indikátor_rendszer_v4

1/194. oldal

„A rendőrség működési hatékonyságát érintő területi és szakági indikátor rendszer kifejlesztése az európai kohéziós politika

reformjának tükrében” című kutatás előtanulmánya (4.0 verzio)

2012. május 23.

Készítette:

Millefolium Stratégia Kft.

2/194. oldal

Az előtanulmány elkészítésében részt vettek:

ifj. Janza Frigyes - közgazdász, területfejlesztési szakértő

Kenedli Tamás - r. őrnagy, Szervezett Bűnözés Elleni Koordinációs Központ – munkatárs

Kis Tamás - szociológus, társadalomkutató

Varga Péter – változáskezelési és stratégiai tanácsadó

3/194. oldal

Tartalomjegyzék

1 Előzmények .............................................................................................................. 6 2 Vezetői összefoglaló.................................................................................................. 8 3 Az előtanulmány kutatási módszertana................................................................... 12

3.1 Az előtanulmány kutatási kerete, összefoglaló.................................................... 12 3.2 Az előtanulmány fókusza ..................................................................................... 15 3.3 Hipotézisek ........................................................................................................... 15 3.4 Az előtanulmány módszertana............................................................................. 15

3.4.1 Dokumentumelemzés .......................................................................................... 15 3.4.2 Kapitányságok szerinti adatok előállítása ............................................................ 15

3.4.2.1 Bűnügyi adatok ......................................................................................................................................... 15 3.4.2.2 Társadalmi-területi adatok ....................................................................................................................... 15 3.4.2.3 Személyi adatok........................................................................................................................................ 15

3.4.3 Elemzési módszer ................................................................................................. 15 3.4.3.1 Kapitányságok összehasonlítása összes bűncselekmény szám és bűncselekmény-típusok szerint .......... 15 3.4.3.2 Az egyes társadalmi-területi adatok egyes bűncselekménytípusok előfordulására gyakorolt hatásának elemzése 15 3.4.3.3 Személyi adatok elemzése ........................................................................................................................ 15

4 Nemzetközi kitekintés............................................................................................. 15 4.1 Szociológiai jellemzők vizsgálata.......................................................................... 15 4.2 Földrajzi jellemzők vizsgálata ............................................................................... 15

5 Összes bűncselekmény alakulása kapitányságonként .............................................. 15 5.1 Bűncselekmények alakulása kapitányságonként ................................................. 15 5.2 Kapitánysági rangsorok ........................................................................................ 15

6 Rendőrkapitányságok sorrendje az egyes bűncselekménytípusok szerint................. 15 7 Társadalmi jellemzők (hogyan hatnak a bűncselekmények alakulására)................... 15

7.1 Összes bűncselekmény......................................................................................... 15 7.1.1 A bűncselekmények teljes számával korreláló változók ...................................... 15 7.1.2 Az összes bűncselekményre közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.1.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.2 Könnyű testi sértés............................................................................................... 15 7.2.1 A könnyű testi sértéssel korreláló változók ......................................................... 15 7.2.2 A könnyű testi sértésre közvetlenül hatással lévő változók regressziós egyenese 15 7.2.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.3 Súlyos testi sértés................................................................................................. 15 7.3.1 A súlyos testi sértéssel korreláló változók ........................................................... 15 7.3.2 A súlyos testi sértésre közvetlenül hatással lévő változók regressziós egyenese15 7.3.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.4 Közúti baleset okozása ......................................................................................... 15 7.4.1 A közúti baleset okozásával korreláló változók.................................................... 15 7.4.2 A közúti baleset okozására közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.4.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.5 Közúti jármű ittas vezetése .................................................................................. 15 7.5.1 A közúti jármű ittas vezetésével korreláló változók............................................. 15

4/194. oldal

7.5.2 A közúti jármű ittas vezetésére közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.5.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.6 Tartás elmulasztása .............................................................................................. 15 7.6.1 Tartás elmulasztásával korreláló változók ........................................................... 15 7.6.2 A tartás elmulasztására közvetlenül hatással lévő változók regressziós egyenese 15 7.6.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.7 Garázdaság ........................................................................................................... 15 7.7.1 A garázdasággal korreláló változók...................................................................... 15 7.7.2 A garázdaságra közvetlenül hatással lévő változók regressziós egyenese .......... 15 7.7.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.8 Közokirat-hamisítás .............................................................................................. 15 7.8.1 A közokirat-hamisítással korreláló változók......................................................... 15 7.8.2 A közokirat-hamisításra közvetlenül hatással lévő változók regressziós egyenese 15 7.8.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.9 Magánokirat-hamisítás......................................................................................... 15 7.9.1 A magánokirat-hamisítással korreláló változók ................................................... 15 7.9.2 A magánokirat-hamisítással közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.9.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.10 Visszaélés okirattal ............................................................................................... 15 7.10.1 Az okirattal való visszaéléssel korreláló változók................................................. 15 7.10.2 Az okirattal való visszaélésre közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.10.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.11 Lopás..................................................................................................................... 15 7.11.1 A lopással korreláló változók................................................................................ 15 7.11.2 A lopásra közvetlenül hatással lévő változók regressziós egyenese.................... 15 7.11.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.12 Betöréses lopás .................................................................................................... 15 7.12.1 A betöréses lopással korreláló változók............................................................... 15 7.12.2 A betöréses lopásra közvetlenül hatással lévő változók regressziós egyenese... 15 7.12.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.13 Sikkasztás.............................................................................................................. 15 7.13.1 A sikkasztással korreláló változók ........................................................................ 15 7.13.2 A súlyos testi sértésre közvetlenül hatással lévő változók regressziós egyenese15 7.13.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.14 Csalás .................................................................................................................... 15 7.14.1 A csalás korreláló változók ................................................................................... 15 7.14.2 A csalásra közvetlenül hatással lévő változók regressziós egyenese................... 15 7.14.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.15 Rablás ................................................................................................................... 15 7.15.1 A rablással korreláló változók............................................................................... 15 7.15.2 A rablásra közvetlenül hatással lévő változók regressziós egyenese................... 15 7.15.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

5/194. oldal

7.16 Rongálás ............................................................................................................... 15 7.16.1 A rongálással korreláló változók........................................................................... 15 7.16.2 A rongálásra közvetlenül hatással lévő változók regressziós egyenese............... 15 7.16.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

7.17 Jármű önkényes elvétele...................................................................................... 15 7.17.1 A jármű önkényes elvételével korreláló változók ................................................ 15 7.17.2 A jármű önkényes elvételére közvetlenül hatással lévő változók regressziós egyenese............................................................................................................................. 15 7.17.3 A regressziós modellben szereplő változók értékei kapitányságonként ............. 15

8 Személyi állomány alakulása és a bűncselekmények................................................ 15 8.1 Erőforrás-mutatók................................................................................................ 15 8.2 Erőforrás korreláció.............................................................................................. 15

8.2.1 Erőforrás mutató I. ............................................................................................... 15 8.2.2 Erőforrás mutató II. .............................................................................................. 15

9 Felhasznált irodalom............................................................................................... 15 10 Ábrák jegyzéke ....................................................................................................... 15 11 Táblázatok jegyzéke................................................................................................ 15

6/194. oldal

1 Előzmények

Az Európai Unió kohéziós politikájának jövőjéről intenzív diskurzus folyik. Az eddig megjelent Bizottsági jogszabálytervezetek, jelentések és állásfoglalások alapján egyértelmű, hogy a regionális politika, a területi megközelítés szerepe növekedni fog az Unió fejlesztéspolitikájában. A Strukturális Alapok és az Európai Mezőgazdasági és Vidékfejlesztési Források (EMVA) felhasználását a jogosult tagországok egységes stratégiai tervezéshez kapcsolva tehetik meg. A tervezés várhatóan a Leader programhoz hasonló területi szinergiákra épülő térségi tervekre alapozódik az eddig, főleg ágazati forrás kihelyezési mechanizmusok helyett.

A mostani fejlesztéspolitikai részben az Unió elvárásai alapján ágazati tervek mentén helyezte ki az Európai Szociális Alap (ESZA) és az Európai Regionális Fejlesztési Alap (ERFA) forrásait, az alapok szerint is elkülönítve. Ebben a formában a kedvezményezetti oldal feladata, hogy a több alapból (ERFA, ESZA, EMVA) és szakmai elvárások mentén érkező fejlesztési forrásokat a térségi igények mentén összekapcsolja. A források szinergiáját biztosító helyi menedzsment azonban nagyon sok helyen (településen, kistérségben) hiányzott, így előtérbe kerültek a pontszerű fejlesztések, amelyek összekapcsolása nem történt meg, így a szinergiahatások nem jöhettek létre.

Az elmúlt években az egyes régiók (NUTS II.), megyék (NUTS III.) és kistérségek (NUTS IV.) támogatáspolitikai eszközrendszerének és beavatkozási területeinek kialakítása során elsősorban gazdasági, társadalmi, szociális, infrastrukturális, oktatási, egészségügyi (stb.) jellemzők figyelembevétele történt meg, azonban a közelmúltban a területfejlesztési szempontrendszer egyre hangsúlyosabb elemévé válik a közbiztonság, mint a helyi életminőséget és gazdasági aktivitást befolyásoló tényező. Egyúttal az is körvonalazódni látszik, hogy az EU a következő időszakban a fejlesztéspolitikai beavatkozások hatékonyságára, eredményességére nagyobb hangsúlyt kíván fektetni, ezért a jövőben a területi kohézió, a felzárkózás mérésére új mutatók, módszerek és szempontok (pl. a közbiztonsági szempont) bevezetése szükségesek.

Ezzel összefüggésben felmerül a kérdés, hogy a közbiztonság megteremtéséért felelős szervezetek, ezen belül a Rendőrség működési hatékonysága, tevékenységének a helyi közbiztonságra gyakorolt hatásmechanizmusai hogyan lehetnének jobban értékelhetők, mérhetők, ezáltal jobban tervezhetők, egyben egy helyi, megyei vagy regionális fejlesztési stratégiába integrálhatók.

A bűnözésföldrajzi kutatások a XIX. század közepéig nyúlnak vissza. Az akkori külföldi és hazai vizsgálatok egyaránt rávilágítottak arra, hogy a bűnelkövetés motivációi között a bármilyen szempontból hátrányos társadalmi helyzet a legmeghatározóbb. Az elkövetett bűncselekmények száma egyrészt összességében magasabb egy ország vagy térség szegényebb, munkalehetőséggel kisebb részben rendelkező, ezért alacsonyabb jövedelmű lakosság által lakott területein, másrészt az iparosítás, a tömeges városba áramlás miatt a társadalmi problémák sora jelentkezett a nagyvárosokban, mely a szegénység és a bűnözés koncentrálódásának összefüggésében is kimutatható.

Magyarországon az egyik első kriminálgeográfiai vizsgálat (1889) megállapította, hogy az ország legszegényebb, legkedvezőtlenebb helyzetben lévő keleti részén volt a legmagasabb a 100 ezer lakosra jutó elítéltek aránya. Később a XX. század első éveit vizsgáló kutatás hasonló eredményre jutott: a 100 ezer lakosra jutó kriminalitás a Duna jobb partján 576,3

7/194. oldal

bűneset/fő, míg a Tisza jobb partján 867 bűneset/fő volt. A kriminalitás területi kutatása a politikai tiltás miatt az 1950-es években jelentősen visszaesett, majd a 60-as években éledt újjá. A községek és városok bűnözési mutatatóit első ízben 1968-ban, járásonként összesítették. Az 1970-80-as években a témát már újabb sajátosságok alapján is vizsgálták: igyekeztek a bűnözés területi aspektusait természeti, etnikai, gazdasági, társadalmi, kulturális, szociális jellemzők alapján is kimutatni. A kriminálgeográfiai munkák a ’80-90-es években jelentek meg a legnagyobb számban. Ekkor a bűnözés tipizálása kapcsán kriminológiai körzetekről esett szó, valamint bűnözési kockázati térképek készültek. Nagy előrelépést jelentett, hogy a ’90-es évek végén a kriminálgeográfiai eredmények a településfejlesztési elképzelésekben is megjelentek, melyek elsőként a turisztikai szempontból koncentrált területekre fókuszáltak, később ez az aspektus számos területfejlesztési koncepcióban is meghatározó volt.

Napjainkban a kriminálgeográfiai elemzések a legmodernebb térinformatikai eszközök felhasználásával készítenek tematikus, a bűncselekmények helyszínének, időpontjának, típusának, elkövetési módjának, a bűnelkövetők, illetve a sértettek lakóhelyének, a potenciális célpontok térbeli ábrázolására és elemzésére is alkalmas bűnözési térképeket, melyek egyben a járőrök által ellenőrzött területek, a távolság szemléltetésére is lehetőséget adnak. Mára feltérképezhetőkké váltak azok a társadalmi-gazdasági tényezők, melyek elősegítik a magas bűnügyi kockázatú környékek beazonosítását, valamint ábrázolhatóak a bűnözés változásai. A térképezésnek különösen fontos szerepe van a rendőrség helyi specialitásoknak is megfelelő bűnmegelőzési tevékenységében. Sajnálatos módon azonban Magyarországon mindezen lehetőségek gyakorlati alkalmazása messzemenően elmarad a nyugati országokban tapasztalható felhasználástól.

A Rendőrség működésének erőforrás- vagy költségalapú megközelítésére, a működési teljesítmény üzemgazdasági szempontú értékelésére és mérésére, valamint ehhez szükséges mutatószámrendszer kidolgozására vonatkozóan több nemzetközi és hazai tanulmányt ismerünk (pl. Az üzemgazdasági szemlélet alkalmazási lehetőségei a rendőrségi vezetésben,

Corvinus Egyetem, 2005, Vállalatgazdaságtan Intézet). Bár a hatékonyság és eredményesség mérésére különböző – leginkább bűnügyi-statisztikai módszereket - alkalmaznak, ez idáig nem alakult ki az értékelések átfogó rendszere, vagy akár az ezek alapján történő erőforrás- és feladattervezés. Egy ilyen rendszer kidolgozása rendkívül komplex és a Rendőrség esetében – tekintettel annak speciális jellegére – igen nehézkes, vagy talán lehetetlen feladat. Azonban egyes, a rendőrségi teljesítményt befolyásoló input1 adatok (mutatók) elemzésével sikerülhet olyan objektív változókat azonosítani, melyek segítségével az erőforrás-tervezés és a teljesítményértékelés adott szempontú indikátorrendszere első körben szervezeti egységek (kapitányságok) szintjén kialakítható, később akár erre egy komplex erőforrás-tervezési modell alapozható.

A folyamat első lépéseként egy pilot program megvalósítását javasoljuk, amely esetünkben egy „előtanulmány” elkészítésével záruló kutatást jelent.

1 Jelen kutatásnak nem célja tehát a klasszikus értelemben vett szervezeti- és folyamatmodellezés és elemzés, de egy ilyen munka megalapozása lehet

8/194. oldal

2 Vezetői összefoglaló

Társaságunk, a Millefolium Stratégia Kft. a Belügyminisztérium Rendészeti Vezetőképző és Kutatóintézet megbízásából 2011 decembere és 2012 áprilisa között előzetes kutatásokat folytatott a rendőrség működési hatékonyságát érintő területi és szakági indikátor rendszer kifejlesztését megalapozó előtanulmány elkészítése érdekében.

Az előtanulmány készítése során azzal a hipotézissel éltünk, hogy ha a Rendőrségi működést annak egyik legkisebb olyan egységén, ahol a területi specifikumok még mérhetők, ugyanakkor a szakági és hatásköri rendszerből adódó differenciáltság is jelen van, nevezetesen a kapitányságok illetékességi területén modellezzük, egyúttal a települési adatok aggregálásával társadalmi, területi és környezeti specifikumokat is figyelembe veszünk, közelebb kerülhetünk az adekvátabb teljesítménycélok kijelöléséhez, a hatékonyabb erőforrás-tervezéshez, a vezetői döntés-előkészítés támogatásához, végső soron pedig a teljesítmények összehasonlíthatóságához.

A munka során 3152 település egyenként 95 társadalmi-környezeti-területi adatát aggregáltuk kapitánysági szintre, valamint összesen 16 bűncselekménytípus (az országosan előforduló 16 leggyakoribb bűncselekmény-típus) kapitánysági adatait és 130 kapitányság adatait használtuk (Budapestet 1 területnek véve). A 95 társadalmi-környezeti-területi adat kiválasztása a korábbi területfejlesztési programok (pl. Leghátrányosabb helyzetű kistérségek programja) keretében használt mutatókat fedi le, illetve bontja tovább. Az egyes térségek fejlettségét a korábbiakban ezen mutatók segítségével, ún. komplex mutató előállításával határozták meg, ezért is tartottuk ezeket a mutatókat relevánsnak elemzésünk szempontjából.

Az előtanulmány keretében az alábbi hat szempontot vizsgáltuk egyenként, valamint kapitányságonkénti összehasonlításban:

1. Összes bűncselekményszám alakulásának vizsgálata kapitányságonként

2. Egyes bűncselekménytípusok szerinti bűncselekményszámok alakulása az összes bűncselekményszám tükrében, kapitányságonként

3. Az egyes társadalmi-területi-környezeti mutatók és az összes bűncselekményszám közötti összefüggések, kapitányságonként

4. Az egyes társadalmi-területi-környezeti mutatók és az egyes bűncselekménytípusokon belüli bűncselekményszám közötti összefüggések, kapitányságonként

5. Az egyes kapitánysági állomány-adatok és az összes bűncselekményszám szerinti alakulás

6. Az egyes kapitánysági állomány-adatok és az egyes bűncselekménytípusokon belüli bűncselekményszám közötti összefüggések vizsgálata

A bűncselekménytípusok kapitánysági adatait a társadalomstatisztikai mutatókkal történő összevetéshez használtuk fel, mivel a bűnözés mérésére többféle forrásból, többféle módszerrel nyert adatok összehangolt rendszerével nem rendelkeztünk. Munkánk során tudatában voltunk annak, hogy a bűnügyi statisztika bár folyamatos fejlődésen ment keresztül, még mindig nem alkalmas a valós bűnügyi helyzet torzításmentes bemutatására. Mai napig nehézségekbe ütközik a latens bűnözés mérése, a szubjektív biztonságérzet

9/194. oldal

alakulásának feltárására alkalmas közvélemény-kutatások eredményeinek közös statisztikai rendszerben történő kezelése.

Az előtanulmány elkészítésének legfőbb célja az volt, hogy az egyes adatjellegek (bűncselekmények, társadalmi adatok, állomány-adatok) között a lehető legtöbb szempont szerint keressünk összefüggéseket, valamint kereszt-összefüggéseket. A társadalmi, környezeti és területi adatok esetében minden bűncselekménytípus esetén korrelációs összefüggéseket kerestünk, majd regressziós modellt alkalmazva megállapítottuk, hogy mely települési szintű adatok korrelálnak teljes bizonyossággal az egyes bűncselekményi adatokkal, valamint mely személyügyi adatok korrelálnak teljes bizonyossággal az egyes bűncselekménytípusokkal. Az egyes számítások eredményeinek összegzésekor minden esetben kapitánysági rangsort is felállítottunk.

Tekintettel arra, hogy az adatmennyiség igen széleskörű volt (összes település, összes kapitányság), az eredmények „valódiságához” nem férhet kétség, ugyanakkor számos esetben olyan összefüggéseket találtunk, melyek további, sokkal összetettebb jelenségek és összefüggések megmagyarázását igénylik (egy példa: a lopások számának mértékét egyik legerősebben mértékben befolyásoló pozitív változó a közüzemi ivóvízhálózatba bekapcsolt háztartások aránya, ami nyilvánvalóan a szegénységet leginkább leíró tényező…)

A főbb megállapítások: 1. Az egyes kapitányságok bűncselekmény-típusok szerinti eredménye között még objektív

változók használata esetén is jelentős eltérés van

2. Egyes kapitányságok az összes bűncselekményszám szerinti rangsorban elfoglalt helyükhöz

képest egyes bűncselekménytípusok esetén jelentősen eltérnek a fő helyezésüktől, az

bűncselekménytípusok szerinti eltérések átlagos mértéke alapján kialakított rangsorban

szignifikáns eltérések találhatók

3. A kiválasztott 95 társadalmi-területi-környezeti adatból egyértelműen kiválasztható az az

általában 2-3 változó, ami szignifikánsan befolyásolja az adott bűncselekmény előfordulását

4. A közrend, bűnügy és közlekedés (mint a kiválasztott 16 bűncselekménytípusra leginkább

ható szakágak) teljes létszámon belüli létszámaránya, illetve az 1000 főre futó arányuk

egyaránt meglepő eredményeket, gyakran negatív korrelációt mutatnak a bűncselekmények

számával (pl. a legkevesebb összes bűncselekmény számmal rendelkező kapitányság az

utolsó előtti, 129. legrosszabb létszámaránnyal rendelkezik, miközben a legjobb

létszámaránnyal rendelkező kapitányság csak a 93. helyezett)

5. A ráfordított erőforrások és a bűncselekménytípusok szerinti bűncselekményszámban is

megjelenő „hasznosulásuk” alapján a kapitányságok között jelentős különbség van

6. Az egyes kapitányságokat (az eltérések miatt) alaposabb, leginkább szervezeti megközelítésű

vizsgálatnak szükséges alávetni

Összegzés, a tanulmány hasznosulása, újszerűsége:

Az előtanulmány elkészítésének elsődleges célja a hatékonyság mérése belső adatok alapján és a működési környezet figyelembevételével. E vizsgálat keretében arra kaphatunk választ, hogy miért fontos, hogy a helyi környezet figyelembevételével korrigálásra kerüljenek a belső hatékonysági mutatók, egyben lehetséges-e, hogy a komplex tervezés alapján előre látható lesz, hogy pl. társadalmi, környezeti és egyéb változások következtében milyen irányban várhatók a rendőrségi hatékonysági és eredményességi mutatók változásai.

Az előtanulmányban a hatékonyság azt jelenti, hogy az inputokat úgy kell felhasználni, hogy a legtöbb outputot tudjuk előállítani. Az eredményesség viszont a célok eléréséhez

10/194. oldal

kapcsolódik (a Rendőrség tehát akkor eredményes, ha a bűnözés csökkentése és a rend fenntartása együtt jár az állampolgárok bizalmának és támogatásának megtartásával és növekedésével).

Fontos megjegyezni, hogy az előtanulmány elsősorban egy használható, a hatékonyságot előtérbe helyező modell-építési módszertant ajánl, számos tekintetben csak alapvetéseket fogalmaz meg, mélyebb vizsgálatokba nem bocsátkozik. A bevont adattartalom, de különösen az összefüggések mélyebb vizsgálata, az ok-okozati viszonyok alapos kivizsgálása további, több tudományágat bevonó erőfeszítést igényel, különösen azért, mert az egyes változók esetében 2010-es, statikus adatokat vizsgáltunk, másrész azért, mert az egyes megállapításaink (különösen az állomány-adatok és a bűncselekmények alakulásának összefüggése esetében) csupán arra mutatnak rá, hogy egyes kapitányságok esetében olyan szignifikáns eltéréseket találtunk, melyek mindenképp „meglepőek”, azonban további alapos kutatásra szorulnak.

Az előtanulmány készítése során a témában korábban több hazai kutatás közül behatóbban Szabó András, a fiatalkorúak büntetőjoga és bűnözése, a bűnözés településhálózati megoszlását és ennek társadalmi-gazdasági vetületét érintő munkásságát, Vavró István, a közbiztonsági és bűnügyi helyzet és különböző társadalmi – főként demográfiai, korspecifikus kriminalitással összefüggő - mutatók közöttii összefüggéseket vizsgáló, valamint a bűnügyi és közbiztonsági statisztikákkal kapcsolatos munkáit, Korinek László a bűnözési elméletek és a kriminológia empirikus módszereivel foglalkozó munkáit, Dános

Valér a társadalmi helyzet és kriminalitás összefüggéseit vizsgáló kutatásait, valamint Pusztai

László kriminálprognosztikai tanulmányait vizsgáltuk meg.

A bűnözés és a területi-társadalmi-környezeti mutatók összefüggéseivel kapcsolatban az összes eddigi, általunk tanulmányozott munka mélyreható választ ad számos kérdésre, továbbá ismerünk a Rendőrség szervezeti működésére, annak reformjára vonatkozó kutatásokat is (pl. Az üzemgazdasági szemlélet alkalmazási lehetőségei a rendőrségi

vezetésben, Corvinus Egyetem, 2005, Vállalatgazdaságtan Intézet, Chikán Attila vezetésével),

azonban e 3 adatjelleg összekötésére, ennek statisztikai, matematikai modellezésére, illetve a modellezés módszertanára vonatkozóan reményeink szerint egy nagyobb léptékű kutatás keretében - néhány tekintetben már jelen előtanulmány keretében is - sikerülhet újszerű megközelítést alkalmaznunk:

Ha az előtanulmányban általunk használt 3 különféle adatjelleget (bűnesetek, környezeti

mutatók, állomány-adatok) megfelelő összefüggésrendszerben használjuk, akkor

meggyőződésünk szerint kialakítható egy olyan modell, sőt akár kapitánysági szintű képlet

is, mely mind a 4 dimenziót (összes bűncselekmény, bűncselekmény-típusok, társadalmi-

területi befolyásoltság, személyi állomány létszáma és erőforrásai) megfelelő súllyal képes

kezelni (a kereszt-hatásokat is figyelembe venni), és aminek legfőbb outputja az állomány

személyi-, szervezeti és pénzügyi tervezéséhez szükséges információ. Egy ilyen képlet

előállítása egy nagyobb kutatás eredménye lehet, ugyanakkor, akár minden évben (tervezési

időszakban) az aktuális input adatokkal feltöltve, a jelenleginél sokkal jobban árnyalt és

sokkal adekvátabb kapitánysági tervezési adatokat szolgáltathat, ami végső soron a

következőt jelenti: ha ismerjük egy adott bűncselekménytípus és adott társadalmi-területi adat közötti korrelációt, valamint ismerjük a létszám- és erőforrás adat és az adott bűncselekménytípus közötti korrelációt, a területi-társadalmi adat trendszerű változása egyben input adat az adott bűncselekményt kezelő szakág, vagy szervezeti egység (stb.) létszámának és erőforrásainak tervezésekor.

11/194. oldal

Ehhez az előtanulmányban leírt, statikus módszertanhoz képest sokkal alaposabb, dinamikus és trendszerű, kapitányságonkénti elemző munkát szükséges elvégezni. Ez a munka akár 2-3 év időtartamú is lehet.

12/194. oldal

3 Az előtanulmány kutatási módszertana

3.1 Az előtanulmány kutatási kerete, összefoglaló

Az előtanulmány a kistérségek fejlesztésében szerzett tapasztalatokra alapult. A kistérség fejlesztés az elmúlt évek során jelentős átalakuláson ment keresztül. A tapasztalatok eredménye például, hogy az szakmában eddig mereven elkülönülő vidékfejlesztést és területfejlesztést helyi szinten nem lehet élesen elválasztani. A helyben érintett szereplők számára a térség, a kistérség, egységes gazdasági, szociális és természeti környezetként jelenik meg, és a mindennapi élet során nem osztják fel közigazgatási, közszolgáltatási, infrastrukturális, szociális funkciókra, ágazatokra.

A hazai térségfejlesztés fejlődését mutatja, hogy az új elképzelésekben a térség működését leginkább egy egységes szervezethez hasonlítja, amely a különböző érintett csoportok részére, igényeik kielégítésére megfelelő képességekkel, kompetenciákkal2 bír. A szervezet, akár egy személy rendelkezhet kompetenciákkal, amelyek alapján képes az azonnali és távlati feladatok kezelésére, problémák megoldására. A szervezetek stratégiai fejlesztése során egyre több esetben alkalmazzák, konkrét célok, célrendszerek megtervezése helyett a szükséges szervezeti kompetenciák meghatározását. A szervezeteket körülvevő külső tényezők jelentősen befolyásolják a szervezetek lehetőségét, így a működését és hatékonyságát is. A részletesen megfogalmazott célok és célrendszerek függenek a külső körülményektől, így nagy odafigyelést igényel az állandó karbantartásuk, aktualizálásuk, valamint a tervezés során is pontosan meg kell határozni a célokat befolyásoló külső tényezőket. A kompetencia alapú szervezetfejlesztés során azonban a szervezet által birtoklandó kompetenciák kerülnek meghatározásra, amelyek segítenek a külső környez változását is kezelni, valamint biztosítják az szervezet működési területeinek folyamatos működését.

Az előtanulmány során felállított hipotézis, miszerint egy adott térségben a térséget leíró társadalmi, gazdasági, környezeti adatok, az elkövetett bűncselekmények és az adott térség rendőrkapitányságának erőforrás adatai között kapcsolat mutatható ki a szervezetek működését elemző módszertannal kívántuk elemezni és bizonyítani. A módszertanban a térséget, valamint a térségben működő rendőrkapitányságot is önálló szervezetként vizsgáltuk. Az előtanulmányban elsősorban a három tényező közötti összefüggés létét vizsgáltuk, az összefüggést leíró mutatók (indikátorok) előállítása egy következő részletes kutatás lehetséges célja. Az indikátorok előállításával és a három terület folyamatos monitorozásával lehetőség nyílik proaktív beavatkozások indítására, mind az erőforrások tervezése, mind a térségi fejlesztések tervezése (a térségi környezet változtatása) révén.

Az előtanulmányt a fenti körülmények figyelembevételével a kompetenciára alapozott térségi fejlesztésre való felkészülés céljából terveztük meg és készítettük el. Alapul vettük a térség (esetünkben kapitányság) mint egységes szervezet feltételezést és feltételeztük, hogy a térség lakosságának túlnyomó része számára elvárt kompetenciaként jelenik meg a magas közbiztonság. A kompetencia azt jelenti, hogy a lakosság a térségben működő szervezetektől, köztük a rendőrségtől elvárja, hogy képes legyen a magas közbiztonság érzését létrehozni és fenntartani.

2 A kompetenciák a szervezetnek olyan képességei, amelyek szükségesek a meglévő külső és belső hajtóerők mellett a sikeres működéshez;

13/194. oldal

A közbiztonság, mint kompetencia két részből tevődik össze, egyrészt mérhető, objektív tényekből (hatékonyság), másrészt az érintettek által érzékelt (átvett, létrehozott) közhangulatból, vagyis a közbiztonság kompetenciának csak egy részét biztosítja a rendőrség által képviselt működési terület (célhoz kötött eredményesség)3.

A könnyebb átláthatóság kedvéért mátrixban ábrázoljuk az összefüggéseket. A mátrix oszlopai a térség elvárt kompetenciái, sorai a működés területei.

1. ábra – Kompetencia mátrix felépítése

A

B

C

D

...

1 2 3 4 5 ...

Proj

Proj

...

Proj

Proj

Proj

Proj

Proj

Proj

...

Kompetenciák

Mő

ködé

si te

rüle

tek

Küls ı és bels ı hajtóer ık

A

B

C

D

...

A

B

C

D

...

1 2 3 4 5 ...1 2 3 4 5 ...

Proj

Proj

...

Proj

Proj

...

Proj

Proj

Proj

Proj

Proj

Proj

Proj

Proj

Proj

Proj

...

Proj

Proj

...

Kompetenciák

Mő

ködé

si te

rüle

tek

Küls ı és bels ı hajtóer ık

A mátrixban további működési területként szerepelhet, például az oktatás, az egészségügy, a gazdaság, a szociális háló, a tömegközlekedés. A kompetenciák közt szerepelhet például a jövedelem megszerzésének biztosítása, a magas színvonalú oktatás biztosítása és az élhető környezet biztosítása.

2. ábra – Térségi kompetencia mátrix

Magas közbiztonság

Tények, fejlesztés lehetıségek


...

Jövedelem megszerzésének

biztosítása

Tények, fejlesztés lehetısége


Élhetı környezet



...

Magas színvonalúoktatás elérése

Kompetenciák

Mő

ködé

si te

rüle

tek

oktatás

egészségügy

rendfenntartás

közlekedés

Magas közbiztonság



...

Jövedelem megszerzésének

biztosítása

Tények, fejlesztés lehetısége


Élhetı környezet



...

Magas színvonalúoktatás elérése

Kompetenciák

Mő

ködé

si te

rüle

tek

oktatás

egészségügy

rendfenntartás

közlekedés

A mátrixból kitűnik, hogy a közbiztonság, mint elvárt térségi kompetencia több működési területtel is kapcsolatban, kölcsönös hatásban áll. Az előtanulmány elkészítésének egyik célja ezeknek a kapcsolatoknak az elemzése volt.

3 A működési területek jelentik a kistérségi intézményrendszernek azon részeit, ahol különféle akciókat kell végrehajtani a felzárkózás érdekében.

14/194. oldal

Az előtanulmány ezzel összefüggő további célja a rendőrségi munka erőforrás felhasználásának hatékonysága és a működési környezet közötti kapcsolat elemzése, a kölcsönhatások feltárása volt. A hipotézisek között szerepelt, hogy a térségi kompetenciákat befolyásoló külső tényezők hatással vannak az adott térség rendőri erőforrásainak felhasználásának hatékonyságára.

Amennyiben a hipotéziseink igazolhatók, akkor modellezhetővé válik a térségi működési területek és kompetenciák fejlesztése kapcsán a várható közbiztonsági kompetenciaváltozás és az rendfenntartásra fordított erőforrás hatékonysága.

A térségi működési területek és kompetenciák összefüggésére vonatkozó statisztikai modell csak ágazati részterületekre állt rendelkezésre. A teljes képet vizsgáló holisztikus modellt ebben a témában nem találtunk. Az előtanulmányt pilotként kezeltük, vagyis az összefüggések feltárásában nem alkalmaztunk hipotézist, hanem ahhoz a térségek működési területeit leíró, összes rendelkezésünkre álló adatot felhasználtuk. Az eredeti koncepció alapján az LHH (Leghátrányosabb Helyzetű Kistérségek fejlesztési programja) programból származó kistérségi adatokkal dolgoztunk volna, azonban a kistérségek és a rendőrkapitányságok területe nem fedik egymást, és település szintű adatok hiányában nem tudtuk korrigálni a kistérségi adatokat. Így a KSH-tól megvásárolt település szintű adatokból „építettük fel” a rendőrkapitányságok térségét.

Az első lépésben a működési területek adatait a bűnözés tényadatait vetettük össze, az összes rendőrkapitányság térségében. Bár hasonló kutatás már többször készült, főleg a társadalmi, szociális és képzettségre vonatkozó adatokkal, az elptenulmányban 95 db adattípust vetettünk össze a bűnözési statisztikákkal. A már ismert szociális és társadalmi összefüggések mellett több más működési területtel kapcsolatos összefüggést is sikerült feltárni.

Az előtanulmányben a területi adatok megválasztását a minél több működési terület lefedése indokolta, mivel nem akartunk előzetes hipotézissel élni a kompetenciák és működési területek kapcsolatát illetően.

A második lépésben kerestük a kapcsolatot a rendfenntartás, mint működési terület és a mátrix többi eleme (működési területek és kompetenciák) között. A kapcsolatok feltárásához hasonlóan a 95 adattípust, a bűnözéséi adatokat és a rendőrségi erőforrás (létszám) adatokat használtuk.

A statisztikai elemzés bizonyította, hogy a térségi kompetenciák és működési területek rendszerében összefüggés van a térségi rendőrség (rendőrkapitányság) erőforrás felhasználásának hatékonysága és a környezetet (társadalmi, gazdasági) leíró adatok között. Azonban a pontos kapcsolat meghatározásához, a hatásmechanizmusok feltárásához részletes elemzése, valamint a teljes térségi kompetencia mátrix feltöltésére lenne szükség.

A társági kompetencia mátrix modellje alkalmas az egyes működési területek (így a rendfenntartás is) hatékonyságának elemzésére, a holisztikus környezeti összefüggések vizsgálata mellett.

A kialakított kompetencia modellt illesztettük a térségi szervezetek teljesítmény modelljéhez. A szervezeti teljesítményt az egymásra ható tényezők komplex rendszere határozza meg. Ennek egyik közismert modellje a Burk-Litwin szervezeti teljesítmény modell.

15/194. oldal

3. ábra – A szervezeti teljesítmény modellje

Küls ıkörnyezet

Érintettek EgyüttmőködıszervezetekHelyi közösségek BeszállítókMunkaerı piacokSzabályozásLokáli gazdasági és jövedelmi helyzetLokáli kulturális, szociális és társadalmi helyzetLokális infrastrukturális és helyzet

Küldetés, jövıkép

Hosszútávújövıkép és küldetés

Szervezeti stratégiák

Hosszútávú és középtávúszervezeti célokKülsı és belsıhajtóerık és elvárásokSzervezetfej-lesztési stratégia

Szervezeti struktúra

Formális struktúraFeladatok és felelısségek

VezetésCélok kitőzése, kommunikálásaMobilizálásElkötelezettség

Szervezeti kultúra

Értékek, szimbólumok, morál…

Vezetıi gyakorlat, folyamatok

Mőködés tervezéseDöntés, delegálásEllenırzésInformációmenedzsmentVezetési infrastruktúraMonitoringVisszacsatolás lehetısége

EmberekEgyéni képességekKépesség összetételCsapatok

Technológia, módszertan

Mőködés módszertana TtechnológiákInnováció

FolyamatokSzakmai folyamatok (bőnüldözés, stb.)Ügyfélkezelés

Küls ıÉrintettek elégedettségeÉrintettek együttmőködésePanaszok számaImageStb.

BelsıSzervezeti alap kompetenciákMunkahelyi légkörHatékonyságMunkaerımotiválásaVáltozási képességSzervezeti teljesítményEgyéni teljesítményInnovációk számaKöltségekstb.

STRATÉGIAI TÉNYEZİK OPERATÍV TÉNYEZİK Szervezeti teljesítmény

Visszacsatolás

Küls ıkörnyezet

Érintettek EgyüttmőködıszervezetekHelyi közösségek BeszállítókMunkaerı piacokSzabályozásLokáli gazdasági és jövedelmi helyzetLokáli kulturális, szociális és társadalmi helyzetLokális infrastrukturális és helyzet

Küldetés, jövıkép

Hosszútávújövıkép és küldetés

Szervezeti stratégiák

Hosszútávú és középtávúszervezeti célokKülsı és belsıhajtóerık és elvárásokSzervezetfej-lesztési stratégia

Szervezeti struktúra

Formális struktúraFeladatok és felelısségek

VezetésCélok kitőzése, kommunikálásaMobilizálásElkötelezettség

Szervezeti kultúra

Értékek, szimbólumok, morál…

Vezetıi gyakorlat, folyamatok

Mőködés tervezéseDöntés, delegálásEllenırzésInformációmenedzsmentVezetési infrastruktúraMonitoringVisszacsatolás lehetısége

EmberekEgyéni képességekKépesség összetételCsapatok

Technológia, módszertan

Mőködés módszertana TtechnológiákInnováció

FolyamatokSzakmai folyamatok (bőnüldözés, stb.)Ügyfélkezelés

Küls ıÉrintettek elégedettségeÉrintettek együttmőködésePanaszok számaImageStb.

BelsıSzervezeti alap kompetenciákMunkahelyi légkörHatékonyságMunkaerımotiválásaVáltozási képességSzervezeti teljesítményEgyéni teljesítményInnovációk számaKöltségekstb.

STRATÉGIAI TÉNYEZİK OPERATÍV TÉNYEZİK Szervezeti teljesítmény

Visszacsatolás A modell lényege, hogy a szervezeti teljesítmény a környezettől nem független, azt jelentősen befolyásolja mind a stratégiai, mind operatív szinten. A modell alkalmas arra, hogy kompetencia mátrix-szal együtt elemezzük a térségben működő szervezeteinek, mint a térség működési területeit üzemeltetőinek kapcsolatát a térségi kompetenciák létrehozásában.

A Burk-Litwin modell megfelelő kiegészítésekkel a rendőrkapitányságok esetében is alkalmazható. A külső környezet, ami egyrészt a többi működési terület, másrészt a már működő térségi kompetenciák közreműködik a térségi rendőrkapitányság stratégiai tényezőinek kialakításában és az operatív működés megtervezésében, az erőforrás felhasználásban.

Az előtenulmány során a pilot eredményeire építve kívánjuk vizsgálni egyrészt a kompetencia mátrix belső összefüggéseit, elsődlegesen a rendvédelem, mint működési területtel kapcsolatban. Másrészt térségi rendőrkapitányságok teljesítménymodellje és a kompetencia mátrix összefüggései alapján később olyan modellt kívánunk kialakítani, amely a külső tényezőket is beépíti, figyelembe veszi a rendőrkapitányságok teljesítmény vizsgálatában.

3.2 Az előtanulmány fókusza

A munka előzetes tervezési szakaszában 47 hátrányos helyzetű kistérség, illetve 78 nem hátrányos helyzetű kistérség területi-társadalmi adatainak elemzését és a közbiztonsági helyzetre gyakorolt hatásának vizsgálatát tűztük ki célul. Tekintettel azonban arra, hogy egyrészt a kistérségi illetékességi terület és a kapitánysági illetékességi terület egymástól eltér, valamint arra, hogy nem állnak rendelkezésre kapitánysági illetékességi területi szintű társadalmi adatok, a településszintű adatokból indultunk ki, majd a településekből a kapitányságokat „felépítve” jutottunk kapitánysági szintű adatokhoz. Ezeket aztán 1000 főre arányosítottuk, tekintettel a kapitánysági illetékességi területek eltérő népességszámára.

16/194. oldal

Szintén akadályba ütköztünk akkor, amikor az eredetileg tervezett hátrányos helyzetű és nem hátrányos helyzetű térségek összevetését tűztük ki célul, mivel önmagában nem a közbiztonsági helyzet hátrányos vagy nem hátrányos helyzet általi determináltságát akartuk vizsgálni, hanem a társadalmi-területi mutatók, az egyes bűncselekménytípusok előfordulása és a rendőrségi erőforrások közötti kapcsolatot keresni, valamint az egyes kapitánysági eredményeket összehasonlíthatóvá tenni.

Az előtanulmány ezért végül az összes (3152) település, 130 rendőrkapitányság (Budapest összesítve), 16 bűncselekménytípus és 130 db kapitánysági személyügyi kimutatás alapján készült, az alábbi fókuszokat figyelembe véve:

Összes bűncselekményszám alakulásának vizsgálata kapitányságonként

1. Egyes bűncselekménytípusok szerinti bűncselekményszámok alakulása az összes bűncselekményszám tükrében, kapitányságonként

2. Az egyes társadalmi-területi-környezeti mutatók és az összes bűncselekményszám közötti összefüggések, kapitányságonként

3. Az egyes társadalmi-területi-környezeti mutatók és az egyes bűncselekménytípusokon belüli bűncselekményszám közötti összefüggések, kapitányságonként

4. Az egyes kapitánysági állomány-adatok és az összes bűncselekményszám szerinti alakulás

5. Az egyes kapitánysági állomány-adatok és az egyes bűncselekménytípusokon belüli bűncselekményszám közötti összefüggések vizsgálata

3.3 Hipotézisek

Hipotézis-1:

Egyes területi karakterisztikák és egyes közbiztonsági helyzetre vonatkozó adatok között eltérő mértékű összefüggés számszerűsíthető.

Hipotézis-2:

Azonosítható néhány olyan területi mutató, amelyből a közbiztonsági helyzetet befolyásoló vonatkozó aggregált mutatószám alakítható ki.

Hipotézis-3:

Az egyes területi adatok eltérő súllyal befolyásolják a közbiztonsági helyzetet.

Hipotézis-4:

Az egyes területi adatok eltérő súllyal hatnak a különböző bűncselekménytípusokra, országosan azonban kiválaszthatók a legnagyobb arányban egymással korreláló változók.

Hipotézis-5:

A különböző szakágakban tevékenykedő, abszolút értékben és lakosságszámra arányosított rendőri létszámok kapitányságonkénti értéke és az egyes bűncselekmény-típusok között, területi jellemzők között összefüggés van

17/194. oldal

3.4 Az előtanulmány módszertana

3.4.1 Dokumentumelemzés

A dokumentumelemzés segítségével a nemzetközi és uniós trendek, kihívások és az azokra adott közösségi és tagállami válaszok kerülnek feldolgozásra. A dokumentumelemzés célja a kérdéssel foglalkozó (nem túl számos) tanulmány áttekintése és elemzése4. A területi megközelítés fontosságáról, illetve a területi és tematikus megközelítés viszonyrendszeréről jelentősebb gyakorlati tapasztalat jelent meg az elmúlt években, például a hátrányos helyzetű kistérségeket célzó programok során.

3.4.2 Kapitányságok szerinti adatok előállítása

A munka első fázisában a vizsgált 3 dimenzió (bűnügyi adatok, területi-társadalmi statisztikák és személyi létszámok) adatainak begyűjtésére és előállítására került sor.

3.4.2.1 Bűnügyi adatok

Összesen 16 bűncselekménytípus került kiválasztásra és a kapitányságonként adatbázisba rendezése. A bűncselekménytípusokat kapitányságonként 1000 főre vetítettük. Minden adat a 2010-es évre vonatkozik. A kiválasztott bűncselekmény típusok:

1. Testi sértés - könnyű

2. Testi sértés - súlyos

3. Közúti baleset okozása

4. Közúti jármű ittas vezetése

5. Tartás elmulasztása

6. Garázdaság

7. Közokirat-hamisítás

8. Magánokirat-hamisítás

9. Visszaélés okirattal

10. Lopás

11. Betöréses lopás

12. Sikkasztás

13. Csalás

14. Rablás

15. Rongálás

16. Jármű önkényes elvétele

A közbiztonság megítélésének kiemelkedő jelentőségű eleme a bűnügyi helyzet alakulása. Mindemellett azonban figyelembe kell vennünk azt a körülményt, hogy a közbiztonság és a bűnügyi helyzet nem azonos fogalmi kategóriák. A közösség rendezett állapotait sértő vagy veszélyeztető normaszegések köre ugyanis lényegesen tágabb, mint az ismertté vált

4 A témával behatóbban foglalkozó ismert elemzések (példa jelleggel): National Institute of Justice elemzései, Alternative Measures of Police Performance, az osztrák belügyminisztériumi reform, az angol modell, a Corvinus Egyetem 2005-ben készült kutatási záró tanulmányai (üzemgazdasági szemlélet a rendőrségnél), stb.

18/194. oldal

bűncselekmények összessége. Amennyiben arra törekszünk, hogy a közbiztonság elemzését az egyén, illetve a lakosság biztonságérzetére, illetve biztonsági igényeire tekintettel értékeljük, még inkább figyelembe kell venni a biztonság soktényezős jellegét. Igazolt tapasztalat ugyanis, hogy a társadalom biztonságérzetét nem csupán a bűnözés alakulása, az egyes bűncselekmények előfordulásának gyakorisága, a köznyugalmat sértő szabálysértések száma és jellege, a közlekedési viszonyok rendezettsége, hanem a közmorál állapota, a kábítószer fogyasztás és az alkoholizmus elterjedtsége, a nyílt utcai prostitúció irritáló megjelenési formái, sőt a közterületek rendezettsége, avagy rendezetlensége is befolyásolja.

A lakosság szubjektív biztonságérzetére leginkább ható körülmény bizonyos bűncselekmények megjelenésének intenzitása. Az ismertté vált bűncselekményeket részletesebben vizsgálva megállapítható, hogy a Büntető Törvénykönyv különös részében szereplő több mint kétszáz törvényi tényállásból az elmúlt tíz év során 25 tényállás tette ki az ismertté vált bűncselekmények több mint 90%-át.

1. Táblázat – Leggyakrabban előforduló bűncselekmények

1999 2004 2008

Összes bőncselekmény 505716 Összes bőncselekmény 418883 Összes bőncselekmény 408407

Lopás 172963 Lopás 138519 Lopás 127125

Betöréses lopás 81184 Betöréses lopás 44679 Betöréses lopás 43002

Csalás 52269 Csalás 26367 Sze. v. szerz.joghoz k. j. m.. 33521

Visszaélés okirattal 22114 Visszaélés okirattal 22498 Csalás 30194

Rongálás 17895 Sze. v. szerz.joghoz k. j. m.. 19046 Visszaélés okirattal 24432

Magánokirat-hamisítás 17636 Magánokirat-hamisítás 18667 Rongálás 16276

Sze. v. szerz.joghoz k. j. m.. 13623 Rongálás 17454 Magánokirat-hamisítás 15401

Közokirat-hamisítás 13555 Közokirat-hamisítás 14136 Közúti jármő ittas vezetése 11523

Közúti jármő ittas vezetése 12623 Közúti jármő ittas vezetése 13758 Garázdaság 10786

Bankkártya-hamisítás 9396 Garázdaság 10757 Közokirat-hamisítás 8812

Testi sértés – súlyos 8035 Testi sértés - súlyos 8158 Testi sértés - súlyos 7888

Garázdaság 7706 Visszaélés kábítószerrel 6675 Visszaélés kábítószerrel 5458

Embercsempészés 6499 Tiltott pornográf felv. visszaél. 5832 Testi sértés - könnyő 5160

Sikkasztás 6497 Testi sértés - könnyő 4671 Készpénz-hely. fiz. eszk. viél. 4955

Közúti baleset okozása 4205 Sikkasztás 4651 Egyedi azonosító jel megham. 3890

Jármő önkényes elvétele 4169 Egyedi azonosító jel megham. 4559 Közúti baleset okozása 3718

Orgazdaság 3736 Közúti baleset okozása 4507 Sikkasztás 3534

Rablás 3167 Rablás 3227 Rablás 3128

Testi sértés - könnyő 3014 Adó-, társadalombiztosítási csalás 3113 Számvitel rendjének megsértése 3124

Visszaélés kábítószerrel 2860 Jármő önkényes elvétele 3073 Zaklatás 2896

Pénzhamisítás 2833 Tartás elmulasztása 2771 Tartás elmulasztása 2586

Egyedi azonosító jel megham. 2816 Készpénz-hely. fiz. eszk. viél. 2500 Sze. v. sze. jogok véd. bizt. mősz. int. kiját.

