POSZUKIWANIE EKONOMICZNYCH I PRZESTRZENNYCH ZALEŻNOŚCI WSKAŹNIKÓW PRZESTĘPCZOŚCI W EUROPIE DLA POZIOMÓW NUTS-3
Słowa kluczowe:
Przestępczość, ekonomia, analizy przestrzenne, rozwój gospodarczy.Abstrakt
Artykuł koncentruje się na przestrzennej analizie eksploracyjnej danych związanych z przestępczością i rozwojem gospodarczym w UE na poziomie NUTS-3. NUTS jest statystyczną klasyfikacją terytorialną w UE i dla EUROSTATU, a jego 3 poziom obejmuje najmniejsze regiony. Analiza składa się z trzech etapów. Po pierwsze, zidentyfikowano najczęściej stosowane wskaźniki wyrażające relacje pomiędzy przestępczością a warunkami gospodarczymi. W drugim etapie, po poszukiwaniach tychże wskaźników w bazach EUROSTATU, na poziomie NUTS-3 utworzono zestaw danych wejściowych. Wreszcie, dane geograficznie zidentyfikowane poddano testom zależności przestrzennych oraz zaproponowano badania lokalnej korelacji niektórych wskaźników. Hierarchiczne grupowanie wskaźników zastosowano zarówno dla 2009 i 2010. Z badań wynika występowanie przepływów i nierówności w danych, jak również brak istotnych danych statystycznych na poziomie NUTS-3 dla kilku wskaźników, pomimo ich dostępności na wyższych poziomach klasyfikacji terytorialnej. Niezależnie jednak od trudności, rozpoznawcza analiza przestrzenna wskazuje, by kontynuować badania na temat relacji między wskaźnikami infrastrukturalnymi, takimi jak: odległość od portów i autostrad a przestępczością. Graficzna prezentacja zidentyfikowanych klastrów na mapach wskazuje na istnienie stabilnych grup regionów z podobnymi wartościami. Innym pozytywnym rezultatem wynikającym z badania jest możliwość sklasyfikowania, wizualizacji i analizy podobieństwa oraz różnic wśród najmniejszych regionów statystycznych UE.
Pobrania
Bibliografia
Anselin L. et al. (2000), Spatial Analyses of Crime, "Criminal Justice", vol. 4, no. 2, pp. 213–262.
Arnio A. N., Baumer E. P. (2012), Demography, Foreclosure, and Crime: Assessing Spatial Heterogeneity in Contemporary Models of Neighborhood Crime Rates, "Demographic Research", vol. 26, pp. 449–488.
Becker G. S. (1968), Crime and Punishment: An Economic Approach, "The Journal of Political Economy", vol. 76, no. 2, pp. 169–217.
Benson B. L., Zimmerman P. R. (2010), Handbook on the Economics of Crime, Edward Elgar Publishing, Northampton, MA.
Bjerk D. J. (2006), The Effect of Segregation on Crime Rates, (in:) American Law & Economics Association Annual Meetings, The Berkeley Electronic Press, http://law.bepress.com/cgi/viewcontent.cgi? article=1693&context=alea (access: July 2, 2014).
Brand S. et al. (2000), The Economic and Social Costs of Crime, Economics and Resource Analysis, Research, Development and Statistics Directorate, Home Office, London.
Cahill M., Mulligan G. (2007), Using Geographically Weighted Regression to Explore Local Crime Patterns, "Social Science Computer Review", vol. 25, no. 2, pp. 174–193.
CPWG (2013), Crime and Place Working Group Bibliography, Center for Evidence-Based Crime Policy, Department of Criminology, Law and Society at George Mason University, http://cebcp.org/wp-content/cpwg/Place-Based-Bibliography (May 2, 2014).
Ehrlich I. (1973), Participation in Illegitimate Activities: A Theoretical and Empirical Investigation, Social Science Research Network, Rochester, NY. SSRN Scholarly Paper, http://papers.ssrn.com/ abstract=961495 (July 17, 2014).
European Union, EUROSTAT (2011), Regions in the European Union: Nomenclature of Territorial Units for Statistics: NUTS 2010/EU-27, EUR-OP, Luxembourg.
Feitosa F. F. et al. (2012), Countering Urban Segregation in Brazilian Cities: Policy-Oriented Explorations Using Agent-Based Simulation, "Environment and Planning-Part B", vol. 39, no. 6, p. 1131.
Freeman R. B. (1999), The Economics of Crime, (in:) Ashenfelter O., Layard R., Card D. (eds.), Handbook of Labor Economics, Elsevier, pp. 3529–3571, http://econpapers.repec.org/bookchap/eeelabchp/3-52.htm (access: July 17, 2014).
Gollini I. et al. (2013), GWmodel: An R Package for Exploring Spatial Heterogeneity Using Geographically Weighted Models, arXiv.org, Cornell, University Library, http://arxiv.org/abs/1306.0413 (access: May 23, 2014).
Lauridsen J. T., Zeren F., Ari A. (2013), A Spatial Panel Data Analysis of Crime Rates in EU, Department of Business and Economics, University of Southern Denmark, http://static.sdu.dk/mediafiles/ A/2/1/%7BA21BF15B-1A84-4BA6-B4A7-3AAA6E3FA6AC%7Ddpbe2_2013.pdf (access: July 10, 2014).
Leitner M. (2013), Crime Modeling and Mapping Using Geospatial Technologies, Springer Science & Business Media, London.
Mohler G. O. et al. (2011), Self-Exciting Point Process Modeling of Crime, "Journal of the American Statistical Association", vol. 106, no. 493, pp. 100–108.
Paradis E. (2009), Moran’s Autocorrelation Coefficient in Comparative Methods, “R Foundation for Statistical Computing, Vienna”, http://star-www.st-andrews.ac.uk/cran/web/packages/ape/vignettes/MoranI.pdf (access: July 16, 2014).
Patterson E. B. (1991), Poverty, Income Inequality, and Community Crime Rates, "Criminology", vol. 29, no. 4, pp. 755–776.
Silber J., Fluckiger Y., Reardon S. F. (2009), Occupational and Residential Segregation, Emerald Group Publishing, London.
Webber A. (2010), Literature Review Cost of Crime, Attorney General & Justice, New Sowth Wales, http://www.crimeprevention.nsw.gov.au/agdbasev7wr/_assets/cpd/m660001l2/cost%20of%20crime%20literature%20review.pdf (access: July 27, 2014).
Witte A. D., Tauchen H. (1994), Work and Crime: An Exploration Using Panel Data, National Bureau of Economic Research, Cambridge, MA, http://www.nber.org/papers/w4794 (access: July 17, 2014).
