Сдерживание или нормализация: взаимосвязь между уровнем убийств и строгостью судебных приговоров в регионах России

Введение
В соответствии с экономической теорией сдерживания (Becker 1968), согласно которой люди не совершают преступления, если считают, что потенциальные риски превышают выгоды, при высоком уровне преступности судьи могут стремиться назначать более высокие сроки наказания, чтобы повысить ожидаемые издержки и сократить преступность в двух направлениях — предотвращение как рецидивов, так и новых преступлений. Таким образом, можно ожидать, что в регионах с бо́льшим количеством преступлений средние сроки заключения по соответствующим делам будут выше, чем в регионах с более низким уровнем преступности, а рецидивы будут наказываться строже.
С другой стороны, на приговоры влияют и различные социальные и психологические аспекты (Peer, Gamliel 2013). Так, частое столкновение с насилием, будь то в реальной жизни или в средствах массовой информации, может приводить к эмоциональной и физиологической десенсибилизации (Mrug et al. 2015), а также может играть роль и эффект нормализации девиации (Cooney, Burt 2008). Для судебной системы это может означать, что наличие большого количества дел, в которых фигурирует насилие, приведет к тому, что средние сроки заключения по соответствующим делам, наоборот, будут такими же, как и в регионах с низким уровнем преступности.
Таким образом, перед нами встает задача — определить, какой из механизмов имеет место в российском контексте и к каким в итоге приводит последствиям? В случае, если судьи руководствуются логикой более строгих наказаний при высоком уровне преступности ради его сокращения, то ведет ли это к реальному улучшению ситуации или лишь повышает издержки правовой системы за счет увеличения численности людей, содержащихся в тюрьмах?
Эмпирические исследования, как зарубежные, так и российские, не дают однозначного ответа и на этот вопрос (Chalfin, McCrary 2017). В российском контексте ответ на него усложняется, так как значительная часть насильственных преступлений совершается в состоянии алкогольного опьянения, что может снижать эффективность сдерживания (Lysova et al. 2012).
Для ответа на поставленные вопросы была выбрана база данных по делам по части 1 статьи 105 Уголовного кодекса РФ. Этот выбор мотивирован тем, что, во-первых, серьезные преступления регистрируются с большей вероятностью, чем другие дела (Андриенко 2001). Во-вторых, наказание, предусмотренное за эту статью, единообразно по форме (наказанием почти всегда является реальный срок лишения свободы), что упрощает моделирование их строгости. В-третьих, такие дела, вероятно, будут менее подвержены влиянию «телефонного правосудия» (Hendley 2009). Все это делает эмпирические оценки данного феномена более надежными.
Кроме того, актуальность данного исследования обусловлена тем, что, несмотря на значительное сокращение количества убийств по сле стремительного роста в 1990-х годах (Lysova et al. 2012), их уровень в России остается сравнительно высоким. По состоянию на 2019
год зарегистрировано 7,64 убийства на 100 000 человек населения. Например, в Белоруссии к 2019 году этот показатель составляет 3,14 на 100 000 человек, а в среднем по Восточной Европе он равен 4,81.

Влияние наказаний на уровень преступности

В научной литературе есть два подхода, через которые рассматривается функция наказания за преступления. Ретрибутивизм, с точки зрения которого применение наказания обусловлено самим совершением преступления и необходимостью возмездия за него, и консеквенциализм, акцентирующий внимание на последствиях преступления (Goodwin, Gromet 2014). В русле консеквенциализма была разработана теория сдержек — предположение о том, что люди не совершают преступления, если считают, что потенциальные издержки такого деяния превышают выгоды (Becker 1968). Калькулирование первых включает в себя вероятность ареста и обвинительного приговора и строгость наказания (например, срок тюремного заключения).
Валидность теории сдерживания многократно оценивалась на разных данных. В исследованиях нет консенсуса относительно эффективности общего, то есть направленного на профилактику преступлений со стороны других потенциальных правонарушителей, сдерживания (general deterrence) (Chalfin, McCrary 2017). Так, часть авторов говорят о том, что и неотвратимость наказания (измеренная как отношение числа арестов и количества возбужденных уголовных дел или же вынесенных обвинительных приговоров), и его строгость (например, выраженная в годах тюремного заключения) эффективны для предотвращения преступлений, в том числе насильственных (Tittle 1969; Ehrlich 1973; Grogger 1991; Bun et al. 2019). Также несколько исследований показывают, что количество полицейских как альтернативный способ оценки неотвратимости наказания оказывает особенно сильный эффект именно на насильственные преступления, в том числе убийства, по сравнению с преступлениями против собственности (Chalfin, McCrary 2017).
Эффективность мер, направленных на повышение вероятности наказания, обусловлена восприятием риска. В случае, если человек склонен его избегать, именно повышение шансов ареста будет действенным способом снижения уровня преступности (Becker 1968; Drago et al. 2009). Подобные эмпирические исследования основаны на предпосылке о том, что воспринимаемая вероятность задержания действительно коррелирует с реальным соотношением арестов и преступлений. Ее корректность демонстрировалась на данных американской молодежи, вовлеченной в преступную деятельность (Lochner 2007), и на выборке заключенных (Wilson, Herrnstein 1986).