2545

Jogosulatlan adatkezelés 2487 Kiskorú veszélyeztetése 1973 Jármő önkényes elvétele 2110

Csempészet 1854 Orgazdaság 1801 Adócsalás 1951

Tartás elmulasztása 1831 Csıdbőntett 1791 Kiskorú veszélyeztetése 1863

Felsorolt bőncselekmények össz.: 474967 Felsorolt bőncselekmények össz.: 385183 Felsorolt bőncselekmények össz.: 375878

Többi bőncselekmények össz.: 30749 Többi bőncselekmények össz.: 33700 Többi bőncselekmények össz.: 32529

A felsorolt bőncselekmények aránya az összeshez: 93,9



Ezek közül a legnagyobb számban elkövetett jogsértések között szerepelt:

• a személy elleni bűncselekmények közül, a súlyos és könnyű testi sértés,

• a közlekedési bűncselekmények közül, a közúti baleset okozása és a közúti jármű ittas vezetése,

19/194. oldal

• a házasság, család, ifjúság és a nemi erkölcs elleni deliktumok esetében, a tartás elmulasztása,

• a közrend elleni jogsértések közül, a garázdaság, valamint az okirati bűncselekmények (magán- és közokirat-hamisítás, visszaélés okirattal),

• a vagyon elleni deliktumok esetében a lopás, betöréses lopás, sikkasztás, csalás, rablás, rongálás és a jármű önkényes elvétele.

3.4.2.2 Társadalmi-területi adatok

Összesen 95 ilyen, az előzetes hipotéziseink alapján, valamint korábbi, az egyes területeket szociális, társadalmi, gazdasági, egészségügyi (stb.) helyzet alapján besoroló területfejlesztési kutatások, programok keretében használt adat került kiválasztásra és településenként előállításra (KSH-szerződés keretében). A települési szintű területi-társadalmi adatokból úgy állítottunk elő kapitánysági adatokat, hogy az adatokat 1000 főre vetítettük, majd a településekből „felépítettük” a kapitánysági adatokat.

2. Táblázat – Társadalmi-területi adatok

Kód Adat megnevezése

a1_fo A helyi önkormányzatok saját folyó bevételei

a2_fo A helyi önkormányzatok helyi adó bevételei

a3_fo A helyi önkormányzatoknak átengedett személyi jövedelemadó

a4_fo Lakásállomány

a5_fo Közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma

a6_fo A közüzemi szennyvízgyűjtő-hálózatba (közcsatornahálózatba) bekapcsolt lakások száma

a7_fo Háztartási villamosenergia fogyasztók száma

a8_fo Háztartási gázfogyasztók száma

a9_fo Távfűtésbe bekapcsolt lakások száma

a10_fo Összes zöldterület

a11_fo Szociális étkeztetésben részesülők száma

a12_fo Házi segítségnyújtásban részesülők száma

a13_fo Családsegítő szolgálatok száma

a14_fo A családsegítő szolgáltatást igénybe vevők száma

a15_fo Jelzőrendszeres házi segítségnyújtásban részesülők száma

a16_fo A települési könyvtárak száma

a18_fo Regisztrált vállalkozások száma - GFO02 (átalakulásra kötelezett és megszűnő gazdálkodási formákkal együtt)

a19_fo Regisztrált jogi személyiségű vállalkozások száma - GFO02 (átalakulásra kötelezett gazdálkodási formákkal együtt)

a20_fo Személygépkocsik száma az üzemeltető lakhelye szerint

a21_fo Magyarországon első alkalommal forgalomba helyezett személygépkocsik száma

a22_fo Általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma

a23_fo Általános iskolai végzettségű nyilvántartott álláskeresők száma

a24_fo Szakmunkás végzettségű nyilvántartott álláskeresők száma

a25_fo Szakiskolai végzettségű nyilvántartott álláskeresők száma

a26_fo Szakközépiskolai, technikumi, gimnáziumi végzettségű nyilvántartott álláskeresők száma

a27_fo Főiskolai végzettségű nyilvántartott álláskeresők száma

a28_fo Egyetemi végzettségű nyilvántartott álláskeresők száma

a29_fo Fizikai foglalkozású nyilvántartott álláskeresők száma

a30_fo Szellemi foglalkozású nyilvántartott álláskeresők száma

a31_fo Nyilvántartott pályakezdő álláskeresők száma

20/194. oldal


a45_fo Egy éven túl nyilvántartott álláskeresők száma összesen

a48_fo Nyilvántartott álláskeresők száma összesen

a51_fo 180 napon túli nyilvántartott álláskeresők száma összesen

a54_fo Rendszeres szociális segélyben részesítettek átlagos száma (rendelkezésre állási támogatásban részesülők adatai nélkül)

a55_fo Vendégek száma összesen a kereskedelmi szálláshelyeken

a56_fo Vendégéjszakák száma a kereskedelmi szálláshelyeken

a57_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma

a58_fo A kereskedelmi szálláshelyek egységeinek száma

a59_fo Egyéb (2009-ig magán) szálláshelyek férőhelyeinek száma összesen

a60_fo Egyéb (2009-ig magán) szálláshelyek vendégeinek száma

a61_fo Egyéb (2009-ig magán) szálláshelyek vendégéjszakáinak száma

a72_fo Élveszületések száma (fő)

a73_fo Halálozások száma (fő)

a74_fo Csecsemőhalálozás (1 éven alul meghaltak száma) (fő)

a75_fo Terhességmegszakítások száma (fő)

a76_fo A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft)

a77_fo A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó (1000 Ft)

a78_fo A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft)

a79_fo Működő háziorvosok száma 12.31-én (fő)

a80_fo Működő házi gyermekorvosok száma 12.31-én (fő)

a81_fo Kábeltelevíziós hálózatba bekapcsolt lakások száma (db)

a82_fo Kábeltelevízió előfizetőinek száma (db)

a83_fo A település területe (hektár)

a94_fo Lakáscélú helyi támogatásban részesültek száma (fő)

a95_fo Rendszeres szociális segélyben részesítettek átlagos száma 2006.07.01-től (fő)

a96_fo Rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma (fő)

a97_fo Vendéglátóhelyek száma (db)

a98_fo Italüzletek és zenés szórakozóhelyek száma (db)

a99_fo Vendégek száma összesen a kereskedelmi szálláshelyeken (fő)

a100_fo A kereskedelmi szálláshelyek egységeinek száma (db)

a101_fo Vendégéjszakák száma a kereskedelmi szálláshelyeken (vendégéjszaka)

a102_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma (db)

a103_fo Vendégek száma a fizetővendéglátásban (fő)

a104_fo Vendégéjszakák száma a fizetővendéglátásban (vendégéjszaka)

a105_fo Fizetővendéglátás vendéglátóinak száma (fő)

a106_fo Fizetővendéglátás szállásférőhelyeinek száma (db)

a107_fo Egyéb (2009-ig magán) szállásadás vendéglátóinak száma összesen (db)

a108_fo Egyéb (2009-ig magán) szállásadás férőhelyeinek száma összesen (db)

a109_fo Vendégek száma az egyéb (2009-ig magán) szállásadásban (fő)

a110_fo Vendégéjszakák száma az egyéb (2009-ig magán) szállásadásban (vendégéjszaka)

a111_fo Kiskereskedelmi üzletek száma (db)

a112_fo Élelmiszer vegyesüzletek és áruházak száma (db)

a32_fo Nyilvántartott pályakezdő álláskeresők száma, férfi

a46_fo Egy éven túl nyilvántartott álláskeresők száma, férfi

a49_fo Nyilvántartott álláskeresők száma, férfi

a52_fo 180 napon túli nyilvántartott álláskeresők száma, férfi

a33_fo Nyilvántartott pályakezdő álláskeresők száma, nő

a47_fo Egy éven túl nyilvántartott álláskeresők száma, nő

a50_fo Nyilvántartott álláskeresők száma, nő

a53_fo 180 napon túli nyilvántartott álláskeresők száma, nő

a84_fo Vasútállomás aránya

a85_fo Helyközi autóbusz-megálló aránya

a86_fo Postahivatal /fiókposta, postamesterség, ügynökség, kirendeltség/ aránya

21/194. oldal


a87_fo Óvoda aránya

a88_fo Általános iskola aránya

a89_fo Középiskola aránya

a90_fo Bölcsőde aránya

a91_fo Családi napközi aránya

a92_fo Benzinkút /üzemanyagtöltő állomás/ aránya

a93_fo Bankfiók aránya)

a17_fo Szakiskolai és speciális szakiskolai feladatellátási hely aránya

lhh_fo lhh települések aránya

fiatal_ar 0-17 évesek aránya

aktiv_ar 18-59 évesek aránya

idos_ar 60+ évesek aránya

A 95 adatból mintegy 55 a Leghátrányosabb helyzetű kistérségek programja keretében használt adat, amit azért is gondolunk adekvátnak, mert ezen 55 adat alapján kerültek besorolásra (ún. komplex mutatókon keresztül) az egyes kistérségek, fejlettségük szerint. A leghátrányosabb helyzetű térségek adottságai és a bűnügyi fertőzöttség (legalábbis ami a bűnelkövetők számát illeti) között összefüggés található, ezért az LHH programban használt 55 mutató frissítését és használatát feltétlenül indokoltnak gondoltuk (Janza-Kenedli, 2009):

4. ábra – Az LHH program kedvezményezett kistérségei

22/194. oldal

5. ábra – A 10 000 lakosra jutó bűnelkövezők száma a kistérségek területén 2008. évben

ORFK Bőnügyi Elemzı- Értékelı Osztály

Forrás: ENYÜBS

Kistérségek átlaga Budapest nélkül = 121Országos átlag = 120Budapest = 95

A 10 000 lakosra jutó bőnelkövetık számaa kistérségek területén 2008. évben

56 - 105

106 - 147

148 - 239

Az említett tanulmányból kiemelt ábrákon is jól látható, hogy az egyenlőtlenség és a munkanélküliség által legjobban sújtott, illetve a jövedelmek és az infrastruktúra közötti jelentős különbségek miatt egyre inkább leszakadó területek lakosai bűnelkövetők vonatkozásában is a legleterheltebbek. Lakóhelyüket tekintve Közép- és Kelet-Magyarországon él a legtöbb ismertté vált bűnöző: Bács-Kiskun, Borsod-Abaúj-Zemplén, Hajdú-Bihar, Nógrád és Szabolcs-Szatmár-Bereg megyékben a legnagyobb a 10 000 lakosra jutó bűnelkövetők aránya.

A további - általunk választott - 40 mutató szintén az egyes kapitányságok illetékességi területének „fejlettségére” mutat rá, nagy része az 55 mutató további részletezése, kiterjesztése, alábontása.

3.4.2.3 Személyi adatok

130 kapitányság (Budapest egyben) szakágankénti állomány-létszám adatainak felhasználása történt meg (Budapestet egy körzetnek tekintve). Az adatokból 2 mutatót állítottunk elő:

- közrend, bűnügy és közlekedési állomány/teljes állomány kapitányságonként: ezzel az adattal csupán azt vizsgáltuk, hogy az egyes kapitányságok teljes létszámán belül milyen az aránya annak az állománynak, amely a 16 bűncselekménytípus kezelésével (bűnügy), illetve megelőzésével (közrend, közlekedés) közvetlenül érintett lehet

- közrend, bűnügy, közlekedés állománylétszám 1000 főre vetített aránya kapitányságonként: ez a szám azt mutatja, hogy ebből a 3 szakágból kapitányságonként hány rendőr jut 1000 főre

3. Táblázat – Személyi adatok

Személyi adatok

Bűnügy

Közrend

Közlekedés

23/194. oldal

Igazgatás rendészet

Személy és Obj.Véd.

Határ és Idegenrendészet

Bevetési Szolgálat

Terrorelhárítás

Tűzszerész

Repülőtéri rendőri

Ügyeleti és védelmi igazgatás

Állami futárszolgálat

Ellenőrzés

Gazdaság

Hivatal

Humán

3.4.3 Elemzési módszer

3.4.3.1 Kapitányságok összehasonlítása összes bűncselekmény szám és bűncselekmény-

típusok szerint

Az elemzés során három féle vizsgálatra került sor:

a.) Bűncselekmény szám szerinti rangsor felállítása

b.) A kapitányságok 1000 főre vetített bűncselekményszámok alapján történő bűncselekmény-típusok szerint differenciált sorrendjének megállapítása, minden bűncselekmény-típus esetében a helyezések megállapítása

c.) Az egyes kapitányságok rangsora a szerint, hogy az összes bűncselekményszám szerinti helyezésükhöz képest mely bűncselekmény-típusok esetében térnek el leginkább

3.4.3.2 Az egyes társadalmi-területi adatok egyes bűncselekménytípusok előfordulására

gyakorolt hatásának elemzése

Az elemzés során 3 féle vizsgálatra került sor, az összes bűncselekmény szám, valamint minden egyes bűncselekmény-típus esetében:

a.) Korreláció vizsgálat és regressziós analízis: az 95 társadalmi-területi adatból az összes bűncselekmény számra vonatkozóan megvizsgáltuk, mely tényezők korrelálnak a bűncselekmények számával. Ezeket a változókat felhasználva készítettük el a legjobb magyarázó erővel bíró regressziós modellt, ami azokat a tényezőket tartalmazta (általában 2-3), melyek legalább 95 %-os összefüggést mutattak az adott bűncselekmény típussal.

b.) A 2-3 tényező alapján a regressziós modell felállítása

c.) Az egyes bűncselekmény típusokra közvetlen hatással bíró változók regressziós egyenesének előállítása

3.4.3.3 Személyi adatok elemzése

Az elemzés során 4 féle vizsgálatra került sor, minden egyes bűncselekmény-típus esetében:

a.) Két mutató előállítása:

o I. erőforrás mutató: közrend, bűnügy és közlekedési állomány/teljes állomány kapitányságonként: ezzel az adattal csupán azt vizsgáltuk, hogy az

24/194. oldal

egyes kapitányságok teljes létszámán belül nagyjából milyen az aránya annak az állománynak, amely a 16 bűncselekménytípus kezelésével (bűnügy), illetve megelőzésével (közrend, közlekedés) közvetlenül érintett lehet

o II. erőforrás mutató: közrend, bűnügy, közlekedés állománylétszám 1000 főre vetített aránya kapitányságonként: ez a szám azt mutatja, hogy ebből a 3 szakágból kapitányságonként hány rendőr jut 1000 főre

b.) A két mutató (a. pont) szerinti kapitánysági rangsor felállítása

c.) Erőforrás-mutatók összevetése – erőforrás-mutató I. és II. rangsorszámai alapján, valamint az összbűncselekmények alapján kialakult rangsorszámok (ez az összehasonlítás mutatja meg leginkább, hogy a 3 szakág személyi állományának száma és a bűncselekményszám között kapitányságonként milyen összefüggés van)

d.) Erőforrás-korreláció vizsgálata: a kétféle erőforrás-mutató korrelációja az egyes bűncselekmény-típusokkal

25/194. oldal

4 Nemzetközi kitekintés

A szakirodalom a környezeti tényezők és a bűnelkövetés helyzetét több esetben is vizsgálja. A kutatások nagy csoportja a szociológiai jellemző kapcsolatát elemzi, míg egy másik csoport a bűnesetek földrajzi elhelyezkedését vizsgálja. Kanadában Peter Kitchen 2003-ban végzett egy kutatást, amely a kistérségek szociális, gazdasági és épített környezetének kapcsolatát vizsgálata a bűnesetekkel, statisztikai módszerek alkalmazásával. A kutatás kapcsán összefoglalta az addigi eredményeket.

4.1 Szociológiai jellemzők vizsgálata

A kutatások alapján megállapítható, hogy bizonyos szociológiai jellemzők korrelációban vannak egyes bűncselekmények valószínűségének növekedésével. Sacco és Kennedy (2002, 39.o.) rámutat, hogy a legtöbb elkövető fiatal, hátrányos helyzetű férfi. Például Kanadában a felnőtt elkövetők 86%-a, a fiatalkorúak (12-17 év között) 75%-a volt 1999-ben férfi. A társadalmi-gazdasági hátrányok erősen összefüggenek a bűnözéssel, főleg a bántalmazás, rablás, emberölés esetén. Az elkövetők adatainak elemzése megmutatja, hogy nagy számban munkanélküliek vagy alacsonyan fizetett, képzettséget nem igénylő munkakörökben foglalkoztatottak. (Short 1997, 26.o és Sacco és Kennedy 2002, 40.o.) .

Az áldozatok is hasonlóképp szociológiai csoportokba sorolhatók a kanadai általános szociológiai felmérés (GSS - Általános Szociológiai Felmérés, Kanada, 1999) szerint az áldozatok 15 és 24 év között magas arányban szenvedtek el erőszakos és vagyon elleni bűncselekményeket. Megmutatta, hogy az áldozatok jellemzően városi környezetben és alacsony jövedelmű (30.000 CAD alatti) családokban élnek.

Mata (2003) 24 nagyvárosban végzett felmérése szerint az áldozatok jellemzően kisebbségiek, nők és egyedülálló szülők. Bizonyos bűncselekmények esetén viszont az áldozatok inkább magas jövedelmű családban élnek: autólopás, betörés, rongálás (Sacco and Kennedy, 48.o.).

4.2 Földrajzi jellemzők vizsgálata

Herbert (1989, 1.o.) szerint a földrajzi bűnelemzés már a XIX. században is gyakorlat volt Európa és Észak Amerika városainak és kormányainak vezetőinél. A Chicago-i kriminológiai iskola (vezető személyiségei: Robert Park és Ernest Burgess) ökológiai elméletet fejlesztettek ki, amelynek alapelve, hogy a bűnözés mindig földrajzilag egyenlőtlenül oszlik el és összefüggésben van a lakossággal, lakossági csoportokkal és a környezettel.

Schmalleger and Wolff (2000, 201.o.) szerint az ökológiai elmélet hangsúlyozza a csoportok társadalmi-gazdasági jellemzőit és úgy tekinti, hogy „a bűnnel fertőzött területeken a társadalmi szétesés a bűnözés és az áldozattá válás fő oka”. Park és Burgess (Chicago-t vizsgálva) a városmag körüli „átmeneti zónákat” találta a bűncselekményekben leginkább érintettnek (Winterdyk 2000, 216.o.) Ezeknek a területeknek jellemzői a nagy népsűrűség, az alacsony társadalmi-gazdasági státusz, az etnikai és társadalmi kisebbségek magas aránya, nagyarányú ki- és beköltözések (Wilcox, Land, Hunt 2003, p.28). Clifford Shaw és Henry McKay (1942) arra következtettek, hogy a bűnözés kialakulásában nem a lakók személyes tulajdonságai voltak döntők, hanem a strukturális szegénység, vegyes összetétel, és magas mobilitás vezettek a társadalom szétesésére.

26/194. oldal

Short (1997, pp.50-51) szerint az USA-ban végzett kutatások azt találták, hogy különféle tényezők elsősorban a szegénységgel kombinálódva hoznak létre magas arányt az erőszakos bűncselekményekben.

Az „új Chicago-i Iskola” az 1990-es évek közepén a számítástechnikát felhasználva újraéledt a fenti elmélet a GIS (Földrajzi Információ Elemzés) felhasználásával. (Ainsworth 2001, p. 85). Rodney Stark amerikai kriminológus 1997-ben azt vizsgálta, miért marad bizonyos területeken magas a bűnözési arány akkor is, ha teljesen kicserélődik bennük a lakosság. Az általa azonosított tényezők:

− magas népsűrűség,

− szegénység,

− kevert övezet (lakó- és gazdasági célú épületek vegyesen állnak),

− hanyatlás és pusztulás, leromlás.

Időközben létrejött a földrajzi, ökológiai környezeti jellemzők vizsgálatának kritikája is. Schmalleger és Volk (2001, p. 204) szerint a társadalmi intézmények és a társadalmi szétesés szerepére összpontosítva a bűnözésben, az ökológiai elmélet nem megfelelően veszi számításba az „egyéni pszichét, a biológiai jellegzetességéket, vagy az egyéni döntéseket az elkövetésben”.

Másik kritika, hogy bizonyos bűncselekmények nem kötődnek földrajzi területekhez: droghasználat, erőszak és vagyon elleni bűncselekmények gyakran előfordulnak gazdag városrészekben is (Schmalleger and Volk 2001, p. 205). Továbbá, Felson (2002, pp.62-63) kimutatja, hogy a betörések magasabb számban fordulnak elő a ritkán lakott területeken, ahol a lakások elhelyezkedése könnyebb elkövetést tesz lehetővé.

Egy tanulmányban a Kanadai Bűnügyi Statisztikai Központ számára Fitzgerald, Wisener and Savoie (2004) Winnipeg város területi statisztikáit és bűncselekmény-eloszlását vizsgálták. Felhasználták a rendőrségi adatokat a 2001-es egységes bűncselekmény jelentésből, valamint a 2001-es népszámlálás és Winnipeg város földhasználati adatait. Úgy találták, hogy 2001-ben a bűnözés a városközpontban koncentrálódott, valamint hogy a magas és alacsony bűnözéssel jellemezhető városrészek között jelentős eltérések voltak. A magas bűncselekmény számmal jellemezhető területek alacsony gazdasági-társadalmi státusszal, instabil lakossággal, magas népsűrűséggel és bizonyos földhasználati jellemzőkkel bírtak, melyek növelhették a bűncselekmény elkövetésének lehetőségét.

Ley and Smith (2000) vizsgálta a társadalmi kirekesztettség és a bűnözés közötti összefüggést Vancouver-ben és Toronto-ban. Toronto 207 körzetének bűnözési alapadatait vizsgálták, melyeket térképre helyezve a magas bűncselekménnyel jellemezhető területeket egyezőnek találták a szegénységgel sújtott területekkel. Vancouver-ben azonos eredményt kaptak.

Massimo, Haining and Signoretta (2001) GIS-alapú rendszert használt Anglia nagyvárosainak bűncselekmény elemzésére. Modelljükben a népszámlálási adatokat használták fel.

Bowers and Hirschfield (1999) szintén GIS-t használtak a bűnözés és a különféle hátrányos helyzetű, közepes jövedelmű és gazdag lakóterületek közötti összefüggés elemzésére Anglia Merseyside megyéjében.

27/194. oldal

5 Összes bűncselekmény alakulása kapitányságonként

5.1 Bűncselekmények alakulása kapitányságonként

Az előtanulmány végső céljának eléréséhez többek között szükség volt a bűnügyi statisztikai adatok kapitánysági illetékességi területekre történő modellezésére. A korábban azonosított 16 bűncselekménytípusnak megfelelően történt a feldolgozás valamennyi rendőrkapitányság vonatkozásában, az 1000 főre jutó bűncselekményszám képzésével. Ezt követően az egyes bűncselekményi kategóriákban valamennyi rendőrkapitányságot sorrendbe rendezve kaptuk meg az országos fertőzöttségi sorrendet5.

A táblázat segítségével tudunk megmondani olyan összefüggéseket, hogy egy meghatározott kapitányság (pl. Karcag Rk.) illetékességi területén milyen mértékben fertőzött az egyes kiemelt bűncselekmény-kategóriákban. Jelen esetben azt mondhatjuk, hogy a Karcagi rendőrkapitányság a betöréses lopások, a garázdaság, a lopás és a könnyű testi sértés bűncselekményekkel terhelt közegben működik. Tehát a személy elleni, közrend elleni, és a vagyon elleni jogsértések vannak zömében jelen. Ugyanakkor alacsony az előfordulása a visszaélés okirattal és csalás bűncselekményeknek, valamint a közúti jármű ittas vezetése deliktum nyomozási kapacitásigénye sem haladja meg az országos átlagot. Összehasonlíthatunk tehát egyes bűncselekménytípusokat, több bűncselekménytípust bűnügyi főcsoportonként, végezhetünk elhatárolásokat bűncselekményeken belül kapitányságonként, vagy épp több bűncselekmény együttes megjelenését a kapitányságokon, így fedezve fel például közigazgatási térségekre megjelenő mintákat.

5.2 Kapitánysági rangsorok

Az össz bűncselekmény számok alapján kialakult rangsorszámból kivonjuk a bűncselekmény típusok esetén kialakult rangsorszámot. Az így kapott 16 számot összeadjuk, így kapunk egy mutatószámot. A mutatószám nagy abszolút értéke azt jelzi, hogy az adott kapitányság az összbűncselekmények alapján kapott rangsorszámától jelentősen eltér a bűncselekmény típusok esetében. A kis abszolút érték azt jelzi, hogy kicsi az adott kapitányság esetében az összbűncselekmények alapján kapott rangsorszámától való eltérés a bűncselekmény típusok esetében.

5 Az ezeket tartalmazó táblázatok a 7. fejezetben talállhatóak

28/194. oldal

6. ábra –Edelényi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

7. ábra - Orosházi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

29/194. oldal

8. ábra - Fonyódi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

9. ábra - Nagykanizsai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

30/194. oldal

10. ábra - Kaposvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

11. ábra – Hevesi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

31/194. oldal

12. ábra - Gárdonyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

13. ábra - Siófoki rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

32/194. oldal

14. ábra - Komáromi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

15. ábra - Encsi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

33/194. oldal

16. ábra - Ózdi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

17. ábra - Szombathelyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

34/194. oldal

18. ábra - sarkadi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

19. ábra - Füzesabonyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

35/194. oldal

20. ábra - Bátonyterenyei rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

21. ábra - Lenti rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

36/194. oldal

22. ábra - Zalaegerszegi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

23. ábra - Törökszentmiklósi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

37/194. oldal

24. ábra - Vásárosnaményi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

25. ábra - Balatonalmádi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

38/194. oldal

26. ábra - Sárvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

27. ábra - Dunakeszi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

39/194. oldal

28. ábra - Tapolcai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

29. ábra - Rétsági rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

40/194. oldal

30. ábra - Dabasi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

31. ábra - Kiskunhalasi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

41/194. oldal

32. ábra - Soproni rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

33. ábra - Szigetvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

42/194. oldal

34. ábra - Mezőkovácsházi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

35. ábra - Bajai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban

43/194. oldal

6 Rendőrkapitányságok sorrendje az egyes bűncselekménytípusok szerint

A bűncselekmények kapitányságonkénti vizsgálatát követően, az elemzés következő szakaszában, még teljesebb képet kaphatunk a bűncselekmények kapitányságonkénti megoszlásáról és lehetőségünk nyílik a szolgálati helyek egymáshoz való viszonyítására is. Ennek érdekében egy összehasonító táblázatot hoztunk létre, amelyben valamennyi rendőrkapitányságot feltüntettük és mellé rendeztük az egyenként már korában vizsgált bűncselekménytípusokat és azok összegzett mutatóit. A bűncselekmény egyedeknél a rendőrkapitányság illetékességi területébe tartozó települések, ezer főre jutó lakosságszámára vetített bűnügyi, közrendvédelmi és közlekedésrendészeti létszámadatait használtuk fel. Ami egy korreláltatott értékként jelent meg. Ezt követően az eredménynek megfelelően sorba rendeztük az egyes bűncselekmény-kategórián belül. A különbségek nem feltétlenül az egyéni képességekből adódnak, hanem a rendelkezésre álló, aktív, hadba fogható munkaerő meglétéből, vagy hiányából. Éppen ezért célunk rávilágítani arra, hogy az egyes területeken az inkább jellemző bűncselekmények tekintetében kell erősíteni az állományon – legyen az rendészeti vagy bűnügyi állomány, vizsgáló vagy nyomozó, közrendvédelmi vagy közlekedési járőr, stb. – annak érdekében, hogy az ilyen mértékű különbségek kiegyenlítődhessenek. Ennek célja nemcsak a magasabb létszám melletti hatékonyabb munkamegosztás megszervezése, hanem a másik oldalról a megelőzhető bűncselekmények elkövetésének megakadályozása. Mindezek alapján az alábbi megállapításokat tehetjük:

A táblázat összes bűncselekmény rovata alatt szereplő értékek sorba rendezését követően rajzolódott ki egy országos kapitánysági rangsor az erőforrás-felhasználás tekintetében, melynek első tíz elemét zölddel, utolsó tíz elemét pirossal jelöltük meg. Ennek megfelelően (sorrendben) Kapuvár Rk., Csorna Rk., Mór Rk., Békés Rk., Szerencs Rk., Sárvár Rk., Tapolca Rk., Rétság Rk., Baja Rk. és Hajdúböszörmény Rk. személyi állományának összlétszáma megfelelő mértékű. Természetesen ez nem jelenti azt, hogy az egyes bűncselekménytípusoknál megjelenő érték is ilyen kedvező. Erre példa Csorna Rk., ahol a közúti baleset okozása egyedhez nagyon alacsony érték párosul, ezzel jelezve, hogy valamilyen probléma van a létszámgazdálkodás bűncselekményszám viszonyában. A létszámadatok viszonyszámai között – az első és az utolsó – nyolcszoros eltérés mérhető.

A lista utolsó tíz helyét Siófok, Edelény, Marcali, Orosháza, Budapest, Fonyód, Nagykanizsa, Dunaújváros, Mezőtúr és Tatabánya rendőrkapitányságok foglalják el. A negatív összkép ellenére természetesen itt is lehet kiugróan pozitív bűncselekményi létszámkapcsolatot kimutatni pl. Orosháza Rk. viszonylatában, ahol az összességében 127. pozícióban lévő kapitányság a garázdaság bűncselekményre vonatkozó adatok szempontjából az első helyen szerepel. Itt is érdemes természetesen megvizsgálni, mi okozza ezt a tendenciát.

Az összehasonlító táblázatban lehetőségünk van arra is, hogy egyes bűncselekmény-kategóriákon belül magas ranghelyen szereplő kapitányságoknál (ilyen például a közúti baleset okozása tekintetében, Kapuvár, Békés, Rétság, Celldömölk, Szécsény) vizsgálat alá vonjuk azokat a gyakorlatban megjelenő erőforrásokat, amelyek elősegítik a sikeresebb működést.

A személy elleni bűncselekményeknél – jelen esetben a könnyű és a súlyos testi sértés – nem feltétlenül köszönt vissza a leterheltségi viszony. Vannak kapitányságok, melyek hasonlóan az össz bűncselekményekhez az első régióba kerülnek (Mór Rk., Békés Rk.). Dunaújváros Rk.-

44/194. oldal

n – a hátsó régióból – és Hajdúböszörmény Rk.-n – az első régióból – például a könnyű, illetve a súlyos testi sértések száma jelentősen terheli a személyi állományt.

A közúti baleset okozása deliktumok tekintetében Sárvár Rk. és Csorna Rk. az utolsó régióba kényszerül, Marcali Rk esetén itt és a közúti jármű ittas vezetésénél magas leterheltséget láthatunk. Ezekből azt valószínűsíthetjük, hogy ezeknél a kapitányságoknál nagyobb hangsúlyt érdemes fordítani a közlekedési bűncselekmények megelőzésére, ezáltal az állomány ilyen irányú fejlesztésére.

A tartás elmulasztása bűncselekmény nem tipikusan befolyásolható cselekménytípus. Az egyén önkéntes elhatározása adja az elkövetés lehetőségét, melyet sokfajta társadalmi körülmény befolyásol. Éppen ezért nehéz kijelenteni azt, hogy gyakoribb nagyobb városokban vagy szegényebb településeken, stb. Jelen esetben kiemelést érdemel Rétság Rk. és Tatabánya Rk. a nagy leterheltség és Marcali Rk. az alacsony leterheltség miatt.

A közrend elleni bűncselekményeket két csoportra osztjuk. A garázda bűncselekmények tekintetében a legalacsonyabb leterheltséget Orosháza Rk., míg a legmagasabbat Dunaújváros Rk. esetén láthatjuk. Ennél a deliktumnál többnyire köztes rendőrkapitányságok kerültek a vizsgáltak közé.

Az okirat bűncselekmények számának alakulása mindenképpen köthető a lakosságszámhoz. A közokirat-hamisításoknál az utolsó régióban olyan kapitányságokat találunk, mint Debrecen, Tatabánya, Szeged, Miskolc, Budapest, míg az első tízbe több kisebb lakosságszámú település került be. Az előzőhöz hasonlóan a magánokirat-hamisítások száma magas Békéscsaba, Nyíregyháza, Debrecen, Tatabánya, Pécs és Esztergom Rk. illetékességi területén. Legfőképpen a lopás bűncselekmények mellett megjelenő járulékos cselekményként a visszaélés okirattal deliktumok száma az elmúlt években sokszorosára emelkedett. Jól látszik, hogy azok a települések, ahol a legjelentősebb a leterheltség ennél a deliktumnál is az utolsó régióba kerültek (Tatabánya Rk., Fonyód Rk., Marcali Rk., Siófok Rk., Edelény Rk.).

A vagyon elleni bűncselekmények határozzák meg legjobban a leterheltségi szintet. Ennek felderítésében, illetve a nyomozás lefolytatásában legnagyobb szerepe nyomozói állománynak van, de munkájukat segíti körzeti megbízotti állomány is. Az első régió kapitányságai ezeknél a bűncselekményeknél is kevésbé nagy leterheltséget mutatnak. A lopásoknál Mezőtúr Rk., Fonyód Rk., Budapest, Siófok Rk., Marcali Rk., és Orosháza Rk. szintén a legleterheltebbek közé tartozik. A betöréses lopásoknál és a sikkasztásoknál Mezőtúr Rk., Marcali Rk. és Budapest, a csalásoknál Tatabánya Rk., Fonyód Rk. és Nagykanizsa Rk. A rablás, rongálás és jármű önkényes elvétele cselekményeknél utolsó helyen áll Budapest, de megjelenik Mezőtúr Rk., tatabánya Rk., Dunaújváros Rk. és Siófok Rk. is.

Végül megállapíthatjuk, hogy a leterheltségi szint alakulását a vagyon elleni és kisebb mértékben a közrend elleni főcsoportba tartozó bűncselekmények befolyásolják. Azoknál a rendőrkapitányságoknál, ahol az összes bűncselekményre vetítetten magas a leterheltség, ott a lopás, betöréses lopás, csalás, rablás deliktumok jelentős szerepet játszanak. Úgy gondoljuk, hogy mindenképpen több tényező befolyásoló hatását érdemes ezekben az esetekben vizsgálni. Lehet, hogy nagy az állomány leterheltsége, lehet, hogy alacsony a munkavégzési morál, alacsony a rendőrök a lakosságra vagy a bűncselekményekre vetített aránya, nem megfelelő a munkamegosztás, stb. Azt megállapítani, hogy konkrétan milyen tényező befolyásolja ezeket csak az adott helyen történő egyéni vizsgálattal lehet.

45/194. oldal

A későbbiekben célszerű volna az adatok alapján egy országos középértéket is számolni, és ahhoz viszonyítva további véleményt alkotni az egyes kapitányságok erőforrás-bűncselekmény kapcsolatáról. Tovább vizsgálható, így a korrelációs modell működése az átlagos értéket képviselő egyedek esetében, és közelebb jutunk az ideális létszámelosztás irányszámaihoz is.

46/194. oldal

4. Táblázat - Rendőrkapitányságok sorrendje az egyes bűncselekménytípusok szerint

ÖSSZES BŰNCSELEKMÉNY

Testi sértés - könnyű

Testi sértés – súlyos

Közúti baleset okozása

Közúti jármű ittas vezetése

Tartás elmulasztása

Garázdaság Közokirat-hamisítás

Magánokirat-hamisítás

Visszaélés okirattal

Lopás Betöréses

lopás Sikkasztás Csalás Rablás Rongálás

Jármű önkényes elvétele Rendőrkapitányság

1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang

Kapuvár Rk 10,16 1 0,33 27 0,46 34 0,00 1 0,75 27 0,37 85 1,70 97 0,17 25 0,71 72 0,50 13 2,86 1 0,71 1 0,33 90 0,83 66 0,08 22 0,33 4 0,04 18

Csorna Rk 10,23 2 0,43 43 0,40 24 0,62 129 0,97 68 0,24 59 0,78 45 0,16 21 0,46 45 0,19 4 3,44 2 1,32 6 0,13 18 0,67 50 0,00 1 0,35 7 0,08 48

Mór Rk 10,94 3 0,11 3 0,28 9 0,28 71 0,85 45 0,34 80 0,39 15 0,11 9 0,11 2 0,03 2 4,34 3 2,71 30 0,11 9 0,23 3 0,11 35 0,87 42 0,06 32

Békés Rk 11,22 4 0,13 4 0,20 2 0,00 1 0,63 12 0,25 63 0,43 19 0,53 98 0,91 93 0,66 17 4,73 4 1,14 5 0,05 2 1,01 76 0,05 8 0,33 3 0,15 90

Szerencs Rk 15,23 5 0,89 98 0,46 37 0,15 32 1,22 101 0,10 14 1,66 95 0,18 29 0,15 4 0,39 10 6,86 18 1,69 9 0,21 48 0,36 15 0,18 77 0,67 22 0,05 27

Sárvár Rk 15,84 6 0,25 17 0,47 41 0,50 124 1,15 96 0,20 41 1,20 68 0,05 2 0,35 28 0,87 27 5,70 6 3,41 56 0,30 79 0,57 38 0,05 7 0,75 28 0,02 9

Tapolca Rk 15,89 7 0,38 33 0,33 14 0,24 55 0,96 67 0,51 112 0,94 53 0,29 56 0,31 23 1,96 66 5,74 7 2,36 22 0,18 32 0,33 9 0,09 26 1,20 85 0,07 46

Rétság Rk 16,45 8 0,56 56 0,56 57 0,00 1 0,40 3 0,95 129 1,51 87 0,12 10 0,36 31 0,16 3 6,56 15 3,02 40 0,40 105 0,68 51 0,04 3 1,03 65 0,12 74

Baja Rk 16,61 9 0,23 15 0,62 73 0,29 75 1,31 111 0,22 44 0,47 23 0,52 96 0,60 64 0,80 24 6,89 19 2,34 21 0,50 119 0,69 54 0,11 32 1,00 59 0,03 15

Hajdúböszörmény Rk

16,84 10 0,66 67 1,75 124 0,41 112 0,47 4 0,22 46 1,06 58 0,25 47 0,41 38 1,63 56 6,82 17 2,28 18 0,16 25 0,28 6 0,13 45 0,22 1 0,09 56

Mezőkovácsháza Rk 16,98 11 0,57 59 0,57 61 0,12 27 0,64 14 0,45 105 1,16 64 0,69 110 0,43 40 1,90 64 6,24 11 2,42 24 0,33 91 0,40 19 0,07 13 0,78 32 0,21 114

Szeghalom Rk 17,19 12 0,79 89 0,58 63 0,26 65 0,67 18 0,32 74 0,44 21 0,38 78 0,20 12 0,29 8 11,08 73 0,76 2 0,12 13 0,50 28 0,18 73 0,56 12 0,06 34

Celldömölk Rk 17,19 13 0,04 1 0,23 5 0,00 1 0,96 66 0,15 27 0,50 25 0,04 1 0,81 83 1,42 50 6,50 13 5,38 103 0,12 10 0,35 11 0,31 114 0,35 5 0,04 17

Fehérgyarmat Rk 17,52 14 1,70 124 1,37 116 0,03 21 1,07 82 0,18 30 3,07 124 0,20 37 0,66 71 0,38 9 6,10 9 1,32 7 0,20 42 0,58 40 0,05 9 0,51 10 0,10 63

Kunszentmiklós Rk 17,59 15 0,83 93 0,22 4 0,16 34 1,15 97 0,22 49 1,31 77 0,29 55 0,19 8 0,77 23 6,41 12 4,01 71 0,22 56 0,42 21 0,06 11 1,09 71 0,22 117

Körmend Rk 17,79 16 0,72 78 0,23 6 0,35 98 1,25 105 0,09 11 1,71 98 0,21 38 0,37 34 1,37 48 6,14 10 2,90 36 0,21 44 0,93 69 0,05 6 1,23 89 0,05 24

Kiskunhalas Rk 18,13 17 0,29 22 0,51 47 0,36 102 2,51 130 0,18 32 0,53 28 0,66 109 0,29 21 1,29 46 7,35 24 2,25 17 0,35 94 0,36 13 0,17 68 0,77 30 0,26 123

Kisvárda Rk 18,29 18 0,77 85 1,01 108 0,11 26 0,85 46 0,11 22 1,39 78 0,10 7 0,24 16 2,61 83 6,55 14 2,11 16 0,19 38 1,31 86 0,21 92 0,66 17 0,06 38

Szécsény Rk 18,73 19 0,45 49 1,07 111 0,00 1 0,54 7 0,58 119 1,47 84 0,09 6 1,07 99 0,89 28 7,63 28 3,92 70 0,27 66 0,27 5 0,18 75 0,31 2 0,00 1

Sátoraljaújhely Rk 18,83 20 0,71 77 0,50 45 0,02 20 0,93 57 0,19 39 1,74 99 0,21 39 0,71 74 1,02 35 6,90 20 3,74 67 0,21 49 0,69 53 0,10 28 1,07 70 0,07 42

Szigetvár Rk 19,25 21 0,34 28 0,76 96 0,31 85 1,37 114 0,09 9 1,26 72 0,40 82 0,31 25 0,70 21 7,47 26 3,24 45 0,43 113 1,35 88 0,13 53 0,92 48 0,16 94

Dunakeszi Rk 19,42 22 0,20 9 0,39 22 0,43 116 0,83 42 0,29 68 0,34 13 0,34 67 0,48 49 0,53 15 9,29 49 2,94 37 0,43 116 1,26 84 0,17 70 1,39 100 0,10 66

Tiszaújváros Rk 19,83 23 0,46 52 0,62 75 0,32 88 0,91 55 0,30 71 1,17 66 0,32 62 1,55 116 1,63 57 7,73 30 2,46 25 0,22 54 1,45 92 0,08 18 0,50 9 0,10 62

Sopron Rk 19,94 24 0,34 29 0,93 103 0,43 117 1,02 75 0,40 93 1,24 69 0,19 34 0,53 57 0,95 31 7,29 23 3,60 64 0,29 75 1,17 81 0,13 52 1,34 96 0,07 44

Sárospatak Rk 20,01 25 0,89 97 0,42 29 0,19 46 1,27 107 0,04 1 1,58 90 0,19 35 0,19 9 2,85 87 7,87 31 3,32 50 0,12 11 0,31 7 0,12 37 0,50 8 0,15 92

Kiskőrös Rk 20,13 26 0,71 76 0,48 42 0,28 70 2,34 129 0,38 87 0,94 51 0,53 97 0,36 32 1,11 39 5,76 8 2,33 20 0,20 41 3,83 122 0,12 36 0,66 19 0,10 60

Gyula Rk 20,13 27 0,33 26 0,46 39 0,35 99 0,93 58 0,19 36 0,93 50 0,79 115 0,51 53 0,91 29 11,67 83 0,98 3 0,12 12 0,81 65 0,19 82 0,79 34 0,19 108

Várpalota Rk 20,70 28 0,56 57 0,66 81 0,00 1 1,01 73 0,50 111 1,25 70 0,24 42 0,40 37 1,83 61 7,42 25 3,71 66 0,19 33 1,25 83 0,08 16 1,43 103 0,19 107

Mohács Rk 20,97 29 0,49 55 0,34 17 0,29 73 0,93 59 0,19 38 0,53 29 0,44 88 0,48 48 2,59 82 8,64 38 4,36 80 0,19 37 0,53 35 0,08 15 0,67 20 0,23 118

Kazincbarcika Rk 21,03 30 0,96 104 0,54 52 0,10 23 0,76 32 0,30 70 2,06 113 0,38 77 0,59 62 1,49 51 7,66 29 4,51 86 0,08 3 0,49 27 0,30 113 0,71 25 0,10 61

Balassagyarmat Rk 21,05 31 0,92 102 0,92 101 0,00 1 0,05 2 0,44 102 1,82 102 0,36 74 0,36 33 0,24 6 10,48 66 3,32 51 0,36 98 0,80 62 0,10 29 0,85 41 0,02 8

Pásztó Rk 21,08 32 0,22 13 1,08 113 0,00 1 0,77 33 0,19 35 1,15 62 0,19 33 0,22 15 0,28 7 10,34 64 4,18 73 0,12 15 0,74 56 0,34 120 1,21 86 0,06 36

Dabas Rk 21,09 33 0,60 62 0,57 62 0,35 100 1,30 109 0,52 114 0,33 12 0,27 50 0,43 41 1,04 36 9,53 54 3,54 60 0,33 88 0,59 41 0,20 89 1,23 90 0,26 122

47/194. oldal










Lopás Betöréses



1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang

Gödöllő Rk 21,14 34 0,20 11 0,29 11 0,27 67 0,65 15 0,38 88 0,15 2 0,81 116 0,61 66 1,40 49 8,57 36 5,15 98 0,48 118 0,98 73 0,26 108 0,91 45 0,03 13

Ajka Rk 21,28 35 1,01 107 0,59 68 0,18 41 0,88 49 0,68 124 1,94 106 0,07 4 0,47 47 1,12 41 8,81 41 2,50 26 0,20 40 1,53 96 0,16 65 0,97 55 0,16 96

Kőszeg Rk 21,40 36 0,84 94 0,40 23 0,00 1 1,07 83 0,64 123 2,03 111 0,44 87 0,20 11 1,27 45 7,91 32 4,30 77 0,40 107 0,32 8 0,12 41 1,19 84 0,28 125

Hajdúnánás Rk 21,56 37 0,65 66 1,81 126 0,23 54 0,55 10 0,13 23 1,58 91 0,08 5 0,05 1 0,23 5 9,84 56 4,74 90 0,15 24 0,45 25 0,28 110 0,75 29 0,05 28

Bonyhád Rk 21,74 38 1,31 117 0,71 86 0,16 36 1,58 120 0,11 18 1,69 96 0,16 24 0,90 90 1,58 55 6,57 16 1,91 10 0,22 51 3,68 121 0,05 10 0,93 51 0,16 98

Bicske Rk 21,84 39 1,63 123 0,80 97 0,41 113 0,80 38 0,49 110 0,44 22 0,15 19 0,21 13 0,49 12 8,55 35 5,94 111 0,08 4 0,36 14 0,10 31 1,37 98 0,03 10

Veszprém Rk 22,02 40 0,74 79 0,38 21 0,37 103 0,72 24 0,40 94 0,70 40 0,49 91 0,73 75 2,06 68 9,09 46 3,49 58 0,15 21 0,61 43 0,24 101 1,68 117 0,17 102

Mátészalka Rk 22,09 41 1,47 120 1,70 122 0,13 29 0,99 72 0,23 54 2,17 115 0,76 113 1,20 105 1,11 40 7,06 21 2,86 33 0,16 26 1,14 79 0,19 88 0,79 33 0,12 76

Hatvan Rk 22,21 42 0,45 50 0,41 26 0,24 58 0,88 50 0,17 29 0,66 37 0,43 86 0,79 82 0,53 14 11,37 79 3,78 68 0,28 73 0,79 61 0,23 96 1,15 79 0,06 31

Nagykőrös Rk 22,37 43 0,11 2 0,35 18 0,25 59 0,84 44 1,62 130 0,21 6 0,49 90 0,63 68 0,98 32 11,27 77 3,58 62 0,35 95 0,88 67 0,07 12 0,70 24 0,04 16

Kiskunfélegyháza Rk

22,50 44 0,38 35 0,62 74 0,38 105 0,79 36 0,62 122 0,66 38 0,15 17 1,28 106 3,06 90 8,95 42 3,53 59 0,43 114 0,51 30 0,13 50 0,94 52 0,06 39

Sarkad Rk 22,80 45 0,46 53 0,19 1 0,00 1 0,70 21 0,28 66 0,74 42 0,51 94 0,28 19 3,06 91 11,82 84 3,29 47 0,09 6 0,19 1 0,19 81 0,97 56 0,05 25

Szentendre Rk 22,91 46 0,19 8 0,57 60 0,22 50 0,94 62 0,23 53 0,25 7 0,18 30 0,31 24 0,84 25 12,08 87 3,63 65 0,19 39 0,96 72 0,21 91 2,03 125 0,07 45

Békéscsaba Rk 23,13 47 0,67 69 0,25 8 0,47 121 0,78 34 0,32 73 0,94 52 0,60 105 1,80 122 0,77 22 10,35 65 2,58 28 0,38 104 2,00 109 0,14 58 1,03 64 0,04 21

Kistelek Rk 23,23 48 0,59 61 0,21 3 0,16 33 0,69 19 0,37 84 0,48 24 0,69 111 0,32 27 5,22 105 11,03 72 1,07 4 0,32 85 0,53 34 0,21 93 1,12 73 0,21 113

Budaörs Rk 23,34 49 0,17 6 0,45 32 0,32 87 1,35 113 0,18 33 0,33 11 0,28 52 0,76 80 1,23 44 10,60 68 3,42 57 0,46 117 1,43 91 0,13 48 2,07 127 0,15 91

Érd Rk 23,61 50 0,31 23 0,52 50 0,21 48 1,34 112 0,27 65 0,18 3 0,60 104 0,74 77 1,51 52 9,50 52 4,49 85 0,51 120 1,81 103 0,33 116 1,09 72 0,20 110

Szarvas Rk 23,63 51 0,18 7 0,25 7 0,33 91 0,80 37 0,23 50 0,18 4 0,18 32 6,33 129 0,86 26 9,26 48 2,87 35 0,12 14 1,39 89 0,18 80 0,35 6 0,10 65

