Ergebnisse mit räumlichen Effekten

günstiger Gelegenheiten.

Trotz der Berücksichtigung beruflicher Pendlerbewegungen (EINPENDL, AUSPENDL) übt die durch die logarithmierte Bevölkerung (LOGBEV) erfasste Gemeindegröße einen starken Einfluss auf alle betrachteten Kriminalitätskategorien aus. In Anbetracht der Tatsache, dass die Analyse bereits einige soziodemographische Merkmale berücksichtigt, könnte der positive Effekt von LOGBEV die niedrigere Entdeckungswahrscheinlichkeit im urbanen Umfeld widerspiegeln. Die (an den jeweiligen Mittelwerten berechnete) Bevölke-rungselastizität der Kriminalität liegt bei ungefähr 0,23 für einfachen Diebstahl, bei 0,15 für schweren Diebstahl und bei 0,23 für Gewaltkriminalität. Diese Werte entsprechen in et-wa dem von Glaeser und Sacerdote (1999) ermittelten Wert. Für schweren Diebstahl wird die von der ökonomischen Theorie der Kriminalität postulierte Abschreckungshypothese indessen direkt bestätigt, indem eine höhere Aufklärungswahrscheinlichkeit (AUFKL) zu einem geringeren Kriminalitätsaufkommen führt. Schließlich kann eine höhere Krimina-litätsbelastung für solche Gemeinden nachgewiesen werden, die eine gemeinsame Grenze mit Rheinland-Pfalz oder Frankreich besitzen.

3.3. Schätzergebnisse 95

Formal ausgedrückt, haben die Basisregressionen die lokale Kriminalitätsrate c_i in Beziehung zu einem Vektor lokaler Merkmale gesetzt, wobei eine lineare Beziehung der Form

c_i =α₀+x_iα₁+u_i (3.1)

angenommen wurde, bei welcher der Fehlertermu_i Querschnittsabhängigkeiten gemäß

E(u_i, u_j)6= 0. (3.2)

aufweisen konnte. Direkte räumliche Effekte können nun durch Hinzufügen von wei-teren, die Nachbar- bzw. Umlandgemeinden charakterisierenden, erklärenden Variablen berücksichtigt werden

ci =α0+α1xi+α2

X

j

j6=i

wi,jxi+ui, wi,i = 0, (3.3)

wobei w_i,j das der Gemeinde j zugewiesene Gewicht bezeichnet. Anhand eines kon-kreten Beispiels ausgedrückt, bedeutet diese Modellerweiterung, dass man die heimische Kriminalitätsrate nicht nur in Beziehung zu den heimischen Vermögenswerten setzt, son-dern auch die (durchschnittlichen) Vermögenswerte in der Nachbarschaft als Regressor berücksichtigt. Wennα₁ in einer Schätzung einen positiven Wert annimmt undα₂ gleich-zeitig negativ ist, so kann gefolgert werden, dass Gemeinden mit einem im Vergleich zu ihren Nachbargemeinden höheren Vermögensniveau eine höhere Kriminalitätsrate aufwei-sen.

Tabelle 3.4 enthält die Schätzergebnisse der erweiterten Modellspezifikation. Mit Aus-nahme einiger lokaler Charakteristika, für die eine Bildung von Nachbarschaftsvariablen wenig sinnvoll erscheint und zweier nur auf Kreisebene messbarer bzw. gemessener Va-riablen (SOZIALH und AUFKL), wurden für alle Regressoren „Nachbarschaftsvarianten“

(im Folgenden mit einem vorangestellten „W“ gekennzeichnet) in die Analyse einbezo-gen. In der Regression für einfachen Diebstahl können jedoch lediglich für das Mietniveau räumliche Effekte gefunden werden. Der negative Koeffizient für das gewichtete mittlere

scheint, befasst sich die vorliegende Untersuchung mit räumlichen Effekten zwischen verschiedenen Ge-meinden.

Tabelle 3.4:Lokale Determinanten der Kriminalität: Räumliche Effekte

Einf. Diebstahl Schw. Diebstahl Gewaltkrim.

