犯罪空间分析是空间内犯罪问题的重要研究内容之一,国外学者基于不同渠道的犯罪相关数据,运用新理论、新技术、新算法,围绕犯罪空间的研究形成了一批极富影响力的学术理论。但我国在这一领域的研究较为薄弱,研究成果缺乏实用性,难以在犯罪打防实战中发挥作用。同时,由于犯罪数据获取困难,更多的研究停留在质性研究层面,定量角度的实证研究极其缺乏,导致我国对于犯罪空间研究的相关理论、技术发展严重掣肘。为数不多的基于数据分析技术的研究也是聚焦微观层面,过多关注某个因素对于犯罪的影响或某个区域犯罪空间的分布规律,缺乏宏观到微观,多因素、多角度的系统性研究成果和科学的分析模式。基于上述问题,本书通过对较为翔实的犯罪空间环境数据和犯罪数据开展具体分析,一方面对国外相关理论、视角及方法在我国的可用性、有效性进行验证;另一方面,本书以我国北京市侵财类案件为例,结合空间内经济发展、交通分布、人口布局、社会资源配置、空间结构等多个方面数据样本开展实证研究,探索出一套系统化的、适用于我国犯罪空间分析的模式CSAE模式,同时在该分析模式的逻辑指导下研究对应的算法技术,不仅为犯罪空间分析提供宏观指导和分析路径,也为犯罪空间分析提供具体方法。本书主要工作和创新如下: 第一,研究提出了基于空间环境数据的犯罪空间分析模式——CSAE模式。该模式在以往研究、相关领域专家经验、公安一线实战基础上提出,弥补了这一领域缺乏系统化研究范式的空白。 第二,提出了一种基于Bagging集成的特征选择方法——SEFV_Bagging算法。该算法基于“好而不同”原则选取表现较好的子学习器,利用子学习器进行空间环境因子的集成选择。通过该方法可以较为高效地从众多环境因子中筛选出引发空间内犯罪的关键因子,实现特征选择。 第三,针对犯罪空间分异格局的研究提出一种聚类集成算法——CEGRA算法。该算法是基于灰色链接矩阵构建的聚类集成算法,无论是在标准数据集上还是在本书所用数据集上,性能都表现优良,且鲁棒性好,泛化能力强,可以有效实现犯罪空间格局的划分。 通过大量实证数据的验证,本书所提的CSAE分析模式能够高效地实现基于空间环境数据的犯罪分析和预测。所提的SEFV_Bagging算法和CEGRA算法实现了环境因子的筛选和空间分异格局的划分,为犯罪空间分析研究提供了一套行之有效的分析模式和与之匹配的算法技术。 犯罪空间分析;空间环境因子;空间分异;聚类集成;特征选择;空间自相关