地理科学 2018 , 38 (8): 1227-1234 https://doi.org/10.13249/j.cnki.sgs.2018.08.004

Orginal Article

ZG市工作日地铁站点扒窃案件的时空分布及其影响因素

肖露子¹^,²^,, 柳林³^,⁴^,, 周素红¹^,², 宋广文¹^,², 张春霞¹^,², 陈建国¹^,²

1. 中山大学地理科学与规划学院综合地理信息研究中心,广东广州 510275
2. 广东省城市化与地理环境空间模拟重点实验室,广东广州 510275
3. 广州大学地理科学学院公共安全地理信息分析中心,广东广州 510006
4. 辛辛那提大学地理系,辛辛那提 OH45221-0131,美国

Spatio-temporal Pattern of Pickpocketing at Subway Stations on Weekdays of ZG City and Its Influencing Factors

Xiao Luzi¹^,²^,, Liu Lin³^,⁴^,, Zhou Suhong¹^,², Song Guangwen¹^,², Zhang Chunxia¹^,², Chen Jianguo¹^,²

1. Center of Integrated Geographic Information Analysis, School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, Guangdong, China
2. Guangdong Key Laboratory for Urbanization and Geo-simulation, Sun Yat-sen University, Guangzhou 510275, Guangdong, China
3. Center of GeoInformatics for Public Security, School of Geographic Sciences, Guangzhou University, Guangzhou 510006, Guangdong, China
4. Department of Geography, University of Cincinnati, Cincinnati OH45221-0131, Ohio, USA

中图分类号: K901

文献标识码: A

文章编号: 1000-0690（2018）08-1227-08

通讯作者: 通讯作者：柳林,教授。E-mail：liulin2@mail.sysu.edu.cn

收稿日期: 2018-01-18

修回日期: 2018-03-5

网络出版日期: 2018-08-20

基金资助: 国家重点研发计划项目（2018YFB0505500,2018YFB0505503）、国家自然科学基金重点项目（41531178）、广州市科学研究计划重点项目（201804020016）、广东省自然科学基金研究团队项目（2014A030312010）资助

作者简介:

作者简介：肖露子（1991-）,女,江西樟树人,博士研究生,研究方向为犯罪地理与时空行为分析。E-mail: xiaoluzi@mail2.sysu.edu.cn

展开

摘要

以东南沿海城市ZG市为例,分析工作日地铁扒窃案件的时空分布特征,并进一步结合日常活动理论,探讨其形成机理。研究发现：① 时空分布上,地铁扒窃案件存在早晚2 个峰值,但滞后于地铁客流量高峰;白天,地铁扒窃主要集中在中心城区,在早晚时段,除中心城区外,地铁扒窃在城郊地区也有较多分布。② 影响因素上,地铁扒窃主要受到客流量及建成环境的影响,不同时段影响的因素存在差异。客流量及换乘点在地铁运营的任意时段均对地铁扒窃有正向的影响,地铁站周边的休闲场所对地铁扒窃犯罪的影响主要体现在9:00以后的时段。居住地及工作地虽然整体上对地铁扒窃没有显著影响,但是他们对地铁扒窃案件的作用方向在各时段模型中的作用力度均相反。③ 影响强度上,客流量在不同时段对地铁扒窃的影响强度存在差异,而换乘点及休闲场所在显著的时间段对地铁扒窃的影响力度并无明显差别。

关键词： 扒窃 ; 犯罪地理 ; 日常活动理论 ; 地铁

Abstract

Subway is one of the key transport modes in cities due to its fast and convenient system. At the same time, the criminal events that occur in the subway stations and subway trains should not be neglected. Although there has been a certain amount of literature emphasized the impact of environmental design on pickpocketing in subway systems, these studies ignored that residents’ daily activities may also act as important factors on subway crimes. In order to fill this gap, this article chose ZG city as a case, the spatio-temporal pattern of pickpocketing in the subway stations on weekdays and their influencing factors were revealed based on residents’ routine activity, environmental design in the subway system and the activity facilities around subway stations. Pickpocketing data in subway stations of ZG city, points of interest(POI) nearby subway stations, and detail information of subways stations (spatial distribution and structure of subway stations) were used in this study. In order to find out the spatio-temporal pattern of pickpocketing, we separated a set of full weekdays into four periods based on the passenger traffic, and allocated pickpocket cases to every subway station for each time period. Then, negative binomial regression models were used to find out the influencing factors on the spatio-temporal pattern on pickpocketing. Furthermore, Wald tests were used to compare whether there was a significant difference between the same independent variables in each model. The results have shown that: 1) From the perspective of spatio-temporal distribution, rates of pickpocketing were highly correlated to the passenger traffic in subways, but it should be aware of that the peak pickpocketing lagged behind the peak passenger traffic. As time went on in the morning, pickpocketing in the subway transferred from the suburbs to the city center, while the working time finished, the direction of pickpocketing transferred reversely. 2) Passenger traffic in subways had a steady significant positive impact on pickpocketing. In the meantime, subways surrounded by more leisure activity places were more vulnerable to be victimized. 3) Passenger traffic in subways had different degree of influence at different time, while other variables had no significant difference. From the above results we can conclude that there was spatio-temporal agglomeration of pickpocketing cases in subway stations, and this agglomeration changed as time went by during the day. This agglomeration was caused by the residents’ daily activity, subways stations that were with more passenger traffic and more active facilities were more likely to become criminal places. In addition, factors were not equally contributed to crime events at different period of the day. Our results may help understand the relationship between residents’ activity and pickpocketing in subway systems more thoroughly. The conclusions can also be applied in the policing practice.

