第30卷 第10期 2011年10月地 理 科 学 进 展 PROGRESS IN GEOGRAPHYVol.30, No.10 Oct., 2011收稿日期： 2011-02； 修订日期： 2011-06. 基金项目：兰州大学君政基金 作者简介：耿莎莎(1988-)， 女， 河南睢县人， 硕士研究生， 主要从事区域与城市规划和GIS应用研究E-mail: gengss10@ 通讯作者： 张旺锋(1968-)， 男， 甘肃庆阳人， 副教授， 硕士生导师， 主要研究方向为城市地产评估、 城市土地规划、 区域经济发展 和城市规划等E-mail: zhangwf@ 1240-1246页基于GIS的城市犯罪行为空间分布特征 及预警分析耿莎莎， 张旺锋， 刘勇， 李甜甜， 马彦强(兰州大学资源环境学院， 兰州 730000)摘 要： 本文利用中原某县城区土地利用现状图、 道路图、 社区人口统计资料， 以及10年的城区犯罪案例数据等， 对该县城区不同犯罪类型和不同年份的犯罪数据进行了空间分析对该县城区犯罪及其影响因素的空间格局研究表明： ①该县城区的核心区案件数量最多， 其次为东关和西关较多， 而边缘区案件数量相对较少； ②就所有犯罪案件在城区的空间分布看， 犯罪密度空间分布具明显的分区特征， 其中水口路、 十字街和袁山市场是犯罪密度最高的区域； 东关、 西关以及城北新区是犯罪密度较高的区域； 城市边缘区的犯罪密度最低。
研究表明城市犯罪与城市建成区的发展有关系； 城市犯罪案件数与城市出行人数存在较强的线性关系通过建立城市犯罪空间分布模型， 可以模拟与预测城市犯罪未来空间分布， 从而使公安部门及时准确地作出防范措施关 键 词： GIS； 空间分析； 地理数据库； 犯罪； 影响因素1 引言地理信息系统(GIS)用于犯罪分析领域， 可使警务人员通过简单的操作完成强大的犯罪分析功能， 降低犯罪分析尤其是犯罪空间分析的难度[1-9]早在20世纪80年代初， 国外就应用GIS做犯罪分析方面的工作， 特别是90年代以来， 桌面地理信息系统的发展， 极大地推动了GIS在犯罪分析方面的运用目前中国警用地理信息系统的建设和空间数据库的建设和应用正处于起步阶段公安部已经将警用地理信息系统的建设列入 “金盾工程” 23个一类项目之中[1]上海市公安局辅助决策系统是 以城市电子地图为背景， 集GIS空间分析技术、 分布式数据库技术、 网络技术和人工智能技术于一体， 具有接警、 处警指挥调度、 案事件时空分析等多种综合管理功能的智能辅助决策系统[10]大连市公安局正在以GIS 技术为基础开发可视化公安综 合管理信息系统[11-12]。
本文利用GIS空间分析功能， 将计算机图形和数据库融为一体， 存储和处理空间信息， 把地理位置和相关属性信息有机地结合起来， 以可视化方法分析和表达特定地区的犯罪行为空间分布格局， 通过对城市犯罪与城市出行人数之间关系的建模， 分析判断在地理空间背景下的犯罪行为主导因素， 预测城市未来犯罪发生的可能性， 从而为完成最佳警力部署、 调整巡逻区域、 制定新的防范策略、 预防和打击犯罪提供决策依据2 研究方法与数据来源2.1 研究方法基于ArcGIS 9.2平台的空间分析功能可以形象地揭示出城市犯罪在空间分布的规律， 通过可视 化功能将这些信息以地图的形式表达， 使得各个地区的公安人员能够全面掌握信息采用的方法包括收集资料、 建地理数据库、 GIS空间分析和空间统计等2.1.1 城市人口空间分布模型的建立 基于GIS技术的人口密度空间化的方法可以划分为以下3种： ①基于插值或格网的人口数据空间化， 其研究重点在于利用插值方法或格网技术，模拟人口的实际空间分布； ②基于遥感的估算， 主30卷10期耿莎莎 等： 基于GIS的城市犯罪行为空间分布特征及预警分析要是通过遥感影像直接提取居民区信息或人口分布影响因子来估算人口密度； ③人口密度分布影响因子分析法， 主要是通过分析影响人口分布的一系列因子， 得到网格的人口密度分配权重， 从而得到对整个研究区域的整体人口密度分布状况[13]。
