Het effect van politie op misdaad : onzuivere resultaten door aggregatie

28-6-2013 Bachelorscriptie

Het effect van politie op misdaad

Onzuivere resultaten door aggregatie

Begeleider: Maurice Bun

Nadia Zoon 6265219

Abstract

Het aggregeren van meerder typen misdaad tot één groep kan leiden tot onzuivere resultaten (Cherry & List, 2001). Door middel van Ordinary Least Squars en Seemingly Unrelated regressions wordt het effect van politie op misdaad bepaad. Vervolgens wordt aan de hand van een Wald toets verkregen dat het aggregeren van alle typen misdaad niet leidt tot onzuivere resultaten. Ook het aggregeren van vermogensdelicten geeft geen onzuivere resultaten. Daarentegen leidt het aggregeren van gewelddadige misdaden wel tot onzuivere resultaten.

Inhoud

1. Inleiding 2

2. Theoretisch kader 3

2.1 De negatieve en positieve prikkel 3

2.2 Eerder onderzoek 4 2.3 Aggregeren 5 3. Onderzoeksmethode 6 3.1 Dataset 6 3.2 Methode 7 3.3 Regressies 8 3.4 Specificatie testen 11

3.5 Seemingly Unrelated Regressions (SUR) 11

3.6 Onderscheid met eerder onderzoek 12

4. Onderzoeksresultaten 12 4.1 OLS resultaten 14 4.1.1 Politie 14 4.1.2 Vertraagde politie 14 4.2 SUR resultaten 15 4.2.1 Politie 15 4.2.2 Vertraagde politie 16 4.3 Seriële correlatie 16 4.4 Wald resultaten 17 5. Discussie 21

5.1 Resultaten OLS en SUR 21

5.1.1 Verschil tussen OLS en SUR 21

5.1.2 Politie en vertraagde politie 22

5.1.3 Beperkingen 22

5.2 Resultaten Wald test 24

6. Conclusie 24

Bibliografie 25

1. Inleiding

In de laatste tientallen jaren is er veel onderzoek gedaan naar mogelijke factoren die invloed hebben op het plegen van een misdaad. Een van de eerste personen die een verhelderende blik op het economische aspect van misdaad wierp was Gary Becker (1968). Volgens Becker kan het plegen van een misdaad worden gezien als een nutsfunctie. Deze nutsfunctie is gebaseerd op de keuzes die kunnen worden gemaakt: Het kiezen om legale activiteiten uit te voeren of ervoor te kiezen om de criminaliteit in te gaan met alle consequenties die dat met zich meebrengt. Een persoon kiest ervoor om een misdaad te plegen wanneer zijn verwachte nut door het plegen van een misdaad groter is dan de eventuele gevolgen en of de persoon betere alternatieven heeft. Deze afweging leidt uiteindelijk tot de keuze of hij legaal te werk gaat of illegaal.

Criminaliteit wordt veelal ingedeeld in zeven subgroepen. Dit zijn moord,

verkrachting, overval, aanranding, inbraak, algemene diefstal en autodiefstal. Deze zeven subgroepen worden weer verdeeld in twee groepen: gewelddadige misdaad (moord, verkrachting, overval en aanranding) en vermogensdelicten (inbraak, algemene diefstal en autodiefstal). In veel eerder onderzoek wordt er voornamelijk alleen gekeken naar de totale hoeveelheid misdaad of naar de gewelddadige misdaden en de vermogensdelicten

afzonderlijk. Een voorbeeld waarom dit samennemen van typen misdaad incorrect kan zijn is het afschrikkende effect. Het afschrikkende effect is een belangrijke factor in het

misdaadmodel en wordt voornamelijk veroorzaakt door de aanwezigheid van politie. Hoe meer politie er aanwezig is hoe groter de kans dat een misdadiger wordt gearresteerd, daardoor heeft hij een grote kans om te worden veroordeeld en dus een grotere kans op het krijgen van een straf. Wanneer de hoeveelheid politieagenten dus toeneemt zal het

afschrikkende effect ook toenemen en daardoor het aantal misdaden hoogstwaarschijnlijk afnemen. De kans op arrestatie verschilt echter per type misdaad, en ook de straf verschilt per type misdaad. Hieruit kan worden beredeneerd dat ook het afschrikkende effect zal

verschillen per type misdaad. Het aggregeren van typen misdaad kan tot statistisch onzuivere resultaten leiden.

In dit onderzoek wordt er gekeken naar de factoren die invloed hebben op misdaad in het geheel, gewelddadige misdaad, vermogensdelicten en op alle zeven subgroepen

afzonderlijk. Hierin richt dit onderzoek zich vooral op de variabele ‘politie’. Door middel van verschillende regressies wordt er gekeken naar de coëfficiënten van politie en naar de

significantie daarvan. Op deze manier kan er worden gekeken of deze verklarende variabele daadwerkelijk een significant effect heeft op de misdaad(groep) waarop is geregresseerd. Aan de hand daarvan en met behulp van de Wald test kan worden gekeken of het aggregeren van variabelen wel leidt tot consistente schattingen.

Het artikel heeft de volgende opbouw. In sectie 2 worden, door gebruik te maken van voorgaande literatuur, de theorieën over dit onderwerp besproken. Vervolgens wordt er in sectie 3 de onderzoeksmethode behandeld en uitleg gegeven over de herkomst en de aanpassingen van de dataset. Daarna worden de resultaten gegeven in sectie 4. Als laatste worden in sectie 5 en sectie 6 de resultaten besproken en een conclusie gegeven.

2. Theoretisch kader

2.1 De negatieve en positieve prikkel

Ehrlich (1996) maakt in zijn onderzoek duidelijk dat er twee soorten prikkels zijn waar potentiële en hedendaagse misdadigers hun keuzes op baseren. De negatieve prikkel, wat voornamelijk het afschrikkende effect uitbeeldt, en de positieve prikkel, de factoren die ervoor zorgen dat legale activiteiten aantrekkelijker zijn dan de criminaliteit.

Er zijn twee belangrijke bevindingen in studies naar het afschrikkende effect.

Allereerst heeft ‘de zekerheid van het krijgen van een straf’ een groter afschrikkend effect dan de ‘de ernst van de straf’ die vervolgens wordt gekregen. De tweede vinding is dat de

buitengerechtelijke gevolgen, het verlies van status in de gemeenschap, op zijn minst even afschrikkend zijn als de juridische gevolgen (Nagin (1998), William & Hawkins (1986)). Hieruit blijkt dat de variabelen ‘kans op arrestatie’, ‘kans op veroordeling’ , ‘kans op gevangenschap’ en ‘de ernst van de straf’ allen een verklarend effect hebben op misdaad.

De factoren die ervoor zorgen dat legale activiteiten aantrekkelijker zijn dan criminaliteit zijn onder andere legaal werk, mogelijkheden van inkomsten,

rehabilitatieprogramma’s voor ex-gedetineerden en minder ongelijkheid in de verdeling van inkomsten in de samenleving (Ehrlich, 1996).

2.2 Eerder onderzoek

Cornwell & Trumbull (1994) richten hun onderzoek op het afschrikkende effect. Hiermee tonen zij aan dat de wetshandhavende variabelen, degene met een afschrikkend effect, een verklarend effect hebben op misdaad maar dat dit een minder groot effect is dan wat eerder onderzoek heeft aan getoont. De auteurs maken gebruik van een panel dataset die beschikt over gemeente gegevens. Doordat het gegevens zijn over gemeentes is er minder sprake van aggregatie van informatie dan wanneer het gegevens beschikt over staten. Het voordeel van de panel data is dat er op deze manier mogelijk is om te controleren op specifieke

eigenschappen behorend tot gemeentes die mogelijk zijn gecorreleerd met de wetshandhavende variabelen.

