Циклические колебания деловой активности и структурная перестройка современной экономики оказывают существенное влияние на состояние рынка труда. Рост безработицы и сопутствующее повышение уровня бедности и социальной напряженности являются очевидными стимулами криминальной активности. В таких условиях рост отдельных видов преступлений может иметь устойчивый характер, так как чем дольше человек остается безработным, тем выше вероятность его вовлечения в противозаконную деятельность [1; 2]. Интуитивно этот вывод понятен — «рациональный» индивид сравнивает выгоды и издержки легального и нелегального трудоустройства, после чего прини­мает взвешенное решение. Разумеется, усиление конкуренции на рынке труда и устойчивое падение реальной заработной платы делают законную активность менее привлекательной.
В свою очередь, снижение безработицы и увеличение среднего уровня заработной платы ведут к росту потенциального дохода преступника, так как население становится богаче. Подобная логика приводит к предположению, что безработица должна быть связана с изменением уровня имущественной преступности и при этом не влиять на преступность насильственную.
Цель настоящей статьи: проверить справедливость этой теории в российских условиях. Несмотря на то что количественное исследование взаимосвязи безработицы, доходов населения и уровня экономической преступности было проведено нами ранее [3], настоящая статья расширяет подход к изучению предмета исследования за счет следующих особенностей: увеличения количества наблюдений (изучаются данные с 2007 года по 2020 год); оценки связи безработицы не только с экономическими, но и с иными видами преступлений; использования панельных данных, которые позволяют учесть индивидуальные характеристики федеральных округов России.
Актуальность настоящей работы подкрепляется очевидной нехваткой количественных исследований преступности в отечественной научной литературе, которая сложилась, в том числе в силу исторических причин. В середине XX века (период активного развития криминометрики в западных странах) в Советском союзе, по мнению идеологов марксистко-ленинской философии, отрицалась сама возможность существования безработицы. Взгляды тех ученых, которые пытались исследовать наличие скрытых форм безработицы в командно-административной экономике, их связи с преступностью, подвергались жесточайшей критике. В связи с чем активно о данной проблеме ученые заговорили лишь в последние двадцать лет. Поэтому существующие сегодня исследования носят преимущественно общий описательный характер и лишь выделяют безработицу в качестве одного из факторов преступности [4; 5, с. 95; 6].
В отличие от отечественной научной мысли на западе «экономика преступления и наказания» (Economics of Crime) получила серьезное развитие. В работах зарубежных ученых количественные оценки безработицы как фактора преступности выступают предметом исследования уже более сорока лет [7; 8]. В одном из таких фундаментальных исследований [9] авторы приходят к выводу, что снижение безработицы на 1 % сопряжено со снижением уровня как имущественной преступности в целом, так и отдельных ее видов: мошенничества, краж, угонов (от 1,6 % до 2,4 %). Примечательно, в ходе анализа насильственной преступности (изнасилования, убийства) данная взаимосвязь обнаружена не была. Схожие результаты впоследствии продемонстрировали как ученые из США [10—12], так и европейские исследователи [13—17]. Достаточно подробный обзор зарубежной литературы по исследованию взаимосвязи преступности и безработицы представлен в актуальной работе [18].
Описание данных и методология исследования
Определение взаимосвязи преступности и безработицы будем проводить с помощью анализа панельных данных. Для формирования панелей используем следующие ежегодные показатели: количество зарегистрированных преступлений, количество зарегистрированных преступлений экономической направленности (далее — экономические преступления), количество зарегистрированных краж, грабежей, случаев разбоя и мошенничества, среднегодовая численность населения, уровень безработицы и среднедушевые доходы населения соответствующего региона (в тыс. рублей) [19]. Таким образом, панельные данные характеризуют восемь федеральных округов России в период с 2007 года по 2020 год включительно (данные по Северо-Кавказскому федеральному округу с 2010 года), что обусловило наличие 109 наблюдений. Ежегодный уровень преступности рассчитан для каждого вида преступлений как частное от количества зарегистрированных преступлений к среднегодовой численности населения соответствующего федерального округа (на 100 тысяч человек). Краткая количественная характеристика переменных представлена в таблице 1.
Вначале используем сквозные регрессионные модели (pooled regression), которые не учитывают панельную структуру данных. Однако мы предполагаем, что между регионами есть индивидуальные различия, наличие которых проверим с помощью F-теста. Непринятие нулевой гипотезы в F-тесте свидетельствует в пользу наличия индивидуальных эффектов. В этом случае вопрос остается в том, какая модель лучше опишет исследуемую зависимость: с фиксированными (fixed effects) или случайными (random efffects) эффектами. Выбор модели определяется на основе теста Хаусмана (Hausman test) [20]. В случае принятия нулевой гипотезы предполагаем наличие случайных эффектов, после чего применяем тест Бройша-Пагана [21]. Принятие нулевой гипотезы в тесте Бройша-Пагана свидетельствует в пользу модели сквозной регрессии.
Таблица 1
Описательная статистика данных
Переменная    Среднее    Медиана    Стандартное отклонение    Минимум    Максимум
Преступность    1 684.90    1 588.81    560.26    710.88    3 384.86
Экономическая преступность    127.58    78.46    87.54    56.10    358.59
Кража    673.55    649.70    277.71    114.94    1 578.76
Мошенничество    134.85    135.89    40.93    23.88    262.28
Грабеж    78.73    53.43    64.35    8.18    295.84
Разбой    13.83    10.26    14.53    1.46    121.64
Безработица    6.64    6.20    2.71    2.90    16.50
Доход    24.37    23.95    9.43    9.35    47.54
Население    185.32    176.06    139.62    61.74    394.06