Dorog Rk 23,67 52 0,56 58 0,76 95 0,00 1 1,98 127 0,39 92 0,78 46 0,24 44 0,66 70 5,75 108 7,09 22 3,15 44 0,10 7 0,61 44 0,12 44 1,25 91 0,22 115

Komló Rk 23,67 53 0,64 64 0,74 90 0,41 114 1,21 100 0,32 75 0,95 54 0,34 66 1,35 108 2,30 74 7,47 27 4,29 76 0,43 115 1,99 108 0,18 79 0,89 44 0,17 103

Paks Rk 23,79 54 0,78 86 0,86 99 0,31 83 0,90 54 0,33 76 2,04 112 0,14 14 0,53 58 1,97 67 8,47 34 2,71 31 0,70 124 2,65 119 0,10 30 0,78 31 0,49 129

Gyöngyös Rk 24,36 55 1,02 108 0,54 54 0,24 56 1,27 108 0,21 42 1,54 88 0,32 60 1,37 109 0,48 11 9,93 58 3,31 49 0,32 84 2,16 112 0,17 71 1,31 93 0,16 95

Hajdúszoboszló Rk 24,47 56 0,23 16 1,79 125 0,46 118 0,82 41 0,23 52 0,76 43 0,27 51 1,12 102 0,69 19 13,54 107 2,29 19 0,30 77 0,99 74 0,25 106 0,69 23 0,05 22

Kalocsa Rk 24,49 57 0,80 90 0,56 55 0,39 106 0,94 61 0,41 95 0,68 39 0,54 100 0,96 96 1,00 34 11,14 75 3,29 48 0,22 55 2,15 111 0,20 90 1,17 82 0,06 30

Barcs Rk 24,57 58 1,72 125 1,29 114 0,17 38 0,99 70 0,04 3 1,16 63 0,34 68 0,52 54 3,18 93 8,46 33 4,43 84 0,17 28 0,43 23 0,21 95 1,37 99 0,09 51

Vác Rk 24,61 59 0,41 40 0,59 64 0,27 68 1,13 94 0,45 106 0,57 32 0,28 54 0,74 78 1,14 42 10,32 63 4,75 91 0,31 83 1,70 101 0,04 5 1,80 121 0,08 49

Balatonalmádi Rk 24,86 60 0,13 5 0,46 38 0,30 77 1,06 79 0,43 101 0,83 48 0,36 73 0,13 3 2,51 79 8,65 39 7,56 123 0,33 89 0,89 68 0,17 66 0,99 58 0,07 40

Vásárosnamény Rk 25,13 61 0,88 96 2,26 129 0,13 28 0,96 63 0,19 37 2,77 123 0,32 61 1,76 121 1,73 59 8,99 43 3,35 54 0,08 5 0,93 70 0,08 17 0,59 13 0,13 79

Bátonyterenye Rk 25,19 62 0,26 18 1,02 110 0,00 1 1,13 95 0,11 19 0,77 44 0,48 89 0,99 97 0,62 16 12,98 101 4,28 75 0,15 20 0,99 75 0,11 33 1,02 63 0,29 127

Keszthely Rk 25,38 63 0,46 51 0,42 28 0,40 110 0,89 52 0,24 57 0,73 41 0,06 3 0,30 22 4,67 104 10,30 62 4,36 81 0,25 62 0,59 42 0,18 74 1,53 110 0,01 6

Szigetszentmiklós Rk

25,55 64 0,26 19 0,41 27 0,48 123 1,38 115 0,54 116 0,27 9 0,94 120 0,50 50 1,53 53 11,25 76 4,35 79 0,32 86 0,66 47 0,26 107 2,19 128 0,21 112

Püspökladány Rk 25,64 65 0,40 39 1,54 120 0,19 44 0,47 5 0,09 12 1,30 75 0,24 41 0,59 63 2,18 71 14,88 118 2,03 15 0,19 36 0,35 12 0,14 57 0,92 49 0,12 73

Monor Rk 25,92 66 0,46 54 1,08 112 0,39 107 1,03 76 0,54 117 0,50 26 2,01 126 0,41 39 1,58 54 11,34 78 3,33 52 0,40 110 0,80 63 0,28 112 1,58 114 0,17 100

Füzesabony Rk 26,08 67 1,16 112 0,34 15 0,30 81 0,97 69 0,30 72 1,13 61 0,18 31 0,27 18 1,86 62 12,19 92 4,20 74 0,37 99 1,55 97 0,34 119 0,88 43 0,03 14

48/194. oldal










Lopás Betöréses



1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang

Lenti Rk 26,34 68 1,52 121 0,94 106 0,18 40 1,65 122 0,04 5 2,01 110 0,22 40 1,07 100 2,50 78 9,48 51 4,87 93 0,04 1 0,80 64 0,09 25 0,63 16 0,27 124

Mosonmagyaróvár Rk

26,53 69 0,90 100 0,93 102 0,36 101 1,27 106 0,52 113 1,42 79 0,50 92 0,46 46 2,22 72 10,99 70 3,12 43 0,30 81 1,61 98 0,09 27 1,51 108 0,32 128

Cegléd Rk 26,61 70 0,35 30 0,75 93 0,56 128 1,06 80 0,58 120 0,63 36 0,36 72 0,61 65 1,15 43 12,84 100 5,25 100 0,32 87 0,65 45 0,38 123 1,01 61 0,11 69

Tiszafüred Rk 26,63 71 1,85 126 0,38 19 0,21 47 0,96 64 0,10 16 3,67 126 0,10 8 0,55 59 1,65 58 10,19 61 4,94 94 0,24 59 0,45 24 0,27 109 0,93 50 0,14 81

Vasvár Rk 26,81 72 2,92 128 0,56 56 0,00 1 0,69 20 0,35 81 4,52 127 0,14 13 0,21 14 0,00 1 8,75 40 6,60 115 0,28 71 0,21 2 0,14 55 1,32 94 0,14 83

Zalaegerszeg Rk 26,85 73 0,85 95 0,51 48 0,26 64 1,06 81 0,19 40 1,48 85 0,65 107 0,91 92 4,58 102 9,41 50 3,54 61 0,27 68 1,42 90 0,09 24 1,53 111 0,10 59

Siklós Rk 26,98 74 1,00 106 0,69 84 0,40 108 1,38 116 0,22 45 1,18 67 0,51 93 0,92 94 2,57 81 11,10 74 4,66 89 0,38 103 0,74 57 0,15 60 1,03 66 0,05 29

Kisbér Rk 27,04 75 0,32 24 1,01 109 0,00 1 1,86 125 0,42 100 0,27 8 0,16 20 0,32 26 5,52 107 9,03 44 6,48 113 0,37 100 0,27 4 0,16 63 0,74 27 0,11 67

Ózd Rk 27,05 76 1,26 115 0,59 65 0,14 30 1,19 99 0,23 55 2,30 118 0,38 79 0,56 60 2,41 77 13,83 111 1,67 8 0,36 96 0,68 52 0,49 128 0,96 53 0,01 5

Hajdúhadháza Rk 27,30 77 0,63 63 1,93 127 0,00 1 0,76 30 0,22 48 1,95 107 0,28 53 0,18 7 0,67 18 13,68 109 5,30 101 0,13 17 0,40 18 0,12 40 0,91 46 0,13 80

Törökszentmiklós Rk

27,34 78 0,89 99 0,64 79 0,53 126 1,10 91 0,41 96 1,44 81 0,39 80 0,82 85 0,98 33 12,16 90 4,56 87 0,21 43 1,92 104 0,23 98 1,05 68 0,00 1

Tata Rk 27,37 79 0,28 20 0,38 20 0,00 1 1,09 89 0,18 31 0,53 30 0,15 18 0,51 52 9,00 119 9,20 47 3,28 46 0,76 125 0,76 59 0,33 117 0,81 36 0,10 64

Ráckeve Rk 27,44 80 0,28 21 0,28 10 0,22 52 1,09 87 0,42 99 0,38 14 0,20 36 0,16 5 2,72 85 9,50 53 8,84 128 0,79 127 0,52 32 0,12 42 1,85 123 0,06 35

Salgótarján Rk 27,78 81 0,92 101 1,34 115 0,00 1 0,00 1 0,55 118 2,51 121 0,58 103 0,85 88 2,34 75 12,84 99 2,63 29 0,34 92 1,63 99 0,19 86 1,01 62 0,05 26

Nagykáta Rk 28,03 82 0,44 45 0,94 105 0,26 63 1,02 74 0,23 51 0,19 5 0,16 22 0,39 35 2,28 73 11,61 82 8,37 126 0,13 16 0,34 10 0,16 64 1,42 102 0,10 58

Tiszavasvári Rk 28,28 83 0,81 92 1,41 118 0,32 86 1,31 110 0,07 8 1,27 73 0,18 28 0,35 29 1,87 63 12,37 95 6,43 112 0,28 74 0,46 26 0,14 56 0,92 47 0,07 41

Pápa Rk 28,69 84 0,39 36 0,56 58 0,21 49 0,76 29 0,77 126 0,53 27 0,26 48 0,44 43 8,52 118 10,13 60 2,37 23 0,15 22 2,25 113 0,18 76 1,15 81 0,02 7

Balmazújváros Rk 28,82 85 0,22 14 1,39 117 0,00 1 0,54 8 0,28 67 1,93 105 2,18 128 0,85 87 4,67 103 11,46 80 2,97 38 0,25 63 1,33 87 0,13 46 0,54 11 0,09 57

Tamási Rk 29,36 86 1,27 116 0,61 71 0,19 45 1,46 118 0,25 61 1,98 109 0,33 64 3,66 127 3,74 96 9,08 45 4,84 92 0,30 80 0,66 48 0,14 54 0,74 26 0,11 70

Szombathely Rk 29,46 87 0,67 72 0,49 43 0,51 125 0,90 53 0,25 62 2,38 120 0,31 59 1,38 110 2,53 80 12,35 94 4,40 83 0,40 109 1,05 77 0,35 121 1,42 101 0,06 37

Kunszentmárton Rk 29,47 88 1,03 109 0,44 30 0,15 31 0,52 6 0,37 82 1,95 108 0,15 16 0,52 55 1,73 60 14,22 116 7,11 120 0,11 8 0,41 20 0,04 2 0,59 14 0,15 87

Dombóvár Rk 29,84 89 0,98 105 0,45 31 0,30 78 1,91 126 0,30 69 1,16 65 0,30 57 1,55 117 3,97 99 12,98 102 2,03 14 0,36 97 2,45 116 0,15 62 0,84 37 0,12 75

Eger Rk 29,88 90 0,70 74 0,46 36 0,32 89 1,08 85 0,11 21 1,30 74 0,41 83 1,19 104 2,40 76 13,96 115 4,98 96 0,22 53 1,48 94 0,19 83 1,04 67 0,04 19

Oroszlány Rk 30,17 91 0,44 44 0,54 53 0,04 22 1,09 88 0,25 64 0,62 34 0,15 15 0,51 51 7,94 114 10,12 59 5,48 107 0,15 19 0,54 36 0,40 126 1,78 120 0,15 86

Csongrád Rk 30,42 92 0,92 103 0,29 12 0,42 115 2,05 128 0,34 79 1,51 86 0,17 26 0,25 17 5,91 110 13,87 112 3,06 41 0,21 45 0,42 22 0,04 4 0,84 38 0,13 77

Nyíregyháza Rk 30,48 93 0,40 37 1,96 128 0,22 53 0,87 47 0,15 26 1,08 59 0,53 99 1,85 123 5,37 106 10,54 67 3,92 69 0,38 101 1,95 105 0,19 84 0,98 57 0,09 50

Miskolc Rk 31,38 94 0,65 65 0,62 72 0,22 51 0,94 60 0,24 58 1,47 83 1,34 125 1,57 118 1,95 65 12,16 91 6,78 119 0,26 65 1,51 95 0,38 124 1,13 77 0,16 93

Berettyóújfalu Rk 31,66 95 0,68 73 3,01 130 0,34 96 0,74 26 0,14 24 1,90 104 0,66 108 0,71 73 3,25 95 9,90 57 7,49 122 0,21 50 1,14 78 0,23 100 1,12 74 0,14 82

Győr Rk 31,71 96 0,44 46 0,73 89 0,33 92 0,81 40 0,61 121 0,62 35 0,92 118 1,08 101 4,31 101 14,37 117 3,10 42 0,56 122 1,97 107 0,15 61 1,52 109 0,20 109

Makó Rk 31,78 97 0,74 80 0,45 33 0,33 93 1,10 90 0,45 107 1,30 76 2,03 127 0,52 56 7,30 112 12,12 89 3,35 53 0,23 58 0,74 58 0,17 67 0,81 35 0,14 85

Jászberény Rk 32,03 98 0,79 87 0,51 49 0,19 42 0,96 65 0,42 97 2,23 117 0,16 23 0,90 91 2,07 69 13,95 114 6,51 114 0,17 29 1,76 102 0,12 38 1,13 78 0,16 97

Szentes Rk 32,29 99 0,44 48 0,49 44 0,47 120 1,24 103 0,79 127 0,40 16 0,33 63 0,58 61 8,04 116 15,13 119 1,96 12 0,21 46 1,31 85 0,12 39 0,61 15 0,16 99

Hódmezővásárhely Rk

32,40 100 0,76 84 0,64 77 0,47 119 1,24 104 0,45 104 1,59 93 0,17 27 0,64 69 8,00 115 13,01 103 1,97 13 0,40 106 1,95 106 0,17 72 0,85 39 0,09 52

Heves Rk 32,69 101 0,44 47 0,60 69 0,11 25 0,87 48 0,85 128 1,45 82 0,14 12 0,16 6 1,09 37 17,19 125 8,09 125 0,22 52 0,52 31 0,08 19 0,85 40 0,03 12

49/194. oldal










Lopás Betöréses



1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang 1000 főre

rang

Záhony Rk 33,00 102 1,18 113 1,70 123 0,17 39 1,18 98 0,04 4 2,23 116 3,23 129 1,31 107 3,76 98 12,11 88 4,37 82 0,17 30 0,39 17 0,09 23 1,01 60 0,04 20

Nyírbátor Rk 34,13 103 1,21 114 1,69 121 0,17 37 0,91 56 0,18 34 2,35 119 0,55 101 1,50 114 2,81 86 13,12 104 5,42 104 0,25 61 2,07 110 0,18 78 1,47 107 0,28 126

Encs Rk 34,19 104 1,41 119 0,47 40 0,11 24 0,70 22 0,09 10 2,13 114 0,31 58 7,51 130 1,10 38 11,49 81 2,98 39 0,18 31 4,19 124 0,13 47 1,34 95 0,07 43

Kaposvár Rk 34,23 105 0,20 10 0,75 94 0,29 74 0,78 35 0,04 2 0,29 10 0,36 71 0,44 42 11,29 123 11,02 71 6,61 116 0,15 23 0,50 29 0,08 21 1,28 92 0,14 84

Kecskemét Rk 34,31 106 0,70 75 0,59 67 0,48 122 1,08 86 0,39 89 0,92 49 0,56 102 0,84 86 4,14 100 15,29 120 5,78 110 0,62 123 1,21 82 0,19 87 1,44 104 0,08 47

Pécs Rk 34,53 107 0,67 70 0,74 92 0,33 90 1,10 92 0,33 77 0,98 55 0,78 114 3,25 126 3,15 92 12,07 86 5,42 105 0,43 112 3,56 120 0,28 111 1,22 87 0,22 116

Sárbogárd Rk 34,82 108 3,40 129 0,56 59 0,16 35 0,80 39 0,37 86 7,36 129 0,43 85 1,61 120 0,70 20 9,82 55 5,70 109 0,19 34 2,52 117 0,21 94 0,96 54 0,03 11

Nagyatád Rk 35,14 109 1,55 122 0,95 107 0,33 94 1,58 119 0,16 28 1,55 89 0,75 112 0,36 30 7,15 111 12,03 85 5,31 102 1,04 129 0,55 37 0,13 51 1,58 112 0,11 71

Szekszárd Rk 35,96 110 1,12 110 0,66 80 0,25 62 1,43 117 0,14 25 1,42 80 0,33 65 1,51 115 9,01 120 12,73 98 4,06 72 0,30 78 1,46 93 0,23 97 1,18 83 0,11 68

Karcag Rk 36,06 111 1,38 118 0,34 16 0,19 43 0,65 16 0,52 115 3,31 125 0,13 11 1,07 98 1,29 47 16,50 123 8,47 127 0,22 57 0,52 33 0,24 103 1,12 75 0,09 55

Komárom Rk 36,28 112 0,40 38 0,68 83 0,31 82 0,73 25 0,23 56 0,42 18 0,40 81 0,87 89 11,76 125 13,49 106 4,62 88 0,16 27 0,66 46 0,19 85 1,15 80 0,21 111

Esztergom Rk 38,43 113 0,76 82 0,93 104 0,55 127 1,78 123 0,37 83 1,25 71 0,37 76 3,98 128 10,42 121 10,79 69 3,60 63 0,81 128 0,78 60 0,33 118 1,46 106 0,25 120

Szolnok Rk 39,43 114 0,79 88 0,41 25 0,25 60 0,71 23 0,48 108 1,78 101 0,52 95 0,62 67 5,82 109 17,32 126 4,34 78 0,19 35 4,29 126 0,25 104 1,58 115 0,11 72

Gárdony Rk 39,68 115 7,11 130 0,64 78 0,00 1 0,84 43 0,25 60 5,78 128 0,25 46 0,20 10 0,91 30 13,55 108 7,40 121 0,27 67 0,66 49 0,07 14 1,60 116 0,15 88

Debrecen Rk 39,87 116 0,41 41 1,44 119 0,30 79 0,61 11 0,21 43 1,58 92 1,00 121 1,88 124 8,40 117 13,13 105 6,63 117 0,31 82 2,36 115 0,32 115 1,23 88 0,06 33

Székesfehérvár Rk 40,21 117 0,75 81 0,63 76 0,40 109 0,75 28 0,45 103 0,99 56 0,91 117 1,59 119 3,75 97 16,47 122 1,95 11 0,30 76 9,01 128 0,38 122 1,73 119 0,15 89

Mezőkövesd Rk 40,95 118 1,14 111 0,71 85 0,27 69 0,64 13 0,07 7 1,62 94 0,93 119 0,77 81 2,87 88 12,35 93 5,67 108 0,34 93 12,15 129 0,25 105 1,07 69 0,09 54

Szeged Rk 41,33 119 0,38 31 0,53 51 0,35 97 0,76 31 0,49 109 1,05 57 1,20 123 1,47 112 14,02 126 13,91 113 2,84 32 0,28 72 1,65 100 0,24 102 2,07 126 0,09 53

Balatonfüred Rk 42,32 120 0,76 83 0,59 66 0,34 95 1,64 121 0,42 98 1,90 103 1,22 124 1,14 103 10,45 122 12,69 96 2,57 27 0,38 102 5,99 127 0,17 69 1,90 124 0,17 104

Tatabánya Rk 42,61 121 0,38 32 0,67 82 0,40 111 0,54 9 0,70 125 0,40 17 1,12 122 3,11 125 11,37 124 12,70 97 4,99 97 0,26 64 3,97 123 0,47 127 1,36 97 0,18 106

Mezőtúr Rk 42,93 122 0,81 91 0,81 98 0,28 72 0,99 71 0,39 91 2,76 122 0,64 106 0,74 76 7,49 113 15,72 121 7,81 124 1,84 130 0,95 71 0,39 125 1,13 76 0,18 105

Dunaújváros Rk 43,14 123 1,92 127 0,72 88 0,25 61 1,07 84 0,33 78 12,91 130 0,35 69 0,82 84 2,12 70 13,80 110 5,21 99 0,28 70 0,69 55 0,59 129 1,82 122 0,25 121

Nagykanizsa Rk 45,24 124 0,43 42 0,46 35 0,30 76 1,23 102 0,10 15 0,57 33 0,24 43 0,40 36 2,65 84 8,59 37 5,47 106 0,21 47 22,67 130 0,12 43 1,58 113 0,23 119

Fonyód Rk 48,33 125 0,38 34 0,50 46 0,26 66 0,89 51 0,10 13 0,43 20 0,26 49 0,29 20 15,64 127 16,62 124 6,68 118 0,41 111 4,26 125 0,14 59 1,46 105 0,00 1

Budapest 51,80 126 0,32 25 0,87 100 0,31 84 0,67 17 0,22 47 1,12 60 4,32 130 1,48 113 3,19 94 25,78 127 4,94 95 0,53 121 2,28 114 0,88 130 4,36 130 0,53 130

Orosháza Rk 63,70 127 0,20 12 0,31 13 0,24 57 1,11 93 0,39 90 0,11 1 0,37 75 0,44 44 3,05 89 52,84 130 2,87 34 0,24 60 0,57 39 0,11 34 0,67 21 0,17 101

Marcali Rk 76,94 128 0,67 71 0,74 91 0,64 130 1,86 124 0,06 6 0,80 47 0,35 70 0,93 95 16,71 128 35,03 129 13,83 130 0,77 126 2,56 118 0,13 49 1,73 118 0,13 78

Edelény Rk 81,38 129 0,58 60 0,61 70 0,30 80 1,05 78 0,11 20 1,76 100 0,41 84 1,43 111 64,71 130 5,61 5 3,41 55 0,28 69 0,39 16 0,08 20 0,66 18 0,00 1

Siófok Rk 83,00 130 0,66 68 0,72 87 0,38 104 1,04 77 0,11 17 0,55 31 0,25 45 0,75 79 35,21 129 25,82 128 13,22 129 0,40 108 1,16 80 0,23 99 2,45 129 0,05 23

50/194. oldal

5. Táblázat – A bűncselekményi rangsor első és utolsó tíz helyén szereplő rendőrkaptányságok

ÖSSZES BŰNCSELEKM

ÉNY


Testi sértés - súlyos


Közúti jármű ittas

vezetése

Tartás elmulaszt

ása Garázdasá

g

Közokirat-

hamisítás

Magánokirat-

hamisítás

Rendőrkapitányság

1000 főre rang


1000

főre

rang


1000

főre

rang


1000

főre

rang


1000

főre

rang


1000

főre

rang


1000

főre ran

g


1000

főre

rang


1000

főre ran

g

Kapuvár Rk 10,16 1 Celldömölk Rk 0,04 1 Sarkad Rk

0,19 1 Kapuvár Rk 0 1 Salgótarján Rk 0 1 Sárospatak Rk

0,04 1 Orosháza Rk 0,11 1 Celldömölk Rk

0,04 1 Hajdúnánás Rk 0,05 1

Csorna Rk 10,23 2 Nagykőrös Rk 0,11 2 Békés Rk 0,2 2 Békés Rk 0 1

Balassagyarmat Rk

0,05 2 Kaposvár Rk

0,04 2 Gödöllő Rk 0,15 2 Sárvár Rk

0,05 2 Mór Rk 0,11 2

Mór Rk 10,94 3 Mór Rk 0,11 3 Kistelek Rk

0,21 3 Rétság Rk 0 1 Rétság Rk 0,4 3 Barcs Rk

0,04 3 Érd Rk 0,18 3 Keszthely Rk

0,06 3

Balatonalmádi Rk 0,13 3

Békés Rk 11,22 4 Békés Rk 0,13 4

Kunszentmiklós Rk

0,22 4 Celldömölk Rk 0 1


0,47 4 Záhony Rk

0,04 4 Szarvas Rk 0,18 4 Ajka Rk

0,07 4 Szerencs Rk 0,15 4

Szerencs Rk 15,23 5 Balatonalmádi

Rk 0,13 5 Celldömölk Rk

0,23 5 Szécsény Rk 0 1

Püspökladány Rk

0,47 5 Lenti Rk

0,04 5 Nagykáta Rk 0,19 5 Hajdúnánás Rk

0,08 5 Ráckeve Rk 0,16 5

Sárvár Rk 15,84 6 Budaörs Rk 0,17 6 Körmend Rk

0,23 6 Várpalota Rk 0 1

Kunszentmárton Rk

0,52 6 Marcali Rk

0,06 6 Nagykőrös Rk 0,21 6 Szécsény Rk

0,09 6 Heves Rk 0,16 6

Tapolca Rk 15,89 7 Szarvas Rk 0,18 7 Szarvas Rk

0,25 7

Balassagyarmat Rk 0 1 Szécsény Rk

0,54 7

Mezőkövesd Rk

0,07 7 Szentendre Rk 0,25 7 Kisvárda Rk 0,1 7

Hajdúhadháza Rk 0,18 7

Rétság Rk 16,45 8 Szentendre Rk 0,19 8 Békéscsaba Rk

0,25 8 Pásztó Rk 0 1

Balmazújváros Rk

0,54 8

Tiszavasvári Rk

0,07 8 Kisbér Rk 0,27 8 Tiszafüred Rk 0,1 8

Kunszentmiklós Rk 0,19 8

Baja Rk 16,61 9 Dunakeszi Rk 0,2 9 Mór Rk 0,28 9 Kőszeg Rk 0 1 Tatabánya Rk

0,54 9 Szigetvár Rk

0,09 9

Szigetszentmiklós Rk 0,27 9 Mór Rk

0,11 9 Sárospatak Rk 0,19 9

Hajdúböszörmény Rk 16,84 10 Kaposvár Rk 0,2 10 Ráckeve Rk

0,28 10 Sarkad Rk 0 1 Hajdúnánás Rk

0,55 10 Encs Rk

0,09 10 Kaposvár Rk 0,29 10 Rétság Rk

0,12 10 Gárdony Rk 0,2 10

Tatabánya Rk 42,61 121 Lenti Rk 1,52

121 Nyírbátor Rk

1,69

121 Békéscsaba Rk

0,47

121

Balatonfüred Rk

1,64

121 Győr Rk

0,61 121 Salgótarján Rk 2,51

121 Debrecen Rk 1

121

Vásárosnamény Rk 1,76 121

Mezőtúr Rk 42,93 122 Nagyatád Rk 1,55

122 Mátészalka Rk 1,7

122 Kecskemét Rk

0,48

122 Lenti Rk

1,65

122

Kiskunfélegyháza Rk

0,62 122 Mezőtúr Rk 2,76

122 Tatabánya Rk

1,12

122 Békéscsaba Rk 1,8 122

Dunaújváros Rk 43,14 123 Bicske Rk

1,63

123 Záhony Rk 1,7

123

Szigetszentmiklós Rk

0,48

123 Esztergom Rk

1,78

123 Kőszeg Rk

0,64 123

Vásárosnamény Rk 2,77

123 Szeged Rk 1,2

123

Nyíregyháza Rk 1,85 123

Nagykanizsa Rk 45,24 124

Fehérgyarmat Rk 1,7

124


1,75

124 Sárvár Rk 0,5

124 Marcali Rk

1,86

124 Ajka Rk

0,68 124

Fehérgyarmat Rk 3,07

124

Balatonfüred Rk

1,22

124 Debrecen Rk 1,88 124

Fonyód Rk 48,33 125 Barcs Rk 1,72

125

Hajdúszoboszló Rk

1,79

125

Szombathely Rk

0,51

125 Kisbér Rk

1,86

125 Tatabánya Rk 0,7 125 Karcag Rk 3,31

125 Miskolc Rk

1,34

125 Tatabánya Rk 3,11 125

Budapest 51,8 126 Tiszafüred Rk 1,85

126 Hajdúnánás Rk

1,81

126

Törökszentmiklós Rk

0,53

126 Dombóvár Rk

1,91

126 Pápa Rk

0,77 126 Tiszafüred Rk 3,67

126 Monor Rk

2,01

126 Pécs Rk 3,25 126

Orosháza Rk 63,7 127 Dunaújváros

Rk 1,92

127

Hajdúhadháza Rk

1,93

127 Esztergom Rk

0,55

127 Dorog Rk

1,98

127 Szentes Rk

0,79 127 Vasvár Rk 4,52

127 Makó Rk

2,03

127 Tamási Rk 3,66 127

Marcali Rk 76,94 128 Vasvár Rk 2,92

128

Nyíregyháza Rk

1,96

128 Cegléd Rk

0,56

128 Csongrád Rk

2,05

128 Heves Rk

0,85 128 Gárdony Rk 5,78

128

Balmazújváros Rk

2,18

128 Esztergom Rk 3,98 128

Edelény Rk 81,38 129 Sárbogárd Rk 3,4 129

Vásárosnamény Rk

2,26

129 Csorna Rk

0,62

129 Kiskőrös Rk

2,34

129 Rétság Rk

0,95 129 Sárbogárd Rk 7,36

129 Záhony Rk

3,23

129 Szarvas Rk 6,33 129

Siófok Rk 83 130 Gárdony Rk 7,11

130

Berettyóújfalu Rk

3,01

130 Marcali Rk

0,64

130 Kiskunhalas Rk

2,51

130 Nagykőrös Rk

1,62 130

Dunaújváros Rk

12,91

130 Budapest

4,32

130 Encs Rk 7,51 130

51/194. oldal

6. Táblázat - A bűncselekményi rangsor első és utolsó tíz helyén szereplő rendőrkaptányságok (2. rész)

Visszaélés okirattal Lopás

Betöréses lopás Sikkasztás Csalás Rablás Rongálás

Jármű önkényes elvétele


1000 főre

rang


1000 főre

rang


1000 főre

rang


1000 főre

rang


1000 főre

rang


1000 főre

rang


1000 főre

rang


1000 főre

rang

Vasvár Rk 0 1 Kapuvár Rk 2,86 1 Kapuvár Rk 0,71 1 Lenti Rk 0,04 1 Sarkad Rk 0,19 1 Csorna Rk 0 1 Hajdúböszörmé

ny Rk 0,22 1 Szécsény Rk 0 1

Mór Rk 0,03 2 Csorna Rk 3,44 2 Szeghalom Rk 0,76 2 Békés Rk 0,05 2 Vasvár Rk 0,21 2 Kunszentmárton

Rk 0,04 2 Szécsény Rk 0,31 2 Törökszentmikl

ós Rk 0 1

Rétság Rk 0,16 3 Mór Rk 4,34 3 Gyula Rk 0,98 3 Kazincbarcika

Rk 0,08 3 Mór Rk 0,23 3 Rétság Rk 0,04 3 Békés Rk 0,33 3 Fonyód Rk 0 1

Csorna Rk 0,19 4 Békés Rk 4,73 4 Kistelek Rk 1,07 4 Bicske Rk 0,08 4 Kisbér Rk 0,27 4 Csongrád Rk 0,04 4 Kapuvár Rk 0,33 4 Edelény Rk 0 1

Hajdúnánás Rk 0,23 5 Edelény Rk 5,61 5 Békés Rk 1,14 5 Vásárosnamény

Rk 0,08 5 Szécsény Rk 0,27 5 Vác Rk 0,04 5 Celldömölk Rk 0,35 5 Ózd Rk 0,01 5

Balassagyarmat Rk 0,24 6 Sárvár Rk 5,7 6 Csorna Rk 1,32 6 Sarkad Rk 0,09 6

Hajdúböszörmény Rk 0,28 6 Körmend Rk 0,05 6 Szarvas Rk 0,35 6 Keszthely Rk 0,01 6

Pásztó Rk 0,28 7 Tapolca Rk 5,74 7 Fehérgyarmat

Rk 1,32 7 Dorog Rk 0,1 7 Sárospatak Rk 0,31 7 Sárvár Rk 0,05 7 Csorna Rk 0,35 7 Pápa Rk 0,02 7

Szeghalom Rk 0,29 8 Kiskőrös Rk 5,76 8 Ózd Rk 1,67 8 Kunszentmárton

Rk 0,11 8 Kőszeg Rk 0,32 8 Békés Rk 0,05 8 Sárospatak Rk 0,5 8 Balassagyarmat

Rk 0,02 8

Fehérgyarmat Rk 0,38 9

Fehérgyarmat Rk 6,1 9 Szerencs Rk 1,69 9 Mór Rk 0,11 9 Tapolca Rk 0,33 9

Fehérgyarmat Rk 0,05 9 Tiszaújváros Rk 0,5 9 Sárvár Rk 0,02 9

Szerencs Rk 0,39 10 Körmend Rk 6,14 10 Bonyhád Rk 1,91 10 Celldömölk Rk 0,12 10 Nagykáta Rk 0,34 10 Bonyhád Rk 0,05 10 Fehérgyarmat

Rk 0,51 10 Bicske Rk 0,03 10

Esztergom Rk 10,42 121 Mezőtúr Rk 15,72 121 Gárdony Rk 7,4 121 Budapest 0,53 121 Bonyhád Rk 3,68 121 Szombathely Rk 0,35 121 Vác Rk 1,8 121 Dunaújváros Rk 0,25 121

Balatonfüred Rk 10,45 122 Székesfehérvár

Rk 16,47 122 Berettyóújfalu

Rk 7,49 122 Győr Rk 0,56 122 Kiskőrös Rk 3,83 122 Székesfehérvár

Rk 0,38 122 Dunaújváros Rk 1,82 122 Dabas Rk 0,26 122

Kaposvár Rk 11,29 123 Karcag Rk 16,5 123 Balatonalmádi

Rk 7,56 123 Kecskemét Rk 0,62 123 Tatabánya Rk 3,97 123 Cegléd Rk 0,38 123 Ráckeve Rk 1,85 123 Kiskunhalas Rk 0,26 123

Tatabánya Rk 11,37 124 Fonyód Rk 16,62 124 Mezőtúr Rk 7,81 124 Paks Rk 0,7 124 Encs Rk 4,19 124 Miskolc Rk 0,38 124 Balatonfüred Rk 1,9 124 Lenti Rk 0,27 124

Komárom Rk 11,76 125 Heves Rk 17,19 125 Heves Rk 8,09 125 Tata Rk 0,76 125 Fonyód Rk 4,26 125 Mezőtúr Rk 0,39 125 Szentendre Rk 2,03 125 Kőszeg Rk 0,28 125

Szeged Rk 14,02 126 Szolnok Rk 17,32 126 Nagykáta Rk 8,37 126 Marcali Rk 0,77 126 Szolnok Rk 4,29 126 Oroszlány Rk 0,4 126 Szeged Rk 2,07 126 Nyírbátor Rk 0,28 126

Fonyód Rk 15,64 127 Budapest 25,78 127 Karcag Rk 8,47 127 Ráckeve Rk 0,79 127 Balatonfüred Rk 5,99 127 Tatabánya Rk 0,47 127 Budaörs Rk 2,07 127 Bátonyterenye

Rk 0,29 127

Marcali Rk 16,71 128 Siófok Rk 25,82 128 Ráckeve Rk 8,84 128 Esztergom Rk 0,81 128 Székesfehérvár

Rk 9,01 128 Ózd Rk 0,49 128 Szigetszentmikl

ós Rk 2,19 128 Mosonmagyaró

vár Rk 0,32 128

Siófok Rk 35,21 129 Marcali Rk 35,03 129 Siófok Rk 13,22 129 Nagyatád Rk 1,04 129 Mezőkövesd Rk 12,15 129 Dunaújváros Rk 0,59 129 Siófok Rk 2,45 129 Paks Rk 0,49 129

Edelény Rk 64,71 130 Orosháza Rk 52,84 130 Marcali Rk 13,83 130 Mezőtúr Rk 1,84 130 Nagykanizsa Rk 22,67 130 Budapest 0,88 130 Budapest 4,36 130 Budapest 0,53 130

52/194. oldal

7 Társadalmi jellemzők (hogyan hatnak a bűncselekmények alakulására)

Az előzetesen kiválogatott független társadalmi változókat (95 egyed) felhasználtuk egy korrelációs számításhoz, annak érdekében, hogy érzékelni lehessen létezik-e kapcsolat a kiválasztott bűncselekménytípusokkal (16 egyed). A két független változó közötti egyenes arányú, fordított arányú vagy hiányzó kapcsolatot (pozitív, negatív vagy nem létező korreláció) rajzolták ki a számításaink. Ezeket táblázatban jelenítettük meg, és kiemeltük a pozitív kapcsolattal rendelkező egyedeket, hogy egyértelműbb képet kapjunk az értékelés megkezdéséhez.6 Ezt követően nyílt módunk annak kiértékelésére, hogy mely egyedek sorolhatók a közös vizsgálati halmazba és azok milyen erősséggel kapcsolódnak egymáshoz.7

A korrelációs számítással létrehozott a közös vizsgálati halmazba került egyedeket tovább vizsgáltuk annak érdekében, hogy meg tudjuk állapítani a bűncselekményekkel való kapcsolatuk közvetlen módon valósul- e meg, vagy valamely egyéb tényező erősíti azt. Ennek az igényünknek teljesítése érdekében regressziós egyenletet alkalmaztunk vizsgált halmaz egyedeire. Melynek segítségével kiszűrtük a korreláció segítségével letisztított független társadalmi változók kapcsolódásának megmaradt zavaró hatásait és felrajzoltuk azokat a kapcsolatokat, amelyek közvetlenül megjelennek, hatást gyakorolnak az egyes bűncselekmény-típusokhoz megjelenésére. A közvetlen kapcsolat kimutatása mellett további fontos hozadéka a modell alkalmazásának, hogy a két egyed függőségének mértékét is képesek voltunk meghatározni.

Ezt követően már közös táblázatba foglalhattuk a regressziós modellel azonosított független társadalmi változók és a jellemző bűncselekménytípusok egyes rendőrkapitányságoknál megjelenő értékeit. Ezekben a táblázatokban bűncselekmény típusonként növekvő sorrendben jelennek meg a kapitányságok, valamint a társadalmi változók közül zölddel jelöltük a legjobb, pirossal a legrosszabb eredményeket. A továbbiakban részletesebben tekintsük át, hogy a kiválasztott független társadalmi változók hogyan kapcsolódnak az egyes bűncselekményekhez és milyen értéket képviselnek egy-egy rendőrkapitányság esetében.

Az előtanulmány készítésének ezen szakaszában a 3.3.2.1. pontban leírt bűnügyi adatokra vonatkozó módszertan alapján azonosított bűncselekménytípusokkal dolgoztunk. Mindegyik bűncselekmény alá besoroltuk az általunk beszerzett független társadalmi változókat (95 egyed) és felhasználtuk egy korrelációs számításhoz. Az eredményt két alapvető indikátor mentén értékeltük ki. Egyik segítségével a független társadalmi változók bűncselekménnyel való összefüggésének tényét (ha 0,05-nél kisebb érték, van összefüggés), a másikkal a két egyed közötti hatás erősségét (táblázatban „R” -1és +1 közötti érték) mértük fel.

Ezzel a módszerrel a könnyű testi sértés esetében 8 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Kábeltelevíziós hálózatba bekapcsolt lakások száma (-0,193) szerepelt. A súlyos testi sértés esetében 39 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Nyilvántartott pályakezdő álláskeresők száma (0,449) bírt. A közúti baleset okozása esetében 45 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a helyi önkormányzatok saját folyó bevételei (0,366) szerepelt. A Közúti

jármű ittas vezetése esetében 9 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Szakiskolai végzettségű nyilvántartott álláskeresők száma (-0,238) bírt.

6 A számítás során kialakult 0,05-nél kisebb érték azt jelenti, hogy 95%-os biztonsággal kimondhatjuk, van összefüggés a két tényező között. 7 A hatás erőssége -1 és 1 értékek között változhat.

53/194. oldal

A Tartás elmulasztása esetében 33 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel Egy éven túl nyilvántartott álláskereső férfiak száma (-0,301) szerepelt. A Garázdaság esetében 23 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Nyilvántartott pályakezdő álláskereső nők száma (0,238) bírt. A Közokirat-

hamisítás esetében 14 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Regisztrált jogi személyiségű vállalkozások száma (0,387) szerepelt. A Magánokirat-hamisítás esetében 3 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel az Általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma (0,206) bírt. A Visszaélés okirattal esetében 26 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel az Egyéb (2009-ig magán) szállásadás férőhelyeinek száma összesen (0,278) szerepelt. A Lopás esetében 10 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Háztartási gázfogyasztók száma (0,282) bírt. A Betöréses lopás esetében 13 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel az Vendégéjszakák száma az egyéb (2009-ig magán) szállásadásban (0,241) szerepelt. A Sikkasztás esetében 10 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Működő házi gyermekorvosok száma (0,31) bírt. A Csalás esetében 4 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Főiskolai végzettségű nyilvántartott álláskeresők száma (0,265) szerepelt. A Rablás esetében 30 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Regisztrált jogi személyiségű vállalkozások száma (0,455) bírt. A Rongálás esetében 60 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a Főiskolai végzettségű nyilvántartott álláskeresők száma (0,682) szerepelt. A Jármű önkényes elvétele esetében 38 változóval sikerült kapcsolatot kimutatni, a legerősebb kapcsolati értékkel a helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (0,405) bírt.

Az előző értékelést érdemes oly módon megfordítani, hogy a legerősebb hatást gyakorló társadalmi változók szempontjából tekintünk az egyes bűncselekményekre, és ennek segítségével próbáljuk őket elkövetési kategóriákhoz (bűncselekményi főcsoportokhoz) kötni. Ilyen lehet például a Kábeltelevíziós hálózatba bekapcsolt lakások száma, ami egyaránt megjelenik a Jármű önkényes elvétele, a Rongálás, a Rablás, a Közúti baleset okozása, a Súlyos testi sértés és a Könnyű testi sértés bűncselekmények esetében is.

A bűncselekményekhez csatolt előzőekben ismertetett legerősebb hatással bíró társadalmi változók egy jelentősebb egyedszámú érintettség esetén sajátságos belső szerkezet is kialakíthatnak, egymás hatásait erősítve vagy gyengítve.

Érdemes továbbá az egy bűncselekménynél megjelenő a magas egyedszámú legerősebb hatással bíró társadalmi változókat (Rablásnál 60 db) tovább tisztítani, ha túlzottan árnyalt képet mutat a korreláció, vagy nyilvánvalóan nincs hatása a gyakorlatban.

7.1 Összes bűncselekmény

7.1.1 A bűncselekmények teljes számával korreláló változók

7. Táblázat - A bűncselekmények teljes számával korreláló változók

Független változók SIG R

1 a108_fo Egyéb (2009-ig magán) szállásadás férőhelyeinek száma összesen (db) 0,001 0,286

2 a57_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma 0,001 0,284

3 a59_fo Egyéb (2009-ig magán) szálláshelyek férőhelyeinek száma összesen 0,001 0,284

4 a107_fo Egyéb (2009-ig magán) szállásadás vendéglátóinak száma összesen (db) 0,001 0,279

54/194. oldal


5 a9_fo Távfűtésbe bekapcsolt lakások száma 0,002 0,337

6 a106_fo Fizetővendéglátás szállásférőhelyeinek száma (db) 0,002 0,279

7 a105_fo Fizetővendéglátás vendéglátóinak száma (fő) 0,002 0,275

8 a110_fo Vendégéjszakák száma az egyéb (2009-ig magán) szállásadásban (vendégéjszaka)

0,002 0,273

9 a28_fo Egyetemi végzettségű nyilvántartott álláskeresők száma 0,002 0,27

10 a104_fo Vendégéjszakák száma a fizetővendéglátásban (vendégéjszaka) 0,003 0,27

11 a111_fo Kiskereskedelmi üzletek száma (db) 0,003 0,259

12 a102_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma (db) 0,003 0,258

13 a100_fo A kereskedelmi szálláshelyek egységeinek száma (db) 0,004 0,252

14 a109_fo Vendégek száma az egyéb (2009-ig magán) szállásadásban (fő) 0,004 0,252

15 a103_fo Vendégek száma a fizetővendéglátásban (fő) 0,005 0,251

16 a97_fo Vendéglátóhelyek száma (db) 0,005 0,248

17 a85_fo Helyközi autóbusz-megálló aránya 0,005 -0,243

18 a7_fo Háztartási villamosenergia fogyasztók száma 0,007 0,234

19 a1_fo A helyi önkormányzatok saját folyó bevételei 0,008 0,233

20 a58_fo A kereskedelmi szálláshelyek egységeinek száma 0,009 0,229

21 a61_fo Egyéb (2009-ig magán) szálláshelyek vendégéjszakáinak száma 0,014 0,216

22 a77_fo A helyi önkormányzatok helyi adó bevételeiből az idegenforgalmi adó (1000 Ft)

0,016 0,215

23 a27_fo Főiskolai végzettségű nyilvántartott álláskeresők száma 0,016 0,21

24 a60_fo Egyéb (2009-ig magán) szálláshelyek vendégeinek száma 0,022 0,202

25 a99_fo Vendégek száma összesen a kereskedelmi szálláshelyeken (fő) 0,022 0,202

26 aktiv_ar 18-59 évesek aránya 0,035 -0,185

27 a55_fo Vendégek száma összesen a kereskedelmi szálláshelyeken 0,045 0,177

28 a101_fo Vendégéjszakák száma a kereskedelmi szálláshelyeken (vendégéjszaka) 0,048 0,175

29 a22_fo Általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma

0,049 0,173

36. ábra - A regressziós modell ábrája

55/194. oldal

7.1.2 Az összes bűncselekményre közvetlenül hatással lévő változók regressziós egyenese

37. ábra – Összes bűncselekmény – 1000 főre jutó távfűtésbe bekapcsolt lakások száma

38. ábra – Összes bűncselekmény – 1000 főre jutó egyéb szálláshelyek férőhelyeinek száma összesen

56/194. oldal

39. ábra– Összes bűncselekmény – helyi autóbusz megállók aránya

40. ábra– Összes bűncselekmény –18-59 évesek aránya

57/194. oldal

41. ábra – Összes bűncselekmény – 60+ évesek aránya

7.1.3 A regressziós modellben szereplő változók értékei kapitányságonként

8. Táblázat - A regressziós modellben szereplő változók értékei kapitányságonként bűncselekménytípusok szerinti növekvő sorrendben


