主要

2020年3月11日,世界卫生组织宣布COVID-19全球关注的突发公共卫生事件。在世界卫生组织的声明,国家和地方政府实施一系列措施减缓病毒的蔓延(“平曲线”)和缓解压力的卫生保健系统。统称为“锁定”措施在大多数国家,规定包括全职的某种组合命令,旅行禁令,关闭学校和地方的娱乐和限制公共和私人聚会。策略旨在限制整个人口的流动通过措施要求或建议居民不离开家,除了“基本”活动可以说是最具侵入性的政策,与广泛的间接影响社会,经济和人权1。空间流动数据显示,在所谓的高峰期lockdown-in 2020年3月和4月下旬——日常运动相关的零售和娱乐已经下降了80%以上在许多国家在欧洲和拉丁美洲2。

在这项研究中,我们审查的程度的限制在27个城市在美洲,欧洲,中东和亚洲的水平变化的相关六的警方记录在案的犯罪类型。城市代表一个大变化的措施有关的限制。他们从主要是自愿建议避免公共空间(例如,在瑞典马尔默和斯德哥尔摩)完全停止的最基本的活动,根据应急立法和实施实质性的处罚违反规则(例如,在秘鲁利马)。这让我们将大大超出了先前的研究在单一城市进行评估犯罪过程由全职的普遍性的限制。

各种犯罪理论研究如何突然坚持限制人口流动造成的,例如,自然灾害,停电或流行病影响犯罪水平3。个人理论和结构应变表明,这样的限制增加压力和负面情绪,如焦虑、沮丧和愤怒,从而导致增加犯罪动机4。在这个紧要关头,社会隔离和减少自由运动与COVID-19遏制政策预期提高水平的压力和减少访问支持对虐待儿童的影响5,家庭暴力6和物质使用7。机会理论和日常活动理论,相比之下,每日走势表明,全职政策打断了时间和空间的合适的目标,能够监护人和激励罪犯大多数犯罪,尤其是犯罪在公共空间中,提要8。他们因此预测,犯罪率下降整个城市人口的流动是受限制的9。

尽管一些早期研究表明,暴力和非暴力犯罪下降了,规定是强加的,也有证据表明,COVID-19对犯罪的影响不是普遍的跨国家和跨不同类别的犯罪10,11,12。相反,机会结构针对不同类型的犯罪,盗窃的机会和一个变化可能不会与改变攻击的机会13。例如,某些财产犯罪的机会,盗窃、抢劫等,取决于人们的日常流到商业领域和附近的交通节点提供一个高容量合适的目标和动机罪犯进入/退出路径,并可能因此下降特别强烈的锁定措施14,15。同样,大多数人整天呆在家里,更少的房子无人看管和住宅盗窃可能变得更加困难,而商业建筑可能变得不那么监督,因此一个简单的目标9。同时,夜间休闲活动的关闭和酒精消费在城市中心大大减少潜在的暴力冲突在年轻男性在公共场所,家庭暴力的可能性增加受害者发现更难找到的帮助和支持16。最后,警察服务也需要调整优先级和重新分配资源来进行检疫检查,执行社会距离和制定边界控制17。

结果

全职限制犯罪的影响

COVID-19大流行和随后的限制代表一系列的“自然实验”全民变化影响的例程,社交和公共空间的使用。中断时间序列(其)设计可以用来评估治疗的影响而占pre-COVID-19犯罪趋势18。其分析提供一个估计的变化水平的犯罪时间序列的“中断”后,虽然会计等潜在的混杂因素的长期趋势,自相关和其他时变混杂因素19。在一个分析,假设是,没有干预(即COVID-19限制),就没有干预前的变化趋势18。

我们分析的因变量是警方记录在案的日报报道犯罪犯罪事件为六大类:攻击、盗窃、入室盗窃、抢劫、车辆盗窃和谋杀。确保犯罪类别尽可能类似的情境,我们利用国际犯罪分类的定义用于统计目的20.当收集犯罪和聚合数据供参考每个站点(补充表3)。并不是所有的犯罪类别对每个城市是可行的,并在某些情况下某些罪行不被当作独立的类别。例如,在首尔,从抢劫盗窃不是单独考虑,机动车盗窃不是区别盗窃。确保犯罪类别尽可能类似,我们排除了这些组合结果分析(补充表4- - - - - -10)。

