Использование современных методологий Big Data и Data Mining для совершенствования юридической техники и правоприменительной практики в сфере незаконного оборота новых психоактивных веществ

Беляев Иван Юрьевич ORCID: 0000-0002-0126-0934 Аспирант, кафедра Теории и истории государства и права и международного права, Федеральное государственное автономное образовательное учреждение высшего образования "Самарский национальный исследовательский университет имени академика С.П. Королева" 443086, Россия, Самарская область, г. Самара, ул. Московское Шоссе, 34 Belyaev Ivan Yur'evich Graduate student, Department of Theory and History of State and Law and International Law, Federal State Autonomous Educational Institution of Higher Education "Samara National Research University named after Academician S.P. Korolev" 443086, Russia, Samarskaya oblast', g. Samara, ul. Moskovskoye shosse, 34 ivanbeliaef@yandex.ru Другие публикации этого автора

Беляев Юрий Владиславович адвокат, Адвокатский кабинет N 544 443112, Россия, Самарская область, г. Самара, ул. Сергея Лазо, 25А Belyaev Yurii Vladislavovich lawyer, Law office N 544 443112, Russia, Samarskaya oblast', g. Samara, ul. Sergeya Lazo, 25A vana682@gmail.com

Последнее десятилетие ознаменовалось распространением новой категории наркотических средств, получивших название - новые психоактивные вещества (НПВ) ^[1]. Химическая структура новых психоактивных веществ разнородна и включает в себя не только запатентованные компоненты, аналоги традиционных наркотиков или рецептурных медикаментов, но и новые вещества ^[2]. Некоторые из этих компонентов и их действие хорошо изучены, в то время как токсичность других не известна. С этим связан рост серьезных побочных эффектов новых психоактивных веществ, выражающихся в массовых инфекциях, психозах, острых отравлениях и передозировке ^[3]. Как следствие, многие новые психоактивные вещества способны причинить серьезный вред здоровью их потребителей ^[4].

Поскольку законодательный статус новых психоактивных веществ в различных странах сильно разнится, только некоторые из них включены в международные антинаркотические конвенции, что облегчает оборот данных веществ на международном уровне ^[5].

В ответ на стремительное распространение новых психоактивных веществ, Европейский центр мониторинга наркотиков и наркомании (ЕЦМНН) и Управление Организации Объединенных Наций по наркотикам и преступности (ЮНОДК) внедрили Систему раннего оповещения и Консультативный портал раннего оповещения, соответсвенно ^[6].

Например, как только информация о новом психоактивном веществе поступает в Европейский центр мониторинга наркотиков и наркомании, начинается процедура оценки риска причиняемого им вреда. Однако не смотря на информативность названных систем мониторинга, оперативность их реагирования на быстрое появление и распространение новых психоактивных веществ ограничена ^[7]. Во-первых, отстствует универсальная методика выявления новых психоактивных веществ. Во-вторых, для перехода процедуры мониторинга со стадии оценки риска на стадию контроля нового психоактивного вещества необходимо строгое соблюдение трех критериев: 1) доказательство его психоактивного действия; 2) способность фрмирования зависимости; 3) опасное воздействие на здоровье и социальную интеграцию. В этой связи, Европейский центр мониторинга наркотиков и наркомании отмечает необходимость дополнения действующей системы раннего оповещения более чувствительными и гибкими средствами технологического характера.

Исходя из большого количества новых психоактивных веществ (в отличие от традиционных наркотиков), а также ограниченного характера информации об их действии, особую актуальность приобретает необходимость оптимизации системы получения первоначальных данных об их распространении. В этой связи, многие исследователи подчеркивают особую роль Интернета как источника раннего выявления новых психоактивных веществ ^[8]. Любая активность в онлайн среде оставляет цифровые следы, которые могут быть использованы как индикатор появления новых психоактивных веществ. В частности, история поисковых запросов или общения на форумах могут быть быть использованы для названных целей ^[9].

Одним из ключевых исследований в данной сфере является проект под названием «The Psychonaut Web Mapping Project», направленный на разработку и использование веб-карты появления и распростанения новых психоактивных веществ с целью выявления новых трендов за двухлетний период ^[10]. Данный проект подвердил, что в отношении доступности и использования наркотических средств изучение онлайн форумов позволяет получить уникальные сведения, которые не могут быть получены с помощью иных средств (в частности, социологических опросов). В рамках названного проекта удалось выявить более 400 новых психоактивных веществ еще до того, как информация о них появилась в научной литературе и стала доступной широкой публике.

