Rikoshaittaindeksin laskennasta suomalaisella aineistolla

Kriminologin keskeiseen ammattitaitoon kuuluu ymmärtää, että esimerkiksi poliisin tietoon tulleita rikoksia tai rikoksista tuomittuja seuraamuksia kuvaavat tilastolähteet kertovat ilmirikollisuuden määristä ja trendeistä. Piilorikollisuuden määrä vaihtelee rikoslajeittain, eikä sen kehitys aina vastaa ilmirikollisuuden vastaavaa. Rikollisuustilanteen seuraamisen kannalta on siksi tärkeää ylläpitää ja kehittää kokonaisrikollisuustutkimuksen menetelmiä.

Piilorikollisuus ei ole kuitenkaan ainoa rikollisuuden mittaamista vaivaava ongelma. Vaikka meillä olisi käytössämme luotettavaa rikoslajikohtaista seurantatietoa kokonaisrikollisuudesta, joudumme edelleen pohtimaan sitä, millainen painoarvo erilaisille rikollisuuden muodoille tulisi antaa arvioitaessa rikollisuus- tai turvallisuustilanteen kehitystä kokonaisuutena. On esimerkiksi mahdollista, että lukumääräisesti yleisten massarikosten ja harvinaisempien mutta huomattavasti vakavampien rikosten määrät kehittyvät eri suuntiin. Tällainen kehityskulku on nähtävissä esimerkiksi naapurimaassamme Ruotsissa, jossa pahoinpitelyrikokset ovat viime vuosina vähentyneet, mutta henkirikokset ovat samaan aikaan lisääntyneet. Tai miten tulisi vaikkapa arvottaa vähenevän perinteisen omaisuusrikollisuuden aiheuttamaa haittaa suhteessa yleistyvään kyberrikollisuuteen?

Ajatus rikosten painottamisesta jonkinlaisella rikoslajien keskimääräistä vakavuutta kuvaavalla kertoimella ei ole uusi, mutta kansainvälinen kiinnostus laskennallisia rikoshaittaindeksejä kohtaan näyttää kasvaneen viime aikoina (van Ruitenburg & Ruiter, 2022). Erilaisille laskutavoille on yhteistä pyrkimys ensin yhteismitallistaa eri rikoslajit niiden vakavuuden tai aiheuttaman haitan perusteella, ja sitten painottaa kyseisten rikosten lukumääriä rikoslajikohtaisella yhteismitallisella painokertoimella. Toimivalla rikoshaittaindeksillä voitaisiin muun muassa arvioida rikollisuuden aiheuttamaa kokonaishaittaa, vertailla rikoslajeja keskenään niiden aiheuttaman haitan suhteen sekä mitata rikollisuuden aiheuttaman haitan muutosta yli ajan.

Rikoshaitta muistuttaa jossain määrin Ruotsin rikoskaaressa esiintyvää rangaistusarvon (straffvärde) käsitettä. Rangaistusarvolla tarkoitetaan rikoksen vakavuutta suhteessa muihin rikoksiin, ja rangaistusarvo määräytyy rikoksen aiheuttaman vahingon perusteella. Rikoksesta tuomittava rangaistus määrätään rangaistusasteikon puitteissa rikoksen rangaistusarvon mukaan. Suomalaiseen oikeustieteelliseen keskusteluun rangaistusarvon käsite ei ole vakiintunut siten kuin Ruotsissa (ks. Kemppinen, 2022). Rikoshaittalaskelmiin sisältyvät rikoslajikohtaiset haittakertoimet voi kuitenkin ymmärtää yritykseksi kvantifioida abstraktimpi rangaistusarvon käsite.

