EnglishНа русском

Переглянути у форматі pdf

DATA MINING-BASED ASSESSEMENT OF THE RISK OF USING FINANCIAL INTERMEDIARIES FOR MONEY LAUNDERING
O. V. Kuzmenko, A. O. Boiko, H. M. Yarovenko, T. V. Dotsenko

DOI: 10.32702/2307-2105-2019.10.6

УДК: 330.46:351.82: 338.14

O. V. Kuzmenko, A. O. Boiko, H. M. Yarovenko, T. V. Dotsenko

DATA MINING-BASED ASSESSEMENT OF THE RISK OF USING FINANCIAL INTERMEDIARIES FOR MONEY LAUNDERING

Summary

The paper deals with the mathematical economic modeling of the neural network describing the dependence of the risk of using financial intermediaries for money laundering on factors. Implementation of the proposed approach involved a multilayer perceptron (MLP) and a network based on radial basis functions (RBF). The BFGS algorithm was used to build a neural network based on the multilayer perceptron (MLP). The RBFT algorithm was used to construct a neural network based on radial basis functions (RBF). Data mining in the context of identifying key factors of the investigated risk was based on the collinearity study by applying sigma-limited parameterization and correlation analysis of the dependence of both the regressand on each of the regressors, as well as the factors among themselves. It is proposed to use the Statistica software, the Analysis package, the Advanced Methods tab, the GLM General Linear Models tab for data mining. A data set was generated for 215 countries of the world for 2017 to conduct the study. It was implemented the ranking of the predictors by the degree of their influence on the response: 1) Corruption Perceptions Index; 2) internally displaced persons, new displacement associated with conflict and violence (number of cases) 3) Happy Planet Index; 4) claims on the central government; 5) bank secrecy; 6) Global Terrorism Index; 7) gross domestic product per capita. The constructed models of neural networks are represented by architecture (the number of layers and hidden neurons), performance and error (training, control, test), learning algorithm, as well as error functions, active hidden and active output neurons. The reliability of the presented models is based on the following criteria: the criteria given in the columns “Training Performance”, “Control Performance”, “Test Performance”. The risk of using financial intermediaries for money laundering for the period 2019 - 2023 has been predicted, showing its gradual growth since 2020. It is proved that the predicted risk values of using financial intermediaries for money laundering, regardless of the rather low predicted level for 2019, tend to increase rapidly in the near term.

Keywords: money laundering risk; neural network; multilayer perceptron; network based on radial basis functions; prediction.

