Информационная система обработки данных финансового мониторинга в области биоресурсов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Денисенко, Андрей Сергеевич

  • Денисенко, Андрей Сергеевич
  • кандидат науккандидат наук
  • 2017, Москва
  • Специальность ВАК РФ05.13.01
  • Количество страниц 136
Денисенко, Андрей Сергеевич. Информационная система обработки данных финансового мониторинга в области биоресурсов: дис. кандидат наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Москва. 2017. 136 с.

Оглавление диссертации кандидат наук Денисенко, Андрей Сергеевич

СОДЕРЖАНИЕ

Список сокращений

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Информационная система финансового мониторинга

1.2. Состояние вопроса оценки обстановки в финансовом мониторинге

1.3. Комплексная методика автоматизации процесса оценки обстановки в ИС финансового мониторинга

1.4. Постановка задачи обработки информации на этапе оценки обстановки в ИС финансового мониторинга

1.5. Разработка признакового пространства и формирование матрицы исходных

данных

Выводы по главе 1

ГЛАВА 2. РАЗРАБОТКА АЛГОРИТМА СИНТЕЗА РЕЙТИНГОВЫХ ОЦЕНОК СУБЪЕКТОВ ОБСТАНОВКИ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ФИНАНСОВОГО МОНИТОРИНГА

2.1. Анализ методов скаляризации многокритериальных оценок

2.1.1. Метод ^-средних кластерного анализа

2.1.2. Метод главных компонент факторного анализа

2.1.3. Другие методы скаляризации многокритериальных оценок

2.2. Синтез рейтинговых оценок субъектов обстановки

2.2.1. Применение метода ^-средних кластерного анализа

2.2.2. Применение метода главных компонент факторного анализа

2.2.2.1. Формализация задачи синтеза рейтинговых оценок субъектов обстановки в терминах метода главных компонент

2.2.2.2. Синтез рейтинговых оценок субъектов обстановки методом главных компонент

2.2.2.3. Верификация рейтинговых оценок субъектов обстановки

2.3. Алгоритм синтеза рейтинговых оценок субъектов обстановки в

информационной системе финансового мониторинга

Выводы по главе 2

ГЛАВА 3. РАЗРАБОТКА АЛГОРИТМА ГЕНЕРАЦИИ ИНФОРМАЦИИ О ДЕВИАНТНОЙ ДЕЯТЕЛЬНОСТИ СУБЪЕКТОВ В ИНФОРМАЦИОННОЙ СИСТЕМЕ ФИНАНСОВОГО МОНИТОРИНГА

3.1. Разработка моделей классификации субъектов для идентификации девиантных субъектов

3.1.1. Использование алгоритма CART деревьев решений

3.1.2. Использование алгоритма QUEST деревьев решений

3.2. Алгоритм генерации информации о девиантной деятельности субъектов на естественном языке (в виде логических правил) в ИС финансового

мониторинга

Выводы по главе 3

ГЛАВА 4. МОДЕРНИЗАЦИЯ ИНФОРМАЦИОННОЙ СИСТЕМЫ НА ОСНОВЕ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ И ОЦЕНКА ПОЛОЖИТЕЛЬНОГО

ЭФФЕКТА

4.1. Внедрение программной реализации алгоритмов в ИС Росфинмониторинга

4.2. Методика визуализации информации об обстановке по данным финансового мониторинга

4.3. Формирование оптимального набора проверяемых субъектов

Выводы по главе 4

ЗАКЛЮЧЕНИЕ

Список литературы

Приложение 1

Приложение 2

Приложение 3

Приложение 4

Приложение 5

Список сокращений

Сокращение Расшифровка

ЕИС Единая информационная система

ПАК Подсистема автоматической классификации

ПФР Подразделение финансовой разведки

ДФО Дальневосточный Федеральный округ

ФАТФ, FATF Financial action task force, межправительственная организация по выработке методик борьбы с отмыванием преступных доходов

РФ Российская Федерация

ФЗ Федеральный закон

АО Автономный округ

ПОД/ФТ Противодействие отмыванию денег и финансированию терроризма

СОИ Cредства отображения информации, полученной в результате воздействия

БД База данных

ГК Главная компонента

СФ Субъект Федерации

ФТС Федеральная таможенная служба

ВЭД Внешнеэкономическая деятельность

ИС Информационная система

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Информационная система обработки данных финансового мониторинга в области биоресурсов»

ВВЕДЕНИЕ

Актуальность диссертационного исследования. Противодействие отмыванию преступных доходов является важной задачей финансового мониторинга [155] (в России - Росфинмониторинга), решение которой основано на использовании больших (несколько терабайт) информационных массивов гетерогенных данных. Эти массивы поступают в информационную систему (ИС) финансового мониторинга. В целях оценки обстановки (ситуации), являющейся исходным и важнейшим этапом принятия решений, в ИС осуществляется обработка поступающих данных, что позволяет представить субъекты векторами показателей. Суть оценки обстановки заключается в свёртке показателей в единую рейтинговую оценку, характеризующую меру девиантной деятельности субъекта. Существующий в финансовом мониторинге подход к оценке обстановки заключается в том, что эксперты назначают компонентам вектора весовые коэффициенты и складывают полученные результаты. При этом, в соответствии со сложившейся практикой эксперты осуществляют подготовку информации об обстановке на естественном языке.

Однако, получаемые таким способом результаты сопровождаются экспертным субъективизмом и социально-политической мотивацией экспертов. Кроме того, возрастающий объём поступающих данных (приблизительно на 20% ежегодно) приводит к снижению оперативности обработки данных на этапе оценки обстановки. Руководство Росфинмониторинга вынуждено работать с субъективными оценками и сталкиваться с существенно увеличенными сроками получения результата.

В этих условиях возникает противоречие между потребностью руководства Росфинмониторинга и существующей практикой обработки данных, сопровождающейся большими временными и ресурсными затратами, а также экспертным субъективизмом. Данное противоречие связано с

недостаточным уровнем системности существующего подхода и может быть устранено путём разработки комплексной методики автоматизации процесса оценки обстановки в ИС финансового мониторинга, основанной на алгоритмах решения частных задач оценки обстановки с учётом их специфики.

Таким образом, исследование и разработка научно-технических решений обработки данных финансового мониторинга для оценки обстановки, исключающих экспертный субъективизм и удовлетворяющих критерию к временным и ресурсным показателям процесса обработки данных, является актуальной задачей.

Разработке и исследованию методов и моделей обработки данных посвящены работы С.А. Айвазяна, М.Г. Завельского, Г.Б. Клейнера, А.Н. Колмогорова, Т.И. Овчинникова, Н.К. Разумовского, В.Я. Райцина, А.Ф. Филиппова, Л.М. Чёрного, Г.О. Крылова и других учёных. Большой вклад в системный анализ процессов в прикладных областях внесли труды зарубежных учёных Р. Кини, М. Месаровича, П. Ромер, Х. Райфа, Т. Саати, Р. Солоу, И. Такахары, Дж. Айтчисона, Дж. Брауна и других.

Между тем, исследование и разработка научно-технических решений обработки данных финансового мониторинга для оценки обстановки, позволяющих исключить экспертный субъективизм и повысить оперативность получения результатов, другими исследователями ранее не осуществлялись.

