社区内部不利状况，如贫困、失业等，是影响当地犯罪的一个主要因素。然而，已有研究表明，这一不利影响不仅限于社区内部，还会在地理位置相近的社区之间蔓延，这一机制被称为溢出效应 (spillovers)。社区居民因工作需要每日跨越社区边界，这可能增加地区间的风险传递，因此，在通过日常通勤相联系的两不相邻地区间也可以观察到溢出效应。本研究根据日常通勤这一联系探讨社区间的日常网络联系溢出效应。良好的社会纽带与互动、社区集体效能、亲社会机构与资源的控制，能够向生活在社会经济状态高度不利、社区内部高度不信任地区的通勤者展示何为一个更安全的社区，从而增强当地的非正式社会控制与集体效能，减少犯罪；反之，工作所在社区的社会失序与不良日常活动模式，会助长越轨社会规范与亚文化，通勤者可能将其带回其居住的社区，从而导致更高的社区犯罪率。基于此，本文作者假设：

　　假设1：通过通勤与之相联系的工作所在社区的社会不利状况与居住地社区的犯罪率相关--社会不利状况的网络溢出效应 (network disadvantage spillovers)。

　　考虑到其他解释社区犯罪的机制可能会混淆研究结果，作者提出并控制了几个混淆因素。首先，由于污名化或是自我强化的社区社交网络，社会状况不利的社区可能与同样弱势的社区联系更为紧密，这是一种选择过程同质化现象。基于此，作者假设：

　　假设2：社区内部的不利社会经济状况可能解释工作所在地网络与居住地犯罪率的关联--选择同质性效应(selective homophily)。

　　其次，如果某社区的居民主要通勤于该社区附近，则周边社区社会不利状况与犯罪的网络溢出效应可能会与空间溢出效应相混淆。研究已发现空间溢出对当地犯罪的影响，如，贫困社区邻近地区的儿童受害率更高。基于此，作者假设：

　　假设3：两地空间邻近度可能解释工作所在地网络与居住地犯罪率的关联--周边溢出效应 (surrounding spillovers)。

　　此外，日常活动理论表明，存在有动机的罪犯、弱犯罪监控环境、理想的作案目标时，犯罪更易滋生。许多犯罪发生在受害者的居住地之外，当居民前往贫困、社会无序的地区工作时，他们可能会更易陷入帮派冲突，感知到更大的威胁，更可能面临暴力和财产犯罪。基于此，作者假设：

　　假设4：犯罪的网络溢出可能解释工作所在地网络与居住地犯罪率的关联--犯罪的网络溢出效应 (network crime spillovers)。

　　暴力犯罪与财产犯罪数据来源于芝加哥警察局，通过研究期间 (2001-2013)每年发生在一社区内的特定类型犯罪的数量除以该社区的人口计算，作者按类别估计犯罪水平，并在三年内进行汇总，以调整随机的年度波动，从而更好地捕捉犯罪模式；通勤流量数据从美国人口普查局LEHD项目获得，对每年社区层面的通勤数据进行汇总；对于社会经济状况的测量基于十年一次的人口普查数据。

　　对于假设1，社会不利状况的网络溢出为与之通过通勤网络相关联的所有地区社会经济状况不利水平的加权平均值，网络权重矩阵根据通勤流量计算得出，从而使与居住地社区联系较弱（通勤者较少）的工作地社区的不利水平具有较低的权重，通勤网络包括在空间上相邻与不相邻的工作地。对于假设2-4混淆机制的测量，考虑到选择同质性的潜在影响，作者测量了社区内部的社会经济不利状况，该综合指标基于对收入低于贫困线的居民比例、公共援助收入百分比、失业率以及有子女的女户主家庭比例的主成分分析计算得出，作者还纳入了被认为与当地犯罪有关的社会人口因素，包括居住稳定性、人口密度以及种族和民族构成；为独立于空间溢出效应检验社会不利状况的网络溢出效应，作者纳入了周边社会经济状况不利水平与犯罪率，分别为某一社区周边邻近社区的不利水平与犯罪率的空间加权平均值；犯罪的网络溢出效应的计算类似社会不利状况的网络溢出效应的计算。

　　本研究采用负二项回归模型，TB体育官方网站因变量是芝加哥地区77个社区总犯罪数与各类型犯罪数，核心自变量是社会不利状况的网络溢出，核心控制变量是社区内部的社会经济不利状况、居住稳定性、人口密度、种族和民族构成、周边社会经济状况不利水平与犯罪率、犯罪的网络溢出效应、及在因变量对应时间之前三年内犯罪总量的时间滞后测量。

