عنوان مقاله:
دیوارهای مرزی و جنایت: شواهدی از قانون حصار امن
Border Walls and Crime: Evidence From the Secure Fence Act
سال انتشار: 2022
رشته: اقتصاد
گرایش: توسعه اقتصادی و برنامه ریزی
دانلود رایگان این مقاله:
دانلود مقاله دیوارهای مرزی و جنایت
مشاهده سایر مقالات جدید:
مقالات ISI توسعه اقتصادی و برنامه ریزی
Further Analysis
We conduct a series of additional analyses related to the main synthetic control analysis detailed above. County-level annual arrest data are collected from the Federal Bureau of Investigation’s Uniform Crime Reporting Program (UCR) on arrests. We compute the total number of arrests for all crimes as well as arrests for drug-related crimes for the counties in our sample. These county arrest numbers are normalized by population to create arrest rates per 1000 people for all arrests and drug arrest rates per 1000 people. Due to missing observations, we omit Luna County from this portion of the analysis. We present averages in treated counties and untreated counties in Table 1. The beneft of arrest data is that it allows us to identify drug arrests separately. The UCR crime data only have categories for violent and property crime, not crimes directly related to illegal drugs. Identifying the potential impact of border walls on drug arrests is important given that one of the stated justifcations for constructing border walls is to reduce drug trafcking across the US–Mexico border. We conduct our same synthetic control analysis as above, using these diferent arrest rate measures as our outcomes. We present our overall results for the 11 treated counties in our sample in the online appendix, but discuss our results her. Our results indicate no signifcant relationship between passing the 2006 Secure Fence Act and arrest rates. Across our 22 estimated efects, only Cochise County yields an efect deemed statistically signifcant in its quasi-p value, a reduction of 1.13 drug arrests per 1000 after 2006. All other estimates have quasi-p values ranging from 0.124 to 0.955. The estimates are evenly split between positive and negative efects, and most have very small mean squared prediction error in the pre-treatment period, indicating that our lack of fndings are not exclusively driven by poor model ft. One exception is Hudspeth County, whereby the synthetic control model ft is quite poor in the pre-2006 period across both arrest rate measures. Furthermore, we fnd no evidence that diferences in construction timing mask overall efects on arrest rates. The estimate for drug arrest rates found in Cochise County above remains similar across construction and post-construction phases. Aside from an estimated increase in drug arrest rates during the construction phase in Pima County, all other estimates are not signifcant (as measured by quasi-p values). Taken together, we believe that these estimates indicate little to no relationship between border construction and arrest rates. In order to assuage concerns regarding potential spillovers of criminal activity to neighboring counties, we re-estimate our synthetic control models on property and violent crime rates dropping counties within 100 miles of the US–Mexico border from the donor pool. While crime displacement from counties receiving border infrastructure investments to similar counties nearby should overstate reductions in crime from such investments, we concede that we cannot rule out such spillovers ex ante. By dropping control counties within 100 miles of the US–Mexico border, we greatly reduce the risk that our synthetic counterfactual crime rates are being afected by spillovers from border construction in treatment counties. We fnd no qualitative changes to our main estimates suggesting that our null fndings were not driven by spatial spillovers from border crime. The results are given in online appendix Tables A15 and A16. We re-estimate our main model including only pre-treatment average and yearprior-to-treatment outcomes in our matching. Such a restriction forces our matches to put more weight on other county characteristics (rather than all weight on pretreatment outcomes). Due to difering opinions on the correct way to leverage pretreatment information, we estimate this alternative model to demonstrate that our lack of systematic fndings is not driven due to decisions over the inclusions or omission of pre-treatment outcomes in our matching process. Our estimates remain qualitatively similar. Our overall model results as well as our disaggregated timing model results are given in the online appendix as Tables A17 and A18.
Finally we re-estimate our main model using total crimes rather than crime rates as our outcome variables. We present tables analogous to Tables 2 and 3 in the online appendix. Our fndings are remarkably consistent with our fndings presented in the main paper on crime rates. For property crime, we fnd no signifcant efects with half of our estimates positive and half negative. For violent crime, Pima County displays the same reduction as in crime rates (with the timing coinciding with the police reforms discussed above). Cameron County does exhibit a statistically signifcant (p < 0.1) efect not present in the crime rate analysis.
