EN中文

地理研究 >

2021 , Vol. 40 >Issue 3: 885 - 899

DOI: https://doi.org/10.11821/dlyj020191027

研究论文

基于犯罪模式理论的犯罪出行空间特征与影响因素——以长春市南关区扒窃为例

  • 赵梓渝 , 1 ,
  • 刘大千 2 ,
  • 肖建红 1 ,
  • 王士君 , 3
展开
  • 1.青岛大学旅游与地理科学学院,青岛 266071
  • 2.中国科学院东北地理与农业生态研究所,长春 130102
  • 3.东北师范大学地理科学学院,长春 130024
王士君（1963-）,男,黑龙江延寿人,博士,教授,博士生导师,主要从事经济地理和城市地理学研究。E-mail:

赵梓渝（1986-）,男,吉林长春人,博士,讲师,硕士生导师,研究方向为城市网络与人口流动。E-mail:

收稿日期: 2019-11-25

  录用日期: 2020-10-25

  网络出版日期: 2021-05-10

基金资助

国家自然科学基金(41630749)

国家自然科学基金(41771161)

国家自然科学基金(42001176)

教育部人文社会科学研究青年基金(20YJCZH241)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatial characteristics and influencing factors analysis of journey-to-crime based on crime pattern theory: A study of theft crime in Nanguan District, Changchun

  • ZHAO Ziyu , 1 ,
  • LIU Daqian 2 ,
  • XIAO Jianhong 1 ,
  • WANG Shijun , 3
Expand
  • 1. School of Tourism and Geography Science, Qingdao University, Qingdao 266071, Shandong, China
  • 2. Northeast Institute of Geography and Agroecology, Chinese Academy of Sciences, Changchun 130102, China
  • 3. School of Geographical Sciences, Northeast Normal University, Changchun 130024, China

Received date: 2019-11-25

  Accepted date: 2020-10-25

  Online published: 2021-05-10

Copyright

Copyright reserved © 2021
Fold

摘要

犯罪出行是犯罪地理学的重要研究议题,在犯罪防控、侦破等警务实践中具有突出的技术贡献。受制于研究数据的限制,中国犯罪出行实证研究较为缺乏。论文研究了2010—2016年长春市南关区扒窃犯罪出行的空间模式与影响因素,并指出：① 2010—2016年长春市南关区扒窃犯罪出行平均距离为5.74 km,存在明显的空间衰减效应,空间模式为就近掠夺,在距离犯罪者居住地2 km处出现犯罪缓冲区。② 南关区扒窃犯罪高发区与犯罪群体主要聚居地在空间上呈现重叠,该区域犯罪以就近掠夺的空间模式为主。③ 回归模型验证了犯罪者人口属性中性别、户籍地、是否就业和具有前科劣迹、涉案金额、犯罪地点所属类型对于出行距离的显著影响,其中户籍地变量为理解转型期中国大城市犯罪行为具有一定意义。

关键词： 犯罪地理学; 犯罪者行为; 犯罪出行; 出行模式; 长春市

本文引用格式

赵梓渝 , 刘大千 , 肖建红 , 王士君 . 基于犯罪模式理论的犯罪出行空间特征与影响因素——以长春市南关区扒窃为例[J]. 地理研究, 2021 , 40(3) : 885 -899 . DOI: 10.11821/dlyj020191027

Abstract

Journey-to-crime is a behavioral process of criminals searching for the targets and places that meet the needs of crime. It measures the spatial distance of the criminal from the initial location to the predetermined location. This is an important technical contribution of criminal geography in crime prevention, case detection and other police practices. Restricted by the limited research data, empirical research on journey-to-crime in China is relatively lacking. This paper studies the spatial pattern and influencing factors of journey-to-crime in pickpocketing in Nanguan District of Changchun from 2010 to 2016. The paper points out that: 1) The average distance of journey-to-crime in the study area from 2010 to 2016 is 5.74 kilometers, which shows an obvious spatial attenuation effect. The spatial pattern is plunder nearby, and there is a crime buffer zone, 2 kilometers away from the criminal′s residence; 2) There is an overlap in space of the areas with high incidence of pickpocketing crime and the residence of crime groups. And the spatial pattern of crime in this area is mainly plunder nearby; 3) By constructing a sequencing logit model, the influence of the uncertainty of measuring journey-to-crime distance on analysis results can be weakened. The regression model verifies the significant impact of gender, domicile, employment and criminal record, amount of money involved and type of crime location on journey-to-crime distance. Among them, the positive correlation between the amount of money involved and the travel distance verifies the prediction of the rational choice theory on criminal motivation. Based on the case study of pickpocketing crime in China′s big cities, this paper indicates that the average journey-to-crime distance, spatial pattern and influencing factors of pickpocketing crime in China and western cities are similar or consistent, which further promotes the combination of criminal geography on criminal behavior research between China and Western countries. Through analyzing the influence of the residence of crime groups on their journey pattern, the urban crime phenomenon and the social management problems of floating population in China under the background of high-speed urbanization can be hopefully reflected upon, thereby expanding the current literature on journey-to-crime. This paper is of a practical significance to criminal profiling, crime risk assessing in residential space, guiding crime prevention and assisting case detection.

Key words： criminal geography; criminal behavior; journey-to-crime; journey pattern; Changchun

