Анализ возможностей автоматизации выявления недобросовестных микрофинансовых организаций на основе методов машинного обучения

Микрофинансирование является одним из способов борьбы с бедностью, в связи с чем имеет высокую социальную значимость. Сфера микрофинансирования в России активно развивается. Но вовлеченность ми-крофинансовых организаций (МФО) в незаконные финансовые операции, связанные с мошенничеством, деятельностью нелегальных кредиторов, легализацией доходов, полученных преступным путем, существенно ограничивают их потенциал и негативно влияют на динамику развития. Цель исследования состоит в изучении возможностей автоматизации процесса выявления недобросовестных участников рынка микрофинансирования на основе методов и алгоритмов машинного обучения для оперативного выявления и пресечения противоправной деятельности контролирующими органами. Автор приводит распространенные мошеннические схемы с участием микрофинансовых организаций, в том числе схему обналичивания материнского капитала, мошенническую схему кредитования под залог недвижимости. Проведен сравнительный анализ результатов, полученных методами классификации — методом логистической регрессии, деревьев решений (алгоритмы двухклассовый лес решений, Adaboost), методом опорных векторов (алгоритм двухклассовая машина опорных векторов), нейросетевыми методами (алгоритм двухклассовой нейронной сети), Байесовскими сетями (алгоритм двухклассовой сети Байеса). Наиболее точные результаты показала двухклассовая машина опорных векторов. Анализ проведен на основе данных о микрофинансовых организациях, публикуемых Банком России, самими МФО, порталом banki.ru. Автор делает вывод о том, что приведенные результаты исследования могут быть использованы Банком России и Росфинмониторингом для автоматизации выявления недобросовестных микрофинансовых организаций.

1. Сорокин А. С., Шилов В. А. Многомерный статистический анализ структуры рынка микрофинансирования в России. Интернет-журнал Науковедение. 2016;8(1):10. DOI: 10.15862/10EVN 116

2. Макарова Е. Б. Особенности микрофинансирования в России. Вестник Волгоградского государственного университета. Серия 3: Экономика. Экология. 2017;19(4):80-86. DOI: 10.15688/jvolsu3.2017.4.9

3. Балашев Н. Б., Баркинхоева М. Х. Тенденции развития микрофинансового рынка в РФ. Экономика и бизнес: теория и практика. 2019;(10-1):27-31. DOI: 10.24411/2411-0450-2019-11207

4. Цветков В. А., Дудин М. Н., Сайфиева С. Н. Проблемы и перспективы развития микрофинансовых организаций в Российской Федерации. Финансы: теория и практика. 2019;23(3):96-111. DOI: 10.26794/25875671-2019-23-3-96-111.

5. Ордынская М. Е., Силина Т. А. Доступность микрофинансовых услуг для субъектов малого бизнеса (на материалах Республики Адыгея). Вестник Адыгейского государственного университета. Серия 5: Экономика. 2018;(3):213-224.

6. Черных С. И. Микрофинансовые организации в отечественной финансово-кредитной системе: проблемы роста. Вестник Института экономики Российской академии наук. 2017;(2):139-146.

7. Ершова И. В., Тарасенко О. А. Малое и среднее предпринимательство: трансформация российской системы кредитования и микрофинансирования. Вестник Пермского университета. Юридические науки. 2018;(39):99-124. DOI: 10.17072/1995-4190-2018-39-99-124

8. Евлахова Ю. С. Российские микрофинансовые организации: динамика развития и проблема вовлеченности в незаконные финансовые операции. Финансы и кредит. 2018;24(7):1637-1648. DOI: 10.24891/fc.24.7.1637

9. Волков С. Е., Лоскутов И. Н. Мошенничество в области микрофинансов. М.: РАЕН; 2016. 20 с.

10. Pavlidis N. G., Tasoulis D. K., Adams N. M., Hand D. J. Adaptive consumer credit classification. Journal of the Operational Research Society. 2012;63(12):1645-1654. DOI: 10.1057/jors.2012.15

11. Yap B. W., Ong S. H., Husain N. H.M. Using data mining to improve assessment of credit worthiness via credit scoring models. Expert Systems with Applications. 2011;38(10):13274-13283. DOI: 10.1016/j.eswa.2011.04.147

12. Khemais Z., Nesrine D., Mohamed M. Credit scoring and default risk prediction: A comparative study between discriminant analysis and logistic regression. International Journal of Economics and Finance. 2016;8(4):39. DOI: 10.5539/ijef.v8n4p39

13. Li Z., Tian Y., Li K., Yang W. Reject inference in credit scoring using support vector machines. SSRN Electronic Journal. 2016. DOI: 10.2139/ssrn.2740856

14. Louzada F., Anacleto-Junior O., Candolo C., Mazucheli J. Poly-bagging predictors for classification modelling for credit scoring. Expert Systems with Applications. 2011;38(10):12717-12720. DOI: 10.1016/j.eswa.2011.04.059

15. Vukovic S., Delibasic B., Uzelac A., Suknovic M. A case-based reasoning model that uses preference theory functions for credit scoring. Expert Systems with Applications. 2012;39(9):8389-8395. DOI: 10.1016/j.eswa.2012.01.181

16. Marques A. I., Garcia V., Sanchez J. S. Two-level classifier ensembles for credit risk assessment. Expert Systems with Applications. 2012;39(12):10916-10922. DOI: 10.1016/j.eswa.2012.03.033

17. Akkoç S. An empirical comparison of conventional techniques, neural networks and the three-stage hybrid Adaptive Neuro Fuzzy Inference System (ANFIS) model for credit scoring analysis: The case of Turkish credit card data. European Journal of Operational Research. 2012;222(1):168-178. DOI: 10.1016/j.ejor.2012.04.009

18. Wu W.-W. Improving classification accuracy and causal knowledge for better credit decisions. International Journal of Neural Systems. 2011;21(4):297-309. DOI: 10.1142/S0129065711002845

19. Zhu H., Beling P. A., Overstreet G. A. A Bayesian framework for the combination of classifier outputs. Journal of the Operational Research Society. 2002;53(7):719-727. DOI: 10.1057/palgrave.jors.2601262

20. Эскиндаров М. А., Соловьева В. И., ред. Парадигмы цифровой экономики: Технологии искусственного интеллекта в финансах и финтехе. М.: Когито-Центр; 2019. 325 с.