close

Вход

Забыли?

вход по аккаунту

?

Моделирование процессов наркотизации населения на основе комплексных сетей

код для вставкиСкачать
ФИО соискателя: Митягин Сергей Александрович Шифр научной специальности: 05.13.18 - математическое моделирование, численные методы и комплексы программ Шифр диссертационного совета: Д 212.227.06 Название организации: Санкт-Петербургский национальный
На правах рукописи
Митягин Сергей Александрович
МОДЕЛИРОВАНИЕ ПРОЦЕССОВ НАРКОТИЗАЦИИ НАСЕЛЕНИЯ
НА ОСНОВЕ КОМПЛЕКСНЫХ СЕТЕЙ
Специальность 05.13.18 – Математическое моделирование,
численные методы и комплексы программ
АВТОРЕФЕРАТ
диссертации на соискание ученой степени
кандидата технических наук
Санкт-Петербург – 2012
2
Работа выполнена на кафедре Информационных систем в СанктПетербургском
национальном
исследовательском
университете
информационных технологий, механики и оптики
Научный руководитель:
доктор технических наук
Бухановский А.В.
Официальные оппоненты:
доктор технических наук,
профессор Гергель В.П.
кандидат технических наук,
доцент Лебедев И.С.
Ведущая организация:
Институт системного анализа РАН
Защита состоится 6 мая 2012 г. в 15:30 на заседании диссертационного совета
Д 212.227.06 в НИУ ИТМО по адресу: 197101, г. Санкт-Петербург,
Кронверкский пр., д. 49.
С диссертацией можно ознакомиться в библиотеке Санкт-Петербургского
национального
исследовательского
университета
информационных
технологий, механики и оптики.
Автореферат разослан 27 апреля 2012 г.
Ученый секретарь диссертационного совета
доктор технических наук, профессор
Лисицына Л.С.
3
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. Мониторинг и анализ ситуации, связанной с
незаконным оборотом наркотиков (далее − наркоситуации), – одна из
актуальных задач государственной антинаркотической политики1. Специфика
наркомании обусловлена скрытым (криминальным) характером процессов ее
распространения, что ограничивает возможности их детального наблюдения.
Как следствие, при исследовании процессов вовлечения общества в
незаконный оборот наркотиков, наркотизации населения (НН), требуются
косвенные методы, позволяющие осуществлять прогнозирование процессов
НН в зависимости от динамики социально-экономической обстановки в
регионе. Научные работы Б.В. Боева, В. Вайдлих, И.Н. Гурвича, А.А.
Куклина, В.Я. Райцина, А.И. Татаркина, В.И. Стародубова, В.А. Цыбатова и
ряда других исследователей внесли существенный вклад в развитие
теоретических основ и практических решений в области моделирования
процессов НН.
Криминальный и скрытый характер распространения наркотиков
делает невозможным получение оценок наркоситуации путем прямого
наблюдения. Вместе с тем не изучены причины, по которым индивидуумы
начинают принимать наркотики в силу образования потребителями
достаточно закрытых сообществ. Использование современных средств сбора
и обработки данных о распространении наркомании в совокупности с
методами математического моделирования сложных систем дает
возможность детализировать описание процессов НН на уровне индивидуума
исходя из особенностей и феноменологии исследуемого явления. Это
позволяет рассматривать процессов НН как вероятностный процесс на
контактной сети сложной структуры с динамически изменяющимися
свойствами, определяемыми как внешними (социальными, экономическими,
политическими), так и внутренними (психологическими) факторами. Такая
постановка задачи требует разработки методов математического
моделирования и прогнозирования распространения наркомании, что и
определяет актуальность темы диссертации.
Предметом
исследования
настоящей
диссертации
является
математическая модель вовлечения общества в незаконный оборот
наркотиков и наркоманию на контактных сетях, позволяющая решать задачи
анализа и прогнозирования процессов НН.
Целью работы является создание метода математического
моделирования процессов НН на уровне индивидуума в рамках формализма
комплексных сетей.
1
Федеральный закон Российской Федерации «О наркотических средствах и психотропных веществах» от 25.12.2008 №
278-ФЗ. Указ Президента РФ от 09.06.2010 № 690 «Об утверждении Стратегии Государственной антинаркотической
политики Российской Федерации до 2020 года». Постановление Правительства РФ от 20.06.2011 № 485 «Об
утверждении Положения о государственной системе мониторинга наркоситуации в Российской Федерации».
