Природа периодичности социальных процессов

Если же имеется явная монотонная нелинейная компонента, то данные вначале следует преобразовать, чтобы устранить нелинейность. Обычно для этого используют логарифмическое, экспоненциальное или (менее часто) полиномиальное преобразование данных.Для выявления тенденции и периодичности ряда можно также использовать автокорреляцию уровней ряда.Автокорреляция уровней ряда – это корреляционная связь между последовательными уровнями одного и того же ряда динамики (сдвинутыми на определенный промежуток времениL– лаг). Автокорреляцию измеряют коэффициентом автокорреляции.Для определения структуры временного ряда используют построение автокорреляционной функции – вычисляют автокорреляцию с достаточным лагом (максимальный порядок коэффициента автокорреляции обычно равен четверти от количества данных) и строят кривую. Если наиболее высоким оказывается значение rt,t-1, то исследуемый ряд додержит только тенденцию. Если наиболее высоким оказался rt,t-L, то ряд содержит (помимо тенденции) колебания периодом L.Если ни один рассчитанный коэффициент корреляции не оказался значимым, то либо ряд не содержит тенденции и циклических колебаний, а его уровень определяется только случайной компонентой, либо ряд содержит сильную нелинейную тенденцию, для выявления которой нужно провести дополнительный анализ.После удаления сезонности можно строить модель на основе тренда и выделенных коэффициентов сезонности в зависимости от выбранного типа модели: аддитивной или мультипликативной.Обычной мерой проверки надежности построенной модели является сравнение прогноза, построенного по урезанному ряду с известными (исходными) данными.Однако качественная модель должна не только давать достаточно точный прогноз, но быть экономной и иметь независимые остатки, содержащие только шум без систематических компонент (не должны иметь какой-либо периодичности). Хорошей проверкой модели являетсяграфик остатков и изучение их трендов.Если остатки систематически распределены (например, отрицательны в первой части ряда и примерно равны нуля во второй) или включают некоторую периодическую компоненту, то это свидетельствует о неадекватности модели. Анализ остатков чрезвычайно важен и необходим при анализе временных рядов. Процедура оценивания предполагает, что остатки не коррелированы и нормально распределены.3.2 Методика отбора данных для исследованияДанные для анализа процесса изменения числа краж с течением времени были собраны из ежемесячных форм федерального статистического наблюдения по форме 4-ЕГС, раздел 2. Каждый месяц Федеральная служба государственной статистики получает формы федерального статистического наблюдения. Для статистики преступлений используется форма 4-ЕГС, отдельные виды преступлений рассматриваются в Разделе 2(Сведения о зарегистрированных, раскрытых и нераскрытых преступлениях), в определенной строке за отчетный месяц в целом по Российской федерации.В 2019 году данные по числу краж находились в строке 28: хищение чужого имущества, совершенное путем кражи ст. 158 УК РФ, в 2020 – в строке 32, в 2021-2022 – в строке 33.Выбирались данные только по статье 158 УК РФ, без подпунктов.Стоит учесть тот факт, что в связи с естественной задержкой между датой совершения кражи и датой её регистрации количество совершенных краж в отчете за месяц будет неполным, что внесет незначительное искажение в сезонные коэффициенты, поскольку часть краж, зарегистрированных после окончания месяца, в котором они были совершены, останется учтенной в общем количестве совершенных краж за общий период с начала года, без привязки к конкретному периоду.Структура показателей формы № 4-ЕГС не позволяет уточнить это количество в отчетах за последующие периоды.3.3 Обоснование выбора методологии исследованияВыбранная методология исследования позволяет довольно точно выделить трендовую составляющую и периодичность динамики числа краж, если они имеются или доказать их отсутствие.Это апробированный метод, которым пользуются в различных областях науки, получая корректные и адекватные результатыКроме того, выбранный метод исследования позволяет построить модель, на основе которой будет возможен прогноз дальнейшего развития процесса.