Виды аналитических группировок

На основе рассмотренных базовых группировок могут формироваться группировки сложные, комбинированные, многомерные, вторичные и другие.

Сложные группировки обычно отражают разнородность изучаемых явлений, когда последние имеют несколько противоречивых тенденций динамики и распределения. Наиболее распространенный вид сложных группировок — комбинированные, которые формируются не по одному, а многим признакам, нередко иерархизированным между собой.

Комбинированные группировки помогают решать многие задачи — и выделения типов, и выявления структурных сдвигов, и изучения взаимосвязей.

Многомерные группировки формируются на основе одного из методов статистической теории распознавания образов — кластерного анализа (от англ. cluster — скопление, группа элементов, характеризуемые каким-то общим свойством). Кластерный анализ включает в себя большое количество вычислений и обязательно связан с использованием быстродействующих ЭВМ, что в настоящее время не является препятствием. Эти вычисления производятся не последовательно по отдельным признакам (как при комбинированной группировке), а одновременно по большому набору признаков. Этот набор образует так называемое признаковое пространство.

Каждому признаку придается смысл координаты. Если в наборе Г большое число (обозначим его символом п) признаков, то каждый объект рассматривается как точка в n-мерном пространстве. Задача многомерной группировки сводится к выделению сгущений точек (группы объектов) в этом пространстве. Геометрическая близость двух или нескольких точек (объектов) в этом пространстве означает как бы их количественную однородность по описываемым признакам. Мерой близости (сходства) между объектами могут служить различные критерии: коэффициент корреляции, евклидово расстояние между объектами и др. Чем меньше это расстояние, тем больше сходства.

Задача многомерной группировки сводится к выделению сгущений точек объектов в образуемом пространстве. Группы объектов (кластеры), сформированные на основе "близости", описывают объект одновременно по всему комплексу признаков. На основании многомерных группировок совокупность статистических признаков расчленяют на однородные группы таким образом, что различия между признаками, попавшими в одну группу, оказываются менее значительными, чем между признаками, попавшими в разные группы. Освоение многомерных группировок юридическими статистиками на основе современных компьютерных программ поможет решить многие сложные проблемы в криминологии, деликтологии и социологии права в тех случаях, когда число различных факторов (объектов) исчисляется сотнями и даже тысячами, а их взаимосвязи при обычных статистических методах выявляются с трудом.

Вторичные группировки представляют собой образование новых группировок на основе имеющихся. Это осуществляется путем изменения (укрупнения) интервалов в вариационных группировках или путем долевых перегруппировок имеющихся показателей в типологических и аналитических группировках. Такая необходимость возникает при преобразовании группировок, построенных на основе количественных признаков, в качественные однородные группировки; при Приведении двух и более группировок с различными интервалами к одной сопоставимой; при образовании более укрупненных групп, в которых яснее проявляются реальные тенденции.

Вторичные группировки могут решать и более сложные задачи. Нидерландский криминолог Берг, не владея закрытой в 80-е гг. уголовной статистикой СССР, на основе огромного числа открытых советских публикаций (отдельных сведений и таблиц), в которых приводились абсолютные и относительные (в процентах) показатели об уровне, структуре и динамике преступности и судимости в СССР, рассчитал и построил единый статистический ряд данных о судимости в СССР за 1920—1982 гг. Нельзя признать, что его вторичное обобщение было абсолютно точным, но полученные сведения близки к данным официальной статистики и относительно полно раскрывали уровень и тенденции судимости в нашей стране, где они в эти годы имели гриф "совершенно секретно".

Вторичные группировки осуществляются путем сглаживания, укрупнения и смыкания ряда дробных показателей.

Сглаживание рядов динамики различными методами предполагает, когда из данных первичной группировки вычисляются средние и иные показатели, в связи с чем ряд принимает плавный, сглаженный вид, что способствует более четкому выявлению основных тенденций. Например, динамический ряд преступности по среднепятилетним арифметическим данным устраняет случайные колебания в отдельные годы и выявляет главную тенденцию сокращения или роста преступных проявлений в городе, регионе или стране.

Укрупнение ряда представляет собой суммирование данных за более продолжительные отрезки времени, что постоянно практикуется в правоохранительных и других юридических органах. Например, месячные юридически значимые сведения суммируются по кварталам и по годам без усреднения данных, как при сглаживании. Иногда такое укрупнение идет по нарастающей. Например, в 1996г. в России в январе месяце учтенная преступность увеличилась по сравнению с аналогичным периодом предыдущего года на 6,9%. В январе — феврале прирост составил 3,2%. Затем началось снижение преступности. В январе-марте этот показатель составил —0,1; в январе — апреле 0,8; в январе—мае — 1,8 и далее: —3,1; — 3,2; — 4,1; — 4,5; — 4,4; — 4,8; — 4,7. Таким образом, за 1996г. в целом преступность сократилась на 4,7%. Последовательное укрупнение показателей на каждом этапе раскрывало реальный совокупный прирост за прошедшие месяцы года.

Смыкание рядов динамики применяется при наличии несопоставимости анализируемых показателей. Например, в какие-то годы преступность учитывалась в уголовных делах или в осужденных, а затем — в преступлениях. В подобных случаях берут год, за который могут быть получены данные в прежнем и измененном объемах. Каждый из объемов принимается за базу (100%), и от нее вперед и назад строится непрерывный (сомкнутый) динамический ряд. Предположим, что до 1990г. преступность учитывалась в осужденных и с этого же года стала учитываться в преступлениях. В 1990г. было осуждено 897 299 человек и зарегистрировано 1 839 451 преступление. Число осужденных принимается за 100%, и все предыдущие данные процентируются от этой базы. В 1989г. оказалось 94,5%, в 1988г. — 93,0% и т.д. Число учтенных преступлений в 1990г. также принимается за 100%, и все последующие данные рассчитываются в процентах, исходя из этой базы. В 1991г. оказалось 117,9%, в 1992г. — 150,1 и т.д. С непрерывным рядом показателей далее возможны любые операции. Полученные данные будут не совсем точными, но они более или менее правильно отражают имеющиеся закономерности единого ряда статистических величин.

Статистика располагает и более сложными приемами преобразования, такими как аналитическое выравнивание ряда динамики по прямой и другими математическими методами, которые требуют специальной подготовки.

Подсчет данных статистического наблюдения и группировка показателей — это третий элемент рассматриваемого метода. Раньше он, как правило, производился вручную, в 70-е гг. — на счетно-перфорационных машинах, а ныне идет интенсивный переход на ЭВМ с большой памятью и быстродействием. Однако ручная сводка материала в социально-правовых и криминологических изучениях еще достаточно широко применятся в настоящее время.

Если статистическое наблюдение было ограничено официальной отчетностью, то сводка его упрощается, поскольку уже сами отчеты представляют собой сложную и разнообразную группировку показателей с подсчетом итогов. Сводка данных в этом случае ограничивается работой с месячными и квартальными (годовыми) отчетами, выбором из них необходимых данных и последующих вторичных и комбинационных группировок, необходимых для решения тех или иных задач.

В случаях, когда статистическое наблюдение проводилось в форме специально организованного обследования, то в итоге наблюдения изучающий получает огромную массу рабочих карточек, анкет, записей, несущих в себе разнообразную информацию. Сводка полученного материала, если он не переносится на перфокарты или магнитные носители, может производиться только вручную путем разметки карточек и сортировки их каждый раз на отдельные группы для непосредственного подсчета показателей по каждой группе и совокупности в целом.

Применение перфокартных систем, которые ныне себя изжили, в недалеком прошлом позволяло относительно быстро находить информационные данные, несмотря на то, что карты в массиве расположены бессистемно, и это значительно облегчало сводку показателей. Перфокартная система была большим шагом вперед по сравнению с ручной обработкой Данных. Для их подсчета существовали счетно-перфорационные машины, машины-табуляторы и нехитрые приспособления для ручной обработки. Это позволяло относительно легко работать с ними с помощью буквенных и числовых ключей и некоторых механических приспособлений. Там, где не представляется возможным использовать ЭВМ, можно воспользоваться перфокартными системами.

Широкое внедрение ЭВМ и разнообразного программного обеспечения для решения практически любых статистических задач серьезно облегчает сводку и обработку данных статистического наблюдения, распечатку их в нужных таблицах и графиках, проведение сложной и объемной аналитической работы.