Экономика преступления - теоретическое и эмпирическое исследование факторов преступности
Понятие экономики преступлений, ее сущность как науки, особенности, значение и обзор научных работ. Основная теоретическая модель: преступник и жертва, ее описание и свойства. Эмпирические оценки влияния сдерживания и распределения дохода на преступность.
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
В таблице 4 в приложении 3 показаны результаты расширенного анализа с большим набором независимых переменных. Все основные результаты сохраняются, только индикатор конфликтов значимо положителен лишь для убийств и изнасилований. Как и в работе [49], все семь изучаемые видов преступлений устойчивы по времени, т.е. авторегрессионный член (первый лаг зависимой переменной) динамической модели значимо больше нуля. В качестве объяснения данного феномена можно предложить два: либо большинство преступников остается на свободе (например, воры), либо то, что социум генерирует довольно постоянное количество криминальных ситуаций (например, пьянки с последующей ссорой, ведущей к насилию). Долгосрочный эффект неожиданных шоков (спрятанный в авторегрессионном коэффициенте) возрастает с менее серьезными видами преступлений. Таким образом, вор наиболее вероятно будет совершать подобные преступления, чем убийца или разбойник. Один из стабильных результатов анализа - эффективность работы правоохранительных органов, измеряемая процентом раскрываемости, значимо отрицательна во всех случаях. Этот результат соответствует аналогичным результатам, полученными исследователями во множестве подобных работ.
Продолжительность жизни, один из компонент индекса человеческого развития, даже после поправки на эндогенность, остается значимо отрицательным во всех регрессиях. Другой компонент - средний уровень образования - отрицательно значим только для насильственных преступлений. Таким образом, именно человеческое, а не экономическое развитие играет одну из основных ролей в уровне преступности. Каждый дополнительный год образования уменьшает уровень насилия на 6-13% для разных видов преступлений. Рост продолжительности жизни на величину стандартного отклонения, равного 2.4 годам, имеет очень большое отрицательное влияние на насилие. Согласно таблице 5, число причинений вреда здоровью в этом случае падает на 12%, а смертность женщин от убийств сокращается на большую долю, 32%.
В анализе были использованы две меры дохода: реальное промышленное производство на душу населения и реальные доходы на душу населения, а также две меры их роста. Среди четырех переменных только рост реальных доходов оказывает значимое (отрицательное) влияние на уровень преступности. В то же время, переменная, отражающая ход реформ в России, уровень приватизации в малом бизнесе (по состоянию на 1996 г), оказалась значимо положительной в 5 из 7 случаях, включая, все четыре регрессии для убийств.
Нами не была найдена статистическая значимость влияния меры потребления алкоголя на какой-либо вид преступности, несмотря на известную ассоциацию алкоголя с насилием (80% выявленных убийц и 60% жертв убийств находятся в состоянии алкогольного опьянения). В качестве приближения для уровня потребления алкоголя использовались число госпитализированных людей с диагнозом алкогольный психоз, а также смертность от алкогольного отравления. Одна из причин отсутствия статистической связи - это крайне низкая достоверность данных, связанных с потреблением алкоголя. Так, данные по алкогольным психозам сильно недооценены в сельской местности, где медицинскую помощь не так просто получить. Вполне возможно, качество медицинской статистики находится почти на таком же низком уровне, как и качество милицейских данных, и дело не только в плохой обращаемости населения к врачам и милиции. Если врачам платят за принимаемых больных (выгодно преувеличить), то милиционерам платят за количество пойманных преступников (преувеличить трудно) и вменяют в вину всех не пойманных (выгодно и нетрудно преуменьшить).
Суровый российский климат вносит свой вклад в высокий уровень насилия. Результаты анализа с использованием именно панельных данных по температуре позволяют привести следующую интерпретацию. Так, десять градусов, на которые средний российский климат холоднее Европейского, вызывают рост насилия примерно на 10%. Вместимость тюрем, которая ассоциируется в сознании с суровым климатом, положительно связана со всеми видами преступлений, но ее значимое влияние получено лишь для причинений вреда здоровью, изнасилований и грабежей. Причиной этому могут быть освобождаемые из тюрем осужденные, которые из-за отверженности их
обществом вынуждены селиться в ближайших к местам заключения поселкам, большинство из которых располагается в климатически неблагоприятных районах Урала, Сибири и Дальнего Востока. Этот факт отчасти объясняет, почему в этих регионах наблюдается самый высокий уровень насилия (см. карту в приложении 3). Другой, значительно более влиятельный фактор в этих регионах - это низкий уровень жизни.
3.3.3 Выводы к части 3.3
Первой из тестируемых гипотез была высокая преступность при низком качестве жизни. Анализ подтверждает гипотезу - любой из видов преступности выше, когда продолжительность жизни и уровень образования населения ниже. Поэтому неудивительным представляется тот факт, что преступность в советское время непрерывно росла, начиная с 60-х гг. ХХ века, одновременно с постепенным сокращением продолжительности жизни, в особенно большой степени для мужчин. Так, максимум продолжительности жизни тридцатилетнего мужчины, достиг 70 лет в середине 60-х, и затем постоянно снижался (за исключением лет горбачевской антиалкогольной компании) до 64 лет в конце века. Именно столько в среднем жил тридцатилетний мужчина сто лет назад [51]. Простые расчеты показывают, что падение продолжительности жизни на 6 лет вызывает дополнительно 20 смертей от убийств на 100 тысяч мужчин ежегодно. Таким образом, падение продолжительности жизни объясняет более половины роста убийств, так как смертность мужчин от убийств выросла на 35 на 100 тысяч, с 10 до 45 между 1965 и 2000 гг.
Кроме продолжительности жизни, уровень образования населения также сокращает насилие. Возможное объяснение этого феномена состоит не только в том факте, что образованные люди более здоровы и дольше живут [52], но также менее агрессивны по отношению к другим людям, прежде всего, родным. Также образованные люди лучше могут лучше понимать долгосрочные последствия, вызываемые серьезным вредом от преступления для жертв. Они имеют более высокие издержки упущенных возможностей, т.е. то, что можно потерять в случае наказания за насилие.
