城市犯罪防控是城市管理领域的重要议题之一,也是构建安全城市的必然要求。国外的相关经验表明,作为犯罪学重要分支的犯罪地理研究,对城市犯罪防控措施的制定具有重要的参考价值^[1]( ① 抢劫罪是以非法占有为目的,对财物的所有人、保管人当场使用暴力、胁迫或其他方法,强行将公私财物抢走的行为,强调的是对受害人使用暴力劫取财物。而抢夺罪是指以非法占有为目的,乘人不备,公开夺取数额较大的公私财物的行为,侵犯公私财物的所有权,不侵害人身安全),对城市管理工作的进一步开展也具有很大的启示意义。犯罪现象具有典型的空间属性,绝大多数典型犯罪的发生是有具体作案地点的,且犯罪者和受害者也必然来自于某一地理空间内^[2]。而犯罪的地理分布规律、影响因素,以及空间层面的有效减少犯罪发生的机会等都是犯罪地理学的研究重点,对城市管理工作亦具有重要的借鉴意义。不同类型的犯罪,往往表现出不同的空间分布特征,也具有差异的影响因素,这决定了选取典型犯罪类型进行对比分析是非常必要的。

国外犯罪地理研究历史悠久,早在19世纪的法国,制图学派的代表人物Guerry和Quetelet就开始尝试利用犯罪地图来探究犯罪的空间分布规律^[2]。20世纪30年代,芝加哥学派的代表人物Shaw和Mckay首次将城市空间结构以及社会结构同犯罪现象相结合,开始了对影响犯罪空间分布的经济、社会、人口等因子的研究,并创造性的提出了犯罪地理领域影响深远的社会解组理论（Social Disorganization Theory）^[3~5],该理论同20世纪70年代出现的日常活动理论（Routine Activities Theory）^[6]并称为犯罪地理领域的两大经典理论。80年代以后,随着信息技术的广泛应用,尤其是地理信息系统（GIS）和全球卫星定位系统（GPS）技术在犯罪研究中得到了普遍推广,大量数据尤其是空间数据的获取成为可能,以犯罪空间分析为代表的犯罪地理研究获得了空前的发展。犯罪制图、犯罪热点监测以及犯罪因子的分析等诸多方面均涌现出大量的研究成果,尤其是在实践应用领域,国外警务机构将犯罪空间分析作为重要的工作内容。相比国外,国内的犯罪地理研究开始于改革开放以后,由于数据等方面的限制,相关研究一直停留在对国外理论和方法的介绍或者是基于经验层面的探讨,实证研究则非常有限,可以说,中国犯罪地理研究尚处在刚刚起步阶段。令人欣喜的是,国内警务机关对犯罪研究重视程度日益加强,在不涉及隐私的前提下也乐于提供部分犯罪数据以供研究。21世纪以来,国内犯罪地理实证研究的数量明显增加,研究质量和深度等都得到了提升^[7~15]。可以预见的是,国内犯罪地理研究具有广阔的空间,随着新技术、新方法的不断应用,研究成果会日益丰富。本研究首先分析了长春市“两抢两盗”犯罪率空间分布特征,进而采用多元回归分析的方法,探究各类犯罪在人口、经济、土地利用等方面的影响因子,并对之间的相互关系进行了分析和解释,最后结合本文研究结论提出了对城市管理工作的几点启示。

1 数据、对象和方法

1.1 研究对象和数据来源

本研究的研究对象为长春市2008年的抢劫、抢夺^①、机动车盗窃和入室盗窃4种类型的犯罪,研究的基本空间统计单元为长春市警区（各派出所的辖区范围）。长春的警区是介于社区和街道之间的一个层级,界限和街道界限相一致,是对街道的进一步划分。一个街道是由1~2个警区组成,而一个警区一般由若干个社区组成。考虑到城市与乡村在人口密度、聚居方式、地域景观等方面存在较大差异,为了便于比较,本研究选取城市内城作为研究范围,即研究区域只包括城市主城区的各街道及2008年建制下的富锋镇、奋进乡、幸福乡、新立城镇和西新镇所辖的几个紧邻内城且城市景观明显的乡镇警区,并不包括距离长春市主城区较远的双阳区和其他乡镇（图1）。研究范围内共包括74个警区。

