Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Факторный анализ преступности. Корреляционный и регрессионный методы. Монография
.pdf
сообщений о преступлениях, то более вероятным представляется
следующий вывод: снижение активности и профессионализма сотрудников органов внутренних дел в плане выявления скрытых
преступлений и обусловливает снижение уровня зарегистрированной преступности, искажает представление о ее действительных
масштабах (рис. 2.14).
Ðèñ. 2.13
Ðèñ. 2.14
Недостаточная эффективность практики назначения наказаний.
По официальным данным, в России наблюдается рост числа осужденных лиц, ранее совершивших преступление (рис. 2.15).
51
Ðèñ. 2.15
В определенной мере рост рецидивной преступности обусловлен
чрезмерной гуманизацией судебной практики назначения наказания за совершенные преступления. Так, по данным Судебного департамента, доля условного осуждения за преступления против
жизни и здоровья возросла с 36,6% в 2001 г. до 39,2% в 2010 г.
(табл. 2.6).
Таблица 2.6. Динамика числа осужденных лиц, совершивших
преступления против жизни и здоровья (по данным
Показатель 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Всего
осуждено
В том числе
условно
осуждено
Доля лиц,
приговоренных к условному лишению свободы 36,6 36,2 33,9 38 38 39,5 40,1 40,1 42,6 39,2
Судебного департамента)
140
124
112
627
51 499
670
45
117
977
38
334
125
969
47
830
138
048
52
516
142
009
56
105
139
267
55
914
146
286
58
729
144
128
61
384
133
451
52
362
В среднем 38,4% лиц, совершивших преступление, условно
осуждены. Исследование эффективности института условного наказания, проведенное НИИ Академии Генеральной прокуратуры
Российской Федерации, показало, что перспектива условного осуждения могла бы удержать от совершения преступления только
52
4% опрошенных граждан и 3% опрошенных осужденных лиц.
В большинстве случаев преступники не считают условное осуждение серьезным сдерживающим фактором. Нередко у осужденных
условно формируется уверенность в безнаказанности, и часть из
них повторно совершает преступления. Эта негативная тенденция
представлена на рис. 2.16.
Ⱦɢɧɚɦɢɤɚ ɭɞɟɥɶɧɨɝɨ ɜɟɫɚ ɥɢɰ ɜ ɫɬɪɭɤɬɭɪɟ ɜɫɟɯ ɜɵɹɜɥɟɧɧɵɯ ɥɢɰ,
ɫɨɜɟɪɲɢɜɲɢɯ ɩɪɟɫɬɭɩɥɟɧɢɟ ɜ Ɋɨɫɫɢɢ ɜ 2001—2010 ɝɝ.
(Ɏ.1Ⱥ-451 ȽɂȺɐ ɆȼȾ Ɋɨɫɫɢɢ)
40
30
20
10
0
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Ɋɚɧɟɟ ɫɨɜɟɪɲɚɜɲɢɯ ɩɪɟɫɬɭɩɥɟɧɢɹ
Ɋɚɧɟɟ ɫɭɞɢɦɵɯ ɡɚ ɩɪɟɫɬɭɩɥɟɧɢɹ
26,1 24,4 24,4 25,9 28,8 28,8 29,1 30 32 31,2
22,3 20,8 21,2 22,6 23,8 23,2 23,2 23,8 23,9 23,8
Ðèñ. 2.16
Трендовый анализ показал, что доля лиц, которые ранее совершали преступления и были судимы, возрастает.
По результатам опроса граждан, факты безнаказанного совершения преступления в 2010 г. были известны 52,3% респондентов,
безнаказанного совершения правонарушений — 87% россиян, уверены в возможности уклониться от ответственности при нарушении
закона при помощи взяток — 27% опрошенных граждан.
53
Ƚɥɚɜɚ 3
Ɏɚɤɬɨɪɧɵɣ ɚɧɚɥɢɡ ɩɪɟɫɬɭɩɧɨɫɬɢ
ɦɟɬɨɞɨɦ ɤɨɪɪɟɥɹɰɢɢ ɢ ɪɟɝɪɟɫɫɢɢ
Факторным анализом считается многомерный статистический
метод, применяемый для изучения взаимосвязей между значениями
переменных
Факторный анализ впервые возник в психометрике и в настоящее время широко используется не только в психологии, но и в других науках, в том числе в юриспруденции.
