宏观经济因素与财产类犯罪的相关性——基于1986～2010年的数据*

屈茂辉,郝士铭

(湖南大学 法学院，湖南 长沙 410082)

宏观经济因素与财产类犯罪的相关性
——基于1986～2010年的数据*

屈茂辉,郝士铭

(湖南大学 法学院，湖南 长沙 410082)

财产类犯罪是所有犯罪类别中所占比重最高的犯罪类型，探讨财产类犯罪变迁与社会经济之间的关系有着重要的意义。《中国统计年鉴》、《中国财政年鉴》、《中国法律年鉴》数据表明，社会经济增长水平、收入分配状况、通货膨胀、失业率以及城市化率等宏观经济因素会影响犯罪数量的变化。社会失业率与通货膨胀水平对我国财产类犯罪数量的变迁具有显著影响作用，降低失业率与通货膨胀水平不失成为一种控制我国财产类犯罪数量的新途径。

财产类犯罪；经济影响因素；实证分析；犯罪控制

改革开放三十余年以来，财产类犯罪人数不断以较大的幅度快速增长，*所谓侵犯财产罪，是指以非法占有为目的的犯罪类别，按照我国刑法，该类犯罪包含了抢劫、盗窃、抢夺、诈骗、侵占、聚众哄抢、职务侵占、挪用资金、挪用特定款物、敲诈勒索、故意损坏财物、破坏生产经营12种犯罪种类。其中抢劫、盗窃、诈骗、侵占与敲诈勒索是最主要也是最能代表财产类犯罪性质与产生原因的犯罪种类。其在刑事案件中所占的比例一般可达到90%左右，[1]对我国社会稳定和经济发展造成的破坏性影响历年来备受社会各界的关注。然而目前我国国内尚没有学者采用计量法学的研究方法对影响我国财产类犯罪变迁的社会经济因素进行专项研究，同时也没有学者基于计量实证分析结果提出更为具体可行的财产类犯罪预防与控制系统理论。鉴于此，本文以1986～2010年25年的财产类犯罪人数为样本，采用多元逐步回归分析方法(Stepwise OLS)探究可能影响我国财产类犯罪持续升高的社会经济因素，并以此为基础提出我国财产类犯罪预防与控制的看法。

一 研究的数据及变量定义

国内关于犯罪率影响因素的实证研究大多采用面板数据，时间跨度较小而无法反映出长期以来的客观现象。为了克服面板数据的缺陷，本文采用25年的宏观时间序列数据进行分析，将控制变量划分为：收入差距类指标、收入水平类指标、社会经济发展水平类指标以及市场环境类指标。基于此，利用含有13个指标的4大类经济要素来解决实证研究中可能出现的异方差性问题，尽可能地包含能够全面反映社会经济发展状况的要素。

《中国统计年鉴》关于财产类犯罪的专项统计年限始于1996年，至今可以形成的样本容量过小而不能满足时间序列分析的精确度要求，所以本文采用《中国法律年鉴》1986年开始统计的财产类犯罪数据作为样本，其他所有解释变量的时间起点因而也始于1986年。样本为1986～2010年的历年年度数据，共计25次有效观察，具体的变量定义及描述性统计见下表1：

表1 变量定义与描述性统计

其中财产类犯罪人数以及四大类经济指标的选取理由和统计口径如下：

(一)财产类犯罪人数(用y表示)

