Johan Wadman
Lars Malmberg
En förändring av arbetslösheten i
Sverige, påverkar det brottsligheten?
- en ekonometrisk ansats
A change in the unemployment rate in Sweden, does it
affect the crime rate?
- an econometric approach
Nationalekonomi
C-uppsats
Termin: HT 2010 Handledare Katarina Katz
Abstract
The financial crisis in the middle of 2008 pushed the Swedish economy to its limits. GDP growth decreased and for the first time since the 1990 crisis, there was a negative growth in GDP. At the same time household expenditure and industrial production fell and lead to noticeable effects and uncertain times for both parties. As a consequence of this many companies have gone out of business. This has contributed to an increase in the unemployment rate with three percentage points between 2008 and 2010. A possible consequence of this could be an increasing crime rate.
With the statistical method, multiple regression analysis, we have studied if there is a relationship between crime and unemployment. This has been done with two different models, the VB-‐model that includes assault crimes and the SB-‐model that includes property related crimes. Because there are more variables that can affect the crime rate, we include eight more variables in our equation. The data has been collected from SCB (Statistiska Centralbyrån), BRÅ (Brottsförebyggande Rådet) and AMS (Arbetsförmedlingen) webpage’s and concerns all municipalities in Sweden during 1996 to 2008. The result from the regression analysis shows, in the VB-‐model, if the unemployment increases with one percentage point, the number of reported assault crimes decreases with 0.019 crimes per 1000 residents. The result for the SB-‐model is that if the unemployment rate increases with one percentage point the number of reported property related crimes would increase with 4.216 crimes per 1000 residents.
Keywords: Unemployment rate, crime rate, econometrics, assault crimes, property related crimes.
Sammanfattning
Finanskrisens inträde i mitten av 2008 utsattes Sveriges ekonomi för kraftiga påfrestningar. BNP-‐tillväxten mattades av och vi har till och med sett en negativ tillväxt för första gången sedan krisen i 90-‐talets början. Samtidigt har både hushållens konsumtion och näringslivets produktion rasat vilket har bidragit till kännbara effekter och en osäker tid för båda parter. Till en följd av detta har många företag tvingats avveckla sin verksamhet helt medan andra fått se över sina kostnader. Detta har i sin tur bidragit till att arbetslösheten ökat med cirka tre procentenheter mellan 2008 och 2010. En konsekvens av detta kan tänkas vara att brottsligheten påverkas.
Vi har med hjälp av den statistiska metoden multipel regressionsanalys undersökt om, och i sådana fall hur våldsbrott samt stöld-‐, rån-‐ och häleribrott påverkas när arbetslösheten förändras. Detta har utförts i två olika modeller, en för varje brottskategori, VB-‐modellen som behandlar våldsbrott och SB-‐modellen som innehåller stöld-‐, rån-‐ och häleribrott. Då det även kan finnas andra variabler som påverkar brottsligheten har vi tagit med ytterligare åtta stycken i vår regression. Dataunderlaget är hämtat SCB, BRÅ och AMS hemsidor och avser samtliga Sveriges kommuner under åren 1996 till 2008. Resultatet av regressionen i VB-‐modellen visade att, om arbetslösheten ökar med en procentenhet så kommer antalet anmälda våldsbrott att minska med 0,019 brott per 1 000 invånare. När man sedan analyserar resultatet i SB-‐modellen ser vi att antalet stöld-‐, rån-‐ och häleribrott per 1 000 invånare ökar med 4,216 om arbetslösheten ökar med en procentenhet.
Nyckelord: Arbetslöshet, brottslighet, ekonometri, våldsbrott, stöld-‐, rån-‐ och häleribrott.
INNEHÅLLSFÖRTECKNING
1. INLEDNING ... 1 1.1 INTRODUKTION ... 1 1.2 PROBLEMFORMULERING ... 1 1.3 SYFTE ... 2 1.4 METOD ... 2 1.5 AVGRÄNSNINGAR ... 2 1.6 DISPOSITION ... 3 2. TEORI ... 42.1 VAD ÄR ETT BROTT? ... 4
2.2 BROTTSGENERERANDE DEL ... 4
2.2.1 Rational Choice ... 4
2.2.2 Individens nyttofunktion ... 5
2.2.3 Risk och osäkerhet ... 6
2.2.4 Individens optimeringsproblem ... 6
2.2.5 Arbetslöshet ... 7
2.3 BROTTSSTATISTIKENS PROBLEM ... 8
2.3.1 Brottslighetens omfattning ... 8
2.3.2 Förändringar i brottsstatistiken över tid ... 10
2.4 ARBETSMARKNADSTEORI ... 11
2.4.1 Arbetskraften ... 11
2.4.2 Olika typer av arbetslöshet ... 12
3. TIDIGARE STUDIER ... 14
4. ANALYS ... 16
4.1 EKONOMETRISKA METODER ... 16
4.1.1 Uttalande om teorin eller hypotesen ... 16
4.1.2 Specifikation av den matematiska modellen ... 16
4.1.3 Specifikation av regressionsmodellen ... 17
4.1.4 Dataanskaffning ... 18
4.1.4.1 Val av brottskategorier ... 18
4.1.4.2 Variabler ... 18
4.1.4.3 Brister i datamaterialet ... 20
4.1.4.4 Reliabilitet och Validitet ... 21
4.1.5 Estimera parametrarna i regressionsmodellen ... 21
4.1.5.1 Durbin-‐Watson ... 23
4.1.6 Hypotestestning ... 23
4.1.6.1 F-‐test ... 24
4.2.1 Deskriptiv statistik ... 25
4.2.2 Regressionen ... 25
4.2.3 Durbin-‐Watson ... 26
4.2.4 F-‐test ... 27
4.2.5 T-‐test ... 28
5. SLUTSATSER OCH SAMMANFATTNING ... 30
REFERENSER ... 32
APPENDIX 1 ... 34
1. Inledning
1.1 IntroduktionI finanskrisens spår har Sveriges ekonomi utsatts för kraftiga påfrestningar. Tillväxten i BNP har mattats av och för första gången sedan krisen i början av 1990-‐talet kan vi se en negativ tillväxt. Under sista kvartalet 2008 rasade Sveriges BNP med 5 procent jämfört med samma period föregående år och 3,9 procent jämfört med kvartalet innan (SCB 2010a-‐b). De negativa siffrorna fortsatte genomgående under 2009 med en kraftig bottennotering under årets första kvartal, motsvarande en minskning på 6,6 procent jämfört med ett år tillbaka och 2,7 procent sett till kvartalet innan (SCB 2010a-‐b).
