ПРОГНОЗИРОВАНИЕ ПРЕСТУПНОСТИ В ИНФОРМАЦИОННОЙ СФЕРЕ: МЕТОДИКА И АПРОБАЦИЯ
Богданова М. В.', Паршинцева Л. С.2, Богданова В. Г.3
ключевые слова: преступность, информационная сфера (инфосфера), прогнозирование, моделирование, адаптивные методы, методика анализа, временные ряды.
Аннотация.
Цель работы: разработка и апробация эффективной методики моделирования и прогнозирования преступности в информационной сфере.
Методы: адаптивные методы моделирования временных рядов, метод экстраполяции, относительные величины, дисперсионный анализ и методы визуализации данных.
Результаты: проанализировано текущее состояние преступности в инфосфере Российской Федерации; разработаны научно-методические основы моделирования и прогнозирования преступности в инфосфере; обоснована модель и выполнен прогноз уровней одного из основных показателей преступности в инфосфере — числа зарегистрированных преступлений, совершенных с использованием информационно-телекоммуникационных технологий или в сфере компьютерной информации.
В результате апробации разработанной методики была показана эффективность применения адаптивных методов моделирования и прогнозирования преступности в инфосфере и сделаны выводы о возможном ухудшении криминогенной обстановки в информационной сфере в первом полугодии 2022 года.
Р01: 10.21681/1994-1404-2022-2-14-24 Введение
Уифровая трансформация экономики и общества, активное внедрение информационно-коммуникационных технологий во все сферы жизнедея-ости населения спровоцировало формирование и рост сравнительно нового вида преступности — преступности в информационной сфере. В частности, в Российской Федерации с 2017 по 2020 г. число зарегистрированных преступлений, совершенных с использованием информационно-телекоммуникационных технологий или в сфере компьютерной информации, выросло на 463,43% или на 419 809 единиц. Наибольший рост рассматриваемого показателя был отмечен в 2018 году по сравнению с 2017 годом (на 92,82%). В 2019 году число зарегистрированных преступлений, совершенных с использованием информационно-телекоммуникационных технологий или в сфере ком-
пьютерной информации, выросло на 68,55%, а в 2020 году — на 73,36%4.
Существенно выросла также доля преступлений в инфосфере в общем числе зарегистрированных преступлений. Так, если в 2017 году их доля составляла 4,4%, то в 2020 году она уже была равна 24,97%.
Начало 2021 года также отмечено высокими темпами роста преступности в инфосфере по сравнению с аналогичным периодом предыдущего года. Доля преступлений в инфосфере в общем числе зарегистрированных преступлений за январь — октябрь 2021 года составила 26,65%. Можно предположить, что связано это со стремительным внедрением дистанционных технологий в связи с ограничениями из-за распространения на территории России коронавирусной инфекции. Также отмечается отставание темпов актуализации нормативной правовой базы [5] от темпов процесса
4 По данным МВД России. URL: http://iv^^/dejatelnost/statistics (дата обращения: 28.11.2021).
1 Богданова марина валерьевна, доктор экономических наук, доцент, профессор кафедры информационного права, информатики и математики Российского государственного университета правосудия, г. Москва, Российская Федерация.
E-mail: bogdanovamv2009@yandex.ru
2 паршинцева лидия сергеевна, кандидат экономических наук, доцент, доцент кафедры информационного права, информатики и математики Российского государственного университета правосудия, г. Москва, Российская Федерация.
E-mail: lspantelina@yandex.ru
3 богданова виктория геннадьевна, кандидат экономических наук, старший преподаватель кафедры информационного права, информатики и математики Российского государственного университета правосудия, г. Москва, Российская Федерация.
E-mail: vikalakimis@gmail.com
Шаг 1
Первичный статистический анализ, выявление "проблемных регионов"
Шаг 2
Разработка перечня
показателей на макроуровне
Разработка перечня
показателей на мезоуровне
Шаг 3
Выявление основных компонентов временного ряда
Шаг 4
Моделирование уровней временного ряда
Шаг 5
Выбор наилучшей модели и оценка ее адекватности
Шаг 6
Точечное и интервальное прогнозирование уровней ряда
Рис. 1. Функциональнаясхема методики моделирования и прогнозирования преступности в инфосфере
цифровизации [4] общества. Всё это обуславливает необходимость разработки адресных мер стабилизации преступности в информационной сфере, основанных на достоверных статистических данных. В этой связи моделирование и прогнозирование основных показателей преступности в инфосфере является необходимым условием соблюдения качества принимаемых управленческих решений [6] на всех уровнях управления криминогенной обстановкой.
