1. В качестве эндогенных: l_crime (логарифм от crime).

2. В качестве экзогенных: abort, c_home, alco, l_hiv (логарифм от hiv), l_net_migr (логарифм от net_migr), l_drug (логарифм от drug), l_no_dipl (логарифм от no_dipl).

Логарифмирование переменных можно интерпретировать по-разному в зависимости от набора интерпретируемых переменных, например если берутся логарифмы зависимой и объясняющей переменных, то коэффициент при факторной переменной выступает в роли эластичности, показывающий на сколько процентов изменится первая переменная при изменении второй на 1%, соответственно. Если логарифмированию подвергается только эндогенная переменная, а экзогенная при этом остается в первоначальном виде, то параметр при объясняющем факторе будет говорить, что при изменении X (экзогенная переменная) на 1 единицу, Y (эндогенная переменная) измениться на 1%. В обратном случае (первоначальное значение Y и логарифмированное значение X) коэффициент (b_i) при факторе будет свидетельствовать, что при изменении X на 1%, Y изменится на единиц [38].

Результаты моделирования по выбранному набору переменных представлены в таблице 2.6. Результаты построения модели представлены в форме расчетного коэффициента при переменных, уровень их значимости, который рассчитывается по тесту Стьюдента и тестовая статистика проверятся на 1-10% уровне значимости: «***» (1% уровень значимости) соответствуют максимальной значимости коэффициента, «**» также отражают значимость коэффициента (5% уровень), «*» - 10%; отсутствие «звездочек» говорит о меньшей значимости коэффициента [37]. Наиболее значимыми в данной модели являются переменные, отражающие количество прерываний беременности (abort), численность воспитанников школ-интернатов (c_home) и миграционный прирост (net_migr).

Таблица 2.6. Результаты моделирования
Переменная	Коэффициент	Значимость
const	5,65	***
abort	0,00005	***
c_home	0,0007	***
alco	0,0002	**
l_hiv	0,06
l_net_migr	0,23	***
l_drug	0,09
l_no_dipl	0,1
R-square	0,80
adj. R-square	0,79
SC	370,2
AIC	342,3

Также показательными являются коэффициент детерминации (R-square) и скорректированный коэффициент детерминации (adj. R-square), которые отражают долю объясненной дисперсии зависимой переменной Y. Коэффициенты детерминации говорят о хорошей покрываемости модели объясняющих переменных объясненной переменной (Y) - 80% обыкновенный R-square, 79% - скорректированный R-square.

Информационные критерии Шварца и Акайке в данной ситуации не несут никакого смысла, поскольку их применяют при выборе моделей одного типа из множества похожих.

Используя текущий набор переменных, необходимо построить модели с фиксированными эффектами (таблица 2.7) и со случайными (таблица 2.8) и провести анализ результатов моделирования.

Таблица 2.7. Результаты моделирования FE-модели
Переменная	Коэффициент	Значимость
const	8,48	***
abort	0,00003	***
c_home	0,0002
alco	-0,000001
l_hiv	-0,07	*
l_net_migr	-0,003
l_drug	0,08	***
l_no_dipl	0,05	**
LSDV R-square	0,99
Within R-square	0,35
SC	-73,8
AIC	-380,5

Модель с фиксированными эффектами показывает следующие переменные с 1% уровнем значимости: const, abort, l_drug; с 5% - l_no_dipl; с 10% - l_hiv.

LSDV (least square dummy variable) R-square, как отмечалось ранее, это R-square для LSDV модели, которая учитывает сам тип панельных данных. Within R-square (или «в пределах R-square») - является скорректированным R-square для модели с фиксированными эффектами [32]. Здесь, 99% и 35% коэффициенты детерминации говорят о разности оценивания значимости объяснения внутригрупповой и межгрупповой вариации в показателях. При оценке модели с фиксированными эффектами выбирается внутригрупповой R-square или «в пределах R-square», так как он наиболее широко объясняет внутри групповую вариацию, снижая сам показатель в сравнении с LSDV R-square, который соответствует стандартному определению оценки параметров модели с помощью МНК.

Таблица 2.8. Результаты моделирования RE-модели
Переменная	Коэффициент	Значимость
const	7,47	***
abort	0,00006	***
c_home	0,0004	***
alco	0,00004
l_hiv	0,04
l_net_migr	0,04
l_drug	0,06	**
l_no_dipl	0,04	**
SC	446,5
AIC	418,6

В модели со случайными эффектами можно проанализировать только значимость переменных: на 1% уровне значимости выступают const, abort, c_home; на 5% - l_drug, l_no_dipl. Остальные переменные выступают с наименьшей значимостью.



2.5 Выбор наилучшей модели

В качестве критериев проверки используются критерий Хаусмана для выбора наилучшей из моделей с фиксированными или случайными эффектами, критерий Бройша-Пагана - объединенная модели или модель со случайными эффектами, и тест на различие констант в группах (robust test for differing group intercepts) для сравнения объединенной модели с моделью с фиксированными эффектами.

Первый критерий для сравнения моделей с фиксированными и случайными эффектами - критерий Хаусмана, в котором проверяется гипотеза H₀: E(б_i|x_i)=0, что соответствует модели со случайными эффектами, против гипотезы H₁: E(б_i|x_i)?0, что соответствует модели с фиксированными эффектами [31].

Программный пакет Gretl автоматически считает критерий Хаусмана при построении re-модели; для нашей модели, мы получаем следующую информацию о критерии Хаусмана:

Тест Хаусмана (Hausman) -

Нулевая гипотеза: ОМНК оценки состоятельны

Асимптотическая тестовая статистика: Хи-квадрат(7) = 50,3829

р-значение = 1,21482e-008

Здесь, очевидно, что p-значение < 5% (0,05), соответственно, гипотеза H₀ отвергается и применяется гипотеза H₁ (E(б_i|x_i)?0), которая свидетельствует о выборе в пользу модели с фиксированными эффектами.

