بررسی اقتصادی جرم و اثرات سرریز بین استانی آن در ایران: یک رویکرد پنل فضایی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استاد اقتصاد دانشگاه تهران

2 دانشجوی دکتری دانشگاه علامه طباطبایی

چکیده

مقاله حاضر به بررسی اقتصادی جرم با استفاده از داده‌های استانی کشور ایران، از سال 89-1379 با لحاظ کردن متغیرهای اقتصادی و اجتماعی می‌پردازد. به جهت بررسی جرم از حیث مکان و لحاظ اثرات سرریز در مدل، از اقتصاد سنجی فضایی استفاده شده است. یافته‌های حاصل از تحقیق حاضر دلالت بر معنادار بودن اثرات سرریز ناشی از جرم در بین استان‌های کشور دارد. بنابراین تغییر میزان جرم در یک استان از کشور علاوه بر تأثیرگذاری در استان موردنظر دارای اثرات سرریز یا سرایت بین مرزها بر استان‌های مجاور نیز می‌باشد. به علاوه نتایج نشان می‌دهند که متغیرهای اقتصادی درآمد و نرخ مشارکت و همچنین متغیرهای اجتماعی نسبت ازدواج به طلاق، نسبت شهرنشینی و افزایش جمعیت اثرات معنادار و با اهمیتی بر وقوع جرم در کشور دارند.

کلیدواژه‌ها


فصلنامه مدلسازی اقتصادی (سال نهم، ‌شماره 1 «پیاپی 29»، بهار 1394، صفحات 62-43)

 

بررسی اقتصادی جرم و اثرات سرریز بین استانی آن در ایران: یک رویکرد پنل فضایی[1]

 

محسن مهرآرا،*   احسان محمدیان نیک‌پی**

تاریخ دریافت: 26/12/93              تاریخ پذیرش: 03/03/94

 

چکیده

مقاله حاضر به بررسی اقتصادی جرم با استفاده از داده­های استانی کشور ایران، از سال 89-1379 با لحاظ کردن متغیرهای اقتصادی و اجتماعی می­پردازد. به جهت بررسی جرم از حیث مکان و لحاظ اثرات سرریز در مدل، از اقتصاد سنجی فضایی استفاده شده است. یافته­های حاصل از تحقیق حاضر دلالت بر معنادار بودن اثرات سرریز ناشی از جرم در بین استان­های کشور دارد. بنابراین تغییر میزان جرم در یک استان از کشور علاوه بر تأثیرگذاری در استان موردنظر دارای اثرات سرریز یا سرایت بین مرزها بر استان­های مجاور نیز می­باشد. به علاوه نتایج نشان می­دهند که متغیرهای اقتصادی درآمد و نرخ مشارکت و همچنین متغیرهای اجتماعی نسبت ازدواج به طلاق، نسبت شهرنشینی و افزایش جمعیت اثرات معنادار و با اهمیتی بر وقوع جرم در کشور دارند.

 

طبقه‌بندی   A13, C23, R12  :JEL

واژگان کلیدی: جرم، اثرات سرریز، اقتصادسنجی فضایی، متغیرهای اقتصادی و اجتماعی.

1. مقدمه

محققان علوم اجتماعی هر فعل یا ترک فعلی که نظم و آرامش اجتماعی را مختل نماید و قانون برای آن مجازات تعیین کرده باشد را جرم نامیده‌اند. از منظر اجتماعی «جرم آن دسته از رفتارها و کنش­هایی است که از حد تحمل یک گروه اجتماعی ویژه فراتر می­رود. جرم کنش­هایی است که فرض می­شود آن چنان به منافع جامعه لطمه وارد می­آورد، که دولت تصمیم می­گیرد نقش مستقیمی در تشخیص و برخورد با آن اتخاذ کند» (کلدی، 1381).

از آنجا که وقوع هر پدیده متأثر از عوامل مختلفی می­باشد وقوع جرم نیز به عنوان یک پدیده نامطلوب از این قاعده مستثنی نبوده و شناسایی این عوامل برای درک صحیح و سیاست‌گذاری مناسب در جهت کنترل و کاهش جرم، ضروری به نظر می­رسد. در نتیجه از جنبه‌های مختلفی همانند اجتماعی و اقتصادی می­توان به تجزیه و تحلیل عوامل مؤثر بر جرم پرداخت.

در بین عوامل تأثیرگذار بر جرم، مکان عاملی است که کمتر مورد توجه واقع شده است. این امر ایده اصلی مطالعات فضایی جرم را تشکیل می­دهد که تراکم جرم بین واحدهای فضایی می‌باشد. به عبارت دیگر اگر همسایگی‌های یک منطقه، تجربه سطح فعالیت مجرمانه بالاتری را داشته باشند نرخ جرم در آن منطقه نیز تمایل به افزایش دارد. در واقع اثرات سرریز ناشی از وقوع جرم در یک واحد فضایی به واحد(های) فضایی همسایه منتقل می‌شود که این موضوع به وسیله اقتصادسنجی فضایی در تحقیق حاضر برای داده­های 28 استان ایران مورد آزمون و بررسی قرار می‌گیرد.

تحقیق حاضر بر مبنای دو فرضیه بنا شده است. فرضیه اول وجود اثرات سرریز ناشی از وقوع جرم در یک استان بر جرم در استان­های دیگر را مورد تاکید قرار داده است و فرضیه دوم بر با اهمیت بودن تاثیر عوامل اقتصادی و اجتماعی بر وقوع جرم، استوار است. با توجه به این فرضیات، دو هدف در نظر گرفته می­شود: 1) شناسایی تاثیرات هر یک از متغیرهای اقتصادی، اجتماعی و مکانی بر وقوع جرم در استان­های ایران و 2) افزایش آگاهی عمومی سیاست گذاران از حیث شناخت بهتر و جامع‌تر نسبت عوامل موثر بر جرم.

مقاله حاضر مشتمل بر 6 بخش شامل مقدمه، مبانی نظری جرم، اقتصادسنجی فضایی بر اساس داده­های پنل، داده­های آماری مورد تخمین برای ایران، تخمین مدل و تفسیر نتایج حاصل از آن بوده و در پایان با توجه به مطالب عنوان شده ، یافته­ها جمع بندی و خلاصه خواهند شد.

2. مبانی نظری جرم

وقوع جرم علل اقتصادی و اجتماعی متعددی داشته و مباحث اقتصاد اجتماعی حاکی از این امر است که افزایش مشکلات اقتصادی در جوامع باعث افزایش وقوع جرم در آن‌ها می­شود. بونقر[2](1916) عوامل اقتصادی را عامل اساسی برای تمامی ساختارهای اجتماعی دانسته که تأثیر قابل توجهی بر روی فعالیت­های فردی از جمله جرم دارد.

هیچ یک از کارشناسان اجتماعی رابطه رشد جرم را با مشکلات اقتصادی و استمرار آن نادیده نمی­گیرند. فلشر[3] با تمرکز بر نقش میزان درآمد افراد در تصمیم گیری برای انجام عمل مجرمانه، اولین کسی است که به تحلیل جرم از بعد اقتصادی پرداخت. اما به دلیل نقص­های اساسی کار وی، بایستی بکر[4] را به عنوان پیشگام تئوریزه کردن وقوع جرم از منظر اقتصادی دانست. مدل وی که به مدل اقتصاد جرم (CEM)[5] شهرت یافته بر مبنای رفتار انسان عقلایی است. در این مدل فرد در صورتی مرتکب جرم خواهد شد که منفعت نهایی جرم بیش از هزینه نهایی آن باشد.

