Цифровизация уголовной политики как инструмент преодоления ее асистемности

Размещено на http://www.allbest.ru/

Институт проблем развития науки Российской академии наук

Федеральная антимонопольная служба

Институт актуального образования «ЮрИнфоР»

Институт сферы обслуживания и предпринимательства (филиал) Донского государственного технического университета,

Южно-Казахстанский государственный университет им. М. Ауэзова

Цифровизация уголовной политики как инструмент преодоления ее асистемности

С.В. Максимов, Ю.Г. Васин, Н.В. Валуйсков, К.А. Утаров

г. Москва, г. Шахты г. Чимкент



Аннотация

В статье рассмотрена необходимость и целесообразность использования математических моделей для обеспечения цифровизации уголовной политики на основе одновременного учета результатов качественного анализа криминогенной действительности (теоретическое моделирование) и применения вероятностных моделей прогноза результатов противодействия преступности (эмпирическое моделирование). Определена хронологическая матрица ключевых криминогенных событий новейшей российской истории политико-экономического характера как база для разработки математической модели прогноза изменений в уголовной политике. Сделан вывод о наличии в современной уголовной статистике объективных признаков манипулируемого характера и невозможности принятия уголовно-политических решений только на ее основе. Отмечено, что предлагаемые прогностические модели, построенные с учетом положений теории вероятностей, позволяют вычислять верифицируемые количественные оценки состояния противодействия негативным социально-правовым явлениям и учитывать не только латентную составляющую изучаемых феноменов, но и различия, обусловленные изменением их уголовно-правовой оценки. Предлагаемый подход может быть положен в основу создания триплексной системы официального мониторинга состояния криминогенной обстановки на федеральном и региональном уровнях, базирующейся на сборе, анализе, оценке и прогнозе информации о преступности из трех источников: уголовная статистика, результаты изучения общественного мнения, результаты опроса экспертов. Создание данной системы, по мнению авторов, является обязательной предпосылкой для перехода от преимущественно репрессивной модели борьбы с преступностью (свойственной большинству современных государств) к профилактической. Поскольку вероятная эффективность профилактической модели борьбы с преступностью может быть предварительно рассчитана на основе планируемых затрат и имеющихся ресурсов и в последующем сопоставлена с реально достигнутой эффективностью такой борьбы, то у государства и общества может появиться существенно более действенный инструмент контроля качества уголовной политики в сравнении с используемым сегодня, что позволит обеспечить постепенный переход от высокозатратной уголовной политики, реализуемой методом проб и ошибок, к цифровой уголовной политике, основанной на результатах предварительных и проверяемых расчетов.

Ключевые слова Цифровизация; уголовная политика; преступность; уголовный закон; математическая модель; методы теории вероятности; прогнозирование; криминогенные факторы; эффективность



Abstract

THE DIGITIZATION OF CRIMINAL POLICY AS A TOOL OF OVERCOMING ITS UNSYSTEMATICITY

Sergey V. Maksimov1, 2, Yury G. Vasin3, Nikolai V. Valuyskov4, Kanat A. Utarov5

Institute for the Study of Science of the Russian Academy of Sciences, Moscow, the Russian Federation

Federal Antimonopoly Service of the Russian Federation, Moscow, the Russian Federation

Institute of Contemporary Education «JurInfoR», Moscow, the Russian Federation

Institute of Service Industry and Entrepreneurship (affiliate) of Don State Technical University, Shakhty, the Russian Federation M. Auezov South Kazakhstan State University, Chimkent, the Republic of Kazakhstan

They determine the chronological matrix of key criminogenic events of modern Russian political and economic history, which forms the basis for developing a mathematical model of predicting changes in the criminal policy. The authors conclude that contemporary criminal policy contains objective signs of manipulative character and that criminal policy decisions cannot be based on it exclusively. It is noted that the presented prediction models based on the theory of relativity allow to make verifiable quantitative evaluations of the situation in counteracting negative socio-legal phenomena and to take into account not only the latent component of these phenomena, but also the differences caused by changes in their criminal law assessment. The presented approach could be used to build a triplex system of official monitoring of criminogenic situation at the federal and regional levels based on the collection, analysis, assessment and prediction of information on criminality from three sources: criminal statistics, public opinion polls' results, expert polls' results. According to the authors, the creation of this system is a mandatory prerequisite for the transition from a dominantly repressive model of crime counteraction (typical for most contemporary states) to the preventive model. As the probable effectiveness of preventive model of crime counteraction could be first calculated on the basis of planned expenses and available resources and then compared with the actually achieved effectiveness of such counteraction, the state and the society could gain a considerably more effective instrument of controlling the criminal policy's quality in comparison with the one used today, which will make it possible to ensure a gradual transition from the high cost criminal policy implemented through trial and error to the digital criminal policy based on the results of preliminary and verified calculations.

Keywords Digitization; criminal policy; crime; criminal law; mathematical model; methods of probability theory; forecasting; criminogenic factors; effectiveness and using probabilistic prediction models of crime counteraction results (empirical modeling).



Цифровизация уголовной политики, под которой авторы понимают процесс и результат внедрения количественных методов описания, оценки, анализа и прогноза преступности и мер реагирования на нее (включая методы математической статистики и математического моделирования) в практику формирования и реализации мер борьбы с преступностью, как показывает анализ, перешла из стадии футуристического планирования в стадию реализации. уголовный криминогенный преступность

Несмотря на признанные во всем мире достижения отечественной математической школы, опыт разработки и применения математических моделей для целей борьбы с преступностью в России относится в основном к решению задач правоприменения (расследование конкретных преступлений (математические модели финансовых пирамид, крупнейших аварий и катастроф)), включая разработку и использование обучающих и контрольно-обучающих программ для расследования конкретных видов преступлений ЮрИнфоР: программное обеспечение.. В меньшей степени указанная практика относится к сфере уголовноправовой политики.

Первый известный опыт применения математической модели непосредственно для целей нормотворчества относится к разработке модели оптимизации санкций уголовно-правовых норм проектируемого Уголовного кодекса РСФСР в 1991-1992 гг. и соответствующего программного обеспечения группой юристов и математиков под руководством главного научного сотрудника Института государства и права АН СССР С.В. Бородина, результаты применения которой были использованы в принятом (после доработок и согласований, почти не коснувшихся санкций) 13 июня 1996 г. Уголовном кодексе Российской Федерации [1]. После вступления в силу (1 января 1997 г.) в УК РФ были внесены тысячи изменений (более 230 федеральных законов на 1 января 2019 г.) без обращения к базовой модели оптимизации санкций уголовно-правовых норм.

