p-hodnota stacionarita/nestacionarita
l_crime_tot 0.01 stacionární
pcrime_tot 0.04661 stacionární
l_crime_prop 0.01 stacionární
pcrime_prop 0.0372 stacionární
l_crime_vio 0.02462 stacionární
pcrime_vio 0.05257 nestacionární
l_crime_eco 0.01 stacionární
pcrime_eco 0.09677 nestacionární
unempl 0.01 stacionární
l_population_density 0.01 stacionární
l_wage 0.01 stacionární
l_budget_police 0.06496 nestacionární
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
33 Z tabulky 2 lze vidět, že nulovou hypotézu o nestacionaritě můžeme zamítnout u proměnných l_crime_tot, pcrime_tot, l_crime_prop, pcrime_prop, l_crime_vio, l_crime_eco, unempl, l_wage a l_population_density. Proto lze o těchto proměnných mluvit jako o stacionárních na 5% hladině významnosti. U zbylých proměnných je p-hodnota vyšší než kritická hodnota, a proto můžeme říct, že na 5% hladině významnosti nezamítáme nulovou hypotézu o nestacionaritě a zbylé proměnné jsou nestacionární.
Nestacionární proměnné jsou ty, která nemají konstantní rozptyl v čase a lze je snadno upravit na stacionární pomocí diferenciálu. (Wooldridge, 2013)
S ohledem na prostudovanou literaturu (Raphael & Winter‐Ebmer, 2001; Lin, 2008) bude pro práci využíván model OLS, který poskytne vhodný rámec pro ucelené zkoumání.
2.2.1 Celková kriminalita
V prvním modelu je vysvětlen vztah mezi celkovou kriminalitou a endogenními proměnnými. Výsledný vztah lze po veškerých úpravách zapsat jako
𝑙_𝑐𝑟𝑖𝑚𝑒_𝑡𝑜𝑡 = 𝛽0+ 𝛽1𝑝𝑐𝑟𝑖𝑚𝑒_𝑡𝑜𝑡 + 𝛽2𝑢𝑛𝑒𝑚𝑝𝑙 + 𝛽3𝑙_𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 + 𝛽4𝑙_𝑤𝑎𝑔𝑒 + 𝛽5𝑑_𝑙_𝑏𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 + 𝜀
( 6 )
Některé proměnné, které se objevují v modelu, mohou být takzvaně zpožděné.
Zpožděné proměnné jsou ty, jejichž účinek se objeví až po určité době. Možnými zpožděnými proměnnými může být například nezaměstnanost. Důsledky nezaměstnanosti se totiž v kriminalitě objeví až s určitým zpožděním, které lze přisuzovat například snaze a času strávenému hledáním nové práce. Druhou možnou zpožděnou proměnnou by pro náš model mohl představovat medián mezd. V důsledku získané mzdy se chování jedince může dlouhodobě změnit a mohou nastat nutkavé sklony ke kriminální činnosti.
Vzhledem k možnosti zpožděných proměnných byla každá z nich dána do vztahu s celkovou kriminalitou a na základě nejvyšší hladiny významnosti bylo vybráno nejvhodnější zpoždění.
34 Tabulka 3 – zpožděné proměnné – celková kriminalita
nezaměstnanost mzda
koeficient p-hodnota koeficient p-hodnota Bez zpoždění 7.33964 4.77e-07 −0.565308 0.0032
Zpoždění 1 −3.42289 0.0011 −0.427210 0.0633
Zpoždění 2 −7.25066 8.73e-07 −0.128762 −0.128762
Zpoždění 3 0.573879 0.5926 0.432506 0.2217
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
Pro testování zpoždění bylo pro náš model vybráno období dlouhé tři roky, které vhodně poskytlo optimální rámec. Obě proměnné byly nejvíce významné bez zpoždění, a proto zde nebude zpoždění bráno v potaz. Nyní získané proměnné vložíme do modelu.
Abychom předešli problému s heteroskedasticitou a autokorelací, byl pro model vybrán doplněk v podobě robustní (HAC) směrodatné chyby, která model stabilizuje a na jejímž základě lze nezamítnout nulovou hypotézu ohledně homoskedasticity. (Bar, 2016)
Statistická verifikace modelu celkové kriminality
Ve statistické verifikaci modelu se práce zaměří na význam celého modelu a na významnost exogenních proměnných.