در کوشش‌های متنوعی که در سطوح مختلف برای شناسایی عوامل تأثیرگذار بر وقوع و استمرار جرم صورت گرفته است بیشتر بر خصوصیات فردی مجرم تأکید شده و از بررسی نقش مکان در وقوع و گسترش جرم به نواحی اطراف (همسایگی) تا حدود زیادی غفلت گردیده است. به همین جهت در سال‌های اخیر با رشد روزافزون شناخت اهمیت عامل مکان یا فضا برای بسیاری از فرآیندهای اقتصاد اجتماعی، تحلیل فضایی جرم به تدریج در صدر تحقیق‌های جرم‌شناسی قرار گرفته است (یی و وو[6]، 2011).

استفاده از تحلیل مکان، اگر ویژگی­های فضایی به کار برده شده عاملی محرک برای وقوع جرم باشند، می­تواند میزان بهینگی تلاش‌ها برای کاهش جرم را افزایش دهد و مداخله‌های صورت گرفته به وسیله مسئولان در جهت تغییر افراد مجرم یا فعالیت­های آنها را مؤثرتر سازد. در نتیجه این که دسته بندی ارتباط میان مکان و جرم نیازمند روش‌های تحلیلی است که به طور مناسب قادر به مجزا کردن اثر مکان بر روی جرم باشند. همان گونه که نتلر (1984) رفتار افراد را با بررسی شرایط مکانی و اجتماعی تا حد زیادی قابل پیش‌بینی می­دانست.

تحلیل مکانی (فضایی) جرم در شهرها به شناسایی الگوهای رفتار مجرمانه، کشف کانون‌های جرم خیز[7] و در نهایت به تغییر این شرایط و خلق فضاهای مقاوم در برابر جرم و رفع ناهنجاری‌های شهری کمک خواهد کرد. از این رو، بررسی­های مکانی از اهمیت به سزایی در مطالعه­ جرم برخوردار بوده و ضرورت بررسی موضوع را دوچندان می­نماید (احمد آبادی و همکاران، 1387).

به منظور دخیل کردن اثرات مکان در کنار عوامل اقتصادی تأثیرگذار بر وقوع جرم استفاده از ابزار مناسب جهت تحلیل و نتیجه‌گیری غیرقابل اجتناب بوده و منجر به افزایش اعتماد به نتایج خواهد ­شد. در این راستا یک ابزار مفید، اقتصادسنجی فضایی می­باشد.

2-1. مروری بر مطالعات تجربی

پان[8] و همکاران (2012) دریافتند که در نواحی­ استقرار کارتل­های قاچاق داروی مکزیک شمار جرم‌های صورت گرفته بسیار بالاست. در نهایت به این نتیجه رسیدند که متغیر GDP بر جرم تأثیر معناداری ندارد اما اثرات سرریز فضایی ناشی از قاچاق دارو معنادار است. یی و وو (2011) دریافتند که افزایش فقر باعث افزایش سطح قتل می­شود. همچنین مطالعه­ آن‌ها لزوم بررسی تأثیرات فضایی جرم را آشکار کرد.

ایلانفلد و مایوک[9] (2010) با استفاده از داده‌های 1999 تا 2007 برای میامی امریکا دریافتند که خریداران خانه تمایل به پرداخت قیمت بیشتری برای خانه‌هایی با نرخ سرقت و تجاوز کمتر در نواحی همسایگی هستند. پورتر و پرسر[10] (2010) به بررسی تأثیرات نرخ ازدواج بر بی‌نظمی‌های اجتماعی در قالب اقتصادسنجی فضایی پرداختند. این دو در تخمین الگوهای فضایی نشان دادند که متغیرهای نسبت شهرنشینی، تبعیض نژادی، درآمد خانوار، نرخ بیکاری و فقر اثر معناداری بر جرم دارند. به علاوه، درجه بالایی از خودهم‌بستگی فضایی بین ایالتی در خصوص متغیر جرم یافت شد.

کاکامو[11] و همکاران (2008) به بررسی 18 نوع جرم مختلف با استفاده از مدل پنل بیزین فضایی در ژاپن پرداختند. آن‌ها دریافتند که تعداد زیادی از انواع جرایم همبستگی منفی با درآمد و همبستگی مثبتی با بیکاری، توریسم و تعداد هتل‌ها در این کشور دارد. آلمیدا[12] و همکاران (2005) به بررسی الگوی فضایی جرم و جنایت در ایالت میناس گریاس برزیل پرداختند. یافته­های آن‌ها نشان داد که نرخ جرم در مناطق مختلف دارای خودهمبستگی فضایی می­باشد. در نتیجه اثرات سرریز فضایی جرم در ایالت مورد نظر معنادار است.

بالر[13] و همکاران (2001) به بررسی تأثیر متغیرهای ساختاری بر نرخ جرم و تأثیرات فضایی استخراج شده از آن طی دوره زمانی 1960 تا 1990 پرداختند. یافته­های آن‌ها بیان می­کند که میزان قتل در فضا خوشه‌بندی شده است و تفاوت­های ناحیه­ای در تأثیرات این متغیرها بر نرخ قتل نیز موثر است. 

تاکنون در ایران تحقیقی در زمینه بررسی اثرات فضایی ناشی از متغیر جرم بین استان‌های ایران صورت نگرفته است. با توجه به این مطالب می­توان دو مطالعه زیر که شاید ارتباط نسبی بیشتری با مقاله حاضر دارد را عنوان کرد:

مهرگان و گرشاسبی فخر (1390) با استفاده از تحلیل اقتصادی جرم رابطه­ مثبت و معناداری بین سرقت و نحوه توزیع درآمد در ایران یافتند. همچنین به ارتباط مستقیم بین سرقت با نسبت شهرنشینی، نرخ طلاق و نرخ بیکاری نیز اشاره کردند. صادقی و همکاران (1384) در تحقیق خود دریافتند که نرخ بیکاری و نابرابری درآمدی دارای ارتباط مستقیم با نرخ سرقت و افزایش نرخ صنعتی شدن دارای ارتباط منفی با نرخ سرقت در ایران است.

بر این اساس، از جمله مهم‌ترین ویژگی­ها و نوآوری­های مقاله حاضر را می­توان استفاده از اقتصادسنجی فضایی برای داده‌های پنل، به منظور تبیین عامل مکان در وقوع جرم و هم‌چنین واردکردن متغیرهای مهم اقتصادی و اجتماعی تبیین کننده جرم بر مبنای مطالعات پیشین و مبانی نظری برشمرد.

 

3. اقتصادسنجی فضایی بر مبنای داده‌های پنل[14]

تفاوت اقتصادسنجی فضایی با اقتصادسنجی متعارف را می‌توان با دو موضوع خودهمبستگی فضایی[15] و ناهمسانی فضایی[16] توضیح داد. وابستگی فضایی به مفهوم وجود ارتباط بین رخداد در یک نقطه از فضا با رخداد در نقطه دیگری از فضا بوده و ناهمسانی فضایی به انحراف در روابط بین مشاهدات در سطح واحدهای فضایی (مکانی) یا جغرافیایی اشاره دارد.

به منظور لحاظ کردن اثرات فضایی در مدل می­توان از وقفه فضایی متغیر وابسته، وقفه فضایی متغیر مستقل، خودهمبستگی فضایی اجزای اخلال و یا ترکیبی از سه مورد فوق، استفاده کرد. هم‌چنین از آزمون هاسمن برای انتخاب بین مدل­های پنل با اثرات ثابت و اثرات تصادفی استفاده می­شود. تبیین این مدل­ها در سه مرحله صورت می­پذیرد.

