Разработка и применение моделей оценки деятельности ОВД по противодействию легализации преступных доходов с использованием нейронных сетей: российский и зарубежный опыт

В мире, где финансовые потоки движутся со скоростью света, а цифровые технологии открывают новые горизонты как для законного бизнеса, так и для криминального подполья, борьба с легализацией преступных доходов становится не просто задачей правоохранительных органов, а критически важным элементом обеспечения национальной и глобальной экономической безопасности. По оценкам экспертов, ежегодно через глобальную финансовую систему «отмываются» триллионы долларов, полученных от наркоторговли, коррупции, терроризма и других тяжких преступлений. В Российской Федерации эта проблема стоит не менее остро, требуя постоянного совершенствования методов и инструментов противодействия. Именно здесь на авансцену выходят передовые технологии: математическое моделирование и, в частности, нейронные сети, способные трансформировать традиционные подходы к выявлению, анализу и прогнозированию финансовых преступлений.

Настоящая курсовая работа посвящена исследованию перспектив и практических аспектов создания и применения таких моделей для повышения эффективности деятельности органов внутренних дел (ОВД) по борьбе с легализацией преступных доходов. Мы рассмотрим теоретические основы проблемы, детально проанализируем текущее состояние и вызовы, стоящие перед российскими правоохранителями, а также изучим мировой опыт внедрения искусственного интеллекта в правоохранительную практику. Цель работы — не только обосновать необходимость, но и предложить конкретные пути интеграции инновационных аналитических инструментов в оперативно-служебную деятельность ОВД, способствуя более точному прогнозированию, быстрому реагированию и, в конечном итоге, более эффективному пресечению финансовых преступлений.

Теоретические и правовые основы противодействия легализации преступных доходов

Понимание современной системы противодействия легализации преступных доходов (ПОД/ФТ) невозможно без глубокого погружения в ее концептуальные и нормативные корни. Это комплексная область, находящаяся на стыке уголовного права, криминологии, экономической безопасности и информационных технологий, и ее эффективность напрямую зависит от адекватности используемого понятийного аппарата и актуальности правового регулирования.

Понятие и сущность легализации (отмывания) преступных доходов

Легализация преступных доходов, или, как чаще принято говорить, «отмывание» денег, представляет собой многоступенчатый процесс, целью которого является сокрытие истинного происхождения незаконно полученных средств или имущества и придание им вида законно приобретенных. Это не просто перевод денег с одного счета на другой, а сложная сеть финансовых операций и сделок, направленных на «очистку» криминальных активов. При этом скрытый вопрос, на который следует дать ответ: «И что из этого следует?». Это означает, что без своевременного пресечения этих сложных операций, преступность получает финансовую подпитку, подрывающую стабильность государства и доверие к финансовой системе. Очевидно, что правоохранительным органам необходимо непрерывно развивать методы выявления таких схем, чтобы эффективно противодействовать этому деструктивному процессу.

Согласно статье 174 Уголовного кодекса Российской Федерации, легализация (отмывание) денежных средств или иного имущества, приобретенных другими лицами преступным путем, включает совершение финансовых операций и других сделок с таким имуществом в целях придания правомерного вида владению, пользованию и распоряжению им. Статья 174¹ УК РФ расширяет этот состав, предусматривая уголовную ответственность за легализацию (отмывание) средств, приобретенных самим лицом в результате совершенного им преступления. При этом, финансовыми операциями и сделками в крупном размере по статьям 174 и 174¹ УК РФ признаются операции на сумму, превышающую 1 500 000 рублей, а в особо крупном размере – свыше 6 000 000 рублей. Использование терминов «легализация» и «отмывание» как тождественных полностью оправдано и соответствует международным стандартам, в частности, Венской Конвенции ООН о борьбе против незаконного оборота наркотических средств и психотропных веществ.

