EN中文

地理研究 >

2024 , Vol. 43 >Issue 7: 1827 - 1849

DOI: https://doi.org/10.11821/dlyj020231041

论文

新冠疫情背景下服务设施关停对暴力犯罪的影响

  • 龙冬平 , 1 ,
  • 朱家辉 1 ,
  • 柳林 , 1, 2 ,
  • 昌佳雨 1, 3
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.辛辛那提大学地理系，辛辛那提 OH45221
  • 3.城乡院（广州）有限公司，广州 511300
柳林（1965-），男，湖南湘潭人，博士，教授，博士生导师，主要研究方向为犯罪地理及地理信息科学研究。E-mail:

龙冬平（1985-），男，湖南邵阳人，博士，讲师，硕士生导师，研究方向为公共安全与犯罪地理。E-mail:

收稿日期: 2023-11-21

  录用日期: 2024-04-04

  网络出版日期: 2024-07-05

基金资助

国家自然科学基金项目(42271233)

国家自然科学基金项目(42001164)

国家重点研发计划项目(2018YFB0505500)

国家重点研发计划项目(2018YFB0505503)

收起

The shutdown of services facility during COVID-19 pandemic: How it affects violent crimes

  • LONG Dongping , 1 ,
  • ZHU Jiahui 1 ,
  • LIU Lin , 1, 2 ,
  • CHANG Jiayu 1, 3
Expand
  • 1. Center of GeoInformatics for Public Security, School of Geography and Remote Sensing, Guangzhou University, Guangzhou 510006, China
  • 2. Department of Geography, University of Cincinnati, Cincinnati, OH 45221, USA
  • 3. Urban and Rural Institute (Guangzhou) Co., Ltd, Guangzhou 511300, China

Received date: 2023-11-21

  Accepted date: 2024-04-04

  Online published: 2024-07-05

Fold

摘要

抑制犯罪的高发突发是国家社会治安的重大需求。新冠疫情防控影响了城市各类服务设施的运营状况，由此可能带来犯罪主体的日常活动变化，因此它可以看做是一场大范围的犯罪预防“自然实验”。论文以ZG市为例，利用STL时间序列分解和局部差分莫兰指数等方法，分析“疫情前”和“疫情中”ZG市暴力犯罪的时空格局及集聚变化特征；同时基于日常活动和社会失序等理论，采用负二项回归模型探究疫情防控背景下服务设施关停对暴力犯罪的影响；并结合地理加权泊松回归模型进一步分析服务设施的影响在空间上的异质作用。研究发现： ①ZG市暴力犯罪的数量总体趋向减少。即“疫情前”暴力犯罪平缓下降，而“疫情中”则急剧下降。② ZG市暴力犯罪在“疫情前”和“疫情中”均有明显的集聚特征，但这两个时期的犯罪热点发生了明显变化。“疫情前”和“疫情中”犯罪热点集中在中心城区；但与“疫情前”相比，“疫情中”犯罪热点的面积大幅减少且分散。③ 基于局部差分莫兰指数对“疫情前”和“疫情中”犯罪变化特征进行探测，发现“疫情中”ZG市中心城区变为暴力犯罪减少的区域连片，形成“低低”集聚区，而其周边区域变成暴力犯罪增加的区域连片，形成“高高”集聚区。④ 与“疫情前”相比，本文验证了“疫情中”各类服务设施对暴力犯罪的影响均有所减弱。例如，餐饮店、商业街、网吧对暴力犯罪的促进作用出现了减弱，公交站、学校对暴力犯罪的抑制作用也有所减弱。最后，进一步发现餐饮店、公交站更受新冠疫情关停政策的影响，与“疫情前”相比，“疫情中”餐饮店和公交站保持正常运营的数量和分布在空间上发生了较大变化，从而对暴力犯罪的减少产生了较大影响。

关键词： 暴力犯罪; 服务设施; 犯罪变化; 新冠疫情; ZG市

本文引用格式

龙冬平 , 朱家辉 , 柳林 , 昌佳雨 . 新冠疫情背景下服务设施关停对暴力犯罪的影响[J]. 地理研究, 2024 , 43(7) : 1827 -1849 . DOI: 10.11821/dlyj020231041

Abstract

The suppression of high-incidence crime is a crucial aspect of ensuring national social security. Additionally, the COVID-19 pandemic prevention and control measures have served as a large-scale "natural experiment" in crime prevention, which has also affected the operational status of various service facilities in cities, potentially leading to changes in the daily activities of criminals. This research tries to analyze the spatiotemporal characteristics and clustering changes of violent crimes in ZG city during the "pre-pandemic" and "in-pandemic" periods by using STL time series decomposition and local differential Moran's index methods. Meanwhile, based on theories of routine activities and social disorganization, it adopts negative binomial regression models to explore the impact of service facility shutdown under the background of epidemic prevention and control on violent crimes. Additionally, a geographically weighted Poisson regression model is used to analyze the spatial heterogeneity of the impact of service facilities. The findings are: (1) The total number of violent crimes in ZG city showed an overall downward trend. Specifically, the number of violent crimes declined slowly in the "pre-pandemic" period, while it dropped sharply during the "in-pandemic" period. (2) Violent crimes in ZG city exhibited obvious clustering characteristics in both the "pre-pandemic" and "in-pandemic" periods, but the crime hotspots changed significantly between the two periods. The hotspots were concentrated in the central urban area in both periods, but compared with the "pre-pandemic" period, the area and dispersion of hotspots increased substantially during the "in-pandemic" period. (3) Based on the local differential Moran's index, this study detected the characteristics of changes in violent crimes before and during the pandemic. The results show that during the "in-pandemic" period, the central urban area of ZG city became a contiguous region where violent crimes decreased, forming a "low-low clustering area", while its surrounding areas became contiguous regions where violent crimes increased, forming a "high-high clustering area". (4) Compared with the "pre-pandemic" period, this study has verified that the impact of various service facilities on violent crimes has been weakened during the "in-pandemic" period. For example, the promoting effects of restaurants, commercial streets, and cybercafés on violent crimes decreased, and the inhibitory effects of bus stations and schools on violent crimes also weakened. Finally, it was further found that restaurants and bus stations were more affected by the COVID-19 lockdown policies, and the number and spatial distribution of normally operating restaurants and bus stations changed substantially compared with the "pre-pandemic" period, thereby reducing violent crimes.

Key words： violent crimes; services facility; crime changes; COVID-19 pandemic; ZG city

1 引言

犯罪是受新冠疫情所影响的社会过程和现象之一[1,2]。新冠疫情给人类生活和全球经济造成了巨大影响。诸如工厂关停、企业破产等现象屡见不鲜。由此引发的“蝴蝶效应”将接踵而至，如发生降薪裁员、家庭贫困和就业率低等社会问题（2022年7月全国16~24岁青年人口失业率高达19.9%，国家统计局（https://www.stats.gov.cn/xxgk/jd/sjjd2020/202301/t20230118_1892286.html）。这些不仅会对经济发展和民众健康造成深远影响[3]，也可能会导致犯罪的高发突发。例如，靳高风等认为受疫情防控的影响，2020年中国违法犯罪数量有所下降，严重暴力犯罪案件持续减少，而随着全国疫情防控的常态化，2021年全国犯罪数量恢复到疫情之前，犯罪类型结构也有所变化[4]。因此，如何预防“后疫情时代”犯罪的死灰复燃，将是国家社会治安的主要挑战之一。由此，关注新冠疫情背景下各类犯罪变化的分布及成因，这对未来类似情景下各级政府及公安部门的有效犯罪防控及完善社会治理等方面均具有重要的参考意义。
新冠疫情防控是一场预防犯罪发生的“自然实验”，也类似于一种限制居民出行的干预措施[5]。关于新冠疫情背景下犯罪变化的已有研究，主要分析的犯罪类型包括盗窃、殴打、袭击、抢劫等[6⇓⇓-9]。国外大多数研究通过利用贝叶斯时间序列、季节性自动回归综合移动平均数、STL时间序列分解等方法，评估疫情背景下的各类犯罪变化[5,10⇓-12]。例如，Yang等[12]采用STL时间序列分解法，识别了新冠疫情背景下芝加哥盗窃、殴打、袭击、抢劫这四类犯罪的时间变化趋势，发现这些犯罪存在一定的阶段性增长趋势。同时，国内新近研究采用核密度分析、PAI指数和标准差椭圆等方法，分析了疫情防控前后犯罪数量与犯罪热点的变化[6,7]。例如，张新宇等[6]发现疫情发生后北京市主城区内的入室盗窃犯罪数量大幅下降，并且主要犯罪热点出现了消失或减弱。郑滋椀等[7]发现疫情爆发后浙江海宁市中心城区的盗窃犯罪月均数量较“疫情前”降幅达53%，同样其犯罪热点与“疫情前”相比有明显减弱。同时，以上研究认为居家隔离、社交限制和实名查验等措施减少了犯罪机会，从而降低了犯罪数量。总的来看，目前大多数研究关注的是犯罪在时-空间上的变化，但其背后的作用机理仍需进一步探索。
暴力犯罪是典型的刑事犯罪之一，它是为满足犯罪者自身利益或欲求，而对他人施行的人身暴力侵害，一般包括故意杀人和伤害、强奸、抢劫以及其他使用暴力手段的行为[13]。关于“疫情前”暴力犯罪影响因素的已有研究，主要认为建成环境和社会环境是影响暴力犯罪的重要维度，其变量的选取源于日常活动理论、犯罪模式理论及社会失序理论等。犯罪模式理论认为犯罪者感知空间有限，他们作案往往靠近自己居住地附近的日常活动节点[14,15]。因此，在建成环境变量上常选取商场、餐馆、网吧、酒吧、公交站等服务设施，以它们作为犯罪发生器[16⇓⇓-19]。日常活动理论认为居民的日常活动存在着一定的规律性，而潜在暴力犯罪者的活动也同样具有规律性，若两者在特定时空相遇，则创造了犯罪机会[20,21]。社会失序理论认为社会经济异质性和社区凝聚力等社会环境变量是主要的犯罪诱因[18,22]。此外，外来人口比例和成年男性比例对暴力犯罪的发生均有明显的促进作用[14,23]。例如，McCarthy等[24]研究发现“疫情中”青少年暴力犯罪在社会经济地位较低的社区、原住民社区和商业化/工业化程度较高的社区的下降幅度较大。然而在新冠疫情背景下，居民日常活动已经发生了改变[25]，往常形成的活动规律被打乱[26]，经济收入也可能存在不确定性[27]。由此，潜在犯罪者与潜在受害者的活动规律发生了改变，使得犯罪机会也发生了变化；加之不同区域间的差异更加显著。综上所述，国外研究关注了新冠疫情背景下的犯罪变化，但国内研究还缺少该背景下引起犯罪时空变化的机理分析。特别是，国外研究发现了不同区域或城市之间的暴力犯罪的变化趋势存在不一致的结论[2,5,28]，以及当前国内研究仍侧重于分析疫情背景下犯罪率的时间变化[29]，缺乏对暴力犯罪的空间变化及成因分析。
总之，我们虽已深刻体会到新冠疫情对人类日常生活的影响，但该背景下的犯罪空间发生了怎样的变化以及因何而变尚不明确。例如，在新冠疫情背景下因防控的需要，各类服务设施的关停是否会引起暴力犯罪时空格局的变化?以及“疫情前”和“疫情中”各类服务设施对暴力犯罪的影响如何?是否存在变化有待验证?因此，这些问题的解决，需在系统厘清新冠疫情背景下不同犯罪主体日常活动变化与犯罪之间的时空规律，并明确这类变化对犯罪影响的机理之后，才能做出合理的解答。由此，本文将尝试探索新冠疫情背景下ZG市暴力犯罪的时空特征和演化规律，并在控制社会失序等变量的基础上，选取关键的服务设施变量，探究其关停状况对暴力犯罪的影响及其空间异质性。

