CC BY
17
ФИНАНСОВЫЕ РИСКИ
Глотов В.И.,
к.э.н., профессор, зам. директора Федеральной службы по финансовому мониторингу, заведующий базовой кафедрой финансовой и экономической безопасности РЭУ им. Г.В. Плеханова г. Москва, Россия E-mail: glotov@fedsfm.ru Волкова М.И.,
к.э.н, зав. научной лабораторией «Моделирование социально-экономических систем» РЭУ им. Г.В. Плеханова г. Москва, Россия E-mail: frauwulf27@yandex.ru
НЕЙРОСЕТЕВОЙ ПОДХОД К ПРОФИЛИРОВАНИЮ ХОЗЯЙСТВУЮЩИХ СУБЪЕКТОВ, ВКЛЮЧЕННЫХ В САНКЦИОННЫЕ СПИСКИ
JEL classification: C45, F51, F52
Аннотация
Функционирование, развитие и усовершенствование экономики России происходит на фоне комплексных, масштабных рисков и угроз национальной безопасности. Меры по сдерживанию России в сфере мировых экономических и геополитических отношений вызваны и поддерживаются со стороны некоторых стран, в частности США и их союзников.
Суть предлагаемого в работе подхода строится на предположении, что включение предприятий в санкционные списки не случайно и обусловлено рядом критериев. Среди них: принадлежность тому или иному сектору экономики России, конкурентоспособность производимой продукции, финансово-экономическое состояние организации и прочие. К данным по 485 российским предприятиям, входящим в санкционные списки США, были применены инструменты анализа данных, в частности нейросетевое моделирование. Показано, что среди параметров, опреде-
ляющих включения в санкционные перечни, - финансово-экономические показатели деятельности предприятия: объем чистой прибыли, совокупный размер заработной платы сотрудникам предприятия. Кроме того, учитываются: интенсивность контрактной деятельности хозяйствующего субъекта (через число крупных контрактов по госзакупкам), отсутствие проектов, реализуемых совместно с предприятиями США или ЕС, частота упоминания в иностранных СМИ, а также федеральный округ, в котором базируется объект санкций, и принадлежность к вертикально интегрированной структуре. Полученные результаты могут быть использованы в качестве инструмента снижения рисков при моделировании деятельности российских предприятий.
Ключевые слова: экономическая безопасность, санкции, санкционный перечень, нейросеть, легитимные санкции, нелегитимные санкции, моделирование, деятельность предприятий.
V.I. Glotov, M.I. Volkova
NEURAL NETWORK MODELING OF THE PROBABILITY OF INCLUDING IN THE SANCTIONS LIST
Abstract
The functioning, development and improvement of Russian economy is doing in complex, large-scale risks, and threats to national security. Instruments to contain Russia in the sphere of global economic andgeopolit-ical relations are called for and supported by the United States and its allies.
The essence of the proposed method assumes that the inclusion of enterprises in the sanctions lists is not accidental and is due to several criteria. Among them: belonging to a sector of the Russian economy, the competitiveness of products, financial and economic indicators of the organization, and others. Data analysis tools - neural network modeling, were applied to data on 485 Russian companies included in the US sanctions lists. It is shown that among the parameters determining the probability of including in sanctions lists
are financial and economic indicators of activity of the enterprise: net profit, total amount of wages. In addition, the following factors are taken into account: the intensity of the business entity's contract activity (through the number of large public procurement contracts), the absence ofprojects implemented jointly with US or EU enterprises, the frequency of mentions in foreign media, as well as the Federal district where the object of sanctions is based, and belonging to a vertically integrated structure. The results obtained can be used as a risk reduction tool for modeling the activities of Russian enterprises.
Keywords: economic security, sanctions, sanctions list, neural network, legitimate sanctions, illegitimate sanctions, modeling, business activities.
Введение
В современных условиях санкции заняли прочное место во внешнеполитическом инструментарии как альтернатива или дополнение к применению политической силы. Только в том случае, если санкции приняты Советом Безопасности ООН [1] или FATF [2], они могут считаться легитимными, то есть иметь под собой законное основание, базирующееся на принципах международного права. С момента создания Совета Безопасности ООН введено более тридцати санкций в отношении «Южной Родезии, Южной Африки, бывшей Югославии, Гаити, Ирака, Анголы, Руанды, Сьерра-Леоне, Сомали и Эритреи, Эритреи и Эфиопии, Либерии, Демократической Республики Конго, Кот-д'Ивуара, Судана, Ливана, Корейской Народно-Демократической Республики, Ирана, Ливии, Гвинеи-Бисау, Цен-тральноафриканской Республики, Йемена, Южного Судана и Мали, а также в отношении организаций ИГИЛ (ДАИШ), «Аль-Ка-ида» и движения «Талибан» [1].