　　由于本研究以空间与网络的模式考虑社区间多种类型的关联，违背了常规回归方法所要求的独立假设，尽管存在使用负二项回归处理空间相关性的研究，但将空间效应与网络效应相结合会引入新的相关性。因此，除比较不同模型的AIC衡量模型拟合优度，作者还应用机器学习常见技术，将训练数据（用于拟合模型）与测试数据（用于评估模型准确性）分开，运用留一法交叉验证 (Leave-one-out cross-validation) 进行误差估计，借助两指标--平均绝对误差 (MAE) 与平均相对误差 (MRE)，检测模型过拟合。此外，作者使用计算统计中的置换检验(Permutation tests)，对自变量进行多次重排列，以衡量变量的包含是否以统计显著的方式减少模型误差。

　　描述性统计数据显示（数据及相关描述可参考原文表1），网络犯罪平均值往往高于周边犯罪平均值，而网络社会状况不利水平（2004 年为-0.42）则低于周边 (-0.01) 与内部社会状况不利水平 (-0.04)，且作者进一步发现，内部不利水平与网络不利水平均高于中位数的社区（2004 年占所有社区的 38%），其犯罪率明显高于内部不利水平高于中位数但网络不利水平低于中位数的地区 (12%)，且最贫困社区与最富裕社区建立联系的可能性最小，表明仅考虑空间溢出而忽略网络溢出效应的模型可能会错过重要的社区外犯罪风险。

　　作者随后估计了一系列负二项模型（见表1），首先，仅对社会不利状况的网络溢出与社区犯罪进行回归，结果表明了社会不利状况的网络溢出效应的显著存在（2004-2006年，网络社会不利状况每增加一个标准差，社区总体犯罪率上升0.455 个单位，p0.05），在随后对其他潜在影响机制加以控制后，该效应有所减少但仍显著正相关，支持了假设1。此外，假设2（选择同质性效应）得到部分支持--内部社会不利状况与社区犯罪率呈显著正相关，而人口密度、居住稳定性和种族多样性系数为负；假设3（周边溢出效应）得到部分支持--周边社区社会不利状况的空间溢出效应均不显著，但周边犯罪的空间溢出与社区犯罪率显著正相关；对于假设4，犯罪的网络溢出效应仅在部分年份显著。作者进一步对2004-06年及2011-13年不同类型犯罪（暴力犯罪、抢劫、故意杀人、财产犯罪）进行了估计（见原文表3），控制假设2-4的潜在影响因素后，社会不利状况的网络溢出效应在不同时间对各犯罪类型均显著为正。

　　留一法交叉验证与置换检验结果进一步支持了假设1。比较估计研究期间不同时间段内预测总体犯罪、暴力犯罪和财产犯罪的一系列模型，模型1仅包括社区内部社会状况不利水平和其他人口统计特征，模型2加入周边社会状况不利水平与周边犯罪，模型3增加了网络犯罪，模型4增加了犯罪的时间滞后，最后，模型5纳入了社会不利状况的网络溢出。结果表明，模型5（考虑社会不利状况的网络溢出效应）与其他模型相比，在预测整体犯罪、暴力犯罪和财产犯罪方面具有更高的准确性（MAE、MRE最低，AIC最高，见原文表4）。使用留一交叉验证并对原始样本随机抽取1000个置换后的样本进行置换检验（见原文表5），结果显示，社会不利状况的网络溢出效应对不同年份各犯罪类型的预测具有显著积极影响（p0.05，表示包含该变量会显著减少误差，提高模型准确性）。

　　研究表明了社会经济不利状况的网络溢出效应的存在，居民工作所在地社区网络的社会经济状况更为不利，预示着居住所在社区更高的犯罪率。这一模式在不同犯罪类型和不同年份中基本一致，在控制选择同质性效应、空间溢出效应、与犯罪的网络溢出效应后，社会经济不利状况的网络溢出效应对犯罪的影响仍是稳健的。这一影响与先前活动空间、公共控制、社会解体、及日常活动相关理论的预期相一致，并进一步扩展了这一议题，首次强调了通过通勤相关联的非本地因素对犯罪的重要性。该研究对于社区间相互联通性的关注，及其通过社会网络产生的溢出效应与犯罪间关系的发现，为城市空间与安全相关的公共讨论注入了新的意义。

　　本文为澎湃号作者或机构在澎湃新闻上传并发布，仅代表该作者或机构观点，不代表澎湃新闻的观点或立场，澎湃新闻仅提供信息发布平台。申请澎湃号请用电脑访问。