EN中文

地球信息科学学报 >

2022 , Vol. 24 >Issue 10: 1957 - 1967

DOI: https://doi.org/10.12082/dqxxkx.2022.220232

地理流与出行行为

X市入室盗窃犯罪人空间出行距离及其影响因素分析

  • 张超鹏 , 1 ,
  • 陈鹏 , 1, * ,
  • 江欢 2 ,
  • 于越 3
展开
  • 1.中国人民公安大学信息网络安全学院,北京 102600
  • 2.北京工商大学电商与物流学院,北京 100048
  • 3.北京市公安局朝阳分局,北京 100025
*陈鹏（1981— ）,辽宁营口人,博士,副教授,主要研究方向为警务大数据分析与犯罪地理。E-mail:

张超鹏（1996— ）,广东梅州人,硕士生,主要研究方向为犯罪地理、数据挖掘与分析。E-mail:

收稿日期: 2022-04-27

  修回日期: 2022-05-31

  网络出版日期: 2022-12-25

基金资助

教育部人文社会科学规划基金(20YJAZH009)

中国人民公安大学基本科研业务费专项(2020JKF501)

收起

Residential Burglars' Journey-to-Crime Distribution and its Impacting Factors in X city

  • ZHANG Chaopeng , 1 ,
  • CHEN Peng , 1, * ,
  • JIANG Huan 2 ,
  • YU Yue 3
Expand
  • 1. Information Technology and Cyber Security Academy, People's Public Security University of China, Beijing 102600, China
  • 2. E-commerce and Logistics Academy, Beijing Technology and Business University, Beijing 100048, China
  • 3. Beijing Municipal Police Department Chaoyang Branch, Beijing 100025, China
*CHEN Peng, E-mail:

Received date: 2022-04-27

  Revised date: 2022-05-31

  Online published: 2022-12-25

Supported by

Humanities and Social Sciences planning fund project of the Ministry of Education(20YJAZH009)

Special fund for basic scientific research of People's Public Security University of China(2020JKF501)

Fold

摘要

针对犯罪人空间出行距离测量及影响因素考虑上存在的不足,本文利用X市2015—2017年入室盗窃案件数据,基于百度地图计算了犯罪人居住地到作案地之间的步行、骑行和驾车等3种交通出行距离,作为实际空间出行距离的近似拟合,随后利用最优尺度回归模型分析了居住地和作案地所在区域的空间环境特征、作案时间特征和主体特征对犯罪人空间出行可能产生的影响。实证分析表明：① 计算得到的3种距离的频次分布均表现为距离衰减效应,超过50%的案件中犯罪人作案地到其居住地的交通距离均不超过10 km;② 在影响因素方面,犯罪人的空间出行距离分布主要受其作案地所在区域的空间环境特征影响,具体表现为目标较为集中、交通通达性较好的区域对邻近空间内的犯罪人具有较强的吸引性,而发案量较高的区域对距离较远的犯罪人具有较强的吸引性;③ 在主体特征上,团伙犯罪人较独狼式犯罪人有更长的空间出行距离,反映出团伙犯罪人在空间认知上有着更好的优势。本文有助于进一步深化对犯罪出行现象的理解,对犯罪预测具有一定的实践指导意义。

关键词： 入室盗窃; 犯罪出行; 最优尺度回归; X市; 主成分分析; 距离衰减效应; 兴趣点; 团伙犯罪人

本文引用格式

张超鹏 , 陈鹏 , 江欢 , 于越 . X市入室盗窃犯罪人空间出行距离及其影响因素分析[J]. 地球信息科学学报, 2022 , 24(10) : 1957 -1967 . DOI: 10.12082/dqxxkx.2022.220232

Abstract

In criminology, journey-to-crime describes the phenomenon that how offenders be off their residing places and search for targets in space. In view of the disadvantages in the measurement of offenders' journey-to-crime and the influencing factors, the data of residential burglary offense in X city from 2015 to 2017 are collected and the walking, riding, and driving distances from the offender's residing location to their corresponding offending location are calculated using Baidu map API service. Then, this paper uses the categorical regression model to analyze the possible impact of environmental features within the offenders' residing area and the offending area, temporal pattern of crime, and subject characteristics of offenders on the journey-to-crime. The empirical analysis shows that: ① The frequency distribution of the three fitted traffic distances obeys the distance decay effect. Among more than 50% of the occurred crimes, the traffic distances between offenders' residing locations and their corresponding offending locations are no more than 10km, and also, the results indicate that there is no significant difference between any pair of three traffic distances, which demonstrates that three types of traffic distances are moderately equal in measuring journey-to-crime cost; ② In terms of influencing factors, the journey-to-crime distance of an offender is mainly affected by the environmental features within the offending area. Specifically, the results demonstrate that the more the targets concentrated and the areas being accessible, the more adjacent offenders are strongly attracted, while the more crime concentrated, the areas more strongly attract offenders from distant places; ③ In terms of the main individual characteristics of offenders, group offenders have longer journey-to-crime distance than single offenders, which reflects that group offenders have advantages in spatial cognition. It is mainly reflected in that for offenders who commit crimes alone, their "lone wolf" behavior restricts their spatial cognition to a low level, and the offenders who commit crimes in groups can learn and accumulate more about targets through information sharing between the members. At the same time, group cooperation can also support offenders to commit crimes in remote places from their residences and help them achieve higher crime benefits. Comparing with previous work on journey-to-crime, this paper includes the diversity of travel functions of offenders in their crime-committing processes, which fills the void of current research and enhances the understanding of journey-to-crime phenomenon. Meanwhile, the work finished in this paper could also be potentially and practically applied in offenders' detection scenarios, for example, geographic profiling.

