严小兵
安徽师范大学国土资源与旅游学院,安徽 芜湖 241003
YAN Xiao-bing
中图分类号: K901
文献标识码: A
文章编号: 1000-0690(2013)05-0529-09
收稿日期: 2012-09-17
修回日期: 2013-03-18
网络出版日期: 2013-05-20
版权声明: 2013 《地理科学》编辑部 本文是开放获取期刊文献，在以下情况下可以自由使用：学术研究、学术交流、科研教学等，但不允许用于商业目的.
基金资助:
作者简介:
作者简介：严小兵（1981-）,男,江苏姜堰人,博士研究生,主要从事社会地理、城市犯罪研究。E-mail:ys1909@126.com
展开
摘要
利用空间统计方法,对于1993~2008年中国省域刑事犯罪率的分布及演变进行分析,结果发现：① 在空间整体分布上,高刑事犯罪率地区逐渐向沿海地区转移。② 在空间关系上,刑事犯罪率的空间集聚程度不断加强,高犯罪率区域集聚在沿海地区,低犯罪率区域集聚在中部地区,形成两极分化。③ 就刑事犯罪率增长而言,存在“俱乐部趋同”现象。同时,构建空间面板计量模型,研究刑事犯罪率影响因素,结果发现：① 在考虑时间和空间异质效应的条件下,流动人口与刑事犯罪率之间没有显著相关;但在与行业收入差距共同作用的情况下,流动人口与刑事犯罪率显著相关。② 行业收入差距对刑事犯罪率影响显著,其稳健性极强;城乡收入差距和省域收入差距对刑事犯罪率没有影响。③ 空间邻近效应是影响刑事犯罪率的极重要因素,其作用程度和稳健性都比流动人口和收入差距对刑事犯罪率的影响来得更为强烈。
关键词：
Abstract
By the methods of ESDA, Markov Chains, and based on the data of crime rates at province evel in China from 1993 to 2008, the spatio-temporal pattern change of crime rates were discussed. The results are shown as follows. First, on the overall distribution of space, the higher criminal rates gradually transferred to coastal areas. Second, The crime rates showed a strong trend of spatial correlation, the similar units cluster in space, the higher level spatial units were concentrated in the provinces of eastern China, and the lower level spatial unites were mainly in the provinces of middle China. There was an obvious trend in the “Polarization” of crime rates development level. Third, there exited a phenomenon of “Club Convergence” in crime rates development level in the study area, spatial discrepancy of crime rates development level has become greater. Referring to the previous studies, the relationship among income inequality, floating population and crime rates. In order to improve the overall predicting ability for crime rates at province level, the “spatial effect” is incorporated into the panel econometric model. The panel econometric model includes two effects, fix effect and random effect. Generally speaking, the fixed effect model is favored when the regression analysis is applied to a precise set of regions; random effect, instead, is an appropriate specification if a certain number of individuals are randomly drawn from a large region of reference. For this reason, the fixed effect panel model is chosen, which is extender to include spatial error autocorrelation or a spatially lagged dependent variable autocorrelation. This article uses spatial lag fixed effect panel regression model to analyze the relationship between macro factors and crime rates. The regression results show that considering the effect of time and spatial heterogeneity of conditions, there is no significant correlation between floating population and crime rates; but under the common role of the industry and the income gap, the floating population and the crime rates has significantly correlation. The correlation between industry income inequality and crime rates is much bigger than the correlation between urban-rural income inequality and regional income inequality and crime rates, and, the result is robust in a series of sensitivity tests, it means that industry income inequality has a leading effect on crime rate. The neighborhood spatial effect is the most important factor when explain crime. The construction of transportation infrastructure leads to time-space compression, and the time-space compression has a profound influence on neighborhood spatial effect.