Второй критерий Бройша-Пагана для выбора наилучшей из модели со случайными эффектами или pooled-модели. Нулевой гипотезой является предположение, что дисперсия равно нулю [24], сведение модели к типу pooled H₀: =0. Программный пакет Gretl также автоматически выдает статистику по критерию Бройша-Пагана при формировании модели со случайными эффектами:

Тест Бриша-Пэгана (Breusch-Pagan) -

Нулевая гипотеза: Дисперсия специфических для наблюдений ошибок = 0

Асимптотическая тестовая статистика: Хи-квадрат(1) = 200,899

р-значение = 1,32957e-045

На 5% уровне значимости нулевая гипотеза отвергается, и применяется гипотеза H₁, которая свидетельствует о выборе в пользу модели со случайными эффектами, так как p-значение < 5% (0,05).

Третий тест, который сравнивает обобщённую модель с моделью с фиксированными эффектами - Robust test for differing group intercepts, в котором H₀ - гипотеза в пользу выбора pooled-модели, а H₁ - fe-модели. При формировании модели с фиксированными эффектами Gretl автоматически выдает статистику по тесту на различие констант в группах [37]:

Robust test for differing group intercepts -

Нулевая гипотеза: Группы имеют общие константы

Тестовая статистика: Welch F(80, 53,9) = 54,1822

р-значение = P(F(80, 53,9) > 54,1822) = 4,63281e-034

Аналогично, применяя сравнении p-значения с 5% уровнем значимости, делаем вывод о том, что нулевая гипотеза отвергается и применяется гипотеза H₁ - о выборе модели с фиксированными эффектами.

Таким образом, проведя тесты для выбора модели, были получены результаты, что среди fe-модели и re-модели лучшей является fe-модель; из pooled-модели и re-модели - re-модель; из pooled-модели и fe-модели - fe-модель. В итоге, наилучшей из анализируемых моделей была выбрала модель с фиксированными эффектами, которая имеет вид:

,

где = и , и в остальных случаях; где d - дамми-переменная (фиктивная переменная), а - неизвестный фиксированный параметр.

Таким образом, подставив коэффициенты, рассчитанные в программном пакете Gretl, получим уравнение:

Проверим полученную модель на наличие гетероскедастичности и нормальность остатков. Для проверки модели на наличие гетероскедастичности ошибок воспользуемся тестом «groupwise» в Gretl:

Distribution free Wald test for heteroskedasticity -

Нулевая гипотеза: наблюдения имеют общую дисперсию ошибки

Асимптотическая тестовая статистика: Хи-квадрат(81) = 4,84023e+026

р-значение = 0

Здесь нулевая гипотеза H₀: D(е_i|x_i) = … = D(е_n|x_n) гласит об однородности наблюдаемых значений, которая выражается в относительной стабильности (гомогенности) дисперсии случайной ошибки модели. Так как p-значение < 1% (0,01), то гипотеза H₀ отвергается, и применяется гипотеза H₁, которая гласит о гетерогенности наблюдаемых значений, то есть об их неоднородности [30].

В нашей модели имеются гетерогенные наблюдения, такой вид «нарушения» может быть объясним характерными изменениями в данных, которые описываются в один момент времени но по различным субъектам, регионам, фирмам, группам и т.д. Неоднородность дисперсий ошибок возникает как результат структурных изменений в экономике, социальной экономике, экономике географии. Таким образом, в нашей модели наличие гетероскедастичности не является критическим нарушением стандартных предположений.

Следующий тест для оценки адекватности модели - тест на нормальное распределение ошибок, проводимый по средствам инструментария Gretl:

Тест на нормальное распределение ошибок -

Нулевая гипотеза: ошибки распределены по нормальному закону

Тестовая статистика: Хи-квадрат(2) = 8,61344

р-значение = 0,0134777

Здесь нулевая гипотеза H₀: е₁, …, е_n ? i.i.d.N(0,у²) гласит о нормальности ошибок в анализируемой модели. Поскольку p-значение > 1% (0,01), гипотеза H₁ отвергается, и следует применить гипотезу H₀ о нормальном распределении ошибок.

Нормальное распределение или распределение Гаусса - это распределение вероятностей с нулевым среднем значением, в котором положительные ошибки также вероятны как и отрицательные, а большие ошибки встречаются реже, чем меньшие. Нормальность ошибок свидетельствует о том, что оценки параметров, полученные методом наименьших квадратов, совпадают с результатами оценок, которые можно получить методом максимального правдоподобия [29].

2.6 Выводы по второй главе.

Таким образом, в результате проведенного эконометрического анализа панельных данных, были получены следующие результаты:

1. Собраны данные по выбранным показателям в разрезе регионов РФ.

2. Проведен анализ данных в разрезе по годам с интерпретацией значений.

3. Построены pooled модели и выбрана лучшая pooled модель.

4. Построены модели с фиксированными и со случайными эффектами.

5. Выбрана лучшая спецификация модели, а именно, была выбрана модель с фиксированными эффектами (по критериям Хаусмана и Robust test for differing group intercepts).

6. Было проверено качество выбранной модели: проведен тест на гетероскедастичность, проведен тест на нормальность ошибок модели.



Глава 3. Проектирование и разработка приложения для прогнозирования регионального уровня преступности

Разрабатываемое приложение, основанное на базе полученного эконометрического уравнения, является автоматизированным средством для работы с показателем уровня преступности. Приложение решает ряд вопросов, касаемо регулирования и контроллинга показателей как самого уровня преступности, так и факторов, объясняющих переменных.

Перед разработкой итогового продукта - приложения, необходимо провести анализ программного обеспечения, сформировать требования к продукту, спроектировать работу приложения и разработать код, который будет реализовывать сформированные требования.

3.1 Анализ программного обеспечения

Для разработки приложения существует множество решений, платформ, языков программирования и интегрированных сред. Наиболее распространенной является линейка продуктов Microsoft - MS Visual Studio, которые позволяют разрабатывать приложения от консольного типа до веб-сайтов, кроме того платформы поддерживают создание мобильных приложений на Windows, игр для Xbox, решения .NET Framework и другие [39].

Visual Studio представляет собой редактор исходного кода с поддержкой IntelliSence. Отладчик включает в себя уровни отладки как исходного кода, так и машинного уровня. Кроме вышеописанного, продукт включает в себя редактор форм представления пользователя, дизайнер классов и баз данных, контроллер кодов, включая поддержки добавления новых инструментов.

