基于GIS的上海市犯罪空间特征研究

钟海东，吴健平，余柏蒗，王占宏

（1．浙江万里学院 现代物流学院，浙江 宁波 315100；2．华东师范大学 资源与环境科学学院 地理信息科学教育部重点实验室，上海 200062）

0 引 言

犯罪现象是长期困扰城市发展的一大难题．而且随着科学技术的发展和社会财富的集中，犯罪现象更显现出频发性、智能性和破坏性的特点［1］．上海作为我国经济、金融、贸易和航运四大中心，要求具备更加安全稳定的生活和生产环境［2］．在上海市统计局对全市的公众安全感抽样调查中，对“最影响安全感的治安问题”，回答是“各类刑事犯罪活动”的为39．2%；“最担心的违法犯罪活动”依次为入室盗窃，拦路抢劫和抢夺，诈骗，杀人和伤害，扒窃等犯罪类型；调查还显示，90%被调查者认为，当前影响社会治安案件的最突出的因素是外来人口犯罪［3］．研究城市犯罪的时空分布特征，对于城市管理及积极主动预防犯罪有着很强的现实意义．

随着地理信息系统（GIS）的发展和不断完善，人们逐渐认识到GIS分析空间问题的优势［4］．早在1999年，Harries就阐述了利用GIS进行犯罪研究的趋势．将犯罪发生地点按照地理坐标映射到地图上并进行空间分析，已经成为国外犯罪研究的重要手段之一［5］．国内外学者都在积极地从空间角度来研究预防犯罪的途径．国内学者王发曾从空间分析的视角出发对城市犯罪的成因［6］、城市犯罪中的非公共空间盲区网［7］、公共空间盲区网［8］、边际空间盲区及其综合治理［9］、城市发展与城市犯罪的关系［10］等问题进行了研究；翁里等对城市规划防控犯罪理论进行了初步探讨［11］；杜德斌等研究了城市犯罪区位选择的数学模拟以及城市犯罪的出行问题［12，13］；陈峰云等从环境行为学的角度研究了城市边缘区犯罪问题的环境影响［14］．国外学者从空间分析的角度出发对城市犯罪展开的研究也很多．大致说来，GIS在犯罪学研究中的应用主要包括以下三个方面［1，5，15－19］：

（1）犯罪区域的研究 将犯罪发生地按照地理坐标映射到地图上，利用GIS强大的空间分析犯罪的聚集情况和犯罪高发区．

（2）犯罪相关因素分析 将犯罪发生地按照地理坐标映射到地图上，并根据犯罪高发区域和聚集情况，找出犯罪特征和环境因素之间的关系．例如研究学校，人口聚集商业区，重要交通枢纽等与犯罪之间的关系．

（3）预防和打击犯罪 根据犯罪发生、聚集的特征，合理分布警力，为公安及相关部门提供决策依据．

从国内外城市犯罪研究的情况来看，国外研究要远多于国内，而且国外主要是利用犯罪数据的实证研究；国内研究大多缺乏基础数据支撑，只停留在一些基本理论的介绍和对相关理念的强调，给出的建议也没有足够的说服力．本研究以上海市公安部门提供的犯罪数据为基础，研究了上海市城市犯罪（抢劫、敲诈勒索、盗窃和诈骗）的特点及其时空分布规律，力图为上海市预防和打击各种犯罪活动提供理论上的参考依据．

1 研究区域与数据来源

1．1 研究区域

研究区域为上海市行政管辖范围所包括的全部地域空间（北纬30°23′—31°27′，东经120°52′—121°45′），涉及宝山、长宁、崇明、奉贤、虹口、黄浦、嘉定、金山、静安、卢湾、闵行、南汇、浦东、普陀、青浦、闸北、徐汇、杨浦和松江等19个区，312个街道，21个农场．研究区域面积大约6 400km2，常驻人口大约1 300万［20］．

1．2 数据来源

本研究涉及到的数据分为4种：①2006年上海市犯罪数据；②上海市基础地理数据（行政地图，上海市外环线）；③上海市街道级地图数据；④2006年全市各个区县常住人口和流动人口数据．