Key words： residential burglary; journey-to-crime; categorical regression; X city; principal component analysis; distance decay effect; point of interest; group offenders

1 引言

在犯罪地理领域,犯罪人的空间出行行为（Journey-to-Crime）研究是一个关注度较高的方向[1],其旨在分析犯罪人在犯罪过程中的出行距离、出行方向、区位选择等,以深入了解其空间行为模式,为犯罪防控和案件侦查提供有效的理论基础。
当前,犯罪人空间出行研究主要集中在2个方面,即空间出行模式分析和空间出行影响因素研究。其中在犯罪人的空间出行模式研究中,主要关注点为出行距离分布、犯罪目标选择等。在出行距离分布方面,Chopin等[2]通过分析法国1979—2013年的性侵类案件数据,发现该类案件中超过一半受害人的实际居住地点到犯罪人的落脚点间距离不超过2.5 km;Johnson等[3]对英国多塞特郡2001—2005年的犯罪数据进行统计分析,发现犯罪人的出行距离平均值为5.66 km;Ackerman等[4]对美国德克萨斯州25 154起案件数据进行了统计,发现犯罪人出行距离平均值为10.1 km,其中入室盗窃类案件犯罪人的出行距离平均值为7.6 km。此外,Johnson等[5]研究发现从事贩毒的犯罪人大多在其落脚点附近进行毒品交易,尤其是Schmitz[6]进一步证明了毒品购买者比贩卖者的空间出行距离更大;Marchment等[7]则发现,在欧美等国的恐怖事件中,独狼式比有组织性的恐怖分子出行距离较短。而在国内的相关研究中,侯超等[8]通过对2008—2014年北京市盗窃电动自行车案件的分析,发现犯罪人出行距离均值约为15.3 km;赵梓渝等[9]通过对2010—2016年长春市南关区扒窃犯罪分析,发现犯罪人的平均出行距离为5.74 km。在犯罪目标的选择方面,Daele等[10]通过分析比利时的案件数据,发现较多的犯罪人选择在城区内落脚但在郊区从事犯罪活动,而且犯罪的目标区域大多集中在较为富裕的社区和高速公路附近,尤其值得注意的是,为了降低犯罪活动的交通成本,这一类犯罪人普遍存在着单次外出连续作案的情况;Bernasco[11]则研究发现,抢劫、入室盗窃、盗窃机动车和人身伤害等案件中的犯罪人一般会将其居住的社区或曾经居住过的社区作为首要的犯罪目标。
在犯罪人的出行影响因素方面,龙冬平等[12-13]总结了国内外主要研究工作,认为影响空间出行距离分布的主要因素有犯罪人的个体特征、地理特征、犯罪收益和情感因素等。其中在主体特征方面,赵梓渝等[11,14]发现长春市的扒窃案件中犯罪人的出行距离受其性别、年龄、教育程度、户籍地、是否就业、是否有前科记录等变量的显著影响; Andersen等[15]发现犯罪人的年龄与其空间出行距离有着较强的关系,对某些犯罪活动,年龄较大或较小的犯罪人出行距离较短,而位于中等年龄区间内的犯罪人出行距离较长;侯超等[8]从主体特征角度分析了犯罪人的出行距离分布,发现男性、中年、外来人口属性、多次作案的犯罪人会有更远的出行距离;Wang等[16]通过对比侵财类与暴力犯罪,发现男性犯罪人的出行距离较女性更远;此外,Fisher[17]调查发现,在美国费城发生的案件中,独狼式和团伙式犯罪人的出行距离没有显著差异。而在地理特征方面,Ackerman等[4]发现社区层面的差异对犯罪人的出行距离影响较大;Vandeviver等[18]研究了2387起入室盗窃案件,发现犯罪人的空间出行距离受环境变量影响较大,特别是发生在高速公路、道路网较为密集或外来人口占比较高的社区内的案件中,犯罪人的空间出行距离普遍偏大;此外,Xiao等[19]对ZG市的入室盗窃案件分析发现,犯罪人居住地所在区域的空间环境相比于作案地对其出行影响更大,如果犯罪人居住地所在区域的房价较高、交通发达、流动人口占比较低,则其出行距离会相对较短。
对当前的研究分析可以发现,虽然目前围绕着犯罪人的空间出行行为已进行了较多的探索,但在研究视角和变量的选择方面仍存在一定的不足。① 在犯罪人的空间出行距离测量方面,目前采用的主要是以欧式距离、曼哈顿距离为代表的拟合法[2-3,5⇓-7,15⇓⇓⇓-19],虽然近年来一些研究开始采用基于路网的实际出行距离[4,9],但考虑到犯罪人作案过程中出行方式的多样性,现有的测量方式较难以全面反映犯罪人的空间出行行为过程;② 在空间出行影响因素分析上,目前对犯罪人的作案地和居住地所在区域地理环境特征的影响性分析主要集中于人口、路网、房屋类型等变量,较少考虑区域内已发案件对犯罪人的吸引性;③ 在主体特征方面,目前较多地考虑了犯罪人的年龄、性别、犯罪经验、籍贯等变量,但对社会化特征如组织性、团伙性等缺乏深入的探索。为此,针对当前研究中存在的不足,本文拟通过实证研究,分析X市侵财类案件中的犯罪人空间出行行为（出行距离）特性,从主体特征、居住地和作案地所在区域的空间环境特征等多个视角进一步揭示犯罪人的空间出行模式。

2 数据来源和研究方法

2.1 数据来源

本文研究数据来源于X市公安机关2015—2017年破获的12 909起入室盗窃案件信息,案件数据基本信息如表1所示。其中通过犯罪人的户籍地详址和身份证号码可以提取出籍贯、性别、年龄等主体特征信息,通过案件编号可以得到犯罪人之间的共案关系特征,通过犯罪人的居住地和作案地详址可以得到居住地信息和作案地信息。在对数据进行初筛、去重和删除缺失项后,最终得到有效案件数据共5819条,其中个人犯罪3992起,团伙犯罪1927起。
表1 研究数据来源及构成

