Оцінка рівня конвергенції системи кібербезпеки та протидії легалізації кримінальних доходів
Анотація
Зростання обсягів фінансових і кібершахрайств призводять до дестабілізації фінансового сектору країни та негативно впливають на розвиток їх економіки, що потребує розробки та впровадження дієвих інструментів та заходів на рівні державного управління. Конвергенція системи кібербезпеки та протидії легалізації кримінальних доходів і фінансування тероризму є перспективним напрямком у боротьбі із фінансовими шахрайствами. Предметом дослідження в статті є науково-методичний підхід до формування інтегральних показників оцінювання станів різних систем, який базується на функції Харрінгтона – Менчера. Мета полягає у проведенні оцінювання рівня потенційної конвергенції системи кібербезпеки та протидії легалізації кримінальних доходів і фінансуванню тероризму на основі визначення їх інтегральних показників та застосування функції Харрінгтона – Менчера. Завдання: сформувати базу факторів для здійснення оцінювання; здійснити їх нормалізацію шляхом застосування нелінійної нормалізації; трансформувати нормалізовані значення обраних показників бази дослідження до безрозмірної шкали бажаності Харрінгтона; ідентифікувати вид функції залежності проміжного значення показника, обраного для здійснення оцінки рівня конвергенції системи кібербезпеки та протидії фінансовим шахрайствам, від їх фактичних значень; розрахувати показники для формалізації перетворення Харрінгтона-Менчера; за допомогою канонічного аналізу визначити вагові показники; розрахувати інтегральні показники, що характеризують рівень розвитку системи кібербезпеки та протидії легалізації кримінальних доходів, а також визначити рівень конвергенції систем. В статті використовуються загальнонаукові методи: системний аналіз – для визначення факторів, що характеризуються системи кібербезпеки та протидії фінансовим шахрайствам; метод переваг та функція Харрінгтона – Менчера – під час інтегрального оцінювання. Отримано наступні результати: за рівнем кібербезпеки найвищі оцінки мають економічно розвинені країни – країни Європи, США, Канада, Австралія, Нова Зеландія, Японія. Інші країни мають низку проблем в цій сфері про що свідчить отримані ними оцінки «дуже погано», «погано» та «задовільно». За рівнем протидії легалізації кримінальних доходів виявилося, що ця сфера є критичної для країн із високим рівнем злочинності, тероризму, наявними військовими конфліктами та високим рівнем фінансової таємниці, що робить їх потенційними суб’єктами процесів відмивання незаконних коштів. Також встановлено, що за рахунок конвергенції двох систем рівень розвитку країни підвищиться. Висновки: отримані результати дослідження слід врахувати в процесі розробки стратегії конвергенції системи кібербезпеки та протидії фінансовим шахрайствам на макрорівні.
Завантаження
Посилання
/Посилання
Відмивання грошей. Anti-corruption walks Kyiv : веб-сайт. URL: https://acwalks.com.ua/knowledgebase/vidmyvannia-hroshey/ (дата звернення: 01.12.2021).
Morgan S. Cybersecurity Almanac: 100 Facts, Figures, Predictions And Statistics. URL: https://cybersecurityventures.com/cybersecurity-almanac-2019/ (дата звернення: 01.12.2021).
Dileep M.R., Navaneeth A.V., Abhishek M. A novel approach for credit card fraud detection using decision tree and random forest algorithms. In Proceedings of the 3rd International Conference on Intelligent Communication Technologies and Virtual Mobile Networks, ICICV 2021. 2021. P. 1025–10284. DOI: https://doi.org/10.1109/ICICV50876.2021.9388431.
Wang R., Liu G. Ensemble Method for Credit Card Fraud Detection. In Proceedings - 2021 4th International Conference on Intelligent Autonomous Systems, ICoIAS 2021. 2021. P. 246–252. DOI: https://doi.org/10.1109/ICoIAS53694.2021.00051.
Mishra S.P., Kumari P. Analysis of techniques for credit card fraud detection: A data mining perspective. Advances in Intelligent Systems and Computing. 2020, №1030. P. 89–98. DOI: https://doi.org/10.1007/978-981-13-9330-3_9.
Mekterović I., Karan M., Pintar D., Brkić L. Credit card fraud detection in card-not-present transactions: Where to invest? Applied Sciences (Switzerland). 2021, №11(151). Article number 6766. DOI: https://doi.org/10.3390/app11156766.
