EN中文

PROGRESS IN GEOGRAPHY >

2024 , Vol. 43 >Issue 11: 2298 - 2311

DOI: https://doi.org/10.18306/dlkxjz.2024.11.015

Articles

Spatial influence of police inspection activities on theft crimes: A case study in Haining City, Zhejiang

  • ZHAO Zengze , 1 ,
  • LIU Daqian 2 ,
  • ZHENG Ziwan 1, 3 ,
  • CHEN Peng , 1, * ,
  • WANG Cheng 1
Expand
  • 1. School for Information and Network Security, People's Public Security University of China, Beijing 102600, China
  • 2. Northeast Institute of Geography and Agroecology, CAS, Changchun 130102, China
  • 3. School of Big-data and Network Security, Zhejiang Police College, Hangzhou 310053, China

Received date: 2024-03-15

  Revised date: 2024-04-29

  Online published: 2024-11-26

Supported by

National Natural Science Foundation of China(42171236)

National Natural Science Foundation of China(41901160)

Fundamental Research Funds for People's Public Security University of China(2024JKF04)

Fundamental Research Funds for People's Public Security University of China(2023JKF01ZK12)

Fold

Abstract

As the main actor in crime prevention and control, the activities of the police department have an important impact on the spatial trend of criminal activities. This study focused on the police inspection activity data and theft crime data from May to December 2019 in Haining City of Zhangjiang Province. Grids were employed as the spatial units of analysis, and the study used kernel density estimation and spatial autocorrelation analysis to examine the spatial distribution characteristics of police inspections and theft crimes. Additionally, a spatial regression model was constructed to analyze the impact of different types of police inspections, including routine security checks, inspections of public complex industries, and inspections of key units, on theft crimes. The findings are as follows: 1) Both police inspections and theft crimes exhibited spatial clustering characteristics, with some overlap in hotspot areas. While the spatial distributions of routine security checks, inspections of public complex industries, and inspections of key units were generally similar, there existed certain differences. 2) Inspections of public complex industries and key units were significantly negatively correlated with theft crimes, whereas routine security checks showed a significant positive correlation with theft crimes. 3) Routine security checks in adjacent areas were significantly positively correlated with theft crimes in the local area, suggesting a potential phenomenon of crime site displacement. These results suggest that inspections of public complex industries and key units played a significant inhibitory role in theft crimes, while routine security checks may lead to crime site displacement. The conclusions of this study provide significant reference value for clarifying the relationship between police activities and crime, as well as for assessing the effectiveness of police activities in crime prevention and control.

Key words： crime geography; police inspection activities; theft crimes; spatial Durbin error model

Cite this article

ZHAO Zengze , LIU Daqian , ZHENG Ziwan , CHEN Peng , WANG Cheng . Spatial influence of police inspection activities on theft crimes: A case study in Haining City, Zhejiang[J]. PROGRESS IN GEOGRAPHY, 2024 , 43(11) : 2298 -2311 . DOI: 10.18306/dlkxjz.2024.11.015