Сравнительно недавно при участии Института социально-политических исследований РАН и Института экономико-математических исследований РАН по инициативе Росфинмониторинга была разработана Целевая вычисляемая модель общего финансового равновесия, предупреждения финансовых угроз и рисков, которая позволила существенно повысить эффективность контроля за подозрительными операциями [2]. Данная модель оказала вполне определенное влияние на усовершенствование одного из базовых актов Росфинмониторинга -- приказа «Об утверждении Рекомендаций по разработке критериев выявления и определению признаков необычных сделок» от 8 мая 2009 г. № 103 Федеральная служба по финансовому мониторингу.. Например, в 2014 г. Росфинмониторингу (в том числе с использованием названной программы) удалось пресечь причинение ущерба государству на сумму около 300 млрд р. (включая ущерб в результате применения криминальных схем). Также Росфинмониторинг использует разработки Института проблем рынка РАН для целей моделирования влияния восприятия закона на экономическое поведение граждан.

В настоящее время с участием Математического института им. В.А. Стеклова РАН, Института прикладной математики им. М.В. Келдыша РАН и Института проблем развития науки РАН Федеральная антимонопольная служба начала разработку математической модели для целей создания программы выявления, предупреждения и пресечения возникновения картелей (в том числе криминальных) Федеральная антимонопольная служба.. Таким образом, известный успешный опыт цифровизации в сфере уголовной политики оказался так или иначе связанным с решением преимущественно частных проблем правоприменения и нормотворчества. Вместе с тем очевидно, что в уголовной политике назрели качественные изменения, под которыми авторы понимают прежде всего необходимость устранения ее асистемности, т.е. приведение такой политики в соответствие с криминологическими реалиями и устранение ее внутрисистемных противоречий (от логических ошибок в определении уровня наказуемости смежных преступлений и преобладания оценочных признаков, т.е. определяемых преимущественно самим правоприменителем, до отсутствия нормативно закрепленных основ уголовной политики) [3].

Именно разнообразные проявления этой асистемности побуждали и побуждают многочисленных исследователей к изучению ее причин, последствий и возможностей для их устранения. При этом нельзя не обратить внимание на то, что вопреки всем этим усилиям (но не вследствие) системная противоречивость правовой политики вообще и уголовной политики в частности, по-видимому, продолжает нарастать. Одна из причин этого состоит в том, что нормотворчество как инструмент правовой политики все в большей степени отдаляется от усложняющихся реалий. При этом на первый взгляд может показаться, что цифровизация нормотворческого процесса сделала его существенно более технологичным, быстрым, легко корректируемым и понятным даже для непосвященных.

Первыми плодами «электронного» нормотворчества стало резкое ускорение нормотворческих процедур, рост числа законов и иных нормативных правовых актов, принимаемых в единицу времени. Законотворчество в сфере уголовной политики стало едва ли не самым ярким проявлением ускоренного нормотворчества, которое иногда обидно сравнивают со «взбесившимся принтером».

Оторванность уголовной политики от криминологических реалий, с нашей точки зрения, стала одной из причин зарождения идеи разработки полной математической модели УК РФ, которая в 2013 г. была высказана ректором МГУ им. М.В. Ломоносова академиком РАН В.А. Садовничим и полномочным представителем Правительства РФ в высших судебных инстанциях М.Ю. Барщевским [4]. К сожалению, данная идея не реализована до настоящего времени. Объяснений этому, на наш взгляд, много. Помимо большой сложности и трудоемкости данной задачи, неясности тех новых возможностей, которые будут открыты для законодателя, правоприменителя и «бенефициаров» (т.е. для каждого гражданина) вследствие оцифровки уголовного закона, к ним следует отнести деградацию практики применения автоматизированных технологий сбора, обработки, анализа, интерпретации и прогноза данных, которая широко использовалась для исследования преступности в 1980-1990-е гг. в МВД СССР и МВД России и на базе которой должна строиться современная уголовная политика.

Скачок в развитии цифровых технологий (прежде всего появление существенно больших, чем прежде, программных и аппаратно-технических возможностей), используемых в мониторинге больших баз данных о преступности и ее факторном комплексе, открывает широкий спектр новых возможностей для приведения уголовной политики в соответствие с криминальными реалиями и прогнозом их развития [5]. Таким образом, вероятно, впервые у законодателя появляется возможность не на интуитивном, а на расчетном уровне формулировать уголовноправовые запреты и оптимальные санкции норм об ответственности за их нарушение.

Предпосылкой для решения этой задачи служит то, что разработанный более чем за 200 лет внушительный по своему потенциалу математический аппарат теории вероятностей [6-8], часть которого использовалась для изучения корреляционных зависимостей между негативными социальными явлениями и преступностью, между интенсивностью применения мер уголовной ответственности и уровнем криминальной активности, для прогнозирования преступности и отдельных ее видов, сегодня может быть применен в качестве масштабируемых технологий -- от уровня центральных аппаратов МВД, ФСБ, Генеральной прокуратуры и Следственного комитета России до районного уровня подразделений соответствующих органов власти.