2 文献综述、研究问题与概念框架

已有研究发现建成环境和社会环境的交互作用，促进各类犯罪的发生存在区域异质性[18,19,30,31]。特别是疫情发生后，不同区域的疫情防控措施使得其辖区内的服务设施营运状况、监控力度和社会凝聚力等可能存在较大的差异。例如，相比周边地区，ZG市中心城区各类服务设施众多，封控对其影响可能会更大。同时，新近文献发现疫情发生后改变了居民的日常生活和日常经营等行为模式，疫情防控措施和监管力度也导致了餐饮店、商业街等各类服务设施的临时性停业，从而减少了犯罪机会或增加了犯罪成本[6,32]。因此，基于日常活动和社会失序等基础理论，本文尝试在控制监控力度、社会失序等变量的基础上，探究ZG市“疫情前”和“疫情中”暴力犯罪的时空分布特征以及服务设施关停对它的影响。

2.1 文献综述

2020年以来，少量文献基于国家或州及城市尺度，从人群流动、犯罪主体活动空间等日常活动变化方面，初步探讨了疫情背景下的犯罪形成机理[32,33]。例如，Hodgkinson等[33]以加拿大温哥华为例，认为人群日常流动的下降，可能会减少受害者与犯罪者的互动机会，从而降低了犯罪发生概率。Stickle等[32]提出疫情重塑了人类日常活动空间的观点：如增加了居家和上网等活动，却减少了工作、购物、上学和娱乐等活动，从而导致犯罪主体的日常活动变化，并由此促使其作案地或活动地的变化。比如，在餐馆、商店、酒吧等服务场所进行活动的潜在犯罪者和潜在受害者虽减少了，但理性犯罪者可能会寻找人少或监管更缺失的服务设施被关停的场所作案，如封闭的商场和园区附近以及其他犯罪被捕风险较低的地方，这可能为犯罪者提供了一个较“理想”的犯罪机会。因此，新冠疫情背景下服务设施关停对各类犯罪的影响是更值得关注的，特别是检验社区等微观尺度下的日常活动、犯罪模式与社会失序等基础理论在疫情这一突发背景下的适用性。

2.1.1 服务设施

现有研究表明，城市的服务设施如商业街、公交站、餐饮店、网吧、学校和酒吧等日常活动场所对犯罪具有影响[14,18,30,31,34,35]。日常活动理论和犯罪模式理论认为，这些场所具有“犯罪发生器”的作用[19,36⇓-38]。具体而言，这类活动场所能够汇聚大量且流动频繁的人群，如在缺乏有效监管的情况下，犯罪就有可能在其附近发生。例如，商业街（包括购物中心）在吸引居民消费的同时，也吸引了潜在犯罪者在此活动[38]，这可能会提高潜在犯罪者和潜在受害者的时空交互机会，导致商业街能够促进犯罪的发生。在“疫情前”的背景下，龙冬平等[35]发现了商场与超市对街头抢劫具有显著正向影响；Bernasco等[36]的研究表明抢劫会发生在合法的商业场所和非法的商业场所。此外，宋广文等[21]发现类似于商业街的购物场所也增加了扒窃风险。然而，“疫情中”商业街对暴力犯罪的影响尚未验证，有待进一步研究。公交站是居民日常出行的主要活动地之一，龙冬平等[18]发现“疫情前”公交站密度较高的区域，周围人群会提升对异常行为的关注，进而对盗窃犯罪具有显著的抑制作用。然而，He等[39]发现在公交站及其周边由于人与人之间的相识性不高，监护和自然监控机制会相对薄弱，从而使得公交站与财产犯罪之间存在着正向关系。与商业街类似，“疫情中”公交站对暴力犯罪的作用有何变化需进一步验证。加之，相比周边地区，疫情防控对中心城区的影响更大，从而导致其内更多服务设施的关停。例如，ZG市中心城区公交站在“疫情中”中停运的数量较多，但它对暴力犯罪的影响变化也仍不明确。餐饮店是居民进行日常生活的场所之一，也是潜在犯罪者经常“光顾”的活动场所。与Kim等[40]研究结果类似，柳林等[41]发现“疫情前”餐饮店促进了犯罪行为的发生。然而，Ejrnæs等以丹麦哥本哈根为例，发现在新冠疫情背景下缩短餐饮店和酒吧等夜生活场所的营业时间，使得其对暴力犯罪的发生形成了较强的抑制作用[42]。但在疫情期间，中国各城市对餐饮店实行的管控限制方式与程度相比国外不同且更加严格。特别是在ZG市中心城区，餐饮店的密度比周边地区高很多，由此带来更多的关停对暴力犯罪的影响是否与国外一致，以及是否与“疫情前”有所差异，同样也需要构建合理的模型对其进行检验。网吧是青少年群体“流连忘返”的活动场所，尤其一些就业不稳定的社会青年常“沉迷”于网吧这类幽暗环境中，加之部分社会青年受网络信息和暴力游戏等复杂因素影响，容易刺激他们渴望轻松获得“网资”而冒险，从而实施暴力、扒窃等犯罪行为[21,35]。同样地，与以上服务设施类似，“疫情中”网吧对暴力犯罪的真实影响情况还需要进一步分析。学校安排了青少年的日常活动，但一些青少年可能会与某些具有“失范”行为经历的同龄人混在一起而犯罪。Bichler[43]等发现青少年在学校及其周边地区开展非结构化活动时，当在监管者缺失的情况下他们犯罪的可能性就更大。此外，Murra等[44]发现高中附近地区的犯罪率高于离高中较远的地区。然而，在新冠疫情背景下，通过“关闭”学校以及限制其内的活动，这可能会大大改变了青少年的日常社会活动，以及上学教育的暂时中断对他们参与教育的影响，这些情况有可能会改变学校对暴力犯罪的影响。综上所述，“疫情中”学校、商业街、餐饮店、公交站、网吧等服务设施的运营或运行状况对暴力犯罪的影响需要进一步研究。

2.1.2 监管力度

日常活动理论认为当有动机的犯罪者与潜在的受害者在缺乏有效监管的地方相遇时犯罪就有可能发生[20]。因此，正式的监管力度就影响犯罪机会的产生。现有研究认为打击与预防犯罪应重点监管一些关键的日常活动场所[36]。在中国城市社会中，能够对街道社区形成正式监管力度的执法机构，主要有派出所、治安岗亭、警务室等在内的警力布控点，它们的数量在一定程度上代表了一个区域警力资源等监管力量的大小。这些监管力量的勤务布控和日常巡逻能够增大潜在犯罪者从事犯罪活动的风险，从而提高对潜在犯罪者的威慑，并改变潜在犯罪者在此区域内的作案动机和预期收益[45,46]。因此，本文以治安岗亭、派出所和警务室等警力布控点的数量来表征社区的监管力度，并将其以控制变量的形式融入到模型中去，以更好地分析疫情期间ZG市服务设施关停对暴力犯罪的影响。

2.1.3 社会失序

社会失序理论认为人群收入不平等和贫困状况等社会环境变量对暴力犯罪具有显著正向影响[45,47]。例如，社会经济异质性越大，将造成社区居民间缺乏社会凝聚力，从而不利于形成集体效能去抵制犯罪的发生[22,48]；加之，社会环境的恶化也更容易促使潜在犯罪者“滋生”更多的犯罪动机。已有研究发现“疫情前”地区的贫困、收入状况与暴力犯罪之间的相互关系[47,49]。例如，Lymperopoulo等[47]以英国格拉斯哥和伯明翰为例，发现犯罪分布模式与贫困不断集中及隔离的形态变化相一致。Fajnzylber等[49]的研究结果表明收入不平等会导致凶杀和抢劫等暴力犯罪的发生率上升。然而，在疫情背景下，McCarthy等[24]发现澳大利亚昆士兰州的暴力犯罪在社会经济地位较低的社区下降幅度更大。相反，Campedelli等[9]发现美国芝加哥暴力犯罪在贫困程度较高或收入不平等的社区，入室盗窃和抢劫犯罪下降的可能性较低。综上，新冠疫情下人们的经济收入存在较大的不确定性，加之不同区域之间的差异更加显著，而且这些变量在“疫情中”的作用有所不同，特别是中国城市的人群收入结构（如低收入或高收入占比）对暴力犯罪的影响仍不清晰、有待探索。因此，在社会失序方面，本文选择社区高收入人群占比和低收入人群占比作为模型中的控制变量。
综上，已有文献验证了“疫情前”商业街、公交站、餐饮店、网吧和学校等各服务设施，以及监管力度和社会失序对暴力犯罪的作用，但仍不明确“疫情中”它们对暴力犯罪的影响。

