潘振生 王宏玉

摘要：一个地区犯罪高发，其周边邻近地区为何也犯罪高发？这一现象应该如何描述，又该如何解释？本文使用犯罪空间依赖性来概括这一现象，以广东地区犯罪为例进行描述性分析，发现该地区犯罪空间依赖性呈增强趋势，广州、东莞和中山形成犯罪热点地区。基于此，本文构建了空间计量经济学中的空间计量模型，研究不仅发现了本地区犯罪与邻近地区犯罪的强相关，而且计量出犯罪影响因素具有显著的空间溢出效应，以犯罪及其影响因素的空间交互效应对犯罪空间依赖性的成因进行了解释。

关键词：犯罪空间依赖性；空间计量经济学；溢出效应

中图分类号：D917文献标识码：A文章编号：2095-5103（2021）05-0036-12

作者简介：潘振生，中国人民公安大学犯罪学学院硕士研究生；王宏玉，中国人民公安大学犯罪学学院副教授，硕士生导师，博士。

一、问题的提出

空间依赖性是一种客观存在的空间地理现象，主要指空间观测单位之间的地理依赖或空间相关[1]。例如，犯罪在空间上并不是均匀分布的，犯罪较多的区域，其周边邻近地区的犯罪也相对较多，这种现象被称为犯罪空间依赖性。人口、国内生产总值（GDP）等也已被证实存在类似现象[2]。

目前，国内外针对犯罪空间依赖性的研究主要有两类：一类是对犯罪的空间依赖性进行描述，属于犯罪现象研究范畴。较为常见的是对不同犯罪类型进行空间依赖性等空间特征分析，例如故意杀人、抢劫、入室盗窃、诈骗、毒品犯罪。当研究尺度从宏观地区转向微观的街区、地点，犯罪依赖性的描述便成为了“犯罪热点”的识别与分析。由于足够微观，往往能够提出具体实用的犯罪治安防控对策；另一类是基于犯罪空间分布的视角分析影响犯罪的各种因素，属于犯罪原因研究范畴。根据因素侧重不同具体又可分为两种，一种是侧重社会经济因素，实质是对传统的社会学犯罪原因研究范式中对空间效应考量不足的变革。如，在考虑社区空间依赖性的基础上分析资源匮乏对故意杀人罪数量的影响，分析暴力犯罪的种族差异，借助空间计量模型研究就业状况对城市犯罪的影响，对社会人口学特征与入室盗窃行为的关系进行空间分析等；另一种是侧重空间因素，探究城市建成环境因素中，城市建设用地性质、居住区环境、娱乐与商业场所、交通设施等空间因素对犯罪的影响。我国学者单勇在理论上提出利用空间相关性（包含空间依赖性）解释犯罪热点成因[3]。

犯罪空间依赖性是犯罪与空间关系研究的新领域，是一种对犯罪现象的新的包含空间效应的总体描述，能够引导我们从空间角度非线性地探求犯罪原因，为全面预防和治理犯罪提供重要启示。但随着犯罪空间依赖性观测技术的日臻成熟，对犯罪空间依赖性成因进行探析便顺理成章且必要，而目前国内关于犯罪空间依赖性成因的研究和分析相对薄弱。基于此，本文拟解决以下问题：一、试用我国数据证明，我国犯罪是否存在空间依赖性？二、哪些结构性的因素和空间过程导致了犯罪空间依赖性的形成？三、在我国实施区域一体化战略背景下，犯罪空间依赖性对犯罪治理有何启示？

二、犯罪空间依赖性分析路径

1.学科背景与理论基础

犯罪作为特殊的人类行为，发生在地理空间中，自然也应当具有空间依赖性。

犯罪與空间的关系研究最早可追溯到19世纪30年代犯罪学的“制图学派”，巴尔比（Adriano Balbi）和格雷（Guerry）对法国大行政区之间的犯罪水平和犯罪率做了比较。凯特莱（Quetelet）还注意到大行政区犯罪的多变性，发现一些最贫穷地区的犯罪率最低，这种从空间角度思考犯罪的做法打破了当时人们“贫穷导致犯罪，越贫穷地区犯罪越多”的主观臆想。

