Résumé

Ce travail se consacre à étudier l’influence de la conjoncture socio-économique aux Etats-unis sur la délinquance et l’activité criminelle. Nous avons sélectionné une base de données comportant divers indices en rapport avec cette approche, ce qui nous a permis de trouver les relations qui connectent les variables en question.

Introduction

Quelle qu’en soit la cause, le crime n’a cessé d’augmenter au cours des dernières décennies. Pour certains intellectuels et sociologues, il n’est pas possible d’arrêter cette montée de crime sans changer l’organisation socio-économique.

la structure sociale et économique est elle une cause profonde (root cause) qui entraîne l’accroissement de la délinquance, ce qui transforme celle-ci en une forme de critique sociale ? ou un facteur qui ne serait pas de grande importance comme le prétend l’économiste et sociologue américain Steven Levitt ?

Données

Note base de données est créee à partir des données fournies sur http://www.bea.gov/.

Elle comporte :

Region PIB (en milliards dollars) Taux d’homicide : calculé pour 100.000 habitants policies on drugs : lois concernants l’usage des produits stupéfiants, sur une échelle allant de 1 (lois sévères) à 4 (légalisation des drogues) poverty rate : taux de pauvreté erxprimé en pourcentage de population sous le seuil de pauvreté life exp : espérance de vie à la naissance unemployment : taux de chômage en pourcentage population : nombre d’habitants drugs_users : pourcentage de consommateurs de drogues

Méthodologie

On commencera par extraire les variables actives du jeu de données initial. l’étape suivante consiste à un centrage-réduction de la matrice en question. on obtiendra par suite la matrice de var, définie positive, et on procèdera à sa diagonalisation. Ensuite, une projection sur l’axe principal s’impose. Tout au long de ce travail, on utilisera RStudio pour effectuer l’analyse en composantes prinicpales, en particulier des commandes de FactomineR et factoextra en particulier.

Résultats

Importation des données

bystates <- read.csv2("C:/Users/Firas/Desktop/bystates.csv", row.names=1)
View(bystates)

Décrire le jeu de données

summary(bystates)
##          Region   PIB.milliards..   Taux.d.homicide  Policies.on.drugs
##  Southeast  :12   Min.   :  29.75   Min.   : 0.900   Min.   :0.000    
##  Plains     : 7   1st Qu.:  85.20   1st Qu.: 2.450   1st Qu.:0.000    
##  Far West   : 6   Median : 207.30   Median : 4.000   Median :1.000    
##  Mideast    : 6   Mean   : 348.95   Mean   : 4.298   Mean   :1.353    
##  New England: 6   3rd Qu.: 454.17   3rd Qu.: 5.600   3rd Qu.:2.500    
##  Great Lakes: 5   Max.   :2424.03   Max.   :15.900   Max.   :4.000    
##  (Other)    : 9                                                       
##   poverty.rate      Life.exp      unemployment     population     
##  Min.   : 6.80   Min.   :75.00   Min.   :2.500   Min.   :  586.1  
##  1st Qu.:10.15   1st Qu.:77.70   1st Qu.:3.950   1st Qu.: 1749.5  
##  Median :11.80   Median :78.80   Median :4.700   Median : 4425.1  
##  Mean   :12.38   Mean   :78.62   Mean   :4.737   Mean   : 6302.3  
##  3rd Qu.:14.85   3rd Qu.:79.90   3rd Qu.:5.550   3rd Qu.: 6999.2  
##  Max.   :20.70   Max.   :81.30   Max.   :7.500   Max.   :39144.8  
##                                                                   
##   drug_users.    
##  Min.   : 4.080  
##  1st Qu.: 6.805  
##  Median : 8.220  
##  Mean   : 8.448  
##  3rd Qu.: 9.245  
##  Max.   :13.730  
##

Valeurs propres et inertie

library(factoextra)
library(FactoMineR)
res=PCA(bystates,quali.sup = 1,scale.unit = T,graph=F)
res$eig
##        eigenvalue percentage of variance cumulative percentage of variance
## comp 1 2.97621264             37.2026581                          37.20266
## comp 2 2.06983376             25.8729220                          63.07558
## comp 3 1.80175216             22.5219020                          85.59748
## comp 4 0.41921125              5.2401406                          90.83762
## comp 5 0.31701852              3.9627316                          94.80035
## comp 6 0.27970290              3.4962863                          98.29664
## comp 7 0.12542174              1.5677718                          99.86441
## comp 8 0.01084701              0.1355877                         100.00000
fviz_screeplot(res)

Que peut On remarquer ?