2.2 研究问题与概念框架

为弥补以往研究缺乏考虑新冠疫情背景下犯罪变化的不足，本文侧重于考虑人类活动最初受新冠疫情的影响，即尚未做好充分应对准备的情景下的真实反映，如基于“疫情前”和“疫情中”服务设施运营或运行状况的视角（开放和停业），主要研究以下问题：① 新冠疫情背景下ZG市暴力犯罪的时空分布有何特征?其变化规律如何?② ZG市服务设施关停对暴力犯罪有何影响?与“疫情前”相比，服务设施的影响作用在“疫情中”是否发生了一些变化?由此，基于以上的文献综述，结合日常活动理论、犯罪模式理论和社会失序理论等理论，并将警力布控点，社区高收入人群占比以及社区低收入人群占比作为模型控制变量的情况下，从餐饮店、商业街、公交站、网吧和学校等服务设施方面，提出了以下概念框架（见图1），以对比分析这些服务设施在“疫情前”和“疫情中”对暴力犯罪的影响。
图1 概念模型

Fig.1 Conceptual model of the research

3 研究区域、数据来源与研究方法

3.1 研究区域

ZG市是中国南方特大城市，其常住人口不仅众多，而且人口流动性强，人员构成复杂。本文的研究区域为ZG市的核心城区，主要包括中心城区WL区、XY区、ZH区、HT区，以及周边区域PH区、YB区，共六个区。这六个区是ZG市新冠疫情爆发的主要区域（见图2）。在新冠疫情发生后，ZG 市政府迅速采取联防联控的措施，调动了大量警力资源来协助疫情防控，这在一定程度上加大了ZG市公安部门相较以往的社会治安压力。
图2 研究区域示意

注：因与ZG市公安局签署了保密协议，研究区域名称需脱敏处理，故以字符代码表示；图旋转90°，不宜添加指北针；为便于解释，采用网格单元来描述局部空间特征：A~J代表网格的行号，1~10代表网格的列号。

Fig. 2 Schematic of the research area

3.2 数据来源

本文的研究数据主要包括犯罪数据、疫情数据和手机数据以及POI等数据。

3.2.1 犯罪数据、疫情数据和因变量

暴力犯罪数据来源于ZG市公安局提供的2018—2021年的警情数据，本文选取殴打他人、寻衅滋事、故意伤害和抢劫这四类典型的暴力犯罪。该数据有详细的警情记录，每条警情数据均为脱敏数据，已去除案件中的个人信息，仅包含案件类型、案发时间和案发地址等信息。新冠疫情数据来源于ZG市卫生健康委员会发布的每日确诊及疫情防控政策数据。其中，新冠疫情病例记录公布始于2020年1月21日，确诊地址公布始于2020年2月23日，封控等级发布时间为2020年2月28日。确诊地址数据包含了确诊者的确诊时间、常住地址和他们涉及的重要场所地址；封控等级数据记录了各区域在具体时间范围内所处的疫情防控的风险等级状态。
本文根据ZG市新冠疫情爆发的时间点，并兼顾疫情发生后人们还未做好充分准备或应对时的最初反应，将其划分为两个重要时段，如定义2018年和2019年为“疫情前”，2020年和2021年为“疫情中”，用以分析ZG市暴力犯罪的时空分布特征和变化规律，以及从服务设施关停视角分析其中的原因。本文的因变量为暴力犯罪的案件量，即各社区内暴力犯罪案件的数量。根据表1可知，“疫情前”暴力犯罪案件量的平均值、标准差、最大值分别为23.98、33.05、321，“疫情中”该案件量的平均值、标准差、最大值分别为14.49、21.68、246。结合两期数据的对比发现，“疫情前”与“疫情中”暴力犯罪的数量及其统计量均发生较大的变化，从而极有必要对数据进行更深入分析。此外，暴力犯罪案件量在“疫情前”及“疫情中”的方差均大于均值，这表明因变量为离散型数据，适合采用负二项模型进行建模分析。
表1 变量描述性统计

Tab. 1 Descriptive statistics on the variables of this study

变量 平均值 标准差 最小值 最大值
暴力犯罪（因变量）
疫情前 案件量（起） 23.98 33.05 0 321
疫情中 案件量（起） 14.49 21.68 0 246
服务设施（自变量）
疫情前 商业街（个） 0.40 1.40 0 26
疫情中 商业街（个） 0.37 1.32 0 26
疫情前 公交站（个） 3.62 5.12 0 104
疫情中 公交站（个） 3.22 4.06 0 33
疫情前 餐饮店（个） 22.42 37.92 0 563
疫情中 餐饮店（个） 20.49 37.00 0 563
疫情前 网吧（个） 1.32 2.22 0 19
疫情中 网吧（个） 1.17 2.05 0 19
疫情前 学校（个） 7.59 16.29 0 294
疫情中 学校（个） 6.81 14.08 0 292
控制变量
疫情前 警力布控点（个） 1.33 1.66 0 14
疫情中 警力布控点（个） 1.24 1.62 0 14
社区高收入人群占比（%） 1.51 0.47 0 6.33
社区低收入人群占比（%） 17.57 2.91 7.08 33.59
暴露变量
社区面积（km2） 1.06 2.28 0.01 22.23

3.2.2 社区数据和自变量、控制变量

新冠疫情期间，ZG市服务设施涉及运营或运行关停的措施主要是基于社区实施的，同时社区也是“犯罪地理与犯罪分析”的典型研究单元，故本文分析服务设施关停对暴力犯罪的影响也是基于社区展开的。社区数据包括2020年POI数据和2020年手机数据。根据上文综述部分的文献梳理，进行自变量和控制变量的选择（见表1）。本文的自变量选取了典型的“犯罪发生器”，如商业街、公交站、餐饮店、网吧、学校等服务设施，这些服务设施是日常活动的发生场所，也是暴力犯罪的“易发地”。特别是，在新冠疫情防控政策实施后，这些服务设施因疫情防控的需要，将进行关停或者限制其中的人群流动量。由于服务设施在以往犯罪地理研究中极为重要，因此它们的开放与否对暴力犯罪的影响可能会存在重要作用。需要说明的是，在建模分析“疫情前”和“疫情中”服务设施关停对暴力犯罪的影响时，本文“疫情中”选取的是2020年3月至4月，因为这两个月是ZG市的封控期（如某社区发生了一起确诊病例，那么该社区的服务设施将会一直关停到解封后）；与此同时，为保持对比时段的匹配性，“疫情前”就选取了2019年3月至4月。因此，本文设定新冠疫情发生后，即“疫情中”涉及到有新冠病例的社区（封控社区）的服务设施POI营业关停，其数值则设为0，以刻画该社区中相关服务设施的运营或运行状态。
ZG市的商业街主要集中在经济中心区域（如HT、PH、YB等各区的主要建成区）。同时，ZG市老城区具有悠久的历史和深厚的文化底蕴，形成了兼具商业和旅游功能的独特商业街，如XY区和ZH区。根据本文调研发现，ZG市商业街与其涉疫社区的空间重叠率虽较小，被迫关停的商业街也并不多，但其周边社区存在一些封控区，特别是在老城区等商业街紧凑的区域，在其内的人群日常活动会有所下降。表1显示了商业街在“疫情前”和“疫情中”的相关统计量的变化虽相对较小，但它可能会受到周边社区的疫情及防控政策的辐射作用。公交站的停运会改变居民原来的出行方式，如一些原先有大量人群汇集的公交站可能在疫情期间“门可罗雀”，其原因是部分人非必要而不出行，部分人则改用私家车或自行车出行，以此来降低他们被感染的风险。从表1可知，ZG市公交站在“疫情前”和“疫情中”的变化较大。特别是在疫情严重时期，沿中心城区向左（H5-7）和向上（E-G8）的公交路线发生了停运，这对ZG市人群流动产生了较大影响。ZG市餐饮店广泛分布在整个研究区域，但具有中心城区集聚，并向周围区域逐渐减少的特征。表1显示餐饮店的平均值在五类设施中是最高的。通过比较“疫情前”和“疫情中”餐饮店的平均值和标准差，可知“疫情中”餐饮店出现了较多关闭，即餐饮店受到关停政策影响可能是最大的。ZG市的网吧主要分布在图2中的右下角区域。根据疫情防控政策，网吧在疫情发生区域属于必须关停的设施，但它在“疫情中”没有太大的变化。最后比较学校“疫情前”和“疫情中”的平均值和标准差，说明其受疫情关停政策的影响较大。
在控制变量方面，从监管力度和社会失序维度进行选择。例如，监管力度以警力布控点表示。这类POI包括治安岗亭、派出所和警务室。根据表1可知，警力布控点在“疫情前”和“疫情中”的变化相对较小，且这些布控点的位置一般不会进行较大调整。社会失序以社区高收入人群占比和社区低收入人群占比来表示。这既能反映经济水平的同时，还可以表征不同属性活动人群。这两个变量是基于手机数据中的富裕度指数提取的，来源于联通公司的智慧足迹DaaS（Dataset as a Service）平台。例如，基于智慧足迹DaaS平台，先设置500×500的格网，然后将格网中的活动人群数据，按照面积之比换算至社区中去，以获得各社区不同等级的活动人数。以各等级之和表示为总人群数量，并计数出各社区高收入人群占比（年收入>50万元）和低收入人群占比（年收入<5万元）。由于社区经济的变化在短期内难以测度，因此，本文假设这两个变量在“疫情前”和“疫情中”保持不变。
最后，进行变量间的多重共线性检验。本文诊断结果表明，“疫情前”和“疫情中”所有变量之间的方差膨胀因子（VIF）均小于2；并通过相关系数矩阵检查变量的独立性（见表2和表3），发现“疫情前”和“疫情中”98.4%变量的相关系数的绝对值均小于0.5，则进一步说明所选变量之间不存在多重共线性问题，从而可以将以上8个变量纳入到负二项模型中去。同时，研究区各社区面积存在较大的差异，故采用社区面积作为模型中的暴露变量。
表2 “疫情前”变量的相关系数矩阵

