4.05.2024 Микола Карчевський
В межах реалізації грантового проєкту 2022.02/0048 «Раціоналізація протидії злочинності в Україні», що підтримується Національним фондом досліджень України та Кембриджським університетом (Велика Британія), підготував наукову доповідь “Оцінка ефективності кримінально-правового регулювання”.
Дякую колегам з Науково-дослідного інституту вивчення проблем злочинності імені академіка В.В. Сташиса НАПрН України за обговорення результатів роботи
М. Карчевський, 12.12.2023
В процесі реалізації проєкту КРИМІНАЛЬНО-ПРАВОВІ ТА КРИМІНОЛОГІЧНІ ЗАСАДИ ПРОТИДІЇ ГЛОРИФІКАЦІЇ ЗБРОЙНОЇ АГРЕСІЇ РФ В УКРАЇНІ за грантової підтримки Національного фонду досліджень України у межах конкурсу «Наука для відбудови України у воєнний та повоєнний періоди» нашою командою для аналізу результатів дослідження національних судових рішень та пілотажного опитування внутрішньо переміщених осіб використано форму представлення інформації, що фактично є новим стандартом роботи з даними – дашборди. Останні представляють собою інтерактивний інструмент візуалізації даних, який дозволяє швидко й ефективно отримувати необхідну інформацію, налаштовувати зрізи даних за великою кількістю ознак, об’єднує абсолютні та відносні дані, використовує дані щодо географічного розподілу досліджуваних показників.
Місто левів та левиць форуму гостей вітає,
Хаос злочинів, дурниць істиною виправляєм.
Природний інтелект поведе за собою штучний,
Феміда отримає новий меч – дворучний.
Карчевський М.В., ChatGpt про Львівський форум кримінальної юстиції (2023)
26.11.2023 Карчевський М.В.
За останні двадцять років штучний інтелект пройшов шлях від наукової абстракції та концептуальних моделей до практичних задач та повсякденного використання. Системи штучного інтелекту використовуються практично в усіх сферах діяльності людини. Відбулися зміни у науковій рефлексії та правовому регулюванні соціалізації штучного інтелекту.
Збройна агресія рф прискорила практичне впровадження технологій штучного інтелекту в роботу національних правоохоронних органів. Розслідування воєнних злочинів, діяльності колаборантів, пропаганди на користь агресора вимагають оперативного опрацювання значних масивів даних. Правоохоронці активно використовують системи розпізнавання обличчя, відеоаналітику, транскрибування відео та аудіозаписів. Водночас, використання штучного інтелекту правоохоронними органами без належного правового регулювання та комплексу організаційно-технічних заходів для дотримання нормативних приписів може привести до системних порушень прав людини, та, як наслідок, ускладнити євроінтеграційні процеси, діалог із міжнародними партнерами України. Тому актуальним є аналіз соціалізації технологій штучного інтелекту та дослідження тенденцій правового регулювання використання відповідних систем правоохоронними органами.
Наукова дискусія щодо правового регулювання технологій штучного інтелекту є багаторівневою. Будемо говорити про стратегічний та тактичний рівні. На першому здійснюється усвідомлення глобальних проблем та перспектив, на другому отримують розв’язання практичні питання, пов’язані з використанням технологій штучного інтелекту.
Стратегічний рівень. Найбільш радикальним негативним прогнозом перспектив людства в контексті розвитку комп’ютерів є концепція технологічної сингулярності. Її автор, В. Віндж, уважає, що після появи інтелекту, який перевершить людський, швидкість прогресу стане надвеликою. Людство опиниться в «режимі, який відрізняється від нашого минулого не менш радикально, ніж ми, люди, самі відрізняємося від нижчих звірів. Така подія анулює через непотрібність всі людські закони, можливо, в одну мить. Некерована ланцюгова реакція почне розвиватися за експонентою без будь-якої надії на відновлення контролю за ситуацією» [1]. На думку В. Вінджа, до цього приведуть або технології штучного інтелекту (artificial intelligence, AI), або технології підсилення інтелекту людини (intelligence amplification, IA).
Сучасний рівень розвитку робототехніки актуалізує проблематику безпечної соціалізації технологій, але штучний інтелект – не єдина гіпотеза. У науці також широко представлена проблема трансгуманізму, розвитку здібностей людини за рахунок технологічних змін у її організмі. Трансгуманізм розглядається як «інтелектуальний та культурний рух, який відстоює можливість і бажаність принципового поліпшення стану людини через застосування, розвиток та надання широкого доступу до технологій ліквідації старіння, посилення людських інтелектуальних, фізичних і психологічних можливостей». Крім цього, трансгуманізм може розглядатися як «вивчення наслідків, потенційних переваг та небезпек технологій, які дають змогу подолати основні людські обмеження, а також пов’язане вивчення етичних питань, обумовлених розробкою та використанням таких технології» [3].
Попри аргументи про невідворотність поганого сценарію, людство має можливість зберегти контроль над ситуацією. Важливе значення для цього має ефективне правове регулювання. На нашу думку, перспективні завдання правового регулювання зумовлені як гіпотезою розвитку штучного інтелекту, так і гіпотезою розвитку технологій трансгуманізму, можуть бути сформульовані наступним чином:
1. Розвиток технологій неможливо заборонити. Попри ризик небезпек абсолютна заборона розробки систем штучного інтелекту чи трансгуманістичних технологій є неможливою. Правове регулювання у цій сфері має забезпечувати стимулювання соціально ефективного використання технологій та мінімізацію ризиків зловживання технологією.
2. Правове регулювання має забезпечити максимальну диверсифікацію технологічних рішень та бути технологічно нейтральним. Технологія має не обмежуватися, а навпаки стати якомога різноманітнішою. Якщо право буде містити умови/вимоги для створення якомога більшої кількості різноманітних рішень у сфері технологій, ризик «глобальної відмови» буде мінімізований. Наприклад, відомий негативний сценарій «епідемії» імплантатів (заподіяння шкоди людству через порушення роботи всіх імплантованих пристроїв) буде просто неможливими, через гарантовану наявність альтернативних технічних рішень. Водночас, швидкість розвитку технологій вимагає відмовлятися від законодавчих формулювань, що вказують на певні види технологій. Будь який закон, пов’язаний із конкретною технологією матиме дуже обмежений час корисного існування
3. Актуальною та затребуваною для сучасного рівня технологій є класична схема «розробник-власник-користувач». Ускладнення технологій вимагатиме переходу до нової, більш складної, схеми правового регулювання. Певно, що правове регулювання соціалізації штучного інтелекту пройде шлях від розгляду робота як об’єкта відносин до наділення його правами, обов’язками та відповідальністю. Потребуватиме розв’язання проблема правового статусу фізичної особи, здатності якої підсилені за допомогою технологій трансгуманізму.
4. На додаток до традиційної юстиції, буде формуватися дві нових сфери, умовно назвемо їх «змішана юстиція» та «юстиція штучного інтелекту». Їх функціонування буде забезпечувати протидію роботам, що є загрозою для соціального розвитку та стабільності. Юстиція штучного інтелекту буде створена на основі роботів. Така система передбачатиме узагальнення в чіткі алгоритми досвіду, отриманого за час існування традиційної юстиції.
5. Оскільки контроль за розвитком та використанням певних технологій вимагатиме ефективної системи моніторингу, аналіз юридично значимої інформації стане набагато складнішим та вимагатиме принципово нових професійних компетенцій. Традиційний розподіл завдань між юристами та спеціалістами стане вкрай неефективним. Буде спостерігатися конвергенція юридичних та технічних наук. Потребуватиме розв’язання питання визначення та розвитку нових видів юридичних професій. При цьому формулювання нових законодавчих положень мають бути технологічно нейтральними, це необхідно для забезпечення стабільності правового регулювання в умовах швидкоплинних змін технологічної реальності.
6. Значення глобальної проблеми набуває питання правових гарантій ефективного розвитку інформаційного навколишнього середовища. Величезні обсяги інформації, яка накопичується людством в процесі життєдіяльності, очевидно потребуватимуть нових правових механізмів. Існуючі зараз право власності на інформацію та право інтелектуальної власності скоріше за все будуть доповнені новими інститутами, що нагадуватимуть право використання надр та право археологічної діяльності. Комплекс означених питань слід розглядати як встановлення координатної системи для майбутньої правової оцінки як штучного інтелекту так і технологічно вдосконалених людей, оскільки саме в цій сфері відбуватиметься переважна частина їх соціально значимої активності.
Означені питання, характеризують, як ми зазначили, стратегічний рівень наукової дискусії та переважно стосуються гіпотетичних технологій, тих, які поки що не існують. Хоча у науці все помітнішою стає скептична думка щодо реальності повноцінного автономного штучного інтелекту. Наприклад, Девід Мінделл на підставі емпіричного дослідження з питань застосування сучасних роботів формулює три «міфи» як хибні уявлення про перспективи робототехніки. Перший міф – про лінійний прогрес, тобто припущення про те, що техніка пройде шлях від безпосереднього керування людиною до цілком автономних роботів. Другий міф – про заміщення, тобто ідея про те, що машини поступово будуть виконувати всі людські завдання. Третій міф – про повну автономність, себто «утопічна ідея про те, що сьогодні або в майбутньому роботи зможуть діяти повністю самостійно»[24].
Тактичний рівень стосується технологій, які вже використовуються та набули певного поширення. Достатньо поширеним є поділ технологій «сильний» та «слабкий» штучний інтелект. Сильний являє собою гіпотетичний пристрій, який має здатність мислити, усвідомлювати оточуючий світ та себе як особистість, виконувати всі завдання, як і людина, або навіть перевищувати її інтелектуальні здібності. Слабкий штучний інтелект – фактично існуючі технології, орієнтовані на автоматизацію певних видів діяльності людини або кількох завдань, які виконує людина. Наприклад, керування транспортним засобом, гра в шахи, розпізнавання обличчя, голосу, рукописного тексту тощо.
Експерти визначають чотири загальні групи ризиків [7] використання таких технологій. Проблеми їх мінімізації переважно складають зміст тактичного рівня наукової дискусії щодо соціалізації технологій штучного інтелекту.
Нова якість порушення таємниці приватного життя. Автоматизована обробка даних про людину створює новий рівень загроз для людини. Аналіз уподобань у соціальних мережах[4], історії покупок[5], інтернет з’єднань[12] з використанням технологій штучного інтелекту здатен більш ніж істотно порушити таємницю приватного життя конкретної людини.
Маніпулювання поведінкою. Технології «слабкого» штучного інтелекту вже сьогодні чинять істотний вплив на поведінку споживачів шляхом таргетованої реклами, індивідуалізованих рекомендацій пошукових сервісів, персоналізованих стрічок новин тощо. Значною є небезпека маніпуляцій з використанням штучного інтелекту у політичній діяльності [13; 14]. Існує навіть спеціальний термін – «астротурфінг»[1], яким позначають імітацію громадської підтримки ініціатив[7].
Дискримінація. Через особливості машинного навчання, технології яка лежить в основі «слабкого» штучного інтелекту, недостатня якість даних, використаних в процесі розробки системи може призвести до системних порушень її функціонування. Прикладом означеної проблеми може слугувати упередженість автоматизованих систем відбору персоналу. «Навчальний» набір даних для таких систем як правило представляє собою відомості щодо успішних рішень з підбору персоналу. Оскільки цей процес у багатьох сферах не є гендернонейтральним, мали місце випадки уведення в експлуатацію систем, які помножували гендрену нерівність під час функціонування [6].
Непрозорість. Правові гарантії інтелектуальної власності та конкурентна боротьба на ринку інформаційних технологій зумовлюють закритість алгоритмів систем штучного інтелекту, що унеможливлює перевірку правильності рішень та ефективний контроль за їх станом. У тих сферах де неправильна робота систем штучного інтелекту здатна заподіяти значну шкоду, така ситуація створює небезпеку.
Означені ризики досить чітко окреслюють проблеми застосування систем штучного інтелекту для протидії злочинності. Використання систем штучного інтелекту правоохоронними та судовими органами здатне забезпечити якісне оновлення їх діяльності. У зарубіжних країнах в практику правоохоронних органів впроваджені проекти пов’язані із класифікацією та розпізнаванням об’єктів, розпізнаванням звукових сигналів (мови або, наприклад, системи визначення пострілів). Запропоновані технічні рішення для аналізу великих об’ємів даних на основі алгоритмів машинного навчання. У такий спосіб здійснюється аналіз відомостей про телефонні або інтерент-з’єднання, про використання платіжних систем, віртуальних активів тощо. Такі рішення використовуються як потужні інструменти розслідування злочинів. Розробляються системи прогнозування злочинності та оцінки ризику індивідуальної протиправної поведінки на основі штучного інтелекту.
