Investigating the Influences of Tree Coverage and Road Network Density on Property Crime: A Case Study in the City of Vancouver, British Columbia, Canada
Notice bibliographique
Résumé
With the development of Geographic Information Systems (GIS), crime mapping becomes an effective approach to investigate the spatial pattern of crime in a defined area. Understanding the relationship between crime and its surrounding environment can reveal possible strategies that can reduce crime in a neighbourhood. The relationship between vegetation density and crime has been under debate for a long time. On the one hand, dense vegetation is usually used as shield by criminals when committing crime. On the other hand, green spaces can attract people to spend time outdoors and thus create nature surveillance around the area. The convenience of road network is another important factor that can influence criminal’s selection of locations. This research investigates the impacts of tree coverage and road network density on crime in the City of Vancouver. Temporal analysis was conducted based on detected vegetation changes and crime data from 2008 to 2013. High spatial resolution airborne LiDAR data collected in 2013 provided by the City of Vancouver and road network file provided by Statistics Canada were used for the extraction of tree-covered area and the calculation of road density for cross-sectional analysis. The two independent variables were put into Ordinary Least-Squares (OLS) regression, Spatial Lag regression, and Geographically Weighted Regression (GWR) models to examine their influences on property crime rates. Other independent variables taken into consideration included population density, unemployment rate, lone-parent families, low-income families, streetlights and graffiti. According to the results, the temporal analysis provided qualitative evidence of vegetation coverage having inverse impact on property crime, and the cross-sectional analysis demonstrated statistical evidences that property crime rates had negative correlations with both tree coverage and road density, with greater influences occurred around Downtown Vancouver.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,002 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».