CC BY
34
Ш. Х. Гонов,
кандидат технических наук, Академия управления МВД России
Н. Н. Пестов,
Б. А. Торопов,
кандидат юридических наук, кандидат технических наук, доцент, Академия управления доцент, Академия
МВД России
управления МВД России
АНАЛИЗ СОСТОЯНИЯ ПРЕСТУПНОСТИ В СФЕРЕ ПАССАЖИРСКИХ ПЕРЕВОЗОК НА ЖЕЛЕЗНОДОРОЖНОМ
ТРАНСПОРТЕ
ANALYSIS OF THE STATE OF CRIME IN THE FIELD OF PASSENGER RAIL TRANSPORT
В статье анализируется состояние преступности в сфере пассажирских перевозок на железнодорожном транспорте. Построены регрессионные модели, отражающие состояние оперативной обстановки в подвижном составе. Показано, что увеличение количества сопровождаемых поездов, приведет к росту инициативно выявляемых преступлений, что положительно скажется на общем состоянии оперативной обстановки в поездах.
The state of crime in the field of passenger rail transport is considered in the paper. Regression models have been built that reflect the state of the operational environment in the rolling stock. It is shown that an increase in the number of escorted trains will lead to an increase in crimes detected on an initiative basis, which will have a positive effect on the general state of the operational situation in trains.
Введение. В современных условиях функционирования органов внутренних дел основным инструментом в информационно-аналитической работе является математическое моделирование [1]. Применение инструментальных и математических методов и моделей в аналитической работе нашло свое применение в различных задачах: анализа оперативной обстановки [2], информационного противодействия преступности, анализа социальных сетей [3] и др. Вместе с тем основным направлением аналитической работы в практической деятельности является анализ состояния преступности [4], а также ее прогнозирование [5].
Основным инструментарием анализа данных в соответствии с приказом МВД России от 26.09.2018 № 623 «Вопросы организации информационно-аналитической работы в управленческой деятельности органов внутренних дел Российской Федерации»
являются методы многофакторного моделирования, статистической экстраполяции временного ряда и экспертных оценок. Но в современных реалиях акценты в аналитической работе все чаще смещаются в сторону применения методов Big Data, таких как нейронные сети, машинное обучение и т.д. [6—10].
Исследование основных структурно-динамических характеристик преступности на транспорте показало, что в данной сфере сохраняется сложная оперативная обстановка. Высокие темпы роста преступности в 2004—2007 гг. сменились вполне закономерным снижением регистрируемого показателя и последующей стабилизацией временного ряда. Имевшее место на протяжении нескольких лет (2008—2016) уменьшение количества зарегистрированных преступлений ни в коей мере не ослабило напряженности криминальной ситуации. В последние годы (2016—2018) стагнация регистрируемого показателя сменяется отчетливой тенденцией к росту. Такая же тенденция прослеживается и по преступлениям в сфере пассажирских перевозок.
Наблюдающийся в последние три года рост регистрации преступлений сопровождается и ростом доли нераскрытых преступлений, которая на сегодняшний день сопоставима с относительно высоким показателем 2007—2008 годов, при том что текущий уровень зарегистрированных преступлений почти вдвое ниже, чем на тот период. Снижение показателя раскрываемости почти в 2 раза — c 60 % в 2008 году до 31% в 2018 г. — вызывает серьезную озабоченность. По сравнению с 2000 годом показатель снизился более чем втрое (с 92,5%).
Результаты работы подразделений патрульно-постовой службы полиции (далее — ППСП) позволяют судить об эффективности использования сил и средств в выявлении и раскрытии преступлений. За наблюдаемый период времени произошло существенное сокращение количества сотрудников ППСП с 12,3 тыс. в 2000 г. до 7,7 тыс. в 2018 г. Вследствие этого вполне закономерным является факт снижения удельного веса сопровожденных поездов в общем количестве поездов, проследовавших по территории обслуживания (таблица).
Удельный вес сопровожденных поездов
Год Удельный вес сопровожденных Среднесуточная Количество Количество адм.
