vestnikmephiВестник НИЯУ МИФИVestnik natsional'nogo issledovatel'skogo yadernogo universiteta "MIFI"2304-487XNational Research Nuclear University "MEPhI"10.26583/vestnik.2024.302HUDHFWvestnikmephi-302Research ArticleМАТЕМАТИЧЕСКИЕ МОДЕЛИ И ЧИСЛЕННЫЕ МЕТОДЫMATHEMATICAL MODELS AND NUMERICAL METHODSМНОГОМЕРНЫЙ АНАЛИЗ ДАННЫХ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ПОПАДАНИЯ КРЕДИТНЫХ ОРГАНИЗАЦИЙ В ЗОНУ РИСКАMULTIDIMENSIONAL DATA ANALYSIS IN THE TASK OF PREDICTING THE ENTRY OF CREDIT INSTITUTIONS INTO THE RISK ZONEАкишинаЕ. П.AkishinaE. P.

ведущий программист

Lead programmer

eakishina@mail.ruИвановВ. В.IvanovV. V.

д.ф.-м.н., профессор, Главный научный сотрудник

Department 31 "Applied Mathematics", Professor, Doctor of Physical and Mathematical Sciences

ivanov@jinr.ruКряневА. В.KryanevA. V.

д.ф.-м.н., профессор, каф. Прикладная математика, профессор

Department 31 "Applied Mathematics", Professor, Doctor of Physical and Mathematical Sciences

AVKryanev@mephi.ruПриказчиковаА. С.PrikazchikovaA. S.

Кафедра 31, соискатель

Department 31 "Applied Mathematics", candidate for an academic degree

aska4.92@mail.ruОбъединённый институт ядерных исследованийРоссияJoint Institute for Nuclear ResearchRussian FederationОбъединённый институт ядерных исследований; Национальный исследовательский ядерный университет «МИФИ»РоссияJoint Institute for Nuclear Research; National Research Nuclear University «MEPhI»Russian FederationНациональный исследовательский ядерный университет «МИФИ»РоссияNational Research Nuclear University «MEPhI»Russian Federation2024280220241312229Copyright © Акишина Е.П., Иванов В.В., Крянев А.В., Приказчикова А.С., 20242024Акишина Е.П., Иванов В.В., Крянев А.В., Приказчикова А.С.Akishina E.P., Ivanov V.V., Kryanev A.V., Prikazchikova A.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnikmephi.elpub.ru/jour/article/view/302

Исследование экономических процессов базируется на изучении большого числа параметров. В связи с чем для проведения анализа исследуемых явлений и решения прогностических задач возникает необходимость применения методов многомерного анализа данных. В статье рассматривается проблема идентификации подозрительных, с точки зрения финансовой состоятельности, кредитных организаций, осуществляющих свою деятельность на российском рынке. Настоящее исследование нацелено на разработку методики многомерного анализа данных для выявления подозрительных кредитных организаций и прогнозирования отзыва у них лицензий. Для решения указанной задачи предлагается использовать иерархические и итерационные методы кластерного анализа, а также метод главных компонент. На основе этих методов разработана методика формирования зоны риска, позволяющая прогнозировать отзыв лицензий у кредитных организаций. Для определения количества кластеров применялся метод кластеризации Варда, а также метод локтя, метод силуэтов, метод Дэвиса–Боулдина. Совместное использование методов кластерного анализа и метода главных компонент позволили продемонстрировать робастность предложенной методики. В настоящем исследовании использовались данные формы банковской отчетности № 101.

The study of economic processes is based on the study of a large number of parameters. In this connection, in order to analyze the phenomena under study and solve prognostic problems, there is a need to use methods of multidimensional data analysis. The article examines the problem of identifying suspicious, from the point of view of financial solvency, credit institutions operating in the Russian market. This study is aimed at developing a methodology for multidimensional data analysis to identify suspicious credit institutions and predict the revocation of their licenses. To solve this problem, it is proposed to use hierarchical and iterative methods of cluster analysis, as well as the principal component method. Based on these methods, a methodology for forming a risk zone has been developed that makes it possible to predict the revocation of licenses from credit institutions. To determine the number of clusters, the Ward clustering method was used, as well as the elbow method, the silhouette method, and the Davis-Bouldin method. The combined use of cluster analysis methods and the principal component method made it possible to demonstrate the robustness of the proposed methodology. Data from Bank Reporting Form No. 101 were used in this study.

