“Актуальні проблеми державного управління”: Тематичний напрям 7.

Тематичний напрям 7.

Механізми реалізації державної регуляторної політики

Сокова Марина Андріївна,

Начальник Відділу фінансового моніторингу АТ «ТАСКОМБАНК»,

Аспірант Університету банківської справи Національного банку України (м. Київ)

УДК 336.71.078.3

АНАЛІЗ ДІЯЛЬНОСТІ БАНКІВ ЯК СПЕЦИФІЧНИХ СУБЄКТІВ ПЕРВИННОГО ФІНАНСОВОГО МОНІТОРИНГУ

У статті викладено результати аналізу діяльності банків як специфічних суб’єктів первинного фінансового моніторингу. Автором встановлено, незважаючи на низьку питому вагу у структурі суб’єктів первинного фінансового моніторингу, банки надають до Державної служби фінансового моніторингу України (далі - ДСФМУ) переважну більшість інформації щодо фінансових операцій, які потенційно можуть бути пов’язані з «відмиванням» коштів і об’єктивно є специфічними суб’єктами первинного фінансового моніторингу, а також що між кількістю банківських установ та кількістю операцій, про які до надійшла інформація від банківських установ, існує прямий середній зв’язок.

В статье изложены результаты анализа деятельности банков как специфических субъектов первичного финансового мониторинга. Автором установлено, несмотря на низкий удельный вес в структуре субъектов первичного финансового мониторинга, банки предоставляют Государственной службы финансового мониторинга Украины (далее - ГСФМУ) подавляющее большинство информации о финансовых операциях, которые могут быть связаны с «отмыванием» денег и объективно являются специфическими субъектами первичного финансового мониторинга, а также между количеством банков и количеством операций, о которых до поступила информация от банковских учреждений, существует прямая средний связь.

The article presents an analysis of banks as specific entities. The author found despite the low share in the structure of entities, banks provide to the State Financial MonitoringService of Ukraine (hereinafter - SFMSU) the vast majority of information on financial transactions that could potentially be associated with "money" funds and objective are specific reporting entities, as well as between the number of banks and the number of transactions, which are to received information from the banks, there is a direct communication medium.

Постановка проблеми. У розрізі типів організацій для розміщення кримінальних доходів очевидною є привабливість банківської системи з огляду на її універсальність. Банки пропонують широкий спектр послуг, мають стійкі зв’язки з іноземними фінансовими структурами, швидко здійснюють операції, оперують значними обсягами коштів. Тому важливо проаналізувати їх діяльність як суб’єктів первинного фінансового моніторингу, їх роль та ефективність даної діяльності, що зумовлює актуальність досліджуваного питання.

Аналіз останніх досліджень і публікацій та невирішені частини проблеми. Питання дослідження ролі діяльності банків в системі протидії (відмивання) коштів, одержаних злочинним шляхом, знайшли своє відображення в наукових працях багатьох зарубіжних та вітчизняних вчених, зокрема, таких як О.І. Барановський [1], О.О. Куришко [3,4], А.Мурычев, В.Зубков [6], І. І. Д’яконова [2], та інші. В наукових працях вищеозначених вчених розглядаються важливі теоретичні та методично-практичні аспекти боротьби з відмиванням коштів та вдосконалення діючої системи з його запобіганням. Проте відсутність комплексних досліджень ролі банків як специфічних суб’єктів первинного фінансового моніторингу потребує ретельного дослідження даної проблеми. Тому постає питання про необхідність аналізу діяльності банків у національній системі фінансового моніторингу.

Метою статті є аналіз діяльності та ролі банків у системі запобігання та протидії (відмиванню) доходів, одержаних злочинним шляхом, або фінансуванню тероризму в Україні.

Виклад основного матеріалу. Важливу роль банків у боротьбі з «відмиванням» доходів, одержаних злочинним шляхом, підтверджують і статистичні данні ДСФМУ. За цими даними саме банки є найбільш активними в системі звітування, в розрізі суб’єктів первинного фінансового моніторингу.

