본 연구의 목적은 공간적 분포 특성만을 고려하고 있는 기존의 핫스팟분석에 대한 대안적인 방법으로서 공간상에서 나타나는 사건간의 인과관계를 시간영역으로까지 확장하여 동시적 분석이 가능한 시공간분석 방법을 제안하는 것이다. 분석방법으로는 먼저 지리정보시스템을 이용하여 지방중소도시인 M시의 범죄자료를 데이터화 하였고, Ripley K함수와 시공간검정통계량 분석을 통해 M시의 범죄분포 패턴을 지도화 하였다. 연구결과, 범죄위험도가 유의미하게 높은 지역들이 나타났으며, 이들 시공간적 범죄 집중지역들은 기존의 공간분포만을 고려한 범죄분포 패턴과는 다소 차이가 있음을 발견할 수 있었다. 본 연구결과는 시공간적인 범죄분포 특성에 맞는 맞춤형의 경찰 인력 배치와 배분, 그리고 치안행정 서비스 등의 조정을 위한 참고자료로서, 또한 시공간적인 집중을 보이는 이들 지역을 중심으로 물리적 환경 변화의 유도와 공간이용의 개선 효과를 통해 범죄율을 줄여나가는 범죄예방 활동 및 정책수립을 위한 기초자료로도 유용하게 활용될 수 있을 것으로 기대된다.
본 연구의 목적은 공간적 분포 특성만을 고려하고 있는 기존의 핫스팟분석에 대한 대안적인 방법으로서 공간상에서 나타나는 사건간의 인과관계를 시간영역으로까지 확장하여 동시적 분석이 가능한 시공간분석 방법을 제안하는 것이다. 분석방법으로는 먼저 지리정보시스템을 이용하여 지방중소도시인 M시의 범죄자료를 데이터화 하였고, Ripley K함수와 시공간검정통계량 분석을 통해 M시의 범죄분포 패턴을 지도화 하였다. 연구결과, 범죄위험도가 유의미하게 높은 지역들이 나타났으며, 이들 시공간적 범죄 집중지역들은 기존의 공간분포만을 고려한 범죄분포 패턴과는 다소 차이가 있음을 발견할 수 있었다. 본 연구결과는 시공간적인 범죄분포 특성에 맞는 맞춤형의 경찰 인력 배치와 배분, 그리고 치안행정 서비스 등의 조정을 위한 참고자료로서, 또한 시공간적인 집중을 보이는 이들 지역을 중심으로 물리적 환경 변화의 유도와 공간이용의 개선 효과를 통해 범죄율을 줄여나가는 범죄예방 활동 및 정책수립을 위한 기초자료로도 유용하게 활용될 수 있을 것으로 기대된다.
The aim of this study is to investigate crime hotspot areas using the spatio-temporal cluster analysis which is possible to search simultaneously time range as well as space range as an alternative method of existing hotspot analysis only identifying crime occurrence distribution patterns in urban a...
The aim of this study is to investigate crime hotspot areas using the spatio-temporal cluster analysis which is possible to search simultaneously time range as well as space range as an alternative method of existing hotspot analysis only identifying crime occurrence distribution patterns in urban area. As for research method, first, crime data were collected from criminal registers provided by official police authority in M city, Gyeongnam and crime occurrence patterns were drafted on a map by using Geographic Information Systems(GIS). Second, by utilizing Ripley K-function and Space-Time Scan Statistics analysis, the spatio-temporal distribution of crime was examined. The results showed that the risk of crime was significantly clustered at relatively few places and the spatio-temporal clustered areas of crime were different from those predicted by existing spatial hotspot analysis such as kernel density analysis and k-means clustering analysis. Finally, it is expected that the results of this study can be not only utilized as a valuable reference data for establishing urban planning and crime prevention through environmental design(CPTED), but also made available for the allocation of police resources and the improvement of public security services.