Lin (2008) doet onderzoek naar het effect van werkloosheid op misdaad. In dit onderzoek wordt gewerkt met dezelfde paneldata als dat Lin(2008) gebruikt. Deze wordt in paragraaf 3.1 nader besproken. In Lin (2008) zijn onderzoek wordt voornamelijk gekeken naar de afwijkingen in resultaten verkregen door het toepassen van de Two Stage Least Squares (TSLS) methode en eerdere resultaten verkregen door middel van Ordinary Least Squares (OLS). Hij veronderstelt dat zijn resultaten een bijdrage leveren aan het onderzoek naar misdaad. Dit zou zijn omdat met het gebruik van paneldata in combinatie met de instrumentele benadering een goede manier is om de relatie tussen misdaad en werkloosheid te identificeren aangezien simultaniteit, weggelaten verklarende variabelen en meetfouten alle drie kunnen leiden tot onzuiverheden in de OLS-resultaten. Lin (2008) kijkt in zijn onderzoek ook naar de zeven typen misdaad afzonderlijk maar doet geen onderzoek naar het effect van het aggregeren van deze typen misdaad.

Marvell & Moody (1996) doen onderzoek naar het effect van politie op misdaad. Hierin maken zij gebruik van paneldata die beschikt over informatie over zowel staten als over steden. De auteurs richten zich voornamelijk op specificatie problemen. Daarin richten zij zich voornamelijk op de causale relatie tussen politie en misdaad en op de weggelaten variabelen. Om simultaniteit te adresseren gebruikt veel eerder onderzoek de aanpak met instrumentele variabelen. Maar dit is een vrij lastige aanpak. Voor het vinden van een geldig instrument moet er worden gezocht naar variabelen die invloed hebben op politie maar niet andersom. Daarnaast mag dit instrument geen effect hebben op misdaad of worden beïnvloed door misdaad. Daarom gebruiken Marvell & Moody (1996) een andere aanpak. De auteurs maken gebruik van een dynamisch model dat gebruik maakt van de vertraging tussen politie

en misdaad. Dit model wordt ook in dit onderzoek gebruikt en zal in paragraaf 3.2 nader worden besproken.

Het tweede probleem waar Marvell & Moody (1996) zich mee bezighouden zijn de weggelaten verklarende variabelen. Zij voegen vier soorten variabelen toe om het effect van de weggelaten variabelen te verzachten. Dit zijn tijdeffecten, zoals een jaardummy, die ervoor zorgen dat er wordt gecontroleerd op factoren die misdaad en politie landelijk beïnvloeden in een gegeven jaar. Ook constante effecten worden opgenomen zoals een staatsdummy, die er voor zorgt dat er op de onopgemerkte heterogeniteit onder staten wordt gecontroleerd. Dan worden er nog trenddummy's toegevoegd om onderscheid te maken tussen misdaadtrends en landelijke trends. En als laatste worden er nog afhankelijke vertraagde variabelen toegevoegd die controleren voor weggelaten vertraagde variabelen.

2.3 Aggregeren

Cherry & List (2001) gebruiken de aanpak en de opzet van Cornwell & Trumbull (1994). De enige aanpassing en volgens de schrijvers een hele belangrijke aanpassing is dat er verschil wordt gemaakt in niet alleen het regresseren op misdaad in het geheel of alleen op

gewelddadige misdaad of vermogensdelicten maar dat er op ieder type misdaad afzonderlijk wordt geregresseerd. Het samennemen van de verschillende typen misdaad zorgt volgens de auteurs voor geaggregeerde onzuiverheid. Door het niet samennemen van de typen misdaad kan er worden gekeken naar het afschrikkende effect dat hoogstwaarschijnlijk varieert per soort misdaad. Op deze manier kan er worden gecontroleerd op jurisdictionele heterogeniteit en op de heterogeniteit van andere parameters die ook kunnen verschillen per soort misdaad. Cherry & List (2001) benadrukken dat het regresseren op de zeven soorten misdaad afzonderlijk van groot belang is om geaggregeerde onzuiverheden uit de weg te gaan. In hun onderzoek verkrijgen zij een opmerkelijk resultaat. Voor alle typen misdaad afzonderlijk en voor de gewelddadige misdaden en vermogensdelicten vinden zij dat politie een negatief effect heeft op de gereggresseerde misdaad, dus bij een toename van politie is er sprake van een afname van misdaad. Terwijl wanneer er wordt gekeken naar de totale misdaad, politie echter een positief effect heeft op de totale misdaad. Na het aggregeren van alle typen misdaad wordt er een tegenovergesteld resultaat verkregen. Dit is dan ook waar dit artikel zich op richt. Of het aggregeren van typen misdaad wel leidt tot zuivere resultaten, met de voornaamste focus op politie. Het onderscheid van dit onderzoek met eerdere onderzoeken is

dat er gebruik wordt gemaakt van paneldata en er wordt gewerkt met dynamische specificaties.

3 Onderzoeksmethode

3.1 Dataset

In dit onderzoek wordt er gewerkt met een paneldataset beschikbaar gesteld door Lin (2008). Het gebruik van paneldata brengt drie grote voordelen met zich mee. Als eerste voordeel heeft een paneldata veel observaties. In plaatst van alleen te kunnen kijken naar één staat over meerdere jaren of juist naar meerdere staten over één jaar, kan er nu worden gekeken naar meerdere staten over meerdere jaren. Het tweede voordeel van een paneldata is de

mogelijkheid om met niet waargenomen heterogeniteit om te gaan. Het derde voordeel van een paneldata is de mogelijkheid om specifieke staats- en specifieke jaartrends uit te kunnen sluiten. (Cameron & Trivedi, 2005)

De gebruikte dataset omvat een panel over 51 staten en beschikt over observaties gedurende 31 jaar. Vanaf 1970 tot en met 2000. Een groot voordeel van paneldata is dat het over veel observaties beschikt. Zo wordt er niet alleen naar informatie over meerdere staten in één jaar gekeken, of naar één staat over meerdere jaren maar juist naar meerdere staten over meerdere jaren. Ten opzichte van een cross-sectie analyse kan er op deze manier beter worden gecontroleerd voor weggelaten relevante variabelen.

De dataset van Lin (2008) beschikt onder andere over de zeven misdaadtypen en daardoor ook over het aantal vermogensdelicten (vermogen), het aantal gewelddadige misdaden (gewelddadig) en de totale hoeveelheid misdaad (totaal). Deze variabelen en het totale aantal politieagenten (politie) zijn verkregen uit de Uniform Crime Report van de FBI. De zeven misdaadtypen zoals al eerder aangegeven zijn: Moord, verkrachting, aanranding, overval, inbraak, algemene diefstal en autodiefstal. Daarnaast is de variabele alcoholgebruik (alcohol) afkomstig van de National Institute of Alcohol Abuse and Alcoholism wat de totale consumtie aan alcohol per persoon weergeeft. Verder komen de variabele werkloosheid, agglomeratie, Afrikaanse Amerikanen (Afro_Amerikanen), armoede cijfers (armoede), de leeftijdscategorie vijfentwintig jaar tot en met vierendertigjaar (a2534) en de financiële variabelen: staatsinkomen per capita (inkomen), staatsuitgaven aan scholing (scholing) en hulp voor afhankelijke kinderen (afdc) uit de Statistical Abstract of the United States.

Variabelen die in deze dataset ontbreken zijn de variabelen ‘kans op arrestatie’, ‘kans op veroordeling’, ‘kans op gevangenschap’ en ‘de ernst van de straf’. Het onderzoek zal worden verricht zonder het opnemen van deze variabelen. Ondanks dat Marvell & Moody (1996) ervan overtuigd zijn dat de arrestatie data van de FBI lijdt aan incomplete aangiftes en daardoor niet volledig betrouwbaar zijn, worden deze variabelen als relevant aangezien met een verklarend effect op misdaad (Ehrlich, 1996). Dit kan niet worden gecontroleerd door het ontbreken van de gegevens.

Een aantal variabelen uit de dataset beschikken niet over gegevens uit het jaar 1970. Hierdoor wordt dit jaar niet opgenomen en beschikt de dataset nog over precies dertig jaar. In het model, wat later in de onderzoeksmethode nader wordt besproken, wordt gebruik gemaakt van éénjarig vertraagde variabelen. Hierdoor kan ook het jaar 1971 ook niet worden

opgenomen omdat er niet van alle variabelen in dat jaar een éénjarige vertraging aanwezig is. Hierdoor wordt er nog gewerkt met data over 29 jaar. Het verlies van twee van de éénendertig jaar zal geen significante verschillen geven vanwege het gebruik van paneldata en de

voordelen daarvan, die eerder deze paragraaf zijn besproken. Het aantal observaties is alsnog groot genoeg om zuivere resultaten te verkrijgen.