Однією з головних характеристик ефективності заходів, що вживаються банками як суб’єктами первинного фінансового моніторингу, є кількість та якість надісланих фінансових операцій у повідомленнях, що стали об’єктом фінансового моніторингу.

Банки є основним джерелом надходження інформації про здійснення фінансових операцій, які підлягають фінансовому моніторингу. За інформацією ДСФМУ, банки надають приблизно 97 % усіх повідомлень, небанківські установи приблизно – 3 %.

Для цього порівняємо кількість банків у загальній кількості суб’єктів первинного фінансового моніторингу з кількістю повідомлень про фінансові операції, що подаються банками та іншими суб’єктами.

На малюнку наведена динаміка подання інформації про фінансові операції в Україні в розрізі банків та інших суб’єктів фінансового моніторингу.

Рис.1. Динаміка подання інформації про фінансові операції по видах суб’єктів первинного фінансового моніторингу у 2011-2012 роках

Дослідимо тісноту зв’язку між кількістю банківських установ та кількістю операцій, про які до Державної служби фінансового моніторингу надійшла інформація від банківських установ. Для цього здійснимо кореляційно-регресійний аналіз наведених у таблиці даних.

Таблиця 1

		Банківські установи, X	Інформація про фінансові операції від банківських установ, Y	X²	Y²	X*Y
2011	квартал 1	174	164206	30276	26963610436	28571844
	квартал 2	175	268214	30625	71938749796	46937450
	квартал 3	175	324031	30625	104996088961	56705425
	квартал 4	176	291579	30976	85018313241	51317904
2012	квартал 1	176	219965	30976	48384601225	38713840
	квартал 2	176	234779	30976	55121178841	41321104
	квартал 3	174	240763	30276	57966822169	41892762
	квартал 4	175	242197	30625	58659386809	42384475
	∑	1401	1985734	245355	509048751478	347844804

Для оцінки тісноти зв'язку між Х і Y розрахуємо коефіцієнт кореляції Пірсона за формулою для незгрупованих даних:

де n – кількість досліджень;

x_i– кількість банківських установ;

y_i– кількість операцій, про які до Державної служби фінансового моніторингу надійшла інформація від банківських установ, за і-ий період.

Отримане значення коефіцієнта кореляції r = 0,5298 вказує на те, що між кількістю банківських установ та кількістю операцій, про які до Державної служби фінансового моніторингу надійшла інформація від банківських установ, існує прямий середній зв’язок.

Оскільки сила зв’язку між Х та Y оцінюється за вибірковими даними, то необхідна перевірка її статистичної значущості, тобто оцінка можливості розповсюдити отримані результати на всю генеральну сукупність.

Перевірка статистичної значущості коефіцієнта кореляції Пірсона здійснюється за допомогою так званої t-статистики, яка розраховується за формулою:

Розраховане значення t-статистики порівнюється з критичним значенням t_крит.

t_крит – табличне значення розподілу Стьюдента, яке також можна знайти за допомогою вбудованої статистичної функції Excel СТЬЮДРАСПОБР ( ; l), де – обраний рівень значущості, l – ступені волі, l = п–2.

Якщо розраховане значення t-статистики більше критичного , то коефіцієнт кореляції вважається значимим на обраному рівні .

Обчислимо значення t-статистики з обраним рівнем значущості = 0,05 для перевірки значущості отриманого нами коефіцієнта кореляції Пірсона:

t_крит(0,05; 6) = 2,4469.

Оскільки розраховане значення t-статистики більше критичного (2,7653 > 2,4469), то коефіцієнт кореляції можна вважати значущим на обраному рівні значущості .

