CC BY
24
М Инженерный вестник Дона, №4 (2023) ivdon.ru/ru/magazine/arcliive/n4y2023/8315
Анализ текущего состояния деятельности дежурных частей территориальных органов МВД России
Г.Б. Самданов Академия управления МВД России, Москва
Аннотация: В статье анализируется текущее состояние дежурных частей территориальных органов МВД России, а именно - основное направление деятельности по приему и регистрации заявлений и сообщений о преступлениях, об административных правонарушениях и происшествиях на примере одного из субъектов Российской Федерации. Построены регрессионные модели, отражающие состояние оперативной обстановки на обслуживаемых территориях. Показаны взаимосвязи по уровню регистрируемых заявлений и сообщений о преступлениях, об административных правонарушениях, о происшествиях граждан и других показателей, который косвенно или напрямую влияют на нее. Получены выводы о необходимости модернизации методики оценки дежурных частей территориальных органов МВД России.
Ключевые слова: дежурная часть, регрессионный анализ, органы внутренних дел, математическое моделирование, оценка деятельности дежурных частей.
Введение. Одним из основных инструментов в информационно-аналитической работе органов внутренних дел Российской Федерации (далее ОВД РФ) является математическое моделирование. Применение математических моделей и методов в аналитической работе нашло свое применение при решении различных задач: анализ и прогноз оперативной обстановки [1, 2], моделирование действий ОВД РФ при возникновении чрезвычайных обстоятельств [3], расчет расстановки сил и средств, расчет оптимального маршрута патрулирования наружных служб ОВД РФ, групп задержания [4]. Также моделирование полезно при принятии управленческих решений [5].
Исследование основных результатов деятельности дежурных частей территориальных органов МВД России одного из субъектов Российской Федерации (далее ДЧ) за годовой период, показало, что среди основных показателей наблюдаются определенные взаимосвязи и взаимозависимости (данные синтезированы).
Результаты работы ДЧ позволяют судить о нагрузке на личный состав территориальных органов и личный состав ДЧ. Сведения по распределению регистрации заявлений и сообщений всех ДЧ по месяцам (со среднесуточной температурой окружающей среды) и в течение суток представлены в таблицах № 1 и 2. За наблюдаемый период зарегистрировано порядка 200 000 заявлений и сообщений о преступлениях, об административных правонарушениях, о происшествиях (далее заявлений и сообщений) (таблица № 3).
Закономерным является следующая тенденция: количество зарегистрированных заявлений и сообщений увеличивается при увеличении численности населения обслуживаемой территории. По иным представленным параметрам таблицы № 3, явная взаимосвязь не наблюдается.
Следует отметить, что действующая методика оценки деятельности ДЧ не в полном объеме учитывает количественные показатели, характеризующие ее работу, что обуславливает актуальность исследования. Анализ количественных показателей ДЧ позволит в дальнейшем построить более адекватную и качественную модель оценки ДЧ, с последующей модернизацией существующей методики [6]. Система оценки создаст аналитическую базу для принятия управленческих решений [7].
Таблица № 1
Регистрация по месяцам
Месяц Количество Месяц Количество ^
1 2 1 2 1 2
Январь 15155 -22,7 Июль 17121 20,5
Февраль 14487 -17,6 Август 16823 17,6
Март 16694 -6,8 Сентябрь 15713 10,3
Апрель 16878 3,2 Октябрь 16084 1,1
Май 16953 10,4 Ноябрь 15016 -9
Июнь 16489 18,3 Декабрь 15833 -19
Таблица № 2
Регистрация от времени суток
Время Количес Время Количес Время Количес Время Количест
тво тво тво во
1 2 1 2 1 2 1 2
01:00:00 6745 07:00:00 2256 13:00:00 9858 19:00:00 12009
02:00:00 5629 08:00:00 3039 14:00:00 9804 20:00:00 11955
03:00:00 4639 09:00:00 4625 15:00:00 11422 21:00:00 10792
04:00:00 3790 10:00:00 7050 16:00:00 12201 22:00:00 9878
05:00:00 2917 11:00:00 9363 17:00:00 12613 23:00:00 8959
06:00:00 2468 12:00:00 10753 18:00:00 12257 00:00:00 8224
Таблица № 3
Общая информация по ДЧ за год
