EN中文

地球信息科学学报 >

2023 , Vol. 25 >Issue 11: 2178 - 2190

DOI: https://doi.org/10.12082/dqxxkx.2023.230264

地球信息科学理论与方法

基于路径模拟和空间句法的封闭式非门禁居住小区犯罪人逃逸行为研究

  • 朱佳波 , 1 ,
  • 王益 , 2, 3, * ,
  • 张拾斤 1 ,
  • 陈家亮 1 ,
  • 杨璐 1
展开
  • 1.合肥工业大学土木与水利工程学院，合肥 230009
  • 2.合肥工业大学建筑与艺术学院，合肥 230009
  • 3.中国-葡萄牙文化遗产保护科学“一带一路”联合实验室，苏州 215006
*王益（1981— ），男，安徽池州人，博士，副教授，主要研究方向为城市安全与犯罪地理。E-mail: 。

朱佳波（1998— ），男，浙江绍兴人，硕士生，主要研究方向为城市安全与疏散管理。E-mail: 。

收稿日期: 2023-05-13

  修回日期: 2023-06-20

  网络出版日期: 2023-11-02

基金资助

国家重点研发计划项目(2021YFE0200100)

2021年度江苏省政策引导类计划(BZ2021015)

中国犯罪学学会2022年度研究重点课题(FZXXH2022B03)

安徽省社会科学创新发展研究课题(2020CX033)

收起

Research on the Escape Behavior of Criminals in Closed Non-gated Communities Based on Path Simulation and Space Syntax

  • ZHU Jiabo , 1 ,
  • WANG Yi , 2, 3, * ,
  • ZHANG Shijin 1 ,
  • CHEN Jialiang 1 ,
  • YANG Lu 1
Expand
  • 1. College of Civil Engineering, Hefei University of Technology, Hefei 230009, China
  • 2. College of Architecture & Art, Hefei University of Technology, Hefei 230009, China
  • 3. China-Portugal Joint Laboratory of Cultural Heritage Conservation Science, Soochow University, Suzhou 215006, China
*WANG Yi, E-mail:

Received date: 2023-05-13

  Revised date: 2023-06-20

  Online published: 2023-11-02

Supported by

National Key Research and Development Program of China(2021YFE0200100)

2021 Policy Directed Programs of Jiangsu Province(BZ2021015)

Research Priorities for the Chinese Society of Criminology in 2022(FZXXH2022B03)

Research Topics for the Innovative Development of Social Sciences in Anhui Province(2020CX033)

Fold

摘要

犯罪人的犯罪出行行为研究有助于更好地理解犯罪发生的机理。目前已有的研究大多集中于犯罪前出行行为，缺少有关犯罪后出行，即犯罪逃逸行为的研究。本文聚焦于封闭式非门禁居住小区的犯罪人逃逸行为，提出一种通过微观路径模拟结合宏观空间分析的犯罪逃逸行为研究方法。方法首先通过模拟重建犯罪逃逸路径解决研究数据匮乏的问题，具体为基于理性选择理论构建逃逸路径选择函数，采用赋值网格地图量化小区空间环境，使用改进蚁群算法在赋值网格地图上迭代模拟得到路径数据;然后通过空间句法理论解构小区空间在拓扑深度和视域集成度上的空间特征;最后综合犯罪逃逸路径数据和小区空间特征探究犯罪人逃逸行为规律。研究针以Z市5个典型居住小区的外来人员夜间单次盗窃案件为研究对象进行了实证研究，结果表明：犯罪人的逃逸距离有明显的距离衰减特性，并呈现两端衰减;逃逸距离与出入口数量负关联;犯罪人逃逸时会规避视域集成度高的区域且路径轨迹符合空间拓扑规则。研究结论为居住小区的规划布局或建设改造提供了一定的参考，居住小区需重视出入口的规划布局，根据空间位置合理分配犯罪防控资源以及将景观环境设计与小区安全相结合。

关键词： 犯罪出行; 居住小区; 犯罪逃逸; 理性选择理论; 路径模拟; 蚁群算法; 空间句法; 距离衰减

本文引用格式

朱佳波 , 王益 , 张拾斤 , 陈家亮 , 杨璐 . 基于路径模拟和空间句法的封闭式非门禁居住小区犯罪人逃逸行为研究[J]. 地球信息科学学报, 2023 , 25(11) : 2178 -2190 . DOI: 10.12082/dqxxkx.2023.230264

Abstract

Studying the journey-to-crime contributes to a better understanding of the mechanisms behind crime occurrence. However, existing research has primarily focused on pre-crime travel behavior, lacking sufficient investigation into post-crime travel, specifically criminal escape behavior. This paper focuses on the escape behavior of criminals in closed non-gated communities and proposes a research methodology that combines micro-level path simulation with macro-level spatial analysis to study criminal escape behavior. The method begins by addressing the problem of limited research data through the simulation-based reconstruction of criminal escape paths. Specifically, it involves constructing an escape path selection function based on rational choice theory, quantifying the spatial environment of the community using an assignment grid map, and iteratively simulating path data using an improved ant colony algorithm on the assignment grid map. Next, the method employs spatial syntax theory to deconstruct the spatial characteristics of the community in terms of topological depth and visual integration. Finally, by integrating the criminal escape path data with the spatial characteristics of the community, the spatial logic of criminal escape behavior is explored. The study conducted an empirical research focusing on night theft cases committed by outsiders in five typical communities in Z city, and the results show that: (1) Criminals' escape distances displayed a clear distance decay characteristic, and it also shows the decay effect at both ends; (2) The unique built environment and spatial structure of the community significantly affect the criminal behavior. Communities with too many entrances and exits tend to have shorter escape distances for criminals; (3)Criminals will avoid places with high visual integration and look for more concealed spaces to escape; (4) Criminal escape behaviors conform to the rules of space topology, that is, they will choose spaces with small topological depths to escape and follow the descending path of topological depths escape. The research findings provide a reference for the planning and construction transformation of communities. For example, communities should: emphasize the layout of entrances and exits, providing convenience for residents while minimizing the number of entry and exit points; strengthen the management of areas with a moderate distance from entrances and exits, and allocate more crime prevention and control resources in this area, such as increasing security patrols; integrate landscape design with community safety considerations, such as limiting the planting of shrubs that may obstruct pedestrians' sightlines, thus increasing the visual integration of community space.

