Spatial concentration of grave crime across the police sub-divisions of Chennai City, India, 2021: a descriptive analysis and the limits of area-normalised opportunity measures
本研究分析了2021年金奈12个警察分区的严重犯罪空间集中情况，发现虽然抢劫在犯罪构成中占主导地位且中心区域承担了最高负担，但由于与面积分母存在共线性，经面积归一化的机会度量在统计上是不可靠的，这表明相比于在此规模下测试机会效应，提供可复现且分母稳定的描述是一种更具辩护性的贡献。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图弄清楚为什么城市中有些街区感觉比其他街区更危险。长期以来，研究犯罪的科学家们都知道一个简单的规则：犯罪不会像在吐司上抹黄油那样均匀地展开。相反，它会发生集群现象。就像城市中只有少数特定的街角才会看到鸟群聚集一样，城市中也有少数特定的地点承载了大部分的麻烦。这个观点源于环境犯罪学领域，该理论认为犯罪发生在三个要素交汇之处：一个想要做坏事的人、一个可以攻击的目标，以及缺乏阻止他们的人。这就像一个食谱；如果你在正确的时间、正确的地点拥有了这些原料，那么“犯罪蛋糕”就会被烤制出来。但棘手的部分在于，当我们试图在像印度这样人口稠密的大型城市中衡量这一点时，数学变得非常复杂。如果你试图仅仅通过将犯罪数量除以街区面积来比较犯罪率，你可能会在无意中误导自己，让你以为存在某种联系，而实际上并没有。这项研究深入探讨了这种复杂的数学问题，旨在观察关于犯罪的常规线索在印度的钦奈（Chennai）是否依然成立。
研究人员决定对 2al 2021 年钦奈的“严重犯罪”进行一次全新的审视。你可以将“严重犯罪”理解为那些沉重的事情：谋杀、抢劫和严重的盗窃。他们并没有观察单个街角，而是观察了覆盖全城的 12 个大型警察辖区。他们的目标有两个：首先，绘制出这些犯罪实际发生的地图；其次，测试一个流行的理论。该理论认为，犯罪率应该在道路繁忙、流动性大的区域更高，因为那里提供了犯罪的“机会”。这就像是在说，如果一家商店位于繁忙的高速公路旁，比起位于安静的死胡同，它更有可能遭到抢劫。
当他们统计犯罪数量时，发现全市共有 870 起严重事件。最大的惊喜是什么？抢劫成为了主角，占据了所有这些犯罪中的高达 70.0%。谋杀是第二常见的类型，但远不及抢劫。当他们观察原始数字时，城市边缘那些广阔的街区似乎拥有最多的犯罪。但研究人员知道，大面积区域自然会有更多犯罪，仅仅是因为它们面积大。因此，他们进行了一些数学运算来“归一化”数据，本质上是在问：“如果我们把每个街区的规模都缩小到相同的大小，犯罪密度实际上分布在哪里？”
一旦他们根据面积进行了调整，情况发生了反转。犯罪负担并没有留在边缘地带，而是转移到了城市紧凑、拥挤的中心。小型且拥挤的中心警察辖区变成了热点地区。例如，一个名为 Kilpauk 的中心区域拥有最高的犯罪密度，约为每平方公里 11.06 起犯罪。另一个中心点 Pulianthope 则很有意思，因为它虽然总犯罪数不是最多，但其谋杀案的比例与其他地方相比要高得多。它是另一种类型的危险区域。
然而，这篇论文最重要的发现实际上是一个“不”。研究人员想要看看这些犯罪热点是否由道路密度（代表了犯罪分子移动的“机会”）所导致。乍看之下，数据看起来很有希望：犯罪最多的区域也拥有最多的道路。这似乎是一个完美的匹配。但作者意识到，他们掉进了一个数学陷阱。他们正在用同一个数字去除两个事物：犯罪计数除以面积，而道路长度也被除以面积。这就像试图通过将吃苹果的数量和人的身高都除以体重，来证明身材高大的人吃苹果更多一样。如果体重发生变化，这两个数字都会随之改变，从而创造出一个虚假的联系。
当研究人员使用特殊的统计工具来消除方程中“面积”的影响时，那种神奇的联系消失了。道路密度与犯罪之间看似存在的联系，仅仅是由数学创造出的幻象。论文得出结论，在观察整个街区这一尺度上，我们不能说繁忙的道路会导致更多犯罪。一旦修正了数学问题，数据便无法支持这一观点。相反，这项研究提供了一份关于犯罪集中区域的可靠地图，并警告我们，在衡量犯罪时必须非常小心，因为我们切割城市的方式可能会误导我们，让我们看到并不存在的模式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。