当前分析处理变量是一个哑变量定义的日期全职限制或建议首次实现在每个城市,州/省或国家(补充表11)。全职的影响限制建模作为一个阶跃函数,即0代表时间之前和之后(如果适用的话)的实现全职限制,全职期间和1代表了时间的限制。通过这种方式,阶跃函数估计的程度直接影响了犯罪的限制在干预期间。

给定的数据的统计性质,跨城市日常犯罪事件的频率的变化(从0 > 500日常事件),在目前的分析我们估计泊松使用logit-link函数广义线性模型。这种灵活的方法提供了一个估计的水平变化在犯罪事件的实现的限制。所有测试都是双尾,和模型为季节性调整,自相关和潜在的离群值。此外,我们包括日平均温度在摄氏协变量占潜在犯罪更高的温度波动21。

作为第一步,我们进行了一系列的描述性分析评估犯罪之前和之后的变化实现COVID-19全职的限制。首先,我们计算了平均每个城市的犯罪数量和类别之前和之后的实施限制(补充表15)。第二,我们策划日常犯罪数量的7天移动平均每个城市和犯罪。移动平均趋势是索引等于100年的日期的第一个全职实施限制。通过这种方式,我们可以比较的方向趋势之前和之后立即限制在城市不同程度的犯罪。平均为每个类型的犯罪趋势(图绘制与每个城市的趋势。1)。补充无花果。1- - - - - -6现在城市的移动平均趋势分解和犯罪类型。完整的(不)时间序列为每个城市和类型的犯罪情节可以在补充无花果。7- - - - - -25。

图1:七天移动平均时间序列日常数量的犯罪的情节。
图1

一个,攻击(n= 23)。b盗窃(n= 20)。c抢劫(n= 24)。d、盗窃(n= 16)。e、车辆盗窃(n= 20)。f杀人(n= 25)。每个时间序列索引等于100天的第一个全职实施限制。蓝线表示平均趋势在所有可用数据的城市。零时间的日期全职实施限制。

全尺寸图像

描述性的结果表明,全职限制与减少所有类型的犯罪,除了杀人。例如,在巴塞罗那警方记录在案的盗窃每天从平均下降385.2到38.1(补充表15)。然而,仍然有大量犯罪类别和城市变化的大小和方向犯罪趋势后的实施限制。随着时间的推移,意味着犯罪的趋势开始回到预处理的水平。

接下来,我们估计的规模水平变化在日常犯罪,可以归因于全职限制使用它的分析。趋势分析的六个类别的警方记录在案的27个城市日报报道犯罪事件导致超过100的估计效果。总结这些信息,我们使用meta-analytical技术来估计的总平均效应全职(表限制为每个类型的犯罪1)。的估计效果,表示为发病率比(IRR)和95%置信区间,提出在无花果。2和3分别对暴力和财产犯罪。假设测试的大量增加的可能性,我们可以发现一个重要的结果由于机会。因此,我们敦促谨慎在解释个别城市的结果。分解的影响大小和总结影响城市补充表中是可用的16。在我们的示例中,犯罪总体下降37%后实施的限制。

表1总结影响大小使用任何可用的城市从荟萃分析犯罪类别
全尺寸表
图2:IRR和95%可信区间的全职限制每日暴力犯罪的数量。
图2

一个攻击(n= 23)。b抢劫(n= 24)。c杀人(n= 21)。整体总结影响估计使用随机整合技术。ES,影响的大小。长官(天),全职限制下的天数从2020年初到各自的结束时间序列从5月到2020年9月。全部结果由市和犯罪补充表中可以找到17。

全尺寸图像
图3:IRR和95%可信区间的全职每天限制财产犯罪的数量。
图3

一个盗窃(n= 20)。b、盗窃(n= 16)。c、车辆盗窃(n= 20)。整体总结影响估计使用随机整合技术。ES,影响的大小。长官(天),全职限制下的天数从2020年初到各自的结束时间序列从5月到2020年9月。全部结果由市和犯罪补充表中可以找到17。

