CC BY
8соответствующих требований законодателя, нацеленных, прежде всего, на защиту не только прав акционеров общества, но и интересов сторонних инвесторов.
Список литературы:
1. О внесении изменений в отдельные законодательные акты Российской Федерации в связи с принятием Федерального закона «О ратификации Конвенции Совета Европы о защите физических лиц при автоматизированной обработке персональных данных» и Федерального закона «О персональных данных» : федеральный закон РФ от 7 мая 2013 г. № 99-ФЗ // Собр. законодательства Рос. Федерации. — 2013. — № 19, ст. 2326.
2. Об акционерных обществах : федеральный закон РФ от 26 декабря 1995 г. № 208-ФЗ // Российская газета. — 1995. — 29 дек.
3. Двадцать лет Конституции Российской Федерации: юридическая наука и практика / отв. ред. А.Г. Лисицын-Светланов. — М.: ИГП РАН, 2013. — 306 с.
4. О кодексе корпоративного управления : письмо Центрального Банка РФ от 10 апреля 2014 г. № 06-52/2463 // Вестник Банка России. — 2014. — 18 апр.
5. О рынке ценных бумаг : федеральный закон РФ от 22 апреля 1996 г. № 39-ФЗ // Собр. законодательства Рос. Федерации. — 1996. — № 17, ст. 1918.
<
ш О ш
с
References:
1. O vnesenii izmenenij v otdel'nye zakonodatel'nye akty Rossijskoj Federacii v svjazi s prinjatiem Federal'nogo zakona «O ratifikacii Konvencii Soveta Evropy o zashhite
m fizicheskih lic pri avtomatizirovannoj obrabotke personal'nyh dannyh» i Federal'nogo ^ zakona «O personal'nyh dannyh» : federal'nyj zakon RF ot 7 maja 2013 g. № 99-FZ // Sobr. zakonodatel'stva Ros. Federacii. — 2013. — № 19, st. 2326.
2. Ob akcionernyh obshhestvah : federal'nyj zakon RF ot 26 dekabrja 1995 g. № 208-FZ // Rossijskaja gazeta. — 1995. — 29 dek.
3. Dvadcat' let Konstitucii Rossijskoj Federacii: juridicheskaja nauka i praktika / otv. red. A.G. Lisicyn-Svetlanov. — M.: IGP RAN, 2013. — 306 s.
4. O kodekse korporativnogo upravlenija : pis'mo Central'nogo Banka RF ot 10 aprelja I 2014 g. № 06-52/2463 // Vestnik Banka Rossii. — 2014. — 18 apr.
ь 5. O rynke cennyh bumag : federal'nyj zakon RF ot 22 aprelja 1996 g. № 39-FZ //
g Sobr. zakonodatel'stva Ros. Federacii. — 1996. — № 17, st. 1918.
< Ю.Г. Васин, Y.G. Vasin,
О кандидат юридических наук, Candidate of Law, Senior Researcher,
gt старший научный сотрудник сектора Institute of State and Law
с уголовного права, криминологии и of Russian Academy of Sciences
проблем правосудия 36 Института государства и права РАН [email protected]
Моделирование противодействия организованной преступности:
° новые подходы к прогнозированию
Аннотация: актуальность статьи определяется необходимостью поиска новых подходов к количественной оценке состояния борьбы с организованной преступностью, позволяющей определить эффективность планируемых антикриминальных мероприятий. Цель статьи — предложить для научного обсуждения пример практической реализации вероятностных показателей правоохранительной деятельности. Для достижения указанной цели применяются общенаучные (анализа, синтеза, сравнения) и частнонаучные (математический, статистический, теории случайных процессов) методы научного познания. В статье рассмотрены предложения по формированию
о
п
®
л
и
методики эмпирического моделирования противодействия организованной преступности по официальным данным уголовной статистики. Предпринята попытка обосновать целесообразность рассматриваемого криминологического и уголовно-правового моделирования на основе положений теории вероятностей. Выдвинуты и обоснованы предложения по проведению прогнозирования предлагаемых показателей модели противодействия организованной преступности.
Ключевые слова: организованная преступность, моделирование, прогнозирование, количественные показатели, планирование, методологические особенности, вероятностный характер.