3.2 Methode

In dit artikel worden regressies gedaan met behulp van de kleinste kwadraten schatter (OLS). De regressies worden uitgevoerd door middel van een dynamisch model. Deze methode maakt gebruik van de vertraging tussen politie en misdaad. De reden dat hiervoor gekozen is, is om simultaniteit uit de weg te gaan.

Vervolgens worden er in de regressies dummy variabelen opgenomen. Dit zijn staat- en jaardummy’s. Zoals al eerder aangegeven, worden de staatdummy’s opgenomen om te controleren voor niet waargenomen heterogeniteit die zich tussen de staten bevindt. De jaardummy’s worden opgenomen om te controleren voor factoren die zich in een bepaald jaar onder alle staten voordoen. Voor iedere staat en voor ieder jaar wordt er een dummy

opgenomen behalve voor één jaar en voor één staat. Dit wordt gedaan vanwege perfecte collineariteit.

3.3 Regressies

In dit onderzoek wordt er gekeken of het aggregeren van verschillende typen misdaad leidt tot onzuivere resultaten. Vanwege het opmerkelijke resultaat uit het artikel Cherry & List (2001), een tegenovergesteld effect na het aggregeren van typen misdaad bij de variabele politie, richt dit artikel zich op de variabele politie. Dit wordt gedaan om te kijken of er een zelfde resultaat wordt verkregen door gebruik te maken van een andere dataset en het dynamische model. Om te bepalen of het aggregeren van typen misdaad correct is worden er meerdere regressies uitgevoerd. De regressies die worden uitgevoerd bevatten steeds bijna dezelfde verklarende variabelen alleen de afhankelijke variabele verandert. Op deze manier kunnen de afhankelijke variabelen goed worden vergeleken om te kijken naar het effect van aggregeren. De

afhankelijke variabelen die worden gebruikt zijn de totale misdaad, de twee groepen:

gewelddadige misdaad en vermogensdelicten en vervolgens de zeven typen misdaad. Er zijn dus tien afhankelijke variabelen waarop wordt geregresseerd.

Omdat er gebruik wordt gemaakt van een dynamisch model wordt er in iedere regressie de éénjarige vertraging van de afhankelijke variabele als verklarende variabele toegevoegd. Hierdoor is de enige aanpassing in de verklarende variabelen dat de vertraging van de afhankelijke variabele meeverandert per afhankelijke variabele.

Om er zeker van te zijn dat de resultaten afkomstig van de regressies robuust zijn wordt er een robuustheidsanalyse gedaan. Dit wordt gedaan aan de hand van vijf

verschillende regressies per afhankelijke variabele. De regressies die zullen worden gebruikt zullen van elkaar verschillen door kleine aanpassingen in de verklarende variabelen. Na het doen van al deze regressies kan er worden gekeken per afhankelijke variabele of de resultaten over deze vijf verschillende regressies eenzelfde uitslag geven. Hierin richt het artikel zich in het vergelijken van de variabele politie.

De vijf gekozen regressies van de robuustheidsanalyse zijn als volgt:

Yi,t = β1 + β2*yi,t-1 + β3*politiei,t + β4*politiei,t-1 + i + λt + ε sample(71-100) (1)

Yi,t = β1 + β2*yi,t-1 + β3*politiei,t + β4*politiei,t-1 + β5*inkomeni,t+ β6*inkomeni,t-1+

Yi,t = β1 + β2*yi,t-1 + β3*politiei,t + β4*politiei,t-1 + β5*a2534i,t+ β6*afdci,t+

β7*Afro_Amerikaneni,t+ β8*scholingti,t+ β9* inkomeni,t + β10*agglomeratiei,t-1 +

β11*armoedei,t+ β12*alcoholi,t+ β13*werkloosheidi,t + i + λt + ε sample(71-100) (3)

Yi,t = β1 + β2*yi,t-1 + β3*politiei,t + β4*politiei,t-1 + β5*a2534i,t+ β6*afdci,t +

β7*Afro_Amerikaneni,t + β8*scholingti,t + β9* inkomeni,t + β10*agglomeratiei,t-1 +

β11*armoedei,t + β12*alcoholi,t + β13*werkloosheidi,t + i + λt + ε sample(71-91) (4)

Yi,t = β1 + β2*yi,t-1 + β3*politiei,t + β4*politiei,t-1 + β5*a2534i,t + β6*afdci,t +

β7*Afro_Amerikaneni,t + β8*scholingti,t+ β9* inkomeni,t + β10*agglomeratiei,t-1 +

β11*armoedei,t + β12*alcoholi,t + β13*werkloosheidi,t + i + λt + ε sample(92-100) (5)

Hierin is Yi,t de misdaad(categorie) voor staat i en jaar t. Verder is yi,t-1 de éénjarig vertraagde misdaad(categorie). Allereerst wordt er alleen op politie en zijn eenjarige

vertraging gereggresseerd en worden de éénjarige vertraging van misdaad en de staat- en jaar dummies ( i ,λt ) opgenomen als verklarende variabelen zoals al eerder vermeld. In de tweede

serie regressies worden vier variabelen toegevoegd waarvan verwacht wordt dat ze een grote invloed hebben op misdaad, dit zijn het staatsinkomen per capita en werkloosheid en hun éénjarige vertraging. De derde regressie bevat meerdere variabelen waarvan wordt verwacht dat ze mogelijk een effect hebben op misdaad. Dit zijn de leeftijdscategorie van vijfentwintig tot en met vierendertig, financiële hulp voor families met afhankelijke kinderen,

Afro-Amerikaanse populatie, staatsuitgaven aan scholing, het staatsinkomen per capita,

agglomeratie, armoede cijfers, het alcoholgebruik en weer werkloosheid zonder vertraging. De derde, vierde en vijfde regressies bevatten exact dezelfde verklarende variabelen maar worden geregresseerd over verschillende jaren. De eerste drie regressies worden gedaan over de jaren 1971 tot en met 2000. De vierde en vijfde regressie worden gedaan over de jaren 1971 tot en met 1991 en 1992 tot en met 2000 respectievelijk. De keuzen voor deze jaartallen is gemaakt aan de hand van figuur 1 die is gebaseerd op de FBI Crime index. Hierin geeft ‘total’ de totale hoeveelheid misdaad weer, ‘property’ heet aantal vermogensdelicten en ‘violent’ het aantal gewelddadige misdaden. De verticale as weergeeft het aantal misdaden per 1000 weer, en de horizontale as weergeeft de jaren.

Figuur 1.

In figuur 1 is een duidelijke stijgende periode, gelijkblijvende periode en een dalende periode te zien van de misdaad in de Verenigde Staten over de jaren 1960 tot en met 2004. Hierin is de opmerkelijke gebeurtenis te zien dat rond het jaar 1992 er een plotselinge sterke daling is in de misdaad. Hierdoor is er voor gekozen om de laatste twee regressies van de

robuustheidsanalyse te regresseren over verschillende tijdsperiodes. De één van 1971 tot en met 1991 en de andere van 1992 tot en met 2000 om te kijken of de resultaten robuust zijn in deze opmerkelijke gebeurtenis.

Politie wordt in eerdere onderzoeken voornamelijk op twee manieren opgenomen. Er wordt vaak of gekozen voor alleen het opnemen van de variabele politie zonder vertraging (Cornwell & Trumbull, 1994), of gekozen voor het opnemen van de éénjarige vertraging van politie Marvell & Moody (1996). Marvell & Moody (1996) geven in hun onderzoek aan dat als de hoeveelheid politie de hoeveelheid misdaad beïnvloed dat er bij een toename van politie nog voor meerdere maanden geen impact zal zijn. Dit is voornamelijk zo doordat het tijd kost om niewe politieagenten te trainen, en het tijd kost voor dat misdadigers doorhebben dat er een toename is in politieagenten. Door gebruik te maken van vertraagde variabelen, zou het merkbaar moeten zijn wanneer politie alleen een onmiddelijk effect heeft op misdaad.