Вторая гипотеза: о криминогенности экономической рецессии и высокой дифференциации в доходах. Переходный период, вместе с несправедливой ваучерной приватизацией государственной собственности, переместили Россию из ряда наиболее однородных стран в число стран с наиболее высоким социальным расслоением населения [53]. Сам процесс приватизации был тесно связан с высоким уровнем криминального насилия в стране. Так, в анализе было обнаружено, что уровень насилия был выше в регионах с лучшими показателями малой приватизации. Индикатор реформ, предложенный Лавровым - доля приватизированного малого бизнеса - оказывает положительное влияние на число убийств [54]. Так как большая часть малого и среднего бизнеса в России долгое время находилась под контролем криминальных групп, то индикатор экономических реформ может быть мерой потенциальных доходов в криминальной индустрии.
Один из важных результатов касается отрицательного влияния роста доходов населения на любой вид преступления. Для имущественных преступлений это закономерно с точки зрения экономической теории, так как увеличиваются альтернативные, т.е. легальные возможности и доходы. Если насильственные преступления являются заменителями к имущественным, то они тоже сокращаются из-за роста стоимости насилия для преступника (например, из-за лучшей работы милиции или более высоких потерь преступника от наказания). Исследование не подтверждает значимого влияния уровня экономического развития и благосостояния населения: ни объем промышленного производства, ни уровень реальных доходов, скорректированный на цены, не оказывают значимого влияния. В то же время наш анализ демонстрирует, что имущественное расслоение населения порождает насилие (значимо положительный коэффициент при индексе Джини) - распространенный факт, подтверждаемый эмпирической литературой.
Третья гипотеза касается сдерживающего эффекта правоохранительной деятельности. С одной стороны гипотеза подтверждается, так как с учетом эндогенности рост раскрываемости преступлений снижает уровень преступности. Но в то же время мы находим подтверждение тому, что система уголовного наказания оказывает в долгосрочном плане противоположное влияние по сравнению с предназначенным. Так, анализ показывает, что большое количество мест пенитенциарной системы связано с высоким уровнем насилия в регионе, а именно, с причинениями вреда здоровью, изнасилованиями и грабежами. Это происходит в результате генерирования преступности внутри самой исправительной системы, например, когда молодые заключенные набираются криминального опыта за время своего заключения. Освобождаемые заключенные из-за неустроенности и отверженности обществом часто вынужденно остаются в близких к местам заключения поселениях и, не имея возможности адаптироваться к законопослушной жизни, вскоре попадают обратно за колючую проволоку.
Эконометрический анализ демонстрирует, что конфликты ведут к насилию, т.е. четвертая гипотеза подтверждается. Согласно таблице 6 в приложении 3, рост индекса конфликтности и этнической поляризации увеличивают уровень любого вида насильственных преступлений из тех, что были нами изучены. Таблица показывает, что наиболее чувствительные к повышенному конфликту и этнической поляризации - следующие насильственные преступления (в порядке уменьшения): изнасилования, убийства, смертность от убийств, причинения вреда здоровью. Ненасильственные преступления статистически не чувствительны к конфликтам и этнической поляризации.
4. Эмпирические оценки модели преступности на международных данных
4.1 Анализ международных обследований жертв
В данном разделе будут использованы микро данные. На индивидуальных данных для разных стран будет изучена связь риска стать жертвой преступления с индивидуальным благосостоянием, а также со средним доходом и неравенством в распределении доходов. При этом будут использованы разные аппроксимации для индивидуального дохода. Кроме этого, будет найдена зависимость риска стать жертвой от других индивидуальных характеристик.
4.1.1 Описание данных
Основной источник данных - международные обследования жертв (МОЖ) [84], организованные Межрегиональным институтом исследования криминального правосудия при ООН (UNICRI) и использующие стандартизированный подход к изучению домохозяйств, пострадавших от преступлений. На настоящий момент проведены уже четыре раунда обследований, в которых приняли участие 68 стран. Первый был проведен в 1989 году в 17 индустриальных странах, второй - в 1992 году включил 11 индустриальных стран, 13 развивающихся и 6 стран с переходной экономикой, третий - 12 индустриальных стран, все за исключением одной страны центральной и восточной Европы и 15 развивающихся стран в 1996 и 1997 годах и, наконец, последний четвертый раунд 2000/2001 гг. проводился в 17 развитых и 27 развивающихся и переходных странах. Во всех раундах представлены 11 видов преступлений: угон автомобиля, кража из автомобиля, автомобильный вандализм, кража мотосредства (мотоцикла, мопеда, мотороллера), кража велосипеда, квартирная кража, попытка квартирной кражи, кража личного имущества, разбой, сексуальные инциденты, нападение и угрозы. Большинство из них - преступления против собственности, личной или домохозяйства и только сексуальные инциденты, нападение и угрозы - преступления против личности. Полевая работа была проведена в форме индивидуального интервью в развивающихся странах и в странах с переходной экономикой (выборка обычно включает 1,000 респондентов из крупнейшего города или из нескольких городов, а в некоторых странах были использованы либо дополнительно 200 респондентов из сельской местности, либо национальная выборка), тогда как в развитых странах использовался метод CATI - интервью по телефону (выборка между 1,000 и 2,000 домохозяйств была получена случайным набором телефонных номеров). Интервью бралось у случайно выбранного члена домохозяйства старше 16 лет. Описание выборки, которая была использована для эмпирического анализа, представлено в таблице 1 в приложении 4, включая год и число наблюдений. С целью проведения анализа разные виды преступлений были объединены по трем общим категориям: 1) преступления с автомобилями, включает угон автомобиля, кражу из автомобиля и автомобильный вандализм; 2) имущественные преступления: квартирная кража, кража личного имущества и разбой (в него входят и те преступления, которые в Российском УК относят к грабежу); 3) насильственные преступления: сексуальные инциденты, нападение и угрозы. В эмпирический анализ не были включены 3 вида преступлений: кражи мотосредств и велосипедов (не настолько используемые средства передвижения, как автомобили) и попытка квартирной кражи (из-за отсутствия в одном из раундов).
Для того чтобы продемонстрировать связь между неравенством и преступностью, были взяты данные из национальных обследований жертв и сопоставлены с данными по неравенству из [54, 87]. На графике 1 в приложении 4 показано положительное соотношение между суммарным количеством преступлений на 100 человек по 10 видам преступлений в 1999 году, за исключением попытки квартирной кражи, и индексом Джини для 20 индустриальных стран из МОЖ. Так, наименьший уровень преступлений по 10 видам среди 20 стран был в Японии, 21 на 100 человек, а наибольший - в Англии и Уэльсе, 55 на 100 населения. В этих двух странах наблюдаются, соответственно, одна из минимальных и максимальных дифференциаций в распределении доходов среди развитых стран.
