EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 7: 1432 - 1447

DOI: https://doi.org/10.12082/dqxxkx.2023.220917

不同街景影像微环境提取方法对街面财产犯罪解释的差异分析

  • 柳林 , 1, 2 ,
  • 谢华芳 1 ,
  • 岳瀚 , 1, *
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
*岳 瀚（1990— ），男，湖北武汉人，博士，讲师，主要从事犯罪地理与时空行为分析。E-mail:

柳 林（1965— ），男，湖南湘潭人，博士，教授，博导，主要从事犯罪地理及地理信息科学研究。E-mail:

收稿日期: 2022-11-24

  修回日期: 2023-02-24

  网络出版日期: 2023-06-30

基金资助

广州市科技计划项目(202201010288)

国家自然科学基金项目(42201257)

测绘遥感信息工程国家重点实验室资助课题(21I02)

收起

A Comparative Study of Different Street View Image Micro-environment Extraction Methods for Explaining Street Property Crimes

  • LIU Lin , 1, 2 ,
  • XIE Huafang 1 ,
  • YUE Han , 1, *
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
*YUE Han, E-mail:

Received date: 2022-11-24

  Revised date: 2023-02-24

  Online published: 2023-06-30

Supported by

Science and Technology Projects in Guangzhou(202201010288)

National Natural Science Foundation of China(42201257)

Open Fund of State Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(21I02)

Fold

摘要

作为城市的骨架，街道网络是人们日常活动的重要载体，其也在很大程度上影响着犯罪事件的分布。因此，街道微环境是研究街面犯罪空间格局及其影响机制的重要切入点。已有研究中基于街景影像的街道微环境度量，多采用语义分割单一技术提取各类环境要素在影像中的像素占比，但该方法不适宜提取行人等离散要素。近期有学者结合使用语义分割和目标检测2种技术来提取影像中复杂的环境要素，但2种方法提取的微环境要素对街面犯罪的解释还未有比较研究。为探究这一问题，本文将百度街景影像作为街道层级建成环境数据，采用上述2种做法分别提取并获得街道微观环境特征变量：第1种做法仅使用语义分割技术将所有要素以像素比例度量；第2种做法用语义分割技术将人行道、建筑、墙面、栅栏、树木和草地以像素比例度量，而用目标检测技术将街面行人和路灯以个数度量。在控制了土地利用混合度、集中劣势、街道长度和密度、犯罪吸引器和发生器后，构建零膨胀负二项回归模型以分析街道微环境特征与街面财产犯罪（如街面盗窃、扒窃）间的关系。模型中分别加入通过两种方式提取的街道微环境特征变量，并比较其对街面财产犯罪影响的差异。研究结果表明： ① 与采用语义分割单一技术提取的街道微环境特征相比，加入了结合使用语义分割和目标检测两种技术提取的街道微环境特征之后，模型表现更好，对街面财产犯罪的解释力提升了7%；尤其是对于街面行人而言，采用目标检测方法对街面行人进行计数，比采用语义分割方法提取行人的像素占比更能有效反映路段上的行人规模，其与街面财产犯罪的关联性更强，其回归系数从0.09提升到0.32，其回归系数绝对值排序从第十位提升至第三位； ② 基于街景影像提取的街道微环境特征能有效解释街面财产犯罪的发生，其中作案目标、活动支持2个维度的街道微环境特征对街面财产犯罪都产生显著影响。具体地说，街面行人规模与街面财产犯罪，如街面盗窃、扒窃，存在显著的正相关关系，而人行道、建筑、树木、草坪在影像中的平均像素占比和绿视率等均与街面财产犯罪存在显著的负相关关系。本文的研究结果对犯罪地理和环境犯罪学文献做了有益的补充，尤其在通过环境设计来预防犯罪方面。

关键词： 街面财产犯罪; 街道微环境; 街景影像; 街面盗窃; 扒窃; 零膨胀负二项回归; 语义分割; 目标检测

本文引用格式

柳林 , 谢华芳 , 岳瀚 . 不同街景影像微环境提取方法对街面财产犯罪解释的差异分析[J]. 地球信息科学学报, 2023 , 25(7) : 1432 -1447 . DOI: 10.12082/dqxxkx.2023.220917

Abstract

The street network channels people's routine activities, which in turn affects the distribution of crime incidents. Therefore, the street micro-environment is crucial to the fine-grained understanding and explanation of the spatial distribution of street crime. In the existing research on street micro-environment extraction from street view images, semantic segmentation technique is often used to calculate the pixel proportions of various elements, without identifying individual features and objects on street. Recently, some scholars have combined semantic segmentation and object detection technologies to extract complex street environment features, generating both pixel proportions and object counts. However, no research has compared the associations between street crime and the micro-environment features extracted by the two methods. In order to explore this issue, this study used the above two methods to extract street micro-environmental features from Baidu Street View images. The first method used semantic segmentation technique to extract pixel proportions of all features. The second method combined a semantic segmentation and an object detection technology to extract the pixel proportions or counts of individual features, e.g., sidewalk, building, wall, fence, tree, and grass were measured as pixel proportions, and people and light posts on street were measured as counts. After controlling for land use mixture, concentrated disadvantage, street density, length of street segment, and facilities that attract or generate crime, zero-inflated negative binomial regression models were constructed to assess the impacts of the street micro-environmental features on street property crime, such as street theft and pickpocketing. The above two street micro-environment measurements were added to the models separately, and their influences on street property crime were then compared. The results show that: (1) compared with the conventional semantic segmentation method, adding the street micro-environment features extracted by combining semantic segmentation and object detection techniques increased the model performance by 7%. Specifically, the number of pedestrians obtained by the object detection method can better reflect the actual size of people on the street than the pixel proportion of pedestrians obtained by the semantic segmentation method, resulting a stronger association between pedestrians and street property crime. Its regression coefficient increased from 0.09 to 0.32, and the order of the absolute value of the regression coefficient increased from the tenth place to the third place; (2) the street micro-environment features extracted from street view images can effectively explain the occurrence of street property crimes. Crime targets and activity support features can significantly affect street property crime. Specifically, there were significant positive associations between the number of pedestrians on the street and street property crime, and significant negative associations between pixel proportions of sidewalks, buildings, trees, lawns, and green-rate, and the street property crime. This research adds more evidence to the literature of crime geography and environmental criminology, especially for Crime Prevention Through Environment Design (CPTED).

Key words： street property crime; street micro-environment; street view images; street theft; pickpocketing; zero-inflated negative binomial regression; semantic segmentation; object detection