Keywords：
随着中国经济从计划经济到市场经济的转变,城市化水平的不断提高,中国经济取得了世界瞩目的成就。但同时,各种社会问题不断凸显,其中最重要的一个问题便是犯罪率的急剧升高。中国公安机关立案的每万人财产犯罪率和暴力犯罪率自改革开放以来都大幅增加,每万人总犯罪率从1978年的5.57起增到2008年的36.78起,增长了近7倍 [1]。
对犯罪活动分布以及影响因素的研究一直是国内外犯罪研究的重点。相较国内,国外的研究比较全面,包括了研究犯罪活动的分布位置以及分布密度[2],探测犯罪空间分布热点[3],以探索性空间数据分析方法从整体关系研究犯罪活动的集聚程度[4]。随着研究的深入,国外研究者加入时间变量,研究犯罪活动在时空上的演变[5]。而国内主要从犯罪活动随时间的变化[6-8]和犯罪活动的空间分布2个角度进行研究[9-12]。由于犯罪统计资料的缺乏,国内的研究往往分割了时间和空间,只研究犯罪活动随时间的变化,或空间的分布差异。
对犯罪活动空间差异影响的因素研究,宏观层面关心社会、经济属性[13];微观层面关心环境因素[14],但人口的流动性和收入的差异性是2个共同关注的变量[3,13-21]。随着人文社科领域的空间转向,国外的研究者开始构建空间计量模型,研究影响犯罪发生的个体属性之外的“空间效应” [22-24]。国内的研究还没有认识到空间效应的重要性,表现为选择OLS为计量模型,将空间效应摒弃在解释变量之外,而国外的研究尽管认识到空间效应的重要性,但研究结论基本基于截面计量,很少使用面板计量。
中国大陆31个省份和直辖市的自然、社会、经济状况差别巨大,犯罪活动尽管在整体上呈现了增长的趋势,但各个省份的增长情况却未必相同。研究犯罪活动在不同省份的不同变化,可以与不同省份具体的个体属性相结合,寻找对犯罪活动影响的不同变量,这对理解犯罪问题具有重要的意义。本文首先利用空间统计技术研究了1993~2008年中国刑事犯罪率在大陆各个省份的时空变化,然后再构建空间面板模型,研究刑事犯罪率时空演变的机制。
研究空间问题的一个关键的步骤便是建立空间权重矩阵,空间权重矩阵反映了空间单元之间的关系,空间权重矩阵构建方法有多种,本文以一阶Queen相邻为依据。中国大陆31个省份中的海南省是一个与别的省份都不相邻的海岛,所以本文的研究范围为不包括海南省的其他中国大陆省份。重庆市是1997年开始设立直辖市的,在1997年之前重庆市属于四川省的行政管辖范围。为了数据的完整和连续性,对个别年份的重庆市数据进行了空间插值。基础资料来自历年的《中国检察年鉴》[25]、《全国暂住人口统计资料年鉴》[26]、《中国统计年鉴》[27]。
1.2.1 探索性空间数据分析
探索性空间分析（Exploratory Spatial Data Analysis,ESDA）,指利用统计学原理和图形表达相结合对空间信息的性质进行分析、鉴别,其本质是以空间关联测度为核心,通过对事物或现象空间分布格局描述和可视化,发现空间集聚和空间异质,揭示研究对象之间的空间相互作用机制[28]。一般有全局空间自相关指标Moran′s I和局部Moran 散点图。
1） Moran′s I指数,反映变量的空间集聚和关联程度。计算方法如下：
式中,xi、xj为i、j位置的空间数据属性值,
2） Moran 散点图,反映了空间单元观察值之间关联和差异程度。以空间各单元观测值xi为x轴,以wijxi为y轴,Moran 散点图有4个象限,分别为高高（HH）型、高低（HL）型、低高（LH）型、低低（LL）型,分别代表空间观测值与其邻域空间单元观测值的4种关系：HH为自身单元与邻域空间单元观测值均高,HL为自身观测值高,而邻域观察值低,LH为自身观测值低,而邻域观察值高,LL为自身观测值和邻域观测值均低。
1.2.2 马尔可夫链
马尔可夫链以俄国数学家马尔可夫命名,用以研究无后效条件下时间和状态均为离散的随机转移[29]。其基本思想为,在t0时刻所处的状态为已知条件下,过程在t（>t0）所处的状态与在t0时刻之前所处的状态无关,即已知过程“现在”的条件下,其“将来”不依赖“过去” [30]。在该方法中,将连续变量离散成几个等级,计算其相应等级的概率分布及变化,近似反映变量等级间转移的过程。如果分成4个等级,那么可以建立4×4的马尔可夫转移矩阵。计算公式为：
