2014～2015年杭州市入室盗窃犯罪时空分布分析

陈 曼，吴曙雯，闫嘉琪，徐俊锋,3，谢 斌,3

（1.杭州师范大学理学院，浙江 杭州 311121；2.浙江警察学院，浙江 杭州310053；3.浙江省城市湿地与区域变化研究重点实验室,浙江 杭州 311121）

2014～2015年杭州市入室盗窃犯罪时空分布分析

陈 曼1，吴曙雯2，闫嘉琪1，徐俊锋1,3，谢 斌1,3

（1.杭州师范大学理学院，浙江 杭州 311121；2.浙江警察学院，浙江 杭州310053；3.浙江省城市湿地与区域变化研究重点实验室,浙江 杭州 311121）

基于2014年1月至2015年6月的入室盗窃案件资料，分析了杭州市八区入室盗窃犯罪的犯罪率、犯罪密度以及时间、空间分布规律。结果表明，若以时间为依据，以周内变化分析，周一至周五犯罪案件数趋于平稳，周六周日则有所下降；以月份变化分析，2月份犯罪案件数最低，5月份犯罪案件数最高。以空间为依据，则全区核密度热点主要分布在下城区石桥街道、拱墅区大关街道、西湖区翠苑街道以及萧山区城厢街道；局部热点区域通过实地验证发现入室盗窃主要受人流量、房屋类型和门禁防盗系统等因素影响较大。

GIS；入室盗窃；时空分布；核密度估计

盗窃案件多年以来一直位列刑事案件发案数之首，根据国家统计局近5年的统计数据显示，平均占刑事案件立案数的70%左右[1]。随着地理信息系统（GIS）技术的发展，犯罪地理学在理论、方法和应用研究等方面均取得了较大进展[2-4]。GIS空间分析功能在犯罪热点[5-9]、犯罪时空分布[10-12]、犯罪时空演变[13-15]、犯罪时空预测[16-18]等方面发挥重要作用，为警务科学决策提供有效技术支撑。本文主要针对2014年1月至2015年6月发生的入室盗窃案件，基于GIS技术分析杭州市八区入室盗窃犯罪案件的时空分布格局特征，旨在为警方进行辖区整治、最佳警力部署，打击和预防入室盗窃犯罪提供决策依据。

1 数据和方法

1.1 研究区与数据源

研究区为杭州市八区（西湖、拱墅、江干、下城、上城、滨江、萧山和余杭，见图1），常住人口数为624.2万人，占全市人口的71.74%（据2010年第6次人口普查数据[19]）。

2014年1月至2015年6月发生的入室盗窃案件数据由浙江省公安厅提供，共计5 704条记录。剔除八区以外及部分地址信息错误或缺失的无效数据，共计5 203条记录，其内容包括案件录入时间、案件编号、发案地点、报警内容、案件类别等。其中，报警内容记录了报案时间、犯罪地点、报案人部分信息、丢失物品及其损失等。

图1 研究区范围（审图号：浙S（2015）239号）

1.2 数据预处理

为了能对案件进行空间分析，首先将报警内容中的犯罪地点进行提取。其次，采用百度Geocoding API进行地理编码[20]，获取该犯罪地点的经纬度。因百度地图数据加偏处理过，进一步利用百度坐标转换API进行纠偏处理[21]，将百度坐标转为WGS84无偏移坐标。最后，利用ArcGIS将处理过的WGS84无偏移坐标以及案件录入时间、案件编号、发案地点、报警内容、案件类别等属性字段导入到杭州八区地图中，得到入室盗窃案件空间分布图。

1.3 犯罪热点核密度估计法

核密度估计（Kernel density estimation）是一种用于估计概率密度函数的非参数方法，对于空间上分布的犯罪活动x1，x2，…，xn中的任意一点xk，邻域内的其他点xi对它的贡献率由xk到xi的距离所决定。设核函数为K，则xk点处的概率密度可以表示为[22]：

式（1）中，K通常用高斯正态分布函数表示，h为核函数的带宽。核密度图能清晰地展示出犯罪的聚集分布态势，因此基于该方法获取杭州市八区入室盗窃犯罪热点核密度图。

2 结果和讨论

2.1 犯罪率与犯罪密度分析

犯罪率为入室盗窃案的犯罪案件数与常住人口之比，犯罪密度为犯罪案件数与面积之比。从表1（据2014年杭州市人均GDP[23]、土地面积和人口密度统计数据[24]）可以看出，西湖区犯罪率最高，余杭区犯罪率最低。西湖区是杭州乃至全国的著名旅游之地，人口流动较大，易发生入室盗窃犯罪。余杭区位于杭州市区的北部和西部，人口密度小，且多为林地、耕地和水域，因此犯罪率较低。上城区和下城区地理位置和人口密度相近，但是犯罪密度和犯罪率相差两倍左右，考虑两地的人均GDP和外来人口数量的差异，下城区犯罪高发可能与流动人口的数量和经济发展水平有关。就犯罪密度而言，下城区犯罪密度最高，萧山区和余杭区相对较低，犯罪密度和人口密度大体上呈正相关。此外，老城区的犯罪密度明显比新城区高，推测与房屋的老化、人口的流动、安保措施不足有一定关系。