本研究的犯罪数据来源于长春市公安局。为保障数据的一致性,本研究所涉及的人口、住房以及土地利用等方面的数据,来自于长春市城乡规划设计研究院2008年开展的“长春市人口与居住建筑密度调查及分析”的调查数据;各经营性服务网点的数据来自于长春市经济普查办公室;其他如道路分布、土地利用等数据的获取是利用ArcGIS9.3软件,通过对遥感地图配准、解译、数据整合等方法,并结合实地调研获取。

1.2 研究方法

1） 犯罪率

在犯罪研究中,犯罪率更能体现某一地区所面临犯罪风险的高低。本研究以各类犯罪率作为研究对象,计算各类犯罪的每万人发案率,其计算公式为：

R_ij=10000*C_ij/P_j （1）

式中,R_ij为i类犯罪在j警区的犯罪率,本文共计算抢劫、抢夺、机动车盗窃和入室盗窃4类犯罪的犯罪率,因此i的取值范围是1~4,j的取值范围为1~74;C_ij为j警区内i类犯罪的犯罪总量;P_j为j警区内居民总数。

2） 区位熵

为了对各个警区犯罪发案率的相对大小有更清晰的认识,本研究借用地理学中区位熵的概念,计算某类犯罪犯罪率区位熵,即某警区某类犯罪发案率同该类犯罪全市平均值的相对值,其计算公式如下：

Q_ij = CijPj∑j=1nCij∑j=1nPj（2）

式中,Q_ij为警区j内第i类犯罪的犯罪率区位熵,C_ij为警区j内i类犯罪总数量,P_j为警区j内的居住人口,n为警区总数,i和j的取值范围同前文一致。若某警区的区位熵值大于1则说明该警区某类犯罪发案率高于全市平均水平。犯罪率区位熵（Q_ij）是基于犯罪发案率这一指标的进一步深化,其一方面尽可能地规避人口数量对于犯罪发生的影响,清晰地反应出某类犯罪的空间分布情况,另一方面,可更有效的对全市各警区犯罪发生的相对风险进行判断。因此,本研究在探讨各类犯罪的空间分布特征时是基于各警区犯罪率区位熵这一指标来展开讨论的。

3） 多元回归分析

本文采用多元回归模型探究各类犯罪的相关影响因子。以各类犯罪的犯罪率为因变量,采用逐步回归的方法（Stepwise Regression）,确定各回归模型的自变量,进行多元OLS回归分析。同时输出VIF值检验各自变量的共线性,并对各变量系数进行双尾（two-tail）t检验,根据各变量系数的t值及显著性确定该变量是否同犯罪率的变化有显著关联。通过各保留变量系数的绝对值确定影响强度的大小,根据正负判断影响的方向。

在进行回归分析时,由于获得的其他相关因子变量,最小的空间尺度多是以街道为单位,为了使研究尺度统一,本文将警区的犯罪数据向上合并至街道层面,即在进行回归分析时,以街道为基本的统计单元,共计45个。

1.3 相关变量

国内基于城市街道层面的微观数据非常有限,因此无法收集到国外相关研究常用的变量,只能结合长春市数据的实际情况,通过其他多种渠道,尽可能地获取相关的数据并提取出相近的或具有替代意义的变量。本研究从人口、经济、尤其是土地利用层面,选取了多个变量同4种犯罪进行多元回归分析,经过逐个筛选,发现不同种类型犯罪的影响因子是存在显著差异的,经统计,与“两抢两盗”犯罪中某类或某几类犯罪存在关联的共包括9个变量,如表1所示。