Tab.1 Data source for study and its components

数据名称 来源 时间 主要构成
入室盗窃案件数据 X市公安机关 2015—2017年 案件编号,犯罪人的户籍地详址,犯罪人居住地详址、作案地详址,犯罪人身份证号码,案发时间
POI数据 百度地图开放平台 2017年 餐饮消费（美食、购物等）
道路状况（道路密度）
公共场所（旅游景点、展览馆、文化馆、美术馆等）
公司企业（各类公司、金融机构、各类银行等）
交通设施（公交车站、地铁站等）
居住场所（住宅小区、酒店、村庄等）
生活服务（汽车服务、生活服务、美容美发等）
休闲娱乐（娱乐场所、运动健身等）
医疗教育（医疗机构、教育培训机构、研究机构等）
政府机构（行政服务中心、居委会等）
在空间出行距离计算上,考虑到犯罪人在作案时可能采取不同类型的交通方式以及道路交通对出行的限制,计算了犯罪人从居住地到作案地之间的3种代表性交通出行方式—徒步出行、骑车出行（自行车、电动自行车等）和驾车出行（自驾或乘坐公共汽车）—作为其实际出行距离的近似拟合。为此,采用百度地图的开放平台API接口,将案件数据中的犯罪人居住地详址、作案地详址通过地理编码的方法转成WGS84经纬度坐标,然后将其上传到百度地图API,基于最短路径原理计算出居住地和作案地之间的步行距离（Fd）、骑行距离（Bd）、驾车距离（Vd）。
在犯罪人的居住地和作案地所在区域的空间环境特征方面,采用了POI数据进行分析。通过百度地图开放平台获取了X市2017年主要城区的各类POI数据约80万条[20]。通过对案件数据进行梳理,发现X市的入室盗窃案件发生场所多达上百种,其中发案量较高的场所主要为商超、写字楼、餐饮机构、银行、服务类行政机关等。为此,对入室盗窃案关联度较大的POI数据进行了筛选[21],随后按照功能类型进行合并,最终分为餐饮消费、道路状况、公共场所、公司企业、交通设施、居住场所、生活服务、休闲娱乐、医疗教育、政府机构等10类（表1）。

2.2 研究方法

根据犯罪模式理论[22],个体的日常活动区域由其居住地、工作地等多个认知空间构成,其日常行为主要围绕着认知空间进行。对应的,犯罪人外出实施犯罪活动的行为可分为狩猎型和通勤型 2种[23],其中狩猎型是指犯罪人主要在其居住地周边从事犯罪活动,而通勤型则是犯罪人离开居住地到工作地（如工厂、单位、学校等）附近实施犯罪。为了描述空间环境特征对2种空间出行行为的影响,采用空间缓冲区方法抽取犯罪人居住地和作案地的空间环境变量数据。首先,以居住地和作案地为中心生成半径为1 km①( 根据杜洋等[24]研究,X市居民1小时活动空间大小约为1.4 km2,1周活动空间大小约为16 km2,折合活动半径分别为0.66 km和 2.25 km。本文假设犯罪人的居住地和作案地为其主要停留区,因此为保证犯罪人的居住地和作案地空间的相互独立,且考虑到犯罪人单次外出作案的时间限制,本文设定其日常活动半径为1 km。)的圆形缓冲区[24],随后分别将居住地和作案地的空间缓冲区与各类POI和案件的位置进行叠加分析,从而得到犯罪人居住地和作案地缓冲区内的各类POI分布和案件分布。考虑到获取的POI数据类型较多,且不同类型POI在吸引犯罪方面可能存在功能重叠,为此采用主成分分析方法进行降维处理[25],得到POI数据的主成分因子。最后,利用最优尺度回归模型计算各类影响因素变量对犯罪人空间出行距离的影响。最优尺度回归模型的数学表达式如（1）所示[26]。
Y = β 0 + β 1 X 1 + … β i X i + … + β n X n + ε
式中：Y和X分别为因变量与可观测变量;ε为随机误差;β为回归系数。
相对于普通线性回归,最优尺度回归是一种用于解决模型中存在多分类变量的方法,其能够在保证变换后各变量之间的联系成为线性的前提条件下,通过对分类变量的不同取值进行量化处理,将分类变量转换为数值变量进行统计分析[27]。在本文中,时间变量为有序离散变量,犯罪人的主体特征变量中,户籍、性别、是否为团伙犯罪为分类变量,但实际上这些自变量对因变量的影响程度可能不是均匀的,若使用线性回归模型可能会导致分析结论出现偏差。而最优尺度回归通过对分类变量、有序变量和数值变量进行尺度化,对原始变量赋予最佳量化数值,利用标准线性回归方法对转换后的变量进行回归分析,能够确保得到最佳的回归方程[28]。

3 结果及分析

3.1 犯罪人空间出行距离统计

首先,对犯罪人的居住地和作案地的空间分布进行制图分析。利用ArcGIS 10.3软件绘制居住地与作案地的核密度地图如图1所示。从图1可见,X市入室盗窃案件的犯罪人居住地存在3个较为明显的热点,一个位于X市西南六环外（A1）,一个位于X市东南四环附近（A2）,一个位于X市东北五环外（A3）。其中居住地热点区域A1内的入室盗窃犯罪人大部分来自同一籍贯地,A2与A3热点区域均为X市典型的城乡结合部,外来人口较为集中,交通便利,也是入室盗窃犯罪人的主要聚集地。而从犯罪人的作案地分布来看,主要存在 2个比较突出的热点,一个位于X市南二环附近（B1）,一个位于东南六环附近（B2）,这2块区域内人流密度大,商超、写字楼、餐饮机构等目标较多,犯罪收益较高。从居住地和作案地的分布可以看出,犯罪人的居住和作案选择存在着明显的空间聚集性和分异性。
图1 X市入室盗窃犯罪人居住地、作案地核密度分布

