Afların ve yaptırımların tekrar suç işleme oranları üzerine etkisi

The maxim first stated by roman philosopher Cicero on his work De Legibus (106 BC), "Noxiae poena par esto" a.k.a. "Let the punishment fit the crime" quickly became one of the most important principle of criminal law. Said principle attract attention from various disciplines such as laws and economics. Though it is not always possible to hold that principle for all circumstances due to human error, there are some other mechanisms in criminal law used to approximate this standard like pardons, amnesties and paroles. But how does granting such early releasing policies affects general population? Does it change criminal behavior? If so, to which direction? Does non-criminal population also influenced by it? Does it alter recidivism rates? Earliest studies on criminal economic theory revolved around this principle, Becker's (1968) study, considered as one of the first works, inquiried this principle from an economical side, and tried to find an optimal solutions to both crime and expenditures to prevent and punishing crimes. Later works (Ehrlich 1973, Heineke and Block 1975) mostly focused on same static problem, Block and Lind (1975), Schmidt and Witte (1984) and Witte (1980) leaned on understanding deterrence effect on crime, Levitt 1996 and Drato et al. 2009 analyzed and included incarceration effect to literature. On the dynamic side of the problem Leung (1995) formulated a dynamic deterrence model, Later on, Burdett et al. (2003) used search theory make a dynamic model and Mocan et al. (2005) proposes a dynamic model of criminal activity by introducing legal and criminal human capital. In this study it is aimed to approach the same problem using game theory, evolutionary game theory in particular to not only understanding crime and suggesting optimal solutions to the problem also conceptualizing early release policies (amnesties, pardons and paroles) to apprehend its effect on population. Like Leund (1995), this study interested in recidivism to measure success of these policies, the main reason this study uses evolutionary game theory as a tool is coincidal with this statement, to measure recidivism it's required both more than one period and population dynamics so that agents can change their strategies. To the requirements of having more than one period and population dynamics, the model is established on classic Hawk-Dove game, first introduced to literature by John Maynard-Smith and George Price (1973), merged with imitation dynamics (Weibull, 1995; Björnerstedt and Weibull, 1996; Hofbauer and Sigmund, 2003). Model considers a society of Hawks and Doves which encouraged being co-operative by declaring Hawks as criminals. Similar to original Hawk and Dove game; in a Hawk and Hawk encounter both agents share the resource (v), and wound each other (c), which makes the both agent's payoff (v/2)-c, if a Hawk and Dove encounters each other, Hawk gets all resource (v), while Dove gets 0 and in the last case where Dove meets Dove in an encounter Doves share the resource and since there is no aggression between them they both gain (v/2) as payoff. These criminals, agents whose strategy is hawk, can be caught with a probability of chance, and punished with imprisonment, which prevents the convicted agent from participating further games until the agent is released from conviction which also happens by chance. In addition, agents following the norms of the society must pay a fee from their payoffs like an income tax. Sum of these fees is used for keeping the juridical system and incarceration institutes alive, and directly affects conviction rates. We also assume there are decreasing returns to scale in the conviction process, therefore we will use the square of this sum multiplied by a variable (ε) to determine detection probability. When a Hawk player, criminal, detected and convicted the player is prevented from participating further games until it's release, for the period agent gets 0 as payoff. There is no pre-determined prison term, therefore a convicted agent must wait for a pardon or amnesty to be released into the conventional population again. After every round, both the non-convicted population and newly-released agents can change their strategy by imitating other agents. The change depends on how good they performed in the round compared to a random agent in the population, which consists of both non-convicted and convicted agents. If an agent's latest payoff is greater than or equal to the random agent it chooses, it doesn't change its strategy, on the contrary it matches its strategy to random agent's. In this study, three different cases are analyzed to understand the effect of amnesties on criminal activity over population. First case is an economical method, an iterated hawk and dove model, without an amnesty but with a conviction mechanism. Second case is where amnesty is introduced to model with a probability. And in the last case, a simulation is used to visualize and explain models results such as population's strategy mix, population's conviction status mix, probability of detection and recidivism rate. Follow up to the last case, there is a small subsection about interaction between specific variables. In the first case and second case aim is finding steady states of strategies, whether it's a pure or mixed one. The steady state is achieved when the population stops changing. In both cases, to find mixed steady states, three different configurations are used. While all configurations have 0.02 fee rate (φ), and analyzed the points where v=c, v=2c, and v=3c. In this case criminality or playing against the norms of the population can be stable if the value of the resource is high enough (v>2c). But there is a chance for Hawk players to be stable too, if the value of ε is sufficiently high, or the detection process is efficient enough. But otherwise, playing Hawk or compliance to the norms never gets to be stable as a pure strategy. Although, there are some stable mixed strategies in the case where resource does not cover the cost of confrontation. With the introduction of amnesties to the model, expected utility of criminal agents changes the most. The strongest pure stability, playing Hawk or against norm of the society, stays the same. Any increase in the probability of an amnesty (α), also increases Hawks in the mixed states. Like previous cases, any scenario where v<2c, also lowers the share of criminals in mixed state. In the last section, an agent-based simulation is created and used to visualize and calculate all these cases above. Which further proves and strengthens the propositions. The simulation used in this section consists of phases which represent the mechanics introduced in the model. The simulation iterates over some specific phases to imitate periods of time. In the first part simulation retrace the steps of previous cases and calculates respective recidivism rates. Therefore, it can be detected how any changes in variables affects recidivism rates. A stochastic process is used in these steps to randomize events such as conviction, amnesties occurrence and learning or imitating other agents. The pairwise matching of agents in game events is also randomized by the same process. It ensures all games in the same period are unique and all agents gain one payoff at the end of the round. In case of an odd numbered non-convicted population, since convicted agents can not participate in the games, the last agent always gets the Dove v Dove result, which is v/2. In all simulations, the initial state of variables is set the same, except the last subsection where different values of exogenous variables effects are checked on recidivism rate and final population. These initial states include; 100 agents in total population, %20 hawk rate in initial population, 100 periods, v = 10, fee rate = 0.02, amnesty rate = 0.01, and epsilon (efficiency of detection process) = 0.01. In the section, results are consistent with our previous sections. Here, it can be deduced, even in a smaller chance of amnesty, increases both criminal activity and recidivism rate over population, but both can be stabilized, or reduced by an efficient detection policy. It is also noted, further amnesty rates over %10 with given conviction probability does not directly increases crime rates but instead it spreads criminality over population where every agent is becomes a criminal at some period of time and gets convicted. The better results might be acquired with adding segmentation or network mechanisms to the model. Two main outcomes can be extracted from this study, one of which is any kind of deterrence effect created by incarceration policies protects the norm complier population, even further, with efficient detection and conviction policies, it makes following the norm thrive over criminality. And the other one is, in the slightest occurrence of amnesty can disturb and revert the deterrence effect created by incarceration policies. In Turkey's recent history, over 60 pardons, of which 9 of them can be qualified as amnesties, issued by T.B.M.M. All of them issued due to some political reasons, these pre-release laws might have corrected some unjustified convictions, but their cost to the populations is higher than meets the eye. If the goal is correcting previous laws errors, an amnesty or a pardon might not be the correct policy. Efficient and better detection and conviction policies would prevent such unjustified convictions and protect the innocent population. La maxime énoncée pour la première fois par le philosophe romain Cicéron dans son ouvrage "De Legibus" (106 av. J.C.), "Noxiae poena par esto" alias "Que la peine corresponde au crime" est rapidement devenue l'un des principes les plus importants du droit pénal. Ce principe attire l'attention de diverses disciplines telles que le droit et l'économie. Bien qu'il ne soit pas toujours possible de maintenir ce principe pour toutes les circonstances dues à une erreur humaine, il existe d'autres mécanismes en droit pénal utilisés pour se rapprocher de cette norme, comme les pardons, les amnisties et les libérations conditionnelles. Mais comment l'octroi de telles politiques de libération précoce affecte­t­il la population générale ? Change­t­il le comportement criminel ? Si oui, vers quelle direction ? La population non criminelle en est­elle également influencée ? Cela modifie­t­il les taux de récidive ? Les premières études sur la théorie économique criminelle tournaient autour de ce principe, l'étude de Becker (1968), considérée comme l'un des premiers travaux, a enquêté sur ce principe d'un point de vue économique et a tenté de trouver une solution optimale à la fois au crime et aux dépenses pour prévenir et punir les crimes. Les travaux ultérieurs (Ehrlich, 1973; Heineke et Block, 1975) se sont principalement concentrés sur le même problème statique, Block et Lind (1975), Schmidt et Witte (1984) et Witte (1980) se sont appuyés sur la compréhension de l'effet dissuasif sur le crime, Levitt (1996) et Drato et al. (2009) ont analysé et inclus l'effet de l'incarcération dans la littérature. Du côté dynamique du problème, Leung (1995) a formulé un modèle de dissuasion dynamique. Plus tard, Burdett et al. (2003) ont utilisé la théorie de la recherche pour créer un modèle dynamique et Mocan et al. (2005) propose un modèle dynamique de l'activité criminelle en introduisant le capital humain légal et criminel. Dans cette étude, l'objectif est d'aborder le même problème en utilisant la théorie des jeux, la théorie des jeux évolutionnaires, en particulier pour non seulement comprendre le crime et suggérer des solutions optimales au problème, mais aussi conceptualiser les politiques de libération anticipée (amnisties, grâces et libérations conditionnelles) pour appréhender son effet sur la population. Comme Leund (1995), cette étude s'est intéressée à la récidive pour mesurer le succès de ces politiques, la principale raison pour laquelle cette étude utilise la théorie des jeux évolutionnaires comme outil coïncide avec cette affirmation, pour mesurer la récidive, il faut à la fois plus d'une période et la dynamique de la population pour que les agents puissent changer leurs stratégies. Aux exigences d'avoir plus d'une période et de la dynamique des populations, le modèle est établi sur le jeu classique de Faucon et Colombe, introduit pour la première fois dans la littérature par John Maynard­Smith et George Price (1973), fusionné avec la dynamique de l'imitation (Weibull, 1995; Björnerstedt et Weibull, 1996; Hofbauer et Sigmund, 2003). Le modèle considère une société de Faucon et Colombe qui partageant une ressource commune. Similaire au jeu original Faucon et Colombe; dans une rencontre Faucon et Faucon, les deux agents partagent la ressource (v) et se blessent (c), ce qui rend le gain des deux agents v 2 − c, si Faucon et Colombe se rencontrent, Faucon obtient toutes les ressources (v), tandis que Colombe obtient 0 et dans le dernier cas où Colombe rencontre Colombe lors d'une rencontre, les Colombes partagent la ressource et puisqu'il n'y a pas d'agression entre elles, elles gagnent toutes les deux v 2 comme récompense. La norme sociale est supposée d'agir comme une Colombe donc agir comme un Faucon est une crime. Ces criminels peuvent être attrapés avec une certaine probabilité et punis d'emprisonnement, ce qui leur empêche de participer à d'autres jeux jusqu'à ce qu'ils soient libérés de leur condamnation, ce qui arrive également par hasard. De plus, les agents qui suivent les normes de la société doivent payer une redevance sur leurs gains, comme un impôt sur le revenu. La somme de ces frais est utilisée pour maintenir en vie le système judiciaire et les instituts d'incarcération, et affecte directement les taux de condamnation. Nous supposons également qu'il y a des rendements d'échelle décroissants dans le processus de condamnation, ϵ est l'efficacité du processus de détection. Lorsqu'un Faucon, criminel est détecté et condamné, il est empêché de participer à d'autres jeux jusqu'à sa libération, pour cette période de condamnation, l'agent obtient 0 comme gain. Il n'y a pas de peine de prison prédéterminée, donc un agent condamné doit attendre une grâce ou une amnistie pour être à nouveau libéré dans la population conventionnelle. Après chaque tour, la population non condamnée et les agents nouvellement libérés peuvent changer leur stratégie en imitant d'autres agents. Le changement dépend de la qualité de leurs performances dans le tour par rapport à un agent aléatoire dans la population, qui se compose à la fois d'agents non condamnés et condamnés. Si le dernier gain d'un agent est supérieur ou égal à l'agent aléatoire qu'il choisit, il ne change pas sa stratégie, au contraire il fait correspondre sa stratégie à celle de l'agent aléatoire. Dans cette étude, trois cas différents sont analysés pour comprendre l'effet des amnisties sur l'activité criminelle au sein de la population. Le premier cas est un modèle itératif du faucon et colombe, sans amnistie mais avec un mécanisme de condamnation. Le deuxième cas est celui où l'amnistie est introduite et dans le dernier