CC BY
66
DOI 10.24411 /2073-0454-2019-10112 © Д.В. Дианов, А.Е. Ляпин, 2019
Научная специальность 08.00.12 — бухгалтерский учет, статистика
СТАТИСТИЧЕСКАЯ ОЦЕНКА ФАКТОРОВ СОВРЕМЕННОЙ ЭКОНОМИЧЕСКОЙ ПРЕСТУПНОСТИ
Дмитрий Владимирович Дианов, профессор кафедры экономической безопасности, финансов и экономического анализа, доктор экономических наук, профессор
Московский университет МВД России имени В.Я. Кикотя (117437, Москва, ул. Академика Волгина, д. 12) E-mail: [email protected]
Андрей Евгеньевич Ляпин, соискатель по кафедре финансов и экономического анализа, старший оперуполномоченный Управления «П» ГУЭБиПК МВД России, старший лейтенант полиции Московский университет МВД России имени В.Я. Кикотя (117437, Москва, ул. Академика Волгина, д. 12) E-mail: [email protected]
Аннотация. Экономическая преступность как объект статистического исследования представляет собой динамичное, постоянно изменяющееся и «мутируемое» явление общественной жизни, в связи с чем потребность в ее комплексном статистическом анализе не утратит актуальности никогда, пока она существует. Именно вопросам применения самых наукоемких методов статистической оценки для изучения закономерностей экономической преступности посвящена данная статья.
Ключевые слова: экономическая преступность, метод статистических группировок, причинно-следственные связи, моделирование экономической преступности.
УДК 31:33 ББК 65.050
STATISTICAL EVALUATION OF FACTORS MODERN ECONOMIC CRIME
Dmitry V. Dianov, professor of the Department of economic security, finance and economic analysis, doctor of economic sciences, professor
Moscow University of the Ministry of Internal affairs of Russia named after V.Ya. Kikot' (117437, Moscow, ul. Akademika Volgina, d. 12) E-mail: [email protected]
Andrey E. Lyapin, post-graduate student of the Department of finance and economic analysis, senior operative of Management «P» of the Main Directorate for Economic Safety and Counteracting Corruption of the Ministry of Internal Affairs of the Russian Federation, senior police lieutenant
Moscow University of the Ministry of Internal affairs of Russia named after V.Ya. Kikot' (117437, Moscow, ul. Akademika Volgina, d. 12) E-mail: [email protected]
Annotation. Economic crime as an object of statistical research is a dynamic, constantly changing and «mutated» phenomenon of social life, and therefore the need for a comprehensive statistical analysis does not lose relevance ever, as long as it exists. This article is devoted to the use of the most science-intensive methods of statistical evaluation to study the laws of economic crime.
Keyword: economic crime, the method of statistical groupings, cause-and-effect relations, modeling of economic crime.
Citation-индекс в электронной библиотеке НИИОН
Для цитирования: Дианов Д.В., Ляпин А.Е. Статистическая оценка факторов современной экономической преступности. Вестник Московского университета МВД России. 2019;(2):245—251.
Россия пережила так называемые «лихие девяностые», когда стремительный переход прав собственности на активы, созданные трудом нескольких поколений советских людей — их потом, кровью, вдохновением и стремлением, оказался в поле влияния «людей», сгруппировавшихся в ОПГ — организованные преступные группы. Конечно, клановость и кумовство для населения абсолютно всех новоявленных республик СНГ открытием не стало: в Узбекистане до сих пор помнят клан Рашидова, в Москве «мэра» столицы Промыслова. В народной памяти краснодар-
ские, ростовские и ставропольские делишки, ставшая советским ОБХСС-бестселлером история с черной икрой в селедочных банках, Елисеевский магазин в столице и т.д. Но новое явление, мотивированное исключительно личными интересами новоиспеченных национальных «лидеров» и порожденное полным попустительством, по сути, сросшихся воедино власти и ОПГ, такое, как передел государственной собственности, застало истинных тружеников — русский и все коренные народы России — беспощадно врасплох. В дальнейшем патриархи приватизации убедили народ
в невозвратности самого масштабного в истории человеческого социума грабежа. Безусловным новшеством в общественном сознании стала практика «владения бизнесом» и «контроля бизнеса», в просто наро-дии—рэкет и крышевание. Оказалось, что сфера деятельности тоже является объектом владения и фактором дохода. Вот только каждый человек задавался одними теми же вопросами, например: откуда они (ОПГ) знают все это? где они этому научились? почему мы все оказались не у дел и просто «плывем по пенистому течению рынка с его валунами и порогами» на авось — куда вынесет?