表1 入室盗窃犯罪统计数据（2014-01～2015-06）

2.2 入室盗窃案件时间分布分析

图2 入室盗窃犯罪时间分布（2014-01～2015-06）

从图2可以看出，根据每周的入室盗窃案件数统计，周一至周五趋于平稳；周五出现一个小高峰，而在周六和周日则有所下降,下降幅度约20%。根据变化趋势，可见入室盗窃多发于户主不在家的工作日。根据每月的入室盗窃案件数统计，发案数在2月为全年最低，5月为全年最高。3～5月递增，6～12月相对平缓，但是10月出现低谷。造成这一现象的原因推测是因为2月份受春节这一传统节日的影响，大部分流动人口返家过年，导致犯罪率的下降。3～5月逐月增高现象与流动人口逐步返杭有关，10月呈现出低谷的原因需要更多数据进一步研究。

2.3 入室盗窃案件空间分布分析

2.3.1 全区空间分布分析

基于核密度估计法，利用ArcGIS空间分析工具Kernel Density生成入室盗窃犯罪热点图，分析杭州市八区的犯罪聚集程度。如图3所示，颜色较红较深的区域入室盗窃犯罪聚集较高。杭州市八区4个入室盗窃犯罪高发区域分别为下城区的石桥街道、拱墅区的大关街道、西湖区的翠苑街道以及萧山区的城厢街道。经分析发现，热点区域都为密集居住区，交通路网发达，人口流动较大，入室盗窃作案条件较为充分。

进一步从春、夏、秋、冬四季犯罪热点图分析可知（图4），春夏季入室盗窃犯罪多发且相对集中，秋冬季次之。犯罪高发热点区域的分布随季节变化有所迁移，其中春季最为频发的是萧山区城厢街道，夏季为拱墅区大关街道，秋季相对均衡，冬季则主要分布在西湖区翠苑街道。考虑到犯罪人员的流动性、地域性和团伙性，可结合热点区域的转移分析入室盗窃犯罪的流窜问题。

图3 入室盗窃犯罪核密度热点图（2014-01～2015-06）

2.3.2 局部热点区域分析

入室盗窃犯罪受多种因素的影响，除与气象条件相关，还与房屋类型和年份、人流量、道路、门禁防盗系统、安保、周边生活娱乐设施等相关。掌握入室盗窃犯罪热点区域的地理环境特征，有助于警务人员进行针对性的巡防管理。因此，从杭州市八区4个入室盗窃犯罪高发区域之一的西湖区翠苑街道中选择翠苑三区进行实地验证，分析入室盗窃犯罪高发的主要影响因素。

图4 四季核密度热点图

从图5可以看出，翠苑三区入室盗窃犯罪高发主要受人流量、房屋类型、门禁等因素影响较大。小区南门是物美大型超市和翠苑电影大世界，物美超市东侧是大量的美食餐厅和露天停车场，人流量大。小区内房屋类型复杂，除住宅之外还有宾馆、银行、餐馆等分布。门禁防盗是该小区入室盗窃的重要影响因素，发案地点主要分布在西北角和东南角，两处皆存在常年无人看守且不锁闭的侧门。西北角小门连通宋江苑，东南角小门直接连通物美超市东侧的露天停车场，便于作案后快速逃离现场。因此，为了降低入室盗窃犯罪的可能性，加强门禁防盗系统和出入人员的监管是类似老小区的首选措施。

图5 翠苑三区实地验证

3 结 语

本文基于核密度估计方法，利用ArcGIS工具对杭州市八区2014年1月至2015年6月的入室盗窃案件进行了时空分析。研究结果发现，杭州市八区入室盗窃案件分布具有一定的时空规律。通过实地验证发现入室盗窃犯罪受人流量、房屋类型和门禁防盗系统等因素影响较大。研究结果可为杭州市八区入室盗窃犯罪的预防和警务干预工作提供一定的决策依据。