1 引言

犯罪出行是犯罪者搜寻符合犯罪需求的目标和环境场所的行为过程,衡量了犯罪者由初始位置到达预定犯罪地点的空间距离,是犯罪地理学研究在犯罪防控、案件侦破等警务实践中的重要技术贡献。犯罪出行研究需要详尽的犯罪记录数据,受到数据获取的限制,当前中国犯罪地理学研究视角主要包括大城市犯罪案件的时空分布格局、影响因素与形成机制,而对犯罪出行等实施犯罪行为前准备过程的实证研究则相对缺乏。论文将结合犯罪模式理论和理性选择理论对2010—2016年长春市南关区扒窃犯罪出行的空间模式和影响因素两方面展开实证研究。
犯罪出行研究是犯罪地理画像开展的基础,使得基于犯罪主体活动空间模拟犯罪地点、犯罪者居住地成为可能[1],并用来衡量犯罪预防是否会导致进一步的犯罪转移。西方犯罪出行研究主要着眼于出行距离、空间模式及影响因素三个方面。犯罪出行距离通常基于犯罪者由居住地到达犯罪地点的空间距离来衡量,并可归纳为符合空间衰减效应的就近掠夺[5]和具有空间缓冲效应的外出犯罪[6,7]两种空间模式。已有研究表明西方城市犯罪出行距离高度集中在3 km以内[2,3,4],正是由于城市犯罪普遍遵循了就近掠夺的空间模式,以此为实证依据和前提假设,犯罪出行成为评估居住区犯罪风险[8,9]和差异化部署不同城市区域犯罪防控[10]的前期警务实践基础。中国犯罪出行实证研究主要开展于刑侦学科中[11,12,13],以归纳统计为主,对于犯罪出行的空间特征研究还较少。对此,本文要解决的第一个问题是中国东北地区大城市扒窃犯罪出行的空间模式有何特征。
不同国家或地区[14]、犯罪类型[15]、收益[16]、犯罪者的人口学社会特征[8,17]和犯罪地点的社区人口构成、流动性等环境因素[18]都将影响出行距离的远近。一方面,中西方社会背景不同,西方研究结论是否与中国情况一致,需加以检验[2];另一方面,个体的人口社会特征及其影响下的生活方式差异对犯罪群体的日常行为产生显著影响[19],并被认为是制约出行距离的首要因素,但以往研究多采用犯罪群体人口特征的汇总信息[17],这就导致研究结果无法进一步识别出由于个体特征差异所导致的出行差异中的不确定细节。因此,考察犯罪者个体人口学特征对于犯罪出行的影响是这篇论文要回答的第二个问题。
犯罪出行距离同时是量化犯罪成本的重要指标[20]。犯罪收益与出行距离之间既可能是符合理性选择理论的正相关关系,犯罪群体通过更远的出行、更大的成本付出以寻求更高的犯罪收益[21];二者之间也可能是负相关关系,这表明在犯罪者的意识空间范围内缺乏潜在犯罪资源,需要在不熟悉的地方寻找犯罪机会。因此,基于理性选择理论分析犯罪出行的影响因素是论文要回答的第三个问题。
完整的犯罪行为模式研究具有重要的理论意义和实践价值,然而目前在犯罪地理学领域的犯罪出行实证研究多是基于西方社会开展[22]。扒窃是中国大城市典型多发性侵财犯罪,也是目前中国犯罪地理研究的主要类型之一[23,24]。论文将研究2010—2016年长春市南关区扒窃犯罪出行的空间模式与影响因素,探讨其中蕴含的犯罪者行为特征,以此加深对于犯罪行为的理解,丰富犯罪模式理论在中国本土化的研究应用。

2 理论依据与文献综述

犯罪者要么在出行中实施犯罪,要么处于犯罪出行的状态中。犯罪出行是犯罪者理性选择和犯罪目标驱动共同作用的结果,可以用理性选择理论和日常活动理论进行解释。日常活动理论认为,犯罪行为需要犯罪防范的缺失和有动机的犯罪者与潜在目标的时空趋同,强调犯罪机会是影响犯罪者选择在某些区域作案的关键。理性的犯罪者会通过出行达到一个与潜在受害者相遇且防范相对缺失的地方。因此犯罪地点（place）的属性对犯罪出行的选择具有潜在的影响。在其他条件相同的情况下,如果某个地点具有更多的犯罪机会,则犯罪者会更加倾向于前往该地寻找犯罪机会。
此外,犯罪模式理论对犯罪出行的选择也具有一定的启示意义。犯罪模式理论通过意识空间概念对犯罪者的行为偏好进行解释[2,21,25],即犯罪群体在搜寻潜在目标时更趋向于选择自身日常活动的区域。由于犯罪者在此区域掌握了更为充分的空间环境信息,使其避免由于未知环境所导致的行为负担和心理恐惧。因此,意识空间对于犯罪出行决策的影响体现在对于犯罪行为实施的空间距离的约束上。在现实中,居住地是市民日常活动的锚点[19],靠近居住地是犯罪空间决策最重要的准则,而犯罪群体偏向在其熟悉的地方作案,意味着在其日常生活区域拥有足够的犯罪机会[26]。随着远离居住地,犯罪概率将呈距离衰减效应下降[27],即出行距离与犯罪概率之间通常存在负相关关系[28],这也符合理性选择理论中成本最小化的原则。然而另一方面,即使犯罪群体的目标是在其意识空间内,他们也不会选择在距离住所太近的地方犯罪,因为他们害怕在犯罪时被邻居指认或是增加后期被警方排查询问的可能。因此,犯罪模式理论认为犯罪者是在机会空间（犯罪者感知的潜在目标活跃区域）与意识空间（犯罪者日常活动区域）交叉区域伺机作案[25,29-31]。正是由于过远或过近都不适宜犯罪行为的实施,导致犯罪缓冲区现象的出现。
作为犯罪行为的重要构成部分,犯罪出行能够量化犯罪行为成本[32]。理性选择理论在日常活动和犯罪模式理论的基础上同时考虑了犯罪收益对于出行距离差异的影响,基于人类行为的最小努力原则,指出犯罪者在实施犯罪行为之前将权衡其犯罪收益与行为成本。因此,理性选择理论支持了犯罪出行距离与犯罪者收益或涉案金额的正向关系[33,34]。在这其中,同样包括预期收益作为重要因素,犯罪者选择长距离出行作案是由于其感知的收益会增加[27,35]。尽管犯罪者普遍居住在城中村、市郊等住宅价格低廉地区,但其倾向于通过远距离出行到达富人居住区域,以获得更高的犯罪收益[36],因为预期收益能够补偿犯罪出行带来的行为成本[33,37]。
除了收益影响,犯罪者的人口学特征将直接作用于其行为的偏好和犯罪出行模式的选择[38]。例如,男性犯罪出行距离普遍大于女性,这是由性别所影响的体能差异导致,而一些侵财犯罪的实证研究发现了相反的结果[39];尽管关于年龄与犯罪距离关系的研究相对较少[8],但已有研究普遍认为年龄与犯罪出行距离密切相关,例如犯罪者的出行距离与其年龄呈正比[22]或呈倒U型关系[40];此外,西方研究同时也考虑了地区种族隔离[41]、地方行为准则[21]、邻里关系和社区凝聚力[26,42]等因素对于犯罪者出行空间决策的影响。值得关注的是,转型期中国区域经济、社会发展的巨大差异和户籍制度的限制催生了大规模流动人口[43],大城市中的流动人口犯罪亦是犯罪地理学关注的重要议题[44],犯罪者户籍地的不同可能预示着犯罪者对环境感知能力的差异并进而影响到其犯罪出行行为,然而目前有关中国大城市不同户籍地犯罪群体的犯罪出行差异研究相对缺乏。

3 数据来源与研究方法

3.1 研究区域与数据

研究区域为长春市南关区,研究数据来源于长春市公安局犯罪案件的《呈请案件侦查终结报告书》。截止2017年末,在南关区公安分局结案归档2010—2016年扒窃犯罪中,犯罪者常住地位于长春市中心城区的案件计307件（图1a）。通过核密度图可见（图1b）,犯罪密度呈现出北高南低的空间差异,由新发路、大经路、长春大街和人民大街所围合的犯罪高发区位于重庆路商圈的东部,此区域是长春市大型零售商业设施分布最为密集区域[45],大量从事商贸、购物、休闲、娱乐等活动人口的空间集聚为犯罪者提供了潜在的犯罪目标与犯罪机会。
图1 犯罪案件、核密度和研究区域人口热力值分布