В России, представленной в обследовании Москвой, уровень преступности по 11 видам, включая попытку квартирных краж, достигал 80 на 100 населения в 1995 году, сократившись до 52 в 1999. Последний показатель очень близок к уровню преступности в урбанизированных регионах Западной Европы и столицах стран Центрально Восточной Европы, но меньше, чем в столицах четырех стран Латинской Америки: Аргентины, Колумбии, Коста- Рики и Бразилии (Рио-де-Жанейро) с уровнями преступности, превышающими 100 на 100 населения.
Как уже обсуждалось, официальный уровень преступности занижается, а сама латентная преступность зависит от уровня экономического развития. Используя международные данные, нами был посчитан уровень преступности по 11 основным видам на 100 населения (статистика дана в таблице 2 в приложении 4). В результате была получена совершенно другая картина преступности в мире (см. график 3 в приложении 4). В отличие от растущего с доходом на душу населения общего уровня преступности, показанного на графике 1 в том же приложении, данные выявляют примерно одинаковый, если не более низкий уровень в развитых странах по сравнению с остальным миром. Однако если исключить страны с высоким доходом, то преступность оказывается растущей с доходом - результат, согласующийся с гипотезой о криминогенности развития. Почему же развитые страны выпадают из этой закономерности? Простое графическое изучение соотношения между неравенством и преступностью дает уже известные результаты. Как демонстрирует график 4 в приложении 4, уровень преступности растет вместе с величиной индекса Джини. Как результат, преступность достигает своего максимума в уже названных четырех латиноамериканских странах и в Африке (Зимбабве), в странах с самыми высокими неравенствами. Ниже будет проведен более точный эконометрический анализ.
Теперь нам предстоит ответить на вопрос, как можно использовать данные для проверки гипотез? Первое, что нужно выяснить, каким образом можно оценить дополнительную полезность преступника, которую тот желает отнять у жертвы (см. теоретическую модель в главе 2). Можно предположить, что более состоятельные жертвы приносят преступнику больше дополнительной полезности, то есть дохода или удовлетворенности, не зависимо от того, совершает он имущественное преступление или насилие. В этом случае домохозяйство из более высокой группы по доходам будет чаще становиться жертвой преступления. В самом деле, таблицы с 5 по 7 в приложении 4 показывают этот факт, причем, наиболее отчетливо для преступлений с автомобилями. В дополнение к относительной привлекательности жертвы, представленной группой дохода, можно найти меры абсолютного дохода. Они включают в себя факт владения автомобилем, количество автомобилей в домохозяйстве и персональный уровень образования. Данные таблиц 3 и 4 из того же приложения подтверждают, что богатое домохозяйство имеет тенденцию к владению большим числом автомобилей на каждого взрослого, а случайно выбранный член богатого домохозяйства имеет более высокий уровень образования. Высокий абсолютный доход домохозяйства связан с большим риском стать жертвой для его членов. Так, средний уровень образования тех, кто был жертвой, выше, чем у тех, кто не был. Кроме этого, таблицы с 8 по 10, свидетельствуют о росте числа преступлений с ростом числа автомобилей у домохозяйства. Однако здесь мы наблюдаем любопытный факт: вероятность пострадать от насилия для неавтовладельцев совпадает со средней вероятностью.
Владение автомобилем является не только индикатором благосостояния, но также может служить и мерой защищенности против некоторых преступлений, таких как разбой и кража, большинство их которых происходит на улицах и в общественном транспорте.
пострадать от преступлений против имущества максимальна среди них. Этот факт говорит о лучшей защищенности имущества у тех, кто ездит на автомобилях.
В качестве мер среднего дохода и его дисперсии мы рассматриваем ВВП на душу населения и индекс Джини. Временные ряды для индекса Джини построены из данных, собираемых во Всемирной базе данных по неравенству в доходах (WIID). ВВП был взят скорректированным по ППС, что позволяет проводить международные сопоставления. Данные взяты из Всемирных индикаторов развития (WDI) и затем пересчитаны в постоянных долларах 1989 года с использованием дефлятора ВВП для США. Однако, как представляется автору, есть более точная мера благосостояния домохозяйств. Среднее число автомобилей на взрослого в регионе выглядит более точной мерой среднего благосостояния (особенно для преступлений с автомобилями), отчасти потому, что мы можем посчитать его для каждого региона. Хотя и была обнаружена очень высокая корреляцию между ВВП на душу и средним числом автомобилей, 0.8, ВВП - это средняя величина по всей стране и может неточно отражать доход в конкретном ее регионе.
В добавление ко всем переменным, учитывается эффект урбанизации, традиционно признающийся как очень мощный фактор преступности. Более высокое число преступлений совершается в мегаполисах. Причиной этого может быть как незнакомство жертвы с преступником, трудность поимки преступника в густонаселенном городе, так и большие потенциальные выгоды от преступления. Этот факт будет учтен в анализе в виде размера города.
Программное обеспечение, с помощью которого проводился анализ - статистический пакет STATA 7, рекомендуемый профессионалами для изучения пространственных и панельных данных, а также данных обследований [59].
К сожалению, данные за 2000 г. в WIID отсутствуют. Следовательно, выборка для анализа заметно сокращается при использовании меры неравенства в доходах.
4.1.2 Оценки индивидуальных данных
Индивидуальные данные не являются панельными, так как организаторы обследований не стали использовать одну когорту населения из-за большого периода времени между обследованиями. Следовательно, техника оценки панельных данных не может быть использована.
В эмпирической модели используются индивидуальные характеристики потенциальных жертв, являющиеся приближением для ее защищенности и привлекательности для преступника. Другими словами, индивидуальные характеристики отражают индивидуальный спрос на преступление. Напротив, используемые макро данные представляют скорее агрегированное предложение преступлений и характеристики силы правопорядка.
Для объединенного множества данных мы делаем оценку основной модели, включающую все соответствующие переменные.
Зависимая переменная в модели `Victim' обозначает сколько раз человек (или домохозяйство) `i', живущий в регионе `j', был жертвой данной категории преступлений за год `t'. Первая группа независимых переменных включает индивидуальные характеристики и характеристики домохозяйства: `Gender' и `Age' - пол и возрастная группа; `Gun' - бинарная переменная для домохозяйств - владельцев оружия; `Risk' - рискованный риск жизни, показывает, как часто в течение недели человек ходит на развлекательные мероприятия по вечерам; `DIncome' - бинарная переменная для группы (квартили) по доходам для домохозяйства; `Dcar' - бинарная переменная для домохозяйств - автовладельцев; `Cars' - число автомобилей на одного взрослого.