Keywords： pickpocketing ; crime geography ; routine activity theory ; subway

PDF (672KB) 元数据多维度评价相关文章收藏文章

本文引用格式导出 EndNote Ris Bibtex

肖露子, 柳林, 周素红, 宋广文, 张春霞, 陈建国. 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 https://doi.org/10.13249/j.cnki.sgs.2018.08.004

Xiao Luzi, Liu Lin, Zhou Suhong, Song Guangwen, Zhang Chunxia, Chen Jianguo. 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 https://doi.org/10.13249/j.cnki.sgs.2018.08.004

城市复杂的时空间结构为犯罪创造了条件。扒窃作为最常见的犯罪问题之一,与居民日常活动存在密切关系。地铁站点作为居民日常出行活动的重要交通节点,其扒窃现象同样不容忽视。截至2015年底,中国共有25个城市拥有城市轨道交通运营线路,总长3 293 km^[1],地铁已成为居民日常出行的重要交通工具。地铁人流量密集,处于一种相对封闭的环境中。人群匿名性及流动大,混迹其中的犯罪分子在动手前不易暴露,得手后却较易逃脱,使地铁成为了犯罪（尤其是扒窃）频发地之一,给居民日常出行安全带来了较大的威胁^[2,3]。如何减少地铁站点内部犯罪的发生,保障居民出行安全,已成为业界和学界共同关注的焦点。

地铁扒窃案件在时间和空间上存在一定特征。Ceccato等^[4]对斯德哥尔摩地下车站的研究表明,地下车站的犯罪主要集中在16:00至午夜,高峰期主要集中在20:00~21:00点期间。Irvin-Ericksond等^[5]通过对华盛顿地铁车站的研究发现,时间上,高峰期地铁扒窃量最多,白天非高峰期次之,晚上非高峰期最少。空间上,高峰期时段,扒窃案件较为均匀地分布在各个站点,白天非高峰期时段则主要分布在中心城区,晚上非高峰期时段,以北部的城郊地区的扒窃案件居多。相关的研究表明地铁犯罪在时间或空间上存在一定的规律。而这种时空分布与地铁站点相关的环境因素存在关联。

影响地铁犯罪的原因可分为内部因素和外部因素两大类。地铁站点内部因素对犯罪的影响的研究较多,多强调微观环境设计对犯罪防控的影响^[6,7]。学者及城市建设者们运用情境预防犯罪理论及可防卫空间理论对地铁设计给予相应理论指导及启示,期望在地铁环境设计环节消除盲点达到减少犯罪的目的^[8,9,10]。相关的研究发现,地铁站点内部通道越窄,会造成人群越拥挤,从而发生犯罪的风险越高;出入口数量给犯罪者逃逸提供方便,其数量越多则发生犯罪的风险同样越高;较多的摄像头数量及高照明程度则会抑制犯罪的发生^[11,12,13]。

地铁站点内部的犯罪情况不仅仅与内部环境有关系,也与其外部环境存在关联^[11,14]。地铁吸引的人流量越大,一般更容易吸引犯罪^[15],但不同地铁站所处的位置及周边环境不同,导致其服务的人群和吸引的乘客存在差异,地铁站点内的犯罪因此受周边居民的出行活动或周边建成环境所吸引人群的特点的影响^[16,17]。Ceccato等^[4]通过对斯德哥尔摩地下车站的分析发现,附近有社会扰动现象及售卖酒精产品商店的车站,其内部发生犯罪风险较高。但已有的研究对周边建成环境的考虑仍较单一,对其它功能建成环境与地铁站点内犯罪的关系讨论较少。

日常活动理论常用于解释犯罪与居民日常活动的关系^[4,5,18],但在不同时段,居民呈现不同的出行规律,其对犯罪的影响也随之变化^[19,20]。宋广文等^[21]在对街面扒窃的分析中发现,居民买菜、购物、娱乐等活动及其承载场所对扒窃的影响随着时间的变化而变化。对于地铁犯罪而言,也是如此。Irvin-Erickson等^[5]发现社会失序、地铁站的可达性、车站与周边地铁站的连通度、地铁周边的人流活跃度等对地铁扒窃的影响存在时间上的差异。但此类研究并没有区分工作日和周末,工作日和周末居民活动规律差异明显,地铁人流的空间分布也会有较大的不同。

综上,犯罪的热点会随着居民活动类型、出行目的地的转换而发生相应的变化,已有的文献为研究地铁站点内部犯罪提供了理论框架,但仍存在一定的不足。① 缺乏不同功能建成环境的考虑。不同类型的建成环境承载着居民不同的出行目的,对地铁站点内的犯罪有潜在的影响。② 对居民出行时间特性的考虑不足。人们工作日和周末的出行特点存在明显的差异,应予以区分。为此,本文以ZG市工作日为例,选择地铁站点内的主要犯罪类型——扒窃进行研究,在分析扒窃行为时空规律的基础上,划分不同的时间段,定量分析工作、居住、休闲三大典型功能的建成环境及地铁站属性对地铁站点内部扒窃的影响及其时间差异。

1 研究数据和方法

本文地铁扒窃案件数据来源于ZG市公安局地铁分局2014年接警数据,研究区基本现状数据来源于2014年道道通电子地图数据采集的兴趣点（一个兴趣点代表一个有具体含义的并有意义的实体,譬如一个住宅小区、一个商铺等）与2014年ZG市地铁客流量数据。结合数据的情况,参考已有文献的做法^[15],本文所研究的地铁站点内扒窃是指发生在地铁站出入口以内的扒窃,具体包括地铁内站点平台、走廊通道及列车内三大部分。

1.1 变量选取

1.1.1 因变量

扒窃量：扒窃量记录了2014年内工作日（除去周末和节假日共250 d）每个站点扒窃案件发生的总量。原始接警数据对地址的记录主要分为两大类：① 明确案件发生的具体地铁站;② 案件发生于列车车厢内部,并明确记录案件发生时相邻两个地铁站名称;③ 不能确定案件的具体发生地点,但有记录具体的乘车区间。针对第二种和第三种地址记录方式,本文借鉴Newton等^[15]提出节间平均分析方法（Interstitial Crime Analysis）及叶文菁等^[22]提出的加权时空关联规则方法,即对于一起明确起讫点的地铁案件,根据起讫点路径反推其整个乘车轨迹,将一起案件平均分配至每个站点。

1.1.2 自变量

自变量主要包括客流量、周边建成环境变量,以及与地铁相关的环境设计变量。

客流量：客流量数据主要包括每个地铁站点刷卡数据中的进站刷卡数据和出站刷卡数据总和。由于数据限制,目前只有一周（2014.03.03~2014.03.09）的地铁客流量数据,因此选取其中5个工作日为代表,乘以50（2014年共250个工作日）代表全年各地铁站点工作日客流量情况。

地铁站属性：包括“是否换乘点”及“地铁站出入口数量”2个变量。是否换乘点变量为二分类变量,其中1表示是地铁换乘点,0表示不是地铁换乘点。“地铁站点出入口数量”结合电子地图及现场实地勘察最后确认数量。