Эффективность данного подхода была подтверждена и в другом исследовании, где мониторингу подвергся один из известных наркотических онлайн форумов ^[11]. Анализ ведущихся там обсуждений наркотических средств позволил выявить направление эволюции классов наркотических средств и индивидуальных наркотических компонентов внутри этих классов. Более того, часть новых психоактивных веществ таким способом была выявлена раньше чем они были идентифицированы упоминавшейся выше Системой раннего оповещения ЕС.

Другим незаменимым источником информации в сфере изучения новых психоактивных веществ является Google Trends. Как показано в целом ряде исследований, потребители, заинтересованные в приобретении наркотических веществ, предварительно собирают сведения о них, используя поисковую систему Google Search. Данное средство дает возможность выявить интерес потребителей, имеющий высокую степень корреляции с последующими действиями по приобретению выбранного наркотического средства. При этом доступная база для поиска обширна и постоянно доступна практически в режиме реального времени.

Так, в контексте рассматриваемой темы Google Trends был использован для идентификации смертей от новых психоактивных веществ и изучение связи между поисковыми запросами и публикациями в средствах массовой информации. При этом наиболее углубленные исследования с использованием данных Google Trends были проведены Al-Imam & Abdul Majeed ^[12]. В каждом из этих исследований было подтверждено соотвествие данных Google Trends паттернам, выявленным на Dark Web. Дополнительно, была продемонстрирована эффективность Goggle Trends как средства раннего выявления новых психоактивных веществ.

Данные Google Trends были использованы Gamma et al. для сравнения поисковых запросов Google Search, связанных с метамфетамином, и соответствующими преступлениями в трех странах (Швейцария, Германия, Австрия). Была обнаружена достоверная корреляционная связь между поисковыми запросами по метамфетамину и соотвествующими криминальными деяниями, что может быть использовано как индикатор преступлений, связанных с наркотиками.

В этой связи, нами было проведено собственное исследование, направленное на выявление возможности использования базы данных Google Trends для прогнозирования криминальных деяний в сфере оборота новых психоактивных веществ с целью дальнейшего совершенствования уголовного законодательства и правоприменительной практики.

В качестве гипотезы исследования нами было выдвинуто предположение о наличии корреляционной связи между поисковыми запросами в сервисе Google по ключевым словам «мефедрон» и «ломбард». В случае обнаружения корреляционной связи между названными переменными, на втором этапе исследования нами предполагалось проведение линейного регрессионного анализа для создания уравнения, позволяющего прогнозировать значение зависимой переменной «ломбард».

В качестве первичных данных для статистическго анализа использовались данные сервиса Google Trends по Российской Федерации за последние пять лет по двум поисковым запросам: «мефедрон» и «ломбард». Выбор именно данных переменных определялся следующими причинами.

1. Мефедрон является одним из самых популярных синтетических наркотиков в Российской Федерации.

2. Сдача в ломбард вещей, включая добытых преступным путем, один из распространенных способов получения денежных средств для приобретения мефедрона.

3. Велика вероятность использования поискового сервиса Google Search наркозависимыми субъектами для поиска способов приобретения мефедрона, с одной стороны, и адресов ломбардов для получения денег – с другой.

В качестве генеральной совокупности в нашем исследовании выступают потребители мефедрона Российской Федерации, использующие ломбард как средство получения денег для его приобретения. В качестве выборки мы использовали пользователей сервиса Google Search в Российской Федерации, осуществлявших поиск мефедрона и ломбардов за последние пять лет.

Репрезентативность данной выборки обуславливается случайностью отбора ее элементов и большим их количеством, что согласно центральной предельной теореме позволяет считать данное распределение подчиняющимся закону нормального распределения.

Выборка для настоящего исследования была сформирована в сервисе Google Trends при сопоставлении двух поисковых запросов: «Мефедрон» и «Ломбард» за последние пять лет. Результаты запроса в виде файла были импортированы в программу Statistical Package for the Social Studies (SPSS) для дальнейшего статистического анализа.

Фрагмент файла с первичными данными для статистического анализа представлен ниже.

Таблица 1 – Фрагмент первичных данных для статистического анализа

Первый столбец «Дата» включает дату последнего дня недели, в течение которой суммировались поисковые запросы. Поскольку выборка сформирована за период в пять лет и интервал измерения составляет неделю, то в данном столбце насчитывается 260 строк (количество недель в пяти годах).