cas, une simulation est utilisée pour visualiser et expliquer les résultats des modèles tels que le mélange de stratégies de la population, le mélange de statuts de condamnation de la population, la probabilité de détection et le taux de récidive. Suite au dernier cas, il y a une petite sous­section sur l'interaction entre des variables spécifiques. Dans le premier cas et le deuxième cas, l'objectif est de trouver des états stables pures ou mixtes. L'état d'équilibre est atteint lorsque la population cesse de changer. Dans les deux cas, pour trouver des états stationnaires mixtes, trois configurations différentes sont utilisées. Alors que toutes les configurations ont un taux de frais de ϕ = 0.02 le rapprt entre le coût de confrontation et la valeur de la ressource change (v = c, v = 2c et v = 3c). Dans ce cas, la criminalité ou le jeu contre les normes de la population peut être stable si la valeur de la ressource est suffisamment élevée (v > 2c). Mais il y a une chance pour que les Colombes envahissent la population, si la valeur de ϵ est suffisamment élevée, ou si le processus de détection est suffisamment efficace. Cependant, il existe des stratégies mixtes stables dans le cas où les ressources ne couvrent pas le coût de la confrontation. Avec l'introduction des amnisties dans le modèle, l'utilité espérée des agents criminels change le plus. La stabilité pure est plus forte, dans le cas de l'état pure avec toute la population jouant contre la norme de la société. Toute augmentation de la probabilité d'une amnistie α, augmente également la part des Faucons dans les états mixtes. Comme les cas précédents, tout scénario où v < 2c réduit également la proportion de criminels dans un état mixte. Dans la dernière section, une simulation est utilisée pour visualiser tous ces cas ci­dessus. Ce qui prouve et renforce encore plus les propositions. La simulation utilisée dans cette section est constituée de phases qui représentent les mécanismes introduits dans le modèle. La simulation itère sur certaines phases spécifiques pour imiter des périodes de temps. Dans la première partie, la simulation retrace les étapes des cas précédents et calcule les taux de récidive respectifs. Par conséquent, il est possible de détecter l'incidence de tout changement de variable sur les taux de récidive. L'appariement par paires des agents dans les événements de jeu est randomisé. Cela garantit que tous les jeux de la même période sont uniques et que tous les agents gagnent seulement un gain à la fin du tour. Dans le cas d'une population impaire de non­condamnés, puisque les agents condamnés ne peuvent pas participer aux jeux, le dernier agent obtient toujours le résultat Colombe vs Colombe, qui est v 2 . Dans toutes les simulations, l'état initial des variables est le même, sauf la dernière sous­section où l'effet des différentes valeurs des variables exogènes sur le taux de récidive et la distribution de la population finale est analysé en changeant ces valeurs. Ces états initiaux comprennent; 100 agents dans la population totale, 20% taux de faucon dans la population initiale, 100 périodes, v = 10, ϕ = 0.02, taux d'amnistie α = 0.01 et et efficacité du processus de détection ϵ = 0.01. Dans la section de simulation, les résultats sont cohérents avec nos sections précédentes. Ici, on peut en déduire, que même une moindre chance d'amnistie, augmente à la fois l'activité criminelle et le taux de récidive dans la population, mais les deux peuvent être stabilisés ou réduits par une politique de détection efficace. Il est également à noter que des taux d'amnistie supérieurs à 10% avec une probabilité de condamnation donnée n'augmentent pas directement les taux de criminalité, mais propagent plutôt la criminalité dans la population où chaque agent devient un criminel à un certain moment et est condamné. Les meilleurs résultats pourraient être obtenus en ajoutant des mécanismes de segmentation ou de réseau au modèle. Deux résultats principaux peuvent être obtenus avec cette étude. Le premier est que tout type d'effet de dissuasion créé par les politiques d'incarcération protège la population conforme aux normes, encore plus, avec des politiques de détection et de condamnation efficaces, il fait que le respect de la norme prospère sur la criminalité. Le deuxième est que la moindre occurrence d'amnistie peut perturber et inverser l'effet dissuasif créé par les politiques d'incarcération. Dans l'histoire récente de la Turquie, plus de 60 grâces, dont 9 peuvent être qualifiées d'amnisties ont été délivrées par l'Assemblé Nationale de République Turque. Toutes émises pour des raisons politiques, ces lois de pré­libération ont peut­être corrigé certaines condamnations injustifiées, mais leur coût pour les populations est plus élevé qu'il n'y paraît. Si l'objectif est de corriger les erreurs des lois antérieures, une amnistie ou une grâce pourrait ne pas être la bonne politique. Des politiques de détection et de condamnation efficaces et améliorées empêcheraient de telles condamnations injustifiées et protégeraient la population innocente.