Содержание к диссертации
Введение
Глава 1. Анализ предметной области и постановка задачи исследования 13
1.1. Сущность проблемы сравнения векторных показателей в прикладных отраслях. Проблема снижения размерности и различные методы её решения 13
1.2. Анализ существующих методов снижения размерности 16
1.2.1. Экспертно-статистические и эвристические методы снижения размерности 16
1.2.2. Многомерное шкалирование 19
1.2.3. Метод экстремальной группировки признаков и метод корреляционных плеяд 21
1.2.4. Факторный анализ 23
1.2.5. Метод главных компонент 26
1.2.6. Распознавание образов 30
1.3. Анализ проблемной области 33
1.3.1. Социально-экономические предпосылки отмывания доходов 33
1.3.2. Обзор нормативной базы в сфере регулирования процедуры внесения юл и исключения юл из егрюл 34
1.3.3.1. Регистрация юридических лиц в егрюл 36
1.3.3.2. Регистрация изменений, вносимых в учредительные документы ЕГРЮЛ 37
1.3.3.3. Регистрация юридических лиц в связи с ликвидацией 40
1.4. Многомерная классификация и типологизация регионов РФ 40
1.4.1. Общие положения 44
1.4.2. Задача типологизации 45
1.5. Постановка задачи и обоснование выбора метода исследования 48
Выводы по главе 1 49
Глава 2. Проблема выбора и синтез интегральных оценок субъектов финансовой деятельности 49
2.1. Особенности реализации метода главных компонент 49
2.1.1. Математическая модель метода главных компонент 53
2.1.2. Геометрическая интерпретация метода главных компонент 54
2.1.3. Блок схема алгоритма 56
2.1.4. Реализация обратной факторной задачи 56
2.1.5. Анализ существующих методов нахождения собственных чисел и собственных векторов 58
2.1.6. Свойства метода QR разложения матрицы 59
2.1.7. Свойства метода вращений (метода Гивенса) 60
2.1.8. Метод Якоби, его достоинства 62 2.1.19. Алгоритм классического метода Якоби 64 2.1.10. Приведение матрицы собственных чисел к виду необходимому для метода главных компонент 64 Выводы по главе 2 65
Глава 3. Синтез системотехнических решений задачи исследования 65
3.1. Модифицированный метод главных компонент в задаче оценки субъектов финансовой деятельности 67
3.2. Синтез и интерпретация интегральных оценок субъектов финансовой деятельности 79
3.3. Проверка и интерпретация интегральных оценок субъектов финансовой деятельности 86
3.4. Верификация полученных результатов в обработке статистических данных ФНС России о юридических лицах сведения о которых содержатся в ЕГРЮЛ 91
Выводы по главе 3 93
Глава 4. Оценка положительного эффекта и перспектив применения результатов исследований 93
4.1. Информационная система Росфинмониторинга 99
4.2. Рейтингование регионов Российской Федерации 101
4.3. Ранжирование субъектов финансовой деятельности 114
4.4. Ранжирование профессиональных участников рынка ценных бумаг 120
4.5. Определение рейтингов показателей в оценке эффективности работы межрегиональных управлений Росфинмониторинга и анализ информативности первой главной компоненты 124
Выводы по главе 4 125
Заключение 126
Список литературы
- Анализ существующих методов снижения размерности
- Геометрическая интерпретация метода главных компонент
- Синтез и интерпретация интегральных оценок субъектов финансовой деятельности
- Ранжирование субъектов финансовой деятельности
Введение к работе
Актуальность темы. Задача системного анализа и интегральных оценок многомерных объектов часто возникает в различных фундаментальных и прикладных исследованиях. Как правило, эта задача обусловлена фундаментальной проблемой сравнения многомерных векторов, для которых отношения «больше-меньше» не определено, что приводит к ситуации «проклятия размерности». Решение этой проблемы сводится к снижению размерности решаемой задачи, что нашло отражение в разработке таких системных подходов как симплекс-метод, принцип Парето, метод ветвей и границ, методы факторного анализа и др. Анализ этих подходов, а также решений практических задач, который приведен в диссертации позволил прийти к выводу, что наиболее перспективным из этих методов является метод главных компонент факторного анализа.