Второй и третий столбцы содержат количество поисковых запросов в относительных (нормализованных) показателях – процентилях. Максимальный ранг процентиля – 100, минимальный – 0. Выражение количества запросов в Google Trends не в абсолютных величинах, а нормализованных – позволяет использовать единую шкалу измерения для сравнения различных запросов.

Следует обратить внимание, что использование методологии Big Data и сервиса Google Trends в нашем случае дает возможность провести исследование, которое невозможно было бы провести с помощью традиционного метода – социологического опроса. В нашем исследовании мы анализируем данные, собранные по всей России за последние пять лет. Провести такой масштабный социологический опрос за такой длительный период времени потребовало бы значительных материальных и временных затрат. При этом даже при согласии респондентов отвечать на анонимные вопросы о наличии наркотической зависимости от мефедрона и планированни его приобретения за счет сдачи вещей в ломбард (приобретенных, в том числе, преступным путем), искренность таких ответов вызывала бы сомнения.

Ниже приводится описательная статистика по полученным данным.

Таблица 2 – Описательная статистика

Как следует из Таблицы 2, среднее количество поисковых запросов по ключевому слову «Ломбард» за неделю более чем в пять раз превышает среднее количество поисковых запросов по ключевому слову «Мефедрон»: 79.9 и 15.4 соответственно. При этом средняя величина поисковых запросов по поисковому запросу «ломбард» находится в интервале 15.4+-0.9, а по поисковому запросу «мефедрону» в интервале 79.9+-1.

Рисунок 1 – Частотное распределение переменной «Ломбард»

На следующем этапе исследования с целью ответа на вопрос существует ли статистически значимая свзь между названными переменными, мы провели корреляционный анализ в программе SPSS. Полученные результаты приведены ниже.

Таблица 3 – Результаты корреляционного анализа

Полученный коэффициет корреляции (r=0.57) между изучаемыми переменными может рассматриваться как показатель сильной связи между ними. Как отмечает Cohen Jacob в одной из своих книг, ставшей классической в области поведенческой статистики, в социальных исследованиях величина коэффициента корреляции в 0.1 или меньше отражает слабую связь между переменными, значение в 0.3 отражает среднюю степень связи, а значение в 0.5 и выше свидетельствует о сильной связи ^[13].

Поскольку на первом этапе исследования нами была установлена высокая степень связи между переменными, на втором его этапе мы провели линейный регрессионный анализ. Различие между корреляционным и регрессионным анализом заключается в том, что первый измеряет силу связи между переменными, а второй – природу этй связи ^[14].

Как подчеркивается в последнем издании монографии ведущего автора в области Data Mining, линейный регрессионный анализ один из самых распространенных статистических методов в настоящее время. Линейный регрессионный анализ используется для описания связей между переменными в научном исследовании ^[15].

В ходе линейного регрессионного анализ осуществляется прогнозирование значения переменной на основе значения другой переменной. Переменная, которую требуется предсказать, называется зависимой переменной. Переменная, которая используется для предсказания значения другой переменной, называется независимой переменной.

Зависимой переменной в нашем исследовании является количество поисковых запросов по ключевому слову «Ломбард». А независиомой переменной выступает количество поисковых запросов по ключевому слову «Мефедрон».

В ходе данного анализа осуществляется подбор таких коэффициентов линейного уравнения с одной или несколькими независимыми переменными, чтобы это уравнение наилучшим образом предсказывало значение зависимой переменной.

Результат линейной регрессии может быть представлен в виде прямой на плоскости, минимизирующей расхождение между прогнозируемыми и фактическими значениями.

Ниже приводится график соотношения предсказанных и фактических значений зависимой переменной на основании построенной линии регрессии.

Рисунок 3 – Уравнение регрессии

Как видно из графического представления полученного уравнения, данное уравнение линейной регресси представляет собой оптимальную прямую апроксимации набора данных на основании метода наименьших квадратов, т.е. минимазации квадратов отклонений предсказанных от реальных значений зависимой переменной.

Результаты проведенного линейного регрессионного анализа суммированы в таблице.

Таблица 4 – Результаты регрессионного анализа

Первые три строки Таблицы 3 содержат информацию о силе статистической связи между двумя переменными в выборке. Самым известным показателем является «R-квадрат» или Коэффициент детерминации. Коэффициент детерминации показывают какая доля изменчивости (дисперсии) зависимой переменной объясняется влиянием независимой переменной. В нашем случае коэфффициент детерминации равен 0.33, т.е. 33% вариативности переменной «Ломбард» определяется изменениями переменной «Мефедрон». Согласно взглядам уже упоминавшегося Cohen Jacob, значение коэффициента детерминации в 0.01 и меньше свидетельствует о слабой связи переменных, значение в 0.09 – о средней степени связи, а 0.25 и больше – о сильной ^[16].