Традиционно выделяют три основные стадии процесса отмывания денег:

1. Размещение (Placement): Первоначальный ввод незаконно полученных денежных средств в легальную финансовую систему. Это может быть осуществлено через внесение наличных на банковские счета, приобретение ценных бумаг или дорогостоящих активов, не вызывающих подозрений.
2. Расслоение (Layering): Создание сложной цепочки финансовых транзакций, чтобы максимально затруднить отслеживание происхождения средств. Это может включать многочисленные переводы между различными счетами, конвертацию валют, использование подставных компаний и офшорных юрисдикций.
3. Интеграция (Integration): Возвращение «отмытых» средств в легальную экономику таким образом, чтобы они выглядели как законные доходы. На этой стадии преступники могут инвестировать средства в недвижимость, бизнес, предметы роскоши или другие активы, полностью «очищая» их от криминального происхождения.

Экономическое и криминологическое значение легализации преступных доходов огромно. Она подрывает экономическую стабильность, способствует коррупции, финансирует терроризм и организованную преступность, искажает рыночные механизмы и разрушает доверие к финансовой системе.

Нормативно-правовое регулирование противодействия легализации преступных доходов в РФ

Российская Федерация, как и большинство стран мира, осознает опасность легализации преступных доходов и активно развивает свою нормативно-правовую базу в этой сфере. Основополагающим документом является Федеральный закон № 115-ФЗ от 07.08.2001 «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» (ПОД/ФТ). Этот закон определяет основные понятия, цели, принципы и сферу применения системы ПОД/ФТ, возлагая обязанности на широкий круг организаций, осуществляющих операции с денежными средствами или иным имуществом (банки, страховые компании, риелторы, юристы и т.д.), а также устанавливает полномочия контролирующих органов.

Однако законодательство в сфере ПОД/ФТ не является статичным. Оно постоянно адаптируется к новым вызовам, связанным с развитием финансовых технологий и появлением новых видов преступности. За последний год были внесены значительные изменения, демонстрирующие динамичность регулирования:

• Федеральный закон № 210-ФЗ от 22.07.2024: Вступил в силу с 22 июля 2024 года, закрепив механизм пересмотра решения Банка России об отнесении юридического лица или индивидуального предпринимателя к высокой степени риска совершения подозрительных операций. Это нововведение призвано защитить добросовестных участников рынка от необоснованных ограничений и предоставить им возможность апелляции.
• Федеральный закон № 67-ФЗ от 07.04.2025: Вносит изменения в статью 7 Федерального закона № 115-ФЗ, расширяя или уточняя права и обязанности организаций, осуществляющих операции с денежными средствами или иным имуществом.
• Федеральный закон № 275-ФЗ от 01.09.2024: Определяет правовое регулирование открытия филиалов иностранных банков на территории РФ, включая требования по ПОД/ФТ, что особенно актуально в условиях глобализации финансовых рынков.
• Федеральный закон № 221-ФЗ от августа 2024 года: Закрепил понятия майнинга цифровой валюты, майнинг-пула, майнинговой инфраструктуры, адреса-идентификатора и установил порядок и условия осуществления майнинга. Теперь майнинговую деятельность разрешено осуществлять российским юридическим лицам и индивидуальным предпринимателям, включённым в специализированный реестр, а также физическим лицам без включения в реестр при условии, что такая деятельность не превышает лимитов энергопотребления. Важно отметить, что закон устанавливает запрет на майнинг для лиц, имеющих судимость за экономические или тяжкие преступления, причастных к экстремистской деятельности или терроризму, либо в отношении которых принято решение о замораживании денежных средств. Эти изменения отражают растущую необходимость регулирования рынка криптовалют, которые стали одним из наиболее популярных инструментов для отмывания преступных доходов.

Помимо вышеуказанных законов, законодательство о ПОД/ФТ регулируется также Кодексом Российской Федерации об административных правонарушениях (КоАП РФ), в частности, в контексте давности привлечения к административной ответственности за нарушения в этой сфере.

Таким образом, российская правовая система стремится к созданию гибкой и комплексной системы противодействия отмыванию денег, постоянно адаптируясь к новым реалиям и технологическим вызовам.

Криминологическое прогнозирование и понятие нейронных сетей

В борьбе с постоянно мутирующей преступностью, одним из наиболее перспективных направлений является криминологическое прогнозирование – систематическое получение информации о будущем состоянии криминологической обстановки на основе использования научных методов и процедур. Это не гадание, а научно обоснованное предвидение, опирающееся на анализ прошлых и текущих тенденций.

