- optimální míra přestupků - Hlavní práce77030

Zdroj: Becker (1968, str. 182), vlastní zpracování

18 Problematika spočívá však v tom, zdali se pokutou ukradená věc nahradí. Becker (1968, str. 197) uvádí příklad s ukradeným autem. Pokud zločinec daný automobil ukradne a bude odhalen, zaplatí pokutu ve výši ceny automobilu. Výchozím řešením je, že majetek není pouze přerozdělován, ale při vzniku zločinu je vynaloženo úsilí, které pouze násilně přerozděluje statky.

Hlavním přínosem této eseje je dle mého demonstrovat, že politika boje proti nezákonnému chování je součástí optimální alokace zdrojů. Vzhledem k tomu, že byla ekonomie vyvinuta tak, aby zvládala alokaci zdrojů, stává se „ekonomický“ rámec použitelný pro analýzu nezákonného chování a pomáhá jí obohatit.¹³ (Becker, 1968, str.

209)

1.2.5 Empirické práce založené na Beckerově teorii

Becker (1968) nastavil základní rámec své teorie. Více se však nezabýval o její empirické uplatnění. V této části jsou rozebíráni příznivci Beckerovy teorie, kteří ji například rozšířili o další empirické proměnné. Mezi tyto jedince lze například zařadit Ehrlicha¹⁴. Jako zástupce kritiky Beckerovy teorie bude představena empirická studie od Ch. Cornwella a W. N. Trumbulla.

Ehrlich ve svém díle z roku 1973 podpořil a rozšířil Beckerovu teorii. První část svého díla věnuje takzvaným kriminální vyhlídkám, u kterých tvrdí, že jedinec má možnost dvojího výběru. Buď se rozhodne spáchat nelegální činnost anebo naopak se jí rozhodne nespáchat. V článku se zmiňuje i o opakované trestné činnosti a obrací se na problematiku recidivistů, kteří nejsou hnáni pouze nedostatkem sebekontroly, ale jsou schopni určit, kdy se jim daný zločin znova vyplatí spáchat. Problematikou recidivistů bývá především jakési společenské označení, které jim ve většině případů neumožňuje

13Text byl volně přeložen z angličtiny do češtiny, proto se v textu mohou objevovat slabé odchylky od originálního znění.

14 Americký ekonom působící jako profesor na katedře ekonomie na University at Buffalo. Zaobírá se aplikací ekonomických teorií na lidské chování a sociální instituce, včetně kriminality, korupce či například rizikem a nejistotou. (IZA - Institut of Labor Economics, 2021)

19 standardní zapojení zpátky do společnosti. Vyšší výnosy má jedinec tedy ze zopakování trestné činnosti. (Ehrlich, 1973)

Ehrlich (1973, str. 533) rozšířil Beckerovu rovnici pro nabídku přestupků, rovnice lze tedy zapsat jako

𝑂_𝑖𝑗 = 𝑂_𝑖𝑗(𝑝_𝑖𝑗, 𝑓_𝑖𝑗, 𝑤_𝑖𝑗, 𝑤_𝑙𝑗, 𝑢_𝑗, 𝜋_𝑗),

( 4 )

kde stejně jako v Beckerově rovnici ( 3 )𝑂_𝑖𝑗 znamená počet trestných činů, 𝑝_𝑖𝑗 uvádá pravděpodobnost dopadení, 𝑓_𝑖𝑗 náleží trestu za spáchaný přestupek. V nové rovnici je navíc proměnná 𝑤_𝑖𝑗, která udává mezní hodnotu času vynaloženou na ilegální aktivitu, dále proměnná 𝑤_𝑙𝑗, která nám udává mezní hodnotu času vynaloženou na legální aktivitu (může se jednat například o čas strávený hledáním nové pracovní příležitosti) a poslední proměnná 𝜋_𝑗, jenž náleží ostatním proměnným, jako například osobní či rodinná úroveň bohatství, schopnost sebeochrany a další proměnné, které se řadí mezi netržní aktivity.