Key words： journey-to-crime; community; criminal escape; rational choice theory; path simulation; ant colony algorithm; space syntax; distance decay

1 引言

犯罪人及其行为的互动机制是犯罪地理研究的重要内容[1]。随着地理学的不断发展，近年来中国犯罪地理学领域有关犯罪人行为的研究成果丰富，研究内容涉及犯罪人行为的时空倾向及其影响因素[1⇓⇓-4]，犯罪人出行行为[5-6]，犯罪人行为预测[7-8]等。其中犯罪人出行行为是研究的一大热点，相关研究主要集中于犯罪人出行模式以及出行影响因素。在犯罪人出行模式方面，通过实证研究国外的学者已经识别出具有距离衰减效应的就近掠夺[9]和存在缓冲距离的外出犯罪[10]两种空间模式。张超鹏等[5]以中国X市入室盗窃案为研究对象，同样发现了不同频次距离下的距离衰减效应。赵梓渝等[6]通过对长春市南关区的研究，证实了在中国2种犯罪出行空间模式的适用性。在犯罪者出行影响因素方面，国内外学者就犯罪人个体特征因素，如性别、年龄、外来人口属性、犯罪经历等[11⇓-13]，犯罪类型因素，如入室盗窃、抢劫、扒窃等[14⇓-16]，建成环境因素，如道路网络密度、出行物理障碍、社区环境[17-18]等多方面进行了研究。但是从上述的研究中发现，当前学者们着重关注犯罪人在犯罪前出行行为，而鲜有研究关注犯罪人犯罪后的出行，即犯罪逃逸行为。
解释犯罪逃逸行为是一个重要的研究内容，自记录第一个犯罪数据以来，许多犯罪学家、社会主义者、政策制定者和警察都对其有研究[19]。例如Lu[20]尝试在距离盗窃地点一定距离的地方，建立找回被盗车辆的概率模型，研究汽车盗窃案的犯罪后出行行为。Westerberg等[21]通过对汽车盗窃案中汽车盗窃地点和追回地点之间距离研究，指出了犯罪人犯罪后出行距离上的特征。Kempenaar[22]基于双过程理论对逃犯逃逸路径决策进行了探讨。但是由于有关犯罪人逃逸路径的数据十分匮乏，人们对犯罪逃逸的过程缺乏系统认识，导致相关的研究很难深入。而对犯罪人的逃逸路径进行模拟重建是生成逃逸路径数据的代替的方法。目前，只有少数研究涉及了路径模拟方面的讨论， Reid等[23]提出了一个犯罪活动模型（CriMM）用于模拟犯罪人的出行过程，利用Dijkstra算法来模拟犯罪人从家到主要吸引点（如购物中心）可能采取的路径。 Wongsai等[24]讨论了一种基于贝叶斯网络辅以摄像头传感器的犯罪人逃跑路径预测方法，用于预测犯罪人采用汽车逃跑的过程。但是，总的来说现有的研究在模拟方法、犯罪类型、影响因素、研究尺度等方面存在不足。
在何种尺度下去研究犯罪机理，是一个备受争议的话题。早期的研究主要从宏观视角分析城市层面的犯罪问题。近年来学者们则更重视从街道、社区、警区等中观视角，或医院、商店、居住小区、地铁站等微观视角进行研究。而尺度对研究的影响是巨大的，不同尺度下的研究会得出不同的分析结论，这是因为大尺度的研究会掩盖犯罪活动在微观水平上的复杂机理和重要变化[25]。本文侧重于微观尺度的研究。随着中国商品房经济的快速发展，居住小区已经是城市的重要组成单元，而从犯罪视角看居住小区也成为了盗窃类案件的聚集地[26]。封闭式的居住小区仍是中国当前的主要形式，这些小区往往通过高大围墙、栏杆等维护结构界定小区范围，通过设立出入口连接小区与城市空间。而由于管理水平的差别，又可以分为门禁小区和非门禁小区，两者在安全性上差距明显[27]。根据上述内容，本文将针对封闭式非门禁居住小区的犯罪逃逸行为进行讨论，采用模拟逃逸路径的方式重建研究数据，对犯罪逃逸行为进行分析。

