单勇：城市犯罪学的新边疆——揭开犯罪热点演化规律的面纱

随着城市更新的深入，城市如同磁场吸引了大量的犯罪。有研究者借助地理信息系统（简称GIS），将犯罪（“两抢一盗”为主）在城市空间的聚集分布进行制图验证，使犯罪热点区域在地图中赫然显现。相对于数量庞大且难以预先辨认的高危人群防控模式，这种针对少数犯罪热点路段及网格的防控策略更具有效率性和可行性。从防控罪犯到对犯罪热点的防控日益受到重视，以致犯罪热点防控成为犯罪空间研究的中心议题。热点不能只知其形，而不知其因。相对于现象观测，犯罪热点成因分析致力于拨开犯罪聚集的迷雾、揭示犯罪空间的分布规律、度量城市空间的犯罪吸引力，是“加快创新立体化社会治安防控体系”亟待研究的课题。 如何探究犯罪热点成因？笔者基于空间相关性的视角，量化犯罪热点与各种空间因素的相关关系，尝试从经验到量化、从定量到定性、从相关到因果解释犯罪热点成因之惑。

“犯罪热点是指存在不同空间尺度上的犯罪聚集状态。热点泛指空间上的一个区域，在这个区域内，犯罪率水平显著高于整个地域的平均水平。” 美国学者威斯勃德通过考察西雅图市1989-2002年的犯罪空间分布状况，发现在14年间，50%的案件仅发生于4.5%的路段上，印证了犯罪热点区域的存在；他借助分组轨迹模型，将全部路段分为18组事件轨迹，发现犯罪热点区域存在较强稳定性。随着制图技术的普及，犯罪聚集性和犯罪热点区域稳定性获得了更多的实证支持，“针对地点的防控策略比针对人的防控策略更有效”的观点愈发深入人心。

随着犯罪热点区域观测技术的日臻成熟，开展犯罪热点区域探因便顺理成章，并且甚为必要；但目前国内关于犯罪热点区域成因的研究和分析相对薄弱，并遭遇了如下困境：

（一）国外基于人类活动的探因分析在国内可测性不强

在西雅图研究中，威斯勃德从人类活动视角探讨热点缘何稳定。基于日常活动理论，犯罪热点区域多位于青少年经常活动的城市空间。基于社会解组理论，选民积极投票行为指标能够反映社区的“集体效能”高低，选民投票率高的地理单位中犯罪率较低；而犯罪热点区域中，非法倾倒废弃物行为的数量较多，而犯罪冷点区域中，非法倾倒废弃物行为的数量则较低。上述基于社会解组、日常活动的探因思路难以在国内复制。由于中美两国的社区结构和运行机制迥然不同，选民积极投票行为这种反映集体效能的评价指标在国内并不具有指标价值；由于我国城市规模大、人口密度高，“非法倾倒”等越轨行为的抽样监测不可避免地存在各种人为误差且可行性差；很多人类主观认知和社会活动因素有时缺乏量化的可能。此外，威斯勃德也承认，当社会解组涉及的社区与微观热点的地理单位不对等时，日常活动、社会解组理论对解释微观地理单位上的犯罪热点可能未必有效。

（二）国内关于犯罪盲区的探因分析框架量化程度不足

犯罪热点区域成因研讨在我国尚不多见。我国有学者提出城市犯罪盲区的分析框架，认为犯罪热点与犯罪的社会盲区、心理盲区、时间盲区、空间盲区的交汇存在紧密联系，空间盲区可进一步划分为公共、非公共、边际、移动和虚拟空间盲区，并基于此对犯罪热点成因进行案例分析。由于缺乏系统性的数据支撑，犯罪盲区分析中的理论思辨和经验描述色彩浓厚，仅凭案例分析未能告别来自经验的“差不多”，无法揭示各种因素与热点的数量关系，从而限制了这种分析框架的解释能力。