1 引言

街面犯罪是指发生在城市街头、巷道、车站、公园、集市等公共场所的违法犯罪事件，主要包括街面财产犯罪（街面盗窃、扒窃、抢夺等）和街面暴力犯罪（抢劫、故意伤害、殴打他人等）[1]，严重威胁着人们的人身、财产及出行安全。街道作为街面犯罪的发生场所，它通过影响城市中各类设施的空间布局和人类活动的空间模式而影响街面犯罪的发生与空间格局。因此，经典的环境犯罪学理论，如CPTED理论，强调地址级的微观建成环境的精确特征在实证研究中的重要性。在该理论指导下，越来越多的研究者也逐渐重视微观建成环境特征的度量问题。
与社会经济环境的度量不同，建成环境特征尤其是微观建成环境特征的精确度量较为困难。原因在于，缺乏大范围、细粒度的建成环境数据。近年来，随着在线地图技术的发展，街景影像逐渐成为微观建成环境度量的重要数据支撑[2]；人工智能技术的发展，使得研究者可以方便地从街景影像中提取街道层级微观建成环境信息，并以此开展大规模的城市街道微观环境度量[3]。已有的基于街景影像的环境犯罪学研究，多采用语义分割单一技术[4⇓-6]提取影像中的物理环境要素，并基于这些要素和构建的指标实现微观建成环境多方面特征的度量，进而分析不同环境特征与街面犯罪的关系。然而，街景影像中不同环境要素具有不同表现形式，它们可能分别适用于不同的提取方式。例如，对于行人、路灯等面积较小、形状固定且离散分布的环境要素，可能适合通过提取其在影像中出现的频次反映其在环境中的存在规模；而对于树木、建筑、道路等面积较大、形状不固定且成片连续分布的无法进行计数的环境要素，则可能适合通过提取其在影像中的像素面积占比反映其在环境中的规模大小。上述采用语义分割单一技术提取复杂街道环境要素的做法，可能会导致低估了影像中行人、路灯这类环境要素在街道环境中的存在规模，进而弱化这类环境要素对街面犯罪活动的影响。少数学者考虑到这一问题，结合使用语义分割和目标检测2种技术提取影像中不同表现形式的环境要素[7-8]。然而，这种做法与采用语义分割单一技术提取影像中复杂环境要素的常规做法相比，是否更能解释街面犯罪的发生与空间格局，还未得到验证。
为了解答这一疑问，本文将百度街景影像作为街面建成环境数据，在CPTED、日常活动理论等理论指导下，对比分析了通过2种提取方法获得的街道微观环境特征变量（包括作案目标、通道控制水平、领地监视水平和活动支持水平4个方面）对街面财产犯罪的解释力，并基于更优的提取结果定量衡量了街道微观环境特征对街面财产犯罪的影响。具体而言，本文旨在回答2个问题：① 与采用语义分割单一技术提取复杂街道环境特征的常规做法相比，结合语义分割和目标检测2种技术提取的街道环境特征是否更能解释街面财产犯罪的空间格局?② 街道微环境特征对街面财产犯罪的影响如何?

2 文献综述

犯罪作为发生在地理空间上的、以人为主体的社会事件，其产生与分布除了受到社会经济状况、人口特征等的影响外，还受到其所处建成环境的影响。CPTED理论主张通过环境设计和对环境的合理有效利用来抑制犯罪的发生[9]，在该理论语境下，建成环境中的环境要素能够通过影响作案目标、地区领地监视水平、通道控制水平和活动支持能力等而对犯罪三要素（潜在受害者、有动机犯罪者和监管缺失）产生影响；而日常活动理论认为这三者的时空重合将导致犯罪的发生[10-11]。结合以上理论阐述可知，建成环境中的环境要素能够影响犯罪的发生。除此之外，理性选择理论认为建成环境特征能通过影响犯罪者的风险与成本感知[12]而影响其行为。

2.1 街道微环境与街面犯罪

城市中复杂的街道网络塑造着人类活动模式，也决定着城市中各类设施的空间布局[13]。具体地说，城市中人们的上下班、购物、休闲等日常通行活动大多发生于街道空间；城市中的设施，包括住宅、商业设施、绿化等都沿街道布局。街道空间环境的不同特征以不同方式影响犯罪三要素（有动机的犯罪者、合适的犯罪目标、失效的监管）的集聚，进而影响犯罪的发生。因此，街道是研究街面犯罪空间格局及其环境影响因素的重要单元，街道微环境是街面犯罪最直接的影响因素。
大量研究表明，人群规模对街面犯罪有显著影响，但其影响的方向还没有统一结论。防卫空间理论认为（图1），居民的领地感以及由此产生的自然监控作用是抑制犯罪的重要因素[14]。当街道的可达性较强时，会吸引较多的人群活动，由此招致的街道环境的无序性和匿名性将会降低居民发现、制止潜在的犯罪行为的意愿和能力，进而导致较高的犯罪风险[15-16]。很多研究者支持防卫空间理论的观点[17]，并证明了人群密集、可达性高的地区更容易遭受犯罪案件的影响[18]。与之不同的是，街道眼理论认为土地利用复杂的街道能够吸引大量的人群，人群增加了对街道的使用程度，同时也充当着“街道上的眼睛”，由此激发的自然监控机制能够抑制犯罪的发生[19⇓⇓-22]。
图1 理论基础

Fig. 1 Theoretical basis

树木、草地等绿化空间作为城市中重要的休憩场所，其对犯罪的影响也存在争议。有一种观点认为，绿化空间所创造的舒适环境，能够吸引人群活动并产生集体效能，进而增强地区的非正式监控水平，最终起到抑制犯罪发生的作用[12,23-24]。另一种观点认为，树木多的地方往往更为隐蔽，其为犯罪者提供了隐蔽场所，因此公共盗窃等犯罪案件更易于发生于该类地方[5]。绿化空间的这种差异性影响，使得研究者对其有了较高的关注。
路灯[25⇓⇓-28]、监控摄像头[29]等能起到“监视者”的作用，其与犯罪的关系也受到研究者的广泛关注。Chalfin等[30]研究发现，街道照明设施能有效威慑犯罪者，改善地区照明条件能显著降低城市犯罪的发生率；柳林等[29]研究了警用视频监控的犯罪影响，结果表明，与夜间相比，视频监控在白天对犯罪的抑制作用更强。其他的街道微环境元素，如人行道[31⇓-33]、栅栏[26]、墙面[8]、车辆[34]等的犯罪影响也受到关注。
除了上述对单个环境要素与街面犯罪关系的研究之外，也有学者对街道空间多维度特征与犯罪的关系展开了系统研究。例如，Lee等[35]通过实地观测的方法获取了低层住宅区居民视野内的街面物理环境特征，包括开口朝向街道的住宅、路边停放的车辆、路面铺砖、领地标记、路边的垃圾堆等，用于表征自然监控水平、领域性、形象维护程度，并研究这3个维度的环境特征与街面犯罪机会之间的关系，研究结果表明大部分表征自然监控和形象维护的环境变量对犯罪有较大影响，而表征领域性的环境变量与犯罪之间的关系并不显著。Hipp[12]等从街景影像中提取了建筑、行人、人行道、交通车辆、墙面、栅栏等元素的像素占比，用于表征人群活力、机动化程度、防御空间、绿化景观等，并分析其与犯罪之间的关系，结果表明人群活力与犯罪率并没有显著相关性，机动化程度与犯罪间存在正相关关系，防御空间要素中墙面与低犯罪风险相关，而栅栏与机动车盗窃案件相关，绿化景观也会影响犯罪的发生。