Первой целью исследования является разработка комплексной методики моделирования и прогнозирования преступности в информационной сфере. Вторая цель исследования заключается в оценке перспектив развития криминогенной обстановки в инфосфере в Российской Федерации.
Методика моделирования и прогнозирования преступности в информационной сфере
На основе изучения поведения уровней ряда числа зарегистрированных преступлений, совершенных с использованием информационно-телекоммуникацион-
ных технологий или в сфере компьютерной информации, и с учетом спе цифики преступности в информационной сфере разработана комплексная алгоритмическая методика ее моделирования и прогнозирования (рис. 1).
На первом шаге моделирования преступности в инфосфере выполняется первичный статистический анализ ее состояния и развития в региональном разрезе, а также на макроуровне. С учетом того, что регионы государства существенно дифференцированы по уровню социально-экономического развития и некоторые из них испытывают цифровые депривации, в первую очередь должны быть выявлены наиболее «проблемные» регионы. Реализация этого шага подразумевает использование таких методов анализа, как ряды динамики, дисперсионный анализ, расчет показателей дифференциации и концентрации [2].
Процедуру реализации данного шага можно представить в виде алгоритма (рис. 2).
Следующий шаг методики охватывает выявление факторов, определяющих перспективу ухудшения криминогенной ситуации в информационной сфере.
Начало анализа
X
Поиск и ввод численных значений показателей преступности в инфосфере за п лет (у,)
I
j.. 1 ^ п do
Расчет квантилей Шу) Расчет показателей дифференциации D(y) Расчет показателей концентрации G(y) Расчет критерия Фишера
1 1 1
да ( Рр>Рт | С(у)> 0,33 Ъ- и>(у)<£>(у1)
К
1 ^ 85
Распределение единиц совокупности на однородные кластеры и подробная характеристика каждого кластера
Формирование кластера наиболее проблемных регионов (для показателей, большее значение которого соответствует худшей ситуации) (Уi>Q4
1к(у) > 1
Подробная характеристика всей изучаемой совокупности в целом
Формирование кластера наиболее проблемных регионов (для показателей, большее значение которого соответствует лучшей ситуации)
{Уi<Ql 1к(у) < 1
Рис. 1. Алгоритм первого шага моделирования и прогнозирования преступности в инфосфере
На данном этапе целесообразно применение корреляционного и регрессионного методов аиализа. Результатом завершения оторого шага методики является разработанный перечеоь показателей для моделирования и прогнозирования преступности в инфосфере.
Перечень показателей (явлений) должен включать как прямые показатели, характеризующие криминогенную обстановку на макро- или мезоуровне, так и наиболее значимые факторы, провоцирующие ее ухудшение, в целях выработки своевременных адресных мер [1]. Алгоритм реализации второго шага моделиро-
вания и прогнозирования преступности в инфосфере представлен на рис. 3.
На третьел шаге методики в результате пр имене-ния метода декомпозиции по каждому изучаемому явлению определяется наличие или отсутствие основных компонентов временных рядов: систематического и сезонного. В данном случае предлагается следующий порядок действий:
• Анализ графического изображения временного ряда преступности в информационной сфере.
Рис. 3. Алгоритм второго шага моделирования и прогнозирования преступностив инфосфере
• Построение и изучение автокорреляционных функций ряда первых разностей (для выявления сезонной составляющей) и сезонных разностей (для выявления систематической составляющей).
• Для подтверждения наличия или отсутсявия систематического компонента используется проверка гипотез о существенности различий дисперсий и средних величин в изучаемом ряду динамики, а также критерии серий.