地铁周边建成环境：根据《雅典宪章》,生活、工作、游憩、交通是城市重要的四大功能。据此,本研究选取与生活、工作、游憩相关的设施作为自变量。选取住宅小区数量来代表生活类建成环境;工作地则主要包括商务中心、科技园、工业区、商务办公楼宇及写字楼等;游憩功能包括购物中心、娱乐场所、餐饮场所。在具体分析中发现购物中心、娱乐场所、餐饮场所两两之间存在较强的相关性,其皮尔逊相关系数分别为0.742,0.638和0.702。因此,在分析过程中将他们统一合并为休闲场所。由于面域数据获取的困难性,效仿已有的研究^[4,5],地铁周边建成环境均用点状的兴趣点（POI）统计表示。

每个地铁站都有自身的服务半径,地铁站点在中心城区及城郊地区分布不均匀导致每个地铁站覆盖范围存在差异,且乘客倾向于选择距离自己最近的地铁站出行。此外,若地铁站超出一定距离范围后,居民选择地铁出行的概率将显著降低。因此,本研究以“1.5 km的服务半径及就近选择地铁站”为原则,以地铁站为中心建立泰森多边形^[23],使得泰森多边形内的任一点到某一地铁站的距离是最近的,在此基础上,以地铁站点为圆心,作半径为1.5 km的缓冲区域。将泰森多边形与半径为1.5 km的缓冲区相交,重叠的部分即为各个地铁站的覆盖范围。统计该重叠区域的住宅小区、工作地、休闲场所POI数量作为自变量,反映场所及工作日居民的日常出行行为。

1.2 研究方法

本文在地铁扒窃案件的时空间特征分析方面主要采用了描述统计及GIS分析方法。在影响因素解释方面,采用负二项回归模型进行解释。传统的泊松回归模型要求因变量的均值等于方差。但是,犯罪在空间上存在明显的热点区域,统计上呈现过离散分布现象,即方差显著大于均值^[24]。负二项回归模型在传统的泊松回归模型基础上,增加对误差项的估计函数,能很好地解决该问题^[25]。泊松回归模型的公式如下：

$\ln (λ_{i}) = β_{0} + \overset{K}{\sum_{k}} β_{k} x_{ik} + ε_{i}$ , $k = 1,2, ..., K$ (1)

式中, $λ_{i}$ 为第i个地铁站犯罪数量,k为第k个自变量 ,K为自变量数量, $β_{0}$ 为截距, $β_{k}$ 为自变量 $x_{ik}$ 的系数, $ε_{i}$ 为模型的残差。负二项回归模型增加了对残差 $ε_{i}$ 的估计,通常令 $ε_{i}$ 服从Gamma分布：

$ε ~ Gamma (\frac{1}{α}, α), α > 0$ （2）

同时,负二项回归模型的期望和方差分别为：

$E (Y_{i} | X_{i}, β) = λ_{i}$ （3）

$Var (Y_{i} | X_{i}, β) = λ_{i} + α {λ_{i}}^{2}$ （4）

通过LR检验对 $α$ 值进行判断,若 $α$ →0,则更适用于泊松回归模型对数据进行拟合,若 $α$ 显著大于0,则应当使用负二项回归模型对数据进行拟合。

在对负二项回归模型系数进行解读时,通常将系数 $β$ 转换为发生率比（Incidence Rate Ratio,IRR）^[26]。该值表示当自变量x每增加一个单位时,事件的发生概率将增加为原来的IRR倍。其转换公式为：

$IRR = \exp (β_{k})$ （5）

在回归模型之后,采用Wald检验对两两参数估计值进行比较,对比它们两两之间是否存在显著的差异^[27]。

2 ZG市地铁扒窃案件的时空间分布特征

2.1 ZG市地铁扒窃案件的时间分布特征

地铁案件在一天不同时段呈现波动起伏状,总体上与地铁客流量的变化趋势相一致（图1）。地铁案件量在图中显示为用Z-score方法标准化后的案件量。地铁扒窃案件在早晚通勤期存在2个高峰,相对于地铁客流量高峰时段存在一定的时间滞后效应。

显示原图| 下载原图ZIP| 生成PPT

图1 地铁客流量和扒窃案件量的时间分布

Fig.1 Temporal distribution of passenger flow volume and thefts in subways

基于客流量及扒窃案件的时间分布,将工作日划分为以下4个时段：上午通勤期（06:00~09:00）、白天活动期（09:00~17:00）、傍晚通勤期（17:00~19:00）和晚上活动期（19:00~24:00）。由于00:00~06:00期间列车基本停止运营,地铁站关闭,因此该时段不纳入分析。上午通勤期,地铁内的客流主要表现为上班流;白天活动期则主要表现为公务及其它休闲活动流;傍晚通勤期,主要表现为下班流,晚上活动期则主要表现为休闲娱乐流及回家流。

2.2 ZG市地铁扒窃案件的空间分布特征

工作日地铁扒窃案件随着时间的不同而呈现不同的空间分布（图2）。清晨期,大部分的扒窃案件分布在中心城区以外,而随着早高峰的来临,中心城区的扒窃案件量也逐渐增多起来;在白天活跃期,扒窃案件主要集中在中心城区;而到了晚高峰时期,中心城区与郊区的扒窃量均存在较高比例的上升;在晚间活跃期及凌晨消散期,中心城区的扒窃量逐渐较少,而城郊地区的扒窃量逐渐上升。整体趋势上来说,从早晨6:00至凌晨24:00,ZG市的扒窃量经历了城郊地区高到中心城区高再到城郊地区高的过程。与居民日常通勤活动的方向相一致。

显示原图| 下载原图ZIP| 生成PPT

图2 地铁扒窃案件量的时空分布

Fig.2 Spatio-temporal distribution of theft in subways

3 结果分析

3.1 描述统计分析

本文共有123个地铁站纳入分析。4个时段的扒窃量的方差均明显大于平均值,即数据呈现过离散化,因此采用负二项回归模型更适合。自变量方面：各时间段客流量存在一定差异,总体来说,上午通勤期和傍晚通勤期的客流量相当,而白天活动期由于统计时段较长,因此其客流量最大。根据表1可以发现住宅小区、工作地及休闲场所在各地铁站周边的分布同样并不均匀（根据方差显著大于平均值）。住宅小区及工作地变量最小值均为0,最大值分别为425和120。休闲场所的数量比住宅小区及工作地要明显增多,每个站点周边休闲场所平均值高达104.715,最小值和最大值分别为3及368。地铁出入口数的最小值和最大值分别为1和10,而平均值为3.431。换乘点方面,123个站点中共21个具备换乘功能的地铁站点。各自变量的VIF值最高为2.81,共线性较弱,可以同时用于建模分析。