В широком смысле, криминологическое прогнозирование — это процесс научного предсказания изменений тенденций и закономерностей преступности в целом, ее отдельных видов, категорий преступлений, личности преступника, причин преступности, деятельности по предупреждению преступности, а также перспектив развития науки криминологии. В узком смысле оно понимается как процесс предвидения тенденций и закономерностей преступности в будущем. Основная цель криминологического прогнозирования — выявление возможных вариантов изменения преступности в будущем, а также нежелательных и положительных тенденций, закономерностей и обстоятельств, способствующих сокращению или увеличению преступности. Результатом этого процесса является криминологический прогноз – предвидение развития преступности в течение какого-либо периода времени в будущем или ее состояния на определенный момент будущего, включающий как количественные параметры преступности, так и ее качественные характеристики.

На современном этапе развития технологий криминологическое прогнозирование получает мощный импульс благодаря инструментам искусственного интеллекта, в частности, нейронным сетям.

Нейросеть (или искусственная нейронная сеть, ИНС) в правоохранительной деятельности органов внутренних дел (ОВД) представляет собой автоматизированную систему в виде программы для различных видов обработки информации. По сути, это программный или аппаратный комплекс, осуществляющий работу с информацией на основе заданной выборки исходных данных (фото, видео, текст и др.) для получения результата по конкретной проблеме.

Нейросеть является одним из ключевых направлений искусственного интеллекта (ИИ). Согласно Национальной стратегии развития искусственного интеллекта на период до 2030 года, утвержденной Указом Президента РФ от 10.10.2019 № 490, ИИ понимается как программное обеспечение, способное к обучению, ограниченному пониманию причинности и выполнению задач интеллектуального, эвристического характера с возможностью обучения, корректировки и уточнения за счет опыта принимаемых решений. Искусственный интеллект включает в себя различные инструменты, связанные с большими данными, нейронными сетями и машинным обучением.

Искусственные нейросети представляют собой программную реализацию нейронных структур, способных к самообучению. Они состоят из взаимосвязанных узлов (нейронов), которые передают друг другу сигналы, обрабатывая информацию аналогично тому, как это делает человеческий мозг. Эта способность к самообучению и выявлению скрытых закономерностей в больших массивах данных делает нейронные сети бесценным инструментом для криминологического прогнозирования и анализа сложных финансовых транзакций, связанных с легализацией преступных доходов.

Анализ деятельности органов внутренних дел РФ в сфере ПОД/ФТ и существующие проблемы

Для эффективного применения инновационных технологий необходимо четко понимать текущее состояние системы, ее сильные стороны и, что особенно важно, слабые места. Деятельность органов внутренних дел Российской Федерации в сфере противодействия легализации преступных доходов, несмотря на значительные усилия, сталкивается с рядом системных проблем.

Структура и функционал ОВД в системе ПОД/ФТ

Органы внутренних дел играют одну из ключевых ролей в национальной системе противодействия легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма (ПОД/ФТ). Эта роль реализуется через различные подразделения, каждое из которых вносит свой вклад в общую борьбу:

• Подразделения экономической безопасности и противодействия коррупции (ЭБиПК) являются фронт-офисом в борьбе с экономическими преступлениями, включая легализацию. Их основной функционал включает выявление, пресечение и раскрытие преступлений экономической направленности, проведение оперативно-розыскных мероприятий, сбор доказательной базы и взаимодействие с другими правоохранительными органами и финансовыми разведками.
• Следственные подразделения осуществляют предварительное расследование уголовных дел по статьям 174 и 174¹ УК РФ, формируя обвинительное заключение и доводя дела до суда.
• Оперативные подразделения проводят негласные мероприятия, направленные на выявление преступных схем, установление причастных лиц и сбор информации, необходимой для начала уголовного преследования.
• Экспертно-криминалистические центры (ЭКЦ) проводят различные виды экспертиз (бухгалтерские, финансово-экономические, компьютерно-технические), которые играют критически важную роль в доказывании фактов легализации.
• Информационно-аналитические подразделения собирают, обрабатывают и анализируют массивы данных, необходимые для оперативной работы и стратегического планирования.