مرحله اول، انجام آزمون فرضیه معناداری وابستگی­های فضایی بین اجزای اخلال در مدل به وسیله 4 آزمون تشخیصی: 1) آماره Iموران[17] 2) آزمون نسبت درست­نمایی[18] 3) آزمون ضرایب لاگرانژ[19] 4) آزمون والد[20] است. مرحله دوم تشخیص مدل مناسب برای تخمین فضایی داده­های پنل می­باشد. بر مبنای طبقه‌بندی الهورست (2003) سه مدل [21]SAR، [22]SEM و  [23]SDMبه صورت زیر قابل کاربرد هستند[24]:

مدل SAR:

(1)

                                             

مدل SEM:

(2)

(3)

 

مدل SDM:

(4)

 

متغیرهای هر سه مدل جدول بالا به شرح زیر است:

، بیانگر متغیر وابسته برای واحدهای مکانی   در زمان  می­باشد.  ضریب خودرگرسیونی فضایی است.  وقفه فضایی که اثرات سرریز سایر مناطق را بر واحد مکانیi  نشان می‌دهد و در آن  عنصر سطر i ام و ستون j ام از ماتریس وزن های فضایی[25] نامنفی W است.  یک پارامتر ثابت است و  برداری  از متغیرهای مستقل و  بردار ثابت  از ضرایب ثابت ولی نامعین است.  ضریب خودهمبستگی فضایی است که اثرات سرریز را در مدل خطای فضایی از کانال جمله اخلال را کنترل می کند.  جز اخلال [26]با میانگین صفر و واریانس  است. در نهایت  بیانگر اثرات معین مکان و  بیانگر اثرات معین زمان می­باشد[27].

مرحله سوم، انتخاب مدل بهینه از بین سه مدل SDM, SEM , SAR به وسیله آزمون­های تشخیصیLRو Wald است. فرضیه صفر این دو آزمون به صورت 1)  و 2)  می­باشد، که هر دو آزمون تشخیصی عنوان شده بر اساس وقفه و خطای فضایی با توجه به این فروض به کار خواهند رفت (الهورست[28]، 2003). فرضیه اول دلالت بر آن دارد که می­توان مدل عمومی تر SDM را به مدل SAR ساده تبدیل کرد. فرضیه دوم نیز متضمن آن است که مدل SDM را می‌توان به مدل SEM تقلیل داد. همچنین در صورت رد هم‌زمان هر دو فرضیه مدل SDM برازش بهتری از داده­ها خواهد داشت.

برای تبیین بهتر الگوی پنل فضایی، به ارایه دو مثال می­پردازیم. متغیر بیکاری در منطقه j تنها تحت تاثیر عوامل درونی آن منطقه نخواهد بود، بلکه به نرخ بیکاری مناطق همسایه مرتبط است. به علاوه عوامل موثر بر بیکاری در مناطق همسایه و همچنین عواملی دیگر مانند فاصله تا شهر دیگر، تعداد راه‌های ارتباطی، سهولت دسترسی و نظایر آن که اثرات سرریز برای همسایگان ایجاد می‌کند نیز بر بیکاری در منطقه j اثرگذار خواهد بود. به عنوان مثال دوم می­توان قیمت مسکن در مناطق مختلف یک شهر را به سه دسته گران، متوسط و ارزان قیمت تفکیک کرد. بر این اساس، توزیع قیمت مسکن در شهر مورد نظر از الگوی خوشه بندی شده خاصی تبعیت می­کند و مناطق جنوب شهر نسبت به مرکز شهر و مناطق مرکز شهر نسبت به شمال شهر از قیمت پایین‌تری برخوردار خواهند بود. بنابراین وجود سه توزیع مجزا برای قیمت مسکن با این فرض کلاسیک که با حرکت در میان مشاهدات توزیع داده های نمونه دارای میانگین و واریانس ثابت­اند، در تعارض است (لیسیج، 1999). مثال اول بیانگر پدیده وابستگی فضایی و مثال دوم بیانگر پدیده ناهمسانی فضایی است که اقتصادسنجی مرسوم امکان برآورد و شناسایی این عوامل را ندارد.

 

4. داده­های آماری و بیان مدل جرم برای ایران

4-1. نحوه گردآوری داده­ها

محدوده­ جغرافیایی مطالعه حاضر استان‌های مختلف ایران طی دوره زمانی 89-1379 می­باشد و داده­های موجود از مرکز آمار ایران استخراج گردیده است. لازم به ذکر است که به دلیل تفکیک استان­ خراسان در اواسط بازه­ زمانی مورد تحقیق، آمار سه استان خراسان شمالی، خراسان جنوبی و خراسان رضوی به صورت تجمیع شده در یک استان لحاظ شده است.

4-2. بیان مدل

الگوی تجربی عوامل تأثیرگذار بر جرم بر مبنای مطالعات تجربی پیشین، مبانی نظری و محدودیت دسترسی به داده‌ها به صورت زیر ارایه می­گردد:

(5)

 

به فراخور موضوع مورد تحقیق و داده­های در دسترس، جرم را تابعی از عوامل اقتصادی و اجتماعی در نظر گرفته‌ایم که به شرح زیر می­باشند:

شاخص جرم (Crime): شاخص جرم با متوسط گیری از 4 جرم (قتل، سرقت، خودکشی، قاچاق)[29] تشکیل شده است. قبل از تلفیق، هر یک از متغیرها به صورت زیر تبدیل شده تا به مقیاس اندازه‌گیری حساس نباشند:

(6)

 

لگاریتم درآمد (log(GDP)): برای این متغیر GDP حقیقی هر استان با استفاده از شاخص بهای کالاها و خدمات مصرفی در نقاط شهری و روستایی محاسبه شده است[30].

شاخص صنعتی شدن (II): از تعداد تعاونی­های صنعتی هر استان در پایان اسفند هر سال به عنوان جانشینی از شاخص صنعتی شدن استفاده شده است.

نرخ تورم (IR): برای محاسبه این نرخ از شاخص بهای کالا و خدمات مصرفی در نقاط شهری و روستایی استفاده شده است. در نهایت نرخ تورم استانی از لگاریتم طیبعی نسبت دو سال متوالی مورد محاسبه قرار گرفته است.

نسبت ازدواج به طلاق (M/D): از متغیرهای اجتماعی تأثیرگذار بر جرم بوده و از تقسیم نرخ ازدواج بر طلاق در هر استان محاسبه شده است.

نسبت شهرنشینی (RU): از تقسیم تعداد جمعیت شهرنشین استان در هر سال بر تعداد کل جمعیت استان در همان سال حاصل شده است.

نرخ بیکاری (UR): یکی از متغیرهای اقتصادی مهم بیکاری است. این متغیر به تفکیک استان و سال در دسترس بوده و در الگو به کار رفته است.

نرخ مشارکت اقتصادی (EPR): عبارت است از جمعیت فعال (شاغل و بیکار) 10 ساله و بیش‌تر به کل جمعیت 10 ساله و بیش‌تر ضرب در 100 که به تفکیک استان و سال استخراج شده و در الگو به کار رفته است[31].

لگاریتم جمعیت (log(pop)): بیانگر لگاریتم جمعیت در بازه زمانی 1379 تا 89 و برای هر استان (متشکل از جمعیت روستایی و شهری) می­باشد.