В соответствии с функцией предпочтения лиц, принимающих решения (ЛПР) в Росфинмониторинге, интерпретация теоретических результатов диссертации осуществляется на примере области биоресурсов.

Цель и задачи исследования. Целью является исследование и разработка научно-технических решений обработки данных финансового мониторинга для оценки обстановки в области биоресурсов, исключающих экспертный субъективизм при обработке данных и удовлетворяющих критерию к временным и ресурсным показателям процесса обработки данных, для повышения качества принимаемых решений по противодействию легализации преступных доходов.

Достижение поставленной цели предполагает решение следующих задач:

1. Анализ существующих в финансовом мониторинге подходов к оценке обстановки.

2. Постановка и формализация частных задач этапа оценки обстановки, декомпозиция временных и ресурсных показателей.

3. Формирование критерия к временным и ресурсным показателям процесса обработки данных на этапе оценки обстановки.

4. Разработка алгоритма синтеза рейтинговых оценок субъектов обстановки в ИС финансового мониторинга.

5. Разработка алгоритма генерации информации о девиантной деятельности субъектов на естественном языке.

6. Разработка комплексной методики автоматизации процесса оценки обстановки в ИС финансового мониторинга, основанной на алгоритмах синтеза рейтинговых оценок субъектов и идентификации девиантной деятельности.

Объектом диссертационного исследования является информационная система финансового мониторинга.

Предметом диссертационного исследования являются алгоритмы и методы синтеза оценок девиантной деятельности в информационной системе финансового мониторинга.

Методы исследования

В работе использовались методы структурного системного анализа, математической статистики (факторный анализ, кластерный анализ), численные методы линейной алгебры, исследования операций.

Научная новизна состоит в разработке и обосновании научно-технических решений обработки данных финансового мониторинга, отличающихся от существующих подходов тем, что исключают экспертный субъективизм при обработке данных и удовлетворяют критерию к временным и ресурсным показателям процесса обработки данных. Новыми являются следующие научные результаты:

1. Определены основные этапы обработки данных при оценке обстановки, поставлены и формализованы частные задачи обработки данных в ИС финансового мониторинга для оценки обстановки.

2. Впервые предложена комплексная методика автоматизации процесса оценки обстановки в ИС финансового мониторинга.

3. Разработан алгоритм синтеза рейтинговых оценок субъектов обстановки в ИС финансового мониторинга, учитывающий некоторую априори неизвестную вариацию исходных показателей, характеризующую девиантную деятельность субъектов.

4. Разработан алгоритм генерации информации о девиантной деятельности субъектов на естественном языке путём обработки текущей информации об их деятельности в ИС финансового мониторинга.

5. Впервые проверена гипотеза о применимости логнормального закона для описания зависимости количества субъектов в области биоресурсов от меры их вовлечённости в девиантную деятельность.

6. Разработанные алгоритмы и методика обработки данных финансового мониторинга в области биоресурсов в полной мере применимы к решению класса задач оценки обстановки в других областях деятельности объектов финансового мониторинга.

Практическая значимость работы состоит в следующем: 1. На основе разработанных алгоритмов и методики обработки данных финансового мониторинга модернизирована ИС Росфинмониторинга для обработки данных в области биоресурсов, что позволило:

- синтезировать рейтинговые оценки субъектов обстановки в области биоресурсов (2292 субъекта), лишённые экспертного субъективизма;

- сгенерировать логические правила идентификации девиантных субъектов в области биоресурсов, выраженные на естественном языке, по которым компетентные органы могут своевременно идентифицировать девиантную деятельность в области биоресурсов;

- на порядок сократить длительность процесса обработки данных для оценки обстановки в области биоресурсов (по экспериментальным данным экспертов Росфинмониторинга в 19 раз при формировании рейтинговых оценок и в 3-5 раз при генерации информации о девиантной деятельности в области биоресурсов).

2. С использованием разработанного алгоритма синтеза рейтинговых оценок разработана методика визуализации информации об обстановке, использование которой позволило сформировать карту обстановки в Дальневосточном Федеральном округе в области биоресурсов.

3. Экспериментально подтверждены теоретические положения диссертации: при сопоставлении предоставленной экспертами выборки субъектов (содержащей равное количество девиантных и недевиантных субъектов) с результатами ранжирования субъектов по синтезированным рейтингам, около 100 субъектов выборки оказались первыми 100 наблюдениями (наиболее девиантными), оставшиеся 100 оказались последними 100 субъектами в списке (недевиантными).

4. Синтезированные рейтинговые оценки и информация о девиантной деятельности субъектов использованы функциональными подразделениями Росфинмониторинга в практической деятельности.

5. Научные результаты диссертации использованы в учебном процессе в рамках курса «Национальная система противодействия легализации преступных доходов и финансированию терроризма» кафедры финансового мониторинга стратегической академической единицы Институт интеллектуальных кибернетических систем НИЯУ МИФИ.

Положения, выносимые на защиту

1. Комплексная методика автоматизации процесса оценки обстановки в ИС финансового мониторинга.

2. Алгоритм синтеза рейтинговых оценок субъектов обстановки в ИС финансового мониторинга.

3. Алгоритм генерации информации о девиантной деятельности субъектов на естественном языке при обработке текущей информации об их деятельности в ИС финансового мониторинга.

4. Результаты внедрения программной реализации разработанных алгоритмов в ИС финансового мониторинга.

Соответствие темы диссертационного исследования паспорту специальности. Диссертационная работа по своему содержанию соответствует пунктам 2 (формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации), 4 (разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации), 5 (разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации) паспорта специальности 05.13.01 - системный анализ, управление и обработка информации (в информационных системах).

Апробация работы

Основные результаты диссертационной работы докладывались на следующих Всероссийских и международных конференциях:

1. XXII Всероссийская научная конференция «Информатизация и информационная безопасность правоохранительных органов», Москва, 29-30 мая 2013 г.

2. I Международный конгресс по информационной безопасности национальных экономик в условиях глобализации InfoSecurityFmance, Москва, 15-16 мая 2013 г.

3. VI Международная научно-практическая конференция «Информационные технологии в науке, бизнесе и образовании», InfoSecurityFmance, Москва, 27 ноября 2013 г.

4. II Международный конгресс по информационной безопасности национальных экономик InfoSecurityFmance, Москва, 15 мая 2014 г.

5. XXIV Всероссийская научная конференция «Информатизация и информационная безопасность правоохранительных органов», Москва, 3 июня 2015 г.

6. Международная научно-практическая конференция «Угрозы и риски для экономик стран БРИКС», Москва, 10-12 ноября 2015 г.

7. Всероссийский научный семинар «Актуальные вопросы управления в социально-экономических системах», Москва, 15 марта 2016 г.

Достоверность результатов обеспечивается корректностью применяемого математического аппарата, доказанностью выводов, совпадением теоретических выводов и экспериментальных данных, апробацией на научно -практических конференциях и семинарах, положительным эффектом внедрения результатов исследования.

Публикации. Основные результаты диссертации опубликованы в 7 печатных работах, из них 3 статьи в периодических научных изданиях, рекомендованных ВАК России, 2 статьи в журналах, представленных в базе цитирования Scopus, 2 работы в других изданиях.

