ТРАНСНАЦИОНАЛЬНАЯ ЭКОНОМИЧЕСКАЯ ПРЕСТУПНОСТЬ: ИНТЕГРАЦИЯ ПРЕДИКТИВНЫХ ГИБРИДНЫХ НЕЙРОСЕТЕВЫХ АРХИТЕКТУР В СИСТЕМУ ОБЕСПЕЧЕНИЯ ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ

TRANSNATIONAL ECONOMIC CRIME: INTEGRATION OF PREDICTIVE HYBRID NEURAL NETWORK ARCHITECTURES INTO THE ECONOMIC SECURITY SYSTEM

Olshevskiy Vadim Evgenyevich

Student, Department of Economic Security, Accounting and Law, Don State Technical University

Russia. Rostov-on-Don

Tsykora Anna Vladimirovna

Scientific Supervisor, Candidate of Law, Associate Professor Associate Professor of the Department of Economic Security, Accounting and Law, Don State Technical University (DSTU),

Russia. Rostov-on-Don

АННОТАЦИЯ

В статье исследуется феномен транснациональной экономической преступности в условиях глобальной макроэкономической нестабильности и перестройки логистических цепочек. Особое внимание уделяется отмыванию денег на основе международной торговли (Trade-Based Money Laundering, TBML) как одной из главных экзистенциальных угроз финансовому суверенитету государств. Обосновывается критическая неэффективность традиционных алгоритмов машинного обучения для выявления высокотехнологичных скрытых криминальных сетей. В качестве решения предлагается внедрение концептуальной математической модели на базе предиктивных гибридных нейросетевых архитектур, синергично объединяющих графовые нейронные сети (GNN) и трансформеры. Для обеспечения юридической легитимности, аудируемости и алгоритмической прозрачности блокировки теневых транзакций подчеркивается абсолютная необходимость применения методов объяснимого искусственного интеллекта (Explainable AI, в частности математического метода SHAP).

ABSTRACT

The article examines the phenomenon of transnational economic crime in the context of global macroeconomic instability and the restructuring of international supply chains. Special attention is paid to Trade-Based Money Laundering (TBML) as one of the primary existential threats to the financial sovereignty of states. The critical inefficiency of traditional machine learning algorithms for detecting high-tech, hidden criminal networks is substantiated. As a solution, the implementation of a conceptual mathematical model based on predictive hybrid neural network architectures, synergistically combining Graph Neural Networks (GNN) and transformers, is proposed. To ensure legal legitimacy, auditability, and algorithmic transparency when blocking shadow transactions, the absolute necessity of applying Explainable AI methods (specifically the SHAP mathematical method) is emphasized.

Ключевые слова: Транснациональная экономическая преступность, отмывание денег на основе международной торговли (TBML), экономическая безопасность, гибридные нейронные сети, графовые нейронные сети (GNN), объяснимый искусственный интеллект (Explainable AI), вектор Шепли (SHAP).

Keywords: Transnational economic crime, Trade-Based Money Laundering (TBML), economic security, hybrid neural networks, Graph Neural Networks (GNN), Explainable AI (XAI), SHAP method.

Введение

В условиях нарастающей глобальной макроэкономической нестабильности и масштабной перестройки международных логистических цепочек архитектура транснациональной экономической безопасности претерпевает фундаментальные качественные изменения. Экономическая преступность, исторически тяготевшая к примитивным формам линейной контрабанды, эволюционировала в высокоинтеллектуальные, глубоко эшелонированные сети. Современные криминальные синдикаты активно эксплуатируют уязвимости глобальной финансовой системы и новейшие цифровые технологии, превращая незаконный вывод капитала в экзистенциальную угрозу для финансового суверенитета государств [1, с. 44].

В ответ на необходимость комплексного переосмысления механизмов защиты экономических интересов, в настоящей статье исследуется феномен транснациональной экономической преступности и разрабатываются инновационные пути ее нейтрализации. Фокус исследования направлен на анализ концепции транснационального отмывания денег на основе международной торговли (Trade-Based Money Laundering, TBML), а также на обоснование концептуальной математической модели использования гибридных графовых нейросетей (GNN) и систем объяснимого искусственного интеллекта (Explainable AI) для проактивного пресечения деструктивных финансовых потоков.

Глава 1. Транснациональное отмывание денег на основе международной торговли (TBML): типологии и уязвимости

Основной объем капитала выводится из-под юрисдикции государств в безналичной форме посредством сложнейших схем отмывания денег на основе международной торговли. Данная криминальная типология признана Группой разработки финансовых мер борьбы с отмыванием денег (FATF) одной из трех основных методологий легализации преступных доходов [1, с. 44].

