WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 ||

«Центр экономических и финансовых исследований и разработок На правах рукописи Андриенко Юрий Валерьевич Экономика преступления: теоретическое и эмпирическое исследование определяющих факторов ...»

-- [ Страница 2 ] --

Основной источник данных – международные обследования жертв (МОЖ) [84], организованные Межрегиональным институтом исследования криминального преступлений. правосудия На настоящий при ООН (UNICRI) и уже использующие четыре раунда стандартизированный подход к изучению домохозяйств, пострадавших от момент проведены обследований, в которых приняли участие 68 стран. Первый был проведен в 1989 году в 17 индустриальных странах, второй – в 1992 году включил 11 индустриальных стран, 13 развивающихся и 6 стран с переходной экономикой, третий – 12 индустриальных стран, все за исключением одной страны центральной и восточной Европы и 15 развивающихся стран в 1996 и 1997 годах и, наконец, последний четвертый раунд 2000/2001 гг. проводился в 17 развитых и 27 развивающихся и переходных странах. Во всех раундах представлены 11 видов преступлений: угон автомобиля, кража из автомобиля, автомобильный вандализм, кража мотосредства (мотоцикла, мопеда, мотороллера), кража велосипеда, квартирная кража, попытка квартирной кражи, кража личного имущества, разбой, сексуальные инциденты, нападение и угрозы. Большинство из них – преступления против собственности, личной или домохозяйства и только сексуальные инциденты, нападение и угрозы – преступления против личности. Полевая работа была проведена в форме индивидуального интервью в развивающихся странах и в странах с переходной экономикой (выборка обычно включает 1,000 респондентов из крупнейшего города или из нескольких городов, а в некоторых странах были использованы либо дополнительно 200 респондентов из сельской местности, либо национальная выборка), тогда как в развитых странах использовался метод CATI – интервью по телефону (выборка между 1,000 и 2,000 домохозяйств была получена случайным набором телефонных номеров). Интервью бралось у случайно выбранного члена домохозяйства старше 16 лет. Описание выборки, которая была использована для эмпирического анализа, представлено в таблице 1 в приложении 4, включая год и число наблюдений. С целью проведения анализа разные виды преступлений были объединены по трем общим категориям: 1) преступления с автомобилями, включает угон автомобиля, кражу из автомобиля и автомобильный вандализм;

2) имущественные преступления: квартирная кража, кража личного имущества и разбой (в него входят и те преступления, которые в Российском УК относят к грабежу);

3) насильственные преступления: сексуальные инциденты, нападение и угрозы. В эмпирический анализ не были включены 3 вида преступлений: кражи мотосредств и велосипедов (не настолько используемые средства передвижения, как автомобили) и попытка квартирной кражи (из-за отсутствия в одном из раундов). Для того чтобы продемонстрировать связь между неравенством и преступностью, были взяты данные из национальных обследований жертв и сопоставлены с данными по неравенству из [54, 87]. На графике 1 в приложении 4 показано положительное соотношение между суммарным количеством преступлений на 100 человек по 10 видам преступлений в 1999 году, за исключением попытки квартирной кражи, и индексом Джини для 20 индустриальных стран из МОЖ. Так, наименьший уровень преступлений по 10 видам среди 20 стран был в Японии, 21 на 100 человек, а наибольший – в Англии и Уэльсе, 55 на 100 населения. В этих двух странах наблюдаются, соответственно, одна из минимальных и максимальных дифференциаций в распределении доходов среди развитых стран. В России, представленной в обследовании Москвой, уровень преступности по 11 видам, включая попытку квартирных краж, достигал 80 на 100 населения в 1995 году, сократившись до 52 в 1999. Последний показатель очень близок к уровню преступности в урбанизированных регионах Западной Европы и столицах стран Центрально Восточной Европы, но меньше, чем в столицах четырех стран Латинской Америки: Аргентины, Колумбии, КостаРики и Бразилии (Рио-де-Жанейро) с уровнями преступности, превышающими 100 на 100 населения. Как уже обсуждалось, официальный уровень преступности занижается, а сама латентная преступность зависит от уровня экономического развития. Используя международные данные, нами был посчитан уровень преступности по 11 основным видам на 100 населения (статистика дана в таблице 2 в приложении 4). В результате была получена совершенно другая картина преступности в мире (см. график 3 в приложении 4). В отличие от растущего с доходом на душу населения общего уровня преступности, показанного на графике 1 в том же приложении, данные выявляют примерно одинаковый, если не более низкий уровень в развитых странах по сравнению с остальным миром. Однако если исключить страны с высоким доходом, то преступность оказывается растущей с доходом – результат, согласующийся с гипотезой о криминогенности развития. Почему же развитые страны выпадают из этой закономерности? неравенством и Простое графическое дает изучение уже соотношения между Как преступностью известные результаты.

демонстрирует график 4 в приложении 4, уровень преступности растет вместе с величиной индекса Джини. Как результат, преступность достигает своего максимума в уже названных четырех латиноамериканских странах и в Африке (Зимбабве), в странах с самыми высокими неравенствами. Ниже будет проведен более точный эконометрический анализ. Теперь нам предстоит ответить на вопрос, как можно использовать данные для проверки гипотез? Первое, что нужно выяснить, каким образом можно оценить дополнительную полезность преступника, которую тот желает отнять у жертвы (см. теоретическую модель в главе 2). Можно предположить, что более состоятельные жертвы приносят преступнику больше дополнительной полезности, то есть дохода или удовлетворенности, не зависимо от того, совершает он имущественное преступление или насилие. В этом случае домохозяйство из более высокой группы по доходам будет чаще становиться жертвой преступления. В самом деле, таблицы с 5 по 7 в приложении 4 показывают этот факт, причем, наиболее отчетливо для преступлений с автомобилями. В дополнение к относительной привлекательности жертвы, представленной группой дохода, можно найти меры абсолютного дохода. Они включают в себя факт владения автомобилем20, количество автомобилей в домохозяйстве и персональный уровень образования. Данные таблиц 3 и 4 из того же приложения подтверждают, что богатое домохозяйство имеет тенденцию к владению большим числом автомобилей на каждого взрослого, а случайно выбранный член богатого домохозяйства имеет более высокий уровень образования. Высокий абсолютный доход домохозяйства связан с большим риском стать жертвой для его членов. Так, средний уровень образования тех, кто был жертвой, выше, чем у тех, кто не был. Кроме этого, таблицы с 8 по 10, свидетельствуют о росте числа преступлений с ростом числа автомобилей у домохозяйства. Однако здесь мы наблюдаем любопытный факт: вероятность пострадать от насилия для неавтовладельцев совпадает со средней вероятностью, тогда как вероятность Владение автомобилем является не только индикатором благосостояния, но также может служить и мерой защищенности против некоторых преступлений, таких как разбой и кража, большинство их которых происходит на улицах и в общественном транспорте.

пострадать от преступлений против имущества максимальна среди них. Этот факт говорит о лучшей защищенности имущества у тех, кто ездит на автомобилях. В качестве мер среднего дохода и его дисперсии мы рассматриваем ВВП на душу населения и индекс Джини. Временные ряды для индекса Джини построены из данных, собираемых во Всемирной базе данных по неравенству в доходах (WIID)21. ВВП был взят скорректированным по ППС, что позволяет проводить международные сопоставления. Данные взяты из Всемирных индикаторов развития (WDI) и затем пересчитаны в постоянных долларах 1989 года с использованием дефлятора ВВП для США. Однако, как представляется автору, есть более точная мера благосостояния домохозяйств. Среднее число автомобилей на взрослого в регионе выглядит более точной мерой среднего благосостояния (особенно для преступлений с автомобилями), отчасти потому, что мы можем посчитать его для каждого региона. Хотя и была обнаружена очень высокая корреляцию между ВВП на душу и средним числом автомобилей, 0.8, ВВП – это средняя величина по всей стране и может неточно отражать доход в конкретном ее регионе. В добавление ко всем переменным, учитывается эффект урбанизации, традиционно признающийся как очень мощный фактор преступности. Более высокое число преступлений совершается в мегаполисах. Причиной этого может быть как незнакомство жертвы с преступником, трудность поимки преступника в густонаселенном городе, так и большие потенциальные выгоды от преступления. Этот факт будет учтен в анализе в виде размера города. Программное обеспечение, с помощью которого проводился анализ – статистический пакет STATA 7, рекомендуемый профессионалами для изучения пространственных и панельных данных, а также данных обследований [59].

К сожалению, данные за 2000 г в WIID отсутствуют. Следовательно, выборка для анализа заметно сокращается при использовании меры неравенства в доходах.

4.1.2. Оценки индивидуальных данных.

Индивидуальные данные не являются панельными, так как организаторы обследований не стали использовать одну когорту населения из-за большого периода времени между обследованиями. Следовательно, техника оценки панельных данных не может быть использована. В эмпирической модели используются индивидуальные характеристики потенциальных жертв, являющиеся приближением для ее защищенности и привлекательности для преступника. Другими словами, индивидуальные характеристики отражают индивидуальный спрос на преступление. Напротив, используемые макро данные представляют скорее агрегированное предложение преступлений и характеристики силы правопорядка. Для объединенного множества данных мы делаем оценку основной модели, включающую все соответствующие переменные Victimijt = 0 + 1 Genderijt + 2 Ageijt + 3 Gunijt + 4 Risk ijt + 5 DCarijt + 6 Carsijt + 7 DIncomei jt + 1 Report jt + 2 MIncome jt + 2 MIncome 2 + 3 Gini jt + jt 4 Youth jt + 5 Unempl jt + 6 TSize jt + i + ijt (50) Зависимая переменная в модели ‘Victim’ обозначает сколько раз человек (или домохозяйство) ‘i’, живущий в регионе ‘j’, был жертвой данной категории преступлений за год ‘t’. Первая группа независимых переменных включает индивидуальные характеристики и характеристики домохозяйства: ‘Gender’ и ‘Age’ – пол и возрастная группа;

‘Gun’ – бинарная переменная для домохозяйств – владельцев оружия;

‘Risk’ – рискованный риск жизни, показывает, как часто в течение недели человек ходит на развлекательные мероприятия по вечерам;

‘DIncome’ – бинарная переменная для группы (квартили) по доходам для домохозяйства;

‘Dcar’ – бинарная переменная для домохозяйств – автовладельцев;

‘Cars’ – число автомобилей на одного взрослого.

