Regional Determinants of Economic Related Crimes in Turkey

Yıl 2020, Sayı: 65, 161 - 180, 24.07.2020

Esra Güney Hayri Abar

Öz

In this study, whether there are regional determinants of the number of economic crimes in 2016 occurring in Turkey are examined. For this purpose, count data models such as poisson regression models, negative binomial regression, trunceted poisson regression and trunceted negative binomial regression were used. In the study, the numbers of economic crimes were used as dependent variables and immigration, population, geographical region, literacy rate, the number of motor vehicle per one thousand people, the amount of saving deposits, total credits, average daily earnings, population density, population covered by the Social Security Institution were used as independent variables. According to the results obtained from the estimation of the models, the population variable is significant and has positive effect on all economic crime types. In community, the perception that irregular foreign migrants lead to an increase in the number of crimes is dominant. This perception is not supported by the study findings. The types of crime differ on a regional basis. Obtaining monetary assets, even through debt, reduces the number of crimes. In addition, it was determined that these independent variables could have decreasing and increasing effect to the crime types according to the results obtained from the estimation of the models generated.

Anahtar Kelimeler

Economic Related Crimes, Count Data, Truncated Poisson Regresion, Truncated Negative Binomial Regresion, Regional Analysis

Türkiye’de Ekonomi ile İlgili Suçların Bölgesel Belirleyicileri

Öz

Bu çalışmada, 2016 yılında Türkiye’de meydana gelen ekonomik suç sayılarının bölgesel belirleyicilerinin olup olmadığı incelenmiştir. Bu amaçla, sayım veri modellerinden poisson regresyon, negatif binom regresyon, kesilmiş poisson regresyon ve kesilmiş negatif binom regresyon kullanılmıştır. Çalışmada, bağımlı değişken olarak ekonomik suç sayıları ele alınmış ve bağımsız değişkenler olarak; yabancı göç, nüfus, coğrafi bölge, okuma yazma bilenlerin oranı, bin kişi başına düşen motorlu taşıt sayısı, tasarruf mevduat miktarı, toplam krediler, ortalama günlük kazanç, nüfus yoğunluğu, Sosyal Güvenlik Kurumu kapsamındaki nüfus oranı kullanılmıştır. Oluşturulan modellerin tahmininden elde edilen sonuçlarda nüfus değişkeninin araştırılan tüm ekonomik suç türlerinde anlamlı ve pozitif yönde etkisinin olduğu belirlenmiştir. Toplumda, düzensiz yabancı göçmenlerin suç sayılarında artışa neden olduğu algısı hâkimdir. Bu algı çalışma bulguları tarafından desteklenmemektedir. Suç türleri ise bölgesel açıdan farklılaşmaktadır. Borç yoluyla da olsa parasal varlığın elde edilmesi suç sayılarını azaltmaktadır. Ayrıca bu bağımsız değişkenlerin, suç türlerine göre azaltıcı ve artırıcı etkiye sahip olabileceği oluşturulan modellerin tahmininden elde edilen sonuçlarla belirlenmiştir.

Anahtar Kelimeler

Ekonomik Suçlar, Sayım Verisi, Kesilmiş Poisson Regresyon, Kesilmiş Negatif Binom Regresyon, Bölgesel Analiz

