Исследование статистических взаимосвязей показателей преступности как фактора криминализации региона

С нижение уровня преступности, ослабление влияния продуцирующих факторов, повышение социально-экономической стабильности регионов и страны в целом – актуальная и наиболее важная задача, стоящая перед руководством государства и органами исполнительной и законодательной власти. Несомненно, решение такого рода сложных задач требует системного подхода и поддержки принятия решений. Для движения вперед и грамотного регулирования социально-экономических процессов необходимо анализировать прошлое и пытаться смотреть в будущее. В этом могут помочь различные методы теории статистики и прикладной математики. Комплексное применение таких методов, синтез коллективных моделей и автоматизация на основе использования современных программных средств анализа данных способствуют научному обоснованию принимаемых решений с целью стабилизации криминогенной ситуации в регионах Российской Федерации.

К тематике исследования и анализа взаимосвязей показателей преступности и социально-экономических факторов обращались многие ученые, занимающиеся проблемой изучения криминогенной ситуации и механизмов управляющего воздействия на преступность. При этом методы статистической обработки данных являются одними из ключевых элементов теории правовой статистики. Чаще всего исследователи в области криминологии применяют классические модели статистического анализа: корреляционный анализ, регрессионные модели, аппроксимация и т.п. [1-5, 8] При таком подходе не используются преимущества алгоритмов синтеза и коллективных решающих правил, схема исследования сводится к простой процедуре: метод – интерпретация.

Мы предлагаем оригинальный алгоритм оценки уровня криминализации регионов на основе синтеза методов корреляционного и кластерного анализа показателей преступности на примере Сибирского федерального округа. Подобные процедуры рассматривались авторами ранее. [6] Вычислительная реализация предлагаемого подхода базируется на общедоступных программных продуктах автоматизированной обработки данных MS Excel и SPSS Statistic.

Исходные данные представлены массивом статистических показателей открытой уголовно-правовой статистики, характеризующих состояние преступности в регионах Сибирского федерального округа в 20112016 гг. [9]

Рассмотрим предлагаемую методику поэтапно.

Этап 1. На первом этапе выделяются и оцениваются в динамике нормированные, например на 100 тысяч населения региона, классифицирующие признаки x _i . В нашем случае использовались следующие показатели преступности: x ₁ – уровень зарегистрированной преступности; x ₂ – уровень убийств и покушений на убийство; x ₃ – уровень умышленных причинений тяжкого вреда здоровью; x ₄ – уровень краж; х ₅ – уровень грабежей; х ₆ – уровень разбоев; х ₇ – уровень преступлений, совершенных в группе; х ₈ – уровень преступлений, совершенных лицами, ранее совершившими преступления; х ₉ – уровень преступлений, связанных с наркотическими средствами, психотропными веществами и их аналогами, сильнодействующими веществами; х ₁₀ – количество лиц, совершивших преступления, связанные с наркотическими средствами, психотропными веществами и их аналогами, сильнодействующими веществами.

Состав групп признаков определяется исходя из конкретных условий и задач исследования, тем самым может быть избыточным. Однако для выделения показателей следует привлекать специалиста, например криминолога. Динамика изучаемых показателей, в частности представляющих социально-экономические процессы, достоверно допустима за период 5-7 лет. Таким образом формирует ся статисти че ская в ыб орка V j = ( X j ( t ), t = 1, n ) j = 1, l , i = 1, k , где n – количество лет наблюдения (в примере 6 лет), l – количество регионов (в примере 12), k – количество признаков (в примере 10).