№ п/п Наименование ДЧ Уровень ДЧ Регистрация по КУСП Площадь обслуживания, км Численность населения
1 2 3 4 5 6
1 ДЧ 1 региональный 4700 ДЧ регионального уровня
2 ДЧ 2 городской 43549 61,4 92766
3 ДЧ 3 городской 35012 104,2 141484
4 ДЧ 4 городской 30457 163,7 203264
5 ДЧ 5 пригородный 9126 53990 34216
6 ДЧ 6 пригородный 8784 11800 20106
7 ДЧ 7 пригородный 8878 13431 16260
8 ДЧ 8 пригородный 5331 7871 13912
9 ДЧ 9 пригородный 4697 18530 21072
10 ДЧ 10 пригородный 6038 4490 21622
11 ДЧ 11 пригородный 5727 8630 22653
12 ДЧ 12 сельский 2738 6603 51326
13 ДЧ 13 пригородный 4279 15340 24191
14 ДЧ 14 сельский 2814 2070 64368
15 ДЧ 15 сельский 2469 13540 54528
16 ДЧ 16 сельский 2955 4660 36329
17 ДЧ 17 сельский 2833 4530 22406
18 ДЧ 18 сельский 2989 15472 25878
19 ДЧ 19 сельский 1585 8270 40690
20 ДЧ 20 сельский 2294 3300 24167
21 ДЧ 21 сельский 1601 6682 8239
22 ДЧ 22 сельский 1595 2516 9380
23 ДЧ 23 сельский 1648 2560 16455
24 ДЧ 24 сельский 1160 1249 12990
Предварительный анализ показателей. Эмпирической базой построения модели влияния количественных показателей деятельности ДЧ выступали синтетические данные, сгенерированные нейросетью на основе части статистических данных одного из субъектов Российской Федерации за годовой период.
На первом этапе исследования для установления силы взаимозависимостей был проведен парный корреляционный анализ следующих факторов: количество зарегистрированных заявлений и сообщений от площади обслуживаемой территории (Х2), от количества
населения (Х3), от плотности населения (Х4), полученное из двух
предыдущих показателей; количество зарегистрированных заявлений и сообщений по месяцам (^Г5) от среднесуточной температуры окружающей
среды (Тб). При анализе не бралась в расчет ДЧ регионального уровня, ввиду
иной специфики данного подразделения. Условимся, что факторы обозначим заглавными символами (Х^), а соответствующие переменные строчными
По результатам парного корреляционного анализа исследованы 4 пары. По паре «количество зарегистрированных заявлений и сообщений» и «площадь обслуживаемой территории» коэффициент корреляции равен 0,26, по паре «количество зарегистрированных заявлений и сообщений» и «численность населения» - 0,97, по паре «количество зарегистрированных заявлений и сообщений» и «плотность населения» 0,95, по паре «количество зарегистрированных заявлений и сообщений по месяцам» и «среднесуточная температура окружающей среды» - 0,74. Три пары (Х1 и Х3, Хг и Х4, ХБи Хе)
показали выраженную прямую взаимозависимость. В связи с чем, что пара Хг
и Х2 не показала выраженную зависимость в дальнейшем не имеет смысл
рассматривать взаимовлияние этих показателей.
На рис. 1 и 2 визуализированы данные таблиц 1 и 2 по регистрации заявлений и сообщений по месяцам и по времени суток. В период с 07.00 часов по 17.00 часов, наблюдается рост числа зарегистрированных заявлений и сообщений, после 17.00 часов наблюдается снижение. С 12.00 часов до 14.00 часов наблюдается снижение, возможно связанное с обеденным перерывом у большинства граждан. Также наблюдается цикличность (гармоническая составляющая) изменения числа регистрируемых заявлений и сообщений от времени суток.
Следующий этап исследования направлен на выявление формы взаимозависимостей между рассматриваемыми показателями с учетом разделения ДЧ на группы.
Рис. 1. - Регистрация заявлений и сообщений ДЧ в течение суток
Рис. 2. - Регистрация заявлений и сообщений ДЧ по месяцам
Методика построения моделей взаимозависимости. В качестве способа построения взаимозависимостей выбрано линейное регрессионное моделирование. В общем виде линейная (1) и линейная модель с гармонической составляющей (2) [8], в которой учитываются внешние параметры (хД представлена выражениями:
у2 = у1+£: о?; - - %д)) + Е7=1 с/?;- с«*^ -
(1) (2)
где У - зарегистрировано заявлений и сообщений в отчетном периоде, Ро~ коэффициенты модели, к - количество факторов, показателей,;
- номер гармоники, а) = 2 * - * ] - угловая частота ; - й гармоники, п -
период (частота) повторяемости сезонных колебаний, т - количество гармоник, хд- параметр гармонической составляющей, £ - случайный член.
