Оценка и прогноз преступлений экономической направленности

Предмет: Экономика
Тип работы: Курсовая работа
Язык: Русский
Дата добавления: 20.11.2019

 

 

 

 

  • Данный тип работы не является научным трудом, не является готовой выпускной квалификационной работой!
  • Данный тип работы представляет собой готовый результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала для самостоятельной подготовки учебной работы.

Если вам тяжело разобраться в данной теме напишите мне в whatsapp разберём вашу тему, согласуем сроки и я вам помогу!

 

По этой ссылке вы сможете найти много готовых курсовых работ по экономике:

 

Много готовых курсовых работ по экономике

 

Посмотрите похожие темы возможно они вам могут быть полезны:

 

 
 
 
 


Введение:

Целью работы являлось проведение регрессионного анализа данных по количеству преступлений, с целью получить математические функции для описания динамики изменения данных, и прогнозирования преступности на ближайший период времени. Для этой цели были построены модели статистических данных по преступлениям в экономической сфере методом математической регрессии, проведены исследования на предмет достоверности полученных значений, а так же построены прогнозы для каждого типа данных.

Регрессионный анализ позволяет выявлять функциональную зависимость групп величин, а именно, влияние одной или нескольких независимых величин на одну зависимую. Так, применимо к настоящей работе, требовалось выявить математическое уравнение, описывающее динамику изменения количества преступлений в экономической сфере во времени. Знание такой зависимости позволяет не только более наглядно оценить процесс изменения в прошлом и нынешнее состояние изучаемой области, но и сделать прогноз дальнейшего ее развития при сохранившейся закономерности изменений.

Безусловно, подобная математическая модель неспособна предсказать точные значения показателей, ввиду того, что в реальной жизни существует слишком большое количество влияющих на зависимую переменную факторов, неучтенных в модели, а порой даже неподдающихся количественной оценке, таких как принятие определенных политических решений, способных вызвать внутригосударственный или международный резонанс, смена политического руководства и прочее. Однако, возможность определения общей тенденции изменения ситуации имеет существенное значение, особенно в такой сфере как борьба с преступлениями в экономической сфере, и, в частности, с легализацией преступных доходов.

Проблема противодействия преступности в экономической сфере была и остается актуальной для большинства государств, поэтому не менее актуально исследование и прогнозирование соответствующих данных для возможности их оценки и принятия своевременных решений в зависимости от полученных результатов. Анализ данных по преступлениям в экономической сфере, и, в частности, по легализации преступных доходов, имеет значение не только с точки зрения усиления мер безопасности с целью возможного предотвращения указанных преступлений, но и для своевременного принятия решений по подготовке экономической, политической, социальной и иных сфер к возможным последствиям.

Теоретическая часть

Для реализации задачи, поставленной в данной работе необходимо найти функциональную зависимость между двумя величинами - временем и количеством преступлений. Для этих целей идеально подходит регрессионный анализ. Основная особенность этого анализа: при его помощи можно получить конкретные сведения о том, какую форму и характер имеет зависимость между исследуемыми переменными, а так же спрогнозировать дальнейшее поведение этой зависимости.

При изучении методов регрессионного анализа были выявлены основные этапы работы, свойственные регрессионному анализу. В теоретической части работы будут описаны основные методы и формулы, применяемые в регрессионном анализе.

Результаты анализа сравниваются с гипотезами, сформулированными на первом этапе исследования, оценивается их правдоподобие, делаются аналитические выводы.

На этапе спецификации функции регрессии может быть выбран ошибочный вид модели, что будет выявлено при оценке точности регрессионного анализа или при проверке предпосылок регрессионного анализа, а, значит, приведет к необходимости повторного прохождения всех этапов до тех пор, пока не будет достигнуто приемлемое значение проверяющих параметров.

Спецификация функции регрессии

Это формулировка вида модели, исходя из соответствующей теории связи между переменными. Со спецификации модели начинается любое эконометрическое исследование. Для определения вида модели регрессии необходимо проанализировать график зависимости исследуемых данных с целью определения класса функций наиболее подходящего для описания поведения этой кривой.

По виду зависимости регрессионная модель может быть линейной, степенной, полиномиальной, логарифмической, экспоненциальной, гиперболической. В зависимости от количества объясняющих переменных существует простая (парная) и множественная регрессия. От правильно выбранной спецификации модели зависит величина случайных ошибок, они тем меньше, чем в большей мере теоретические значения результативного признака подходят к фактическим данным.

