Разработка моделей оценки и анализа деятельности органов внутренних дел по противодействию леголизации преступных доходов

Введение
Глава 1. Теоретические основы методов оценки и анализа
1.1.Существующие методы оценки и анализа деятельности ОВД
1.2.Принципы построения моделей оценки и анализа
1.3.Технология оценивания параметров моделей и проверка их адекватности
Глава 2. Основные направления использования разработанных математических моделей в оценке и анализе деятельности ОДВ
2.1.Применение моделей для анализа современных тенденций развития преступности
2.2.Оценка деятельности ОВД по противодействию легализации преступных доходов (нейронные сети)
2.3.Предложения по совершенствованию деятельности ОВД по противодействию легализации преступных доходов
Заключение
Литература

Разработка моделей оценки и анализа деятельности органов внутренних дел по противодействию леголизации преступных доходов

Криминологическое планирование может иметь следующие основные виды:
– по масштабу или уровню – на отдельном объекте, по району, области, региону или по республике в целом;
– по составу участников и их роли – ведомственное, межведомственное или общегосударственное;
– по предмету и задачам – по борьбе с отдельными видами преступности (например, с организованной преступностью, с экономической преступностью либо автотранспортными преступлениями и т.д.), по борьбе с преступностью в целом;
– по срокам – долгосрочное (10–20 лет), среднесрочное (3–5 лет), краткосрочное (месяц, квартал, год, 2 года).
Реальное проявление криминологического планирования может иметь место в общих государственных системах экономического и социального развития страны (например, по управлению миграционными процессами, по развитию системы образования, культуры, спорта и т.д.), в детализированных планах борьбы с преступностью правоохранительных органов (как по отдельным ведомствам – КНБ, МВД, юстиция, прокуратура и т.д., так и совместно), в определенных целевых программах по отдельным направлениям предупреждения преступности (среди несовершеннолетних, молодежи, рецидивной, групповой, «пьяной» преступности и т.д.).14
В какой бы форме ни проявлялось планирование, оно должно отвечать принципам обоснованности, реальности, координации, исключения дублирования, ответственности исполнителей, отчетности для выявления недостатков в планировании и учета их на будущее.
Структура планов предупреждения преступности может быть различной в зависимости от целей и задач, объема и методов исследования, причин и условий, мер предупреждения преступности. Ведомственные и межведомственные планы правоохранительных органов уже выработали определенную структуру – общую, специальную и заключительную части.
В общей части плана предусматриваются краткий анализ состояния преступности, цель, задачи и профилактические меры без специализации в зависимости от видов преступлений, правоохранительная работа среди населения, выработка и представление предложений в различные органы законодательной, исполнительной и судебной ветвей власти, в том числе и по созданию тех или иных профилактических подразделений, мер по информационному и методическому обеспечению профилактики, привлечению сил научно-исследовательских коллективов. В специальной части указываются основные, приоритетные направления борьбы с преступностью и соответственно меры их обеспечения. Заключительная часть плана содержит в основном ресурсные источники, порядок и срок реализации результатов выполнения намеченных мер.
2. Принципы построения моделей оценки и анализа
Одним из наиболее эффективных способов краткосрочного прогнозирования является прогнозирование на основе экспоненциального сглаживания. Этот метод основан на исчислении средневзвешенной величины продаж за некоторое число прошедших периодов и в краткосрочном периоде оказывается очень полезным в тех случаях, когда в рассматриваемом временном ряду наблюдаются значительные различия в уровнях данных, а также в случаях, если товар дешевый или скоропортящийся.
Преимущество метода экспоненциального сглаживания при краткосрочном прогнозировании состоит, главным образом, в том, что он достаточно вычислительно прост и удобен в использовании по сравнению с другими методами. Кроме того, экспоненциальное сглаживание обеспечивает быстрое реагирование прогноза на все события, происходящие на протяжении определенного периода, что позволяет построить так называемую «адаптивную прогнозную модель». Такая модель значительно лучше учитывает случайную колеблемость функции, чем например, трендовая модель. Тем не менее, прогнозирование спроса методом экспоненциального сглаживания будет более точным, если факторы, определяющие спрос, не будут подвержены резким колебаниям.
При использовании методики экспоненциального сглаживания более поздним данным уделяется большее внимание, чем ранним данным. Такой метод обеспечивает быстрое получение прогноза на один период вперед, при этом автоматически корректируя любой прогноз в свете отличий фактических результатов от спрогнозированных.
Простейшую модель экспоненциального сглаживания можно представить как:
,
где - константа сглаживания,
Ft+1- прогноз на следующий период,
Ft- прогноз на текущий период,
Dt - фактический спрос на текущий период.