В версии Microsoft Visual Studio Enterprise 2015 включены компоненты Visual C# (объектно-ориентированный язык программирования, разработанный инженерами Microsoft во главе с Андерсом Хейлсберг и Скоттом Вильтаумота), Visual Basic (или Visual Basic.NET - объектно-ориентированный язык программирования на бае платформ Microsoft.NET), Visual C++ (интегрированная среда разработки приложений на языке C++), Visual F# (мультипарадигмальный язык программирования .NET Framework), SQL Server (система управления реляционными базами данных), Python (язык программирования высокого уровня), JavaScript (мультипарадигмальный язык программирования с поддержкой объектно-ориентированного стиля), TypeScript (язык программирования для разработки веб-приложений) и другие.

Компонент Visual C# позволяет создавать и разрабатывать приложение Windows Forms, приложение WPF (Windows Presentation Foundation), консольное приложение, веб-приложение ASP.NET, библиотеки классов для iOS, Android, Windows, приложение и библиотеку классов Silverlight, приложения службы WCF (Windows Communication Foundation), Azure Web Job (создание веб-заданий) и другое.

Windows Forms - это интерфейс представления приложений пользователю в графическом стиле, который упрощает процесс обращения к элементам программы. Приложение Windows Forms - это событийно-ориентированный продукт, который поддерживается Microsoft.NET Framework. Данная платформа считается самой понятной в использовании и интуитивно простой в разработке, являясь одной из самых используемых платформ в разработке приложений.

3.2 Анализ требований

Составление требований к программе начинается построения диаграммы вариантов использования (use case diagram), которая отражает отношения между пользователями, компонентами и требованиями. Диаграммы вариантов использования часто содержат актеров, варианты исполнения и различные типы связей между ними. На рисунке 3.1 показана диаграмма use case для будущего программного продукта.

Рисунок 3.1. Диаграмма вариантов использования

Диаграмма показывает, что пользователю доступны операции ввода значений показателей и получения прогноза уровня преступности, с помощью которого он может также получать обоснования моделирования, регулировать значения показателей и выявлять наиболее значимые факторы в модели уровня преступности.

Используя данную диаграмму как ориентир, были сформированы функциональные и нефункциональные требования к приложению [40]. Функциональные требования к программному продукты - это перечень требований, которые охватывают предполагаемое и желание поведение системы; они определяют и объясняют действия, которые необходимо реализовать в приложении [41]. Для настоящего приложения были сформированы следующие функциональные требования:

1. Вычисление уровня преступности по вводимым значения факторов (на вход поступают значения объясняющих переменных, на выходе пользователь получает расчетное программой значения уровня преступности), а также возможность изменять одно или более значений переменных с возможностью пересчета уровня преступности.

1.1 Дополнение: программный продукт должен ограничивать пользователя на ввод некорректных символов в поля для ввода значений факторов; для этого у каждого параметра должна быть реализована функция справки, где будут прописаны требования к вводимым переменным.

2. Просмотр программных примеров (пользователь имеет возможность посмотреть работу программы на примерах без ввода индивидуальных значений параметров).

3. Получение интерпретации по каждому параметру, введённому пользователем, и в целом по модели.

После закрепления функциональных требований к программному продукту происходит процесс формирования нефункциональных требований. Нефункциональные требования - это такие требования, которые предъявляются к характеру программного продукта; они могут ограничивать набор элементов и операций системы, определять дизайн и юзабилити, описывать безопасность и надежность приложения. Для настоящего приложения были сформированы следующие нефункциональные требования:

1. Среда разработки - MS Visual Studio, язык программирования - C#, форма представления - Windows Forms.

2. Набор элементов состоит из текстовых полей, полей для ввода значений параметров, области для формирования результата расчета уровня преступности, области для интерпретация полученных значений, соответствующих кнопок для расчета пользовательских и системных примеров.

3. Дизайн приложения - минимализм, светлый фон, темный текст.

4. Юзабилити приложения должно отвечать высокой эффективности, быть простым и интуитивно понятным пользователю и реализации; должна быть реализована защита от пользовательских ошибок.

3.3 Проектирование приложения

На этапе проектирования приложения разрабатываются макеты интерфейсов и алгоритм работы пользователя. Алгоритм работы приложения должен быть упрощен до уровня интуитивно понимаемого пользователем, то есть при запуске работы приложения у пользователя не должно возникать проблем с работой в продукте. Идеальный вариант работы в продукте представлен в следующих шагах:

1. Запуск приложения;

2. Ознакомление с требованиями к вводу значений параметров;

3. Просмотр системного примера;

4. Ввод значений параметров с возможностью редактирования;

5. Расчет значения показателя уровня преступности по введённым данным;

6. Получение и ознакомление с интерпретацией полученного результата;

7. Изменение или редактирование некоторых значений для отслеживания динамики изменения результативного уровня преступности;

8. Закрытие приложения.

Следующие шаг на этапе проектирование - это создание макета пользовательского интерфейса главной формы программного продукта. Исходя из функциональных и нефункциональных требований, были разработан макет windows-формы для настоящего приложения, представленный на рисунке 3.2.



Рисунок 3.2. Макет интерфейса приложения

По макету формы приложения можно заметить, что пользователю необходимо будет ввести 7 значений факторов и сформировать результат по средствам кнопки «Прогноз». С помощью кнопок «Пример 1» и «Пример 2» пользователю будет предложено ознакомиться с системными примерами. Элемент на форме кнопка «Справка» раскроет справку по требованиям к каждому из параметров ввода, их желаемые значения, диапазон и степень влияния на расчетное значения уровня преступности). Область для интерпретации полученных значений будет выводить текст с пояснениями расчета для пользователей.

3.4 Разработка приложения

Разработка приложения - процесс создания программного продукта, который включает в себя этапы программирования, то есть написания кода, и запуск программного продукта для пользовательского представления [42].