21世纪以来，中国经济社会的高质量发展和人民生活水平的不断提升推动着人民群众公共安全需求的增加，对公安机关履行新时代使命任务也提出了更高的要求。然而，当前公安机关面临警力资源短缺的问题，公安防控资源无法完全覆盖公众安全需求，日趋复杂的犯罪态势与相对紧张的防控资源之间的矛盾阻碍着平安中国的建设。因此厘清各类犯罪防控资源对不同犯罪的影响机理与防控效益，从而制定合理有效的警务策略以优化警力资源配置、提高犯罪防控效率，对平安中国建设具有重要意义。
日常活动理论认为，绝大多数犯罪行为的发生是有动机的犯罪人、合适的目标和缺乏有能力的监管者这三大要素在同一时空上的聚合的结果[1]，而监管者的表现形式则具体可以分为人防、技防和物防等，其中人防的主要表现形式为警务人员所开展的各类主动式犯罪防控活动。国外较早开展了警务活动的犯罪防控效果研究，并且分为了警务实验和统计分析两个方向。警务实验主要是指在掌握当地犯罪规律的基础上针对城市的热点地区有计划性地分配警力，以检验不同警务策略的效益，从而对警务防控策略提出改进建议[2]。例如：Braga[3]在美国泽西城开展对热点警务策略的研究，该研究通过设定5个随机对照实验和4个非等效控制组准实验来评估热点警务干预对犯罪的影响，研究结果表明热点警务是一种有效的预防犯罪策略；Groff等[4]对美国费城警察局将徒步巡逻作为一种警务策略所进行的大规模随机对照试验进行了分析评估，研究发现徒步巡逻使暴力犯罪减少了23%，并且徒步巡逻人员和驾车巡逻人员的具体活动存在明显差异；Novak等[5]采用准实验的设计，对美国堪萨斯州的8个特定区域进行徒步巡逻对比实验，结果表明在犯罪热点地区实施徒步巡逻会导致袭击和抢劫犯罪显著减少，并且未产生明显的犯罪转移现象；Haberman等[6]设计评估了在美国代顿市实施的名为DFPP(Dayton foot patrol program)的代顿徒步巡逻实验，在DFPP期间，徒步巡逻人员被要求在中央商务区的6个犯罪热点进行徒步巡逻，评估结果表明徒步巡逻可以有效减少市中心地区的骚乱犯罪，同时研究还发现徒步巡逻产生了效益扩散现象；Ratcliffe等[7]将费城的20个城区随机划分为部署不同警务干预措施的实验组和对照组，以探讨不同巡逻策略对预测性犯罪区域中暴力犯罪和财产犯罪的影响，实验结果表明配有警用标志巡逻车的巡逻可以显著减少财产犯罪，并且其犯罪防控效益会扩散到巡逻后的8 h内；Rosenfeld等[8]的研究评估了美国圣路易斯市为期9个月的热点警务随机对照实验，该警务实验将枪支暴力犯罪热点随机分配为2个实验组和1个对照组以观察定向巡逻和自发执法对枪支暴力犯罪的影响，研究结果表明，加强定向巡逻与自发执法可以显著降低非家庭性持枪袭击的发生率，但对持枪抢劫没有显著影响，此外，也没有观察到明显的犯罪转移现象。
与警务实验不同，对犯罪防控行为的统计分析研究是指对获取的各种犯罪防控行为数据及资料进行数理统计分析，通过数据处理并构建合适的数学模型形成定量结论的研究方法。相较于警务实验，统计分析不需要设计随机对照实验或准实验，仅需要历史犯罪防控数据即可开展研究，研究门槛较低但对统计数据的完整性和准确性要求很高，并且要求选取的数据分析方法具有一定的科学性。在这一领域，国外学者使用灵活多样的数学方法对各类犯罪防控行为进行了建模分析，例如：Fitterer等[9]通过构建泊松回归模型来探究警务主动行为对酒后违法与袭击犯罪发生频率的影响，研究发现积极的警务主动行为可以显著减少酒后违法行为，而袭击犯罪只是略有减少，且并不显著；Wu等[10]使用广义矩估计(generalized method of moments)动态框架厘清了主动性警务活动与犯罪之间的内生关系，进而探究了主动性警务活动在微观时空尺度上如何影响和响应犯罪的变化，其研究结果表明，5~20 min时长的主动巡逻和非交通执法活动具有减少犯罪的效果；Andresen等[11]使用空间点模式测试法评估了警察徒步巡逻对犯罪的长期影响，发现徒步巡逻的持续存在造成了犯罪在特定区域的集中，同时也发现了犯罪转移现象；Zhao等[12]采用传统双变量相关分析与局部二元关系分析，对专业巡逻人员和普通巡逻人员的主动性警务活动及各类犯罪活动进行对比研究，发现两类人员所开展的主动活动相似与差异并存；Bilach等[13]采用双重差分法(difference in differences)对纽约市警察局为期90 d的徒步巡逻计划在减少犯罪和枪支暴力方面的有效性进行了评估，发现管辖区内高能见度的步行巡逻对街头犯罪几乎没有影响；Rosenfeld等[14]通过加入犯罪率的空间滞后项，使用Arellano-Bond线性面板模型研究警察拦截、询问和盘查活动对暴力和财产犯罪率的影响，发现拦截、询问和盘查活动与暴力和财产犯罪率显著下降有关，并且盘查白人、黑人和西班牙裔嫌疑人都与暴力和财产犯罪的减少显著相关。
国外对于犯罪防控行为的研究起步较早、研究成果较为丰富，而中国对于犯罪防控行为的研究则大多停留于理论层面。例如，柳林等[2]从不同类型犯罪防控警务策略特点、犯罪防控实验及其防控效益评估三个方面出发，对犯罪防控警务策略方面的国内外研究进展进行了全面总结，并探讨了中国警务策略研究需要关注的方向；随后，柳林等[15]梳理了犯罪地理中时空行为的理论基础并评述了不同犯罪相关主体时空活动对犯罪时空格局的影响，其中就包括警察巡逻活动及警务策略对犯罪的影响，认为已有研究在精细化警务策略制定方面未做深入讨论，因此基于犯罪地理和时空行为领域的交叉维度构建了犯罪地理与时空行为研究融合的创新研究框架；杨学锋[16]从犯罪学理论基础和实践效果评估两方面对热点警务进行了论述，以犯罪学的视角综合阐释了热点警务的理论基础及实践评估结论，认为热点警务获得了许多实验或准实验研究的支持，但在伦理、法律和方法论等方面仍存在一定争议。
通过对比国内外的研究可见，国外对于犯罪防控行为对犯罪的影响研究开展较早，也已经取得一定的成果。而国内目前从地理角度对于犯罪影响因子的研究还主要以城市中的建成环境和社会环境等静态变量为主，从监管者角度出发对犯罪防控行为的研究还主要停留在理论层面，有待在实证分析方面开展更为深入的研究。因此，为探究警务活动对犯罪活动的空间影响性，本文选取2019年5—12月浙江省海宁市的警务检查数据，以社会环境和建成环境等作为控制变量，通过构建空间回归模型，分析不同类型警务检查活动对犯罪的空间影响性，以期为中国公安机关的犯罪防控提供理论和实证支撑，对公安机关的犯罪防控策略优化也具有一定的理论和现实意义。

1 研究区域与研究数据

1.1 研究区域

1.1.1 研究区域概况

本文研究区域为浙江省海宁市。据2022年海宁市国民经济和社会发展统计公报，截至2022年，海宁市常住人口为110.16万人。2022年海宁市实现地区生产总值1247亿元，第三产业占比高。由于海宁市中心城区有大型购物商场、老旧商业区、老旧农居房、新型商品房、火车站等多种功能类型场所，且其郊区以村落、农田和风景区为主，警务检查与犯罪均较少[17]，故仅选取由4个街道组成的中心城区作为研究区域，总面积约243 km2。

1.1.2 研究单元

由于本文关于警务检查对盗窃犯罪的影响研究中考虑了警务检查的空间效应，而空间数据分析通常是针对面域数据；同时，警务检查或者盗窃犯罪的空间集聚会受到其周边邻近区域的各项因素的综合影响，因此，本文将研究区域划分为网格作为研究单元。网格是犯罪地理研究中常用的尺度单元[18-19]，根据中国现有的城市道路规划设计规范，支路间距为500~600 m[20]。公安部门一般按照街道街区开展警务检查，海宁市为县级市，600 m可以衡量该城市一般道路间距，因此本文将研究区域划分为687个600 m×600 m的网格作为研究单元进行空间数据处理与分析。

1.2 研究数据

1.2.1 犯罪数据

本文所使用的犯罪数据来自于海宁市公安局，主要包含案件编号、案件类型、案件发生时间、案件发生地址等字段。由于盗窃类案件数据量占比最大且考虑到警务检查与盗窃类案件关联最紧密，因此，本文中所使用的犯罪数据类型为盗窃犯罪数据。根据数据记录质量并考虑到新冠疫情防控措施对盗窃犯罪的影响[21-22]，本文选取2019年5月1日至12月31日的盗窃犯罪数据进行分析研究。对数据进行噪声去除并进行人工清洗后，最终得到可用于分析的盗窃犯罪案件共2591起。

1.2.2 警务检查数据

警务检查数据作为主要解释变量，来源于海宁市公安机关的警务检查记录系统，主要包含警务检查的发生时间、检查类型、经度、纬度等字段。本文使用的警务检查数据根据检查标准、检查场所、检查目的、检查方式的不同可分为普通治安检查、公共复杂行业检查、重点单位检查三大类，各类检查的定义及分类示例具体如表1所示。根据表中对各检查的定义可知，普通治安检查是治安管理的常规手段，也是相对灵活的犯罪防控手段。公安部门根据治安形势的变化，动态调整普通治安检查的部署，使得普通治安检查具有非常规性、针对性等鲜明特点，属于当前的热点警务模式。而公共复杂行业检查和重点单位检查则是针对治安风险较高的公共复杂场所或治安保卫重点单位开展常规性检查，具有稳定性、持续性等特点，两者更加注重对某些区域的长效管理，与热点警务在实施方式上有所不同。同时，两者在检查标准、检查场所等方面又各有侧重。三类警务检查相互补充、相互支持，共同构建起公安机关打击预防犯罪的坚强屏障。根据记录数量与地理空间环境关联性对研究数据进行筛选，按照一级大类进行分类研究。对数据进行噪声去除并进行人工清洗后，最终得到2019年5—12月可用于分析的警务检查行为记录共10570条。
表1 警务检查分类

