论文部分内容阅读
摘 要：针对明确犯罪时空特征及其影响因素对预防犯罪维护社会秩序具有重要作用，本研究以FZ市为研究对象，分析盗窃犯罪在多时空尺度的分布格局及其影响因素，以揭示盗窃犯罪的驱动机制。基于显著性检验与核密度的分析表明，在“日”“周”“月”“季度”和“季节”等多个时间尺度下，盗窃犯罪存在明显的差异性;在空间尺度上，盗窃犯罪空间异质性明显且成圈层结构分布;盗窃犯罪的时空分布格局受环境因素、社会经济因素以及犯罪主体意识多重因素影响，各因素间交互耦合共同作用使得盗窃犯罪产生时空差异性。本研究可为维护治安与防控盗窃犯罪提供一定的参考和借鉴。
关键词：盗窃犯罪;犯罪地理学;时空分布格局;犯罪热点;多尺度
中图分类号：D917 文献标识码：A 文章编号：1673-260X（2021）10-0030-05
1 引言
改革开放带来了市场经济的繁荣和发展，然而，在不断增加的各种犯罪诱因下，犯罪作为长期存在的问题愈演愈烈，犯罪类型逐渐多样化，犯罪手段隐蔽、智能化[1]。虽然相关部门进行了一系列宣传教育，打击力度有所加强，历年来刑事案件数量呈减少趋势，但是日益突出的犯罪问题不仅严重影响了社会治安秩序，还对人民群众的生命财产安全等造成巨大的威胁[2]。因此，犯罪治安防控作为社会公共安全的基础工作，一直以来是公安部门的工作重点，亦是人们关注的热点。
目前，国内外专家学者取得了诸多关于犯罪地理研究的成果。国外学者在19世纪早期从地理学的角度系统绘制犯罪案件的空间分布，20世纪早期从城市规划或建筑学的角度研究城市内部空间结构和罪犯居住地模式之间的关系，20世纪中期从计量统计分析的角度研究影响犯罪的多种变量，继而聚焦于环境对犯罪案件分布的影响，20世纪末期逐渐发展出计算机与GIS（地理信息系统）技术相结合的犯罪空间分析，以及21世纪以来利用复杂性科学方法将犯罪理论应用于虚拟犯罪模拟，逐渐形成一系列成熟的犯罪研究理论[3]。Chressanthis和Grimes[4]研究了1960至1987年期间16至19岁青少年指数犯罪率与美国工业实际最低工资变化之间的关系。Karakas等[5]利用GIS对Elazig市的家庭入室盗窃地区分布进行制图，并考虑月、日、时等参数以及与土地利用相关的犯罪分布情况。Seok等[6]基于馬桑市犯罪数据，利用犯罪密度和犯罪热点分析方法、探索了空间数据分析和空间自回归模型，研究犯罪发生的空间关系和影响犯罪的因素。Yoo等[7]基于海云台警察局5年的盗窃犯罪数据，利用普通最小二乘和地理加权回归分析盗窃数量与社会因素、环境因素和防御因素的7个变量之间的关系。Chen等[8]利用ST-DBSCAN时空聚类算法并提出一种新的熵指数来衡量时空犯罪热点中罪犯和犯罪的相似性。现代中国犯罪的研究主要是基于警务GIS设计应用、区域犯罪特征、犯罪空间防控对策、国外研究和实践经验介绍等方面。随着近年来中国数据开放程度的提高，全国范围内的研究学者结合理论定性和定量分析的方法对于实证性的犯罪研究取得了突破性进展。陈征等[9]基于武汉市1980至1987年刑事案件数据对城市犯罪的时空特征进行分析。冯健等[10]基于北京8个区财产类犯罪利用GIS建立时空机制模型并探讨城市犯罪的时空特征。毛媛媛等[11]对上海浦东新区抢劫、抢夺犯罪与城市空间环境的关系及其空间分布规律进行了研究。徐嘉祥等[12]基于北京市2013年主城区入室盗窃案件数据，利用核密度估计和时空热点矩阵方法进行时空热点实证分析，探索案件热点环境的时空要素，构建犯罪时空分布机制。朱艳丽等[13]基于2014年美国费城的抢劫犯罪数据，利用时空立方体模型挖掘犯罪事件的时空特征及其热点时空分布。总体而言，城市犯罪的时空特征已经成为当前国内学者的研究热点话题。
虽然已有对犯罪时空维度的研究，但中国的犯罪地理学仍处于起步阶段，对于犯罪时空模式和影响因素的研究仍亟须加强。已有研究表明，犯罪行为在某一特定的时间和空间维度内并非完全均匀分布，会存在明显的时空聚集性[14]。不同类型的犯罪在不同的时间维度上可能具有一定的规律性。犯罪行为除了时间特征明显，空间分布上亦存在显著的差异性。犯罪行为的发生与时空参数、研究区域人文环境等诸多因素有关。因此，对多时空尺度的犯罪分布格局并对其影响因素进行研究，是当前学术研究的重点。
在所有刑事案件中，盗窃犯罪的比率占50%左右，是刑事案件中最具代表性、占比最大的案件类型，严重侵犯了公民的财产权和隐私权，给人民带来巨大的安全隐患和精神压力[15]。因此，对于盗窃犯罪的研究不仅具有理论研究意义，还能为实际犯罪防控提供指导依据。
