Investigating the spatiotemporally heterogeneous effects of macro and micro built environment on sexual violence against women: A case study of Mumbai
Notice bibliographique
Résumé
Abstract Sexual violence against women is a major threat to public safety, whereas a well-designed urban environment plays a crucial role in improving public safety and reducing crime. However, the spatiotemporal non-stationarity of the impacts of the macro-level Built Environment (BE) and micro-level Street Environment (SE) on such crimes has been underexplored. Taking Mumbai as a case study, this study employs the crime generator/detractor/facilitator theory to capture the criminogenic roles of land-use functions to describe macro-level BE, while using Street View Images (SVI) to quantify the micro-level SE. Notably, sexual violence against women is classified into four time periods, and Geographically Weighted Regression (GWR) models are developed to capture the spatial and temporal non-stationarity of criminal behavior. The results highlight the varying impacts of BE and SE variables on sexual violence and confirm their non-negligible and complementary roles. Specifically, maternity homes, casinos, cybercafes, and public toilets have been identified as potential hotspots for sexual violence. The complexity of street facades and the presence of retail stores and fire stations (which imply territoriality and surveillance) may contribute to reducing sexual violence. Moreover, the impacts of these variables on crime vary significantly between day and night, from urban centers to suburbs. These findings offer fine-grained insights for urban design and city management, providing decision-makers with evidence-based recommendations to create safer and more women-friendly public spaces.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».