На сегодня самым часто слышимым словом во время вещания новостных телепрограмм и наиболее читаемым в печати, стало «коррупция». В этой работе мы не будем вдаваться в теорию экономической безопасности, отметим лишь, что население, российские народы, которые не утратили генетически заложенных ни традиций, ни духа, воспринимает коррупцию как должную издержку повсеместного не просто слияния, а одновременно существующей в одном лице властно-олигархо-чиновничьей машины и ОПГ. В марксистской теории это называется — ГМК — государственно-монополистический капитализм. Налицо и основной его признак — слияние капитала банковского и промышленного. Ничего нового даже на теоретическом уровне. О том, что страна утонула к коррупции и опутана паутиной этого спрута, постоянно говорит и Президент России. Например, в Послании Федеральному Собранию в 2018 г. В.В. Путин говорил о факторах противодействия коррупции в масштабах всего информационного пространства, указав, что «уголовные нормы должны жестко действовать, когда речь идет о правах, жизни и здоровье граждан», «а по-
Табл. 1. Основные показатели, характеризующие тенденции экономической преступности ПФО и УФО в 2017 г.
2 Регионы Зарегистрировано преступлений экономической направленности, ед. Численность населения, в среднем за год, тыс. чел. Доходы населения в среднем за месяц, в расчете на душу, руб. Число прибывших мигрантов из государств-участников СНГ, чел. Численность безработных, в среднем за год, тыс. чел. Общее число зарегистрированных преступлений, ед.
А Y Х1 Х2 Хз Х4 Х5
давляющее большинство людей, работающих в системе управления государством, — порядочные, честные и нацеленные на результат люди»1. Летом минувшего года утвержден «Национальный план противодействия коррупции на 2018-2020 гг.».
Ниже, в содержательной части научной статьи, рассмотрим количественные оценки состояния и столь губительной для общества эволюции явления — современной экономической преступности как объекта статистического исследования.
Систематизация статистических данных
об экономической преступности в России на основе метода группировок
Рассмотрим возможности применения методов математической и общей теории статистики для комплексного анализа экономической преступности на территории России, выявления и оценки ее основных закономерностей и взаимосвязей с другими системами.
Первый шаг в установлении закономерностей и дальнейшего математико-статистического моделирования — группировка данных, систематизированных по результатам статистической сводки.
В нашей научной работе в части рассмотрения информационного потенциала метода аналитических группировок ставится цель выявления взаимосвязи между числом зарегистрированных преступлений экономической направленности и численностью безработных. Рамки научной статьи не позволяют рассмотреть аналогичным образом, как устанавливается (или намечается гипотеза) взаимосвязь между экономической преступностью и остальными объясняющими показателями, представленными в таблице 1.
Для решения поставленной задачи проанализируем показатели Приволжского и Уральского федеральных округов за 2017 г.
В качестве результативного показателя возьмем число зарегистрированных преступлений экономической направленности, в единицах. Остальные показатели определим, как объясняющиеся относительно результативной переменной. Примем в качестве группировочного показателя Х4 — численность безработных в среднем за год.
Последовательно определив вариационный размах группировочного показателя по формуле
1 URL://https://www.ntv.ru/novosti/1986610/
Табл. 2. Окончательная группировка регионов по среднегодовой численности безработных в 2017 г.
№ группы Тыс. чел. Регионы
1 до 52 Ямало-Ненецкий автономный округ, Республика Мордовия, Республика Марий Эл, Ульяновская область, Пензенская область, Чувашская Республика, Курганская область, Кировская область, Ханты-Мансийский автономный округ — Югра, Удмуртская Республика
2 52—78 Саратовская область, Самарская область, Нижегородская область, Пермский край, Республика Татарстан
3 78 и более Тюменская область, Республика Башкортостан, Челябинская область, Свердловская область
R — Хшах — Хгшп ; количество групп по формуле Стерд-жесса N — 1 + Lg(n)*3,322. Получаем окончательное количество групп для 20 крупнейших регионов России, равное трем (табл. 2).