（三）犯罪热点成因的量化分析难度大

犯罪热点成因的量化分析需要很多的犯罪案例和社会数据，离不开数据挖掘、分析技术的运用，具有较高的信息和技术门槛，这导致犯罪热点的探因曲高和寡。热点制图以犯罪地点信息为主，而热点探因不仅需要地点和犯罪人的身份信息，还需要研究一定区域内社会、经济、空间及人类活动的信息，更需要以数理统计和科学实验把握热点成因的数量关系。囿于跨越信息和技术双重门槛，难度较大，国内学者在犯罪制图中多偏好热点探测而较少涉及热点探因。

犯罪热点探因三重困境的出现与当前国内犯罪原因研究理论深度不足、实证方法匮乏息息相关。“实证研究方法的匮乏使犯罪原因论难以精确化或者数量化。只依靠纯粹的理论思辨、定性分析难以对犯罪原因作出精确的、数量化的分析和解释，只能使用各种弹性较大、含义模糊的词汇提供一种大概的观念上的描述。”那么，如何改变纯思辨、经验式的探因模式？有没有一种更为客观的、更具可测性的犯罪热点探因思路呢？

鉴于犯罪热点的鲜明空间属性，热点探因应更多关注空间因素对犯罪发生、分布的影响，尽管热点的形成及分布不单由空间因素促成，但“社会关系中的事件是通过空间形成的，受空间的限制，也受空间的调解。”空间因素是人类活动的载体和犯罪发生的必要条件。那么，什么是空间相关性，空间相关性探因有何优势，如何开展？

（一）空间相关性探因的优势

所谓犯罪的空间相关性，既指犯罪与各种空间因素的相关关系，也指犯罪与犯罪在空间上的相关关系。根据地理学第一定律，“空间上的每个事物都与其他事物相关，但距离近的事物比距离远的事物相关性更高。”空间相关性可描述为在某个地点上一个变量受邻近地点上变量的影响程度。空间相关性分析既关注犯罪与犯罪的空间关联，又探究哪些空间因素在何种程度上影响犯罪及其热点的产生、变化。相关性分析通过寻找犯罪与哪些空间因素的联系概率较大，在概率测算中把握变量间的关系，将热点成因构筑于一个个具体的空间相关关系之上，从经验到量化、从模糊到精确、从定量到定性、从相关到因果，揭示热点成因。那么，空间相关性探因有何优势呢？

从方法上看，影响犯罪发生、分布可被经验感知，却不能止于经验。空间相关性探因通过发挥地理学的想象力，以地图探察犯罪热点，通过数学模型、函数方程式描述犯罪与空间因素的数量关系，把握城市空间有机体的犯罪吸引力、承载力，量化热点成因，揭示犯罪空间分布规律，促进犯罪空间研究走向深入。

从原因力上看，社会转型、解组、失范对热点的影响属于远因，空间因素的影响则系近因。“从传统上讲，原因与犯罪行为的距离越远，那么使用这些原因建立一种可靠的理论就越难。”影响热点的人类活动通过空间形成、受到空间的限制和调节。“行为是一个人与他的周围环境交互作用的结果，物理环境可能会给个体创造不同程度的犯罪机会。”“犯罪行为往往被认为是有犯意的人最终由适宜的环境使其终成行为。”相对其它原因，空间因素既是近因又具有基础性地位，空间因素在一定程度上还能反映特定空间内人类活动、社会、经济因素对热点的影响，故空间因素的原因力可能更强。

从可操作性上看，空间因素具有客观性，空间相关性分析的可测量性强。由于“社会风险同时拥有可计算性和不可计算性的特性”，某些影响犯罪的非物质性因素（如心理认知）有时缺乏测量的可能，某些人口、社会因素获取信息的难度大；研究区内商业网点、公交站点的数量或密度等空间因素可借助GIS等技术采集、监测和计算。