In dit onderzoek wordt onder andere gekeken of er een verschil wordt gevonden tussen de variabele politie en de éénjarige vertraagde politie variabele. Hierin worden eerst alle regressies uitgevoerd, die eerder in dit artikel worden besproken, waarin zowel de

variabelen politie als de éénjarige vertraagde politie worden opgenomen. Vervolgens worden alle regressies uitgevoerd waarin de variabele ‘vertraagde politie’ niet wordt opgenomen en als laatste worden alle regressies uitgevoerd waarin juist de variabele ‘politie zonder

vertraging’ niet wordt opgenomen. Zo kan er duidelijk worden gezien of hieruit dezelfde effecten komen, of dat er verschillende effecten worden verkregen.

3.4 Specificatie testen

Voordat er kan worden aangenomen dat de verkregen resultaten zuiver zijn moet er op bepaalde aanwezigheden worden gecontroleerd. In het gebruikte model wordt er

gecontroleerd op simultaniteit door de éénjarige vertraging van de afhankelijke variabele op te nemen in de verklarende variabelen. Verder wordt er gewerkt met white standard errors. Op deze manier kan er worden gecorrigeerd op heteroskedasticiteit die mogelijk aanwezig is. Door dit te doen wordt er gecorrigeerd voor heteroskedasticiteit. Verder wordt er gekeken naar de aanwezigheid van seriële correlatie. Een veel gebruikt test voor het aantonen van autocorrelatie is de Durbin-Watson test. Bij het gebruik van paneldata blijkt deze echter niet volledig betrouwbaar te zijn. Hierdoor wordt er gewerkt met het autoregressieve model (AR(1)). Bij AR(1) wordt het residu van de regressie gebruikt als afhankelijke variabele en de éénjarige vertraging van het residu als verklarende variabele. Door dit te doen kan er worden gekeken of de éénjarige vertraging een invloed heeft op het niet vertraagde residu. Dit wordt bepaald aan de hand van de p-waardes verkregen door de t-test.

3.5 Seemingly Unrelated Regressions (SUR)

Als alle regressies zijn uitgevoerd, en alle controles zijn gedaan, kan er worden gekeken naar het effect van het agggregeren van typen misdaad. Dit wordt gedaan aan de hand van SUR. SUR is een model die meerdere lineair regressie regressies bevat. Ondanks dat de naam aangeeft dat deze regressies ongerelateerd met elkaar zijn deze toch indirect met elkaar gecorreleerd. Dit komt namelijk doordat de regressies met elkaar gerelateerd zijn door de standaardfouten. De afhankelijke variabelen per regressies zijn indirect met elkeaar

gerelateerd. Wanneer de standaardfouten ongecorreleerd met elkaar blijken te zijn, komt het model overeen met meerdere OLS regressies. (boek verwijzen Micro econometrics methods and applications).

Voordat het SUR model kan worden gebruikt moet de dataset worden aangepast. Het SUR model kan niet werken met panel data aangezien het aantal staten groter is dan het aantal

jaren dat wordt gebruikt per staat. Hierdoor is de paneldata omgezet naar een dataset zonder tijdseries.

De regressies die worden uitgevoerd door middel van SUR komen vrijwel overeen met de regressies uitgevoerd door middel van OLS. Alleen is het niet mogelijk om de ‘White errors’ op te nemen in de regressies van SUR en kan er niet meer mogelijk om specifieke tijdtrends uit te sluiten. Verwacht wordt, door het opnemen van dezelfde regressies als in OLS, dat de uitkomsten vrijwel overeen zullen komen.

Wanneer de SUR methode wordt uitgevoerd kunnen de resultaten vrij gemakkelijk met elkaar worden vergeleken met behulp van de Wald test. Op deze manier kan er worden gekeken of het aggregeren leidt tot overeenkomstige resultaten of juist niet.

3.6 Onderscheid met eerder onderzoek

Dit onderzoek onderscheidt zich van eerder onderzoek in meerdere opzichten. Lin (2008) onderzoekt in zijn artikel het effect van werkloosheid op misdaad. Dit doet hij aan de hand van OLS en TSLS. Hierin kijkt hij zowel naar de effecten van werkloosheid op de

geaggregeerde misdaden als op de zeven typen misdaden apart. Wat Lin (2008) echter niet doet is het gebruik maken van een dynamisch model en daarnaast onderzoekt hij ook niet wat het gevolg van aggregeren is. Cornwell & Trumbull (1994) en Cherry & List (2001) maken in hun onderzoek ook gebruik van paneldata. Cornwell & Trumbull (1994) houden zich

voornamelijk bezig met het onderzoeken naar het verschil tussen cross-sectiedata en paneldata. Zij tonen aan dat de prikkels van wetshandhaving een effect hebben op misdaad maar dat dit wordt overschat vanwege het gebrek aan controles naar endogeniteit. Cherry & List (2001) bouwen voort op de aanpak van Cornwell & Trumbull (1994). Net als in dit onderzoek kijken zij naar het effect van aggregeren van de zeven typen misdaad. Zij doen dat ook aan de hand van het SUR model. Het voornaamste verschil tussen dit onderzoek en dat van Cherry & List (2001), en daarom ook met dat van Cornwell & Trumbull (1994), is dat dit onderzoek gebruik maakt van het dynamische model.

4 Onderzoeksresultaten

In tabel 4.1, tabel 4.2 en tabel 4.3 worden de coëfficiënten weergegeven van de variabelen politie en de éénjarige vertraagde politie verkregen door de regressies die zijn uitgevoerd door

middel van OLS en SUR. In tabel 4.1 worden de resultaten getoond die zijn verkregen door de regressies waarin zowel politie als de éénjarig vertraagde politie is opgenomen. In tabel 4.2 zijn de resultaten te zien van de regressies waarin de éénjarig vertraagde politie variabele niet meer is opgenomen en in tabel 4.3 zijn te resultaten te zien waarin de variabele politie zonder vertraging niet meer is opgenomen.

In de eerste rij van deze drie tabellen kan worden gezien uit welke regressie de coëfficiënten van politie en de éénjarig vertraagde politie afkomstig zijn. De eerste kolom in deze drie tabellen geeft aan om welke type regressie het gaat, OLS of SUR, en om welke variabele het gaat. Met de cijfers (1) tot en met (5) wordt aangeduid om welke van de 5 regressies uit de robuustheidsanalyse het gaat.

4.1 OLS resultaten

In dit onderzoek wordt er gewerkt met een significantie niveau van vijf procent. Het eerste opmerkelijke aan de OLS resultaten uit tabel 4.1, tabel 4.2 en tabel 4.3 is het gebrek aan significante resultaten. Zowel de variabele politie als de éénjarig vertraagde politie variabele hebben in bijna geen enkel geval een significant effect op de misdaad waarop is

geregresseerd. 4.1.1 Politie

Wanneer er wordt gekeken naar de resultaten van de variabele politie verkregen door middel van OLS is te zien dat de eerste drie regressies zowel in tabel 4.1 als in tabel 4.2

overeenkomstige resultaten laten zien. Politie heeft een negatief effect op autodiefstal,

inbraak, moord en op de geaggregeerde gewelddadige misdaad. Verder is een positief effect te zien op algemene diefstal. De andere typen en geaggregeerde misdaden tonen over de eerste drie regressies geen geheel overeenkomstige resultaten. De vierde en de vijfde regressie spreken elkaar voornamelijk tegen. De vierde regressie toont zowel in tabel 4.1 als in tabel 4.2 dat politie een positief effect heeft op alle tien de afhankelijke variabelen. Daarentegen toont de vijfde regressie precies het tegenovergestelde resultaat. In de vijfde regressie heeft politie zowel in tabel 4.1 als in tabel 4.2 juist een negatief effect op vrijwel alle afhankelijke

variabelen. Dit is een opmerkelijke gebeurtenis en duidt aan dat de resultaten verkregen door de vijf verschillende regressies niet robuust zijn als het om de variabele politie gaat.

4.1.2 Vertraagde politie.

Wanneer er naar de coëfficiënten van de éénjarig vertraagde politie kijken verkregen door middel van OLS is te zien in tabel 4.1 en tabel 4.3 dat er in de eerste drie regressies minder sprake van overeenkomende resultaten is als bij de variabele politie. De éénjarig vertraagde

politie variabele heeft een positief effect op aanranding en een negatief effect op de vermogensdelicten en de totale misdaad. De andere resultaten verkregen door middel van OLS hebben geen duidelijk positief of negatief effect op misdaad maar tonen wel

overeenkomstige resultaten over de drie regressies in tabel 4.1 en tabel 4.3. Als er wordt gekeken naar regressies vier en vijf, is te zien dat waar in regressies één tot en met drie juist een positief effect van de éénjarige vertraagde politie op misdaad te vinden is, nu een negatief effect te vinden is. Ook waar eerst een negatief effect van politie op misdaad te vinden is, wordt nu een positief effect aangetoont.