Помимо МВД, в национальную систему ПОД/ФТ входят Федеральная служба безопасности (ФСБ), которая занимается вопросами финансирования терроризма и крупных финансовых преступлений, Генеральная прокуратура РФ, осуществляющая надзор за исполнением законов, а также Следственный комитет РФ, расследующий особо тяжкие и резонансные преступления. Важнейшим координирующим органом является Росфинмониторинг – федеральная служба по финансовому мониторингу, которая является национальным центром по сбору и анализу информации о подозрительных финансовых операциях.

Статистические данные и показатели эффективности деятельности ОВД

Анализ статистических данных позволяет оценить масштабы проблемы и эффективность предпринимаемых мер. Общая криминологическая обстановка в России демонстрирует определенную динамику. В 2023 году количество зарегистрированных преступлений в РФ сократилось на 1% по сравнению с 2022 годом. При этом 92,8% всех зарегистрированных преступлений выявляется органами внутренних дел, а 6,1% из них – на стадии приготовления и покушения. В течение января-декабря 2023 года правоохранительными органами раскрыто более 997 тысяч преступлений, из которых по 79,5% уголовные дела расследованы сотрудниками ОВД. Раскрываемость убийств, умышленного причинения тяжкого вреда здоровью, изнасилований и разбоев в 2023 году превысила 96%. Также было раскрыто 47,1 тыс. преступлений прошлых лет, в том числе тяжких и особо тяжких – 14,2 тыс.

Однако, когда речь заходит о легализации преступных доходов, картина выглядит менее оптимистично. В 2022 году было выявлено 886 случаев легализации преступных доходов, при этом в 427 случаях размер ущерба был крупным или особо крупным. Низкая выявляемость преступлений по статье 174 УК РФ подтверждается крайне незначительным числом осужденных: в 2018 году по основной статье было осуждено 15 человек, а в первой половине 2019 года – всего 2 человека. Эти цифры свидетельствуют о невысокой раскрываемости легализации преступных доходов, несмотря на ее скрытый характер. Разве не парадоксально, что при столь значимых общих показателях раскрываемости, именно в сфере экономических преступлений мы видим столь низкие результаты?

Таблица 1. Динамика общей преступности в РФ (2022-2024 гг.)

Показатель	2022 год	2023 год	Январь-Февраль 2023 года	Январь-Февраль 2024 года	Изменение (2023 к 2022)	Изменение (2024 к 2023)
Всего зарегистрированных преступлений	X	↓ 1%	Y	↑ 1,3%	↓ 1%	↑ 1,3%
Раскрыто преступлений	X	>997 тыс.	Y	Z	—	—
Убийства и покушения на убийство	X	X	A	↓ 14,4%	—	↓ 14,4%
Умышленное причинение тяжкого вреда здоровью	X	X	B	↓ 3,5%	—	↓ 3,5%
Тяжкие и особо тяжкие преступления	X	X	C	↑ 4,8%	—	↑ 4,8%
Преступления, совершенные несовершеннолетними	X	X	D	↓ 3,4%	—	↓ 3,4%
Преступления в состоянии алкогольного опьянения	X	X	E	↓ 20%	—	↓ 20%
Выявлено случаев легализации преступных доходов	X	886	X	X	—	—
Осуждено по ст. 174 УК РФ	X	—	2 (1 пол. 2019)	X	—	—

Примечание: «X» – данные не указаны в источнике, «Y», «Z», «A», «B», «C», «D», «E» – значения, не детализированные в предоставленной статистике, но тенденции изменений указаны.

Общая тенденция к снижению или незначительному росту общей преступности в начале 2024 года (на 1,3%) по сравнению с аналогичным периодом 2023 года, а также снижение числа насильственных преступлений (убийства на 14,4%, тяжкий вред здоровью на 3,5%), не отражает адекватно динамику скрытых экономических преступлений. Более того, общий рост числа тяжких и особо тяжких преступлений на 4,8% в 2024 году может косвенно указывать на увеличение масштабов организованной преступности, для которой легализация доходов является неотъемлемой частью.