Первый шаг - создание форм и наполнение их необходимыми элементами. Для главной формы создадим достаточное количество вводных полей и соответствующие им подписи (названия переменных, которые должен ввести пользователь); также создадим кнопки: «Прогноз», «Справка», «Пример 1», «Пример 2». Затем добавим вторую форму, на которой будет отображать информация о данных, необходимая пользователю для работы с приложением; на данной форме разместим тестовые поля и заполним их информацией, согласно описательной статистике данных из второй главы настоящей работы.

Прописав операцию для кнопки «Справка»:

private void button2_Click(object sender, EventArgs e)

{

Form2 f2 = new Form2();

f2.Show();

}

создаем действие по открытию окна со справочной информацией, как представлено на рисунке 3.3:

Рисунок 3.3. Реализация открытия справки приложения

Теперь, пользователю доступна информация о факторах.

Следующий этап - присвоить каждому полю, который получает информацию от пользователю, имя. Для этого необходимо, прежде всего, прописать обработчик на вводимые значения [43]:

void Control_KeyPress(object sender, KeyPressEventArgs e)

{

char number = e.KeyChar;

if (!Char.IsDigit(number))

{

e.Handled = true;

}

}

Таким образом, в элемент типа textbox пользователь сможет вводить только числа. Дополнительно, создадим ограничения на ввод слишком больших чисел, установив максимальную размерность числа до 5 символов.

Далее, присвоим переменным, которые соответствуют определенным факторам, значения, вводимые пользователем, с помощью операции присвоение и конвертации между форматами строки и числа [44-45]:

int abort = Convert.ToInt32(TextBox1.Text);

После считывания всех значений, введённых пользователем, подставим их в регрессионное уравнение, полученной в результате эконометрического анализа во второй главе настоящей работы:

Math.Log(int crime) = 8.48 + 0.00003 * abort + 0.0002 * c_home - 0.000001 * alco - 0.07 * Math.Log(hiv) - 0.003 * Math.Log(net_migr) + 0.08 * Math.Log(drug) + 0.05 * Math.Log(no_dipl);

Затем, присваиваем полученный результат элементу, для вывода результата на главной форме [46], при клике пользователя по кнопке «Calculate»:

private void button1_Click(object sender, EventArgs e)

{

result.Text = Convert.ToString(crime);

}

Последними настройками будут являться формирование операций при клик на кнопки «Пример 1» или «Пример 2»: необходимо автоматически сформировать значения в полях ввода для показателей и высчитать результат.

Прописав необходимые значения для системных примеров, получаем результат выполнения работы программой, представленный на рисунке 3.4: Теперь пользователю доступны системные примеры, ориентируясь на которые, он может самостоятельно вводить значения и получать результаты.

При запуске программы, получаем стартовую форму, которая будет доступна пользователю для ввода данных и ознакомления с показателями (рисунок 3.5). Далее пользователь вводит данные в соответствующие поля, нажимает на кнопку «Прогноз», и получает результат (рисунок 3.6).

Рисунок 3.4. Реализация системных примеров приложения



Рисунок 3.5. Стартовая форма приложения

Рисунок 3.6. Реализация работы приложения

Таким образом, пользователю доступны широкий спектр возможностей для работы с уравнением эконометрической регрессией; возможность контролировать и регулировать уровень преступности по средствам изменения определенных параметров, с учетом тестового сообщения, которое интерпретирует логику работы программы.

3.5 Тестирование показателя уровня преступности

С помощью разработанного приложения можно легко проверить правильность расчетов, запрограммированные в программном продукте. Для проведения тестирования были взять показатели из вышеупомянутого банка данных федеральной статистики [34] за 2014 и 2015 года по регионам: Забайкальский край (2015 год), Калининградская область (2014), Краснодарский край (2014), Омская область (2014),Пермский край (2014), Республика Мордовия (2015), Самарская область (2014), Тульская область (2015), Чеченская республика (2014), Чукотский автономный округ (2014). В таблице 3.1 представлены значения переменных как зависимой, так и объясняющих.

Данные были введены в программу и в качестве расчетного значения были получены значения переменных для каждого субъекта, также были рассчитаны проценты покрытия (то есть насколько расчетное значения близко к реальному), приведённые в таблице 3.2.

Таблица 3.1. Значения показателей для тестирования
Показатели	abort	c_home	alco	hiv	net_migr	drug	no_dipl	crime
Год	Субъект РФ
2015	Забайкальский край	8832	510	39	41	1003	7	309	8762
2014	Калининградская область	5770	185	64	39	5474	6	13	8878
2014	Краснодарский край	27059	145	3	30	14151	4	35	12987
2014	Омская область	8470	290	61	133	4806	16	98	13811
2014	Пермский край	20501	0	111	112	4469	6	181	14895
2015	Республика Мордовия	19541	0	750	68	37079	9	268	12804
2014	Самарская область	3750	160	923	63	6504	22	13	9408
2015	Тульская область	5224	160	62	50	3849	8	47	6302
2014	Чеченская республика	4563	0	50	16	307	1	1123	2074
2014	Чукотский автономный округ	479	0	0	34	258	1	9	5931

Таблица 3.2. Ошибки тестовой выборки
Субъект РФ	crimei		Покрытие (%)
Забайкальский край	8762	8220	93,81
Калининградская область	8878	5913	66,6
Краснодарский край	12987	11483	88,42
Омская область	13811	7194	52,09
Пермский край	14895	9400	63,11
Республика Мордовия	12804	9894	77,27
Самарская область	9408	6849	72,8
Тульская область	6302	6213	98,59
Чеченская республика	2074	761	59,13
Чукотский автономный округ	5931	4213	71,03

Ошибка представляет собой процент покрытия расчётным значением реального показателя. По таблице 3.2 видно, что рассчитываемые значения программой всегда меньше чем реальные, наименьшая ошибка и, соответственно, наибольший процент покрытия показан у Тульской области (98,59%), а наибольшая ошибка у Омской области (47,91% ошибки и 52,09% покрытия). В среднем в тестовой выборке процент покрытия составляет 74,29%, что является хорошим показателем для уравнения модели построенного на панельных данных.

3.6 Выводы по третьей главе

Таким образом, с помощью построения use case диаграммы были выявлены функциональные требования к программе, был прописан алгоритм пользовательского взаимодействия с продуктом. В данной главе были приведены части кода, реализующие основные действия приложения. Также посредством готового программного продукта было проведено тестирование модели и выявлен средний процент покрываемости модели 74,29% (ошибка 26,71%).



