1 ο Συνέδριο Χωρικής Ανάλυσης: Πρακτικά, Αθήνα, 2013, Σ. Καλογήρου (Επ.) ISBN: 978-960-86818-6-6 Η ΧΩΡΙΚΗ ΔΙΑΣΤΑΣΗ ΤΗΣ ΕΓΚΛΗΜΑΤΙΚΟΤΗΤΑΣ ΣΤΗΝ ΕΥΡΩΠΗ ΣΕ ΕΠΙΠΕΔΟ ΚΡΑΤΟΥΣ ΓΙΑ ΤΑ ΕΤΗ 2002-2010 Καραγεώργη Αθανασία 1 1 Καθηγήτρια Πληροφορικής, Γυμνάσιο Πεντέλης, 15236 Πεντέλη, MSc Εφαρμοσμένη Γεωγραφία και Διαχείριση Χώρου, Τηλ: 6944634083, e-mail : nkarageorgi@gmail.com Περίληψη Σε αυτή την εργασία, στόχος μας είναι να παρουσιάσουμε την χωρική διάσταση της εγκληματικότητας στην Ευρώπη σε επίπεδο χώρας για τα έτη 2002-2010. Η εγκληματικότητα προσεγγίζεται από παράγοντες όπως το οικονομικό επίπεδο, η ανεργία, το επίπεδο εκπαίδευσης και το ποσοστό αστυνομικών υπαλλήλων. Οι μέθοδοι που θα εφαρμοστούν αφορούν την χωρική ανάλυση. Η εξερευνητική ανάλυση των δεδομένων περιλαμβάνει την εκτίμηση της χωρικής αυτοσυσχέτισης η οποία πραγματοποιείται με τον υπολογισμό του ολικού και των τοπικών δεικτών Moran s I. Κατά την φάση της ερµηνευτικής ανάλυσης των δεδοµένων θα χρησιµοποιηθεί η µέθοδος της γεωγραφικά σταθµισµένης παλινδρόµησης για την δηµιουργία µοντέλου που θα προσεγγίζει την χωρική σχέση µεταξύ ανεξάρτητων και εξαρτηµένων µεταβλητών. Τμήμα της εργασίας αποτελεί και η οπτικοποίηση των δεδομένων. αφού η χαρτογράφηση των αποτελεσμάτων της χωρικής στατιστικής μπορούν να απεικονίσουν αξιόπιστα την πραγματικότητα. Τα δεδομένα για την εργασία αυτή παρέχονται από την βάση δεδομένων της Ευρωπαϊκής Στατιστικής Υπηρεσίας. Συγκεκριμένα χορηγήθηκαν σε επίπεδο 36 κρατών της Ευρώπης ο αριθμός των εγκλημάτων στο συνολικό πληθυσμό για τα έτη 2002-2010. Λέξεις κλειδιά: εγκληματικότητα και χώρος, χωρική ανάλυση εγκληματικότητας, χωρική αυτοσυσχέτιση Abstract The aim of this paper is the study of the spatial inequalities of criminality in Europe from 2002 to 2010 and also the determining factors that define the phenomenon. The statistical data come from European Statistical Authority and refer to years from 2002 since 2010. Each country of Europe is the subject of our research and is defined as a separate spatial unit. The methodology applied for the analysis and interpretation of economic, unemployment and educational factors that possibly influence criminality, includes techniques of spatial analysis and descriptive statistics. Especially for this study, in order to explore the spatial structure of criminality, total and local indicators of spatial autocorrelation are being estimated. Key words: criminality, spatial analysis, spatial autocorellation 1.Εισαγωγή Το έγκληµα αποτελεί παρεκκλίνουσα συµπεριφορά που χαρακτηριστικό της είναι ότι απειλείται από το νόµο µε επιβολή ποινής. Η ποινή σαν ιδιότυπη µορφή κοινωνικής αντίδρασης χαρακτηρίζει µόνο το έγκληµα. Η Περιβαλλοντική Εγκληματολογία, είναι κλάδος της Εγκληματολογίας που χρησιμοποιεί τη χωρική διάσταση για τη μελέτη του εγκληματικού φαινομένου. Αντικείμενο μελέτης είναι το έγκλημα σε σχέση με το χώρο, το χρόνο και τον τρόπο με τον οποίο οι δράστες διαμορφώνουν τις δραστηριότητές τους επηρεαζόμενοι από χωρικούς παράγοντες. Οι θεωρητικές προσεγγίσεις για την εγκληματικότητα είναι: α.γαλλο-βελγική Χαρτογραφικής Σχολής (19 ος αι.), β.οικολογική προσέγγιση της εγκληματικότητας-σχολή του Σικάγο (Shaw & MacKay, 1942), γ.περιβαλλοντικές προσεγγίσεις της πρόληψης σε τοπικό επίπεδο (Newman, 1973), δ.θεωρία της καθημερινής δραστηριότητας-τριγωνική απεικόνιση της εγκληματικής δράσης (Felson, 1998). Αν η εμφάνιση εγκληματικότητας είναι χωρικά τυχαία είναι δύσκολο να εφαρμοστούν τακτικές με στόχο την πρόληψη ή την μείωση της εγκληματικότητας σε περιοχές με συγκεκριμένα χωρικά χαρακτηριστικά (Spatial Analyses of Crime, Luc Anselin, Jacqueline Cohen, David Cook, Wilpen Gorr and George Tita, 2000).
