Информатизация криминологической деятельности. Теория и методология

В ходе решения проблемы математического моделирования преступности, как правило, ставятся следующие задачи: выявление тенденции динамического ряда; прогнозирование уровня преступности в регионе на основе статистических измерений; построение функции, характеризующей развитие процесса совершаемости преступлений; типологизация (классификация) криминологических объектов на основе определяющих характеристик; выявление типа распределения для временного ряда на основе критериев Колмогорова, Романовского и др.

Существует несколько методологических подходов к моделированию преступности и преступного поведения, описанных в работах Ю. М. Антоняна, Ю. Д. Блувштейна, С. Е. Вицина, О. А. Гаврилова, К. К. Горяйнова, А. П. Закалюка, В. А. Минаева и других исследователей. В частности, по методике С. Е. Вицина матричные модели преступности позволяют отыскивать и количественно выражать зависимость между видами, группами преступлений характеристиками контингента преступников. Он же предлагал использовать для описания преступности или отдельных групп преступлений обобщенный показатель количественной оценки различных преступлений по признаку их общественной опасности

.

Моделирование преступности возможно с помощью не только матричных моделей, но и моделей множественной регрессии, факторного анализа и др. Общим для всех видов математических моделей является применение математических средств для описания моделируемых объектов. В качестве объектов моделирования в криминологических исследованиях выступают взаимосвязь различных социальных явлений с состоянием, уровнем и динамикой преступности, структурно-динамические колебания преступности.

По мнению Ю.М. Антоняна и Ю.Д. Блувштейна, математические модели в криминологии могут быть классифицированы по принципу их «работы» следующим образом: 1) модели распределения; 2) модели взаимосвязи; 3) модели имитационные; 4) модели распознавания образа

.

Наиболее перспективно использование этих моделей для прогностического моделирования преступности в целом, отдельных ее видов, индивидуального преступного поведения человека, ранее совершившего преступление.

Пример модели распределения совокупности осужденных по возрасту

(рис. 1). Эмпирическим материалом являются данные о возрасте 400 лиц, впервые осужденных за кражи, регистрируемые по линии уголовного розыска (две выборки по 200 чел., осужденных в 1963 и 1972 годах).

Рис. 1. Распределение осужденных за кражи по возрасту

Из этого распределения видно, что до 22 лет (возраст социальной зрелости) личность особенно уязвима по отношению к криминогенным влияниям; с возрастом вероятность быть осужденным за кражу для ранее не судимых лиц резко падает.

Для анализируемых выборок параметры: х

= 20,68 года, х

= 21,21 года; ?

= 4,83 года, ?

= 5,71 года; ?

= 23,30, ?

=32,64, где выборочное среднее (х) – средняя арифметическая величина распределения численностей поколений, то есть одного года рождения; индекс отличает значение исследуемой переменной – числа лиц конкретного возраста, впервые осужденных за кражу; выборочная дисперсия (?

) – средний квадрат отклонений отдельных значений переменной от средней арифметической; выборочное среднее квадратичное отклонение (?) – имеет важное значение как мера разброса значений переменной вокруг средней арифметической.

Пример модели взаимосвязи (зависимости) уровня образования осужденных и тяжести совершенных ими преступлений

. Эмпирический материал для построения модели – данные об образовательном уровне N = 1000 осужденных (простая случайная выборка) и тяжести совершенных ими преступлений, регистрируемых по линии уголовного розыска. В табл. 2 приведена группировка исследуемой совокупности по значениям обеих переменных.

Таблица 2

Соотношение уровня образования и тяжести деяния

Суммы частот по каждой строке (F) или столбцу (G) табл. 2 именуются маргиналами. F.G/N – частное от деления произведения каждой пары маргиналов на число элементов совокупности представляет собой ожидаемую частоту совместного появления каждого значения переменной x

.

Проверка существенности расхождения между наблюдаемыми и ожидаемыми частотами проводится с помощью критерия ?

(хи-квадрат). Теоретические значения критерия зависят от уровня значимости и от размерности (числа клеток) таблицы, а точнее от числа степеней свободы: ? = (m – 1) (n – 1); фактические – вычисляются по формуле:

x

– число элементов совокупности, обладающих одновременно ?-уровнем образования и совершивших преступления j-тяжести.

В рассматриваемом случае ? = 4. Для этого числа степеней свободы теоретическое значение ?

. При уровне значимости 0,05 равно 9,488 (из таблицы ?

-распределения). Фактическое значение ?

равно 108 (по формуле). Поскольку фактическое значение критерия хи-квадрат больше теоретического, то между переменными существует статистическая связь (не причинная, которая лишь возможно существует).

В качестве примера имитационной модели назовем имитационную систему криминологического регионального анализа «Искра», разработанную еще на кафедре технических средств управления Академии МВД СССР и реализованную на компьютере

. Система предназначена была для анализа и среднесрочного прогнозирования динамики преступности с учетом демографических факторов, «воспроизводства» преступности, кадровой обеспеченности уголовного розыска, факторов, отражающих деятельность службы уголовного розыска по выявлению лиц, совершивших преступления.