20世纪初，犯罪学重心从欧洲转移到了美国，其中“芝加哥学派”代表人物帕克（Park）和伯吉斯（Burgess）通过研究城市环境的特点提出了“同心圆理论”[4]。肖（Shaw）和麦凯（Mckay）在研究中系统地建立起了影响犯罪因素的指标体系，并运用时空分析的方法，一方面从时间维度，纵向比较某一区域不同时间指标体系中某些因素的变化对犯罪数量变化的影响；另一方面从空间维度，横向比较不同区域指标体系中某些因素的差异对这些区域犯罪数量差异的影响[5]。这种不同空间地理区域的比较研究成为探求犯罪规律和原因的重要研究范式。

20世纪60年代以后，美国学者雅各布斯（Jane Jacobs）、纽曼（Oscar Newman）和杰佛瑞（Jeffery）分别提出了“街道眼”理论[6]、“可防卫空间”理论[7]和“通过环境设计预防犯罪”（Crime Prevention Through Environmental Design，简称CPTED）理论[8]，开创了通过设计城市物理空间布局以预防抑制犯罪的道路，至今仍在城市规划和建筑设计等领域发挥着重要的作用。

20世纪70年代以后，随着日常活动理论、理性选择理论和犯罪形态理论等环境犯罪学理论的提出，人们逐渐认识到空间环境不只是犯罪产生的原因，更是犯罪发生的条件。虽然就犯罪目的而言，犯罪是人类的非理性行为，但就犯罪的过程来说，犯罪却是犯罪人理性实施的。根据日常活动理论，犯罪只会在易获得的目标和被害人、缺失的监管看护、有犯罪动机的犯罪人三个条件同时具备时发生。根据理性选择理论，犯罪人会衡量犯罪的收益和风险成本，只有当净收益大于零时，才会做出实施犯罪行为的决策。空间位置对犯罪动机、犯罪机会和犯罪监管都会产生影响，进而影响犯罪的成本、风险和收益。布兰廷厄姆夫妇提出的犯罪形态理论更是直接辩称，一个地点的空间背景将激发个人的犯罪动机，进而影响是否犯罪的可能[9]。这些理论都可以从微观角度解释犯罪人会对不同区域进行“理性”的选择，从而使得犯罪形成不同的空间分布格局，具有相似空间因素的邻近区域会形成犯罪依赖性现象。

在1989年，谢尔曼（Sherman）发现一个城市50%的犯罪发生在3%-4%的犯罪地点[10]，这引起了犯罪学界对“犯罪热点”的极大兴趣。大卫·威斯勃德等人对西雅图市1989—2002年街面犯罪热点的研究得出了类似的结论，进而提倡“地点犯罪学”和指导警务实践的“基于地点警务”[11]。

2.研究数据

本文选用的数据来源于《2019年广东社会统计年鉴》《2019年广东统计年鉴》，主要包括2009-2018年广东省各地级市的公安机关刑事案件立案数量，2018年广东省各地市国内生产总值、居民人均可支配收入、登记失业人数、暂住人口分布等数据。我们选取公安机关刑事案件立案数量作为犯罪的衡量指标，2018年的数据特征如表1所示。

从表1中可以看出，数据的标准差较大，四分之三位数与四分之一位数之差较大，这意味着广东各地市之间犯罪数量差距较大。但是，这样的数据展示方式不能体现空间信息，需要将数据从图表形式转化为地图形式，用更直观的形式进一步探究犯罪数据中与空间相关的统计特征。如图1所示，现代犯罪绘图技术能够在地图上将犯罪事件可视化，以分析空间中犯罪的分布情况，并识别犯罪模式。从图中可以粗略地观察到，广东省的犯罪数量呈现出以珠三角地区为中心，向周边递减的分布模式。佛山、广州、东莞、深圳四市的犯罪数量作为第一等级，处于2.9万件至11.8万件范围内，远远高于省内其他地区，而且四市地理边界邻接，人员流动频繁，社会经济联系密切，都处在粤港澳大湾区区域一体化的历史进程中。故而我们推测广东省内犯罪可能存在空间依赖性，而且是影响犯罪的各项社会经济因素的空间溢出效应造成了犯罪空间依赖性。这些条件使得本项研究工作具有潜在的现实意义，但犯罪的空间依赖性是否真实存在以及为何存在，需要地理计算科学、空间计量经济学等学科提供的方法进行客观逻辑检验。