全尺寸图像

攻击,总结影响表明,全职限制的实现是降低35%在日常攻击(无花果。2)。的我2值为98.4%表明异质性效应大小在城市和犯罪结果(表1)。同样,抢劫效应大小不同的城市,但是没有城市经历了一个显著增加每日抢劫事件后的数量限制。水平变化的平均大小限制为46%。

杀人的结果表明,整体有一个边际每日杀人的数量下降后实现的限制(14%,无花果。2摄氏度)。然而,只有三个城市(卡利利马和里约热内卢)看见一个杀人案的显著降低。的我2统计(54.6%,表1)表示相对较少的异质性的影响相对于其他犯罪的结果。

入室盗窃的效应大小的分布范围从一个下降84%(利马)增加38%(旧金山)日常事件的数量。总结的影响相对较小,与进攻相比,在盗窃平均下降了28%后,实施限制。

所有可用的城市数据盗窃经历了一个急剧下降的数量的日常事件,然而我2统计(99.2%)仍然显示高水平的城市之间的异质性。甚至城市限制较少,更多的自愿的建议(例如,马尔默和斯德哥尔摩)边际日常盗窃的数量下降。车辆盗窃的结果也表明,异质性效应在城市,与8的18个城市经历没有显著改变事件后的数量限制。平均下降在城市车辆盗窃是39%。

严格限制和规模的下降

下一步是评估为什么我们找到这样的异质性效应大小的城市。可以归因于异质性的影响大小,例如,本地或国家政策的变化特征。我们估计变化影响的程度大小与全职的严格限制和更广泛的COVID-19-related遏制政策。测量严格,我们从牛津政府响应跟踪文档和编码COVID-19政策回应22。全职的严格限制测量范围从0(没有办法)到3(不要离开家以最小的例外)。

为当前的分析,我们把全职分数的平均值之间的第一天实现取消限制或时间序列的最后,哪个先(补充表11)。使用mixed-effects多元回归技术,我们能够评估是否更严重限制日常活动与更大的下跌在日常犯罪(即大小更大负面影响)。

结果在表2认为更严格的全职限制与更多负面影响大小为盗窃、抢劫、盗窃和汽车盗窃。从本质上讲,这意味着更严重的限制“不必要的”运动和活动是与犯罪明显增大下降有关。而攻击的系数是负的,协会并不重要,传统的阈值为0.05。然而,检查散点图表明,巴萨可能局外人(补充图。26)。巴塞罗那排除在多元回归分析时,更严格的全职限制相关的负面效应大小攻击(补充表19)。的调整R2盗窃和抢劫的值表明,全职的严格限制约占35%的变异尺度效应在城市。

表2全职的严格限制和多元回归结果总体紧缩指数大小的全职命令警方记录在案的犯罪的效果
全尺寸表

额外的分析

作为一组额外的分析,我们评估其他COVID-19-related政策反应的可能性可能占的变化相反的影响的大小,或除了全职的限制。例如,基于应变的角度,我们可以预期下降,小城市和环境有更少的经济支持那些受失业或经济压力大流行。这将是由于个人经历应变由寻找替代方案,积极应对可能非法收入的机会。此外,由于全职限制通常是与广泛的政策,实现监管的休闲活动,例程和机会,我们还研究了总体紧缩指数之间的关系和影响大小为每个类型的犯罪。

结果表明,更严重的限制学校开放,在家工作,公共活动、私人聚会和内部运动不显著相关(补充表大小的影响21),但有一个例外:更严格的削减或关闭公共交通与更多的负面效应大小汽车抢劫和盗窃。更多的经济支持与尺度效应的变化无关任何类型的犯罪。总体紧缩指数的结果通常是符合全职限制的主要发现,通过更严格的遏制政策的组合与更大的下跌入室盗窃、抢劫、盗窃和盗窃。然而,模型比较适合(调整R2值)表明,占整个组合政策反应不显著改善模型。

进一步,而紧缩指数和分类指数中提供系统和类似措施COVID-19遏制政策的国家,他们不提供一个测量实际的行为改变。因此,我们进行了额外的分析来评估之间的关系变化迁移指数作为衡量谷歌COVID社区迁移报告23,24和影响大小为每个类型的犯罪。二元流动措施和紧缩措施之间的相关性表明,更严格的全职限制访问商业与更大的下降位置和公园,以及增加用户留在他们的住宅(补充表14)。结果使用流动性指数通常与结果使用紧缩指数措施,即城市在公共空间的使用有了很大的下滑看到更大的减少犯罪,除了杀人(补充表22)。