Οι Poetz and Malczewski (2005), εξέτασαν το χωρικό πρότυπο του κινδύνου διάρρηξης κατοικιών και ανέλυσαν τις σχέσεις ανάμεσα στα πρότυπα και τα κοινωνικοοικονομικά χαρακτηριστικά των συνοικιών του Λονδίνου στο Οντάριο. Το συμπέρασμα στο οποίο κατέληξαν είναι ότι υψηλότερος κίνδυνος διάρρηξης εμφανίζεται σε περιοχές οικονομικά υποβαθμισμένες. Στην μελέτη της Stamatel (2008), συγκρίνονται τα ποσοστά των ανθρωποκτονιών μεταξύ 10 χωρών της Ευρώπης για τη χρονική περίοδο πριν και μετά την πτώση του κομμουνισμού. Κατά τη διάρκεια της κομμουνιστικής περιόδου οι ανθρωποκτονίες στην Κεντρική και Ανατολική Ευρώπη ήταν περισσότερες από αυτές της Δυτικής. Μετά την πτώση του κομμουνισμού, υπήρξε αύξηση των ανθρωποκτονιών σε όλες τις χώρες με σημαντικές διαφοροποιήσεις όμως στην εξέλιξη του φαινομένου σε κάθε χώρα. Η Nivette (2012), εξέτασε σε χώρες της Ευρώπης, τη σχέση μεταξύ πολιτικής νομιμοποίησης και ποσοστό ανθρωποκτονιών. Τα συμπεράσματα που προέκυψαν είναι α) οι χώρες με πολιτική νομιμοποίηση έχουν σημαντικά χαμηλότερα επίπεδα ανθρωποκτονιών και β) τα υψηλά επίπεδα ανθρωποκτονιών αναφέρονται στις χώρες της Πρώην Σοβιετικής Ένωσης. Οι Buonanno and Montolio (2008), μελέτησαν τη σχέση μεταξύ κοινωνικοοικονομικών - δημογραφικών παραγόντων με την εγκληματική δραστηριότητα σε περιοχές της Ισπανίας. Τα αποτελέσματα έδειξαν ότι τα εγκλήματα κατά της ιδιοκτησίας εξηγούνται από κοινωνικοοικονομικές μεταβλητές όπως η εκπαίδευση και το ποσοστό ανεργίας στους νέους. 2. Δεδομένα και Μεθοδολογία Στη παρούσα εργασία, πηγή άντλησης των δεδομένων αποτέλεσε η Ευρωπαϊκή Στατιστική Υπηρεσία. Οι σειρές δεδομένων αφορούν τα έτη από 2002 έως και το 2010 και 36 χώρες της Ευρώπης. Οι χώρες αυτές είναι: το Βέλγιο, η Βουλγαρία, η Τσεχία, η Δανία, η Γερμανία, η Εσθονία, η Ιρλανδία, η Ελλάδα, η Ισπανία, η Γαλλία, η Ιταλία, η Κύπρος, η Λετονία, η Λιθουανία, το Λουξεμβούργο, η Ουγγαρία, η Μάλτα, η Ολλανδία, η Αυστρία, η Πολωνία, η Πορτογαλία, η Ρουμανία, η Σλοβενία, η Σλοβακία, η Φινλανδία, η Σουηδία, το Ηνωμένο Βασίλειο, η Ισλανδία, το Λιχτενστάιν, η Νορβηγία, η Ελβετία, το Μαυροβούνιο, η Κροατία, η Πρώην γιουγκοσλαβική Δημοκρατία της Μακεδονίας, η Σερβία και η Τουρκία. Τα δεδομένα αφορούν το σύνολο της εγκληματικότητα που έχει καταγραφεί από την αστυνομία, και αναλύεται στους επιμέρους τύπους: διαρρήξεις κατοικιών, διακίνηση ναρκωτικών, ανθρωποκτονίες, κλοπές οχημάτων και ληστείες. Από τα δεδομένα δημιουργήθηκαν οι αντίστοιχες μεταβλητές ως ποσοστό εγκλημάτων ανά 100.000 ατόμων του πληθυσμού σε επίπεδο τριετίας. Έτσι, η κύρια μεταβλητή που αναλύεται στην παρούσα εργασία είναι ο δείκτης εγκληματικότητας σε επίπεδο χώρας στην Ευρώπη, για τις τριετίες 2002-04, 2005-07, 2008-10 τόσο για το σύνολο του φαινομένου όσο και για τους επιμέρους τύπους του. Οι ερμηνευτικές μεταβλητές που πιθανόν να εξηγούν την χωρική κατανομή της εγκληματικότητας στην Ελλάδα είναι: α. ο δείκτης εκπαίδευσης, που έχει υπολογιστεί ως το ποσοστό του πληθυσμού που έχει ολοκληρώσει τα πρώτα στάδια ανώτατης εκπαίδευσης, β. ο δείκτης αστυνομικού ποσοστού, που έχει υπολογιστεί ως το ποσοστό του αστυνομικού προσωπικού ανά 1000 κατοίκων, γ. ο δείκτης ανεργίας, που έχει υπολογιστεί ως το ποσοστό του πληθυσμού κάθε χώρας από 25 έως 74 ετών, δ. κατά κεφαλή ΑΕΠ κάθε χώρας σε τιμές αγοράς. 2.1 Χωρική Αυτοσυσχέτιση Στο κεφάλαιο αυτό περιγράφεται η μεθοδολογία που χρησιμοποιήθηκε και η οποία αφορά μεθόδους χωρικής ανάλυσης. Οι μέθοδοι που εφαρμόζονται αφορούν την χωρική ανάλυση δεδομένων. Στην παρούσα εργασία η διερευνητική ανάλυση δεδομένων περιλαμβάνει την εφαρμογή μεθόδων περιγραφικής στατιστικής και μέτρησης της χωρικής αυτοσυσχέτισης στις τιμές της μεταβλητής που αφορά την εγκληματικότητα. Ο Goodchild (1987), αναφέρει ότι υπό τη γενικότερη έννοια της η χωρική αυτοσυσχέτιση ενδιαφέρεται για το βαθμό με τον οποίο η τιμή μιας μεταβλητής σε κάποια θέση είναι παρόμοια με τις τιμές τις ίδιας μεταβλητής που βρίσκονται γεωγραφικά κοντά της. Δηλαδή, η χωρική αυτοσυσχέτιση είναι μια αξιολόγηση της χωρικής δομής μιας μεταβλητής αναφορικά με τη χωρική θέση των τιμών της. Η ύπαρξη χωρικής συσχέτισης ουσιαστικά σηµαίνει την αυξηµένη πιθανότητα παρατήρησης όµοιων τιµών για περιοχές που απέχουν λιγότερο γεωγραφικά (Anselin, 2001). Οι δείκτες χωρικής αυτοσυσχέτισης που υπολογίστηκαν είναι ο γενικός δείκτης Moran s I ο οποίος αναγνωρίζει χωρικά πρότυπα και τάσεις και ο τοπικός δείκτης Local Moran s I ο οποίος 2
προσδιορίζει το μέγεθος και τη θέση των ομάδων ή τη θέση περιοχών με μεγάλες διαφορές. Ο δείκτης Moran s I είναι ένας από τους παλαιότερους στατιστικούς δείκτες που χρησιμοποιήθηκε για να εξετάσει την ύπαρξη χωρικής αυτοσυσχέτισης. Ο μαθηματικός τύπος των Cliff και Ord (1973, 1981) για τον υπολογισμό του Moran s I είναι: όπου =, είναι ο μέσος των τιμών x, και είναι το άθροισμα όλων των βαρών (Καλογήρου, 2011). Σύμφωνα με τον Anselin (1995, σελ. 102-103) «μια θετική τιμή του δείκτη Moran υποδεικνύει χωρική συγκέντρωση παρόμοιων τιμών (χαμηλών ή υψηλών) ενώ μια αρνητική τιμή υποδεικνύει χωρική συγκέντρωση ανόμοιων τιμών, για παράδειγμα μια τοποθεσία με υψηλή τιμή που περιβάλλεται από γείτονες με χαμηλές τιμές». Τιμές του Moran s I κοντά στο 0 υποδεικνύουν έλλειψη χωρικής εξάρτησης μεταξύ των τιμών γειτονικών παρατηρήσεων (Καλογήρου, 2011). Για τη δημιουργία των βαρών χρησιμοποιήθηκε η μέθοδος κ κοντινότερων γειτόνων και στην παρούσα εργασία επιλέχθηκαν 8 γείτονες. Ο τοπικός δείκτης Local Moran s I εντοπίζει δύο είδη ομάδων. Στην πρώτη ομάδα, ομαδοποιούνται οι περιοχές με μεγάλες ή μικρές τιμές, εκείνες δηλαδή που έχουν υψηλή χωρική αυτοσυσχέτιση. Στη δεύτερη ομάδα, προσδιορίζονται οι περιοχές, που οι τιμές τους παρουσιάζουν μεγάλες διαφορές από τις γειτονικές τους και οι οποίες χαρακτηρίζονται ακραίες τιμές (Παλάγγα κ.ά., 2007). Για τους υπολογισμούς και την οπτικοποίηση των παραπάνω, χρησιμοποιήθηκε το λογισμικό GeoDa v.0.9.5-i που διατίθεται από το Spatial Analysis Laboratory (Department of Agriculture and Consumer Economics, University of Illinois at Urbana-Champaign). Το λογισμικό αυτό αναπτύσσεται από τον Luc Anselin και τους συνεργάτες του (Anselin et al., 2004). Στην γραμμική παλινδρόμηση επιχειρείται η προσπάθεια να ερμηνευτούν χωρικές σχέσεις αιτίας αποτελέσματος μέσω της εύρεσης εμπειρικών αποδείξεων που να αποδεικνύουν στατιστικά σημαντικές και θεωρητικά επιτρεπτές συσχετίσεις. Συνήθως γίνεται με τον ορισμό στατιστικών μοντέλων που λύνονται με μεθόδους παλινδρόμησης (Καλογήρου, 2011). Στην περίπτωση της πολλαπλής γραμμικής παλινδρόμησης η εξίσωση της ευθείας θα έχει τη μορφή: Y = Α 0 + Α 1 * X 1 + Α 2* X 2 +...+Α n * X n +ε, όπου Y είναι η εξαρτημένη μεταβλητή, Α 0 η σταθερά, Α 1, Α 2,...,Α n οι συντελεστές, X 1, X 2,..., X n οι ανεξάρτητες μεταβλητές και ε το σφάλμα. 3.Αποτελέσματα Η διερεύνηση των δεδομένων πραγματοποιήθηκε και με τη δημιουργία και παρατήρηση γραφημάτων. Στο σχήμα 3.1 παρατηρούμε ότι υπάρχει ακραία τιμή στο σύνολο της εγκληματικότητας και αφορά την Σουηδία. Επίσης με τη χρήση του θηκογράμματος οπτικοποιείται η πληροφορία ότι ο αριθμητικός μέσος που αφορά την εγκληματικότητα στις χώρες της Ευρώπης είναι περίπου ο ίδιος για τις τριετίες 2002-04, 2005-07 και 2008-10. Σχήμα 3.1: Θηκόγραμμα τιμών της εγκληματικότητας ανά χώρα, για τις τριετίες 2002-04, 2005-07, 2008-10 3.1 Εγκληματικότητα 3
Ο υπολογισµός της χωρικής αυτοσυσχέτισης είναι απαραίτητος αφού τα χωρικά δεδοµένα σε ελάχιστες περιπτώσεις δεν αυτοσυσχετίζονται. Στον πρώτο νόµο της γεωγραφίας άλλωστε ο Tobler αναφέρει ότι όλα συσχετίζονται µεταξύ τους αλλά τα κοντινά πράγµατα συσχετίζονται µεταξύ τους περισσότερο από ότι τα µακρινά (Tobler, 1970). Τα χωρικά δεδομένα εγκληματικότητας σε επίπεδο χώρας, αφορούν πολύγωνα που περιλαμβάνουν και νησιωτικές περιοχές, επομένως χρησιμοποιήθηκε η μέθοδος του αριθμού πλησιέστερων γειτόνων. Moran s I:0,3608 Z score:6,0823 Moran s I:0,2815 Z score:4,9195 Moran s I:0,2884 Z score:5,4368 Σχήμα 3.2: Διάγραμμα διασποράς του δείκτη Moran s I και χάρτης τοπικού δείκτη (Moran s I) χωρικής αυτοσυσχέτισης για την ολικη εγκληματικότητα τις τριετίες 2002-04, 2005-07, 2008-10 Εύκολα φαίνεται, ότι τα δεδομένα παρουσιάζουν θετική χωρική αυτοσυσχέτιση στις τιμές της εγκληματικότητας για τις χώρες της Ευρώπης τις τριετίες 2002-04, 2005-07, 2008-10. Ο ολικός 4