Modeling of organized crime: new approaches to forecasting
Abstract: the importance of the article is determined by the need to find new approaches to the quantification of the state of the fight against organized crime, which allows to determine the effectiveness of the planned anti-crime measures. Purpose of the article — to offer scientific discussion example of practical implementation of the proposed probabilistic indicators of law enforcement. To achieve this goal apply general scientific (analysis, synthesis, comparison) and specific research (mathematical, statistical, stochastic processes) methods of scientific knowledge. The article deals with proposals for the formation of empirical modeling techniques to organized crime, according to official data of criminal statistics. An о attempt was made to justify the appropriateness of the reporting of criminological and criminal law on the ra basis of modeling of the theory of probability. And put forward sound proposals for the proposed indicators forecasting model to organized crime. ®
Keywords: organized crime, modeling, forecasting, quantitative indicators, planning, methodological р features, probabilistic theory. U
Ой
дной из основных практически применимых сфер реализации х Т моделирования при проведении социально-правовых исследований служит Ы | построение модели в целях определения будущих показателей состояния ® р изучаемого явления. Под углом зрения наук криминологии и уголовного пра- | 3 ва данный вопрос рассматривается сквозь призму проблематики совершен- о О ствования противодействия преступности в рамках соответствующей госу- Е а дарственной программы Российской Федерации. ^ о
Наиболее содержательными и объемными исходными данными для ° П прогнозирования являются данные уголовной статистики. При этом по- 3 С грешность субъективных факторов, оказывающих влияние на процесс их О-П формирования, в значительной степени «сглаживается» действием закона а ° «больших чисел», выступающего методологической основой социально- ю : правового прогнозирования.
В методическом плане для формирования прогнозных моделей на основе данных уголовной статистики в обозначенных направлениях теория вероятностей предлагает использовать метод экстраполяции.
Прежде всего, необходимо отметить, что метод линейной экстраполяции 5 [1, с. 134—140] статистического ряда на основе итоговых значений числа регистрируемых преступлений за определенные отрезки времени, являющийся наиболее распространенным методом краткосрочного криминологического I прогнозирования, при сравнительной простоте реализации обладает недостатком, ограничивающим его применение для моделирования динамично развивающихся видов преступности. Этот недостаток заключается в том, что метод экстраполяции динамического ряда в качестве исходных данных использует, например, данные статистических таблиц в различные времен-
37
ные интервалы, т. е. основывается только на предшествующих значениях параметров этого ряда. При этом не учитываются в достаточно полной мере системные особенности, заключающиеся в возможных трансформациях структуры модели с целью сохранения ее стабильности как системы при действии на нее внешних факторов.
Данную особенность метода экстраполяции предлагается компенсировать путем использования трехмерных вероятностных моделей. В качестве показателей модели противодействия преступности предлагается использовать математическое ожидание и среднее квадратическое отклонение коэффициента преступности, а также уровень надежности модели, определяемый по методикам, разработанным теорией вероятностей, и демонстрирующий степень случайности процессов регистрации данных о результатах борьбы с преступностью (число Стъюдента). Такого рода подход позволяет учитывать и структурные особенности моделируемых процессов.
Методика реализации метода линейной экстраполяции на основе метода наименьших квадратов достаточно подробно разработана теорией вероятностей [2], а методологические и методические подходы к формированию указанных показателей приведены в некоторых работах автора статьи [3, 4, 5]. х При прогнозировании следует учитывать, что в отличие от параметров ^ математического ожидания и среднего квадратического отклонения, уровень ^ надежности обозначенных моделей отражает качественно другое свойство модели — уровни соответствия параметров моделей теоретическим законам § распределения плотности вероятностей. Данный уровень надежности имеет отличную от указанных параметров природу, не является случайной величиной, и к нему нельзя применять методы линейной экстраполяции. <5 Предлагаемый подход позволит значительно расширить количество воз:: можных вариантов самих прогнозных моделей. Кроме того, данный прием ^ согласуется с составляющей понятия о множественности моделей прогнозной ° функции, используемых для целей планирования.
Отметим, что по данной методике были проведены вычисления реаль-т ных показателей преступности конкретного вида по всем группам регионов ш Российской Федерации [6], которые продемонстрировали ее достоверность в соответствии с выбранным критерием надежности.
Еще одним преимуществом использования вероятностных моделей является 38 возможность получения информации о предполагаемых тенденциях латентных
- видов преступности (например, организованная преступность). Достоверные
данные можно получить, исследуя родовые для нее виды преступности, например, тяжкие и особо тяжкие преступления. Данный вид преступности, в силу своей большей объемности, демонстрирует достаточную степень однородности для применения предлагаемых методик. При этом отметим, что количество статей Особенной части УК РФ, предусматривающих возможность привлечения к уголовной ответственности за совершение преступления в составе организованной группы или преступного сообщества (преступной организации), составляет порядка 70 % от числа статей Особенной части УК РФ, предусматривающих ответственность за тяжкие и особо тяжкие преступления (по УК РФ в ред. Федерального закона от 30 марта 2015 г. № 67-ФЗ). Несмотря на то,
о
сч
что организованная преступность не является частью тяжкой и особо тяжкой преступности в уголовно-правовом понимании, с точки зрения математического подхода по параметрам вероятностной модели тяжкой и особо тяжкой преступности можно оценивать тенденции показателей вероятностной модели организованной преступности.