Hushållens konsumtion sjönk med 3,3 procent i Sverige under sista kvartalet 2008 samtidigt som näringslivets produktion rasade med hela 6,1 procent (E24 2009)(SCB 2010c). Det är alltså inte bara hushållen som har fått känna på effekterna av finanskrisen utan även företagen har fått uppleva en extremt osäker tid. Många företag har tvingats avveckla sin verksamhet medan andra har fått se över sina utgifter och pressat kostnaderna. En direkt konsekvens av detta är att arbetslösheten, enligt konjunkturinstitutet (KI 2010), har ökat med cirka 3 procentenheter sedan krisens verkliga ”inträde” i mitten av 2008 och fram till ingången av 2010.
En ökad arbetslöshet kan ha stora och kännbara effekter på flera olika plan, inte bara ekonomiska utan även sociala och psykologiska. En samhällskategori som kan tänkas påverkas av arbetslösheten är kriminaliteten. Gary S. Becker (1968), en av pionjärerna inom den brottsekonomiska teorin, menar i Journal of Political Economy att den enskilde individen baserar sitt val att bli kriminell på en jämförelse i avkastning mellan lagliga och olagliga aktiviteter. Detta borde betyda att om en individ blir arbetslös, leder detta till en minskad avkastning av lagliga aktiviteter för denne och den relativa skillnaden mellan legala och illegala aktiviteter minskar. Vilket i sin tur, om individen tänker rationellt, ger incitament till och ökar sannolikheten för att individen blir kriminell.
1.2 Problemformulering
de också vara mer benägna att begå brott (Nilsson & Agell 2003). Enligt denna teori borde en förändring i arbetslösheten resultera i en förändring av brottsstatistiken.
1.3 Syfte
Syftet med uppsatsen är att undersöka om och i sådana fall hur, arbetslöshet påverkar brottsligheten i Sverige.
1.4 Metod
För att undersöka huruvida arbetslösheten påverkar brottsligheten i Sverige och om det finns andra variabler som kan påverka, alltså om det föreligger något samband mellan dessa variabler och brottsligheten, har vi valt att göra en multipel regressionsanalys utifrån ordinary least squares-‐metoden (OLS). Datamaterialet som används i analysen är av typen kvantitativ sekundärdata och baseras på observationer av samtliga Sveriges kommuner under åren 1996 till 2008. I och med att vi använder oss av data över alla kommuner och under 13 år har vi valt att tolka det som en totalundersökning. Datamaterialet är hämtat från Statistiska Centralbyrån (SCB), Brottsförebyggande Rådet (BRÅ) samt Arbetsförmedlingen (AMS). Detta har sedan bearbetats så att förändringen mellan åren räknats fram och sorterats i Excel för att därefter överföras till SPSS, vilket är det program som använts för att utföra regressionsanalysen. I och med att vi gör en OLS på paneldata kan man förvänta sig autokorrelation. Därför använder vi oss av förändringen i variablerna för en och samma kommun mellan två på varandra följande år. Detta gör att man förhoppningsvis tar bort den kommunspecifika komponenten i feltermerna. Ett alternativ angreppssätt hade varit att använda sig av en fixed effect-‐ eller random effect modell men detta ligger utanför de ekonometriska teorier vi studerat.
Resultatet analyseras och tolkas sedan för att undersöka de olika variablernas effekter på brottsligheten. Med stöd av resultatet från regressionen testas sedan de hypoteser som formuleras i analysen.
1.5 Avgränsningar
våldsbrott och stöld-‐, rån-‐ och häleribrott (definition av dessa, se appendix 1). Anledningen till att vi begränsat oss till endast två brottskategorier är att det skulle bli orimligt mycket data att hantera om man skulle undersöka samtliga brottskategorier. Motivering om varför vi har valt just dessa två brottskategorier finns att läsa under stycket 4.1.4.1, val av brottskategorier.
Skälet till att vi valt att använda oss av datamaterial för åren 1996 till 2008 är att det finns dokumenterade observationer under dessa år, för samtliga variabler som används i den multipla regressionen.
1.6 Disposition
I detta inledande avsnitt görs en introduktion till ämnet och en problemdiskussion som leder fram till syftet med uppsatsen. Här kommer även den metod som använts att förklaras på ett översiktligt sätt. Nästa avsnitt syftar till att ge läsaren en allmän bild av de relevanta brottsekonomiska teorierna. Vidare presenteras tidigare studier som gjorts inom området, samt skillnader mellan dessa och uppsatsen. I analysen följer en genomgång av den ekonometriska teori som använts, här redovisas också resultaten som erhållits. Avslutningsvis presenteras slutsatsen med återkoppling till uppsatsens syfte.