4
Задачи исследования:
· анализ и обоснование требований к методу математического
моделирования процессов НН исходя из обзора существующих
математических моделей для прогнозирования наркоситуации и
поддержки принятия управленческих решений;
· разработка базовой математической модели, описывающей динамику
вовлечения индивидуумов в незаконный оборот наркотиков и заболевания
наркоманией;
· разработка метода моделирования и прогноза процессов НН,
позволяющего выявить зависимость динамики распространения
наркомании в заданном регионе от социально-экономических факторов;
· валидация модели наркотизации населения на основе данных мониторинга
социальных сетей по выявлению пользователей, использующих лексику
потребителей и распространителей наркотиков;
· применение разработанного метода для анализа и прогноза тенденций
развития ситуации, связанной с незаконным оборотом наркотиков и
распространением наркомании (далее – наркоситуации) в СанктПетербурге.
Методы исследования включают системный анализ и теории систем,
имитационное моделирование эпидемий, моделирование на основе
комплексных сетей, а также методы планирования эксперимента, теории
вероятностей и математической статистики.
Научную новизну результатов работы определяют:
· применение аппарата комплексных сетей в задачах моделирования
процессов НН на уровне индивидуума, что позволяет отразить реальную
структуру населения и феноменологию распространения наркомании;
· использование зависимостей между вероятностными характеристиками
распространения информации в контактной сети и макромасштабными
социально-экономическими,
политическими
и
психологическими
факторами при прогнозировании развития наркоситуации в заданном
регионе.
Практическую ценность работы составляют:
· подход к прогнозированию наркотизации общества на основе
статистических данных о структуре населения, социально-экономическом
и психологическом уровне развития территории, что является важной
составляющей работ по противодействию незаконному обороту
наркотиков и распространению наркомании;
· подход к оценке величины скрытого контингента потребителей
наркотиков на основе данных моделирования процессов НН, что
позволяет адекватно оценивать уровень угрозы обществу от наркомании.
На защиту выносятся
· Метод математического моделирования процессов НН на уровне
индивидуума, основанный на приведении описания вероятностного
5
процесса распространения наркомании на контактной сети к системе
матричных разностных уравнений.
· Метод прогнозирования процессов НН с учетом половозрастной
структуры населения, а также внешних социальных, экономических,
политических и психологических факторов, оцениваемых на основе
данных государственной статистики, социологических исследований и
данных мониторинга социальных сетей.
Внедрение результатов работы. Результаты работы нашли
применение при выполнении проектов: НИР «Разработка webориентированного производственно-исследовательского центра в области
социодинамики и ее приложений» ФЦП «Исследования и разработки по
приоритетным направлениям развития научно-технического комплекса
России на 2007−2013 гг.» и «Распределенные экстренные вычисления для
поддержки принятия решений в критических ситуациях» в рамках
реализации постановления Правительства РФ № 220 «О мерах по
привлечению ведущих ученых в российские образовательные учреждения
высшего профессионального образования». Результаты работ внедрены в
деятельность Санкт-Петербургского информационно-аналитического центра
(СПб ГУП «СПб ИАЦ») по организации мониторинга и анализа
наркоситуации в Санкт-Петербурге. Результаты работы используются в
учебном процессе подготовки слушателей Северо-Западного института
повышения квалификации Федеральной службы по контролю за оборотом
наркотиков (ФСКН России).
Апробация работы. Полученные в работе результаты обсуждались на
семи международных и всероссийских научных конференциях, семинарах и
совещаниях, включая международную конференцию «Региональная
информатика» (2010 г., Санкт-Петербург), IV Санкт-Петербургский конгресс
«Профессиональное образование, наука, инновации в 21 веке» (2010 г.,
Санкт-Петербург), международную научную школу «Моделирование и
анализ безопасности и риска в сложных системах» (2011 г., СанктПетербург),
международную
научно-практическую
конференцию
«Антинаркотическая
политика:
история,
современное
состояние,
перспективы» (2011 г., Москва), V всероссийскую научно-практическую
конференцию «Имитационное моделирование. Теория и практика» (2011 г.,
Санкт-Петербург), XIV всероссийскую объединенную конференцию
«Интернет: инновационные технологии и инженерные разработки» (2011 г.,
Санкт-Петербург), международную научно-практическую конференцию
«Деятельность правоохранительных органов и специальных служб в сфере
противодействия незаконному обороту наркотиков: вопросы организации,
координации, взаимодействия и международного сотрудничества» (2011 г.).