（二）空间相关性探因的三种思路及评价

1.空间相关性探因的三种思路

第一种思路是以“环境盖然论”解释热点成因。“环境盖然论”主张，多数犯罪不是通过周密计划而实施的，而是根据物理环境偶发的，犯罪率通常与该场所的设计要素有很大关联。第二种思路是以犯罪热点空间的特殊性探讨热点成因。主要方法有二：一是针对热点空间进行环境描述，以治安“死角”和“空间盲区”解读热点。二是基于制图的空间统计。对罪犯居住地点、吸引犯罪的活动及设施进行空间统计，分析抢劫、盗窃等犯罪热点；基于犯罪冷热点的空间对比，考察热点的空间特性，把握热点成因。第三种思路是以回归分析度量特定因素对犯罪热点的影响。国外有学者以空间回归模型发现酒精销售点密度与暴力袭击率之间存在非线性关系，并为酒精销售许可证发放提供了一个临界值；基于仿真实验，以最近邻指数检验空间聚类、以偏态系数量化罪犯出行特征，剖析被害的空间聚集原因和罪犯出行距离的衰减规律。

2.空间相关性探因思路评析

第一种思路将犯罪与空间的相关性作为防控应对的理论前提，重点关注各类环境预防措施的有效性，未深入触及热点成因；但实际上如何开展、实施哪些环境预防均离不开犯罪与空间的关系这一前提。未能深入把握空间相关性是该思路的重大缺憾。

第二种思路分别以环境分析和制图分析方法对热点成因进行探本溯源式的专论。在第二种思路中，环境分析有两点不足：（1）环境分析偏重被害恐惧，对犯罪空间分布观测有所忽视。恐惧热点与真实热点往往并不一致，主观认知上的被害恐惧不能替代真实的犯罪空间分布。（2）空间探因的量化程度有限。城市空间由多种空间因素组合而成，不同路段、网格、院落中空间因素的组合方式不同，环境描述难以准确测定哪些空间因素与犯罪有关、具体关联程度如何。

对此，基于GIS的制图分析较好地实现了犯罪热点的可视化观测。在犯罪地图中，犯罪热点不过是犯罪密度的高值区域，基于制图的空间统计构成探察热点的适宜方法。冷热点空间对比就属于这种方法的应用。值得注意的是，空间差异对比仍然无法精确量化热点成因，理由有二：一是热点与冷点、普通网格的空间差异不一定意味着相关及因果。有些空间差异可能反映一定问题，如热点中商业网点数量较多，但这种差异无法度量商业网点影响犯罪分布的数量关系。二是由于热点、冷点及普通网格是研究者以预设标准划分的，分类误差无法避免。从犯罪密度上看，热点中犯罪略少的网格与犯罪较多的普通网格可能相差不多。也许比较均值可弥补这一不足，但真实的犯罪分布是一个没有平均数的世界。因此，对比分析并非热点探因的适合方法。

第三种思路倡导的回归分析以数学模型确定犯罪与变量之间相互依赖的定量关系，将犯罪数量作为因变量、将各种引发犯罪的原因指标作为自变量，以回归函数表达式反映各种自变量是如何影响因变量变化的。相对经验式的研讨，这种回归分析方法无疑更适合犯罪原因研究。尽管犯罪的回归分析起步晚，如何把握回归条件、怎样筛选变量、选择何种回归模型进行热点探因尚无定论；但与环境分析、对比分析相比，回归分析更为科学、更加精确、更具应用潜力。

（三）空间相关性测量的启示

前述探因思路的检视为测量空间相关性提供两点启示：

（1）犯罪热点不过是犯罪密度的高值区域，量化空间相关性可选择犯罪密度为测量对象，从把握空间因素对犯罪密度的影响入手。与人口密度类似，犯罪密度是单位面积内的犯罪数量，是准确反映犯罪空间分布及犯罪聚集程度的指标。空间相关性的测量可转换为测量犯罪密度值与各种空间因素数值的相关系数。犯罪密度表征了犯罪与犯罪在空间上的关系，故犯罪的空间相关性还包括犯罪与犯罪之间的空间关系，即犯罪地点与相邻犯罪地点、特定地理单位内的犯罪与毗邻地理单位内的犯罪的相关关系，这种相关性也称为犯罪的空间自相关。在测量空间相关性时，除考虑空间因素对犯罪的直接影响，还应考虑犯罪的空间自相关对犯罪与空间因素相关性的间接影响。