Tab. 2 Matrix of variables correlation coefficients for the "pre-pandemic" variables

变量 商业街 公交站 餐饮店 网吧 学校 警力
布控点		 社区高收入
人群占比		 社区低收入
人群占比
商业街 1.000
公交站 0.193 1.000
餐饮店 0.288 0.356 1.000
网吧 0.286 0.271 0.545 1.000
学校 0.051 0.256 0.148 0.097 1.000
警力布控点 0.080 0.200 0.167 0.177 0.090 1.000
社区高收入人群占比 -0.062 -0.223 -0.153 -0.016 -0.113 -0.037 1.000
社区低收入人群占比 0.004 0.097 0.183 0.007 0.031 0.011 -0.288 1.000
表3 “疫情中”变量的相关系数矩阵

Tab. 3 Matrix of variables correlation coefficients for the "in-pandemic" variables

变量 商业街 公交站 餐饮店 网吧 学校 警力
布控点		 社区高收入
人群占比		 社区低收入
人群占比
商业街 1.000
公交站 0.238 1.000
餐饮店 0.304 0.367 1.000
网吧 0.305 0.315 0.561 1.000
学校 0.075 0.274 0.154 0.103 1.000
警力布控点 0.077 0.254 0.176 0.171 0.108 1.000
社区高收入人群占比 -0.060 -0.205 -0.134 0.004 -0.109 -0.019 1.000
社区低收入人群占比 0.010 0.112 0.171 0.018 0.045 0.012 -0.288 1.000

3.3 研究方法

3.3.1 STL时间序列分解

STL（Seasonal and Trend decomposition using Loess）主要是通过局部加权回归的拟合来展现数据的规律和趋势，同时通过外循环来消除离群值的影响，以及季节性分量则通过loess滤波进行光滑处理获得趋势[12]。本文利用该方法对ZG市2018年至2021年每月暴力犯罪数据进行分解，并获得暴力犯罪的时序特征及变化趋势。其计算公式如下：
Y v = S v + T v + R v                   v = 1 , … , N
式中：Yv为暴力犯罪案件的分布，被分解为Sv为季节分量、Tv趋势分量以及Rv剩余分量。季节分量Sv反映的是ZG市暴力犯罪案件量的周期性变化；趋势分量Tv表达的是ZG市暴力犯罪案件量的波动范围；剩余分量Rv则是通过消除季节分量和趋势分量后得到的随机噪声，用于反映暴力犯罪案件量的显著异常值。

3.3.2 局部差分莫兰指数

局部差分莫兰指数LDMI（Local Differential Moran's Index）是一种测量某个变量在空间上随着时间的变化是否与其邻近区域相关的方法[50]。本文利用该方法分析“疫情前”和“疫情中”暴力犯罪的空间变化特征，如探测是否形成HH（高高）、LL（低低）、HL（高低）、LH（低高）四类集聚区。其中，HH（LL）表示犯罪数量增加（减少）的地区，且它周围地区的犯罪数量也增加（减少）；HL（LH）表示是犯罪数量增加（减少）的地区，但其周围地区的犯罪数量是降低的（增加的）。其计算公式如下：
I D , i = c y i , t + 1 - y i , t ∑ j W i j y i , t + 1 - y i , t
式中：yi,t为社区i在时间t上的暴力犯罪案件量；t表示“疫情前”，t+1表示“疫情中”；ID是根据时间变化生成的，由yt+1和yt的差异产生，其值为正视为高，为负视为低。 ( y i , t + 1 - y i , t )是空间自相关的统计量，它并不是标准化变量在两个时间点的差异，而是变量原始值之间的标准化差异。Wij为地理空间矩阵，是一个二元空间权重矩阵。

3.3.3 负二项回归

负二项回归模型NBM（Negative Binomial Model）类似于泊松回归模型，它适用于观测值过度离散的变量，对离散型变量有更好的拟合效果[19,51]。通过构建“疫情前”和“疫情中”负二项回归模型，分析服务设施关停与否对暴力犯罪的影响。其计算公式如下：
P r Y i = y i μ i , α = Γ α - 1 + y Γ α - 1 Γ y + 1 α - 1 α - 1 + μ i α - 1 μ i μ i + α - 1 y
式中：y表示因变量，即研究区各社区暴力犯罪案件量；Pr(Yi = yi)表示社区i集聚Yi个案件的概率；yi为非负整数；参数μi为社区i事件个数的期望值； Γ是一个Gamma函数；α是Gamma分布的方差参数，能够反映数据离散程度。当α=0时，说明数据不存在过度离散，负二项分布变成泊松分布；当α>0时，说明模型拟合更适合使用负二项回归模型。

3.3.4 地理加权泊松回归

地理加权泊松模型是以地理加权回归模型GWPR（Geographically Weighted Poisson Regression）为基础所扩展建立的局域泊松模型，适用于因变量是计数型变量[52]，可以解决研究变量之间的空间异质性问题[53]。本文采用地理加权泊松回归模型分析关键的服务设施对暴力犯罪影响的空间异质性。其计算公式如下：
I n Y i = β 0 u i , v i + ∑ k = 1 p β k u i , v i X i k + ε i
β ∧ ( u i , v i ) = ( X T W u i , v i X ) - 1 X T W u i , v i Y
w u i , v i = W i 1 … 0 … … … 0 … W i n
W i j = e x p - D i j φ 2
式中：Yi为社区i的暴力犯罪案件量；(ui, vi)是第i个社区中心点的地理坐标；β0(ui,vi)为截距项；p为自变量总数；εi是随机误差项；Xik为社区i的第k个解释变量观测值；βk是(ui, vi)随研究单元变化的函数； β ∧ ( u i , v i )为第i个样本点社区的回归系数；X, Y分别为解释变量向量和被解释变量向量；W(ui,vi）为包含距离函数的空间权重矩阵；Dij为样本i与样本j的欧式距离；n为样本总数；φ为带宽。

4 新冠疫情背景下ZG市暴力犯罪的时空格局分析

4.1 时序特征分析

ZG市暴力犯罪在时间序列上具有明显的周期性特征，且总体呈下降趋势，如“疫情前”暴力犯罪平缓下降，而“疫情中”则急剧下降。从图3中可以看出，每年7月（夏季）是暴力犯罪的高发期（热值期），低发月份（冷值期）则在2月即春节时间段上，并且每年暴力犯罪案件量的变化趋势较相似。需要指出的是，2020年3月、2021年6月出现了与以往同期相比明显的低值，这是因为两次低值出现的月份均为ZG市新冠疫情爆发的主要时期。例如，首次疫情为2020年1—4月，二次疫情为2021年6月，这说明ZG市新冠疫情爆发时段其暴力犯罪案件量往往较低。进一步通过配对T检验以探测“疫情前”和“疫情中”的犯罪统计数据是否存在差异。本文比较了ZG市“疫情前”平均每月犯罪量（2018年和2019年）与“疫情中”平均每月犯罪量（2020年和2021年），其检验结果显示p值为0.004，这表明了两期统计数据之间存在着显著差异，尤其是2020年与2019年第一季度的同期对比，暴力犯罪案件量下降了54.96%，这表明“疫情中”ZG市的暴力犯罪案件量显著减少。
图3 2018—2021年ZG市暴力犯罪的月变化

Fig. 3 Monthly changes in violent crimes in ZG city from 2018 to 2021

然而，STL时间序列分解需要排除研究区以往特殊时期下的趋势干扰。由上可知春节为全年特殊的低值时期。因此，为减少春节对时序特征分析的干扰，本文在剔除春节月份的影响下对暴力犯罪数据进行了时间序列分解（见图4）。“疫情中”红色时间段（2020年3—4月）是ZG市新冠疫情防控政策的实行时间段，“疫情前”绿色时间段作为对照时间段（2019年3—4月）。从图4中的观测值可以发现，ZG市“疫情中”暴力犯罪案件量减少了约一半以上。同时，季节性趋势线显示出暴力犯罪案件量随时间变化具有一定的周期性，即每年的2月至3月为全年的低谷区，这与前文分析的春节冷值期一致。趋势线显示在剔除周期影响后，犯罪总体趋势为下降。如“疫情前”暴力犯罪下降趋势较为缓慢，“疫情中”则迅速下降，并显示出疫情时段暴力犯罪案件量远低于上年同期。最后，根据随机噪声值的时序变化可知，在疫情防控措施实行期间并没有出现明显的偏离，但在新冠疫情发生后检测到的随机噪声远多于新冠疫情发生前。
图4 2018—2021年ZG市暴力犯罪的时间序列分解

Fig. 4 Time series breakdown of violent crimes in ZG city from 2018-2021

综上所述，以上时序特征说明ZG市暴力犯罪具有明显的周期性，并且总体趋向减少。一方面，高发在夏季，低发时期均在春节期间；另一方面，不同时期ZG市暴力犯罪趋势变化较大。比如“疫情前”的犯罪趋势线平缓下降，“疫情中”的犯罪趋势线急剧下降。

4.2 空间特征分析

图5为基于核密度分析的ZG市暴力犯罪在“疫情前”和“疫情中”的空间集聚状况。在以上两个时期，ZG市的暴力犯罪在空间上均具有明显的集聚特征。ZG市“疫情前”暴力犯罪热点集中在中心城区；“疫情中”犯罪热点分散但仍聚集于中心城区，如热点以H8、H9等为核心区域，分别向左延伸至H5，往上扩张至B8，大致呈现出“雁字形”的分布形态。
图5 “疫情前”和“疫情中”ZG市暴力犯罪的核密度分布