Проблемные вопросы оперативно-служебной деятельности подразделений ЭБиПК

Несмотря на наличие законодательной базы и структурных подразделений, эффективное противодействие легализации преступных доходов в ОВД сталкивается с рядом серьезных проблем на оперативном и организационном уровнях:

1. Неопределенность понятийного аппарата и методов формализации. До сих пор существуют разночтения и недостаточная конкретизация в трактовке ключевых терминов, количественных определений, методов формализации и технологий конкретных процессов в правовом регулировании ПОД/ФТ. Эта неопределенность затрудняет единообразное применение норм и создает лазейки для преступников.
2. Проблема «работы на отчетность, а не на результат». Одна из наиболее критичных проблем в организации оперативно-служебной деятельности подразделений ЭБиПК — это ориентация на выполнение спущенных сверху плановых показателей, которые зачастую не учитывают реальную криминологическую обстановку. Нормативно устанавливаются одинаковые плановые показатели по выявлению преступлений для всех районов, независимо от их площади, численности населения или специфики экономики. Это приводит к тому, что сотрудники ОВД вынуждены «гнаться» за цифрами, зачастую игнорируя реально сложившуюся структуру преступности и концентрируясь на «легких» делах, а не на масштабных схемах легализации.
3. Необходимость пересмотра нормативных сроков и плановых показателей. Существующие нормативные сроки выполнения различных видов работ в деятельности подразделений ЭБиПК могут быть неадекватны сложности расследования финансовых преступлений. Предложено отказаться от унифицированного плана по раскрытию преступлений и разработать нормативные количественные показатели раскрытия преступлений различного типа, которые учитывают ограничения и не ориентированы исключительно на данные предыдущего периода. Такой подход позволил бы более точно оценивать реальную эффективность и стимулировать работу по выявлению сложных и социально опасных преступлений.

Размещение преступных доходов в легальной экономике способствует криминализации всех отраслей экономики и усиливает влияние организованной преступности, что делает решение этих проблем неотложным.

Недостатки в правоприменительной практике и системе внутреннего контроля

Помимо внутренних проблем оперативной деятельности, существуют значительные недостатки в правоприменительной практике и в системе внутреннего контроля организаций, которые являются первичным барьером на пути отмывания денег.

Рекомендации Верховного Суда РФ и их значение:
Верховный Суд РФ в Постановлении Пленума от 07.07.2015 № 32 (в редакции от 26.02.2019) «О судебной практике по делам о легализации (отмывании) денежных средств или иного имущества, приобретенных преступным путем, и о приобретении или сбыте имущества…» дал важные разъяснения, направленные на совершенствование правоприменения:

• Расширение предмета преступлений: Верховный Суд РФ прямо указал, что предметом преступлений, предусмотренных статьями 174 и 174¹ УК РФ, могут выступать, в том числе, и денежные средства, преобразованные из виртуальных активов (криптовалюты), приобретенных в результате совершения преступления. Это критически важное уточнение, учитывая рост популярности цифровых активов в криминальных схемах.
• Доказательство преступного характера имущества: Суд при рассмотрении уголовного дела может делать вывод о преступном характере приобретения имущества, основываясь не только на обвинительном приговоре по делу о конкретном преступлении, но и на постановлении органа предварительного расследования о прекращении уголовного дела или о приостановлении дознания/предварительного следствия по ряду оснований (например, смерть лица, недостижение возраста уголовной ответственности, истечение сроков давности). Это расширяет возможности для конфискации незаконно нажитого.
• Конфискация имущества: Пленум Верховного Суда РФ подчеркивает необходимость решения вопроса о конфискации имущества в отношении лиц, признанных виновными в совершении преступлений по ст. 174 или ст. 174¹ УК РФ, в соответствии со статьями 104¹-104³ УК РФ. Конфискация является мощным инструментом для лишения преступников экономической базы.