Согласно оценкам Европола, в условиях геополитической напряженности гибридные субъекты активно используют сети TBML в качестве инструментов теневых операций и обхода международных санкций [2]. Феномен TBML заключается в маскировке преступных доходов под легитимные внешнеторговые транзакции путем умышленного искажения стоимости, объемов или качественных характеристик перемещаемых товаров [1, с. 44]. В отличие от классического мошенничества, операции TBML обладают высочайшей степенью латентности. Каждая отдельно взятая таможенная декларация или межбанковский SWIFT-перевод выглядит абсолютно законно. Криминальный умысел раскрывается исключительно при макроэкономическом анализе всей цепи поставок.

К числу наиболее распространенных методов TBML относятся:

1. Завышение или занижение фактурной стоимости (Over/Under-invoicing). При завышении стоимости импорта компания переводит аффилированной офшорной компании сумму, значительно превышающую реальную рыночную стоимость ввезенного товара. Занижение стоимости экспорта работает зеркально: стратегический ресурс продается по искусственно заниженной цене подконтрольной фирме-прокладке, которая затем реализует его на мировом рынке по реальной стоимости [1, с. 44].
2. Фантомные поставки (Phantom shipments). Заключение фиктивных импортных контрактов, по которым осуществляется масштабный перевод валюты за рубеж, после чего компания ликвидируется, а товар физически границу не пересекает [1, с. 44].
3. Использование сложных корпоративных структур (Shell companies). Для усложнения финансового следа создаются многоуровневые сети фирм-однодневок, зарегистрированные в транзитных юрисдикциях [1, с. 44].
4. Интеграция цифровых активов (Crypto-laundering). Транснациональные организованные группы все чаще объединяют традиционный TBML с использованием блокчейн-технологий [2]. Доходы от фиктивного импорта конвертируются в децентрализованные активы, что обеспечивает мгновенную трансграничную мобильность капитала [3].​

Глава 2. Математическое моделирование и гибридные нейросетевые архитектуры в противодействии TBML

Выявление изощренных схем TBML представляет собой задачу исключительной математической сложности. Традиционные алгоритмы машинного обучения (например, логистическая регрессия или случайный лес), оперирующие плоскими табличными данными, демонстрируют критическую неэффективность [4, с. 1024-1034]. Они строятся на статистическом допущении, предполагающем, что анализируемые объекты (компании или транзакции) независимы друг от друга. В реальной экономике финансовое поведение субъекта неразрывно связано со свойствами его делового окружения: легальная компания, заключившая контракт с контрагентом из офшорной «прачечной», немедленно приобретает токсичный профиль риска.

Решение проблемы найдено в применении графовых нейронных сетей (Graph Neural Networks, GNN) [4, с. 1024-1034]. В архитектуре GNN макроэкономические связи моделируются как динамический ориентированный граф G = (V,E), где вершины V представляют собой компании, а ребра E — финансовые или логистические транзакции. Обучение сети базируется на концепции передачи сообщений: каждый узел итеративно обновляет свое скрытое многомерное представление, математически агрегируя информацию о признаках соседних узлов и весах транзакций [4, с. 1024-1034].

Наивысшую эффективность демонстрируют архитектуры Graph Attention Networks (GAT) и GraphSAGE [4, с 1024-1034]. Модель GraphSAGE решает проблему масштабируемости: она способна генерировать векторы признаков для ранее не встречавшихся компаний в режиме реального времени путем стохастического сэмплирования соседей, что абсолютно необходимо для потоковых систем финансового мониторинга [4, с. 1024-1034].

Передовым рубежом научной мысли стала разработка гибридных предиктивных моделей, объединяющих способность GNN к топологическому анализу с мощью алгоритмов ансамблевого машинного обучения (XGBoost) и архитектур-трансформеров. Примером такого синтеза является модель FALCON (Financial Anomaly Detection via a cross-optimized network) [5, с. 441].

Модель объединяет слои Transformer, которые анализируют последовательность транзакций во времени, с пространственными графовыми сетями, выявляющими скрытые связи между юридическими лицами [5, с 441]. Инновационный механизм кросс-внимания позволяет системе одновременно синтезировать временные аномалии и подозрительные сетевые кластеры.

Таблица 1.

Эмпирическая эффективность алгоритмов машинного обучения при выявлении TBML [4, с. 1024-1034; 5, с. 441].