Водночас, ризики використання таких систем не обмежуються небезпекою порушень таємниці приватного життя. Значними є ризики дискримінації та непрозорості. Алгоритми оцінки кримінального ризику (criminal risk assessment algorithms) використовуються деякими судами для прийняття рішень щодо визначення виду покарання, доцільності перебування у в’язниці до суду, суворості вироків. Теоретично це зменшує упередженість оскільки судді приймають рішення на основі обробки даних, а не власних, можливо суб’єктивних, переконань. При цьому постає надзвичайно важливе питання. Через те, що базою для алгоритму є прийняті раніше рішення, він (алгоритм) може посилювати й увічнювати упередження, генерувати ще більшу кількість упереджених даних для подальших циклів ще більш упереджених рішень[8]. Наприклад, якщо перед суддею особа з невеликим доходом, алгоритм з дуже великою вірогідністю буде радити застосувати ув’язнення до суду. Наступного разу у подібній ситуації алгоритм буде ще категоричніший, наступного – ще й ще…
Подібні проблеми існують і під час впровадження систем прогнозування злочинності[25]. Ідея полягає у тому, що на підставі аналізу даних про зареєстровані кримінальні правопорушення системи визначають райони, що потребують посиленої уваги правоохоронців. В ці райони направляється більша кількість патрулів чим має забезпечуватися більш ефективне використання ресурсів та досягатися необхідний рівень безпеки громадян. Результати впровадження таких системи показали зворотній бік проблеми. Чим більше поліцейських направлялося у заданий район тим більшою була кількість виявлених у цьому районі правопорушень. Алгоритм фіксував прийняте рішення як правильне і продовжував рекомендувати посилені наряди для визначених районів. У такий спосіб увічнювався «кримінальний» статус таких районів але загальне використання ресурсів поліції не ставало більш ефективним, загальний рівень безпеки громадян не підвищувався.
Наприклад, щоб оцінити упередженість поліцейського прогнозування, Група аналізу даних з прав людини (HRDAG) проаналізувала зареєстровані поліцейським управлінням Окленду злочини, пов’язані з наркотиками. Управління використовувало спеціальний алгоритм обробки великих даних для прогнозування наркозлочинів. Звичайно, HRDAG виявила, що прогностична модель, майже виключно зосередилася на неєвропеоїдних спільнотах з низьким рівнем доходу. Але дані громадської охорони здоров’я щодо споживачів наркотиків у поєднанні з даними перепису населення США показали, що розподіл споживачів наркотиків не корелює з прогнозами програми, демонструючи, що прогнози алгоритму базувалися на упередженості, а не на реальності[15].
Показовим є те, що у червні 2020 міська рада Санта Круз, американського міста яке одним з перших почало застосовувати для потреб поліції технології розпізнавання обличчя та прогнозування злочинів, відмовилася від використання таких систем ураховуючи численні прояви упередженості їх роботи та недостатню ефективність. Рішення полягало у забороні використовувати обидві технології, за винятком схвалення міською радою на основі «висновків про те, що технологія і дані, які використовуються для цієї технології, відповідають науково підтвердженим та рецензованим дослідженням, захищають і охороняють цивільне населення, права і свободи всіх людей і не увічнюють упередженість»[9].
Крім зазначених проблем з дискримінацією багато питань виникає й через непрозорість функціонування зазначених систем. Як зазначалося раніше покрокове відстеження рішення, що приймається подібними системам є доволі складною проблемою. І якщо такі ризики є допустимим під час, наприклад, автоматизованого перекладу текстів з остаточним їх редагуванням людиною, то в ситуації коли такі алгоритми використовуються в сфері юстиції, вони мають бути максимально відкритими та прозорими [11].
Подібні небезпеки властиві не тільки сфері охорони правопорядку. Накопичений досвід та «критична» маса загроз неконтрольованого розширення сфери застосування систем штучного інтелекту зумовили появу законодавчих ініціатив, спрямованих на створення комплексної нормативно-правової бази для забезпечення відповідального розвитку штучного інтелекту, захисту основних прав і сприяння інноваціям. В якості найбільш актуальних слід відзначити розпочаті урядом США 13 квітня 2023 року громадські обговорення щодо «політики підзвітного штучного інтелекту»[16], а також обговорення проєкту, презентованого Європейською Комісією у квітні 2021 під назвою «The proposal for a regulation of the European Parliament and of the Council Laying Down Harmonised Rules on Artificial Intelligence (Artificial Intelligence Act, AIA) and Amending Certain Union Legislative Acts»[17].
AIA використовує поняття «система штучного інтелекту» (ШІ) та визначає його наступним чином: програмне забезпечення, яке
а) розроблене з використанням одного або кількох підходів, що відносяться до:
б) може, для заданого набору визначених людиною цілей, генерувати результати, такі як контент, прогнози, рекомендації, або рішення, що впливають на середовище, з яким вони взаємодіють.
Визначення з усією очевидністю свідчить про фокус європейських законодавців на суто практичних питаннях використання продуктів, які вже існують або можуть бути створені. За нашою класифікацією розробка означеного проєкту відноситься до тактичного рівня наукової дискусії з питань соціалізації штучного інтелекту.
У АІА програми штучного інтелекту класифікуються на основі потенційних рівнів ризику. Категорія «неприйнятний ризик штучного інтелекту» забороняє розробку та використання певних програм штучного інтелекту, наприклад систем соціального скорингу. До «штучного інтелекту високого ризику» віднесено системи, які можуть поставити під загрозу безпеку людей або порушити їхні основні права.
Авторами AIA реалізовано ідею нормативної мінімізації вказаних раніше соціальних ризиків впровадження ШІ. Порушення приватності пропонується контролювати у спосіб класифікованих за рівнем ризику вимог щодо розробки, введення в експлуатацію та використання систем ШІ.
Небезпеки впливу на поведінку людини, мінімізуються шляхом заборони окремих видів ШІ, які пропонується відносити до “Prohibited Artificial Intelligence Practices” (Article 5, AIA). Такі системи характеризуються «неприйнятним ризиком» та поділяються на 4 категорії: дві з них стосуються когнітивного поведінкового маніпулювання людьми або певними вразливими групами; інші 2 заборонені категорії це системи соціального скорингу та системи біометричної ідентифікації в режимі реального часу та на відстані. Однак для кожної категорії є винятки з основного правила [18].
Непрозорість пропонується долати шляхом обов’язкового документування створення, використання та вдосконалення високоризикованих систем ШІ, постійної актуалізації технічної документації таких систем, наявністю обов’язку виробника надавати контролюючим органам вичерпну інформацію щодо поточного стану системи ШІ, які віднесено до високоризикованих.
Нарешті, мінімізація упередженості забезпечується шляхом контролю за змістом та репрезентативністю навчальних, валідаційних та тестових наборів даних.
Важливими є положення AIA щодо підтримки досліджень та інновації в області ШІ. Зокрема, пропонується механізм «регуляторних пісочниць» (regulatory sandboxes), регуляторних інструментів, які дозволяють підприємствам тестувати та експериментувати з новими та інноваційними продуктами чи послугами під наглядом регулятора протягом обмеженого періоду часу. Регуляторні пісочниці виконують подвійну роль: 1) вони сприяють бізнес-навчанню, тобто розробці та тестуванню інновацій у реальному середовищі; та 2) підтримка регуляторного навчання, тобто формулювання експериментальних правових режимів для керівництва та підтримки бізнесу в їх інноваційній діяльності під наглядом регуляторного органу. На практиці підхід спрямований на те, щоб уможливити експериментальні інновації в рамках контрольованих ризиків і нагляду, а також покращити розуміння регуляторами нових технологій[21].
Значну увагу AIA приділяє системам ШІ, які використовують правоохоронні органи. Певні інструменти ШІ в правоохоронних органах віднесено до категорії «високого ризику» (AIA Annex III). Йдеться про системи призначені для:
Оскільки такі системи віднесено до високоризикових, їх користувачі, постачальники, розробники та продавці повинні дотримуватися передбачених AIA вимог. Зокрема, кожна програма, повинна пройти вичерпний процес оцінки та зменшення ризиків (оцінка відповідності). Висуваються вимоги до даних, які використовуються для навчання цих систем штучного інтелекту, їх набори мають бути достатніми, щоб попередити дискримінаційні результати та алгоритмічні упередженя[20]. Сертифікація, оцінка та моніторинг високоризикованих систем ШІ має відбуватися спеціальним уповноваженим органом, такі системи мають бути зареєстрованими та включеними у відповідну базу даних, має бути забезпечений постійний процес запису та зберігання відомостей щодо всіх подій, які відбуваються у системі, необхідним є забезпечення надійності функціонування та кіберзахисту системи тощо.
Ключовою вимогою до постачальників високоризикованих ШІ є вимога створення комплексної системи управління якістю (Art. 17 AIA), що має включати:
Настільки багато уваги деталям ми приділили оскільки вважаємо, що вони найкраще демонструють як змінилася дискусія щодо правового регулювання соціалізації штучного інтелекту. Цілком природньо, що починалася вона з питань стратегічного рівня, але фактичні інформаційні технології, їх використання та розширення сфери застосування достатньо чітко визначили напрями подальшого розвитку дискурсу. Фокус змістився на чіткі прикладні задачі, дискусія набула традиційного юридичного характеру та змісту.
Законопроєкт отримав переважно схвальні відгуки науковців, водночас були представлені й критичні позиції. Наприклад, на думку М. Веле та Ф. Зуйдервена Боргесіуса, AIA “зібраний із законодавства про безпеку продукції 1980-х років, захисту основних прав, нагляду та захисту споживачів”, такий підхід не дозволяє розглядати законопроєкт як всеосяжний та позбавлений істотних пробілів. Наприклад, положення про прозорість або мало додають до чинного законодавства, або викликають більше запитань, ніж відповідей, коли розглядаються їхні наслідки [19].
Новий виток дискусії з’явився з появою ChatGPT. Виникло питання, чи може генеративний штучний інтелект загального призначення бути використаним для заподіяння шкоди, чи може він стати частиною злочинного використання ШІ та, відповідно, чи не підлягатиме він забороні як один з видів “Prohibited Artificial Intelligence Practices”. Гіпотетично, представлені у відкритому доступі системи ШІ такі як ChatGPT, Midjourney або DALL E можуть, та, скоріше за все, будуть використовуватися для вчинення злочинів. Чи означає це, що вони мають бути забороненими? Зрозуміло ні. Європейські законодавці без сумніву знайдуть збалансоване рішення. Дискусія триває[22]. На нашу думку вихід полягає у відмові від правил для систем та формулюванні правил використання систем у певних сферах діяльності людини.
Для продовження дискусії.
[1] Grassroots (з англ. - «коріння трави») – термін сучасної американської політології; так у США називають спонтанні руху «знизу». Під grassroots розуміються умовно кажучи «справжні» рухи, організовані громадянами для боротьби за свої права. Імітацію ж «кореневого руху» називають astroturfing; у цьому випадку за псевдонародним рухом є політичне лобі (Wikipedia).
Карчевський, М (2023) Протидія злочинності в Україні : інфорграфіка : інтерактивний довідник. Версія 3.0. URL : https://karchevskiy.com/i-dovidnyk/
Ключові оновлення:
– набір даних вже більше 10 млн. індикаторів (попередня версія 1,5)
– додано регіональні дані
– запропоновано можливість будувати фонові картограми
Окрема подяка за beta testing
Львівський державний університет внутрішніх справ,
НДІ вивчення проблем злочинності імені Академіка Сташиса
Окрема подяка Viacheslav Shtanko за увагу до питань авторського права
Микола Карчевський, Олена Карчевська
21.02.2023
Навколо СhatGPT багато розмов. Дано багато оцінок, зроблено безліч прогнозів. Як оптимісти, так і песимісти з новою силою обстоюють свої позиції. Розповімо Вам про наш досвід використання системи.
Фактично
ChatGPT – пошукова система нового типу. У звичайних контекстних системах запит представляє собою набір слів, які має містити необхідна сторінка, а результат – перелік таких сторінок. ChatGPT працює інакше, це пошукова система, яка приймає запити та повертає результати у вигляді діалогу.
Наприклад, на запитання «Як пояснити дитині, що таке ChatGPT?» система запропонувала таку відповідь.
Система сформулювала достатньо змістовні відповіді на питання, що стосувалися протидії злочинності в Україні, ефективності кримінально-правового регулювання, перспектив використання штучного інтелекту в кримінальній юстиції та обчислювальної кримінології. Не дивлячись на очевидну наявність шаблонів (положення 1, положення 2, висновок), результати роботи ChatGPT представляли собою достатньо вдалі узагальнення найбільш поширених поглядів наявних в інтернеті.
Приємно здивували результати пошуків, пов’язаних з програмуванням. Система пропонувала чіткі відповіді з прикладами фрагментів скриптів щодо використання певних функцій або бібліотек.
Що буде далі
Прогнози докорінних змін в освіті, науці, творчості та соціальних медіа навряд чи є реалістичними. Як і будь яка інформаційна технологія, пошукові системи, засновані на машинному навчанні (такі як ChatGPT), дуже швидко стануть звичайними інструментами для роботи з притаманними їм позитивними та негативними якостями. Користувачі будуть дедалі точніше формулювати пошукові запити, система буде ставати складнішою, охоплюватиме більші масиви знань. Гостріше проявлятимуться класичні проблеми машинного навчання – алгоритмічна упередженість та непрозорість (що позначиться на рівні соціальної довіри до відповідних систем). Утвориться нова «сіра» зона маніпуляцій з персональними даними. Викладачі отримають нові види порушень академічної доброчесності, але подальша індивідуалізація самостійної роботи з рештою забезпечить більшу якість освіти. Науковці в котре упевняться в обмеженій науковій цінності робіт без оригінальних ідей. Соціальна комунікація швидко «перетравить» штучно генерований контент. Попит, впливовість та популярність, як і завжди, визначатимуться не інструментами, а потребуватимуть значної роботи, майстерності, таланту.
Чому в назві згадуються розум та чудовиська
Хайп навколо ChatGPT нагадав відому роботу Франциска Гойї «Сон розуму народжує чудовиськ».
