本研究聚焦中国某特大城市（简称ZG城）在新冠疫情期间盗窃案件的空间时间特征演变及其驱动机制。研究通过整合移动通信大数据、地理信息系统和犯罪地理学理论，构建了多维度分析框架，为理解突发公共卫生事件对城市犯罪的影响提供了新视角。
在方法论层面，研究创新性地采用STL时间序列分解技术对2019-2021年间盗窃案件进行趋势、季节和周期性波动分解。结合核密度估计的空间分析方法，实现了对犯罪热点的动态追踪。研究特别构建了包含通勤、居住和流动三个维度的人口动态模型，通过空间滞后负二项回归模型量化不同人群结构对盗窃率的影响权重。
研究发现呈现显著阶段性特征：疫情初期（2020年）盗窃率下降幅度达47%，主要得益于人员流动限制带来的物理防范强化；第二阶段（2021年常态化防控期）犯罪率维持在较低水平，但空间分布呈现分散化趋势；第三阶段（2022年疫情反弹期）出现局部热点复苏，跌幅较前两阶段缩小23%。这种动态变化验证了犯罪地理学中的"环境-行为"互动理论，表明防控政策强度与犯罪空间分布存在非线性关系。
人口动态分析揭示三个关键机制：1）通勤人口密度每降低10%，盗窃案件减少3.2起/平方公里，但疫情期间该系数下降至1.8；2）流动人口占比与盗窃率呈显著正相关（r=0.71），其中短期游客因信息不对称成为高危目标；3）居住人口结构变化对盗窃的间接效应最为显著，老年人口占比上升与夜间盗窃率下降存在0.53的弹性系数。研究特别发现，工作日夜间7-9点的商业区流动人口激增，导致该时段盗窃案件占比从常态期的18%升至32%。
在理论贡献方面，研究拓展了常规活动理论的应用边界。传统理论强调物理环境中的"三要素"（目标、动机者、监管者）静态匹配，而本研究通过动态人口画像发现，疫情期间通勤模式重构使"目标暴露时间"延长42%，而防控措施又使"监管者缺位系数"下降28%。这种双重效应导致盗窃案件的空间分布从高密度聚类向弥散式分布转变，验证了犯罪地理学中的"空间稀释效应"假说。
实践启示方面，研究提出分层防控策略：对于通勤密集区（如地铁站点500米范围内），建议加强高峰时段安保巡逻；针对商业流动人口聚集区（如餐饮娱乐集中带），需强化动态身份核验技术；而居住社区则应重点提升老年群体的数字安防意识。研究数据表明，这些措施可使盗窃率再降低19%-25%。
研究局限性在于移动通信数据可能存在15%-20%的时空滞后，且未考虑网络犯罪等新兴犯罪形态。后续研究可结合多源异构数据（如电子支付记录、共享单车轨迹）进行更精细的犯罪时空预测。该成果已应用于ZG城公安部门的"智慧安防"系统升级，使重点区域盗窃破案率提升至83%，显著高于全市平均水平。
该研究不仅为突发公共卫生事件下的犯罪防控提供了决策支持，更在方法论层面推动了环境犯罪学的范式革新。通过构建动态人口流动与犯罪热点的时间序列关联模型，研究突破了传统静态人口统计数据的分析局限，为理解后疫情时代城市犯罪演变提供了重要理论工具。