FATF формирует черный и серый списки стран, находящихся под пристальным контролем в связи с, соответственно, полным или частичным несоответствием мер, принимаемых в сфере ПОД/ФТ/ФРОМУ. По состоянию на 2020 год в черный список входят Иран и КНДР.
В серый список входят: Албания, Багамские остова, Барбадос, Ботсвана, Гана, Исландия, Йемен, Зимбабве, Камбоджа, Маврикий, Монголия, Мьянма, Никарагуа, Пакистан, Панама, Сирия, Уганда, Ямайка.
Действующими являются четырнадцать санкций СБ ООН [3], направленных на поддержание политического урегулирования конфликтов, нераспространения ядерного оружия и борьбы с терроризмом. Санкции Совета Безопасности и FATF могут принимать различные формы: от экономических и торговых санкций до эмбарго на поставки оружия, запретов на поездки, финансовых и прочих ограничений [4]. Совет Безопасности вводит санкции в целях обеспечения мирных переходных процессов, предупреждения антиконституционных преобразований, сдерживания терроризма, защиты прав человека.
Прочие меры, направленные на решение сугубо экономических задач, например, путем выдавливания государств-конкурентов с рынков сбыта продукции, являются нелегитимными [5].
Усиление давления на международной арене требует не только принятия мер по усовершенствованию экономико-политической обстановки, но и разработки подходов к оценке возможности включения тех или иных предприятий в санкционные списки.
Материалы и методы
Для построения профиля предприятия под санкциями на основе данных, публикуемых в сети Интернет и в базе «СПАРК Интерфакс», сформирована информационно-статистическая база, включающая ряд показателей по каждому хозяйствующему субъекту. База данных содержит информацию о российских юридических лицах, перечисленных в законодательных актах, одобренных высшим руководством США [6], [7], [8], [9] и входящих в состав более двадцати отраслей экономики России. Анализ проведен в среде SPSS (SPSS Modeler 18.0) с использованием инструмента нейросетевого моделирования.
Результаты
В таблице 1 - переменные, вошедшие в модель в качестве объясняющих и зависи-
мой. В ходе моделирования нами выдвинута гипотеза о наличии тех параметров, которые являются определяющими при вычислении вероятности попадания соответствующего хозяйствующего субъекта в санкционный список США. Используются три количественных показателя. Объем чистой прибыли и фонд оплаты труда применяются в модели как индикаторы результативности деятельности предприятия и его масштаба соответственно. Число контрактов по госзакупкам служит отражением степени деловой и производственной устойчивости хозяйствующего субъекта. Роль качественных показателей состоит в дополнительном акцентировании основных черт хозяйствующих субъектов. Два
параметра, в той или иной мере определяющих степень активности предприятия на международной арене, - участие в совместных с США или странах Евросоюза проектах и частота упоминания в зарубежных СМИ. С целью упрощения интерпретации результатов переменной Sotr_EU_US (табл. 1) присвоены значения «1» - совместные проекты отсутствуют и «0» - организация участвует в реализации подобных проектов. Например, такой показатель, как частота упоминания предприятия в иностранных СМИ, оценивался не только путем обзоров ведущих мировых изданий, но и с помощью системы анализа СМИ (GDELT.ORG).
Таблица 1 - Исходные данные
№ п/п Имя переменной (в сети) Метка переменной Тип переменной Значения
Tip_sank Тип санкций, введенных в отношении объекта - зависимая переменная Номинальная 1 - SSI 2 - SDN
1 Ch_prib Чистая прибыль Количественная Тысяч рублей
2 Zarplata Фонд оплаты труда Количественная Рублей
3 Kontrakti Число контрактов (по госзакупкам) Количественная Единиц
4 Sotr_EU_US Отсутствуют совместные проекты (направления работы) с ЕС или США Номинальная 0 - нет 1 - да
5 Fokr Федеральный округ, в котором базируется предприятие Номинальная 1 - ЦФО 2 - СЗФО 3 - ЮФО 4 -СКФО 5 - ПФО 6 - УФО 7 - СФО 8 - ДФО
6 Uppress Частота упоминания объекта в иностранных СМИ Номинальная 0 - редко 1 - достаточно часто 2 - очень часто
7 Prinadl Принадлежность предприятия (вхождение в состав вертикально интегрированной структуры) Номинальная 103 градации
Переменные Fokr и Prinadl являются косвенными характеристиками отраслевой принадлежности предприятий из санкцион-ного списка США.