Коли перспективи нової технології оцінюються емоційно, некритично, коли «розум спить», з’являються «чудовиська» очікуваних «катастроф» або «кардинальних трансформацій». Натомість послідовний, спокійний аналіз нових технологій та меж їх використання істотно розширює можливості навчання, освіти та творчості. Не менш відомим ніж зображення є коментар Гойї до «Сну розуму»: «Фантазія, покинута розумом, породжує неможливих монстрів: об’єднана з ним, вона є матір’ю мистецтв і джерелом чудес».
Карчевський М.В. Обчислювальне кримінологічне аргументування: поняття, можливості та перспективи використання. Вісник Луганського державного університету внутрішніх справ імені Е.О. Дідоренка. 2022. № 4(100). С. 112-126. https://doi.org/10.33766/2524-0323.100.112-126
УДК: 343.9.018
Карчевський М. В., доктор юридичних наук, професор, перший проректор Луганського державного університету внутрішніх справ імені Е.О. Дідоренка (м. Івано-Франківськ, Україна), головний науковий співробітник відділу дослідження проблем кримінального права Науково-дослідного інституту вивчення проблем злочинності імені академіка В. В. Сташиса НАПрН України (м. Харків, Україна)
e-mail : comcriminal@gmail.com
ORCID iD: https://orcid.org/0000-0002-2693-3592
Комплекс проблемних питань дослідження злочинності з використанням інформаційних технологій пропонується об’єднати поняттям «обчислювальне кримінологічне аргументування» та визначити його наступним чином: процес обґрунтування положень про злочинність, її причини, особистість злочинця, заходи запобігання, який здійснюється шляхом методологічно послідовного отримання нових знань iз даних, що збираються та обробляються автоматизовано. Наводяться результати реалізованих дослідницьких проєктів, які дають можливість оцінити потенціал обчислювального кримінологічного аргументування: збір та розвідувальний аналіз даних соціальних медіа, використання спеціалізованих відкритих баз даних, моделювання протидії злочинності з використанням штучного суспільства, обчислювальний аналіз змісту законодавства про кримінальну відповідальність, відтворюване дослідження протидії злочинності за методологією data science.
Встановлено різницю направленості тенденцій розвитку законодавчого та правозастосовчого рівнів кримінально-правового регулювання: якщо кримінальне законодавство розвивається шляхом збільшення заборон та збільшення санкцій у вигляді позбавлення волі, то практика його застосування демонструє тенденції зменшення кількості засуджених та застосування штрафів частіше ніж позбавлення волі. Спостерігаються недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції, а також часткова примітивізація протидії злочинності.
Зроблено висновок про те, що застосування обчислювального кримінологічного аргументування в такій ситуації набуває особливої актуальності. Необхідне підвищення ефективності кримінально-правового регулювання як на правозастосовчому, так і на законодавчому рівнях, розвиток протидії злочинності має обов’язково передбачати збір та аналіз якомога більших обсягів даних щодо протидії злочинності. Це забезпечить можливість прийняття керованих даними (data driven) рішень щодо організації протидії злочинності в державі. Такі рішення, розроблені на підставі великої кількості даних, за методологією, яка забезпечує високий рівень довіри до результатів аналізу, здатні істотно раціоналізувати національний дискурс щодо протидії злочинності.
Ключові слова: data science, reproducible research, big data, ефективність протидії злочинності, обчислювальне кримінологічне аргументування (computational criminological reasoning).
Постановка проблеми. Науки про суспільство в цілому та кримінологія зокрема переживають істотне оновлення методології. Не в останню чергу це пов’язано з широким впровадженням інформаційних технологій. Дослідники отримали можливість працювати з надвеликими обсягами інформації, ставити завдання, які раніше неможливо було розв’язати. Водночас, виникає багато нових проблем щодо напрямів, доцільності та меж використання сучасних технологій дослідження суспільства.
Формулювання цілей. Метою цієї роботи є визначення обчислювального кримінологічного аргументування, демонстрація можливостей його застосування, формулювання перспектив подальшого використання.
Аналіз останніх досліджень і публікацій. Аргументування визначається як «процес обґрунтування людиною певного положення (твердження, гіпотези, концепції) з метою переконання в його істинності, слушності» [1, с. 36]. Відповідно до положень класичної науки, структура аргументування складається з тези, аргументів і демонстрації.
Правове аргументування є однією з актуальних проблем сучасної юридичної науки [2; 3; 4; 5; 6; 7; 8]. Кримінологічне аргументування є видом правового й стосується злочинності, її причин, особистості злочинця, заходів запобігання. Кримінологічне аргументування оперує положеннями, що відносяться як до кримінально-правового регулювання, так і до пов’язаних зі злочинністю соціальних процесів. Соціальна динаміка є необхідним контекстом аналізу даних про використання права.
Обчислювальне аргументування здійснюється шляхом використання інформаційних технологій для збирання, обробки, аналізу та візуалізації даних. Використання інформаційних технологій для дослідження соціальних процесів вивчається обчислювальною соціальною наукою (computational social science). Методи цієї науки поділяються на такі групи, як: автоматизація збору даних, аналіз соціальних систем, соціальні геоінформаційні системи, моделювання соціальних систем тощо [9]. Обчислювальна соціальна наука розглядається як міждисциплінарне поле, яке включає математику, статистику, науку про дані (data science) та, звичайно ж, науку про суспільство (social science) [10]. Своєю чергою, data science визначається як набір фундаментальних принципів вилучення інформації та знань із даних [11].
Логіка розглядає аргумент, як «думку, істинність якої уже встановлена раніше і яка може бути використана для обґрунтування істинності довільного положення» [12, с. 365]. Дані, отримані з використанням сучасних технологій, розглядаються як аргументи тоді, коли вони одержані з дотриманням відповідної методології. Такою, зокрема, є методологія проведення відтворюваного дослідження (reproducible research). Аналіз даних вважається відтворюваним, якщо набори аналітичних даних і комп’ютерний код, використаний для створення аналізу даних, надаються іншим для незалежного вивчення та аналізу [13]. У такий спосіб досягається відкритість дослідження й значно збільшується довіра до його результатів.
Отже, обчислювальне аргументування полягає в методологічно послідовному отриманні нових знань з даних, що збираються та обробляються автоматизовано. Варто зазначити, що розвиток логічних моделей правового аргументування на тепер відбувається саме на перетині сучасних інформаційних технологій, зокрема штучного інтелекту, та права[14].
Таким чином, обчислювальне кримінологічне аргументування визначимо як процес обґрунтування положень про злочинність, її причини, особистість злочинця, заходи запобігання, який здійснюється шляхом методологічно послідовного отримання нових знань з даних, що збираються та обробляються автоматизовано.
З позицій раціональної парадигми кримінального права, ефективними законодавчими рішеннями у сфері кримінально-правового регулювання слід вважати ті, що забезпечують баланс соціальної значимості охоронюваних благ та обґрунтованого обсягу необхідних соціальних видатків, а саме того обсягу видатків, який держава та суспільство можуть виділити на забезпечення кримінально-правового регулювання. Ефективними рішеннями на правозастосовному рівні кримінально-правового регулювання слід вважати ті, які прийняті відповідно до чинного законодавства та вимагають здійснення соціальних витрат, що відповідають небезпечності конкретного вчиненого кримінального правопорушення [15]. Належною реалізацією публічного інтересу у функціонуванні інститутів кримінальної юстиції будемо вважати таку, коли більшість рішень на законодавчому та правозастосовчому рівнях кримінально-правового регулювання є ефективними й забезпечують раціональне використання соціального ресурсу.
Виклад основного матеріалу. Сучасний рівень інформаційних технологій, їх доступність та поширеність дозволяють використовувати обчислювальне кримінологічне аргументування для аналізу протидії злочинності в Україні. Нами реалізовано дослідницькі проєкти, які дають можливість оцінити потенціал обчислювального кримінологічного аргументування.
Зокрема, реалізовано проєкти, які демонструють варіативність джерел інформації, що може бути використана для аналізу. Цілком зрозуміло, що для більшості завдань нами використано статистичні звіти, представлені офіційних інтернет-сайтах Офісу Генерального Прокурора України та Державної судової Адміністрації України. Водночас, ці та подібні джерела не єдині, які можна використовувати для обчислювального кримінологічного аргументування. Так відкрите програмне забезпечення Web Scraper [16] дозволяє автоматизовано збирати дані з різноманітних інтернет-джерел. Використовуючи його, нами здійснено збір коментарів до відео про розв’язання рф війни проти нашої Держави. Воно було розміщено на каналі YouTube одного із засобів масової інформації США [17]. На момент проведення аналізу відео мало більше пів мільйона переглядів та 2 129 коментарів. Завдяки середовищу для статистичних обчислень R [18] та бібліотеці для нього “tm” (text mining) [19], зібрані коментарі було трансформовано у перелік слів, які найчастіше вживалися у коментарях, обчислено кількість використання кожного з таких слів. Нарешті, із застосуванням одного з онлайн-сервісів побудови візуалізацій типу «хмара тегів» [20], було здійснено графічне представлення даних щодо частоти використаних слів[1]. Отриманий результат (Рис. 1) дає можливість швидко оцінити настрої аудиторії цього ЗМІ щодо злочинного розв’язання рф міжнародного збройного конфлікту. Переважними темами коментарів були підтримка України, небезпека шкоди цивільним особам, необхідність протидії агресії.
Рис. 1. «Хмара тегів» з коментарів до відео каналу «ABC News” про напад рф на Україну
Важливим джерелом даних для обчислювального кримінологічного аргументування можуть бути спеціалізовані відкриті бази даних. Наприклад, для дослідження жертв російської агресії в Україні нами було використано базу даних The Armed Conflict Location & Event Data Project (ACLED) [21]. Здійснивши запит із бази даних проєкту за ознаками простору та часу (Україна, 24.02.2022-28.10.2022), отримано інформацію про загиблих у результаті агресії рф, час смерті та географічні координати місць трагічних подій. Використавши модуль MS Excel 3D Maps [22], створено анімацію, яка дозволяє охарактеризувати географічний розподіл воєнних злочинів рф, вчинених протягом досліджуваного періоду (Рис. 2). Примітно, що тривалість вказаного відео становить 30 секунд, для його побудови взято масив даних приблизно з 10 тис. показників. Очевидно, що перегляд даних у вигляді таблиці, навіть протягом години, навряд чи забезпечить отримання уявлення про зміст даних краще ніж перегляд тридцятисекундного відео [23].
Рис. 2. Скріншот анімації даних з використанням MS Excel 3D Maps
Обчислювальне кримінологічне аргументування не обмежується тільки візуальним аналізом даних. З використанням методу агентного моделювання (agent based modelling) та програмного забезпечення NetLogo [24], нами було проведене пілотажне дослідження протидії злочинності на основі створення моделі суспільства (Рис. 3). Ключові положення, що характеризують даний метод, наступні: «агент – автономний обчислюваний об’єкт із певними властивостями та діями; агенте моделювання – вид обчислювального моделювання, де явище моделюється шляхом визначення агентів та їх взаємодії» [25, с. 1]. Реалізується таке моделювання шляхом використання спеціалізованого програмного забезпечення, яке дозволяє описати властивості агентів та обчислювати їх взаємодію. Результат застосування такого методу прийнято називати штучним суспільством (artificial society), що визначається як «створена з використанням комп’ютерної техніки симуляційна модель суспільства або групи людей, котра базується на агентах та зазвичай обмежена їх взаємодією в конкретній ситуації» [26]. Шляхом комп’ютерного моделювання було підтверджено важливу гіпотезу: посилення покарання є менш ефективним, ніж заходи, не пов’язані з репресією [27].
Рис. 3. Інтерфейс користувача розробленої нами моделі
Перспективним напрямом дослідження є обчислювальний аналіз законодавчих текстів. Так нами було розроблено автоматизовану систему дослідження законодавчої оцінки суспільної небезпечності кримінальних правопорушень «InContext». У процесі використання системи виявлено випадки розбалансованості санкцій кримінально-правових норм, а також встановлено, що провідним трендом розвитку кримінального законодавства є розширення предмету кримінально-правового регулювання та посилення суворості санкцій [28].
Рис. 4. Візуалізація суворості санкцій КК України системою “InContext”
З використанням розробленої методології автоматизованого порівняння суворості санкцій КК було підготовлено доповідь для робочої групи з розробки нового Кримінального кодексу України [29]. Для аналізу обрано першу редакцію КК (2001 рік), редакцію, що передувала імплементації інституту кримінальних проступків (2019 рік), чинну на момент дослідження редакцію (2021 рік). Порівняння дозволило дійти висновку, що в цілому підходи до законодавчої оцінки небезпечності кримінальних правопорушень з 2001 року суттєво не змінилися. Одночасно зі збільшенням кількості законодавчих визначень нетяжких і тяжких злочинів істотної зміни в законодавчій оцінці небезпечності посягань не спостерігається. Візуалізації середніх значень суворості санкцій статей Особливої частини за розділами по роках свідчать про збереження підходів до законодавчої оцінки небезпечності посягань, закладених розробниками КК 2001 року. Гіпотеза про значну розбалансованість санкцій у процесі внесення змін до КК протягом 2001-2021 рр. не підтвердилася. Попри наявні одиничні приклади, законодавча оцінка небезпечності кримінальних правопорушень залишається стабільною.