The aim of this study is to investigate crime hotspot areas using the spatio-temporal cluster analysis which is possible to search simultaneously time range as well as space range as an alternative method of existing hotspot analysis only identifying crime occurrence distribution patterns in urban area. As for research method, first, crime data were collected from criminal registers provided by official police authority in M city, Gyeongnam and crime occurrence patterns were drafted on a map by using Geographic Information Systems(GIS). Second, by utilizing Ripley K-function and Space-Time Scan Statistics analysis, the spatio-temporal distribution of crime was examined. The results showed that the risk of crime was significantly clustered at relatively few places and the spatio-temporal clustered areas of crime were different from those predicted by existing spatial hotspot analysis such as kernel density analysis and k-means clustering analysis. Finally, it is expected that the results of this study can be not only utilized as a valuable reference data for establishing urban planning and crime prevention through environmental design(CPTED), but also made available for the allocation of police resources and the improvement of public security services.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 기존의 시공간 범죄 분석연구들은 주로 범죄발생시기를 시간별, 요일별, 계절별로 구분하여 범죄분포 특성을 밝혀내고 있으나 시간적 분석과 공간적 분석이 통합되지 못하고 분리되어 종합적으로 분석하지 못하는 한계가 있다. 따라서 본 연구에서는 범죄발생 자료의 공간 분포 특성을 가시화하고 범죄지도화 하는 새로운 방법으로서 시공간 탐색에 기반한 범죄 핫스팟 분석방법을 제안하고자 한다.
시공간검정통계량은 SaTScan이라는 프로그램을 통해 분석이 가능하며, 과거에 시공간 집중이 발생했던 공간과 시간적 범위를 주로 찾는 retrospective 시공간순열(space-time permutation)방식과 현재의 상황을 근거로 현재 시공간집중이 현저하게 발생하고 있는 지역을 찾는 prospective 시공간 순열방식의 두 가지 탐색방법을 제공하고 있다. 따라서 본 연구에서는 이러한 시공간검정통계량 분석 방법을 중심으로 M시의 시공간범죄 집중지역을 찾아내고자 하였다.
이러한 다양한 시공간분석기법들 가운데 본 연구에서는 시공간검정통계량을 중심으로 고찰해 보고자 한다. Kulldorff의 시공간검정통계량은 기존의 점사상 패턴분석에서 제시하지 못했던 지역차원의 시공간집중지역 및 분포 패턴을 탐색해 낼 수 있는 분석방법으로서 점사상 뿐만 아니라 면사상에 대한 분석도 가능한 장점이 있다.
이러한 배경에서 본 연구의 목적은 공간적 분포 특성만을 고려하고 있는 기존의 핫스팟 분석과 달리, 공간상에서 나타나는 사건 간의 인과관계를 시간영역으로까지 확장하여 동시적 분석이 가능한 시공간분석을 통해 범죄다발지역을 새롭게 찾아내고, 이들 지역이 기존의 공간적 분포 특성만을 고려한 핫스팟분석 결과와는 어떤 차이가 있는지를 밝혀보고자 한다.
제안 방법
넷째, 국지적 차원에서의 범죄 핫스팟 지역을 찾아내는 또 다른 방법으로서 군집에 포함될 사건의 수를 12개로 한정하여 최근린 계층군집분석을 수행하였다. 그 결과로서 64개의 1차군집 지역과 6개의 2차 군집 지역이 도출되었다.
시공간검정통계량 분석에서 탐색원통은 0에서 전체 대상공간 및 전체 대상기간의 50%까지 확장하면서 탐색하도록 초기값이 설정되어 있다. 본 연구에서는 보다 정확한 분석결과를 유도해 내기 위해 공간거리의 최대치는 Ripley K함수의 적용을 통해 별도로 추정해 내었고, 시간거리는 과도한 시뮬레이션 소요시간을 줄이기 위해 2주 간격으로 표집하여 최대 50%까지 확장하여 탐색할 수 있도록 설정하였다.
셋째, 국지적 차원에서 범죄 핫스팟 지역을 좀 더 정확하게 찾아내기 위해 7개의 경찰관할구역수와 22개의 경찰관할지구대 수를 초기 값으로 각각 투입하여 K-means 군집분석을 수행하였다. 분석결과, 군집수를 7개로 설정하여 분석한 결과에서는 핫스팟지역이 너무 포괄적이어서 육안으로도 쉽게 식별이 가능한 반면, 22개로 설정하여 분석한 결과에서는 내서읍 일대에서 필요 이상의 과도한 군집수가 발견되었다(그림 4 참조).
