Politie & Criminaliteit
Onderzoek naar de langetermijnrelatie tussen
politie & criminaliteit in de Verenigde Staten
Bachelorscriptie Econometrie Faculteit Economie & Bedrijfskunde Universiteit van Amsterdam
Door: Boyd Caspers Scriptiebegeleider: Maurice Bun 10 januari 2015
1
Inhoudsopgave
1 Inleiding ... 2
2 Theoretisch kader ... 4
2.1 Causaliteit: politie naar criminaliteit ... 4
2.2 Causaliteit: criminaliteit naar politie ... 5
2.3 Specificatieproblemen ... 5
3 Onderzoeksopzet ... 9
4 Resultaten & Analyse ... 11
4.1 Data-analyse ... 11
4.2 Stationariteit ... 14
4.3 Regressie ... 15
4.4 Vergelijking met Marvell & Moody ... 18
4.4.1 Dataset ... 18
4.4.2 Resultaten ... 20
2 1 Inleiding
De jaarlijkse kosten van criminaliteit in alleen al de Verenigde Staten worden geschat op 1,7 triljoen dollar. Dit komt overeen met ruim 5000 dollar per persoon per jaar (Anderson, 2011, p.255). Eerdere onderzoeken ondersteunen deze schatting. Zo suggereren Entorf & Spengler (2002) dat Europese landen een kostenpost van misdaad hebben van 10% van het BBP bruto binnenlands product. Geconcludeerd kan worden dat misdaad een wereldwijd fenomeen en een groot probleem is voor de samenleving.
De kosten van misdaad bestaan naast de uitgaven voor misdaadbestrijding, justitie en slachtofferhulp, ook uit de gevangeniskosten, de impliciete kosten van angst, de kosten van verloren tijd door misdaad en natuurlijk de gestolen goederen zelf. Misdaadbestrijding is daarom een belangrijk punt in de politiek.
Een veelvoorkomende manier om misdaad te bestrijden is gebruik te maken van politie. Ludwig (2010) toont aan dat zelfs eenvoudige misdaadpreventiemaatregelen, zoals meer politie op straat, een kosten/baten ratio hebben van tussen de 1:4 en 1:8. Een voorbeeld van een misdaadpreventiemaatregel is de Violent Crime Control and Law Enforcement Act of 1994, die werd aangenomen na een serie van misdaadgolven. Deze wet maakte het huren van nieuwe politiemannen 75% goedkoper voor staten, wat resulteerde in 100.000 nieuwe banen.
Deze praktische uitvoering is gebaseerd op criminologische theorieën, die ervan uitgaan dat een individu, bij een keuze tussen een legale actie en een illegale actie, de voor- en nadelen afweegt (Mehlkop & Graeff , 2010). Meer politie zorgt voor een groter nadeel bij een illegale actie, de kans op arrestatie wordt namelijk groter. De kans dat een individu de legale actie kiest neemt daardoor toe. Deze theorieën zijn getoetst, maar er is weinig bewijs
gevonden dat toename in politieomvang de criminaliteit werkelijk vermindert: van de 22 onderzoeken naar de directe relatie tussen politie en misdaad, die Cameron (1988) heeft geanalyseerd, vinden maar liefst 18 onderzoeken geen of een positieve relatie, waar een negatieve relatie wordt verwacht. Criminaliteit neemt toe, ondanks grotere politie-inzet. Cook (1979) geeft een verklaring hiervoor: criminelen wisselen naar minder risicovolle methodes als de politieomvang toeneemt. Minder risico komt vaak overeen met minder inkomen. Als de crimineel zijn inkomen wil behouden zal hij dus vaker een misdaad moeten plegen. Cornwell & Trumbull (1994) geven een alternatieve verklaring: meer politie zorgt voor meer
3
Een andere verklaring voor deze resultaten is dat politie niet endogeen is. De hoeveelheid misdaad veroorzaakt deels de politieomvang. Om zuivere resultaten te verkrijgen moet gebruik worden gemaakt van instrumenten. Goede instrumenten met een hoge correlatie met politie en exogeen met misdaad zijn vaak lastig te vinden, wat leidt tot inconsistente schatters.
De onderzoeken die Cameron (1988) geanalyseerd heeft veronderstellen dat de politieomvang de hoeveelheid misdaad verklaart en houden geen rekening met de
mogelijkheid dat de hoeveelheid misdaad invloed heeft op de politie-inzet. Dit onderzoek probeert juist te achterhalen of, en in welke mate, de causaliteit tussen politie en criminaliteit simultaan is. In andere woorden: wat is de langetermijnrelatie tussen politie en criminaliteit? Dit onderzoek is geïnspireerd door Marvell & Moody (1996), die de causaliteit tussen politie en misdaad onderzoeken met behulp van de Granger-Causalitytoets. Ze concluderen dat misdaad een positief effect heeft op politie, maar dat het effect van politie op misdaad zeer klein is.
In hoofdstuk twee wordt eerst besproken waarom simultane causaliteit bestaat en welke criminologische theorieën ten grondslag liggen hieraan. Daarna worden eerdere onderzoeken vergeleken met betrekking tot de omgang met de specificatieproblemen. Vervolgens, in hoofdstuk drie, wordt uitgelegd hoe dit onderzoek opgezet is. Daarna wordt het onderzoek uitgevoerd en worden de resultaten geanalyseerd en vergeleken met Marvell & Moody (1996) in hoofdstuk vier. Tot slot volgt in hoofdstuk vijf de conclusie.
4 2 Theoretisch kader
Over de richting van causaliteit tussen politie en criminaliteit is veel discussie. Voor een goede specificatie van het econometrische model is het van belang de richting van causaliteit te weten. Eerst worden verschillende criminologische theorieën beschreven over het bestaan van een oorzakelijk verband van politie naar criminaliteit en omgekeerd. Daarna worden verschillende onderzoeken vergeleken met betrekking tot de omgang met
specificatieproblemen.
