När det kommer till de andra bestämningsfaktorerna i våra modeller har vi fått både väntade och oväntade resultat. Utifrån vår teori förväntar vi oss att en ökad invandring leder till ökat antal stölder och rån och det är vad våra modeller visar. Dai, Liu och Xie resonerar att en ökning av invandring innebär att antalet “low skilled workers” ökar och att fler i den gruppen vänder sig till kriminalitet för att ersätta den förlorade inkomsten. Resultaten från våra modeller verkar stämma överens med Brå:s resonemang om att invandrare har svårare att etablera sig i det svenska samhället och att på grund av dessa svårigheter begår de kriminella handlingar.
Vad gäller samband mellan mord och dråp och invandring får vi endast ett signifikant resultat från modell 4 som endast är signifikant på 10 procents nivå. Det tyder på att det kan finnas ett svagt samband men då effekten är liten och signifikansnivån hög är vi restriktiva med att dra en slutsats om att det finns ett samband. Baserat på vår teori förväntar vi oss heller inte något starkt samband mellan mord och dråp och invandring då de flesta teorier menar att ökad invandring leder till brott som ska öka den personliga förmögenheten vilket innebär att mord och dråp inte bör påverkas av ökad invandring.
Eftersom att en ökning av inkomst leder till ökad personlig förmögenhet bör kriminaliteten enligt Beckers teori minska, framförallt när det gäller förmögenhetsbrott. Den teorin ser ut att stämma då våra modeller för stöld visar att en ökning av medelinkomsten leder till färre stölder och för rån visar modell 1 också en signifikant negativ effekt. Liksom för variabeln
33
mmk verkar kopplingen mellan mord och dråp och medelinkomst inte vara stark då ingen av
modellerna 1 och 4 visar på signifikanta estimat. De visar det förväntade negativa tecknet vilket stärker förtroendet för modellerna och estimaten.
För misshandel visar modellerna signifikant positiva estimat för inkomst vilket är förvånande med tanke på teori och övriga estimat i modellen och vi ser inte hur ökade medelinkomster kan leda till ökat antal misshandelsfall. För narkotikabrott konstaterar vi att modell 1 visar ett signifikant positivt estimat men efter att vi justerat för tidseffekt försvinner den effekten. Det tyder på att även detta estimat påverkas av trenden som finns i antalet narkotikabrott under den studerade perioden.
Vi förväntar oss att ökad sysselsättning borde leda till ett minskat antal brott men vi får en del blandade resultat för de olika brottstyperna. Resultaten från modell 1 gällande stöld går emot det Edmark presenterar, då hon konstaterar att ökad arbetslöshet leder till ökat antal
förmögenhetsbrott men estimatet i modell 1 är signifikant positivt. Effekten försvinner efter justering för tidseffekt och därmed resonerar vi att det signifikanta estimatet har kommit av en trend i data och därför inte är tillförlitligt. Det resonemanget stärks av att estimaten i modellerna för rån är signifikant negativa då båda dessa brott är förmögenhetsbrott och bör därmed visa liknande resultat.
Estimaten för sysselsättning visar ett signifikant negativt samband för misshandel och narkotika i våra modeller. Det stämmer överens med tidigare teori då ökad sysselsättning leder till bättre ekonomiskt tillstånd vilket då bör minska incitamenten till att begå brott överlag. Nilsson och Agell konstaterade också detta samband gällande narkotikabrott och resonerade, utöver de ekonomiska incitamenten, kring att den som har en anställning också har mindre tid att begå en kriminell handling.
Lange och Lång har konstaterat att eftergymnasial utbildning har en signifikant negativ effekt på våldsbrott medan effekten på stöld och rån är signifikant positiv. Vi förväntar oss därmed ett positivt samband för stöld och rån, men endast modell 4 för stöld stämmer överens med det. Modell 1 visar istället på ett signifikant negativt samband och rån visar inte på något signifikant samband alls. Eftersom det negativa estimatet blir positivt för stöld efter att vi justerat för tidseffekt så tyder det på att effekten i modell 1 kan komma av en trend i vår data, men det skulle också kunna innebära att vår variabel för utbildning inte är helt representativ.