References

1. David Rumelhart, James L. McClelland, and the PDP Research Group (eds., 1986): Parallel Distributed Processing: explorations in the microstructure of cognition. MIT Press, Cambridge.
2. Pham D.T., Packianather M.S., Afify A.A. (2007) Artificial Neural Networks. In: Andina D., Pham D.T. (eds) Computational Intelligence. Springer, Boston, MA DOIhttps://doi.org/10.1007/0-387-37452-3_3
3. World Bank Open Data. Available online: https://data.worldbank.org (accessed on 30 December 2018).
4. Organisation for Economic Co-operation and Development. Available online: https://data.oecd.org/?_ga=2.69359696.157983792.1546455347-1152323357.1544691649 (accessed on 30 December 2018).
5. Transparency International. Available online: https://www.transparency.org/news/feature/corruption_perceptions_index_2017?gclid=EAIaIQobChMIusejy-PP3wIVVIuyCh0NdwBEEAAYASAAEgIyc_D_BwE (accessed on 30 December 2018).
6. Institute for economics & peace. Available online: http://visionofhumanity.org/app/uploads/2017/11/Global-Terrorism-Index-2017.pdf (accessed on 30 December 2018).
7. Happy Planet Index. Available online: http://happyplanetindex.org (accessed on 30 December 2018).
8. Michael J. D. Powell; Michael J. D. Powell. Restart procedures for the conjugate gradient method (англ.) // Mathematical Programming (англ.)русск. : journal. — Springer, 1977. — Vol. 12. — P. 241—254. — DOI:10.1007/bf01593790.
9. Broomhead, David H.; Lowe, David. Multivariable Functional Interpolation and Adaptive Networks (англ.) // Complex Systems : journal. — 1988. — Vol. 2. — P. 321—355.
10. Statistica Neural Networks, Addendum for Version 4.0, StatSoft, Inc., 1999.
11. Rosenblatt F.: The Perceptron: A Probabilistic Model for information storage and organization in the Brain // Psychological Review, 1958, V.65, pp. 386-408.
12. Rumelhart D.E, Hinton G.E., Williams R.J: Learning representation by back-propagating errors // Nature,1986, vol.323, pp.533-536.
13. Specht D.F. Probabilistic Neural Networks // Neural Networks,1990, V.3, pp. 109-118.
14. Kohonen T. Self-organizing Maps // Proc. IEEE, 78, no.9, pp. 1464-1480.
15. Broyden–Fletcher–Goldfarb–Shanno algorithm. Available online: https://en.wikipedia.org/wiki/Broyden–Fletcher–Goldfarb–Shanno_algorithm (accessed on 14 October 2019).
17. Berezhnyi O.M. (2010) Otsinka ta upravlinnia ryzykom vykorystannia posluh dlia lehalizatsii kryminalnykh dokhodiv abo finansuvannia teroryzmu v komertsiinomu banku : monohrafiia [Risk Assessment and Management of the Use of Services for Legalization of Criminal Income or Financing of Terrorism in a Commercial Ban]. Sumy : DVNZ UABS NBU. (in Ukrainian)
18. Bilous V.T. (2001) Orhanizatsiino-pravove zabezpechennia borotby z vidmyvanniam dokhodiv nezakonnoho pokhodzhennia: monohrafiia [Organizational and legal support of combating money laundering of illegal origin: monograph].Irpin: Akademiia DPS.(in Ukrainian)
19. Hurzhii S. H., O.L. Kopylenko, Ya.V. Yanushevych ta in. (2005) Borotba z vidmyvanniam koshtiv: pravovyi, orhanizatsiinyi ta praktychnyi aspekty [Anti-money laundering: legal, organizational and practical aspects]. K.: Parlament. vyd-vo.(in Ukrainian)
20. Marchuk R.P., O.I.Popov, V.A.Onisiev. (2008) Borotba z lehalizatsiieiu (vidmyvanniam) dokhodiv, oderzhanykh zlochynnym shliakhom i finansuvanniam teroryzmu: navchalnyi posibnyk T. 1.: Mizhnarodni normatyvno-pravovi akty ta standarty [Combating the legalization (laundering) of proceeds of crime and terrorist financing: a textbook. Volume 1: International Regulations and Standards].K.: Mizhnarodna ahentsiia “Bizon”. (in Ukrainian)
21. Vnukova N.M., Kolodiziev O.M., Chmutova I.M. (2017) Analiz mizhnarodnoho dosvidu zastosuvannia ryzyk-oriientovanoho pidkhodu u sferi protydii vidmyvanniu koshtiv, finansuvanniu teroryzmu ta rozpovsiudzhennia zbroi masovoho znyshchennia [ An analysis of the international experience of applying a risk-oriented approach in the field of combating money laundering, terrorist financing and the proliferation of weapons of mass destruction]. Hlobalni ta natsionalni problemy ekonomiky, vol.17, pp. 610–617.