연구방법으로는 우선 기존의 선행연구들에서 자주 활용되어 온 kernel 밀도분석과 k-means 군집분석, 그리고 최근린계층군집 분석에 의한 범죄 핫스팟지역을 지도화 한 다음, 시공간검정통계량 분석에 의한 시공간범죄 집중지역의 분포 특성과 범죄발생의 위험 확률 지도를 서로 비교하였다. 이때, 시공간검 정통계량분석에 있어 탐색범위(원형 윈도우의 크기)의 적절한 설정이 매우 중요한데, 일반적으로는 전체면적과 전체시간범위를 기준으로 하여 최장 50%까지 확장하면서 각각의 우도비를 계산하게 되나 본 연구에서는 Ripley K군집 분석을 통해 최대의 범죄군집 경향을 보이는 최장거리를 별도로 산정하여 이 값을 기준으로 원형 윈도우 면적의 최대 반경 한계를 설정하였고, 시간표집단위는 시뮬레이션의 연산속도를 고려하여 2주일(14일)을 기준으로 삼아 전체기간의 50%까지 확장하여 탐색할 수 있도록 시간범위의 한계를 설정하였다.
연구방법으로는 우선 기존의 선행연구들에서 자주 활용되어 온 kernel 밀도분석과 k-means 군집분석, 그리고 최근린계층군집 분석에 의한 범죄 핫스팟지역을 지도화 한 다음, 시공간검정통계량 분석에 의한 시공간범죄 집중지역의 분포 특성과 범죄발생의 위험 확률 지도를 서로 비교하였다. 이때, 시공간검 정통계량분석에 있어 탐색범위(원형 윈도우의 크기)의 적절한 설정이 매우 중요한데, 일반적으로는 전체면적과 전체시간범위를 기준으로 하여 최장 50%까지 확장하면서 각각의 우도비를 계산하게 되나 본 연구에서는 Ripley K군집 분석을 통해 최대의 범죄군집 경향을 보이는 최장거리를 별도로 산정하여 이 값을 기준으로 원형 윈도우 면적의 최대 반경 한계를 설정하였고, 시간표집단위는 시뮬레이션의 연산속도를 고려하여 2주일(14일)을 기준으로 삼아 전체기간의 50%까지 확장하여 탐색할 수 있도록 시간범위의 한계를 설정하였다. 시간단위를 1일로 하지 않고 2주단위로 표집한 이유는 면사상이 아닌 다량의 점사상 자료를 분석하게 될 경우, 핫스팟지역을 판별하는 정확성의 향상 비율에 비해, 컴퓨터 연산 능력에 따라 수 시간에서 몇일 단위의 과도한 시뮬레이션 소요시간이 비효율적으로 요구되기 때문이다.
대상 데이터
M시의 2006년도 총 범죄건수는 5,791건이고, 5대 범죄유형별 수는 강간 78건, 강도 43건, 살인 8건, 폭력 2,700건, 그리고 2,962건의 절도가 보고되었다. 그러나 전체 5,791 건의 범죄신고 자료 중에 주소식별이 가능한 3,640건을 대상으로 최종적으로 분석에 활용하였으며, 범죄 핫스팟 분석을 위해 Crimestat 3.0과 ArcGIS 9.2, 그리고 SaTScan 8.1 프로그램이 사용되었다.
분석에 사용된 자료는 M시 관할경찰서의 협조를 통해 정리한 2006년도 범죄신고관리대장을 GIS를 통해 점사상으로 구축한 것으로 범죄신고대장에 기록된 주소를 토대로 1/1,000의 수치지도와 지번도를 참조하여 공간자료화 하였고, 사건발생일자 및 시간, 요일, 동, 발생위치 및 주소, 장소, 범죄유형 등을 속성자료화 한 것이다. M시의 2006년도 총 범죄건수는 5,791건이고, 5대 범죄유형별 수는 강간 78건, 강도 43건, 살인 8건, 폭력 2,700건, 그리고 2,962건의 절도가 보고되었다.
데이터처리
시간단위를 1일로 하지 않고 2주단위로 표집한 이유는 면사상이 아닌 다량의 점사상 자료를 분석하게 될 경우, 핫스팟지역을 판별하는 정확성의 향상 비율에 비해, 컴퓨터 연산 능력에 따라 수 시간에서 몇일 단위의 과도한 시뮬레이션 소요시간이 비효율적으로 요구되기 때문이다. 한편, 시공간범죄 집중지역에 대한 통계적 유의성 검증은 몬테카를로 시뮬레이션의 반복연산을 1,000회로 설정하여 검증하였으며, Prospective와 Retrospective 시공간순열방식으로 각각의 시공간범죄 집중 지역을 찾아낸 다음, 그 결과를 서로 비교하였다.
성능/효과
Retrospective 시공간순열방식으로 탐색된 분석결과에서는 가장 집중 가능성이 큰 1개의 1차 군집과 5개의 2차 군집집단이 각각 탐색되었다(p<0.05).