На наступному етапі дослідження нами побудовано лінійну регресійну модель залежності між кількістю банківських установ та кількістю операцій, про які до Державної служби фінансового моніторингу надійшла інформація від банківських установ. Для побудови регресійної моделі виду y = ax + b та встановлення її параметрів ми використали пакет «Аналіз даних» програмного засобу Microsoft Excel. За результатами аналізу ми отримали наступні параметри моделі:

a = 19105;

b = – 0,000003.

Відповідна лінійна регресійна модель матиме наступний вигляд:

y = 19105x – 0,000003 ,

де y – кількість банківських установ;

x– кількість фінансових операцій, що надіслані банківськими установами.

Рис.2. Співвідношення між кількістю банківських установ та фінансовими операціями банківських установ

Коефіцієнт детермінації у даному випадку становить 0,2807. Значення коефіцієнта детермінації свідчить, що 28,07% варіації результативної ознаки y пояснюється рівнянням регресії.

Дослідимо тісноту зв’язку між кількістю інших суб’єктів первинного фінансового моніторингу та кількістю операцій, про які до Державної служби фінансового моніторингу надійшла інформація від інших суб’єктів первинного фінансового моніторингу. Для цього здійснимо кореляційно-регресійний аналіз наведених у таблиці даних.

Таблиця 2.

		Інші суб’єкти первинного фінансового моніторингу, X	Інформація про фінансові операції від інших суб’єктів первинного фінансового моніторингу, Y	X²	Y²	X*Y
2011	квартал 1	9613	8332	92409769	69422224	80095516
	квартал 2	10803	6583	116704809	43335889	71116149
	квартал 3	11212	7541	125708944	56866681	84549692
	квартал 4	11574	8965	133957476	80371225	103760910
2012	квартал 1	11825	6510	139830625	42380100	76980750
	квартал 2	11963	7546	143113369	56942116	90272798
	квартал 3	12111	7258	146676321	52678564	87901638
	квартал 4	12269	8803	150528361	77492809	108004007
	∑	91370	61538	1048929674	479489608	702681460

де n – кількість досліджень;

x_i– кількість інших суб’єктів первинного фінансового моніторингу;

y_i– кількість операцій, про які до Державної служби фінансового моніторингу надійшла інформація від інших суб’єктів первинного фінансового моніторингу, за і-ий період.

Отримане значення коефіцієнта кореляції r = – 0,5668 вказує на те, що між кількістю інших суб’єктів первинного фінансового моніторингу та кількістю операцій, про які до Державної служби фінансового моніторингу надійшла інформація від інших суб’єктів первинного фінансового моніторингу, існує обернений середній зв’язок.

Перевірка статистичної значущості коефіцієнта кореляції Пірсона здійснюється за допомогою так званої t-статистики, яка розраховується за формулою:.

Розраховане значення t-статистики порівнюється з критичним значенням t_крит.

t_крит(0,05; 6) = 2,4469.

Оскільки розраховане значення t-статистики більше критичного (|–2,5966| > 2,4469), то коефіцієнт кореляції можна вважати значущим на обраному рівні значущості .

a = – 0,2716;

b = 10603.

Відповідна лінійна регресійна модель матиме наступний вигляд:

y = –0,0297x + 8031,3 ,

де x– кількість інших суб’єктів первинного фінансового моніторингу;

y– кількість операцій, про які до Державної служби фінансового моніторингу надійшла інформація від інших суб’єктів первинного фінансового моніторингу.

Рис. 3. Співвідношення між кількістю інших суб’єктів первинного фінансового моніторингу та фінансовими операціями від інших установ

Коефіцієнт детермінації у даному випадку становить 0,3213. Значення коефіцієнта детермінації свідчить, що 32,13% варіації результативної ознаки y пояснюється рівнянням регресії.