3.研究方法与框架

（1）描述犯罪空间依赖性的方法

我们使用探索性空间分析（ESDA）对广东地区犯罪在地级市层次上是否表现出犯罪空间依赖性进行检验，并将整个过程通过可视化制图展示出来。探索性空间分析（Exploratory Spatial Data Analysis，ESDA）是一系列地理信息统计分析技术的集合，在交互式计算环境中融合了描述性和探索性，它通过制图来可视化空间模式的假设检验[12]。本文对探索性空间分析（ESDA）主要包括的莫兰指数（Morans I）、局部空间关联指数（LISA）进行简要说明。

莫兰指数。莫兰指数（Morans I）是使用最广泛的能够检验空间依赖性的统计量。莫兰指数分为全局莫兰指数和局部莫兰指数。在实证分析中，我们通常使用全局莫兰指数来探测是否存在空间依赖性，该指数的取值在[-1，1]范围内，指数是正值表示存在正向空间依赖性，负值表示存在负向空间依赖性，绝对值越大，并且显著，证明空间依赖强度越大。其计算公式为：

空间联系局部指标（LISA）。空间联系局部指标（LISA）是安塞林（Anselin）提出的一组指标，既能用于度量空间数据的局部相关性，识别空间聚集，也能为进一步分析异常值奠定基础，其中就包括局部莫兰指数。

其中，Ii表示第i个空间单元的局部莫兰指数，因此莫兰指数I就是所有局部莫兰指数的平均值。

局部莫兰指数可以和莫兰散点图配合使用，筛选出通过局部莫兰指数检验而表现出显著空间依赖性的空间单元。莫兰散点图是指将各个空间单元的观测值作为横坐标与其空间滞后项作为纵坐标绘制成的散点图。莫兰散点图的坐标轴形成的四个象限将散点分为了四类，第一、二、三、四象限分别对应着“高-高”“低-高”“低-低”“高-低”四种不同的空间相关状态，将这四种状态在地图上表示出来，就成了经典的LISA图。

（2）研究犯罪空间依赖性成因的方法

建立空间计量模型

本文拟在判定犯罪存在空间依赖性后，选择和建立多个空间计量模型，进而对空间溢出效应进行估算以解释犯罪空间依赖性。

其中，Y为N×1阶向量，是每个空间单元（i=1，2，？，N）被解释变量的观测值。lN是一个N×1阶元素为1的单位列向量，与常数项参数α相对应。X是解释变量矩阵，β是解释变量参数，ε是误差项。

对于大多数空间实证分析而言，空间计量建模首先是从非空间计量模型如经典线性回归模型（OLS）开始的，然后讨论或者检验这个模型能否加入空间效应以建立空间分布。空间计量经济学家伯里奇（Burridge）、安塞林（Anselin）以及埃尔霍斯特（Elhorst）在模型的选择和检验中做出大量贡献，提出了LM-error、LM-lag准则和robust LM-error、robust LM-lag准则。所以，建立经典线性回归模型以后，需要进行LM相关检验，根据检验结果讨论能否建立有关空间滞后的空间计量模型。

計量本地效应与溢出效应

建立空间计量模型可以利用回归系数，但仍不足以解释犯罪空间依赖性的形成，需要进一步计算本地效应与溢出效应。本地效应，又称直接效应，是指本空间单元变量对本空间单元变量的解释；溢出效应，又称间接效应，是指其他空间单元变量对本空间单元变量的解释。本文的目的在于通过空间计量模型计算解释变量的空间溢出效应，以此对犯罪的空间依赖性进行一定的合理解释。在本文使用J·保罗·埃尔霍斯特提出的空间本地效应（直接效应）与溢出效应（间接效应）的估算方法[13]，总结见表2。

