盗窃犯罪是典型的侵财类犯罪,发案率远高于其他类型犯罪,对社会安全产生威胁,因此对盗窃犯罪的风险分析研究具有重要意义。在警力资源有限的现状下,基于数据挖掘的犯罪风险分析逐渐成为相关部门风险防控工作的重要方法。然而,当前基于数据挖掘的风险分析普遍缺乏对风险要素的归纳与解释,数据来源单一,不同空间尺度的研究方案区别较小,缺乏针对性。针对上述问题,本文利用我国某大型城市盗窃案事件数据、盗窃前科人员轨迹点数据和社区周边环境数据,综合运用多种回归、分类模型及风险分析方法,分析城市盗窃犯罪风险,具体内容如下。(1)运用多元线性回归、机器学习非线性回归和地理加权空间回归模型,研究了城市范围内盗窃前科人员的轨迹点数量(及视频监控摄像头数量)与盗窃犯罪发生风险之间的关系,结果表明两者之间存在显著的相关关系。三类回归模型的最高R~2均高于0.59,其中“盗窃前科人员文娱旅店从业地点”“盗窃前科人员网吧上网点”和“视频监控摄像头分布点”是影响城市范围盗窃风险空间分布最重要的三个风险要素,地理加权回归模型相比于多元线性回归模型和机器学习回归模型,预测效果更优(R~2=0.62)。(2)运用多种机器学习分类模型,分析预测了基于案件属性特征的城市范围入室盗窃、扒窃和盗窃电动车犯罪后果,结果表明入室盗窃、扒窃和盗窃电动车犯罪后果等级预测的分类模型效果整体较好。决策树和随机森林模型对三类案件后果的分类预测F1-Macro值均达0.64以上,盗窃电动车案件后果的分类预测F1-Macro值最高达0.7。在三类案件中,“发案区域”均为重要度排序第一的特征,是影响城市盗窃犯罪后果的重要风险要素。(3)运用模糊层次分析法及模糊综合评价法对社区入室盗窃犯罪进行风险评估。结果表明“社区警务室”的建设和运行是对社区入室盗窃犯罪风险影响最大的风险要素,其次为“小区关键场所设施安全状况”和“小区空间家居状况”;在案例分析中,社区入室盗窃风险评估模型的评估结果与实际入室盗窃发案情况基本一致,评估效果较好。(4)设计开发了盗窃犯罪风险分析软件,实现了盗窃犯罪后果预测评估和社区入室盗窃犯罪风险评估功能。本文构建的模型能够较好地发现影响盗窃案件发生的风险要素,预测分析盗窃犯罪的危害后果,评估社区入室盗窃犯罪的风险。为盗窃犯罪的情报分析和风险防控提供决策支持和信息化工具支撑。