Fig.1 Kernel density map of residential burglar's residing and offending places in X city

对基于百度API计算得到的犯罪人居住地和作案地间的步行、骑行和驾车3种距离进行对比分析,发现3种交通距离在数值上虽然存在一定差异,但彼此间具有较高的相关性,其相关度均高达0.95以上（p<0.001）。该结果表明,3种交通距离在反映犯罪人的空间出行成本方面具有一致性。图2为3种距离的距离-频次折线图。从图中可以明显看到3种距离均表现为典型的距离衰减特性（Distance Decay）,即犯罪人的作案地大多分布于其居住地附近有限的空间范围内,其中52.6%的入室盗窃案件距离犯罪人实际居住地的交通距离均不超过10 km,而随着距离的增加,犯罪人作案的频次逐渐降低,特别是当距离超过40 km后,作案的频次占比下降至5%以下。
图2 犯罪人的3种出行距离频次分布

Fig.2 Traveling distance-frequency distribution of offenders' three possible transportation ways

表2为针对不同主体特征犯罪人计算的3种出行距离的统计结果。从表中结果可见,对于具有不同主体特征的犯罪人,其居住地到作案地间的距离均体现为步行距离最小、驾车距离最大的特点,这实际上反映出了不同的出行方式对道路的依赖性。在受到自然地理条件的限制方面,徒步出行的受限最小,骑车出行次之,而机动车出行的受限最大[29]。此外,在主体特征方面,通过方差分析,发现不同主体特征犯罪人的3种出行距离均存在显著差异（p<0.05）。其中,具有当地户籍的犯罪人的3种出行距离平均值高于非当地户籍的犯罪人;25岁以下和46岁以上犯罪人的3种出行距离平均值均低于25~45岁年龄段的犯罪人,呈现出明显的倒U型结构[11,15];女性犯罪人的3种出行距离平均值低于男性犯罪人;最后,单独作案的犯罪人的3种出行距离平均值都低于团伙作案的犯罪人,反映出有组织性的犯罪人出行距离会有所偏高[19]。
表2 不同出行距离描述性统计

Tab.2 Descriptive analysis of three distances (m)

犯罪人
特征		 平均值 标准差 最小距离 最大距离
Fd Bd Vd Fd Bd Vd Fd Bd Vd Fd Bd Vd
总体 15 890 16 420 17 648 18 714 19 367 20 524 0 0 0 106 227 108 074 123 974
当地户籍 17 041 17 526 18 387 21 566 22 187 23 063 0 0 0 103 841 108 074 114 823
非当地户籍 15 659 16198 17 500 18 082 18 745 19 976 0 0 0 106 227 107 802 123 974
25岁以下 12 752 13 126 14 154 15 385 15 855 16 779 0 0 0 106 227 106192 116 422
25~45岁 17 559 18 165 19 500 20 092 20 808 22 076 0 0 0 105 006 108074 123 974
45岁以上 13 833 14 319 15 423 16 434 17 034 17 875 0 0 0 100 802 106 932 106 775
女 14 161 14760 15 959 12 960 13 455 14 421 0 0 0 69 270 70 733 81 308
男 16 004 16 529 17 760 19 028 19 690 20 960 0 0 0 106227 108 074 123 974
个人 15 076 15 569 16 695 18 613 19 215 20 392 0 0 0 106 227 108 074 116 620
团伙 17 692 18 304 19 760 18 817 19 574 20 666 0 0 0 103 841 106 932 123 974

3.2 地理特征分析

对犯罪人居住地和作案地1 km缓冲区内的10类POI数据利用主成分分析对其进行降维处理,其中居住地的KMO值为0.912,作案地的KMO值 为0.898,巴特利特检验均呈现为高显著性水平 （p<0.001）。从表3可见,犯罪人居住地和作案地缓冲区内的POI类型均可合成为2个主成分,其中在居住地的主成分因子中,因子1包括的主要POI类型为餐饮消费（0.886）、公共场所（0.649）、公司企业（0.902）、交通设施（0.681）、居住场所（0.861）、生活服务（0.934）、休闲娱乐（0.935）、医疗教育（0.902）、政府机构（0.926）等,因此因子1可以归类为与入室盗窃案件发生成正相关的目标类空间环境特征。而因子2中仅有道路状况（0.940）具有较强的正相关性,因此因子2可归类为表示交通出行通达度的空间环境特征。同理,作案地的因子1与餐饮消费（0.898）、公共场所（0.619）、公司企业（0.884）、交通设施（0.739）、居住场所（0.857）、生活服务（0.940）、休闲娱乐（0.933）、医疗教育（0.911）、政府机构（0.903）的相关系数较大,且系数都为正向相关,而因子2仅道路状况（0.972）具有较强的正相关性。
表3 居住地、作案地1 km缓冲区内的POI变量主成分系数

Tab.3 PCA coefficients of POIs within 1 km buffer zone of offenders' residing and offending places

