Å
LDERSSTRUKTURENS INVERKAN
PÅ BROTTSLIGHETEN I
S
VERIGE
Philip Bergsten & Erik Smedberg
Handledare: Martin Karlsson Seminariedatum: 2020-06-03/04 Statskunskap kandidat
Abstract
An aging population is a hot topic in these times, other studies have shown that this will have some negative consequences for our society. For an example less people will have to provide for a larger part of the population, like people in retirement age. And this change in the workforce will be a difficult task to manage. However this paper is studying a possible positive side effect of the ageing population.
This paper will set out to try and examine the relation between the age structure and crime, our hypothesis is that a 70-year-old is less likely to commit a crime than a 20-year-old. If this hypothesis is true, a change in a country’s age structure should show a decrease in crime rates. To study this, this paper gathered statistics from Swedish authorities for both crime rates and its population over the time period from 1975-2018 in order to see what impact the aging population have had over crime rate. The conclusion of this paper is that we can observe a pattern of
decrease in crime and an increase in the age structure, more specifically the percentage of people above the age of 65 and thus confirming our hypothesis. After we examined how much of this change the age structure can explain over the crime rates, we confirmed that it does indeed have a significant part of explaining the difference between this time period.
Innehåll
1. Inledning ... 1 1.1 Syftet ... 2 1.2 Hypotes ... 3 1.3 Forskningsfrågor ... 3 2. Teori ... 4 2.1 Ålder-brott-kurvan ... 5 2.2 Åldrande befolkning ... 5 2.3 Begrepp ... 6 2.4 Tidigare forskning ... 7 3. Metod ... 10 3.1 Analysverktyg ... 10 3.2 Materialdiskussion ... 13 3.3 Avgränsningar ... 16 3.5 Generaliserbarhet ... 18 4. Analys ... 19 5. Slutsats ... 29 6. Slutdiskussion ... 33 6.1 Slutord ... 34 7.Referenslista ... 351. Inledning
Befolkningen i många länder och speciellt västerländska länder har blivit äldre och kommer fortsätta bli äldre i framtiden. I Sverige har medelåldern hos befolkningen ökat från 35,77 år 1968 till 40,55 år 2019 (Se Diagram 1.1). Medelåldern i Sverige och andra länder speciellt i västvärlden ökar på grund av en kombination av ökad livslängd och minskat barnafödande. (SCB 2018a, 2020a) En åldrande befolkning och förändringen av åldersstrukturen har många
implikationer för samhället, en implikation är att färre yrkesverksamma människor behöver försörja välfärden för allt fler personer som är 65 år eller äldre. Detta är ett ekonomiskt- och samhälleligt problem som Sverige står inför. En ytterligare utmaning är att bygga ut
äldreomsorgen för att ta emot den ökade antalet brukare. (Lundgren, S. 2000)
Diagram 1.1 Medelålder i Sverige 1968-2019
Källa: (SCB 2019a)
Det kommer krävas policyförändringar i samhället och resurser behöver omfördelas för att kunna ta hand om dessa problem i horisonten. Många av studierna kring åldrande
befolkning/åldersstruktur ser på de problem och negativa implikationer åldrande befolkning kommer att skapa och denna uppsats försöker studera en möjlig positiv aspekt av en åldrande
befolkning och en förändrad åldersstruktur. Vi tror alltså inte att det endast kommer komma negativa konsekvenser utav detta.
Trots de problem som kommer att behövas lösas ska denna studie studera ifall man kan förvänta sig en minskad brottslighet i landet på grund av denna utveckling.
Denna uppsats kommer att studera hur åldersstrukturen kommer påverka brottsligheten ur ett kvantitativt perspektiv. Inspirationen till denna uppsats grundar sig i föreställningen att det är högre sannolikhet att en 20-åring utför brott än en 70-åring. En faktor som stärker detta är att medelåldern på svenska fängelser är 36år, därav är det fler yngre än äldre på svenska fängelser. (Kriminalvården 2018. s.33) I förlängningen borde en demografisk förändring som innebär att de yngre blir färre i relation till de äldre i samhället kunna ge efterverkningar på brottsligheten i landet.
Brottslighet är ett ämne med en stor relevans för statsvetenskap och samhällsteori. Detta är inte minst tydligt i den moderna sociala kontraktsteorin som utvecklats bl.a. av Hobbes och Locke. Det sociala kontraktet utgår ifrån att det är i allas rationella intresse att ingå i ett kontrakt med en stat för att skydda deras intresse. Anledningen till varför detta kontrakt gynnar medborgarna är dels att man kan dra nytta av den säkerhet, infrastruktur, sociala- och individuella möjligheter som ges av staten. Men priset för detta är dels att man måste följa de lagar och regler som ges av staten, samt att man måste betala skatt till staten. Och ifall man då väljer att inte följa dessa lagar och regler har medborgarna gett staten rätten att straffa dessa. Så istället för att alla människor är fria att göra som de vill, har man bytt in frihet mot säkerhet. Så om någon kommer och tar något som anses vara ditt utan lov, ska staten straffa dessa och eftersom staten kan straffa individer ska detta även förhindra folk att vilja utföra olovliga handlingar. (Friend, C.)
1.1 Syftet
Det studeras mycket kring vilka implikationer en förändrad åldersstruktur har för samhället, för det är ett viktigt ämne för att strategiskt planera inför framtiden. Att planera samhällets resurser för att kunna hantera de utmaningar, kopplade till en åldrande befolkning, som troligtvis kommer att uppstå i framtiden är en angelägen uppgift. Denna uppsats syftar till att skapa en större
förståelse för implikationerna av en förändrad åldersstruktur.
Syftet med uppsatsen är att undersöka vilka eventuella implikationer som en åldrande befolkning i Sverige kan ha för effekt på brottslighet. Detta genom att undersöka relationen mellan
åldersstruktur och brottslighet i Sverige under de senaste 50 åren.
1.2 Hypotes
Hypotesen som uppsatsen kommer utgå ifrån är kommer utveckling av landets åldersstruktur leda till färre brott?
1.3 Forskningsfrågor
Hur har utvecklingen på åldersstrukturen och brottsligheten i Sverige utvecklats under perioden 1975-2018?
Hur ser sambandet ut mellan åldersstruktur och brottslighet under denna period?
Skiljer sig sambandet mellan åldersstruktur och brottslighet inom olika brottskategorier? På basis av analyser av relationen mellan åldersstruktur och brottslighet under tidigare år, vilka prognoser kan göras om framtida brottslighet?
2. Teori
Denna studie avser att studera relationen mellan en åldrande befolkning och brottslighet i Sverige. Internationellt finns det en mängd studier som genomförts som visar på betydande samband mellan åldersstruktur och brottslighet. Inom detta forskningsområde finns det dock inte liknande studier genomförda med Sverige som forskningsobjekt. Inom Sverige finns det några studier som undersöker hur demografiska faktorer som påverkar brottsligheten. En av studierna är genomförd av Nils-Oscar Lundgren där han nämner att brottslighet är sannolikt högre vid en lägre ålder. (Lundgren, N. 2008)
Att förstå relationen mellan ålder och brottslighet är och har varit en gåta världen över. Många forskare har menat på att det finns en konsensus kring att yngre mellan 15-29 har större sannolikhet att begå våldsbrott och med åldern blir människor mindre benägna att utföra
våldsbrott. (Macall et.al 2013). Det pågår ännu debatt kring detta där vissa forskare motsätter sig detta påstående. Det har genomförts många studier som studerat påståendet på mikronivå men de studier som genomförts på makronivå har inte visat att sambandet håller och har en tillräckligt stark betydelse.
Den svenska brottsstatistiken antyder dock att unga personer står för ens stor del av
brottsligheten. I Sverige 2018 blev 15-29 åringarna lagförda för 47 561 brott, vilket är 47% av alla brott (totalt 101 117). (Brå. 2020c) Enligt SCB består gruppen 15-29 åringar för cirka 20% av befolkningen, så denna gruppen på 20% av befolkningen blir lagförda för 47% av brotten i Sverige. (SCB. 2019)
I vår undersökning av tidigare forskning i detta forskningsområde har vi funnit att våldsbrott är den vanligaste typen av brott som forskare har riktat in sig på när de studerat åldersstrukturens påverkan på brottsligheten. Inom våldsbrotten kategoriseras oftast misshandel, dråp och mord i de flesta studierna men lagstiftningen kan skilja sig åt mellan länder. Den skilda lagstiftningen kommer beröras senare i denna uppsats för det påverkar studiens generaliserbarhet.
2.1 Ålder-brott-kurvan
Ålder-brott-kurvan eller Age-crime-curve dvs. relationen mellan ålder och brott anses vara en av de mest robusta teorierna inom kriminologi för att förklara variansen inom brott och av vilka de utförs. Och den visar på att de som utför brott börjar öka vid 14-årsåldern och får sin peak i 20– 25 årsåldern och därefter börjar gå neråt, och det är just detta som kallas för age-crime-curve. Denna teori ifrågasätts inte, men vad som ifrågasätts är vilka är de andra faktorerna som leder till att dessa unga människor utför brotten. Vissa forskare påstår att eftersom denna kurva är
densamma oavsett vart man kollar dvs. oavsett sociala förhållanden och etnicitet så kallar dem det för “law-of-nature” dvs. en av naturens lagar.
På andra sidan av denna debatt angående age-crime-curve menar forskare på att det är biologiska och sociala faktorer som leder till detta, dels att det krävs energi och kraft för att utföra vissa typer av brott och de högre testosteron nivåer i yngre män samt inte lika utvecklade hjärnor bidrar till lägre impulskontroll och sämre beslutskapacitet. Och den sociala faktorn förklaras som att man når biologisk mogenhet före man uppnår social mogenhet, vilket ses som en faktor till varför yngre är mer troliga att utföra brott.
Denna teori har även fått kritik, eftersom den tittar på såkallade “streetcrimes” och inte “white-collar crimes” där medelåldern är betydligt högre. (Hoyle, J et al. 2016)
2.2 Åldrande befolkning
En utgångspunkt i uppsatsen är att den trend man ser i utvecklade länder att medelåldern ökar, vilket kommer leda till diverse förutsedda och oförutsedda konsekvenser för samhället. Vi tror dock inte att alla dessa konsekvenser kommer att vara negativa för samhället. En typ av negativa konsekvenser av detta kan vara att färre måste försörja fler, och därför kommer de
välfärdssystem som är på plats nu behöva förändras. Men vi kommer att studera en eventuell positiv konsekvens för samhället; att brottsligheten minskar på grund utav den förändrade åldersstrukturen. Ett exempel av som vi tror kommer minska är våldsbrott. Eftersom äldre
generellt sett är mindre benägna att utföra denna typ av brott. (Hoyle, J et al. 2016) Men man kan även tänka sig att vissa typer av brott inte påverkas av åldersstrukturen i samhället, eller rentav ökar. Ett hypotetiskt exempel skulle kunna vara snatteri. Eftersom majoriteten av snatteri-relaterade brott utförs av yngre, men kan även förekomma bland pensionärer dels för att de kan
glömma och faktiskt betala för saker, eller för att de kanske har det knapert efter pensionen och inte har råd att betala. Ifall detta stämmer skulle det kunna innebära att denna brottskategori kommer öka i takt med en åldrande befolkning. När den förväntade livslängden går uppåt, samt fertilitetsnivåerna går neråt (dvs. att kvinnor väljer att föda färre barn) i ett land leder detta till att befolkningen blir äldre. Detta kommer leda till diverse olika konsekvenser som är relevanta för statsvetenskapen, dels kommer det leda till att försörjningskvoten blir högre så färre måste försörja större del av samhället. Och litteraturen som finns i dagsläget om åldrande
befolkning/samhällen tyder på att det även kommer ha konsekvenser för arbetsmarknaden, pensionssystemet och ökade kostnader för sjukvården. (Hess et al. 2017)
2.3 Begrepp
2.3.1Åldersstruktur
Åldersstruktur är ett inom demografin. Åldersstrukturen är den andel av befolkningen som är 65 år eller äldre i relation till andelen yrkesverksamma. (Josefsson, H 2006)
2.3.2 Medelålder
Medelåldern är ett mått inom demografin, det är ett mått för genomsnittsåldern av
befolkningsmängden. Hela befolkningens sammanlagda ålder delat på befolkningsmängden.
I denna studie kommer vi se på 3 former av brottsstatistik, anmälda brott, misstänkta personer och personer lagförda för brott.
2.3.3 Anmälda brott
Detta är de brott eller händelser som någon av rättsväsendets organisationer, Polisen, Åklagarmyndigheten, Tullverket eller Ekobrottsmyndigheten påträffat under året. Något att tillägga att denna statistiken inkluderar även händelser som utretts och visats vara något annat än brott. (Brå. 2020a)
2.3.4 Misstänkta personer
Statistiken över misstänkta personer omfattar straffmyndiga personer som har blivit misstänkta för brott av polis, åklagare eller annan brottsutredande myndighet under referensåret och där misstanken graderats som skäligen misstänkt eller högre grad. (Brå. 2020b)
2.3.5 Lagförda brott
I statistiken över lagförda för brott redovisas de lagföringsbeslut som fattats av åklagare och domstol under ett kalenderår, det vill säga fällande domslut, godkända strafförelägganden och meddelade åtalsunderlåtelser. (Brå. 2020c)
2.4 Tidigare forskning
På grund av bristen av svensk forskning inom ämnet åldersstruktur och brottslighet har vi valt att använda oss av utländska studier för att hitta inspiration samt teoriförankrade faktorer till våra analyser. Den svenska forskningen vi hittade var en studie om Norrlands samhällsutveckling där i bilaga 4 i denna studie presenteras ett försök till att “förklara” ökad anmäld brottslighet och i denna har vi tagit inspiration till valet av några kontrollvariabler.
2.4.1 Perspektiv på Norrbottens samhällsutveckling, ekonomi och brottslighet till år 2030 För att hitta andra faktorer som kan påverka brottslighet har vi använt oss av tidigare forskning inom ämnet för att hitta relevanta samt teoriförankrade faktorer som kan hjälpa att förklara brottsligheten i ett land. När det kommer till studien “Perspektiv på Norrbottens
samhällsutveckling, ekonomi och brottslighet till år 2030” har vi mer specifikt använt oss av bilaga 4, i bilaga 4 “Att ‘förklara’ anmäld brottslighet?” ställer Nils-Gustav Lundgren upp en regressionsanalys där de beroende variablerna är anmälda brott per 100 000 invånare i olika kategorier för att undersöka vilka oberoende variabler som är signifikanta samt deras
förklaringsgrad. Av denna studie har vi tagit inspiration till denna uppsats vid valet av oberoende variabler.
Av de Nils-Gustav Lundgren använder har vi valt att använda oss av befolkningsmängd som vi mer specifikt använder oss av åldersindelad statistik över detta för att få en bättre bild för vår hypotes.
2.4.2 The impact of structural ageing on crime trends: A South Australian case study
I en liknande studie av Lisa Rosevear “The impact of structural ageing on crime trends: A South Australian case study” har vi hittat ytterligare stöd för vår hypotes. I denna studie har Lisa Rosevear använt sig av förändringen av Syd Australiens åldersstrukturen under perioden 1987 till 2004 för att prognostisera hur brottsligheten kommer utvecklas fram till 2051.
Brottsstatistiken Lisa Rosevear använda i studien är “apprehensions” som översätt på svenska gripanden/anhållanden. Inom den svenska rättsväsendet registreras inte gripanden/anhållanden inom någon statistisk databas, så att replikera denna studie i svensk kontext är problematisk. Roseverars studie skiljer sig också från vår på andra sätt. Exempelvis delar studien in statistiken efter den anhållnas kön. Därutöver delas undersökningsperioden in i tre perioder (1987-1997, 1998-2004 och 2004-2051).
Rosevears slutsats är att en förändring av åldersstrukturen som innebär en åldrande befolkning har en negativ påverkan på antal gripanden. På grund av att gripanden minskar, påstår Lisa Rosevear att det i sin tur speglar att brottsligheten minskar.
Vi har använt denna studie dels som inspiration, men även som stöd vid val av vilka faktorer som används och det faktum att den delat in brottskategorier i olika grupper samt valt att
prognostisera hur det kommer se ut i framtiden ifall trenderna fortsätter inom åldersstruktur samt medelåldern inom länderna.
2.4.3 Exploring Crime Patterns in Canada
I en studie från Kanada “Exploring Crime Patterns in Canada” skriven av Valerie Pottie Bunge, Holly Johnson och Thierno A. Baldé. Författarna försöker att förklara den minskade
brottsligheten i Kanada under bland annat 1990-talet. Vi har tagit inspiration från denna studie gällande vilka faktorer som kan användas för att studera andra anledningar till minskning av brottsnivåerna utöver denna uppsats hypotes som grundar sig i åldersstruktur.
