Delincuencia y economía

El enfoque económico del delito parte de la premisa de que los delincuentes son personas racionales y que, por tanto, pretenden maximizar la utilidad de sus actividades delictivas siempre y cuando las ganancias potenciales superen a los costos de cometer un delito (Montero y Torres, 1998).

De este modo, la relación entre el deterioro de la economía y la delincuencia parte de la hipótesis de que el empeoramiento de los ciclos económicos, como un aumento del desempleo o una disminución de los ingresos, influirá en la motivación de los potenciales delincuentes a la hora de delinquir (^{Becker, 1968}). Es decir, las dificultades para acceder al mercado laboral y la disminución de las posibilidades legítimas de conseguir ingresos pueden incrementar las probabilidades de que las personas delincan con el fin de obtener dichos ingresos y así poder hacer frente a las dificultades económicas ante las que se encuentren.

Por su parte, ^{Cantor y Land (1985)} incluyeron un segundo efecto de la economía sobre la delincuencia, derivado del incremento del desempleo. Estos autores explican que los aumentos de la tasa de desempleo pueden reducir las posibles oportunidades de cometer un delito, es decir, que puede existir una relación negativa entre estas dos variables. La explicación que establecen es que el descenso de la actividad laboral puede disminuir las potenciales situaciones a la hora de ser víctima de un delito. En lo que respecta a los delitos violentos, la explicación reside en que, debido a que el victimario pasa más tiempo en el hogar y menos en lugares públicos, como consecuencia del empeoramiento de las condiciones económicas, está menos expuesto a potenciales situaciones de peligro (^{Kennedy y Forde, 1990}). Mientras que en lo que se refiere a los delitos contra la propiedad, el razonamiento gira en torno a que al estar más tiempo en el hogar esto supone una mayor protección de la propiedad personal, lo que también reduciría las oportunidades de cometer este tipo de delincuencia.

En cualquier caso, existe una amplia variedad de trabajos que han analizado los efectos del deterioro de la economía en las tasas de delincuencia, aunque hay cierta controversia sobre los resultados al no existir un consenso claro sobre esta correlación. Sin embargo, a pesar de que la relación edad-crimen ha sido estudiada con frecuencia en el campo de la criminología desde diversas perspectivas, los estudios económicos sobre esta cuestión son más escasos y no ha sido hasta hace relativamente poco tiempo que se le ha prestado una mayor atención (^{Bindler y Hjalmarsson, 2017}).

Es por ello que en la siguiente sección se analizará la literatura académica existente para realizar una revisión del estado de la cuestión y pasar, en la sección posterior, al análisis de la muestra seleccionada de la Unión Europea.

Estado de la cuestión

Entre los trabajos que analizan la relación edad-crimen se destaca el de ^{Grogger (1998)}, que parte del modelo de Becker para investigar qué papel juega el ingreso laboral a la hora de determinar el perfil edad-delincuencia. Para ello emplea un modelo probit y el método de momentos generalizados (GMM),y afirma que la caída de los salarios pudo ser un factor clave en el incremento de la delincuencia juvenil en los años setenta y ochenta.

^{Lochner y Moretti (2004)} analizan para los Estados Unidos los arrestos masculinos por categorías de edad según el tipo de delito a partir de un modelo de regresión por mínimos cuadrados ordinarios y variables instrumentales, y confirman que la escolarización reduce de manera importante el encarcelamiento y el arresto entre los jóvenes. ^{Landerso, Nielsen y Simonsen (2017)} también establecen perfiles de edad-delincuencia para Dinamarca investigando las consecuencias que tiene sobre el crimen la edad de entrada al colegio. Para ello aplican un modelo de mínimos cuadrados en dos fases (2SLS), y encuentran que el comienzo de la escuela superior a edades tempranas reduce la tasa de delitos.