致谢

感谢浙江省公安厅提供2014年1月至2015年6月杭州市入室盗窃犯罪案例资料。感谢王舒涵、陈赵娣参与入室盗窃案例时间分布分析，感谢胡越凯参与部分论文修改。

[1]国家统计局. 公安机关立案的刑事案件 [EB/OL]. http://data.stats.gov.cn/easyquery.htm?cn=C01, 2015-02-26/2016-05-24

[2]严小兵,焦华富. 犯罪地理国际研究进展[J].地理科学进展,2012, 31(10):1 390-1 398

[3]刘大千,修春亮. 国内外犯罪地理学研究进展评析[J].人文地理, 2012, 27(2):38-44

[4]姜超,唐焕丽,柳林. 中国犯罪地理研究评述[J]. 地理科学进展, 2014, 33(4):561-573

[5]Chainey S, Tompson L, Uhlig S. The Utility of Hotspot Mapping for Predicting Spatial Patterns of Crime[J]. Security Journal, 2008, 21(1-2):4-28

[6]Nakaya T, Yano K. Visualising Crime Clusters in a Space-time Cube: An Exploratory Data-analysis Approach Using Spacetime Kernel Density Estimation and Scan Statistics[J].Transactions in GIS, 2010, 14(3):223-239

[7]陆娟, 汤国安, 张宏, 等. 犯罪热点时空分布研究方法综述[J].地理科学进展, 2012(4):419-425

[8]王帅. 犯罪案件时空热点分析研究[D].北京: 首都师范大学,2012

[9]徐晓,朱菁玮,吴玲,等. 城市入室盗窃时空点模式分析[J].测绘与空间地理信息, 2014, 37(8):15-18

[10]Townsley M, Homel R, Chaseling J. Repeat Burglary Victimisation: Spatial and Temporal Patterns[J]. Australian &New Zealand Journal of Criminology, 2000, 33(1):37-63

[11]Sagovsky A, Johnson S D. When Does Repeat Burglary Victimisation Occur?[J]. Australian & New Zealand Journal of Criminology, 2007, 40(1):1-26 [12]程薇,吴健平.国外犯罪时空分布研究综述[J].世界地理研究,2013, 22(2):152-158

[13]Ding M T, He L H, Dunson D, et al. Nonparametric Bayesian Segmentation of a Multivariate Inhomogeneous Space-time Poisson Process[J]. Bayesian Anal, 2012, 7(4):813-840

[14]Andresen M A, Malleson N. Police Foot Patrol and Crime Displacement: A Local Analysis[J]. Journal of Contemporary Criminal Justice, 2014, 1-14

[15]叶玲,陈楠.案事件时空格局演变分析[J].微型机与应用,2015, 34(3):78-81

[16]Kroner D G, Mills J F, Reddon J R. A Coffee Can,Factor Analysis, and Prediction of Antisocial Behavior: The Structure of Criminal Risk[J]. International Journal of Law and Psychiatry,2005,28(4):360-374

[17]Qian C, Wang Y B, Cao J D, et al. Weighted-Traffic-Network-Based Geographic Profiling for Serial Crime Location Prediction[J]. EPL, 2011, 93:68006

[18]Cherian J, Dawson M. RoboCop: Crime Classification and Prediction in San Francisco[EB/OL]. http://cs229.stanford.edu/proj2015/228_report.pdf, 2015-09-01/2016-07-17

[19]杭州市统计局. 历次普查常住人口情况[EB/OL]. http://www.hzstats.gov.cn/web/tjnj/nj2015/showChapter.aspx?id=2-01,2014-04-07/2015-05-29

[20]百 度. Geocoding API [EB/OL]. http://lbsyun.baidu.com/index.php?title=webapi/guide/webservice-geocoding, 2013-04-07/2016-05-29

[21]百度. 坐标转换 API [EB/OL]. http://lbsyun.baidu.com/index.php?title=webapi/guide/changeposition, 2014-03-06/2016-05-29

[22]陈鹏,李锦涛,马伟. 犯罪热点的分析方法研究[J]. 中国人民公安大学学报(自然科学版), 2012(3):53-57

[23]杭州市统计局. 地区生产总值(2014年) [EB/OL].http://www.hzstats.gov.cn/web/tjnj/nj2015/showChapter.aspx?id=1-10, 2015-11-02/2016-06-12

[24]杭州市统计局. 土地面积和人口密度(2014年末) [EB/OL].http://www.hzstats.gov.cn/web/tjnj/nj2015/showChapter.aspx?id=1-02, 2015-11-02/2016-06-12

P208

B

1672-4623（2017）12-0063-04

10.3969/j.issn.1672-4623.2017.12.020

2016-10-26。

国家自然科学基金资助项目（41401517）；浙江省公益技术研究社会发展项目（2015C33223）。

陈曼，主要从事入室盗窃犯罪GIS时空分析工作。