I denna studie fann man stöd för att minskad alkoholkonsumtion har en direkt korrelation till vissa brottskategorier som i t.ex. våldsbrott. Denna studie undersöker även en mängd
brottskategorier. En slutsats från Pottie och hennes medförfattares studie är att en åldrande befolkning haft en negativ påverkan på brottsutvecklingen i Kanada.
I denna studie använder sig forskarna av brottsstatistik kring hur många “charges” totalt och inom olika brottskategorier. Översatt på svenska skulle detta beskrivas som hur många åtal som tagits upp i rätten. Vi finner ingen sådan statistik i Sverige men den svenska statistiken som mest speglar “charged-statistiken” är den statistik Brottsförebyggande rådet registrerar kring lagförda brott.
3. Metod
Denna studie är en kvantitativ longitudinell studie, där uppsatsen använder sig av statistisk data från kvalificerade källor. Med longitudinell studie menas att denna studie tittar på statistik ur tidsserier, i denna studie är spannet mellan 1975-2018.
I denna uppsats kommer det att genomföras statistiska deskriptiva, bivariata och multivariata analyser för att studera vår hypotes och forskningsfrågor. I detta avsnitt kommer det beskrivas hur analyserna kommer genomföras och hur materialet samlats in och från vilka källor
3.1 Analysverktyg
3.1.1 Deskriptiv analys
Det första steget när all relevant data är insamlad och inkodad i statistikverktyget SPSS är att genomföra en deskriptiv analys där data blir analyserad och värden kring kurtosis och skewness presenteras. Skewness beskriver om variabeln är normalfördelad, det vill sägas att kurvan inte är koncentrerad i början eller slutet av kurvan. Kurtosis värdet presenteras även i detta skede i analysen, kurtosis värdet visar om variabeln har datapunkter som är outliers. Outliers kan påverka resultatet av analysen på grund av att de kan ge en skev representation av urvalet. Utifrån den deskriptiva analysen görs åtgärder om några av dessa värden är för höga. Man kollar på värdet “Kurtosis” för att se ifall det är många “outliers” dvs. att det är fall i
variabeln som ligger långt utanför de andra. T.ex. att man har 5 fall, där fallen är 30 33 35 37 och 99. Här skulle då fallet med 99 vara en så kallad outlier. Så finns det olika metoder att åtgärda dessa två problem. Skewness kan åtgärdas genom att logaritmera variabeln, här fördelas “kurvan” om och det görs genom att ändra på skalan i en logaritmering. Dock tappar variabeln tolkningsförmåga, detta kommer tas upp senare. Kurtosis kan åtgärdas genom att man tar bort de fall som räknas som outliers, dvs. man väljer att utesluta extremfallen för att de inte ska vrida värdet mot deras håll. Skulle detta vara fallet måste man vara tydlig att det är detta man gjort i tolkningen av resultatet. (Djurfeldt, G. Et Al. 2018. s.48-57).
3.1.2 Regressionsanalys
Efter den deskriptiva analysen är genomförd kommer det genomföras en bivariat
regressionsanalys på den beroende variabeln och den oberoende variabeln för att beräkna förklarad varians mellan de två variablerna som avläses av R squared (R²) i analysen. R² har en skala mellan 0 och +1. Är värdet på R² ”0” har inte den oberoende variabeln någon förklarade varians över den beroende variabeln. Signifikansvärdet i analysen är även viktig i detta avseende för att försäkra sig om att korrelationen mellan variablerna inte är slumpmässig. Som regel inom statsvetenskapen ses 0.05 i signifikansvärde som ett godkänt värde och kan anses signifikant. (Djurfeldt, G. 2018. s. 233)
För att testa och försäkra sig om bärigheten i den oberoende variabeln kommer det genomföras en multivariat regressionsanalys med kontrollvariabler. Kontrollvariablerna som kommer användas till denna multivariat regressionsanalys är variabler som blivit presenterade och använda i tidigare studier. I dessa tidigare studier har dessa kontrollvariabler haft samband och varit signifikanta mot liknande variabler i forskningsområdet. Dessa kontrollvariabler presenteras senare i metodkapitlet.
När en multivariat regressionsanalys genomförs testas sambandet(R²) och signifikansen av vår oberoende variabel. Genom att analysen kommer använda sig av tidigare teoretiskt förankrade variabler som våra kontrollvariabler kommer den oberoende variabel bli legitimt testad. För att även stärka att våra kontrollvariabler är valida som kontrollvariabler så ska det ske en ökning i samband värdet adjusted R². Sker det en ökning i adjusted R squared betyder det att
kontrollvariablerna har en ökad förklarad varians över modellen. Ökar inte adjusted R squared så bör analysen innefatta andra variabler som har förklarad varians för att försäkras om att den oberoende variabeln prövas.
Sker det en förändring av signifikansvärdet och den hamnar över 0,05 betyder detta att den oberoende variabelns samband kan vara slumpmässig för att förklara förändring i den beroende variabeln.
3.1.3 Multivariata brottskategorier
För att förstå relationen djupare mellan den oberoende variabeln och den beroende variabeln genomförs analyser på lagförda brottskategorier. Data har blivit insamlat för sex olika brottskategorier och inkodat i databasen som används i statistikprogrammet SPSS. Dessa analyser kommer att ske på samma sätt som den multivariata analysen på den huvudsakliga beroende variabeln. Utifrån dessa analyser kommer man kunna dra slutsatser för var den oberoende variabeln har en påverkan och om den är signifikant. Anledningen till att dela upp brottsstatistiken i kategorier under brottsbalkens olika kapitel är för att få en bättre förståelse ifall ålder har en större påverkan på specifika kategorier och se hur relationen mellan dessa ser ut.
3.1.4 Prognostiserande analys
Av att man genomfört en regressionsanalys skapar SPSS ett värde på Unstandardized B. Unstandardized B värdet reflekterar hur relationen mellan den oberoende variabeln och den beroende variabeln är. Värdet beskriver om den oberoende variabeln skulle öka med 1, hur det skulle påverka den beroende variabeln. Detta värdet kan användas för att göra en prognos för hur framtiden kommer att påverkas av att den oberoende variabeln förändras och detta kommer att genomföras i analysavsnittet i denna studie.
Förändringen av den oberoende variabeln kommer hämtas ifrån SCB rapport ”Sveriges framtida befolkning 2018-2070” (SCB. 2018b). I denna rapport har SCB gjort prognoser för hur svenska befolkningen kommer att förändras fram till 2070. Och utifrån denna rapport hämtas data och kodas om till ett index för hur stor andel är 65+ för varje år mellan 2020-2070.
När unstandardized B värdet och prognosen för hur befolkningen kommer förändras görs en kalkylering av förändringen för ett år som sedan multipliceras med unstardardized b värdet för att se förändringen för året. Detta tal är hur mycket som förändrats på grund av en förändrad åldersstruktur, talet subtraheras med det förgående året och detta genomförs på varje år för att skapa en prognos.
3.2 Materialdiskussion
Den stora delen av material som används i denna uppsats är statistik, huvudkällorna i denna uppsats kommer från Brottsförebyggande Rådet (BRÅ) och Statistiska Centralbyrån (SCB). Brå och SCB är svenska myndigheter som ansvara/ansvarade för Rättsväsendets statistik i Sverige och SCB ansvarar för befolkningsstatistiken. Befolkningsstatistiken är hämtade från SCB:s databas (SCB 2020a) SCB hade ansvaret för Rättsväsendets statistik fram till 2007 som sedan övertogs av Brottsförebyggande Rådet. Detta skapade problem för framtagandet av data till denna uppsats för att Brå inte har sammanställt all statistik tidigare än 2007. På grund av att denna uppsats inte har några ekonomiska resurser att köpa den sammanställda statistiken från Brå om misstänkta personer kommer inte misstänkta personer användas som variabel. På grund av det så är urvalet för litet för misstänkta personer, så denna studie kommer inte använda någon statistik kring misstänkta personer (Brå. 2020b).
