分段式中断时间序列分析
识别机动车盗窃月度序列的结构性断点，通过BIC最小化确定最优转折时间节点。
ITS BIC机动车盗窃作为高流动性机会型犯罪，其空间分布受可达性、活动设施与功能环境共同影响。结构性变化后风险增长并非均匀抬升，而是呈现局部强化与空间重组，亟需识别潜在热点激活条件。
围绕“何时变化、何处变化、为何这些地方变化”构建方法体系，依次从时间断点识别、空间热点演化和环境条件解释三个层面展开。
识别机动车盗窃月度序列的结构性断点，通过BIC最小化确定最优转折时间节点。
ITS BIC以500m×500m格网为单元，刻画断点前后风险增长的空间集中程度与热点演化特征。
热点分析 空间集聚基于AADT前25%格网界定高可达区域，结合断点前后热点状态区分被激活与未被激活单元。
AADT 可达性在高可达区域内部检验交通流量、兴趣点密度、功能混合度等变量与热点激活概率的关系。
Logit 环境关联实证分析表明，2022年8月为显著结构性断点，断点后风险增长高度集中于少数格网，高可达区域内部兴趣点密度与功能混合度显著影响激活概率。
| 格网组别 | 格网数 | 断点前占比 | 断点后占比 | 增量贡献率 |
|---|---|---|---|---|
| 前1%增量格网 | 24 | 3% | 8% | 14% |
| 前5%增量格网 | 119 | 8% | 20% | 31% |
| 前10%增量格网 | 238 | 15% | 33% | 50% |
| 前20%增量格网 | 475 | 28% | 51% | 72% |
“结构性变化后的机动车盗窃风险并非全市范围内的均匀抬升，而是表现为具有空间选择性的局部强化过程；高可达性更接近背景条件，兴趣点集聚和功能混合则更有助于解释潜在风险向显性热点的转化。”
本文构建的“结构性断点识别—热点状态转移—激活条件检验”分析路径，为潜在热点识别和风险前瞻研判提供了方法参考，可结合本土条件支持精细化防控。