Рус Eng Cn Перевести страницу на:  
Please select your language to translate the article


You can just close the window to don't translate
Библиотека
ваш профиль

Вернуться к содержанию

Юридические исследования
Правильная ссылка на статью:

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

DOI:

10.25136/2409-7136.2022.7.37872

EDN:

SBAHNK

Дата направления статьи в редакцию:

13-04-2022


Дата публикации:

08-07-2022


Аннотация: Предметом исследования является способы использования современных методологий Big Data и Data Mining для совершенствования процесса законотворчества и правоприменительной практики в сфере незаконного оборота новых психоактивных веществ. Опираясь на опыт европейских стран и на международный опыт в целом, автор доказывает необходимость создания методики раннего выявления распространения новых психоактивных веществ, представляющих собой значительную угрозу здоровью населения. Данная методика, по мнению автора, может быть основана на использовании методов прикладного статистического анализа базы данных сервиса Google Trends, который, в свою очередь, может быть использован в целях борьбы с наркотической преступностью в части выявления и прогнозирования преступлений. Практическая значимость проведенного исследования заключается в разработке методики раннего выявления распространения новых психоактивных веществ, что может быть использовано для оптимизации оперативного законодательного реагирования и совершенствования правоприменительной практики в сфере борьбы с незаконным оборотом наркотических средств. Научная новизна проведенного исследования заключается в создании прогностического правила в виде уравнения линейной регрессии, позволяющего прогнозировать распространение такого нового психоактивного вещества как мефедрон в различных регионах Российской Федерации, а также планировать проведение оперативно-розыскных мероприятий с учетом выявленных зон риска. Данное исследование может быть интересно работникам правоохранительных органов, ученым юристам, студентам и преподавателям юридических ВУЗов.


Ключевые слова:

наркотизм, национальная безопасность, незаконный оборот наркотиков, дизайнерские наркотики, уравнение линейной регрессии, компаративистика, система раннего оповещения, аналоги наркотических средств, международный правопорядок, антинаркотическое законодательство

Abstract: The subject of the research is the ways of using modern Big Data and Data Mining methodologies to improve the process of lawmaking and law enforcement practice in the field of illicit trafficking of new psychoactive substances. Based on the experience of European countries and international experience in general, the author proves the need to create a methodology for early detection of the spread of new psychoactive substances that pose a significant threat to public health. This technique, according to the author, can be based on the use of methods of applied statistical analysis of the Google Trends database, which, in turn, can be used to combat drug crime in terms of detecting and predicting crimes. The practical significance of the conducted research lies in the development of a methodology for early detection of the spread of new psychoactive substances, which can be used to optimize the operational legislative response and improve law enforcement practice in the field of combating illicit drug trafficking. The scientific novelty of the conducted research consists in the creation of a predictive rule in the form of a linear regression equation that allows predicting the spread of such a new psychoactive substance as mephedrone in various regions of the Russian Federation, as well as planning operational investigative measures taking into account the identified risk zones. This study may be of interest to law enforcement officials, legal scholars, students and teachers of law schools.


Keywords:

drug addiction, national security, drug trafficking, designer drugs, linear regression equation, comparative studies, early warning system, analogues of narcotic drugs, international law and order, anti-drug legislation

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

Дата

Мефедрон

Ломбард

05.03.2017

5

74

12.03.2017

5

67

19.03.2017

4

67

26.03.2017

6

70

02.04.2017

6

77

09.04.2017

5

66

16.04.2017

3

67

23.04.2017

5

74

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

Мефедрон

Ломбард

N

Валидные

260

260

Пропущенные

0

0

Среднее

15,43

79,90

Медиана

16,00

81,00

Стандартная отклонения

7,687

8,291

Диапазон

42

37

Минимум

3

63

Максимум

45

100

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

Мефедрон

Ломбард

Мефедрон

Корреляция Пирсона

1

,574**

Знач. (двухсторонняя)

,000

N

260

260

Ломбард

Корреляция Пирсона

,574**

1

Знач. (двухсторонняя)

,000

N

260

260

**. Корреляция значима на уровне 0,01 (двухсторонняя).

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

Сводка для моделиb

Модель

R

R-квадрат

Скорректированный R-квадрат

Стандартная ошибка оценки

1

,574a

,329

,326

6,804

a. Предикторы: (константа), Мефедрон

b. Зависимая переменная: Ломбард

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

ANOVAa

Модель

Сумма квадратов

ст.св.