Вторая группа независимых переменных состоит из региональных макро индикаторов: ‘Report’ – доля сообщаемых в полицию преступлений – мера, как доверия населения, так и эффективности охраны правопорядка;

‘MIncome’ – средний доход - либо ВВП на душу населения, скорректированное по ППС в постоянных долларах 1989 г, либо, как в основной модели, среднее число автомобилей на взрослого;

‘Gini’ – мера неравенства в доходах – индекс Джини;

‘Youth’ – доля молодежи в возрастной группе от 16 до 29 среди респондентов;

‘Unempl’ – доля безработных среди респондентов;

‘TSize’ размер города в тысячах населения;

‘ i ’ региональная фиктивная переменная22;

и ‘ijt’ - ошибка модели. Переменная TSize была взята в логарифмах для того, чтобы ее распределение было ближе к нормальному. Пуассоновская модель была применена для оценки этой модели, так как это обычно используемая модель в эконометрике для данных, описывающих, сколько раз произошло определенное явление ([41], с.880). Модель оценивается методом максимального правдоподобия. Описательная статистика выборки представлена в таблицах 11 и 12 в приложении 4. Результаты регрессии для трех категорий преступлений можно найти в таблице 13 в приложении 4. Нижняя группа по доходам (самая бедная квантиль) – это базовая группа, исключенная из регрессии в случаях имущественных и насильственных преступлений. Таблица сообщает коэффициенты пуассоновской регрессии и стандартные ошибки. Если взять экспоненту от полученного коэффициента, то получится коэффициент относительной частоты. Он означает относительную частоту, с которой конкретная группа людей становится жертвой по сравнению с базовой группой. Когда коэффициент близок к нулю, то относительная частота равна единице Она содержит в себе ненаблюдаемые характеристики региона, которые в случае их невключения могут вызвать смещение коэффициентов. Регион в обследованиях жертв– это либо город, либо село, а в национальных обследованиях – это репрезентативный регион плюс этот коэффициент. Например, среди автовладельцев домохозяйство из самой высокой группы по доходам (т.е. самой богатой четверти) становится жертвой преступления с автомобилем на 21 процент чаще, чем домохозяйство из самой бедной группы при прочих равных, так как е 0.19 = 1.21. Все индивидуальные характеристики оказываются значимыми в регрессионном анализе. Так, риск стать жертвой для каждой категории преступлений ниже для мужчин (например, почти на 40% от насилия), сокращается с возрастом23 и увеличивается с рискованным образом жизни. Среди неожиданных результатов: наличие оружия в домохозяйстве не является гарантом защищенности его членов. Напротив, в таких семьях наблюдается более высокий риск стать жертвой для любых категорий преступлений. Заметим, что значение коэффициента будет смещенным от нуля в случае эндогенности наличия оружия, т.е. когда покупают оружие домохозяйства более предрасположенные к тому, чтобы стать жертвой преступления. Результаты выявляют значимое влияние благосостояния домохозяйства, представляемое числом автомобилей на взрослого, на риск пострадать от различных видов преступлений, особенно заметно для преступлений против автомобилей. Каждый дополнительный автомобиль24 приводит к росту частоты, с которой становятся жертвой: от насильственных преступлений - на 33 процента, от имущественных - на 19 процентов и от преступлений, связанных с автомобилями – на 38 процентов. В то же время, с ростом благосостояния домохозяйства из самой бедной группы до самой богатой четверти происходит рост частоты преступлений с автомобилями на 21 процент и падение частоты страны, соответствующий каждой из четырех частей света. Всего в выборке 280 регионов, в среднем по 5 на страну.

23 При этом получается линейное соотношение, начиная с 16 летнего возраста.

но не первый, как видно по отрицательному коэффициенту при бинарной переменной для автовладельцев.

насилия на 12 процентов, при условии, что остальные характеристики не меняются. Влияние благосостояния на риск стать жертвой оказывается линейным для преступлений с автомобилями, но нелинейным для других категорий преступлений. Все дело в том, что получен значимо отрицательный коэффициент для бинарной переменной, показывающей наличие автомобиля у домохозяйства. Этот результат демонстрирует защитную функцию, выполняемую автомобилем. Вместе два эффекта от владения автомобилем и числом автомобилей в домохозяйстве представляют нелинейное влияние благосостояния, имеющее форму буквы U: первый автомобиль в среднем домохозяйстве уменьшает риск стать жертвой, а каждый следующий – увеличивает. Средний доход, измеряемый средним числом автомобилей на взрослого в данном регионе, оказывает влияние, описываемое на этот раз перевернутой буквой U, так как оба линейный и квадратичный члены статистически значимы во всех регрессиях. Расчет вершины параболы показывает, что максимальный риск стать жертвой преступлений против автомобилей достигается в странах с 0.6 автомобилями на взрослого (например, в Бельгии и Италии), от имущественных преступлений при 0.7 авто на взрослого (Франция и Швеция) и от насилия в странах, где в среднем каждый взрослый имеет автомобиль (США и Австралия). Влияние среднего дохода заметно не изменяется, когда мы добавляем в анализ индекс Джини, см. таблицу 14 в приложении 4. Однако сам индекс Джини значимо положителен только для имущественных преступлений и статистически незначим в остальных случаях. Рост индекса Джини на единицу по шкале от 0 до 100 приводит к увеличению риска стать жертвой преступлений против имущества на 4 процента. В качестве альтернативной меры среднего дохода мы попытались использовать ВВП на душу в логарифмах, скорректированный по ППС и выраженный в постоянных ценах. Получившиеся результаты не подтверждают полученные выводы для среднего дохода. Другой альтернативной мерой индивидуального и среднего дохода стал уровень образования, измеряемый числом лет образования человека/населения. Результаты свидетельствуют, что более образованные люди чаще становятся жертвами разных видов преступлений. Средний же уровень образования населения в регионе не оказывает статистически значимого влияния на индивидуальный риск. Для остальных макро индикаторов получились следующие результаты. Доля сообщаемых в полицию преступлений, измеряющая, в общем, доверие население полиции и юстиции и, следовательно, в определенной степени отражающая силу правопорядка, не оказывает однозначного влияния на риск стать жертвой. В то время как наиболее опасные насильственные преступления сокращаются, когда потерпевшие чаще обращаются в полиции, преступления с автомобилями, напротив, только увеличиваются. Последний результат может быть следствием эндогенности обращения в полицию, если рост риска угона автомобиля сопровождается ростом надежды на его розыск полицией. Другие две переменные, описывающие агрегированное предложение преступлений – доля молодежи и доля безработных, оказывают положительное влияние на индивидуальный риск во всех 6 случаях за единственным исключением. Доля молодежи незначимо отрицательна только для преступлений против собственности. Наконец, последний результат говорит о том, что риск стать жертвой выше в крупных городах, особенно в мегаполисах. Частота, с которой человек становится жертвой, растет линейно от логарифма населения города. Например, человек, проживающий в городе с 5 миллионным населением, в два раза чаще становится жертвой любых преступлений, по сравнению с человеком из маленького городка с 5 тысячами жителей. Переезд домохозяйства в город размером в три раза крупнее примерно эквивалентен (по росту риска стать жертвой) приобретению дополнительного автомобиля данным домохозяйством.

4.1.3. Выводы к части 4.1.

В данной части были исследованы доступные с недавнего времени международные данные жертв преступлений среди домохозяйств. Была протестирована простая модель преступного поведения на международных микро данных. Для этого были использованы три широких категории преступлений: 1) преступления с автомобилями (3 вида: угон, кража из автомобиля и вандализм;

2) имущественные преступления (3 вида: квартирная кража, кража личного имущества и разбой);

3) насильственные преступления (3 вида: сексуальные инциденты, нападение и угрозы). Мы показали, что индивидуальная защищенность играет важную роль. Мужская половина населения, люди, не ведущие рискованный образ жизни, а также люди старших возрастов имеют меньше шансов стать жертвой преступления. Но в то же время домохозяйства, имеющие оружие защищены не лучше остальных, наоборот, их члены чаще становятся жертвами разных преступлений (на 16% чаще от насилия и преступлений против имущества). При этом возможно, что наличие оружия в домохозяйстве является эндогенной характеристикой, т.е. вооружаются семьи, которые в прошлом часто становились жертвами. Впрочем, в случае невооруженности такие семьи могут подвергаться большему риску. В отношении индивидуального дохода и благосостояния выводы не так просты. Мы нашли тесную связь между благосостоянием и риском стать жертвой. Были использованы две величины, описывающие индивидуальный доход – группа по доходам и число автомобилей на взрослого. Показана линейная связь между риском и благосостоянием: человек из богатого домохозяйства с большим числом автомобилей на каждого взрослого чаще становится жертвой преступлений против автомобиля. Для насильственных преступлений и преступлений против собственности благосостояние оказывает нелинейное влияние, в форме буквы U. Бедные и богатые чаще становятся жертвами. Причиной этого «провала» является имеющее защитные функции владение автомобилем – отличительная черта более состоятельных людей. Средний доход был представлен ВВП на душу и средним числом автомобилей на взрослого. Индекс Джини - мера неравенства в распределении доходов - представлял дисперсию дохода. Было продемонстрировано, что неравенство в доходах ведет к росту риска стать жертвой только от имущественных преступлений. Этот результат согласуется с множеством подобных эмпирических результатов в литературе по экономике преступления (о положительной связи неравенства и преступности), полученных на агрегированных данных. В тоже время, мы нашли сложное, нелинейное влияние среднего дохода на индивидуальный риск стать жертвой. Средний доход оказывает положительное влияние для стран с низкими и средними доходами, но – отрицательный для наиболее богатых стран. Влияние в виде перевернутой буквы U получено для всех трех категорий преступлений, которые были нами изучены. Агрегированное предложение преступлений, представляемое безработицей, долей молодежи и размером города, оказывает, как и ожидалось, положительное влияние на риск стать жертвой.

4.2. Регрессионный анализ панельных данных по странам.

Последний, краткий раздел посвящен анализу данных по разным странам. Анализ международных данных часто встречает трудно преодолимые препятствия. В предыдущем пункте расхождение в понимании того, что называется преступностью, были приняты в расчет и сведены к минимуму при проведении обследований жертв в каждой стране. Однако официальные данные каждой страны могут сильно отличаться даже в определении самой преступности. Именно разница в понимании того, что определяется под конкретным видом преступлений и создает трудности при анализе. Для примера можно привести наиболее точно регистрируемый вид преступности, убийства. Причина такой точности, состоит в том, что это один из самых опасных для общества видов преступлений. Российская статистика показывает пример, как не следует их регистрировать. Так, МВД регистрирует количество убийств и покушений на убийство, а не количество смертей, например, террористический акт с множеством смертей – это одно преступление. В то же время, парадоксальным образом не попадают в убийства тяжкие телесные повреждения, повлекшие за собой смерть, а это нередкий финал данного преступления из-за низкого уровня скорой медицинской помощи в России. Другой, не менее удивительный пример плохой статистики преступности представляет США. Там попадают под регистрацию лишь девять индексных видов преступлений, в число которых не входят даже преступления с наркотическими наркотиков. В силу упомянутых причин анализ международных данных по преступности часто ограничивается данными по убийствам. В этой части мы будем использовать данные по преступности, регулярно собираемые ООН [11]. В качестве альтернативных источников данных исследователи используют данные Всемирной организации здравоохранения о смертности от убийств [57]. Так, в работе [49], авторы получили схожие результаты на обоих наборах данных. Кроме официальных данных по преднамеренным убийствам за 19902000 гг., мы будем использовать данные по продолжительности жизни и ВВП на душу населения по странам, публикуемые Всемирным банком [53], а также международные данные по потреблению алкоголя [85]. Данные по ВВП были взяты скорректированными по ППС и пересчитаны в постоянных долларах. Дополнительные переменные (образование, неравенство и т.п.) не были включены в анализ ввиду отсутствия панельных данных. Описательная статистика используемых данных представлена в таблице 1 в приложении 5. веществами. При этом оказывается, что около 40% заключенных в американских тюрьмах осуждены именно за распространение Была выбрана следующая спецификация эконометрической модели Homicideit = + 1 LExpit + 2 GDPit + 3 Alcoholit + i + it (51) где ‘Homicide’ обозначает количество преднамеренных убийств на 100 тысяч населения, ‘LExp’ продолжительность жизни в годах, ‘GDP’ – ВВП на душу населения в долларах 1975 г, ‘Alcohol’ – потребление алкоголя на душу населения старше 15 лет в литрах чистого алкоголя, ‘i’ – фиксированный эффект – бинарная переменная для страны ‘i’, ‘it’ – ошибка модели. Все переменные взяты в логарифмах, следовательно, оцениваемые параметры регрессии – это эластичности. Для модели с переменными в логарифмах получились следующие результаты на выборке, состоящей из 48 стран (см. таблицу 2 в приложении 5). Самой значимой переменной оказалась продолжительность жизни. Рост продолжительности жизни связан с очень быстрым падением уровня убийств. Эластичность этой зависимости очень высокая, -6,5. При этом этот результат самый устойчивый при разных спецификациях модели (со случайным или фиксированным эффектом, линейная модель или с логарифмами, без временных фиктивных переменных или с ними). Доход на душу населения имеет отрицательный знак. Коэффициент статистически отличен от нуля на уровне доверия 2%, а эластичность убийств по доходу равна -0,3. Удивительно, но переменная, отражающая потребление алкоголя незначима. Возможно, это объясняется тем, что в странах с высоким уровнем жизни и высоким потреблением алкоголя доля людей, злоупотребляющих алкоголем и, следовательно, потенциально социально опасных, чрезвычайно низка в отличие от развивающихся стран со средним уровнем потребления алкоголя. Несмотря на то, что представители социальных наук постоянно говорят о тесной связи потребления алкоголя и насилием, убедительных эмпирических подтверждений этого факта до сих пор не получено.

