from 01.01.2018 to 01.01.2019
Saint Petersburg University of the Ministry Internal Affairs of Russian Federation (department of economic security and management of socio-economic processes, professor of the department)
from 01.01.2020 until now
Russian Federation
UDK 33 Экономика. Экономические науки
BBK 65 Экономика. Экономические науки
The article analyzes statistical data on the number of economic crimes detected in the Russian Federation related to the consumer market, assesses the nature of the dynamics of the levels of this indicator, formulates proposals for using the results of the analysis.
consumer market, crimes in the consumer market, series of dynamics, autocorrelation of the levels of a number of dynamics, the main trend, cyclical fluctuations in levels, seasonal fluctuations in levels, seasonality indices
Стратегия национальной безопасности Российской Федерации, утвержденная Указом Президента РФ от 31 декабря 2015 года № 683, определяет криминализацию экономических отношений как одну из главных угроз национальной безопасности России в области экономики и препятствие экономическому росту страны [1]. Неблагоприятная динамика развития национальной экономики, снижение качества потребительских товаров и услуг отрицательно влияют на качество жизни россиян, что обусловливает необходимость принятия жестких мер по противодействию экономической преступности, связанной с потребительским рынком.
Принятие эффективных управленческих решений, в том числе в правоохранительной сфере, невозможно без тщательного анализа достоверных данных, характеризующих состояние и развитие объекта управления. Главный информационно-аналитический центр МВД России регулярно публикует на официальном сайте Министерства в коммуникационной сети «Интернет» статистические данные о состоянии преступности в России, среди которых представлен показатель числа выявленных экономических преступлений, связанных с потребительским рынком [2]. Статистический анализ динамики этого показателя позволяет выявить закономерности изменения состояния преступности, связанной с потребительским рынком, во времени, измерить их количественно и учесть при разработке и планировании мер, направленных на сокращение масштабов данного явления.
Официальные статистические данные о числе экономических преступлений, в том числе связанных с потребительским рынком, определяются ежемесячно нарастающим итогом в течение календарного года. Они могут быть преобразованы к исходным значениям числа преступлений, выявленных в каждом месяце отдельно, путем определения разницы между итоговым значением этого показателя в отчетном периоде и его значением в предшествующем периоде.
В таблице 1 представлены рассчитанные таким образом ежемесячные уровни числа выявленных в России преступлений, связанных с потребительским рынком (далее — число преступлений), с 2015 года по 2019 год включительно. Данные за более ранние периоды времени также имеются в открытом доступе, но они не рассматривались по причине того, что в 2014 году произошло изменение границ Российской Федерации после включения в ее состав Республики Крым, а для обеспечения сопоставимости уровней статистического показателя, рассчитанных в рамках всей страны, необходимо выполнение условия неизменности ее границ.
Для наглядности представим данные из таблице 1 в графическом виде (рис. 1). Как видно из рисунка, характер динамики числа преступлений имеет ярко выраженный периодический характер. Наблюдаются циклические ежегодные колебания уровней в зависимости от номера отчетного месяца. При этом какой-то существенной и однозначной основной тенденции в динамике уровней нет. Однако чтобы быть полностью уверенными в таком характере колебания уровней, результаты визуального анализа следует подкрепить математическими расчетами. Для этого используем статистический метод анализа рядов динамики посредством оценки автокорреляции их уровней [3].
Таблица 1
Число выявленных экономических преступлений, связанных
с потребительским рынком, в Российской Федерации в 2015—2019 гг.
Месяц 2015 2016 2017 2018 2019
Январь 1711 2211 1836 2250 2703
Февраль 1347 1359 1209 1644 1172
Март 1720 1596 1645 1806 931
Апрель 1117 829 789 1006 613
Май 976 508 852 683 388
Июнь 1578 851 1044 728 768
Июль 699 357 414 504 280
Август 433 468 442 678 497
Сентябрь 769 753 891 356 692
Октябрь 377 315 367 527 301
Ноябрь 341 611 329 52 176
Декабрь 131 4 3 241 45
Источник: Главный информационно-аналитический центр МВД России.
Рис. 1. Число выявленных экономических преступлений, связанных
с потребительским рынком, в Российской Федерации в 2015—2019 гг.
В основе метода лежат следующие критерии. Если имеет место сильная корреляционная связь между парами смежных уровней ряда динамики (первым и вторым, вторым и третьим и т. д.), то это указывает на наличие в нем основной тенденции изменения уровней. Если наблюдается сильная связь между парами уровней, разнесенных во времени на иной интервал, то имеют место циклические колебания уровней с периодом, равным этому интервалу.