Средний квадрат

F

Значимость

1

Регрессия

5857,234

1

5857,234

126,507

,000b

Остаток

11945,362

258

46,300

Всего

17802,596

259

a. Зависимая переменная: Ломбард

b. Предикторы: (константа), Мефедрон

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

Модель

Нестандартизованные коэффициенты

Стандартизованные коэффициенты

т

Значимость

B

Стандартная ошибка

Бета

1

(Константа)

70,360

,948

74,244

,000

Мефедрон

,619

,055

,574

11,248

,000

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)

Номер наблюдения

Состояние

Стандартная Остаток

Ломбард

Предсказанное значение

Остаток

1

,080

74

73,45

,547

2

-,948

67

73,45

-6,453

3

-,857

67

72,83

-5,835

4

-,598

70

74,07

-4,072

5

,430

77

74,07

2,928

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.

Библиография
1. Нифталиева, И. А. Проблемы реализации принципа справедливости в нормах, устанавливающих ответственность за незаконный оборот новых потенциально опасных психоактивных веществ / И. А. Нифталиева // Современные проблемы уголовно-правовых наук : сборник статей Всероссийской научно-практической конференции, Волгоград, 06–08 июля 2021 года. – Волгоград: ИП Черняева Ю.И., 2021. – С. 214-218. – EDN OVDWCJ.
2. M.H. Baumann, R.A. Glennon, J.L. Wiley (Eds.), Neuropharmacology of New Psychoactive Substances (NPS): The Science Behind the Headlines, Springer International Publishing, United States, 2017.
3. E. Deligianni, J.M. Corkery, F. Schifano, L.A. Lione, An international survey on the awareness, use, preference, and health perception of novel psychoactive substances (NPS), Hum. Psychopharmacol.: Clin. Exp. № 32, (2017) e2581.
4. Моисеенкова, М. А. Незаконный оборот новых потенциально опасных психоактивных веществ / М. А. Моисеенкова // Сохранение мира в современных условиях : Сборник статей Международной научно-практической конференции, посвященной 60-летию Международного общественного фонда "Российский фонд мира", Смоленск, 10–15 мая 2021 года / Авторы-составители: Е.А. Ульяненкова, А.М. Иванов. Под общей редакцией Е.А. Ивановой. – Смоленск: Общество с ограниченной ответственностью "Свиток", 2021. – С. 212-219. – EDN DJZWPK.
5. Беляев, И. Ю. Проблема систем контроля за незаконным оборотом наркотических средств и психотропных веществ / И. Ю. Беляев // Вопросы безопасности. – 2022. – № 1. – С. 35-47. – DOI 10.25136/2409-7543.2022.1.37626.
6. European Monitoring Centre for Drugs and Drug Addiction, EMCDDA–Europol 2010 Annual Report on the Implementation of Council Decision 2005/387/JHA, Lisbon, Portugal, 2011.
7. G.R. Potter, C. Chatwin, Not particularly special: Critiquing "NPS" as a category of drugs, Drug.: Educ. Prev. Policy № 25 (2018), p. 329–336.
8. Z. Davey, F. Schifano, O. Corazza, P. Deluca, E-psychonauts: Conducting research in online drug forum communities, J. Ment. Health № 21 (2012), p. 386–394.
9. Сезонова, Т. В. Особенности проведения отдельных следственных действий при расследовании незаконного сбыта наркотических средств через интернет-магазин / Т. В. Сезонова // Актуальные проблемы борьбы с преступностью: вопросы теории и практики : материалы XХIV международной научно-практической конференции, Красноярск, 08–09 апреля 2021 года. – Красноярск: Сибирский юридический институт Министерства внутренних дел Российской Федерации, 2021. – С. 253-255. – DOI 10.51980/2021_1_253. – EDN YXAAIQ.
10. P. Deluca, Z. Davey, O. Corazza, L. Di Furia, M. Farre, L.H. Flesland, M. Mannonen, A. Majava, T. Peltoniemi, M. Pasinetti, C. Pezzolesi, N. Scherbaum, H. Siemann, A. Skutle, M. Torrens, P. van der Kreeft, E. Iversen, F. Schifano, Identifying emerging trends in recreational drug use; outcomes from the psychonaut web mapping project, Prog. Neuro-Psychopharmacol. Biol. Psychiatry № 39 (2012), p. 221–226.
11. D. Rhumorbarbe, M. Morelato, L. Staehli, C. Roux, D.-O. Jaquet-Chiffelle, Q. Rossy, P. Esseiva, Monitoring new psychoactive substances: exploring the contribution of an online discussion forum, Int. J. Drug Policy № 73 (2019), p. 273–280.
12. A. Al-Imam, B.A. AbdulMajeed, Captagon, octodrine, and nbome: an integrative analysis of trends databases, the deep web, and the darknet, Glob. J. Health Sci. № 9 (2017), p. 114–125.
13. Cohen, Jacob. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed). Hillsdale, NJ: Erlbaum, p. 141.
14. Peter Bruce and Andrew Bruce. Practical Statistics for Data Scientists. O’Reilly Media, Sebastopol, 2017, p.232.
