[논문]아이겐벡터 공간필터링을 이용한 도시주거범죄의 분석

김영호

doi:10.23841/egsk.2009.12.2.179

아이겐벡터 공간필터링을 이용한 도시주거범죄의 분석
An Analysis of Urban Residential Crimes using Eigenvector Spatial Filtering 원문보기

한국경제지리학회지 = Journal of the Economic Geographical Society of Korea, v.12 no.2, 2009년, pp.179 - 194

초록
AI-Helper

도시에서 범죄는 해당 지역 인구의 사회경제적 특징과 공간적 상호관계를 반영한다. 범죄의 피의자와 피해자 사이의 상호작용은 범죄패턴의 공간적 자기상관으로 나타난다. 이러한 범죄의 공간자기상관은 일반적인 최소자승모델에서 편향된 추정치를 제공하여 잘못된 해석으로 이어질 수 있다. 본 연구는 도시주거범죄로서 2000년에 오하이오주 콜럼버스에서 발생한 주거 강도와 절도를 분석 하였다. 특히 주거 범죄율의 공간적 분포패턴은 공간자기상관을 반영하는 아이겐벡터(Eigenvector)를 이용하여 최소자승모델로 분석 하였다. 아이겐 벡터를 이용한 공간자기상관의 필터링은 기존의 모델에서는 잔차에 남아있던 공간자기상관 요소를 설명하기 때문에, 더 효율적인 추정을 가능하게 하였다. 경제적 궁핍과 범죄의 기회가 주거범죄율을 추정하는데 통계적으로 유의미한 요인이었다.

Abstract ▼ AI-Helper

The spatial distribution of crime incidences in urban neighborhoods is a reflection of their socio-economic environment and spatial inter-relations. Spatial interactions between offenders and victims lead to spatial autocorrelation of the crime incidences. The spatial autocorrelation among the incidences biases the interpretation of the ecological model in OLS framework. This research investigates residential crimes using residential burglaries and robberies occurred in the city of Columbus, Ohio, for 2000. In particular, the spatial distribution of incidence rates of residential crimes are accounted in OLS framework using eigenvectors, which reflect spatial dependence in crime patterns. Result presents that handling spatial autocorrelation enhanced model estimation, and both economic deprivation and crime opportunity are turned out significant in estimating residential crime rates.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

가설 설정

2 White noise follows identical and independent normal distribution.

제안 방법

Family structure variable (divorce rate) was significant only in Lag model as a result of drastic decrease in p_value, compared to the same variable in standard OLS model. The map decomposition enabled to visualize spatial patterns of trend and noise.
This study aims to control spatial autocorrelation in residential crime analysis by appropriately accounting for spatial patterns of data using a spatial filtering method by Griffith. The spatial filtering method uses eigenvectors generated from spatial weight matrix.
Regarding eigenvector generation and selection, it should be noted that major framework of the methodology in this study is heavily dependent on Tiefelsdorf and Griffith (2007). This study applied eigenvector filtering methods for two spatial process: Simultaneous Autoregressive (SAR) process and Spatial Lag (Lag) process. The main reason of applying two different spatial processes is that these two processes present different statistical features and may generate different results.

대상 데이터

The data were organized by the coverage area of 19 Columbus police precincts. Since the data was created and managed by Columbus police department, the use of the police precincts is justifiable.
The original crime data were collected and reported by the Columbus police department. Organized by Uniform Crime Reporting (UCR) codes of 119 different types of crime, the data are collection of all crime occurred within the areas of Columbus police precincts from Jan.

이론/모형

The two methods, as the name implies, are characterized by using rsquare values and Moran’s I values as a reference in selecting eigenvectors. The r-square method uses straightforward stepwise regression procedures. Specifically, eigenvectors are selected by their statistical significant in order.
This study analyzed residential crime rates using eigenvector spatial filtering methods. In data management, Bayesian smoothing was applied and adjusted unrealistically large (or small) residential crime rate values.
This study applied the Moran’s I method.

후속연구

Though the eigenvectors have only filtering spatial autocorrelation in this study, future studies are expected to model underlying spatial process additionally. This study hopes to simulate further studies using eigenvectors in the field of quantitative spatial data analysis.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

아이겐벡터 공간필터링을 이용한 도시주거범죄의 분석
An Analysis of Urban Residential Crimes using Eigenvector Spatial Filtering 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

아이겐벡터 공간필터링을 이용한 도시주거범죄의 분석 An Analysis of Urban Residential Crimes using Eigenvector Spatial Filtering 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

가설 설정

제안 방법

대상 데이터

이론/모형

후속연구

이 논문을 인용한 문헌

저자의 다른 논문 :

김영호 (3)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

아이겐벡터 공간필터링을 이용한 도시주거범죄의 분석
An Analysis of Urban Residential Crimes using Eigenvector Spatial Filtering 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper