Trans_Connected in Crime
Papachristos和Bastomski的这篇AJS的文章讨论了一个很有意思的问题，为啥芝加哥的犯罪社区没有集中在一片区域，而且几十年都很稳定在东一块、西一块的。传统研究往往把犯罪扩散当成是病毒传播，这样按物理空间的扩散就可以了，但事实上没这么简单。这篇文章引入了社会网络的视角，换言之，“大家好，我是渣渣辉。系兄弟就来G港砍我！”犯罪也是这样的，这种犯罪网络事实上固化了帮派社区继续做帮派社区。
Papachristos A V, Bastomski S. Connected in Crime: The enduring effect of neighborhood networks on the spatial patterning of violence[J]. American Journal of Sociology, 2018, 124(2): 517-568.
摘要：城市中一直存在着不均匀的犯罪空间分布。虽然学界一直强调空间的扩散过程会加剧这一集中，但既往研究很少考虑关联着社区邻里的人群、团体与行为这个角度，扩散的具体机制始终是模糊的。本文即讨论团伙作案这一特定行为如何直接与间接地搭建了社区邻里间的关联。通过分析卷宗与调查数据，本文发现，个体的团伙犯罪行动纽带在一起创造了“社区邻里的网络”，这一网络加剧了犯罪的时空扩散，乃及连接了所有芝加哥社区邻里。统计数据论述了，这些社区邻里网络（1）随时间推移始终稳定；（2）由重要的结构特征、社会过程和内生网络属性生成；（3）比传统的空间模型更好地预测犯罪的地理分布。
一、引言
社会学家门经常将城市社区描述为城市村庄，每一个社区都有自己的韵律、机构与文化。但即便同一城市中最邻近的社区也彼此在社交上隔着几英里、被民族、偏好与权力分隔，比如富人们在去运动场、音乐馆或博物馆的路上，只会通过车窗瞥到那些弱势群体。同时，那些表面上不同的社区，也许始终不会有直接的接触，但它们却站在相同的位置上。Zorbaugh在1929年的经典研究《黄金海岸与贫民窟》，便记录了这样两个在物理空间上相邻，但在社交空间上远离的社区，芝加哥最底层的社区与最奢侈的摩天大楼仅一墙之隔。无论是因贫穷与缙绅化而分离，或因喜好与影响而相聚，正如Park所写道的，城市社区的合并，给人的感觉就像是“互相拼接在一起的相接却不相融的马赛克图案”。
犯罪在城市社区间的不平等分布，正像是Park式的马赛克图案。全世界既往百年来的犯罪学研究，已经建立了如今我们熟知的社会事实：犯罪大多集中于城市空间。而犯罪在特定社区的集中，甚至说，犯罪在特定街道与街角的集中，产生了突出且持久的城市中的社区不平等。比如，芝加哥64/100,000的杀人率，大部分位于非裔美国人的西加菲尔德公园社区，这一社区的杀人率是白人为主的杰裴逊公园社区的二十多倍，而这后者仅仅在非裔社区北面几英里的地方。这一将少数族裔、贫民窟、（市政）项目与西班牙裔移民社区等同于“危险”社区的做法，不仅增强了社区间的地理隔离，也加强了社区内外的身份认同。在高犯罪率社区居住的人们，由此不得不面临双重不利挑战，一方面是潜在的暴力街道，另一方面则是当他们求职、入学或与政府机关联络时承担的社会污名。同时，在低犯罪率社区居住的人们，则享有着优越条件，他们知道社区间存在着一条边界，保证了他们的相对安全。
然而，最近的邻里效应研究已经产生了越来越多的证据，证明了邻里之间的相互依赖性，也就是说，一个邻里发生的事情会影响到邻近社区发生的事情。特别是犯罪行为，会遵循着超越邻里边界的空间扩散模式。例如，最近一项新泽西州纽瓦克市的凶杀案，研究发现了一个时空扩散过程的证据，该过程始于城市中心，并在20年的时间内向南和向西扩散（Zeoli等人2014年）。这一推理意味着，邻里的社会空间与物理空间的边界可能比人们所期望的那种马赛克式相邻却不相融的特征，更具渗透性。然而，矛盾的是，研究人员继续在小社区中发现大量的犯罪聚集现象，以及高犯罪率社区和低犯罪率社区在空间上临近却并置的现象。
邻里社区间是否是又近又远的、又紧又疏的？是什么连接了他们，什么分割了他们？什么使得犯罪得以突破社区的隐形边界，而另一些没有？犯罪的传播机制一直是被理论忽视或测量忽视的。概念上，学者们假设犯罪得以突破社区边界的是通过几种犯罪行为，比如枪战、贩毒或性服务，在这种考虑下，物理空间的跨越都是基于社会需要与互动。然而，统计模型一直忽视社会行为的互动与运动，而仅仅是用总体犯罪率来建模。（以往都是）通过总体犯罪率的建模来判断社会事实的稳定或变化；但它难以理解能够产生“持久的邻里效应”的微观社会互动的细微差别，这种“持久的邻里效应”反过来会导致所观察到的宏观社会模式的浮现，比如犯罪集中的首要位置。犯罪并不是一种通过空气传播而得以在空间或社会边界上扩散的病原体。相反，随着人们和群体的迁移，会带走他们的行为（犯罪或其他）。为了理解犯罪在时空上的运动机制，我们必须理论化并测量人们互动的途径，这些互动途径使犯罪跨越了原本被认为是不可逾越的社会与空间边界。
