ПРОГНОЗУВАННЯ РИЗИКУ ВИКОРИСТАННЯ ФІНАНСОВИХ ПОСЕРЕДНИКІВ ДЛЯ ЛЕГАЛІЗАЦІЇ КРИМІНАЛЬНИХ ДОХОДІВ
Article Sidebar
Надіслано: 14-12-2020
Опубліковано: 15-01-2021
©, Авторські права належать авторам.
Ця стаття опублікована відповідно до стандартів відкритого доступу та розповсюджується за ліцензією Creative Commons Attribution 4.0 International (CC BY 4.0), яка дозволяє необмежене використання, розповсюдження та відтворення змісту на будь-якому носії, за умови зазначення оригінального автора та джерела.
Main Article Content
Анотація
Анотація. Збільшення обсягів міжнародної торгівлі, активний розвиток інтеграційний та конвергентних процесів на світовому фінансовому ринку, стрімке впровадження цифрових технологій у різні сфери життя, а також зростання масштабів транскордонної організованої злочинності призвели до нарощення обсягів тіньової економічної діяльності та удосконалення форм і методів відмивання незаконно отриманих коштів. За цих умов украй важливим є адекватна оцінка ризику легалізації кримінальних коштів за посередництва фінансових установ і визначення його динаміки в майбутньому. Основною метою проведеного дослідження є побудова прогнозної нейромережевої моделі для визначення динаміки ризику використання банківських установ для легалізації кримінальних коштів. Методичним інструментарієм проведеного дослідження стали методи експоненційного згладжування (з використанням експоненційного тренду, лінійної моделі Хольта і затухаючого тренду), моделі штучної нейронної мережі (багатошаровий персептрону MLP-архітектури з використанням алгоритму BFGS, радіальна базисна функція RBF-архітектури з використанням алгоритму RBFT). Об’єктом дослідження обрано 20 банків України. Побудову прогнозної моделі здійснено в такій логічній послідовності: визначено прогнозні значення релевантних факторів впливу на ризик залучення фінансової установи в тіньові операції; навчання нейронних мереж за сформованою вибіркою показників; прогнозування ризику використання фінансових посередників України для легалізації кримінальних доходів на період 2020—2025 рр. на основі побудованих нейронних мереж. Проведені розрахунки засвідчили, що до 2025 року лише 40 % аналізованих банків України зможуть зменшити їх участь у легалізації незаконно отриманих коштів. Якість побудованих прогнозів є високою, оскільки коефіцієнт ефективності для більшості побудованих моделей коливається в межах 0,9—1,0. Результати проведеного дослідження можуть бути корисними для менеджменту фінансових установ з метою вжиття комплексу превентивних заходів у системі внутрішнього фінансового моніторингу, а також науковцям, які займаються цією проблематикою.
Ключові слова: ризик, легалізація коштів, банк, нейронна мережа, фінансовий моніторинг, прогноз.
Формул: 2; рис.: 0; табл.: 2; бібл.: 34.
Article Details
Посилання
Global Anti-money Laundering Market by Component, Solution, Deployment Mode, End User and Region — Forecast to 2025. (2020, September 30). Business Wire. Retrieved December 12, 2020, from https://www.businesswire.com/news/home/20200930005690/en/Anti-money-Laundering-Market-by-Component-Solution-Deployment-Mode-End-user-and-Region---Global-Forecast-to-2025---ResearchAndMarkets.com.
The Drug problem and organized crime, illicit financial flows, corruption and terrorism. (2017). United Nations Office on Drugs and Crime. World Drug Report. Retrieved December 12, 2020 from https://globalinitiative.net/wp-content/uploads/2017/12/UNODC-World-Drug-Report-2017-Booklet_5_NEXUS.pdf.
Dean, J., Syniavska, O., & Mynenko, S. (2017). Using economic-mathematical modeling in the study of the economic component of terrorism. SocioEconomic Challenges, 1 (2), 103—109. http://doi.org/10.21272/sec.1(2).103-109.2017.
Dmytrov, S., & Medvid, T. (2017). An approach to the use of indices-based analysis subject to money laundering and terrorist financing national risk assessment SocioEconomic Challenges, 1 (1), 35—47. http://doi.org/10.21272/sec.2017.1-04.