В разработку факторного анализа преступности внесли вклад
многие ученые. Внедрением факторного анализа преступности в
юридическую науку занимались такие ученые, как Г.А. Аванесов,
В.М. Рутгайзер, Н.Н. Брушлинский
Д.О. Хан-Магомедов
вклад в изучение данного вопроса внес выдающийся ученый в сфере
физико-математических наук доктор физико-математических наук,
профессор Г.О. Крылов.
Они рассматривали методами математического вычисления воздействия того или иного фактора на преступность. Бесспорно, ими
была затронута лишь маленькая доля возможностей математических
вычислений, с помощью которых можно проводить факторный анализ
всей преступности в стране и отдельных статей УК РФ.
С помощью факторного анализа можно решить две важные
проблемы исследователя: описать объект измерения всесторонне и
в то же время компактно. Возможно выявление скрытых перемен-
1
.
2
5
, В.В. Лунеев6, С.М. Иншаков7 и др. Большой
, О.А. Гаврилов3, С.Е. Вицин4,
1
http://ru.wikipedia.org/wiki/%D0%A4%D0%B0%D0%BA%D1%82%D0%BE%D1%80%
D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7.
2
Аванесов Г.А., Рутгайзер В.М., Брушлинский Н.Н. Óêàç. ñî÷. Ñ. 67—76.
3
Гаврилов О.А. Óêàç. ñî÷.
4
Вицин С.Е. Моделирование в криминологии.
5
Хан-Магомедов Д.О. Óêàç. ñî÷.
6
Лунеев В.В. Óêàç. ñî÷. 2010.
7
Иншаков С.М. Теоретические основы исследования и анализа латентной преступности: Монография / Под ред. С.М. Иншакова. М.: ЮНИТИ-ДАНА: Закон
и право, 2011.
54
ных факторов, отвечающих за наличие линейных статистических
связей корреляций между наблюдаемыми переменными.
Например, анализируя оценки, полученные по нескольким
шкалам, исследователь замечает, что они сходны между собой и
имеют высокий коэффициент корреляции, он может предположить,
что существует некоторая латентная переменная, с помощью которой можно объяснить наблюдаемое сходство полученных оценок.
Такую латентную переменную называют фактором. Данный фактор
влияет на многочисленные показатели других переменных, что
приводит нас к возможности и необходимости выделить его как
1
наиболее общий, более высокого порядка
.
Таким образом, можно выделить две цели факторного анализа:
x определение взаимосвязей между переменными, их класси-
фикация, т.е. «объективная R-классификация»
x сокращение числа переменных.
2
;
Факторный анализ может быть: 1) разведочным — он осуществляется при исследовании скрытой факторной структуры без предположения о числе факторов и их нагрузках; 2) конфирматорным,
предназначенным для проверки гипотез о числе факторов и их нагрузках. Практическое выполнение факторного анализа начинается
с проверки его условий. Обязательные условия факторного анализа:
x все признаки должны быть количественными;
x число признаков должно быть в два раза больше числа пере-
менных;
x выборка должна быть однородна;
x исходные переменные должны быть распределены симмет-
рично;
x факторный анализ осуществляется по коррелирующим пере-
менным
3
.
При анализе в один фактор объединяются сильно коррелирующие
между собой переменные, как следствие происходит перераспределение дисперсии между компонентами и получается максимально
простая и наглядная структура факторов. После объединения коррелированность компонент внутри каждого фактора между собой
будет выше, чем их коррелированность с компонентами из других
факторов. Эта процедура также позволяет выделить латентные переменные, что бывает особенно важным при факторном анализе
преступности.
1
http://ru.wikipedia.org/wiki/%D0%A4%D0%B0%D0%BA%D1%82%D0%BE%D1%80%
D0%BD%D1%8B%D0%B9_%D0%B0%D0%BD%D0%B0%D0%BB%D0%B8%D0%B7.
2
Электронный учебник по статистике. Москва, StatSoft. WEB: www.statsoft.ru/
home/textbook/default.htm.
3
Шуметов В.Г., Шуметова Л.В. Факторный анализ: подход с применением ЭВМ.
Îðåë: ÃÒÓ, 1999. Ñ. 88.
55
К сожалению, данный анализ не совсем распространен в юридической литературе, однако из всего множества его видов чаще
всего применяется только один — классический подход, основанный на расчете определенных коэффициентов и сравнении их с
нормативными значениями.
Только раскрыв причинно-следственные связи различных факторов, можно просчитать, как изменятся основные результаты, воздействующие на преступность за счет того или иного фактора, а
также отдельных преступлений и их квалифицирующих составов.