第一种数据全部由项目合作形式来源于上海市110报警服务中心；其中包含2006年全市110接到的接警和案件初步确认数据，并经过公安部门处理掉报案人姓名，电话等敏感信息；每条案件记录经过警察现场案情的初步确认后都会记录案件发生时间和案件发生地的地理坐标，这也是本文基于GIS进行空间分析的基础．在删除了重复报警、无效报警和没有进行案件初步确认的数据之后所有案件一共4 106 104起，其中有1 833 261起始交通事故不属于本文的研究范围，进行了删除．按照公安部门的分类方法，所有案件一共有175种．本文选择了初步处理和最终审判结果误差较小且对人们造成恐惧程度较大的4种案件（抢劫，敲诈勒索，盗窃，诈骗）作为研究对象，同时将抢劫和敲诈勒索统称为暴力犯罪，盗窃和诈骗统称为财产犯罪．

改革开放是新的时代条件下新的伟大革命，是新时代中国最鲜明的特色。改革开放，即对内改革、对外开放，体现出改革的精神和开放的胸怀。新时代改革开放这一鲜明特色，赋予新时代爱国主义以鲜明的时代特征。

第二种数据来源于政府公开信息和数据共享网站．

第三种数据来源于地图的手工解译和其他项目实施过程中的成果积累．

第四种数据来源于2007年《上海市统计年鉴》以及《上海市2000年第五次人口普查数据公报》．

1．3 研究方法

本文利用数据挖掘、统计分析、基于ArcGIS的空间分析等方法对上海市犯罪的空间格局进行究．原始犯罪记录保存在oracle数据库中，为了将这些犯罪记录映射到上海市行政区地图上，首先根据案件发生的类型和时间设计SQL语句，将查询得到的结果导出成文本格式，然后利用犯罪数据中自带的地理坐标将案件发生点映射到上海市地方行政坐标上来研究犯罪发生的特征．空间分析也包括3个尺度：全市尺度；区县级尺度；街道级尺度．

2 研究结果讨论

2．1 上海犯罪空间特征研究

研究表明，犯罪案件的空间分布特征在很大程度上可以反映犯罪的发生特点和规律［21］．本章节以110报警数据为基础，使用ArcGIS 9．3对上海市犯罪的空间分布特征进行了分析．

2．1．1 各类案件在全市的分布

国外犯罪学研究表明城市犯罪存在空间分布规律［1，16，22，23］，而且城市的某些区域案件发生数量明显高于其他区域，即所谓的犯罪“热点”区域［24］．犯罪案件的空间密度分析是研究犯罪空间聚集特征的重要方法［2］，为研究上海市犯罪的空间聚集特征，使用了ArcGIS中的“Kernel Density”工具（搜索半径设置为2 000m，输出栅格设置为200m×200m），计算结果如下图1所示．从图中可以明显看出，外环线以内区域是上海市犯罪高发区域，有近90%的案件发生在这些地方，静安区、普陀区、闸北区、虹口区和黄浦区是犯罪的高发区，而且上海市犯罪向城市核心区域聚集的趋势十分明显，人民广场附近便是上海市犯罪发生的“热点”．另外，每个行政区的中心基本上都是该区范围内的犯罪“热点”．

图1 上海市犯罪密度分析Fig．1 Density investigate of Shanghai crime

在内环以内的区域商务区和高档居民区相对比较集中，通常这些区域公安民警分布较多，而且商务楼和重点商业区保安都会比较多，但为什么财产犯罪和暴力犯罪都在这些区域高发呢？为了解释这个现象，本文研究了内环以内区域4类犯罪案件在一天24h中的分布，如图2所示．从图中可以看出财产类犯罪（盗窃和诈骗）的数量要远大于暴力犯罪（抢劫、敲诈勒索）的数量；图2（a）显示，敲诈勒索案件高发的时间段为15：00～16：00，刚好在大多数人上班期间，而抢劫案件则多发在21：00～23：00时间段；从图2（b）中可以看出财产犯罪高发的时间段分别是上午8：00～10：00和16：00～19：00，由此可以基本推断上海市外环区域以内财产犯罪案件高发是由于上下班时间段室外人口增多所引起的．

图2 上海市内环以内区域一天24h的犯罪案件分布情况Fig．2 Crimes of Shanghai within the inner ring area distributed in 24hours a day

