Оптимизация административного законодательства на основе технологий машинного обучения и больших данных (опыт вычислительных экспериментов)

Трофимов Егор Викторович ORCID: 0000-0003-4585-8820 доктор юридических наук заместитель директора по научной работе, Санкт-Петербургский институт (филиал) Всероссийского государственного университета юстиции (РПА Минюста России) 199178, Россия, г. Санкт-Петербург, 10-я линия В.О., 19, лит. А, каб. 36 Trofimov Egor Viktorovich Doctor of Law Deputy Director for Science, St. Petersburg Institute (Branch) of the All-Russian State University of Justice 199178, Russia, g. Saint Petersburg, 10-ya liniya V.O., 19, lit. A, kab. 36 diterihs@mail.ru Другие публикации этого автора

Мецкер Олег Геннадьевич ORCID: 0000-0003-3427-7932 кандидат технических наук исследователь 199178, Россия, г. Санкт-Петербург, 10-линия В.О., 19 лит. А Metsker Oleg Gennad'evich PhD in Technical Science Researcher 199178, Russia, g. Saint Petersburg, 10-liniya V.O., 19 lit. A olegmetsker@gmail.com Другие публикации этого автора

Источник финансирования: Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-011-00837.
Funding: The reported study was funded by RFBR, project number 20-011-00837.

1. Введение

Сферы публичного администрирования и административно-правового регулирования чрезвычайно обширны, разнообразны и сложны. В них аккумулирован значительный объем социально-правовых взаимодействий, они охватывают весомую (если не наибольшую) долю всех социально-правовых явлений и процессов. Эти обстоятельства всегда создавали серьезные затруднения для выработки оптимального административно-правового регулирования, поскольку человеческий ум не в состоянии собрать в едином интеллектуальном процессе, осознать и проанализировать огромный массив сведений о протекающих в этой сфере явлениях и процессах.

Реалии сегодняшнего дня, связанные с накоплением данных и развитием вычислительных мощностей, позволяют приступать к решению задач оптимизации административно-правового регулирования с использованием компьютерных методов и технологий, ориентированных на работу с большими данными. Такие методы и технологии пригодны не только для обработки больших массивов информации, но и для обнаружения комплексных (неявных) связей между явлениями и процессами, недоступных для поиска и обоснования «ручными» методами.

Внедрение высокопроизводительных вычислений и больших данных в сферу публичного управления и правового регулирования — это очередной этап в цифровой трансформации государства и права, над которым работают ученые и практики в России и зарубежных странах. Исследования и разработки, опирающиеся на большие данные, в данном направлении требуют междисциплинарной интеграции, а потому остаются крайне редкими, а их результаты — пока скромными. Систематический обзор развития компьютерных систем и методов в юридических исследованиях и юридической практике сделан авторами в отдельной работе ^[1], здесь же стоит упомянуть только о некоторых последних российских работах.

Так, известен опыт использования больших данных поисковых запросов по вопросам региональной преступности из интернет-хранилищ «Яндекса» в аналитических целях с использованием метода GMDH, показавший довольно высокую (94–96%) точность, выявленную по данным официальной статистики ^[2]. Однако это исследование не было ориентировано на юридическое целеполагание, и его методологический статус — заместительный или дополняющий к традиционной юридической методологии — остался, к сожалению, неопределенным.

Противоположный пример представляет опыт теоретического рассмотрения проблем интерпретации результатов анализа больших данных в юридических исследованиях ^[3]. Эта работа, задуманная как правовое исследование, оказалась абстрагированной от методолого-технологической (компьютерной) стороны вопроса. Компьютерные методы и технологии не анализировались авторами, которые во многом опирались на коммерческую (рекламную) информацию ненаучных источников. Как следствие, неосведомленность авторов о компьютерном аспекте проблемы привела к довольно резким выводам о необходимости противопоставления правового регулирования тем высокотехнологичным решениям, которые вырабатываются на основе больших данных, а также к сомнительным тезисам авторов о неинтерпретируемости, закрытости, недискурсивности и ретроспективности генерации автоматизированных решений, которые входят в противоречие с десятилетиями опыта разработок и научных поисков в сегменте «law & AI», а также обширным пластом мировой компьютерной и междисциплинарной научной литературы.

