EN中文

Journal of Geo-information Science >

2021 , Vol. 23 >Issue 12: 2187 - 2200

DOI: https://doi.org/10.12082/dqxxkx.2021.210069

The Temporal Influence Difference of Drug-related Personnels' Routine Activity on the Spatial Pattern of Theft

  • LIU Lin , 1, 2 ,
  • SUN Qiuyuan 1 ,
  • XIAO Luzi , 1, * ,
  • SONG Guangwen 1 ,
  • CHEN Jianguo 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 45221-0131, USA
*XIAO Luzi, E-mail:

Received date: 2021-02-05

  Request revised date: 2021-03-18

  Online published: 2022-02-25

Supported by

National Natural Science Foundation of China(41901177)

National Natural Science Foundation of China(42001171)

National Natural Science Foundation of China(42071184)

Natural Science Foundation of Guangdong Province, China(2019A1515011065)

Key Project of Science and Technology Program of Guangzhou City, China(201804020016)

Copyright

Copyright reserved © 2021
Fold

Abstract

According to the routine activity theory, the spatiotemporal pattern of crime is strongly related to routine activity of victims and offenders. However, due to the difficulty of data acquisition, there is a lack of research on offenders' routine activity and the spatiotemporal pattern of crime events. The existing literature shows that there is a great correlation between drug-related persons and property crimes such as theft. Based on this, this study verifies the role of the routine activity of offenders in shaping the spatial-temporal pattern of theft through analyzing the impact of the routine activity of drug-related persons on theft. In this paper, taking XT police district with 150 m×150 m grids in ZG city in southern China as an example, the theft data, routine activity data of drug-related persons, POI data, and patrol and interrogation data were used. Poisson regression models were established respectively in different periods. The results show that, firstly, compared with traditional static arrest or policing events data, active routine activity data of potential offenders and victims could promote goodness of fit in models effectively. Secondly, compared with total amount of people in whole day, active real-time activity data of drug-related personnel and residents could explain the spatial pattern of theft better. Thirdly, static land use density has a different influence on theft events in different periods. The above results verify the relationship between the routine activity of drug-related persons and the spatiotemporal pattern of theft. The research conclusions verify and enrich the routine activity theory, which can provide a certain reference for the actual crime prediction and police deployment.

Key words： theft events; potential offenders; drug-related persons; routine activity theory; spatiotemporal pattern; Poisson regression

Cite this article

LIU Lin , SUN Qiuyuan , XIAO Luzi , SONG Guangwen , CHEN Jianguo . 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 . DOI: 10.12082/dqxxkx.2021.210069

1 引言

随着城市化进程不断推进,各类恶性刑事案件得到了有效打击,但盗窃案件数量依然居高不下。2000年以来,盗窃案件占总立案数量的比例一直保持在65%~70%之间,成为了影响社会治安与人民群众安全感的主要问题[1]。因此,对盗窃案件的时空格局进行识别分析有其必要性。在实际盗窃等侵财类警情中,涉毒人员是一类数量较大不可忽视的作案群体。吸毒人员大多存在文化程度较低、无配偶、非农业户口、居住在市区等特点[2]。由于购买毒品需要大量金钱,他们易参与街面盗窃、入室盗窃等侵财类犯罪活动中,满足自己购买毒品的需求[3,4,5]。例如,2004年基于长沙市天心区法院判决资料的研究发现,毒品犯罪具有关联性,易形成“毒品犯罪群”,其中盗窃犯罪是毒品犯罪最主要的一种伴生犯罪[6]。由此可见,涉毒人员是盗窃警情的潜在犯罪者,挖掘涉毒人员的日常活动,有助于更充分理解盗窃警情的时空格局。
日常活动理论是解释犯罪时空格局的经典理论之一,该理论认为犯罪的产生需满足在特定的地理环境下,潜在犯罪者、潜在受害者与有效监管的缺失（“犯罪三角”）这3个条件在时空的耦合[7]。其中犯罪者作为犯罪事件的实施者,其日常活动在“犯罪三角”的时空交互中具有重要作用,因此潜在犯罪者的日常活动节点与轨迹对犯罪时空分布的影响亦越来越受研究者的重视。活动节点方面,犯罪者主要活动节点会影响犯罪者的作案地选择,进而影响犯罪的时空分布特征。这些活动节点包括犯罪者居住地、亲朋好友的居住地[8]、前作案地[9,10]和重要的设施场所[11]等。活动轨迹方面,目前仅有3篇文献直接研究了犯罪者活动轨迹与其犯罪行为的关系。Griffiths等[12]使用英国恐怖分子在发动袭击前的手机轨迹数据,确定犯罪者日常主要活跃区域。Rossmo等[13]利用电子监控对17名犯罪者的移动模式（犯罪前、犯罪时和犯罪后）进行可视化分析,揭示了不同犯罪者日常活动的特点。Bernasco[14] 对荷兰843名青少年的研究发现,犯罪者一般会选择在曾活动过或曾作案的熟悉场所进行犯罪,犯罪者和非犯罪者的行为都具有较强的可预测性。以上研究表明犯罪者的日常活动会影响犯罪者的作案地选择。但此类研究均是基于已抓获的犯罪者数据的研究,尚未关注到潜在犯罪者的影响;而且已有研究重点关注犯罪者日常活动对其（个体）行为影响的探讨,对整体的犯罪空间格局的影响仍较欠缺。
对于涉毒人员与盗窃关系的研究,不少学者已根据涉毒人员自身特征探讨了其犯罪动机[15,16],但尚未从地理学视角利用涉毒人员日常活动来解释盗窃犯罪的时空格局。环境犯罪学学者常使用涉毒人员居住地址、涉毒人员书面访谈与毒品交易地点来表征不同尺度下涉毒人员变量[17,18,19],分析其与附近各类犯罪之间的相关关系,但此类研究使用的数据均是静态的数据,而且数据样本较小,无法真实有效地衡量涉毒人员实际日常活动;更没有探讨不同时段涉毒人员活动对犯罪警情影响的时间差异。此外,已有的研究往往从较宏观的分析单元（社区、派出所等）研究犯罪的时空格局[20,21],而潜在犯罪者、潜在受害者与监管者的互动往往发生在较小的空间尺度,因此,有必要从微观尺度进一步去探讨三者的相互作用关系。
为弥补以上不足,本研究基于ZG市XT派出所辖区,进一步划分更小尺度的单元网格,利用警用摄像头（以下统一简称“摄像头”）获取有前科涉毒人员（潜在的盗窃犯罪者）日常活动数据,对涉毒人员日常活动特征及其对盗窃警情时空格局影响的时间差异进行分析,并在揭示涉毒人员日常活动规律对盗窃警情影响机制的基础上,进一步提出基于涉毒人员日常活动的警务防控策略,为打击盗窃犯罪提供科学依据。