(دقت کنید که این بخش از متن، با استفاده از گوگل ترنسلیت ترجمه شده و توسط مترجمین سایت ای ترجمه، ترجمه نشده است و صرفا جهت آشنایی شما با متن میباشد.)
تجزیه و تحلیل بیشتر
ما یک سری تجزیه و تحلیل اضافی مربوط به تجزیه و تحلیل کنترل مصنوعی اصلی را انجام می دهیم که در بالا توضیح داده شده است. داده های دستگیری سالانه در سطح شهرستان از برنامه یکسان گزارش جنایت (UCR) اداره تحقیقات فدرال در مورد دستگیری ها جمع آوری می شود. ما تعداد کل دستگیری ها را برای همه جرایم و همچنین دستگیری ها برای جرایم مرتبط با مواد مخدر برای شهرستان های نمونه خود محاسبه می کنیم. این اعداد دستگیری شهرستان بر اساس جمعیت عادی شده است تا نرخ دستگیری به ازای هر 1000 نفر برای همه دستگیری ها و نرخ دستگیری مواد مخدر در هر 1000 نفر ایجاد شود. به دلیل عدم مشاهده مشاهدات، ما شهرستان لونا را از این بخش از تجزیه و تحلیل حذف می کنیم. ما میانگین‌ها را در شهرستان‌های تحت درمان و شهرستان‌های درمان‌نشده در جدول 1 ارائه می‌کنیم. مزیت داده‌های دستگیری این است که به ما امکان می‌دهد دستگیری‌های مواد مخدر را جداگانه شناسایی کنیم. داده‌های جرم UCR فقط دارای دسته‌هایی برای جنایات خشونت‌آمیز و دارایی هستند، نه جرائمی که مستقیماً با مواد مخدر مرتبط هستند. شناسایی تأثیر بالقوه دیوارهای مرزی بر دستگیری مواد مخدر با توجه به اینکه یکی از توجیهات بیان شده برای ساخت دیوارهای مرزی کاهش قاچاق مواد مخدر در سراسر مرز ایالات متحده و مکزیک است، مهم است. ما همان تجزیه و تحلیل کنترل مصنوعی خود را مانند بالا انجام می دهیم و از این معیارهای نرخ دستگیری مختلف به عنوان نتایج خود استفاده می کنیم. ما نتایج کلی خود را برای 11 شهرستان تحت درمان در نمونه خود در پیوست آنلاین ارائه می کنیم، اما نتایج خود را در مورد آن مورد بحث قرار می دهیم. نتایج ما نشان می‌دهد که هیچ رابطه معنی‌داری بین تصویب قانون حصار امن 2006 و نرخ دستگیری وجود ندارد. در بین 22 اثر تخمین زده شده ما، تنها شهرستان کوچیس دارای اثری است که از نظر آماری در مقدار شبه p آن معنادار تلقی می شود، کاهش 1.13 دستگیری مواد مخدر در هر 1000 پس از سال 2006. همه برآوردهای دیگر دارای مقادیر شبه p هستند که از 0.125 تا 0.95 متغیر است. تخمین‌ها به طور مساوی بین اثرات مثبت و منفی تقسیم می‌شوند، و اکثر آنها دارای میانگین مربعات خطای پیش‌بینی بسیار کوچکی در دوره قبل از درمان هستند، که نشان می‌دهد که فقدان یافته‌های ما منحصراً ناشی از مدل ضعیف نیست. یک استثنا، شهرستان هادسپت است که به موجب آن، مدل کنترل مصنوعی ft در دوره قبل از 2006 در هر دو معیار نرخ دستگیری بسیار ضعیف است. علاوه بر این، ما هیچ مدرکی پیدا نکردیم که تفاوت در زمان‌بندی ساخت و ساز، تأثیر کلی بر نرخ دستگیری را پنهان کند. برآورد نرخ دستگیری مواد مخدر که در شهرستان کوچیس در بالا یافت شد، در مراحل ساخت و ساز و پس