POI类型 居住地因子1
（目标集中度）		 居住地因子2
（交通通达度）		 POI类型 作案地因子1
（目标集中度）		 作案地因子2
（交通通达度）
居住地餐饮消费 0.886 -0.071 作案地餐饮消费 0.898 -0.051
居住地道路状况 0.002 0.940 作案地道路状况 -0.078 0.972
居住地公共场所 0.649 -0.026 作案地公共场所 0.619 0.083
居住地公司企业 0.902 -0.064 作案地公司企业 0.884 -0.067
居住地交通设施 0.681 0.414 作案地交通设施 0.739 0.285
居住地居住场所 0.861 0.136 作案地居住场所 0.857 0.051
居住地生活服务 0.934 -0.050 作案地生活服务 0.940 -0.023
居住地休闲娱乐 0.935 -0.062 作案地休闲娱乐 0.933 -0.037
居住地医疗教育 0.902 -0.086 作案地医疗教育 0.911 -0.040
居住地政府机构 0.926 -0.088 作案地政府机构 0.903 -0.036
根据表3中因子分析得到的系数,结合犯罪人居住地和作案地缓冲区内的各类POI数量,可计算出居住地和作案地缓冲区内的因子1及因子2水平。表4为得到的犯罪人居住地和作案地1 km缓冲区内的POI因子1、POI因子2、案件数量的统计结果。从结果中可看到,在反映犯罪目标集中度的POI因子1上,作案地要高于居住地,即犯罪人选择的作案区域较居住区域普遍有着更高密度的目标要素。而在反映区域整体交通通达性程度的POI因子2上,居住地则要高于作案地,表明犯罪人一般会选择交通通达度较高的区域进行居住或落脚以便于其出行[19]。最后,在居住地和作案地缓冲区内的平均发案数量上,作案地的平均发案数量要低于居住地,表明犯罪人在其居住地所在区域附近作案的比重更高。
表4 犯罪人的居住地和作案地1 km缓冲区内的空间环境特征变量及描述性统计

Tab.4 Environmental features and its descriptive statistic within 1 km buffer zone of offenders' residing and offending places

变量类型 自变量 自变量描述 平均数 标准差
居住地 POI因子1 缓冲区内目标集中度 978.83 1028.01
POI因子2 缓冲区内交通通达度 -8.85 44.36
案件数量 缓冲区内发案量 47.10 65.06
作案地 POI因子1 缓冲区内目标集中度 1178.89 1186.20
POI因子2 缓冲区内交通通达度 -16.15 40.98
案件数量 缓冲区内发案量 36.93 48.25

3.3 影响因素分析

通过对不同类型出行距离的统计分析以及对犯罪人居住地和作案地所在区域空间环境特征的描述分析,可以初步了解到犯罪人的居住和作案行为具有一定的选择性特点。为进一步对犯罪人的空间出行行为开展深入研究,采用最优尺度回归模型对其空间出行的影响因素进行分析。在影响因素的选择上,主要考察犯罪人的居住地及作案地缓冲区内的空间环境特征、作案时间特征以及主体特征等3类变量。其中居住地和作案地缓冲区内的环境特征变量为反映犯罪目标集中度和交通通达度的POI因子1和POI因子2,以及缓冲区内的已发生案件数量;作案时间特征变量则包括了案件发生的月/年、旬/月和时/日特征,以对时间效应进行控制;主体特征变量则包括了犯罪人的籍贯归属、年龄、性别及是否为团伙犯罪等属性。这些变量中,除空间环境特征为连续型变量外,作案时间特征和主体特征为离散型变量,对其进行离散化定义和赋值如表5所示。
表5 作案时间特征和犯罪人主体特征的离散化定义及赋值

Tab.5 Discretization and assignment of temporal and individual features of offender

自变量类型 自变量定义 自变量离散化赋值
作案时间 月/年 离散变量（1~12）
旬/月 上旬(1—10日)=1;中旬(11—20日)=2;下旬(21—月末)=3
时/日 凌晨(0—5时)=1;早上(6—8时)=2;上午(9—11时)=3;
中午(12—13时)=4;下午(14—17时)=5;晚上(18—23时)=6
主体特征 是否京籍 京籍=1;非京籍=2
年龄 连续变量（岁）
性别 女=1;男=2
团伙犯罪 个人犯罪=1;团伙犯罪=2
为分别考察各类变量对不同出行距离的影响效应,设计了3个模型进行分析。每个模型中,因变量分别为犯罪人居住地和作案地间的步行、骑行和驾车距离,而自变量则包括了不同的影响因素特征。其中模型一中仅关注于居住地和作案地缓冲区内的空间环境特征,模型二则在模型一的基础上加入作案时间特征变量,模型三则在模型二的基础上进一步加入主体特征变量。通过在回归模型中依次加入不同的变量,来考察各类因素对犯罪人空间出行距离的影响。回归结果如表6所示,其中所有自变量的VIF值均小于5,自变量之间不存在明显的多重共线性。
表6 不同出行距离的回归分析结果

Tab.6 Regression analysis outcomes of different dependent variables

变量类型 自变量 模型一 模型二 模型三
Fd Bd Vd Fd Bd Vd Fd Bd Vd
居住地 因子1 -0.036 -0.033 -0.036 -0.035 -0.033 -0.036 -0.032 -0.030 -0.035
因子2 0.02 0.022 0.028 0.021 0.023 0.028 0.026 0.028 0.032
案件数 0.001 0.001 0.001 0.001 0.001 0.001 -0.004 -0.004 -0.003
作案地 因子1 -0.197** -0.195** -0.179** -0.202** -0.200** -0.182** -0.192** -0.191** -0.173**
因子2 -0.128** -0.127** -0.117** -0.132** -0.131** -0.121** -0.128** -0.128** -0.118**
案件数 0.084** 0.081** 0.080** 0.084** 0.081** 0.078** 0.082** 0.079** 0.075**
作案时间 月/年 - - - -0.036** -0.037** -0.038** -0.035** -0.035** -0.037**
旬/月 - - - 0.027* 0.026* 0.027* 0.028* 0.028* 0.028*
时/日 - - - -0.016 -0.017 0.014 -0.016 -0.016 0.017
主体特征 是否京籍 - - - - - - -0.021 -0.018 -0.010
年龄 - - - - - - 0.079** 0.080** 0.082**
性别 - - - - - - 0.027** 0.026** 0.025**
团伙 - - - - - - 0.051** 0.051** 0.054**
R2 0.024 0.023 0.021 0.026 0.025 0.023 0.035 0.034 0.032