Такая зависимость уровней от самих себя называется автокорреляцией. Ее сила оценивается по абсолютной величине коэффициента автокорреляции, который рассчитывают по стандартной формуле коэффициента парной корреляции:
,
где rak — коэффициент автокорреляции k-го порядка; — уровни исследуемого ряда динамики; — уровни этого же ряда, но сдвинутые на k временных позиций в прошлое время; , — их средние значения; — средняя величина произведений их значений; , — среднеквадратичные отклонения фактических значений уровней ряда динамики относительно их среднего значения.
Приняты следующие градации оценки силы корреляционной связи по абсолютному значению коэффициента парной корреляции: от 0 до 0,3 — связь практически отсутствует, от 0,3 до 0,5 — слабая связь, от 0,5 до 0,7 — умеренная, от 0,7 до 1 — сильная [3].
Недостатком данного метода является уменьшение числа уровней ряда динамики, проверяемых на наличие автокорреляции, по мере увеличения временного сдвига (лага). Однако в нашем случае исходное число уровней достаточно велико (n = 60), что позволяет вычислять коэффициенты автокорреляции от 1-го до 30-го порядка (k = 1, 2, … 30), меняя временной лаг от 1 до 30 месяцев, и не беспокоиться о значимости их величины, поскольку при этом число оцениваемых уровней n — k не опустится ниже 30, а согласно правилам корреляционного анализа такой объем позволяет полагать расчетное значение коэффициента парной корреляции безусловно значимым (точным и достоверным), не проводя дополнительную проверку [3].
Для примера приведем порядок и результаты расчета коэффициента автокорреляции 30-го порядка (ra30), поскольку он требует исходные данные наименьшего объема.
Учитывая, что число выявленных преступлений подсчитывается за интервал времени, для усреднения уровней используем формулу среднюю арифметическую:
,
где n — исходное число уровней, k — порядок коэффициента автокорреляции (для усреднения произведений уровней следует использовать аналогичную формулу), а среднеквадратичное отклонение рассчитаем по формуле:
.
Представим в табличной форме наиболее рутинные этапы расчета коэффициента автокорреляции (табл. 2) и на основе значений итоговой строки таблицы рассчитаем искомые показатели вариации уровней и коэффициент автокорреляции:
; ;
;
;
;
.
Аналогично рассчитываются коэффициенты корреляции остальных порядков. Впрочем, нет необходимости делать это ручным способом. Достаточно перенести исходные данные для анализа автокорреляции в табличный редактор Microsoft Office Excele и воспользоваться имеющейся в нем статистической функцией расчета коэффициента парной корреляции. В таблице 3 представлены рассчитанные таким способом значения коэффициентов автокорреляции, а на рисунке 2 — их наглядное графическое изображение.
Низкое значение коэффициента автокорреляции первого порядка (ra1 = 0,277) свидетельствует об отсутствии в исследуемом ряду динамики основной тенденции. Высокие и практически совпадающие значения коэффициентов автокорреляции 12-го порядка (ra12 = 0,874) и 24-го порядка (ra24 = 0,888) указывают на наличие циклических колебаний уровней с периодом, равным 12 месяцам (ему кратны оба временных лага, использованных при формировании исходных данных для расчета коэффициентов), то есть сезонных колебаний. Относительно низкие (меньше 0,5) абсолютные значения коэффициентов автокорреляции других порядков говорят об отсутствии в ряду динамики существенных циклических колебаний с какой-либо другой периодичностью.
Таким образом, результаты автокорреляционного анализа полностью совпадают с результатами первоначального визуального анализа характера динамики числа выявленных преступлений. При этом отсутствие основной тенденции в многолетнем изменении уровней числа преступлений и его явный сезонный характер позволяют создать статистически обоснованную модель ежемесячной динамики уровней, основанную на усреднении их значений, наблюдаемых в течение нескольких лет.