Chen Z., Van Khoa L.D., Teoh E.N., Nazir A., Karuppiah E.K., Lam K.S. Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review. Knowledge and Information Systems. 2018, №57(2). P. 245–285. DOI: https://doi.org/10.1007/s10115-017-1144-z.
Zhou Y., Song X., Zhou M. Supply Chain Fraud Prediction Based on XGBoost Method. In 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering, ICBAIE 2021. 2021. P. 539–542. DOI: https://doi.org/10.1109/ICBAIE52039.2021.9389949.
Gao S., Xu D., Wang H., Green, P. Knowledge-based anti-money laundering: a software agent bank application. Journal of Knowledge Management. 2009, №13(2). P. 63-75. DOI: https://doi.org/10.1108/13673270910942709.
Karpunina E.K., Mikhailov A.M., Bondareva N.A., Lyubimenko O.A., Fedotova E.V. Blockchain Technologies as a Reflection of Modern Reality: Diversity of Opportunities Versus Security Risks. Studies in Systems, Decision and Control. 2021, № 314. P. 3–14. DOI: https://doi.org/10.1007/978-3-030-56433-9_1.
Dawson M. Applying a holistic cybersecurity framework for global IT organizations. Business Information Review. 2018, № 35(2). Р. 60–67. DOI: https://doi.org/10.1177/0266382118773624.
Babenko, V. Gas supply security model to EU consumers. The Journal of V. N. Karazin Kharkiv National University. Series: International Relations. Economics. Country Studies. Tourism, 2020, № 12, 78-87. DOI: https://doi.org/10.26565/2310-9513-2020-12-07
Shumilo, O., Babenko, V., Liubokhynets, L., Volovelska, I., Arefieva, O. Method of Enterprise Economic Security Evaluation. Estudios de Economía Aplicada, 2021, 39 (7). DOI: https://doi.org/10.25115/eea.v39i7.4998
Dionysios S. Demetis. Technology and Anti-Money Laundering: A Systems Theory and Risk-Based Approach. Edward Elgar Publishing, Incorporated, 2010. P. 188.
Starychenko, Ye., Skrypnyk, A., Babenko, V., Klymenko, N., Tuzhyk, K. Food Security Indices in Ukraine: Forecast Methods and Trends. Estudios de Economía Aplicada, 2021, Vol. 38-3(1), pp. 1-8. DOI: http://dx.doi.org/10.25115/eea.v38i4.4000
Gagliani G. Cybersecurity, Technological Neutrality, and International Trade Law. Journal of International Economic Law. 2020, № 23(3). Р. 723–745. DOI: https://doi.org/10.1093/jiel/jgaa006.
Yarovenko H. Evaluating the threat to national information security. Problems and Perspectives in Managemen. 2020, № 18(3), P. 195–210. DOI: https://doi.org/10.21511/ppm.18(3).2020.17.
Кузьменко О.В., Яровенко Г.М., Радько В.В. Попередній аналіз процесу конвергенції систем кібербезпеки та фінансового моніторингу країн. Економіка та суспільство. 2021, № 32. DOI: https://doi.org/10.32782/2524-0072/2021-32-37.
Gontareva, I., Babenko, V., Kuchmacz, B., Arefiev, S. Valuation of Information Resources in the Analysis of Cybersecurity Entrepreneurship. Estudios de Economía Aplicada, 2021, Vol. 38-3(1), pp. 1-11. DOI: http://dx.doi.org/10.25115/eea.v38i4.3984
Халафян А.А. STATISTICA 6. Статистический анализ данных. М. : ООО «Бином-Пресс», 2007. 512 c.
Vidmyvannia hroshei [Money laundering]. Anti-corruption walks Kyiv. Available at: https://acwalks.com.ua/knowledgebase/vidmyvannia-hroshey/ (accessed 01 December 2021).
Morgan S. (2019). Cybersecurity Almanac: 100 Facts, Figures, Predictions And Statistics. Available at: https://cybersecurityventures.com/cybersecurity-almanac-2019/ (accessed 01 December 2021).
Dileep M.R., Navaneeth A.V., Abhishek M. (2021). A novel approach for credit card fraud detection using decision tree and random forest algorithms. In Proceedings of the 3rd International Conference on Intelligent Communication Technologies and Virtual Mobile Networks, ICICV 2021. P. 1025–10284. https://doi.org/10.1109/ICICV50876.2021.9388431.
