К вопросу о моделировании динамики преступности в России

Аннотация

The article offers a mathematical model of the dynamics of one of the indicators of crime – the number of persons who have committed crimes. Since the indicator is aggregated, it is considered as a generalized characteristic of the behavior of crime in general. The analysis of the political and legal situation in the country helps to understand the peculiarities in the dynamics of the indicator. Significant differences in situations dictate the need to divide the interval under consideration into two fundamentally different stages. The time series of the second stage is decomposed into two components: the trend and fluctuations relative to the trend. A special mathematical function is selected to simulate vibrations. The adequacy of the modeling results makes it possible to perform short-term criminological forecasting. As one of the reasons determining the dynamics of crimes, it is proposed to consider the economic one. The economic situation in Russia largely depends on the demand on the world oil market. The already tested and described demand model is used for research. The study showed that the oscillatory processes of crime dynamics and the dynamics of global oil demand are adequately described by mathematical models of the same type. A significant correlation coefficient between the models proves the relationship of the indicators. Keywords: criminological forecasting, crime modeling, patterns of crime dynamics Введение. Показатели преступности обычно включают в группу показа- телей, которые описывают социально-политическую ситуацию в государствах и позволяют делать ее прогнозные оценки. Такой статус важного общественного индикатора определяет необходимость проведения разнообразных исследований преступности. Для анализа статистики правонарушений привлекают различные математические методы [11]. Большинство из них основаны на выявлении факто- ров, определяющих уровень преступности и исчислении степени связи ее с этими факторами [8, 17]. Причем модель может быть и системой уравнений, а в более сложных случаях даже системой дифференциальных уравнений [15]. При отборе факторов может сказываться субъективный подход исследова- теля. Причиной тому является существенная нелинейность и неопределенность 127 Мультидисциплинарные (неюридические) аспекты цифровой трансформации Мультидисциплинарные (неюридические) аспекты цифровой трансформации Multidisciplinary (Non-Legal) Aspects оf Digital Transformation Multidisciplinary (Non-Legal) Aspects оf Digital Transformation процессов функционирования социально-политических систем. То, что работало, проявлялось и взаимодействовало в одних условиях, внезапно может сойти на нет в других, демонстрируя то ли определяющую роль контекста, то ли необоснован- ность выстроенной логики исследователем. В соответствии с главной темой конференции следует отметить и надеж- ды, связанные с использованием современных алгоритмов нейросетей [16]. Они позволили или существенно продвинуться или решить многие задачи классифи- кации и распознавания, которые только намечались на ранних этапах появления многообещающего научного направления [14]. Современные возможности работы с большими данными позволяют начать исследования по определению того, ка- кой уровень преступности можно ожидать при выбранных значениях множества разноплановых факторов [13]. Общую формулировку задачи можно обозначить так: по значению факторов определить значение результирующего признака. Она схожа с той, которая решается, например, в классическом регрессионном анализе. Однако принципы ее решения на нейросетях совершенно иные. Сейчас нейросе- ти оказались в рамках более емкого явления, названного цифровизацией, которое стремительно меняет нашу жизнь. В следующей, менее популярной группе методов, не предполагается полу- чение уравнений связи между показателями и факторами, просто первоначаль- ное множество разнородных исходных данных преобразуется в вид, удобный для визуального анализа экспертом, который и выносит окончательное суждение, ориентируясь на свой опыт и интуицию. В качестве примера можно привести классический метод многомерного шкалирования, широта применения которого доказывает его научную универсальность [1, 6]. Если определение факторов влияния является проблематичной практической задачей, или даже весьма спорной в теоретическом плане, то можно рассматри- вать временные ряды показателей как самодостаточные данные. Тогда особенно- сти и закономерности поведения показателей выявляются через анализ динамики самих временных рядов [5, 7, 10, 12]. Одним из способов проявления закономер- ностей динамики временного ряда является подбор модели адекватно, в статисти- ческом смысле, соответствующей исходным данным. Сложность и многоликость преступности как явления, связанного с множе- ством факторов различной природы, весьма усложняет работу по поиску и ана- лизу факторов влияния. В статье предлагается выявление закономерностей ди- намики преступности с помощью моделирования временного ряда. Возможность применения так