群体事件下犯罪时空热点与影响因素分析

邓宜为，李英冰*，闫从政

（1.武汉大学 测绘学院，湖北 武汉 430079；2.贵州省第一测绘院，贵州 贵阳 550025）

犯罪事件是当代世界“和平与发展”主题的两大威胁之一[1]。通过研究犯罪现象的空间发生、发展和分异规律可对犯罪进行预防和控制[2]。2020年5月25日因乔治·弗洛伊德事件掀起的抗议浪潮引发了“涟漪效应”[3]；截至6月3日，事件引起的抗议和骚乱已蔓延至全美140个城市，超过两万名国民警卫队人员被部署在美国多地[4]。通过研究群体性抗议活动中犯罪事件的时空热点和犯罪驱动因子可对警力资源调配和犯罪防控提供理论依据[5]。

国内外已有不少学者对犯罪热点及其因子分析进行了研究，在时间维度上，陈鹏[6]等分析了不同类型犯罪事件在一天内的分布情况，结果表明诈骗犯罪具有明显的时间选择性；在时空维度上，Townsley M[7]有效结合时间和空间信息，利用热点图法进行犯罪时空分布模式的研究；徐冲[8]等利用Kernel密度法剥离出犯罪空间热点，并利用PAI指数对热点区域稳定性进行了评价，从而对不同模式犯罪提出了针对性防控对策；朱艳丽[9]等利用时空立方体模型解决了抢劫犯罪案件的时空冷热点分布问题，但并未针对犯罪热点的影响因子展开分析；在环境影响因素方面，陈鹏[10]等利用统计回归方法研究了天气变量对入室盗窃犯罪事件的影响，结果表明日案发量与日平均气温之间存在显著正相关；ZHU L[11]等利用层次贝叶斯模型分析了暴力犯罪与社会经济、酒品销售点密度之间的关系；在微观影响因子方面，现有研究表明商超[12]、医院[13]、酒吧[14]、道路网络[15]和人口密度[16]等微观因子与犯罪事件显著相关。探究犯罪事件与社会环境之间的影响机制已成为犯罪地理学的一大热点[17]。本文以美国弗洛伊德抗议活动中纽约市犯罪事件为例，提出了“时空热点—因子”犯罪分析组合模型，探究了抗议活动中的热点犯罪事件及其时空热点，服务于犯罪防控预测和警力部署。

1 数据来源和分析方法

1.1 数据来源

犯罪数据来源于纽约的官方数据网站。根据社会解组理论和日常活动理论选取人口、酒吧、学校、地铁、消防站、商超、路网、警区、监控、失业率、贫困率和在家办公率12个环境因素作为潜在的风险因子，其中人口密度数据来源于世界人口密度官方网站，失业率、贫困率和在家办公率数据来源于kaggle网站的官方统计数据，其余因子皆来源于openstreetmap网站。

1.2 分析方法

“时空热点—因子”组合模型如图1所示，主要包括时空热点分析和热点因子探测两个部分，主要分支方法为平均最近邻、热力图和地理探测器。

图1 “时空热点—因子”组合模型

1.2.1 犯罪数据获取

本文对纽约市的犯罪数据进行整理，将其分为逮捕、纵火、袭击、入室盗窃、抢劫、枪击、偷盗7种类型。

1.2.2 时空热点分析

本文采用平均最近邻法和热力图法对异常事件进行时空热点分析。热力图是一种热点映射技术，可直观解释犯罪事件的空间分布。平均最近邻法可分析空间要素的分布类型，其分布特征由最邻近距离比率来体现，表达式为：

式中，为每个要素点与其最近邻点之间的平均距离；为以随机模式给出的n个点的预期平均距离；di为点i与其最邻近点之间的距离；n为总要素点数；A为总面积。ANN值小于1，表示犯罪点呈聚集模式。

1.2.3 热点因子探测

地理探测器是探测空间分异性和揭示其背后驱动力的一组统计学方法[18]。根据地理探测器模型，以q值来衡量某因子X对犯罪热点的空间分异度，计算公式为：

式中，将研究区按照因子X分为h个子区域，h=1，2，…，L；L为因子X的分类数；一个类型h对应空间上一个或多个子区域，nh为因子X等级h内的样本数，即其中一层；n为全区所有样本数；σh2、σ2分别为本层和全区的犯罪数量值方差。q的取值范围为[0,1]，值越大，表示该因子的解释能力越强。