2 研究区概况、数据与研究方法

2.1 研究区概况

ZG市为中国南部最大的城市之一,城市结构多样,流动人口众多。XT派出所位于ZG市中心城区,辖区内共有16个社区,总面积达7.42 km2,建成环境复杂,总人口18万人,本地人口只有5万余人,外来人口占比高,是ZG市主要的犯罪热点之一。其中吸毒人员众多,根据涉毒人员日常活动数据统计,在一年的时间内共有2440名吸毒人员在该地区活动,该群体是盗窃案件的高发人群,常在缺乏监督管理的公共街面对过往行人或路边摩托、电动车等财物进行偷盗,作案的目标主要是行人,其次是财物。XT派出所辖区的土地利用现状如图1所示,辖区中部的交通主干道将其分为一南一北两片区域,北面区域主要是工业用地,南面区域用地类型多样,城中村区、商品房区与商业用地共存。其中南区商品房区主要分布在东西两侧,城中村与商业用地集中在南区中部,城中村的居民住所基本为高密度的出租屋。租户多为在市中心附近上班的的职工及当地经营的商户。该区域人口密集,是盗窃等侵财类警情的高发地带。研究区南部附近分布着各类公交车站及BRT快速公交车站。
图1 2018年研究区域土地利用[22]

Fig. 1 The land use of study area in 2018

2.2 研究数据

2.2.1 数据来源
研究数据包括2018年4月7日至12月31日XT派出所辖区内发生在街面公共场所的盗窃警情数据（不含入室盗窃）、同时段涉毒人员日常活动数据、同时段派出所民警巡逻盘查记录数据、2018年微信活动人口数据以及2018年兴趣点数据（POI）。其中,盗窃警情数据、巡逻盘查数据来自XT派出所警综平台;涉毒人员日常活动数据来自于XT派出所辖区内94个摄像头记录信息,利用该数据可根据公安前科记录对街面过往涉毒群体的活动位置进行识别;微信活动人口数据来自于微信平台的“宜出行”服务,可根据微信用户数据对研究区内包含室内室外的所有活动人次进行有效统计。微信活动人口数据主要表征研究区所有场所的潜在受害者日常活动,而涉毒人员日常活动数据则表征潜在犯罪者在室外场所的日常活动,这2类活动数据具有较大的差异;POI数据来自于“道道通”导航电子地图。对盗窃警情数据、涉毒人员日常活动数据、巡逻盘查数据进行数据清洗等脱敏处理后,数据仅包含警情的经纬度坐标、报警时间与涉毒人员日常活动的人次数目、活动时间及民警巡逻盘查的经纬度坐标、巡逻时间,剔除了受害者实际地址、涉毒人员编号与被盘查人身份等隐私信息。
采用已有研究网格化处理方法[23],将XT派出所辖区划分为150 m×150 m的格网,共划为382个单元格进行分析。所有变量都以该格网进行统计。此外,考虑摄像头抓拍数据质量与光照具有较强关系,根据摄像头抓拍数据统计的涉毒人员日常活动人次在夜晚-凌晨19:00—7:00时段发生明显陡降,与常识不符,可判断该数据在该时段不具有较好准确性。因此,本文选取一天内具有较好可见度的白天7:00—19:00时段为主要研究时段,并用白天时段涉毒人员活动数据的总和表征其在夜晚-凌晨 19:00—7:00时段的活动特征。根据统计,白天 7:00—19:00时段的盗窃警情与涉毒人员日常活动人次分别占全天的60.9%（285起）和87.5%（30 976人次）,可见不仅涉毒人员主要在白天7:00—19:00时段内进行活动,盗窃警情大部分也发生在这一时段,因此这一时段的数据比较具有代表性。前人研究一天内不同时段人群活动特征时,常将研究时段分为等间距的子时段[24]。本文为主要研究白天 7:00—19:00共12 h内涉毒人员日常活动的时空特征及其对盗窃警情的影响,将白天时段进一步分为上午7:00—10:00 、中午10:00—13:00、下午 13:00—16:00、傍晚16:00—19:00共4个子时段进行深入分析。
2.2.2 变量选取与度量
日常活动理论认为犯罪活动的产生是具有犯罪动机的作案者、易遭受侵害的受害者与缺乏监督保护的环境3种要素在特定地理空间上时空交互的结果。因此本次研究以盗窃警情作为因变量,将日常活动理论三要素作为主要解释变量,将建成环境作为控制变量（表1）。解释变量和控制变量选取如下：
（1）潜在犯罪者：根据对文献的梳理,环境犯罪学研究中受限于数据的局限性,通常选取各类型公共活动场所作为潜在犯罪者的活动地点[25,26]。本次研究直接选取涉毒人员日常活动数据来表征有动机的犯罪者,从而反映该群体的活动规律及活动范围。
（2）潜在受害者：已有大量研究运用大数据代表具有时序性的周遭人口（Ambient population）,如通过地铁客流量、手机信令数据、出租车乘客数等来表征不同时段下的潜在受害者[27,28]。本次研究区域为尺度较小的派出所辖区,因此本文使用在微观尺度下精度更高的微信活动人口数据表示研究区内潜在受害者的日常活动。
（3）监管因素：前人研究中一般使用与最近派出所的距离作为周遭环境中监管保护因素的指标[8,23],但在派出所尺度中,警力的分布一般取决于街面警务室、巡逻岗亭、民警巡逻盘查点等警力布控点的位置,而巡逻盘查点数据相对于警务室、岗亭等警力POI数据具有时序性、分布更广的特点,更能反映实际周遭环境中是否有警力的监管。因此本文使用巡逻盘查点数据来衡量周遭环境中的监管保护因素。
（4）建成环境：根据已有文献分类[22,29],选取公交车站、休闲娱乐设施、农贸批发市场与购物设施4类POI数据代表通勤、休闲、买菜、消费购物等类型的居民活动节点作为模型的控制变量。此外,国内外学者常使用土地利用混合度表征建成环境的复杂程度,从而分析建成环境因素对因变量的影响作用[30,31]。已有研究发现在微观空间因素中,土地利用混合度直接影响街头抢劫犯罪的发生,对犯罪存在显著的正向作用[32]。此类研究一般利用香农信息熵公式计算土地利用混合度,其公式[33]如下所示：
H = - ∑ p i lo g n p i
式中：H为各个网格的信息熵值,取值范围在0~1之间,越接近1表明该网格内土地利用混合度越大,建成环境越复杂,反之建成环境越单一;Pi表示网格内第i类POI的占比;n表示网格内POI的类型总数。
表1 各变量名称及其含义