鉴于以上，本研究以FZ市为研究对象对其盗窃犯罪进行多时空尺度分布格局进行研究，以期为公安部门在盗窃犯罪治安防控和预防方面提供建议和参考。
2 数据来源与研究方法
2.1 研究区与数据来源
研究区域为中国的FZ市，该市位于中国东南沿海地区，地理区位优越，交通发达，经济水平持续快速发展，人口数量日益增多。作为经济快速发展地区，该市人口流动性大，结构复杂，所从事社会经济活动种类众多。截至2020年，该市常住人口约8.29×106人，地区国内生产总值达1.03×104亿元，比上年增长5.1%。全市陆地面积约1.20×104km2，下辖6个市辖区、1个县级市和6个县级行政单元。同时，该市公安警务信息化建设较为完善，数据信息记录准确详实，可靠性高。
为研究FZ市盗窃犯罪的多尺度时空分布特征，使用警务信息系统收集了自2018-01-01至2020-12-31盗窃案件的报警数据，共收集15831个盗窃案件数据，数据内容包含案发时间和地点。同时，为客观分析盗窃犯罪时空分布格局的影响因素，本研究收集了研究区的人均经济收入、人口密度以及外来人口从业人数等数据。 2.2 描述统计分析与χ2检验
为明确研究区盗窃犯罪的多时间尺度变化特征，研究利用描述统计方法以SPSS软件为基本操作平台对盗窃犯罪在“日”“周”“旬”“月”“季度”和“季节”等時间尺度上进行分类汇总分析，并利用χ2检验对分析结果进行显著性检验。需说明的是，本研究中季节的划分标准依据气象划分法进行，即3-5月为春季，6-8月为夏季，9-11月为秋季，12至下年2月为冬季。
2.3 核密度估计
分析犯罪事件的空间特征对于明确犯罪行为的分布规律具有重要意义。本研究运用ArcGIS 10.2软件，采用核密度估计方法分析研究区盗窃犯罪的空间热点分布。核密度估计法在以往的大量研究中已被证实是一种有效测度要素邻域密度与分析空间热点分布的方法。该方法以概率论为理论基础，通过核函数度量空间事件间的相互影响，以此确定事件在空间上发生的密度或强度。其具体计算公式为[16]：
式中，f（x）为盗窃犯罪在空间区域内x处的分布概率密度，n为总盗窃犯罪案件数，k（ ）表示核函数，h为带宽;x-xi表示估计值到空间区域盗窃犯罪点xi处的距离。
3 盗窃犯罪时空分布格局
3.1 盗窃犯罪多时间尺度特征
根据多时间尺度，即“日”“周”“旬”“月”“季度”和“季节”等6种时间尺度，对研究区盗窃犯罪案件进行分类汇总，进而利用χ2检验分析各多时间尺度盗窃犯罪是否存在显著差异性，分析检验结果如表1所示。
由表1可知，除在“旬”时间尺度上盗窃犯罪没有显著差异性外，其余时间尺度盗窃犯罪均具有显著性差异。通过分析盗窃犯罪具有显著性差异的时间尺度（图1），可发现以下特征：
3.1.1 日分布
由盗窃犯罪的日分布情况可知（图1a），每月中旬18日案件发生数量最多，月末26日和31日案件发生数量最少，且在一月内多次出现较小程度的盗窃犯罪案发“高峰”现象;整体上，各日案件发生数量多在研究期平均水平的±7%范围内浮动。由此，根据各日案发数量与平均水平的比值可将全月划分为“高低交错，两高两低”四个阶段：月初1日与月中（6-22日）的案发数量在平均水平以上，为月内盗窃犯罪的“高发阶段”;月初2-5日与月末（23-31日）的案发数量在平均水平以下，为月内盗窃犯罪的“低发阶段”。
3.1.2 周分布
由盗窃犯罪的周分布情况可知（图1b），每周周一案件发生数量最多，周日案件发生数量最少。通过对比每周各日案发数量与周平均水平的比值可知，周一至周三的案发数量均在周平均水平以上，周四至周日的案发数量均在周平均水平以下。从周一至周日，整体呈逐步递减的趋势。由此，可将一星期划分为“高低交错，一高一低”两个阶段，即周一至周三为周内盗窃犯罪的“高发阶段”，周四至周日为周内盗窃犯罪的“低发阶段”。
3.1.3 月分布
由盗窃犯罪的月分布情况可知（图1c），10月案件发生数量最多，高于月平均水平的20%;相反，2月案件发生数量最少，低于月平均水平的55%。根据每月案发数量与月平均水平的比值可知，1月至4月案发数量均低于月平均水平;5-12月案发数量均高于月平均水平，且呈“先增（5-10月）后减（11-12月）”的趋势。由此，可按月份将全年划分为“高低交错，一高一低”两个阶段，即1月至4月为年内盗窃犯罪的“低发阶段”，5-12月为年内盗窃犯罪的“高发阶段”。
3.1.4 季度分布
由盗窃犯罪的季度分布情况可知（图1d），第四季度案件发生数量最多，约高于季度平均水平的17%;相反，案件发生数量最少的季度为第一季度，约低于季度平均水平的28%。从第一季度至第四季度，案件发生数量呈现逐步递增趋势。通过对比各季度案发数量与季度平均水平，可将全年划分为两个阶段，即第一和第二季度为盗窃犯罪“低发期”和第三和第四季度为盗窃犯罪“高发期”。