22. Dmytrov S.O., Merenkova O.V., Medvid T.A., Vashchenko O.M. (2010) Otsinka ta upravlinnia ryzykom vykorystannia posluh dlia lehalizatsii kryminalnykh dokhodiv abo finansuvannia teroryzmu v komertsiinomu bank : monohrafiia [Risk Assessment and Management of Use of Services to Criminal Income or Terrorism Financing at a Commercial Bank: Monograph]. Sumy: DVNZ «UABS NBU». (in Ukrainian)
23. Zakharov V.P. (2014) Lehalizatsiia (vidmyvannia) dokhodiv, oderzhanykh zlochynnym shliakhom: teoretyko-pravovyi aspekt [ Legalization (laundering) of proceeds of crime: theoretical and legal aspect]. Visnyk Natsionalnoho universytetu “Lvivska politekhnika”. Yurydychni nauky, no.801,pp. 180-186.
24. Yvanov D.V. Prohnozyrovanye fynansovыkh rыnkov s yspolzovanyem yskusstvennыkh neironnыkh setei [Forecasting financial markets using artificial neural networks] (electronic journal) Available at: (forex-mmcis.ru./D.Ivanov). (accessed on 22 September 2019)
25. Kadnichanska V.M., Romas T.O. (2013) Otsinka ryzyku lehalizatsii dokhodiv, oderzhanykh zlochynnym shliakhom, i finansuvannia teroryzmu [Risk assessment of legalization of proceeds from crime and terrorist financing]. Visnyk Universytetu bankivskoi spravy natsionalnoho banku Ukrainy, vol.1, no.16, pp.251-254/
26. Matviichuk A. (2010) Modeliuvannia finansovoi stiikosti pidpryiemstv iz zastosuvanniam teorii nechitkoi lohiky, neironnykh merezh i dyskryminatnoho analizu [Simulation of financial stability of enterprises using the theories of fuzzy logic, neural networks and discriminant analysis]. Visn. NAN Ukrainy, no. 9, pp. 24-46.
27. Mozolevska M. O. (2017) Vykorystannia neironnykh merezh dlia prohnozuvannia u finansovii sferi [Use of neural networks for forecasting in financial sphere]. Aktualni problemy ekonomiky ta upravlinnia : zbirnyk naukovykh prats molodykh vchenykh [Actual problems of economics and management: a collection of scientific works of young scientists]. (electronic journal) vol.11. Available at: (http://ela.kpi.ua/handle/123456789/22609). (accessed on 22 September 2019).
28. Moskalenko N.V., Klymchuk N.Ia. (2017) Upravlinnia ryzykamy lehalizatsii dokhodiv, oderzhanykh zlochynnym shliakhom [Management of the risks of legalization of proceeds from crime]. Zbirnyk naukovykh prats Universytetu derzhavnoi fiskalnoi sluzhby Ukrainy, no. 1, pp. 183–194.
29. Rysin V. (2008) Kryterii otsinky ryzykiv, poviazanykh z vidmyvanniam hroshei, u protsesi formuvannia resursnoi polityky banku [Criteria for assessing money laundering risks in the process of forming a bank's resource policy]. Visnyk Lviv. un-tu, vol. 39, pp.473–475.
30. Setlak H. (2004) YSPOLZOVANYE YSKUSSTVENNЫKh NEIRONNЫKh SETEI DLIa REShENYIa ZADACh KLASSYFYKATsYY V MENEDZhMENTE [USE OF ARTIFICIAL NEURAL NETWORKS TO SOLVE CLASSIFICATION PROBLEMS IN MANAGEMENT]. Radioelektronika. Informatyka. Upravlinnia no.1, pp.127-135.
31. Smahlo O.V. (2015) Udoskonalennia systemy otsiniuvannia ryzykiv lehalizatsii zlochynnykh dokhodiv pry zdiisnenni zovnishnoekonomichnoi diialnosti [Improvement of the system of estimation of risks of legalization of criminal incomes during realization of foreign economic activity]. Teoriia ta metodolohiia bukhhalterskoho obliku, kontroliu, analizu : Mizhnar. zb. nauk. pr.. / Seriia : Bukhhalterskyi oblik, kontrol i analiz, vol.2, no.32.
32. Khudokormova M.I. (2012) Metodyka otsiniuvannia ryzyku kliienta pry vykorystanni nym posluh banku dlia lehalizatsii kryminalnykh dokhodiv [Methods of assessing the risk of the client when using his services of the bank for the legalization of criminal incomes]. Aktualni problemy ekonomiky, no. 6, pp. 283–289.
33. Chmutova I.M. (2018) Finansova stiikist banku yak indykator ryzyku vidmyvannia koshtiv ta finansuvannia teroryzmu [Bank Financial Sustainability as an Indicator of Money Laundering and Terrorist Financing Risk]. Ekonomika i suspilstvo. MUKAChIVSKYI DERZhAVNYI UNIVERSYTET, vol.14, pp.867-875.