Входной информацией для системы являются: данные о лицах, совершивших преступления по линии уголовного розыска; данные о миграционных потоках; данные о кадровом обеспечении аппаратов уголовного розыска. Выходная информация: графическое представление динамики преступности (реальной и зарегистрированной); графическое представление динамики численности сотрудников уголовного розыска; результаты имитационных расчетов динамики преступности, выраженные в абсолютных и относительных величинах.

Имитационным экспериментом является и ретроспективный прогноз, позволяющий прогнозировать данные уже прошедшего периода и сопоставлять полученные значения переменных имитационной модели с известными (фактическими) данными. Если известны воздействия на систему и результаты этих воздействий, то есть фактическое развитие системы за определенный период, то ретроспективный прогноз покажет, приведут ли те же воздействия на имитационную модель к аналогичным последствиям. Предназначается такой прогноз для проверки точности прогнозной модели и на этой основе – для оценки точности собственно прогноза на будущее.

С помощью математических методов распознавания образов на компьютере можно решать задачи классификации, узнавания, диагностики объектов самой различной природы, включая криминологические.

Модель распознавания образа применялась для прогнозирования рецидивного преступного поведения. Эмпирический материал – данные о 500 лицах, судимых в 1963 году за умышленные преступления, регистрируемые по линии уголовного розыска.

Для построения модели были избраны следующие параметры: возраст, отношение фактически отбытого срока лишения свободы к общему периоду социальной активности личности; отношение не отбытого срока лишения свободы к сумме сроков, назначенных по приговорам суда; время пребывания на свободе с момента последнего освобождения из учреждения уголовно-исполнительной системы; количество судимостей; и характер ранее совершенных преступлений

.

В 80 % случаев прогноз был верным в силу использования всего комплекса параметров, описывающих объект прогнозирования.

Выборочная совокупность лиц в данной задаче случайным методом разбивалась на две части – обучающую и экзаменационную последовательности. Моделирующий алгоритм был реализован с помощью компьютера. Моделируемым показателем стала интенсивность рецидива, значение которой предсказывает модель.

К настоящему времени разработано и реализовано на компьютере несколько алгоритмов, позволяющих распознавать криминологические объекты (образы) на основе предварительного обучения. Процесс состоит из двух этапов: 1) компьютеру предъявляется совокупность объектов с известной классификацией (обучающая выборка), по которым распознающие программы вырабатывают правила распознавания (классификации); 2) производится распознавание объектов с неизвестной классификацией.

Обычно процесс моделирования криминологических объектов состоит из нескольких этапов: постановка (формулирование) задачи, выбор математического аппарата, ввод эмпирических данных, математическое истолкование и криминологическая интерпретация выданного моделью результата.

Несмотря на то что математическая подготовка юристов оставляет желать лучшего, основная тяжесть решения проблем первого и последнего этапов исследования возлагается на криминолога. В отношении промежуточных этапов юрист выступает в роли заказчика и поэтому должен представлять возможности математического моделирования и использования информационных средств, включая персональные компьютеры.

Понятия информационной и математической моделей очень близки друг к другу, поскольку и та, и другая являются знаковыми системами

. Общие методологические принципы построения информационных моделей могут быть предметом информатики, а само построение и обоснование информационной модели является задачей конкретной науки, в нашем случае криминологии, точнее, ее частной теории инфокриминологии. Отсюда, методы информатики, информационные методы применимы всюду, где возможно описание некоторого объекта (явления, процесса и т. и.) с помощью информационной модели, то есть формализовано.

Моделировать можно и сами процессы переработки и распространения информации. Для информации, находящейся в памяти компьютера или подготовленной для ввода в него, обычно употребляют термин «данные». Подготовка данных состоит в формализации информации, кодировке и переносе на машинные носители. Совокупность взаимосвязанных данных некоторой предметной области – криминологии и профилактики преступлений, хранимых в памяти компьютера и организованных таким образом, что эти данные могут быть применены для решения разных задач (оценка преступности, прогнозирование преступного поведения и т. д.) многими пользователями, составит базу данных криминолого-профилактического назначения.

База данных является информационной моделью внешнего мира. В ней, как правило, хранятся данные об объектах, их свойствах и характеристиках. Поскольку во внешнем мире объекты взаимосвязаны, в базе данных эти связи должны быть отражены. Таким образом, в базе данных, как правило, все данные взаимосвязаны, в противном случае можно говорить о нескольких независимых базах данных, имеющих раздельное хранение. Ядро любой базы данных – модель данных, представляющая собой множество структур данных, ограничений целостности и операций манипулирования данными. Наибольшее применение получили иерархическая, сетевая и реляционная модели данных