Tab.1 Classification of police inspections

一级分类 二级分类 检查定义
普通治安检查 社区治安检查
产业园区治安检查
物流仓库治安检查
其他普通治安检查		 普通治安检查是治安管理主体为了掌握治安管理相对人遵守治安管理法律规范的情况，防范、发现违法犯罪嫌疑和安全隐患，依法对场所、人员、物品、证件等进行了解、观察、审查、核实所采取的措施
公共复杂行业检查 网吧检查
旅馆检查
商场检查
酒吧KTV检查
其他公共复杂行业检查		 公共复杂行业检查是指公安机关对公共复杂场所进行的安全检查。公共复杂场所是指公众从事文娱、体育、交易等活动，人财物高度集中、流动频繁、情况复杂、易被不法分子利用进行各类违法犯罪活动的公共场所。公共复杂场所直接影响社会治安秩序和公共安全，由公安机关依法实施特别管理
重点单位检查 教育单位检查
医疗单位检查
涉危单位检查
其他重点单位检查		 重点单位检查是指公安机关对治安保卫重点单位进行的安全检查。治安保卫重点单位是指关系全国或者所在地区国计民生、国家安全和公共安全的单位。治安保卫重点单位由县级以上地方各级人民政府公安机关按照规定范围提出，报本级人民政府确定

1.2.3 建成环境数据与人口数据

建成环境数据采用POI(points of interest)数据和道路网络数据。建成环境数据均从高德地图平台(www.amap.com)获取，本文将其视为盗窃犯罪的潜在影响因素。在参考文献[21]的基础上，将共线性较强的POI类别删除，最终选择10类POI数据进行分析，具体如表2所示。道路网络数据包括主干路、次干路、支路等矢量数据。此外，本文所使用的常住人口数据来源于公安机关社区警务系统，共计22.2万条，包含常住人口的出生年份、年龄和地址等信息，其中地址信息反映了居民身份证所显示的居住地。通过居住地址可映射至每个网格单元，进而获得每个网格单元的常住人口数量。
表2 POI分类示例

Tab.2 Classification of points of interest

类型 POI示例
政府机构 各级政府、事业单位、行政单位等
公共交通 火车站、汽车站、公交车站、地铁站等
酒店住宿 星级酒店、经济型连锁酒店、旅馆招待所等
购物商超 购物中心、百货商场、超市、批发市场等
生活服务 仓库物流、加油站、通信营业厅等
小区住宅 别墅区、住宅社区等
医疗服务 综合医院、专科医院、诊所、药店等
学校文教 高等院校、中学、小学、幼儿园等
银行金融 银行、ATM机、信用社等
公司企业 公司、产业园区、商务写字楼等

2 研究方法

本文采用核密度估计、空间自相关分析和空间回归模型来研究警务检查活动对犯罪活动的影响。

2.1 核密度估计

核密度估计(kernel density estimation，KDE)是一种基于点状数据或线状数据对表面密度进行非参数估计的空间统计方法[23-24]，其核密度函数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，K(·)为核函数。本文采用ArcGIS 10.8的核密度估计工具进行核密度分析，并设置像元大小和搜索半径参数相同。

2.2 空间自相关分析

2.2.1 全局Moran's I指数

空间自相关是指同一个变量在不同空间位置上的相关性，是空间单元属性值聚集程度的一种度量[25-26]。Moran's I指数是研究空间自相关最常用的度量指标[27]。本文引入全局Moran's I指数来测度分析各要素在整个研究区域上的关联程度。全局Moran's I指数的计算公式为：
I = ∑ i = 1 n ∑ j = 1 n w i j ( x i - x - ) ( x j - x - ) S 2 ∑ i = 1 n ∑ j = 1 n w i j
式中：xi和xj分别是网格i和网格j内的警务检查数量或盗窃犯罪数量， x -是全部网格内警务检查数量或盗窃犯罪数量的均值，S2为各网格警务检查数量或盗窃犯罪数量的方差，n为参与分析的网格数量，wij为空间权重。I的取值一般介于-1~1之间。

2.2.2 局部Moran's I指数

相较于全局空间自相关，局部空间自相关则是计算各空间单元与其邻近单元间某一属性的空间相关程度，分析空间分布中所存在的局部特征差异。局部Moran's I指数的计算公式为：
$I_{i}=\frac{\left(x_{i}-\bar{x}\right)}{S^{2}} \sum_{j=1}^{n} w_{i j}\left(x_{j}-\bar{x}\right) \quad(j \neq i)$
式中：Ii为第i个网格的局部Moran's I指数。若Ii>0则表示区域的高(低)值被周围的高(低)值所包围；Ii<0则表示区域的高(低)值被周围的低(高)值所包围。

2.3 空间回归模型

如果警务检查和盗窃犯罪存在显著的空间自相关，则表明在考察警务检查对盗窃犯罪的影响时采用传统的多元线性回归模型可能会造成回归系数和拟合优度产生偏差，此时需要采用空间回归模型[28]。根据空间作用机制的不同，空间回归模型中最常用的主要包括：空间滞后模型(spatial lag model，SLM)、空间误差模型(spatial error model，SEM)、空间杜宾模型(spatial Durbin model，SDM)和空间杜宾误差模型(spatial Durbin error model，SDEM)，各模型公式具体如下所示：
SLM： Y = β 0 + ρ W Y + β X + μ
SEM： Y = β 0 + β X + ε ,     ε = λ W ε + μ
SDM： Y = β 0 + ρ W Y + β X + θ W X + μ
SDEM： Y = β 0 + β X + θ W X + ε ,     ε = λ W ε + μ
式中：Y为因变量；X为自变量；β0为常数项；β为各自变量的回归系数；ρ为因变量空间滞后项系数；μ为独立的随机误差项；ε为空间误差项；λ为空间误差滞后项系数；θ为自变量空间滞后项系数；W为空间权重矩阵。空间滞后模型(SLM)主要考察被解释变量的空间交互效应，测度周边区域内被解释变量对本区域被解释变量的影响；空间误差模型(SEM)主要考察误差项之间存在的空间自相关性，测度周边区域中难以度量且跨空间影响的变量(如政策因素、经济因素等)对本区域被解释变量的影响；空间杜宾模型(SDM)是在空间滞后模型的基础上进一步考察各解释变量的空间自相关，即模型的被解释变量不仅受到本地解释变量的影响，还受到相邻区域解释变量的影响；空间杜宾误差模型(SDEM)则是在空间误差模型的基础上加入了解释变量的空间滞后项，从而能够更好地刻画空间相关性来源，但目前对其开展的实证应用研究较少。空间回归模型的选择是空间回归建模的重要组成部分，也是空间回归模型实证分析的关键步骤。对于模型的选择，主要通过综合考察各模型的多项统计值[29]，如赤池信息准则(Akaike Information Criterion，AIC)、模型拟合优度R2、自然对数似然函数(Log likelihood)等，各模型参数均用STATA软件计算。

