留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

Knox时空交互检验空间阈值确定方法

岳瀚 朱欣焰 呙维 佘冰 高超

岳瀚, 朱欣焰, 呙维, 佘冰, 高超. Knox时空交互检验空间阈值确定方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
引用本文: 岳瀚, 朱欣焰, 呙维, 佘冰, 高超. Knox时空交互检验空间阈值确定方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
YUE Han, ZHU Xinyan, GUO Wei, SHE Bing, GAO Chao. A Method for Determining the Critical Spatial Threshold of Spatio-Temporal Interaction for the Knox Test[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
Citation: YUE Han, ZHU Xinyan, GUO Wei, SHE Bing, GAO Chao. A Method for Determining the Critical Spatial Threshold of Spatio-Temporal Interaction for the Knox Test[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017

Knox时空交互检验空间阈值确定方法

doi: 10.13203/j.whugis20170017
基金项目: 

警用地理信息技术公安部重点实验室开放基金 2016LPGIT05

详细信息

A Method for Determining the Critical Spatial Threshold of Spatio-Temporal Interaction for the Knox Test

Funds: 

The Open Research Fund Program of Key Laboratory of Police Geographic Information Technology, Ministry of Public Security 2016LPGIT05

More Information
    Author Bio:

    YUE Han, PhD, specializes in the theories and methods of spatio-temporal data analysis.E-mail:hanygeo@163.com

    Corresponding author: GUO Wei, associate professor.E-mail:guowei-lmars@whu.edu.cn
  • 摘要: Knox检验是一种常用的城市犯罪时空交互模式分析方法,但其阈值需要人为指定,这种主观的阈值确定方法存在一定随意性,因此需探索更为合理的阈值确定方法。提出利用点对平均最邻近距离作为Knox检验空间阈值的确定方法,并通过城市入室盗窃、盗窃电动车和扒窃3类事件进行实验验证。结果表明,与常见的几种阈值确定方法相比,所提方法检测出了最大数量的显著性交互事件对数,能更加充分地了解事件的真实时空交互模式,为基于Knox检验的事件时空聚集模式分析提供了一种有效的空间阈值确定手段。
  • 图  1  100 m空间阈值下Knox检验结果

    Figure  1.  Knox Test Results for 30 Days with 100 m Spatial Threshold

    图  2  平均距离法Knox检验结果

    Figure  2.  Knox Test Results Based on Mean Distance

    图  3  Ripley’s K函数临界值法Knox检验结果

    Figure  3.  Knox Test Results Based on Ripley's K Function Threshold

    图  4  自然断点分级法Knox检验结果

    Figure  4.  Knox Test Results Based on Natural Breaks Classification

    图  5  平均最邻近距离法Knox检验结果

    Figure  5.  Knox Test Results Based on Average Nearest Neighbor Distances

    表  1  Knox指数逻辑结构

    Table  1.   Logical Structure of Knox Index

    类别 时间邻近 时间非邻近
    距离邻近 Q1(时空邻近) Q2(空间邻近)
    距离非邻近 Q3(时间邻近) Q4(非邻近)
    下载: 导出CSV

    表  2  各空间阈值确定方法在1~30天内检验出的显著性时空交互事件对数

    Table  2.   Frequencies of Significant Interactions of Five Methods at Different Intervals for 30 Days

    空间阈值确定方法 入室盗窃 盗窃电动车 扒窃
    空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数
    常用阈值法 100 13 13 13.08 100 26 26 22.88 100 4 4 6.12
    平均距离法 970 10 10 907 11 11 1 027 0 0
    Ripley’s K函数临界值法 375 3 3 438 23 23 430 0 0
    自然断点分级法 32 18 28 29 19 10
    66 25 59 23 45 8
    122 8 12.4 90 26 24.4 80 5 6.6
    206 9 133 25 129 6
    341 2 208 19 211 9
    平均最邻近距离法 50 27 27 43 30 30 36 20 20
    下载: 导出CSV

    表  3  5种空间阈值确定方法检验出的3类案件显著性时空交互对数总平均数

    Table  3.   Mean Values of Significant Interactions of Five Methods for Three Types of Crimes