Tab. 1 Name and meaning of each variable

变量类型 变量名称 计算方法
因变量 盗窃警情 将2018年的盗窃警情地址通过地理编码生成坐标落点至XT派出所内382个网格中,统计各网格内警情数目
潜在犯罪者 涉毒人员日常活动 对于移动基站估算各个网格人口数据的方法[24],本文根据94个摄像头的点坐标（其中4个摄像头坐标与其他摄像头位置完全重叠）建立90个泰森多边形,通过泰森多边形与研究区382个网格进行叠置,根据叠置后的面积占比统计各个网格内涉毒人员活动人次,从而将摄像头识别的涉毒人员日常活动信息较好地分配至研究区内所有网格
潜在受害者 微信活动人口 根据微信活动人口数据计算各个时段网格内活动人口数目
监管因素 巡逻盘查点 用0或1表示各个时段网格内是否有民警巡逻盘查
建成环境 土地利用混合度 根据POI数据通过信息熵公式计算网格内土地利用混合度
公交车站 各网格内公交车站POI的个数
休闲娱乐设施 各网格内休闲娱乐设施POI的个数
农贸批发市场 各网格内农贸批发市场POI的个数
购物设施 各网格内购物设施POI的个数
将6个时段变量进行统计,各时段内变量的统计特征如表2所示。白天各时段内的盗窃警情数量的方差与平均值差异不大,不具有过度离散的特征。其中在下午13:00—16:00时段与傍晚16:00—19:00 时段警情均值较高,可见这2个时段是警情高发时段。在白天7:00—19:00时段与夜晚-凌晨 19:00—7:00时段,由于时段较长,警情数目均值最高、方差较大。
表2 变量的描述性统计

Tab. 2 Descriptive statistics of dependent and independent variables

变量 平均值 方差 最小值 最大值
盗窃警情/起 07:00—10:00 0.141 0.206 0 4
10:00—13:00 0.178 0.252 0 4
13:00—16:00 0.194 0.252 0 3
16:00—19:00 0.181 0.269 0 4
07:00—19:00 0.694 1.751 0 8
19:00—07:00 0.432 1.222 0 10
涉毒人员日常活动/百人次 07:00—10:00 0.213 0.171 0 3.958
10:00—13:00 0.188 0.109 0 1.946
13:00—16:00 0.200 0.144 0 2.538
16:00—19:00 0.205 0.128 0 1.833
07:00—19:00 0.806 2.007 0 9.675
19:00—07:00 - - - -
微信居民活动/千人次 07:00—10:00 0.398 0.232 0 2.481
10:00—13:00 0.517 0.366 0 2.908
13:00—16:00 0.495 0.336 0 2.705
16:00—19:00 0.523 0.361 0 2.585
07:00—19:00 1.933 5.072 0 10.650
19:00—07:00 1.267 2.787 0 8.747
巡逻盘查点（0或1） 07:00—10:00 0.377 0.235 0 1
10:00—13:00 0.518 0.250 0 1
13:00—16:00 0.508 0.251 0 1
16:00—19:00 0.476 0.250 0 1
07:00—19:00 0.652 0.228 0 1
19:00—07:00 0.545 0.249 0 1
土地利用混合度
0.029 0.0005 0 0.124
公交车站/个 0.154 0.341 0 5
休闲娱乐设施/个 0.236 0.622 0 10
农贸批发市场/个 0.325 1.180 0 8
购物设施/个 0.387 1.267 0 12
涉毒人员日常活动在早上7:00—10:00时段与傍晚16:00—19:00时段的均值较大,可知这2个时段为涉毒人员活动的高峰期,但早上时段的方差大于傍晚时段,表明早上时段涉毒人员活动分布相较傍晚更为集聚。而在中午10:00—13:00时段与下午13:00—16:00时段涉毒人员日常活动均值较小,可知在这2个时段涉毒人员日常活动处于低谷期。在夜晚-凌晨时段,采用白天各时段涉毒人员日常活动人次的总和代替原始数据,以弥补因光线不足导致数据量偏少带来的误差。
微信活动人口在各个时段的分布也存在一定差异。其中在上午7:00—10:00时段该变量的均值与方差较小,可知在该时段研究区内微信活动人口较少且空间分布相对均匀,而在其他时段微信活动人口较多,空间分布差异大。巡逻盘查点变量在中午10:00—13:00时段与下午13:00—16:00时段均值较大,说明民警在这2个时段巡逻盘查力度较大,该变量各时段方差无明显变化。土地利用混合度变量的均值与方差差异不大,说明其空间分布相对均匀。不同类型的POI设施中,购物设施均值最大,数目最多,而公交车站均值最小,数目最少。