Нами проведены расчеты по прогнозу предлагаемых показателей (математическое ожидание и среднее квадратическое коэффициента зарегистрированной тяжкой и особо тяжкой преступности в субъектах Центрального и Приволжского федеральных округов). По указанным данным за 2011, 2012 и 2013 гг. проведен прогноз соответствующих значений для 2014 г., которые затем были сопоставлены с аналогичными показателями, рассчитанными уже по официально зарегистрированным данным (таблицы 1—4) [7].
Таблица 1
Коэффициент зарегистрированной тяжкой преступности в ЦФО
Субъекты ЦФО Коэффициент тяжкой и особо тяжкой преступности в 2011-2014 гг.
2011 г. 2012 г. 2013 г. 2014 г.
Белгородская область 218 190 165 162
Брянская область 365 316 336 294
Владимирская область 485 424 381 371
Воронежская область 296 266 262 305
Ивановская область 462 402 338 369
Калужская область 426 407 392 410
Костромская область 385 312 278 296
Курская область 284 253 212 213
Липецкая область 255 238 231 204
Московская область 531 502 509 433
Орловская область 326 360 314 274
Рязанская область 260 261 252 275
Смоленская область 465 391 334 349
Тамбовская область 282 230 239 255
Тверская область 622 531 392 326
Тульская область 309 303 258 232
о
п
®
л "О
о ш
и
ш о
п
®
®
а
0
о
хх
Ы в
£ в 0)
1
"О
®
п
и
39
ш о
!
Ярославская область 386 370 317 304
г. Москва 413 436 434 442
Таблица 2
Параметры модели зарегистрированной тяжкой преступности для ЦФО (реальные значения и прогноз)
х
со
к с ш О ш
£ с
Параметры модели регистрируемой тяжкой и особо тяжкой преступности в 2011—2013 гг. Прогноз на 2014 г. Параметры модели тяжкой и особо тяжкой преступности за 2014 г.
Год Математическое ожидание (М) Среднее ква-дратическое отклонение (СКО) Надежность (критерий Пирсона) М = 278,6 СКО = 73 М = 304,8 СКО = 77 Надежность = 20,2
2011 376,8 105,5 27,9
2012 344,6 93,5 16,8
2013 311,2 84,2 18,6
с
о
с
к с ш О ш
£ с
Таблица 3
Коэффициент зарегистрированной тяжкой преступности в ПФО
Субъекты ПФО Коэффициент тяжк преступности в 2011 ой и особо тяжкой [-2014 гг.
2011 г. 2012 г. 2013 г. 2014 г.
Республика Башкортостан 383 355 269 282
Республика Марий Эл 349 278 228 245
Республика Мордовия 228 223 216 197
Республика Татарстан 288 255 261 267
Удмуртская Республика 387 354 369 392
Чувашская Республика 340 307 258 250
Пермский край 523 533 436 402
Кировская область 323 331 316 355
Нижегородская область 508 441 357 290
Оренбургская область 325 274 296 267
Пензенская область 228 203 196 244
40
ю
о
Самарская область 489 436 367 343
Саратовская область 306 281 252 238
Ульяновская область 315 286 284 295
Таблица 4
Параметры модели зарегистрированной тяжкой и особо тяжкой преступности для ПФО (реальные значения и прогноз)
Параметры модели регистрируемой тяжкой и особо тяжкой преступности в 2011-2013 гг. Прогноз на 2014 г. Параметры модели тяжкой и особо тяжкой преступности за 2014 г.
Год Математическое ожидание Среднее квадра-тическое отклонение Надежность М = 280,4 СКО = 57,8 М = 289,1 СКО = 58,6 Надежность = 16,2
2011 355,7 91,2 28,3
2012 324,1 87,4 36,1
2013 292 65,7 12,4
о
п
®
л "О
о ш
и
ш о
п
ф
о
"О
Таким образом, сравнив результаты прогноза параметров сформированной стохастической (вероятностной) модели тяжкой и особо тяжкой преступности с аналогичными параметрами, полученными по реальным данным регистрации данного вида преступности, можно сделать следующие выводы.
Предлагаемая методика позволяет применять соответствующий математический аппарат теории вероятностей для исследования организованной преступности как социально-правового явления, при обязательном соблюдении условий их корректного использования, разработанных указанной отраслью науки. Данное положение подтверждается приемлемым уровнем надежности сформированных моделей (критерий Пирсона).