В рамках данной части будет описываться процесс построения парной модели регрессии по причине наличия только одной объясняющей переменной. Так же будет рассмотрен только линейный вид модели, так как именно к этому виду, как правило, сводятся остальные.

Построение линейной регрессии сводится к оценке ее параметров - а0 и a1, которые могут быть найдены разными методами. Можно обратиться к полю корреляции и, выбрав на графике две точки, провести через них прямую линию. Далее по графику можно определить значения параметров. Параметр а0 определим как точку пересечения линии регрессии с осью 0У, а параметр а1 оценим, исходя из угла наклона линии регрессии, как dy/dx, где dy - приращение результата у, а dx - приращение фактора х.

Классический подход к оцениванию параметров линейной регрессии основан на методе наименьших квадратов (МНК).

МНК позволяет получить такие оценки параметров а0 и а1, при которых сумма квадратов отклонений фактических значений результативного признака (у) от расчетных (теоретических) минимальна.

Далее необходимо провести оценку точности регрессионного анализа. Выборочное значение F может служить проверкой адекватности для заданного уровня значимости л (обычно принимают л=0,05) и степеней свободы 1=k, 2=n_k_1.

Если - модель адекватна и уравнение регрессии значимо, где значение из таблицы распределения Фишера, если данное условие не выполняется, то модель не является адекватной и дальнейшие проверки на точность и прогнозирование в соответствии с этой моделью нецелесообразны.

Коэффициент детерминации равен той доле результатов наблюдений относительно горизонтальной прямой , которая объясняется уравнением регрессии. Если R2=0,65 это значит, что модель работает на 65%, а 35% приходится на ошибку или неучтенные в модели факторы. Для использования модели в прогнозировании целесообразно, чтобы R2 = 0,75.

Проверка осуществляется отдельно для каждого параметра модели. Один из способов осуществления этой проверки это использование t-критерия Стьюдента.

Полученные значения сравниваются с табличными значениями ,полученными из распределения Стьюдента.

Если tф>tТ, то соответствующий коэффициент статистически значим, в противном случае - нет. Статистическая незначимость коэффициента означает существенную вероятность отсутствия его влияния на зависимую переменную, что может отразиться на прогнозировании.

При анализе ошибок формируется предположение, что , тогда. Тогда при условии правильности модели дисперсия остатков, характеризующая качество аппроксимации результатов наблюдений служит оценкой величины - дисперсии ошибок наблюдений, где среднее значение отклонений. Случайная величина представляет собой единичные нормальные отклонения. Если эти отклонения будут находиться в интервале [-2;2], то, следовательно, предположение о том, что не ошибочно.

Для проверки на однородность дисперсии D()=const можно использовать метод Гольфельда, в соответствии с которым, последовательность значений случайной величины Y необходимо разбить на две последовательности объемом n1и n2 (n1+n2=n). Для каждой последовательности вычисляются дисперсии воспроизводимости и. Тогда отношение при будет иметь распределение Фишера со степенями свободы и . Если значение F превышает табличное, то гипотеза об однородности дисперсии отклоняется. При неоднородной дисперсии может оказаться полезной предварительная обработка выходных данных, например, изменение масштаба.

Автокорреляция уровней ряда при анализе методом простой линейной регрессии неизбежно приведет к автокорреляции в остатках, поэтому при выявлении автокорреляции уровней ряда целесообразно рассмотреть авторегрессионную модель порядка, соответствующего порядку автокорреляции. При этом отличие от простой линейной регрессии будет заключаться лишь в том, что вместо входных переменных xбудут использоваться переменные yi-ф, где ф будет соответствовать порядку автокорреляции. Данная ситуация часто находит свое применение при анализе временных рядов.

Сбор и подготовка данных

Для дальнейшей работы необходимо провести сбор данных, но прежде всего, необходимо принять решение о том, какие именно данные нужны для достижения цели, поставленной в рамках данной работы. Необходимо провести анализ статистических данных о количестве зарегистрированных преступлений и построить прогноз значений на несколько месяцев. Так же стоит задуматься и том, для каких целей, кроме прогнозирования можно применить данные. Один из допустимых вариантов является оценка эффективности мер правоохранительных органов по противодействию преступности в экономической сфере.