05를 만족하는 6개의 시공간범죄 집중지역을 지도상에 표시한 것이다. 그림 2~6의 공간적 분포특성만을 고려했던 일반적인 공간 군집 분석결과와 달리 시공간분석에서는 철도역 부근과 합성동 일대가 아닌, 양덕동 일대가 시공간적으로 범죄발생 집중도가 가장 높은 지역으로 나타났으며, 그 다음으로 회원 1동, 합성2동 및 양덕 1동의 경계지역, 그리고 회성동 일대가 범죄발생위험률이 높은 지역으로 나타났다.
둘째, 2006년도 한해의 총범죄건수를 대상으로 범죄밀도분석을 수행한 결과, 앞서 시간대별 분석결과와 매우 유사한 패턴이 나타났다. 철도역 부근과 합성동일대의 상업지역이 범죄밀도가 가장 높게 나타났고, 그 다음으로 월영동과 오동동·동서동 일대, 그리고 산호동과 노산동 일대로 나타났다.
한편, 기존의 공간핫스팟 분석에서는 주로 상업지역들(합성동, 중앙동, 동서동, 오동동 일대)에서 범죄핫스팟 지역이 집중적으로 나타나고 있는데 반해, 시공간검정통계량 분석에서는 주로 주거 지역(양덕동, 회원동, 회성동 일대)을 중심으로 범죄핫스팟 지역이 분포하고 있으며, 일부 구시가지의 합성동 일대의 상업지역을 제외하고는 구도심의 중앙동, 동서동, 오동동 일대의 상업지역과 신시가지역의 월영동, 문화동 일대의 상업지역들에서는 통계적으로 유의한 시공간적 집중 현상이 전혀 나타나지 않고 있다. 또한 주거지역에 있어서도 공동주택단지나 단독주택위주의 전용주거지역보다는 다세대 위주의 주거혼재비율이 상대적으로 높은 구도심의 일반주거지역(회원1동과 양덕동)에서 시공간적인 범죄 집중 현상이 높게 나타났으며, 이들 주거지역은 치안지구대 입지의 사각지대라는 점에서 공통적 특징을 보이고 있다(그림 8, 9 참조). 따라서 이 지역에서의 범죄발생 양상은 공간상으로뿐만 아니라 특정기간에 걸쳐서도 범죄가 집중적으로 발생하고 있기 때문에 경찰 인력 및 자원의 효율적인 배분과 순찰 이동경로의 설정, 그리고 셉테드(CPTED : Crime Privention Through Environmental Design) 적용 등과 같은 다양한 범죄예방활동들이 이들 지역을 중심으로 지속적으로 전개되어야 할 것으로 판단된다.
먼저 Prospective 시공간순열방식으로 탐색된 분석결과를 살펴보면, 가장 집중 가능성이 큰 1차 군집과(the most likey cluster) 3개의 2차 군집집단(second clusters)이 탐색되었다(p<0.05).
CSR(Complete Spatial Randomness) 곡선은 완전한 임의적 분포의 가정하에 생성된 분포곡선을 의미한다. 분석 결과, K(L)함수곡선은 임의적인 분포를 가정한 몬테카를로 시뮬레이션 envelope 구간대를 훨씬 벗어나 그래프 상단에 그려지고 있어 강한 군집적인 패턴을 보인다고 해석할 수 있다. 이러한 군집 경향은 약 2,170m까지는 계속해서 증가하다가 그 이후로 점차 이산적인 분포 경향을 보이면서 K(L)함수 곡선도 하향 추세로 전환되고 있음을 알 수 있다.
셋째, 국지적 차원에서 범죄 핫스팟 지역을 좀 더 정확하게 찾아내기 위해 7개의 경찰관할구역수와 22개의 경찰관할지구대 수를 초기 값으로 각각 투입하여 K-means 군집분석을 수행하였다. 분석결과, 군집수를 7개로 설정하여 분석한 결과에서는 핫스팟지역이 너무 포괄적이어서 육안으로도 쉽게 식별이 가능한 반면, 22개로 설정하여 분석한 결과에서는 내서읍 일대에서 필요 이상의 과도한 군집수가 발견되었다(그림 4 참조).