Упрощенная модель в линейной спецификации с фиксированными эффектами без незначимых переменных и временных фиктивных переменных дает следующий красивый результат на выборке из 50 стран и 275 наблюдениях (логарифм взят только от ВВП). В скобках указаны стандартные ошибки полученных оценок параметров модели. Homicide = 92 1.0 • LExp 2.1 • Log (GDP), R 2 = 0.36 (16) (0.2) (1.1) (52) При использовании этой формулы для какой-либо страны из выборки следует иметь в виду, что в ней есть определенная для данной страны константа – фиксированный эффект. Для произвольной «средне статистической» страны эта формула позволяет найти прирост числа умышленных убийств на 100 тысяч населения, который оказывается в точности равен сокращению продолжительности жизни. Напомним, что в предыдущем разделе работы было показано, что с учетом эндогенности продолжительности жизни, зависимость числа убийств от продолжительности жизни в России еще более сильная, с коэффициентом -2 (российские данные включают и преднамеренные убийства). Коэффициент при логарифме ВВП на душу показывает, что рост ВВП на 60% приводит к снижению убийств на 1 на 100 тысяч населения, т.е. по своему влиянию эквивалентен росту продолжительности жизни на год.

Заключение. Основные результаты диссертационной работы.

1. Представлена теоретическая модель, являющаяся модификацией известной модели преступного поведения (модели Беккера), показывающая связь между индивидуальным риском стать жертвой и распределением благосостояния склонных к преступной деятельности агентов. Также изучено соотношение между ожидаемым уровнем преступности и распределением благосостояния, вероятностью поимки и размером наказания преступника. 2. В другой теоретической модели - модели оптимального правопорядка решена задача определения оптимальной вероятности наказания и размера санкций при заданных расходах. Показано, что в случае ненулевых издержек на наказание оптимальный уровень наказания может быть ниже максимального. При этом для некоторых технологий поимки преступников, соответствующих медленно растущим удельным расходам, оптимальный уровень расходов на правоохранительные органы и систему наказания может быть ограниченным, а преступность отсутствовать. Но для других, быстро растущих технологий, рост расходов может сопровождаться снижением преступности, а нулевой уровень преступности не достигается. Кроме того, показано, что в этой модели появляется множественность равновесий: одному уровню расходов может соответствовать несколько уровней преступности. 3. В эмпирической части работы представлен эконометрический анализ преступности: временных рядов в СССР, панельных данных по регионам России, международных индивидуальных данных о жертвах и международных агрегированных данных. Показано, что преступность сдерживается правоохранительной деятельностью и тесным образом связана с уровнем жизни, распределением доходов, экономическим развитием и ростом. Падение качества жизни населения выявлено как один из главных факторов невиданного роста преступности в России, причем этот вывод подтверждается и на международных данных. Анализ международных индивидуальных данных приводит к заключению, что связь с доходом носит нелинейный характер: среди жертв больше самых бедных и самых богатых, тогда как в самых бедных и самых богатых странах жертв меньше, чем в странах со средним доходом, при прочих равных условиях. На временных данных по СССР и РСФСР показана положительная связь между уровнем преступности и экономическим развитием. На региональных российских данных этой связи не обнаружено, но выявлена отрицательная зависимость преступности от роста доходов и положительная зависимость преступности от неравенства в распределении доходов населения.

Апробация работы и список опубликованных работ.

Основные положения и результаты работы содержатся в публикациях 1. Andrienko Y. “Crime and Punishment: The Opportunity Cost”, Transition Newsletter, Vol. 13, No. 6, 2002. PP. 37-38. 2. Андриенко Ю. В. В поисках объяснения роста преступности в России в переходный период: криминометрический подход // Экономический журнал Высшей школы экономики 5, №2, 2001. С. 194-220. 3. Ahrend R. and Y. Andrienko, “Crime – the Path of Freedom: Understanding its Development in Russia during Transition”, Russian Economic Trends, Vol. 9: Issue 2, Blackwell Publishers, 2000. PP. 34-42. 4. Андриенко Ю., Аренд Р. II. С. 57-70. А также докладывались и обсуждались на семинарах и конференциях: 1. На конференции IASA в Лаксенбурге 2003 г, 2. На ежегодной международной конференции по переходным экономикам CEPR/WDI в Будапеште 2003 г, 3. На семинаре, организованном Всемирным банком в Йельском университете 2002 г, Преступность – путь свободы? Развитие преступности в России в переходный период // Обзор экономики России 2000:

4. На 7-9, 11-13 семинарах исследований в 2000 и 2002 гг., Российской программы экономических 5. На ежегодной конференции в Российской экономической школе 2000 г, 6. На ряде научных семинарах: в в в Российско-Европейском г, г, Центральном Центре центре экономической политики в 2000 г, Стокгольмском институте по переходным экономикам институте 2001 2001 экономикои математическом экономических финансовых исследований и разработок в 2002 г.

Литература.

1. Индексы цен в России, 1990-1992 гг. - М.: Госкомстат России, 1994. 2. Российский статистический ежегодник - М.: Госкомстат России, 1999. 621 c. 3. Социально-экономическое положение в России, №12, за 1999 и 2000 гг. - М.: Госкомстат России. 4. Предпринимательский климат регионов России: география России для инвесторов. - М.: Начала -Пресс, 1997. 296 с. 5. Криминология: Учебник для юридических вузов. - СП-б.: СанктПетербургский университет МВД России, 1999, 608 с. 6. Кудрявцев В. Н. Современные проблемы борьбы с преступностью в России // Вестник Российской академии наук, 1999, т. 69, №9. С. 790-797. 7. Латов Ю.В. Экономика преступлений и наказаний: тридцатилетний юбилей // Истоки, 2000, вып. 4. С. 228-270. 8. Образование населения России: по данным микропереписи населения 1994 года. - М.: Госкомстат России, 1995. 9. Мнение населения о правовой защищенности и деятельности правоохранительных органов в Российской Федерации – М.: РИИЦ, 1992. 162 с. 10. Некоторые итоги Всесоюзной переписи населения - М.: Госкомстат, 1991. 11. Россия и страны мира: статистический сборник - М.: Госкомстат, 2000. 12. Энторф Х. Преступность с экономической точки зрения: факты, теория и статистика // Политэконом, 1997, №1. С. 57. 13. Полян П. М. Спецконтингент / Демография и социология. Миграция населения. Под ред. Ж.А. Зайончковской - М.: РАН, Институт социальноэкономических проблем народонаселения, 1992. С.48-60. 14. Arellano M., Bond S. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations // Review of Economic Studies 58, 1991. P. 277-297.

15. Arellano M., Bond S. Dynamic Panel Data Estimation Using DPD98 for Gauss: a Guide for Users. - Mimeo, Institute for Fiscal Studies, London, Dec. 1998. 46 p. 16. Avio K.L., Clark C.S. Property crime in Canada: an econometric study. - Ontario Council Economic Research Studies, Ontario, Canada, 1976. 17. Becker G. Crime and Punishment: An Economic Approach // Journal of Political Economy, 76, 1968. P. 169-217. 18. Becker G. The Economics of Crime // Cross Sections, Fall 1995. 19. Becker G. Nobel Lecture: The Economic Way of Looking at Behavior // Journal of Political Economy, 101, Issue 3, 1993. P. 385-409. 20. Danziger S., Wheeler D. The economics of crime: punishment or income distribution // Rev. Soc. Econ., 1975, P. 113-31. 21. Ehrlich I. Participation in Illegitimate Activities: A Theoretical and Empirical Investigation // Journal of Political Economy, 81, 1973. P. 521-565. 22. Eide E. Economics of Crime: Deterrence and the Rational Offender // Contribution to economic analysis, No. 227, North-Holland, 1994. 334 p. 23. Fajnzylber P., Lederman D. and N. Loayza “Determinants of Crime Rates in Latin America and World: An Empirical Assessment”, World Bank Latin American and Caribbean Studies. Viewpoints, The World Bank, 1998. 24. Fajnzylber P., Lederman D., Loayza N. Inequality and Violent Crime - Office of the Chief Economist Latin America and the Caribbean, The World Bank, mimeo, Oct. 1999. 44 p. 25. Fleisher B. The Effect of Income on Delinquency // American Economic Review, 56, 1966. P. 118-137. 26. Forst B. Participation in illegitimate activities: further empirical findings // Policy Anal., 2, No. 3, 1976. P. 477-492. 27. Greene W. Econometric Analysis - Prentice-Hall, 2000. P. 1004. 28. Griliches Z., Hausman J. Errors in Variables in Panel Data // Journal of Econometrics 31, 1986. P. 93-118.

29. Heineke J.M. Economic models of criminal behaviour - Amsterdam, NorthHolland, 1978. 30. Holtman A.G., Yap L. Does punishment pay? // Pub. Fin., 33, 1-2, 1978. P. 9097. 31. Imrohoroglu A., Merlo A., Rupert P. On the Political Economy of Income Redistribution and Crime - Federal Reserve Bank of Minneapolis Staff Report: 216, September 1996, p.35. 32. Lenke L. Violent Crime and Alcohol: A Study of the Developments in Assaultive Crime - Stockholm, Department of Criminology, University of Stockholm, 1975. 33. Levitt S. Why Do Increased Arrest Rates Appear to Reduce Crime: Deterrence, Incapacitation, or Measurement Error? - NBER Working Paper No. 5268, 1995. 34. Levitt S. Using Electoral Cycles in Police Hiring to Estimate the Effect of Police on Crime - American Economic Review, 81(3), June 1997. P. 270-290. 35. Markowitz S. Criminal Violence and Alcohol Beverage Control: Evidence from an International Study - NBER Working Paper, No. 7481, 2000. 36. Mathieson D., Passell P. Homicide and robbery in New York city: an econometric model // J. Legal Stud., No. 5, 1976. P. 83-98. 37. Myers S.L. Why are crimes underreported? What is the crime rate: Does it really matter? // Soc. Sc. Q., 61, No. 1, June 1980. P. 23-43. 38. Mathur V.K. Economics of crime: an investigation of the deterrent hypothesis for urban areas // Rev. Econ. Stat., 60, No. 3, Aug 1978. P. 459-466. 39. Sjoquist D. Property crime and economic behavior: some empirical results // Am. Econ. Rev., 63, No. 3, 1973. P. 439-446. 40. Swimmer E.R. Measurement of the effectiveness of urban law enforcement – A simultaneous approach // Southern Econ. J., 40, Apr 1974. P. 618-630. 41. Thaler R. An econometric analysis of property crime // J. Pub. Econ., 8, 1977. P. 323-338. 42. Vandaele W. Participation in Illegitimate activities: Ehrlich revised / in Blumstein et al., 1978. P. 270-335.

43. Willis K.G. Spatial variations in crime in England and Wales: testing an economic model // Reg. Stud., 17, No. 4, 1983. P. 261-272. 44. Witte A., Tauchen H. Work and Crime: An Exploration Using Panel Data NBER Working Paper No. 4794, 1994. 45. Witte A. Estimating the economic model of crime with individual data // Q. J. Econ. (Feb), 1980. P. 57-84. 46. Esterban, J. and Ray, D. “On the Measurement of Polarization”, Econometrica, 63(4): 819-851. 47. Van Kesteren J., Mayhew P., Nieuwbeerta P. “Criminal Victimization in Seventeen Industrialized Countries: Key findings from the 2000 International Crime Victims Survey”, UNICRI, 2001. 48. Сравнительное социологическое исследование «Население и милиция в большом городе», Общественная правозащитная организация, "Гражданский контроль", Санкт-Петербург, 2001. 49. Fajnzylber P., Lederman D. and N. Loayza “Crime and Victimization: An Economic Perspective”, Economia, Fall 2000. PP. 219-302. 50. Blundell, Bond, Windmeijer “Estimation in Dynamic Panel Data Models: Improving on the Performance of the Standard GMM Estimation”, The Institute for Fiscal Studies, WP #00/12. 51. Восьмой ежегодный демографический доклад «Население России 2000» под ред. А.Г. Вишневский, Институт народнохозяйственного прогнозирования РАН, Центр демографии и экологии человека, Москва, 2001. 52. А. Деев, В. Школьников «Неоднородность смертности: анализ индивидуальных данных» в «Неравенство и смертность в России» ред. В. Школьников, Е. Андреева, Т. Малева, Центр Карнеги, Москва, февраль 2000, 107 с. 53. Всемирные индикаторы развития 2001, Всемирный банк, 2002. 54. "Российские регионы после выборов - 96" под ред. Лаврова А.М., Юридическая литература, Москва, 1997.