Будем использовать данный способ для исследования количества зарегистрированных заявлений и сообщений с различных подходов. В процессе моделирования из множества моделей выбирается наилучшая, имеющая наибольшую величину достоверности аппроксимации. Линейная модель с гармонической составляющей (2) будет использована при
и
исследовании количества зарегистрированных заявлений и сообщений в зависимости от времени суток.
Моделирование. При визуализации взаимозависимостей факторов Хг
и наблюдаются особые точки, которые искажают данные парного
корреляционного анализа. Полученные визуализации характеризуют неоднородность выборки. Явно выделяющиеся особые точки характеризуют ДЧ с высокой плотностью населения и с большим количеством зарегистрированных заявлений и сообщений (ДЧ 2, ДЧ 3, ДЧ 4) (рис. 3).
Зависимость регистрации от плотности населения
|
£ >5 и Б
0 К Ец ш
11
1 § Iи
Г5
р? н
К
§ *
8 2
Я и К 6=
I 8
I
И
45000 40000 35000 30000 35000 20000 15000 10000 5000
о
•
К' = 0, Ъ952
ь............ .....
г
200 400 600 300 1000
Плотность населения
1200
1400
1600
Рис. 3. - Пара: «количество зарегистрированных заявлений и сообщений» и
«плотность населения»
Для более объективной оценки парного корреляционного анализа необходимо отбросить особые точки (показывающие неоднородность выборки) с целью дальнейшей кластеризации всех ДЧ, для выявления взаимозависимостей показателей внутри конкретных групп. После отброса 3 особых точек (ДЧ 2, ДЧ 3, ДЧ 4) (рис. 4) прямая сильная взаимосвязь пары «количество зарегистрированных заявлений и сообщений» и «плотность населения» не наблюдается. Коэффициент корреляции равен 0,23. Таким образом, можно сделать вывод о том, что модель зависимости регистрации заявлений и сообщений от плотности населения несостоятельна.
о ш
С
О/ р"
к
и О
М
Зависимость регистрации (без особых точек) от плотности населения
и
г
к
Я «
м а
0 К
о, у к В
Ь ио
1 § £ и
к к
к
ш Ч и в?
10000 9000 &000 7000 6000 5000 4000 3000 2000 1000
2983,2 + 186,1х *
• • К3 = 0,2341
А
* *
Л"" **
7 *
* * ф * *
10 15 20
Плотность населения
25
30
35
Рис. 4. - Пара «количество зарегистрированных заявлений и сообщений» и «плотность населения» без 3 особых точек
На рис. 5 продемонстрировано взаимовлияние показателей Х1 и Х3, как
и ранее наблюдаются те же 3 особые точки, но не так выражено, как при визуализации показателей и Х4, что также говорит о неоднородности
выборки.
В линейной регрессионной модели пары «количество зарегистрированных заявлений и сообщений» и «численность населения» (рис. 5) коэффициент 0,2419 говорит о примерно 242 зарегистрированных заявлениях и сообщениях на 1000 человек населения. У приведенной модели высокая объясняющая способность.
С помощью анализа регрессионной модели зависимости количества зарегистрированных заявлений и сообщений от времени суток установлено, что она изменяется циклично. Регрессионная модель с гармонической составляющей представлена на рис. 6.
и
Рис. 5. - Пара «количество зарегистрированных заявлений и сообщений» и
«численность населения».
Рис. 6. - Регистрация заявлений и сообщений от времени суток.
и
В зависимости регистрации заявлений и сообщений ДЧ от месяцев явной взаимосвязи нет (рис. 2). Предположительно увеличение зарегистрированных заявлений и сообщений в весенний и летний период (март, апрель, май, июнь, июль, август), что связано с увеличением среднесуточной температуры окружающей среды. Но в то же время данная тенденция не объясняет увеличения регистрации заявлений и сообщений в зимние месяцы (декабрь и январь) по сравнению с ноябрем и февралем. Линейная регрессионная модель, отображающая зависимость регистрации от температуры окружающей среды, представлена на рис. 7.
