Эконометрическое моделирование влияния уровня безработицы на крименогенность обстановки в России

В статье рассматривается возможность построения регрессионного уравнения влияния численности безработных на уровень преступлений в разрезе субъектов РФ, при этом в модели учитывается принадлежность субъекта к какому-либо типу (крупный или мелкий объект), что достигается посредством введения в модель фиктивной переменной (манекена).

Ключевые слова: безработица, преступность, криминогенность, взаимосвязь, корреляция, регрессия, кластерный анализ, фиктивные переменные, типологическая регрессия

Одной из социальных «болезней» современного общества является безработица. Данное явление, безусловно, носит негативную окраску, и влечет за собой снижение уровня жизни населения, деградацию, депрессию, распад семей, усиление дифференциации населения, упущенные выгоды экономики (недополучение ВВП). Особо стоит выделить такое последствие роста численности безработных как увеличение уровня преступности. Логичным предположить, что человек, оставшийся без стабильного заработка, а соответственно без средств существования, в условиях жесткой конкуренции на рынке труда, а, следовательно, невозможности трудоустройства, будет изыскивать альтернативные источники заработка в теневом секторе экономике. Данная ситуация приводит в конечном итоге к усилению криминогенностиобстановки в регионе. В связи с этим, рассмотрение указанной проблемы и моделирование зависимости, является актуальной задачей, как статистики, так и эконометрики.

Актуальность выбранной темы исследования подчеркивается в научной литературе, так с позиции статистической науки, проблему взаимосвязи преступности и социально-экономических показателей рассматривали такие ученые как: Васин Ю. Г. [1], Квашис В. Е. [2], Лунеев В. В. [3], Омигов В. И. [4], Синякина А. Ю. [6], Упоров И. В. [7] и др.

Предметом проведенного в рамках статьи исследования являются взаимозависимость безработицы и числа зарегистрированных преступлений, объектом выступают субъекты РФ, в качестве источника информации послужили данные системы Росстат, Министерства внутренних дел РФ и Министерстватруда и социальной защиты РФ содержащиеся в Единой межведомственной информационно-статистической систем (ЕМИСС). В ходе изучения зависимости были использованы такие статистические и эконометрические методы как: корреляционный, регрессионный, многомерной группировки.

В рамках данной статьи рассмотрим взаимосвязь между численностью безработных () и показателями характеризующими криминогенность обстановки в России (совершенных в 2013 г.): убийство по ст.105 УК РФ (); умышленное причинение тяжкого вреда здоровью по ст.111 УК РФ (); изнасилование по ст.131 УК РФ (); кража по ст.158 УК РФ (); грабеж по ст.161 УК РФ (); разбой по ст.162 УК РФ (); вымогательство по ст.163 УК РФ (); хулиганство по ст.213 УК РФ ().

Оценка взаимосвязи количественно измеренных переменных осуществляется на основе парного линейного коэффициента корреляции Пирсона, для этого воспользуемся ресурсами пакета программ STATISTICA, в результате реализации процедуры получаем матрицу парных коэффициентов корреляции (таблица 1).

Матрица парных коэффициентов корреляции зависимости показателей криминогенности и численностью безработных

Приведенные в таблице значения коэффициента корреляции (согласно шкале Чеддока) указывают на заметную и высокую связь между показателями криминогенности и безработицей.

Проиллюстрируем процесс построения регрессионной модели, выбрав наиболее тесно связанные переменные, для этого обратимся к последней строчке таблицы.

Наиболее сильная взаимосвязь прослеживается между переменной

и (коэффициент корреляции равен 0,75), соответственно оценим парное регрессионное уравнение между этими показателями (таблица 2).

Таблица 2

Результаты построения парной линейной регрессии между переменными и

Проведем разбиение совокупности на однородные группы методом иерархической кластеризации (модуль «Кластерный анализ»), согласно Айвазяну С. А. данная процедура применяется в тех случаях, когда нет предположений относительно количества кластеров.

В результате работы модуля получаем график, который называют дендограммой(рисунок 1).

По оси абсцисс расположены субъекты РФ, по оси ординат отражено значение интегрального показателя, представляющее величину, сформированную на основе отобранных показателей. Данный показатель не имеет единицы измерения и является своего рода многомерной статистической оценкой.