Оценка может быть произведена на основе данных о зарегистрированных и раскрытых преступлениях. Необходимо вывести и построить тенденции этих величин и проанализировать данные: если графики количества зарегистрированных преступлений и раскрываемости сходятся, то меры эффективны, если расходятся, то нет. Так же будет полезным выделение из преступлений экономической направленности категории преступлений легализации доходов, полученных преступным путем. Эти данные могут быть полезны для оценки деятельности Росфинмониторинга.

В качестве источника информации была взята статистика преступлений с официального сайта Министерства внутренних дел Российской Федерации (МВД РФ). В этом сервисе ежемесячно публикуется статистика по всем категориям преступлений, в том числе и в экономической сфере. Статистика сохранена в формате PDF, приведена с нарастающим итогом в рамках года с января 2003 года по март 2012 года (всего 111 месяцев). Из всех категорий были отобраны данные, касающиеся преступлений экономической направленности в целом и легализации доходов, добытых преступным путем (Полное название - легализация (отмывание)денежных средств или иного имущества, приобретенных лицом в результате совершения им преступления либо приобретенных другими лицами преступным путем). В каждой категории преступлений были взяты значения числа зарегистрированных преступлений и преступлений, дела по которым направлены в суд.

С начала 2000-х гг. МВД и правоохранительными органами в целом предпринимались попытки формализовать уголовный статистический учет. По уровню учтенной преступности и ее раскрываемости осуществлялась основная оценка деятельности правоохранительных органов, что толкало правоохранительные органы к злоупотреблениям должностными полномочиями путем уклонения от регистрации преступлений, особенно трудно раскрываемых. Это давало возможность существенно занижать уровень учтенной преступности и повышать другой показатель - раскрываемость деяний. В 2005 г. было принято новое Положение о едином порядке регистрации уголовных дел и учета преступлений. В результате учетный уровень преступности вырос на 22.8%, уровень отдельных видов деятельности вырос на 40%.

Острую актуальность на современном этапе приобретает информация об экономических преступлениях. В связи с этим Указом Президента РФ от 3 марта 1998 г. «Об обеспечении взаимодействия государственных органов в борьбе с правонарушениями в сфере экономики» перед Правительством была поставлена задача разработать единую систему учета выявленных преступлений и административных правонарушений в сфере экономики в целях отражения их в государственной статистической отчетности и принятия необходимых мер. Именно по этой системе учета регистрируются преступления в настоящее время.

Но понять истинные причины аномалий достаточно сложно вследствие сложной и непрозрачной процедуры регистрации преступлений правоохранительными органами. Преступление, лицо, его совершившее, и уголовное дело считаются учтенными, когда сведения о них внесены в карточки первичного учета, зарегистрированы в журнале учета преступлений и поставлены на централизованный учет в информационном центре. При формировании статистики учитываются 24 формы государственной и ведомственной отчетности для учета первичной документации и 50 форм по оперативной деятельности. Так же ранее неучтенные преступления могу официально регистрироваться в другом периоде. А преступления, по которым дело прекращено по реабилитирующим основаниям или по нему был вынесен оправдательный приговор, снимается с учета в текущем месяце. Таким образом, существует множество причин, способных вызвать неправильные данные в статистике МВД РФ будут оказывать большое влияние на построение прогностической модели.

Следующий этап - подготовка данных к дальнейшему анализу. Для этого необходимо избавиться от аномалий. Для этого был выбран метод скользящего окна - локальное усреднение показателя, позволяющее снять влияние случайных явлений с эмпирических кривых и вскрыть закономерные пространственные изменения изучаемого признака. Наблюденные в ближайших точках (в пределах окна) данные суммируются и делятся на число точек в окне, полученное значение присваивается средней точке. Размер окна зависит от характера распределения и при обработке признаков обычно включает 3-5 близлежащих точек наблюдения. Результаты сглаживания зависят от числа точек в окне и числа приемов сглаживания.

В заключении необходимо проверить независимость количества преступлений экономической направленности и преступлений в сфере легализации преступных доходов. Для этого совместим графики количества преступлений экономической направленности и количества преступлений в сфере легализации преступных доходов.

В результате проведенной работы по сбору и подготовке данных были получены значения количества преступлений, которые легли в основу дальнейшего анализа. Анализируя график, была замечена сезонность уровня преступности, пик которой приходится на весенне-летний период времени. Так же было установлено, что можно данные по преступности в сфере легализации преступных доходов незначительно влияют на уровень преступности экономической направленности. По этим данным были проведены отдельные исследования.

Построение моделей регрессии

В результате проведенного сбора и подготовки данных, дальнейшему анализу будут подвергнуты статистические данные по преступлениям экономической направленности и легализации доходов, полученных преступным путем, за период с января 2003 года по март 2012 года.

