社会经济的快速发展，使得社会财富不断增长，从而诱发数量庞大且类型众多的犯罪活动，而区域间自然地理及社会人文因子的巨大差异，导致区域间的犯罪活动在数量、类型、空间分布等方面呈现出显著的差异，表现出明显的区域特征。犯罪活动的多样性及复杂性对警务部门保障公民的生命财产安全、维护社会稳定提出了更高的要求。　　随着社会环境的快速变化，影响犯罪发生的条件越来越多。国内外学者对犯罪问题进行了大量的分析研究，并取得了许多有意义的科研成果。但是，前人对于犯罪成因的分析研究，大多是基于大尺度的分析研究，对于较小尺度上的多种类犯罪成因分析及案件空间分布风险区预测模拟研究则较为缺乏。已经发生的各类案件中，财产犯罪是最多发的案件。因此，财产犯罪的预测，对于犯罪超前性理论研究领域及各级警务部门对社会犯罪防范控制战略的制定与实施具有重要的意义。　　本文旨在建立BP神经网络模型、GA-BP神经网络模型及ARIMA模型对财产犯罪的空间分布进行预测模拟，并对模拟精度进行对比分析。基于发生在韶关市中心城区的财产犯罪案件空间分布点，通过犯罪案件空间自相关分析，土地利用类型数据、人口密度数据、人口年龄数据、人口学历数据、监控点及岗亭点空间分布数据、出租屋空间分布数据及路网空间分布数据的相关性分析，筛选研究区的财产犯罪的成因数据，利用BP神经网络模型、GA-BP神经网络模型及ARIMA模型对发生在中国华南地区韶关市中心城区的财产犯罪活动，进行时间步长为1年、空间尺度为100m×100m的空间分布预测，并以RMSE指数作为预测模型的精度评价指数，对三种预测模型进行精度对比分析。研究结果表明:　　第一、在相对微观的尺度上，财产犯罪仍具有显著的空间自相关特征，并且较之于Moore(Queen)邻域，财产犯罪在von Neumann(Rook)邻域上具有更高的全局MoransⅠ值，即在该邻域上具有更为显著的空间自相关特征。　　第二、不同类型用地与财产犯罪案件密度具有不同程度的相关关系，其中建筑用地及交通运输用地与财产犯罪具有显著的正相关关系，林地、水体及工矿仓储用地与财产犯罪具有显著的负相关关系，建筑类型用地中，商业及服务业用地与财产犯罪具有最强的正相关关系;监控点、出租屋、娱乐场所、路网密度及用地类型混合度与财产犯罪具有显著的正相关关系。　　第三、随机选取参与计算的100个格网作为样本，统计格网中财产犯罪案件密度的真实值与预测值，计算得出本研究中对于财产犯罪时空分布风险区预测模拟建立的GA-BP神经网络模型的RMSE值为0.07; BP神经网络模型的RMSE值为0.11; ARIMA模型的长期（12个月）预测RMSE指数为0.16，ARIMA模型的短期（1个月）预测RMSE指数为0.22。因此，GA-BP神经网络模型是一种在相对微观空间尺度下具有一定精度的合理的对于财产犯罪预测研究的算法模型，可为警务部门针对不同级别的财产犯罪风险区制定相应警务对策提供决策支持。