Рассматриваемый инструментарий уже не только в теории, но и на практике позволяет вести непрерывный первичный мониторинг получаемых в автоматическим режиме из сотен баз данных о преступности, всех основных ее видах и всех основных известных ее факторах, которые собираются, обрабатываются, подвергаются оценке и анализу, выявлять новые закономерности и тенденции в преступности и ее факторном комплексе и в таком же автоматическом режиме рассчитывать оперативный, краткосрочный, среднесрочный и долгосрочный прогноз соответствующих изменений. Именно последние два вида прогноза, по нашему мнению, должны использоваться законодателем для формирования планов законопроектных работ в сфере уголовной политики (включая ее подотрасли -- уголовно-правовую, уголовно-процессуальную, уголовно-исполнительную, оперативно-розыскную и криминологическую (предупредительную) политику). Например, при неблагоприятном долгосрочном прогнозе изменений в общественно опасном поведении в ювенальной сфере (общественно опасные деяния несовершеннолетних и общественно опасные деяния против несовершеннолетних), на наш взгляд, нужно не увеличивать нагрузку на инспекторов подразделений ОВД по работе с несовершеннолетними (ПДН), которая в 2014 г. составляла 1,4-1,9 тыс. несовершеннолетних на одного инспектора ПДН (но не менее одного инспектора ПДН на муниципальный район в сельской местности) Об утверждении примерных нормативов численности подразделений органов внутренних дел Российской Федерации : приказ МВД России от 6 окт. 2014 г. № 859., ориентируясь на снижение показателей регистрации преступности несовершеннолетних, а, напротив, снижать эту нагрузку с учетом криминальных реалий, которые (помимо прочего) свидетельствуют о том, что эти подразделения с имеющимся кадровым потенциалом не могут обеспечить реального снижения преступности в ювенальной сфере, в том числе в силу внесистемного характера уголовной политики в ювенальной сфере [9].

Для анализа в качестве исходных данных целесообразно, наряду с прочим фактографическим материалом, использовать данные уголовной статистики и любые другие соотносимые с феноменом преступности статистические данные [10]. В этой связи заслуживает поддержки мнение профессора В.В. Лунеева о том, что «изучение фактической реальности, формируемой на основе действующих норм права... требует овладения статистическими... методами. Только с их помощью можно изучить преступность.» [11].

Соответственно системе мониторинга преступности необходимо перестроить и систему мониторинга правоприменения в сфере борьбы с преступностью, которая, на наш взгляд, также должна основываться не только на привычных статистических базах данных о мерах уголовнопроцессуального реагирования на зарегистрированные преступления, но и на других больших базах данных (в частности, базах данных о результатах опросов населения о преступности и эффективности работы правоохранительных органов). Данная система мониторинга также должна позволять прогнозировать темпы изменений в эффективности практики борьбы с преступностью в соответствии с прогнозом преступности и планируемыми изменениями в нормативном правовом регулировании и ресурсном обеспечении такой практики.

Тем не менее даже существующий подход к мониторингу преступности и мер борьбы с ней, основанный на статистическом наблюдении ее видов и разновидностей, мер государственного реагирования на них, за счет роста уровня автоматизации соответствующих процедур, применения и масштабирования технологий, обеспечивающих корректное использование математических методов изучения криминальных реалий и мер борьбы с ними на всех уровнях государственного управления борьбой с преступностью, позволит, на наш взгляд, снизить остроту проблемы асистемности уголовной политики.

Базовым подходом к решению задачи циф- ровизации уголовной политики, по нашему мнению, должно стать системное внедрение в практику государственного управления борьбой с преступностью (включая нормотворчество и правоприменение в этой сфере) математического моделирования [12].

В наибольшей степени решению этой задачи, думается, отвечает разработка и внедрение методик, базирующихся на положениях теории вероятностей, рассматривающих случайные события и процессы. Вместе с тем предварительно для этого нужно решить две основные группы задач.

Первая -- обеспечение соответствия количественных показателей (статистических данных), которые мы принимаем как характеризующие социальное явление, его действительным свойствам и тенденциям. В вопросах противодействия преступности данный вопрос может быть интерпретирован как степень соответствия статистических показателей, характеризующих результаты деятельности по борьбе с преступностью, свойствам и закономерностям самой преступности. При этом исходные данные должны удовлетворять требованиям, выдвигаемым к случайным явлениям. Такого рода подход достаточно проработан и реализуется путем сравнения исходных статистических совокупностей с теоретическими законами распределения плотности вероятностей, параметры которых просчитаны достаточно детально [13, с. 465-470; 14, с. 387-400].

Вторая -- установление правил и алгоритмов сравнения (и соответствующих им погрешностей) двух или более однородных количественных показателей (групп показателей) сопоставляемых фрагментов социально-правовых явлений (процессов) или тенденций изменения какого-либо конкретного показателя во времени или пространстве. Подход, основанный на простом алгебраическом или логическом сравнении указанных величин (больше или меньше, негативно или позитивно), не во всех случаях отражает реальные свойства и тенденции изучаемых криминогенных процессов.

Практический аспект данного вопроса достаточно отчетливо проявляется при формировании прогноза какого-либо вида преступной деятельности (например, организованной преступности) по предыдущим статистическим данным.

Здесь необходимо учитывать еще одно важное, на наш взгляд, положение, относящееся к оценке как прошлого и настоящего состояния преступности и системы мер борьбы с ней, так и их будущего (прогнозируемого) состояния.

При использовании методов теории вероятностей все полученные итоговые значения будут иметь вероятностный характер. Вероятностные модели успешно применяются для решения достаточно широкого круга криминологических задач [15-17]. Ученые-криминологи уже доказали вероятностный характер формируемых на основе анализа количественных параметров преступности результатов ее прогноза [18, с. 151-160; 19, с. 841-858; 20].

Таким образом, все результаты оценки (прогноза) будут характеризоваться определенным количественным значением с некоторой вероятностью их наступления. Такой же подход должен использоваться и при сопоставлении показателей уже совершенных (зарегистрированных) преступлений и применения мер государственного реагирования на них (данные статистической отчетности деятельности правоохранительных органов) и их прогнозируемых значений.

Одновременно указанные характеристики, относящиеся к уже зарегистрированным фактам, могут являться количественным показателем, определяющим латентность (преимущественно так называемую естественную латентность) изучаемого вида противоправной активности.

Самостоятельное значение данный подход приобретает на фоне глобализации преступности и дезинтеграции межгосударственных механизмов противодействия организованным преступным проявлениям, таким, например, как терроризм, незаконный оборот оружия и наркотиков, киберпреступность, картели, незаконный оборот промышленной продукции. Применение математических моделей для оценки эффективности и прогнозирования противодействия преступности позволяет минимизировать (в процессе анализа) влияние на уголовную статистику национальных различий в законодательном регулировании мер борьбы с преступностью (включая различия в уровне наказуемости сопоставимых видов преступлений). В качестве примера рассмотрим динамику числа преступлений, числа выявленных (зарегистрированных) лиц, совершивших указанные преступления, а также среднего числа зарегистрированных преступлений в расчете на одно выявленное лицо в Российской Федерации (РСФСР) по годам (табл.).