2 理论依据和研究方法

2.1 理论依据

在复杂环境下，犯罪逃逸行为的决策是依赖大量人与人、人与环境互动的选择[19]，这种选择的复杂性使得逃逸路线难于模拟。但随着犯罪地理学理论的不断完善和计算机技术的突破，给了逃逸行为的模拟和探索提供了基础。
犯罪地理较成熟的理论有社会解组理论、日常活动理论、犯罪模式理论、理性选择理论等。社会解组理论强调社会环境尤其是失控环境对犯罪态势的影响[14]。日常活动理论探究潜在犯罪人、合适的犯罪目标以及监管力量的互动关系，强调在缺失有效监管措施的地方，潜在的犯罪人和有吸引力的受害人相遇会导致犯罪发生[28]。犯罪模式理论强调意识空间对犯罪人行为的影响，认为犯罪最有可能发生在潜在犯罪人和潜在受害人两者活动空间重合的区域[6]。可以发现以上三大理论都涉及犯罪人的决策行为，但都更侧重于探究犯罪人如何选择作案目标。将其应用于犯罪逃逸行为的研究，较难构建系统的分析框架。相比之下，理性选择理论则将犯罪人视为一个“理性人”，认为犯罪人的所有行为都遵循潜在收益最大化、成本及风险最小化的特征，使得理论更具适应性[29]。通过量化各要素对犯罪人的影响，便可以采用数学模型来模拟犯罪人的逃逸决策行为，更适合用于犯罪逃逸行为的研究。
理性选择理论由Cornish等[29]首次运用于犯罪人犯罪目标选择的研究，收益（benefit）、成本（cost）、风险（risk）是理论3个核心因素。根据理论提出的犯罪人决策符合收益最大化，成本和风险最小化的规则，构建一个犯罪逃逸路径的选择函数，见式（1）和式（2）。
R o u i = b i - ( c i + r i )
c h o i c e ( R o u ) = m a x R o u 1 , R o u 2 , ⋯ , R o u n
式中： R o u i表示第i条路径的选择值; b i表示第i条路径的收益值; c i表示第i条路径成本值; r i表示第i路径的风险值; c h o i c e ( R o u )表示犯罪人所选择的逃逸路径; m a x R o u 1 , R o u 2 , ⋯ , R o u n，表示n条路径中选择值最大的路径。
基于以上公式实现犯罪人逃逸路线的模拟，我们需要确定哪些因素会影响封闭式非门禁居住小区犯罪人在犯罪逃逸过程的收益、成本和风险。收益通常指偷盗的财富[4]，是犯罪人在犯罪前所着重考虑的问题，影响的是犯罪前出行，因此在逃逸问题中，可以忽略其对决策的影响，将其定为常数。成本的主要影响因素是犯罪出行的距离[30]，从逃逸角度看就是逃逸路径的长度，逃逸路径越短，则犯罪成本越低。而这取决于逃逸起始点和结束点的位置，同时受到两点之间各类障碍物（如围墙、栏杆等的影响）。风险指犯罪人被捕的风险[4]，故风险大小与犯罪活动被发现的概率相关，被发现的概率越大，风险越大。犯罪活动可以被人发现或者被监控摄像头记录，因此人的自然监视和监控摄像头的监视是影响犯罪风险的2个方面。同时自然监视与人员活动密切相关，而人员活动强度会受到环境的影响，因此许多研究讨论微观环境与人员活动的互动关系。基于以上内容，本文归纳了影响封闭式非门禁小区犯罪逃逸行为成本和风险的主要空间环境因素，见表1，为逃逸路径的模拟提供依据。
表1 封闭式非门禁居住小区犯罪逃逸行为成本和风险的影响因素

Tab. 1 Influencing factors of cost and risk of criminal escape behavior in closed non-gated community

空间环境 理论和实证依据 影响成本 影响风险
自然监视（人） 摄像头监视
障碍物（围栏、墙） 围栏、墙之类的障碍物干预陌生人进入空间的可能性，减少犯罪机会[31]，因此也限制了犯罪人的逃逸路线 √
出入口（位置） 出入口通常是犯罪人的逃逸通道 √
监控摄像头 监控可增加犯罪行为被观察到的概率，增加犯罪防御能力，从而降低犯罪率[32] √
路灯 路灯可增强自然监视，增加犯罪行为被观察的概率，有研究显示强化英国道路照明可降低20%的犯罪[33] √
底矮且坚实的灌木 低矮的树木可为犯罪行为提供遮蔽，降低犯罪行为被发现的可能[34] √
高大的树木 高大的树木形成的林荫道促进居民活动，增加自然监视，提高犯罪人被发现的可能[25] √
安保力量（保安亭，保安巡逻） 小区的安保力量与盗窃被抓的风险成正比[4] √
户外活动场所，公共座椅等设置 公共座椅、户外活动场所等可提升居民的活动支持，增加自然监视，提高了犯罪人被发现的可能性[35] √
通过对逃逸路径的分析可以帮助从为微观层面总结犯罪人的犯罪选择和运动规律。但这是一种自下而上的预测和研究视角，往往只是展现表象而无法解释其中缘由，需要配合其他的理论做进一步的分析。空间句法是一种通过对人居空间结构进行量化描述来研究人类社会和空间组织之间关系和理论与方法[36]，在空间形态与犯罪行为研究中应用广泛[37]。能够帮助我们从宏观的小区整体空间层面进行定量分析，以自上而下的视角去解释小区空间结构与行为之间的关联性。进一步解释犯罪逃逸行为模拟结果，并解释犯罪行为的空间逻辑。

2.2 研究方法

综上所述，本文提出一种通过微观路径模拟结合宏观空间分析的犯罪逃逸行为研究方法，技术路线如图1所示，分为3个主要内容： ①犯罪逃逸路径模拟重建：生成用于分析的逃逸路径数据; ②小区空间特征分析：利用空间句法量化小区空间指标，总结小区在空间上的特征; ③犯罪逃逸行为规律分析：对模拟所得的逃逸路径数据和总结的小区空间特征进行相关性分析，总结犯罪逃逸行为规律。
图1 技术路线