Заключение

В настоящей выпускной квалификационной работе отражены особенности разработки эконометрических моделей с целью прогнозирования уровня преступности, а также описаны этапы разработки приложения. Проблема изучения уровня преступности, отраженная в данном исследовании, еще долгое время будет актуальной ввиду остроты вопроса, которое поднимает государства, с целью улучшения качества жизни населения.

В рамках выполненной работы были реализованы следующие задачи:

1. Проведен теоретический обзор (представлен в первой главе), а именно, выполнен анализ и систематизация существующих моделей регулирования уровня преступности и методов для проектирования модели.

2. Построена эконометрическая модель зависимости уровня преступности (представлена во второй главе), а именно, сформирован банк данных для проведения эконометрического моделирования, построены модели на панельных данных, выбрана лучшая из них - модель с фиксированными эффектами - путем применения эконометрических критериев оценки качества моделей, проанализированы показатели разработанной модели уровня преступности.

3. Разработано приложения для выявления наиболее значимых факторов, влияющих на уровень преступности (представлено в третьей главе), а именно спроектировано и разработано приложение, основанное на эконометрической модели, для выявления наиболее значимых факторов.

В процессе написания данной работы были получены и отработаны следующие навыки и знания:

1. Изучены особенности построения эконометрических моделей уровня преступности в России и других странах.

2. Получение знаний о существующих актуальных моделях уровня преступности и различных факторов.

3. Отработаны навыки формирования собственного набора данных путем сбора и приведения показателей.

4. Получены и применены умения проведения анализа эконометрических моделей, их построения и оценки качества.

5. Отработаны компетенции в реализации программного продукта путем проектирования и написания кода.

Главными результатами настоящей работы являются уравнение эконометрической модели и приложение для прогнозирования уровня преступности. Полученное уравнение модели может быть в дальнейшем использоваться как основной предмет новых приложений для регулирования уровня преступности, или сравнения наиболее значимых факторов, влияющих на уровень преступности. Приложение, разработанное по полученному уравнению, может быть полезно как обучающимся в школах или университетах для реализации специальных проектов, так и государственным образованиям для решения ряда вопросов, связанных с борьбой с преступностью. Результаты исследования могут быть применены на практике студентами как технических и экономических специальностей, так и студентами исторических или юридических профилей с целью выполнения задач изучения уровня преступности в России.

Перспективы развития исследования могут иметь различный характер. Например, приложение может быть реализовано и адаптировано под региональное изучение уровня преступности, с целью более точного изучения преступности в отдельных городах или субъектах.

преступность фиксированный моделирование эффект



Библиографический список

1. Levitt, S.D. The Effect of Prison Population Size on Crime Rates: Evidence from Prison Overcrowding Litigation // The Quarterly Journal of Economics, 1996, Vol. 111, pp. 319-351;

2. Levitt, S.D. The Impact of Legalized Abortion on Crime // The Quarterly Journal of Economics, 2001, Vol. 116, pp. 379-420;

3. Levitt, S.D. Further Evidence that Legalized Abortion Lowered Crime // The Journal of Human Resources, 2003, Vol. 39, pp. 29-49;

4. Levitt, S.D. Understanding Why Crime Fell in the 1990s: Four Factors that Explain the Decline and Six that Do Not // Journal of Economic Perspectives, 2004, Vol. 18, pp. 163-190.

5. Paul J. Goldstein, Patricia A. Belucci. Crack and Homicide in New York City: A Case Study in the Epidemiology of Violence. From Crack in America // Demon Drugs and Social Justice, P 113-130, 1997.

6. Mark Duggan . More Guns, More Crime // Journal of Political Economy. 2001.

7. Pop-Eleches, C. The Impact of an Abortion Ban on Socioeconomic Outcomes of Children: Evidence from Romania // Journal of Political Economy. 2006, Vol. 114.

8. Ellen, I.G., O'Regan, K. Crime and Urban Flight Revisited: The Effect of The 1990s Drop in Crime on Cities // Journal of Urban Economics, 2010, Vol. 60, pp. 247-259.

9. Francois, A., Magni-Berton, R., Weill, L. Abortion and Crime: Cross-country Evidence from Europe // International Review of Law and Economics, 2014, Vol. 40, pp. 24-35.

10. Klick, J., Tabarrok, A. Using Terror Alert Levels to Estimate the Effect of Police on Crime // Journal of Law and Economics, 2005, XLVIII.

11. Понятие и виды преступлений [Электронный ресурс] [Режим доступа: http://www.grandars.ru/college/pravovedenie/ponyatie-prestupleniya.html ] [Проверено: 02.05.2018].

12. Becker, G.S. Crime and Punishment: An Economic Approach // Journal of Political Economy, 1968, Vol. 76, pp. 169-217.

13. Blomquist, J., Westerlund, J. A Non-Stationary Panel Data Investigation of The Unemployment-Crime Relationship // Social Science Research, 2014, Vol. 44, pp. 114-125.

14. Thaler, R. . An Econometric Analysis of Property Crime // Journal of Public Economics, 1997, Vol. 8, pp. 37-51.

15. Ousey, G.C., Kubrin, C.E. Exploring the Connection between Immigration and Violent Crime Rates in U.S. Cities, 1980-2000 // Social Problems, 2009, Vol. 56, pp. 47-473.

16. Engelen, P.J., Lander, M.W., Essen, M. What Determines Crime Rates? An Empirical Test of Integrated Economic and Sociological Theories of Criminal Behavior // The Social Science Journal, 2015, XXX.

17. Андриенко Ю.В. В поисках объяснения роста преступности в России в переходный период: криминометричсекий подход // Экономический журнал ВШЭ, 2001, №2, с. 194-220.

18. Носко В.П.. Эконометрика для начинающих // Институт экономики переходного периода, 2000, Москва.

19. Добрынина А.К. Построение эконометрической модели для прогнозирования уровня экономической преступности в России // International Science Review, 2015, № 1(2), с.36-41.