Личный вклад автора в проведении исследования. Основные научные результаты, заключающиеся в разработке алгоритмов автоматизированной обработки информации в ИС финансового мониторинга для оценки обстановки, разработке методики визуализации информации об обстановке, получены автором лично.

Объём и структура работы

Диссертация состоит из введения, четырёх глав, заключения, списка литературы, изложена на 136 страницах, в том числе основного текста на 114 страницах. Работа иллюстрирована 28 таблицами и 32 рисунками. Список литературы содержит 163 источника, в том числе 42 на иностранных языках.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМНОЙ ОБЛАСТИ И ПОСТАНОВКА ЗАДАЧИ ИССЛЕДОВАНИЯ

1.1. Информационная система финансового мониторинга

Росфинмониторинг выполняет функции финансового мониторинга в Российской Федерации. Росфинмониторинг осуществляет обработку и анализ поступающих массивов гетерогенных данных с целью преобразования их в информацию финансовой разведки. Концентрация ресурсов Росфинмониторинга на процессах сбора и анализа информации позволяет не только улучшить традиционные методы борьбы с организованной преступностью, но и использовать качественно новые способы обеспечения безопасности: предотвратить хищение бюджетных средств, своевременно идентифицировать несоблюдение сроков исполнения государственных контрактов, анализировать эффективность государственных программ, выявлять риски в финансовом секторе. Практический опыт анализа финансовых операций позволяет Росфинмониторингу выступать инициатором законотворческих инициатив, направленных на укрепление правовой и административной системы России в целях обеспечения её финансовой и экономической безопасности.

В целях оценки обстановки, являющейся исходным и важнейшим этапом в контуре принятия решений (рис.1.1), в финансовом мониторинге осуществляются обработка и анализ поступающих данных.

Рис. 1.1. Этапы принятия решений в финансовом мониторинге

В ИС Росфинмониторинга осуществляется обработка поступающих массивов гетерогенных данных, позволяющая рассчитать признаки субъектов и представить их векторами показателей (Подсистема автоматической классификации (ПАК) (рис. 1.2)). Обработка данных осуществляется автоматизированным путём с участием экспертов финансового мониторинга.

Подсистемы общего назначения

Пользовательские аналитические инструменты

Рис. 1.2. Общая схема информационной системы финансового мониторинга Иерархия контуров управления в Росфинмониторинге представлена на рис. 1.3. Аналитик осуществляет воздействие (управление) на информационные массивы для оценки обстановки и принятия решения о проверке субъектов.

Хранилище данных

-____ ____- -____ ____-

БД внешних БД управления

информационных ресурсами и

Подсистема ресурсов документами

автоматической — ____ ___,

классификации

(расчёт признаков)

-____ ____- -____ ___-

БД сообщений о

финансовых БД результатов

операциях и их расчёта признаков

участниках

I

1

Рис. 1.3. Иерархия контуров управления в Росфинмониторинге

Принятие аналитиком решений о проверке субъектов осуществляется исходя из характеристик (признаков) хг-, вычисляемых в ПАК на основе поступающих данных (рис. 1.4, Ип - интерфейс воздействия на информационный массив, СОИ - средства отображения информации, полученной в результате воздействия).

Рис. 1.4. Обработка информационных массивов в контуре управления аналитика в финансовом мониторинге

ГОЕБО схема формализованного хранения признаков в ПАК представлена на рис. 1.5. ПАК является ключевым элементом информационной системы финансового мониторинга. Обработка информации в ПАК позволяет представить субъекта вектором показателей х(1), х(2),..., х{р\

Оазз^егз

Рис. 1.5. Модель данных хранения признаков субъектов в ПАК

Объектом автоматизации ПАК является деятельность сотрудников финансового мониторинга, связанная с аналитической обработкой сведений о финансовых операциях, направленная на выявление субъектов, имеющих признаки девиантной (отклоняющейся от обычной) деятельности.

Финансовые операции, юридические лица, физические лица, кредитные организации, государственные контракты, счета и адреса представлены в ПАК информационными объектами. Атрибуты информационных объектов формируются в результате обработки различных информационных источников. ПАК обеспечивает выполнение следующих функций:

- классификация сведений о субъектах (юридических и физических лицах) и объектах (операциях с денежными средствами и другим имуществом);

- выявление признаков и рисков совершения операций по легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма на основе формализованных правил и типологий.

ПАК обеспечивает следующие процессы:

- классификация сведений об операциях и объектах согласно формализованным правилам; мониторинг событий, связанных с изменением реквизитов операций, сделок и их участников;

- выявление операций (сделок), и схем деятельности объектов, имеющих признаки легализации (отмывания) доходов, полученных преступным путем, и финансирования терроризма в соответствии с формализованными правилами и типологиями;

- выявление признаков и рисков совершения операций по легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма на основе формализованных правил и типологий;

- создание, ведение и тестирование правил классификации с целью автоматической классификации операций, участников (и других объектов), выявления операций, сделок и схем в соответствии с экспертными правилами.

Классификация объектов в информационной системе производится по следующим признакам:

- по правовому статусу (по типу лица: физические, юридические, организации без прав юридического лица, кредитные, некоммерческие);

- по организационно-правовой форме;

- по территориальному признаку (страна, Федеральный округ, субъект Федерации, муниципальное образование, район (регион), населённый пункт, наименование улицы, номер дома (владения), номер корпуса, номер строения (дома), номер офиса (квартиры));

- по видам экономической деятельности (для хозяйствующих субъектов);

- по формам собственности (для организаций, зарегистрированных на территории Российской Федерации);

- по ролям (взаимоотношениям между субъектами и объектами;

информационных ресурсов);

- по отношению к приоритетным направлениям деятельности Службы. Целями ПАК являются:

- повышение уровня систематизации данных и автоматизации их анализа, в том числе обеспечения автоматизированного мониторинга известных схем подозрительной деятельности, и освобождения аналитиков от выполнения рутинных операций по анализу данных;

- автоматизация обнаружения подозрительных эпизодов деятельности физических и юридических лиц, соответствующих неизвестным типологиям;

- формализация знаний аналитиков о различных алгоритмах оценки отдельных информационных объектов и групп взаимосвязанных информационных объектов.

Таким образом, ПАК является ключевым элементом информационной системы финансового мониторинга, позволяющим формализовать в терминах SQL синтаксиса и рассчитать экспертные признаки (характеристики) субъектов и автоматизировать ряд задач, которые решают эксперты.

1.2. Состояние вопроса оценки обстановки в финансовом мониторинге

Автором проанализирован существующий в Росфинмониторинге подход к оценке обстановки, рассмотрены работы из смежных областей, посвящённые построению индексов и рейтингов. Ниже представлены основные результаты и выводы.

Похожую в некотором смысле задачу решают рейтинговые агентства при оценке кредитоспособности компании. При формировании рейтинга ими учитывается большинство финансовых показателей, влияние макроэкономических, политических, технологических и других рисков,

учитывается положение компании в отрасли и динамика отрасли в целом, принимается во внимание компетентность руководства предприятия. При построении рейтинга учитываются факторы, которые могут оказать влияние на состояние компании в будущем.