Сдерживающая сила строгости наказаний остается под вопросом, так как существуют и работы, утверждающие, что срок потенциального заключения, в частности, за насильственные преступления, не оказывает никакого влияния на уровень преступности (Engelen et al. 2016; Abramovaite et al. 2023). Это может объясняться тем, что мотивы для совершения значительной части насильственных преступлений могут быть связаны не с рациональными расчетами и какой-либо экономической выгодой, а с состоянием аффекта (Fragkouli et al. 2016). Следовательно, изначальная предпосылка теории сдержек о том, что преступник является рационально (по крайней мере, ограниченно рационально) действующим субъектом, не соблюдается (Hayward 2007). Так, в частности, такой экономический показатель, как неравенство доходов, на количество убийств влияет в меньшей степени, чем на преступления против собственности (Ehrlich 1973).

Помимо общего выделяют также индивидуальное сдерживание (specific deterrence), направленное на предотвращение рецидивизма посредством того, что издержки преступления становятся более осязаемыми для преступника после столкновения с системой право- судия (Nagin et al. 2009). Данные говорят о том, что воспринимаемая вероятность ареста действительно повышается после взаимодействия с пенитенциарной системой (Lochner 2007; Chalfin, McCrary 2017), однако влияние длительности срока тюремного заключения на предотвращение рецидивизма ставится под сомнение. Исследование на американских данных показало, что если сокращение вероятности повторного совершения преступлений и есть, то оно происходит только при максимальных сроках заключения (Meade et al. 2013). Другие же авторы пишут, что с каждым месяцем заключения вероятность рецидивизма сокращается, но незначительно (Rhodes et al. 2018). Есть и работы, которые, напротив, показывают положительную связь между этими показателями (Loeffler, Nagin 2022). Тем не менее бо́льшая часть статей декларирует отсутствие какого-либо эффекта вовсе (Nagin et al. 2009; Wermink et al. 2017; Loeffler, Nagin 2022). Это может происходить в силу пересечения двух следствий тюремного заключения — с одной стороны, необходимости ресоциализации после отбывания тюремного заключения, а также наличия стигматизации, что затрудняет интеграцию преступника в общество, и, с другой стороны, исправительного эффекта тюрьмы (Nagin et al. 2009; Loeffler, Nagin 2022). Так, наблюдается отрицательная связь между сроком заключения и вероятностью рецидива в условиях реализации в тюрьмах исправительных программ и положительная при отсутствии таковых (Loeffler, Nagin 2022).

Что касается России, то исследование уровня преступности, основанное на данных 79 регионов в период с 1992 по 2000 год, то есть в момент экономической и политической турбулентности, показало, что вероятность наказания, измеренная в коэффициенте раскрытия преступлений, действительно оказывает влияние на уровень насильственных преступлений, в частности убийств (Andrienko, Shelley 2005). Однако возможность переноса этих результатов на исследуемый в этой работе более поздний период остается под вопросом. В качестве предикторов не использовалась строгость выносимых приговоров, поэтому мы не можем судить о второй компоненте теории сдержек. Другое исследование, основанное на материалах МВД по 89 регионам за период с 1990 по 1998 год, показывает те же результаты: коэффициент раскрытия преступности отрицательно связан с уровнем насильственных преступлений. Однако такой предиктор, как средние сроки приговоров, в нем также не использовался ввиду отсутствия данных (Андриенко 2001).
Важной особенностью российского контекста является ассоциированность уровня насильственных преступлений со злоупотреблением алкоголем (Lysova et al. 2012; Chervyakov et al. 2002; Андриенко 2001; см. также статью Щетининой и Казуна в настоящем номере). Это позволяет предположить, что эффект сдерживания будет умеренным, если вообще будет наблюдаться в силу аффективного характера преступлений.