Совершенно очевидна объективность сформированных групп. Регионы объединились в однородные в количественном отношении группы, а группы, в свою очередь, ранжировались по основному критерию — масштаб промышленного производства в субъектах Федерации.
Далее построим аналитическую группировку (табл. 3).
По результатам представленной группировки можно констатировать наличие положительной связи между среднегодовой численностью безработных и числом зарегистрированных преступлений экономической направленности. Чем больше количество без-
Табл. 3. Группировка регионов Приволжского и Уральет
работных в регионе, тем выше значение изучаемого показателя экономической направленности.
Также стоит отметить наличие положительной связи между группировочным показателем и остальными объясняющими показателями. Их значения также увеличиваются, что говорит о правильности выбора нами статистических показателей, а также о том, что проблема совершения преступлений экономической направленности зависит от множества социально-экономических факторов.
Интерпретацию того, что векторы средних значений показателей экономической преступности и остальных социально-экономических показателей оказались однонаправлены, проводить рано, так как пока речь идет на уровне предварительного подтверждения различных гипотез о характере влияния факторов на исследуемый нами результат. Окончательная точка
го ФО по среднегодовой численности безработных в 2017 г.
№ группы Группы регионов, тыс. чел. Количество регионов Зарегистрировано преступлений экономической направленности, ед. Численность населения в среднем за год, тыс. чел. Доходы населения в среднем за месяц в расчете на душу, руб. Число прибывших мигрантов из государств-участников СНГ, чел. Общее число зарегистрированных преступлений, ед.
Х4 Y Х1 Х2 Х3 Х5
1 до 52 11 760,73 26 100 4163,27 1 196 167 16 576,45
2 52—78 5 2041,4 27 456,6 7731,2 3 089 600 41 518,4
3 78 и более 4 2044,75 31 520,75 14175,5 3 889 667 62 859,25
В среднем
по двум федеральным 20 1337,7 27 523,3 7057,7 2 208 225 32 068,5
округам
ЭКОНОМИЧЕСКИЕ НАУКИ
будет поставлена ниже, по результатам применения статистического метода регрессии.
Для того, чтобы дать количественную оценку взаимосвязи между группированным и результативным показателями рассчитаем эмпирический коэффициент детерминации и эмпирическое корреляционное отношение.
§2
П2 — о- — эмпирический коэффициент детерминации. В числителе — межгрупповая, в знаменателе — общая дисперсия показателя экономической преступности.
П — ^п2 — эмпирическое корреляционное отношение.
Для этого рассчитаем общую и межгрупповую дисперсии.
Общая дисперсия (о2) = 12705928,2/20 = 635296,41 ед.2
Межгрупповая дисперсия: §2 = = 406888,414 тыс. ед.2
8137768,28
20
Тогда аналитические показатели: 406888,414
П2 =
635296,41
*100% = 64%; п — ^0,64 = 0,8
Моделирование взаимосвязей показателей экономической преступности и социально-экономического развития на основе метода корреляции и регрессии
Для дальнейшего изучения закономерностей скорректируем ассортимент объясняющих показателей.
В качестве объясняющих показателей определим: Х1 — численность безработных, Х2 — оборот розничной торговли на душу населения, Хз — среднемесячные доходы в расчете на душу населения, Х4 — число прибывших мигрантов из государств-участников СНГ, Х5 — задолженность по налогам и сборам в консолидированный бюджет России (табл. 4).
Степень тесноты связей попарно количественно определим на основе коэффициента корреляции. Из полученных расчетных величин построим матрицу (Я) парных коэффициентов корреляции. Числовая вариация данного коэффициента изменяется от нуля до единицы, характеризуя степень тесноты связи. При этом знак коэффициента перед числовым значением указывает на направленность связи: прямая или обратная.