δείκτης Moran s I για το σύνολο της εγκληματικότητας είναι 0,3608, 0,2815 και 0,2884 αντίστοιχα. Επομένως περιμένουμε εστίες χωρών υψηλών και χαμηλών τιμών εγκληματικότητας στο χάρτη χωρικών προτύπων. Ο χάρτης χωρικών προτύπων (cluster map) προκύπτει από την ταξινόμηση των τοπικών δεικτών Moran s I σε 4 κατηγορίες (υψηλή υψηλή, χαμηλή χαμηλή, χαμηλή υψηλή, υψηλή χαμηλή). Πιο συγκεκριμένα την τριετία 2002-04 η Νορβηγία, η Ισλανδία, η Δανία, η Γερμανία, η Ολλανδία, το Βέλγιο, το Ηνωμένο Βασίλειο, η Γαλλία και η Ελβετία παρουσιάζουν υψηλές τιμές εγκληματικότητας. Η Σλοβακία, η Ουγγαρία, η Σερβία, η Ρουμανία, η Βουλγαρία, το Μαυροβούνιο, η Πρώην Δημοκρατία της Γιουγκοσλαβίας, η Ελλάδα και η Τουρκία παρουσιάζουν χαμηλές τιμές εγκληματικότητας. Η Ιρλανδία και η Πορτογαλία αποτελούν εστίες χωρών χαμηλής εγκληματικότητας σε σχέση με τους γείτονες. Τις επόμενες δύο τριετίες η εικόνα παραμένει σχετικά ίδια. Οι εστίες υψηλών και χαμηλών τιμών εγκληματικότητας δεν έχουν μεταβληθεί αισθητά. Moran s I:0,2118 Z score:3,7826 Moran s I:0,1903 Z score:3,9 5
Moran s I:0,1498 Z score:3,0 Σχήμα 3.3: Διάγραμμα διασποράς του δείκτη Moran s I και χάρτης τοπικού δείκτη (Moran s I) χωρικής αυτοσυσχέτισης για τις ανθρωποκτονίες τις τριετίες 2002-04, 2005-07, 2008-10 Και στις ανθρωποκτονίες τα δεδομένα παρουσιάζουν θετική χωρική αυτοσυσχέτιση για τις χώρες της Ευρώπης τις τριετίες 2002-04, 2005-07, 2008-10. Ο ολικός δείκτης Moran s I είναι 0,2118, 0,1903 και 0,1498 αντίστοιχα. Την τριετία 2002-04 η Εσθονία, η Λετονία και η Λιθουανία αποτελούν εστίες υψηλών τιμών στις ανθρωποκτονίες. Η Δανία, η Γερμανία, η Τσεχία, η Ελβετία, η Ολλανδία, το Ηνωμένο Βασίλειο και η Ισπανία παρουσιάζουν χαμηλές τιμές ανθρωποκτονιών. Οι Σκανδιναβικές χώρες έχουν χαμηλές τιμές σε σχέση με τις γειτονικές, ενώ το αντίθετο συμβαίνει στο Βέλγιο. Τις επόμενες δύο τριετίες 2005-07 και 2008-10 δεν υπάρχει ισχυρή χωρική αυτοσυσχέτιση. Εστίες υψηλών τιμών διαπιστώνουμε στις: Φινλανδία, Εσθονία, Λετονία και Λιθουανία. 3.2 Γραμμική Παλινδρόμηση Τα δεδομένα της παρούσας έρευνας επιλύθηκαν με ολικές μεθόδους παλινδρόμησης. Τα αποτελέσματα της πολλαπλής παλινδρόμησης δείχνουν κατά πόσο οι ερμηνευτικοί παράγοντες ενδέχεται να επηρεάζουν το σύνολο της εγκληματικότητας στις χώρες. Η εξαρτημένη μεταβλητή είναι ο δείκτης εγκληματικότητας στις 34 χώρες της Ευρώπης και οι ανεξάρτητες μεταβλητές είναι το ποσοστό του αστυνομικού προσωπικού κάθε χώρας και ο