式中,mij为转移概率,nij表示在整个研究时间段内,由t年份属于i类型的区域在t+1年份属于j类的区域单元之和,ni为所有年份中属于i类型的区域单元数量之和。如果初始年份属于i类型,在下一年份仍然属于i类型,则定义该区域单元为“平稳”,如果某一区域单元类型提高,则定义为“向上转移”,反之为“向下转移”。
1.2.3 计量模型
传统的计量模型,假设了变量之间相互独立。而地理学的第一定律认为事物在空间上都是关联的,距离越近,关联越强;距离越远,关联越弱[31],这便是空间数据的一个重要特点：空间依赖。如果忽略空间依赖关系,使用传统计量模型就会带来2个严重的问题：一是计量结果的偏差;二是无法计量空间效应对犯罪分布的影响。
Anselin对空间计量经济学模型进行系统研究,将传统计量经济学忽略的空间效应纳入模型,考虑空间数据的非均质性建立模型。根据不同变量的空间效应的分析,主要包括了空间滞后模型(spatial lag model,SLM)和空间误差模型(spatial error model,SEM) [32]。随着研究的深入,面板计量的优势逐渐被人文社科研究所认识,所以截面的计量逐渐被面板的计量所代替,而空间计量经济模型与面板数据的结合被学者称为空间面板计量经济模型,同样存在2种基本的空间面板计量经济模型：空间滞后面板模型和空间误差面板计量经济模型。具体形式为：
SLM-PANEL
式中,Yit为时间t的横截面个体i的因变量;Xit为自变量;β为回归系数列向量;εit、φit为误差项;ΣwijYit为因变量的空间效应,其中wij为n×n空间权重;δ为因变量空间效应系数;μi为空间固定效应;λt为时间固定效应;Σwijφit为误差项空间效应;ρ为误差项空间效应系数。
本文重点分析刑事犯罪率的空间滞后效应对各省份犯罪分布的影响,所以选择空间滞后面板模型。
为了研究中国省域刑事犯罪率的空间格局演变过程,本文分别从空间分布、空间关系以及空间等级3个方面,以空间统计的手段,以省域为基本研究单元,进行刑事犯罪率的分布变化特征分析。
利用GIS工具将1993~2008年30个省和直辖市的刑事犯罪率,按自然断裂点划分成高、中高、中低和低4个等级,并绘制其空间分布图（图1）。刑事犯罪率的分布并非每一年都与上一年份有明显区别,本文选择1993年、1998年、2003年、2008年为分析时点,从中分析刑事犯罪率空间分布的整体变化趋势。
从分析结果可以看出：① 1993~2008年,中国省域刑事犯罪率由高低相间的分散分布,逐渐发展到高刑事犯罪率地区向东南沿海转移并集聚,低刑事犯罪率地区向中西部转移并集聚。② 就不同的时段变化而言：1993~1998年,刑事犯罪率高值地区逐渐由西部移至东部地区;2003~2008年,刑事犯罪率高值地区逐渐由北部地区移至南部地区。
空间自相关是分析变量之间空间关系重要的指标,按照不同的分析尺度,可以分为全局空间自相关和局部空间自相关。全局空间自相关关心的是整体的分布,通过计算全局Moran′s I指数,可以判别变量的空间模型属于集聚模式、分散模型还随机模型。局部空间自相关从局部层面描述空间关系,通过对每个空间单元进行分析,发现每个空间单元的空间关系。
应用ESDA方法,分别计算1993~2008年各省份的刑事犯罪率的全局Moran′s I指数,绘制Moran散点图,同时按照各省份与相邻省份之间的空间关系划分HH型、HL型、LH型、LL型,分别对应自身与邻域犯罪率均高、自身犯罪率高,邻域犯罪率低、自身犯罪率低,邻域犯罪率高、自身和邻域犯罪率均低4种空间类型。
2.2.1 全局空间关系变化
分别计算1993~2008年各年份的Moran′s I指数。从图2可以看出：① 刑事犯罪率的Moran′s I从1993年0.043,逐渐增加到2008年的0.262,说明刑事犯罪率从最初的随机分布逐渐发展到空间集聚,并且集聚的程度不断加强,意味着高犯罪率地区倾向与高犯罪率地区集聚,低犯罪率地区倾向与低犯罪率地区集聚。② 空间整体关系的时段变化而言,1993~1999年变化较大,从1993年的0.043变化到1999年的0.29;2001~2008年变化较平稳,除了2002年的0.10略小,2007年的0.283略大以外,整体处于平稳上升的趋势。
2.2.2 局部空间关系变化
以ESDA方法对1993~2008年各省份的刑事犯罪率绘制Moran散点图,结果图3。
从结果中可以看出：① HH型地区从1993年的3个增加到2008年的6个,LL型地区从1993年的12个增加到2008年的14个;说明局部的空间集聚不断增强。就不同时段而言,1993~1998年的变化程度要小于2003~2008年。② 1993~2008年间,LH和HL地区数量在减少,说明除去高值集聚和低值集聚剩下省份的刑事犯罪率的空间差异性逐渐缩小。