    空间阈值确定方法 3类案件显著交互对数平均数 3类案件显著交互对数方差
    常用阈值法 14.3 122.33
    平均距离法 7 37
    Ripley’s K函数临界值法 8.67 156.33
    自然断点分级法 14.47 82.41
    平均最邻近距离法 25.67 26.33
    下载: 导出CSV
  • [1] Grubesic T H, Mack E A. Spatio-Temporal Interaction of Urban Crime[J].Journal of Quantitative Criminology, 2008, 24(3):285-306 doi:  10.1007/s10940-008-9047-5
    [2] Knox E G, Bartlett M S. The Detection of Space-Time Interaction[J]. Applied Statistics, 1964, 13(1):25-29 doi:  10.2307/2985220
    [3] Mantel N. The Detection of Disease Clustering and a Generalized Regression Approach[J]. Cancer Research, 1967, 27(2):209-220 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=JJ0216388429
    [4] Jacquez G M. A K Nearest Neighbor Test for Space-Time Interaction[J]. Statistics in Medicine, 1996, 15(18):1935-1949 doi:  10.1002/(ISSN)1097-0258
    [5] Kulldorff M, Hjalmars U. The Knox Method and Other Tests for Space-Time Interaction[J]. Biometrics, 1999, 55(2):544-552 doi:  10.1111/j.0006-341X.1999.00544.x
    [6] Sonesson C, Bock D. A Review and Discussion of Prospective Statistical Surveillance in Public Health[J]. Journal of the Royal Statistical Society:Series A (Statistics in Society), 2003, 166(1):5-21 doi:  10.1111/rssa.2003.166.issue-1
    [7] Black W R. Transportation:A Geographical Analysis[M]. New York:Guilford Press, 2003
    [8] 佘冰, 朱欣焰, 呙维, 等.基于空间点模式分析的城市管理事件空间分布及演化—以武汉市江汉区为例[J].地理科学进展, 2013, 32(6):924-931 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlkxjz201306009

    She Bing, Zhu Xinyan, Guo Wei, et al. Spatial Distribution and Evolution of City Management Events Based on the Spatial Point Pattern Analysis:A Case Study of Jianghan District, Wuhan City[J]. Progress in Geography, 2013, 32(6):924-931 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=dlkxjz201306009
    [9] 徐冲, 柳林, 周素红. DP半岛街头抢劫案件的临近重复发生模式[J].地理研究, 2015, 34(2):384-394 http://d.old.wanfangdata.com.cn/Periodical/dlyj201502017

    Xu Chong, Liu Lin, Zhou Suhong. Patterns of Near-Repeat Street Robbery in DP Peninsula[J]. Geographical Research, 2015, 34(2):384-394 http://d.old.wanfangdata.com.cn/Periodical/dlyj201502017
    [10] Ye X, Xu X, Lee J, et al. Space-Time Interaction of Residential Burglaries in Wuhan, China[J].Applied Geography, 2015, 60:210-216 doi:  10.1016/j.apgeog.2014.11.022
    [11] Johnson S D, Bowers K J. The Stability of Space-Time Clusters of Burglary[J].The British Journal of Criminology, 2004, 44(1):55-65 doi:  10.1093/bjc/44.1.55
    [12] Elmes G, Roedl G. The Use of Geospatial Information Technology to Advance Safer College Campuses and Communities[M]//Leitner M. Crime Modeling and Mapping Using Geospatial Technologies. Netherlands: Springer, 2013
    [13] Kalantari M, Yaghmaei B, Ghezelbash S. Spatio-Temporal Analysis of Crime by Developing a Method to Detect Critical Distances for the Knox Test[J].International Journal of Geographical Information Science, 2016, 30(11):1-19 doi:  10.1080/13658816.2016.1174867?journalCode=tgis20
    [14] 刘巧兰, 李晓松, 冯子健, 等. Knox方法在传染病时空聚集性探测中的应用[J].中华流行病学杂志, 2007, 28(8):802-805 doi:  10.3760/j.issn:0254-6450.2007.08.019