Прежде всего, следует отметить, что анализируемые данные представляют собой временной ряд, в связи с чем, требуют предварительной обработки. Для возможности использования данных в анализе методом математической регрессии необходимо заменить временную последовательность по месяцам от янв.03 до мар.12 последовательностью наблюдений от 1 до 111 соответственно. Подобная замена является возможной ввиду равенства рассматриваемых периодов - месяц.

Таким образом, имеется временной ряд в виде таблицы yt включающий в себя 111 наблюдений. 

Для определения вида модели регрессии необходимо проанализировать график исследуемых данных.

Анализируя график, нельзя точно определить общий вид зависимости, так как прослеживается одновременно несколько типов. В силу неоднозначности выбора модели уравнения регрессии, анализ был начат с построения простой линейной регрессии. Для большей наглядности и информативности в данном разделе будут представлены расчеты и графики только для количества зарегистрированных преступлений в сфере легализации преступных доходов. Результаты анализа данных по преступлениям, дела по которым направлены в суд, не отображаются, так как имеют сильную корреляцию с данными о зарегистрированных преступлениях и будут иметь аналогичные результаты.

В результате проведенной работы было принято решение о необходимости применения сглаживания ряда (как метода выявления тренда) перед непосредственным анализом методом линейной регрессии с авто регрессионной составляющей. Сглаживание проводилось методом скользящей средней.

Сущность этого приема состоит в том, что по исходным уровням ряда определяются расчетные уровни. При этом благодаря осреднению исходных данных индивидуальные колебания погашаются, и общая тенденция развития данных выражается в виде более плавной линии. Для сглаживания ряда был применен метод скользящей средней с периодом 3, что означает расчет каждого нового значения как среднее от суммы предыдущего, текущего и последующего исходных значений разделенной на 3. Результат сглаживания ряда приведен в Приложение 6 где y't - значения сглаженного ряда. Новый ряд данных имеет n=109 наблюдений, а значения времени будут в диапазоне 2? t ?110, так как при сглаживании с периодом 3 отпадают значения первого и последнего наблюдений.

Проверять полученный ряд на автокорреляцию не имеет смысла, так как после сглаживания методом скользящей средней, связь между соседними величинами только усиливается. Следовательно, можно приступить к нахождению коэффициентов уравнения с использованием МН.

График, построенный на основании рассчитанных значений, буквально повторяет данные со сглаженными значениями. И довольно точно отражает исходные данные. Далее была проведена математическая проверка полученных значений на адекватность.

Далее был рассчитан коэффициент детерминации, определяющий уровень точности работы модели.

Полученный коэффициент детерминации свидетельствует о том, что созданная модель работает на 87%, а 13% приходится на ошибку или неучтенные в модели данные, что позволяет сделать вывод о целесообразности дальнейшей проверки.

Следующим этапом проверки является оценка значимости параметров регрессионного уравнения с помощью t-критерия Стьюдента.

Модули, полученных значений необходимо сравнить с табличными значениями tk,л/2,n_k_1, полученными из распределения Стьюдента. (Приложение 2) t k,л/2,n_k_1 = 0.679.

В результате, значения Стьюдента для обеих переменных превышает табличное значение, что говорит о статистической значимости коэффициентов уравнения.

Для возможности использования регрессионной модели для прогнозирования необходимо также, чтобы выполнялись проверки предпосылок регрессионного анализа, что предполагает анализ ошибок.

Первое необходимое условие - выполнение проверка нормальности закона распределения ошибок.

Для этого необходимо чтобы выполнялось предположение еt~N(0,у). Для подтверждения или опровержения этой гипотезы нужно рассчитать случайную величину , представляющую собой единичные нормальные отклонения. В том случае, если эти отклонения будут находиться в интервале [-2;2], то гипотеза верна.

В результате, все единичные нормальные отклонения кроме значений в 3-м и 4-м наблюдениях находятся в диапазоне [-2;2]. Подобная ситуация вполне допустима и объясняется резким изменением характера тренда в первых наблюдениях (для рассчитанных значений наблюдения начинаются с t=3), что можно было наблюдать на приведенных графиках.

Поэтому представляется возможным сделать вывод о том, что предположение еt~N(0, у) не ошибочно.