表1 地铁扒窃相关变量的描述统计

Table 1 Descriptive statistics of variables about subway theft

变量	平均值	标准差	最小值	最大值
客流量（10⁵人）
06:00~09:00	27.300	16.860	0.418	85.494
09:00~17:00	61.817	51.828	0.897	303.197
17:00~19:00	28.671	21.073	0.308	114.427
19:00~24:00	25.342	18.827	0.334	113.053
住宅小区（个）	63.439	64.008	0	425
工作地（个）	19.276	19.338	0	120
休闲场所（个）	104.715	73.542	3	368
地铁站出入口数量（个）	3.431	1.625	1	10
是否换乘点（1=是,0=否）	0.171	0.378	0	1

新窗口打开

3.2 地铁扒窃案件的影响因素分析

基于地铁扒窃案件的时空分布特征我们可以发现,地铁案件的时间波动性明显,且扒窃热点随着时间的变化而变化。现分别建立模型对不同时间段地铁扒窃案件的影响因素进行分析。从4个时段模型结果可看到（表2）,各模型的alpha值均显著大于0（说明数据存在过离散现象）,表示负二项回归模型优于泊松回归模型,进一步验证了模型选择的合理性。

表2 地铁扒窃犯罪负二项回归模型结果

Table 2 Negative binomial regression model of subway theft

模型	上午通勤时段06:00~09:00		白天活动期09:00~17:00		傍晚通勤时段17:00~19:00		晚上活动期19:00~24:00
模型	B	IRR	B	IRR	B	IRR	B	IRR
客流量	0.045^***	1.046	0.012^***	1.012	0.029^***	1.029	0.035^***	1.036
工作地	-0.001	0.999	0.005	1.005	0.002	1.002	0.001	1.001
住宅小区	0.000	1.000	-0.001	0.999	-0.002⁺	0.998	-0.001	0.999
休闲场所	0.000	1.000	0.003^**	1.003	0.003^**	1.003	0.002	1.002
是否换乘点	0.397⁺	1.487	0.637^***	1.891	0.378⁺	1.459	0.581^**	1.788
地铁站出入口数量	0.025	1.025	-0.070	0.932	-0.031	0.969	-0.064	0.938
常量	-1.067^***	0.344	0.904^***	2.469	0.184	1.202	0.695^***	2.004
alpha	0.158^***		0.275^***		0.195^***		0.331^***

注：^*** P < 0.001, ^**P< 0.01,^* P< 0.05, ⁺P < 0.1。B为模型系数。

新窗口打开

上午通勤期模型中,地铁客流量对扒窃案件存在显著的正向影响。换乘点只在90%的置信水平下对扒窃案件存在正向影响。而其它变量的影响并不显著。即便如此,我们发现,在上午通勤期,住宅小区对地铁扒窃存在一定的正向影响,而工作地对地铁扒窃存在一定的负向影响。这与早上通勤的人流方向相一致。休闲场所在此时大多尚未营业,对地铁扒窃案件不存在显著影响。而地铁站点出入口数量对地铁扒窃案件的影响也并不明显。

白天活动期,人流主要表现为公务及休闲娱乐流。在此时段,地铁站点客流量越大,越有可能发生扒窃案件。在此时段,地铁换乘点更容易成为扒窃的目标地点。由于该时段大部分休闲场所已开门营业,进行休闲娱乐活动群体往往携带财物较多,警惕心相对懈怠,容易成为犯罪分子的首选目标,模型的结果也验证了这一想法。住宅小区和工作地依然对地铁扒窃案件不存在显著影响,但是通过系数可以发现,在白天活跃期,周边聚集了更多工作地的地铁站更容易遭遇扒窃,而住宅小区则恰恰相反。在白天活动期,居民活动的聚集点主要围绕工作地展开,而居住地人数较少,因此对于扒窃分子的吸引力也相对下降。地铁站点出入口数量对地铁扒窃案件不存在显著的影响。

傍晚通勤期,地铁客流量对地铁扒窃案件存在显著正向影响,换乘点只在90%的置信水平下对扒窃案件存在正向影响。工作地对地铁扒窃不存在显著的影响,但主要表现为正向影响,住宅小区对地铁扒窃存在显著的负向影响。这与傍晚通勤流方向相一致。在这一时期,休闲场所同样迎来人流高峰,对地铁扒窃体现为显著的正向影响。地铁站点出入口数依然对地铁扒窃案件不存在显著的影响。

晚上活动期,客流量及换乘点依然保持对地铁扒窃案件的显著影响。工作地和住宅小区对地铁扒窃的影响不具备显著性,但是通过模型可以发现,工作地对地铁扒窃案件的影响为正,而住宅小区对地铁扒窃案件的影响为负,即在晚上活动期,工作地及周边相比于居住地而言更容易成为犯罪分子的选择目标。休闲场所譬如商场、餐饮的关门时间大致为22:00~23:00,部分娱乐场所和参观甚至会营业到深夜。在这一时段,地铁周边拥有越多的休闲场所,则越容易成为犯罪分子的选择目标。地铁出入口数量对地铁扒窃案件的影响并不显著。

基于这4个时段模型,我们发现地铁客流量与是否换乘点对地铁扒窃均存在显著的正向影响。出入口数量对地铁扒窃的影响均不显著。此外,工作地和住宅小区虽然整体上对地铁扒窃案件的影响并不显著,但是他们的影响方向与人流方向基本一致。在上午通勤期,人流主要由居住地流向工作地,此时住宅小区对地铁扒窃存在正向影响,而工作地对地铁扒窃存在负向影响。在白天活动期至晚上活动期,工作地对地铁扒窃存在正向影响,住宅小区对地铁扒窃存在负向影响。休闲场所在9:00之后开始对地铁扒窃案件存在显著的正向影响。这与它的营业时间存在关联。

为了更好地对比同一变量在不同模型中的影响差异,我们对在模型中显著变量的参数估计值进行Wald检验。Wald检验结果表明,休闲场所在3个显著的模型中并无明显差异,即休闲场所在白天活动期、傍晚通勤期及晚上活动期对地铁扒窃的影响并无显著区别。是否换乘点变量与休闲场所变量类似,其对地铁扒窃的影响在4个时段内无显著差异。客流量的参数估计值在白天活动期显著小于其它3个时段。即在白天活动期,客流量对地铁扒窃的影响相对于其它时段而言要更弱。

