ÖREBRO UNIVERSITET Handelshögskolan
Nationalekonomi, kandidatuppsats Handledare: Dan Johansson Examinator: Patrik Karpaty HT 2016
Arbetslöshetens effekt på brottsligheten – finns den?
Författare:
Jonas Karlsson 900227
Sammanfattning
Syftet med den här uppsatsen är att undersöka om det finns ett samband mellan arbetslöshet och brottslighet. Den brottsekonomiska teorin är framförallt applicerbar på egendomsbrott vilket gör att vi lägger fokus på den typen av brott. Datan som samlas in är årliga paneldata på länsnivå för Sverige och åren 2005–2013 och genom OLS1 skattas en modell där huvudresultatet är att denna studie inte finner något samband mellan arbetslöshet och aggregerad egendomsbrottslighet eller specifika egendomsbrott vilket avviker från tidigare studier2.
1 Många andra studier de senaste åren använder sig av 2SLS (se t.ex. Agell och Öster (2007); Lin (2008);
Raphael och Winter-Ebmer (2001)).
1
1. Inledning
År 2006 upplever Sverige en högkonjunktur där mycket arbetskraft krävs för att hålla produktionen uppe. Arbetslösheten uppmättes till 6,1 procent i början av 2008 men då finanskrisen påverkade svensk ekonomi negativt så steg arbetslösheten till 8,5 procent (ca 117 000 personer) i mitten av 2009 (SCB 2016a). En sådan ökning av arbetslösheten påverkar samhället negativt på olika sätt, t.ex. skriver Becker (1968) i sin inflytelserika studie för den brottsekonomiska teorin att individer väljer att begå brott om nyttan av att begå brottet är större än nyttan av att göra något lagligt. Nyttan mäts bl.a. som inkomsten via hederligt arbete och om en person då blir arbetslös och får minskad inkomst, då ökar sannolikheten att begå brott och då ökar även den aggregerade brottsligheten.
Syftet med uppsatsen blir således att undersöka om arbetslöshet har ett samband med brottslighet. Tidigare studier har framförallt funnit att arbetslöshet kan förklara egendomsbrott eller vissa specifika egendomsbrott men inte våldsbrott (Edmark 2005; Lin 2008) vilket utgör grunden till vår frågeställning: Finns det ett positivt samband mellan arbetslöshet och egendomsbrott? Vår årliga paneldata på länsnivå sträcker sig mellan perioderna 2005–2013 vilket ger oss möjligheten att fånga upp effekterna som finanskrisen hade på arbetslösheten och brottligheten. Uppsatsen kommer likna studien av Edmark (2005) väldigt mycket då hon studerade samma fenomen som vi tänkte studera3 och vidare så kommer vår studie bidra med ytterligare kunskap i området då ingen annan studie har använt dessa data.
Tidigare studier som använt sig av paneldata för att undersöka om det finns ett samband mellan brottslighet och arbetslöshet är exempelvis Agell & Öster (2007) som har data på kommunnivå i Sverige, Lin (2008) använder regiondata för 49 stater i USA och Papps och Winkelmann (2000) använder regiondata för 16 regioner i Nya Zeeland. Studierna kommer fram till olika resultat. Agell & Öster (2007) finner stöd för att arbetslösheten har ett samband med vissa specifika egendomsbrott (rån, bilstöld och droginnehav). Lin (2008) finner stöd för att arbetslösheten har ett positivt samband med egendomsbrott men det gör inte Papps och Winkelmann (2000). De menar istället att andra variabler kan vara viktigare än arbetslösheten när en försöker förklara brottsligheten.
Frågan är viktig att studera eftersom både arbetslöshet och brottslighet är faktorer som påverkar ekonomin negativt och om det då går att etablera ett positivt samband dessa två emellan kan
3 Skillnaderna mellan vår studie och Edmarks (2005) ligger i vissa variabelskillnader som beskrivs sist i kapitel
2
det eventuellt underlätta för politikerna när de ska välja hur pengarna ska fördelas i exempelvis regerings- och kommunbudgetar.
Resultatet i den här studien visar att ett samband mellan arbetslöshet och egendomsbrott inte går att påvisa. Baserat på de länsdata som samlats in och bearbetats hittar vi endast statistiskt signifikanta resultat för att arbetslöshet påverkar bedrägeri och förfalskningsbrott negativt vilket tyder på att det finns andra faktorer som är mer relevanta för att förklara brottslighet.
Uppsatsen är disponerad på följande sätt: Först kommer inledningen vilken är ämnad att skapa intresse till uppsatsen, den följs av institutionell bakgrund där vi går igenom bakgrundsinformation om brottslighet och arbetslöshet. Sedan följer kapitel 3 och 4 vilka ger insikt i de teorier och tidigare forskning som föreligger den brottsekonomiska teorin och vad denna uppsats grundar sig på. I kapitel 5 går vi igenom data samt presenterar deskriptiv statistik. Kapitel 6 redovisar det ekonometriska tillvägagångssättet och kapitel 7 presenterar resultat. I kapitel 8 diskuterar vi resultaten och i kapitel 9 framför vi en slutsats som ska återkoppla till uppsatsens syfte.
2. Institutionell bakgrund
Det här kapitlet är ämnat att ge bakgrundsinformation om brottslighet och arbetslöshet. Först nämner vi fakta om brottslighet som klargör varför brottslighet är ett problem från ett ekonomiskt perspektiv för att sedan jämföra vissa brott USA och Sverige. I delen om arbetslöshet redovisar vi utvecklingen av arbetslöshet och går även igenom vissa skillnader i arbetslöshetsförsäkringar i USA och Sverige. Anledningen till att det är intressant att jämföra Sverige med USA är att tidigare studier framförallt studerat USA, se exempelvis Gould et al. (2002) och Lin (2008).
2.1 Brottslighet
Samhällskostnaden av brott varierar beroende på hur och vem som räknar på det och på vilket sätt resultaten presenteras. En rapport från försäkringsbolaget Skandia uppskattade vad kostnaden för 20 ungdomars utanförskap i Sverige skulle bli om inga preventiva åtgärder sätts in. Uppskattningen gjordes på så sätt att de räknade kostnaden för alla personers utanförskap, från att de är 20 år gamla till och med att de är 65 år och kom då fram till att samhällskostnaden skulle bli 250 miljoner kronor (Nilsson & Wadeskog 2008). En annan studie från USA kom fram till att den årliga nettokostnaden av brott överstiger 1 trillion dollar (Andersson 1999).
3
Nedan presenteras figur 1 som visar hur rån, bilstöld och inbrott har utvecklats för USA och Sverige mellan åren 2003–2013.
Figur 1. Utveckling av tre brottstyper i USA och Sverige, 2003–2013
Till synes har rån och bilstöld genom åren haft snarlika nivåer länderna emellan där antal bilstölder per 100 000 år 2013 var 228 stycken för USA och 159 stycken för Sverige. Rån per 100 000 i USA år 2013 var 113 stycken och 87 stycken i Sverige. Inbrott har minskat över tid i Sverige i större utsträckning än i USA. År 2003 hade Sverige 1370 inbrott per 100 000 vilket år 2013 hade minskat till 888 inbrott per 100 000. I USA var siffrorna för år 2003 741 inbrott per 100 000 och 611 inbrott per 100 000 år 2013.
2.2 Arbetslöshet
Arbetslösheten och arbetslöshetsförsäkringar varierar mellan länder. Figur 2 redovisar utvecklingen av arbetslösheten i Sverige, USA och med ett genomsnitt för OECD-länderna.
4
Figur 2. Utveckling arbetslöshet i Sverige, USA och OECD (genomsnitt)
Arbetslösheten har i Sverige allt som oftast varit högre i Sverige jämfört med OECD-genomsnitt. Den har även varit högre än i USA mer än halva tidsperioden, USA hade högre arbetslöshet än Sverige 2008-2012.
Vad gäller ersättning till personer som blir arbetslösa så varierar även den mellan länder, dels hur lång tid en får utbetalningar och dels nivån på utbetalningarna. Exempelvis är nettoersättningsgraden4 i USA (Michigan) 42 procent av medellönen och den delas ut i 20 veckor, efter det hänvisas de arbetslösa till behovsprövade ersättningssystem. Motsvarande siffror i Sverige är 57 procent av medellönen och den delas ut i 60 till 90 veckor (Konjunkturinstitutet 2016). Detta är exempel på när alternativkostnaden till brott är lägre i USA än i Sverige vilket enligt teorin som beskrivs i kapitel 3 ökar sannolikheten att en individ begår brott. Det skulle även kunna vara en anledning till varför studier i USA redovisat starkare samband mellan arbetslöshet och brottslighet än i andra länder5 Däremot redovisar konjunkturinstitutets rapport att under perioden 2003-2014 är det den svenska nettoersättningen som sjunker mest och att år 2014 är nettoersättningsgraden för medelinkomsttagare i Sverige i nivå med den i USA. Detta gör att ytterligare en studie i Sverige skulle vara intressant
4 För information om nettoersättningsgrad Konjunkturinstitutet (2016). 5 Se kapitel 4 om tidigare studier.
5
3. Teoretisk bakgrund
Inledningsvis beskriver vi bakgrunden till den brottsekonomiska teorin vilken först formaliserades av Becker (1968) och som vidareutvecklades av Ehrlich (1973). Vi nämner också Freeman (1999) som byggde en modell likt Becker (1968). Sists presenteras modellen Edmark (2005) använde sig av och som vi utgår ifrån i denna studie.