För lagförda brott finns det bara statistik kring totala antal lagförda brott och sedan inom några specifika kapitel i brottsbalken. Brottsbalken innehåller 21 kapitel som brott kategoriseras inom (kapitel 3-24), av dessa kapitel finns det statistik om antal lagförda brott för sex av dessa kapitel. Kapitlen som det finns statistik om är 3 kap. Brott mot liv och hälsa, 6 kap. Sexualbrott, 8 kap. Tillgreppsbrott, 9 kap. Bedrägeribrott, 12 kap. Skadegörelsebrott och 17 kap. våld eller hot mot tjänsteman. Något att tillägga är att dessa kapitel står för en stor del av antalet lagförda brott. Det menas med att brott som begås mot brottsbalken lagförs till stor del under dessa kapitel. (Brå. 2020c)
3.2.1 Att mäta brottslighet statistik
Ett av de största problemen med att studera brottslighet genom brottsstatistik är dold brottslighet och mörkertal. Det begås en mängd brott varje dag och en stor del av dessa nås inte av
rättsväsendet och blir därav inte del av någon statistik. Man kan således aldrig veta exakt hur många brott som begås ute i samhället och mörkertalet kan mycket väl vara mycket större än antalet som visas i statistiken. Detta skapar problem när man ska försöka komma till en slutsats utifrån en studie för att statistiken inte är helt speglar verkligheten. Dold brottslighet och mörkertal är en viktig aspekt att ta till hänsyn när man genomför en studie av denna sort. Det
påverkar generaliserbarheten av denna uppsats och slutsatsen/slutsatserna ska tas med försiktighet. (Brå. 2019)
Det finns många aspekter som påverkar dold brottslighet och mörkertal, vilka även fluktuera över tid. En aspekt kan vara hur attityden kring brott förändras, att brottet inte är lika
stigmatiserat och detta kan bidra till att färre anmäler en typ av brott. Kriminaliteten kan även bli bättre på att gömma brotten som sker och blir svårare för rättsväsendet att spåra och upptäcka. Ekonomiska satsningar inom rättsväsendet kan även göra att brottsstatistiken fluktuerar. Ett exempel kan vara att om polisen lägger mer resurser på att bekämpa t.ex. rattfylleri eller droghandeln så kommer brottsstatistiken se en plötslig ökning inom dessa brottskategorier. En positiv aspekt med denna uppsats är enligt Brottsförebyggande Rådet är, att när man tittar på brottsstatistiken ökar eller minskar över tid speglar den utvecklingen relativt väl. Det menas på att en ökning eller minskning av brott kan urskiljas när man ser ur ett tidsserie perspektiv. (Brå. 2019)
3.2.2 Lagförda brott (Beroende variabeln)
Anledningen till att denna studie fokuserar på statistiken kring lagförda brott är på grund av vi anser med stor sannolik att statistiken kring lagförda brott är ett resultat av brott begåtts.
Efter insamlandet av data från SCB och Brå har data blivit inregistrerad i en databas i SPSS och beräknad till brott per 1000 invånare för att inkludera befolkning för varje år i variablerna. Detta genomfördes på grund av att befolkningen har ökat mellan åren 1975-2018 i Sverige och därav blir inte statistiken känslig för befolknings ökningen.
Det skedde en sammanslagning av alla lagförda brott av alla brottskategorier för att kunna presentera och skapa en variabel för den totala mängden lagförda per år. För att framställa indexet (brott per 1000) togs antalet brott i brottskategorier per och divideras på antalet befolkning och sedan multiplicerad med 1000. Av att detta gjordes skapades det ett index för brott per 1000 capita. Detta moment skedde även med det totala antalet lagförda brott.
3.2.2 Åldersstruktur (Oberoende variabeln)
Befolkningsstatistiken är tagen från SCB. Alla åldrar är inkodade i vår databas till SPSS och utifrån den statistiken är åldersstrukturen, medelåldern och befolkningsmängden framtagen. Åldersstrukturen (indexet) är beräknad med data från SCB, och beskriver hur stor procent av den totala befolkningen är 65 år eller äldre för varje år. Beräkningen av detta skedde genom att den totala befolkningen blev framställda av en sammanslagning av all befolkning i alla åldrar. Efter den totala befolkningen blev framställd, beräknades antalet i befolkning över 65+. Genom att dividera antalet i befolkningen över 65+ med den totala folkmängden skapades ett procentuellt index för andelen 65+ för varje år. Och uppsatsen använder detta index som en bättre variabel än medelåldern eftersom detta reflekterar åldersstrukturen i landet som inte är känslig för de andra åldersgrupperna hypotesen inte handlar om. (SCB. 2019)
3.2.5 Kontrollvariabler
I framtagandet av kontrollvariablerna har vi undersökt vilka andra variabler har använts i tidigare forskning och uppvisat samband med- och bidragit till att förklara variationer i brottslighet. I denna studie valdes det att använda två olika variabler, skilsmässor och alkoholkonsumtion. Skilsmässor är hämtad från SCB och variabeln är inkodad i SPSS på en skalnivå där de totala antalet skilsmässor redovisas för varje år.(SCB 2020) Alkoholkonsumtionen är hämtade från World Health Organization(WHO) databas över länders alkoholkonsumtion.
Alkoholkonsumtionen är presenterad på antal liter alkohol konsumerad per capita per år. (WHO. 2019)
Tabell 3.1
Variabler Anledning Källa Skala
Andel äldre
(65 +) Åldersstruktur
Visar hur många som är över en viss åldersgrupp.
SCB Index (0-100) Skilsmässor Förklarar hur många som skiljer sig och
används som förklarande faktor ifall brott bland yngre har gått upp.
SCB Antal i 1000tal.
Alkoholkonsumtion Förklarar om alkoholkonsumtionen har ökat eller minskat över en period som kan
kopplas till ökad sannolikhet för t.ex. våldsbrott.
WHO Liter per capita
Lagförda brott (Indelat i olika brottskategorier)
Antal lagförda brott i olika kategorier, används för att visa brottsnivåerna i landet för att se ökning eller minskning.
Brå Brott per 1000 invånare
3.3 Avgränsningar
En avgränsning denna uppsats har valt att dra är att fokusera på lagförda brott istället för anmälda, då vi anser att denna statistik bättre reflekterar brottssituationen i landet. Eftersom anmälda brott i verkligheten inte nödvändigtvis behöver reflektera ett utfört brott, utan snarare en anmälning av något som kan vara ett brott. Anmälda brottsstatistiken har även blivit påverkad av en ökad anmälningsbenägenhet i allmänheten under undersökningsperioden. Som vi tidigare nämnt teorikapitlet har två internationella studier, istället för att studera anmälda brott, valt att använda sig av statistik om ”apprehensions” och charges som närmast motsvarar vad som i den svenska statistiken benämns som lagförda brott.
Begränsningar som dragits i denna uppsats är dels att vi valt att använda oss enbart av lagförda brott i uppsatsens analyser, detta på grund utav dels de svårigheter vi haft att samla in data över misstänkta personer efter Brå kräver ekonomisk ersättning för att sammanställa denna data.
Statistiken som finns kring misstänkta personer är endast sammanlagda från 2007–2018 och av denna anledning att för liten population är sammanställd avgränsade denna studie från den statistiken.
Sedan har vi även begränsat oss till brott inom brottsbalken och därefter specifika kapitel inom den (brott mot liv och hälsa kap 3, sexualbrott kap 6, tillgreppsbrott kap 8, bedrägeribrott kap 9, skadegörelsebrott kap 12, våld eller hot mot tjänsteman kap 17), detta är dels en tidsbegränsning samt för att kunna kolla mer noggrant på några specifika kapitel som vi anser är väsentliga för vår hypotes. Vi har begränsat oss inom årtalen 1975-2018, detta på grund utav den statistik som finns tillgänglig från SCB och Brå och andra källor inom de kategorier vi var ute efter. Och vi har inte de ekonomiska resurserna att ansöka om bredare eller mer djupgående statistik. Utöver detta har vi även begränsat oss till två oberoende kontrollvariabler/faktorer, eftersom de
begränsningar som tillkommer i en multivariat analys med mindre dataset och signifikansen skulle tappa värde ifall vi har för många oberoende variabler utan en tillräcklig stor databas. Men vi har valt de som vi anser vara mest relevanta för att reflektera två huvudområden som är
demografiskt(skilsmässor) och samhälleligt(alkoholkonsumtion).
På grund av dessa avgränsningar tillkommer det vissa negativa aspekter av detta, dels att ifall det fanns statistik över en längre tidsperiod skulle detta ge en bättre bild på utvecklingen. Samt att det skulle ge en större databas och därmed kunnat ha fler kontrollvariabler som t.ex.
valdeltagande för att representera medborgarandan i landet som kan tänkas leda till färre brott. Eller t.ex. arbetslöshet för att spegla finansiell motivation till vissa brott.
3.4 Validitet, Reliabilitet
Operationaliseringen av uppsatsen för att lyckas få en så hög validitet samt reliabilitet har
genomsyrat alla steg i uppbyggandet av uppsatsen. För att se till att begreppsvaliditeten är så hög som möjligt har vi försökt se till att alla systematiska fel uteslutits, samt försökt att få en så säker och teoretiskt förankrad definition av de operationella indikatorer som möjligt. Detta har vi gjort genom att stödja valet av dessa, genom tidigare forskning och de teorierna som hittats inom ämnet.
