CC BY
11УДК 343.976
Вячеслав Витальевич МОЛОКОВ,
доцент кафедры оперативно-розыскной деятельности Сибирского юридического института ФСКН России (г. Красноярск), кандидат технических наук, доцент
vvmolokov@mail. ш
КОМПЛЕКСНЫЙ АНАЛИЗ ВЗАИМОСВЯЗЕЙ ПОКАЗАТЕЛЕЙ НАРКОСИТУАЦИИ РЕГИОНА
THE COMPLEX ANALYSIS OF INTERRELATIONS AMONG INDEXES OF THE REGIONAL DRUG SITUATION
В статье рассматриваются этапы комплексного исследования статистических показателей. Приводятся примеры многофакторного анализа данных, характеризующих наркоситуацию в Сибирском федеральном округе.
This article considers the steps of a comprehensive study of statistical indicators. The examples of multifactor data analysis characterizing the drug situation in the Siberian Federal District are given.
Ключевые слова: анализ взаимосвязи, регрессионная модель, кластерный анализ Keywords: interrelation analysis, regression model, cluster analysis.
Государственная система мониторинга наркоситуации определила единый механизм статистического наблюдения за показателями территорий, результатами которого являются публикуемые сборники и паспорта наркоситуаций федеральных округов Российской Федерации. Априори паспорт наркоситуации содержит наблюдаемые во времени данные, в той или иной мере характеризующие социально-экономическое, демографическое, медико-биологическое и правоприменительное состояние конкретных субъектов. Фиксируемые статистические показатели позволяют осуществлять поддержку принятия решений при разработке антинаркотических программ, комплекса мероприятий по противодействию незаконному обороту наркотиков и являются основой дальнейших научных исследований, направленных на изучение закономерностей процесса наркоти-
зации населения и развития наркопреступности. [1] Прогрессивным инструментом детального анализа статистических наблюдений является аппарат математической статистики и компьютерного моделирования.
В данной статье предлагается один из подходов проведения комплексного анализа взаимосвязей показателей наркоситуации, позволяющий не только вскрывать закономерности исследуемых факторов, но и осуществлять прогнозирование критериальных признаков, а также проводить оценку уровня наркотизации населения. Все применяемые в работе вычисления доступны для реализации с помощью пакета Microsoft Excel. Рассматриваемые методики являются продолжением научных исследований автора, опубликованных ранее [2; 3]. Для вычислительных экспериментов использовались данные статистических
показателей Сибирского федерального округа (СФО) за период 2010-2014 гг. [5].
На первом этапе выделим блоки признаков по степени общности характеризующих показателей, например:
правоохранительный (общее количество зарегистрированных правоохранительными органами преступлений; общее количество зарегистрированных преступлений, связанных с незаконным оборотом наркотиков (НОН); количество зарегистрированных правоохранительными органами тяжких и особо тяжких преступлений, связанных с НОН; количество изъятых наркотических средств и психотропных веществ на момент возбуждения уголовного дела; число осужденных лиц за совершение преступлений под воздействием наркотических средств и т.п.);
социально-экономический (среднедушевой денежный доход населения; уровень безработицы по методологии МОТ и т.п.);
миграция (количество лиц, поставленных на миграционный учет; количество снятых с миграционного учета и т.п.);
медико-биологический (количество взятых под наблюдение лиц с синдромом зависимости от наркотических средств; количество состоящих под наблюдением лиц с синдромом зависимости от наркотических средств; данные первичной заболеваемости и учтенная распространенность наркомании; показатели реабилитационных отделений в составе специализированных наркологических (психиатрических) учреждений и т. п. ).
По данным динамических рядов строим корреляционную матрицу, учитывающую связи между всеми исходными признаками. Корреляционная таблица содержит на пересечении строки и столбца коэффициент линейной корреляции соответствующих показателей. Значения коэффициентов корреляции изменяются в пределах от -1 до +1, при этом сила связи между признаками определяется по шкале, где сильная связь признаков обнаруживается на уровне более 0,7. Интерпретация результатов осуществляется на основе системного анализа исследуемых процессов и криминоло-
гических характеристик, так как наличие статистической взаимосвязи признаков не всегда говорит о существовании причинно-следственной связи. В результате анализа данных по СФО выявлена обратная зависимость между количеством зарегистрированных правоохранительными органами преступлений, связанных с НОН, и количеством изъятых наркотических средств и психотропных веществ с уровнем корреляции -0,88, в том числе марихуаны (канна-биса) с уровнем корреляции -0,91. Данный факт при сопоставлении других показателей свидетельствует о постепенном преобладании незаконного употребления синтетических наркотиков и росте числа преступлений, связанных с бесконтактным сбытом. Установлена прямая связь между учтенной распространенностью наркомании и общей численностью безработных на уровне 0,94 и обратная связь со среднедушевым денежным доходом населения на уровне -0,94. Это подтверждает гипотезу о зависимости уровня наркотизации населения от качества жизни. Обнаружена прямая связь количества лиц с диагнозом наркомания, снятых с наблюдения в связи с длительным воздержанием, и количеством реабилитационных отделений в составе специализированных наркологических учреждений (коэффициент корреляции 0,86), что подтверждает гипотезу об эффективности проведения мероприятий по реабилитации наркозависимых. В дальнейшем подобные аналитические выводы строятся с учетом целей и практических реализаций исследования. Следует учитывать тот факт, что достоверность результатов зависит от объема выборки, в данном случае количества лет наблюдения статистических показателей.
Другим подходом к анализу взаимосвязи признаков может служить принцип выделения критериальных показателей и оценка относительно их средних значений коэффициентов корреляции в группах факторных признаков. [4] На рисунке 1 приводятся средние значения коэффициентов корреляции в блоках факторов относительно критериальных показателей.
Критериальный показатель Правоохранительный блок Социально-экономический блок Миграция Медико-би ологически й блок
Количество зар епи стр ир о в анн ых правоохран ительными органами преступлений, связанных с НОН 0,65 0,3 0,66 0,41
Учтенная распространенность наркомании 0,64 0,97 0,82 0,72
Рис. 1. Средние значения коэффициентов корреляции факторных признаков в блоках относительно критериальных показателей
В дальнейшем строятся регрессионные модели критериальных показателей. Например, регрессионная модель зависимости количества преступлений, связанных с незаконным оборотом наркотиков, имеет вид:
Подобные оценки являются основанием для выделения значимых показателей, оказывающих наибольший вклад в значение исследуемого признака. На основании приведенных результатов можно сделать вывод о высоком уровне взаимосвязи между учтенной распространенностью наркомании и социально-экономическими показателями.
Следующий этап - факторный анализ, цель которого: выделение показателей, оказывающих наибольшее влияние на результативный признак. Это позволяет сократить пространство входных переменных для построения моделей прогноза. Упрощенная процедура факторного анализа сводится к сортировке коэффициентов парных корреляций признаков относительно критериального показателя и отбору наиболее значимых по силе связи.
37 000
2010
2011
2012
2013
2014
год
- Количество преступлений, связанных с НОН ■Регрессия
-Линейная [Количество преступлений, связанных снок)
Рис. 2. График действительных и прогнозных значений числа преступлений, связанных с незаконным оборотом наркотиков на 2015 г.
? = 40657,2 - 0,88 хХ± + 14,94 X Х2,
где Х1 - количество состоящих под наблюдением лиц с диагнозом наркомания, Х2 -первичная заболеваемость наркоманией подростков в возрасте 14-17 лет. График действительных и прогнозных значений на 2015 год представлен на рисунке 2. Значения факторных показателей на следующий год выбраны методом экстраполяции.
Модель множественной регрессии учтенной распространенности наркомании имеет вид:
? = 89413,08 - 2,03 хХх + 14,47 X Х2,
где Х1 - среднедушевой денежный доход населения (в месяц), руб., Х2 - общая численность безработных. График действительных и прогнозных значений представлен на рисунке 3.
Следует отметить, что на приведенных графиках прогнозные значения сохраняют общую тенденцию развития (линейный тренд), так как уравнение регрессии построено на основе линейных аппроксимаций. Для построения более адекватных моделей может использоваться, например, экспоненциальная аппроксимация.
Завершающим этапом является процесс выделения территорий в классы за счет близости в среднем их показателей. Кластеризация объектов позволяет выдвигать гипотезы об уровне развития
2015
74 000
наркоситуации в том или ином х субъекте региона. Демонстрация результатов работы алгоритма автоматической классификации методом "К-средние" приведена на рисунке 4. Субъекты СФО объединены в компактные классы размерностью 3 на основе нормированных (на 100 тыс. населения) данных медико-биологического блока за 2014 г.
Принцип объединения субъектов в классы основывается на различии средних значений в группах признаков и компактности близких точек вокруг центров заданного количества кластеров (рис. 5).
Используемый в расчетах состав факторов медико-биологического блока следующий:
количество взятых под наблюдение лиц с синдромом зависимости от наркотических средств (наркомания) и потребителей наркотических средств;
количество состоящих под наблюдением лиц с синдромом зависимости от наркотических средств (наркомания) и потребителей наркотических средств;
количество выездов бригад "скорой помощи" на случаи острых отравлений наркотиками;
количество смертельных случаев от отравления наркотическими средствами и психотропными веществами;
количество лиц с диагнозом наркомания, снятых с наблюдения в связи со смертью;
количество зарегистрированных потребителей инъекционных наркотиков.
Результаты кластеризации субъектов СФО, представленные на рисунке 5, позволяют сделать вывод о составе групп территорий с "низким" уровнем наркотизации населения (3 класс) и "высоким" (2 класс).
2010
2011
2012
2013
2014
2015
год
Учтенная распространенность наркомании — 4— Регрессия
-Линейная (Учтенная распространенность наркомании)
Рис. 3. График действительных и прогнозных значений учтенной распространенности наркомании на 2015 г.
Рис. 4. Классификация субъектов СФО по группе факторов медико-биологического блока в 2014 г.
Можно выделить классы в пространстве всех факторных признаков, при этом результат классификации будет отличаться (рис. 6). Многое зависит от состава факторных признаков и настройки параметров кластеризации, как правило, они определяются экспериментальным способом.
;Ю00,00
I
ш и
100,00
10,00
1,00
/ \ч / / Л ' £ / г
л V. Я ' \\\ V \ > 4 / / / / / / ! / ! / ! £ / / ' д
\л
1 фактор 2 фактор 3 фактор 4 фактор 5 фактор >■ 1 кластер 2 кластер А 3 кластер
6 фактор
Рис. 5. Средние значения показателей медико-биологического блока, представленные в логарифмической шкале в 2014 году
Рис. 6. Классификация субъектов СФО по всем группам факторов в 2014 году
Таким образом, комплексное исследование статистических показателей состояния наркоситуации в регионе предполагает несколько этапов, ключевыми задачами которых являются оценка взаимосвязи признаков, факторный анализ, построение моделей динамики и прогнозирование.
Решение этих задач возможно только на основе системного анализа объекта исследования, владения методами статистической обработки данных, компьютерного моделирования и аналитического мышления.
Библиографический список
1. Березовская, М.А. Косвенные методы оценки распространенности немедицинского потребления наркотиков / М.А. Березовская, Т.В. Коробицина, А.С. Шерстяных // Вестник Сибирского юридического института ФСКН России. - 2014. - № 4(17). -С. 106-110.
2. Молоков, В.В. Агломеративный подход к оценке уровня наркоситуации и прогнозирования ее динамики / В.В. Молоков // Актуальные проблемы профилактики наркомании и противодействия правонарушениям в сфере легального и незаконного оборота наркотиков: национальный и международный уровни : материалы XVII научно-практической конференции (17-18 апреля 2014 г.) : в 2 ч. / отв. ред. И.А. Медведев. - Красноярск: СибЮИ ФСКН России, 2014. - Ч. 1. - С. 231-234.
3. Молоков, В.В. Многофакторная оценка и прогнозирование уровня наркоситуации / В.В. Молоков // Вестник Сибирского юридического института ФСКН России. - 2014. - № 3 (16). - С. 122-126.
4. Молоков, В.В. Модульно-статистический анализ состояния преступности / В.В. Молоков, Р.Ж. Мурадимов // Сборник научных трудов SWorld. Материалы международной научно-практической конференции "Современные направления теоретических и прикладных исследований 2012". Выпуск 1. - Одесса: КУПРИЕНКО, 2012. - ЦИТ: 112-554. - Т. 4. - С. 26-28.
5. Паспорт наркоситуации Сибирского федерального округа и его субъектов в 20102014 гг. / Управление аппарата ГАК по СФО. - Новосибирск, 2015.