讨论

在这项研究中,我们检查了警方记录在案的犯罪趋势在引进后全职在全球27个城市政策。我们的研究结果表明,全职政策与城市犯罪大幅下降。平均而言,整体犯罪率减少所有包括城市−37%。他们认为城市流动的突然下降引发的全职政策减少机会和增加监护与许多大容量的罪行。换句话说,正如所期望的经济和犯罪学的机会理论,我们发现强有力的证据表明犯罪率快速响应不断变化的机会结构和约束,和改变犯罪水平并不一定需要大规模的犯罪动机的变化15。至少在短期内,日常活动的变化而不是心理和社会压力的增加是主要机制,影响整体犯罪水平的变化。我们没有发现证据支持或反对位移的影响从一种类型的犯罪转移到另一个犯罪的范畴内了。然而,缺乏高质量的可比数据意味着我们不能检查的可能性,大量的强制性和财产犯罪也搬到网上,平行于日常生活活动突然转变。

目视检查的犯罪趋势由全职订单表明下降的开始是短暂的,最大下降约2 - 5周后的实施措施,逐步恢复到先前的水平在随后几周(图。1)。这与先前的研究在澳大利亚进行25和中国26发现立即下降,公共空间犯罪如盗窃、入室盗窃和交通犯罪经验的封锁时期迅速逆转放宽限制。未来的研究应该检查这些长期趋势是否犯罪水平反映的逐渐放松限制在6月,2020年7月和8月,还是他们,而信号的累积较慢,菌株由于社会和经济破坏经验特别是弱势群体的年轻人。

在城市,城市的快速减速对类似的犯罪活动有相当的影响类别,尽管变化大小、地理位置和社会结构。杀人的最小平均减少−14%。是最大的抢劫和盗窃和−−46%和47%分别与减少盗窃(−28%),车辆盗窃(−39%)和袭击(−35%)。我们观察最大的罪行涉及影响动机的收敛性犯罪者和合适的受害者/公共空间的目标,可能是因为潜在的受害者更少花时间在市中心区域浓度等犯罪热点地区的商业和娱乐场所2。同时,努力监督遵守全职法规可能增加正式的社会控制城市空间的水平9。

相比之下,减少对杀人更有限。较小的凶杀案下降可能是由于很多因素。首先,在许多社会中,大部分杀人案承诺在国内环境中,因此不受日常遇到的密度减少在城市。第二,不同比例的杀人与有组织犯罪有关,有关贩毒团伙之间的矛盾或冲突。这些团体的行为可能不弹性变化的日常工作没有参与有组织的犯罪。在这种背景下,传统的犯罪在墨西哥城拒绝犯罪与有组织犯罪相联系(杀人、敲诈勒索和绑架)没有12。然而,这种说法并不总是成立。更具体地说,在研究的三个城市(卡利,利马和里约热内卢),大部分杀人案是帮派成员。然而,杀人水平大幅下降后,在每个城市居家订单。一个可能的解释是,犯罪集团利用危机加强他们的权力强加自己的宵禁和限制运动在他们控制的地区27。

减少盗窃有可能与增加非正式社会控制在时钟有住处被占领,因此提供更少的机会盗窃被干扰的风险较低。然而,我们注意到,许多城市,不可能区分住宅和商业盗窃。额外分析城市这样的分离是可能表明,符合这些论点,商业盗窃在很大程度上影响全职订单而盗窃反对私人前提(补充图更有可能下降。28)。

最后,我们检查是否变化的严格封锁在犯罪的数量变化的预测。结果表明,更严格的限制有关要求/建议呆在家里与更强的犯罪率下降(图。4)。额外的分析表明,这主要是全职要求与更大的下降,在其他遏制政策通常不明显下降,并使用总体紧缩指数通常没有显著改善模型(补充表21)。我们发现一些系统的“弹性”的差异不同的犯罪类型,也就是说,在变异的程度COVID-19-related严格的限制与犯罪的变化水平。这表明,也许令人意外的是,所有的犯罪类别包含在这个分析回应同样的变异程度上限制的日常运动。