55. Soares R.R. “Development, Crime, and Punishment: Accounting for the International Differences in Crime Rates”, Department of Economics – University of Chicago, April 2001. Mimeo. 56. 6-е и 7-е обследования ООН трендов преступности и работы криминальной юстиции, Интернет сайт ООН, www.un.org. 57. Международные данные по смертности, Интернет сайт Всемирной организации здравоохранения, www.who.org. 58. Graeme R. Newman “Global Report on Crime and Justice”, Oxford University Press, 1999, P. 356. 59. Kolenikov S. “Review of STATA 7”, Journal of Applied Econometrics, 16, 2001. P. 637-646. 60. Eide E. Economics of Criminal Behavior, in B. Bouckaert and G. De Geests (eds.): Encyclopedia of Law and Economics, vol. V, Cheltenham, 2000, Edward Elgar, pp. 345-389. 61. Bourguignon F. “Crime, Violence and Inequiquitable Development”, paper prepared for the Annual World Bank Conference on Development Economics, April 1999. Mimeo. 62. Winfree L. Т., Abadinsky H. “Understanding Crime. Theory and Practice”, Chicago, 1996. P. 9-11. 63. Maxim P., Whitehead P. “Explaining Crime”, Fourth Edition. Butterworth — Heinemann, 1998. P. 21. 64. Я.И.Гилинский “Criminology today”, статья в Интернете: www.narcom.ru/law/system.html 65. Я.И.Гилинский “Объяснение преступности”, статья в Интернете: www.narcom.ru/law/system.html 66. Андриенко Ю.В. “В поисках объяснения роста преступности в России в переходный период: криминометрический подход”, Экономический журнал ВШЭ, том 5, №2, 2001. С. 194-220.

67. Myers S.L. “Crime in Urban Areas: New Evidence and Results”, Journal of Urban Economics, 11, 1982. P. 148-158. 68. A. M. Polinsky and S. Shavell “The economic theory of public enforcement of law”, NBER Working paper 6993, 1999. 69. Fowlees R. and M. Merva “Wage inequality and criminal activity: An extreme bounds analysis for the United States, 1975-90”, Criminology, Vol. 34, No.2, 1996. PP. 163-182. 70. Kelly M. “Inequality and Crime”, Review of Economics and Statistics, Vol. 82, Issue 4, 2000. PP. 540-554. 71. Pridemore W. Using newly available homicide data to debunk two myphs about violence in an international context: a research note // Homicide Studies, Vol. 5, No. 3, Aug 2001. P. 266-274. 72. Hellman D.A. and N.O. Alper “Economics of Crime”, Simon & Schuster Custom Publishing, 1997. P.18. 73. Archer D. and R. Gartner “Violence and Crime in Cross-National Perspective”, New Haven: Yale University Press, 1984. P. 29. 74. Steven D. Levitt "The Changing Relationship between Income and Crime Victimization." Federal Reserve Bank of New York Economic Policy Review 5, No.3 (September 1999). PP. 87-98. 75. Cloninger D.O., Sartorius L.C. Crime rates, clearance rates and enforcement effort: the case of Houston, Texas // Amer. J. Econ. Soc., 4 (Oct.), 1979. P. 389-402. 76. Wolpin K. An economic analysis of crime and punishment in England and Wales, 1894-1967 // J. Pol. Ec., 5, 1978. P. 815-840. 77. Schuller B.-J. Economi och kriminalitet: en empirisk undersokning av brottsligheten i Sverige, Economiska studier utgivna av Nationalekonoiska institutionen vid Goteborgs Universitet, 17,1986. 78. Wahlroos B. On finnish property criminality: an empirical analysis of the post war era using Ehrlich model. Scand. J. Econ., 83, No.4, 1981. P. 553-562.

79. Wolpin K. A time series – cross section analysis of international variation in crime and punishment // Rev. Econ. Stat, Aug, 1980. 80. Entorf H., Spenger H. Socio-economic and Demographic Factors of Crime in Germany: Evidence from Panel Data of the German States – ZEV, Germany, Mimeo, 1998. 44 p. 81. Nelson, C.R. and H. Kang, “Pitfalls in the Use of Time as an Explanatory Variable in Regression”, Journal of Business and Economic Статистике, 1984, 2:7382. 82. Corman Hope and H.N. Mocan, “A Time-Series Analysis of Crime and Drug Use in New York City”, National Bureau of Economic Research, Working Paper No. 5463, 1996. 83. R. Cooter, Th. Ulen, Law and Economics, 2nd ed., 1997. 84. International Crime Victim Survey : Интернет сайт www.unicri.it. 85. WHO Statistical Information System (WHOSIS) : Интернет сайт www3.who.int/whosis/menu.cfm 86. Kaplow L. A note on the optimal use of nonmonetary sanctions // Journal of Public Economics, Vol. 42., 1990. P. 245-247. 87. Лунеев В.В. Преступность ХХ века – М. Норма, 1997.

Приложение 1. Доказательство теорем из главы 2.

Доказательство теоремы 2.

Для доказательства достаточно продифференцировать кумулятивную функцию распределения. Так как 1 p VR = F p f (b s ), то VR = (53) 1 p 1 p 1 p 1 p (b s ) > 0, VR = (b s ) < 0, и p f p f b p f s p f 1 p (b s ) < 0 и p f p2 f bs для тех агентов, у которых защищенность меньше, чем благосостояние, т.е. b < s, VR VR p = f = (1 p) (b s ) p f 1 p p f (b s ) < 0. Доказательство теоремы 3. Вначале найдем производную по U от плотности нормального распределения:

N (U, 2 ) ( х ) 1 exp ( x U )2 = U 2 U 2 2 x U 1 1 x U exp ( x U )2 = N (U, 2 ) ( x ) 2 2 2 2 2 = (54) Заметим, что производная плотности нормального распределения по х будет иметь такой же вид с противоположным знаком. В результате приходим к следующей формуле с дифференциалами N (U, 2 ) ( х ) U dx = N (U, 2 ) ( х ) х dx = d N (U, 2 ) ( х ) (55) Используя последнюю формулу и правило интегрирования по частям, выводим значение производной уровня риска по среднему уровню начальной полезности 1 p (b s ) p f 1 p (b s ) p f VR = U.

N (U, 2 ) (a ) U da = d N (U, ) (a ) = N (U, ) 2 1 p (b s ) < 0 p f Доказательство теоремы 3. Найдем частную производную от риска по. Для этого вначале дисперсии распределения начальной полезности VR выведем формулу для частной производной от плотности нормального распределения по дисперсии N (U, 2 ) ( х ) 1 2 = 1 1 exp ( x U )2 = 2 2 2 (56) 1 ( x U )2 exp 1 ( x U )2 = 2 + 3 2 2 1 ( x U )2 1 N (U, 2 ) ( x ) 2 1 p ( b s ) p f Используя выведенную формулу и определение риска (6), найдем производную VR = N (U, 2 ) ( a ) da = (57) 1 p ( b s ) 2 1 p p f (a U ) 1 F( (b s )) N (U, 2 ) ( a ) d a 2 p f Вычислим отдельно интеграл 1 p (bs ) p f (a U ) N (U, 2 ) (a) d a = 1 p (bs ) p f (a U ) d N (U, ) (a) = (a U ) 1 p (bs ) N (U, 2 ) (a) p f + 1 p (bs ) p f N (U, ) (a) d (a U ) = (58) 1 p 1 p ( (b s) U ) + FN (U, 2 ) p f (b s) p f Подставляя найденное выражение в формулу (10), окончательно находим, что VR = 1 p (b s ) U p f 1 p N (U, 2 ) p f (b s ).

(59) Для доказательства следующего теоремы понадобится вспомогательная лемма.

Лемма.

N (m, 2 ) ( k y + l x) N ( m, 2 ) ( y ) = N ( m 1 k m1, 2 + k 2 1 ) 2 ( l x) N ( m ( x ), 2 ) ( y ) (60) где m( x) = m1 2 2 k ( l x m 2 ) 1 2 + k, = 12 2 2 2 + k 2.

Доказательство: Так как ( y m1 )2 (k y + l x m 2 ) 2 12 2 = 1 2 12 2 (( 2 2 + k 2 1 2 ) y 2 y (m1 2 2 k ( l x m 2 ) 1 2 ) + m1 2 2 2 + ( l x m 2 ) 2 1 2 ) = 1 (( 2 2 + k 2 12 ) y 2 2 2 2 + k 2 12 y 2 2 2 1 m1 2 k ( l x m2 ) 2 2 + k 2 m 2 k (l x m ) 2 2 1 + 1 2 2 2 + k 2 m 2 k (l x m ) 2 1 2 2 1 + m12 2 2 + ( l x m2 ) 2 12 ) = 2 2 2 2 + k 1 1 m 2 k ( l x m2 ) 12 2 ) (( 2 2 + k 2 12 y 1 2 2 2 2 2 2 2 1 2 2 + k 1 ( m1 2 2 k ( l x m2 ) 2 2 + k 2 ) 2 + m1 2 2 + ( l x m2 ) 12 ) = 2 2 + k 2 12 m1 2 2 k ( l x m2 ) 12 2 (( y ) 2 12 2 2 2 2 + k 2 (m1 2 2 k ( l x m2 ) 12 ) 2 ( 2 + k 1 ) 2 2 + m12 2 2 + ( l x m2 ) 2 2 + k )= ( y m( x) )2 c( x) 2 2 где m( x) = m1 2 2 k ( l x m 2 ) 1 2 2 + k 2, = 12 2 2 2 2 + k 2, 2 2 + k 2 12 (m1 2 2 k ( l x m2 ) 12 ) 2 ( + c( x) = 2 12 2 2 ( 2 2 + k 2 12 ) m12 2 2 + ( l x m2 ) 2 2 + k ( l x m2 + k m1 ) 2 2 ( 2 2 + k 2 12 ) )= 1 2 1 2 ( 2 2 + k 2 12 ) 2 ((m1 2 2 k ( l x m2 ) 12 ) 2 + (m12 2 2 + ( l x m2 ) 2 12 ) ( 2 2 + k 2 12 )) = Из выведенной формулы следует, что N ( m, 2 ) ( k y + l x) N ( m, 2 ) ( y ) = 2 2 1 1 2 1 e (b m ( x ) ) 2 c ( x ) = N ( m k m, 2 + k 2 2 ) 2 ( l x) N ( m ( x ), 2 ) ( y ) что завершает доказательство леммы. Доказательство теоремы 5. Из результатов теоремы 4 следует, что 1 p VR (b s ) p f CR + + = N (B, 2 ) (b) N (S, 2 ) ( s ) ds db = 1 p (b s ) U + + p f 1 p N (U, 2 ) (b s ) N (B, 2 ) (b) N (S, 2 ) ( s ) ds db p f По лемме получаем, что N (U, 2 ) 1 p (b s ) N (B, 2 ) (b) = p f 1 p s N ( m ( s ), 2 ) (b) 2 1 p 2 p f 1 p ) B, 2 + N (U p f p f, B 2 + где m( s ) = 2 1 p 1 p p f s + U p f 2 2 2 и =, а также 2 2 1 p 2 1 p 2 2 + 2 + p f p f 1 p 1 p N (U B, 2 + p f p f 1 p s N (S, 2 ) ( s ) = 2 ) p f 1 p 1 p 2 2 ( B S ), 2 + N (U p f ( + )) p f (0) N (m, 2 ) ( s ), где 2 2 + 1 p 2 1 p U 1 p B 2 S p f p f p f m= 2 1 p 2 2 2 + p f + ( ) и 2 2 + 1 p 2 2 p f. = 2 1 p 2 2 2 + p f + ( ) После подстановки получаем CR (0) + + 1 p (b s ) U N (m( s ), 2 ) (b) N (m, 2 ) ( s ) ds db = = p f ( 0) + + 1 p (b s ) N (m ( s ), 2 ) (b) N (m, 2 ) ( s ) ds db U = p f ( 0) 1 p + m( s ) N (m, 2 ) ( s ) ds m U p f Найдем вначале значение выражения во внутренних скобках + B 2 + m( s) N (m, ) ( s) ds m = 2 1 p 1 p p f m + U p f m = 2 1 p 2 2 + p f (B m ) 2 + 1 p U p f 1 + p p 2 f Осталось подставить обратно, вспомнить определение m и найти значение выражения во внешних скобках 1 p p f (B m ) 2 + 1 p U p f 2 + 1 p p 2 f U = 1 + p p 2 + 2 f N( ( ) 1 p p f (B S ) U (0) 1 p (B S ) U p f CR = 1 p 1 p 2 2 ( B S ) U, 2 + p f ( + )) p f 1 + p p 2 + 2 f ( ) Воспользовавшись результатом теоремы 3, получаем, что 1 p VR (b s ) p f CR + + = N (B, 2 )(b) N (S, 2 )( s ) ds db = U U 1 p N (U, 2 ) (b s ) N (B, 2 )(b) N (S, 2 )( s ) ds db = p f + + + + 1 p 1 p 2 2 N( ( B S ) U, 2 + p f ( + )) p f (0) N (m( s ), 2 )(b) N (m, 2 )( s ) ds db = 1 p 1 p 2 2 N( ( B S ) U, 2 + p f ( + )) p f ( 0) < Специальное доказательство остальных утверждений в условии теоремы не требуются. Достаточно заметить, что остальные результаты следуют из этих двух с помощью замены переменных, так как все три независимые случайные величины «равноправны» в смысле доказательства. Например, для нахождения формул для производных CR CR и достаточно в выведенные формулы в S 1 p S и U, p f а также 2 и левой и правой части поменять местами 1 p 2 p f. Замечание: основное следствие непосредственно вытекает из формул, полученных при доказательстве теоремы 5, а вывод результатов теоремы 6 получается из теоремы 5 предельным переходом 0.