Model 1 poskytuje vhodné informace o významnosti jednotlivých vysvětlujících proměnných. Významnost dílčích proměnných lze zjistit díky p-hodnotám, které jsou uvedeny ve sloupci v tabulce nebo na základě počtu hvězdiček19. Lze tedy říct, že proměnné unempl a d_l_budget_police jsou statisticky významné na 5% hladině významnosti. Proměnná pcrime_tot je statisticky významná na 10% hladině a kontrolní proměnná l_population_density je statisticky významná na 1% hladině významnosti. U proměnné l_wage nelze zamítnou nulovou hypotézu, a proto je statisticky nevýznamná.
19* = 10 % hladina významnosti/ ** = 5 % hladina významnosti/ *** = 1 % hladina významnosti
35 Model 1 – celková kriminalita
OLS
Závislá proměnná: l_crime_tot Robustní (HAC) směrodatné chyby
koeficient Směr. chyba p-hodnota */**/***
const 10.8121 3.56884 0.0097 ***
pcrime_tot −1.21030 0.645534 0.0834 *
unempl 4.99575 2.54264 0.0712 **
l_population_density 0.211895 0.0802902 0.0204 ***
l_wage −0.387566 0.357601 0.2981
d_l_budget_police −0.244845 0.0923563 0.0200 **
Koeficient determinace 0.743736 Adjustovaný koeficient determinace 0.734174
P-hodnota (F) 9.15e-09
Pozorování 140
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
Významnost celého modelu je ověřitelná pomocí p-hodnoty f-testu, která dosahuje hodnoty 9.15e-09. Je tedy možné zamítnou nulovou hypotézu o nevýznamnosti modelu na 1% hladině významnosti a model je tedy považován za celkově významný.
Pomocí koeficientu determinace zjišťujeme kvalitu modelu. Z tohoto modelu bylo možné zjistit, že vysvětluje 74.4 % rozptylu variability endogenní proměnné. Vhodnějším měřítkem je adjustovaný koeficient determinace, který vyšel 0.734174. Z toho můžeme vyvodit závěr, že míra celkové kriminality je závislá na změnách vysvětlujících proměnných ze 73.4 %.
Ekonomická verifikace modelu celkové kriminality
Dle očekávání byl v modelu zpozorován pozitivní vliv mezi hustotou zalidnění a mírou kriminality. Model vypovídá o vztahu, kde s 1% zvýšením hustoty zalidnění se
36 míra kriminality zvýší o 0.21 %. Tento vztah napovídá, že v krajích s vyšší hustotou zalidnění bude docházet častěji k trestným činů než v krajích s nízkou hustotou zalidnění.
Z tabulky 1 je zřejmé, že nejvyšší hustota zalidnění je v kraji Hlavního města Prahy. Na základě toho vztahu můžeme očekávat, že v tomto kraji bude i nejvyšší celková kriminalita. Dalším očekávaným výsledkem byl pozitivní vliv nezaměstnanosti. V našem modelu vyšel vztah se silnou pozitivní korelací, kde s 1% zvýšení nezaměstnanosti vzroste kriminalita o 4.99 %.
Negativní korelace je mezi mírou dopadení, čím vyšší bude míra dopadení, tím více se bude počet trestných činů snižovat. Na základě toho předpokladu lze konstatovat, že míra recidivity by s tímto vztahem mohla být snížena a zároveň by míra dopadení mohla mít odstrašující vliv na rozhodování jedince. Výdajový rozpočet je další proměnná, která má také negativní korelaci s mírou celkové kriminality. S růstem dynamiky výdajového rozpočtu o 1 %, míra kriminality klesne o 0.24 %. Tento vztah je možné vysvětlit na základě přerozdělování daných výdajů. S vyšším množství peněz se lépe investuje do nových a moderních technologií, díky kterým je snazší odhalit kriminalitu a dopadnout jedince, který je za ni zodpovědný.
Mzda negativně koreluje míru celkové kriminality. Čím vyšší bude mzda v jednotlivých krajích České republiky, tím nižší bude míra kriminality. Proměnná však není statisticky významná, a proto lze tento vztah ignorovat.