На следующем этапе случайные ошибки проверяются на однородность методом Гольфельда. Для этого необходимо разбить последовательность Y на две последовательности объемом nи n2, (n+ n2 = n). Пусть n1=54 и n=55, далее считаются дисперсии воспроизводимости для каждой из последовательностей.

В результате, получено , что означает однородность случайных ошибок.

Завершающим этапом анализа ошибок является проверка случайных ошибок на автокорреляцию.

Таким образом, удалось построить регрессионную модель, отвечающую всем необходимым требованиям и критериям, а значит подходящую для реализации прогнозирования.

Аналогичным образом был проведен анализ для данных по остальным категориям преступлений. В результате были получены модели подходящие для прогнозирования.

Прогнозирование динамики изменения статистических данных

Для демонстрации методики прогнозирования, а так же необходимых расчетов была выбрана модель числа зарегистрированных преступлений экономической направленности. Прогнозирование по остальным видам данных выполнялись аналогичным способом.

В результате проделанной работы была выявлена регрессионная модель, на основании которой представляется возможным осуществить прогноз на несколько периодов вперед.

Прогнозирование условно можно разделить на два этапа - построение точечного прогноза и нахождение границ (доверительного интервала) для интервального прогноза.

Однако вероятность точного попадания значения y в эту точку достаточно мала. Поэтому наибольший интерес представляет вычисление перспективных оценок значений y в виде доверительных интервалов.

И если построенная модель регрессии адекватна, то с выбранной вероятностью можно утверждать, что при сохранении сложившихся закономерностей функционирования изучаемой системы прогнозируемая величина попадет в интервал, образованный нижней и верхней границами.

Значения рассчитанных параметров.

k

Uk

Yn-1

Ukниж

Ukверх

 

2

121,50

22049,60

21930,61

22168,59

 

3

124,19

21545,54

21424,04

21667,03

 

4

127,09

21016,70

20892,50

21140,89

 

5

130,20

20461,87

20334,78

20588,96

 

6

133,53

19879,77

19749,57

20009,97

 

7

137,10

19269,06

19135,53

19402,60

 

8

140,93

18628,35

18491,24

18765,45

 

 

Количество преступлений поддается цикличности, и прогнозные значения на ближайшие 8 месяцев подтверждают цикличность. Преступность в этом периоде будет снижаться.

Но необходимо понимать, что данные прогнозы составлены на основании общей тенденции за 9 лет, отражают общую тенденцию за этот период и теряют актуальность с каждым последующим прогнозным значением.

Заключение

Задачей учебно-исследовательской работы было проведение регрессионного анализа данных по количеству преступлений, с целью получить математические функции для описания динамики изменения данных, и прогнозирования преступности на ближайший период времени.

Работа была основана на статистике состояния преступности, опубликованной на официальном сайте МВД РФ.

При выполнении работы был проведен сбор и подготовка исходных данных, с целью обеспечения максимального качества прогноза, а так же пересчет отобранных данных в соответствии с требованиями регрессионного анализа.

В результате проведения анализа было выявлено, что наиболее точно отражает динамику изменений исследуемых данных линейное авторегрессионное уравнение с предварительным сглаживанием исходного ряда значений. Это говорит о том, что наиболее точную оценку и прогноз возможно получить только для общей тенденции данных. При этом каждое последующее прогнозное значение в большей степени зависит от предыдущего. Данный факт обусловлен тем, что на количество преступлений влияет множество факторов, в том числе не имеющих численный эквивалент, а значит не подающихся учету в модели, что не позволяет математически описать поведение самих данных. В работе были сделаны попытки нахождения подобного уравнения, однако, они имели высокий процент ошибки и низкий показатель точности, вследствие чего было решено исследовать тренд изменения показателей.

В результате были получены авторегрессионные уравнения с соответствующими показателями точности для количества зарегистрированных преступлений эконмической направленности (76%), преступлений экономической направленности, дела по которым переданы в суд (79%), количества зарегистрированных преступлений легализации доходов, полученных преступным путем (87%) и преступлений легализации доходов, дела по которым переданы в суд (91%).

Так же на основании полученных уравнений были построены точечные и интервальные прогнозы для каждого вида данных на ближайшие 8 месяцев. Прогноз показал тенденцию к сокращению уровня преступности в экономической сфере, что подтвердило визуальный анализ исходных данных. Однако стоит отметить, что прогноз имеет отношение именно к общей тенденции изменения ситуации и реальное количество преступлений может не попадать в рассчитанный интервал, но характер тренда будет именно таким при сохранении закономерности динамики развития показателей.