PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2014 | vol. 5, t. 307 Spatial Econometrics and Regional Economic Analysis | 91--104
Tytuł artykułu

Exploring Economic and Spatial Dependencies of Crime Rates in Europe at the NUTS-3 Level

Treść / Zawartość
Warianty tytułu
Poszukiwanie ekonomicznych i przestrzennych zależności wskaźników przestępczości w europie dla poziomów NUTS-3
Języki publikacji
EN
Abstrakty
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. (abstrakt oryginalny)
EN
The paper is focused on the spatial exploratory analysis of data related to crime and economic development in EU on the NUTS-3 level. NUTS is the statistical territorial classification of EU and EUROSTAT and its 3rd level includes the smallest regions. The analysis has three steps. First of all, the most commonly used indicators in studies investigating the relationship crime-economic conditions were identified. In the second stage, after search for these indicators in EUROSTAT NUTS-3 level datasets the research dataset was established. Finally, the data is geographically referenced and tests for spatial dependencies and local correlation of some indicators are introduced. Hierarchical clustering of indicators is used both for 2009 and 2010. The research shows the existence of flows and inequalities of data, as well as absence of data on NUTS-3 level for important indicators, despite their presence on higher levels of the territorial classification. Regardless of these shortcomings, the exploratory spatial analysis generates the idea to continue the research on the relations between infrastructural indicators such as distance to ports and highways and crime rates. The mapping of identified clusters shows the existence of stable geographically formed groups of regions from similar clusters. Another positive result is the possibility to classify, visualize and study the similarities and differences in EU smallest statistical regions. (original abstract)
Twórcy
  • University of National and World Economy - Sofia
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).
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171368263

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.