2. Teori
2.1 Vad är ett brott?
”Brott är en gärning som är beskriven i denna balk eller i annan lag eller författning och för vilken straff som sägs nedan är föreskrivet”. Brottsbalken (SFS 1962:700)
Ovanstående citat antyder att brott endast existerar om det finns en lag där en handling definieras och ett stadgat straff för den som utför handlingen. Detta är den så kallade legalitetspincipen; inget brott utan lag. Sarnecki (2009) menar att det inte räcker med att en specifik handling är definierad som ett brott, enligt honom existerar inte brott om andra individer inte uppfattar det som ett.
Handlingar som, av samhället, uppfattas som icke önskvärda beläggs med straff. De svenska lagarna förändras kontinuerligt som en följd av att samhället hela tiden förändras och omvärderingar av vad som anses vara icke önskvärda handlingar görs. Handlingar som tidigare har definierats som brott kan därför, vid en reformering, bli helt fria från påföljder (avkriminaliserade). Medan handlingar som tidigare inte varit brottsliga kan komma att beläggas med straff (ny kriminalisering). På samma sätt kan brott som tidigare betraktats som grova och innebar en lång straffsats bedömas lindrigare och vice versa (Sarnecki 2009). Enligt Sarnecki (2009) så ges den formella definitionen av brott från lagen. Det denna definition säger är att samtliga medborgare i ett samhälle, ska vara lika inför lagen. Men detta betyder däremot inte att alla individer uppfattar och tolkar lagarna på ett unisont sätt eller att de tycker dessa har samma legitimitet. Med detta resonemang är det mycket möjligt att olika individer tolkar lagarna på olika sätt, med olika legitimitet, vilket kan innebära att det påverkar laglydnaden (Sarnecki 2009).
2.2 Brottsgenererande del 2.2.1 Rational Choice
risker individen ställs inför. Med detta som bakgrund kan man, genom att öka svårigheter och risker för olika typer av brott, uppnå en kraftig reducering av brottsligheten (Sarnecki 2009).
2.2.2 Individens nyttofunktion
Ser man till individens nyttofunktion, ur en ekonomisk synvinkel, beter sig denne rationellt då den väljer det alternativ som är mest fördelaktigt, givet att det finns flera valmöjligheter samt att dessa går att rangordna. Med detta menas att individen har en fast preferensordning och denna kan beskrivas med hjälp av en nyttofunktion.
Nyttofunktionen bygger på antaganden om att individens nytta påverkas positivt respektive negativt av dennes tillgångar och uppoffringar. Med tillgångar menas individens inkomster och det kapital som den har byggt upp under sin livstid. Dessa inkomster används för att tillfredsställa individens behov genom konsumtion av varor och tjänster. Även fritid (konsumtionstid) ses som en tillgång och används för att tillfredsställa behoven medan arbetstid uppfattas som en uppoffring.
Vid förutsättningen att individen kan använda sin tid till både legal som illegal konsumtion och arbete får man fyra olika aktiviteter som är beroende av tid:
1) Tid för legal förvärvsaktivitet (tFL)
2) Tid för illegal förvärvsaktivitet (tFI)
3) Tid för legal konsumtion (tCL)
4) Tid för illegal konsumtion (tCI)
Sedan antas det även att individen äger materiella tillgångar motsvarande V. Dessa variabler ger följande nyttofunktion:
2.2.3 Risk och osäkerhet
Inom ekonomiska analyser ses kriminellt beteende som en individs val av sysselsättning, präglat av risk och osäkerhet. I detta synsätt förutsätts att individen är medveten om upptäckts-‐ och påföljdsriskerna samt innebörden av dessa. Om man i en modell antar att det föreligger en risksituation så är kostnaderna och intäkterna från olika verksamheter samt attityden till risk avgörande för individens beteende (Schuller 1986).
I flertalet av brottsekonomiska arbeten förutsätts det att individen ställs inför en situation där denne väljer handlingssätt vilket resulterar i två från varandra uteslutande händelser. Det vill säga, begår man en brottslig handling, blir man antingen upptäckt och straffad (sannolikheten p) eller så klarar man sig och slipper undan utan straff (sannolikheten (1-‐p)). I figur 2.1 illustreras en förenklad modell som utelämnar de olika konsekvenser som ett upptäckt och straff skulle innebära (Schuller 1986).
2.2.4 Individens optimeringsproblem
I alla ekonomiska modeller och så även för den som behandlar kriminellt beteende antas att individen, med hänsyn till en eller flera restriktioner, strävar efter att maximera sin förväntade nytta. Det som påverkar individens nytta är tid för legalt och illegalt förvärvsarbete, legal och illegal konsumtionstid samt de övriga diverse tillgångar som individen förfogar över. Med tillgångar menas sådana som införskaffats under gångna
Ej upptäckt sannolikhet (1-‐p)
Upptäckt och straff sannolikhet p Val av aktivitet
Illegal aktivitet Legal aktivitet
Källa: Schuller (1986) FIGUR 2.1
perioder och/eller sådana vilka har erhållits på annat sätt än förvärvsarbete (Schuller 1986).
Individens optimeringsproblem bygger på att tiden (T) är begränsad och att detta utgör en restriktion i valet av aktivitet. (För förklaring av variablerna, se appendix 2)
! = !!"+ !!"+ !!"+ !!" !"ℎ !!" , !!" , !!" , !!" ≥ 0 (Ekv 2.2)
Detta betyder enligt Schuller (1986) att varje enskild individ har ett val hur denne vill disponera sin tid, mellan legalt och illegalt förvärvsarbete samt legal och illegal konsumtionstid. Variablerna ovan som illustrerar tiden som läggs ner på de enskilda aktiviteterna kan vara noll eller inneha ett positivt värde, de kan dock aldrig anta ett negativt värde. Detta innebär att individen kan välja bort de aktiviteter som den inte vill använda sin begränsade tid till. Problemet ligger alltså i att optimera sin tid mellan de olika aktiviteterna så att den förväntade nyttan maximeras för individen (Schuller 1986). Variablerna nedan finns förklarade i appendix 2.