Такую возможность дает системный подход к анализу преступности в стране с применением факторных моделей. Этот метод анализа позволяет не только устанавливать причинно-следственные
связи, но и давать им количественную характеристику, т.е. обеспечивать измерение влияния факторов на преступность. Это делает
анализ точным, а выводы обоснованными.
Следует отметить, что, прежде чем проводить факторный анализ
с помощью математических вычислений, нам необходимо иметь в
наших разработках «реальные» числа, с помощью которых можно
будет прийти к верному итогу.
И поэтому факторный анализ в совокупности, по нашему мнению, должен состоять из следующих этапов:
x выдвижение гипотезы;
x проведение исследований в виде анкетирования и других мето-
дов криминологических исследований для сбора максимально
верной информации, которая нам необходима для работы;
x математический подсчет.
Одним из способов факторного анализа является расчет регрессии.
Регрессионный анализ представляет собой вычисления на основе
статистической информации в целях математической оценки усредненной связи между зависимой переменной и некоторой независимой переменной или переменными. Простая регрессия предполагает
одну независимую переменную, множественная же регрессия предполагает две и более переменных.
Регрессионный анализ может использоваться для прогнозирования отдельных видов преступлений, а также преступности в целом.
С точки зрения математика, необходимо иметь как минимум на два
результата наблюдений больше, нежели число имеющихся показателей независимых переменных. Регрессионный анализ обычно
весьма эффективен при краткосрочных аналитических исследованиях. Результат регрессионного анализа дает нам возможность разработать эффективные меры противодействия преступности. С помощью
регрессионного анализа можно вычислить количество фактического
преступления в стране.
56
Регрессионный анализ описывает или оценивает величину какой-либо переменной (зависимой переменной на основе изменения
одной или более других переменных — независимых или каузальных). Если, допустим, следователь желает спрогнозировать количество убийств в определенном регионе на следующий год (зависимая
переменная) исходя из факторов, влияющих на убийство, то регрессионный анализ может быть использован при попытке предсказания или оценки величины зависимой переменной (убийств).
При проведении регрессионного анализа следует рассчитать коэффициент корреляции для измерения степени взаимосвязи между
двумя переменными. Коэффициент корреляции — это анализ наличия линейных связей между переменными. Если изменение переменных происходит в одном направлении, то имеет место прямая
зависимость (положительная корреляция). Если изменение переменных происходит в противоположных направлениях, то имеет
место обратная зависимость (отрицательная корреляция). Если зависимость незначительна или отсутствует, то представленные данные
имеют широкое рассеивание и не взаимосвязаны.
Если данные по всем наблюдениям, отраженные на графике,
выстраиваются в прямую линию, то все случаи отклонений считаются объяснимыми и коэффициент корреляции должен составить
1 или –1. При отсутствии корреляции ее коэффициент равен 0.
При определении значимости величины корреляции необходимо
произвести расчет, характеризующий возможность сохранения этой
величины корреляции при проведении случайной выборки из генеральной совокупности, в которой корреляция отсутствовала.
Коэффициент детерминации представляет ту долю дисперсии
величины y, зависимость изменений которой выявлена регрессионным уравнением. Его величина колеблется от 0 до 1. Например, если зависимость количества убийств в каком-либо регионе от числа
безработных лиц характеризуется r2 = 0,61, то 61% общей дисперсии (разброса) количества убийств отслеживается регрессионным
уравнением (или связано с изменением числа безработных в данном регионе), а 39% зависит от действия других факторов (таких
как употребление алкоголя, наркотиков, коррупция и т.д.). Такой
недостаточно высокий коэффициент детерминации говорит о том,
что число безработных лиц не является достаточно надежным критерием оценки количества убийств.
Для наглядности мы проведем корреляционный и регрессионный анализ преступности на примере влияния параметров основных факторов на число зарегистрированных преступлений всего в
стране за период с 2006 по 2010 г.
1
(см. далее).
1
См.: 1-А (451) ГИАЦ МВД России.
57
x
x
x
x
x
x
x
x
x
x
M
x
M
x
M
Анализ предлагаем провести поэтапно:
x выявление наличия взаимосвязи между признаками;
x определение формы связи;
x определение силы (тесноты) и направления связи.