图4:散点图描述二元关系总体平均下降犯罪全职的城市和严格限制(n= 27)。
图4

总体平均下降是计算使用总结影响大小为每个城市报道补充表17,预计平均下降之间的线性关系和全职紧缩指数(虚线和阴影区域)和95%置信区间(阴影区域)。

全尺寸图像

人们必须记住比较集中的分析是不可能的,例如,进行更细粒度的分析上下文特征。例如,我们希望袭击案件的区别的地方会显示,攻击在周末夜晚活动的热点拒绝更多更严格的封锁,而暴力在国内环境中可能没有拒绝或甚至可能增加。我们的结果可能隐藏一个更复杂的图像特征是邻里异质性的独立和依赖的变量。研究表明,在芝加哥有异质性在社区和遏制政策的影响只有一小部分社区经历了显著减少犯罪。变化取决于犯罪的类型(例如,盗窃,攻击,narcotic-related罪行和抢劫),社区犯罪特征(例如,以前水平的罪行,对安全性和警察局的存在)和社会经济特征(空置住房、收入多元化、贫困、年龄结构了邻居和邻居的健康自评)28,29日。更重要的是,在印度的研究已经表明,更高的封锁严格限制在城市地区与低水平的经济动机的犯罪和更高水平的针对妇女的暴力行为吗30.。进一步研究不同城市和micro-places需要提供进一步的洞察当地环境的调节效应的影响COVID-19限制犯罪。

尽管这里给出的结果扩展知识COVID-19限制犯罪的影响在国际背景下,研究并非没有限制。我们承认,城市纳入分析的样本是随机和占主导地位的城市坐落在欧洲和美洲。此外,依靠官方记录犯罪数据与漏报的问题和犯罪的变化定义和操作优先。警方记录有著名的报告/记录的问题,这取决于类型的犯罪,受害者愿意报告,刑事司法和卫生机构的工作原理及其制度的实践,这可能是异构的,特别是更多的问题在低收入和中等收入国家31日。这些测量问题可能更强调在大流行期间,因为它可能会影响报告犯罪受害者的意愿32。同时,警方应对犯罪也会变化,因为员工的缺勤由于COVID-19,增加感染肝炎病毒的恐惧甚至转移警察资源替代执行封锁等任务25,30.,33。然而,使用替代能源的研究部分验证我们的结果。最近的一项研究在威尔士急诊用于暴力伤害表明封锁措施影响了暴力的减少在外面没有观察到显著差异在暴力事件在家里34。我们也承认,识别影响犯罪的具体政策组件水平仍然是一个挑战在宏观层面比较分析。各国,一系列措施,影响市民的日常运动大致在同一时间实现。我们的分析表明,全职政策起到了至关重要的作用。然而,需要更精确的分析理解其他措施的程度(例如,关闭酒吧,限制公共交通和关闭学校)和变异的执法与犯罪趋势的变化有关的地方在一个城市。

未来的一个重要区域比较研究探讨潜在的公共空间位移等非接触式犯罪犯罪诈骗和网络犯罪,我们无法测量。研究各个国家的上下文中提供了一些家庭暴力从公共空间位移的罪行的证据32,35。有一些初步的证据显著增加网络犯罪的最严格的封锁期间在英国,这是解读为位移从线下到线上环境犯罪的机会36。限制公共空间可能也导致了私人空间位移的犯罪。Piquero和他的同事们最近的一项荟萃分析表明,强有力的证据显示增加家庭暴力的流感大流行期间使用多个来源的研究除了警方报告(例如,紧急热线登记、健康记录和其他行政文档)32。这表明,未来的研究应该考虑限制紧缩的影响在城市和国家转变的程度在国内犯罪从公众领域。

最后,重要的是要强调COVID-19-related遏制政策的影响必须考虑犯罪的趋势在全球下滑的大背景下在某些类型的犯罪,包括杀人37,38,39,40,41和车辆盗窃42技术驱动的罪行,盟军的增加和大流行的潜在效应加速这一趋势。