Також проведено дослідження правозасотовочого кримінально-правового регулювання [30]. У відповідності до методології відтворюваних досліджень, програмним шляхом нами були зібрані, очищені та візуалізовані дані статистичних звітів Офісу Генерального Прокурора та Державної судової адміністрації України. Усі вхідні дані, програмні скрипти та отримані результати представлені у відкритому доступі [31], розроблено вебзастосунок (Рис. 5) для роботи з отриманими результатами [32]. Було інтегровано та забезпечено можливість аналізу відомостей про більше ніж сто показників протидії злочинності, по кожній статті Особливої частини КК України за 9 років (2013-2021). Загальний обсяг набору даних склав близько 980 тисяч показників.
Рис. 5. Інтерфейс вебзастосунку “Протидія злочинності в Україні: інфографіка”
Подальша робота із застосунком наочно продемонструвала сформульовану раніше тезу про необхідність розгляду даних щодо застосування певних норм кримінального права в контексті даних, що характеризують соціальні процеси. Наприклад, вибухове зростання з 2014 року злочинів проти основ національної безпеки пояснюється саме контекстом – військовою агресією рф проти України. Падіння облікованих правопорушень у сфері обігу наркотиків у 2016 році не свідчить про те, що в цей рік стало менше відповідних посягань, а відображає складні процеси реформування Національної поліції України. Тлумачення зростання кількості облікованих зґвалтувань та кількості осіб, засуджених за цей злочин, потребує розгляду даних процесів у контексті ратифікації Україною Стамбульської конвенції. Отже, обчислювальне кримінологічне аргументування, як і будь-яке кримінологічне дослідження, не зводиться до аналізу певних показників функціонування права, з необхідністю потребує їх розгляду в контексті відповідних соціальних процесів.
З використанням розробленого застосунку було здійснено аналіз основних тенденцій протидії злочинності в Україні. Отримано наступні висновки: разом із поступовим зменшенням кількості облікованих проваджень, зменшенням кількості засуджених осіб та пом’якшенням покарань, які призначаються, спостерігаються недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції, часткова примітивізація протидії злочинності, недостатність конструктивної професійної комунікації; існують ризики падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності [30].
Співставлення встановлених тенденцій розвитку законодавчого та правозастосовчого рівнів кримінально-правового регулювання свідчить про різницю у їх направленості. Якщо кримінальне законодавство розвивається шляхом збільшення заборон та збільшення санкцій у вигляді позбавлення волі, то практика його застосування демонструє тенденції зменшення кількості засуджених та застосування штрафів частіше, ніж позбавлення волі. Близько половини наявних у кодексі заборон не використовувалися жодного разу.
Застосування обчислювального кримінологічного аргументування в такій ситуації набуває особливої актуальності. Необхідне підвищення ефективності кримінально-правового регулювання як на правозастосовчому, так і на законодавчому рівнях, розвиток протидії злочинності має обов’язково передбачати збір та аналіз якомога більших обсягів даних щодо обліку кримінальних проваджень, часу прийняття рішень, регіональних особливостей роботи правоохоронців, призначених покарань, психометричних характеристик злочинців, особливостей їх посткримінальної поведінки тощо. Це забезпечить можливість прийняття обґрунтованих, так званих, керованих даними (data driven) рішень щодо організації протидії злочинності в державі.
Висновки.
References:
2. Rabinovych, P. M. (2016) Pravova arhumentatsiia: termino-poniattievyi instrumentarii doslidzhennia / P. M. Rabinovych, T. I. Dudash. Visnyk Natsionalnoi akademii pravovykh nauk Ukrainy – Bulletin of the National Academy of Legal Sciences of Ukraine, 2, 8-20. URL : http://nbuv.gov.ua/ UJRN/vapny_2016_2_3. [in Ukrainian].
3. Dudash,T. I. (2017) Osoblyvosti arhumentuvannia rishen Yevropeiskoho sudu z prav liudyny (do kharakterystyky metodolohichnykh pidkhodiv). Pravo Ukrainy – Law of Ukraine, 4, 86-95. [in Ukrainian].
4. Feteris, E. (1999) Foundamentals of Legal Argumentation: A Survey of Theories on Justification of Judicial Decisions. Argumentation Library. Vol. 1. [in English].
5. Shcherbyna, O. Yu. (2014) Do pytannia pro rozuminnia arhumentatsii u lohiko-iurydychnykh doslidzhenniakh. Humanitarni studii – Humanitarian studies, issue 21, 45–53. [in Ukrainian].
6. Stelmach, J., Brożek, B. (2010) Methods of Legal Reasoning. Law and Philosophy Library. Vol. 78. [in English].
7. Koziubra, M. I. (2013) Modeli (typy) yurydychnoi arhumentatsii. Naukovi zapysky NaUKMA. Seriia «Iurydychni nauky» – Naukma’s scientific notes. Series “Legal Sciences”, Vol. 144–145, 3–8. [in Ukrainian].
8. Kistianyk, V. I. (2012) Pravova arhumentatsiia: suchasni pidkhody do yi yi rozuminnia v zarubizhnykh doslidzhenniakh. Naukovi zapysky NaUKMA. Seriia «Iurydychni nauky» – Naukma’s scientific notes. Series “Legal Sciences”, vol. 129, 20–22. [in Ukrainian].
9. Cioffi-Revilla, C. (2010) Computational Social Science. Wiley Interdisciplinary Reviews Computational Statistics, 2(3). May 2010. P. 259-271. [in English].
10. Hox, J. J. (2017) Computational Social Science Methodology, Anyone? Methodology, 13, 3-12. URL : https://doi.org/10.1027/1614-2241/a000127.%5Bin English].
11. Provost, F., Fawcett, T. (2013) Data Science and its Relationship to Big Data and Data-Driven Decision Making. Big Data, Mar. 2013, 51-59. URL : http://doi.org/ 10.1089/big.2013.1508.[in English].
12. Konverskyi, A. Ye. (2017) Lohika: pidruchnyk. 2‐he vyd., vypravlene / A. Ye. Konverskyi. Kyiv : VPTs “Kyivskyi universytet”.[in Ukrainian].
13. Peng RD. (2011). Reproducible research in computational science. Science, 334(6060):1226–27. [in English].
14. Prakken, H., Sartor, G., (2015) Law and logic: A review from an argumentation perspective. Artificial Intelligence. Vol. 227, 214-245. URL : https:// doi.org/10.1016/j.artint.2015.06.005. [in English].
15. Karchevskyi, M. V., Kudinov, A. S. (2016) Efektyvnist kryminalnopravovoho rehuliuvannia v Ukraini. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E. O. Didorenka – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, 4, 101–114. URL : https://journal.lduvs. lg.ua/index.php/journal/article/view/537; Karchevskyi, M. V., Kudinov, A. S. (2017) Dosvid ekspertnoi otsinky kryzovykh yavyshch u sferi kryminalno-pravovoho rehuliuvannia. Visnyk Asotsiatsii kryminalnoho prava Ukrainy – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, 1(8), 163-181. [in Ukrainian].
16. Web Scraper open free documentation. (N. d.) [Elektronic resurs] N. p. URL : https://www.webscraper.io/documentation. [in English].
17. Ukrainian civilians under Russian attack l WNT. (N. d.) ABC News Youtube chanel. N. p. URL : https://youtu.be/nBfjsLTxvH8. [in English].
18. R Core Team (2022). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL : https://www.R-project.org/.%5Bin English].
19. Feinerer I., Kurt Hornik K., Meyer D. (2008). Text Mining Infrastructure in R. Journal of Statistical Software, 25(5): 1-54. URL : https://www.jstatsoft. org/v25/i05/.[in English].
20. WordsCloud.com – Free online Wordcloud generator. (N. d.) [Elektronic resurs] N. p. URL : https://www.wordclouds.com. [in English].
21. ACLED – brining clarity to crisis. (N. d.) [Elektronic resurs] N. p. URL : https://acleddata.com. [in English].
22. Get started with 3D Maps. (N. d.) Microsoft support. N. p. URL : https:// support. microsoft.com/en-us/office/get-started-with-3d-maps-6b56a50d-3c3e-4a9e-a527-eea 62a387030. [in English].
23. Zahybli cherez viiskovu ahresiiu rf proty Ukrainy (2022). Liutyi-zhovten, 2022. [Elektronic resurs] N. p. URL : https://youtu.be/pGx3nZfXAAI. [in English].
24. NetLogo – multi-agent programmable modeling environment. (N. d.) [Elektronic resurs] N. p. URL : https://ccl.northwestern.edu/netlogo/. [in English].
25. Wilensky U., Rand W. (2015). An Introduction to Agent-Based Modeling: Modeling Natural, Social, and Engineered Complex Systems with NetLogo MIT Press. [in English].
26. Branke, J. (2011). Artificial Societies. In: Sammut, C., Webb, G.I. (eds) Encyclopedia of Machine Learning. Springer, Boston, MA. URL : https:// doi.org/ 10.1007/978-0-387-30164-8_36. [in English].
27. Karchevskyi, M. V.(2020) Ahentne modeliuvannia – novi mozhlyvosti doslidzhennia zlochynnosti. Zabezpechennia pravoporiadku v umovakh koronakryzy : materialy panelnoi dyskusii IV Kharkiv. Mizhnar. yuryd. forumu, m. Kharkiv, 23–24 veres. 2020 r. – Ensuring law and order in the conditions of the corona crisis: materials of the panel discussion of the Kharkiv Institute of Technology. International law form, Kharkiv, September, 23–24. 202, 93-98. / V. Ya. Tatsii, A. P. Hetman, Yu. H. Barabash, B. M. Holovkin (Eds.) . Kharkiv : Pravo. [in Ukrainian].
28. Karchevskyi, M. V., Odyntsova, O. V. (2019). Avtomatyzovana systema dlia doslidzhennia zakonodavchoi otsinky suspilnoi nebezpechnosti diiannia «In Context». Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E.O. Didorenka – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, issue 4(88), 92-101. URL : https://doi.org/10.33766/2524-0323. 88.92-101. [in Ukrainian].
29. Karchevskyi, M. V. (N. d.) Zahalna dynamika kryminalno-pravovoho rehuliuvannia na zakonodavchomu ta pravozastosovchomu rivniakh. [Elektronic resurs] N. p. URL : https://github.com/Nickolay78/Criminal_Code_of_Ukraine. [in Ukrainian].
30. Karchevskyi, M. V. (2022). Protydiia zlochynnosti v Ukraini u formati DATA SCIENCE. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E.O. Didorenka – Bulletin of E. O. Didorenko Luhansk State University of Internal Affairs, issue 2(98), 202-227. URL : https://doi.org/10.33766/2524-0323.98. 202-227. [in Ukrainian].
31. Karchevskyi, M. V. (2021) Vkhidni dani, skrypty zbyrannia, ochyshchennia, obrobky ta pobudovy vizualizatsii dlia web-zastosunku. Interaktyvnyi dovidnyk “Protydiia zlochynnosti v Ukraini (2013-2021). N. p. URL : https://github.com/Nicko lay78/Combating-Crime-in-Ukraine-2013-2021. [in Ukrainian].
32. Karchevskyi M. V. (2021) Protydiia zlochynnosti v Ukraini : inforhrafika : interaktyvnyi dovidnyk. N. p.URL : https://karchevskiy.org/i-dovidnyk/. [in Ukrainian].
Karchevsky М. , Doctor of legal sciences, Professor, First vice-rector of E.O. Luhansk State University of Internal Affairs E.O. Didorenko (Ivano-Frankivsk, Ukraine), Chief researcher
of the criminal law research department of the Scientific Research Institute for the Study of Crime Problems named after academician V. V. Stashis of the National Academy of Sciences of Ukraine (Kharkiv, Ukraine)
[1] Розмір шрифту, яким надруковано слово, свідчить про частоту його використання.
Карчевський, М. В. (2022). ПРОТИДІЯ ЗЛОЧИННОСТІ В УКРАЇНІ У ФОРМАТІ DATA SCIENCE. Вісник Луганського державного університету внутрішніх справ імені Е.О. Дідоренка, 2(98), 202-227. https://doi.org/10.33766/2524-0323.98.202-227
УДК 343.1
Карчевський М. В., доктор юридичних наук, професор,
перший проректор Луганського державного університету внутрішніх справ імені Е.О. Дідоренка
e-mail : comcriminal@gmail.com
ORCID iD: https://orcid.org/0000-0002-2693-3592
У статті запропонований огляд однієї з перших спроб систематизувати статистичні дані щодо протидії злочинності у форматі відтворюваного дослідження за методологією Data Science. Результатом розвідки став інтерактивний довідник «Протидія злочинності в Україні». Довідник представлено у вигляді вебзастосунку, який інтегрує й дає можливість аналізувати дані, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2021 роки. Він містить близько 5 тисяч візуалізацій, дозволяє здійснювати аналіз застосування кримінального законодавства за більше ніж 100 параметрами. Набір даних налічує близько 980 тисяч показників функціонування національної системи кримінальної юстиції. Передбачено окремий режим роботи застосунку, який дозволяє створювати власні візуалізації та набори даних, комбінувати параметри, визначати період спостережень, рівень узагальнення та необхідність обрахунку відносних значень. З використанням запропонованого застосунку здійснено аналіз основних тенденцій протидії злочинності в Україні, які можуть бути охарактеризовані наступним чином: разом із поступовим зменшенням кількості облікованих проваджень, зменшенням кількості засуджених осіб та пом’якшенням покарань, які призначаються, спостерігається недостатня реалізація публічного інтересу в належному функціонуванні системи кримінальної юстиції та недостатність конструктивної професійної комунікації; існують ризики падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності. Визначено, що попередження розвитку встановлених негативних тенденцій та мінімізація відповідних соціальних ризиків передбачає не тільки законотворчу та адміністративну роботу, необхідними також є раціоналізація протидії злочинності та зміна фокусу професійної комунікації у сфери кримінальної юстиції.