Недостатки в системе внутреннего контроля некредитных финансовых организаций (НФО):
Анализ, проведенный в 2016-2017 годах, выявил существенные недостатки в системе внутреннего контроля НФО, которые являются серьезным препятствием для эффективного противодействия легализации:

• Несоответствие Правил внутреннего контроля (ПВК) законодательству: ПВК многих НФО не соответствовали требованиям законодательства по ПОД/ФТ.
• Нарушение сроков приведения ПВК в соответствие: Организации не соблюдали сроки приведения своих ПВК в соответствие с изменениями в Федеральном законе № 115-ФЗ и нормативных актах.
• Отсутствие надлежащего контроля за изменениями в законодательстве: НФО часто не осуществляли адекватный мониторинг изменений в законодательстве.
• Пробелы в ПВК: Отсутствие в ПВК НФО порядка учета и фиксирования информации о выданных денежных средствах физическим лицам, включенным в перечень экстремистов/террористов.
• Неурегулированность пересмотра рисков: Отсутствие порядка/сроков пересмотра степени риска клиента в программе управления риском.

Основные нарушения в национальном режиме ПОД/ФТ:
Эти недостатки вскрывают более глубокие проблемы:

• Неэффективные механизмы внутреннего контроля: Отсутствие надежных систем, способных выявлять подозрительные операции.
• Ненадлежащая оценка рисков клиентов: Неспособность организаций адекватно оценивать риски, связанные с их клиентами, что приводит к пропускам высокорисковых операций.
• Неисполнение обязанностей по идентификации высокорисковых клиентов: Отсутствие должного внимания к идентификации и углубленной проверке клиентов, представляющих повышенный риск.
• Отсутствие мер при конфликте интересов: Недостаточность или отсутствие процедур по предотвращению и урегулированию конфликтов интересов, которые могут использоваться для сокрытия преступных операций.

Все эти факторы приводят к тому, что часто имеют место случаи вынесения незаконных постановлений об отказе в возбуждении уголовного дела по сообщениям о преступлениях, предусмотренных статьями 174, 174¹ УК РФ. Решение проблемы низкой выявляемости таких преступлений в кредитно-финансовой системе видится в усилении работы оперативных сотрудников правоохранительных органов, подкрепленном современными аналитическими инструментами. Более подробно об этом можно прочитать в разделе Математическое моделирование и нейронные сети как инструменты повышения эффективности ПОД/ФТ.

Математическое моделирование и нейронные сети как инструменты повышения эффективности ПОД/ФТ

В эпоху цифровизации и больших данных правоохранительные органы, подобно другим сферам общественной жизни, обращаются к математике и информационным технологиям для повышения своей эффективности. Математическое моделирование и нейронные сети предоставляют мощные инструменты для анализа сложных финансовых операций, прогнозирования преступности и автоматизации рутинных процессов, что критически важно в борьбе с легализацией преступных доходов.

Основы математической юриспруденции и криминологического моделирования

Термин «математическая юриспруденция» может показаться необычным, однако на протяжении XX-XXI веков прорисовываются ее четкие контуры. Она включает в себя применение понятий и методов математики для решения юридических задач, анализа социально-правовых явлений и моделирования причин преступности. Это такие области, как теория множеств, теория вероятностей и математическая статистика, алгоритмы, дифференциальное и интегральное исчисление, теория информации.

Выдающийся советский исследователь Ю. Д. Блувштейн был одним из пионеров, установивших связь криминологии с математикой, проанализировав перспективы внедрения количественных методов в аналитическую работу МВД. Он показал, что математические методы в юриспруденции позволяют найти однозначные, точные решения в области социально-правовых явлений, где традиционно преобладают качественные оценки.

Для обеспечения комплексности исследований и повышения достоверности результатов целесообразно алгоритмизировать на математической основе следующие модели:

• Модели пространственно-временного распределения преступности: Позволяют выявлять географические и временные закономерности совершения преступлений, что крайне важно для распределения ресурсов и оперативного планирования.
• Модели динамики преступности: Прогнозируют изменение количественных и качественных характеристик преступности на основе исторических данных.
• Факторные и структурно-динамические модели преступности: Помогают выявить факторы, влияющие на уровень и структуру преступности, а также оценить взаимосвязи между ними.