20. Кучерова С.В. Применение факторного анализа для исследования преступности на основе социально-экономических показателей // Науковедение, 2014, №2, март-апрель.

21. Лебедев А.В. Математическая модель преступности в условиях регионального управления // Вестник Владимирского юридического института, 2011, №4(21), с. 92- 98.

22. Носко В.П. Эконометрика. Книга первая // Издательский дом «Дело», 2011, Москва.

23. Носко В.П. Эконометрика. Книга вторая // Издательский дом «Дело», 2011, Москва.

24. Вербик М. Путеводитель по современной эконометрике // Научная книга, 2008, Москва.

25. Романенко Е.В., Авдонькин В.В. Эконометрическое моделирование влияния социально-экономических факторов на уровень преступности в России // Инновационная наука, 2016, №5, с.161-164.

26. Кучерова С.В. Применение факторного анализа для исследования преступности на основе социально-экономических показателей // Науковедение, 2014, №2, март-апрель.

27. Шалдина А.В. Моделирование региональной преступности // Вестник ЮРГТУ (НПИ), 2011, №1, с.189-193.

28. Исмагилов И.И., Кадочникова Е.И. Специальные модели эконометрики в среде Gretl // Казанский университет, 2018, Казань.

29. Kunst R. Econometric Methods for Panel Data. University of Vienna. 2010.

30. Исмагилов И.И., Кадочникова Е.И. Специальные модели эконометрики в среде Gretl. Часть вторая // Казанский университет, 2018, Казань.

31. Ратникова Т.А. Анализ панельных данных в пакете «stata» // ГУ Высшая школа экономики. 2004.

32. Ратникова Т.А. Введение в анализ панельных данных // ГУ Высшая школа экономики. 2004.

33. Суслов В.И., Лапо В.Ф. Эконометрика - 3. Курс лекций.

34. Официальные статистические показатели [Электронный ресурс] [Режим доступа: https://fedstat.ru/ ] [Проверено: 02.05.2018].

35. Уголовный кодекс Российской Федерации [Электронный ресурс] [Режим доступа: http://www.consultant.ru/document/cons_doc_law_10699/ ] [Проверено: 02.05.2018].

36. Цуканов А.В., Кокодей Т.А.. Реализация эконометрических методов обработки финансово-экономической информации в gretl 1.7.1 // СевНТУ, Севастополь. 2008.

37. Cottrell A., Lucchetti R. / Gretl User's Guide. April. 2018.

38. Юдин С.В. Решение эконометрических задач и построение экономико-математических моделей с помощью пакета Gretl // Тульский государственный университет, Тула. 2008.

39. Обзор языков программирования и средств разработки на их основе [Электронный ресурс] [Режим доступа: http://bukvi.ru/computer/obzor-yazykov-programmirovaniya-i-sredstv-razrabotki-na-ix-osnove.html ] [Проверено: 02.05.2018].

40. UML Use Case Diagram Tutorial [Электронный ресурс] [Режим доступа: https://www.lucidchart.com/pages/uml-use-case-diagram ] [Проверено: 02.05.2018].

41. Какие бывают требования? Функциональные и нефункциональные требования к программному продукту [Электронный ресурс] [Режим доступа: http://www.uml2.ru/faq/faq-requirements/34/ ] [Проверено: 02.05.2018].

42. Герберт Шилдт. C# 4.0 Полное руководство. И.Д. Вильямс. 2010.

43. Создание приложения на C# [Электронный ресурс] [Режим доступа: https://msdn.microsoft.com/ru-ru/library/360kwx3z(v=vs.90).aspx ] [Проверено: 02.05.2018].

44. Создание приложения Windows Forms [Электронный ресурс] [Режим доступа: https://msdn.microsoft.com/ru-ru/library/dd492132.aspx ] [Проверено: 02.05.2018].

45. Пошаговые руководства по Windows Forms [Электронный ресурс] [Режим доступа: https://msdn.microsoft.com/ru-ru/library/zftbwa2b(v=vs.110).aspx ] [Проверено: 02.05.2018].

46. Уотсон К., Нейгел К. Visual C# 2008. Базовый курс // Диалектика, Вильямс, 2009.



Приложение A. Паспорта данных

Таблица А.1. Паспорт показателя «Численность постоянного населения в среднем за год (человек, значение показателя за год)»
Единицы измерения:	* человек
Периодичность и характеристика временного ряда:	- Годовая * Характеристика: не охарактеризована * Представляется: 31 июля * след. обновление: 31.07.2018
Период действия:	с 01.01.1990
Длина временного ряда:	1990 - 2016
Последнее обновление данных:	14.11.2017
Признаки (перечень на базе классификаторов и справочников):	- Россия и регионы - Тип поселения
Методологические пояснения:	Среднегодовая численность населения - средняя арифметическая из численностей населения на начало и конец соответствующего года.(Практическое инструктивно-методическое пособие по демографической статистике. Утверждено 07.12.2007г. Росстат)
Источники и способ формирования показателя:	Расчет
Ведомство (субъект статистического учета):	Федеральная служба государственной статистики
Подразделение:	Управление статистики населения и здравоохранения
Размещение:	Оценка численности постоянного населения на 1 января текущего года
Комментарий:	Расчет
Ответственный:	Рахманинова М.В. - 9145 (495)632-90-39 rahmaninova@gks.ru

Таблица А.2. Паспорт показателя «Количество преступлений, зарегистрированных в отчетном периоде»
Единицы измерения:	* единица
Периодичность и характеристика временного ряда:	- Годовая * Характеристика: нарастающим итогом * Представляется: на 35-й рабочий день после отчетного периода * след. обновление: 14.02.2018
Период действия:	с 01.01.2008
Длина временного ряда:	2008 - 2016
Последнее обновление данных:	07.02.2017
Признаки (перечень на базе классификаторов и справочников):	- Справочник территорий РФ - Статьи УК РФ
Методологические пояснения:	Показатель формы «1-ЕГС» (код 491) «Единый отчет о преступности», утвержденной постановлением Федеральной службы государственной статистики от 15 января 2008 г. № 4 и приказом МВД России от 3 марта 2008 г. № 193. Представляют информационные центры МВД, ГУВД, УВД субъектов РФ.
Источники и способ формирования показателя:	* Единый отчет о преступности
Ведомство (субъект статистического учета):	Министерство внутренних дел Российской Федерации
Подразделение:	Главный информационно-аналитический центр
Размещение:	Информация о преступности
Ответственный:	Васькина Е.В. - (495) 332 30 07
Единицы измерения:	* единица