Публикации. По теме диссертации опубликованы 24 печатные работы
(из них 8 — в изданиях из перечня ведущих рецензируемых научных
журналов и изданий, рекомендованных ВАК РФ).
6
Личный вклад автора в работах, выполненных в соавторстве,
заключался в выполнении аналитического обзора в проблемной области
диссертационной работы, адаптации комплексной сетевой модели к задаче
распространения
наркомании,
разработке
матричной
модели
прогнозирования наркотизации населения на основе сетевой модели,
разработке методов планирования антинаркотической деятельности, а также
проведении серии экспериментов по оценке эффективности принимаемых
антинаркотических программ.
Структура и объем работы. Диссертация состоит из введения, четырех
глав, заключения и списка литературы (137 наименований). Содержит 130 с.
текста, включая 39 рис. и 12 табл.
СОДЕРЖАНИЕ РАБОТЫ
Во введении обоснована актуальность проблемы, сформулированы
цель и задачи исследования, представлены основные положения, выносимые
на защиту, отмечены научная новизна и практическая ценность полученных
результатов.
В первой главе проведен аналитический обзор моделей наркотизации
населения на основе печатных источников и данных Интернета. При анализе
использован подход к наркомании как криминальному явлению,
клиническому заболеванию, поведенческому отклонению.
В
рамках
настоящей
работы
распространение
наркотиков
рассматривается как процесс сетевого маркетинга, осуществляющийся при
личном контакте продавцов и покупателей наркотиков. При этом выделяется
группа риска в составе населения региона на основе исходной информации и
распространенности наркокультуры в обществе. Наркотизация населения
рассматривается как эпидемический процесс, что позволяет применять
математический аппарат моделирования развития эпидемий. При
моделировании
эпидемических
процессов
применяются
системы
дифференциальных уравнений популяционной динамики, характеризующие
изменение численности соответствующих групп населения. Однако такой
подход требует учета большого числа параметров, оценка которых может
быть получена только экспертным путем, это в свою очередь затрудняется
скрытым характером процессов.
Результаты проведенного анализа показали, что наркотизацию
целесообразно описывать как вероятностный процесс на контактной сети
сложной
структуры
с
динамически
меняющимися
свойствами,
определяемыми
как
внешними
(социальными,
экономическими,
политическими), так и внутренними (личностными, психологическими)
факторами.
Вторая глава посвящена разработке метода моделирования процессов
НН на основе сетевой модели, параметрами которой являются
макромасштабные факторы распространения наркомании. Сетевая модель
позволяет описать процесс НН исходя из феноменологии наркомании. Лица,
7
вовлекаемые в процесс распространения наркотиков, могут находиться в
одном из следующих состояний (рис. 1): имеющие иммунитет к наркомании
(I); входящие в группу риска (S); состоящие на учете в учреждениях лечения
и реабилитации с диагнозом «синдром зависимости от наркотических
веществ» (Y); принимающие психоактивные вещества и не состоящие под
наблюдением (X); распространители наркотических веществ (D). На схеме
также указаны: общее население территории (P); лица, к которым применена
мера наказания в виде лишения свободы (M).
P
I
S
S
D
X
M
X
Y
Y
M
M
D
Y
Рис. 1. Структура состояний процесса распространения наркомании.
Наркотизация общества рассматривается как цепная реакция процесса
передачи наркотиков от источника к лицам из группы риска. При сетевом
моделировании
данный
процесс
представляется
взвешенным
неориентированным графом G . Граф G определяется как совокупность
(V , E ) конечного множества вершин V , dim(V ) = N , и множества ребер E ,
состоящего из множества неупорядоченных пар (u , v) , где u , v Î V и u ¹ v .
