guuvestВестник университетаVestnik Universiteta1816-42772686-8415State University of Management10.26425/1816-4277-2022-5-136-143guuvest-3574Research ArticleЭКОНОМИКА: ПРОБЛЕМЫ, РЕШЕНИЯ И ПЕРСПЕКТИВЫECONOMICS: PROBLEMS, SOLUTIONS AND PROSPECTSРазработка модели прогнозирования уровня отмывания преступных доходовDevelopment of a model for predicting money laundering ratehttps://orcid.org/0000-0002-2632-4439АнисимовЕ. С.AnisimovE. S.

Анисимов Ефим Сергеевич, студент

г. Москва

Efim S. Anisimov, Student

Moscow

EAnisimov_Sci@mail.ruhttps://orcid.org/0000-0002-1005-6265БекетноваЮ. М.BeketnovaJ. M.

Бекетнова Юлия Михайловна, канд. техн. наук, доц. Департамента информационной безопасности

г. Москва

Julia M. Beketnova, Cand. Sci. (Tech.), Assoc. Рrof. at the Information Security Department

Moscow

beketnova@mail.ruФинансовый Университет при Правительстве Российской Федерации (Финуниверситет)РоссияFinancial UniversityRussian Federation20220107202205136143Copyright © Анисимов Е.С., Бекетнова Ю.М., 20222022Анисимов Е.С., Бекетнова Ю.М.Anisimov E.S., Beketnova J.M.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.guu.ru/jour/article/view/3574

В статье предложена модель прогнозирования уровня легализации доходов, полученных преступным путем, на основе данных Министерства внутренних дел Российской Федерации по состоянию преступности экономической направленности в России с начала 2011 г. С помощью сезонной интегрированной модели авторегрессии – скользящего среднего (SARIMA) – сравнены различные регрессионные модели для задач исследования (линейная регрессия, логистическая регрессия, авторегрессия и SARIMA). Подчеркнута необходимость учета сезонных закономерностей в структуре отмывания преступных доходов, выбора модели SARIMA с наименьшими отклонениями от действительных значений. В статье представлены результаты анализа данных с применением метода наименьших квадратов (англ. least squares), подсчета среднеквадратической ошибки – MSE (англ. mean squared error). Отмечена высокая точность получаемых краткосрочных прогнозов: отклонение от действительного числа составляет около трех дел (при среднем количестве в 68 преступлений за последние 10 лет). Модель прогнозирования можно рекомендовать для внедрения в аналитические комплексы субъектов финансового мониторинга и надзорных органов.

The article suggests model for predicting the level of money laundering on the basis of data from the Ministry of Internal Affairs of the Russian Federation on the state of economic crime in Russia since the beginning of 2011. Using a seasonally integrated autoregressive moving average (SARIMA) model, it compares different regression models for the research tasks (linear regression, logistic regression, autoregressive and SARIMA). The necessity of taking into account seasonal regularities in the structure of money laundering was underlined, and the SARIMA model with the lowest deviations from the actual values was chosen. The necessity of taking into account seasonal regularities in the structure of money laundering was underlined, and the SARIMA model with the lowest deviations from the actual values was chosen. The article presents the results of data analysis using the method of least squares, calculating the mean squared error (MSE). High accuracy of short-term forecasts was noted: the deviation from the actual number of cases is about three cases (with the average number of cases being 68 over the last 10 years). The forecasting model can be recommended for implementation in the analytical complexes of financial monitoring and supervisory authorities.