1000 főre jutó összes

bűncselekmény száma

Távfűtésbe bekapcsolt

lakások száma

Egyéb (2009-ig magán)

szálláshelyek férőhelyeinek

száma összesen

Aktívak aránya

Helyközi autóbusz-megálló aránya

Idősek aránya

Kapuvár Rk 10,16 11,03 9,7 0,6 1 0,24

Csorna Rk 10,23 10,85 5,8 0,6 1 0,23

Mór Rk 10,94 37,26 5,16 0,62 1 0,2

Békés Rk 11,22 0 1,24 0,59 1 0,23

Szerencs Rk 15,23 0 13,78 0,58 1 0,21

Sárvár Rk 15,84 22,57 27,7 0,61 1 0,24

Tapolca Rk 15,89 29,94 125,76 0,6 1 0,23

Rétság Rk 16,45 0 10,53 0,6 1 0,22

Baja Rk 16,61 21,53 3,51 0,58 1 0,25

Hajdúböszörmény Rk 16,84 6,57 2,72 0,59 1 0,2

Mezőkovácsháza Rk 16,98 8,7 3,89 0,58 1 0,25

Szeghalom Rk 17,19 0 3,42 0,6 1 0,21

Celldömölk Rk 17,19 17,76 12,73 0,59 1 0,24

Fehérgyarmat Rk 17,52 0 17,37 0,58 1 0,2

Kunszentmiklós Rk 17,59 0 3,24 0,59 1 0,22

58/194. oldal





lakások száma



száma összesen

Aktívak aránya


Idősek aránya

Körmend Rk 17,79 51,2 34,89 0,6 0,98 0,24

Kiskunhalas Rk 18,13 15,03 10,31 0,59 1 0,23

Kisvárda Rk 18,29 19,86 0,18 0,61 1 0,17

Szécsény Rk 18,73 0 12,8 0,58 1 0,22

Sátoraljaújhely Rk 18,83 24,42 21,85 0,58 1 0,21

Szigetvár Rk 19,25 32,29 8,7 0,61 1 0,2

Dunakeszi Rk 19,42 33,51 0,74 0,61 1 0,19

Tiszaújváros Rk 19,83 111,12 7,53 0,6 1 0,18

Sopron Rk 19,94 63,57 17,22 0,6 1 0,23

Sárospatak Rk 20,01 33,2 49,82 0,6 1 0,22

Kiskőrös Rk 20,13 0 2,96 0,59 1 0,24

Gyula Rk 20,13 0 45,72 0,59 1 0,25

Várpalota Rk 20,7 129,45 3,39 0,61 1 0,21

Mohács Rk 20,97 38,34 10,48 0,6 1 0,23

Kazincbarcika Rk 21,03 103,08 4,44 0,61 1 0,21

Balassagyarmat Rk 21,05 0 7,81 0,6 1 0,23

Pásztó Rk 21,08 0 15,2 0,59 1 0,24

Dabas Rk 21,09 0 1,28 0,61 1 0,19

Gödöllő Rk 21,14 11,12 4,05 0,6 1 0,2

Ajka Rk 21,28 127,44 6,17 0,61 1 0,23

Kőszeg Rk 21,4 18,69 148,35 0,61 1 0,22

Hajdúnánás Rk 21,56 15,44 5,72 0,6 1 0,21

Bonyhád Rk 21,74 23,59 4,58 0,6 1 0,23

Bicske Rk 21,84 0 8,34 0,61 1 0,19

Veszprém Rk 22,02 79,53 11,37 0,62 1 0,21

Mátészalka Rk 22,09 20,62 1,05 0,6 1 0,19

Hatvan Rk 22,21 0 1,82 0,59 1 0,24

Nagykőrös Rk 22,37 18,75 1,55 0,59 1 0,22

Kiskunfélegyháza Rk 22,5 31,88 1,32 0,59 1 0,23

Sarkad Rk 22,8 0 0 0,58 1 0,23

Szentendre Rk 22,91 17,46 7,19 0,59 1 0,21

Békéscsaba Rk 23,13 0 2,58 0,6 1 0,24

Kistelek Rk 23,23 0 5,06 0,58 1 0,25

Budaörs Rk 23,34 15,9 2,92 0,59 1 0,19

Érd Rk 23,61 49,33 1,17 0,61 1 0,19

Szarvas Rk 23,63 3,05 24,88 0,58 1 0,25

Komló Rk 23,67 77,53 18,71 0,6 1 0,23

59/194. oldal





lakások száma



száma összesen

Aktívak aránya


Idősek aránya

Dorog Rk 23,67 31,47 2,03 0,61 1 0,21

Paks Rk 23,79 55,14 4,61 0,61 1 0,21

Gyöngyös Rk 24,36 37,37 11,92 0,58 1 0,25

Hajdúszoboszló Rk 24,47 27,84 267,11 0,6 1 0,22

Kalocsa Rk 24,49 0 3,53 0,59 1 0,25

Barcs Rk 24,57 0 25,65 0,59 1 0,21

Vác Rk 24,61 28,52 8,77 0,6 1 0,21

Balatonalmádi Rk 24,86 0 323,51 0,59 1 0,26

Vásárosnamény Rk 25,13 0 22,28 0,59 1 0,19

Bátonyterenye Rk 25,19 0 9,58 0,58 1 0,24

Keszthely Rk 25,38 17,51 300,22 0,59 1 0,26

Szigetszentmiklós Rk 25,55 12,57 0,46 0,61 1 0,18

Püspökladány Rk 25,64 18,22 7,59 0,59 1 0,21

Monor Rk 25,92 0 1,5 0,61 1 0,2

Füzesabony Rk 26,08 0 50,45 0,57 1 0,23

Lenti Rk 26,34 0 36,49 0,59 1 0,26

Mosonmagyaróvár Rk 26,53 47,64 12,44 0,61 1 0,2

Cegléd Rk 26,61 20,42 1,54 0,59 1 0,22

Tiszafüred Rk 26,63 0 121,44 0,59 1 0,22

Vasvár Rk 26,81 20,08 9,73 0,6 1 0,23

Zalaegerszeg Rk 26,85 0 7,97 0,61 0,99 0,23

Siklós Rk 26,98 19,51 150,32 0,6 1 0,21

Kisbér Rk 27,04 0 4,99 0,62 1 0,21

Ózd Rk 27,05 81,82 4,05 0,57 1 0,21

Hajdúhadháza Rk 27,3 0 1,35 0,6 1 0,16

Törökszentmiklós Rk 27,34 0 2,66 0,58 1 0,21

Tata Rk 27,37 52,98 11,33 0,61 1 0,22

Ráckeve Rk 27,44 0 2,7 0,59 1 0,22

Salgótarján Rk 27,78 63,15 4,4 0,58 1 0,25

Nagykáta Rk 28,03 0 1,57 0,6 1 0,21

Tiszavasvári Rk 28,28 12,23 4,77 0,57 1 0,2

Pápa Rk 28,69 0 7,32 0,59 1 0,23

Balmazújváros Rk 28,82 0 12,22 0,58 1 0,22

Tamási Rk 29,36 0 23,91 0,59 1 0,24

Szombathely Rk 29,46 101 3,69 0,6 1 0,23

Kunszentmárton Rk 29,47 6 25,41 0,57 1 0,25

Dombóvár Rk 29,84 56,09 49,65 0,59 1 0,24

60/194. oldal





lakások száma



száma összesen

Aktívak aránya


Idősek aránya

Eger Rk 29,88 40,97 50,52 0,59 1 0,24

Oroszlány Rk 30,17 176,75 2,68 0,61 1 0,21

Csongrád Rk 30,42 21,54 5,7 0,57 1 0,26

Nyíregyháza Rk 30,48 65,27 2,23 0,61 1 0,19

Miskolc Rk 31,38 127,23 5,12 0,6 1 0,22

Berettyóújfalu Rk 31,66 9,78 2,5 0,59 1 0,21

Győr Rk 31,71 113,64 4,5 0,61 1 0,22

Makó Rk 31,78 16,52 3,68 0,58 1 0,24

Jászberény Rk 32,03 0 2,11 0,58 1 0,24

Szentes Rk 32,29 33,53 3,23 0,58 1 0,25

Hódmezővásárhely Rk 32,4 47,09 5,91 0,6 1 0,23

Heves Rk 32,69 0 11,81 0,57 1 0,21

Záhony Rk 33 18,23 1,97 0,6 1 0,17

Nyírbátor Rk 34,13 1,97 0,86 0,6 1 0,17

Encs Rk 34,19 0 12,85 0,57 1 0,18

Kaposvár Rk 34,23 56,5 9,34 0,59 1 0,23

Kecskemét Rk 34,31 65,79 2,93 0,6 1 0,21

Pécs Rk 34,53 172,74 8,66 0,6 1 0,23

Sárbogárd Rk 34,82 8,32 3,59 0,6 1 0,2

Nagyatád Rk 35,14 5,33 9,68 0,59 1 0,22

Szekszárd Rk 35,96 67,73 5,68 0,6 1 0,23

Karcag Rk 36,06 0 18,14 0,59 1 0,22

Komárom Rk 36,28 74,16 5,66 0,61 1 0,21

Esztergom Rk 38,43 55,95 5,69 0,59 1 0,22

Szolnok Rk 39,43 65,65 2,7 0,6 1 0,23

Gárdony Rk 39,68 0 65,55 0,6 1 0,22

Debrecen Rk 39,87 133,99 2,06 0,61 1 0,21

Székesfehérvár Rk 40,21 121,4 1,75 0,61 1 0,21

Mezőkövesd Rk 40,95 0 104,34 0,58 1 0,25

Szeged Rk 41,33 118,45 5,79 0,6 1 0,23

Balatonfüred Rk 42,32 27,91 487,4 0,59 1 0,26

Tatabánya Rk 42,61 253,47 1,93 0,61 1 0,21

Mezőtúr Rk 42,93 0 4,24 0,59 1 0,24

Dunaújváros Rk 43,14 178,35 2,74 0,61 1 0,22

Nagykanizsa Rk 45,24 0 40,61 0,6 1 0,24

Fonyód Rk 48,33 0 972,27 0,58 1 0,26

Budapest 51,8 140,32 3,54 0,59 1 0,26

61/194. oldal





lakások száma



száma összesen

Aktívak aránya


Idősek aránya

Orosháza Rk 63,7 0 8,38 0,58 1 0,25

Marcali Rk 76,94 0 13,9 0,59 1 0,23

Edelény Rk 81,38 0 27,56 0,57 0,98 0,2

Siófok Rk 83 17,43 474,02 0,59 1 0,25

7.2 Könnyű testi sértés

7.2.1 A könnyű testi sértéssel korreláló változók

9. Táblázat - Könnyű testi sértéssel korreláló változók


1 a81_fo Kábeltelevíziós hálózatba bekapcsolt lakások száma (db) 0,027 -0,193

2 a73_fo Halálozások száma (fő) 0,03 0,19

3 a82_fo Kábeltelevízió előfizetőinek száma (db) 0,03 -0,191

4 a76_fo A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft) 0,033 -0,187

5 a90_fo Bölcsőde aránya 0,033 -0,193

6 a23_fo Általános iskolai végzettségű nyilvántartott álláskeresők száma 0,038 0,182

7 a2_fo A helyi önkormányzatok helyi adó bevételei 0,039 -0,181

8 a83_fo A település területe (hektár) 0,043 0,178

A független társadalmi változók közül 8 mutatott olyan kapcsolatot a könnyű testi sértés bűncselekménnyel, melynek alapján kimondhatjuk, valószínű van összefüggés a tényezők között. Az erős kapcsolati indexel rendelkező társadalmi változók között található a Kábeltelevíziós hálózatba bekapcsolt lakások száma, a Helyi önkormányzatok helyi adó bevételeiből az iparűzési adó, a Bölcsőde aránya valamint egyebek mellett az Általános iskolai végzettségű nyilvántartott álláskeresők száma. Érdekesség, hogy kapcsolatként jelenik meg a Település területe (hektár) és a Halálozások száma is.

42. ábra – Könnyű testi sértés, regressziós modell

62/194. oldal

Az ismertetett társadalmi tényezők közül regressziós modell alkalmazását követően már csak kettő mutatott közvetlen kapcsolatot a bűncselekménytípussal. Majdnem egyező erősséggel kapcsolódik hozzá a Kábeltelevíziós hálózatba bekapcsolt lakások száma és a Bölcsőde aránya. A rendőri szervekkel is számoló regressziós modell társadalmi változói és bűncselekményi kategóriája további elemzések forrása lehet. Jelen esetben azonban nem meggyőző erősségű a beazonosított társadalmi változók és a hozzájuk csatolt bűncselekménytípus kapcsolata a hasonló fertőzöttségű kapitányságok esetén.

7.2.2 A könnyű testi sértésre közvetlenül hatással lévő változók regressziós egyenese

43. ábra – Könnyű testi sértés – bölcsőde aránya

63/194. oldal

44. ábra - Könnyű testi sértés –kábeltelevíziós hálózatba bekapcsolt lakások száma



Rendőrkapitányság Testi sértés - könnyű Kábeltelevíziós hálózatba

bekapcsolt lakások száma (db) Bölcsőde aránya

Celldömölk Rk 0,04 225,04 0,04

Mór Rk 0,11 216,03 0,07

Nagykőrös Rk 0,11 75,53 0,33

Békés Rk 0,13 186,17 0,25

Balatonalmádi Rk 0,13 244,03 0,43

Budaörs Rk 0,17 160,48 0,24

Szarvas Rk 0,18 168,41 0,44

Szentendre Rk 0,19 163,38 0,21

Orosháza Rk 0,2 146,11 0,38

Gödöllő Rk 0,2 184,24 0,22

Dunakeszi Rk 0,2 263,18 1

Kaposvár Rk 0,2 232,01 0,03

Balmazújváros Rk 0,22 97,82 0,6

Pásztó Rk 0,22 183,49 0

Baja Rk 0,23 191,24 0,04

64/194. oldal



Hajdúszoboszló Rk 0,23 104,11 0,4

Sárvár Rk 0,25 202,47 0,05

Bátonyterenye Rk 0,26 168,18 0,13

Szigetszentmiklós Rk 0,26 168,27 0,83

Tata Rk 0,28 264,97 0,3

Ráckeve Rk 0,28 133,35 0,07

Kiskunhalas Rk 0,29 167,98 0,16

Érd Rk 0,31 204,21 0,33

Budapest 0,32 330,09 1

Kisbér Rk 0,32 107,51 0

Gyula Rk 0,33 253,21 0,5

Kapuvár Rk 0,33 204,26 0,06

Szigetvár Rk 0,34 73,51 0,03

Sopron Rk 0,34 282,14 0,03

Cegléd Rk 0,35 144,58 0,25

Kiskunfélegyháza Rk 0,38 103,97 0,11

Szeged Rk 0,38 283,85 0,38

Tatabánya Rk 0,38 301,24 0,2

Fonyód Rk 0,38 76,19 0,12

Tapolca Rk 0,38 182,99 0,05

Pápa Rk 0,39 210,41 0,02

Püspökladány Rk 0,4 97,75 0,42

Komárom Rk 0,4 247,84 0,27

Nyíregyháza Rk 0,4 153,16 0,13

Debrecen Rk 0,41 270,9 0,13

Vác Rk 0,41 216,53 0,09

Csorna Rk 0,43 185,51 0,03

Nagykanizsa Rk 0,43 227,48 0,01

Szentes Rk 0,44 232,72 0,25

Győr Rk 0,44 254,64 0,07

Heves Rk 0,44 57,04 0,06

Oroszlány Rk 0,44 288,7 0,17

Nagykáta Rk 0,44 184,24 0

Hatvan Rk 0,45 163,96 0,15

Szécsény Rk 0,45 155,05 0,06

Sarkad Rk 0,46 81,29 0,1

Tiszaújváros Rk 0,46 145,73 0,13

Monor Rk 0,46 212,74 0,22

Keszthely Rk 0,46 222,89 0,04

Mohács Rk 0,49 232,2 0,04

65/194. oldal



Dorog Rk 0,56 250,04 0,07

Rétság Rk 0,56 125,81 0

Várpalota Rk 0,56 271,72 0,33

Mezőkovácsháza Rk 0,57 158,78 0

Edelény Rk 0,58 162,07 0,02

Kistelek Rk 0,59 71,49 0,17

Dabas Rk 0,6 200,75 0,07

Hajdúhadháza Rk 0,63 41,27 0,31

Komló Rk 0,64 239,32 0,05

Miskolc Rk 0,65 251,9 0,03

Hajdúnánás Rk 0,65 125,84 0,29

Hajdúböszörmény Rk 0,66 106,05 1

Siófok Rk 0,66 164,04 0,04

Pécs Rk 0,67 263,7 0,06

Békéscsaba Rk 0,67 256,16 0,5

Marcali Rk 0,67 132,74 0,03

Szombathely Rk 0,67 251,64 0,03

Berettyóújfalu Rk 0,68 94,99 0,1

Kecskemét Rk 0,7 163,96 0,18

Eger Rk 0,7 223,29 0,04

Kiskőrös Rk 0,71 165,47 0,06

Sátoraljaújhely Rk 0,71 139,72 0,03

Körmend Rk 0,72 172,7 0,03

Makó Rk 0,74 128,77 0,24

Veszprém Rk 0,74 301,11 0,11

Székesfehérvár Rk 0,75 241,05 0,06

Hódmezővásárhely Rk 0,76 209,68 0,5

Esztergom Rk 0,76 250,55 0,33

Balatonfüred Rk 0,76 333,57 0,1

Kisvárda Rk 0,77 55,14 0,04

Paks Rk 0,78 272,93 0,14

Szeghalom Rk 0,79 156,66 0,5

Szolnok Rk 0,79 196,22 0,32

Jászberény Rk 0,79 172,41 0,28

Kalocsa Rk 0,8 206,41 0,05

Tiszavasvári Rk 0,81 82,69 0,33

Mezőtúr Rk 0,81 112,98 0,67

Kunszentmiklós Rk 0,83 123,97 0,22

Kőszeg Rk 0,84 209,35 0,11

Zalaegerszeg Rk 0,85 279,99 0,03

66/194. oldal



Vásárosnamény Rk 0,88 86,8 0

Szerencs Rk 0,89 80,74 0,19

Sárospatak Rk 0,89 150,81 0,19

Törökszentmiklós Rk 0,89 78,98 0,3

Mosonmagyaróvár Rk 0,9 236,92 0,19

Csongrád Rk 0,92 174,08 0,25

Salgótarján Rk 0,92 242,29 0

Balassagyarmat Rk 0,92 152,36 0,03

Kazincbarcika Rk 0,96 272,78 0,03

Dombóvár Rk 0,98 247,26 0,06

Siklós Rk 1 110,94 0,02

Ajka Rk 1,01 236,41 0,03

Gyöngyös Rk 1,02 202,24 0,04

Kunszentmárton Rk 1,03 133,7 0,25

Szekszárd Rk 1,12 290,69 0,09

Mezőkövesd Rk 1,14 86,13 0,04

Füzesabony Rk 1,16 44,48 0,12

Záhony Rk 1,18 31,39 0,08

Nyírbátor Rk 1,21 77,04 0,04

Ózd Rk 1,26 181,99 0,03

Tamási Rk 1,27 182,34 0,04

Bonyhád Rk 1,31 272,58 0,03

Karcag Rk 1,38 82,56 0,5

Encs Rk 1,41 125,08 0,01

Mátészalka Rk 1,47 118,45 0,05

Lenti Rk 1,52 250,75 0,02

Nagyatád Rk 1,55 192,24 0,08

Bicske Rk 1,63 133,53 0,13

Fehérgyarmat Rk 1,7 95,29 0,02

Barcs Rk 1,72 108,09 0,04

Tiszafüred Rk 1,85 75,7 0,2

Dunaújváros Rk 1,92 249,97 0,06

Vasvár Rk 2,92 110,11 0

Sárbogárd Rk 3,4 155,22 0,07

Gárdony Rk 7,11 95,24 0,07

67/194. oldal

7.3 Súlyos testi sértés

7.3.1 A súlyos testi sértéssel korreláló változók

11. Táblázat - A súlyos testi sértéssel korreláló változók


1 a33_fo Nyilvántartott pályakezdő álláskeresők száma, nő ,000 ,449

2 a31_fo Nyilvántartott pályakezdő álláskeresők száma ,000 ,447

3 a25_fo Szakiskolai végzettségű nyilvántartott álláskeresők száma ,000 ,439

4 a32_fo Nyilvántartott pályakezdő álláskeresők száma, férfi ,000 ,436

5 a23_fo Általános iskolai végzettségű nyilvántartott álláskeresők száma ,000 ,416

6 a14_fo A családsegítő szolgáltatást igénybe vevők száma ,000 ,409

7 idos_ar 60+ évesek aránya ,000 -,406

8 a51_fo 180 napon túli nyilvántartott álláskeresők száma összesen ,000 ,405

9 a53_fo 180 napon túli nyilvántartott álláskeresők száma, nő ,000 ,404

10 a48_fo Nyilvántartott álláskeresők száma összesen ,000 ,403

11 a49_fo Nyilvántartott álláskeresők száma, férfi ,000 ,403

12 fiatal_ar 0-17 évesek aránya ,000 ,399

13 a47_fo Egy éven túl nyilvántartott álláskeresők száma, nő ,000 ,399

14 a45_fo Egy éven túl nyilvántartott álláskeresők száma összesen ,000 ,397

15 a52_fo 180 napon túli nyilvántartott álláskeresök száma , férfi ,000 ,397

16 a96_fo Rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma (fő)

,000 ,396

17 a50_fo Nyilvántartott álláskeresők száma, nő ,000 ,395

18 a29_fo Fizikai foglalkozású nyilvántartott álláskeresők száma ,000 ,391

19 a26_fo Szakközépiskolai, technikumi, gimnáziumi végzettségű nyilvántartott álláskeresők száma

,000 ,390

20 a46_fo Egy éven túl nyilvántartott álláskeresők száma, férfi ,000 ,386

21 a95_fo Rendszeres szociális segélyben részesítettek átlagos száma 2006.07.01-től (fő)

,000 ,384

22 a20_fo Személygépkocsik száma az üzemeltető lakhelye szerint ,000 -,345

23 a30_fo Szellemi foglalkozású nyilvántartott álláskeresők száma ,000 ,340


,000 ,332

25 a75_fo Terhességmegszakítások száma (fő) ,001 ,294

26 a82_fo Kábeltelevízió előfizetőinek száma (db) ,001 -,284

27 a81_fo Kábeltelevíziós hálózatba bekapcsolt lakások száma (db) ,001 -,278

28 a24_fo Szakmunkás végzettségű nyilvántartott álláskeresők száma ,001 ,278

29 a54_fo Rendszeres szociális segélyben részesítettek átlagos száma (rendelkezésre állási támogatásban részesülők adatai nélkül)

,001 ,277

30 a4_fo Lakásállomány ,002 -,274

31 a7_fo Háztartási villamosenergia fogyasztók száma ,002 -,270

32 a12_fo Házi segítségnyújtásban részesülők száma ,006 ,239

33 a78_fo A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft) ,011 -,222

34 a5_fo Közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma ,013 -,218

35 a13_fo Családsegítő szolgálatok száma ,022 ,201

36 lhh_fo lhh települések aránya ,022 ,201

37 a73_fo Halálozások száma (fő) ,024 -,198

38 a1_fo A helyi önkormányzatok saját folyó bevételei ,025 -,196

39 a72_fo Élveszületések száma (fő) ,026 ,195

40 a3_fo A helyi önkormányzatoknak átengedett személyi jövedelemadó ,026 ,195

41 a89_fo Középiskola aránya ,041 ,180

68/194. oldal

A független társadalmi változók közül 41 mutatott olyan kapcsolatot a súlyos testi sértésekkel, amely alapján kimondhatjuk, hogy valószínűsíthető összefüggés van a tényezők között. Hatásuk erőssége alapján a nyilvántartott pályakezdő álláskereső nők száma, a nyilvántartott pályakezdő álláskeresők száma és a szakiskolai végzettségű nyilvántartott álláskeresők száma érdemel figyelmet az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

45. ábra – Súlyos testi sértés regressziós modell

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a nyilvántartott pályakezdő álláskereső nők száma és a halálozások száma egyedekkel. Közvetetten befolyásolja a bűncselekmények számának alakulását, és mindkét elsődleges tényezőhöz közvetlenül kapcsolódik – de egymáshoz nem – a szakmunkás végzettségű nyilvántartott álláskeresők száma és a 60 évesnél idősebbek aránya. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. A kigyűjtött adatok alapján annyit valószínűsíthetünk, hogy a nyilvántartott pályakezdő álláskereső nők száma és a bűncselekmények száma közötti viszony alapján a magasabb értékek magasabb cselekményszámokat feltételeznek (Fehérgyarmat Rk., Mátészalka Rk., Nyírbátor Rk., Záhony Rk.), azonban a legmagasabb esetszámokat nem ez generálja. Úgy gondoljuk, hogy a közvetett tényezőként megjelenő szakmunkás végzettségű nyilvántartott álláskeresők száma esetleg nagyobb hatással lehet a cselekményszám alakulására (Vásárosnamény Rk., Nyíregyháza Rk., Berettyóújfalu Rk., Hajdúhadháza Rk.). Az olyan rendőrkapitányságok esetén, ahol alacsony a testi sértések száma, a társadalmi indikátoroknál is alacsony értékek szerepelnek (pl. Kunszentmiklós Rk., Békés Rk., Sarkad Rk.). Ezek alapján feltételezhetjük, hogy mind a közvetlen és mind a közvetett egyedek együttes fennállása függőségi viszonyt alakít ki.

69/194. oldal

7.3.2 A súlyos testi sértésre közvetlenül hatással lévő változók regressziós egyenese

46. ábra - Súlyos testi sértés – nyilvántartott pályakezdő álláskeresők száma

47. ábra - Súlyos testi sértés – halálozások száma

70/194. oldal



Rendőrkapitányság 1000 főre

jutó súlyos testi sértés

1000 főre jutó nyilvántartott pályakezdő álláskeresők nők

száma

1000 főre jutó

halálozások száma (fő)

1000 főre jutó szakmunkás végzettségű

nyilvántartott álláskeresők száma

60+ évesek aránya

Sarkad Rk 0,19 9,59 15,06 33,83 0,23

Békés Rk 0,2 9,28 14,66 33,65 0,23

Kistelek Rk 0,21 6,62 14,33 19,55 0,25

Kunszentmiklós Rk 0,22 5,92 14,19 22,56 0,22

Celldömölk Rk 0,23 3,64 14,73 13,19 0,24

Körmend Rk 0,23 3,4 14,97 15,62 0,24

Békéscsaba Rk 0,25 5,82 12,93 21,09 0,24

Szarvas Rk 0,25 6,1 16,21 21,74 0,25

Mór Rk 0,28 4,33 12,2 12,91 0,2

Ráckeve Rk 0,28 1,97 11,58 12,18 0,22

Csongrád Rk 0,29 5,63 18,52 16,72 0,26

Gödöllő Rk 0,29 1,44 11,13 7,97 0,2

Orosháza Rk 0,31 6,58 15,21 25,24 0,25

Tapolca Rk 0,33 4,14 12,77 21,13 0,23

Mohács Rk 0,34 5,96 14,52 23,79 0,23

Füzesabony Rk 0,34 8,26 15,54 21,9 0,23

Karcag Rk 0,34 8,42 13,17 24,88 0,22

Nagykőrös Rk 0,35 3,43 13,06 18,44 0,22

Tata Rk 0,38 3,53 12,35 14,87 0,22

Tiszafüred Rk 0,38 8,58 13,42 33,59 0,22

Veszprém Rk 0,38 3,01 10,83 14,85 0,21

Dunakeszi Rk 0,39 0,79 9,25 6,25 0,19

Csorna Rk 0,4 2,6 14,05 10,8 0,23

Kőszeg Rk 0,4 3,33 14,24 13,01 0,22

Hatvan Rk 0,41 2,98 14,62 16,27 0,24

Szigetszentmiklós Rk 0,41 1,06 9,01 7,13 0,18

Szolnok Rk 0,41 4,85 12,68 15,84 0,23

Sárospatak Rk 0,42 7,86 12,15 34,97 0,22

Keszthely Rk 0,42 3,92 13,46 19,66 0,26

Kunszentmárton Rk 0,44 9,55 16,39 32,45 0,25

Makó Rk 0,45 6,63 15,65 21,07 0,24

Budaörs Rk 0,45 0,98 9,49 5,9 0,19

Dombóvár Rk 0,45 8,53 15,16 23,24 0,24

Gyula Rk 0,46 5,94 15,53 17,92 0,25

71/194. oldal




száma

1000 főre jutó




60+ évesek aránya

Szerencs Rk 0,46 10,57 14,29 30,94 0,21

Kapuvár Rk 0,46 2,04 13,02 12,11 0,24

Eger Rk 0,46 5,06 14,1 18,38 0,24

Balatonalmádi Rk 0,46 2,43 11,46 18,23 0,26

Nagykanizsa Rk 0,46 5,2 13,49 18,79 0,24

Encs Rk 0,47 12,67 14,76 34,93 0,18

Sárvár Rk 0,47 2,57 14,97 14,52 0,24

Kiskőrös Rk 0,48 7,66 13,9 22,87 0,24

Szentes Rk 0,49 6,79 14,87 17,7 0,25

Szombathely Rk 0,49 2,75 11,8 9,26 0,23

Sátoraljaújhely Rk 0,5 11,08 14,57 28,9 0,21

Fonyód Rk 0,5 5,08 13,84 25,46 0,26

Kiskunhalas Rk 0,51 9,06 14,18 26,61 0,23

Jászberény Rk 0,51 4,04 14,39 14,05 0,24

Zalaegerszeg Rk 0,51 4,08 13,16 17,86 0,23

Érd Rk 0,52 1,56 9,36 7,48 0,19

Szeged Rk 0,53 3,79 11,03 11,71 0,23

Kazincbarcika Rk 0,54 12,12 13,48 35,06 0,21

Gyöngyös Rk 0,54 5,03 14,44 16,06 0,25

Oroszlány Rk 0,54 3,69 11,31 14,83 0,21

Kalocsa Rk 0,56 6,73 13,19 26,1 0,25

Sárbogárd Rk 0,56 7,98 14,86 24,81 0,2

Rétság Rk 0,56 5,02 13,43 18,44 0,22

Vasvár Rk 0,56 4,84 18,62 18,2 0,23

Pápa Rk 0,56 4,48 14,4 21,26 0,23

Mezőkovácsháza Rk 0,57 8,09 17,36 33,13 0,25

Dabas Rk 0,57 2,07 11,08 11,81 0,19

Szentendre Rk 0,57 0,59 9,74 6,99 0,21

Szeghalom Rk 0,58 7,07 12,89 27,12 0,21

Kecskemét Rk 0,59 4,44 11,98 15,42 0,21

Ózd Rk 0,59 10,84 14,7 32,03 0,21

Vác Rk 0,59 1,86 12,68 8,47 0,21

Ajka Rk 0,59 3,63 13,31 20,27 0,23

Balatonfüred Rk 0,59 2,77 9,65 16,1 0,26

Heves Rk 0,6 11,11 14,79 26,07 0,21

Edelény Rk 0,61 13,25 14,11 31,08 0,2

Tamási Rk 0,61 7,14 16,98 28,23 0,24

72/194. oldal




száma

1000 főre jutó




60+ évesek aránya

Baja Rk 0,62 7,88 14,09 26,34 0,25

Kiskunfélegyháza Rk 0,62 5,07 14,83 18,25 0,23

Miskolc Rk 0,62 6,77 13,32 20,38 0,22

Tiszaújváros Rk 0,62 8,06 11,96 18,24 0,18

Székesfehérvár Rk 0,63 3,9 11,56 16,56 0,21

Hódmezővásárhely Rk 0,64 7,01 12,51 19,99 0,23

Gárdony Rk 0,64 2,98 13,14 11,39 0,22

Törökszentmiklós Rk 0,64 8,13 14,06 24,95 0,21

Szekszárd Rk 0,66 5,29 12,34 15,67 0,23

Várpalota Rk 0,66 4,6 12,59 21,89 0,21

Tatabánya Rk 0,67 2,82 12,01 12,32 0,21

Komárom Rk 0,68 2,31 13,12 13,78 0,21

Siklós Rk 0,69 9,71 12,27 26,62 0,21

Mezőkövesd Rk 0,71 8,29 15,81 22,1 0,25

Bonyhád Rk 0,71 5,43 12,96 17,89 0,23

Dunaújváros Rk 0,72 6,23 12,51 15,27 0,22

Siófok Rk 0,72 4,01 13,75 21,55 0,25

Győr Rk 0,73 2,82 12,17 11,49 0,22

Pécs Rk 0,74 4,01 12,93 13,36 0,23

Komló Rk 0,74 7,65 14,13 26,84 0,23

Marcali Rk 0,74 7,8 14,79 24,62 0,23

Cegléd Rk 0,75 4,3 13,42 14,33 0,22

Kaposvár Rk 0,75 6,89 13,88 21,2 0,23

Szigetvár Rk 0,76 9,6 13,36 31,62 0,2

Dorog Rk 0,76 3,14 13,33 19,59 0,21

Bicske Rk 0,8 2,26 12,44 12,88 0,19

Mezőtúr Rk 0,81 7,75 15,12 26,57 0,24

Paks Rk 0,86 5,44 12,34 14,27 0,21

Budapest 0,87 1,22 12,96 5,09 0,26

Balassagyarmat Rk 0,92 6,95 13,53 20,35 0,23

Mosonmagyaróvár Rk 0,93 1,56 10,56 8,72 0,2

Sopron Rk 0,93 0,52 12,58 5,55 0,23

Esztergom Rk 0,93 3,28 12,34 14,81 0,22

Nagykáta Rk 0,94 2,53 13,47 13,37 0,21

Lenti Rk 0,94 2,96 17,17 17,3 0,26

Nagyatád Rk 0,95 9,38 15,05 29,7 0,22

Kisbér Rk 1,01 5,21 15,19 21,99 0,21

73/194. oldal




száma

1000 főre jutó




60+ évesek aránya

Kisvárda Rk 1,01 12,66 11,07 27,55 0,17

Bátonyterenye Rk 1,02 8,57 14,95 28,19 0,24

Szécsény Rk 1,07 12,38 14,49 27,38 0,22

Pásztó Rk 1,08 6,7 14,89 24,98 0,24

Monor Rk 1,08 2,41 12,72 12,52 0,2

Barcs Rk 1,29 9,26 14,87 35,7 0,21

Salgótarján Rk 1,34 8,44 15,03 26,18 0,25

Fehérgyarmat Rk 1,37 14,5 13,82 43,2 0,2

Balmazújváros Rk 1,39 8,44 11,27 27,4 0,22

Tiszavasvári Rk 1,41 7,56 11,95 18,17 0,2

Debrecen Rk 1,44 6,09 10,73 18,18 0,21

Püspökladány Rk 1,54 9,5 12,02 30,78 0,21

Nyírbátor Rk 1,69 13,54 12,09 28,19 0,17

Mátészalka Rk 1,7 15,67 13,05 29,18 0,19

Záhony Rk 1,7 16,99 10,88 20,81 0,17

Hajdúböszörmény Rk 1,75 9,35 11,64 25,88 0,2

Hajdúszoboszló Rk 1,79 7,61 11,29 20,46 0,22

Hajdúnánás Rk 1,81 10,1 12,73 26,86 0,21

Hajdúhadháza Rk 1,93 13,46 11,62 32,72 0,16

Nyíregyháza Rk 1,96 8,59 11 19,63 0,19

Vásárosnamény Rk 2,26 12,81 12,71 35,26 0,19

Berettyóújfalu Rk 3,01 9,73 13,68 28,34 0,21

7.4 Közúti baleset okozása

7.4.1 A közúti baleset okozásával korreláló változók

13. Táblázat - A közúti baleset okozásával korreláló változók


1 a49_fo Nyilvántartott álláskeresők száma, férfi 0,000 -0,377

2 a29_fo Fizikai foglalkozású nyilvántartott álláskeresők száma 0,000 -0,375

3 a23_fo Általános iskolai végzettségű nyilvántartott álláskeresők száma 0,000 -0,373

4 a48_fo Nyilvántartott álláskeresők száma összesen 0,000 -0,366

5 a24_fo Szakmunkás végzettségű nyilvántartott álláskeresők száma 0,000 -0,362

6 a52_fo 180 napon túli nyilvántartott álláskeresők száma , férfi 0,000 -0,350

7 a50_fo Nyilvántartott álláskeresők száma, nő 0,000 -0,345

8 a51_fo 180 napon túli nyilvántartott álláskeresők száma összesen 0,000 -0,344

9 a53_fo 180 napon túli nyilvántartott álláskeresők száma, nő 0,000 -0,330

10 a32_fo Nyilvántartott pályakezdő álláskeresők száma, férfi 0,000 -0,329

11 a31_fo Nyilvántartott pályakezdő álláskeresők száma 0,000 -0,326

12 a95_fo Rendszeres szociális segélyben részesítettek átlagos száma 2006.07.01-től (fő) 0,000 -0,326

74/194. oldal


13 a33_fo Nyilvántartott pályakezdő álláskeresők száma, nő 0,000 -0,313

14 a3_fo A helyi önkormányzatoknak átengedett személyi jövedelemadó 0,000 -0,312


0,000 -0,312

16 a46_fo Egy éven túl nyilvántartott álláskeresők száma, férfi 0,000 -0,310

17 a25_fo Szakiskolai végzettségű nyilvántartott álláskeresők száma 0,000 -0,304

18 a45_fo Egy éven túl nyilvántartott álláskeresők száma összesen 0,000 -0,303

19 a2_fo A helyi önkormányzatok helyi adó bevételei 0,000 0,316

20 a78_fo A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft) 0,000 0,337


22 a47_fo Egy éven túl nyilvántartott álláskeresők száma, nő 0,001 -0,288


0,001 -0,279

24 a20_fo Személygépkocsik száma az üzemeltető lakhelye szerint 0,001 0,276

25 a19_fo Regisztrált jogi személyiségű vállalkozások száma - GFO02 (átalakulásra kötelezett gazdálkodási formákkal együtt)

0,001 0,299

26 a76_fo A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft) 0,001 0,299


0,002 -0,269


0,003 -0,260


30 a11_fo Szociális étkeztetésben részesülők száma 0,004 -0,252

31 lhh_fo lhh települések aránya 0,005 -0,245

32 a21_fo Magyarországon első alkalommal forgalomba helyezett személygépkocsik száma

0,005 0,248

33 a13_fo Családsegítő szolgálatok száma 0,006 -0,240

34 a112_fo Élelmiszer vegyesüzletek és áruházak száma (db) 0,008 -0,231

35 a93_fo Bankfiók aránya) 0,008 0,231

36 a14_fo A családsegítő szolgáltatást igénybe vevők száma 0,012 -0,220

37 a12_fo Házi segítségnyújtásban részesülők száma 0,016 -0,211

38 a82_fo Kábeltelevízió előfizetőinek száma (db) 0,016 0,212

39 a80_fo Működő házi gyermekorvosok száma 12.31-én (fő) 0,017 0,208

40 a8_fo Háztartási gázfogyasztók száma 0,017 0,209

41 a81_fo Kábeltelevíziós hálózatba bekapcsolt lakások száma (db) 0,021 0,202

42 fiatal_ar 0-17 évesek aránya 0,027 -0,195

43 a73_fo Halálozások száma (fő) 0,030 -0,191

44 a18_fo Regisztrált vállalkozások 0,030 0,191

45 a92_fo Benzinkút /üzemanyagtöltő állomás/ aránya 0,035 0,185


A közúti balest okozása bűncselekménnyel korreláltatott független társadalmi változók közül 46 mutatott valószínűsíthető összefüggést. Hatásuk erőssége alapján a különböző típusokban megjelenő Álláskeresők számadatai, a Rendszeres szociális segélyben részesítettek átlagos száma, a Rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma, mint különböző önálló kategóriák kapcsolatba hozhatók a bűncselekménytípussal.

75/194. oldal

48. ábra - Közúti balest okozása regressziós modell

Amikor tovább közelítettük az egyedeket a regressziós modell segítségével közvetlen kapcsolatot mutattunk ki a Kiskereskedelmi üzletek száma, a Bankfiók aránya, valamin a Nyilvántartott álláskereső férfiak száma, amit tovább erősített második szintű kapcsolatként az Általános iskolai végzettségű nyilvántartott álláskeresők száma társadalmi változó.

A rendőri szervekkel is számoló regressziós modell társadalmi változói és bűncselekményi kategóriája további elemzések forrása lehet. Marcali, Csorna vagy Cegléd Rendőrkapitányságok esetében magas bűncselekményi érintettség figyelhető meg, amit magas Kiskereskedelmi üzletek száma változó kísér, a másik két társadalmi változó közepes nagyságú megjelenése mellett. Az alacsony bűncselekményszámú rendőrkapitányságoknál általában valamelyik társadalmi változó visszaesése mellett a másik kettő különböző mértékű ingadozása tapasztalható. Nem mutatnak egységes mintát.

76/194. oldal

7.4.2 A közúti baleset okozására közvetlenül hatással lévő változók regressziós egyenese

49. ábra - Közúti balest okozása – kiskereskedelmi üzletek száma

50. ábra - Közúti balest okozása – bankfiókok száma

77/194. oldal

51. ábra - Közúti balest okozása – nyilvántartott álláskeresők száma



Rendőrkapitányság Közúti baleset okozása

Kiskereskedelmi üzletek száma

(db)

Bankfiók aránya

Nyilvántartott álláskeresők száma, férfi

Békés Rk 0 10,79 0,88 108,85

Sarkad Rk 0 12,98 0,7 140,78

Gárdony Rk 0 11,14 0,64 42,03

Kapuvár Rk 0 16,46 0,22 40,01

Hajdúhadháza Rk 0 10,3 0,46 138,24

Balmazújváros Rk 0 12,53 1 98,99

Dorog Rk 0 12,89 0,53 59,97

Tata Rk 0 21,22 0,1 45,52

Kisbér Rk 0 12,38 0,8 69,5

Salgótarján Rk 0 15,26 0,05 130,87

Balassagyarmat Rk 0 13,92 0,45 78,89

Pásztó Rk 0 12,81 0,08 101,17

Rétság Rk 0 9,5 0,36 65,56

Szécsény Rk 0 12,44 0,44 130,85

Bátonyterenye Rk 0 11,11 0,13 114,34

Celldömölk Rk 0 14,76 0,11 48,35

78/194. oldal



(db)

Bankfiók aránya


Kőszeg Rk 0 19,21 0,21 44,12

Vasvár Rk 0 12,78 0,09 72,25

Várpalota Rk 0 10,34 0,33 66,78

Sátoraljaújhely Rk 0,02 14,35 0,11 118,45

Fehérgyarmat Rk 0,03 17,98 0,2 177,33

Oroszlány Rk 0,04 11,6 0,83 47,79

Kazincbarcika Rk 0,1 11,98 0,33 105,89

Encs Rk 0,11 10,1 0,16 171,41

Heves Rk 0,11 12,6 0,47 118,9

Kisvárda Rk 0,11 14,11 0,27 123,25

Mezőkovácsháza Rk 0,12 14,32 0,72 128,36

Mátészalka Rk 0,13 15,31 0,34 160,17

Vásárosnamény Rk 0,13 13,27 0,41 173,3

Ózd Rk 0,14 11,53 0,34 141,6

Szerencs Rk 0,15 13,34 0,56 122,89

Kunszentmárton Rk 0,15 12,89 0,83 109,66

Kunszentmiklós Rk 0,16 12,08 0,89 75,9

Kistelek Rk 0,16 12,15 0,17 64,31

Sárbogárd Rk 0,16 11,51 0,67 96,15

Bonyhád Rk 0,16 16,42 0,28 63,69

Barcs Rk 0,17 17,74 0,28 126,74

Nyírbátor Rk 0,17 12,75 0,67 139,41

Záhony Rk 0,17 11,23 0,33 113,21

Ajka Rk 0,18 11,69 0,21 64,61

Lenti Rk 0,18 17,97 0,12 58,13

Sárospatak Rk 0,19 15,04 0,25 111,02

Püspökladány Rk 0,19 12,09 0,75 114,31

Jászberény Rk 0,19 14,26 0,61 57,29

Karcag Rk 0,19 13,97 0,83 99,17

Tamási Rk 0,19 14,94 0,21 107,1

Érd Rk 0,21 13,17 0,83 26,68

Tiszafüred Rk 0,21 15,2 0,8 120,87

Pápa Rk 0,21 15,77 0,1 66,21

Miskolc Rk 0,22 14,75 0,42 86,22

Ráckeve Rk 0,22 12,18 0,14 40,42

Szentendre Rk 0,22 13,64 0,79 27,83

Nyíregyháza Rk 0,22 18,82 0,67 87,38

Hajdúnánás Rk 0,23 13,93 0,71 87,14

Orosháza Rk 0,24 15,43 1 71,13

79/194. oldal



(db)

Bankfiók aránya


Gyöngyös Rk 0,24 15,49 0,6 63,41

Hatvan Rk 0,24 15,48 0,15 56,5

Tapolca Rk 0,24 15,44 0,15 63,01

Dunaújváros Rk 0,25 11,12 0,89 46,84

Nagykőrös Rk 0,25 12,12 1 59,5

Szolnok Rk 0,25 16,2 0,84 63,81

Szekszárd Rk 0,25 17,69 0,59 63,87

Szeghalom Rk 0,26 15,08 0,88 106,45

Nagykáta Rk 0,26 10,22 1 51,16

Fonyód Rk 0,26 23,54 0,5 85,35

Zalaegerszeg Rk 0,26 16,11 0,22 60,02

Mezőkövesd Rk 0,27 13,56 0,78 73,46

Gödöllő Rk 0,27 12,68 0,63 32,34

Vác Rk 0,27 13,14 0,23 33,1

Kiskőrös Rk 0,28 16,68 1 71,9

Mór Rk 0,28 10,65 0,64 43,81

Mezőtúr Rk 0,28 14,7 1 98,37

Mohács Rk 0,29 15,2 0,33 87,19

Baja Rk 0,29 18,38 0,86 79,93

Kaposvár Rk 0,29 14,84 0,22 79,39

Edelény Rk 0,3 11,17 0,21 153,3

Debrecen Rk 0,3 17,47 0,25 71,48

Füzesabony Rk 0,3 14,5 0,76 92,17

Dombóvár Rk 0,3 16,5 0,63 87,15

Balatonalmádi Rk 0,3 15,42 0,21 52,78

Nagykanizsa Rk 0,3 16,92 0,21 76,83

Budapest 0,31 18,58 1 28,03

Szigetvár Rk 0,31 14,75 0,21 124,18

Komárom Rk 0,31 14,62 0,73 43,18

Paks Rk 0,31 16,94 0,71 46,88

Tiszaújváros Rk 0,32 11,84 0,33 92,39

Eger Rk 0,32 17,8 0,63 76,28

Budaörs Rk 0,32 14,43 0,62 23,6

Tiszavasvári Rk 0,32 12,13 0,83 92,41

Pécs Rk 0,33 16,06 0,19 51,4

Szarvas Rk 0,33 14,61 1 64,88

Makó Rk 0,33 13,63 0,47 77,8

Győr Rk 0,33 16,72 0,55 36,9

Nagyatád Rk 0,33 12,96 0,44 121,06

80/194. oldal



(db)

Bankfiók aránya


Berettyóújfalu Rk 0,34 14,94 0,68 124,59

Balatonfüred Rk 0,34 30,06 0,05 53,34

Gyula Rk 0,35 19,41 1 64,3

Szeged Rk 0,35 16,54 0,33 47,67

Dabas Rk 0,35 12,45 1 42,04

Körmend Rk 0,35 17,03 0,13 51,82

Kiskunhalas Rk 0,36 16,22 0,68 84,56

Mosonmagyaróvár Rk 0,36 16,74 0,77 27,17

Veszprém Rk 0,37 17,83 0,31 46,3

Kiskunfélegyháza Rk 0,38 17,05 0,56 57,08

Siófok Rk 0,38 27,14 0,3 67,02

Kalocsa Rk 0,39 15,97 0,76 73,18

Monor Rk 0,39 12,03 0,72 42,96

Siklós Rk 0,4 15,81 0,15 115,88

Székesfehérvár Rk 0,4 14,85 0,65 57,15

Tatabánya Rk 0,4 13,4 0,5 43,49

Keszthely Rk 0,4 21,22 0,33 61,53

Komló Rk 0,41 12,08 0,26 89,71

Bicske Rk 0,41 9,45 0,56 43,15

Hajdúböszörmény Rk 0,41 13,71 1 88,82

Csongrád Rk 0,42 14,04 1 59,42

Sopron Rk 0,43 16,22 0,28 18,84

Dunakeszi Rk 0,43 13,43 1 25,68

Hajdúszoboszló Rk 0,46 15,35 1 73,5

Békéscsaba Rk 0,47 16,44 0,8 68,93

Hódmezővásárhely Rk 0,47 17,28 0,5 61,5

Szentes Rk 0,47 14,22 0,63 61,85

Kecskemét Rk 0,48 17,32 0,88 52,97

Szigetszentmiklós Rk 0,48 13,52 1 24,52

Sárvár Rk 0,5 14,42 0,27 46,63

Szombathely Rk 0,51 13,67 0,3 35,27

Törökszentmiklós Rk 0,53 11,9 0,8 102,13

Esztergom Rk 0,55 17,68 0,78 52,41

Cegléd Rk 0,56 14,88 0,75 47,66

Csorna Rk 0,62 15,1 0,33 32,1

Marcali Rk 0,64 15,11 0,24 102,29

81/194. oldal

7.5 Közúti jármű ittas vezetése

7.5.1 A közúti jármű ittas vezetésével korreláló változók

15. Táblázat - A közúti jármű ittas vezetésével korreláló változók







0,032 -0,188


7 a30_fo Szellemi foglalkozású nyilvántartott álláskeresők száma 0,035 -0,185

8 a90_fo Bölcsőde aránya 0,035 -0,191


0,040 -0,18

A független társadalmi változók közül 9 mutatott olyan kapcsolatot a közúti jármű ittas vezetése deliktumoknál, mely a tényezők között valószínűsíthető összefüggést sejteti. Hatásuk erőssége alapján a szakiskolai végzettségű nyilvántartott álláskeresők száma, a személygépkocsik száma az üzemeltető lakhelye szerint, a helyi önkormányzatoknak átengedett gépjárműadó és a kiskereskedelmi üzletek száma érdemel figyelmet az értékelés során. Hogy a fentebb említett, illetve a további tényezők konkrétan milyen kontextusban jelennek meg azt további elemzés döntheti el.

52. ábra - A közúti jármű ittas vezetés regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a helyi önkormányzatoknak átengedett gépjárműadó és a bölcsőde aránya egyedekkel. Azt kijelenthetjük, hogy ezek a társadalmi változók mind a bűncselekménytípusra, mind a rendőrség munkájára hatást gyakorolnak, azonban annak megállapítása, hogy miként befolyásolják azt, már csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol

82/194. oldal

elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Kiskunhalas Rk., Kiskőrös Rk.), ahol magas a közúti jármű ittas vezetése deliktumok száma, és ezzel összefüggésben lehet, hatást gyakorol a cselekmény elkövetésére a regresszió során azonosított egyik társadalmi változó (a helyi önkormányzatoknak átengedett gépjárműadó). A táblázatban szereplő adatok mégis inkább azt mutatják, hogy az elkövetett bűncselekmények száma nem nő egyenesen arányosan a fent említett egyed, egyedek számával (Sopron Rk., Tata Rk., Budaörs Rk. Dabas Rk.). Mindemellett nem feltétlenül bizonyul igaznak az a feltétel sem, hogy az alacsony bűncselekményszám mellett a társadalmi indikátoroknál ugyancsak alacsony számadatokat találunk. A másik egyed (bölcsődék aránya) számadatainál rendkívül nagy szórást láthatunk, így annak kijelentése, kiértékelése, hogy ez milyen hatást gyakorol vagy gyakorolhat a cselekmények számára összetettebb elemzést igényel. Ezek alapján feltételezhetjük, hogy bizonyos esetekben függőségi viszonyok állnak fent, azonban ennek egyértelműsítésére további tényezőket célszerű felkutatnunk.