Rikoshaittaindeksien laskennan mahdollisuudet ovat sidoksissa saatavilla olevaan tilastotietoon rikoksista ja seuraamuksista. Eri laskentatavoille on omat metodologiset perustelunsa, eikä yhtä oikeaa menetelmää ole. Suurin osa malleista perustuu kuitenkin rikoksista tuomittuihin tai tuomittavissa oleviin seuraamuksiin. Esimerkiksi tunnetussa Cambridge Crime Harm Indexissä (Sherman ym., 2016) rikoshaitan laskemiseen käytetään ”rangaistustaulukoiden” (heikko suomennos termistä ”sentencing guidelines”) rikoslajikohtaisia ensikertalaisten tuomioiden ohjeellisia pituuksia. Käytössä on myös rikoslain rangaistusasteikkoon liittyviä laskentatapoja, kuten rikoslajikohtainen vankeuspäivien enimmäismäärä (Mitchell, 2019), ja minimi- ja maksimirangaistukset ylipäätään. Hieman vastaavaan tapaan rikoshaittaa voi lähestyä rikosten aiheuttamien kustannusten näkökulmasta (Hinkkanen, 2013).

Rikoshaitan laskenta voi perustua myös puhtaasti empiiriseen rangaistuskäytäntöön, kuten rikoslajikohtaisiin tuomioiden keskipituuksia koskeviin tietoihin. Toteutimme yksinkertaisen suomalaisen kokeilun Iso-Britannian tilastoviranomaisen kehittämästä (Bangs, 2016) rikoshaittaindeksistä laskemalla rikoslajikohtaiset painokertoimet käyttämällä tuomittujen seuraamusten lukumääriä ja niiden keskimääräistä ankaruutta lähtöaineistona. Laskelmat tehtiin Tilastokeskuksen Syytetyt, tuomitut ja rangaistukset –tilaston pohjalta (vuodet 2017-2021), käyttäen päärikosperustaista tietoa tuomituista seuraamuksista. Käräjäoikeuksissa tuomittujen vapaus- ja sakkorangaistusten lisäksi tilasto sisältää tiedot tuomituista rangaistus- ja sakkomääräyksistä.

Yksinkertaisuuden vuoksi tilastosta jätettiin pois oheisseuraamukset sekä liikennerikkomukset, jotka korvattiin suurilta osin liikennevirhemaksuilla uuden tieliikennelain (729/2018) myötä. Lakimuutokset ja rangaistuskäytäntöjen ankaroituminen tai lieventyminen olisi ylipäätään pyrittävä huomioimaan rikoshaittaindekseissä. Näillä seikoilla on merkitystä erityisesti silloin, kun indeksiä halutaan käyttää pitkän aikavälin kehityksen analyysiin (ks. Sarnecki, 2021).

Indeksi toteutettiin laskemalla ensin jokaiselle rikosnimikkeelle koko viiden vuoden ajalta ”rangaistusmassa” eri rangaistuslajeihin tuomittujen lukumäärän ja seuraamusten keskipituuksien pohjalta. Rangaistusmassa laskettiin ensin kullekin vuodelle ja rangaistuslajille erikseen, jonka jälkeen rangaistusmassa muunnettiin päiviksi ehdotonta vankeutta. Tämän jälkeen eri seuraamuslajeissa tuomitut rangaistukset laskettiin yhteen, ja jaettiin kyseisestä rikoksesta rangaistukseen tuomittujen kokonaismääränä. Laskelman lopputuloksena kukin rikosnimike saa painokertoimen, joka kuvaa kyseisen rikoksen aiheuttamaa rikoshaittaa. On kuitenkin hyvä huomioida, että esimerkiksi ehdottomat vankeusrangaistukset on laskettu vuosittain tuomittujen laskennallisten vankilavuosien määrinä, joissa ei huomioida mahdollista ehdonalaiseen vapautumista (vrt. Kuusisto Mäkelä, 2023, s. 62).