Этап 2. На следующем шаге строятся корреляционные матрицы взаимосвязи признаков для каждого региона. Пример корреляционной таблицы наблюдаемых статистических

Взгляд, размышления,

точка зрения

A	В	С	D	Е	F	G	Н	1	J	К
	Уровень зарегистри рованной преступное ти (на 100 тыс. чел.)	Уровень убийств и покушений на убийство (на 100 тыс.чел.)	Уровень умышленн ЫН причинени й тяжкого вреда здоровью (на 100 тыс. чел.)	Уровень краж (на 100 тыс чел.)	Уровень грабежей (на 100 тыс. чел.)	Уровень разбоев (на 100 тыс. чел.)	Уровень преступле НИЙ, совершен нык в группе (на 100 тыс. чел.)	Уровень преступлений, совершенный лицами, ранее совершившими преступления (на 100 тыс. чел.)	Уровень преступлений, связанный с наркотическими средствами псинотропными веществами и ин аналогами, сильнодействующи ми веществами (на 100 тыс. чел.)	Количество лиц, совершивших преступления, связанные с наркотическими средствами, психотропными веществами и ин аналогами, сильнодействующи ми веществами (на 100 тыс. чел.)
	1	2	о	4	5	6	7	8	9	10
J
2
3	-0,51	-0,26
4	0,68	0,41
5	-0,42	-0,07	0,85	0,10
6	-0,33	-0,61	0,85		0,82
7	-0,90	0,22	0,65	-0,46	0,60	0,36
8	0,43	: 0,18	-0,93	:S::S0,iO	-0,92	-0,88	-0,63
9	0,15	0,37	0,57	0,47	0,49	0,28	0,27	-0,59
10	-0,25	-0,89	0,60	-0,45	0,26	0,73	0,09	-0,45	-0,02

Рис. 1. Корреляционная матрица взаимосвязи показателей преступности Республики Алтай показателей Республики Алтай представлен на рисунке 1.

Можно заметить, что полученные на начальном этапе результаты уже представляют интерес для исследователя. Выделяя парные признаки, обладающие достаточно высоким коэффициентом корреляции, то есть близким по модулю к 1 значению, можно строить гипотезы о взаимном влиянии криминогенных процессов, выделять наиболее рецидивные виды преступлений, предполагать организованный характер преступности, определять очаги криминализации и т.п. Например, для Республики Алтай характерны следующие сильные парные связи с коэффициентом корреляции больше ±0,8: уровень грабежей и уровень умышленных причинений тяжкого вреда здоровью; уровень грабежей и уровень преступлений, совершенных лицами, ранее совершившими преступления; уровень умышленных причинений тяжкого вреда здоровью и уровень преступлений, совершенных лицами, ранее совершившими преступления. Установлено, что рецидив преступности обратно пропорционален грабежам и разбоям, этому может способствовать процесс «взросления» преступников, отбывших наказание, и смещение доли преступлений в сторону более тяжких видов и организованных форм. Отмечается обратная связь между совершаемыми убийствами и покушениями на убийство и числом лиц, совершивших преступления, связанные с наркотиками. Данный факт может свидетельствовать об увеличении числа наркопреступлений и вовлечении в незаконный оборот наркотиков большей части криминалитета. Таких гипотез можно строить множество, все они требуют осмысления и логического обоснования.

После построения и анализа корреляционных матриц вычисляется средняя по модулю оценка R ji корреляции для каждого региона и формируется выборка

W j = ( R j , j = 1, l , i = 1, k ) . Результат может быть представлен в виде таблицы, как это изображено на рисунке 2.

Анализ таблицы позволяет определить регионы с высоким уровнем криминализации, в которых взаимосвязь показателей преступности наиболее сильная. Иркутская и Кемеровская области демонстрируют высокую степень связности показателей на уровне 0,7, а Республика Хакасия – низкую, 0,4.

Этап 3. Далее применяется любой из методов кластерного анализа для выделения

А	в	С
	Регион	Средняя корреляция Wj
1	Республика Алтай	0,454
2	Республика Бурятия	0,496
3	Республика Тыва	0,620
4	Республика Хакасия	0,439
5	Алтайский край	0,506
6	Забайкальский край	0,541
7	Красноярский край	0,529
8	Иркутская область	0,704
9	Кемеровская область	0,747
10	Новосибирская область	0,633
И	Омская область	0,473
12	Томская область	0,470

Рис. 2. Таблица оценок среднего значения коэффициента корреляции в регионах Сибирского федерального округа

Номер кластера наблюдения	Среднее значение
1 кластер	0,481
2 кластер	0,597
3 кластер	0,725
Всего	0,551

Рис. 3. Средние значения признака в кластерах

В результате процедуры агломерации можно установить регионы с различными уровнями криминализации, характеризуя их как высокий, средний или низкий. Высокому уровню соответствует достаточно сильная связь с коэффициентом 0,72. Классификация регионов Сибирского федерального округа по степени криминализации представлена на рисунке 4.