Висновки. Банківські установи, незважаючи на низьку питому вагу у структурі суб’єктів первинного фінансового моніторингу, надають до Спеціально уповноваженого органу переважну більшість інформації щодо фінансових операцій, які потенційно можуть бути пов’язані з «відмиванням» коштів і об’єктивно є специфічними суб’єктами первинного фінансового моніторингу. Отже, для забезпечення ефективності функціонування системи фінансового моніторингу в Україні передусім необхідно вдосконалювати механізм здійснення фінансового моніторингу саме банками. Адже саме від їх діяльності у даній сфері об’єктивно залежить ефективність функціонування системи фінансового моніторингу в країні. Саме тому необхідно створення системи внутрішнього контролю в банку у сфері запобігання та протидії легалізації (відмиванню) доходів, одержаних злочинним, або фінансуванню тероризму, яка має базуватися на таких принципах, як: врегулювання і затвердження стандартів проведення заходів на запобігання злочину на рівні банку; перспективне навчання та підвищення кваліфікації працівників на всіх рівнях програми протидії відмиванню коштів; автоматизація процесів обробки та дослідження заходів протидії легалізації доходів, одержаних злочинним шляхом, розробка високоефективних механізмів перевірки операції, що підлягають під ознаки фінансового моніторингу.

Список використаної літератури:

1. Барановський О.І. «Відмивання» грошей: сутність та шляхи запобігання. – Х.: Видавництво «Форт», 2003. – 472 с.

2. Д’яконова, І. І. Сутність та значення фінансового моніторингу в банках [Текст] / І. І. Д’яконова // Вісник Академії митної служби України. – 2008. – № 1 (37). – С. 7–14

3. Куришко О. О. Проблеми узгодженості в діяльності суб’єктів фінансового моніторингу в Україні// Матеріали за 6 – а международна научна практична конференція, «Бидещи изследвания», 2010. – Т. 1. Икономики. София. «Бял ГРАД – БГ» ООД. – С. 24 – 26.

4. Куришко О.О. Удосконалення координації діяльності суб’єктів фінансового моніторингу в банківському секторі України [Текст] / О.О. Куришко // Управління розвитком. – Харків, 2011. - № 5 (102). – С. 19-21.

5. Мурычев А., Зубков В. Банки в борьбе с легализацией грязных денег //Банковское дело. – 2007. - №4. – с. 56-61.

6. Офіційний сайт Державної служби фінансового моніторингу України [Електронний ресурс] – Режим доступу: www.sdfm.gov.ua.

Худокормова Марія Ігорівна,

Відповідальний працівник ПАТ «Банк інвестицій та заощаджень» -

начальник служби фінансового моніторингу, Член Правління,

Аспірант Університету банківської справи Національного банку України (м. Київ)

ОЦІНКА ДІЄВОСТІ НАЦІОНАЛЬНОЇ СИСТЕМИ ЗАПОБІГАННЯ ТА ПРОТИДІЇ ЛЕГАЛІЗАЦІЇ ДОХОДІВ, ОДЕРЖАНИХ ЗЛОЧИННМ ШЛЯХОМ

У статті викладено результати дослідження оцінки дієвості національної системи запобігання та протидії легалізації (відмиванню) доходів, одержаних злочинним шляхом, або фінансування тероризму. Автором встановлено, що система запобігання та протидії легалізації (відмиванню) доходів, одержаних злочинним шляхом, в Україні є ефективною та дає змогу вчасно виявити фінансові операції, що мають ознаки легалізації «брудних» доходів та запобігти цим явищам.

В статье изложены результаты исследования оценки дееспособности национальной системы предотвращения и противодействия легализации (отмывания) доходов, полученных преступным путем, или финансирования терроризма. Автором установлено, что система предотвращения и противодействия легализации (отмывания) доходов, полученных преступным путем, в Украине является эффективной и позволяет своевременно выявить финансовые операции, которые имеют признаки легализации «грязных» доходов и предотвратить данные явления.