Вершиной графа является индивид, находящийся в одном из
феноменологических состояний. Ребрами графа G являются социальные
связи между индивидами. Эволюция сети социальных связей,
представленной графом G , может быть описана посредством оператора
эволюции сети, действующего на множестве BW :
(V , E, f ) t +1 = G(V , E, f ) t , (V , E, f ) t =0 = (V0 , E0 , f 0 ) ,
(1)
где параметр f определяет вероятность смены состояния вершин; G –
оператор, отвечающий за эволюцию во времени отдельных узлов.
Эволюционный оператор G является композицией компонентов
G = G3 Ä G1 Ä G2 Ä G4 Ä GK ,
(2)
где G1 − появление новой вершины (индивидуума) с вероятностью pV
вследствие рождения или миграционного прироста; G2 − удаление вершины с
вероятностью qV вследствие гибели или миграционной убыли; G3 −
появление нового ребра с вероятностью p E вследствие вхождения вершины в
сообщество или смены социального статуса; G4 − удаление ребра с
вероятностью qE вследствие удаления одной из вершин, выхода вершины из
8
сообщества или смены социального статуса; GK – оператор смены состояния
вершины согласно схеме, представленной на рис. 1.
а)
G2 Ä G4 Ä Gk
D
D
D
G2 Ä G4 Ä Gk
I
S
I
S
I
S
S
S
G2 Ä G3 Ä G4 Ä Gk
D
б)
I
S
I
S
в)
S
S
S
S
X
S
S
I
Y
Y
D
I
S
S
Y
Y
Y
X
I
I
S
Y
D
G1 Ä G2 Ä G3 Ä G4 Ä Gk
D
I
X
I
S
Y
S
I
S
S
Y
G2 Ä G3 Ä G4 Ä Gk
X
G1 Ä G2 Ä G3 Ä G4 Ä Gk
D
I
S
S
D
I
S
S
S
I
S
I
Y
X
F
Y
I
Y
S
Рис. 2. Схема наркотизации населения в рамках микромасштабной сетевой модели.
Каждый узел может находиться в одном из состояний K (V ) . На рис. 2
приведены примеры наркотизации общества: а) статические связи и
постоянное количество узлов, данная форма имеет место в достаточно узких
социальных кругах, например, криминальных сообществах; б) постоянное
количество узлов и переменные связи, такая форма характерна для закрытых
сообществ, содержащих большое число членов, например крупной
организации или сети организаций; в) переменное количество узлов и связей
соответствует открытым сообществам.
С учетом половозрастной структуры лиц (вершин графа G ) смена
состояний графа может быть записана в виде системы матричных уравнений
K t +1 = Fa × Fb × K t ,
(3)
æ r11K (V ) (t ) r12K (V ) (t ) ö
÷
ç K (V )
K (V )
r
r
t
t
(
)
(
)
÷
ç
22
,
K t = ç 21
M
M ÷
÷
ç
ç r K (V ) (t ) r K (V ) (t ) ÷
n2
ø
è n1
(4)
9
где K t = K (V ) − матрица половозрастной структуры лиц в одном из
феноменологических состояний (см. рис. 1) в момент времени t ; rijK (V ) (t ) −
оператор определения числа вершин в заданном состоянии K (V ) в возрасте i
пола j . Операторы Fa и Fb эволюции сети определяются следующим
образом:
0ö
æ g1 0 L 0
æ f b ,1 f b , 2 L f b , n-1 f b , n ö
÷
÷
ç
ç
0 L
0
0 ÷
0÷
ç 0 g2 L 0
ç f1
(5)
0
0 ÷ , Fb = ç M
f2 L
Fa = ç 0
M O M
M ÷,
÷
÷
ç
ç
M O
M
M ÷
ç 0 0 L g n-1 0 ÷
ç M
ç0 0 L 0
ç 0
g n ÷ø
0 L f n-1
0 ÷ø
è
è
где Fa − ( n ´ n )-матрица, n − число рассматриваемых возрастных групп; f b,i
– элементы первой строки, определяющие вероятность рождения ребенка у
лиц каждого возраста f b,i = pV ,i ; f i − вероятность прожить еще год для лиц
каждого возраста i < n . Таким образом, уравнение (3) с заданными
параметрами
(5)
описывает
динамику
развития
наркоситуации,
соответствующую модели комплексной сети (1)–(2).