!"# ! ! = 1 − ! ∗ ! !!" , !!" , !!" , !!" , !!" , !! , !!" + ! ∗ ! !!" , !!" , !!" , !!" , !! (Ekv 2.3)
Där, !! = !!∗ !!" (Ekv 2.4) !!" = !!"∗ !!" (Ekv 2.5) !!"= materiella tillgångar vilka inte är införskaffade genom förvärvsarbete
under den aktuella perioden
!! = materiella tillgångar vilka inte försvinner vid upptäckt och straff =
= !!"+ !! − ! ,där S är sanktionen från rättsväsendets sida (Ekv 2.6)
Ovanstående modell förutsätter ett antal antaganden, bland annat antar man att det finns en legal inkomst, givet att individen inte använder hela sin tid till illegalt förvärvsarbete. Ytterligare ett antagande görs vilket förutsätter att den illegala inkomsten (YIL) konfiskeras
om man blir upptäckt.
2.2.5 Arbetslöshet
att den begränsande variabeln för tid ökar och individen får mer tid att förfoga över. En del teorier menar att, då individen får mer tid till sitt förfogande, blir denne ”rastlös” och begår brott för att fördriva tiden. Ekonomisk teori pekar på att individen måste se sig om efter alternativa inkomstkällor då de legala inkomsterna försvinner. Det är svårt att veta vilken aspekt som väger tyngst, men att det i dagens moderna länder finns väl etablerade och fungerande sociala skyddsnät som troligtvis bidrar till att arbetslösa individer inte behöver begå brott för att uppfylla sina behov (Schuller 1986). Andra som exempelvis Mayraz, Wagner och Schupp (2009) menar att den absoluta inkomsten, från exempelvis det sociala skyddsnätet, inte påverkar en individs tillfredsställelse utan det är den relativa inkomsten, alltså i jämförelse med andra, som påverkar om en individ är tillfreds eller ej.
Inom sociologin menar man att brottsligheten är ett resultat av sociala interaktioner och att arbetslösheten bidrar till att skapa en kriminell kultur bland olika grupper i samhället (Nilsson & Agell 2003).
2.3 Brottsstatistikens problem 2.3.1 Brottslighetens omfattning
Statistiken över brottslighet redovisar endast brott som har anmälts till polis, tull eller åklagare (BRÅ 2006). Dagligen begås brott som inte blir anmälda, och dessa brott utgör den dolda brottsligheten, det så kallade mörkertalet. Detta kan beskrivas som kvoten mellan antalet faktiska brott och antalet brott som anmäls (BRÅ 2006). Det vill säga, om den faktiska brottsligheten är större än den anmälda brottsligheten fås ett högt mörkertal. Däremot om alla brott som begås anmäls så är mörkertalet lika med ett. Man kan säga att storleken på mörkertalet avgör hur väl statistiken speglar den faktiska brottsligheten. Men det finns också, enligt Sarnecki (2009), en del händelser vilka anmäls som brott men egentligen inte är brott. Det kan till exempel röra sig om falska larm, missuppfattningar och borttappade saker. Även avsiktligt falska polisanmälningar kan registreras, då individer vill erhålla försäkringsersättningar som de egentligen inte är berättigade till (Sarnecki 2009). I figur 2.2 nedan illustreras relationerna mellan de olika kategorierna.
Brott kan enligt BRÅ (2006) delas upp i två övergripande grupper; offerbrott samt spanings-‐ och ingripandebrott. Offerbrott har ett definierat offer för brottshändelsen. Denna kategori kan i sin tur delas in i två grupper, brott mot person och förmögenhetsbrott. Brott mot person involverar ett specifikt offer och vanligtvis konfronteras offret och gärningsmannen. Exempel på denna kategori är bland annat misshandel, olaga hot och sexualbrott. Vad gäller förmögenhetsbrott är det ovanligt att offer och gärningsman konfronteras, då detta gäller bland annat stöld, inbrott och skadegörelse. Spanings-‐ och ingripande brott har inte ett direkt offer utan upptäcks genom spaningsinsatser från polis, tull eller andra myndigheter, eller i samband med det ordinarie arbete dessa myndigheter bedriver. Detta medför att den typen av brott som det görs specifika insatser mot också anmäls mer, men det betyder inte att den faktiska brottsligheten ökar (BRÅ 2006).
För att statistiken ska spegla den faktiska brottsligheten är det av vikt att brotten som sker anmäls. Villigheten att anmäla brott påverkas av en mängd olika faktorer. När det gäller exempelvis brott mot person, som beskrevs i föregående stycke, kan faktorer som den sociala relationen mellan offer och gärningsman samt brottets grovhet spela en avgörande roll. Alltså, brott där offer och gärningsman känner varandra anmäls mer sällan än där de inte känner varandra. Grövre brott som orsakar stora skador har en högre anmälningsfrekvens än de brott som ger lindriga skador. För förmögenhetsbrott är viktiga faktorer skadans storlek, vem som är offer (privat eller offentligt) samt försäkringsskydd.
Källa: Sarnecki (2009)
FIGUR 2.2 Sambandet mellan den faktiska brottsligheten, den anmälda brottsligheten samt de anmälda handlingar som ej betraktas som brott.
Alla brott Anmälda brott
Ger brottet som begås stora ekonomiska skador anmäls det oftare än om det medför liten ekonomisk skada. Privata offer är många gånger mer villiga att anmäla brott i jämförelse med stora företag, detta beror på att privatpersoner anmäler även fast de inte har någon misstänkt till skillnad mot stora företag som då hellre avstår (BRÅ 2006). Rent generellt kan man säga att individens val att anmäla ett brott eller inte ofta beror på rationella tankar, där denne ställer ”ekonomiska, sociala och psykologiska för-‐ och nackdelar av att det som de har blivit utsatta för blir allmänt känt och att förövaren eventuellt får sitt straff” (Sarnecki 2009).