De vierde en vijfde regressies spreken elkaar tegen als het gaat om de variabele politie maar geven een vrijwel overeenkomstig resultaat als het om de éénjarig vertraagde politie variabele gaat. Ook hier zijn de resultaten verkregen door de vijf verschillende regressies niet robuust.

4.2 SUR resultaten

Wanneer er naar de resultaten wordt gekeken die verkregen zijn door middel van SUR is te zien dat in tegenstelling tot de resultaten verkregen door OLS deze juist vrijwel allemaal significant zijn, zowel voor politie als voor de éénjarige vertraagde politie.

4.2.1 Politie

Wanneer er weer wordt gekeken naar de resultaten van de variabele politie maar nu verkregen door middel van SUR is te zien dat ondanks de aanwezigheid van veel significante resultaten er alsnog vrij weinig bevindingen zijn met een duidelijk positief of negatief effect. Uit tabel 4.1 en tabel 4.2 kan worden afgelezen dat de resultaten uit tabel 1 minder overeenkomstig zijn dan de resultaten uit tabel 4.2. De variabele politie heeft zowel in tabel 4.1 als in tabel 4.2 een positief effect op de afhankelijke variabelen: algemene diefstal, vermogensdelicten en de totale misdaad. Verder is er een negatief effect te vinden in de regressies uit tabel 4.2 op de misdaden: autodiefstal, inbraak, overval en moord. De vierde en de vijfde regressie geven een overeenkomstig resultaat als de resultaten verkregen door middel van OLS. In de vierde regressie heeft politie een positief effect op alle tien de afhankelijke variabelen, zowel voor de regressie waarin ook de vertraagde politie is opgenomen (tabel 1) als de regressie waarin de vertraagde politie niet is opgenomen (tabel 4.2). In de vijfde regressie wordt er weer een

negatief effect gevonden op alle typen misdaad, net als de de vijfde regressie door middel van OLS. Ook hier zijn de resultaten verkregen door de vijf verschillende regressies niet robuust wanneer er naar de variabele politie wordt gekeken.

4.2.2 Vertraagde politie

In tabel 4.1 en tabel 4.3 is te zien dat de éénjarig vertraagde politie variabele geheel

overeenkomende resultaten heefts over de eerste drie regressies. Alle resultaten uit deze drie eerste regressies zijn zelfs significant zijn met een significantie niveau van één procent. Hieruit is op te maken dat de éénjarige vertraagde politie een negatief significant effect heeft op alle tien de afhankelijke variabelen. Ook de vierde regressie voldoet hier aan voor alle afhankelijke variabelen. Daarentegen geeft de vijfde regressie een ietswat ander resultaat. De éénjarig vertraagde politie heeft alsnog in de vijfde regressie een negatief effect op overval en moord, maar weer een positief effect op autodiefstal, algemene diefstal, vermogensdelicten en de totale misdaad. Ondanks dat de resultaten niet geheel robuust zijn onder de vijf

verschillende regressies, geven deze resultaten wel de meest overeenkomende resultaten dat de éénjarig vertraagde politie voornamelijk een negatief effect heeft op misdaad.

4.3 Seriële correlatie

In paragraaf 4.1 en paragraaf 4.2 zijn de resultaten besproken verkregen door middel van OLS en SUR. Daarin is de significantie van de resultaten behandeld, de positieve effecten en negatieve effecten van de variabelen politie en de éénjarig vertraagde politie en hoe robuust deze resultaten zijn. Zoals al genoemd in paragraaf 3.4 zijn er meerdere specificatie testen toegepast. Één van deze specificatie testen is de test naar seriële correlatie. Er is nog niet gesproken over de aanwezigheid van seriële correlatie in de regressies. De aanwezigheid van seriële correlatie is op twee verschillende manieren gemeten. Bij de OLS regressies is er gebruik gemaakt van de autoregressieve model met één vertraging (AR(1)). Hiervan is

gebruik gemaakt in plaatst de Durbin-Watson test. Omdat er gebruik wordt gemaakt van panel data is de Durbin-Watson test niet betrouwbaar genoeg zoals al is vermeld in paragraaf 3.4. In de regressies uitgevoerd door middel van SUR wordt er niet meer gewerkt met paneldata waardoor de Durbin-Watson test hier wel een betrouwbare test is. Hierdoor wordt er bij de SUR regressies door middel van de Durbin-Watson test bepaald of er sprake is van

De resultaten van deze twee testen geven als resultaat dat er vrij veel seriële correlatie aanwezigheid is. Bij de OLS regressies lijden voornamelijk totale misdaad,

vermogensdelicten, gewelddadige misdaad en moord aan seriële correlatie en de andere 6 typen misdaad juist niet met uitzondering van de vierde regressie per afhankelijke variabele die juist veel seriële correlatie aangeeft. Bij de SUR regressies is er vrijwel bij iedere regressie sprake van seriële correlatie met als enige uitzondering de vijfde regressie waar alleen de totale misdaad, vermogensdelicten en gewelddadige misdaad seriële correlatie in hun regressie bevatten.

4.4 Wald Resultaten

Om te kunnen concluderen of het aggregeren van typen misdaad leidt tot onzuivere resultaten wordt er een Wald test uitgevoerd op de SUR methode. Op deze manier kan er worden gekeken of de coëfficiënt van de geaggregeerde groep wel overeen komt met die van de coëfficiënten van de typen misdaad afzonderlijk. Door middel van de SUR methode zijn er per afhankelijke variabele steeds vijf regressies uitgevoerd. Van iedere regressie vergelijkt de Wald test de coëfficiënten van politie en de éénjarige vertraagde politie met de coëfficienten van politie en de éénjarige vertraagde politie uit de andere regressies. Dit wordt over de vijf verschillende regressies herhaald.

In tabel 4.4, tabel 4.5 en tabel 4.6 zijn de resultaten van de Wald test te zien. Tabel 4.4, tabel 4.5 en tabel 4.6 weergeven de resultaten verkregen uit de regressies waarin zowel de variabele politie als de éénjarige vertraagde politie variabele is opgenomen in de regressie. Ook de resultaten verkregen uit de regressies waar de éénjarige vertraagde variabele politie niet meer is opgenomen en de resultaten verkregen uit de regressies waarin de variabele politie zonder vertraging niet meer is opgenomen zijn te zien in tabel 4.4, tabel 4.5 en tabel 4.6. In de eerste rij van iedere tabel staan de afhankelijke variabele waarop is geregresseerd.

Het eerste resultaat achter ‘(1) Politie totale misdaad’ in tabel 4.4 geeft de p-waarde aan van de Wald test, verkregen uit de regressie waarin zowel de variabele politie als de éénjarige vertraagde politie variabele is opgenomen. De Wald test die is uitgevoerd vergelijkt de coëfficiënt van de variabele politie verkregen uit de regressie met afhankelijke variabele ‘moord’ met de coëfficiënt van de variabele politie verkregen uit de regressie met

de eerste van de vijf regressies die is uitgevoerd. Wanneer de p-waarde kleiner is dan 0,05 dan wordt de nul hypothese verworpen dat de coëfficiënten gelijk zijn aan elkaar.

Tabel 4.5 en tabel 4.6 worden op eenzelfde soort manier gepresenteerd als tabel 4.4. In tabel 4.5 worden de coëfficiënten van politie en de éénjarige vertraagde politie met

afhankelijke variabele ‘gewelddadige misdaad’ vergeleken met die van de coëfficienten van politie en de éénjarige vertraagde politie met als afhankelijke variabelen: moord, verkrachting, aanranding en overval. In tabel 4.6 worden de coëfficiënten van politie en de éénjarige

vertraagde politie met afhankelijke variabele ‘vermogensdelicten’ vergeleken met die van de coëfficienten van politie en éénjarige vertraagde politie met afhankelijke variabele: inbraak, algemene diefstal en autodiefstal.