15. Data Mining: Concepts, Models, Methods, and Algorithms, Third Edition. Mehmed Kantardzic. 2020 by The Institute of Electrical and Electronics Engineers, Inc. Published 2020 by John Wiley & Sons, Inc., p. 175.
16. Cohen, Jacob. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed). Hillsdale, NJ: Erlbaum. p.114.
References
1. Niftalieva, I. A. Problems of the implementation of the principle of justice in the norms establishing responsibility for the illegal circulation of new potentially dangerous psychoactive substances / I. A. Niftalieva // Modern problems of criminal law sciences: collection of articles of the All-Russian Scientific and Practical Conference, Volgograd, 06 -08 July 2021. - Volgograd: IP Chernyaeva Yu.I., 2021. - S. 214-218. – EDN OVDWCJ.
2. M.H. Baumann, R.A. Glennon, J.L. Wiley (Eds.), Neuropharmacology of New Psychoactive Substances (NPS): The Science Behind the Headlines, Springer International Publishing, United States, 2017.
3. E. Deligianni, J.M. Corkery, F. Schifano, L.A. Lione, An international survey on the awareness, use, preference, and health perception of novel psychoactive substances (NPS), Hum. Psychopharmacol.: Clin. Exp. № 32, (2017) e2581.
4. Moiseenkova, M. A. Illicit trafficking of new potentially dangerous psychoactive substances / M. A. Moiseenkova // Preservation of the world in modern conditions: Collection of articles of the International scientific and practical conference dedicated to the 60th anniversary of the International Public Foundation "Russian Peace Fund", Smolensk, May 10–15, 2021 / Authors-compilers: E.A. Ulyanenkova, A.M. Ivanov. Under the general editorship of E.A. Ivanova. - Smolensk: Limited Liability Company "Svitok", 2021. - P. 212-219. – EDN DJZWPK.
5. Belyaev, I. Yu. The problem of control systems for illicit trafficking in narcotic drugs and psychotropic substances / I. Yu. Belyaev // Security Issues. - 2022. - No. 1. - P. 35-47. – DOI 10.25136/2409-7543.2022.1.37626.
6. European Monitoring Centre for Drugs and Drug Addiction, EMCDDA–Europol 2010 Annual Report on the Implementation of Council Decision 2005/387/JHA, Lisbon, Portugal, 2011.
7. G.R. Potter, C. Chatwin, Not particularly special: Critiquing "NPS" as a category of drugs, Drug.: Educ. Prev. Policy № 25 (2018), p. 329–336.
8. Z. Davey, F. Schifano, O. Corazza, P. Deluca, E-psychonauts: Conducting research in online drug forum communities, J. Ment. Health № 21 (2012), p. 386–394.
9. Sezonova, T. V. Features of conducting individual investigative actions in the investigation of the illegal sale of narcotic drugs through an online store / T. V. Sezonova // Actual problems of combating crime: issues of theory and practice: materials of the XXIV international scientific and practical conference, Krasnoyarsk, April 08–09, 2021. - Krasnoyarsk: Siberian Law Institute of the Ministry of Internal Affairs of the Russian Federation, 2021. - P. 253-255. – DOI 10.51980/2021_1_253. – EDN YXAAIQ.
10. P. Deluca, Z. Davey, O. Corazza, L. Di Furia, M. Farre, L.H. Flesland, M. Mannonen, A. Majava, T. Peltoniemi, M. Pasinetti, C. Pezzolesi, N. Scherbaum, H. Siemann, A. Skutle, M. Torrens, P. van der Kreeft, E. Iversen, F. Schifano, Identifying emerging trends in recreational drug use; outcomes from the psychonaut web mapping project, Prog. Neuro-Psychopharmacol. Biol. Psychiatry № 39 (2012), p. 221–226.
11. D. Rhumorbarbe, M. Morelato, L. Staehli, C. Roux, D.-O. Jaquet-Chiffelle, Q. Rossy, P. Esseiva, Monitoring new psychoactive substances: exploring the contribution of an online discussion forum, Int. J. Drug Policy № 73 (2019), p. 273–280.
12. A. Al-Imam, B.A. AbdulMajeed, Captagon, octodrine, and nbome: an integrative analysis of trends databases, the deep web, and the darknet, Glob. J. Health Sci. № 9 (2017), p. 114–125.
13. Cohen, Jacob. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed). Hillsdale, NJ: Erlbaum, p. 141.
14. Peter Bruce and Andrew Bruce. Practical Statistics for Data Scientists. O’Reilly Media, Sebastopol, 2017, p.232.
15. Data Mining: Concepts, Models, Methods, and Algorithms, Third Edition. Mehmed Kantardzic. 2020 by The Institute of Electrical and Electronics Engineers, Inc. Published 2020 by John Wiley & Sons, Inc., p. 175.
16. Cohen, Jacob. (1988). Statistical Power Analysis for the Behavioral Sciences (2nd ed). Hillsdale, NJ: Erlbaum. p.114