Уровень убийств как детерминанта строгости наказаний

Согласно теории сдерживания, при высоком уровне преступности судьи должны стремиться назначать более суровые наказания, чтобы повысить ожидаемые издержки и сократить преступность (Cooney, Burt 2008). Есть исследования, подтверждающие, что судьи действительно руководствуются подобной стратегией (Wheeler et al. 1980). Вероятно, это наблюдается в местах с низким уровнем раскрываемости преступности для компенсации этого недостатка системы (Tittle 1969; Cooney, Burt 2008).
Однако положительная связь между уровнем преступности и строгостью наказаний может и не наблюдаться (Cooney, Burt 2008). Это объясняется тем, что на приговоры влияют и различные социальные и психологические аспекты (Peer, Gamliel 2013), ее опосредующие. Так, например, М. Куни и К. Х. Бёрт (2008), опираясь на концепцию «общества святых» Дюркгейма, выдвинули гипотезу о том, что связь между количеством преступлений и строгостью наказаний является нелинейной. С увеличением распространенности определенного вида преступлений при изначально небольшом их количестве предполагается, что наказания будут предельно суровы, однако со временем связь между показателями станет отрицательной. Авторы подтвердили возможное наличие такого эффекта на данных о делах по убийствам в Америке.
Вместе с тем следует подчеркнуть, что выявленная авторами взаимосвязь наблюдалась в условиях, когда уровень убийств (18,7 на 100 000 населения (Cooney, Burt 2008)) превышал текущие показатели России. Максимальное среднее значение показателя по РФ за анализируемый в этой работе период с 2013 по 2019 год составило 11,46 случая на 100 000 жителей, а минимальное — 7,641. Таким образом, вопрос о том, релевантна ли для России подобная тенденция, остается открытым.

 

Гипотезы

С учетом описанного выше можно выдвинуть следующий набор гипотез:
(1а) В регионах с более высоким уровнем убийств суды будут, при прочих равных, выносить более строгие приговоры за убийства.
Это предположение основано на теории сдержек. Судьи будут стремиться назначать более суровые наказания, чтобы повысить ожидаемые издержки и сократить преступность (Cooney, Burt 2008).
(1б) Уровень убийств в регионах не будет оказывать влияние на строгость судебных приговоров за убийства.
Эта гипотеза выдвинута в рамках конкурирующего с теорией сдержек предположения о том, что при наличии высокого уровня убийств в регионах будет работать эффект нормализации (Cooney, Burt 2008).
(2) В регионах с высоким уровнем убийств наказания за рецидивы будут более строгими, нежели в регионах с низким уровнем убийств.
Это предположение также выдвинуто в рамках теории сдержек исходя из логики, что судьи будут руководствоваться в том числе частным сдерживанием при вынесении приговоров.
(3) В регионах с более низким уровнем раскрываемости преступлений будут выноситься более строгие приговоры по делам об убийствах.
Более низкая вероятность наказания будет компенсироваться строгостью приговоров (Tittle 1969; Cooney, Burt 2008).
(4а) Чем выше средние сроки наказания в регионе за убийства, тем ниже их уровень в последующие периоды.
Более длительные сроки тюремного заключения делают «менее выгодным» совершение преступления; следовательно, согласно теории сдержек, люди будут реже их совершать.

(4б) Средние сроки наказания в регионе за убийства не будут оказывать никакого влияния на их уровень в последующие периоды.
Поскольку насильственные преступления в России во многом совершаются под влиянием алкогольного опьянения (Андриенко 2001), то такие преступления могут не укладываться в рамку теории сдержек.