犯罪数量的衡量问题一直是犯罪学所长期关注的重点，根据我国刑事司法制度以及数据公开机制，犯罪指标的统计口径一共有5大类。*1.公安机关刑事立案数：包括公安机关或检察院自行发现的犯罪事实、犯罪嫌疑人、单位个人的报案举报、被害人的报案控告以及犯罪人的自首。我国刑事立案制度中立案审查与立案条件相脱节的缺陷导致实践中往往出现“不破不立，破而不立”的立案不实现象，造成立案数或过高或过低而严重失真。此外，“立案率”往往成为公安机关工作考核的重要指标，在年度考核中许多地方公安机关盲目地为了提升“立案率”而对许多不满足立案条件的案件予以立案，使立案数失真；2.检察院批准逮捕人数：指检察院对公安机关提请批捕进行审查后认为符合批捕条件的予以批捕。此指标考量了公安机关立案的因素，剔除了不必要的案件是对刑事案件数的“修正”，数据更加准确严格；3.检察院自行决定逮捕人数：在公安机关以外，检察院通过立案侦查发现有犯罪嫌疑人的，经审查后可以直接批捕。决定逮捕人数扩大了立案面，挖掘出更多的犯罪案件，且包含了需要逮捕的自诉案件被告人以及公诉案件中未被逮捕的被告人；4.人民法院宣告有罪人数：此指标可能会遗漏自诉案件中犯罪已超过诉讼时效、被告人死亡、被告人下落不明的可能构成犯罪的案件；此外，法院的错误判决也会使此指标失真；5.监狱在押犯人人数：此指标会因取保候审，刑满释放等因素严重失真，无法衡量社会存在的犯罪数，一般不为学者采用。相比于真实犯罪人数，5个统计口径都存在着“犯罪黑数”问题，而且部分公安机关与检察院存在着盲目追求“立案率”“逮捕率”的现象，但是这种现象在部分各级公安机关中表现得更为普遍，所以本文认为采用检察院批准逮捕人数与决定逮捕人数之和作为财产类犯罪人数的统计衡量指标更为合理科学。国内学者大多利用公安机关刑事案件立案数、治安违法人数、被刑事起诉率作为犯罪人数的统计指标，本文认为这些数据会或过高或过低地估计了真实犯罪情况而有失偏颇。为了一方面尽可能地减少“犯罪黑数”会给数据准确性带来的误差，另一方面寻求更为真实合理可靠的数据，本文最后选取《中国法律年鉴》1986～2010历年全国检察机关批准逮捕财产类犯罪人数与决定逮捕财产类犯罪人数之和作为我国财产类犯罪的衡量指标。

其次对收集到的数据进行数据预处理分析，发现2006年的观测值171169在整个样本群中异常偏低，不符合常理，故怀疑2006年的观测值是一个异常值不能参与统计分析。根据统计学的一般方法，采用奈尔准则、格拉布斯准则、肖维勒准则和狄克逊准则对其进行判断，所有的结论都显示2006年的观测值为异常值，而这可能是由于我国数据公布机制缺陷造成的，故应将其剔除。剔除后在样本群中形成了一个缺失值，*在犯罪率影响因素的其他实证研究中，当发现缺失值时，学者们大多采用前后两年的平均值作为缺失值的替代值，笔者认为这种处理方法值得商榷。数学上可以证明平均值替代是一个过高的有偏估计，如果都用平均值标准替代样本中的缺失值则有可能使样本群失真，影响到后面实证分析的准确性。缺失值的处理应该遵循统计学上专业的缺失值处理方法。且属于随机缺失模式，用倒数加权调整法、分层均值插补法和比率插补法进行填补，计算出的填补值都为451259，数据符合样本群序列的变迁趋势，用其作为2006年的财产类犯罪人数。

(二)收入差距类指标

Stonffer和Merton创立的“相对剥夺”理论认为当人们将自己的处境与某种标准或参照物相比较而发现自己处于劣势时，就会觉得自己受到了剥夺，长期以来这种心理状态会影响个人或者群体的态度与行为，从而引起犯罪、暴乱、恐怖主义甚至社会运动。[2]国内外很多研究都证实了收入差距导致的“相对剥夺感”与犯罪率持续上升有显著的正关系，但也有学者的研究认为收入差距即便会引起“被剥夺感”，但并不一定就会因此导致犯罪率上升。为了彻底证实我国收入差距是否会导致我国财产类犯罪高升，本文引入了以下变量：全国基尼系数(用X1表示)，由于我国官方未公布历年全国基尼系数，所以本文采用了一篇较权威且被引用率较高的研究中自行计算的数据；[3]城镇基尼系数(用X2表示)，国家统计局一直未公布历年我国城镇基尼系数，鉴于此本文同样采用了一份被引用率较高的研究中自行计算的数据；[4]农村基尼系数(用X3表示)，国家统计局从2000年起开始公布中国农村基尼系数，2005年以前的数据来源于《中国农村统计年鉴》，之后的数据来自权威学者的研究。[4]此外，本文用城市人均可支配收入与农村人均纯收入之差作为城乡收入差距(用X6表示)的衡量指标，数据来源于历年的《中国统计年鉴》。