Jos rikosoikeudellisessa seuraamusjärjestelmässä olisi käytössä vain yksi rangaistuslaji, tai vertailu perustuisi vain ehdottomiin vankeusrangaistuksiin, olisi tämän mallin mukaisen laskelman tekeminen varsin suoraviivaista. Tulkinnanvaraisuutta laskelmaan aiheuttaa kuitenkin se, että näkemykset eri rangaistuslajien välisistä suhteista voivat vaihdella. Onko perusteltua ajatella, että kuuden kuukauden ehdollinen vankeusrangaistus ilmentää yhtä suurta rikoshaittaa kuin kuuden kuukauden ehdoton vankeusrangaistus? Halusimme demonstroida tämän valinnan merkitystä rikoshaittalaskelmalle, mistä syystä toteutimme laskelman ”dynaamisena” R-ohjelmiston Shiny Server -kirjastolla. Oheisen linkin kautta avautuvassa visualisoinnissa käyttäjä voi itse vaikuttaa siihen, mitkä eri seuraamuslajien väliset suhteet ovat. Muuttamalla seuraamuslajien välisiä suhteita liukukytkimillä rikoshaittakertoimet muuttuvat, ja rikosten keskinäinen painoarvo muuttuu samalla.

Linkki: Rikoshaittaindeksilaskuri

Rikoshaittakertoimien oletusasetuksena visualisoinnissa on, että eri rikosseuraamukset ovat samanarvoisia, eli esimerkiksi yksi päiväsakko vastaa yhtä päivää ehdotonta vankeutta. Näin laskettuna eniten rikoshaittaa tuottava rikosnimike olisi liikenneturvallisuuden vaarantaminen (14% koko haitasta), mikä johtuu ennen kaikkea kyseisestä nimikkeestä tuomittujen suuresta määrästä. Liikenneturvallisuuden vaarantamisten osuus haitasta muuttuu kuitenkin radikaalisti, jos päiväsakon ja ehdottoman vankeuden suhdelukua muutetaan sakon muunnossa käytettyyn suhdelukuun siten, että neljä päiväsakkoa vastaa yhtä päivää ehdotonta vankeutta. Näin laskettuna eniten haittaa aiheuttavat törkeät huumausainerikokset (12,2%), kun taas liikenneturvallisuuden vaarantamisen osuus pienenee selvästi (5,4%).

Visualisoinnista löytyvät myös graafit rikoshaitan kumulatiivisesta summasta rikoshaittakertoimen mukaan, vertailu ehdottomaan vankeuden tuomittujen lukumäärän ja rikoshaitan välillä, sekä rikoshaitan ja tuomioiden lukumäärien vertailu. Painokertoimista riippumatta näyttäisi siltä, että rikoshaitan määrä on noussut jonkin verran viidessä vuodessa. Myös tuomittujen lukumäärä on noussut viime vuosina, mutta kehitys ei ole ollut täysin yhteneväistä rikoshaitan kanssa. Sivustolta voi tarkastella myös rikosnimikekohtaisia ja rikoslain lukujen mukaan summattuja rikoshaittalaskelmia taulukkomuodossa. Rikoslain luvuittain tarkasteltuna valtaosa rikoshaitasta näyttää kasautuvan seuraamuksiin, joissa päärikoksena on ollut liikennerikos (23 luku), väkivaltarikos (21 luku) tai huumausainerikos (50 luku).

Tuomiodatalla tehdyissä laskelmissa on tehty joitain valintoja, joille ei ole yksiselitteisiä empiirisiä perusteita. Tilastokeskuksen aineistossa rikokset on laskettu tuomion päärikoksen mukaan, eli haittalaskelmissa ovat mukana sekä yhden rikoksen tuomiot että useita oheisrikoksia sisältävät tuomiot. Painokertoimien laskeminen ainoastaan ensikertalaisten saamista tuomioista tai yhden rikoksen tuomioista voisi tuottaa perustellumman rikosnimikekohtaisen haittaindeksin. Näitä tietoja ei kuitenkaan ole julkisesti saatavilla vaaditulla tarkkuudella, ja toisaalta yhteisen rangaistuksen ”yksikkörangaistuksista” ei edes saa tietoa (Ketola, 2013). Tuomittujen lukumäärän sijasta laskelmassa voisi vaihtoehtoisesti käyttää esimerkiksi poliisin tietoon tulleiden rikosten tai syyksi luettujen rikosten lukumääriä. Tällainen tapa saattaisi ottaa paremmin huomioon nyt toteutetussa laskelmassa oheisrikoksiksi jäävät lievemmät rikokset.