Таблица А.3. Паспорт показателя «Число прерываний беременности»
Единицы измерения:	* единица
Периодичность и характеристика временного ряда:	- Годовая * Представляется: 25 марта * след. обновление: 25.03.2018
Период действия:	с 01.01.2005
Длина временного ряда:	2005 - 2016
Последнее обновление данных:	21.11.2017
Признаки (перечень на базе классификаторов и справочников):	- ОКАТО (межведомственный)
Методологические пояснения:	Число прерываний беременности.
Источники и способ формирования показателя:	Расчет
Ведомство (субъект статистического учета):	Министерство здравоохранения Российской Федерации
Подразделение:	Департамент организации медицинской профилактики, медицинской помощи и развития здравоохранения
Размещение:	Число прерываний беременности
Комментарий:	Форма № 13 - сводный отчет «Сведения о прерывании беременности (в сроки до 28 недель)»
Ответственный:	Александрова Г.А. - (495) 645-62-60 доб. 1491 AleksandrovaGA@rosminzdrav.ru

Таблица А.4. Паспорт показателя «Заболеваемость с впервые в жизни установленным диагнозом ВИЧ-инфекции на 100 тыс. человек населения»
Единицы измерения:	* человек
Периодичность и характеристика временного ряда:	- Годовая * Представляется: 4 мая * след. обновление: 04.05.2018
Период действия:	с 01.01.2005
Длина временного ряда:	2005 - 2016
Последнее обновление данных:	21.11.2017
Признаки (перечень на базе классификаторов и справочников):	- ОКАТО (межведомственный)
Методологические пояснения:	Рассчитывается как производное числа зарегистрированных больных с впервые в жизни установленным диагнозом ВИЧ-инфекции, умноженного на 100000, деленного на численность населения на конец года.
Источники и способ формирования показателя:	Расчет
Ведомство (субъект статистического учета):	Министерство здравоохранения Российской Федерации
Подразделение:	Департамент организации медицинской профилактики, медицинской помощи и развития здравоохранения
Размещение:	Контингенты больных ВИЧ-инфекцией
Комментарий:	Форма № 61 «Сведения о контингентах больных ВИЧ-инфекцией»
Ответственный:	Александрова Г.А. - (495) 645-62-60 доб. 1491 AleksandrovaGA@rosminzdrav.ru

Таблица А.5. Паспорт показателя «Численность воспитанников специальных (коррекционных) школ-интернатов для детей-сирот и детей, оставшихся без попечения родителей»
Единицы измерения:	* человек
Периодичность и характеристика временного ряда:	- 1 раз в год * Представляется: 11 марта * след. обновление: 11.03.2018
Период действия:	с 01.01.2009
Длина временного ряда:	2009 - 2016
Последнее обновление данных:	22.06.2017
Признаки (перечень на базе классификаторов и справочников):	- ОКАТО - ОКСМ
Методологические пояснения:	Показатель утверждённой приказом Федеральной службы государственной статистики формы № Д-13 "Сведения об учреждениях для детей-сирот и детей, оставшихся без попечения родителей".
Источники и способ формирования показателя:	* Сведения об учреждениях для детей-сирот и детей, оставшихся без попечения родителей
Ведомство (субъект статистического учета):	Министерство образования и науки Российской Федерации
Подразделение:	Отдел аналитического мониторинга, статистики и прогноза Департамента стратегии, анализа и прогноза
Размещение:	Образовательные организации для детей-сирот и детей, оставшихся без попечения родителей
Ответственный:	Шагалов А.А. - (495) 629-16-04
Единицы измерения:	* человек

...

Таблица А.6. Паспорт показателя «Общая численность детей, не обучающихся в образовательных организациях»
Единицы измерения:	* человек
Периодичность и характеристика временного ряда:	- Годовая * Характеристика: за год * Представляется: 1 декабря * след. обновление: 01.12.2018
Период действия:	с 01.01.2009
Длина временного ряда:	2009 - 2016
Последнее обновление данных:	22.06.2017
Признаки (перечень на базе классификаторов и справочников):	- ОКАТО - ОКСМ
Методологические пояснения:	Показатель утверждённой приказом Федеральной службы государственной статистики формы № 1-НД "Сведения о численности детей и подростков в возрасте 7-18 лет, не обучающихся в образовательных учреждениях".  
Источники и способ формирования показателя:	Расчет
Ведомство (субъект статистического учета):	Министерство образования и науки Российской Федерации
Подразделение:	Отдел аналитического мониторинга, статистики и прогноза Департамента стратегии, анализа и прогноза
Размещение:	Численность детей и подростков, не обучающихся в образовательных организациях
Ответственный:

Страница:

•  1 
•  2 
•  3 

дипломная работа "Проектирование модели уровня преступности в России" скачать

Подобные документы

• Построение регрессионной модели по панельным данным в пакете STATISTICA

  Проектирование регрессионной модели по панельным данным. Скрытые переменные и индивидуальные эффекты. Расчет коэффициентов однонаправленной модели с фиксированными эффектами по панельным данным в MS Excel. Выбор переменных для построения данной регрессии.
  
  курсовая работа [2,3 M], добавлен 26.08.2013
  

• Построение многофакторной модели. Прогнозирование по однофакторной модели

  Построение эконометрической модели, описывающей линейную зависимость результативного признака факторов, входящих в нее, методом матрицы. Проверка ее на адекватность по критерию Фишера. Определение дисперсии, ковариации, корреляции и детерминации.
  
  контрольная работа [180,5 K], добавлен 03.12.2014
  

• Эконометрические модели рентабельности собственного капитала (на примере СПК "Слава")

  Краткая характеристика СПК "Слава". Спецификация модели рентабельности собственного капитала. Оценка параметров модели и влияние мультиколлинеарности факторов. Построение аддитивной модели временного ряда уровня рентабельности собственного капитала.
  
