Determination of Localized State Parameters Implicit Groups with Their Own Component of Active Behavior that does not Coincide with the Vector of Actions of the State Supersystem
Table of contents
Share
Metrics
Determination of Localized State Parameters Implicit Groups with Their Own Component of Active Behavior that does not Coincide with the Vector of Actions of the State Supersystem
Annotation
PII
S207751800000144-7-1
DOI
10.18254/S0000144-7-1
Publication type
Article
Статус публикации
Published
Authors
Evgeny Loginov 
Affiliation: Institute of Market Problems of the Russian Academy of Sciences
Address: Russian Federation, Moscow
Andrey Matveev
Affiliation: National Institute of Energy Security
Address: Russian Federation, Moscow
Alexander Shkuta
Affiliation:
Finance University
Institute of Market Problems of the Russian Academy of Sciences
Address: Russian Federation, Moscow
Abstract

This article discusses the problems of introducing a digital approach to solving the problem of identifying participants in organizational networks involved in the management of illegal financial transactions (as a basis for funding anti-state actions). The advantage of the proposed approaches is the possibility of planning measures to counter anti-state actions, taking into account new risks and threats, including in connection with the development of cryptocurrencies and cryptocurrency payment services.

Keywords
information system, monitoring, artificial intelligence, neural network model, net-centric information grid
Received
22.01.2019
Date of publication
30.03.2019
Number of characters
10678
Number of purchasers
11
Views
184
Readers community rating
0.0 (0 votes)
Cite Download pdf

To download PDF you should sign in

1 Несмотря на активно ведущиеся разработки, в этой сфере наблюдается определенное отставание идей по проблеме контртеррористической, антикоррупционной и т.п. деятельности в отношении качественно новых криминальных субъектов экономической среды, свойственных глобализированной экономике [2]. Сюда, например, можно отнести неформальные группы (организационные сети) бизнесменов или чиновников (назовем их «криминальными агентами») с собственной компонентой активного [но теневого] поведения, не совпадающего с вектором действий суперсистемы («заговорщики») [5].
2 Традиционные модели информационных ситуаций и ситуаций физического уничтожения здесь зачастую не могут быть приняты за основу, поскольку средства и методы преступных операций могут быть принципиально новыми: как из-за использования принципиально новых информационных технологий с использованием цифровой инфраструктуры финансовых операций, так и в связи с тем, что методы действий криминальных агентов в некоторых случаях могут выходить за рамки их возможного обнаружения и идентификации правоохранительными органами [8].
3 В то же время, существующим аналитическим и контрольным системам российских правоохранительных органов ранее было крайне затруднительно выявлять участников в трансграничных организационных сетях, занимающихся управлением незаконными финансовыми операциями (операции с криптовалютами и пр.). Эти зарубежные операционные центры не присутствуют в информационном поле, сформированном на основе российских юридических и физических лиц, которые имеются в базах данных.
4 Важной проблемой также является способ реализации цифровой транзакционной платформы, позволяющей представлять государственным органам в интегрируемых форматах сложноструктурируемую информацию о финансовых операциях [1].
5

Например, результатами работы Автоматизированной системы контроля за возмещением НДС (АСК НДС-2) как цифровой платформы являются следующие показатели (рис.1). В сравнении с аналогичным периодом 2015 года в 2016 г. сумма дополнительных начислений по камеральным проверкам увеличилась на 86%, практически в 2 раза (33 549 763 тыс. руб. в 2015 г. против 62 320 289 тыс. руб. в 2016 г.). Из них 74% начислено по налогам. Что касается выездных проверок, то здесь аналогичная тенденция. При уменьшении на 10% числа проверок, сумма начислений выросла на 32% (140 404 135 тыс. руб. в 2015 г. и 184 377 302 в 2016 г.).1

1. АСК НДС-2: 246 млрд рублей доначислений в 2016 году [Электронный ресурс] /https://www.klerk.ru/buh/articles/447959/ (Дата обращения 15.01.2019)
6

Рисунок 1. Структура работы Автоматизированной системы контроля за возмещением НДС (АСК НДС-2) [Автоматизированная система контроля за возмещением НДС (АСК НДС) [Электронный ресурс] // http://www.tadviser.ru (Дата обращения 15.01.2019)]

