![70d4f7252dfec67b2ca3989df6f0e8be.gif](https://img-blog.csdnimg.cn/img_convert/70d4f7252dfec67b2ca3989df6f0e8be.gif)
采用 MATLAB 仿真建立犯罪数学模型是定量研究的方法之一。犯罪数学模型是分析犯罪问题的基础和解决定量研究的关键,它是犯罪社会学研究的热点,也是研究过程中制约本身准确定量的关键。
01
犯罪率相关因素的曲线分析
![1ac580f807da87efdc5368ef81720b0e.gif](https://img-blog.csdnimg.cn/img_convert/1ac580f807da87efdc5368ef81720b0e.gif)
采用 MATLAB 仿真所建犯罪数学模型可以获取包括犯罪率在内的诸多犯罪数据,这是以数理方式研究犯罪问题的主要指标之一。犯罪率与各种社会经济因素发生密切联系,它对一国或地区的刑事政策有一定的影响作用,引用较大样本的历史数据可以检验犯罪数学模型的有效性。在一国或地区的地理界限之内,影响犯罪率的社会因素较多,如城市化率、人均 GDP、城市人均可支配收入、失业率等,且有研究表明了它们与犯罪率均呈现出高度的正相关,即随城市化率的升高、可支配收入的增加、失业率的增长等,犯罪率也同时增长。
如表 1 所列是浙江省犯罪率及相关因素的调查统计数据,聚类分析即可发现与犯罪率相关度较高的信息
![934fa7b370cbcd803cde0cb7d845ae21.png](https://img-blog.csdnimg.cn/img_convert/934fa7b370cbcd803cde0cb7d845ae21.png)
基于以上与犯罪率相关因素的样本数据,在 MATLAB 平台下进行了编程仿真计算,
结果表明:“浙江犯罪率”与“浙江城市化率”、“浙江失业率”、“浙江客运量”因素之间均呈现出高 度正相关,前者与后三者间的相关系数分别达到 了 0.9680、0.8038、0.8800,特别是犯罪率与城市化率的相关值高达 0.9680,表明“浙江犯罪率” 与“浙江城市化率”之间存在着高度正相关。
图 1是通过 MATLAB 仿真实测得到的浙江犯罪率、城 市化率、失业率、客运量等相关因素的曲线图。
![1ecc3645e76e4fd5f00c6a0101271811.png](https://img-blog.csdnimg.cn/img_convert/1ecc3645e76e4fd5f00c6a0101271811.png)
进一步研究浙江犯罪率相关因素样本数据及观察 MATLAB 仿真曲线可以发现,犯罪率于 2004 年达到了最高点 1113.8 起 /10 万人,占 1.11%,平均每年增加 50.75 起 /10 万人,占 0.51%;城市化率提高了 12.64%,平均每年提高 1%,犯罪率则增 加 80.30 起 /10 万人,占 0.08%,表明城市化进程对犯罪率的影响是比较显著的。而犯罪率与失业率的起伏也与之极其相似,如以 2000 年前的时间轴线进行观察,每当失业率有所上升时,犯罪率则在后续一年随之上升;当失业率下降时,犯罪率则在后续一年随之下降。继续观察 2003 年的时间轴线,可以发现犯罪率与失业率的变化趋势是类同的,如在2004年犯罪率达到最高点 1113.80 起 /10 万人,而失业率则相应达到近年内的最高点 4.10%,跨越此时间轴线后的几年内,则二者又均呈下降的趋势。该变化过程经 MATLAB 仿真后, 以具直观特性的犯罪率曲线走向说明了各相关因 素在犯罪率波动中影响作用的强弱。
02
MATLAB 平台下犯罪数学模型的建立
![1ac580f807da87efdc5368ef81720b0e.gif](https://img-blog.csdnimg.cn/img_convert/1ac580f807da87efdc5368ef81720b0e.gif)
对于一国或超过地区地理界限的整体性犯罪率,因不断受到城市化率与人口动态迁移的交织影响,所涉及的相关因素可能更多,经MATLAB 及动态修改模型参数,可兼顾到不同数学模型和不同数据量的犯罪样本,使 MATLAB 的仿真和预测更为准确。
以 1988- 2007 年浙江省犯罪率及相关因素 (表 1) 为实测数据,可以在 MATLAB 中 交替采用拟合及插值动态建立具有仿真和预测功 能的犯罪数学模型。其算法过程如下:
第一步:以实测方法先用犯罪数据拟合出初步的犯罪数学模型。先统计分析浙江省犯罪率及相关因素数据,再 在 MATLAB 平台下仿真拟合,可实测出五次多项 式的拟合处于最佳状态,以此作为初步的犯罪数 学模型。主要的实测示意代码为:
向上滑动阅览
Linear model Poly5:
f (x)=p1*x^5+p2*x^4+p3*x^3+p4*x^2 + p5*x + p6 Coefficients (with 95% confidence bounds):
p1=- 0.003327(- 0.00501,- 0.001645)
p2 = 33.16 (16.39,49.94)
p3=- 1.322e+005 (- 1.991e+005,- 6.531e+004) p4 = 2.636e+008 (1.302e+008,3.97e+008)
p5 = - 2.627e+011(- 3.957e+011,- 1.297e+011) p6 = 1.047e+014 (5.169e+013,1.578e+014) Goodness of fit:
SSE: 1.015e+005
R- square: 0.9698
Adjusted R- square: 0.9627
RMSE: 69.51
上式代码中
p1,p2,p3,p4,p5,p6为五次多项式的系数;
SSE 为误差平方和;
R- square 为决定系数;
Adjusted R- square 为调整后的决定系数;
RMSE 为标准差。
第二步:对初步的犯罪数学模型的拟合结果进行修正。
实 测 获 得 初 步 的 犯 罪 数 学 模 型 后 , 在 MATLAB 平台下对犯罪数据的拟合结果进行修正, 目的是增加犯罪数据拟合的精度,方法是除去犯罪数据中的一些变异点,如 1990 年、1991 年、 2002 年三个波动较大的值点,反复该项算法操作, 直至使均方根差减少近半,以此进一步提高五次多项式的拟合精度,则获得修正后的犯罪数学模型。主要的实测示意代码为:
向上滑动阅览
Linear model Poly5:
f(x)= p1*x^5 + p2*x^4 + p3*x^3 + p4*x^2 + p5*x + p6 Coefficients (with 95% confidence bounds) :
p1 = - 0.002658 (- 0.003614,- 0.001702)
p2 = 26.48 (16.95, 36.01)
p3 = - 1.056e+005(- 1.436e+005,- 6.754e+004) p4 = 2.104e+008 (1.346e+008,2.861e+008)
p5 = - 2.096e+011 (- 2.852e+011, - 1.34e+011)
p6 = 8.354e+013 (5.34e+013, 1.137e+014)
Goodness of fit:
SSE: 2.407e+004
R- square: 0.9927
Adjusted R- square: 0.9907
RMSE: 36.56
为对比研究,可在 MATLAB 平台仿真算法的第一步和第二步中观察模型优选前后的犯罪率拟合情况。
图 2 表示了模型选优前后的犯罪率拟合比较结果的示意,其中拟合曲线图 2 (c) 是选优 前图 2 (a) 的残差曲线,而图 2 (d) 是取掉变异 点选优拟合后图 2 (b) 的残差曲线。
![568d645e0f7a40d51a3d5fd7dd8fcc87.png](https://img-blog.csdnimg.cn/img_convert/568d645e0f7a40d51a3d5fd7dd8fcc87.png)
改用插值方法继续进行预测优化。假设犯罪率相关数据来源准确可靠,不存在调查误差,可以对犯罪数据结果继续进行插值, 通过 MATLAB 平台仿真、实测并从中选优,以确定具有预测优化性能的犯罪数学模型。
可在 MATLAB 平台下仿真上述算法的改进效果。图 3 (a) 是由五次多项式 (5th degree) 拟合生成的初选犯罪数学模型,其残差如图 3 (c) 所示,曲线变化态势急转直下,控制得并不十分理 想;图 3 (b) 是对初选犯罪数学模型的插值优化 (shape- preserving),其残差如图 3 (d) 所示,曲线变化的态势较平缓,说明插值后生成的曲线对 于未来犯罪率的预测相对来说还是较优的。
![70ab296b579975662c438aeda3d17db4.png](https://img-blog.csdnimg.cn/img_convert/70ab296b579975662c438aeda3d17db4.png)
03
犯罪率的比较分析与预测
![1ac580f807da87efdc5368ef81720b0e.gif](https://img-blog.csdnimg.cn/img_convert/1ac580f807da87efdc5368ef81720b0e.gif)