После установления наличия или отсутствия основных компонентов в изучаемом временном ряду следует перейти к четвертому шагу непосредственного моделирования временного ряда. Имплементация моде-
лирования и прогнозирования преступности в инфосфере и факторов,ее определя ющих, показала наибольшую эффективность адаптивных методов в сравнении с другими методами моделирования и прогнозирования (декомпозиц ия ARIMA — интегрирюванная модель авторегрессии (AR) и скользящего среднего (MA))5.
5 Ловцов Д.А., Богданова М.В., Лобан А.В., Паршинцева Л.С. Статистика (компьютеризированный курс) / под ред. Д. А. Ловцова. М. :
РГУП, 2020. 400 с. ISBN 978-5-93916-834-2; Богданова М. В. Бычкова С. Г., Паршинцева Л. С. Статистические методы в диссертационных исследованиях : учебное пособие. М. : КДУ, 2019. 312 с. DOI: 10.31453/ kdu.ru.91304.0068
F„=^r> -
Рис. 4. Алгоритм 3—6 шагов методики моделирования и прогнозирования преступности в инфосфере
На пятом шаге методики на основе сравнительного анализа ошибок различных моделей изучаемых временных рядов производится выбор наилучшей6 модели, а также оцениваетсяее адекватность. На данном этапе целесооОразно использовать такие методы, как построение и анализ автокорреляционной функции остатков моделии критерия Дарбина-Уотсона. В случае адекватности модели следует перейти к шестому шагу,
6 Ловцов Д.А., Богданова М.В., Лобан А.В., Паршинцева Л.С. Статистика (компьютеризированный курс) / под ред. Д. А. Ловцова. М. : РГУП, 2020. 400 с. ISBN 978-5-93916-834-2.
в противном случае необходима корректировка параметров модели7.
Шестой шаг методики подразумевает точечное и интервальное прогнозирование уровней изучаемого временного ряда методом экстраполыции, а также корректировку предыдущих прогнозов8 [5].
7 Дуброва Т. А. Статистические методы прогнозирования : учебное пособие для вузов. М.: ЮНИТИ-ДАНА, 2003. 206 с.; Ханк Д.Э., Уиче-ри Д.У., Райтс А.Дж. Бизнес-прогнозирование. М. : Изд. дом «Вильямс», 2003. 656 с.
8 Паршинцева Л. С., Долгих Е. А. Анализ временных рядов и прогнозирование : учебное пособие. М.: КДУ, 2019. 127 с. 001: 10.31453/ kdu.ru.91304.0069
Стандартные ошибки - оценки белого шума
Стандартные ошибки - оценки белого шума
Lag Corr. S.E.
1 - 628 , 1290
2 + 332 , 1279
3 - 300 , 1267
4 + 157 , 1255
5 - 029 , 1243
6 + 018 , 1231
7 - 034 , 1219
8 + 079 , 1207
9 - 153 , 1195
10 + 243 , 1182
11 - 379 , 1170
12 + 426 , 1157
13 - 439 , 1144
14 + 421 , 1131
15 - 287 , 1118
• Q :
• 23,68
• 30,43
• 36, 02
• 37,58
• 37,64
• 37,66
• 37,74
• 38,16
• 39, 80
• 44,01
• 54,54
• 68,07
• 82,83
• 96,68
• 103,3
0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000 0000
Lag Corr. S.E.
1 + 617 , 1428
2 + 490 , 1412
3 + 394 , 1396
4 + 413 , 1379
5 + 331 , 1363
6 + 173 , 1346
7 + 018 , 1329
8 + 015 , 1312
9 + 027 , 1294
10 - 066 , 1277
11 - 182 , 1259
12 - 332 , 1241
13 - 257 , 1223
14 - 152 , 1204
15 - 296 , 1185
Q Р 18,70 , 0000 30,72 , 0000 38,68 , 0000 47,66 , 0000 53,55 , 0000
55.21 , 0000
55.22 , 0000 55,24 , 0000 55,28 , 0000 55,55 , 0000 57,63 , 0000
64.77 , 0000 69,18 , 0000
70.78 , 0000 77,00 , 0000
Доверительный интервал
Доверительный интервал
а)
б)
Рис. 5. Автокорреляционная функция ряда первых разностей (а) и сезонных разностей (б)
1,0
0,5
0,0
0,5
Алгоритм 3—6 шагов методики моделирования и прогнозирования преступности в инфосфере представлен на рис. 4.