2 各类犯罪的空间分异

从长春市犯罪数量特征来看,4类犯罪数量差异明显（表2）。入室盗窃的犯罪数量和犯罪率平均值都是最高的,而抢夺犯罪则均是最低的。此外,各类犯罪数量及犯罪率的最大值和最小值之间差异均较大。利用区位熵进行各类犯罪的空间分布研究发现4种类型犯罪空间分异特征明显（图2）。

2.1 抢劫

抢劫犯罪的发案率在分布上表现为明显的空间集聚,呈现出中心高外围低的特点（图2a）。其高值区明显集中在火车站及其周边区域（包括长江路、黑水路商圈等）、中央商务区（CBD）、桂林路商业区、红旗街商业区、文化广场周边地区等地,这些地区的抢劫犯罪发案率多为全市平均水平的2~4倍。结合抢劫犯罪高发区域的用地特点,不难发现其高发区多为长春市的商业娱乐区。究其原因,可能是由于大量人口聚集并从事商贸、购物、休闲、娱乐等活动,不仅增加了犯罪目标,也会吸引更多潜在犯罪者。此外,由于商业区的人员流动性大,彼此之间普遍互不熟悉,这也增加了犯罪防范和监管的难度,犯罪分子实施犯罪后难以追捕。

2.2 抢夺

抢夺发案率相对集中程度很高,高值区分布在火车站地区和重庆路商业区一带,其发案率接近全市平均值的8倍以上,其中最高值达到了全市平均水平的8.6倍（图2b）。而抢夺犯罪在多数地区的发案率均较低,呈现出明显的高低两极分化趋势。总体上看,抢夺犯罪多发生在城市中北部的城市中心地带,越向周边,发生的可能性则越低。抢夺犯罪集中在火车站和重庆路商业区等区域,可能因为这些地区是传统的人口、商业集中区,流动人口多,因而其携带的可供抢夺的财物目标也较其他地区多,同时,这些地区的通达性较高,便于作案后逃窜。

2.3 机动车盗窃

机动车盗窃率的总体分布表现为以铁路线、亚泰大街北段和伊通河为界线的明显的中心外围结构,但与抢劫和抢夺犯罪不同的是,机动车盗窃的高值区域主要出现在外围地区,而城市中心区域发案率则较低。机动车盗窃犯罪高发区主要分布在城市西部、北部区域(图2c)。应该注意到,机动车盗窃的分布相对较为分散和均匀,外围高发区的犯罪发案率多数仅为全市平均水平的1~2倍,几个机动车盗窃发案率最高的地区零散的分布在长春铁西和铁北的宽城区老城区,其最大值一般处在平均水平的2~4倍,并未出现过高的峰值。长春市的铁西和铁北的大部分地区属于老城区,其居住区往往是开放式的传统街区,表现为道路狭窄、整体环境较差的特点。专用的停车场地有限,尤其是私家车库更是不多见。多数私家车只能停在住区道路两侧。这些特征可能使得机动车盗窃者更容易接近犯罪目标。同时,由于城市老城区的路灯等设施的配置严重不足,加上各个居住小区鲜有闭路监控、社区保安等安全配套措施,这进一步增加了犯罪防控的难度。

2.4 入室盗窃

入室盗窃犯罪率高低与街区的主要功能有一定联系,大多数以居住为主要功能的警区的入室盗窃发案率都较高,而以商业区、动植物公园、南湖、大学、汽车厂厂区等为主体的区域,入室盗窃犯罪率则相对要低。总的来看,入室盗窃存在南北2个高发地区,呈现出南北两侧分异的特点,北部地区入室盗窃发案率水平普遍高于南部地区,尤其是城市西北方向犯罪高值区出现的可能性较高,几个入室盗窃发案率最高的地区均出现在城市西北部的警区内,多为全市平均值的2~4倍（图2d）。城市西北部区域,多数属于长春市老城区,可能是因为老城区的住房往往年久失修,人均居住面积狭小,房屋门窗较为容易被撬开,防盗设施薄弱,给了入室盗窃者以可乘之机。