Konstanta modelu je statisticky významná na 1% hladině významnosti a udávám průměrnou hodnotu všech krajů v České republice.
Ekonometrická verifikace modelu celkové kriminality
Na základě testovací metody nejmenších čtverců je potřeba ověřit, zda se v modelu nevyskytuje heteroskedasticita, multikolinearita či autokorelace. Je potřeba ověřit platnost Gauss-Markových předpokladů, aby nedocházelo k jejich porušení a model byl v souladu s těmito předpoklady. Heteroskedasticita a autokorelace je v modelu ošetřena pomocí přidání robustních estimátorů, které rekonstruují rezidua. Multikolinearita je v modelu měřena pomocí faktorů zvyšujících rozptyl (VIF). Hodnoty získané po provedení testu jsou v souladu s nepřítomností multikolinearity, a proto je možno říct, že se v tomto modelu multikolinearita nevyskytuje. Dle testu normality rozdělení nezamítáme nulovou hypotézu ve prospěch normálního rozdělení.
37
2.2.2 Majetková kriminalita
V dalším modelu je vysvětlen vztah mezi majetkovou kriminalitou a endogenními proměnnými. Výsledný vztah lze po veškerých úpravách zapsat jako
𝑙_𝑐𝑟𝑖𝑚𝑒_𝑝𝑟𝑜𝑝 = 𝛽0+ 𝛽1𝑝𝑐𝑟𝑖𝑚𝑒_𝑝𝑟𝑜𝑝 + 𝛽2𝑢𝑛𝑒𝑚𝑝𝑙 + 𝛽3𝑙_𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 + 𝛽4𝑙_𝑤𝑎𝑔𝑒 + 𝛽5𝑙_𝑏𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 + 𝜀
( 7 )
Jako v předchozím modelu byla ověřena zpoždění jednotlivých proměnných. Jako zpožděné proměnné jsou pro model vhodné nezaměstnanost a medián mezd ze stejných důvodu jako v předchozí podkapitole. Proměnné jsou vloženy do modelu s majetkovou kriminalitou.
Pro testování zpoždění bylo pro náš model vybráno období dlouhé tři roky, stejně jako v předcházejícím modelu i zde bylo zjištěno, že nejvýznamnější hodnoty nalezneme u nezpožděných proměnných stejně jako tomu bylo u celkové kriminality. Nyní získané proměnné vložíme do modelu a použijeme doplněk v podobě robustní (HAC) směrodatné chyby, která model stabilizuje a na jejímž základě lze nezamítnout hypotézu nula ohledně homoskedasticity.
Statistická verifikace modelu majetkové kriminality
Ve statistické verifikaci modelu se práce zaměří na význam celého modelu a na významnost exogenních proměnných.
Model 2 vysvětluje na základně p-hodnot významnost jednotlivých proměnných.
Z výsledného modelu můžeme tedy říct, že proměnné pcrime_tot a unempl jsou významné na 5% hladině významnosti a proměnné l_population_density, d_l_budget_police jsou významné na 1% hladině významnosti. L_wage je jako jediná nevýznamná, což se neliší od předcházejícího modelu vytvořeného pro celkovou kriminalitu.
Významnost celého modelu je ověřitelná pomocí p-hodnoty f-testu, která dosahuje hodnoty 2.08e-09. Je tedy možné zamítnou nulovou hypotézu o nevýznamnosti modelu na 1% hladině významnosti a model je tedy považován za celkově významný.
38 Pomocí koeficientu determinace zjišťujeme kvalitu modelu. Z toho modelu bylo možné zjistit, že model vysvětluje 79.4 % rozptylu variability endogenní proměnné.
Vhodnějším měřítkem je adjustovaný koeficient determinace, který vyšel 0.785926, z toho můžeme vyvodit závěr, že míra celkové kriminality je závislá na změnách vysvětlujících proměnných z 78.6 %, což je více než v modelu 1 Na základě tohoto předpokladu lze říct, že je větší vztah mezi mírou nezaměstnanosti a mírou majetkové kriminality než celkové kriminality.
Model 2 – majetková kriminalita OLS
Závislá proměnná: l_crime_prop Robustní (HAC) směrodatné chyby
koeficient Směr. chyba p-hodnota */**/***
const 9.93287 4.33320 0.0392 **
pcrime_prop −2.07452 0.861182 0.0316 **
unempl 8.53552 2.92003 0.0119 **
l_population_density 0.322206 0.0884166 0.0030 ***
l_wage −0.438529 0.443368 0.3407
d_l_budget_police −0.452460 0.116737 0.0019 ***
Koeficient determinace 0.793626 Adjustovaný koeficient determinace 0.785926
P-hodnota (F) 2.08e-09
Pozorování 140
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
Ekonomická verifikace modelu majetkové kriminality
Pozitivní korelace se nachází ve vztahu s proměnnými nezaměstnanost a hustota zalidnění. Oproti předcházejícímu modelu je zde silnější pozitivní korelace mezi hustotou zalidnění na majetkovou kriminalita. Vztah vypovídá o tom, že 1% zvýšení hustoty
39 zalidnění zvýší míru kriminality o 0.32 %. Silnější korelace je i u vlivu nezaměstnanosti a mírou majetkové kriminality.
Negativní korelace je znova mezi mírou dopadení, kde s 1% změnou míry dopadení klesne majetková kriminalita o 2 %, což by mohlo mít znova pozitivní vliv na snižování míry recidivity. U majetkové kriminality je vztah s mírou dopadení silnější než u celkové kriminality. Jednou z možných variant, proč se zde vyskytuje tento jev, jsou druhy kriminální činnosti. Do majetkové kriminality spadají trestné činy jako jsou krádeže, vloupání aj. Tyto kriminální činnosti mohou být omezeny s vyšším zabezpečením objektů či lidí, což způsobuje vyšší pravděpodobnost dopadení či úplnou eliminaci těchto typů kriminální činnosti. Výdajový rozpočet také negativně koreluje s mírou majetkové kriminality. Tento vztah je možné vysvětlit podobným způsobem jako u předcházející
Heteroskedasticita a autokorelace je v modelu ošetřena pomocí přidání robustních estimátorů, které rekonstruují rezidua. Multikolinearita je v modelu měřena pomocí faktorů zvyšující rozptyl (VIF). Hodnoty získané po provedení testu jsou v souladu s nepřítomností multikolinearity, a proto je možno říct, že se v tomto modelu multikolinearita nevyskytuje. Na základě Jarque-Beryho testu normality nezamítáme nulovou hypotézu o normálním rozdělení a předpokládáme, že model má normální rozdělení.
2.2.3 Násilná kriminalita
Další model se snaží o vysvětlení vztahu mezi násilnou kriminalitou a endogenními proměnnými. Výsledný vztah lze po veškerých úpravách zapsat jako
𝑙_𝑐𝑟𝑖𝑚𝑒_𝑣𝑖𝑜 = 𝛽0+ 𝛽1𝑑_𝑝𝑐𝑟𝑖𝑚𝑒_𝑣𝑖𝑜 + 𝛽2𝑢𝑛𝑒𝑚𝑝𝑙 + 𝛽3𝑙_𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 + 𝛽4𝑙_𝑤𝑎𝑔𝑒 + 𝛽5𝑑_𝑙_𝑏𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 + 𝜀
( 8 )
40 Ani v tomto modelu nebude brán zřetel na zpožděné proměnné, jelikož dosahují nejvyšších hladin významnosti ve svém nezpožděném tvaru. Do modelu bude znova přidán doplněk v podobě robustní směrodatné chyby ve snaze zamezit heteroskedasticitě.
Statistická verifikace modelu násilné kriminality
Významnost dílčích proměnných zjistíme z Modelu 3 díky p-hodnotám. Lze tedy říct, že proměnná unempl je statisticky významná na 1% hladině významnosti a proměnná d_l_budget_police je statistický významná na 5% hladině významnosti. Další proměnné jsou statistický nevýznamné na 5% hladině významnosti.
S ohledem na významnost celého modelu je možné zamítnou nulovou hypotézu o nevýznamnosti modelu na 1% hladině významnosti a model je tedy považován za celkově významný.