The article contains the research results of effectiveness assessment of national system of preventing and combating the legalization (laundering) of proceeds from crime or terrorism financing. The author concludes that the Ukrainian system of preventing and combating the legalization (laundering) of proceeds from crime or terrorism financing is effective and allows to detect financial transactions with signs of “dirty” income legalization and to prevent these phenomena.

Постановка проблеми. Сьогодні в Україні питання, пов’язані з легалізацією доходів, здобутих злочинним шляхом, набули великої актуальності і перебувають у центрі уваги нашого суспільства. Актуальність даної проблеми полягає в тому, що проникнення в легальний бізнес кримінальних доходів становить серйозну небезпеку для законної економічної діяльності, дестабілізації існуючих фінансової та валютної систем, зниження добробуту населення.

Аналіз останніх досліджень і публікацій та невирішені частини проблеми. Питання дослідження системи протидії (відмивання) коштів, одержаних злочинним шляхом, знаходяться в центрі постійної уваги науковців та банкірів-практиків. Вони знайшли своє відображення в наукових працях багатьох зарубіжних та вітчизняних вчених, зокрема, таких як О.І. Барановський [1], І.Г. Бірюкова [2], Л.А. Клюско [3], В.В. Коваленко [4], О.О. Куришко [5], В.Гілмор [7], Дж.Стессенс [8], М. Леві та П. Реутер [9], Ж.Сміт [10] та інші. В наукових працях вищеозначених вчених розглядаються важливі теоретичні та методично-практичні аспекти боротьби з відмиванням коштів та вдосконалення діючої системи з його запобіганням. Проте відсутність комплексних досліджень структури, організації та побудови дієвої системи протидії відмиванню коштів, досліджень понятійного апарату та аналізу такого явища ставить перед економічною наукою потребу ретельного та глибокого дослідження цієї складної проблеми. Тому постає питання про необхідність теоретичного дослідження явищ, понять та інших організаційних питань з метою ефективного та швидкого реагування на постійно трансформуючий і все більш витончений вид економічної злочинності – легалізація злочинних доходів.

Метою статті є аналіз дієвості державної системи запобігання та протидії легалізації (відмивання) доходів, одержаних злочинним шляхом, або фінансування тероризму в Україні.

Виклад основного матеріалу. Перш за все, показниками, які характеризують дієвість системи запобігання та протидії легалізації (відмивання) доходів, одержаних злочинним шляхом є показник якості здійснення правоохоронними органами України слідчих дій щодо виявлення ознак легалізації (відмивання) коштів, одержаних злочинним шляхом. Для оцінки якості функціонування системи первинного фінансового моніторингу України проаналізуємо зв'язок між надісланими банками до Державної служби фінансового моніторингу України інформації про протиправні операції та кількість порушених за результатами даної інформації кримінальних справ.

На основі статистичних даних, отриманих з опублікованих звітів Державної служби фінансового моніторингу України, побудовано динаміку кількості операцій, що підлягають фінансовому моніторингу, та порушених за результатами даної інформації кримінальних справ (табл. 1).

Таблиця 1

Динаміка кількості операцій, що підлягають фінансовому моніторингу, та порушених за результатами даної інформації кримінальних справ

Показник	Кількість порушених кримінальних справ/ зареєстровано злочинів	Кількість фінансових операцій, що підлягають обов'язковому фінансовому моніторингу	Кількість фінансових операцій, що підлягають внутрішньому фінансовому моніторингу
1 півріччя 2008 року	216	356740	140817
2 півріччя 2008 року	217	408603	136434
1 півріччя 2009 року	262	278766	93983
2 півріччя 2009 року	247	349651	123685
1 півріччя 2010 року	179	301701	97250
2 півріччя 2010 року	97	263465	120709
1 півріччя 2011 року	11	253981	191030
2 півріччя 2011 року	74	327232	302158
1 півріччя 2012 року	42	287320	128797
2 півріччя 2012 року	42	333654	124984

Джерело: розроблено автором на основі [6].