База данных исследования

Для проверки гипотез используется база данных, состоящая из 20 531 наблюдения, полученных из текстов официальных приговоров по части 1 статьи 105 «Убийство» Уголовного кодекса Российской Федерации, опубликованных на сайте «Правосудие» за период с 2013 по 2019 год. База данных, включающая все основные признаки на уровне уголовного дела, была собрана и размещена в открытом доступе в рамках исследования о гендерных различиях в принятии судебных решений (Zhuchkova, Kazun 2023)1. Она включает в себя такие характеристики, как наличие отягчающих и смягчающих обстоятельств, степень рецидивизма, год совершения преступления, пол жертвы, подсудимого и судьи, наличие у подсудимого детей и факт признания полной или частичной вины, то есть позволяет учитывать как легальные, так и некоторые экстралегальные факторы, влияющие на строгость судебного приговора (Ibid.). Данные были извлечены из текстов приговоров с помощью методов машинного обучения и регулярных выражений.
Кейсы из этого датасета составляют около 45% всех дел по части 1 статьи 105, которые были рассмотрены российскими судами в 2013–2019 годах. Во-первых, вопреки формальным предписаниям, суды не публикуют тексты всех приговоров, а во-вторых, рассматривались только кейсы, где часть 1 статьи 105 являлась единственной статьей, по которой обвинялся преступник (Ibid.). Дополнительная информация об уровне преступности и раскрываемости преступлений в регионах была собрана автором в рамках данного исследования с официального сайта Генеральной прокуратуры Российской Федерации (crimestat.ru). Информация о неравенстве доходов, безработице, ВРП и раскрываемости преступлений в регионах взята из баз Единой межведомственной информационно-статистической системы (ЕМИСС). Данные статистики были соединены с базой судебных дел на уровне региона-года.
Уровень убийств в регионе рассчитывался как количество преступлений, квалифицируемых по статье 105 УК РФ за год, на 1000 человек среднегодового постоянного населения в регионе. Неотвратимость наказания измерялась как процент раскрытых дел (количество выявленных лиц, совершивших преступления) от количества дел, зарегистрированных за год в регионе. Этот показатель был выбран как самый оптимальный, так как процент обвинительных приговоров в России достаточно велик (по данным 2017 года, было вынесено всего 1563 оправдательных приговора из 727 085 поступивших в суд уголовных преступлений за вычетом прекращенных дел), следовательно, эта метрика не подходит для измерения неотвратимости наказания.
Для определения доходного неравенства использовался коэффициент Джини, а для оценки безработицы брался показатель, рассчитанный по методологии Международной организации труда. ВРП на 10 000 человек населения в текущих ценах был пересчитан с помощью дефлятора ВВП к ценам 2019 года.

Средние сроки заключения в регионе рассчитывались на основе базы данных по приговорам. Они также агрегировались на уровне региона и года.

 

Стратегия анализа данных

Для ответа на исследовательский вопрос используется регрессионное моделирование. Для выявления детерминант строгости наказания в качестве зависимой переменной используется срок заключения в месяцах, а предикторов — параметры преступления (год, пол подсудимого, судьи и жертвы, наличие отягчающих/смягчающих обстоятельств, является ли преступление рецидивом), а также уровень убийств и уровень раскрываемости преступлений в регионе за предыдущий период (приложение, табл. 1).
Было применено два вида многоуровневых регрессий, так как количество регионов позволяет получить состоятельные оценки подобных моделей (N = 76) (Волченко, Широканова 2016). На первом уровне находятся регионы, а на втором — отдельные судебные кейсы.
Регрессии строились как для межрегиональных, так и для внутрирегиональных сравнений. В последних применялись фиксированные эффекты на уровне региона и года, что позволяло контролировать неизменные региональные особенности и временные тренды.
Для проверки моделей на наличие эндогенности были использованы регрессии с инструментальной переменной, где в качестве прокси для уровня убийств использовалась среднемесячная температура в январе в регионе.
Гипотеза о том, что рецидивы в регионах с высоким уровнем преступности наказываются строже, проверялась с помощью эффекта взаимодействия между уровнем убийств за предыдущий период и рецидивизмом. Переменная рецидива из оригинального датасета была перекодирована из порядковой (степени рецидива) в дихотомическую — наличие или отсутствие рецидива.
Пол разных участников процесса, а также наличие детей у подсудимого были включены в качестве контрольных переменных в связи с тем, что они существенным образом влияют на назначаемый тюремный срок (Zhuchkova, Kazun 2023). Так, например, существует феномен «женской скидки», то есть женщинам при прочих равных назначают более мягкие приговоры, чем мужчинам.
Для определения детерминант преступности в качестве зависимой переменной в регрессиях выступает уровень убийств, а предикторов — раскрываемость преступлений, средние сроки заключения, коэффициент Джини, безработица, ВРП на 10 000 человек населения в регионе за предыдущий период. Эта модель строилась на данных, агрегированных на уровне региона и года (приложение, табл. 2).