Примечание: доход — среднедушевые доходы населения (в тыс. руб.), население — среднегодовая численность населения (в 100 тыс. человек), виды преступлений представлены уровнем

В случае выбора модели с фиксированными эффектами будем использовать модель с фиктивными переменными для каждого региона (least squares dummy variable — LSDV). Выбор LSDV модели, а не модели «within estimation» в нашем случае продиктован небольшим количеством объектов, что позволяет оценить каждый в отдельности, а не формировать усредненную оценку. Наконец, в качестве зависимой переменной мы используем не уровень преступности, а его натуральный логарифм. Связано это с тем, что официальная криминальная статистика подвержена определенным искажениям ввиду латентности преступности и особенностей регистрации преступлений. Логарифмирование уровня преступности позволяет частично решить эту проблему [22].
Эмпирическая часть
Графическое представление динамики безработицы и преступности в разрезе федеральных округов России (рис. 1) демонстрирует, что динамика показателей в некоторых округах имеет некоторые особенности, но в целом ее характер схож на разных территориях.
Основной вывод состоит в том, что с 2008 года уровень преступности начинает снижаться, равно как и уровень безработицы. Оценим взаимовлияние этих показателей с помощью сквозной регрессии (табл. 2).
Результаты сквозной регрессии показывают, что рост безработицы сопряжен с ростом уровня экономических преступлений, что может быть связано с наличием индивидуальных эффектов, которые построенные модели не учитывают. В частности, если взглянуть на распределение доли преступников, то видно, что в разных регионах доля безработных среди выявленных правонарушителей отличается (рис. 2).
Это свидетельствует в пользу наличия индивидуальных эффектов, которые необходимо учитывать при построении моделей. Тесты на спецификацию моделей, содержащиеся в разделе «Описание данных и методология исследования», продемонстрировали, что для всех видов преступлений предпочтительна модель с фиксированными эффектами. Результаты построения таких моделей приведены в таблице 3.