При использовании этого метода анализируемые многомерные объекты приводятся к матрице типа «объект — свойства». Эта матрица путем линейных ортогональных преобразований приводится к главным осям гиперэллипсоида рассеивания в многомерном пространстве. Геометрический смысл этих преобразований сводится к переносу начала координат и последовательному применению матриц поворота. Алгебраический смысл этих преобразований сводится к решению вековых уравнений и отысканию собственных векторов и собственных значений. Так, например, в двумерном случае начало координат переносится в центр рассеивания исходных данных, а координатные оси совмещаются с главными осями эллипсоида рассеивания. Полуоси эллидсоида рассеивания принято называть главными компонентами. Длинна этих полуосей есть скаляр, который является линейной комбинацией исходных координат.
Таким образом, в основу метода главных компонент положена линейная модель. Если N — число исследуемых объектов, и — число признаков, то математическая модель принимает вид:
л
где r=\,2,...,n, j=\,2,...,n;f— r-я главная компонента; ajr — вес /--ой компоненты
в_/-ой переменной; ^-нормированное значение у'-ого признака, полученное из
эксперимента, на основе наблюдения. В матричной форме выражение (1) имеет вид y=Af.
Однако, сложность использования этого метода до последнего времени не
позволяла его реализовать, в силу вычислительной трудоемкости, и,
следовательно, требуется его модификация.
і
К задачам подобного типа относятся задачи финансового мониторинга. В таких задачах в качестве исследуемых многомерных объектов могут быть, например, субъекты финансовой деятельности, персонал, задействованный в сфере финансового мониторинга и другие объекты, которые могут быть заданы упорядоченным набором характеристик. Гипотеза автора сводилась к тому, что решение таких задач позволит оценить возможность использования указанных объектов в целях отмывания нелегальных денежных средств.
Однако, применение методов, ранее применявшихся в работах исследователей школы профессора Г.О. Крылова, привело к необозримым и трудно интерпретируемым результатам при решении задач финансового мониторинга, что потребовало модернизации этих методов. Такую модернизацию можно реализовать за счет учета корреляции компонент многомерных объектов, которым ставятся в соответствие, например, субъекты финансовой деятельности.
Таким образом, актуальность диссертационного исследования обусловлена необходимостью системного анализа и синтеза интегральных оценок многомерных объектов, которые заданы набором коррелированных показателей.
Объектами исследования в диссертации являются многомерные объекты, компоненты которых коррелированы.
Предметом исследования является модифицированный метод главных компонент факторного анализа и его интерпретации в прикладных областях.
Цель и задачи исследования заключается в решении задачи системного анализа и синтеза интегральных оценок многомерных объектов, разработке методов повышения качества принятия управленческих решений в сфере финансового мониторинга. Достижение поставленной цели предполагает решение следующих основных задач:
-
Постановка и формализация задачи системного анализа интегральных оценок многомерных объектов с коррелированными компонентами.
-
Выбор и обоснование метода решения задачи формирования интегральных оценок многомерных объектов.
-
Разработка алгоритма решения задачи формирования интегральных оценок многомерных объектов с коррелированными компонентами.
-
Разработка метода идентификации многомерных объектов с коррелированными компонентами на основе текущей информации.
-
Синтез интегральных оценок многомерных объектов с коррелированными компонентами.
-
Разработка методики ранжирования многомерных объектов.
Научная новизна
В диссертации получены следующие результаты, характеризующиеся научной новизной.
о Поставлена, формализована и решена задача системного анализа
интегральных оценок многомерных объектов финансового мониторинга с
коррелированными компонентами. о Предложен, обоснован и модифицирован алгоритм решения задачи
формирования интегральных оценок многомерных объектов финансового
мониторинга с коррелированными компонентами. о Синтезированы интегральные оценки многомерных объектов с
коррелированными компонентами. о Создана методика ранжирования многомерных объектов, позволяющая
осуществить классификацию объектов финансового мониторинга с
коррелированными компонентами.