3.1.5 季节分布
由盗窃犯罪的季节分布情况可知（图1e），冬季案件发生数量最低，约低于季节平均水平的18%;相反，夏秋季节案发数量最多，高于季节平均水平的10%。通过对比各季节案发数量与季节平均水平的比值可知，春季和冬季的案发数量均在季节平均水平以下，夏季和秋季的案发数量均在季节平均水平以上。由此，可按季节将全年划分为“高低交错，一高两低”三个阶段，即春季为年内盗窃犯罪的“低发阶段”，夏季与秋季为年内盗窃犯罪的“高发阶段”，冬季为年内盗窃犯罪的“低发阶段”。
3.2 盗窃犯罪空间分布特征
由2018-2020年FZ市盗窃犯罪案件核密度的空间分布（图2）可知，盗窃案件发生在空间上存在明显的集聚特征。主要分布于该市中部地区的核心地带，且呈圈层结构分布;该市东南地区为盗窃案件发生的次中心区。整体上，东部盗窃犯罪案发密度高于西部地区，这基本与研究区人口密度和外来人口从业人数分布情况一致。
3.3 多时间尺度下盗窃犯罪空间分布特征
在“日”“周”“月”“季度”和“季节”等不同时间尺度盗窃犯罪案件空间特征分析的基础上，选取各时间尺度典型时间段，对盗窃犯罪的核密度进行空间分析。由不同时间尺度盗窃犯罪案件核密度空间分布（图3至图7）可知，盗窃犯罪具有明显的时空差异性。
3.3.1 “日”尺度下盗窃犯罪时空分布格局特征
根据“日”时间尺度下盗窃犯罪在一月范围内呈现“高低交错，两高两低”的特征，在案件“高发阶段”和“低发阶段”各选择两个具有代表性的日期进行空间核密度对比。由图3可知，在日尺度上，盗窃案件核密度整体呈现“多点齐发，中部独大”的特点，在案件“高发阶段”的6日（图3a）和18日（图3b），研究区中部为案件发生“主热点”，同时多个“次热点”在西北—东南向分布;相比而言，在案件“低发阶段”的26日（图3c）和28日（图3d），尽管中部仍为案件发生“主热点”，但周边区域热点效应并不明显，28日该特征尤为突出。 3.3.2 “周”尺度下盗窃犯罪时空分布格局特征
考虑到盗窃犯罪在周尺度上整体呈现从周一至周日逐步递减的趋势，由此分别选择星期一和星期日作为周时间尺度盗窃犯罪“高发期”和“低发期”的典型时间点，对此进行盗窃犯罪空间核密度分析。由图4可知，星期一与星期日尽管在空间分布特征中呈现相似特征，但核密度程度差异明显，星期一盗窃犯罪案件的空间核密度明显高于星期日。根据我国的节假日规定，周末为假期，居民多在家中活动，犯罪人员实施犯罪被发现的概率高;而周一居民多外出务业，犯罪人员实施犯罪被发现的概率明显降低。由此，在犯罪动机驱动下，盗窃犯罪更易发生在不易被及时发现的工作日。
3.3.3 “月”尺度下盗窃犯罪时空分布格局特征
鉴于盗窃犯罪在“月”时间尺度下呈现“高低交错，一高一低”的特征，结合各月案发数量与月平均水平的比值，选择盗窃犯罪“低发阶段”的2月和“高发阶段”的10月进行案件核密度计算。由图5可知，盗窃犯罪高发月份10月（图5b）的“主热点”范围明显高于盗窃犯罪低发月份2月（图5a），前者约是后者的2倍。分析其原因：根据FZ市的自然气候条件，10月份气温适宜利于犯罪的实施;而2月份该市气温较低，犯罪实施困难性增加，同时2018-2020年2月份正值我国春节假日，居民在家活动频繁，盗窃者作案的期望值降低且风险性增高。
3.3.4 “季度”尺度下盗窃犯罪时空分布格局特征
根据季度时间尺度，盗窃犯罪数量随着时间的递增逐步增多，故选择盗窃犯罪数量高于季度平均水平的第四季度代表季度盜窃犯罪“高发期”时间点，选择盗窃犯罪数量低于季度平均水平的第一季度代表季度盗窃犯罪“低发期”时间点。对比第一季度（图6a）与第四季度（图6b）案件核密度空间分布可知，二者分布特征基本一致，但第四季度核密度强度远高于第一季度。推测其原因：根据居民收入的一般规律，越临近年末居民储蓄越多，在犯罪动机驱动下，犯罪者第四季度实施犯罪预期收益高于第一季度;同时，我国传统节日春节和元宵节均在第一季度时间范围内，该时间段居民多在家活动，外出务工人员亦多返回原籍参加节日庆祝等活动，犯罪者实施犯罪难度加大成功率降低，故第一季度盗窃犯罪数量较少。
3.3.5 “季节”尺度下盗窃犯罪时空分布格局特征
季节尺度下，盗窃犯罪呈现“高低交错，一高两低”的特征，故选择“高发阶段”秋季和“低发阶段”冬季作为代表分析季节尺度下盗窃犯罪的空间分布特征。该市秋季气候温暖适宜易于犯罪的实施，冬季气温较低且受传统节日假期影响，故在犯罪案件核密度空间分布上呈现秋季强度远高于冬季的特征。
