7. 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 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. В криминологической литературе упоминается еще меньшее число конкретных методик прогнозирования преступности и преступного поведения. Базисными, на наш взгляд, являются следующие три дополняющие друг друга метода разработки прогнозов: опрос (анкетирование, интервьюирование) экспертов, экстраполирование и моделирование. 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 или плана предупреждения преступлений. 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” Этим высказыванием впервые была подчеркнута связь преступности с условиями социальной жизни.Различают следующие виды прогнозов: краткосрочные (до года); среднесрочные (от года до пяти лет); долгосрочные (свыше пяти лет). Наиболее распространенным методом краткосрочного прогнозирования преступности является метод экстраполяции (метод наименьших квадратов). Основу экстраполяционных методов прогнозирования составляет изучение временных рядов. Схема экстраполяции базируется на предположении о сохранении в будущем прошлых и настоящих тенденций (динамики) развития объекта прогноза. Следующим из известных методов, нашедших применение в практических исследованиях является метод графической оценки линейной регрессии для ряда равноудаленных наблюдени. Основным инструментом любого прогноза является 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. 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 качестве модели тренда в основном используют линейную, квадратичную, степенную, показательную, экспоненциальную и логистическую функции в зависимости от соотношения между изменениями входной и выходной величинТак, если выполнено условие то принимается линейная модель y=a_o+a₁x, где a_o, a₁ - параметры модели – коэффициенты, определяемые по методу наименьших квадратов.Сущность метода наименьших квадратов состоит в отыскании параметров модели тренда, минимизирующих ее отклонение от точек исходного временного ряда, то есть

 - расчетные значения исходного ряда;

- 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, т.е. уменьшение ценности более ранней информации. Его можно учесть путем введения в модель тренда некоторых весов ρ_t < 1. Тогда

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 произвольно. Метод наименьших квадратов широко применяется для получения конкретных прогнозов, что объясняется его простотой и легкостью реализации на вычислительной технике (ПК, ЭВМ). Недостаток метода состоит 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 9 месяцев текущего года.