Дипломная работа: Факторы либерализации антинаркотической политики (на примере США)

Говоря о препятствиях, то можно отметить показатели сельского населения, которое должно быть против либерализации наркотической политики (rur_pop). Также, исходя из предпосылки обратной связи политического курса, часть бюрократии заинтересована в поддержании запрета, поскольку от него зависят ресурсные преимущества, поэтому были посчитаны и медианные доходы политиков, отвечающих за сферы, связанные с «войной против наркотиков»: полиция (pay_police), судебная система (pay_judic), здравоохранение (pay_health) и исправительные институты (pay_correc).

К другим политикам в данном контексте относятся ранее упомянутые медицинское использование марихуаны (med) и её декриминализация (lib_act), но здесь уже преобразуется зависимая переменная просто до бинарных значений «0» и «1», которые характеризуют легализацию («1» - марихуана легализована; «0»- марихуана запрещена), поскольку в противном случае, при изначальной кодировке переменной, наблюдалась бы мультиколлинеарность. В данном случае возникает вопрос необходимости и достаточности обоих или одного из факторов. Для определения влияния смежных политик (OTHERPOLICIES), переменные медицинского использования и декриминализации кодировались в текстовую категориальную, что в анализе измерялось как «occurred» - 1 - либерализирующее действие осуществлялось, «not occurred» - 0 - не осуществлялось.

Последняя группа факторов относятся к внешнему воздействию, в рамках ВКР ключевым фактором в данном контексте стало принадлежность к одному субрегиону (subregion), которых всего четыре: Северо-Восток (Northeast), Средний Запад (Midwest), Юг (South) и Запад (West). Посредством этой независимой переменой можно будет пронаблюдать непосредственно воздействие диффузии инновации на штаты, находящиеся в непосредственной близости относительно друг друга (изоморфная модель). Поскольку в линейной регрессии нельзя использовать текстовые переменные, то они были повторно закодированы в следующем порядке: «1» - Запад; «2» - Северо-Восток; «3» - Юг; «4» - Средний Запад. Состав суб-региона можно найти в Приложении 2.

Также, необходимым параметром для анализа выживаемости является время. В медицине, под временем подразумевается продолжительность жизни пациента или продолжительность приёма лекарства/ прохождения курса лечения. Проецируя этот пример на случай наркотической политики, то здесь время отсчитывает количество месяцев до первого либерального действия, другими словами, оценивается стремление либерализовать наркотическую политику на уровне штата (time_3). Также в анализе присутствовали переменные, которые измеряли вышеуказанный период времени в годах (time_2), к тому же, была введена ещё одна временная переменная, несущая в себе информацию о дате легализации, она была создана непосредственно для модели с легализацией в качестве зависимой переменной (time_5). И последняя временная переменная (time_4) отмечает год, когда была проведена либерализирующая реформа.

3.3 Модели и проверка гипотез

3.3.1 Корреляционный анализ

Построение гипотез состояло из нескольких этапов, изначально была собрана база данных, включающая в себя 50 переменных по 51 случаю, после, несмотря на подробную теоретическую рамку, было проверено наличие связи между переменными при помощи корреляционного анализа. Анализ позволил отмести сразу несколько теорий, выведенных ранее, и, вместе с этим, позволил продвинуться дальше.

Статистически значимые результаты корреляционного анализа для всех переменных анализа

Переменные в таблице:

dv - зависимая переменная, объединяющая легализацию и проявления либерализации;

lib - бинарная переменная легализации;

med - бинарная переменная медицинского использования марихуаны;

lib_act - бинарная переменная декриминализации;

values - значение прогрессивности законодательства;

inc_per_cap - доход на душу населения;

ur_pop / rur_pop - доля урбанизированного населения;

GSP_per_cap - ВРВП на душу населения;

MedianAnnualHouseholdIncome - медианный доход хозяйства;

StateCollectionsperCapita - доход государства от фискальной политики;

leg_comp_sum - состав легислатуры;

exp_JS_pc - расхода на «войну против наркотиков»;

educ_pc - доля населения с высшим образованием (бакалавриат и/ или магистратура)