Wang R., Liu G. (2021). Ensemble Method for Credit Card Fraud Detection. In Proceedings - 2021 4th International Conference on Intelligent Autonomous Systems, ICoIAS 2021. P. 246–252. https://doi.org/10.1109/ICoIAS53694.2021.00051.
Mishra S.P., Kumari P. (2020). Analysis of techniques for credit card fraud detection: A data mining perspective. Advances in Intelligent Systems and Computing, 1030, pp. 89–98. https://doi.org/10.1007/978-981-13-9330-3_9.
Mekterović I., Karan M., Pintar D., Brkić L. (2021). Credit card fraud detection in card-not-present transactions: Where to invest? Applied Sciences (Switzerland), 11(151), article number 6766. https://doi.org/10.3390/app11156766.
Chen Z., Van Khoa L.D., Teoh E.N., Nazir A., Karuppiah E.K., Lam K.S. (2018). Machine learning techniques for anti-money laundering (AML) solutions in suspicious transaction detection: a review. Knowledge and Information Systems, 57(2), pp. 245–285. https://doi.org/10.1007/s10115-017-1144-z.
Zhou Y., Song X., Zhou M. (2021). Supply Chain Fraud Prediction Based on XGBoost Method. In 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering, ICBAIE 2021. P. 539–542. https://doi.org/10.1109/ICBAIE52039.2021.9389949.
Gao S., Xu D., Wang H., Green, P. (2009). Knowledge-based anti-money laundering: a software agent bank application. Journal of Knowledge Management, 13(2), pp. 63-75. https://doi.org/10.1108/13673270910942709.
Karpunina E.K., Mikhailov A.M., Bondareva N.A., Lyubimenko O.A., Fedotova E.V. (2021). Blockchain Technologies as a Reflection of Modern Reality: Diversity of Opportunities Versus Security Risks. Studies in Systems, Decision and Control, 314, pp. 3-14. https://doi.org/10.1007/978-3-030-56433-9_1.
Dawson M. (2018). Applying a holistic cybersecurity framework for global IT organizations. Business Information Review, 35(2), pp. 60-67. https://doi.org/10.1177/0266382118773624.
Babenko, V. (2020). Gas supply security model to EU consumers. The Journal of V. N. Karazin Kharkiv National University. Series: International Relations. Economics. Country Studies. Tourism, 12, 78-87. https://doi.org/10.26565/2310-9513-2020-12-07
Shumilo, O., Babenko, V., Liubokhynets, L., Volovelska, I., Arefieva, O. (2021). Method of Enterprise Economic Security Evaluation. Estudios de Economía Aplicada, 39 (7). https://doi.org/10.25115/eea.v39i7.4998
Dionysios S. Demetis. (2010). Technology and Anti-Money Laundering: A Systems Theory and Risk-Based Approach. Edward Elgar Publishing, Incorporated. P. 188.
Starychenko, Ye., Skrypnyk, A., Babenko, V., Klymenko, N., Tuzhyk, K. (2021). Food Security Indices in Ukraine: Forecast Methods and Trends. Estudios de Economía Aplicada, Vol. 38-3(1), pp. 1-8. http://dx.doi.org/10.25115/eea.v38i4.4000
Gagliani G. (2020). Cybersecurity, Technological Neutrality, and International Trade Law. Journal of International Economic Law, 23(3), pp. 723-745. https://doi.org/10.1093/jiel/jgaa006.
Yarovenko H. (2020). Evaluating the threat to national information security. Problems and Perspectives in Management, 18(3), pp. 195–210. https://doi.org/10.21511/ppm.18(3).2020.17.
Kuzmenko O.V., Yarovenko H.M., Radko V.V. (2021). Poperednii analiz protsesu konverhentsii system kiberbezpeky ta finansovoho monitorynhu krain [Preliminary analysis of the convergence process of cyber security systems and financial monitoring of countries]. Economy and society, 32. https://doi.org/10.32782/2524-0072/2021-32-37 (in Ukrainian).
Gontareva, I., Babenko, V., Kuchmacz, B., Arefiev, S. (2021). Valuation of Information Resources in the Analysis of Cybersecurity Entrepreneurship. Estudios de Economía Aplicada, Vol. 38-3(1), pp. 1-11. http://dx.doi.org/10.25115/eea.v38i4.3984
Halafyan A.A. (2007) STATISTICA 6. Statisticheskiy analiz dannyih [STATISTICA 6. Statistical data analysis]. М. : LLC «Binom-Press» (in Russian).
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License 4.0 International (CC BY 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).