Otro estudio de ^{Lochner (2004)} utiliza una metodología enfocada en la técnica probit para predecir el perfil edad-crimen a partir del modelo de Becker en el que incluye el capital humano, y afirma que los delitos violentos y contra la propiedad son cometidos mayoritariamente por hombres jóvenes con pocos niveles de educación. ^{Buonanno y Montolio (2009)} investigan cómo la edad de la población masculina influye en las tasas de criminalidad a nivel regional en España tras controlar variables sociales y económicas para el periodo 1993-2003. Con este fin, desarrollan un modelo de panel de datos con efectos fijos y concluyen que son los hombres más jóvenes (15-19 años) los que tienen mayores posibilidades de delinquir.

Por último, se destaca el trabajo reciente de ^{Bindler y Hjalmarsson (2017)} en el que realizan un análisis descriptivo de los factores económicos y no económicos que influyeron en la tendencia en forma de "U" de la edad media de los presos varones en el siglo XIX en Londres.

Otras líneas de investigación se han centrado tanto en los efectos de la educación como en los de las condiciones económicas sobre la relación juventud-delincuencia. En lo referido a la educación, existe una importante literatura que afirma que conforme aumenta la formación educativa se reduce la delincuencia. Así, por ejemplo, ^{Jacob y Lefgren (2003)} examinan cómo incide la escuela en la delincuencia juvenil a corto plazo mediante un modelo de regresión binomial negativo con efectos fijos, y encuentran que los delitos contra la propiedad en días lectivos se reducen en un 14%.

Por su parte, ^{Luallen (2006)} parte de la premisa de que la capacidad de cometer un delito se reduce simplemente por la asistencia a clase, ya que al formar parte de los ciclos educativos los jóvenes disponen de menos tiempo para cometer actos delictivos. ^{Anderson (2014)} estudia este efecto a partir de la relación entre la edad mínima de abandono de la educación secundaria y las detenciones juveniles mediante una estrategia empírica de triples diferencias, y confirma que el momento de abandonar el sistema educativo es clave para reducir los arrestos de jóvenes de 16 a 18 años. ^{Aslund, Grónqvist, Hall y Vlachos (2018)} analizan esta relación a corto y largo plazo a partir de una importante reforma educativa en la secundaria y superior profesional que tuvo lugar en Suecia. Con este objetivo emplean un modelo de regresión por mínimos cuadrados ordinarios y variables instrumentales, y concluyen que la permanencia en el centro educativo disminuye las oportunidades de delinquir y que la reforma educativa redujo los delitos contra la propiedad.

En cuanto a la influencia de las condiciones económicas no existe un consenso claro sobre ello. Así, ^{Fougère, Kramarz y Pouget (2009)} analizan cómo afecta el desempleo en Francia a partir de un modelo de panel de datos con efectos fijos, y afirman que un aumento del desempleo juvenil incide en un incremento de la delincuencia. Este resultado igualmente lo obtienen ^{Buonnano y Montolio (2008)} para el caso de España a partir de un sistema GMM. También ^{Jacobs y Richardson (2008)} investigan la influencia de variables económicas en los homicidios para una muestra de 14 países desarrollados mediante un modelo de panel de datos con efectos fijos con promedio móvil, y uno de los resultados que obtienen es que los homicidios establecen una relación positiva con la población joven masculina.

Sin embargo, otros estudios, como el de ^{Óster y Agell (2007)} para Suecia concluyen a partir de un panel de datos con efectos fijos que la falta de empleo entre los jóvenes no afecta a la delincuencia como sí ocurre con la tasa de paro general. Por otra parte, ^{Fernández-Molina y Bartolomé (2018)} afirman para el caso español que la situación económica tiene poca relevancia para explicar los cambios de la delincuencia juvenil en los últimos años.

Sin embargo, no existe bibliografía al respecto sobre cómo la edad y el estado de la economía influyen en las tasas de criminalidad en la Unión Europea tras la crisis financiera de 2008 a pesar de las graves consecuencias económicas que esto supuso, un hecho que ha podido incidir en la delincuencia según el enfoque económico del delito. Es por esta razón que el presente trabajo pretende ocupar este vacío y aportar conclusiones a partir del análisis de los datos existentes para una muestra de países de la UE.