Третья глава посвящена развитию метода прогнозирования процессов
НН и его применению в антинаркотической деятельности. Рассматривается
ряд социально-экономических и психологических показателей I1 ,...,I10 (табл.
1), определяющих особенности процессов НН. В табл. 1 приведены оценки
коэффициентов C ( I i , Y ) парной корреляции показателей I1 ,...,I10 с числом
наркозависимых (Y).
Таблица 1
Перечень индикаторов, рассматриваемых при анализе наркоситуации
Показа
тель
I1
I2
I3
Наименование
Уровень безработицы
Уровень заработной платы
Концентрация доходов населения (индекс Джини)
C (Ii ,Y )
–0.3
–0.9
I5
Число зарегистрированных браков
Число зарегистрированных разводов
0.7
–0.9
–0.4
I6
Число родившихся за период
–0.9
I7
Число умерших за период
–0.9
I8
Число преступлений, совершенных несовершеннолетними
–0.6
I9
Процент населения, удовлетворенного жизнью
0.9
I10
Процент населения, ясно видящего перспективы в жизни
0.8
I4
10
Долгосрочное прогнозирование процессов НН с учетом показателей
I1 ,...,I10 сводится к построению сценариев изменения вероятностных
характеристик комплексной сети, описываемых матрицами (5), на основе
прогнозных сценариев динамики показателей I1 ,...,I10 .
Так, вероятность g i = 1 - f i для индивида каждого возраста перейти в
соответствующую группу K (V ) , g i = p K (V ) представляется в форме
регрессионной зависимости:
g i = q1 P1i + q 2 P2i + q 3 + e i ,
(6)
T
где q1 ,..., q 3 − параметры регрессии, e i = (e 1 ,..., e n ) − вектор остатков, а P1, 2 −
первые два главных компонента внешних факторов процесса НН
(объясняющие до 90% дисперсии).
Для
идентификации параметров
модели
(6) используются
статистические
оценки
g=i y i / si ,
где
yi
−
число
впервые
зарегистрированных наркозависимых соответствующего возраста за
заданный период, si – численность группы риска определенного возраста.
Сценарии изменения элементов остальных управляющих матриц
определяются на основе показателей государственной статистики
аналогичным образом.
а)
б)
в)
г)
Рис. 3. Возрастная структура населения Санкт-Петербурга: а) 2001 г.;
б) 2004 г.; в) 2007 г.; г) 2010 г.
11
На рис. 3 приведен результат восстановления возрастной структуры
наркозависимых (Y) в Санкт-Петербурге за период 2001–2010 гг.,
полученный на основе модели (3)–(6). Можно наблюдать значительный спад
численности населения в возрасте 8–18 лет и пик в возрасте 25–35 – наиболее
«опасном» с точки зрения заболеваемости наркоманией (г).
По рис. 3а–г видно, что пик числа наркозависимых постепенно
сдвигается в сторону больших возрастов. Это является следствием снижения
рождаемости в постперестроечный период, а также позитивным эффектом
антинаркотических мероприятий: основу группы наркозависимых (Y)
составляют люди, начавшие принимать наркотики в 1990-х гг.
а)
б)
Рис. 4. Прогноз развития наркоситуации в Санкт-Петербурге:
а) появление новых наркоманов; б) доля наркозависимых в структуре населения региона
12
На рис. 4 представлены данные прогноза заболеваемости наркоманией
в Санкт-Петербурге при средних значениях показателей I1 ,...,I10 . Такие
результаты объясняются демографической структурой населения города,
предположительно в 2011–2012 гг. численность наркозависимых в СанктПетербурге достигнет максимального значения, затем начнется некоторый
спад первичной заболеваемости наркоманией и снижение доли
наркозависимых в общей структуре населения. Полученный эффект можно
объяснить резким снижением численности населения в возрасте 8−18 лет, а
именно тех лиц, которые в 2012–2014 гг. составят большую часть группы
риска. С другой стороны, будущее население в возрасте 45−50 лет
переместится из группы риска, поскольку в этом возрасте люди менее
подвержены наркотизации.
Таким образом, предложенный метод позволяет прогнозировать
наркоситуацию на основе целевых значений показателей социальноэкономического развития региона2, оценивать величину скрытого
контингента наркопотребителей, что является одной из основных задач
моделирования процессов наркотизации общества.
