Результаты оценки пошаговой регрессии для некоторых видов преступлений

Зависимая переменная	Независимая переменная	Коэффициент	R2adj.
Умышленное причинение тяжкого вреда здоровью	Количество студентов	-0,66	0,40
Кража чужого имущества	Число прибывших в пределах региона от общего числа прибывших и выбывших	0,71	0,48
Убийство и покушение на убийство	Уровень безработицы	0,68	0,54
	Количество студентов	-0,72
Грабеж	Удельный вес городского населения	0,764	0,55
Против собственности	Количество студентов	0,72	0,48
Связанные с незаконным оборотом наркотиков	Соотношение женщин и мужчин	0,789	0,6
Хулиганство	Количество студентов	-1,01	0,63
	Доля городского населения	-0,64
	Соотношение женщин и мужчин	0,644

Источник: рассчитано автором по данным Федеральной службы государственной статистики и ГИЦ МВД России.

Значение скорректированного коэффициента детерминации показывает, что моделью, которая включает в себя лишь социально-экономические детерминанты, объясняется 40–60% вариации преступности в пространстве. Этот процент, в целом, согласуется с экспертными оценками значимости этого вида детерминант преступности. Использование метода пошаговой регрессии позволило нам отобрать наиболее информативные переменные, детерминирующие концентрацию того или иного вида преступления, и определить соответствующие коэффициенты эластичности.

Умышленное причинение тяжкого вреда здоровью определилось долей студентов с коэффициентом эластичности –0,66. Таким образом, однопроцентное увеличение концентрации студентов в регионе объясняет 0,66 % снижения концентрации в нем УПТВЗ. В рамках экономического подхода это может быть объяснено ростом издержек совершаемого преступления, т. к. получив высшее образование, человек имеет шанс на стабильный заработок. Тогда как совершение преступления может лишить его этой возможности. Это обуславливает в качестве одной из косвенных мер борьбы с данным видом преступлений – расширение программ поддержки высшего образования, работы со студентами и прочие аналогичные программы.

Однопроцентный рост внутрирегиональной нестабильности резидентов обуславливает увеличение концентрации краж в регионе на 0,71 %. В рамках экономического подхода это может быть интерпретировано как снижение социального капитала (уменьшение взаимосвязи между соседями, снижение социального контроля и прочее). Это в качестве косвенных мер борьбы предопределяет комплекс социально-экономических программ по увеличению стабильности резидентов региона.

Коэффициенты эластичности убийств по доле студентов в регионе и общему уровню безработицы составили соответственно -0,72 и 0,68. Таким образом, однопроцентное увеличение коэффициентов концентрации указанных показателей объяснит снижение на 0,72% и увеличение на 0,68% индекса концентрации убийств в регионе. Это открывает возможности для двух видов косвенного воздействия – программ поддержки высшего образования (что, в частности, позволит снизить концентрацию хулиганств на 1,01%) и комплекса социально-экономических программ по снижению безработицы. Однако при увеличении концентрации студентов в регионе следует ожидать роста концентрации преступлений против собственности на 0,72%.

Рост урбанизированности территории на 1% увеличит концентрацию грабежей на 0,76%, однако снизит уровень хулиганств на 0,64%. Таким образом, объемы средств и сил, направляемых на борьбу с данными видами преступлений в регионах с разной степенью урбанизированности, должны отличаться.

Индекс Джини не показал значимой корреляционной зависимости ни с одним видом преступлений. Одним из возможных объяснений такого результата может быть относительная однородность указанного показателя в рамках субъектов СФО. Хотя при расширении анализа для общероссийского уровня или при исследовании более неоднородных по этому показателю регионов, целесообразно включать его в анализ.

Проведенный анализ социально-экономической детерминации преступности в пространстве подтвердил выдвинутую нами гипотезу о видовом различии детерминации преступности. Сравнение полученных результатов с общероссийскими данными дает основание заключить, что они разнятся.

