§ 7. Анализ вариационных рядов

С вариационными рядами мы встречались при обосновании выборочного наблюдения, изучении структурных и вариацион­ных группировок, относительных и средних величин. К ним мы вынуждены будем обращаться и в последующих темах. Из пре­дыдущего мы знаем, что вариационный ряд представляет собой группировку по одному признаку и с единственным показате­лем в сказуемом — меняющимся числом единиц совокупности, выраженных в абсолютных или относительных величинах.

Таблица  10 Распределение преступлений по возрасту субъектов

Обратимся к общеизвестному вариационному ряду -- рас­пределению преступлений по возрасту их субъектов. Примером может служить табл. 10 с усредненными показателями для мно­гих стран.

Представленный в табл. 10 интервальный вариационный ряд отражает вполне определенную связь между варьирующим воз­растом и изменением частот (процентами лиц, совершивших пре­ступления). По данным мировой, российской и региональной статистики наблюдается практически одна и та же тенденция распределения правонарушителей по возрасту: с начала возра­ста уголовной ответственности идет рост преступной активно­сти, в 25—30 лет (с некоторыми колебаниями) ее уровень дос­тигает апогея, а затем наступает постепенное снижение'. В этом проявляется определенная закономерность изменения частот в ва­риационных рядах, называемая закономерностью распределе­ния, которая выявляется в больших совокупностях, где слу­чайные отклонения взаимоуничтожаются.

В выявлении реальных закономерностей распределения заклю­чается основная суть анализа вариационных рядов. Все вариации, подчиняясь своей в основе указанной закономерности, имеют много типов особенностей (отклонений), каждая из которых свя­зана с теми или иными причинами, установление которых иг­рает важную роль в статистическом анализе.

Обстоятельства, определяющие тип закономерностей рас­пределения, изучаются на основе качественного (криминоло­гического, уголовно-правового, уголовно-процессуального, ад­министративно-правового, гражданско-правового и т.д.) ана­лиза сути того или иного явления, а именно — тех его свойств и условий, которые определяют изменчивость варьирующего признака. Но к такому изучению приводит лишь выявленный тип закономерностей рядов распределения.

Обратимся к данным табл. 10. Удельный вес преступников с увеличением их возраста растет (прямая зависимость), но, дос­тигнув какого-то уровня, несмотря на продолжающееся увели­чение возраста, снижается до минимума (обратная зависимость). Однако максимум удельного веса (мода) находится не посреди­не ряда (интервал 31—35 лет), а сдвинут к более молодому воз­расту (26—30 лет). Близко к моде располагается доля 21—25 лет и только потом идет 31—35 лет.

Такой сдвиг к молодому возрасту неслучаен. На качествен­ном уровне криминологического анализа давно установлено, что лица молодежного возраста, не имея необходимого жизненного опыта и устойчивых позитивных ориентации, попав в сложные жизненные ситуации, вступают в конфликт с законом чаще, чем люди более зрелого возраста. Это связано, с одной стороны, с недостаточным уровнем их социальной зрелости, с другой -со сложностью возрастной ситуации (ослабление прежнего со­циального контроля со стороны семьи, школы, старших; пере­ход к самостоятельности; физическое достижение взрослости; рост материальных и физических потребностей; необходимость самообеспечения, определения в жизни и т. д.), к правильному решению которой они чаше всего не готовы. Следовательно, объяснение этого традиционного сдвига лежит не в физиологи­ческих, а социальных особенностях возрастного характера.

Приведенные объяснения лежат за пределами юридической статистики, но к ним трудно прийти на основе только логичес­ких умозаключений, даже в данном несложном вопросе. Для этого надо выявить особенности реального статистического распреде­ления значений признака. Чтобы зафиксировать характер имею­щихся отклонений, надо сопоставить реальное распределение с каким-то его эталоном. Такой эталон — теоретическая кривая рас­пределения, которая выражает общую закономерность распреде­ления, исключающего влияние случайных факторов. Эта кривая распределения называется кривой Лапласа—Гаусса, или нормаль­ным распределением. В качестве эталона используются также рас­пределение Пуассона и некоторые другие, но они практически не применяются юридической статистикой.

Учитывая, что общая характеристика нормального распре­деления относительно полно рассматривалась в главе о выборочном наблюдении, в данном параграфе будут изложены лишь его особенности, необходимые для сравнительного анализа ва­риационных рядов.

Нормальное распределение выражается сложной формулой

где Р — кривая нормального распределения; х — варианты; х — средняя арифмети­ческая вариант; о — среднее квадратическое отклонение; е и л — математические постоянные: е = 2,7182 и к = 3,1415.

В конечном итоге кривая нормального распределения зави­сит только от двух параметров: средней арифметической (х) и среднего квадратического распределения (о). От их значений за­висит расположение центра распределения кривой на оси х и различия вариантов около этого центра (рис. 1 и 2), а также определенные асимметрии левой и правой ветвей относитель­но центра (рис. 3 и 4).

Рис.2

х > Mo

х < Mo

В нормальном распределении левая и правая ветви кривой симметричны, а средняя арифметическая, мода и медиана рав­ны. Однако при соблюдении этого равенства кривые могут суще­ственно различаться между собой.

Если средняя арифметическая величина (х) небольшая, то кри­вая располагается ближе к оси ординат (У), если — большая, то кривая сдвинута вправо от оси Рх (рис. 1, кривые 1 и 2).

Если среднее квадратическое отклонение (о) большое, то кривая распределения является высоковершинной (рис. 2, кри­вая I), что свидетельствует о скоплении частот в середине, о типичности и надежности средней. Такое положение в статис­тике называют положительным эксцессом.

Если среднее квадратическое отклонение небольшое, то кри­вая распределения является низковершинной (рис. 2, кривая 2), что свидетельствует о значительной разбросанности частот ряда и недостаточной надежности средней. В статистике указанные осо­бенности называют отрицательным эксцессом.

Нормальное распределение симметрично по отношению к средней арифметической величине (х). Однако симметричных реальных распределений намного меньше, чем асимметричных. В асимметричном распределении средняя арифметическая, мода и медиана не совпадают, и их отклонения друг от друга изме­ряются с помощью коэффициента асимметрии (КА), который рассчитывается по следующей формуле:

где КА — коэффициент асимметрии; х — средняя арифметическая; Мо — мода; а — среднее квадратическое отклонение.

Суть перечисленных параметров нам известна. Из их соотно­шения в формуле следует:

если средняя арифметическая больше моды (Г > Мо), то коэффициент асимметрии положительный, и это означает пра­востороннюю асимметрию, т. е. правая часть кривой оказывается длиннее левой (рис. 3);

если средняя арифметическая меньше моды (Г < Мо), то ко­эффициент асимметрии будет со знаком минус (отрицательный), что означает левостороннюю асимметрию, т. е. левая часть кри­вой длиннее правой (рис. 4).

Вспомним наш пример (см. табл. 10), в котором наибольшая частота совершаемых преступлений падает на интервал 26—30 лет, а не на средний интервал (31-35 лет). Из этого можно предпо­ложить, что мы имеем дело с отрицательным коэффициентом асимметрии.

Модальный интервал в примере равен 26-30 годам, которо­му соответствует 26%-ная частота совершения преступлений. Модальная величина (Мо) в модальном интервале рассчитыва­ется по известной нам формуле Мо =*,,+»-/Мо ~ /1

где Ха = 26 лет (минимальная граница модального интервала); i = 5 лет (величина модального интервала); /Мо = 26 (частота модального интервала);/, = 22 года (час­тота интервала, предшествующая модальному);^ = 19 (частота интервала его сле­дующего за модальным).

При приведенных данных имеем:

Величина *арифм = 28,97 года (порядок расчета средней ариф­метической интервального ряда изложен в § 3 настоящей главы). Напомним лишь основные действия расчета: вначале определя­ется середина каждого интервала путем сложения двух его гра­ниц и деления полученной суммы на два (например, (26+30) : 2=28); затем середину каждого интервала умножаем на его частоту (28 • 26 преступлений = 728); после этого получен­ные произведения складываем (общая сумма произведений се­редины интервалов на частоту равна 2897); разделив эту сумму (2897) на общую сумму частот (100), мы получим среднюю арифметическую, равную 28,97 года.

Это означает, что средняя арифметическая больше моды С* > Мо или 28,97 > 27,5), т. е. мы имеем дело с правосторонней асимметрией и положительным коэффициентом асимметрии. Для расчета КА необходимо знать среднее квадратическое отклоне­ние. Найдем его из табл. 11.

Таким образом,

Таблица   11

Расчет среднего арифметического отклонения

Если изобразить полученные результаты графически, то при имеющихся данных х = 28,97 и Мо = 27,5, откуда 1с > Mo, ах — — Мо = 1,47, мы получим график с правосторонней асимметрией и положительным коэффициентом КА = 0,1. Он будет близок к графику, изображенному на рис. 3.

Мы провели полный расчет коэффициента асимметрии с ее графическим изображением для иллюстрации аномальных воз­можностей вариационных рядов, по многочисленным показате­лям которых можно проводить углубленный статистический срав­нительный анализ.

При моделировании рядов распределения в целях сравнения реального вариационного ряда с нормальным распределением можно проверить их соответствие на основе выравнивания фак­тического распределения по кривой нормального распределения. Для этого частоты фактического распределения сравниваются с теоретическими частотами, которые вычисляются на основе име­ющихся фактических данных, находят нормированные отклоне­ния, а затем по их величине рассчитывают частоты теоретичес­кого нормального отклонения.

Математической статистикой также разработано несколько показателей, по которым можно судить о том, как согласуется фактическое распределение. Эти показатели называются крите­рием согласия. Их много. Наибольшее распространение имеет критерий согласия Пирсона (критерий %    - хи-квадрат), который рассчитывается по формуле

Для оценки близости эмпирического распределения к теоре­тическим определяют вероятность достижения хи-квадратом ве­личины P(-i) при случайных колебаниях. Если вероятность выше"* 0,05, то отклонения фактических частот от теоретических можно считать случайными, а если меньше, то эмпирическое распреде­ление является принципиально отличным от рассчитанного тео­ретического. Для простоты расчетов статистиками разработаны спе­циальные таблицы вероятностей Дх)> которые обычно приводятся в виде приложений к учебникам по общей теории статистики.

Следующий критерий согласия — критерий Колмогорова (кри­терий лямбда), который обозначается символом А. (лямбда). Этот критерий используется при анализе близости фактического и те­оретического распределений путем сравнения кумулятивных (на­копительных, фактических и теоретических) частот в вариаци­онном ряду. Он рассчитывается по формуле

где Р — разность между фактической и теоретической частотой; п — число наблюдений.

По полученным результатам также в специальной таблице можно найти искомую вероятность для критерия согласия лямбда.

Вышеизложенные вопросы выравнивания фактического рас­пределения по кривой нормального распределения, а также кри­терии согласия Пирсона и Колмогорова в силу недостаточной математической подготовки юристов практически не использу­ются в юридической статистике. Исходя из реальных потребнос­тей юридической науки и практики, небольшого объема курса юридической статистики, названные методы представлены в учеб­нике в кратком изложения лишь для ознакомления будущих юри­стов. Эти методы широко распространены среди экономистов, социологов и других специалистов, к результатам исследований которых нередко обращаются и юристы. Объем изложения упо­мянутых методов в учебнике дает возможность более или менее адекватно оценить их при чтении специальной литературы, а по необходимости — и использовать в своей аналитической ра­боте. При этом очень важно не скатиться к статистическому ме­ханицизму, примеры которого до сих пор не изжиты. Обра­тимся к одному из них.

Закономерности распределения в вариационном ряду косвенно используются в модульной теории социума. В ней социум иссле­дуется в виде взаимосогласованной гармоничной системы, со­стоящей из элементов и частей, между которыми существуют сла­женные отношения, выражающиеся в устойчивых пропорциях (распределениях), которые могут измеряться в удельных весах или долях. В связи с этим было высказано предположение о наличии в социуме самых разных положительных и отрицательных девиа­ций (текучесть кадров, неявка на работу, травматизм, гомосек­суализм и лесбиянство, алкоголизм, уклонение от участия в вы­борах, богачи, таланты, мигранты и т. д.), доля которых якобы не превышает 4-10%.

Закономерности распределения тех или иных явлений в об­ществе действительно существуют, но их доли, хотя и в некото­рых пределах, относительно подвижны и зависимы от складыва­ющихся социальных условий. Вспомним, например, распределе­ние женщин и мужчин в структуре выявленных преступников, в котором доля женщин всегда была меньше удельного веса муж­чин и в зависимости от условий (экономическая стабильность, война, кризис и т.д.) составляла 12—20—30%. Можно было бы привести множество других более или менее устойчивых распре­делений. Но никакой «константы необходимой дисгармонии в обществе» или криминальной сфере не наблюдалось. Тем не ме­нее, одним из поклонников этой теории было выдвинуто ничем не аргументированное предположение о якобы устойчивом, по­всеместном и необходимом удельном весе преступников в струк­туре населения (независимо от исторических традиций, соци­альных условий жизни, уровня криминализации общественно опасных действий в уголовном законодательстве и других обсто­ятельств в той или иной стране), равном 5,6% от общей числен­ности населения (в течение года).

Исходя из этих недостоверных выводов, автор, широко ис­пользуя статистические и математические методы относительных и средних величин, «с легкостью» рассчитал латентную преступ­ность по более чем 90 странам. Подход прост: на основе числен­ности населения в той или иной стране он исчислял общее чис­ло ежегодно наличествующих (5,6 %) преступников и путем вы­читания из этого числа количества выявленных правонарушите­лей получал латентную преступность. Обратимся к его непосред­ственным расчетам. В 1985 г. в Швеции насчитывалось 8,35 млн человек населения, среди которых автор нашел 467 600 выявлен- ' ных и невыявленных преступников. Вычтя из этой суммы общее число установленных преступников, он получил 122 803 челове­ка «незарегистрированных преступников» (термин автора этой теории).

В действительности в 1985 г. в Швеции было только зарегист­рировано 1 018 349 преступлений, или 12 184 деяния на 100 тыс. населения, что составляет 12,2% его общей численности. Для их совершения 5,6% («необходимый» удельный вес преступников в обществе) правонарушителей должны были в течение года со­вершить более чем по 2 зарегистрированных деяния каждый. Но кроме учтенной преступности, в Швеции существует латентная, уровень которой примерно соотносится с уровнем зарегистриро­ванных деяний. Аналогичные данные можно получить по США (если учитывать всю преступность, а не только индексную), Ве­ликобритании, Германии, Дании, Финляндии и другим стра­нам, где число преступлений на 100 тыс. населения в последние годы превышает 8 тыс. (или 8%).

Я привожу этот беспрецедентный пример статистических уп­ражнений с одной целью: статистика и математика и выявляемые с их помощью законы динамики и распределения применимы в социальных и юридических науках лишь тогда, когда они опира­ются на адекватные базовые показатели. Если последние неверны, никакие статистические измерения и расчеты, какими бы точны­ми они ни были, не приведут к объективным результатам. Немец­кий математик К.Гаусс обоснованно предостерегал: математика -это мельница. Она перемелет все, что угодно, но получится ли мука, будет зависеть от того, что в нее было засыпано.

Закономерности статистических распределений вполне мо­гут быть использованы в модульной теории социума, в том числе и для изучения распределения криминальных и иных противо­правных отклонений, но эти закономерности должны отражать реалии, а не предположения.

Структурная схема средних величин

Средние величины

Степенные

Конкретные

.

Назад