MIETE 2,061^a (,7118) 2,010^a (,5017) -,0811^b (,0375)

W MIETE -1,755^c (1,053) ,3452 (,7875) ,0730 (,0582)

EINK -1,352^c (,6992) -1,228^b (,5851) -,0094 (,0587)

W EINK -1,228 (1,086) -1,195 (1,233) -,1376 (,1227)

ARBEITSL 91,29^a (31,31) 99,46^b (38,72) 8,458^a (2,606)

W ARBEITSL -34,10 (65,61) 267,5^a (81,90) 7,525 (5,797)

JUNGM 5,670 (46,95) -22,72 (38,19) 8,434^b (4,046)

W JUNGM 150,3 (116,5) 110,1 (106,4) -26,69^b (10,57)

GESCHIED 16,46 (72,53) 146,9^a (53,95) 14,52^a (3,767)

W GESCHIED 277,9 (179,1) -115,8 (150,3) -31,14^b (14,87)

HOCHQ -39,49^c (22,35) -72,86^a (21,34) -1,971 (1,653)

W HOCHQ -24,27 (42,98) 90,18 (58,96) 5,638 (5,117)

AUSL -6,703 (13,71) -8,142 (12,03) 1,582^b (,7890)

W AUSL 31,14 (29,78) -1,908 (23,31) 3,460^c (1,944)

GINI 20,53 (12,66) 14,84 (10,64) ,0441 (1,003)

SOZIALH 65,12^c (34,51) 25,64 (38,84) 7,804^b (3,520)

AUFKL -12,64^a (4,164)

LADEN 1,601^a (,2812) ,8100^a (,2625) ,0530^b (,0208)

EINPENDL 22,48^a (7,730) 13,41^a (2,634) ,3116 (,2210)

AUSPENDL 4,306 (7,479) 9,235 (6,393) -,7644 (,5723)

DICHTE -6,198 (5,296) -7,857^c (4,287) ,2804 (,3781)

LOGBEV 3,184^a (,5130) 2,623^a (,5142) ,2038^a (,0520)

GRENZE R-P 1,409 (1,829) 3,131^b (1,575) ,2365^c (,1420)

GRENZE HES -,7513 (,8319) -2,528 (1,854) ,2646 (,1871)

GRENZE BAY -1,341^b (,6656) -,8823 (,8097) ,0267 (,0980)

GRENZE CH 1,550 (1,066) -,9556 (1,131) ,0634 (,1033)

GRENZE FR 4,994^a (1,706) 8,457^a (2,136) ,4082^a (,0974)

T92 5.373^a (1.337) 5.125^a (1.062) -.0124 (.0987)

T95 5.670^a (2.180) 4.161^b (1.810) -.1651 (.1737)

KONSTANTE -50.89^a (13.88) -54.49^a (14.92) -.0362 (1.484)

Anz. Beob. 678 678 665

Mittel abh. Var. 12,75 14,27 1,071

R² korrigiert ,6989 ,7018 ,5847

Siehe Fußnote zu Tabelle 3.3.

3.3. Schätzergebnisse 97

Mietniveau in den benachbarten Gemeinden (W MIETE) in Verbindung mit dem po-sitiven Koeffizienten der heimischen Miete (MIETE) ist dahingehend zu interpretieren, dass Gemeinden, die vermögender als ihre Nachbarschaft sind, in stärkerem Maße unter einfachem Diebstahl leiden. Mit Ausnahme des Verteilungsmaßes (GINI) erweisen sich alle übrigen lokalen Merkmale hinsichtlich der Einführung von Nachbarschaftsvariablen als robust.

In der Regression für schweren Diebstahl ergibt sich sowohl für die lokale als auch für die Arbeitslosigkeit in der Nachbarschaft ein signifikant positiver Effekt. Dies zeigt, dass kriminalitätsfördernde sozioökonomische Bedingungen in den Nachbargemeinden in ihrer Wirkung nicht auf diese begrenzt bleiben und so Spillover-Effekte erzeugen.