3 犯罪影响因子分析

抢劫、抢夺和机动车盗窃犯罪率的回归分析表明抢劫、抢夺和机动车盗窃3类犯罪均发现了与之存在显著相关关系的变量,而入室盗窃却没能建立相应的回归模型,盗窃犯罪率同各因子均没有相互关系。究其原因,可能是由于入室盗窃犯罪的影响因素更为复杂和微观,本文以街道为分析单元,研究尺度仍然较大。另外,本文所选择的变量多来自于宏观层面,且多是间接变量,很少涉及到被国外研究所验证的诸如单亲家庭比例、失业率、外出时间等直接变量,因此可能无法解释入室盗窃发案率的空间变异。

抢劫、抢夺和机动车盗窃犯罪率的回归模型均通过了F检验,但各方程的判定系数却存在明显差别,表明各回归模型解释效力的不同。抢劫犯罪率回归模型修正判定系数（AdjR²）达到了0.704,说明各因子对抢劫犯罪率变异的70%以上,回归模型解释力最强。抢夺犯罪率回归模型次之,但也达到了50%以上,而机动车盗窃犯罪率回归模型各因子仅能解释因变量变异的22.3%,解释效力虽然有限,但是回归模型各因子系数均通过t检验,表明各因子同机动车盗窃率之间仍然是存在相关关系的。此外,所建立的3个回归模型的VIF值均不超过2,表明各模型中自变量的共线性问题可以忽略。各回归模型中各因子的作用强度和方向,则需要依据各因子标准化系数作进一步的判断,而对其相关关系的解释,则需要结合各类犯罪自身的特征做深入分析。

3.1 抢劫

抢劫犯罪率各因子影响强度的由大至小依次为道路网密度、商业用地比例、工业区和高层建筑个数（表3）,其中前两个变量与抢劫犯罪率的关系为正,后2个变量与抢劫犯罪表现出负向关系。

首先,道路网密度同抢劫犯罪率之间存在正向的相关关系。从长春市道路网格局可知,道路网密集的地区主要集中在城市的传统中心城区,因在早期的规划建设过程中,城市道路网密集程度往往较高,这与当时的规划设计标准和经济能力有关。较密集的道路网,意味着沿街商铺的增多,也意味着抢劫犯罪者有更多的犯罪机会和多个逃逸路口。街区内有密集的道路网,则街区的通达性和可进入性较高,但同时也是对街区完整性的切割,非本地居民较容易进入且不容易被识别出来,这就增加了抢劫犯罪防控的难度,这也许解释了这种正向关系存在的原因。

商业用地比例同抢劫犯罪率之间存在正向相互关系,可能是由于商业用地的性质多属于公共用地,任何人都可以进入,居民的领域感不强,因此对商业用地上发生的犯罪活动监控欲望不强。商业用地的增加,可能会增加隐蔽的犯罪空间盲区,从而利于抢劫犯罪的发生。此外,商业用地上存在更多的银行、ATM、证券交易所、超市等网点,更高比例的商业用地也意味着更多涉及现金的交易活动,吸引更多潜在犯罪者聚集。

大片工业区的存在与否同抢劫犯罪率呈负相关,是由于其间接表征的土地利用和人口聚集特征所决定。长春市大的工业区所在的街道,几乎都是在城市外围地区,尤其是在城市西部、北部和东部的各个开发区内,这些区域缺少聚集人口的目标,无论是就业人口还是居住人口,在工业区内都是相对分散的,人与人之间相互接触的机会减少。因此,潜在犯罪者和犯罪目标接触的机会要远远低于城市中心商业集聚区域。第二,由于工业区内的身份认同性还是很强的,同一工厂内的工人彼此间熟悉,而外来人员则不容易潜入厂区内实施犯罪。第三,由于抢劫犯罪大多发生在晚上,而工业区集中的地区下班以后人口较少,这也相应的减少了犯罪目标。最后,由于城市周边区域房租等生活成本相对较低,因此居民大多数是本地农民、外来务工人员等中低收入者,犯罪分子对他们实施抢劫的收益相对较低,因此抢劫犯罪发生的风险也相应降低了。