För att undgå validitetsproblemet har vi försökt använda så nära indikatorer till teorierna som möjligt, eftersom vi försöker återspegla åldersstrukturen samt brottsnivåerna i Sverige har vi valt att använda lagförda brott eftersom vi anser att med de måtten som finns till godo för oss är detta
det närmsta för att kunna se hur de verkligen ser ut inom brottsstatistiken. Och gällande
åldersstrukturen anser vi att andel över 65 är det mest valida måttet vi kan använda oss utav. Det faktum att tidigare forskning inom ämnet använt sig av liknande variabler talar för denna uppsats validitet. Dock precis som tagits upp i teoridelen gällande dold brottslighet/mörkertal tappar uppsatsen viss validitet på grund av detta, men detta problemet är inget vi kan åtgärda och det enda vi kan göra är att använda den statistik som finns. Och skulle man spekulera i hur stor procentsats som är dold brottslighet skulle uppsatsen tappa trovärdighet. Ett annat
validitetsproblem denna uppsats stöter på är att uppsatsens statistik om lagförda brott utgår ifrån rättsväsendets kapacitet, dvs. eftersom vi använder lagförda brott som indikatorn för
brottsnivåerna i landet och det krävs att rättsväsendet faktiskt lyckas lagföra en brottsling för att de ska komma in i statistiken tappar vi även vissa validitet på grund av deras kapacitet att lagföra dessa. Dessa problem reflekteras över alla kvantitativa studier angående brott och statistik runt detta.
Eftersom den data till uppsatsen är insamlad av Brå och SCB som är trovärdiga svenska myndigheter anser vi att denna uppsats reliabilitet är god, vilket i sin tur resulterar i god resultatvaliditet. (Esaisson, et. al. 2017. s.64)
3.5 Generaliserbarhet
Denna studie använder sig av ett totalurval i vald tidsperiod, då vår data i studien innefattar den totala statistiken mellan åren 1975-2018. Detta betyder att denna uppsats har en god
generaliserbarhet och den kan utvecklas genom att samla statistik i en större tidsperiod. Att replikera denna studie på andra länder och generalisera detta på andra länder är svårt. Genom att alla länder har olik lagstiftning och därmed kan brott kategoriseras olika, i olika länder. Ett brott som skulle kategoriseras som ett sexualbrott under svensk lagstiftning skulle kunna kategoriseras in som ett våldsbrott i ett annat land. Lagstiftningen skiljer sig väldigt mellan länder där även en typ av brott inte är ett brott över huvud taget i ett annat land. Detta skapa ett
generaliseringsproblem, om man ska generalisera denna studie på något annat land. Att replikera denna studie på ett annat land har även sina problem, problemen är att länder registrerar sin statistik olikt och använder sig av olika sorters data kring brottsstatistiken. Det uppdagades när undersökningen kring tidigare forskning inom forskningsområdet. Där studier använde sig av statistik som inte finns inom den svenska brottsstatistiken.
4. Analys
Analysen börjar med att framställa grafer för åldersstrukturen samt alla lagförda brott per 1000 invånare för att kunna tolka samt få en visualisering hur utvecklingen har sett ut från 1975-2018. Om vi börjar med åldersstrukturen dvs. % andel av befolkningen som är över 65 år. (Se Diagram 4.1) Som man ser i diagrammet, så har det överlag ökat från 1975 till 2018. Skillnaden mellan 1975 och 2018 skiljer det ungefär 5% mellan personer i landet som är 65+. 5% kanske inte låter som en väldigt stor andel men hade åldersstrukturen varit densamma som 1975 som 2018 hade vi sett cirka 50 000 färre 65+are.
Diagram 4.1 Åldersstrukturen i Sverige 1975-2018
Källa: (SCB 2018a)
Efter detta tittar vi på lagförda brott per 1000 invånare och dess utveckling, här kan man sedan 1975 se en tydlig kurva där trenden är att det blir mindre lagförda brott per 1000 invånare. År 1975 kan man se att det lagfördes ungefär 37 brott per 1000 invånare, och 2018 lagfördes det
ungefär 10 brott per 1000 invånare. (Se Diagram 4.2) Något man kan lägga märke till är att grafen dalar kraftigt efter 1977 och detta kan i viss mån förklaras av att alkoholkonsumtionen minskar på grund av att mellanölen slutar säljas i vanliga livsmedelsbutiker vid detta tillfälle. (von Hofer. H 2011. s 50-57)
Diagram 4.2 Lagförda brott per 1000 invånare
Källa: (Brå. 2020c)
Nästa steg i analysen är att lägga in vår samlade data i programmen SPSS för att bygga en databas för att kunna använda diverse statistiska verktyg för att tolka och se samband. Efter detta vill man göra en deskriptiv statistik analys för att kunna sedan kunna göra en bivariat
regressionsanalys. Så när vi tolkar deskriptiv statistik av våra variabler kollar vi alltså efter Skewness och Kurtosis, standarden inom statsvetenskap för dessa värden är att Skewness bör vara mellan +1 och -1. Och för Kurtosis bör värdet vara mellan +3 och -3. Så Skewness och Kurtosis värdet på variabeln andel äldre (65 +%) är inom gränserna för detta. Där Skewness är -0.46 som är inom gränserna, och även Kurtosis som är 0.09. (Se tabell 4.1) När vi tittar på Skewness och Kurtosis värdet på variabeln antal lagförda brott per 1000 invånare hamnar
kurtosis inom ramen, där värdet är 2,493. Men Skewness värdet som hamnar på 1,468 som är lite högt, men vi anser inte att värdet är tillräckligt högt för att vara tvunget att åtgärdas med en logaritmering av variabeln eftersom skulle vi göra detta skulle vi tappa tolkningsvärde av variabeln i de senare stegen i analysen. Dvs. vi hade inte kunnat använda Unstandardised B värdet som förklaras senare i detta kapitel. Skewness värdet är ett värde för hur normalfördelad kurvan är på variabeln, så när man ser på diagram 4.2 kunde man förutspå att detta värde kunde bli lite högt.
Tabell 4.1 Deskriptiv Statistik
Variabel N Medelvärde Median Strandardavikelse Skewness Kourtosis Min-max Andel lagförda
per 1000 44 17,44 14,91 6,39 1,47 2,49 9,6-37,4
Andel äldre 52 0,17 0,17 0,02 -0,46 0,09 13,4-20
Referenser: Brå SCB
I detta steg av analysen genomfördes en bivariat regressionsanalys på den beroende variabeln (Lagförda brott per 1000) och den oberoende variabeln (Åldersstruktur). Detta gjordes för att se om det finns något samband mellan den två variablerna och om sambandet är negativt eller positivt. Något som även avläses är signifikansen av den oberoende variabeln i analysen för att se om sambandet sannolikt inte är slumpmässig. Unstandardized B i den bivariata
regressionsanalysen beskriver hur den oberoende variabeln påverkar den beroende variabeln antingen negativt eller positivt och hur mycket den påverkar.
I denna analys kollade vi framförallt på R Square (R²), eftersom detta är en bivariat analys tolkar man R² värdet. Det säger hur stor förklaringskraft den oberoende variabeln har över den
beroende, sambandet här är alltså ,589 eller 58,9%. Den oberoende variablen (andel äldre, % av befolkningen över 65) har alltså 58,9% förklaringskraft i denna analys över den beroende (Antal lagförda brott per 1000). Vilket stödjer vår hypotes att åldersstrukturen (Andel äldre % över 65) har en påverkan över brottsnivåerna (antal lagförda brott per 1000) i landet. Ett R² värde på 0,589 är väldigt starkt med tanke på att man kan anta att andra faktorer påverkar brottslighet.
Hade detta varit en multivariat analys, dvs. fler oberoende variabler hade man tolkat Adjusted R Square (Adj. R²) istället för att det värdet tar i hänsyn att det är fler variabler med i uträkningen. Signifikansen avläses via värdet av “Sig.” (Se tabell 4.2). I denna analys ligger signifikansen på 0.000, detta menas med att sambandet i denna analys med stor sannolikhet inte slumpmässigt. Med detta betyder det att vår oberoende variabel (Åldersstrukturen) är en förklarande faktor för Lagförda brott. Av att Unstandardized B är negativ betyder det att en ökning i åldersstrukturen resulterar i en minskning av lagförda brott. Detta kan tolka som att ju större andel äldre vi får i Sverige kommer lagförda brott minska.