Fig. 1 Technical route

2.2.1 犯罪逃逸路线模拟重建

如图1所示，在理性选择理论构建的研究基础上，具体的犯罪逃逸路径的模拟包括3个步骤。 ①确定研究小区的空间范围，将不规则的多边形小区空间转化为离散的网格图，网格为l×l的矩形。基于犯罪数据和实地调研的空间环境资料构建用于模拟的底图。底图能够反映小区真实犯罪案发地点、空间环境等一系列影响逃逸路径模拟的信息;②逐一将底图中所反映的影响因素进行网格赋值，即在网格图中定位因素及其影响范围，并用不同的网格值表示其对犯罪逃逸的影响。其中用“inf”表示障碍物，数字“1”表示道路空间的成本值。其他数字表示不同因素周围的风险值，其数字越大表示风险越高，通过改变数字大小可以调整不同因素对逃逸行为的影响权重。③在赋值网格地图中基于改进蚁群算法进行迭代模拟计算，得出符合式（2）的逃逸路径结果。对不同案件逐一计算，得出用于研究的逃逸路径数据库。
蚁群算法是一种基于生物学原理的智能算法，具备一定的学习能力，对环境的具有较强的适应性，能够在模拟中不断获取新的信息用于优化路径，同时具备一定的随机性、通用性和特定性，更符合犯罪人的行为模拟，算法原理如下。
蚂蚁k在在t时刻从节点i转移到节点j的概率由启发函数 η i j ( t )和信息素浓度 τ i j ( t )的综合判定，计算公式为式（3）和式（4）。
P i j k (t) = τ i j ( t ) α η i j ( t ) β ∑ τ i j ( t ) α η i j ( t ) β , j ∈ a l l o w e d 0 ,   其 他
η i j = 1 d i j
式中： P i j k ( t )为在赋值网格地图上从节点i转移到节点j的概率;α为信息素启发因子;β为启发函数因子;allowed为尚未访问过的节点集; η i j ( t )为启发函数; τ i j ( t )信息素浓度; d i j为二维空间中节点i到节点j的欧式距离。
在算法的迭代过程中，每一轮迭代后进行信息素的更新。在传统的路线规划蚁群算法的信息素更新中仅与路径长度有关。因此只能保证路径成本，无法考虑路径风险的影响。本文对信息素更改公式进行了修正，用路径的犯罪成本、风险和值来代替路径的长度，计算公式为式（5）—式（6）。
τ i j ( t + 1 ) = ( 1 - ρ ) τ i j ( t ) + Δ τ i j ( t , t + 1 )
Δ τ i j ( t , t + 1 ) = ∑ k = 1 m Δ τ i j k ( t , t + 1 )
Δ τ i j k ( t , t + 1 ) = Q c k + r k k 经 过 ( i , j ) 0 其 他
式中： τ i j ( t + 1 )为更新后的信息素浓度; ρ为信息挥发影响因子; τ i j ( t )为未更新前的信息素浓度; Δ τ i j ( t , t + 1 )当代所有蚂蚁信息素增量和; Δ τ i j k ( t , t + 1 )为蚂蚁k在经过路径上释放的信息素浓度; s k和 r k分别为蚂蚁k所经过路径的犯罪成本和犯罪风险;Q为信息素强度。

2.2.2 空间句法

空间句法轴线图用一系列的轴线来表达和描述空间环境的形态。句法轴线图与行为主体对空间环境认知的方式是一致[37]，通过句法轴线图可以量化小区形态特征及空间认知。小区是居住建筑和建筑外空间组成的空间系统。建筑外空间则是以道路系统为骨架，辅以各类环境要素组成，以调研的道路资料为基础绘制了各小区的轴线地图。空间句法理论下的视域分析是将人的视线由三维立体空间抽象为二维平面空间，以此来分析人对所在空间的感知[38]，通过对视域的分析可以解构小区空间的视觉联系，探寻不同空间的基本视觉属性。我们根据调研资料，通过限定小区边界，将小区内所有高大障碍（建筑物、围墙等）绘制为封闭面。将边界内除障碍物外的空间划分为多个视域网格进行视域计算。各变量均采用DepthMap进行计算，所使用变量定义和计算方法见表2。
表2 空间句法变量的定义和计算方法

Tab. 2 Definition and calculation formula of space syntax variables

变量名称 变量意义 计算公式 变量说明 公式编号
拓扑深度值(Dij) 反映单元空间i到另一个单元空间j的最短里程（即最小步数），越小表示两者之间越便捷。 D i j = m i n ( D 1 , D , 2 ⋯ , D n ) Dn表示单元空间i到单元空间j第n种里程 （8）
区域平均拓扑深度值(DiA) 反映单元空间i到某一区域空间A的最短里程（即最小步数），越小表示两者之间越便捷，区域是多个空间的集合。 D i A = ∑ D i j n , j ∈ A Dij表示单元空间i到区域A中的第j个单元空间的拓扑深度值，n为区域A中的单元空间数量 （9）
视域集成度(Vli) 视域集成度表示单元空间能否被其他空间看到的程度，集成度越高，空间可视性越好。 V l i = 2 ( V M D i - 1 ) m - 2 V M D i为平均视域深度; m为视域网格地图中排除障碍物的网格数 （10）

3 数据来源、处理及模拟设置

3.1 数据来源和处理

本文的研究数据来源于中国Z市公安部门2011年8月1日至2018年8月1日的全市接警数据。需要指出的是原始的接警数据仅仅是群众报案的结果，无法体现犯罪人的个体特征，更没法表现案件的关键过程，这个给的研究带来了阻碍。对于封闭式非门禁居住小区的犯罪逃逸行为，一个合理的假设是：犯罪人会在实施完盗窃后，立刻经出入口逃离小区空间进入城市公共空间。对于小区范围内的逃逸路径来说，出入口就是逃逸的终点。但是显然这个假设对于犯罪人是本小区住户的案件是不合适的，对于连续作案的犯罪人也是不合适的，更适合用于模拟小区外来人员单次犯罪的案件。同时在实地的调研过程中我们发现，居住小区日间跟夜间的社会环境存在很大的差别，特别是在人员活动方面，而人员活动的强度对逃逸路线的风险影响极大。故日间和夜间的犯罪逃逸行为需要区别研究。因此，本文的实证研究仅针对小区中外来人员夜间单次作案的案件。
基于原始的接警数据进行案件的筛选仍存在偏差，为了尽可能的筛选出符合条件的案件数据。通过咨询办案民警，基于报案信息的描述和办案民警的经验判断，对数据进行筛选。
本文对Z市12个居住小区进行了实地环境调研，获取了小区的空间结构、出入口、道路、绿化、监控摄像头、保安亭等相关资料，最终选择5个中大型封闭式非门禁居住小区为对比研究对象。所选择的小区满足以下特点。 ① 小区规模较大并且相似。规模大使得内部空间环境复杂，给予犯罪人多个逃逸选择。规模相似则利于小区间横向比较。 ② 类型为封闭式小区，通过完整的维护结构区分内部空间和城市公共空间。小区设有数个出入口供人员出入，但出入口未设置门禁限制外来人员。
由于本文的实证研究针对夜间盗窃，而夜间居民活动强度低。因此我们弱化居民的自然监视对逃逸风险的影响。结合表1中归纳的主要影响因素为：出入口、监控摄像头、安保力量。同时经过人工核查、校对，最终获得5个小区共236条有效案件数据。归纳涉及研究的小区基本信息，如表3所示。
表3 小区基本信息