4 结论与讨论
鉴于分析犯罪时空特征对预防犯罪维护社会秩序的重要性以及先前研究的不足，本研究选取FZ市盗窃犯罪为研究对象，分析其多时间尺度特征与空间特征，以剖析盗窃犯罪的驱动机理。研究发现：
（1）盗窃犯罪的案发数量在“日”“周”“旬”“月”“季度”和“季节”等不同时间尺度下均具有明显的差异性，存在案件“高发期”和“低发期”交错分布的特征。
（2）盗窃犯罪存在明显的空间集聚效应，案件发生“主热点”和“次热点”区域均呈显著的圈层式结构。
（3）盗窃犯罪的时空分布格局是环境因素、社会经济因素和犯罪主体共同作用的结果，时间活动规律、环境属性以及经济收入条件在空间上的异质性可不同程度地影响犯罪人员的作案动机，从而促使盗窃犯罪在不同时空尺度上呈现空间差异性。
尽管本研究在分析盗窃犯罪时空分布特征方面取得了较好的研究结果，但在分析盗窃犯罪驱动力机制方面仅进行了定性分析缺乏定量探究，在今后的实践中需针对该问题继续深入探究。
参考文献：
〔1〕山川，孙静.我国新型犯罪的变动趋势、产生原因及防控对策[J].公安教育，2017，30（08）：47-51.
〔2〕刘宏斌，高雨潮.当前我国盗窃犯罪研究[J].中国人民公安大学学报（社会科学版），2018，34（02）：58-66.
〔3〕柳林，姜超，周素红，刘凯，徐冲，曹晶晶.城市入室盗窃犯罪的多尺度时空格局分析——基于中国H市DP半岛的案例研究[J].地理研究，2017，36（12）：2451-2464.
〔4〕Chressanthis G A， Grimes P W. Criminal behaviour and youth in the labour market： the case of the pernicious minimum wage [J]. Applied Economics， 1990， 22（11）： 1495-1508.
〔5〕Karakas E， Karadogan S， Arslan H. Crime maps and computer technology [J]. Pamukkale University Journal of Engineering Sciences， 2004， 10（04）： 37-42.
〔6〕Seok J K， Heon M T， Hee J J， et al. Analysis of Spatio-temporal pattern of urban crime and its influencing factors [J]. Journal of the Korean Association of Geographic Information Studies， 2009， 12（01）： 12-25.
〔7〕YooY， Baek T， Kim J， et al. Exploring spatial patterns of theft crimes using geographically weighted regression [J]. Journal of the Korean Society of Surveying， Geodesy， Photogrammetry and Cartography， 2017， 35（01）： 31-39.
〔8〕Chen T， Bowers K， Cheng T， et al. Exploring the homogeneity of theft offenders in spatio-temporal crime hotspots [J]. Crime Science， 2020， 9（01）： 1-13.
〔9〕陈征，于翔，祝晓光.城市犯罪时空特征分析[J].城市问题，1991，10（01）：18-24.
〔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〕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（01）：49-54.
〔12〕徐嘉祥，陈鹏，陈建国.基于环境犯罪学理论的入室盗窃时空分布研究——以北京市主城区案件的分析为例[J].人文地理，2018，33（01）：43-50.
〔13〕朱艳丽，靖常峰，伏家云，等.时空立方体的抢劫案件时空特征挖掘与分析[J].测绘科学，2019，44（09）：132-138+145.
〔14〕陈鹏，瞿珂，胡啸峰.犯罪情报分析中的数据挖掘应用[J].计算机系统应用，2017，26（02）：249-253.