3 警务检查与盗窃犯罪空间分布特征及其对比分析

3.1 空间分布格局分析

为分析盗窃犯罪与不同类型的警务检查活动的空间分布特征，采用核密度估计对盗窃犯罪数据与警务检查数据进行分析。在参考文献[22]的基础上，进一步考虑研究区域面积和核密度可视化效果，设置核密度估计带宽为500 m，栅格像元大小为15 m×15 m，采用高斯核函数。同时为保证可比性，对各类警务检查的核密度结果按相同级别划分。
由警务检查与盗窃犯罪的空间核密度估计结果(图1)可知，警务检查活动与盗窃犯罪具有明显的空间集聚分布特征。警务检查活动的热点较多，且热点面积较大，密集分布在城区的中部偏北地区，最明显的警务检查热点为图1中标示的区域1、3、4和5。一些较小的警务检查热点零星分布在城区的中部和南部地区，热点面积较小且分布较为分散。盗窃犯罪的热点呈中部双中心圈层分布结构，大致位于区域3和区域9；同时也存在一个位于区域2的热点，热点面积较小。警务检查与盗窃犯罪位于区域3的热点部分重合，重合区域为海宁市老城区的中心地带，该地区为海宁市最大的交通枢纽和商业中心，区域内流动人口多，人财物高度集中，治安情况复杂，易被不法分子利用进行违法犯罪活动，也是公安机关重点关注的治安防控区域，因此该地区既为盗窃犯罪高发区域，又为警方的重点检查区域。值得注意的是，区域1、4和5为明显的警务检查热点区域，而这些区域的盗窃犯罪密度明显偏低。类似情况也发生在区域6~8，这些区域为警务检查的次热点区域，其盗窃犯罪密度也明显较低。与此相反，区域2和区域9为盗窃犯罪高发区域，而此区域内的警务检查密度偏低。上述结果表明：某些地区既为警务检查重点区域，又为盗窃犯罪高发区域；而在其他区域，当区域内警务检查密度较高时，会一定程度抑制盗窃犯罪的发生，当区域内警务检查密度较低时，又会放纵盗窃犯罪分子作案。因此，警务检查对盗窃犯罪具体有何影响，还要通过构建合理的回归模型进行细致分析与综合考察。
图1 警务检查和盗窃犯罪核密度分布

Fig.1 Kernel density of police inspection and theft crime

由三类警务检查的空间核密度估计结果(图2)可知，三类警务检查活动的热点与整体警务检查热点分布相似，都密集分布在城区的中部偏北区域。三类警务检查有部分热点为共同热点，也有部分热点为某类警务检查特有的热点，各类警务检查的热点数量、面积和具体位置也有所不同。具体表现为普通治安检查热点数量较多、热点面积较大，最明显的普通治安检查热点位于图2中标示的区域3~5，并且为普通治安检查所特有，其中区域4的热点空间范围最大；普通治安检查次热点零星分布在热点周围。公共复杂行业检查热点主要位于区域1~2，其中区域1的热点空间范围最大、检查密度最高。重点单位检查有一个位于区域1的显著热点，该热点为公共复杂行业检查与重点单位检查的共同热点。上述三类警务检查热点分布情况表明三类警务检查的分布大致相同，在犯罪防控方面相辅相成、互为补充，但又各有侧重区域。因此，有必要对警务检查进行分类研究，以探讨不同类型警务检查对盗窃犯罪的影响差异。
图2 普通治安检查、公共复杂行业检查和重点单位检查核密度分布

注：图中区域1~5的位置与图1不同。

Fig.2 Kernel density of general security inspection, public complex industries inspection, and key unit inspection

3.2 空间自相关分析

3.2.1 全局Moran's I指数分析

在进行空间自相关分析之前，需要对城市不同区域间地理位置关系进行定义。本文基于Queen contiguity方法创建一阶空间权重矩阵以进行空间数据分析，即网格i和网格j如果有边或者顶点相连就视为两者为相邻网格。
基于网格研究单元与一阶空间权重矩阵计算全局Moran's I指数，得到的盗窃犯罪与整体警务检查的全局Moran's I指数分别为0.449和0.396，普通治安检查、公共复杂行业检查和重点行业检查的全局Moran's I指数分别为0.293、0.427和0.362，且均通过0.01的显著性水平检验，说明警务检查与盗窃犯罪在空间上均呈现为显著的正相关关系，即表现出明显的空间集聚，这说明在考察警务检查对盗窃犯罪影响建模过程中，应该使用空间回归模型以有效规避自相关效应对各个参数的影响。

3.2.2 局部Moran's I指数分析

局部Moran's I指数能够反映某区域附近的空间集聚情况，能度量其与相邻区域间的关联程度。由局部Moran's I指数结果(图3)可知，警务检查的高—高集聚区集中分布在城区的中部偏北区域，低—低集聚区分布在城区四周边缘，低—高异常区散落在高—高集聚区的周边且数量较少，无高—低异常区。这说明警务检查重心位于城区的中部偏北区域，该区域内娱乐场所、商铺、旅店、写字楼众多，人流量大，人员结构复杂，为公安机关重点防控区域。区域内及其周边区域的警务检查数量都较多，区域之间关联性较为紧密。盗窃犯罪的高—高集聚区集中分布在城区的中部，低—低集聚区大多分布在城区的东北部与东南部，低—高异常区分散在高—高集聚区的周围，高—低异常区零星分布在城区的边缘区域。这表明城区中部、东北部及东南部区域内网格的盗窃犯罪数量与其周边网格关系密切，中部区域及其周边区域盗窃犯罪活动发生普遍较多，东北、东南部区域及其周边区域盗窃犯罪活动发生普遍较少。此外，值得关注的是，盗窃犯罪高—低异常区盗窃犯罪数量远高于周边区域，区域内盗窃犯罪形势严峻复杂，应作为重点防控对象。
图3 警务检查和盗窃犯罪Lisa聚类图