7.5.2 A közúti jármű ittas vezetésére közvetlenül hatással lévő változók regressziós egyenese

53. ábra - Közúti jármű ittas vezetés – a helyi önkormányzatnak átengedett gépjárműadó

83/194. oldal

54. ábra - Közúti jármű ittas vezetés – bölcsőde aránya



Rendőrkapitányság Közúti jármű ittas

vezetése A helyi önkormányzatoknak átengedett

gépjárműadó (1000 Ft) Bölcsőde aránya

Salgótarján Rk 0 4 782,97 0

Balassagyarmat Rk 0,05 5 445,23 0,03

Rétság Rk 0,4 6 035,33 0

Hajdúböszörmény Rk 0,47 6 249,84 1

Püspökladány Rk 0,47 4 512,06 0,42

Kunszentmárton Rk 0,52 4 454,25 0,25

Balmazújváros Rk 0,54 4 536,66 0,6

Tatabánya Rk 0,54 8 684,67 0,2

Szécsény Rk 0,54 4 122,99 0,06

Hajdúnánás Rk 0,55 6 056,35 0,29

Debrecen Rk 0,61 7 300,01 0,13

Békés Rk 0,63 5 599,01 0,25

Mezőkovácsháza Rk 0,64 4 687,85 0

Mezőkövesd Rk 0,64 5 196,15 0,04

Gödöllő Rk 0,65 7 349,09 0,22

Karcag Rk 0,65 4 465,00 0,5

Budapest 0,67 8 066,42 1

84/194. oldal




Szeghalom Rk 0,67 5 426,40 0,5

Kistelek Rk 0,69 7 489,37 0,17

Vasvár Rk 0,69 7 133,52 0

Sarkad Rk 0,7 3 639,00 0,1

Encs Rk 0,7 3 977,91 0,01

Szolnok Rk 0,71 6 038,55 0,32

Veszprém Rk 0,72 7 948,51 0,11

Komárom Rk 0,73 8 311,78 0,27

Berettyóújfalu Rk 0,74 5 395,19 0,1

Székesfehérvár Rk 0,75 8 105,93 0,06

Kapuvár Rk 0,75 8 963,67 0,06

Kazincbarcika Rk 0,76 4 627,36 0,03

Szeged Rk 0,76 7 084,15 0,38

Hajdúhadháza Rk 0,76 4 704,39 0,31

Pápa Rk 0,76 6 038,51 0,02

Pásztó Rk 0,77 5 077,77 0

Békéscsaba Rk 0,78 5 882,63 0,5

Kaposvár Rk 0,78 5 937,89 0,03

Kiskunfélegyháza Rk 0,79 7 815,13 0,11

Szarvas Rk 0,8 5 811,88 0,44

Bicske Rk 0,8 7 596,38 0,13

Sárbogárd Rk 0,8 5 354,86 0,07

Győr Rk 0,81 7 983,46 0,07

Hajdúszoboszló Rk 0,82 8 203,01 0,4

Dunakeszi Rk 0,83 8 095,25 1

Gárdony Rk 0,84 7 322,38 0,07

Nagykőrös Rk 0,84 5 428,70 0,33

Mór Rk 0,85 6 670,78 0,07

Kisvárda Rk 0,85 4 842,06 0,04

Heves Rk 0,87 4 289,01 0,06

Nyíregyháza Rk 0,87 6 656,96 0,13

Hatvan Rk 0,88 6 253,26 0,15

Ajka Rk 0,88 6 893,12 0,03

Fonyód Rk 0,89 6 485,86 0,12

Keszthely Rk 0,89 7 230,78 0,04

Paks Rk 0,9 7 385,28 0,14

Szombathely Rk 0,9 7 325,34 0,03

Tiszaújváros Rk 0,91 4 803,59 0,13

Nyírbátor Rk 0,91 4 926,36 0,04

Mohács Rk 0,93 6 390,47 0,04

85/194. oldal




Gyula Rk 0,93 5 000,44 0,5

Sátoraljaújhely Rk 0,93 4 876,90 0,03

Kalocsa Rk 0,94 8 019,37 0,05

Miskolc Rk 0,94 6 204,11 0,03

Szentendre Rk 0,94 8 199,01 0,21

Vásárosnamény Rk 0,96 4 794,65 0

Jászberény Rk 0,96 6 747,46 0,28

Tiszafüred Rk 0,96 3 992,14 0,2

Celldömölk Rk 0,96 5 807,91 0,04

Tapolca Rk 0,96 6 603,10 0,05

Csorna Rk 0,97 7 500,60 0,03

Füzesabony Rk 0,97 4 481,71 0,12

Barcs Rk 0,99 4 812,04 0,04

Mátészalka Rk 0,99 5 143,98 0,05

Mezőtúr Rk 0,99 5 157,92 0,67

Várpalota Rk 1,01 4 999,28 0,33

Sopron Rk 1,02 9 274,87 0,03

Nagykáta Rk 1,02 6 246,61 0

Monor Rk 1,03 7 434,13 0,22

Siófok Rk 1,04 7 464,54 0,04

Edelény Rk 1,05 4 504,19 0,02

Cegléd Rk 1,06 6 287,14 0,25

Balatonalmádi Rk 1,06 7 557,00 0,43

Zalaegerszeg Rk 1,06 9 111,23 0,03

Dunaújváros Rk 1,07 6 720,67 0,06

Fehérgyarmat Rk 1,07 3 910,35 0,02

Kőszeg Rk 1,07 6 733,73 0,11

Kecskemét Rk 1,08 8 592,41 0,18

Eger Rk 1,08 6 369,01 0,04

Oroszlány Rk 1,09 6 180,31 0,17

Tata Rk 1,09 10 235,01 0,3

Ráckeve Rk 1,09 8 575,37 0,07

Pécs Rk 1,1 6 722,73 0,06

Makó Rk 1,1 5 697,27 0,24

Törökszentmiklós Rk 1,1 4 141,58 0,3

Orosháza Rk 1,11 5 632,56 0,38

Bátonyterenye Rk 1,13 4 399,97 0,13

Vác Rk 1,13 10 245,53 0,09

Kunszentmiklós Rk 1,15 7 380,11 0,22

Sárvár Rk 1,15 7 423,34 0,05

86/194. oldal




Záhony Rk 1,18 3 949,77 0,08

Ózd Rk 1,19 3 396,79 0,03

Komló Rk 1,21 5 097,30 0,05

Szerencs Rk 1,22 5 655,70 0,19

Nagykanizsa Rk 1,23 7 164,47 0,01

Hódmezővásárhely Rk 1,24 5 784,18 0,5

Szentes Rk 1,24 6 125,63 0,25

Körmend Rk 1,25 7 712,91 0,03

Sárospatak Rk 1,27 8 454,44 0,19

Mosonmagyaróvár Rk 1,27 7 691,69 0,19

Gyöngyös Rk 1,27 8 626,87 0,04

Dabas Rk 1,3 11 747,52 0,07

Baja Rk 1,31 6 318,93 0,04

Tiszavasvári Rk 1,31 7 197,60 0,33

Érd Rk 1,34 8 551,69 0,33

Budaörs Rk 1,35 10 784,27 0,24

Szigetvár Rk 1,37 5 019,09 0,03

Siklós Rk 1,38 4 839,67 0,02

Szigetszentmiklós Rk 1,38 9 438,57 0,83

Szekszárd Rk 1,43 6 560,37 0,09

Tamási Rk 1,46 5 342,99 0,04

Nagyatád Rk 1,58 5 327,70 0,08

Bonyhád Rk 1,58 7 028,31 0,03

Balatonfüred Rk 1,64 9 369,70 0,1

Lenti Rk 1,65 6 240,42 0,02

Esztergom Rk 1,78 7 815,66 0,33

Kisbér Rk 1,86 5 489,19 0

Marcali Rk 1,86 5 179,96 0,03

Dombóvár Rk 1,91 5 566,70 0,06

Dorog Rk 1,98 6 382,34 0,07

Csongrád Rk 2,05 5 429,72 0,25

Kiskőrös Rk 2,34 9 407,40 0,06

Kiskunhalas Rk 2,51 7 447,92 0,16

7.6 Tartás elmulasztása

7.6.1 Tartás elmulasztásával korreláló változók

17. Táblázat - Tartás elmulasztásával korreláló változók



87/194. oldal



0,000 -0,322








0,001 -0,287



12 a52_fo 180 napon túli nyilvántartott álláskeresők száma, férfi 0,001 -0,292




0,002 -0,266




0,002 -0,273






24 a16_fo A települési könyvtárak száma 0,006 -0,239


26 a86_fo Postahivatal /fiókposta, postamesterség, ügynökség, kirendeltség/ aránya

0,009 0,228

27 a30_fo Szellemi foglalkozású nyilvántartott álláskeresők száma 0,012 -0,22


0,013 -0,216

29 a87_fo Óvoda aránya 0,014 0,214


31 a88_fo Általános iskola aránya 0,027 0,194


33 a28_fo Egyetemi végzettségű nyilvántartott álláskeresők száma 0,041 -0,18

A független társadalmi változók közül 33 mutatott olyan kapcsolatot a tartás elmulasztása bűncselekményeknél, mely alapján valószínűsíthetjük, hogy összefüggés van a tényezők között. Hatásuk erőssége alapján az egy éven túl nyilvántartott álláskereső férfiak száma, a rendszeres szociális segélyben részesítettek átlagos száma, a szociális étkeztetésben részesülők száma és a fizikai foglalkozású nyilvántartott álláskeresők száma érdemel figyelmet az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

88/194. oldal

55. ábra - Tartás elmulasztása regressziós modell

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a szociális étkeztetésben részesülők száma, egyetemi végzettségű nyilvántartott álláskeresők száma és a általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma egyedekkel. Ezek a társadalmi változók közvetlenül kapcsolódnak a bűncselekmények elkövetéséhez, viszont közöttük kapcsolat nem áll fenn. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. A függőségi viszony vizsgálata során azt állapíthatjuk meg, hogy az egyes egyedek különböző hatással befolyásolják a deliktumok számának alakulását. A nagyobb egyedszámok nem produkálják a legmagasabb esetszámokat, de nem is engedik, hogy azok jelentősen alacsony értékeket érjenek el. A legmagasabb esetszámú kapitányságok (Nagykőrös Rk., Rétság Rk., Heves Rk., Szentes Rk.) társadalmi mutatói egyáltalán nem magasak, mint ahogy a legalacsonyabb esetszámú kapitányságoknál (Záhony Rk., Barcs Rk., Kaposvár Rk., Sárospatak Rk.) egyáltalán nem alacsonyak. Végül megállapíthatjuk, hogy a legmagasabb és legalacsonyabb esetszámnál inkább fordítottan, a közbensőknél inkább egyenes arányban változnak a társadalmi indikátornál szereplő értéket.

89/194. oldal

7.6.2 A tartás elmulasztására közvetlenül hatással lévő változók regressziós egyenese

56. ábra - Tartás elmulasztása – szociális étkezésben részesülők száma

57. ábra - Tartás elmulasztása – 8 osztálynál kevesebb végzettséggel rendelkezők

90/194. oldal

58. ábra - Tartás elmulasztása - egyetemi végzettségű nyilvántartott álláskeresők száma



Rendőrkapitányság Tartás

elmulasztása

Szociális étkeztetésben

részesülők száma

Egyetemi végzettségű


Általános iskola 8 osztályánál kevesebb végzettséggel

rendelkező nyilvántartott álláskeresők száma

Sárospatak Rk 0,04 36,05 1,2 6,75

Kaposvár Rk 0,04 26,01 1,04 4,47

Barcs Rk 0,04 24,79 0,47 9,75

Záhony Rk 0,04 19,15 0,7 8,26

Lenti Rk 0,04 26,47 0,31 3,67

Marcali Rk 0,06 24,49 0,45 11,88

Mezőkövesd Rk 0,07 24,93 0,91 4,83

Tiszavasvári Rk 0,07 14,32 0,35 10,57

Szigetvár Rk 0,09 13,81 0,65 6,86

Encs Rk 0,09 27,1 0,6 23,01

Püspökladány Rk 0,09 24,53 0,59 7,07

Körmend Rk 0,09 21,87 0,46 1,11

Szerencs Rk 0,1 24,18 0,84 12,4

Fonyód Rk 0,1 30,13 0,81 4,48

Tiszafüred Rk 0,1 38,12 0,31 7,41

91/194. oldal


elmulasztása







Nagykanizsa Rk 0,1 20,29 0,87 5,31

Edelény Rk 0,11 18,87 1,16 22,03

Eger Rk 0,11 19,13 0,95 4,69

Bátonyterenye Rk 0,11 25,08 0,51 10,31

Siófok Rk 0,11 17,81 0,78 2,8

Kisvárda Rk 0,11 25,85 0,74 6,07

Bonyhád Rk 0,11 13,83 0,35 1,53

Hajdúnánás Rk 0,13 25,45 0,75 4,09


Szekszárd Rk 0,14 13,52 0,8 2,61

Nyíregyháza Rk 0,15 24,74 0,98 5,03

Celldömölk Rk 0,15 25,91 0,73 0,96

Nagyatád Rk 0,16 34,1 0,71 8,7

Hatvan Rk 0,17 13,25 0,58 1,63

Kiskunhalas Rk 0,18 17,2 0,47 7,44

Tata Rk 0,18 7,75 1,07 0,58

Budaörs Rk 0,18 4,98 1,2 0,3

Fehérgyarmat Rk 0,18 43,38 0,56 14,2

Nyírbátor Rk 0,18 18,36 0,46 11,98

Mohács Rk 0,19 18,65 0,82 4,4

Gyula Rk 0,19 28,03 0,84 1,02


Pásztó Rk 0,19 25,66 0,46 6,38


Zalaegerszeg Rk 0,19 15,76 0,86 2,72

Sárvár Rk 0,2 11,63 0,57 1,17

Debrecen Rk 0,21 6,77 1,96 1,87

Gyöngyös Rk 0,21 18,4 0,61 4,83

Budapest 0,22 8,59 1,59 0,61

Siklós Rk 0,22 25,36 0,58 7,23

Baja Rk 0,22 15,15 0,88 1,94


Hajdúhadháza Rk 0,22 20,79 0,54 11,07

Hajdúböszörmény Rk 0,22 15,11 0,66 3,85

Szarvas Rk 0,23 23,32 0,66 1,43

Ózd Rk 0,23 17,44 0,57 14,17

Hajdúszoboszló Rk 0,23 24,88 0,87 3,39

Komárom Rk 0,23 12,3 0,52 0,84

92/194. oldal


elmulasztása







Nagykáta Rk 0,23 7,48 0,27 2,99

Szentendre Rk 0,23 6,03 1,5 0,39

Mátészalka Rk 0,23 17,11 0,7 15,4

Miskolc Rk 0,24 13,5 1,45 4,93

Csorna Rk 0,24 21,49 0,38 1,53

Keszthely Rk 0,24 19,09 0,99 2,73

Békés Rk 0,25 20,33 0,51 3,49

Gárdony Rk 0,25 2,98 0,96 0,86

Oroszlány Rk 0,25 7,8 0,65 1,81

Tamási Rk 0,25 23,01 0,44 5,04

Szombathely Rk 0,25 16,7 0,56 0,76

Érd Rk 0,27 9,45 0,77 0,48

Sarkad Rk 0,28 17,94 0,37 5,56

Balmazújváros Rk 0,28 14,01 0,73 6,38

Dunakeszi Rk 0,29 3,53 0,9 0,18


Tiszaújváros Rk 0,3 29,78 0,74 7,57

Füzesabony Rk 0,3 20,08 0,43 9,54

Dombóvár Rk 0,3 9,79 0,84 4,12

Komló Rk 0,32 19,45 0,61 5,68

Békéscsaba Rk 0,32 36,08 1 0,5

Szeghalom Rk 0,32 17,33 0,56 4

Pécs Rk 0,33 10,64 1,91 1,25

Dunaújváros Rk 0,33 14,05 0,54 2,31

Paks Rk 0,33 16,71 0,68 2,8

Csongrád Rk 0,34 17,94 0,75 1,59

Mór Rk 0,34 8,34 0,51 0,96

Vasvár Rk 0,35 22,51 0,63 3,13

Kistelek Rk 0,37 18,01 0,53 2,61

Sárbogárd Rk 0,37 17,67 0,29 4,74

Kapuvár Rk 0,37 27,33 0,33 1,08

Esztergom Rk 0,37 6,01 1,02 1,34


Kiskőrös Rk 0,38 11,03 0,53 3,81

Gödöllő Rk 0,38 5,43 0,84 1,92

Kecskemét Rk 0,39 11,51 0,8 1,4

Orosháza Rk 0,39 16,91 0,72 1,13

Dorog Rk 0,39 9,17 0,59 1,39

93/194. oldal


elmulasztása







Mezőtúr Rk 0,39 11,76 0,64 5,33

Sopron Rk 0,4 8,4 0,56 0,39

Veszprém Rk 0,4 9,96 1,03 1,18

Kalocsa Rk 0,41 15,69 0,61 2,48


Kisbér Rk 0,42 25,39 0,85 2,12

Ráckeve Rk 0,42 7,25 0,3 1,49

Jászberény Rk 0,42 12,2 0,41 4,27

Balatonfüred Rk 0,42 8,56 1,14 0,51


Balassagyarmat Rk 0,44 14,5 0,7 4,88



Makó Rk 0,45 14,68 0,29 3,12


Vác Rk 0,45 6,83 0,69 0,63

Szolnok Rk 0,48 13,31 0,91 2,29

Szeged Rk 0,49 15,37 1,6 0,6

Bicske Rk 0,49 4,7 0,57 1,78

Várpalota Rk 0,5 15,13 0,4 2,07

Tapolca Rk 0,51 21,87 0,58 2,47


Dabas Rk 0,52 5,74 0,31 1,61

Karcag Rk 0,52 17,99 0,36 7,91

Monor Rk 0,54 5,21 0,4 1,64

Szigetszentmiklós Rk 0,54 3,59 0,54 0,22

Salgótarján Rk 0,55 17,11 0,63 6,06

Szécsény Rk 0,58 16,68 0,62 11,59

Cegléd Rk 0,58 3,41 0,28 1,79

Győr Rk 0,61 11,71 0,89 0,96


Kőszeg Rk 0,64 14,56 0,4 0,56

Ajka Rk 0,68 20,11 0,5 3

Tatabánya Rk 0,7 12,82 0,43 2,2

Pápa Rk 0,77 28,95 0,71 3,52

Szentes Rk 0,79 16,11 0,63 0,65

Heves Rk 0,85 12,74 0,38 13,36

Rétság Rk 0,95 16,01 0,64 2,66

94/194. oldal


elmulasztása







Nagykőrös Rk 1,62 6,25 0,35 2,25

7.7 Garázdaság

7.7.1 A garázdasággal korreláló változók

19. Táblázat - A garázdasággal korreláló változók


1 a33_fo Nyilvántartott pályakezdő álláskeresők száma, nő 0,006 0,238


3 a50_fo Nyilvántartott álláskeresők száma, nő 0,009 0,23

4 a29_fo Fizikai foglalkozású nyilvántartott álláskeresők száma 0,013 0,217

5 a31_fo Nyilvántartott pályakezdő álláskeresők száma 0,013 0,216

6 a20_fo Személygépkocsik száma az üzemeltető lakhelye szerint 0,013 -0,217

7 a48_fo Nyilvántartott álláskeresők száma összesen 0,015 0,212

8 a53_fo 180 napon túli nyilvántartott álláskeresők száma, nő 0,016 0,211

9 a78_fo A helyi önkormányzatoknak átengedett gépjárműadó (1000 Ft) 0,019 -0,206

10 a51_fo 180 napon túli nyilvántartott álláskeresők száma összesen 0,025 0,197

11 a49_fo Nyilvántartott álláskeresők száma, férfi 0,026 0,196

12 a32_fo Nyilvántartott pályakezdő álláskeresők száma, férfi 0,027 0,194

13 a25_fo Szakiskolai végzettségű nyilvántartott álláskeresők száma 0,028 0,193

14 a10_fo Összes zöldterület 0,030 0,191

15 a47_fo Egy éven túl nyilvántartott álláskeresők száma, nő 0,030 0,19


0,030 -0,19

17 a45_fo Egy éven túl nyilvántartott álláskeresők száma összesen 0,033 0,187

18 a95_fo Rendszeres szociális segélyben részesítettek átlagos száma 2006.07.01-től (fő) 0,035 0,185


0,036 0,184


0,036 0,184

21 a52_fo 180 napon túli nyilvántartott álláskeresők száma, férfi 0,041 0,179

22 a46_fo Egy éven túl nyilvántartott álláskeresők száma, férfi 0,042 0,179


0,046 0,176

24 a33_fo Nyilvántartott pályakezdő álláskeresők száma, nő 0,006 0,238


26 a50_fo Nyilvántartott álláskeresők száma, nő 0,009 0,23

27 a29_fo Fizikai foglalkozású nyilvántartott álláskeresők száma 0,013 0,217

A garázdaság bűncselekménnyel korreláltatott független társadalmi változók közül 27 mutatott valószínűsíthető összefüggést. Hatásuk erőssége alapján a különböző típusokban megjelenő Álláskeresők számadatai, a Személygépkocsik száma az üzemeltető lakhelye szerint, a Helyi önkormányzatoknak átengedett gépjárműadó, a Rendszeres szociális segélyben részesítettek átlagos száma, a Regisztrált jogi személyiségű vállalkozások száma valamint az Összes zöldterület nagysága, mint különböző önálló kategóriák kapcsolatba hozhatók a bűncselekménytípussal.

95/194. oldal

59. ábra - A garázdaság regressziós modellje

Amikor tovább közelítettük az egyedeket a regressziós modell segítségével közvetlen kapcsolatot mutattunk ki a Nyilvántartott pályakezdő álláskeresők száma tekintetében, amit tovább erősített a Rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma társadalmi változó. Első szintű kapcsolatként jelent még meg az Összes zöldterület változó magas érintettségi indexel.

A rendőri szervekkel is számoló regressziós modell társadalmi változói és bűncselekményi kategóriája további elemzések forrása lehet. Dunaújváros Rk. esetében magas bűncselekményi érintettség figyelhető meg, amit magas Összes zöldterület változó kísér, a másik két társadalmi változó közepes nagyságú megjelenése mellett. Ugyanakkor Sárbogárd Rk. hasonlóan magas bűncselekményszámával a Rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma mutat szoros kapcsolatot, de a másik két tényező is a közepesnél erősebb mértékben van jelen. A bűncselekménytípusnál további társadalmi vagy egyéb tényezők alkalmazása indokolt, ugyanis az alacsony esetszámmal rendelkező Orosháza Rk. esetében is a közepesnél magasabb minőségű kapcsolat jelenik meg, így nehezebben elhatárolhatóak a kapitányságokra gyakorolt hatások.

7.7.2 A garázdaságra közvetlenül hatással lévő változók regressziós egyenese

60. ábra – Garázdaság – nyilvántartott pályakezdő álláskeresők száma

96/194. oldal

61. ábra – Garázdaság – összes zöldterület



Rendőrkapitányság Garázdaság Nyilvántartott

pályakezdő álláskeresők száma, nő

Összes zöldterület

Rendszeres gyermekvédelmi kedvezményben részesítettek

évi átlagos száma (fő)

Orosháza Rk 0,11 6,58 26 536,26 60,82

Gödöllő Rk 0,15 1,44 9 733,14 30,18

Szarvas Rk 0,18 6,1 27 856,67 55,99

Érd Rk 0,18 1,56 5 377,18 16,18

Nagykáta Rk 0,19 2,53 11 554,87 70,99

Nagykőrös Rk 0,21 3,43 11 130,21 56,29

Szentendre Rk 0,25 0,59 9 423,51 16,8

Kisbér Rk 0,27 5,21 20 104,48 32,29

Szigetszentmiklós Rk 0,27 1,06 2 613,50 17,71

Kaposvár Rk 0,29 6,89 20 357,67 66,29

Budaörs Rk 0,33 0,98 5 499,20 14,34

Dabas Rk 0,33 2,07 5 064,00 44,52

Dunakeszi Rk 0,34 0,79 3 499,62 12,18

Ráckeve Rk 0,38 1,97 4 387,20 44,05

Mór Rk 0,39 4,33 19 626,28 18,8

Szentes Rk 0,4 6,79 17 778,83 47,35

Tatabánya Rk 0,4 2,82 24 234,58 30,89

97/194. oldal






Komárom Rk 0,42 2,31 23 855,23 22,74

Békés Rk 0,43 9,28 22 520,24 85,1

Fonyód Rk 0,43 5,08 23 787,08 54,87

Szeghalom Rk 0,44 7,07 16 722,89 100,75

Bicske Rk 0,44 2,26 5 417,08 34,39

Baja Rk 0,47 7,88 14 509,72 68,24

Kistelek Rk 0,48 6,62 10 095,84 79,91

Monor Rk 0,5 2,41 3 004,76 30,1

Celldömölk Rk 0,5 3,64 30 059,98 36,3

Mohács Rk 0,53 5,96 27 050,61 68,08

Kiskunhalas Rk 0,53 9,06 17 808,63 78,07

Tata Rk 0,53 3,53 49 727,13 18,58

Pápa Rk 0,53 4,48 14 220,82 50,06

Siófok Rk 0,55 4,01 27 460,50 42,6

Vác Rk 0,57 1,86 24 259,50 23,43

Nagykanizsa Rk 0,57 5,2 13 659,35 45,4

Győr Rk 0,62 2,82 11 439,85 20,62

Oroszlány Rk 0,62 3,69 32 743,50 24,26

Cegléd Rk 0,63 4,3 4 922,36 61,93

Kiskunfélegyháza Rk 0,66 5,07 18 435,59 56,05

Hatvan Rk 0,66 2,98 20 309,67 47,87

Kalocsa Rk 0,68 6,73 20 667,46 70,58

Veszprém Rk 0,7 3,01 15 124,36 20,3

Keszthely Rk 0,73 3,92 13 032,19 34,82

Sarkad Rk 0,74 9,59 12 121,11 113,46

Hajdúszoboszló Rk 0,76 7,61 6 913,26 65,34

Bátonyterenye Rk 0,77 8,57 26 952,69 85,15

Csorna Rk 0,78 2,6 12 943,56 25,41

Dorog Rk 0,78 3,14 9 126,83 22,79

Marcali Rk 0,8 7,8 14 509,67 85,96

Balatonalmádi Rk 0,83 2,43 32 925,12 25,56

Kecskemét Rk 0,92 4,44 28 044,68 43,45

Gyula Rk 0,93 5,94 39 583,93 52,3

Kiskőrös Rk 0,94 7,66 11 811,64 63,52

Békéscsaba Rk 0,94 5,82 23 783,73 40,33

Tapolca Rk 0,94 4,14 28 112,28 46,41

Komló Rk 0,95 7,65 42 528,84 69,32

Pécs Rk 0,98 4,01 65 700,47 34,85

Székesfehérvár Rk 0,99 3,9 22 715,01 26,22

98/194. oldal






Szeged Rk 1,05 3,79 16 963,61 26,74

Hajdúböszörmény Rk 1,06 9,35 9 396,55 42,97

Nyíregyháza Rk 1,08 8,59 18 304,23 83,32

Budapest 1,12 1,22 14 310,81 14,92

Füzesabony Rk 1,13 8,26 7 092,12 99,31

Pásztó Rk 1,15 6,7 13 148,80 70,81

Mezőkovácsháza Rk 1,16 8,09 15 019,35 95,48

Barcs Rk 1,16 9,26 46 537,38 109,6

Dombóvár Rk 1,16 8,53 10 969,69 72,89

Tiszaújváros Rk 1,17 8,06 16 252,22 107,6

Siklós Rk 1,18 9,71 44 973,58 102,07

Sárvár Rk 1,2 2,57 22 822,84 16,79

Sopron Rk 1,24 0,52 16 732,89 12,07

Esztergom Rk 1,25 3,28 13 636,88 13,34

Várpalota Rk 1,25 4,6 12 790,96 40,9

Szigetvár Rk 1,26 9,6 34 178,79 95,39

Tiszavasvári Rk 1,27 7,56 22 805,37 142,12

Makó Rk 1,3 6,63 9 829,69 57,38

Püspökladány Rk 1,3 9,5 5 381,93 121,14

Eger Rk 1,3 5,06 29 515,82 49,58

Kunszentmiklós Rk 1,31 5,92 5 985,58 64,89

Kisvárda Rk 1,39 12,66 1 458,72 126,82

Mosonmagyaróvár Rk 1,42 1,56 12 973,51 22,25

Szekszárd Rk 1,42 5,29 10 681,31 50,96

Törökszentmiklós Rk 1,44 8,13 10 693,32 110,1

Heves Rk 1,45 11,11 5 647,92 133,26

Miskolc Rk 1,47 6,77 15 909,55 60,08

Szécsény Rk 1,47 12,38 9 405,08 112,46

Zalaegerszeg Rk 1,48 4,08 23 371,51 28,25

Csongrád Rk 1,51 5,63 4 195,75 63,83

Rétság Rk 1,51 5,02 9 665,83 43,55

Gyöngyös Rk 1,54 5,03 20 566,11 48,47

Nagyatád Rk 1,55 9,38 38 115,77 97,74

Sárospatak Rk 1,58 7,86 11 024,76 108,05

Debrecen Rk 1,58 6,09 8 035,90 43,53

Hajdúnánás Rk 1,58 10,1 14 286,72 93,68

Hódmezővásárhely Rk 1,59 7,01 8 491,63 62,71

Mezőkövesd Rk 1,62 8,29 10 493,63 69,86

Szerencs Rk 1,66 10,57 7 226,67 128,16

99/194. oldal






Bonyhád Rk 1,69 5,43 9 504,09 64,7

Kapuvár Rk 1,7 2,04 20 044,09 17,83

Körmend Rk 1,71 3,4 22 829,94 28,47

Sátoraljaújhely Rk 1,74 11,08 6 984,22 138,55

Edelény Rk 1,76 13,25 9 904,51 166

Szolnok Rk 1,78 4,85 13 462,06 50,73

Balassagyarmat Rk 1,82 6,95 14 500,70 59,84

Berettyóújfalu Rk 1,9 9,73 15 139,40 120,73

Balatonfüred Rk 1,9 2,77 30 352,54 16,15

Balmazújváros Rk 1,93 8,44 15 305,92 113,13

Ajka Rk 1,94 3,63 27 063,25 44,12

Hajdúhadháza Rk 1,95 13,46 2 712,71 152,22

Kunszentmárton Rk 1,95 9,55 9 468,43 93,55

Tamási Rk 1,98 7,14 15 550,43 82,89

Lenti Rk 2,01 2,96 15 719,52 43,86

Kőszeg Rk 2,03 3,33 14 361,00 26,81

Paks Rk 2,04 5,44 12 283,81 53,02

Kazincbarcika Rk 2,06 12,12 7 033,68 96,13

Encs Rk 2,13 12,67 3 035,47 178,87

Mátészalka Rk 2,17 15,67 6 224,16 142,01

Záhony Rk 2,23 16,99 10 884,16 138,04

Jászberény Rk 2,23 4,04 4 368,93 65,04

Ózd Rk 2,3 10,84 23 845,54 149,76

Nyírbátor Rk 2,35 13,54 9 283,79 155,6

Szombathely Rk 2,38 2,75 15 652,49 18,27

Salgótarján Rk 2,51 8,44 17 582,20 80,72

Mezőtúr Rk 2,76 7,75 3 913,34 29,04

Vásárosnamény Rk 2,77 12,81 12 330,91 157,67

Fehérgyarmat Rk 3,07 14,5 6 454,87 158

Karcag Rk 3,31 8,42 9 217,11 109,68

Tiszafüred Rk 3,67 8,58 11 883,85 121,78

Vasvár Rk 4,52 4,84 33 996,60 55,99

Gárdony Rk 5,78 2,98 27 575,66 25,63

Sárbogárd Rk 7,36 7,98 5 470,28 75,72

Dunaújváros Rk 12,91 6,23 64 932,20 34,89

100/194. oldal

7.8 Közokirat-hamisítás

7.8.1 A közokirat-hamisítással korreláló változók

21. Táblázat - A közokirat-hamisítással korreláló változók



0,000 0,387

2 a17_fo Szakiskolai és speciális szakiskolai feladatellátási hely aránya 0,000 0,309

3 a90_fo Bölcsőde aránya 0,001 0,299


5 a84_fo Vasútállomás aránya 0,001 0,285

6 a89_fo Középiskola aránya 0,001 0,284

7 a83_fo A település területe (hektár) 0,002 -0,263

8 a18_fo Regisztrált vállalkozások száma 0,003 0,262





13 a30_fo Szellemi foglalkozású nyilvántartott álláskeresők száma 0,019 0,206

14 a6_fo A közüzemi szennyvízgyűjtő-hálózatba (közcsatornahálózatba) bekapcsolt lakások száma

0,045 0,176

A független társadalmi változók közül 14 mutatott olyan kapcsolatot a közokirat-hamisítás bűncselekménnyel, melynek alapján kimondhatjuk, valószínű van összefüggés a tényezők között. Az erős kapcsolati indexel rendelkező társadalmi változók meglehetősen vegyes képet mutatnak. Ezek között szerepel a Regisztrált jogi személyiségű vállalkozások száma, a Szakiskolai és speciális szakiskolai feladatellátási hely aránya, a Bölcsőde, Középiskola, Vasútállomás és az Egyetemi végzettségű nyilvántartott álláskeresők mutatói. Gyengébb kontextusban, de jelen van a Benzinkút /üzemanyagtöltő állomás/ aránya, a Települési könyvtárak száma és a Szellemi foglalkozású nyilvántartott álláskeresők egyedek is.

62. ábra - Közokirat-hamisítás regressziós modellje

Az alkalmazott regressziós modell közvetlen kapcsolatot mutatott a korábbi korrelációs lista, különböző függőségi szintjén elhelyezkedő tényezőkkel. Úgymint a Regisztrált jogi személyiségű vállalkozások száma, a Szellemi foglalkozású nyilvántartott álláskeresők és a

101/194. oldal

Vasútállomás aránya. A változók értékeit kapitányságokra vetítve megállapíthatjuk, hogy a magas bűncselekményszámmal üzemelő, határátkelőhellyel is rendelkező Záhonyi Rk. és a Balmazújvárosi Rk. két egyed esetében is magas közvetlen kapcsolati értékkel bír, és a harmadik is magasabb az átlagnál. Amennyiben az alacsonyabb bűncselekményi érintettségű kapitányságokat vizsgálunk, mindhárom társadalmi változó esetében a középérték környékén található a kapcsolat erőssége.

7.8.2 A közokirat-hamisításra közvetlenül hatással lévő változók regressziós egyenese

63. ábra - Közokirat-hamisítás – vállalkozások száma

64. ábra - Közokirat-hamisítás – szellemi foglalkozású álláskeresők száma

102/194. oldal

65. ábra - Közokirat-hamisítás- vasútállomás aránya



Rendőrkapitányság Közokirat-hamisítás

Regisztrált jogi személyiségű

vállalkozások száma

Szellemi foglalkozású nyilvántartott álláskeresők

száma

Vasútállomás aránya

Celldömölk Rk 0,04 13,11 6,15 0,32

Sárvár Rk 0,05 15,77 6,6 0,23

Keszthely Rk 0,06 27,95 10,92 0,18

Ajka Rk 0,07 17,1 6,92 0,24

Hajdúnánás Rk 0,08 13,23 10,29 0,71

Szécsény Rk 0,09 13,82 10,66 0,19

Kisvárda Rk 0,1 10,65 14,59 0,31

Tiszafüred Rk 0,1 11,43 8,89 0,4

Mór Rk 0,11 17,36 6,88 0,29

Rétság Rk 0,12 15,06 9,78 0,36

Karcag Rk 0,13 14,31 10,6 1

Heves Rk 0,14 13,17 6,56 0,29

Paks Rk 0,14 18,85 7,91 0,36

Vasvár Rk 0,14 15,28 6,04 0,17


Bicske Rk 0,15 21,07 7,28 0,13

Oroszlány Rk 0,15 19,47 6,82 0,67

Tata Rk 0,15 40,71 9 0,4


Csorna Rk 0,16 14,53 3,49 0,43

103/194. oldal





száma


Kisbér Rk 0,16 17,37 8,45 0,47

Nagykáta Rk 0,16 17,27 5,52 0,54

Jászberény Rk 0,16 16,44 5,83 0,56

Bonyhád Rk 0,16 17,02 7,01 0,28

Csongrád Rk 0,17 15,59 10,64 0,25

Hódmezővásárhely Rk 0,17 20,32 11,51 1

Kapuvár Rk 0,17 16,38 5,56 0,39

Szarvas Rk 0,18 16,44 8,12 0,44

Szerencs Rk 0,18 16,99 13,21 0,47

Füzesabony Rk 0,18 15,23 5,79 0,65

Szentendre Rk 0,18 54,37 9,26 0,07

Tiszavasvári Rk 0,18 10,18 8,13 1

Sárospatak Rk 0,19 16,66 12,65 0,25

Sopron Rk 0,19 29,96 4,14 0,4

Pásztó Rk 0,19 14,51 8,54 0,23

Ráckeve Rk 0,2 33,2 6,62 0,29

Fehérgyarmat Rk 0,2 10,41 14,43 0,18


Körmend Rk 0,21 17,98 6,21 0,21

Lenti Rk 0,22 15,65 6,75 0,14

Püspökladány Rk 0,24 11,57 10,69 0,58

Dorog Rk 0,24 20,32 7,26 0,27

Várpalota Rk 0,24 13,09 7,61 0,67

Nagykanizsa Rk 0,24 19,15 10,44 0,17

Gárdony Rk 0,25 28,73 8,98 0,43

Hajdúböszörmény Rk 0,25 16,68 11,83 1

Siófok Rk 0,25 26,82 11,64 0,38

Fonyód Rk 0,26 22,39 10,85 0,5

Pápa Rk 0,26 15,5 8,45 0,31


Dabas Rk 0,27 36,81 7,59 0,6

Hajdúhadháza Rk 0,28 12,64 10,4 0,54

Budaörs Rk 0,28 67,47 8,33 0,43

Vác Rk 0,28 34,22 8,52 0,51


Tapolca Rk 0,29 17,58 9,05 0,36

Dombóvár Rk 0,3 16,56 11,64 0,5

Encs Rk 0,31 11,33 9,51 0,26

Szombathely Rk 0,31 34,18 7,84 0,23

104/194. oldal





száma


Tiszaújváros Rk 0,32 15,75 10,79 0,42

Gyöngyös Rk 0,32 23,22 9,41 0,24


Szentes Rk 0,33 18,5 11,48 0,5

Szekszárd Rk 0,33 23,88 9,2 0,64

Tamási Rk 0,33 14,89 8,12 0,36

Komló Rk 0,34 18,83 10,17 0,37

Dunakeszi Rk 0,34 50,4 9,36 1

Barcs Rk 0,34 12,33 9,28 0,36

Dunaújváros Rk 0,35 22,56 8,41 0,61

Marcali Rk 0,35 12,49 8,13 0,24


Cegléd Rk 0,36 25,26 6,9 0,33

Kaposvár Rk 0,36 25,12 11,37 0,29


Orosháza Rk 0,37 14,01 12,54 0,63

Esztergom Rk 0,37 28,52 9,17 0,56

Szeghalom Rk 0,38 9,44 8,89 0,75


Ózd Rk 0,38 10,83 11,24 0,34


Szigetvár Rk 0,4 16,86 11,67 0,34

Komárom Rk 0,4 29,01 8,05 0,64

Edelény Rk 0,41 11,3 11,41 0,28

Eger Rk 0,41 29,87 11,26 0,31

Sárbogárd Rk 0,43 13,14 8,43 0,67

Hatvan Rk 0,43 17,29 8,19 0,54

Mohács Rk 0,44 18,86 9,91 0,15

Kőszeg Rk 0,44 22,75 6,92 0,26


Nagykőrös Rk 0,49 19,81 6,99 0,67

Veszprém Rk 0,49 32,57 9,67 0,29


Siklós Rk 0,51 17,26 9,77 0,26

Sarkad Rk 0,51 8,71 10,38 0,5

Baja Rk 0,52 20,7 12,22 0,14

Szolnok Rk 0,52 23,04 12,68 0,63

Kiskőrös Rk 0,53 28,5 8,36 0,69

Békés Rk 0,53 11,34 12,53 0,5

105/194. oldal





száma


Nyíregyháza Rk 0,53 27,24 15,1 0,53

Kalocsa Rk 0,54 18,72 11,25 0,24

Nyírbátor Rk 0,55 12,85 9,9 0,38

Kecskemét Rk 0,56 35,84 11,25 0,65

Salgótarján Rk 0,58 18,59 17,66 0,25

Békéscsaba Rk 0,6 22,86 14,95 0,5

Érd Rk 0,6 49,39 7,66 0,67

Mezőtúr Rk 0,64 16,11 10,39 0,67

Zalaegerszeg Rk 0,65 28,23 10,14 0,32

Kiskunhalas Rk 0,66 21,98 10,18 0,74



Kistelek Rk 0,69 15,18 9,11 0,5

Nagyatád Rk 0,75 13,72 9,66 0,42

Mátészalka Rk 0,76 12,41 15,03 0,42

Pécs Rk 0,78 39,27 12,87 0,16

Gyula Rk 0,79 16,27 12,99 0,75

Gödöllő Rk 0,81 38,8 7,27 0,52


Győr Rk 0,92 34,68 9,72 0,43

Mezőkövesd Rk 0,93 13,69 11,01 0,17


Debrecen Rk 1 37,85 14,95 0,88

Tatabánya Rk 1,12 39,97 7,58 0,4

Szeged Rk 1,2 30,03 12 0,29

Balatonfüred Rk 1,22 40,68 9,61 0,45

Miskolc Rk 1,34 29,15 15,27 0,35

Monor Rk 2,01 30,3 7,04 0,61

Makó Rk 2,03 12,65 8,5 0,59

Balmazújváros Rk 2,18 12,85 9,12 1

Záhony Rk 3,23 11,02 14,21 0,58

Budapest 4,32 89,8 10,34 1

7.9 Magánokirat-hamisítás

7.9.1 A magánokirat-hamisítással korreláló változók

23. Táblázat - A magánokirat-hamisítással korreláló változók


1 a22_fo Általános iskola 8 osztályánál kevesebb végzettséggel 0,019 0,206

106/194. oldal





A független társadalmi változók közül 3 mutatott olyan kapcsolatot a magánokirat-hamisítás deliktumoknál, hogy kimondhatjuk, valószínű van összefüggés a tényezők között. Hatásuk erőssége alapján az általános iskola 8 osztályánál kevesebb végzettséggel rendelkező, a főiskolai végzettségű, valamint az egyetemi végzettségű nyilvántartott álláskeresők száma érdemel figyelmet az értékelés során. Hogy ezek a társadalmi tényezők konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

66. ábra - A magánokirat-hamisítás regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – az általános iskola 8 osztályánál kevesebb végzettséggel rendelkező és a főiskolai végzettségű nyilvántartott álláskeresők száma egyedekkel. Ez a két társadalmi változók tehát közvetlen hatást gyakorol a bűncselekménytípusra, de csak további elemző eljárásokkal tudjuk megválaszolni, hogy miként befolyásolják azt. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Nehéz kiemelhetünk olyan rendőrkapitányságot (Encs Rk.), ahol magas a deliktumok száma, és ezzel szoros összefüggésben lehet valamelyik a regresszió során azonosított egy vagy több társadalmi változó (pl. az általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma). Nem tudunk általánosítani abban, hogy magas, illetve alacsony esetszámhoz magas, illetve alacsony társadalmi indikátornál szereplő értéket kapunk. Továbbá az sem egyértelmű, hogy az egyik tényező alacsony száma a másik esetén magasabb számot produkál. Mindezek alapján jogosan feltételezhetjük egyes esetekben a függőségi viszonyok fennállását, de a nem egyértelmű relációk további tényezők bevonását igénylik.

107/194. oldal

7.9.2 A magánokirat-hamisítással közvetlenül hatással lévő változók regressziós egyenese

67. ábra - Magánokirat-hamisítás – 8 osztálynál kevesebbet végzett álláskeresők

68. ábra - Magánokirat-hamisítás – főiskolai végzettségű álláskeresők

108/194. oldal



Rendőrkapitányság Magánokirat-

hamisítás

Általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma

Főiskolai végzettségű nyilvántartott álláskeresők

száma

Hajdúnánás Rk 0,05 4,09 1,76

Mór Rk 0,11 0,96 1,35

Balatonalmádi Rk 0,13 0,66 1,55

Szerencs Rk 0,15 12,4 2,01

Heves Rk 0,16 13,36 1,04

Ráckeve Rk 0,16 1,49 1,29

Hajdúhadháza Rk 0,18 11,07 1,28

Kunszentmiklós Rk 0,19 4,55 0,87

Sárospatak Rk 0,19 6,75 2,24

Szeghalom Rk 0,2 4 1,29

Gárdony Rk 0,2 0,86 1,65

Kőszeg Rk 0,2 0,56 2,23

Bicske Rk 0,21 1,78 1,19

Vasvár Rk 0,21 3,13 1,39

Pásztó Rk 0,22 6,38 1,67

Kisvárda Rk 0,24 6,07 2,29

Csongrád Rk 0,25 1,59 2,51

Füzesabony Rk 0,27 9,54 1,04

Sarkad Rk 0,28 5,56 1,11

Kiskunhalas Rk 0,29 7,44 1,61

Fonyód Rk 0,29 4,48 2,06

Keszthely Rk 0,3 2,73 2,27

Szigetvár Rk 0,31 6,86 1,71

Szentendre Rk 0,31 0,39 2,59

Tapolca Rk 0,31 2,47 1,69

Kistelek Rk 0,32 2,61 1,33

Kisbér Rk 0,32 2,12 1,43

Tiszavasvári Rk 0,35 10,57 1,8

Sárvár Rk 0,35 1,17 1,54

Kiskőrös Rk 0,36 3,81 1,6

Balassagyarmat Rk 0,36 4,88 1,53

Rétság Rk 0,36 2,66 1,55

Nagyatád Rk 0,36 8,7 1,55

Körmend Rk 0,37 1,11 1,37

Nagykáta Rk 0,39 2,99 0,94

109/194. oldal


hamisítás



száma

Várpalota Rk 0,4 2,07 0,98

Nagykanizsa Rk 0,4 5,31 2,18

Hajdúböszörmény Rk 0,41 3,85 2,6

Monor Rk 0,41 1,64 1,09

Mezőkovácsháza Rk 0,43 3,53 1,61

Dabas Rk 0,43 1,61 1,09

Orosháza Rk 0,44 1,13 2,31

Kaposvár Rk 0,44 4,47 2,48

Pápa Rk 0,44 3,52 2,1

Csorna Rk 0,46 1,53 1,07

Mosonmagyaróvár Rk 0,46 0,37 0,91

Ajka Rk 0,47 3 1,37

Mohács Rk 0,48 4,4 2,04

Dunakeszi Rk 0,48 0,18 2,11

Szigetszentmiklós Rk 0,5 0,22 1,42

Gyula Rk 0,51 1,02 2,3

Oroszlány Rk 0,51 1,81 1,49

Tata Rk 0,51 0,58 2,11

Makó Rk 0,52 3,12 1,28

Barcs Rk 0,52 9,75 1,2

Kunszentmárton Rk 0,52 4,97 1,95

Sopron Rk 0,53 0,39 1,22

Paks Rk 0,53 2,8 1,52

Tiszafüred Rk 0,55 7,41 1,34

Ózd Rk 0,56 14,17 1,55

Szentes Rk 0,58 0,65 2,64

Kazincbarcika Rk 0,59 5,83 2,68

Püspökladány Rk 0,59 7,07 1,4

Baja Rk 0,6 1,94 2,43

Cegléd Rk 0,61 1,79 1,1

Gödöllő Rk 0,61 1,92 1,19

Szolnok Rk 0,62 2,29 2,9

Nagykőrös Rk 0,63 2,25 1,69

Hódmezővásárhely Rk 0,64 1,49 2,63

Dorog Rk 0,66 1,39 1,44

Fehérgyarmat Rk 0,66 14,2 1,83

Sátoraljaújhely Rk 0,71 8,64 1,62

Kapuvár Rk 0,71 1,08 1,62

Berettyóújfalu Rk 0,71 7,43 1,61

110/194. oldal


hamisítás



száma

Veszprém Rk 0,73 1,18 2,07

Vác Rk 0,74 0,63 1,86

Érd Rk 0,74 0,48 1,65

Mezőtúr Rk 0,74 5,33 2,58

Siófok Rk 0,75 2,8 2,1

Budaörs Rk 0,76 0,3 1,98

Mezőkövesd Rk 0,77 4,83 3,05

Hatvan Rk 0,79 1,63 1,52

Celldömölk Rk 0,81 0,96 1,38

Dunaújváros Rk 0,82 2,31 1,57

Törökszentmiklós Rk 0,82 8,68 1,49

Kecskemét Rk 0,84 1,4 2,62

Balmazújváros Rk 0,85 6,38 1,04

Salgótarján Rk 0,85 6,06 2,93

Komárom Rk 0,87 0,84 1,24

Jászberény Rk 0,9 4,27 1,44

Bonyhád Rk 0,9 1,53 1,96

Békés Rk 0,91 3,49 2,23

Zalaegerszeg Rk 0,91 2,72 2,15

Siklós Rk 0,92 7,23 1,61

Marcali Rk 0,93 11,88 1,5

Kalocsa Rk 0,96 2,48 2,07

Bátonyterenye Rk 0,99 10,31 1,46

Szécsény Rk 1,07 11,59 1,2

Karcag Rk 1,07 7,91 1,74

Lenti Rk 1,07 3,67 1,39

Győr Rk 1,08 0,96 2,38

Hajdúszoboszló Rk 1,12 3,39 2,13

Balatonfüred Rk 1,14 0,51 2,7

Eger Rk 1,19 4,69 3

Mátészalka Rk 1,2 15,4 2,18

Kiskunfélegyháza Rk 1,28 1,54 1,84

Záhony Rk 1,31 8,26 1,66

Komló Rk 1,35 5,68 1,84

Gyöngyös Rk 1,37 4,83 2,72

Szombathely Rk 1,38 0,76 2,28

Edelény Rk 1,43 22,03 1,73

Szeged Rk 1,47 0,6 2,62

Budapest 1,48 0,61 2,22

111/194. oldal


hamisítás



száma

Nyírbátor Rk 1,5 11,98 1,49

Szekszárd Rk 1,51 2,61 2,61

Tiszaújváros Rk 1,55 7,57 1,51

Dombóvár Rk 1,55 4,12 1,73

Miskolc Rk 1,57 4,93 2,54

Székesfehérvár Rk 1,59 1,25 2,47

Sárbogárd Rk 1,61 4,74 1,31

Vásárosnamény Rk 1,76 11,22 1,89

Békéscsaba Rk 1,8 0,5 3,6

Nyíregyháza Rk 1,85 5,03 3,53

Debrecen Rk 1,88 1,87 3,57

Tatabánya Rk 3,11 2,2 1,69

Pécs Rk 3,25 1,25 2,47

Tamási Rk 3,66 5,04 1,35

Esztergom Rk 3,98 1,34 1,83

Szarvas Rk 6,33 1,43 2,42

Encs Rk 7,51 23,01 1,44

7.10 Visszaélés okirattal

7.10.1 Az okirattal való visszaéléssel korreláló változók

25. Táblázat - Az okirattal való visszaéléssel korreláló változók


1 a108_fo Egyéb (2009-ig magán) szállásadás férőhelyeinek száma összesen (db)

0,001 0,278

2 a112_fo Élelmiszer vegyesüzletek és áruházak száma (db) 0,001 0,277

3 a59_fo Egyéb (2009-ig magán) szálláshelyek férőhelyeinek száma összesen 0,002 0,276

4 a107_fo Egyéb (2009-ig magán) szállásadás vendéglátóinak száma összesen (db)

0,002 0,27


0,002 0,267




9 a104_fo Vendégéjszakák száma a fizetővendéglátásban (vendégéjszaka) 0,003 0,263

10 a100_fo A kereskedelmi szálláshelyek egységeinek száma (db) 0,003 0,259




14 a58_fo A kereskedelmi szálláshelyek egységeinek száma 0,006 0,239

15 a102_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma (db) 0,007 0,236


17 a22_fo Általános iskola 8 osztályánál kevesebb végzettséggel rendelkező 0,010 0,225

112/194. oldal




0,010 0,224




22 a86_fo Postahivatal /fiókposta, postamesterség, ügynökség, kirendeltség/ aránya

0,030 -0,191

23 a87_fo Óvoda aránya 0,030 -0,191


0,036 0,189



A független társadalmi változók közül 26 mutatott olyan kapcsolatot a visszaélés okirattal cselekményeknél, amely összefüggést valószínűsít a tényezők között. Hatásuk erőssége alapján az egyéb szállásadás férőhelyeinek száma, az élelmiszer vegyesüzletek és áruházak száma, az egyéb szálláshelyek férőhelyeinek száma és az egyéb szállásadás vendéglátóinak száma érdemel figyelmet az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

69. ábra – Okirattal való visszaélés regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – az egyetemi végzettségű nyilvántartott álláskeresők száma, a rendszeres szociális segélyben részesítettek átlagos száma és az egyéb szállásadás férőhelyeinek száma egyedekkel. Ez a három társadalmi változók gyakorolja a legnagyobb hatást a bűncselekménytípusra, hogy miként befolyásolják azt, már csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol

113/194. oldal

elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Edelény Rk., Siófok Rk., Marcali Rk., Fonyód Rk., Szeged Rk.), ahol magas a visszaélés okirattal cselekmények száma, és ezzel szoros összefüggésben lehet, hatást gyakorol a cselekmény elkövetésére együtt, vagy külön-külön valamelyik a regresszió során azonosított társadalmi változó. Az egyes tényezők hatásmechanizmusának működését láthatjuk akkor, ha olyan rendőrkapitányságot választunk, ahol alacsony az esetek száma és párhuzamosan megnézzük a társadalmi indikátornál szereplő értéket, ahol ugyancsak alacsony számadatokat találunk (pl. Csorna Rk., Rétság Rk., Mór Rk., Vasvár Rk.). Ezek alapján jogosan feltételezhetjük a függőségi viszonyok fennállását, a társadalmi változók magasabb értékei magasabb cselekményszámot feltételeznek. Meg kell azonban jegyeznünk, hogy az okirat bűncselekmények esetén – lopás mellett megjelenő járulékos cselekmények regisztrálása miatt nőtt ilyen mértékben a számuk – torzító hatást mutathat a vendéglátó helyek száma és az ehhez kapcsolódó turizmus, hiszen a turizmus szempontjából kiemelkedő helyeken megjelenő „járulékos” cselekmények (azaz visszaélés okirattal) száma jóval magasabb lett.