поездов численность преступлении,
Всего Дальнего Пригородного сотрудников, приходящихся правонарушений, приходящихся на одного сотрудника ППСП
следования сообщения выделявшихся на одного со-
для сопровождения поездов трудника ППСП
2006 34,6 38,3 33,2 2052 6,58 352,24
2007 35,0 39,3 33,2 2284 6,89 309,02
2008 35,9 39,6 34,5 2210 7,21 226,63
2009 36,4 40,5 35,0 2087 6,37 193,57
2010 36,9 39,8 35,9 1940 5,32 164,04
2011 24,6 19,6 26,9 1570 4,88 141,83
2012 21,7 20,8 22,0 1167 3,95 131,85
2013 22,0 18,8 23,3 1141 3,56 117,81
2014 19,7 18,5 20,2 1112 3,80 122,62
2015 19,0 18,9 19,0 924 3,95 120,55
2016 16,0 17,2 15,4 1066 3,43 102,88
2017 19,1 20,0 18,7 949 3,73 98,96
2018 19,7 19,3 19,9 958 3,89 93,46
Закономерны и следующие тенденции: количество преступлений, приходящихся на одного сотрудника снижается, как и количество пресекаемых административных правонарушений. В рассматриваемом случае эти тенденции отнюдь не свидетельствуют об оздоровлении криминогенной обстановки на железнодорожном транспорте, а скорее служат индикатором недостаточности ресурсов, выделяемых на правоохранительную деятельность в этой сфере. Такой вывод можно сделать, опираясь также на то, что регистрируемая преступность показывает локальную тенденцию к росту на фоне незначительного, но сокращения личного состава в последние три года.
Предварительный анализ наличия взаимозависимостей между показателями. Эмпирической базой построения модели влияния количественных показателей деятельности по сопровождению железнодорожного транспорта на состояние преступности выступали статистические данные Управления на транспорте (далее — УТ) по ЦФО и СЗФО, а также суммарные данные по всем УТ МВД России по федеральным округам Российской Федерации.
На первом этапе исследования для установления силы взаимозависимостей был проведен корреляционный анализ следующих показателей: количество поездов, проследовавших по территории обслуживания (Х1); в т.ч. — сопровождено (Х2); среднесуточная численность сотрудников, выделявшихся для сопровождения поездов (Хз); количество поездов дальнего следования, проследовавших по территории обслуживания (Х4); в т.ч. — сопровождено (Х5); среднесуточная численность сотрудников, выделявшихся для сопровождения поездов дальнего следования (Хб); количество пригородных поездов, проследовавших по территории обслуживания (Х7); в т.ч. — сопровождено (Хб); среднесуточная численность сотрудников, выделявшихся для сопровождения пригородных поездов (Х9); количество преступлений, уголовные дела о которых находились в производстве, из зарегистрированных в отчетном периоде (Х10); предварительно расследованных преступлений в отчетном периоде (Х11); уголовные дела о которых приостановлены по п.п.1—3 ч.1 ст. 208 УПК РФ (Х12); выявлено лиц, совершивших преступления (Х1з); количество преступлений, уголовные дела о которых находились в производстве в сфере пассажирских перевозок (местного, пригородного сообщения), зарегистрированных в отчетном периоде (Х14); предварительно расследованных преступлений в отчетном периоде (Х15); уголовные дела о которых приостановлены по п.п.1—3 ч. 1 ст. 208 УПК РФ (Х16); выявлено лиц, совершивших преступления (Х17); количество пресеченных правонарушений (Х18); в т.ч. сотрудниками ППС (Х19).
По результатам корреляционного анализа в виде матрицы парных коэффициентов линейной корреляции Пирсона исследована 171 пара, сформированная из 19 исходных показателей. Каждая пара показателей показала достаточно выраженную прямую взаимозависимость. Значения коэффициентов корреляции в пределах от 0,70 до 0,99. Наиболее высокие уровни корреляции с другими наблюдаются у показателей, связанных с количеством дел, находившихся в производстве, количеством сопровожденных поездов и сотрудников, выделявшихся для их сопровождения. Наименьшую коррели-рованность с другими продемонстрировал показатель Х16.
Таким образом, гипотеза о наличии влияния количества сопровождаемых поездов на состояние преступности предварительно подтвердилась. Следующий этап исследования направлен на выявление формы взаимозависимостей между рассматриваемыми показателями.
Методика построения моделей взаимозависимости. Учитывая высокую степень линейной коррелированности показателей, в качестве основного инструмента для построения моделей взаимозависимости были выбраны линейные регрессионные модели. В обобщенном виде линейная модель, в которой учитываются внешние факторы (хД представлена выражением
У = р0+^4=1р]х]+г, (1)
где во, в), — оцениваемые коэффициенты модели, е — случайная компонента.