На наступному етапі дослідження необхідно здійснити кореляційний аналіз наведених у Таблиці 1 даних. Спочатку дослідимо тісноту зв’язку між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів (див. табл. 2).

Таблиця 2

Результати дослідження щільності зв’язку даних про операції, що підлягають обов’язковому фінансовому моніторингу, та порушених кримінальних справ

Показник	Кількість фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, X	Кількість порушених кримінальних справ/ зареєстровано злочинів, Y
1 півріччя 2008 року	356740	216
2 півріччя 2008 року	408603	217
1 півріччя 2009 року	278766	262
2 півріччя 2009 року	349651	247
1 півріччя 2010 року	301701	179
2 півріччя 2010 року	263465	97
1 півріччя 2011 року	253981	11
2 півріччя 2011 року	327232	74
1 півріччя 2012 року	287320	42
2 півріччя 2012 року	333654	42

Джерело: розроблено автором на основі [6].

Оскільки кількість даних невелика (n=10), то їх можна не групувати. Для оцінки тісноти зв'язку між Х і Y розрахуємо коефіцієнт кореляції Пірсона за формулою для незгрупованих даних (формула 1):

(1)

де n – кількість досліджень; x_i– кількість фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, за і-ий період; y_i– кількість порушених кримінальних справ/ зареєстрованих злочинів.

Розрахунки для зручності оформимо у вигляді таблиці 3:

Таблиця 3

Результати оцінки тісноти зв'язку між даними про операції, що підлягають обов’язковому фінансовому моніторингу, та порушеними кримінальними справами

x_i	y_i	x_i²	y_i²	x_i* y_i
356740	216	127263427600	46656	77055840
408603	217	166956411609	47089	88666851
278766	262	77710482756	68644	73036692
349651	247	122255821801	61009	86363797
301701	179	91023493401	32041	54004479
263465	97	69413806225	9409	25556105
253981	11	64506348361	121	2793791
327232	74	107080781824	5476	24215168
287320	42	82552782400	1764	12067440
333654	42	111324991716	1764	14013468
∑ x_i	∑ y_i	∑ x_i²	∑ y_i²	*∑ (x_i y_i)**
3161113	1387	1020088347693	273973	457773631

Джерело: розроблено автором на основі [6].

Звідси, коефіцієнт кореляції Пірсона за формулою для незгрупованих даних дорівнює за обрахунками 0,568862. Отримане значення коефіцієнта кореляції вказує на те, що між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів існує прямий середній зв’язок.

Перевірка статистичної значущості коефіцієнта кореляції Пірсона здійснюється за допомогою так званої t-статистики, яка розраховується за формулою 2:

(2)

Розраховане значення t-статистики порівнюється з критичним значенням t_крит. t_крит – табличне значення розподілу Стьюдента, яке також можна знайти за допомогою вбудованої статистичної функції Excel СТЬЮДРАСПОБР ( ; l), де – обраний рівень значущості, l – ступені волі, l = п–2. Якщо розраховане значення t-статистики більше критичного , то коефіцієнт кореляції вважається значимим на обраному рівні .

Обчислимо за формулою 3 значення t-статистики з обраним рівнем значущості = 0,15 для перевірки значущості отриманого нами коефіцієнта кореляції Пірсона:

(3)

t_крит(0,15; 8) = 1,592221

Оскільки розраховане значення t-статистики більше критичного
(1,956372 > 1,592221), то коефіцієнт кореляції можна вважати значущим на обраному рівні значущості .

Отже, між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів існує прямий середній зв’язок на всьому часовому проміжку.

На наступному етапі дослідження необхідно побудувати лінійну регресійну модель залежності між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів (див. рис. 1). Для побудови регресійної моделі виду y = ax + b та встановлення її параметрів ми використали пакет «Аналіз даних» програмного засобу Microsoft Excel. За результатами аналізу ми отримали наступні параметри моделі:

a = 0,0009; b = – 154,68.