7 Необходимо выяснение связи конкретных операций (динамики сообщений, опосредующих движение капитала) с конкретным субъектом (физическим или юридическим лицом, выделение его из группы распределенных лиц), в том числе с привязкой по пространственно-временным параметрам на поле финансовых и материальных активов экономики России, обеспечения мониторинга и цифрового аудита децентрализованных операций с цифровыми финансовыми активами, включая криптовалюты и смарт-контракты. Это необходимо делать с учетом того, что, например, в рамках теневого банкинга финансовые ресурсы и акции могут менять своего хозяина (бенефициара) или управляющего очень быстро в рамках электронных сообщений, а также с учетом реальной сложности отображения (прослеживания) всех связей в международных системах движения активов и размытости современной системы учета прав собственности (включая многозвенные цепочки или оффшорных владельцев).
8 Реальный контроль динамики этих операций на базе имеющихся организационных вариантов и информационно-аналитических методик малоэффективен [1].
9 Необходимо построить практически работающую в режиме реального времени цифровую мониторинговую систему на базе однозначной идентификации юридических и физических лиц [6]. Это наиболее эффективно может быть формализовано как сетецентрическая информационная решетка антитеневой (в т.ч. антикоррупционной) деятельности правоохранительных и контролирующих ведомств на основе четкой идеологии и системном характере внедрения Data Mining.
10 На рис. 2 мы приводим обобщенную схему сетецентрической информационной решетки антитеневой (в т.ч. антикоррупционной) деятельности правоохранительных и контролирующих ведомств в экономике России.
11

Рисунок 2. Обобщенная схема сетецентрической информационной решетки антитеневой (антикоррупционной) деятельности государственных органов в экономике России

12 Сетецентрическая информационная решетка антитеневой (в т.ч. антикоррупционной) деятельности правоохранительных и контролирующих ведомств позволяет достичь новое качество антитеневого управления - организационной структуризации процессов и процедур антитеневой (в т.ч. антикоррупционной) деятельности правоохранительных и контролирующих ведомств всех уровней. Сетецентрическая информационная решетка расширяет управленческую модель мониторинга и координации за пределы одного ведомства, сетецентрически интегрируя взаимоотношения по информационно-технологическим цепочкам сбора, обработки, хранения и обмена информаций на основе новых информационных сервисов, позволяющих интегрировать распределенную группу онлайн-реестров, в которых реализуются алгоритмы автоматизированного распознавания цепочек операций по «отмыванию денег» [3].
13 В рассматриваемом комплексе создается уникальная возможность на основе выявленного – в пуле распределенных баз данных различных ведомств - информационных аналогов (матриц данных) как поискового образа незаконных финансовых операций, позволяющих сформировать своеобразный «срез» информации по проблеме по конкретному модулю в разрезе характеристик, который в практике аналогичных систем принято называть «информационным портретом» события. Информационный портрет события служит для определения наличия криминального агента [сети агентов], не присутствующего в явном виде в имеющейся базе данных, а затем позволяет идивидуализировать характеристики, чтобы определить предпочтения выявленного агента – сформировать информационный портрет субъекта. Используя такой информационный портрет субъекта, можно выявить его основные параметры и связанные с ним главные темы, выявить в массиве данных интересующих событий различной структуры с числовыми, категориальными и временными атрибутами, характеристики, особенности, связи и ключевые лица – с целью его поиска в информационном поле.
14 Позиционирование этой системы – в областях, связанных с любой деятельностью человека, как в качестве непосредственного участника таких групп, так и в качестве посредника осуществления финансирования противоправной деятельности.
15 Современные цифровые сервисы позволяют выделять взаимосвязи между физическими и логическими границами, организационными системами, физическими лицами и их формализованными и неформализованными сообществами.
16 При использовании агентных вычислительных моделей поиск типовых форм «отмывания денег» по фрагментарным данным в массиве электронных транзакций возможно реализовать уже в рамках нового – сгруппированного - укрупненного модуля проведение кластеризации. То есть на основе анализа уже нового объекта (сформированного укрупненного модуля) объединение его составляющих по заданному параметру в наблюдаемую величину, характеризующую некую сложную, иерархически организованную систему субъектов (например, криминальную организационную сеть, осуществляющую скрытое трансграничное оперирование цифровыми финансовыми активами).
17 В рамках сетецентрической информационной решетки антитеневой (в т.ч. антикоррупционной) деятельности возможно выявить ключевых субъектов, даже если точная структура организационной сети неизвестна, а также осуществить позиционирование выявленного субъекта как объекта антитеневой (в т.ч. антикоррупционной) деятельности правоохранительных и контролирующих ведомств (рис.3).
18

Рисунок 3. Позиционирование хозяйствующего субъекта как объекта антитеневой деятельности государственных органов в рамках сетецентрической информационной решетки антитеневой деятельности

19 Данный подход предъявляет особые требования к автоматизации процессов обеспечения ситуационной контролируемости в реальном масштабе времени для выявления информационных связей между узлами пересечения границ функциональных зон ответственности правоохранительных и контролирующих ведомств в рамках сетецентрической информационной решетки антитеневой (в т.ч. антикоррупционной) деятельности (рис.4).
20

Рисунок 4. Информационные связи между узлами пересечения границ функциональных зон ответственности антитеневой деятельности государственных органов в рамках сетецентрической информационной решетки антитеневой деятельности