Приложение 2.

Таблица 1. Тест Дикки-Фуллера 1) для уровней Переменная (логарифмированная) без сдвига со сдвигом со сдвигом и трендом 2,499 0,292 -1,815 Общая преступность 0,508 -1,128 -1,668 Убийства -0,282 -1,907 -1,9 Судимость 0,448 -2,124 -1,085 Тюремное население 2,022 -2,467 -2,248 Мужчины 15-34 лет Умышленные тяжкие 1,142 -0,602 -1,863 телесные повреждения 0,491 -1,636 -2,232 Изнасилования -0,181 -2,167 -3,198 Хулиганство 1,587 0,307 -2,378 Грабеж 1,849 -0,369 -1,717 Разбой 1) для первых разностей 2) со сдвигом без сдвига со сдвигом и трендом -3,934*** -4,559*** -4,595*** -4,103*** -4,009*** -4,035** -3,659*** -3,591** -3,509* -5,697*** -5,613*** -5,901*** -2,739*** -2,773* -2,572 -4,021*** -4,241*** -5,349*** -4,445*** -3,429*** -4,013*** -4,155*** -5,258*** -5,071*** -3,676** -3,964** -4,084** -5,309*** -4,907*** -3,659** все переменные пересчитаны на душу населения (уровни преступности - на 100 тыс. населения) 2) звездочками обозначены уровни значимости: ***- 1%, **- 5%, *-10%.

Таблица 2. МНК регрессии по 8 видам преступлений ПричинеОбщая ние тяжкоПеременная преступ- Убийство го вреда ность здоровью 0,59 0,72*** 0,65*** Преступность с лагом -0,65* -0,006*** -0,016*** Судимость c лагом -0,26 0,004** 0,011** Освобождение с лагом 105 1,6** 4,42** Национальный доход -22 -0,47** -1,17* Константа 27 27 27 Число наблюдений 0,12 0,62 0,63 R2 скорректированный Кража Кража обличного щественИзнасиГрабеж Разбой лование имуще- ного имуства щества 0,69*** 0,58** 0,68*** 0,60** 0,66** -0,008*** -0,041** -0,011*** -0,25** -0,10** -0,003** 0,013 0,009 0,028 0,024 2,4*** 5,7 1,8 37 14 -0,71*** -1,1 -0,45 -6,6 -3 27 27 27 27 27 0,58 0,36 0,54 0,26 0, Таблица 3. МНК регрессии по 8 видам преступлений, с поиском спецификации модели.

Переменная Преступность t-1 Преступность t-2 Судимость (без тюрьмы) t Судимость (без тюрьмы) t-1 Судимость (без тюрьмы) t-2 Судимость (без тюрьмы) t-3 Судимость (без тюрьмы) t-4 Судимость к лишению сво-1,2** боды t-1 Освобождение из мест заключения t-1 260** Национальный доход t Национальный доход t- ПричинеОбщая ние тяж- ИзнасиГрабеж Разбой преступ- Убийство кого вреда лование ность здоровью 0,62** 0,49*** 0,53*** 0,36* 0,45** 0,50* 0,22* -0,38*** -0,67*** -0,037*** -0,004* -0,021*** -2,7*** -0,018*** -0,015*** -0,11*** -0,28*** 0,009*** 0,07* -0,006* -0,009*** 0,005*** 2,71*** 7,2*** 6,5*** 2,9*** 13** 3,8*** 2,4*** -0,007** Кража Кража облично- щественго иму- ного имущества щества 0,49* 0,42* -0,69*** -0,33*** -0,019*** -0,38** -0,14** 85* 37** Константа Число наблюдений R2 скорректированный -71** 26 0, -0,77*** 24 0, -3,8*** 26 0, -0,83*** 26 0, -3,1 25 0, -1,7*** 26 0, -20 26 0, -9,2* 26 0, Таблица 4. Регрессии на альтернативных источниках данных с поиском спецификации модели.

Регистрация МВД Переменная Преступность t-1 Судимость (без тюрьмы) t-1 Судимость (без тюрьмы) t-2 Судимость (без тюрьмы) t-3 Судимость к лишению свободы t Судимость к лишению свободы t-1 Освобождение из мест заключения t-1 Национальный доход t Алкоголь t Константа Число наблюдений R2 скорректированный Убийства 0,34*** -0,017*** 0,009*** -0,007*** 0,004*** 2,30*** 0,006** -0,68*** 24 0,92 -0,14*** Убийства, женщины Смертность* Убийства, мужчины 0,43** -0,18* -0,35*** 0,33** -0,27*** 0,16*** 21 0,31*** -4,86 23 0,88 Убийства всего 0,47*** -0,28*** 0,28*** -0,15** 0,12*** 28,5** 0,20*** -8,41** 23 0, 0,05*** 15** 0,10*** -3,37 24 0, * данные по РСФСР.

Таблица 5. Статистические данные.

Год 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 НациоОбщая Тюремное нальный преступ- Убийства Судимость заключение доход, ность 1950=1 406 401 357 335 328 383 372 398 406 433 433 433 422 455 473 482 470 6,8 6,5 5,9 5,7 6 6,1 5,7 6,2 6,2 6,3 6,4 6,1 6,3 6,7 6,9 7 7,3 370 373 307 273 249 327 312 304 334 353 358 356 333 354 349 358 317 223 214 165 152 144 212 200 200 222 225 204 206 200 204 200 200 167 2,83 3,00 3,12 3,41 3,64 3,93 4,27 4,63 4,85 5,29 5,58 5,80 6,32 6,66 6,96 7,37 7, 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 503 546 578 604 616 744 742 755 714 639 657 859 969 7,8 7,9 8,1 8 7,9 7,9 7,5 6,8 5,3 5,2 5,9 7,5 8,6 8, 331 349 377 398 427 452 471 460 437 322 239 235 281 180 190 215 225 231 239 231 208 165 109 81 84 102.

8,09 8,27 8,59 8,88 9,23 9,62 9,90 10,06 10,29 10,45 10,91 11,18..

График 1.

Уровень преступности в СССР, 1961-1990 гг.

1200 8 Число преступлений на 100 тыс населения Число убийств на 100 тыс населения (правая ось) 0 0 График 2.

У р о в е н ь п р е с т у п н о с т и в Р о с с и и, 1 9 8 5 -1 9 9 9.

3500 3000 2500 2000 1500 1000 500 19 91 19 93 19 94 19 85 19 86 19 87 19 88 19 89 19 90 19 92 19 95 19 96 19 98 19 99 19 35 30 25 20 15 10 5 О б ще е ко личе с тв о за р е гис тр ир о в а нны х пр е с тупле ний, ты ся ч (ле в а я шка ла ) Ко личе ств о уб ийств и по куше ний на уб ийс тв о, ты с я ч (пр а в а я шка ла ) И с точ ник : Г ос к ом с тат (1999).

Приложение 3.

Таблица 1. Описательная статистика и источники данных.

Переменная Смертность от убийств Определение Число Ст. наблю- Среднее Откл. дений 691 28,6 16,2 Min Max Источник Смертность населения в результате нападения (насилия, убийства) на 100 000 населения Смертность населения в Смертность от результате нападения убийств, (насилия, убийства) на 100 мужчины 000 мужчин Смертность населения в Смертность от результате нападения убийств, (насилия, убийства) на 100 женщины 000 женщин Количество убийств и Убийство покушений на 100 000 населения Количество зарегистрированных Общая преступлений на 100 000 преступность населения Причинение Количество причинений тяжкого вреда тяжкого вреда здоровью на здоровью 100 000 населения Количество изнасилований Изнасилование на 100 000 населения Количество грабежей на 100 Грабеж 000 населения Количество разбоев на 100 Разбой 000 населения Раскрываемость Доля раскрытых убийств, убийств проценты Реальная Доля раскрытых убийств в раскрываемость общем количестве смертей убийств от убийств, проценты Раскрываемость Доля раскрытых преступлений преступлений, проценты Раскрываемость Доля раскрытых причинений причинений тяжкого вреда здоровью, тяжкого вреда проценты здоровью Раскрываемость Доля раскрытых изнасилований изнасилований, проценты Раскрываемость Доля раскрытых грабежей, грабежей проценты Раскрываемость Доля раскрытых разбоев, разбоев проценты Ожидаемая Качество жизни продолжительность жизни при рождении, годы Промышленное Промышленное производство в постоянных производство ценах, в миллионах рублей 3, 144,5 Минздрав России 45, 26, 5, 244,3 Минздрав России 12, 6, 1, 48,1 Минздрав России 20, 9, 3, 81,0 МВД России 3855 МВД России 691 691 691 460 40,1 8,3 89,4 24,0 80, 26,6 4,3 46,9 10,0 9, 6,0 1, 292,5 МВД России 47,1 МВД России 12,0 291,0 МВД России 6,2 56,6 МВД России 22,2 100,0 МВД России Рассчитано по данным МВД и 23,1 229,3 Минздрава России 52,8 36,5 92,1 МВД России 98,1 МВД России 691 460 691 691 691 460 691 63,3 72,0 77,0 86,3 54,4 69,0 65,6 0, 22,4 7,0 9,9 7,9 13,2 12,0 2,4 0, 48,9 100,0 МВД России 14,4 33,0 55,3 0,02 89 МВД России 96,6 МВД России 72,3 Госкомстат России Рассчитано по 0,50 данным Госкомстата 1990 г на 100 000 населения Доход на душу населения, Реальный доход деленный на стоимость 25 продуктовой корзины Доля безработных, Безработица проценты (по методике МОТ) Количество госпитализированных в Злоупотребле- стационарные ние алкоголем медучреждения с диагнозом алкогольный психоз, на 100 000 населения Количество прибывших Миграционный минус количество прирост выбывших, на 10 000 населения населения Конфликты Интегральный индекс социально-политической конфликтности Мера этнической поляризации Esteban-Ray, альфа=1.6 Среднее количество лет образования населения старше 15 лет Доля приватизированного бизнеса из всех подлежащих приватизации в торговле, общественном питании и бытовых услугах на 1996 г, проценты Количество мест в исправительных учреждениях, на 100 000 населения Доля городского населения, проценты Средняя температура января, градусов Средняя температура июля, градусов Мера неравенства в распределении доходов Рассчитано по 17,2 данным Госкомстата Госкомстат 32,0 России 691 3,5 10, 1,6 5, 1,3 2, 79, 42, 0, 220,7 Минздрав России - Госкомстат России Центр по изучению и урегулированию конфликтов, Москва Рассчитано по данным Госкомстата о переписи населения 1989 г Рассчитано по данным Госкомстата о микропереписи 1994 г "Российские регионы после выборов - 96" под ред. Лаврова А.М., Юридическая литература, Москва, 1997. Центр содействия реформе уголовного правосудия Госкомстат России Госкомстат России Госкомстат России Рассчитано по данным Госкомстата 9, 6, 0, 61, Поляризация 0, 0, 0, 0, Образование 9, 0, 8, 11, Малая приватизация Вместимость тюрем Городское население Зимняя температура Летняя температура Индекс Джини 691 691 691 691 327 69,3 -11,3 18,6 0, 143 12,7 7,5 2,7 0, 23,5 100,0 -43,9 10 0,22 3,2 27,1 0, Количество зарегистрированных Наркомания наркоманов, на 100 000 населения Рост Рост переменной промышленного промышленное производства производство 69, 80, 2, 515,6 Минздрав России Рассчитано по 0,69 данным Госкомстата -0, 0, -0, Рассчитано по 1,17 данным Госкомстата Рост реальных Рост переменной реальный доходов доход -0, 0, -0, Таблица 2. Результаты основной регрессии*.