本文基于人口密度分布影响因子分析法， 将城镇本身规模及离城市中心的距离作为影响因子， 按人口权重系数分配人口数， 从而建立城市人口空间分布模型[14-15]居民地块的人口密度系数计算公式为：Vij=Aij×lnA×exp()-1.9874r1.2ijA0.6(1)式中：Vij为i街区中第j个居民地的人口密度系数；Aij为i街区中第j个居民地面积；A为该县城城区的总面积；rij为i街区中第j个居民地中心至城市中心的距离各个街区内居民地的人口数计算公式为：POPij=Pi×æèççöø÷÷Vij∑i=k1 Vij(2)式中：POPij为i街区中第j个居民地的人口数；Pi为i街区的总人口按人口权重系数分配人口数的计算公式为：POPk=POPij×æèççöø÷÷wk∑k=61 wk(3)式中：POPk为各个居民地按权重分配后的人口数；POPij为由模型计算而得的各个居民地的人口数；wk为人口权重系数格网大小的计算公式为：g=()Sminπ0.5(4)式中：g为格网大小，Smin为居民地块中最小的面积2.1.2 城市出行人数的预测城市出行预测方法主要为以四阶段模型(4SM模型)为代表的基于出行模型与基于行为的模型。
4SM模型的出行需求预测过程根据出行率统计交 通分区的出行发生和吸引量， 其次依据其他分区的出行吸引量以及平均出行阻抗计算任一特定分区的出行发生量行为模型将人们的活动需求或参与活动的愿望看作是产生出行的真正原因， 并认为对出行行为的任何理解都应从属于对活动参与的先行认识[16]本文是基于4SM模型对城市出行人数进行预测， 即以出行吸引量与各居住地的总人数进行线性回归， 得到了与人口数量对应的出行产生量的计算公式， 然后根据出行产生量与城市出行强度， 计算城市出行人数该县城区出行产生量的计算公式为：Yi=0.5902Xi+4822,R2=0.75(5)式中：Yi为i居住地的居民出行产生量(人次/日)；Xi为i居住地的总人口数各居住地的出行人数的计算公式为：Y= X a(6)式中：X为居住地的出行产生量；Y为居住地的出行人数；a为该居住地人民出行强度2.2 研究区概况研究区为中原某县城区行政管辖范围所包括的全部地域空间， 水口路、 解放路和睢州大道为城区的主要交通道路， 袁山市场和十字街是繁华商业区， 红绿灯附近是县城中心城区包括核心区、 东关、 西关、 南关和北关等地区， 城区有环城路围绕(图1)。
2.3 数据来源研究所涉及的数据来源主要有三部分： 中原某县城区土地利用现状图、 道路图(来自该县城建局)；该县统计信息中心统计的1998-2007年社区人口数； 公安部门提供的1998-2007年的该县城区犯罪案件数据， 此数据可落实到各区和各街道， 用于各区和各街道中各类案件的分析图1 研究区概况图 Fig.1 Map of the study area袁山市场水口路红绿灯 十字街东关睢州大道南关西关北关解放路0500 m1241地理科学进展30卷10期2.4 数据处理2.4.1 地理数据库的建立首先使用ArcGIS工具， 将城区土地利用现状图和道路分布图导入并存储为shapefile格式的文件， 进行坐标配准； 然后将犯罪案件的实际发生位置导入到城区现状图中， 进行数字处理， 并与城区道路分布图叠加， 得到犯罪数据空间分布图， 并以地理数据库的形式表达犯罪数据空间分布特征2.4.2 犯罪案件数据空间化将犯罪案件作如下处理： 按性质分为5大类，分别为盗窃、 抢劫、 诈骗、 杀人、 其他； 按发生地点分为4种， 分别为公共建筑用地、 乡镇用地、 居住区和道路； 按每2年发生时间分为5大类， 分别为1998-1999 年、 2000-2001 年、 2002-2003 年、 2004- 2005年、 2006-2007年。