(三)收入水平类指标

犯罪经济学认为提高收入水平能增加潜在犯罪者进行犯罪的机会成本，降低犯罪的相对期望收益从而遏制他们进行犯罪。[5]据此，本文引入两类收入水平指标：城镇人均收入(用X4表示)，指居民家庭全部现金收入能用于安排日常生活的那部分收入，而与城镇不同的是农村人均纯收入(用X5表示)是指农民的总收入扣除相应的各项费用性支出后归农民所有的收入。两项数据来源于《新中国55年统计资料汇编》和《中国统计年鉴》，数据显示这两项指标一直呈快速上升趋势且波动性不大。

(四)社会经济发展类指标

城市化率(用X8表示)，流动人口大量涌入城市造成的城市化率升高致使社会矛盾的激化程度大大超出了城市能够承载的负荷范围，大多数研究证实城市化率的提高显著地增加了犯罪数量，经济发展的快速增长与传统社会故有价值观念的冲突、物质文明与精神文明的不协调发展亦有可能极大地提升犯罪率。与城市化率一样，人均GDP(用X9表示)，GDP增长率(用X10表示)的数据都来自《中国统计年鉴》的历年统计。

(五)市场环境类指标。

失业率是衡量社会劳动力市场环境状况的重要指标，也是度量社会环境安定与否的评价指标。用于统计城镇登记失业人数占可以参与社会劳动人数比重的城镇登记失业率(用X7表示)是唯一我国目前公布的官方权威数据。尽管城镇登记失业率因存在着统计对象年龄限制过窄、不能反映“隐性失业”状况等问题而被质疑为严重失真的统计指标，但由于非官方统计推算结果的差异而无法确定唯一结论，所以在关于犯罪率影响因素的实证研究中学者们通常就采用官方公布的城镇登记失业率作为社会失业状况的统计衡量指标，数据来源于《中国财政年鉴》和《中国统计年鉴》。而消费者物价指数(用X12表示)与社会商品零售价格指数(用X13表示)都是衡量社会通货膨胀程度的指标，二者的数据皆取自《中国统计年鉴》各期。

二 实证检验及结果分析

为了检验我国财产类犯罪变迁与上述四大类经济指标之间的关系，本文将采用多元逐步回归分析方法(Multiple Stepwise Regression Analysis)对1986～2010年的相关数据进行实证研究。*逐步回归法又称为Frisch综合分析法，首先分别建立被解释变量y对每一个解释变量Xi的回归方程，对每个方程进行统计检验和分析，从中刷选出一个最优方程作为基本模型，然后逐一引入其他解释变量扩大模型的规模直至得到最好的模型估计形式。这种方法的核心思想是保留显著而重要的解释变量，删除次要或可替代的变量。值得注意的是，学者利用时间序列数据对犯罪影响因素进行的实证研究中所采用的方法大都是多元回归方法(OLS)，在进行回归分析前没有注意到解释变量间可能存在的多重共线性问题，因而不能满足回归分析的前提假设。多元回归分析将产生巨大的估计误差使检验出错。所以本文首先需要对4大类经济变量进行共线性检验，检验结果如表2所示。

多重共线性是指解释变量间的高度相关，所以只要发现矩阵主对角线上方某个相关系数的绝对值很大(一般大于0.8)，便可认为相应的两个解释变量间存在共线性关系。[6]从表2.1中可以看出解释变量X2、X3、 X4、X5、X6、X7、X8、 X9、 X1、X11、X12、X13之间的相关系数都很大，说明4大类经济因素间存在着很严重的多重共线性问题。我们认为造成这种现象的原因在于：(1)经济系统中各个因素之间都是相互依存，相互制约的，在数量关系上必然存在一定的联系；(2)在样本考察期内，13个变量变化方向的一致性使变量间存在高度的相关关系。为了解决多重共线性带来的破坏影响，本文进而采用Frisch综合分析法进行分析，首先建立变量X7与被解释变量y的一元回归方程，发现方程显著后进而纳入变量X12，做变量X7、X12对被解释变量y的二元回归，发现方程显著后进而逐步纳入剩余的11个变量，计量分析的最后结果如表3所示。