Fig. 1 Distribution of crime cases, nuclear density and population heating

需要说明的是：① 在官方统计中,犯罪者居住地登记为现住地。通过对案件审理的犯罪口供整理,犯罪者居住地又可以分为常住地和非固定住所两种类型。大部分犯罪群体常住地位于长春市中心城区及近郊,也有部分群体常住地位于长春市外辖县镇、乡村,通过日常通勤或择情在市区内短期、无固定区域、价格相对便宜的旅店居住。为了避免由于居住地不确定性所导致的误差,仅统计了常住地位于中心城区的犯罪案件,对非固定住所犯罪者的案件均予以剔除。② 对于同一犯罪者（或团伙）在同一地点的系列犯罪仅保留一次记录,以避免多次统计对结果造成影响。
在以往研究中,出行距离的测算主要基于犯罪者由居住地到犯罪地的欧氏距离、曼哈顿距离或交通距离,以上三者中交通距离最为准确。由于互联网地图具有道路数据更新及时的优势,因此论文利用高德地图计算全部犯罪出行距离。在通勤方式上,首先选择公共交通方式测算距离,同时参考已有结论[2],将3 km以内犯罪案件的通勤方式选择为步行重新计算,以更加符合犯罪者行动的实际情况。

3.2 人口热力与POI数据

以往西方犯罪出行研究考察了犯罪者特征、地理特征和犯罪收益等因素的影响,但尚缺乏考虑综合性环境因素对于犯罪出行的影响[2]。信息化时代下,市民日常活动的时空特征通过大量且复杂的移动智能设备数据的形式表现出来[46]。由于人口流密度受到不同时间、特定地点、活动事件、环境因素等影响,因此在一定程度上反映了综合性环境因素。犯罪者感知的潜在目标活跃区域可以从人口流的密集程度和人群所在的具体地点类型进行量化分析。百度热力图通过空间量化城市人流密度为自下而上观察城市环境空间提供了技术支持。由于已经无法获取2010—2016年南关区每一件扒窃犯罪案件发生时的实时人口热力,因此在2017年8月26—30日期间每0.5小时获取一次实时人群热力,在ArcGIS平台下将热力影像转为栅格数据,进行研究区域的单元切割、指标数重分类,并对相同小时栅格叠加取每一小时的均值以降低人口涌动导致的热力数值波动（图1c）,最后基于犯罪案件的小时与具体地点匹配人口热力,力图间接反应犯罪案件发生的特定小时与特定地点下的人口热力情况。
不同类型地点对于犯罪者预期行为收益存在显著差异,兴趣点即POI（Point of Interest）是一种地点要素归类方式。通过高德地图查询犯罪地点所属类型并归为3类,包括：公共服务设施（餐饮、住宿、购物、文体娱乐、金融服务、教育、医疗、行政机构）、室外空间（街道、工地、绿地、户外开敞空间）和住宅小区（居住区内部）。

3.3 回归模型

长期以来,犯罪出行距离的科学量化一直是该领域研究的根本性问题。显然,执法者和研究者不可能在犯罪者身上提前部署电子跟踪装置测度其行为的空间过程。犯罪者实际出行距离要比其居住地与犯罪地点的距离更为复杂。这其中既可能低估犯罪者的徘徊过程,也可能忽视了犯罪者由于从朋友或亲戚家、娱乐场所、工作地点前往犯罪地而导致出行距离的缩短。犯罪群体的出行距离属于离散变量,离散选择模型是以往研究主要应用方法[17,21]。对此,论文采用定序Logit模型分析犯罪出行距离影响因素,以减少由于出行距离测度的不确定性所带来的误差影响。
根据样本量分布,将被解释变量犯罪出行距离划分为就近掠夺、缓冲区犯罪、外出犯罪3类。按照样本量同时参考以往研究结论[2,3,17],3类距离分别依次设置为：<3 km、≥3 km同时<7 km和≥7 km（表1）。模型自变量选择如下：① 犯罪者的人口特征被认为是影响其出行距离的首要因素,因此人口学属性变量包括犯罪者的性别、年龄、从业、前科劣迹、学历和户籍地。其中,长春市除中心城区以外包括德惠市、九台区、农安县、榆树市、双阳区5个外辖县（市）、区。由于地理位置上与中心城区空间距离较远,城市建设、社会经济发展相对独立且明显落后于长春市中心城区,因此,户籍地按照长春市中心城区、吉林省内、外省3个不重叠空间单元统计,并将外辖县区户籍地犯罪人员归入吉林省非长春中心城区类别统计中。② 涉案金额是衡量犯罪收益的重要指标。③ 通过犯罪地点的2017年8月人口热力和POI类型、犯罪时间中的季节、是否为工作日、24小时时段来分析时空载体对于犯罪者行为决策上的影响。模型因变量为犯罪出行距离,变量的定义及描述性统计如表1所示。
表1 解释变量定义及描述性统计

Tab. 1 Explanatory variable definition and descriptive statistics

变量名称 定义 均值
（频次）		 标准差
（比例%）
出行距离 距离 1=就近掠夺 2=缓冲区犯罪 3=外出犯罪 1.98 0.80
犯罪者人口
学特征
 性别 1=男 0=女 0.87 0.33
年龄 连续变量（岁） 31.57 11.59
从业 1=从业 0=无业 0.25 0.43
前科劣迹 1=有前科 0=无前科 0.35 0.48
学历
 1=文盲 2=小学 3=初中 4=中专、高中5=大专、大学 2.87 0.88
户籍地
 1=长春市中心城区 2=吉林省非长春市中心城区 3=外省 2.03 0.73
犯罪金额 金额数额 连续变量（元） 0.86 2.64
犯罪空间
载体
 热力 热力 连续变量 72.38 14.21
地点
 公共服务设施 参照组 （179） （58.31）
室外空间 1=室外空间 0=其他 （76） （24.76）
住宅小区 1=住宅小区 0=其他 （52） （16.94）
犯罪时间
载体
 季节
 春季 参照组 （75） （24.43）
夏季 1=夏 0=其他 （95） （30.94）
秋季 1=秋 0=其他 （54） （17.59）
冬季 1=冬 0=其他 （83） （27.04）
工作日 工作日 1=工作日 0=非工作日 0.74 0.44
24小时
时间段
 0—8时 参照组 （89） （28.99）
8—16时 1=8—16点 0=其他 （95） （30.94）
16—24时 1=16—24点 0=其他 （123） （40.07）

