Spatial analysis of hotspots crimes in the physical texture of Pakdasht

Document Type : Research Paper


1 Associate Professor, Department of Geography and Urban Planning, Shahid Beheshti University

2 PhD Student of Geography and Urban Planning, Tehran University, Tehran, Iran


Extended Abstract
Over time, criminologists have found that specific locations influence the occurrence of crime. As in the past few decades, spatial analysis theories in criminology have shifted from focusing on the motivation of criminals to study crime points. In fact, some locations have a greater chance of occurring due to the physical and environmental characteristics as well as the social, cultural, and economic features of the inhabitants; on the contrary, some places are a barrier to criminal opportunities. Therefore, it can be said that identifying the factors in the incidence of crime is the first step in combating social depravity, because by eliminating these factors or reducing their effects can prevent or at least reduce the level of delinquency in society. Pakdasht has been subject to rapid physical and demographic growth bans over the past few decades due to the growth of informal housing and disrupted urban development, and the physical characteristics of the city have had an impact on environmental quality in terms of crime. Therefore, the key question in the present study is as following: what is the relationship between the physical texture of the city and the patterns of robbery crimes occurrence in Pakdasht? For this purpose, to analyze the pattern, extent and distribution of urban crime, the relationship between the physical texture of the city and the pattern of robbery crimes has been investigated.
The research method of this study is descriptive-analytical and in terms of purpose is an applied one. Also is based on library and field studies. The statistical population of this study was 302 cases of robbery. Mapping Clusters toolkit from ArcGIS software was used for spatial distribution and spatial representation of hot and cold physical textures of Pakdasht. Also to explore the pattern trends affecting physical parameters (passages width, building life, construction quality, size of discrete components, passages lighting, passage coverage, presence of demolished buildings, physical quality and building materials) on crimes, GWR was used.
Results and Discussion
The distribution of the robbery crimes perpetration place in the city shows that they have a cluster pattern in the central part of the city. Accordingly, the pattern of delinquency in Pakdasht city and most of the crimes of robbery occurred near the main streets and the central part of the city and other areas of the city have a lower crime density than these neighborhoods, which is evidence of the accumulation of delinquency patterns in certain areas of the city. hotspots have also been formed from Shahid Motahari Street Clock Square to Mamazani Head. There is also a focal point behind the municipality (Elihiya), that one of the reasons could be the high level of burglary of residential homes. Another pattern is in the sand and branch area, which is the informal settlement area. In this regard, the Local R2 coefficient for the model of impact of physical indicators on crime occurrence in Pakdasht is between (0/39 – 0/00), which means that the correlation between the independent variable (physical indicators) and the dependent variable (crime) is high in red areas of the city and contrariwise. In fact, locally and spatially, it indicates that the extent of the influence of physical indicators on crime is greater. For example, in areas of the city with poor lighting, crime rates are also high. Therefore, the greatest impact of physical factors and the interdependence between the framework and the occurrence of crime are in the marginal areas of the city that constitute the old texture areas of the city, as well as in areas known as worn-out and informal settlement.
According to the physical indicators of Pakdasht informal settlements (passage width, construction life, construction quality, size of segments, lighting and passages, passage coverage, presence of demolished buildings, dominant physical quality in the neighborhood and building materials), physical factors are directly related to occurrence of a crime. As such, the greatest impact of physical factors and the relationship between framework and crime occurrence has taken place in the marginal areas (Elahiyeh Phase 2 and Ghoute and Jito crossroads) and near the worn-out and informal settlement of the city (Zeinabieh and Imamzadeh Ghoueh) and the central district is less correlated with the predisposing physical factors due to its location in the downtown area and to some extent the importance of safety issues in buildings. The coefficient (Local R2) on impact of physical indicators on crime occurrence model in Pakdasht shows in terms of  locally and spatially that the effect of physical indicators on crime occurrence is greater so that the most influence of physical factors and dependence between framework and crime occurrence has occurred in the suburbs near the worn-out texture and informal housing of the city due to the specific conditions of the turbulence and worn-out texture, and crime rates have been high in areas of the city where illumination and lighting are inadequate.