В 2022 г. на X Петербургском международном юридическом форуме были представлены результаты эксперимента компании «Мегафон» на трех судебных участках мировых судей Белгородской области. Эксперимент заключался в попытке автоматизации процессов обработки заявлений о выдаче судебного приказа, включая формирование учетно-статистических карточек и проектов самих судебных приказов ^[4]. Несмотря на оптимизм авторов, утверждавших о сокращении времени на заполнение карточки дела на 96% и на подготовку судебного акта на 84%, выступивший на форуме председатель Белгородского областного суда О. Ю. Усков, который курировал эксперимент со стороны судебной системы, обратил внимание на то, что эти преимущества в практическом отношении оказались нивелированы необходимостью таких же (если не больших) трудозатрат на проверку машинных результатов и ручное исправление многочисленных ошибок. Несмотря на отсутствие в данном эксперименте больших данных и ориентацию на интеграцию поисковой и управленческой функций, этот эксперимент все же проводился на основе технологий машинного обучения (включая распознавание и структурирование текстов) и его следует в целом считать успешным, особенно учитывая позитивный зарубежный (испанский ^[5], итальянский ^[6], британский ^[7] и др.) опыт разработки подобных систем управления юридическим контентом.

В 2021 г. Минюст России анонсировал тестирование системы автоматизированной экспертизы нормативных правовых актов ^[8]. По состоянию на 2022 г. данная система была внедрена в НПЦИ при Минюсте России с функционалом по автоматическому выявлению коррупциогенных факторов. Однако данная разработка связана, главным образом, с поисковой задачей (выявление дублирований, недопустимых элементов и т.п.), а потому, несмотря на известную практическую ценность, заключающуюся в преимуществах автоматизации ряда интеллектуальных операций, она не произвела переворота в юридических исследованиях и юридической практике.

2. Проблема и цель

Интеграция компьютерной методологии с методами и задачами юридических наук представляет собой фундаментальную научную проблему. В серии ранее опубликованных работ по результатам вычислительных экспериментов в области административно-деликтного и уголовного права авторы разработали и апробировали междисциплинарные методологические подходы для автоматизированного анализа и качественной оценки правового регулирования, основанные на математических и социально-правовых индикаторах и представляющиеся перспективными для дальнейшего поиска решения названной фундаментальной проблемы.

Вместе с тем, при всей важности этих двух охранительных областей (административно-деликтной и уголовной), они обычно считаются не такими проблемными ввиду своей компактности и высокой степени систематизации. Соответствующим кодексам (КоАП РФ, УК РФ, УПК РФ) и практике их применения уделяется большое внимание со стороны законодателя, правоприменителя и научного сообщества. Напротив, административное законодательство как таковое, насчитывающее сотни тысяч (а скорее, около 3 млн, если включить в них муниципальный уровень) действующих нормативных правовых актов, и практика его применения как в регулятивной, так и в охранительной сфере видятся слишком массивными и разнородными, чтобы приступать к их автоматизированной обработке. Тем не менее именно комплексный характер социально-правовых взаимосвязей, ярко проявляющийся в сфере публичного администрирования и административно-правового регулирования, вынуждает обратиться к вычислительным экспериментам в этой области, учитывая наработки, полученные на более изученном административно-деликтном и уголовно-правовом материале.

Целью настоящей работы является дальнейшая разработка и апробирование индикаторного подхода к качественной оценке оптимизации законодательства, включая оценку применимости ранее выработанной на административно-деликтном и уголовно-правовом материале междисциплинарной методологии.

В настоящей статье представлены итоги вычислительных экспериментов, направленных на разработку на основе индикаторов методов анализа и оптимизации нормативного административно-правового регулирования. Важнейшей задачей на данном этапе исследования, в отличие от ранее выполненных (в 2020–2021 гг.) экспериментов, стало использование в качестве социальных индикаторов не ограниченного набора целей ярко выраженного юридического характера ^{[9, с. 18, 20]}, а широкого спектра социально-правовых целей, основанных на показателях социально-экономической статистики, которые аккумулируют в себе большие массивы численных данных и заключают потенциал перехода от качественной оценки правового регулирования к количественному анализу.

3. Методы и материалы

В основу исследования была положена разработанная авторами на основе индикаторного подхода междисциплинарная (компьютерно-юридическая) методология качественной оценки оптимизации правового регулирования, включающая догматический метод, системный анализ и экспертные оценки, а также компьютерные методы (сбора, очистки и предобработки данных, обработки естественного языка, разметки, нормализации и интеллектуального анализа данных, машинного обучения) ^[10].

Исследование проводилось в предметной области административно-правового регулирования обширного комплекса социально-экономических явлений и процессов территориального развития региона и комфортной городской среды города федерального значения. Авторы исходили из того, что более высокая положительная миграция отражает социально-экономическую привлекательность региона и что не существует единого общепризнанного сочетания индикаторов, позволяющих определить степень влияния различных факторов на миграцию и оценить миграционную привлекательность региона ^{[11, с. 421–422]}. К показателям миграционной привлекательности городской среды различными учеными относятся, например, общественное здоровье ^[12], внутригородское движение ^[13], социальная жизнь ^[14], благосостояние жителей ^[15], планировка, застройка и дизайн жилья ^[16], удовлетворенность соседями и жильем ^[17], физическая безопасность ^[18], широкое использование информационно-коммуникационных технологий ^[19].