    Liu Qiaolan, Li Xiaosong, Feng Zijian, et al. Study on the Application of Knox Method to Temporal-Spatial Cluster for Infectious Diseases[J]. Chinese Journal of Epidemiology, 2007, 28(8):802-805 doi:  10.3760/j.issn:0254-6450.2007.08.019
    [15] Townsley M, Homel R, Chaseling J. Infectious Burglaries:A Test of the Near Repeat Hypothesis[J].The British Journal of Criminology, 2003, 43(3):615-633 doi:  10.1093/bjc/43.3.615
    [16] de Smith M J, Goodchild M F, Longley P. Geospatial Analysis:A Comprehensive Guide to Principles, Techniques and Software Tools[M]. 2nd ed. Leicester, United Kingdom:The Winchelsea Press, 2007
    [17] Ripley B D. The Second-Order Analysis of Stationary Point Processes[J].Journal of Applied Probability, 1976, 13(2):255-266 doi:  10.2307/3212829
    [18] 张健, 郝占庆, 宋波, 等.长白山阔叶红松林中红松与紫椴的空间分布格局及其关联性[J].应用生态学报, 2007, 18(8):1681-1687 http://d.old.wanfangdata.com.cn/Periodical/yystxb200708001

    Zhang Jian, Hao Zhanqing, Song Bo, et al. Spatial Distribution Patterns and Associations of Pinus Koraiensis and Tilia Amurensis in Broad-Leaved Korean Pine Mixed Forest in Changbai Mountains[J]. Chinese Journal of Applied Ecology, 2007, 18(8):1681-1687 http://d.old.wanfangdata.com.cn/Periodical/yystxb200708001
    [19] Tobler W R. A Computer Movie Simulating Urban Growth in the Detroit Region[J]. Economic Geo-graphy, 1970, 46(sup1):234-240 doi:  10.2307-143141/
    [20] Clark P J, Evans F C. Distance to Nearest Neighbor as a Measure of Spatial Relationships in Populations[J]. Ecology, 1954, 35(4):445-453 doi:  10.2307/1931034
    [21] 朱欣焰, 周成虎, 呙维, 等.全息位置地图概念内涵及其关键技术初探[J].武汉大学学报·信息科学版, 2015, 40(3):285-295 http://ch.whu.edu.cn/CN/abstract/abstract3199.shtml