注：表中的下划线数据为下划线变量指标的统计数据。

建立模型如下[47]：
Y * = X ' β + ε
式中：Y*为犯罪出行距离的潜在变量;X ' 为犯罪者的个人特征、犯罪金额、犯罪时空载体;β为回归系数向量;ε为随机误差项并服从逻辑分布。犯罪出行距离的观测值Yi如下：
Y i = 1 if Y i * ≤ τ 1
Y i = 2 if τ 1 < Y i * ≤ τ 2
Y i = 3 if Y i * > τ 2
式中：Yi是犯罪出行距离的观测值; τ 1 、 τ 2 是切点。犯罪出行距离的观测值Yi分别取值为1、2、3的概率为：
Pr ( Y i = 1 ) = Pr ( x i ' β + ε i ≤ τ 1 ) = 1 1 + exp ( x i ' β - τ 1 )
Pr ( Y i = 2 ) = Pr ( τ 1 < x i ' β + ε i ≤ τ 2 ) = 1 1 + exp ( x i ' β - τ 2 ) - 1 1 + exp ( x i ' β - τ 1 )
Pr ( Y i = 3 ) = Pr ( x i ' β + ε i > τ 2 ) = 1 - 1 1 + exp ( x i ' β - τ 2 )
对数似然函数为：
ln L = ∑ i = 1 n ∑ j = 1 3 d i j ln ( Pr ( Y i = j ) ) j = 1,2 , 3
式中： d i j 是虚拟变量,当犯罪出行距离的观测值取值为 j 时取1,否则取0。
回归分析前,采用假设检验与相关性分析相结合的方式,进行相关变量与犯罪出行距离的关系分析。其中,采用独立样本T检验分析二分类变量下（如性别、从业、前科劣迹、工作日）犯罪出行距离差异;采用单因素方差分析判定多分类变量（如犯罪地点、季节、时间）在不同类别下犯罪出行距离是否存在差异;采用Pearson相关系数进行连续变量（如年龄、犯罪金额、热力）和犯罪出行距离的相关性分析;采用Spearman相关系数进行有序分类变量（如学历、户籍地）和犯罪出行距离的相关性分析。如表2所示,犯罪群体的人口学属性影响其出行距离：是否从业、学历与出行距离呈显著负相关,犯罪者的性别、年龄、前科劣迹和户籍地与出行距离的相关性均不显著;犯罪金额与犯罪出行距离存在显著正相关;从犯罪时空载体来看,人口热力与犯罪出行距离存在显著负相关,不同犯罪地点的犯罪出行距离存在显著差异,而季节、工作日、24小时时段与出行距离的相关性不显著。
表2 假设检验与相关性分析

Tab. 2 Hypothesis test and correlation analysis

变量 变量
性别 t值=-1.172 犯罪金额 Pearson=0.145**
年龄 Pearson=-0.016 热力 Pearson=-0.116**
从业 t值=-2.812*** 犯罪地点 F值=3.390**
前科劣迹 t值=-0.431 犯罪季节 F值=0.470
学历 Spearman=-0.108* 工作日 t值=-0.509
户籍地 Spearman=-0.088 24小时时间段 F值=1.600

注：*、**和***分别表示在10%、5%和1%水平上显著。

4 犯罪出行的描述性统计与空间特征

4.1 描述性统计

2010—2016年间长春市南关区扒窃犯罪出行距离的平均值、中位数、标准差分别为5.74、4.58、4.49 km。超过五成（53.4%）犯罪距离在5 km以内,最远出行距离27.07 km,最短距离为0,即犯罪者在其居住地实施扒窃犯罪。
在犯罪者的人口学属性差异方面：① 男性犯罪群体出行距离更长,男性犯罪者平均犯罪出行距离5.85 km,女性犯罪者平均出行距离4.95 km。② 以30~34岁年龄段为分割,出行距离与犯罪者年龄段呈倒U型分布（图2）,与以往研究结论相符[40]。③ 出行距离与犯罪者学历高低总体呈负相关关系,文盲、小学、初中、中专和高中、大专和大学5个学历等级下犯罪出行的平均距离分别为5.41、7.25、5.10、5.05、4.39 km。④ 相比无业犯罪者,从业犯罪者的出行距离更近。对于有工作的犯罪者而言,他们具有在居住地和工作地通行路上犯罪的趋势,这避免了无目的性寻找犯罪机会过程中的长距离出行情况。⑤ 户籍地位于中心城区、吉林省省内、外省犯罪群体的平均出行距离分别为5.70、5.33、4.76 km,呈现中心城区>省内>外省的特征。
图2 犯罪者年龄与出行距离曲线分布

Fig. 2 The curve of age and journey-to-crime distance

在犯罪行为的时空载体方面：① 春、夏、秋、冬四季犯罪距离分别为5.56、5.68、6.38、5.54 km。犯罪出行距离在季节上的差异与东北地区自然气候条件基本相吻合。冬季气候严寒,对犯罪出行造成限制,秋季适宜的天气允许犯罪者长距离出行、游荡,寻找犯罪目标。② 在工作日与非工作日实施犯罪的出行距离均值分别为5.52 km和5.81 km。由于工作日中市民日常活动的时间与空间分布相对稳定,犯罪者更容易获取到受害者的行为时空轨迹,也降低了出行距离的需求。③ 0—8时、8—16时、16—24时犯罪出行距离分别为5.62、6.34、5.21 km。在傍晚到午夜的时间段中,市民普遍处于休闲、娱乐过程,犯罪者得以在近距离获得充足的犯罪机会,而白天公共交通运行便于犯罪群体更远距离的出行。④ 基于POI分类的犯罪出行距离统计显示,位于公共服务设施、室外空间和住宅小区扒窃犯罪的平均出行距离分别为5.23、6.08、6.98 km。

4.2 犯罪出行的空间模式

以1 km为统计间隔（图3a）,出行距离与犯罪数量占比基本符合对数分布特征,拟合度达到R2=0.725,表明2010—2016年长春市南关区扒窃犯罪出行符合空间衰减效应,空间模式为典型的就近掠夺模式。距离衰减函数进一步模拟了大多数犯罪是如何在犯罪者居住地附近发生的,以及随着距居住区域的距离增加犯罪频率下降。就犯罪者的潜在意识而言,外出犯罪不仅意味着出行的时间花费和交通成本的增加,同时也将提高由于未知空间环境而导致的犯罪风险。犯罪比例并非从距离统计开始即犯罪者居住地就呈下降趋势,而是在2 km处出现显著的比例上升,证实了在2010—2016年长春市南关区扒窃犯罪中犯罪出行缓冲区的存在。犯罪缓冲区是由于犯罪者考虑距离其居住地（日常活动空间）过近将导致犯罪风险提高而采取外出作案策略,同时其又受到意识空间的范围制约（图3b）,在缓冲区之外犯罪几率又随着距离的增加而下降。
图3 犯罪出行距离与比例散点、犯罪缓冲区分布示意

Fig. 3 Distance and frequency of journey-to-crime, illustration of crime buffer zone

