): 258-285.

[28]
张延吉, 林钦熙, 朱春武, 等. 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

[Zhang Yanji, Lin Qinxi, Zhu Chunwu, et al. 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. Progress in Geography, 2022, 41(6): 1041-1052.]

DOI

[29]
Wu X Y, Koper C, Lum C. Measuring the impacts of everyday police proactive activities: Tackling the endogeneity problem[J]. Journal of Quantitative Criminology, 2022, 38(2): 343-363.

[30]
白仲林. 面板数据模型的设定、统计检验和新进展[J]. 统计与信息论坛, 2010, 25(10): 3-12.

[Bai Zhonglin. The specification of model, statistical tests and new progresses of panel data analysis. Journal of Statistics and Information, 2010, 25(10): 3-12.]

[31]
Song G, Bernasco W, Liu L, et al. Crime feeds on legal activities: Daily mobility flows help to explain thieves' target location choices[J]. Journal of Quantitative Criminology, 2019, 35(4): 831-854.

[32]
宋广文, 肖露子, 周素红, 等. 居民日常活动对扒窃警情时空格局的影响[J]. 地理学报, 2017, 72(2): 356-367.

DOI

[Song Guangwen, Xiao Luzi, Zhou Suhong, et al. Impact of residents' routine activities on the spatial-temporal pattern of theft from person. Acta Geographica Sinica, 2017, 72(2): 356-367.]

DOI

[33]
Song G W, Zhang Y J, Bernasco W, et al. Residents, employees and visitors: Effects of three types of ambient population on theft on weekdays and weekends in Beijing, China[J]. Journal of Quantitative Criminology, 2023, 39(2): 385-423.

[34]
赵奎, 后青松, 李巍. 省会城市经济发展的溢出效应: 基于工业企业数据的分析[J]. 经济研究, 2021, 56(3): 150-166.

[Zhao Kui, Hou Qingsong, Li Wei. Spillover effects of economic development in provincial capitals: An analysis based on industrial enterprise data. Economic Research Journal, 2021, 56(3): 150-166.]

[35]
陈传明, 孙俊华. 企业家人口背景特征与多元化战略选择: 基于中国上市公司面板数据的实证研究[J]. 管理世界, 2008(5): 124-133, 187-188.

[Chen Chuanming, Sun Junhua. Entrepreneurs' demographic characteristics and their diversified strategic options. Management World, 2008(5): 124-133, 187-188.]

[36]
陈钊, 陆铭, 金煜. 中国人力资本和教育发展的区域差异: 对于面板数据的估算[J]. 世界经济, 2004(12): 25-31.

[Chen Zhao, Lu Ming, Jin Yu. Regional differences of human capitals and education development in China: An estimation of the panel data. The Journal of World Economy, 2004(12): 25-31.]

[37]
Hägerstrand T. What about people in regional science?[J]. Papers of the Regional Science Association, 1970, 24(1): 6-21.

[38]
陈强. 高级计量经济学及Stata应用[M]. 2版. 北京: 高等教育出版社, 2014.

[Chen Qiang. Advanced econometrics and stata applications. 2nd ed. Beijing, China: Higher Education Press, 2014.]

[39]
Bartik T J. Who benefits from state and local economic development policies?[M]. Kalamazoo, USA: W.E. Upjohn Institute for Employment Research, 1991.

[40]
Charles K K, Hurst E, Notowidigdo M J. Housing booms, manufacturing decline and labour market outcomes[J]. The Economic Journal, 2019, 129: 209-248.

[41]
Lafortune J, Lewis E, Tessada J. People and machines: A look at the evolving relationship between capital and skill in manufacturing, 1860-1930, using immigration shocks[J]. Review of Economics and Statistics, 2019, 101(1): 30-43.

[42]
Fajgelbaum P D, Morales E, Suárez Serrato J C, et al. State taxes and spatial misallocation[J]. The Review of Economic Studies, 2019, 86(1): 333-376.

[43]
蔡宇阳, 李伯钊, 牛彦芬, 等. 基于轨迹数据的出租车运行模式识别及效益分析[J]. 测绘地理信息, 2023, 48(4): 146-150.

[Cai Yuyang, Li Bozhao, Niu Yanfen, et al. Identification of taxi operation patterns and benefit analysis based on trajectory data. Journal of Geomatics, 2023, 48(4): 146-150.]

[44]
Braga A A, Papachristos A V, Hureau D M. The effects of hot spots policing on crime: An updated systematic review and meta-analysis[J]. Justice Quarterly, 2014, 31(4): 633-663.

[45]
Sherman L W, Rogan D P, Edwards T, et al. Deterrent effects of police raids on crack houses: A randomized, controlled experiment[J]. Justice Quarterly, 1995, 12(4): 755-781.

Options
文章导航

/

〈 〉