    Zhu Xinyan, Zhou Chenghu, Guo Wei, el al. Preliminary Study on Conception and Key Technologies of the Location-Based Pan-Information Map[J]. Geomatics and Information Science of Wuhan University, 2015, 40(3):285-295 http://ch.whu.edu.cn/CN/abstract/abstract3199.shtml
    [22] Duan Lian, Ye Xinyue, Hu Tao, et al. Prediction of Suspect Location Based on Spatiotemporal Semantics[J].ISPRS International Journal of Geo-Information, 2017, 6(7):185-1-185-27 doi:  10.3390/ijgi6070185
  • [1] 张国永, 龚建华, 孙麇, 周洁萍, 李文航, 张利辉, 汪东川, 李文宁, 胡卫东, 樊鸿奎.  一种COVID-19病例个体时空轨迹交互式提取与质量评估方法 . 武汉大学学报 ● 信息科学版, 2021, 46(2): 177-183. doi: 10.13203/j.whugis20200290
    [2] 涂伟, 曹劲舟, 高琦丽, 曹瑞, 方志祥, 乐阳, 李清泉.  融合多源时空大数据感知城市动态 . 武汉大学学报 ● 信息科学版, 2020, 45(12): 1875-1883. doi: 10.13203/j.whugis20200535
    [3] 陈袁芳, 蔡建南, 刘启亮, 邓敏, 张雪英.  城市犯罪时空同现模式的非参数检验方法 . 武汉大学学报 ● 信息科学版, 2019, 44(12): 1883-1892. doi: 10.13203/j.whugis20180112
    [4] 魏然, 单杰.  城市地表温度影像时空融合方法研究 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 428-435. doi: 10.13203/j.whugis20150489
    [5] 职露, 余旭初, 李光强.  滚圆法用于空间点聚类的研究 . 武汉大学学报 ● 信息科学版, 2018, 43(8): 1193-1198. doi: 10.13203/j.whugis20160287
    [6] 王增利, 刘学军, 陆娟, 吴伟, 张宏.  犯罪网络构建及其时空分析——以入室盗窃为例 . 武汉大学学报 ● 信息科学版, 2018, 43(5): 759-765. doi: 10.13203/j.whugis20150666
    [7] 朱杰, 孙毅中, 陈律余, 周卫, 孟耀伟.  顾及属性空间分布不均的空间聚类方法——以城市商业中心的提取为例 . 武汉大学学报 ● 信息科学版, 2017, 42(12): 1696-1702. doi: 10.13203/j.whugis20150590
    [8] 万幼, 周脚根, 翁敏.  点集数据不规则形状时空异常聚类模式挖掘研究 . 武汉大学学报 ● 信息科学版, 2017, 42(7): 924-930. doi: 10.13203/j.whugis20150069
    [9] 唐建波, 刘启亮, 刘博, 邓敏, 黄金彩, 胡卫松.  一种基于重排检验的时空聚类方法 . 武汉大学学报 ● 信息科学版, 2017, 42(4): 503-511. doi: 10.13203/j.whugis20141016
    [10] 邹进贵, 陈艳华, 丁鸽, 宣伟.  利用DMSP/OLS灯光影像提取城镇建成区的聚类阈值法 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 196-201. doi: 10.13203/j.whugis20140079
    [11] 邓敏, 陈倜, 杨文涛.  融合空间尺度特征的时空序列预测建模方法 . 武汉大学学报 ● 信息科学版, 2015, 40(12): 1625-1632. doi: 10.13203/j.whugis20130842
    [12] 佘冰, 朱欣焰, 苏科华, 呙维, 徐晓.  道路网约束下的事件时空交互检验方法研究 . 武汉大学学报 ● 信息科学版, 2015, 40(3): 353-356+383.
    [13] 朱华吉, 吴华瑞, 马少娟.  空间目标增量时空变化分类模型 . 武汉大学学报 ● 信息科学版, 2013, 38(3): 339-343.
    [14] 空间目标增量时空变化分类模型 . 武汉大学学报 ● 信息科学版, 2013, 38(3): 339-.
    [15] 焦利民, 洪晓峰, 刘耀林.  空间和属性双重约束下的自组织空间聚类研究 . 武汉大学学报 ● 信息科学版, 2011, 36(7): 862-866.
    [16] 邓敏, 刘启亮, 李光强, 肖奇.  一种基于似最小生成树的空间聚类算法 . 武汉大学学报 ● 信息科学版, 2010, 35(11): 1360-1364.
    [17] 梅新, 崔伟宏, 高飞, 刘俊怡.  基于空间聚类的物流配送决策研究 . 武汉大学学报 ● 信息科学版, 2008, 33(4): 371-374.
    [18] 王海军, 张德礼.  基于空间聚类的城镇土地定级方法研究 . 武汉大学学报 ● 信息科学版, 2006, 31(7): 628-631.
    [19] 唐亮, 黄培之, 谢维信.  顾及数据空间分布特性的模糊C-均值聚类算法研究 . 武汉大学学报 ● 信息科学版, 2003, 28(4): 476-479.
    [20] 徐志红, 边馥苓.  地籍空间实体及其时空拓扑关系 . 武汉大学学报 ● 信息科学版, 2002, 27(5): 522-527.
  • 加载中
图(5) / 表(3)
计量
  • 文章访问数:  1401
  • HTML全文浏览量:  98
  • PDF下载量:  225
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-08-04
  • 刊出日期:  2018-11-05

Knox时空交互检验空间阈值确定方法

doi: 10.13203/j.whugis20170017
    基金项目:

    警用地理信息技术公安部重点实验室开放基金 2016LPGIT05

    作者简介:

    岳瀚, 博士, 主要从事时空数据分析的理论与方法研究。hanygeo@163.com

    通讯作者: 呙维, 副教授。guowei-lmars@whu.edu.cn
  • 中图分类号: P208

摘要: Knox检验是一种常用的城市犯罪时空交互模式分析方法,但其阈值需要人为指定,这种主观的阈值确定方法存在一定随意性,因此需探索更为合理的阈值确定方法。提出利用点对平均最邻近距离作为Knox检验空间阈值的确定方法,并通过城市入室盗窃、盗窃电动车和扒窃3类事件进行实验验证。结果表明,与常见的几种阈值确定方法相比,所提方法检测出了最大数量的显著性交互事件对数,能更加充分地了解事件的真实时空交互模式,为基于Knox检验的事件时空聚集模式分析提供了一种有效的空间阈值确定手段。

English Abstract

岳瀚, 朱欣焰, 呙维, 佘冰, 高超. Knox时空交互检验空间阈值确定方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
引用本文: 岳瀚, 朱欣焰, 呙维, 佘冰, 高超. Knox时空交互检验空间阈值确定方法[J]. 武汉大学学报 ● 信息科学版, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
YUE Han, ZHU Xinyan, GUO Wei, SHE Bing, GAO Chao. A Method for Determining the Critical Spatial Threshold of Spatio-Temporal Interaction for the Knox Test[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
Citation: YUE Han, ZHU Xinyan, GUO Wei, SHE Bing, GAO Chao. A Method for Determining the Critical Spatial Threshold of Spatio-Temporal Interaction for the Knox Test[J]. Geomatics and Information Science of Wuhan University, 2018, 43(11): 1719-1724. doi: 10.13203/j.whugis20170017
  • 城市犯罪往往呈现出时空交互性, 即在时间上邻近的事件, 在空间上也邻近[1]。常用的时空交互检验方法有Knox指数法[2]、Mantel指数法[3]、Jacquez K邻近法[4]等。其中, Knox指数法由于易于理解、运算方便等特性[5], 已被广泛运用于流行病学研究[3]、公共卫生管理[6]、犯罪分析[1]、交通事故分析[7]、城市管理[8]等诸多领域。

    然而, Knox检验需要事先确定分析阈值。在缺乏相关知识与参考资料时, Knox检验阈值常通过人为主观确定。例如, 佘冰等在研究城市管理事件时空分布时, 人为指定时间阈值为3 h, 空间阈值为500 m[8]; 徐冲等选取200 m和14 d作为街头抢劫案件的时空聚集性检测分析阈值[9]; 此外, 100 m是另一个常用的空间阈值, 如Ye等[10]、Johnson等[11]、Elmes等[12]在进行不同事件时空交互性检验时, 均以100 m作为空间阈值。

    在不同阈值下, 事件表现出的时空交互性具有较大差异, 而主观确定阈值的方法具有一定随意性, 基于该阈值的Knox检验不一定能反映出事件真实的时空交互模式[13]。因此需要寻找一种阈值确定方法, 使得Knox检验在该阈值下能最大限度地体现事件的时空聚集模式。为此, 一些学者根据已有知识确定Knox检验阈值, 例如刘巧兰等在利用Knox检验探测传染病时空聚集性时, 根据流行性脑膜炎发病潜伏期及病例之间的平均空间距离, 确定时间阈值为13 d, 空间分析阈值为29.67 km[14]; Townsley等利用平均街区长度作为Knox检验的空间阈值[15]

    此外, 已有研究提出若干空间阈值确定方法, 如Grubesic等利用尝试法不断改变时空阈值并依次计算时空交互程度, 据此得到最合适的时空阈值[1], 但该重复性实验过程会造成系统性偏差[13]; Kalantari等比较了平均距离法、Ripley’s K函数临界值法、自然断点分级法这3类阈值确定方法的效果, 结果表明自然断点分级法确定的空间阈值能更有效地探测出案件时空聚集性[13], 然而该方法需要人工指定分类数, 且分类结果容易受异常值影响[16]