Descripción de datos y metodología

Para analizar el papel que tienen la edad y los factores económicos en la delincuencia en la Unión Europea, esta investigación emplea un panel de datos balanceado con efectos fijos¹ para una muestra de 24 países² a partir de datos de Eurostat y del Banco Mundial.

A pesar de que la UE está formada por 28 países, no se ha podido incorporar a Croacia, Rumanía, Italia ni a los Países Bajos debido a que en sus casos no existen registros para todas las variables analizadas. Esto suele ser uno de los mayores obstáculos para ampliar las secciones transversales, ya que la mayoría de las estadísticas criminales son difícilmente homogeneizables como consecuencia de las diferencias entre las tipologías de delito de cada país y las formas de recoger estos datos, lo que dificulta la realización de estudios comparativos entre países (^{Fajnzylber, Lederman y Loayza, 2002}).

Ante esta dificultad, se han seleccionado determinadas series que proporciona Eurostat a partir de los datos de la policía que reporta cada país, en un intento de unificar las clasificaciones de delitos y de aproximar una cuantificación del número de actos delictivos en la Unión Europea. El periodo seleccionado se inicia en la crisis económica en 2008 y los siguientes años de recesión hasta el 2016, lo que conforma un periodo prudente para comprobar si el deterioro de las variables relacionadas con el ciclo económico durante estos años influye en la delincuencia.

De esta forma, las variables dependientes que corresponden a los tipos de delincuencia analizados están clasificadas en dos categorías: delitos contra las personas y delitos contra la propiedad registrados por la policía. El primer grupo está formado por las subcategorías agresión (ataque físico contra un individuo que cause lesiones leves o graves, donde se excluyen los que derivan en homicidio, con carácter sexual, amenazas o torturas) y violaciones (penetración sexual sin el consentimiento de la víctima o con un consentimiento como resultado de la intimidación, fuerza o violencia). Mientras que el segundo grupo está compuesto por la subcategoría robo (robo de una propiedad de una persona superando la resistencia mediante fuerza, violencia o amenaza); por el robo en vivienda o propiedad privada (entrar en una vivienda u otras instalaciones sin permiso, incluso por la fuerza, para robar bienes); y, finalmente, por el hurto (sustraer ilegalmente u obtener una propiedad de otra persona sin su consentimiento pero sin el uso de la fuerza, la amenaza o la violencia, excluyendo el robo en una vivienda u otras instalaciones).

Las variables explicativas se han dividido en tres categorías: grupos de edad, demográficas y socioeconómicas. Para complementar este modelo habría sido idóneo haber incluido alguna variable de disuasión, ya que las tasas de delincuencia dependen de las oportunidades de ser condenado o detenido (^{Becker, 1968}), sin embargo estos datos no se encuentran disponibles para poder efectuar un análisis comparativo en una muestra de países tan amplia.

Porcentaje de la población masculina por tramos de edad

La categoría grupos de edad solo tiene en cuenta a los varones debido a que son los que mayoritariamente cometen más delitos (^{Grogger, 1998}; ^{Witte, 2002}). En tal sentido, este grupo de variables mide el peso relativo de la población masculina en los distintos países y está dividido en cinco cohortes diferentes. Los tramos de edad han sido separados en 15-19, 20-24, 25-34, 35-44 y 45-54 años, respectivamente.

La actividad delictiva aparece y aumenta en los primeros momentos de la adolescencia, y comienza a descender a medida que las personas envejecen debido, entre otros factores, al desarrollo de un mayor autocontrol, un descenso de la impulsividad y cambios en los estilos de vida (^{Loeber, Farrington y Redondo, 2011}). Así, una sociedad envejecida en la que la proporción de hombres jóvenes se va reduciendo debería producir un descenso en la delincuencia (^{Jacobs y Richardson, 2008}). De esto se deduce que un mayor porcentaje de hombres jóvenes producirá unas tasas de delincuencia más elevadas, por lo que se espera que se establezca una relación positiva con esta variable, y que la correlación se torne negativa a medida que el grupo esté formado por hombres de mayor edad.