Для качественной оценки оптимизации законодательства было взято постановление губернатора Санкт-Петербурга от 07.09.2015 № 61-пг «О мониторинге социального и экономического развития внутригородских муниципальных образований Санкт-Петербурга и оценке эффективности деятельности органов местного самоуправления внутригородских муниципальных образований Санкт-Петербурга», поскольку именно этот нормативный правовой акт определяет основные направления публичного администрирования социально-экономических явлений и процессов в городе федерального значения Санкт-Петербурге. Названное постановление утвердило показатели, на основе которых проводится ежегодный мониторинг социального и экономического развития внутригородских муниципальных образований Санкт-Петербурга и оценка эффективности деятельности органов местного самоуправления внутригородских муниципальных образований Санкт-Петербурга.

Сопоставление утвержденных этим постановлением показателей, служащих целями социально-экономического развития и административно-правового регулирования, со статистическими социально-экономическими показателями должно продемонстрировать, насколько оптимально установленное нормативное административно-правовое регулирование. Эта оптимальность оценивается по соответствию нормативных показателей (целей) наиболее значимым (для миграционных потоков во внутригородских муниципальных образованиях) статистическим показателям, выявленным на больших массивах данных методами машинного обучения.

Для проведения исследования были собраны статистические данные из Единой межведомственной информационно-статистической системы (ЕМИСС), сформирован датасет из значений 20 показателей структуры миграционного потока, численности и плотности населения, 568 показателей экономических субъектов и 1444 показателей муниципальных округов, характеризующих все сферы развития муниципального округа, включая деятельность в области культуры, строительства, коммуникаций, бизнеса, транспорта, экологии, в разрезе 111 внутригородских муниципальных образований города федерального значения Санкт-Петербурга за 4 года (2017–2020 гг.).

Данные мержились по значениям «муниципальное образование» и «год» (строки), в качестве столбца указывался показатель. Выборка была разделена на тестовую (20%) и обучающую (80%), после чего на полученных данных обучалась модель градиентного бустинга методом XGBoostRegression на основе вышеуказанных статистических показателей на цель «внутренний миграционный прирост». Произведена регуляризация для улучшения модели с лучшими параметрами XGBRegressor: base_score=0.5, booster=None, colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1, gamma=0, gpu_id=-1, importance_type='gain', interaction_constraints=None, learning_rate=0.300000012, max_delta_step=0, max_depth=6, min_child_weight=1, missing=nan, monotone_constraints=None, n_estimators=100, n_jobs=0, num_parallel_tree=1, random_state=0, reg_alpha=0, reg_lambda=1, scale_pos_weight=1, subsample=1, tree_method=None, validate_parameters=False, verbosity=None. Рассчитаны RMSE (414.73) и R-Squared (0.74), а также значимость предикторов с использованием метрик F1-score (для классификации ошибки метрики) и индекса Шепли (для оценки влияния).

4. Результаты

Значимость предикторов (статистических показателей) с использованием метрик F1-score (30 предикторов) и индекса Шепли (20 предикторов) представлена на рисунках 1 и 2 соответственно.

Среди основных показателей, вносящих вклад в модель миграции, присутствуют показатели вклада муниципального округа в основной капитал, экологические показатели, стоимость квадратного метра, расходы на правоохранительную деятельность, что говорит о осознанном характере миграции населения в муниципалитеты, на территории которых развивается жилищно-коммунальное хозяйство, обеспечиваются экология и охрана правопорядка. Стоит отметить, что количество введенной площади жилья не входит в том-20 показателей миграции.

Рис. 1. Значимость предикторов (статистических показателей) с использованием метрик F1-score для внутреннего миграционного прироста.

Результаты комплексного анализа предикторов, полученные по индексу Шепли, среди 20 наиболее значимых статистических показателей, влияющих на миграционную привлекательность внутригородских муниципальных образований Санкт-Петербурга, включают только три характеристики активности муниципалитетов:

— расходы на охрану окружающей среды;

— инвестиции в основной капитал;

— деятельность в области культуры, спорта, организации досуга и развлечений.

Из-за специфики бюджетных расходов, допустимых для муниципалитетов, инвестиции в основной капитал означают расходы на благоустройство жилых кварталов (строительство детских площадок, установку спортивных тренажеров общего пользования и т.п.), а деятельность в области культуры, спорта, организации досуга и развлечений — расходы на проведение уличных праздников и спортивных мероприятий для населения. Таким образом, индекс Шепли позволил идентифицировать три наиболее важных для внутренних и внешних мигрантов целевых показателя: чистоту, благоустройство и организацию досуга.

