群體事件下犯罪時空熱點與影響因素分析

鄧宜為，李英冰*，閆從政

（1.武漢大學 測繪學院，湖北 武漢 430079；2.貴州省第一測繪院，貴州 貴陽 550025）

犯罪事件是當代世界“和平與發展”主題的兩大威脅之一[1]。通過研究犯罪現象的空間發生、發展和分異規律可對犯罪進行預防和控制[2]。2020年5月25日因喬治·弗洛伊德事件掀起的抗議浪潮引發了“漣漪效應”[3]；截至6月3日，事件引起的抗議和騷亂已蔓延至全美140個城市，超過兩萬名國民警衛隊人員被部署在美國多地[4]。通過研究群體性抗議活動中犯罪事件的時空熱點和犯罪驅動因子可對警力資源調配和犯罪防控提供理論依據[5]。

國內外已有不少學者對犯罪熱點及其因子分析進行了研究，在時間維度上，陳鵬[6]等分析了不同類型犯罪事件在一天內的分布情況，結果表明詐騙犯罪具有明顯的時間選擇性；在時空維度上，Townsley M[7]有效結合時間和空間信息，利用熱點圖法進行犯罪時空分布模式的研究；徐沖[8]等利用Kernel密度法剝離出犯罪空間熱點，并利用PAI指數對熱點區域穩定性進行了評價，從而對不同模式犯罪提出了針對性防控對策；朱艷麗[9]等利用時空立方體模型解決了搶劫犯罪案件的時空冷熱點分布問題，但并未針對犯罪熱點的影響因子展開分析；在環境影響因素方面，陳鵬[10]等利用統計回歸方法研究了天氣變量對入室盜竊犯罪事件的影響，結果表明日案發量與日平均氣溫之間存在顯著正相關；ZHU L[11]等利用層次貝葉斯模型分析了暴力犯罪與社會經濟、酒品銷售點密度之間的關系；在微觀影響因子方面，現有研究表明商超[12]、醫院[13]、酒吧[14]、道路網絡[15]和人口密度[16]等微觀因子與犯罪事件顯著相關。探究犯罪事件與社會環境之間的影響機制已成為犯罪地理學的一大熱點[17]。本文以美國弗洛伊德抗議活動中紐約市犯罪事件為例，提出了“時空熱點—因子”犯罪分析組合模型，探究了抗議活動中的熱點犯罪事件及其時空熱點，服務于犯罪防控預測和警力部署。

1 數據來源和分析方法

1.1 數據來源

犯罪數據來源于紐約的官方數據網站。根據社會解組理論和日常活動理論選取人口、酒吧、學校、地鐵、消防站、商超、路網、警區、監控、失業率、貧困率和在家辦公率12個環境因素作為潛在的風險因子，其中人口密度數據來源于世界人口密度官方網站，失業率、貧困率和在家辦公率數據來源于kaggle網站的官方統計數據，其余因子皆來源于openstreetmap網站。

1.2 分析方法

“時空熱點—因子”組合模型如圖1所示，主要包括時空熱點分析和熱點因子探測兩個部分，主要分支方法為平均最近鄰、熱力圖和地理探測器。

圖1 “時空熱點—因子”組合模型

1.2.1 犯罪數據獲取

本文對紐約市的犯罪數據進行整理，將其分為逮捕、縱火、襲擊、入室盜竊、搶劫、槍擊、偷盜7種類型。

1.2.2 時空熱點分析

本文采用平均最近鄰法和熱力圖法對異常事件進行時空熱點分析。熱力圖是一種熱點映射技術，可直觀解釋犯罪事件的空間分布。平均最近鄰法可分析空間要素的分布類型，其分布特征由最鄰近距離比率來體現，表達式為：

式中，為每個要素點與其最近鄰點之間的平均距離；為以隨機模式給出的n個點的預期平均距離；di為點i與其最鄰近點之間的距離；n為總要素點數；A為總面積。ANN值小于1，表示犯罪點呈聚集模式。

1.2.3 熱點因子探測

地理探測器是探測空間分異性和揭示其背后驅動力的一組統計學方法[18]。根據地理探測器模型，以q值來衡量某因子X對犯罪熱點的空間分異度，計算公式為：

式中，將研究區按照因子X分為h個子區域，h=1，2，…，L；L為因子X的分類數；一個類型h對應空間上一個或多個子區域，nh為因子X等級h內的樣本數，即其中一層；n為全區所有樣本數；σh2、σ2分別為本層和全區的犯罪數量值方差。q的取值范圍為[0,1]，值越大，表示該因子的解釋能力越強。