Berzin, P., Shyshkina, O., Kuzmenko, O., & Yarovenko, H. (2018). Innovations in the Risk Management of the Business Activity of Economic Agents. Marketing and Management of Innovations, 4, 221—233. http://doi.org/10.21272/mmi.2018.4-20.
Levchenko, V., Kobzieva, T., Boiko, A., & Shlapko, T. (2018). Innovations in Assessing the Efficiency of the Instruments for the National Economy De-Shadowing: the State Management Aspect. Marketing and Management of Innovations, 4, 361—371. http://doi.org/10.21272/mmi.2018.4-31.
Levchenko, V., Boyko, A., Bozhenko, V., & Mynenko, S. (2019). Money laundering risk in developing and transitive economies: Analysis of cyclic component of time series. Business: Theory and Practice, 20, 492—508. https://doi.org/10.3846/btp.2019.46.
Boyko, A., & Roienko, V. (2014). Risk assessment of using insurance companies in suspicious transactions. Ekonomichnyi chasopys-XXI — Economic Annals-XXI, 11—12, 73—76.
Hopkins, M., & Shelton, N. (2019). Identifying Money Laundering Risk in the United Kingdom: Observations from National Risk Assessments and a Proposed Alternative Methodology. European Journal on Criminal Policy and Research, 25 (1), 63—82. https://doi.org/10.1007/s10610-018-9390-5.
Isa, Y. M., Sanusi, Z. M., Haniff, M. N., & Barnes, P. A. (2015). Money Laundering Risk: From the Bankers’ and Regulators Perspectives. Procedia Economics and Finance, 28, 7—13. https://doi.org/10.1016/s2212-5671(15)01075-8.
Riccardi, M., Milani, R., & Camerini, D. (2019). Assessing Money Laundering Risk across Regions. An Application in Italy. European Journal on Criminal Policy and Research, 25 (1), 21—43. https://doi.org/10.1007/s10610-018-9399-9.
Lebid, O., Chmutova, I., Zuieva, O., & Veits, O. (2018). Risk assessment of the bank's involvement in legalization of questionable income considering the influence of fintech innovations implementation. Marketing and Management of Innovations, 2, 232—246. http://doi.org/10.21272/mmi.2018.2-19.
Subeh, M., & Yarovenko, H. (2017). Data Mining of Operations with Card Accounts of Bank Clients. Financial Markets, Institutions and Risks, 1 (4), 87—95. http://doi.org/10.21272/fmir.1(4).87-95.2017.
Evana, E., Metalia, M., Mirfazli, E., Georgieva, D. V., & Sastrodiharjo, I. (2019). Business Ethics in Providing Financial Statements: The Testing of Fraud Pentagon Theory on the Manufacturing Sector in Indonesia. Business Ethics and Leadership, 3 (3), 68—77. http://doi.org/10.21272/bel.3(3).68-77.2019.
Kirichenko, L., Radivilova, T., & Anders, C. (2017). Detecting cyber threats through social network analysis: short survey. SocioEconomic Challenges, 1 (1), 20—34. http://doi.org/10.21272/sec.2017.1-03.
Chao, X., Kou, G., Peng, Y., & Alsaadi, F. E. (2019). Behavior monitoring methods for trade-based money laundering integrating macro and micro prudential regulation: A case from China. Technological and Economic Development of Economy, 25 (6), 1081—1096. https://doi.org/10.3846/tede.2019.9383.
Naheem, M. A. (2019). Anti-money laundering/trade-based money laundering risk assessment strategies — action or re-action focused? Journal of Money Laundering Control, 22 (4), 721—733. https://doi.org/10.1108/JMLC-01-2016-0006.
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.
Kerimov, A., Boyko, A., & Bozhenko, V. (2020). Сyclical fluctuation in money laundering: case study of Azerbaijan, Tajikistan, Ukraine and Kazakhstan. 55th International Scientific Conference Economic and Social Development (Baku, Azerbaijan, 18-19 June 2020), Vol. 1/4, 83—92.