Вторая группа независимых переменных состоит из региональных макро индикаторов: `Report' - доля сообщаемых в полицию преступлений - мера, как доверия населения, так и эффективности охраны правопорядка; `MIncome' - средний доход - либо ВВП на душу населения, скорректированное по ППС в постоянных долларах 1989 г, либо, как в основной модели, среднее число автомобилей на взрослого; `Gini' - мера неравенства в доходах - индекс Джини; `Youth' - доля молодежи в возрастной группе от 16 до 29 среди респондентов; `Unempl' - доля безработных среди респондентов; `TSize' - размер города в тысячах населения.
Пуассоновская модель была применена для оценки этой модели, так как это обычно используемая модель в эконометрике для данных, описывающих, сколько раз произошло определенное явление. Модель оценивается методом максимального правдоподобия. Описательная статистика выборки представлена в таблицах 11 и 12 в приложении 4.
Результаты регрессии для трех категорий преступлений можно найти в таблице 13 в приложении 4. Нижняя группа по доходам (самая бедная квантиль) - это базовая группа, исключенная из регрессии в случаях имущественных и насильственных преступлений. Таблица сообщает коэффициенты пуассоновской регрессии и стандартные ошибки. Если взять экспоненту от полученного коэффициента, то получится коэффициент относительной частоты. Он означает относительную частоту, с которой конкретная группа людей становится жертвой по сравнению с базовой группой.
Когда коэффициент близок к нулю, то относительная частота равна единице.
Она содержит в себе ненаблюдаемые характеристики региона, которые в случае их невключения могут вызвать смещение коэффициентов. Регион в обследованиях жертв - это либо город, либо село, а в национальных обследованиях - это репрезентативный регион плюс этот коэффициент. Например, среди автовладельцев домохозяйство из самой высокой группы по доходам (т.е. самой богатой четверти) становится жертвой преступления с автомобилем на 21 процент чаще, чем домохозяйство из самой бедной группы при прочих равных, так как все индивидуальные характеристики оказываются значимыми в регрессионном анализе. Так, риск стать жертвой для каждой категории преступлений ниже для мужчин (например, почти на 40% от насилия), сокращается с возрастом и увеличивается с рискованным образом жизни.
Среди неожиданных результатов: наличие оружия в домохозяйстве не является гарантом защищенности его членов. Напротив, в таких семьях наблюдается более высокий риск стать жертвой для любых категорий преступлений. Заметим, что значение коэффициента будет смещенным от нуля в случае эндогенности наличия оружия, т.е. когда покупают оружие домохозяйства более предрасположенные к тому, чтобы стать жертвой преступления.
Результаты выявляют значимое влияние благосостояния домохозяйства, представляемое числом автомобилей на взрослого, на риск пострадать от различных видов преступлений, особенно заметно для преступлений против автомобилей. Каждый дополнительный автомобиль приводит к росту частоты, с которой становятся жертвой: от насильственных преступлений - на 33 процента, от имущественных - на 19 процентов и от преступлений, связанных с автомобилями - на 38 процентов. В то же время, с ростом благосостояния домохозяйства из самой бедной группы до самой богатой четверти происходит рост частоты преступлений с автомобилями на 21 процент и падение частоты страны, соответствующий каждой из четырех частей света. Всего в выборке 280 регионов, в среднем по 5 на страну.
При этом получается линейное соотношение, начиная с 16 летнего возраста.но не первый, как видно по отрицательному коэффициенту при бинарной переменной для автовладельцев.
Влияние благосостояния на риск стать жертвой оказывается линейным для преступлений с автомобилями, но нелинейным для других категорий преступлений. Все дело в том, что получен значимо отрицательный коэффициент для бинарной переменной, показывающей наличие автомобиля у домохозяйства. Этот результат демонстрирует защитную функцию, выполняемую автомобилем. Вместе два эффекта от владения автомобилем и числом автомобилей в домохозяйстве представляют нелинейное влияние благосостояния, имеющее форму буквы U: первый автомобиль в среднем домохозяйстве уменьшает риск стать жертвой, а каждый следующий - увеличивает.
Средний доход, измеряемый средним числом автомобилей на взрослого в данном регионе, оказывает влияние, описываемое на этот раз перевернутой буквой U, так как оба линейный и квадратичный члены статистически значимы во всех регрессиях. Расчет вершины параболы показывает, что максимальный риск стать жертвой преступлений против автомобилей достигается в странах с 0.6 автомобилями на взрослого (например, в Бельгии и Италии), от имущественных преступлений при 0.7 авто на взрослого (Франция и Швеция) и от насилия в странах, где в среднем каждый взрослый имеет автомобиль (США и Австралия). Влияние среднего дохода заметно не изменяется, когда мы добавляем в анализ индекс Джини, см. таблицу 14 в приложении 4. Однако сам индекс Джини значимо положителен только для имущественных преступлений и статистически незначим в остальных случаях. Рост индекса Джини на единицу по шкале от 0 до 100 приводит к увеличению риска стать жертвой преступлений против имущества на 4 процента.
В качестве альтернативной меры среднего дохода мы попытались использовать ВВП на душу в логарифмах, скорректированный по ППС и выраженный в постоянных ценах. Получившиеся результаты не подтверждают полученные выводы для среднего дохода.
Другой альтернативной мерой индивидуального и среднего дохода стал уровень образования, измеряемый числом лет образования человека/населения. Результаты свидетельствуют, что более образованные люди чаще становятся жертвами разных видов преступлений. Средний же уровень образования населения в регионе не оказывает статистически значимого влияния на индивидуальный риск.
Для остальных макро индикаторов получились следующие результаты. Доля сообщаемых в полицию преступлений, измеряющая, в общем, доверие население полиции и юстиции и, следовательно, в определенной степени отражающая силу правопорядка, не оказывает однозначного влияния на риск стать жертвой. В то время как наиболее опасные насильственные преступления сокращаются, когда потерпевшие чаще обращаются в полиции, преступления с автомобилями, напротив, только увеличиваются. Последний результат может быть следствием эндогенности обращения в полицию, если рост риска угона автомобиля сопровождается ростом надежды на его розыск полицией.