（3）研究框架

本研究是在试验过程中逐步完成的。首先，我们将广东地区的犯罪数据与空间数据结合起来，制作犯罪分级地图以观察是否可能存在空间依赖性。其次，我们对犯罪是否具有犯罪空间依赖性进行检验，如果通过检验则继续探究下去，对犯罪的空间依赖性依次进行全局描述和局部描述，以回答“犯罪空间依赖性是什么，具体是怎样的”的问题，否则结束试验。最后，我们建立空间计量模型，构建犯罪及其影响因素的空间交互关系并计量本地效应和溢出效应，以此来解释犯罪空间依赖性，回答“犯罪空间依赖性为什么会存在”的问题。本文的总体研究框架如图2所示。

三、犯罪空间依赖性的描述性分析与解释性分析

1.犯罪空间依赖性的描述性分析

（1）全局性描述

本文使用全局莫兰指数来检验2009至2018年十年间广东省犯罪在地市级层面上是否存在犯罪空间依赖性，结果如图3所示。

从检验结果上看，实线代表的全局莫兰指数呈现出一定的趋势性，虚线代表的莫兰指数显著性检验在2012年以后达到了5%的显著水平，全局莫兰指数从不显著变成显著，方向为正且绝对值整体上不断增大。这说明2009年至2018年十年间广东省内犯罪的聚集性在增强，犯罪空间依赖性在增强。

犯罪空间依赖性显著的年份为2013年至2018年，这说明犯罪空间依赖性并不是必然存在的现象，其出现有一定的条件，限于篇幅和不考虑时间效应，本文以2018年的犯罪空间依赖性为例（图4）进行展示并进行解释性分析。

在图4中，左图是2018年犯罪数据的全局莫兰指数图示，其莫兰指数值为0.44，属于较强的正相关，阴影部分是经过蒙特卡洛模拟大量计算后形成的莫兰指数的经验分布，右边红色直线为计算出来的莫兰指数，偏离于阴影部分，属于小概率事件，拒绝了“当空间单元随机分布时，变量不存在空间依赖性”的原假设。因此，2018年广东省的犯罪在地级市层次上表现出较强的空间依赖性。右图是进行了线性回归的莫兰散点图，图中直线斜率显著不为0，同样可以证明存在空间依赖性。此外，莫兰散点图四个象限代表四种不同的状态：第一象限中，呈现了“高-高”状态，即本地区犯罪较高的，其邻近地区犯罪也较高，这类情况体现了正向的空间依赖性；第二象限中，呈现了“低-高”状态，即本地区犯罪较低，其邻近地区犯罪却较高，体现了反向的空间依赖性；第三象限中呈现了“低-低”状态，即本地区犯罪较低，其邻近地区犯罪也较低，体现了正向的空间依赖性；第四象限中呈现了“高-低”状态，即本地区犯罪较高而邻近地区犯罪较少，体现了反向的空间依赖性。可以看出，第一、三象限中的散点较多，说明这些地区的犯罪以体现正向空间依赖性为主。

（2）局部性描述

通过空间关联局部指标（LISA）对每个空间单元进行蒙特卡洛模拟检验，将显著的点在莫兰散点图标记出来，如图5所示，可以看出有3个表现出“高-高”状态的空间单元具有显著的局部空间依赖性，有2个表现出“低-低”状态的空间单元具有显著的局部空间依赖性。将这种情况表示在地图上则如图6所示，可以直观形象地看到，共有5个地市的犯罪表现出局部的空间依赖性。其中，广州、东莞、中山三地的犯罪高发且呈现“高-高”聚集，即邻近地区犯罪高，本地区犯罪也高，属于“犯罪热点地区”，梅州、揭阳两地低发且呈现“低-低”聚集，即邻近地区犯罪较少，本地区犯罪也较少，属于“犯罪冷点地区”。

2.犯罪空间依赖性的解释性分析

（1）空间依赖性解释性分析的基础

解释性分析的基础——建立OLS模型

本文试建立空间计量模型以对犯罪空间依赖性进行解释性分析，首先建立经典线性回归模型（OLS）作为基础模型，这一步的关键是选取变量。本文使用“逐步回归法”（stepwise）筛除不显著的变量，在保证模型的方差膨胀因子（VIF）不大于30的情况下，考虑到变量的可解释性，最终从国民经济、人口、就业和社会保障等类别的众多变量中筛选出了国内生产总值（GDP）、居民人均可支配收入（INCOME）、登记失业人数（EUE）、暂住人口分布（TRP）等4个变量。因此，本文以犯罪数量为被解释变量，以上述4个变量为解释变量，建立经典线性回归模型（OLS），求解结果作为基准参考与其他模型一并展示在表3中。