Ein ähnlicher Effekt kann in der Regression für Gewaltkriminalität festgestellt werden, da sowohl die relative Zahl der Ausländer in der betrachteten Gemeinde (AUSL) als auch in den Nachbargemeinden (W AUSL) einen statistisch gesicherten kriminalitätsfördernden Einfluss erkennen lassen. Im Gegensatz hierzu weist die lokale und nachbarschaftsspezifi-sche Scheidungsrate (signifikante) Koeffizienten mit unterschiedlichem Vorzeichen auf; das Gleiche gilt für den Bevölkerungsanteil der jungen Männer. Wie im Falle der Mietvariablen in der Regression für einfachen Diebstahl deuten diese Resultate auf Konzentrationseffek-te hin, die nahelegen, dass weniger die absoluKonzentrationseffek-ten Ausprägungen dieser Variablen in der Heimatgemeinde von Bedeutung sind, als vielmehr deren Relation zur Nachbarschaft.

3.3.2.2 Tätermobilität

In der Interpretation der Regressionsergebnisse wurde bereits auf die Tätermobilität als mögliche Ursache für Nachbarschaftseffekte hingewiesen. Dieser Zusammenhang ist des-wegen von besonderem Interesse, da sich das Ausmaß der räumlichen Unterschiede und die Tätermobilität möglicherweise gegenseitig bedingen. Indem bestimmte Teile der Be-völkerung Wohngebiete mit hoher Kriminalitätsbelastung verlassen und sich in sichereren und zumeist wohlhabenderen Gegenden niederlassen, wird gleichzeitig die Voraussetzung für eine Zunahme der Tätermobilität in Richtung der bevorzugten Gemeinden geschaffen.

Der Nachweis über die Existenz von Tätermobilität lässt sich anhand statistischer Angaben zu den aufgeklärten Straftaten führen, da mit jedem aufgeklärten Fall auch die Herkunft des Tatverdächtigen registriert wird. Im Einzelnen wird in der offiziellen Statistik

Tabelle 3.5:Deskriptive Statistiken der Tätermobilität - Anteil der ortsfremden Täter

Variable Mittelwert Std.abw. Minimum Maximum

Einfacher Diebstahl ,4437 ,1326 ,0690 ,9000

Schwerer Diebstahl ,6185 ,1815 0 1

Gewaltkriminalität ,3854 ,1924 0 1

Die Angaben basieren auf einer Stichprobe von 678 (3 Jahren * 226 Gemeinden) Beobachtungseinheiten oder auf einer Unterstichprobe der Gemeinden mit einer positiven (von Null verschiedenen) Anzahl von Delikten in allen drei Beobachtungsjahren.

festgehalten, ob der Tatverdächtige seinen Wohnsitz in der Tatortgemeinde, im Landkreis der Tatortgemeinde, im übrigen Baden-Württemberg, im übrigen Bundesgebiet oder au-ßerhalb des Bundesgebietes hat bzw. keinen festen Wohnsitz besitzt. Demnach lassen sich die Tatverdächtigen - sieht man einmal von der letzten Kategorie ab - in ortsansässige und ortsfremde bzw. mobile Täter unterscheiden. Für die betrachteten Deliktbereiche ist der Anteil der ortsfremden Täter in Tabelle 3.5 ausgewiesen. Die Relevanz von Tätermobili-tät ist unschwer zu erkennen, da 44 Prozent der aufgeklärten Fälle einfachen Diebstahls, 62 Prozent der aufgeklärten Fälle schweren Diebstahls und 39 Prozent der aufgeklärten Gewaltstraftaten von ortsfremden Tätern begangen werden. In diesen Zahlen spiegelt sich aber auch die aus der internationalen Kriminalitätsliteratur gewonnene Erkenntnis wider, wonach „[v]iolent crimes tend to be committed closer to home than property crimes, a difference that is partly, but not fully, explained by cases of domestic violence“ (Wikström, 1998, S. 280). Die bloße Feststellung der Existenz von Tätermobilität lässt jedoch noch keinen Schluss über die Ursachen dieses Phänomens zu. Im Folgenden soll deshalb ge-zeigt werden, dass das Ausmaß der Tätermobilität in systematischer Beziehung zu den sozioökonomischen Bedingungen der Heimatgemeinde und ihrer Nachbarschaft steht.

