以“Web of ScienceTM核心合集”和CNKI核心文献库为数据源,运用CiteSpace软件进行文献计量分析,从发文时间、地区分布、学科分布、研究机构、关键词共现与高被引文献等方面,总结比较了2000年以来中外犯罪地理研究进展,并展望了未来的...以“Web of ScienceTM核心合集”和CNKI核心文献库为数据源,运用CiteSpace软件进行文献计量分析,从发文时间、地区分布、学科分布、研究机构、关键词共现与高被引文献等方面,总结比较了2000年以来中外犯罪地理研究进展,并展望了未来的研究趋势。结果发现:1)国内外犯罪地理发文量整体呈现持续增长态势,美国发文量首位度明显。学科分布国外较为广泛,国内相对集中,且存在较大发展空间。研究机构之间的合作网络国外较强,国内机构联系较弱,后续研究力量正处于培育发展阶段。2)不同时期国内外研究关注的热点不同:国外侧重于暴力犯罪、恐怖主义犯罪、因种族歧视和性别歧视等引发的多类型犯罪研究,从微观到宏观,涉及地区、国家甚至全球层面;国内聚焦于城市社区“两抢一盗”犯罪、省域拐卖儿童犯罪和毒品犯罪等类型,微观和宏观并举,实证案例研究逐渐增多。3)随着多学科的交叉融合发展,国内外犯罪地理发展势头良好。犯罪分布模式、空间防控对策与犯罪风险模拟仍是当下较为活跃的研究议题,“3S”技术开发和大数据应用将成为犯罪地理研究的两条并行趋势线。未来需要以综合性思维审视犯罪地理环境,持续关注犯罪地理研究的潜在领域。同时,信息技术发展与计量模型应用为犯罪地理带来新契机,必须立足于当下国际社会环境,加强个人、组织和团体机构之间的研究合作,交流和分享经验成果,探索多样化的犯罪防控模式,并采取全球合作的方式应对区域所面临的犯罪挑战。展开更多
犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted M...犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted Moving Average)的新算法,利用此算法去学习转移概率矩阵,然后对得到的矩阵做加权移动处理,进而来预测未来的犯罪率分布。本文所用数据集是中国某市2001年到2011年共11年间盗窃案发生的数据集,在此之上本文建立了VM(Vector Motion)模型,提出了TPML-WMA算法对犯罪率进行预测,并讨论了不同初始条件下算法的性能。本文还将所提出的算法与基于最小二乘法的经典线性回归方法进行比较。拟合的结果表明TPML-WMA模型的预测性能较线性回归模型有了很大提升。展开更多
文摘以“Web of ScienceTM核心合集”和CNKI核心文献库为数据源,运用CiteSpace软件进行文献计量分析,从发文时间、地区分布、学科分布、研究机构、关键词共现与高被引文献等方面,总结比较了2000年以来中外犯罪地理研究进展,并展望了未来的研究趋势。结果发现:1)国内外犯罪地理发文量整体呈现持续增长态势,美国发文量首位度明显。学科分布国外较为广泛,国内相对集中,且存在较大发展空间。研究机构之间的合作网络国外较强,国内机构联系较弱,后续研究力量正处于培育发展阶段。2)不同时期国内外研究关注的热点不同:国外侧重于暴力犯罪、恐怖主义犯罪、因种族歧视和性别歧视等引发的多类型犯罪研究,从微观到宏观,涉及地区、国家甚至全球层面;国内聚焦于城市社区“两抢一盗”犯罪、省域拐卖儿童犯罪和毒品犯罪等类型,微观和宏观并举,实证案例研究逐渐增多。3)随着多学科的交叉融合发展,国内外犯罪地理发展势头良好。犯罪分布模式、空间防控对策与犯罪风险模拟仍是当下较为活跃的研究议题,“3S”技术开发和大数据应用将成为犯罪地理研究的两条并行趋势线。未来需要以综合性思维审视犯罪地理环境,持续关注犯罪地理研究的潜在领域。同时,信息技术发展与计量模型应用为犯罪地理带来新契机,必须立足于当下国际社会环境,加强个人、组织和团体机构之间的研究合作,交流和分享经验成果,探索多样化的犯罪防控模式,并采取全球合作的方式应对区域所面临的犯罪挑战。
文摘犯罪分布预测问题对社会稳定有积极影响,在学术界引起了广泛关注。现有的研究方法并不能很好的适用于本文所用的数据集。因此,本文构建了矢量运动模型,并提出了一种名为TPML-WMA(Transition Probability Matrix Learning and Weighted Moving Average)的新算法,利用此算法去学习转移概率矩阵,然后对得到的矩阵做加权移动处理,进而来预测未来的犯罪率分布。本文所用数据集是中国某市2001年到2011年共11年间盗窃案发生的数据集,在此之上本文建立了VM(Vector Motion)模型,提出了TPML-WMA算法对犯罪率进行预测,并讨论了不同初始条件下算法的性能。本文还将所提出的算法与基于最小二乘法的经典线性回归方法进行比较。拟合的结果表明TPML-WMA模型的预测性能较线性回归模型有了很大提升。