 

5. تخمین مدل و تفسیر نتایج

5-1. تخمین مدل

بر اساس جدول (1) و نتایج حاصل از سه آزمون تشخیصی موران، والد و نسبت درست­نمایی در سطح معناداری %1 وجود همبستگی فضایی بین اجزای اخلال در مدل جرم برای ایران قویا تأیید می­گردد. نتایج حاصل از دو آزمون LM کلاسیک و LM Robustدر همین جدول، بیانگر برازش بهتر پنل فضایی نسبت به پنل معمولی از مدل جرم در ایران می­باشد.

جدول (2) وجود اثرات ثابت مکان و زمان را در مدل فضایی به وسیله آزمون نسبت درست‌نمایی  (LR)بررسی می­کند. بر اساس کار بالتاجی[32]، 2005 اثرات ثابت زمان و مکان کنترل‌کننده تمامی اثرات ثابت ناشی از این دو متغیر است، که حذف آن­ها باعث تورش در تخمین‌های مدل خواهد شد. نتایج {997/618 با 28 درجه آزادی و 01/0> p} نشان می­دهد که فرضیه صفر مبنی بر معنادار نبودن اثرات ثابت مکان را نمی­توان پذیرفت. به طور مشابه فرضیه معنادار نبودن اثرات ثابت زمان نیز با توجه به نتایج حاصل در جدول پذیرفته نخواهد شد {171/28 با 11 درجه آزادی و 01/0> p}. با توجه به معناداری مشترک هر دو اثر، بر اساس کار بالتاجی مدل فضایی مورد استفاده در مقاله حاضر به مدل اثرات ثابت دو جانبه[33] موسوم خواهد بود.

جدول (3) بیانگر نتایج آزمون­های تشخیصی بین سه مدل وقفه، خطا و دوربین فضایی است که در سطح معناداری %5 بر اساس مقادیر {((029/0)  119/17)، ((026/0)  424/17) ، ((033/0)  705/16) ، ((027/0)  280/17)} هر دو مدل وقفه و خطای فضایی به نفع مدل دوربین فضایی رد خواهند شد. اما در سطح معناداری %1 نتایج برعکس خواهد بود.

5-2. تفسیر نتایج

بر اساس نتایج حاصل از آزمون هاسمن در جدول 5 تحقیق حاضر {2478/7 با 17 درجه آزادی و 98/0 p=}، تخمین با اثرات تصادفی از کارایی بیشتری برخوردار است. لی و یو[34] (2010) بیان کردند که اگر مدل پنل فضایی دارای هر کدام از اثرات ثابت مکان یا زمان و یا هر دو باشد در تخمین ضرایب مدل بهتر است از فرآیند تصحیح خطا[35] استفاده شود، به همین دلیل در مقاله حاضر ملاحظات مربوطه لحاظ شده است[36].

یافته­های تحقیق حاضر حاکی از این امر است که ضرایب متغیر درآمد در اکثر تصریحات دارای اثرات مثبت و معنادار بر جرم در استان­های ایران است. با توجه به این که مناطق بزرگ و صنعتی با درجات شهر نشینی بالاتر، برای وقوع جرم مستعدتر هستند و به علاوه سطح درآمد در این مناطق بالاتر است؛ بنابراین نتیجه یاد شده قابل انتظار می‌باشد. در مقابل زمینه وقوع جرم در شهرهای کوچک و روستاها با سطح درآمد پایین تر به مراتب کمتر است.

منفی بودن اثرات سرریز متغیر درآمد در مدل دوربین با اثرات تصادفی نشان می­دهد که افزایش درآمد در یک استان باعث افزایش جرم در آن استان و کاهش میزان جرم در استان­های همسایگی می­شود. 

افزایش شاخص صنعتی شدن هر استان باعث کاهش میزان جرم در استان مورد نظر خواهد شد. این متغیر در تمامی تصریحات دارای اثرات معنادار بر جرم است. ناچیز بودن ضرایب را می‌توان به ضعف بخش صنعت از حیث مقیاس، ظرفیت تولید و اشتغال در کشور مرتبط دانست. اما در صورت فراهم آمدن بستر مناسب برای افزایش مشارکت افراد جامعه در امر تولید کالا و خدمات بخش صنعت، می­توان انتظار کاهش ناهنجاری­های اجتماعی از جمله جرم را نیز داشت. همچنین اثرات سرریز این متغیر هم منفی بوده و بسیار ناچیز است.

   یافته‌های تحقیق نشان می‌دهد که اثر تورم بر وقوع جرم در استان­های ایران مثبت بوده، اما معنادار نمی­باشد. به عبارت دیگر بنظر می‌رسد که تورم در دوره نمونه به آستانه‌های بحرانی خود   (که به بی‌ثباتی‌های اجتماعی دامن می‌زند) نرسیده است. ضرایب این متغیر نیز بسیار کوچک و ناچیز می­باشند.

اثرات بیکاری نیز همانند تورم بر وقوع جرم در تصریحات مختلف علامت مورد انتظار(مثبت) را دارد اما از حیث عددی بسیار ناچیز است. ضریب این متغیر (0.001) تنها در مدل دوربین با روش اثرات ثابت معنادار است. احتمالاً بخش زیادی از اثر این متغیر توسط شاخص صنعتی شدن کنترل می‌گردد. از طرف دیگر، بخش زیادی از اثر متغیر یاد شده از طریق سرریز جرایم بر استان‌هایی با درآمد بالا پدیدار می‌گردد.    

نرخ مشارکت اقتصادی نیز در تمامی تصریحات وضعیتی مشابه دو متغیر تورم و بیکاری از حیث معناداری و مقدار ضریب داشته است. در صورت افزایش نرخ مشارکت اقتصادی هر استان که ناشی از افزایش عرضه نیروی کار یا شاغلان در استان مورد نظر است، انتظار می‌رود که میزان جرم در آن منطقه کاهش یابد. همچنین افزایش نرخ مشارکت از ویژگی شهرهای بزرگ و صنعتی با درآمد بالا است که در آنها زمینه های اجتماعی برای فعالیت‌های مجرمانه نیز بیشتر است. نکته قابل توجه در مورد مشارکت اقتصادی این می­باشد که اثرات سرریز این متغیر منفی و معنادار است. گویا مناطقی با نرخ فعالیت بالا جرایم در استان‌های هم جوار را به سمت خود جذب می‌کنند.

نتایج تخمین عموما نشان می­دهد که افزایش نسبت شهرنشینی باعث زیاد شدن جرم در استان‌ها خواهد شد. افزایش شهرنشینی را می­توان به دلیل بروز تنش­های اجتماعی و اقتصادی بیشتر در بستر شهرها ناشی از رشد نامتوازن امکانات شهری متناسب با جمعیت شهرنشین، بر افزایش جرم مؤثر دانست.

متغیر اجتماعی نسبت ازدواج به طلاق دارای علامت مثبت و اثرات معنادار در وقوع جرم استانی می­باشد. ضریب این متغیر در تمامی تصریحات از مدل 002/0 می­باشد. همچنین اثرات سرریز این متغیر منفی و ناچیز است. احتمالا بالا بودن نسبت ازدواج به طلاق دلالت بر بالا بودن نسبت جمعیت جوان در استان است که انتظار می­رود زمینه‌های بروز جرم را در این مناطق بالاتر باشد.