Выявлять тенденцию планируется при помощи уровней автокорреляции, а также сглаживанием ряда скользящей средней, а затем построением на основе осредненных данных трендовой составляющей в виде полинома второй степени. Этот выбор обусловлен тем, что анализ исходных данных показывает наличие тенденции к снижению уровня краж в исторической ретроспективе, таким образом, и годовые данные должны в целом демонстрировать такой же тренд. Для того, чтобы подтвердить это предположение, выбранные методы подходят, поскольку мы имеем дело с временным рядом, а анализ временных рядов является методом с научным обоснованием его корректности и адекватности.4 Результаты исследованияПри анализе данных о числе краж помесячно за 2019-2022 гг были получены следующе графики:-График динамики числа краж за 2019-2022 гг (рисунок 3)- График автокорреляционной функции (рисунок 4)- Графики годовых волн числа краж (рисунок 5)- Графики сезонных колебаний (рисунок 6)- График средней годовой волны (рисунок 7)- График сглаженной кривой динамики числа краж за 2019-2022 гг (рисунок 8)- График периодичности процесса (рисунок 9)- График тренда динамики числа краж (рисунок 10)- График аддитивной модели динамики числа краж на основе полиномиального тренда (рисунок 11)- График остатков аддитивной модели (рисунок 12)Рисунок 3 – Показатели уровня краж за 2019-2022 гг по Российской федерации.Рисунок 4 – График автокорреляционной функции.Рисунок 5 – Годовые волны числа краж за 2019-2022 гг по Российской федерации.Годовые волны числа краж фактически повторяют друг друга, поэтому имеет смысл говорить о периодичности рассматриваемого процесса.Рисунок 6 – Сезонные колебанияза 2019-2022 гг по Российской федерации.Рисунок 7 – Средняя годовая волна числа краж за 2019-2022 гг по Российской федерации.Рисунок 8 – Сглаженная кривая динамики числа краж за 2019-2022 гг по Российской федерации.Сглаженная кривая динамики числа краж подтверждает гипотезу о тренде на уменьшение числа краж со временем.Рисунок 9 – Периодичность процесса.График сезонных колебаний доказывает наличие периодичности в процессе по волновой динамике.Исходя из графика делаем вывод, что имеет место быть аддитивная модель (поскольку размах колебаний не изменяется).Рисунок 10 – Полиномиальный тренд динамики числа краж за 2019-2022 гг по Российской федерации.Рисунок 11 – Аддитивная модель динамики числа краж на основе полиномиального тренда.Полученные графики показывают наличие периодичности. Автокорреляционная функция показывает наличие колебаний, то есть периодичности в исследуемом временном ряду.Проведенное исследование показало, что выдвинутая гипотеза о наличии периодичности в динамике числа краж в Российской федерации и тенденции к понижению подтвердилась.Значения сезонных компонент временных рядов приведены в таблице 2.Таблица 2 – Сезонные компоненты аддитивной моделиViji=1i=2i=3i=4VcpV^j=1-4 058-5 094-7 377-6 094-5 655,50-5 788,56j=2-5 842-5 718-8 003-8 715-7 069,32-7 202,39j=3-716-1 469-225-996-851,69-984,76j=4843-4 2164671 168-434,68-567,75j=53 193-41 9623 7642 228,722 095,65j=61 2528902 9304 0132 270,962 137,89j=73 8856 4254 0843 7774 542,744 409,67j=83 8104 8914 5884 2824 392,634 259,56j=91 0931 237714120790,91657,84j=108 1386 0965 1524 9106 073,885 940,81j=11-2 225-2 249-2 779-3 506-2 689,55-2 822,62j=12-6-1 002-1 756-5 245-2 002,29-2 135,35коэфф.133,070,00Выделенные коэффициенты сезонности графически изображены на рисунках 6-7 выше, рисунок 6 показывает сезонные годовые колебания, рисунок 7 – среднюю сезонную волну.Анализ полученных графиков подтверждает высказанную гипотезу о минимальном числе краж в зимние месяцы и максимальных значениях в теплое время года.В процессе анализа данных была построена аддитивная модель на основе полиномиального тренда (полином 2-й степени), которая позволит спрогнозировать изменение числа зарегистрированных краж:Коэффициент детерминации при этом составил R² = 0,9154, что говорит о хорошем качестве модели.Построенный полином второй степени подтвердил высказанное предположение о тенденции к уменьшению числа краж с течением времени.Качество модели также подтверждается графиком остатков, который не показывает выраженной зависимости (рисунок 12).