2.2 街道微环境度量

街景影像是地图服务商采集的街道层次的全景影像[36]，它能以行人视角提供360°的街道层级景观信息，具有覆盖面广、更新周期短、数据采集成本低、可获取性强等优势。近年来，街景影像已经成为城市环境研究的重要数据来源。随着人工智能技术的发展，越来越多的研究者将深度学习方法应用于从街景影像中提取街道物理环境特征，进而开展大规模的城市街道微观环境度量。一种深度学习方法是采用语义分割技术，对影像中的像素进行类别标记，再根据语义类别将整张影像进行图像分割，得出影像中包含的环境要素类别及其像素占比，以此获得影像所反映的真实街道环境中存在的所有物理环境要素类别及其规模[37]；另一种是采用目标检测技术，在影像中定位、标记物理环境要素，并预测该要素所属的类别，进而获得真实街道环境中存在的所有物理要素类别列表[8,38]，该技术对于识别面积较小的离散物理要素具有较高的精度[36]。
已有的基于街景影像的街道微环境与街面犯罪关系研究，多采用语义分割单一技术提取影像中各类物理环境要素的平均像素占比，并构建街道微观环境变量，以此来量化街道微观环境特征，进而分析其与街面犯罪的关系。例如，Hipp等[12]采用语义分割单一技术从谷歌街景影像中提取了行人、人行道、车辆、栅栏、墙面等环境要素的平均像素占比，分别用于度量街道活力、机动化程度、防御空间和绿色空间，进而研究这些街道微观环境特征与入室盗窃、抢劫、机动车盗窃等多种类型犯罪的关系；He[4]等通过同样的方法从影像中提取了墙面、窗户、建筑等环境要素在影像中的平均像素占比，并在此基础上构建了街道围合感、开阔度等场景感知指数，用于反映街道微环境的地域性、监视水平、活动支持程度、地区形象等特征，进而研究街道建成环境与犯罪的关系。还有部分学者采用目标检测技术识别街景影像中包含的环境要素，用于构建地物对象多样性指标，以此研究犯罪多样性与环境多样性间的关系。例如，Khorshidi等[39]基于目标检测技术的识别结果构建了地物对象多样性指数，研究街区环境多样性与犯罪多样性的关系，研究结果表明街区环境多样性比大多数传统社会经济变量更能解释犯罪多样性的变化。
近年来，少数学者在结合深度学习方法与街景影像进行街道微观环境量化时，关注了影像中不同表现形式的环境要素对提取方式的敏感性。例如，Yue[8]和Xie等[7]认为，对于影像中面积较小、形状固定且离散分布的要素，如行人、路灯，不适合采用语义分割的方法提取其在影像中的面积占比。这是因为，行人、路灯这类面积较小的环境要素，在影像中的像素占比往往较建筑、树木等环境要素小得多，采用语义分割技术提取这类环境要素在影像中的像素占比可能会低估这类要素在环境中的存在规模。但可以借助目标检测技术，通过计算它们在影像中出现的频率来反映其在环境中的规模大小。并且已有研究表明，基于深度学习的目标检测技术在识别面积较小的离散物理要素时，具有较高的精度[36]。而面积较大、形状不固定且成片连续分布的环境要素无法进行计数，可以采用语义分割技术提取要素在影像中的像素占比来反映其在环境中的存在规模，如天空、植被、建筑等。为此，Yue[8]和Xie等[7]在研究中结合使用语义分割技术和目标检测技术，分别用于提取街景影像中面积较大且连续分布和面积较小且离散分布的环境要素。但与采用语义分割单一技术提取街道环境特征的常规做法相比，结合使用语义分割技术和目标检测技术提取的街道微观环境特征能否提升对街面犯罪的解释，还未得到验证。

3 研究区概况、数据来源和研究方法

3.1 研究区概况

ZG市是中国东南部沿海特大城市，是中国经济最发达的城市之一。本研究选取ZG市主城区为研究区域，其面积约为325.60 km2，总人口约为504.70万人。研究区土地利用状况复杂，除基础设施较好的商业用地、高档住宅区、城中村改造区外，还存在相当面积的老城区和城中村；同时，这里外来人口比例高，人员状况复杂。研究区内复杂的人口、社会经济状况及建成环境差异使得这里集中了ZG市30.75%的犯罪案件。本研究的分析单元为路段，研究区内共包含2 930条路段。

3.2 数据来源及处理

3.2.1 犯罪数据

本文所使用的犯罪数据来源于ZG市公安局提供的ZG市2017—2019年接警数据。我们根据警情类别筛选出街面财产犯罪事件，具体包括街面盗窃、扒窃、抢夺。再根据犯罪事件的地理位置，将其投影到100 m范围内距离最近的路段，计算每条路段上的街面财产犯罪案件数量，最后共得到84 025起街面财产犯罪案件。图2为研究区域内街面财产犯罪的空间分布图。此外，经过数据梳理，我们还发现街面盗窃、扒窃这两种街面犯罪案件多发于白天，且它们的案件量远远高于抢夺，在街面财产犯罪中占比一半以上。
图2 2017—2019年研究区街面财产犯罪案件总数量空间分布

Fig. 2 Spatial distribution of street property crime in the study area

3.2.2 街景数据

（1）百度街景影像获取
本文将百度街景影像作为街道层级环境数据。为使街景数据与犯罪数据在时间上相匹配，本文获取的所有街景影像均是在2016—2019年拍摄的。百度街景影像是百度地图公司提供的一项在线地图服务，研究者可通过百度街景全景静态应用编程接口（API）方便、低成本的获取街景图像。用户通过对地理坐标、方位角、俯仰角等参数的设置来获取目标位置的街景影像。本文为尽可能完整、均匀地获取街道建成环境信息，沿路段每10 m取一个采样点，研究区内共生成了129 719个采样点。本文还计算了每个采样点位置街道走向与正北方向的夹角 α 1，并在此基础上获取与街道平行和垂直的4个方位的4张街景影像，每张街景影像的水平方向范围均取90°（图3），从而尽可能趋近街面上行人的全部视野范围（4×90°）。这些影像的俯仰角均设置为0°，即平行视线。接着，使用语义分割和目标检测两种深度学习方法从所有获得的街景影像中提取街道微环境元素，以此反映街道微环境特征。图4总结了百度街景影像的简要获取流程。
图3 采样点的4个方位角

Fig. 3 The four azimuths of the sampling point

图4 百度街景影像爬取流程

Fig. 4 Crawling process of Baidu Street View images

（2）街道微环境度量
从街景影像中提取街面行人、人行道、建筑、墙面、栅栏、路灯、树木、草坪共8个环境元素，并根据这些环境元素的提取结果计算得到步行适宜性、街道围合感、绿视率3个综合性指标。本文通过这11个指标，从作案目标、通道控制、领地监视、活动支持4个维度实现了对与犯罪相关的街道微环境特征的系统化量化（表1）。更重要的是，本文还对比了已有研究中采用的2种街道环境特征提取方法提取的街道环境特征变量对街面犯罪的解释力：本文首先根据已有研究中的常规做法，采用语义分割单一技术提取街面行人、人行道、建筑等以上8个环境元素在影像中的像素占比，得到基于常规方法提取的街道微环境特征；再根据近期部分学者提出的改进后的做法，采用目标检测技术提取行人、路灯这2个面积较小、固定形状且离散分布的要素在影像中的个数，采用语义分割技术提取人行道、建筑、墙面、栅栏、树木、草坪这6个面积较大、形状不固定且成片连续分布的要素在影像中的像素占比，得到基于改进后方法提取的街道微环境特征。并将基于2种方法提取的街道微环境特征变量分别加入零膨胀负二项回归模型中，对比分析基于改进后方法提取的街道微环境特征是否对街面犯罪的空间格局具有更强的解释力。
表1 变量描述性统计