4 结论与讨论

结合日常活动理论,从居民工作日日常出行活动的角度解释地铁站点扒窃案件的时空间分布特征及其与周边建成环境的关系。研究发现,地铁扒窃案件与居民的日常出行存在较大关联,地铁站的客流量及周边建成环境是地铁犯罪的诱因,且存在整个地铁系统的时空间差异。本文主要得出以下3点结论：

1）地铁站内扒窃案件存在时空间的差异。时间上,扒窃案件与客流量存在显著正相关。客流量越大,相应的扒窃量也会增加。空间上,扒窃案件主要集中在中心城区及休闲场所密集的区域。

2）不同类型的周边建成环境对扒窃案件的影响存在时间上的差异。整体上看,客流量及是否换乘点在各个时间段都对地铁内扒窃有重要的影响。在控制了客流量之后,休闲场所对地铁扒窃存在显著的正向影响,且这种影响主要体现在上午9:00之后。工作地与居住地对地铁扒窃案件并无显著影响,但从影响的方向上来说,与通勤流存在较大关系。

3）不同要素在不同时段对地铁扒窃的影响也存在一定差异。这种差异主要体现在客流量上。在白天活动期（9:00~16:00）,客流量对地铁扒窃的影响要显著低于其他3个时段。而休闲场所及是否换乘点在各显著时段对地铁扒窃的影响并不存在显著差异。

总体而言,本研究的结论与前人的研究结论存在一定共性：地铁扒窃案件在时空间上均存在较明显的规律;客流量是影响地铁犯罪的主要因素,人流越大、越拥挤的区域越容易成为犯罪者作案的选择地;此外,在控制了地铁内部微观环境的影响后发现,地铁周边环境对地铁内部犯罪同样存在影响。同时,本文弥补了以往研究的不足：首先,本文结合日常活动理论,基于居民出行活动行为,对地铁周边建成环境进行了更精细的划分,选取能典型代表居民日常出行活动的场所：工作地、居住地及休闲场所,探讨他们与地铁扒窃犯罪的关系;其次,本文结合居民出行活动规律,以工作日为代表,将一天划分为4个时间段,探讨不同时段下,活动场所对地铁扒窃案件的影响。研究结论证明地铁扒窃案件与居民日常出行行为存在较强的关联,且不同时间段、不同场所对地铁扒窃案件的影响强度并不一致。本文也存在一些不足。譬如,周边环境对地铁站点犯罪的影响归根结底还是通过人口的流动和集中而产生的,若能直接获取地铁站点周边居住人口数量、工作岗位数量等,则能更好地评估他们与地铁站点扒窃案件的关系。但受限于数据,目前只能采取对应设施的数量来代替实际的人口,而由于设施的规模存在差异,此种做法可能会对分析结果存在一定的影响。下一步将尝试采集更详实的数据,不断地丰富的完善相关研究。

本文的相关的研究结论也适用于地铁警务防控。每个城市每个区域的警力相对固定且有限,如何充分发挥警力资源优势,有效打击地铁犯罪行为成为公安部门重点考虑的问题之一,也是犯罪地理学科领域的重要应用方向。基于研究结论,在特定时间段,合理调配相关警力资源到重点人流密集场所及重点活动场所地铁站及周边执勤,可以精准有效打击犯罪,降低案件发生率,提高巡警效率,给城市居民一个更舒适安全的地铁乘坐体验。

The authors have declared that no competing interests exist.