注：因与ZG市公安局签署了保密协议，研究区域名称需脱敏处理，故以字符代码表示；图旋转90°，不宜添加指北针；为便于解释，采用网格单元来描述局部空间特征：A~J代表网格的行号，1~10代表网格的列号。

Fig. 5 Distribution of kernel density of violent crimes in ZG city "pre-pandemic" and "in-pandemic" periods

对比ZG市“疫情前”和“疫情中”暴力犯罪的核密度分布，可将热点区域的变化分为两类：发生变化的区域和基本保持不变的区域。第一种类型涉及的区域较多：① B8位于PH区，在疫情防控政策实行期间，它们由犯罪较高区转变为犯罪中发区。② D8、E8、F8位于核心区域HT区，在疫情封控政策影响下，犯罪高发区的面积大幅度减少。③ G8位于老城区XY区，周边配套设施成熟且具有庞大的人流量，为暴力犯罪的发生提供了大量的潜在目标，其在疫情发生后由犯罪高发区转变为犯罪中发区和较低发区。④ F9、G9属于老城区ZH区，聚集了众多本地人和外来人口，且社会和建成环境构成复杂，容易成为滋生犯罪的“温床”，但疫情发生后，其由犯罪高发区转变为犯罪较低发区。⑤ H8是新老城区的交界区域，土地利用类型复杂，区域内暴力犯罪较高发区在疫情发生后有所减少，但仍存在犯罪高发区。⑥ H5、H6、H7是YB区主要的犯罪高发区，该区域范围内存在一些快速路线，同时拥有大量的购物商场和工业园区，人口流动性强，疫情爆发后，犯罪高发区显著减少，转变为零散的犯罪中发区或较高发区。第二种类型涉及区域如下：① A8位于PH区，在疫情前后仍为犯罪高发区。② H9位于WL区，其中的住户多为本地人，进而社区凝聚力较强，从而起到遏制犯罪的作用，该区域的犯罪变化较不明显，仍为犯罪中发区。
图6为利用局部差分莫兰指数（LMDI）进一步分析ZG市“疫情前”和“疫情中”暴力犯罪空间变化特征，进而得到HH集聚区（高高聚集区，97个）、HL集聚区（高低聚集区，24个）、LH集聚区（低高聚集区，35个）、LL集聚区（低低聚集区，95个）这4类具有显著意义的犯罪变化集聚区。其中，HH集聚区即暴力犯罪增加的连片区域，主要分布在ZG市辖区内的周边区域，该集聚区的犯罪数量出现了增加，且其周边的犯罪数量也有所增加。需要说明的是，在暴力犯罪的核密度分布上（见图5），这些区域是犯罪热点值相对较低的区域，同时也是疫情发生的周围区域。这表明“疫情中”无疫情发生的区域的暴力犯罪在社区层面是上升的。而老城区（WL区和ZH区）也分布了较多犯罪变化为增加的HH集聚区，这些区域“疫情前”就是犯罪集聚的高值区域，可能与该区域复杂的社会和建成环境有关。然而，LL集聚区，即犯罪减少的连片区域，主要分布在ZG市的中心城区以及新冠疫情发生的主要区域。此外，HL集聚区和LH集聚区位于新冠疫情发生的次核心区域，这两类变化呈现邻近集聚分布的特征。与此同时，根据ZG市各社区“疫情中”相对“疫情前”犯罪空间变化的数量可知，HH集聚区的社区数量略高于LL集聚区的社区数量，这说明“疫情中”ZG市中心城区的暴力犯罪虽减少了，但其周边区域的暴力犯罪却上升了。因此，ZG市总体暴力犯罪的减少是由原先高发区的犯罪减少，但周边区域的暴力犯罪甚至出现了上升，这说明了ZG市暴力犯罪空间在新冠疫情背景下发生了较大的变化。
图6 ZG市暴力犯罪空间变化集聚分布格局

注：因与ZG市公安局签署了保密协议，研究区域名称需脱敏处理，故以字符代码表示；图旋转90°，不宜添加指北针；为便于解释，采用网格单元来描述局部空间特征：A~J代表网格的行号，1~10代表网格的列号。

Fig. 6 Agglomeration distribution pattern of spatial changes in violent crimes in ZG city

综上，ZG市暴力犯罪在“疫情前”和“疫情中”均有明显的集聚特征，特别是这两个时期的高发区和低发区的集聚状况发生了明显变化。“疫情前”高发区主要集中在ZG市的中心城区，而低发区主要分布在其周边区域。另外，在犯罪集聚变化方面，“疫情中”ZG市中心城区变为暴力犯罪减少的区域连片，形成“低低”集聚区，而其周边区域转变成暴力犯罪增加的区域连片，形成“高高”集聚区。

5 ZG市服务设施关停对暴力犯罪的影响分析

5.1 影响因素分析

通过负二项模型对比检验“疫情前”和“疫情中”ZG市服务设施关停对暴力犯罪影响的变化（见表4）。模型1为“疫情前”的模型，模型2为“疫情中”的模型，其中β值表示自变量对暴力犯罪的影响程度，IRR值表征暴力犯罪事件的发生比。两个模型的AIC值差别较大，表明两个时期拟合效果不同，即服务设施的关停对暴力犯罪产生了重要影响。总体上，从模型1和模型2可知，餐饮店、商业街、网吧的β值均为正且具有显著性，公交站和学校的β值都为负值也存在显著性。这表明“疫情前”和“疫情中”餐饮店、商业街、和网吧对暴力犯罪均具有显著的正向影响，而公交站和学校对暴力犯罪却具有显著的负向影响。除学校之外，模型1的研究发现与“疫情前”的已有研究结果是一致的[18,21,35,36,40,41]。同时，对模型1和模型2中相同变量的回归系数β值进行两期对比，发现与“疫情前”相比，“疫情中”ZG市各类服务设施的β值均发生了一定程度的变化（正值变小、负值变大），这说明“疫情中”商业街、公交站、餐饮店、网吧和学校对暴力犯罪的影响均有所减弱。
表4 负二项回归模型结果

Tab. 4 Results of the negative binomial regression model

变量 模型1 模型2
β IRR β IRR
服务设施（自变量）
商业街 0.125** 1.133 0.111** 1.118
公交站 -0.226*** 0.798 -0.208*** 0.812
餐饮店 0.344*** 1.410 0.296*** 1.344
网吧 0.119** 1.126 0.085* 1.089
学校 -0.141*** 0.868 -0.133*** 0.875
监管力度（控制变量）
警力布控点 0.037 1.037 0.052 1.054
社会失序（控制变量）
社区低收入人群比例 0.160*** 1.174 0.140*** 1.151
社区高收入人群比例 -0.016 0.984 -0.085* 0.918
常量 4.432*** 84.070 3.906*** 49.710
AIC 11720.507 10349.722
BIC 11772.927 10402.142

注：*、**、***分别表示p<0.05、p<0.01、p<0.001。

5.1.1 服务设施对暴力犯罪的影响

本文发现“疫情前”餐饮店对暴力犯罪影响与Kim等[40]和柳林等[41]的研究结果相似，即餐饮店对犯罪行为的发生起到显著的促进作用。具体来说，餐饮店作为典型的“犯罪发生器”之一，一方面在就餐时段它能够吸引大量的到访人群，进而增加了潜在犯罪者与潜在受害者相遇的机会，这就增加了犯罪机会。另一方面，一些在餐饮店用餐的人过度饮酒后，有可能不清醒则难以控制自己大喊大叫等“失范”行为，这易与旁人产生冲突。例如，Gruenewald等[54]发现暴力犯罪与提供酒精的场所具有显著相关性，而国内大多数人通常会在餐饮店里饮酒；加之，餐饮店普遍缺少正式的监管力量（如专业的安保人员），去对顾客“失范”行为进行有效监管，以上情景就有可能增大暴力犯罪发生风险。同时，本文以中国城市为背景首次验证了“疫情中”餐饮店对暴力犯罪的影响有所减弱，这与Ejrnæs等[42]发现缩短餐饮店等夜生活场所的营业时间对暴力犯罪产生较强的抑制作用类似。例如，对比模型1和模型2的IRR值可知（分别为1.410、1.344），“疫情中”ZG市社区每关闭一个单位的餐饮店，该社区暴力犯罪的发生概率比“疫情前”就有可能下降6.6%。与此同时，疫情封控对中心城区的影响更大。例如，从图7中可知，与YB等周边区域相比，“疫情中”ZG市中心城区的餐饮店关停数量更多，从而其对暴力犯罪的促进作用发生了减弱。这也是暴力犯罪的空间变化（见图6）在中心城区形成“低低”集聚区，而周边区域形成“高高”集聚区的主要原因之一。
图7 “疫情前”和“疫情中”餐饮店和公交站的运营分布

注：因与ZG市公安局签署了保密协议，研究区域名称需脱敏处理，故以字符代码表示；图旋转90°，不宜添加指北针；为便于解释，采用网格单元来描述局部空间特征：A~J代表网格的行号，1~10代表网格的列号。

Fig. 7 Distribution of restaurants and bus stations operation in the "pre-pandemic" and "in-pandemic" periods