Финансовый мониторингпротиводействие отмыванию доходовэкономические преступленияпрогнозирование правонарушенийстатистический анализFinancial monitoringanti-money launderingeconomic crimecrime forecastingstatistical analysisReferencesRocha-Salazar J.-d.-J., Segovia-Vargas M.-J., Camacho-Miñano M.-d.-M. Money laundering and terrorism financing detection using neural networks and an abnormality indicator. Expert Systems with Applications. 2021;169:114470. https://doi.org/10.1016/j.eswa.2020.114470Rocha-Salazar J.-d.-J., Segovia-Vargas M.-J., Camacho-Miñano M.-d.-M. Money laundering and terrorism financing detection using neural networks and an abnormality indicator. Expert Systems with Applications. 2021;169:114470. https://doi.org/10.1016/j.eswa.2020.114470Шалагин А.Е., Идиятуллов А.Д. Трансформация преступности в XXI веке: особенности предупреждения и противодействия. Вестник Казанского юридического института МВД России. 2021;12(2):227–235. https://doi.org/10.37973/KUI.2021.95.12.016Shalagin A.E., Idiyatullov A.D. Transformation of Crime in the XXI Century: Features of Prevention and Counteraction. Bulletin of the Kazan Law Institute of the Ministry of Internal Affairs of Russia. 2021;12(2):227–235. https://doi.org/10.37973/KUI.2021.95.12.016Robertson D.L., Goodridge W.A. Predicting density of serious crime incidents using a Multiple-Input Hidden Markov Maximization a posteriori model. Machine Learning with Applications. 2022;7:100231. http://dx.doi.org/10.1016/j.mlwa.2021.100231Robertson D.L., Goodridge W.A. Predicting density of serious crime incidents using a Multiple-Input Hidden Markov Maximization a posteriori model. Machine Learning with Applications. 2022;7:100231. http://dx.doi.org/10.1016/j.mlwa.2021.100231Hajela G., Chawla M., Rasool A. A Clustering Based Hotspot Identification Approach For Crime Prediction. Procedia Computer Science. 2020;167:1462–1470. https://doi.org/10.1016/j.procs.2020.03.357Hajela G., Chawla M., Rasool A. A Clustering Based Hotspot Identification Approach For Crime Prediction. Procedia Computer Science. 2020;167:1462–1470. https://doi.org/10.1016/j.procs.2020.03.357Рекомендации Базельского комитета «Знай своего клиента». Надлежащее отношение банков к клиентам (Стандарты Базельского комитета банковского надзора). https://docs.cntd.ru/document/901934950 (дата обращения: 26.03.2022).Basel Committee Recommendations “Know your customer “. Customer due diligence for banks (Basel Committee on Banking Supervision standards). https://docs.cntd.ru/document/901934950 (accessed: 26.03.2022).Платформа «Знай своего клиента» сократит нагрузку на добросовестных предпринимателей. http://www.cbr.ru/press/event/?id=12411 (дата обращения: 06.03.2022).“Know your customer” platform will reduce the burden on bona fide entrepreneurs. http://www.cbr.ru/press/event/?id=12411 (accessed 06.03.2022).ArunKumar K.E., Kalaga D.V., Mohan Sai Kumar Ch., Chilkoor G., Kawaji M., Brenza T.M. Forecasting the dynamics of cumulative COVID-19 cases (confirmed, recovered and deaths) for top-16 countries using statistical machine learning models: Auto-Regressive Integrated Moving Average (ARIMA) and Seasonal Auto-Regressive Integrated Moving Average (SARIMA). Applied Soft Computing. 2021;103:107161. https://doi.org/10.1016/j.asoc.2021.107161ArunKumar K.E., Kalaga D.V., Mohan Sai Kumar Ch., Chilkoor G., Kawaji M., Brenza T.M. Forecasting the dynamics of cumulative COVID-19 cases (confirmed, recovered and deaths) for top-16 countries using statistical machine learning models: Auto-Regressive Integrated Moving Average (ARIMA) and Seasonal Auto-Regressive Integrated Moving Average (SARIMA). Applied Soft Computing. 2021;103:107161. https://doi.org/10.1016/j.asoc.2021.107161Farsi M., Hosahalli D., Manjunatha B.R., Gad I., Atlam El-S., Ahmed A., Elmarhomy G., Elmarhoumy M., Ghoneim O.A. Parallel genetic algorithms for optimizing the SARIMA model for better forecating of the NCDC weather data. Alexandria Engineering Journal. 2021;60(1):1299–1316. https://doi.org/10.1016/j.aej.2020.10.052Farsi M., Hosahalli D., Manjunatha B.R., Gad I., Atlam El-S., Ahmed A., Elmarhomy G., Elmarhoumy M., Ghoneim O.A. Parallel genetic algorithms for optimizing the SARIMA model for better forecating of the NCDC weather data. Alexandria Engineering Journal. 2021;60(1):1299–1316. https://doi.org/10.1016/j.aej.2020.10.052Mao Q., Zhang K., Yan W., Cheng C. Forecasting the incidence of tuberculosis in China using the seasonal auto-regressive integrated moving average (SARIMA) model. Journal of Infection and Public Health. 2018;11(5):707–712. https://doi.org/10.1016/j.jiph.2018.04.009Mao Q., Zhang K., Yan W., Cheng C. Forecasting the incidence of tuberculosis in China using the seasonal auto-regressive integrated moving average (SARIMA) model. Journal of Infection and Public Health. 2018;11(5):707–712. https://doi.org/10.1016/j.jiph.2018.04.009Министерство внутренних дел Российской Федерации. Состояние преступности. https://мвд.рф/reports (дата обращения: 06.03.2022).The Ministry of Internal Affairs of the Russian Federation. Crime rate in Russia. https://мвд.рф/reports (accessed 06.03.2022).

The authors declare that there are no conflicts of interest present.