Убийство Преступность с лагом Конфликты Раскрываемость Качество жизни Поляризация Константа Кол-во наблюдений Кол-во лет Кол-во регионов Тест Саржана, значение вероятности p Тест на серий-ную корреляцию 1-го порядка, р Тест на серий-ную корреляцию 2-го порядка, р 0,378*** 0,199*** -0,072*** -2,060*** 27,2*** 152*** 691 9 77 0,560 0,000 0,278 Смертность Смертность Причинение Смертность Изнасилоот убийств, от убийств, тяжкого вреГрабеж от убийств вание мужчины женщины да здоровью 0,655*** 0,095*** -0,069*** -2,480*** 27,2*** 182*** 691 9 77 0,255 0,001 0,707 0,735*** 0,202*** -0,09*** -3,2*** 29,5*** 237*** 691 9 77 0,183 0,000 0,366 0,335*** -0,009 -0,030*** -1,700*** 11,4*** 124*** 691 9 77 0,360 0,000 0,953 0,785*** 0,104*** -0,049 -2,010*** 16,8*** 147*** 691 9 77 0,233 0,000 0,363 0,383*** 0,864*** 0,128*** -0,181 0,04*** -0,431*** -0,653*** -1,050*** 15,6*** -11,6 43,6*** 125*** 691 691 9 9 77 77 0,310 0,000 0,697 0,164 0,000 0, * Матрица инструментов построена из вторых лагов для преступности, конфликтов, раскрываемости и качества жизни для уравнения в первых разностях, тогда как лаги первых разностей для преступности с лагом, конфликтов, раскрываемости и качества жизни – для уравнения в уровнях. Поляризация предполагается экзогенной переменной и также включена в матрицу инструментов. Здесь и ниже звездочками обозначена статистическая значимость коэффициентов: *значимость на 10% уровне доверия, **- значимость на 5%, ***- значимость на 1%.

Таблица 3. Результаты основной регрессии с неравенством**.

СмертСмертУбийность от ность от убийств, ство убийств мужчины Преступность с лагом Конфликты Раскрываемость Качество жизни Поляризация Индекс Джини Константа Кол-во наблюдений Кол-во лет Кол-во регионов Тест Саржана, p Тест на серийную корреляцию 0,525*** 0,687*** 0,721*** 0,134*** -0,026** -1,53*** 22*** 5,43*** 106*** 460 6 77 0,19 0,000 Смерт- ПричинеОбщая ность от ние тяж- ИзнасиГрабеж преступ- Разбой убийств, кого вреда лование ность женщины здоровью 0,468*** 0,647*** 0,389*** 0,85*** 0,873*** 0,785*** 0,221*** 0,306*** 0,037*** -0,051*** -0,092*** 0,007 -1,63*** -2,3*** -1,27*** 16*** 21,5*** 10,6*** 0,811 3,03 2,16 114*** 161*** 86,9*** 460 6 77 0,51 0,000 460 6 77 0,54 0,000 460 6 77 0,12 0, 0,074*** 0,047*** -0,027 -0,042 -0,038 0,189*** 0,069*** -0,089 -9,22*** -0,008 -2,51*** -0,477*** -2,34*** -16,2*** -0,709*** 37,6*** 18,5*** 27,9** -199 4,67 8,76*** 0,142 20,6*** 223** 5,06** 154*** 28,1*** 158*** 1944*** 49,1*** 460 6 77 0,19 0,001 460 6 77 0,50 0,000 460 6 77 0,16 0,001 460 6 77 0,12 0,000 460 6 77 0,17 0, 1-го порядка, р Тест на серийную корреляцию 0,795 2-го поряд-ка, p 0, 0, 0, 0, 0, 0, 0, 0, ** Матрица инструментов построена из вторых лагов для преступности, конфликтов, раскрываемости и качества жизни для уравнения в первых разностях, тогда как лаги первых разностей для преступности с лагом, конфликтов и раскрываемости – для уравнения в уровнях. Поляризация, качество жизни и Джини предполагаются экзогенными переменной и также включены в матрицу инструментов.

Таблица 4. Результаты расширенной регрессии*.

Убийство Преступность с лагом Конфликты Раскрываемость Качество жизни Безработица Миграционный прирост Потребление алкоголя Наркомания Промышленное производство Реальные доходы Рост промышленного производства Рост реального дохода Вместимость тюрем Малая приватизация Городское население Образование Поляризация Зимняя температура Летняя температура Константа Кол-во наблюдений Кол-во лет Кол-во регионов Тест Саржана, p Тест на серийную корреляцию первого порядка, р Тест на серийную корреляцию второго порядка, p 0,3*** 0,143*** -0,141*** -1,76*** 0,009 0,005*** -0,007** 0,005*** 2,17 -0,032 0,013 -0,7** 0,001 0,015*** -0,011 -1,33*** 27,9*** -0,203*** -0,14*** 150*** 691 7 77 0,931 0,000 0,196 Смертность Смертность Причинение Смертность Изнасилоот убийств, от убийств, тяжкого вреГрабеж от убийств вание мужчины женщины да здоровью 0,639*** 0,022 -0,105*** -1,59*** 0,025 -0,001 -0,002 0,004*** -3,9** -0,031 2,87*** -1,27*** 0,0003 0,015*** -0,02 -0,769 27,6*** -0,147*** 0,026 131*** 691 7 77 0,147 0,000 0,632 0,685*** 0,044 -0,161*** -2,26*** -0,004 -0,004** 0,004 0,005 -7,54*** -0,14 6,01*** -1,1** 0,0004 0,018*** -0,058** -0,52 36,6*** -0,209*** 0,117** 186*** 691 7 77 0,135 0,000 0,344 0,386*** -0,02 -0,041*** -1,13*** 0,02 0,004*** -0,003 0,003*** -0,697 0,013 -0,69 -0,862*** -0,0001 0,015*** 0,029*** -1,68*** 21,6*** -0,096*** -0,042** 96,3*** 691 7 77 0,397 0,000 0,946 0,609*** -0,246*** -0,701*** -2,96*** -0,082** -0,0001 -0,011 0,013*** -0,673 -0,103 0,195 -2,83*** 0,005** 0,002 -0,17*** -5,28*** 6,67 -0,432*** -0,349*** 329*** 691 7 77 0,046 0,000 0,411 0,247*** 0,107*** -0,082*** -0,54*** -0,075*** 0,003*** -0,001 -0,002 0,029 0,112** -0,282 -0,524*** 0,003*** -0,001 0,762*** -0,266** -0,968*** -0,666*** 0,325*** -0,01*** -0,039*** -0,006 22,9*** -1,39*** -12,6*** -0,301 0,016*** 0,038*** -0,079*** 0,148*** -0,87*** -2,57 22,1*** -10 -0,023 0,138** -0,121*** -0,416*** 62*** 141*** 691 691 7 7 77 77 0,335 0,104 0,001 0,675 0,000 0, * Матрица инструментов построена из вторых лагов для преступности, конфликтов и раскрываемости для уравнения в первых разностях, тогда как лаги первых разностей для преступности с лагом, конфликтов и раскрываемости – для уравнения в уровнях. Остальные переменные предполагаются экзогенными и также включены в матрицу инструментов.

Таблица 5. Рост преступности, вызываемый дополнительным стандартным отклонением данной переменной, %*.

Убийства Смертность от убийств Смертность от убийств, мужчины 3 Смертность от убийств, женщины 0 3 -5 -32 -6 Причинение вреда здоровью 2 1 -1 -12 -6 Изнасилование 10 7 4 -19 -5 Грабеж -1 0 -6 -3 - Конфликт 7 2 Этническая 5 3 2 поляризация Раскрываемость -3 -5 -4 Продолжитель-24 -21 -17 ность жизни Образование -3 -1 -1 *расчет основан на результатах из таблиц 1 и 2.

Безработица Этническая мозаичность Наркомания Рождаемость Младенческая смертность Поляризация Убийства Летняя температура Рост промышленного производства Смертность от убийств Реальные доходы Хулиганство Кражи Миграционный прирост Промышленное производство Городское население Потребление алкоголя Смертность 0,46 0,42 0,31 0,24 0,21 0,21 0,19 0,17 0,14 0,12 -0,13 -0,13 -0,19 -0,19 -0,26 -0,30 -0,34 -0, Таблица 6. Корреляция с индикатором конфликта**.

** рассчитано на 691 наблюдениях.

Приложение 4.

Таблица 1. Число наблюдений по странам и году обследования.

Албания Аргентина Австралия Австрия Беларусь Бельгия Боливия Ботсвана Бразилия Болгария Канада Каталония Чехия Китай Колумбия Коста Рика Хорватия Дания Египет Англия Эстония Финляндия Франция Грузия Германия (Восточная) Венгрия 1989 0 0 2012 0 0 2060 0 0 0 0 2074 0 0 0 0 0 0 0 0 2006 0 1025 1502 0 5274 0 1992 0 998 2006 0 0 1485 0 0 1016 0 2152 0 1221 2000 0 981 0 0 1000 2001 1000 1655 0 1382 0 0 1993 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1994 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1995 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1173 0 0 0 0 0 1996 1200 1000 0 1507 0 0 996 0 1000 0 2133 0 1801 0 0 999 0 0 0 2171 0 3830 1003 1137 0 756 1997 0 0 0 0 989 0 0 641 0 1075 0 0 0 0 1000 0 990 0 0 0 0 0 0 0 0 0 2000 0 0 1994 0 0 2497 0 0 0 0 2073 2909 0 0 0 0 0 3007 0 1945 0 1782 1000 0 0 0 Всего 1200 1998 6012 1507 989 6042 996 641 2016 1075 8432 2909 3022 2000 1000 1980 990 3007 1000 8123 2173 8292 3505 2519 5274 Индия Индонезия Италия Япония Киргизстан Латвия Литва Македония Мальта Монголия Нидерланды Новая Зеландия Северная Ирландия Норвегия Парагвай Филиппины Польша Португалия Румыния Россия Шотландия Словакия Словения Южная Африка Испания Швеция Швейцария Танзания Тунис Уганда Украина США Югославия Зимбабве Всего 0 0 0 0 0 0 0 0 0 0 2000 0 2000 1009 0 0 0 0 0 0 2007 0 0 0 2041 0 1000 0 0 0 0 1996 0 0 1039 3235 2024 0 0 0 0 0 0 0 2000 2048 0 0 0 1503 2030 0 0 1001 0 467 1000 0 0 1707 0 1002 1083 1020 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 988 1632 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1495 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1200 1398 0 0 1750 1395 0 699 0 1200 2008 0 1042 0 587 1500 3483 0 1091 1018 2194 0 0 1006 0 998 1000 0 0 1194 0 1003 1094 1006 0 0 0 0 0 0 1175 0 1000 0 0 0 0 0 0 0 0 0 0 0 0 1105 2053 0 0 0 0 0 0 0 992 0 0 0 0 0 0 2209 0 0 0 0 0 0 2000 0 1511 0 0 0 5275 2000 0 0 2053 0 0 0 0 2000 4221 0 0 0 0 996 0 0 2239 4633 2024 2209 1750 1395 1175 699 1000 1200 8008 2048 4553 1009 587 3003 10788 2000 1091 2019 6254 1572 3053 1994 5168 4705 6221 1002 1083 2214 992 3995 1094 1006 Таблица 2. Уровень преступности на 100 населения и индекс Джини.