目前研究分析了某一特定路径如何影响犯罪的扩散：个体间的团伙作案（co-offendig）模式。团伙作案，即当有两个或两个以上的人因为一起犯罪而被警察同时逮捕，我们便记录下来。这一团伙作案囊括了各种犯罪行为，从帮派组织的高度协作的贩毒，到每日都会上演的突发的街头混战。本文假设微观互动如团伙作案是理解犯罪的时空扩散的关键路径，并且这一路径可以被精确与稳定地加以量化。我们将这一跨越社区邻里的可测量互动视为社会关系，社会关系可以传递社会规范、想法，乃及作为犯罪行为的必要支持。
1、本文基于芝加哥超过六年（1999到2004）的逮捕卷宗，识别分析了所有罪犯间的团伙作案网络。基于芝加哥警局（CPD）的行政档案与来自于芝加哥社区人类发展项目（PHDCN）的调查数据，我们发现每个孤立的团伙作案行动，最终汇聚创造了一个广大的“社会邻里网络”，促成了犯罪行为的时空扩散。描述性分析展示了172，714个罪犯（全城人口的6%）的团伙作案纽带形成了一个网络，这一网络为所有芝加哥社区邻里提供了直接与间接的路径（连接）；换句话说，芝加哥所有的社区因很少的团伙作案犯罪而得以连接，而不管它们间的社会距离与空间距离。
2、随后，指数随即图模型（ERGMs）与网络自回归模型则表明，社区层级的团伙作案网络是：（1）随时间而愈发稳定的；（2）由重要的结构特征、社会过程和内生网络属性生成；（3）比传统的空间模型更好地预测犯罪的地理分布。
二、犯罪的集中与扩散
犯罪并非是个人的道德性的，而是社会性的。Shaw and McKay在1942年的田野调查论述了，尽管人来人往，芝加哥六十余年间高犯罪率地区始终是那几个。虽然人口数量的变化是犯罪率的显著指标，但犯罪的不平等分布更关联着特定社区的结构条件，这些社区条件反过来又助长了犯罪、削弱了社区规范其自身的能力。
随着经济的去工业化，城市中的人口结构又一次经历了转变，社区的生态学研究也逐渐衰落。基于工业产值鼎盛时期，即优白人为主的社会流动经验而产生的理论，在分析晚近南部来的黑人移民与拉丁美洲的新移民而言，不太管用了。
但Wilson在1987年的《真正的弱势》一书，通过讨论去工业化对种族与民族社区的社会和经济孤立的影响，使社区的理论化进程再度兴起。Wilson认为，结构性不平等与弱势黑人社区的割礼，限制了弱势社区居民们的生活机会（life chances）。1990年后，社区效应研究再度繁荣，极大地拓宽了研究范围，包括对一系列重要结果的研究，如认知能力、少女怀孕和心理健康状况；而这些研究中最有力的新发现之一是犯罪在城市空间中存在聚集，且持续存在的犯罪在社区分布上的不平等与其他社会问题的聚集密切相关，如弱势的社会经济和不良的健康状况。
Peterson and Krivo（2010）年通过对美国91个城市中9593个社区的调查表明，非裔美国人社区的暴力犯罪率是白人社区的3.27倍，只有1/5的非裔美国人社区，其暴力犯罪率同9成的白人社区一样低。犯罪的空间分布不平等同结构不平等紧密关联。Sharkey（2014）年的调查也论述了这一点。
上述大量研究支持了马赛克式的社区看法，犯罪率的高低直接受社区的地理边界影响。但是社区明显也不是彼此间毫无联系，早期芝加哥学派强调社区虽然彼此独立，但都是更大的城市系统的一部分，我们观察到的社会模型是不平等的社会经济条件与资源形塑的。隔离、移民与缙绅化进程深刻影响了城市人口的分布，也阐述了为什么某些社区的犯罪率始终很高，而某些社区始终很低。社区间本质是互相联通的，已经被晚近很多跨越社区边界的犯罪行为的研究所论述。特别地，即使在调整了已知有助于犯罪的地方条件后，高犯罪率仍经常同时出现在两个空间上临近的社区，也即是说，临近地区的暴力会增多社区的暴力犯罪。一些学者认为，犯罪行为跨越邻里边界的时空扩散，表现出了与公共卫生流行病中发现的感染相似，例如从局部点源向外扩散。