〔15〕孙峰华，魏晓.中国犯罪地理研究[J].辽宁师范大学学报（自然科学版），2006，29（04）：493-495.
〔16〕孙畅，翟一鸣，丁宁，等.入室盗窃犯罪时空分布与预测研究——以B市为例[J].绥化学院学报，2021，41（03）：19-22.
关键词：盗窃犯罪;犯罪地理学;时空分布格局;犯罪热点;多尺度
中图分类号：D917 文献标识码：A 文章编号：1673-260X（2021）10-0030-05
1 引言
改革开放带来了市场经济的繁荣和发展，然而，在不断增加的各种犯罪诱因下，犯罪作为长期存在的问题愈演愈烈，犯罪类型逐渐多样化，犯罪手段隐蔽、智能化[1]。虽然相关部门进行了一系列宣传教育，打击力度有所加强，历年来刑事案件数量呈减少趋势，但是日益突出的犯罪问题不仅严重影响了社会治安秩序，还对人民群众的生命财产安全等造成巨大的威胁[2]。因此，犯罪治安防控作为社会公共安全的基础工作，一直以来是公安部门的工作重点，亦是人们关注的热点。
目前，国内外专家学者取得了诸多关于犯罪地理研究的成果。国外学者在19世纪早期从地理学的角度系统绘制犯罪案件的空间分布，20世纪早期从城市规划或建筑学的角度研究城市内部空间结构和罪犯居住地模式之间的关系，20世纪中期从计量统计分析的角度研究影响犯罪的多种变量，继而聚焦于环境对犯罪案件分布的影响，20世纪末期逐渐发展出计算机与GIS（地理信息系统）技术相结合的犯罪空间分析，以及21世纪以来利用复杂性科学方法将犯罪理论应用于虚拟犯罪模拟，逐渐形成一系列成熟的犯罪研究理论[3]。Chressanthis和Grimes[4]研究了1960至1987年期间16至19岁青少年指数犯罪率与美国工业实际最低工资变化之间的关系。Karakas等[5]利用GIS对Elazig市的家庭入室盗窃地区分布进行制图，并考虑月、日、时等参数以及与土地利用相关的犯罪分布情况。Seok等[6]基于馬桑市犯罪数据，利用犯罪密度和犯罪热点分析方法、探索了空间数据分析和空间自回归模型，研究犯罪发生的空间关系和影响犯罪的因素。Yoo等[7]基于海云台警察局5年的盗窃犯罪数据，利用普通最小二乘和地理加权回归分析盗窃数量与社会因素、环境因素和防御因素的7个变量之间的关系。Chen等[8]利用ST-DBSCAN时空聚类算法并提出一种新的熵指数来衡量时空犯罪热点中罪犯和犯罪的相似性。现代中国犯罪的研究主要是基于警务GIS设计应用、区域犯罪特征、犯罪空间防控对策、国外研究和实践经验介绍等方面。随着近年来中国数据开放程度的提高，全国范围内的研究学者结合理论定性和定量分析的方法对于实证性的犯罪研究取得了突破性进展。陈征等[9]基于武汉市1980至1987年刑事案件数据对城市犯罪的时空特征进行分析。冯健等[10]基于北京8个区财产类犯罪利用GIS建立时空机制模型并探讨城市犯罪的时空特征。毛媛媛等[11]对上海浦东新区抢劫、抢夺犯罪与城市空间环境的关系及其空间分布规律进行了研究。徐嘉祥等[12]基于北京市2013年主城区入室盗窃案件数据，利用核密度估计和时空热点矩阵方法进行时空热点实证分析，探索案件热点环境的时空要素，构建犯罪时空分布机制。朱艳丽等[13]基于2014年美国费城的抢劫犯罪数据，利用时空立方体模型挖掘犯罪事件的时空特征及其热点时空分布。总体而言，城市犯罪的时空特征已经成为当前国内学者的研究热点话题。
虽然已有对犯罪时空维度的研究，但中国的犯罪地理学仍处于起步阶段，对于犯罪时空模式和影响因素的研究仍亟须加强。已有研究表明，犯罪行为在某一特定的时间和空间维度内并非完全均匀分布，会存在明显的时空聚集性[14]。不同类型的犯罪在不同的时间维度上可能具有一定的规律性。犯罪行为除了时间特征明显，空间分布上亦存在显著的差异性。犯罪行为的发生与时空参数、研究区域人文环境等诸多因素有关。因此，对多时空尺度的犯罪分布格局并对其影响因素进行研究，是当前学术研究的重点。
在所有刑事案件中，盗窃犯罪的比率占50%左右，是刑事案件中最具代表性、占比最大的案件类型，严重侵犯了公民的财产权和隐私权，给人民带来巨大的安全隐患和精神压力[15]。因此，对于盗窃犯罪的研究不仅具有理论研究意义，还能为实际犯罪防控提供指导依据。
鉴于以上，本研究以FZ市为研究对象对其盗窃犯罪进行多时空尺度分布格局进行研究，以期为公安部门在盗窃犯罪治安防控和预防方面提供建议和参考。
2 数据来源与研究方法
2.1 研究区与数据来源
