О МЕТОДИКЕ ПРОГНОЗИРОВАНИЯ ПРЕСТУПНОСТИ НА ОСНОВЕ ДАННЫХ УГОЛОВНОЙ СТАТИСТИКИ
ВАСИН Юрий Геннадьевич,
кандидат юридических наук,
старший научный сотрудник сектора уголовного права и криминологии Института государства и права Российской академии наук (ИГП РАН). E-mail: criminal_law@igpran.ru
Краткая аннотация: в статье предложен вариант методики, позволяющей выдвинуть предположения о некоторых количественных показателях будущего состояния преступности, имеющих вероятностную природу. Методика предназначена для научно обоснованного формирования модели преступности, которая характеризуется определенным уровнем надежности. Показана необходимость уголовно-правового и криминологического прогнозирования показателей преступности на постоянной основе. Выдвинуты предложения по повышению эффективности противодействия преступности.
The article proposes a variant methodology to hypothesize about some quantitative indicators of the future state of crime with the probabilistic nature. The method is designed for a science-based model of the formation of crime, which is characterized by a certain level of reliability. The necessity of criminal law and criminological forecasting crime rates on a permanent basis. Put forward proposals to improve the efficiency of combating crime.
Ключевые слова: преступность; моделирование; управление борьбой с преступностью; мониторинг; прогнозирование; системный подход; математические методы; уголовная статистика.
Criminality; modeling; management fighting crime; monitoring; forecasting; system approach; mathematical methods; criminal statistics.
В качестве одной из наиболее важных задач изучения преступности в качестве негативного социально-правового явления можно определить попытки предсказать, как оно будет изменяться в дальнейшем, какие размеры преступные проявления могут иметь в будущем, и к каким масштабам общественно опасного поведения должна быть готова система уголовной юстиции.
В настоящей статье предпринята попытка предложить вариант методики, позволяющей выдвинуть предположения о некоторых количественных показателях будущего состояния преступности, имеющих вероятностную природу.
Предлагаемая методика предназначена для научно обоснованного формирования модели вида (рода) преступности, которая характеризуется определенным уровнем надежности, а затем прогнозирования показателей
данной модели.
В целях обоснованного применения даннойметодики используемые в качестве исходных данных количественные показатели преступности - зарегистрированные преступления должны образовывать статистическую совокупность (т.е. быть достаточно массовидны-ми). Для построения прогноза целесообразно использовать статистические данные не менее чем за три равных периода времени (квартал, полугодие, год и т.д.).
Для анализа предлагается использовать совокупности статистических данных, характеризующих вид преступности (выявленные, раскрытые преступления, преступления уголовные дела по которым направлены в суд, количество лиц, совершивших преступления и т.п.) в субъектах Российской Федерации. Исходным материалом могут являться не только абсолютные показатели преступности, но и относительные
(коэффициент преступности и пр.). Для уточнения ситуации абсолютные и относительные коэффициенты могут использоваться совместно.
В качестве иллюстрации в данной методике мы будем говорить о количестве зарегистрированных преступлений определенного вида.
При этом сравнительный анализ абсолютных статистических данных о регистрируемом количестве преступлений может демонстрировать значительное отличие между субъектами Российской Федерации по данному показателю. Такое положение не является препятствием для применения предлагаемой методики.
Научной основой анализа совокупностей статистических данных о преступности является теория вероятностей и математическая статистика, одним из основных методов которых является положение о выборке и группировке на основе понятий об их репрезентативности и однородности.
Отметим, что репрезентативность определяется на основании того, что статистические массивы являются основой фактологических данных и наиболее объективной оценкой состояния и тенденций преступности.
С точки зрения теории методологии вероятностей, мерой однородности любой совокупности случайных параметров является ее способность соответствовать известным теоретическим законам распределения плотности вероятностей случайной величины1. Мерой надежности этого соответствия (для нормального закона распределения) является критерий Карла Пирсона (х2). Указанный критерий определяет степень соответствия реального закона распределения (эмпирического) - выбранному исследователем теоретическому распределе-нию2. При этом достоверность этого соответствия определяется в виде определенной вероятности, которая может соответствовать проценту надежности модели (0,95 - 95%; 0,01 -1%) и определять достоверность информации, которая будет получена при ее исследовании.
В том случае если данное соответствие установлено мы можем использовать для
1 Законом распределения дискретной случайной величины называют перечень ее возможных значений и соответствующих им вероятностей.
2 Лунеев В.В. Юридическая статистика. М.: Юрист, 1999. С. 111116.