In Anlehnung an die sogenannte „crime and distance Literatur“ - insbesondere an Fabrikant (1979) und Katzman (1981) - wird die Annahme getroffen, dass die Anzahl der in Gemeinde i von Einwohnern der Gemeinde j begangenen Straftaten als Funktion der relativen Merkmale dieser Gemeinden in Termini eines Gravitätsmodells der Form

C_j,i = Γ_iΓ_jδ⁻¹_i,jf(ω_i, ω_j), C_j,i ≥0 (3.4)

abgebildet werden kann, wobei Γ_i,Γ_j die „Massen“ der Gemeinden kennzeichnen, δ_i,j⁻¹ die inverse Distanz zwischen den Gemeinden bezeichnet und ωi, ωj

Attraktivitätsindika-3.3. Schätzergebnisse 99

toren von i bzw. j darstellen. Ein derartiges Modell kann am besten mit sogenannten

„Place to Place“ Daten untersucht werden, die sowohl Aufschluss über die Herkunft der Tatverdächtigen als auch über den Tatort geben. Da die verfügbaren Daten für ortsfremde Täter keine exakten Angaben über die Herkunftsgemeinde, sondern lediglich Kategorien wie „wohnhaft im übrigen Baden-Württemberg“ enthalten, können die Bedingungen in der Herkunftsgemeinde j allerdings nicht genau erfasst werden. Deswegen wird mit der Ver-wendung einer räumlichen Gewichtungsmatrix¹³ ein alternativer Weg beschritten, indem Durchschnitte der relevanten Größen über alle in Frage kommenden Nachbargemeinden gebildet werden.¹⁴ Wird zudem angenommen, dass sich die Anzahl der Straftaten (C_i) in einer Gemeinde proportional zur lokalen Masse Γ_i verhält, resultiert der folgende Aus-druck für den Anteil der von ortsfremden Tätern begangenen Straftaten

s^{N R}_i ≡ ^X

j

j6=i

C_j,i/C_i ≈f(ω_i, ω_i), mit ω_i =^X

j

j6=i

w_i,jω_j, (3.5)

wobei wi,j das der Gemeinde j zugewiesene Gewicht bezeichnet. Es sei an dieser Stelle angemerkt, dass die Gesamtzahl der von ortsfremden Tätern begangenen Straf-taten (^P_j(j6=i)Cj,i) in der Regel nicht beobachtet werden kann, da Informationen über Tatverdächtige per Definition nur für aufgeklärte Fälle vorliegen und letztere nur einen (mehr oder weniger) großen Teil der registrierten Straftaten repräsentieren. Analog zur Berechnung der alterspezifischen Kriminalitätsraten in Kapitel 3 wird die Anzahl der von ortsfremden Tätern in Gemeinde i begangenen Straftaten deshalb mit ^P_j(j6=i)Cj,i ≈ C_i(^P_j(j6=i)T V_i,j/T V_i) approximiert, wobei ^P_j(j6=i)T V_i,j die Anzahl der ortsfremden Tat-verdächtigen bezeichnet und T Vi die Gesamtzahl der Tatverdächtigen angibt.

Zur empirischen Überprüfung systematischer Ursachen von Tätermobilität wird ange-nommen, dass f eine lineare Funktion der relativen Bedingungen in der Tatortgemeinde und der Nachbarschaft ist. Dies impliziert, dass der Anteil der von ortsfremden Tätern

13Anhand von geographischer Länge und Breite der administrativen Zentren der Gemeinden wurden einfache euklidische Distanzen berechnet. Für alle Gemeinden wurden Nachbarn als Gemeinden mit bis zu 30 km Entfernung definiert. (Die Wahl von 30 km beruht darauf, dass auf Basis der Untersuchungen von Heidenreich (1988) ermittelt werden kann, dass ungefähr 90 % der männlichen Pendler – als Proxy für die in Vollzeit beschäftigten Arbeitnehmer – eine Distanz von 30 km zum Arbeitsort zurücklegen.) Jeder dieser Gemeinden wurde ein Gewicht entsprechend der inversen Entfernung zugewiesen. Die Zeilen der Gewichtungsmatrix wurden einheitlich auf eine Summe von 1 normiert.