Рассмотрены подходы к планированию общественных мероприятий и
социологических исследований по противодействию распространению
наркомании на основе результатов математического моделирования.
Четвертая глава посвящена исследованию распространения
наркокультуры в интернет-сообществах. Социальные сети являются своего
рода слепком общества, доступным для наблюдения, и позволяют оценивать
распространение наркокультуры по ряду формальных признаков.
Определение числовых характеристик сегмента социальной сети позволяет
построить комплексную сетевую модель (1)–(2) наркотизации населения по
данным социальной сети. Несмотря на то что оценка населения на основе
такой модели может являться смещенной в силу сложности получения
репрезентативной выборки, ее применение позволяет исследовать общее
эмоционально-психологическое состояние общества.
Сбор данных в социальных сетях проводился с использованием
технологии краулинга страниц пользователей с оценкой релевантности
представленной текстовой информации. Для решения данной задачи
разрабатывается ряд критериев, позволяющих отнести пользователя (узел
сети) к тому или иному типу по степени вовлеченности члена общества в
наркокультуру.
Задача классификации узлов социальной сети решается путем создания
базы знаний слов, характеризующих вовлеченность в наркокультуру.
Построение базы знаний необходимо для учета характерных выражений, а
также сочетаний слов, которые по отдельности не относятся к сленгу
наркокультуры. Характерные (сигнальные) слова разделены на три группы
2
Постановление Правительства от 13 сентября 2011 года N 1325 «Об основных направлениях деятельности
Правительства Санкт-Петербурга на 2012 год и на плановый период 2013 и 2014 годов».
13
( A, B, C ) , по степени важности в обобщенной оценке. Таким образом,
весовой критерий оценки текста по содержанию сигнальных слов имеет вид
Cij = CijA + CijB + CijC ,
(7)
CijA = n AWA , CijB = n1BWB + n2 B (WB + WB1 ) + n3 B (WB + WB2 ) , CijC = nCWC , (8)
где nk − число отдельных слов соответствующей группы в тексте;
Wi Î (WA ,WB ,WC ) – вес слова соответствующей группы; n1 B − число
отдельных слов группы B в тексте; n 2 B − число слов группы B, образовавших
устойчивые сочетания в тексте; n3 B − число слов группы B, встретившихся
вместе с часто употребляемыми в тексте словами.
Краулинг социальной сети LiveJournal с применением базы знаний
сигнальных слов, организованной по правилу (7), позволил выявить 136 022
узлов, соответствующих тематике наркомании. При объеме базы знаний 454
словоформы и устойчивых выражений (порождающих 18 500 правил)
данный объем выборки является репрезентативным и достаточным для
анализа наркокультуры в социальной сети.
Рассмотрев классификацию узлов на основе критерия вовлеченности в
наркокультуру (7), можно выделить следующие характерные группы узлов
социальной сети: лица, не подверженные наркотизации ( I ); группа риска S 0
− лица, находящиеся в окружении, лояльном к наркотикам; S1 − лица,
вовлеченные в наркокультуру и хорошо осведомленные в области
потребления наркотиков и часто употребляющие жаргон наркоманов; S 2 −
лица, вовлеченные в наркопотребление, имеющие опыт приема наркотиков
лично, либо кого-то из близкого окружения; S3 − лица скрыто или открыто
пропагандирующие наркотики и соответствующий образ жизни. Численность
и состав данных групп оценивается на основе анализа рангового
распределения величины критерия (7) и приведена в табл. 2.
Таблица 2
Группа
Оценка численности групп лиц, вовлеченных в наркокультуру
S1
S2
S0
Доля узлов в выборке, %
15.3±0.2
4.1±0.03
0.2±0.02
S3
0.03±0.01
Полученный массив узлов (страниц) социальной сети в большей
степени содержит узлы, в текстах которых есть эпизодические упоминания о
наркотиках и наркомании. Анализ сигнальных слов, выявленных в текстах,
показал наличие характерных групп слов, определяющих вовлеченность лиц
в наркокультуру (рис. 5).