Общий уровень преступности Албания Аргентина Австралия Австрия Беларусь Бельгия Боливия Ботсвана Бразилия Болгария Канада Каталония Чехия Оценка уровня риска стать жертвой по 11 видам 44 138 62 36 36 38 84 57 102 74 44 30 58 Индекс Джини 6,3 1,2 5,7 0, 46 35,2 23,1 21,7 25 58,9 59,1 26,4 31,5 32,5 25, 2,4 10, Китай Колумбия Коста-Рика Хорватия Дания Египет Англия Эстония Финляндия Франция Грузия Германия (Восточная) Венгрия Индия Индонезия Италия Япония Киргизстан Латвия Литва Македония Мальта Монголия Нидерланды Новая Зеландия Северная Ирландия Норвегия Парагвай Филиппины Польша Португалия Румыния Россия Шотландия Словакия Словения Южная Африка Испания Швеция Швейцария Танзания Тунис Уганда Украина США Югославия Зимбабве 0,6 1,5 1,4 10,5 0,0 10,2 2,4 7,6 6,8 0, 27 115 102 36 39 51 61 53 35 37 41 40,3 57,1 45,9 29 24,7 28,9 36,1 37,6 25,6 32,7 37,1 30 24,4 37,8 31,7 27,3 24,9 40,5 32,4 32,4 31 33,2 32, 3,8 0,6 0,1 3,8 1,5 0,9 1,6 1,6 2, 39 46 20 41 24 52 49 50 43 37 81 54 4, 24 29 86 17 42 28 44 77 44 72 56 36,1 25,8 57,7 46,2 31,6 35,6 28,2 48,7 36,1 19,5 28,4 59,3 32,5 25 33,1 38,2 41,7 37,4 29 40,8 56, 0, 1,0 1,8 10,3 2,6 2, 1,8 12,7 5, 48 49 49 56 75 62 44 64 1,1 5,4 6, Таблица 3. Распределение автомобилей по группам по доходу.

Группа по доходу Количество автомобилей на взрослого 0 1 >1 Всего Нижние 25% 54,83 42,68 2,49 Вторые 25% 34,42 62,23 3,35 Третьи 25% 23,2 72,2 4,61 Высшие 25% 17,99 76,4 5,61 Всего 32,43 63,56 4,01 Таблица 4. Распределение образования по группам по доходу.

Нижние 25% Среднее число лет образования 10,5 Группа по доходу Вторые Третьи 25% 25% 11,4 12,3 Высшие 25% 13,4 Всего 11, Таблица 5. Распределение преступлений с автомобилями по группам по доходу.

Количество преступлений 0 1 2 >2 Всего Нижние 25% 86,97 8,39 2,78 1,86 100 Группа по доходу Вторые Третьи 25% 25% 85,11 84,76 9,64 10,01 3,35 3,34 1,9 1,87 100 100 Высшие 25% 81,21 12,01 4,16 2,61 100 Всего 84,16 10,24 3,5 2,11 Таблица 6. Распределение насильственных преступлений по группам по доходу.

Количество преступлений 0 1 2 >2 Всего Нижние 25% 95,65 2,66 0,62 1,07 100 Группа по доходу Вторые Третьи 25% 25% 95,42 95,15 3,01 3,11 0,75 0,8 0,83 0,93 100 100 Высшие 25% 94,73 3,45 0,88 0,94 100 Всего 95,24 3,06 0,77 0,91 Таблица 7. Распределение имущественных преступлений по группам по доходу.

Количество преступлений 0 1 2 >2 Всего Нижние 25% 91,21 6,39 1,55 0,85 100 Группа по доходу Вторые Третьи 25% 25% 90,65 90,55 6,84 7,06 1,71 1,67 0,81 0,72 100 100 Высшие 25% 89,24 7,84 1,92 1 100 Всего 90,41 7,04 1,71 0,84 Таблица 8. Распределение преступлений с автомобилями по числу автомобилей, только для автовладельцев.

Количество автомобилей на взрослого Количество преступлений 0 1 2 >2 Всего 1 84,32 10,14 3,46 2,06 >1 79,85 12,24 4,7 3,21 Всего 84,06 10,26 3,53 2,14 Таблица 9. Распределение имущественных преступлений по числу автомобилей.

Число автомобилей на взрослого Количество преступлений 0 1 2 >2 Всего 0 88,19 8,28 2,37 1,16 100 1 91,27 6,64 1,44 0,65 100 >1 90,17 6,98 1,64 1,21 100 Всего 90,2 7,2 1,76 0,83 Таблица 10. Распределение насильственных преступлений по числу автомобилей.

Число автомобилей на взрослого Количество преступлений 0 1 2 >2 Всего 0 95,23 3,07 0,87 0,83 100 1 95,42 2,99 0,71 0,88 100 >1 93,26 3,94 1,27 1,54 100 Всего 95,27 3,05 0,78 0,89 Таблица 11. Описательная статистика.

Доля мужчин Доля молодежи 16-29 в выборке 0,27 0,39 0,23 0,18 0,24 0,21 0,41 0,55 0,22 0,20 0,24 0,15 0,32 Сред ний возраст 41 36 44 46 42 45 37 30 41 47 43 47 42 Средне е число вечерних выходо в за неделю 1,54 3,00 2,87 2,39 1,77 2,11 1,36 1,34 2,34 2,18 3,16 1,54 2,61 Доля владел ьцев оружия 0,06 0,25 0,15 0,14 0,05 0,15 0,08 0,05 0,12 0,11 0,24 0,06 0,21 Доля автовладельцев 0,21 0,70 0,91 0,81 0,31 0,85 0,20 0,41 0,45 0,58 0,88 0,83 0,61 Средне е число автомо билей на взросло го 0,08 0,38 0,83 0,55 0,16 0,62 0,08 0,22 0,21 0,28 0,80 0,51 0,32 ВВП на душу, постоянные доллары 1989г 2518 9301 18021 19349 4918 19936 1879 5375 5506 3987 20115 15258 11113 Индекс Джини Страна Албания Аргентина Австралия Австрия Беларусь Бельгия Боливия Ботсвана Бразилия Болгария Канада Каталония Чехия 0,52 0,45 0,46 0,43 0,40 0,48 0,45 0,39 0,48 0,45 0,48 0,41 0, 47 37 27 25 24 59 54 56 26 28 24 Китай Колумбия Коста-Рика Хорватия Дания Египет Англия Эстония Финляндия Франция Грузия Германия (Восточная) Венгрия Индия Индонезия Италия Киргизстан Латвия Литва Македония Монголия Нидерланды Новая Зеландия Северная Ирландия Норвегия Парагвай Филиппины Польша Португалия Румыния Россия Шотландия Словакия Словения Южная Африка Испания Швеция Швейцария Танзания Тунис Уганда Украина США Югославия Зимбабве Всего 0,48 0,51 0,49 0,45 0,48 0,57 0,47 0,46 0,46 0,47 0,43 0,49 0,43 0,45 0,57 0,48 0,43 0,39 0,48 0,50 0,49 0,49 0,46 0,47 0,46 0,36 0,37 0,45 0,39 0,45 0,44 0,47 0,45 0,45 0,43 0,42 0,48 0,43 0,62 0,55 0,47 0,40 0,43 0,51 0,40 0, 0,16 0,54 0,33 0,21 0,17 0,46 0,18 0,22 0,21 0,25 0,31 0,29 0,18 0,40 0,44 0,27 0,34 0,20 0,21 0,20 0,30 0,19 0,22 0,22 0,19 0,35 0,31 0,18 0,21 0,24 0,23 0,20 0,21 0,22 0,40 0,25 0,21 0,21 0,27 0,40 0,52 0,21 0,22 0,25 0,52 0, 44 32 40 47 48 34 46 44 45 44 40 42 49 35 35 43 39 47 46 45 39 45 45 46 47 42 38 47 45 46 45 45 43 45 37 43 47 47 37 35 32 46 45 44 33 0,32 2,32 2,08 2,14 2,90 1,76 3,00 1,81 2,00 2,06 2,63 2,70 0,94 1,49 1,85 2,48 1,82 1,52 1,32 2,44 1,06 2,67 2,84 3,07 2,40 2,13 1,71 1,85 1,94 0,70 1,35 3,07 1,92 1,94 1,76 1,89 1,95 2,62 1,13 2,42 2,27 1,47 3,10 2,67 1,81 2, 0,003 0,18 0,16 0,14 0,11 0,09 0,04 0,08 0,26 0,21 0,19 0,09 0,05 0,01 0,06 0,16 0,10 0,11 0,07 0,12 0,07 0,02 0,23 0,04 0,32 0,29 0,05 0,04 0,14 0,02 0,07 0,04 0,03 0,11 0,14 0,08 0,16 0,30 0,11 0,03 0,01 0,06 0,45 0,29 0,03 0, 0,04 0,63 0,40 0,64 0,75 0,36 0,81 0,50 0,80 0,84 0,53 0,80 0,54 0,16 0,45 0,88 0,40 0,42 0,49 0,73 0,24 0,79 0,93 0,75 0,80 0,55 0,16 0,52 0,78 0,41 0,33 0,75 0,58 0,81 0,47 0,72 0,80 0,75 0,50 0,46 0,29 0,29 0,93 0,68 0,28 0, 0,02 0,36 0,22 0,34 0,57 0,17 0,65 0,23 0,53 0,67 0,20 0,56 0,30 0,07 0,19 0,63 0,19 0,18 0,25 0,33 0,11 0,53 0,87 0,46 0,57 0,26 0,06 0,26 0,48 0,18 0,17 0,58 0,27 0,51 0,30 0,30 0,70 0,54 0,28 0,24 0,16 0,14 1,03 0,28 0,15 0, 1639 5075 5558 5657 21525 2379 16794 5685 17269 18010 1704 20000 8151 1556 2599 17211 1837 4417 5357 3646 1259 18068 13127 17237 19041 3832 3067 6693 13428 5767 7045 17260 8076 11351 7307 12493 17951 22481 420 4089 829 2796 24177. 2292 25 57 44 29 34 30 34 40 22 33 37 26 25 37 37 30 43 32 34 31 33 31 40 33 27 52 47 33 36 31 47 34 23 28 60 33 26 33 51 42 40 32 42 28 57 Таблица 12. Описательная статистика (продолжение).