متغیر جمعیت در اکثر تصریحات، دارای اثرات مثبت و معنادار بر جرم بوده است. زیرا رشد جمعیت یکی از عوامل مؤثر بر افزایش تعداد مجرمان جامعه خواهد بود. اثرات سرریز فضایی این متغیر ( ) در اکثر تصریحات معنادار است. نکته قابل توجه در مورد این اثرات سرریز، علاوه بر معناداری، منفی بودن علامت آن است. افزایش جرم در یک استان باعث کاهش جرم موردنظر در استان­های همسایگی خواهد شد. سرریز جرم در واقع اثرات مثبت خود بر جرم در استان مورد نظر را، از کانال متغیرهای مستقلی همانند روند شهرنشینی و شاخص صنعتی شدن در همسایه‌ها گرفته است. این امر به معنی آن است که افزایش جرم در یک استان باعث انتقال بیشتر جرایم به آن استان (مهاجرت به نقاط جرم خیز) می‌گردد.

این نتایج، با توجه به شکل (1) در انتهای متن حاضر نیز قابل تبیین می­باشد. در این شکل، استان­های کشور بر مبنای شاخص جرم به چهار دسته تقسیم شده و بر اساس میزان جرایم به ترتیب از رنگ­های روشن تا تیره طبقه بندی شده‌اند. بر این اساس، مشخص می­گردد که جرم به صورت فضایی در ایران خوشه بندی شده است و عموما استان­های با جمعیت بیشتر و شهرنشینی بالاتر مستعد بروز جرایم بالاتری هستند. در نتایج حاصل، چهار استان سیستان و بلوچستان، کرمان، یزد، هرمزگان از حیث جرم خیز بودن از مکان­های به شدت جرم خیز تلقی می­گردند که این امر عموما متاثر از قاچاق کالا در این استان­ها می­باشد.

 

 

6. نتیجه‌گیری و پیشنهادها

مقاله حاضر درصدد شناسایی متغیرهای تأثیرگذار بر جرم در استان­های ایران و همچنین آزمون (عدم) معناداری اثرات سرریز بین استانی جرم می­باشد. بر این اساس، نتایج حاصل را می‌توان به صورت زیر خلاصه کرد:

عوامل اقتصادی: اثر تورم و سرریز ناشی از آن بر جرم در تمامی تخمین­های انجام شده معنادار نمی‌باشد. این متغیر تنها در مطالعه لاریدسن[37] و همکاران (2013) مورد بررسی قرار گرفته که نتایجش چندان دور از انتظار نمی­باشد.

نرخ مشارکت اقتصادی و همچنین اثرات سریز این متغیر در اکثر موارد تخمینی معنادار نبوده است. افزایش نرخ مشارکت اقتصادی در صورت فراهم بودن زمینه‌های اشتغال، باعث کاهش جرم می­گردد. به علاوه نرخ‌های مشارکت بالا دلالت بر کاهش انگیزه برای اقدامات مجرمانه است. از طرف دیگر، افزایش نرخ مشارکت از ویژگی شهرهای بزرگ و صنعتی با درآمد بالا است که در آنها زمینه‌های اجتماعی برای فعالیت‌های مجرمانه نیز بیشتر است. بنابراین برایند اثرات یاد شده در این تحقیق معنادار نیست. 

شاخص صنعتی شدن در تمامی تصریحات دارای علامت مورد انتظار و اثرات معنادار بر جرم می­باشد؛ هر چند که ضریب آن ناچیز است. صنعتی شدن از یک طرف با افزایش فعالیت‌های صنعتی، نرخ بیکاری را کاهش می­دهد و زمینه را برای فعالیت‌های اقتصادی در استان افزایش می‌دهد. که منجر به کاهش فعالیت‌های مجرمانه می­شود. از طرف دیگر، صنعتی شدن به ناهنجاری‌های اجتماعی و احتمالاً فعالیت‌های مجرمانه دامن می‌زند. این نتیجه مطابق با نتایج حاصل از تحقیق صادقی و همکاران در سال 1384 می­باشد.

نرخ بیکاری و اثرات سرریز آن بر جرم نیز همانند نرخ مشارکت اقتصادی در تمامی موارد تخمینی دارای علامتی مطابق انتظار بوده است. اما اندازه این ضریب ناچیز می­باشد. نتایج با تحقیقات بریتزیک در سال 2008 یکسان می­باشد. اما بر خلاف نتایج حاصل از تحقیقات پورتر و پورسر (2010) و پاتاچینی و ژنو (2008) می­باشد.

متغیر درآمد عموما معنادار و دارای اثرات مثبت بر جرم است. در واقع فعالیت‌های مجرمانه در شهرستان‌های کوچک با درآمد سرانه کمتر، پایین‌تر از شهرستان‌های بزرگ با درآمد سرانه بیشتر است. نتیجه حاصل در مورد متغیر درآمد با تحقیقات پیشین مانند پاتاچینی و ژنو (2008)، ایلانفلد (2002) و هانسن و ماچین[38] (2002) هم راستا بوده و تاییدکننده آنها می­باشد.

عوامل اجتماعی: در اکثر تخمین­های صورت گرفته متغیرهای اجتماعی نسبت ازدواج به طلاق و جمعیت دارای تأثیرات معناداری بر روی جرم بوده­اند که علامت متغیر اول در تمامی تخمین­ها مثبت می­باشد که این نتیجه ناشی از رشد بیشتر مشکلات اقتصادی، اجتماعی و طلاق صورت گرفته می‌باشد. متغیر نسبت شهرنشینی عموما دارای ضرایب معنادار و تأثیر قابل توجه بر روی جرم بوده است. افزایش شهرنشینی از مجراهای اقتصادی (مانند مشکل اشتغال و ...) و ناهنجاری‌های اجتماعی مربوطه به رخدادهای مجرمانه دامن می‌زند. نتایج حاصل با تمامی مطالعات پیشین مانند لاریدسن و همکاران (2013)، پورتر و پورسر (2010) و ژنو (2003) سازگار می­باشد.

عامل مکانی:اثرات معنادار سرریز برخی متغیرها همانند لگاریتم درآمد، نرخ مشارکت، لگاریتم جمعیت، نسبت شهرنشینی و جرم تأییدی دیگر بر اهمیت بررسی فضایی مقوله­ جرم و لحاظ کردن آن در سیاست گذاری‌های منطقه‌ای است. در نظر گرفتن این عامل در کنار توجه به خصوصیات فردی مجرم که عموما از بعد اجتماعی و اقتصادی مورد تجزیه و تحلیل قرار می­گیرد موجب تأثیرگذاری بیشتر فعالیت­های صورت گرفته در زمینه پیشگیری و کاهش جرم در استان‌های کشور خواهد شد و باعث کاهش اثرات ثانویه وقوع جرم در یک استان (اثرات سرریز) بر سایر استان­های کشور نیز خواهد شد.

در نهایت می­توان چنین عنوان کرد که برای کاهش وقوع جرم در هر استانی بایستی به شرایط اقتصادی و اجتماعی در استان­های همجوار نیز توجه شود. در نتیجه، نمی­توان به برنامه ریزی محله‌ای و منطقه‌ای اکتفا کرد. تعاملات متغیرهای اقتصادی و اجتماعی بین مناطق مختلف بر وقوع جرم تاثیرگذار بوده و نبایست تنها متغیرهای اقتصادی و اجتماعی هر منطقه بر جرم مورد توجه سیاست‌گذار محله‌ای یا عمومی قرار گیرد.


 

منابع

-      صادقی، حسین، اصغرپور، حسین، شقاقی، وحید (1384). تحلیل عوامل اقتصادی اثرگذار بر جرم در ایران. فصلنامه تحقیقاتاقتصادی، (68): 90-63 .