世界各国政府采取的措施来控制COVID-19继续对社会生活的各个方面产生深远的影响。他们是一个机会,增加我们对社会的了解过程,包括那些参与全市犯罪的因果关系的水平。随着危机的发展,城市和国家不断调整其公共卫生策略。一个至关重要的下一步是检查长期全球动力学在更多的城市。同时,我们还需要补充这里提出的比较宏观分析与控制措施如何影响犯罪的分析micro-contexts如犯罪热点地区的趋势。

方法

犯罪数据

每天犯罪数据收集来自27个城市代表全球23个国家。城市被选为了最大化地理覆盖和捕捉一系列的应对政策旨在减少COVID-19的传播和蔓延。我们每天寻求犯罪侵犯的数据,盗窃、抢劫、盗窃、车辆盗窃和谋杀对当前分析。

试图每天聚集数据从危地马拉、牙买加、罗马尼亚、挪威、意大利、约旦、南非、加纳、印度、菲律宾、台湾、中国和日本。然而,数据无法访问情况,不可用数据每日间隔或拒绝。数据,旧金山,芝加哥,多伦多,温哥华Muzaffarpur,布里斯班,奥克兰,门多萨和墨西哥城在警察局或城市网站上公开43,44,45,46,47,48,49,50,51。

数据门多萨指门多萨省,其中的大多数人口居住在门多萨的大都市。日常数据收集在门多萨省主要市区的技术和程序上的原因,这意味着数据很大程度上反映了城市人口。数据Muzaffarpur指Muzaffarpur区,约9%(473000)生活在城市地区内剩下的人口居住在农村地区52。苏黎世的数据指的是州的领土,这是主要的城市。额外的信息来源和定义可以补充表中找到2- - - - - -9。

时间序列的“日期”是指犯罪行为可能发生之日起,警方记录。在这种情况下,这些信息并不是可用的(即阿姆斯特丹和圣保罗),使用报告的日期。在墨西哥城,观察是指刑事调查发起的数量。因为并不是所有犯罪调查报告,在这种情况下,数字可能低估的体积的犯罪报告给警察。对大多数城市来说,时间序列从2018年或2019年1月1日开始和结束在最近的日期。时间序列信息和可用的犯罪类别为每个城市提出了补充表10。

“治疗”变量

COVID-19全职的限制

城市的治疗效果的全职限制犯罪事件测量使用哑变量,即1代表了在此期间限制,0代表周期前(或后)的实施限制。

的日期限制或建议实现跨城市并不总是明确的。在某些情况下,限制实施零碎的地方随着时间的推移,和在其他情况下政策在全国范围内实施。在这些不太明确的情况下,我们从我们当地的合作者依赖信息,辅以信息从牛津COVID-19政府响应跟踪22以及当地媒体资源。补充表11提供摘要信息包括开始和结束日期(相关)COVID-19反应对于每个城市,重点是全职的限制。

协变量的模型

城市气候数据来自国家环境信息中心53。信息丢失了某些城市和日期,我们手动提取数据从地下气象(www.wunderground.com)。秘鲁利马的气候数据没有提供2018年1月1日至2018年5月。

此外,我们包括每年的人口作为一个偏移量在所有模型。每个城市人口数据是来自联合国世界人口前景54。卢布尔雅那的人口数据,电话Aviv-Yafo和瓜亚基尔,分别从斯洛文尼亚共和国的统计办公室55以色列中央统计局56和国家研究所的统计数据和厄瓜多尔的人口普查57,分别。预计Muzaffarpur的人口数据是来自IndiaGrowing网站52。

中断的时间序列分析

其分析估计使用泊松logit-link函数的广义线性模型。一个重要的潜在的“来自季节性或长期趋势18,19,58,59,60,61年。季节性通常可以直观地通过周期性识别模式58。对于日常犯罪数据,有几个潜在的季节性模式,必须加以解决。犯罪模式被发现增加定期在夏季59和某些犯罪,比如攻击,更有可能发生在周末与平日相比60。基于视觉检验时间序列的情节,我们控制了季节性趋势使用一系列虚变量代表的月,周和/或星期58,59,60,61年。