О. В. Кузьменко, А. О. Бойко, Г. М. Яровенко, Т. В. Доценко

ОЦІНЮВАННЯ РИЗИКУ ВИКОРИСТАННЯ ФІНАНСОВИХ ПОСЕРЕДНИКІВ З МЕТОЮ ЛЕГАЛІЗАЦІЇ КРИМІНАЛЬНИХ ДОХОДІВ НА ОСНОВІ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАНИХ

Анотація

В статті побудовано економіко-математичні моделі нейронної мережі залежності ризику використання фінансових посередників з метою легалізації коштів, отриманих незаконним шляхом, від факторних ознак. Реалізація запропонованої методики відбувалась у вигляді багатошарового персептрону MLP та мережі на основі радіальних базисних функцій.
Для побудови нейронної мережі типу багатошарового персептрону MLP використано алгоритм BFGS. Для побудови нейронної мережі на основі радіальних базисних функцій RBF використано алгоритм RBFT. Інтелектуальний аналіз даних в розрізі виявлення ключових факторів досліджуваного ризику проведений на основі дослідження колінеарності шляхом застосування сигма-обмеженої параметризації та кореляційного аналізу залежності як регресанда від кожного із індикаторів регресорів, так і факторів між собою. Проведене ранжування факторів за ступенем їх впливу на відгук: 1) індекс сприйняття корупції; 2) внутрішньо переміщені особи, нові переміщення, пов'язані з конфліктом та насильством (кількість випадків); 3) світовий індекс щастя; 4) позови до центрального уряду; 5) банківська таємниця; 6) глобальний індекс тероризму; 7) валовий внутрішній продукт на душу населення.
Побудовані моделі нейронних мереж представлені архітектурою (кількістю шарів та прихованих нейронів), продуктивністю та помилкою (навчальною, контрольною, тестовою), алгоритмом навчання, а також функціями помилки, активних прихованих та активних вихідних нейронів. Достовірність представлених моделей доведена на основі критеріїв: «Продуктивність навчання», «Контрольна продуктивність», «Тестова продуктивність». Проведено прогнозування ризику використання фінансових посередників з метою легалізації кримінальних доходів на період 2019 – 2023 рр., яка засвідчило його поступове зростання починаючи з 2020 р. Доведено, що прогнозні значення ризику використання фінансових посередників з метою легалізації кримінальних доходів, незалежно від досить низького прогнозного рівня 2019 року, мають тенденцію до стрімкого зростання в найближчій перспективі.

Ключові слова: ризик легалізації кримінальних доходів; нейронна мережа; багатошаровий персептрон; мережа на основі радіальних базисних функцій; прогнозування.