Несмотря на все недостатки экстраполяции как метода прогнозирования, полученные с его применением данные прогноза позволяют выдвигать научно обоснованные суждения о будущем состоянии и тенденциях свойств латентных видов преступности. Данный вывод подтверждается схожими величинами параметров модели (математическое ожидание (ЦФО 278,6 и 304,8; ПФО 280,4 и 289,1) и среднее квадратическое отклонение (ЦФО 73 и 77; ПФО 57,8 и 58,6)) для прогноза и реальных данных. При этом сформированная по реальным данным модель показывает достаточно высокий уровень надежности (ЦФО 20,2; ПФО 16,2). Однако необходимо отметить, что для повышения степени точности прогноза более целесообразно использовать методы автокорреляции
"О
ф
п
41
ш о
!
и взаимной корреляции, но данный вопрос является темой дальнейших исследований. Относительная погрешность прогноза математического ожидания не превышает 5 %, а прогноза среднего квадратического отклонения — 9 %.
Значения прогноза показателей преступности имеют вероятностный характер, что целесообразно учитывать при разработке на их основе соответствующих программных мероприятий, направленных на противодействие преступности. Используемые количественные показатели должны применяться совместно с результатами традиционного уголовно-правового анализа, имеющего преимущественно качественный характер. Таким образом, направленность и спектр воздействия планируемого правоохранительного воздействия должны определяться на основе положений уголовной политики по соответствующим направлениям.
Список литературы:
1. Блувштейн, Ю.Д. Криминология и математика / Ю.Д. Блувштейн. — M.: Юридическая литература, 1974. — 176 с.
2. Смирнов, Н.В. Курс теории вероятностей и математической статистики /
H.В. Смирнов, И.В. Дунин-Барковский. — M.: Наука, 1965. — 512 с.
3. Васин, Ю.Г. Борьба с организованной преступностью: опыт теоретического моделирования / Ю.Г. Васин; под общ. ред. С.В. Mаксимова. — M.: Институт госу-
1 дарства и права РАН, 2G15. — 292 с.
§ 4. Васин, Ю.Г. О методических подходах к построению уголовно-правовой и
^ криминологической модели организованной преступности // Пробелы в российском
законодательстве. — 2G14. — № 6. — С. Ю1—Ю9. g 5. Васин, Ю.Г. О методике прогнозирования преступности на основе данных
ш уголовной статистики // Аграрное и земельное право. — 2G15. — № 3. — С. 121—126.
6. Васин, Ю.Г. Mоделирование в борьбе с преступностью (методология, методика s и опыт) / Ю.Г. Васин; под общ. ред. С.В. Mаксимова. — M.: Институт государства <ç и права РАН, 2GM. — 248 с.
s 7. Деятельность. Статистика и аналитика. Состояние преступности //
s Mинистерство внутренних дел РФ : официальный сайт. — URL: https://mvd.ru/
О upload/site1/document_file/pxOrdPt4BF.pdf (дата обращения: 15.G7.2G15). с
5 References:
g 1. Bluvshtejn, Ju.D. Kriminologija i matematika / Ju.D. Bluvshtejn. — M.: Juridicheskaja
m literatura, 1974. — 176 s.
2. Smirnov, N.V. Kurs teorii verojatnostej i matematicheskoj statistiki / N.V. Smirnov,
I.V. Dunin-Barkovskij. — M.: Nauka, 1965. — 512 s.
- 3. Vasin, Ju.G. Bor'ba s organizovannoj prestupnost'ju: opyt teoreticheskogo
2 modelirovanija / Ju.G. Vasin; pod obshh. red. S.V. Maksimova. — M.: Institut gosudarstva _ i prava RAN, 2G15. — 292 s.
^ 4. Vasin, Ju.G. O metodicheskih podhodah k postroeniju ugolovno-pravovoj
I" i kriminologicheskoj modeli organizovannoj prestupnosti // Probely v rossijskom N zakonodatel'stve. — 2G14. — № 6. — S. Ю1-Ю9.
^ 5. Vasin, Ju.G. O metodike prognozirovanija prestupnosti na osnove dannyh ugolovnoj
statistiki // Agrarnoe i zemel'noe pravo. — 2G15. — № 3. — S. 121—126.
6. Vasin, Ju.G. Modelirovanie v bor'be s prestupnost'ju (metodologija, metodika i opyt) / Ju.G. Vasin; pod obshh. red. S.V. Maksimova. — M.: Institut gosudarstva i prava RAN, 2G1G. — 248 s.
7. Dejatel'nost'. Statistika i analitika. Sostojanie prestupnosti // Ministerstvo vnutrennih del RF : oficial'nyj sajt. — URL: https://mvd.ru/upload/site1/document_file/pxOrdPt4BF.pdf (data obrashhenija: ^Ш^^).