Рис. 1. Динамика основных показателей

Таблица 2
Результаты сквозной регрессии
    Преступность    Экономич. преступность    Кража    Грабеж    Разбой    Мошенничество
Безработица    -0.040***    0.048**    -0.068***    -0.059**    -0.025    -0.043***
    (0.012)    (0.020)    (0.017)    (0.028)    (0.027)    (0.011)
                        
Доходы    7.637***    4.340***    6.858***    4.453***    2.491***    5.144***
    (0.085)    (0.146)    (0.122)    (0.201)    (0.191)    (0.078)
Наблюдения    109    109    109    109    109    109
Скорр. R2    0.088    0.040    0.122    0.031    -0.001    0.122
F статистика
(df = 1; 107)    11.372***    5.535**    16.058***    4.403**    0.910    16.037***
Примечание:    *p<0.1; **p<0.05; ***p<0.01

Рис. 2. Распределение доли преступников, числящихся безработными,
по федеральным округам России
Примечание: рассчитано авторами как среднее значение отношения количества лиц, являющихся безработными и совершивших преступления, к общему количеству выявленных преступников.
Таблица 3
Оценки моделей LSDV (в качестве базовой переменной используется Дальневосточный федеральный округ)
    Преступность    Экономич. преступность    Кража    Грабеж    Разбой    Мошенничество
Безработица    0.055***    0.271***    0.082***    0.257***    0.227***    -0.060***
    (0.012)    (0.035)    (0.021)    (0.038)    (0.044)    (0.021)
ПФО    -0.242***    0.461**    -0.271**    0.008    -0.007    -0.002
    (0.063)    (0.186)    (0.111)    (0.202)    (0.234)    (0.115)
СЗФО    -0.199***    0.632***    -0.164    0.309    0.461*    -0.202*
    (0.066)    (0.195)    (0.117)    (0.212)    (0.245)    (0.120)
СКФО    -1.379***    -1.620***    -1.974***    -3.301***    -2.368***    -0.013
    (0.092)    (0.273)    (0.164)    (0.297)    (0.344)    (0.169)
СФО    -0.062    -0.164    -0.066    -0.133    0.117    0.017
    (0.061)    (0.182)    (0.109)    (0.198)    (0.229)    (0.112)
УФО    -0.059    0.424**    -0.269**    -0.011    0.300    0.145
    (0.062)    (0.183)    (0.110)    (0.199)    (0.231)    (0.113)
ЦФО    -0.258***    0.975***    -0.124    0.443*    0.679**    -0.238*
    (0.072)    (0.212)    (0.127)    (0.231)    (0.267)    (0.131)
ЮФО    -0.497***    -0.042    -0.657***    -0.728***    -0.514**    -0.005
    (0.061)    (0.181)    (0.108)    (0.196)    (0.228)    (0.112)
Скор. R2    0.788    0.340    0.688    0.582    0.361    0.182
F статистика
(df = 8; 100)    51.246***    7.942***    30.701***    19.767***    8.642***    4.007***
F-тест для индивидуальных эффектов    59.45***
(0.00)    54.55***
(0.00)    12.46***
(0.00)    10.12***
(0.00)    2.46***
(0.00)    21.63***
(0.00)
Примечание:    *p<0.1; **p<0.05; ***p<0.01