高层住宅个数是个典型的间接变量,其中高层建筑所表征的街区特征与抢劫犯罪的发生存在关联。就长春市而言,高层住宅集中的区域往往是新开发的居住区,其构成单元多为封闭或半封闭的居住小区。多数小区配备有保安、监控或围栏等安保措施,且路灯等基础设施相对完善,整体居住环境上佳,因此对抢劫犯罪的发生具有一定的抑制作用。此外,新开发居住区大多选择城市新区,距离传统的商业区和市中心相对较远,犯罪机会也相应的减少。在上述因素的综合作用下,使得该因子同抢劫犯罪率之间存在了负向的关系。

3.2 抢夺

依据回归模型的结果,抢夺犯罪率依次与商业区、人口密度和服务业活跃度存在相互关系,且方向均为正向（表4）。

人口密度同抢夺犯罪率存在正向相互关系,说明抢夺犯罪倾向于发生在人口密集的地区,而在人口稀疏的地区发生的可能性会大大降低。这同抢夺犯罪的特殊性有关,因为抢夺虽然以抢劫公私财物为最终目标,但这些财物均需要由人来携带,因此人口越密集,出现可供抢夺对象的可能性就越高。

街道内人均拥有的餐饮住宿、批发零售、文化体育娱乐等服务业网点的数量多少,同抢夺犯罪呈现明显的正向相关关系,也可能源自于这些网点对人口的吸引作用。这些服务业网点越多,其吸引的本地和外来居民就会越多,从而增加了更多的犯罪潜在目标,提高了犯罪的风险。

若街道内存在主要的商业区,意味着更为集中的财物交易,也存在更多的人口及财物的移动。人们在从事购物、休闲、餐饮娱乐等活动时,往往会将现金及其他贵重物品随身携带,这便会因为增加犯罪潜在目标而带来更多的抢夺犯罪。

3.3 机动车盗窃

机动车犯罪率依次与工业区、道路总长度和街道中心与主干路的距离3个变量存在关联,其中与工业区为正相关,与另外2个变量为负相关（表5）。

大片工业区的存在同机动车盗窃犯罪率呈现正向相关关系,原因可能是由于长春市的工业区多分布在城市西部、北部、和东部的外围地区,尤其是北部宽城区的各个街道。由于这几个区域的居住区的建筑年代普遍较久,多为工业区早期开发时配建的职工住房,设施相对陈旧,尤其是关乎社区防盗的安全措施非常欠缺,内部停车场库、闭路监控、路灯照明设施等都不完善,机动车随意停放的现象较为严重,机动车盗窃更易实施。第二,地处外围地区也便于作案者利用周边地区的城市环路和对外交通道路迅速逃离城市并尽快销赃,因此可能诱使机动车盗窃者在这些区域实施盗窃。第三,由于工业区也意味各工业企业会有很多内部用车,倘若疏于管理和看护,增加了机动车盗窃的犯罪目标,也有可能造成机动车盗窃犯罪率的提高。