Tab. 3 Basic information of the communities

住区 A B C D E
占地面积/m2 152 997 166 522 152 868 148 866 165 159
横向边界间距/m 502 560 545 500 520
纵向边界间距/m 426 485 430 430 510
人口数量/人 4 628 4 919 4 610 4 353 4 891
出入口数量/个 6 10 3 2 4
保安亭数量/个 6 0 3 2 4
保安巡逻情况 无 无 无 无 无
监控摄像头数量/个 51 35 15 50 10
犯罪案件数/件 41 47 58 33 57

3.2 模拟设置

小区网格地图的网格大小为4 m×4 m，监控摄像头周围24 m（6格）的正方形区域风险值为4，可走空间网格的路径成本值为1。需要指出的是，我们发现所研究的小区在安保力量方面存在一定的特征：首先都不存在安保巡逻力量;其次在保安亭的设置上，除小区B未设立保安亭外，其他小区在每个出入都设立保安亭。故我们简化了安保力量对风险的影响。
蚁群算法的主要参数经过多次调参后定为：迭代次数K=40，蚂蚁数量N=30，信息素启发因子α=1.1，启发函数因子β=20，信息挥发因子ρ=0.4，信息素强度Q=60。起点为每个案件的案发地点坐标，终点为住区的每个出入口坐标，取“风险+成本”最小的逃逸路径为最终模拟结果。

4 模拟结果及分析

对5个小区的236个案件逐一进行模拟计算，所得的模拟结果如图2所示。
图2 逃逸路径模拟结果

Fig. 2 Simulation results of escape paths

4.1 逃逸距离分析

逃逸距离指的是逃逸路径的实际长度。其能反映犯罪人的逃逸出行距离大小，同时也是分析犯罪人犯罪目标选择的重要依据。通过网格地图的比例转换，计算出每条逃逸路径在现实中的实际长度进行分析。根据表3所知，5个小区在空间规模包括横向和纵向的空间深度上都相仿。因此，首先从宏观上汇总5个小区的路径实际距离，绘制累计概率分布图（图3）。从图3中明显发现在远距离处存在距离衰减特性，大约有77.54%的犯罪案件模拟的逃逸路径在240 m范围内，而随着距离继续增加，犯罪案件频次快速降低，当距离超过300 m后，犯罪案件数仅占8.05%。说明大多数犯罪人往往选择距离出入口实际距离较近的空间范围内作案，而不会深入小区内部。
图3 小区逃逸路径距离累计概率分布

Fig. 3 Cumulative distribution function of escape path distances in the communities

从单个小区角度分析，通过绘制5个小区犯罪逃逸路径距离的小提琴图（图4）可以发现，在单个小区中同样符合距离衰减特性，并且呈现出向两端衰减的特点，即仅有少量案件的犯罪逃逸距离较大或较小。说明大多数犯罪人往往会选择在距离出入口实际距离适中的空间范围内作案，既不会选择深入小区内部，也不会选择过于靠近出入口。对于以上分析结果，犯罪人不选择深入小区内部，是因为深入小区意味着犯罪的出行距离增加，导致了犯罪成本和风险过大。而犯罪人不选择在出入口附近作案，是因为出入口附近较小区的其他区域，其人流流动更为频繁，自然监视更强，犯罪风险过大。
图4 小区逃逸路径距离小提琴

Fig. 4 Violin diagrams of the escape path distances in the communities

另外，尽管小区的规模相仿，但是根据图4可以发现在逃逸路径距离的分布上仍存在很大的差异。这是因为小区本身特有的建成环境、空间结构[25,39]等因素会对犯罪人的行为产生显著的影响。其中通过对比小区的逃逸路径距离的均值可以发现，小区A和小区B的均值要远小于其他3个小区。而根据表3中的基本信息，小区A和小区B在出入口的数量上是较多的。出入口作为该类小区与外部连接的唯一通道，在犯罪活动中扮演重要的角色，过多增加出入口的数量会减小犯罪人的犯罪逃逸距离，因为过多的出入口为犯罪人提供更多近距离的犯罪空间和犯罪目标。

4.2 空间特征分析

从路径模拟的结果（图2）看，逃逸路径在小区中具有显著的空间分布特征，具体表现为某些空间极易被犯罪人选择而成为逃逸经过的空间，而某些空间不易被犯罪人选择。由此说明了小区空间对犯罪人逃逸的影响。以下本文将结合空间句法，探究其中的规律。

4.2.1 空间可视性与逃逸路径的相关性分析

视线联系是空间联系的重要方面。以5个小区的空间为整体的观察范围，将其划分为与上文中的网格地图规格一样的网格点阵，计算小区的视域集成度（图5）。结合图2和图5，发现视域集成度高的空间，分布的犯罪逃逸路径较少，说明犯罪人在逃逸过程中会避开视域集成度高的空间。这是因为视域集成度高的区域，往往是障碍物较少，视野开阔的空旷区域，空间可视性好。在视域集成度高的区域内行走，意味着更容易被人所发现和关注，增加了犯罪风险。
图5 小区视域集成度分析