34 Våra resultat kan även innebära att det inte finns någon tydlig effekt av utbildningsnivå på stöld och rån.
Resultaten stämmer till viss del överens med det Lange och Lång kommer fram till då samtliga estimat i modellerna 1 och 4 för mord och dråp samt misshandel är signifikant negativa. En högre utbildning leder alltså till att färre våldsbrott begås och det kan förklaras av att en högre utbildad person tydligare kan se de potentiella kostnaderna och
konsekvenserna som uppstår vid en dom eller om individen skulle bli anklagad för ett brott. Lochner och Moretti resonerar att de med högre utbildning har en högre alternativkostnad vid en dom och därmed är mindre benägna att begå grövre brott. Vad gäller narkotikabrott så är estimaten för utbildning signifikant positiva vilket tyder på att högre utbildade begår fler narkotikabrott. Vi anser att även detta stämmer överens med teorierna kring de andra brottstyperna. Individer med högre utbildning begår de brott som har en stor ekonomisk vinning, vilket narkotikabrott har, och undviker de brott som har en stor alternativkostnad. Teorierna gällande befolkningstäthet motiverar att kriminalitet är vanligare i större städer där människor bor tätare varandra. Eftersom att en ökad befolkningstäthet gör det enklare att komma undan med stöld och rån resonerar vi att det är logiskt att en ökning av
befolkningstäthet leder till en ökning av förmögenhetsbrott och det stämmer överens med
våra resultat. Estimaten för modellerna 1 och 4 är signifikant positiva för stöld och rån och även för narkotikabrott, vilket vi anser är naturligt då narkotikabrott också är en typ av brott som är enkel att komma undan med när det finns mer folk runt omkring. I Sverige finns den största befolkningstätheten i de största städerna och därmed finns det dessutom en större kundbas att sälja narkotika till.
35
6. Slutsats
Syftet med studien har varit att på länsnivå undersöka och analysera bestämningsfaktorer till kriminalitet med fokus på effekten av ekonomisk ojämlikhet under perioden 2000-2014. För att kunna uppnå vårt syfte har vi utgått från följande frågeställningar:
- Ökar ekonomiskt ojämlikhet antalet brott i Sverige och hur stor är effekten för
perioden 2000-2014?
Utifrån våra modeller för rån och stöld konstaterar vi att minskad ekonomisk ojämlikhet leder till en minskning av antalet förmögenhetsbrott. En minskning av den ekonomiska
ojämlikheten med en procent leder till att antalet stölder minskar med mellan 4,3 och 6,7 procent och antalet rån minskar med mellan ungefär nio procent. Effekten från ekonomisk ojämlikhet är svagare på grövre våldsbrott men den effekt som finns är negativ. Gällande narkotikabrott visar modell 1 en positiv effekt men efter att vi justerar för tidseffekt blir estimatet inte längre signifikant och vi drar slutsatsen att effekten kommer av trenden som finns gällande antalet narkotikabrott som begåtts under perioden, inte att mindre ekonomisk ojämlikhet leder till fler narkotikabrott.
- Vilka är effekterna på kriminalitet av bestämningsfaktorerna invandring, inkomst,
sysselsättning, utbildning, ålder, kön och befolkningstäthet?
Vi konstaterar att ökad invandring leder till en ökning av antalet stölder och rån och det verkar även finnas ett svagt positivt samband mellan invandring och mord och dråp. Effekten på misshandelsfall och narkotikabrott är däremot negativ. Gällande inkomst finns det en negativ effekt på brottstypen stöld och rån, en ökning av medelinkomsten leder till färre brott. Effekten är däremot positiv för misshandel och narkotikabrott. En ökad nivå av sysselsättning leder till färre rån, narkotikabrott och misshandelsfall men för stöld är estimatet i modell 1 signifikant positivt.
Effekten av en ökad andel av befolkningen med eftergymnasial utbildning är oklar och vi hittar inget tydligt samband till förmögenhetsbrott. För mord och dråp samt misshandel är effekten signifikant negativ men för narkotikabrott är effekten istället signifikant positiv.
Befolkningstäthet har signifikant effekt på förmögenhetsbrotten där vi konstaterar att det blir
36 Effekterna från ålder och kön lyckades vi inte representera väl i vår studie och vi drar
37
Referenslista
Autosafe.se. (2019). Böter fortkörning. Retrieved April 17, 2019, from
https://www.autosafe.se/böter-fortkörning-21126913
Becker, G. S. (2002). Nobel Lecture: The Economic Way of Looking at Behavior.
Journal of Political Economy, 101(3), 385–409.
Brottsförebyggande rådet. (2005). Brottslighet bland personer födda i Sverige och i
utlandet. Rapport 2005:17. Stockholm.
Brottsförebyggande rådet. (2018). Kriminalstatistik 2018 Misstänkta personer. Stockholm.
Brottsförebyggande rådet. (2019). Sök statistik över anmälda brott. Retrieved April 20, 2019, from http://statistik.bra.se/solwebb/action/index
Bunge, M. (n.d.). A systemic perspective on crime. In P.-O. H. Wikström & R. J. Sampson (Eds.), The Explanation of Crime (pp. 8–30). Cambridge: Cambridge University Press.
Choe, J. (2008). Income inequality and crime in the United States. Economics Letters,
101(1), 31–33.
Dai, T., Liu, X., & Xie, B. (2013). The impact of immigrants on host country crime.
Economics Letters, 119(2), 157–161.