7.10.2 Az okirattal való visszaélésre közvetlenül hatással lévő változók regressziós egyenese

70. ábra – Okirattal való visszaélés – egyetemi végzettségű álláskeresők

114/194. oldal

71. ábra - Okirattal való visszaélés – rendszeres szociális segélyben részesítettek átlagos száma

72. ábra - Okirattal való visszaélés – egyéb szállásadás férőhelyeinek száma

115/194. oldal



Rendőrkapitányság Visszaélés okirattal



Rendszeres szociális segélyben részesítettek

átlagos száma (rendelkezésre állási támogatásban

részesülők adatai nélkül)

Egyéb (2009-ig magán) szállásadás

férőhelyeinek száma összesen (db)

Vasvár Rk 0 0,63 3,16 9,03

Mór Rk 0,03 0,51 1,3 5,07

Rétság Rk 0,16 0,64 3,7 11,01

Csorna Rk 0,19 0,38 0,82 5,4

Hajdúnánás Rk 0,23 0,75 6,18 3,31


Pásztó Rk 0,28 0,46 5,01 14,11

Szeghalom Rk 0,29 0,56 6,48 3,57

Fehérgyarmat Rk 0,38 0,56 7,13 16,79

Szerencs Rk 0,39 0,84 9,55 13,29

Gyöngyös Rk 0,48 0,61 3,13 15,57

Bicske Rk 0,49 0,57 2,12 7,9

Kapuvár Rk 0,5 0,33 0,61 3,11

Hatvan Rk 0,53 0,58 3,37 2,67

Dunakeszi Rk 0,53 0,9 1,05 0,74


Békés Rk 0,66 0,51 4,66 0,78

Hajdúhadháza Rk 0,67 0,54 8,08 0,74


Szigetvár Rk 0,7 0,65 6 7,67

Sárbogárd Rk 0,7 0,29 7,57 2,17


Békéscsaba Rk 0,77 1 3,35 2,28

Baja Rk 0,8 0,88 4,81 2,23

Szentendre Rk 0,84 1,5 1,14 5,95

Szarvas Rk 0,86 0,66 3,43 16,62

Sárvár Rk 0,87 0,57 1,49 28,09

Szécsény Rk 0,89 0,62 9,7 11,24

Gyula Rk 0,91 0,84 6,74 43,47

Gárdony Rk 0,91 0,96 1,44 56,97

Sopron Rk 0,95 0,56 0,62 16,27

Nagykőrös Rk 0,98 0,35 4,79 2,04


Kalocsa Rk 1 0,61 3,28 3,46

116/194. oldal










Dabas Rk 1,04 0,31 1,9 1,31

Heves Rk 1,09 0,38 7,46 13,12

Encs Rk 1,1 0,6 13,41 15,46

Kiskőrös Rk 1,11 0,53 4,11 2,08

Mátészalka Rk 1,11 0,7 6,43 1,33

Ajka Rk 1,12 0,5 2,49 5,29

Vác Rk 1,14 0,69 1,79 8,24

Cegléd Rk 1,15 0,28 4,24 1,94

Budaörs Rk 1,23 1,2 0,99 3,43

Kőszeg Rk 1,27 0,4 1,9 152,2

Kiskunhalas Rk 1,29 0,47 4,85 7,67

Karcag Rk 1,29 0,36 5,54 19,73

Körmend Rk 1,37 0,46 1,81 28,75

Gödöllő Rk 1,4 0,84 1,45 5,86

Celldömölk Rk 1,42 0,73 1,61 12,53


Érd Rk 1,51 0,77 1,76 1,17


Monor Rk 1,58 0,4 1,78 1,16

Bonyhád Rk 1,58 0,35 1,96 4,61

Tiszaújváros Rk 1,63 0,74 5,9 7,69


Tiszafüred Rk 1,65 0,31 4,77 120,37



Várpalota Rk 1,83 0,4 4,64 3,79

Füzesabony Rk 1,86 0,43 5,5 42,44

Tiszavasvári Rk 1,87 0,35 3,73 6,58


Miskolc Rk 1,95 1,45 4,94 4,93

Tapolca Rk 1,96 0,58 3,17 162,69

Paks Rk 1,97 0,68 2,28 2,98

Veszprém Rk 2,06 1,03 1,88 12,14

Jászberény Rk 2,07 0,41 2,39 2,22

Dunaújváros Rk 2,12 0,54 3,6 2,59

Püspökladány Rk 2,18 0,59 9,9 7,59

117/194. oldal










Nagykáta Rk 2,28 0,27 2,8 1,29

Komló Rk 2,3 0,61 4,73 18,21

Salgótarján Rk 2,34 0,63 7,78 4,14

Eger Rk 2,4 0,95 3,87 46,05

Ózd Rk 2,41 0,57 9,85 3,73

Lenti Rk 2,5 0,31 4,39 36,31


Szombathely Rk 2,53 0,56 1,43 2,75

Siklós Rk 2,57 0,58 7,28 147,24

Mohács Rk 2,59 0,82 3,9 9,02

Kisvárda Rk 2,61 0,74 3,81 0,5

Nagykanizsa Rk 2,65 0,87 4,15 43,24

Ráckeve Rk 2,72 0,3 1 2,56

Nyírbátor Rk 2,81 0,46 6,58 0,63

Sárospatak Rk 2,85 1,2 6,93 28,88

Mezőkövesd Rk 2,87 0,91 5,42 92,7

Orosháza Rk 3,05 0,72 4,6 7,27


Sarkad Rk 3,06 0,37 8,87 0,65

Pécs Rk 3,15 1,91 2,85 7,6

Barcs Rk 3,18 0,47 9,24 20,28

Budapest 3,19 1,59 2,14 2,55


Tamási Rk 3,74 0,44 4,9 23,67


Záhony Rk 3,76 0,7 2,74 1,49

Dombóvár Rk 3,97 0,84 4,83 49,02

Kecskemét Rk 4,14 0,8 3,15 2,56

Győr Rk 4,31 0,89 1,64 3,02

Zalaegerszeg Rk 4,58 0,86 2,7 8,54


Keszthely Rk 4,67 0,99 3,64 303,14

Kistelek Rk 5,22 0,53 2,57 3,36

Nyíregyháza Rk 5,37 0,98 3,33 1,98

Kisbér Rk 5,52 0,85 2 3,98

Dorog Rk 5,75 0,59 1,47 1,49

118/194. oldal









Szolnok Rk 5,82 0,91 3,09 2,31

Csongrád Rk 5,91 0,75 2,85 4,9

Nagyatád Rk 7,15 0,71 7,6 5,44

Makó Rk 7,3 0,29 3,77 1,94

Mezőtúr Rk 7,49 0,64 7,43 5,94

Oroszlány Rk 7,94 0,65 2,6 2,36

Hódmezővásárhely Rk 8 0,66 3,29 4,56

Szentes Rk 8,04 0,63 2,51 2,81

Debrecen Rk 8,4 1,96 3,11 1,9

Pápa Rk 8,52 0,71 3,72 5,9

Tata Rk 9 1,07 1,31 8,54

Szekszárd Rk 9,01 0,8 3,28 5,32

Esztergom Rk 10,42 1,02 1,91 6,17

Balatonfüred Rk 10,45 1,14 0,69 569,09

Kaposvár Rk 11,29 1,04 5,28 9,69

Tatabánya Rk 11,37 0,43 1,72 2,16

Komárom Rk 11,76 0,52 1,98 4,53

Szeged Rk 14,02 1,6 2,64 4,79

Fonyód Rk 15,64 0,81 3,2 1 067,28

Marcali Rk 16,71 0,45 5,93 14,73

Siófok Rk 35,21 0,78 4,51 504,55

Edelény Rk 64,71 1,16 15,63 27,45

7.11 Lopás

7.11.1 A lopással korreláló változók

27. Táblázat - A lopással korreláló változók



2 a5_fo Közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma 0,004 0,251

3 a4_fo Lakásállomány 0,004 0,249



6 aktiv_ar 18-59 évesek aránya 0,013 -0,217


8 idos_ar 60+ évesek aránya 0,015 0,213





119/194. oldal

A független társadalmi változók közül 12 mutatott olyan kapcsolatot a lopásokkal, hogy kimondhatjuk, valószínű van összefüggés a tényezők között. Hatásuk erőssége alapján a háztartási gázfogyasztók száma, a közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma, a lakásállomány és a benzinkutak aránya érdemel figyelmet az értékelés során. Annak megállapítása, hogy ezek és a táblázatban felsorolt egyedek konkrétan milyen kontextusban jelennek meg azt további elemzés döntheti el.

73. ábra – A lopás regressziós modellje

Az alkalmazott regressziós modell a bőncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma és 18-59 évesek aránya egyedekkel, melyek egymással is közvetlen kapcsolatban vannak. Közvetlenül ezekhez az egyedekhez és ezáltal közvetetten a bűncselekményekhez kapcsolódik a 60+ évesek aránya, a háztartási gázfogyasztók száma és a benzinkutak aránya. Ezek a társadalmi változók tehát közvetlen és közvetett hatást gyakorolnak a bűncselekménytípusra és rajta keresztül a rendőri szervek munkájának különböző szakterületeire. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Orosháza Rk., Marcali Rk., Siófok Rk., Budapest), ahol magas a lopások száma, és ezzel szoros összefüggésben lehet, hatást gyakorol a cselekmény elkövetésére valamelyik a regresszió során azonosított egy vagy több társadalmi változó (pl. közüzemi ivóvíz-hálózatba bekapcsolt lakások száma, háztartási gázfogyasztók száma, aktívak aránya). Az egyes tényezők hatásmechanizmusának működését láthatjuk akkor, ha olyan rendőrkapitányságot választunk, ahol alacsony a lopások száma és párhuzamosan megnézzük a társadalmi indikátornál szereplő értéket, ahol ugyancsak viszonylag alacsony számadatokat találunk (pl. Békés Rk., Mór Rk., Csorna Rk., Kapuvár Rk.). Vannak azonban olyan esetek, ahol a bűncselekményre közvetlen hatást gyakorló társadalmi tényezők igazolják a fent megállapítottakat, azonban a másodlagos tényezők különböző arányú eltéréseket mutatnak. Ennek alapján jogosan feltételezhetjük a függőségi viszonyok fennállását az elsődleges tényezők és a bűncselekmény között. Amennyiben nem egyértelmű a reláció további tényezőket célszerű felkutatnunk.

120/194. oldal

7.11.2 A lopásra közvetlenül hatással lévő változók regressziós egyenese

74. ábra – Lopás – 18-59 évesek aránya

75. ábra – Lopás - közüzemi ivóvízvezeték hálózatba bekapcsolt lakások száma

121/194. oldal

76. ábra – Lopás – 60+ évesek aránya



Rendőrkapitányság Lopás

Közüzemi ivóvízvezeték-

hálózatba bekapcsolt

lakások száma

Háztartási gázfogyasztók

száma

Benzinkút /üzemanyagtöltő állomás/ aránya

aktívak aránya

idősek aránya

Kapuvár Rk 2,86 411,83 253,4 0,11 0,6 0,24

Csorna Rk 3,44 405,32 216,21 0,18 0,6 0,23

Mór Rk 4,34 379,36 267,69 0,36 0,62 0,2

Békés Rk 4,73 394 378,13 0,63 0,59 0,23

Edelény Rk 5,61 274,36 212,62 0,11 0,57 0,2

Sárvár Rk 5,7 422,69 273,25 0,18 0,61 0,24

Tapolca Rk 5,74 407,26 238,96 0,16 0,6 0,23

Kiskőrös Rk 5,76 383,39 312,52 0,81 0,59 0,24

Fehérgyarmat Rk 6,1 345,76 282,39 0,08 0,58 0,2

Körmend Rk 6,14 416 192,33 0,1 0,6 0,24

Mezőkovácsháza Rk 6,24 439,43 359,77 0,5 0,58 0,25

Kunszentmiklós Rk 6,41 368,68 321,54 0,78 0,59 0,22

Celldömölk Rk 6,5 436,08 282,48 0,11 0,59 0,24

Kisvárda Rk 6,55 334,24 277,67 0,15 0,61 0,17

Rétság Rk 6,56 381,58 282,67 0,08 0,6 0,22

Bonyhád Rk 6,57 373,45 262,98 0,17 0,6 0,23

122/194. oldal




lakások száma


száma


aktívak aránya

idősek aránya

Hajdúböszörmény Rk 6,82 367,32 290,81 1 0,59 0,2

Szerencs Rk 6,86 347,46 265,18 0,38 0,58 0,21

Baja Rk 6,89 417,79 360,03 0,39 0,58 0,25

Sátoraljaújhely Rk 6,9 353,7 201,15 0,19 0,58 0,21

Mátészalka Rk 7,06 320,74 270,03 0,13 0,6 0,19

Dorog Rk 7,09 352,51 224,22 0,27 0,61 0,21

Sopron Rk 7,29 415,8 353,33 0,18 0,6 0,23

Kiskunhalas Rk 7,35 398,05 308,39 0,63 0,59 0,23

Várpalota Rk 7,42 381,42 213,54 0,5 0,61 0,21

Komló Rk 7,47 394,89 166,77 0,14 0,6 0,23

Szigetvár Rk 7,47 359,96 84,35 0,07 0,61 0,2

Szécsény Rk 7,63 315,27 212,75 0,13 0,58 0,22

Kazincbarcika Rk 7,66 329,04 296,78 0,13 0,61 0,21

Tiszaújváros Rk 7,73 328,72 314,06 0,25 0,6 0,18

Sárospatak Rk 7,87 347,51 230,79 0,13 0,6 0,22

Kőszeg Rk 7,91 385,9 258,83 0,16 0,61 0,22

Barcs Rk 8,46 400,67 210,47 0,16 0,59 0,21

Paks Rk 8,47 421,9 210,85 0,5 0,61 0,21

Bicske Rk 8,55 342,52 263,52 0,31 0,61 0,19

Gödöllő Rk 8,57 345,19 336,78 0,59 0,6 0,2

Nagykanizsa Rk 8,59 404,54 360,87 0,11 0,6 0,24

Mohács Rk 8,64 399,61 260,27 0,19 0,6 0,23

Balatonalmádi Rk 8,65 409,88 440,98 0,29 0,59 0,26

Vasvár Rk 8,75 459,33 169,92 0,09 0,6 0,23

Ajka Rk 8,81 403,46 156,85 0,08 0,61 0,23

Kiskunfélegyháza Rk 8,95 332,79 346,81 0,67 0,59 0,23

Vásárosnamény Rk 8,99 350,19 300,7 0,1 0,59 0,19

Kisbér Rk 9,03 393,42 252,88 0,33 0,62 0,21

Tamási Rk 9,08 417,82 148,08 0,36 0,59 0,24

Veszprém Rk 9,09 404,86 313,84 0,26 0,62 0,21

Tata Rk 9,2 362,24 245,32 0,3 0,61 0,22

Szarvas Rk 9,26 413,17 354,79 0,56 0,58 0,25

Dunakeszi Rk 9,29 378,83 376,3 1 0,61 0,19

Zalaegerszeg Rk 9,41 385,02 353,75 0,09 0,61 0,23

Lenti Rk 9,48 433,09 320,5 0,08 0,59 0,26

Ráckeve Rk 9,5 355,55 343,59 0,43 0,59 0,22

Érd Rk 9,5 357,04 352,24 0,5 0,61 0,19

123/194. oldal




lakások száma


száma


aktívak aránya

idősek aránya

Dabas Rk 9,53 327,12 322,72 0,67 0,61 0,19

Sárbogárd Rk 9,82 367,28 245,12 0,33 0,6 0,2

Hajdúnánás Rk 9,84 381,43 330,15 0,57 0,6 0,21

Berettyóújfalu Rk 9,9 367,52 243,94 0,26 0,59 0,21

Gyöngyös Rk 9,93 415,91 339,46 0,36 0,58 0,25

Oroszlány Rk 10,12 385,42 121,92 0,5 0,61 0,21

Pápa Rk 10,13 400,69 286,5 0,06 0,59 0,23

Tiszafüred Rk 10,19 417,97 321,9 0,5 0,59 0,22

Keszthely Rk 10,3 441,55 337,16 0,16 0,59 0,26

Vác Rk 10,32 377,78 311,03 0,17 0,6 0,21

Pásztó Rk 10,34 395,77 312,82 0,15 0,59 0,24

Békéscsaba Rk 10,35 432,21 439,43 0,6 0,6 0,24

Balassagyarmat Rk 10,48 381,15 248,46 0,1 0,6 0,23

Nyíregyháza Rk 10,54 377,25 310,98 0,47 0,61 0,19

Budaörs Rk 10,6 322,88 326,76 0,57 0,59 0,19

Esztergom Rk 10,79 363,82 209,2 0,44 0,59 0,22

Mosonmagyaróvár Rk 10,99 379,17 205,19 0,23 0,61 0,2

Kaposvár Rk 11,02 387,51 287,29 0,14 0,59 0,23

Kistelek Rk 11,03 326,51 303,07 1 0,58 0,25

Szeghalom Rk 11,08 405,36 326,21 0,63 0,6 0,21

Siklós Rk 11,1 361,57 139,84 0,09 0,6 0,21

Kalocsa Rk 11,14 426,3 367,12 0,48 0,59 0,25

Szigetszentmiklós Rk 11,25 340,25 363,47 0,83 0,61 0,18

Nagykőrös Rk 11,27 311,66 297,54 0,33 0,59 0,22

Monor Rk 11,34 335,67 334,29 0,44 0,61 0,2

Hatvan Rk 11,37 401,67 393,22 0,38 0,59 0,24

Balmazújváros Rk 11,46 368,9 314,7 0,8 0,58 0,22

Encs Rk 11,49 287,71 192,75 0,11 0,57 0,18

Nagykáta Rk 11,61 369,89 311,24 0,46 0,6 0,21

Gyula Rk 11,67 421,65 427,97 0,75 0,59 0,25

Sarkad Rk 11,82 418,66 357,39 0,5 0,58 0,23

Nagyatád Rk 12,03 374,36 211,18 0,19 0,59 0,22

Pécs Rk 12,07 437,23 326,64 0,06 0,6 0,23

Szentendre Rk 12,08 346,52 311,31 0,5 0,59 0,21

Záhony Rk 12,11 329,2 240,46 0,25 0,6 0,17

Makó Rk 12,12 446,59 375,38 0,35 0,58 0,24

Miskolc Rk 12,16 391,82 375,47 0,29 0,6 0,22

124/194. oldal




lakások száma


száma


aktívak aránya

idősek aránya

Törökszentmiklós Rk 12,16 382,26 303,39 0,4 0,58 0,21

Füzesabony Rk 12,19 392,14 364,36 0,29 0,57 0,23

Mezőkövesd Rk 12,35 419,89 397,72 0,22 0,58 0,25

Szombathely Rk 12,35 399,4 337,79 0,08 0,6 0,23

Tiszavasvári Rk 12,37 349,02 256,25 0,67 0,57 0,2

Balatonfüred Rk 12,69 406,08 353,55 0,15 0,59 0,26

Tatabánya Rk 12,7 393,22 116,48 0,5 0,61 0,21

Szekszárd Rk 12,73 390,55 250,27 0,55 0,6 0,23

Salgótarján Rk 12,84 407,3 258,21 0,1 0,58 0,25

Cegléd Rk 12,84 363,46 314,36 0,58 0,59 0,22

Bátonyterenye Rk 12,98 390,57 289,3 0,13 0,58 0,24

Dombóvár Rk 12,98 395,73 177,29 0,38 0,59 0,24

Hódmezővásárhely Rk 13,01 399,36 360,32 0,75 0,6 0,23

Nyírbátor Rk 13,12 336,42 249,54 0,33 0,6 0,17

Debrecen Rk 13,13 422,32 343,87 0,63 0,61 0,21

Komárom Rk 13,49 390,21 244,71 0,64 0,61 0,21

Hajdúszoboszló Rk 13,54 401,51 385,08 0,8 0,6 0,22

Gárdony Rk 13,55 349,51 388,74 0,43 0,6 0,22

Hajdúhadháza Rk 13,68 319,03 226,69 0,69 0,6 0,16

Dunaújváros Rk 13,8 400,03 367,75 0,56 0,61 0,22

Ózd Rk 13,83 304,89 249,18 0,17 0,57 0,21

Csongrád Rk 13,87 417,61 406,92 0,5 0,57 0,26

Szeged Rk 13,91 419,55 430,87 0,71 0,6 0,23

Jászberény Rk 13,95 411,56 330,05 0,67 0,58 0,24

Eger Rk 13,96 402,24 390,14 0,2 0,59 0,24

Kunszentmárton Rk 14,22 468,25 318,08 0,42 0,57 0,25

Győr Rk 14,37 408,84 346,66 0,22 0,61 0,22

Püspökladány Rk 14,88 381,51 286,95 0,58 0,59 0,21

Szentes Rk 15,13 414,38 337,61 0,38 0,58 0,25

Kecskemét Rk 15,29 378,33 345,66 0,59 0,6 0,21

Mezőtúr Rk 15,72 394,74 353,79 0,67 0,59 0,24

Székesfehérvár Rk 16,47 384,57 351,53 0,48 0,61 0,21

Karcag Rk 16,5 374,77 336,21 0,83 0,59 0,22

Fonyód Rk 16,62 430,53 406,75 0,27 0,58 0,26

Heves Rk 17,19 364,35 314,26 0,41 0,57 0,21

Szolnok Rk 17,32 423,3 366,13 0,37 0,6 0,23

Budapest 25,78 525,68 447,05 1 0,59 0,26

125/194. oldal




lakások száma


száma


aktívak aránya

idősek aránya

Siófok Rk 25,82 418,68 406,06 0,19 0,59 0,25

Marcali Rk 35,03 410,23 245,85 0,09 0,59 0,23

Orosháza Rk 52,84 433,55 379,08 0,75 0,58 0,25

7.12 Betöréses lopás

7.12.1 A betöréses lopással korreláló változók

29. Táblázat - A betöréses lopással korreláló változók



0,006 0,241


3 a104_fo Vendégéjszakák száma a fizetővendéglátásban (vendégéjszaka)

0,009 0,234

4 a59_fo Egyéb (2009-ig magán) szálláshelyek férőhelyeinek száma összesen

0,011 0,222

5 a108_fo Egyéb (2009-ig magán) szállásadás férőhelyeinek száma összesen (db)

0,013 0,217


0,017 0,209








A független társadalmi változók közül 13 mutatott olyan kapcsolatot a betöréses lopással, melynek alapján kimondhatjuk, valószínű van összefüggés a tényezők között. Hatásuk erőssége alapján a Vendégéjszakák száma magán és fizetővendéglátásban, a Háztartási villamosenergia fogyasztók száma, Szálláshelyek férőhelyeinek száma, a Szállásadás vendéglátóinak száma és a Fogadott vendégek száma figyelmet érdemel az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

126/194. oldal

77. ábra - A betöréses lopás regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a Vendégek száma az egyéb (2009-ig magán) szállásadásban, Egyéb (2009-ig magán) szálláshelyek vendégeinek száma és a Vendégek száma a fizetővendéglátásban egyedekkel. Ezek a társadalmi változók tehát hatást gyakorolhattak a bűncselekménytípusra és rajta keresztül a rendőri szervek munkájának különböző szakterületeire. Hogy miként befolyásolják azt, már csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Gárdony Rk., Miskolc Rk., Debrecen Rk., Berettyóújfalu Rk.), ahol magas betöréses lopások száma, és ezzel szoros összefüggésben lehet, hatást gyakorol a cselekmény elkövetésére valamelyik a regresszió során azonosított egy vagy több társadalmi változó (pl. vendégéjszakák száma az egyéb (2009-ig magán) szállásadásban). Az egyes tényezők hatásmechanizmusának működését láthatjuk akkor, ha olyan rendőrkapitányságot választunk, ahol alacsony a betöréses lopások száma és párhuzamosan megnézzük a társadalmi indikátornál szereplő értéket, ahol ugyancsak alacsony számadatokat találunk (pl. Szeghalom Rk., Kistelek Rk., Kisvárda Rk.). Ennek alapján is jogosan feltételezhetjük a függőségi viszonyok fennállását. Amennyiben nem egyértelmű a reláció további tényezőket célszerű felkutatnunk.

127/194. oldal

7.12.2 A betöréses lopásra közvetlenül hatással lévő változók regressziós egyenese

78. ábra - A betöréses lopás – egyéb szálláshelyek vendégeinek száma

79. ábra - A betöréses lopás – vendégek száma a fizetővendéglátásban

128/194. oldal

80. ábra – vendégéjszakák száma az egyéb szállásadásban



Rendőrkapitányság Betöréses

lopás


szálláshelyek vendégeinek

száma

Vendégek száma a fizetővendéglátásban

(fő)

Vendégéjszakák száma az egyéb (2009-ig magán)

szállásadásban (vendégéjszaka)

Kapuvár Rk 0,71 122,39 54,25 196,42

Szeghalom Rk 0,76 8,65 0,99 14,85

Gyula Rk 0,98 301,08 294,45 983,01

Kistelek Rk 1,07 29,83 0 41,23

Békés Rk 1,14 5,7 4,96 16,25

Csorna Rk 1,32 23,96 10,69 183,23

Fehérgyarmat Rk 1,32 64,56 0 160,82

Ózd Rk 1,67 12,98 3,77 48,69

Szerencs Rk 1,69 81,89 28,59 158,24

Bonyhád Rk 1,91 16,66 0,55 75,82


Szentes Rk 1,96 23,27 17,07 57,68


Püspökladány Rk 2,03 34,33 10,6 87,48

Dombóvár Rk 2,03 36,31 16,47 152,95

129/194. oldal


lopás



száma


(fő)



Kisvárda Rk 2,11 0,16 0,91 2,1

Kiskunhalas Rk 2,25 132,3 29,51 163,55


Hajdúszoboszló Rk 2,29 1 529,46 1 709,49 6 361,18

Kiskőrös Rk 2,33 23,17 5,1 24,27

Baja Rk 2,34 24,53 16,12 52,87

Tapolca Rk 2,36 654,25 530,6 2 044,56

Pápa Rk 2,37 84,34 25,14 163,05


Tiszaújváros Rk 2,46 40,71 31,27 249,61

Ajka Rk 2,5 61,17 0 48,2

Balatonfüred Rk 2,57 762,16 618,79 3 246,02

Békéscsaba Rk 2,58 15,71 15,19 101,21

Salgótarján Rk 2,63 39,28 6,9 95,1

Mór Rk 2,71 22,43 1,07 34,33

Paks Rk 2,71 27,45 16,59 94,08

Szeged Rk 2,84 63,86 58,57 251,09

Mátészalka Rk 2,86 13,17 6,53 52,53

Orosháza Rk 2,87 51,62 44,94 334,21

Szarvas Rk 2,87 92,24 45,12 308,82

Körmend Rk 2,9 245,34 35,17 595,49

Dunakeszi Rk 2,94 0,77 0,26 6,28


Encs Rk 2,98 36,3 1,7 145,56

Rétság Rk 3,02 112,62 0 305,16

Csongrád Rk 3,06 33,23 13,37 85,28

Győr Rk 3,1 19,68 3,79 51,57


Dorog Rk 3,15 18,58 8,97 101,91

Szigetvár Rk 3,24 39,19 2,86 106,99

Tata Rk 3,28 71,03 27,6 131

Kalocsa Rk 3,29 25,36 5,07 55,13

Sarkad Rk 3,29 0 2,55 2,55

Gyöngyös Rk 3,31 64,59 14,79 271,4

Sárospatak Rk 3,32 164,12 79,32 468,98


Monor Rk 3,33 11,36 8,11 65,7

130/194. oldal


lopás



száma


(fő)



Makó Rk 3,35 30,7 8,15 43,44


Edelény Rk 3,41 93,51 0,28 349,25

Sárvár Rk 3,41 193,6 166,58 1 276,86

Budaörs Rk 3,42 33,37 33,92 146,67

Veszprém Rk 3,49 62,84 19,53 239,03

Kiskunfélegyháza Rk 3,53 3,5 0 45,13

Dabas Rk 3,54 54,58 0,03 94,25

Zalaegerszeg Rk 3,54 46,46 29,72 208,24

Nagykőrös Rk 3,58 17,38 23,21 78,98

Sopron Rk 3,6 178,72 99,62 568,42

Esztergom Rk 3,6 52,6 50,89 164,37

Szentendre Rk 3,63 42,94 57,11 251,42

Várpalota Rk 3,71 17,68 16,41 113,65


Hatvan Rk 3,78 5,71 8,72 125,07

Szécsény Rk 3,92 76,79 1,83 113,18

Nyíregyháza Rk 3,92 9,84 8,55 30,2


Szekszárd Rk 4,06 34,59 15,68 183,87

Pásztó Rk 4,18 53,17 14,98 208,59

Füzesabony Rk 4,2 231,68 4,57 1 101,11


Komló Rk 4,29 93,97 14,49 259,51

Kőszeg Rk 4,3 1 290,65 749,44 5 341,67

Szolnok Rk 4,34 11,77 13,31 87,51


Mohács Rk 4,36 37,26 20,42 305,86

Keszthely Rk 4,36 624,69 479,77 3 156,46

Záhony Rk 4,37 3,76 3,76 20,15

Szombathely Rk 4,4 20,35 8,62 76,83

Barcs Rk 4,43 140,57 82,14 542,15

Érd Rk 4,49 6,59 4,52 31,51



Komárom Rk 4,62 24,41 16,61 94,67

Siklós Rk 4,66 513,6 525,35 3 464,79

131/194. oldal


lopás



száma


(fő)



Hajdúnánás Rk 4,74 31,6 28,27 142,88

Vác Rk 4,75 53,66 10,41 229,2

Tamási Rk 4,84 50,08 29,28 238,28

Lenti Rk 4,87 230,4 131,1 751,4

Budapest 4,94 28,92 19,55 74,77

Tiszafüred Rk 4,94 254,95 279,93 1 043,89

Eger Rk 4,98 432,37 179,8 1 052,85

Tatabánya Rk 4,99 11,02 3,14 57,37

Gödöllő Rk 5,15 14,57 3,53 39,37

Dunaújváros Rk 5,21 5,69 5,51 74

Cegléd Rk 5,25 4,27 3,4 23,89

Hajdúhadháza Rk 5,3 3,91 0 0,22

Nagyatád Rk 5,31 34,43 26,31 209,11

Celldömölk Rk 5,38 49,83 1,85 235,73

Pécs Rk 5,42 70,11 28,62 220,4

Nyírbátor Rk 5,42 6,99 7,4 36,71

Nagykanizsa Rk 5,47 99,6 100,38 1 015,72

Oroszlány Rk 5,48 20,78 0 96,21

Mezőkövesd Rk 5,67 210,85 125,76 1 233,75

Sárbogárd Rk 5,7 23,07 2,7 19,73

Kecskemét Rk 5,78 6,18 4,79 54,75

Bicske Rk 5,94 46,6 2,84 100,38

Tiszavasvári Rk 6,43 92,1 13,82 139,86

Kisbér Rk 6,48 42,7 14,39 101,13

Jászberény Rk 6,51 16,56 4,65 51,23

Vasvár Rk 6,6 30,64 5,21 141,79

Kaposvár Rk 6,61 28,54 6,28 170,93

Debrecen Rk 6,63 13,79 22,19 65,88

Fonyód Rk 6,68 2 921,68 4 505,45 15 136,59

Miskolc Rk 6,78 39,18 40,46 129,61


Gárdony Rk 7,4 107,54 175,83 715,33


Balatonalmádi Rk 7,56 1 043,58 518,94 3 701,65

Mezőtúr Rk 7,81 23,42 75,75 398,66

Heves Rk 8,09 18,34 9,32 59,44

Nagykáta Rk 8,37 3,76 1,05 15,96

132/194. oldal


lopás



száma


(fő)



Karcag Rk 8,47 78,14 31,01 403,67

Ráckeve Rk 8,84 11,15 2,62 62,64

Siófok Rk 13,22 1 351,17 1 807,65 8 526,56

Marcali Rk 13,83 20,07 1,5 28,97

7.13 Sikkasztás

7.13.1 A sikkasztással korreláló változók

31. Táblázat - A sikkasztással korreláló változók




0,002 0,265


0,007 -0,234






9 a76_fo A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft)

0,033 0,187


A független társadalmi változók közül 10 mutatott olyan kapcsolatot a sikkasztás deliktumoknál, amely összefüggést valószínűsít a tényezők között. Hatásuk erőssége alapján a működő házi gyermekorvosok száma, a regisztrált jogi személyiségű vállalkozások száma, a rendszeres gyermekvédelmi kedvezményben részesítettek évi átlagos száma és a helyi önkormányzat helyi adó bevételei érdemel figyelmet az értékelés során. Hogy a táblázatban felsorolt egyedek konkrétan milyen kontextusban jelennek meg azt további elemzés döntheti el.

81. ábra – A sikkasztás regressziós modellje

133/194. oldal

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a kiskereskedelmi üzletek száma és a helyi önkormányzatok helyi adó bevételeiből az iparűzési adó egyedekkel. Ez a két társadalmi változók tehát közvetlen hatást gyakorol valamilyen formában az elkövetett sikkasztások számának alakulására és mindezen keresztül a rendőri munkára. Annak a formáját, hogy miként fejti ki hatását csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Egyetlen kapitányságot tudunk kiemelni (Esztergom Rk.), ahol magas bűncselekményszámhoz mindkét társadalmi indikátornál szereplő érték magas. Külön-külön vizsgálva az egyedek értékeit inkább az állapítható meg, hogy a magasabb számok ellenére a deliktumok száma nem ebbe az irányba mozdul el (Komárom Rk., Budaörs Rk., Székesfehérvár Rk., Győr Rk., illetve Gyula Rk., Balatonfüred Rk., Keszthely Rk.). Mindezek alapján nem lehet kijelenteni azt, hogy a sikkasztás deliktumok és az elsődleges társadalmi tényezők között közvetlen függőségi viszony áll fenn.

7.13.2 A súlyos testi sértésre közvetlenül hatással lévő változók regressziós egyenese

82. ábra - A sikkasztás – kiskereskedelmi üzletek száma

134/194. oldal

83. ábra - A sikkasztás – A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó



Rendőrkapitányság Sikkasztás A helyi önkormányzatok helyi adó

bevételeiből az iparűzési adó (1000 Ft)

Kiskereskedelmi üzletek száma (db)

Lenti Rk 0,04 19 850,08 17,97

Békés Rk 0,05 10 781,30 10,79

Kazincbarcika Rk 0,08 21 528,09 11,98

Bicske Rk 0,08 19 203,62 9,45

Vásárosnamény Rk 0,08 15 613,08 13,27

Sarkad Rk 0,09 7 184,60 12,98

Dorog Rk 0,1 36 363,91 12,89

Mór Rk 0,11 39 201,09 10,65

Kunszentmárton Rk 0,11 10 793,37 12,89

Gyula Rk 0,12 14 574,70 19,41

Szarvas Rk 0,12 19 863,46 14,61

Szeghalom Rk 0,12 23 348,60 15,08

Sárospatak Rk 0,12 13 235,88 15,04

Pásztó Rk 0,12 10 577,34 12,81

Celldömölk Rk 0,12 30 547,39 14,76

Csorna Rk 0,13 13 547,75 15,1

Hajdúhadháza Rk 0,13 7 503,22 10,3

135/194. oldal




Nagykáta Rk 0,13 11 754,15 10,22

Hajdúnánás Rk 0,15 18 571,83 13,93

Oroszlány Rk 0,15 48 275,58 11,6

Bátonyterenye Rk 0,15 12 729,78 11,11

Kaposvár Rk 0,15 20 513,98 14,84

Veszprém Rk 0,15 42 328,27 17,83

Pápa Rk 0,15 20 969,07 15,77

Hajdúböszörmény Rk 0,16 38 686,01 13,71

Komárom Rk 0,16 100 369,35 14,62

Mátészalka Rk 0,16 10 558,67 15,31

Barcs Rk 0,17 9 716,58 17,74

Záhony Rk 0,17 18 212,31 11,23

Jászberény Rk 0,17 51 505,88 14,26

Encs Rk 0,18 5 153,95 10,1

Tapolca Rk 0,18 17 514,81 15,44

Mohács Rk 0,19 20 504,05 15,2

Sárbogárd Rk 0,19 19 088,94 11,51

Püspökladány Rk 0,19 11 315,74 12,09

Szentendre Rk 0,19 21 692,65 13,64

Kisvárda Rk 0,19 17 649,89 14,11

Szolnok Rk 0,19 30 681,79 16,2

Várpalota Rk 0,19 28 461,65 10,34

Kiskőrös Rk 0,2 17 700,69 16,68

Fehérgyarmat Rk 0,2 5 161,86 17,98

Ajka Rk 0,2 28 198,03 11,69

Sátoraljaújhely Rk 0,21 11 074,50 14,35

Szerencs Rk 0,21 11 751,58 13,34

Csongrád Rk 0,21 27 341,76 14,04

Szentes Rk 0,21 24 643,68 14,22

Berettyóújfalu Rk 0,21 10 920,49 14,94

Törökszentmiklós Rk 0,21 12 982,17 11,9

Körmend Rk 0,21 29 602,00 17,03

Nagykanizsa Rk 0,21 39 347,93 16,92

Kalocsa Rk 0,22 14 625,33 15,97

Kunszentmiklós Rk 0,22 14 195,84 12,08

Tiszaújváros Rk 0,22 59 383,16 11,84

Eger Rk 0,22 25 534,97 17,8

Heves Rk 0,22 8 285,29 12,6

Karcag Rk 0,22 14 700,96 13,97

136/194. oldal




Bonyhád Rk 0,22 12 028,47 16,42

Makó Rk 0,23 18 214,89 13,63

Orosháza Rk 0,24 23 858,90 15,43

Tiszafüred Rk 0,24 9 298,08 15,2

Balmazújváros Rk 0,25 10 860,39 12,53

Nyírbátor Rk 0,25 13 865,07 12,75

Keszthely Rk 0,25 21 399,50 21,22

Miskolc Rk 0,26 30 787,38 14,75

Tatabánya Rk 0,26 43 555,05 13,4

Gárdony Rk 0,27 15 269,52 11,14

Szécsény Rk 0,27 7 583,99 12,44

Zalaegerszeg Rk 0,27 37 109,55 16,11

Edelény Rk 0,28 6 118,31 11,17

Szeged Rk 0,28 42 537,58 16,54

Dunaújváros Rk 0,28 41 765,82 11,12

Hatvan Rk 0,28 22 534,99 15,48

Tiszavasvári Rk 0,28 9 881,49 12,13

Vasvár Rk 0,28 13 375,76 12,78

Sopron Rk 0,29 37 509,95 16,22

Székesfehérvár Rk 0,3 59 711,58 14,85

Mosonmagyaróvár Rk 0,3 42 161,34 16,74

Hajdúszoboszló Rk 0,3 40 478,99 15,35

Szekszárd Rk 0,3 27 348,37 17,69

Tamási Rk 0,3 11 297,50 14,94

Sárvár Rk 0,3 43 092,43 14,42

Debrecen Rk 0,31 38 262,67 17,47

Vác Rk 0,31 23 562,34 13,14

Kistelek Rk 0,32 17 218,32 12,15

Gyöngyös Rk 0,32 44 510,77 15,49

Cegléd Rk 0,32 15 430,07 14,88

Szigetszentmiklós Rk 0,32 41 773,93 13,52

Mezőkovácsháza Rk 0,33 11 930,87 14,32

Kapuvár Rk 0,33 15 491,00 16,46

Dabas Rk 0,33 31 424,33 12,45

Balatonalmádi Rk 0,33 20 249,68 15,42

Mezőkövesd Rk 0,34 20 539,36 13,56

Salgótarján Rk 0,34 17 831,46 15,26

Kiskunhalas Rk 0,35 24 385,41 16,22

Nagykőrös Rk 0,35 21 797,31 12,12

137/194. oldal




Ózd Rk 0,36 18 124,54 11,53

Balassagyarmat Rk 0,36 19 957,75 13,92

Dombóvár Rk 0,36 19 344,53 16,5

Füzesabony Rk 0,37 13 673,88 14,5

Kisbér Rk 0,37 20 662,72 12,38

Siklós Rk 0,38 14 987,20 15,81

Békéscsaba Rk 0,38 27 794,11 16,44

Nyíregyháza Rk 0,38 21 890,01 18,82

Balatonfüred Rk 0,38 21 682,07 30,06

Hódmezővásárhely Rk 0,4 21 484,25 17,28

Rétság Rk 0,4 15 607,26 9,5

Monor Rk 0,4 22 440,02 12,03

Siófok Rk 0,4 30 990,04 27,14

Szombathely Rk 0,4 41 807,85 13,67

Kőszeg Rk 0,4 29 078,07 19,21

Fonyód Rk 0,41 15 142,72 23,54

Pécs Rk 0,43 36 329,06 16,06

Komló Rk 0,43 12 013,81 12,08

Szigetvár Rk 0,43 11 689,09 14,75

Kiskunfélegyháza Rk 0,43 24 301,08 17,05

Dunakeszi Rk 0,43 39 550,64 13,43

Budaörs Rk 0,46 96 464,30 14,43

Gödöllő Rk 0,48 41 452,13 12,68

Baja Rk 0,5 17 972,36 18,38

Érd Rk 0,51 52 633,79 13,17

Budapest 0,53 59 866,75 18,58

Győr Rk 0,56 69 732,93 16,72

Kecskemét Rk 0,62 34 926,53 17,32

Paks Rk 0,7 92 228,20 16,94

Tata Rk 0,76 28 938,68 21,22

Marcali Rk 0,77 15 765,00 15,11

Ráckeve Rk 0,79 20 893,49 12,18

Esztergom Rk 0,81 55 793,87 17,68

Nagyatád Rk 1,04 15 312,72 12,96

Mezőtúr Rk 1,84 19 871,40 14,7

138/194. oldal

7.14 Csalás

7.14.1 A csalás korreláló változók

33. Táblázat - A csalás korreláló változók






A következő vizsgált egyed a csalás bűncselekmény volt. Melyhez köthetően a független társadalmi változók közül 4 mutatott valószínűsíthető összefüggést a tényezők között. Hatásuk erőssége alapján a Főiskolai és Egyetemi végzettségű nyilvántartott álláskeresők száma, a Kiskereskedelmi üzletek száma érdemel figyelmet az értékelés során, továbbá a Családsegítő szolgálatok adatai is magukra irányítják a figyelmet.

84. ábra – A csalás regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – erős függőségi mértékben – Egyetemi végzettségű nyilvántartott álláskeresők egyeddel. Ezek a társadalmi változók hatást gyakorolhattak a bűncselekménytípusra és rajta keresztül a rendőri szervek munkájának különböző szakterületeire. A rendőri szervekkel is számoló regressziós modell társadalmi változói és bűncselekményi kategóriája további elemzések forrása lehet. Láthatunk olyan kapitányságot, ahol magas a csalások száma (pl. Nagykanizsa Rk., Mezőkövesd Rk., Székesfehérvár Rk.) és ezzel szoros összefüggésben ugyancsak magas az Egyetemi végzettségű nyilvántartott álláskeresők száma társadalmi változó. Mindemellett több eddig nem azonosított változó is hatást gyakorolhat, különösen a nagyobb illetékességgel rendelkező kapitányságok esetében. Valamint a bűnügyi tevékenység jellegéből fakadó, elsősorban sorozat jellegű cselekmények nagy számban történő megjelenítése is nehezítheti a kapcsolatok értelmezését. A csalásokkal alacsonyan fertőzött kapitányságok, mint pl. Sarkad Rk. hozzárendelt társadalmi változója is vele együtt mozog, így alacsony értéket képviselve kisebb a függőségi viszony is.