Ve své práci se pokusil zkoumat závislost nezaměstnanosti a míry kriminality vzhledem ke genderovému rozdělení na muže a ženy, žijící ve městě ve věkové skupině 14 až 24 let. Do modelu zahrnul výše zmíněné proměnné a pomocí metody nejmenších čtverců došel k následujícím výsledkům, které nevyšly tak, jak by se předpokládalo. U nezaměstnanosti ve věkové skupině 14 až 24 let nešel jednotný vliv napříč modely a Ehrlich se domnívá, že podíl na těchto výsledcích může mít dobrovolná nezaměstnanost, která je způsobena čekáním na vhodnou pracovní příležitost. Především ve věkové skupině 14 až 24 let je snaha o dosažení co nejlepší pracovní příležitosti velká, a proto zde můžeme nalézt velké procento dobrovolné nezaměstnanosti. Vliv na míru kriminality je ve výsledku celkem zanedbatelný. Hlavním přínosem bylo potvrzení Beckerovy teorie a rozšíření modelu, kde se, stejně jako Becker, shodují na faktu, že trest, pravděpodobnost dopadení, a navíc Ehrlichova proměnná označující zvyšující se mezní hodnotu času vyloženou na legální aktivitu, má vliv na míru kriminality. Vliv na míru kriminality mají, mimo jiné, také specifické znalosti jedince páchající zločin, rozložení obyvatelstva ve společnosti anebo příjmové nerovnosti komunity. (Ehrlich, 1973)

Becker (1974) tvrdil, a následně to i implementoval do rovnice, že jedinec páchající trestnou činnost uvažuje při svém konání o následných možných sankcích. To znamená, že počítá s určitou mírou pravděpodobnosti dopadení či následného odsouzení.

20 Tuto teorii se pokusil vyvrátit Anderson, který ve svém díle došel na základě 219 dotázaných vězňů k výsledkům, že přibližně 77 % odsouzených nad možností vězení nebo nad pravděpodobností dopadením neuvažovalo. Dokonce si odsouzení mysleli, že riziko dopadení je nulové. (Anderson, 1999, str. 627)

Ehrlich, Becker a mnozí další ekonomové se shodovali na faktu, že čím vyšší bude pravděpodobnost dopadení, tím nižší bude míra kriminality. Ve společném článku se Cornwell a Trumbull snaží toto dogma používané skoro i ve všech učebnicích a studijních materiálech vyvrátit na základě empirických důkazů. Společně se domnívají, že síla systému trestního soudnictví v případě spáchaného zločinu je menší, než nám ukazují minulé studie. Chybu vnímají především ve špatném vnímaní nepozorovatelné heterogenity v modelu, a proto svoje zkoumání řeší pomocí panelových a průřezových dat, kde spolu s dvoustupňovou regresí nejmenších čtverců tato problematika odpadá.

Společně vytvořili rovnici, která lze zapsat jako

𝑅_𝑖𝑡 = 𝑋_𝑖𝑡^′𝛽 + 𝑃_𝑖𝑡^′ + 𝛼_𝑖 + 𝜖_𝑖𝑡,

( 5 )

kde 𝑅_𝑖𝑡 značí míru kriminality, 𝑋_𝑖𝑡^′ jsou proměnné, které kontrolují relativní návrat k zákonné příležitosti, 𝑃_𝑖𝑡^′ lze vyjádřit jako soubor proměnných, jenž obsahují odstrašující elementy¹⁵, 𝛼_𝑖 je využito pouze v regresi s panelovými daty a udávají pevné efekty odrážející nepozorovatelné charakteristiky a poslední proměnná 𝜖_𝑖𝑡 signalizuje rušivé termíny. (Cornwell & Trumbull, 1994, str. 362) Po ověření dat ze Severní Karolíny a jejich dosazení do modelu dospívají k závěru, že „Obecně nás naše výsledky vedou k závěru, že jak trhy práce, tak strategie trestního soudnictví jsou důležité pro odrazení zločinu, ale že účinnost pobídek pro vymáhání práva byla značně nadhodnocena¹⁶.“

(1994, str. 366) V neposlední řadě zmiňují, že začlenění nepozorovatelné heterogenity je velmi důležité pro budoucí zkoumání a tato data by nadále neměla být přehlížena.

15Včetně pravděpodobnosti zatčení, stíhání a dopadení za vytvoření nelegální aktivity.

16Text byl volně přeložen z angličtiny do češtiny, proto se v textu mohou objevovat slabé odchylky od originálního znění.