2.3 分析方法

在以往犯罪地理相关研究中,由于作为计数因变量的犯罪案件通常作为小概率事件,数据本身呈偏态分布,因此泊松回归或负二项回归模型对一般犯罪数据具有较好的拟合效果[34]。似然比检验（LR test）结果α值显著大于0时选择负二项回归模型,反之,选择泊松回归模型[35]。对本研究的各时段盗窃警情进行似然比检验,发现α值并不显著大于0,因此本次研究采用泊松回归模型。
本次研究使用泊松回归模型定量分析前文所选取的8类自变量对因变量盗窃警情的影响程度,其公式如下：
ln ( λ i ) = β 0 + ∑ n N β n x in + ε i ( n = 1,2 , · · · , N )
式中：λi为第i个网格内盗窃警情的数量;xin为第i个网格内的第n类自变量,分别为涉毒人员日常活动、微信活动人口、巡逻盘查点、土地利用混合度、公交车站、休闲娱乐设施、农贸批发市场与购物设施;β0为截距; βn为第n类自变量系数; εi为模型残差。
其中,泊松回归模型的方差与期望分别为：
Var ( Y i | X i , β ) = λ i + α λ i 2
E ( Y i | X i , β ) = λ i
在使用泊松回归模型系数表征对因变量的影响时,通常把系数β转换为发生率比（Incidence Rate Ratio, IRR）,即自变量x每增加一个单位,事件的发生概率将增加为原来的IRR倍,转换的公式为：
IRR = exp ( β i )
本文对不同时段的盗窃警情与涉毒人员日常活动空间格局初步进行定性分析后,分别对不同时段的盗窃警情及其影响因素建立泊松回归模型,最后通过对比模型结果,定量讨论涉毒人员日常活动对盗窃警情时空格局的影响。

3 盗窃警情、涉毒人员日常活动、微信活动人口时空分布特征

3.1 盗窃警情、涉毒人员日常活动、微信活动人口时间变化特征

将各时段盗窃警情、涉毒人员日常活动人次、微信活动人口归一化制图。如图2所示,XT派出所辖区内的盗窃警情数量随时间而变化,具有明显阶段性,在不同时段呈现不同的变化趋势。在早上 7:00—10:00时段,盗窃警情先降后升,于8:00达到谷值;在中午10:00—13:00时段中,警情回升至第一个峰值,随后警情逐渐减少,于12:00达到低谷;在下午13:00—16:00时段中,警情开始有所回升,于14:00达到全天警情最高值,随后警情开始回落;在傍晚16:00—19:00时段中,16:00时达到第三个警情低谷,之后警情开始增长,直至18:00。在白天时段内盗窃警情在10:00、14:00、18:00共出现3个峰值。在夜晚-凌晨7:00—7:00 时段,盗窃警情从 21:00起发生陡降,于4:00逐渐回升。
图2 各时段盗窃警情、涉毒人员日常活动、微信活动人口的时间分布

Fig. 2 Volume of the theft、drug addicts and WeChat populatiuon for each hour

同时,涉毒人员活动人次数目在白天时段的时间分布上也具有类似的变化趋势。在白天的不同时段内总体呈逐渐增长、缓慢减少、再次增长的过程,其中在8:00与16:00出现2个涉毒人员活动人次峰值,而在中午到下午10:00—16:00时段中,涉毒人员活动人次处于低谷期。可见涉毒人员日常活动在白天时段内具有早上、傍晚时段活动人次高,中午、下午时段活动人次低的活动规律。在夜晚—凌晨时段,由于光照条件较差,涉毒人员活动数据不具有较高的精确度,活动人次发生陡降。
在白天7:00—19:00时段,盗窃警情与涉毒人员活动人次的时间分布存在一定共性。二者均在早上7:00—10:00时段与傍晚16:00—19:00时段存在较高值,且在中午10:00—13:00时段盗窃警情与涉毒人员日常活动均处于低谷期,总体上二者变化趋势存在相似之处。同时盗窃警情与涉毒人员活动人次时间分布也存在差异,在下午13:00—16:00时段,涉毒人员活动人次较低,但盗窃警情于14:00 达到峰值。
对比涉毒人员日常活动与微信活动人口时间分布可以发现,这2类变量在时间上存在较大差异。微信活动人口在研究时段内波动较大,于 12:00、15:00、18:00分别存在3个峰值。可见普通居民的日常活动与涉毒人员的日常活动差异较为明显,涉毒人员具有与普通居民不同的活动规律,说明将涉毒人员日常活动从当地居民活动中提取进行分析有其合理性。

3.2 盗窃警情、涉毒人员日常活动、微信活动人口空间分布特征

3.2.1 盗窃警情空间分布特征
不同时段盗窃警情的空间分布如图3所示。结合图1可见,研究区内存在以东西2个主要城中村为中心的盗窃警情热点,分别为研究区东南处的城中村A与研究区西南处的城中村B。其中城中村A在东西方向上与两处商业街相邻,附近商店、餐馆分布密集。城中村B东西方向上与两处居民小区交界,附近菜市场、农贸市场众多。在不同时段,盗窃警情的空间分布主要围绕着这2个城中村发生 变化。在早上7:00—10:00时段,警情主要在城中村A附近向四周呈带型分布,在城中村B也存在较多警情聚集;在中午10:00—13:00时段城中村A、B附近皆存在较多警情且整体呈东西方向延伸分布;在下午13:00—16:00时段,城中村A附近盗窃警情分布在南北方向延伸成片,城中村B附近有少许警情分布;在傍晚16:00—19:00时段,盗窃警情密度增加,城中村A附近盗窃警情重心由北向南转移,城中村B处的盗窃警情重心也向四周转移,形成多中心多热点的空间分布格局。在夜晚-凌晨19:00— 7:00 时段,盗窃警情的分布产生一定的收缩,以城中村A附近为主要热点。整体上看,盗窃警情空间分布存在由城中村A、B向其四周发展的趋势。
图3 各时段盗窃警情空间分布

注：图外围的数字和字母用于标志每个网格所在位置。

Fig. 3 Spatial distribution of theft for different time periods

3.2.2 涉毒人员日常活动空间分布特征
不同时段涉毒人员日常活动的空间分布如图4所示。早上7:00—10:00时段在H6、I7、J7共3个 网格处存在主要涉毒人员日常活动热点;中午 10:00—13:00时段与下午13:00—16:00时段涉毒人员日常活动分布相似,主要在I7、J7网格处为主要活动热点,在研究区内部呈多热点环状分布;傍晚16:00—19:00时段在I7、I8、J7、J8网格处为主要的涉毒人员日常活动热点。夜晚—凌晨时段的涉毒人员日常活动的空间分布则为白天各时段的累加。上述热点区域均位于研究区城中村及其周边商业区中。根据时间顺序,涉毒人员日常活动存在早上、傍晚时段活动人次多分布广,中午、下午时段活动人次少分布集聚的特点,主要分布地点在研究区南部边界的城中村A附近。
图4 各时段涉毒人员日常活动密度的空间分布