解释性分析的基础——LM检验分析

根据LM-error、LM-lag准则和robust LMerror、robust LM-lag准则对OLS模型的残差进行检验，结果如表2所示。

綜上，根据各项拉格朗日乘子统计量的检验，我们应当继续建立体现空间滞后的空间计量模型来进一步探索和评估犯罪空间依赖性的形成原因。

（2）空间计量模型分析

空间计量模型可以分析犯罪及其影响因素在空间中的交互效应，进而为犯罪空间依赖性的成因解释奠定基础。在本文建立的空间计量模型中，自变量空间滞后模型（SLX）是使用最小二乘法求解的，一阶自回归模型（FAR）、空间滞后模型（SAR）、空间杜宾模型（SDM）是使用极大似然方法进行参数估计的，求解结果如表3所示。

从一阶自回归模型（FAR）的结果来看，自回归参数估计值为0.696506，并且显著性很高，这意味着邻近地区犯罪对本地区犯罪的平均空间效应约为0.70，邻近地区的犯罪每增加一个单位的犯罪，本地区犯罪也要增加0.7个单位。但同时我们发现，FAR模型的R2仅为0.2895，R2统计量表示模型的拟合程度，R2值越大，表明模型对被解释变量的解释程度越高。所以，虽然FAR模型揭示了邻近地区之间犯罪的强相关性，但不足以完全用邻近地区犯罪来解释本地区犯罪，需要结合其他解释变量。

从空间滞后模型（SAR）的计量结果看，在加入了犯罪的空间滞后项之后，相较OLS模型，国内生产总值（GDP）对犯罪数量的影响依然十分显著，但影响程度从OLS模型中的10.4487提高到了10.8020。该参数作为本地效应表明，国内生产总值每增加1亿元，犯罪数量增加10.8020件。由此可知，国内生产总值会正向影响犯罪发生的可能性。暂住人口（TRP）的影响无较大变化，显著性从1%置信水平降至5%置信水平，该参数作为本地效应表明，暂住人口每增加100人，犯罪数量减少1.18件，由此可知，暂住人口会反向影响犯罪在本地发生的可能性。可支配收入（INCOME）、注册失业人数（RUE）对犯罪的影响不再具有统计显著性。最为重要的是，犯罪的空间滞后项（W_CRIME）在SAR模型中对犯罪的影响是0.2721，在统计上极为显著，周边邻近地区犯罪每增加1件，本地区犯罪增加0.27件，反映出明显的正向溢出效应。

在自变量空间滞后模型（SLX）中，体现本地效应的回归系数表明，国内生产总值、暂住人口对犯罪的影响与前述相同，不同的是，注册失业人数每增加1人，犯罪数量减少0.49件。由此可见，注册失业人数对犯罪有明显的负向影响，促使社会上的失业人员进行登记，使失业人数可知可控，能够有效降低犯罪在本地发生的可能性。在体现空间效应的回归系数中，只有国内生产总值滞后项和暂住人口滞后在统计显著性上略有起色。有趣的是，回归系数表明，周围邻近地区的国内生产总值每增加1亿元，本地区犯罪减少5.33件，国内生产总值在本地区是正的影响，在邻近地区却是负的影响。

在空间杜宾模型（SDM）中，体现本地效应的变量均显著，国内生产总值、暂住人口和注册失业人数与前述结果相似，本地区人均可支配收入每增加1元，本地区犯罪增加0.32件。体现空间效应变量中，仅暂住人口的空间滞后变量显著，周围邻近地区的暂住人口每增加100人，本地区犯罪增加0.96件。作为四个空间计量模型中综合性最强，空间效应假设最多的模型，空间杜宾模型（SDM）其对数似然值（Log Likelihood）最小，表现最好。