Murder Verkrachting Aanranding Overval Inbraak

Algemene

diefstal Autodiefstal

Politie en politie(-1)

(1) Politie Totale misdaad 0,199 0,198 0,186 0,188 0,15 0,138 0,172

(2) Politie Totale misdaad 0,306 0,305 0,289 0,29 0,229 0,213 0,266

(3) Politie Totale misdaad 0,378 0,376 0,358 0,358 0,281 0,255 0,33

(4) Politie Totale misdaad 0,554 0,552 0,534 0,529 0,403 0,296 0,505

(5) Politie Totale misdaad -0,009** -0,012* -0,436 -0,416 -0,647 -1,536 -0,594

(1) Politie(-1) Totale misdaad 0,16 0,159 0,149 0,151 0,123 0,109 0,139

(2) Politie(-1) Totale misdaad 0,298 0,03* 0,282 0,282 0,223 0,206 0,258

(3) Politie(-1) Totale misdaad 0,187 0,187 0,177 0,178 0,143 0,126 0,166

(4) Politie(-1) Totale misdaad 0,192 0,191 0,184 0,184 0,143 0,1 0,174

(5) Politie(-1) Totale misdaad 0,549 0,55 0,528 0,532 0,517 0,8 0,495

Politie

(1) Politie Totale misdaad 0,223 0,222 0,209 0,212 0,182 0,122 0,199

(2) Politie Totale misdaad 0,332 0,33 0,313 0,314 0,263 0,206 0,292

(3) Politie Totale misdaad 0,447 0,445 0,421 0,432 0,345 0,277 0,391

(4) Politie Totale misdaad 0,643 0,64 0,622 0,614 0,478 0,336 0,585

(5) Politie Totale misdaad 0,511 0,512 0,492 0,497 0,48 0,73 0,46

Politie(-1)

(1) Politie(-1) Totale misdaad 0,155 0,154 0,142 0,149 0,135 0,092 0,139

(2) Politie(-1) Totale misdaad 0,291 0,29 0,276 0,277 0,226 0,205 0,257

(3) Politie(-1) Totale misdaad 0,187 0,187 0,177 0,179 0,145 0,122 0,166

(4) Politie(-1) Totale misdaad 0,198 0,197 0,188 0,19 0,15 0,102 0,179

(5) Politie(-1) Totale misdaad 0,496 0,497 0,478 0,482 0,468 0,724 0,448

Uit tabel 4.4 is af te lezen, door de aanwezigheid van veel insignificante resultaten, dat de zowel coëfficiënten van de éénjarige vertraagde politie variabele als de coëfficienten van politie zonder vertraging van alle zeven typen misdaad afzonderlijk overeenkomen met de coëfficienten van de éénjarige vertraagde politie en politie zonder vertraging met afhankelijke variabele ‘totale misdaad’. Hierin is één enkele uitzondering te vinden met afhankelijke variabele ‘verkrachting’. Verder is er geen enkele waarde kleiner dan 0,05 wat aangeeft dat de nulhypothese verder niet wordt verworpen en het aggregeren van de zeven type misdaden tot één grote groep de zeven typen misdaad afzonderlijk goed vertegenwoordigd.

Tabel 4.5 weergeeft een geheel andere uitkomst. Zowel de variabele politie als de éénjarig vertraagde politie variabelen worden in veel regressies niet goed vertegenwoordigd door de geaggregeerde groep ‘gewelddadige misdaad’. Vrijwel alle coëfficiënten van zowel politie als de éénjarige vertraagde politie van de vier afhankelijke variabelen zijn significant.

Inbraak Algemene diefstal Autodiefstal Politie en politie(-1) (1) politie vermogensdelicten 0,124 0,113 0,146 (2) politie vermogensdelicten 0,195 0,179 0,231 (3) politie vermogensdelicten 0,238 0,214 0,287 (4) politie vermogensdelicten 0,358 0,24 0,459 (5) politie vermogensdelicten 0,453 0,761 0,427 (1) politie(-1) vermogensdelicten 0,102 0,09 0,112 (2) politie(-1) vermogensdelicten 0,19 0,174 0,225 (3) politie(-1) vermogensdelicten 0,122 0,106 0,144 (4) politie(-1) vermogensdelicten 0,125 0,08 0,156 (5) politie(-1) vermogensdelicten 0,442 0,748 0,417 Politie en politie(-1) (1) politie vermogensdelicten 0,155 0,096 0,173 (2) politie vermogensdelicten 0,225 0,17 0,254 (3) politie vermogensdelicten 0,291 0,218 0,339 (4) politie vermogensdelicten 0,423 0,272 0,532 (5) politie vermogensdelicten 0,418 0,694 0,394 Politie(1) (1) politie(-1) vermogensdelicten 0,114 0,076 0,118 (2) politie(-1) vermogensdelicten 0,197 0,173 0,227 (3) politie(-1) vermogensdelicten 0,124 0,102 0,144 (4) politie(-1) vermogensdelicten 0,131 0,081 0,16 (5) politie(-1) vermogensdelicten 0,409 0,689 0,385

Hierdoor representeerd de geaggregeerde groep ‘gewelddadige misdaad’ de vier afzonderlijke typen misdaad niet goed, en worden hierdoor onzuivere resultaten weergeven.

In tabel 4.6 is er geen enkele sprake van significante resultaten en geeft daarbij aan dat het aggregeren van ‘inbraak’, ‘algemene diefstal’ en ‘autodiefstal’ tot de groep

‘vermogensdelicten’ geen onzuivere resultaten geeft voor zowel de variabele politie als de éénjarige vertraagde politie variabele.

Politie and Politie(-1) Moord Verkrachting Aanranding Overval

(1) Politie gewelddadige misdaad 0,035* 0,034* 0,022* 0,024*

(2) Politie gewelddadige misdaad 0,048* 0,047* 0,035* 0,032*

(3) Politie gewelddadige misdaad 0,059 0,057 0,04* 0,04*

(4) Politie gewelddadige misdaad 0,075 0,073 0,046* 0,046*

(5) Politie gewelddadige misdaad 0,107 0,107 0,15 0,124

(1) Politie(-1) gewelddadige misdaad 0,028* 0,027* 0,017* 0,019*

(2) Politie(-1) gewelddadige misdaad 0,046* 0,045* 0,033* 0,031*

(3) Politie(-1) gewelddadige misdaad 0,029* 0,028* 0,02* 0,02*

(4) Politie(-1) gewelddadige misdaad 0,026* 0,026* 0,016* 0,017*

(5) Politie(-1) gewelddadige misdaad Politie

(1) Politie gewelddadige misdaad

0,104 0,034* 0,104 0,033* 0,147 0,019* 0,121 0,024*

(2) Politie gewelddadige misdaad 0,049* 0,048* 0,034* 0,033*

(3) Politie gewelddadige misdaad 0,071 0,069 0,042* 0,047*

(4) Politie gewelddadige misdaad 0,088 0,087 0,051 0,055

(5) Politie gewelddadige misdaad Politie(-1)

(1) Politie(-1) gewelddadige misdaad

0,101 0,101 0,138

0,015*

0,116

0,02*

0,026* 0,025*

(2) Politie(-1) gewelddadige misdaad 0,045* 0,044* 0,032* 0,03*

(3) Politie(-1) gewelddadige misdaad 0,028* 0,028* 0,02* 0,02*

(4) Politie(-1) gewelddadige misdaad 0,027* 0,026* 0,016* 0,018*

(5) Politie(-1) gewelddadige misdaad 0,098 0,098 0,138 0,115

5 Discussie

5.1 Resultaten OLS en SUR

5.1.1 Verschil tussen OLS en SUR

De twee voornaamste verschillen tussen OLS en SUR is ten eerste dat OLS de mogelijkheid heeft om met paneldata te werken en SUR deze mogelijkheid niet heeft en hierdoor niet specifieke tijdtrends kan uitsluiten. Ten tweede combineert SUR meerdere lineaire regressies en maakt de aanname dat er correlatie is te vinden tussen de storingstermen van deze lineaire regressies. Bij het gebruik van OLS worden de regressies afzonderlijk geregresseerd en is er geen sprake van een aanname dat de standaardtermen met elkaar correleren.