Исследование приведенных в таблице показателей методом сопоставления хронологии их скачков (отклонений) с хронологией ключевых событий в сфере государственного управления позволяет сделать следующие предвари- тельные гипотетические выводы, которые могут послужить основой для разработки соответствующей математической модели.

Таблица Сравнительная динамика показателей интенсивности зарегистрированной преступности в 1966-2018 гг. в России (РСФСР)*

Comparative dynamics of the intensity indices for registered crimes in 1966-2018 in Russia (Russian Soviet Federal Socialist Republic)

Год / Year	Число преступлений на 100 тыс. населения / Crimes per 100 th. people	Темп прироста, % / Increase rate, %	Число выявленных лиц, совершивших преступления / Number of detected persons who committed crimes	Среднее число зарегистрированных преступлений на одно выявленное лицо, совершившее преступление / Average number of registered crimes per one detected person who committed a crime	Темп прироста, % / Increase rate, %
1966	464,5	+19,5	596 764	0,98	-
1967	452,5	-2,6	628 463	0,91	-6,7
1968	483,6	+6,9	626 129	0,99	+8,3
1969	497,6	+2,9	659 607	0,97	-1,5
1970	533,1	+7,1	700 685	0,99	+1,8
1971	536,6	+0,7	652 763	1,08	+8,7
1972	536,3	-0,1	698 964	1,01	-6,1
1973	524,6	-2,2	682 399	1,02	+0,9
1974	570,4	+8,7	718 161	1,06	+3,9
1975	603,4	+5,8	753 005	1,07	+1,5
1976	618,0	+2,4	770 473	1,08	+0,8
1977	606,5	-1,9	746 354	1,10	+1,9
1978	650,7	+7,3	782 099	1,14	+3,0
1979	705,8	+8,5	818 746	1,18	+4,2
1980	742,2	+5,2	880 908	1,17	-1,5
1981	779,7	+5,1	919 001	1,18	+1,4
1982	803,1	+3,0	988 946	1,14	-3,6
1983	988,1	+23,1	1 077 802	1,30	+13,7
1984	984,4	-0,4	1 123 351	1,25	-3,7
1985	987,5	+0,3	1 154 496	1,23	-1,7
1986	929,9	-5,8	1 128 439	1,19	-3,4
1987	816,9	-12,1	969 388	1,22	+3,1
1988	833,9	+2,1	834 673	1,46	+19,6
1989	1 098,5	+31,7	847 577	1,91	+30,6
1990	1 242,5	+13,1	897 299	2,05	+7,3
1991	1 470,6	+18,4	956 258	2,27	+10,8
1992	1 867,9	+27,0	1 148 962	2,40	+5,7
1993	1 887,8	+1,1	1 262 556	2,22	-7,7
1994	1 778,9	-5,8	1 441 568	1,83	-17,6
1995	1 862,7	+4,7	1 595 501	1,73	-5,4
1996	1 774,4	-4,7	1 618 394	1,62	-6,1
1997	1 629,3	-8,2	1 372 161	1,75	+7,7
1998	1 759,5	+8,0	1 481 503	1,74	-0,2
1999	2 026,0	+15,1	1 716 679	1,75	+0,3
2000	2 028,0	+0,1	1 741 439	1,69	-3,0
2001	2 050,0	+1,1	1 644 242	1,80	+6,5
2002	1 754,9	-14,4	1 257 700	2,01	+11,3
2003	1 926,2	+9,8	1 236 733	2,23	+10,9
2004	2 007,2	+4,2	1 222 504	2,37	+6,2
2005	2 477,6	+23,4	1 297 123	2,74	+15,8
2006	2 700,7	+9,0	1 360 860	2,83	+3,4
2007	2 519,0	-6,7	1 317 582	2,72	-4,0
2008	2 260,3	-10,3	1 256 199	2,55	-6,0
2009	2 110,5	-6,6	1 219 789	2,45	-3,9
2010	1 852,4	-12,2	1 111 145	2,37	-3,6
2011	1 683,3	-9,1	1 041 340	2,31	-2,4
2012	1 609,3	-4,4	1 010 938	2,27	-1,4
2013	1 539,1	-4,4	1 012 563	2,18	-4,3
2014	1 500,3	-2,5	1 000 100	2,17	-0,6
2015	1 633,0	+8,8	1 063 034	2,21	+2,1
2016	1 474,0	-9,7	1 015 875	2,13	-3,9
2017	1 402,2	-4,9	967 103	2,13	+0,1
2018	1 355,9	-3,3	931 107	2,14	+0,5

Составлена по: Статистика и аналитика.

До 2006 г. (включительно) регистрируемая в России преступность имела тенденцию к увеличению показателей интенсивности. Начиная с 2007 г. наметилась тенденция к их снижению. При этом «оперативность» уголовно-правового воздействия постепенно снижается. Более детальный анализ внутри соответствующих макропериодов позволяет сделать следующие гипотетические выводы.

С начала 1970-х гг. общепревентивное значение уголовного преследования стало снижаться: увеличилась доля лиц, для которых характерно неоднократное совершение преступлений. На это указывает увеличение среднего количества преступлений в расчете на одно выявленное лицо. Начиная с 1971 г. данный показатель всегда превышал единицу. На этом фоне успехи в борьбе с организованной преступностью (которые могли бы объяснить такое положение) представляются более чем скромными [23, с. 119-147; 24].

Судя по приведенным в таблице данным, наиболее значимые (мощные) криминогенные факторы преступности в нашей стране проявлялись в 1966, 1983, 1989-1993, 1998-1999 и 2005-2006 гг. Проведя социально-экономический и криминологический анализ указанных периодов отечественной истории, можно предположительно указать те ключевые криминогенные факторы, которые могли оказывать столь сильное воздействие.

В 1965 г. был дан старт так называемой ко- сыгинской экономической реформе, с помощью которой была предпринята попытка расширить права предприятий и трудовых коллективов, увеличить их свободу в вопросах распоряжения прибылью, получаемой за счет роста производительности труда. Однако несоответствие этих преобразований принципам социального равенства и плановости экономики привело к сворачиванию реформы.