風險探測器通過比較因子在不同等級時犯罪率均值的顯著性差異來探測存在潛在犯罪風險的區域，采用統計量t進行檢驗，即

式中，為子區域內的犯罪均值；nh為子區域樣本數。

2 入室盜竊犯罪事件時空熱點分析

2.1 異常犯罪事件類型探測

本文對紐約市犯罪事件進行時間序列分析，結果如圖2所示，可以看出，犯罪數量受疫情影響3月中下旬開始急劇下降，在弗洛伊德事件發生后回升，隨著矛盾的加劇6月1日達到峰值；只有入室盜竊事件在抗議活動發生后有明顯波動，且時間線與弗洛伊德事件符合；2018年和2019年的入室盜竊犯罪事件全年均為穩定波動，排除了季節等周期影響，確定入室盜竊事件為抗議活動中的異常犯罪事件。

圖2 紐約犯罪事件時間序列分析

2.2 紐約市入室盜竊事件時空熱點分析

本文以q=0.05為分界點，對2020年5月20日—6月10日的入室盜竊犯罪事件進行平均最近鄰分析，結果如圖3所示，可以看出，入室盜竊犯罪事件在5月27日—6月4日呈現出較強的空間聚集或分散狀態，除5月29日為分散狀態外，其余時間均為較強聚集狀態。

圖3 紐約市入室盜竊事件平均最近鄰分析結果

本文對入室盜竊事件進行熱點分析，結果如圖4所示，可以看出，入室盜竊犯罪事件數量在各區分布十分不均，有明顯轉移趨勢，主要集中在曼哈頓區西南部和布朗克斯區的西南部。

圖4 入室盜竊事件空間熱點圖

3 入室盜竊事件的影響因素分析

3.1 入室盜竊事件因子探測

本文以5月27日—6月4日為活躍期，并以5月1日—5月24日以及抗議活動趨于穩定的6月11日—7月10日兩個時段為對照，利用地理探測器進行因子探測，結果如圖5所示，可以看出，在抗議活動活躍期，酒吧密度、地鐵密度和商超密度對入室盜竊空間分布的解釋力明顯提升，且酒吧密度的q值最大，地鐵密度次之，表明酒吧和地鐵的分布是決定抗議活動中入室盜竊空間分布格局最主要的環境因子。

圖5 入室盜竊事件影響因子解釋力統計

3.2 入室盜竊事件風險探測

根據圖5中q值的大小，本文選取前9個因子，利用風險探測器進一步分析各影響因子在其分類下的犯罪風險，結果如圖6所示，可以看出，除監控密度和在家辦公率外，其余因子隨著數量等級的升高，即社會經濟環境越好，相應區域的入室盜竊數量在總體上呈增加趨勢，抗議活動發生后增加的幅度更為明顯；監控密度在等級4時出現了低值，原因可能是入室盜竊犯罪數量越多的地區更注意加強其監控措施；在家辦公率在等級4時達到最大值，在等級6時為0，原因可能是人員聚集導致外來人員犯罪或臨時起意的犯罪，對本地區熟悉度較低。

圖6 入室盜竊事件各影響因子的犯罪風險等級分類

3.3 入室盜竊事件交互探測

本文通過交互探測器得到因子的交互作用結果，如表1所示，可以看出，各影響因子兩兩交互作用時均大于一種變量的獨自作用；酒吧密度與監控密度之間的交互作用最大，為0.866；較強的交互增強效應主要體現在地鐵密度和酒吧密度與其他因子的交互作用時，因此地鐵密度和酒吧密度是入室盜竊空間分布的主要影響因子。

表1 交互探測結果

4 結語

針對群體性抗議活動，本文提出了“時空熱點—因子”組合模型，考慮了不同犯罪類型的影響，并從微觀角度研究了12類環境因子對犯罪事件空間分布的影響，可提高大型群體性事件中犯罪事件防控的精確度，為防控和警力部署提供更準確的建議。

針對研究結果提出以下預防和應對建議：在抗議活動發生后，需重點加強對入室盜竊犯罪事件的防范，尤其是曼哈頓區西南部和布朗克斯區西南部的酒吧、地鐵密集地區；應加強警力資源，以減少人員聚集；提醒民眾可能會存在大量外來人員作案，監控和警力密集地區的民眾也不能放松警惕。