  курсовая работа [1,0 M], добавлен 29.08.2015
  

• Построение и анализ однофакторной эконометрической модели

  Построение и анализ однофакторной и многофакторной эконометрической модели. Вычисление парных и частичных коэффициентов корреляции. Проверка адекватности модели по критерию Фишера. Исследование наличия мультиколлениарности по алгоритму Феррара-Глобера.
  
  контрольная работа [172,4 K], добавлен 28.05.2010
  

• Моделирование экономических систем

  Сущность экономико-математической модели, ее идентификация и определение достаточной структуры для моделирования. Построение уравнения регрессии. Синтез и построение модели с учетом ее особенностей и математической спецификации. Верификация модели.
  
  контрольная работа [73,9 K], добавлен 23.01.2009
  

• Эконометрическое моделирование годового фонда оплаты труда

  Анализ и выявление значимых факторов, влияющих на объект. Построение эконометрической модели затрат предприятия для обоснований принимаемых решений. Исследование трендов временных рядов. Оценка главных параметров качества эконометрической модели.
  
  курсовая работа [821,1 K], добавлен 21.11.2013
  

• Расчет оптимального размера заказа

  Сферы применения имитационного моделирования для выбора оптимальных стратегий. Оптимизация уровня запасов и построение модели управления. Построение имитационной модели и анализ при стратегии оптимального размера заказа и периодической проверки.
  
  контрольная работа [57,5 K], добавлен 23.11.2012
  

• Исследование эконометрической модели с использованием пакета Eviews

  Процесс построения и анализа эконометрической модели в пакете Econometric Views. Составление, расчет и анализ существующей проблемы. Проверка адекватности модели реальной ситуации на числовых данных в среде Eviews. Построение регрессионного уравнения.
  
  курсовая работа [1,3 M], добавлен 17.02.2014
  

• Регрессионный анализ. Факторный эксперимент

  Построение уравнения регрессии, учитывающего взаимодействия факторов, проверка полученной модели на адекватность. Построение математической модели и нахождение численных значений параметров этой модели. Вычисление коэффициентов линейной модели.
  
  курсовая работа [1005,0 K], добавлен 07.08.2013
  

• Использование критерия Дарбина–Уотсона и оценка качества эконометрической модели с использованием коэффициента детерминации

  Публикация данных: источники информации и влияние факторов на деятельность. Статистическая автокоррелированность ряда и проверка ее порядков, статистика Дарбина–Уотсона. Регрессионные зависимости и леммы эконометрической модели, доверительный интервал.
  
  практическая работа [327,4 K], добавлен 15.03.2009
  

• Построение эконометрической модели

  Эконометрическое исследование признаков деятельности предприятий: доля расходов на закупку товаров, среднедневная заработная плата одного работающего. Построение линейного графика регрессионной зависимости между показателями, оценка адекватности модели.
  
  контрольная работа [93,3 K], добавлен 14.12.2011
  

• Оптимизация структуры отделения ОАО КБ "Пойдем" методом имитационного моделирования

  Статические и динамические модели. Анализ имитационных систем моделирования. Система моделирования "AnyLogic". Основные виды имитационного моделирования. Непрерывные, дискретные и гибридные модели. Построение модели кредитного банка и ее анализ.
  
  дипломная работа [3,5 M], добавлен 24.06.2015
  

• Основы эконометрического анализа

  Ознакомление с основами модели простой регрессии. Рассмотрение основных элементов эконометрической модели. Характеристика оценок коэффициентов уравнения регрессии. Построение доверительных интервалов. Автокорреляция и гетероскедастичность остатков.
  
  лекция [347,3 K], добавлен 23.12.2014
  

• Построение и анализ функции спроса на товар

  Построение эконометрической модели спроса в виде уравнений парной и множественной регрессии. Отбор факторов для построения функции потребления. Расчет коэффициентов корреляции и детерминации, проверка правильности выбранных факторов и формы связи.
  
  контрольная работа [523,7 K], добавлен 18.08.2010
  

• Основные этапы разработки имитационной модели (на примере модели банковского отделения)

  Процедура проведения имитационных экспериментов с моделью исследуемой системы. Этапы имитационного моделирования. Построение концептуальной модели объекта. Верификация и адаптация имитационной модели. Метод Монте-Карло. Моделирование работы отдела банка.
  
  курсовая работа [549,5 K], добавлен 25.09.2011
  

• Имитационные модели глобальных систем

  Исследование особенностей разработки и построения модели социально-экономической системы. Характеристика основных этапов процесса имитации. Экспериментирование с использованием имитационной модели. Организационные аспекты имитационного моделирования.
  
  реферат [192,1 K], добавлен 15.06.2015
  

• Построение и анализ качества регрессионной модели

  Построение качественной и адекватной эконометрической модели по методу наименьших квадратов и ее анализ на наличие автокорреляции, мультиколлинеарности, гетероскедастичности с применением статистики Дарвина-Уотсона, тестов Парка и Голдфелда-Квандта.
  
  курсовая работа [434,0 K], добавлен 04.12.2013
  

• Моделирование уровня безработицы в России

  Исследование причин возникновения, последствий и основных видов безработицы. Моделирование и прогнозирование численности безработных в Российской Федерации. Определение доли экономически активного населения. Построение регрессионной модели безработицы.
  
  курсовая работа [203,8 K], добавлен 31.03.2015
  

• Расчет показателей тесноты связи

  Построение описательной экономической модели. Матрица корреляций между исходными статистическими признаками. Оценка параметров модели. Определение и графическое изображение регрессионной зависимости между показателями. Оценка адекватности модели.
  
  контрольная работа [215,8 K], добавлен 13.10.2011
  

• Построение двухфакторной модели, моделей парной линейной прогрессии и множественной линейной регрессии

  Выбор факторных признаков для двухфакторной модели с помощью корреляционного анализа. Расчет коэффициентов регрессии, корреляции и эластичности. Построение модели линейной регрессии производительности труда от факторов фондо- и энерговооруженности.
  
  задача [142,0 K], добавлен 20.03.2010
  

Другие документы, подобные "Проектирование модели уровня преступности в России"

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам