- výdaje PČR a míra dopadení - Hlavní práce77030

Zdroj: vlastní zpracování dle dat z ČSÚ a PČR

Z grafu lze vidět, především v letech 2016 až 2020, růst výdajů na rozpočet Policie.

Míra dopadení pomalu obrací svojí klesající tendenci v roce 2019 a lze tedy předpokládat, že s rostoucími výdaji by měla růst míra dopadení. Na klesající míru dopadení v letech 2015 až 2019 mohl mít vliv pokles výdajů na rozpočet Policie v letech 2011 až 2015.

Přesnější výsledek by však byl potřeba více prozkoumat, a proto tuto myšlenku ve své práci zanechám na dopracování jiným jedincům.

Hustota zalidnění

Další kontrolní proměnnou je hustota zalidnění, která je měřena v počtu obyvatel žijících na jednom kilometru čtverečním. Následující proměnná byla získána podílem mezi počtem obyvatel žijících v daném kraji a celkovou rozlohou daného kraje za pomoci dat v ČSÚ. V modelu je hustota zalidnění označena jako 𝑝𝑜𝑝𝑢𝑙𝑎𝑡𝑖𝑜𝑛_𝑑𝑒𝑛𝑠𝑖𝑡𝑦 a její

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Výdaje na PČR a míra dopadení

Výdaje na PČR Míra dopadení

30 nejnižší hodnota se pohybuje kolem 63,2 obyvatel na kilometr čtvereční. Tento údaj byl vypočítán pro rok 2010 a Jihočeský kraj. Naopak nejvyšší hodnota bylo naměřena v Praze v roce 2020 a to 2691,2 obyvatel na kilometr čtvereční.

Medián mezd

Poslední kontrolní proměnnou je medián mezd, který udává přesnější informaci o mzdovém rozdělení ve společnosti. Průměr bývá v mnohých případech nespolehlivým měřítkem, a to především z důvodu extrémních údajů. Medián udává, že 50 % obyvatel má vyšší plat, než je daná částka a naopak 50 % obyvatel má nižší mzdové ohodnocení.

V modelu je medián mezd značen jako 𝑤𝑎𝑔𝑒 a jeho hodnoty se pohybují kolem 23436 korun. Nejnižší mzdové ohodnocení je pozorovatelné v Karlovarském kraji, a naopak nejvyšší lze pozorovat v hlavním městě České republiky, kde vzrostlo až na 39233, čímž se vytvořila maximální hodnota v celém datovém souboru.

2.1.5 Porovnání proměnných vzhledem ke krajům České republiky

V této podkapitole jsou porovnány vybrané kraje České republiky vzhledem k procentuálnímu vyjádření celkových trestných činů přepočtených na populaci v daném kraji a procentuálnímu zastoupení nezaměstnaných v daném kraji.

Z grafu Hlavního města Prahy je procento celkové kriminality vyšší než procento nezaměstnaných, u ostatních krajů tomu tak není. S ohledem na všechny kraje lze říct, že s poklesem nezaměstnanosti klesá i míra kriminality. Tento jev lze sledovat především v letech 2015 až 2017, kde ve všech zvolených krajích klesala nezaměstnanost a s ní i míra kriminality.

31 Graf 3 - mezikrajové srovnání

Zdroj: vlastní zpracování dle dat z ČSÚ a PČR

2.2 Model

V této části práce bude představen ekonometrický model pro různé typy endogenních proměnných. První model bude vytvořen pro celkovou kriminalitu, dále pak pro majetkovou, násilnou a v neposlední řadě pro ekonomickou kriminalitu. Každý model

32 bude vždy obsahovat jednu kategorii kriminality, jakožto endogenní proměnou, exogenní proměnné budou obsahovat pravděpodobnost dopadení dané kategorie kriminality, nezaměstnanost, medián mezd, hustotu zalidnění a výdaje na policii.

Část proměnných, které nebyly uváděny v procentech, byly převedeny na logaritmus z důvodu snazší interpretace.

Dále je potřeba daný model otestovat z důvodu nestacionarity dat. Testování se týká všech proměnných pomocí testu jednotného kořene. K otestování byl vybrán ADF test, jehož nulová hypotéza hovoří o nestacionaritě. Společným cílem je tedy zamítnout nulovou hypotézu. Test byl podroben jednotnému zpoždění a u hodnot, kde vychází nižší než kritická hodnota, zamítáme nulovou hypotézu o nestacionaritě a považujeme tyto proměnné za stacionární.

Tabulka 2 – stacionarita proměnných

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.

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

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

In document Hlavní práce77030_nekv02.pdf, 1.3 MB Stáhnout (Stránka 37-0)