根据表4可知，“疫情前”商业街对暴力犯罪起到显著的促进作用，这与已有的研究结果也是一致的[35,36]。在ZG市内，商业街是居民日常购物的场所，也是外来游客等群体的集聚区域，也容易吸引附近人流，但其中的监管资源相对有限，较容易造成人员集聚而发生一些暴力冲突。此外，与“疫情前”相比，本文初次发现了ZG市“疫情中”商业街对暴力犯罪的促进作用发生了轻微减弱，如商业街的IRR值由“疫情前”的1.133变为“疫情中”的1.118，这表明新冠疫情背景下社区每关停一个商业街，其暴力犯罪的发生概率可能比“疫情前”下降1.5%。最后，本文发现公交站和学校在“疫情前”和“疫情中”对暴力犯罪均有显著的抑制作用，也首次验证了这种作用在“疫情中”出现了下降。“疫情前”乘坐公共交通是ZG市居民的主要出行方式之一，而公交站吸引的人群之间可能形成自然监护或相互关注，这与已有的相关研究相类似[18]。对比模型1，模型2中公交站IRR值的绝对值变小了，这表明它在“疫情中”抑制暴力犯罪发生的概率减小了1.4%。相比YB等周边区域（见图7），“疫情中”中心城区公交站停运更多，则它对暴力犯罪的抑制作用减弱。由此，本文建议未来如果发生新冠疫情等类似的重大流行病，应稍加强原先犯罪热点区域公交站的警务巡逻，以填补因公交站关停而出现的“监护真空”。
本文表4模型1中“学校”的结果数据，与“疫情前”已有文献如Bichler等[43]和Murra等[44]的研究结果是不一致的，但类似于国内新近研究[19]。更具体地说，本文发现社区内学校的存在能够抑制暴力犯罪的发生，这是符合中国国情和城市实情的。比如，ZG市各类学校大都配置了相应的安保人员和严密设施，特别是上放学期间（各一小时），实施了中小学幼儿园“警校家”护学岗行动，这就加强了学校及其周边的监管力度，对暴力犯罪能够起到一定抑制作用。根据表4模型2可知，“疫情中”学校对暴力犯罪的抑制影响出现了减弱。这是因为ZG市中小学采用线上教学、高校实行封校或暂缓开学，这些状况可能改变了青少年的日常社会活动，从而导致他们在学校附近实施暴力犯罪。特别是原先“警校家”护学岗的监护作用的暂时缺失，从而可能减小学校对暴力犯罪的抑制作用。综上所述，与“疫情前”相比，“疫情中”的各类服务设施对暴力犯罪的影响均有所减弱。例如，餐饮店、商业街、网吧对暴力犯罪的促进作用出现了减弱，以及公交站、学校对暴力犯罪的抑制作用也有所减弱。

5.1.2 社会失序对暴力犯罪的影响

在社会失序变量中，社区低收入人群占比在“疫情前”和“疫情中”均为显著正相关。这说明社区低收入人群占比越高，其对暴力犯罪发生的促进作用越强，这一发现符合社会失序理论中关于低收入与犯罪关系的假设[45,47]。进一步分析发现，社区低收入人群占比在“疫情中”的IRR值为1.151，即暴力犯罪发生的概率相对“疫情前”降低了2.3%。本文“疫情中”的这一发现与McCarthy等[24]在澳大利亚昆士兰州的发现一致，但与Campedelli等[9]在美国芝加哥的发现不一致。比如，Campedelli等[9]认为疫情发生后，居家过久、经济衰退及失业或政府部门给予的支持不足等所造成的压力，更容易导致低收入社区暴力犯罪上升。与此相反，中国政府与ZG市政府部门精准实施了减缓疫情影响和帮扶群众的各项措施，如封控区域的物资有配备且有专业人员上门服务，这一定程度能够缓解民众受疫情的压力。
社区高收入人群占比在“疫情前”和“疫情中”均为负相关，但“疫情中”为显著的影响。这说明良好的社区富裕状况在一定程度上能够抑制暴力犯罪的发生，其中的原因主要表现在以下两个方面。第一、高收入的社区通常会配置良好的安保人员与监控设施（出入门禁、视频监控等），对潜在犯罪者形成威慑作用，能够压制暴力犯罪的发生。第二、高收入的社区的大部分人群的社会经济地位较高，尤其是新冠疫情爆发后，他们在短期内不会出现经济压力，也容易获取更多的饮食及医疗等物资资源，加之这部分人群的流动性也明显减小，从而降低了在此类社区发生暴力犯罪的可能性。以上发现与McCarthy等[24]、Campedelli等[9,11]的研究结果是一致的，即在新冠疫情防控背景下，社区较好的经济条件能够减少暴力犯罪的发生可能性。综上，本文利用手机数据中的富裕度指数，首次验证了中国城市人群收入的社会结构对暴力犯罪的影响，这或许能对未来韧性社区的构建指明了行动方向，如大力帮扶弱势群体等。

5.2 空间异质性分析

在全局建模分析（负二项模型）的基础上，进一步探究各变量影响的空间异质性。例如，利用地理加权泊松回归模型，分析上述因素在“疫情前”和“疫情中”对暴力犯罪影响作用的空间差异及变化。模型结果表明，“疫情前”和“疫情中”地理加权泊松回归模型的R2分别为0.596和0.691，这说明两个模型的拟合较好。加之，两个模型的AIC和BIC也存在较大差异。由此，本文选择全局模型中正向影响和负向影响最大的影响因素（如餐饮店和公交站），基于地理加权泊松回归模型进一步分析这两个因素对暴力犯罪影响的空间异质性。
从图8中可知，ZG市餐饮店对暴力犯罪影响的回归系数在空间分布上具有明显的差异。“疫情前”和“疫情中”餐饮店的影响在大多数社区成正相关的，而在B5-7、C6-7、G7等区域所涉及的绝大部分社区是负相关的。“疫情中”ZG市大部分餐饮店的回归系数均有所减小，这是因疫情期间ZG市全境内严格实行了“禁止堂食”的防控政策而形成的，使餐饮店保持正常运营的数量在空间分布上发生了明显的变化，从而对潜在犯罪者的吸引力“暂时”有所减小。另外，“疫情中”餐饮店在一些社区的回归系数比“疫情前”更高或更低，这是由于不同区域的风险等级不同而实施不同的限制政策有关。例如，HT区和XY区等中心城区，其人口数量及密度比周边区域更高，也是比周边区域封控管理更多的区域，餐饮店关停的时间更长，导致潜在犯罪者与潜在受害者在该设施及其附近的时空重叠机会更小，进而对暴力犯罪的促进作用有所明显减弱，从而导致暴力犯罪呈现出在中心城区连片减少、形成“低低”集聚区，和在周边区域连片增加、形成“高高”集聚区的变化特征。
图8 “疫情前”和“疫情中”餐饮店与公交站回归系数分布

注：因与ZG市公安局签署了保密协议，研究区域名称需脱敏处理，故以字符代码表示；图旋转90°，不宜添加指北针；为便于解释，采用网格单元来描述局部空间特征：A~J代表网格的行号，1~10代表网格的列号。

Fig. 8 Distribution of regression coefficients for restaurants and bus stations in the "pre-pandemic" and "in-pandemic" periods

在局部上，相比“疫情前”“疫情中”公交站对暴力犯罪的抑制影响是降低的。公交站在大多数社区负的回归系数的绝对值是减小的。比如公交站在“疫情前”的回归系数的平均值（-0.174）、中位值（-0.140）和最小值（-1.206）的绝对值均大于“疫情中”的平均值（-0.139）、中位值（-0.123）和最小值（-0.946）的绝对值。这是因为沿中心城区向左H7至H6、H5区域的公交线路，它原本是连接中心城区与YB区的主干道路，但其在“疫情中”的封控期被中断。因此，YB区公交线路因疫情防控需要而发生了暂时关闭或调整，导致一些公交站不能如“疫情前”一样吸引往常出行的周围人群，从而对暴力犯罪的抑制作用则减弱。这也是ZG市暴力犯罪变化在其周边区域形成“高高”集聚区的原因之一（见图6）。总之，本文发现了餐饮店、公交站更受新冠疫情关停政策的影响，与“疫情前”相比，“疫情中”餐饮店和公交站保持正常运营的数量和分布在空间上发生了较大变化，从而对暴力犯罪减少产生了较大影响。

6 结论与讨论

6.1 结论

以中国ZG市暴力犯罪为例，结合服务设施、犯罪数据、疫情数据、手机信令等数据，基于“疫情前”和“疫情中”服务设施关停与否的视角，利用STL时间序列分解和局部差分莫兰指数等方法探索了新冠疫情背景下ZG市暴力犯罪的时空特征和演化规律；并基于日常活动和社会失序等理论，采用负二项回归模型和地理加权泊松回归模型，检验了新冠疫情背景下服务设施关停对暴力犯罪的影响及其空间异质性。主要结论如下：
（1）在时序特征上，ZG市暴力犯罪变化具有明显的周期性特征，并且总体数量趋向减少。一方面，低发时期均在春节期间，高发在夏季；另一方面，疫情前后ZG市暴力犯罪趋势变化较大。例如“疫情前”的犯罪趋势线平缓下降，“疫情中”的犯罪趋势线急剧下降。
（2）在空间特征上，ZG市暴力犯罪在“疫情前”和“疫情中”均有明显的集聚特征，但这两个时期的犯罪热点发生了明显变化。例如，“疫情前”暴力犯罪热点集中在中心城区，“疫情中”暴力犯罪热点虽聚集于中心城区，但其面积大幅减少，以及变得更加分散。与此同时，发现ZG市形成了“高高”“高低”“低高”“低低”这四类具有显著意义的犯罪变化集聚区。例如，“疫情中”中心城区变为暴力犯罪减少的区域连片，形成“低低”集聚区，而其周边区域变成暴力犯罪增加的区域连片，形成“高高”集聚区。
（3）在服务设施影响及其空间分异上，与“疫情前”相比，本文验证了ZG市“疫情中”各类服务设施对暴力犯罪的影响均有所减弱。例如，餐饮店、商业街、网吧对暴力犯罪的促进作用出现了减弱，公交站、学校对暴力犯罪的抑制作用也有所减弱。其原因是：一是“疫情前”网吧、餐饮店、商业街三类服务设施因人流与物流的集聚，加之监管者的缺失，它们起到了“犯罪发生器”的作用，从而与暴力犯罪存在正相关关系；但在“疫情中”，由于人的出行减少及相关场所“关停”的影响，两者间的正向关系出现了减弱。二是“疫情前”学校和公交站因监管力度较强，而对暴力犯罪的发生具有较好的抑制作用；但“疫情中”学校和公交站及周边的日常活动人群减少，导致两者对暴力犯罪的抑制作用均减弱。最后，论文进一步发现餐饮店和公交站更受新冠疫情关停政策的影响，与“疫情前”相比，主要是“疫情中”餐饮店和公交站保持正常运营的数量和分布发生了较大变化，从而对暴力犯罪的减少产生了较大影响。