2.1 Causaliteit: politie naar criminaliteit
Een van de belangrijkste theorieën uit de criminologie, die crimineel gedrag proberen te verklaren, is de rationelekeuzetheorie. Een individu maakt op basis van verschillende
omgevingsfactoren als ook zijn eigen persoonlijkheid en preferenties een rationele keuze om zijn nut te maximaliseren. Als het nut voor een illegale activiteit toeneemt ten opzichte van een legale activiteit kiest een persoon eerder voor de illegale activiteit (Mehlkop & Graeff , 2010). Een belangrijke invloed op het nut van een illegale activiteit is de hoeveelheid straf die op een overtreding staat, alsook de kans om de bijbehorende straf te krijgen. De strafmaat is vaak bekend, de pakkans daarentegen moet geschat worden. Een individu probeert deze kans te schatten bijvoorbeeld aan de hoeveelheid blauw op straat. Volgens de rationelekeuzetheorie zal de hoeveelheid criminaliteit dalen naarmate de politie-inzet stijgt. Het oorzakelijke
verband van politieomvang op criminaliteit is volgens de theorie negatief, aldus Mehlkop & Graeff (2010). Marvell & Moody (1996) concluderen uit 78 eerdere onderzoeken dat deze theorie niet ondersteund wordt door empirische analyse.
Er is discussie of deze theorie de werkelijkheid goed beschrijft. Cameron (1988) beschrijft een aantal argumenten tegen deze theorie. Zo kan een crimineel vaak niet eenvoudig substitueren tussen een legale en illegale activiteit. Een legale activiteit is
voornamelijk een vaste baan, die een persoon nu eenmaal wel of niet heeft. Daarnaast maken sommige criminelen een nutskeuze op basis van korte termijn, omdat ze snel een grote schuld moeten aflossen. Vaak is de enige optie dan een illegale activiteit, en de pakkans heeft dan geen effect op de keuze. Ten slotte speelt migratie nog een rol. Als in een stad de
politieomvang stijgt zal een crimineel geneigd zijn de illegale activiteit in een omliggende stad uit te voeren. De criminaliteit in de originele stad daalt dan wel, maar de totale
5
criminaliteit blijft op hetzelfde niveau; er vindt slechts een verschuiving plaats. Marvell & Moody (1996) noemen nog drie belangrijke redenen. Ten eerste is het meeste politiewerk niet gericht op misdaadvermindering, daarnaast is een grote toename van de politieomvang nodig om het effect van meer blauw op straat te voelen, en ten slotte zijn de politiestrategieën veranderd. Waar vroeger de strategie actief en preventief was, de politieman die
patrouilleerde door de straten, is de meest voorkomende strategie tegenwoordig passief en reactief. De politie wacht op een misdaadmelding en gaat dan over tot actie (Reiss, 1992).
2.2 Causaliteit: criminaliteit naar politie
Levitt (1997) beschrijft een oorzakelijk verband van misdaad op de omvang van de politie. Hij beargumenteert dat steden met een hogere criminaliteitsratio, de hoeveelheid criminaliteit per hoofd van de bevolking, ook een relatief grote politiemacht hebben. Zo heeft Detroit twee keer zo veel politieagenten per capita als Omaha, maar ook een vier keer zo hoge
criminaliteitsratio. De af- of toename van de politieomvang wordt bepaald door de
beleidsmakers van een land, die de inwoners van een land, in een democratische samenleving, representeren. Veel beleidsmaatregelen van de overheid worden beïnvloed door recente gebeurtenissen of juist verwachte toekomstige gebeurtenissen. Een positieve schok in de hoeveelheid criminaliteit zal een onveilig gevoel creëren in een samenleving, met als gevolg dat beleidsmakers meer investeren in veiligheid en dus een grotere politiemacht, aldus Levitt (1997).
2.3 Specificatieproblemen
Een specificatieprobleem bij empirische analyse van de rationelekeuzetheorie is de beschikbare data. Een econometrische model kan namelijk het beste geschat worden met individuele data, aangezien de rationelekeuzetheorie het gedrag van individuen beschrijft. Dan kan namelijk in detail bepaald worden wat het effect is van meer politie op de keuzes van individuen. Deze microdata zijn echter te moeilijk en te duur om te verzamelen op grote schaal. De microdata die wel beschikbaar zijn, zijn te ingewikkeld om te kwantificeren voor analyse. Het gevolg is dat het meeste empirische werk geaggregeerde paneldata gebruikt. Paneldata is een combinatie van tijdreeksdata en cross-sectiedata met als voordeel dat het effect niet alleen over een langere periode, maar ook in verschillende locaties worden gemeten. Daarnaast kunnen vertraagde (lagged) variabelen worden opgenomen. Zo kan
6
worden gemodelleerd dat het een aantal jaar kan duren voordat een positieve schok in
criminaliteit een effect heeft op de politieomvang. De tijdreeksdata van politie en criminaliteit zijn persistent: univariate autoregressiemodellen laten een aanzienlijke hoeveelheid
autocorrelatie zien. Dit is een goede reden om dynamische modellen te schatten.
Marvell & Moody(1996) bespreken een aantal specificatieproblemen, waaronder simultane causaliteit en missende variabelen.