또한 그림 6은 대상지역에 소재된 치안지구대를 중심으로 반경 300m의 버퍼링 결과를 최근린 계층군집분석에 의해 탐색된 핫스팟지역들과 중첩시켜놓은 것으로서 범죄발생에 대한 방어기제적 성격의 치안지구대가 범죄발생에 어떤 영향을 미치고 있는지를 살펴보기 위함이다. 분석결과, 이들 치안시설물의 입지가 범죄예방차원에서 실제로 효과가 있는지에 대한 명확한 증거를 공간 핫스팟분석에서는 쉽게 발견할 수 없었다. 이들 관할서가 입지한 지역은 비교적 범죄로부터 안전한 콜드스팟(coldspots)지역에 위치한 경우도 있었으나, 오히려 범죄빈도가 매우 높은 핫스팟 지역에 위치하고 있기도 하고, 일부에서는 지구대 주변으로 강한 범죄 핫스팟지역이 나타나고 있었기 때문이다.
철도역 부근과 합성동일대의 상업지역이 범죄밀도가 가장 높게 나타났고, 그 다음으로 월영동과 오동동·동서동 일대, 그리고 산호동과 노산동 일대로 나타났다.
후속연구
끝으로, 본 연구에서는 군집(cluster)에 대한 탐색범위를 원통으로 정의하여 지도상에 표기하고 있으나, 기존의 공간핫스팟 분석결과에서도 그러하듯이, 그 경계구역이 절대적인 기준이 되는 것은 아니므로, 정책결정의 공간단위로 활용함에 있어서는 세심한 주의가 필요하다.
둘째, 본 연구는 특정 공간과 시기에 걸쳐 범죄율이 높게 나타나고 있는 시공간범죄 집중지역들을 통계적 검증과정을 통해 보다 객관적으로 탐색해 낼 수 있는 시공간에 기반한 새로운 핫스팟 분석방법론을 제안하고 있으나, 이러한 시공간범죄 집중지역이 지역적 특성 가운데 어떤 영향요인과 원인들에 의해 나타나고 있는지에 대해 구체적인 분석을 시도하지는 못하였다. 이것은 또 다른 성격의 연구 주제로서 후속적인 연구가 필요한 부분이다.
첫째, 본 연구는 특정년도에 한정된 시계열 범죄 자료만이 분석에 활용되었다. 따라서 시공간범죄 집중지역과 범죄발생위험지역을 보다 정확하게 탐색하고 예측해 내기 위해서는 다년간에 걸쳐 누적된 충분한 시계열적 범죄 자료의 추가적인 확보와 그에 따른 분석이 이루어져야 할 것이다.
일반적인 공간핫스팟 분석에서는 그 범죄 집중의 결과가 우연에 의해 나타난 결과인지 실제적으로 범죄발생위험률이 높은 지역으로서 범죄가 빈번하게 발생한 지역인지를 통계적으로 검증해 내기가 쉽지 않은 측면이 있었다. 이러한 관점에서 본 연구는 후속적인 도시범죄 분석을 위한 전단계적 성격의 기초연구로서 시공간적인 범죄다발지역을 통계적인 검증 과정을 거쳐 범죄발생 위험률을 지도화해낸 점과 미시적인 관점에서 후속연구에 필요한 연구대상지역의 선정과 시간 및 공간범위 설정에 대한 보다 객관적인 기준을 제시해 주고 있다는 점에서 기존의 공간거리 위주의 범죄 핫스팟분석 연구들과는 다른 차별성을 띠고 있다.
이를 위해서는 범죄프로파일링 기법뿐만 아니라 좀 더 다양한 사회·경제적, 그리고 물리적인 환경요인들이 고려되어야 하며, 범죄 유형별로 좀 더 세분화시켜 접근할 필요가 있고, 인간 행태에 기반한 환경행태학적 접근에 대한 이해와 적용이 병행되어야 할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
공간통계학 분야에서 주로 활용되고 있는 시공간 분석기법의 두 가지 유형은 무엇이며, 각각의 예에는 어떤 것이 있는가?
공간통계학 분야에서 주로 활용되고 있는 시공간 분석기법은 크게 두 가지 유형으로 구분된다. 한 부류는 시공간의 상호작용성에 대한 유무를 측정하고 검증하는 것을 주목적으로 하는 분석기법과 다른 하나는 시공간 군집 패턴을 시각적인 그래프와 도면 형태로 검색하고 이를 통계적으로 검증하는 분석기법으로 나뉠 수 있다. 전자의 대표적인 예로는 녹스 테스트 지수(Knox, 1964)와 맨틀테스트 지수(Mantel, 1967)가 있고, 후자의 분석기법으로는 최근린분석과 K함수를 시공간으로 확대한 Jacquez 테스트(Jacquez, 1996)와 시공간 K함수(Diggle et al., 1995), 그리고 Kulldorff의 시공간검정통계량(Kulldorff, 2001) 분석 등이 있다.