Fig. 5 Visual integration analyses of the communities

4.2.2 空间拓扑深度与逃逸路径的相关性分析

空间联系的另一方面是行为联系，侧重于描述人在空间中运动时的穿行过程。如图6所示，我们从每个小区中找出了不易被犯罪人选择作为逃逸空间的区域（I、Ⅱ）和易被犯罪人选择作为逃逸空间的区域（Ⅲ、Ⅳ），其中每个区域大小为半径25 m的圆。逐一计算每个区域至各个出入口的区域平均拓扑深度值，取出其中最小值汇总如表4所示。根据表4，可以发现不易被选择的区域平均拓扑深度值≥2.0，而易被选择的区域平均拓扑深度值≤1.5，不易被选择的空间在拓扑深度上普遍高于易被选择的空间。
表4 不易被选择区域和易被选择区域的区域平均拓扑深度值

Tab. 4 Average topological depth values of non- selected areas and easily selected areas

居住小区 A B C D E
不易被选择区域 I Ⅱ Ⅰ Ⅱ Ⅰ Ⅱ Ⅰ Ⅱ I Ⅱ
区域平均拓扑深度值 2.75 2.67 3.17 2.75 2.0 2.67 3.00 3.20 3.60 3.33
易被选择区域 Ⅲ Ⅳ Ⅲ Ⅳ Ⅲ Ⅳ Ⅲ Ⅳ Ⅲ Ⅳ
区域平均拓扑深度值 0.33 0.50 1.16 1.42 0.75 0.00 1.20 0.67 0.75 0.83
图6 不易被选择区域和易被选择区域范围示意

Fig. 6 Illustrations of non-selected areas and easily selected area ranges

继续分析单个路径的特征。首先沿着模拟所得逃逸路径，找出与之相对应的空间。然后以逃逸出口所在的空间为起点，计算整个小区的空间拓扑深度值，分析逃逸路径所在空间的拓扑深度。以小区D的某个案件为例（图7），发现从案发位置至逃逸出口所经过的空间的拓扑深度值从4至0依次下降。对模拟所得的所有路径进行逐一分析，发现在236条犯罪逃逸路径中，共有203条路径符合拓扑深度顺序下降规律。以上两点说明了空间的拓扑关系影响了犯罪人的逃逸行为，人们在运动中对于路径长短的认知大多基于几何、拓扑视角[40]，故人可能对于路径转折更加敏感，一般会选择在方向上变化幅度较小的路径。
图7 逃逸路径空间拓扑顺序分析示意

Fig. 7 Example of the topological sequence analysis in an escape path space

5 结论和讨论

5.1 结论

本文基于理性选择理论对封闭式非门禁小区犯罪人逃逸行为进行了讨论，通过赋值网格地图和改进蚁群算法对逃逸路径进行了模拟重建，并结合空间句法对犯罪人的逃逸行为分析，主要 结论如下：
（1）犯罪人的逃逸距离表现出明显的距离衰减特性，并且呈现出向两端衰减的特点，表明大部分犯罪人会选择距出入口实际距离适中的区域实施犯罪，既不会深入小区空间，也不会选择过于靠近出入口。
（2）规模类似、空间实际深度相仿的小区在犯罪逃逸距离上表现出较大的差异，证明了小区特有的建成环境、空间结构等对犯罪行为的影响。其中出入口的数量对犯罪逃逸距离有着显著影响，出入口过多，会缩短犯罪人的逃逸距离。
（3）犯罪人会避开视域集成度高，可视性较好的位置，寻找较为隐蔽的空间逃逸。
（4）犯罪人的逃逸过程符合行为的空间拓扑规则，即会尽可能选择拓扑深度小的空间逃逸，并且沿着拓扑深度顺序下降的路径逃逸。

5.2 讨论

总体来看，本文的结论与前人存在共性。例如犯罪人在出行距离表现出距离衰减特性[5]，小区建成环境和空间结构等影响犯罪行为[25,39]等。本文的不同之处或者说主要贡献在于： ①不同于当前大多数研究关注犯罪人犯罪前出行行为，本文聚焦于犯罪逃逸路径，讨论犯罪人在犯罪后的出行行为。这丰富了国内犯罪地理领域有关犯罪出行行为的研究视角; ②面对犯罪数据受限的问题，本文提出可以通过模拟重建犯罪逃逸路径数据的替代方法。并基于理性选择理论提出的收益、风险和成本三要素构建了逃逸路径选择函数，讨论了影响三要素的空间环境因素，为逃逸路径的模拟提供理论依据。这不仅为解决犯罪研究中的数据难题提供了一种全新的思路，还是理性选择理论在逃逸行为研究中的具体化应用，弥补了已有研究中往往只能定性衡量相关变量的不足; ③本文通过赋值网格地图，量化了小区真实的空间环境。对传统的蚁群算法进行改进，使其适用于同时考虑犯罪成本和犯罪风险的逃逸路径计算。结合两者，实现了逃逸路径数据的模拟重建; ④通过空间句法理论从宏观上解构小区空间在拓扑深度和视域集成度上的空间特征，结合微观层面的逃逸路径数据对犯罪人犯罪逃逸行为规律进行了初步探究。
研究封闭式非门禁居住小区盗窃犯罪人的犯罪逃逸行为，理清逃逸行为的影响因素，总结逃逸行为规律，有助于人们从“通过环境设计预防犯罪”的角度进行居住小区规划布局或建设改造，减少犯罪的发生。根据前述研究结论，居住小区可以注意以下几点： ①重视出入口的规划布局。如对出入口的数量和位置进行合理规划和布局，在方便居民出行的同时尽可能的减少出入口数量; ②根据空间位置合理分配犯罪防控资源。如加强距离出入口实际距离适中区域的管理，有侧重的在该区域多分配安保巡逻力量等犯罪防控资源; ③将景观环境设计与小区安全相结合。如少种植容易遮挡行人视线的灌木，增加小区空间的视域集成度，提高空间可视性。本文也存在一些不足之处：譬如，虽然讨论了影响犯罪逃逸行为的因素，但是仅针对封闭式非门禁居住小区，不适用于其他尺度，如城市范围内的逃逸。且没有深入研究各因素对犯罪逃逸行为的影响权重。在实证研究中，受限于犯罪数据，选取了特定的犯罪类型，且筛选数据过程中虽然有警察的帮助，但仍有误差。在实证研究中有关监控摄像头对犯罪人逃逸行为的影响，还未经过精细的合理化考证。这些将在日后的研究当中进一步完善。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
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