Ключові слова: data science, reproducible research, big data, протидія злочинності, кримінальна статистика.
Постановка проблеми. Статистичні дані дають змогу отримати уявлення про закономірності й тенденцій протидії злочинності. Їх аналіз є важливим складником процесу прийняття рішень у галузі кримінально-правового регулювання. Водночас однією з актуальних проблем сучасної науки про суспільство є криза реплікації. Результати багатьох досліджень неможливо отримати в спосіб їх повторення. Це ставить під сумнів зміст та обсяг знань про суспільство.
Головним наслідком кризи реплікації є втрата довіри до науки як такої. Неможливість відтворити дослідження нівелює якість наукових аргументів у суспільному дискурсі, піддає сумнівам доцільність їх використання. З іншого боку, процеси, скеровані на подолання проблем, зумовлених кризою реплікації, можуть розглядатися як шлях науки до нових репутаційних переваг [9]. Подолавши недовіру до результатів досліджень, наука спроможна закріпити позиції в соціальному дискурсі. Якісно новий рівень довіри до наукових розвідок здатна забезпечити можливість відтворення результатів дослідження, що досягається через використання відповідної методології.
Аналіз останніх досліджень і публікацій. «Зростаюча інтеграція технологій у наше життя надає доступ до безпрецедентних обсягів даних про повсякденну поведінку суспільства. Такі дані відкривають нові можливості для роботи в осмисленні наших складних соціальних систем у рамках нової дисципліни, відомої як обчислювальна соціальна наука (Computational Social Science)». Це зазначено в Маніфесті обчислювальної соціальної науки [7]. Методологія даної науки поділяється на такі групи, як: автоматизація збору даних, аналіз соціальних систем, соціальні геоінформаційні системи, моделювання соціальних систем тощо [2]. Дисципліна використовує комп’ютерне моделювання суспільства, дані, зібрані з мобільних та соціальних мереж, онлайн-експерименти із залученням сотень тисяч людей, для того щоб отримати відповіді на запитання, які раніше було неможливо дослідити. А. Манн влучно називає результати, що отримує дана наука, «поглядом на суспільство у великій розподільчій здатності (in high resolution)» [8].
Інтеграція інформатики та соціальних наук дає достатньо цікаві результати [3]. Методи обробки інформації ефективно застосовуються для розв’язання складних соціальних проблем. Серед них: встановлення особливостей внутрішньої структури соціальних груп на основі мережевого аналізу [12], автоматизована обробка звернень у системах електронного урядування (e-government) [5], алгоритмізація визначення фейкових новин [1], розв’язання проблем оптимізації оборони [13] тощо.
Обчислювальна соціальна наука розглядається як міждисциплінарне поле, яке включає математику, статистику, науку про дані (data science) та, звичайно ж, науку про суспільство (social science) [6]. Своєю чергою, data science визначається як набір фундаментальних принципів вилучення інформації та знань з даних [10]. Більш влучне визначення, на нашу думку, використовується у професійній сертифікаційній програмі «Аналіз даних від Google» – область досліджень, яка застосовує необроблені дані для створення нових способів моделювання та розуміння невідомого [4].
До основ ефективного запобігання суспільно небезпечним діянням обґрунтовано відноситься аналіз кількісних та якісних показників кримінальних правопорушень [16]. Запропоноване обґрунтування відокремленого існування «доказової кримінально-правової політики», при якій «впровадження засобів кримінально-правового впливу можливе тільки в тому випадку, якщо ефективність такого впровадження доведена» [28]. Одним із векторів розвитку прикладної кримінології є впровадження нових інструментів роботи з великими даними [20]. Розробка сучасної стратегії зменшення можливостей вчинення злочинів, можлива лише шляхом постійного моніторингу криміногенної ситуації в Україні, на підставі якого необхідно створити достовірну інформаційну модель аналізованої ситуації [14]. У цьому контексті використання методології Data Science для досліджень у сфері протидії злочинності слід розглядати як перспективне та затребуване. Саме таке дослідження нами проведено. Його результатом став інтерактивний довідник «Протидія злочинності в Україні» [24]. Його представлено у вигляді вебзастосунку, який інтегрує й дає можливість аналізувати дані, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2021 роки[1].
Формулювання цілей. Метою цієї роботи дослідження можливостей аналізу даних кримінальної статистики у форматі Data Science, формулювання на цьому ґрунті висновків щодо тенденцій кримінально-правового регулювання в Україні.
Виклад основного матеріалу. Методологія дослідження містить юридичний, алгоритмічний і технічний складники.
Юридичний полягає в тому, що вхідні дані ми розглядаємо з усталених і найбільш поширених позицій правової науки. Зокрема, це має відношення до змісту використовуваних у дослідженні понять «кримінальне правопорушення», «обліковане правопорушення», «вирок, що набрав чинності» тощо. Розгляд процесу протидії злочинності зумовлений змістом аналізованих статистичних звітів. Подаємо в загальних рисах розгляд процесу протидії злочинності, представлений у статистичних звітах. Певні події правоохоронні органи обліковують як такі, що потребують дослідження в межах кримінальних проваджень. У результаті досудового розслідування таких подій може бути прийнято рішення про скерування матеріалів провадження до суду. У такому разі можливі чотири варіанти: скерування матеріалів з обвинувальним актом, скерування клопотання про звільнення від кримінальної відповідальності, скерування клопотання про застосування примусових заходів медичного характеру, скерування клопотання про застосування примусових заходів виховного характеру. Розгляд матеріалів провадження в суді закінчується набранням чинності певним судовим рішенням. Такі рішення також можуть бути чотирьох різновидів: про засудження особи, про виправдання особи, про застосування примусових заходів медичного характеру та про закриття справи. Якщо особа визнається винною, реалізація кримінальної відповідальності може відбуватися в репресивній (призначення покарання) або ліберальній (звільнення від покарання) формах.
Також зауважимо щодо змін досліджуваних форм звітності. По-перше, до 2017 року Державна судова адміністрація обліковувала окремо покарання, призначені за сукупністю злочинів і сукупністю вироків. До звітів вносилися дані щодо покарань, призначених за одиничні злочини, та дані щодо остаточно призначених покарань у разі сукупності. Починаючи з 2018 року такий розподіл не ведеться. У розділі «Призначене покарання» обліковуються дані як щодо призначених покарань за одиничні злочини, так й остаточно призначені покарання за сукупністю злочинів і сукупністю вироків. Отже, використаний масив даних щодо призначених покарань є неоднорідним, така особливість має істотне значення для інтерпретації результатів. По-друге, до переліку підстав закриття справ до 2017 року належали, зокрема, закриття справи за відсутністю події, складу злочину чи недоведеністю обвинувачення та у зв’язку із застосуванням примусових заходів виховного характеру до неповнолітнього. Водночас, починаючи з 2018 року, обліковуються такі підстави закриття справ як відмова прокурора або потерпілого, його представника від обвинувачення в кримінальному провадженні та наявність вироку або ухвали про закриття кримінального провадження в тому самому обвинуваченні.
Алгоритмічний складник стосується особливостей проведення відтворюваного дослідження (reproducible research). Останнє передбачає здійснення певної послідовності дій, які виконує дослідник, та які згодом можуть повторити ті, хто відтворюють дослідження, що приводить до певного результату. Організація дослідження у такий спосіб забезпечує високий рівень довіри до результатів. У нашому разі ця послідовність така: збір даних; трансформація даних у форму, яка дає змогу автоматизованої обробки; автоматизована обробка даних; візуалізація; інтерпретація результатів. Збір даних відбувається в спосіб завантаження звітів, представлених на офіційних інтернет-представництвах Офісу Генерального прокурора України та Державної судової адміністрації України. Посилання на звіти додано до відповідних програмних скриптів. Їх виконання дає змогу отримати локальні копії вхідних даних. Трансформація даних у цьому дослідженні полягала в перетворенні звітів на дані, придатні для автоматизованого опрацювання («чисті» дані). На підставі аналізу особливостей структури вхідних звітів було розроблено скрипти очищення даних, виконання яких дало змогу отримати файли, що містять тільки показники кримінально-правового регулювання, властиві певним статтям Особливої частини КК. У цих файлах відсутні елементи, які утруднюють автоматизовану обробку (розмітка таблиць, підсумкові рядки, заголовки тощо). Скрипти автоматизованої обробки створюють з отриманих на попередньому етапі «чистих» даних добірки та узагальнення для дальших візуалізацій. Візуалізація здійснюється знову ж таки через виконання скриптів, що використовують добірки, отримані на попередньому етапі, і стандартні бібліотеки графічного представлення даних.
Технічний складник полягає в характеристиці застосованого програмного забезпечення. Для виконання завдань дослідження використовувалася мова програмування R, середа розробки програмного забезпечення з відкритим вихідним кодом RSudio. Розробку оболонки вебзастосунку здійснено з використанням Shiny R – програмного середовища для створення інтерактивних програмних продуктів із графічним інтерфейсом на основі мови програмування R. В онлайн-додатках до цієї розвідки представлено вихідні дані, дані, придатні до автоматизованої обробки, програмні коди для отримання первинних даних, їх обробки і візуалізації [18]. Усі використані програмні продукти та дані представлено у вільному доступі, що є додатковою гарантією можливості відтворення здійсненого дослідження
Таким чином, вихідним положенням нашого аналізу є розгляд кримінально-правового регулювання в контексті раціональної парадигми кримінального права. Ґрунтуючись на результатах досліджень проблем ефективності кримінально-правового регулювання (праці В. І. Борисова, А. Е. Жалінського, А. А. Музики, О. М. Костенка та ін.), сформульовано такі засади оцінки ефективності кримінально-правового регулювання:
1. Із позицій раціональної парадигми – оптимальний стан кримінального права визначається його відповідністю реальним соціальним потребам, відповідністю соціальних видатків на його реалізацію значимості та захищеності охоронюваних благ. При цьому до соціальних видатків належать не тільки матеріальні витрати на утримання правоохоронної та судової системи, а й інші соціальні наслідки застосування кримінального права – криміналізація суспільства, демографічні та соціально-культурні наслідки тощо.
2. Кримінально-правове регулювання здійснюється на двох рівнях – нормативному (законодавчому, правотворчому) та індивідуальному (правозастосовному), тобто включає як законотворення, так і правозастосування. Суб’єктами кримінально-правового регулювання на правотворчому рівні виступають Верховна Рада України, Конституційний Суд України (у частині визнання неконституційними окремих положень кримінального законодавства); на правозастосовному рівні – суди загальної юрисдикції [32].
3. Ураховуючи зазначене, ефективним (у контексті прагматичної парадигми) кримінально-правове регулювання є тоді, коли обсяг фактичних соціальних витрат на його реалізацію відповідає обсягу необхідних соціальних витрат, зумовленому законотворчою та правозастосовною діяльністю у сфері кримінально-правого регулювання.
Отже, ефективними законодавчими рішеннями у сфері кримінально-правового регулювання слід вважати такі, які забезпечують баланс соціальної значимості охоронюваних благ та обґрунтованого обсягу необхідних соціальних видатків, а саме того обсягу видатків, який держава та суспільство можуть виділити на забезпечення кримінально-правового регулювання. Ефективними рішеннями на правозастосовному рівні кримінально-правового регулювання слід вважати такі, які прийняті відповідно до чинного законодавства та вимагають здійснення соціальних витрат, що відповідають небезпечності конкретного вчиненого кримінального правопорушення [23; 25]. Належною реалізацією публічного інтересу у функціонуванні інститутів кримінальної юстиції слід вважати таку, коли більшість рішень на законодавчому та правозастосовчому рівнях кримінально-правового регулювання є ефективними й забезпечують раціональне використання соціального ресурсу.
Ключові тенденції, що характеризують кримінально-правове регулювання в Україні в період із 2013 по 2021 роки, такі: зменшення кількості облікованих проваджень (Рис. 1) і засуджених осіб, зменшення суворості покарань, що призначаються[2].
Рис.1.
Зменшення суворості покарань полягає в поступовому збільшенні частки штрафів у структурі призначених покарань. До 2016 року найчастіше призначалося позбавлення волі, але, починаючи з 2016 року, штрафи переважають, їх частка є найбільшою та складає від 38 % до 50 % (Рис. 2).
Рис. 2.
Можна вважати, що все означене свідчить про стійке зростання ефективності національного кримінально-правового регулювання. Менш суворі покарання забезпечують більш результативну протидію злочинності. Є підстави прогнозувати дальше стабільне зменшення злочинності. Водночас така гіпотеза пояснює далеко не всі встановлені характеристики національного кримінально-правового регулювання.
Найбільшу кількість осіб засуджено за кримінальні правопорушення проти власності, проти життя та здоров’я та сфері обігу наркотиків (Рис. 3).
Рис. 3
Причому, серед судових рішень щодо застосування ст. 125 КК, переважають рішення про закриття справ (Рис. 4,5).
Рис. 4.
Рис. 5.