注：图外围的数字和字母用于标志每个网格所在位置。

Fig. 4 Spatial distribution of drug addicts'routine activity for different time periods

3.2.3 微信活动人口空间分布特征
不同时段的微信活动人口的空间分布如图5所示。不同时段的微信人口分布空间差异不大,居民主要活动热点均分布在城中村A、B附近。活动热点附近分布有大量菜场、餐馆、商场、KTV等POI设施,存在多种居民活动节点,建成环境较为复杂,在下午、傍晚时段吸引大量人口在其附近活动。对比图4与图5可见,研究区内微信活动人口分布格局与涉毒人员日常活动分布格局具有较明显差异,涉毒人员日常活动具有更多的活动重心且不同时段间涉毒人员分布差异更大,进一步证明涉毒人员与普通居民具有不同的日常活动规律。
图5 不同时段微信活动人口空间分布

注：图外围的数字和字母用于标志每个网格所在位置。

Fig. 5 Spatial distribution of WeChat Population for different time periods

根据盗窃警情与涉毒人员日常活动空间分布图可以看出,盗窃案发地大致分布在涉毒人员高活动密度区域附近,盗窃警情与涉毒人员日常活动之间存在一定的空间相关性。根据各个时段的盗窃警情与涉毒人员活动人次计算其相关系数,可得 6个时段的皮尔逊相关系数分别为0.547（白天）、0.445（夜晚-凌晨）、0.353（上午）、0.315（中午）、0.379（下午）、0.390（傍晚）（都在0.01的水平下显著）。可初步认为涉毒人员日常活动与盗窃存在着正相关关系,且在不同时段相关性存在一定差异。其中在白天时段相关性大于夜晚-凌晨时段,而白天时段中,傍晚16:00—19:00时段内二者相关性最高。

4 涉毒人员日常活动对盗窃空间格局的影响分析

4.1 盗窃回归模型特征的时间差异

在定性分析盗窃警情与涉毒人员日常活动时空分布特征的基础上,本小节结合日常活动理论“犯罪三角”中其他因素的影响,进一步定量分析涉毒人员日常活动对盗窃警情的影响。本研究建立静态数据模型与全天活动数据模型、白天7:00—19:00、夜晚-凌晨19:00—7:00这2个主时段,上午7:00—10:00 、中午10:00—13:00、下午13:00—16:00、傍晚16:00—19:00共4个子时段共8个泊松回归模型。对各时段研究数据进行泊松回归计算后发现模型结果通过卡方检验,其chibar2值皆在0.001水平下显著,说明模型内选取变量对因变量具有较好的解释作用。模型内各变量均已进行Z-Score标准化处理,使得不同类型自变量对因变量的影响作用可进行对比。模型结果主要为各个变量在不同时段对因变量的影响系数beta值与其发生率比IRR值,具体如表3所示。
表3 不同时段盗窃警情泊松回归模型结果

Tab. 3 Poisson regression model for different time periods of theft

变量 静态数据
（00:00—12:00 ）		 活动数据
（00:00—12:00）		 白天
（7:00—19:00 ）		 夜晚-凌晨
（19:00 —7:00）		 上午
（7:00—10:00）		 中午
（10:00 —13:00）		 下午
（13:00 —16:00）		 傍晚
（16:00—19:00）
IRR beta IRR beta IRR beta IRR beta IRR beta IRR beta IRR beta IRR beta
涉毒人员日常活动/百人 1.183 0.168*** 1.205 0.187*** 1.134 0.126** 1.229 0.206** 1.161 0.149* 1.140 0.131* 1.237 0.212**
微信活动人口/千人 1.739 0.553*** 1.708 0.536*** 1.706 0.534*** 1.981 0.684*** 1.811 0.594*** 1.644 0.497*** 1.480 0.392***
有无民警盘查 4.684 1.544*** 4.733 1.555*** 3.248 1.178*** 2.572 0.945*** 1.398 0.335* 1.339 0.292 2.603 0.957*** 1.937 0.661***
土地利用混合度 1.264 0.234*** 1.201 0.183*** 1.023 0.023 1.475 0.388*** 1.195 0.178 0.975 -0.025 1.047 0.046 1.024 0.024
公交站点/个 1.004 0.004 1.028 0.028 1.024 0.024 1.039 0.039 1.092 0.088 0.995 -0.005 0.994 -0.006 1.062 0.060
休闲娱乐设施/个 1.028 0.028 1.017 0.017 1.019 0.019 1.000 0.000 0.858 -0.154 1.124 0.117 1.053 0.051 0.939 -0.063
农贸批发市场/个 1.035 0.034 1.025 0.024 1.016 0.016 1.015 0.015 1.023 0.023 0.976 -0.025 1.003 0.003 1.059 0.058
购物设施/个 1.029 0.029 0.992 -0.008 1.034 0.033 0.913 -0.091 1.123 0.116 0.980 -0.020 1.026 0.026 1.117 0.110
历史毒品交易点/个 1.097 0.093***
居民数目/千人 1.952 0.669***
常量 0.307 -1.182*** 0.311 -1.168*** 0.248 -1.392*** 0.146 -1.926*** 0.063 -2.764*** 0.109 -2.217*** 0.077 -2.558*** 0.090 -2.411***
最大VIF值 1.87 1.92 1.97 1.47 1.39 1.45 1.46 1.56
AIC 937.728 868.933 674.285 526.006 262.504 339.825 326.459 331.422
BIC 973.237 904.442 709.794 561.514 298.013 375.334 361.968 366.931