注：警务检查无高—低异常区。

Fig.3 LISA diagram of police inspection and theft crime

4 警务检查对盗窃犯罪空间影响因素分析

4.1 变量选取与计算

综合考虑已有对于盗窃犯罪影响因素的研究以及数据的可得性，本文将盗窃犯罪作为被解释变量，将三种不同类型警务检查活动作为主要解释变量，常住人口数量、青少年人口比重、道路网络密度和各类POI数量作为控制变量，将上述变量纳入模型进行分析。按照600 m×600 m网格进行空间计算，统计计算出每个格网内各变量数值来表示各变量。通过计算方差膨胀因子(VIF)检验模型自变量的多重共线性，各自变量的VIF值均小于8，VIF均值小于3，说明自变量之间不存在严重的多重共线性问题。同时在回归建模时对各变量基于各自平均值和标准差进行了Z-Score标准化处理以消除各影响因素的量纲差异对研究结论的影响。盗窃犯罪及其影响因素变量的描述性统计如表3所示。
表3 盗窃犯罪及其影响因素变量的描述性统计

Tab.3 Descriptive statistics of theft crime and its influencing factors

变量类型 变量 均值 标准差 最小值 最大值
被解释变量 盗窃犯罪/起 3.77 8.29 0 119
警务检查变量 普通治安检查/起 7.16 37.07 0 499
公共复杂行业检查/起 5.09 23.92 0 377
重点单位检查/起 3.13 13.53 0 181
社会环境变量 常住人口/人 323.10 620.20 0 5269
青少年人口比重/% 6.28 3.98 0 24.95
建成环境变量 道路网络密度/(km/km2) 13.15 10.13 0 47.94
生活服务/个 4.09 12.79 0 145
政府机构/个 1.10 3.75 0 51
医疗服务/个 0.88 3.21 0 39
酒店住宿/个 0.27 1.55 0 30
小区住宅/个 0.84 1.91 0 16
学校文教/个 1.02 3.42 0 50
公共交通/个 0.60 1.01 0 8
购物商超/个 12.02 39.11 0 416
公司企业/个 5.51 12.74 0 127
银行金融/个 0.48 2.25 0 41

4.2 空间回归模型结果分析

空间自相关分析结果显示模型存在明显的空间集聚现象，需要使用空间回归模型，且LM-lag和LM-Error以及RobustLM-Lag和RobustLM-Error均在0.01水平上显著，表明倾向于使用空间杜宾模型或者空间杜宾误差模型。经过综合对比各空间回归模型的多项统计值，空间杜宾误差模型(SDEM)具有最低的AIC值以及最高的Log likelihood值和拟合优度R2，因此最终选取SDEM进行分析。空间杜宾误差模型不仅可以检验主要解释变量的空间效应的显著性，同时也考虑了误差项的空间依赖性，可以更好地刻画本研究问题中的空间相关性来源。空间杜宾误差模型不同于空间杜宾模型，其系数可以像OLS回归后的系数一样直接解释，不需要进一步计算直接效应和间接效应[30]。
本文对比研究本区域及邻近区域内不同类型警务检查对盗窃犯罪的影响差异，且以分析本区域不同类型警务检查的影响差异为重点，因此共构建5个空间杜宾误差模型。其中，模型一将邻近区域的三类警务检查活动作为主要解释变量以分析不同类型警务检查对盗窃犯罪的空间效应，为后续模型更全面地考察本区域各类型警务检查对盗窃犯罪的影响差异提供参照；模型二是在模型一的基础上将本区域三类检查活动作为主要解释变量以分析本区域不同类型的警务检查对盗窃犯罪的影响差异；其余三个模型则重点考察本区域的每一类警务检查活动对盗窃犯罪的影响。各模型参数结果如表4所示。
表4 盗窃犯罪影响因素空间杜宾误差模型(SDEM)系数及其显著性

Tab.4 SDEM coefficients of the influencing factors of theft crime and their significance

变量 模型一 模型二 模型三 模型四 模型五
普通治安检查 0.047* 0.006
(0.028) (0.025)
公共复杂行业检查 -0.009 -0.073**
(0.053) (0.031)
重点单位检查 -0.090* -0.072***
(0.050) (0.027)
常住人口数量 -0.076* -0.079* -0.077* -0.065 -0.078*
(0.045) (0.045) (0.045) (0.045) (0.045)
青少年人口比例 0.051** 0.049** 0.051** 0.047** 0.048**
(0.022) (0.022) (0.022) (0.022) (0.022)
道路网络密度 0.020 0.019 0.020 0.021 0.020
(0.022) (0.022) (0.022) (0.022) (0.022)
生活服务
 0.611*** 0.642*** 0.609*** 0.647*** 0.644***
(0.055) (0.057) (0.056) (0.057) (0.057)
政府机构
 -0.133*** -0.120*** -0.134*** -0.120*** -0.120***
(0.027) (0.028) (0.027) (0.028) (0.028)
医疗服务
 -0.210*** -0.223*** -0.212*** -0.207*** -0.209***
(0.049) (0.049) (0.049) (0.049) (0.049)
酒店住宿
 0.159*** 0.164*** 0.160*** 0.165*** 0.158***
(0.033) (0.033) (0.033) (0.033) (0.033)
小区住宅
 0.059* 0.051 0.060 0.054 0.051
(0.033) (0.033) (0.033) (0.033) (0.033)
学校文教
 0.083** 0.084** 0.085** 0.068* 0.075**
(0.037) (0.039) (0.038) (0.038) (0.037)
公共交通
 0.025 0.035 0.024 0.032 0.035
(0.029) (0.029) (0.029) (0.029) (0.029)
购物商超
 0.095*** 0.089*** 0.095*** 0.093*** 0.093***
(0.032) (0.032) (0.032) (0.032) (0.032)
公司企业 -0.001 -0.014 -0.010 -0.011 -0.010
(0.0262) (0.026) (0.026) (0.026) (0.026)
银行金融 0.179*** 0.188*** 0.180*** 0.184*** 0.183***
(0.025) (0.025) (0.025) (0.025) (0.025)
常数项 -0.008 -0.008 -0.008 -0.008 -0.009
(0.026) (0.026) (0.026) (0.025) (0.026)
W_普通治安检查 0.052*** 0.046*** 0.052*** 0.051*** 0.049***
(0.008) (0.008) (0.008) (0.008) (0.008)
W_公共复杂行业检查 0.004 0.006 0.004 0.004 0.010
(0.016) (0.017) (0.016) (0.016) (0.016)
W_重点单位检查 -0.023 -0.016 -0.022 -0.021 -0.023
(0.017) (0.018) (0.017) (0.017) (0.017)
W_误差项 0.032*** 0.032*** 0.032*** 0.030*** 0.032***
(0.010) (0.010) (0.010) (0.010) (0.010)
AIC 1069.901 1065.971 1071.833 1066.431 1064.900
Log likelihood -515.951 -510.985 -515.917 -513.216 -512.450
R2 0.732 0.735 0.732 0.734 0.734
N 687 687 687 687 687