I Gary Beckers studie “Crime and Punishment: An Economic Approach” från 1968, introduceras en teori om hur utvecklingen av offentliga och privata policys ska utformas för att på ett optimalt sätt bekämpa brottslighet. Teorin grundar sig i den ekonomiska nyttoanalysen, där en individ väljer att begå brott om nyttan av brottet är större än nyttan av att göra något lagligt. Detta innebär att individer inte blir kriminella på grund av skillnader i personlighet eller synsätt, snarare för att nytta och intäkt skiljer sig åt.
Becker (1968) introducerar en ekvation där antalet brott en individ kommer att begå under en period (Oj) bestäms av sannolikheten att bli fälld för brott (pj), vilket straff individen erhåller för ett brott (fj) och en felterm (uj) som inkluderar bland annat inkomst genom lagligt arbete, tidigare brott och viljan att begå ett brott.
Oj = Oj(pj fj,uj) (1)
Om sannolikheten att åka fast för brott ökar eller om straffet blir allvarligare påverkar det antalet brott negativt då nyttan för brott minskar vilket reducerar antalet brott. Vidare säger Becker (1968) att vissa delar i feltermen kan förutspås, t.ex. en ökad inkomst i laglig verksamhet eller förhöjd vilja att följa lagen genom exempelvis utbildning. Detta ska i så fall minska incitamenten att begå brott vilket reducerar antalet brott.
Mustard (2010) påpekar att Beckers teori framförallt fokuserar på hur brotten påverkas av sannolikheten att åka fast samt kostnaden för att åka fast men väldigt lite om relationen lagliga jobbtillfällen och brott vilket innefattas i feltermen uj. Denna relation tittar Ehrlich (1973) närmare på när han utvecklar Beckers modell.
Ehrlich modell tar hänsyn till både vinster och förluster relaterade till laglig och icke laglig verksamhet samt att den empiriskt verifierar en länk mellan vissa typer av brott och inkomstojämlikheter samt rättsväsendets aktivitet. Utöver det så relateras individens yrkesval till den ekonomiska teorin om val under osäkerhet genom att presentera förbrytarens val som ett problem där denne ska, under osäkerhet, allokera sina resurser optimalt mellan två
6
aktiviteter, lagliga och olagliga, till skillnad från ett val av två exkluderande aktiviteter. Det görs antagande om att det inte finns någon kostnad eller barriär vad gäller inträde/utträde ur aktiviteterna vilket implicerar att en individ kan ägna sig åt både lagliga och olagliga aktiviteter i samma period (Ehrlich 1973).
Freeman (1999) utvecklade, i linje med Becker (1986) en tvåaktivitets-enperiodsmodell, där individen väljer den aktivitet som ger mest nytta. Vidare kommenterar Freeman (1999) att modellen kan byggas vidare för att inkludera fler möjligheter, t.ex. möjligheten för individen att välja både lagligt och olagligt jobb inom samma period men att det fina med den enkla modellen är att den fångar upp de mest väsentliga variablerna som de flesta studierna på området fokuserar på.
Den modell Edmark (2005) använde sig av grundar sig i Ehrlich (1973) och Freeman (1999) vilka beskrevs i förra stycket. Hon adderar en psykologisk kostnad av att begå brott vilken kan vara antingen positiv eller negativ och säger att individen begår ett brott om den förväntade avkastningen av brott minus den psykologiska kostnaden är större än den förväntade avkastningen av lagligt arbete. Det mynnade ut i följande ekvation:
E(Wb) – cn > E(W) (2)
Där Wb är avkastningen för brott, cn är den psykologiska kostnaden för brott och W är avkastningen för hederligt arbete. Vidare formuleras den förväntade avkastningen till brott och lagligt arbete med följande två ekvationer i respektive ordning:
E(Wb) = (1-p)Wb + p(Wb-S) (3)
E(W) = (1-u)W + uA (4)
Där E(Wb) är ett sannolikhetsvägt genomsnitt av avkastningen till brott med sannolikheten p att åka fast och 1-p är att klara sig och S är straffet (kostnad att åka fast). U (andel arbetslösa) och A (arbetslöshetsförsäkringar) kommer med i ekvation (4) då de påverkar den förväntade avkastningen till lagligt arbete. Om individen arbetar tjänar denne W och om arbetslös tjänar den A. Restriktionen i ekvation (2) för individ n att begå brott kan nu skrivas:
Cn < ((1-p)(Wb)+p(Wb-S))-((1-u)W+uA). (5)
Enligt ekvation (5) ska den psykologiska kostnaden av att begå brott vara mindre än skillnaden i förväntad avkastning av brott och hederligt arbete, samt att en individ väljer att begå brott så
7
länge som den förväntade inkomsten av brott jämfört med hederligt arbete är högre än individens psykologiska gränsvärde Cn.
Då det är länsdata som ska analyseras krävs det att modellen kan appliceras på aggregerad nivå. Genom antagandet W> A och att u <1 så blir ekvation (5) ökande i Wb och u samt minskande i
W, S, och A. Den förväntade effekten av arbetslöshet på brottslighet är därmed positiv, högre
arbetslöshet borde resultera i fler brott, ceteris paribus. Hypotesen vi tänker testa är således om arbetslösheten är en statistiskt signifikant förklarande variabel till egendomsbrott.
Modellen har hittills fokuserat på utbudet av brott vilket indikerade att ökad inkomst har en negativ effekt på brottslighet men om vi ska urskilja effekterna i ett jämviktsläge måste vi ta hänsyn till efterfrågesidan av brott också. Efterfrågan av brott implicerar en positiv effekt av inkomst på brottslighet då högre inkomst genererar mer byte (saker att stjäla) vilket gör nettoeffekten av ökad inkomst svårtolkad, ökad inkomst ger negativ utbudseffekt och positiv efterfrågeffekt på brott. Detta resonemang implicerar att arbetslöshet har negativ effekt på brottslighet via minskad inkomst (vi antar att den förlorade inkomsten inte kan ersättas till fullo av brottslig inkomst). Genom att ha med medelinkomst som kontrollvariabel ser vi till att arbetslösheten endast mäter utbudet av brott och inte den indirekta effekten på efterfrågan. Då ska effekten av arbetslöshet på brottslighet vara positiv (Edmark 2005).
4. Tidigare studier
Detta kapitel är ämnat att beskriva tidigare forskning, såväl ny som gammal, för att skapa en uppfattning kring vad som har gjorts på området tidigare. Vi inkluderar både svenska och internationella undersökningar för att få så brett underlag som möjligt. Studierna agerar som underlag och hjälp när vi tolkar våra resultat.
Den forskning som först introducerade en ekonomisk modell om brott var Becker (1968) där han utgick från att en individ väljer att begå brått om nyttan av brottet är större än nyttan av att inte begå brått. Ehrlich (1973) utvecklade modellen till en mer komplett teori där han i större utsträckning tar hänsyn till brott och marknadstillfällen samt att en individ kan välja brott och laglig aktivitet simultant i samma period. Ehrlich kommer bl.a. fram till att inbrottstjuvar är risk-obenägna vilket implicerar att egendomsbrott har högre förväntad marginalavkastning jämfört med lagligt jobb. Dessa två studier lade den teoretiska grunden för efterkommande ekonomer att forska vidare i.
8
Papps och Winkelmann (2000) använder paneldata för 16 regioner för perioden 1984–1996 i Nya Zeeland när de försöker hitta ett kausalt samband mellan brottslighet och arbetslöshet genom att skatta både slumpmässiga och fixed-effekt-modeller. Resultatet visar att den totala graden av brottslighet i Nya Zeeland inte påverkas signifikant av arbetslöshet eller egendomsbrott men att det går att avläsa en viss påverkan av skadegörelse på egendom. Andra studier som använder sig av fixed-effekt-modeller är bl.a. Agell och Öster (2007) och Edmark (2005).
Edmark (2005) vill undersöka om nivån på arbetslöshet bidrar till att förklara brottsligheten i Sverige för åren 1988–1999 där hon har paneldata på år och länsnivå. Hon presenterar en en-periods-modell som ska förklara individens val av lagligt arbete eller brott vilket grundar sig i tidigare studier av Ehrlich (1973) och Freeman (1999). Vidare delas brottslighet upp i två kategorier: våldsbrott och egendomsbrott. Hennes resultat tyder på att arbetslöshet hade en positiv effekt på vissa egendomsbrott men inte på våldsbrott.