注： ***P < 0.01, ** P< 0.05, * P< 0.1, IRR为发生率比,beta为标准化系数。

分别计算8个模型内自变量的方差扩大因子VIF值,可见各模型中最大的VIF值均小于10,说明模型自变量间不存在过于严重的多重共线性[25],可通过共线性检验。AIC与BIC值均可表示模型的拟合优度,值越小代表拟合优度越佳。对比静态数据模型,全天活动数据模型将历史毒品交易点与居民数目变量替换为涉毒人员日常活动与微信活动人口变量,AIC值与BIC值变小,模型拟合优度提高。对比全天模型,划分时段后的白天模型与夜晚—凌晨模型的拟合优度存在明显提升。相较白天模型,夜晚—凌晨模型的拟合优度更高,进一步细分时段后上午、中午、下午与傍晚模型的拟合优度同样存在较大提升,其中上午7:00—10:00时段模型的解释效果最佳。以上结果均表明本次研究中通过划分时段可有效提高盗窃犯罪模型的拟合优度。

4.2 模型自变量影响系数的时间差异

对比8个模型中模型系数beta值,具有较明显的时段差异,说明不同时段内模型自变量对盗窃警情空间格局具有不同的影响机制。其中涉毒人员日常活动变量在除静态数据模型外的7个模型中对盗窃警情均存在显著正向影响,表明使用涉毒人员群体数据能较好地表征日常活动理论中“潜在犯罪者”概念,在涉毒人员这类潜在犯罪者活动人次越多的地方,发生盗窃警情的概率越大,且此类作用机制在7个模型中均显著存在。对比不同子时段涉毒人员日常活动变量的IRR值发现,涉毒人员日常活动在傍晚16:00—19:00 时段的影响最大,IRR值为1.237,即涉毒人员日常活动每增加100人次,因变量盗窃警情将在原来警情数目上增加23.7%。该变量在上午7:00—10:00时段的影响次之,在夜晚-凌晨19:00—7:00时段最小。说明在傍晚时段涉毒人员此类潜在犯罪者的日常活动对盗窃警情的影响比其他时段要大。验证了上文的假设,涉毒人员日常活动对盗窃警情的影响程度会随着时间而变化。
在各个模型中,微信活动人口变量对盗窃警 情均具有显著正向影响。其中在上午7:00—10:00 时段该变量边际作用最大,IRR值为1.981,即若其他变量不变,在该时段每增加1000人次的微信活动人口,因变量盗窃警情将在原来数目上增加98.1%。该变量在中午10:00—13:00时段的影响次之,在傍晚16:00—19:00时段最小。说明在上午时段微信活动人口表征的潜在受害者日常活动对盗窃警情的影响比其他时段要大,在傍晚影响程度相对较小。根据西方犯罪学学者的毒品研究,进行侵财犯罪的涉毒人员常缺少具有稳定收入的工作[15],因此在一天内的日常活动规律有异于普通居民活动。同时根据模型结果,可见涉毒人员在不同时段对盗窃的正向影响程度排序依次为傍晚、上午、中午、下午、夜晚-凌晨,而微信活动人口变量在不同时段的排序为上午、中午、夜晚-凌晨、下午、傍晚,可见两类人群活动变量对盗窃在一天内各时段具有不同的影响作用。已有研究发现,不同类型的活动数据在表征室内室外活动上具有不同的作用,室外活动变量对公共场所犯罪具有更好的解释效 果[24]。本次研究中微信活动数据难以区分室内与室外活动,而由街面摄像头记录的涉毒人员日常活动则基本发生在室外,与街面盗窃关系更加紧密。基于以上两点,将涉毒人员日常活动从普通人群活动中提取出来有其必要性。
巡逻盘查点变量在上午7:00—10:00时段、下午13:00—16:00 时段、傍晚16:00—19:00时段与夜晚-凌晨19:00—7:00时段对盗窃警情均存在显著正向影响,在中午时段无显著影响。其中该变量在下午时段的边际作用最大,IRR值为2.603。可见巡逻盘查点变量所表征的周遭环境中的监管因素在下午时段对盗窃警情的影响最大,在夜晚-凌晨时段次之。这一结果可能由基层民警的工作经验和考核标准导致,据了解考核标准会奖励与犯罪分布高度相关的盘查工作。根据在研究区的实地调研与警务实战相关文献,民警在巡逻盘查工作中会根据过往经验与实际人流量调整自己的巡逻盘查地点或直接在犯罪热点定点停留[36,37]。当研究区内人流量多时,民警可以通过人流的聚集而判断易发生盗窃的地段并有意识前往该地段进行盘查;当人流量较少,没有明显的人员聚集时,民警倾向于在主要交通路段进行日常巡逻盘查。因此在人流量较大的下午、傍晚时段,民警多在潜在的盗窃高发地巡逻盘查,此时巡逻盘查点变量对盗窃警情具有较大的正向影响,在人流量较少的上午、夜晚-凌晨时段,民警常在通勤候车区域或历史盗窃热点进行巡逻盘查,此时巡逻盘查点变量的影响作用相对较低。可见周遭环境中的监管因素会根据研究区不同时段的特征对盗窃警情具有不同的影响作用,这一差异可能是由人流量的变化而造成的。
土地利用混合度变量在夜晚-凌晨模型中对盗窃警情存在显著正向影响,在其他时段无显著影响,其中该变量在19:00—7:00时段的IRR值为1.475。可见土地利用混合度变量表征的建成环境因素在夜晚-凌晨时段对盗窃警情具有明显影响,土地利用混合度越高,越促进盗窃警情的发生。公交站点、休闲娱乐设施、农贸批发市场与购物设施等POI设施在各时段模型中无显著影响。
综上所述,涉毒人员日常活动、微信活动人口所表征的潜在犯罪者、受害者在各个时段对盗窃警情均存在显著正向影响,影响程度随时间而变化。其中涉毒人员日常活动在傍晚时段影响程度最大,微信活动人口在上午时段影响程度最大。而巡逻盘查点变量表征的监管因素在下午时段对盗窃警情影响程度最大,土地利用混合度表征的建成环境因素在夜晚-凌晨时段对盗窃警情具有显著影响,POI设施变量无显著影响。对比8个回归模型的拟合优度,全天活动数据模型优于静态数据模型,夜晚-凌晨模型优于白天模型,子时段模型优于白天模型,其中上午模型最佳。