Результаты апробации методики
Апробация разработанной комплексной методики моделирования и прогнозирования преступности в информационной сфере осуществлена по данным о числе зарегистрированных преступлений в Российской Федерации, совершенных с использованием и н-формационно-телекоммуникационных технологий или в сфере компьютерной информации, за период ноябрь 2016 годна — октябрь 2021 года.
Для выявления наличия сезонного и систематического компонентов с использованием программы Statistica [7] были построены автокорреляционные функц ии ряда первых и сезонных разностей (рис. 5).
Как видно из рис. 5,в ряду числа зарегистрированных преступлений в Российской Федерации, совершенных с использованием инфррмационно-телвком-муникационных технологий или в сфере компьютерной инфоымации, присутстсуют и сезоннао, и систематическая составляющие. Другие методы выявления наличия компонентов во временном °яду также подтвердили этот факт
С учетом того, что поскольку из изучения поведения уровней ряда числа зарегистрированных преступлений в Россий ской Федерации, совершенных с использованием информационно-телекоммуникационных технологий или в сфере компьютерной информации, непонятно, какая форма сезонности присутствует в изучаемом временном ряду, моделирование производилось и для аддитивной, и для мультипликативной формы сезонности.
В таблице 1 представлен сравнительный анализ ошибок моделей временного ряда числа зарегистрированных преступлений в Российской Федерации, со-
вершенных с использованием информационно-телекоммуникационных технологий или в сфере компью-нерноТ информацри. Как видно из табр. 1, наиболее эффективно уровни изтчаемого временного ряда описывает модель с линейным трендом и мультипликативной формой сезонности с а = 0,472, 5 = 0, у = 0. но этой модепи в ореднем прогноззавышен на1,1%.
С целью проверки адекватности обоонованной модели была построена автокорреляционная функция остаточного компонента и рассчитан критерий Дарбина-Уотсона9, подтвердившие целесообразноств использования данной модели для прогнозирования уровней временного ряда числа зарегистрированных прыстувлений в Россисской Фидерации, совершенных с использовснием инфотмационно-телекоммуникаци-онных технологий или в сфере компьютерной информации.
На рис. 6 представлена автокорреляционная функция остаточного компонента модели. А рассчитанное значение критерия Дарбина-Уотсона оказалось равно 1,930, что меньше табличного значени я с!ц, в. е. можно утверждать отсутствие автокорреляоии в осдатках первого порядка; следовательно, модель достаточно адекватна.
В табл. д представлены розультаты топечсогн иин-тервального прогнозирования уровней временного ряда числа зарегистрированных преступлений в Российской Федерации, совершенных с использованием информационно-телекоммуникационных технологий или в сфере компьютерной информации, на четыре месяца вперед.
9 Ловцов Д.А., Богданова М.В., Лобан А.В., Паршинцева Л.С. Статистика (компьютеризированный курс) / под ред. Д. А. Ловцова. М. : РГУП, 2020. 400 с. ISBN 978-5-93916-834-2.
м о
-е-
о тз
Название модели а б У ф Средняя ошибка Средняя абсолютная ошибка Стандартная ошибка Средняя процентная ошибка Средняя абсолютная процентная ошибка
Аддитивная сезонность — линейный тренд 0,431 0,000 0,000 — -235,535 2867,837 3696,819 -2,313 18,494
Мультипликативная сезонность — линейный тренд 0,472 0,000 0,000 — -167,004 2396,243 3514,588 -1,116 10,240
Аддитивная сезонность — экспоненциальный тренд 0,327 0,000 0,283 — -718,305 2873,147 3840,857 -2,900 17,976
Мультипликативная сезонность — экспоненциальный тренд 0,203 0,000 0,626 — -516,395 2484,358 3740,658 -2,565 10,283
Аддитивная сезонность — демпфированный тренд 0,200 0,100 — 0,900 621,411 2928,733 3840,290 3,978 18,293
Мультипликативная сезонность — демпфированный тренд 0,200 0,100 — 0,900 562,216 2559,167 3687,656 2,693 10,694
Lag Согг. S.E.