注： *p<0.01,**p<0.001。

从回归结果可见,在3个模型中,当因变量为不同的出行距离时,各模型中呈现为统计显著性的自变量基本一致。该现象表明,虽然在研究中考虑了犯罪人可能采取的不同类型的交通出行方式,但各类自变量对不同类型出行方式的影响效应基本上是一致的,即犯罪人基于其居住地选择作案地的行为受出行方式的影响不大,而在具体的影响因素自变量上则有所差别,具体讨论如下。

3.3.1 空间环境特征

当以犯罪人的居住地和作案地缓冲区内的空间环境特征作为自变量进行分析时,仅有作案地中的变量具有显著性,而居住地中的变量均无显著性,反映出犯罪人的出行行为受作案地所在区域的空间环境特征影响较居住地更大。
（1）目标集中度。从模型中自变量的回归系数来看,作案地缓冲区内的POI因子1均呈现为显著负相关（p<0.001）,表明空间区域内的目标类要素越集中则犯罪人从居住地外出作案的空间出行距离越短。而该自变量的回归系数绝对值在各模型中最高,则表明其对犯罪人出行的影响效应最大。对于入室盗窃类犯罪,犯罪目标集中意味着犯罪人可能会面临较多的机会,犯罪收益较高,对犯罪人的吸引较强。根据理性选择理论和最小努力基本原理[18,30],在控制出行距离成本的条件下犯罪人会追求最大化收益,因此其会尽量选择距离其居住地更近的、机会较多的区域实施犯罪。
（2）交通通达度。作案地缓冲区内的POI因子2表现同样表现出了较高的显著性水平（p<0.001）,且重要性仅次于目标集中度。回归系数为负,反映出空间区域内的交通通达度越高则犯罪人从居住地外出作案的出行距离越短,该结果与文献[19]基本一致。对入室盗窃犯罪人,区域内的交通通达度越高,则其从居住地到达目标区域的交通成本会相对较低,同时也越有利于其在目标区域发现合适的犯罪目标并在作案后离开犯罪现场。因此,与目标集中度类似,在相同的条件下,犯罪人会优先选择距离其居住地更近的、具备良好交通通达度条件的区域实施犯罪。
（3）案件数量。作案地缓冲区内的案件数量表现出了高显著性水平（p<0.001）,且从回归系数来看为正相关,表明作案地所在区域的发案量越大则犯罪人从居住地到作案地的出行距离越长。该结果反映出空间区域内的已发案件的数量特征对距离较远的犯罪人有着较强的吸引性。

3.3.2 发案时间特征

从表6中的模型二结果可以看到,加入作案时间特征后,作案地缓冲区内的空间环境特征变量对犯罪人空间出行距离的影响效应依然显著。而具体到相应的时间特征变量上,月/年（p<0.001）和旬/月（p<0.01） 2个特征则表现出了一定的显著性。其中月/年特征变量显示为负相关,表明在一年的不同月份中,犯罪人在年初的空间出行距离较长,而随着月份的增加则犯罪人的出行距离逐渐有减小的趋势。从实际结果来看,出行距离在每年4月前后达到最大,3种出行距离的平均值分别为18 028、18 655和20 115 m,均明显高于表2中的总体平均水平。在每年的7、8、9和12月出行距离较小,在这几个月期间,3种出行距离最高分别仅为14 927、15 394和16 592 m,相对于4月的出行距离均出现较大幅度的下降。而旬/月特征变量显示为正相关,表明在每个月的月初犯罪人的出行距离较月底会有所减少。根据统计结果,犯罪人的 3种出行距离的平均值在每个月的中旬最高（分别为16 596、17 141、18 436 m）,上旬最小（分别为 15 080、15 585和16 737 m）,下旬介于二者之间（分别为15 750、16 269和17 450 m）,但整体上呈现出从月初向月底增长的趋势。

3.3.3 主体特征

从表6中的模型三结果可以看到,继续加入主体特征变量后,空间环境特征变量和时间特征变量对犯罪人空间出行距离的影响效应均未发生明显变化,原有的显著性变量仍然保持不变。具体在主体特征影响性上,犯罪人的籍贯特征对其出行距离没有显著影响,而年龄、性别和是否团伙作案则表现出高显著性（p<0.001）。结合统计结果来看（表2）,主要表现为25岁以上、男性和团伙犯罪人在空间出行上较25岁以下、女性和独狼式犯罪人具有更大的优势。以步行距离为例,25岁以上、男性和团伙犯罪人的数值分别为17 225、16 004和17 692 m,均明显高于25岁以下（12 061 m）、女性（14 161 m）和独狼式犯罪人（15 076 m）。犯罪人的空间出行距离与其生理特点和认知特点有着较强的关系,特别是对于入室盗窃这一“技能性”要求较高的犯罪活动来说,犯罪人的年龄越大,其对城市环境的认知越强,也更清楚的了解哪里有合适的犯罪目标,因此其出行距离会更远[31];男性犯罪人较女性有着较强的体力,也会支持其在更大的空间范围内寻找犯罪目标[31];而对于单独作案的犯罪人来说,其“独狼”式的行为从一定程度上限制了其空间认知能力,而团伙作案的犯罪人则可以通过信息共享了解更多的犯罪目标信息,同时团伙协作也可以支持其在距离居住地较远的地方作案从而获得较高的犯罪收益。