（2）围绕犯罪密度开展探因实证分析，离不开犯罪制图和回归分析的整合运用。“犯罪制图是利用地理信息系统对违法犯罪和其他相关警务问题进行空间分析的过程。”“地理信息系统是在计算机软硬件支持下，对整个或者部分地球表层空间中的有关地理分布数据进行采集、存储、管理、运算、分析、显示和描述的技术系统。”GIS为犯罪空间分析提供了标准化的测量工具。基于地点定位，GIS以密度制图探察犯罪空间特性和测算各地理单位的犯罪密度值；基于犯罪地图，以回归分析筛选空间变量，建立空间回归模型，解释犯罪密度与各类变量的线性、非线性关系，把握各种空间因素对犯罪密度的影响。相对环境描述、对比分析，回归分析方法具有巨大优势，能化繁为简提供更具穿透力的发现和更有说服力的解释。

总之，以犯罪密度制图把握犯罪空间特性，是犯罪热点探因的基础；以回归分析量化犯罪密度与各种空间因素的相关性，是犯罪热点探因的关键。犯罪密度制图与回归分析的整合运用构成了犯罪热点探因的可行进路。

犯罪热点的空间相关性探因离不开犯罪稳定聚集于特定空间这一前提。如果犯罪没有聚集分布，而呈现均匀分布或随机分布；如果在空间因素没有较大改变的情况下，犯罪热点却发生明显转移。那么，犯罪热点与空间因素的相关性微乎其微，几无相关性探因之必要。以犯罪密度制图验证犯罪聚集性和热点稳定性，构成开展空间相关性分析无法跨越的前提。

（一）基于聚集分布的犯罪自相关

在理论上，空间分布形态包括聚集分布、均匀分布、随机分布；从常识来看，城市空间因素、犯罪机会、人类活动既不是随机分布也不是均匀分布。那么，犯罪是否呈现聚集分布？这需以犯罪密度制图验证。以盗窃犯罪为例，我们选取Ｚ省的省会H市S区和X区、W市L区、L市L区四个研究区，以S区2009-2012年起诉的730起案件、X区2009-2012年起诉的808起未成年人盗窃案件、W市L区2003-2012年起诉的5818起案件、L市L区2007-2012年起诉的1123起案件为样本。研究区既包括省会核心区及副中心区、地级市中心区等类型，还可分为平原城区、山地城区、沿海城区。研究区有较强代表性，能在省级层面反映Z省的犯罪空间特性。

借助ArcGIS10.0软件，将起诉书中的犯罪地点信息录入GIS系统，在地图上一一标示。基于地点的“核密度分析”展示犯罪聚集情况（参见图表1）。“密度制图是基于点数据生成的，以每个待计算网格点为中心，进行圆形区域搜寻，计算每个网格点的密度值。根据输入的要素数据集计算整个区域的数据集聚状况，从而产生一个连续的密度表面。”

基于犯罪地图的空间统计，犯罪在网格和路段上显著聚集。在H市S区，仅在110条路段（占全部路段的10%）上发生67.35%的犯罪；在161个网格中，14.8%的网格内发生50.8%的犯罪。在H市X区，在1040个网格（每个网格面积约为1.36平方公里）中，5%的网格内发生56.31%的犯罪，10%网格内发生78.84%的犯罪。在L市L区，仅66个路段（占全部路段的9.62%）上发生50.34%的犯罪；在842个网格（每个网格面积约为0.026平方公里）中，4.99%的网格内发生43.63%的犯罪，9.98%的网格内发生66.61%的犯罪。在W市L区，在1267个网格（每个网格面积约为0.22平方公里）中，4.97%的网格内发生51.69%的犯罪，9.94%的网格内发生74.50%的犯罪。此外，GIS软件的最近相邻指数不仅测算出犯罪聚集程度（参见图表1），还显示盗窃犯罪的空间聚集在Z省具有相当的普遍性。