De regressies die zijn uitgevoerd door middel van OLS corrigeren voor

heteroskedasticiteit. Dit wordt gedaan door het opnemen van ‘White errors’, wat al eerder is behandeld in paragraaf 3.4. De regressies die door middel van SUR zijn uitgevoerd, zijn niet gecorrigeerd voor heteroskedasticiteit door het niet kunnen opnemen van ‘White errors’.

Door het verschil in het gebruik van de dataset, de verschillende aannames over correlatie tussen de storingstermen en het wel/niet kunnen corrigeren voor heteroskedasticiteit kunnen de resultaten verkregen door OLS en SUR van elkaar verschillen.

Het voornaamste verschil tussen de resulaten verkregen door middel van OLS en SUR is dat de resultaten verkregen door SUR vaker significant zijn dan de verkregen resultaten door middel van OLS. Door gebrek aan significantie in de resultaten van OLS is de interpretatie van de coëfficiënten een stuk minder betrouwbaar aangezien de nulhypothese niet verworpen kan worden dat de coëfficiënten gelijk zijn aan nul. Politie heeft daardoor goed mogelijk weinig tot geen effect op de geregresseerde misdaad.

Uit hoofdstuk vier en met name paragraaf 4.1 en paragraaf 4.2 kan worden opgemaakt dat de resultaten zowel onder OLS als onder SUR niet robuust zijn onder de vijf verschillende regressies. Wel zijn de resultaten vrijwel robuust over de eerste drie regressies, waardoor de variabelen politie en de éénjarig vertraagde politie met elkaar worden vergeleken over de eerste drie regressies.

5.1.2 Politie en vertraagde politie

Wanneer er wordt gekeken naar de variabele politie, zowel naar de regressies waarin én de variabele politie én de éénjarig vertraagde politie variabele is opgenomen als naar de regressies waar de éénjarig vertraagde politie variabele niet meer is opgenomen zien we vrijwel geheel overeenkomende resultaten verkregen door middel van OLS en SUR. Uit tabel 4.1 en tabel 4.2 kan worden afgelezen dat de variabele politie een positief effect heeft op algemene diefstal en een vrijwel overeenkomend positief effect op de totale misdaad en op de vermogensdelicten. Politie heeft een vrijwel overeenkomend negatief effect op autodiefstal, inbraak en moord.

Wanneer er wordt gekeken naar de éénjarige vertraagde politie wordt er bij de de resultaten verkregen door middel van SUR gezien dat de éénjarige vertraagde politie een negatief effect heeft op alle afhankelijke variabelen. Wanneer er wordt gekeken naar de OLS resultaten heeft de éénjarig vertraagde politie niet meer in alle drie de regressies een negatief effect op alle afhankelijke variabelen. De éénjarige vertraagde politie heeft een negatief effect, zowel door middel van OLS als door middel van SUR, op de variabelen totale misdaad en vermogensdelicten. Dit is een tegenovergesteld resultaat met de variabele politie, die juist een positief effect heeft op de totale misdaad en de vermogensdelicten. Verder heeft de éénjarige vertraagde politie voornamelijk een negatief effect op misdaad, door middel van OLS en SUR, op de variabelen: algemene diefstal, overval, moord en de gewelddadige misdaden.

De enige overeenkomst tussen de variabelen politie en de éénjarige vertraagde politie is een vrijwel negatief effect op moord. Uit tabel 4.4, tabel 4.5 en tabel 4.6 is te zien dat de éénjarige vertraagde politie vaker een negatief effect op misdaad heeft dan politie.

5.1.3 Beperkingen

Als al besproken in paragraaf 4.3 is er vrij veel sprake van aanwezigheid van seriële

correlatie. Zowel in de regressies uitgevoerd door middel van OLS als door middel van SUR. De aanwezigheid van seriële correlatie duidt aan dat de regressies niet goed genoeg zijn gespecificeerd. Dit kan zijn doordat er (vertraagde)variabelen niet zijn opgenomen die wel een verklarend effect hebben op de desbetreffende misdaden. De OLS resultaten zijn door de aanwezigheid van seriële correlatie niet meer efficiënt en de t-test neigt de significantie van de verkregen coëfficiënten te overdrijven (Heij, 2004) Hierdoor zouden de coëfficiënten

verkregen door middel van OLS en SUR te snel als significant worden weergeven. Deze seriële correlatie zal de OLS resultaten hierdoor weinig hebben beïnvloed aangezien deze vrij insiginificant zijn. Wel zou dit de resultaten kunnen hebben beïnvloed die zijn verkregen door middel van SUR. Deze kunnen in werkelijkheid minder significant zijn dan nu wordt

aangegeven.

Zoals in hoofdstuk 4 en met name in paragraaf 4.1 en paragraaf 4.2 is besproken, is er geen sprake van robuuste resultaten over de vijf verschillende regressies per afhankelijke variabelen. De eerste drie regressies geven vrijwel overeenkomende resultaten zowel verkregen door middel van OLS als verkregen door middel van SUR. Een goede mogelijkheid hiervoor is dat de resultaten verkregen door middel van OLS bijna niet

significant zijn. Een mogelijkheid voor de verschillende resultaten in regressies (4) en (5) is dat er één of meerdere variabelen niet zijn opgenomen in het model maar wel een indirect effect hebben op misdaad via politie. Regressie (4) is verkregen door informatie beschikbaar van 1971 tot en met 1991. In deze jaren was er spraken van een stijging in misdaad (zie figuur 1). Regressie (5) is verkregen door informatie beschikbaar van 1992 tot en met 2000. In deze periode was er sprake van een sterke daling in de hoeveelheid misdaad. Voornamelijk de variabele politie is gevoelig voor deze verschillende periodes. In regressie (4), wanneer er sprake is van een stijging in misdaad, heeft de variabele politie een positief effect op misdaad. In regressie (5), wanneer er sprake is van een sterke daling in misdaad, heeft de variabele politie een negatief effect op misdaad. Hieruit kan worden beredeneerd dat het goed mogelijk is dat het gebrek aan robuuste resultaten over de vijf regressies te verklaren is door het niet optimaal specificeren van het model.

Verder kunnen de verschillen in resultaten van de variabele politie en de éénjarige vertraagde politie worden verklaard door het moment waarop de FBI informatie over politie verwerkt. Ieder jaar aan het einde van de maand oktober worden het totaal aantal werkende agenten doorgegeven aan de Uniform Crime Reports van de FBI. Aangezien deze gegevens richting het einde van het jaar worden doorgegeven zijn deze gegevens minder representatief voor de variabele politie van het huidige jaar dan wanneer deze gegevens worden

doorgegeven aan het begin van elk jaar. Een andere mogelijkheid voor deze verschillen is dat een verandering in de totale hoeveelheid politie niet opslag merkbaar is voor de burgers maar dat dit enige tijd duurt. Hierdoor is het mogelijk dat een verandering in het aantal politie agenten een vertraagd effect heeft en de variabele politie een beter beeld geeft voor de hoeveelheid politie die in het komende jaar aanwezig zal zijn.

5.2 Resultaten Wald test

De resultaten van de Wald test, al eerder besproken in paragraaf 4.4, geven een opmerkelijk resultaat. De totale misdaad geeft een goede indicatie voor alle zeven typen misdaad afzonderlijk met een enkele uitzondering in een enkele regressie. Ook de

vermogensdelicten geeft een goede indicatie voor de variabelen: inbraak, algemene diefstal en autodiefstal. In dit geval zonder enige uitzonderen. Daarentegen wordt in tabel 4.5 een vrij duidelijk resultaat weergeven dat de gewelddadige misdaad geen goede indicatie geeft voor de variabelen: moord, verkrachting, aanranding en overval. Dit is een opvallend resultaat. De totale misdaad is wel representatief voor alle zeven typen misdaad afzonderlijk, maar de gewelddadige misdaad is niet representatief voor de vier misdaad typen die hiertoe behoren. Terwijl de totale misdaad de geaggregeerde groep is van gewelddadige misdaden en

vermogensdelicten, geeft deze toch een goede benadering voor de variabelen: moord, verkrachting, aanranding en overval.

Een minpunt van deze test is dat het alleen is gebaseerd op de regressies verkregen door middel van SUR en deze methode niet volledig corrigeert op heterogeniteit.