（3）本地效应与溢出效应分析

参照表4，我们进一步探讨犯罪影响因素的本地效应和溢出效应。结果表明，国内生产总值（GDP）的本地效应在各个模型中均表现正值且较强，表明国内生产总值对本地犯罪是正的影响，差异在于溢出效应在空间滞后模型（SAR）中是正效应，在自变量空间滞后模型（SLX）和空间杜宾模型（SDM）中是负效应。考虑到空间滞后模型的本地效应与溢出效应的比值不随解释变量改变的特性，空间效应是负效应的说服力更强。由此可知，国内生产总值即地区的整体经济状况对犯罪是吸引作用，本地区的经济越发达，犯罪越严重，而周边邻近地区经济水平的相对提升，会将本地区犯罪“吸引”到邻近地区。暂住人口（TRP）与注册登记失业人数（RUE）对本地区同样是负影响，其溢出效应同样是正效应。这表明一个城市社会治理与保障的能力越强，本地区犯罪就会受到抑制，而周边邻近地区社会治理与保障能力的相对提高，会将邻近地区犯罪“驱赶”到本地区。

人均可支配收入（INCOME）的本地效应是正影响，溢出效应同样是正效应，越重视本地区可支配收入情况的犯罪人，也越重视邻近地区的人均可支配收入情况。同时，这也说明，人均可支配收入对犯罪的吸引尺度超出了我们分析的地级市尺度，至少需要从全国的尺度，人均分析可支配收入较高的广东省“吸引”了邻近地区犯罪。

四、结论与启示

1.犯罪存在空间依赖性

本文通过广东省的犯罪数据证明了犯罪具有空间依赖性，与前人研究相似。同时发現，犯罪空间依赖性并不是必然存在的一种空间现象，在2009年至2018年十年期间，犯罪空间依赖性逐渐增强，直到2012年以后的五年，犯罪空间依赖性方才显著起来。这说明，整个广东省内的犯罪越来越集中。如果把犯罪看作社会中客观存在的一方面，可以发现其有着如同经济规律一样的客观规律，该现象是社会实践的产物，也符合区域一体化的发展趋势。

2.空间计量模型是解释犯罪空间依赖性的有效工具

由于经典线性回归模型（OLS）以独立样本为基本假设，在进行以空间单元为样本的分析时，独立样本原则就演变成了“空间均质”的假设，即认为相邻两个空间单元间的犯罪是相互独立且没有关联的，这与我们观察到的犯罪空间依赖性现象是相矛盾的。因此，传统的模型不能分析空间依赖性，需要通过加入了空间效应的空间计量模型来构建犯罪与犯罪影响因素之间的数学关系来探究为何犯罪会表现出空间依赖性。

3.犯罪空间依赖性源于犯罪及其影响因素的溢出效应

本研究的探因过程，是为犯罪空间依赖性寻求合理解释。根据一阶自回归模型（FAR）我们发现本地区犯罪与邻近地区犯罪存在较强正相关，但不足以凭此来解释全部的本地区犯罪，需要考虑犯罪影响因素。此后，我们根据其他容纳犯罪影响因素的空间计量模型计算发现，相对于本地效应，各个犯罪影响因素溢出效应较强。例如，根据空间滞后模型（SAR），本地区的犯罪在74.6%程度上由本地因素决定，在25.4%程度上是受邻近地区犯罪影响因素的溢出影响。这表明邻近地区犯罪影响因素也会对本地区犯罪产生重要影响，犯罪影响因素的这种较强的空间溢出效应能够对犯罪空间依赖性进行一定的合理解释，根据影响因素的不同，可以如前述进行细致的解释。