借助GIS软件的全局Moran'sI指数、全局G指数，犯罪聚集性的验证还揭示出犯罪与犯罪存在空间自相关。全局Moran'sI指数是基于邻近面积单元上变量值的比较，该指数用于探测相邻网格之间的犯罪是否相关。该指数（在-1至1之间）为正值时，表示正的自相关；Z得分为正且大于1.96，呈现空间正自相关；P值小于0.05，证明空间正自相关显著。全局G指数比全局Moran'sI指数更进一步探测空间自相关的类型，该指数可区分高值的空间聚集与低值的空间聚集。数值为正的是正相关，相邻网格之间为高值与高值聚类；Z得分大于1.96，在95%的概率上存在高值与高值聚类。

根据图表1，犯罪的聚集分布显著，全局Moran'sI指数、全局G指数检验出相邻网格之间的犯罪存在“空间正自相关”且为高值与高值聚类。

（二）基于热点稳定的空间相关

犯罪转移通常被认为是地点防控的阿喀琉斯之踵。如果热点迅速从一个地点转移到另一个地点，在热点区域投入犯罪防控资源就鲜有意义，针对热点的警务干预将不具有效率。围绕犯罪是否存在空间位移，主流观点认为，犯罪的空间位移很少能被计算出来且通常无关紧要。

值得注意的是，在热点稳定性实验中，学者还发现地点警务对毗邻的、非犯罪预防干预区域的犯罪现象也有显著改善。克拉克和威斯勃德这两位斯德哥尔摩犯罪学奖得主共同将这种现象界定为“犯罪控制的扩散效应”，即犯罪控制效益扩散到原先没有加强犯罪预防的区域。

遗憾的是，热点稳定性尚未获国内学界回应，类似实证分析甚为少见。对此，本文以犯罪密度制图检验H市S区、W市L区盗窃犯罪热点的稳定性，并在后面以空间回归分析解释犯罪控制效益扩散的发生原理。

在H市S区，以GIS软件在每年犯罪密度图上绘制等值线，将2009-2012年的等值线图叠加，依据等值线之间的重合关系，确定研究区中不同百分比面积上的犯罪数量。尽管S区盗窃犯罪空间分布在历年发生一定变化，但犯罪热点仍有较强的稳定性（参见图表2）。在四年中，15.07%的犯罪发生于研究区1.41%的区块内，29.73%的犯罪发生于研究区4.74%的区块内，50.68%的犯罪发生于研究区12.08%的区块内。

在W市L区，通过GIS在每年的核密度图上绘制等值线，将2003-2012年的等值线图叠加，依据等值线之间的重合关系，确定研究区中不同百分比面积上的犯罪数量。如图表3所示，犯罪热点在十年中保持较强的稳定性。8.94%的犯罪发生于研究区0.65%的区块内，33%的犯罪发生于研究区3.47%的区块内，53.23%的犯罪发生于研究区6.99%区块内。

借助犯罪密度地图，盗窃犯罪热点在省会城市中心区四年中保持相对稳定，在地级市沿海郊区十年中也保持相对稳定。如果说聚集性是犯罪空间分布的第一特性，那么热点稳定性构成了犯罪空间分布的第二特性。基于聚集分布，犯罪自相关得以揭示；基于热点稳定，空间相关性被进一步印证。犯罪聚集与热点稳定的验证为空间相关性分析模型的创建奠定了基础。

作为度量相关性的主要方法，回归分析通过测算自变量对因变量的影响把握相关关系。回归分析的具体测算方式是将犯罪的空间相关性问题抽象为特定的数学模型，用模型描述犯罪的因果关系。本文以反映热点的犯罪密度为因变量、以各种空间因素为自变量创建空间相关性分析模型。

（一）数据预处理

回归分析以Z省省会S区为研究区，测算盗窃密度与各种空间因素的相关性。犯罪密度是回归分析的因变量。2009-2012年，S区共起诉盗窃案件753起，因记录不明等原因，在地图上成功定位730起。基于城市规划、防控经验、变量的客观性及可测性，选取10类空间因素（标志性建筑、道路加权长度、停车场、金融网点、政府机关、公交车站、商业网点、居住用地、教育用地、绿地）作为回归分析的自变量。围绕因变量和自变量，本文以政府在S区规划的161个网格为地理单位，统计各网格中的犯罪密度值和空间因素值。为顺利开展回归分析，需对上述变量进行如下预处理：