Tab. 1 Descriptive statistics of variables

变量类别 变量名 均值 标准差 最小值 最大值
因变量 街面财产犯罪/起 28.680 0 48.920 0 0 838
自变量 人口与社会
经济变量		 社会经济劣势 1.195 0 0.318 0 0.452 0 2.213 0
犯罪发生器/百个 0.815 0 1.125 0 0 18.170 0
犯罪吸引器/百个 0.050 0 0.064 5 0 0.630 0
土地利用混合度 0.761 0 0.168 0 0 0.909 0
路网密度/（km/km2） 26.560 0 9.634 0 5.213 0 66.410 0
路段长度/m 0.374 0 0.276 0 0.025 4 2.974 0
街景变量 作案目标 行人/% 0.003 6 0.005 2 0 0.107 8
行人/百人 1.466 0 1.741 0 0 16.830 0
人行道/% 0.034 8 0.022 9 0 0.158 0
建筑/% 0.197 0 0.127 0 0 0.647 0
步行适宜性 0.647 0 17.750 0 0 959.500 0
通道控制 墙面/% 0.028 8 0.035 0 0 0.382 0
栅栏/% 0.009 1 0.009 0 0 0.109 0
街道围合感 3.111 0 27.900 0 0 901.900 0
领地监视 路灯/% 0.000 3 0.000 4 0 0.006 1
路灯/百个 0.419 0 0.437 0 0 4.920 0
活动支持 树木/% 0.174 0 0.101 0 0 0.514 0
草坪/% 0.006 5 0.013 7 0 0.137 0
绿视率 4.781 0 4.908 0 0 55.010 0
需要指出的是，本文从街景影像中提取的街道微观环境特征数据是影像采集的这一时间片段的瞬时数据，因而无法真实反映行人这类动态要素在环境中的平均存在规模。然而，通过这种方式获取的街面行人数据虽然无法准确反映街面的平均人流量，但能够在一定程度上反应室外人群的相对空间分布。且与以往研究中通过人口普查数据、手机信令数据、社交媒体数据等衡量环境中潜在受害人群的方法相比，通过本文方法采集的街道尺度行人数据更能捕捉到大范围区域的室外活动人群[8]，因而更能反映街面财产犯罪的潜在受害者分布。其次，部分人行道在某些时段可能被共享单车、临时停靠机动车等占据，本文识别的是未被覆盖的人行道，比较合理地代表能通行的人行道，从机理上街面盗窃犯罪与能通行的人行道相关。此外，本文采用目标检测方法提取街景影像中路灯的存在规模，也能够获取其在研究区各路段的相对空间分布状况。由于行人、路灯在街道环境中的相对空间分布是受当地的社会经济环境、基础设施布局等的影响而成的，短时间内基本不会随时间推移而发生显著变化，所以用这种街景提取结果来解释街道环境特征与街面犯罪积累值的关系是可行的。
本研究中的街道微观环境特征变量都是在环境犯罪学理论的指导下选取的。日常活动理论和犯罪模式理论表明，某些特殊的节点（建筑）或路径（道路）因其属性或地理位置的特殊性而具有较高的访问率。这些地区集聚的大量人群为犯罪者提供了合适的犯罪目标，吸引犯罪者前往。此外，已有研究还采用步行适宜性来衡量环境中的潜在人群，因为其反映了街道空间环境对行人步行活动的支持程度。例如， Lee等[40]的研究表明，步行适宜性高的街区，可能存在较多的作案目标。为此，本文选取行人、建筑、人行道、步行适宜性4个指标反映环境中潜在受害者的存在及其规模。步行适宜性的计算公式可表示为：
W a l k _ s u i t a b i l i t y i = 1 n ∑ i = 1 n S n + 1 n ∑ i = 1 n F n 1 n ∑ i = 1 n R n
式中： S n、 F n、 R n分别表示街景影像中人行道、栅栏、道路的平均像素占比。
CPTED理论和理性选择理论认为，某些环境特征能通过给犯罪者的犯罪行为带来不便、提高犯罪者的被捕风险而抑制犯罪的发生[41]。例如，防御方面的环境元素（墙面、栅栏）限制了地区的可达性，同时也增加了犯罪者作案后逃逸的难度，从而保护墙内空间免受犯罪影响[35]；街道围合感[42]（人视野内街道两侧垂直面与水平面的比例关系）往往与行人的安全感相联系，围合感高的地方将带给行人较高的安全感，这种安全感能通过促进个体户外活动、增加居民的社区意识而降低地区犯罪风险[43]。因此本文选取墙面、栅栏、街道围合感反映环境中的通道控制水平，街道围合感的计算公式可表示为：
S e n s e _ e n c l o s e d i = 1 n ∑ i = 1 n B n + 1 n ∑ i = 1 n T n 1 n ∑ i = 1 n R n + 1 n ∑ i = 1 n S n + 1 n ∑ i = 1 n F n
式中： B n、 T n分别表示街景影像中建筑物、树木的平均像素占比。
除此之外，本研究还根据CPTED理论中涉及的领域感、自然监视、活动支持等原则，关注了街道的领地监视水平和活动支持水平，分别选取路灯，树木、草坪、绿视率来反映。已有研究表明，路灯等照明设施能有效震慑有理性的潜在犯罪者[30]。这是因为街道照明条件能在夜间影响人的视线和环境可视性，进而影响夜间人群活动和地区非正式监控水平[44]。树木、草坪等绿化空间为城市居民提供了舒适的休憩环境，能有效促进居民进行户外活动；绿视率则是通过影响人们的安全感而影响人们的户外活动强度，其计算公式可表示为：
G r e e n _ r a t e i = 1 n ∑ i = 1 n T n + 1 n ∑ i = 1 n L n
式中： L n表示街景影像中草坪的像素占比。

3.2.3 人口与社会经济数据

本文还基于日常活动理论、犯罪模式理论等犯罪学理论，选取了与犯罪相关的人口及社会经济状况指标作为控制变量。首先，为衡量路段周围地区的集中劣势和交通便利程度，纳入了2个社区尺度数据（社会经济劣势和路网密度），并通过简单平均（Sample Average, SA）[12,45]方法将它们统计到路段，即计算路段所经过社区的变量数值平均值。其中，社会经济劣势是利用第六次人口普查数据中的本科率、19~45岁年轻人口比例、流动人口比例3个指标构建而成，路网密度是通过“道道通地图”提供的路网数据计算而得。其次，为控制路段上的土地利用情况，还从“高德地图”获取餐饮、购物、住宿、生活服务、体育休闲、医疗保健等13类POI数据，用于计算犯罪发生地、犯罪吸引地和土地利用混合度（仅路段附近100 m[46]范围内的POI才被纳入分析）。基于已有研究，本文用餐饮、购物、住宿、公交车站、地铁站五类POI计算犯罪发生地[22,47-48]，这类地点因同时属于犯罪者和受害者的日常活动场所而集聚大量人群，犯罪者往往在日常活动的过程中发现犯罪机会并实施犯罪行为[49-50]；用包括酒吧、网吧、游戏厅等在内的体育休闲类POI计算犯罪吸引地，这类地点虽不一定能集聚大量人群，但却往往因现金交易频繁、监管能力较弱等特征而有益于犯罪者实施犯罪，进而吸引有动机的犯罪者前往[49-50]；用所有类别POI和调整后的赫芬达尔-赫希曼指数[8]计算土地利用混合度。此外，我们还将路段长度作为控制变量加入模型中，用于解释较长路段上较多的犯罪事件。
本文用以上街景变量及人口、社会经济控制变量作为街面财产犯罪的解释变量，探讨街面财产犯罪的影响因素。因变量与解释变量的描述性统计表如表1所示。

3.3 研究方法

本文技术流程主要包含3个部分：① 获取研究区域内的人口与社会经济数据、建成环境数据； ② 对百度街景影像分别采用2种方法（语义分割单一技术的方法、结合语义分割和目标检测2种技术的方法）进行街道层级微观建成环境特征提取； ③ 利用已经获得的社会经济变量和建成环境特征变量进行零膨胀负二项回归模型建模。本文的技术路线如图5所示。
图5 技术路线

Fig. 5 Solution flowchart

3.3.1 街道微环境与街面财产犯罪关系建模

本研究的因变量是路段上犯罪案件的数量（其中包含大量0值），且数据分布过度分散（方差大于均值），因此使用零膨胀负二项回归模型分析街道微观建成环境及人口、社会经济因素与街面犯罪之间的关系。为达到较好的拟合效果，零膨胀负二项回归模型分为2个子模型，分别是Logit模型和负二项模型（Count模型）[51]。其中Logit模型用于拟合零值出现的概率，是一个二元模型；负二项模型用于拟合其他数值，是一个计数模型[52]。零膨胀负二项回归模型可以被表示为：
P Y i = y i | x i = θ i + 1 - θ i N i y i , y i = 0 1 - θ i N i y i , y i > 0
N i y i = Γ y i + α - 1 Γ α - 1 Γ y i + 1 1 1 + α η i α - 1 α η i 1 + α η i y i
η i = β 1 T a r g e t s + β 2 C o n t r o l + β 3 M o n i t o r + β 4 A c t i v i t i e s + β 5 S c i o - e c o
式中： N i y i表示负二项回归模型； θ i表示Logit模型； y i表示街面犯罪事件数量； α是度量过度分散的参数；Targets、Control、Monitor、Activities分别表示街景变量中作案目标、通道控制、领地监视、活动支持四类环境特征，Scio-eco表示人口与社会经济控制变量， β i是各自变量回归系数。Logit模型可以表示为：
θ i = λ i 1 + λ i
λ i = β ' 1 T a r g e t s + β ' 2 C o n t r o l + β ' 3 M o n i t o r + β ' 4 A c t i v i t i e s + β ' 5 S c i o - e c o
式中： β ' i是各自变量回归系数。