1 -, 081 , 1259
2 + , 077 , 1249
3 -, 093 , 1238
4 + , 148 , 1227
5 + , 157 , 1216
6 + , 074 , 1205
7 -, 035 , 1194
8 -, 087 , 1182
9 + , 137 , 1171
10 + , 053 , 1159
11 -, 012 , 1148
12 -, 099 , 1136
13 -, 140 , 1124
14 + , 122 , 1112
15 -, 075 , 1100
■ ■ ■ □ 0 □ □ 1 1
ч, □
Q
,42 , 80 1, 36 2,82 4, 47 4, 85
4, 93
5, 48
6, 84
7.05
7.06 7,81 9, 37
10, 58
11, 05 0
5183 6701 7142 5890 4834 5635 6680 7055 6537 7209 7944 7997 7444 7188 7491
-1,0
-Доверительный интервал
-0,5
0,0
0,5
1,0
Рис. б.Автокорреляционная функция остаточного компонента исследуемого временного ряда
Р
Так, с вероятностью 95% число зарегистрированных преступлепий в Российской Федераоии,совершенных с использсвапием информационно-телекоммуникационных технологий или в сфере компьютерной информации^ ноябре 2021 года попадет в интервал отН8 932 едмниц до 40 746 единнц. В целом до конца 2021 года по сравнению с аналогичным периодом предыдущего года спрогнозированоснижение числа преступлений! в информационной сфере: в ноябре — на 1,78%, в декабре — на 0,62%, а начиная с начала 2022 года — стре-
мительный рост: в январе 2022 года по сравнению с январем 2021 содс арирсст на 10,45%, в феврале 2022 года — на 4,75% и др.
На рис. 7 приведена адаптивная граф-модель временного ряда чиала зарегистрировасных преступлений в Российской Федерации, совершенн ых с использованием информационно-телекоммуникационных технол огий или в сфере компьютерной информации, с линейным трендом и мультипликативной формой сезонности.
Месяц, год Точечный прогноз Интервальный прогноз (вероятность 95%)
Нижняя граница Верхняя граница
ноябрь 2021 39 838,97 38 932 40 746
декабрь 2021 48 866,96 47 959 49 774
январь 2022 41 103,10 40 196 42 011
февраль 2022 46 385,84 45 478 47 293
Таблица 2
Результаты прогнозирования уровней временного ряда числа зарегистрированных преступлений,
совершенных в инфосфере, единиц
единиц 1 1234567 о ооооооо о ооооооо о ооооооо ооооооооо 20000
1 « 15000
>А1 \/ ■ 10000
1 V ■ 5000 s ^ н го
i \ ill ■ н о 0
г м -5000
1 1 -10000
-15000
СОГ^Г^Г^Г^Г^Г^ООСОСОСОСОСООТОТОТОТОТОТООООООч-ч-ч-ч-ч-ч-СМ ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—ч—СМСМСМСМСМСМСМСМСМСМСМСМСМ оооооооооооооооооооооооооооооооо см см см см см см см см см см см см см см см см см см см см см см см см см смсмсмсм см смсм -О-ОН .0 .0 .0 .0 1- .0 .0 .0 .0 1- .0 .0 .0 .0 1- .0 .0 .0 .0 1- .0 .0 .0 .0 ас^^го ст пааня с ас^с^^го ст ааа£1го щ о.о.о.о.(л с ааа Ю ГО Го 5 ОЮЮ ГО Го 5 ОЮЮ ГО Го 5 оЮЮ ГО ГО 5 пЮЮ ГО ГО 5 пЮЮ ГО к ш 5 гсцсцт^ гсцсцт^ гсцсцт^ гсцсцт^ ^сцсцт ох ^нох ^нох ^нох ^нох ^нох хсц 11в: I и: I и; I и; £ 1 к ф ф ф ф ф о о о о о - Число зарегистрированных преступлений с использованием ИКТ или в сфере компьютерной информации - Модель-Остатки модели
Рис. 7. Граф-модель исследуемого временного ряда
Заключение и выводы
В работе была поставлена и достигнута цель, заключающаяся в разработке и апробации эффективной комплексной алгоритмической методики моделирования и прогнозирования преступности с унформациок-ной сфере. Дла достижентя поставленной цели были использованы адаптивные методы моделирования временных рядов, меяод экстраполяции, относительные веппчины,дисперсионный анализ и методы визуализации данных.
