Синтезом методов корреляции с явкой Собянина – Суховольского и метода исследований распределения явки можно считать метод, который был разработан С. Шпилькиным в 2008 году[744]. В данном случае также строятся кривые распределения по однопроцентным интервалам явки, но по оси ординат откладываются число или доля голосов, поданных за кандидатов или партии. Как и в случае распределения явки, метод применим для территорий с большим количеством избирательных участков.
Идея метода основана, как и у Собянина и Суховольского, на предположении о независимости голосования и явки. Однако несомненное достоинство метода Шпилькина заключается в наличии внутреннего контроля. Как было показано автором метода на примере российских федеральных выборов 2007 и 2008 годов, кривые для всех партий (для выборов 2007 года) или для всех кандидатов (для выборов 2008 года), кроме лидеров («Единой России» и Д. А. Медведева соответственно), были фактически подобны, то есть представляли одну и ту же зависимость с разными множителями. Такое подобие и является свидетельством независимости результата от явки. Более того, кривые для лидеров тоже были подобны остальным – но только на восходящем участке, то есть в области низких значений явки, а на нисходящем участке (то есть в области высоких значений явки) они шли выше (см. иллюстрацию 5.5); иными словами, в терминологии Шпилькина, в дополнение к «нормальным» голосам лидер получал еще и «аномальные».
Иллюстрация 5.5. Разделение голосов за «Единую Россию» на выборах 2007 года на «нормальную» и «аномальную» части. Источник: Бузин А. Ю., Любарев А. Е. Преступление без наказания: Административные избирательные технологии федеральных выборов 2007–2008 годов. М., 2008. Илл. 38 (иллюстрация предоставлена С. А. Шпилькиным)
Другим важным достоинством метода Шпилькина является возможность на основании построенных зависимостей оценить количество «аномальных» голосов. Для этого строится зависимость суммы голосов за всех кандидатов (или все партии), кроме лидера. Затем определяется подгоночный коэффициент, на который умножается это «суммарное» распределение. Данный коэффициент вычисляется таким образом, чтобы восходящая ветвь «нормальной» составляющей как можно более плотно прилегала к восходящей ветви кривой распределения для лидера. В результате получается кривая распределения «нормальных» голосов за лидера, а разность между фактическим распределением и «нормальным» и дает в результате интегрирования количество «аномальных» голосов.
В результате применения данного метода число «аномальных» голосов на выборах в Государственную Думу 2007 года было оценено в 13,8 млн голосов, на выборах Президента РФ 2008 года – в 14,8 млн голосов[745], на выборах в Государственную Думу 2011 года – в 15,3 млн голосов[746], а на выборах Президента РФ 2012 года – в 11,0 млн голосов [747].
Отметим, что метод Шпилькина, как и метод корреляции с явкой Собянина – Суховольского, эффективен для выявления фальсификаций типа вброса и малопригоден для выявления перебросов.
Принципиально другой подход используют методы, основанные на анализе частоты появления в официальных протоколах избирательных комиссий различных цифр. Смысл этих методов в том, что при составлении протоколов на основе истинных итогов голосования, выявленных путем подсчета голосов, цифры должны распределяться в них случайным образом. Если же протоколы «корректируются», то в силу психологических факторов некоторые цифры в них начинают появляться чаще, а другие – реже. Таким образом, эти методы позволяют выявлять фальсификации на последних стадиях подведения итогов голосования, в том числе и переброс.
Подобный подход использовали У. Мебейн и К. Калинин. Они анализировали распределение в протоколах второй значащей цифры, которое должно подчиняться «закону Бенфорда для второй значащей цифры» (округленно для цифр от 0 до 9 частота соответственно 0,120; 0,114; 0,109; 0,104; 0,100; 0,097; 0,093; 0,090; 0,088; 0,085). Отклонение распределения от этого закона трактуется ими как признак фальсификаций [748].
Существуют также методы, основанные на проверке частот появления различных цифр в младших разрядах чисел. Однако их применимость для анализа искажений результатов голосования подвергается сомнению[749].
Существуют также методы, которые могут быть применены в особых случаях. Так, если выборы проводились в два тура, полезно сравнение итогов голосования в первом и втором турах. Например, В. В. Михайлов, анализируя результаты выборов Президента РФ 1996 года, использовал коэффициент переориентации избирателей, получаемый делением отношения числа голосов, полученных в первом туре кандидатами, вышедшими во второй тур, на отношение голосов, полученных этими кандидатами во втором туре. Михайлов показал, что данный коэффициент мало отличался для большинства регионов, несмотря на их существенные различия в уровне голосования за основных кандидатов. В тех же регионах или территориях, где коэффициент переориентации избирателей существенно отличался от среднего, были основания подозревать фальсификации во втором туре[750].
М. Мягков и соавторы предложили еще один метод анализа для двухтуровых выборов. Используя статистические методы для оценки перетока голосов (см. подраздел 5.4.2), они постулировали, что получаемые результаты, выражаемые в долях перетока, не должны быть выше 1 (100 %) и ниже 0. Любой выход значений за пределы этого диапазона свидетельствует о «нерегулярностях», а величина превышений дает численную оценку числа «нерегулярных» голосов[751].
В тех случаях, когда на части территории выборы проходят с использованием технических средств, а на другой части – обычным способом, полезно