    本文基于事件空间邻近性这一重要特征, 提出以点对平均最邻近距离作为Knox检验的空间阈值, 以武汉市江汉区唐家墩社区2013年1月-8月期间的入室盗窃、盗窃电动车和扒窃事件为研究对象进行实验论证, 并与常见的几种阈值确定方法进行对比, 结果表明本文所提出的Knox阈值确定方法能检测出更多的显著性交互事件对数, 从而更有效地识别出事件的时空聚集模式。

    • Knox时空交互检验模型首先需要人工指定时间阈值t和空间阈值s, 继而将所有n个事件点两两配对成n(n-1)/2个时空事件对, 并计算空间距离sij和时间距离tij。当sijs时, 认为事件点空间邻近; 当tijt时, 认为事件点时间邻近。通过判断事件对是否时空邻近, 可将事件对映射到一个2×2的矩阵中计数, 如表 1所示。表 1Q1为时空邻近事件对数, 也即Knox指数。

      表 1  Knox指数逻辑结构

      Table 1.  Logical Structure of Knox Index

      类别 时间邻近 时间非邻近
      距离邻近 Q1(时空邻近) Q2(空间邻近)
      距离非邻近 Q3(时间邻近) Q4(非邻近)

      得到事件时空邻近结构后, 常用卡方检验对其统计显著性进行检验[2]。卡方检验假设事件不存在时空交互性, 在此零假设前提下计算4类邻近情况Q1Q2Q3Q4的期望值, 通过观测值Qi和期望值E(Qi)的差异程度可以判断时空邻近的显著性。

      表 1所示, 当且仅当事件对空间邻近且时间邻近时才存在时空交互性。记事件对总数为N=Q1+Q2+Q3+Q4, 记S1=Q1+Q2, S2=Q3+Q4, S3=Q1+Q3, S4=Q2+Q4。在零假设条件下, 不存在时空交互作用, 则Q1Q4的期望值分别为:E(Q1)=S1×S3/N, E(Q2)=S1×S4/N, E(Q3)=S2×S3/N, E(Q4)=S2×S4/N。通过比较实际时空事件对数与期望事件对数的差异, 构造卡方检验统计量:

      $$ {\chi ^2} = \sum\limits_{i = 1}^4 {\frac{{{{({Q_i}-E({Q_i}))}^2}}}{{E({Q_i})}}} $$ (1)

      通过卡方值χ2即可判断时空交互统计显著性。

    • 在Knox检验中, 时空阈值的选择对于实验结果具有决定性作用, 因为它决定了在哪一时空尺度下零假设将会被拒绝或接受。在已有研究中, 空间阈值通常由经验确定或借鉴其他领域研究结果, 例如100 m常作为各类事件时空交互检验的空间阈值; 此外, 一些学者提出了相关阈值确定方法。

    • 对于n个事件点集, 平均距离法首先分别计算点i与其他n-1个点的距离, 得到n-1个距离值并对其求平均; 对每个点均重复上述过程, 得到每个点与其他点距离的平均值; 对n个点的该平均值再次取平均, 得到平均距离, 该平均距离值即作为Knox检验的空间阈值[13]

    • 空间Ripley’s K函数(简称K函数)是一种多距离空间聚类分析方法[17], 通过给定距离范围, K函数能以一系列连续尺度确定点要素或与其相关联的属性值在该范围内随距离变化的聚集性或离散性变化情况。

      通过判断K函数观测曲线与零假设条件下期望值包络线的交点, 可以确定聚集模式与离散模式对应距离的临界值, 该临界值可以作为Knox检验的空间阈值。K函数是一种累积性的计算过程, 大尺度的分析结果包含了小尺度信息, 因此混淆了大尺度与小尺度效应[18], 以K函数临界值作为Knox检验空间阈值可能无法得到较为显著性的交互模式。

    • 自然断点分级法是一种单变量分类方法, 分类原则为使分类对象类内方差最小、类间方差最大。这种分类方法利用了数据自身固有的自然分组, 可对相似变量进行最恰当的归类, 同时使得各类之间的差异最大, 并在变量差异相对较大处设置分类界限[16]