Для исследования показателя количества совершенных преступлений будем использовать следующую методику. На первом этапе осуществляется сбор и предварительная обработка данных, включая факторы внешней среды и ресурсного обеспечения, а также формулирование гипотез о наличии статистической связи между показателями. На втором этапе производится построение регрессионной модели анализа. На третьем этапе производится выбор наилучшей модели на основе критерия А1С или коэффициента детерминации.
Моделирование. На первом этапе моделирования построено поле корреляции по показателю Х10, наибольшее значение получено по показателю Х9 (0,98), а наименьшее по Х1 (0,89). Полученные результаты показывают наличие высокой корреляционной связи между показателями, характеризующими развитие преступности в транспортной сфере и показателями деятельности полиции, такими как количество сопровожденных поездов и численность сотрудников полиции. Линейная регрессионная модель зависимости регистрируемой преступности от количества сопровожденных поездов по России (МШ) приведена на рис. 1.
80000 У = 0,0504х + 1555
70000 -R2 = 0,9026 • %
60000 50000 40000 30000 20000 10000 0
0 500000 1000000 1500000
Рис. 1. Модель Мё1; У — зарегистрировано преступлений в отчетном периоде, X — количество сопровожденных поездов
Коэффициент в1 = 0,0504 свидетельствует о том, что на каждые 100 сопровожденных поездов приходится в среднем 5 зарегистрированных преступлений.
На рис. 2 приведена линейная модель зависимости регистрируемой преступности от среднесуточной численности сотрудников, выделенных для сопровождения поездов (Ма2).
•,
80000
70000 y = 29.414x + 1°93.3 ,
60000 R2 = 09448 50000
40000 ""
30000 ..••
20000 10000 0
0 500 1000 1500 2000 2500
Рис. 2. Модель Md2: Y — зарегистрировано преступлений в отчетном периоде, X — среднесуточная численность сотрудников, выделявшихся для сопровождения
поездов
Коэффициент ßi = 29,414 показывает, что с увеличением среднесуточной численности сотрудников, выделяющихся для сопровождения поездов, на 1 в среднем на 29 растет регистрируемая преступность.
Ниже (рис. 3) приведена модель зависимости количества предварительно расследованных преступлений из числа находящихся в производстве от численности сотрудников, выделяющихся для сопровождения поездов (Md3).
60000
Y = 45,612x -3165,7 R2 = 0,9394
50000
40000
30000
• 9..-Ч
20000
10000 0
0 200 400 600 800 1000 1200 1400
Рис. 3. Модель Мё3; У — предварительно расследованных преступлений из числа находящихся в производстве, X — среднесуточная численности сотрудников, выделявшихся для сопровождения поездов
Коэффициент 45,612 говорит о примерно 46 преступлениях, предварительно расследуемых на единицу среднесуточного личного состава. Может показаться странным, что этот коэффициент существенно превышает 29 регистрируемых на одного сотрудника.
Подобные по форме и силе связи зависимости от количества сотрудников полиции, несущих службу по сопровождению поездов, наблюдаются и у других показателей. Так, доля предварительно расследованных преступлений возрастает при увеличе-
нии среднесуточного количества сил ППСП, что подтверждается для поездов как дальнего следования (модель Md4), так и пригородного сообщения (модель Md5).
У приведенных моделей весьма высокая объясняющая способность. Так, у модели Md1 коэффициент Я2 равен примерно 0,90, то есть она объясняет 90% вариативности исследуемого показателя У (уровень преступности). У модели Md2 объясняющая способность находится на уровне примерно 94% (Я2 ~ 0,94) Подобные значения коэффициентов Я2 для исследований в социальных и экономических системах считаются весьма большими. У моделей Md3, Md4, Md5 коэффициенты R2 также велики: 0,94, 0,77 и 0,86 соответственно.
На следующем этапе моделирования были построены множественные регрессионные модели, обобщенный вид которых приводился в выражении (1). Ясно, что визуальное отображение этих моделей невозможно в силу многомерности. Ниже приведены некоторые модели, обладающие наиболее высокой объясняющей способностью.
У = -561,7 + 32,2 • х3 + 0,2 • х18 - 0,1 • х19 - 0,7 • х20, (2)
где У — зарегистрировано преступлений в отчетном периоде, х20 — численность сотрудников, включенных в планы единой дислокации по обеспечению правопорядка на улицах и в иных общественных местах.
Исходя из полученных данных можно сделать вывод о влиянии на преступность на объектах транспорта следующих факторов:
1. Увеличении численности сотрудников ППС приводит к росту количества выявляемых преступлений;
2. Увеличении количества выявляемых административных правонарушений сотрудниками ППСП приводит к снижению количества выявляемых преступлений.