-      کلدی، علیرضا (1381). انحراف، جرم و پیشگیری. فصلنامه رفاه اجتماعی. 2(3): 72-51 .

-      مهرگان، نادر، گرشاسبی فخر، سعید (1390). نابرابری درآمد و جرم در ایران. فصلنامه پژوهش‌های اقتصادی، 11 (4): 125-109.

-        Almeida, E.S & Haddad, E.A & Hewings, G.J. (2005). The spatial pattern of crime in Minas Gerais: An exploratory analysis. Economia Aplicada. 9(1): 39-55.

-        Baller, R.D & Anselin, L & Messner, S.F & Deane, G & Hawkins, D.F. (2001). Structural covariates of us county homicide rates: incorporating spatial effects. Criminology. 39(3): 561-588.

-        Baltagi, B & Song, S & Koh, W. (2003). Testing panel data regression models with spatial error correlation. Journalof econometrics.117 (1): 123-150.

-        Becker, G.S. (1968). Crime and punishment: An economic approach.  Journal of Political Economy. 76(2): 169-217.

-        Elhorst, J.P. (2012). Matlab software for spatial panels.International Regional Science Review.

-        Hansen, K & Machin, S. (2002). Spatial Crime Patterns and the Introduction of the UK Minimum Wage. Oxford Bulletin of Economics and Statistics.64:677-697.

-        Ihlanfeldt, K & Mayock, T. (2010). Panel data estimates of the effects of different types of crime on housing prices. Regional Science and Urban Economic.40 (2): 161-172.

-        Kakamu, K & Polasek, W & Wago, H. (2008). Spatial interaction of crime incidents in Japan. Mathematics and Computers in Simulation. 78(2): 276-282.

-        Lee, L.F & Yu, J. (2010). Estimation of spatial autoregressive panel data models with fixed effects. Journal of Econometrics. 154(2): 165-185.

-        Lesage, James. (1999). Spatial Econometrics. Department of Economics University of Toledo.

-        Nettler, G. (1984). Explaining crime. New York McGraw-Hill.1221.

-        Pan, M & Widner, B & Enomoto, C.E. (2012). Spillover Effects of Crimes in Neighboring States of Mexico. International Journal Of Business & Social Science. 3(14): 14-32.

-        Porter, J.R & Purser, C.W. (2010). “Social disorganization, marriage, and reported crime: A spatial econometrics examination of family formation and criminal offending” Journal of Criminal Justice. 38(5): 942-95.

شکل 1. خوشه بندی فضایی جرم در استان­های ایران

 

                منبع: یافته‌های تحقیق

 

جدول 1. آزمون­ تشخیصی بین پنل مرسوم و فضایی به منظور لحاظ (عدم) اثرات فضایی

آزمون­

فرضیه صفر

p-value

نتایج

I-Moran

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***434/11-

Wald

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***115/44

LR

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***244/37

LM

عدم وجود وقفه فضایی

(012/0)

***317/6

 

عدم وجود خطای فضایی

(009/0)

***778/6

 

عدم وجود وقفه فضایی

(00/0)

***27/62

LM Robust

عدم وجود خطای فضایی

(00/0)

***732/62

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته‌های تحقیق


 

جدول 2. آزمون­های بررسی اثرات فردی (اثرات زمان و مکان)

بررسی اثرات فردی

فرضیه صفر

p-value

نتایج آزمون LR

درجه آزادی

اثرات ثابت مکان

اثرات ثابت مکان مشترکا معنادار نیست

  (00/0)

***997/618

28

اثرات ثابت زمان

اثرات ثابت زمان مشترکا معنادار نیست

(003/0)

***171/28

11

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته های تحقیق

 

جدول 3. آزمون­های تشخیصی بین سه مدل وقفه، خطا و دوربین فضایی

آزمون

فرضیه صفر

p-value

نتایج آزمون تشخیصی

Wald for spatial lag

 

(027/0)

**280/17

LR for spatial lag

 

(033/0)

**705/16

Wald for spatial error

 

(026/0)

**424/17

LR  for spatial error

 

(029/0)

**119/17

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته های تحقیق

 

جدول 4. مدل­های وقفه و خطای فضایی با اثرات ثابت و تصادفی

نام متغیر

SAR

(اثرات ثابت)

SAR

(اثرات تصادفی)

SEM

(اثرات ثابت)

SEM

(اثرات تصادفی)

ضرایب

ضرایب

ضرایب

ضرایب

 

(365/0)

**081/0

(088/0)

010/0-

(337/0)

*077/0

(080/0)

006/0-

 

(019/0)

***000/0-

(017/0)

***000/0-

(017/0)

***000/0-

(017/0)

***000/0-

 

(011/0)

000/0-

(007/0)

000/0

(011/0)

000/0-

(006/0)

000/0

 

(055/0)

*002/0

(061/0)

**002/0

(051/0)

*002/0

(059/0)

**002/0

 

(101/0)

005/0

(299/1)

***454/0

(255/0)

074/0

(993/0)

***424/0

 

(006/0)

000/0

(009/0)

000/0

(005/0)

000/0

(009/0)

000/0


ادامه جدول 4. مدل­های وقفه و خطای فضایی با اثرات ثابت و تصادفی

نام متغیر

SAR

(اثرات ثابت)

SAR

(اثرات تصادفی)

SEM

(اثرات ثابت)

SEM

(اثرات تصادفی)

ضرایب

ضرایب

ضرایب

ضرایب

 

(013/0)

000/0

(009/0)

000/0

(005/0)

000/0

(008/0)

000/0

 

(05/1)

**545/0

(086/0)

005/0-

(067/1)

**555/0

(099/0)

008/0-

 

(49/0)

*166/0-

(294/0)

049/0

-----

-----

 

9537/0

9402/0

9529/0

9403/0

***معنی داری ضریب در سطح 99 درصد، ** معنی داری ضریب در سطح 95 درصد و * معنی داری ضریب در سطح 90 درصد است. اعداد داخل پرانتز نشان دهنده انحراف معیار ضریب می باشند.

منبع: یافته های تحقیق

 

جدول 5. مدل دوربین فضایی با اثرات ثابت و تصادفی

روش برآورد: حداکثر درست­نمایی

متغیر وابسته: شاخص جرم

نام متغیر

SDM(اثرات ثابت)

SDM  (اثرات تصادفی)

ضرایب

ضرایب

 

(411/0)

**090/0

(425/0)

**088/0

 

(017/0)

***000/0-

(017/0)

***000/0-

 

(014/0)

000/0-

(014/0)

000/0

 

(061/0)

**002/0

(057/0)

**002/0

 

(169/0)

103/0

(091/0)

004/0-

 

(014/0)

**000/0

(024/0)

001/0

 

(013/0)

000/0-

(012/0)

000/0-

 

(583/0)

482/0

(223/1)

***484/0

 

(120/0)

057/0-

(409/0)

*131/0-

 

(011/0)

000/0-

(003/0)

000/0-

 

(006/0)

000/0

(008/0)

000/0

 

(071/0)

004/0-

(078/0)

*005/0-

 

(198/2)

***078/2

(614/0)

448/0


ادامه جدول 5. مدل دوربین فضایی با اثرات ثابت و تصادفی

روش برآورد: حداکثر درست­نمایی

متغیر وابسته: شاخص جرم

نام متغیر

SDM(اثرات ثابت)

SDM  (اثرات تصادفی)

ضرایب

ضرایب

 

(005/0)

001/0-

(009/0)

000/0-

 

(099/0)

**006/0-

(119/0)

**007/0-

W*

(912/0)

739/0

(061/1)

***484/0

 

(575/0)

**189/0-

(451/0)

*152/0-

 

9562/0

9501/0

 

7122/0

7063/0

آزمون هاسمن

(98/0)

2487/7

-----

***معنی داری ضریب در سطح 99 درصد، ** معنی داری ضریب در سطح 95 درصد و * معنی داری ضریب در سطح 90 درصد است. اعداد داخل پرانتز نشان دهنده انحراف معیار ضریب می باشند.