методы кластерного анализаметод k-среднихметод главных компонентЕвклидово расстояниекредитная организацияотзыв лицензииcluster analysis methodsk-means methodprincipal component methodEuclidean distancecredit institutionlicense revocationРабота выполнена при поддержке Министерства науки и высшего образования Российской Федерации (проект государственного задания № FSWU-2023-0031).This work was supported by the Ministry of Science and Higher Education of the Russian Federation (state assignment project No. FSWU-2023-0031).ReferencesАндерсон Т. Введение в многомерный статистический анализ. М.: Государственное издательство физико-математической литературы, 1963. 500 с.Anderson T. Vvedenie v mnogomernyj statisticheskij analiz. [Introduction to multivariate statistical analysis]. Moscow, State Publishing House of Physical and Mathematical Literature Publ., 1963. 500 p.Дюран Б., Оделл П. Кластерный анализ. М.: Статистика, 1977. 128 с.Durand B., Odell P. Klasternyj analiz. [Cluster analysis]. Moscow, Statistika Publ., 1977. 128 p.Dr. Tirthajyoti Sarkar. Clustering and dimensionality reduction techniques combined. [Электронный ресурс]. URL: https://github.com/ tirthajyoti/Machine-Learning-with-Python/blob/master/Clustering-Dimen¬sio¬nality-Reduction/Clustering_with_dim_reduction.ipynb (дата обращения: 07.07.2023).Dr. Tirthajyoti Sarkar. Clustering and dimensionality reduction techniques combined.Айвазян С.А., Бухштабер В.М., Енюков И.С. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика, 1989. 607 с. ISBN 5-279-00054-X.Available at: https: //github.com/tirthajyoti/Machine- Learning-with-Python/blob/master/Clustering-Dimensio¬nality-Reduction/Clustering_with_dim_reduction.ipynb (accessed 07.07.2023).Акишина Е.П., Иванов В.В., Крянев А.В., Приказчикова А.С. Cравнительный анализ методов деревьев решений и нейронных сетей в задаче классификации кредитных организаций // Вестник НИЯУ МИФИ, 2022. Т. 11. № 6. С. 442–449. https://doi.org/ 10.26583/vestnik.2022.12.Ajvazyan S.A., Buhshtaber V.M., Enyukov I.S. Prikladnaya statistika. Klassifikaciya i snizhenie razmernosti [Applied statistics. Classification and dimension reduction]. Moscow: Finansy i statistika Publ., 1989. 607 p. ISBN 5-279-00054-X.Акишина Е.П., Иванов В.В., Приказчикова А.С. Применение нейронных сетей и метода главных компонент для идентификации кредитных организаций, потенциально вовлеченных в процесс по легализации преступных доходов // Известия Иссык-Кульского форума бухгалтеров и аудиторов стран Центральной Азии, 2022. № 2(37). С. 294–296.Akishina E.P., Ivanov V.V., Kryanev A.V., Prikazchikova A.S. Cravnitel'nyj analiz metodov derev'ev reshenij i nejronnyh setej v zadache klassifikacii kreditnyh organizacij [Comparative analysis of decision tree and neural network methods in the problem of classification of credit institutions]. Vestnik NIYaU MIFI, 2022. Vol. 11. No. 6. Pp. 442–449. https://doi.org/10.26583/ vestnik.2022.12 (in Russian)Murtagh F. Ward's Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward's Criterion. // Journal of Classification, 2014. № 31. P. 274–295.Akishina E.P., Ivanov V.V., Prikazchikova A.S. Primenenie nejronnyh setej i metoda glavnyh komponent dlya identifikacii kreditnyh organizacij, potencial'no vovlechennyh v process po legalizacii prestupnyh dohodov [Application of neural networks and the principal component method for identifying credit institutions potentially involved in the process of money laundering]. Izvestiya Issyk-Kul'skogo foruma buhgalterov i auditorov stran Central'noj Azii, 2022. No. 2(37). Pp. 294–296 (in Russian).Айвазян С.А. Многомерный статистический анализ в социально-экономических исследованиях // Экономика и математические методы, 1977. № 13 (5). С. 968–985.Murtagh F. Ward's Hierarchical Agglomerative Clustering Method: Which Algorithms Implement Ward's Criterion. Journal of Classification, 2014. No. 31. Pp. 274–295.StatSoft Inc., 2011. STATISTICA (data analysis software system), version 10. [Электронный ресурс]. URL: www.statsoft.com (дата обращения: 07.07.2023).Ayvazyan S.A. Mnogomernyj statisticheskij analiz v social'no-ekonomicheskih issledovaniyah [Multivariate statistical analysis in socio-economic research]. Ekonomika i matematicheskie metody, 1977. No. 13 (5). Pp. 968–985 (in Russian).Баймуратов И.Р. Методы автоматизации машинного обучения. СПб.: Университет ИТМО, 2020. 40 с.StatSoft Inc., 2011. STATISTICA (data analysis software system), version 10. Available at: www.statsoft.com (accessed 07.07.2023).Айвазян С.Л., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Издательство «Финансы и статистика», 1985. 488 с.Baimuratov I.R. Metody avtomatizacii mashinnogo obucheniya [Methods for automating machine learning[. St. Petersburg, Universitet ITMO Publ., 2020. 40 p.Ajvazyan S.L., Enyukov I.S., Meshalkin L.D. Prikladnaya statistika. Issledovanie zavisimostej [Applied statistics. Dependency research]. Moscow, Izdatel'stvo «Finansy i statistika» Publ., 1985. 488 p.Ajvazyan S.L., Enyukov I.S., Meshalkin L.D. Prikladnaya statistika. Issledovanie zavisimostej [Applied statistics. Dependency research]. Moscow, Izdatel'stvo «Finansy i statistika» Publ., 1985. 488 p.

The authors declare that there are no conflicts of interest present.