14
а)
б)
Рис. 5. Принадлежность ключевых слов соответствующим тематикам: а) число слов
соответствующих тематик в текстах узлов; б) доля слов соответствующей тематики в
общем числе ключевых слов
Характерные слова могут быть разделены по феноменологическому
признаку: описание наркотических веществ; описание процесса
приготовления наркотических веществ; описание инъекций наркотических
веществ; описание производимого эффекта; принадлежность к жаргону.
Рассмотренное соотношение слов по критерию принадлежности
жаргону свидетельствует о наличии центральной группы узлов, в текстах
которых в равной мере представлены слова, описывающие приготовление,
способ приема и производимый эффект. По мере уменьшения критерия
вовлеченности узла в наркокультуру доля жаргонных слов увеличивается,
при этом уменьшается доля слов общего лексикона и возрастает доля слов,
специфических для потребителей наркотиков.
15
Таблица 3
Оценка численности групп лиц, в соответствующих феноменологических состояниях
Группа
S
X
Y
D
Доля лиц соответствующей
группы в структуре населения
12.0
4.8
1.2
0.03
Санкт-Петербурга, %
Сравнение результатов исследования социальной сети со структурой
состояний процесса распространения наркомании (см. рис. 1), основанной на
статистических данных и результатах моделирования процессов НН,
приведенной в табл. 3, по соответствующим группам, позволило заключить,
что наибольшая разница в оценке данных мониторинга социальных сетей и
результатах анализа состава населения наблюдается между группами S 2 и Y
лиц, имеющих тяжелую форму зависимости от наркотиков. Это объясняется
тем, что лица группы Y наименее полно представлены в интернетсообществах, поскольку уже не могут являться их полноценными членами.
Данные мониторинга социальных сетей подтверждают экспертное
предположение о структуре распространителей наркотических веществ и
пропорциональном соотношении распространителей и покупателей
наркотиков, а также о наличии группы риска, в лексиконе которой часто
присутствуют термины наркокультуры, используемые в построении
прогнозной модели наркотизации населения. Также данные мониторинга
социальных сетей подтверждают оценку латентности величины X
потребителей наркотиков, не состоящих на учете, это обосновывает
предположение о случайности связей в графе при переходе от модели на
личностном уровне (1)–(2) к макромодели (3)–(6) в силу превалирующего
характера группы S1 над S2.
Заключение
· Разработан метод математического моделирования процессов НН на
личностном уровне, основанный на формализме комплексных сетей,
сводящийся к системе матричных разностных уравнений относительно
обобщенных характеристик наркоситуации.
· Разработан метод прогнозирования процессов НН на основе модели
динамики интегральных параметров комплексной сети с учетом их
вероятностной зависимости от внешних факторов развития региона.
· На основе разработанных методов проанализирована демографическая
структура наркозависимого населения и выполнен долгосрочный прогноз
развития наркоситуации в Санкт-Петербурге.
· На основе данных мониторинга социальных сетей обоснованы оценки
величины скрытого контингента наркозависимых, использованные при
переходе от модели комплексной сети (1)–(2) к описанию динамики ее
вероятностных характеристик (3)–(6).
16
Публикации по теме диссертационной работы
1.
Митягин С.А., Захаров Ю.Н., Бухановский А. В., Слоот П.М.А.
Региональная демографическая модель распространения наркомании //
Научно-технический вестник СПбГУ ИТМО. – 2011. – №06(76). – С. 68–73
[входит в перечень ВАК].
2.
Митягин С.А. Планирование общественных мероприятий на основе
мониторинговых данных // Известия СПбГЭТУ «ЛЭТИ». – 2012. – №1. – С.
34–40 [входит в перечень ВАК].
3.
Митягин С.А., Нгуен Х.В. Влияние грубых ошибок наблюдений на
качество плана эксперимента при наличии корреляции измерений // Известия
СПбГЭТУ «ЛЭТИ». – 2011. – №8. – С. 35–41 [входит в перечень ВАК].
4.
Митягин С.А. Оценка влияния наркомании на энергетическую
безопасность региона // Наркология. – 2011. – №9 (117). – С. 83–88 [входит в
перечень ВАК].
5.
Дрожжин А.И., Иваненков В.В., Митягин С.А. О методике мониторинга
и комплексного анализа наркоситуации в регионе // Вестник СанктПетербургского университета МВД России. – 2011. – №3 (51). – С. 124–130
[входит в перечень ВАК].
