三 研究结果

表1概述了变量的类型，表2展示了对这些变量的描述性统计。犯罪率在大都市区内部发生了显著变化。比如就暴力犯罪而言，最小值为6.86/10万，而最大值为1449.96/10万。距中心城市越远，人口密度越小，故密度梯度通常为负。不出所料，除新泽西州的泽西市之外的所有大都市区都具有负密度梯度。在不同的大都市区，人口密度和中心城市人口比例都发生了巨大变化，上下班的平均行程时间也发生了一定变化。

表3展现了大都市暴力犯罪率和财产犯罪率的常规最小二乘法回归结果。就暴力犯罪而言，人口规模、黑人和西班牙人具有显著的正面效应，所以人口规模越大、黑人和西班牙人比例越大，暴力犯罪率越高。收入水平则如我们所料，明显具有负面效应。然而，也有一些地方与我们预期的不太一样。比如结果表明“13～17岁人口”和“18～24岁人口”都呈负面效应，即年轻人口的比例越高，暴力犯罪率越低。“65岁以上人口”则对暴力犯罪率没什么显著影响。

表1 变量描述^*

表2 描述性统计概要^*

续表

表3 大都市区犯罪率的常规最小二乘法回归模型

郊区城市化对犯罪的估计的影响根据对郊区城市化的衡量而不同。就暴力犯罪而言，人口密度和中心城市人口比例的影响是很显著的。

VC_i=γ₁+γ₂G_i+γ₃P_i+γ₄B_i+γ₅H_i+γ₆A13_i+γ₇A18_i+γ₈A65_i+γ₉IN_i+ε_i

PC_i=δ₁+δ₂G_i+δ₃P_i+δ₄B_i+δ₅H_i+δ₆A13_i+δ₇A18_i+δ₈A65_i+δ₉IN_i+η_i

人口密度的负系数意味着人口密度越高，犯罪率越低，这与我们郊区城市化会导致犯罪率升高的假设相符合。然而，中心城市人口比例却与预期相反，呈正相关。正像之前提到的，我们对这种方法的功效仍存在怀疑，所以也用它来说明对郊区城市化所用衡量标准的选择的重要性。密度梯度和平均行程时间如预期的那样成正面效应，但在统计上并不明显。作为一个整体，郊区城市化的各项标准合起来具有显著效应（F=3.19，p=0.005）。综合来看，这些结果并不能有力地证明郊区城市化对暴力犯罪的影响，特别是当中心人口比例颠倒过来的时候。然而，郊区城市化的内生性可能会损害到这些结果，这一点将在下文中进行阐述。

表3展现了财产犯罪率作为因变量的结果。由于财产犯罪行为远远多于暴力犯罪行为，所以其回归系数的规模不同。基于这一点，“β系数”栏里标出了标准系数。一些人口统计因素和经济因素都很显著。黑人比例和西班牙人比例都明显呈现正面效应，所以黑人和西班牙人的人口比例越高，财产犯罪率就越高。然而，某些控制变量对财产犯罪的影响不同于暴力犯罪。收入成负面效应但并不显著。人口总数与财产犯罪成负面效应。至于年龄变量，只有13～17岁人口比例呈现出明显的负效应。

郊区城市化多种标准的影响也因犯罪类型的不同而不同。对于财产犯罪而言，密度梯度和人口密度的影响都非常显著，并符合郊区城市化促进犯罪的观点。标准系数表明这种影响对财产犯罪比对暴力犯罪更具重要性。中心城市人口方面的系数也如同暴力犯罪的情况一样，与假设相悖。行程时间的效应并不显著。郊区城市化变量的联合考察则是显著的（F=15.85，p=0.001）。

表4所示的二阶最小平方模型的结果考虑到了郊区城市化的内生性。这个模型将我们的首选郊区城市化标准（密度梯度）作为一个回归量，而将暴力犯罪和财产犯罪都作为因变量。这个模型采用了郊区城市化的8个因素：政府数量、公共交通、空气污染和大都市区的5个地理参数。正如表4所示，加入因素后的密度梯度系数在暴力犯罪和财产犯罪模型中都呈明显的正相关，进一步证明了郊区城市化促使犯罪率升高的假设。

表4 二阶最小平方（辅助变量回归）模型结果^*