另一个方法论的问题解决在其自相关分析。自相关是指两个观测之间的相似度的,它违背了独立性的假设58。可以确定系统的残差之间的自相关模式,然后可以占在回归模型更准确的估计的影响62年。两个常见的模型参考自回归过程和移动平均过程。一个自回归过程识别滞后之间的相关性的观察和模仿,包括过去的价值观回归模型的结果58,62年。移动平均过程指的是残差系统模式,可以模仿包括条款相关的滞后回归模型残差58。

残差自相关模式进行评估通过检查部分自相关函数和自相关函数的情节。一旦任何自回归和移动平均过程被识别和占模型中,这些情节,以及多元混合(Q)统计,被用来确定残差的程度是“白噪音”,这意味着所有进程已经占了,没有意义,系统的残差之间的自相关63年,64年。当两个模型同样适合,我们选择最低的模型更简洁Akaike信息标准的价值。

除了上面的方法问题,我们采取几个步骤来改善估计每个时间序列模型和适合。建模之前,non-stationarity Dickey-Fuller测试用于测试的时间序列。任何异常值,定义为明显的上升或下降,使用虚拟变量模型。这包括任何假期,犯罪事件可能会更高(例如,狂欢节)或更低(例如,圣诞节和元旦)。建议后,我们还包括一个比例调整每个模型正确over-dispersion和更准确地估计标准误差19。所有模型包括一个抵消人口。

每天在一些城市,犯罪的频率几乎是零,图纸问题开展日常的approriateness时间序列分析。这个最常发生杀人(在布里斯班、赫尔辛基、卢布尔雅那、塔林和温哥华),每日平均数量的事件范围从0到0.038。袭击事件的数量在卢布尔雅那时间也接近0。当稀疏事件时,该模型可能会变得不稳定和不可靠的65年。因此,我们选择从时间序列分析排除这些情况。

附加信息的模型可以发现补充材料。

荟萃分析

由于各国封锁的异构性质和犯罪的定义,我们使用随机模型来估计总结效果。随机方法假定影响不同部分由于治疗效果的特性66年。在这种情况下,全职的限制大大不同的内容和实施政策,以及执法,这可能影响作用的大小。随机模型允许一个“真正”的分布影响,总结效应反映了该分布的均值66年,67年。的我2统计显示的百分比变化可以归因于异质性,即价值75%以上表明高异质性之间的结果67年,68年。

多元回归

COVID-19政策变量

检查相关的因素的影响的大小的限制犯罪的趋势,我们利用牛津政府应对追踪编码的控制和经济政策69年。我们的焦点分析使用全职的严格限制,测量作为没有措施,0 1建议不离开家,2对需求不离开家,除了“基本”活动,要求3个不出门用最小的例外。

多元回归的因变量是每个城市的估计效果和犯罪的范畴。在mixed-effects多元回归,估计方程中包含两个错误条件:首先是由于抽样误差,第二个错误与偏差的分布的真实大小的影响66年,70年。由于小数量的尺度效应包含在每个模型中,我们分别估计每个政策变量的影响。

敏感性分析

进行了一系列的分析,评估相关的多元回归结果的敏感性问题的操作化COVID-19政策限制,异常值和各国犯罪的不同定义和分类。具体来说,我们评估的程度的使用结果是敏感的城市(补充表所有可用的数据18),排除潜在的离群值(补充表19)和排除城市家庭或家庭袭击不是区别于非国内攻击事件警方数据(补充表20.)。

额外的分析

政策变量和流动性指标

作为额外的分析,我们检查了六个单独的遏制政策,总体紧缩指数、经济支持政策和谷歌COVID-19流动性指标的多元回归。描述性统计对每个策略和索引可用补充表中所有可用的城市12和13。这使我们能够评估的程度的变化影响的大小可以归因于全职的紧缩政策与其他形式的容器或遏制政策的组合,其中包括关闭学校,工作场所的闭包,对公共事件的限制,限制私人聚会,对公共交通的限制,限制内部旅游(补充表21)。COVID-19流动性指标包括措施的变化对应于许多公共和私人的地方,包括零售和娱乐、杂货店和药店,公园、工作场所、公交车站和住宅的地方(补充表22)。

报告总结

进一步研究信息设计是可用的自然研究报告摘要与这篇文章有关。