Другие две переменные, описывающие агрегированное предложение преступлений - доля молодежи и доля безработных, оказывают положительное влияние на индивидуальный риск во всех 6 случаях за единственным исключением. Доля молодежи незначимо отрицательна только для преступлений против собственности.
Наконец, последний результат говорит о том, что риск стать жертвой выше в крупных городах, особенно в мегаполисах. Частота, с которой человек становится жертвой, растет линейно от логарифма населения города. Например, человек, проживающий в городе с 5 миллионным населением, в два раза чаще становится жертвой любых преступлений, по сравнению с человеком из маленького городка с 5 тысячами жителей. Переезд домохозяйства в город размером в три раза крупнее примерно эквивалентен (по росту риска стать жертвой) приобретению дополнительного автомобиля данным домохозяйством.
4.1.3 Выводы к части 4.1
В данной части были исследованы доступные с недавнего времени международные данные жертв преступлений среди домохозяйств. Была протестирована простая модель преступного поведения на международных микро данных. Для этого были использованы три широких категории преступлений: 1) преступления с автомобилями (3 вида: угон, кража из автомобиля и вандализм; 2) имущественные преступления (3 вида: квартирная кража, кража личного имущества и разбой); 3) насильственные преступления (3 вида: сексуальные инциденты, нападение и угрозы).
Мы показали, что индивидуальная защищенность играет важную роль. Мужская половина населения, люди, не ведущие рискованный образ жизни, а также люди старших возрастов имеют меньше шансов стать жертвой преступления. Но в то же время домохозяйства, имеющие оружие защищены не лучше остальных, наоборот, их члены чаще становятся жертвами разных преступлений (на 16% чаще от насилия и преступлений против имущества). При этом возможно, что наличие оружия в домохозяйстве является эндогенной характеристикой, т.е. вооружаются семьи, которые в прошлом часто становились жертвами. Впрочем, в случае невооруженности такие семьи могут подвергаться большему риску.
В отношении индивидуального дохода и благосостояния выводы не так просты. Мы нашли тесную связь между благосостоянием и риском стать жертвой. Были использованы две величины, описывающие индивидуальный доход - группа по доходам и число автомобилей на взрослого. Показана линейная связь между риском и благосостоянием: человек из богатого домохозяйства с большим числом автомобилей на каждого взрослого чаще становится жертвой преступлений против автомобиля. Для насильственных преступлений и преступлений против собственности благосостояние оказывает нелинейное влияние, в форме буквы U. Бедные и богатые чаще становятся жертвами. Причиной этого «провала» является имеющее защитные функции владение автомобилем - отличительная черта более состоятельных людей.
Средний доход был представлен ВВП на душу и средним числом автомобилей на взрослого. Индекс Джини - мера неравенства в распределении доходов - представлял дисперсию дохода. Было продемонстрировано, что неравенство в доходах ведет к росту риска стать жертвой только от имущественных преступлений. Этот результат согласуется с множеством подобных эмпирических результатов в литературе по экономике преступления (о положительной связи неравенства и преступности), полученных на агрегированных данных. В тоже время, мы нашли сложное, нелинейное влияние среднего дохода на индивидуальный риск стать жертвой. Средний доход оказывает положительное влияние для стран с низкими и средними доходами, но - отрицательный для наиболее богатых стран. Влияние в виде перевернутой буквы U получено для всех трех категорий преступлений, которые были нами изучены.
Агрегированное предложение преступлений, представляемое безработицей, долей молодежи и размером города, оказывает, как и ожидалось, положительное влияние на риск стать жертвой.
4.2 Регрессионный анализ панельных данных по странам
Последний, краткий раздел посвящен анализу данных по разным странам. Анализ международных данных часто встречает трудно преодолимые препятствия. В предыдущем пункте расхождение в понимании того, что называется преступностью, были приняты в расчет и сведены к минимуму при проведении обследований жертв в каждой стране. Однако официальные данные каждой страны могут сильно отличаться даже в определении самой преступности. Именно разница в понимании того, что определяется под конкретным видом преступлений и создает трудности при анализе. Для примера можно привести наиболее точно регистрируемый вид преступности, убийства. Причина такой точности, состоит в том, что это один из самых опасных для общества видов преступлений. Российская статистика показывает пример, как не следует их регистрировать. Так, МВД регистрирует количество убийств и покушений на убийство, а не количество смертей, например, террористический акт с множеством смертей - это одно преступление. В то же время, парадоксальным образом не попадают в убийства тяжкие телесные повреждения, повлекшие за собой смерть, а это нередкий финал данного преступления из-за низкого уровня скорой медицинской помощи в России. Другой, не менее удивительный пример плохой статистики преступности представляет США. Там попадают под регистрацию лишь девять индексных видов преступлений, в число которых не входят даже преступления с наркотическими веществами. При этом оказывается, что около 40% заключенных в американских тюрьмах осуждены именно за распространение наркотиков.
В силу упомянутых причин анализ международных данных по преступности часто ограничивается данными по убийствам. В этой части мы будем использовать данные по преступности, регулярно собираемые ООН [11]. В качестве альтернативных источников данных исследователи используют данные Всемирной организации здравоохранения о смертности от убийств [57]. Так, в работе [49], авторы получили схожие результаты на обоих наборах данных. Кроме официальных данных по преднамеренным убийствам за 1990-
2000 гг., мы будем использовать данные по продолжительности жизни и ВВП на душу населения по странам, публикуемые Всемирным банком [53], а также международные данные по потреблению алкоголя [85]. Данные по ВВП были взяты скорректированными по ППС и пересчитаны в постоянных долларах. Дополнительные переменные (образование, неравенство и т.п.) не были включены в анализ ввиду отсутствия панельных данных. Описательная статистика используемых данных представлена в таблице 1 в приложении 5.
Была выбрана следующая спецификация эконометрической модели, где `Homicide' обозначает количество преднамеренных убийств на 100 тысяч населения, `LExp' продолжительность жизни в годах, `GDP' - ВВП на душу населения в долларах 1975 г, `Alcohol' - потребление алкоголя на душу населения старше 15 лет в литрах чистого алкоголя, `?i' - фиксированный эффект - бинарная переменная для страны `i', `?it' - ошибка модели. Все переменные взяты в логарифмах, следовательно, оцениваемые параметры регрессии - это эластичности. Для модели с переменными в логарифмах получились следующие результаты на выборке, состоящей из 48 стран (см. таблицу 2 в приложении 5).