Практическая значимость
Результаты, полученные в ходе диссертационного исследования использованы в практической деятельности Росфинмониторинга для расчета показателя добросовестности юридических лиц, проводящих финансовые операции и сделки. Всего было обработано более 250 000 юридических лиц, что позволило повысить эффективность работы аналитиков Росфинмониторинга в среднем на 85% по сравнению с традиционно применявшимися методиками анализа. Результаты диссертационного исследования также внедрены в учебный процесс на кафедре «Финансового мониторинга» факультета «Кибернетика и Информационная безопасность» НИЯУ МИФИ. Внедрение результатов подтверждается соответствующими актами.
Методы исследования. Для решения поставленных задач в работе применяются методы системного анализа, методы математической статистики, факторного анализа, численные методы линейной алгебры.
Диссертационная работа по своему содержанию соответствует пунктам 2, 4, 5, 6 Паспорта специальности 05.13.01.
Апробация работы. Основные результаты диссертации докладывались на следующих всероссийских и международных семинарах и конференциях:
о II Международная научно-практическая конференция «Научный поиск в современном мире» (г. Москва, 2012 г.).
о V Международная заочная научно-практическая конференция «Научная дискуссия: Вопросы физики, математики, информатики» (г. Москва, 2012 г.).
о V Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Информационные технологии в науке, бизнесе и образовании» (г. Москва, Финансовый университет при правительстве Российской Федерации, 2012 г.).
о I Международный конгресс по информационной безопасности
национальных экономик в условиях глобализации
«InfoSecurityFinance» (г. Москва, 2013 г.).
о VI Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Информационные технологии в науке, бизнесе и образовании (технологии безопасности)» (г. Москва, Финансовый университет при правительстве Российской Федерации, 2013 г.).
Публикации результатов. Основные результаты диссертации опубликованы в 11 печатных работах, из них 5 статей в периодических научных изданиях, рекомендованных ВАК России (из них одна опубликована в журнале, представленном в базе цитирования Scopus), 5 работ в статьях и материалах конференций.
Личный вклад автора в проведение исследования. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами. Объем и структура работы
Диссертация состоит из введения, четырех глав, заключения, списка литературы, и изложена на 135 листах машинописного текста, в том числе основного текста на 123 листах. Работа иллюстрирована 16 таблицами и 26 рисунками. Список литературы содержит 87 источников, в том числе 28 на иностранных языках.
Положения, выносимые на защиту
1. Постановка и формализация задачи оценки многомерных объектов финансового мониторинга с коррелированными компонентами.
-
Модификация метода оценки многомерных объектов финансового мониторинга с коррелированными компонентами.
-
Алгоритм решения задачи интегральных оценок многомерных объектов финансового мониторинга с коррелированными компонентами.
-
Метод идентификации многомерных объектов финансового мониторинга с коррелированными компонентами на основе текущей информации.
-
Синтез интегральных оценок многомерных объектов с коррелированными компонентами.
-
Методика ранжирования многомерных объектов финансового мониторинга.
Достоверность и обоснованность результатов, полученных в диссертации, обусловлены доказательствами, опирающимися на методы системного анализа, методы математической статистики, факторного анализа, численные методы линейной алгебры.
Анализ существующих методов снижения размерности
Результаты, полученные в ходе диссертационного исследования использованы в практической деятельности Росфинмониторинга для расчета показателя добросовестности юридических лиц, проводящих финансовые операции и сделки. Всего было обработано более 250 000 юридических лиц, что позволило повысить эффективность работы аналитиков Росфинмониторинга в среднем на 85% по сравнению с традиционно применявшимися методиками анализа. Результаты диссертационного исследования также внедрены в учебный процесс на кафедре «Финансового мониторинга» факультета «Кибернетика и Информационная безопасность» НИЯУ МИФИ. Внедрение результатов подтверждается соответствующими актами.
Методы исследования Для решения поставленных задач в работе применяются методы системного анализа, методы математической статистики, факторного анализа, численные методы линейной алгебры. Диссертационная работа по своему содержанию соответствует пунктам 2, 4, 5, 6 Паспорта специальности 05.13.01.