注：*、**、***分别表示P<0.1、P<0.05、P<0.01；括号内为标准误差。

在控制变量的回归结果上，建成环境变量中的生活服务场所、酒店住宿场所、购物场所、银行金融场所和学校对盗窃犯罪具有显著的正向影响，这些场所常被视为典型的“犯罪产生地”[31]。其中生活服务场所和酒店住宿场所是人员流动频繁的日常活动场所，这些场所具有更多的潜在犯罪者与犯罪目标的时空交互机会，吸引着更多的潜在犯罪者，从而增加了盗窃犯罪的可能性[32-33]。银行金融场所和购物场所现金交易频繁，随身财物较多，人财物高度集中，并且此类场所邻近居民区，提供了充足的被盗潜在目标，是盗窃犯罪的高发场所[34-35]。此外，在上学放学高峰时段，学校周边地区的治安复杂性极高，大量的人员流动和密集活动为犯罪分子提供了合适的作案机会，使得学校附近成为盗窃犯罪的高发地。而建成环境变量中的政府机构和医疗场所与盗窃犯罪呈显著负相关。这些场所为治安保卫重点单位，普遍配备了全方位的监控设备和专业安保人员，盗窃犯罪者在此周围从事犯罪活动时被发现的风险较高，从而有效抑制了盗窃犯罪活动。其他设施与场所对盗窃犯罪无显著影响。社会环境变量中的青少年人口比例对盗窃犯罪具有显著的正向影响，这与之前研究一致。Browning等[36]在分析人口年龄结构与犯罪关系时发现青少年人口比例对犯罪有重要促进作用。青少年人口处于青春期，法制意识薄弱，个人行为易受居住环境的情境因素影响，喜爱刺激性活动且易被他人煽动，故从事犯罪活动的可能性较高[34]。与青少年人口比例不同，常住人口数量与盗窃犯罪呈显著负相关关系(除模型四不显著)，即该区域常住人口越多，盗窃犯罪活动就越少。常住人口数量较多通常意味着该区域居住环境相对稳定且人口密度较高，居民彼此间的自然监控较多，犯罪分子从事犯罪活动所感知的风险就较高，从而抑制该区域犯罪的发生[37]。此外，模型的空间自相关误差项的系数显著为正，表明相邻区域存在某些难以度量的因素影响着本区域的盗窃犯罪，这些因素可能包括区域间不同的种族异质性、平均人流量、公共政策等因素。
在警务检查变量方面，模型二与模型五结果表明，重点单位检查对盗窃犯罪具有显著的负向影响。模型四结果表明，当单独考察公共复杂行业检查时，其对盗窃犯罪具有显著的负向影响。综合来看，重点单位检查与公共复杂行业检查对本区域的盗窃犯罪呈显著抑制作用，即重点单位检查与公共复杂行业检查力度越强，犯罪越收敛；重点单位检查与公共复杂行业检查力度越弱，犯罪越猖獗。许多相关研究也佐证了犯罪防控行为会显著抑制犯罪活动的发生[38⇓⇓-41]。一方面，如表1所示，重点单位检查是指在治安保卫重点单位开展的检查，检查标准更为严格，检查方式更为特殊，检查流程更为复杂，因此给以盗窃犯罪者更强的威慑效果。从理性选择理论的视角来看，某区域重点单位检查数量越多，盗窃犯罪者感知到的风险就越高，实施盗窃犯罪的可能性就越低，从而使得该区域盗窃犯罪案件数量较少。公共复杂行业检查是指在人财物高度集中、人员流动频繁、治安情况复杂的场所开展的检查，这些场所往往是典型的犯罪吸引地，也是公安机关重点关注的场所。根据日常活动理论，某区域的公共复杂行业场所检查数量越多，说明警方对该区域的公共复杂行业场所管控得越严，即该区域不缺乏有能力的监管者，因此盗窃犯罪活动数量随之越少。另一方面，随着时间的推移，犯罪人逐渐摸透某些区域部署了长期性、持续性的重点单位检查与公共复杂行业检查，从而有意避开这些常规性检查区域从事盗窃犯罪活动[11]，这使得这两类常规性检查活动对这些区域的盗窃犯罪具有显著抑制性作用。
此外，模型二结果显示，普通治安检查与盗窃犯罪呈显著的正相关关系。先前研究表明犯罪防控行为与犯罪活动也有呈正相关关系的可能性，如Sullivan等[42]对纽约市的主动警务研究发现：主动警务行为急剧下降后的7周甚至14周内，重大犯罪投诉(例如入室盗窃、袭击和重大盗窃罪)会显著减少。本文中导致普通治安检查与盗窃犯罪之间正相关关系的原因可能有两方面。一方面，犯罪防控警务可分为社区警务、问题导向警务、热点警务和智能警务四大类[2]，公安机关实战部门目前大体上遵循“警力跟着警情走”的基本原则[16]，常用的犯罪预防策略为热点警务，即基于犯罪热点制定防控方案，将有限的防控资源部署在犯罪热点区域，从而实现减少犯罪的目的。正如前文所述，普通治安检查是公安机关最基础、最常用的检查方式，也是开展方式最灵活的一类检查。普通治安检查重点往往会根据治安形势的变化不断调整优化，属于热点警务。若某区域为盗窃犯罪热点区域，公安机关在该区域安排的普通治安检查频率就越高、数量也就越多；若某区域盗窃犯罪水平较低，公安机关就会缩减该区域的普通治安检查。因此，两者在统计上表现为显著的正相关关系。另一方面，主动性警务活动可能会引起公民的报告效应[10]。普通治安检查多在居民社区、写字楼、产业园等公民较多的地点开展检查，这提高了公民与警察之间的接触频率，公民报告犯罪线索或受害情况的途径更加便捷，从而导致公民向警方报告的犯罪数量增加。即普通治安检查越多，发现的犯罪就越多，这种情况也可能导致两者在统计上表现为显著的正相关关系。
此外，在空间溢出效应方面，模型一到模型五的结果大致相同，均显示出邻近区域的普通治安检查对盗窃犯罪具有显著的正向影响，而邻近区域的公共复杂行业检查与重点单位检查对盗窃犯罪无显著影响。这表明普通治安检查导致盗窃犯罪活动发生了显著的空间转移现象，具体表现为：当某区域的周边区域中的普通治安检查数量增加时，会导致周边区域的盗窃犯罪向本区域转移，从而使得本区域盗窃犯罪数量显著增加。与犯罪转移相反，效益扩散是指犯罪防控行为的防控效益辐射到未采取相关措施的周边地区，而本文并未发现周边区域的某类警务检查会产生显著的效益扩散效应。