Построение моделей с фиктивными переменными привело к подтверждению гипотезы о том, что повышение безработицы связано с повышением уровня преступности. При этом большее влияние оказывается на экономическую преступность, чем на преступность в целом (рост безработицы на один пункт связан с увеличением уровня экономической преступности на 27 %). В то же время для мошенничества получен отрицательный коэффициент, который говорит об обратной связи между безработицей и уровнем преступлений данного вида. Базовая модель рассчитана для Дальневосточного федерального округа, следовательно, включение фиктивных переменных позволяет сравнить уровень преступности в других округах. Например, в Северо-Западном федеральном округе уровень общей преступности ниже, а уровень экономической преступности выше по сравнению с Дальневосточным федеральным округом.
Выводы и дискуссия
Основная сложность, с которой авторы столкнулись при построении моделей, заключается в элиминировании влияния на преступность прочих факторов помимо безработицы. Так, включение фиктивных переменных для каждого года, а также попытка использовать в качестве контрольных переменных доходы и численность населения привело к получению незначимых оценок для безработицы. Зарубежные исследователи используют гораздо более широкий набор контрольных переменных: количество сотрудников полиции, уровень потребления наркотиков и алкоголя, раскрываемость преступлений и прочее. Помимо прямого влияния безработицы на преступность через механизм издержек легальной занятости, необходимо выделить ряд иных показателей, изменение которых может свидетельствовать о косвенном влиянии на уровень преступности. Так, увеличение потребления предметов роскоши говорит о повышении потенциального среднего дохода преступника, что может повлечь увеличение уровня криминализации. Усиление дифференциации доходов населения, в свою очередь, создает более явные стимулы занятия незаконной деятельностью для малообеспеченных слоев населения [23; 24]. Тогда как люди с низким уровнем образования более склонны совершать преступления при потере работы, чем люди с более высоким уровнем образования. Для построения моделей, результаты которых можно использовать для принятия управленческих решений, включение данных переменных необходимо, хотя и требует серьезных затрат по сбору и обработке первичной статистики. Наконец, не только безработица влияет на преступность, но и наоборот — регулярное совершение преступлений выступает препятствием для развития бизнеса и создания потенциальных рабочих мест. Здесь мы сталкиваемся с проблемой эндогенности и поиском инструментальных переменных [13], что обусловливает применение двухшагового метода наименьших квадратов. Не менее интересны и частности. Определенный интерес представляет оценка влияния безработицы на преступность разных групп населения как по полу, так и по возрасту. Широкий институциональный подход в этом направлении продемонстрирован в работах зарубежных авторов [25; 11].
Несмотря на описанные выше ограничения, данная работа является одним из небольших шагов в направлении количественной оценки влияния безработицы на преступность в России. Научная новизна заключается в подтверждении гипотезы о том, что в российских условиях безработица оказывает большее влияние на преступления экономической направленности, нежели на общую преступность. Федеральные округа имеют свои индивидуальные характеристики, поэтому при оценке зависимости преступности и безработицы необходимо применять модели с фиксированными эффектами. Наконец, в разных регионах уровень различных видов преступлений значимо отличается, что создает почву для дальнейших исследований выявленной дифференциации.