1. Корреляционный и регрессионный анализ между числом зарегистрированных преступлений в России за период с 2006 по 2010 г. и
числами выявленных лиц, совершивших преступление и не имеющих
постоянного источника дохода, и выявленных безработных лиц,
совершивших преступление, представлен в табл. 3.1
Таблица 3.1
y yx
Ãîä
2006 81,1 385,5 31264,05 6577,21 8,4 385,5 3238,2 70,56
2007 78,5 358,2 28118,7 6162,25 7,4 358,2 2650,68 54,76
2008 76,3 321 24492,3 5821,69 6,7 321 2150,7 44,89
2009 78,5 299,4 23502,9 6162,25 5,5 299,4 1646,7 30,25
2010 73 262,9 19191,7 5329 5,4 262,9 1419,66 29,16
¦
Примечание:
387,4 1627 126569,7 30052,4 33,4 1627 11105,94 229,62
2
1
y
1
.
yx
1
2
1
y — число зарегистрированных преступлений в России;
— число выявленных лиц, совершившие преступление и не имею-
щих постоянного источника дохода;
— число выявленных безработных лиц, совершивших преступ-
1
ление.
n
= 5;
¦
= 387,4;
= 33,4; y¦ = 1627;
¦
1
yx
= 126569,7;
¦
2
= 30052,4;
¦
=
x
/ n = 387,4/5 = 77,48;
¦
y
= y¦/ n = 1627/5 = 325,4.
¦
¦
yx
= 11105,9;
1
2
= 229,62;
1
=
¦
1x
/ n = 33,4/5 = 6,68;
1
1
Для удобства подсчета сократим данные показатели в 10 тыс. раз.
58
Выявление наличия связи между признаками.
Простейшим визуальным способом выявить наличие взаимосвязи
между количественными переменными является построение диаграммы рассеяния (scatterplot). Это график, на котором по горизонтальной оси (X) откладывается одна переменная, по вертикальной (Y)
другая. Каждому объекту на диаграмме соответствует точка, координаты которой равняются значениям пары выбранных для анализа
переменных (рис. 3.1, 3.2).
ɢɫɬɨɱɧɢɤɚ ɞɨɯɨɞɚ
ɑɢɫɥɨ ɜɵɹɜɥɟɧɧɵɯ ɥɢɰ, ɫɨɜɟɪɲɢɜɲɢɯ
ɩɪɟɫɬɭɩɥɟɧɢɟ ɢ ɧɟ ɢɦɟɸɳɢɯ ɩɨɫɬɨɹɧɧɨɝɨ
Ðèñ. 3.1
ɫɨɜɟɪɲɢɜɲɢɯ ɩɪɟɫɬɭɩɥɟɧɢɟ
ɑɢɫɥɨ ɜɵɹɜɥɟɧɧɵɯ ɛɟɡɪɚɛɨɬɧɵɯ ɥɢɰ,
Ðèñ. 3.2
59
Какова бы ни была конфигурация облака точек на диаграмме
рассеяния — лежат ли они в точности на одной прямой или разбросаны хаотически, — любая статистическая программа всегда сможет
построить уравнение регрессии. Однако в первом случае, если точки лежат на одной прямой, оно будет весьма достоверным, а во втором, когда точки разбросаны хаотически, — нет.
Более того, может оказаться, что через два облака, различающиеся степенью близости к линейной конфигурации, будут проведены одинаковые линии регрессии.
Тем не менее зависимость между двумя переменными может
иметь различный характер даже при одинаковых линиях регрессии.
Форма связи (линия регрессии) сама по себе не дает ответа на
вопрос о тесноте (силе) связи пары переменных. На этот вопрос
отвечает коэффициент парной корреляции. Он показывает, насколько
тесно две переменные связаны между собой.
Визуально о силе связи можно судить по тому, насколько тесно
расположены точки-объекты около линии регрессии. Чем ближе
точки к линии регрессии, тем сильнее связь.
Коэффициент парной корреляции r принимает значения в диапазоне от –1 до +1.
Положительные значения коэффициента корреляции r свидетельствуют о положительной связи между признаками, отрицательные — об отрицательной связи.
Åñëè r = 1, то между двумя переменными существует функцио-
нальная положительная линейная связь, т.е. на диаграмме рассеяния
соответствующие точки лежат на одной прямой с положительным
наклоном.
Åñëè r = –1, то между двумя переменными существует функцио-
нальная отрицательная линейная зависимость, т.е. на диаграмме рассеяния соответствующие точки лежат на одной прямой с отрицательным наклоном.
Åñëè r = 0, то рассматриваемые переменные линейно независимы, т.е. на диаграмме рассеяния облако точек «вытянуто по горизонтали».
Формула для вычисления парного коэффициента корреляции
выглядит следующим образом:
xM yM
¦
r
xM yM
¦¦
xy
2
xy
60
2
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]