6.2 讨论

我们已深刻体会到新冠疫情对服务设施等日常活动场所的影响[5]，但该背景下的犯罪空间发生了怎样的变化以及因何变化仍不明确?面对当前犯罪形势与社会安全需求之间的矛盾，迫切需要及时有效地掌握“犯罪与疫情”间的时空关系，并制定科学的犯罪防控策略，以力求做好提前布控。为此，本文初步构建了“犯罪与疫情时空关系”的分析框架，深入挖掘疫情前后的数据源，即不仅寻找了犯罪变化的原因、地点、时间和程度，也尝试寻找在社会恢复“正常”后，如何将这些知识应用于警务实践和韧性社区建设，从而拓展中国犯罪地理学的研究领域。由此，本文的研究内容和视角较为新颖，其学科贡献和理论意义如下：
（1）揭示了新冠疫情背景下的犯罪时空过程与机理。犯罪地理学以解决社会问题为导向，在探索突发流行病等背景下的犯罪时空分布与形成机制，以及研判未来犯罪趋势等方面，理应做出学科贡献，进而这些均是需要开展的重要议题。因此，本文以ZG市为例，对比分析了“疫情前”和“疫情中”暴力犯罪的时空格局，探讨了这两个时期暴力犯罪的空间变化规律，明确了新冠疫情背景下的餐饮店、公交站、商业街、网吧和学校等服务设施关停对暴力犯罪的潜在影响。
（2）验证了针对突发情景的经典犯罪理论的适用性。日常活动理论和犯罪模式概述了个人层面活动的相互作用和特点，解释了犯罪者和受害者的时空聚集。新冠疫情干预措施是场大规模的犯罪防控实验[5]，我们可以尝试探索疫情传播对人类日常行为的改变是否会导致犯罪活动的空间变化。社会失序理论阐述了人群异质性和社会经济状况对犯罪的影响，它是解释社区犯罪的一个重要理论视角[47⇓-49]。本文以中国城市的暴力犯罪为例，紧扣疫情背景下犯罪变化主线，尝试从服务设施关停的视角，对日常活动、犯罪模式、社会失序等理论进行了检验，发现了这些理论仍适用于新冠疫情等突发情景下的犯罪地理与犯罪分析。
（3）提供了未来重大流行病下犯罪预防的科学依据。一是强调了服务设施场所在大流行期间对犯罪所起的作用及变化，可能会影响研究者在大流病行后的世界中观察犯罪活动的方式，并探索通过基于场所的预防技术来进一步减少犯罪。比如，本文验证了疫情爆发后关停网吧将有利于降低暴力犯罪的发生，以及建议大流行病发生后应增加“疫情前”犯罪热点区域所覆盖的公交站的警力资源，从而填补因公交站暂时关停而出现的周围人群缺失的“监护真空”。二是验证了中国城市人群收入的社会结构对暴力犯罪的影响，这或许对未来韧性社区的构建指明了一个行动方向，如大力帮扶低收入等弱势群体等。
最后，本文也存在一些不足之处。首先，我们需要指出的是，犯罪活动不只是受服务设施关停的影响，也受进出场所限制和核酸证明等方面的制约[6]；同样的，服务设施关停的时间周期及关停次数对犯罪的减少也可能存在关联。因此，未来的研究在这些方面可进一步深入。其次，在新冠疫情背景下，因社交疏离的限制，各类活动场所的关停或开放，或在警力调整的情况下，是否会引起犯罪者、受害者、监管者的日常活动变化而导致犯罪的变化?这些问题的解答，需要在系统理清疫情下不同犯罪主体日常活动变化与犯罪之间的时空规律，以及明确这些变化对犯罪的影响之后，才能做出全面的解释。因此，这些可作为今后研究的重点内容和突破方向。最后，社会失序方面的构成要素可进一步完善，如未来研究可考虑外来人群或租住人群等在就业、收入、福利和住房等方面的社会经济变化。

真诚感谢外审专家在论文评审中对本文语言梳理、指标解释、结果分析及结论提炼等方面提出的宝贵意见和修改建议，使本文更加严谨充实，在此表示衷心感谢！

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Moise I K, Piquero A R.Geographic disparities in violent crime during the COVID-19 lockdown in Miami-Dade County, Florida, 2018-2020. Journal of Experimental Criminology, 2023, 19(1): 97-106. DOI: 10.1007/s11292-021-09474-x.

[2]
Nivette A E, Zahnow R, Aguilar R, et al. A global analysis of the impact of COVID-19 stay-at-home restrictions on crime. Nature Human Behaviour, 2021, 5(7): 868-877. DOI: 10.1038/s41562-021-01139-z.

PMID

[3]
李钢, 王皎贝, 徐婷婷, 等. 中国COVID-19疫情时空演化与综合防控. 地理学报, 2020, 75(11): 2475-2489.

DOI

[Li Gang, Wang Jiaobei, Xu Tingting, et al. Spatio-temporal evolution process and integrated measures for prevention and control of COVID-19 epidemic in China. Acta Geographica Sinica, 2020, 75(11): 2475-2489.]. DOI: 10.11821/dlxb202011015.

[4]
靳高风, 杨皓翔, 何天娇. 疫情防控常态化背景下中国犯罪形势变化与趋势: 2020—2021 年中国犯罪形势分析与预测. 中国人民公安大学学报(社会科学版), 2021, 37(3): 1-14.

[Jin Gaofeng, Yang Haoxiang, He Tianjiao. The change and trend of criminal situation under the background of normalization of epidemic prevention and control in China: Analysis and forecast of the Chinese crime situation in the years of 2020-2021. Journal of People's Public Security University of China (Social Sciences Edition), 2021, 37(3): 1-14.]

[5]
Payne J L, Morgan A, Piquero A R. COVID-19 and social distancing measures in Queensland, Australia, are associated with short-term decreases in recorded violent crime. Journal of Experimental Criminology, 2022, 18(1): 89-113. DOI:10.1007/s11292-020-09441-y.

[6]
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. 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: 10.18306/dlkxjz.2023.02.010.

[7]
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. 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.]. DOI: 10.18306/dlkxjz.2023.02.011.

[8]
Liu L, Chang J, Long D, et al. Analyzing the impact of COVID-19 lockdowns on violent crime. International Journal of Environmental Research and Public Health, 2022, 19(23): 1-10. DOI: 10.3390/ijerph192315525.

[9]
Campedelli G M, Favarin S, Aziani A, et al. Disentangling community-level changes in crime trends during the COVID-19 pandemic in Chicago. Crime Science, 2020, 9(1): 1-18. DOI: 10.1186/s40163-020-00131-8.

[10]
Frith M J, Bowers K I, Johnson S D. Household occupancy and burglary: A case study using COVID-19 restrictions. Jounal of Criminal Justice, 2022, 82(5): 1-9. DOI: 10.1016/i.icrimius.2022.101996.

[11]
Campedelli G M, Aziani A, Favarin S. Exploring the immediate effects of COVID-19 containment policies on crime: An empirical analysis of the short-term aftermath in Los Angeles. American Journal Criminal Justice, 2021, 46(5): 704-727. DOI: 10.1007/s12103-020-09578-6.

[12]
Yang M, Chen Z, Zhou M, et al. The impact of COVID-19 on crime: A spatial temporal analysis in Chicago. International Journal of Geo-Information, 2021, 10(3): 1-20. DOI: 10.3390/ijgi10030152.

[13]
林亚刚. 暴力犯罪的内涵与外延. 现代法学, 2001, 23(6): 138-142.

[Lin Yagang. On the notion and scope of the violence crime. Modern Law Science, 2001, 23(6): 138-142.]. DOI: 10.3969/j.issn.1001-2397.2001.06.020.

[14]
龙冬平, 柳林, 陈建国, 等. 街头抢劫者前犯罪经历对其后作案地选择的影响. 地理科学进展, 2020, 39(5): 815-828.

DOI

[Long Dongping, Liu Lin, Chen Jianguo, et al. Impact of prior crime experiences of street robbers on subsequent crime location choices. Progress in Geography, 2020, 39(5): 815-828.]. DOI: 10.18306/dlkxjz.2020.05.010.

[15]
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.

PMID

[16]
Thomas S A, Drawve G. Examining interactive effects of characteristics of the social and physical environment on aggravated assault. Journal of Criminal Justice, 2018, 57: 89-98. DOI: 10.1016/j.jcrimjus.2018.04.002.

[17]
Song G, Liu L, Bernasco W, et al. Theft from the person in urban China: Assessing the diurnal effects of opportunity and social ecology. Habitat International, 2018, 78(8): 13-20. DOI: 10.1016/j.habitatint.2018.04.010.

[18]
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. 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 Geographical Sinica, 2017, 72(2): 341-355.]. DOI: 10.11821/dlxb201702013.

[19]
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. 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.]. DOI: 10.11821/dlyj020220347.

[20]
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.

[21]
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. 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 Geographical Sinica, 2017, 72(2): 356-367.]. DOI: 10.11821/dlxb201702014.

[22]
Shaw C R, McKay H D. Juvenile Delinquency and Urban Areas:A Study of Rates of Delinquency in Relation to Differential Characteristics of Local Communities in American Cities. Chicago, USA: University of Chicago Press, 1942.

[23]
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. 地理研究, 2017, 36(12): 2479-2491.

DOI

[Xiao Luzi, Liu Lin, Song Guangwen, et al. Impacts of community environment on residential burglary based on rational choice theory. Geographical Research, 2017, 36(12): 2479-2491.]. DOI: 10.11821/dlyj201712017.