14Da dieses Vorgehen zu Lasten der Präzision der Abbildung der Nachbarschaftsbedingungen geht, diese Messfehler aber keiner Systematik unterliegen sollten, kann von einer Verzerrung der betreffenden Schätzkoeffizienten in Richtung Null ausgegangen werden.

begangenen Straftaten - analog zum vorherigen Abschnitt - sowohl auf lokale erklärende Variablen als auch auf die zugehörigen Nachbarschaftsvariablen regressiert wird. Damit nimmt die Schätzgleichung die folgende Gestalt an:

s^{N R}_i =α₀+α₁x_i+α₂^X

j

j6=i

w_i,jx_j+u_i. (3.6)

Die Auswahl der verwendeten Variablen entspricht bis auf zwei Ausnahmen der des vorherigen Abschnitts. Ausgeklammert werden lediglich die beiden nur auf Kreisebene verfügbaren Variablen SOZIALH und AUFK, deren Einbeziehung in eine Analyse der Tätermobilität nicht sinnvoll ist, da sie weder der Tatortgemeinde noch dem Wohnort des Täters zugeordnet werden können.

Tabelle 3.6 enthält die Ergebnisse der Mobilitätsregressionen. Anhand der Bestimmt-heitsmaße ist klar ersichtlich, dass der Anteil der ortsfremden Täter für die beiden Dieb-stahlskategorien wesentlich besser vorhersagbar ist als für Gewaltkriminalität. Neben dem schon bekannten positiven Effekt der beruflichen Einpendler (siehe Tabellen 3.3 und 3.4), der im Sinne einer Erhöhung des Kriminalitätsangebotes während des Tages zu interpre-tieren ist, erhält man nun auch durchgehend signifikant positive Effekte für die Auspend-lervariable (AUSPENDL). Zur Erklärung dieses Ergebnisses bieten sich die Lebensstilan-sätze an, aus denen sich ableiten lässt, dass reine Wohngebiete, die tagsüber weitgehend verlassen sind, ungeschützte und leicht zugängliche Kriminalitätsziele für ortsfremde Tä-ter darstellen. In der Regression für einfachen Diebstahl zeigt sich anhand des signifikant positiven Effekts von LADEN, dass Einkaufsgegenden offenbar auch ortsfremde Diebe anlocken.

Der signifikant positive Einfluss der heimischen Vermögenswerte (MIETE) in Verbin-dung mit dem signifikant negativen Koeffizienten der durchschnittlichen Vermögenswer-te in der Nachbarschaft (W MIETE) in den Regressionen für schweren Diebstahl und Gewaltkriminalität deutet auf die Relevanz „interkommunaler“ Ungleichheit hin: Ist die Heimatgemeinde wohlhabend in Relation zu ihre Nachbarschaft, dann schlägt sich dies in einer höheren Belastung durch ortsfremde Straftäter nieder. Etwas überraschend sind die signifikant positiven Effekte der „intrakommunalen“ Ungleichheit (GINI) in den Dieb-stahlsregressionen, da aufgrund der geänderten abhängigen Variable eine Interpretation im Sinne legaler und/oder illegaler Verdienstmöglichkeiten wenig sinnvoll erscheint. So ist

3.3. Schätzergebnisse 101

Tabelle 3.6:Lokale Determinanten der Kriminalität: Tätermobilität

Einf. Diebstahl Schw. Diebstahl Gewaltkrim.