групп

регионов,

близких по значению среднего коэффициента корреляции. В нашем случае применялся метод k-средних с разбиением на 3 кластера, а в качестве расстояния между точками использовалось Евк-

лидово расстояние. Это наиболее простой метод класте-

ризации, группирующий точки вокруг центра класса (цен-

троида). средних признака

Таблица значений

в класте-

рах представлена на рисунке 3. Она ярко иллюстрирует прин-

цип

объединения

объектов в классы.

2 класс

Республика Бурятия сноярс край

Омская область'

Томская область

Китайская Народная Респубтка

УРАТЬСКИИ ФСДГРАЛЬН* ОКРУГ

Респуб«*а каэахст».

Щ 1 класс

3 класс

ОКРУГ

Респубт»*а мокотмя

Китайская Народная РеспуЪлжа море Лагпеомж

Карское море

ДА/ЪКВОСТО»**1

ФСДЕРАГЪНЫТ

Рис. 4. Классификация регионов Сибирского федерального округа по уровню криминализации

Взгляд, размышления, точка зрения

Карское моое

море

Лаптевых

вязи исследуемых показателей с остальными по

1 класс

2 класс

3 класс

УРАГЬСКИИ

ФЕДЕРАЛЫ^

ОКРУГ

Красноярский

ДА/ЪНВОСТО**<*1 Ф€Д£РАГЫ**4 ОКРУГ

каждому региону.

К расчетным данным также можно применить алгоритм кластерного анализа, но результаты его работы будут пра-

ктически

идентичны

ранее полученным на третьем этапе. Целесообразнее провести аналитический анализ дан-

ных.

Можно заметить,

Ресгтуб/vKa Казахстан

Алтайский

Я:: фай |у

Китайская е

Народная /

Реслуб rw«a

РеспуЪтжз М околия

что наибольшие средние оценки корреляции каждого из видов показателей преступности наблюдаются в Иркут- W Китайская ской и Кемеровской

. 2 * 2S!

^Респуб/кка областях. Это еще раз

Рис. 5. Классификация регионов Сибирского федерального округа по уровню криминализации преступлений, связанных с наркотиками

подтверждает гипотезу о высоком уровне криминализации этих регионов и процессов

Заслуживающие внимания результаты получаются, если при вычислении среднего значения коэффициента корреляции учитывать оценки взаимосвязи только определенного признака. Например, классификация регионов Сибирского федерального округа по средней оценке взаимосвязи количества преступлений, связанных с наркотиками, изображена на рисунке 5. Наибольшая связность данного вида преступлений с другими обнаруживается в Новосибирской и Иркутской областях. Соответственно, можно делать выводы о преобладании определенного рода криминальной активности.

Таким образом, инструмент кластерного анализа можно применять к различному числу признаков и получать новые результаты, которые, безусловно, должны быть интерпретированы специалистом.

Другой вариант анализа показателей преступности, удачно дополняющий рассматриваемый алгоритм, представлен на рисунке 6. В таблице сведены средние оценки взаимос- самоорганизации преступности. Для раскрытия причинно-следственных связей следует обращаться к корреляционным матрицам, построенным на втором этапе, обращая внимание на направление связи: прямая или обратная. Например, в Иркутской области установлена сильная обратная связь между общим уровнем преступлений и рецидивной преступностью. Это может свидетельствовать о вовлечении в преступную деятельность новых лиц и организованности преступности в целом. Следовательно, недостаточно внимания уделяется работе с молодежью, профилактике преступлений и т.д.

