Статистическая методика оценки уровня распространения наркомании в Российской Федерации

Размещено на http://www.allbest.ru/

СТАТИСТИЧЕСКАЯ МЕТОДИКА ОЦЕНКИ УРОВНЯ РАСПРОСТРАНЕНИЯ НАРКОМАНИИ В РОССИЙСКОЙ ФЕДЕРАЦИИ

Молоков Вячеслав Витальевич

Проблема наркотизации населения Российской Федерации затрагивает все сферы жизни общества и является стратегической в плане обеспечения здоровья нации и безопасности государства в целом.

Руководство страны прилагает все возможные усилия для сдерживания распространения наркомании среди населения и противодействия организованным группам, осуществляющим незаконный сбыт наркотических средств и психотропных веществ. Основная роль в области противодействия незаконному обороту наркотиков в Российской Федерации принадлежит Федеральной службе Российской Федерации по контролю за оборотом наркотиков (ФСКН России). Усилиями ФСКН России разработана и принята Указом Президента в 2010 году «Стратегия государственной антинаркотической политики РФ до 2020 года». При этом в борьбу с наркоугрозой вовлечены и другие правоохранительные органы, а также здравоохранение и общественные организации.

Безусловно, для решения такой важной и сложной задачи необходимы планомерные и эффективные меры предупреждения и противодействия, которые основываются на системном анализе проблемы, мониторинге наркоситуации и ее прогнозировании.

Основой подобных исследований являются статистические показатели регионов и данные мониторинга наркоситуации субъектов Российской Федерации. Инструментом обработки данных служит аппарат математической статистики и моделирования.

Рассмотрим один из возможных подходов к оценке уровня распространения наркомании в Российской Федерации, взяв за основу статистические показатели за период 2010-2014 гг., опубликованные в открытом доступе. Все применяемые в работе автоматизированные вычисления доступны для реализации с помощью пакета Microsoft Excel. Рассматриваемые методики являются продолжением научных исследований автора, опубликованных ранее.

Оценка взаимосвязи показателей наркоситуации.

На первом этапе выделим блоки признаков по степени общности характеризующих показателей, например:

- правоохранительный (общее количество зарегистрированных правоохранительными органами преступлений, общее количество зарегистрированных преступлений, связанных с незаконным оборотом наркотиков (НОН), число лиц, совершивших преступления, связанные с НОН, количество зарегистрированных правоохранительными органами тяжких и особо тяжких преступлений, число осужденных к лишению свободы и т. п.);

- социально-экономический (численность населения с денежными доходами ниже величины прожиточного минимума в процентах от общей численности населения, уровень безработицы по методологии МОТ, число браков, число разводов, число умерших и т. п.);

- миграция (количество лиц, поставленных на миграционный учет, количество снятых с миграционного учета, миграционный прирост и т. п.);

- медико-биологический (число лиц, зарегистрированных с диагнозом наркомания, число лиц, умерших от употребления наркотических средств, показатели реабилитационных отделений в составе специализированных наркологических (психиатрических) учреждений и т. п.).

По данным динамических рядов строим корреляционную матрицу, учитывающую связи между всеми исходными показателями.

Корреляционная таблица содержит на пересечении строки и столбца коэффициент линейной корреляции соответствующих показателей.

Значения коэффициентов корреляции изменяются в пределах от -1 до +1, при этом сила связи между признаками определяется по шкале, где сильная связь признаков обнаруживается на уровне более 0,7.

Интерпретация результатов осуществляется на основе системного анализа исследуемых процессов и криминологических характеристик, так как наличие статистической взаимосвязи признаков не всегда говорит о существовании причинно-следственной связи.

В результате анализа данных в Российской Федерации за пять лет выявлена обратная зависимость между количеством зарегистрированных правоохранительными органами преступлений, связанных с НОН, и количеством изъятых наркотических средств и психотропных веществ с коэффициентом корреляции -0,68.

Данный факт при сопоставлении с другими показателями, в частности снижением количества потребителей героина, свидетельствует о постепенном преобладании незаконного употребления синтетических наркотиков и росте числа преступлений, связанных с бесконтактным сбытом, совершаемых посредством сети Интернет.