공간적 군집현상과 확산현상에 대한 도시계획가 내지 공간 연구자의 주 관심 두 가지는 무엇인가?
일반적으로 공간적 군집현상과 확산현상에 대한 도시계획가 내지 공간연구자의 주 관심은 크게 두 가지로 나뉘어져 있다. 그 중 하나는 공간적인 사상이 특정한 지역에 집중하여 나타나는 핫스팟(hotspot)지역이나 그 반대의 콜드스팟(coldspot)지역을 찾아내는 일이고, 다른 하나는 어떠한 사회·경제적, 그리고 환경적 변인들이 그러한 공간적 군집과 확산을 불러일으켰는가를 밝혀내는 일이다. 이중 핫스팟분석기법은 산업집적지를 분석하거나 생태학에서 식생의 분포, 의료분야에서 특정질병의 공간적 분포 등을 판별해 내는데 주로 사용되어 왔다(Kang, 2009).
Kang, 2009에 따르면, 핫스팟분석기법은 어디에 주로 사용되었는가?
그 중 하나는 공간적인 사상이 특정한 지역에 집중하여 나타나는 핫스팟(hotspot)지역이나 그 반대의 콜드스팟(coldspot)지역을 찾아내는 일이고, 다른 하나는 어떠한 사회·경제적, 그리고 환경적 변인들이 그러한 공간적 군집과 확산을 불러일으켰는가를 밝혀내는 일이다. 이중 핫스팟분석기법은 산업집적지를 분석하거나 생태학에서 식생의 분포, 의료분야에서 특정질병의 공간적 분포 등을 판별해 내는데 주로 사용되어 왔다(Kang, 2009). 그러나 대부분의 사례가 공간적 군집현상만을 다루고 있을 뿐, 시간에 의한 집중현상을 간과한 체, 시간이라는 주요한 변수를 적절히 고려하지 못한 한계를 보여주었다(Kullodrff et al.
참고문헌 (23)
손학기, 박기호. 2008. 부동산 가격변동 핫스팟 탐색을 위한 공간통계기법. 대한지리학회지 43(3):392-411.
Andersen, M.A. 2006. A Spatial Analysis of Crime in Vancuouver, British Columbia: A Synthesis of Social Disorganization and Routine Activity Theory. The Canadian Geographer/Le Geographe canadien 50(4):487-502.
Eck, J.E., S. Chainey, J.G. Cameron, M. Leitner and R.E. Wilson. 2005. Mapping Crime: Understanding Hot Spots. U.S Department of Justice Office of Justice Programs National Institute of Justice, pp.23-25.
Goldsmith, V., P. MGuire, J. Mollenkpof and T. Ross. 2000. Analyzing Crime Patterns: Frontiers of Practice. Thousand Oaks, Sage, pp.3-12.
Hirschfield, A., P. Brown and P. Tod. 1995. GIS and the Analysis of Spatiallyreferenced Crime Data: Experiences in Merseyside, UK. International Journal of Geographical Information Systems 12:191-210.
Jacquez, G.M. 1996. A k Nearest Neighbour Test For Space-Time in Interaction. Statistics in Medicine 15:1935-1949.
Kulldorff, M. 2001. Prospective Time-periodic Geographical Disease Surveillance using a Scan Statistic. Journal of the Royal Statistical Society A164:61-72.
Kulldorff, M., R. Heffernan, J. Hartman, R. Assuno and F. Mostashari. 2005. A Space-Time Permutation Scan Statistic for Disease Outbreak Detection. PLos Medicine 2(3):216-224.
Levine, N. 2005. CrimeStat: A Spatial Statistics Program for the Analysis of Crime Incident Location. Ned Levine & Associates, Houston, TX, and the National Institute of Justice, Washington DC. Chapter9. 8pp.
Mantel, N. 1967. The Detection of Disease Clustering and a Generalised Regression Approach. Cancer Research 27:209-220.
Murray, T.A., I. McGuffog, S.J. Western, and P. Mullins. 2001. Exploratory Spatial Data Hotspot Analysis of Urban Crime Using Space-28 Time Scan Statistics Analysis Techniques for Examining Urban Crime. British Journal of Criminology 41(2):309-329.
Weisburd, D. 1997. Reorienting Crime Prevention Research and Policy: From the Causes of Criminality to the Context of Crime, National Institute of Justice, Washington, DC.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.