Tässä kokeilussa tehdyt laskelmat havainnollistavat rikoshaittaindekseihin liittyvien metodologisten valintojen merkitystä. Painokertoimien muuttaminen rangaistuslajien suhteita vaihtamalla osoittaa, että rikoksista aiheutuvan haitan laskeminen ei ole yksiselitteistä. Toisaalta tuntuu selvältä, että tuomioiden määrän painottaminen haittakertoimella tuottaa tietoa, joka tuo selvää lisäarvoa pelkkään tuomittujen lukumäärään perustuvaan tarkasteluun. Rikoshaittaindeksin soveltaminen yksilötasoiseen rikosura-aineistoon saattaisi myös tuottaa kiinnostavaa tietoa rikoshaitan kasautumisesta tyypillisemmin tarkastellun rikosten määrän kasautumisen (Pitkänen ym., 2022) sijasta. Seuraava askel olisi tarkemman indeksin kehittäminen, jota voisi käyttää analyyttisena työkaluna. Tämä edellyttäisi erilaisten laskentatapojen laajempaa vertailua sekä niihin liittyvien heikkouksien ja vahvuuksien kriittistä tarkastelua.

Lähteet

Bangs, M. (2016). Research outputs: Developing a crime severity score for England and Wales using data on crimes recorded by the police. Newport: Office for National Statistics.

Hinkkanen, V. (2013). Rikollisuuden kustannukset. Teoksessa Rikollisuustilanne 2012: Rikollisuus ja seuraamusjärjestelmä tilastojen valossa. Helsinki: Helsingin yliopisto

Ketola, J. (2013). Rikosten keskinäinen yhteys ja muut yhteisen rangaistuksen mittaamisperusteet. Teoksessa T. Lappi-Seppälä & V. Kankaanrinta (toim.) Rangaistuksen määrääminen. Helsingin hovioikeus 2013 s. 41–68.

Kemppinen, H. (2022). Rangaistuksen mittaaminen ja rangaistusarvo. Lakimies, 5/2022, 729-748.

Kuusisto Mäkelä, F. E., & Carling, C. (Eds.) (2023). Seuraamusjärjestelmä 2021: Kontrollijärjestelmä tilastojen ja tutkimusten valossa. (Katsauksia; No. 53/2023). Helsingin yliopisto, kriminologian ja oikeuspolitiikan instituutti.

Mitchell, R. J. (2019) The usefulness of a crime harm index: Analyzing the Sacramento hot spot experiment using the California crime harm index (CA-CHI). Journal of Experimental Criminology, 15(1), 103-113.

Pitkänen, J. & Aaltonen, M. & Suonpää, K. & Heiskanen, L. & Martikainen, P. (2022) Nuorisorikollisuuden esiintyvyyden ja kasautumisen muutokset syntymäkohorteissa 1986–2000. Yhteiskuntapolitiikka 5-6/2022, s. 475-490.

van Ruitenburg, T., & Ruiter, S. (2022). The adoption of a crime harm index: A scoping literature review. Police Practice & Research, 1-23 https://doi.org/10.1080/15614263.2022.2125873

Sarnecki, J. (2021). Comment on Kärrholm et al. “Designing the Swedish Crime Harm Index: an Evidence-Based Strategy.” Cambridge Journal of Evidence-Based Policing, 5(1-2), 76–90. https://doi.org/10.1007/s41887-021-00061-8

Sherman, L., Neyroud, P.W., & Neyroud, E. (2016). The Cambridge Crime Harm Index: Measuring total harm from crime based on sentencing guidelines. Policing, 10(3), 171-183.