139/194. oldal

7.14.2 A csalásra közvetlenül hatással lévő változók regressziós egyenese

85. ábra – Csalás – egyetemi végzettségű nyilvántartott álláskeresők száma



Rendőrkapitányság Csalás Egyetemi végzettségű


Sarkad Rk 0,19 0,37

Vasvár Rk 0,21 0,63

Mór Rk 0,23 0,51

Kisbér Rk 0,27 0,85

Szécsény Rk 0,27 0,62

Hajdúböszörmény Rk 0,28 0,66

Sárospatak Rk 0,31 1,2

Kőszeg Rk 0,32 0,4

Tapolca Rk 0,33 0,58

Nagykáta Rk 0,34 0,27

Püspökladány Rk 0,35 0,59

Celldömölk Rk 0,35 0,73

Kiskunhalas Rk 0,36 0,47

Szerencs Rk 0,36 0,84

Bicske Rk 0,36 0,57

Edelény Rk 0,39 1,16

140/194. oldal



Záhony Rk 0,39 0,7

Mezőkovácsháza Rk 0,4 0,4

Hajdúhadháza Rk 0,4 0,54

Kunszentmárton Rk 0,41 0,41

Kunszentmiklós Rk 0,42 0,48

Csongrád Rk 0,42 0,75

Barcs Rk 0,43 0,47

Hajdúnánás Rk 0,45 0,75

Tiszafüred Rk 0,45 0,31

Tiszavasvári Rk 0,46 0,35

Kazincbarcika Rk 0,49 0,88

Szeghalom Rk 0,5 0,56

Kaposvár Rk 0,5 1,04

Kiskunfélegyháza Rk 0,51 0,62

Heves Rk 0,52 0,38

Ráckeve Rk 0,52 0,3

Karcag Rk 0,52 0,36

Mohács Rk 0,53 0,82

Kistelek Rk 0,53 0,53

Oroszlány Rk 0,54 0,65

Nagyatád Rk 0,55 0,71

Orosháza Rk 0,57 0,72

Sárvár Rk 0,57 0,57

Fehérgyarmat Rk 0,58 0,56

Dabas Rk 0,59 0,31

Keszthely Rk 0,59 0,99

Dorog Rk 0,61 0,59

Veszprém Rk 0,61 1,03

Cegléd Rk 0,65 0,28

Gárdony Rk 0,66 0,96

Komárom Rk 0,66 0,52

Szigetszentmiklós Rk 0,66 0,54

Tamási Rk 0,66 0,44

Csorna Rk 0,67 0,38

Ózd Rk 0,68 0,57

Rétság Rk 0,68 0,64

Baja Rk 0,69 0,88

Sátoraljaújhely Rk 0,69 0,55

Dunaújváros Rk 0,69 0,54

141/194. oldal



Siklós Rk 0,74 0,58

Makó Rk 0,74 0,29

Pásztó Rk 0,74 0,46

Tata Rk 0,76 1,07

Esztergom Rk 0,78 1,02

Hatvan Rk 0,79 0,58

Balassagyarmat Rk 0,8 0,7

Monor Rk 0,8 0,4

Lenti Rk 0,8 0,31

Gyula Rk 0,81 0,84

Kapuvár Rk 0,83 0,33

Nagykőrös Rk 0,88 0,35

Balatonalmádi Rk 0,89 0,89

Vásárosnamény Rk 0,93 0,53

Körmend Rk 0,93 0,46

Mezőtúr Rk 0,95 0,64

Szentendre Rk 0,96 1,5

Gödöllő Rk 0,98 0,84

Hajdúszoboszló Rk 0,99 0,87

Bátonyterenye Rk 0,99 0,51

Békés Rk 1,01 0,51

Szombathely Rk 1,05 0,56

Berettyóújfalu Rk 1,14 0,69

Mátészalka Rk 1,14 0,7

Siófok Rk 1,16 0,78

Sopron Rk 1,17 0,56

Kecskemét Rk 1,21 0,8

Várpalota Rk 1,25 0,4

Dunakeszi Rk 1,26 0,9

Szentes Rk 1,31 0,63

Kisvárda Rk 1,31 0,74

Balmazújváros Rk 1,33 0,73

Szigetvár Rk 1,35 0,65

Szarvas Rk 1,39 0,66

Zalaegerszeg Rk 1,42 0,86

Budaörs Rk 1,43 1,2

Tiszaújváros Rk 1,45 0,74

Szekszárd Rk 1,46 0,8

Eger Rk 1,48 0,95

142/194. oldal



Miskolc Rk 1,51 1,45

Ajka Rk 1,53 0,5

Füzesabony Rk 1,55 0,43

Mosonmagyaróvár Rk 1,61 0,74

Salgótarján Rk 1,63 0,63

Szeged Rk 1,65 1,6

Vác Rk 1,7 0,69

Jászberény Rk 1,76 0,41

Érd Rk 1,81 0,77

Törökszentmiklós Rk 1,92 0,53

Hódmezővásárhely Rk 1,95 0,66

Nyíregyháza Rk 1,95 0,98

Győr Rk 1,97 0,89

Komló Rk 1,99 0,61

Békéscsaba Rk 2 1

Nyírbátor Rk 2,07 0,46

Kalocsa Rk 2,15 0,61

Gyöngyös Rk 2,16 0,61

Pápa Rk 2,25 0,71

Budapest 2,28 1,59

Debrecen Rk 2,36 1,96

Dombóvár Rk 2,45 0,84

Sárbogárd Rk 2,52 0,29

Marcali Rk 2,56 0,45

Paks Rk 2,65 0,68

Pécs Rk 3,56 1,91

Bonyhád Rk 3,68 0,35

Kiskőrös Rk 3,83 0,53

Tatabánya Rk 3,97 0,43

Encs Rk 4,19 0,6

Fonyód Rk 4,26 0,81

Szolnok Rk 4,29 0,91

Balatonfüred Rk 5,99 1,14

Székesfehérvár Rk 9,01 1,1

Mezőkövesd Rk 12,15 0,91

Nagykanizsa Rk 22,67 0,87

143/194. oldal

7.15 Rablás

7.15.1 A rablással korreláló változók

35. Táblázat - A rablással korreláló változók



0,000 0,455









0,001 0,278




13 a88_fo Általános iskola aránya 0,002 0,265





18 a86_fo Postahivatal /fiókposta, postamesterség, ügynökség, kirendeltség/ aránya 0,004 0,25

19 a98_fo Italüzletek és zenés szórakozóhelyek száma (db) 0,004 -0,252




23 a87_fo Óvoda aránya 0,014 0,215


25 a15_fo Jelzőrendszeres házi segítségnyújtásban részesülők száma 0,021 -0,203




29 a79_fo Működő háziorvosok száma 12.31-én (fő) 0,036 -0,184


A független társadalmi változók közül 30 mutatott olyan kapcsolatot a rablással, hogy kimondhatjuk, valószínű van összefüggés a tényezők között. Hatásuk erőssége alapján a regisztrált jogi személyiségű vállalkozások száma, a működő házi gyermekorvosok száma, a középiskolák aránya és az élelmiszer vegyes üzletek és áruházak száma érdemel figyelmet az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

144/194. oldal

86. ábra – A rablás regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a regisztrált jogi személyiségű vállalkozások száma és a középiskolák aránya egyedekkel, melyek között is kapcsolat mutatható ki. Másodlagos tényezőként az utóbbihoz kapcsolódik a bankfiókok aránya. A számadatok alapján ezek a társadalmi változók jelentős hatást gyakorolnak a rablás deliktumokra. Hogy miként befolyásolják azt, már csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Budapest, Dunaújváros Rk., Tatabánya Rk., Oroszlány Rk.), ahol magas a rablások száma, és ezzel összefüggésben lehet, hatást gyakorol a cselekmény elkövetésére valamelyik a regresszió során azonosított egy vagy több elsődleges vagy másodlagos társadalmi változó (pl. regisztrált jogi személyiségű vállalkozások száma). Találunk olyan kapitányságokat is (Budaörs Rk., Szentendre k., Dunakeszi Rk., Érd Rk.), ahol a közvetlen, illetve közvetetten befolyásoló egyedek magas száma mellett alacsony cselekményszám jelenik meg. Valószínűsíthetően itt e tényezők befolyásoló hatása mellett más tényezők is megjelennek, melyek a hatásukat gyengítik. Az egyes tényezők hatásmechanizmusának működését láthatjuk azonban akkor, ha olyan rendőrkapitányságot választunk, ahol alacsony a rablások száma és párhuzamosan megnézzük a társadalmi indikátornál szereplő értéket, ahol ugyancsak alacsony számadatokat találunk (pl. Vác Rk., Rétság Rk., Csorna Rk.). Ennek alapján jogosan feltételezhetjük a függőségi viszonyok fennállását, úgy, hogy az egyes egyedek között kialakult függést is számításba kell venni.

145/194. oldal

7.15.2 A rablásra közvetlenül hatással lévő változók regressziós egyenese

87. ábra – Rablás – középiskola aránya

88. ábra – Rablás - regisztrált jogi személyiségű vállalkozások száma

146/194. oldal



Rendőrkapitányság Rablás Regisztrált jogi személyiségű

vállalkozások száma Középiskola aránya Bankfiók aránya

Csorna Rk 0 14,53 0,03 0,33

Csongrád Rk 0,04 15,59 0,25 1

Rétság Rk 0,04 15,06 0 0,36

Vác Rk 0,04 34,22 0,06 0,23


Békés Rk 0,05 11,34 0,25 0,88

Fehérgyarmat Rk 0,05 10,41 0,04 0,2

Bonyhád Rk 0,05 17,02 0,03 0,28

Körmend Rk 0,05 17,98 0,03 0,13

Sárvár Rk 0,05 15,77 0,05 0,27



Gárdony Rk 0,07 28,73 0,21 0,64

Nagykőrös Rk 0,07 19,81 0,33 1

Mohács Rk 0,08 18,86 0,04 0,33

Edelény Rk 0,08 11,3 0,06 0,21

Tiszaújváros Rk 0,08 15,75 0,13 0,33

Kapuvár Rk 0,08 16,38 0,11 0,22

Heves Rk 0,08 13,17 0,06 0,47

Kaposvár Rk 0,08 25,12 0,03 0,22


Várpalota Rk 0,08 13,09 0,17 0,33


Záhony Rk 0,09 11,02 0,08 0,33

Tapolca Rk 0,09 17,58 0,04 0,15

Zalaegerszeg Rk 0,09 28,23 0,01 0,22

Lenti Rk 0,09 15,65 0,02 0,12


Bicske Rk 0,1 21,07 0,13 0,56


Paks Rk 0,1 18,85 0,21 0,71

Baja Rk 0,11 20,7 0,11 0,86

Orosháza Rk 0,11 14,01 0,38 1

Mór Rk 0,11 17,36 0,14 0,64


147/194. oldal



Kiskőrös Rk 0,12 28,5 0,25 1

Sárospatak Rk 0,12 16,66 0,19 0,25

Szentes Rk 0,12 18,5 0,13 0,63

Hajdúhadháza Rk 0,12 12,64 0,46 0,46

Dorog Rk 0,12 20,32 0,13 0,53

Ráckeve Rk 0,12 33,2 0,14 0,14

Jászberény Rk 0,12 16,44 0,28 0,61

Kőszeg Rk 0,12 22,75 0,11 0,21

Nagykanizsa Rk 0,12 19,15 0,01 0,21

Szigetvár Rk 0,13 16,86 0,01 0,21


Encs Rk 0,13 11,33 0,04 0,16

Sopron Rk 0,13 29,96 0,05 0,28

Hajdúböszörmény Rk 0,13 16,68 1 1

Balmazújváros Rk 0,13 12,85 0,4 1

Budaörs Rk 0,13 67,47 0,33 0,62

Marcali Rk 0,13 12,49 0,06 0,24

Nagyatád Rk 0,13 13,72 0,06 0,44

Békéscsaba Rk 0,14 22,86 0,4 0,8

Püspökladány Rk 0,14 11,57 0,25 0,75

Fonyód Rk 0,14 22,39 0,08 0,5

Tiszavasvári Rk 0,14 10,18 0,33 0,83

Tamási Rk 0,14 14,89 0,18 0,21

Vasvár Rk 0,14 15,28 0,04 0,09

Siklós Rk 0,15 17,26 0,02 0,15

Győr Rk 0,15 34,68 0,05 0,55

Dombóvár Rk 0,15 16,56 0,06 0,63

Kisbér Rk 0,16 17,37 0,13 0,8

Nagykáta Rk 0,16 17,27 0,23 1

Ajka Rk 0,16 17,1 0,05 0,21

Kiskunhalas Rk 0,17 21,98 0,26 0,68


Makó Rk 0,17 12,65 0,18 0,47

Gyöngyös Rk 0,17 23,22 0,08 0,6

Dunakeszi Rk 0,17 50,4 0,67 1

Balatonfüred Rk 0,17 40,68 0,1 0,05


Komló Rk 0,18 18,83 0,05 0,26

Szarvas Rk 0,18 16,44 0,33 1

148/194. oldal



Szeghalom Rk 0,18 9,44 0,5 0,88

Szerencs Rk 0,18 16,99 0,16 0,56

Szécsény Rk 0,18 13,82 0,06 0,44

Nyírbátor Rk 0,18 12,85 0,21 0,67

Pápa Rk 0,18 15,5 0,02 0,1

Keszthely Rk 0,18 27,95 0,06 0,33

Kecskemét Rk 0,19 35,84 0,29 0,88

Gyula Rk 0,19 16,27 0,75 1

Sarkad Rk 0,19 8,71 0,1 0,7

Eger Rk 0,19 29,87 0,06 0,63

Komárom Rk 0,19 29,01 0,18 0,73

Salgótarján Rk 0,19 18,59 0,05 0,05

Nyíregyháza Rk 0,19 27,24 0,36 0,67

Mátészalka Rk 0,19 12,41 0,18 0,34

Kalocsa Rk 0,2 18,72 0,14 0,76

Dabas Rk 0,2 36,81 0,27 1

Kistelek Rk 0,21 15,18 0,17 0,17

Sárbogárd Rk 0,21 13,14 0,13 0,67

Szentendre Rk 0,21 54,37 0,29 0,79

Barcs Rk 0,21 12,33 0,04 0,28

Kisvárda Rk 0,21 10,65 0,23 0,27


Hatvan Rk 0,23 17,29 0,15 0,15

Siófok Rk 0,23 26,82 0,09 0,3


Szekszárd Rk 0,23 23,88 0,14 0,59

Szeged Rk 0,24 30,03 0,29 0,33

Karcag Rk 0,24 14,31 0,83 0,83

Veszprém Rk 0,24 32,57 0,06 0,31

Mezőkövesd Rk 0,25 13,69 0,04 0,78

Hajdúszoboszló Rk 0,25 21,17 0,6 1

Szolnok Rk 0,25 23,04 0,21 0,84

Gödöllő Rk 0,26 38,8 0,22 0,63

Szigetszentmiklós Rk 0,26 46,67 0,5 1

Tiszafüred Rk 0,27 11,43 0,1 0,8

Pécs Rk 0,28 39,27 0,03 0,19

Hajdúnánás Rk 0,28 13,23 0,43 0,71

Monor Rk 0,28 30,3 0,33 0,72


149/194. oldal



Celldömölk Rk 0,31 13,11 0,04 0,11

Debrecen Rk 0,32 37,85 0,5 0,25

Tata Rk 0,33 40,71 0,1 0,1

Esztergom Rk 0,33 28,52 0,33 0,78

Érd Rk 0,33 49,39 0,5 0,83

Füzesabony Rk 0,34 15,23 0,12 0,76

Pásztó Rk 0,34 14,51 0,04 0,08

Szombathely Rk 0,35 34,18 0,03 0,3

Miskolc Rk 0,38 29,15 0,13 0,42


Cegléd Rk 0,38 25,26 0,25 0,75

Mezőtúr Rk 0,39 16,11 0,67 1

Oroszlány Rk 0,4 19,47 0,17 0,83

Tatabánya Rk 0,47 39,97 0,1 0,5

Ózd Rk 0,49 10,83 0,1 0,34

Dunaújváros Rk 0,59 22,56 0,33 0,89

Budapest 0,88 89,8 1 1

7.16 Rongálás

7.16.1 A rongálással korreláló változók

37. Táblázat - A rongálással korreláló változók



0,000 0,682



0,000 0,474





0,000 0,386

8 a76_fo A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó (1000 Ft)

0,000 0,361







0,000 -0,316


150/194. oldal



0,000 -0,332



0,000 -0,343







0,000 -0,384















39 a94_fo Lakáscélú helyi támogatásban részesültek száma (fő) 0,001 -0,301




0,004 -0,251

43 a98_fo Italüzletek és zenés szórakozóhelyek száma (db) 0,005 -0,247


45 a72_fo Élveszületések száma (fő) 0,008 0,232


47 a55_fo Vendégek száma összesen a kereskedelmi szálláshelyeken 0,010 0,226




0,021 0,208



53 a101_fo Vendégéjszakák száma a kereskedelmi szálláshelyeken (vendégéjszaka)

0,026 0,196


55 a102_fo Összes kereskedelmi szálláshely szállásférőhelyeinek száma (db)

0,036 0,185

56 a56_fo Vendégéjszakák száma a kereskedelmi szálláshelyeken 0,039 0,182



0,047 0,174

59 a75_fo Terhességmegszakítások száma (fő) 0,049 -0,173

151/194. oldal



A független társadalmi változók közül 60 mutatott olyan kapcsolatot a rongálásokkal, hogy kimondhatjuk, valószínű van összefüggés a tényezők között. Hatásuk erőssége alapján a regisztrált jogi személyiségű vállalkozások, a személygépkocsik száma az üzemeltető lakhelye szerint, a Magyarországon első alkalommal forgalomba helyezett személygépkocsik száma és a helyi önkormányzatok helyi adóbevételei érdemel figyelmet az értékelés során. Hogy ezek és még néhány a táblázatban felsorolt egyed konkrétan milyen kontextusban jelenik meg azt további elemzés döntheti el.

89. ábra – Rongálás regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a regisztrált jogi személyiségű vállalkozások száma, a nyilvántartott pályakezdő álláskeresők száma, az általános iskola 8 osztályánál kevesebb végzettséggel rendelkező nyilvántartott álláskeresők száma, a lakáscélú helyi támogatásban részesültek száma és a közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma egyedekkel. Az elsődleges egyedek között kapcsolat nem került kimutatásra. Ezek a társadalmi változók tehát hatást gyakorolnak a bűncselekménytípusra és rajta keresztül a rendőri szervek munkájának különböző szakterületeire. Hogy miként befolyásolják azt, már csak további elemző eljárásokkal tudjuk megválaszolni a későbbi elemzések során. A regressziós modellben szereplő társadalmi változók értékeinek bűncselekményhez kapcsolása, majd rendőrkapitánysági szintre vetítése megmutatta nekünk azokat a rendőri szerveket, ahol elemezni érdemes a hatásmechanizmusokat. Kiemelhetünk olyan rendőrkapitányságokat (Budapest, Budaörs Rk., Szigetszentmiklós Rk.), ahol magas a rongálások száma, és emellett van olyan közvetlen befolyásoló egyed (a regisztrált jogi személyiségű vállalkozások), amely szintén magasabb értéket mutat. Ugyanennél,

152/194. oldal

alacsonyabb bűncselekményszámnál kisebb értékek a jellemzőek. Mivel az egyes társadalmi tényezők között amúgy sem mutatható ki összefüggés, nem jellemző az, hogy a további tényezők értékei hasonlóan mozdulnának el. Mindezek alapján feltételezhetjük, hogy valamely esetben valós függőségi viszonyok állnak fenn.

7.16.2 A rongálásra közvetlenül hatással lévő változók regressziós egyenese

90. ábra – Rongálás – vállalkozások száma

91. ábra – Lakáscélú helyi támogatásban részesültek aránya

153/194. oldal

92. ábra – Rongálás – közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma

93. ábra – 8 osztálynál kevesebbet végzett álláskeresők száma

154/194. oldal

94. ábra – nyilvántartott pályakezdő álláskeresők száma



Rendőrkapitányság Rongálás

Regisztrált jogi

személyiségű vállalkozások

száma

Lakáscélú helyi támogatásban

részesültek száma (fő)



lakások száma

Általános iskola 8

osztályánál kevesebb

végzettséggel rendelkező

nyilvántartott álláskeresők

száma

Nyilvántartott pályakezdő álláskeresők

száma

Hajdúböszörmény Rk 0,22 16,68 1,91 367,32 3,85 9,79

Szécsény Rk 0,31 13,82 0,13 315,27 11,59 13,11

Békés Rk 0,33 11,34 1,54 394 3,49 8,94

Kapuvár Rk 0,33 16,38 1,53 411,83 1,08 2,82

Szarvas Rk 0,35 16,44 0,57 413,17 1,43 5,9

Csorna Rk 0,35 14,53 1,85 405,32 1,53 2,07

Celldömölk Rk 0,35 13,11 2,81 436,08 0,96 3,73

Tiszaújváros Rk 0,5 15,75 1,93 328,72 7,57 8,54

Sárospatak Rk 0,5 16,66 1,93 347,51 6,75 9,14

Fehérgyarmat Rk 0,51 10,41 0,76 345,76 14,2 16,31

Balmazújváros Rk 0,54 12,85 2,21 368,9 6,38 8,43

Szeghalom Rk 0,56 9,44 2,25 405,36 4 7,8

Vásárosnamény Rk 0,59 11,28 1,04 350,19 11,22 16,01

155/194. oldal


Regisztrált jogi


száma





lakások száma





száma


száma

Kunszentmárton Rk 0,59 12,56 0,81 468,25 4,97 10,83

Szentes Rk 0,61 18,5 1,29 414,38 0,65 6,41

Lenti Rk 0,63 15,65 1,88 433,09 3,67 2,46

Kiskőrös Rk 0,66 28,5 0,66 383,39 3,81 7,17

Edelény Rk 0,66 11,3 0,06 274,36 22,03 14,03

Kisvárda Rk 0,66 10,65 1,63 334,24 6,07 13,57

Mohács Rk 0,67 18,86 2,72 399,61 4,4 6,83

Orosháza Rk 0,67 14,01 0,39 433,55 1,13 6,2

Szerencs Rk 0,67 16,99 1,1 347,46 12,4 12,15

Hajdúszoboszló Rk 0,69 21,17 2,04 401,51 3,39 7,81

Nagykőrös Rk 0,7 19,81 0,18 311,66 2,25 4,35

Kazincbarcika Rk 0,71 11,91 0,86 329,04 5,83 11,58

Kisbér Rk 0,74 17,37 1,06 393,42 2,12 5,15

Tamási Rk 0,74 14,89 0,25 417,82 5,04 7,95

Hajdúnánás Rk 0,75 13,23 3,04 381,43 4,09 9,16

Sárvár Rk 0,75 15,77 1,99 422,69 1,17 2,84

Kiskunhalas Rk 0,77 21,98 0,71 398,05 7,44 9,19

Mezőkovácsháza Rk 0,78 8,04 2,11 439,43 3,53 9,77

Paks Rk 0,78 18,85 0,99 421,9 2,8 5,3

Gyula Rk 0,79 16,27 0 421,65 1,02 6,95

Mátészalka Rk 0,79 12,41 2,02 320,74 15,4 18,54

Makó Rk 0,81 12,65 0,35 446,59 3,12 6,74

Tata Rk 0,81 40,71 0,43 362,24 0,58 3,28

Csongrád Rk 0,84 15,59 1,09 417,61 1,59 6,66

Dombóvár Rk 0,84 16,56 0,24 395,73 4,12 8,71

Hódmezővásárhely Rk 0,85 20,32 0,07 399,36 1,49 6,86

Heves Rk 0,85 13,17 0,9 364,35 13,36 11,29

Balassagyarmat Rk 0,85 14,31 0,34 381,15 4,88 7,18

Mór Rk 0,87 17,36 0,82 379,36 0,96 4,48

Füzesabony Rk 0,88 15,23 0,18 392,14 9,54 8,9

Komló Rk 0,89 18,83 0,47 394,89 5,68 7,81

Hajdúhadháza Rk 0,91 12,64 0,91 319,03 11,07 13,46

Gödöllő Rk 0,91 38,8 0,22 345,19 1,92 1,58

Szigetvár Rk 0,92 16,86 0,63 359,96 6,86 10,7

156/194. oldal


Regisztrált jogi


száma





lakások száma





száma


száma

Püspökladány Rk 0,92 11,57 1,06 381,51 7,07 9,86

Tiszavasvári Rk 0,92 10,18 0,53 349,02 10,57 8,63

Tiszafüred Rk 0,93 11,43 0,89 417,97 7,41 8,96

Bonyhád Rk 0,93 17,02 0,52 373,45 1,53 5,7

Kiskunfélegyháza Rk 0,94 20,41 1,26 332,79 1,54 5,02

Ózd Rk 0,96 10,83 0,05 304,89 14,17 13,27

Sárbogárd Rk 0,96 13,14 0,72 367,28 4,74 7,66

Sarkad Rk 0,97 8,71 1,11 418,66 5,56 12,19

Ajka Rk 0,97 17,1 1,33 403,46 3 4,15

Nyíregyháza Rk 0,98 27,24 0,73 377,25 5,03 8,86

Balatonalmádi Rk 0,99 30,54 1,29 409,88 0,66 3,07

Baja Rk 1 20,7 0,29 417,79 1,94 7,99

Salgótarján Rk 1,01 18,59 0,1 407,3 6,06 10,12

Cegléd Rk 1,01 25,26 0,27 363,46 1,79 4

Záhony Rk 1,01 11,02 0,09 329,2 8,26 17,53

Bátonyterenye Rk 1,02 13,78 0,69 390,57 10,31 9,54

Siklós Rk 1,03 17,26 0,91 361,57 7,23 10,39

Békéscsaba Rk 1,03 22,86 0,81 432,21 0,5 6,23

Rétság Rk 1,03 15,06 1,47 381,58 2,66 6,04

Eger Rk 1,04 29,87 0,48 402,24 4,69 5,85

Törökszentmiklós Rk 1,05 11,4 0,34 382,26 8,68 8,84

Mezőkövesd Rk 1,07 13,69 1,46 419,89 4,83 8,41

Sátoraljaújhely Rk 1,07 11,81 0,95 353,7 8,64 12,09

Kunszentmiklós Rk 1,09 12,62 0,54 368,68 4,55 6,76

Érd Rk 1,09 49,39 0,85 357,04 0,48 1,52

Kistelek Rk 1,12 15,18 0,21 326,51 2,61 6,82

Berettyóújfalu Rk 1,12 12,6 1,07 367,52 7,43 11,78

Karcag Rk 1,12 14,31 0,69 374,77 7,91 9,33

Miskolc Rk 1,13 29,15 0,32 391,82 4,93 7,41

Jászberény Rk 1,13 16,44 1,49 411,56 4,27 4,08

Mezőtúr Rk 1,13 16,11 2,12 394,74 5,33 8,69

Hatvan Rk 1,15 17,29 0,23 401,67 1,63 3,04

Komárom Rk 1,15 29,01 4,6 390,21 0,84 2,32

Pápa Rk 1,15 15,5 0,64 400,69 3,52 5,16

157/194. oldal


Regisztrált jogi


száma





lakások száma





száma


száma

Kalocsa Rk 1,17 18,72 0,54 426,3 2,48 7,36

Szekszárd Rk 1,18 23,88 0,05 390,55 2,61 5,83

Kőszeg Rk 1,19 22,75 0,52 385,9 0,56 2,62

Tapolca Rk 1,2 17,58 0,89 407,26 2,47 4,03

Pásztó Rk 1,21 14,51 0,34 395,77 6,38 7,3

Pécs Rk 1,22 39,27 0,11 437,23 1,25 4,34

Debrecen Rk 1,23 37,85 0,34 422,32 1,87 6,59

Dabas Rk 1,23 36,81 1,8 327,12 1,61 2,01

Körmend Rk 1,23 17,98 0,93 416 1,11 3,48

Dorog Rk 1,25 20,32 0,15 352,51 1,39 3,33

Kaposvár Rk 1,28 25,12 0,34 387,51 4,47 7,23

Gyöngyös Rk 1,31 23,22 0,78 415,91 4,83 5,79

Vasvár Rk 1,32 15,28 1,88 459,33 3,13 4,38

Encs Rk 1,34 11,33 0,16 287,71 23,01 15,79

Sopron Rk 1,34 29,96 1,29 415,8 0,39 0,71

Tatabánya Rk 1,36 39,97 0,52 393,22 2,2 2,99

Bicske Rk 1,37 21,07 0,05 342,52 1,78 2,45

Barcs Rk 1,37 12,33 0,26 400,67 9,75 9,67

Dunakeszi Rk 1,39 50,4 0 378,83 0,18 0,78

Nagykáta Rk 1,42 17,27 0,37 369,89 2,99 2,63

Szombathely Rk 1,42 34,18 0,25 399,4 0,76 2,83

Várpalota Rk 1,43 13,09 1,51 381,42 2,07 4,53

Kecskemét Rk 1,44 35,84 0,93 378,33 1,4 4,28

Esztergom Rk 1,46 28,52 0,65 363,82 1,34 3,53

Fonyód Rk 1,46 22,39 0,31 430,53 4,48 5,72

Nyírbátor Rk 1,47 12,85 0,71 336,42 11,98 14,46

Mosonmagyaróvár Rk 1,51 24,49 0,7 379,17 0,37 1,56

Győr Rk 1,52 34,68 1,11 408,84 0,96 2,63

Zalaegerszeg Rk 1,53 28,23 1,15 385,02 2,72 4,5

Keszthely Rk 1,53 27,95 0,58 441,55 2,73 4,14

Monor Rk 1,58 30,3 0,14 335,67 1,64 2,43

Nagyatád Rk 1,58 13,72 0,31 374,36 8,7 9,97

Szolnok Rk 1,58 23,04 0,92 423,3 2,29 5,49

Nagykanizsa Rk 1,58 19,15 0,37 404,54 5,31 4,86

158/194. oldal


Regisztrált jogi


száma





lakások száma





száma


száma

Gárdony Rk 1,6 28,73 0,52 349,51 0,86 2,98

Veszprém Rk 1,68 32,57 0,44 404,86 1,18 3,1

Székesfehérvár Rk 1,73 34,96 0,68 384,57 1,25 3,84

Marcali Rk 1,73 12,49 2,11 410,23 11,88 7,59

Oroszlány Rk 1,78 19,47 0,69 385,42 1,81 3,52

Vác Rk 1,8 34,22 0,22 377,78 0,63 1,86

Dunaújváros Rk 1,82 22,56 0,54 400,03 2,31 5,33

Ráckeve Rk 1,85 33,2 0,68 355,55 1,49 2,34

Balatonfüred Rk 1,9 40,68 0,34 406,08 0,51 2,82

Szentendre Rk 2,03 54,37 0,27 346,52 0,39 0,79

Szeged Rk 2,07 30,03 0,75 419,55 0,6 4,09

Budaörs Rk 2,07 67,47 0,64 322,88 0,3 0,92

Szigetszentmiklós Rk 2,19 46,67 0,06 340,25 0,22 1,05

Siófok Rk 2,45 26,82 0,89 418,68 2,8 4,01

Budapest 4,36 89,8 0,28 525,68 0,61 1,39

7.17 Jármű önkényes elvétele

7.17.1 A jármű önkényes elvételével korreláló változók

39. Táblázat - A jármű önkényes elvételével korreláló változók







0,000 0,307





0,008 0,23






0,013 -0,218

159/194. oldal












0,019 0,206





0,021 -0,202






0,027 -0,193



0,031 -0,189




0,039 -0,181

A független társadalmi változók közül 38 mutatott olyan kapcsolatot a jármű önkényes elvétele bűncselekménnyel, melynek alapján kimondhatjuk, valószínű van összefüggés a tényezők között. Az erős kapcsolati indexel rendelkező társadalmi változók meglehetősen vegyes képet mutatnak. A bűncselekmény-kategóriának a Helyi önkormányzatok helyi adó bevételeivel, a Regisztrált jogi személyiségű vállalkozások számával, a Szakiskolai és speciális szakiskolai feladatellátási hellyel, vagy épp a Középiskola arányával való kapcsolat is kimutatható.

160/194. oldal

95. ábra – A jármű önkényes elvételének regressziós modellje

Az alkalmazott regressziós modell a bűncselekménytípusnál közvetlen kapcsolatot mutatott – a függőség mértéke szerinti sorrendben – a Helyi önkormányzatok helyi adó bevételeiből az iparűzési adó, a Szakiskolai és speciális szakiskolai feladatellátási hely aránya és a Kábeltelevízió előfizetőinek száma között. A változók értékeit kapitányságokra vetítve megállapíthatjuk, hogy a magas bűncselekményszámmal üzemelő Paksi Rk. két egyed esetében is magas közvetlen kapcsolati értékkel bír, és a harmadik is magasabb az átlagnál. A rendkívül alacsony esetszámú Fonyódi Rk. esetében már jóval gyengébb kapcsolatot tudtunk kimutatni, különösen a Szakiskolai és speciális szakiskolai feladatellátási hely aránya és a Kábeltelevízió előfizetőinek száma tekintetében.

161/194. oldal

7.17.2 A jármű önkényes elvételére közvetlenül hatással lévő változók regressziós egyenese

96. ábra - A jármű önkényes elvétele – a helyi önkormányzatok helyi adó bevételeiből az iparűzési adó

97. ábra - A jármű önkényes elvétele – szakiskola és speciális szakiskolai feladatellátási hely aránya

162/194. oldal

98. ábra - A jármű önkényes elvétele – kábeltelevízió előfizetőinek száma



Rendőrkapitányság Jármű

önkényes elvétele

A helyi önkormányzatok

helyi adó bevételeiből az

iparűzési adó (1000 Ft)

Szakiskolai és speciális

szakiskolai feladatellátási

hely aránya

Kábeltelevízió előfizetőinek száma (db)

Edelény Rk 0 6 118,31 0,06 162,12

Szécsény Rk 0 7 583,99 0,06 148,81

Fonyód Rk 0 15 142,72 0,04 74,68

Törökszentmiklós Rk 0 12 982,17 0,2 78,98

Ózd Rk 0,01 18 124,54 0,03 181,99

Keszthely Rk 0,01 21 399,50 0,04 222,89

Balassagyarmat Rk 0,02 19 957,75 0,03 151,15

Sárvár Rk 0,02 43 092,43 0,02 201,87

Pápa Rk 0,02 20 969,07 0,02 175,13

Baja Rk 0,03 17 972,36 0,07 191,01

Bicske Rk 0,03 19 203,62 0,06 133,53

Sárbogárd Rk 0,03 19 088,94 0,07 155,05

Füzesabony Rk 0,03 13 673,88 0 44,48

Heves Rk 0,03 8 285,29 0,06 57,04

Gödöllő Rk 0,03 41 452,13 0,15 184,24

163/194. oldal








hely aránya


Békéscsaba Rk 0,04 27 794,11 0,2 256,16

Kapuvár Rk 0,04 15 491,00 0,06 204,26

Eger Rk 0,04 25 534,97 0,06 223,29

Nagykőrös Rk 0,04 21 797,31 0,33 75,53

Záhony Rk 0,04 18 212,31 0,08 31,39

Celldömölk Rk 0,04 30 547,39 0,04 221,73

Siklós Rk 0,05 14 987,20 0,04 110,94

Sarkad Rk 0,05 7 184,60 0 81,29

Szerencs Rk 0,05 11 751,58 0,16 80,76

Hajdúszoboszló Rk 0,05 40 478,99 0,4 104,11

Hajdúnánás Rk 0,05 18 571,83 0,29 124,93

Salgótarján Rk 0,05 17 831,46 0,1 240,95

Siófok Rk 0,05 30 990,04 0,04 163,55

Körmend Rk 0,05 29 602,00 0,03 172,47

Kalocsa Rk 0,06 14 625,33 0,1 206,26

Kiskunfélegyháza Rk 0,06 24 301,08 0,11 103,97

Szeghalom Rk 0,06 23 348,60 0,13 156,66

Mór Rk 0,06 39 201,09 0,07 216,03

Debrecen Rk 0,06 38 262,67 0,13 269,39

Hatvan Rk 0,06 22 534,99 0,15 163,96

Pásztó Rk 0,06 10 577,34 0,04 183,49

Ráckeve Rk 0,06 20 893,49 0,07 133,35

Kisvárda Rk 0,06 17 649,89 0,15 55,14

Szombathely Rk 0,06 41 807,85 0,05 251,55

Encs Rk 0,07 5 153,95 0,09 125,08

Sátoraljaújhely Rk 0,07 11 074,50 0,08 139,72

Sopron Rk 0,07 37 509,95 0,03 282,14

Szentendre Rk 0,07 21 692,65 0,14 163,38

Tiszavasvári Rk 0,07 9 881,49 0,33 82,69

Tapolca Rk 0,07 17 514,81 0,04 180,32

Balatonalmádi Rk 0,07 20 249,68 0,07 244,03

Kecskemét Rk 0,08 34 926,53 0,12 163,93

Csorna Rk 0,08 13 547,75 0,03 185,51

Vác Rk 0,08 23 562,34 0,03 211,76

Mezőkövesd Rk 0,09 20 539,36 0,09 86,2

Szeged Rk 0,09 42 537,58 0,19 280,37

Hódmezővásárhely Rk 0,09 21 484,25 0,25 209,3

164/194. oldal








hely aránya


Hajdúböszörmény Rk 0,09 38 686,01 1 106,05

Balmazújváros Rk 0,09 10 860,39 0,2 89,83

Barcs Rk 0,09 9 716,58 0,04 107,19

Nyíregyháza Rk 0,09 21 890,01 0,22 153,16

Karcag Rk 0,09 14 700,96 0,67 82,52

Kiskőrös Rk 0,1 17 700,69 0,13 165,47

Szarvas Rk 0,1 19 863,46 0,33 168,41

Kazincbarcika Rk 0,1 21 528,09 0,18 272,78

Tiszaújváros Rk 0,1 59 383,16 0,13 145,77

Tata Rk 0,1 28 938,68 0,2 265,27

Nagykáta Rk 0,1 11 754,15 0,08 184,24

Dunakeszi Rk 0,1 39 550,64 0,33 263,18

Fehérgyarmat Rk 0,1 5 161,86 0,04 91,51

Zalaegerszeg Rk 0,1 37 109,55 0,01 278,54

Kisbér Rk 0,11 20 662,72 0,07 107,66

Cegléd Rk 0,11 15 430,07 0,08 144,58

Nagyatád Rk 0,11 15 312,72 0,03 190,89

Szolnok Rk 0,11 30 681,79 0,16 196,22

Szekszárd Rk 0,11 27 348,37 0,05 290,15

Tamási Rk 0,11 11 297,50 0,11 182,09

Püspökladány Rk 0,12 11 315,74 0,08 97,75

Rétság Rk 0,12 15 607,26 0,08 123,27

Mátészalka Rk 0,12 10 558,67 0,26 118,36

Dombóvár Rk 0,12 19 344,53 0,06 246,61

Csongrád Rk 0,13 27 341,76 0,25 173,71

Hajdúhadháza Rk 0,13 7 503,22 0,08 37,66

Marcali Rk 0,13 15 765,00 0,06 132,74

Vásárosnamény Rk 0,13 15 613,08 0,24 81,32

Makó Rk 0,14 18 214,89 0,06 128,77

Berettyóújfalu Rk 0,14 10 920,49 0,1 87,42

Kaposvár Rk 0,14 20 513,98 0,05 231,62

Tiszafüred Rk 0,14 9 298,08 0,2 75,7

Vasvár Rk 0,14 13 375,76 0 109,83

Békés Rk 0,15 10 781,30 0,38 186,17

Sárospatak Rk 0,15 13 235,88 0,06 150,81

Székesfehérvár Rk 0,15 59 711,58 0,06 241,04

Gárdony Rk 0,15 15 269,52 0,21 95,24

165/194. oldal








hely aránya


Oroszlány Rk 0,15 48 275,58 0,33 280,87

Budaörs Rk 0,15 96 464,30 0,19 160,48

Kunszentmárton Rk 0,15 10 793,37 0,08 133,26

Szigetvár Rk 0,16 11 689,09 0,01 73,51

Miskolc Rk 0,16 30 787,38 0,19 251,92

Szentes Rk 0,16 24 643,68 0,13 231,86

Gyöngyös Rk 0,16 44 510,77 0,04 202,24

Jászberény Rk 0,16 51 505,88 0,11 172,41

Bonyhád Rk 0,16 12 028,47 0,07 272,31

Ajka Rk 0,16 28 198,03 0,03 229,85

Komló Rk 0,17 12 013,81 0,05 239,09

Orosháza Rk 0,17 23 858,90 0,13 146,11

Monor Rk 0,17 22 440,02 0,17 212,74

Veszprém Rk 0,17 42 328,27 0,11 291,91

Balatonfüred Rk 0,17 21 682,07 0,1 331,63

Tatabánya Rk 0,18 43 555,05 0,1 301,24

Mezőtúr Rk 0,18 19 871,40 0,33 111,32

Gyula Rk 0,19 14 574,70 0,75 253,21

Várpalota Rk 0,19 28 461,65 0,33 271,72

Győr Rk 0,2 69 732,93 0,02 253,48

Érd Rk 0,2 52 633,79 0,17 204,21

Mezőkovácsháza Rk 0,21 11 930,87 0,17 158,78

Kistelek Rk 0,21 17 218,32 0 71,49

Komárom Rk 0,21 100 369,35 0,27 250,6

Szigetszentmiklós Rk 0,21 41 773,93 0,5 168,27

Pécs Rk 0,22 36 329,06 0,03 263,69

Kunszentmiklós Rk 0,22 14 195,84 0,33 122,69

Dorog Rk 0,22 36 363,91 0 250,16

Mohács Rk 0,23 20 504,05 0,04 231,48

Nagykanizsa Rk 0,23 39 347,93 0,03 227,47

Dunaújváros Rk 0,25 41 765,82 0,06 249,91

Esztergom Rk 0,25 55 793,87 0,11 250,55

Kiskunhalas Rk 0,26 24 385,41 0,21 167,7

Dabas Rk 0,26 31 424,33 0,13 200,75

Lenti Rk 0,27 19 850,08 0,02 249,9

Nyírbátor Rk 0,28 13 865,07 0,17 77,04

Kőszeg Rk 0,28 29 078,07 0,11 196,31

166/194. oldal








hely aránya


Bátonyterenye Rk 0,29 12 729,78 0 165,91

Mosonmagyaróvár Rk 0,32 42 161,34 0,04 236,78

Paks Rk 0,49 92 228,20 0,14 272,52

Budapest 0,53 59 866,75 1 329,58

167/194. oldal

8 Személyi állomány alakulása és a bűncselekmények

8.1 Erőforrás-mutatók

A bűncselekmények adatainak, a társadalmi környezet összetevőinek tanulmányozása önmagában nem jelent megoldást a problémák megoldása szempontjából. Az egymáshoz viszonyításuk és a hatásmechanizmusok leírása már segít közelebbről megismerni működésüket, ezáltal megkönnyíti az ellenük való hatósági fellépés szervezését. Ennek a munkának viszont kellően célzottnak és megfelelő minőségűnek kell lennie. Ezért fontos számunkra, hogy a rendőrség egyes szakágainak tevékenységét, erőforrásait a bűnözési piacoknak megfelelően alakítsuk.

Annak érdekében, hogy a humán erőforrások elosztását célirányossá tudjuk tenni a rendőrség létszámadatait szükséges arányaiban megvizsgálni, amit a következő módon tudtunk teljesíteni. Első lépcsőben a bűnügyi, közrendvédelmi és közlekedésrendészeti létszámadatokat vontuk össze és viszonyítottuk az összlétszámhoz. Ezt a műveletet minden kapitányság esetében elvégeztük, majd az eredményeknek megfelelően sorba rendeztük. Kialakult a kapitányságoknak egy olyan sorrendje, amely reprezentálta azoknak a szakágaknak a dominanciáját, melyek leginkább érintettek voltak az általunk vizsgált bűncselekménytípusok kezelésében.

Ezt követően képeztünk egy másik erőforrás mutatót ugyanazokkal a bűnügyi, közrendvédelmi és közlekedésrendészeti létszámadatokkal, amelyet a rendőrkapitányság illetékességi területébe tartozó települések ezer főre jutó lakosságszámára vetítettünk. Itt is rendőrkapitánysági sorrendet állítottunk fel az eredmények alapján, melynek segítségével látható, hogy egyes településeken milyen személyi állománnyal képesek a lakosságot támogatni.

Harmadik lépésben az előző két mutató eredményeit vontuk össze közös táblázatba, amit kiegészítettünk az összbűncselekmények (itt az általunk felhasznált 16 bűncselekménytípust értjük) alapján kialakult rangsorszámokkal. Ezt követően a táblázatból kiolvashatóvá vált, hogy az egyes kapitányságok esetében milyen rendészeti erőforrások fedik le a bűnözésnek általunk tanulmányozott szegmensét és az hogyan aránylik a lakosságszámhoz mérten. Ha kiemeljük például Pécs Rk-t láthatjuk, hogy összes erőforrásának nagy részét a bűnügyi és közbiztonsági helyzet kezelésére fordítja, ez tükröződik a lakossághoz viszonyított létszámhelyzetén is, az összbűncselekmények tekintetében mégis a 107. helyre sorolható be a 130 kapitányság között. Ha ellenkező példát keresünk, emeljük ki Csorna Rk-t ahol látjuk, hogy összes erőforrása – a lakossághoz viszonyított létszámhelyzet tekintetében is – jóval alacsonyabb, mint Pécs Rk-nak, mégis az összbűncselekmények kezelésében a 2. pozíciót foglalja el.

41. Táblázat - Erőforrás-mutató I. – (bűnügy, közlekedés, közrend/összes)

Rangsor Rendőrkapitányság Erőforrás-mutató I.

1 NYÍREGYHÁZA RK. 0,890

2 BÉKÉSCSABA RK. 0,889

3 SZÉKESFEHÉRVÁR RK. 0,879

4 KAPOSVÁR RK. 0,863

5 SZOLNOK RK. 0,858

6 PÉCS RK. 0,855

7 CEGLÉD RK. 0,855

168/194. oldal


8 TATABÁNYA RK. 0,854

9 VESZPRÉM RK. 0,854

10 SZOMBATHELY RK. 0,852

11 KECSKEMÉT RK. 0,846

12 DEBRECEN RK. 0,845

13 SZEGED RK. 0,844

14 SZEKSZÁRD RK. 0,840

15 MISKOLC RK. 0,838

16 MONOR RK. 0,837

17 EGER RK. 0,836

18 GÁRDONY RK. 0,832

19 SIÓFOK RK. 0,831

20 GÖDÖLLŐ RK. 0,828

21 SZIGETSZENTMIKLÓS RK. 0,825

22 OROSHÁZA RK. 0,822

23 HATVAN RK. 0,822

24 SÁRBOGÁRD RK. 0,821

25 GYÖNGYÖS RK. 0,821

26 SÁRVÁR RK. 0,817

27 ZALAEGERSZEG RK. 0,815

28 MEZŐKOVÁCSHÁZA RK. 0,813

29 SZARVAS RK. 0,813

30 ÉRD RK. 0,812

31 JÁSZBERÉNY RK. 0,811

32 SZENTENDRE RK. 0,810

33 FONYÓD RK. 0,810

34 DUNAÚJVÁROS RK. 0,808

35 BAJA RK. 0,807

36 SZEGHALOM RK. 0,807

37 BERETTYÓÚJFALU RK. 0,807

38 GYULA RK. 0,804

39 KISKUNHALAS RK. 0,803

40 MARCALI RK. 0,803

41 KISVÁRDA RK. 0,803

42 BÉKÉS RK. 0,802

43 SZERENCS RK. 0,800

44 HADÚHADHÁZ RK. 0,800

45 TAPOLCA RK. 0,800

46 SZENTES RK. 0,798

47 NYÍRBÁTOR RK. 0,798

48 PAKS RK. 0,795

49 TAMÁSI RK. 0,794

50 KOMLÓ RK. 0,790

51 MAKÓ RK. 0,790

52 MÁTÉSZALKA RK. 0,789

53 PÜSPÖKLADÁNY RK. 0,788

54 BUDAŐRS RK. 0,786

55 AJKA RK. 0,786

56 DUNAKESZI RK. 0,783

57 HAJDÚNÁNÁS RK. 0,782

58 BALATONALMÁDI RK. 0,782

169/194. oldal


59 HÓDMEZŐVÁSÁRHELY RK. 0,780

60 BONYHÁD RK. 0,779

61 KARCAG RK. 0,776

62 SZIGETVÁR RK. 0,773

63 HAJDÚSZOBOSZLÓ RK. 0,772

64 DABAS RK. 0,772

65 ZÁHONY RK. 0,772

66 TISZAÚJVÁROS RK. 0,770

67 ESZTERGOM RK. 0,769

68 TISZAVASVÁRI RK. 0,768

69 FÜZESABONY RK. 0,765

70 BALATONFÜRED RK. 0,765

71 BALMAZÚJVÁROS RK. 0,763

72 NAGYKÁTA RK. 0,761

73 RÁCKEVE RK. 0,760

74 VÁSÁROSNAMÉNY RK. 0,760

75 KAZINCBARCIKA RK. 0,759

76 GYŐR RK. 0,757

77 FEHÉRGYARMAT RK. 0,756

78 KISTELEK RK. 0,755

79 DOMBÓVÁR RK. 0,755

80 MÓR RK. 0,754

81 BICSKE RK. 0,753

82 MEZŐKÖVESD RK. 0,752

83 NAGYATÁD RK. 0,749

84 ÓZD RK. 0,747

85 CSONGRÁD RK. 0,747

86 HEVES RK. 0,747

87 HAJDÚBÖSZÖRMÉNY RK. 0,746

88 TATA RK. 0,743

89 TISZAFÜRED RK. 0,740

90 BUDAPEST 0,739

91 KISKUNFÉLEGYHÁZA RK. 0,734

92 KUNSZENTMIKLÓS RK. 0,734

93 KISKŐRÖS RK. 0,732

94 CELDÖMÖLK RK. 0,730

95 VÁRPALOTA RK. 0,730

96 DOROG RK. 0,729

97 VÁC RK. 0,729

98 ENCS RK. 0,726

99 MEZŐTÚR RK. 0,725

100 SARKAD RK. 0,719

101 SALGÓTARJÁN RK. 0,718

102 BÁTONYTERENYE RK. 0,718

103 TÖRÖKSZENTMIKLÓS RK. 0,718

104 KOMÁROM RK. 0,717

105 BARCS RK. 0,714

106 KALOCSA RK. 0,711

107 PÁSZTÓ RK. 0,709

108 KUNSZENTMÁRTON RK. 0,708

109 NAGYKŐRÖS RK. 0,707

170/194. oldal


110 OROSZLÁNY RK. 0,705

111 MOSONMAGYARÓRVÁR RK. 0,703

112 SOPRON RK. 0,699

113 KÖRMEND RK. 0,699

114 SÁROSPATAK RK. 0,698

115 KISBÉR RK. 0,696

116 EDELÉNY RK. 0,692

117 RÉTSÁG RK. 0,676

118 SÁTORALJAÚJHELY RK. 0,675

119 BALASSAGYARMAT RK. 0,673

120 VASVÁR RK. 0,673

121 KŐSZEG RK. 0,662

122 KESZTHELY RK. 0,656

123 CSORNA RK. 0,649

124 PÁPA RK. 0,641

125 LENTI RK. 0,640

126 SZÉCSÉNY RK. 0,589

127 KAPUVÁR RK. 0,545

128 SIKLÓS RK. 0,522

129 NAGYKANIZSA RK. 0,496

130 MOHÁCS RK. 0,458

42. Táblázat - Erőforrás-mutató II. – (1000 főre jutó bűnügy, közlekedés, közrend létszám)

Rangsor Rendőrkapitányság Erőforrás-mutató II.