Самой значимой переменной оказалась продолжительность жизни. Рост продолжительности жизни связан с очень быстрым падением уровня убийств. Эластичность этой зависимости очень высокая, -6,5. При этом этот результат самый устойчивый при разных спецификациях модели (со случайным или фиксированным эффектом, линейная модель или с логарифмами, без временных фиктивных переменных или с ними).
Доход на душу населения имеет отрицательный знак. Коэффициент статистически отличен от нуля на уровне доверия 2%, а эластичность убийств по доходу равна -0,3. Удивительно, но переменная, отражающая потребление алкоголя незначима. Возможно, это объясняется тем, что в странах с высоким уровнем жизни и высоким потреблением алкоголя доля людей, злоупотребляющих алкоголем и, следовательно, потенциально социально опасных, чрезвычайно низка в отличие от развивающихся стран со средним уровнем потребления алкоголя. Несмотря на то, что представители социальных наук постоянно говорят о тесной связи потребления алкоголя и насилием, убедительных эмпирических подтверждений этого факта до сих пор не получено.
Упрощенная модель в линейной спецификации с фиксированными эффектами без незначимых переменных и временных фиктивных переменных дает следующий красивый результат на выборке из 50 стран и 275 наблюдениях (логарифм взят только от ВВП). В скобках указаны стандартные ошибки полученных оценок параметров модели.
При использовании этой формулы для какой-либо страны из выборки следует иметь в виду, что в ней есть определенная для данной страны константа - фиксированный эффект. Для произвольной «средне статистической» страны эта формула позволяет найти прирост числа умышленных убийств на 100 тысяч населения, который оказывается в точности равен сокращению продолжительности жизни. Напомним, что в предыдущем разделе работы было показано, что с учетом эндогенности продолжительности жизни, зависимость числа убийств от продолжительности жизни в России еще более сильная, с коэффициентом - 2 (российские данные включают и преднамеренные убийства). Коэффициент при логарифме ВВП на душу показывает, что рост ВВП на 60% приводит к снижению убийств на 1 на 100 тысяч населения, т.е. по своему влиянию эквивалентен росту продолжительности жизни на год.
Заключение
Основные результаты диссертационной работы.
1. Представлена теоретическая модель, являющаяся модификацией известной модели преступного поведения (модели Беккера), показывающая связь между индивидуальным риском стать жертвой и распределением благосостояния склонных к преступной деятельности агентов. Также изучено соотношение между ожидаемым уровнем преступности и распределением благосостояния, вероятностью поимки и размером наказания преступника.
2. В другой теоретической модели - модели оптимального правопорядка - решена задача определения оптимальной вероятности наказания и размера санкций при заданных расходах. Показано, что в случае ненулевых издержек на наказание оптимальный уровень наказания может быть ниже максимального. При этом для некоторых технологий поимки преступников, соответствующих медленно растущим удельным расходам, оптимальный уровень расходов на правоохранительные органы и систему наказания может быть ограниченным, а преступность отсутствовать. Но для других, быстро растущих технологий, рост расходов может сопровождаться снижением преступности, а нулевой уровень преступности не достигается. Кроме того, показано, что в этой модели появляется множественность равновесий: одному уровню расходов может соответствовать несколько уровней преступности.
3. В эмпирической части работы представлен эконометрический анализ преступности: временных рядов в СССР, панельных данных по регионам России, международных индивидуальных данных о жертвах и международных агрегированных данных. Показано, что преступность сдерживается правоохранительной деятельностью и тесным образом связана с уровнем жизни, распределением доходов, экономическим развитием и ростом. Падение качества жизни населения выявлено как один из главных факторов невиданного роста преступности в России, причем этот вывод подтверждается и на международных данных. Анализ международных индивидуальных данных приводит к заключению, что связь с доходом носит нелинейный характер: среди жертв больше самых бедных и самых богатых, тогда как в самых бедных и самых богатых странах жертв меньше, чем в странах со средним доходом, при прочих равных условиях. На временных данных по СССР и РСФСР показана положительная связь между уровнем преступности и экономическим развитием. На региональных российских данных этой связи не обнаружено, но выявлена отрицательная зависимость преступности от роста доходов и положительная зависимость преступности от неравенства в распределении доходов населения.
Апробация работы и список опубликованных работ.
Основные положения и результаты работы содержатся в публикациях:
1. Andrienko Y. “Crime and Punishment: The Opportunity Cost”, Transition Newsletter, Vol. 13, No. 6, 2002. PP. 37-38.
2. Андриенко Ю.В. В поисках объяснения роста преступности в России в переходный период: криминометрический подход // Экономический журнал Высшей школы экономики 5, №2, 2001. С. 194-220.
3. Ahrend R. and Y. Andrienko, “Crime - the Path of Freedom: Understanding its Development in Russia during Transition”, Russian Economic Trends, Vol. 9: Issue 2, Blackwell Publishers, 2000. PP. 34-42.
4. Андриенко Ю., Аренд Р. Преступность - путь свободы? Развитие преступности в России в переходный период // Обзор экономики России 2000: II. С. 57-70.
А также докладывались и обсуждались на семинарах и конференциях:
1. На конференции IASA в Лаксенбурге 2003 г,
2. На ежегодной международной конференции по переходным экономикам CEPR/WDI в Будапеште 2003 г,
3. На семинаре, организованном Всемирным банком в Йельском университете 2002 г.
4. На 7-9, 11-13 семинарах Российской программы экономических исследований в 2000 и 2002 гг.
5. На ежегодной конференции в Российской экономической школе 2000 г.
6. На ряде научных семинарах: в Российско-Европейском центре экономической политики в 2000 г. Стокгольмском институте по переходным экономикам в 2001 г. Центральном экономико-математическом институте в 2001 г. Центре экономических и финансовых исследований и разработок в 2002 г.
Литература
1. Индексы цен в России, 1990-1992 гг. - М.: Госкомстат России, 1994.
2. Российский статистический ежегодник - М.: Госкомстат России, 1999. 621 c.
3. Социально-экономическое положение в России, №12, за 1999 и 2000 гг. - М.: Госкомстат России.
4. Предпринимательский климат регионов России: география России для инвесторов. - М.: Начала -Пресс, 1997. 296 с.
5. Криминология: Учебник для юридических вузов. - СП-б.: Санкт-Петербургский университет МВД России, 1999, 608 с.
6. Кудрявцев В. Н. Современные проблемы борьбы с преступностью в России //Вестник Российской академии наук, 1999, т. 69, №9. С. 790-797.
