Определение динамики преступности по основным показателям
Классическими криминологическими характеристиками (параметрами) преступности выступают количественные и качественные показатели. Количественные параметры при оценке состояния преступности применяются в большей мере, нежели качественные характеристики, поскольку позволяют отразить такое криминогенное состояние в числовом выражении.
Количественные параметры:
- объем преступности;
- интенсивность (уровень) преступности;
- динамика преступности.
Качественные параметры:
- общественно опасный характер;
- структура преступности;
- территориальная локализация преступности.
Надежные прогнозы преступности являются одним из основных факторов совершенствования системы правосудия и уголовного расследования в целом, что, в свою очередь, обеспечивает согласованность межведомственных подходов к своевременной корректировке и разнообразие используемых математических моделей прогнозирования. Чтобы укрепить внутреннюю правовую систему и устранить детерминанты преступности, необходимо работать с точными статистическими данными и качественными прогнозами, разработанными на их основе.
Цель криминологического прогнозирования – расчет (предсказание) абсолютных и относительных показателей, характеризующих преступность в будущем. На основе таких прогнозов разрабатываются планы работы государственных органов по предупреждению преступности. Разновидностью криминологического прогнозирования является индивидуальное прогнозирование. Оно имеет целью определение возможности совершения преступления (преступлений) в будущем определенным лицом или группой лиц.
Основаниями такого прогнозирования выступают знания относительно социально-демографических и морально-психологических качеств конкретного субъекта; наличия у лица изъянов физического, психического характера, которые могут иметь криминогенное значение; условий микро-социальной среды: проживание, работа, обучение, досуговая сфера.
Прогнозирование возможности совершения отдельного преступления может быть двух видов: прогнозирование первоначального совершения преступления и прогнозирование рецидива. Разграничение этих двух прогнозов осуществляется на основании существенных отличий личностных характеристик лица, впервые совершающего преступление, и лица, уже отбывшего наказание за ранее совершенное уголовно наказуемое деяние. Последняя категория лиц в значительно большей степени подвергается влиянию эффектов призонизации (подражания элементам криминальной субкультуры) и стигматизации (клеймения отличий от других по критерию судимости, причастности к криминальным традициям), которые подлежат учету при научном предвидении предполагаемого уголовного поведения в будущем.
Криминологический прогноз представляет собой основанное на научных методах обоснованное суждение о вероятном будущем состоянии преступности. Такой прогноз является базой планирования для реализации мер по противодействию преступности. На результатах прогнозирования принимаются соответствующие законодательные решения, осуществляются криминологические экспертизы законопроектов и других нормативных правовых актов, разрабатываются программы и конкретные меры, осуществляется материально-техническое обеспечение правоохранительной деятельности.
Современные методы и средства прогнозирования преступности
Анализ используемых в отечественной практике подходов к прогнозированию состояния преступности рассмотрен в работе Осипова В. А. Автор описывает наиболее распространенные методы прогнозирования (экстраполяцию, моделирование, метод экспертной оценки), особенности их применения и оценивает перспективы использования нового режима таргетинга с точки зрения его эффективности. Используя показатели, характеризующие миграционные процессы, автор попытался обоснованно спрогнозировать краткосрочное и среднесрочное развитие экстремистской преступности в стране. Разработка правовых норм особенно важна, когда речь идет о влиянии на уровень преступности.
В работе Суходолова В. А. дана сравнительная характеристика современных программных средств на основе искусственного интеллекта для борьбы с преступностью. Автор описывает доступные возможности предиктивной аналитики и прогнозирования, в том числе при использовании межведомственного экспериментального программного комплекса «Искусственный интеллект в расследовании и оперативно-розыскной деятельности при совершении уголовных преступлений» и др. Рассматривается возможность использования искусственного интеллекта для предупреждения преступности со следующими программными средами: COMPAS, Harm Assessment Risk Tool, CEG, PredPol, ePOOLICE, Palantir, психометрические системы прогнозирования криминального сообщества и др. Автором разработана индикаторная система раннего предупреждения преступности.
Если рассматривать современные методы прогнозирования преступности, следует обратить внимание на пространственный и пространственно-временной подходы при создании государственных моделей правоохранительной сферы, которые используются в исследованиях многих отечественных и зарубежных ученых. Так, рассматривается проблема прогнозирования вспышек преступности в регионах с низкой плотностью населения и неравномерным распределением преступности. Авторы разработали модель машинного обучения для пространственно-временного прогнозирования, специально адаптированную для несбалансированного распределения преступности. Модель была протестирована в реальных условиях с использованием современных прогнозных параметров, в том числе:
- социально-экономических;
- географических;
- временных;
- метеорологических;
- криминальных.
Мнения авторов сводятся к тому, что на практике применение предложенной методики значительно повысит точность прогнозов (до 60,4 %) и будет способствовать принятию оптимальных управленческих решений в правоохранительной системе.
Особенности построения авторегрессионной модели пространства-времени (ST-AR) для прогнозирования масштабов насильственных и имущественных преступлений в США рассматриваются в исследовании Shoesmith G. L. Автор отмечает, что модель насильственных преступлений Флориды, используемая на практике, основана на непредумышленном убийстве, изнасиловании, грабеже и нападении, в то время как модель преступлений против собственности включает информацию о взломах, кражах и угонах автомобилей.
Следует отметить, что моделирование с использованием технологии ST-AR превосходит другие подходы к прогнозированию преступности. Поэтому для прогнозирования преступности многие авторы используют различные методы моделирования, в том числе: ST-AR, AR (p), VAR (BVAR), RTM, CSAN, VDA, метод MLE, ансамблевую модель, модель Хотеллинга, экспоненциальное сглаживание Холта, нейронное сглаживание, сетевая модель, логистическая регрессия, повышение градиента, линейная регрессия и т. д.
Периоды прогноза варьируются от нескольких недель до года (включая деление по времени суток) с ежемесячными прогнозами более высокого качества. Следует отметить, что большая часть исследований основана на построении моделей, учитывающих пространственное и пространственно-временное распределение социальных явлений и процессов. При этом различают различные экономические, социальные, географические, временные, метеорологические, криминальные и другие факторы, влияющие на состояние преступности.
Часто исследования сводятся к использованию методов искусственного интеллекта, характерной чертой которых является не непосредственное решение проблемы, а обучение в процессе применения решений многих схожих задач (алгоритмы машинного обучения). В современных условиях развития информационных технологий это направление является значимым и перспективным с точки зрения получения качественных моделей и точных прогнозов.