1 BARCS RK. 4,726

2 NAGYATÁD RK. 3,774

3 LENTI RK. 3,577

4 MARCALI RK. 3,266

5 SIÓFOK RK. 2,941

6 SIKLÓS RK. 2,756

7 BALATONFÜRED RK. 2,740

8 ZÁHONY RK. 2,666

9 FONYÓD RK. 2,658

10 CSONGRÁD RK. 2,347

11 TATABÁNYA RK. 2,298

12 VASVÁR RK. 2,292

13 BALATONALMÁDI RK. 2,245

14 TAMÁSI RK. 2,229

15 PÉCS RK. 2,222

16 KUNSZENTMIKLÓS RK. 2,211

17 SZEKSZÁRD RK. 2,199

18 KAPOSVÁR RK. 2,188

19 MISKOLC RK. 2,170

20 SZOLNOK RK. 2,169

21 MEZŐKOVÁCSHÁZA RK. 2,158

22 KÖRMEND RK. 2,155

23 KISTELEK RK. 2,131

24 DOMBÓVÁR RK. 2,118

25 SÁRVÁR RK. 2,117

26 BÉKÉSCSABA RK. 2,107

27 SÁRBOGÁRD RK. 2,088

171/194. oldal


28 PAKS RK. 2,076

29 SZEGHALOM RK. 2,075

30 SZIGETVÁR RK. 2,069

31 GÁRDONY RK. 2,066

32 SALGÓTARJÁN RK. 2,046

33 SZOMBATHELY RK. 2,038

34 EDELÉNY RK. 2,035

35 KESZTHELY RK. 2,032

36 KŐSZEG RK. 2,028

37 MAKÓ RK. 2,026

38 SÁTORALJAÚJHELY RK. 2,023

39 GYULA RK. 1,999

40 RÉTSÁG RK. 1,987

41 DEBRECEN RK. 1,969

42 TISZAFÜRED RK. 1,956

43 VÁSÁROSNAMÉNY RK. 1,941

44 BALMAZÚJVÁROS RK. 1,925

45 SZÉCSÉNY RK. 1,918

46 ENCS RK. 1,913

47 BUDAPEST 1,911

48 SARKAD RK. 1,900

49 FÜZESABONY RK. 1,889

50 PÁSZTÓ RK. 1,888

51 BICSKE RK. 1,885

52 KUNSZENTMÁRTON RK. 1,878

53 TISZAVASVÁRI RK. 1,874

54 KALOCSA RK. 1,869

55 KISKUNHALAS RK. 1,867

56 BÁTONYTERENYE RK. 1,865

57 NAGYKŐRÖS RK. 1,861

58 ÓZD RK. 1,860

59 SZENTES RK. 1,847

60 PÜSPÖKLADÁNY RK. 1,845

61 KECSKEMÉT RK. 1,836

62 BONYHÁD RK. 1,827

63 EGER RK. 1,817

64 ESZTERGOM RK. 1,816

65 TAPOLCA RK. 1,816

66 BAJA RK. 1,810

67 BERETTYÓÚJFALU RK. 1,796

68 OROSHÁZA RK. 1,795

69 SZARVAS RK. 1,783

70 SZERENCS RK. 1,776

71 SZÉKESFEHÉRVÁR RK. 1,774

72 CELDÖMÖLK RK. 1,769

73 MEZŐTÚR RK. 1,766

74 MOHÁCS RK. 1,751

75 BÉKÉS RK. 1,747

76 BALASSAGYARMAT RK. 1,746

77 MEZŐKÖVESD RK. 1,732

78 KOMLÓ RK. 1,730

172/194. oldal


79 MOSONMAGYARÓRVÁR RK. 1,720

80 KISKUNFÉLEGYHÁZA RK. 1,709

81 KISBÉR RK. 1,700

82 GYÖNGYÖS RK. 1,699

83 SÁROSPATAK RK. 1,697

84 HEVES RK. 1,694

85 NAGYKANIZSA RK. 1,689

86 VESZPRÉM RK. 1,676

87 KISKŐRÖS RK. 1,668

88 KOMÁROM RK. 1,666

89 CEGLÉD RK. 1,657

90 FEHÉRGYARMAT RK. 1,651

91 KAZINCBARCIKA RK. 1,650

92 SZEGED RK. 1,644

93 CSORNA RK. 1,639

94 HAJDÚSZOBOSZLÓ RK. 1,627

95 ZALAEGERSZEG RK. 1,626

96 NYÍREGYHÁZA RK. 1,610

97 KISVÁRDA RK. 1,570

98 NYÍRBÁTOR RK. 1,570

99 HATVAN RK. 1,559

100 OROSZLÁNY RK. 1,559

101 GYŐR RK. 1,551

102 TISZAÚJVÁROS RK. 1,550

103 HAJDÚNÁNÁS RK. 1,531

104 RÁCKEVE RK. 1,530

105 VÁC RK. 1,521

106 DUNAÚJVÁROS RK. 1,519

107 SZENTENDRE RK. 1,501

108 KAPUVÁR RK. 1,493

109 JÁSZBERÉNY RK. 1,493

110 HAJDÚBÖSZÖRMÉNY RK. 1,471

111 HÓDMEZŐVÁSÁRHELY RK. 1,469

112 AJKA RK. 1,457

113 VÁRPALOTA RK. 1,431

114 KARCAG RK. 1,421

115 MONOR RK. 1,417

116 TÖRÖKSZENTMIKLÓS RK. 1,397

117 PÁPA RK. 1,381

118 MÁTÉSZALKA RK. 1,357

119 SOPRON RK. 1,344

120 NAGYKÁTA RK. 1,341

121 TATA RK. 1,321

122 ÉRD RK. 1,301

123 MÓR RK. 1,296

124 BUDAÖRS RK. 1,253

125 HADÚHADHÁZ RK. 1,250

126 DUNAKESZI RK. 1,224

127 SZIGETSZENTMIKLÓS RK. 1,193

128 DABAS RK. 1,153

129 GÖDÖLLŐ RK. 1,087

173/194. oldal


130 DOROG RK. 1,051

43. Táblázat - Erőforrás-mutatók összevetése – (erőforrás-mutató I. és II. rangsorszámai alapján, valamint az összbűncselekmények alapján kialakult rangsorszámok)

Rendőrkapitányság Erőforrás-mutató I.

rangsorszáma

Erőforrás-mutató II.

rangsorszáma

Összbűncselekmények alapján kialakult rangsorszámok

KAPUVÁR RK. 127 109 1

CSORNA RK. 123 93 2

MÓR RK. 80 123 3

BÉKÉS RK. 42 75 4

SZERENCS RK. 43 70 5

SÁRVÁR RK. 26 25 6

TAPOLCA RK. 43 64 7

RÉTSÁG RK. 117 40 8

BAJA RK. 37 66 9

HAJDÚBÖSZÖRMÉNY RK. 87 110 10

MEZŐKOVÁCSHÁZA RK. 29 21 11

SZEGHALOM RK. 36 29 12

CELDÖMÖLK RK. 94 72 13

FEHÉRGYARMAT RK. 77 90 14

KUNSZENTMIKLÓS RK. 91 16 15

KÖRMEND RK. 112 22 16

KISKUNHALAS RK. 41 55 17

KISVÁRDA RK. 39 97 18

SZÉCSÉNY RK. 126 45 19

SÁTORALJAÚJHELY RK. 118 38 20

SZIGETVÁR RK. 62 30 21

DUNAKESZI RK. 56 126 22

TISZAÚJVÁROS RK. 66 102 23

SOPRON RK. 113 119 24

SÁROSPATAK RK. 114 83 25

KISKŐRÖS RK. 93 87 26

GYULA RK. 38 39 27

VÁRPALOTA RK. 95 113 28

MOHÁCS RK. 130 74 29

KAZINCBARCIKA RK. 75 91 30

BALASSAGYARMAT RK. 120 76 31

PÁSZTÓ RK. 107 50 32

DABAS RK. 64 128 33

GÖDÖLLŐ RK. 20 129 34

AJKA RK. 54 112 35

KŐSZEG RK. 121 36 36

HAJDÚNÁNÁS RK. 57 103 37

BONYHÁD RK. 60 62 38

BICSKE RK. 81 51 39

VESZPRÉM RK. 8 86 40

MÁTÉSZALKA RK. 52 118 41

HATVAN RK. 23 99 42

NAGYKŐRÖS RK. 109 57 43

KISKUNFÉLEGYHÁZA RK. 92 80 44

174/194. oldal


rangsorszáma


rangsorszáma


SARKAD RK. 100 48 45

SZENTENDRE RK. 32 107 46

BÉKÉSCSABA RK. 2 26 47

KISTELEK RK. 79 23 48

BUDAÖRS RK. 55 124 49

ÉRD RK. 30 122 50

SZARVAS RK. 28 69 51

DOROG RK. 96 130 52

KOMLÓ RK. 51 78 53

PAKS RK. 48 28 54

GYÖNGYÖS RK. 25 82 55

HAJDÚSZOBOSZLÓ RK. 65 94 56

KALOCSA RK. 106 54 57

BARCS RK. 105 1 58

VÁC RK. 97 105 59

BALATONALMÁDI RK. 58 13 60

VÁSÁROSNAMÉNY RK. 73 43 61

BÁTONYTERENYE RK. 101 56 62

KESZTHELY RK. 122 35 63

SZIGETSZENTMIKLÓS RK. 21 127 64

PÜSPÖKLADÁNY RK. 53 60 65

MONOR RK. 16 115 66

FÜZESABONY RK. 69 49 67

LENTI RK. 125 3 68

MOSONMAGYARÓRVÁR RK. 111 79 69

CEGLÉD RK. 7 89 70

TISZAFÜRED RK. 89 42 71

VASVÁR RK. 119 12 72

ZALAEGERSZEG RK. 27 95 73

SIKLÓS RK. 128 6 74

KISBÉR RK. 115 81 75

ÓZD RK. 84 58 76

HADÚHADHÁZ RK. 43 125 77

TÖRÖKSZENTMIKLÓS RK. 102 116 78

TATA RK. 88 121 79

RÁCKEVE RK. 74 104 80

SALGÓTARJÁN RK. 103 32 81

NAGYKÁTA RK. 72 120 82

TISZAVASVÁRI RK. 68 53 83

PÁPA RK. 124 117 84

BALMAZÚJVÁROS RK. 71 44 85

TAMÁSI RK. 49 14 86

SZOMBATHELY RK. 10 33 87

KUNSZENTMÁRTON RK. 108 52 88

DOMBÓVÁR RK. 78 24 89

EGER RK. 17 63 90

OROSZLÁNY RK. 110 100 91

CSONGRÁD RK. 86 10 92

NYÍREGYHÁZA RK. 1 96 93

175/194. oldal


rangsorszáma


rangsorszáma


MISKOLC RK. 15 19 94

BERETTYÓÚJFALU RK. 35 67 95

GYÖR RK. 76 101 96

MAKÓ RK. 50 37 97

JÁSZBERÉNY RK. 31 108 98

SZENTES RK. 47 59 99

HÓDMEZŐVÁSÁRHELY RK. 59 111 100

HEVES RK. 85 84 101

ZÁHONY RK. 63 8 102

NYÍRBÁTOR RK. 46 98 103

ENCS RK. 98 46 104

KAPOSVÁR RK. 4 18 105

KECSKEMÉT RK. 11 61 106

PÉCS RK. 6 15 107

SÁRBOGÁRD RK. 24 27 108

NAGYATÁD RK. 83 2 109

SZEKSZÁRD RK. 14 17 110

KARCAG RK. 61 114 111

KOMÁROM RK. 104 88 112

ESZTERGOM RK. 67 65 113

SZOLNOK RK. 5 20 114

GÁRDONY RK. 18 31 115

DEBRECEN RK. 12 41 116

SZÉKESFEHÉRVÁR RK. 3 71 117

MEZŐKÖVESD RK. 82 77 118

SZEGED RK. 13 92 119

BALATONFÜRED RK. 70 7 120

TATABÁNYA RK. 9 11 121

MEZŐTÚR RK. 99 73 122

DUNAÚJVÁROS RK. 34 106 123

NAGYKANIZSA RK. 129 85 124

FONYÓD RK. 33 9 125

BUDAPEST 90 47 126

OROSHÁZA RK. 22 68 127

MARCALI RK. 40 4 128

EDELÉNY RK. 116 34 129

SIÓFOK RK. 19 5 130

8.2 Erőforrás korreláció

Egy újabb munkamenetben a bűnügyi, közrendvédelmi és közlekedésrendészeti létszámadatokat vontuk össze és hozzákapcsoltuk a bűncselekményi típusokhoz. A számítás eredményeként négy bűncselekmény mutatott jelentős kapcsolatot a létszámadatokkal, a közúti baleset okozása, a lopás, a rablás és a rongálás egyedek.

A négy bűncselekménytípust külön regressziós diagramon ábrázoltuk, ahol valamennyi esetében megfigyelhettük, hogy elméletileg a növekvő bűncselekményszámmal egy irányba növekszenek a létszámadatok. A kapitányságonként ábrázolt táblázatban lehetőségünk van egyszerre tanulmányozni a négy releváns bűncselekménytípus egyenkénti és összegzett

176/194. oldal

viszonyát a létszámtényezőhöz. Gárdony Rk. esetében például láthatjuk, hogy magas erőforrás-mutató mellett a közúti balesetokozás és a rablás bűncselekmények alacsony kötődést mutatnak, ezért a teljes erőforrás-állományt a lopás és rongálás tényezők kötik le.

Ezt követően képeztünk egy másik erőforrás mutatót ugyanazokkal a bűnügyi, közrendvédelmi és közlekedésrendészeti létszámadatokkal, amelyet a rendőrkapitányság illetékességi területébe tartozó települések ezer főre jutó lakosságszámára vetítettünk. Majd korreláltattuk a bűncselekménytípusokkal. Ennek eredményeként öt bűncselekményt tudtuk szoros kötődéssel azonosítani (betöréses lopás, könnyű testi sértés, tartás elmulasztása, visszaélés okirattal, lopás), melyek erőssége közel azonos mértékű volt. Az öt bűncselekménytípust külön-külön regressziós diagramon ábrázoltuk, ahol négy esetében megfigyelhettük, hogy elméletileg a növekvő bűncselekményszámmal egy irányba növekszenek a létszámadatok. A tartás elmulasztása esetében azonban fordított hatások érvényesülnek, csökkenő bűncselekményi adatokhoz is magas erőforrás-tényező társul. A kapitányságonként ábrázolt táblázatban lehetőségünk van tanulmányozni a lakosságszámra vetített létszámadatokhoz mérten négy releváns bűncselekménytípust és azok egyenkénti és összegzett viszonyát. Ha itt is Gárdony Rk. adatait elemezzük, láthatjuk, hogy közepesnél valamivel magasabb lakosságszámra vetített erőforrás-mutató mellett a betöréses lopás és könnyű testi sértés tényezők hatna leginkább az állományra, a tartás elmulasztása deliktum közepes, míg a visszaélés okirattal egyed alacsony erőforrásigényt támaszt. Mór Rk. esetében már egy jóval egyszerűbb kép tárul elénk, ugyanis az alacsony erőforrás-mutatók felhasználása nem forgácsolódik oly mértékben szét, mint az előző példánál, ugyanis leginkább a betöréses lopások érintettségére kell koncentrálni, a többi egyed érintettsége nem számottevő.

8.2.1 Erőforrás mutató I.

44. Táblázat - Erőforrás-mutató I. – (bűnügy, közlekedés, közrend/összes) korrelációi az egyes bűncselekmény típusokkal [kiemelve a szignifikáns összefüggést mutatók, ezek

ábrázolva és táblázatba foglalva]

Bűncselekmények SIG R

Közúti baleset okozása ,003 0,256 Lopás ,004 0,25 Rablás ,005 0,247

Rongálás ,045 0,176

Magánokirat-hamisítás ,052 ,171 Közokirat-hamisítás ,055 ,169

Csalás ,176 -,119 Testi sértés - súlyos ,336 ,085

Betöréses lopás ,365 ,080 Sikkasztás ,452 ,067

Tartás elmulasztása ,563 -,051 Visszaélés okirattal ,662 ,039

Testi sértés - könnyű ,708 ,033 Garázdaság ,716 ,032

Közúti jármű ittas vezetése ,857 -,016 Jármű önkényes elvétele ,944 ,006

177/194. oldal

99. ábra – Erőforrás mutató I. – 1000 főre jutó közúti balesetek száma

100. ábra - – Erőforrás mutató I. – 1000 főre jutó lopások száma

178/194. oldal

101. ábra - – Erőforrás mutató I. –1000 főre jutó rablások száma

102. ábra - – Erőforrás mutató I. – 1000 főre jutó rongálások száma

45. Táblázat - – Erőforrás mutató I.

Rendőrkapitányság Erőforrás mutató I. Közúti baleset okozása

Lopás Rablás Rongálás

Békéscsaba Rk 0,89 0,47 10,35 0,14 1,03

Nyíregyháza Rk 0,89 0,22 10,54 0,19 0,98


Pécs Rk 0,86 0,33 12,07 0,28 1,22

Cegléd Rk 0,86 0,56 12,84 0,38 1,01

179/194. oldal



Kaposvár Rk 0,86 0,29 11,02 0,08 1,28

Szolnok Rk 0,86 0,25 17,32 0,25 1,58

Kecskemét Rk 0,85 0,48 15,29 0,19 1,44

Debrecen Rk 0,85 0,30 13,13 0,32 1,23

Tatabánya Rk 0,85 0,40 12,70 0,47 1,36

Szombathely Rk 0,85 0,51 12,35 0,35 1,42

Veszprém Rk 0,85 0,37 9,09 0,24 1,68

Miskolc Rk 0,84 0,22 12,16 0,38 1,13

Szeged Rk 0,84 0,35 13,91 0,24 2,07

Eger Rk 0,84 0,32 13,96 0,19 1,04

Monor Rk 0,84 0,39 11,34 0,28 1,58

Szekszárd Rk 0,84 0,25 12,73 0,23 1,18

Gárdony Rk 0,83 0,00 13,55 0,07 1,60

Gödöllő Rk 0,83 0,27 8,57 0,26 0,91


Siófok Rk 0,83 0,38 25,82 0,23 2,45

Orosháza Rk 0,82 0,24 52,84 0,11 0,67

Sárbogárd Rk 0,82 0,16 9,82 0,21 0,96

Gyöngyös Rk 0,82 0,24 9,93 0,17 1,31

Hatvan Rk 0,82 0,24 11,37 0,23 1,15

Sárvár Rk 0,82 0,50 5,70 0,05 0,75

Zalaegerszeg Rk 0,82 0,26 9,41 0,09 1,53

Baja Rk 0,81 0,29 6,89 0,11 1,00


Szarvas Rk 0,81 0,33 9,26 0,18 0,35

Szeghalom Rk 0,81 0,26 11,08 0,18 0,56

Dunaújváros Rk 0,81 0,25 13,80 0,59 1,82


Szentendre Rk 0,81 0,22 12,08 0,21 2,03

Érd Rk 0,81 0,21 9,50 0,33 1,09

Fonyód Rk 0,81 0,26 16,62 0,14 1,46

Jászberény Rk 0,81 0,19 13,95 0,12 1,13

Kiskunhalas Rk 0,8 0,36 7,35 0,17 0,77

Békés Rk 0,8 0,00 4,73 0,05 0,33

Gyula Rk 0,8 0,35 11,67 0,19 0,79

Szerencs Rk 0,8 0,15 6,86 0,18 0,67

Szentes Rk 0,8 0,47 15,13 0,12 0,61

Hajdúhadháza Rk 0,8 0,00 13,68 0,12 0,91

Marcali Rk 0,8 0,64 35,03 0,13 1,73

Kisvárda Rk 0,8 0,11 6,55 0,21 0,66

Nyírbátor Rk 0,8 0,17 13,12 0,18 1,47

Paks Rk 0,8 0,31 8,47 0,10 0,78

Tapolca Rk 0,8 0,24 5,74 0,09 1,20

Komló Rk 0,79 0,41 7,47 0,18 0,89

Makó Rk 0,79 0,33 12,12 0,17 0,81

Püspökladány Rk 0,79 0,19 14,88 0,14 0,92

Budaörs Rk 0,79 0,32 10,60 0,13 2,07

Mátészalka Rk 0,79 0,13 7,06 0,19 0,79

Tamási Rk 0,79 0,19 9,08 0,14 0,74

180/194. oldal



Ajka Rk 0,79 0,18 8,81 0,16 0,97

Hódmezővásárhely Rk 0,78 0,47 13,01 0,17 0,85

Hajdúnánás Rk 0,78 0,23 9,84 0,28 0,75

Dunakeszi Rk 0,78 0,43 9,29 0,17 1,39

Karcag Rk 0,78 0,19 16,50 0,24 1,12

Bonyhád Rk 0,78 0,16 6,57 0,05 0,93


Szigetvár Rk 0,77 0,31 7,47 0,13 0,92

Tiszaújváros Rk 0,77 0,32 7,73 0,08 0,50


Füzesabony Rk 0,77 0,30 12,19 0,34 0,88

Esztergom Rk 0,77 0,55 10,79 0,33 1,46

Dabas Rk 0,77 0,35 9,53 0,20 1,23

Tiszavasvári Rk 0,77 0,32 12,37 0,14 0,92

Záhony Rk 0,77 0,17 12,11 0,09 1,01

Balatonfüred Rk 0,77 0,34 12,69 0,17 1,90


Kistelek Rk 0,76 0,16 11,03 0,21 1,12

Győr Rk 0,76 0,33 14,37 0,15 1,52


Nagykáta Rk 0,76 0,26 11,61 0,16 1,42

Ráckeve Rk 0,76 0,22 9,50 0,12 1,85

Fehérgyarmat Rk 0,76 0,03 6,10 0,05 0,51


Dombóvár Rk 0,76 0,30 12,98 0,15 0,84

Mezőkövesd Rk 0,75 0,27 12,35 0,25 1,07

Ózd Rk 0,75 0,14 13,83 0,49 0,96

Csongrád Rk 0,75 0,42 13,87 0,04 0,84

Bicske Rk 0,75 0,41 8,55 0,10 1,37

Mór Rk 0,75 0,28 4,34 0,11 0,87


Heves Rk 0,75 0,11 17,19 0,08 0,85

Nagyatád Rk 0,75 0,33 12,03 0,13 1,58

Budapest 0,74 0,31 25,78 0,88 4,36

Tata Rk 0,74 0,00 9,20 0,33 0,81

Tiszafüred Rk 0,74 0,21 10,19 0,27 0,93

Kiskőrös Rk 0,73 0,28 5,76 0,12 0,66



Encs Rk 0,73 0,11 11,49 0,13 1,34

Dorog Rk 0,73 0,00 7,09 0,12 1,25

Vác Rk 0,73 0,27 10,32 0,04 1,80

Mezőtúr Rk 0,73 0,28 15,72 0,39 1,13

Celldömölk Rk 0,73 0,00 6,50 0,31 0,35

Várpalota Rk 0,73 0,00 7,42 0,08 1,43

Sarkad Rk 0,72 0,00 11,82 0,19 0,97

Komárom Rk 0,72 0,31 13,49 0,19 1,15

Salgótarján Rk 0,72 0,00 12,84 0,19 1,01


181/194. oldal




Kalocsa Rk 0,71 0,39 11,14 0,20 1,17

Oroszlány Rk 0,71 0,04 10,12 0,40 1,78

Pásztó Rk 0,71 0,00 10,34 0,34 1,21

Nagykőrös Rk 0,71 0,25 11,27 0,07 0,70

Barcs Rk 0,71 0,17 8,46 0,21 1,37


Sárospatak Rk 0,7 0,19 7,87 0,12 0,50

Mosonmagyaróvár Rk 0,7 0,36 10,99 0,09 1,51

Sopron Rk 0,7 0,43 7,29 0,13 1,34

Kisbér Rk 0,7 0,00 9,03 0,16 0,74

Körmend Rk 0,7 0,35 6,14 0,05 1,23

Edelény Rk 0,69 0,30 5,61 0,08 0,66


Rétság Rk 0,68 0,00 6,56 0,04 1,03


Vasvár Rk 0,67 0,00 8,75 0,14 1,32

Kőszeg Rk 0,66 0,00 7,91 0,12 1,19

Keszthely Rk 0,66 0,40 10,30 0,18 1,53

Csorna Rk 0,65 0,62 3,44 0,00 0,35

Pápa Rk 0,64 0,21 10,13 0,18 1,15

Lenti Rk 0,64 0,18 9,48 0,09 0,63

Szécsény Rk 0,59 0,00 7,63 0,18 0,31

Kapuvár Rk 0,55 0,00 2,86 0,08 0,33

Siklós Rk 0,52 0,40 11,10 0,15 1,03

Nagykanizsa Rk 0,5 0,30 8,59 0,12 1,58

Mohács Rk 0,46 0,29 8,64 0,08 0,67

8.2.2 Erőforrás mutató II.

46. Táblázat - Erőforrás-mutató II. – (1000 főre jutó bűnügy, közlekedés, közrend létszám) korrelációi az egyes bűncselekmény típusokkal [kiemelve a szignifikáns összefüggést

mutatók, ezek ábrázolva és táblázatba foglalva]


Betöréses lopás ,006 ,241 Testi sértés - könnyű ,006 ,241 Tartás elmulasztása ,007 -,236 Visszaélés okirattal ,008 ,231

Lopás ,041 ,180

Közúti jármű ittas vezetése ,079 ,155 Közokirat-hamisítás ,202 ,113

Sikkasztás ,216 ,109 Rablás ,409 -,073

Rongálás ,418 ,072 Garázdaság ,438 ,069

Magánokirat-hamisítás ,457 ,066 Közúti baleset okozása ,460 ,065

Testi sértés - súlyos ,658 ,039

182/194. oldal


Jármű önkényes elvétele ,892 -,012 Csalás ,913 ,010

103. ábra – Erőforrás mutató II. – 1000 főre jutó betöréses lopások száma

104. ábra – Erőforrás mutató II. –1000 főre jutó testi sértések száma

183/194. oldal

105. ábra – Erőforrás mutató II. – 1000 főre jutó tartás elmaradások száma

106. ábra – Erőforrás mutató II. – 1000 főre jutó okirattal való visszaélések száma

184/194. oldal

107. ábra – 1000 főre jutó lopások száma

47. Táblázat – Erőforrás mutató II

Rendőrkapitányság Erőforrás mutató II. Betöréses

lopás




Barcs Rk 4,73 4,43 1,72 0,04 3,18

Nagyatád Rk 3,77 5,31 1,55 0,16 7,15

Lenti Rk 3,58 4,87 1,52 0,04 2,50

Marcali Rk 3,27 13,83 0,67 0,06 16,71

Siófok Rk 2,94 13,22 0,66 0,11 35,21

Siklós Rk 2,76 4,66 1,00 0,22 2,57

Balatonfüred Rk 2,74 2,57 0,76 0,42 10,45

Záhony Rk 2,67 4,37 1,18 0,04 3,76

Fonyód Rk 2,66 6,68 0,38 0,10 15,64

Csongrád Rk 2,35 3,06 0,92 0,34 5,91

Tatabánya Rk 2,3 4,99 0,38 0,70 11,37

Vasvár Rk 2,29 6,60 2,92 0,35 0,00


Tamási Rk 2,23 4,84 1,27 0,25 3,74

Pécs Rk 2,22 5,42 0,67 0,33 3,15


Szekszárd Rk 2,2 4,06 1,12 0,14 9,01

Kaposvár Rk 2,19 6,61 0,20 0,04 11,29

Miskolc Rk 2,17 6,78 0,65 0,24 1,95

Szolnok Rk 2,17 4,34 0,79 0,48 5,82


Körmend Rk 2,15 2,90 0,72 0,09 1,37

Kistelek Rk 2,13 1,07 0,59 0,37 5,22

Dombóvár Rk 2,12 2,03 0,98 0,30 3,97

Sárvár Rk 2,12 3,41 0,25 0,20 0,87

185/194. oldal


lopás




Békéscsaba Rk 2,11 2,58 0,67 0,32 0,77

Sárbogárd Rk 2,09 5,70 3,40 0,37 0,70

Szeghalom Rk 2,08 0,76 0,79 0,32 0,29

Paks Rk 2,08 2,71 0,78 0,33 1,97

Szigetvár Rk 2,07 3,24 0,34 0,09 0,70

Gárdony Rk 2,07 7,40 7,11 0,25 0,91

Salgótarján Rk 2,05 2,63 0,92 0,55 2,34

Edelény Rk 2,04 3,41 0,58 0,11 64,71

Szombathely Rk 2,04 4,40 0,67 0,25 2,53

Makó Rk 2,03 3,35 0,74 0,45 7,30

Kőszeg Rk 2,03 4,30 0,84 0,64 1,27

Keszthely Rk 2,03 4,36 0,46 0,24 4,67


Gyula Rk 2 0,98 0,33 0,19 0,91

Rétság Rk 1,99 3,02 0,56 0,95 0,16

Debrecen Rk 1,97 6,63 0,41 0,21 8,40

Tiszafüred Rk 1,96 4,94 1,85 0,10 1,65



Szécsény Rk 1,92 3,92 0,45 0,58 0,89

Budapest 1,91 4,94 0,32 0,22 3,19

Encs Rk 1,91 2,98 1,41 0,09 1,10

Sarkad Rk 1,9 3,29 0,46 0,28 3,06

Füzesabony Rk 1,89 4,20 1,16 0,30 1,86

Pásztó Rk 1,89 4,18 0,22 0,19 0,28

Bicske Rk 1,88 5,94 1,63 0,49 0,49


Kalocsa Rk 1,87 3,29 0,80 0,41 1,00

Kiskunhalas Rk 1,87 2,25 0,29 0,18 1,29

Tiszavasvári Rk 1,87 6,43 0,81 0,07 1,87

Ózd Rk 1,86 1,67 1,26 0,23 2,41


Nagykőrös Rk 1,86 3,58 0,11 1,62 0,98

Szentes Rk 1,85 1,96 0,44 0,79 8,04

Püspökladány Rk 1,85 2,03 0,40 0,09 2,18

Kecskemét Rk 1,84 5,78 0,70 0,39 4,14

Bonyhád Rk 1,83 1,91 1,31 0,11 1,58

Eger Rk 1,82 4,98 0,70 0,11 2,40

Esztergom Rk 1,82 3,60 0,76 0,37 10,42

Tapolca Rk 1,82 2,36 0,38 0,51 1,96

Baja Rk 1,81 2,34 0,23 0,22 0,80


Orosháza Rk 1,79 2,87 0,20 0,39 3,05

Szarvas Rk 1,78 2,87 0,18 0,23 0,86

Szerencs Rk 1,78 1,69 0,89 0,10 0,39


Mezőtúr Rk 1,77 7,81 0,81 0,39 7,49

Celldömölk Rk 1,77 5,38 0,04 0,15 1,42

Mohács Rk 1,75 4,36 0,49 0,19 2,59

186/194. oldal


lopás




Békés Rk 1,75 1,14 0,13 0,25 0,66


Komló Rk 1,73 4,29 0,64 0,32 2,30

Mezőkövesd Rk 1,73 5,67 1,14 0,07 2,87

Mosonmagyaróvár Rk

1,72 3,12 0,90 0,52 2,22


Sárospatak Rk 1,7 3,32 0,89 0,04 2,85

Gyöngyös Rk 1,7 3,31 1,02 0,21 0,48

Kisbér Rk 1,7 6,48 0,32 0,42 5,52

Heves Rk 1,69 8,09 0,44 0,85 1,09

Nagykanizsa Rk 1,69 5,47 0,43 0,10 2,65

Veszprém Rk 1,68 3,49 0,74 0,40 2,06

Kiskőrös Rk 1,67 2,33 0,71 0,38 1,11

Komárom Rk 1,67 4,62 0,40 0,23 11,76

Cegléd Rk 1,66 5,25 0,35 0,58 1,15


Fehérgyarmat Rk 1,65 1,32 1,70 0,18 0,38

Szeged Rk 1,64 2,84 0,38 0,49 14,02

Csorna Rk 1,64 1,32 0,43 0,24 0,19


Zalaegerszeg Rk 1,63 3,54 0,85 0,19 4,58

Nyíregyháza Rk 1,61 3,92 0,40 0,15 5,37

Kisvárda Rk 1,57 2,11 0,77 0,11 2,61

Nyírbátor Rk 1,57 5,42 1,21 0,18 2,81

Hatvan Rk 1,56 3,78 0,45 0,17 0,53

Oroszlány Rk 1,56 5,48 0,44 0,25 7,94

Tiszaújváros Rk 1,55 2,46 0,46 0,30 1,63

Győr Rk 1,55 3,10 0,44 0,61 4,31

Hajdúnánás Rk 1,53 4,74 0,65 0,13 0,23

Ráckeve Rk 1,53 8,84 0,28 0,42 2,72

Dunaújváros Rk 1,52 5,21 1,92 0,33 2,12

Vác Rk 1,52 4,75 0,41 0,45 1,14

Szentendre Rk 1,5 3,63 0,19 0,23 0,84

Kapuvár Rk 1,49 0,71 0,33 0,37 0,50

Jászberény Rk 1,49 6,51 0,79 0,42 2,07

Hódmezővásárhely Rk

1,47 1,97 0,76 0,45 8,00


Ajka Rk 1,46 2,50 1,01 0,68 1,12

Várpalota Rk 1,43 3,71 0,56 0,50 1,83

Monor Rk 1,42 3,33 0,46 0,54 1,58

Karcag Rk 1,42 8,47 1,38 0,52 1,29


Pápa Rk 1,38 2,37 0,39 0,77 8,52

Mátészalka Rk 1,36 2,86 1,47 0,23 1,11

Sopron Rk 1,34 3,60 0,34 0,40 0,95

Nagykáta Rk 1,34 8,37 0,44 0,23 2,28

Tata Rk 1,32 3,28 0,28 0,18 9,00

Mór Rk 1,3 2,71 0,11 0,34 0,03

187/194. oldal


lopás




Érd Rk 1,3 4,49 0,31 0,27 1,51

Hajdúhadháza Rk 1,25 5,30 0,63 0,22 0,67

Budaörs Rk 1,25 3,42 0,17 0,18 1,23

Dunakeszi Rk 1,22 2,94 0,20 0,29 0,53


Dabas Rk 1,15 3,54 0,60 0,52 1,04

Gödöllő Rk 1,09 5,15 0,20 0,38 1,40

Dorog Rk 1,05 3,15 0,56 0,39 5,75

188/194. oldal

9 Felhasznált irodalom

1. Ainsworth, P.B. (2001). Offender Profiling and Crime Analysis. Cullompton, Devon, Willan Publishing.

2. Bowers, K. and Hirschfield, A. (1999). Exploring links between crime and disadvantage in north-west England: an analysis using geographical information systems. In International Journal of Geographical Information Science, vol. 13, no. 2: 159-184.

3. Clarke, R.V. and Felson, M. (1993). Routine Activity and Rational Choice. In R.V. Clarke and M. Felson (eds.), Routine Activity and Rational Choice. Advances in Criminological Theory, vol. 5. New Brunswick, NJ, Transaction Publishers.

4. Craglia, M., Haining, R.and Signoretta, P. (2001). Modelling High-intensity Crime Areas in English Cities. In Urban Studies, vol. 38, no. 11: 1921-1941.

5. Felson, M. (2002). Crime and Everyday Life. Thousand Oaks, Sage Publications.

6. Fitzgerald, R., Wisener, M. and Savoie, J. (2004). Neighbourhood Characteristics and the Distribution of Crime in Winnipeg. Crime and Justice Research Paper Series. Canadian Centre for Justice Statistics. Ottawa. Cat. no. 85-561-MIE- No. 4.

7. Hackler, J.C. (2000). Canadian Criminology. Scarborough Ontario, Prentice-Hall Canada.

8. Herbert, D.T. (1989). Crime and Place: An Introduction. In D.J. Evans and D.T. Herbert (eds.), The Geography of Crime. London and New York, Routledge.

9. Knox, P. (1995). Urban Social Geography. Essex, England. Logman Group Limited.

10. Ley, D. and Smith, H. (2000). Relations between Deprivation and Immigrant Groups in Large Canadian Cities. In Urban Studies, vol. 37, no. 1: 37-62.

11. Mata, F. (2003). Crime and Population Domains in Canada’s Largest Cities. Presentation prepared for the National Crime Prevention Council and the Research and Statistics Division, Department of Justice Canada.

12. Peter Kitchen, Ph.D. (2003) Exploring the Link between Crime and Socio-Economic Status in Ottawa and Saskatoon: A Small-Area Geographical Analysis. Department of Justice Canada Research and Statistics Division Methodological Series

13. Rogerson, P.A. (2001). Statistical Methods for Geography. London, Sage Publications.

14. Sacco, V.F. and Kennedy, L.W. (2002). The Criminal Event. Toronto, Nelson Thompson Learning.

15. Schmalleger, F. and Volk, R. (2001). Canadian Criminology Today. Toronto, Prentice-Hall Canada.

16. Shaw, C.R. and McKay, H.D. (1942). Juvenile Delinquency and Urban Areas. Chicago, University of Chicago Press.

17. Short, J.F. (1997). Poverty, Ethnicity, and Violent Crime. Boulder, Colorado, Westview Press.

18. Stark, R. (1987). Deviant Places: A Theory of the Ecology of Crime. In Criminology 25: 893-909.

19. Wilcox, P., Land, K.C., and Hunt, S.A. (2003). Criminal Circumstance. New York, Aldine dee Gruyter.

189/194. oldal

20. Winterdyk, J.A. (2000). Canadian Criminology. Scarborough Ontario, Prentice-Hall Canada.

190/194. oldal

10 Ábrák jegyzéke

1. ábra – Kompetencia mátrix felépítése ................................................................................. 13

2. ábra – Térségi kompetencia mátrix...................................................................................... 13

3. ábra – A szervezeti teljesítmény modellje ........................................................................... 15

4. ábra – Az LHH program kedvezményezett kistérségei......................................................... 15

5. ábra – A 10 000 lakosra jutó bűnelkövezők száma a kistérségek területén 2008. évben ... 15

6. ábra –Edelényi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .......... 15

7. ábra - Orosházi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.......... 15

8. ábra - Fonyódi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ........... 15

9. ábra - Nagykanizsai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ... 15

10. ábra - Kaposvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ...... 15

11. ábra – Hevesi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .......... 15

12. ábra - Gárdonyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ....... 15

13. ábra - Siófoki rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ........... 15

14. ábra - Komáromi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ..... 15

15. ábra - Encsi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.............. 15

16. ábra - Ózdi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban............... 15

17. ábra - Szombathelyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban 15

18. ábra - sarkadi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .......... 15

19. ábra - Füzesabonyi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.. 15

20. ábra - Bátonyterenyei rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.................................................................................................................................................. 15

21. ábra - Lenti rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .............. 15

22. ábra - Zalaegerszegi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban 15

23. ábra - Törökszentmiklósi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban................................................................................................................................ 15

24. ábra - Vásárosnaményi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.................................................................................................................................................. 15

25. ábra - Balatonalmádi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.................................................................................................................................................. 15

26. ábra - Sárvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban........... 15

27. ábra - Dunakeszi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban...... 15

28. ábra - Tapolcai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban......... 15

29. ábra - Rétsági rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .......... 15

30. ábra - Dabasi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ........... 15

31. ábra - Kiskunhalasi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .. 15

32. ábra - Soproni rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ......... 15

33. ábra - Szigetvári rendőrkapitányság sorrendje az egyes bűncselekmény típusokban ...... 15

191/194. oldal

34. ábra - Mezőkovácsházi rendőrkapitányság sorrendje az egyes bűncselekmény típusokban.................................................................................................................................................. 15

35. ábra - Bajai rendőrkapitányság sorrendje az egyes bűncselekmény típusokban .............. 15

36. ábra - A regressziós modell ábrája ..................................................................................... 15

37. ábra – Összes bűncselekmény – 1000 főre jutó távfűtésbe bekapcsolt lakások száma.... 15

38. ábra – Összes bűncselekmény – 1000 főre jutó egyéb szálláshelyek férőhelyeinek száma összesen ................................................................................................................................... 15

39. ábra– Összes bűncselekmény – helyi autóbusz megállók aránya...................................... 15

40. ábra– Összes bűncselekmény –18-59 évesek aránya ........................................................ 15

41. ábra – Összes bűncselekmény – 60+ évesek aránya.......................................................... 15

42. ábra – Könnyű testi sértés, regressziós modell.................................................................. 15

43. ábra – Könnyű testi sértés – bölcsőde aránya ................................................................... 15

44. ábra - Könnyű testi sértés –kábeltelevíziós hálózatba bekapcsolt lakások száma ............ 15

45. ábra – Súlyos testi sértés regressziós modell..................................................................... 15

46. ábra - Súlyos testi sértés – nyilvántartott pályakezdő álláskeresők száma ....................... 15

47. ábra - Súlyos testi sértés – halálozások száma................................................................... 15

48. ábra - Közúti balest okozása regressziós modell................................................................ 15

49. ábra - Közúti balest okozása – kiskereskedelmi üzletek száma ......................................... 15

50. ábra - Közúti balest okozása – bankfiókok száma .............................................................. 15

51. ábra - Közúti balest okozása – nyilvántartott álláskeresők száma..................................... 15

52. ábra - A közúti jármű ittas vezetés regressziós modellje................................................... 15

53. ábra - Közúti jármű ittas vezetés – a helyi önkormányzatnak átengedett gépjárműadó.. 15

54. ábra - Közúti jármű ittas vezetés – bölcsőde aránya ......................................................... 15

55. ábra - Tartás elmulasztása regressziós modell................................................................... 15

56. ábra - Tartás elmulasztása – szociális étkezésben részesülők száma ................................ 15

57. ábra - Tartás elmulasztása – 8 osztálynál kevesebb végzettséggel rendelkezők............... 15

58. ábra - Tartás elmulasztása - egyetemi végzettségű nyilvántartott álláskeresők száma.... 15

59. ábra - A garázdaság regressziós modellje .......................................................................... 15

60. ábra – Garázdaság – nyilvántartott pályakezdő álláskeresők száma................................. 15

61. ábra – Garázdaság – összes zöldterület ............................................................................. 15

62. ábra - Közokirat-hamisítás regressziós modellje................................................................ 15

63. ábra - Közokirat-hamisítás – vállalkozások száma ............................................................. 15

64. ábra - Közokirat-hamisítás – szellemi foglalkozású álláskeresők száma............................ 15

65. ábra - Közokirat-hamisítás- vasútállomás aránya .............................................................. 15

66. ábra - A magánokirat-hamisítás regressziós modellje ....................................................... 15

67. ábra - Magánokirat-hamisítás – 8 osztálynál kevesebbet végzett álláskeresők ................ 15

68. ábra - Magánokirat-hamisítás – főiskolai végzettségű álláskeresők.................................. 15

69. ábra – Okirattal való visszaélés regressziós modellje ........................................................ 15

70. ábra – Okirattal való visszaélés – egyetemi végzettségű álláskeresők .............................. 15

192/194. oldal

71. ábra - Okirattal való visszaélés – rendszeres szociális segélyben részesítettek átlagos száma........................................................................................................................................ 15

72. ábra - Okirattal való visszaélés – egyéb szállásadás férőhelyeinek száma ........................ 15

73. ábra – A lopás regressziós modellje ................................................................................... 15

74. ábra – Lopás – 18-59 évesek aránya .................................................................................. 15

75. ábra – Lopás - közüzemi ivóvízvezeték hálózatba bekapcsolt lakások száma ................... 15

76. ábra – Lopás – 60+ évesek aránya...................................................................................... 15

77. ábra - A betöréses lopás regressziós modellje................................................................... 15

78. ábra - A betöréses lopás – egyéb szálláshelyek vendégeinek száma................................. 15

79. ábra - A betöréses lopás – vendégek száma a fizetővendéglátásban................................ 15

80. ábra – vendégéjszakák száma az egyéb szállásadásban .................................................... 15

81. ábra – A sikkasztás regressziós modellje............................................................................ 15

82. ábra - A sikkasztás – kiskereskedelmi üzletek száma......................................................... 15

83. ábra - A sikkasztás – A helyi önkormányzatok helyi adó bevételeiből az iparűzési adó.... 15

84. ábra – A csalás regressziós modellje .................................................................................. 15

85. ábra – Csalás – egyetemi végzettségű nyilvántartott álláskeresők száma ........................ 15

86. ábra – A rablás regressziós modellje.................................................................................. 15

87. ábra – Rablás – középiskola aránya.................................................................................... 15

88. ábra – Rablás - regisztrált jogi személyiségű vállalkozások száma .................................... 15

89. ábra – Rongálás regressziós modellje ................................................................................ 15

90. ábra – Rongálás – vállalkozások száma .............................................................................. 15

91. ábra – Lakáscélú helyi támogatásban részesültek aránya ................................................. 15

92. ábra – Rongálás – közüzemi ivóvízvezeték-hálózatba bekapcsolt lakások száma............. 15

93. ábra – 8 osztálynál kevesebbet végzett álláskeresők száma ............................................. 15

94. ábra – nyilvántartott pályakezdő álláskeresők száma ....................................................... 15

95. ábra – A jármű önkényes elvételének regressziós modellje.............................................. 15

96. ábra - A jármű önkényes elvétele – a helyi önkormányzatok helyi adó bevételeiből az iparűzési adó ............................................................................................................................ 15

97. ábra - A jármű önkényes elvétele – szakiskola és speciális szakiskolai feladatellátási hely aránya....................................................................................................................................... 15

98. ábra - A jármű önkényes elvétele – kábeltelevízió előfizetőinek száma ........................... 15

99. ábra – Erőforrás mutató I. – 1000 főre jutó közúti balesetek száma................................. 15

100. ábra - – Erőforrás mutató I. – 1000 főre jutó lopások száma .......................................... 15

101. ábra - – Erőforrás mutató I. –1000 főre jutó rablások száma.......................................... 15

102. ábra - – Erőforrás mutató I. – 1000 főre jutó rongálások száma ..................................... 15

103. ábra – Erőforrás mutató II. – 1000 főre jutó betöréses lopások száma .......................... 15

104. ábra – Erőforrás mutató II. –1000 főre jutó testi sértések száma ................................... 15

105. ábra – Erőforrás mutató II. – 1000 főre jutó tartás elmaradások száma......................... 15

106. ábra – Erőforrás mutató II. – 1000 főre jutó okirattal való visszaélések száma .............. 15

107. ábra – 1000 főre jutó lopások száma ............................................................................... 15

193/194. oldal

11 Táblázatok jegyzéke

1. Táblázat – Leggyakrabban előforduló bűncselekmények .................................................... 15

2. Táblázat – Társadalmi-területi adatok ................................................................................. 15

3. Táblázat – Személyi adatok .................................................................................................. 15

4. Táblázat - Rendőrkapitányságok sorrendje az egyes bűncselekménytípusok szerint ......... 15

5. Táblázat – A bűncselekményi rangsor első és utolsó tíz helyén szereplő rendőrkaptányságok................................................................................................................. 15

6. Táblázat - A bűncselekményi rangsor első és utolsó tíz helyén szereplő rendőrkaptányságok (2. rész)................................................................................................... 15

7. Táblázat - A bűncselekmények teljes számával korreláló változók...................................... 15

8. Táblázat - A regressziós modellben szereplő változók értékei kapitányságonként bűncselekménytípusok szerinti növekvő sorrendben ............................................................. 15

9. Táblázat - Könnyű testi sértéssel korreláló változók............................................................ 15


11. Táblázat - A súlyos testi sértéssel korreláló változók......................................................... 15


13. Táblázat - A közúti baleset okozásával korreláló változók................................................. 15


15. Táblázat - A közúti jármű ittas vezetésével korreláló változók.......................................... 15


17. Táblázat - Tartás elmulasztásával korreláló változók......................................................... 15


19. Táblázat - A garázdasággal korreláló változók ................................................................... 15


21. Táblázat - A közokirat-hamisítással korreláló változók ...................................................... 15


23. Táblázat - A magánokirat-hamisítással korreláló változók................................................. 15


25. Táblázat - Az okirattal való visszaéléssel korreláló változók.............................................. 15


27. Táblázat - A lopással korreláló változók ............................................................................. 15

194/194. oldal


29. Táblázat - A betöréses lopással korreláló változók ............................................................ 15


31. Táblázat - A sikkasztással korreláló változók...................................................................... 15


33. Táblázat - A csalás korreláló változók ................................................................................ 15


35. Táblázat - A rablással korreláló változók............................................................................ 15


37. Táblázat - A rongálással korreláló változók........................................................................ 15


39. Táblázat - A jármű önkényes elvételével korreláló változók.............................................. 15


41. Táblázat - Erőforrás-mutató I. – (bűnügy, közlekedés, közrend/összes) ........................... 15

42. Táblázat - Erőforrás-mutató II. – (1000 főre jutó bűnügy, közlekedés, közrend létszám) 15

43. Táblázat - Erőforrás-mutatók összevetése – (erőforrás-mutató I. és II. rangsorszámai alapján, valamint az összbűncselekmények alapján kialakult rangsorszámok)....................... 15

44. Táblázat - Erőforrás-mutató I. – (bűnügy, közlekedés, közrend/összes) korrelációi az egyes bűncselekmény típusokkal [kiemelve a szignifikáns összefüggést mutatók, ezek ábrázolva és táblázatba foglalva] ............................................................................................. 15

45. Táblázat - – Erőforrás mutató I. ......................................................................................... 15

46. Táblázat - Erőforrás-mutató II. – (1000 főre jutó bűnügy, közlekedés, közrend létszám) korrelációi az egyes bűncselekmény típusokkal [kiemelve a szignifikáns összefüggést mutatók, ezek ábrázolva és táblázatba foglalva] ..................................................................... 15

47. Táblázat – Erőforrás mutató II............................................................................................ 15

indikátor_rendszer_v4

Documents