Гу/х! —
у*х1 - у*х1 oy*oxi
По проведенным расчетам можно сделать такой вывод, что вариация результативного показателя — числа зарегистрированных преступлений экономической направленности — на 64% объясняется вариацией группировочного показателя — среднегодовой численности безработных. Степень тесноты связи между ними (п — 0,8) является близкой к единичному значению, т.е. сильной. Оставшиеся 36% объясняются остальными объясняющими показателями.
Остальные показатели, также последовательно, должны занимать место группировочного и подвергаются аналогичным расчетным процедурам.
Результаты проведенного анализа корреляций приводят нас к выводу о наличии слабой, но одновременно положительной связи между числом зарегистрированных преступлений экономической направленности и среднемесячными доходами в расчете на душу населения, а также о наличии слабой положительной связи между этими преступлениями и числом прибывших мигрантов из государств-участников СНГ.
Также можно сделать вывод о наличии умеренной положительной связи между экономической преступностью и оборотом розничной торговли на душу населения.
Табл. 4. Матрица Я-парных коэффициентов корреляции
Y Х1 Х2 Х3 Х4 Х5
Y 1
Х1 0,82837181 1
Х2 0,43145588 0,47099935 1
Х3 0,06424356 0,09029819 0,85434854 1
Х4 0,21043533 0,46638916 0,50711043 0,3815994 1
Х5 0,76711668 0,78969925 0,63430576 0,355804 0,3050823 1
ЭКОНОМИЧЕСКИЕ НАУКИ
Очевиден по матрице R и вывод о наличии сильной положительной связи между числом зарегистрированных преступлений экономической направленности и численностью безработных (гипотеза вновь подтвердилась, как и в аналитической группировке), а также о наличии сильной положительной связи между числом зарегистрированных преступлений экономической направленности и задолженностью по налогам и сборам в консолидированный бюджет России.
Для того, чтобы определить аналитическое выражение связи между результативным показателем и объясняющими показателями выполним, в соответствии с требованиями статистической науки, регрессионный анализ (табл. 5).
Построим регрессионную модель зависимости результативного показателя У от объясняющих показателей Х1, Х2, Х3, Х4, Х5.
Исходя из полученной регрессионной статистики, можно сказать о том, что коэффициент детерминации ^-квадрат) равен 0,7695. Это означает, что объясняющие показатели почти на 77% принимают на себя в совокупности нагрузку вариации показателя экономической преступности.
По результатам проведенного регрессионного анализа можно сделать вывод о том, что наиболее адекватной является модель, которая включает в себя все объясняющие показатели. Данная модель является наиболее адекватной, так как коэффициент детерминации данной модели имеет наибольшее значение. Модель запишем в следующем формате: у (х1, х2, х3, х4, х5) = 0,01210528 + 0,012852585*Х1 + + 0,007084382*Х2 - 0,00002*хз - 0,00002*Х4 + 0,00003*Х5.
Рассчитаем по данной модели коэффициенты эластичности:
Х1
Э1— Ь1* — 0,575080722% У
Э2 — Ь2* у — 0,881819183%
х3 у
х4
у
х5 у
Э3 — Ь3* — — -0,54157801% — 0,14551902% Э5 — Ь5* ^ — 0,226422013%
Таким образом, при увеличении численности безработных на 1 тыс. человек мы наблюдаем рост числа зарегистрированных преступлений экономической направленности на 10 единиц, т.е., рост безработицы на 1% предопределяет рост экономической преступности на 0,57%. Вариантов интерпретации и объяснения столь сильной взаимосвязи множество, поскольку речь идет о двух бичах для любой экономики, где «зло порождает зло». Кроме того, безработные люди ищут больше способов незаконного получения денежных средств, следовательно, больше преступлений экономической направленности. Сам факт получения денежных доходов людьми, имеющими официальный статус безработных, является экономическим преступлением.