按照前述分析及已优选的犯罪数学模型,在 MATLAB 平台下可以对犯罪率各相关因素进行相互比较,以获得必要的犯罪信息,并可对未来犯罪率的发展趋势进行一定的预测。
![45650c286cbc352ea216a35ce9d8b649.png](https://img-blog.csdnimg.cn/img_convert/45650c286cbc352ea216a35ce9d8b649.png)
以比较全国犯罪率与浙江省犯罪率为例,地域的不同可能导致影响犯罪率的社会因素的数量和权重有所不同,不仅包括城市化率、客运量、 失业率,还包括收入分配不公、教育体制、收入差距等,它们可以通过 MATLAB 平台下相应的数 学建模及不同仿真得到良好的描述。
图 4 是全国犯罪率与浙江省犯罪率的比较图表,其中浙江省犯罪数据样本取自于表 1,全国犯罪数据样本的取 样区间为 1988- 2005 年。
![45650c286cbc352ea216a35ce9d8b649.png](https://img-blog.csdnimg.cn/img_convert/45650c286cbc352ea216a35ce9d8b649.png)
由 MATLAB 仿真生成 的曲线 (图 4) 及计算统计 值可以发现,自 1988- 2008 年的二十年间,浙江省犯罪 率均高于全国且处于持续走 高 的 状 态 , 其 中 始 自 于 1988- 1991 年 的 直 线 上 升 后 , 先 是 于 1992- 1996 年 缓慢上升,并于 1997 年呈 现高于近 2.7 倍的涨速,再 继 续 于 1997- 2001 年 单 调 上升(在 1999 年有一点小回 落),直到于 2002- 2004 年间激升到近 3 倍于全国犯罪率,达到了 1.11%的历 史高点,继而于 2004- 2007 年逐渐下降,总体上 呈现了“先升、后降、又升、再升、再降”的历史波动。
![084820f07440bba5788831f1afad764f.png](https://img-blog.csdnimg.cn/img_convert/084820f07440bba5788831f1afad764f.png)
• END •
模友们可能已经发现:现在公众号推送文章的顺序,已经不会按时间排列了。这种变化,可能会让各位模友错过我们每天的推送。
所以,如果你还想像往常一样,聚焦数模乐园,就需要将“数模乐园”标为星标公众号,同时在阅读完文章后,别忘了给一个“在看”哦。
星标步骤
(1)点击页面最上方“数模乐园”,进入公众号主页
(2)点击右上角的小点点,在弹出页面点击“设为星标”,就可以啦。
![c2b31a19b0bf32d989b7a858183479fd.gif](https://img-blog.csdnimg.cn/img_convert/c2b31a19b0bf32d989b7a858183479fd.gif)
![3dc3e1bed5a9e84e59b1feb27672e085.png](https://img-blog.csdnimg.cn/img_convert/3dc3e1bed5a9e84e59b1feb27672e085.png)
扫码关注我们
![8edfe0aba2d596a6c71520aa719f4d0b.png](https://img-blog.csdnimg.cn/img_convert/8edfe0aba2d596a6c71520aa719f4d0b.png)
2020国际赛QQ参赛群
![57dafa71c5a4d0ff77ed57a11355da6a.png](https://img-blog.csdnimg.cn/img_convert/57dafa71c5a4d0ff77ed57a11355da6a.png)
![ce063ace3c4b5845dcf67a39a7671c88.gif](https://img-blog.csdnimg.cn/img_convert/ce063ace3c4b5845dcf67a39a7671c88.gif)
球分享
![ce063ace3c4b5845dcf67a39a7671c88.gif](https://img-blog.csdnimg.cn/img_convert/ce063ace3c4b5845dcf67a39a7671c88.gif)
球点赞
![ce063ace3c4b5845dcf67a39a7671c88.gif](https://img-blog.csdnimg.cn/img_convert/ce063ace3c4b5845dcf67a39a7671c88.gif)
球在看