δείκτης κατά κεφαλή ΑΕΠ. Βασική προϋπόθεση είναι οι ανεξάρτητες μεταβλητές να μην σχετίζονται μεταξύ τους. Στη συνέχεια υπολογίστηκε το μοντέλο της πολλαπλής παλινδρόμησης χρησιμοποιώντας τη βηματική μέθοδο (Stepwise). Μοντέλο Συντελεστής R Συντελεστής R 2 Συντελεστής προσδιορισμού R 2 2,753,566,536 Πίνακας 3.1: Μοντέλο γραμμικής παλινδρόμησης για τη συνολική εγκληματικότητα ανά χώρα, για την τριετία 2008-10 (βηματική μέθοδος) 6
Συντελεστές Συντελεστές t Στατιστική B Std. Error Σημαντικότητ α (Constant) 3,604,150 24,077,000 Δείκτης αστυνομικού -,096,029-3,293,003 1 προσωπικού Δείκτης ΑΕΠ κατά κεφαλή,003,001 3,930,000 Πίνακας 3.2: Αποτελέσματα γραμμικής παλινδρόμησης για τη συνολική εγκληματικότητα ανά χώρα, για την τριετία 2008-10 (βηματική μέθοδος) Ο παράγοντας δείκτης αστυνομικού προσωπικού επηρεάζει αρνητικά τον δείκτη εγκληματικότητας ενώ το κατά κεφαλή ΑΕΠ θετικά, όπως προκύπτει από τις τιμές της δεύτερης στήλης. Και οι δύο μεταβλητές στην περίπτωση της βηματικής παλινδρόμησης είναι στατιστικά σημαντικές. Το μέγεθος κάθε συντελεστή δείχνει πόσο αυξάνεται ή μειώνεται η εγκληματικότητα ανά χώρα όταν αυξηθεί κατά μία μονάδα η αντίστοιχη μεταβλητή με σταθερές τις υπόλοιπες. Η εξίσωση της ευθείας της γραμμικής παλινδρόμησης που προκύπτει από την βηματική παλινδρόμηση, η οποία θεωρείται καλύτερη λόγω στατιστικής σημαντικότητας των παραγόντων είναι η εξής: [Εγκληματικότητα] = 3,604 0,096 * [ Ποσοστό αστυνομικού προσωπικού] + 0,003 * [ΑΕΠ κατά κεφαλή] 3.3 Γεωγραφικά Σταθμισμένη Παλινδρόμηση Η γραμμική παλινδρόμηση δεν αντιμετωπίζει ικανοποιητικά την ανάλυση σε τοπικό επίπεδο κυρίως λόγω της χωρικής αυτοσυσχέτισης των δεδομένων. Για την ερμηνευτική ανάλυση των δεδομένων εφαρμόζεται η μέθοδος της Γεωγραφικά Σταθμισμένης Παλινδρόμησης (Geographically Weighted Regression GWR). Η μέθοδος GWR είναι μία από της κυριότερες μεθόδους παλινδρόμησης που επιτρέπει την υλοποίηση τοπικών μοντέλων και επεκτείνει το παραδοσιακό πλαίσιο παλινδρόμησης (γραμμική παλινδρόμηση) επιτρέποντας την εκτίμηση τοπικών παρά ολικών παραμέτρων (Fotheringham και Brunsdon, 1999). Στη συγκεκριμένη μελέτη έγιναν υπολογισμοί για την τριετία 2008-10 με εξαρτημένη μεταβλητή α. την συνολική εγκληματικότητα και β. τις ανθρωποκτονίες και ανεξάρτητες μεταβλητές τον δείκτη εκπαίδευσης, το ποσοστό αστυνομικών υπαλλήλων, τον δείκτη ανεργίας και τον κατά κεφαλή ΑΕΠ (δείκτης αγοραστικής δύναμης). Χάρτης α Χάρτης β 7
Χάρτης γ Χάρτης δ Σχήμα 3.4: Γεωγραφικά σταθμισμένη παλινδρόμηση για την συνολική εγκληματικότητα την τριετία 2008-10 8
