ВЫЯВЛЕНИЕ ПРИЗНАКОВ ИСКУССТВЕННОГО ДРОБЛЕНИЯ ХОЗЯЙСТВЕННЫХ ОПЕРАЦИЙ НА ОСНОВЕ ГРАФОВОГО АНАЛИЗА БУХГАЛТЕРСКИХ ДАННЫХ
Журнал: Научный журнал «Студенческий форум» выпуск №36(387)
Рубрика: Экономика

Научный журнал «Студенческий форум» выпуск №36(387)
ВЫЯВЛЕНИЕ ПРИЗНАКОВ ИСКУССТВЕННОГО ДРОБЛЕНИЯ ХОЗЯЙСТВЕННЫХ ОПЕРАЦИЙ НА ОСНОВЕ ГРАФОВОГО АНАЛИЗА БУХГАЛТЕРСКИХ ДАННЫХ
DETECTING SIGNS OF ARTIFICIAL TRANSACTION SPLITTING THROUGH GRAPH ANALYSIS OF ACCOUNTING DATA
Аннотация
Предложена интерпретируемая графовая процедура выявления признаков искусственного дробления хозяйственных операций. На синтетических данных показано значение документальных связей при группировке платежей. Определены ограничения и порядок эмпирической проверки.
Abstract
An interpretable graph-based procedure for detecting potentially split accounting transactions is proposed. Synthetic data demonstrate the value of document-based links. Limitations and empirical validation steps are outlined.
Ключевые слова: дробление операций, графовый анализ, бухгалтерские данные, внутренний аудит, контрольные признаки.
Keywords: transaction splitting, graph analysis, accounting data, internal audit, risk indicators.
Введение
Платежи ниже контрольного порога могут быть законной этапной оплатой, поэтому признак искусственного дробления определяется по связям операций и документам, а не по сумме отдельного платежа.
Графовая модель связывает операции с договорами, заявками и ответственными, расширяя возможности построчного контроля [6; 8].
Исследование учитывает отечественную проблематику аудита и противодействия мошенничеству [1-3], но предлагает самостоятельную модель.
Цель- разработка объяснимого алгоритма отбора операций по связям, времени и сумме для последующей аудиторской проверки.
Обзор исследований и границы применения
Исследования графового обнаружения финансового мошенничества [5; 6; 9] не решают непосредственно задачу документальной группировки бухгалтерских платежей.
С учётом требования объяснимости [8] выбран граф проверяемых документальных связей, а не непрозрачная модель классификации.
Материалы и методы исследования
Единица анализа- операция с датой, суммой, контрагентом, договором, заявкой, предметом и документом. Отсутствие документа означает неполноту данных; дубликаты, авансы, возвраты и сторно обрабатываются отдельно.
В графе G=(V,E) вершины обозначают операции, контрагентов, договоры, заявки, ответственных и предмет закупки; рёбра — подтверждённые документами отношения.
Кластеры C формируются по предмету и документам, ограничиваются окном Δt и оцениваются по сумме A(C)=Σai относительно внутреннего порога T; общего поставщика недостаточно.
Пять признаков: x1- отдельные суммы ниже T, общая ≥T; x2- общий предмет/заявка; x3- период ≤Δt; x4- общий согласующий; x5- нет документов о самостоятельности этапов. Балл S(C)=Σxi (0–5) задаёт приоритет, не вероятность мошенничества.
Аудитор проверяет альтернативные объяснения, в частности график платежей и регулярность услуг, и документирует вывод.
Результаты: воспроизводимый модельный пример
На четырёх синтетических группах проверены условные параметры T=100 тыс. руб. и Δt=7 дней.
Таблица 1.
Синтетические группы хозяйственных операций
| Группа | Суммы, тыс. руб. | Дни | Связь документов | Объяснение |
|---|---|---|---|---|
| А | 42 + 39 + 37 | 1, 3, 5 | Одна заявка и предмет | Проверить основание деления |
| Б | 45 + 40 + 35 | 1, 3, 6 | Один договор | Утверждённый график этапов |
| В | 38 + 44 + 41 | 2, 4, 6 | Общий поставщик | Разные заявки и предметы |
| Г | 115 + 120 | 1, 2 | Одна заявка | Нет условия «каждая < T» |
Источник: составлено автором на основе модельных данных; не является результатом обследования действующего предприятия.