1.3 Nezaměstnanost jako příčina kriminality

V předchozích kapitolách byla více rozebrána teorie nezaměstnanosti a kriminality, z kterých byl vyvozen částečný dopad nezaměstnanosti na kriminalitu. Nyní se podíváme na řadu studií z různých částí světa, které se pomocí dat a modelů snažily daný vztah lépe empiricky interpretovat. Některé studie uvádí silně pozitivní vztah, jiné tento vztah označují za nulový. Důležitým faktorem je zjištění, zdali má tedy nezaměstnanost vliv na kriminalitu především v situaci, kdy je potřeba nastavit správné fungování sociální politiky a zaměřit se na správné fungování státu.

Ming-Jen Lin (2008) ve své studii využívá panelová data ze 49 států USA v pozorovacím období dlouhém od roku 1974 až do roku 2000. Jako zástupce kriminálních zločinů si vybral data z vražd, znásilnění, napadení a loupeže (souhrnně označováno jako násilná kriminalita), dále pak vloupání, krádeže a krádeže aut (souhrnně označováno jako majetková kriminalita). Z výsledného modelu mu vyšel slabý korelační vztah mezi nezaměstnaností a násilnou trestnou činností. Oproti tomu shledává pozitivní vztah mezi mírou nezaměstnanosti a majetkovou trestnou činností. Důležitým vyvozením studie je snížení o jednu třetinu majetkové trestné činnosti v 90. letech, která by mohla být přisuzována změnám v nezaměstnanosti.

Raphael a Winter-Ebmer (2001) ve své studii docházejí k podobným výsledkům jako Ming-Jen Tin (2008). Ke zhotovení modelu využili panelová data z 50 států USA z období od roku 1971 až 1997 a zjistili významnou pozitivní korelaci mezi nezaměstnaností a majetkovou trestnou činností. Z výsledné rovnice došli k závěrům, že míra nezaměstnanosti má pozitivní vliv na majetkovou trestnou činností. Oproti tomu negativní vztah lze pozorovat při zkoumání kriminality a jejího vlivu na násilné trestné činy. Toto tvrzení potvrzují i na podložených datech, kdy v 90. letech klesla míra loupeží o 30 %, počet krádeží aut a vloupání o více než 15 % a krádeže o skoro 4 %. Míra nezaměstnanosti v té době změnila svoji podobu z 7,4 na 4,9 procent. Cook a Zarkin (2001, str. 267) se ve svém díle snažili propojit kriminalitu s fungováním hospodářského cyklu, a to na legitimní příležitosti zaměstnání, kriminální příležitosti, konzumaci

22 kriminogenních komodit¹⁷ a reakce trestní justice. Dalším zastáncem stejných výsledků je i dílo od Edmarka (2005), který se zaměřil na zkoumání panelových dat z let 1988 až 1999 na území 21 švédských krajů. Svá data zvolil především kvůli rozsáhle recesi, která probíhala ve Švédsku v 90. letech minulého století. Recese způsobila velké množství nezaměstnaných jedinců, což mělo danou studii o vlivu kriminality mnohem více podpořit. Edmark dospívá na základě svého modelu k pozitivnímu vztahu mezi nezaměstnaností, a především na určitou kriminální majetkovou činnost.

Studie, která nepotvrdila vztah mezi nezaměstnaností a kriminalitou, především mezi majetkovou trestnou činností, je dílo od Cantora a Landa (1985), které zkoumá období po druhé světové válce od roku 1946 až po rok 1982. Do svého zkoumání přidávají kromě míry nezaměstnanosti a kriminality i motivaci ke spáchání trestného činu. Na základě výsledného modelu zjišťují negativní vztah mezi nezaměstnaností a jejím vlivem na trestnou majetkovou činnost, mezi kterou patří vloupání, loupeže anebo krádeže.

Výsledky z mnoha studií jsou nejednoznačné a je velmi těžké určit, zda zde existuje korelační vztah či nikoliv. Cílem této práce je snaha určit, zda onen korelační vztah působil na území České republiky v letech 2010 až 2020 a tím podpořit či vyvrátit jiné výzkumné studie a nastínit teoretické řešení.

1.4 Teoretický model

Endogenní proměnou je v této práci kriminalita. Celková kriminalita je rozčleněna dle dat z webové stránky Policie ČR (2021) do několika kategorií. Na základě empirických studí (viz. kapitola 1.3) a dostupných výsledků byly pro práci vybrány následující kategorie:

• Majetková kriminalita měla v empirických studií (např. (Lin, 2008; Edmark, 2005)) významnou korelaci s mírou nezaměstnanosti, lze tedy očekávat pozitivní korelaci i ve výsledném modelu této bakalářské práce. Do majetkové kriminality patří trestné činy jako jsou krádeže, podvody, zpronevěry anebo poškozování cizích věcí.