21 В рамках выявленных информационных связей производится структуризация функциональной деятельности различных правоохранительных и контролирующих ведомств. Это обеспечивает быстроту реагирования на изменяющуюся ситуацию принятием своевременных обоснованных решений и ускоренного доведения их до структурных подразделений правоохранительных и контролирующих ведомств. Причем планирование таких мер происходит в условиях неопределенности, когда заранее не известны факторы и субъекты деструктивных воздействий, необходимый объем ресурсов и уровень сложности необходимых действий.
22 Комплекс функциональных транзакций удобно изложить в рамках матрицы антитеневых действий правоохранительных и контролирующих ведомств в отношении хозяйствующего субъекта (рис.5).
23

Рисунок 5. Матрица антикриминальных действий государственных органов в отношении хозяйствующего субъекта

24 Необходимо динамичное расширение сбора и обработки данных и реализации в режиме реального времени бизнес-коммуникаций правоохранительных и контролирующих ведомств.
25 Пример обобщенной схемы работы информационной системы, осуществляющей мониторинг и анализ сетевых связей приведен на рис.6.
26

Рисунок 6. Обобщенная схема работы информационной системы, осуществляющей мониторинг и анализ сетевых связей [Бэсенс Б. Анализ рисков в мире больших данных (Van Vlasselaer, Baesens, 2016) [Электронный ресурс] // http://www.dataminingapps.com/wp-content/uploads/2016/11/Risk-Analytics-in-a-Big-Data-World-RUS.pdf (Дата обращения 15.01.2019)]

27 В результате в предлагаемой авторами с помощью информационно - аналитического комплекса мониторинга наращивается информационная структура модуля (например, сетевых связей), что дает возможность получить итоговую резюмирующую информацию о субъекте, отсутствующую в явном виде в информационных источниках. При таком подходе становится возможным проследить цепочки связей или иных параметров субъекта или связанных с ним в рамках сети других субъектов [7].
28 Наиболее продуктивно здесь использование нейросетевой модели для изучения взаимосвязей и взаимовлияния явных и латентных цепочек поведенческих событий (базовые факторы) с реальными результатами работы и результатами тестирования по ситуациям, которые могут быть в будущем (надстроечные факторы). Особенностью предлагаемого механизма является выявление не прямой корреляции, а непрямых зависимостей с выделением на этой основе скрытых групп и их интересов, приводящих к собственной траектории индивидуального (в одиночку) и коллективного (в формальной или неформальной группе) поведения, отличающегося от ведомственного стандарта или к вероятностному атипичному поведению исходя из динамики событий, а также поисковых портретов деструктивных («майданных») групп.
29 Такой комплекс мониторинга обеспечивает итоговый выход кластера правоохранительных и контролирующих ведомств на новое качество управления для обеспечения ускоренной сходимости процесса стратегического планирования действий при решении новых управленческих проблем в условиях недостатка информации в ситуациях с большой компонентой неопределенности [4]. В том числе за счет изменения подходов к оценке исходных факторов и принятия управленческих решений в сфере мониторинга, идентификации и прогнозирования противоправных проявлений, в т.ч. в отношении финансовых операций, совершаемых с высокой долей анонимности бенефициаров.

References

1. Bogatyrev S.I. Obespechenie ehkonomicheskoj bezopasnosti finansovoj sistemy Rossii na osnove tsifrovykh finansovykh tekhnologij v usloviyakh razvitiya tenevogo bankinga. – M.: IPR RAN, 2018. - 210 s.

2. Loginov E.L., Ageev A.I. Bor'ba s terrorizmom: reshenie analiticheskikh i operativnykh zadach upravleniya v usloviyakh kriticheskoj nestabil'nosti // Ehkonomicheskie strategii. 2015. T. 17. № 9 (134). S. 6-21.

3. Loginov E.L., Matveev A.G. Informatsionno-kommunikatsionnye prioritety obespecheniya ehffektivnosti antikriminal'nykh dejstvij gosudarstvennykh vedomstv v ehkonomike Rossii // Ehkonomicheskie nauki, 2010, №9. S.17-22.

4. Loginov E.L., Shkuta A.A. Iskusstvennyj intellekt v organakh gosupravleniya // Gosudarstvennaya sluzhba. 2017. T. 19. № 5 (109). S. 24-29.

5. Lyuttvak Eh.N. Gosudarstvennyj perevorot: Prakticheskoe posobie. – M.: Russkij Fond Sodejstviya Obrazovaniyu i Nauke, 2015. – 326 s.

6. Makarov V.L., Bakhtizin A.R., Sushko E.D., Burilina M.A. Razrabotka matematicheskoj modeli dlya kolichestvennoj otsenki posledstvij nezakonnykh finansovykh operatsij // Upravlencheskoe konsul'tirovanie. 2016. № 3 (87). S. 85-95.

7. Matveev A.G. Setetsentricheskaya model' povysheniya ehffektivnosti gosudarstvennogo upravleniya v promyshlennosti Rossii. – M.: NIEhB, 2010. – 234 s.

8. Sejdzhman M. Setevye struktury terrorizma. – M.: Ideya-Press, 2008. - 224 s.