Градации зависимой переменной: блокирующие (SDN - Specially Designated Nationals) и секторальные (SSI - Sectoral Sanctions Identifications) санкционные ограничения. Блокирующие санкции накладывают
запрет на сделки с юридическими или физическими лицами, включенными в санкцион-ные перечни. Кроме того, запрещается въезд в страны Европейского союза и США и замораживаются активы подсанкционных лиц на территории США. Секторальные санкции применяются внутри отдельных секторов экономики, являются более щадящим вариантом оказания санкционного давления, не предусматривают блокировки финансовых активов объекта санкций.
Рисунок 1 - Стандартная архитектура нейросети (многослойный перцептрон)
Для профилирования российских предприятий, находящихся под санкциями США, построена нейросеть с использованием многослойного перцептрона (рис. 1). Сети с подобной архитектурой включают ряд компонент-слоев [10]:
• входной слой;
• скрытые слои (один и более);
• выходной слой.
Для некоторых показателей созданы фиктивные переменные [11], несмотря на применение функции активации Softmax при создании нейросети с целью предотвращения ее переобучения. В скобках - их метки, перед скобками - градации исходных, номинальных переменных:
Sotr EU US =
0 (Sotrl)
сотрудниче-
[1 (Sotr2)
ство (совместные проекты) со странами ЕС или с США
[0 (Uppress1) UPpress = ^ (UPpress2) - частота упоми-
V2 (UPpress3 нания в иностранных СМИ
Моделирование проведено в рамках ex-post-подхода: зависимая переменная датирована 2018 годом, а набор объясняющих,
в частности блок финансово-экономических показателей, взят за 2017 год. Количество скрытых слоев в сети - 2, количество единиц в первом скрытом слое - 5, во втором - 4, количество входных нейронов - 16.
Наилучшие результаты с наибольшим числом правильных предсказанных откликов (табл. 2 получены при размере обучающей выборки в 50,6% наблюдений, тестовой - 26,7%, а контрольной - 22,7%. Процент неверных предсказаний на обучающей, тестовой и контрольной выборке составил 13,8%, 6,5%, 15,4% соответственно. Всего в исходной выборке 485 наблюдений (предприятий).
В таблице 3 приведены результаты вычисления нормализованной важности независимых переменных. Переменной с наибольшей предсказательной способностью (максимальной важностью) соответствует значение 1.
Таблица 3 - Важность независимых переменных
Таблица 2 - Классификация в модели
Выборка Наблюдаемые отклики Предсказанные отклики
SSI SDN % правильных
SSI 63 0 100
Обучающая SDN 12 12 50
Общий % 86,2 13,8 86,2
SSI 36 1 97,3
Тестовая SDN 2 7 77,8
Общий % 82,6 17,4 93,5
SSI 30 1 96,8
Контрольная SDN 5 3 37,5
Общий % 89,7 10,3 84,6
Переменная (метка переменной) Важность Нормализованная важность (%)
Фонд оплаты труда 0,218 1
Вхождение в состав вертикально интегри- 0,203 0,933
рованной структуры
Чистая прибыль 0,196 0,898
Федеральный округ, в котором базируется 0,167 0,766
предприятие
Частота упоминания объекта в иностранных СМИ 0,100 0,459
Число контрактов (по госзакупкам) 0,064 0,292
Отсутствуют совместные проекты (направления работы) с ЕС или США 0,052 0,241
Обсуждение
Полученные расчеты позволяют судить о наличии набора критериев, по которому предприятия, представляющие отрасли экономики Российской Федерации, включаются в санкционные списки США. Среди таких критериев:
• показатели прибыльности, эффективности и масштаба предприятия, а также его значимости в отраслевом разрезе - фонд оплаты труда, количество контрактов по госзакупкам, размер чистой прибыли;
• географическое положение предприятия;
• частое упоминание предприятия в зарубежных СМИ при отсутствии заданного контекста (положительный или отрицательный отклик в средствах массовой информации);
• отсутствие проектов или задач, реализуемых совместно с европей-
скими и (или) американскими производителями, например строительство и дальнейшая эксплуатация газопроводов.