3 结果分析3.1 犯罪案件分类统计特征根据各种犯罪案件统计数据分析该县城城区的核心区案件数量最多， 其次为东关和西关较多，而边缘区案件数量最少(图2)通过统计随距城市中心距离远近的犯罪案件发生数， 得出犯罪在空间分布变化的趋势(图3)， 在距市中心距离为不超过0.5 km时， 由于公安管制严格， 犯罪数不是最多； 在距市中心距离为0.5~1 km时， 犯罪案件数是最多的， 可知犯罪多发生在离城市不远的近郊区， 而远离城市中心的远郊区， 犯罪案件数随距市中心距离的增大而减小通过计算各类案件发生在各种性质地点的频率数据显示： ①不同类型案件的数量相差很大， 一是盗窃案件突出， 并且近几年盗窃案件一直呈上升趋势； ②抢劫案件增多； ③伤害案件呈上升趋势不同类型案件发生地点具有很高的相似性， 其中公共建筑用地发生最多， 道路发生较多， 其次为居住区， 而乡镇用地发生最少通过计算每两年案件发生在各种性质地点的频率数据(图4)显示： ①不同类型案件的数量相差不大， 其中2000-2001年发生的案件数量最多， 其次为2002-2003年， 而1998-1999年发生的最少②不同年份的案件发生地点具有很高的相似性： 对每2年的案件数据做统计， 分析在空间分布上的案件时序变化， 并总结得出时间要素的归类性， 具有与空间相似的分布特征， 即公共建筑用地发生最多， 其次为道路， 而乡镇用地发生最少。
3.2 犯罪案件空间分布模式3.2.1 案件分布结构就所有犯罪案件在城区的空间分布看， 犯罪密图2 犯罪数据空间分布图 Fig.2 Spatial distribution of the data about crimes图4 1998-2007年案件发生在各类地区的频数表 Fig.4 Frequency of the occurrence of criminal cases in different areas of various years图3 犯罪案件数在空间分布变化趋势 Fig.3 Changing trend of the spatial distribution of the number of criminal cases01 02 03 04 05 06 07 01 9 9 8 - 1 9 9 92 0 0 0 - 2 0 0 12 0 0 2 - 2 0 0 32 0 0 4 - 2 0 0 52 0 0 6 - 2 0 0 7犯罪案件数犯罪案件数犯罪案件数犯罪案件数公共建筑公共建筑公共建筑公共建筑 乡镇用地乡镇用地乡镇用地乡镇用地 居住用地居住用地居住用地居住用地 道路道路道路道路02 04 06 08 01 0 01 2 01 4 01 6 01 8 02 0 00 . 0 ～～～～0 . 50 . 5 ～～～～1 . 01 . 0 ～～～～1 . 51 . 5 ～～～～2 . 02 . 0 ～～～～2 . 52 . 5 ～～～～距市中心的距离距市中心的距离距市中心的距离距市中心的距离//// k m犯罪案件数犯罪案件数犯罪案件数犯罪案件数犯罪案发点公共建筑水域乡镇用地居住用地图 例0500 m袁山市场南关核心区水口路红绿灯十字街东关睢州大道袁山市场南关核心区水口路红绿灯十字街东关睢州大道124230卷10期耿莎莎 等： 基于GIS的城市犯罪行为空间分布特征及预警分析度空间分布呈明显的分区结构， 其中水口路、 十字 街和袁山市场是犯罪密度最高的区域， 东关、 西关 以及城北新区是犯罪密度较高的区域， 城市边缘区 的犯罪密度最低。
这种分布模式与城市中财物和 犯罪目标在中心城区的高度集聚有关案件密度 最高的两个街道是水口路街道和解放路街道结 合各街道犯罪案件数量看， 犯罪发生有沿主要道路 向外辐射的趋势在所有的案件中， 有很多都发生 在公共场所中， 这些场所往往就在交通干线或休闲 场所附近(图5) 3.2.2 犯罪案件高发点 案件分布结构不是。