3.3.2 街道微环境元素提取

3.3.2.1 语义分割

语义分割技术根据影像中像素的颜色、分布和物体的形状等信息对每一个像素进行分类[12]，再根据语义类别对整幅影像进行分割，如图6(a)所示。本文通过Zhao等[53]提出的Pyramid Scene Parsing Network (PSPNet) 深度学习网络对街景影像进行语义分割（其对地物对象的检测精度达到80% 以上[53]），进而通过式（9）计算每条路段上各类环境元素（包括人行道、建筑、墙面等）的平均像素占比：
A v e r a g e _ p r o p o r t i o n = ∑ i = 1 n ∑ j = 1 4 I m a g e x _ i j ∑ i = 1 n ∑ j = 1 4 I m a g e t _ i j
式中：i表示某条路段上的第i个采样点；n表示该条路段上的采样点总数；j表示每个采样点上第j张街景影像； I m a g e x _ i j表示路段上第i个采样点的第j张影像中第x种环境元素的像素数量； I m a g e t _ i j表示这张影像中总的像素数量。
图6 基于深度学习的街道微环境量化

Fig. 6 Street microenvironment quantification based on deep learning

3.3.2.2 目标检测

使用目标检测技术能获得影像中出现的每个地物对象的预测类别，以及该预测类别的可信度（大于0.5为有效预测类别），如图6(b)所示。在城市环境研究中，目标检测技术常用于从街景影像中提取电线杆[36]、交通标志[38]等形状固定、离散分布的地物对象，并被证明具有较好的提取效果。本文为了达到较好的提取效果，使用先进的深度学习网络Faster R-CNN network进行目标检测，对行人、路灯等形状固定、离散分布的环境要素的检测精度能达到93%[54]以上。本文在获得提取结果后，进而根据式（10）计算每条路段上每类环境元素（如街面行人、路灯）的数量。
T o t a l _ n u m b e r = ∑ i = 1 n ∑ j = 1 4 I m a g e _ c o u n t x _ i j
式中： I m a g e _ c o u n t x _ i j表示路段上第i个采样点的第j张影像中第x种环境元素的频数。

4 结果及分析

在构建模型之前，采用方差膨胀系数（VIF）检查解释变量之间的多重共线性问题。结果表明，所有解释变量的VIF值均远低于10，且变量之间的VIF平均值为2.30，说明解释变量之间不存在显著的多重共线性问题。为比较各个解释变量对因变量的影响程度，本文对所有解释变量进行了标准化处理，并利用Stata软件构建了2个模型：模型1中包含的街景变量是采用语义分割单一技术提取的，模型2中包含的街景变量是结合使用语义分割技术和目标检测技术提取的，2个模型的结果如表2所示。为对比通过以上2种方式提取的街道微环境特征，哪种对街面财产犯罪的空间格局具有更强的解释力，本研究在模型结果中还输出了伪R2、最大似然比(MLL)、赤池信息准则(AIC)，并计算了模型2相对于模型1的伪R2的提升度；为了观察自变量对因变量的影响方向及程度，还在模型结果中展示了自变量的估计系数（Coef.）和优势比（Odds Ratios, OR）。此外，还通过Vuong检验，检验了模型对于本研究的适用性。检验结果表明，零膨胀负二项回归模型比标准负二项回归模型更适用于本研究（零膨胀负二项回归模型的Z统计量显著为正）。
表2 模型1和模型2的结果

Tab. 2 The results of model 1 and model 2

变量 街面财产犯罪
仅包含比例变量 (Model 1) 包含计数变量 (Model 2)
Count模型 Logit模型 Count模型 Logit模型
Coef. OR Coef. OR Coef. OR Coef. OR
控制变量 社会经济劣势 0.15*** 1.16 -0.03 0.97 0.14*** 1.16 0.09 1.09
犯罪发生器 0.63*** 1.89 -4.97*** 0.01 0.48*** 1.61 -2.20** 0.11
犯罪吸引器 0.10*** 1.10 -0.83 0.44 0.09*** 1.09 -0.46 0.63
POI混合度 0.44*** 1.55 -0.19 0.82 0.40*** 1.49 -0.15 0.86
路网密度 0.13*** 1.14 -0.05 0.95 0.14*** 1.15 --0.02 0.98
路段长度 0.39*** 1.47 -3.68*** 0.03 0.27*** 1.30 -1.81*** 0.16
街景变量 街面行人 0.09*** 1.10 -0.43 0.65 0.32*** 1.37 -7.63*** 0.00
人行道 -0.07*** 0.93 0.00 1.00 -0.10*** 0.90 0.09 1.09
建筑 -0.05 0.96 -0.60*** 0.55 -0.09*** 0.91 -0.25 0.78
步行适宜性 -0.19 0.83 1.23 3.44 -0.09 0.91 0.57 1.76
墙面 -0.10*** 0.90 0.00 1.00 -0.08*** 0.93 0.05 1.05
栅栏 0.01 1.01 -0.00 0.99 0.00 1.00 0.04 1.04
街道围合感 -0.03 0.97 0.01 1.01 -0.03 0.97 0.06 1.06
路灯 0.02 1.02 0.15 1.17 0.02 1.02 0.61 1.84
树木 -0.05 0.96 -0.55*** 0.58 -0.07 0.93 -0.06 0.95
草坪 -0.13*** 0.88 0.15 1.17 -0.10*** 0.91 0.19** 1.21
绿视率 -0.07 0.93 1.44*** 4.22 -0.07 0.93 0.37 1.45
常数项 2.93*** 18.82 -7.20*** 0.00 2.94*** 18.89 -9.04*** 0.00
伪R2 0.085 0.091
最大似然比 (MLL) -11 281.626 -11 207.307
赤池信息准则 (AIC) 22 637.251 22 488.614
伪R2的提升比例 7.058%

注： ** 表示p < 0.05, *** 表示p < 0.01。

4.1 模型拟合度比较

从模型拟合度参数来看，模型2的伪R2大于模型1，MLL、AIC值小于模型1，且相比于模型1，模型2的伪R2提升了7.058%，表明模型2的拟合效果优于模型1。这说明，结合使用语义分割和目标检测两种技术提取的街道微环境特征对街面财产犯罪的空间格局具有更强的解释力。也就是说，在借助街景影像对复杂的街道空间环境进行度量时，应根据街道环境要素的不同表现形式选择合适的提取方法。因此主要对模型2的结果进行分析。