6. Conclusie

De aanwezigheid van politie veroorzaakt een verschrikkend effect. Wanneer er meer politie op straat is, neemt de kans op arrestaties toe, en daardoor neemt de kans om te worden veroordeeld toe, en daardoor ook weer de kans op het krijgen van straf. De kans op arrestatie verschilt echter per type misdaad en ook de mate van straf verschilt sterk tussen de typen misdaad. Hierdoor zal het afschrikkende effect van politie ook verschillen per type misdaad. Door het aggregeren van typen misdaad wordt verwacht dat de geaggregeerde groep een goede indicatie geeft voor de typen misdaad afzonderlijk. Doordat het afschrikkende effect echter verschilt per type misdaad is het goed mogelijk dat het aggreren juist leidt tot onzuivere resultaten. Dit onderzoek heeft zich gericht op het controleren of het aggregeren van typen misdaad daadwerklijk leidt tot onzuivere resultaten.

De meest opmerkelijke bevinding van dit onderzoek is dat, op een enkele uitzondering na, het aggregeren van de zeven typen misdaad tot de groep ‘totale misdaad’ niet tot

onzuivere resultaten leidt. Ook het aggregeren van de variabelen inbraak, algemene diefstal en autodiefstal tot de groep vermogensdelicten geeft geen onzuivere resultaten. Daarentegen leidt het aggregeren van de variabelen moord, verkrachting, aanranding en overval tot de groep

gewelddadige misdaad wel tot onzuivere resultaten.

Waar Cherry& List (2001) concludeerden dat zowel het aggregeren van misdaden tot de groep gewelddadige misdaad als het aggregeren van de misdaden tot de groep

vermogensdelicten onzuivere resultaten geeft, komt uit dit onderzoek dat alleen het aggregeren tot de groep gewelddadige misdaden onzuivere resultaten geeft.

Een belangrijk aspect om te noemen is dat dit onderzoek lijdt aan het niet optimaal kunnen corrigeren voor heteroskedasticiteit in het SUR model en ook lijdt aan de

aanwezigheid van seriële correlatie. Voor vervolgonderzoek is het aan te raden om de variabelen ‘kans op arrestatie’, ‘kans op veroordeling’ en ‘ernst van de straf’ op te nemen in het model en te controleren of hierdoor de aanwezige seriële correlatie afneemt.

Bibliografie

Becker, G. (1968). Crime and punishment: An economic approach. Journal of Political

Economy, 76(2), 169–217.

Cameron, A.C, P.K. Trivedi (2005). Microeconometrics methods and applications. Cambridge University Press.

Cherry. T.L., & List, J.A. (2001). Aggregation bias in the economic model of crime.

Economics Letters, 75, 81–86.

Cornwell, C., & Trumbull, N.W. (1994). Estimating the economic model of crime with panel data. Review of Economics and Statistics, 72, 360–366.

Ehrlich, I. (1996). Crime, punishment and the market for offenses. Journal of Economic

Perspective, 10, 43–68.

Heij, C, et al. (2004). Econometric methods with applications in business and economics. Oxford University Press.

Levitt, S. D. (1995). The relationship between crime reporting and police: Implications for the use of Uniform Crime Reports. Unpublished paper, Harvard Society of Fellows,

Cambridge, Mass.

Levitt, S.D. (2002). Using Electoral Cycles in Police Hiring to Estimate the Effects of Police on Crime: Reply. The American Economic Review, Vol. 92, No. 4, pp. 1244-1250 Lin, M. (2008). Does Unemployment Increase Crime? Evidence from U.S. Data 1974-2000.

Human Resources, vol. 43 no. 2, 413-436

Marvell, T. B., & Moody, C. E. (1996). Specification problems, police levels and crime rates. Criminology, 34(4), 609–646.

Nagin, D.S. (1998). Criminal Deterrence Research at the Outset of the Twenty-first Century.

Crime and Justice: A Review of Research. Vol. 23.

Williams, K. & Hawkins, R. (1986). Perceptual Research on General Deterrence: A Critical Overview. Law and Society Review, 20, 545-572.

Bijlagen

Bijlage 1. Durbin Watson resultaten SUR regressies. * geeft een waarde <2 aan, ** geeft een waarde<1 aan.

Total crime property crime violent crime murder rape assault robbery burglary larceny autotheft Police and Police(-1) AR(1) 1 0** 0** 0** 0,005** 0,501 0,542 0,626 0,491 0,689 0,163 AR(1) 2 0** 0** 0** 0,01** 0,458 0,556 0,758 0,57 0,672 0,193 AR(1) 3 0** 0** 0** 0,009** 0,499 0,545 0,699 0,45 0,9 0,328 AR(1) 4 0** 0,091 0** 0,303 0,374 0,344 0** 0** 0** 0** AR(1) 5 0,097 0,149 0,137 0,321 0,363 0,787 0,283 0,565 0,583 0,552 Police AR(1) 1 0,013* 0** 0,04* 0,005** 0,487 0,527 0,657 0,535 0,848 0,165 AR(1) 2 0** 0** 0** 0,01* 0,45 0,556 0,756 0,574 0,859 0,187 AR(1) 3 0** 0** 0** 0,009** 0,492 0,545 0,701 0,475 0,988 0,327 AR(1) 4 0** 0,081 0** 0,115 0,301 0,247 0** 0** 0** 0** AR(1) 5 0,066 0,082 0,1 0,336 0,362 0,769 0,196 0,555 0,59 0,599 Police(-1) AR(1) 1 0** 0** 0,003** 0,005** 0,493 0,528 0,64 0,467 0,646 0,142 AR(1) 2 0** 0** 0** 0,01** 0,461 0,55 0,765 0,552 0,832 0,178 AR(1) 3 0** 0** 0** 0,01** 0,49 0,548 0,703 0,463 0,944 0,281 AR(1) 4 0** 0,052 0** 0,094 0,300 0,210 0** 0** 0** 0** AR(1) 5 0,091 0,145 0,13 0,397 0,363 0,778 0,254 0,55 0,602 0,532

Bijlage 2. AR(1) resultaten OLS regressies. * geeft een significantie niveau van 5%, ** geeft een significantie niveau van 1% Total crime property crime violent crime murder rape assault robbery burglary larceny autotheft Police and Police(-1)

Durbin-Watson test 1 1,34* 1,593* 1,309* 1,558* 2,027 2,038 1,624* 1,514* 1,851* 1,614* Durbin-Watson test 2 1,161* 1,094* 1,2* 1,407* 1,823* 1,85* 1,451* 1,402* 1,868* 1,334* Durbin-Watson test 3 1,221** 1,241* 1,233* 1,411* 1,841* 1,865* 1,539* 1,478* 1,826* 1,418* Durbin-Watson test 4 0,916** 1,017* 0,912** 1,435* 0,976** 1,079* 0,915** 0,855** 1,116* 0,867** Durbin-Watson test 5 1,481* 1,345* 1,549* 2,144 2,950 2,792 2,867 2,676 2,843 2,427 Police Durbin-Watson test 1 1,269* 1,283* 1,277* 1,418* 1,675* 1,638* 1,475* 1,367* 1,594* 1,48* Durbin-Watson test 2 1,284* 1,127* 1,325* 1,398* 1,837* 1,775* 1,436* 1,45* 1,818* 1,348* Durbin-Watson test 3 1,471* 1,43* 1,458* 1,515* 1,788* 1,785* 1,62* 1,563* 1,789* 1,582* Durbin-Watson test 4 0,826** 0,895** 0,813** 1,142* 0,78** 0,94** 0,84** 0,804** 0,917** 0,786** Durbin-Watson test 5 1,442* 1,303* 1,517* 2,157 2,950 2,790 2,905 2,671 2,839 2,388 Police(-1) Durbin-Watson test 1 1,271* 1,343* 1,284* 1,589* 1,718* 1,721* 1,584* 1,671* 1,865* 1,51* Durbin-Watson test 2 1,086* 1,136* 1,135* 1,57* 1,829* 1,839* 1,551* 1,538* 1,931* 1,483* Durbin-Watson test 3 1,079* 1,125* 1,097* 1,413* 1,75* 1,708* 1,528* 1,475* 1,623* 1,381* Durbin-Watson test 4 0,76** 0,881** 0,77** 1,38* 0,95** 0,882** 0,893** 0,819** 0,939** 0,731** Durbin-Watson test 5 1,463* 1,321* 1,537* 2,098 2,950 2,782 2,869 2,666 2,831 2,419