Subeh, M. A., & Boiko, A. (2017). Modeling efficiency of the State Financial Monitoring Service in the context of counteraction to money laundering and terrorism financing. SocioEconomic Challenges, 1 (2), 39—51. http://doi.org/10.21272/sec.1(2).39-51.2017.
Levchenko, V., Boyko, A., Savchenko, T., Bozhenko, V., Humenna, Yu., & Pilin, R. (2019). State Regulation of the Economic Security by Applying the Innovative Approach to its Assessment. Marketing and Management of Innovations, 4, 364—372. http://doi.org/10.21272/mmi.2019.4-28.
Vasylieva, T., Harust, Yu., Vynnychenko, N., & Vysochyna, A. (2018). Optimization of the financial decentralization level as an instrument for the country’s innovative economic development regulation. Marketing and Management of Innovations, 4, 381—390. http://doi.org/10.21272/mmi.2018.4-33.
Delanoy, N., & Kasztelnik, K. (2020). Business Open Big Data Analytics to Support Innovative Leadership Decision in Canada. Business Ethics and Leadership, 4 (2), 56—74. https://doi.org/10.21272/bel.4(2).56-74.2020.
Кaraoulanis, A. (2018). Big Data, What Is It, Its Limits and Implications in Contemporary Life. Business Ethics and Leadership, 2 (4), 108—114. http://doi.org/10.21272/bel.2(4).108-114.2018.
Tang, S. M., & Tien, H. N. (2020). Impact of Artificial Intelligence on Vietnam Commercial Bank Operations. International Journal of Social Science and Economics Invention, 6 (07), 296—303. https://doi.org/10.23958/ijssei/vol06-i07/216
Chen, Z., Van Khoa, L. D., Teoh, E. N., Nazir, A., Karuppiah, E. K., & Lam, K. S. (2018, November 1). Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review. Knowledge and Information Systems. Springer London. https://doi.org/10.1007/s10115-017-1144-z.
Prakash, A., Apoorva, S., Amulya, K. H., Kavya, T. P., & Prashanth Kumar, K. N. (2019). Proposal of expert system to predict financial frauds using data mining. In Proceedings of the 3rd International Conference on Computing Methodologies and Communication, ICCMC 2019 (pp. 604—607). Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/ICCMC.2019.8819607.
Jackson, E. A., Tamuke E., & Jabbie M. (2019). Disaggregated Short-Term Inflation Forecast (STIF) for Monetary Policy Decision in Sierra Leone. Financial Markets, Institutions and Risks, 3 (4), 32—48. http://doi.org/10.21272/fmir.3(4).32-48.2019.
Didenko, I., & Hammadi, H. (2017). Demand Forecast, Supply and Equilibrium Price on the Deposit Market: Methodology and Experience of Ukraine. Financial Markets, Institutions and Risks, 1 (3), 34—43. http://doi.org/10.21272/fmir.1(3).34-43.2017.
Prince, T. (2017). Behavioral Finance and the Business Cycle. Business Ethics and Leadership, 1 (4), 28—48. http://doi.org/10.21272/bel.1(4).28-48.2017.
Njegovanović, A. (2018). Digital Financial Decision With A View Of Neuroplasticity / Neurofinancy / Neural Networks. Financial Markets, Institutions and Risks, 2 (4), 82—91. http://doi.org/10.21272/fmir.2(4).82-91.2018.
Kuzmenko, O., & Roienko, V. (2017). Nowcasting income inequality in the context of the Fourth Industrial Revolution SocioEconomic Challenges, 1 (1), 5—12. http://doi.org/10.21272/sec.2017.1-01.
Lyeonov, S., Kuzmenko, O., Mynenko, S., Kwilinski, A., & Lyulyov, O. (2020). Determining the rating of Ukrainian banks on the risk of legalization of illegally obtained income. Mechanism of Economic Regulation, 3. Forthcoming.
Kerimov, A., Azarenkova, G., Masharsky, A., & Tomarovych, T. (2020). The methods of managing for risks combating money laundering (legalization) of proceeds from crime and financing of terrorism. 55th International Scientific Conference Economic and Social Development (Baku, Azerbaijan, 18—19 June 2020), Vol. 1/4. (pp. 846—855).