Апробация работы Основные результаты диссертации докладывались на следующих всероссийских и международных семинарах и конференциях: o II Международная научно-практическая конференция «Научный поиск в современном мире» (г. Москва, 2012 г.). o V Международная заочная научно-практическая конференция «Научная дискуссия: Вопросы физики, математики, информатики» (г. Москва, 2012 г.). o V Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Информационные технологии в науке, бизнесе и образовании» (г. Москва, Финансовый университет при правительстве Российской Федерации, 2012 г.). o I Международный конгресс по информационной безопасности национальных экономик в условиях глобализации «InfoSecurityFinance» (г. Москва, 2013 г.). o VI Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Информационные технологии в науке, бизнесе и образовании (технологии безопасности)» (г. Москва, Финансовый университет при правительстве Российской Федерации,
Основные результаты диссертации опубликованы в 11 печатных работах, из них 5 статей в периодических научных изданиях, рекомендованных ВАК России (из них одна опубликована в журнале, представленном в базе цитирования Scopus), 5 работ в статьях и материалах конференций.
Личный вклад автора в проведение исследования
Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами.
Объем и структура работы
Диссертация состоит из введения, четырех глав, заключения, списка литературы, и изложена на 135 листах машинописного текста, в том числе основного текста на 123 листах. Работа иллюстрирована 16 таблицами и рисунками. Список литературы содержит 87 источников, в том числе 28 на иностранных языках. Положения, выносимые на защиту 1. Постановка и формализация задачи оценки многомерных объектов финансового мониторинга с коррелированными компонентами. 2. Модификация метода оценки многомерных объектов финансового мониторинга с коррелированными компонентами. 3. Алгоритм решения задачи интегральных оценок многомерных объектов финансового мониторинга с коррелированными компонентами. 4. Метод идентификации многомерных объектов финансового мониторинга с коррелированными компонентами на основе текущей информации. 5. Синтез интегральных оценок многомерных объектов с коррелированными компонентами. 6. Методика ранжирования многомерных объектов финансового мониторинга.
Достоверность и обоснованность результатов, полученных в диссертации, обусловлены доказательствами, опирающимися на методы системного анализа, методы математической статистики, факторного анализа, численные методы линейной алгебры.
Геометрическая интерпретация метода главных компонент
Первой главной компонентой Jl\X) исследуемой системы показателей Х = (Ж1\ if2, …, і№) называется такая нормированно-центрированная линейная комбинация этих показателей, которая среди всех прочих нормированно-центрированных линейных комбинаций переменных x(1), x(2), …, x(p) обладает наибольшей дисперсией. И далее: k-й главной компонентой (k = 2, ..., р) исследуемой системы показателей Х называется такая нормированно-центрированная линейная комбинация этих показателей, которая некоррелирована с k1 предыдущими главными компонентами и среди всех прочих нормированно-центрированных и не коррелированных с предыдущими k1 главными компонентами линейных комбинаций переменных x(1), x(2), …, x(p) обладает наибольшей дисперсией.
Вектор р (р р) первых главных компонент z(p )(X)= (z(1)(X), … , z(p )(X)) обладает рядом экстремальных свойств, среди которых отметим следующие: а) свойство наименьшей ошибки автопрогноза или наилучшей самовоспроизводимости: с помощью р первых главных компонент z(1),…, z(p ) исходных показателей x(1), x(2), …, x(p) (р р) достигается наилучший (в определенном смысле) прогноз этих показателей среди всех прогнозов, которые можно построить с помощью р линейных комбинаций набора из р произвольных признаков; б) свойство наименьшего искажения геометрических характеристик совокупности исходных многомерных наблюдений Х1, ..., Хn при их проецировании в пространство меньшей размерности, натянутое на р первых главных компонент z(1),…, z(p ).
Причем, главные компоненты, построенные не по истинной корреляционной матрице вектора исходных показателей Х = (x(1), x(2), …, x(p)) , а по ее выборочному аналогу (оценке), называются выборочными главными компонентами и в определенных (достаточно широких) условиях обладают (вместе с собственными числами и векторами матрицы выборочных исходных показателей) всеми традиционными свойствами «хороших» оценок: состоятельностью, асимптотической эффективностью, асимптотической нормальностью (в условиях растущей размерности, т. е. в «асимптотике А. Н. Колмогорова», анализируемые выборочные характеристики могут вести себя некоторым специальным образом).