             

منبع: یافته‌های تحقیق



1 این مقاله برگرفته از پایان نامه کارشناسی ارشد احسان محمدیان نیک‌پی با راهنمایی دکتر محسن مهرآرا در دانشکده اقتصاد دانشگاه تهران می­باشد.

* استاد اقتصاد دانشگاه تهران (نویسنده‌ی مسئول)، پست الکترونیکی:                                          mmehrara@ut.ac.ir

**دانشجوی دکتری اقتصاد دانشگاه علامه طباطبایی، پست الکترونیکی:                        mohammadian921@atu.ac.ir

 

1 Bonger, 1916

2 Fleisher

3 Becker, 1968

4 Crime Economics Model

5 Ye & Wu, 2011

1 Hot Spots

2 Pan

3 Ihlanfeldt & Mayock

4 Porter & Purser

[11] Kakamu

[12] Almeida

[13] Baller  

[14] این قسمت از مقاله عمدتا برگرفته از مقاله آقای پاول الهورست با عنوان “Matlab Software for Spatial Panel”در سال 2003 می­باشد.

[15] Spatial Autocorrelation

[16] Spatial Heterogeneity

[17] Moran I-Statistic  

[18] Likelihood Ratio Test

[19] Lagrange Multiplier Test

[20] Wald Test

[21] Spatial Autocorrelation Model

[22] Spatial Error Model

[23] Spatial Durbin Model

[24] از جنبه تحلیلی تفاوت بین این مدل­ها را می­توان این­گونه بیان کرد که ساختار مدل SDM حالت عمومی‌تری از دو مدل SAR و SEM است. مزیت استفاده از این روش در تبیین مدل جرم این است که ما را قادر می­سازد علاوه بر بررسی اثرات سرریز یا غیرمستقیم وقوع جرم سایر استان­ها بر جرم در یک استان، به بررسی اثرات سرریز متغیرهای مستقل در سایر استان­ها بر جرم در استان مورد نظر نیز بپردازیم. در تمایز بین دو الگوی SAR و SEM نیز می­توان این گونه عنوان کرد که در SAR اثرات سرریز بین استانی جرم قابل بررسی است اما در SEMاین موضوع امکان‌پذیر نبوده و وزن­های فضایی از طریق جملات اخلال بر مدل اثرگذارند. استفاده از هر کدام از این مدل­ها در تبیین مدل جرم نیازمند استفاده از آزمون­های تشخیصی است که در ادامه بیان می‌گردد.

1 ماتریس وزن فضایی بیانگر رکن اصلی مدل در لحاظ عامل مکان می­باشد. بدین منظور رویکرد مورد استفاده در مقاله حاضر به منظور محاسبه ماتریس وزن فضایی رویکرد آقای کاستی (Casseti) موسوم به بسط فضایی (Spatial Expansion) است که در آن با توجه به مختصات طول و عرض مراکز 28 استان ایران و با استفاده از کدهای مناسب در نرم افزار Matlab به ماتریس وزن فضایی نرمال برای تخمین مدل دست یافته ایم. برای اطلاعات بیشتر در این زمینه می­توان به کتاب لیسیج و پیس (2009) با عنوان IntroductiontoSpatialEconometricsمراجعه کرد.

2Identically Independently Distributed

3 اثرات ثابت زمان و اثرات ثابت مکان بر مبنای کار بالتاجی و دیگران (1986 ، 1992 و 2000) در مدل وارد شده که در این روش از دو متغیر مجازی (DummyVariables) مکان و زمان برای هر سال در هر سه مدل استفاده شده است. در واقع این اثرات در صورت معنادار بودن و حذف آن­ها از مدل باعث تورش و خطا در پارامترهای تخمینی خواهند شد. لازم به ذکر است که به منظور استفاده از این اثرات و بررسی معناداری آنها ، بایستی آزمون­ تشخیصی مناسب قبل از تخمین نهایی مدل صورت گیرد. آزمون­ تشخیصی که بدین منظور مورد استفاده قرار می­گیرید آزمون نسبت درست­نمایی یا LR می­باشد.

[28] Elhorst, 2003

1 قابل ذکر است که قاچاق مواد مخدر در استان­های ایران بر اساس میزان کیلوگرم کشف شده از انواع مواد مخدر در هر استان گزارش شده است و سه مورد دیگر بر مبنای تعداد پرونده تشکیل شده برای هر جرم در استان­های ایران است.

[30] لازم به ذکر است در محاسبه شاخصقیمتینسبت جمعیت شهری و روستایی برای هر سال محاسبه گردیده و شاخص به صورت وزنی از ترکیب این دو تهیه گردیده است. همچنین به دلیل این که در محاسبه­ شاخص قیمت مصرف کننده برای نقاط شهری در سال 86 و برای نقاط روستایی در سال 84 تغییر سال پایه صورت گرفته، ملاحظات مربوط به تغییر سال پایه محاسباتی مد نظر قرار داده شده است.

[31] منبع: مرکز آمار ایران

[32] Baltagi, 2005

[33] The Two-Way Fixed EffectsModel

[34] Lee & Yu, 2010

[35] Bias Correction

[36] در داده‌های پنل با وجود اثرات ثابت زمان و مکان پارامترهای تخمینی با افزایش مقاطع مکانی و دوره های زمانی دچار اریب خواهند شد. به همین دلیل عموما از فرآیند تصحیح خطا برای رسیدن به تخمین‌های سازگار از پارامترها استفاده می­شود. به این منظور از دو شیوه استفاده می­­شود: 1) کاهش شمار مشاهدات در دسترس برای تخمین هر واحد فضایی در نمونه  2) روش تصحیح خطا از پارامترهای تخمینی به وسیله حداکثرسازی تابع درست‌نمایی. به طور مثال می­توان به Elhorst,2003  مراجعه کرد.

[37] Lauridsen & Zeren & Ari, 2013

[38] Hansen and Machine, 2002

منابع

-      صادقی، حسین، اصغرپور، حسین، شقاقی، وحید (1384). تحلیل عوامل اقتصادی اثرگذار بر جرم در ایران. فصلنامه تحقیقاتاقتصادی، (68): 90-63 .

-      کلدی، علیرضا (1381). انحراف، جرم و پیشگیری. فصلنامه رفاه اجتماعی. 2(3): 72-51 .

-      مهرگان، نادر، گرشاسبی فخر، سعید (1390). نابرابری درآمد و جرم در ایران. فصلنامه پژوهش‌های اقتصادی، 11 (4): 125-109.

-        Almeida, E.S & Haddad, E.A & Hewings, G.J. (2005). The spatial pattern of crime in Minas Gerais: An exploratory analysis. Economia Aplicada. 9(1): 39-55.

-        Baller, R.D & Anselin, L & Messner, S.F & Deane, G & Hawkins, D.F. (2001). Structural covariates of us county homicide rates: incorporating spatial effects. Criminology. 39(3): 561-588.

-        Baltagi, B & Song, S & Koh, W. (2003). Testing panel data regression models with spatial error correlation. Journalof econometrics.117 (1): 123-150.