Тем самым подтверждается наша гипотеза о возможности прогнозирования криминального поведения на основании регрессионного анализа данных поисковых запросов сервиса Google Trends.

Однако после нахождения связи между переменными и построения уравнения линейной регрессии, необходима оценка статистической значимости данной гипотезы и возможности отклонения нулевой гипотезы. Необходимые сведения для данной оценки содержатся Таблице 5.

Таблица 5 – Дисперсионный анализ

Для установления возможности отклонения нулевой гипотезы используется F-тест. Пороговое значение для отклонения нулевой гипотезы указано в столбце «Значимость». Значимость F в нашем исследовании приближается к нулевому значению, поэтому нулевая гипотеза подлежит отклонению.

В результате проведенного нами регрессионного анализа было получено следующее уравнение: Y = 70 + 0.6X, где Y – зависимая переменная «Ломбард», а X – независимая переменная «Мефедрон». Данные коэффициенты приведены в Таблице 6.

Таблица 6 – Коэффициенты

Тем самым данное уравнение в словесном выражении может быть представлено как: Ломбард = 70 + 0.6 x Мефедрон. Иными словами, с помощью данного уравнения можно прогнозировать значение переменной ломбард по переменной мефедрон. Например, если значение запросов по ключевому слову «мефедрон» в базе данных Google Trends за неделю составит 8 процентилей, то можно вычислить значение запросов по ключевому слову «ломбард»: 70 + 0.6 x 8 = 75 процентилей. Однако значимость полученного уравнения заключается не в самом полученном числе, а в доказательстве существования причинно-следственной связи между переменными. О существовании причинно-следственной связи между исследуемыми переменными свидетельствует также и таблица остатков регрессии (приведен фрагмент).

Таблица 5 – Остатки регрессии (фрагмент)

Основными показателями в данной таблице являются: «Предсказанное значение» и «Остаток». Первый содержит значение предсказанной зависимой переменной «Ломбард», а второй – разницу (остаток) между предсказанным значением и настоящим значением зависимой переменной. Например, за первую неделю изучаемого пятилетнего периода количество запросов по независимой переменной «мефедрон» было 5 (см. Таблицу 5). Если мы подставим это значение в наше уравнение регрессии (0.6 x 5 +70), то прогнозируемое значение зависимой переменной «ломбард» будет равно 73. Если же мы посмотрим какое значение переменной «ломбард» было на самом деле (см. Таблицу 5), то увидим, что оно было равно 74, т.е. расхождение (или остаток) между предсказанным значением и истинным значением составило всего один балл (с учетом округления).

Рисунок 4 – График остатков регрессии

Необходимо заметить, что расхождение в величинах прогнозируемого и истинного значения зависимой переменной – это не недостаток нашей модели, а выявление объективного характера связей между переменными. Как следует из проведенного нами корреляционного и регрессионного анализа, только 33% (R-квадрат = 0.33) изменений в запросах по ключевому слову «ломбард» объясняется изменениями по запросу «мефедрон». Иными словами только 33% пользователей, осуществляющих поиск по ключевому слову «ломбард» осуществляли перед этим поиск по ключевому слову «мефедрон».

Таким образом, проведенное нами исследование позволяет сделать следующие выводы.

1. Появление новых форм и способов совершения преступлений в области незаконного оборота наркотических средств требует разработку и принятие адекватных мер правового реагирования.

2. Широкое распространение новых психоактивных веществ с использованием сети Интернет определяет необходимость соотвествующей адаптации уголовно-правовых средств.

3. Современные методологии Big Data и Data Mining представляют дополнительные возможности в области оптимизации уголовно-правового законодательства и правоприменительной практики, направленных на борьбу с незаконным оборотом новых наркотических средств.

4. Использование сервиса Google Trends с последующим статистическим анализом полученных результатов средствами известных пакетов прикладных программ (например, «Статистического пакета для общественных наук» фирмы IBM), позволяет прогнозировать криминальное поведение, связанное с потреблением наркотических средств.

5. Выявлена статистически-значимая причинно-следственная связь между запросами в Google Search по ключевым словам «Мефедрон» и «Ломбард».

6. Созданное нами уравнение линейной регрессии может быть использовано для прогнозирования и выявления преступлений, направленных на получение денежных средств путем сдачи похищенных материальных ценностей в ломбард для приобретения наркотических средств.