Разработка интеллектуальной системы оценки эффективности правоохранительной деятельности территориальных органов МВД России на основе методов многокритериального анализа и машинного обучения
Как цитировать
Аннотация
В статье представлены результаты разработки и апробации интеллектуальной системы оценки эффективности правоохранительной деятельности территориальных органов МВД России, основанной на интеграции методов многокритериального анализа и машинного обучения. Актуальность исследования обусловлена необходимостью совершенствования инструментария объективной оценки деятельности правоохранительных органов в условиях цифровой трансформации государственного управления. Методологическую основу разработанной системы составляет синтез онтологического инжиниринга, динамической модификации метода TOPSIS и ансамбля прогностических моделей машинного обучения. Эмпирическая валидация проведена на массиве данных пяти региональных управлений МВД России за период 2018-2023 гг., включающем 57 показателей эффективности и 23 фактора внешней среды. Результаты демонстрируют существенное повышение точности оценок (на 17,6% по сравнению с традиционными методиками), снижение дисперсии оценок (коэффициент вариации снизился с 0,31 до 0,18) и улучшение прогностической способности (средняя ошибка прогноза MAPE составила 8,3%). Разработанная интеллектуальная система обеспечивает контекстно-зависимую параметризацию критериев, адаптивное ранжирование подразделений с учетом региональной специфики и проактивную идентификацию проблемных областей. Предложенный подход создает методологический базис для перехода от статичных ретроспективных методик оценивания к динамической многофакторной аналитике эффективности правоохранительной деятельности.
Ключевые слова
Библиографические ссылки
Кузнецов С.А., Малиновская М.П. Повышение эффективности деятельности органов внутренних дел: организационно-методические аспекты // Вестник Санкт-Петербургского университета МВД России. 2014. № 3. С. 44-59.
Abdulla A., Baryannis G.A Hybrid Multi-Criteria Decision-Making and Machine Learning Approach for Explainable Supplier Selection // Supply chain analytics. 2024. № 7. рр. 74-100.
Arlot S., Celisse A. A survey of cross-validation procedures for model selection // Statistics surveys. 2010. Vol. 4. рр. 40-79.
Breiman L. Random forests // Machine learning. 2001. Vol. 45(1). рр. 5-32.
Brockwell P.J., Davis R.A. Introduction to time series and forecasting. Berlin, Heidelberg: Springer, 2016.
Cabrerizo F.J., Morente-Molinera J.A., Pеrez I.J., Lоpez-Gijоn J., Herrera-Viedma E. A dynamic TOPSIS method for group decision making with incomplete information // International journal of information technology & Decision making. 2019. Vol. 18(5). pp. 1517-1541.
Chen H., Chung W., Xu J.J., Wang G., Qin Y., Chau M. Crime data mining: a general framework and some examples // Computer. 2004. Vol. 37(4). pp. 50-56.
Chen T., Guestrin C. XGBoost: A scalable tree boosting system // Proceedings of the 22nd ACM SIGKDD Inter. conf. on knowledge discovery and Data Mining. 2016. P. 785-794.
Davis F.D. Perceived usefulness, perceived ease of use, and user acceptance of information technology // MIS Quarterly. 1989. Vol. 13(3). pp. 319-340.
Guarino N., Oberle D., Staab S. What is an Ontology? // Handbook on Ontologies. Berlin, Heidelberg: Springer, 2009. pp. 1-17.
Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9(8). pp. 1735-1780.
Manning C.D., Raghavan P., Schutze H. Introduction to Information Retrieval. Cambridge: Cambridge University Press, 2008. 506 p.
Newman M.E.J. Networks: An introduction. Oxford: Oxford University Press, 2010.
Opricovic S., Tzeng G.H. Compromise solution by MCDM methods: A comparative analysis of VIKOR and TOPSIS // European journal of operational research. 2004. Vol. 156(2). рр. 445-455.
Zou H., Hastie T. Regularization and variable selection via the elastic net // Journal of the Royal Statistical Society: Series B (Statistical Methodology). 2005. Vol. 67(2). рр. 301-320.
Опубликован
Выпуск
Раздел
Метрики
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.