[2]
刘大千, 宋伟, 修春亮. 贝叶斯方法在犯罪时空格局研究上的应用——以长春市为例[J]. 地理科学, 2022, 42(5):820-830.

DOI

Liu D Q, Song W, Xiu C L. Bayesian modeling for analyzing spatial and temporal pattern of crimes: A case study in Changchun, China[J]. Scientia Geographica Sinica, 2022, 42(5):820-830. ] DOI:10.13249/j.cnki.sgs.2022.05.008

DOI

[3]
宋广文, 肖露子, 周素红, 等. 居民日常活动对扒窃警情时空格局的影响[J]. 地理学报, 2017, 72(2):356-367.

DOI

Song G W, Xiao L Z, Zhou S H, et al. Impact of residents' routine activities on the spatial-temporal pattern of theft from person[J]. Acta Geographica Sinica, 2017, 72(2):356-367. ] DOI:10.11821/dlxb201702014

DOI

[4]
肖露子, 柳林, 宋广文, 等. 基于理性选择理论的社区环境对入室盗窃的影响研究[J]. 地理研究, 2017, 36(12):2479-2491.

DOI

Xiao L Z, Liu L, Song G W, et al. Impacts of community environment on residential burglary based on rational choice theory[J]. Geographical Research, 2017, 36(12):2479-2491. ] DOI:10.11821/dlyj201712017

DOI

[5]
张超鹏, 陈鹏, 江欢, 等. 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

Zhang C P, Chen P, Jiang H, et al. Residential Burglars'Journey-to-crime distribution and its impacting factors in X city[J]. Journal of Geo-information Science, 2022, 24(10):1957-1967. ] DOI:10.12082/dqxxk x.2022.220232

[6]
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

[7]
柳林, 刘文娟, 廖薇薇, 等. 基于随机森林和时空核密度方法的不同周期犯罪热点预测对比[J]. 地理科学进展, 2018, 37(6):761-771.

DOI

[ Liu L, Liu W J, Liao W W, et al. Comparison of random forest algorithm and space-time kernel density mapping for crime hotspot prediction[J]. Progress in Geography, 2018, 37(6):761-771. ]

DOI

[8]
柳林, 纪佳楷, 宋广文, 等. 基于犯罪空间分异和建成环境的公共场所侵财犯罪热点预测[J]. 地球信息科学学报, 2019, 21(11):1655-1668.

DOI

Liu L, Ji J K, Song G W, et al. Hotspot prediction of public property crime based on spatial differentiation of crime and built environment[J]. Journal of Geo-Information Science, 2019, 21(11):1655-1668. ] DOI:10.12082/dqxxkx.2019.190358

[9]
Van Koppen P J, Jansen R W J. THE ROAD TO THE ROBBERY: Travel patterns in commercial robberies[J]. The British Journal of Criminology, 1998, 38(2):230-246. DOI:10.1093/oxfordjournals.bjc.a014233

[10]
Van Daele S, Vander Beken T. 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

[11]
Andresen M A, Frank R, Felson M. Age and the distance to crime[J]. Criminology & Criminal Justice, 2014, 14(3):314-333. DOI:10.1177/1748895813494870

[12]
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 with different individual characteristics[J]. Progress in Geography, 2020, 39(4):602-613. ] DOI:10.18 306/dlkxjz.2020.04.007

DOI

[13]
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:10.18306/dlkxjz.2020.05.010

DOI

[14]
王增利, 刘学军, 陆娟. 入室盗窃多尺度地理因子分析[J]. 地理学报, 2017, 72(2):329-340.

DOI

Wang Z L, Liu X J, Lu J. Multiscale geographic analysis of burglary[J]. Acta Geographica Sinica, 2017, 72(2):329-340.] DOI:10.11821/dlxb201702012

DOI

[15]
Snook B, Wright M, House J C, et al. Searching for a needle in a needle stack: Combining criminal careers and journey‐to‐crime research for criminal suspect prioritization[J]. Police Practice and Research, 2006, 7(3):217-230. DOI:10.1080/15614260500432972

[16]
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

[17]
Bichler G, Christie-Merrall J, Sechrest D. Examining juvenile delinquency within activity space: Building a context for offender travel patterns[J]. Journal of Research in Crime and Delinquency, 2011, 48(3):472-506. DOI:10.11 77/0022427810393014

[18]
黎家琪, 宋广文, 肖露子, 等. 盗窃者犯罪出行距离的特征及其影响因素——基于居住社区、作案社区及出行物理障碍的综合考虑[J]. 地理科学进展, 2022, 41(11):2123-2134.

DOI

Li J Q, Song G W, Xiao L Z, et al. Characteristics and influencing factors of thieves' travel distance: A comprehensive consideration of residential community, target community, and physical barriers to travel[J]. Progress in Geography, 2022, 41(11):2123-2134. ] DOI:10.18306/dl kxjz.2022.11.011

[19]
Malleson N, See L D, Evans A, et al. Implementing comprehensive offender behaviour in a realistic agent-based model of burglary[J]. SIMULATION, 2012, 88(1):50-71.