Нестабильная геополитическая обстановка, характеризующаяся в том числе хаотичным введением нелегитимных санкцион-ных ограничений на деятельность ключевых отраслей и предприятий российской экономики, оказывает двустороннее влияние на социально-экономическое положение
страны. С одной стороны, в связи с необходимостью принятия мер оздоровления отраслей и секторов экономики активно вводится импортозамещение, что положительно сказывается на объемах производства предприятий. В то же время падение цены на энергоресурсы в сочетании с преградами, выстраиваемыми США в сфере реализации российских продуктов добывающей промышленности, дает поводы ожидать снижения темпов экономического роста за счет сокращения объемов нефтегазовых
налоговых поступлений в федеральный бюджет. Санкции против Российской Федерации обусловливают возможность негативных тенденций в экономике страны, что связано в первую очередь с сокращением объема иностранных инвестиций. Помимо акцентированного воздействия на предприятия, санкционные ограничения способны форсировать процессы нарастания социальной напряженности [12].
Эскалация кризисных явлений, индуцированных влиянием пандемии коронави-руса COVID-19 на мировую экономику, усиление глобальной конкуренции и возникновение новых формальных инфопово-дов для включения российских предприятий в санкционные перечни США формируют обновленный комплекс вызовов и угроз стабильности России. Проведение политики вытеснения конкурентов с помощью введения рестрикций со стороны Вашингтона и его союзников способно затронуть те производственные и исследовательские сферы, которые до распространения коронавирусной инфекции не являлись наиболее остро задействованными в обеспечении физической безопасности граждан Российской Федерации. Подтверждением является включение в августе 2020 г. в санкционный список двух научно-исследовательских институтов: НИИ Министерства обороны России и ГосНИИ органической химии и технологии. Проведенный анализ по разработанной методике позволил определить перечень аналогичных объектов, деятельность которых может быть подвергнута ограничениям со стороны США. Это требует дальнейшего развития современных вычислительных инструментов для разработки комплекса упреждающих и ответных мер, а также оценки неблагоприятных исходов, возможных при нарастании давления на Россию извне.
Заключение
В современном мире отмечается рост числа попыток осуществления одностороннего воздействия на отдельные государства со стороны США и их партнеров с целью конкурентной борьбы в торгово-экономической и геополитической сфе-
рах. Наиболее распространенным инструментом является введение санкционных ограничений. Причем только в ряде случаев этот процесс осуществляется на законных основаниях, когда его целью является противодействие ОД/ФТ, борьба с терроризмом, распространением оружия массового уничтожения и другими опасными явлениями.
Многоаспектный анализ позволил получить значимые и адекватные результаты в области моделирования профиля российских хозяйствующих субъектов, находящихся под санкционным давлением. Определены критерии, определяющие возможность включения предприятия в секторальный или блокирующий пакеты санкций. При проведении ex-post-анализа с использованием блока финансово-экономических показателей и иных параметров за предыдущий временной интервал показано, что основную роль играют признаки благополучия предприятий, степень видимости предприятия в иностранных средствах массовой информации, отсутствие совместных проектов с США и странами Европейского союза, а также географическое положение хозяйствующего субъекта.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Санкции Совета Безопасности // United Nations Security Council. 2014. URL: https://www.un.org/ securitycouncil/sanctions/information (дата обращения 10.02.2020).
2. Международные стандарты по борьбе с ОД/ФТ и ФРОМУ. Рекомендации FATF // FATF: сайт. 2012 (updated 2019). URL: https://www.fatf-gafi.org/media/fatf/ documents/recommendations/pdfs/FATF%20 Recommendations%202012.pdf (дата обращения 10.02.2020).
3. Mack A. and Khan A. The Efficacy of UN Sanctions, Secur. Dialogue, vol. 31, № 3, 2000, p. 279-292.
4. Финансовый мониторинг: учебник / под ред. В.И. Глотова, А.У. Альбекова. - Ростов н/Д: Издательско-полиграфический комплекс РГЭУ (РИНХ), 2019. - 174 с.
