| Русский Русский | English English |
   
Главная Текущий номер
05 | 06 | 2020
10.14489/vkit.2020.04.pp.044-050

DOI: 10.14489/vkit.2020.04.pp.044-050

Бекетнова Ю. М.
НАХОЖДЕНИЕ МЕР ДЕВИАНТНОЙ ДЕЯТЕЛЬНОСТИ СУБЪЕКТОВ ФИНАНСОВОГО МОНИТОРИНГА И ПРАКТИКА ИХ ПРИМЕНЕНИЯ
(c. 44-50)

Аннотация. Приведены результаты решения задачи нахождения интегральных оценок объектов финансового мониторинга. Полученные меры девиантной деятельности хозяйствующих субъектов и профессиональных участников рынка ценных бумаг послужили основой для научной визуализации данных финансового мониторинга. Предложенное решение позволило существенно повысить оперативность выявления схем с участием хозяйствующих субъектов, причастных к противоправной деятельности.

Ключевые слова:  научная визуализация; меры девиантной деятельности; скалярные оценки; противодействие отмыванию доходов.

 

Beketnova Yu. M.
FINDING MEASURES OF DEVIANT ACTIVITY OF FINANCIAL MONITORING ENTITIES AND THE PRACTICE OF ITʼS APPLICATION
(pp. 44-50)

Abstract. The solution of the State tasks to combat the laundering of proceeds from crime involves the processing of large amounts of heterogeneous data. The volume increasing of incoming information (approximately 20 % annually) leads to a decrease in the efficiency of its processing. Decision makers are forced to work with subjective assessments and face significantly increased timelines for obtaining results. An analysis of the Rosfinmonitoring tasks of money laundering combat has shown that the actual need for the number of objects to be analyzed is many times greater than the capabilities of analysts. This problematic situation requires the objects for analysis prioritization. The heterogeneous nature of information resources and their significant volume exclude the possibility of their manual processing. The solution to the problem of primary identification of financial transactions schemes can be found through visualization of assessments of identified entities. To visualize information about financial monitoring objects, it is necessary to rank them. However, the objects of financial monitoring – business entities, credit organizations, professional participants in the securities market – are described by sets of characteristics, i.e. essentially are objects of vector nature. In mathematics, the ordinal relations for vectors, as it’s known, are not defined. The article presents the results of the problem solving in finding integrated estimates of financial monitoring objects. The resulting measures of the deviant activity of business entities, credit organizations and professional participants in the securities market served as the basis for the scientific visualization of financial monitoring data. The proposed solution has significantly improved the efficiency of identifying schemes with the participation of business entities involved in illegal activities.

Keywords: Scientific visualization; Measures of deviant activity; Scalar estimates; Anti-money laundering.

Рус

 Ю. М. Бекетнова (Финансовый университет при правительстве Российской Федерации, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

Yu. M. Beketnova (Financial University under the Government of the Russian Federation, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript  

Рус

1. Huang M. L., Liang J., Nguyen Q. V. A Visualization Approach for Frauds Detection in Financial Market // 13th International Conference Information Visualisation. Barcelona, Spain, 15 – 17 July 2009.
2. Cárdenas A., Manadhata P. K., Rajan S. P. Big Data Analytics for Security // IEEE Security & Privacy. 2013. V. 11, No. 6. P. 74 – 76.
3. Khine M. S. Spatial Cognition: Key to STEM Success // Visual-spatial Ability in STEM Education. 2017. P. 3 – 8.
4. Об уполномоченном органе по противодействию легализации (отмыванию) доходов, полученных преступным путем: указ Президента Российской Федерации от 1 ноября 2001 года № 1263: Электронный документ / Правовая система «Консультант-Плюс». URL: http://www.consultant.ru/document/cons_ doc_LAW_33838/ (дата обращения: 24.01.2020).
5. О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма: федер. закон от 07.08.2001 № 115-ФЗ / Правовая система «КонсультантПлюс». URL: http://www.consultant.ru/document/ cons_doc_LAW_32834/ (дата обращения: 24.01.2020).
6. Всемирный банк, отдел по вопросам целостности финансовых рынков. Органы финансовой разведки // Международный валютный фонд. 2004. № 2. 161 с.
7. Единый государственный реестр юридических лиц. URL: https://www.nalog.ru/rn77/related_activities/ statistics_and_analytics/forms/8376083/ (дата обращения: 24.01.2020).
8. О Центральном банке Российской Федерации (Банке России): федер. закон от 10.07.2002 № 86-ФЗ / Правовая система «КонсультантПлюс». URL: http:// www.consultant.ru/document/cons_doc_LAW_37570/ (дата обращения: 24.01.2020).
9. Howard M. C. A review of Exploratory Factor Analysis Decisions and Overview of Current Practices: What we are Doing and How can we Improve? // International Journal of Human-Computer Interaction. 2016. No. 32(1). P. 51 – 62. doi: 10.1080/10447318.2015.1087664.
10. Бекетнова Ю. М. Экспертные оценки субъектов финансовой деятельности // Дискуссия. 2013. № 8(38). С. 52 – 54.
11. Районирование рисков нарушения информационной и финансовой безопасности методом главных компонент / Ю. М. Бекетнова и др. // Информатизация и связь. 2016. № 3. С. 141 – 145.
12. The Data on Exploratory Factor Analysis of Factors Influencing Employees Effectiveness for Responding to Crisis in Iran Military Hospitals. Data in Brief / A. Amerioun et al. 2018. No. 19. P. 1522 – 1529. doi: 10.1016/j.dib.2018.05.117.
13. Парадигмы цифровой экономики: технологии искусственного интеллекта в финансах и финтехе / Н. М. Абдикеев и др. М., 2019.
14. Geiger B., Kubin G. Relative Information Loss in the PCA // IEEE Information Theory Workshop. 2012. Р. 562 – 566. doi: 10.1109/ITW.2012.6404738.