4 结语

4.1 结论

本文对X市2015—2017年入室盗窃犯罪人的空间出行行为进行了实证分析,利用百度地图服务计算了步行、骑行、驾车等3种不同交通方式的出行距离,并从犯罪人的居住地、作案地所在区域空间环境特征、作案时间特征和主体特征等方面利用最优尺度回归模型分析了不同影响因素变量对犯罪人出行距离的影响,得到主要结果如下：
（1）3种交通出行距离具有较高的相关性,均表现出明显的距离衰减效应;犯罪人居住地和作案地所在区域的空间环境特征、作案时间特征、主体特征等因素对3种出行距离的影响效应基本一致,反映出犯罪人的空间出行行为受其选择的交通出行方式影响不大;
（2）作案地所在区域的空间环境特征（目标集中度和交通通达度）较居住地对犯罪人出行行为的影响较大,表现为目标集中度高、交通通达度好的区域对邻近空间内的犯罪人具有较强的吸引性;此外,区域内的发案量对犯罪人有着较强的正向影响,表现为区域内的发案量越高,对距离较远的犯罪人具有较高的吸引性;
（3）性别、年龄等主体特征对犯罪人的空间出行具有正向作用,即男性、年龄较大的犯罪人的空间出行距离更远,而团伙化较独狼式犯罪人的出行距离更远,反映出团伙犯罪人在空间认知方面更有优势。

4.2 不足与展望

犯罪人的空间行为模式是犯罪地理领域一个关注度较高的方向,虽然围绕该方向已进行了一系列的研究并取得了丰富的成果,但在研究深度和研究视角上仍有待进一步拓展。一方面,在研究的层次上,目前对于犯罪人的空间出行模式主要偏重于已发案件数据的分析,这从本质上实际是一种事后的“证据”分析,虽然能够得到研究对象的一些基本行为特点,但对一些关键性的问题仍无法解释。如本文研究发现X市入室盗窃案件中犯罪人的最大出行距离达上百公里,这固然与X市的城市面积和城市结构有一定的关系,但更与犯罪人的日常行为模式有必然的联系。本文在抽取犯罪人的居住地和作案地空间环境特征时虽然在已有研究基础上采用了1 km作为缓冲区半径,但实际上对于一些 “通勤”特征更强的犯罪人,其活动半径可能远大于此,因而采用1 km半径来描述犯罪人的空间行为可能是不足的。因此这就需要利用大数据手段对犯罪人的日常空间行为模式做更为全面的描述,不仅要关注其在犯罪活动过程中的行为,更需要关注其在犯罪活动以外的行为特点,由此形成完整的空间认知地图[22],从而对犯罪人的空间出行形成更为合理的解释。另一方面,在研究的角度上,犯罪人在犯罪过程中的空间出行行为会受到其空间认知的影响,这种空间认知既包括了对交通通达性的熟悉,也包括了对空间环境的了解,特别是空间环境中的目标类要素对犯罪人的决策十分重要,其关系到犯罪人能否从中获取收益以及愿意为此付出的成本[32],而这是通过案件和环境的数据很难体现出来的。因此,在未来的工作中需要注重加强对犯罪人的访谈调查研究,以建立犯罪人的决策行为机制,从而更好地解释犯罪人在空间出行过程中对目标的选择性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
姜超, 唐焕丽, 柳林. 中国犯罪地理研究述评[J]. 地理科学进展, 2014, 33(4):561-573.

DOI

[ Jiang C, Tang H L, Liu L. Review of crime geography in China[J]. Progress in Geography, 2014, 33(4):561-573. ] DOI: 10.11820/dlkxjz.2014.0 4.013

DOI

[2]
Chopin J, Caneppele S. Geocoding child sexual abuse: An explorative analysis on journey-to-crime and to victimization from French police data[J]. Child Abuse & Neglect, 2019, 91:116-130. DOI: 10.1016/j.chiabu.2019.03.001

DOI

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

DOI

[4]
Ackerman J M, Rossmo D K. How far to travel? A multilevel analysis of the residence-to-crime distance[J]. Journal of Quantitative Criminology, 2015, 31(2):237-262. DOI: 10.1007/s10940-014-9232-7

DOI

[5]
Johnson L T, Taylor R B, Ratcliffe J H. Need drugs, will travel? The distances to crime of illegal drug buyers[J]. Journal of Criminal Justice, 2013, 41(3):178-187. DOI: 10.1016/j.jcrimjus.2013.01.003

DOI

[6]
Schmitz J. The Journey-to-crime for Drug Offenders[D/OL]. Rochester Institute of Technology, 2021.

[7]
Marchment Z, Bouhana N, Gill P. Lone Actor Terrorists: A Residence-to-Crime Approach[J]. Terrorism & Political Violence, 2018, 32(7):1413-1438. DOI: 10.1080/09546553. 2018.1481050

DOI

[8]
侯超, 陈鹏, 曾昭龙, 等. 不同主体特征的犯罪人空间出行行为分析[J]. 地理科学进展, 2020, 39(4):602-613.

DOI

[ Hou C, Chen P, Zeng Z L, et al. Spatial travel behavior of criminals wit different individual characteristics[J]. Progress in Geography, 2020, 39(4):602-613. ] DOI: 10.18306/dlkxjz.2020.04.007

DOI

[9]
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[J]. 地理研究, 2021, 40(3):885-899.

DOI

[ Zhao Z Y, Liu D Q, Xiao J H, 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[J]. Geographical Research, 2021, 40(3):885-899. ] DOI: 10.11821/dlyj020191027

DOI

[10]
Daele S V, Beken T V. Outbound offending: The journey-to-crime and crime sprees[J]. Journal of Environmental Psychology, 2011, 31(1):70-78. DOI: 10.1016/j.jenvp.2010. 09.002

DOI

[11]
Bernasco W. A sentimental journey-to-crime: effects of residential history on crime location choice[J]. Criminology, 2010, 48(2):389-416. DOI: 10.1111/j.1745-9125.2010. 00190.x

DOI

[12]
龙冬平, 柳林, 周素红, 等. 地理学视角下犯罪者行为研究进展[J]. 地理科学进展. 2017, 36(7):886-902.

DOI

[ Long D P, Liu L, Zhou S H, et al. Research progress of criminal behavior from the perspective of geography[J]. Progress in Geography, 2017, 36(7):886-902. ] DOI: 10.18306/dlkxjz. 2017.07.010

DOI

[13]
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[J]. 地理研究, 2022, 41(5):1422-1436.