5 结论

为进一步丰富犯罪防控行为对犯罪风险抑制的研究，本文以海宁市2019年5—12月的警务检查与盗窃犯罪为研究对象，将可能对盗窃犯罪产生潜在影响的建成环境和社会环境作为控制变量，构建空间杜宾误差模型，研究了不同类型警务检查活动对盗窃犯罪的影响差异与空间溢出效应，得到以下结论：
(1) 警务检查活动与盗窃犯罪在空间分布上均表现为集聚状态，且两者热点区域部分重合。普通治安检查、公共复杂行业检查和重点单位检查的空间分布大致相同，但又各有不同的侧重区域。
(2) 在影响差异方面，公共复杂行业检查及重点单位检查作为常规性检查活动对盗窃犯罪具有显著的抑制性作用，普通治安检查由于属于热点警务等原因而与盗窃犯罪呈显著的正相关关系。
(3) 在空间溢出效应方面，邻近区域的普通治安检查与本区域盗窃犯罪呈显著的正相关关系，存在一定程度的犯罪转移现象，影响整体犯罪防控效益。公共复杂行业检查、重点单位检查无显著影响，本文未观察到显著的效益扩散效应。
警务活动对犯罪的影响复杂多变，犯罪防控行为的实际防控效益与防控实际开展情况、犯罪防控宏观政策、微观社会经济环境等因素密切相关，需要从多维度、多角度进行综合考量。本文虽然以海宁市主城区的警务检查作为实证对象进行了分析，且研究结果对于厘清警务活动与犯罪之间的关系、评估警务活动的犯罪防控效益、优化和调整警力资源部署具有一定的借鉴意义，但仍存在一定的不足。首先，本文所使用的空间权重矩阵只考虑了一阶邻域对本区域的空间溢出效应，而未考虑高阶邻域的潜在影响。但若从不同阶数的邻域角度考察警务检查对盗窃犯罪影响的差异，便可以更全面地评估警务检查在不同空间尺度上的防控效益。其次，警务行为在某些地方的发生频率以及警察停留时间的长短可能会对犯罪产生不同的影响[43-44]，本文由于警务检查数据中未含有检查持续时间等信息而将所有警务检查视为同等持续时间、同等检查强度的警务行为。但在实际警务工作中，不同地区开展的同类型犯罪防控行为在防控时间、防控频率和防控强度等方面会存在一定差异，因此应对其分配不同的影响权重进行研究。最后，本文重点探究了各类警务检查活动对盗窃犯罪的影响差异，而未关注盗窃犯罪对警务检查活动的潜在影响。若在梳理清楚两者相互影响关系的基础上，对警务检查与盗窃犯罪的相互影响机理开展精细化研究，所得研究结论将会更加贴近实际。在未来的工作中，我们将不断拓展研究视野，针对这些问题与不足开展更为细致深入的研究。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[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.

[2]
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.]

[3]
Braga A A. The crime prevention value of hot spots policing[J]. Psicothema, 2006, 18(3): 630-637.

PMID

[4]
Groff E R, Johnson L, Ratcliffe J H, et al. Exploring the relationship between foot and car patrol in violent crime areas[J]. Policing: An International Journal of Police Strategies & Management, 2013, 36(1): 119-139.

[5]
Novak K J, Fox A M, Carr C M, et al. The efficacy of foot patrol in violent places[J]. Journal of Experimental Criminology, 2016, 12: 465-475.

[6]
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

[7]
Ratcliffe J H, Taylor R B, Askey A P, et al. The Philadelphia predictive policing experiment[J]. Journal of Experimental Criminology, 2021, 17: 15-41.

[8]
Rosenfeld R, Deckard M J, Blackburn E. The effects of directed patrol and self‐initiated enforcement on firearm violence: A randomized controlled study of hot spot policing[J]. Criminology, 2014, 52(3): 428-449.

[9]
Fitterer J L, Nelson T A, Stockwell T. The positive effects of increased foot patrols on the incidence of liquor infractions and assaults in the Granville street entertainment area of Vancouver British Columbia Canada[J]. Applied Geography, 2017, 87: 97-105.

[10]
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.

[11]
Andresen M A, Shen J L. The spatial effect of police foot patrol on crime patterns: A local analysis[J]. International Journal of Offender Therapy and Comparative Criminology, 2019, 63(8): 1446-1464.

DOI PMID

[12]
Zhao J S, Zhang Y. Proactive policing embedded in two models: A geospatial analysis of proactive activities by patrol officers and COP officers[J]. Journal of Criminal Justice, 2022, 82: 101972. doi: 10.1016/j.jcrimjus.2022.101972.

[13]
Bilach T J, Roche S P, Wawro G J. The effects of the summer all out foot patrol initiative in New York City: A difference-in-differences approach[J]. Journal of Experimental Criminology, 2022, 18: 209-244.

[14]
Rosenfeld R, Fornango R. The relationship between crime and stop, question, and frisk rates in New York City neighborhoods[J]. Justice Quarterly, 2017, 34(6): 931-951.

[15]
柳林, 吴林琳, 宋广文, 等. 基于时空行为视角的犯罪地理创新研究框架[J]. 地理研究, 2022, 41(6): 1748-1764.

DOI

[Liu Lin, Wu Linlin, Song Guangwen, et al. An innovation research framework of crime geography based on spatio-temporal behavior perspective. Geographical Research, 2022, 41(6): 1748-1764.]

[16]
杨学锋. 热点警务的犯罪学理论基础及实践评估[J]. 中国人民公安大学学报 (社会科学版), 2018, 34(3): 33-39.

[Yang Xuefeng. The basis of criminological theory and the evaluation of practice on hot policing. Journal of People's Public Security University of China (Social Sciences Edition), 2018, 34(3): 33-39.]

[17]
郑滋椀, 林喆, 姜超, 等. 浙江海宁市强奸与猥亵两类性犯罪的时空分异及其影响因素对比[J]. 地理科学, 2023, 43(12): 2208-2216.