Результаты процедуры рецензирования статьи

В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Со списком рецензентов издательства можно ознакомиться здесь.

Предмет исследования - общественные отношения в сфере противодействия незаконного оборота психоактивных веществ. Автор анализирует применение методологий Big Data и Data Mining для совершенствования юридической техники и правоприменительной практики.
Методология исследования имеет практическую направленность. В то же время автор исследует теоретические базы по искомой проблематике. Применяются такие методы, как общеправовые и эмпирические. Автор применяет методы моделирования и прогнозирования, что наполняет его статью содержательно.
Актуальность обусловлена возникновением новых способов воздействия на людей психотропными веществами. При этом, теория не успевает за практикой возникновения таких инноваций.
Научная новизна состоит в комплексности авторского исследования, а также в его результатах, выводах и предложениях автора.
Статья подготовлена в научном стиле, с применением иллюстративного материала. Автор разработал и представил графики и диаграммы, отражающие проблематику общественных отношений в сфере противодействия незаконного оборота психоактивных веществ.
Статья включает вводную часть, резюмирующую, что, 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. Основное содержание содержит теоретический анализ, но особенно интересен эмпирическими составляющими. Автор выдвигает гипотезы и работает с ними. В частности, 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 автором предполагалось проведение линейного регрессионного анализа для создания уравнения, позволяющего прогнозировать значение зависимой переменной «ломбард».
Автор отмечает, что то 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.
При этот, проведен анализ данных, собранных по всей России за последние пять лет. Провести такой масштабный социологический опрос за такой длительный период времени потребовало бы значительных материальных и временных затрат.
Автор подчеркивает уникальность исследования, поскольку даже при согласии респондентов отвечать на анонимные вопросы о наличии наркотической зависимости от мефедрона и планировании его приобретения за счет сдачи вещей в ломбард (приобретенных, в том числе, преступным путем), искренность таких ответов вызывала бы сомнения.
Особый практический интерес представляют таблицы, рисунки и графики, разработанные автором.
Научный интерес представляют такие выводы автора, как тот, что 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.
Еще один авторских вывод, который заключается в том, что 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.
Актуальным представляется созданное автором уравнение линейной регрессии, которое может быть использовано для прогнозирования и выявления преступлений, направленных на получение денежных средств путем сдачи похищенных материальных ценностей в ломбард для приобретения наркотических средств.
Библиография включает 16 новейших источников, отвечающих требованиям к написанию научных статей.
Представленная работа представляет научный и практический интерес читательской аудитории. Рекомендую к публикации.