Agell och Öster (2007) använder sig av årliga kommundata för Sverige under åren 1996–2000 när de undersöker, inte bara arbetslöshet och brottslighet, utan också ungdomsarbetslöshet och ungdomsbrottslighet. De hittar ett samband mellan brottslighet och vissa specifika egendomsbrott men inte för våldsbrott. Vad gäller ungdomsbrottsligheten hittar de inget samband, däremot hittar de att vuxnas arbetslöshet är signifikant korrelerat med brott där unga är kraftigt överrepresenterade. Agell och Öster (2007) testar också att skatta sambanden med hjälp av instrumentvariabel vilket ger en större effekt än den tidigare estimeringen. De kommer fram till att estimeringen via minsta kvadratmetoden (OLS) antagligen agerar som en ”lägre gräns” vid skattning av arbetslöshet och brottslighet.
Instrumentvariabel-ansatsen har bl.a. använts av Raphael och Winter-Ebmer (2001); Gould et al. (2002); Lin (2008) och Nordin och Almén (2016). Raphael och Winter-Ebmer (2001) studerar USA för perioden 1971 – 1997 med hjälp av paneldata på regionnivå som täcker 50 stater. Lin (2008) studerar också USA men för perioden 1974 – 2000 och med paneldata på regionnivå bestående av 49 stater. Båda undersökningarna kommer fram till att arbetslöshet är en viktig determinant till egendomsbrott och att effekten blir starkare när de använder sig av instrumentvariabel. Gould et al. (2002) använder aggregerade län, stat och storstadsdata för åren 1979–1997 när de undersöker om brottsligheten kan förklaras av förändrade jobbtillfällen för dem som är mest benägna att begå ett brått i USA. Bl.a. studerar de om fallande löner för unga män påverkar brottsligheten. De finner att långtids-trend i brottsligheten förklaras bättre
9
av långtids-trend i löner jämfört med arbetslöshet och att det beror på att arbetslösheten inte har en lång trend under perioden men att löner för outbildade män föll under samma period.
Nordin och Almén (2016) använder årliga regiondata på kommunnivå för åren 1998–2010 men skiljer sig från de tidigare studierna då de fokuserar på sambandet långtidsarbetslösa och brott i Sverige. De finner att långtidsarbetslösa förklarar våldsbrott bättre än vad total arbetslöshet förklarar egendomsbrott.
Mustard (2010) går igenom tidigare studier för att på så sätt klargöra hur den brottsekonomiska forskningen har sett ut, framförallt de senaste 20 åren. Han diskuterar olika anledningar till varför tidigare forskning inte lyckats hitta något samband mellan arbetslöshet och brottslighet och nämner bland annat felaktigt utelämnade variabler (omitted variable bias), olika definitioner på att mäta arbetsmarknaden (exempelvis löner istället för arbetslöshet) och omvänd kausalitet. Vidare påpekar Mustard (2010) att de senaste 10 årens forskning har på ett bättre sätt än tidigare tagit hänsyn till dessa problem och har då mer frekvent hittat ett samband mellan arbetslöshet och brottslighet, framförallt egendomsbrottslighet.
Studier nyss presenterade använder alla någon form av regiondata och de uppvisar olika resultat vad gäller förmåga att etablera ett samband mellan arbetslöshet och brottslighet. Studierna i USA tenderar att finna ett samband mellan arbetslöshet och total egendomsbrottslighet medan studierna gjorda i andra länder oftare hittar för vissa specifika egendomsbrott, men inte för totala egendomsbrott.
5. Data
Vi använder oss av paneldata på länsnivå och årsbasis som är hämtad från statistiska centralbyrån (SCB), brottsförebyggande rådet (BRÅ), Systembolaget, Arbetsförmedlingen och socialstyrelsen för åren 2005–2013. Valet av variabler grundar sig i att vi följer Edmark (2005). Nedan följer en beskrivning av datamaterialet vi använt oss av där figur 3 illustrerar fördelningen av egendomsbrott för 2013 och figur 4 redovisar förändringen över tid för samma typ av brott och arbetslöshet. Fördelning samt utveckling över tid av våldsbrott återfinns i appendix, figur 5 och 6.
10
Figur 3. Fördelning av egendomsbrotten 2013.
Figur 4. Utveckling över tid för alla egendomsbrott
En kort kommentar på figur 4 är att bedrägeri och förfalskningsbrott verkar vara den enda brottstyp som ökat (från drygt 500 brott per 100 000 till ca 1400 brott per 100 000).
Den beroende variabeln brottslighet inkluderar olika typer av brott definierade som antal brott per 100 000 invånare. De fördelas efter brottstyp; våldsbrott eller egendomsbrott, där egendomsbrott delas upp i inbrott, cykelstöld, bilbrott, bedrägeri, rån och stöld/snatteri och
Bedrägeri och förfalskning (24%) Rån (1 %) Bilbrott (16 %) Stöld och snatteri (33 %) Inbrott (14 %) Cykelstöld (12 %)
Not: Figur 3 redovisar fördelningen av egendomsbrotten såsom definierade i denna studie.
11
våldsbrott består av försök till mord och dråp, misshandel samt sexualbrott6. Datan är hämtad från BRÅ.
Eftersom frågeställningen handlar om arbetslöshetens påverkan på brottslighet så blir arbetslöshet den oberoende variabeln av intresse. För att undvika mätfel som kan bero på felaktigt utelämnade variabler inkluderas uppklaringsgrad, inkomst, utbildning, män 15–24 år, utländska medborgare, biståndstagare, skild, alkohol och befolkningstäthet som kontrollvariabler.
Bland personer som begår brott är män överrepresenterade då de utgjorde ca 80 procent av samtliga misstänka personer år 2015, samt att den fördelningen har varit stabil de senaste 10 åren. Åldersmässigt är det ungdomar 15–20 år som är överrepresenterade, de utgjorde 20 procent av samtliga misstänkta personer (BRÅ 2016a).
Det finns två allmänt förekommande mått på statistiken för antalet arbetslösa. SCB:s arbetskraftsundersökning (AKU) som är den officiella arbetslösheten i Sverige och Arbetsförmedlingens verksamhetsstatistik över antalet inskrivna arbetslösa. Syftet, tillvägagångssättet och definitionen på statistiken skiljer sig åt hos SCB och Arbetsförmedlingen. Vidare delar arbetsförmedlingen in sina sökande som ”öppet arbetslösa” eller ”sökande i program med aktivitetsstöd”. Datan för arbetslöshet i denna studie är hämtat från arbetsförmedlingen och presenteras som antal öppet arbetslösa per 100 000 invånare.
Uppklaringsgrad presenteras i procent och är hämtat från BRÅ och deras statistik över uppklarade brott vilken finns tillgängligt för åren 1950–2013. År 2014 reviderades statistiken över uppklarade brott vilket gjorde att den inte är jämförbar med tidigare år (det kallas nu för handlagda brott) vilket är anledningen till att vi exkluderade år 2014 från studien. Uppklaringsprocenten fås genom att addera personuppklaringsprocenten med den tekniska uppklaringsprocenten. (BRÅ 2016c).
Inkomst (medelinkomst i tusentals kronor) är hämtat från SCB och tolkas som total inkomst delat med befolkningen vilken vi sedan deflaterade med KPI (också hämtat från SCB). Medelinkomsten reviderades den 30:e januari 2015 för åren 2003–2012 då inkomstregistret uppdaterades från att vara urvalsbaserad till totalräknad, det kan påverka studiens resultat jämfört med Edmark (2005).
12
Variablerna skild, män 15–24 år, och utländska medborgare är också hämtade från SCB och tolkas som antalet som ingår i respektive grupp per 100 000 invånare. Personer med dubbelt medborgarskap varav det ena är svenskt, räknas inte med i utländska medborgare.
Biståndstagare är hämtade från socialstyrelsen där bistånd definieras som ekonomisk hjälp till personer som inte klarar av att uppnå en skälig levnadsnivå genom egen försörjning och mäts som totala antalet biståndstagare 18 år och äldre. Alkoholkonsumtion tolkas som försäljning i liter per person i 100 procent alkohol hämtat från systembolaget och befolkningstäthet är invånare per km2 där befolkningen den 31: a december sätts i relation till landarealen den 1: a januari året därpå och utbildning tolkas som antal personer per 100 000 med eftergymnasial utbildning. Datan för båda variablerna är hämtade från SCB.
Nedan följer tabell med deskriptiv statistik gällande variablerna nyss beskrivna inklusive förväntat tecken.
