Determinants of Crime Rate: The Case from Regions of Mindanao, Philippines
Notice bibliographique
Résumé
This study examines the factors influencing crime rates across various regions in Mindanao, Philippines, from 2009 to 2022, addressing its economic and security challenges. Like many developing countries in Asia, the Philippines faces disparities in economic growth, with Mindanao lagging behind other areas in terms of development. This issue is further intensified by travel advisories from foreign governments, such as the United States, United Kingdom, Canada, and Australia, impacting tourism and foreign investment. By analyzing GRDP per capita, mean years of education, unemployment rate, urban population, police operating expenses, and police visibility, the research uses panel regression analysis to determine significant crime predictors. Results show that mean years of education have a considerable positive relationship with crime rates, suggesting that higher education levels may be linked to increased crime, particularly through the involvement of educated individuals in sophisticated crimes, such as white-collar crime or drug-related activities. Meanwhile, police visibility has a significant negative relationship with crime rates, indicating that a higher police presence is an effective deterrent, as criminals are reluctant to engage in criminal activities when a strong police presence is evident. Other variables, such as GRDP per capita, unemployment rate, urban population, and police operating expenses, were insignificant. These findings underscore the complexity of crime factors and the necessity for strategic police allocation and education reforms, providing insights for policymakers in addressing crime. The study’s implications extend beyond the Philippines, offering insights for other countries facing similar challenges in balancing economic growth and crime prevention.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».