Прогнозування рівня злочинності – важливий аспект розроблення стратегій сталого соціально-економічного розвитку правової держави. Особливої значущості точне прогнозування набуває в умовах економічної нестабільності та геополітичних криз, характерних для України. У статті досліджено проблеми побудови та використання авторегресійних моделей інтегрованого ковзного середнього (ARIMA) для прогнозування загальної кількості злочинів, вчинених на території України. Розрахунки показали, що часовий ряд злочинності (1990–2023 рр.) демонструє ознаки спадного тренду, є нестаціонарним і містить аномальні значення кількості злочинів у 2003, 2013 та 2020 рр. Використання методу інтегрування даних, із взяттям перших різниць між спостереженнями, призводить до втрати автокореляційної структури, яка була притаманна загальному ряду злочинності. Як наслідок, початкову модель ARIMA (1, 0, 0) побудовано на підставі неперетворених вхідних даних. Точність цієї моделі (MAPE = 8,61 %) виявилася вищою порівняно з моделлю, отриманою за методом експоненційного згладжування (MAPE = 9,38 %). Логарифмування часового ряду злочинності та згладжування аномальних рівнів сприяли підвищенню прогностичної валідності, що дало змогу моделі ARIMA врахувати додаткову автокореляцію, уникнувши необхідності введення компоненти ковзного середнього. В результаті модель ARIMA (2, 0, 0) показала найвищу точність (MAPE = 7,04 %) за найменшої складності, що підтверджують результати визначення інформаційних критеріїв. Крім того, модель успішно пройшла перевірку на стійкість за допомогою методу перехресної валідації з вилученням одного спостереження. Прогнозні оцінки, побудовані на основі усіх розглянутих ARIMA моделей, вказують на подальше зростання загального рівня злочинності в Україні, яке розпочалося у 2021 р. після тривалого періоду зниження.
1. Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: Forecasting and control (5th ed.). Hoboken, NJ, USA: John Wiley & Sons Inc. https://doi.org/10.1111/jtsa.12194
https://doi.org/10.1111/jtsa.12194
2. Dzendzeliuk, O., Kostiv, L., & Rabyk, V. (2013). Building ARIMA models of time series for weather data forecasting in R programming language. Electronics and Information Technologies, 3, 211-219. http://nbuv.gov.ua/UJRN/Telt_2013_3_24
3. Strilets, V. Ye., & Doroshenko, M. I. (2022). Analysis and forecasting of computer network characteristics. Bulletin of V. N. Karazin Kharkiv National University. Mathematical Modeling. Information Technologies. Automated Control Systems, 55, 49-57. https://doi.org/10.26565/2304-6201-2022-55-05
4. Marchuk, D. K., Kravchenko, S. M., Levchenko, A. Yu., & Lezhnov, I. Ya. (2023). Using time series for forecasting the monetary value of cars. Scientific Notes of the V. I. Vernadsky Taurida National University. Series: Technical Sciences, 34(73), 119-125.
https://doi.org/10.32782/2663-5941/2023.1/18
5. Masliy, V. V., & Berezka, K. M. (2017). Selection and evaluation of ARIMA models for forecasting foreign direct investment. Scientific Bulletin of the International Humanitarian University. Series: Economics and Management, 24(2), 115-119. http://nbuv.gov.ua/UJRN/Nvmgu_eim_2017_24(2)__26
6. Dziubanovska, N. V., & Liashenko, O. M. (2018). Application of ARIMA models for forecasting the dynamics of Ukraine's foreign trade. Black Sea Economic Studies, 35(1), 142-147.
7. Islam, K., & Raza, A. (2020). Forecasting crime using ARIMA model. arXiv. http://arxiv.org/abs/2003.08006
8. Chen, P., Yuan, H., & Shu, X. (2008). Forecasting crime using the ARIMA model. In Proceedings of the 5th International Conference on Fuzzy Systems and Knowledge Discovery (pp. 627-630). https://doi.org/10.1109/FSKD.2008.222
https://doi.org/10.1109/FSKD.2008.222
9. Salati, L., & Majige, S. (2022). Forecasting criminal offenses against persons using time series models: A case study of Mwanza Region. Asian Journal of Multidisciplinary Research & Review, 3(2), 61-77. https://doi.org/10.55662/AJMRR.2022.3202
https://doi.org/10.55662/AJMRR.2022.3202
10. Lu, Y. (2023). Crime prediction utilizing ARIMA model. BCP Business & Management, 38, 410-418. https://doi.org/10.54691/bcpbm.v38i.3721
https://doi.org/10.54691/bcpbm.v38i.3721
11. Vijayarani, S., Suganya, E., & Navya, C. (2021). Crime analysis and prediction using enhanced ARIMA model. International Journal of Research Publication and Reviews, 2, 257-266. https://www.ijrpr.com/uploads/V2ISSUE1/IJRPR153.pdf
12. Jain, H., & Patel, R. (2024). Analysis & forecasting of juvenile crime using variance threshold and time series algorithm. Multimedia Tools and Applications. https://doi.org/10.1007/s11042-024-19780-x
https://doi.org/10.1007/s11042-024-19780-x
13. Triana, Y. S., & Retnowardhani, A. (2019). Enhance interval width of crime forecasting with ARIMA model-fuzzy alpha cut. TELKOMNIKA (Telecommunication, Computing, Electronics and Control), 17(3), 1193-1201. https://doi.org/10.12928/TELKOMNIKA.v17i3.12233
https://doi.org/10.12928/telkomnika.v17i3.12233
14. State Statistics Service of Ukraine. (2024). Demographic and social statistics. Retrieved from https://www.ukrstat.gov.ua (accessed on 01.09.2024).
15. National Police of Ukraine. (2024). Annual reports. Retrieved from https://www.npu.gov.ua/diyalnist/zvitnist/richni-zviti (accessed on 01.09.2024).
16. Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71, 599-607. https://doi.org/10.1093/biomet/71.3.599
https://doi.org/10.1093/biomet/71.3.599
17. Mann, H. B. (1945). Non-parametric tests against trend. Econometrica, 13(3), 245-259. http://dx.doi.org/10.2307/1907187
https://doi.org/10.2307/1907187
18. Irwin, J. O. (1925). On a criterion for the rejection of outlying observations. Biometrika, 17(3-4), 238-250. https://doi.org/10.2307/2332079
https://doi.org/10.2307/2332079
19. Shevchuk, O. F. (2023). Statistical analysis of the dynamics of crimes committed in Ukraine in 1990-2020. Current Issues in Modern Science, 2(8), 268-279. https://doi.org/10.52058/2786-6300-2023-2(8)-268-27