一方面，在地居民间的遵从社会规范纽带的缺席或无力一直是被视为社区整合的妨碍，社会纽带的密度强弱关系到社会机制的活力、居民间的信任程度与为公共财而达成社会关系的能力；另一方面，犯罪性纽带则可以达成稳定性并传递犯罪的价值观与机会。社会学习理论就强调同龄人网络会影响个体也获得犯罪价值观与犯罪技能；机会与日常活动理论也表明可能参与犯罪或违法行为。总之，社会网络是理解的关键。
因此，理论与方法上的挑战，主要就是犯罪如何在邻里社区间传播。在既往社区效应与网络效应的讨论中，主要区别在于这种传染是暴露式驱动的（Contagion by exposure），还是扩散式驱动的。暴露式驱动的主要是指跨越街区的犯罪行为主要是因为不断升级的条件导致了跨街区犯罪，这种情况包含了社区结构条件如社会不公的日趋严重，也包含了微观现象如贩毒市场中毒品价格的提高；在这种暴露式驱动的案例中，传染是在总体上发生的，被建模了的。相反，由扩散式驱动的社会传染现象需要社会联系，特别是重复地互动。在这方面的研究试图区分几种促进传染的联系类型与网络类型，比如说芝加哥、波士顿与洛杉矶的研究都表面了，最初产生冲突的几个街道帮派也会不断地参与随后的一些暴力活动，同当前研究十分近似的，社区邻里本身经由帮派竞争的网络联系起来。
思考到底是什么驱动了犯罪的社会传染，让我们回到了本文引言部分的讨论：通过地理空间的临近（geographic proximity）与社会空间的临近（social proximity），在多大程度上导致了犯罪的扩散。主流观点认为地理空间临近是犯罪得以跨社区的主导因素，从这个角度出发，人们大多会同其住的近的人产生关系，“无论是潜在的婚姻伴侣，亦或犯罪搭档。”这一观点重视空间乘数效应（ spatial multiplier effect），即某一社区不仅会被其社区邻里影响，还会被其邻里社区的邻里社区影响，尽管这个二次影响较小（但真实存在）。社区被概念化为一个更大的空间关系网络中的独立节点，而不是一个分析的基本单位，网络中的主要联系（ties）是基于地理定义的。大量经验研究显示，即便在不同的地理层级，犯罪的扩散都是空间结构的。因此，这一路径长久以来被视为足够有解释力的模型。
但是，学者们晚近开始讨论地理空间临近并不能解释犯罪的社会空间联系与犯罪的扩散。沿着Zorbaugh的经典研究与Blau的理论，这一脉络思考社会空间的临近被愈发重视。一些学者认为，空间上无界限的社会联系是现代城市的特征，这一社会联系可以跨越两个地理上遥远的社区。从这一角度看，城市居民可以社会性关联很远地理距离的其他人。很多犯罪方面的经验研究支持这一观点。
当然，故意地将地理距离与社会距离对立地讨论，会忽视真实情况可能是二者并行地影响犯罪行为的扩散进程。单独讨论二者其一，无论是理论还是方法，都是很难的。既往研究犯罪扩散的常规方法是应用空间数据分析与空间回归模型，空间回归模型也可以被用做为社会影响模型，因此可以被修正来研究非空间的扩散进程。分析的第一步也是最重要的一步，是阐明影响犯罪的传染扩散的真实进程。
具体地说，某一关于扩散机制的理论，需要为权重矩阵“w”的构造提供依据，w用于检验因变量（在这种情况下，是指邻里犯罪率）的自相关；显著的因变量的自相关，将成为暴力或其他犯罪行为的社会扩散进程的指标。因此，如果某一扩散理论是基于空间临近的，那么权重矩阵将包含一些邻里之间地理距离的度量；相反，如果一个人的扩散理论是关于社会邻近性的，那么权重矩阵将由社会关系的一些度量构成。
随着网络科学的进步，学者们开始使用真实网络数据，而非简单估计社区间的社会联系。这一路径，随着方法论的革新，更精准地阐述了犯罪与暴力的扩散机制，特别是微观社会互动的潜在路径。传统空间回归模型将犯罪的扩散视为病毒式样的，忽视了实际上社区间的社会联系作用。理解个体间社区内或跨社区的社会关系的精确网络结构，是秒回犯罪与暴力行为传播路径的关键一步。本文就某一理论上关联犯罪扩散的特定行为展开论述，这一行为可以被很好的量化，即团伙犯罪（co-offending）。
三、团伙作案如何连接了城市的社区邻里
This line of research explores co-offending not simply as a characteristic of crime and delinquency, but also as an important factor influencing criminal careers and crime patterns
co-offending creates a network structure that links the places in which these individuals reside.