Coeficiente de Gini

También se ha añadido el coeficiente de Gini con el objetivo de controlar el aumento de la desigualdad tras la crisis económica, ya que la correlación entre esta y el crimen ha sido teorizada constantemente desde la sociología (^{Fajnzylber et al., 2002}). El coeficiente de Gini se trata de la medida representativa de la desigualdad que con mayor frecuencia suele usarse en el análisis de la delincuencia (^{Roberts y Willits, 2015}). Esta variable calcula la desigualdad existente en una población a partir de los ingresos obtenidos por cada trabajador y puede oscilar entre 0 y 1 (o en escala del 0 al 100), siendo 0 la máxima igualdad posible y 1 el mayor grado de desigualdad.

En este sentido, la desigualdad actúa como un importante factor criminológico al aumentar la tensión social y el bloqueo de oportunidades, ya que entre otras consecuencias debilita los lazos sociales y los valores de una comunidad determinada erosionando la cohesión social (^{Wilkinson, 2004}); reduce las posibilidades de ciertos sectores poblacionales de alcanzar las metas establecidas por la sociedad, por lo que va creciendo la presión que soportan al no poder alcanzar el éxito económico (LaFree, 1999); y hace que la exclusión social que sufren los sectores más desfavorecidos de la población se potencie produciendo un mayor sentimiento de desapego e indiferencia hacia las normas sociales de la comunidad a la que pertenecen (^{McCall y Nieuwbeerta, 2007}).

Todo esto va generando sentimientos de ira, hostilidad y frustración, ya que estos estratos de la población consideran injustas e inaceptables las escasas recompensas pecuniarias del mercado laboral y las pocas oportunidades de ascender en la escala social en comparación con otros grupos más pudientes de la sociedad, lo que va formando un caldo de cultivo idóneo para producir un aumento de los actos delictivos (^{Blau, J. y Blau, PPM., 1982}). De este modo, se espera que la desigualdad establezca una relación positiva con los distintos tipos de delincuencia, especialmente con los delitos contra la propiedad.

Desempleo juvenil

La última variable de este grupo es el porcentaje de desempleo juvenil para menores de 25 años. La tasa de desempleo se ha utilizado con frecuencia como una representación de las dificultades económicas de una determinada población. Muchas investigaciones han intentado explicar la correlación existente entre el desempleo y la delincuencia, aunque la evidencia de esta relación no es consistente ni convincente, ya que hay investigaciones que afirman que existe una relación positiva entre estas dos variables (^{Carmichael y Ward, 2001}; ^{Lin, 2008}; ^{Altindag, 2012}) y otras que confirman un efecto negativo (^{Phillips y Land, 2012}; ^{Andresen, 2015}).

Sobre este hecho se ha podido ver como ^{Cantor y Land (1985)} afirman que los mayores niveles de desempleo crean posibilidades de cometer delitos ante la reducción de los ingresos de los potenciales delincuentes, pero que a su vez esta situación puede hacer disminuir la delincuencia al ocasionar que las personas pasen más tiempo en sus hogares. Por estas razones se espera que la tasa de desempleo juvenil tenga una incidencia positiva en los delitos de propiedad, pero una negativa en los delitos contra las personas.

Población urbana

La tasa de urbanización es otra de las variables empleadas en este estudio. ^{Wirth (1938)} reconoció que el tamaño y la densidad de una urbe o población incide sobre las relaciones sociales y la integración en la comunidad, a la vez que repercute tanto sobre el control social informal, ejercido por los vecinos de la comunidad, como sobre el control social formal, ejercido por las autoridades. De este modo, el debilitamiento de estos factores junto con el anonimato que otorga la ciudad hace más viable la comisión de actividades delictivas (^{Roberts y Willits, 2015}), por lo que las oportunidades para cometer delitos son mayores en las urbes que en zonas rurales (^{Glaeser y Sacerdote, 1999}). Así, se espera obtener que a medida que la población urbana sea mayor, la delincuencia crezca en sentido positivo.