Страна Доля безработных 0,46 0,18 0,04 0,04 0,05 0,04 0,07 0,28 0,15 0,13 0,08 0,05 0,03 0,06 0,09 0,06 0,13 0,05 0,06 0,05 0,24 0,11 0,06 0,29 0,00 0,07 0,16 0,12 0,07 0,16 0,17 0,18 0,26 0,26 0,03 0,07 0,06 0,00 0,05 0,19 0,19 0,06 0,11 0,06 0,04 0,04 Доля сообщаемых в полицию преступлений против автомобиля 0,20 0,52 0,49 0,45 0,32 0,56 0,20 0,67 0,27 0,37 0,59 0,37 0,47 0,22 0,28 0,24 0,42 0,66 0,46 0,61 0,47 0,55 0,63 0,26 0,59 0,53 0,65 0,17 0,38 0,37 0,51 0,41 0,38 0,42 0,58 0,59 0,60 0,47 0,35 0,24 0,43 0,33 0,56 0,34 0,63 0,61 Доля сообщаемых в полицию преступлений против собственности 0,22 0,41 0,63 0,55 0,26 0,66 0,12 0,50 0,17 0,38 0,53 0,62 0,50 0,28 0,24 0,28 0,51 0,68 0,31 0,70 0,41 0,44 0,60 0,29 0,49 0,47 0,27 0,28 0,52 0,23 0,33 0,39 0,47 0,36 0,68 0,68 0,60 0,45 0,30 0,21 0,35 0,47 0,31 0,26 0,70 0,57 Доля сообщаемых в полицию насильственных преступлений 0,23 0,34 0,31 0,16 0,14 0,34 0,10 0,21 0,07 0,20 0,32 0,28 0,26 0,22 0,12 0,22 0,20 0,27 0,07 0,37 0,22 0,23 0,32 0,15 0,18 0,19 0,18 0,09 0,16 0,13 0,18 0,30 0,36 0,23 0,35 0,35 0,45 0,24 0,25 0,22 0,32 0,28 0,20 0,20 0,41 0,33 Размер города, тыс населения 299 708 167 30 1500 19 521 300 723 1500 58 96 76 300 1500 431 300 43 300 34 53 36 25 192 42 113 222 300 42 541 227 79 750 557 38 33 14 18 750 418 36 14 929 680 25 Албания Аргентина Австралия Австрия Беларусь Бельгия Боливия Ботсвана Бразилия Болгария Канада Каталония Чехия Китай Колумбия Коста-Рика Хорватия Дания Египет Англия Эстония Финляндия Франция Грузия Германия (Восточная) Венгрия Индия Индонезия Италия Киргизстан Латвия Литва Македония Монголия Нидерланды Новая Зеландия Северная Ирландия Норвегия Парагвай Филиппины Польша Португалия Румыния Россия Шотландия Словакия Словения Южная Африка Испания Швеция Швейцария Танзания Тунис Уганда Украина США Югославия Зимбабве Всего 0,09 0,41 0,00 0,05 0,01 0,04 0,10 0,17 0,12 0,03 0,14 0,34 0, 0,40 0,58 0,32 0,71 0,55 0,75 0,66 0,59 0,45 0,62 0,39 0,55 0, 0,44 0,37 0,43 0,57 0,52 0,55 0,48 0,23 0,22 0,56 0,35 0,41 0, 0,26 0,24 0,26 0,27 0,21 0,48 0,45 0,17 0,21 0,35 0,21 0,15 0, 94 690 107 37 14 300 300 774 300 30 1500 1500 Таблица 13. Результаты пуассоновской регрессии.

Преступления с автомобилями Имущественные преступления -0,103 [0,014]*** -0,014 [0,001]*** 0,05 [0,004]*** 0,162 [0,022]*** -0,175 [0,020]*** 0,153 [0,021]*** Насильственные преступления -0,461 [0,019]*** -0,037 [0,001]*** 0,09 [0,005]*** 0,168 [0,027]*** -0,391 [0,026]*** 0,278 [0,021]*** Преступления с автомобилями -0,042 [0,014]*** -0,015 [0,001]*** 0,035 [0,004]*** 0,055 [0,020]*** Имущественные преступления -0,113 [0,016]*** -0,014 [0,001]*** 0,048 [0,004]*** 0,161 [0,024]*** -0,213 [0,023]*** 0,172 [0,022]*** база -0,008 [0,023] 0,007 [0,024] 0,059 [0,024]** 0,228 [0,146] 0,512 [0,169]*** -1,048 [0,258]*** 0, Насильственные преступления -0,454 [0,020]*** -0,038 [0,001]*** 0,09 [0,005]*** 0,16 [0,029]*** -0,381 [0,029]*** 0,284 [0,022]*** база -0,192 [0,028]*** -0,19 [0,029]*** -0,21 [0,029]*** -0,403 [0,138]*** 1,666 [0,208]*** -1,357 [0,302]*** 1, Пол: жен-0, муж-1 Возраст: >16 Рискованный образ жизни: 0-6 Владельцы оружия: 0/1 Автовладельцы: 0/1 Число автомобилей на взрослого Нижние 25% по доходам Вторые 25% по доходам Третьи 25% по доходам Высшие 25% по доходам Доля преступлений, сообщаемых в полицию Средний доход {Среднее число авто на взрослого} (Средний доход-0,44)^ Замечание: значение среднего дохода в вершине параболы -0,025 [0,013]* -0,014 [0,000]*** 0,041 [0,003]*** 0,071 [0,018]*** 0,323 [0,013]*** 0,32 [0,014]*** база 0,074 [0,024]*** 0,095 [0,024]*** 0,193 [0,023]*** 0,453 [0,108]*** 0,342 [0,143]** -0,876 [0,218]*** 0, 0,371 [0,133]*** 0,455 [0,154]*** -0,934 [0,238]*** 0, -0,394 [0,128]*** 1,514 [0,195]*** -1,193 [0,282]*** 1, 0,445 [0,116]*** 0,295 [0,153]* -0,823 [0,232]*** 0, Доля молодежи 16-29 Уровень безработицы 0,011 [0,002]*** 0,006 [0,002]*** 0, -0,005 [0,002]** 0,008 [0,002]*** 0, 0,009 [0,003]*** 0,011 [0,002]*** 0, 0,012 [0,002]*** 0,006 [0,002]*** 0, -0,001 [0,002] 0,01 [0,002]*** 0, 0,012 [0,003]*** 0,011 [0,002]*** 0, Размер город, log Константа 0,155 [0,004]*** -2,208 [0,131]*** 0,118 [0,005]*** -2,75 [0,156]*** 0,091 [0,005]*** -2,253 [0,160]*** 0,15 [0,004]*** -2,221 [0,143]*** 0,12 [0,005]*** -2,723 [0,172]*** 121823 55 0, 0,092 [0,006]*** -2,169 [0,172]*** 122349 55 0, Число наблюдений 95897 145231 146771 81155 Число стран 57 57 58 55 2 Псевдо R 0,059 0,078 0,080 0,058 Стандартные ошибки в скобках. * значимость на 10%;

** значимость на 5%;

*** значимость на 1% Таблица 14. Результаты пуассоновской регрессии с индексом Джини.

Преступления с автомобилями Имущественные преступления -0,119 [0,015]*** -0,014 [0,001]*** 0,05 [0,004]*** 0,177 [0,024]*** -0,161 [0,022]*** 0,17 [0,022]*** 0,054 [0,152] 0,128 [0,182] -1,319 [0,262]*** 0, Насильственные преступления -0,473 [0,020]*** -0,038 [0,001]*** 0,098 [0,005]*** 0,148 [0,030]*** -0,352 [0,029]*** 0,29 [0,024]*** -0,229 [0,152] 1,204 [0,232]*** -1,282 [0,317]*** 0, Пол: жен-0, муж-1 Возраст: >16 Рискованный образ жизни: 0-6 Владельцы оружия: 0/1 Автовладельцы: 0/1 Число автомобилей на взрослого Доля преступлений, сообщаемых в полицию Средний доход {Среднее число авто на взрослого} (Средний доход-0,44)^ Замечание: значение среднего дохода в вершине параболы -0,031 [0,014]** -0,014 [0,001]*** 0,044 [0,004]*** 0,063 [0,020]*** 0,337 [0,014]*** 0,552 [0,119]*** 0,436 [0,161]*** -1,454 [0,255]*** 0, Индекс Джини Доля молодежи 16-29 Уровень безработицы Размер город, log Константа -0,003 [0,005] 0,003 [0,002] 0,007 [0,002]*** 0,151 [0,004]*** -2,039 [0,214]*** 0,039 [0,006]*** -0,007 [0,002]*** 0,004 [0,002]** 0,106 [0,005]*** -3,526 [0,237]*** -0,001 [0,007] 0,01 [0,003]*** 0,011 [0,002]*** 0,086 [0,006]*** -2,284 [0,255]*** Число наблюдений 78997 120359 121893 Число стран 56 56 57 2 Псевдо R 0,059 0,079 0,084 Стандартные ошибки в скобках. * значимость на 10%;

** значимость на 5%;

*** значимость на 1% График 1.

Преступность и неравенство в распределении доходов по странам уровень преступности по 10 видам преступлений на 100 жителей 60 55 50 45 40 35 30 25 20 20 25 30 Дания Бельгия Австрия Финляндия Норвегия Япония 35 40 45 Швеция Италия Испания Англия и Уэльс Австралия y = 0,92x + 10 Шотландия США Нидерланды Швейцария Канада Германия Польша Франция Португалия Источники: ICVS (2000), WDI (2001).

Индекс Джини График 2.

Общий уровень преступности на 100 населения, 14 12 10 8 6 4 2 0 3.0 3.2 3.4 3.6 3.8 Россия 4.0 4.2 4.4 4. Log ВВП на душу населения, ППС скорректировано Источники: 6-е обследование ООН трендов преступности, WDI (2002).

График 3.

Уровень преступности на 100 населения, 11 видов преступлений 140 120 100 80 60 40 20 0 3.0 3.2 3.4 3.6 3.8 4.0 4.2 4.4 4.6 Россия Источники: ICVS, WDI Log ВВП на душу населения, ППС скорректировано График 4.

Уровень преступности на 100 населения, 11 видов преступлений 140 120 100 80 60 40 20 0 15 20 25 30 35 40 45 50 55 60 Россия Источники: ICVS, WDI (2002) Индекс Джини Приложение 5.

Таблица 1. Описательная статистика.

Потребление ВВП на Преднамеренные алкоголя, Продолжитель- душу в убийства на 100 литров на ность жизни долларах тыс населения душу старше 1975 15 лет в год Албания 20 72 1115 3 Армения 6 72 1065 3 Австралия 2 78 8710 10 Азербайджан 5 70 984 2 Беларусь 8 69 2571 10 Бельгия 1 77 9080 11 Болгария 5 71 2133 10 Хорватия 3 72 2520 13 Кипр 0 77 6115 10 Чехия 2 74 4985 15 Дания 1 75 9187 12 Эстония 13 69 2969 14 Финляндия 3 77 8319 10 Франция 3 77 8184 22 Германия 1 77 8741 13 Греция 1 77 5223 10 Венгрия 3 70 3877 14 Ирландия 1 76 7270 14 Италия 1 79 8219 14 Япония 1 80 9346 7 Казахстан 16 64 1774 4 Киргизстан 10 67 899 3 Латвия 11 69 2137 9 Литва 9 71 2697 10 Малайзия 2 71 2541 1 Мальта 1 76 4681 6 Мавритания 2 70 3124 4 Молдавия 8 67 1230 15 Нидерланды 2 78 8671 10 Новая Зеландия 1 77 7067 10 Норвегия 1 78 9844 5 Польша 3 72 2715 8 Португалия 4 75 5634 20 Румыния 3 70 2461 10 Россия 14 67 3816 8 Сингапур 1 77 7696 3 Словакия 2 72 3408 13 Словения 2 74 5269 15 Южная Африка 57 48 3328 11 Испания 1 77 5882 23 Швеция 2 78 8014 Швейцария Тунис Украина США Уругвай Замбия Зимбабве Всего 1 1 8 6 4 11 7 79 72 68 76 74 38 40 10013 2168 1900 11502 3317 283 1074 12 1 5 9 9 3 4 Таблица 2. Результаты основной регрессии* зависимая переменная – число преднамеренных убийств на 100 тыс населения.

Pages:     | 1 ||



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.