V" Я
— К
л £
X а
ги Я н
а к щ
£ л ъ
С о о
I
¡3 Е л ||
я £
Зависимость регистр ад ни заявлений н сообщений от темпер атуры
17500 17000 16500 16000 15500 15000 14500 14000
• *
• *+■+....... •
....... * У = 16082+41,82х
• = 0,5484
-25 -20 -15 -10 -5 0 5
Температура
10
15
20
25
Рис. 7. - Пара «количество зарегистрированных заявлений и сообщений по месяцам» и «среднесуточная температура окружающей среды»
Следующим этапом моделирования построим множественные регрессионные модели, в том числе с учетом параметра Х4, который не
показал значительного влияния на исследуемый параметр Х1. Очевидно, что
визуально отобразить эти модели невозможно, в силу их многомерности. Ниже представлены некоторые модели, имеющие высокую объясняющую способность.
, (3)
и
где Г зарегистрировано заявлений и сообщений в отчетном периоде, х3 -численность населения, х4 - плотности населения.
С учетом наличия вышеописанных особых точек, искажающих взаимовлияние показателей, в множественные регрессионные модели были введены фиктивные переменные (4) для учета факторов, принимающих качественные значения. Переменные введены экспертным методом, путем разделения всех ДЧ на 3 группы: городские ДЧ, пригородные ДЧ и сельские
_ [1, если ДЧ относится к данной категории (ДЛ
0. иначе ' (4)
х,
7 = 129,57 + 0Д2 *х2+ 18701 *х7 + 1503 * х9,
(5)
где Г зарегистрировано заявлений и сообщений в отчетном периоде, хъ -численность населения, х7 - переменная, характеризующая городские ДЧ, хв
- переменная, характеризующая пригородные ДЧ.
Полученные данные по парным регрессионным моделям позволяют сделать вывод о влиянии на регистрацию заявлений и сообщений следующих факторов:
1. Увеличение численности населения приводит к росту числа зарегистрированных заявлений и сообщений.
2. Увеличение среднесуточной температуры окружающей среды чаще всего приводит к росту числа зарегистрированных заявлений и сообщений.
3. Число зарегистрированных заявлений и сообщений в течение суток растет с началом рабочего дня (07.00) до его окончания (17.00), после чего наблюдается снижение, что характеризует периодичность данного
явления. Также наблюдается снижение по количеству зарегистрированных заявлений и сообщений в обеденный период времени.
Интерпретация коэффициентов множественных регрессионных моделей более сложна, чем для парных моделей [5]. Для модели (3) коэффициенты при численности населения и плотности населения положительные, что объясняется прямой зависимостью роста численности населения и плотности населения на рост числа зарегистрированных заявлений и сообщений. Для модели (5) наблюдается аналогичная тенденция. Путем введения фиктивных переменных удалось описать несколько групп ДЧ в рамках одной модели, не разделяя их и не моделируя взаимосвязи в отдельных подгруппах.
Заключение. ДЧ МВД России являются первыми структурными подразделениями МВД России, куда обращаются граждане при возникновении проблем. От качества их работы во многом зависит успешность разрешения поступивших обращений и уровень доверия граждан ОВД РФ, в связи с чем вопрос оценки их эффективности особо актуален.
Проведенное исследование деятельности ДЧ показало, что нагрузка на личный состав ДЧ в значительной мере зависит от численности населения на обслуживаемой территории, от времени суток и от времени года. При этом все поступающие задачи сотрудники ДЧ в различных условиях функционирования решают при одинаковой штатной численности. К примеру, на основе полученных взаимозависимостей возможно изменения графика отдыха личного состава ДЧ, увеличение штата ДЧ в зависимости от времени года и суток.
Исследование также показало необходимость модернизации текущей методики оценки деятельности ДЧ МВД России, путем добавления в нее оценки количественных показателей. В целях объективности оценки следует
разделить ДЧ на группы по различным параметрам, что в текущей методике оценки не представлено, и проводить оценку в каждой подгруппе.
Кроме того, полученные количественные характеристики и взаимосвязи будут полезны в качестве входных параметров для качественного и всестороннего моделирования деятельности ДЧ [9,10], определяя дальнейший вектор исследования.
Литература
1. Sreejith, A.G., Lansy, A., Krishna, K.S.A., Haran, V.J., Rakhee, M. Crime Analysis and Prediction Using Graph Mining. In: Ranganathan, G., Chen, J., Rocha, A. (eds) Inventive Communication and Computational Technologies. Lecture Notes in Networks and Systems, vol 89. Springer, Singapore. 2020. DOI: 10.1007/978-981-15-0146-3_65.
2. Journey to Crime Analysis. In: Shekhar, S., Xiong, H., Zhou, X. (eds). Encyclopedia of GIS. Springer, Cham. 2017. DOI: 10.1007/978-3-319-17885-1_100641.