Интересным фактом, обнаруженным в результатах расчета значимости предикторов на основе индекса Шепли, является идентификация показателя «женщины 0–4 [лет]», который говорит о повышенной значимости в миграционном потоке девочек до 4 лет, которые статистически агрегируют в себе комплексные (неявные) связи со спектром факторов миграции (социально-экономических показателей развития территории). Также в данной интерпретации можно увидеть структуру потока, которая состоит из мужчин старшего возраста из стран СНГ и женщин старше 90 лет с регионов России. Таким образом, основными потребностями в наиболее востребованных муниципальных округах является медицинская помощь данным социально-демографическим группам, хотя показатели, связанные с медицинским обслуживанием отсутствуют среди наиболее значимых предикторов.

Рис. 2. Значимость предикторов (статистических показателей) с использованием SHAP value для внутреннего миграционного прироста.

Официальные показатели, используемые в качестве целей нормативно-правового регулирования и социально-экономического развития территорий, утвержденные для оценки эффективности муниципальных образований постановлением губернатора Санкт-Петербурга от 07.09.2015 № 61-пг включают 16 позиций, которые в целом сводятся к следующему:

— исполнение бюджета муниципалитета;

— расходы на содержание служащих муниципалитета;

— сумма контрактов, заключенных с победителями конкурсных процедур;

— расходы на благоустройство;

— передача сирот под опеку;

— расходы на проведение местных праздников и спортивных мероприятий;

— доля населения, принявшего участие в местных праздниках и спортивных мероприятиях;

— тираж муниципальной газеты.

Машинное обучение на больших массивах данных позволило идентифицировать два наиболее значимых из них показателя — цели социально-экономического развития и нормативно-правового регулирования (расходы на благоустройство и расходы на проведение местных праздников и спортивных мероприятий), а также выявить статистический показатель, не признанный в качестве цели развития территорий (расходы на охрану окружающей среды).

Кроме того, привлекательность муниципалитетов зависит от целого набора факторов, которые выявляются:

— непосредственно (чистота, благоустройство и организация досуга жителей в муниципалитете);

— благодаря последующей интерпретации значимости предикторов, касающихся характеристик миграционного потока в качестве целевого показателя анализа (например, высокой значимости миграции девочек от 0 до 4 лет).

Учитывая, что цели нормативно-правового регулирования формируются с учетом уровня публичной власти, которому присущи собственная компетенция (в данном случае — вопросы местного значения и переданные отдельные государственные полномочия Российской Федерации и субъекта Российской Федерации) и бюджетирование (в данном случае — закрепленные источники доходов и расходов местных бюджетов внутригородских муниципальных образований), качественная оценка оптимизации нормативно-правового регулирования включает в себя и вопрос разграничения предметов ведения и полномочий между уровнями публичной власти. Нормативно-правовое регулирование целей социально-экономического развития внутригородских муниципальных образований Санкт-Петербурга должно коррелировать не только с активностью муниципалитетов, но и с активностью вышестоящих уровней публичной власти ввиду ограничения полномочий муниципалитетов осуществлять и финансировать ряд видов деятельности. Например, муниципалитеты в Санкт-Петербурге не обладают компетенцией и бюджетом в отношении здравоохранения, дошкольного и школьного образования, поэтому постановка соответствующих целей может быть обоснована, но оценка деятельности муниципалитетов в этой сфере — неоправданна.

Полученные данные позволяют определить важнейшие направления активности вышестоящих уровней публичной власти, соответствующие значимости предикторов из характеристик миграционного потока: дошкольное и школьное образование, здравоохранение для детей и пожилых граждан, создание для них доступной (комфортной) среды.

5. Заключение

Целостный массив официальных статистических показателей, а равно образующих эти показатели первичных данных, позволяет выделять приоритетные социально-правовые цели, в данном случае — основные показатели (факторы), влияющие на привлекательность территории для населения, а также социально-демографические группы, требующие повышенного внимания при регулировании и администрировании качества жизни в городской среде: к таким группам относятся дети и пожилые люди, нуждающиеся в соответствующем медицинском обслуживании, образовании, досуге, хорошей экологии, благоустройстве территории и специальных условиях в городской среде для передвижения.

Полученные результаты имеют методологическое значение, поскольку обладают потенциалом использования численных статистических показателей, и могут быть полезны для оценки оптимизации нормативно-правового регулирования и правовой (регулятивной) политики. Машинное обучение на больших данных в социальной, демографической, экономической и экологической областях может стать важным инструментом для оптимизации административного законодательства и публичного администрирования.