4.2 最优模型结果分析

本文首先分析作案目标这一街道微环境特征对街面财产犯罪的影响。模型2的变量估计系数中，街面行人的估计系数显著为正（Count模型 β=0.32，P<0.01），且绝对数值大小居于第三位，与模型1中街面行人估计系数的排名（第十位）和绝对数值（Count模型β=0.09）相比，估计系数提升了0.23（即0.32-0.09），绝对数值大小排序提升了7个位置。这说明街面行人变量所反映的街面人群规模与街面财产犯罪间存在较稳定的显著正向关系，街面行人越多，路段遭受街面财产犯罪的可能性越高，且对街面行人进行计数获得的街面人群规模更能影响街面财产犯罪的发生。人行道、建筑与街面财产犯罪间均呈现显著负向关系，步行适宜性与街面财产犯罪的关系不显著。以上结果表明，街面行人越多的地方，合适的扒窃和街面盗窃的犯罪目标越多，相应的也更能吸引更多的犯罪者，进而导致更高的犯罪风险，且通过计数方式度量的街面行人数量更能解释街面财产犯罪的发生与空间格局；人行道、建筑在环境中的主要作用并不是为街面财产犯罪提供更多的潜在受害人群，而是通过某种方式抑制犯罪的发生。
从通道控制这一环境特征的模型结果来看，墙面与街面财产犯罪存在显著负向关系（Count模型β=-0.08，P<0.01），栅栏等其他变量与街面财产犯罪间的关系不具有统计学上的显著性。这说明栅栏在街面微环境中并没有起到明显的控制犯罪的作用，而墙面所带来的视觉和物理阻隔能抑制街面盗窃、扒窃、抢夺等街面财产犯罪的发生。
从领地监视这一环境特征的模型结果来看，通过路灯所反映的街道照明条件与街面财产犯罪之间的关系不显著。这说明，在白天，路灯所反映的领地监视作用并不理想，路灯在街道环境中并不能通过显著影响人类活动而影响街面财产犯罪的发生。
环境中活动支持水平对街面财产犯罪的影响与预期的一致。树木、草坪、绿视率均与街面财产犯罪之间存在负向关系，且这些负向关系均具有统计学上的显著性（绿视率与街面财产犯罪间的负向关系除外）。以树木为例，街道上树木的平均像素占比每增加一个标准差，街面财产犯罪减少7%。这说明，城市中的绿化空间能够增强城市居民的户外活动强度，且由此产生的非正式监控作用能显著抑制犯罪的发生。
从零膨胀负二项回归模型的Logit模型结果来看，街面行人的估计系数显著为负（模型2：Logit模型β=-7.63，P<0.01），说明街面人群规模越大，越不可能免于遭受街面财产犯罪的影响。这可以理解为街面人群规模越大，合适的街面盗窃、扒窃作案目标越多，提供给犯罪者的犯罪机会也越多，因而犯罪案件为0的概率越小。草坪的估计系数为正（Logit模型β=0.19， P<0.05），说明草坪越多，越不易于遭受街面财产犯罪。
从Count模型结果中控制变量估计系数来看，社会经济劣势、犯罪发生器、犯罪吸引器、POI混合度、路网密度、路段长度与街面财产犯罪均存在显著的正向关系。且Logit模型结果指示，犯罪发生器越多、路段长度越长，越容易遭受街面财产犯罪的影响。

5 结论与讨论

本文基于日常活动理论、犯罪模式理论、CPTED等理论，利用深度学习方法从街景影像中提取与犯罪相关的街道微环境特征，并将其划分为作案目标、通道控制、领地监视、活动支持4个维度，研究它们与街面财产犯罪之间的关系。已有的相关研究通常只采用语义分割单一技术从街景影像中提取街道环境特征，低估了影像中行人、路灯等形状固定且离散分布的环境要素对街面犯罪活动的影响。部分研究者考虑到这一问题，提出应该结合使用语义分割和目标检测两种技术提取复杂的街道环境特征。但哪种方法提取的街道环境要素更能有效解释街面犯罪的格局，现有文献还未进行研究。本文对此进行了比较研究，研究结果具体如下：
（1）与采用语义分割单一技术提取的街道微环境特征相比，加入了结合使用语义分割和目标检测两种技术提取的街道微环境特征之后，模型表现更好，模型的伪R2提升了7%。尤其是对于街面行人而言，采用目标检测方法对街面行人进行计数，比采用语义分割方法提取行人的像素占比更能有效反映路段上的行人规模，其与街面财产犯罪的关联性更强，其回归系数从0.09提升到0.32，其回归系数绝对值排序从第十位提升至第三位。这可能是因为，采用语义分割方法提取街面行人在影像中的像素占比时，其提取结果将随行人距影像拍摄点远近不同而发生显著变化[55]。因而采用目标检测方法从街景影像中识别行人，并对其进行计数，更能有效反映路段上的行人规模，进而提升其对街面犯罪的解释。
（2）基于街景影像提取的街道微环境特征能有效解释街面财产犯罪的发生，其中作案目标、活动支持两个维度的街道微环境特征对街面财产犯罪都有显著影响。例如，街面行人规模与扒窃和街面盗窃犯罪存在显著的正相关关系，这说明行人越多的地方，合适的作案目标越多，扒窃和街面盗窃的潜在受害者也越多。犯罪机会的增加导致这类地区更容易发生街面财产犯罪[48,56]。这与本文的理论假设一致。具体而言，扒窃、街面盗窃这2种街面财产犯罪是一种具有“隐蔽性”的犯罪类型，理性的侵财型犯罪者为了减少被捕的风险，倾向于选择在人员密集的地区进行犯罪。因为密集的人群不仅能为犯罪者提供大量犯罪机会，还能够为犯罪者的犯罪行为提供掩护[8]。
（3）本研究还表明，人行道占比、建筑占比与街面财产犯罪存在显著的负相关关系，这与Hipp等[12]的研究结论相反，但与Yue等[8]的研究结论一致。事实上，研究者们对于人行道与犯罪间的关系，一直存在争议：第一种观点认为有道路的地方往往有较多的步行活动，由此而来的较高的自然监视作用能显著抑制犯罪的发生[57]；另一种观点认为，道路上的行人为街面盗窃、扒窃等街面犯罪提供了潜在的犯罪目标，进而导致了更多的街面犯罪[45]。本文的研究结果支持了第一种观点。人行道为附近居民的步行和社会交往活动提供了便利，根据集体效能理论[58]，邻里之间的互动能增强居民的领地感和归属感，使得居民更有意愿去发现和制止潜在的或正在发生的犯罪行为。本文从街景影像中识别的建筑主要为临街建筑，建筑物占比高的地区大多为写字楼、政府办公楼等高楼林立的地方，一方面这些建筑周边安保措施较为齐全，能对潜在的犯罪者形成震慑作用；另一方面，这些地区步行友好度较差，人们在这些地方通行或驻留的意愿较低，因此作案目标较少。因为这些原因，建筑物占比高的地区，街面财产犯罪发案率较低。
综上所述，本研究表明在利用街景影像对复杂的街道空间环境特征进行系统化度量时，应根据要素在影像中的不同表现形式选择合适的提取方法，这为以后更精准的街面犯罪环境影响机制研究提供了数据支撑。同时本文也存在一些局限：① 街景影像拍摄于某个时间片段，因此无法反映行人、车辆等动态要素在环境中的平均存在规模，以后的研究中可以结合其他大数据实现更准确度量，从而更全面地了解街面犯罪与街道环境之间的关系；② 街景影像拍摄于白天，反映的是白天的行人、车辆和街道微观环境特征，因此本文仅利用其研究了主要发生于白天的街面财产犯罪的环境影响因素。未来的研究可以考虑结合夜间灯光等其他数据，探索夜间的街面犯罪的影响因素；③ 本研究仅提取了街景影像中可见的物理环境特征，未来的研究可以考虑建立情感感知预测模型，实现对安全感、领地感等与犯罪相关的街道空间情感感知特征的度量。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
单勇, 阮重骏. 城市街面犯罪的聚集分布与空间防控——基于地理信息系统的犯罪制图分析[J]. 法制与社会发展, 2013, 19(6):88-100.

[ Shan Y, Ruan C Z. Aggregation, distribution and spatial prevention and control of urban street crimes—Analysis of crime mapping based on geographic information system[J]. Law and Social Development, 2013, 19(6):88-100.]

[2]
张丽英, 裴韬, 陈宜金, 等. 基于街景图像的城市环境评价研究综述[J]. 地球信息科学学报, 2019, 21(1):46-58.

DOI

[ Zhang L Y, Pei T, Chen Y J, et al. A review of urban environmental assessment based on street view images[J]. Journal of Geo-information Science, 2019, 21(1):46-58.]

[3]
叶宇, 戴晓玲. 新技术与新数据条件下的空间感知与设计运用可能[J]. 时代建筑, 2017(5):6-13.