Försäkringsskyddet påverkar också anmälningsfrekvensen genom att försäkringsbolagen i sig kräver att brottet polisanmäls för att ersättning ska betalas ut. Detta bidrar till att lagöverträdelserna endast anmäls om värdet överstiger självrisken. Även andra faktorer påverkar anmälningsbenägenheten, det kan vara den allmänna synen på brottet, hur brottstypen uppmärksammas bland media, politiker och berörda myndigheter. Den påverkas också av bemötandet vid en anmälan och de praktiska följder det medför samt även om gärningsmannen riskerar någon påföljd för brottet (BRÅ 2006).
2.3.2 Förändringar i brottsstatistiken över tid
I denna uppsats används brottsstatistik över flera år för att studera brottsutvecklingen och undersöka om förändringar av olika variabler kan förklara förändringar i brottsligheten. Detta ger underlag för formulering av flera olika typer av hypoteser om brottslighetens orsaker. Dessa hypoteser brukar användas för en mängd olika ändamål, bland annat för att underlätta arbetet mot brottsligheten. Detta genom att föreslå åtgärder för att försöka minska eller som sämst begränsa ökningen av brotten. Siffror över brottsutveckling samt hypoteser angående bakomliggande orsaker används ofta för att utforma prognoser som sedan ligger till grund för allokering av resurser inom rättsväsendet i Sverige (Sarnecki 2009).
betraktade kriminella under perioden kan ställa till med problem i statistiken då lagens definitioner av dessa förändras över tid (Sarnecki 2009).
Förändringar av brottsdefinitioner kan påverka det totala antalet brott som anmäls genom att anmälningsbenägenheten ökar och vissa typer av händelser anmäls mer frekvent än tidigare (Sarnecki 2009). Även samhällets inställning till olika typer av brott kan påverka statistiken. Som ett exempel nämner Sarnecki (2009) att den statistiska ökningen av vålds-‐ och sexualbrott de senaste decennierna beror på att större andel av brotten kommer till polisens kännedom, vilket delvis kan förklaras med att samhällets toleransnivå för dessa typer av brott har minskat.
2.4 Arbetsmarknadsteori 2.4.1 Arbetskraften
Den ekonomiskt aktiva befolkningen definieras enligt International Conference of Labour Statisticians (ICLS) som, ”den ekonomiskt aktiva befolkningen innefattar alla personer av båda könen som utgör utbudet av arbetskraft för produktionen av varor och tjänster, definierat enligt FN:s system av nationella redovisningar och balanser, under en bestämd tidsram” (Hussmanns 2007). Den mäts i två olika grupper: den aktiva befolkningen (arbetskraften), som mäts i relation till en kort tidsperiod som exempelvis en vecka eller en dag, och den vanligtvis aktiva befolkningen som mäts i relation till en lång tidsperiod som exempelvis ett år. Det är den förstnämnda som oftast används för att mäta ett lands sysselsättningsgrad och arbetslöshet (Hussmanns 2007).
mätperioden har ett arbete eller är temporärt frånvarande (sysselsättningskategorin). I nästa steg identifieras vilka av de resterande individerna som söker arbete och är tillgängliga för att arbeta (kategorin arbetslösa). Till sist kategoriseras de individer som är kvar till utanför arbetskraften. Alltså, med denna prioriteringsregel så prioriteras sysselsättning framför arbetslöshet och arbetslöshet framför de som är utanför arbetskraften. Med detta menas att till exempel en student som studerar på heltid och samtidigt arbetar kategoriseras som sysselsatt. Till skillnad från om studenten i fråga inte skulle arbeta men aktivt söker arbete, då den istället skulle kategoriseras som arbetslös. Annars är studenten utanför arbetskraften (Hussmanns 2007).
2.4.2 Olika typer av arbetslöshet
Friktionsarbetslöshet
Denna typ av arbetslöshet uppstår när det tar tid för arbetssökande och arbetsgivare att hitta varandra. Det betyder inte att det finns ett problem i ekonomin, så som en obalans mellan antalet arbetssökande och antalet lediga arbeten. Utan detta kan anses vara produktivt, därför att allokeringen av resurser förbättras på grund av jobb-‐ och arbetarsökandet. En enkel lösning är att använda en institution, exempelvis arbetsförmedlingen, som ger information om jobb till arbetssökande och information om arbetslösa till arbetsgivaren (Borjas 2010).
Säsongsarbetslöshet
Säsongsarbetslöshet är tillfällig och uppkommer när produktionen är säsongsbetonad. Industrier som förknippas med denna typ av arbetslöshet är exempelvis turismen, där de anställda blir uppsagda när säsongen är slut. Denna arbetslöshetskategori är ofta ganska lätt att förutsäga (Borjas 2010).
Strukturell arbetslöshet
för ett specifikt yrke eller industri och kan därför inte utnyttjas i den växande sektorn. Resultatet av detta är att arbetarna blir arbetslösa en längre tid eftersom de måste skaffa sig nya färdigheter. En lösning för att minska den här typen av arbetslöshet är att staten erbjuder utbildningsprogram så att de arbetslösa får de färdigheter som efterfrågas (Borjas 2010).
Cyklisk arbetslöshet
Om det råder lågkonjunktur och företagen tillfälligt inte är i behov av en lika stor arbetsstyrka för att möta konsumenternas efterfråga så uppstår cyklisk arbetslöshet. Marknaden kan inte återgå till jämvikt på grund av för högt satta minimilöner. För att lösa problemet menar Borjas (2010) att staten behöver stimulera den aggregerade efterfrågan på arbetskraft och återetablera marknadsjämvikten vid den normala lönenivån.