Корреляционный анализ наглядно демонстрирует, что часть предположений, основанных в теоретической части работы, имеет право на жизнь, поскольку между ними и переменной, измеряющей либерализацию, существует статистически значимая связь. Формально, уже на данном этапе можно утверждать, что между переменной, измеряющей либерализацию (dv), и переменными, которые упоминаются в гипотезах, есть статистически значимая связь. Связь с декриминализацией и медицинским использованием очевидна, поскольку эти аспекты являются составными элементами зависимой переменной. На основании таблицы можно сделать вывод, что одна из наиболее сильных связей наблюдается между зависимой переменной и параметром прогрессивности законодательства (values) - 0,713. Следующая значимая связь между либерализацией и временем её начала (первого действия) (time4), изначально, в анализе присутствовало три переменные времени, но поскольку они имели одинаковые значения в матрице, потому что измеряют один и тот же процесс, было принято решение оставить одну - -0,793. Третья статистически значимая связь - доля населения с высшим образованием (educ_pc) - 0,483. В дополнении, корреляционная выдача демонстрирует наличие связи между зависимой переменной и сразу пятью переменными, относящиеся к измерению экономического благосостояния штата, но здесь сила связи уже варьируется от 0,496 (exp_JS_pc) до 0,311 (GSP_per_cap).

Резюмируя, наиболее сильная связь наблюдается с политическим фактором, измеряющим градус либеральности законодательства штата, но при этом сразу несколько переменных, характеризирующих экономическое измерение штата, также имеют статистически значимую связь с либерализацией. Направление и сила связи вышеупомянутых и иных переменных будет рассмотрена в последующих блоках данной главы.

3.3.2 Линейная регрессия

После проведения корреляционного анализа, который позволил выявить потенциально значимые переменные, связанные с зависимой, был проведён регрессионный анализ для двух разных зависимых переменных: lib - исключительно параметр легализации марихуаны; dv - комплексная переменная либерализации наркотической политики. Модели создавались исходя из категорий в уравнении адаптации, то есть, в ней должны были присутствовать хотя бы одна переменная из каждого блока.

Табл. 2

Регрессионная выдача МНК метода для модели 1. Зависимая переменная: lib

В модели, где зависимой переменной является легализация марихуаны (Табл. 2), статистически значимыми на разных уровнях оказались все переменные. На основании данной выдачи можно сделать вывод, что легализация зависит от прогрессивного законодательства, населения, которое проживает вне урбанизированных районов и от высокого дохода штата. Кроме того, принадлежность к Западному или Северо-Восточному суб-региону продвигает либерализацию, но, несмотря на высокий ВРВП, у штата должна быть экономически неуспешная фискальная политика. Комбинация из пяти переменных позволяет объяснить половину случаев легализации марихуаны в США - 56% (51%). Содержательно результаты Таблицы 2 можно трактовать как подтверждение нескольких гипотез: подтвердилась гипотеза (Н3) о связи между прогрессивным законодательством и легализацией и гипотеза (Н8), объясняющая связь между высоким экономическим развитием штата и легализацией; и последняя гипотеза (Н7) про суб-регинональную принадлежность была подтверждена - есть регионы, которые более предрасположены к легализации. Одновременно с этим были опровергнута одна гипотеза: если изначально гипотез Н5.2 предполагала, что чем выше доля урбанизированного населения, тем вероятнее либерализация, но Таблица 2 утверждает, что связь обратная, следовательно, сельское население способствует легализации.

Табл. 3

Регрессионная выдача МНК метода для моделей 2-5. Зависимая переменная: dv

Данные модели, представленные в таблице 3, уже используют другую зависимую переменную (либерализация) и включают в себя больше переменных, частично отличных от первой модели, что позволило значительно повысить R-квадрат с 56% до 80%, в первом случае. В первой модели статистически значимыми на разных уровнях стали сразу 4 фактора: наличие либерализующего действия с обратной связью, исходя из кодировки порядковых переменных, в данном случае «1» - действие было, «2» - не было, следовательно, обратная связь утверждает, что наличие действия сильно способствует осуществлению либерализации. С порядковой переменной суб-региона точно такая же ситуация, поскольку «1» - Запад, а «2» - Северо-Восток, то штатам, принадлежащим данным субнациональным единицам, свойственная либерализация. «Ценности» имеют прямую связь и значимы на уровне 0.05, эту переменную можно интерпретировать следующим образом: чем более прогрессивно законодательство штата, тем выше вероятность либерализации наркотиков. Заключительная переменная в модели 1 - доля урбанизированного населения, парадоксально, но чем ниже эта пропорция населения, тем выше вероятна либерализация марихуаны, данный вывод идёт в разрез с предположением работы, но с другой стороны, исходя из природы переменных ur_pop и rur_pop, можно сказать, что сельское население способствует легализации. Возможно, есть зависимость между потреблением марихуаны, ценообразованием и сельским населением - данный аспект требует отдельного изучения.