3. Снижение плотности нарядов ППСП приводит к увеличению преступности на объектах транспорта.
Далее рассмотрим механизм оценки преступности в сфере пассажирских перевозок: У = 8 + 0,004 • х2 - 1,4 • х3 + 0,0004 • х18. (3)
Полученные данные по модели (3) позволяют сделать вывод о влиянии на преступность в сфере пассажирских перевозок следующих факторов:
1. Увеличении количества сопровождаемых сотрудниками ППС поездов приводит к росту количества выявляемых преступлений в подвижном составе.
2. Увеличение численности сотрудников, выделявшихся для сопровождения поездов, приводит к уменьшению количества выявляемых преступлений в подвижном составе.
3. Увеличение количества выявляемых административных правонарушений приводит к увеличению количества выявляемых преступлений в подвижном составе.
Интерпретация коэффициентов множественных регрессионных моделей более сложна, чем для парных моделей. Так, в модели (3) коэффициент при среднесуточном количестве сотрудников, выделяемых для сопровождения поездов, отрицательный. Ранее нами было показано, что с увеличением их количества растет и количество регистрируемых преступлений на обоих видах сообщения (модели Мё2 и Мё4). Дело в том, что в модели (3) увеличение количества сотрудников приводит к уменьшению количества преступлений лишь на фоне неизменного количества сопровождаемых поездов и пресекаемых правонарушений. Диалектика интерпретации этой модели заключается в том, что при увеличении количества сотрудников скорее всего возрастут и другие два показателя, что в конечном итоге приведет к росту количества регистрируемых преступлений.
Заключение. Обеспечение правопорядка на объектах транспорта и в других общественных местах является одним из основных направлений деятельности территориальных органов МВД России на транспорте. Наиболее важная роль в реализации этой задачи принадлежит ППСП.
Проведенное исследование системы патрульно-постовой службы полиции УТ показало, что значительное сокращение численности сотрудников ППС, снижение количества сопровождаемых поездов, а также уменьшение плотности нарядов негативно сказываются на состоянии оперативной обстановки в подвижном составе.
Корреляционный анализ данных, характеризующих с одной стороны, результаты деятельности полиции по сопровождению подвижного состава, с другой стороны, регистрируемую преступность, показал существенную взаимозависимость между практически всеми показателями, за исключением количества приостановленных дел.
По результатам полученных сведений о наличии таких взаимозависимостей и линейности их характера были построены парные регрессионные модели МШ—М^5, а также модели множественной регрессии (2) и (3). Основные результаты регрессионного анализа нижеследующие.
Увеличение количества сопровождаемых поездов, как дальнего следования, так и пригородных, приведет к неизбежному росту регистрируемых противоправных деяний, что показано моделью МШ. Однако с учетом имеющихся негативных тенденций регистрации преступлений и правонарушений на железнодорожном транспорте (рис. 1, рис. 2, рис. 3) значительное их количество будет относиться к той части, которая на сегодняшний день в условиях недостаточности выделяемых сил и средств, а следовательно, и количества сопровождаемых поездов остается в латентном поле.
С увеличением количества сотрудников ППСП, задействованных в сопровождении железнодорожного транспорта, также возрастает и количество регистрируемых преступлений, как в поездах дальнего следования (Мй2), так и пригородных направлений (Мй4). Рост количества зарегистрированных преступлений с ростом количества сил полиции — известный в криминологии феномен, значительная часть этих преступлений будет относиться к инициативно выявляемым. Заметим, что тот предел, до которого рост количества сил полиции составляет общественное благо, не являлся предметом настоящего исследования. Однако негативные тенденции роста регистрируемой преступности на железнодорожном транспорте на фоне снижения количества сопровождаемых поездов и сопровождающих их сотрудников ППС позволяют говорить о том, что на сегодняшний день силы и средства, выделяемые для сопровождения подвижного состава, недостаточны для полноценного решения задач охраны общественного порядка и организации общественной безопасности.
Кроме того, рост количества сил ППС, задействованных в сопровождении железнодорожного транспорта благотворно сказывается на общем количестве предварительно расследованных преступлений из числа находящихся в производстве, что показано на примере моделей МШ — для поездов дальнего следования, М^5 — для поездов пригородного сообщения. Кроме роста абсолютного количества предварительно расследованных преступлений при увеличении среднесуточного количества сотрудников, сопровождающих поезда, наблюдается и рост раскрываемости — доли предварительно расследованных преступлений из числа находящихся в
производстве. Данный показатель, пусть и не бесспорный, на сегодня является одним из основных индикаторов эффективности правоохранительной деятельности в целом.