4.3 基于出行距离的聚类识别

以城市街区作为空间范围进行面统计,犯罪出行距离的空间自相关Moran's I指数、z得分、p值分别为0.153、1.887、0.059,同时结果拒绝了零假设,表明在2010—2016年长春市南关区扒窃犯罪中,基于出行距离的案发地空间面统计呈现出空间正相关的聚类模式,即相近出行距离的犯罪案件趋于在同一街区（区域）中实施。使用ArcGIS空间统计工具中的热点分析方法,分别以犯罪地点和犯罪者居住地为基础对出行距离进行冷热点聚类分析,以识别具有统计显著性的热点（出行距离高值）和冷点（出行距离低值）。基于犯罪地点的出行距离热点聚类统计中（图4a）,以置信度为99%的聚类为例,南关区北部冷点聚类的平均出行距离为4.20 km,即位于长春市重庆路商圈东部的扒窃犯罪高发区的犯罪以就近掠夺的出行模式为主,犯罪者居住于此、犯罪于此,因此使得这个区域的犯罪地点所对应的出行距离均比较近,形成了图4a中的“冷点”;位于辖区南部从卫星广场到雕塑公园的热点聚类的平均出行距离为9.96 km,这一结果远高于南关区平均水平的5.74 km,即位于南关区南部的犯罪次热点区域的扒窃犯罪以外出作案的出行模式为主。这一统计结果为协助警方侦破案件提供了实证依据。
图4 基于犯罪出行距离的犯罪地与居住地聚类特征

Fig. 4 Cluster of crime and residence location based on journey-to-crime

犯罪者的居住地分布在城市中遵循一定的空间模式[26],其地理分布和犯罪出行距离的空间差异尤其是就近掠夺的空间模式解释了城市犯罪空间格局[8,10]。基于犯罪者居住地点的出行距离热点聚类统计表明（图4b）,2010—2016年长春市南关区扒窃犯罪高发区同时也是犯罪者居住最为密集的区域,呈现出空间重叠,验证了以往研究中,犯罪者聚居的区域将直接导致犯罪率上升的结论[21,26]。引起这一情况的原因是,居住地是犯罪者在日常活动过程中搜寻犯罪目标的起点,因此犯罪者通常对其生活所在地及周围的活动节点具有熟悉的认知,而重庆路商圈作为长春市三大市级商圈之一,大量人口集聚与流动为犯罪者提供了潜在犯罪目标与机会,这不仅在犯罪者潜意识中提高了犯罪成功率,同时能够减少行为成本。

5 犯罪出行的影响因素

5.1 回归结果

回归过程中采用逐步回归,经变量剔选,最终模型保留9个变量。定序Logit模型的前提假设是比例比数假设（proportional odds assumption）,即自变量的回归系数在不同的分割间是不变的。运用得分检验,卡方值为13.85,自由度为9,P值为0.13,模型满足比例比数假设。回归结果如表3所示。
表3 回归结果与稳定性检验

Tab. 3 Regression results and stability test

ordered logit model OLS
系数 标准误 系数 标准误
年龄 -0.019* (0.012) -0.025 (0.027)
学历 -0.193 (0.141) -0.588* (0.315)
户籍地 -0.341** (0.162) -0.700* (0.373)
前科劣迹 0.451* (0.273) 0.403 (0.630)
从业 -0.697** (0.281) -1.260** (0.637)
犯罪金额 0.092** (0.054) 0.241** (0.102)
热力 -0.040** (0.09) -0.220** (0.20)
室外空间 0.349 (0.298) 0.515 (0.686)
住宅小区 0.586* (0.341) 1.187 (0.764)
切点1 -2.691*** (0.918)
切点2 -1.042 (0.905)
常数项 10.900*** (2.032)
卡方值 25.430***
F值 2.702***
pseudo R2 0.043
R2 0.085

注：*、**和***分别表示在10%、5%和1%水平上显著;圆括号内为估计系数的标准误。

5.1.1 出行距离与犯罪者的人口学特征
（1）年龄与出行距离在10%显著水平上呈负相关,表明犯罪者年龄越大,其出行距离越短。结合前文统计和以往文献[40]所指出年龄与犯罪距离呈倒U型关系,低龄犯罪者出行距离将随着年龄增长而增加,并在其成年时达到顶峰,但在随后的更长时间中,出行距离将随着年龄的增加呈现明显的下降趋势。这是由于青少年犯罪者通过长距离出行以避免监护人的干扰,他们只能选择在远离居住地的地区活动。随着成年和进一步的年龄增长,犯罪者摆脱了监护人的控制,能够纯粹基于预期机会和自我意识选择犯罪地点和实施犯罪行为。此外,已有研究同时指出,年长犯罪者的就近掠夺犯罪,也受到家庭或工作的约束,没有足够的自由支配时间去更远的区域实施犯罪[8]。
（2）户籍地与出行距离在5%显著水平上呈负相关,表明户籍地为长春市中心城区、吉林省非长春市中心城区、外省的犯罪者的出行距离依次减少。受到城乡社会经济发展、工资水平差异的影响和户籍制度、大城市住宅价格高昂的限制,流动人口在迁出的户籍所在地与迁入地之间辗转工作、生活,较户籍地为长春市中心城区的“本地”犯罪群体,流动人口犯罪者的意识空间与认知空间更小且更加限定,主要局限在其居住地周围,因此偏向在特定区域及其周边作案,而户籍地为“本地”的犯罪群体,他们在长期的成长和生活经历中,增加了不同区域的熟悉程度,因此其意识空间范围更大。
（3）前科劣迹与出行距离在10%显著水平上呈正相关,表明相比无前科犯罪者,有前科犯罪者的出行距离更远。犯罪者在犯罪行为中积累经验并扩大其意识空间范围,而首次作案的犯罪者更偏向于在以居住地附近为代表的、其最为熟悉的区域内实施犯罪,以降低风险。
（4）从业与犯罪出行距离在5%显著水平上呈负相关,表明相比无业犯罪者,从业犯罪者的出行距离更近。从业犯罪者具有更加稳定的生活轨迹与日常通勤路线,由于同时对其居住地和工作地环境的熟悉,因此趋于在这两个地点及其之间实施犯罪,这就避免了像无业犯罪群体一样漫无目的寻找作案机会,继而减少了出行距离。
5.1.2 出行距离与犯罪收益 犯罪金额与出行距离在5%显著水平上呈正相关,表明涉案金额越高,犯罪出行距离越远。理性选择理论认为犯罪者是在犯罪收益、行为成本与犯罪防范中选择一个均衡性。犯罪者通过长距离出行即承担更大行为成本的原因在于其认为能够在更远地点获取更高的犯罪收益;而最优觅食理论同样认为这是一个理性的反应,即在额外收益的影响下,一些犯罪者将在更远的地方“觅食”[48]。
5.1.3 出行距离与犯罪地点 犯罪地点的人口热力与犯罪出行距离在5%显著水平上呈负相关,犯罪群体存在优先向居住地周边人群热点区集聚的指向性特征,即如果居住地附近存在人流密集区域,犯罪者将选择就近掠夺而非向更远区域实施外出作案,这降低了犯罪者的出行距离。空间组构的节点涌现理论指出,高集成度和连接度的优势区位形成城市人流、经济流、信息流节点[49],处于城市生活中的人群在特定时空条件下集聚,形成了高犯罪机会和收益的“犯罪吸引场”,为有动机的犯罪者提供了大量潜在目标,而犯罪者只需要在此基础上寻找犯罪防范缺失的环境条件即能够满足日常活动理论所提出的三要素[50]的汇合。因此,犯罪出行不仅是犯罪者寻找更高收益目标的过程,在一定程度上也是受到例如人口热力高等区域的吸引,前往特定满足犯罪基础条件区域的过程。
以公共服务设施作为参照组,住宅小区与犯罪出行距离在10%水平上呈正相关。犯罪地点作为环境因素对犯罪出行距离产生影响,选择在公共服务设施地点实施就近犯罪,与该类型地点的人口流动性高,购物、休闲娱乐等消费场所存在大量现金交易[51]密切相关,这里既存在大量潜在犯罪目标也能提高犯罪收益,犯罪者趋于就近掠夺。因此相比之下,犯罪地点位于住宅小区的犯罪出行距离更远。