Такий стан речей актуалізує проблему раціонального використання соціальних ресурсів для здійснення кримінально-правового регулювання. Чи можна вважати ефективним кримінально-правове регулювання у певній сфері, коли більшість судових рішень чисельнішої групи (рішень за ст. 125 КК) стосуються закриття справ? Актуальною видається оптимізація обсягів кримінально-правового регулювання у сфері правопорушень проти здоров’я.
Серед засуджених за кримінальні правопорушення проти власності найбільшу кількість засуджено за крадіжку, грабіж та шахрайство (Рис. 6)
Рис. 6.
Динаміка засуджених за крадіжку, грабіж та шахрайство характеризується зменшенням частки засуджених за кримінальні правопорушення, вчинені у складі груп (Рис. 7).
За очевидної відсутності фактичних даних про зменшення частки групових посягань на власність дана тенденція може свідчити про тривожне спрощення кримінально-правової протидії злочинним посяганням на власність. Сукупність судових рішень усе менше відбиває фактичні посягання на власність. До суду «доходять» переважно «прості» випадки вчинення посягань однією особою. Водночас більш небезпечні форми посягань на власність (вчинені групою осіб) не отримують відповідного представлення на рівні судових рішень
Рис. 7
Одна з гострих соціальних проблем – наркотизація [11]. Аналіз відповідного сегмента правозастосовчого рівня кримінально-правового регулювання свідчить про те, що кількість облікованих проваджень щодо кримінальних правопорушень, передбачених Розділом XIIІ Особливої частини КК, із 2013 по 2016 роки зменшується з 33 до 23 тисяч, а з 2017 по 2021 роки становить 28-29 тисяч. Подібну динаміку повторює і кількість засуджених осіб, яка з 2011 по 2016 роки зменшується з 18 до 9 тисяч і тримається на такому ж рівні (Рис. 8).
Рис. 8
Видається, що означені коливання пов’язані радше з процесами реформування підрозділів Національної поліції щодо протидії незаконному обігу наркотиків, а загальне падіння показників обліку й засудження не свідчить про те, що відповідна соціальна проблема набула меншої гостроти. Такий висновок підтверджує і динаміка засудження за кримінальні правопорушення, передбачені статтями 307 та 309 (Pис. 9).
Рис. 9.
У 2013 році за незаконні дії, пов’язані зі збутом наркотиків, було засуджено 3 363 особи, а за подібні дії, але не пов’язані зі збутом, – 12 468 осіб. У 2021 році подібні показники становили 7 145 та 585 осіб відповідно. Тобто, якщо в 2013 році на один розглянутий у суді факт збуту наркотиків припадало чотири факти незаконних дій, не пов’язаних зі збутом, то у 2021 році відповідне співвідношення становило 1 до 12. Зрозуміло, що засудження за збут наркотичних засобів потребує якісно іншого рівня складності досудового розслідування та судового розгляду. З огляду на зазначене, визнаємо, що динаміка протидії другій за поширеністю групі кримінальних правопорушень є такою, що свідчить радше про недостатню реалізацію публічного інтересу в належній кримінальній юстиції, ніж про зниження рівня відповідної злочинності.
Протидія кримінальним правопорушенням у сфері службової діяльності. Погодимося з висловленими у вітчизняній науці положеннями щодо виключної небезпечності та критично необхідної ефективності протидії корупції [30; 17; 21]. Водночас, у процесі дослідження правозастосовчого рівня кримінально-правової протидії корупції нами було встановлено, що протягом досліджуваного періоду суттєво змінилася структура засуджених осіб за кримінально-правовою кваліфікацією. Якщо до 2018 року більшість осіб засуджували за отримання неправомірної вигоди, то, починаючи з 2018 року, за пропозицію неправомірної вигоди Абсолютні значення ще більш промовисті: у 2013 році за отримання неправомірної вигоди засуджено 731 особу, за пропозицію – 80; у 2021 році за отримання неправомірної вигоди засуджено 99 осіб, за пропозицію – 843 (Рис. 10).
Процес був поступовим, відповідні тенденції зменшення / збільшення кількості засуджених осіб прослідковувалися протягом усього періоду спостережень. Крім того, за даними ДСА, починаючи з 2019 року серед засуджених за правопорушення, передбачені Розділом XVII Особливої частини, найбільшою є частка «працездатні, які не працювали і не навчалися». Розмір цієї частки збільшується від 34 % у 2019 році, до 47 % у 2021 (Рис. 11).
Рис. 10
Чи означає це, що головною проблемою протидії корупції в Україні стала пропозиція неправомірної вигоди? Чи відповідають результати функціонування кримінальної юстиції реальній соціальній ситуації? Чи можна стверджувати, що соціальні ресурси, які виділяються на протидію корупції, використовуються раціонально?
Рис. 11
Для відповіді на поставлені запитання ми провели розвідувальний контент-аналіз обвинувальних вироків за ст. 369 КК, які було винесено в 2020 році та представлено в базі інформаційно-аналітичної системи «Закон-онлайн». За названими ознаками було встановлено 404 судові рішення. Перші п’ять мали майже тотожні обставини та стосувалися пропозиції неправомірної вигоди поліцейським (прикордонникам) під час виконання ними службових обов’язків у складі добових нарядів (охорона громадського порядку, виконання обов’язків на пункті пропуску через державний кордон тощо). У всіх судових рішеннях йшлося про угоду щодо визнання винуватості. Вироки ухвалили судді судів Чернігівської, Сумської, Луганської, Волинської та Рівненської областей [15]. Тотожність обставин і географічний розподіл дають змогу розглядати отриману добірку судових рішень як репрезентативну для розвідувального аналізу.
Що ж до сформульованих запитань про відповідність фактичної судової практики соціальному запиту протидії корупції, вважаємо, що було отримано досить даних для негативної відповіді. Навряд чи сукупність актів застосування кримінального права, майже 4/5 якої являє собою засудження по угоді за пропозицію правоохоронцеві в складі добового наряду незначної неправомірної вигоди є такою, що відповідає соціальній потребі протидії корупції. У такому контексті зменшення кількості осіб, засуджених за кримінальні правопорушення у сфері службової діяльності, навряд чи свідчить про високу ефективність кримінально-правової протидії корупції. Водночас, враховуючи, що корупція розглядається як одна з умов з найбільшим впливом на збільшення рівня злочинності [19], встановлені тенденції є достатньо тривожними.
Не менш болісна соціальна проблема – безпека дорожнього руху. За даними Національної поліції, із 2017 року в ДТП гине приблизно дев’ять-десять осіб щодня. За даними Державної судової адміністрації, аналогічний період характеризується зменшенням кількості засуджених із 2 300 до 1 751 особи та збільшенням закритих справ із 1 772 до 2 278. Майже дзеркальна та, з огляду на специфіку показників, «герметична» зміна. При цьому переважна частина справ закривається у зв’язку з примиренням винного з потерпілим (Рис. 12).
Рис. 12.
Знову ж таки, можна сформулювати непросте запитання: зафіксована статистикою зміна тактики кримінально-правового забезпечення безпеки дорожнього руху – це соціальний тренд, що свідчить про більшу схильність потерпілих від ДТП до примирення, чи статистика відображає зростання непрофесійності досудового розслідування та впливу неформальних практик під час судового розгляду?
Період спостережень охоплює 8 років війни з рф (з 2014 по 2021 рік), і в цьому контексті значний інтерес має аналіз ефективності кримінально-правового регулювання у сфері основ національної безпеки. У вітчизняній науці представлено змістовний аналіз відповідних норм кримінального законодавства [26; 27; 31; 33]. Водночас, здійснений нами аналіз дозволяє проаналізувати проблему під кутом відображеного в кримінальній статистиці практичного досвіду застосування норм, що містяться в першому розділі Особливої частини КК. Починаючи з 2014 року, щороку обліковується близько 500 проваджень щодо правопорушень, передбачених Розділом І Особливої частини КК. Така кількість дорівнює близько 0,1 % від облікованих проваджень. Щороку за дані правопорушення засуджується до 200, частка серед всіх засуджених – від 0,1 до 0,3% (Рис. 13).
Рис. 13.
Обліковуються, головним чином, провадження щодо правопорушень, передбачених ст.ст. 110, 111 та 109 КК. Переважна кількість засуджених – за злочини, передбачені ст. 110 КК. До того ж 2019-2021 роки характеризуються найбільшою кількістю таких засуджених (Рис. 14).
Рис. 14
При тому, судові рішення, пов’язані з використанням статей Розділу І Особливої частини КК, характеризуються найменшим рівнем використання репресивної форми відповідальності серед усіх розділів Особливої частини КК. За період спостережень (2013-2014) середній рівень використання репресивної форми склав близько 60 %, у випадках засудження за злочини проти основ
національної безпеки – 14 % (Рис. 15).
Рис. 15.
Використання статті 110 КК (найбільша кількість засуджених серед всіх статей Розділу І КК) характеризується тим, що кількість засуджених до кількості облікованих проваджень відноситься як 3 до 5-ти. Водночас кількість осіб, яким призначено реальне покарання, до кількості облікованих проваджень – у співвідношенні 1 до 20 (Рис. 16).
Рис. 16.
Починаючи з 2017 року частка жінок серед засуджених за злочини, передбачені Розділом І Особливої частини КК, є найбільшою серед часток засуджених жінок за правопорушення, передбачені іншими розділами (Рис. 17).
Рис. 17.
За період спостережень частка жінок серед засуджених складає 12 %, для злочинів проти основ національної безпеки – більше 50 % (Рис.18).
Рис. 18.
Частка жінок засуджених за ст. 110 КК сягає 70 % (Рис. 19).
Рис. 19.
Часка засуджених, які вчинили злочин у віці понад 50 років, є найбільшою для засуджених за статтями Розділу І, та складає 38 % (Рис. 20).
Рис. 20.
Частка засуджених за злочини, передбачені Розділом І, віком від 50 років поступово збільшувалася з 2014 року (Рис. 21).
Рис. 21.
Починаючи з 2019 року, майже половина засуджених за ст. 110 КК, вчинили злочин у віці понад 50 років (Рис. 22).. Частка засуджених пенсіонерів є найбільшою для злочинів, передбачених Розділом І Особливої частини, та складає 17%.
Рис. 22.
Отже, використання кримінально-правових норм, що передбачають відповідальність за злочини проти основ національної безпеки характеризується:
Необхідність ефективного кримінально-правового регулювання у сфері національної безпеки є очевидною. Наявний досвід: а) наочно демонструє небезпеку включення до сфери кримінальної юстиції діянь зі спірною суспільною небезпечністю; б) вкотре актуалізує проблематику нечітких формулювань заборон та необхідності законодавчої визначеності [див. 22]; додає нових аргументів до дискусії щодо спеціальних видів звільнення від кримінальної відповідальності [див. 29]. Оновлення законодавства про кримінальну відповідальність має відбуватися в тому числі шляхом формулювання законодавчих запобіжників неефективного правозастосування. Можливо, є сенс не збільшувати обсяг кримінально-правового регулювання, а навпаки – скорочувати, фокусуючи зусилля правозастовчого рівня на дійсно небезпечних проявах
Наведені дані не вичерпують прикладів неоднозначних тенденцій фактичної практики кримінально-правового регулювання в контексті наявних соціальних потреб. Згадаймо, наприклад, зменшення кількості засуджених за незаконне поводження зі зброєю з одночасним збільшенням кількості закритих справ в умовах «чорного» ринку зброї, що зростає. Водночас звернемо увагу на загальну характеристику професійного дискурсу у сфері кримінальної юстиції. Досить усталеною є думка про те, що працівники правоохоронних органів проводять тривалу роботу щодо документування злочинних дій, а коли матеріали опиняються в суді, то використання неформальних практик дає змогу уникнути покарання. Не менш поширеною є й оцінка діяльності працівників правоохоронних органів як непрофесійної. Якість проведення досудового розслідування постійно падає, суди отримують такі матеріали, які унеможливлюють притягнення до відповідальності й призначення справедливого покарання. Тобто професійна комунікація фокусується на перекладанні відповідальності за неефективні дії щодо протидії злочинності між суб’єктами кримінально-правового регулювання. Водночас проведене дослідження об’єктивно показує поступове зменшення суворості покарання, зменшення частки обвинувальних вироків і кількості облікованих кримінальних проваджень, які не завжди зумовлені об’єктивними процесами зменшення злочинності.
Отже, як антитеза до висловленої попередньо гіпотези про загалом позитивну оцінку тенденцій та прогнозу протидії злочинності, може бути сформульована така інтерпретація результатів дослідження: через відсутність конструктивної професійної комунікації правоохоронних органів, прокуратури та судів публічний інтерес у належному функціонуванні системи кримінальної юстиції реалізовується не цілком. Непрофесійні дії під час обліку кримінальних проваджень, досудового розслідування та судового розгляду істотно зменшують ефективність протидії злочинності. Розповсюдження непрофесійних дій створює широке корупційне поле, критично збільшуючи можливість уникнення покарання. Є підстави прогнозувати падіння рівня суспільної довіри до соціальних інститутів, які забезпечують дотримання законів, та, як наслідок, зростання злочинності.
На наше переконання, реальний стан справ почасти передають як перша, так і друга гіпотези. Дійсно, спостерігається певне зменшення рівня злочинності, але водночас фактично існують означені негативні процеси у сфері кримінальної юстиції. Мінімізація ризиків розвитку цих процесів, окрім традиційних заходів (законодавчих, організаційних, адміністративних, технічних, інфраструктурних тощо), передбачає передусім зміну фокусу професійної комунікації, що має бути скерована не на пошук «слабких ланок», а на ефективну реалізацію публічного інтересу належного функціонування кримінальної юстиції.