 

Результаты

Влияние уровня убийств в регионе на строгость судебных приговоров: межрегиональные сравнения
Результаты показывают, что уровень убийств в регионе действительно определяет строгость наказаний (B = 19,01, p-value = 0,009; B= 16,53, p-value = 0,024): чем он выше, тем сроки тюремного заключения больше (табл. 1). При этом значим и эффект взаимодействия: вторая модель показывает, что в регионах с более высоким уровнем убийств наблюдается тенденция к тому, что рецидивы наказываются строже (B = 13,03, p-value = 0,014). Механизмы сдерживания не разнонаправлены, соответственно, не компенсируют друг друга — с ростом уровня раскрываемости преступлений сроки наказания не снижаются (В = -0,028, p-value = 0,292).

Таблица 1. Результаты многоуровневого регрессионного анализа, зависимая переменная — сроки тюремного заключения в месяцах
Table 1. Results of multilevel regression analysis, dependent variable — prison sentence length in months

	Модель 1			Модель 2
	В	Станд. ошибка	p-value	В	Станд. ошибка	p-value
Константа	104,6	1,702	0,000	104,8	1,704	0,000
Уровень убийств в регионе (лаг в 1 год)	19,01	7,221	0,009	16,53	7,291	0,024
Раскрываемость преступлений (лаг в 1 год)	-0,030	0,262	0,285	-0,028	0,026	0,292
Наличие отягчающих обстоятельств	4,071	0,306	0,000	4,060	0,306	0,000
Наличие смягчающих обстоятельств	-2,893	0,460	0,000	-2,874	0,460	0,000
Жертва является женщиной	4,515	0,342	0,000	4,516	0,342	0,000
Обвиняемая— женщина	-14,30	0,341	0,000	-14,30	0,341	0,000
Судья женщина	-1,157	0,265	0,000	-1,159	0,265	0,000
Наличие у обвиняемого детей	1,548	0,290	0,000	1,549	0,290	0,000
Частичное признание вины	-5,770	0,373	0,000	-5,768	0,373	0,000
Полное признание вины	-6,404	0,335	0,000	-6,397	0,335	0,000
Преступление является рецидивом	14,46	0,474	0,000	13,20	0,618	0,000
Уровень убийств в регионе (лаг в 1 год)* преступление является рецидивом	-	-	-	13,03	5,283	0,014
Годовые фиктивные переменные		да			да
Количество наблюдений	20 265
ICC	0,087
Частичный R^2/полный R^2	0,227/0,303			0,227/0,303

Контрольная группа: 2013 год, преступление не является рецидивом, отсутствие судимости, отсутствие отягчающих/смягчающих обстоятельств, нет детей, мужчина судья/обвиняемый/жертва, отсутствие признания вины.

Наличие потенциальной двусторонней причинно-следственной связи между уровнем убийств и строгостью судебных приговоров создает проблему эндогенности, приводящую к смещенным оценкам модели. С одной стороны, рост числа убийств может провоцировать ужесточение наказаний в целях сдерживания преступности. С другой стороны, более суровые приговоры способны снижать количество преступлений за счет повышения издержек их совершения. Кроме того, источником эндогенности может выступать наличие неучтенных факторов, одновременно воздействующих на обе переменные. Поэтому дополнительно была построена регрессия с инструментальными переменными, где в качестве прокси использовалась среднемесячная январская температура в регионе. Перед построением такой модели данные были агрегированы на уровне региона и года.