5. Burke John J.A. Economic sanctions against the Russian Federation are illegal under public international law. Russian Law Journal, vol. 3, no. 3, 2015, pp. 126-141.
6. Полный список организаций из России, ДНР и ЛНР, попавших под санкции со стороны США и ЕС на 10 сентября 2019 года // РБК. 2019. URL: https://s0.rbk.ru/ v6_top_pics/media/file/2/69/755681331911 692.pdf (дата обращения 11.02.2020).
7. Полный список россиян и представителей ДНР и ЛНР, попавших под санкции со стороны США и Европейского союза на 30 сентября 2019 года // РБК. 2019. URL: https://s0.rbk.ru/v6_top_pics/me-dia/file/6/54/755698548229546.pdf (дата обращения 11.02.2020).
8. Countering America's Adversaries Through Sanctions Act // U.S. Department of the Treasury. 2017. URL: https://www.treas-ury.gov/resource-center/sanctions/Pro-grams/Pages/caatsa.aspx (дата обращения 11.02.2020).
9. Sanctions Programs and Information // Office of Foreign Assets Control. 2019. URL: https://www.treasury.gov/re-source-center/sanctions/Pages/default.aspx (дата обращения 11.02.2020)
10. Anderson, J. A. An Introduction to Neural Networks, MIT Press. 1995. - 672 p.
11. H.E.T. Holgersson, L. Nordstrom & O. Oner. Dummy variables vs. category-wise models // Journal of Applied Statistics. 2014. 41:2, p. 233-241.
12. Impact of economic sanctions on poverty and economic growth GSDRC // O'Driscoll D. Brighton: сайт. 2017. URL: https://assets.publishing.service.gov.uk/me-dia/5bace471ed915d259c43d848/136_Im-pact_of_Economic_sanctions_on_pov-erty_and_economic_growth.pdf (дата обращения 10.02.2020).
BIBLIOGRAPHIC LIST
1. United Nations Security Council: website. 2020. URL: https://www.un.org/secu-ritycouncil/sanctions/information (date of request 10.02.2020).
2. International Standards on Combating Money Laundering and the Financing of Terrorism & Proliferation. The FATF Recommendations // FATF. 2012 (updated 2019).
URL: https://www.fatf-gafi.org/media/fatf/ documents/recommenda-tions/pdfs/FATF%20Recommendations%202 012.pdf (date of request10.02.2020).
3. Mack A. and Khan A. The Efficacy of UN Sanctions, Secur. Dialogue, vol. 31, no. 3, 2000, pp. 279-292.
4. Financial monitoring: the textbook / under the editorship of V.I. Glotov, A.W. Alibekova. - Rostov n/D: Publishing and printing complex at Rostov state economic University (RSEU), 2019. - 174 p.
5. Burke John J.A. Economic sanctions against the Russian Federation are illegal under public international law. Russian Law Journal, vol. 3, no. 3, 2015, pp. 126-141.
6. Sanction list (Russian entities under US and EU sanctions) // Rbc.ru. 2019. URL: https://s0.rbk.ru/v6_top_pics/me-dia/file/2/69/755681331911692.pdf (date of request 11.02.2020).
7. Sanction list (Russian citizens) // Rbc.ru. 2019. URL: https://s0.rbk.ru/ v6_top_pics/media/file/6/54/7556985482295 46.pdf (date of request 11.02.2020).
8. Countering America's Adversaries Through Sanctions Act // U.S. Department of the Treasury. 2017. URL: https://www.treas-ury.gov/resource-center/sanctions/Pro-grams/Pages/caatsa.aspx (date of request 11.02.2020).
9. Sanctions Programs and Information // Office of Foreign Assets Control: website. 2019. URL: https://www.treasury. gov/resource-center/sanctions/Pages/de-fault.aspx (date of request 11.02.2020)
10. Anderson, J. A. An Introduction to Neural Networks, MIT Press. 1995 - 672 pp.
11. H.E.T. Holgersson, L. Nordström & Ö. Öner. Dummy variables vs. category-wise models // Journal of Applied Statistics. 2014. 41:2, p. 233-241.
12. Impact of economic sanctions on poverty and economic growth - GSDRC // O'Driscoll D. Brighton: website. 2017. URL: https://assets.publishing.service.gov.uk/me-dia/5bace471ed915d259c43d848/136_Im-pact_of_Economic_sanctions_on_pov-erty_and_economic_growth.pdf (date of request 10.02.2020).