از ساخت مشابه است. به غیر از افزایش تخمینی نرخ دستگیری مواد مخدر در مرحله ساخت و ساز در شهرستان پیما، همه برآوردهای دیگر قابل توجه نیستند (همانطور که با مقادیر شبه p اندازه گیری می شود). در مجموع، ما معتقدیم که این تخمین ها نشان دهنده رابطه اندک یا بدون هیچ ارتباطی بین ساخت و ساز مرز و نرخ دستگیری است. به منظور کاهش نگرانی‌های مربوط به سرریزهای احتمالی فعالیت‌های مجرمانه به شهرستان‌های همسایه، مدل‌های کنترل مصنوعی خود را در مورد اموال و نرخ جرم و جنایت خشونت‌آمیز کاهش می‌دهد که شهرستان‌ها در فاصله ۱۰۰ مایلی مرز ایالات متحده و مکزیک از استخر اهداکنندگان را کاهش می‌دهد. در حالی که جابه‌جایی جرم از شهرستان‌هایی که سرمایه‌گذاری‌های زیرساختی مرزی دریافت می‌کنند به شهرستان‌های مشابه در نزدیکی باید کاهش جرم ناشی از چنین سرمایه‌گذاری‌هایی را بیش از حد اعلام کند، ما قبول داریم که نمی‌توانیم چنین سرریزهایی را از قبل رد کنیم. با حذف شهرستان‌های کنترل در 100 مایلی مرز ایالات متحده و مکزیک، خطر این که نرخ جنایات خلاف واقع مصنوعی ما تحت تأثیر عوامل سرریز از ساخت‌وساز مرزی در شهرستان‌های درمانی قرار گیرد را تا حد زیادی کاهش می‌دهیم. ما هیچ تغییر کیفی در برآوردهای اصلی خود نمی یابیم که نشان می دهد یافته های پوچ ما ناشی از سرریزهای فضایی جنایات مرزی نبوده است. نتایج در جداول A15 و A16 پیوست آنلاین آورده شده است. ما مدل اصلی خود را شامل فقط میانگین قبل از درمان و نتایج سال قبل از درمان در تطابق خود مجدداً برآورد می‌کنیم. چنین محدودیتی مسابقات ما را مجبور می‌کند تا وزن بیشتری را بر سایر ویژگی‌های شهرستان (به جای همه وزن‌ها بر نتایج پیش‌درمان) بگذارند. با توجه به نظرات متفاوت در مورد روش صحیح استفاده از اطلاعات قبل از درمان، ما این مدل جایگزین را برای نشان دادن اینکه فقدان یافته های سیستماتیک ما به دلیل تصمیم گیری در مورد گنجاندن یا حذف نتایج پیش از درمان در فرآیند تطبیق ما انجام نمی شود، تخمین می زنیم. برآوردهای ما از نظر کیفی مشابه است. نتایج مدل کلی ما و همچنین نتایج مدل زمان بندی تفکیک شده ما در پیوست آنلاین به عنوان جداول A17 و A18 آورده شده است.
سرانجام ما مدل اصلی خود را با استفاده از مجموع جرایم به جای نرخ جرم به عنوان متغیرهای نتیجه، مجدداً برآورد می کنیم. ما جداول مشابه جداول 2 و 3 را در پیوست آنلاین ارائه می کنیم. یافته های ما به طور قابل ملاحظه ای با یافته های ما که در مقاله اصلی در مورد میزان جرم و جنایت ارائه شده است، سازگار است. برای جرایم دارایی، با نیمی از تخمین‌های مثبت و نیمی منفی، هیچ تأثیر مهمی نمی‌یابیم. برای جرایم خشن، شهرستان پیما همان کاهش نرخ جرم را نشان می‌دهد (با زمان‌بندی مصادف با اصلاحات پلیسی که در بالا مورد بحث قرار گرفت). شهرستان کامرون یک اثر آماری معنی‌دار را نشان می‌دهد (p <0.1) که در تجزیه و تحلیل نرخ جرم وجود ندارد.