Можно ожидать, что этот инструмент будет достаточно сильным, так как «эффект холода», то есть тот факт, что в регионах с более низкими среднегодовыми температурами совершается большее число убийств и нападений, независимо от социально-экономических факторов, таких как употребление алкоголя, ожидаемой продолжительности жизни мужчин и среднего дохода, был подтвержден на российских данных 2014 года. Также с помощью среднемесячных температур было показано, что и в теплых, и в холодных регионах уровень убийств максимален при минимальных температурах. Это объясняется хроническим стрессом и депрессивным состоянием, вызванным пребыванием в условиях низких температур (Prudkov, Rodina 2019), а также проведением большего количества времени в помещении и наличием меньших возможностей для активного отдыха (Andrienko, Shelley 2005).
На наших данных подобная обратная связь подтверждается — чем выше среднемесячная температура в январе, тем ниже уровень убийств в регионе (рис. 1). Тест на силу инструмента показывает, что выбранная переменная достаточно надежна (F-статистика = 353,1, p-value < 0,001).
Утверждение о том, что температура влияет на строгость судебных приговоров только через уровень убийств, отчасти спорно, потому что консенсуса относительно влияния средней температуры воздуха на принятие судебных решений нет. Так, например, в Китае и Австралии было выявлено отсутствие связи между температурой воздуха и сроками, назначаемыми за уголовные преступления, при включении контрольных переменных в модель (Hou, Wang 2020), однако другое исследование говорит о том, что судьи, рассматривающие иммиграционные дела в США, менее склонны принимать благоприятные для заявителя решения при увеличении температуры воздуха на 10 °F (Heyes, Saberian 2019). Авторы предполагают, что рост внешней температуры побуждает судей сокращать время пребывания на улице во время перерывов, что вызывает снижение когнитивной функции и ухудшение настроения.
На наших данных температура, по крайней мере напрямую, не влияет на средние сроки судебных приговоров (рис. 2). Это подтверждает и регрессионный анализ, где в качестве зависимой переменной выступают средние сроки приговоров в регионе, а в качестве предикторов включены среднемесячная температура в январе и годовые фиктивные переменные (В = -0,0714, p-value = 0,162).

 

Рисунок 1. Распределение уровня убийств в регионе и среднемесячной
температуры в январе
Figure 1. Distribution of the murder rate in the region and average monthly
temperature in January

Тест Ву-Хаусмана показывает, что, несмотря на то что среднемесячная температура в январе является хорошим инструментом для замены уровня убийств в регионе, мы не можем принять гипотезу о наличии эндогенности (p-value = 0,676), то есть использование простой линейной регрессии (табл. 2) уместно и скорее всего не ведет к смещению оценок. Такая модель еще раз подтверждает выводы о том, что в регионах с большим уровнем убийств выше средние сроки заключения (B = 21,816, p-value = 0,025).

 

Рисунок 2. Распределение уровня убийств в регионе и среднемесячной 
температуры в январе
Figure 2. Distribution of the murder rate in the region and average monthly 
temperature in January

 

Таблица 2. Результаты регрессионного анализа, зависимая переменная — средние сроки приговоров в месяцах по регионам
Table 2. Results of regression analysis, dependent variable — average sentence lengths in months by region

	B	Станд. ошибка	p-value
Константа	97,985	4,216	0,000
Уровень убийств в регионе (лаг в 1 год)	21,816	0,025	0,025
Раскрываемость преступлений (лаг в 1 год)	0,0116	0,081	0,886
Годовые фиктивные переменные		да
Количество наблюдений		523
R^2/скорректированный R^2		0,054/0,04

 

Контрольная группа: 2013 год. Стандартные ошибки группируются на уровне региона.