Eng

1. Huang M. L., Liang J., Nguyen Q. V. (2009). A Visualization Approach for Frauds Detection in Financial Market. 13th International Conference Information Visualisation. Barcelona.
2. Cárdenas A., Manadhata P. K., Rajan S. P. (2013). Big Data Analytics for Security. IEEE Security & Privacy, Vol. 11, (6), pp. 74 – 76.
3. Khine M. S. (2017). Spatial Cognition: Key to STEM Success. Visual-spatial Ability in STEM Education, pp. 3 – 8.
4. About the authorized body to combat the legalization (laundering) of proceeds from crime. Federal Law No. 1263. Russian Federation. Legal system "Consultant Plus". Available at: http://www.consultant.ru/ document/cons_ doc_LAW_33838/ (Accessed: 24.01.2020). [in Russian language]
5. On counteracting the legalization (laundering) of proceeds from crime and the financing of terrorism. Federal Law No. 115-FZ. Russian Federation. Legal system "Consultant Plus". Available at: http:// www.consultant.ru/ document/ cons_doc_LAW_32834/ (Accessed: 24.01.2020). [in Russian language]
6. World Bank, Financial Markets Integrity Division. Financial Intelligence Bodies. (2004). International Monetary Fund, (2). [in Russian language]
7. Unified state register of legal entities. Available at: https://www.nalog.ru/rn77/related_activities/ statistics_and_analytics/forms/8376083/ (Accessed: 24.01.2020). [in Russian language]
8. About the Central Bank of the Russian Federation (Bank of Russia). Federal Law No. 86-FZ. Russian Federation. Legal system "Consultant Plus". Available at: http:// www.consultant.ru/document/cons_doc_LAW_37570/ (Accessed: 24.01.2020). [in Russian language]
9. Howard M. C. (2016). A review of Exploratory Factor Analysis Decisions and Overview of Current Practices: What we are Doing and How can we Improve? International Journal of Human-Computer Interaction, 32(1), pp. 51 – 62. doi: 10.1080/10447318.2015.1087664.
10. Beketnova Yu. M. (2013). Expert assessments of financial entities. Diskussiya, 38(8), pp. 52 – 54. [in Russian language]
11. Beketnova Yu. M., Krylov G. O., Larionova S. L., Prikazchikova A. S. (2016). Zoning of risks of violation of information and financial security by the method of main components. Informatizatsiya i svyaz', (3), pp. 141 – 145. [in Russian language]
12. Amerioun A., Alidadi A., Zaboli R., Sepandi M. (2018). The Data on Exploratory Factor Analysis of Factors Influencing Employees Effectiveness for Responding to Crisis in Iran Military Hospitals. Data in Brief, 19, pp. 1522 – 1529. doi: 10.1016/j.dib.2018.05.117.
13. Abdikeev N. M., Bark V. B., Beketnova Yu. M. et al. (2019). The paradigms of the digital economy: artificial intelligence technologies in finance and fintech. Moscow. [in Russian language]
14. Geiger B., Kubin G. (2012). Relative Information Loss in the PCA. IEEE Information Theory Workshop, pp. 562 – 566. doi: 10.1109/ITW.2012.6404738.

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 350 руб. (в том числе НДС 18%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2020.04.pp.044-050

и заполните  форму 

Отправляя форму вы даете согласие на обработку персональных данных.

.

 

Eng

This article  is available in electronic format (PDF).

The cost of a single article is 350 rubles. (including VAT 18%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2020.04.pp.044-050

and fill out the  form  

 

.

 

 

 
Поиск
Журнал КОНТРОЛЬ. ДИАГНОСТИКА
Баннер
Баннер
Баннер
Баннер
Баннер
Баннер
Rambler's Top100 Яндекс цитирования