Другое исследование проведено специалистами Института управления стоимостью совместно с информационным агентством «Интерфакс». Ими разработан «индекс должной осмотрительности» (ИДО). ИДО - это количественный показатель, отражающий вероятность того, что компания создана не для уставных целей (является «однодневкой»). По имеющимся оценкам, точность, которую предоставляет данный индекс, достаточно высока -для компаний, отчетность которых представлена в СПАРК точность прогнозов на тестовой выборке составила 88,44%, для компаний без отчетности - 84,18%. Факторное пространство ИДО включает в себя такие параметры как срок последней представленной в налоговые органы отчетности, наличие массового директора и массового адреса регистрации, учитывает значение некоторых показателей финансовой отчетности компании и их динамику. ИДО является одним из наиболее используемых параметров в российских информационно-аналитических системах. С его помощью компании оцениваются на предмет фиктивности (отсутствие существенных собственных активов и операций либо «брошенный» актив). Мониторинг и анализ этого показателя помогает с одной стороны, заказчику или ответственному исполнителю проекта или программы оградить себя от недобросовестного контрагента, способного исчезнуть из поля зрения, не выполнив обязательств, с другой стороны, дает возможность эксперту проводить аналитическую работу по выявлению недобросовестных контрагентов.

Достоинства подхода:

- высокая достоверность классификации в рамках поставленной задачи;

- наглядная визуализация результатов классификации (использование цветового кодирования результирующего интегрального показателя).

Тем не менее, подход не лишён недостатков, к которым можно отнести следующие:

- пользователям ИДО недоступны сведения о критериях, которые имели ключевое значение для формирования индекса (требуется дополнительный анализ организации, чтобы объяснить значение индекса);

- расчет индекса ресурсоемок и проводится один раз в квартал, история значений не хранится;

- отсутствует возможность поиска организаций с указанием условия по значению индекса.

Анализ иностранной литературы показывает, что для оценки риска

банкротства и кредитоспособности предприятий широко используются модели

Альтмана [6], Лиса, Таффлера, разработанные с помощью многомерного

дискриминантного анализа. Альтман [7], Хальдеман и Нарайана впервые

исследовали 22 финансовых коэффициента и выбрали из них 5 для включения в

окончательную модель определения кредитоспособности субъектов.

Полученная модель позволяла оценивать риск банкротства корпорации. В

результате анализа исследуемый объект относили либо к фирмам-банкротам,

либо к успешно действующим фирмам.

Особый интерес представляет исследование Ю.М. Бекетновой [102],

принадлежащей к научной школе профессора Г.О. Крылова. В работе

представлено исследование компаний с признаками фиктивности,

ликвидированных по решению арбитражного суда, по субъектам Российской

Федерации. В качестве исходных данных использовались решения

арбитражного суда о ликвидации юридических лиц и официальная ежегодная

статистика Росстата России.

Для углублённого понимания задач Росфинмониторинга автором

исследованы существующие методические материалы, в которых описан

процесс анализа схем аналитиками. Так, установлено, что экспертная оценка

аналитиком хозяйствующих субъектов формируется по частным оценкам

элементов схемы, в которую вовлечён субъект, и в результате сопоставления

19

данных оценок с известными аналитику классами объектов и связями между ними. Эта работа требует анализа многочисленных информационных объектов, поэтому при проведении анализа схем финансовых операций аналитики формируют оценки не для всех элементов схем и их взаимосвязей, а стремятся выделить ключевые элементы схем, ключевые связи и, в первую очередь, сформировать оценки для них.

Анализ задач Росфинмониторинга позволил определить следующие аналитические потребности:

- анализ обстановки, количественная оценка её меры, анализ динамики оценок;

- синтез информации об обстановке на естественном языке для формулирования и обоснования тактических и стратегических решений финансовой разведки;

- обеспечение ЛПР информацией о девиантной деятельности субъектов;

- представление о мере риска и динамике его изменения в отраслях экономической деятельности в субъекте Федерации, Федеральном округе;

- выявление наиболее проблемных отраслей экономической деятельности, определяемых в соответствии с полученными экспертными оценками;

- исследование динамики меры риска в отраслях экономики субъектов Федерации и Федеральных округов Российской Федерации.

В основе существующего в Росфинмониторинге подхода к оценке обстановки - экспертные оценки. Каждому субъекту в информационной системе присвоен ОКВЭД, поэтому оценив каждого субъекта группы ОКВЭД, аналитики получают экспертную оценку ситуации отрасли экономической деятельности в целом.

В результате объединения полученных данных по организациям, зарегистрированным в одном субъекте Российской Федерации, можно сформировать экспертные оценки ситуации в каждой отрасли экономической деятельности по субъектам Федерации. Объединение данных по субъектам РФ

даёт возможность экспертно оценить обстановку по Федеральным округам и России в целом.

Рейтинг хозяйствующего субъекта по методологии подхода, используемого в финансовом мониторинге, складывается из следующих составляющих: рейтинг критериев, рейтинг остаточных признаков, рейтинг количества операций, рейтинг суммы операций, рейтинг окружения.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Список литературы диссертационного исследования кандидат наук Денисенко, Андрей Сергеевич, 2017 год

Список литературы

1. Айвазян, С.А. Классификация многомерных наблюдений. / С.А. Айвазян, З.И. Бежаева, О.В. Староверов. — М.: Статистика. 1974.—240 с.

2. Айвазян, С.А. Об опыте применения экспертно-статистического метода построения неизвестной целевой функции / С.А. Айвазян // Многомерный статистический анализ в социально-экономических исследованиях.— М.: Наука, 1974.— 384 с.

3. Айвазян, С.А. Прикладная статистика. Классификация и снижение размерности / С.А. Айвазян, В.М. Бухштабер, И.С. Енюков. — М.: Финансы и статистика, 1989. — 607 с.

4. Айвазян, С.А. Прикладная статистика. Исследование зависимостей. / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин. — М.: Финансы и статистика, 1985.

— 488 с.

5. Айвазян, С.А. Прикладная статистика. Теория вероятностей и прикладная статистика. Том №1. / С.А. Айвазян, В.С. Мхитарян. — М.: Юнити, 2001. — 656 с.

6. Альтман, Э. Банкротство, Кредитный риск и высокодоходные обязательства: Краткое руководство / Э. Альтман. — Oxford, England and Malden, Massachusetts: Blackwell Publishing, 2002. — 413 с.

7. Альтман, Э. Управление кредитным риском, 2-е издание / Э.Альтман.

— John Wiley and Sons, 2008. — 529 с.

8. Амосов, А.А. Вычислительные методы для инженеров. / А.А. Амосов, Ю.А. Дубинский, Н.В. Копченова. — М.: Высшая школа, 1994. — 542 с.

9. Андерсон, Т. Введение в многомерный статистический анализ /Пер. с англ. / Т. Андерсон. — М.: ГИФМЛ, 1963.— 500 с.

10. Андрукович, П.Ф. Некоторые свойства метода главных компонент / П.Ф. Андрукович // Многомерный статистический анализ в социально-экономических исследованиях. — М.: Наука, 1974.—328 С.

11. Андрукович, П.Ф. Применение метода главных компонент в практических исследованиях / П.Ф. Андрукович // Межфакультетская лаборатория статистических методов. — М.: Изд. МГУ, 1973.- Вып. 36. — 124 с.

12. Бухштабер, В.К. Маслов // Математические методы решения экономических задач. — М.: Наука, 1977. - 402 с.

13. Багриновский, К.А. Экономико-математические методы и модели (микроэкономика) : [Учеб. пособие для вузов по экон. спец.] / К. А. Багриновский, В. М. Матюшок. — М.: РУДН, 1999. — 183 с.

14. Беллман, Р. Принятие решений в расплывчатых условиях. /Р. Беллман, Л. Заде // Вопросы анализа и процедуры принятия решений. — М.: Мир, 1975. — 415 с.

15. Бодров, В.И. Математические методы принятия решений / В.И. Бодров, Т.Я. Лазарева, Ю.Ф. Мартемьянов // Тамбов: Изд-во Тамб. гос. тех. ун-та, 2004. — 124 с.

16. Бурков, В.Н. Большие системы: моделирование организационных механизмов / В.Н. Бурков, Б.Данев, А.К.Еналеев // Монография. — М.: Наука, 1989. — 246 с.

17. Бурков, В.Н. Задачи оптимального управления промышленной безопасностью / В.Н. Бурков, А.Ф. Грищенко, О.С. Кулик. — М.: ИПУ РАН, 2000. — 70 с.

18. Бурков, В.Н. Минимизация упущенной выгоды в задачах управления проектами / Бурков В.Н, С.А. Баркалов, Н.М. Гилязов, П.И. Семенов. — М.: ИПУ РАН, 2001. — 56 с.

19. Бурков, В.Н. Основы математической теории активных систем / В.Н. Бурков. — М.: Наука, 1977. — 321 с.

20. Бурков, В.Н. Теория графов в управлении организационными системами / В.Н. Бурков, А.Ю. Заложнев, Д.А. Новиков. — М.: СИНТЕГ, 2001.

— 124 с.

21. Бусленко, Н. П. Моделирование сложных систем. / Н.П. Бусленко.

— М.: Наука, 1968. — 355 с.

22. Вапник, В.Н. Теория распознавания образов / В.Н. Вапник, А.Я. Червоненкис. — М.: Наука, 1973. — 416 с.

23. Вентцель, Е. С. Теория вероятностей / Е.С. Вентцель. — М.: Наука, 1964. — 576 с.

24. Выханду, Л. К. Об исследовании многопризнаковых биологических систем // Применение математических подходов в биологии. — Л.: Изд-во ЛГУ, 1964.— 322 с.

25. Гантмахер, Ф. Р. Теория матриц / Ф.Р. Гантмахер. — М.: Наука, 1967.— 575 с.

26. Гермейер Ю. Б. О некоторых задачах теории иерархических систем управления / Ю.Б. Гермейер, Н. Н. Моисеев // Проблемы прикладной математики и механики. — М.: Наука, 1971. — С. 343.

27. Глотов, В.И. Введение в курс «Финансовые расследования в государственном финансовом мониториге» (на примере Росфинмониторинга). Учебное пособие / В.И. Глотов, Ю.Ф. Короткий, К.И. Гобрусенко // под ред. Ю.А. Чиханчина. — М. : издательство МФЮА, 2015. — 88 с.

28. Голуб, Дж. Матричные вычисления. /Дж. Голуб, Ч. Ван Лоун. — М.: Мир, 1999. — 240 с.

29. Горелик, В.А. Теоретико-игровые модели принятия решений в эколого-экономических системах. / В.А. Горелик, А.Ф. Кононенко.

— М.: Радио и связь, 1982. — 137 с.

30. Гранберг, А.Г. Основы региональной экономики : учебник для вузов / А.Г. Гранберг. — 2-е изд. — М. : ГУ ВШЭ, 2001. — 495 с.

31. Губко, М.В. Теория игр в управлении организационными системами / М.В. Губко, Д.А. Новиков. — М.: Синтег, 2002. — 361 с.

32. Дубров, А. М. Обработка статистических данных методом главных компонен / А.М. Дубров. — М.: Статистика, 1978. — 130c.

33. Дубров, А. М. Последовательный анализ в статистической обработке информации. / А.М. Дубров. — М.: Статистика, 1976. — 160 с.

34. Дубров, А.М. Многомерный статистический анализ в экономических исследованиях. Методы вычислительной математики и их применение / А.М. Дубров // Труды МЭСИ. — М., 1974. — Вып. 1. — 217 с.

35. Дубров, А.М. Многомерные статистические методы / А.М. Дубров, В.С. Мхитарян, Л.И. Трошин. — М.: Финансы и статистика, 1998. — 289 с.

36. Дуда, Р. Распознавание образов и анализ сцен / Пер. с англ. / Р. Дуда, П. Харт. — М.: Мир. — 512 с.

37. Дэйвисон, М. Многомерное шкалирование: методы наглядного представления данных / Пер, с англ. / М. Дэйвисон. — М.: Финансы и статистика, 1987. — 254 с.

38. Ежов, А.А. Нейрокомпьютинг и его применения в экономике и бизнесе / А.А. Ежов, С.А. Шумский. — М.: МИФИ, 1998. — 149 с.

39. Ефимов, Н.В. Квадратичные формы и матрицы / Н.В. Ефимов.

— М.: Наука, 1967. —159с.

40. Жуковская, В.М. Факторный анализ в социально-экономических исследованиях / В.М. Жуковская, И.Б. Мучник. — М.: Статистика, 1976.— 151 с.

41. Зангвилл, У.И. Нелинейное программирование /Пер. с англ.// У.И. Зангвилл. — М.: Сов. радио, 1973. — 312 с.

42. Иберла, К. Факторный анализ / К. Иберла. — М.: Статистика, 1980.

— 389 с.

43. Информационные технологии управления в органах внутренних дел: учебник / под ред. В.Н. Буркова. — М.: Академия управления МВД России, 1997.

— 683 с.

44. Ириков, В.А. Распределенные системы принятия решений / В.А. Ириков, В.Н. Тренев. — М.: Наука, 1999. — 512 с.

45. Канторович, Л.В. Функциональный анализ. 4-е изд. / Л.В. Канторович, Г.П. Акилов. — М.: Наука, 2004. — 816 с.

46. Карасев, Б.В. Гетерофазная Вселенная и результаты статистического описания модели / Б.В. Карасев // Технико-Экономическая динамика России. — М.: МГУ, 2000. — 276 с.

47. Карасев, Б.В. Логарифмически-нормальная функция распределения и некоторые проблемы холодного термоядерного синтеза / Б.В. Карасев // Холодный ядерный синтез (ХЯС). — М.: Научно-исследовательский центр физико-технических проблем «Эрзион», 1997. — 198 с.

48. Карасев, Б.В. Логарифмически-нормальное распределение / Б.В. Карасев. — М.: Природа, 1995. — 212 с.

49. Карасев, Б.В. Логнормальное распределение показателей свойств природных объектов / Б.В. Карасев // Современные проблемы гидрогеологии, инженерной геологии и экологии. — М.: Роскомнедра, 1994. — 167 с.

50. Карасев, Б.В. Статистический подход к изучению природы и некоторые закономерности распределения вещества Земли / Б.В. Карасев // Пути познания Земли. — М.: Наука, 1971. — 301 с.

51. Колмогоров, А.Н. Доклады АН СССР / А.Н. Колмогоров. — М.: Наука, Т. XXXI докладов, 1941. — 410 с.