If these behaviors are more than just a passing interaction—in other words, if they represent regular,
whether co-arrest events captured in our data create a “network of neighborhoods”
whether neighborhood co-arrest networks are better predictors of neighborhood crime patterns than more traditional spatial explanations.
四、数据与限制
our estimates of co-offending based on co-arrest are lower than the true population of co-offending in Chicago
not sensitive to the arrest or co-arrest patterns of unique individuals who, more generally, tend to desist from crime over time and rarely get co-arrested with the same other person more than a single time
overestimated the proportion of co-arrest.
our co-arrest networks rely more heavily on certain types of crime—especially involving young people—to connect Chicago neighborhoods.
arrest records may more accurately reflect police activity than true levels of crime
perhaps it is policing tactics or biases that connect the city in crime and not co-offending alone?
But false-arrest complaints do not display the sort of spatial clustering that corresponds to the spatial distribution of co-arrest, suggesting that our net- works are not severely biased by this particular type of police misbehavior.
五、研究方法
a person-level co-arrest network (who is arrested with whom)
converts a two-mode neighborhood-by-arrest matrix into a one- mode neighborhood-by-neighborhood matrix
cell indicates the number of offenders living in neighborhood i who were arrested with offenders living in neighborhood j.
（一）分析策略
1、描述性分析
2、指数随即图模型
establish the basic factors that are associated with the formation of co-arrest ties among neighborhoods.
3、空间与网络自回归模型
how the observed co-arrest networks influence the diffusion of crime across Chicago
Combining these two types of information as one weight matrix would obscure this the- oretical point.
We then used Lagrange multiplier (LM) and robust LM tests to examine OLS results
六、变量
(1)社区邻里结构特征；(2)抢劫；(3)集体效能；(4)社会距离与空间距离；(5)网络结构；(6)杀人案，其中集体效能的定义是：
collective efficacy measures a community’s capacity to informally control deviant behavior and take action around shared interests and values
七、分析结果
（一）描述性结果
the graph density of .29 indicates that ap- proximately 29% of all possible ties that could be present are, in fact, pres- ent.19
19Graph density, D, is measured as the ratio of the number of edges to the number of pos- sible edges, excluding loops or self-ties
a neighborhood is directly connected to approximately 28% of all other neighborhoods in the city.
the social distances created by these neighborhood co- arrest networks appear to reproduce themselves over time, even though individuals responsible for co-offending are, by and large, unique to each year
（二）团伙被捕联系的变化
how individual neighborhoods, which vary in terms of geographic location, are con- nected more or less strongly within the citywide network
it is possible that other types of network, group, or interpersonal ties might be more impor- tant for structuring crime than geographic proximity.
what other factors contribute to the formation of this criminal network? We investigate this question more explicitly using ERGMs in the following section.
八、ERGM结果
how a given neighborhood’s characteristics are related to the likelihood of forming co-arrest ties with other neighborhoods.
Here we see that concentrated dis- advantage and concentrated immigration both increase the likelihood of forming co-arrest ties. Higher levels of robbery between 1994 and 1998 also increase a neighborhood’s chance of forming ties. By contrast, higher collec- tive efficacy is shown to substantially reduce co-arrest ties between neigh- borhoods. After incorporating these other measures, population has little in- fluence on tie formation.
DSP taken together with the significant negative coefficient for the ESP term indicates that there is not a strong tendency toward triadic closure in this net- work but, rather, a tendency toward the creation of two-paths.
concentrated disadvantage is robust
collective efficacy is clearly a protective neighborhood attribute,
the effects of spatial and social distance are somewhat independent of each other
Thus, neighborhoods that lack a direct connection are likely to be indirectly connected through one or more shared partners
（一）空间与网络滞后模型
Having established how co-arrest ties form across Chicago’s neighborhoods, we next test whether our network data improve our understanding of how crime spreads across the city.
a Moran’s I test for spatial autocorrelation in model 1 residuals is significant and positive, indicating that this is indeed a problem and that using OLS is inappropriate here.
as there is less autocorrelation in the residuals from the network model.