[Ye Y, Dai X L. Spatial perception and design potentials in the context of new analytical techniques and new data[J]. Time + Architecture, 2017(5):6-13.] DOI:10.13717/j.cnki.ta.2017.05.003

DOI

[4]
Zhanjun H, Wang Z, Xie Z, et al. Multiscale analysis of the influence of street built environment on crime occurrence using street-view images[J]. Computers, Environment and Urban Systems, 2022, 97:101865. DOI:10.1016/j.compenvurbsys.2022.101865

DOI

[5]
张旭, 柳林, 周翰林, 等. 基于贝叶斯逻辑回归模型研究百度街景图像微观建成环境因素对街面犯罪的影响[J]. 地球信息科学学报, 2022, 24(8):1488-1501.

DOI

[ Zhang X, Liu L, Zhou H L, et al. Using Baidu street view images to assess impacts of micro-built environment factors on street crimes: A Bayesian logistic regression approach[J]. Journal of Geo-Information Science, 2022, 24(8):1488-1501.]

[6]
Jing F R, Liu L, Zhou S H, et al. Assessing the impact of street-view greenery on fear of neighborhood crime in Guangzhou, China[J]. International Journal of Environmental Research and Public Health, 2021, 18(1):311. DOI:10.3390/ijerph18010311

DOI

[7]
Xie H F, Liu L, Yue H. Modeling the effect of streetscape environment on crime using street view images and interpretable machine-learning technique[J]. International Journal of Environmental Research and Public Health, 2022, 19(21):13833. DOI:10.3390/ijerph192113833

DOI

[8]
Yue H, Xie H F, Liu L, et al. Detecting people on the street and the streetscape physical environment from Baidu street view images and their effects on community-level street crime in a Chinese city[J]. ISPRS International Journal of Geo-Information, 2022, 11(3):151. DOI: 10.3390/ijgi11030151

DOI

[9]
Cozens P M, Saville G, Hillier D. Crime prevention through environmental design (CPTED): A review and modern bibliography[J]. Property Management, 2005, 23(5):328-356. DOI:10.1108/02637470510631483

DOI

[10]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4):588-608. DOI:10.2307/2094589

DOI

[11]
柳林, 陈德宝, 徐冲, 等. 入室盗窃临近重复案件与孤立案件分布的影响因素对比研究[J]. 地理科学, 2021, 41(9):1625-1633.

DOI

[Liu L, Chen D B, Xu C, et al. Comparative study on the influencing factors of the distribution of near repeat cases and isolate cases of burglary[J]. Scientia Geographica Sinica, 2021, 41(9):1625-1633.] DOI:10.13249/j.cnki.sgs.2021.09.014

DOI

[12]
Hipp J R, Lee S, Ki D, et al. Measuring the built environment with google street view and machine learning: Consequences for crime on street segments[J]. Journal of Quantitative Criminology, 2022, 38(3):537-565. DOI: 10.1007/s10940-021-09506-9

DOI

[13]
Davies T, Johnson S D. Examining the relationship between road structure and burglary risk via quantitative network analysis[J]. Journal of Quantitative Criminology, 2015, 31(3):481-507. DOI:10.1007/s10940-014-9235-4

DOI

[14]
MacDonald J E, Gifford R. Territorial cues and defensible space theory: The burglar’s point of view[J]. Journal of Environmental Psychology, 1989, 9(3):193-205. DOI: 10.1016/S0272-4944(89)80034-9

DOI

[15]
Browning C R, Jackson A L. The social ecology of public space: Active streets and violent crime in urban neighborhoods[J]. Criminology: an Interdisciplinary Journal, 2013, 51(4):1009-1043. DOI:10.1111/1745-9125.12026

DOI

[16]
张延吉, 林钦熙, 朱春武, 等. 可渗透性环境对盗窃犯罪分布的影响及社会解组的调节作用——兼论街道眼理论与防卫空间理论的适用性[J]. 地理科学进展, 2022, 41(6):1041-1052.

DOI

[Zhang Y J, Lin Q X, Zhu C W, et al. The influence of permeable built environment on theft crime pattern and the moderation effects of social disorganization: Applicability of street eyes and defensible place theories[J]. Progress in Geography, 2022, 41(6):1041-1052.] DOI:10.18306/dlkxjz.2022.06.008

DOI

[17]
Cozens P M. Urban planning and environmental criminology: Towards a new perspective for safer cities[J]. Planning Practice & Research, 2011, 26(4):481-508. DOI: 10.1080/02697459.2011.582357

DOI

[18]
柳林, 孙秋远, 肖露子, 等. 涉毒人员日常活动对盗窃警情空间格局影响的时间差异[J]. 地球信息科学学报, 2021, 23(12):2187-2200.

DOI

[ Liu L, Sun Q Y, Xiao L Z, et al. The temporal influence difference of drug-related personnels' routine activity on the spatial pattern of theft[J]. Journal of Geo-Information Science, 2021, 23(12):2187-2200.]

[19]
Jacobs J. The death and life of great American Cities[M]. [New York]: Random House, 1961.

[20]
Jacobs J. Community on the city streets[M]. New York, NY, USA: Harper & Row, 1968.

[21]
Groff E R. Informal social control and crime events[J]. Journal of Contemporary Criminal Justice, 2015, 31(1):90-106. DOI:10.1177/1043986214552619

DOI

[22]
Long D P, Liu L, Xu M, et al. Ambient population and surveillance cameras: The guardianship role in street robbers' crime location choice[J]. Cities, 2021, 115:103223. DOI:10.1016/j.cities.2021.103223

DOI

[23]
刘歆懿, 毛媛媛, 孙溢, 等. 盗窃案件高发居住区的绿化环境特征初探[J]. 江苏建筑, 2019(S1):140-144.

[Liu X Y, Mao Y Y, Sun Y, et al. Preliminary study on the characteristics of greening environment in high-theft-cases residential areas[J]. Jiangsu Construction, 2019(S1):140-144.] DOI:10.3969/j.issn.1005-6270.2019.z1.035

DOI

[24]
张艺鸽, 杨芳绒, 王梦瑶. 基于CPTED理论和空间句法的城市公园犯罪防控分析——以郑州市人民公园、紫荆山公园为例[J]. 西南大学学报(自然科学版), 2022, 44(1):202-212.

[Zhang Y G, Yang F R, Wang M Y. Investigation of urban park crime prevention based on CPTED theory and space syntax—Taking people’s park and zijingshan park in Zhengzhou as examples[J]. Journal of Southwest University (Natural Science Edition), 2022, 44(1):202-212.] DOI:10.13718/j.cnki.xdzk.2022.01.019

DOI

[25]
Deng M Y, Yang W, Chen C, et al. Exploring associations between streetscape factors and crime behaviors using Google Street View images[J]. Frontiers of Computer Science, 2022, 16(4):164316. DOI:10.1007/s11704-020-0007-z.

DOI

[26]
Sytsma V A, Connealy N, Piza E L. Environmental predictors of a drug offender crime script: A systematic social observation of google street view images and CCTV footage[J]. Crime & Delinquency, 2021, 67(1):27-57. DOI:10.1177/0011128720910961

DOI

[27]
Lee H K, Kim J B. A study of factor analysis affecting major crimes by using R program[J]. International Journal of Advanced Science and Technology, 2018, 111:85-96. DOI:10.14257/ijast.2018.111.08

DOI

[28]
Xu Y P, Fu C, Kennedy E, et al. The impact of street lights on spatial-temporal patterns of crime in Detroit, Michigan[J]. Cities, 2018, 79:45-52. DOI:10.1016/j.cities.2018.02.021

DOI

[29]
柳林, 姜超, 李璐. 警用视频监控的犯罪防控效果及空间差异——以苏州市姑苏区为例[J]. 地理科学, 2019, 39(1):61-69.