5.2 稳健性检验

为进一步检验犯罪者出行距离影响因素的稳健性,采用连续变量犯罪出行距离作为被解释变量,运用最小二乘回归（ordinary least square, OLS）分析相关变量对犯罪出行距离的影响（表3）。经检验,方差膨胀因子（VIF）的值均远小于10,说明不存在严重的多重共线性问题;怀特检验显示不存在异方差问题,回归分析采用普通标准误。解释变量的系数符号与定序logit模型一致,显著性呈现较高程度的一致性,如户籍所在地、从业和犯罪金额、人口热力变量。

6 结论与讨论

6.1 结论

（1）2010—2016年长春市南关区扒窃犯罪出行的平均距离为5.74 km,出行距离存在明显的空间衰减效应,是典型就近掠夺的犯罪出行模式,同时在距离犯罪者居住地2 km处出现犯罪缓冲区。基于犯罪案件核密度与犯罪出行距离的空间聚类分析表明,长春市三大市级商圈之一的重庆路商圈作为2010—2016年南关区扒窃犯罪热点区域同时也是犯罪者主要聚居区域,犯罪者居住在距离案发地平均4.20 km范围内,这为精准部署犯罪预防、协助案件侦破等警务实践提供了实证依据。犯罪模式理论、空间组构的节点涌现理论[49,50]、犯罪者通过居住地选址创造意识空间与机会空间的重叠解释了该区域就近掠夺犯罪出行空间模式的形成。
（2）日常活动理论与理性选择理论对于犯罪地理学视角下犯罪出行的影响因素分析具有突出贡献。2010—2016年长春市南关区扒窃犯罪的出行距离同时受到犯罪者主观意识与客观环境因素的影响。一方面,回归结果表明涉案金额与出行距离呈显著正相关关系,无论是对于预期收益还是实际收益,犯罪者通过长距离出行付出更高的行为成本,以追求获取更高的犯罪收益,这是一个理性的反应;另一方面,犯罪地点的人口热力与犯罪出行距离呈负相关、公共服务设施地点扒窃的出行距离相对住宅小区更近。人口流量大能够带来陌生人更迭速度的增加,扩大了犯罪群体寻觅到潜在目标的可能性,也能够避免由于固定地点、固定人群所形成的“邻里守望效应”。这种环境条件吸引犯罪者就近掠夺,而非外出犯罪。
（3）结合转型期中国高速城镇化的现实背景,论文讨论了流动人口犯罪出行问题,进一步丰富了基于犯罪者人口学特征视角的犯罪出行研究文献。回归模型验证了2010—2016年长春市南关区扒窃犯罪者人口学属性中年龄、户籍所在地、是否存在前科劣迹和是否从业对于犯罪出行的显著性影响。其中,长春市中心城区、吉林省非长春市中心城区、外省户籍地犯罪者的出行距离依次减少,这与其成长和生活经历对于城市空间认知范围的扩大相关。

6.2 讨论

犯罪出行研究有助于更深入的理解犯罪群体的行为特征、犯罪行为背后的主观性和犯罪案件时空分布的驱动机制。尽管近年来西方犯罪地理学在犯罪出行领域取得了重要的研究进展,但其中仍存在着两个不确定性：一是犯罪者的个体特征差异与空间环境因素共同作用下如何影响犯罪出行的不确定性;二是概念化与量化犯罪出行空间距离的不确定性。这篇论文就犯罪行为影响因素而言,同时考虑了犯罪者人口学特征和客观环境两个方面的综合影响;通过定序logit构建分段式出行距离影响因素回归模型,以减少由于通过居住地到犯罪地距离衡量犯罪出行距离而导致的出行距离不确定性。同时,基于中国大城市扒窃犯罪出行的实证案例,表明中国与西方大城市以扒窃为代表的多发性侵财犯罪的犯罪出行平均距离、出行空间模式及其影响因素具有相似性或一致性,进一步促进了中西方犯罪地理学犯罪者行为研究的结合;通过犯罪群体户籍地对其出行的影响分析,有助于反思高速城镇化背景下中国流动人口的城市犯罪现象和社会管理问题,从而扩展了现有犯罪出行研究文献。
需要对以下样本及数据不足问题进行补充说明。首先,为了避免由于非固定居住地导致出行距离测度的不确定性,论文仅采用了犯罪者固定居住地位于长春市中心城区的案件,以提高研究结果的科学性。在现实中,大量外辖区县流动人口通过通勤方式或择情的短期居住,其犯罪出行距离若以常住居住地到犯罪地点衡量将存在不确定性。因此,这是一项针对扒窃特定犯罪类型和居住地位于城市中心城区特定犯罪群体出行的研究;其次,受到2010—2016年犯罪样本的时间限制和犯罪者居住地界定选取的双重影响,研究对象样本量较少。样本量不足将导致单个犯罪样本的信息波动对结果扰动放大。论文模型选择与构建的文献依据是Pearmain等所提出的离散数据分析经验法则（the rule of thumb）。对于离散数据分析（Discrete-Choice Experiments, DCE）设计,样本量超过100例则能够为偏好数据建模提供依据[52,53]。同时,论文采用了logit回归作为影响因素分析模型,由于其输出结果为概率值,最后映射成布尔类型,因此对于样本量需求相对而言低于最小二乘回归（OLS）;最后,论文所使用的人口热力数据获取时间为2017年8月26—30日,而犯罪案件时间为2010—2016年,二者之间存在一定的时间差异。南关区是长春市集商贸、科教、金融、行政多种职能的中心主城区之一,也是长春市的发祥地、文脉所在地和百年商埠地,其城市建设相对稳定,尤其是论文中犯罪热点区域重庆路商圈是长期以来长春市三大市级商圈之一,因此相对而言人口热力的年度变化较小。

真诚感谢二位匿名评审专家在论文评审中所付出的时间和精力,评审专家对本文撰写严谨性、结论凝练、研究数据等方面的修改意见,使本文获益匪浅。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Kent J, Leitner M, Curtis A. Evaluating the usefulness of functional distance measures when calibrating journey-to-crime distance decay functions. Computers Environment & Urban Systems, 2006,30(2):181-200. DOI: 10.1016/j.compenvurbsys.2004.10.002.