第一，将标志性建筑设为虚拟变量。在前期盗窃与商业网点的回归分析中发现拟合优度不高且差异显著情况中残差全部为正，差异显著区域均存在大型商业网点或火车站等标志性建筑，故将该因素设为虚拟变量。设置虚拟变量有助于测算标志性建筑对犯罪发生的影响，提高回归模型的拟合优度，使回归模型更为科学。

第二，设计道路加权长度。根据长度、宽度、车速的不同，道路可分不同类型。车速最快、车道最多的道路为一级，设定权数为4；车速中等、车道较多的道路为二级，权数为2；车速最低、车道较少的道路为三级，权数为1。于是，将道路长度乘以权数得出道路加权长度。这样能更有针对性地把握不同类型道路对犯罪的影响。

第三，空间自变量可分数量和比例统计。对可计算个数的空间因素（如商业网点），分网格统计和定位；对不能计算个数但能测量比例的空间因素（如居住用地），依次统计其在各网格中所占面积的比例。为消除网格面积不等对回归分析的影响，可将空间因素具体数值除以网格面积，计算空间因素的密度。比例化的面要素数值已排除面积的影响，无需此项操作。

第四，在回归分析中引入高次项可表示犯罪与某些变量的非线性关系。空间因素对犯罪的影响可能存在非线性关系。可运用变量的离差形式，将每个网格内各因素的数值减去其总体均值。自变量的阶数越高，其与因变量的关系表现的越复杂；但并非阶数越高越好，超过3阶的回归模型很少使用，回归系数的解释变得困难，回归函数也非常不稳定。引入3阶较为适宜，因其存在两个拐点，能反映空间因素的趋势变化。

综上，经过对犯罪密度（因变量）、空间因素密度或比例（自变量）的采集、清洗及整理，回归分析的基础数据得以齐备。

（二）筛选空间变量

从概率上看，上述十类空间因素不一定都与犯罪密度存在相关性，具体哪些因素存在关联需以SPSS软件筛选回归变量。将盗窃犯罪密度设为y，标志性建筑设为d，道路加权长度密度设为x1，停车场密度设为x2，金融点密度设为x3，政府机关密度设为x4，公交车站密度设为x5，商业网点密度设为x6，居住用地比例设为x7，教育用地比例设为x8，绿地比例设为x9，医疗用地比例设为x10。同时加入各自变量的二次、三次项。采用“逐步回归的方法”筛选不显著的变量，并进行共线性诊断（参见图表5），获得如下回归结果（参见图表4）：

共线性诊断有容忍度、方差膨胀因子、特征根、方差比、条件指数五种方法。对照图表5，上述五种方法均未检验出多重共线性，回归模型未受多重共线性的影响。

对照图表4，回归分析得出虚拟变量、商业点密度、公交车站密度的三次、居住用地百分比的二次、医疗用地百分比与盗窃犯罪密度存在相关性，该回归方程的拟合优度（R方）为0.637。拟合优度表示回归方程所能解释因变量变化的百分比。拟合优度取值范围为0-1，数值越接近1，方程的拟合程度越好。也就是说，这五个空间自变量能在63.7%的程度上解释盗窃犯罪密度的变化情况，该拟合优度还说明五个自变量在一定程度上也反映人口、社会、经济等其他因素对犯罪密度的影响。可见，回归分析筛选出的五个空间变量对犯罪密度具有较强的解释力。

（三）建立空间回归模型

由于相邻网格间的犯罪存在空间自相关，这种自相关违背了经典回归的数据独立性原则，故经典回归无法继续适用。犯罪聚集分布表明不同网格间犯罪存在空间异质性。当空间自相关性和空间异质性一并出现时，标准的计量分析不再适用。对此，运用空间回归模型对前述一般回归进行修正显得尤为必要。