特征向量空间滤波方法在室外盗窃空间分析中的应用

在犯罪空间分析和空间建模过程中,模型残差中的空间自相关问题对模型参数估计的准确度和犯罪相关因素的分析构成了极大的阻碍,模型残差存在显著空间自相关会导致模型的有偏估计及误导性的推断,甚至导致错误的研究结论。本研究采用一种较为新颖的空间统计方法,即特征向量空间滤波方法(Eigenvector Spatial Filtering),来消除犯罪回归模型估计过程中的残差自相关问题,以及由此引发的模型参数有偏估计问题。以此为基础,立足犯罪模式理论和社会解组理论,以浙江省海宁市主城区为研究区,采用2018年1月—2021年9月室外盗窃警情立案数据、海宁市建成环境数据、珞珈一号夜间灯光遥感数据以及WorldPop人口网格数据,在网格尺度上构建基于特征向量空间滤波的泊松回归模型,在消除模型残差自相关、纠正模型参数估计偏误的基础上,识别出海宁室外盗窃犯罪的影响因素。研究发现:(1)基于特征向量空间滤波的泊松回归模型提取出了模型残差中的自相关部分,确保残差无显著空间自相关,将显著的空间滤波加入回归模型,较大幅度提升了模型拟合优度,纠正了系数估计偏误问题,缓解了过度离散问题,并找回了遗漏变量。该方法可推广至其他计数模型和广义线性回归分析场景中,有助于提升模型参数的准确估计水平,找回因自相关等原因而被遗漏的变量;(2)新兴时空热点分析显示,室外盗窃绝对数量随疫情到来呈递减趋势,室外盗窃热点持续于海宁市主城区中部,冷点呈多点分布;(3)人均夜间灯光所表征的城市相对剥夺水平对室外盗窃有显著正向影响;(4)由各类建成环境所刻画的犯罪吸引地、产生地、促成地对室外盗窃有显著影响,本文同时也对与以往研究结论不一致的地方进行了讨论。