3. Tidigare studier
Det finns en del tidigare studier, främst utländska, som undersökt sambandet mellan förändringen i arbetslöshet och förändringen i brottslighet. En majoritet av studierna som publicerats har använt sig av paneldata för att analysera relationen mellan de två variablerna. Eric Gould, Bruce Weinberg och David Mustard är författarna bakom Crime
rates and local labor market opportunities in the United States, den på senare år, kanske
mest kända och omfattande brottsekonomiska studien. Den publicerades 2002 och i den har de använt sig av data för åren 1979-‐1997 för att göra flertalet undersökningar och analysera om fallande löner och en stigande arbetslöshet bidrar till en ökad brottslighet under den perioden. De kom fram till att lönen påverkade brottsligheten mer än arbetslösheten och att detta antagligen berodde på att arbetslösheten är cyklisk, vilket betyder att man inte kan urskilja någon tydlig långsiktig trend. Fallande löner hade ett särskilt tydligt samband med en ökad frekvens egendomsbrott, speciellt då inbrott. Detta är enligt dem ganska logiskt då en minskad lön bidrar till att den relativa avkastningen av illegalt arbete ökar. Även lite våldsammare brott så som överfall och rån verkar enligt deras studie också ha likvärdig inverkan på brottsstatistiken då dessa i grund och botten främst har ett ekonomiskt motiv. Slutligen menar de att politiker och andra tjänstemän kan anställa fler poliser, utdöma hårdare straff och bidra med andra insatser för att minska brottsligheten men det finns begränsningar för hur stor effekt dessa åtgärder skulle ge. Har man en dålig arbetsmarknad bidrar den till en djupt negativ effekt på brottsligheten (Gould, Weinberg och Mustard, 2002).
och minskar brottsfrekvensen. Slutsatsen av detta är, att när man skall förklara nivån på kriminaliteten, kan man inte bortse från ekonomiska faktorer.
Vid sidan av Schuller (1986) finns det en annan svensk mer aktuell studie, Unemployment
and Crime: is there a connection?, som också undersöker huruvida det finns ett samband
mellan de två variablerna. Den är från 2005 och gjord av Karin Edmark som till skillnad från Schuller, lägger lite mer fokus kring arbetslöshetens effekter på brottsligheten. Hon använder sig av länsdata för åren 1988-‐1999 och, med hjälp av en fixed effect modell,
undersöker hon vilka effekter arbetslöshet och ett antal andra variabler1 har på
egendomsbrott och våldsbrott. Edmark delar även upp de två brottskategorierna i underkategorier och analyserar hur förändringar i arbetslösheten påverkar var och en av dessa. Resultatet av den är att arbetslöshet verkar ha en effekt i form av ökad egendomsbrottslighet men ingen effekt på våldsbrotten.
Institutet för arbetsmarknadspolitisk utvärdering (IFAU) publicerade i slutet av 2003 en rapport skriven av Anna Nilsson och Jonas Agell på Stockholms universitet som visade på att lägre arbetslöshet leder till färre brott. Författarna bakom rapporten, Crime,
unemployment and labor market programs in turbulent times, har samlat in data från
nästan samtliga Sveriges kommuner och analyserat vilka effekter arbetslöshet och arbetsmarknadspolitiska program har på kriminaliteten. Slutsatsen de drar av undersökningen är att en minskad arbetslöshet tros påverka kriminaliteten på så sätt att brottsfrekvensen minskar. De kategorier där detta syns tydligast verkar vara inbrott, bilstölder och narkotikabrott (Nilsson & Agell 2003).
Det som skiljer IFAU-‐rapporten från vår studie är att den baseras på åren 1996-‐2000 medan vi samlat data för perioden mellan 1996 och 2008. De har även andra beroende2 och oberoende3 variabler än vad som presenteras i vår uppsats samt använder sig av en annan
metod, fixed effect modell.
1 Uppklarningsgraden, medelinkomsten, andelen med eftergymnasial utbildning, män i åldern 15-‐24 år, utländska
medborgare, andelen med socialbidrag, andelen skilda, alkohol och befolkningstätheten.
2 Alla brott, rån, inbrott, bilstöld, våldsbrott, våldsbrott mot okänd man, skadegörelse, rån och narkotikainnehav. 3 Andel arbetslösa samt andelen arbetslösa i arbetsmarknadsprogram uppdelat i åldersintervallen 18-‐64, 18-‐24 och 25-‐64
4. Analys
4.1 Ekonometriska metoder
För att utföra vår regressionsanalys har vi valt att följa den traditionella metoden beskriven i Gujarati (2003), som lyder:
1. Uttalande om teorin eller hypotesen 2. Specificera den matematiska modellen 3. Specificera regressionsmodellen 4. Dataanskaffning
5. Estimera parametrarna i regressionsmodellen 6. Testa hypotesen
7. (Prognostisera eller förutspå)
8. (Använda modellen för kontroll-‐ eller policysyften) I analysen kommer vi att använda oss av stegen ett till sex.
4.1.1 Uttalande om teorin eller hypotesen
Syftet med regressionen är att undersöka om och i sådana fall hur arbetslösheten påverkar våldsbrottsligheten samt stöld-‐, rån-‐ och häleribrottsligheten. Detta kommer att utföras med hjälp av två olika regressionsmodeller, som beskrivs i ekvation 4.3 och 4.4. I regressionen kommer fler oberoende variabler än arbetslösheten att användas, detta för att få ett mer rättvisande resultat.