Kaynakça

• Açıkyürek, G. (2016). Poisson regresyon ve bir uygulama. Yüksek lisans tezi, Hacettepe Üniversitesi, Ankara. Akıntürk, T. (2009). Hukuka giriş (11. Baskı). Eskişehir: Anadolu Üniversitesi.
• Arı, A., & Önder, H. (2013). Farklı veri yapılarında kullanılabilecek regresyon yöntemleri. Anadolu Tarım Bilimleri Dergisi, 28(3), 168-174.
• Arrabal, T. C., Paula dos Santos Silva, K., & Bandeira, L. N. (2014). Zero-truncated negative binomial applied to nonlinear data. Biostatistics, 11(1), 55-67.
• Aslan, Y., Şenyüz, D., Taş, M., Kortunay, A., & Deliveli, Ö. (2010). Hukuka giriş. Bursa: Ekin Yayınevi.
• Ata, A. Y. (2011). Ücetler, işsizlik ve suç arasındaki ilişki: Yatay-kesit analizi. Çalışma ve Toplum, 4, 113-134.
• Avcı, M. (2009). Çocuk suçluluğunun toplumsal nedenleri (Erzurum ili örneği). Doktora tezi, Atatürk Üniversitesi, Erzurum.
• Aytac, M., Aytaç, S., & Bayram, N. (2007). Suç türlerini etkileyen faktörlerin istatistiksel analizi. Paper presented at the 8. Türkiye Ekonometri ve İstatistik Kongresi, Malatya.
• Başıbüyük, O., & Karakuş, Ö. (2010). Sosyal düzensizlik ve toplum destekli güvenlik politikaları. Sosyoloji Araştırmaları Dergisi, 13(2), 64-97.
• Baum, C. F. (2010). Models for count data and categorical response data. http://fmwww.bc.edu/EC-C/S2016/8823/ECON8823.S2016.nn13.slides.pdf
• Berk, R., & MacDonald, J. M. (2008). Overdispersion and poisson regression. Journal of Quantitative Criminology, 24(3), 269-284.
• Britannica, A. (1986). Genel kültür ansiklopedisi (Vol. 20). İstanbul: Ana Yayıncılık A.Ş ve Encyclopaedia Britannica.
• Cameron, A. C., & Trivedi, P. K. (1998). Regression analysis of count data. United States: New York: Cambridge University Press.
• Cansel, E., & Özel, Ç. (2009). Hukuk başlangıcı hukukun temel kavram ve kurumları. Ankara: Seçkin Yayıncılık.
• Cox, D. R. (1983). Some remarks on overdispersion. Biometrika, 70(1), 269-274. Çakmak, İ. (2015). İktisadi yapı, suç ekonomisi teorileri ve suç: Türkiye üzerine bir ampirik analiz. Yüksek lisans tezi, Gazi Üniversitesi, Ankara. Çalıcı, C. (2016). Bütünleşik suç kuramları ışığında Türkiye’de suç trendleri: Cumhuriyet tarihine retrospektif bakış. Doktora tezi, İstanbul Üniversitesi, İstanbul. Davidson, R., & MacKinnon, J. G. (2004). Econometric theory and methods. New York: Oxford University Press.
• Dobson, A. J. (2002). An introduction to generalized linear models (2. ed.). Coca Raton: Chapman & Hall/Crc.
• Dönmezer, S. (1981). Kriminoloji. İstanbul: İstanbul Üniversitesi Yayınları.
• Franses, P. H., & Paap, R. (2001). Quantitative models in marketing research. New York: Cambridge University Press.
• Giddens, A. (2010). Sosyolojinin savunusu: makaleler, yorumlar ve yanıtlar (İ. Kaya, Çev.). İstanbul: Say Yayınları.
• Greene, W. H. (2012). Econometric analysis (7. ed.). United States of America: Prentice Hall.
• Hakeri, H. (2011). Ceza hukuku genel hükümler. Ankara: Adalet Yayınevi.
• İçli, T. G. (2004). Kriminoloji. Ankara: Martı Kitap ve Yayınevi.
• Jessberger, F., & Sander, C. (2011). Alternatif kast (Dolus alternativus). Galatasaray Üniversitesi Hukuk Fakültesi Dergisi, 49.
• Karazsia, B., Dulmen, H. M. V., & Dulmen, M. A. (2008). Regression models for count data: Illustrations using longitudinal predictors of childhood injury. Journal of Pediatric Psychology, 33(10), 1076-1084.
• Kunter, M. H., Nachtsheim, C. J., Neter, J., & Li, W. (2005). Applied linear statistical models (5. ed.). New York: McGraw-Hill/Irwin.