      在利用Knox检验分析3类犯罪案件的时空聚集性时, 采用自然断点分级法将点要素最邻近距离集合分为5级, 并以分级界限作为Knox检验的空间阈值[13]。自然断点分级法的缺陷在于需要指定分类数k, 分类结果受k影响较大, 且容易产生异常结果[16]

    • 地理学第一定律表明, 邻近事件比疏远事件存在更为紧密的关系[19], 因此, 两事件越邻近, 其空间交互性越大。传统的阈值主观确定法存在一定的随意性, 而上述两种阈值确定方法均存在不足。在没有其他参考资料的情况下, 以事件最邻近距离为依据确定Knox检验的空间阈值是一种较为合理的方法。因此, 本文提出基于平均最邻近距离的Knox检验空间阈值确定方法。首先计算每个点i与其最邻近点j的距离min(dij), 进而对所有的最邻近距离求平均, 得到平均最邻近距离[20], 并以该值作为Knox检验的空间阈值。平均最邻近距离的计算公式为:

      $$ \bar d = \frac{{\sum\limits_{i = 1}^n {{\rm{min}}} ({d_{ij}})}}{n} $$ (2)

      式中, dij为点i与点j之间的距离; n为事件点总数。

    • 本文使用武汉市江汉区唐家墩社区2013年1月-8月发生的入室盗窃、盗窃电动车和扒窃案件进行实验分析。通过指定不同的时空阈值, Knox检验可以用来检测事件在不同时间尺度和不同空间尺度下的分布特征。在案件时空交互特征未知的情况下, 分析不同空间阈值确定方法在30 d内检测出的案件时空交互特征[1, 13]p值常用来判断时空聚集性检验结果的统计显著性。本文研究中, 选取常用的95%置信度(即p < 0.05)作为显著性判断标准。

    • 在许多研究领域, 100 m常用来作为Knox检验的空间阈值。图 1为3类案件在100 m空间阈值下30 d内的Knox检验p值分布曲线。

      图  1  100 m空间阈值下Knox检验结果

      Figure 1.  Knox Test Results for 30 Days with 100 m Spatial Threshold

    • 利用平均距离法确定3类案件的空间阈值, 基于该距离的Knox检验结果如图 2所示。

      图  2  平均距离法Knox检验结果

      Figure 2.  Knox Test Results Based on Mean Distance

    • 为了检验K函数结果的显著性, 本文利用蒙特卡罗方法进行999次模拟实验, 得到置信度为99%的包络线。结果表明, 入室盗窃、盗窃电动车和扒窃案件分别在375 m、438 m和430 m空间范围内具有显著的空间聚集性。以3类案件的空间K函数临界值作为空间阈值得到Knox检验结果, 如图 3所示。

      图  3  Ripley’s K函数临界值法Knox检验结果

      Figure 3.  Knox Test Results Based on Ripley's K Function Threshold

    • 本文利用自然断点分级法将最邻近距离集合分为5级, 得到3类案件的分级界限分别为:入室盗窃32 m、66 m、122 m、206 m、341 m; 盗窃电动车28 m、59 m、90 m、133 m、208 m; 扒窃19 m、45 m、80 m、129 m、211 m。图 4为3类案件在各自分级界限处的Knox时空交互检验结果。

      图  4  自然断点分级法Knox检验结果

      Figure 4.  Knox Test Results Based on Natural Breaks Classification

    • 通过式(2)计算得到3类案件的平均最邻近距离分别为:入室盗窃50 m, 盗窃电动车43 m, 扒窃36 m。图 5为3类案件以平均最邻近距离为空间阈值的时空检验结果。结果表明, 与上述3种常用阈值选择方法相比, 在平均最邻近距离尺度下, 3类案件均表现出更为显著的聚集性特征。

      图  5  平均最邻近距离法Knox检验结果

      Figure 5.  Knox Test Results Based on Average Nearest Neighbor Distances

    • 实验结果表明, 在不同的时空阈值下, 事件时空交互特征差异较大。为了比较5种阈值确定方法的效果, 表 2列出了3类案件在不同空间阈值下, 1~30 d内具有显著交互性的事件对数及其平均数、总平均数; 表 3列出了不同空间阈值确定方法检验得到的3类案件的显著性时空交互对数总平均数。