4.1.2 Specifikation av den matematiska modellen ∆!"!"= !!+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#$!"+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#"$!"+ !!∆!"#$!"+ !!!!"+ !!"ÅR! (Ekv 4.1) ∆!"!" = !!+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#$!"+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#"$!"+ !!∆!"#$!"+ !!!!"+ !!"Å!! (Ekv 4.2)
Där i = kommun och t = år
och till exempel Δ!"!" = !"!"− !"!(!!!) , vilket gäller för samliga variabler förutom Dit
och ÅRt.
Nedan finns en förteckning över variablerna, vidare förklaring och specificering av dessa redovisas under avsnitt 4.4.2, variabler.
ΔVBit = Förändringen i antalet våldsbrott per 1 000 invånare
ΔSBit = Förändringen i antalet stöld-‐, rån-‐ och häleribrott per 1 000 invånare
ΔARBit = Förändringen av arbetslösheten i procentenheter
ΔBEFit = Förändringen i befolkningstätheten
ΔBISTit = Förändringen av andelen biståndsmottagare i procentenheter
ΔUNGit = Förändringen av andelen ungdomar i procentenheter
ΔUTBit = Förändringen av andelen med eftergymnasial utbildning i procentenheter
ΔMEDELit = Förändringen i medellönen
ΔUGVBit = Förändringen i uppklaringsgraden av våldsbrott i procentenheter
ΔUGSBit = Förändringen i uppklaringsgraden av stöld-‐, rån-‐ och häleribrott i procentenheter
Dit = Dummyvariabel för Stockholm, Göteborg och Malmö kommun
ÅRt = Trendvariabel
Beta-‐koefficienterna (β) är parametrarna i modellen, där β1 är interceptet och de övriga
parametrarna är partiella lutningskoefficienter. Med det menas att till exempel β2 visar
förändringen av medelvärdet i VBit eller SBit per procentenhetsförändring i variabeln ARBit,
när de resterande variabler hålls konstanta (Gujarati 2003).
4.1.3 Specifikation av regressionsmodellen
∆!"!"= !!+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#$!"+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#"$!"+ !!∆!"#$!"+ !!!!"+ !!"Å!!+ ∆!!" (Ekv 4.3) ∆!"!" = !!+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#$!"+ !!∆!"#!"+ !!∆!"#!"+ !!∆!"#"$!"+ !!∆!"#$!"+ !!!!"+ !!"Å!!+ ∆!!" (Ekv 4.4)
Där uit, den så kallade feltermen, är en stokastisk variabel. Den innefattar de saker som kan
tänkas påverka brottsligheten och som inte är med i modellen.
4.1.4 Dataanskaffning
4.1.4.1 Val av brottskategorier
De brottskategorier som vi har valt att använda oss av när vi undersökt om det finns något samband mellan antalet anmälda brott och arbetslöshet är:
• Våldsbrott
• Stöld-‐, rån-‐ och häleribrott
Anledningen till att vi valt två brottskategorier och inte samtliga typer av brott är att det skulle bli orimligt mycket data att hantera, vilket skulle vara mycket tidskrävande. Därför valde vi de två kategorier som vi trodde skulle komma att påverkas mest av förändringar i arbetslösheten. Stöld-‐, rån-‐ och häleribrott står för en relativt stor del av den totala brottsligheten, varför denna brottskategori borde vara av intresse för studien. Detta stärks ytterligare genom den brottsekonomiska teori som nämns i Edmark (2005), där hon menar att en ökad arbetslöshet har en kostnad i att egendomsbrotten ökar.
4.1.4.2 Variabler
Underlaget för uppsatsen baseras på data över 287 av Sveriges nuvarande 290 kommuner samt årliga observationer mellan 1996-‐2008. All data har sedan bearbetats i Excel så att förändringen mellan varje år har räknats ut, detta medför att det blir 3 444 stycken observationer per variabel. Om inget annat anges i variabelbeskrivningen nedan är datamaterialet hämtat från SCB.
Beroende
Våldsbrott – VB samt Stöld-‐, rån-‐ och häleribrott – SB
Antalet anmälda våldsbrott och stöld-‐, rån-‐ och häleribrott per 1 000 invånare, i en kommun under ett år. Statistiken över detta är hämtad från BRÅ.
Oberoende
Arbetslösa – ARB
Siffrorna visar andelen arbetslösa i procent av befolkningen mellan 16-‐64 år, som är registrerade hos Arbetsförmedlingen. Där arbetslöshet definieras som; ”arbetssökande utan arbete som aktivt söker samt omgående kan tillträda arbete på arbetsmarknaden förekommande arbete och som inte deltar i ett arbetsmarknadspolitiskt program” (AMS 2010). Det bör påpekas att arbetslöshetssiffrorna är hämtade från AMS hemsida och inte från SCB:s arbetskraftsundersökningar på grund av att datamaterialet från SCB inte finns tillgängligt på kommunnivå.4
Befolkningstäthet – BEF
Befolkningstätheten mäts som antal invånare per kvadratkilometer i varje kommun.
Biståndsmottagare – BIST
Andelen biståndsmottagare av en kommuns totala befolkning mellan 0-‐90+ år, är uttryckt i procent. Värdena för denna variabel har beräknats genom att dividera antalet biståndsmottagare med kommunens totala befolkningsmängd.
Ungdomar – UNG
Variabeln anger hur stor andel av befolkningen i en kommun som är mellan 15-‐24 år. Dessa värden beräknades genom att dividera antalet ungdomar med totala befolkningen.
Eftergymnasial utbildning – UTB
För att få fram andelen har antalet individer med eftergymnasial utbildning i en kommun delats med hela befolkningen i den specifika kommunen.