1)      ابراهیمی، محمدرضا؛ جاویده، مصطفی؛ کیوان‌پور، محمدرضا (1389) تحلیل جغرافیایی جرم با استفاده از دیاگرام‌های ورونویی و روش‌شناسی رویکردهای رایانه‌ای پویش نقاط جرم خیز، فصلنامه کارگاه، سال 3، شماره 10، صص.59-40.
2)      احمدی، سجاد؛ سیف‌الدینی، فرانک؛ کلانتری، محسن (1392) تحلیل فضایی الگوهای بزهکاری در منطقه 17 شهرداری تهران، فصلنامه تحقیقات کاربردی علوم جغرافیایی، سال 13، شماره 31، صص. 72-47.
3)      ادیبی سعدنژاد، فاطمه و عظیمی، آزاده (1390) تبیین امنیت در محیط شهری بر مبنای پارامترهای کالبدی و طراحی (مورد شهر بابلسر)، فصلنامه آمایش محیط، دوره 4، شماره 15، صص.105- 81.
4)      برتاو، عیسی (1391) درآمدی بر ارتباط مکان و جرم، فصلنامه کارگاه، سال 5، شماره 19،صص. 125- 94.
5)      برتاو، عیسی (1391) کارایی فعالیت‌های پلیسی مکان محور در پیشگیری از جرم، فصلنامه مطالعات پیشگیری از جرم، سال 7، شماره 24، صص.116- 83.
6)      برتاو، عیسی؛ حاجی نژاد، علی؛ عسگری، علی؛ گلی، علی (1392) بررسی الگوهای سرقت مسکونی با به‌کارگیری رویکرد تحلیل اکتشافی داده‌های فضایی (مطالعه موردی: شهر زاهدان)، فصلنامه پژوهش‌های راهبردی امنیت و نظم اجتماعی، سال 2، شماره 6، صص.23- 1.
7)      پرهیز، فریاد؛ مشکینی، ابوالفضل؛ غلامی، علیرضا؛ مرادی‌نیا، سجاد (1389). بررسی جغرافیایی الگوهای بزهکاری در منطقه اسکان غیررسمی اسلام‌آباد (موردمطالعه جرائم خریدوفروش اموال مسروقه)؛ فصلنامه مطالعات امنیت اجتماعی، دوره جدید، شماره 25، صص.81- 55.
8)      پوراحمد، احمد؛ رهنمایی، محمدتقی؛ کلانتری، محسن (1382) بررسی جغرافیایی جرائم در شهر تهران. فصلنامه پژوهش‌های جغرافیایی، دوره 35، شماره 44، صص.98- 81.
9)      تیلور، رالف بی و هارل، ادل وی (1389) محیط کالبدی و بزهکاری، ترجمه کلانتری، محسن و قزلباش، سمیه، زنجان: انتشارات آذر کلک.
10)   جیکوبز، جین (1388) مرگ وزندگی شهرهای بزرگ آمریکایی، (حمیدرضا پارسی و آرزو افلاطونی، مترجمان)، تهران: مؤسسه انتشارات دانشگاه تهران.
11)   ذوالفقاری، حسین و شایگان، فریبا (1390) بررسی جغرافیایی جرم در شهر تهران، فصلنامه نظم و امنیت انتظامی، سال 4، شماره2 ، صص.23- 1.
12)   شاهیوندی، احمد؛ رئیسی واتانی، رضا؛ شیخی، حجت (1388) تحلیلی بر توزیع فضایی جرائم در مناطق شهری شهر اصفهان. دانش انتظامی، سال 11، شماره 4، صص 182- 153.
13)   شکویی، حسین (1369) جغرافیای اجتماعی شهرها (اکولوژی اجتماعی شهر)،  تهران: انتشارات جهاد دانشگاهی.
14)   صادقی، نگین؛ ذبیحی، حسین؛ لاریمیان، تایماز (1394) پیش‌بینی پتانسیل جرم‌خیزی نقاط از طریق تحلیل کیفیت محیط شهری (نمونه موردی: مناطق 14 گانه شهر اصفهان)، فصلنامه مطالعات و پژوهش‌های شهری و منطقه‌ای، سال 6، شماره 27، صص.86- 65.
15)   عباسی‌ورکی، الهام (1387) شناسایی و تحلیل فضایی کانون‌های جرم خیز شهر قزوین با استفاده از سامانه اطلاعات جغرافیایی GIS (نمونه موردی: بزه قاچاق و سوءمصرف مواد مخدر در شهر قزوین). پایان‌نامه کارشناسی ارشد، استاد راهنما: کلانتری، محسن، دانشگاه زنجان.
16)   کامران‌نیا، جلال (1385) تحلیل الگوهای فضایی و آینده‌نگری جرم در شهر شیراز (مطالعه موردی: محلات مرکزی شهر شیراز). پایان‌نامه کارشناسی ارشد، استاد راهنما: مؤمنی، مصطفی، دانشگاه شهید بهشتی تهران.
17)   کلانتری، محسن و توکلی، مهدی (1386) شناسایی و تحلیل کانون‌های جرم خیز شهری، فصلنامه پیشگیری از جرم، دوره 2، شماره2 ،صص. 100- 75.
18)   محمودی جانکی، فیروز؛ وحید دستجردی، فاطمه؛ بارانی، محمد (1392) تأثیر مجاورت محل سکونت بر انتخاب مکان جرم. فصلنامه پژوهش‌های انتظام اجتماعی، سال 5، شماره2، صص. 89- 69.