Циклические колебания деловой активности и структурная перестройка современной экономики оказывают существенное влияние на состояние рынка труда. Рост безработицы и сопутствующее повышение уровня бедности и социальной напряженности являются очевидными стимулами криминальной активности. В таких условиях рост отдельных видов преступлений может иметь устойчивый характер, так как чем дольше человек остается безработным, тем выше вероятность его вовлечения в противозаконную деятельность [1; 2]. Интуитивно этот вывод понятен — «рациональный» индивид сравнивает выгоды и издержки легального и нелегального трудоустройства, после чего прини­мает взвешенное решение. Разумеется, усиление конкуренции на рынке труда и устойчивое падение реальной заработной платы делают законную активность менее привлекательной.
В свою очередь, снижение безработицы и увеличение среднего уровня заработной платы ведут к росту потенциального дохода преступника, так как население становится богаче. Подобная логика приводит к предположению, что безработица должна быть связана с изменением уровня имущественной преступности и при этом не влиять на преступность насильственную.
Цель настоящей статьи: проверить справедливость этой теории в российских условиях. Несмотря на то что количественное исследование взаимосвязи безработицы, доходов населения и уровня экономической преступности было проведено нами ранее [3], настоящая статья расширяет подход к изучению предмета исследования за счет следующих особенностей: увеличения количества наблюдений (изучаются данные с 2007 года по 2020 год); оценки связи безработицы не только с экономическими, но и с иными видами преступлений; использования панельных данных, которые позволяют учесть индивидуальные характеристики федеральных округов России.
Актуальность настоящей работы подкрепляется очевидной нехваткой количественных исследований преступности в отечественной научной литературе, которая сложилась, в том числе в силу исторических причин. В середине XX века (период активного развития криминометрики в западных странах) в Советском союзе, по мнению идеологов марксистко-ленинской философии, отрицалась сама возможность существования безработицы. Взгляды тех ученых, которые пытались исследовать наличие скрытых форм безработицы в командно-административной экономике, их связи с преступностью, подвергались жесточайшей критике. В связи с чем активно о данной проблеме ученые заговорили лишь в последние двадцать лет. Поэтому существующие сегодня исследования носят преимущественно общий описательный характер и лишь выделяют безработицу в качестве одного из факторов преступности [4; 5, с. 95; 6].
В отличие от отечественной научной мысли на западе «экономика преступления и наказания» (Economics of Crime) получила серьезное развитие. В работах зарубежных ученых количественные оценки безработицы как фактора преступности выступают предметом исследования уже более сорока лет [7; 8]. В одном из таких фундаментальных исследований [9] авторы приходят к выводу, что снижение безработицы на 1 % сопряжено со снижением уровня как имущественной преступности в целом, так и отдельных ее видов: мошенничества, краж, угонов (от 1,6 % до 2,4 %). Примечательно, в ходе анализа насильственной преступности (изнасилования, убийства) данная взаимосвязь обнаружена не была. Схожие результаты впоследствии продемонстрировали как ученые из США [10—12], так и европейские исследователи [13—17]. Достаточно подробный обзор зарубежной литературы по исследованию взаимосвязи преступности и безработицы представлен в актуальной работе [18].
Описание данных и методология исследования
Определение взаимосвязи преступности и безработицы будем проводить с помощью анализа панельных данных. Для формирования панелей используем следующие ежегодные показатели: количество зарегистрированных преступлений, количество зарегистрированных преступлений экономической направленности (далее — экономические преступления), количество зарегистрированных краж, грабежей, случаев разбоя и мошенничества, среднегодовая численность населения, уровень безработицы и среднедушевые доходы населения соответствующего региона (в тыс. рублей) [19]. Таким образом, панельные данные характеризуют восемь федеральных округов России в период с 2007 года по 2020 год включительно (данные по Северо-Кавказскому федеральному округу с 2010 года), что обусловило наличие 109 наблюдений. Ежегодный уровень преступности рассчитан для каждого вида преступлений как частное от количества зарегистрированных преступлений к среднегодовой численности населения соответствующего федерального округа (на 100 тысяч человек). Краткая количественная характеристика переменных представлена в таблице 1.
Вначале используем сквозные регрессионные модели (pooled regression), которые не учитывают панельную структуру данных. Однако мы предполагаем, что между регионами есть индивидуальные различия, наличие которых проверим с помощью F-теста. Непринятие нулевой гипотезы в F-тесте свидетельствует в пользу наличия индивидуальных эффектов. В этом случае вопрос остается в том, какая модель лучше опишет исследуемую зависимость: с фиксированными (fixed effects) или случайными (random efffects) эффектами. Выбор модели определяется на основе теста Хаусмана (Hausman test) [20]. В случае принятия нулевой гипотезы предполагаем наличие случайных эффектов, после чего применяем тест Бройша-Пагана [21]. Принятие нулевой гипотезы в тесте Бройша-Пагана свидетельствует в пользу модели сквозной регрессии.
Таблица 1
Описательная статистика данных
Переменная    Среднее    Медиана    Стандартное отклонение    Минимум    Максимум
Преступность    1 684.90    1 588.81    560.26    710.88    3 384.86
Экономическая преступность    127.58    78.46    87.54    56.10    358.59
Кража    673.55    649.70    277.71    114.94    1 578.76
Мошенничество    134.85    135.89    40.93    23.88    262.28
Грабеж    78.73    53.43    64.35    8.18    295.84
Разбой    13.83    10.26    14.53    1.46    121.64
Безработица    6.64    6.20    2.71    2.90    16.50
Доход    24.37    23.95    9.43    9.35    47.54
Население    185.32    176.06    139.62    61.74    394.06

Примечание: доход — среднедушевые доходы населения (в тыс. руб.), население — среднегодовая численность населения (в 100 тыс. человек), виды преступлений представлены уровнем