Tabell 4.2 Bivariat Regressionsanalys
Modell 1 Andel äldre -4,31*** (-7,76) Intercept 93,43*** (9,52) Sig *** N 44 R²(Justerad) 0,58 ***Sig<0,00 **Sig<0,05 Referenser: Brå SCB
Nästa steg i analysen är att göra en multivariat regressionsanalys med Lagförda brott per 1000 som beroende variabel, och andel äldre 65+ som oberoende. Men här tillkommer även
kontrollvariabler som övriga oberoende variabler. I denna uppsats har vi valt att använda två kontrollvariabler, dessa är alkoholkonsumtion per capita som kan kopplas till ökning inom våldsbrott i tidigare studier. Den andra kontrollvariabeln är antalet skilsmässor i 1000tal, för att reflektera ensamstående män. Det första steget i den multivariata analysen är att få ut deskriptiv statistik över de två nya kontroll variablerna precis som gjordes med den beroende och den oberoende i de tidigare stegen. I tabellen (se tabell 4.3) kan man se att kontrollvariablerna ligger inom gränserna för både Kurtosis och Skewness, vilket innebär att vi inte behöver logaritmera eller ta bort outliers dessa variabler utan de är tillräckligt normalfördelade för att användas i en regressionsanalys. Signifikansen ligger inom gränserna som är 0.05, där alkoholkonsumtion har
sig-värdet 0.000. Dock hamnade skilsmässor på sig-värdet 0.30 vilket innebär att vi inte kan tolka hur mycket skilsmässor påverkar den beroende variabeln. Men regressionen som modell hamnade på sig-värde 0.00.
Tabell 4.3 Deskriptiv Statistik
Variabel N Medelvärde Median Strandardavikelse Skewness Kourtosis Min-Max Andel lagförda per 1000 44 17,44 14,91 6,39 1,47 2,49 37,4 9,6-Andel äldre 52 17,2 17,4 1,7 -0,46 0,09 13,4-20 Alkohol per capita 42 7,25 7,21 0,55 1 1,5 6,2-8,8 Skilsmässor 45 21,9 21,52 22,15 0,5 -0,52 17,8-27,9 Referenser: Brå SCB WHO
Nästa steg i analysen är att man kollar på adjusted R Square (Adj. R²) värdet för
regressionsanalysen ökar förklaringskraften till 0,83(Se tabell 4.4). Vilket innebär att denna modell förklarar sambandet bättre än den bivariata analysen som gjordes tidigare där R² värdet hamnade på 0,58. Och vi ser även att den tidigare oberoende variabeln över åldersstrukturen (andel över 65+) fortfarande är signifikant där värdet på den är på 0.00.
Efter detta tittar vi även på VIF-värdet som visar ifall det finns multikollinearitet mellan de oberoende variablerna i modellen, detta värde ska inte överskrida 2.5 inom statsvetenskap. (Djurfeldt, G et al. 2018. s. 366) Ifall värdet kommer över 2.5 skulle det innebära att två (eller fler) av de oberoende variablerna har för stor multikollinearitet och SPSS kan inte skilja på ifall de mäter samma sak eller inte. Detta skulle i så fall åtgärdas med att ta bort kontrollvariabeln med för högt VIF-värde eller göra ett index av de två som har hög multikollinearitet. Men i detta fall ligger alla variabler på ett VIF-värde under 2.5 så inget behöver åtgärdas.
I denna multivariata regression får vi även ut unstandardized B, och i en SPSS regression betyder detta värde ifall den beroende variabeln flyttas ett steg kommer den oberoende flyttas så mycket.
Så unstandardized B för andel äldre 65+ blir -2,79, och denna siffran kommer vi använda i prognosen för hur utifrån en prognos över hur åldersstrukturen i Sverige från SCB (SCB 2018b) kommer brottsligheten se ut ifall dessa modeller stämmer.
Tabell 4.4
Modell 2 Modell 3 Modell 4 Modell 5 Modell 6 Modell 7 Modell 8
Andel äldre -2,79*** 0,01 0,01*** -0,02 -0,05 0 -0,01
(-5,28) (-0,02) (-4,73) (-0,25) (-1,25) (-0,09) (-1,15)
Alkohol per capita 6,94*** -0,15** -0,01* 0,45** 0,28*** 0,26*** -0,05***
(-7,93) (-3,61) (-1,73) (-2,99) (-4,28) (-3,9) (-5,56) Skilsmässor i 1000tal -0,25 0,01 0,05*** -0,21*** -0,09*** -0,11*** 0 (-1,05) (-0,63) (-4,02) (-5,20) (-4,79) (-5,95) (-1,17) Intercept 21,88* 1,81** -0,21** 5,11** 1,31 1,13 0,68*** (-1,9) (-3,2) (-3,31) (-2,58) (-1,52) (-1,3) (-5,28) Sig *** ** *** *** *** *** *** N 42 42 42 42 42 42 42 R²(Justerad) 0,83 0,27 0,73 0,56 0,64 0,63 0,44 Kommentarer:
Standardfel inom parentes ***Sig<0,00 **Sig<0,05 *Sig<0,10
Modell 2= Lagförda totalt Modell 3= Brott mot liv och hälsa Modell 4= Sexualbrott
Modell 5= Tillgreppsbrott Modell 6= Bedrägeribrott Modell 7= Skadegörelsebrott Modell 8= Våld mot tjänsteman Referenser: Brå WHO SCB
Nästa steg är att göra samma multivariata analys som gjordes i steget innan, fast ersätta totala lagförda brott per 1000 med lagförda brott per 1000 indelat i 6 olika kategorier från brottsbalken som har presenterats tidigare. I tabell 4.4 presenteras dessa 6 kategorier, dessa kan avläsas som modell 3-8 där de ställs mot samma oberoende variabler.
Men först tar vi ut deskriptiv statistik över dessa 6 kategorier (Brott mot liv och hälsa,
Sexualbrott, Tillgreppsbrott, Bedrägeribrott, Skadegörelsebrott, Våld och hot mot tjänsteman). (Se tabell 4.5)
Här tittar vi på Kurtosis och Skewness för att se ifall dessa variabler måste åtgärdas innan det används i en regressionsanalys. Men eftersom alla värden är inom gränserna som är där
skewness precis som togs upp tidigare inte bör vara över eller under +- 1. Och kurtosis inte bör vara över eller under 3. Eftersom detta inte är fallet behöver vi inte logaritmera eller eliminera outliers.
Tabell 4.5
Variabel N Medelvärde Median Standardavvikelse Skewness Kurtosis Brott mot liv och
hälsa 44 0,85 0,89 0,15 -0,43 -0,79
Sexualbrott 44 0,09 0,08 0,03 0,58 -0,77
Tillgreppsbrott 44 3,29 3,52 0,74 -0,35 -0,93
Bedrägeribrott 44 0,61 0,45 0,33 0,34 -1,43
Skadegörelsebrott 44 0,59 0,42 0,33 0,44 -1,33
Våld och hot mot
tjänsteman 44 0,23 0,24 0,04 -0,71 -0,36
Referenser: Brå
Efter detta gjordes de multivariata analyserna på dessa 6 brottskategorier och här skiljer sig både förklaringskraft (Adj. R²) och signifikansen (Sig.) mellan de olika kategorierna.
modellen enligt statsvetenskaplig standard anses som signifikant och förklaringskraften för denna brottskategori hamnade på 0,27 eller 27% (Se tabell 4.4 Modell 3).
Nästa brottskategori som är Sexualbrott hade signifikansen ett värde på <0,00 vilket är en 99,99% sannolikhet att modellen inte har ett slumpmässigt resultat, här hamnade
förklaringskraften på 0,73 eller 73% vilket är ett bra resultat (Se tabell 4.4 Modell 4). Nästa brottskategori som är Tillgreppsbrott hade signifikansen också ett värde på <0,00, och här förklaringskraften på 0,56 eller 56% (Se tabell 4.4 Modell 5). Nästa brottskategori som är Bedrägeribrott hade modellen ett signifikansvärde på <0,00, och förklaringskraften är 0,64 eller 64% (Se tabell 4.4 Modell 6). Nästa brottskategori som är Skadegörelsebrott hade modellen ett signifikansvärde på <0,00, och förklaringskraften är 0,63 eller 63% (Se tabell 4.4 Modell 7). Och i den sista brottskategorin som är Våld mot tjänsteman blev modellen också signifikant med värdet <0,00, och förklaringskraften hamnade på 0,44 eller 44% (Se tabell 4.4 Modell 8).