Tabell 1. Deskriptiv statistik inklusive förväntat tecken. Antal observationer = 189
Medelvärde Standardavvikelse Min Max
Förväntat tecken Beroende variabel Egendomsbrott 6150 1238 3885 9720 Cykelstöld 738 264 249 1351 Inbrott 946 242 395 1661 Stöld och snatteri 2074 494 1286 4037 Rån 61 38 19 187 Bilbrott 1385 454 504 2931
Bedrägeri och försäkringsbrott 946 382 368 2250
Våldsbrott 1011 180 646 1571 Försök till mord 7 3 0 15 Misshandel 845 146 551 1241 Sexualbrott 159 48 70 512 Oberoende variabler Arbetslöshet 2291 450 1212 3538 + Befolkningstäthet 45,4 64,5 2,5 331,4 + Biståndstagare 3008 580 1651 4773 + Medelinkomst 235 16,4 199,2 307 +/- Män 15–24 år 6779 359 5821 7676 + Skild 9150 831 7192 10 453 + Uppklaringsgrad 37 328 4702 27 000 53 000 -
13
Utbildning 20 903 3437 15 783 31 695 -
Utländska medborgare 4169 1434 1388 8838 +
Alkohol 5,6 1,3 3,2 9,9 +
De beroende variablerna samt arbetslöshet, biståndstagare, män 15–24, skild, utbildning, uppklaringsgrad och utländsk medborgare tolkas alla som antal per 100 000 invånare. Befolkningstäthet = antal personer per km2, medelinkomst = total inkomst delat med befolkningen deflaterat med KPI, alkohol = försäljning i liter per person i 100 procent alkohol. Källa: SCB, socialstyrelsen, brottsförebyggande rådet, systembolaget och arbetsförmedlingen.
I genomsnitt begås det 6150 egendomsbrott och 1011 våldsbrott per 100 000 invånare i Sverige fördelat över alla län. Misshandel står för nästan 85 procent av våldsbrotten (845st) och följs av 159 sexualbrott och 7 försök till mord. Egendomsbrotten är något mer jämnfördelade där stöld och snatteri är det vanligaste brottet vilket står för lite drygt 33 procent (2074st) av egendomsbrotten. Näst vanligast är bilbrott (22 procent, 1385st) följt av bedrägeri och försäkringsbrott samt inbrott vilka båda har, efter avrundning, i genomsnitt 946 stycken brott var (15 procent vardera). Cykelstöld står för ca 14 procent (738st) och sist kommer rån där det i genomsnitt rapporteras 61 brott (ca 1 procent).
Arbetslösheten har i genomsnitt varit 2,3 procent med standardavvikelse på 0,45 procent och det bor i genomsnitt 45 personer per km2 med minsta värdet i Norrbottens län (2,5 personer per km2) och högsta värdet i Stockholm län (331 personer per km2). Antalet biståndstagare var i genomsnitt 3008 stycken, män 15–24 år (6779), skild (9150), och utländska medborgare var i genomsnitt 4169 stycken per 100 000 invånare. Den deflaterade medelinkomsten har varierat mellan 199 200 och 307 000 kronor med ett medelvärde på 235 000 kronor och antalet personer med eftergymnasial utbildning har i genomsnitt varit 20 903 per 100 000.
Tabell 11 i appendix redovisar en korrelationsmatris för alla förklarande variabler. Där går det att utläsa en korrelation på 0,7182 mellan utbildning och medelinkomst samt 0,7285 mellan utländska medborgare och medelinkomst. Resterande variabler tenderar att inte korrelera med varandra i lika stor utsträckning.
5.1 Styrkor och svagheter med datamaterialet
Dahmström (2011) nämner att registerdata är bra då den minskar uppgiftslämnarbördan men att nackdelar kan vara ändrade definitioner på variabler och att avgränsningar för population och element kan vara reviderade. Just det fick vi ta hänsyn till då uppklaringsgraden blivit reviderad fr.o.m. 2014 och ej längre är jämförbar med tidigare år vilket gjorde att vi exkluderade år 2014 från datamaterialet. Vidare kan mörkertalen inom brottsstatistiken vara stora och variera mellan brottstyperna och är de tillräckligt stora kan det ge missvisande resultat. Däremot
14
om en studerar hur brottsligheten förändras över tid då antas förändringarna stämma väl överens med den faktiska brottsutvecklingen (BRÅ 2016b). Nedan listas fler förändringar datan genomgått genom åren och som kan påverka resultaten.
Heby kommun flyttats från Västmanlands län till Uppsala län den 1: a januari 2007 vilket gör det svårt att jämföra länsdata med varandra, detta gäller för variablerna skild, män, utländska medborgare, utbildning och befolkningstäthet.
Vad gäller bistånd från och med år 2012 räknas inte introduktionsersättning till flyktingar och vissa andra utlänningar med i statistiken vilket minskar antalet biståndstagare något jämfört med tidigare definition och även gör den inte direkt jämförbar med tidigare år (socialstyrelsen 2012). Kommunerna Botkyrka, Högsby och Lycksele saknade uppgifter för ekonomiskt bistånd under perioden 2012–2014 varvid skattningarna uteblev för dessa kommuner och deras värden saknas i de län som de tillhör (Stockholm, Kalmar och Västerbottens län).
Enligt SCB kan det saknas uppgifter för vissa utbildningar från ett fåtal personer i utbildningsregistret, vilket skulle kunna höja en persons högsta utbildningsnivå. Detta kan exempelvis gälla utländska utbildningar eller utbildningar inom privat/företags regi som inte blivit registrerade. Nyss nämnda förändringar kan alla ge upphov till missvisande resultat.
Styrkor med datamaterialet är framförallt det faktum att det är paneldata vilket gör det möjligt att kontrollera för icke observerbara effekter över tid och län med en fixed-effekt modell. Då datan är på länsnivå bör det minska den bias som kan uppstå om kriminella bor i en kommun men begår brott i en annan, det borde inte vara lika troligt att de rör sig över länsgränserna på samma sätt som kommungränserna. Vidare så är uppklaringsgraden endast tillgänglig på länsnivå och eftersom den, enligt teorin, är en viktigt förklarande variabel är det bra att resten av datamaterialet också är på länsnivå (Edmark 2005). Å andra sidan påpekar Eide et al. (2006) att det finns goda anledningar till att använda individdata istället för regiondata eftersom den relevanta teorin bygger på individens rationella beteende. Huruvida styrkorna övervinner nackdelarna är svårt att säga men vi kommer att testa våra resultat genom att bl.a. exkludera åren 05,06,12 och 13 eftersom det under de åren har gjorts revideringar i statistiken för att se om det kan påverka resultaten.
Nu ska skillnaderna mellan denna studie och Edmark (2005) studie beskrivas vilket är en svaghet vad gäller jämförbarheten dessa två studier emellan men som också kan ses som en
15
styrka då det inte finns någon optimal uppsättning av variabler för att undersöka arbetslö shetens effekt på brottsligheten.
Vi mäter brott på samma sätt som Edmark (2005) vilket är antal brott per 100 000 men där hon har en variabel för inbrott i bil och en för bilstöld har vi endast en variabel som inkluderar båda dessa, variabeln bilbrott. Vidare har hon data för mord vilken hon adderar till misshandel då variabeln mord är för liten att analyseras separat men där vi dels har försök till mord och dråp och den står som en egen variabel. Variabeln sexualbrott inkluderar våldtäkt men Edmark (2005) har lagt våldtäkt som en egen variabel utöver sexualbrott.
Båda studierna har deflaterat medelinkomsten men de skiljer sig åt då medelvärdet för denna studie är 235 000 kronor och för henne var den 103 820 kronor vilket är en påtaglig skillnad. Edmark (2005) använder sig av data från socialstyrelsen i sin alkoholvariabel fram till 1998 och från systembolaget för 1999 men vi använder oss endast av systembolaget. Vidare har vi bearbetat vår alkoholdata från total försäljning av sprit, vin, öl och cider/blanddrycker till försäljning i liter av 100 procentig sprit per invånare, huruvida hon gjorde på samma sätt vet vi inte.
6. Empirisk modell
Paneldata skattas ofta med hjälp av en fixed-effekt-modell, se t.ex. Edmark (2005), Lin (2008), Öster och Agell (2007). Fördelen med denna metod är att den kontrollerar för icke observerbara variabler som varierar över entiteter (för oss län) men är konstanta över tid, eller tvärtom, konstanta över län men varierar över tid (Stock & Watson 2012). Sådana variabler kan t.ex. vara kulturella skillnader (mellan län) eller teknisk utveckling för polisen (lika över län men förändras över tid). Nedan beskriver vi stegen och antaganden som görs för en fixed-effekt regressionsmodell såsom beskrivet av (Stock & Watson 2012 s. 396–405) där de ställer upp en regressionsmodell på följande sätt:
Yit = β0 + β1Xit + β2Zi + uit, (6)
där i och t står för län och tid i respektive ordning. Yit är den beroende variabeln, β0 är interceptet, Xit är den oberoende variabeln, Zi är den icke observerbara variabeln som varierar över län men är konstant över tid och uit är feltermen för varje län. Modellen kan ses som att ha flera intercept eftersom Zi varierar för varje län men är konstant över tid och om vi låter αi = β0 + β2Zi, då kan vi skriva om ekvation (6) till:
16
Yit = β1Xit + αi + uit, (7)
Detta är den fixa effektens regressionsmodell för olika entiteter där vi hanterar α1,…, αn som okända intercept vilka vi ska estimera en och en. Intercepten kommer få olika värden vilka kan ses som effekten av att vara i län i, där variationen förklaras av de icke observerbara variablerna (Zi) från ekvation (6).