Edmark, K. (2002). Arbetslöshetens effekter på brottsligheten. Ekonomisk Debatt, (5), 403–416.
Erling, E., Aasness, J., & Skjerpen, T. (1995). Economics of crime: Deterrence and the
Rational Offender. (E. Erling, Ed.) (Vol. 33).
Fajnzylber, P., Lederman, D., & Loayza, N. (2001). Inequality and Violent Crime. Glaeser, E. L., & Sacerdote, B. (1996). Why is there more crime in cities? National
Bureau of Economic Research.
Gumus, E. (2004). Crime in urban areas: An empirical investigation. Akdeniz I.I.B.F.
38 Judd, D. R., & Simpson, D. W. (2011). The city, revisited : urban theory from Chicago,
Los Angeles, and New York. University of Minnesota Press.
Kanazawa, S., & Still, M. C. (2000). Why men commit crimes (and why they desist).
Sociological Theory, 18(3), 434–447.
Kang, S. (2016). Inequality and crime revisited: effects of local inequality and economic segregation on crime. Journal of Population Economics, 29(2), 593–626.
Kelly, M. (2000). Inequality and crime. Review of Economics and Statistics, 82(4), 530– 539.
Lakomaa, E. (2017). Regleringsekonomi , law and economics och industriell
organisation. Stockholm. Retrieved from Lisam
Lange, B., & Lång, E. (2011). Hur påverkar eftergymnasial utbildning brottslighet ? En
studie av svenska län för perioden 2000-2008. Karlstad; Karlstads Universitet; C-
uppsats
Malik, A. A. (2016). Urbanization and Crime : A Relational Analysis. IOSR Journal Of
Humanities And Social Science, 21(1), 68–74.
Migrationsinfo.se. (2018). Relativ fattigdom. Retrieved April 28, 2019, from
http://www.migrationsinfo.se/valfard/relativ-fattigdom/
Moretti, E., & Lochner, L. (2010). The Effect of Education on Crime: Evidence from
Prison Inmates, Arrests, and Self-Reports. The American Economic Review, 94(1),
155–189.
Niknami, S. (2012). Essays on Inequality and Social Policy Education , Crime and
Health. Stockholm: Stockholm University.
Nilsson, A. (2004). Income inequality and crime : The case of Sweden. Evaluation, (May).
Nilsson, A., & Agell, J. (2003). Crime , unemployment and labor market programs in
39 Nilsson, I., & Wadeskog, A. (2012). Gatuvåldets ekonomi Ett kommunalt perspektiv, 1–
114.
Ring, J. (2017). Kostnader för brott. Retrieved from
https://www.bra.se/download/18.4c494ddd15e9438f8ad38d51/1510929097847/201 7_8_Kostnader_for_brott.pdf
Robling, P. O. (2015). Essays on the origin of human capital, crime and income
inequality. Department of Economics, Stockholm University.
Statistiska Centralbyrån. (2019). Gini-koefficient 1975–2017. Retrieved April 8, 2019, from https://www.scb.se/hitta-statistik/statistik-efter-amne/hushallens-
ekonomi/inkomster-och-inkomstfordelning/inkomster-och-skatter/pong/tabell-och- diagram/inkomster--ekonomisk-standard-riket/gini-koefficient/
Statistiska Centralbyrån. (n.d.). Inkomsterna ökade 2005–2016, och mest för kvinnor. Retrieved April 20, 2019, from https://www.scb.se/hitta-statistik/statistik-efter- amne/hushallens-ekonomi/inkomster-och-inkomstfordelning/inkomster-och- skatter/pong/statistiknyhet/slutliga-inkomster-och-skatter-2016/
Stock, J. H., & Watson, M. W. (2015). Introduction to Econometrics. (Updated th). Pearson Education.
Ulmer, J. T., & Steffensmeier, D. (2014). The age and crime relationship: Social variation, social explanations. The Nurture Versus Biosocial Debate in
Criminology: On the Origins of Criminal Behavior and Criminality, 377–396. Utkast till sakpolitisk överenskommelse mellan Socialdemokraterna, Centerpartiet,
Liberalerna och Miljöpartiet de gröna. (n.d.). Retrieved from
https://www.socialdemokraterna.se/globalassets/aktuellt/utkast-till-sakpolitisk- overenskommelse.pdf
von Hofer, H., Sarnecki, J., & Tham, H. (n.d.). Minorities, Crime, and Criminal Justice in Sweden. In Minorities, Migrants, and Crime: Diversity and Similarity Across
Europe and the United States (pp. 62–85). 2455 Teller Road, Thousand Oaks
40 Walby, S., & Olive, P. (2014). Estimating Estimating the the costs costs of of violence
violence in in the the European European Union Union Report Report. European
Institute for Gender Equality.