为了清晰看出30个省份刑事犯罪率等级的空间变化,分别将1993~1998年、1998~2003年、2003~2008年,3个时段各省份的刑事犯罪率划分成高、中高、中低、低4类。以某一年30个省份的平均刑事犯罪率为基准,如果某一省份的刑事犯罪率大于平均值的150%,则定义为高;如果某一省份的刑事犯罪率位于平均值的100%~150%之间,则定义为中高;如果某一省份的刑事犯罪率位于平均值的75%~100%之间,则定义为中低;如果某一省份的刑事犯罪率低于平均值的75%,则定义为低。以马尔可夫链计算4个等级之间的转移,计算结果如表1。
表1 1993~2008年刑事犯罪率马尔可夫转移矩阵
Table 1 The Markov matrix of crime rate in 1993-2008
| 省份数 | 低 | 中低 | 中高 | 高 | ||
|---|---|---|---|---|---|---|
| 1993~1998 | 低 | 47 | 0.8936 | 0.1064 | 0.0000 | 0.0000 |
| 中低 | 53 | 0.1321 | 0.7547 | 0.1132 | 0.0000 | |
| 中高 | 67 | 0.0000 | 0.1045 | 0.8806 | 0.0149 | |
| 高 | 13 | 0.0000 | 0.0000 | 0.0000 | 1.0000 | |
| 1998~2003 | 低 | 50 | 0.9000 | 0.1000 | 0.0000 | 0.0000 |
| 中低 | 49 | 0.1020 | 0.8163 | 0.0816 | 0.0000 | |
| 中高 | 66 | 0.0000 | 0.0455 | 0.9091 | 0.0455 | |
| 高 | 15 | 0.0000 | 0.0000 | 0.2000 | 0.8000 | |
| 2003~2008 | 低 | 54 | 0.9259 | 0.0741 | 0.0000 | 0.0000 |
| 中低 | 51 | 0.0784 | 0.8627 | 0.0588 | 0.0000 | |
| 中高 | 53 | 0.0000 | 0.0755 | 0.9057 | 0.0189 | |
| 高 | 22 | 0.0000 | 0.0000 | 0.0455 | 0.9545 |
矩阵中对角线的元素为空间等级没有发生变化的概率,非对角线上的元素则为不同等级之间相互转移的概率。从结果可以看出：① 从3个时段的转移概率比较而言,空间等级之间转移都仅仅发生在相邻等级之间,没有出现跨越等级转移的情况;矩阵对角线的元素表示了等级转移的平稳状态,其转移概率越来越大,说明刑事犯罪在空间上的增长存在“俱乐部趋同”。② 低等级数量和高等级数量逐渐增加,低等级停留在低等级的概率从0.894增大至0.926,刑事犯罪率的空间分布存在极强的“两极分化”。
根据既有的研究,本文选取城市化水平、收入差距、流动人口比例为解释变量,并将收入差距细分为城乡收入差距、省域收入差距、行业收入差距。其中,城市化水平为各省份城镇人口与总人口的比例、城乡收入差距为城市居民人均可支配收入与农村居民人均纯收入的比值、省域收入差距没有细分不同省域城镇居民收入差距或是农村居民收入差距,而是考虑各省域整体的收入差距,借鉴已有学者的研究[33],以各省域人均GDP为指标,以北京的人均GDP为基准,各地区的人均GDP与北京人均GDP的比值为地区收入差距、行业收入差距计算方法为将各年份各省份所有行业的工资收入进行排序,以工资最高的行业与工资最低的行业的比值为代表、流动人口比例为各省份暂住人口与常住人口的比值。
以空间滞后面板模型对影响刑事犯罪率的影响因素进行计量（表2）,结果表明：① 城市化水平、收入差距、流动人口、空间效应对刑事犯罪率均有影响,但不同模型中表现并不一致。② 空间异质和时间异质对计量结果有不小的影响。对于空间异质而言,中国大陆的30个省份由于经济、社会状况相差较大,不同影响因素对刑事犯罪率的作用在各个省份表现并不相同;对于时间异质而言,一些没有被计入模型的变量在不同年份有不同的表现,典型的一个例子便是：“严打”政策。中国大陆在1983年、1996年、2001年、2010年实施了“严打”政策,在本文的研究范围内1996年和2001年政策的实施,使得模型的时间异质效应表现显著。