参考文献

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]	樊佳慧, 张琛, 卢恺, 等. 2015年中国城市轨道交通运营线路统计与分析 [J]. 都市快轨交通, 2016, 29(1): 1-3. [本文引用: 1] [Fan Jiahui, Zhang Chen, Lu Kai et al. China's operation urban rail transit lines, 2015: Statistics and analysis . Urban Rapid Rail Transit, 2016, 29(1): 1-3.] [本文引用: 1]
[2]	张东平. 论城市地铁安全与犯罪防控 [J]. 河北法学, 2013, 31(10): 133-140. [本文引用: 1] [Zhang Dongping. On the subway safety and crime prevention in city . Hebei Law Science, 2013, 31(10): 133-140.] [本文引用: 1]
[3]	李洋, 徐公社. 论杭州地铁空间的犯罪防控规划与设计 [J]. 公安学刊(浙江警察学院学报). 2012, (3): 81-84. [本文引用: 1] [Li Yang, Xu Gongshe. Design and planning of Hangzhou metro space based on crime prevention and control . Public Security Science Journal (Journal of Zhejiang Police College), 2012, (3): 81-84.] [本文引用: 1]
[4]	Ceccato V, Uittenbogaard A C. Space-time dynamics of crime in transport nodes [J]. Annals of the Association of American Geographers, 2014, 104(1): 131-150. https://doi.org/10.1080/00045608.2013.846150 URL [本文引用: 4]
[5]	Irvin-Erickson Y, La Vigne N. A spatio-temporal analysis of crime at Washington, DC Metro rail: Stations’ crime-generating and crime-attracting characteristics as transportation nodes and places [J]. Crime Science. 2015, 4(1): 1-13. https://doi.org/10.1186/s40163-014-0011-4 URL [本文引用: 4]
[6]	La Vigne N G. Visibility and vigilance: Metro's situational approach to preventing subway crime [M]. // US Department of Justice, Office of Justice Programs, National Institute of Justice Washington, DC, 1997. [本文引用: 1]
[7]	La Vigne N G. Safe transport: Security by design on the Washington metro [M]. // In: R.V. Clarke (ed.). Preventing Mass Transit Crime. Monsey, NY: Criminal Justice Press, 1996. [本文引用: 1]
[8]	Jeffery C. Crime prevention and control through environmental engineering [J]. Criminology, 1969, 7(3): 35-58. https://doi.org/10.1111/crim.1969.7.issue-3 URL [本文引用: 1]
[9]	Newman O. Defensible space: Crime prevention through urban design [M]. New York: Macmillan, 1972. [本文引用: 1]
[10]	Clarke R V G. "Situational" crime prevention: Theory and practice [J]. The British Journal of Criminology, 1980, 20(2): 136-147. https://doi.org/10.1093/oxfordjournals.bjc.a047153 URL [本文引用: 1]
[11]	Newton A D, Partridge H, Gill A. In and around: Identifying predictors of theft within and near to major mass underground transit systems [J]. Security Journal, 2014, 27(2): 132-146. https://doi.org/10.1057/sj.2014.2 URL [本文引用: 2]
[12]	Loukaitou-Sideris A, Liggett R, Iseki H. The geography of transit crime: Documentation and evaluation of crime incidence on and around the Green Line stations in Los Angeles [J]. Journal of Planning Education and Research, 2002, 22(2): 135-151. https://doi.org/10.1177/0739456X02238443 URL [本文引用: 1]
[13]	Gaylord M S, Galliher J F. Riding the underground dragon-Crime control and public order on Hong Kong's mass transit railway [J]. The British Journal of Criminology, 1991, 31(1): 15-26. https://doi.org/10.1093/oxfordjournals.bjc.a048082 URL [本文引用: 1]
[14]	Ceccato V. Safety on the move: Crime and perceived safety in transit environments [J]. Security Journal, 2014, 27(2): 127-131. https://doi.org/10.1057/sj.2014.11 URL [本文引用: 1]
[15]	Newton A D, Partridge H, Gill A. Above and below: Measuring crime risk in and around underground mass transit systems [J]. Crime Science, 2014, 3(1): 1-14. https://doi.org/10.1186/2193-7680-3-1 URL [本文引用: 3]
[16]	尹芹, 孟斌, 张丽英. 基于客流特征的北京地铁站点类型识别 [J]. 地理科学进展, 2016, 35(1): 126-134. https://doi.org/10.18306/dlkxjz.2016.01.014 URL [本文引用: 1] 摘要地铁站点是城市各种社会经济活动的关键节点,不同类型的地铁站点在城市中的区域条件、交通功能、土地利用类型等方面均存在差异,科学的站点分类有助于了解城市功能分区及评价轨道交通基础设施建设状况.本文基于2013年3月份14天工作日地铁刷卡客流量数据,运用引入客流特征的时间序列聚类方法,对北京市195个地铁站点进行分类.研究表明:①地铁站点客流量存在时空差异,也是城市功能分区时空差异的表现之一.②通过引入客流特征的时间序列方法,将地铁站点分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型、混合型、综合型及其他型8种不同类型.③利用地铁站点客流量数据,是将空间行为和实体空间进行关联比较的有效途径. [Yin Qin, Meng Bin, Zhang Liying. Classification of subway stations in Beijing based on passenger flow characteristics . Progress in Geography, 2016, 35(1): 126-134.] https://doi.org/10.18306/dlkxjz.2016.01.014 URL [本文引用: 1] 摘要地铁站点是城市各种社会经济活动的关键节点,不同类型的地铁站点在城市中的区域条件、交通功能、土地利用类型等方面均存在差异,科学的站点分类有助于了解城市功能分区及评价轨道交通基础设施建设状况.本文基于2013年3月份14天工作日地铁刷卡客流量数据,运用引入客流特征的时间序列聚类方法,对北京市195个地铁站点进行分类.研究表明:①地铁站点客流量存在时空差异,也是城市功能分区时空差异的表现之一.②通过引入客流特征的时间序列方法,将地铁站点分为居住导向型、就业导向型、职住错位型、错位偏居住型、错位偏就业型、混合型、综合型及其他型8种不同类型.③利用地铁站点客流量数据,是将空间行为和实体空间进行关联比较的有效途径.
[17]	王宇渠, 陈忠暖, 覃水娇. 地铁站点可达性、客流与站点商圈零售商业结构关系研究——以广州市为例 [J]. 人文地理, 2015, 30(4): 66-71. [本文引用: 1] [Wang Yuqu, Chen Zhongnuan, Qing Shuijiao. Research on the structural relationship of metro accessibility, passenger flows and retail business in metro sites: A case study of Guangzhou . Human Geography, 2015, 30(4): 66-71.] [本文引用: 1]
[18]	Cohen L E, Felson M, Land K C. Property crime rates in the United States: A macrodynamic analysis, 1947-1977; with ex ante forecasts for the mid-1980s [J]. American Journal of Sociology, 1980, 86(1): 90-118. https://doi.org/10.1086/227204 URL [本文引用: 1]
[19]	Hägerstrand T. Time-geography: Focus on the corporeality of man, society and environment [M]. // S. Aida (Ed.). The Science and Praxis of Complexity, The United Nations University, Tokyo, 1985. [本文引用: 1]
[20]	Lenntorp B. Path, prism, project, pocket and population: An introduction [J]. Geografiska Annaler: Series B, Human Geography, 2004, 86(4): 223-226. https://doi.org/10.1111/j.0435-3684.2004.00164.x URL [本文引用: 1]
[21]	宋广文, 肖露, 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. [本文引用: 1] [Song Guangwen, Xiao Luzi, Zhou Suhong et al. Impact of residents’ routine activities on the spatial-temporal pattern of theft from person . Acta Geographica Sinica, 2017, 72(2): 356-367.] [本文引用: 1]
[22]	叶文菁, 吴升. 基于加权时空关联规则的公交扒窃犯罪模式识别 [J]. 地球信息科学学报, 2014, 16(4): 537-544. https://doi.org/10.3724/SP.J.1047.2014.00537 Magsci [本文引用: 1] 摘要 <p>近年来，公交扒窃案呈上升趋势，为了预防和打击此类犯罪，需要有效识别其犯罪模式。传统的犯罪分析方法，往往将时间和空间分割开来研究，本文则引入加权时空关联规则进行挖掘分析，试图找出公交扒窃的案发时空规律。首先，对公交扒窃数据进行时间粒度和空间粒度的划分，将公交主要运营时间以2 h 为单位划分成等间隔的公交时段并对其进行编码，将公交线路按公交站点划分成公交路段；其次，对数据进行空间分析和时间归并，提取出每个案件发生的公交路段和案发时段，并将案发时段归并到公交时段中；再次，由于每个公交路段的案发率不同，其对结果的贡献率也不同，因此，给每个路段赋予一个权重；最后，用Apriori 算法进行加权关联规则挖掘，得到公交扒窃的时空犯罪模式。研究表明，这种挖掘方法具有以下特点：（1）按公交站点进行公交路段的划分具有创新性；（2）通过对案发路段的加权，能将空间位置重要程度的差异区分开来，更符合实际情况；（3）挖掘过程中同时考虑了时间与空间属性。</p> [Ye Wenjing, Wu Sheng. Identifying crime patterns of bus pickpocketing using weighted spatio-temporal association rules mining. Journal of Geo-information Science, 2014, 16(4): 537-544.] https://doi.org/10.3724/SP.J.1047.2014.00537 Magsci [本文引用: 1] 摘要 <p>近年来，公交扒窃案呈上升趋势，为了预防和打击此类犯罪，需要有效识别其犯罪模式。传统的犯罪分析方法，往往将时间和空间分割开来研究，本文则引入加权时空关联规则进行挖掘分析，试图找出公交扒窃的案发时空规律。首先，对公交扒窃数据进行时间粒度和空间粒度的划分，将公交主要运营时间以2 h 为单位划分成等间隔的公交时段并对其进行编码，将公交线路按公交站点划分成公交路段；其次，对数据进行空间分析和时间归并，提取出每个案件发生的公交路段和案发时段，并将案发时段归并到公交时段中；再次，由于每个公交路段的案发率不同，其对结果的贡献率也不同，因此，给每个路段赋予一个权重；最后，用Apriori 算法进行加权关联规则挖掘，得到公交扒窃的时空犯罪模式。研究表明，这种挖掘方法具有以下特点：（1）按公交站点进行公交路段的划分具有创新性；（2）通过对案发路段的加权，能将空间位置重要程度的差异区分开来，更符合实际情况；（3）挖掘过程中同时考虑了时间与空间属性。</p>
[23]	Thiessen A H. Precipitation averages for large areas [J]. Monthly Weather Review, 1911, 39(7): 1082-1089. [本文引用: 1]
[24]	Berk R, Macdonald J M. Overdispersion and poisson regression [J]. Journal of Quantitative Criminology, 2008, 24(3): 269-284. https://doi.org/10.1007/s10940-008-9048-4 URL [本文引用: 1]
[25]	Osgood D W. Poisson-based regression analysis of aggregate crime rates [J]. Journal of Quantitative Criminology. 2000, 16(1): 21-43. https://doi.org/10.1023/A:1007521427059 URL [本文引用: 1]
[26]	陈强. 高级计量经济学及Stata应用[M]. 北京: 高等教育出版社, 2010. [本文引用: 1] [Chen Qiang.Advanced econometrics and stata applications. Beijing: Higher Education Press, 2010.] [本文引用: 1]
[27]	Buse A. The likelihood ratio, Wald, and Lagrange Multiplier tests: An expository note [J]. The American Statistician, 1982, 36(3): 153-157. [本文引用: 1]