街道内干路总长度与机动车盗窃率之间表现出明显的负向相关关系。原因可能是街道内道路总长度可以一定程度上反应地区的基础设施建设和地区开发进程。作为一个处在快速城市化进程中的城市,长春市的道路市政基础设施在不断的建设和完善过程中。尤其是对于城市外围地区,区域内的道路铺设情况与区域的开发建设现状密不可分。长春市市中心区域的各个街道,干路总长度都相对较长,这与中心区较早的规划和建设有关系。而长春市外围地区,干路铺设长度与区域开发进程直接相关,几个干路总长度大的地区,都是城市重点开发区域,各项设施齐全、人口集聚速度较快、环境相对优越的地段。由于是新开发地区,多数居住小区配备有专门的停车场或车库,封闭和半封闭的小区居多,一定程度上限制了机动车盗窃的发生。反之,那些干路铺设较少的区域,其开发程度较低,基础设施及防控措施均不完善,因此可能诱发更多的机动车盗窃。

机动车盗窃犯罪率与街道中心点到主干路的距离表现出负相关关系,说明街道中心距离城市主干路的距离越小,机动车盗窃发生的可能性越高。这可能是因为机动车盗窃成功以后,需要及时地找到主干路逃逸,而距离主干路距离越近,犯罪后逃离越容易,更有利于机动车盗窃的发生。

4 结论与建议

4.1 结论

1） 长春市“两抢两盗”犯罪在空间上的分布是不均衡的,不同类型的犯罪呈现出显著差异的空间分布特征。其中,抢劫和抢夺犯罪表现出明显的中心集聚模式,而机动车盗窃则表现出中心低外围高的分布状态,入室盗窃则呈现出南北分异的特点。这些分异规律的形成与城市不同地段的城市功能、土地利用、人口集聚等特征等有一定关联。

2） 回归分析的结果表明,抢劫犯罪率同道路网密度、商业用地比例、工业区的存在与否和高层建筑数量之间存在显著关联。其中前两个因子为正向联系,后两项表现为负向关联;抢夺犯罪率依次与商业区、人口密度和服务业活跃度存在相互关系,且方向均为正向;机动车犯罪率的正向影响因子为工业区的存在与否,负向影响因子包括道路总长度和街道中心与主干路的距离;入室盗窃同各因子之间均未能建立联系,这可能与入室盗窃更易受微观条件影响而本研究的尺度过于宏观有关。

3） 对抢劫、抢夺和机动车盗窃犯罪率的影响因素的分析表明城市内典型性犯罪率的高低很大程度上取决于各个地段所形成的犯罪机会的多少,而这些犯罪的机会的形成与人口集聚、地区功能、交通联络、基础设施状况等因素息息相关。

4.2 建议

从地理学的研究视角,对城市“两抢两盗”犯罪进行研究,在国内同类研究中尚不多见,具有一定的创新性。对于不同种类犯罪的空间分析,对“安全城市”的构建,进一步完善城市管理工作具有重要意义。城市犯罪防控,是城市管理的内在要求。通过犯罪地理研究,研究者可以更为清晰地掌握各类犯罪的空间分异模式和特征,并进一步分析各类犯罪空间分布的影响因素,从而为犯罪预警、警力布控等方面提供更为科学地借鉴和参考。结合长春市的犯罪地理研究结论,提出城市管理工作以下几点建议：

1） 对不同类型的犯罪高发区,有针对性地实施相应措施

长春市的犯罪地理研究表明,不同类型的犯罪往往具有不同的犯罪高发区域。这要求各城市在警力布控、巡逻等工作上,应该首先明晰不同犯罪的犯罪热点地区,进而根据各类犯罪自身的特点,有针对性地开展各项工作。比如,对于抢劫犯罪,需要关注那些城市中心商业和人口集中的地段,加大各街口的警力巡视工作等;而对入室盗窃则应该关注城市的大片居住区,尤其是城市中年久失修、防盗设施薄弱的老城区,更加注重发动社区居民参与犯罪防控,同时注重完善社区照明、报警系统等安全措施。