[2]
龙冬平, 柳林, 周素红, 等. 地理学视角下犯罪者行为研究进展. 地理科学进展, 2017,36(7):886-902.

[ Long Dongping, Liu Lin, Zhou Suhong, et al. Research progress of criminal behavior from the perspective of geography. Progress in Geography, 2017,36(7):886-902.]. DOI: 10.18306/dlkxjz.2017.07.010.

[3]
Vandeviver C, Neutens T, Daele S V, et al. A discrete spatial choice model of burglary target selection at the house-level. Applied Geography, 2015,64:24-34. DOI: 10.1016/j.apgeog.2015.08.004.

[4]
Worrall J L, Wheeler A P. Evaluating community prosecution code enforcement in Dallas, Texas. Justice Quarterly, 2019,36(5):870-899. DOI: 10.1080/07418825.2018.1438497.

[5]
Lammers M, Menting B, Ruiter S, et al. Biting once, twice: The influence of prior on subsquent crime location choice. Criminology, 2015,53(3):309-329. DOI: 10.1111/1745-9125.12071.

[6]
Van Daele S, Beken T V. Outbound offending: The journey to crime and crime sprees. Journal of Environmental Psychology, 2011,31(1):70-78. DOI: 10.1016/j.jenvp.2010.09.002.

[7]
Brantingham P L, Brantingham P J. Situational crime prevention in practice. Canadian Journal to Criminology, 1990,32(1):17-40. DOI: 10.1177/0022427890027001005.

[8]
Andresen M A, Frank R, Felson M. Age and the distance to crime. Criminology and Criminal Justice, 2014,14(3):314-333. DOI: 10.1177/1748895813494870.

DOI

[9]
王洋, 金利霞, 张虹鸥, 等. 社会空间视角下广州居住地犯罪风险的格局与模式. 地理研究, 2017,36(12):2465-2478.

DOI

[ Wang Yang, Jin Lixia, Zhang Hong'ou, et al. Pattern and model of residential criminal risk based on social space in Guangzhou, China. Geographical Research, 2017,36(12):2465-2478.]. DOI: 10.11821/dlyj201712016.

[10]
Bernasco W, Johnson S D, Ruiter S. Learning where to offend: Effects of past on future burglary locations. Applied Geography, 2015,60:120-129. DOI: 10.1016/j.apgeog.2015.03.014.

[11]
侯超, 陈鹏. 基于不同个体要素的犯罪人出行距离统计特征分析. 犯罪研究, 2018, (1):37-43.

[ Hou Chao, Chen Peng. Statistical characteristics of travelers' distances based on individual elements of criminal. Chinese Criminology Review, 2018, (1):37-43.]. DOI: 10.3969/j.issn.1671-1130.2018.01.005.

[12]
赵勇, 刘民, 柏书华, 等. 系列入室盗窃案件的犯罪距离研究. 中国人民公安大学学报(社会科学版), 2010, (2):143-149.

[ Zhao Yong, Liu Min, Bai Shuhua, et al. Research on crime distance of serial burglary cases. Journal of Chinese People's Public Security University(Social Sciences Edition), 2010, (2):143-149.]

[13]
徐永胜. 系列入室盗窃犯罪距离个体差异影响因素分析. 中国刑警学院学报, 2014, (2):3-8.

[ Xu Yongsheng. Analysis of influencing factors on individual distance differences of serial burglary offense. Journal of National Police University of China, 2014, (2):3-8.]. DOI: 10.14060/j.cnki.zgxjxyxb.2014.02.014.

[14]
Berenson J A, Appelbaum P S. A geospatial analysis of the impact of sex offender residency restrictions in two New York counties. Law & Human Behavior, 2011,35(3):235-246. DOI: 10.1007/s10979-010-9235-3.

[15]
Block R, Galary A, Brice D. The journey to crime: Victims and offenders converge in violent index offences in Chicago. Security Journal, 2007,20(2):123-137. DOI: 10.1057/palgrave.sj.8350030.

[16]
Wellsmith M, Burrell A. The influence of purchase price and ownership levels on theft targets: The example of domestic burglary. British Journal of Criminology, 2005,45(5):741-764. DOI: 10.1093/bjc/azi003.

[17]
Ackerman J M, Rossmo D K. How far to travel? A multilevel analysis of the residence-to-crime distance. Journal of Quantitative Criminology, 2015,31(2):237-262. DOI: 10.1007/s10940-014-9232-7.

[18]
Rengert G F, Piquero A R, Jones P R. Distance decay reexamined. Criminology, 2006,37(2):427-446. DOI: 10.1111/j.1745-9125.1999.tb00492.x.

[19]
Pizarro J M, Corsaro N, Yu S S V. Journey to crime and victimization: An application of routine activities theory and environmental criminology to homicide. Victims & Offenders, 2007,2(4):375-394. DOI: 10.1080/15564880701568520.

[20]
Davies T, Johnson S D. Examining the relationship between road structure and burglary risk via quantitative network analysis. Journal of Quantitative Criminology, 2015,31(3):481-507. DOI: 10.1007/s10940-014-9235-4.

[21]
Bernasco W, Block R, Ruiter S. Go where the money is: Modeling street robbers' location choices. Journal of Economic Geography, 2013,13(1):119-143. DOI: 10.1093/jeg/lbs005.

[22]
Xiao L Z, Liu L, Song G W, et al. Journey-to-crime distances of residential burglars in China disentangled: Origin and destination effects. International Journal of Geo-Information, 2018,7(325):1-15. DOI: 10.3390/ijgi7080325.

[23]
刘大千, 修春亮, 宋伟. 基于因子分析的长春市犯罪分区研究. 人文地理, 2015,30(5):38-42.

[ Liu Daqian, Xiu Chunliang, Song Wei. Research on classification of crimes in Changchun using factor analysis. Human Geography, 2015,30(5):38-42.]. DOI: 10.13959/j.issn.1003-2398.2015.05.006.

[24]
肖露子, 柳林, 周素红, 等. ZG市工作日地铁站点扒窃案件的时空分布及其影响因素. 地理科学, 2018,38(8):1227-1234.

[ Xiao Luzi, Liu Lin, Zhou Suhong, et al. Spatio-temporal pattern of pickpocketing at subway stations on weekdays of ZG city and its influencing factors. Scientia Geographica Sinica, 2018,38(8):1227-1234.]. DOI: 10.13249/j.cnki.sgs.2018.08.004.

[25]
Bernasco W, Ruiter S, Block R. Do street robbery location choices vary over time of day or day of week? A test in Chicago. Journal of Research in Crime and Delinquency, 2017,54(2):244-275. DOI: 10.1177/0022427816680681.

[26]
Johnson S D, Summers L. Testing ecological theories of offender spatial decision making using a discrete choice model. Crime & Delinquency, 2015,61(3):454-480. DOI: 10.1177/0011128714540276.