表2 解释变量间的相关系数矩阵

注：表中加黑数字代表高度相关的系数(相关系数大于0.8)。

表3给出的是逐步回归分析在基本回归方程上纳入变量X12显著后再分别纳入变量X1、X6、 X4、 X9 、X5 、X11、X8、X3、 X2、 X13、X10进行检验的结果。结果显示在纳入变量X1、X8、 X10后回归模型的拟合判决系数由0.851208*这是解释变量X7 、X12与被解释变量y回归方程的拟合判决系数，即逐步回归分析中基本回归方程的判决系数。分别上升到了0.85351、0.85126、0.85332，说明此时回归效果的拟合优度得到了提高，但是他们的t检验值-1.160489、-1.004507、-1.1481321都过小，无法通过系数显著性的统计检验，故不能将其纳入回归方程；而其余的变量因为既没有使拟合系数得到提高也无法通过t值检验，所以同样也不能纳入回归方程。[7]最后逐步回归分析结果显示，在收入差距类、收入水平类、社会经济发展类与市场环境类经济因素指标中，能决定我国财产类犯罪变迁的是社会失业率和社会通货膨胀水平。据此可以得到解释变量X7 、X12对被解释变量y的OLS回归结果如表4所示。

OLS分析表明回归模型的F值检验显著(0.0000<0.05)，回归模型整体显著；而两个参数的t值检验也很显著(0.0000<0.05，0.0011<0.05)，参数X7 、X12对y的影响是显著的。结果显示如果我国城镇登记失业率每提高1%，那么财产类犯罪人数就会增加0.327251%；而若消费者物价指数每提高1%，我国财产类犯罪人数则会增加0.010163%(即若以2010年我国财产类犯罪人数404584为起算点，每提高1%的失业率与通货膨胀水平，全国财产类犯罪人数将分别增加1324人与41人)，由此不难看出，失业率对我国财产类犯罪变化的影响权重远远高于消费者物价指数产生的影响。

表3 多元逐步回归分析的最后结果

注：括号上方的数值是变量的回归系数，而括号内的数值为回归系数的t检验值。

表4 OLS回归结果

注：**表示在5%的显著性水平下显著；括号内的数字为相应统计量的P值。

此外，对于经典线性回归模型，一般都要求回归变量为平稳的时间序列，因而才具有统计一致性和无偏性。[8]通过检验我们发现变量X7、X12与y都是非平稳序列，需要进行协整分析，分析的方法采用Engle-Granger两步法，[9]最后处理结果显示变量X7、X12与y的线性组合是平稳的序列，相互间构成协整关系回归分析的结果稳健，*限于篇幅，本文没有给出具体的检验过程，有兴趣的读者可向作者索取。失业状况与通货膨胀对财产类犯罪变迁的影响是长期存在的。根据以上实证检验结果，以下对失业率与通货膨胀作用于财产类犯罪的机理进行剖析。

(一)失业与财产类犯罪

需要注意的是本文实证研究的结论并不是说明失业者一定会进行财产犯罪，而是旨在表明失业率的提高与财产类犯罪的增加在宏观群体性的意义下具有正向的规模效应。西方经济学认为失业分为自愿失业、摩擦性失业、季节性失业、需求不足型失业、结构型失业与就业失业，[10]而从基本常识看，并非所有类型的失业人群都会走向财产犯罪，摩擦性失业、增长不足型失业与结构型失业人群比其他类型的失业者更有可能进行盗窃、抢劫、抢夺等犯罪。因为劳动力市场运行机制不完善、用工需求增长速度慢于劳动力与劳动生产率增长速度、劳动者工种技术熟练程度与用工需求的脱节等原因造成的失业与下岗使大量的失业人群如单位用工、建筑、搬运、收旧拾荒者、社会游手好闲的年轻人等逐渐沦为社会的弱势群体，他们唯一的经济收入来源可能仅仅局限于政府最低生活保障与社会的救助或借贷。根据犯罪经济学的犯罪理性理论，[11]当缺乏收入来源与完善社会保障的潜在犯罪者发现从事违法行为的预期效用超过将时间及资源用于从事其他正当活动带来的效用时，他们便会通过抢劫、盗窃、诈骗等财产犯罪来满足自我的物质需求。而大量从农村流入城市的农民工由于缺乏良好的教育或技能培训导致应聘时无法与企业的用工标准相匹配的“用工荒”、“招工难”现象也提高了城市流动人口财产类犯罪的可能性。