表2 空间面板计量结果
Table 2 Spatial panel econometric results
| 地区固定效应 | 时间固定效应 | 地区和时间固定效应 | ||||
|---|---|---|---|---|---|---|
| 系数 | T值 | 系数 | T值 | 系数 | T值 | |
| 城市化水平 | 0.065 | 3.125** | 0.044 | 1.145 | 0.051 | 2.504* |
| 城乡收入差距 | 0.172 | 2.683** | 0.144 | 1.497 | 0.001 | 0.008 |
| 地区收入差距 | 0.023 | 0.459 | 0.073 | 1.207 | 0.173 | 2.709** |
| 行业收入差距 | 0.055 | 1.827 | 0.139 | 2.097* | 0.076 | 2.190* |
| 流动人口 | 0.040 | 1.976* | 0.217 | 9.339*** | 0.029 | 1.294 |
| 空间效应 | 0.565 | 12.39*** | 0.181 | 3.169** | 0.224 | 3.426*** |
为了进一步理解不同变量的不同作用,具体对每个变量对刑事犯罪率的影响及作用机制进行详细分析。
1） 城市化水平与刑事犯罪率
在考虑地区固定效应和考虑地区和时间固定效应的模型中,城市化水平对刑事犯罪率影响显著,系数为正,说明城市化越高的地区,刑事犯罪率越高。在时间固定效应模型中,城市化水平与刑事犯罪率之间没有显著关系。因为时间固定效应模型考虑了不同年份的异质性,但假设了地区之间同质性,而中国城市化存在2种典型的模式：“自上而下”城市化和“自下而上”城市化,尽管两者都表现为人口的城镇化,但其内部的社会结构、经济结构的变化却有巨大的差别,所以假设地区同质性,并不能很好的符合中国实际的情况。
城市化的发展与刑事犯罪率之间的关系可以从2个方面加以解释：一是城市化过程带来了城市经济的发展、交易频繁、人口流动性大,这些为犯罪者提供了机会来源,在城市比在乡村更加容易寻找到犯罪的目标;另一方面,城市化意味着农村人口流向城市,城市人口大量扩展、人口密度增加再加上社会的经济发展,使得城市成为一个陌生人的社会,传统的控制几乎无法继续在控制犯罪方面起到特别大的作用。
城市化过程伴随着产业和人口的转移。改革开放初,由于户籍制度的限制以及城乡二元经济,城市化发展并不迅速,但进入20世纪90年代后,东部沿海经济快速发展,外资涌入,大量的劳动力转移到沿海地区,引起刑事犯罪率向东部集聚;而随着竞争的加剧,沿海地区的生产成本、土地资源约束了企业发展,大量的低技术产业开始向中西部转移,随之而来的是劳动力的转移,所以2000年以后,刑事犯罪率除了东部集聚外,中西部地区开始增加,且发展趋于同质均衡。中国刑事犯罪率的整体空间分布变化与城市化的发展的空间变化大致一致。
2） 收入差距与刑事犯罪率
地区收入差距在地区固定效应模型和时间固定效应模型中对刑事犯罪率没有影响关系,说明两者没有必然的联系。中国在1982年改革户籍制度,人口的自由流动成为可能,地区收入差距更多的引发人口的移动,并不是引发刑事犯罪的原因。至于在地区和时间效应模型中对刑事犯罪率影响显著,可能是由于人口流动带来的溢出效应。
城乡收入差距只有在地区固定效应模型中对刑事犯罪率影响显著,在时间固定效应模型、地区和时间固定效应模型中均没有显著相关性,其稳健性较差。中国城乡差距中西部地区相比东部地区要严重很多,东部地区由于城市化进程快,城市化水平较高,经济较为发达,对农村的投入比西部地区力度大很多,同时,城市化过程中的征地补偿和乡镇企业的发达,从客观上缩小了城乡之间差距。城乡收入差距的空间分布和变化也证明了其并非引发刑事犯罪率增加的原因。
行业收入差距在地区固定效应模型、时间固定效应模型、地区和时间固定效应模型中对刑事犯罪率均具有显著相关性。影响为正,说明行业收入差距的增加,会引发更多的刑事犯罪活动。因为行业收入差距的扩大一方面使得从事低收入工作的人强烈感知到收入的不公平;另一方面,行业收入的增加,整体上提高了一个地区的生活水平,使得低收入人群生活在高物价的环境中,驱使其通过犯罪手段改善生活。