Vi ska också ta hänsyn till de effekter som är konstanta över län men skiljer sig över tid (St) vilket görs på liknande sätt som tidigare men nu byter vi ut Zi mot St, det ger oss följande ekvation:
Yit = β0 + β1Xit + β2Si + uit, (8)
där i och t står för olika län och år. Genom att låta λt = β0 + β2Si så får vi den tidsfixa effektens regressionsmodell:
Yit = β1Xit + λt + uit. (9)
Ekvation (9) har olika intercept för varje år (λt) och det går att tolka som ”effekten” varje år har på Y. Variationen i intercepten kommer från de variabler som inte är med i modellen vilka är konstanta över län men varierar över tid (St). Den kombinerade läns- och tidsfixerade regressionsmodellen är:
Yit = β1Xit + αi + λt + uit, (10)
där αi är länsspecifika effekter och λt är tidsspecifika effekter. Denna modell kontrollerar för län- och års specifika faktorer som kommer från icke-observerbara variabler vilka är konstanta över tid eller län och som annars skulle ge oss mätfel, bias, i resultaten.
För att regressionen med fixa effekter ska vara giltig krävs det att 4 antaganden gäller. För det första ska feltermen uit ha förväntat värde om noll för alla nutida, dåtida och framtida värden av X vilket implicerar att vi inte har några mätfel på grund av felaktigt utelämnade variabler. För det andra ska alla Xit och uit vara oberoende och likafördelade över varje län7 vilket de är om de är valda slumpmässigt. Antagande tre handlar om att extremvärden är osannolika och antagande 4 kräver att det inte råder perfekt multikollinjäritet vilket uppstår om en oberoende variabel är en exakt linjär funktion av en annan oberoende variabel. (Stock & Watson 2012).
17
Nedan presenteras den ekonometriska modell Edmark (2005) använde och som vi kommer att använda oss av, vilken är i formen log-log.
ln(brottit) = β1ln(arbetslöshetit)+ β2ln(Xit)+ αi + λt + uit, (11)
där notationerna i och t står för län och år i respektive ordning. Xit är en uppsamlingsvariabel som inkluderar alla olika kontrollvariabler, αi är de effekter som är olika över län men konstanta över tid, λt står för de effekter som är konstanta över län men olika över tiden och uit är feltermen. Genom att använda log-log så går det att tolka de oberoende variablerna som elasticiteten av Y med respekt till X (Stock & Watson 2012, s. 314). Tidigare studier har framförallt använt sig av antingen log-log eller log-linjära specifikationer, vi valde log-log eftersom Edmark (2005) gjorde så och vi följer hennes studie.
Vidare testar Edmark (2005), i en känslighetsanalys, en modell där hon inkluderar länsspecifika tidstrender för att på så sätt kunna kontrollera för länsspecifika tidstrender i de icke observerbara variablerna. Variablerna som inkluderas är tid och tid i kvadrat vilket ger oss följande ekvation:
ln(brottit) = β1ln(arbetslöshetit)+ β2ln(Xit)+ β3i(tidt) + β4i(tidt)2 αi + λt + uit, (12)
där notationerna i och t står för län och år i respektive ordning och β3 samt β4 är tidstrenderna. Vi gör samma känslighetsanalys, resultaten presenteras i tabell 6 i appendix.
Utöver känslighetsanalyserna nyss nämnda testar vi också för multikollinearitet genom att köra regressioner med ekvation (11) där kontrollvariablerna utbildning och utländska medborgare exkluderats eftersom de korrelerade i relativt hög utsträckning med medelinkomsten. Att medelinkomst behålls i modellen samt att utbildning och utländska medborgare exkluderas beror på att medelinkomsten predikteras enligt teorin i kapitel 3 vara en viktig kontrollvariabel för studien där den bland annat kontrollerar riktningen på effekten som arbetslösheten eventuellt har på brottsligheten, resultaten återfinns i tabell 9 och 10 i appendix.
Den beroende variabeln brottslighet delas upp i två kategorier; våldsbrott och egendomsbrott, där våldsbrott består av variablerna försök till mord, misshandel och sexualbrott och egendomsbrott består av cykelstöld, inbrott, stöld och snatteri, rån, bilbrott och bedrägeri och försäkringsbrott. Uppdelningen av brottslighet till våldsbrott och egendomsbrott samt typen av brott inom de två kategorierna grundar sig i att det var så Edmark (2005) gjorde och att teorin framförallt kan appliceras på egendomsbrott.
18
Enligt den ekonomiska teorin beskriven i kapitel 3 inkluderar vi arbetslöshet, laglig inkomst, risken att åka fast och arbetslöshetsförsäkringar som förklarande variabler. Dessa mäts via variablerna andel arbetslösa, medelinkomst och uppklaringsgrad i respektive ordning (arbetslöshetsförsäkringar mäts via medelinkomst). Vi exkluderar den psykologiska kostnaden, den förväntade inkomsten av brott och kostnaden till brott då det inte finns data till dem. Men om dessa tre variabler kan antas vara konstanta över tid då kontrolleras de via den fixa effekt-modellen (Edmark 2005).
Män i åldern 15–24 och andel utländska medborgare motiveras av deras överrepresentation i brottsstatistiken (BRÅ 2016b) och befolkningstäthet av att det begås mer brott i tätbefolkade områden (BRÅ 2008). Becker (1968) nämner att utbildning finns med feltermen och att ökad utbildningsnivå antagligen har en negativ effekt på brottslighet vilket motiverar en utbildningsvariabel. Vidare är utbildning en vanligt förekommande förklarande variabel i andra studier, se Agell & Öster (2007) och Nordin & Almén (2016). Alkohol, skild och biståndstagare inkluderas för att bättre kunna jämföra vår studie med Edmark (2005).
7. Resultat
Nedan följer resultaten som vi fått genom att skatta ekvation (11). Tabell 2 redovisar resultaten för egendomsbrott och tabell 3 för våldsbrott. Ekvation (11) och (12) användes vid känslighetsanalyserna där resultaten presenteras i tabell 5,6 och 7 i appendix. Resultaten där utbildning och utländska medborgare har exkluderats presenteras även de i appendix, tabell 9 för egendomsbrott och tabell 10 för våldsbrott.
19
Tabell 2. Resultat för egendomsbrott genom skattning av ekvation (12).
Variabel (logaritmerad)
Egendomsbrott Inbrottsstöld Bilbrott Cykelstöld Stöld och snatteri Rån Bedrägeri och förfalskning
Arbetslöshet -0,017 0,197 0,069 0,009 -0,022 0,262 -0,334 (0,063) (0,163) (0,101) (0,104) (0,064) (0,201) (0,131)** Uppklaring -0,064 -0,189 -0,191 -0,365 -0,000 0,006 0,312 (0,060) (0,134) (0,096)* (0,087)*** (0,057) (0,164) (0,134)** Medelinkomst -2,887 -4,084 0,227 -2,591 -2,614 3,546 -8,262 (0,859)*** (1,792)** (1,589) (1,538) (0,827)*** (2,742) (1,900)*** Utbildning -0,757 -1,193 -0,846 -1,662 -0,806 -1,944 3,285 (0,425)* (0,877) (0,859) (0,982) (0,467)* (1,554) (1,284)** Män 15–24 år 0,776 -0,509 1,464 0,711 0,388 4,878 2,174 (0,577) (1,421) (0,938) (0,944) (0,682) (1,671)*** (1,420) Utländsk -0,037 -0,025 0,090 -0,306 -0,154 0,272 0,131 (0,063) (0,138) (0,091) (0,110)** (0,076)* (0,244) (0,120) Bistånd 0,079 0,293 0,241 0,003 0,103 -0,018 -0,488 (0,099) (0,278) (0,174) (0,137) (0,078) (0,310) (0,227)** Skild -0,124 -2,509 0,992 -2,020 0,189 3,443 1,610 (0,627) (1,785) (0,894) (1,184) (0,609) (2,108) (1,406) Alkohol -0,125 -0,318 -0,115 -0,160 -0,070 -0,523 0,796 (0,197) (0,396) (0,231) (0,313) (0,159) (0,670) (0,400)* Befolkningstäth 0,793 1,049 -0,255 1,202 1,103 -0,039 1,146 (0,286)** (0,447)** (0,325) (0,571)** (0,408)** (0,662) (0,475)** R2 0,72 0,73 0,92 0,74 0,67 0,23 0,89 N 189 189 189 189 189 189 189
Not: Robusta cluster standardfel i parenteserna. *signifikant på 10%, **signifikant på 5%, ***signifikant på 1%. Fixa effekter och års-dummys är inkluderade i alla regressioner. Hypotesen att alla fixa effekter är lika med 0 kan förkastas i alla specifikationer.