(二)通货膨胀与财产类犯罪

通货膨胀的一个显著性后果是再分配效应，这使得收入和社会财富从固定收入手中转移到非固定收入手中，从债权人手中转移到债务人手中，从消费者手中转移到生产者手中，从价格上涨幅度小的企业转移到价格上涨幅度大的企业，最终使得分配更加不公。[12]针对低收入人群甚至失业者来说，手中的钱贬值使他们产生一种强烈的“被剥夺感”，从而引发其对社会强烈的不满，如此紧张的状态使下层民众更倾向于采取非法手段来提升自己的生活水平，进而滋生财产犯罪。[13]此外，通货膨胀会直接降低居民的普遍生活水平，其中社会弱势群体的生活水平下降得最严重，食品、衣着、生活必须用品、交通、医疗等商品与服务价格的上涨大大提高了弱势群体的生活成本，长期以来越来越多的人将不愿去从事正当的生产经营活动，而是期望在一片混乱中进行各种投机活动。当抢劫、盗窃等财产类犯罪的机会成本下降程度与速度远远高于违法犯罪期望收益的增长程度与速度时，潜在的犯罪者就会选择犯罪与违法。

失业率与通货膨胀是推动我国财产类犯罪数量上升的经济性根本原因，而除此之外，政策制度等社会性的因素也会对我国财产类犯罪产生影响。1989年全国各级公安机关对以往存在的“立案不实现象”进行了调整，使得更多的盗窃类案件得以立案，极大的提高了财产类犯罪的立案率，因而也提高了检察院批准逮捕犯罪的人数，从统计数据可以看出1990年就出现了财产类犯罪的第一个高峰，也被学者们称为“第五次犯罪高峰”。而1992年公安部下发的《公安部关于修改盗窃案件立案统计办法的通知》对盗窃案件的立案标准进行了调整，提高了盗窃罪的立案标准势必会减少统计的财产类犯罪数，而这也说明了1992年我国财产类犯罪人数骤降的原因。此后1996年、2001年政法系统分别开展了两次“严打”活动，大量的犯罪份子被逮捕，从而1996年我国财产类犯罪人数达到了第二个高峰，相较1987年全国财产类犯罪人数增长了113.08%，而2001年的财产类犯罪人数较1987年增长了99.51%。

三 灰色理论：我国财产类犯罪控制的新视角

社会系统论与控制论认为控制对象的发展与变化必然在整个社会系统网络中具有因果链性的效应，如果要对某个系统要素进行控制就必须找到它在子系统结构中的原因因素，通过原因因素的控制与调节就能有效的对控制对象的“行为”、“运动”与“表现特征”进行改变。犯罪可以被视为是整个社会系统中的一个子系统，而财产类犯罪则是这个子系统的一个构成元素，所以财产类犯罪同时也是社会系统的构成元素。社会系统是一个开放复杂适应性系统(CAS)，[14]其内部的每个子系统与所有的元素相互间有着紧密的作用关系，其中本文的研究发现经济系统中的失业和通货膨胀要素对财产类犯罪有着因果效应关系。为了进一步研究经济子系统中其他要素与失业、通货膨胀之间的关系对财产类犯罪变化的作用效应，需要进步探讨13个经济元素之间的相关关系与因果关系，采用的探讨方法为相关系数检验法和Granger因果关系检验法。[15]