DOI

[ Long D P, Liu D H, Chen J G. An examination of crime location choice of street robbers and its influencing factors in ZG City[J]. Geographical Rsearch, 2022, 41(5):1422-1436. ] DOI: 10.11821/dlyj020210355

DOI

[14]
赵梓渝, 刘大千, 高雪, 等. 基于人口学特征的犯罪者行为时空倾向—以长春市南关区为例[J]. 地理科学, 2021, 41(8):1409-1418.

DOI

[ Zhao Z Y, Liu D Q, Gao X, et al. Spatial and temporal tendency of criminal behavior based on demographic characteristics of offenders: A case of Nanguan District, Changchun[J]. Scientia Geographica Sinica, 2021, 41(8):1409-1418. ] DOI: 10.13249/j.cnki.sgs.2021. 08.012

DOI

[15]
Andresen M A, Frank R, Felson M. Age and the distance to crime[J]. Criminology and Criminal Justice, 2013, 14(3):314-333. DOI: 10.1177/1748895813494870

DOI

[16]
Wang F, Groff E, Mcewen J T. Disaggregating the Journey to Homicide[M]. IGI Global, 2005.

[17]
Fisher R. “With a little help from my friends”: The influence of co-offenders on the journey-to-crime[D]. Philadelphia: Temple University, 2021. DOI: 10.34944/dspace/6 467

DOI

[18]
Vandeviver C, Daele S V, Beken T V. What makes long crime trips worth undertaking? Balancing costs and benefits in burglars journey-to-crime[J]. British Journal of Criminology, 2015, 55(2):399-420. DOI: 10.1093/bjc/azu 078

DOI

[19]
Xiao L, Liu L, Song G, et al. Journey-to-crime distances of residential burglars in China disentangled: origin and destination effects[J]. International Journal of Geo-information, 2018, 7(8):325. DOI: 10.3390/ijgi7080325

DOI

[20]
百度地图开放平台地点检索V2.0[EB/OL].(2018-03-15)[2021-08-31]. https://api.map.baidu.com/place/v2

[21]
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[J]. 地理科学, 2017, 37(6):885-894.

DOI

[ Zhou S H, Xie W H, Song G W, et al. The spatial differentiation effects of land use on street robbery: Acase study in H city, China[J]. Scientia Geographica Sinica, 2017, 37(6):885-894. ] DOI: 10.13249/j.cnki.sgs.2017.0 6.010

DOI

[22]
Brantingham P J, Brantingham P L. The geometry of crime and crime pattern theory[M]// Environmental criminology and crime analysis, Routledge, 2016:117-135.

[23]
Chainey S, Ratcliffe J. GIS and Crime Mapping[M]. John Wiley & Sons Inc, 2005.

[24]
杜洋, 柴彦威, 杨家文, 等. 基于GPS数据的北京市居民活动规律性与可预测性研究[J]. 地理与地理信息科学, 2015, 31(6):47-51.

[ Du Y, Chai Y W, Yang J W, et al. Predictability of resident activity in Beijing based on GPS data[J]. Geography and Geo-information Science, 2015, 31(6):47-51. ] DOI: 10.3969/j.issn.1672-0504.2015.06.009

DOI

[25]
张涵, 陈艳红. 中国省域图书公共文化服务的时空演变及其空间溢出效应研究[J]. 经济地理, 2021, 41(11):149-156.

[ Zhang H, Chen Y H. Spatio-temporal evolution and spatial spillover effect of library cultural services in China at provincial scale[J]. Economic Geography, 2021, 41(11):149-156. ] DOI: 10.15957/j.cnki.jjdl.2021.11.016

DOI

[26]
汪晗, 潘海啸, 魏川登. 轨道交通与北京市职住空间结构特征探析[J]. 住宅科技, 2021, 41(10):58-63.

[ Wang H, Pan H X, Wei C D. Rail transit and the job-housing spatial layout in Beijing[J]. Housing Science, 2021, 41(10):58-63. ] DOI: 10.15957/j.cnki.jjdl.2021.11.016

DOI

[27]
李海波. 保障房居住满意度影响因素及城际差异实证研究[J]. 经济研究参考, 2018(50):11-19.

[ Li H B. An empirical study on the influencing factors of affordable housing residence satisfaction and intercity differences[J]. Economic Research Reference, 2018(50):11-19. ] DOI: 10.1 6110/j.cnki.issn2095-3151.2018.50.002

DOI

[28]
张晓君, 黄微, 李瑞. 心理距离视角下网络舆情传播意愿影响因素研究[J]. 图书情报工作, 2019, 63(12):86-93.

DOI

[ Zhang X J, Huang W, Li R. Research on influential factors of willingness to disseminate network public opinion from the perspective of psychological distance[J]. Library and Information Service, 2019, 63(12):86-93. ] DOI: 10.1 3266/j.issn.0252-3116.2019.12.012

DOI

[29]
常超凡. 城市居民短距离出行行为研究[D]. 北京交通大学, 2007.

[ Chang C F. Study on short-distance travel behavior of urban resident[D]. Beijing Jiaotong University, 2007. ] DOI: 10.7666/d.y1229654

DOI

[30]
Zhu Y, Zhang B, Wang Q A, et al. The principle of least effort and Zipf distribution[J]. Journal of Physics Conference Series, 2018, 1113. DOI:10.1088/1742-6596/1113/1/012007

[31]
Levine N, Lee P. Journey-to-crime by gender and age group in Manchester, England[M]//Crime modeling and mapping using geospatial technologies. Springer, Dordrecht, 2013:145-178.

[32]
Elffrs H. Decision models underlying the journey-to-crime[M]// Punishment, places and perpetrators: Developments in criminology and criminal justice research. Willan Publishing, UK, 2004:182-97.

Options
文章导航

/

〈 〉