В случае выбора модели с фиксированными эффектами будем использовать модель с фиктивными переменными для каждого региона (least squares dummy variable — LSDV). Выбор LSDV модели, а не модели «within estimation» в нашем случае продиктован небольшим количеством объектов, что позволяет оценить каждый в отдельности, а не формировать усредненную оценку. Наконец, в качестве зависимой переменной мы используем не уровень преступности, а его натуральный логарифм. Связано это с тем, что официальная криминальная статистика подвержена определенным искажениям ввиду латентности преступности и особенностей регистрации преступлений. Логарифмирование уровня преступности позволяет частично решить эту проблему [22].
Эмпирическая часть
Графическое представление динамики безработицы и преступности в разрезе федеральных округов России (рис. 1) демонстрирует, что динамика показателей в некоторых округах имеет некоторые особенности, но в целом ее характер схож на разных территориях.
Основной вывод состоит в том, что с 2008 года уровень преступности начинает снижаться, равно как и уровень безработицы. Оценим взаимовлияние этих показателей с помощью сквозной регрессии (табл. 2).
Результаты сквозной регрессии показывают, что рост безработицы сопряжен с ростом уровня экономических преступлений, что может быть связано с наличием индивидуальных эффектов, которые построенные модели не учитывают. В частности, если взглянуть на распределение доли преступников, то видно, что в разных регионах доля безработных среди выявленных правонарушителей отличается (рис. 2).
Это свидетельствует в пользу наличия индивидуальных эффектов, которые необходимо учитывать при построении моделей. Тесты на спецификацию моделей, содержащиеся в разделе «Описание данных и методология исследования», продемонстрировали, что для всех видов преступлений предпочтительна модель с фиксированными эффектами. Результаты построения таких моделей приведены в таблице 3.

Рис. 1. Динамика основных показателей

Таблица 2
Результаты сквозной регрессии
    Преступность    Экономич. преступность    Кража    Грабеж    Разбой    Мошенничество
Безработица    -0.040***    0.048**    -0.068***    -0.059**    -0.025    -0.043***
    (0.012)    (0.020)    (0.017)    (0.028)    (0.027)    (0.011)
                        
Доходы    7.637***    4.340***    6.858***    4.453***    2.491***    5.144***
    (0.085)    (0.146)    (0.122)    (0.201)    (0.191)    (0.078)
Наблюдения    109    109    109    109    109    109
Скорр. R2    0.088    0.040    0.122    0.031    -0.001    0.122
F статистика
(df = 1; 107)    11.372***    5.535**    16.058***    4.403**    0.910    16.037***
Примечание:    *p<0.1; **p<0.05; ***p<0.01

Рис. 2. Распределение доли преступников, числящихся безработными,
по федеральным округам России
Примечание: рассчитано авторами как среднее значение отношения количества лиц, являющихся безработными и совершивших преступления, к общему количеству выявленных преступников.
Таблица 3
Оценки моделей LSDV (в качестве базовой переменной используется Дальневосточный федеральный округ)
    Преступность    Экономич. преступность    Кража    Грабеж    Разбой    Мошенничество
Безработица    0.055***    0.271***    0.082***    0.257***    0.227***    -0.060***
    (0.012)    (0.035)    (0.021)    (0.038)    (0.044)    (0.021)
ПФО    -0.242***    0.461**    -0.271**    0.008    -0.007    -0.002
    (0.063)    (0.186)    (0.111)    (0.202)    (0.234)    (0.115)
СЗФО    -0.199***    0.632***    -0.164    0.309    0.461*    -0.202*
    (0.066)    (0.195)    (0.117)    (0.212)    (0.245)    (0.120)
СКФО    -1.379***    -1.620***    -1.974***    -3.301***    -2.368***    -0.013
    (0.092)    (0.273)    (0.164)    (0.297)    (0.344)    (0.169)
СФО    -0.062    -0.164    -0.066    -0.133    0.117    0.017
    (0.061)    (0.182)    (0.109)    (0.198)    (0.229)    (0.112)
УФО    -0.059    0.424**    -0.269**    -0.011    0.300    0.145
    (0.062)    (0.183)    (0.110)    (0.199)    (0.231)    (0.113)
ЦФО    -0.258***    0.975***    -0.124    0.443*    0.679**    -0.238*
    (0.072)    (0.212)    (0.127)    (0.231)    (0.267)    (0.131)
ЮФО    -0.497***    -0.042    -0.657***    -0.728***    -0.514**    -0.005
    (0.061)    (0.181)    (0.108)    (0.196)    (0.228)    (0.112)
Скор. R2    0.788    0.340    0.688    0.582    0.361    0.182
F статистика
(df = 8; 100)    51.246***    7.942***    30.701***    19.767***    8.642***    4.007***
F-тест для индивидуальных эффектов    59.45***
(0.00)    54.55***
(0.00)    12.46***
(0.00)    10.12***
(0.00)    2.46***
(0.00)    21.63***
(0.00)
Примечание:    *p<0.1; **p<0.05; ***p<0.01