20
Vår huvudsakliga undersökningsvariabel, arbetslöshet, blev statistiskt signifikant på 5 procents nivån för bedrägeri och förfalskningsbrott med ett negativt värde om -0,334 vilket via log-log specifikation indikerar att en enprocentig ökning i arbetslöshet ger 0,334 procents minskning för bedrägeri och förfalskningsbrott, ceteris paribus. För de andra brotten blev arbetslöshet inte statistiskt signifikant på någon, inte ens på 10 procents nivån. Vi förväntade oss ett positivt tecken för arbetslöshet på alla brottstyper men fick negativt tecken för egendomsbrott, stöld och snatteri samt bedrägeri och förfalskning.
Vad gäller variablerna Edmark (2005) motiverade enligt den ekonomiska teorin (uppklaringsgrad och medelinkomst) blev uppklaringsgrad statistiskt signifikant för bilstöld, cykelstöld och bedrägeri och förfalskning med skattade värden -0,191, -0,365 och 0,312 i respektive ordning. Medelinkomst blev statistiskt signifikant för egendomsbrott, inbrott, stöld och snatteri samt bedrägeri och förfalskning med skattade värden 2,887, 4,084, 2,614 och -8,264. Vi förväntade oss ett negativt tecken på uppklaringsgrad vilket vi fick förutom på rån samt bedrägeri och förfalskning. Medelinkomstens förväntade tecken var något tvetydig med effekter som kunde vara både positiva och negativa, resultaten visar att effekten framförallt var negativ då endast rån och bilstöld var positiv.
Den variabel som blev statistiskt signifikant för flest antal brott var befolkningstäthet. En enprocentig ökning i befolkningstäthet leder enligt resultaten till ökad egendomsbrottslighet (0,793 procent), inbrott (1,049 procent), cykelstöld (1,202 procent), stöld och snatteri (1,103 procent) och bedrägeri och förfalskning (1,146 procent). Bilstöld och rån genererade negativt tecken och var båda två ej signifikanta.
Några andra resultat som kan vara intressanta är att utbildning blev positiv och statistiskt signifikant på 5 procents nivån för bedrägeri och förfalskning med ett skattat värde om 3,285 men negativ och signifikant på 10 procents nivån för egendomsbrott samt stöld och snatteri. Män 15–24 år fick signifikans på 1 procents nivån med positivt värde 4,878 och utländska medborgare blev signifikanta med negativa tecken för cykelstöld samt stöld och snatteri. Bistånd och alkohol blev signifikant för bedrägeri och förfalskning, resultaten som inte blev presenterade blev ej signifikanta.
21
Tabell 3. Resultat för våldsbrott genom skattning av ekvation (12).
Variabel (logaritmerad)
Våldsbrott Försök till mord eller dråp Sexualbrott Misshandel Arbetslöshet -0,020 -0,073 0,129 -0,058 (0,073) (0,347) (0,188) (0,087) Uppklaringsgrad 0,003 0,488 -0,274 0,040 (0,047) (0,312) (0,125)** (0,050) Medelinkomst -1,569 -8,255 -3,722 -1,127 (1,441) (7,091) (2,396) (1,643) Utbildning -2,335 -0,038 -1,745 -2,333 (0,631)*** (2,602) (1,367) (0,588)*** Män 15–24 år -0,668 -4,768 1,001 -1,035 (0,865) (3,177) (1,505) (0,953) Utländska med. 0,089 0,286 0,186 0,058 (0,175) (0,353) (0,271) (0,164) Bistånd -0,039 0,042 -0,460 0,036 (0,117) (0,612) (0,195)** (0,132) Skild 1,286 -7,542 4,563 0,720 (1,001) (3,591)** (1,792)** (1,077) Alkohol -0,118 -0,463 0,352 -0,191 (0,248) (0,857) (0,397) (0,242) Befolkningstäthet 0,091 1,016 -0,831 0,237 (0,291) (0,951) (0,508) (0,341) R2 0,64 0,10 0,58 0,64 N 189 187 189 189
Not: Robusta cluster standardfel i parenteserna. *signifikant på 10%, **signifikant på 5%, ***signifikant på 1%. Fixa effekter och års-dummys är inkluderade i samtliga regressioner. Hypotesen att alla fixa effekter är lika med 0 kan förkastas i alla specifikationer. 2 observationer var 0 för försök till mord eller dråp, därav 187 observationer.
Tidigare forskning har inte hittat något direkt samband mellan våldsbrott och arbetslöshet8 och det gjorde inte vi heller då arbetslöshet inte blev statistiskt signifikant för något våldsbrott. Följande specifikationer blev signifikanta, resterande resultat blev inte det. Uppklaringsgrad blev negativ för sexualbrott, utbildning negativ för våldsbrott och misshandel, bistånd negativ för sexualbrott, skild blev negativ för mord eller dråp och positiv för sexualbrott.
22 7.1 Känslighetsanalyserna
Resultaten för känslighetsanalyserna presenteras i appendix i tabell 5, 6 och 7 där tabell 5 redovisar egendomsbrott för åren 2007–2011, tabell 6 presenterar våldsbrotten för åren 2007– 2011 och tabell 7 redogör resultat för arbetslösheten med och utan tidstrender. Tabell 9 och 10
Att exkludera åren -05,-06,-12, och -13 stärkte inte resultaten för arbetslösheten då vi inte fick några fler signifikanta resultat, istället tappade vi signifikansen på bedrägeri och försäkringsbrott, och uppklaringsgrad tappade signifikans på bilstöld samt bedrägeri och förfalskning men är fortfarande statistiskt signifikant för cykelstöld med skattat värde -0,211. Medelinkomsten blir signifikant på 10 procent för rån men tappar alla andra signifikanta resultat. Utbildningsvariabelns resultat förbättras avsevärt av att exkludera dessa år. Effekten utbildning har på egendomsbrott fördubblas, från -0,757 till -1,502, inbrott och cykelstöld går från att vara icke signifikant till att vara signifikant på 1 procentsnivå. Rån byter tecken från plus till minus och blir samtidigt signifikant på 5 procentsnivån med skattat värde -9,952. Effekten på bedrägeri och förfalskningsbrott fördubblas även den, från 3,285 till 6,792 och den blir signifikant på 1 procentsnivån men bilstöld är dock fortfarande icke statistiskt signifikant. Trenden generellt för resterande variabler är att de tappar statistisk signifikans, t.ex. män 15– 24 år för rån och befolkningstäthet för egendomsbrott. Vad gäller våldsbrotten så uppvisar de snarlika resultat som innan, att arbetslösheten inte verkar kapabel att förklara våldsbrotten.
Att inkludera länsspecifika tidstrender påverkade inte våra resultat jämfört med bas-specifikationen, arbetslösheten är fortfarande icke signifikant för alla specifikationer förutom för bedrägeri och försäkringsbrott.
Resultaten från regressionerna där utbildning och utländska medborgare är borttagna tenderar att avvika ganska lite jämfört med resultatet där de inkluderas, både vad gäller betaskattningarna och standardfelen. Den största förändringen är storleken på standardfelet medelinkomst fick på bedrägeri och försäkringsbrott där den ökade från 1,90 till 2,44. Vad gäller statistisk signifikans så är trenden att utan variablerna utbildning och utländska medborgare så tappar resultaten statistisk signifikans. Exempelvis tappar medelinkomsten en signifikansnivå på inbrottsstöld och bedrägeri och förfalskning samt två nivåer för stöld och snatteri. Vidare är befolkningstäthet inte längre signifikant för inbrottsstöld eller cykelstöld
23
8. Diskussion
Teorin predikterar att arbetslöshet har ett positivt samband med brottslighet, ökad arbetslöshet leder till ökad brottslighet, framförallt på egendomsbrott. Edmark (2005) fann i sin studie att arbetslösheten hade en positiv och statistiskt signifikant effekt på inbrott, bilstöld och cykelstöld vilka alla tre ingår i kategorin egendomsbrott. Dessa resultat stärks när Agell & Öster (2007) redovisar en statistisk och ekonomisk signifikans för inbrott, bilstöld och droginnehav. Resultaten i denna studie skiljer sig från dessa då den ger stöd åt att arbetslösheten har en negativ effekt på bedrägeri och försäkringsbrott men inga andra vilket inte går hand i hand med brottsteorin.