Несовершенство механизмов реализации системы управления плановой экономикой отчетливо проявилось в 1980-1982 гг. После завершения в 1982 г. так называемой эпохи застоя в экономике до 1984 г. проводилась инициированная Ю.В. Андроповым «нейтрализация негативных общественных процессов и восстановление социальной справедливости».

С принятием в 1988 г. закона СССР «О кооперации в СССР» (впервые после новой экономической политики 1921-1928 гг.) в нашей стране была легализована предпринимательская деятельность без создания правовых и организационных механизмов, которые бы обеспечивали предупреждение роста распространения негативных последствий. Значительно были расширены возможности осуществления финансовых транзакций. Фактически и с точки зрения криминологии юридически закрепился фундамент легализации экономических основ организованной преступности.

год был отмечен так называемой павловской денежной реформой, в результате которой произошла не только мгновенная деноминация национальной валюты, но и частичное безвозмездное изъятие (конфискация) наличных накоплений большей части населения, не имевшей возможности для нелегального обмена накопленной наличности. В декабре того же года М.С. Горбачев объявил о прекращении исполнения обязанностей президента СССР «по принципиальным соображениям», а 26 декабря была принята Декларация о прекращении существования СССР [25].

Год начался со скачкообразного роста товарного дефицита и гиперинфляции. Одновременно были запущены механизмы ваучерной приватизации и теневого, в том числе криминального, перераспределения прав собственности и обязательственных прав. Знакомое, к сожалению, подавляющему большинству граждан России понятие «черный вторник» впервые было употреблено после мгновенного обвального падения курса рубля 22 сентября 1992 г.

В 1993 г. состоялась еще одна, очередная денежная реформа в целях установления контроля над гиперинфляцией. Рублевая зона Содружества Независимых Государств перестала существовать [26]. С середины 1992 г. начался выпуск доступных ограниченному кругу юридических и физических лиц государственных краткосрочных облигаций с доходностью свыше 60 % в год и был дан старт масштабному заимствованию у международных финансовых организаций. Новый «черный вторник» с еще более глубоким падением курса рубля состоялся 11 октября 1994 г. [27].

13 июня 1996 г., накануне выборов президента России, в условиях обостряющегося экономического кризиса был принят новый Уголовный кодекс Российской Федерации, со вступлением в силу которого 1 января 1997 г. существенно изменилась система юридически значимых признаков основного объекта уголовно-статистического наблюдения -- преступности [28].

В 1997 г. была образована Временная чрезвычайная комиссия по укреплению налоговой и бюджетной дисциплины под председательством А.Б. Чубайса, деятельность которой не принесла ожидаемых результатов. Этот период отечественной истории сопровождался ростом объемов теневой экономики [29], что неизбежно влекло отток капитала за рубеж и усиление криминализации банковского сектора.

В августе 1998 г. Правительство РФ не смогло справиться с организацией контроля над нарастающим экономическим кризисом и объявило дефолт [30].

На рубеже 1999-2000 гг. не только произошла смена политического руководства страны, но и начался постепенный отход от безраздельно господствовавшего с начала 1990-х гг. политического курса на свободную саморегуляцию рынка [31, с. 272-282].

Период с 2004 по 2006 г. ознаменовался системными мероприятиями по укреплению учетно-регистрационной дисциплины правоохранительных структур. Приказ МВД России «Об утверждении Инструкции о порядке приема, регистрации и разрешения в органах внутренних дел Российской Федерации заявлений, сообщений и иной информации о происшествиях» от 1 декабря 2005 г. № 985 сбил волну массового укрывательства заявлений и сообщений о преступлениях.

В 2005-2006 гг. завершился очередной криминальный передел финансовых сегментов экономики, что характеризовалось рядом убийств представителей руководства банковского сектора. Так, в сентябре 2006 г. совершено убийство первого заместителя председателя ЦБ РФ [32]. Этому предшествовало совершение более двух десятков убийств банковских топ-менеджеров.

Одним из основных (внешне парадоксальных) результатов выполненного анализа является вывод о том, что экономические кризисы 2008 и 2014 гг., как и ряд других значимых криминогенных факторов экономического, политического и правового характера, не оказали существенного влияния на статистические показатели зарегистрированной преступности. Этот вывод, помимо прочего, позволяет нам сформулировать гипотезу о манипулируемом характере уголовной статистики и, соответственно, о критической недостаточности данных официальной уголовной статистики для принятия правильных управленческих решений в сфере борьбы с преступностью.

Полученная экспертная оценка является лишь предпосылкой для построения математической модели более совершенной системы мониторинга преступности и эффективности мер борьбы с ней, которая не только не имела бы критической зависимости от манипулируемой уголовной статистики, но и препятствовала бы формированию фиктивной отчетности о результатах борьбы с преступностью.

Первым шагом к разработке такой модели, на наш взгляд, должен стать переход от моноисточника данных о преступности и эффективности мер борьбы с ней (каковым на сегодня является уголовная статистика), на основе которых вырабатывается и реализуется уголовная политика, к триплексному (тройственному) источнику таких данных, включающему, помимо уголовной статистики, результаты опроса общественного мнения и экспертного опроса.

Вторым шагом на пути внедрения более эффективной, чем сегодня, модели мониторинга преступности и эффективности мер борьбы с ней должно, на наш взгляд, стать преобразование приведенных выше количественных характеристик преступности, для которых характерны рваная динамика, скачки значений со сменой знака, а также отсутствие выраженных корреляционных связей с количественными характеристиками факторов, оказывающих наиболее существенное влияние на преступность, в стохастические совокупности данных, соответствующие теоретическим законам распределения плотности вероятностей случайных величин, параметры которых уже просчитаны учеными-математиками и специалистами в области теории вероятностей [33]. Такой подход позволит сгладить влияние, например, множества изменений, уже внесенных и продолжаемых вноситься в уголовное законодательство страны.

Уже разработанный в теории вероятностей математический инструментарий изучения случайных событий (к которым относится и преступность как совокупность преступлений и лиц, их совершивших), в частности критерий Карла Пирсона, позволяет достоверно установить или опровергнуть соответствие статистических данных о преступности и эффективности мер борьбы с ней теоретическим законам распределения плотности вероятностей. Наиболее подходящим для этого законом, как показали выполненные одним из авторов статьи исследования [34], является нормальный закон распределения плотности вероятностей. Степень «вхождения» данных уголовной статистики в теоретический закон (число Пирсона) выполняет при этом функции верификации и показывает надежность формируемых моделей.