формирования прогнозных суждений отработанный практикой математический аппарат теории вероятностей.
Методически вычисление критерия соответствия Пирсона требует создания другой формы математической модели, отличной от совокупности данных уголовной статистики в статистической таблице, а именно - в виде гистограммы, представляющей собой совокупность вероятностей регистрации определенного количества преступлений в некотором (определяемом исследователем) количестве регионов.
Для построения гистограммы по оси абсцисс мы откладываем совокупность интервалов, определяемых исследуемой величиной (количество преступлений). По оси ординат -вероятность того, что данная величина объема преступности будет зарегистрирована в определенном количестве регионов.
Для этого мы определяем количество регионов, в которых зарегистрировано определенное (выбранное исследователем) количество преступлений, поделенное на определенные интервалы, например, от 0 до 500 преступлений, от 500 до 1000 преступлений и т.д. Затем указанные интервалы откладываются по оси абсцисс. Таким образомформируется шкала измерения.
После этого выделяем группы субъектов Российской Федерации, в которых был зарегистрирован указанный объем преступности (0-500 преступлений, 501-1000 преступлений и т.д.).
Затем поделив количество регионов, в которых был зарегистрирован объем преступности, входящий в выбранный интервал, на общее количество регионов, мы для каждого объема преступности (например, от 0 до 500 преступлений было совершено в 5 субъектах Российской Федерации, и мы делим 5 на 85) определяем искомую вероятность Р(х) которую откладываем по оси ординат. Далее также вычисляется вероятность для следующего интервала (например, от 500 до 1000 преступлений). Потом указанные вычисления мы проводим для следующих интервалов, пока мы не дойдем до максимального объема совершенных в каком либо субъекте Российской Федерации количества преступлений.
Таким образом, определяются координаты эмпирической гистограммы, служащей ос-
новой для формирования уголовно-правовой и криминологической модели преступности.
Далее вычисляем критерий Пирсона по следующей формуле:
Ж
= Ё (т- - "1У , г*
т
m¡ - эмпирическое (определяемое по практическим гистограммам) появление ¡-го значения (в нашем случае - количество регионов с ¡-м значением объема преступности).
т' - теоретическое значение вероятности появления ¡-го значения (количество регионов с ¡-м значением объема преступности). При этом теоретические значения вычисляются при нормировании фактического отклонения показателя преступности от его математического ожидания по величине среднего квадратическо-го отклонения;
п - число градаций (интервалов) количества регионов в диапазоне изменения исследуемых объемов преступности (откладывается по оси абсцисс).
Для определения величины теоретического значения вероятности (т/ ) мы проведем следующие действия.
Вычисляем математическое ожидание и дисперсию по следующим формулам:
М х = Ё ХгР (хг );
г = 1
1 "
Б = 52 = -Ё (X - Мх)2; п 7=1
где:
Мх - математическое ожидание ; Б - среднее квадратическое отклоне-
ние;
й - дисперсия;
Р(Х) - вероятность того, что с ¡-е значение объема преступности будет зарегистрировано в определенном (по гистограмме) количе-
стве субъектов Российской Федерации;
п - число интервалов по оси абсцисс (т.е. количество выделенных объемов преступности);
^ - зарегистрированные объемы рассматриваемых видов преступности (точнее, максимальное значение обозначенных интервалов по оси абсцисс).
Затем построенную практическую (эмпирическую) гистограмму2 мы нормируем по отклонению показателя преступности (объема) от его математического ожидания разделенное на величину среднего квадратического отклонения (и= (х - Мх)/Б)3. Это позволяет сравнитьпракти-ческую гистограмму с теоретическим законом распределения плотности вероятностей, который предлагается использовать - нормальный закон распределения.
Указанное нормирование приводит практическую гистограмму к виду, при котором математическое ожидание равно нулю, а среднее квадратическое отклонение равно единице. Данное действие позволяет преобразовать по указанному выше условию значения количества регионов со схожими объемами преступности, которое мы откладывали по оси абсцисс. Далее по пересчитанным показателям по методике, определенной теорией вероятности, определяем табличное значение плотности вероятности нормированного нормального распределения объемов преступности (по таблице табулированных значений дифференциальной функции Лапласа4).
Фактически это теоретическая ордината нормированной эмпирической гистограммы, т.е. значения вероятностей регистрации определенного объема преступности в некотором количестве регионов. Но сумма этих вероятностей может не быть равной единице (т.к. в соответствии с теорией вероятностей
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.