Главные компоненты могут использоваться при решении следующих основных типов задач анализа данных: 1) упрощение, сокращение размерностей анализируемых моделей статистического исследования зависимостей или классификации с целью облегчения счета и интерпретации получаемых статистических выводов; 2) наглядное представление (визуализация) исходных многомерных данных, получаемое с помощью их проецирования в пространство, натянутое на первую, первые две или первые три главные компоненты; 3) предварительная ортогонализация объясняющих переменных в задачах построения регрессионных зависимостей как средство «борьбы» с мультиколлинеарностью; 4) сжатие объемов хранимой статистической информации. Вышеприведённые достоинства положительно выделяют этот метод среди прочих методов снижения размерности.
Методу главных компонент посвящена обширная литература. Основные работы посвященные методу на русском языке [7, 12, 27, 29]. Основные работы на английском языке [61, 62, 63, 86, 87].
В [5] приводятся результаты статистического анализа исходных данных по 100 работницам-ткачихам льнокомбината «Красная текстильщица» г. Нерехта Костромской области, составляющим более 80% всей численности ткачих комбината.
Интересный пример применения главных компонент, в прямой и двойственной постановках задачи, связанный со статистической обработкой экспертных оценок применительно к задаче классификации картин абстрактной живописи, приводится в [63].
За пределами рассмотрения остались методы снижения размерности путём выбора наиболее информативных показателей при использовании различных статистических методов, таких как дискриминантный анализ и регрессионный анализ, так как они не являются универсальным.
Метод распознавания образов представляет собой отнесение рассматриваемого объекта к одному из взаимоисключающих классов S\ и 5 2. Что означает существование однозначного отображения совокупности наблюдений на множество классов 5,-= {s\, S2}, S {X}.
Совокупность наблюдений, принятых для распознавания, как правило, записывают в виде матрицы:
представляет собой р-мерный вектор наблюдаемых значений р признаков Хи Х2, …, Xv, отражающих наиболее значимые при распознавании свойства объектов. Вектор признаков можно представить точкой в р-мерном пространстве с осями координат Х\, Xi, …, Хр, а также направленным отрезком, который соединяет начало координат (0, 0, …, 0) с точкой (1 , этого пространства. Общая схема распознающей системы изображена на рисунке 1.1.
Таким образом, переходим к рассмотрению задачи определения принадлежности объекта к одному из двух классов S\ , Si , которые описываются одинаковыми наборами признаков X\, Xг, …, Xр. При этом, у различных объектов одни и те же признаки будут иметь различные количественные, качественные (и другие) характеристики. Для каждого набора признаков X\, Xг, …, Xр можно задать правила, согласно которым классам Si , Si ставится в соответствие вектор dn, где расстояниями, они выражают степень отличия у этих классов характеристик данных признаков.
Важнейшим показателем качества системы распознавания является достоверность принимаемых решений. Практический интерес представляют лишь те системы, которые обеспечивают достаточно высокий уровень достоверности распознавания.
Снижение количества признаков уменьшает ресурсные затраты на вычисления, но может стать причиной уменьшения достоверности распознавания. В условиях ограниченного времени на обучение и принятие решения оптимизация признакового пространства может оказаться единственным средством повышения достоверности. Получаем, что одновременное достижение минимума размерности пространства признаков и максимума достоверности распознавания оказывается, как правило, невозможным. Таким образом, одной из главных задач синтеза систем распознавания является выбор из заданного множества признаков X1, X2, …, Xp оптимального набора X1, X2, …, Xp0 из p0 признаков, предоставляющего необходимый уровень достоверности распознавания.