DOI

[20]
Lu Y M. Getting away with the stolen vehicle: An investigation of journey-after-crime[J]. The Professional Geographer, 2003, 55(4):422-433. DOI:10.1111/0033-0124.5504002

[21]
Westerberg K, Grant T, Bond J W. Triangulation mobility of auto-theft offenders[J]. Journal of Investigative Psychology and Offender Profiling, 2007, 4(2):109-120. DOI:10.1002/jip.69

[22]
Kempenaar T. Prospective Criminal Escape Routes: An Exploration of Fugitive Escape Route Decision-Making using a Dual-Process Approach[D]. Delft: Delft University of Technology, 2022.

[23]
Reid A A, Frank R, Iwanski N, et al. Uncovering the spatial patterning of crimes: A criminal movement model (CriMM)[J]. Journal of Research in Crime and Delinquency, 2014, 51(2):230-255.

DOI

[24]
Wongsai P, Pawgasame W. Analysis of A crime scene getaway vehicle’s escaping path[J]. International Journal of Technology and Engineering Studies, 2016, 2(5):134-139. DOI:10.20469/ijtes.2.40002-5

[25]
龙冬平, 柳林, 冯嘉欣, 等. 社区环境对入室盗窃和室外盗窃影响的对比分析——以ZG市ZH半岛为例[J]. 地理学报, 2017, 72(2):341-355.

DOI

Long D P, Liu L, Feng J X, et al. Comparisons of the community environment effects on burglary and outdoor-theft: A case study of ZH peninsula in ZG city[J]. Acta Geographica Sinica, 2017, 72(2):341-355. ] DOI:10.11821/dlxb201702013

DOI

[26]
李春雷, 姚巍. 城市化进程中我国城市住区犯罪空间防控探索——基于CPTED理论视角下对我国城市住区的个案考察[J]. 中国人民公安大学学报(社会科学版), 2011, 27(4):93-105.

[ Li C L, Yao W. Exploration on spatial prevention and control of crimes in urban residential areas in China in the process of urbanization—a case study of urban residential areas in China from the perspective of CPTED theory[J]. Journal of Chinese People's Public Security University (Social Sciences Edition), 2011, 27(4):93-105. ]

[27]
杨刚斌, 柳林, 何深静, 等. 基于多层次模型的广州门禁小区家庭入室盗窃环境影响分析[J]. 热带地理, 2016, 36(4):610-618.

DOI

Yang G B, Liu L, He S J, et al. Environmental impacts on burglary victimization in gated communities: A multi-level analysis in Guangzhou[J]. Tropical Geography, 2016, 36(4):610-618. ] DOI:10.13284/j.cnki.rddl.002860

DOI

[28]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4):588. DOI:10.2307/2094589

[29]
Cornish D B, Clarke R V G. The Reasoning criminal: rational choice perspectives on offending[M]. New York: Springer-Verlag, 1986.

[30]
Bernasco W, Block R. Where offenders choose to attack: A discrete choice model of robberies in Chicago[J]. Criminology, 2009, 47(1):93-130. DOI:10.1111/j.1745-9125. 2009.00140.x

[31]
Brown B B, Bentley D L. Residential burglars judge risk: The role of territoriality[J]. Journal of Environmental Psychology, 1993, 13(1):51-61. DOI:10.1016/S0272-4944(05)80214-2

DOI

[32]
Welsh B C, Farrington D P. Public area CCTV and crime prevention: an updated systematic review and meta-analysis[J]. Justice Quarterly, 2009, 26(4):716-745. DOI:10.108 0/07418820802506206

[33]
Farrington D P, Welsh B C. Measuring the effects of improved street lighting on crime: A reply to dr marchant[J]. The British Journal of Criminology, 2004, 44(3):448-467. DOI:10.1093/crimin/azh045

[34]
Donovan G H, Prestemon J P. The effect of trees on crime in Portland, Oregon[J]. Environment and Behavior, 2012, 44(1):3-30. DOI:10.1177/0013916510383238

[35]
Perkins D D, Meeks J W, Taylor R B. The physical environment of street blocks and resident perceptions of crime and disorder: Implications for theory and measurement[J]. Journal of Environmental Psychology, 1992, 12(1):21-34. DOI:10.1016/S0272-4944(05)80294-4

DOI

[36]
王益, 吴永发. 基于句法变量分析的徽州古村落空间安全机制研究[J]. 规划师, 2016, 32(3):101-107.

[ Wang Y, Wu Y F. Syntax parameter analysis based Huizhou ancient village space crime prevention mechanism[J]. Planners, 2016, 32(3):101-107. ]

[37]
郑文升, 卓蓉蓉, 罗静, 等. 基于空间句法的武汉城区“两抢一盗”犯罪分布环境[J]. 地理学报, 2016, 71(10):1710-1720.

DOI

Zheng W S, Zhuo R R, Luo J, et al. The distribution environment of robbery, snatch and theft crime based on space syntax: A case study of the central area of Wuhan[J]. Acta Geographica Sinica, 2016, 71(10):1710-1720. ] DOI:10.11821/dlxb201610004

DOI

[38]
van Nes A, Yamu C. Introduction to space syntax in urban studies[M]. Cham, Switzerland: Springer, 2021.

[39]
王益. 从犯罪预防看徽州古村落的空间结构特征[J]. 城市规划, 2020, 44(12):87-94.

Wang Y. Spatial structure characteristics characteristics of spatial structure[J]. City Planning Review, 2020, 44(12):87-94. ] DOI:10.11819/cpr20201211a

[40]
Hillier B. Space is the machine: a configurational theory of architecture[M]. Space Syntax, 2007.

Options
文章导航

/

〈 〉