Model 3 – násilná kriminalita OLS
Závislá proměnná: l_crime_vio Robustní (HAC) směrodatné chyby
koeficient Směr. chyba p-hodnota */**/***
const 2.49624 4.08135 0.5513
d_pcrime_vio −0.199351 0.177021 0.2805
unempl 8.54639 2.59704 0.0059 ***
l_population_density 0.0187842 0.0306388 0.5504
l_wage 0.188124 0.388106 0.6359
d_l_budget_police −0.245065 0.106492 0.0386 **
Koeficient determinace 0.390358 Adjustovaný koeficient determinace 0.367610
P-hodnota (F) 4.09e-06
Pozorování 140
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
41 Model vysvětluje 39 % rozptylu variability endogenní proměnné. Přijatelnějším měřítkem je adjustovaný koeficient determinace, který vyšel 0.367610, z toho můžeme vyvodit závěr, že míra celkové kriminality je závislá na změnách vysvětlujících proměnných z 36.8 %, což je zatím nejnižší úroveň ze všech modelů.
Ekonomická verifikace modelu násilné kriminality
Oproti předcházejícím modelům se zde ekonomická verifikace rozchází. Pozitivní korelace mezi proměnnými a mírou násilné kriminality se nachází u hustoty zalidnění, která je, jako v předcházejících modelech, pozitivně korelována s mírou násilné kriminality. Rozdílem je především pozitivní korelace mezi mzdou a mírou násilné kriminality, avšak tato proměnná není statisticky významná, a proto může být z modelu vypuštěna.
Negativně korelován je vztah mezi násilnou mírou kriminality a rozpočtovým výdajem na policii a mírou dopadení, kde je vysvětlení korelací stejné jako v předcházejících modelech.
Ekonometrická verifikace modelu násilné kriminality
Heteroskedasticita je v modelu ošetřena pomocí přidání robustních estimátorů, které rekonstruují rezidua. Multikolinearita je v modelu měřena pomocí faktorů zvyšujících rozptyl (VIF). Hodnoty získané po provedení testu jsou v souladu s nepřítomností multikolinearity, a proto je možno říct, že se v tomto modelu multikolinearita nevyskytuje.
2.2.4 Ekonomická kriminalita
Poslední model je vytvořený pro vztah ekonomické kriminality a endogenních proměnných, kde jeho vztah lze napsat jako
𝑙_𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜 = 𝛽0+ 𝛽1𝑑_𝑝𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜 + 𝛽2𝑢𝑛𝑒𝑚𝑝𝑙 + 𝛽3𝑙_𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 + 𝛽4𝑙_𝑤𝑎𝑔𝑒 + 𝛽5𝑑_𝑙_𝑏𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 + 𝜀
( 9 )
42 Dalším bodem je otestování zpožděných proměnných ve vztahu s ekonomickou kriminalitou. Z tabulky 4 pro model ekonomické kriminality vychází nejlépe dvouroční zpoždění pro proměnnou nezaměstnanost a žádné zpoždění pro mzdu.
Tabulka 4 – zpožděné proměnné – ekonomická kriminalita
nezaměstnanost mzda
koeficient p-hodnota koeficient p-hodnota
Bez zpoždění 2.85315 0.0132 −0.180888 0.2650
Zpoždění 1 3.63993 0.0026 −0.131674 0.5066
Zpoždění 2 3.77546 0.0060 −0.0231381 0.9269
Zpoždění 3 3.50539 0.0340 0.242100 0.4603
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru Výslednou rovnici po provedených úpravách lze napsat jako
𝑙_𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜 = 𝛽0+ 𝛽1𝑑_𝑝𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜 + 𝛽2𝑢𝑛𝑒𝑚𝑝𝑙_1 + 𝛽3𝑙_𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 + 𝛽4𝑙_𝑤𝑎𝑔𝑒 + 𝛽5𝑑_𝑙_𝑏𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 + 𝜀
( 10 )
Statistická verifikace modelu ekonomické kriminality
Na základě dosažených hodnot z modelu 4 lze konstatovat, že proměnná d_crime_eco je statisticky významná na 10% hladině významnosti a proměnná l_population_density je statisticky významná na 1% hladině významnosti. Zbylé proměnné jsou statisticky nevýznamné.