Література

1. David Rumelhart, James L. McClelland, and the PDP Research Group (eds., 1986): Parallel Distributed Processing: explorations in the microstructure of cognition. MIT Press, Cambridge.
2. Pham D.T., Packianather M.S., Afify A.A. (2007) Artificial Neural Networks. In: Andina D., Pham D.T. (eds) Computational Intelligence. Springer, Boston, MA DOIhttps://doi.org/10.1007/0-387-37452-3_3
3. World Bank Open Data. Available online: https://data.worldbank.org (accessed on 30 December 2018).
4. Organisation for Economic Co-operation and Development. Available online: https://data.oecd.org/?_ga=2.69359696.157983792.1546455347-1152323357.1544691649 (accessed on 30 December 2018).
5. Transparency International. Available online: https://www.transparency.org/news/feature/corruption_perceptions_index_2017?gclid=EAIaIQobChMIusejy-PP3wIVVIuyCh0NdwBEEAAYASAAEgIyc_D_BwE (accessed on 30 December 2018).
6. Institute for economics & peace. Available online: http://visionofhumanity.org/app/uploads/2017/11/Global-Terrorism-Index-2017.pdf (accessed on 30 December 2018).
7. Happy Planet Index. Available online: http://happyplanetindex.org (accessed on 30 December 2018).
8. Michael J. D. Powell; Michael J. D. Powell. Restart procedures for the conjugate gradient method (англ.) // Mathematical Programming (англ.)русск. : journal. — Springer, 1977. — Vol. 12. — P. 241—254. — DOI:10.1007/bf01593790.
9. Broomhead, David H.; Lowe, David. Multivariable Functional Interpolation and Adaptive Networks (англ.) // Complex Systems : journal. — 1988. — Vol. 2. — P. 321—355.
10. Statistica Neural Networks, Addendum for Version 4.0, StatSoft, Inc., 1999.
11. Rosenblatt F.: The Perceptron: A Probabilistic Model for information storage and organization in the Brain // Psychological Review, 1958, V.65, pp. 386-408.
12. Rumelhart D.E, Hinton G.E., Williams R.J: Learning representation by back-propagating errors // Nature,1986, vol.323, pp.533-536.
13. Specht D.F. Probabilistic Neural Networks // Neural Networks,1990, V.3, pp. 109-118.
14. Kohonen T. Self-organizing Maps // Proc. IEEE, 78, no.9, pp. 1464-1480.
15. Алгоритм Бройдена — Флетчера — Гольдфарба — Шанно. Режим доступу: https://uk.wikipedia.org/wiki/Алгоритм_Бройдена_—_Флетчера_—_Гольдфарба_—_Шанно (станом на 14 жовтня 2019)
16. Бережний О.М. Оцінка та управління ризиком використання послуг для легалізації кримінальних доходів або фінансування тероризму в комерційному банку : монографія / О.М.Бережний. – Суми : ДВНЗ УАБС НБУ, 2010. – 114с.
17. Білоус В.Т. Організаційно-правове забезпечення боротьби з відмиванням доходів незаконного походження: монографія/В.Т. Білоус, В.М. Попович, М.В. Попович. – Ірпінь: Академія ДПС, 2001. – 137 с.
18. Боротьба з відмиванням коштів: правовий, організаційний та практичний аспекти/С. Г. Гуржій, О.Л. Копиленко, Я.В. Янушевич та ін. – К.: Парламент. вид-во, 2005. – 216 с.
19. Боротьба з легалізацією (відмиванням) доходів, одержаних злочинним шляхом і фінансуванням тероризму: навчальний посібник/Р.П. Марчук, О.І.Попов, В.А.Онісьєв. – Т. 1.: Міжнародні нормативно-правові акти та стандарти. – К.: Міжнародна агенція “Бізон”, 2008. – 384 с.
20. Внукова Н.М., Колодізєв О.М., Чмутова І.М. Аналіз міжнародного досвіду застосування ризик-орієнтованого підходу у сфері протидії відмиванню коштів, фінансуванню тероризму та розповсюдження зброї масового знищення // Глобальні та національні проблеми економіки. 2017. Вип. 17. С. 610–617.
21. Дмитров С.О., Меренкова О.В., Медвідь Т.А., Ващенко О.М. Оцінка та управління ризиком використання послуг для легалізації кримінальних доходів або фінансування тероризму в комерційному банк : монографія / за заг. ред. О.М. Бережного. Суми: ДВНЗ «УАБС НБУ», 2010. 114 c.
22. Захаров В.П. Легалізація (відмивання) доходів, одержаних злочинним шляхом: теоретико-правовий аспект/В.П. Захаров // Вісник Національного університету “Львівська політехніка”. Юридичні науки. – 2014. – №801. – С. 180-186.
23. Иванов Д.В. Прогнозирование финансовых рынков с использованием искусственных нейронных сетей [Електронний ресурс] / Д. В. Иванов – Режим доступу до ресурсу:forex-mmcis.ru./D.Ivanov. (accessed on 22 September 2019).
24. Каднічанська В.М., Ромась Т.О. Оцінка ризику легалізації доходів, одержаних злочинним шляхом, і фінансування тероризму // Вісник Університету банківської справи національного банку України. 2013. №1(16). С.251-254.
25. Матвійчук А. Моделювання фінансової стійкості підприємств із застосуванням теорій нечіткої логіки, нейронних мереж і дискримінатного аналізу // Вісн. НАН України. — 2010. — № 9. — С. 24-46.
26. Мозолевська М. О. Використання нейронних мереж для прогнозування у фінансовій сфері [Електронний ресурс] / Мозолевська М. О., Ставицький О. В. // Актуальні проблеми економіки та управління : збірник наукових праць молодих вчених. – Електронні текстові дані. – 2017. – Вип. 11. Режим доступу до ресурсу: http://ela.kpi.ua/handle/123456789/22609. (accessed on 22 September 2019).
27. Москаленко Н.В., Климчук Н.Я. Управління ризиками легалізації доходів, одержаних злочинним шляхом // Збірник наукових праць Університету державної фіскальної служби України. 2017. № 1. С. 183–194.
28. Рисін В. Критерії оцінки ризиків, пов’язаних з відмиванням грошей, у процесі формування ресурсної політики банку // Вісник Львів. ун-ту. 2008. Вип. 39. С.473–475.
29. Сетлак Г. Использование искусственных нейронных сетей для решения задач классификации в менеджменте // Радіоелектроніка. Інформатика. Управління. №1, 2004. С.127-135.
30. Смагло О.В. Удосконалення системи оцінювання ризиків легалізації злочинних доходів при здійсненні зовнішньоекономічної діяльності // Теорія та методологія бухгалтерського обліку, контролю, аналізу : Міжнар. зб. наук. пр.. / Серія : Бухгалтерський облік, контроль і аналіз. – Вип.2(32). – Житомир: ЖДТУ, 2015.
31. Худокормова М.І. Методика оцінювання ризику клієнта при використанні ним послуг банку для легалізації кримінальних доходів // Актуальні проблеми економіки. 2012. № 6. С. 283–289.
32. Чмутова І.М. Фінансова стійкість банку як індикатор ризику відмивання коштів та фінансування тероризму // Економіка і суспільство. МУКАЧІВСЬКИЙ ДЕРЖАВНИЙ УНІВЕРСИТЕТ. 2018. Випуск №14. С.867-875.
33. Lyeonov, S., Кuzmenko, О., Yarovenko, H. & Dotsenko, T. (2019). The Innovative Approach to Increasing Cybersecurity of Transactions Through Counteraction to Money Laundering. Marketing and Management of Innovations, 3, 308-326. http://doi.org/10.21272/mmi.2019.3-24