Vanwege de simultane causaliteit tussen politie en misdaad geeft het standaard regressiemodel met de kleinstekwadratenschatter onzuivere en inconsistente resultaten. Er is een aantal methoden om simultane causaliteit te vermijden. De meest voorkomende methode is om alleen de causaliteitsrelatie van politie naar misdaad te onderzoeken. Dit kan door middel van het schatten met instrumentele variabelen. Zo gebruiken Cornwell & Trumbull (1994) als instrument de belastinginkomsten, Levitt (1997) de electorale cyclus, Levitt (2002) het aantal gemeentelijke brandweerlieden per hoofd van de bevolking en Worall & Kovandzic (2010) de uitgaven voor handhaving van de wet. Voor instrumentele variabelen is vereist dat ze relevant zijn en endogeen. Levitt (2002) noemt een indirect effect waardoor
brandweerlieden exogeen zouden kunnen zijn: een exogene toename in de misdaad kan leiden tot meer politie en minder brandweerlieden. Als het budget voor veiligheid gelijk blijft, maar de overheid wil toch de politie-inzet verhogen, kunnen brandweermannen worden
gesubstitueerd voor politiemannen.
Een andere manier om simultane causaliteit te vermijden is het gebruik van hoge frequentie data. Corman & Mocan (2000) maken gebruik van maandelijkse data. Het trainen van nieuwe politiemannen duurt minimaal zes maanden. Als, door gevolg van een exogene schok in criminaliteit, het beleid van de overheid gewijzigd wordt, duurt het minimaal zes maanden voor deze wijziging werkelijk doorgevoerd is. Dit betekent dat waar jaarlijkse gegevens last hebben van simultane causaliteit, maandelijkse gegevens dit probleem ontwijken. Corman & Mocan (2000) gebruiken naast het aantal politiemannen ook de variabele arrestaties. Het aantal arrestaties sluit wellicht beter aan bij de rationele keuze theorie dan het aantal politiemannen. Een nadeel van maandelijkse data is dat gecorrigeerd moet worden voor seizoensgebonden effecten.
In het ideale scenario zijn alle variabelen die invloed hebben op misdaad bekend en beschikbaar. Om zuivere resultaten te verkrijgen moeten alle relevante variabelen mee worden genomen in de regressieanalyse. Echter, veel variabelen uit de theorie van
7
criminologie zijn in de praktijk niet beschikbaar. Enerzijds omdat een variabele, bijvoorbeeld geluksniveau, lastig te kwantificeren is,anderzijds omdat een variabele slecht
gedocumenteerd is. Een belangrijke variabele is het aantal arrestaties per capita. Deze variabele wordt vaak slecht gerapporteerd en de kwaliteit van de rapportage varieert per politie afdeling (Sherman & Glinck, 1984). Deze variabele toevoegen aan het model leidt daarom tot specificatiefouten en onzuivere resultaten. Om toch zuivere resultaten te krijgen zonder alle variabelen mee te nemen, worden vaak dummy’s gebruikt.
Levitt (1997, 2002) en McCrary (2001) maken gebruik van dummy’s. In de analyse beschouwen ze vervolgens de eerste verschillen, ofwel groei in misdaad. Een gevolg hiervan is dat de specifieke dummy’s uit het model vallen. De resultaten blijven echter wel zuiver. Een nadeel hiervan is dat eigenlijk alleen de korttermijneffecten geschat worden.
In tegenstelling tot bovengenoemde onderzoeken die slechts het effect van politie op misdaad onderzoeken, analyseren Marvell & Moody (1996) beide causale richtingen. Ze maken gebruik van een Amerikaanse dataset met steden als locaties, en een dataset met staten als locaties. Ze passen de Granger-Causalitytoets toe, om te achterhalen welke variabele, politie of misdaad, de andere veroorzaakt. Een nadeel van de Granger-Causalitytoets is dat de huidige onafhankelijke variabelen niet gebruikt worden (zonder vertragingen). De toets leidt tot de volgende conclusies: ze concluderen dat misdaad een sterker effect heeft op politie dan omgekeerd. De F-waardes zijn significant tot en met de tweede vertraging van misdaad. Omdat de coëfficiënt van de eerste vertraging dicht bij nul ligt, nemen ze aan dat er geen huidig effect is van misdaad op de politie. Ze concluderen dat de impact van criminaliteit op de politieomvang in het algemeen gebeurt met een tweejarige vertraging (Marvell & Moody, 1996, p.628). Daarnaast concluderen ze dat politie geen significant effect heeft op de misdaad in een staat, maar wel in een stad. Dit kan komen doordat in steden misdaad vaak beter gerapporteerd wordt dan in staten, aldus Marvell & Moody (1996).
Ze gebruiken het VAR(2)-model om de langetermijnrelatie te schatten. Het volgende var-model wordt toegepast met yit criminaliteit en xit politieomvang in locatie i op tijdstip t:
𝑦𝑖,𝑡 = 𝛽1𝑦𝑖,𝑡−1+ 𝛽2𝑦𝑖,𝑡−2+ 𝛽3𝑥𝑖,𝑡−1+ 𝛽4𝑥𝑖,𝑡−2+ 𝛿𝑤𝑖,𝑡 + 𝜇𝑖,𝑡 𝑥𝑖,𝑡 = 𝛽1∗𝑥𝑖,𝑡−1+ 𝛽2∗𝑥𝑖,𝑡−2+ 𝛽3∗𝑦𝑖,𝑡−1+ 𝛽4∗𝑦𝑖,𝑡−2+ 𝛿𝑤𝑖,𝑡∗ + 𝜇𝑖,𝑡∗
wit is een vector met controle variabelen en vier verschillende soorten dummy’s. De eerste
groep dummy’s zijn jaardummy’s, die controleren voor factoren die de landelijke misdaad beïnvloeden over de jaren. De tweede groep zijn locatiedummy’s, die controleren voor
8
factoren waardoor de misdaad in de ene locatie verschilt van de andere. De derde groep zijn trenddummy’s, die controleren voor factoren die zorgen dat de trend van een locatie afwijkt van de landelijke trend. De laatste groep zijn dummy’s die controleren voor weggelaten vertraagde variabelen zoals verandering in cultuur. De storingsterm is μit, bestaande uit een
9 3 Onderzoeksopzet
In eerdere onderzoeken naar criminaliteit wordt slechts gebruik gemaakt van één vergelijking. De causaliteit wordt dan verondersteld alleen van politieomvang naar criminaliteit te lopen. Door het gebruik van eerste verschillen wordt ook alleen de kortetermijnrelatie geschat. Om de langetermijnrelatie tussen politieomvang en criminaliteit te onderzoeken, moet echter rekening worden gehouden met de simultane causaliteit. Een goed model om de lange termijn relatie te schatten is het eerder genoemde var-model.