При увеличении оборота розничной торговли на душу населения на 1 тыс. руб. мы наблюдаем изменение числа зарегистрированных преступлений экономической направленности на 7 единиц. Уместно отвлечься для ракурса в республики, не вошедшие в постсоветскую конфедерацию. В балтийских республиках вопрос торговой дисциплины решен, причем — радикально. Каждый торговец на потребительском рынке — от супермаркета до базарного коробейника — знает о неизбежности наказания за любое нарушение правил и этики торговли: продажа продукции, не соответствующей требованиям — ка-
Табл. 5. Регрессионная статистика по всем объясняющим показателям
Регрессионная статистика Коэффициенты ^статистика
Множественный R 0,877217002 У-пересечение 0,01210528 0,026655711
R-квадрат 0,769509668 Переменная Х 1 0,012852585 2,020281873
Нормированный R-квадрат 0,687191693 Переменная Х 2 0,007084382 1,916069228
Стандартная ошибка 0,461953591 Переменная Х 3 -0,00002 -2,970996227
Наблюдения 20 Переменная Х 4 0,02146 2,214887396
Переменная Х 5 0,00003 3,936990181
чества, стандарта, ассортимента и т.д., влечет, помимо наказания (штрафа, ареста, конфискации и т.д.), запрет на занятие предпринимательской деятельностью навсегда. Такая же ситуация в Беларуси и Туркмении. Эти пять из 15-ти республик добились того, к чему остальные стремятся, или, во всяком случае, декларируют, что стремятся, как например, Украина и Кыргызстан. Причем добиться торговой дисциплины удалось там, где применялись радикальные меры, а не экономические — стимулирующие, поощряющие, протекционистские, воспитательные, профилактические и т.д. Во всех остальных случаях — контрафактная продукция, подделки торговых марок, торговля мимо кассы, в неустановленных местах, повсеместная монополия, «торговля воздухом», неоказание или недолжное оказание услуг по системе обязательного и добровольного страхования — превратили потребительский рынок просто в теневой сектор, а в сферу экономической преступности. Не будем в этой статье затрагивать вопросы физической опасности для каждого гражданина от участия на данном рынке как потребителя — ущерба здоровью и жизни. Констатируем на основе соответствующего коэффициента эластичности, что при увеличении оборота розничной торговли на душу населения на 1% число зарегистрированных преступлений экономической направленности изменится на +0,88%.
При увеличении среднемесячных доходов населения на 1 тыс. руб. мы наблюдаем уменьшение числа зарегистрированных преступлений экономической направленности на 20 единиц по каждому региону Приволжского и Уральского федеральных округов. Естественно, что речь идет о факторе, ровно противоположном по всему влиянию на преступность, нежели уровень безработицы. В относительном выражении обратная связь такова, что при увеличении доходов населения в среднем за месяц на 1% число зарегистрированных преступлений экономической направленности уменьшится на 0,54%. Кроме того, чем больше у гражданина доход, тем меньше у него мотивов быть участником или соучастником совершения преступлений экономической направленности.
Рост числа прибывших мигрантов из государств-участников СНГ на 1000 человек дает нам возможность наблюдать изменение числа зарегистрированных преступлений экономической направленности в большую сторону на 21 единицу. Жители европей-
ской части России давно заметили, что в системе жилищно-коммунального хозяйства преимущественно работают мигранты из бывших союзных азиатских республик. Часто их «прием» на работу представляет собой неприкрытое вульгарное экономическое преступление со стороны работодателей. Конечно, говоря о единичных случаях, крупные масштабы не рассмотреть. Однако, совокупность таких единиц — весьма ощутимый вклад в общий уровень экономической преступности. Когда речь идет о найме не управляющей компанией, а государственным учреждением на должности работников низкой квалификации, частой ситуацией является формальный прием на работу «близких» должностным лицам людей по одним условиям оплаты труда, а фактический прием мигрантов на выполнение этих работ по иным трудовым расценкам, которые могут многократно отличаться от тех, что проходят по «белой бухгалтерии». Таким образом, увеличение числа прибывших мигрантов из государств-участников СНГ на 1% сопровождается в регионах ПФО и УФО ростом количества зарегистрированных экономических преступлений в среднем на 0,14%.