Методы математической статистики и теории вероятностей находят широкое применение для оценки идентификационного значения признаков (например, при анализе почерка или отпечатков пальцев), исследования их взаимозависимости и оценки надежности идентификации.

Применение математической логики в правотворческом процессе улучшает редакцию правовых норм, устраняет нечеткие формулировки, упрощает громоздкие структуры и позволяет исследовать нормативно-правовой акт на непротиворечивость. Математическое моделирование логической структуры правовой нормы дает возможность символически представить юридические знания для автоматизированной обработки и компьютеризированного поиска, что особенно ценно в условиях постоянно меняющегося законодательства.

По Н. Боголюбову, выдающемуся математику, математическая модель должна описывать не только отдельные конкретные явления и объекты, но и достаточно широкий круг разнородных явлений и объектов. Этот принцип особенно актуален для криминологии, где необходимо учитывать множество взаимосвязанных факторов.

В современной криминологии активно исследуются вопросы потенциала мягкого моделирования и нечеткой математики (теория нечетких множеств, нечеткая логика). Эти методы особенно полезны при построении криминологических моделей для определения общественной опасности деяния и личности преступника, где традиционная бинарная логика может быть недостаточной из-за нечеткости и неоднозначности исходных данных.

Наконец, математические методы активно применяются для решения задач судебной экспертизы, в частности, в почерковедческой и дактилоскопической экспертизах, обеспечивая объективность и точность выводов.

Применение нейронных сетей в правоохранительной деятельности

Нейронные сети, как ключевое направление искусственного интеллекта, открывают новые горизонты для правоохранительных органов, предлагая решения для самых разнообразных задач. Их способность к самообучению и выявлению сложных, неочевидных закономерностей в больших объемах данных делает их незаменимым инструментом в борьбе с организованной преступностью и легализацией доходов.

Одним из наиболее очевидных преимуществ является существенное снижение временных и материальных затрат. Например, применение систем, работающих на основе нейронных сетей, способствует более быстрому розыску украденного имущества и лиц, совершающих противоправные деяния. В США сервис Draft One в Форт-Коллинзе продемонстрировал сокращение времени на составление полицейских отчетов с 45 до 10 минут, а программа Palantir в крупных городах сокращает время, необходимое сотруднику полиции для проведения сложного расследования, в среднем на 95%. Это означает, что офицеры могут тратить меньше времени на бюрократию и больше — непосредственно на борьбу с преступностью.

Внедрение искусственного интеллекта и нейронных сетей в правоохранительную деятельность повышает продуктивность работы и снижает издержки. Исследования показывают, что ИИ способствует повышению скорости принятия решений на 17% и экономической эффективности на 15%. Эти показатели имеют огромное значение для оперативной работы, где каждая минута и каждый рубль на счету.

Конкретные примеры применения нейронных сетей включают:

• Криминалистическая идентификация: Использование нейросетей для распознавания лиц, анализа голоса, отпечатков пальцев и других биометрических данных признается высокоэффективным, значительно повышая точность и скорость идентификации.
• Правовая аналитика: С помощью ИИ можно быстро определять регулирующие законы, выявлять правовые коллизии и пробелы, а также оперативно анализировать правовые нормы, что ускоряет подготовку юридических заключений и процессуальных документов.
• Правотворчество: Применение ИИ в правотворчестве увеличивает скорость обработки данных, позволяет находить тенденции, ошибки и противоречия в больших объемах информации, сравнивать документы и составлять новые законопроекты, что потенциально улучшает качество законодательства.

Таким образом, нейронные сети становятся не просто модным трендом, а мощным, постоянно развивающимся инструментом, способным кардинально изменить подходы к правоохранительной деятельности, сделав ее более быстрой, точной и экономически эффективной. Детальнее о внедрении этих систем можно узнать в разделе Критерии оценки, зарубежный опыт и перспективы внедрения ИИ-моделей в России.

Существующие информационные системы в ОВД РФ

Российские органы внутренних дел активно внедряют информационно-телекоммуникационные технологии в свою повседневную деятельность. Это позволяет существенно повысить оперативность, аналитические возможности и общую эффективность борьбы с преступностью. Уже сегодня функционирует целый комплекс автоматизированных информационных систем, которые являются фундаментом для дальнейшего развития и интеграции нейросетевых моделей.