Tasa de inmigración

La tasa de inmigrantes legales se emplea como una representación próxima del fenómeno migratorio, como hacen otros estudios (^{Buonanno y Montolio, 2008}), y de forma análoga al empleo de las minorías que incluyen en su investigación Jacobs y Richardson (2009).

La inclusión de este factor obedece a que en los últimos años se ha investigado la relación entre el aumento de la inmigración y el de ciertos tipos de delitos (^{Wadsworth, 2010}). La explicación que se ha dado a esta correlación es que tanto la imposibilidad de encontrar trabajo entre los inmigrantes ilegales como los problemas de integración que pueden experimentar aumentan las posibilidades de sufrir situaciones de precariedad y de exclusión social que pueden derivar en la comisión de delitos. Por esta razón, se espera obtener una correlación positiva entre esta variable y el nivel delincuencia.

Estrategia empírica

Todas las variables son empleadas en su forma logarítmica, excepto el PIB, con la intención de corregir las posibles distorsiones que puedan causar los valores atípicos, las distribuciones asimétricas y la aparición de heterocedasticidad. Además, esto permite interpretar los coeficientes obtenidos en el análisis econométrico como las elasticidades existentes entre los distintos factores.

Para el análisis econométrico se ha empleado un modelo de panel de datos con efectos fijos al que se le ha aplicado el método de mínimos cuadrados. Los datos de panel son un conjunto de datos que incluyen varias unidades estadísticas que tienen observaciones prolongadas en el tiempo. De este modo, es una técnica oportuna para poder analizar los datos en conjunto de la Unión Europea a partir de las estadísticas de cada país que la componen.

La elección de este modelo econométrico se plantea de una manera más eficaz y razonable que el uso de otros métodos debido a las características que presenta esta metodología (^{Hsiao y Sun, 2000}). Entre las ventajas de seleccionar este modelo destaca la mayor capacidad informativa de los datos de panel, ya que permiten controlar la heterogeneidad individual de los datos, tener más grados de libertad y disminuir la colinealidad entre las variables explicativas, lo que proporciona estimaciones econométricas de mayor precisión (^{Hsiao, 2003}). Estas propiedades posibilitan controlar en el modelo las diferencias existentes entre cada país, como puede ser el tamaño poblacional, la desigualdad o los ingresos, lo que puede proporcionar relaciones estadísticas más sólidas y significativas.

Otra virtud que tiene este método es que gracias a su técnica de recopilación de datos permite contar con un mayor número de observaciones, por lo que metodológicamente proporciona más robustez y consistencia para determinar la causalidad entre las distintas variables.

Además, los paneles de datos tienen mejor disposición a la hora de identificar y medir efectos que no son detectables en secciones únicamente transversales o temporales (^{Baltagi, 2005}). A esto se añade que permite tener en cuenta variables omitidas que con secciones cruzadas darían estimaciones MCO inconsistentes. Gracias a esta singularidad al introducir estimaciones de efectos fijos en el panel de datos permite incluir las características diferentes y particulares inobservables de cada país que no varían en el tiempo, y controlar los posibles cambios que son estables a lo largo de los años, como pueden ser los cambios en la legislación penal. Esto resulta de vital importancia para los análisis relacionados con la delincuencia, al tratarse de un fenómeno en el que inciden un sinfín de factores, lo que imposibilita controlarlos todos, y más si se atiende a las diferencias culturales, económicas y sociales que existen entre cada país.