Вместе с тем важно подчеркнуть, что применению данной методики непременно должен предшествовать качественный анализ (теоретическое моделирование), в ходе которого должно быть выявлено содержание ключевых криминогенных факторов, оказывавших влияние на количественные характеристики преступности и мер борьбы с ней. Лишь после подтверждения соответствия исходных данных параметрам случайных величин (процессов) для их обработки может быть использован весь имеющийся математический аппарат теории вероятностей. Так, на основе расчета показателей математического ожидания и среднего квадратического отклонения может быть осуществлено не только прогнозирование преступности и состояния системы противодействия ей, но и ресурсное планирование развития последней.

Разработанные сегодня в отечественной криминологии теоретическая и методологическая основы использования математического инструментария для изучения и объяснения взаимосвязи преступности и системы мер воздействия на нее, прежде всего мер уголовной политики [35-38], по нашему мнению, уже создали достаточные предпосылки контролируемого строго научными средствами перехода от преимущественно репрессивной модели борьбы с преступностью, основанной на дроблении и абсолютном росте числа уголовно-правовых запретов и интенсивности применения мер уголовной ответственности, что подразумевает экстенсивный путь развития правоохранительной деятельности со всеми присущими ему недостатками [39], к превентивно-карательной модели указанной деятельности [40, с. 14], эффективность которой предварительно и по ходу реализации может быть проверена «цифрой», т.е. расчетами, а не чрезвычайно затратным методом проб и ошибок.



Список использованной литературы

1. Бородин С.В. Пути оптимизации выбора санкции при разработке проектов уголовных кодексов республик (юридический аспект) / С.В. Бородин // Советское государство и право. -- 1991. -- № 8. -- С. 73-89.

2. Шаракшанэ С. Президиум РАН: надежда в борьбе с «теневым» финансовым оборотом / С. Шаракшанэ // Научная Россия. -- 2015. -- 26 апр.

3. Максимов С.В. Асистемная уголовная политика / С.В. Максимов, Н.В. Валуйсков // Ученые труды Российской академии адвокатуры и нотариата. -- 2018. -- № 2. -- С. 63-69.

4. Барщевский М.Ю. Закон чисел / М.Ю. Барщевский // Российская газета. -- 2013. -- 20 дек.

5. Williams M.L. Cyberhate on Social Media in the Aftermath of Woolwich: a Case Study in Computational Criminology and Big Data / M.L. Williams, P. Burnap // British Journal of Criminology. -- 2016. -- Vol. 56, iss. 2. -- P. 211-238.

6. Вентцель Е.С. Теория вероятностей / Е.С. Вентцель, Л.А. Овчаров. -- М. : Наука, 1969. -- 366 с.

7. Гмурман В.Е. Теория вероятностей и математическая статистика / В.Е. Гмурман. -- М. : Высш. шк., 1998. -- 480 с.

8. Колмогоров А.Н. Основные понятия теории вероятностей / А.Н. Колмогоров. -- М. : Наука, 1974. -- 120 с.

9. Valuiskov N.V. Juvenile Crime: Current State and Dynamics / N.V. Valuiskov, L.V. Bondarenko, A.D. Arutyunyan // Journal of Politics and Law. -- 2017. -- Vol. 10, iss. 4. -- P. 225-232.

10. Chan J. Making Sense of Big Data for Security / J. Chan, L.B. Moses // The British Journal of Criminology. -- 2017. -- Vol. 57, iss. 2. -- P. 299-319.

11. Лунеев В.В. Юридическая статистика / В.В. Лунеев. -- М. : Юристъ, 1999. -- 400 c.

12. Smith G. The Challenges of Doing Criminology in the Big Data Era: Towards a Digital and Data-driven Approach / G. Smith,

13. B. Moses, J. Chan // British Journal of Criminology. -- 2017. -- Vol. 57, iss. 2. -- P. 259-274.

14. Смирнов Н.В. Курс теории вероятностей и математической статистики / Н.В. Смирнов, И.Б. Дунин-Барковский. -- M. : Наука, 1965. -- 511 c.

15. Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике / В.Е. Гмур- ман. -- М. : Высш. шк., 1998. -- 400 с.

16. Hickert A. Tale of Two Margins: Exploring the Probabilistic Processes that Generate Prison Visits in the First Two Years of Incarceration / A. Hickert, S. Tahamont, S. Bushway // Journal of Quantitative Criminology. -- 2018. -- Vol. 34, iss. 3. -- P. 691-716.

17. Schaefer D.R. A Network Analysis of Factors Leading Adolescents to Befriend Substance-Using Peers / D.R. Schaefer // Journal of Quantitative Criminology. -- 2018. -- Vol. 34, iss. 1. -- P. 275-312.

18. Williams M.L. Crime Sensing With Big Data: The Affordances and Limitations of Using Open-source Communications to Estimate Crime Patterns / M.L. Williams, P. Burnap, L. Sloan // The British Journal of Criminology. -- 2017. -- Vol. 57, iss. 2. -- P. 320-340.

19. Кудрявцев В.Н. Причинность в криминологии / В.Н. Кудрявцев. -- М. : Юрид. лит., 1968. -- 176 с.

20. Лунеев В.В. Преступность ХХ века: мировые, региональные и российские тенденции / В.В. Лунеев. -- Изд. 2-е, перераб. и доп. -- М. : Волтерс Клувер, 2005. -- 912 с.

21. Nowacki J.S. An Intersectional Approach to Race/ethnicity, Sex, and Age Disparity in Federal Sentencing Outcomes: an Examination of Policy Across Time Periods / J.S. Nowacki // Criminology & Criminal Justice. -- 2017. -- Vol. 17, iss. 1. -- P. 97-116.

22. Гилинский Я.И. Криминология : курс лекций / Я.И. Гилинский. -- СПб. : Питер, 2002. -- 384 с.

23. Криминология : учебник / под ред. А.И. Долговой. -- М. : Инфра-М, 1997. -- 779 с.

24. Васин Ю.Г. Борьба с организованной преступностью: опыт теоретического моделирования / Ю.Г. Васин ; под ред. С.В. Максимова. -- М. : Ин-т гос-ва и права РАН, 2015. -- 290 с.