Таблица 2
Промежуточные результаты расчета ra30
i yi yi+30 yi yi+30 yi2 yi+302
1 1711 414 708 354 2 927 521 171 396
2 1347 442 595 374 1 814 409 195 364
3 1720 891 1 532 520 2 958 400 793 881
4 1117 367 409 939 1 247 689 134 689
5 976 329 321 104 952 576 108 241
6 1578 3 4734 2 490 084 9
7 699 2250 1 572 750 488 601 5 062 500
8 433 1644 711 852 187 489 2 702 736
9 769 1806 1 388 814 591 361 3 261 636
10 377 1006 379 262 142 129 1 012 036
11 341 683 232 903 116 281 466 489
12 131 728 95 368 17 161 529 984
13 2211 504 1 114 344 4 888 521 254 016
14 1359 678 921 402 1 846 881 459 684
15 1596 356 568 176 2 547 216 126 736
16 829 527 436 883 687 241 277 729
17 508 52 26416 258 064 2704
18 851 241 205 091 724 201 58 081
19 357 2703 964 971 127 449 7 306 209
20 468 1172 548 496 219 024 1 373 584
21 753 931 701 043 567 009 866 761
22 315 613 193 095 99 225 375 769
23 611 388 237 068 373 321 150 544
24 4 768 3072 16 589 824
25 1836 280 514 080 3 370 896 78 400
26 1209 497 600 873 1 461 681 247 009
27 1645 692 1 138 340 2 706 025 478 864
28 789 301 237 489 622 521 90 601
29 852 176 149 952 725 904 30 976
30 1044 45 46 980 1 089 936 2025
Итого 28 436 21 487 16 560 745 36 248 832 27 208 477
Таблица 3
Коэффициенты автокорреляции, rak
Порядок, k Значение Порядок, k Значение Порядок, k Значение
1 0,277 11 0,199 21 -0,229
2 0,146 12 0,874 22 0,070
3 -0,124 13 0,180 23 0,201
4 -0,153 14 0,095 24 0,888
5 -0,119 15 -0,201 25 0,194
6 -0,318 16 -0,163 26 0,133
7 -0,118 17 -0,194 27 -0,153
8 -0,138 18 -0,388 28 -0,135
9 -0,172 19 -0,125 29 -0,204
10 0,131 20 -0,198 30 -0,363
Усреднение уровней проведем по формуле:
,
где G — число лет, в течение которых велось ежемесячное наблюдение уровней числа выявленных преступлений; ymj — число преступлений, выявленных в месяце с номером m в j-ом году; — среднее число преступлений, выявленных в месяце с номером m в течении G лет.
Рис. 2. Коэффициенты автокорреляции
Параметрами модели, характеризующими колебания уровней числа выявленных преступлений, являются общее среднее значение уровней за все месяцы и все годы наблюдения , рассчитываемое по формуле:
,
и индексы сезонности, характеризующие усредненное отклонение уровня числа преступлений, выявленных в отдельном месяце, относительно их общего среднего значения и рассчитываемые по формуле:
.
В таблице 4 представлены рассчитанные таким образом усредненные уровни и соответствующие им индексы сезонности, а на рисунке 3 — наглядное графическое изображение усредненных сезонных колебаний уровней относительно общего среднего значения уровней.
Таблица 4
Усредненные сезонные колебания числа выявленных
экономических преступлений, связанных с потребительским рынком, в Российской Федерации в 2015—2019 гг.
Номер
месяца 1 2 3 4 5 6 7 8 9 10 11 12 В среднем за год
Число
преступлений 2142 1346 1540 871 681 994 451 504 692 377 302 85 832
Индекс
сезон-ности 2,575 1,618 1,85 1,047 0,819 1,194 0,542 0,605 0,832 0,454 0,363 0,102 -
Рис. 3. Усредненные сезонные колебания числа выявленных
экономических преступлений, связанных с потребительским рынком,
в Российской Федерации в 2015—2019 гг.
Представленная модель сезонных колебаний выявленных экономических преступлений, связанных с потребительским рынком, может быть использована в качестве основы при построении аналогичных моделей для отдельных субъектов Российской Федерации и территориальных образований более низкого уровня. В настоящей работе такие модели не разрабатывались из-за отсутствия в открытом доступе статистических данных о состоянии преступности в разрезе субъектов Российской Федерации и образующих их территорий. Однако важность построения таких моделей очевидна, поскольку географическое расположение, безусловно, влияет на сезонный характер экономической активности субъектов потребительского рынка конкретной территории и, как следствие, на сезонный характер состояния преступности на этом рынке. Знание параметров таких моделей позволит повысить обоснованность управленческих решений, направленных на противодействие данному виду преступности. Например, можно улучшить качество планирования кадрового обеспечения деятельности правоохранительных органов на основе оценки трудозатрат сотрудников полиции на выявление экономических преступлений на потребительском рынке с учетом сезонного характера динамики этих преступлений.
Очевидно, что число выявленных в определенном месяце экономических преступлений, связанных с потребительским рынком, на самом деле зависит не от условного номера этого месяца, а от факторов иного объективного свойства, сочетание и значения которых характерны именно для этого месяца. Из этого следует, что сезонный характер колебаний числа преступлений может быть использован в качестве первого шага на пути более глубокого сравнительного анализа сезонных периодов времени на предмет наличия и уровня проявления в них факторов, предположительно влияющих на состояние преступности на потребительском рынке.
1. On the national security Strategy of the Russian Federation: presidential decree no. 683 of December 31, 2015. Access from the reference legal system “ConsultantPlus” (accessed 20.02.2020). (In Russ.)
2. Crime State. Official website of the Ministry of the Interior of the Russian Federation. URL: https://xn--b1aew.xn--p1ai/reports/ (accessed 06.02.2020). (In Russ.)
3. Fedoraev S.V., Sugak V.P., Gaidai P.I. Theory of statistics for economists: a textbook. St. Petersburg: Saint-Petersburg University of State Fire Service EMERCOM of Russia Publ., 2010. 276 p. (In Russ.)