 

Влияние уровня убийств в регионе на строгость судебных  приговоров: внутрирегиональные сравнения

Для того чтобы определить, как влияет изменение уровня убийств в регионе на строгость судебных решений внутри этого же региона, помимо кластеризации на уровне суда используются фиксированные эффекты на уровне региона и года для контроля неизменных во времени региональных характеристик и общегодовых тенденций, влияющих на судебную практику (табл. 3).
Без учета эффекта взаимодействия между уровнем убийств в регионе и строгостью судебных приговоров модель демонстрирует, что существует тенденция к тому, чтобы с ростом количества убийств в регионе повышались сроки наказания (B = 17,36, p-value = 0,076). Однако при учете эффекта взаимодействия между уровнем убийств и рецидивизмом оказывается, что с ростом уровня убийств в регио не строже наказываются лишь рецидивы (В = 15,12, p-value = 0,119), а не все преступления в целом (В = 15,12, p-value = 0,119), что может объясняться их особым характером. Вероятно, такие преступления носят не аффективный характер, что мотивирует судей назначать более суровые наказания. Стоит отметить и то, что на уровне региона раскрываемость преступлений также не оказывает никакого  эффекта на строгость наказаний (B = -0,033, p-value = 0,248).

 

Таблица 3. Результаты регрессионного анализа, зависимая переменная — сроки тюремного заключения в месяцах
Table 3. Results of regression analysis, dependent variable — prison sentences in months

 

	Модель 1			Модель 2
	В	Станд.  ошибка	p-value	В	Станд.  ошибка	p-value
Уровень убийств в регионе (лаг в 1 год)	17,36	9,777	0,076	15,12	9,705	0,119
Раскрываемость преступлений (лаг в 1 год)	-0,033	0,029	0,248	-0,033	0,029	0,253
Наличие отягчающих  обстоятельств	4,037	0,323	0,000	4,025	0,323	0,000
Наличие смягчающих обстоятельств	-2,922	0,526	0,000	-2,903	0,525	0,000
Жертва является  женщиной	4,511	0,333	0,000	4,511	0,333	0,000
Обвиняемая — женщина	-14,31	0,319	0,000	-14,30	0,319	0,000
Судья женщина	-1,145	0,307	0,000	-1,147	0,319	0,000
Наличие у обвиняемого детей	1,544	0,296	0,000	1,545	0,296	0,000
Частичное признание вины	-5,775	0,417	0,000	-5,772	0,417	0,000
Полное признание  вины	-6,389	0,394	0,000	-6,382	0,393	0,000
Преступление является рецидивом	14,47	0,393	0,000	13,20	0,725	0,000
Уровень убийств в регионе (лаг в 1 год)* преступление является рецидивом	-	-	-	13,07	6,467	0,043
Количество  наблюдений	20 265
Частичный R^2/полный R^2	0,238/0,306			0,238/0,306

Контрольная группа: преступление не является рецидивом, отсутствие судимости, отсутствие отягчающих/смягчающих обстоятельств, нет детей, мужчина судья/обвиняемый/жертва, отсутствие признания вины. Стандартные ошибки группируются на уровне суда.

 

Для устранения возможной эндогенности в данном случае в качестве инструмента будет также использоваться среднемесячная температура в январе. Однако в силу наличия фиксированных эффектов на уровне региона и года, мы можем включить в модель не только региональные данные, но и характеристики кейсов, то есть спецификация модели будет идентична предыдущей (табл. 4).

Тест на силу инструмента говорит о том, что среднемесячная температура и в рамках региона является релевантным инструментом для замены уровня убийств в регионе (F-статистика = 377,6, p-value < 0,001). Однако тест Ву-Хаусмана и в этом случае не позволяет нам принять гипотезу об эндогенности (p-value = 0,590). Это значит, что оценки, полученные в обычной регрессии с фиксированными эффектами (табл. 4), могут считаться состоятельными.

 

Влияние строгости судебных приговоров на уровень убийств в регионе: межрегиональные сравнения

Результаты регрессии на агрегированных региональных данных, где в качестве зависимой переменной выступает уровень убийств в регионе, показывают, что ни высокая раскрываемость (p-value = 0,322), ни высокие средние сроки приговоров (p-value = 0,538) не влияют на количество убийств в регионе (табл. 4). Модели с лагами в два и три года демонстрируют аналогичные результаты.
Мультиколлинеарности в модели не наблюдается (VIF < 1,8). Тест Бройша-Пагана показывает наличие гетероскедастичности (p-value< 0,001), поэтому использовались робастные оценки коэффициентов, кластеризованные на уровне региона, для учета корреляции внутри наблюдений.