4 Man kan förvänta sig att vår variabel antar ett mindre värde än den som brukar anges från AKU. Detta för
Inkomststruktur – MEDEL5
Inkomststrukturen i kommunerna illustreras med medelvärdet uttryckt i 10 000-‐tals kronor av förvärvsinkomsten för de individer över 16 år och som är bosatta i en kommun den 31/12.
Uppklaringsgrad – UGVB, UGSB
Denna variabel finns det inga data registrerade på kommunnivå. Istället har länsdata använts för att göra uppskattningen att uppklaringsgraden ligger på samma nivå för samtliga kommuner inom samma län.
För att få fram uppklaringsgraden i procent har antalet uppklarade brott för de två brottskategorierna (beroende variablerna) dividerats med antalet anmälda brott inom samma kategorier. Uppklaringsgraden för våldsbrott benämns som UGVB och densamma för stöld-‐, rån-‐ och häleribrott betecknas med UGSB. Uppgifterna är hämtade från BRÅ:s hemsida.
Dummyvariabel – D
För att undersöka vilka effekter de tre kommunerna Stockholm, Göteborg och Malmö har på brottsligheten införs en dummyvariabel. Den är en kategorisk variabel som antingen antar värdet noll eller ett. I vår modell kommer de tre storkommunerna att ges värdet ett och de övriga antar värdet noll.
Trend – ÅR
Eftersom de data som används bygger på observationer över flera år, finns risken att värdena uppvisar en trend vilket medför korrelation i feltermerna. Därför införs variabeln ÅR, en så kallad trendvariabel, som är till för att korrigera för autokorrelationen i regressionen (Gujarati 2003). Den kommer att innehålla värden från 0 till 11 vilka representerar de år som observationerna är hämtade från.
4.1.4.3 Brister i datamaterialet
Datamaterialet är hämtat från åren 1996 till 2008 och för alla Sveriges 290 kommuner. Dock har tre kommuner, Knivsta, Heby och Nykvarn, tagits bort på grund av att det har
saknats värden för dessa kommuner under vissa år. Det har även saknats värden för variabeln BIST, men det är endast 12 stycken. Detta har lösts genom att ta medelvärdet av föregående och nästkommande års värden för kommunen i fråga och använda dessa istället. Uppgifter om uppklaringsgraden för Skåne län 1996 samt Västra Götalands län under åren 1996 och 1997 saknas. Där har trenden för variabeln undersökts och en regressionslinje har tagits fram, av vilken de saknade värdena skattats.
4.1.4.4 Reliabilitet och Validitet
Reliabilitet i datamaterialet betyder att mätningarna ska vara korrekt utförda och att resultatet av dem är tillförlitligt. Man kan undersöka reliabiliteten i en analys med hjälp av intersubjektiv testbarhet. Vilket betyder att resultatet skall vara det samma vid upprepade mätningar, oberoende av vem som gör dem (Thurén 2007). Då vi har hämtat datamaterialet från SCB, BRÅ och AMS har vi inga garantier för att det är korrekt och utan mätfel, men vi har heller ingen anledning att misstänka detta. En likartad analys med samma datamaterial och metod som vi använt oss av bör leda fram till samma resultat som vi erhållit. Därför anses undersökningen inneha en hög reliabilitet.
Validiteten av en undersökning talar om hur väl den mäter det som ska mätas. En förutsättning för hög validitet är att undersökningen har hög reliabilitet, men det omvända gäller inte (Thurén 2007). Uppsatsens syfte är att undersöka om, och i sådana fall vilka variabler som påverkar brottsligheten. Vi antar att de oberoende variablerna påverkar brottsligheten och inte tvärtom. Detta betyder att vi inte får några problem med omvänd kausalitet. Vi kan dock inte utesluta att det finns ytterligare variabler som inte tas med i undersökningen men som påverkar brottsligheten. Med bakgrund av detta anser vi att undersökningen har hög validitet.
4.1.5 Estimera parametrarna i regressionsmodellen
antaganden är viktiga i ekonometrisk teori och kallas för classical linear regression model (CLRM). Vi vet att den beroende variabeln beror av både de oberoende variablerna samt feltermen. För att kunna dra några statistiska slutsatser om den beroende variabeln så måste en del antaganden göras angående de oberoende variablerna och feltermen (Gujarati 2003). Dessa 10 antaganden är:
1. Linjär regressionsmodell. Den ekonometriska modellen ska vara linjär i parametrarna:
!! = !!+ !!!!!+ !!!!!+ ⋯ + !!!!"+ !! (Ekv 4.5)
2. X-‐värdena är konstanta om stickprovsdragningen upprepas och X antas vara icke-‐ stokastisk.
3. Medelvärdet av feltermen ui är lika med noll. Alltså, vid ett givet värde på Xi så är
medelvärdet för ui noll.
! !! !!!, !!!, … , !!" = 0 för varje i (Ekv 4.6)
4. Homoskedasticitet. Alltså, givet ett värde på X så är variansen för ui samma för alla
observationer
!"# !! = !! (Ekv 4.7)
5. Ingen autokorrelation eller seriekorrelation mellan feltermerna. Givet två X-‐värden, Xi och Xj (i ≠ j) så är korrelationen mellan ui och uj (i ≠ j) lika med noll.
!"# !!, !! = 0 (Ekv 4.8)
6. Ingen kovarians mellan feltermen och varje X variabel
!"# !!, !!! = !"# !!, !!! = ⋯ = !"# !!, !!" = 0 (Ekv 4.9) 7. Antalet observationer måste vara flera än antalet parametrar som ska skattas. 8. X-‐värdena måste variera, det får inte vara samma X-‐värden i stickprovet. 9. Regressionsmodellen är korrekt specificerad.
10. Ingen perfekt multikollinearitet, det får inte finnas några exakta linjära förhållanden mellan X variablerna.
(Gujarati 2003)