Alla multivariata analyser på brottskategorier är signifikanta men åldersstrukturen som variabel är bara signifikant på sexualbrott där signifikantsvärdet ligger på <0,00. Det vill säga att
resultaten vid analyserna på de övriga brottskategorierna inte kan tolkas hur mycket just åldersstrukturen påverkar de andra kategorierna. Eftersom signifikansvärdet inte är inom den godkända nivån på de övriga brottskategorierna kommer resultaten från de analyserna inte att tolkas för att man inte kan med stor säkerhet säga att de är legitima och detta pekar även på att åldersstrukturen inte påverkar brottsligheten inom dessa brottskategorier.
Prognosen
I “Modell 2” presenterades det ett unstandardized B värde på -2.79, detta värdet beskriver hur mycket den beroende variabeln (Lagförda per 1000) påverkas om den oberoende variabeln (Åldersstruktur) om den ökar med 1. (Se tabell 4.4) Det tolkas på det sättet att ökar
åldersstrukturen med 1% minskar det med 2,79 lagförda brott per 1000.
Första steget i prognosen är att ta fram förändringen av åldersstrukturen för varje år utifrån SCB’s prognos. (SCB 2018b) Detta framställs av att subtrahera ett års värde med det tidigare årets värde (T.ex. 2020-2019 ”20,07–19,98”). Förändringsvärdet multipliceras med
unstandardized b värdet från regressionsanalysen (0,09*-2,79) detta resultatet är hur den förändrade åldersstrukturens påverkat lagförda brott. Värdet som skapats subtraheras från
lagförda per 1000 ifrån det föregående året för att skapa en prognos för det året. Detta repeteras på alla år 2020-2070 och detta resulteras i en prognos för framtiden.
Prognos resulterat i en minskning ifrån 9,89 lagförda brott till –3,05 lagförda brott per 1000. (se diagram 4.1)
Diagram 4.1 Prognos över lagförda per 1000
Källa: SCB -6 -4 -2 0 2 4 6 8 10 12
5. Slutsats
Hur har utvecklingen på åldersstrukturen och brottsligheten i Sverige utvecklats under perioden 1975–2018?
Om man tittar på utvecklingen av åldersstrukturen i landet kan man se en tydlig trend att den ökat från 15% 1975 till 20% 2018 (se Diagram 5.1). Detta beror på dels att människor lever längre och kvinnor väljer att föda färre barn, på grund utav detta så förändras åldersstrukturen i landet och medelåldern på invånarna går uppåt. Och om vi tittar på brottsligheten i landet som denna uppsats har valt att representera genom lagförda brott per 1000 invånare kan man se att de har minskat sedan 1975 där det var 37 lagförda brott per 1000 invånare, till 2018 där det ligger på 10 lagförda brott per 1000 invånare (se Diagram 5.1). Detta stödjer alltså uppsatsens hypotes, där vi tror att en förändring i åldersstrukturen till en större andel personer över 65+ kommer leda till färre brott som representeras i antal lagförda per 1000 invånare.
Diagram 5.1
Hur ser sambandet ut mellan åldersstruktur och brottslighet under denna period?
Nästa steg i uppsatsen var att se på sambandet mellan åldersstrukturen samt brottslighet under denna period, om vi först tittar på de resultat som den bivariata-analysen så får modellen en förklaringskraft på 58,9% dvs. att denna bivariata modell kan förklara nästan 59% av
förändringen i den beroende variabeln. Denna modell är även signifikant med sig-värde på 0.00, vilket i sin tur betyder att det är väldigt stor sannolikhet att detta resultat inte är slumpmässigt. Efter detta så gjorde vi en multivariat modell, i detta skede tillkommer även kontrollvariabler som är där för att se ifall om man tillägger andra teoriförankrade variabler ifall modellen och den oberoende variabeln som man vill kolla på, i vårt fall är det antal lagförda per 1000 som är vår beroende variabel och den oberoende vi då vill testa är andel av befolkningen som är 65+ (% av andel 65 år eller äldre). När vi gjorde detta så ökade förklaringskraften till 83%, vilket innebär att denna nya multivariata modellen är bättre på att förklara antal lagförda per 1000 än den bivariata regressionsanalysen. Och detta tolkas som att våra kontrollvariabler har en förklaringskraft som hjälper till att förklara förändringen på denna beroende variabel. Den multivariata analysen är även signifikant då sig-värdet även här hamnade på 0.000 vilket också betyder att det är väldigt liten chans att detta är slumpmässigt.
Unstandardized B värdet för andel äldre framgick till -2,79 och detta värde bevisar att om befolkning blir äldre och att andelen 65+ blir större så minskar lagförda brott. Minskar de lagförda brotten speglar det att brottsligheten minskar i samhället. -2,79 visar på om
åldersstrukturen ökar med 1% så minskar antalet lagförda per 1000 invånare med 2,79. Såklart kan inte åldersstrukturen öka med 100% men skulle åldersstrukturen öka med 1% från till exempel 20% till 21% skulle lagförda brott per 1000 minska med 2,8 brott och detta är en stark påverkan avsett på en befolkning på ett helt land.
Skiljer sig sambandet mellan åldersstruktur och brottslighet inom olika brottskategorier? När man ställer upp uppsatsens modell dvs. åldersstruktur, skilsmässor i 1000tal och alkohol per capita mot de 6 olika brottskategorierna istället för totala antalet lagförda brott per 1000 så skiljer sig sambandet, dels mellan dessa kategorier men även mot det totala antalet. Detta innebär att åldersstrukturen enligt vår modell har olika stort samband mellan de olika brottskategorierna.
Och förklaringskraften i denna modell över de olika kategorierna skiljer sig åt.
Som presenterat i det tidigare kapitlet så överstiger förklaringskraften 50% i 4 av dessa kategorier som är Sexualbrott som ligger på 73%, Tillgreppsbrott på 56%, Bedrägeribrott på 64% och Skadegörelsebrott på 63%. I de två övriga kategorierna så har vår modell inte lika stor förklaringskraft där de hamnar på 27% för kategorin Brott mot liv och hälsa, och 44% för Våld mot tjänsteman. Och detta värde (Adj. R²) beskriver hur stor andel av skillnaden mellan
tidsperioden vår modell klarar av att förklara.
Men något som förespråkar för att dessa modeller är signifikansen för regressionerna hamnar på under 0.05, vilket innebär att det är mindre än 5% chans att dessa resultat är slumpmässiga. I dessa olika brottskategoriers analyser kan vi bara säga i ett fall hur mycket just åldersstrukturen påverkar en brottskategori eftersom i regressionsanalysen i SPSS var det bara ett av dessa värden som blev signifikanta. Det är intressant i analysen för sexualbrott att unstardardized B har ett positivt värde. Detta betyder att om andelen äldre ökar så ökar sexualbrotten i Sverige, vi ser att detta är ett statistiskt fenomen. Där analysen hittar ett samband men vi anser detta inte är
realistiskt och inte har med en åldrande befolkning med att göra. Vi ser inte att det finns någon teoretisk bakgrund av detta fenomen och därför avstår från att dra någon slutsats av detta resultat.
På basis av analyser av relationen mellan åldersstruktur och brottslighet under tidigare år, vilka prognoser kan göras om framtida brottslighet?
SCB publicerade en prognos för hur Sveriges befolkning skulle se ut i framtiden och utifrån den prognosen skapades det en prognos hur brottsligheten skulle påverkas av den förändringen SCB publicerade. (SCB. 2018b)
Prognosen för brottsligheten resulterade i en stor minskning på grund av den åldrande befolkningen. (Se Diagram 5.2) Prognosen blir en visuell representation om det endast var åldersstrukturen som påverkade brottsligheten för brottsutvecklingen har andra faktorer som inte är medräknade i prognosen eller regressionen. Andra faktorer som även kan påverka resultatet som ekonomiska faktorer är inte medräknade i prognosen på grund av att de korrelerade för starkt med andel äldre i regressionsanalysen. Så det ska beaktas att denna prognos bara
varken ha en effekt på brottslighet och förväntas vara på de nivåer som de är 2020 och förblir så fram till 2070.
Om SCB:s prognos stämmer kommer vi kunna se en minskning av brottslighet som påverkas av den ökad andel äldre som är visualiserat av Diagram 5.2.