Установлены прямая связь между числом лиц, зарегистрированных с диагнозом наркомания, и уровнем безработицы на отметке 0,96 и обратная связь с показателями среднедушевого дохода на уровне -0,6. Это подтверждает гипотезу о зависимости степени наркотизации населения от качества жизни. Установлена прямая связь между числом преступлений, совершенных несовершеннолетними и при их соучастии, и количеством зарегистрированных наркопотребителей на уровне 0,91, что свидетельствует о вовлечении в потребление наркотиков несовершеннолетних.

В дальнейшем подобные аналитические выводы строятся с учетом целей и практических реализаций исследования. Следует учитывать, что достоверность результатов зависит от объема выборки, в данном случае количества лет наблюдения статистических показателей.

Другим подходом к анализу взаимосвязи признаков может служить принцип выделения критериальных показателей и оценка относительно их средних значений коэффициентов корреляции в группах факторных признаков. В таблице приводятся средние по модулю значения коэффициентов корреляции в блоках факторов относительно критериальных показателей. Подобные оценки являются основанием для выделения значимых показателей, оказывающих наибольшее влияние на значение исследуемого признака. На основании приведенных результатов можно сделать вывод о высоком уровне взаимосвязи между учтенной распространенностью наркомании и медико-биологическими показателями (значимо статистически), а также миграционными данными.

Таблица:

Факторный анализ и прогнозирование. Следующим этапом следует факторный анализ, цель которого - выделение показателей, оказывающих наибольшее влияние на результативный признак. Это позволяет сократить пространство входных переменных для построения моделей прогноза. Упрощенная процедура факторного анализа сводится к сортировке коэффициентов парных корреляций признаков относительно критериального показателя и отбору наиболее значимых по силе связи.

После выбора группы факторных и критериальных показателей строятся регрессионные модели. Например, регрессионная модель зависимости числа лиц, совершивших преступления, связанные с незаконным оборотом наркотиков, имеет вид:

Где:

X1 - число осужденных ранее судимых;

X2 - число преступлений, совершенных несовершеннолетними и при их соучастии;

X3 - число лиц, зарегистрированных с диагнозом наркомания.

График действительных и прогнозных значений в Российской Федерации на 2015 год представлен на рисунке 1. Значения факторных показателей на следующий период выбраны методом экстраполяции.

Рисунок 1. - График действительных и прогнозных значений числа лиц, совершивших преступления, связанные с незаконным оборотом наркотиков, в Российской Федерации на 2015 год:

Модель множественной регрессии учтенной распространенности наркомании имеет вид:

Где:

X1 - уровень безработицы (по методологии МОТ);

X2 - численность населения с денежными доходами ниже величины прожиточного минимума в процентах от общей численности населения.

График действительных и прогнозных значений на 2015 год представлен на рисунке 2.

Рисунок 2. - График действительных и прогнозных значений учтенной распространенности наркомании в Российской Федерации на 2015 год:

Следует отметить, что на приведенных графиках прогнозные значения сохраняют общую тенденцию развития (линейный тренд), так как уравнение регрессии построено на основе линейных аппроксимаций. Для построения более точных моделей может использоваться, например, экспоненциальная аппроксимация. Завершающим этапом является процесс объединения территорий в классы за счет близости в среднем их показателей. Кластеризация объектов позволяет выдвигать гипотезы об уровне развития наркоситуации в том или ином субъекте Российской Федерации, например «низкий», «средний», «высокий».

Демонстрация результатов работы алгоритма автоматической классификации методом иерархической кластеризации приведена на рисунке 3. Федеральные округа Российской Федерации объедены в компактные классы размерностью 3 на основе нормированных данных показателей всех блоков за 2014 год. Принцип, по которому происходит объединение субъектов в классы, основывается на различии средних значений в группах признаков и компактности близких точек вокруг центров заданного количества кластеров (рисунок 4).

