Rethinking the association between green space and crime using spatial quantile regression modelling: Do vegetation type, crime type, and crime rates matter?
Notice bibliographique
Résumé
UN Sustainable Development Goals (e.g., Goal 16) have highlighted the importance of using policy tools (e.g., through urban planning) to prevent crimes. Existing evidence of the association between green space and crime is mixed. Some studies indicate that the inconsistencies may be due to the variance in types of vegetation and the rates of crime reported across regions and countries. This study aims to assess the conditional association between green space and crime by considering the influence of vegetation type (e.g., grassland, woodland), crime type (e.g., violence, theft) and rates of crime reported in Northern Ireland (NI), United Kingdom. Crime data were obtained from the Police Service NI and green space was determined by Land Cover Map at the Super Output Area (SOA) level provided by the UK Centre for Ecology & Hydrology. Spatial quantile regressions were used to model the adjusted association between green space and crime across areas with different rates of crime. The results showed that more grassland may be associated with lower crime rates, but only in areas with relatively low crime rates. More woodland may also be associated with lower crime rates, but only for areas with relatively high crime rates. Also, we found that associations between green space and crime varied by type of crime. In summary, policymakers and planners should consider green space as a potential crime reduction intervention, factoring in the heterogeneous effects of vegetation type, crime type and crime rate. • There is not enough evidence on the association between green space and crime. • This study aims to assess the conditional association between green space and crime. • More grassland may be associated with lower crime rates, but only in areas with relatively low crime rates. • More woodland may be associated with lower crime rates, but only for areas with relatively high crime rates. • Associations between green space and crime varied by type of crime.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».