№ 10 2019

Дата публікації: 2019-10-31

Кількість переглядів: 6420

Відомості про авторів

O. V. Kuzmenko

Doctor of Economics, Associate Professor, Head of the Department of Economic Cybernetics, Sumy State University

О. В. Кузьменко

д. е. н., доцент, завідувач кафедри економічної кібернетики, Сумський державний університет

ORCID:

0000-0001-8575-5725


A. O. Boiko

PhD, Associate Professor, Associate Professor of the Department of Economic Cybernetics, Sumy State University

А. О. Бойко

к. е. н., доцент, доцент кафедри економічної кібернетики, Сумський державний університет

ORCID:

0000-0002-1784-9364


H. M. Yarovenko

PhD, Associate Professor, Associate Professor of the Department of Economic Cybernetics, Sumy State University

Г. М. Яровенко

к. е. н., доцент, доцент кафедри економічної кібернетики, Сумський державний університет

ORCID:

0000-0002-8760-6835


T. V. Dotsenko

PhD Student of the Department of Economic Cybernetics, Sumy State University

Т. В. Доценко

аспірант кафедри економічної кібернетики, Сумський державний університет

ORCID:

0000-0001-5713-2205

Як цитувати статтю

Kuzmenko, O. V., Boiko, A. O., Yarovenko, H. M. and Dotsenko, T. V. (2019), “Data mining-based assessement of the risk of using financial intermediaries for money laundering”, Efektyvna ekonomika, [Online], vol. 10, available at: http://www.economy.nayka.com.ua/?op=1&z=7302 (Accessed 28 Mar 2024). DOI: 10.32702/2307-2105-2019.10.6

Creative Commons License

Стаття розповсюджується за ліцензією
Creative Commons Attribution 4.0 Міжнародна.