[24]
McCarthy M, Homel J, Ogilvie J, et al. Initial impacts of COVID-19 on youth offending: An exploration of differences across communities. Journal of Criminology, 2021, 54(3): 323-343. DOI: 10.1177/00048658211005816.

[25]
龙冬平, 陈再齐, 徐铭恩, 等. 人类命运共同体理念的理论分析及其在抗疫实践中的应用. 热带地理, 2021, 41(4): 694-707.

DOI

[Long Dongping, Chen Zaiqi, Xu Ming'en, et al. Theoretical analysis of a community with shared future for mankind and its applications in anti-COVID-19 practice. Tropical Geography, 2021, 41(4): 694-707.]. DOI: 10.13284/j.cnki.rddl.003366.

[26]
王霞, 唐三一, 陈勇, 等. 新型冠状病毒肺炎疫情下武汉及周边地区何时复工? 数据驱动的网络模型分析. 中国科学:数学, 2020, 50(7): 969-978.

[Wang Xia, Tang Sanyi, Chen Yong, et al. When will be the resumption of work in Wuhan and its surrounding areas during COVID-19 epidemic? A data-driven network modeling analysis. Scientia Sinica Mathematica, 2020, 50(7): 969-978.]. DOI: 10.1360/SSM-2020-0037.

[27]
张桂文, 吴桐. 新冠肺炎疫情对中国就业的影响研究. 中国人口科学, 2020, (3): 11-20, 126.

[Zhang Guiwen, Wu Tong. A study of the impact of the COVID-19 outbreak on employment in China. China Population Science, 2020, (3): 11-20, 126.]

[28]
Mohler G, Bertozzi A L, Carter J, et al. Impact of social distancing during COVID-19 pandemic on crime in Los Angeles and Indianapolis. Journal of Criminal Justice, 2020, 68: 1-7. DOI: 10.1016/j.jcrimjus.2020.101692.

[29]
靳高风, 张雍锭, 郭兆轩. 2021—2022年中国犯罪形势分析与预测. 中国人民公安大学学报(社会科学版), 2022, 38(2): 1-12.

[Jin Gaofeng, Zhang Yongzhou, Guo Zhaoxuan. Analysis and prediction of China's crime situation in 2021-2022. Journal of the People's Public Security University of China (Social Science Edition), 2022, 38(2): 1-12.]

[30]
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.

DOI

[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 Geographical Sinica, 2018, 38(8): 1227-1234.]. DOI: 10.13249/j.cnki.sgs.2018.08.004.

[31]
柳林, 李璐, 周翰林, 等. 警用视频监控的犯罪转移和效益扩散: 以苏州市姑苏区为例. 地理科学, 2020, 40(10): 1601-1609.

DOI

[Liu Lin, Li Lu, Zhou Hanlin, et al. The effects of police CCTV camera on crime displacement and diffusion of benefits: A case study from Gusu district in Suzhou, China. Scientia Geographical Sinica, 2020, 40(10): 1601-1609.]. DOI: 10.13249/j.cnki.sgs.2019.01.007.

[32]
Stickle B, Felson M. Crime rates in a pandemic: The largest criminological experiment in history. American Journal of Criminal Justice, 2020, 45(4): 525-536. DOI: 10.1007/s12103-020-09546-0.

[33]
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. Journal of Criminal Justice, 2020, 69: 1-13. DOI: 10.1016/j.jcrimjus.2020.101706.

[34]
毛媛媛, 李凤仪, 殷玲, 等. 基于网络形态的街道空间环境与“两抢一盗”犯罪的关系研究: 以HS市原DP区为例. 地理研究, 2022, 41(11): 2866-2883.

DOI

[Mao Yuanyuan, Li Fengyi, Yin Ling, et al. The relationship between the network-pattern-based street spatial environment and crime of robberies and thefts, with the former DP district of HS city as an example. Geographical Research, 2022, 41(11): 2866-2883.]. DOI: 10.11821/dlyj020220457.

[35]
龙冬平, 刘丹红, 陈建国. ZG市街头抢劫者作案地选择及其影响因素研究. 地理研究, 2022, 41(5): 1422-1436.

DOI

[Long Dongping, Liu Danhong, Chen Jianguo. An examination of crime location choice of street robbers and its influencing factors in ZG city. Geographical Research, 2022, 41(5): 1422-1436.]. DOI: 10.11821/dlyj020210355.

[36]
Bernasco W, Block R, Ruiter S. Go where the money is: Modeling street robbers' location choices. Journal of Economic Geography, 2012, 13(1): 119-143. DOI: 10.1093/jeg/lbs005.

[37]
赵梓渝, 刘大千, 肖建红, 等. 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. 地理研究, 2021, 40(3): 885-899.

DOI

[Zhao Ziyu, Liu Daqian, Xiao Jianhong, et al. Spatial characteristics and influencing factors analysis of journey-to-crime based on crime pattern theory: A study of theft crime in Nanguan district, Changchun. Geographical Research, 2021, 40(3): 885-899.]. DOI: 10.11821/dlyj020191027.

[38]
柳林, 谭敏, 龙冬平, 等. 城市社会安全事件的空间分布特征研究: 以深圳市为例. 中国名城, 2021, 35(7): 34-40.

[Liu Lin, Tan Min, Long Dongping, et al. Study on spatial distribution characteristics of urban social security incidents in Shenzhen. China Ancient City, 2021, 35(7): 34-40.]. DOI: 10.19924/j.cnki.1674-4144.2021.07.005.

[39]
He Q, Li J. The roles of built environment and social disadvantage on the geography of property crime. Cities, 2022, 121(2): 1-14. DOI: 10.1016/j.cities.2021.103471.

[40]
Kim S, Lee S. Nonlinear relationships and interaction effects of an urban environment on crime incidence: Application of urban big data and an interpretable machine learning method. Sustainable Cities and Society, 2023, 91(4): 1-14. DOI:10.1016/j.scs.2023.104419.

[41]
柳林, 张春霞, 冯嘉欣, 等. ZG市诈骗犯罪的时空分布与影响因素. 地理学报, 2017, 72(2): 315-328.

DOI

[Liu Lin, Zhang Chunxia, Feng Jiaxin, et al. The spatial-temporal distribution and influencing factors of fraud crime in ZG city, China. Acta Geographical Sinica, 2017, 72(2): 315-328.]. DOI: 10.11821/dlxb201702011.

[42]
Ejrnaes A, Scherg R H. Nightlife activity and crime: The impact of COVID-19 related nightlife restrictions on violent crime. Journal of Criminal Justice, 2022, 79: 1-7. DOI: 10.1016/j.jcrimjus.2022.101884.

[43]
Bichler G, Malm A, Enriquez J. Magnetic facilities: Identifying the convergence settings of juvenile delinquents. Crime and Delinquency, 2014, 60(7): 971-998. DOI: 10.1177/0011128710382349.

[44]
Murray R, Swatt M L. Disaggregating the relationship between schools and crime. Crime & Delinquency, 2013, 59(2): 163-190. DOI: 10.1177/0011128709348438.

[45]
Carter T M, Wolfe S E. Explaining the relationship between neighborhood disorder and crime fear: The perceptual role of neighbors and the police. Journal of Criminal Justice, 2021, 77: 1-11. DOI: 10.1016/j.jcrimjus.2021.101867.

[46]
Blesse S, Diegmann A. The place-based effects of police stations on crime: Evidence from station closures. Journal of Public Economics, 2022, 207(3): 1-19. DOI: 10.1016/j.jpubeco.2022.104605.

[47]
Lymperopoulou K, Bannister J. The spatial reordering of poverty and crime: A study of Glasgow and Birmingham(United Kingdom), 2001/ 2 to 2015/16. Cities, 2022, 130(11): 1-12. DOI: 10.1016/j.cities.2022.103874.

[48]
Heilmann K, Kahn M E, Tang C K. The urban crime and heat gradient in high and low poverty areas. Journal of Public Economics, 2021, 197(5): 1-25. DOI: 10.1016/j.jpubeco.2021.104408.

[49]
Fajnzylber P, Lederman D, Loayza N V. Inequality and violent crime. The Journal of Law and Economics, 2002, 45(1): 1-39. DOI: 10.1086/338347.

[50]
Ibeneme S, Ukor N, Droti B, et al. Geospatial clustering of mobile phone use and tuberculosis health outcomes among African health systems. Front in Public Health, 2022, 9(2): 1-8. DOI: 10.3389/fpubh.2021.653337.

[51]
柳林, 刘慧婷, 陈建国, 等. “雷霆扫毒”对贩卖毒品犯罪的影响及后续时空分布变化: 以ZG市主城区为例. 地理学报, 2022, 77(6): 1461-1474.

DOI

[Liu Lin, Liu Huiting, Chen Jianguo, et al. The impact of "Thunder Anti-drug" operation on drug dealing crime: A case study of the main urban area of ZG city. Acta Geographical Sinica, 2022, 77(6): 1461-1474.]. DOI: 10.11821/dlxb202206011.

[52]
周素红, 谢蔚翰, 宋广文, 等. 土地利用对街头抢劫影响的空间分异模式: 以H市为例. 地理科学, 2017, 37(6): 885-894.

DOI

[Zhou Suhong, Xie Weihan, Song Guangwen, et al. The spatial differentiation effect of land use on street robbery: A case study in H city, China. Scientia Geographical Sinica, 2017, 37(6): 885-894.]. DOI: 10.13249/j.cnki.sgs.2017.06.010.

[53]
Huang Z, Li S, Gao F, et al. Evaluating the performance of LBSM data to estimate the gross domestic product of China at multiple scales: A comparison with NPP-VIIRS nighttime light data. Journal of Cleaner Production, 2021, 328: 1-13. DOI: 10.1016/j.jclepro.2021.129558.

[54]
Gruenewald P J, Freisthler B, Remer L, et al. Ecological models of alcohol outlets and violent assaults: Crime potentials and geospatial analysis. Addiction, 2006, 101(5): 666-677. DOI: 10.1111/j.1360-0443.2006.01405.x.

Options
文章导航

/

〈 〉