Интеграция подобных передовых алгоритмов в аппаратные комплексы финансовой разведки позволяет пресекать факты отмывания капитала не в ходе отсроченного аудита, а непосредственно в миллисекунды, предшествующие инициации транзакций.

Глава 3. Объяснимый искусственный интеллект (Explainable AI) как императив экономической безопасности

Внедрение мощных нейросетевых архитектур в контур надзора сталкивается с юридическим барьером — проблемой «черного ящика». И графовые сети, и трансформеры способны классифицировать транзакцию как часть отмывочной схемы, однако их внутреннее устройство не позволяет в доступной форме объяснить логику принятия этого решения.

В сфере контроля автоматическая блокировка счетов влечет за собой репутационные издержки для легального бизнеса, поэтому алгоритмические решения должны быть легко аудируемыми [5, с 441]. Отсутствие транспарентности алгоритмов ИИ нарушает европейский Закон об искусственном интеллекте (EU AI Act), вступающий в полную силу в 2026 году [7]. Данный акт классифицирует банковские алгоритмы как системы «высокого риска» (High-Risk AI) [7]. Без механизмов объяснимости до 53% автоматически сгенерированных отчетов о подозрительных операциях отвергаются регуляторами как недопустимые доказательства [5, с. 441].

Для преодоления барьера разработана концепция объяснимого искусственного интеллекта (Explainable AI, XAI). Наиболее эффективными признаны математические методы SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations) [6, с. 4765-4774]

Метод SHAP базируется на концепции вектора Шепли из кооперативной теории игр. Метод позволяет математически справедливо распределить долю влияния каждого входного признака на итоговый вердикт нейросети. Расчет маргинального вклада  для каждого конкретного признака i производится по формуле:

где N — множество всех признаков, $S$ — подмножество признаков без включения фактора i, а v(S) — прогноз аналитической модели для подмножества [6, с 4765-4774].

Интеграция модуля SHAP в гибридную модель позволила генерировать юридически выверенные аналитические справки, аргументируя, что риск TBML обусловлен, например, топологической связью учредителей с фиктивными субъектами или аномально длинными цепочками расчетов [5, с 441]. Применение SHAP-интерпретации позволяет достичь уровня принятия доказательств регуляторами на уровне 92% [5, с 441]. XAI окончательно легитимизирует использование искусственного интеллекта в пресечении экономической преступности.

Заключение

Внешнеэкономическая сфера окончательно трансформировалась в важнейший рубеж защиты безопасности государств. Использование сложных типологий отмывания денег на основе международной торговли (TBML), сопряженных с внедрением криптовалют и многоуровневых корпоративных сетей, приводит к катастрофическому истощению национальных экономик.

Стратегическим императивом развития системы обеспечения экономической безопасности является ее тотальная цифровая трансформация. Применение гибридных нейросетевых архитектур, объединяющих мощь графовых нейронных сетей (GNN) со способностью трансформеров к секвенциальному анализу, позволяет с надежностью свыше 98% пресекать схемы TBML в режиме реального времени. Подобные модели выявляют латентные связи между контрагентами, недоступные человеческому восприятию.

Краеугольным камнем внедрения систем ИИ выступает соблюдение принципов алгоритмической транспарентности. Интеграция математических методов объяснимого искусственного интеллекта (Explainable AI, таких как SHAP) не только удовлетворяет строгим нормам международного права, но и обеспечивает формирование легитимной, безупречной доказательной базы для блокировки теневых финансовых потоков.

Список литературы:

1. Trade-Based Money Laundering: Trends and Developments / Financial Action Task Force (FATF). Paris, 2020. 44 p.
2. European Union Serious and Organised Crime Threat Assessment (EU SOCTA 2025) / Europol. The Hague, 2025.
3. International Narcotics Control Strategy Report (INCSR) 2025. Volume II: Money Laundering / U.S. Department of State. Washington, D.C., 2025.
4. Hamilton W. L., Ying Z., Leskovec J. Inductive Representation Learning on Large Graphs // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 1024–1034.
5. Financial Anomaly Detection via a cross-optimized network (FALCON) // Journal of Risk and Financial Management. 2025. Vol. 18. P. 441.
6. Lundberg S. M., Lee S. I. A Unified Approach to Interpreting Model Predictions // Advances in Neural Information Processing Systems. 2017. Vol. 30. P. 4765–4774.
7. Regulation (EU) 2024/1689 of the European Parliament and of the Council of 13 June 2024 laying down harmonised rules on artificial intelligence (Artificial Intelligence Act) // Official Journal of the European Union. 2024. L 1689.