7. Латов Ю.В. Экономика преступлений и наказаний: тридцатилетний юбилей //Истоки, 2000, вып. 4. С. 228-270.
8. Образование населения России: по данным микропереписи населения 1994 года. - М.: Госкомстат России, 1995.
9. Мнение населения о правовой защищенности и деятельности правоохранительных органов в Российской Федерации - М.: РИИЦ, 1992. 162 с.
10. Некоторые итоги Всесоюзной переписи населения - М.: Госкомстат, 1991.
11. Россия и страны мира: статистический сборник - М.: Госкомстат, 2000.
12. Энторф Х. Преступность с экономической точки зрения: факты, теория и статистика // Политэконом, 1997, №1. С. 57.
13. Полян П. М. Спецконтингент / Демография и социология. Миграция населения. Под ред. Ж.А. Зайончковской - М.: РАН, Институт социально- экономических проблем народонаселения, 1992. С.48-60.
14. Arellano M., Bond S. Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations // Review of Economic Studies 58, 1991. P. 277-297.
15. Arellano M., Bond S. Dynamic Panel Data Estimation Using DPD98 for Gauss: a Guide for Users. - Mimeo, Institute for Fiscal Studies, London, Dec. 1998. 46 p.
16. Avio K.L., Clark C.S. Property crime in Canada: an econometric study. - Ontario Council Economic Research Studies, Ontario, Canada, 1976.
17. Becker G. Crime and Punishment: An Economic Approach // Journal of Political Economy, 76, 1968. P. 169-217.
18. Becker G. The Economics of Crime // Cross Sections, Fall 1995.
19. Becker G. Nobel Lecture: The Economic Way of Looking at Behavior // Journal of Political Economy, 101, Issue 3, 1993. P. 385-409.
20. Danziger S., Wheeler D. The economics of crime: punishment or income distribution // Rev. Soc. Econ., 1975, P. 113-31.
21. Ehrlich I. Participation in Illegitimate Activities: A Theoretical and Empirical Investigation // Journal of Political Economy, 81, 1973. P. 521-565.
22. Eide E. Economics of Crime: Deterrence and the Rational Offender // Contribution to economic analysis, No. 227, North-Holland, 1994. 334 p.
23. Fajnzylber P., Lederman D. and N. Loayza “Determinants of Crime Rates in Latin America and World: An Empirical Assessment”, World Bank Latin American and Caribbean Studies. Viewpoints, The World Bank, 1998.
24. Fajnzylber P., Lederman D., Loayza N. Inequality and Violent Crime - Office of the Chief Economist Latin America and the Caribbean, The World Bank, mimeo, Oct. 1999. 44 p.
25. Fleisher B. The Effect of Income on Delinquency // American Economic Review, 56, 1966. P. 118-137.
26. Forst B. Participation in illegitimate activities: further empirical findings // Policy Anal., 2, No. 3, 1976. P. 477-492.
27. Greene W. Econometric Analysis - Prentice-Hall, 2000. P. 1004.
28. Griliches Z., Hausman J. Errors in Variables in Panel Data // Journal of Econometrics 31, 1986. P. 93-118.
29. Heineke J.M. Economic models of criminal behaviour - Amsterdam, North- Holland, 1978.
30. Holtman A.G., Yap L. Does punishment pay? // Pub. Fin., 33, 1-2, 1978. P. 90-97.
31. Imrohoroglu A., Merlo A., Rupert P. On the Political Economy of Income Redistribution and Crime - Federal Reserve Bank of Minneapolis Staff Report: 216, September 1996, p.35.
32. Lenke L. Violent Crime and Alcohol: A Study of the Developments in Assaultive Crime - Stockholm, Department of Criminology, University of Stockholm, 1975.
33. Levitt S. Why Do Increased Arrest Rates Appear to Reduce Crime: Deterrence, Incapacitation, or Measurement Error? - NBER Working Paper No. 5268, 1995.
34. Levitt S. Using Electoral Cycles in Police Hiring to Estimate the Effect of Police on Crime - American Economic Review, 81(3), June 1997. P. 270-290.
35. Markowitz S. Criminal Violence and Alcohol Beverage Control: Evidence from an International Study - NBER Working Paper, No. 7481, 2000.
36. Mathieson D., Passell P. Homicide and robbery in New York city: an econometric model // J. Legal Stud., No. 5, 1976. P. 83-98.
37. Myers S.L. Why are crimes underreported? What is the crime rate: Does it really matter? // Soc. Sc. Q., 61, No. 1, June 1980. P. 23-43.
38. Mathur V.K. Economics of crime: an investigation of the deterrent hypothesis for urban areas // Rev. Econ. Stat., 60, No. 3, Aug 1978. P. 459-466.
39. Sjoquist D. Property crime and economic behavior: some empirical results // Am. Econ. Rev., 63, No. 3, 1973. P. 439-446.
40. Swimmer E.R. Measurement of the effectiveness of urban law enforcement - A multaneous approach // Southern Econ. J., 40, Apr 1974. P. 618-630.
41. Thaler R. An econometric analysis of property crime // J. Pub. Econ., 8, 1977. P. 323-338.
42. Vandaele W. Participation in Illegitimate activities: Ehrlich revised / in Blumstein et al., 1978. P. 270-335.
43. Willis K.G. Spatial variations in crime in England and Wales: testing an economic model // Reg. Stud., 17, No. 4, 1983. P. 261-272.
44. Witte A., Tauchen H. Work and Crime: An Exploration Using Panel Data - NBER Working Paper No. 4794, 1994.
45. Witte A. Estimating the economic model of crime with individual data // Q. J. Econ. (Feb), 1980. P. 57-84.
46. Esterban, J. and Ray, D. “On the Measurement of Polarization”, Econometrica, 63(4): 819-851.
47. Van Kesteren J., Mayhew P., Nieuwbeerta P. “Criminal Victimization in Seventeen Industrialized Countries: Key findings from the 2000 International Crime Victims Survey”, UNICRI, 2001.
48. Сравнительное социологическое исследование «Население и милиция в большом городе», Общественная правозащитная организация, "Гражданский контроль", Санкт-Петербург, 2001.
49. Fajnzylber P., Lederman D. and N. Loayza “Crime and Victimization: An Economic Perspective”, Economia, Fall 2000. PP. 219-302.
50. Blundell, Bond, Windmeijer “Estimation in Dynamic Panel Data Models: Improving on the Performance of the Standard GMM Estimation”, The Institute for Fiscal Studies, WP #00/12.