Významnost celého modelu je ověřitelná pomocí p-hodnoty f-testu, která dosahuje hodnoty 1.17e-06. Je tedy možné zamítnou nulovou hypotézu o nevýznamnosti modelu na 1% hladině významnosti a model je tedy považován za celkově významný.
Model vysvětluje 60.2 % rozptylu variability endogenní proměnné. Adjustovaný koeficient determinace, ze kterého můžeme vyvodit závěr, že míra kriminality je závislá na změnách vysvětlujících proměnných, vyšel 0.587483. Což je druhý nejnižší výsledek po násilné kriminalitě.
43 Model 4 – ekonomická kriminalita
OLS
Závislá proměnná: l_crime_eco Robustní (HAC) směrodatné chyby
koeficient Směr. chyba p-hodnota */**/***
const 6.10201 5.06254 0.2496
d_pcrime_eco 0.783003 0.417513 0.0834 *
unempl_1 3.00641 3.43414 0.3972
l_population_density 0.297118 0.0534172 9.19e-05 ***
l_wage −0.231337 0.485403 0.6416
d_l_budget_police −0.0789556 0.117971 0.5150 Koeficient determinace 0.602322
Adjustovaný koeficient determinace 0.587483
P-hodnota (F) 1.17e-06
Pozorování 140
Zdroj: vlastní zpracování dle výstupu z ekonometrického softwaru
Ekonomická verifikace modelu ekonomické kriminality
Pozitivní korelace se mezi proměnnými a mírou násilné kriminality nachází u hustoty zalidnění, mírou dopadení a nezaměstnaností. Rozdílem v tomto modelu je především pozitivní korelace mezi mírou dopadení a mírou ekonomické kriminality.
Jedním z možných vysvětlení pro výsledek tohoto vztahu může být závažnost daných trestných činů. Většina jedinců totiž předem neuvažuje nad možnými následky daného činu a spousta ekonomických trestných činů je tvořena s pocitem bezúhonnosti.
Nezaměstnanost je také pozitivně korelována s mírou ekonomické kriminality. Jedním z možných důsledků může být především předlužování jedinců. Nezaměstnanost a hustota zalidnění však nejsou statisticky významné, a proto mohou být z modelu vypuštěny.
44 Negativně korelován je vztah mezi násilnou mírou kriminality a rozpočtovým výdajem na policii anebo mzdou, kde je vysvětlení korelací stejné jako v předcházejících modelech.
Ekonometrická verifikace modelu ekonomické kriminality
Heteroskedasticita a autokorelace je v modelu ošetřena pomocí přidání robustních estimátorů, které rekonstruují rezidua. Multikolinearita je v modelu měřena pomocí faktorů zvyšující rozptyl (VIF). Hodnoty získané po provedení testu jsou v souladu s nepřítomností multikolinearity, a proto je možno říct, že se v tomto modelu multikolinearita nevyskytuje. Na základě Jarque-Beryho testu normality nezamítáme nulovou hypotézu o normálním rozdělení a předpokládáme, že model má normální rozdělení.
2.3 Výsledky
V této podkapitole jsou shrnuty veškeré dosavadní informace z předcházejících modelů a zároveň zda nezaměstnanost má vliv na míru kriminality.
Stejně jako Edmark (2005), Lin (2008) anebo Raphael a Winter-Ebmer (2001) dospívá práce k závěru, že existuje vztah mezi nezaměstnaností a majetkovou kriminální činností. Nezaměstnanost pozitivně koreluje míru majetkové kriminální činnosti a tím spolu se svojí statickou významností podporují nastíněnou hypotézu H220, která je významná na 5% hladině významnosti. Hustota zalidnění hraje v modelu pozitivní roli a můžeme se na základě její hodnoty domnívat, že v krajích s vyšší hustotou zalidnění se objevuje vyšší majetková kriminalita. Pravděpodobnost dopadení a výdajový rozpočet na policii negativně koreluje majetkovou kriminalitu. Čím vyšší budou tyto kontrolní proměnné, tím nižší bude majetková kriminalita. Toto tvrzení může poskytnout vhodný rámec pro vytváření výdajového rozpočtu. Proměnné spolu totiž do jisté míry souvisí, míra dopadení se odráží od technologií až k lidem, kteří jsou hrazeni z výdajového rozpočtu.