Medelinkomsten förutspåddes enligt teorin vara en viktig determinant till brott som kunde vara både positiv och negativ. Det stämmer väl överens med våra resultat då den blev statistiskt signifikant för egendomsbrott, inbrott, stöld och snatteri samt bedrägeri och förfalskning och med olika förväntade tecken, om än negativ för de flesta. Ytterligare två variabler som förutspåddes vara viktiga determinanter till brottslighet var uppklaringsgrad och utbildning där båda två förväntades ha negativ effekt på brottslighet. Våra resultat kan inte anses styrka det då endast 3 av 14 specifikationer blev statistiskt signifikanta på 5 procent eller mindre samt att två av de tre signifikanta resultaten var på bedrägeri och förfalskningsbrott med ett positivt värde, alltså tvärtemot vad vi förväntade oss.
Edmark (2005) fick också resultat som gick tvärtemot teorin, där det förväntade tecknet för befolkningstäthet blev fel trots statistisk signifikans. Hennes känslighetsanalys ändrade det felaktiga tecknet men samtidigt försvinner den statistiska signifikansen. Vidare diskuterar hon problemet och nämner att problemet kan bero på felaktigt utelämnade variabler vilket också skulle kunna vara fallet för oss.
Något som också skulle kunna påverka våra resultat är multikollinearitet. Tecken på multikollinearitet är bland annat hög korrelation mellan variablerna men också låga signifikansnivåer kombinerat med hög förklaringsgrad (Greene 2010). Resultaten för bilbrott skulle kunna vara ett typiskt exempel på multikollinearitet då de uppvisar hög förklaringsgrad samtidigt som inget resultat är statistiskt signifikant. Korrelationsmatrisen påvisade relativt hög korrelation (lite mer än 0,7) mellan medelinkomst och utbildning samt utländska medborgare. Däremot skriver Wooldridge (2016) att det inte finns någon specifik gräns för hur mycket variabler får korrelera med varandra. Vidare nämner han att hög korrelation mellan
24
kontrollvariablerna inte behöver vara ett problem och att ekonomer ofta använder högt korrelerade kontrollvariabler för att kontrollera kausaliteten hos variabeln av intresse.
Enligt BRÅ (2008) har befolkningstäthet ett positivt samband till brottslighet och det styrks av denna studies resultat då 5 av 7 specifikationer blev signifikanta på 5 procentsnivån och med positiva tecken. Bilbrott och rån hade negativt tecken men de var inte heller statistiskt signifikanta. De resterande oberoende variablerna män 15–24, utländsk medborgare, bistånd, skild och alkohol var överlag inte signifikanta och tecknen varierade mellan positivt och negativt trots att deras förväntade samband med brottslighet skulle vara negativt.
Som nyss nämnt så skiljer sig resultaten åt för oss jämfört med Edmark (2005) då vi endast fann statistisk signifikans för arbetslösheten på bedrägeri och försäkringsbrott (men med negativt tecken). Vad gäller kontrollvariablernas resultat varierar de mellan vår studie och Edmark (2005). T.ex. visar våra resultat att medelinkomsten är statistiskt signifikant på 1 procentsnivån för tre olika brott, medan Edmark (2005) inte uppvisar någon signifikans alls för medelinkomsten. Däremot verkar uppklaringsgraden vara mer relevant för hennes studie än för vår. Befolkningstäthet genererar i båda studierna statistiskt signifikanta resultat för flera olika brott men med den stora skillnaden att hennes resultat är negativa och våra är positiva.
Sett till förklaringsgrad (0,89) och antalet statistiskt signifikanta resultat är bedrägeri och förfalskningsbrott det brott vi i störst utsträckning kan förklara där statistisk signifikans på 5 procent eller bättre redovisas för arbetslöshet, uppklaringsgrad, medelinkomst, utbildning, bistånd och befolkningstäthet. Enligt samma resonemang är det den brottstyp som Edmark (2005) har svårast att förklara.
Våra resultat kunde inte, likt Agell & Öster (2007) och Edmark (2005), styrka sambandet mellan arbetslöshet och egendomsbrott. Papps och Winkelmann (2000) sammanfattar sina resultat med att den senaste tidens problem med brottslighet inte kan förklaras med hjälp av arbetslösheten utan hänvisar istället till att andra variabler som borde vara relevanta t.ex. medelinkomsten. Det stämmer väl överens med resultaten från denna studie där en enprocentig ökning av medelinkomsten genererar en minskning av egendomsbrotten med 2,9 procent vilket också är statistiskt signifikant på 1 procentsnivån. Å andra sidan inflikar Edmark (2005) att det nödvändigtvis inte är relevant att slå ihop brottstyperna till en stor kategori eftersom hennes resultat inte visade signifikans för alla olika brott. Enligt det resonemanget är det inte lika relevant att resultaten som påverkar egendomsbrott uppvisar statistisk signifikans eller ej.
25
Hittills har vi jämfört våra resultat med andra svenska studier samt en nya zeeländsk studie, där ingen har funnit stöd för teorin att arbetslöshet påverkar den aggregerade egendomsbrottsligheten, dock har det visats vissa specifika egendomsbrott. I USA har det däremot mer frekvent uppvisats resultat som stöder teorin, att arbetslöshet kan förklara aggregerad egendomsbrottslighet (Lin 2008; Raphael och Winter-Ebmer 2001). Mustard (2010) påpekar att brottslighet kan vara mer mottaglig för långtid än korttidsförändringar i arbetsmarknadsförhållanden vilket eventuellt förklarar skillnaderna i resultat då både Lin (2008) och Raphael och Winter-Ebmer (2001) studerade perioder vilka sträckte sig över 25 år och att vår studie täcker nio år. Vidare nämner Edmark (2005) att en del av variationen länderna emellan kan förklaras av hur skyddsnäten ser ut i respektive land (sämre skyddsnät borde stärka sambandet arbetslöshet och brottslighet) men utan en koordinerad analys är det svårt att relatera effekterna mot varandra.
Våldsbrott har i tidigare studier inte kunnat verifieras av arbetslösheten vilket även är fallet med denna studie. Arbetslösheten blev inte signifikant på någon specifikation vilket är i linje med vad Edmark (2005) och andra studier presenterat. Något som kanske kan förklara de icke signifikanta resultaten för våldsbrott är att de inte är ekonomiskt motiverade på samma sätt som våldsbrott (Levitt 2004). En annan faktor som kan spela in är mörkertalet som för vissa våldsbrott9 är större än för egendomsbrott. Som tidigare nämnts i kapitel 5, om variationen av mörkertalet är litet, då är förändringen av våldsbrott representativt mot verkligheten, men om bortfallet är tillräckligt stort och varierar över tid kan det ge missvisande resultat.
Att bestämma kausaliteten är svårt eftersom tanken att arbetslöshet skulle göra en individ kriminell känns intuitivt rimligt men lika rimligt är påståendet att kriminaliteteten gör en individ arbetslös, för vem vill anställa en kriminell? Mustard (2010) nämner bl.a. att de som blivit fällda för brott kan förlora licenser som krävs på jobbet och att brottet genererar ett negativt rykte om dem själva vilket alla är exempel på när brottsligheten påverkar arbetslösheten. Edmark (2005) diskuterar att företag eventuellt väljer att inte etablera sig i områden där det råder hög kriminalitet men att det antagligen är mer troligt på kommunnivå jämfört med länsnivå vilket då talar för att kausaliteten går från arbetslöshet till brottslighet i hennes studie.
Valet av data (individ eller regiondata) kan också påverka hur ”lätt” det går att tolka riktningen på kausaliteten. Eide et al. (2006) påpekar att kausalitetsriktningen går att fastställa enklare vid
26
individdata än regiondata. Mustard (2010) skriver att studier med individdata generellt sett dokumenterar starka samband mellan de lagliga och illegala sektorerna. Ändock noterar han att studier med individdata inte är lika vanliga som de med regiondata. Eide et al. (2006) menar att detta skulle kunna bero på att individdata ofta är svårare att få tag på men också att de skulle kunna ge upphov till missvisande urval av populationen om exempelvis datan endast behandlar straffade personer.
En annan faktor som påverkar kausaliteten är endogenitetsproblemet, alltså att någon eller några av de förklarande variablerna är korrelerade med feltermen. Stock & Watson (2012) skriver att paneldata och användandet av fixa effektmodeller tar hand om flertalet felaktigt utelämnade variabler vilka påverkar resultaten. De klarar dock inte av att kontrollera för felaktigt utelämnade variabler som varierar över både tid och län. För att ytterligare kontrollera för dessa utelämnade variabler rekommenderas användandet av instrumentvariabel. Den borde eliminera effekten av de felaktigt utelämnade variablerna samtidigt som den etablerar en tydligare kausal länk för undersökningen (Stock & Watson 2012).
Utöver att endogenitetsproblemet kan påverka riktningen på kausaliteteten inflikar Lin (2008) att OLS verkar underskatta effekten arbetslöshet har på brottslighet via endogenitetsproblemet. För honom blir resultaten med instrumentvariabel två till tre gånger så stort som med OLS. Agell & Öster (2007) redovisar att deras OLS resultat verkar agera som en lägre gräns för effekten som arbetslöshet har på brottslighet jämfört med deras instrumentvariabelansats vilket stärker det Lin (2008) påstår.