52. Кормен, Т.Х. Алгоритмы: построение и анализ. — 2-ое. / Томас Х. Кормен, Чарльз И. Лейзерсон, Рональд Л. Ривест, Клиффорд Штайн. — М.: «Вильямс», 2006. —558 с.

53. Краскэл, Дж. Б. Взаимосвязь между многомерным шкалированием и кластеранализом // Классификация и кластер /Пер с англ.—М.: Мир, 1980.— С. 21—41.

54. Краскэл, Дж.Б. Многомерное шкалирование и другие методы поиска структуры // Статистические методы для ЭВМ / Пер с англ.; под ред. М. Б. Малютова. — М.: Наука, 1986. — С. 301—347.

55. Крылов, В.И. Вычислительные методы. — Т1 / В.И. Крылов, В.В. Бобков, П.И. Монастырный. — М.: Наука, 1976. — 304 с.

56. Крылов, В.И. Вычислительные методы. — Т.2 / В.И. Крылов, В.В. Бобков, П.И. Монастырный. —М.: Наука, 1977. — 400 с.

57. Крылов, Г.О. Системный анализ исследования операций: Лекции /Г.О. Крылов, В.П. Агафонов. — М.: МИРЭА,1990. — 216 с.

58. Курдюмов, С. П. Законы эволюции и самоорганизации сложных систем / С. П. Курдюмов, Е. Н. Князева. — М.: Наука, 1994. — 238 с.

59. Лапко, А.В. Обучающиеся системы обработки информации и принятия решений / А.В. Лапко, С.В. Ченцов, С.И. Крохов, Л.А. Фельдман. — Новосибирск: Наука. — 1996. — 176 с.

60. Ларичев, О.И. Наука и искусство принятия решений / О.И. Ларичев. — М.: Наука, 1979. — 199 с.

61. Лоули, Д. Факторный анализ как статистический метод / Д. Лоули, А. Максвелл. — М.: Мир. 1967. — 144 с.

62. Мартело, С. Проблема рюкзака / С. Мартело, П. Тот. — Great Britain: Wiley, 1990. — 306 с.

63. Месарович, М. Теория иерархических многоуровневых систем / М. Месарович, Д. Мако, Т. Такахара. — М.: Мир, 1973. — 344 с.

64. Минько, А.А. Статистический анализ в MS Excel / А.А. Минько. — М.: Издательский дом «Вильямс», 2004. — 203 с.

65. Мэйндональд, Дж. Вычислительные алгоритмы в прикладной статистике / Дж. Мэйндональд. — М.: Финансы и статистика, 1988. — 471 с.

66. Окунь, Я. Факторный анализ. /Пер. с польск. // Я. Окунь. — М.: Статистика, 1974. — 200 с.

67. Пантелеева, И.Ф. Криминалистика. Учебник / И.Ф. Пантелеева, Н.А. Селиванова. — М.: Юридическая литература, 1993. — 261 с.

68. Парлетт, Б. Симметричная проблема собственных значений. Численные методы / Б. Парлетт.—М.: Мир, 1983. — 547 с.

69. Патрик, Э. Основы теории распознавания образов /Пер. с англ.// Э. Патрик. — М.: Сов. радио, 1980. — 408 с.

70. Писсанецки, С. Технология разреженных матриц. Пер. с англ. / С. Писсанецки. — М.: Мир, 1988. — 410 с.

71. Полтерович, В.М. Экономическое равновесие и хозяйственный механизм / В.М. Полтерович. — М.: Наука, 1990. — 258 с.

72. Пчелинцев, О.С. Интенсификация общественного производства: социально-экономические проблемы / О.С. Пчелинцев, С.С. Шаталин, В.Г. Гребенников. — М.: Политиздат, 1987. — 288 с.

73. Разумовский, Н.К. Записки ленинградского горного института. / Н.К. Разумовский. — Л.: Ленингр. горн. инст. 1948. — 176 с.

74. Райфа, Х. Игры и решения. Введение и критический обзор / Р. Д. Льюс, Х. Райфа. — М.: Изд-во иностранной литературы, 1961. — 642 с.

75. Рао, С. Р. Линейные статистические методы и их применения / Пер. с англ.//С.Р. Рао. — М.: Наука, 1968. — 547 с.

76. Ростова, Н.С. Корреляции: структура и изменчивость /Н.С. Ростова. — СПб.: Изд-во С-Петерб. Ун-та, 2002. — 308 с.

77. Саати, Т. Принятие решений. Метод анализа иерархий / Т. Саати. — М.: Радио и связь, 1993. — 278 с.

78. Сборник задач по методам вычислений/ Под ред. П.И. Монастырного. — М.: Наука,1994. — 382 с.

79. Терехина, А.Ю. Анализ данных методами многомерного шкалирования. / А.Ю. Терехина. — М.: Наука, 1986. — 168 с.

80. Ту, Дж. Принципы распознавания образов / Дж. Ту, Р. Гонсалес — М.: Мир, 1978. — 416 с.

81. Турбович, И. Т. Опознание образов / И.Т. Турбович, В. Г. Гитис, В. Г. Маслов. — М.: Наука, 1971. — 246 с.

82. Уилкинсон, Дж. Алгебраическая проблема собственных значений / Дж. Уилкинсон. —М.: Наука, 1970. — 438 с.

83. Философский энциклопедический словарь. — М.: Советская энциклопедия, 1983. — 798 с.

84. Фомин, Я.А. Распознавание образов. Теория и применение / Я.А. Фомин. — М.: Фазис, 2012. — 432 с.

85. Форсайт, Дж. Машинные методы математических вычислений / Дж. Форсайт, М. Малкольм, К. Моулер. — М.: Мир, 1980. — 328 с.

86. Фукунага, К. Введение в статистическую теорию распознавания образов/ Пер, с англ. // К. Фукунага. — М.: Наука, 1979. — 367 с.

87. Харман, Г. Восстановление изображений по проекциям. Основы реконструктивной томографии/Пер, с англ. // Г. Харман. — М.: Мир, 1983.— 349 с.

88. Харман, Г. Современный факторный анализ /Пер. с англ.// Г. Харман. — М: Статистика, 1972. — 486 с.

89. Шитиков, В.К. Количественная гидроэкология: методы системной идентификации / В.К. Шитиков, Г.С. Розенберг, Т.Д. Зинченко. — Тольятти: ИЭВБ РАН, 2003. — 463 с.

90. Okamoto, M. Optimality Principal Components Multivariate Analysis // Proc. 3 Int. Symp. Dayton. — 1967.

91. Rao, С. R. Linear Statistical Inferences and its Applications.— N.-Y.: Wiley. 1965.

92. Teale, N. Phelps Bondaroff, Wietse van der Werf, Tuesday Reitano. The illegal fishing and organized crime nexus: illegal fishing as transnational organized crime. The global initiative against transnational organized crime. Geneva, Switzerland, 2015. — 84 с.

Авторефераты и диссертации

93. Бреер, В.В. Модели порогового конформного коллективного поведения : автореф. дис. ... канд. техн. наук : 05.13.10 / Бреер Владимир Валентинович. — Москва, 2013. — 23 с.

94. Буркова, И.В. Метод дихотомического программирования в задачах управления проектами : автореф. дис. ... канд. техн. наук : 05.13.10 / Буркова Ирина Владимировна. — Воронеж, 2003. — 17 с.