Висновки. Розв’язана рфвійна проти нашої Держави змінила всі соціальні процеси, не виключенням є й протидія злочинності. На кінець травня 2022 структура облікованих проваджень істотно відрізняється від тенденцій описаних раніше. Загальна кількість облікованих проваджень склала 130 144. Кримінальних правопорушень проти власності – 40 573 (31,2 %, до 2022 року –близько 50 %). Кримінальних правопорушення проти миру, безпеки людства та міжнародного правопорядку – 15 096 (11,6 %, до 2022 року – до 0,1 %). Кримінальних правопорушень проти основ національної безпеки України – 7 178 (5,5 %, до 2022 року – до 0,2 %). Водночас проблема ефективного кримінально-правового регулювання в умовах війни набуває ще більшої актуальності, перемога потребує раціонального використання соціальних ресурсів. Встановлені в процесі дослідження тенденції дозволяють сформулювати основні напрями розв’язання даної проблеми.
Підсумовуючи вищевикладене, зазначимо:
References:
1. Bodunde, Akinyemi, Oluwakemi, Adewusi, Adedoyin, Oyebade (2020) An Improved Classification Model for Fake News Detection in Social Media. International Journal of Information Technology and Computer Science (IJITCS), vol. 12, 1, 34-43. DOI : 10.5815/ijitcs.2020.01.05. [in English].
2. Cioffi-Revilla, C. (2010) Computational Social Science. Wiley Interdisciplinary Reviews Computational Statistics, 2(3), May, 259-271. [in English]/
3. Edelmann, A., Wolff, T., Montagne, D., Bail, C. A. (2020) Computational Social Science and Sociology. The Annual Review of Sociology, 46, 61–81. URL : https:// doi.org/10.1146/annurev-soc-121919-054621. [in English].
4. Foundations: Data, Data, Everywhere by Google. [Internet resource] N. d. N. p. URL : https://www.coursera.org/learn/foundations-data/home/info. [in English].
5. Gunay, Y. (2020) Iskandarli Applying Clustering and Topic Modeling to Automatic Analysis of Citizens. Comments in E-Government. International Journal of Information Technology and Computer Science (IJITCS), vol. 12, 6, 1-10. DOI : 10.5815/ ijitcs.2020.06.01. [in English].
6. Hox, J. J. (2017) Computational Social Science Methodology, Anyone? Methodology, 13, 3-12. URL : https://doi.org/10.1027/1614-2241/a000127. [in English]
7. R. Conte, N. Gilbert, G. Bonelli, C. Cioffi-Revilla, G. Deffuant, J. Kertesz, V. Loreto, S. Moat, J. Nadal, A. Sanchez, A. Nowak, A. Flache, M. San Miguel, & D. Helbing (2012) Manifesto of Computational Social Science. European Physical Journal Special Topics (EPJST), vol. 214, issue 1, 325-346. URL : https://www.bibsonomy. org/publication/20c26ecde5981441fee65c48864bb02b6/everyaware_bib. [in English]
8. Mann, A. (2016) Core Concept: Computational social science. PNAS, January 19, 113 (3), 468-470. URL : https://doi.org/10.1073/pnas.1524881113. [in English]
9. Mede, N. G., Schäfer, M. S., Ziegler, R., & Weißkopf, M. (2021) The “replication crisis” in the public eye: Germans’ awareness and perceptions of the (ir)reproducibility of scientific research. Public Understanding of Science, 30 (1), 91–102. URL : https://doi.org/10.1177/0963662520954370. [in English]
10. Provost, F., Fawcett, T. (2013) Data Science and its Relationship to Big Data and Data-Driven Decision Making. Big Data, March 2013, 51-59. URL : http://doi. org/10.1089/big.2013.1508. [in English]
11. Ruslan Semenovych Orlovskyi, Anatoliy Trokhymovych Komziuk Bohdan Mykhailovich Orlovskyi, Taisa Vasylivna Rodionova. (2020) Contemporary forms and methods of counteracting narcotization of the youth. Amazonia Investiga, vol. 9, issue 28, 377-385. URL : https://amazoniainvestiga.info/index.php/amazonia/article/view/ 1332. [in English]
12. Sepide Fotoohi, Shahram Saeidi (2019) “Discovering the Maximum Clique in Social Networks Using Artificial Bee Colony Optimization Method”. International Journal of Information Technology and Computer Science (IJITCS), vol. 11, No. 10, 1-11. DOI: 10.5815/ijitcs.2019.10.01. [in English]
13. Tanmoy, Hazra, CRS, Kumar, Manisha, J. Nene (2017) Strategies for Searching Targets Using Mobile Sensors in Defense Scenarios. International Journal of Information Technology and Computer Science (IJITCS) Vol. 9, 5, 61-70. DOI : 10. 5815/ijitcs.2017.05.08. [in English]
14. Batyrhareieva, V. S., Babenko, A. M. (2020) Analiz suchasnoi kryminohennoi sytuatsii v Ukraini yak informatsiina model dlia rozrobky stratehii zmenshennia mozhlyvostei vchynennia zlochyniv. Arkhiv kryminolohii ta sudovykh nauk – Archive of Criminological and Judicial Sciences, 1, 39–54. URL : https://archive-criminology. com.ua/index.php/journal/article/view/2. [in Ukrainian].
15. Vyrok vid 06.05.2020 u spravi № 733/359/20 Bakhmatskyi raionnyi sud Chernihivskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com. ua/ru/catalog/court-document/102944679/ ; Vyrok vid 22.09.2020 u spravi № 585/ 1976/20 Romenskyi miskraionnyi sud Sumskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com.ua/catalog/court-document/99590195/ ; Vyrok vid 03.11. 2020 u spravi № 423/2591/20 Lysychanskyi miskyi sud Luhanskoi oblasti [Internet resource] (2020) N. p. URL : https://youcontrol.com.ua/catalog/court-document/ 96403383/ ; Vyrok vid 17.12.2020 u spravi № 162/686/20 Liubeshivskyi raionnyi sud Volynskoi oblasti [Internet resource] (2020) N. p. URL : https://lbs.vl.court.gov. ua/sud0309/ ; Vyrok vid 17.07.2020 u spravi № 566/1640/19 Mlynivskyi raionnyi sud Rivnenskoi oblasti (2020) N. p. URL : https://youcontrol. com.ua/ru/catalog/court-document/102944679. [in Ukrainian].
16. Vozniuk, A. A. (2016) Kontseptualni zasady zapobihannia suspilno nebezpechnym diianniam. Naukovyi visnyk Natsionalnoi akademii vnutrishnikh sprav- Scientific Bulletin of the National Academy of Internal Affairs, 2 (99), 156–165. URL : https://scientbul.naiau.kiev.ua/index.php/scientbul/article/view/179. [in Ukrainian].
17. Vozniuk, A. A. (2020) Koruptsiini kryminalni pravoporushennia: kontseptualni problemy v konteksti reformuvannia kryminalnoho zakonodavstva Ukrainy. Yurydychnyi chasopys Natsionalnoi akademii vnutrishnikh sprav – Juridical chapters of the National Academy of Internal Affairs, 2 (20), 21–32. DOI : https://doi. org/10.33270/04202002.21. URL : https://ojs.naiau.kiev.ua/index.php.lawjournal/arti cle/view/1288. [in Ukrainian]
18. Karchevskyi, M. V. (2021) Vkhidni dani, skrypty zbyrannia, ochyshchennia, obrobky ta pobudovy vizualizatsii dlia web-zastosunku. Interaktyvnyi dovidnyk “Protydiia zlochynnosti v Ukraini (2013-2021) – Interactive guide “Anti-malice in Ukraine (2013-2021)”. N. p. URL : https://github.com/Nicko lay78/Combating-Crime-in-Ukraine-2013-2021. [in Ukrainian]
19. Holovkin, B. M. (2020) Pro determinatsiiu zlochynnosti. Chasopys Kyivskoho universytetu prava – Chapters of the Kyiv University of Law, 1, 274–280. URL : http:// kul.kiev.ua//images//A/Chasopis/ CHAS20_1.pdf. [in Ukrainian]
20. Holovkin, B. M. (2020) Teperishnie i maibutnie kryminolohii. Problemy zakonnosti – Problems of legality, vyp. 149, 168–184. URL : http://plaw.nlu.edu.ua/issue/ view/12367/6456.
21. Holovkin, B. M. (2018) Mekhanizm zapobihannia koruptsii. Chasopys Kyivskoho universytetu prava – Chasopis of Kyiv University of Law, 4, 254–260. URL : http://nbuv.gov.ua/UJRN/ Chkup_2018_4_55. [in Ukrainian]
22. Zahynei-Zabolotenko, Z. A. (2020) Vyznachenist vs nevyznachenist kry minalnoho zakonodavstva Ukrainy. Pravo Ukrainy – Law of Ukraine, 67–80. URL : https://pravoua.com.ua/ua/store/pravoukr/pravo_2020_2/pravo_2020_2-s4/. [in Ukrainian]
23. Karchevskyi, M. V., Kudinov, A. S. Efektyvnist kryminalno-pravovoho rehuliuvannia v Ukraini. Visnyk Luhanskoho derzhavnoho universytetu vnutrishnikh sprav imeni E. O. Didorenka – Journal of the Lugansk State University of Internal Affairs named after E. О. Dydorenko, S. 101–114. URL : https://journal.lduvs.lg.ua/index. php/journal/article/view/537. [in Ukrainian]
24. Karchevskyi, M. V. (2021) Protydiia zlochynnosti v Ukraini : inforhrafika : interaktyvnyi dovidnyk. N. p. URL : https://karchevskiy.org/i-dovidnyk/.%5Bin Ukrainian]
25. Karchevskyi, M. V., Kudinov, A. S. Dosvid ekspertnoi otsinky kryzovykh yavyshch u sferi kryminalno-pravovoho rehuliuvannia. Visnyk Asotsiatsii kryminalnoho prava Ukrainy – Journal of the Ukrainian Association of Criminal Law, 1(8), 163–181. [in Ukrainian]
26. Kvasha, O. O. (2018) Pravo na samozakhyst v konteksti protydii zlochynnym posiahanniam na natsionalnu bezpeku Ukrainy. Pravova derzhava, vyp. 292-267. Kyiv: In-t derzhavy i prava im. V. M. Koretskoho NAN Ukrainy. URL : http://pravova-der zhava.org.ua/ua/zmist-nomeriv/pravova-derjava.vipusk-29-_2018.html. [in Ukrainian]
27. Kvasha O. O., Haponchuk V. V. Publichni zaklyky do vchynennia zlochyniv proty osnov natsionalnoi bezpeky Ukrainy (chch. 2, 3 st. 109, st. 110 KK Ukrainy). Derzhava i pravo: Zbirnyk naukovykh prats. Seriia Yurydychni nauky – State and Law: Collection of scientific works. Series of La., 83. Kyiv : Vyd-vo «Iurydychna dumka», 2019, 243-257. URL : http://idpnan.org.ua/ua/vidavn29. icha_dijalnist/derjava_i_pravo. html. [in Ukrainian]
28. Kozych, I. V. Kryminalno-pravova polityka: funktsii ta funktsionuvannia : monohrafiia / Ihor Vasylovych Kozych. Ivano-Frankivsk, Suprun V. P. [in Ukrainian]
29. Lutsenko, Yu. V. (2018) Kryminalni ta kryminalni protsesualni aspekty zvilnennia vid kryminalnoi vidpovidalnosti za zlochyny, pidslidni orhanam bezpeky. Nashe pravo – Our right, 2, 96–104. URL : http://nashe-pravo.unesco-socio.in.ua/wp-content/ uploads/archive/NP-2018-2/NP-2018-2.pdf. [in Ukrainian]
31. Lutsenko, Yu. V. (2020) Protydiia zlochynnosti v suchasnykh umovakh. Sotsialno-pravovi studii – Sotsial’no-legal studii, vyp. 1(7), 79–84. URL : http://www. sls.lvduvs.edu.ua/docu-ments_pdf/arhiv/sps_01(7)_2020/12.pdf. [in Ukrainian].
31. Lutsenko, Yu. V. Poniattia ta zmist voiennoi bezpeky Ukrainy u svitli suchasnykh vyklykiv ta zahroz. Aktualni problemy mizhnarodnykh vidnosyn – Actual Problems of International Relations, vyp. 137, 33‒47. URL : http://apir.iir.edu.ua/index. php/apmv/article/view/3650. [in Ukrainian]
32. Naden, O. V. (2012) Teoretychni osnovy kryminalno-pravovoho rehuliuvannia v Ukraini : monohrafiia / O. V. Naden ; Nats. un-t «Iuryd. akad. Ukrainy im. Yaroslava Mudroho». Kharkiv : Pravo. [in Ukrainian]
33. Yanko V. M. (2019) Kryminalna vidpovidalnist za zlochyny proty osnov suverenitetu ukrainskoho narodu [Tekst] : monohrafiia / V. M. Yanko. Sievierodonetsk: RVV LDUVS im. E. O. Didorenka. [in Ukrainian]
Стаття надійшла до редколегії 06.06.2022
Karchevsky M., Doctor of Law, Professor, First Vice-Rector of the Luhansk State University of Internal Affairs named after E.O. Dydorenko (Sievierodonetsk, Ukraine)
COMBATING CRIME IN UKRAINE IN DATA SCIENCE FORMAT
The article presents a review of one of the first attempts to systematize statistical data on combating crime in the format of a reproducible research using the Data Science methodology. The result of the investigation was the interactive guide “Combating crime in Ukraine”. The directory is presented in the form of a web application that integrates and provides an opportunity to analyze the data contained in the reports of the Office of the Prosecutor General of Ukraine and the State Judicial Administration for 2013–2021. It contains about 5,000 visualizations, allows analysis of the application of criminal legislation more than 100 parameters.
