Разработка модели прогнозирования уровня отмывания преступных доходов
https://doi.org/10.26425/1816-4277-2022-5-136-143
Аннотация
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.
Об авторах
Е. С. АнисимовРоссия
Анисимов Ефим Сергеевич, студент
г. Москва
Ю. М. Бекетнова
Россия
Бекетнова Юлия Михайловна, канд. техн. наук, доц. Департамента информационной безопасности
г. Москва
Список литературы
1. Rocha-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.2020.114470
2. Шалагин 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.2021.95.12.016
3. Robertson 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.2021.100231
4. Hajela 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.2020.03.357
5. Рекомендации 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).
6. Платформа «Знай своего клиента» сократит нагрузку на добросовестных предпринимателей. http://www.cbr.ru/press/event/?id=12411 (дата обращения: 06.03.2022).
7. 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.2021.107161
8. Farsi 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.2020.10.052
9. Mao 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.2018.04.009
10. Министерство внутренних дел Российской Федерации. Состояние преступности. https://мвд.рф/reports (дата обращения: 06.03.2022).
Рецензия
Для цитирования:
Анисимов Е.С., Бекетнова Ю.М. Разработка модели прогнозирования уровня отмывания преступных доходов. Вестник университета. 2022;(5):136-143. https://doi.org/10.26425/1816-4277-2022-5-136-143
For citation:
Anisimov E.S., Beketnova J.M. Development of a model for predicting money laundering rate. Vestnik Universiteta. 2022;(5):136-143. (In Russ.) https://doi.org/10.26425/1816-4277-2022-5-136-143