95. Дорофеюк, Ю.А. Структурно-классификационные методы анализа и прогнозирования в социально-экономических системах управления : автореф. дис. .канд. техн. наук: 05.13.10/ Дорофеюк Юлия Александровна. — Москва, 2012. — 24 с.

96. Калинина, Н.Ю. Методы и модели формирования и функционирования команд управления проектами : автореф. дис. ... канд. техн. наук : 05.13.10 / Калинина Наталия Юрьевна. - Москва, 2009. — 27 с.

97. Новикова, О.Ю. Методы и алгоритмы поддержки принятия решений центрами оперативно-разыскной информации : автореф. дис. ... канд. техн. наук : 05.13.10 / Новикова Онега Юрьевна. - Москва, 2015. — 24 с.

98. Аронов, А.Я. Применение метода главных компонент для вторичной обработки измерительной информации в магнитоизмерительных вычислительных комплексах : дис. ... канд. техн. наук : 05.13.01 / Аронов Александр Яковлевич. — Омск, 1985. — 165 с.

99. Бекетнова, Ю.М. Системный анализ и интегральные оценки многомерных объектов в задачах финансового мониторинга : дис. ... канд техн. наук : 05.13.01 / Бекетнова Юлия Михайловна. — Москва, 2014. — 135 с.

100. Конотопский, В.Ю. Экспертно-статистический метод построения интегрального показателя экономической эффективности деятельности промышленного предприятия : дис. ... канд. экон. наук: 08.00.01/ Конотопский Владимир Юрьевич. — Москва, 1986. — 171 с.

101. Селезнёв, В.М. Автоматизированный синтез интегральных оценок военно-медицинских объектов методом главных компонент : дис. . канд. техн. наук : 05.13.14/ Селезнёв Владимир Михайлович. — Москва, 2000. — 139 с.

Статьи

102. Абусев, Р.А. Несмещенные оценки и задачи классификации многомерных нормальных совокупностей / Р.А. Абусев, Я.П. Лумельский// Теория вероятностей и ее применения. — М.: Наука, 1980. — №2.— С. 381-389.

103. Айвазян, С.А. Анализ данных, прикладная статистика и построение общей теории автоматической классификации / С.А. Айвазян, В.М. Бухштабер // Методы анализа данных /Пер. с фр. — М.: Финансы и статистика, 1985. С. 385401.

104. Айвазян, С.А. Многомерный статистический анализ в социально-экономических исследованиях / С.А. Айвазян // Экономика и математические методы, 1977.— Т. 13. — Вып. 5. — С. 968—985.

105. Бурков, В.Н. Оптимальность принципа открытого управления. Необходимые и достаточные условия достоверности информации в активных системах /В.Н. Бурков, А.К. Еналеев // Автоматика и телемеханика, 1985. — №2 3. — С. 73-80.

106. Бухштабер, В.М. Томографические методы анализа данных/ В.М. Бухштабер, В.К. Маслов // Применение многомерного статистического анализа в экономике и оценке качества продукции: Тез. докл. III Всесоюз. науч.-техн. Конференции, 1985.— Ч. I. — С. 33—42.

107. Горлов, С.К. Особенности логнормального распределения и прогрессивная шкала подоходного налога в России / С.К. Горлов, В.А. Родин // Вестник Воронежского института МВД России, 2012. — №2 2. — Т.6. — С. 41-52.

108. Кузьмичев, А.Г. Корреляционная структура российского фондового рынка во время кризисов. / А.Г. Кузьмичев // Российское предпринимательство, 2011. — № 10. — Вып. 2 (194). — С. 133-141.

109. Лемешко, Б.Ю. Исследование сходимости распределений статистик непараметрических критериев согласия при проверке простых гипотез по дискретным и группированным данным / Б.Ю. Лемешко, С.С. Колесников // Актуальные проблемы вычислительной и прикладной математики (АПВПМ-2015) : междунар. конф., посвящ. 90-летию со дня рождения акад. Гурия Ивановича Марчука, 2015. — С. 36-37.

110. Лумельский, В.Я. Агрегирование объектов на основе квадратичной матрицы / В.Я. Лумельский //Автоматика и телемеханика, 1970. — №2 1. — С.133-143.

111. Максимов, Г.К. Некоторые вопросы теории статистической группировки /Г.К. Максимов // Вести статистики, 1974. — № 2. — C. 68-72.

112. Дорофеюк, А.А. Современные требования к безопасности железнодорожного транспорта и методы интеллектуального анализа в задаче построения экспертно-аналитической модели для прогнозирования состояния железнодорожных путей и полосы отвода / А.А. Дорофеюк, Ю.А. Дорофеюк, А.С. Мандель, А.Л. Чернявский, Д.Ю. Левин // Управление большими системами: сборник трудов, 2012. — №38. — С. 51-64.

113. Самсонов, В.Т. О законе распределения размеров частиц пыли, научные работы институтов охраны труда ВЦСПС / В.Т. Самсонов // Издательство ВЦСПС Профиздат, 1964. — № 3 (29). — С. 118-123.

114. Терентьев, П.В. Дальнейшее развитие метода корреляционных плеяд / П.В. Терентьев // Применение математических методов в биологии, 1960. — № 1. — С. 44—62.

115. Черткова, Е.А. Экспертно-статистический метод выбора операционной системы / Е.А. Черткова, П.С. Малышев // Вестник Саратовского государственного технического университета, 2012. — №2с (64). — Том 1. — С. 15-22.

116. Шаболкина, Е.Н. Использование модифицированных методик оценки качества зерна пшеницы на фоне поражения клопом-черепашкой / Е.Н. Шаболкина, О.М. Сычёва, В.В. Сюков // Вавиловский журнал генетики и селекции, 2012. — №4/2. — Том 16. — С. 23-30.

117. Aivazian, S.A. Probabilistic —Statistical Modelling of the Distributary Relations in Society // Private and Enlarged Consumption. — Ed. by L. Solari, Q. — N Du Pasquier North — Holland: Publishing Company Amsterdam — New York — Oxford, 1976. — P. 285—247.

118. Anderson, ^W. Asymptotic theory for component analysis// Ann. Math. Statist, 1963. — Vol. 34. — P. 122—148.

119. Anderson, T.W., Rubin ff. Statistical inference in factor analysis. // Proc. 3 Berkeley Symp. Math. Statist, and Probab. — Univ. Calif. Press, 1956, 5. — P. 11— 50.

120. Andrukowich, P.F. a. o. Abstract painting as a specific — Generale— Language. A Stat. Appr. to the problem//Metron XXIX, 1971. —N 1—2.

121. Atchison, J, Brown, J. The Lognormal Distribution. Cambridge, 1957.

122. Bartlett, M.S. Factor analysis in psychology as a statistician sees.— Uppsala: Almqvist and Wiksell, 1953, 5. — P. 23—34.

123. La Budde, C.D. Two Classes of Algorithms for Finding the Eigenvalues and Eigenvectors of Real Symmetric Matrices, 1964. J.ACM 11, — P. 53-58.

124. Carter, H.B., Morrel, C.H., Pearson, J.D. et al. Estimation of prostatic growth using serial prostate specific antigen measurements in men with and without prostate disease // Cancer Res. 1992,52, — P.3323-3328

125. Chambers, J.M., Cleveland, W.S., Kleiner, B., Turkey, P.A. Graphic methods for data analysis. Belmont, CA: Wadsworth, 1983 — P. 55-78.