La variation totale (100%) est répartie selon 8 valeurs propres. Le principe consiste à rechercher un coude dans le graphe et de ne conserver que les valeurs propres jusqu’à ce coude.

on observe une brusque décroissance des valeurs propres à partir de la 4ème valeur

Résultats relatifs aux individus

fviz_pca_ind(res,geom=c("point","text"),col.ind="cos2") + scale_color_gradient2(low = 'blue',mid = 'purple',high = 'pink',midpoint = 0.5)

Les résultats numériques nous donneront les contributions des individus à la formation des composantes principales et leurs qualités de représentation. Même s’il s’agit du plan 1-2, les proximités entre individus doivent être interprétées avec prudence : deux points proches l’un de l’autre sur le graphique peuvent correspondrent à des individus éloignés l’un de l’autre. Pour interpréter ces proximités, il est nécessaire de tenir compte des qualités de représentation des individus. Il faut Se méfier également des individus proches de l’origine : mal représentés, ou proches de la moyenne, ils ont, de toutes façons, peu contribué à la formation des axes étudiés.

Résultats relatifs aux variables

Cercle de corrélation

fviz_pca_var(res,col.var = "contrib")

Interprétations et Commentaires

On constate d’après le cercle de corrélation, que les variables qui sont définis par le taux de chômage, le taux de pauvreté et le taux d’homicide sont corrélés : si le taux de chômage ou le taux de pauvreté augmente, cela engendrait une augmentation du taux d’homicide.

Ce résultat peut confirmer l’idée selon laquelle la délinquance serait une réaction à la pauvreté et la marginalisation, et que la cause profonde de la criminalité peut résider dans dans l’inégalité sociale.

Dans le contexte américain, on peut même pousser ce raisonnement jusqu’à dire qu’une partie de la population, pauvre et marginalisée, aurait compris la promesse américaine d’ascension sociale comme une imposture, et qu’elle s’était alors tournée vers des actes criminelles par dépit.

On remarque que les vecteurs “taux d’homicide” et “PIB” forment un angle droit, ce qui nous amène à en déduire une indépendance entre variables. compte tenu de ce que l’on a précédemment conclu, cela n’est pas surprenant, puisque l’augmentation du PIB ne signifie pas forcément une réduction des inégalités sociales ou un changement de l’organisation socio-économique.

On constate que les variables “Espérance de vie” et “taux d’homicide” sont inversement corrélés. Une plus grande espérance de vie peut être le fruit d’une politique économique plus interventionniste, de services sociaux et d’assurances maladie plus efficaces, etc. et donc, indirectement, une réduction du décalage social, ce qui peut par suite expliquer une réduction de la délinquance.

Le résultat le plus surprenant que l’on a pu constater lors de cette analyse est le fait que l’activité criminelle soit inversement corrélée à la dépénalisation des drogues, contrairement à un mythe très répandu et aux préjugés que les médias circulent souvent.

En effet, d’après l’économiste Milton Friedman, si l’on regarde la lutte anti-drogues d’un point de vue purement économique, “le gouvernement ne fait que protéger les cartels et les grands dealers” puisque ceux-ci, dans le cadre d’une guerre anti-drogues, pourraient garder le monopole de vente des drogues, d’où le risque d’une augmentation de la violence et de la criminalité, de la part des gangsters (dont les activités illégales et la violence font partie de leur travail quotidien) qui se trouvent ainsi dans une situation relativement stable.

c’est aussi là où réside l’importance de la thèse avancée par l’économiste et sociologue Steven Levitt, qui défend l’idée que l’absence des libertés individuelles, peut augmenter la délinquance et l’activité criminelle, comme réaction psychologique de l’individu qui se trouve dépourvu d’une partie de ses libertés. Dans ce cas, l’intervention économique peut s’avérer inutile et même dangereuse.

Conclusion

Notre étude affirme que la criminalité est subordonnée à la conjoncture socio-économique, en particulier aux Etats-unis, et que l’injustice sociale, la pauvreté et le chômage peuvent être présentés comme la cause profonde de la délinquance. Compte tenu de ces constats, Il serait imprudent d’en faire une explication monocausale.