Σχήμα 3.5: Γεωγραφικά σταθμισμένη παλινδρόμηση για τις ανθρωποκτονίες την τριετία 2008-10 Από το ολικό γραμμικό μοντέλο προκύπτει ότι αν αυξήσουμε τον αριθμό των αστυνομικών κατά 1 για κάθε 1.000 κατοίκους, η συνολική εγκληματικότητα θα μειωθεί κατά 1 περίπου έγκλημα για κάθε 1.000.000 κατοίκους. Ωστόσο αυτό είναι ένα γενικό συμπέρασμα. Σύμφωνα με το χάρτη γ της εικόνας 3.3 προκύπτει ότι αν αυξήσουμε τον αριθμό των αστυνομικών κατά 1 για κάθε 1.000 κατοίκους, σε χώρες όπως η Νορβηγία, η Φινλανδία και η Κροατία θα έχουμε μείωση της εγκληματικότητας από 1.200 έως 2.570 εγκλήματα για κάθε 1.000.000 κατοίκους. Αντίθετα σε χώρες όπως η Σουηδία, Ηνωμένο Βασίλειο, Ελβετία και Ουγγαρία θα αυξηθεί η εγκληματικότητα από 1.758 έως 5.808 εγκλήματα για κάθε 1.000.000 κατοίκους. Συνεπώς μπορούμε με ασφάλεια να συμπεράνουμε ότι η συσχέτιση εγκληματικότητα δείκτης ασατυνομικού προσωπικού δεν είναι σταθερή στο χώρο, αλλά αλλάζει σημαντικά από χώρα σε χώρα στην Ευρώπη. Όμοια αποτελέσματα με μικρές αποκλίσεις έχουν υπολογιστεί για το σύνολο της εγκληματικότητας σε σχέση με τις υπόλοιπες εξαρτημένες μεταβλητές, αλλά και για κάθε τύπο εγκληματικότητας σε σχέση με αυτές. 4. Συμπεράσματα Στην εργασία αυτή, επιχειρήθηκε να παρουσιαστεί μία πρώτη προσέγγιση στις διαφοροποιήσεις και ανισότητες της εγκληματικότητας, σε επίπεδο χώρας στην Ευρώπη, για τις τριετίες 2002-04, 2005-07 και 2008-10 καθώς επίσης και στις σχέσεις της εγκληματικότητας με τους παράγοντες που πιθανόν να την επηρεάζουν. Αποτέλεσμα των διεξαχθέντων αναλύσεων ήταν και η εξαγωγή των πρώτων συμπερασμάτων τα οποία και συνοψίζονται παρακάτω. Με τις μεθόδους της διερευνητικής ανάλυσης που εφαρμόσαμε, τα βασικά συµπεράσµατα από την χωρική κατανομή της εγκληματικότητας στο σύνολο των χωρών της Ευρώπης δείχνουν ότι δεν υπήρξε ιδιαίτερη μεταβολή χωρικών χαρακτηριστικών την συγκεκριμένη χρονική περίοδο. Η ύπαρξη θετικής χωρικής αυτοσυσχέτισης ανέδειξε εστίες χωρών υψηλής και χαμηλής εγκληματικότητας. Στο σύνολο της εγκληματικότητας, αλλά και στους επί μέρους τύπους της, εντοπίζονται χαμηλότερες τιμές εγκληματικότητας στην Νοτιοανατολική Ευρώπη και υψηλότερες στην Βορειοδυτική. Με την εφαρμογή της γραμμικής παλινδρόμησης, προσδιορίστηκαν οι στατιστικά σημαντικές μεταβλητές που επηρεάζουν την εγκληματικότητα σε επίπεδο χώρας για την τριετία 2008-10, οι οποίες είναι το κατά κεφαλή ΑΕΠ και το ποσοστό αστυνομικού προσωπικού. Αξίζει να επισημάνουμε όμως ότι λόγω του μικρού αριθμού παρατηρήσεων είναι δύσκολη η δημιουργία 9