126. Chang, A. Sparse Matrix Computations. Academic Press: New York, 1969. — P. 88-97.

127. Devun, S. J., Gnanadesikan, R., Kettering, J. R. Robust Estimation of Dispersion Matrices and Principal Components//J. Amer. Stat. Ass., 1981. — Vol. 76.

— P. 354—362.

128. Donabedian, A., The quality of care. How can it be assessed // JAMA -1998. - Vol. 260.- № 12. — P. 1743 - 1748.

129. Francis, J.G. F., "Comput J.", 1961, v. 4, Mb 3, p.265-71; 1962. V. 4, №№4.

— P.332-45.

130. Frumkina, R.M., Andrukovich, P.F., Terekhina, A. Ju. Computational methods in the Analysis of Verbal Behaviour. - In.: Computational and mathematical linguistics, Firence, 1976.

131. Girshik, M. A. Principal components // J. Amer. Stat. Ass. 1936. —Vol. 31.—P. 519—528.

132. Greenwood, P.E., Nikulin, M.S. A Guide to Chi-Squared Testing. - John Wiley & Sons, Inc., 1996. — P. 45-77.

133. Guo, D., Gahegan, M., Peuquet, D., MacEachren, A. Breaking Down Dimensionality: An Effective Feature Selection Method for High-Dimensional Clustering // Proc. Of Third SIAM International Conference on Data Mining, May 1-3, San Francisco. CA.USA, 2003. — P. 232 - 246.

134. Gustavson, F.G. Some basic techniques for solving sparse systems of linear equations. In D.J. Rose and R.A. Willoughby, eds., Sparse Matrices and Their Applications, 41-52, New York: Plenum Press, 1972.

135. Haese, A., Graefen, M., Moldus, J. et al. Prostatic volume and ration of free-to-total prostate specific antigen in patients with prostatic cancer or benign prostatic hiperplasia//J/Uro, 1997,158(6). — P.2188-2192.

136. Holzinger, K., Harman, H. Factor analysis. — Univ. Chicago Press, 1941.

137. Jacobi, C.G.J. Uber ein Leichtes Verfahren Die in der Theorie der Sacularstrouge Vorkommendem Gleichungen Numerisch Aufzulösen, // Crelle's, 1846 J. 30. — 51-94.

138. Mays R. Interactive maximum reliability cluster analysis //' Educational and Psychological, 1978.

139. Kruskal, J. B., Carrol J. D. Geometric models and badness-of-fit functions // Multivariate Analysis / Ed. Krishnaiah P. R, 1969. —Vol. 11. — N 4.— Acad. Press.

140. Kruscal, J. B. Monotone Regression: Continuity and Differentiability Properties // Psvchometrika, 1971. — Vol. 36. —N 1.— P. 57—63.

141. Okamoto, M., Kanazawa M. Minimization of Eigenvalues of a matrix and Optimality of principal components // Ann. Math. Statist, 1968. — Vol. 39. — N 3.

142. Pechio, F., Randoni, D.F., Gianetti, A., Pagni R. Prostate-specific antigen and prostate cancer /In: Up Dating on tumor markers in tissues and in biological fluids.Toronto, 1993. — P.319-331.

143. Rao, C. R. Estimation and tests of significance in factor analysis // Psychometrika, 1955. — 20. — P. 93—111.

144. Rao, C. R. The use and interpretation of principal components analysis in applied research ,'/ Sankhya, A., 1964. — Vol. 26.— N 4. — P. 329—358.

145. Reid, J.K., Curtis, A.R. On the automatic scaling of matrices for Gaussian elimination. J. Inst. Maths. Applics. 10, 118-124.

146. Sammon, J. W. A nonlinear mapping for Data Structure Analysis // IEEE Trans. Comput, 1969. — C — 18. — N 5. — P. 401—409.

147. Shepard, R. N. The analysis of proximites: multidimensional scaling with an unknown distance function // Psychometrika, 1962. — Vol. 27. — N 2—3.

148. Takane, Y., Young F. W., de Leeuw J. Nonmetric individual differences multidimensional scaling: an alternative least squares method with optimal scaling features // Psychometrika, 1977. —Vol. 42. — Nl.

149. Torgerson, IF. S. Multidimensional Scaling. Theory and Method// Psychometrika, 1952. — Vol. 17. — N 4.

150. Wish, M., Caroll J.D., Applications of INDSCAL to studies of human perception and judgement - ln: multidimensional scaling Workshop, University of Pensylvania, 1972.

151. Young, F.W. Null C. H. Multidimensional scaling of nominal data: the recovery of metric information with ALSCAL // Psychometrika, 1978: — Vol. 43. — N 3.

152. Zadeh, L. A. PRUF—A Meaning Representation Language for Natural Languages // Intern. J. of Man-Machine Studies, 1978.—Vol. 10, N 4 —P 395— 399, 451—460.

153. Jiawei Han, Micheline Kamber, Jian Fei. Data mining. Concepts and techniques //Elsevier, 2012.

154. Wei-Yin Loh and Yu-Shan Shih. Split selection methods for classification trees // University of Wisconsin-Madison and National Chung Cheng University, 1997.

Нормативные правовые акты, официальные документы, справочники,

руководства

155. О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма : [федер. закон: принят Гос. Думой 13 июл. 2001 г. №115-ФЗ: по состоянию на 21 мар. 2016 г.]. — М.: Собрание законодательства Российской Федерации, 2016. № 1. — 56 с.

156. Вопросы Федеральной службы по финансовому мониторингу : [Указ Президента Российской Федерации от 13 июн. 2012 г. № 808]. — М.: Собрание законодательства Российской Федерации, 2012. — 9 с.

157. О порядке представления кредитными организациями в уполномоченный орган сведений, предусмотренных Федеральным законом от 07.08.2001 г. № 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» : [Положен. ЦБ РФ от 29.08.2008 г. № 321-П]. — М.: Собрание законодательства Российской Федерации, 2011. №13. — 21 с.

158. О требованиях к правилам внутреннего контроля кредитной организации в целях противодействия легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма : [Положен. ЦБ РФ от 2 мар. 2012 г. № 375-П]. — М.: Собрание законодательства Российской Федерации, 2012. №8. — 19 с.

159. Всемирный банк, отдел по вопросам целостности финансовых рынков. Органы финансовой разведки // Вашингтон, Международный Валютный Фонд, 2004. № 2. — 161 с.

160. Канадский центр анализа финансовых операций и отчётности. Годовой отчёт (2007), Приложение III //Оттава, Правительство Канады, 2007. — 52 с.

161. ГОСТ 24.702-85 «Единая система стандартов автоматизированных систем управления. Эффективность автоматизированных систем управления. Основные положения» // Москва, Государственный комитет СССР по стандартам. — 1985.

162. Большев Л.Н., Смирнов Н.В. Таблицы математической статистики. —М.: Наука. Главная редакция физико-математическом литературы, 1983. — 416 с.

163. Гмурман, В.Е. Руководство к решению задач по теории вероятностей и математической статистике / В.Е. Гмурман.— М.: Высш. Школа, 2003.— 400 с.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.