Det finns olika sätt att mäta jobbtillfällen på och de flesta studier använder arbetslöshet. Likt Edmark (2005) använde vi oss av arbetslöshet och med definitionen öppet arbetslösa vilket genererade en låg arbetslöshet som varierade mellan 1,2 till 3,5 procent arbetslösa. Detta får anses vara låg variation då arbetslösheten för Edmark (2005) varierade mellan 0,8 och 12,8 procent och för Agell och Öster (2007) varierade den mellan 6,8 och 11,9 procent. Agell och Öster (2007) påpekar att låg variation i arbetslösheten gör det svårt att separera effekterna av arbetslöshet och fixa effekter, generella tidstrender och felaktigt utelämnade variabler på brottslighet. Den låga variationen för oss kan alltså vara en bidragande orsak till att vi får annorlunda resultat för arbetslösheten som förklarande variabel till brottsligheten jämfört med exempelvis Agell & Öster (2007) och Edmark (2005).
27
9. Slutsats
Efter att ha undersökt om arbetslöshet har ett positivt samband med brottslighet, framförallt med egendomsbrottslighet, visar resultaten i den här studien att arbetslöshet inte har en sådan effekt då den saknar statistisk signifikans för dem totala egendomsbrotten. Vi kan således inte förkasta hypotesen att arbetslösheten inte har någon effekt på brottslighet. Arbetslösheten blev statistiskt signifikant för en typ av brott vilket var bedrägeri och förfalskningsbrott, även efter test med tidstrender, men då effekten var negativ bör resultatet tolkas med försiktighet. Och eftersom tidstrenderna inte påverkade våra resultat drar vi slutsatsen att det inte föreligger några trender i de icke observerbara variablerna under perioden vi studerat.
Kontrollvariablerna redovisade blandade resultat vad gäller förmågan att förklara brottsligheten. Variablerna män 15–24 år, utländska medborgare, biståndstagare, skild och alkohol uppvisade generellt ingen statistisk signifikans om än med några få undantag. T.ex. skulle en enprocentig ökning av andelen män 15–24 år öka antalalet rån med 4,88 procent vilket är statistiskt signifikant på 1 procent. Däremot verkar befolkningstäthet bättre kunna förklara brottslighet då den variabeln blev statistiskt signifikant för flera utav egendomsbrotten och med rätt tecken. En enprocentig ökning i befolkningstäthet skulle leda till ökad egendomsbrottslighet (0,793 procent), inbrott (1,049 procent), cykelstöld (1,202 procent), stöld och snatteri (1,103 procent) och bedrägeri och förfalskning (1,146 procent).
Papps och Winkelmann (2000) sammanfattar sina resultat med att den senaste tidens problem med brottslighet inte kan förklaras med hjälp av arbetslösheten utan hänvisar istället till att andra variabler som borde vara relevanta t.ex. medelinkomsten. Det stämmer väl överens med resultaten från denna studie där en enprocentig ökning av medelinkomsten genererar en minskning av egendomsbrotten med 2,9 procent vilket också är statistiskt signifikant på 1 procentsnivån.
Eftersom resultaten för arbetslösheten inte kan styrka något samband till brottsligheten kan vi heller inte rekommendera att utforma policys ämnade att bekämpa brottslighet via minskad arbetslöshet, det bör i så fall ske via andra kanaler. Däremot bör politiker vara, om de inte redan är det, medvetna om att ökad befolkningstäthet kan leda till ökad brottslighet vilket är relevant då befolkningstätheten ökar.
För att förbättra den här studien går det t.ex. att närma sig Edmark (2005) ännu mer i valet av variabler för att stärka jämförbarheten studierna emellan. Som det är nu är studierna väldigt lika
28
varandra men de kan antagligen bli ännu mer lika. Andra förbättringar och förslag till framtida forskning skulle kunna vara att studera längre tidsperioder för att på så sätt se om det går att närma sig studier från framförallt USA eller välja att mäta arbetsmarknaden på annat sätt än med arbetslöshet, t.ex. med löner eller olika typer av instrumentvariabler. Att studera arbetslöshetens samband med brottsligt i Sverige och använda sig av paneldata på länsnivå samt instrumentvariabel har, vad vi vet, inte gjorts än.
Referenser
Tryckta källor:Becker, G. S. (1968), Crime and Punishment: An Economic Approach. Journal of Political
Economy, 76(2), 169–217.
BRÅ (2008), Brottsutvecklingen i Sverige fram till år 2007. Rapport 2008:23
Dahmström, Karin (2011). Från datainsamling till rapport: att göra en statistisk undersökning. 5. uppl. Lund: Studentlitteratur
Edmark, K. (2005), Unemployment and crime: Is there a connection? Scandinavian Journal of
Economics, 107 (2), 353–373.
Ehrlich, I. (1973), Participation in Illegitimate Activities: A Theoretical and Empirical Investigation, Journal of Political Economy 81(3), 521–565.
Eide E, Rubin PH, Shepherd JM (2006) Economics of crime. Foundations and Trends in
Microeconomics. 2(3), 205–279.
Freeman, R. B. (1999), The Economics of Crime. Handbook of Labor Economics, 3, edited by
O. Ashenfelter and D. Card.
Gould, E. D., Weinberg, B. A. and Mustard, D. (2002), Crime Rates and Local Labor Opportunities in the United States: 1979–1997, The Review of Economics and Statistics 84(1), 45–61.
Konjunkturinstitutet (2016). Lönebildningsrapporten 2016. Jämförelse av arbetslöshetsförsäkringens ersättningsgrad I OECD.
29
Levitt, SD (2004) Understanding why crime fell in the 1990s: four factors that explain the decline and six that do not. Journal of Economic Perspectives 18:163–190
Lin, M. (2008), Does Unemployment Increase Crime Evidence from the U.S. Data 1974 2000.
Journal of Human Resources, 43 (2), 413-436.
Mustard, D. (2010), How Do Labour Markets Affect Crime? New Evidence on an Old Puzzle
IZA Discussion Paper No. 4856
Nordin, M. & Almén, D. (2016), Long term unemployment and violent crime. Springer-verlag
Berlin Heidelberg 2016
Papps, K. and Winkelmann, R. (2000), Unemployment and Crime: New Evidence for an Old Question, New Zealand Economic Papers 34(1), 53–71
Raphael, S. and Winter-Ebmer, R. (2001), Identifying the Effect of Unemployment on Crime.
Journal of Law and Economics, 44 (1), 259-283.
Greene, William H. (2012). Econometric Analasys. 7. Uppl. Boston: Pearson
Wooldridge, Jeffrey M. (2016). Introductory econometrics: a modern approach . 6. uppl. Boston: Cengage Learning
Öster, A. & Agell, J. (2007), Crime and Unemployment in Turbulent Times. Journal of the
European Economic Association, 5(4), 752–775.
Elektroniska källor
Arbetsförmedlingen (2016) https://www.arbetsformedlingen.se/Om-oss/Statistik-och-publikationer/Statistik/Forklaring-av-statistiken.html [2016-12-05]
Brottsförebyggande rådet (2016a) https://www.bra.se/bra/brott-och-statistik/brottsutvecklingen.html [2016-11-23]
Brottsförebyggande rådet (2016b) https://www.bra.se/bra/brott-och-statistik/morkertal-och-dold-brottslighet.html [2016-11-25]
Brottsförebyggande rådet (2016c). Handlagda brott.
https://bra.se/download/18.358de3051533ffea5ea7eabf/1472466691054/Sammanfattning_han dlagda_2015.pdf [2016-11-22]
30
Nilsson, I & Wadeskog, A (2008). Det är bättre att stämma i bäcken än i ån. Skandia
https://www.skandia.se/hem/Global/pdf/Om%20Skandia/Id%C3%A9er%20f%C3%B6r%20li
vet/Ingvar%20N%20Fullst%C3%A4ndig.pdf [2016-12-15]
OECD (2017) https://data.oecd.org/unemp/unemployment-rate.htm [2017-01-05]
Socialstyrelsen (2016). Ekonomiskt bistånd årsstatistik 2012.
http://www.socialstyrelsen.se/Lists/Artikelkatalog/Attachments/19135/2013-6-19.pdf s. 6
[2016-11-22]
Statistiska centralbyrån (2016a). http://www.sverigeisiffror.scb.se/hitta-statistik/sverige-i-siffror/samhallets-ekonomi/arbetslosheten/ [2016-11-25]
Appendix/bilagor
Tabell 4. Befolkningstäthet i Sverige och Stockholm
År Sverige Stockholm 2005 22 289,9 2006 22,2 294,2 2007 22,4 299 2008 22,6 303,9 2009 22,8 309,7 2010 22,9 315,1 2011 23,2 320,5 2012 23,4 325,9 2013 23,7 331,4 2014 23,9 336,9 2015 24,2 342
Not: Befolkningstäthet definieras som invånare/km2. Källa: SCB