Для оперативной оценки уровня криминализации региона, когда невозможно получить выборку наблюдений признаков в динамике, можно рекомендовать методику агломератив-ного деления территорий. [7] Рассмотрим результаты, полученные вследствие разбиения регионов Сибирского федерального округа методом кластерного анализа на три класса. В качестве признаков общности выступали

		Уровень зарегистри рованной преступ- (ма 100 тыс. чел.)	Уровень убийств и покушений убийство (на 100 тыс. чел.)	Уровень умышлен- причине-мий тяжкого вреда здоровью (на 100 тыс. чел.)	Уровень краж (на 100 тыс. чел.)	Уровень грабежей (на 100 тыс. чел.)	Уровень разбоев (на 100 тыс. чел.)	Уровень преступлений, совершенных в группе (на 100 тыс. чел.)	Уровень преступлений, совершенных лицами, ранее совершившими преступления (на 100 тыс.	Уровень преступлений, связанных с наркотическими средствами психотропными веществами и их аналогами, сильнодействующими веществами (на 100 тыс. чел.)	Количество лиц, сов. преет., связанные с наркот. средствами, веществами и их аналогами, сильнодействующими вещ. (на 100 тыс. чел.)
		1	2	3	4	5	б	7	5	9	10
1	Республика Алтай	0,41	0,34	0,59	0,33	0,50	0,56	0,46	0,57	0,36	0,42
2	Республика Бурятия	0,63	0,50	0,54	0,62	0,38	0,51	0,38	0,37	0,53	0,50
3	Республика Тыва	0,73	0,71	0,67	0,75	0,54	0,33	0,69	0,66	0,40	0,72
4	Республика Хакасия	0,47	0,38	0,26	0,52	0,47	0,47	0,44	0,51	0,45	0,41
5	Алтайский край	0,41	0,61	0,68	0,28	0,66	0,57	0,59	0,51	0,34	0,42
6	Забайкальский край	0,33	0,67	0,66	0,41	0,62	0,66	0,47	0,61	0,64	0,33
7	Красноярский край	0,13	0,60	0,67	0,45	0,69	0,67	0,60	0,68	0,20	0,58
8	Иркутская область	0,80	0,78	0,80	0,76	0,82	0,81	0,21	0,75	0,69	0,63
9	Кемеровская область	0,83	0,80	0,81	0,81	0,85	0,86	0,77	0,66	0,60	0,49
10	Новосибирская область	0,74	0,55	0,55	0,55	0,76	0,72	0,55	0,58	0,65	0,68
11	Омская область	0,22	0,55	0,60	0,25	0,63	0,60	0,59	0,49	0,32	0,47
12	Томская область	0,42	0,29	0,42	0,56	0,62	0,53	0,50	0,42	0,49	0,45

Рис. 6. Средние оценки взаимосвязи признаков по каждому региону Сибирского федерального округа криминологические показатели преступности за 2016 год объемом 15 признаков. Для классификации использовался метод k-средних, который лучше работает в сравнении с иерархической кластеризацией при фиксированном количестве кластеров и большом объеме признаков. Классификация регионов Сибирского федерального округа по уровню криминализации в 2016 году изображена на рисунке 7.

Принцип объединения регионов в классы демонстрируется на рисунке 8. На графике представлены распреде-

Рис. 7. Классификация регионов Сибирского федерального округа по уровню криминализации в 2016 году

Взгляд, размышления, точка зрения

—о— 1 кластер —ЕН 2 кластер ••*•• 3 кластер

Рис. 8. Распределение средних оценок показателей преступности в классах

ления средних оценок показателей преступности в классах по логарифмической шкале, что и определяет различия их уровней в кластерах. Первый класс составляют регионы с низким уровнем криминализации, а третий класс – с высоким.

Таким образом, предлагаемый подход обладает рядом преимуществ:

– простота реализации с использованием популярных автоматизированных систем анализа данных;

– многообразие вариантов гипотез и их количественная оценка;

– возможность адаптации к любому составу признаков и объекту исследования;

– моделирование ситуаций.

Предлагаемые алгоритмы не ограничиваются объектом исследования, могут быть адаптированы к любым наборам признаков и допускают «игру» с моделью, что важно для проверки выдвигаемых гипотез. В практических целях полученные результаты могут быть использованы для прогнозирования, оценки деятельности правоохранительных органов и уровня криминогенности регионов, исследования социально-экономических показателей, а также полезны для подготовки итоговых аналитических отчетов.