2） 深入理解各类犯罪的影响因子,制定更合理的防控方案

犯罪是受到多种因素影响的,且不同种类的犯罪影响因子具有明显差异。犯罪防控措施的制定不应就犯罪论犯罪,而是应进一步考察各影响因子的作用过程和其内在机理,从深层次思考有效预防各类犯罪发生的手段和措施。例如本研究表明机动车盗窃同道路网格局之间存在某些关系,可以考虑通过完善某些区域的道路系统和配套措施以减少该类犯罪的发生。再比如抢劫犯罪率被证实同道路密度间存在正相关关系,这就要求在新区规划和建设时,应尽量减少干路交通将街区分割,保持居住区的完整性,提高居民对犯罪的监控意愿。

3） 关注多因子叠加区域,加强综合治理

城市空间的形成,是多重因素相互叠加的过程。犯罪高发区往往也是多因子共同作用的结果。以长春市为例,城市中心往往和商业区相互重合,同时也恰好是道路网密集的传统城区。这种特殊的用地格局,十分有利于抢劫、抢夺等犯罪的发生。因为道路网密集同时商业区众多的地段往往具有更多“两抢”案件发生的条件,如目标广布,逃逸方便等。这也解释了长春市抢劫、抢夺犯罪高度集中在长春市中心区的原因。对于这些多因子叠加的区域,应该给予更多的关注,并研究制定多项措施,综合治理犯罪问题。

The authors have declared that no competing interests exist.

---

参考文献

文献选项

• 原文顺序
• 文献年度倒序
• 文中引用次数倒序
• 被引期刊影响因子

[1]	Harries K. Mapping crime: Principle and practice [M].Washington DC: US Department of Justice Office of Justice Programs, 1999. [本文引用: 1]
[2]	Chainey S, Ratcliffe J. GIS and Crime Mapping [M]. London, England: John Wiley, 2005. [本文引用: 2]
[3]	Shaw C R,Zorbaugh F M, McKay H D,et al.Delinquency areas [M].Chicago: University of Chicago Press, 1929. [本文引用: 1]
[4]	Shaw C R,McKay H D.Juvenile delinquency and urban areas: a study of rates of delinquents in relation to differential characteristics of local communities in American cities[M].Chicago:University of Chicago Press,1942.
[5]	Shaw C R,McKay H D. Juvenile deliquency and urban areas [M]. Chicago: University of Chicago Press, 1969. [本文引用: 1]
[6]	Cohen L E,Felson M. Social change and crime rate trends:a routine activity approach [J].American Sociological Review,1979,44(4):599-608. [本文引用: 1]
[7]	毛媛媛,戴慎志. 犯罪空间分布与环境特征——以上海市为例 [J].城市规划学刊,2006,(3):85~93. [本文引用: 1]
[8]	Zhang L, Messner S F, Liu J. A multilevel analysis of the risk of household burglary in the city of Tianjin China [J]. British Journal of Criminology, 2007,47: 918-937.
[9]	耿莎莎,张旺锋,刘勇,等. 基于GIS的城市犯罪行为空间分布特征及预警分析 [J].地理科学进展,2011,30(10):1240~1246.
[10]	冯健,黄琳珊,董颖,等. 城市犯罪时空特征与机制——以北京城八区财产类犯罪为例 [J].地理学报,2012,67(12):1645~1656.
[11]	刘大千,修春亮,于嘉. 长春市财产犯罪的空间分析 [J].地理科学,2012,32(4):477~484.
[12]	Song W, Liu D. Exploring spatial patterns of property crime risks in Changchun, China [J]. International Journal of Applied Geospatial Research, 2013,4(3):80-100.
[13]	李业锦,朱红. 北京社会治安公共安全空间结构及其影响机制——以城市110警情为例 [J].地理研究,2013,32(5):870~880.
[14]	陈鹏,马伟. 层次聚类法在空间犯罪热点分析中的应用 [J].中国人民公安大学学报(自然科学版),2013, (1):64~67.
[15]	钟海东,吴健平,余柏蒗,等. 基于GIS的上海市犯罪空间特征研究 [J].华东师范大学学报(自然科学版),2013, (2):30~37. [本文引用: 1]