Криминологическое прогнозирование преступности и преступного поведения

Выделяют три вида криминологического прогнозирования: 1) прогнозирование развития науки криминологии, конкретных ее направлений и криминологических исследований; 2) прогнозирование (или научное предвидение) вероятностных изменений тенденций и закономерностей преступности, отдельных ее видов; 3) прогнозирование индивидуального преступного поведения.

В основе прогнозирования лежат три взаимодополняющих источника информации о будущем: оценка будущего состояния прогнозируемого явления на основе опыта, чаще всего при помощи аналогии с известными сходными явлениями и процессами; условное продолжение в будущее (экстраполяция) тенденций, закономерности развития которых в прошлом и настоящем достаточно хорошо известны; модель будущего состояния явления, процесса, построенная сообразно ожидаемым или желательным изменениям ряда условий, перспективы развития которых известны достаточно хорошо.

Инструментарий прогностики - научной дисциплины о закономерностях разработки прогнозов, насчитывает порядка 26 базовых методов (всего их свыше 150), процедур, приемов прогнозирования. Например, известны методы исторической, биологической и математической аналогии.Применение аналогии – общепринятый и естественный способ мышления. Выводы по аналогии вообще – это выводы, в которых посылки относятся к одному объекту (модели), а заключения – к другому(прототипу).

В криминологической литературе упоминается еще меньшее число конкретных методик прогнозирования преступности и преступного поведения. Базисными, на наш взгляд, являются следующие дополняющие друг друга три метода разработки прогнозов: экстраполирование, моделирование и опрос экспертов.

Прогноз - модель будущего состояния и других характеристик того или иного явления. В основе прогнозирования преступности (деятельности по формированию прогноза) лежит изучение тенденций и закономерностей развития этого явления в тех или иных условиях. Зная характер условий, или предвидя развитие их в перспективе, мы можем прогнозировать вероятностные изменения тенденций и закономерностей определенных видов преступности. Знание этих закономерностей может быть положено в основу программы социально-экономического развития региона, плана противодействия и предупреждения преступности.

Основы прогнозирования преступности были заложены математиком, одним из отцов судебной статистики, бельгийским исследователем А.Ж. Кетле (1796-1874), который одним из первых подметил регулярность совершения преступлений и постоянство их числа, когда заявил, что “существует бюджет, который выплачивается поистине с ужасающей аккуратностью и правильностью. Это - бюджет тюрем, рудников и эшафотов... Мы можем предвидеть или рассчитать заранее, сколько индивидуумов обагрят свои руки кровью сограждан, сколько человек станет мошенниками, сколько - отравителями; мы можем это сделать с такой же точностью, с какой мы предсказываем количество смертных случаев и рождений в ближайший год…”. Далее он сказал, что “это наблюдение указывает на возможность улучшения людей посредством изменения учреждений, привычек, состояния образованности и вообще всего, что имеет влияние на их быт”[19]. Этим высказыванием впервые была подчеркнута связь преступности с условиями социальной жизни.

Различают следующие виды прогнозов: краткосрочные (до 1 года); среднесрочные (от 1 года до 5 лет); долгосрочные (свыше 5 и до 15 лет), дальнесрочные (свыше 15 лет).

Наиболее распространенный метод краткосрочного прогнозирования преступности - метод экстраполяции (метод наименьших квадратов). Основу экстраполяционных методов прогнозирования составляет изучение временн ы х рядов. Схема экстраполяции базируется на предположении о сохранении в будущем прошлых и настоящих тенденций (динамики) развития объекта прогноза[20]. Следующим из известных методов, нашедших применение в практических исследованиях, является метод графической оценки линейной регрессии для ряда равноудаленных наблюдений [21].

Основной инструмент любого прогноза - схема экстраполяции, которая базируется на предположении о сохранении в будущем прошлых и настоящих тенденций развития объекта прогноза. При прогнозной экстраполяции фактическое развитие увязывается с гипотезами о динамике исследуемого процесса.

Основу экстраполяционных методов прогнозирования составляет изучение временных рядов следующего вида: y_t = x_t+ ε_t, где t – время; x_t (тренд) – детерминированная неслучайная компонента, характеризующая существующую динамику развития процесса в целом; ε_t - стохастическая компонента процесса, отражающая случайные колебания или шумы процесса. Напомним, стохастическим называют явление, переход которого из одного состояния в другое не может быть достоверно указан на основе информации о его исходном состоянии и последующем преобразовании.

Задача прогноза состоит в определении вида экстраполирующих функций x_t и ε_t на основе исходных эмпирических данных. Первым этапом экстраполяции тренда является выбор оптимального вида функции, описывающей эмпирический ряд. Следующим этапом – расчет параметров выбранной экстраполяционной функции.

В практических исследованиях в зависимости от соотношения между изменениями входной и выходной величин в качестве модели тренда в основном используют функции: линейную (y = ax + b), квадратичную (y = ax² + bx + c), степенную (y = x^a), показательную (y = a^x), экспоненциальную (y = e^x), логистическую (y = a/(1 + be^-ex) - кривая Перла)[22].

Так, если выполнено условие = = const,

или Δ x /Δ y = (y t – y t-1)/(x t – x t-1) = const,то принимается линейная модель y = a_o+a₁x, где a_o, a₁ - параметры модели – коэффициенты, определяемые по методу наименьших квадратов. Далее,

если Δln y /Δlg x = const, то принимается степенная модель у = a₀x^a1;

если Δln y /Δln x = const, то принимается показательная модель у = a₀a^1x;

еслиΔ y² /Δ x² = const, то y = a₀+ a₁x + a₂x²; еслиΔ(x / y)/Δ x = const, то y = x / a₀+ a₁x.

Сущность метода наименьших квадратов состоит в отыскании параметров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда, то есть сумма квадратов отклонений стремится к минимуму:

min,

где - расчетные значения исходного ряда; = f (x_t; a₁, a₂,…, a_k, t); y_t - фактические значения исходного ряда; n - число наблюдений.

Классический метод наименьших квадратов предполагает равноценность исходной информации в модели. В реальной практике будущее поведение процесса в значительно большей степени определяется поздними наблюдениями, чем ранними.

Это обстоятельство породило так называемое дисконтирование, то есть уменьшение ценности более ранней информации. Его можно учесть путем введения в модель тренда некоторых весов ρ_t< 1. Тогда → min (t = 1, 2, 3, …, n).

Весовые коэффициенты могут задаваться заранее в числовой форме или в виде функциональной зависимости таким образом, чтобы по мере продвижения в прошлое веса убывали, например, ρ_t= a^t, где a< 1. К сожалению, формальных процедур выбора параметра не разработано, и он выбирается исследователем произвольно.

Метод наименьших квадратов широко применяется для получения конкретных прогнозов, что объясняется его простотой и легкостью реализации на вычислительной технике (компьютере). Недостаток метода в том, что с его помощью можно получить надежный прогноз на небольшой период упреждения. Поэтому он относится главным образом к методам краткосрочного прогнозирования. Кроме того, существенной трудностью его является правильный выбор вида модели, а также обоснование и выбор весов во взвешенном методе наименьших квадратов.

Для того чтобы упростить оценку параметров зависимостей методом наименьших квадратов, предлагаем воспользоваться более эффективным методом графической оценки линейной регрессии для равноудаленных наблюдений. Равноудаленными наблюдениями для криминолога могут послужить, например, годовые показатели уровня преступности за пятилетний период или ежемесячные данные по конкретному виду преступлений в течение определенного числа месяцев текущего года.

Эффективный метод: ГРАФИЧЕСКАЯ ОЦЕНКА ЛИНЕЙНОЙ РЕГРЕССИИ
ДЛЯ РЯДА РАВНОУДАЛЕННЫХ НАБЛЮДЕНИЙ [23]

1. Нанесем N наблюдений на график и обозначим точки через P₁, P₂,…, P_N. Допустим, что интервал между ними равен h.

2. Построим ряд ординат Q₁, Q₂,…, Q_N на расстоянии 2/3 h, при этом Q₁ проходит через P₁.

3. Обозначим точку пересечения отрезка P₁P₂ с ординатой Q₂ через A₂, точку пересечения A₂P₃ и Q₃ – через A₃,…, точку пересечения A_N-1P_N и Q_N – через A_N.

4. Проведем расчеты в обратном порядке. Начиная с P_N, построим ряд точек B_N-1,
B_N-2, …,B₁, которые расположены на пересечении с ординатами Q'_N-1, Q'_N-2, …, Q'₁.

5. Линия регрессии (по методу наименьших квадратов) есть B₁A_N.

Эффективность метода порядка 100 процентов; работает быстрее обычного.

В реальной практике будущее поведение процесса совершаемости преступлений в значительно большей степени определяется поздними наблюдениями, чем ранними. Если условия в регионе в последнее время резко не изменились, то по данным наблюдений внутри интервала (конкретного периода регистрации деяний) можно определить значение (уровень преступности) вне интервала.

Благоприятные изменения преступности обычно проходят несколько стадий: уменьшение темпов роста, стабилизация, снижение. Каждая из них, как правило, длится не менее года, и порою приобретает устойчивый характер, затягивается на несколько лет.

Метод экспертных оценок - опрос мнения специалистов: каким будет изменение того или иного явления в перспективе и на чем основывается их предположение. Мнение эксперта оценивается по достаточности аргументов и их характеру, по непротиворечивости выводов, по степени квалификации эксперта и предыдущему опыту прогнозирования (насколько соответствовали реальности его предыдущие прогнозы). В отдельных случаях данные экспертных оценок усредняются для того, чтобы нивелировать те или иные случайные отклонения. Итоговый прогноз может быть сделан на основе мнения большинства или на основе мнения наиболее авторитетного эксперта (по усмотрению исследователя).

В основе прогнозирования индивидуального преступного поведения - анализ личности конкретного человека, изучение закономерностей его поведения, особенностей реакции на определенные обстоятельства.Прогнозирование методом экстраполяции основано здесь на сходности поведенческих реакций в похожих условиях. Конечно, личность совершившего преступное деяние человека может измениться, а соответственно будут меняться и реакции. Но процесс этот обычно носит длительный характер, и поэтому погрешность при кратковременном прогнозировании будет невелика.

При прогнозировании индивидуального преступного поведения наиболее эффективен метод экспертных оценок[24]. Он же основной и при криминологическом прогнозировании в процессе принятия решений по уголовному делу(освобождения от уголовного наказания, назначение меры наказания). При прогнозе индивидуального преступного поведения применяют также методымоделирования.

Так, в работе А. П. Иващенко для прогнозирования рецидива преступлений со стороны лиц, освобождаемых из учреждений уголовно-исполнительной системы, использовалась несложная прогностическая модель:

P = Σ a_ix_i, где i= 1, 2, 3,..., 30; x_i - конкретные значения признаков-индикаторов;
a_i - коэффициенты информативности этих признаков[25]. Сложность - в отборе и балльной оценке характеризующих личность рецидивиста признаков и выявлении связей между их совокупностью и степенью вероятности рецидива преступлений после освобождения.

Иной подход в изучении рецидивнойпреступности выбран В. А. Минаевым, который с помощью метода экстремальной группировки параметров выделил три существенных признака: отношение суммарного реально отбытого срока наказания в виде лишения свободы к суммарному сроку, назначенному по приговору судов: более или менее ¾ срока наказания; возраст на момент последнего освобождения: до или свыше 30 лет; суммарный реальный срок нахождения в местах лишения свободы: более или менее трех лет.

С помощью существенных признаков автор выделил шесть групп и подсчитал для них коэффициент криминальной активности, равный отношению доли рецидивистов данной группы в общем количестве рецидивистов среди освобожденных к доле, которую составляет численность группы в общем количестве освобожденных. Наибольшей криминальной активностью, как выяснилось, обладают лица в возрасте до 30 лет, отбывшие суммарно свыше ¾ срока наказания.

Данный оригинальный подход применим к общему и специальному рецидиву, но сложность его внедрения в том, что в первичных электронных (машинных) документах не заложены данные о суммарных сроках наказания, назначенных по приговорам судов и реально отбытых в местах лишения свободы.

Вероятность совершения преступлений повышают криминогенные качества (раза в 2-3) и криминогенные обстоятельства. Выявив у человека криминогенные качества, можно делать прогноз вероятности (P) совершения им преступного деяния. Допустим, если криминогенных качеств не более трех, преступление маловероятно (P < 0,3); если от трех до семи - преступление вероятно (0,3 ≤ P ≤ 0,7); свыше семи – преступное деяние весьма вероятно (1,0 ≥ P > 0,7).

Следует подчеркнуть, что криминологический прогноз носит вероятностный характер, и в отношении любого человека нельзя со стопроцентной гарантией сказать, что он совершит или наоборот не совершит преступление. Поэтому на основе прогноза можно делать выводы лишь о необходимости принятия эффективных и результативных мер воспитательного характера (не карательных).

Диапазон криминолого-прогностических исследований широк: прогнозирование преступности, группового и индивидуального преступного поведения; прогнозирование развития системы органов, осуществляющих противодействие преступности и профилактическую деятельность; прогнозирование результатов работы, рассчитаннойна будущее, и перспектив развития самих прогностических исследований. Решение перечисленных проблем требует совершенствованиясуществующих и разработки новых методов и методик, а также усвоения их в процессе профессиональной подготовки магистрантов и аспирантов, выпускников юридических высших учебных заведений.