行业收入差距与地区经济发展程度和产业的分布紧密相连,中国东南沿海地区由于经济发达,吸引了大量的外来劳动力,一些基础性的低端服务业由于处于充分竞争的状态,大量的廉价劳动力过剩,使得从事这些行业的人员收入较低且增长不快;而同时一些金融行业和高新技术行业,由于进入的门槛较高,其从业人员的收入水平较高且增长较快,所以行业收入差距的空间分布与刑事犯罪率的空间分布表现出一致性。另外由于高端产业不断向经济发达地区集聚,使得行业收入差距呈现集聚不断加强的态势,引发刑事犯罪率呈现“俱乐部趋同”的状态。
3） 流动人口与刑事犯罪率
流动人口与刑事犯罪率之间的相关性在只考虑地区固定效应和只考虑时间固定效应模型中存在,但在同时考虑地区和时间固定效应的模型中并不存在。就中国的发展而言,流动人口在空间的分布同样呈现了往东南沿海地区集聚的趋势,这与刑事犯罪的分布趋势大致相同。但并不能就此认为流动人口是引发刑事犯罪的原因,因为在考虑了时间异质和空间异质以及空间的邻近效应的情况下,流动人口与刑事犯罪并不相关。流动人口是一个模糊且宏大的变量,在统计资料收集时,流动人口包括了经商、务工、出差、借读培训、治病疗养、投靠亲友、探亲、旅游不同目的的人口,如此繁多的种类都被统计入流动人口的范围内。流动人口中经商、旅游、投友、出差、借读培训与犯罪之间没有逻辑上的联系,而务工的流动人口也包括了多种行业的人员,对流动人口与犯罪之间关系的研究,主要是从事底层工作的农民工与犯罪之间的关系比较明显,因为农民工进城,离开原来的乡土社会,难以融入城市环境;行业的收入差距扩大,农民工比城市居民更加强烈的感知到经济的压力;在情感和经济的双重压力下,农民工易产生犯罪行为。所以分析流动人口和刑事犯罪率之间关系,不能简单的说相关或是不相关,而是存在一定的作用条件。本文的研究支持了行业收入差距是流动人口与刑事犯罪显著相关的一个条件。
4） 空间效应与刑事犯罪率
空间效应在地区固定效应模型、时间固定效应模型、地区和时间固定效应模型中对刑事犯罪率都有显著影响,系数为正,说明空间效应与刑事犯罪率同方向变化。空间效应对刑事犯罪率的影响系数比其他的变量要大许多,说明空间效应是影响刑事犯罪率的一个极其重要的因素。空间效应的影响来自2个方面：一是“邻近效应”,现实中如果一个地区周边都是高犯罪率的区域,那么该地区往往不会安宁;二是“溢出效应”,人员的流动、社会的交往、经济的联系造成了区域犯罪率的趋同。两者起作用的载体是道路设施,高速公路和铁路的建设,让距离不再成为空间联系的障碍,使得中国刑事犯罪率整体不断趋于空间集聚;尤其是高铁的发展,加快了“时空压缩”,驱使区域城市的同城化,使得刑事犯罪率的局部集聚不断加强,高值在东部集聚,低值在中西部集聚,呈现两极分化的发展局面。
为研究中国省域刑事犯罪率的时空演变以及变化机制,以空间统计和空间计量的手段对1993~2008年16 a间中国大陆30个省份的刑事犯罪率的分布及变化进行研究,且以“城市化水平”、“流动人口”、“收入差距”为自变量,对影响刑事犯罪率的因素进行分析,可以得到如下的结论：① 中国省域刑事犯罪率总体分布逐渐向东南沿海地区转移,空间集聚的程度不断加强,高犯罪率地区集聚在沿海地区,低犯罪率地区集聚在中部地区,形成明显的两极分化。② 刑事犯罪率的增长存在“俱乐部趋同”现象。③ 在考虑时间和空间异质效应的条件下,流动人口与刑事犯罪率之间没有显著相关;但在与收入差距共同作用的情况下,流动人口与刑事犯罪率显著相关。④ 行业收入差距对刑事犯罪率影响显著,其稳健性极强;城乡收入差距和省域收入差距对刑事犯罪率没有影响。⑤ 空间邻近效应是影响刑事犯罪率的极重要因素,其作用程度和稳健性都比流动人口和收入差距对刑事犯罪率的影响来得更为强烈。
从空间分布的角度研究中国刑事犯罪率的变化,可以理解刑事犯罪率的整体分布态势,还可以发现变化过程中各省份之间的关系和等级演变;将“空间效应”这一被传统计量分析忽略的变量纳入计量模型,可以发现影响刑事犯罪个体属性之外的空间属性,更好的理解刑事犯罪率的分布差异以及制定合适的公共安全政策。但由于空间面板计量技术仍然处于不断的发展过程中,空间效应给变量带来的外生或内生的影响,以及时间异质和空间异质的存在使得计量变得异常的复杂,同时多种变量和效应的存在也得解释刑事犯罪率的影响变得复杂,所以对刑事犯罪率演变的机制还需更为深入和细致的研究。
The authors have declared that no competing interests exist.
| [1] |
社会福利支出的犯罪治理效应研究 [J]. |
| [2] |
Extreme spatial variations in crime density in Baltimore County, MD [J]. |