51. Восьмой ежегодный демографический доклад «Население России 2000» под ред. А.Г. Вишневский, Институт народнохозяйственного прогнозирования
РАН, Центр демографии и экологии человека, Москва, 2001.
52. А. Деев, В. Школьников «Неоднородность смертности: анализ индивидуальных данных» в «Неравенство и смертность в России» ред. В. Школьников, Е. Андреева, Т. Малева, Центр Карнеги, Москва, февраль 2000, 107 с.
53. Всемирные индикаторы развития 2001, Всемирный банк, 2002.
54. "Российские регионы после выборов - 96" под ред. Лаврова А.М., Юридическая литература, Москва, 1997.
55. Soares R.R. “Development, Crime, and Punishment: Accounting for the International Differences in Crime Rates”, Department of Economics - University of Chicago, April 2001. Mimeo. 56. 6-е и 7-е обследования ООН трендов преступности и работы криминальной юстиции, Интернет сайт ООН, www.un.org.
57. Международные данные по смертности, Интернет сайт Всемирной организации здравоохранения, www.who.org.
58. Graeme R. Newman “Global Report on Crime and Justice”, Oxford University Press, 1999, P. 356.
59. Kolenikov S. “Review of STATA 7”, Journal of Applied Econometrics, 16, 2001. P. 637-646.
60. Eide E. Economics of Criminal Behavior, in B. Bouckaert and G. De Geests (eds.): Encyclopedia of Law and Economics, vol. V, Cheltenham, 2000, Edward Elgar, pp. 345-389.
61. Bourguignon F. “Crime, Violence and Inequiquitable Development”, paper prepared for the Annual World Bank Conference on Development Economics, April 1999. Mimeo.
62. Winfree L. Т., Abadinsky H. “Understanding Crime. Theory and Practice”, Chicago, 1996. P. 9-11.
63. Maxim P., Whitehead P. “Explaining Crime”, Fourth Edition. Butterworth -- Heinemann, 1998. P. 21.
64. Я.И. илинский “Criminology today”, статья в Интернете: www.narcom.ru/law/system.html
65. Я.И. илинский “Объяснение преступности”, статья в Интернете: www.narcom.ru/law/system.html
66. Андриенко Ю.В. “В поисках объяснения роста преступности в России в переходный период: криминометрический подход”, Экономический журнал ВШЭ, том 5, №2, 2001. С. 194-220.
67. Myers S.L. “Crime in Urban Areas: New Evidence and Results”, Journal of Urban Economics, 11, 1982. P. 148-158.
68. A. M. Polinsky and S. Shavell “The economic theory of public enforcement of law”, NBER Working paper 6993, 1999.
69. Fowlees R. and M. Merva “Wage inequality and criminal activity: An extreme bounds analysis for the United States, 1975-90”, Criminology, Vol. 34, No.2, 1996. PP. 163-182.
70. Kelly M. “Inequality and Crime”, Review of Economics and Statistics, Vol. 82, Issue 4, 2000. PP. 540-554.
71. Pridemore W. Using newly available homicide data to debunk two myphs about violence in an international context: a research note // Homicide Studies, Vol. 5, No.3, Aug 2001. P. 266-274.
72. Hellman D.A. and N.O. Alper “Economics of Crime”, Simon & Schuster Custom Publishing, 1997. P.18.
73. Archer D. and R. Gartner “Violence and Crime in Cross-National Perspective”, New Haven: Yale University Press, 1984. P. 29.
74. Steven D. Levitt "The Changing Relationship between Income and Crime Victimization." Federal Reserve Bank of New York Economic Policy Review 5, No.3 (September 1999). PP. 87-98.
Подобные документы
Сущность и особенности преступлений в сфере экономики. Преступления, посягающие на основы государственного регулирования в определенных видах деятельности. Виды преступлений в сфере банкротства. Отличия преднамеренного банкротства от смежных преступлений.
курсовая работа [37,5 K], добавлен 05.01.2013
Понятие и особенности экономической преступности, оценка ее состояния и криминологическая характеристика. Особенности теневой экономики в России, ее механизмы, анализ и статистические измерения. Суть уголовно-правовой легализации денежных средств.
курсовая работа [46,7 K], добавлен 10.04.2010
Ловушка среднего дохода: определяющие факторы и причины возникновения. Эмпирическое доказательство существования ловушки среднего дохода в Российской Федерации, возможности ее преодоления. Исследование факторов, оказывающих влияние на экономический рост.
дипломная работа [1,4 M], добавлен 22.08.2017
Виды моделей национальной экономики. Макроэкономическая модель и смешанная экономика. Социальная устойчивость как главный критерий социально ориентированной рыночной экономики. Формирование и методика оценки белорусской модели национальной экономики.
курсовая работа [751,6 K], добавлен 28.08.2011
Формирование научных основ экономики труда. Активный процесс изменения общетеоретического базиса экономической науки. А. Файоль и его принципы управления персоналом: вознаграждение, справедливость, постоянность. Методика С. Струмилина по уровню доходов.
реферат [28,9 K], добавлен 12.02.2011
Определение основных особенностей национальных экономических моделей и теоретическое исследование классификации экономических систем. Характеристика субъектов экономической системы. Анализ моделей рыночной экономики на примере США, Швеции и Германии.
курсовая работа [27,0 K], добавлен 03.02.2011
Основные виды структур национальной экономики. Инфраструктура экономики, ее виды и значение для национальной экономики. Экономические ресурсы: их виды и свойства. Национальное богатство - часть совокупного экономического потенциала национальной экономики.
реферат [58,2 K], добавлен 13.04.2015
Понятие и структура семейного бюджета, особенности его формирования, как способа повышения благосостояния семьи. Сущность и свойства бюджетной линии и бюджетных ограничений. Исследование влияния изменения дохода семьи и цен на товары на их положение.
реферат [1,6 M], добавлен 18.11.2014
Систематизация и теоретическое исследование основных факторов эффективного экономического роста. Анализ состояния промышленности, сельского хозяйства и научного потенциала России. Основные приоритеты и оценка факторов эффективного развития экономики РФ.
дипломная работа [170,5 K], добавлен 30.09.2011
Понятие и сущность экономики как науки. Основные этапы становления и развития экономической науки. Классификация экономических объемных показателей. Причины возникновения экономического романтизма. Отраслевая структура экономики, схема воспроизводства.
курсовая работа [646,2 K], добавлен 19.08.2011