Разработанная комплексная мптодикамоделирова-ния и прогнозирования преступности в информационной сфере включает шесть основных шагов: первичн ый статистятеский анализ и выявление «проблемных» регионов, выявление факторов ухудшения криминогенной обстановка и разраРотка системы покрзателей да макро- и мезоуровнях, выявление основных компонентов временного ряда, моделирование уровней временного ряда, обоснованный выбор наилучшей модели и оценка ее адекваттости, точечное и интервалнное прогнозированиеуровпей ряда.
В результате анализа преступности в информационной сфере Российской Федерации были сделаны выводы, что ее уровни подвержены как сезонным колебаниям, так и изменениям, вызванным долговременно действующими факторами.
Анатпз реальныхэмпирическихданныхпоказал вы-сопую эффекттаность адаптивных методов моделирования и прогнозирования преступности в информационной сфере. Дискуссионпым остается перечонь показателей10 [8] для комплексной оценки криминогенной обстановки в инфосфпре п связос бокттро меняющимися условиями тифрового развития как на макро-, так и на мезоуровнях, а также ввиду существенного цифрового (зазрыва между/ уосскйскими регионами [у, 9].
10 Lovtsov D. A. I nformational Indices of the Efficiency of Control Systems for Complex Dynamic Objects // Automation and Remote Control, 1995. Vol. 55. No 12. Part 2. P. 1824—1829; Ловцов Д.А., Богданова M.B. Информационно-статистические показатели качества проектных инвестиций // Научно-техническая информация. Сер. 2. Иеформ.процессы и системы.2000. №12.С. 28—V6.
Рецензент: Цимбал Владимир Анатольевич, доктор технических наук, профессор, заслуженный деятель науки РФ, профессор кафедры автоматизированных систем (боевого управления Филиала Военной академии им. Петра Великого, г. Серпухов. E-mail: tsimbalva@mail.ru
Прогнозирование преступности в информационной сфере: методика и апробация Литература
1. Богданова М.В., Паршинцева Л.С. Методика информационно-статистического анализа преступности в Российской Федерации // Правовая информатика. 2018. № 3. С. 47—59. DOI: 10.21681/1994-1404-2018-3-47-59
2. Богданова М.В., Паршинцева Л.С., Квачко В.Ю. Методика моделирования и прогнозирования преступности в Российской Федерации // Правовая информатика. 2019. № 4. С. 50—62. DOI: 10.21681/1994-1404-2019-4-50-62
3. Красикова Е.М. Статистическое изучение уровня преступности в Российской Федерации // Молодой ученый. 2017. № 16. С. 269—272. URL: http://moluch.ru/archive/150/42387 (дата обращения: 03.11.2021).
4. Ловцов Д.А. Информационно-правовые основы правоприменения в цифровой сфере // Мониторинг правоприменения. 2020. № 2(35). С. 44—52. DOI: 10.21681/2226-0692-2020-2-44-52
5. Ловцов Д.А. Системология правового регулирования информационных отношений в инфосфере : монография. М. : РГУП, 2016. 316 с.
6. Ловцов Д.А. Системный анализ. Часть. 1. Теоретические основы. М. : РГУП, 2018. 224 с. ISBN 978-5-93916-701-7.
7. Ловцов Д.А., Богданова М.В., Паршинцева Л.С. Пакеты прикладных программ для многоаспектного анализа судебной статистической информации // Правовая информатика. 2017. № 1. С. 28—36. DOI: 10.21681/19941404-2017-1-28-36
8. Ловцов Д.А., Богданова М.В., Паршинцева Л.С. Правовая статистика преступности в современных условиях // Правовая информатика. 2017. № 4. С. 40—48. DOI: 10.21681/1994-1404-2017-4-40-48
9. Репецкая А.Л. Современное состояние, структура и тенденции российской преступности // Вестник Омского университета. Серия: Право. 2018. № 1 (54). С. 151 —156.