DOI PMID

[27]
Deakin J, Smithson H, Spencer J, et al. Taxing on the streets: Understanding the methods and process of street robbery. Crime Prevention and Community Safety, 2007,9(1):52-67. DOI: 10.1057/palgrave.cpcs.8150033.

[28]
Hasisi B, Perry S, Ilan Y, et al. Concentrated and close to home: The spatial clustering and distance decay of lone terrorist vehicular attacks. Journal of Quantitative Criminology, 2020,36(3):607-645. DOI: 10.1007/s10940-019-09414-z.

[29]
戴侃, 李卫红, 闻磊, 等. 系列案件犯罪地理目标模型下空间点群综合距离算法优化. 地理科学研究, 2015, (4):16-26.

[ Dai Kan, Li Weihong, Wen Lei, et al. Criminal geographic target model optimal integrated distance between spatial points of serial burglaries. Geographical Science Research, 2015, (4):16-26.]. DOI: 10.12677/GSER.2015.41003.

[30]
Ferraro V. Immigration and crime in the new destinations, 2000-2007: A test of the disorganizing effect of migration. Journal of Quantitative Criminology, 2016,32(1) : 23-45. DOI: 10.1007/s10940-015-9252-y.

[31]
Breetzke G D. The effect of altitude and slope on the spatial patterning of burglary. Applied Geography, 2012,34:66-75. DOI: 10.1016/j.apgeog.2011.10.017.

[32]
Levine N. Crime mapping and the crime stat program. Geographical Analysis, 2006,38(1):41-56. DOI: 10.1111/j.0016-7363.2005.00673.x.

[33]
Snook B. Individual differences in distance travelled by serial burglars. Journal of Investigative Psychology and Offender Profiling, 2004, (1):53-66. DOI: 10.1002/jip.3.

[34]
Morselli C, Royer M N. Criminal mobility and criminal achievement. Journal of Research in Crime and Delinquency, 2008,45(1):4-21. DOI: 10.1177/0022427807309630.

[35]
Amy B, Ray B, John W B, et al. Testing the impact of group offending on behavioural similarity in serial robbery. Psychology, Crime & Law, 2015,21(6):1-19. DOI: 10.1080/1068316X.2014.999063.

[36]
Van Koppen P J, Jansen R W J. The road to the robbery: Travel patterns in commercial robberies. British Journal of Criminology, 1998,38(2):230-246. DOI: 10.1093/oxfordjournals.bjc.a014233.

[37]
Bernasco W, Block R. Where offenders choose to attack: A discrete choice model of robberies in Chicago. Criminology, 2009,47(1):93-130. DOI: 10.1111/j.1745-9125.2009.00140.x.

[38]
Cornwell C, Trumbull W N. Estimating the economic model of crime with panel data. Review of Economics & Statistics, 1994,76(2):360-366. DOI: https: //doi.org/10.2307/2109893.

[39]
Chainey S, Chapman J. A problem-oriented approach to the production of strategic intelligence assessments. Policing, 2013,36(3):474-490. DOI: 10.1108/PIJPSM-02-2012-0012.

[40]
Schwanen T, Dieleman F M, Dust M. The impact of metropolitan structure on commute behavior in the Netherlands: A multilevel approach. Growth and Change, 2004,35:304-333. DOI: 10.1111/j.1468-2257.2004.00251.x.

[41]
Reynald D, Averdijk M, Elffers H, et al. Do social barriers affect urban crime trips? The effects of ethnic and economic neighbourhood compositions on the flow of crime in the Hague, the Netherlands. Built Environment, 2008,34(1):21-31. DOI: https: //doi.org/10.2148/benv.34.1.21.

[42]
Townsley M, Birks D, Ruiter S, et al. Target selection models with preference variation between offenders. Journal of Quantitative Criminology, 2016,32(2):283-304. DOI: 10.1007/s10940-015-9264-7.

[43]
赵梓渝, 王士君. 2015年我国春运人口省际流动的时空格局. 人口研究, 2017,41(3):101-112.

[ Zhao Ziyu, Wang Shijun. A spatial-temporal study of inter-provincial migration pattern during Chinese Spring Festival travel rush. Population Research, 2017,41(3):101-112.]

[44]
Liu L, Feng J, Ren F, et al. Examining the relationship between neighborhood environment and residential locations of juvenile and adult migrant burglars in China. Cities, 2018, (82):10-18. DOI: 10.1016/j.cities.2018.04.014.

[45]
赵梓渝, 庞瑞秋, 王士君. 长春市大型零售设施空间可达性绩效测度. 地理研究, 2016,35(3):431-441.

[ Zhao Ziyu, Pang Ruiqiu, Wang Shijun. Measurement of spatial accessibility performance of large retailing facilities in Changchun. Geographical Research, 2016,35(3):431-441.]. DOI: 10.11821/dlyj201603003.

[46]
刘瑜. 社会感知视角下的若干人文地理学基本问题再思考. 地理学报, 2016,71(4):564-575.

[ Liu Yu. Revisiting several basic geographical concepts: A social sensing perspective. Acta Geographica Sinica, 2016,71(4):564-575.]. DOI: 10.11821/dlxb201604003.

[47]
Long J S, Freese J. Regression Models for Categorical Dependent Variables Using Stata (3rd ed). College Station, TX: Stata Press, 2014: 310-314.

[48]
Braga A A, Bond B J. Policing crime and disorder hot spots: A randomized controlled trial. Criminology, 2008,46(3):577-607. DOI: 10.1111/j.1745-9125.2008.00124.x.

[49]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach. American Sociological Review, 1979,44(4):588-608. DOI: 10.2307/2094589.

[50]
郑文升, 卓蓉蓉, 罗静, 等. 基于空间句法的武汉城区“两抢一盗”犯罪分布环境. 地理学报, 2016,71(10):1710-1720.

[ Zheng Wensheng, Zhuo Rongrong, Luo Jing, et al. The distribution environment of robbery, snatch, and theft crime based on space syntax: A case study of the central area of Wuhan. Acta Geographica Sinica, 2016,71(10):1710-1720.]. DOI: 10.11821/dlxb201610004.

[51]
Bernasco W, Block R. Robberies in Chicago: A block level analysis of the influence of crime generators, crime attractors, and offender anchor points. Journal of Research in Crime and Delinquency, 2011,48(1):33-57. DOI: 10.1177/0022427810384135.

[52]
De Bekker-Grob E W, Donkers B, Jonker M F, et al. Sample size requirements for discrete-choice experiments in healthcare: A practical guide. Patient-patient Centered Outcomes Research, 2015,8(5):373-384. DOI: 10.1007/s40271-015-0118-z.

[53]
National Academies of Sciences, Engineering, and Medicine. Improving Health Research on Small Populations: Proceedings of a Workshop. Washington, DC: The National Academies Press, 2018: 91.

Options
文章导航

/

〈 〉