Оценка преступлений на примере выявленных фактов легализации денежных средств или имущества, приобретенных преступным путем. Анализ статистики по преступлениям в экономической сфере методом математической регрессии. Прогнозирование динамики значений.
Краткое сожержание материала:

Размещено на

Размещено на

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования

Национальный исследовательский ядерный университет «МИФИ»

ФАКУЛЬТЕТ КИБЕРНЕТИКИ И ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ

Кафедра финансового мониторинга

Пояснительная записка к учебно-исследовательской работе

на тему:

«Оценка и прогноз преступлений экономической направленности»

Дисциплина - Эконометрика сложных экономических процессов

Студент гр. Б08-201 Михайлов М.А.

Руководитель Бекетнова Ю.М.

Реферат

АНАЛИЗ ПРЕСТУПЛЕНИЙ ЭКОНОМИЧЕСКОЙ НАПРАВЛЕННОСТИ, РЕГРЕССИОННЫЙ АНАЛИЗ, ЛИНЕЙНОЕ УРАВНЕНИЕ РЕГРЕССИИ, ПРОГНОЗИРОВАНИЕ, ЛЕГАЛИЗАЦИЯ ПРЕСТУПНЫХ ДОХОДОВ,

Объектом исследования являются статистические данные о преступлениях экономической направленности и преступлениях легализации доходов, полученных преступным путем.

Цель работы - анализ статистики по преступлениям в экономической сфере и, в частности, легализации преступных доходов методом математической регрессии, а так же прогнозирование динамики значений преступности.

В разделе «Теоретическое описание методики работы» приведено поэтапное описание построения модели регрессии в общем случае.

Методика сбора и подготовки данных указана в разделе «Сбор и подготовка статистических данных».

В разделе «Построение моделей регрессии» поэтапно описан процесс построения моделей регрессии на примере статистики по преступлениям легализации доходов, полученных преступным путем.

Методика, используемая в данной работе для составления прогноза, описана в разделе «Прогнозирование динамики изменения статистических данных».

Содержание

• Введение
• 1. Теоретическая часть
• 1.1 Спецификация функции регрессии
• 1.2 Оценка параметров функции регрессии
• 1.3 Оценка точности регрессионного анализа
• 1.3.1 Проверка адекватности и точности модели
• 1.3.2 Проверка значимости параметров модели
• 1.4 Проверка предпосылок регрессионного анализа
• 1.4.1 Проверка нормальности закона распределения ошибок
• 1.4.2 Проверка на однородность случайных ошибок
• 1.4.3 Проверка на автокорреляцию случайных ошибок
• 2. Сбор и подготовка данных
• 2.1 Сбор первичной информации
• 2.2 Подготовка данных
• 3. Построение моделей регрессии
• 3.1 Спецификация
• 3.2 Анализ методом простой линейной регрессии
• 3.3 Анализ методом авторегрессии с применением сглаживания ряда
• 4. Прогнозирование динамики изменения статистических данных
• Заключение
• Список используемых источников

Введение

преступление экономический математический регрессия

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.

1. 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.

Регрессионный анализ предполагает выполнение следующих основных этапов⁽²⁾:

1) Формулировка задачи.

На этом этапе формируются предварительные гипотезы о зависимости исследуемых явлений.

2) Сбор статистических данных.

Для каждой переменной, включенной в регрессионную модель, собираются данные, желательно с наиболее однородной структурой.

3) Спецификация функции регрессии.

4) На этом этапе происходит определение модели регрессии. Сделать это можно одним из следующих способов: аналитически, экспериментально и графически. От правильно выбранной спецификации модели зависит величина случайных ошибок: они тем меньше, чем в большей мере теоретические значения результативного признака подходят к фактическим данным.

5) Оценка параметров функции регрессии.

Заключается в расчете численных значений параметров уравнения регрессии.

6) Оценка функции регрессии и проверка адекватности модели.

а) Проверка адекватности и точности модели;

б) Проверка значимости параметров модели;

в) Проверка нормальности закона распределения ошибок;

г) Проверка на однородность случайных ошибок;

д) Проверка на автокорреляцию случайных ошибок.

7) Интерпретация результатов.

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.⁽³⁾ 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.

Уравнение простой линейной регрессии имеет вид:

(1.1)

При этом