17 Alkohol, drogy a využívání zbraní

• U násilné nezaměstnanosti se vztah mezi kriminalitou a mírou nezaměstnanosti nesetkal se silnou korelací, a proto je tento vztah potřeba ověřit i na datech z České republiky. Mezi násilné činy patří vraždy, omezení svobody, loupež anebo usmrcení z nedbalosti.

• Hospodářská (ekonomická) kriminalita je poslední endogenní proměnnou. Pro model u této proměnné očekává práce slabou pozitivní korelaci vzhledem k míře nezaměstnanosti. Do hospodářské kriminality jsou zařazena data z padělání známek a kolků, předlužení anebo pojistný podvod.

• Celková kriminalita, do které lze zahrnou výše zmíněné kategorie plus mravnostní kriminalita (obchodování s lidmi, znásilnění, …) a ostatní kriminalita (výtržnictví, nedovolené pěstování rostlin obsahující omamné látky, …)

Exogenní proměnná je nezaměstnanost, která by, dle mého očekávání, měla mít ve výsledném modelu kladnou hodnotu koeficientu. To znamená, že s růstem nezaměstnanosti roste i kriminalita. Na základě výše zmíněného budou testovány následující hypotézy:

H1: míra celkové kriminality je pozitivně závislá na míře nezaměstnanosti H2: míra majetkové kriminality je pozitivně závislá na míře nezaměstnanosti H3: míra násilné kriminality je pozitivně závislá na míře nezaměstnanosti H4: míra ekonomické kriminality je pozitivně závislá na míře nezaměstnanosti Problematikou u zmíněné exogenní a endogenní proměnné může být odchylka v rámci nesprávnosti dat. Do kriminality se započítávají pouze případy trestné činnosti, které byly řádně nahlášeny na příslušný orgán. To samé tvrzení lze uplatnil i u exogenní proměnné, kde jsou data čerpána pouze z řádně nahlášených jedinců na pracovním úřadě.

Mezi první kontrolní proměnnou patří hustota zalidnění, která nám udává počet obyvatel žijících na kilometru čtverečním. U této proměnné lze očekávat také kladný koeficient, který vypovídá o vyšší kriminalitě v místech s větším osídlením.

Další kontrolní proměnnou je míra dopadení či míra objasnění trestných činů. Jak ve svém díle naznačil Becker (1968) pravděpodobnost dopadení, odhalení či odsouzení může hrát stěžejní roli v rozhodování jedince. Míra dopadení udává podíl počtu

24 nahlášených a vyřešených trestných činů v daném roce a lze předpokládat, že čím vyšší bude míra objasnění, tím nižší bude kriminalita.

Mzda je kontrolní proměnná, která dle mého názoru determinuje rozhodování jedince, zda daný zločin spáchá či nikoliv. Čím vyšší je mzdová sazba, tím nižší by podle předpokladů měla být míra kriminality.

Rozpočet připadající ročně na policii je další kontrolní proměnnou. Vzhledem k prostudované teorii a s ohledem na situační prevence (viz. kapitola 1.1.3) je důležité zaměřit se na fakt, zda vyšší procento zastoupení policie má snižující tendenci kriminality.

2 Empirická část

V empirické části jsou popsána data a uveden jejich zdroj, ze kterého byla čerpána.

Podrobněji jsou zde i popsány proměnné z empirického hlediska a v neposlední řadě jsou vytvořeny modely z dat uvedených proměnných, které jsou následně okomentovány.

V poslední podkapitole je nastíněn souhrn výsledků, zodpovězení hypotéz a nastíněný teoretický rámec s možným řešením.

2.1 Data

Data k vytvořenému datovému souboru byla primárně čerpána z dostupných informací uvedených na webových stránkách Českého statistického úřadu (2021), Policie ČR (2021), ÚZIS (2021), monitoru státní pokladny (2021). Datový soubor obsahuje celkem 154 pozorování rozdělených dle ročních dat v období dlouhém od roku 2010 do roku 2020. Dále jsou pozorování rozdělena do 14 krajů České republiky. Celkem bylo k vytvoření všech modelů použito 12 proměnných: míra celkové, majetkové, násilné a ekonomické kriminality a jejich pravděpodobnost dopadení, míra nezaměstnanosti, medián mezd, hustota obyvatelstva a výdaje na policii České republiky vzhledem k daným krajům.