αξιόπιστου μοντέλου. Για τον ίδιο λόγο η μέθοδος της γεωγραφικά σταθμισμένης παλινδρόμησης θα εφαρμοζόταν καλύτερα σε περιοχή μελέτης με ελάχιστο αριθμό παρατηρήσεων το 50. Θα πρέπει να σημειωθεί ότι η ανάλυση της εγκληματικότητας αποτελεί ένα περίπλοκο ζήτημα που διαφοροποιείται από χώρα σε χώρα. Αυτό συμβαίνει επειδή κάθε χώρα εμφανίζει τα δικά της ιδιαίτερα κοινωνικά, οικονομικά και γεωγραφικά χαρακτηριστικά που επηρεάζουν την κατανομή και την φύση του εγκλήματος. Προτείνεται λοιπόν η χωρική ανάλυση της εγκληματικότητας στην Ευρώπη με βάση την κωδικοποίηση NUTS. ΒΙΒΛΙΟΓΡΑΦΙΑ Κούτρας, Μ., Δαμιανού, Χ., 1990, Εισαγωγή στη Στατιστική, Αθήνα, σελ. 17-84 Κουτσόπουλος, Κ., 2005, Γεωγραφικά Συστήματα Πληροφοριών και Ανάλυση του Χώρου, Αθήνα, Εκδόσεις Παπασωτηρίου Παπαδημητρίου, Γ., 1989, Επαγωγική Στατιστική, Θεσσαλονίκη, Εκδόσεις Παρατηρητής Anselin, L., 2004, GeoDa 0.95i Release Notes, Spatial Analysis Laboratory (SAL), Department of Agricultural and Consumer Economics, University of Illinois, Urbana-Champaign, IL Anselin, L., Cohen, J., Cook, D., Gorr, W., Tita, G., 2000, Spatial Analyses of Crime Anselin, L., Griffith, D.A., 1988, Do Spatial Effects Really Matter in Regression Analysis?, Papers of the Regional Science Association, pp. 11-34 Buonanno, P., Montolio, D., 2008, Identifying the socio-economic and demographic determinants of crime across Spanish provinces, International Review of Law and Economics, Volume 28, Issue 2, Pages 89-97 Chainey, S., Tompson, L., Uhlig, S., 2008, The Utility of Hotspot Mapping for Predicting Spatial Patterns of Crime, Security Journal, 21 (4-28) Georgoulas, S., 2009, Youth and crime in the greek context, International Journal of Academic Research Cliff, A, and Ord, J.K., 1973, Spatial autocorrelation, London, Pion Cliff, A., and Ord, J.K., 1981, Spatial Processes, Models and Applications, London, Pion Fotheringham, A.S., Charlton, M.E., Brunsdon, C., 1998, Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis, Environment and Planning A, vol. 30, pp. 1905-1927 Goodchild, M.F., 1987, Spatial Autocorrelation CATMOG 47, Geobooks, Norwich, England, διαθέσιμο στο http://books.google.gr. Hirschfield, A., Bowers, K., 2001, Mapping and Analysing Crime Data: Lessons from research and practice, London, Taylor & Francis Nivette, A, 2012, Spatial patterns of homicide and political legitimacy in Europe, International Journal of Comparative and Applied Criminal Justice, Volume 36, Issue 3, August 2012, pages 155-171 Poetz, Anneliese, 2005, Residential Burglaries and Neighborhood Socioeconomic Context in London, Ontario: Global and Local Regression Analysis * Stamatel, J, 2008, Using Mortality Data to Refine Our Understanding of Homicide Patterns in Select Postcommunist Countries, Homicide Studies, vol. 12, 1: pp. 117-135 Zhang, H., Peterson, M., 2007, A Spatial Analysis of Neighbourhood Crime In Omaha, Nebraska Using Alternative Measures of crime rates, 2007, Internet Journal of Criminology 10