Стоит отметить, что в силу наличия значительного количества рассматриваемых объектов читаемость на графике имен единиц очень низкая, поэтому дендограмму можно использовать лишь в качестве «разведочного» анализа для получения предварительной информации о количестве групп на которое необходимо разбить совокупность.

Рис. 1. Древовидная диаграмма групп субъектов РФ по численности безработных и числу зарегистрированных убийств в 2014 году

В нашем случае имеем 2 группы, первая заключена между Приморским краем и республикой Дагестан, вторая между г. Москва и Белгородской областью.

К сожалению, оценить качество разбиения в рамках данной процедуры в пакете STATISTICA невозможно, поэтому перейдем к следующей процедуре кластеризации — метод k средних, при этом выделим два кластера. В результате получаем фактические значения F-статистики Фишера (таблица 3).

Результаты дисперсионного анализа разбиения совокупности субъектов РФ на два кластера

Уровень значимости указывает на достаточно высокое качество разбиения совокупности на группы, так как значение уровня значимости по всем переменных не превышает порог в 0,05, т. е. по переменным и удалось однозначно разделить совокупность на две группы.

Так как в нашем распоряжении имеются данные, представленные двумя группами, обратимся к методике построения регрессионного уравнения с включением фиктивной переменной (манекены, структурные переменные, индикаторы) [5].

В нашем случае данная переменная Di находится в правой части модели и имеет две альтернативы:

Коэффициент в приведенной модели называется дифференциальным коэффициентом свободного члена, так как он показывает, на какую величину отличается свободный член модели при значении фиктивной переменной, равной единице, от свободного члена модели при базовом значении фиктивной переменной.

Обратившись к модулю «Множественная регрессия», получаем параметры множественного уравнения, представленные в таблице 4.

Результаты оценивания множественного линейного уравнения регрессии с фиктивной переменной GRUP

Представленная в таблице 4 регрессионная модель указывает на существенность различий влияния фактора Di, так как параметр получен статистически значим. При этом < 0, что указывает на «перевес» в сторону первого кластера, т. е. линия регрессия по объектам, вошедшим в первый кластер, выше линии регрессии по второму кластеру.

Обратившись к графическим возможностям пакета STATISTICA исследуемую зависимость и описывающее его регрессионное уравнение можно отобразить в виде диаграммы рассеяния (рисунок 2).

Рис. 2. Результаты построения регрессионной модели зависимости числа зарегистрированных преступлений от численности безработных и дифференциации на кластеры

Согласно представленной информации регрессионное уравнение по первому кластеру находится выше, чем по второму. Соответственно уровень безработицы и криминогенность в субъектах, вошедших в первую группу выше, чем аналогичные показатели по второй группе.

Литература:

1.                Васин Ю. Г. О методике прогнозирования преступности на основе данных уголовной статистики / Ю. Г. Васин // Аграрное и земельное право. — 2015. — № 3 (123). — С. 121–126.
2.                Квашис В. Е. Российская преступность в зеркале международной статистики / В. Е. Квашис и д. р. // Научный портал МВД России. — 2013. — № 3 (23). — С. 41–49.
3.                Лунеев В. В. Проблемы отечественной преступности: статистика и реалии / В. В. Лунеев, И. М. Мацкевич, Д. К. Нечевин // Евразийский юридический журнал. — 2011. — № 1 (32). — С. 103–116.
4.                Омигов В. И. Некоторые проблемы современной российской уголовной статистики / В. И. Омигов // Криминология: вчера, сегодня, завтра. — 2012. — № 25. — С. 75–77.
5.                Панкова С. В. Моделирование влияния социально-экономических факторов на валовой региональный продукт / С. В. Панкова, А. П. Цыпин // Экономический анализ: теория и практика. — 2015. — № 45 (444). — С. 2–14.
6.                Синякина А. Ю. Статистика экономической преступности за 2014 год / А. Ю. Синякина, С. А. Стрекалова // Приоритетные направления развития науки и образования. — 2015. — № 2 (5). — С. 458–461.
7.                Упоров И. В. Мировой экономический кризис и статистика преступности в России / И. В. Упоров // Общество и право. — 2009. — № 5. — С. 41–44.
8.                Цыпин А. П. Статистический анализ трансформации экономики России/А. П. Цыпин//автореферат дис.... кандидата экономических наук: 08.00.12/Оренбург. гос.аграр. ун-т. 9 05–8/1159–0. -Оренбург: 2005. — 18 с.