2.1.1 Popisné statistiky

Následující kapitola je zaměřena na popisné statistiky jednotlivých proměnných.

Dané proměnné jsou poté podrobněji rozebrány a v neposlední řadě je zde i nastíněný vhodný ekonometrický model.

Tabulka 1 obsahuje všech 12 proměnných, které budou figurovat při tvorbě ekonometrického modelu. V rámci jednodušší orientace s daty a lepšího zasazení do kontextu byly vybrány následující popisné statistiky. Sloupec Medián určuje přesnou polovinu hodnot veškerých dat. Sloupec Min vybírá nejnižší hodnotu z celého datového soubor a oproti tomu sloupec Max vybírá nejvyšší hodnotu. Poslední popisnou statistikou je sloupec Směr. odch., který zobrazuje směrodatnou odchylku a vychýlení hodnot dat od průměru.

26 Tabulka 1 – popisné statistiky

Proměnné Počet

pozorování

Medián Min Max Směr.

odch.

crime_tot 154 1948.2 913.8 6596.3 1026.0

pcrime_tot 154 0.53 0.19 0.69 0.118

crime_prop 154 980.9 330.3 5016.2 840.9

pcrime_prop 154 0.309 0.072 0.498 0.099

crime_vio 154 139.8 66.2 278.8 46.1

pcrime_vio 154 0.723 0.507 0.920 0.078

crime_eco 154 219.1 108.0 608.1 96.315

pcrime_eco 154 0.571 0.222 0.811 0.118

unempl 154 0.057 0.019 0.115 0.023

population_density 154 120.5 63.2 2691.2 634.2

wage 154 23436 19076 39233 4369.5

budget_police 154 1.5 0.71 6.57 1.19

Zdroj: vlastní zpracování dle dostupných dat z ČSÚ, Policie ČR, UZIS, Státní pokladna

2.1.2 Endogenní proměnná

Endogenní proměnná je rozdělena do čtyř kategorií na celkovou kriminalitu (𝑐𝑟𝑖𝑚𝑒_𝑡𝑜𝑡), majetkovou kriminalitu (𝑐𝑟𝑖𝑚𝑒_𝑝𝑟𝑜𝑝), násilnou kriminalitu (𝑐𝑟𝑖𝑚𝑒_𝑣𝑖𝑜) a hospodářskou kriminalitu (𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜). Data uvádějící počet kriminálních zločinů jsou vzhledem k přesnějším údajům převedena na míru kriminality. Ta uvádí počet trestných činů ve výše zmíněných kategorií na 100 tisíc obyvatel v daném roce a kraji. K dosažení míry kriminality byla využita data s počty trestných činů rozdělena podle let a kraje spáchání. Tato data byla následně vydělena počtem obyvatel s trvalým pobytem v kraji a vynásobena stotisíci, a to vedlo k poskytnutí uceleného rámce na srovnání míry kriminality. Celková kriminalita dosahuje nejvyšší hodnoty 6596,3 trestných činů na 100 tisíc obyvatel, a to v roce 2013 v Praze, naopak nejnižší počet trestných činů byl v roce

27 2020 v Pardubickém kraji. S použitím mediánu lze tedy říct, že přibližně každý rok připadne na 100 tisíc obyvatel 1948,2 trestných činů. Nejméně trestných činů vzniká v kategorii násilných trestných činů, i přesto to jsou však nejzávažnější trestné činy ze všech. Hospodářská kriminalita se udržuje mezi hodnotou 219 trestných činů na 100 tisíc obyvatel v průběhu jednoho roku.

2.1.3 Exogenní proměnná

Exogenní proměnnou je nezaměstnanost, která je v modelu uváděna jako podíl nezaměstnaných k počtu pracovní síly jako míra nezaměstnanosti. V modelu je značena jako 𝑢𝑛𝑒𝑚𝑝𝑙 a její nejnižší hodnota byla 1,9 % v roce 2019 v Praze.