Таблица 4. Результаты регрессионного анализа, зависимая переменная — уровень убийств в регионе 
Table 4. Results of regression analysis, dependent variable — murder rate in the region

	B	Станд. ошибка	p-value
Константа	-0,0286	0,1052	0,786
Средний срок тюремного заключения (лаг в 1  год)	0,0002	0,0004	0,538
Раскрываемость преступлений (лаг в 1 год)	-0,0004	0,0004	0,322
Коэффициент Джини (лаг в 1 год)	0,1025	0,1986	0,606
Безработица (лаг в 1 год)	0,0129	0,0040	0,001
ВРП в ценах 2019 года на 10 000 населения региона (лаг в 1 год)	0,0000	0,0001	0,482
Годовые фиктивные переменные	да
Количество наблюдений	448
R^2/скорректированный R^2	0,424/0,412

Контрольная группа: 2014 год. Стандартные ошибки группируются на уровне региона.

Заключение

Результаты исследования демонстрируют, что логика сдерживания (Becker 1968) частично проявляется в российской судебной практике: судьи склонны ужесточать наказания в регионах с высокой преступностью. Об эффекте нормализации говорить на этом временном отрезке не приходится. Логика сдерживания прослеживается дополнительно и в том, что рецидивы наказываются строже в регионах с более высоким уровнем убийств. Это может объясняться тем фактом, что подобные преступления, вероятно, отличаются по своей природе, не являясь аффективными, что принимается в расчет судьями. Эта тенденция наблюдается и в рамках региона — при повышении уровня убийств именно рецидивы наказываются строже. 
Тем не менее остальные предположения, основанные на теории сдержек, не подтвердились. Во-первых, в рамках региона по мере увеличения количества убийств строже наказываются только рецидивы, а не все подобные преступления. Во-вторых, строгость наказания и уровень раскрываемости преступности не выполняют компенсаторную функцию. При росте раскрываемости сроки приговоров не изменяются. В-третьих, ни раскрываемость, ни средние сроки приговоров не оказывают значимого влияния на уровень преступности. Это может быть связано с уже описанной особенностью преступности в России, а именно с влиянием на нее алкоголя (Андриенко 2001) — в этом случае речь уже не идет о калькулировании издержек от совершения преступления. В исследованиях предыдущих периодов значимая связь между количеством убийств и раскрываемостью, однако, была установлена, что может свидетельствовать о смене характера преступности за эти годы.

Кроме того, возможно, был достигнут «предел» эффективности сдерживания, то есть дальнейшее увеличение, например, сроков наказания уже не может каким-либо образом повысить воспринимаемые издержки, так как они уже достаточно существенны. В пользу этого объяснения говорит тот факт, что процент обвинительных приговоров в России и так крайне высок и эта информация обсуждается в СМИ, что не может не влиять на формирование образа судебной системы.
В целом результаты анализа показывают, что действия судебной системы не согласованы с их последствиями, так как стратегия повышения строгости наказаний не оказывает сдерживающего эффекта. При этом более длительные сроки тюремного заключения могут приводить к излишней нагрузке на пенитенциарную систему. Эффективная стратегия требует смещения ресурсов с карательной системы на изучение и искоренение причин преступности.
Принимая во внимание ограничения исследования, следует подчеркнуть, что для анализа были использованы лишь официальные данные, опубликованные судами. Это означает, что, во-первых, рассматриваются только зарегистрированные преступления, а во-вторых, только те дела, приговоры по которым были опубликованы. Частично это компенсируется тем, что серьезные преступления регистрируются лучше (Андриенко 2001). Кроме того, некоторые детали преступлений невозможно учесть (например, нельзя учесть возраст обвиняемого, поскольку даты рождения не публикуются в текстах судебных решений (Zhuchkova, Kazun 2023)). Также мы не можем контролировать все социокультурные и экономические региональные различия, что отчасти восполняется кластеризацией стандартных ошибок на уровне региона и суда и построением многоуровневых моделей. 
В дальнейшем исследование можно было бы расширить на другие виды насильственных преступлений с менее серьезными последствиями, чтобы проследить, проявляется ли на них эффект нормализации, или они также подчиняются логике сдерживания. Также требует дополнительного изучения влияние увеличения строгости наказаний на уровень рецидивизма (Loeffler, Nagin 2022).