研究区域为中国的FZ市，该市位于中国东南沿海地区，地理区位优越，交通发达，经济水平持续快速发展，人口数量日益增多。作为经济快速发展地区，该市人口流动性大，结构复杂，所从事社会经济活动种类众多。截至2020年，该市常住人口约8.29×106人，地区国内生产总值达1.03×104亿元，比上年增长5.1%。全市陆地面积约1.20×104km2，下辖6个市辖区、1个县级市和6个县级行政单元。同时，该市公安警务信息化建设较为完善，数据信息记录准确详实，可靠性高。
为研究FZ市盗窃犯罪的多尺度时空分布特征，使用警务信息系统收集了自2018-01-01至2020-12-31盗窃案件的报警数据，共收集15831个盗窃案件数据，数据内容包含案发时间和地点。同时，为客观分析盗窃犯罪时空分布格局的影响因素，本研究收集了研究区的人均经济收入、人口密度以及外来人口从业人数等数据。 2.2 描述统计分析与χ2检验
为明确研究区盗窃犯罪的多时间尺度变化特征，研究利用描述统计方法以SPSS软件为基本操作平台对盗窃犯罪在“日”“周”“旬”“月”“季度”和“季节”等時间尺度上进行分类汇总分析，并利用χ2检验对分析结果进行显著性检验。需说明的是，本研究中季节的划分标准依据气象划分法进行，即3-5月为春季，6-8月为夏季，9-11月为秋季，12至下年2月为冬季。
2.3 核密度估计
分析犯罪事件的空间特征对于明确犯罪行为的分布规律具有重要意义。本研究运用ArcGIS 10.2软件，采用核密度估计方法分析研究区盗窃犯罪的空间热点分布。核密度估计法在以往的大量研究中已被证实是一种有效测度要素邻域密度与分析空间热点分布的方法。该方法以概率论为理论基础，通过核函数度量空间事件间的相互影响，以此确定事件在空间上发生的密度或强度。其具体计算公式为[16]：
式中，f（x）为盗窃犯罪在空间区域内x处的分布概率密度，n为总盗窃犯罪案件数，k（ ）表示核函数，h为带宽;x-xi表示估计值到空间区域盗窃犯罪点xi处的距离。
3 盗窃犯罪时空分布格局
3.1 盗窃犯罪多时间尺度特征
根据多时间尺度，即“日”“周”“旬”“月”“季度”和“季节”等6种时间尺度，对研究区盗窃犯罪案件进行分类汇总，进而利用χ2检验分析各多时间尺度盗窃犯罪是否存在显著差异性，分析检验结果如表1所示。
由表1可知，除在“旬”时间尺度上盗窃犯罪没有显著差异性外，其余时间尺度盗窃犯罪均具有显著性差异。通过分析盗窃犯罪具有显著性差异的时间尺度（图1），可发现以下特征：
3.1.1 日分布
由盗窃犯罪的日分布情况可知（图1a），每月中旬18日案件发生数量最多，月末26日和31日案件发生数量最少，且在一月内多次出现较小程度的盗窃犯罪案发“高峰”现象;整体上，各日案件发生数量多在研究期平均水平的±7%范围内浮动。由此，根据各日案发数量与平均水平的比值可将全月划分为“高低交错，两高两低”四个阶段：月初1日与月中（6-22日）的案发数量在平均水平以上，为月内盗窃犯罪的“高发阶段”;月初2-5日与月末（23-31日）的案发数量在平均水平以下，为月内盗窃犯罪的“低发阶段”。
3.1.2 周分布
由盗窃犯罪的周分布情况可知（图1b），每周周一案件发生数量最多，周日案件发生数量最少。通过对比每周各日案发数量与周平均水平的比值可知，周一至周三的案发数量均在周平均水平以上，周四至周日的案发数量均在周平均水平以下。从周一至周日，整体呈逐步递减的趋势。由此，可将一星期划分为“高低交错，一高一低”两个阶段，即周一至周三为周内盗窃犯罪的“高发阶段”，周四至周日为周内盗窃犯罪的“低发阶段”。
3.1.3 月分布
由盗窃犯罪的月分布情况可知（图1c），10月案件发生数量最多，高于月平均水平的20%;相反，2月案件发生数量最少，低于月平均水平的55%。根据每月案发数量与月平均水平的比值可知，1月至4月案发数量均低于月平均水平;5-12月案发数量均高于月平均水平，且呈“先增（5-10月）后减（11-12月）”的趋势。由此，可按月份将全年划分为“高低交错，一高一低”两个阶段，即1月至4月为年内盗窃犯罪的“低发阶段”，5-12月为年内盗窃犯罪的“高发阶段”。
3.1.4 季度分布
由盗窃犯罪的季度分布情况可知（图1d），第四季度案件发生数量最多，约高于季度平均水平的17%;相反，案件发生数量最少的季度为第一季度，约低于季度平均水平的28%。从第一季度至第四季度，案件发生数量呈现逐步递增趋势。通过对比各季度案发数量与季度平均水平，可将全年划分为两个阶段，即第一和第二季度为盗窃犯罪“低发期”和第三和第四季度为盗窃犯罪“高发期”。
3.1.5 季节分布