Voor een VAR-model moet gelden dat de variabelen geïntegreerd zijn van dezelfde orde. Daarom het van belang dat de tijdreeksen politie per capita en criminaliteit per capita stationair zijn. Om dit te testen worden verschillende unit-root-toetsen gebruikt: Levin-Lin-Chu (2002), Breitung (2000) en Im-Pesaran-Chin (2003).
Het var(2)-model kan herschreven worden in het error-correctie-model:
(𝛥𝑦𝑖,𝑡 𝛥𝑥𝑖,𝑡 ) = 𝛱 (𝑦𝑖,𝑡−1 𝑥𝑖,𝑡−1 ) + 𝛤 (𝛥𝑦𝑖,𝑡−1 𝛥𝑥𝑖,𝑡−1 ) + 𝛺 (𝑤𝑖,𝑡 𝑤𝑖,𝑡∗ ) + ( 𝜇𝑖,𝑡 𝜇𝑖,𝑡∗ )
De langetermijnrelatie kan als volgt getest worden:
𝑙𝑟𝑥_𝑜𝑝_𝑦 = 𝛽3+ 𝛽4 1 − 𝛽1− 𝛽2 = − 𝜋12 𝜋11 𝑙𝑟𝑦_𝑜𝑝_𝑥 = 𝛽3 ∗+ 𝛽 4∗ 1 − 𝛽1∗− 𝛽 2∗ = −𝜋21 𝜋22
De dataset met paneldata bevat 2703 observaties, bestaande uit 51 Amerikaanse staten als locaties en de jaren 1960-2012 als tijd. De criminaliteit is opgedeeld in twee subcategorieën:
violent crime, bestaand uit murder and nonnegligent manslaughter, forcible rape, robbery en aggravated assault, en property crime, bestaand uit burglary, larceny theft en motor vehicle theft. De politie is per geslacht opgedeeld in burgerpolitie en officiële politie. De overige
variabelen zijn de werkloosheid (Unemployment), bevolkingsdichtheid (PPSM), het bruto binnenlands product (GDP) en de consumentenprijsindex (CPI) beschikbaar. Er zijn echter geen demografische gegevens beschikbaar met uitzondering van de bevolkingsgrootte.
10
De verschillende parameters van het panel VAR(2)-model worden geschat met behulp van de kleinstekwadratenschatter. In de vergelijkingen worden de controlevariabelen
werkloosheid, bevolkingsdichtheid en bruto binnenlands product gedeeld door de populatie, omdat de variantie over de jaren in grotere staten gemiddeld groter is. Van alle
controlevariabelen wordt het logaritme genomen. De dummy’s bestaan uit jaardummy’s, staatdummy’s en trenddummy’s. Daarna wordt getoetst voor langetermijncausaliteit en wordt de langetermijnrelatie berekend.
11 4 Resultaten & Analyse
In dit hoofdstuk worden de resultaten van het onderzoek beschreven en geanalyseerd. Om tot goede resultaten te komen is het van belang dat de informatie in de dataset
betrouwbaar is. Eerst wordt de dataset zelf geanalyseerd. Daarna worden een aantal unit-root-toetsen uitgevoerd om de stationariteit van de tijdreeksen politie en criminaliteit te
onderzoeken. Vervolgens wordt een VAR(2)-regressie uitgevoerd om de langetermijnrelatie tussen politie en criminaliteit te achterhalen. Tot slot worden de resultaten geanalyseerd en vergeleken met de resultaten uit Marvell & Moody (1996).
4.1 Data-analyse
De beschikbare data is niet volledig zoals te zien in figuur 1. Figuur 1
Variable Obs Mean Std. Dev. Min Max
Year 2703 1986 15 1960 2012 State 2703 26 15 1 51 Population 2698 4751877 5318389 226167 38041430 Police 2703 13060 18148 0 127049 CrimeTotal 2698 208162 279325 3218 2061761 Propertycrime 2698 184903 243023 3147 1726391 Violentcrime 2698 23260 38022 37 345624 CPI 2703 113 65 30 230 GDP 2550 120280 207697 993 2125717 PPSM 306 370 1499 0,4 12514 Unemployment 2553 5,83 2,07 1,8 18
Zo is van de bevolkingsdichtheid alleen de data beschikbaar van de jaren 1950, 1960, 1970, 1980, 1990, 2000 en 2010. In figuur 2 zijn voor drie staten deze waarden geplot. Er zijn duidelijk een heterogene trends te zien in elke staat. In plaats van de missende waarden te interpoleren wordt gekozen om deze controlevariabele weg te laten uit de regressie. Ten eerste is dit onderzoek niet gericht op het effect van bevolkingsdichtheid op criminaliteit en politie. Daarnaast nemen de trenddummy’s uit de regressievergelijking het effect over, waardoor de resultaten zuiver blijven.