将犯罪数据映射到上海市行政地图上后可以方便地统计每个区发生案件的数量，但是各个行政区面积相差很大，简单分析犯罪案件在某个区的发生数量没有实际意义．每万人中案件数量是衡量城市犯罪的重要指标［25］，本研究也采用了这一指标来衡量各个行政区的犯罪情况：用各个行政区犯罪案件数量除以该区人口数量（常住人口＋流动人口）来计算每万人案件数量，并采用这一指标将四种犯罪案件在各行政区的分布进行分级显示，结果如下图3．从图中可以看出上海城市中心区（闸北区、普陀区、长宁区和徐汇区）依然是犯罪案件的高发区；每个行政区中盗窃和诈骗的每万人发生数量要比抢劫和敲诈勒索案件高出很多，而且前两种案件的高发区的范围也更大．

图3 上海市犯罪在各个行政区中的分布Fig．3 Distribution of Shanghai crime in every district

2．1．3 4类案件在街道中的分布

为了找出抢劫、敲诈勒索、盗窃和诈骗这4类案件的分布特征，本文按照各类案件发生地所在的街道进行了统计分析，结果如图4所示．分析显示抢劫高发街道有：闸北区芷江路街道、天目西路街道，普陀区桃浦镇、甘泉路街道，闵行区梅陇镇、莘庄镇、华漕镇、七宝镇，宝山区大场镇，浦东新区三林镇；敲诈勒索案件高发街道有：宝山区大场镇、庙行镇，嘉定区南翔镇、嘉定镇，闵行区梅陇镇、莘庄镇、七宝镇、华漕镇，浦东新区三林镇，普陀区甘泉路街道、桃浦镇，闸北区北站街道、芷江路街道、天目西路街道；盗窃案件高发街道有：宝山区大场镇，虹口区乍浦路街道，闵行区虹桥镇、梅陇镇、华漕镇、七宝镇、莘庄镇，浦东新区三林镇，普陀区曹阳新村街道，徐汇区田林新村街道、徐家汇街道，闸北区北站街道、芷江路街道、天目西路街道；诈骗案件高发街道有：闵行区华漕镇、梅陇镇、莘庄镇、七宝镇，浦东新区金桥镇、陆家嘴，普陀区桃浦镇，徐汇区田林新村街道、漕河泾镇、徐家汇街道，杨浦区五角场街道，闸北区天目西路街道．

需要特别指出的是4类犯罪案件共同的高发街道：闵行区梅陇镇、莘庄镇、华漕镇、七宝镇和闸北区天目西路街道，这些街道4类案件均高发，希望引起有关部门的高度注意．

图4 上海市犯罪在各个街道上的分布Fig．4 Distribution of Shanghai crime by block statistics

2．2 上海犯罪时空分析

研究表明上海市犯罪有明显的向城市中心聚集的空间特征，为了更进一步研究抢劫、敲诈勒索、盗窃和诈骗这4类犯罪在每个时间段的空间聚集情况，将这4类案件按发生的月份进行分类，然后在ArcGIS中做密度分析（搜索半径设置为2 000m，输出栅格200m×200m），结果如图5所示．从图中可以看出4类案件在12个月中的空间分布情况基本上一致：全市犯罪向外环线以内区域聚集的特点非常明显．从每个月案件发生的详细数据来看一月份案件发生数量最多，十二月份案件发生数量最少．而且在案件发生数量越少的月份案件发生地点向人民广场附近聚集的空间特征就越明显．

图5 上海市犯罪的时空特征分析Fig．5 Spatio－temproal distributions of Shanghai crimes

3 结 论

本文运用ArcGIS软件，以2006年上海市公安局所提供的犯罪数据为基础，研究了上海市犯罪的时空特征，并得出如下结论．

（1）从总体来看下半年案件发生数量高于上半年，二月份所有案件发生数量最少，而且案件发生时间主要集中在早上七点到晚十点这段时间．

（2）不同类型的案件的发生有着不同的时间特征．抢劫最多发的时段是14：00至17：00，敲诈勒索最多发的时段是20：00至23：00，盗窃案件最多发的最多时段是7：00至9：00和16：00至18：00（上下班高峰），而诈骗案件最多发的时段是8：00至11：00．

（3）上海市犯罪绝大多数发生在外环线以内区域，而且向市中心聚集的特征非常明显．而人民广场则是犯罪发生的“热点”，这与我们常认为上海最繁华地区由于巡逻警察人员较多，这一地区治安应当较好的观点有比较大的差异．