Рисунок 3. - Классификация федеральных округов Российской Федерации по всем группам факторов в 2014 году:

Рисунок 4. - Средние значения факторных показателей федеральных округов, представленные в логарифмической шкале в 2014 году:

Результат классификации федеральных округов Российской Федерации может интерпретироваться как показатель уровня наркотизации населения. По данным средних значений факторов предполагается вывод о высоком уровне наркотизации в федеральных округах, попавших во 2 кластер, и низком - в 3 кластер.

Однако разбиение на 3 класса в условиях большого различия средних значений признаков не всегда обоснованно. На рисунке 5 приводится результат классификации федеральных округов в группе факторов правоохранительного и медико-биологического блоков. И, как видно, он значительно отличается от предыдущего решения.

Рисунок 5. - Классификация федеральных округов Российской Федерации по группе факторов правоохранительного и медико-биологического блоков в 2014 году:

Выводы

Таким образом, комплексное исследование статистических показателей состояния наркоситуации предполагает несколько этапов, ключевыми задачами которых являются оценка взаимосвязи признаков, факторный анализ, построение моделей динамики, прогнозирование и оценка уровня. Решение этих задач возможно только на основе системного анализа объекта исследования, владения методами статистической обработки данных, компьютерного моделирования и аналитического мышления.

Предлагаемая методика может быть использована для статистической оценки уровня развития процессов в различных социально-экономических и медико-биологических системах.

Литература

1. Беляков, Б.Л. Наркоситуация общества как угроза российской государственности: монография / Б. Беляков и др. - М.: МосАП, 2014. - 323 с.

2. Сиротин, В.П. Моделирование распространения наркомании и ее последствий в регионах России / В.П. Сиротин, М.В. Плотникова // Экономика региона. - 2009. - №4. - С 186-192.

3. Невирко, Д.Д. Наркоситуация как социальное явление в контексте мониторинговых исследований: социологический аспект: монография / Д.Д. Невирко, В.Е. Шинкевич. - Красноярск: СибЮИ ФСКН России, 2015. - 284 с.

4. Гмурман, В.Е. Теория вероятностей и математическая статистика / В.Е. Гмурман. - 9-е изд. - М.: Высшая школа, 2003. - 479 с.

5. Центральная база статистических данных (ЦБСД) (Электронный ресурс).

6. Единая межведомственная информационно-статистическая система (ЕМИСС) (Электронный ресурс). статистика факторный регрессионный

7. Молоков, В.В. Многофакторная оценка и прогнозирование уровня наркоситуации / В.В. Молоков // Вестник Сибирского юридического института ФСКН России: научно-практический журнал. - Красноярск: СибЮИ ФСКН России, 2014. - Вып. 3. - С. 122-126.

8. Молоков, В.В. Агломеративный подход к оценке уровня наркоситуации и прогнозирования ее динамики / В.В. Молоков // Актуальные проблемы профилактики наркомании и противодействия правонарушениям в сфере легального и незаконного оборота наркотиков: национальный и международный уровни: материалы XVII научно-практической конференции: в 2 ч. / отв. ред. И.А. Медведев. - Красноярск: СибЮИ ФСКН России, 2014. - Ч. 1. - С. 231-234.

9. Молоков, В.В. Комплексный анализ взаимосвязей показателей наркоситуации региона / В.В. Молоков // Вестник Сибирского юридического института ФСКН России: научно-практический журнал. - Красноярск: СибЮИ ФСКН России, 2015. - Вып. 4. - С. 50-55.

10. Зелик, В.А. Основные тенденции влияния незаконного потребления наркотических средств и психотропных веществ на преступность / В.А. Зелик // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ) (Электронный ресурс). - Краснодар: КубГАУ, 2014. - №104(10). - С. 2109-2115.

11. Молоков, В.В. Структурно-статистическая методика анализа динамики состояния преступности в регионе / В.В. Молоков, А.А. Лапко // Проблемы информатизации региона. ПИР-2009: сборник трудов XI всероссийской конференции 2-3 ноября 2009 г. - Красноярск: СибГТУ, 2009. - С. 64-66.

12. Лапко, А.В. Непараметрические системы классификации / А.В. Лапко и др. - Новосибирск: Наука, 2000. - 240 с.

Размещено на Allbest.ru