4.基于犯罪空间依赖性的犯罪预防与治理

本文对犯罪空间依赖性进行了描述性分析和解释性分析，这两方面都对犯罪预防与治理具有重要启示。

首先，从描述性分析来看，犯罪空间依赖性能够帮助我们从全局角度评价一个地区犯罪的聚集程度，了解犯罪动态变化。如本文发现十年间广东地区犯罪聚集性呈明显聚集趋势。从逻辑上讲，犯罪聚集的同时，打击预防犯罪的力量也应当聚集。事实上警察人数的配备远远滞后于防治犯罪的需要，导致部分地区警力长期相对不足，甚至仍按照常住人口配备警力，这也是近年来部分地区非在编警务人员超过在编人员的根源。因此，我们建议创新警务分配模式，在区域内根据犯罪需要合理分配警务资源，从根源上解决公安部门局部基层压力过大的困境。此外，犯罪空间依赖性还可以探测识别犯罪热点地区，如本文LISA图中广州、东莞、中山三个相邻地市连成的犯罪热点地区。本文使用的地市尺度的数据，如果使用空间尺度较小，如县区、街道、社区，同理可以得到的犯罪热点地区也会较小。空间尺度越大，治理犯罪的策略越宏观，空间尺度越小，分析得出的策略越具体。

其次，从解释性分析来看，犯罪空间依赖性探因过程揭示了本地区犯罪及其影响因素与邻近地区犯罪及其影响因素的空间交互效应，本地区犯罪会影响邻近地区的犯罪，邻近地区的犯罪影响因素也会对本地区犯罪产生影响。现阶段我国正在实施区域一体化战略，如京津冀协同发展、长三角一体化、粤港澳大湾区等等，往往十分注重经济产业、人口流动、交通运输等方面的互联互通，而容易忽视区域一体化带来的现代化治理挑战。犯罪的空间依赖性必然要求法治在区域一体化方面更加完善，需要我们统筹考虑经济、人口等要素流动对犯罪的影响。如本文中经济对犯罪起到强吸引作用，这意味着区域经济中心的打造会出现区域内犯罪向经济中心的集中，而对外来人口的掌握和失业人口的保障可以明显抑制犯罪发生在本地，由此可知，犯罪治理是一个系统工程，需要全局全面考量。因此，我们建议在大湾区建设中，设置大湾区社会安全和犯罪治理一体化机构，从国家治理能力和治理体系现代化的角度出发，坚持总体国家安全观，统筹大湾区内司法、公安、就业指导、社会保障等部门，及时评估经济发展带来的社会成本，综合治理犯罪。

总而言之，本文的研究成果与方法可以为我国区域一体化背景下社会治理、法治完善、机构设置等方面的宏观决策提供一定的智力支持和参考。

参考文献：

[1]肖光恩，刘锦学，谭赛月明.空间计量经济学——基于MATLAB的应用分析[M].北京：北京大学出版社，2018.

[2]沈体雁，于瀚辰.空间计量经济学[M].北京：北京大学出版社，2019.

[3]单勇.犯罪热点成因：基于空间相关性的解释[J].中国法学，2016（2）：280-302.

[4]Park R E. The City[M]. Chicago： The university of Chicago Press， 1968.

[5]马瑞.城市“易犯罪”空间研究[D].北京：清华大学，2010.

[6]Jacobs J. The death and life of great Americancities[M].NewYork：VintageBooks， 1961.

[7]Newman Oscar. Defensible Space： crime preventionthroughurbandesign[M].New York： Macmillan，1972.

[8]Jeffery CR.Crime Prevention Through Environmental Design [M]. Beverly Hills， CA： Sage， 1971.

[9]Brantingham P L， Brantingham P J. Environment， routine， and situation Toward a pattern theory of crime， in Clarke R V， Felson M. Routine activity and rational choice. Advances in Criminological Theory[M]. New Brunswick， NJ： Transaction Publishers， 1993.

[10] Sherman L W， Gartin P， Buerger M E. Hot spots of predatory crime： Routine activities and the criminology of place[J].Criminology， 1989，27（1）：27-55.

[11] Weisburd D L， Telep C W. The Efficiency of Place- Based Policing[J]. SSRN Electronic Journal， 2015，17（1）：15-26.

[12] Messner S F， Anselin L， Baller R D， et al. The Spatial Patterning of County Homicide Rates： An Application of Exploratory Spatial DataAnalysis[J].JournalofQuantitative Criminology， 1999，15（4）：423-450.

[13] J·保羅·埃尔霍斯特.空间计量经济学——从横截面数据到空间面板[M].肖光恩，译.北京：中国人民大学出版社，2015.

责任编辑：陈若水