В целом, на основе результатов пространственного анализа нами были сделаны следующие выводы-рекомендации по предупреждению отдельных видов преступлений косвенными методами в рамках субъектов СФО, которые отражают практическую значимость проводимых расчетов, среди них:

• нацеленность региональной политики на увеличение социальной стабильности в регионе, включая весь комплекс мер, направленных на снижение региональной асимметрии в рамках субъектов СФО, что косвенно будет способствовать снижению уровня концентрации краж и иных видов преступлений против собственности;

• жесткий контроль уровня безработицы, активация и повышение эффективности деятельности служб занятости особенно в динамично развивающихся регионах СФО, что позволит косвенно повлиять на снижение насильственных преступлений, включая убийства и покушения на убийство;

• особое внимание в урбанизированных регионах СФО должно быть уделено профилактике таких видов преступлений как грабежи, преступления экономической направленности, связанных с незаконным оборотом наркотиков;

• в регионах СФО с повышенной концентрацией студентов особый акцент должен быть сделан на профилактику преступлений экономической направленности и связанных с незаконным оборотом наркотиков;

• разработка и осуществление социальных программ по решению проблем в семье, профилактике подростковой преступности, в частности работа в школах (включая особую работу с детьми состоятельных родителей) также позволит снизить концентрацию преступлений в сфере незаконного оборота наркотиков.

Безусловно, данные обобщенные рекомендации требуют дальнейшего уточнения на основе выше приведенных оценок, исходя из целевых установок конкретного эмпирического исследования.

Однако, примененная техника регрессионного анализа, основной причиной выбора которой являлось ограниченное число наблюдений, не позволила нам сохранить в модели и определить коэффициенты эластичности для всех показателей, коррелирующих с уровнем концентрации тех или иных преступлений. Решением указанной проблемы и углублением проведенного анализа является следующий его этап – пространственно-временное исследование.

4. Пространственно-временной анализ

социально-экономической детерминации преступности

Анализ в пространственно-временном разрезе был проведен на примере общего уровня преступности, преступлений против личности (на примере убийств и покушений на убийство), а также преступлений против собственности (на примере краж чужого имущества). Выбор именно данных видов преступлений был обоснован тем, что:

• убийства и покушения на убийство являются наименее латентной группой преступлений, что сглаживает вариацию значений их количества в связи с различным уровнем регистрации по регионам и позволяет более качественно оценить иные факторы, определяющие дифференциацию значения данного показателя в региональном разрезе;

• кражи чужого имущества количественно преобладают в массиве преступлений против собственности.

Информационный массив включил данные за 6 лет (1998–2003 гг.) по 12 субъектам СФО. Автономные округа вошли в анализ через данные соответствующих краев и областей. Была осуществлена оценка обобщенных линейных моделей пространственно-временного вида для индексов концентрации выше представленных видов преступлений:

Y_it =  + _i + _t +b₁X¹_it + ... + b_nXⁿ_it +_it (6)

где Y_it– значение показателя уровня преступности вi–м регионе в момент времениt (годуt);µ– генеральное среднее;_i – региональный эффект;_t– временной эффект;X¹_it, …, Xⁿ_it – значения объясняющих переменныхX¹,...,Xⁿвi–м регионе в момент времениt;_it– случайные ошибки.

Введение в модели индивидуальных (региональных) эффектов позволяет улучшить их прогностическое качество. Они помогают учесть переменные, которые оказывают значимое влияние на объясняемую переменную, но по каким-то причинам не вошедшие в модель (например, в силу ограниченной доступности статистической информации или качественности исследуемых характеристик).

Для идентификации модели была использована интегрированная система анализа линейных моделей и планирования экспериментов с качественными факторами «SEA», реализующая ковариационный анализ. Оценка производилась методом наименьших квадратов на основе обобщенного обращения. В силу присутствия в модели двух качественных факторов в нее были введены идентифицирующие ограничения.

Результаты оценки моделей представлены в Табл. 2.

По результатам проведенного ковариационного анализа для всех моделей было выявлено, что фактор времени является незначимым для всех трех зависимых переменных. Это свидетельствует о стабильности описываемого явления во времени и о непринципиальности выбора размера временного ряда.

Таблица 2