Na základě dosažených informací ohledně míry nezaměstnanosti a kriminality byl vytvořen graf, který má za cíl přibližně porovnat vztah mezi endogenní a exogenní proměnnou.

Graf 1 – Korelace míry kriminality a nezaměstnanosti v Praze

Zdroj: vlastní zpracování na základě dat z ČSÚ a PČR

Graf 1 znázorňuje míru majetkové kriminality a míru nezaměstnanosti v letech 2010 až 2020 v Praze. Kriminalita je zde vložena jakožto procento udávající poměr majetkových trestných činů k populaci v daném roce a vynásobena stem. Z Grafu je snadné již teď vypozorovat klesající tendenci nezaměstnanosti, a to především v letech

0.00 1.00 2.00 3.00 4.00 5.00 6.00

2010 2011 2012 2013 2014 2015 2016 2017 2018 2019 2020

Korelace míry kriminality a nezaměstnanosti v Praze

kriminalita nezaměstnanost

28 2013 až 2018, a zároveň i klesající tendence míry kriminality ve stejných letech. Z toho grafu lze vyvodit předčasný závěr, že by zde mohla existovat nějaká korelace. Pro její docílení však musíme nastínit a ověřit empirický model.

2.1.4 Kontrolní proměnné

Pravděpodobnost dopadení

Pravděpodobnost dopadení je pro každou endogenní proměnnou tvořena zvlášť.

Pro celkovou kriminalitu se v modelu udává jako zkratka 𝑝𝑐𝑟𝑖𝑚𝑒_𝑡𝑜𝑡, pravděpodobnost dopadení u majetkové kriminality je značen jako 𝑝𝑐𝑟𝑖𝑚𝑒_𝑝𝑟𝑜𝑝, u násilné kriminality 𝑝𝑐𝑟𝑖𝑚𝑒_𝑣𝑖𝑜 a u hospodářské kriminality jako 𝑝𝑐𝑟𝑖𝑚𝑒_𝑒𝑐𝑜. Pravděpodobnost dopadení je přepočítána z dostupných dat Policie ČR a je rovna podílu trestných činů k vyřešeným či potrestaným činům za jeden rok. Problematikou měření jsou případy, jež jsou nahlášeny dříve a dopadení jejich pachatelů trvá déle, později vyřešené¹⁸ případy nejsou brány v potaz v tomto modelu. Pravděpodobnost uvádí tedy procento objasněných trestných činů anebo přestupků, které byly spáchány a objasněny v jednom roce.

Medián míra dopadení u celkové kriminality je 53 %, přičemž nejvyšší míru dopadení mají kriminální činnosti spadající do kategorie násilných trestných činů.

Nejvyšší mírou dopadení bylo 92 % v roce 2018 v Karlovarském kraji, kde bylo spácháno 169,21 násilných trestných činů na 100 tisíc obyvatel. Naopak nejnižší míru dopadení má majetková kriminalita se svými 7,2 % v roce 2010 v Praze. Jedním z možných důvodů je velká četnost těchto případů a mnohdy i nemožnost pachatele vypátrat a dopadnout.

Výdaje na Policii ČR

𝐵𝑢𝑑𝑔𝑒𝑡_𝑝𝑜𝑙𝑖𝑐𝑒 je další kontrolní proměnnou v tomto modelu. Jedná se o celkové výdaje na fungování a správu Policie ČR. Peníze na fungování jsou získávány ze státního veřejného rozpočtu. Data jsou uváděna v miliardách, a tedy nejnižší výdaj na fungování byl 0,71 miliardy v roce 2013 ve Zlínském kraji, kde celková míra kriminality dosahovala v tentýž rok 1568,65 trestných činů na 100 tisíc obyvatel. Naopak nejvyšší vyčerpanou

18Případy nahlášené v daný rok, ale vyřešené až o rok, či delší časové období, později

29 částkou je 6,57 miliard použitých na výdaje v Praze v roce 2020 s počtem 2850,68 trestných činů na 100 tisíc obyvatel.

Pro srovnání následujících dvou kontrolních proměnných byl vytvořen graf, který porovnává míru dopadaní za celkovou kriminální činnost spolu s výdaji vydanými na fungování PČR v Karlovarském kraji v letech 2010 až 2020.

Graf 2 - výdaje PČR a míra dopadení

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

In document Hlavní práce77030_nekv02.pdf, 1.3 MB Stáhnout (Stránka 25-40)