Синтез и интерпретация интегральных оценок субъектов финансовой деятельности
Для проведения анализа методом главных компонент использовался стандартный пакет функций «Statistica». Интерфейс программного продукта приведен на рисунке 3.1. Эта программа предназначена для проведения статистического анализа данных в среде Windows (фирма-производитель StatSoft Inc, США) и уже много лет занимает лидирующее положение среди программ статистической обработки данных. Все аналитические инструменты, имеющиеся в системе, доступны пользователю и могут быть выбраны с помощью альтернативного пользовательского интерфейса. Процедуры системы «Statistica» имеют высокую скорость и точность вычислений.
Интерфейс программного продукта Система обладает следующими общепризнанными достоинствами: - содержит полный набор классических методов анализа данных: от основных методов статистики до продвинутых методов, что позволяет гибко организовать анализ; - является средством построения приложений в конкретных областях; - в комплект поставки входят специально продвинутые примеры, позволяющие систематически оценивать методы анализа; - отвечает всем стандартам Windows, что позволяет сделать анализ интерактивным; - система может быть интегрирована в Интернет; - поддерживает web-форматы: HTML, JPEG, PNG; - данные системы «Statistica» легко конвертировать в различные базы данных и электронные таблицы; - поддерживает высококачественную графику, позволяющую эффектно визуализировать данные и проводить графический анализ; - является открытой системой: содержит языки программирования, которые позволяют расширить систему, запускать ее из других Windows- приложений, например из Excel. «Statistica» состоит из набора модулей, в каждом из которых собраны тематически связанные группы процедур. При переключении модулей можно либо оставлять открытым только одно окно приложения «Statistica», либо все вызванные ранее модули, поскольку каждый из них может выполняться в отдельном окне (как самостоятельное приложение Windows).
При исполнении модулей «Statistica» как самостоятельных приложений в любой момент времени в любом модуле имеется прямой доступ в «общим» ресурсам (таблицам данных, языкам BASIC и SCL, графическим процедурам).
«Statistica» содержит широкий набор процедур анализа, включающих процедуры расчета всех необходимых статистических показателей и средства отображения результатов. Субъекты Российской Федерации различны по широкому спектру измерений. Модели, построенные в ходе исследования без учета данной предпосылки, оказались неточными, полученные результаты интерпретировать не удалось. Вместе с тем, при проведении региональных и социологических исследований, например, Росстатом, сложилась практика пересчитывать показатели на тысячу человек населения.
Принимая во внимание изложенное, при построении каждой модели к выборке был добавлен показатель «количество человек населения региона» или был произведен пересчет показателей на тысячу человек населения, что существенно улучшило качество проведенного анализа.
При анализе решений Высшего арбитражного суда Российской Федерации о ликвидации юридических лиц было замечено, что некоторые ликвидированные организации имеют признаки фирм-однодневок. Такие решения были отобраны и систематизированы. Ценность полученной таким образом выборки состоит в том, что впервые получен материал, основанный не на интуитивных догадках экспертов-аналитиков, а на решениях суда.
Из решений арбитражного суда были выбраны следующие наиболее информативные показатели:
В таблице 3.1 представлена корреляционная матрица между признаками, которая является всегда симметричной. Диагональные элементы этой матрицы — единицы. Она может использоваться для оценки взаимосвязи между признаками и объектами. Как видно из таблицы 3.1, некоторые показатели коррелируют между собой. Сильно коррелирующие показатели обозначены зеленым и красным цветами. Такие показатели как «не исполняет обязанности по уплате налогов, обязательных платежей», «отсутствует по адресу», «не ведет хозяйственную деятельность», «нет имущества», «не предоставляет бухгалтерскую отчетность», «отсутствие движения по счетам», «отсутствие расчетных счетов» имеют высокие коэффициенты корреляции от 0,90 до 0,95. Данная взаимосвязь представляется весьма очевидной с точки зрения здравого смысла, ведь если организация не находится по адресу, то скорее всего, у нее нет имущества, и при таких обстоятельствах затруднительно вести хозяйственную деятельность и платить налоговые отчисления.
Ранжирование субъектов финансовой деятельности
Информация — одно из центральных понятий современной науки, которое широко вошло в научный обиход с середины прошлого века. В различных отраслях знаний дается свое определение понятия «информация».