首先进行相关系数检验，检验结果显示在13个经济元素构成的78种相关关系中有43条高度相关的关系链，其中与X7(城镇登记失业率)、X12(通货膨胀水平)呈高度相关的关系链有14条分别对应变量X1、 X3、X8、 X9、 X10、X11与X13。然而相关关系体现的是两变量间的直接或间接关系，相关关系高并不能说明他们之间存在因果关系，犯罪控制模式的选择不能基于相关关系之上。这种机理可以如下图所示：

图1 犯罪控制模式的选择

如图1所示，假设Xi与Xj之间存在很高的相关关系，但这种相关关系是由变量Xz造成的，Xz的变动会引起Xi与Xj的变动，所以Xi与Xj会显现出相关关系。在控制模式的选择中，若控制对象是Xi，那么通过Xj对Xi进行控制是不可靠的，因为Xj的变动不一定会引起Xi的变动，而此时只能通过Xz进行控制。Xz与Xi间有因果关系，所以Xz的变动会引起Xi的变动从而达到控制效果。基于此，为了更进一步探讨财产类犯罪与各经济要素间的因果关系层次，并分解他们之间的效应，我们采用路径分析法(Path Analysis)来寻找最优的犯罪控制模式。[16]

根据计算机计算结果可以做出路径分析网络图2，在此网络中变量X9是独立只能作为自变量的外生变量，而变量X11、X7、X12是既能做因变量又能做自变量的内生变量，变量间直接和间接的因果关系构成了一个非递归路径模型。[17]

实现网络化的犯罪治理必须构建同中国社会结构相适应的，以社会关联为基础的犯罪控制模式。[18]基于上述建立的非递归模型，通过针对性的信息筛选，我们最终可以找到我国财产类犯罪的最优控制模式，筛选的方法是在网络图2中找出与控制对象y有因果关系的变量，剔除掉多余的变量。经过处理后最终形成的我国财产类犯罪控制网络如图3所示，对此网络我们可以进行变量间的因果关系分解，经过换算后最终得到关于y的整体方程：

y=(p7y+p6yp76)·x7+p6yp96·x9+p12y·x12+μ

式(1-1)

其中Pij表示变量Xi与Xj之间的路径系数，反映了Xi对Xj的影响大小；μ表示13个经济因素之外还可能对y造成影响的其他因素。

图2 路径分析网络

图3 财产类犯罪控制网络

式(1-1)说明在13种经济因素中能够通过直接或间接效应影响我国财产类犯罪变迁的变量是X7、X9、X12，其中变量X7会通过两条路径对y造成影响：一个是通过中间变量X6产生间接因果作用，另一个是通过自身产生直接因果作用；而变量X9将通过X6对y产生间接因果作用；变量X12通过自身产生直接因果作用。多元逐步回归分析只能识别出X7、X12与y之间的直接因果关系，而路径分析不仅识别出直接因果关系还识别出了间接因果关系，弥补了回归分析的不足。基于以上结论，我们可以通过失业(X7)、人均GDP(X9)与通货膨胀水平(X12)对我国财产类犯罪进行控制，控制的机理可借助控制论中的模型来表示：

图4 财产类犯罪灰色控制箱模型

控制箱运行在功能上具有与社会系统的耦合性、与其它社会子系统的匹配性，能有效调节、缓解引发现代型财产犯罪行为背后的社会矛盾与利益冲突，最终能有效地控制我国财产类犯罪，而控制的手段应该是促进就业降低失业率、降低并维持通货膨胀水平、提高人均GDP增加低收入人群收入。此外，犯罪控制的运行还要求建立完善具体的控制评价体系以对控制方法进行评估。犯罪控制在实施后的一定时间内产生的效果会通过特定的信息与社会反应表现出来，表现形式有：(1)财产类犯罪数量减小，犯罪人数减小；(2)财产类犯罪数量趋于平缓；(3)财产类犯罪数量变化起伏幅度加大(或降低)；(4)财产类犯罪数量减小，但其他类犯罪或违法活动却猛然增加；(5)财产类犯罪的犯罪形式、手段等发生更新。通过上述5种反馈信息，我们需要对本文提出的灰色控制模型做出评价，对于运行中的不足与缺陷可以进行更改修正，从而提高下一阶段财产类犯罪控制的效率与效果。