Группа А (118 тыс. руб.) получает S=5 и требует проверки; группа Б (120 тыс. руб.) объясняется утверждённой этапностью.
Группа В (123 тыс. руб.) не образует кластер: общий лишь поставщик. В группе Г (235 тыс. руб.) отдельные платежи превышают T.
Таблица 2.
Результат применения правил к модельным группам
| Группа | Σ, тыс. руб. | Структурный критерий | Признак x₁ | Статус |
|---|---|---|---|---|
| А | 118 | Да | 1 | Приоритетная проверка |
| Б | 120 | Да | 1 | Проверка основания → исключение |
| В | 123 | Нет | 1 | Не формировать кластер |
| Г | 235 | Да | 0 | Другое правило контроля |
Источник: составлено автором на основе модельных данных; не является результатом обследования действующего предприятия.
Модель исключает ложное объединение группы В; в группе Б решающим остаётся документальное обоснование.
Обсуждение и схема валидации
Аудиторская карточка фиксирует операции, суммы, документы, правила и альтернативные объяснения, обеспечивая воспроизводимость [1; 2].
Для валидации нужны обезличенные регистры, независимая разметка случаев и сравнение с обычным суммированием по контрагенту и времени; преимущество модели пока не доказано.
Дополнительные связи по реквизитам и маршрутам согласования допустимы лишь при документальном подтверждении; совпадение адресов не доказывает аффилированность.
Разрастание графа предотвращается ограничением рёбер, периодов и хозяйственных связей; параметры проверяются на независимых данных.
Заключение
Разработан графовый алгоритм отбора групп операций. Синтетические примеры показывают, что сумма и временная близость без документальной связи недостаточны для вывода о дроблении.
Прототип не доказывает нарушения или точность обнаружения. Для этого необходимы реальные обезличенные данные, независимая разметка и оценка ошибок.
Список литературы
- Ефремова Е.И. Аналитические процедуры в аудите: понятие, сущность, виды // Развитие контрольно-аналитического обеспечения хозяйствующих субъектов: сб. ст. по итогам IX Междунар. межвуз. науч.-практ. конф. Москва. – 2023. – С. 85–89.
- Ефремова Е.И., Зацаринная Е.И. Контроль корпоративного мошенничества // Управленческий учет. – 2021. – № 9–1. – С. 152–157.
- Ефремова Е.И., Передрий Д.А. Аудиторская деятельность в условиях цифровизации экономики // Управленческий учет. – 2022. – № 9–1. – С. 42–47.
- Стогова С.И. Анализ данных и прогнозирование в контрольно-учетной системе: как использовать цифровые инструменты для принятия решений // Теория и практика контроля и учета в условиях социализации бизнеса: состояние, проблемы и перспективы развития: сб. ст. Москва. – 2024. – С. 164–169.
- Cai S., Xie Z. Explainable fraud detection of financial statement data driven by two-layer knowledge graph // Expert Systems with Applications. – 2024. – Art. 123126. – DOI: 10.1016/j.eswa.2023.123126.
- Cheng D., Zou Y., Xiang S., Jiang C. Graph neural networks for financial fraud detection: a review // Frontiers of Computer Science. – 2025. – Т. 19, № 9. – Art. 199609. – DOI: 10.1007/s11704-024-40474-y.
- COSO; Association of Certified Fraud Examiners. Fraud Risk Management Guide. 2nd ed [Электронный ресурс]. – 2023. – URL: https://www.coso.org/
frauddeterrence (дата обращения: 10.11.2026). - Khoozani Z.S., Seera M., Lim C.P. Towards transparent financial AI: a systematic review of graph learning and explainable methods for credit risk and fraud detection // Artificial Intelligence Review. – 2026. – Т. 59. – Art. 246. – DOI: 10.1007/s10462-026-11645-z.
- Zhou Y., Xiao Z., Gao R., Wang C. Using data-driven methods to detect financial statement fraud in the real scenario // International Journal of Accounting Information Systems. – 2024. – Т. 54. – Art. 100693. – DOI: 10.1016/j.accinf.2024.100693.