Рисунок 12 – График остатков построенной модели.Итак, мы построили аддитивную модель временного ряда, подтвердившую высказанную гипотезу о периодичности краж, а также подтвердившую тенденцию к уменьшению числа краж со временем (выделенный тренд в построенной модели говорит об уменьшении среднего годового уровня краж в Российской Федерации).ЗаключениеВ данной курсовой работе были рассмотрены понятие социальных процессов, его структура и закономерности, классификация. В основе социальных процессовлежит последовательная смена состояний, стадий развития социальных систем, социальных явлений; совокупность последовательных действий для достижения какого-либо результата.Социальные процессы взаимосвязаны с социальными изменениями в обществе, и как и социальные изменения, могут быть периодическими. Периодичность в социальных процессах выражается наличием выраженных фаз протекания процесса с повторением их во времени, точно или с определенными коррективами.В работе мы рассмотрели гипотезу о периодичности динамики преступности. Мы рассмотрели данные о помесячных показателях зарегистрированных краж на протяжении 2019-2022 годов, проанализировали полученный временной ряд и подтвердили высказанную гипотезу о годовой периодичности динамики краж от минимальных значений в зимние месяцы до возрастания числа краж до максимума в теплое время года.Были построены соответствующие графики и получена аддитивная модель динамики числа краж на основе полинома 2-й степени, задающего тенденцию к понижению числа зарегистрированных краж.Проведенное исследование позволит прогнозировать изменение числа краж в Российской Федерации.Список используемых источников и литературыКрасикова, Е. М. Статистическое изучение уровня преступности в Российской Федерации / Е. М. Красикова. – Текст: непосредственный // Молодой ученый. – 2017. – № 16 (150). – С. 269-272. – [Электронный ресурс]. – Режим доступа: https://moluch.ru/archive/150/42387/ (дата обращения: 26.12.2023).Морев Михаил Владимирович, Каминский Вадим Сергеевич Социальные процессы: классическая теория и современная актуальность // Вопросы территориального развития. 2016. №3 (33). – [Электронный ресурс]. – Режим доступа: https://cyberleninka.ru/article/n/sotsialnye-protsessy-klassicheskaya-teoriya-i-sovremennaya-aktualnost (дата обращения: 25.12.2023)Плотинский Ю.М. Модели социальных процессов: Учебное пособие для высших учебных заведений. – Изд. 2-е, перераб. и доп. – M.: Логос, 2001. – 296 с.Преступность и правонарушения. 1991: Статистический сборник/Министерство внутренних дел Российской Федерации, Министерство юстиции Российской Федерации. – Л: Финансы и статистика, 1992. – 176 с.:Российская социологическая энциклопедия. Под общей редакцией академика РАН Г.В. Осипова. – М.: Издательская группа НОРМА–ИНФРА М, 1998. – 672 с.Самусева, А. А. Понятие и статистические показатели кражи как преступления против собственности / А. А. Самусева. – Текст: непосредственный // Молодой ученый. – 2023. – № 43 (490). – С. 201-203. – [Электронный ресурс]. – Режим доступа: https://moluch.ru/archive/490/106947/ (дата обращения: 26.12.2023).Сорокин, П. А. Социальная и культурная динамика: исследование изменений в больших системахискусства, истины, этики, права и общественных отношений [Текст] / П. А. Сорокин ; Ин-т социологии РАН ; Междунар. ин-т Н. Кондратьева ; пер. с англ. В. В. Сапова. – СПб. : РХГИ, 2000. – 1055 с.Циклические концепции социально-исторического процесса. – [Электронный ресурс]. – Режим доступа: https://brandr.ru/кризис-понятие-механизмы-возникновения/314-циклические-концепции-социально-исторического-процесса (дата обращения: 25.12.2023)Угольникова, О. Д. Математические методы социологических исследований: история, современное состояние и практическое применение / О. Д. Угольникова // Социология управления: актуальные вопросы современности : Сборник научных трудов по итогам II международной научно-практической конференции, Санкт-Петербург, 27–28 октября 2022 года / Под общей редакцией В.А. Мордовца. – Санкт-Петербург: Санкт-Петербургский университет технологий управления и экономики, 2022. – С. 139-144.