12 -2 0 0 20 40 % G ro wth P o lice 1960 1970 1980 1990 2000 2010 Year
State 13 State 18 State 41
Figuur 2 Figuur 3
Van de variabele werkloosheid missen alle gegevens van de jaren 1970 tot en met 1975. De gegevens van de jaren 1960 tot 1970 zijn met een andere methode verzameld dan de gegevens van na 1975. Van de variabele bruto binnenlandsproduct missen de gegevens van de jaren 1960 tot en met 1962. Het bruto binnenlands product wordt gedeeld door de
consumentenprijsindex om het werkelijke bruto binnenlands product te verkrijgen. Deze variabele geeft de welvaart beter weer omdat nu rekening gehouden wordt met stijgende prijzen.
De politiegegevens van de Uniform Crime Reports (UCR) bevatten meetfouten
(Chalfin & McCracy, 2015, p.6).Uit een analyse blijkt dat in data uit de jaren 1960-1970 veel voorkomen. Zo fluctueert het aantal politie behoorlijk veel elk jaar zoals te zien in figuur 3, waarin de staten 13, 18 en 24 zijn opgenomen1. Vanaf het jaar 1975 is de groei van de politie redelijk constant met uitzondering van enkele uitschieters. Daarnaast valt op dat de
politieomvang van staat 38 in het jaar 2011 drie maal zo hoog is als in de omliggende jaren. Deze waarschijnlijke meetfout is vervangen door lineair te interpoleren.
De in de data genoemde staat District of Columbia (staat 9) is een werkelijkheid een federaal district dat alleen de stad Washington bevat. Als een gevolg heeft deze staat
karakteristieken die meer lijken op een typische stad dan een typische staat. In de gegevens is dit terug te zien in figuur 4.
1 Deze staten vormen de mediaan van alle staten, gesorteerd op totale afwijking van nul.
60 80 1 0 0 1 2 0 1 4 0 1 6 0 P P S M 1960 1970 1980 1990 2000 2010 Year
13 Figuur 4
Variable Mean State 9 Mean Other States Mean All States
Population 652.454 4.834.020 4.751.877
PeoplePerSquareMile 10.755 162 370
Real GDP 4.953 1660 1.724
Unemployment Rate 7,45 5,80 5,83
Police per Capita 744 239 249
TotalCrime per Capita 7.884 4.006 4.082
Omdat de gegevens van staat 9 zeer afwijken van die van de overige staten is ervoor gekozen deze staat niet mee te nemen in de regressie. Daarnaast is, vanwege grote meetfouten en missende variabelen ook gekozen om alleen de jaren 1976 tot en met 2012 mee te nemen. De beschrijvende statistieken van de resterende gegevens zijn te zien in figuur 5.
Figuur 5
Variable Obs Mean Std. Dev. Min Max
Year 1850 1994 11 1976 2012 State 1850 26 15 1 51 Population 1850 5251821 5759109 382000 38041430 Police 1850 16355 20243 481 127049 CrimeTotal 1850 247270 304139 13051 2061761 Propertycrime 1850 218513 262954 12010 1726391 Violentcrime 1850 28757 42844 322 345624 CPI 1850 146 49 57 230 GDP 1850 157618 232634 3222 2125717 PPSM 200 175 242 0,7 1196 Unemployment 1850 6,08 2,10 2,3 18
14 p o lice 1980 1990 2000 2010 Year cr im e 1980 1990 2000 2010 Year 4.2 Stationariteit
De tijdreeksen van politie en criminaliteit per capita worden getoetst of deze stationair zijn en om een beeld te krijgen van de orde van seriële correlatie. De tijdreeksen zijn per panel weergegeven in figuur 6. De volgende toetsen worden, met verschillende specificaties, uitgevoerd: Levin-Lin-Chu (2002), Breitung (2000) en Im-Pesaran-Chin (2003).
De nulhypothesen van Levin-Lin-Chu en Breitung zijn dat alle panels niet-stationair zijn. Het homogene alternatief is dat alle panels wel stationair zijn. Onder het alternatief is het dus van belang dat de seriecorrelatie coëfficiënt identiek is voor elk panel. Dit volgt uit het feit dat de toetsstatistiek berekend wordt uit een gemiddelde van elk panel. Een nadeel van de Breitung toets is dat de verwerpingskracht snel daalt naar de onbetrouwbaarheidsdrempel. De nulhypothese van Im-Pesaran-Shin is dat alle panels niet-stationair zijn, de alternatieve hypothese is dat minimaal één panel stationair is. De mate van seriecorrelatie kan verschillen per panel. Een kanttekening bij deze toetsen is dat ze uitgaan van onafhankelijkheid tussen de panels. Hier is waarschijnlijk wel sprake van afhankelijkheid tussen staten. Zo heeft het landelijke COPS-programma van 1994 een invloed gehad op de politieomvang van elke staat (Evans & Owen, 2007).
In figuur 7 zijn de resultaten van elke toets, met en zonder trend, met en zonder vertragingen, voor de twee variabelen politie en criminaliteit weergegeven. Opvallend is dat bij de variabele criminaliteit de p-waardes van elke toets het laagst is bij een specificatie met trend en vertraging. Bij de variabele politie valt op dat de Breitung toets p-waardes heeft van 1.0000, terwijl de Levin-Lin-Chu toetsen zonder trend p-waardes hebben van 0.0000. De resultaten spreken elkaar tegen, het is dus onduidelijk of de tijdreeks stationair is. Voor de verdere analyse wordt nu aangenomen dat beide tijdreeksen, zowel criminaliteit als politie, stationair zijn en daarmee wordt het VAR(2)-model geschat.