Экономический показатель, по-разному трактуемый относительно роста производства, — задолженность по налогам и сборам в консолидированный бюджет, увеличиваясь количественно на 1 млрд руб. предопределяет рост числа зарегистрированных преступлений экономической направленности на 30 единиц. В относительном исчислении: при росте задолженности по налогам и сборам в консолидированный бюджет России на 1% рост экономической преступности составляет 0,22%. В данной статье не будем останавливаться на всех ухищрениях, когда недобросовестные налогоплательщики любыми преступными путями и махинациями обманывают государство, чтобы не выплачивать налоги и сборы в бюджет страны.
На этом интерпретация результатов построенной нами статистической регрессионной модели закончена. По аналогии можно построить десятки моделей, описывающих факторное влияние на экономическую преступность.
В данной научной статье рассмотрена принципиальная возможность применения методов математической и общей теории статистики для комплексной оценки влияния факторов на уровень современной экономической преступности. Разумеется, речь не
может в рамках одной научной статьи идти о реализации такого комплексного анализа. Нами рассмотрен вопрос о развитии статистической методологии в части ее прикладного применения к конкретному изучаемому явлению — экономической преступности. Овладение алгоритмом такой методологии позволит применять математико-статистические методы и для выявления признаков экономических преступлений, совершаемых, как участниками рынка, так и должностными лицами, работающими на государственной службе.
Литература
1. Баканач О.В., Проскурина Н.В. Статистический анализ безработицы в Российской Федерации в разрезе федеральных округов // Системное управление. 2016. № 2 (31).
2. Дианов Д.В., Гайфулин Н.В. Применение статистических методов в экспертных исследованиях основного капитала региональной экономики // Вопросы региональной экономики. 2018. Т. 34. № 1. С. 151-160.
3. Михеева М.В. Основные направления обеспечения экономической безопасности России в современных условиях // Вестник Академии Следственного комитета Российской Федерации. 2016. № 2 (8). С. 146-150.
3. Трофимов Е.А., Трофимова Т.И. Рынок труда: экономико-теоретический аспект: Учеб. пособие. Иркутск: Изд-во БГУЭП, 2015.
4. Школьникова К.Ю. Статистика экономической активности, занятости и безработицы // Наука сегодня: теоретические и практические аспекты. 2015. № 3.
5. Dianov D., Suglobov A., Dyatlova A. The application of statistical methods in the study of unprofitable organizations' activities // Matec Web of Conferences Volume 212 (2018) 2018. The International Scientific Conference «Investment. Construction. Real Estate: New Technologies and Special-Purpose Development Priorities» (ICRE 2018). Irkutsk, Russia, April 26-27, 2018.
References
1. Bakanach O.V., Proskuiina N.V. «Statisticheskiy analiz bezrabotitsy v Rossiyskoy Federatsii v razreze fe-deral'nykh okrugov» // Sistemnoye upravleniye. 2016. № 2 (31).
2. DianovD.V., GayfulinN.V. Primeneniye statistic-heskikh metodov v ekspertnykh issledovaniyakh osnov-nogo kapitala regional'noy ekonomiki // Voprosy re-gional'noy ekonomiki. 2018. T. 34. № 1. S. 151-160.
3. Mikheeva M.V. Osnovnyye napravleniya obespec-heniya ekonomicheskoy bezopasnosti Rossii v sovremen-nykh usloviyakh // Vestnik Akademii Sledstvennogo komi-teta Rossiyskoy Federatsii. 2016. № 2 (8). S. 146-150.
4. Trofimov E.A., Trofimova T.I. Rynok truda: ekonomiko-teoreticheskiy aspekt: Ucheb. posobiye. Irkutsk: Izd-vo BGUEP, 2015.
5. Shkol'nikova K.Yu. Statistika ekonomicheskoy aktivnosti, zanyatosti i bezrabotitsy // Nauka segodnya: teoreticheskiye i prakticheskiye aspekty. 2015. № 3.
6. Dianov D., Suglobov A., Dyatlova A. The application of statistical methods in the study of unprofitable organizations' activities // Matec Web of Conferences Volume 212 (2018) 2018. The International Scientific Conference «Investment. Construction. Real Estate: New Technologies and Special-Purpose Development Priorities» (ICRE 2018). Irkutsk, Russia, April 26-27, 2018.