White, R. D., & Habibis, D. (2005). Crime and society. Oxford University Press. Wikström, P.-O. H., & Sampson, R. J. (2006). The Explanation of Crime: Contexts,
Mechanisms and Development. Cambridge: Cambridge University Press.
41
Appendix
Totala dataset för regressioner från arbetet finns att fås på begäran.
Appendix 1: Gini-koefficienten
Gini-koefficienten representerar hur inkomsterna i landet fördelas över befolkningen. Talet uttrycks mellan 0 och 1, där 0 innebär att alla invånare har samma inkomst och 1 innebär att en person har alla inkomster. Högre Gini-koefficient innebär därmed högre ekonomisk ojämlikhet.
Graf över utveckling av Gini-koefficienten i Sverige, hämtad från Statistiska Centralbyrån.61
61
42
Appendix 2: Kostnad för fortkörning
P(total sannolikhet att få betala för brottet): 𝑃(𝑎𝑛𝑚ä𝑙𝑑): 0,01 × 𝑃(𝑢𝑡𝑟𝑒𝑑𝑠): 0,95 × 𝑃(𝑑ö𝑚𝑑): 0,95 = 0,00962
Kostnad penningbot(𝑓): 2400 kr 63
𝐸[𝑈] = 0,009 × 𝑈(𝑌 − 2400) + (1 − 0,009) × 𝑈(𝑌)
Det är värderingen av Y, det monetära värdet av att komma fram till destinationen lite snabbare, som avgör om individen kommer att köra snabbare än den tillåtna hastigheten.
62
Estimerade sannolikheter att åka fast, utredas och bli dömd för fortkörning, hämtat från: Lakomaa, E. (2017)
63
För kostnad för böter: Autosafe.se. (2019) (vid fortkörning 16-20 km/h över tillåten hastighet, på väg med
43
Appendix 3: Definition av våra beroende variabler
Beroende Variabel Brottsbalken; kapitel och paragraf
Försök till mord/dråp kap 3; §§ 1, 2
Misshandel kap 3; §§ 5, 6
Stöld kap 8; §§ 1, 2, 4, 7
Rån kap 8; §§ 5, 6
44
Appendix 4: Beskrivning av bearbetning av variabler
Variabel Förkortning Bearbetning
MM-kvot mmk Ett mått för ekonomisk ojämlikhet är kvoten mellan median och medelinkomst. För att få fram denna variabel har vi dividerat medianinkomsten med medelinkomsten, i fasta priser. Ett problem som uppstår med denna variabel är att SCB endast redovisar statistik gällande förvärvsinkomst och utelämnar kapitalinkomster, vilket skulle ge en större skillnad mellan medel och medianinkomsten framför allt i de län där de största svenska städerna finns. En ökning i MM-kvoten innebär minskad ekonomisk ojämlikhet och vi förväntar oss då en minskning av brott.
Invandring inv För att beräkna andelen invandrare i respektive län bearbetar vi data över antalet utrikesfödda i länet och dividerar det med den totala befolkningen i länet.
Inkomst ink Data över medelinkomsten anges som summan av tjänst och näringsverksamhet i löpande priser. För att konvertera medelinkomsten till fasta priser används KPI från SCB, som har basår 1980
Sysselsättning sys Hämtas från SCB:s registrerade arbetsmarknadsstatistik
Utbildning utb Variabeln för utbildning väljer vi att definiera som andelen invånare med eftergymnasial utbildning. Vi har summerat antalet personer som har eftergymnasial utbildning och forskarutbildning och dividerat med antalet personer som är äldre än 15 år i länet.
Ålder åld Baserat på teori kring ålder och kriminalitet ser vi att de mest relevanta ålderna att studera från 15 till 34 år. För att få fram andelen av befolkningen som finns inom det
45 åldersspannet slår vi ihop åldersgrupperna 15 till 24 år och 25 till 34 år och delar det med den totala befolkningen i länet.
Män män Variabeln för män uttrycks som andelen män i länet och räknas fram genom att dividera den totala mängden män med den totala befolkningen i länet.
Män 15-34 män 15-34 år Andelen män varierar ytterst lite mellan län och år och på grund av detta kan det uppstå problem med variabeln i vår regressionsmodell. Vår ålderskategori lider också av detta problem och av den anledningen väljer vi att skapa en ny variabel som reflekterar andelen män i åldern 15-34 år då det är dessa män som begår majoriteten av brotten. Detta räknades fram med hjälp av antalet män i åldrarna 15 till 34 år i länet dividerat med den totala befolkningen mellan åldrarna 0 och 64 år.
46
Appendix 5: Figurer över brottsstatistik i Sverige
Grafer skapade av statistik hämtat från Brottsförebyggande rådet, hämtat för hela landet under åren 2000 till 2014 för de kategorier som specificeras i Appendix 3.64
Totalt antal anmälda brott
Mord och dråp
64
47
Misshandel
48
Rån
49