15 Figuur 7 Criminaliteit
Toets Trend Lags Statistic p-waarde
Levin-Lin-Chu nee 0 3.7540 0.9999 Levin-Lin-Chu ja 0 -3.5337 0.0002 Levin-Lin-Chu nee 1 0.1846 0.5732 Levin-Lin-Chu ja 1 -11.1641 0.0000 Breitung nee 0 3.3008 0.9995 Breitung ja 0 0.3889 0.6513 Breitung nee 1 -1.8036 0.0356 Breitung ja 1 -2.1363 0.0163 Im-Pesaran-Shin nee 0 7.7513 1.0000 Im-Pesaran-Shin ja 0 -3.6859 0.0001 Im-Pesaran-Shin nee 1 3.7889 0.9999 Im-Pesaran-Shin ja 1 -6.8306 0.0000 Politie
Toets Trend Lags Statistic p-waarde
Levin-Lin-Chu nee 0 -7.7667 0.0000 Levin-Lin-Chu ja 0 -0.2892 0.3862 Levin-Lin-Chu nee 1 -6.2004 0.0000 Levin-Lin-Chu ja 1 2.4837 0.9935 Breitung nee 0 5.6452 1.0000 Breitung ja 0 3.9799 1.0000 Breitung nee 1 4.3840 1.0000 Breitung ja 1 3.3405 0.9996 Im-Pesaran-Shin nee 0 -2.0439 0.0205 Im-Pesaran-Shin ja 0 -2.8340 0.0023 Im-Pesaran-Shin nee 1 -0.4332 0.3324 Im-Pesaran-Shin ja 1 4.0979 1.0000 4.3 Regressie
Het VAR(2)-model zoals benoemd in hoofdstuk drie wordt hier geschat met behulp van de kleinstekwadratenschatter. Daarna worden de resultaten geïnterpreteerd en geanalyseerd.
De variabele Realgdp wordt gemaakt door het bruto binnenlands product (GDP) te schalen met de consumentenprijsindex (CPI). Daarna worden alle variabelen, met
uitzondering van werkloosheid, gedeeld door de populatie. Vervolgens wordt nog het logaritme genomen. Het model wordt met vier verschillende specificaties geschat: met staateffect (1) , met staat- en jaareffect (2) , met staat- en jaareffect en controlevariabelen (3), en tot slot met staat- en jaareffect, trend en controlevariabelen (4). De resultaten zijn te zien in figuur 8. De dummygroepen zijn niet opgenomen in de figuur. De dikgedrukte coëfficiënten wijken significant af van nul.
16 Figuur 8 1 Staat
2 Staat & Jaar
3 Staat, Jaar & Controlevariabelen
17
Hoe meer het model wordt uitgebreid, hoe kleiner de coëfficiënten zijn van de eerste vertraging van politie op zichzelf (β1) en criminaliteit op zichzelf (β3*). Dit is een indicatie
dat de nieuw toegevoegde controlevariabelen en/of dummy’s een effect hebben op politie en criminaliteit. Echter heeft het toevoegen van controlevariabelen slechts een klein effect op de coëfficiënten van politie en criminaliteit: de coëfficiënten van regressie 3 zijn nagenoeg gelijk aan de coëfficiënten van regressie 2. In het vervolg worden de resultaten van regressie 4 besproken.
Eerst wordt regressie 4 getest op seriële correlatie met de Wooldridge (2002) toets. De nulhypothese is dat er geen eerste orde serie correlatie is. Deze wordt echter verworpen met een p-waarde van 0.0000 in beide vergelijkingen. Het model schatten zoals in specificatie 4, maar met een AR(1) storingscomponent geeft ρ=0.15 bij politie en ρ=0.44 bij criminaliteit als afhankelijke variabele. Er lijkt sprake te zijn van hogere orde seriële correlatie, vooral bij de vergelijking met criminaliteit als afhankelijke variabele.
Van de controlevariabelen is alleen het effect van de variabele Realgdp significant op politie. Realgdp heeft op zowel politie als criminaliteit een positief effect. Het effect op politie is te verklaren uit het feit dat een rijkere staat meer geld beschikbaar heeft, en dus meer uit kan geven aan politie. Het positieve effect op criminaliteit kan ontstaan doordat Realgdp mogelijk correleert met inkomensongelijkheid. Dezelfde reden kan een verklaring zijn voor de negatieve coëfficiënt van werkloosheid op criminaliteit.
Er kan geconcludeerd worden dat criminaliteit geen significant effect heeft op politie, maar dat politie, met een 1-jarige vertraging, wel een significant effect heeft op misdaad. De dummygroepen zijn als groep significant met p-waardes kleiner dan 0.0000.
Veel variabelen hebben geen significant effect. Een mogelijke oorzaak is het gebruik van staatsgegevens. Zo vinden Marvell & Moody (1996) in de analyse van stadsgegevens meer significante effecten dan in de analyse van staatsgegevens. Binnen staten kunnen lokaal grote verschillen zijn in criminaliteit, politieomvang, inkomen, werkloosheid en
bevolkingsdichtheid. Het aantal politieagenten in een stad heeft waarschijnlijk een
verwaarloosbaar effect op de criminaliteit in een andere stad binnen dezelfde staat. Binnen steden zijn de lokale verschillen minder groot dan binnen staten. Voor toekomstig onderzoek wordt aangeraden om staatsgegevens te gebruiken.