Diagram 5.2 Prognos andel äldre + brottslighet
0 0,05 0,1 0,15 0,2 0,25 0,3 0 1 2 3 4 5 6 7 8 9 10
6. Slutdiskussion
Syftet med denna uppsats var att studera relationen mellan åldersstrukturen och brottslighet över en period från 1975–2018 för att se ifall vi kunde hitta ett samband mellan den åldrande
befolkningen och därmed förändringen av åldersstrukturen kommer leda till minskad
brottslighet, eftersom uppsatsens hypotes var att en 70 åring är mindre trolig att utföra ett brott än någon i 20 årsåldern. Och vi tycker att vi har hittat stöd för detta genom vår forskning. Som det resultat som presenterats efter detta är vår slutsats att fortsätter åldersstrukturen förändras positivt, som den förväntas att göra. (SCB 2018b) Kommer vi kunna fortsätta att se en minskning av brottslighet i samhället på grund av detta. Vi ser även att vissa brottskategorier enligt
brottsbalken har ett större samband med vår modell än andra, så här kan man förvänta sig att detta resultat visas mer än i andra. Även fast resultatet för brottskategorin sexualbrott pekade på att åldersstrukturen har positiv istället för en negativ påverkan på denna tror vi inte att detta har med åldersstrukturen att göra, utan snarare att sexualbrotten har ökat trots att större andel av befolkningen har blivit över 65 år gammal. Och ifall åldersstrukturen inte hade förändrats hade vi sett en kraftigare ökning än vad vi gör idag inom sexualbrott.
Denna uppsats använder sig av totalurval mellan perioden 1975–2018 som resulterar i god generaliserbarhet och kan bara förstärkas genom att utveckla denna studie med en bredare
tidsperiod. Att återskapa denna studie på ett annat land är problematisk på grund av att statistiken skiljer sig mellan länder och lagstiftningen är väldigt skild mellan länder. Detta gör det svårt att återskapa denna studie på något annat land.
Ett problem som uppstod när analyserna skulle genomföras var att den skulle inkludera någon ekonomisk faktor som kontrollvariabel för att testa den oberoende variabel (andel äldre) ännu mer. Det samlades in en del ekonomiska faktorer som BNP, Reallöneutveckling och
sysselsättningsgrad av befolkningen men alla dessa variabler visade sig ha multikorrenalitet med den oberoende variabeln andel (äldre). På grund av detta kunde inte uppsatsen använda sig av någon av dessa faktorer.
6.1 Slutord
Det finns ett talesätt att “man lär sig så länge man lever” och som Platon sade “okunskapen är roten till allt ont”. Därav kan vi säga och man är mindre sannolik att begå brott när man blivit äldre på grund av man blivit mer lärd.
Det sägs även att Sverige och andra västerländska länder står inför många problem av att få en åldrande befolkning men det finns även några positiva effekter av detta, en av dom som denna studie beskriver.
7.Referenslista
Brottsförebyggande Rådet. (2019). Mörkertal och dold Brottslighet
https://www.bra.se/statistik/statistik-utifran-brottstyper/morkertal-och-dold-brottslighet.html
(Hämtad 2020-04-23)
Brottsförebyggande Rådet (2020a). Anmälda brott.
https://www.bra.se/statistik/kriminalstatistik/anmalda-brott.html
(Hämtad 2020-04-23)
Brottsförebyggande Rådet (2020b). Misstänkta personen
https://www.bra.se/statistik/kriminalstatistik/misstankta-personer.html
(Hämtad 2020-04-23)
Brottsförebyggande Rådet (2020c). Personer lagförda för brott
https://www.bra.se/statistik/kriminalstatistik/personer-lagforda-for-brott.html
(Hämtad 2020-04-23)
Bunge,Valerie Pottie. Johnson, Holly. A. Baldé, (2005) Thierno Exploring Crime Patterns in Canada.
https://www.publicsafety.gc.ca/lbrr/archives/cnmcs-plcng/statcan-cjrps-no5-eng.pdf?fbclid=IwAR2Hv0VfvHqF4VtyOcdk_iU959LwlUi5PtLi7SSb_2CXpkC_CQBegIHaqFI
(Hämtad 2020-04-25)
Calmfors, Lars. (2015) Löneökningarna och avtalsrörelsen. Ekonomidebatt Nr 2-2016 https://www.nationalekonomi.se/sites/default/files/NEFfiler/44-2-lc.pdf
(Hämtad 2020-05-06)
Djurfeldt, Göran, Larsson, Rolf & Stjärnhagen, Ola (2018). Statistisk Verktygslåda 1:
Samhällsvetenskaplig orsaksanalys med kvantitativa metoder. Uppl. 3. Lund. Studentlitteratur AB
Esaiasson, Pete;. Gilljam, Mikael, Oscarsson, Henrik, Towns, Ann & Wängnerud, Lena. (2017) Metodpraktikan: Konsten att studera samhälle, individ och marknad. Uppl. 5:1. Stockholm. Wolter Kluwer AB.
Friend, Celeste. Social Contract Theory. Internet Encyclopedia of Philosophy. https://www.iep.utm.edu/soc-cont/
(Hämtad 2020-03-21)
Hess, M., Nauman, E. & Steinkopf, L (2017).. Population Ageing, the Intergenerational
Conflict, and Active Ageing Policies – a Multilevel Study of 27 European Countries. Population Ageing 10, 11–23 https://doi-org.db.ub.oru.se/10.1007/s12062-016-9161-3
(Hämtad 2020-03-15)
Hoyle, Justin. Posick, Chad & Rocque, Michael. (2016). Age-Crime-Curve
https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781118519639.wbecpx275
(Hämtad 2020-05-10)
Josefsson, Henrik. (2006). Den svenska åldersstrukturens påverkan på den ekonomiska tillväxten. Lunds Universitet.
http://lup.lub.lu.se/luur/download?func=downloadFile&recordOId=1338294&fileOId=1646221
(Hämtad 2020-04-23)
Kriminalvården (2018). Kriminalvård och Statistik KOS 2018
https://www.kriminalvarden.se/forskning-och-statistik/statistik-och-fakta/anstalt/#alder
(Hämtad 2020-05-01)
Lundgren, Nils-Gustav (2008). Perspektiv på Norrbottens samhällsutveckling, ekonomi och brottslighet till 2030
(Hämtad 2020-05-25)
Lundgren, Stefan. (1999/2000). En åldrande befolkning- Konsekvenser för svensk ekonomi. Bilaga 9 till LU. https://data.riksdagen.se/fil/34A30E4A-67D2-4529-9852-1ACF050AFFA8. (Hämtad 2020-04-23)
McCall, P. L., Land, K.C., Dollar, C.B. & Parker, K.F. (2013). The Age Structure-Crime Rate Relationship: Solving a Long-Standing Puzzle. Journal of Quantitative Criminology, 29(2), 167- 190.
Rosevear, Lisa. (2012). The impact of structural ageing on crime trends: A South Australian case study
https://aic.gov.au/publications/tandi/tandi431?fbclid=IwAR1Ix2b761HBemWTvSyQXeIu9nWx
viSWAgnLfXAwMKkxVRJX0JS3675psOM
(Hämtad 2020-03-14)
Statistiska Centralbyrån (2020a) Medellivslängden i Sverige.
https://www.scb.se/hitta-statistik/sverige-i-siffror/manniskorna-i-sverige/medellivslangd-i-sverige/
(Hämtad 2020-04-27)
Statistiska Centralbyrån (2018a) Nedåtgående trend i barnafödande
https://www.scb.se/hitta-statistik/artiklar/2018/nedatgaende-trend-i-barnafodande/
(Hämtad 2020-05-01)
Statistiska Centralbyrån. (2018b) Sveriges framtida befolkning. Demografiska rapporter 2018:1. https://www.scb.se/contentassets/b3973c6465b446a690aec868d8b67473/be0401_2018i70_br_be 51br1801.pdf
(Hämtad 2020-05-12)
Statistiska Centralbyrån (2020). Skilsmässor i Sverige. https://www.scb.se/hitta-statistik/sverige-
i-siffror/manniskorna-i-sverige/skilsmassor-i-sverige/?fbclid=IwAR03fDvld73OP40RNV0QrOmxmNro0Qhor8t69zCx8a4UUQz6WkmbpnuI nDM (Hämtad 202-04-20)
Statistiska Centralbyrån (2019). Befolkningsstatistik.
http://www.statistikdatabasen.scb.se/pxweb/sv/ssd/START__BE__BE0101__BE0101A/ (Hämtad 2020-04-25)
Von Hofer, Hans. (2011) Brott och straff i Sverige: Historisk kriminalstatistik 1750-2010. Diagram, tabeller och kommentarer
http://www.diva-portal.org/smash/get/diva2:440005/FULLTEXT01.pdf
(Hämtad 2020-05-04)
World Health Organization. (2019). Pure Alcohol consumption, liters per capita 15+
https://gateway.euro.who.int/en/datasets/european-health-for-all-database/
