犯罪热点分布怎么分析?核密度图如何制作?

为什么你做的核密度图总被领导说“看不出热点”？

上周一位在公安系统做空间分析的读者私信我：“Dr. Gis，我用ArcGIS跑出来的核密度图，颜色糊成一片，领导说根本看不出哪里是犯罪高发区，怎么办？”——这其实是90%初学者都会踩的坑。不是工具不好用，而是你没理解“密度”的本质，也没掌握参数调优的艺术。

我在参与某一线城市“平安城市”项目时，曾用核密度分析帮警方锁定3个被忽视的扒窃高发街区，后来增设巡逻岗后报案率下降47%。关键不在于你会点哪个按钮，而在于你是否理解“空间平滑”的哲学。

核密度分析不是“热力图”，它是空间概率的温柔平滑

很多人一上来就把核密度（Kernel Density）和百度地图热力图划等号，这是大错特错。热力图是“打卡人数可视化”，核密度则是“事件发生概率的空间连续估计”。打个比方：

• 热力图 像用马克笔在地图上直接点红点——人多的地方就涂深色。
• 核密度 则像把每个犯罪点想象成一颗正在融化的冰淇淋球，它会向四周“流淌”，越近的地方奶油越厚（密度越高），越远越薄。最后所有冰淇淋融化叠加，形成一张连续的概率奶油地图。

这个“冰淇淋球”的大小，就是搜索半径（Bandwidth）；它的融化速度曲线，就是核函数（Kernel Function）。选错了半径，要么糊成一锅粥（半径太大），要么碎成满天星（半径太小）。

三步走：从原始案件数据到可汇报的核密度图

我们以QGIS为例（ArcGIS操作逻辑完全一致），手把手拆解实战流程。假设你手头有一份CSV格式的盗窃案发点位数据，包含经纬度字段。

Step 1：数据预处理——别让脏数据毁了你的分析

导入数据前，先做三件事：

1. 确认坐标系：必须是投影坐标系（如CGCS2000 / 3-degree Gauss-Kruger zone 38），否则距离计算会出错。地理坐标系（WGS84）直接算密度？那是在给地球裹保鲜膜——拉伸变形惨不忍睹。
2. 清洗异常值：删除经纬度为0或明显超出辖区范围的记录。我见过有人没清洗，结果密度峰值出现在太平洋上…
3. 属性筛选：按案件类型、时间范围筛选。比如只分析“2023年入室盗窃”，避免不同类型犯罪互相干扰。

Step 2：参数调优——Bandwidth才是灵魂

在QGIS中打开 Processing Toolbox → Interpolation → Heatmap (Kernel Density Estimation)。关键参数就两个：

运行后得到一张.tif栅格图。这时候别急着上色！先右键图层 → Properties → Symbology，选择Singleband pseudocolor，用OrRd（橙红渐变）或RdYlBu配色方案。重点来了：手动设置分类断点！不要用“Equal Interval”，改用“Jenks Natural Breaks”或“Quantile”，这样能突出真正的高密度集群。

Step 3：结果解读——如何向非技术人员讲清楚“热点”

生成的图上，颜色最深的区域就是统计学意义上的“热点”。但千万别止步于此。结合底图叠加：

• 叠加路网：热点是否沿主干道分布？
• 叠加POI：是否靠近夜市、公交枢纽或老旧小区？
• 叠加行政区划：是否跨街道聚集？

用Contour工具生成等值线，或用Raster Calculator提取密度值>第90百分位的区域作为“核心热点区”，导出为矢量面，方便后续做缓冲区分析或警力部署规划。

进阶技巧：当核密度不够用时，试试这些“组合拳”

核密度是探索性分析的利器，但若要严谨验证“热点是否显著聚集”，必须搭配：

• Getis-Ord Gi*：识别具有统计显著性的热点/冷点（ArcGIS里叫“热点分析”工具）。
• 时空立方体：如果数据带时间戳，用Space Time Pattern Mining工具挖掘时空演变模式。
• 机器学习：用随机森林/XGBoost，把密度图作为特征之一，预测下个高发区。

记住：核密度是“望远镜”，帮你宏观扫描；Gi*是“显微镜”，帮你微观验证。两者结合，报告才能既有画面感又有说服力。

总结：一张好图胜过千言万语，但前提是参数得当、解读到位

犯罪热点分析不是炫技，而是为了驱动决策。核密度图的核心价值在于：把离散的、看似随机的案件点，转化为连续的、可干预的空间风险面。下次做图前，先问自己三个问题：

1. 我的搜索半径是否反映了实际巡逻/响应半径？
2. 我的配色和断点是否能让外行一眼看懂高风险区？
3. 我的结论是否能指导资源投放（如摄像头布设、巡逻路线优化）？

如果你卡在某个步骤，或者对参数选择有疑问——欢迎在评论区甩出你的截图或报错信息，我会亲自帮你诊断！ 也欢迎分享你用核密度解决实际问题的案例，让更多同行少走弯路。