Наиболее точное и современное определение понятия «информации» представлено в Федеральном законе «Об информации, информационных технологиях и защите информации»: информация — сведения (сообщения, данные) независимо от формы их представления [41].
Федеральная служба по финансовому мониторингу является федеральным органом исполнительной власти, осуществляющим функции по противодействию легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма, а также по выработке государственной политики, нормативно-правовому регулированию и координации деятельности в этой сфере иных федеральных органов исполнительной власти [42]. Росфинмониторинг осуществляет полномочия, возложенные Постановлением Правительства РФ «Об утверждении положения о Федеральной службе по финансовому мониторингу» [40]. Задачи, функции и полномочия Федеральной службы по финансовому мониторингу в сфере противодействия легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма устанавливаются в соответствии с Федеральным законом 115-ФЗ [42].
Одним из условий успешного решения задач в сфере противодействия отмывания доходов, полученных преступным путем, и финансирования терроризма является предварительный сбор, обработка, накопление и последующий анализ информации, указывающей на различные признаки противоправной деятельности в сфере противодействия легализации (отмывания) доходов, полученных преступным путем, и финансирования терроризма.
При наличии достаточных оснований, свидетельствующих о том, что операция, сделка связаны с легализацией (отмыванием) доходов, полученных преступным путем, или с финансированием терроризма, Росфинмониторинг направляет соответствующие информацию и материалы в правоохранительные органы в соответствии со своей компетенцией.
Информационное обеспечение аналитических подразделений Росфинмониторинга формируется на основе различных информационных ресурсов, которые накапливаются в рамках разнообразных информационных систем. При проведении финансового расследования наиболее существенное значение имеет информация о финансовых операциях объектах расследования, данные об их имуществе. Все информационные ресурсы целесообразно подразделять на две основные группы (см. рис. 4.1): - собственные информационные ресурсы аналитических подразделений Росфинмониторинга; - внешние информационные ресурсы (далее ВИР), содержащие сведения, позволяющие характеризовать юридических и физических лиц и их финансово хозяйственную деятельность. К собственным информационным ресурсам аналитических подразделений Росфинмониторинга относятся: - база данных сообщений об операциях, подлежащих контролю в соответствии с законодательством Российской Федерации; - база данных материалов по финансовым расследованиям, проведенным сотрудниками аналитических подразделений Росфинмониторинга; - база данных материалов по делам проверок в рамках надзорной деятельности; - перечень организаций и физических лиц, в отношении которых имеются сведения об их участии в экстремистской деятельности; - обращения граждан.
Основным источником информации при формировании базы данных об операциях являются организации, осуществляющие операции с денежными средствами или иным имуществом. В соответствии с требованиями Федерального закона № 115-ФЗ эти организации предоставляют информацию в виде инициативных сообщений об операциях, подлежащих обязательному контролю, об операциях, квалифицированных сотрудниками службы внутреннего контроля как подозрительные, а также в виде отчетов на информационные запросы Росфинмониторинга. В соответствии с Федеральным законом № 115, информацию в Росфинмониторинг представляют кредитные организации, профессиональные участники рынка ценных бумаг, страховые организации, лизинговые компании, организации федеральной почтовой связи, ломбарды, организации, осуществляющие скупку, куплю-продажу драгоценных металлов и драгоценных камней, ювелирных изделий из них и лома таких изделий, организации, содержащие тотализаторы и букмекерские конторы, а также организующие и проводящие лотереи, тотализаторы (взаимное пари) и иные, основанные на риске, игры, в том числе в электронной форме, организации, осуществляющие управления инвестиционными фондами или негосударственными пенсионными фондами, организации, оказывающие посреднические услуги при осуществлении сделок купли-продажи недвижимого имущества.
База данных материалов по финансовым расследованиям ведется в целях накопления, обработки, систематизации и хранения информации о документально подтвержденных фактических результатах мероприятий, проводимых аналитическими подразделениями Росфинмониторинга, а также поиска информации, координации деятельности и выявления пересечений по объектам, информационного обеспечения управленческой, аналитической и иной служебной деятельности упомянутых подразделений.