| [3] |
Space, place, and crime: hot spot areas and hot places of liquor-related crime [M]// |
| [4] |
Analyzing the dynamics of homicide patterns in Chicago: ESDA and spatial panel approaches [J]. |
| [5] |
Spatio-temporal interaction of urban cri- me [J]. |
| [6] |
贫富差距对违法犯罪活动的影响的实证分析 [J]. |
| [7] |
收入差距、经济增长与中国的财产犯罪:1978~2005年的实证研究 [J].
|
| [8] |
Modernization and crime patterns in China [J]. |
| [9] |
北京城市犯罪地理分析 [J]. |
| [10] |
城市刑事犯罪地理初探——以甘肃省为例 [J].
|
| [11] |
犯罪空间分布与环境特征——以上海为例 [J].
|
| [12] |
长春财产犯罪的空间分布 [J]. |
| [13] |
中国犯罪率的实证研究:基于1978~2005年的计量分析 [D]. |
| [14] |
Neighborhoods and violent crime: a multilevel study of collective efficacy [J]. |
| [15] |
On the origins of the violent neighborhood: a study of the nature and predictors of crime type differentiation across Chicago neighborhoods [J].
|
| [16] |
Inequality and crime:evidence from Russia's regions [J].
|
| [17] |
Inequality and crime across England:a multilevel modeling approach [J].
|
| [18] |
收入差距与刑事犯罪:基于中国省级面板数据的经验研究 [J].
|
| [19] |
人口流动对犯罪率的影响研究 [J].
|
| [20] |
犯罪率增长及其差异:正式与非正式的社会支持和保障的视角 [J].
|
| [21] |
我国地区收入差距、流动人口与刑事犯罪率的实证研究 [J]. |
| [22] |
Violent crime and the spatial dynamics of neighborhood transition:Chicago,1970-1990 [J]. |
| [23] |
Facilitating violence:a comparison of gang motivated, gang affiliated,and non-gang youth homicides [J].
|
| [24] |
Furthering the inter ration of routine activity and social disorganization Theories:small units of analysis and the study of street robbery as a diffusion process [J]. |
| [25] |
|
| [26] |
|
| [27] |
|
| [28] |
基于空间变差函数的长江三角洲经济发展差异演变研究 [J]. |
| [29] |
河南区域经济增长俱乐部趋同研究 [J]. |
| [30] |
吉林省中部粮食主产区城乡综合发展水平格局特征 [J]. |
| [31] |
A Computer Movie Simulating Urban Growth in the Detroit Region [J]. |
| [32] |
Spatial econometrics: method and models [M]. |
| [33] |
1952~2007年我国地区收入差距变化趋势——基于省际面板数据的单位根检验 [J]. |
/
| 〈 |
|
〉 |