四 结 论

通过对我国财产类犯罪变迁的实证研究，本文发现改革开放三十余年来社会宏观经济与财产类犯罪具有长期的协同作用关系，失业率与通货膨胀水平的提高会通过直接或间接效应推动财产类犯罪人数的增加，而其中失业率对我国财产类犯罪变迁的影响权重高于通货膨胀产生的影响。

对社会经济因素的调控将不失成为一种很好的财产类犯罪控制方法，减少失业人口，提高就业率，完善落实政府针对失业人群的“就业技能培训”制度，促进失业人员的再就业；稳定物价，降低并维持市场通货膨胀水平，采取稳健的宏观经济政策；提高人均GDP，且减少城乡之间、地区之间的收入差距，完善收入分配制度，加大对社会低收入人群的财政倾斜力度等等这些方法都可以为我国将来财产类犯罪治理与控制工作所采用。

[1] 陈鹏,疏学明,袁宏永,苏国锋,陈涛,孙占辉.时空犯罪热点预测模型研究[J].系统仿真学报, 2011，(9):1782-1786.

[2] 陈潭,黄金.群体性事件多种原因的理论阐释[J]. 政治学研究,2009，(6):55-61.

[3] 陈永宏.改革以来全国总体基尼系数的演变及其城乡分解[J].中国社会科学,2007，(4):45.

[4] 陈屹立.收入不平等、城市化与中国的犯罪率变迁[J].中国刑事法杂志,2010，(11):108-118.

[5] Becker Gary S. Crime and Punishment: An Economic Approach [J].Journal of Political Economy, 1968，(2):169—217.

[6] 高惠璇.处理多元线性回归中自变量共线性的几种方法[J].数理统计与管理,2000，(5):20-29.

[7] 孙敬水.计量经济学(第2版)[M].北京：清华大学出版社,2012.

[8] 韩兆洲,魏章进.假设检验的一个常见误区[J].统计与信息论坛,2005，(1):9-11.

[9] 孙敬水.计量经济学(第2版)[M].北京：清华大学出版社,2012.

[10] 梁晓明.微观经济学[M].北京:中国社会科学出版社,1996.

[11] Becker Gary S. Crime and Punishment: An Economic Approach [J].Journal of Political Economy, 1968，(2):169—217.

[12] 李晓西.宏观经济学案例[M].北京:中国人民大学出版社,2006.

[13] 陈炜,徐绫泽.“相对剥夺理论”在农村流动人口犯罪防控中的应用[J].法学杂志,2010，(3):78-80.

[14] 陈禹.复杂适应系统(CAS)理论及其应用—由来、内容与启示[J]. 系统辩证学学报,2001，(4):35-38.

[15] 王振龙.时间序列分析[M].北京:中国统计出版社，2006.

[16] Duncan, Otis Dudley. Introduction to Structure Equation Models [M].New York: Academic Press, 1975.

[17] Blau, Peter M. The American Occupational Structure [M]. New York: Wiley, 1967.

[18] 焦俊峰.犯罪控制中的治理理论[J].国家检察官学院学报,2010，(2):99-104.

MacroeconomicFactorsandPropertyCrimeinChina: ——AnEmpiricalResearchBasedon1986-2010Data

QU Mao-hui,HAO Shi-ming

(Law School, Hunan University, Changsha 410082, China)

In China the number of property crime holds the greatest rate among all kinds of crimes, finding out the relationship between the growth of economy and property crime is an important subject to study. The official statistics show that economic growth, personal income distribution, inflation, unemployment and urbanization rate will promote the growth of property crime. The unemployment and inflation have a significant impact on property crime's change, which means decreasing unemployment and reducing social inflation would be a new way to control the number of property crimes in China.

property Crime；Economical Influential Factors；Empirical Research；Crime Control

2013-07-08

湖南省软科学项目：“法学中的数理计量方法及其应用研究”(2008ZK3132 );2012年国家级SIT项目“基于年鉴数据的我国财产类犯罪变迁研究”(531107061080)

屈茂辉(1962—)，男，湖南新宁人，湖南大学法学院教授，博士生导师，法学博士.研究方向：数理-计量法学.

D912.29

A

1008—1763(2014)02—0143—07