3. Меньших В.В. Математическое моделирование действий органов внутренних дел в чрезвычайных обстоятельствах: монография. Воронеж: Воронежский институт МВД России, 2016. C. 187.
4. Копылов А.Н. Алгоритм поиска оптимального местоположения группы задержания при выполнении задач по охране объектов // Вестник Воронежского института МВД России. 2021. № 2. С. 100-107.
5. Гонов Ш.Х., Пестов Н.Н., Торопов Б.А. Анализ состояния преступности в сфере пассажирских перевозок на железнодорожном транспорте // Вестник Воронежского института МВД России. 2020. № 4. С. 84-93.
6. Хан Р.С. К вопросу об оценке эффективности логистической деятельности предприятия// Инженерный вестник Дона. 2015. № 4. URL: ivdon.ru/uploads/article/pdf/IVD_53_Khan.pdf_3e3fc377f9.pdf
7. Шеина С.Г., Матвейко Р.Б. Концептуальная модель оценки уровня социально-экономического развития территорий и формирование стратегий развития инвестиционной политики // Инженерный вестник Дона. 2012. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2012/993.
8. Мхитарян В.С. Эконометрика. М.: Проспект, 2014. URL: rosmedlib.ru/book/ISBN9785392134694.html (дата обращения: 24.03.2023). Режим доступа: по подписке. ISBN 978-5-392-13469-4.
9. Самданов Г.Б. Моделирование основного направления деятельности дежурной части территориального органа МВД России на районном уровне как системы массового обслуживания // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022. № 10. С. 117-122. DOI: 10.37882/2223-2966.2022.10.29.
10. Самданов Г.Б. Имитационное моделирование деятельности дежурной части территориального органа МВД России районного уровня // Вестник Российского нового университета. Серия: Сложные системы: модели, анализ и управление. 2022. № 4. С. 12-21. DOI: 10.18137/RNU.V9187.22.04.P.12.
References
1. Sreejith, A.G., Lansy, A., Krishna, K.S.A., Haran, V.J., Rakhee, M. Crime Analysis and Prediction Using Graph Mining. In: Ranganathan, G., Chen, J., Rocha, A. (eds) Inventive Communication and Computational Technologies. Lecture Notes in Networks and Systems, vol 89. Springer, Singapore. 2020. DOI: 10.1007/978-981-15-0146-3_65.
2. Journey to Crime Analysis. In: Shekhar, S., Xiong, H., Zhou, X. Encyclopedia of GIS. Springer, Cham. 2017. DOI: 10.1007/978-3-319-17885-1_100641.
3. Men'shikh V.V. Matematicheskoe modelirovanie deystviy organov vnutrennikh del v chrezvychaynykh obstoyatel'stvakh: monografiya [Mathematical
modeling of actions of internal affairs bodies in emergency circumstances: monograph]. Voronezh: Voronezhskiy institut MVD Rossii, 2016. p. 187.
4. Kopylov A.N. Vestnik Voronezhskogo instituta MVD Rossii. 2021. № 2. pp. 100-107.
5. Gonov Sh.Kh., Pestov N.N., Toropov B.A. Vestnik Voronezhskogo instituta MVD Rossii. 2020. № 4. pp. 84-93.
6. Khan R.S. Inzhenernyj vestnik Dona. 2015. № 4. URL: ivdon.ru/uploads/article/pdf/IVD_53_Khan.pdf_3e3fc377f9. pdf.
7. Sheina S.G., Matveyko R.B. Inzhenernyj vestnik Dona. 2012. № 3. URL: ivdon.ru/ru/magazine/archive/n3y2012/993.
8. Mkhitaryan V.S. Ekonometrika [Econometrics]. M.: Prospekt, 2014. URL: rosmedlib.ru/book/ISBN9785392134694.html (accessed: 10.03.2023). Rezhim dostupa: po podpiske. ISBN 978-5-392-13469-4.
9. Samdanov G.B. Sovremennaya nauka: aktual'nye problemy teorii i praktiki. Seriya: Estestvennye i tekhnicheskie nauki. 2022. № 10. pp. 117-122. DOI: 10.37882/2223-2966.2022.10.29.
10. Samdanov G.B. Vestnik Rossiyskogo novogo universiteta. Seriya: Slozhnye sistemy: modeli, analiz i upravlenie. 2022. № 4. pp. 12-21. DOI: 10.18137/RNU.V9187.22.04.P.12.