25. Васин Ю.Г. Уголовная политика и противодействие организованной преступности: некоторые возможности совершенствования / Ю.Г. Васин // Образование и право. -- 2018. -- № 3. -- С. 11-21.

26. Медведев Р.А. Советский Союз. Последние годы жизни / Р.А. Медведев. -- М. : Время, 2015. -- 416 с.

27. Полищук А.И. Распад денежно-кредитной системы СССР: двадцать лет спустя / А.И. Полищук // Финансы и кредит. -- 2013. -- № 47 (575). -- С. 29-40.

28. Российская экономика в 2012 году. Тенденции и перспективы / В. Мау [и др.]. -- М. : Ин-т Гайдара, 2013. -- Вып. 34. -- 656 с.

29. Лунеев В.В. Истоки и пороки российского уголовного законотворчества / В.В. Лунеев. -- М. : Юрлитинформ, 2014. -- 320 с.

30. Иванова А.Б. Исследование причин распространения теневой экономики в России / А.Б. Иванова // Экономический журнал ВШЭ. -- 1999. -- Т. 3, № 4. -- С. 543-568.

31. Причины и последствия финансового кризиса в России конца 90-х годов (по материалам Временной комиссии по расследованию причин, обстоятельств и последствий принятия решений от 17 августа 1998 года) / отв. ред. С.Ю. Глазьев, В.Н. Шенаев // Аналитический вестник. -- 1999. -- № 10 (98). -- С. 3-112.

32. Государственная политика противодействия коррупции и теневой экономике в России : в 2 т. / С.С. Сулакшин [и др.]. -- М. : Науч. эксперт, 2008. -- Т. 1. -- 464 с.

33. Козлова Н. Заказчик убийства зампреда Центробанка получил 19 лет лишения свободы / Н. Козлова, В. Федосенко // Российская газета. -- 2008. -- 14 нояб.

34. Kolmogorov A.N. Foundations of the Theory of Probability / A.N. Kolmogorov. -- 2nd ed. -- New York : Chelsea Publ. Company, 1956. -- 84 p.

35. Васин Ю.Г. Прогнозирование преступности: перспективы стохастического подхода / Ю.Г. Васин // Право и государство: теория и практика. -- 2015. -- № 7. -- C. 101-108.

36. Аванесов Г.А. Теория и методология криминологического прогнозирования / Г.А. Аванесов. -- М. : Юрид. лит., 1972. -- 336 с.

37. Блувштейн Ю.Д. Криминология и математика / Ю.Д. Блувштейн. -- М. : Юрид. лит., 1974. -- 176 с.

38. Вицин С.Е. Моделирование в криминологии : учеб. пособие / С.Е. Вицин. -- М. : ВШ МВД СССР, 1973. -- 104 с.

39. Гаврилов О.А. Математические методы и модели в социально-правовом исследовании / О.А. Гаврилов. -- М. : Наука, 1980. -- 183 с.

40. Police, Crime and the problem of weak instruments: Revisiting the «More police, less crime» Thesis / T.V. Kovandzic [et al.] // Journal of Quantitative Criminology. -- 2016. -- Vol. 32, iss. 1. -- P. 133-158.

41. Максимов С.В. Уголовная политика в сфере защиты конкуренции: цели и возможности / С.В. Максимов, К.А. Ута- ров ; под ред. В.П. Заварухина. -- М. : ИПРАН РАН, 2018. -- 80 с.

References

1. Borodin S.V. The Ways of Optimizing the Choice of Sanctions when Developing Drafts of Criminal Codes of the Republics. Sovetskoe gosudarstvo i pravo = Soviet State and Law, 1991, no. 8, pp. 73-89. (In Russian).

2. Sharakshane S. The General Committee of the Russian Academy of Sciences: hope in counteracting «shadow» financial dealings. Nauchnaya Rossiya = Scientific Russia, 2015, April 26.

3. Maksimov S.V., Valuyskov N.V. Non-systemic Criminal Policy. Uchenye trudy Rossiiskoi akademii advokatury i notariata = Scientific works of the Russian Academy of Advocacy and Notary, 2018, no. 2, pp. 63-69. (In Russian).

4. Barshchevskii M. The Law Numbers. Rossiiskaya Gazeta, 2013. December 20. (In Russian).

5. Williams L.M., Burnap P. Cyberhate on Social Media in the Aftermath of Woolwich: a Case Study in Computational Criminology and Big Data. British Journal of Criminology, 2016, vol. 56, iss. 2, pp. 211-238.

6. Venttsel E.S., Ovcharov L.A. Teoriya veroyatnostei [Theory of Probability]. Moscow, Nauka Publ., 1969. 366 p.

7. Gmurman V. E. Teoriya veroyatnostei i matematicheskaya statistika [Theory of Probability and Mathematical Statistics]. Moscow, Vysshaya Shkola Publ., 1998. 480 p.

8. Kolmogorov A.N. Osnovnye ponyatiya teorii veroyatnostei [Basic concepts of the theory of relativity]. Moscow, Nauka Publ., 1974. 120 p.

9. Valuiskov N.V., Bondarenko L.V., Arutyunyan A.D. Juvenile crime: current state and dynamics. Journal of Rolitics and Law, 2017, vol. 10, iss. 4, pp. 225-232.

10. Chan J., Moses L.B. Making Sense of Big Data for Security. The British Journal of Criminology, 2017, vol. 57, iss. 2, pp. 299-319.

11. Luneev V.V. Yuridicheskayastatistika [Legal Statistics]. Moscow, Yurist” Publ., 1999. 400 p.

12. Smith G., Moses L.B., Chan J. The Challenges of Doing Criminology in the Big Data Era: Towards a Digital and Data-driven Approach. British Journal of Criminology, 2017, vol. 57, iss. 2, pp. 259-274.

13. Smirnov N.V., Dunin-Barkovskii I.B. Kurs teorii veroyatnostei i matematicheskoistatistiki [A Course in the Theory of Probability and Mathematical Statistics]. Moscow, Nauka Publ., 1965. 511 p.

14. Gmurman V.E. Rukovodstvo kresheniyu zadach po teorii veroyatnostei i matematicheskoistatistike [A Manual on Solving Tasks on the Theory of Probability and Mathematical Statistics]. Moscow, Vysshaya Shkola Publ., 1998. 400 p.