The data set includes about 980,000 indicators of the functioning of the national criminal justice system. A separate mode of operation of the application is provided, which allows you to create your own visualizations and data sets, combine parameters, determine the observation period, the level of generalization and the need to calculate relative values.
Using the suggested application, an analysis of the main trends in combating crime in Ukraine was carried out, which can be characterized as follows: at the same time the gradual decrease in the number of recorded proceedings, the decrease in the number of convicted persons and the mitigation of punishments that are imposed, there is an insufficient realization of the public interest in the proper functioning of criminal justice system and lack of constructive professional communication; there are risks of a fall in the level of public trust in social institutions that ensure compliance with laws and, as a result, an increase in crime.
It was determined that prevention of the development of established negative trends and minimization of relevant social risks requires not only legislative and administrative work, but also the rationalization of combating crime and changing the focus of professional communication in the field of criminal justice.
Keywords: Data Science, reproducible research, big data, combating crime, criminal statistics.
[1] У довіднику систематизовано щорічні статистичні звіти (2013-2021) Офісу Генерального Прокурора України та Державної судової адміністрації України: Єдиний звіт про кримінальні правопорушення. Форма №1 (ОГП); Звіт про осіб, притягнутих до кримінальної відповідальності та види кримінального покарання. Форма №6 (ДСА); Звіт про склад засуджених. Форма № 7 (ДСА).
[2] Тут і далі наводитимуться візуалізації з інтерактивного довідника: Карчевський М. В. Протидія злочинності в Україні: інфографіка [14].
Для роботи з довідником переходьте за посиланням.
Інновації та імітації можуть розглядатися як найбільші виклики протидії корупції в нашій країні.
Інновації. Поява технологій розподіленого зберігання даних (BlockChain) та заснованих на таких технологіях криптовалютних платіжних систем істотно змінює процес протидії злочинності. Трансформуються форми корупції, з’являються нові види неправомірної вигоди, оновлюються методи легалізації злочинних доходів. Водночас, як будь-який соціальний процес, поширення криптовалюти та технології BlockChain має діалектичні наслідки. З одного боку, криптовалюти стали новим інструментом злочинців. З іншого – наявність у відкритому доступі всієї бази даних транзакцій у системі криптовалюти дає правоохоронцям принципово нові інструменти боротьби зі злочинністю[1]. Крім цього, BlockChain, який забезпечує наднадійне зберігання вважливих даних, розглядається як один з ефективних засобів протидії корупції[2], створюючи нові можливості для реалізації проєктів електронної демократії.
Таким чином, вплив віртуальних активів на протидію корупції слід розглядати у трьох вимірах: 1) новий вид неправомірної вигоди; 2) нові можливості протидії злочинності; 3) антикорупційний потенціал технологій розподіленого зберігання даних.
На вересень 2021 року у Єдиному державному реєстрі судових рішень було обліковано 52 обвинувальних вироки, що стосувалися використання криптовалюти. 36 – використання криптовалюти для незаконного обігу наркотиків, 11 – розповсюдження шкідливого програмного забезпечення для прихованого майнінга криптовалюти, 4 – продаж даних, 1 – шахрайство. Очевидно, що така кількість судових рішень є вкрай незначною і сама по собі не може свідчити про значний рівень використання криптовалюти злочинцями в Україні. Водночас, актуальні експертні дослідження свідчать про те, що рівень використання криптовалюти у національному сегменті злочинності є значним. Відповідно до The Chainalysis 2021 Crypto Crime Report [4] Україна посідає третє місце (після РФ та США) за обсягом транзакцій на електронні гаманці, асоційовані з інтернет магазинами наркотиків, які функціонують в darknet. Загальний обсяг транзакцій з України на гаманці інтернет магазинів та з гаманців інтернет магазинів на Україну склав у 2020 році близько $100 млн.
Поза увагою міжнародних експертів не залишилося й прийняття в Україні Закону «Про віртуальні активи». Оглядачка Foreign Policy Елізабет Броу розмірковує про перспективи легалізації віртуальних активів в Україні та зазначає наступне: «…до значного рівня корумпованості додається інструмент, який надає корупціонерам нові можливості … на кінець березня 2021 року українські державні службовці задекларували 46,351 біткоїнів, що складає близько $1.7 мільярда … Україна намагається отримати $2.2 мільярди від МВФ у 2021 році». Та підсумовує: «Велика ставка Києва на цифрові гроші може мати негативні наслідки і погіршити корупційні проблеми країни»[5].
Враховуючи зазначене, вкрай важливою є мінімізація корупційних ризиків легалізації національного ринку криптовалют. Основними напрямами роботи тут мають стати: локалізація успішних практик правоохоронних органів, законодавче забезпечення та використання антикорупційного потенціалу BlockChain.
Технологічне оновлення злочинної діяльності потребує актуалізації професійних компетенцій правоохоронців, працівників прокуратури та судів. Структуру необхідних знань та навичок можна визначити наступним чином: 1) встановлення ознак використання віртуальних активів у злочинній діяльності; 2) блокчейн аналітика; 3) персоналізація власників віртуальних активів та вилучення віртуальних активів.
Перша складова стосується загальних знань принципів функціонування криптовалютних платіжних систем. Наприклад як може виглядати публічна адреса електронного гаманця або геш транзакція певної криптовалюти, якими бувають та як можуть виглядати засоби доступу до електронних гаманців, що собою представляє послідовність для відновлення доступу до гаманця (seed) та як її можна використати у подальшому розслідуванні.
Друга відноситься до нових можливостей, які надають правоохоронцям наявні у відкритому доступі розподілені бази даних про транзакції в криптовалютних платіжних системах. Це вміння та навички пошуку даних про транзакції, узагальнення даних пошук опосередкованих зв’язків тощо. Такими є використання OSINT підходів та спеціалізованого програмного забезпечення. Наприклад, існує ресурс Bitcoin Abuse Database (https://www.bitcoinabuse.com) який надає інформацію про встановлені адреси електронних гаманців, що використовуються у протиправній діяльності. Програмне забезпечення Walletexplorer.com, Graphsense.info, Chainanalysis дозволяє аналізувати взаємозв’язки між транзакціями, встановлювати в решті-решт схеми потоків кримінальних фінансів.
Третя складова необхідних знань стосується фіксації операцій з віртуальними активами та їх вилучення. Сьогодні правоохоронні органи не мають порядку, який би передбачав алгоритм фіксації операцій з криптовалютою, так само як і способів вилучення віртуальних активів. Водночас, легалізація ринку віртуальних активів вимагає термінового усунення цієї прогалини. Загалом, існуючі кримінальні процесуальні засоби у вигляді НС(Р)Д дозволяють цілком впоратись з виявленням та фіксацією інформації про криптовалюти, шляхом поєднання двох основних способів фіксації інформації про підготовку або вчинення злочинів із використанням інформаційно-телекомунікаційних технологій: візуальний, пов’язаний із зовнішнім сприйняттям (візуальним оглядом) інформації, розміщеної на веб ресурсі, яка подається на пристрій виведення інформації (монітор)); технологічний, пов’язаний із застосуванням можливостей спеціального програмного забезпечення для фіксації даних.
Що ж до збереження та використання у кримінальному процесі вилучених віртуальних активів, то сьогодні відсутні організаційно-методичні можливості фіксації операцій з криптовалютами та їх вилучення для подальшого використання у кримінальному процесі. Враховуючи важливість та необхідність виявлення, документування та процесуального використання відомостей щодо незаконних операцій під час вчинення кримінально караних діянь предметом розрахунку в яких виступає криптовалюта доцільно розглянути можливість розробки відповідного порядку (настанови, інструкції) у якому передбачити тактичні аспекти фіксації з використанням комплексу НС(Р)Д та алгоритм дій щодо вилучення криптовалюти та її збереження до прийняття рішення по справі.
Доцільним є введення у правоохоронних органах посад розпорядників віртуальних активів та фінансового обліку таких даних. Адже, сьогодні факти вчинення злочинів з використанням криптовалют не отримують належного реагування через відсутність організаційно-технічного забезпечення вказаного процесу. Зокрема, навіть у випадку фіксації операції з криптовалютою під час вчинення злочину та її документальним підтвердженням технічно відсутня можливість вилучення криптовалюти та блокування електронного гаманця. Єдиним виходом у даній ситуації є створення окремого електронного гаманця, розпорядником якого буде правоохоронний орган в особі окремого співробітника й на якому буде зберігатись вилучена криптовалюта до відповідного рішення у справі. Власне вилучення криптовалюти пропонується організовувати як транзакцію на електронний гаманець, що контролюється правоохоронними органами.
Нарешті, як зазначалося раніше, вплив технологій blockchain на протидію корупції не обмежується новими аспектами злочинної діяльності та відповідними компетенціями правоохоронців. Важливою складовою соціального впливу нових технологій є можливість інноваційних антикорупційних проєктів. Так, у листопаді 2018 року повідомлялося про успішне завершення експерименту з віддаленого голосування за допомогою BloсkChain платформи Voatz. Експеримент відбувся у Західній Вірджинії. Зазначалося, що в процесі проміжних виборів віддалено змогли проголосувати 144 військових, які знаходилися в 24 країнах[6]. Крім США подібні електоральні платформи використовують у Японії, Швейцарії, Південній Кореї[7], Каталонії[8], Таїланді [9] тощо. Влада Канади запустила тестову версію системи, яка через BloсkChain забезпечує прозорість розподілу державних грантів[10]. Австрія використовує дану технологію для організації аукціону державних облігацій[11].
Від інновацій перейдемо до імітацій. Проведене нами дослідження національної кримінальної статистики [13] дозволило встановити важливі тенденції протидії злочинності в Україні. Було встановлено, що протягом 2013-2020 років суттєво змінилася структура засуджених осіб за кримінально-правовою кваліфікацією. Якщо до 2018 року більшість осіб засуджували за отримання неправомірної вигоди, то починаючи з 2018 року – за пропозицію неправомірної вигоди. Абсолютні значення ще більш промовисті: у 2014 році за отримання неправомірної вигоди засуджено 445 осіб, за пропозицію – 106; у 2020 році за отримання неправомірної вигоди засуджено менше 81 осіб, за пропозицію – 598. До того ж процес був поступовим, відповідні тенденції зменшення / збільшення кількості засуджених осіб прослідковувалися протягом усього періоду спостережень. Чи означає це, що головною проблемою протидії корупції в Україні стала пропозиція неправомірної вигоди? Чи відповідає офіційна статистика реальній соціальній ситуації?
Для відповіді на поставлені запитання ми провели розвідувальний контент-аналіз обвинувальних вироків за ст. 369 КК, які було винесено в 2020 році та представлено в базі інформаційно-аналітичної системи «Закон-онлайн». За названими ознаками було встановлено 404 судові рішення. Перші п’ять мали майже тотожні обставини та стосувалися пропозиції неправомірної вигоди поліцейським (прикордонникам) під час виконання ними службових обов’язків у складі добових нарядів (охорона громадського порядку, виконання обов’язків на пункті пропуску через державний кордон тощо). У всіх судових рішеннях йшлося про угоду щодо визнання винуватості. Вироки ухвалили судді судів Чернігівської, Сумської, Луганської, Волинської та Рівненської областей[3]. Тотожність обставин і географічний розподіл дають змогу розглядати отриману добірку судових рішень як репрезентативну для розвідувального аналізу.
Що ж до сформульованих запитань про відповідність фактичної судової практики соціальному запиту протидії корупції, вважаємо, що було отримано досить даних для негативної відповіді. Навряд чи сукупність актів застосування кримінального права, майже 4/5 якої являє собою засудження по угоді за пропозицію правоохоронцеві в складі добового наряду незначної неправомірної вигоди є такою, що відповідає соціальній потребі протидії корупції. У такому контексті зменшення кількості осіб, засуджених за кримінальні правопорушення у сфері службової діяльності, навряд чи свідчить про високу ефективність кримінально-правової протидії корупції.
В якості пропозицій для продовження дискусії пропонуємо наступні:
ЛІТЕРАТУРА
Доступність інформаційних технологій та даних офіційної кримінальної статистики дають нагоду використовувати методологію Data Science, здійснюючи цілком відтворювані кримінологічні дослідження. Саме таке дослідження пропонуємо ми. Подані в праці візуалізації дають змогу охарактеризувати зміст даних щодо протидії злочинності в Україні, що містяться у звітах Офісу Генерального прокурора України та Державної судової адміністрації за 2013–2020 роки. Результати роботи може бути використано для формулювання висновків щодо загальних тенденцій протидії злочинності в Україні, а також як емпірична база й підґрунтя побудови гіпотез дальших досліджень. Усі дані оброблялися лише автоматизовано. На їх підставі, знову ж таки програмним способом, будувалися візуалізації, що використовуються для формулювання висновків. В онлайн-додатках до цієї розвідки представлено вихідні дані, дані, придатні до автоматизованої обробки, програмні коди для отримання первинних даних, їх обробки й візуалізації, графічні файли візуалізацій.
Сайт професора Карчевського 