（4）不同月份上海市犯罪向市中心聚集的特征不同，在案件发生数量越少的月份案件发生地点向城市核心区聚集的特征就越明显．

希望这些结论能为上海市相关部门主动预防和打击犯罪活动提供重要的参考依据．

致谢 非常感谢上海市110报警中心在处理2006年全市报警记录中的敏感数据之后保留了案件发生的时间和地理坐标等信息，并将这些数据提供给本文用于科学研究．同时在此声明，本研究的结果只代表作者本人见解，不代表任何组织的观点．

［1］ACKERMAN W V，MURRAY A T．Assessing spatial patterns of crime in Lima，Ohio［J］．Cities，2004，21（5）：423－437．

［2］毛媛媛，戴慎志．犯罪空间分布与环境特征——以上海为例［J］．城市规划学刊，2006（3）：85－93．

［3］上海市公安局．上海市公安年鉴［M］．上海：上海市公安局，2003．

［4］LONGLEY P A，GOODCHILD M F，MAGUIRE D J，et al．Geographic Information Systems and Science［M］．［S．L．］：Wiley，2005．

［5］BOBA R．Crime Analysis and Crime Mapping［M］．London：Sage Publications，2005．

［6］王发曾．城市犯罪成因的综合观［J］．河南大学学报：自然科学版，1997，27（1）：39－46．

［7］王发曾．城市犯罪中的非公共空间盲区及其综合治理［J］．人文地理，2003，17（4）：1－5．

［8］王发曾．城市犯罪中的公共空间盲区及其综合治理［J］．人文地理，2003，18（3）：8－12．

［9］王发曾．城市犯罪中的边际空间盲区及其综合治理［J］．人文地理，2003，19（1）：9－13．

［10］王发曾．城市发展与城市犯罪问题［J］．Social science research，2003（2）：96－100．

［11］翁里，潘建珍．城市规划与防控犯罪之理论初探［J］．中国人民公安大学学报，2003，102（2）：135－140．

［12］杜德斌，汤建中．城市犯罪区位选择的数学模拟［J］．地理研究，1995，14（3）：26－32．

［13］杜德斌．国外有关城市犯罪出行问题的研究［J］．城市问题，1998，81（1）：57－60．

［14］陈峰云．城市边缘区犯罪问题的环境影响［J］．城市问题，2003，112（2）：45－47．

［15］MAZEROLLE，WICKES，MCBROOM．Community variations in violence：The role of social ties and collective efficacy in comparative context［J］．Journal of Research in Crime and Delinquency，2010，47（1）：3－30．

［16］MALLESON，HEPPENSTALL，SEE．Crime reduction through simulation：An agent－based model of burglary［J］．Computers，Environment and Urban Systems，2010，34（3）：236－250．

［17］MARTIN，ROSSMO，HAMMERSCHLAG．Hunting patterns and geographic profiling of white shark predation［J］．Journal of Zoology，2009，279（2）：111－118．

［18］LUM C．The geography of drug activity and violence：Analyzing spatial relationships of non－homogenous crime event types［J］．Substance Use ＆Misuse，2008，43（2）：179－201．

［19］VAN SCHAAIK J G J，VAN DER KEMP J J．Real Crimes on Virtual Maps：The Application of Geography and GIS in Criminology［G］∥HENK J，SCHOLTEN R V D V A N V M．Geospatial Technology and the Role of Location in Science．Springer Netherlands，2009：217－237．

［20］上海市统计局．上海统计年鉴［M］．北京：中国统计出版社，2007．

［21］NAKAYA YANO．Visualising crime clusters in a space－time cube：An exploratory data－analysis approach using space－time kernel density estimation and scan statistics［J］．Transactions in GIS，2010，14（3）：223－239．

［22］LEONG K，LI J C，CHAN S，et al．An application of the dynamic pattern analysis framework to the analysis of spatial－temporal crime relationships［J］．Journal of Universal Computer Science，2009，15（9）：1852－1870．

［23］PHILLIPS LEE．Crime analysis through spatial areal aggregated density patterns［J］．GeoInformatica，2011，15（1）：49－74．

［24］MELISSARIS．Property offences as crimes of injustice［J］．Criminal Law and Philosophy，2012，6（2）：149－166．

［25］HOLST，STERN．Geometric variational crimes：Hilbert complexes，finite element exterior calculus，and problems on hypersurfaces［J］．Foundations of Computational Mathematics，2012，12（3）：263－293．