Константа сглаживания выбирается от 0 до 1. Величина константы зависит от специфики данных. Если величина ближе к 0, это значит, что прогноз на следующий период будет, в основном, зависеть от данных прошлых периодов, в значительно меньшей степени учитывая последние фактические данные. Если же величина стремится к 1, то на прогноз в большей степени влияет фактический спрос в текущем периоде, чем данные прошлых периодов15.
Опишем понятия регрессионного анализа. Регрессионный анализ - это группа методов, направ­ленных на выявление и математическое выражение тех измене­ний и зависимостей, которые имеют место в системе случайных величин.
По определению, регрессионным анализом называется метод статистического анализа зависимости случайной величины у от переменных xj(j=1,2,…,k), рассматриваемых в регрессионном анализе как неслучайные величины, независимо от истинного закона распределения xj.
В регрессионном анализе обычно предполагается, что случайная величина у имеет нормальный закон распределения с условным математическим ожиданием , являющимся функцией от аргументов xj (j=1,2,…,k), и постоянной, не зависящей от аргументов, дисперсий . Требование нормальности закона распределения необходимо лишь для проверки значимости уравнения регрессии и его параметров j, а также для интервального оценивания регрессии и его параметров j. Для получения точечных оценок j(j=0,1,2,…,k) этого условия не требуется16.
Выделяются различные формальные задачи регрессионного анализа. Они могут быть простыми или сложными по формулировкам, по математиче­ским средствам и трудоемкости. Основные задачи перечислены ниже:
1. Выявление факта изменчивости изучаемого яв­ления при определенных, но не всегда четко фиксированных условиях.
2. Выявление тенденции как периодического изменения признака. Сам по себе этот признак мо­жет быть зависим или не зависим от переменной-условия (он может зависеть от неизвестных или неконтролируемых иссле­дователем условий). Но это не важно для рассматриваемой за­дачи, которая ограничивается лишь выявлением тенденции и ее особенностей.
Для принятия решения, какие факторы включить в модель, а также анализ влияния этих факторов на результирующий показатель (увеличивают или уменьшают; является ли эта зависимость линейной или носит более сложный характер) требуется проводить спецификацию модели17. При этом в процессе такого исследования можно несколько раз возвращаться к этому этапу, уточняя перечень включаемых факторов или вид функции. Когда вид функции или её составляющие не соответствуют реальным процессам, то говорят об ошибках спецификации модели. Эти ошибки могут быть трёх видов:
1. игнорирование при построении модели существенного фактора;
2. введение в модель переменной, которая не является существенной для объясняемого показателя;
3. использование неподходящих математических функций для описания зависимости.
Анализ факторов должен проводиться с учетом следующих требований:
непосредственный отбор факторов для включения их в модель, должен осуществляться на основе качественного анализа, исходя из целей и задач исследования. Наряду с факторами, непосредственно формирующими уровень исследуемого результативного показателя, в анализ необходимо вводить так называемые глубинные факторы, действующие опосредовано.
введение в модель большого числа факторов вовсе не так целесообразно, как иногда кажется. Правильнее отобрать только сравнительно небольшое число основных факторов, находящихся в корреляционной связи с выбранным функциональным (результирующим) показателем. Это объясняется двумя причинами. Во-первых, чрезмерное увеличение числа факторов может не прояснить, а напротив, затушевать картину множественных связей. А во-вторых, статистические методы исследования могут быть использованы, когда на каждый оцениваемый коэффициент модели приходится не менее 4-5 выборочных данных. А объём выборки, как правило, всегда ограничен из-за недостатка информации.
выбор факторов, включаемых в модель, прежде всего предопределяется возможностью получения исходной статистической информации.
факторы, включаемые в модель, не должны находиться между собой в функциональной связи. Наличие таких связей носит название мультиколлинеарности. Под мультиколлинеарностью понимается тесная зависимость между факторными признаками, включенными в модель. Наличие мультиколлинеарности между признаками приводит к искажению величины параметров модели, которые имеют тенденцию к завышению; изменению смысла экономической интерпретации коэффициентов рег­рессии;. слабой обусловленности системы нормальных уравнений; . осложнению процесса определения наиболее существенных фактор­ных признаков.Одним из индикаторов определения наличия мультиколлинеарности между признаками является превышение парным коэффициентом корре­ляции величины 0,8 . Устранение мультиколлинеарности может реализовываться через ис­ключение из корреляционной модели одного или нескольких линейно-свя­занных факторных признаков или преобразование исходных факторных признаков в новые, укрупненные факторы.
факторы, включаемые в модель, должны быть, как правило, количественно измеримы.
Наиболее приемлемым способом отбора факторных признаков являет­ся шаговая регрессия (шаговый регрессионный анализ). Сущность мето­да шаговой регрессии заключается в последовательном включении фак­торов в уравнение регрессии и последующей проверке их значимости. Факторы поочередно вводятся в уравнение так называемым "прямым ме­тодом". При проверке значимости введенного фактора определяется, на­сколько уменьшается сумма квадратов остатков и увеличивается величина множественного коэффициента корреляции. Одновременно используется и обратный метод, т.е., исключение факторов, ставших незначимы­ми на основе t-критерия Стьюдента. Фактор является незначимым, если его включение в уравнение регрессии только изменяет значение коэффи­циентов регрессии, не уменьшая суммы квадратов остатков и не увеличивая их значения. Если при включении в модель соответствующего факторного признака величина множественного коэффициента корреляции увеличивается, а коэффициент регрессии не изменяется (или меняется несу­щественно), то данный признак существен и его включение в уравнение регрессии необходимо.
Если же при включении в модель факторного признака коэффициенты регрессии меняют не только величину, но и знаки, а множественный коэффициент корреляции не возрастает, то данный факторный признак при­знается нецелесообразным для включения в модель связи.
Практика построения многофакторных моделей взаимосвязи показывает, что все реально существующие зависимости между социально-эко­номическими явлениями можно описать, используя пять типов моделей:
1. линейная:
2. степенная
3. показательная
4. параболическая
5. гиперболическая
Самым простым является первый. Остальные с помощью операции линеаризации могут быть сведены к нему.
Уравнение линейной корреляционной связи имеет вид:
,
где - теоретические значения результативного признака, полученные по уравнению регрессии; параметры при x называются коэффициентами «чистой» регрессии. Они характеризуют среднее изменение результата с изменением соответствующего параметра на единицу при неизменном значении других факторов, закрепленных на среднем уровне.
Параметры уравнения можно найти методом наименьших квадратов, то есть в качестве решения принимается точка минимума суммы квадратов отклонений эмпирических данных от выравненных :
Для нахождения минимума данной функции приравняем к нулю ее частные производные и получим систему линейных уравнений, которая называется системой нормальных уравнений:
Решая эту систему в общем виде, можно получить параметры линейной регрессии.
Рассмотрим суть метода экспертных оценок.
Рациональное использование информации, получаемой от экспертов, возможно при условии преобразования ее в форму, удобную для дальнейшего анализа.
Формализация информации, получаемой от экспертов, должна быть направлена на подготовку решения таких задач, которые не могут быть в полной мере описаны математически.
Одна из главных трудностей при оценивании состоит в том, что помимо явлений, объектов, факторов, состояние которых может быть выражено количественно (в руб., $, кг, км, % и т.п.), приходится оценивать качественные факторы, уровень которых нельзя точно определить. Часть информации, не поддающуюся количественному измерению, необходимо представить в виде косвенных оценок.
Если эксперт способен сравнить и оценить какие-либо объекты, явления, факторы, варианты действий, приписав каждому из них какое-либо число, то говорят, что он обладает определенной системой предпочтений.
В зависимости от того, по какой шкале заданы эти предпочтения, экспертные оценки содержат больший или меньший объем информации и обладают различной способностью к математической формализации.
Шкала – это инструмент (принятая система правил) оценки (измерения) каких-либо объектов или явлений.
Различают четыре типа шкал.
1. Номинальная шкала. Реализует простейший тип измерения. В этом случае проводится сравнение свойств объекта (явления) с каким-либо признаком-эталоном, результатом является упорядочение по двухэлементной шкале, где каждому из объектов (явлений) присваивается балл, равный нулю либо единице.
Примером измерения по номинальной шкале может служить проведение зачета. В этом случае эксперт-преподаватель оценивает уровень знаний студентов и выносит решение: зачет (объекту-студенту присваивается балл, равный нулю) или незачет (объекту-студенту присваивается балл, равный единице).
2. Порядковая шкала. Цель состоит в упорядочении объектов (явлений), а точнее, в выявлении с помощью экспертов скрытой упорядоченности, которая, по предположению, присуща множеству объектов. Результатом оценки является решение о том, что какой-либо объект (явление) предпочтительнее другого в отношении какого-то критерия.
Примером может служить определение жюри победителей и призеров какого-либо конкурса. Здесь эксперты должны решить, что участник, занявший первое место, оказался предпочтительнее (с точки зрения целей конкурса) участника, занявшего второе место. Участник, занявший второе место, в свою очередь, признается лучшим по отношению к третьему и т.д.
3. Интервальная шкала. Оценка по данной шкале позволяет не только определить, что один объект (явление) предпочтительнее другого, но также определить: на сколько предпочтительнее. Нулевая точка и единица измерения выбираются при этом произвольно.
4. Шкала отношения. В данном случае предполагается, что известно абсолютное значение свойств объекта, т.е. известна истинная нулевая точка. Шкала используется для тех факторов, которые могут быть представлены количественно.