6.
Дрожжин А.И., Иваненков В.В., Митягин С.А. Об организации системы
мониторинга наркоситуации в регионе // Наркоконтроль. – 2011. – №3. – С.
25–27 [входит в перечень ВАК].
7.
Григорьев Ю.Д., Митягин С.А., Нгуен Х.В. О дифференцировании
неявной функции при построении оптимального плана эксперимента //
Известия СПбГЭТУ «ЛЭТИ». – 2011. – №6. – С. 46–50 [входит в перечень
ВАК].
8.
Григорьев Ю.Д., Митягин С.А. Точность и надежность навигации при
определении местоположения судна в условиях коррелированных измерений
// Журнал университета водных коммуникаций. – 2011. – №11. – С. 136–140
[входит в перечень ВАК].
9.
Митягин С.А., Бухановский А. В., Слоот. П.М.А. О демографическом
моделировании распространения наркомании на региональном уровне // Тез.
докл. XIV Всеросс. конф. «Интернет: инновационные технологии и
инженерные разработки». − СПб, 2011. – С. 102–104.
10. Митягин С.А. Построение демографической модели распространения
наркомании в регионе // Тр. V Всеросс. науч.-практ. конф. «Имитационное
моделирование. Теория и практика». − СПб, 2011. – С. 170–178.
11. Митягин
С.А.
Применение
геоинформационных
систем
в
планировании общественной деятельности // Тр. XV Междунар. конф.
«Эвентологическая математика и смежные вопросы». − Красноярск, 2011. –
С. 125–130.
12. Митягин С.А., Иваненков В.В., Захаров Ю.Н. Мониторинг и анализ
наркоситуации в рамках реализации государственной антинаркотической
политики Российской Федерации // Тр. Междунар. науч.-практ. конф.
17
«Антинаркотическая политика:
история, современное состояние,
перспективы». – М., 2011. – С. 224–234.
13. Митягин С.А. О вычислении пороговых уровней индикаторов
наркомании с точки зрения безопасности региона // Тр. Междунар. науч.
школы «Моделирование и анализ безопасности и риска в сложных системах».
− СПб, 2011. – С. 417–424.
14. Иваненков В.В., Митягин С.А. Применение методов планирования
эксперимента с коррелированными наблюдениями в задаче оценки
наркоситуации в регионе // Сб. тр. XII Санкт-Петербургской международной
конференции «Региональная информатика». − СПб, 2010. – С. 44–45.
15. Иваненков В.В., Митягин С.А. Планирование социологических
исследований с учетом корреляции наблюдений // Сб. тр. IV СанктПетербургского конгресса «Профессиональное образование, наука,
инновации в 21 веке». − СПб, 2010. – С. 82–87.
16. Дрожжин А.И., Иваненков В.В., Митягин С.А. Организация системы
мониторинга и комплексного анализа наркоситуации в регионе // Тр.
Междунар. науч.-практ. конф. «Деятельность правоохранительных органов и
специальных служб в сфере противодействия незаконному обороту
наркотиков: вопросы организации, координации, взаимодействия и
международного сотрудничества». − 2010. – С. 50–66.
17. Григорьев Ю.Д., Митягин С.А. Влияние взаимного размещения маяков
на надежность навигации в случае коррелированных измерений // Тр.
Междунар. науч. школы «Моделирование и анализ безопасности и риска в
сложных системах». − СПб, 2011. – С. 138–143.
18. Митягин С.А., Нгуен Х.В. Оптимальное планирование наблюдений в
случае коррелированных ошибок как средство повышения надежности
навигации // Тр. XIX Междунар. конф. «Финансово-актуарная математика и
эвентоконвергенции технологий». − Красноярск, 2010. – С. 251–256.
19. Митягин С.А. Оптимальное планирование эксперимента в задачах
дальномерной навигации в случае коррелированных измерений // Тр. XIV
Междунар. конф. «Эвентологическая математика и смежные вопросы». −
Красноярск, 2010. – С. 137–143.
18
Для заметок
Документ
Категория
Технические науки
Просмотров
46
Размер файла
278 Кб
Теги
кандидатская
1/--страниц
Пожаловаться на содержимое документа