• Larousse, M. (1990). In S. Kılıçlıoğlu, N. Aras & H. Devrim (Eds.), Büyük lugat ve ansiklopedi. İstanbul: Meydan Yayınevi.
• Lawless, J. F. (1987). Negative binomial and mixed poisson regression. The Canadian Journal of Statistics / La Revue Canadienne de Statistique, 15(3), 209-225.
• Liu, X., Saat, M. R., Qin, X., & Barkan, C. P. L. (2013). Analysis of U.S. Freight-train derailment severity using zero-truncated negative binomial regression and quantile regression. Accident Analysis and Prevention, 59, 87-93.
• Long, J. S. (1997). Regresion models for categorical and limited dependent variables. London, New Delhi: Sage Publications.
• Lundberg, A. G., Schrag, C. C., & Larsen, O. N. (1970). Sosyoloji (Ö. Ozankaya & Ü. Gürkan, Çev., Vol. 2). Ankara Türk Siyasi İlimler Derneği.
• Mir, K. (2011). Estimation in truncated poisson distribution. Mathematica Slovaca, 61, 289-296. doi: 10.2478/s12175-011-0012-7.
• Newbold, P., Carlson, l. W., & Thorne, M. B. (2017). İşletme ve iktisat için istatistik (Ü. Şenesen, Çev. 8. ed.). İstanbul: Literatür Yayıncılık.
• Nirmala.k, G. (2009). Criminology teaching meterial: Prepared under the sponsorship of the justice and legal system research institute.
• Osgood, D. W. (2000). Poisson-based regression analysis of aggregate crime rates. Journal of Quantitative Criminology, 16(1), 21-43.
• Öcal, O. (2010). Suçun sosyal ve ekonomik belirleyicileri: Kayseri örneği. Doktora tezi, Erciyes Üniversitesi, Kayseri.
• Öğüt, O. (2017). Suça sürüklenen çocukların sosyodemografik özellikleri, algılanan aile işlevselliğinin ve ebeveyn tutumlarının suça sürüklenme üzerine etkisinin değerlendirilmesi. Uzmanlık tezi, Kocaeli Üniversitesi, Kocaeli.
• Ridout, M., Demetrio, C. G. B., & Hinde, J. (1998). Models for count data with many zeros. Cape Town: International Biometric Conference.
• Rodríguez, G. (Producer). (2013). Models for count data with overdispersion. Retrieved from https://data.princeton.edu/wws509/notes/c4addendum.pdf.
• Simonoff, J. S. (2003). Analyzing categorical data. New York: Springer Science & Business Media.
• Slattery, M. (2007). Sosyolojide temel fikirler (1. ed.). İstanbul: Sentez Yayıncılık.
• Soyaslan, D. (1998). Kriminoloji (suç ve ceza bilimleri) (2. Baskı). Ankara: Ankara Üniversitesi Hukuk Fakültesi Yayınları.
• Şahin, H. (2002). Poisson regresyon uygulaması: Türkiye'deki grevlerin belirleyicileri 1964-1998. Doğuş Üniversitesi Dergisi, 5, 173-180.
• Tierney, J. (2013). Criminology: Theory and context (3. ed.). London and New York: Taylor & Francis.
• Toroslu, N. (2010). Ceza hukuku genel kısım. Ankara: Savaş Yayınları.
• Ülken, H. Z. (1943). Sosyoloji. İstanbul: Remzi Kitapevi.
• Van Der Heijden, P. G. M., Bustami, R., Cruyff, M. J. L. F., Engbersen, G., & Van Houwelingen, H. C. (2003). Point and interval estimation of the population size using the truncated poisson regression model. Statistical Modelling, 3, 305-322.
• Van Der Heijden, P. G. M., Cruyff, M., & Van Houwelingen, H. C. (2003). Estimating the size of a criminal population from police records using the truncated poisson regression model. Statistica Neerlandica, 57(3), 289-304.
• Verbeek, M. (2004). A Guide to modern econometrics (2. ed.). England: John Wiley & Sons, Ltd.
• Yılmaz, G. G. (2009). Suça sürüklenen ergenlerin benlik saygısı düzeylerinin karşılaştırılması. Yüksek lisans tezi, Maltepe Üniversitesi, İstanbul.