由盗窃犯罪的季节分布情况可知（图1e），冬季案件发生数量最低，约低于季节平均水平的18%;相反，夏秋季节案发数量最多，高于季节平均水平的10%。通过对比各季节案发数量与季节平均水平的比值可知，春季和冬季的案发数量均在季节平均水平以下，夏季和秋季的案发数量均在季节平均水平以上。由此，可按季节将全年划分为“高低交错，一高两低”三个阶段，即春季为年内盗窃犯罪的“低发阶段”，夏季与秋季为年内盗窃犯罪的“高发阶段”，冬季为年内盗窃犯罪的“低发阶段”。
3.2 盗窃犯罪空间分布特征
由2018-2020年FZ市盗窃犯罪案件核密度的空间分布（图2）可知，盗窃案件发生在空间上存在明显的集聚特征。主要分布于该市中部地区的核心地带，且呈圈层结构分布;该市东南地区为盗窃案件发生的次中心区。整体上，东部盗窃犯罪案发密度高于西部地区，这基本与研究区人口密度和外来人口从业人数分布情况一致。
3.3 多时间尺度下盗窃犯罪空间分布特征
在“日”“周”“月”“季度”和“季节”等不同时间尺度盗窃犯罪案件空间特征分析的基础上，选取各时间尺度典型时间段，对盗窃犯罪的核密度进行空间分析。由不同时间尺度盗窃犯罪案件核密度空间分布（图3至图7）可知，盗窃犯罪具有明显的时空差异性。
3.3.1 “日”尺度下盗窃犯罪时空分布格局特征
根据“日”时间尺度下盗窃犯罪在一月范围内呈现“高低交错，两高两低”的特征，在案件“高发阶段”和“低发阶段”各选择两个具有代表性的日期进行空间核密度对比。由图3可知，在日尺度上，盗窃案件核密度整体呈现“多点齐发，中部独大”的特点，在案件“高发阶段”的6日（图3a）和18日（图3b），研究区中部为案件发生“主热点”，同时多个“次热点”在西北—东南向分布;相比而言，在案件“低发阶段”的26日（图3c）和28日（图3d），尽管中部仍为案件发生“主热点”，但周边区域热点效应并不明显，28日该特征尤为突出。 3.3.2 “周”尺度下盗窃犯罪时空分布格局特征
考虑到盗窃犯罪在周尺度上整体呈现从周一至周日逐步递减的趋势，由此分别选择星期一和星期日作为周时间尺度盗窃犯罪“高发期”和“低发期”的典型时间点，对此进行盗窃犯罪空间核密度分析。由图4可知，星期一与星期日尽管在空间分布特征中呈现相似特征，但核密度程度差异明显，星期一盗窃犯罪案件的空间核密度明显高于星期日。根据我国的节假日规定，周末为假期，居民多在家中活动，犯罪人员实施犯罪被发现的概率高;而周一居民多外出务业，犯罪人员实施犯罪被发现的概率明显降低。由此，在犯罪动机驱动下，盗窃犯罪更易发生在不易被及时发现的工作日。
3.3.3 “月”尺度下盗窃犯罪时空分布格局特征
鉴于盗窃犯罪在“月”时间尺度下呈现“高低交错，一高一低”的特征，结合各月案发数量与月平均水平的比值，选择盗窃犯罪“低发阶段”的2月和“高发阶段”的10月进行案件核密度计算。由图5可知，盗窃犯罪高发月份10月（图5b）的“主热点”范围明显高于盗窃犯罪低发月份2月（图5a），前者约是后者的2倍。分析其原因：根据FZ市的自然气候条件，10月份气温适宜利于犯罪的实施;而2月份该市气温较低，犯罪实施困难性增加，同时2018-2020年2月份正值我国春节假日，居民在家活动频繁，盗窃者作案的期望值降低且风险性增高。
3.3.4 “季度”尺度下盗窃犯罪时空分布格局特征
根据季度时间尺度，盗窃犯罪数量随着时间的递增逐步增多，故选择盗窃犯罪数量高于季度平均水平的第四季度代表季度盜窃犯罪“高发期”时间点，选择盗窃犯罪数量低于季度平均水平的第一季度代表季度盗窃犯罪“低发期”时间点。对比第一季度（图6a）与第四季度（图6b）案件核密度空间分布可知，二者分布特征基本一致，但第四季度核密度强度远高于第一季度。推测其原因：根据居民收入的一般规律，越临近年末居民储蓄越多，在犯罪动机驱动下，犯罪者第四季度实施犯罪预期收益高于第一季度;同时，我国传统节日春节和元宵节均在第一季度时间范围内，该时间段居民多在家活动，外出务工人员亦多返回原籍参加节日庆祝等活动，犯罪者实施犯罪难度加大成功率降低，故第一季度盗窃犯罪数量较少。
3.3.5 “季节”尺度下盗窃犯罪时空分布格局特征
季节尺度下，盗窃犯罪呈现“高低交错，一高两低”的特征，故选择“高发阶段”秋季和“低发阶段”冬季作为代表分析季节尺度下盗窃犯罪的空间分布特征。该市秋季气候温暖适宜易于犯罪的实施，冬季气温较低且受传统节日假期影响，故在犯罪案件核密度空间分布上呈现秋季强度远高于冬季的特征。
4 结论与讨论
鉴于分析犯罪时空特征对预防犯罪维护社会秩序的重要性以及先前研究的不足，本研究选取FZ市盗窃犯罪为研究对象，分析其多时间尺度特征与空间特征，以剖析盗窃犯罪的驱动机理。研究发现：