20 H2: míra majetkové kriminality je pozitivně závislá na míře nezaměstnanosti
45 Hypotézu H121 se podařilo vysvětlit na 5% hladině významnosti a lze říct, že s růstem míry nezaměstnanosti roste celorepubliková celková kriminalita. Ostatní kontrolní proměnné zde hrají stejnou roli jako v modelu s majetkovou kriminalitou.
V modelu s násilnou kriminalitou se také podařilo potvrdil hypotézu H322 na 1%
hladině významnosti. Model však vykazuje nevýznamnost všech zbylých proměnných, až na výdajový rozpočet.
Oproti všem ostatním modelům se nepodařilo vysvětlit hypotézu H423. Výsledky hypotézy H4 by mohly být ovlivněny specifickou trestnou činností, ke které dochází s touto kategorií kriminality, a na kterou míra nezaměstnanosti nemá vliv. Jedná se totiž převážně o kriminální činy, které vykonávají již zaměstnaní jedinci.
21 H1: míra celkové kriminality je pozitivně závislá na míře nezaměstnanosti
22 H3: míra násilné kriminality je pozitivně závislá na míře nezaměstnanosti
23 H4: míra ekonomické kriminality je pozitivně závislá na míře nezaměstnanosti
46
Závěr
Cílem této práce bylo ověřit platnost čtyř hypotéz zaměřujících se na nalezení korelačního vztahu mezi mírou nezaměstnanosti, kriminalitou a dalšími kontrolními proměnnými v letech 2010 až 2020. Na základě sledovaných dat lze očekávat, že existuje vliv nezaměstnanosti na míru kriminality. Dalším zjištěním, které podpořilo hypotézu je vliv hustoty zalidnění, která měla ve všech modelech pozitivní korelaci s mírou kriminality. Vzhled k trvajícímu přílivu obyvatel do velkých měst lze hovořit o dalším možném aspektu, který zvyšuje míru kriminality.
V teoretické části byla shrnuta především endogenní a exogenní proměnná.
Důležitým pohledem na kriminalitu přispěla Beckerova teorie, díky které lze problematiku kriminality řadit do ekonomických sfér. Nejpodstatnější část teoretické části však zaujímaly empirické studie, které nám poskytly vhodný rámec na testování našeho modelu.
Praktická část se zaobírala především problematikou ekonometrických modelů a datovému souboru, který byl potřeba k vytvoření daných modelů. Jako první model byla testována celková kriminalita, která podpořila hypotézu H1. Další tři modely byly vytvořeny z kategorií celkové kriminality a jejich výběr byl inspirován empirickými studiemi z praktické části. Nejsilnější vliv byl v empirických studiích pozorován mezi nezaměstnaností a mírou majetkové kriminality. V této práci byl zaznamenán nejsilnější vliv mezi majetkovou kriminalitou a vysvětlujícími proměnnými, což potvrzuje ostatní studie.
Potvrzení či vyvrácení hypotéz je blíže uvedeno v kapitole 2.3 s názvem Výsledky.
V práci se nepodařilo objasnit vztah mezi mírou ekonomické kriminality a nezaměstnanosti, i přesto se domnívám, že cíl práce byl splněn, především díky signifikantnímu vztahu mezi celkovou kriminalitou a nezaměstnaností. Chybějící částí práce je mezikrajové porovnání míry kriminality a nezaměstnanosti, nicméně na základě chybějící části se však autorka snažila z deskriptivní statistiky porovnávat kraje a alespoň částečně danou mezeru vyplnit.
Důvodem pro vybrání tohoto tématu byla mimo jiné i situace spojená s onemocněním Covid-19, na jehož základě se část populace potýká s nezaměstnaností.
47 Tato část populace však může v průběhu několika měsíců či let narůstat a mohla by mít fatální dopady na míru kriminality. Na základě tří ze čtyř modelů výdajový rozpočet
47 Tato část populace však může v průběhu několika měsíců či let narůstat a mohla by mít fatální dopady na míru kriminality. Na základě tří ze čtyř modelů výdajový rozpočet