18
De langetermijnrelatie wordt als volgt berekend, met x = politie en y = criminaliteit 𝑙𝑟𝑦_𝑜𝑝_𝑥 = 𝛽3+ 𝛽4 1 − 𝛽1− 𝛽2 = 0.02411 + 0.06248 1 − 0.53918 − 0.11960= 0,34122 𝑙𝑟𝑥_𝑜𝑝_𝑦 = 𝛽1∗+ 𝛽2∗ 1 − 𝛽3∗− 𝛽4∗ = −0.04623 + 0.03023 1 − 0.82385 + 0.03599= −0.07542 De langetermijnrelaties kunnen als volgt geïnterpreteerd worden:
(1) als de criminaliteit per capita stijgt met 10%, stijgt de politieomvang met ongeveer 3,4%. (2) als de politieomvang stijgt met 10%, daalt de criminaliteit per capita met ongeveer 0,75%. Hier kan echter niet veel waarde aan worden gehecht, aangezien de helft van de coëfficiënten gebruikt in de berekening niet significant afwijkt van nul.
4.4 Vergelijking met Marvell & Moody
In deze paragraaf worden de gebruikte staatdataset en de resultaten van Marvell & Moody (1996) vergeleken met dit onderzoek. Vervolgens wordt een verklaring geven voor de verschillen in de resultaten. Vanaf nu wordt de hier gebruikte dataset aangeduid met DS15 (DataSet2015) en de dataset van Marvell & Moody (1996) met MM96.
4.4.1 Dataset
MM96 bevat 1377 waarnemingen van de periode van 1967 tot en met 1993. Daarnaast bevat hij veel controlevariabelen zoals bevolkingssamenstelling, in zowel leeftijd als etniciteit, percentage wonend in stedelijk gebied, gevangenispopulatie, inkomen en werkloosheid. DS15 bevat 2703 waarnemingen van 1960 tot en met 2012, maar slechts twee controlevariabelen: werkloosheid en bruto binnenlands product. De datasets worden vergeleken bij de drie belangrijkste variabelen: populatie, politie en criminaliteit. Wat opvalt in figuur 9 is dat in DS15 het gemiddelde van de populatie en politie groter is, terwijl het gemiddelde van de criminaliteit juist lager is dan in MM96.
Figuur 9
DS15 MM96
Variable Obs Mean Std. Dev. Obs Mean Std. Dev.
Crime 2698 208162 279325 1215 235541 312896
Police 2703 13060 18148 1173 11645 14261
19
Nu worden de waarnemingen tussen de jaren 1970 en 1992 vergeleken, dit is de overlappende periode van beide datasets. Staat 9 wordt vanaf hier buiten beschouwing gelaten omdat deze niet wordt meegenomen in beide onderzoeken. Er resteren 1150 waarnemingen van 50 staten over 23 jaren. Het aantal afwijkingen en de verdeling van de grootste afwijkingen zijn
weergegeven in figuur 10.
Figuur 10
Crime Count Mean Diff
DS15 < MM96 5 -1
DS15 = MM96 1057
DS15 > MM96 88 38115
Population Count Mean Diff
DS15 < MM96 646 -47410
DS15 = MM96 25
DS15 > MM96 479 25329
Police Count Mean Diff
DS15 < MM96 796 -1344 DS15 = MM96 0 DS15 > MM96 354 1253 0 10 20 30 40 50 Fr eq ue nc y 70 75 80 85 year 0 2 6 8 10 4 Fr eq ue nc y 0 10 20 30 40 50 state 0 10 20 30 40 Fr eq ue nc y 70 75 80 85 90 year 0 1 2 3 4 5 Fr eq ue nc y 75 80 85 90 year
20
Van de variabele criminaliteit komt ruim 90% van de gegevens overeen. Van de gegevens die niet overeenkomen valt op dat de gegevens van MM96 lager zijn dan die van DS15. Verder valt op dat deze corresponderen met eerdere jaren en met staat 14 Illinois. Dat de gegevens van Illinois erg verschillen is te verwachten: Marvell & Moody hebben deze staat ook niet meegenomen in hun regressie vanwege fout gerapporteerde gegevens (Marvell & Moody, 1996, p.624), (Federal Bureau of Investigation, 1985).
Opvallend bij de variabele politie is dat geen één waarneming overeenkomt. Een histogram van de waarnemingen die meer dan 25% verschillen maakt duidelijk dat ook hier de meeste grote afwijkingen zich bevinden in de eerdere jaren. Een verklaring hiervoor is het verschil in bronnen: Marvell & Moody (1996) hebben als bron de US Census Bureau, in dit onderzoek is de bron de Federal Bureau of Investigation.
In MM96 is alleen de populatie per duizendtal opgenomen. De populatiewaarden verschillen vrij weinig. Echter geldt ook hier dat de waarnemingen met de grootste afwijkingen zich vooral bevinden in de eerdere jaren.
4.4.2 Resultaten
De resultaten van Marvell & Moody (1996) worden vergeleken met de resultaten uit dit onderzoek. De specificatie van de modellen zijn niet identiek. Zo gebruiken Marvel & Moody (1996) meer controlevariabelen en ze beschouwen het effect van politie op criminaliteit slechts met een één-jarige vertraging: ze nemen β2* gelijk aan nul.
Marvell & Moody (1996) gebruiken in hun regressie de gegevens van de periode 1970 tot 1993, en ze nemen de staten Illinois (14) en D.C. (9) niet mee. In dit onderzoek worden gegevens van 1976 tot en met 2012 gebruikt, zonder de staat D.C. (9). De resultaten van beide onderzoeken weergegeven in figuur 11. De significant van nul afwijkende coëfficiënten zijn dikgedrukt.
21
Marvell & Moody (1996) concluderen een significant effect van criminaliteit op de politieomvang met een tweejarige vertraging, terwijl in dit onderzoek dat effect niet
significant is. De coëfficiënten zijn wel ongeveer even groot. Een mogelijke oorzaak hiervan is dat in dit onderzoek maar twee controlevariabelen zijn opgenomen, waar Marvell & Moody (1996) negen controlevariabelen hebben. Aan de andere kant is in dit onderzoek wel een significant effect gevonden van politie op criminaliteit met een eenjarige vertraging.