Відповідна лінійна регресійна модель матиме наступний вигляд:

y = 0,0009x – 154,68 ,

де y – кількість фінансових операцій, що підлягають обов'язковому фінансовому моніторингу;

x– кількість порушених кримінальних справ/ зареєстрованих злочинів.

Рис. 1. Лінійна регресійна модель залежності між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ / зареєстрованих злочинів. Джерело: розроблено автором

Коефіцієнт детермінації у даному випадку становить 0,3236. Значення коефіцієнта детермінації свідчить, що 32,36% варіації результативної ознаки y пояснюється рівнянням регресії.

Для аналізу повного спектру ознак, що індукують дієвість системи фінансового моніторингу України необхідно також дослідити тісноту зв’язку між кількістю фінансових операцій, що підлягають внутрішньому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів (табл. 4).

Таблиця 4

Результати дослідження щільності зв’язку даних про операції, що підлягають внутрішньому фінансовому моніторингу, та порушених кримінальних справ

Показник	Кількість фінансових операцій, що підлягають внутрішньому фінансовому моніторингу, Х	Кількість порушених кримінальних справ/ зареєстровано злочинів, Y
1 півріччя 2008 року	140817	216
2 півріччя 2008 року	136434	217
1 півріччя 2009 року	93983	262
2 півріччя 2009 року	123685	247
1 півріччя 2010 року	97250	179
2 півріччя 2010 року	120709	97
1 півріччя 2011 року	191030	11
2 півріччя 2011 року	302158	74
1 півріччя 2012 року	128797	42
2 півріччя 2012 року	124984	42

Джерело: розроблено автором на основі [6].

Обчислимо коефіцієнт кореляції Пірсона за формулою для незгрупованих даних. Розрахунки для зручності оформимо у вигляді таблиці (табл. 5):

Таблиця 5

Результати оцінки тісноти зв'язку між даними про операції, що підлягають внутрішньому фінансовому моніторингу, та порушеними кримінальними справами

x_i	y_i	x_i²	y_i²	x_i* y_i
140817	216	19829427489	46656	30416472
136434	217	18614236356	47089	29606178
93983	262	8832804289	68644	24623546
123685	247	15297979225	61009	30550195
97250	179	9457562500	32041	17407750
120709	97	14570662681	9409	11708773
191030	11	36492460900	121	2101330
302158	74	91299456964	5476	22359692
128797	42	16588667209	1764	5409474
124984	42	15621000256	1764	5249328
∑ x_i	∑ y_i	∑ x_i²	∑ y_i²	∑ (x_i* y_i)
1459847	1387	246604257869	273973	179432738

Джерело: розроблено автором на основі [6].

Звідси, коефіцієнт кореляції Пірсона за формулою для незгрупованих дорівнює -0,540909. Отримане значення коефіцієнта кореляції вказує на те, що між кількістю фінансових операцій, що підлягають внутрішньому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів існує обернений середній зв’язок.

Обчислимо за формулою 4 значення t-статистики з обраним рівнем значущості = 0,15 для перевірки значущості отриманого нами коефіцієнта кореляції Пірсона:

(4)

t_крит(0,15; 8) = 1,592221

Оскільки розраховане значення t-статистики на обраному рівні значущості більше критичного (|–1,818994| > 1,592221), то коефіцієнт кореляції можна вважати значущим.

Отже, між кількістю фінансових операцій, що підлягають внутрішньому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів існує обернений середній зв’язок на всьому часовому проміжку.

На наступному етапі дослідження необхідно побудувати лінійну регресійну модель залежності між кількістю фінансових операцій, що підлягають обов'язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів (див. рис. 2). Для побудови регресійної моделі виду y = ax + b та встановлення її параметрів ми використали пакет «Аналіз даних» програмного засобу Microsoft Excel. За результатами аналізу ми отримали наступні параметри моделі:

a = – 0,0007; b = 239,17.