5 结论与讨论

5.1 结论

本文将视角聚焦于潜在犯罪者——涉毒人员,基于摄像头提取的涉毒人员活动数据,构建泊松回归模型定量探讨涉毒人员日常活动对盗窃警情时空分布在不同时段的影响。主要发现如下：
（1）动态的潜在犯罪者、受害者日常活动数据比传统静态的抓获或警情数据可有效提高盗窃模型的拟合优度。
相比传统静态数据模型中使用历史案件点与人口普查数据表征潜在犯罪者与受害者在空间上的分布特征,本次研究利用高时空分辨率的摄像头识别数据与微信活动人口数据表征研究区内涉毒人员与普通居民在不同时段的空间分布,可明显提高模型的拟合优度。说明此类数据能较好反映潜在犯罪者、受害者日常活动的时空特征,对盗窃警情具有更高的解释作用。
（2）动态近实时的涉毒人员活动与居民活动比全天汇总的总人数能更好地解释盗窃的空间分布
对比全天活动数据模型、白天模型与早上、上午等子时段模型可知,模型时段越精细,模型拟合优度越高。根据不同模型中模型系数的差异,可见涉毒人员日常活动与普通居民日常活动在一天不同时段内具有不同时空特征,对高时空分辨率的日常活动数据划分时段能更好地表征潜在犯罪者、受害者一天内的活动差异,增强对盗窃警情的解释作用。
（3）土地利用混合度在不同时段对盗窃警情具有不同的影响作用
对比不同时段模型,土地利用混合度变量仅在夜晚-凌晨模型中对盗窃警情存在正向影响。说明在光线弱、可见度差的夜晚—凌晨时段,建成环境的复杂程度显著促进盗窃犯罪的发生。根据前人研究结果,土地利用混合度越高,盗窃警情发生的可能性越大[36,37]。本研究进一步发现,在不同时段建成环境因素对盗窃的影响存在差异,原因可能是不同时段人员活动与监管存在差异。

5.2 讨论

本次研究的创新点在于,采用微观动态的摄像头数据衡量涉毒人员这类潜在犯罪者群体的日常活动,相比传统静态数据有效地提高了盗窃犯罪模型的拟合优度,并发现涉毒人员日常活动在不同时段对其附近的盗窃警情具有不同程度的影响,而且,涉毒人员和普通居民的日常活动在细分的时间段比全天时段的盗窃警情具有更好的解释作用。在前人探讨POI功能与扒窃警情[38]或普通居民日常活动与盗窃的关系[27,28]基础上,本次研究在日常活动理论框架下,分析讨论了受害者日常活动、监管因素与建成环境因素在不同时段下对盗窃警情具有不同作用的原因,以实例进一步完善丰富了日常活动理论中“犯罪三角”与建成环境的耦合过程。
总体而言,本文基于日常活动理论,对不同时段涉毒人员日常活动与盗窃警情的时空关系进行探讨,验证了“潜在犯罪者”作为“犯罪三角”的重要角色之一,对犯罪时空分布存在显著影响,其影响作用在不同时段存在差异。由于本文选择警用摄像头数据作为涉毒人员日常活动的主要数据源,用精确度更高的白天时段数据表征夜晚时段涉毒人员的日常活动,并不能完全反映其全天日常活动轨迹,但研究结论所反映的客观规律依然值得借鉴——白天时段涉毒人员日常活动对夜晚-凌晨时段盗窃警情依然存在显著影响。后续研究将进一步细化涉毒人员日常活动规律,并探讨不同时空尺度下所反映的客观规律的异同。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
肖露子. 入室盗窃者作案地选择的空间特征及其影响因素[D]. 广州:中山大学, 2018.

[ Xiao L Z. Spatial characteristics of residential burglars' target location choice and its impact factors[D]. Guangzhou: Sun Yat-sen University, 2018. ]

[2]
张维. 吸毒人员基本特征实证研究——以社会预防为视角[J]. 法学杂志, 2018, 39(8):134-140.

[ Zhang W. Empirical study on the basic characteristics of drug addicts: From the perspective of social prevention[J]. Law Science Magazine, 2018, 39(8):134-140. ]

[3]
马誉宁. 吸毒人员侵财案件侦控对策研究[D]. 北京:中国人民公安大学, 2017.

[ Ma Y N. Resolution to the prevention and control the crimes against property committed by drug users[D]. Beijing: Chinese People's Public Security University, 2017. ]

[4]
朱飞, 李永升. 有组织犯罪与毒品犯罪的共生模式[J]. 吉首大学学报(社会科学版), 2010, 31(2):142-145.

[ Zhu F, Li Y S. On symbiotic pattern of organized crime and drug-related crime[J]. Journal of Jishou University (Social Sciences Edition), 2010, 31(2):142-145. ]

[5]
Nurco D N, Shaffer J W. Types and characteristics of addicts in the community[J]. Drug and Alcohol Dependence, 1982, 9(1):43-78.

PMID

[6]
姚桂华. 论毒品违法犯罪与其他刑事犯罪的关联性——以长沙市天心区法院判决资料为样本[D]. 湘潭:湘潭大学, 2004.

[ Yao G H. On the relevancy between drugs crime and other crimes: Taking the verdict data in Tian-Xin district court in Changsha city as sample[D]. Xiangtan: Xiangtan University, 2004. ]

[7]
Cohen L E, Felson M. Social change and crime rate trends: A routine activity approach[J]. American Sociological Review, 1979, 44(4):588.

DOI

[8]
Liu L, Feng J X, Ren F, et al. Examining the relationship between neighborhood environment and residential locations of juvenile and adult migrant burglars in China[J]. Cities, 2018, 82:10-18.

DOI

[9]
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. ]

[10]
Bernasco W, Johnson S D, Ruiter S. Learning where to offend: Effects of past on future burglary locations[J]. Applied Geography, 2015, 60:120-129.

DOI

[11]
Brantingham P, Brantingham P. Criminality of place[J]. European Journal on Criminal Policy and Research, 1995, 3(3):5-26.

