Мошенничество в бухгалтерской сфере крупного и среднего капитала – общемировая реальность. Методы «оптимизации» налогов или подделки финансовой отчетности компании становятся все более изощренными, требуя новых методов обнаружения. Однако, вскоре заниматься подтасовкой финансовой документации станет сложнее.
Ученые создали новый инструмент на основе нейросетей, способный выявлять мошенничество не только на уровне отдельных компаний, но и прогнозировать его распространение по всей цепочке поставок и в различных отраслях.
Бухгалтерское мошенничество, хотя и встречается реже, является одним из самых дорогостоящих преступлений в мире. Достаточно вспомнить крах американской энергетической компании Enron, крупнейшее банкротство в истории США, которое произошло из-за фальсификации бухгалтерских книг в сговоре с их бухгалтерской фирмой. В 2008 году Lehman Brothers объявил о банкротстве из-за неплатежеспособности, скрыв около 50 миллиардов долларов долга с помощью подделки финансовых документов. В конце 2010-х годов американский инвестиционный консультант Берни Мейдофф (Bernie Madoff) умудрился обмануть клиентов на колоссальные 65 миллиардов долларов.
Однако, несмотря на огромный ущерб, который может нанести такое мошенничество, его крайне сложно обнаружить. Традиционные методы основаны на трудоемком статистическом анализе, что делает их малоэффективными для широкомасштабного использования.
«В последние годы мошенники стали использовать все более сложные техники, что делает борьбу с ними настоящей математической гонкой», — отметил ведущий автор исследования Ченсю Ван (Chenxu Wang), доцент Университета Сиань Цзяотун.
Для решения этой проблемы команда ученых разработала алгоритм FraudGCN на основе нейронных сетей, который способен анализировать связи между компаниями, поставщиками и аудиторами, выявляя подозрительные закономерности. В отличие от предыдущих подходов, FraudGCN учитывает сложные взаимосвязи в отрасли, что позволяет более точно определять потенциальные очаги мошенничества.
Внутренние или внешние угрозы: что страшнее?
FraudGCN создает изображение, представляющее различные отраслевые связи, цепочки поставок и общие аудиторские практики бухгалтерских фирм, и тем самым собирает богатую информацию, вытекающую из этих связей, в частности, детали, обнаруженные в определенных «соседствах» узлов в графах. Объединяя такую информацию, FraudGCN не только выявляет закономерности, указывающие на существующие мошеннические действия, но и предсказывает, где они, скорее всего, возникнут.
Наконец, в отличие от предыдущих попыток обнаружения мошенничества с помощью машинного обучения, FraudGCN способен добавлять новых контрагентов без необходимости переобучения модели, что повышает ее адаптивность и масштабируемость.