The Spatial and Social Patterning of Property and Violent Crime in Toronto Neighbourhoods: A Spatial-Quantitative Approach
Notice bibliographique
Résumé
Criminal activities are often unevenly distributed over space. The literature shows that the occurrence of crime is frequently concentrated in particular neighbourhoods and is related to a variety of socioeconomic and crime opportunity factors. This study explores the broad patterning of property and violent crime among different socio-economic stratums and across space by examining the neighbourhood socioeconomic conditions and individual characteristics of offenders associated with crime in the city of Toronto, which consists of 140 neighbourhoods. Despite being the largest urban centre in Canada, with a fast-growing population, Toronto is under-studied in crime analysis from a spatial perspective. In this study, both property and violent crime data sets from the years 2014 to 2016 and census-based Ontario-Marginalisation index are analysed using spatial and quantitative methods. Spatial techniques such as Local Moran’s I are applied to analyse the spatial distribution of criminal activity while accounting for spatial autocorrelation. Distance-to-crime is measured to explore the spatial behaviour of criminal activity. Ordinary Least Squares (OLS) linear regression is conducted to explore the ways in which individual and neighbourhood demographic characteristics relate to crime rates at the neighbourhood level. Geographically Weighted Regression (GWR) is used to further our understanding of the spatially varying relationships between crime and the independent variables included in the OLS model. Property and violent crime across the three years of the study show a similar distribution of significant crime hot spots in the core, northwest, and east end of the city. The OLS model indicates offender-related demographics (i.e., age, marital status) to be a significant predictor of both types of crime, but in different ways. Neighbourhood contextual variables are measured by the four dimensions of the Ontario-Marginalisation Index. They are significantly associated with violent and property crime in different ways. The GWR is a more suitable model to explain the variations in observed property crime rates across different neighbourhoods. It also identifies spatial non-stationarity in relationships. The study provides implications for crime prevention and security through an enhanced understanding of crime patterns and factors. It points to the need for safe neighbourhoods, to be built not only by the law enforcement sector but by a wide range of social and economic sectors and services.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».