15. Hickert A., Tahamont S., Bushway S. A Tale of Two Margins: Exploring the Probabilistic Processes That Generate Prison Visits in the First Two Years of Incarceration. Journal of Quantitative Criminology, 2018, vol. 34, iss. 3, pp. 691-716.

16. Schaefer D.R. A Network Analysis of Factors Leading Adolescents to Befriend Substance-Using Peers. Journal of Quantitative Criminology, 2018, vol. 34, iss. 1, pp. 275-312.

17. Williams M.L., Burnap P., Sloan L. Crime Sensing with Big Data: The Affordances and Limitations of Using Open-Source Communications to Estimate Crime Patterns. The British Journal of Criminology, 2017, vol. 57, iss. 2, pp. 320-340.

18. Kudryavtsev V.N. Prichinnost' v kriminologii [Causality in Criminology]. Moscow, Yuridicheskaya Literatura Publ., 1968. 176 p.

19. Luneev V.V. Prestupnost' XX veka: mirovye, regional'nye i rossiiskie tendentsii [Crimes of the 20th Century: Global, Regional and Russian Trends]. 2nd ed. Moscow, Wolters Kluwer Publ., 2005. 912 p.

20. Nowacki J.S. An Intersectional Approach to Race/Ethnicity, Sex, and Age Disparity in Federal Sentencing Outcomes: an Examination of Policy across Time Periods. Criminology & Criminal Justice, 2017, vol. 17, iss. 1, pp. 97-116.

21. Gilinskii Ya.I. Kriminologiya [Criminology]. Saint-Petersburg, Piter Publ., 2002. 384 p.

22. Dolgova A.I. (ed.). Kriminologiya [Criminology]. Moscow, Infra-M Publ., 1997. 779 p.

23. Vasin Yu.G.; Maksimov S.V. (ed.). Bor'ba s organizovannoi prestupnost'yu: opyt teoreticheskogo modelirovaniya [Counteracting organized crime: the experience of theoretical modeling]. Moscow, Institute of State and Law of Russian Academy of Sciences Publ., 2015. 290 p.

24. Vasin Yu.G. Criminal Policy and the Fight against Organized Crime: Some Opportunities For Improvement. Obrazovanie i pravo = Education and Law, 2018, no. 3, pp. 11-21.

25. Medvedev R.A. SovetskiiSoyuz. Poslednie godyzhizni [The Soviet Union. Last Years of Life]. Moscow, Vremya Publ., 2015. 416 p.

26. Polishchuk A.I. Disintegration of the monetary and credit policy of the USSR: 20 years later. Finansy ikredit = Finance and Credit, 2013, no. 47 (575), pp. 29-40. (In Russian).

27. Mau V.A., Trunin P.V., Tishchenko T.V., Alaev A.A., Mamedov A.A. Rossiiskaya ekonomika v 2012 godu. Tendentsii i pers- pektivy [Russian Economy in 2012. Trends and Outlooks]. Moscow, Gaidar Institute Publ., 2013, iss. 34. 656 p.

28. Luneev V.V. Istoki i poroki ugolovnogo zakonotvorchestva [The Sources and Flaws of Criminal Lawmaking]. Moscow, Yurlitinform Publ., 2014. 320 p.

29. Ivanova A.B. Investigating the causes of spreading shadow economy in Russia. Ekonomicheskii zhurnal VShE = HSE Economic Journal, 1999, vol. 3, no. 4, pp. 543-568. (In Russian).

30. Glazev S.Yu., Shenaev V.N. The causes and consequences of the financial crisis in Russia in late 1990-s (based on the materials of the Interim Committee on the investigation of causes, circumstances and consequences of decision-making of Aug. 17, 1998). Analiticheskii vestnik = Analytical Bulletin, 1999, no. 10 (98), pp. 3-112. (In Russian).

31. 31.Sulakshin S.S., Maksimov S.V., Akhmetzyanova I.R., Vilisov M.V. Gosudarstvennaya politika protivodeistviya korruptsii i tenevoi ekonomike v Rossii [State Policy of Corruption and the Shadow Economy Counteraction in Russia]. Moscow, Nauchnyi Ekspert Publ., 2008. Vol. 1. 464 p.

32. Kozlova N. The person who ordered the killing of Central Bank's Vice Chairman is sentenced to 19 years in prison. Rossiiskaya Gazeta, 2008, Nov. 14.

33. Kolmogorov A.N. Foundations of the Theory of Probability. 2nd ed. New York, Chelsea Publ. Company, 1956. 84 p.

34. Vasin Yu.G. Forecasting Criminality: Perspectives Stochastic Approach. Pravo i gosudarstvo: teoriya i praktika = Law and State: The Theory and Practice, 2015, no. 7, pp. 101-108. (In Russian).

35. Avanesov G.A. Teoriya i metodologiya kriminologicheskogo prognozirovaniya [Theory and Methodology of Criminological Prediction]. Moscow, Yuridicheskaya Literatura Publ., 1972. 336 p.

36. Bluvshtein Yu.D. Kriminologiya i matematika [Criminology and Mathematics]. Moscow, Yuridicheskaya Literatura Publ., 1974. 176 p.

37. Vitsin S.E. Modelirovaniye vkriminologii [Modeling in Criminology]. Moscow, Higher School of the Ministry of the Interior of the USSR Publ., 1973. 104 p.

38. Gavrilov O.A. Matematicheskie metody i modeli v sotsial'no-pravovykh issledovaniyakh [Mathematical Methods and Models in Socio-Legal Studies]. Moscow, Nauka Publ., 1980. 183 p.

39. Kovandzic T.V., Schaffer M.E., Vieraitis L.M., Orrick E.A., Piquero A.R. Police, Crime and the problem of weak instruments: Revisiting the «More police, less crime» thesis. Journal of Quantitative Criminology, 2016, vol. 32, iss. 1, pp. 133-158.

40. Maksimov S.V., Utarov K.A.; Zavarukhin V.P. (ed.). Ugolovnaya politika vsfere zashchity konkurentsii: tseli i vozmozhnosti [Criminal Policy in the Sphere of Protecting Competition: Goals and Possibilities]. Moscow, Institute of science development problems of the Russian Academy of Sciences Publ., 2018. 80 c.

Размещено на Allbest.ru

...