ЛИТЕРАТУРА
1. Клушин О. З. Прогнозирование — познавательная функция управления // Труды Академии управления МВД России. — 2010. — № 2(14). — С. 75—79.
2. Холостов К. М. Современные информационные технологии в задачах моделирования и анализа оперативной обстановки // Вестник компьютерных и информационных технологий. — 2020. — Т.17. — № 2(188). — С. 41—52.
3. Математические методы в правоохранительной деятельности: вопросы противодействия экстремизму в социальных сетях / А. П. Суходолов [и др.] // Всероссийский криминологический журнал. — 2018. — Т.12. — № 4. — С. 468—475.
4. Лунеев В. В., Мацкевич И. М., Нечевин Д. К. Проблемы отечественной преступности: статистика и реалии // Евразийский юридический журнал. — 2011. — №1 (32). — С. 103—116.
5. Федоров А. Ф. Прогнозирование региональной преступности как основа для принятия управленческих решений в ОВД // Актуальные проблемы борьбы с преступлениями и иными правонарушениями. — 2019. — № 19-2. — С. 34—36.
6. Albo J. F. A. А survey of research into artificial neural networks for crime prediction // Перспективы науки. — 2019. — № 5(116). — С. 33—40.
7. Big Data как современный криминологический метод изучения и измерения организованной преступности / А. П. Суходолов [и др.] // Всероссийский криминологический журнал. — 2019. — Т.13. — № 5. — С. 718—726.
8. Болтачев Э. Ф., Россихина Л. В. Методы машинного обучения для определения эффективности использования кадровых ресурсов органами внутренних дел // Вестник Воронежского института ФСИН России. — 2019. — № 2. — С. 54—60.
9. Меньших В. В., Горлов В. В. Разработка модели и алгоритма оптимизации действий территориальных органов МВД России при возникновении массовых беспорядков // Техника и безопасность объектов уголовно-исполнительной системы : сб. материалов международной научно-практической конференции. — Воронеж, 2018. — С. 239—241.
10. Ахлюстин С. Б., Мельников А. В., Черников Д. Н. Моделирование и прогноз обобщенных нелинейных показателей качества элементов интегрированных систем безопасности // Вестник Воронежского института МВД России. — 2019. — № 3. — С. 34—45.
REFERENCES
1. Klushin O. Z. Prognozirovanie — poznavatelnaya funktsiya upravleniya // Trudyi Akademii upravleniya MVD Rossii. — 2010. — # 2(14). — S. 75—79.
2. Holostov K. M. Sovremennyie informatsionnyie tehnologii v zadachah modeliro-vaniya i analiza operativnoy obstanovki // Vestnik kompyuternyih i informatsionnyih tehnologiy. — 2020. — T.17. — # 2(188). — S. 41—52.
3. Matematicheskie metodyi v pravoohranitelnoy deyatelnosti: voprosyi pro-tivodeystviya ekstremizmu v sotsialnyih setyah / A. P. Suhodolov [i dr.] // Vserossiyskiy kriminologicheskiy zhurnal. — 2018. — T.12. — # 4. — S. 468—475.
4. Luneev V. V., Matskevich I. M., Nechevin D. K. Problemyi otechestvennoy prestupnosti: statistika i realii // Evraziyskiy yuridicheskiy zhurnal. — 2011. — #1 (32). — S. 103—116.
5. Fedorov A. F. Prognozirovanie regionalnoy prestupnosti kak osnova dlya prinyatiya upravlencheskih resheniy v OVD // Aktualnyie problemyi borbyi s prestupleniyami i inyimi pravonarusheniyami. — 2019. —# 19-2. — S. 34—36.
6. Albo J. F. A. A survey of research into artificial neural networks for crime prediction // Perspektivyi nauki. — 2019. — # 5(116). — S. 33—40.
7. Big Data kak sovremennyiy kriminologicheskiy metod izucheniya i izmereniya or-ganizovannoy prestupnosti / A. P. Suhodolov [i dr.] // Vserossiyskiy kriminologicheskiy zhurnal. — 2019. — T.13. — # 5. — S. 718—726.
8. Boltachev E. F., Rossihina L. V. Metodyi mashinnogo obucheniya dlya opredeleni-ya effektivnosti ispolzovaniya kadrovyih resursov organami vnutrennih del // Vestnik Voro-nezhskogo instituta FSIN Rossii. — 2019. — # 2. — S. 54—60.
9. Menshih V. V., Gorlov V. V. Razrabotka modeli i algoritma optimizatsii deystviy territorialnyih organov MVD Rossii pri vozniknovenii massovyih besporyadkov // Tehnika i bezopasnost ob'ektov ugolovno-ispolnitelnoy sistemyi : sb. materialov mezhdunarodnoy nauchno-prakticheskoy konferentsii. — Voronezh, 2018. — S. 239—241.
10. Ahlyustin S. B., Melnikov A. V., Chernikov D. N. Modelirovanie i prognoz obob-schennyih nelineynyih pokazateley kachestva elementov integrirovannyih sistem bezopasnos-ti // Vestnik Voronezhskogo instituta MVD Rossii. — 2019. — # 3. — S. 34—45.
СВЕДЕНИЯ ОБ АВТОРАХ
Гонов Шамиль Хасанович. Доцент кафедры информационных технологий. Кандидат технических наук.
Академия управления МВД России.
E-mail: gonov@bk.ru
Россия, 125171, г. Москва, ул. Зои и Александра Космодемьянских, д. 8. Тел. +7 (499) 745-81-21.
Пестов Николай Николаевич. Доцент кафедры управления деятельностью подразделений обеспечения охраны общественного порядка. Кандидат юридических наук, доцент.
Академия управления МВД России.
E-mail: pestov@-nn.yandex.ru
Россия, 125171, г. Москва, ул. Зои и Александра Космодемьянских, д. 8. Тел. +7 (499) 745-81-21.
Торопов Борис Андреевич. Профессор кафедры информационных технологий. Кандидат технических наук, доцент.
Академия управления МВД России
E-mail: torbor@mail.ru
Россия, 125171, г. Москва, ул. Зои и Александра Космодемьянских, д. 8. Тел. +7 (499) 745-81-21.
Gonov Shamil Hasanovich. Assistant Professor of the chair of Information Technologies. Candidate of Engineering sciences.
Management Academy of the Ministry of the Interior of Russia.
E-mail: gonov@bk.ru
Work address: Russia, 125171, Moscow, Zoe and Alexandra Kosmodemyanskikh Str., 8. Tel. +7(499)745-81-21.
Pestov, Nikolai Nikolaevich. Assistant Professor of the chair of Public Order Policing Forces Management. Candidate of Law, Associate Professor.
Management Academy of the Ministry of the Interior of Russia.
92
E-mail: pestov@-nn.yandex
Work address: Russia, 125171, Moscow, Zoe and Alexandra Kosmodemyanskikh Str., 8. Tel. +7(499)745-81-21.
Toropov, Boris Andreevich. Professor at the chair of Information Technologies. Candidate of Engineering Sciences, Associate Professor.
Management Academy of the Ministry of the Interior of Russia. E-mail: torbor@mail.ru
Work address: Russia, 125171, Moscow, Zoe and Alexandra Kosmodemyanskikh Str., 8. Tel. +7 (499) 745-81-21.
Ключевые слова: моделирование преступности; преступность на транспорте; охрана общественного порядка; регрессионный анализ.
Key words: crime modeling; crime in transport; protection of public order; regression analysis.
УДК 351.74
ИЗДАНИЯ ВОРОНЕЖСКОГО ИНСТИТУТА МВД РОССИИ
Бокова О. И.
Организация радиосвязи в полевых условиях : учебное пособие / О. И. Бокова, Н. С. Хохлов, С. В. Канавин. — Воронеж : Воронежский институт МВД России, 2019. — 160 с.
В учебном пособии рассматриваются вопросы организации радиосвязи в интересах органов внутренних дел в полевых условиях, при возникновении чрезвычайных ситуаций и в условиях отсутствия штатной радиосвязи с учетом особенностей требований к организации и эксплуатации аппаратуры цифровой радиосвязи мобильного широкополосного доступа органов внутренних дел для обеспечения базовой инфраструктуры системы радиосвязи, а также передачи речевого трафика и данных на мобильные объекты ОВД в перспективных сетях радиосвязи МВД России. Предназначено для специалистов по эксплуатации аналоговых и цифровых систем радиосвязи специального назначения, курсантов, слушателей и адъюнктов образовательных организаций МВД России.