Например, при помощи такой шкалы эксперты могут оценить размер прибыли, которая может быть получена в результате реализации какого-либо проекта.
В зависимости от существа исследуемых объектов для их оценки могут быть использованы различные шкалы.
Такие факторы как затраты, прибыль, время могут быть оценены по шкале отношения или интервальной шкале (например, в рублях, днях, баллах).
Для оценки таких факторов как срок окупаемости или сравнительная эффективность может быть использована интервальная или порядковая шкала.
Качественные, например, социальные или политические факторы могут оцениваться по порядковой или номинальной шкале.
Перейдем к рассмотрению вопросов формирования экспертных оценок, а именно к рассмотрению способов (техники) измерения объектов.
В первую очередь нас будут интересовать способы измерения, позволяющие расположить объекты на порядковой или интервальной шкале, поскольку именно такой тип оценок чаще всего используется при проведении экспертизы. Это объясняется тем, что оценка по номинальной шкале предполагает лишь два варианта ответов - ДА, НЕТ. По шкале отношения измеряются факторы, имеющие количественный характер. Значения этих факторов часто можно получить расчетным путем без использования экспертных оценок.
Выделим способы измерения объектов, наиболее часто применяемые при оценке по порядковой или интервальной шкале: ранжирование, парное сравнение, непосредственная оценка.
1.Ранжирование – это расположение объектов в порядке возрастания или убывания какого-либо присущего им свойства. Ранжирование позволяет выбрать из исследуемой совокупности факторов наиболее существенный.
Результатом проведения ранжирования является ранжировка.
Если имеется n объектов, то в результате их ранжирования j-ым экспертом каждый объект получает оценку xij – ранг, приписываемый i-му объекту j-ым экспертом.
Значения xij находятся в интервале от 1 до n. Ранг самого важного фактора равен единице, наименее значимого – числу n.
Ранжировкой j-го эксперта называется последовательность рангов x1j, x2j, …, xnj.
Достоинством метода является его простота, а недостатком - ограниченные возможности использования. При оценке большого количества объектов экспертам очень трудно строить ранжированный ряд, поскольку приходится учитывать множество сложных связей.
От этого недостатка свободен следующий метод.
2. Парное сравнение - это установление предпочтения объектов при сравнении всех возможных пар. Здесь не нужно, как при ранжировании, упорядочивать все объекты, необходимо в каждой из пар выявить более значимый объект или установить их равенство.
Парное сравнение можно проводить при большом числе объектов, а также в тех случаях, когда различие между объектами столь незначительно, что практически невыполнимо их ранжирование.
При использовании метода чаще всего составляется матрица размером nxn, где n – количество сравниваемых объектов. Общий вид матрицы парных сравнений:
Объекты
1
2
...
j
...
n
1
2
...
i
...
n
При сравнении объектов матрица заполняется элементами aij следующим образом (может быть предложена и иная схема заполнения):
aij =
2, если объект i предпочтительнее объекта j (i > j),
1, если установлено равенство объектов (i = j),
0, если объект j предпочтительнее объекта i (i < j).
Сумма (по строке) в данном случае позволяет оценить относительную значимость объектов. Тот объект, для которого сумма окажется наибольшей, может быть признан наиболее важным (значимым).
Суммирование можно производить и по столбцам (), тогда самым существенным будет фактор, набравший наименьшее количество баллов.
3. Непосредственная оценка. Часто бывает желательным не только упорядочить (ранжировать объекты анализа), но и определить, на сколько один фактор более значим, чем другие.
В этом случае диапазон изменения характеристик объекта разбивается на отдельные интервалы, каждому из которых приписывается определенная оценка (балл), например, от 0 до 10.
Именно поэтому метод непосредственной оценки иногда именуют также балльным методом.
Смысл метода состоит в том, что эксперт помещает каждый из анализируемых объектов в определенный интервал (приписывает балл). Измерителем при этом является степень обладания объекта тем или иным свойством.
Число интервалов, на которые разбивается диапазон изменения свойства, может быть различным для разных экспертов. Кроме того, метод разрешает давать одну и ту же оценку (т.е. помещать в один и тот же интервал) различным объектам.
5. Обработка результатов опроса экспертов
Перейдем к рассмотрению процедур, выполняемых на этапе обработки результатов опроса.
На базе оценок экспертов получается обобщенная информация об исследуемом объекте (явлении) и формируется решение, задаваемое целью экспертизы. При обработке индивидуальных оценок экспертов используют различные количественные и качественные методы. Выбор того или иного метода зависит от сложности решаемой проблемы, формы, в которой представлены мнения экспертов, целей экспертизы.
Чаще всего при обработке результатов опроса используются методы математической статистики.
В зависимости от целей экспертизы при обработке оценок могут решаться следующие проблемы:
 формирование обобщенной оценки;
 определение относительных весов объектов;