Відповідна лінійна регресійна модель матиме наступний вигляд:

y = – 0,0007x + 239,17 ,

де y – кількість фінансових операцій, що підлягають внутрішньому фінансовому моніторингу;

x– кількість порушених кримінальних справ/ зареєстрованих злочинів.

Рис. 2. Лінійна регресійна модель залежності між кількістю фінансових операцій, що підлягають внутрішньому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів. Джерело: розроблено автором.

Коефіцієнт детермінації у даному випадку становить 0,2926. Значення коефіцієнта детермінації свідчить, що 29,26% варіації результативної ознаки y пояснюється рівнянням регресії.

Висновки. Таким чином, на основі проведеного аналізу можна зробити висновок, що дієвість вітчизняної системи запобігання легалізації (відмиванню) доходів, одержаних злочинним шляхом, або фінансуванню тероризму залежить від усіх суб’єктів первинного та державного фінансового моніторингу, їх здатності до взаємоузгоджених спільних дій в межах фінансової системи країни. За результатами проведених розрахунків встановлено, що між кількістю фінансових операцій, що підлягають обов’язковому фінансовому моніторингу, та кількістю порушених кримінальних справ/ зареєстрованих злочинів існує прямий середній зв’язок, а між кількістю фінансових операцій, що підлягають внутрішньому фінансовому моніторингу та кількістю порушених кримінальних справ - обернений середній зв’язок на всьому часовому проміжку. Така ситуація дає змогу зробити висновок про те, що державна система запобігання та протидії легалізації (відмиванню) доходів, одержаних злочинним шляхом, є ефективною та дає змогу вчасно виявити фінансові операції, що мають ознаки легалізації «брудних» доходів та запобігти цим явищам.

Список використаної літератури:

1. Барановський О.І. «Відмивання» грошей: сутність та шляхи запобігання. – Х.: Видавництво «Форт», 2003. – 472 с.

2. Бірюкова І.Г. Деякі основні проблеми фінансового моніторингу у протидії легалізації (відмивання) доходів, одержаних злочинним шляхом та напрями їх усунення / Право та управління №4, 2011 рік. [Електронний ресурс] – Режим доступу: http://www.nbuv.gov.ua/e-journals/prtup/2011_4/pdf/11bigniu.pdf.

3. Клюско Л.А. Фінансовий моніторинг у контексті зміцнення безпекової діяльності банків / матеріали науково-практичної конференції «Шляхи розвитку оперативно-розшукової діяльності в сучасних умовах» м. Харків, 2008 р; [Електронний ресурс] – Режим доступу: http://www.nbuv.gov.ua/portal/soc_gum/sre/2011_1/35.pdf.

4. Коваленко В.В. Методичні підходи до реалізації етапів фінансового моніторингу // Всеукраїнський науково-виробничий журнал «Сталий розвиток економіки». – 2012. - №7(17). – с. 356-360. - [Електронний ресурс]. – Режим доступу: http://www.nbuv.gov.ua/portal/soc_gum/sre/2012_7/356.pdf.

5. Куришко О.О. Система фінансового моніторингу в Україні / Українська академія банківської справи НБУ м. Суми, Україна; [Електронний ресурс] – Режим доступу: http://www.confcontact.com/20101008/4_kurishko.htm.

7. Gilmor W.C. Dirty money. The evolution of money laundering counter-measures. – Strasbourg, 1995. – p.26.

8. Stessens G. Money laundering; a new international law enforcement model. – Cambridge University Press, 2000. – p.83.

9. Michael Levi and Peter Reuter. Money Laundering: University of Chicago. – 2006. - http:// www. puaf.umd.edu.

10. Mc. Smith J. Money Laundering Struggle Enforces. Operational Risk. - 2003. - №1. – р. 2-12.

“Актуальні проблеми державного управління”

Тематичний напрям 7.

Немає коментарів:

Дописати коментар