19)   مرصوصی، نفیسه و صفرعلی زاده، اسماعیل (1393) نقش طراحی محیطی در پیشگیری از وقوع جرائم شهری (مطالعه موردی: بخش مرکزی شهر اصفهان)، فصلنامه پژوهش‌های بوم‌شناسی شهری، سال 5، شماره 2، صص.124- 111.
20)   میرتوکلی، جعفر و وطنی، علی (1388) پهنه‌بندی و تحلیل نواحی جرم خیز و آسیب‌زای سکونتگاه‌های شهری استان گلستان. فصلنامه ژئوپلیتیک، سال 5، شماره 2، صص.190- 169.
21)  Ariel, B. & Partridge, H. (2016) Predictable Policing : Measuring the Crime Control Benefits of Hotspots Policing at Bus Stops. Journal of Quantitative Criminology.
22)  Bramston, P.  & Pretty, G. & Chipuer, H. (2002) Unravelling subjective quality of life: An investigation of individual and communit determinants, Social Indicators Research, Vol.59, No.3, pp.261-274
23)  Cardozo, O.D. & García-Palomares, J.C. & Gutiérrez, J. (2012) Application of geographically weighted regression to the direct forecasting of transit ridership at station-l evel, Applied Geography, Vol.34, pp.548-558.
24)  ESRI, (2016) An Overview of the Spatial Statistics Toolbox. ArcGIS 10.5 Online Help System (ArcGIS 10.5 Desktop, Release 10.5, 2016). Environmental Systems Research Institute, Redlands, CA.
25)  Goovaerts, P. & Jacquez, G.M. (2004) Accounting for regional background and population size in the detection of spatial clusters and outliers using geostatistical filtering and spatial neutral models: the case of lung cancer in Long Island, NewYork. Int. J. Health Geogr. 3, 14.
26)  Home Office (2003) Home Office Crime Reduction Toolkits, Online at.
27)  Jacquez, G.M. & Greiling, D.A. (2003a) Local clustering in breast, lung and colorectal cancer in Long Island, New York. Int. J. Health Geogr. 2, 3.
28)  Jacquez, G.M. & Greiling, D.A. (2003b) Geographic boundaries in breast, lung and colorectal cancer in relation to exposure to air toxics in Long Island, New York. Int. J. Health Geogr. 2, 4.
29)  Law, J. & Quick, M. & Chan, P. W. (2015) Analyzing hotspots of crime using a bayesian spatiotemporal modeling approach: A case study of violent crime in the greater Toronto area, Geographical Analysis, Vol.47, No.1, pp.1–19.
30)  Lloyd, D. J. B. & Farrell, H. O. (2013) On localised hotspots of an urban crime model, Physica D, Vol.253, pp.23–39.
31)  Mennis, J. (2006) Mapping the results of geographically weighted regression, The Cartographic Journal,Vol.43, No.2, pp.171-179.
32)  Miller, J. & Caplan, J. M. & Ostermann, M. (2016) Assessing the Effects of Local Crime Hotspots on Parole Recidivism.
33)  Sherman, L. W. & Gartin, P. R. & Buerger, M. E. (1989) Hot spots of predatory crime: Routine activities and the criminology of place, Criminology, Vol.27, No.1, pp.27-56.‌
34)  Ackerman, W. & Murray, A. (2004) Assessing Spatial Pattern Of Crime In Lima, Ohio', Cities, Vol. 21, pp.4-23.
35)  Weisburd, D. & Lum, C. & Yang, S. M. (2004) The criminal careers of places: A longitudinal study. University of Maryland.‌
36)  Zhang, H. & Tripathi, N. K. (2018) Geospatial hot spot analysis of lung cancer patients correlated to fine particulate matter (PM2. 5) and industrial wind in Eastern Thailand. Journal of Cleaner Production, Vol.170, pp.407-424.‌