DOI

[Zheng Ziwan, Lin Zhe, Jiang Chao, et al. Comparing spatial-temporal patterns and influencing factors of rape and indecency crime in Haining City, Zhejiang Province. Scientia Geographica Sinica, 2023, 43(12): 2208-2216.]

DOI

[18]
徐冲, 柳林, 周素红, 等. 微观空间因素对街头抢劫影响的空间异质性: 以DP半岛为例[J]. 地理研究, 2017, 36(12): 2492-2504.

DOI

[Xu Chong, Liu Lin, Zhou Suhong, et al. Spatial heterogeneity of micro-spatial factors' effects on street robberies: A case study of DP Peninsula. Geographical Research, 2017, 36(12): 2492-2504.]

[19]
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.]

[20]
石飞. 城市道路等级级配及布局方法研究[D]. 南京: 东南大学, 2006.

[Shi Fei. Research on grade proportion and layout method of urban road. Nanjing, China: Southeast University, 2006.]

[21]
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

[Zhang Xinyu, Chen Peng. The impact of COVID-19 prevention and control measures on residential burglary hotspots: A case study of the core urban areas of Beijing. Progress in Geography, 2023, 42(2): 328-340.]

DOI

[22]
郑滋椀, 姜超, 汪婕, 等. 常态化防疫背景下城市盗窃犯罪的时空演变及其机理研究: 以浙江海宁市为例[J]. 地理科学进展, 2023, 42(2): 341-352.

DOI

[Zheng Ziwan, Jiang Chao, Wang Jie, et al. Spatiotemporal evolution of urban theft crimes and mechanism in the context of regular COVID-19 pandemic prevention and control: A case study of Haining, Zhejiang. Progress in Geography, 2023, 42(2): 341-352.]

[23]
Rosenblatt M. Remarks on some nonparametric estimates of a density function[J]. The Annals of Mathematical Statistics, 1956, 27(3): 832-837.

[24]
Parzen E. On estimation of a probability density function and mode[J]. The Annals of Mathematical Statistics, 1962, 33(3): 1065-1076.

[25]
Getis A, Ord J K. The analysis of spatial association by use of distance statistics[J]. Geographical Analysis, 1992, 24(3): 189-206.

[26]
Goodchild M F. Spatial autocorrelation: Concepts and techniques in modem geography[M]. Nowich, UK: GeoBooks, 1986: 3-6.

[27]
Bivand R S, Wong D W S. Comparing implementations of global and local indicators of spatial association[J]. TEST: An Official Journal of the Spanish Society of Statistics and Operations Research, 2018, 27(3): 716-748.

[28]
刘大千, 王丹, 许骏, 等. 长白山地区乡村聚落空间格局及影响因素[J]. 水土保持研究, 2024, 31(3): 383-390, 400.

[Liu Daqian, Wang Dan, Xu Jun, et al. The spatial pattern of rural settlements and its influencing factors in Changbai Mountain region. Research of Soil and Water Conservation, 2024, 31(3): 383-390, 400.]

[29]
陶长琪, 杨海文. 空间计量模型选择及其模拟分析[J]. 统计研究, 2014, 31(8): 88-96.

[Tao Changqi, Yang Haiwen. Spatial econometric model selection and its simulation analysis. Statistical Research, 2014, 31(8): 88-96.]

[30]
姜磊. 空间回归模型选择的反思[J]. 统计与信息论坛, 2016, 31(10): 10-16.

[Jiang Lei. The choice of spatial econometric models reconsidered in empirical studies. Statistics and Information Forum, 2016, 31(10): 10-16.]

[31]
张延吉, 庄宇丹, 邓伟涛, 等. 盗窃犯罪易发地的构成、影响及其区域异质性: 基于地理探测器方法[J]. 地理研究, 2022, 41(11): 2884-2896.

DOI

[Zhang Yanji, Zhuang Yudan, Deng Weitao, et al. Composition, influence, and regional heterogeneity of theft places: Based on geographical detector. Geographical Research, 2022, 41(11): 2884-2896.]

[32]
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

[33]
张春霞, 周素红, 柳林, 等. 建成环境对星级酒店内被盗的影响: 以ZG市中心城区为例[J]. 地理科学进展, 2020, 39(5): 829-840.

DOI

[Zhang Chunxia, Zhou Suhong, Liu Lin, et al. Relationship between the built environment and theft cases in star hotels in ZG central city. Progress in Geography, 2020, 39(5): 829-840.]

DOI

[34]
柳林, 陈德宝, 徐冲, 等. 入室盗窃临近重复案件与孤立案件分布的影响因素对比研究[J]. 地理科学, 2021, 41(9): 1625-1633.

DOI

[Liu Lin, Chen Debao, Xu Chong, et al. Comparative study on the influencing factors of the distribution of near repeat cases and isolate cases of burglary. Scientia Geographica Sinica, 2021, 41(9): 1625-1633.]

DOI

[35]
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

[36]
Browning C R, Byron R A, Calder C A, et al. Commercial density, residential concentration, and crime: Land use patterns and violence in neighborhood context[J]. Journal of Research in Crime and Delinquency, 2010, 47(3): 329-357.

[37]
Cahill M, Mulligan G. Using geographically weighted regression to explore local crime patterns[J]. Social Science Computer Review, 2007, 25(2): 174-193.

[38]
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.

[39]
Andresen M A, Lau K C Y. An evaluation of police foot patrol in Lower Lonsdale, British Columbia[J]. Police Practice and Research, 2014, 15(6): 476-489.

[40]
Andresen M A, Malleson N. Police foot patrol and crime displacement: A local analysis[J]. Journal of Contemporary Criminal Justice, 2014, 30(2): 186-199.

[41]
Braga A A, Turchan B, Papachristos A V, et al. Hot spots policing of small geographic areas effects on crime[J]. Campbell Systematic Reviews, 2019, 15(3): e1046. doi: 10.1002/cl2.1046.

[42]
Sullivan C M, O'Keeffe Z P. Evidence that curtailing proactive policing can reduce major crime[J]. Nature Human Behaviour, 2017, 1: 730-737.

DOI PMID

[43]
Mitchell R J. Frequency versus duration of police patrol visits for reducing crime in hot spots: Non-experimental findings from the Sacramento hot spots experiment[J]. Cambridge Journal of Evidence-Based Policing, 2017, 1: 22-37.

[44]
Williams S, Coupe T. Frequency vs. length of hot spots patrols: A randomised controlled trial[J]. Cambridge Journal of Evidence-Based Policing, 2017, 1: 5-21.

Options
Outlines

/

〈 〉