DOI

[Liu L, Jiang C, Li L. The effects of police CCTV camera on crime: A case study from Gusu district in Suzhou, China[J]. Scientia Geographica Sinica, 2019, 39(1):61-69.] DOI:10.13249/j.cnki.sgs.2019.01.007

DOI

[30]
Chalfin A, Hansen B, Lerner J, et al. Reducing crime through environmental design: Evidence from a randomized experiment of street lighting in New York city[J]. Journal of Quantitative Criminology, 2022, 38(1):127-157. DOI:10.1007/s10940-020-09490-6

DOI

[31]
Terri J, Pikora MPH, et al. Developing a reliable audit instrument to measure the physical environment for physical activity[J]. American Journal of Preventive Medicine, 2002, 23(3):187-194. DOI:10.1016/S0749-3797(02)00498-1

DOI PMID

[32]
Zhou H L, Liu L, Lan M X, et al. Using Google Street View imagery to capture micro built environment characteristics in drug places, compared with street robbery[J]. Computers, Environment and Urban Systems, 2021, 88:101631. DOI:10.1016/j.compenvurbsys.2021.101631

DOI

[33]
曾敏玲, 毛媛媛, 黄伟. 街道网络结构与街道两抢一盗犯罪关系研究——基于空间句法的视角[J]. 城市发展研究, 2014, 21(7):56-63.

[Zeng M L, Mao Y Y, Huang W. Study of the relationship between street network structure and robbery, snatch and theft cases in street: Basing on the method of space syntax[J]. Urban Development Studies, 2014, 21(7):56-63.] DOI:10.3969/j.issn.1006-3862.2014.07.008

DOI

[34]
Du Y K, Law J. How do vegetation density and transportation network density affect crime across an urban central-peripheral gradient? A case study in Kitchener—Waterloo, Ontario[J]. ISPRS International Journal of Geo-Information, 2016, 5(7):118. DOI:10.3390/ijgi5070118

DOI

[35]
Lee I, Jung S, Lee J, et al. Street crime prediction model based on the physical characteristics of a streetscape: Analysis of streets in low-rise housing areas in South Korea[J]. Environment and Planning B: Urban Analytics and City Science, 2019, 46(5):862-879. DOI:10.1177/239980 8317735105

DOI

[36]
Zhang W X, Witharana C, Li W D, et al. Using deep learning to identify utility poles with crossarms and estimate their locations from google street view images[J]. Sensors (Basel, Switzerland), 2018, 18(8):2484. DOI: 10.3390/s18082484

DOI

[37]
Amiruzzaman M, Curtis A, Zhao Y, et al. Classifying crime places by neighborhood visual appearance and police geonarratives: A machine learning approach[J]. Journal of Computational Social Science, 2021, 4(2):813-837. DOI:10.1007/s42001-021-00107-x

DOI

[38]
Campbell A, Both A, Sun Q C. Detecting and mapping traffic signs from Google Street View images using deep learning and GIS[J]. Computers, Environment and Urban Systems, 2019, 77:101350. DOI:10.1016/j.compenvurbsys.2019.101350

DOI

[39]
Khorshidi S, Carter J, Mohler G, et al. Explaining crime diversity with google street view[J]. Journal of Quantitative Criminology, 2021, 37(2):361-391. DOI:10.1007/s10 940-021-09500-1

DOI

[40]
Lee N, Contreras C. Neighborhood walkability and crime: Does the relationship vary by crime type?[J]. Environment and Behavior, 2021, 53(7):753-786. DOI:10.1177/0013916520921843

DOI

[41]
Newman O. Defensible space[M]. Macmillan New York, 1972.

[42]
Ma X Y, Ma C Y, Wu C, et al. Measuring human perceptions of streetscapes to better inform urban renewal: A perspective of scene semantic parsing[J]. Cities, 2021, 110:103086. DOI:10.1016/j.cities.2020.103086

DOI

[43]
Naik N, Philipoom J, Raskar R, et al. Streetscore: predicting the perceived safety of one million streetscapes[C]// 2014 IEEE Conference on Computer Vision and Pattern Recognition Workshops. IEEE, 2014:793-799. DOI: 10.1109/CVPRW.2014.121

DOI

[44]
Mao Y Y, Yin L, Zeng M L, et al. Review of empirical studies on relationship between street environment and crime[J]. Journal of Planning Literature, 2021, 36(2):187-202. DOI:10.1177/0885412221992280

DOI

[45]
Kim Y A, Hipp J R. Pathways: Examining street network configurations, structural characteristics and spatial crime patterns in street segments[J]. Journal of Quantitative Criminology, 2020, 36(4):725-752. DOI:10.1007/s10940-019-09428-7

DOI

[46]
Summers L, Johnson S D. Does the configuration of the street network influence where outdoor serious violence takes place? Using space syntax to test crime pattern theory[J]. Journal of Quantitative Criminology, 2017, 33(2):397-420. DOI:10.1007/s10940-016-9306-9

DOI

[47]
Kurland J, Johnson S D, Tilley N. Offenses around stadiums: A natural experiment on crime attraction and generation[J]. Journal of Research in Crime and Delinquency, 2014, 51(1):5-28. DOI:10.1177/0022427812471349

DOI

[48]
Song G W, Liu L, Bernasco W, et al. Testing indicators of risk populations for theft from the person across space and time: The significance of mobility and outdoor activity[J]. Annals of the American Association of Geographers, 2018, 108(5):1370-1388. DOI:10.1080/24694452.2017.1414580

DOI

[49]
Kinney J B, Brantingham P L, Wuschke K, et al. Crime attractors, generators and detractors: Land use and urban crime opportunities[J]. Built Environment, 2008, 34(1):62-74. DOI:10.2148/benv.34.1.62

DOI

[50]
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[J]. 地理科学进展, 2020, 39(5):815-828.

DOI

[ Long D P, Liu L, Chen J G, et al. Impact of prior crime experiences of street robbers on subsequent crime location choices[J]. Progress in Geography, 2020, 39(5):815-828.]

DOI

[51]
Yue H, Zhu X Y, Ye X Y, et al. Modelling the effects of street permeability on burglary in Wuhan, China[J]. Applied Geography, 2018, 98:177-183. DOI:10.1016/j.apgeog.2018.06.005

DOI

[52]
Abdelbaseer A, Mohamed, David S. The influence of street network configuration on sexual harassment patterns in Cairo[J]. Cities, 2020, 98:102583. DOI:10.1016/j.cities.2019.102583

DOI

[53]
Zhao H S, Shi J P, Qi X J, et al. Pyramid scene parsing network[C]// 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2017:6230-6239. DOI:10.1109/CVPR.2017.660

DOI

[54]
Pereira J C, Arthur R, Libório L A. Utility pole detector for inspection of power distribution networks using faster R-CNN[M]// Proceedings of the 7th Brazilian Technology Symposium (BTSym’21). Cham: Springer International Publishing, 2022:370-377. DOI:10.1007/978-3-031-04435-9_37

DOI

[55]
Kim J H, Lee S, Hipp J R, et al. Decoding urban landscapes: Google street view and measurement sensitivity[J]. Computers, Environment and Urban Systems, 2021, 88:101626. DOI:10.1016/j.compenvurbsys.2021.101626

DOI

[56]
刘大千, 修春亮, 宋伟. 基于因子分析的长春市犯罪分区研究[J]. 人文地理, 2015, 30(5):38-42,64.

[Liu D Q, Xiu C L, Song W. Research on classification of crimes in Changchun using factor analysis[J]. Human Geography, 2015, 30(5):38-42,64.] DOI:10.13959/j.issn.1003-2398.2015.05.006

DOI

[57]
Yue H, Zhu X Y. The influence of urban built environment on residential burglary in China: Testing the encounter and enclosure hypotheses[J]. Criminology & Criminal Justice, 2021, 21(4):508-528. DOI:10.1177/17488958198 74868

DOI

[58]
Sampson R J, Raudenbush S W, Earls F. Neighborhoods and violent crime: A multilevel study of collective efficacy[J]. Science (New York, N Y), 1997, 277(5328):918-924. DOI:10.1126/science.277.5328.918

DOI

Options
文章导航

/

〈 〉