-        Becker, G.S. (1968). Crime and punishment: An economic approach.  Journal of Political Economy. 76(2): 169-217.

-        Elhorst, J.P. (2012). Matlab software for spatial panels.International Regional Science Review.

-        Hansen, K & Machin, S. (2002). Spatial Crime Patterns and the Introduction of the UK Minimum Wage. Oxford Bulletin of Economics and Statistics.64:677-697.

-        Ihlanfeldt, K & Mayock, T. (2010). Panel data estimates of the effects of different types of crime on housing prices. Regional Science and Urban Economic.40 (2): 161-172.

-        Kakamu, K & Polasek, W & Wago, H. (2008). Spatial interaction of crime incidents in Japan. Mathematics and Computers in Simulation. 78(2): 276-282.

-        Lee, L.F & Yu, J. (2010). Estimation of spatial autoregressive panel data models with fixed effects. Journal of Econometrics. 154(2): 165-185.

-        Lesage, James. (1999). Spatial Econometrics. Department of Economics University of Toledo.

-        Nettler, G. (1984). Explaining crime. New York McGraw-Hill.1221.

-        Pan, M & Widner, B & Enomoto, C.E. (2012). Spillover Effects of Crimes in Neighboring States of Mexico. International Journal Of Business & Social Science. 3(14): 14-32.

-        Porter, J.R & Purser, C.W. (2010). “Social disorganization, marriage, and reported crime: A spatial econometrics examination of family formation and criminal offending” Journal of Criminal Justice. 38(5): 942-95.

شکل 1. خوشه بندی فضایی جرم در استان­های ایران

 

                منبع: یافته‌های تحقیق

 

جدول 1. آزمون­ تشخیصی بین پنل مرسوم و فضایی به منظور لحاظ (عدم) اثرات فضایی

آزمون­

فرضیه صفر

p-value

نتایج

I-Moran

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***434/11-

Wald

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***115/44

LR

عدم وجود همبستگی فضایی بین اجزای اخلال در مدل جرم

(00/0)

***244/37

LM

عدم وجود وقفه فضایی

(012/0)

***317/6

 

عدم وجود خطای فضایی

(009/0)

***778/6

 

عدم وجود وقفه فضایی

(00/0)

***27/62

LM Robust

عدم وجود خطای فضایی

(00/0)

***732/62

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته‌های تحقیق


 

جدول 2. آزمون­های بررسی اثرات فردی (اثرات زمان و مکان)

بررسی اثرات فردی

فرضیه صفر

p-value

نتایج آزمون LR

درجه آزادی

اثرات ثابت مکان

اثرات ثابت مکان مشترکا معنادار نیست

  (00/0)

***997/618

28

اثرات ثابت زمان

اثرات ثابت زمان مشترکا معنادار نیست

(003/0)

***171/28

11

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته های تحقیق

 

جدول 3. آزمون­های تشخیصی بین سه مدل وقفه، خطا و دوربین فضایی

آزمون

فرضیه صفر

p-value

نتایج آزمون تشخیصی

Wald for spatial lag

 

(027/0)

**280/17

LR for spatial lag

 

(033/0)

**705/16

Wald for spatial error

 

(026/0)

**424/17

LR  for spatial error

 

(029/0)

**119/17

***معنی­داری ضریب در سطح 99 درصد، ** معنی­داری ضریب در سطح 95 درصد و * معنی­داری ضریب در سطح 90 درصد است.

منبع: یافته های تحقیق

 

جدول 4. مدل­های وقفه و خطای فضایی با اثرات ثابت و تصادفی

نام متغیر

SAR

(اثرات ثابت)

SAR

(اثرات تصادفی)

SEM

(اثرات ثابت)

SEM

(اثرات تصادفی)

ضرایب

ضرایب

ضرایب

ضرایب

 

(365/0)

**081/0

(088/0)

010/0-

(337/0)

*077/0

(080/0)

006/0-

 

(019/0)

***000/0-

(017/0)

***000/0-

(017/0)

***000/0-

(017/0)

***000/0-

 

(011/0)

000/0-

(007/0)

000/0

(011/0)

000/0-

(006/0)

000/0

 

(055/0)

*002/0

(061/0)

**002/0

(051/0)

*002/0

(059/0)

**002/0

 

(101/0)

005/0

(299/1)

***454/0

(255/0)

074/0

(993/0)

***424/0

 

(006/0)

000/0

(009/0)

000/0

(005/0)

000/0

(009/0)

000/0


ادامه جدول 4. مدل­های وقفه و خطای فضایی با اثرات ثابت و تصادفی

نام متغیر

SAR

(اثرات ثابت)

SAR

(اثرات تصادفی)

SEM

(اثرات ثابت)

SEM

(اثرات تصادفی)

ضرایب

ضرایب

ضرایب

ضرایب

 

(013/0)

000/0

(009/0)

000/0

(005/0)

000/0

(008/0)

000/0

 

(05/1)

**545/0

(086/0)

005/0-

(067/1)

**555/0

(099/0)

008/0-

 

(49/0)

*166/0-

(294/0)

049/0

-----

-----

 

9537/0

9402/0

9529/0

9403/0

***معنی داری ضریب در سطح 99 درصد، ** معنی داری ضریب در سطح 95 درصد و * معنی داری ضریب در سطح 90 درصد است. اعداد داخل پرانتز نشان دهنده انحراف معیار ضریب می باشند.

منبع: یافته های تحقیق

 

جدول 5. مدل دوربین فضایی با اثرات ثابت و تصادفی

روش برآورد: حداکثر درست­نمایی

متغیر وابسته: شاخص جرم

نام متغیر

SDM(اثرات ثابت)

SDM  (اثرات تصادفی)

ضرایب

ضرایب

 

(411/0)

**090/0

(425/0)

**088/0

 

(017/0)

***000/0-

(017/0)

***000/0-

 

(014/0)

000/0-

(014/0)

000/0

 

(061/0)

**002/0

(057/0)

**002/0

 

(169/0)

103/0

(091/0)

004/0-

 

(014/0)

**000/0

(024/0)

001/0

 

(013/0)

000/0-

(012/0)

000/0-

 

(583/0)

482/0

(223/1)

***484/0

 

(120/0)

057/0-

(409/0)

*131/0-

 

(011/0)

000/0-

(003/0)

000/0-

 

(006/0)

000/0

(008/0)

000/0

 

(071/0)

004/0-

(078/0)

*005/0-

 

(198/2)

***078/2

(614/0)

448/0


ادامه جدول 5. مدل دوربین فضایی با اثرات ثابت و تصادفی

روش برآورد: حداکثر درست­نمایی

متغیر وابسته: شاخص جرم

نام متغیر

SDM(اثرات ثابت)

SDM  (اثرات تصادفی)

ضرایب

ضرایب

 

(005/0)

001/0-

(009/0)

000/0-

 

(099/0)

**006/0-

(119/0)

**007/0-

W*

(912/0)

739/0

(061/1)

***484/0

 

(575/0)

**189/0-

(451/0)

*152/0-

 

9562/0

9501/0

 

7122/0

7063/0

آزمون هاسمن

(98/0)

2487/7

-----

***معنی داری ضریب در سطح 99 درصد، ** معنی داری ضریب در سطح 95 درصد و * معنی داری ضریب در سطح 90 درصد است. اعداد داخل پرانتز نشان دهنده انحراف معیار ضریب می باشند.

             

منبع: یافته‌های تحقیق