2015年中国城市轨道交通运营线路统计与分析

2016

... 城市复杂的时空间结构为犯罪创造了条件.扒窃作为最常见的犯罪问题之一,与居民日常活动存在密切关系.地铁站点作为居民日常出行活动的重要交通节点,其扒窃现象同样不容忽视.截至2015年底,中国共有25个城市拥有城市轨道交通运营线路,总长3 293 km^[1],地铁已成为居民日常出行的重要交通工具.地铁人流量密集,处于一种相对封闭的环境中.人群匿名性及流动大,混迹其中的犯罪分子在动手前不易暴露,得手后却较易逃脱,使地铁成为了犯罪（尤其是扒窃）频发地之一,给居民日常出行安全带来了较大的威胁^[2,3].如何减少地铁站点内部犯罪的发生,保障居民出行安全,已成为业界和学界共同关注的焦点. ...

2015年中国城市轨道交通运营线路统计与分析

2016

论城市地铁安全与犯罪防控

2013

论城市地铁安全与犯罪防控

2013

论杭州地铁空间的犯罪防控规划与设计

2012

论杭州地铁空间的犯罪防控规划与设计

2012

Space-time dynamics of crime in transport nodes

2014

... 地铁扒窃案件在时间和空间上存在一定特征.Ceccato等^[4]对斯德哥尔摩地下车站的研究表明,地下车站的犯罪主要集中在16:00至午夜,高峰期主要集中在20:00~21:00点期间.Irvin-Ericksond等^[5]通过对华盛顿地铁车站的研究发现,时间上,高峰期地铁扒窃量最多,白天非高峰期次之,晚上非高峰期最少.空间上,高峰期时段,扒窃案件较为均匀地分布在各个站点,白天非高峰期时段则主要分布在中心城区,晚上非高峰期时段,以北部的城郊地区的扒窃案件居多.相关的研究表明地铁犯罪在时间或空间上存在一定的规律.而这种时空分布与地铁站点相关的环境因素存在关联. ...

... 地铁站点内部的犯罪情况不仅仅与内部环境有关系,也与其外部环境存在关联^[11,14].地铁吸引的人流量越大,一般更容易吸引犯罪^[15],但不同地铁站所处的位置及周边环境不同,导致其服务的人群和吸引的乘客存在差异,地铁站点内的犯罪因此受周边居民的出行活动或周边建成环境所吸引人群的特点的影响^[16,17].Ceccato等^[4]通过对斯德哥尔摩地下车站的分析发现,附近有社会扰动现象及售卖酒精产品商店的车站,其内部发生犯罪风险较高.但已有的研究对周边建成环境的考虑仍较单一,对其它功能建成环境与地铁站点内犯罪的关系讨论较少. ...

... 日常活动理论常用于解释犯罪与居民日常活动的关系^[4,5,18],但在不同时段,居民呈现不同的出行规律,其对犯罪的影响也随之变化^[19,20].宋广文等^[21]在对街面扒窃的分析中发现,居民买菜、购物、娱乐等活动及其承载场所对扒窃的影响随着时间的变化而变化.对于地铁犯罪而言,也是如此.Irvin-Erickson等^[5]发现社会失序、地铁站的可达性、车站与周边地铁站的连通度、地铁周边的人流活跃度等对地铁扒窃的影响存在时间上的差异.但此类研究并没有区分工作日和周末,工作日和周末居民活动规律差异明显,地铁人流的空间分布也会有较大的不同. ...

... 地铁周边建成环境：根据《雅典宪章》,生活、工作、游憩、交通是城市重要的四大功能.据此,本研究选取与生活、工作、游憩相关的设施作为自变量.选取住宅小区数量来代表生活类建成环境;工作地则主要包括商务中心、科技园、工业区、商务办公楼宇及写字楼等;游憩功能包括购物中心、娱乐场所、餐饮场所.在具体分析中发现购物中心、娱乐场所、餐饮场所两两之间存在较强的相关性,其皮尔逊相关系数分别为0.742,0.638和0.702.因此,在分析过程中将他们统一合并为休闲场所.由于面域数据获取的困难性,效仿已有的研究^[4,5],地铁周边建成环境均用点状的兴趣点（POI）统计表示. ...

A spatio-temporal analysis of crime at Washington, DC Metro rail: Stations’ crime-generating and crime-attracting characteristics as transportation nodes and places

2015

... [5]发现社会失序、地铁站的可达性、车站与周边地铁站的连通度、地铁周边的人流活跃度等对地铁扒窃的影响存在时间上的差异.但此类研究并没有区分工作日和周末,工作日和周末居民活动规律差异明显,地铁人流的空间分布也会有较大的不同. ...