DOI

[12]
Griffiths G, Johnson S D, Chetty K. UK-based terrorists' antecedent behavior: A spatial and temporal analysis[J]. Applied Geography, 2017, 86:274-282. [LinkOut]

DOI

[13]
Rossmo D K, Lu Y M, Fang T B. Spatial-temporal crime paths[EB/OL]. 2012

[14]
Bernasco W. Adolescent offenders' current whereabouts predict locations of their future crimes[J]. PLoS One, 2019, 14(1):e0210733.

DOI

[15]
Felson R B, Staff J. Committing economic crime for drug money[J]. Crime & Delinquency, 2017, 63(4):375-390.

[16]
Hunt D. Stealing and dealing: Cocaine and property crimes[J]. NIDA Research Monograph, 1991, 110:139-150.

[17]
Bennett T, Holloway K, Farrington D. The statistical association between drug misuse and crime: A meta-analysis[J]. Aggression and Violent Behavior, 2008, 13(2):107-118.

DOI

[18]
Ford J M, Beveridge A A. Neighborhood crime victimization, drug use and drug sales: Results from the “fighting back” evaluation[J]. Journal of Drug Issues, 2006, 36(2):393-416

DOI

[19]
Contreras C, Hipp J R. Drugs, crime, space, and time: A spatiotemporal examination of drug activity and crime rates[J]. Justice Quarterly, 2020, 37(2):187-209.

DOI

[20]
刘大千, 宋伟, 修春亮. 长春市“两抢两盗”犯罪的空间分析[J]. 地理科学, 2014, 34(11):1344-1352.

DOI

[ Liu D Q, Song W, Xiu C L. Spatial analysis on robbery, forcible seizure, vehicle theft and burglary in Changchun[J]. Scientia Geographica Sinica, 2014, 34(11):1344-1352. ]

[21]
毛媛媛, 丁家骏. 抢劫与抢夺犯罪行为时空分布特征研究——以上海市浦东新区为例[J]. 人文地理, 2014, 29(1):49-54.

[ Mao Y Y, Ding J J. Study on spatial-temporal patterns of robbery and snatch: A case study of Pudong new area, shanghaia[J]. Human Geography, 2014, 29(1):49-54. ]

[22]
柳林, 梁斯毅, 宋广文. 基于潜在受害者动态时空分布的街面接触型犯罪研究[J]. 地球信息科学学报, 2020, 22(4):887-897.

DOI

[ Liu L, Liang S Y, Song G W. Explaining street contact crime based on dynamic spatio-temporal distribution of potential targets[J]. Journal of Geo-Information Science, 2020, 22(4):887-897. ]

[23]
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. ]

[24]
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

[25]
Bernasco W, Block R. Robberies in Chicago: A block-level analysis of the influence of crime generators, crime attractors, and offender anchor points[J]. Journal of Research in Crime and Delinquency, 2011, 48(1):33-57.

DOI

[26]
McCord E S, Ratcliffe J H, Garcia R M, et al. Nonresidential crime attractors and generators elevate perceived neighborhood crime and incivilities[J]. Journal of Research in Crime and Delinquency, 2007, 44(3):295-320.

DOI

[27]
Song G W, Bernasco W, Liu L, et al. Crime feeds on legal activities: Daily mobility flows help to explain thieves' target location choices[J]. Journal of Quantitative Criminology, 2019, 35(4):831-854.

DOI

[28]
肖露子, 柳林, 周素红, 等. ZG市工作日地铁站点扒窃案件的时空分布及其影响因素[J]. 地理科学, 2018, 38(8):1227-1234.

DOI

[ Xiao L Z, Liu L, Zhou S H, et al. Spatio-temporal pattern of pickpocketing at subway stations on weekdays of ZG city and its influencing factors[J]. Scientia Geographica Sinica, 2018, 38(8):1227-1234. ]

[29]
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. ]

[30]
高枫, 李少英, 吴志峰, 等. 广州市主城区共享单车骑行目的地时空特征与影响因素[J]. 地理研究, 2019, 38(12):2859-2872.

DOI

[ Gao F, Li S Y, Wu Z F, et al. Spatial-temporal characteristics and the influencing factors of the ride destination of bike sharing in Guangzhou city[J]. Geographical Research, 2019, 38(12):2859-2872. ]

[31]
Shen Y, Zhang X H, Zhao J H. Understanding the usage of dockless bike sharing in Singapore[J]. International Journal of Sustainable Transportation, 2018, 12(9):686-700.

DOI

[32]
徐冲, 柳林, 周素红, 等. 微观空间因素对街头抢劫影响的空间异质性——以DP半岛为例[J]. 地理研究, 2017, 36(12):2492-2504.

DOI

[ Xu C, Liu L, Zhou S H, et al. Spatial heterogeneity of micro-spatial factors' effects on street robberies: A case study of DP peninsula[J]. Geographical Research, 2017, 36(12):2492-2504. ]

[33]
Shannon C E. A mathematical theory of communication[J]. Bell System Technical Journal, 1948, 27(3):379-423.

DOI

[34]
Berk R, MacDonald J M. Overdispersion and Poisson regression[J]. Journal of Quantitative Criminology, 2008, 24(3):269-284.

DOI

[35]
陈强. 高级计量经济学及Stata应用[M]. 北京: 高等教育出版社, 2010.

[ Chen Q. Advanced econometrics and stata applications[M]. Beijing: Higher Education Press, 2010. ]

[36]
Koper C S. Just enough police presence: Reducing crime and disorderly behavior by optimizing patrol time in crime hot spots[J]. Justice Quarterly, 1995, 12(4):649-672.

DOI

[37]
Ratcliffe J H, Sorg E T. The Philadelphia experience[M]// Foot Patrol. Cham: Springer International Publishing, 2017:21-41.

[38]
陈鹏, 李欣, 胡啸峰, 等. 北京市长安街沿线的扒窃案件高发区分析及防控对策[J]. 地理科学进展, 2015, 34(10):1250-1258.

DOI

[ Chen P, Li X, Hu X F, et al. Clustering pattern analysis and prevention strategies to pickpocketing offence along the Chang'an Street in Beijing[J]. Progress in Geography, 2015, 34(10):1250-1258. ]

Options
Outlines

/

〈 〉