MIETE ,0256 (,0159) ,0473^a (,0177) ,0456^b (,0210)

W MIETE -,0371^c (,0210) -,0499^b (,0218) -,0518^b (,0248)

EINK -,0404^b (,0185) -,0561^b (,0278) -,0086 (,0307)

W EINK ,0081 (,0319) ,0284 (,0448) -,0595 (,0634)

ARBEITSL -,0323 (,5782) -1,369^c (,8055) -2,212^b (,9984)

W ARBEITSL -,0358 (1,534) -,4226 (1,941) -,2416 (2,482)

JUNGM -1,105 (1,001) 1,398 (1,360) ,9534 (1,488)

W JUNGM 9,618^a (2,656) -3,904 (3,348) -2,646 (4,632)

GESCHIED -1,130 (1,635) -1,746 (1,624) 1,355 (1,905)

W GESCHIED 8,062^a (2,823) -,6104 (4,002) 4,115 (5,531)

HOCHQ ,0631 (,5238) -,1094 (,7060) -,4841 (,6993)

W HOCHQ -1,143 (1,064) -,4537 (1,338) -,7560 (1,617)

AUSL -,6526^b (,3324) -,9920^a (,2828) -,3067 (,4120)

W AUSL ,5187 (,5962) ,7689 (,6533) ,9739 (,8000)

GINI ,9184^a (,2984) 1,026^b (,4231) ,1878 (,4853)

LADEN ,0370^a (,0066) ,0111 (,0076) ,0025 (,0095)

EINPENDL ,4502^a (,0849) ,2795^a (,0743) ,3232^a (,1114)

AUSPENDL 1.099^a (,1404) 1,026^a (,1899) ,4448^b (,2241)

DICHTE -,2240 (,1398) -,2246^b (,1109) -,2623^c (,1453)

LOGBEV ,0387^a (,0142) -,0208 (,0189) -,0088 (,0220)

GRENZE R-P ,0423 (,0539) -,0182 (,0290) ,0291 (,0351)

GRENZE HES -,0628^b (,0296) ,0057 (,0295) -,0426^b (,0217)

GRENZE BAY -,0413^b (,0177) -,0068 (,0216) -,0177 (,0334)

GRENZE CH ,0401^c (,0233) ,0014 (,0346) ,0022 (,0375)

GRENZE FR ,0731^b (,0355) -,0163 (,0684) ,0601 (,0451)

T92 ,1508^a (,0401) ,0426 (,0559) ,0507 (,0542)

T95 ,2305^a (,0610) ,0153 (,0829) ,0489 (,0844)

KONSTANTE -1,274^a (,3082) ,6469 (,4884) ,7906 (,6460)

Anz. Beob. 678 678 665

Mittel abh. Var. ,4437 ,6185 ,3854

R² korrigiert ,2812 ,2482 ,0511

Siehe Fußnote zu Tabelle 3.3.

nicht ohne weiteres nachvollziehbar, weshalb ortsfremde Diebe durch bessere illegale oder schlechtere legale Verdienstmöglichkeiten der einheimischen Bevölkerung angezogen wer-den sollten. Hier bietet sich eine alternative Interpretation an, derzufolge höhere Gleichheit kriminalitätsreduzierend wirkt: Gemeinden, deren Bevölkerung eine höhere Gleichheit in Termini der Einkommen aufweisen, zeichnen sich möglicherweise durch eine ausgeprägtere soziale Kontrolle aus, was die erfolgreiche Verübung eines Diebstahls seitens ortsfremder Täter erschweren könnte.

Neben inter- und intrakommunaler Ungleichheit weisen auch einige andere Variablen signifikante Effekte auf. So ziehen benachteiligte Gegenden mit hoher Arbeitslosigkeit und hohem Ausländeranteil weniger Straftäter von außen an. Außerdem kann für den einfachen Diebstahl festgestellt werden, dass von Nachbargemeinden mit einem hohen Bevölkerungsanteil junger Männer und Geschiedener eine erhöhte Tätermobilität ausgeht.

Im Dokument Ursachen und Kosten der Kriminalität in Deutschland (Seite 110-118)