      表 2  各空间阈值确定方法在1~30天内检验出的显著性时空交互事件对数

      Table 2.  Frequencies of Significant Interactions of Five Methods at Different Intervals for 30 Days

      空间阈值确定方法 入室盗窃 盗窃电动车 扒窃
      空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数空间阈值/m1~30 d内显著性交互事件对数(p < 0.05) 平均数总平均数
      常用阈值法 100 13 13 13.08 100 26 26 22.88 100 4 4 6.12
      平均距离法 970 10 10 907 11 11 1 027 0 0
      Ripley’s K函数临界值法 375 3 3 438 23 23 430 0 0
      自然断点分级法 32 18 28 29 19 10
      66 25 59 23 45 8
      122 8 12.4 90 26 24.4 80 5 6.6
      206 9 133 25 129 6
      341 2 208 19 211 9
      平均最邻近距离法 50 27 27 43 30 30 36 20 20

      表 3  5种空间阈值确定方法检验出的3类案件显著性时空交互对数总平均数

      Table 3.  Mean Values of Significant Interactions of Five Methods for Three Types of Crimes

      空间阈值确定方法 3类案件显著交互对数平均数 3类案件显著交互对数方差
      常用阈值法 14.3 122.33
      平均距离法 7 37
      Ripley’s K函数临界值法 8.67 156.33
      自然断点分级法 14.47 82.41
      平均最邻近距离法 25.67 26.33

      Kalantari等[13]在利用Knox检验分析汽车配件盗窃、商店盗窃、摩托车盗窃这3类常见盗窃事件的时空交互模式时指出, 某阈值下得到的时空显著性交互事件对数越多, 表明该阈值对应的事件时空交互模式越显著, 以该尺度进行进一步分析, 能更充分地了解事件的真实分布模式, 掌握不同事件的发生和分布规律, 为有效地对事件进行监管、最大程度地减少有害事件的发生提供决策依据。因此, 利用某方法确定的空间阈值检验出的显著性时空交互对数越大, 即表明该空间阈值确定方法能越有效地识别出案件的时空交互特征[13]表 2表明, 盗窃电动车案件的时空邻近事件对数总平均数最大(22.88), 即该案件具有较强的时空交互程度, 其次是入室盗窃(13.08)和扒窃案件(6.12)。表 3表明, 本文提出的平均最邻近距离阈值确定方法检验得到的3类案件的时空邻近事件对数平均数最大(25.67), 其次是自然断点法(14.47)、常用阈值法(14.3)、Ripley’s K函数临界值法(8.67)和平均距离法(7);另外, 3类案件的显著交互对数方差体现了该阈值确定方法在探测不同类型的案件时空交互性的稳定性, 结果表明本文所提方法具有更好的稳定性(方差为26.33, 最小)。因此, 本文所提方法能更有效地检测出案件的时空交互模式, 且具有较好的稳定性。

    • 在利用Knox检验进行事件时空交互模式分析时, 阈值的选择对于实验结果具有决定性作用。本文在分析几种常见阈值选择方法的缺陷的基础上, 提出了利用平均最邻近距离作为Knox检验空间阈值确定的方法。实验通过对城市入室盗窃、盗窃电动车和扒窃3类案件的时空交互模式进行分析, 结果表明, 由于顾及到了事件对间的空间邻近性, 基于该阈值确定方法的Knox检验检测出了最大数量的显著性交互事件对数, 能够有效地识别出城市犯罪时空交互模式及邻近重复发生事件对的分布区域。本文所提方法能够为基于Knox检验的事件时空聚集模式分析提供一种有效的空间阈值确定手段, 进而为城市犯罪的重点时段、重点区域的针对性防控提供参考依据[21], 以便优化警力资源部署, 减少或抑制犯罪的发生[22]。未来将研究本文所提方法在一维路网空间约束下的运用效果, 并进一步探讨其他类型城市犯罪的时空交互模式及其形成原因。

参考文献 (22)

目录

    /

    返回文章
    返回