In figuur 12 is de geaggregeerde criminaliteit per capita weergegeven. De criminaliteit neemt toe van 1960 tot 1980, constant blijft tot 1990 en neemt daarna af. De geaggregeerde
politieomvang per capita neemt echter toe van 1960 tot 2012. Daarnaast is deze tussen 1970 en 1983 hoger dan in DS15, na 1983 juist lager. Marvell & Moody (1996) gebruiken data van 1970 tot 1993: in hun dataset komt dus geen dalende criminaliteit voor over een langere periode. In dit onderzoek komt wel dalende criminaliteit voor, maar de politieomvang blijft stijgen over de tijd. Daarnaast is de criminaliteit in MM96 gemiddeld lager, terwijl de politieomvang juist gemiddeld hoger is. Deze verschillen dragen bij aan de uiteenlopende resultaten tussen de twee onderzoeken.
Figuur 12 20 30 40 50 60 1 1 .5 2 2 .5 3 3 .5 1960 1970 1980 1990 2000 2010 Year police police_MM crime crime_MM cr im e p o lice
22 5 Conclusie
Het doel van dit onderzoek is de langetermijnrelatie tussen politie en criminaliteit te
achterhalen. Verschillende criminologische theorieën geven een verklaring voor de causaliteit tussen politie en criminaliteit. Deze theorieën beschrijven het gedrag van individuen, terwijl de beschikbare data vaak uit geaggregeerde gegevens bestaat. Daarnaast volgt uit deze theorieën dat er sprake is van simultane causaliteit: politie beïnvloedt criminaliteit en andersom. De kleinstekwadratenschatter geeft om deze reden onzuivere en inconsistente schatters. Een derde specificatieprobleem is dat niet alle relevante variabelen beschikbaar zijn voor empirische analyse.
Om deze specificatieproblemen te vermijden is in dit onderzoek, in navolging van Marvell & Moody (1996), een VAR(2)-model toegepast. De simultane causaliteit wordt vermeden door vertragingen op te nemen. Het effect van missende relevante variabelen wordt geabsorbeerd door dummy’s die controleren voor verschillen tussen staten en tussen jaren. In dit onderzoek is een negatief significant effect van politie op criminaliteit gevonden, maar geen significant effect van criminaliteit op politie. Op basis van de gegevens wordt
geconcludeerd dat politie een lange termijn effect heeft op criminaliteit. Dit effect is echter wel zeer klein.
Opvallend is dat Marvell & Moody (1996) tegenovergestelde resultaten vinden. In de staatdataset vinden zij geen significant effect van politie op criminaliteit, maar wel een positief significant effect van criminaliteit op politie. Marvell & Moody (1996) vinden in hun staddataset echter wel een significant effect in beide richtingen. Verklaringen voor dit verschil zijn de negatieve trend van criminaliteit na 1990, en het grote verschil tussen het aantal
opgenomen controlevariabelen. Daarnaast lenen stadsgegevens zich beter voor onderzoek naar criminaliteit en politie vanwege kleinere lokale verschillen. Voor toekomstig onderzoek wordt geadviseerd om stadsgegevens te gebruiken, zo veel mogelijk controlevariabelen op te nemen en een zo lang mogelijke periode te beschrijven.
23 Bibliografie
Anderson, D.A. (2012). The Cost of Crime. Foundations and Trends in Microeconomics,
7(3), 209-265.
Cameron, S. (1988). The Economics of Crime Deterrence: A Survey of Theory and Evidence.
Kyklos, 41(2), 301-323.
Chalfin, A., McCrary, J. (2015). Are U.S. Cities Underpooled? Retrieved from: http://eml.berkeley.edu/~jmccrary/chalfin_mccrary2015
Cook, P.J. (1979). The clearance rate as a measure of criminal justice system effectiveness.
Journal of Public Economics, 11(1), 135-142.
Corman, H., Mocan, H.N. (2000). A Time-Series Analysis of Crime, Deterrence, and Drug Abuse in New York City. American Economic Review, 90(3), 584-604.
Cornwell, C., Trumbull, W.N. (1994). Estimating the economic model of crime with panel data. The Review of Economics and Statistics, 76(2), 360-366.
Entorf, H., Spengler, H. (2002). Crime in Europe: Causes and Consequences. Springer: Berlin.
Evans, W.N., Owen, E.G. (2007). Cops and crime. Journal of Public Economics, 91(1-2), 181-201.
Levitt, S.D. (1997). Using electoral cycles in police hiring to estimate the effect of police on crime. American Economic Review, 87(3), 270-290.
Levitt, S.D. (2002). Using electoral cycles in police hiring to estimate the effect of police on crime: Reply. American Economic Review, 92(4), 1244-1250.
Ludwig, J. (2010). The Costs of Crime. Criminology & Public Policy, 9(2), 307-311. Marvell, T.B., Moody, C.E. (1996). Specification problems, police levels, and crime rates.
Criminology, 34(4), 609-646.
McCrary, J. (2002). Do electoral cycles in police hiring really help us estimate the effect of police on crime? Comment. American Economic Review, 92(4), 1236-1243.
Mehlkop, G., Graeff, P. (2010). Modelling a rational choice theory of criminal action: Subjective expected utilities, norms, and interactions. Rationality and Society, 22(2), 189-222.
Reiss, A.J., Jr. (1992). Police organization in the twentieth century. Crime and Justice, 15(1), 51-97.
Sherman, L.W., Glinck, B.D. (1984). The Quality of Police Arrest Statistics. Police
Foundation, Washington, D.C.
Worall, J.L., Kovandzic, T.V. (2010). Police levels and crime rates: an instrumental variables approach. Social Science Research, 39(3), 506-516.