Построение моделей с фиктивными переменными привело к подтверждению гипотезы о том, что повышение безработицы связано с повышением уровня преступности. При этом большее влияние оказывается на экономическую преступность, чем на преступность в целом (рост безработицы на один пункт связан с увеличением уровня экономической преступности на 27 %). В то же время для мошенничества получен отрицательный коэффициент, который говорит об обратной связи между безработицей и уровнем преступлений данного вида. Базовая модель рассчитана для Дальневосточного федерального округа, следовательно, включение фиктивных переменных позволяет сравнить уровень преступности в других округах. Например, в Северо-Западном федеральном округе уровень общей преступности ниже, а уровень экономической преступности выше по сравнению с Дальневосточным федеральным округом.
Выводы и дискуссия
Основная сложность, с которой авторы столкнулись при построении моделей, заключается в элиминировании влияния на преступность прочих факторов помимо безработицы. Так, включение фиктивных переменных для каждого года, а также попытка использовать в качестве контрольных переменных доходы и численность населения привело к получению незначимых оценок для безработицы. Зарубежные исследователи используют гораздо более широкий набор контрольных переменных: количество сотрудников полиции, уровень потребления наркотиков и алкоголя, раскрываемость преступлений и прочее. Помимо прямого влияния безработицы на преступность через механизм издержек легальной занятости, необходимо выделить ряд иных показателей, изменение которых может свидетельствовать о косвенном влиянии на уровень преступности. Так, увеличение потребления предметов роскоши говорит о повышении потенциального среднего дохода преступника, что может повлечь увеличение уровня криминализации. Усиление дифференциации доходов населения, в свою очередь, создает более явные стимулы занятия незаконной деятельностью для малообеспеченных слоев населения [23; 24]. Тогда как люди с низким уровнем образования более склонны совершать преступления при потере работы, чем люди с более высоким уровнем образования. Для построения моделей, результаты которых можно использовать для принятия управленческих решений, включение данных переменных необходимо, хотя и требует серьезных затрат по сбору и обработке первичной статистики. Наконец, не только безработица влияет на преступность, но и наоборот — регулярное совершение преступлений выступает препятствием для развития бизнеса и создания потенциальных рабочих мест. Здесь мы сталкиваемся с проблемой эндогенности и поиском инструментальных переменных [13], что обусловливает применение двухшагового метода наименьших квадратов. Не менее интересны и частности. Определенный интерес представляет оценка влияния безработицы на преступность разных групп населения как по полу, так и по возрасту. Широкий институциональный подход в этом направлении продемонстрирован в работах зарубежных авторов [25; 11].
Несмотря на описанные выше ограничения, данная работа является одним из небольших шагов в направлении количественной оценки влияния безработицы на преступность в России. Научная новизна заключается в подтверждении гипотезы о том, что в российских условиях безработица оказывает большее влияние на преступления экономической направленности, нежели на общую преступность. Федеральные округа имеют свои индивидуальные характеристики, поэтому при оценке зависимости преступности и безработицы необходимо применять модели с фиксированными эффектами. Наконец, в разных регионах уровень различных видов преступлений значимо отличается, что создает почву для дальнейших исследований выявленной дифференциации.

1. Buck A. J., Gross M., Hakim S., & Weinblatt J. The deterrence hypothesis revisited. Regional Science and Urban Economics, 1983, no. 13, pp. 471—486.