风险探测器通过比较因子在不同等级时犯罪率均值的显著性差异来探测存在潜在犯罪风险的区域，采用统计量t进行检验，即

式中，为子区域内的犯罪均值；nh为子区域样本数。

2 入室盗窃犯罪事件时空热点分析

2.1 异常犯罪事件类型探测

本文对纽约市犯罪事件进行时间序列分析，结果如图2所示，可以看出，犯罪数量受疫情影响3月中下旬开始急剧下降，在弗洛伊德事件发生后回升，随着矛盾的加剧6月1日达到峰值；只有入室盗窃事件在抗议活动发生后有明显波动，且时间线与弗洛伊德事件符合；2018年和2019年的入室盗窃犯罪事件全年均为稳定波动，排除了季节等周期影响，确定入室盗窃事件为抗议活动中的异常犯罪事件。

图2 纽约犯罪事件时间序列分析

2.2 纽约市入室盗窃事件时空热点分析

本文以q=0.05为分界点，对2020年5月20日—6月10日的入室盗窃犯罪事件进行平均最近邻分析，结果如图3所示，可以看出，入室盗窃犯罪事件在5月27日—6月4日呈现出较强的空间聚集或分散状态，除5月29日为分散状态外，其余时间均为较强聚集状态。

图3 纽约市入室盗窃事件平均最近邻分析结果

本文对入室盗窃事件进行热点分析，结果如图4所示，可以看出，入室盗窃犯罪事件数量在各区分布十分不均，有明显转移趋势，主要集中在曼哈顿区西南部和布朗克斯区的西南部。

图4 入室盗窃事件空间热点图

3 入室盗窃事件的影响因素分析

3.1 入室盗窃事件因子探测

本文以5月27日—6月4日为活跃期，并以5月1日—5月24日以及抗议活动趋于稳定的6月11日—7月10日两个时段为对照，利用地理探测器进行因子探测，结果如图5所示，可以看出，在抗议活动活跃期，酒吧密度、地铁密度和商超密度对入室盗窃空间分布的解释力明显提升，且酒吧密度的q值最大，地铁密度次之，表明酒吧和地铁的分布是决定抗议活动中入室盗窃空间分布格局最主要的环境因子。

图5 入室盗窃事件影响因子解释力统计

3.2 入室盗窃事件风险探测

根据图5中q值的大小，本文选取前9个因子，利用风险探测器进一步分析各影响因子在其分类下的犯罪风险，结果如图6所示，可以看出，除监控密度和在家办公率外，其余因子随着数量等级的升高，即社会经济环境越好，相应区域的入室盗窃数量在总体上呈增加趋势，抗议活动发生后增加的幅度更为明显；监控密度在等级4时出现了低值，原因可能是入室盗窃犯罪数量越多的地区更注意加强其监控措施；在家办公率在等级4时达到最大值，在等级6时为0，原因可能是人员聚集导致外来人员犯罪或临时起意的犯罪，对本地区熟悉度较低。

图6 入室盗窃事件各影响因子的犯罪风险等级分类

3.3 入室盗窃事件交互探测

本文通过交互探测器得到因子的交互作用结果，如表1所示，可以看出，各影响因子两两交互作用时均大于一种变量的独自作用；酒吧密度与监控密度之间的交互作用最大，为0.866；较强的交互增强效应主要体现在地铁密度和酒吧密度与其他因子的交互作用时，因此地铁密度和酒吧密度是入室盗窃空间分布的主要影响因子。

表1 交互探测结果

4 结语

针对群体性抗议活动，本文提出了“时空热点—因子”组合模型，考虑了不同犯罪类型的影响，并从微观角度研究了12类环境因子对犯罪事件空间分布的影响，可提高大型群体性事件中犯罪事件防控的精确度，为防控和警力部署提供更准确的建议。

针对研究结果提出以下预防和应对建议：在抗议活动发生后，需重点加强对入室盗窃犯罪事件的防范，尤其是曼哈顿区西南部和布朗克斯区西南部的酒吧、地铁密集地区；应加强警力资源，以减少人员聚集；提醒民众可能会存在大量外来人员作案，监控和警力密集地区的民众也不能放松警惕。