FORECASTING CRIME IN THE INFORMATION SPHERE: METHODOLOGY AND TESTING
Marina Bogdanova", Lidiia Parshintseva12, Viktoriia Bogdanova13
Keywords: crime, information sphere (infosphere), forecasting, modelling, adaptive methods, methods of analysis, time series. Abstract.
Purpose of the work: development and testing of an efficient methodology for modelling and forecasting crime in the information sphere (infosphere).
Methods used: adaptive methods for time series modelling, extrapolation, relative values, analysis of variance and data visualisation methods.
Results obtained. An analysis of the current state of crime in the infosphere of the Russian Federation was carried out. Research and methodological basics for modelling and forecasting crime in the infosphere were developed. A model was justified and a forecast was performed for the levels of one of the main indicators of crime in the infosphere, i. e. the number of registered crimes committed using information and telecommunications technologies or in the computer information field.
As a result of testing the developed methodology, the efficiency of using adaptive methods of modelling and forecasting crime in the infosphere was shown and conclusions were made about a possible deterioration of the criminogenic situation in the information sphere in the first half of2022.
References
1. Bogdanova M.V., Parshintseva L.S. Metodika informatsionno-statisticheskogo analiza prestupnosti v Rossiiskoi Fed-eratsii. Pravovaia informatika, 2018, No. 3, pp. 47-59. DOI: 10.21681/1994-1404-2018-3-47-59
11 Marina Bogdanova, Dr.Sc. (Economics), Associate Professor, Professor at the Department of Information Technology Law, Informatics and Mathematics of the Russian State University of Justice, Moscow, Russian Federation.
E-mail: bogdanovamv2009@yandex.ru
12 Lidiia Parshintseva, Ph.D. (Economics), Associate Professor at the Department of Information Technology Law, Informatics and Mathematics of the Russian State University of Justice, Moscow, Russian Federation.
E-mail: lspantelina@yandex.ru
13 Viktoriia Bogdanova, Ph.D. (Economics), Lecturer at the Department of Information Technology Law, Informatics and Mathematics of the Russian State University of Justice, Moscow, Russian Federation.
E-mail: vikalakimis@gmail.com
2. Bogdanova M.V., Parshintseva L.S., Kvachko V.Iu. Metodika modelirovaniia i prognozirovaniia prestupnosti v Rossiis-koi Federatsii. Pravovaia informatika, 2019, No. 4, pp. 50-62. DOI: 10.21681/1994-1404-2019-4-50-62
3. Krasikova E.M. Statisticheskoe izuchenie urovnia prestupnosti v Rossiiskoi Federatsii. Molodoi uchenyi, 2017, No. 16, pp. 269-272. URL: http://moluch.ru/archive/150/42387 (data obrashcheniia: 03.11.2021).
4. Lovtsov D.A. Informatsionno-pravovye osnovy pravoprimeneniia v tsifrovoi sfere. Monitoring pravoprimeneniia, 2020, No. 2(35), pp. 44-52. DOI: 10.21681/2226-0692-2020-2-44-52
5. Lovtsov D.A. Sistemologiia pravovogo regulirovaniia informatsionnykh otnoshenii v infosfere : monografiia. M. : RGUP, 2016. 316 pp.
6. Lovtsov D.A. Sistemnyi analiz. Chast'. 1. Teoreticheskie osnovy. M. : RGUP, 2018. 224 pp. ISBN 978-5-93916-701-7.
7. Lovtsov D.A., Bogdanova M.V., Parshintseva L.S. Pakety prikladnykh programm dlia mnogoaspektnogo analiza sudebnoi statisticheskoi informatsii. Pravovaia informatika, 2017, No. 1, pp. 28-36. DOI: 10.21681/1994-1404-20171-28-36
8. Lovtsov D.A., Bogdanova M.V., Parshintseva L.S. Pravovaia statistika prestupnosti v sovremennykh usloviiakh. Pravovaia informatika, 2017, No. 4, pp. 40-48. DOI: 10.21681/1994-1404-2017-4-40-48
9. Repetskaia A.L. Sovremennoe sostoianie, struktura i tendentsii rossiiskoi prestupnosti. Vestnik Omskogo universiteta. Seriia: Pravo, 2018, No. 1 (54), pp. 151-156.