2. Machin S. & Meghir C. Crime and economic incentives. The Journal of Human Resources, 2004, no. 39 (4), pp. 958—979.

3. Myachin N. V., Akhmedov T. Ch. Unemployment and income as factors of economic crime: a study based on the data of the federal districts of Russia. Russian Journal of Management, 2020, vol. 8, no. 2, pp. 16—20. (In Russ.)

4. Bogdanova M. V., Parshintseva L. S. Methodology of information and statistical analysis of crime in the Russian Federation. Legal Informatics, 2018, no. 3, pp. 47—59. (In Russ.)

5. Gorpinchenko K. N., Petrov N. R. Assessment of the crime rate in the economic sphere. Vector of economics. Economic theory, 2018, no. 5, p. 95. (In Russ.)

6. Dianov D. V., Lyapin A. E. Statistical assessment of factors of modern economic crime. Bulletin of the Moscow University of the Ministry of Internal Affairs of Russia, 2019, no. 2, pp. 245—251. (In Russ.)

7. Cantor D. & Land K. C. Unemployment and Crime Rates in the Post-World War II United States: A Theoretical and Empirical Analysis. American Sociological Review, 1985, no. 50 (3), pp. 317—332.

8. Kapuscinski C., Braithwaite J. & Chapman B. Unemployment and Crime: Toward Resolving the Paradox. Journal of Quantitative Criminology, 1998, no. 14 (3), pp. 215—243.

9. Raphael S., Winter-Ebmer R. Identifying the Effect of Unemployment on Crime. The Journal of Law and Economics, 2001, no. 44 (1), pp. 259—283.

10. Britt C. L. Crime and unemployment among youths in the United States, 1958—1990. American Journal of Economics and Sociology, 1994, no. 53 (1), pp. 99—109.

11. Levitt S. Alternative Strategies for Identifying the Link Between Unemployment and Crime. Journal of Quantitative Criminology, 2001, no. 17, pp. 377—390.

12. Lin M.-J. Does unemployment increase crime? Evidence from US data 1974—2000. Journal of Human Resources, 2008, no. 43 (2), pp. 413—436.

13. Altindag D. T. Crime And Unemployment: evidence from Europe. International Review of Law and Economics, 2012, no. 32 (1), pp. 145—157.

14. Fouge`re D., Kramarz F., Pouget J. Youth unemployment and crime in France. Journal of the European Economic Association, 2009, no. 7 (5), pp. 909—938.

15. Hale C. & Sabbagh D. Testing the relationship between unemployment and crime: A methodological comment and empirical analysis using time series data from England and Wales. Journal of Research in Crime and Delinquency, 1991, no. 28 (4), pp. 400—417.

16. Öster A., Agell J. Crime and Unemployment in Turbulent Times. Journal of the European Economic Association, 2007, no. 5 (4), pp. 752—775.

17. Saridakis G. & Spengler H. Crime, deterrence and unemployment in Greece: A panel data approach. The Social Science Journal, 2021, no. 49 (2), pp. 167—174.

18. Recher V. 2020. Unemployment and property crime: evidence from Croatia. Crime, Law and Social Change, 2020, no. 73, pp. 357—376.

19. Russian Statistical Yearbook [Electronic resource]. URL: https://rosstat.gov.ru/folder/210/document/12994 (accessed 15.05.2021). (In Russ.)

20. Hausman J. Specification Tests in Econometrics. Econometrica, 1978, no. 46 (6), pp. 1251—1271.

21. Breusch T., Pagan A. The Lagrange Multiplier Test and Its Application to Model Specification in Econometrics. Review of Economic Studies, 1980, no. 47, pp. 239—254.

22. Ehrlich I. Crime, Punishment and the Market for Offenses. Journal of Economic Perspective, 1996, no. 10, pp. 43—68.

23. Fajnzylber P., Lederman D. & Loayza N. Inequality and violent crime. Journal of Law and Economics, 2002, no. 45 (1), pp. 1—40.

24. Mocan Naci. Structural unemployment, cyclical unemployment and income inequality. The Review of Economics and Statistics, 1999, no. 81 (1), pp. 122—134.

25. Braun C. Crime and the minimum wage. Review of Economic Dynamics, 2019, no. 32, pp. 122—152.