Visibility and vigilance: Metro's situational approach to preventing subway crime

1997

... 影响地铁犯罪的原因可分为内部因素和外部因素两大类.地铁站点内部因素对犯罪的影响的研究较多,多强调微观环境设计对犯罪防控的影响^[6,7].学者及城市建设者们运用情境预防犯罪理论及可防卫空间理论对地铁设计给予相应理论指导及启示,期望在地铁环境设计环节消除盲点达到减少犯罪的目的^[8,9,10].相关的研究发现,地铁站点内部通道越窄,会造成人群越拥挤,从而发生犯罪的风险越高;出入口数量给犯罪者逃逸提供方便,其数量越多则发生犯罪的风险同样越高;较多的摄像头数量及高照明程度则会抑制犯罪的发生^[11,12,13]. ...

Safe transport: Security by design on the Washington metro

1996

Crime prevention and control through environmental engineering

1969

Defensible space: Crime prevention through urban design

1972

"Situational" crime prevention: Theory and practice

1980

In and around: Identifying predictors of theft within and near to major mass underground transit systems

2014

The geography of transit crime: Documentation and evaluation of crime incidence on and around the Green Line stations in Los Angeles

2002

Riding the underground dragon-Crime control and public order on Hong Kong's mass transit railway

1991

Safety on the move: Crime and perceived safety in transit environments

2014

Above and below: Measuring crime risk in and around underground mass transit systems

2014

... 本文地铁扒窃案件数据来源于ZG市公安局地铁分局2014年接警数据,研究区基本现状数据来源于2014年道道通电子地图数据采集的兴趣点（一个兴趣点代表一个有具体含义的并有意义的实体,譬如一个住宅小区、一个商铺等）与2014年ZG市地铁客流量数据.结合数据的情况,参考已有文献的做法^[15],本文所研究的地铁站点内扒窃是指发生在地铁站出入口以内的扒窃,具体包括地铁内站点平台、走廊通道及列车内三大部分. ...

... 扒窃量：扒窃量记录了2014年内工作日（除去周末和节假日共250 d）每个站点扒窃案件发生的总量.原始接警数据对地址的记录主要分为两大类：① 明确案件发生的具体地铁站;② 案件发生于列车车厢内部,并明确记录案件发生时相邻两个地铁站名称;③ 不能确定案件的具体发生地点,但有记录具体的乘车区间.针对第二种和第三种地址记录方式,本文借鉴Newton等^[15]提出节间平均分析方法（Interstitial Crime Analysis）及叶文菁等^[22]提出的加权时空关联规则方法,即对于一起明确起讫点的地铁案件,根据起讫点路径反推其整个乘车轨迹,将一起案件平均分配至每个站点. ...

基于客流特征的北京地铁站点类型识别

2016

基于客流特征的北京地铁站点类型识别

2016

地铁站点可达性、客流与站点商圈零售商业结构关系研究——以广州市为例

2015

地铁站点可达性、客流与站点商圈零售商业结构关系研究——以广州市为例

2015

Property crime rates in the United States: A macrodynamic analysis, 1947-1977; with ex ante forecasts for the mid-1980s

1980

Time-geography: Focus on the corporeality of man, society and environment

1985

Path, prism, project, pocket and population: An introduction

2004

居民日常活动对扒窃警情时空格局的影响

2017

居民日常活动对扒窃警情时空格局的影响

2017

基于加权时空关联规则的公交扒窃犯罪模式识别

2014

基于加权时空关联规则的公交扒窃犯罪模式识别

2014

Precipitation averages for large areas

1911

... 每个地铁站都有自身的服务半径,地铁站点在中心城区及城郊地区分布不均匀导致每个地铁站覆盖范围存在差异,且乘客倾向于选择距离自己最近的地铁站出行.此外,若地铁站超出一定距离范围后,居民选择地铁出行的概率将显著降低.因此,本研究以“1.5 km的服务半径及就近选择地铁站”为原则,以地铁站为中心建立泰森多边形^[23],使得泰森多边形内的任一点到某一地铁站的距离是最近的,在此基础上,以地铁站点为圆心,作半径为1.5 km的缓冲区域.将泰森多边形与半径为1.5 km的缓冲区相交,重叠的部分即为各个地铁站的覆盖范围.统计该重叠区域的住宅小区、工作地、休闲场所POI数量作为自变量,反映场所及工作日居民的日常出行行为. ...

Overdispersion and poisson regression

2008

... 本文在地铁扒窃案件的时空间特征分析方面主要采用了描述统计及GIS分析方法.在影响因素解释方面,采用负二项回归模型进行解释.传统的泊松回归模型要求因变量的均值等于方差.但是,犯罪在空间上存在明显的热点区域,统计上呈现过离散分布现象,即方差显著大于均值^[24].负二项回归模型在传统的泊松回归模型基础上,增加对误差项的估计函数,能很好地解决该问题^[25].泊松回归模型的公式如下： ...

Poisson-based regression analysis of aggregate crime rates

2000

2010

... 在对负二项回归模型系数进行解读时,通常将系数

β

转换为发生率比（Incidence Rate Ratio,IRR）^[26].该值表示当自变量x每增加一个单位时,事件的发生概率将增加为原来的IRR倍.其转换公式为： ...

2010

... 在对负二项回归模型系数进行解读时,通常将系数

β

转换为发生率比（Incidence Rate Ratio,IRR）^[26].该值表示当自变量x每增加一个单位时,事件的发生概率将增加为原来的IRR倍.其转换公式为： ...

The likelihood ratio, Wald, and Lagrange Multiplier tests: An expository note

1982

... 在回归模型之后,采用Wald检验对两两参数估计值进行比较,对比它们两两之间是否存在显著的差异^[27]. ...

〈

〉

ZG市工作日地铁站点扒窃案件的时空分布及其影响因素

Spatio-temporal Pattern of Pickpocketing at Subway Stations on Weekdays of ZG City and Its Influencing Factors

1 研究数据和方法

1.1 变量选取

1.2 研究方法

2 ZG市地铁扒窃案件的时空间分布特征

2.1 ZG市地铁扒窃案件的时间分布特征

2.2 ZG市地铁扒窃案件的空间分布特征

3 结果分析

3.1 描述统计分析

3.2 地铁扒窃案件的影响因素分析

4 结论与讨论

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

参考文献

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