No obstante, esta metodología también tiene algunas limitaciones entre las que, sin duda, es necesario destacar los problemas que pueden surgir alrededor de la obtención y armonización de los datos. Esto ocurre porque al tratarse de distintas unidades de estudios pueden aparecer diferencias en las formas de clasificación de las categorías estadísticas o discrepancias metodológicas entre los datos de una unidad y otra, lo que puede ocasionar relaciones espurias y situaciones insalvables a la hora de realizar el análisis econométrico (^{Wooldridge, 2002}). De hecho, este es el motivo por el cual la muestra de 24 países no se puede ampliar a los 28 Estados que componen a la Unión Europea, debido a que los cuatro restantes no pueden incluirse porque utilizan metodologías distintas a la hora de recoger determinada información.

De esta forma, la ecuación empleada es la siguiente:

Donde el índice i y t corresponden al país y al año, y j a la categoría de edad. αt es el efecto fijo del año, δi es el efecto fijo del país, y _it es la tasa de delincuencia por 100.000 habitantes en logaritmo, Edad _it es la edad de la estructura de la población, X _it son las variables explicativas y ε _it es el término error.

Insertando las variables empleadas en el estudio en dicha ecuación se obtiene (2):

Antes de estimar la ecuación se ha comprobado que el modelo está correctamente calibrado y que es estable.

Con este fin se han seguido las siguientes fases de la hoja de ruta que se recoge en esta figura³:

Fuente: Elaboración propia.

Figura 1 Proceso de la derivación del modelo. 

El primer paso que se ha realizado ha sido aplicar el test de raíz unitaria ADF para confirmar que todas las variables empleadas en el estudio forman un panel de datos homogéneo.

En la segunda etapa se ha efectuado el test de Hausman (ver anexo, Tabla 4) para evaluar si en la regresión debían incluirse los efectos fijos o aleatorios del término error y de este modo comprobar si el modelo estadístico empleado se corresponde con los datos, ya que la inclusión de uno u otro componente puede dar resultados significativamente distintos (^{Wooldridge, 2002}).

La hipótesis nula de este test es que el uso de los efectos aleatorios es más correcto que el de los efectos fijos, por lo que un p-valor=1 parece indicar que se debe emplear el modelo aleatorio al no rechazarse la hipótesis nula. Sin embargo, el test tanto para el periodo como para la sección transversal es 0 debido a que la prueba para la varianza es inválida. Estos resultados significan que no existen evidencias de efectos aleatorios individuales en los datos tanto en la sección transversal como en la temporal a pesar de que los valores de p-valor puedan hacer pensar lo contrario.

^{Wooldridge (2002)} señala que ante estos resultados muchos investigadores optan por el empleo de los efectos aleatorios, pero afirma que se puede estar cometiendo un error de Tipo II, es decir, no se puede rechazar el supuesto efectos aleatorios cuando este es falso.

En otros trabajos como el de ^{Strat et al. (2016)}, ante esta situación se rechaza la hipótesis nula del test de Hausman y se emplea un modelo de efectos fijos que es más consistente tras realizar un F-test, ya que el test de Hausman no proporciona un resultado definitivo sobre qué modelo ha de emplearse.

De esta forma, se ha aplicado un F-test (ver anexo, Tabla 5) para probar la importancia de las estimaciones de los efectos fijos y comprobar si la inclusión de estos es correcta. Los valores obtenidos confirman que ni los efectos fijos individuales ni los temporales son redundantes, así como tampoco lo es la combinación de estos dos elementos. De esta forma, se ratifica que el empleo de los efectos fijos es más preciso que el uso de mínimos cuadrados ordinarios a la hora de considerar el término error en el modelo de regresión lineal de panel (^{Min y Choi, 2009}).

En la última fase se ha realizado el test de autocorrelación para el modelo de panel de datos de efectos fijos que se ha decidido emplear, y se ha detectado un problema de autocorrelación de orden 1. Sin embargo, ^{Min y Choi (2009)} afirman que los modelos de efectos fijos no se ven afectados por la existencia de autocorrelación de orden 1 en el término de error, por lo que finalmente se confirma el uso de la ecuación (2) que se plasmó al inicio de este apartado.