（1）盗窃犯罪的案发数量在“日”“周”“旬”“月”“季度”和“季节”等不同时间尺度下均具有明显的差异性，存在案件“高发期”和“低发期”交错分布的特征。
（2）盗窃犯罪存在明显的空间集聚效应，案件发生“主热点”和“次热点”区域均呈显著的圈层式结构。
（3）盗窃犯罪的时空分布格局是环境因素、社会经济因素和犯罪主体共同作用的结果，时间活动规律、环境属性以及经济收入条件在空间上的异质性可不同程度地影响犯罪人员的作案动机，从而促使盗窃犯罪在不同时空尺度上呈现空间差异性。
尽管本研究在分析盗窃犯罪时空分布特征方面取得了较好的研究结果，但在分析盗窃犯罪驱动力机制方面仅进行了定性分析缺乏定量探究，在今后的实践中需针对该问题继续深入探究。
参考文献：
〔1〕山川，孙静.我国新型犯罪的变动趋势、产生原因及防控对策[J].公安教育，2017，30（08）：47-51.
〔2〕刘宏斌，高雨潮.当前我国盗窃犯罪研究[J].中国人民公安大学学报（社会科学版），2018，34（02）：58-66.
〔3〕柳林，姜超，周素红，刘凯，徐冲，曹晶晶.城市入室盗窃犯罪的多尺度时空格局分析——基于中国H市DP半岛的案例研究[J].地理研究，2017，36（12）：2451-2464.
〔4〕Chressanthis G A， Grimes P W. Criminal behaviour and youth in the labour market： the case of the pernicious minimum wage [J]. Applied Economics， 1990， 22（11）： 1495-1508.
〔5〕Karakas E， Karadogan S， Arslan H. Crime maps and computer technology [J]. Pamukkale University Journal of Engineering Sciences， 2004， 10（04）： 37-42.
〔6〕Seok J K， Heon M T， Hee J J， et al. Analysis of Spatio-temporal pattern of urban crime and its influencing factors [J]. Journal of the Korean Association of Geographic Information Studies， 2009， 12（01）： 12-25.
〔7〕YooY， Baek T， Kim J， et al. Exploring spatial patterns of theft crimes using geographically weighted regression [J]. Journal of the Korean Society of Surveying， Geodesy， Photogrammetry and Cartography， 2017， 35（01）： 31-39.
〔8〕Chen T， Bowers K， Cheng T， et al. Exploring the homogeneity of theft offenders in spatio-temporal crime hotspots [J]. Crime Science， 2020， 9（01）： 1-13.
〔9〕陈征，于翔，祝晓光.城市犯罪时空特征分析[J].城市问题，1991，10（01）：18-24.
〔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〕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（01）：49-54.
〔12〕徐嘉祥，陈鹏，陈建国.基于环境犯罪学理论的入室盗窃时空分布研究——以北京市主城区案件的分析为例[J].人文地理，2018，33（01）：43-50.
〔13〕朱艳丽，靖常峰，伏家云，等.时空立方体的抢劫案件时空特征挖掘与分析[J].测绘科学，2019，44（09）：132-138+145.
〔14〕陈鹏，瞿珂，胡啸峰.犯罪情报分析中的数据挖掘应用[J].计算机系统应用，2017，26（02）：249-253.
〔15〕孙峰华，魏晓.中国犯罪地理研究[J].辽宁师范大学学报（自然科学版），2006，29（04）：493-495.
〔16〕孙畅，翟一鸣，丁宁，等.入室盗窃犯罪时空分布与预测研究——以B市为例[J].绥化学院学报，2021，41（03）：19-22.