Ключевые информационные системы, используемые в ОВД РФ, включают:

1. Автоматизированные информационно-поисковые системы (АИПС):
   • АИПС «СВОДКА»: Предназначена для сбора, хранения и оперативного предоставления информации о происшествиях и преступлениях. Позволяет быстро получать сводные данные о криминогенной обстановке, выявлять горячие точки и реагировать на изменения.
   • АИПС «ОПОЗНАНИЕ»: Используется для поиска без вести пропавших лиц и неопознанных трупов. Содержит базы данных с описаниями внешности, особыми приметами, результатами экспертиз, что значительно ускоряет процесс идентификации.
2. Интегрированная мультисервисная телекоммуникационная система ОВД (ИМТС): Обеспечивает подразделения современными цифровыми каналами связи, включая защищенные каналы передачи данных, видеоконференцсвязь и доступ к информационным ресурсам. Это основа для эффективного информационного обмена между различными службами и регионами.
3. Банки криминальной информации:
   • Федеральный банк криминальной информации (ФБКИ) и Региональные банки криминальной информации (РБКИ): Представляют собой единую информационную структуру ОВД для сбора, обработки и анализа криминалистически значимой информации. Здесь агрегируются данные о преступлениях, преступниках, способах совершения преступлений, похищенном имуществе и т.д., что является бесценной базой для оперативной работы и расследований.
4. Специализированные криминалистические системы:
   • Автоматизированная дактилоскопическая информационная система «Папилон» (АДИС «Папилон»): Применяется для хранения и эффективной обработки дактилоскопических данных (отпечатков пальцев). Позволяет проводить быстрый поиск и сравнение отпечатков, обнаруженных на местах преступлений, с базами данных, значительно повышая раскрываемость.
5. Информационно-рекомендующие системы (ИРС) для оперативно-розыскной деятельности: Эти системы помогают оперативным сотрудникам в анализе информации и принятии решений:
   • ИРС «Пластиковая карта», «Азартные игры», «Нефтепродукты», «Серийные преступления», «Иностранец», «Идентификация автотранспо��та»: Каждая из этих систем сфокусирована на конкретных видах преступности или объектах, предоставляя аналитические инструменты и рекомендации для выявления закономерностей и причастных лиц.
6. Системы для криминалистического анализа и прогнозирования:
   • «Маньяк»: Разработана для анализа серийных убийств, помогает выявлять общие черты преступлений, профилировать преступников и прогнозировать их дальнейшие действия.
   • «Сейф»: Используется для систематизации информации о кражах, что позволяет выявлять серийные эпизоды и связывать их с конкретными преступными группами.
   • «Зеркало»: Геоинформационная система, помогающая визуализировать преступления на карте, анализировать их пространственное распределение и выявлять закономерности.
   • «Криминалист»: Комплексная система для поиска преступников и групп, объединяющая различные виды информации.
7. Применение ИИ в судебной экспертологии: Искусственный интеллект уже применяется для анализа больших данных, автоматизации рутинных задач, повышения точности экспертиз (например, анализа почерка, голоса, изображений) и даже предсказания исхода дел, что открывает новые возможности для объективизации судебных доказательств.

Таким образом, российские ОВД уже обладают серьезной базой информационных систем. Эти системы, однако, могут быть значительно усилены и расширены за счет интеграции современных нейросетевых технологий, способных обрабатывать и анализировать данные на качественно новом уровне, выявляя скрытые связи и прогнозируя события с высокой степенью достоверности. Криминалистическое прогнозирование должно активно использовать эти новые и разрабатываемые информационно-телекоммуникационные технологии, а также адаптировать результаты их внедрения из других ведомств для борьбы с преступностью.

Критерии оценки, зарубежный опыт и перспективы внедрения ИИ-моделей в России

Разработка и внедрение высокотехнологичных аналитических инструментов, таких как нейронные сети, требует не только технической готовности, но и четкого понимания критериев оценки их эффективности, изучения мирового опыта и, что не менее важно, осознания этических и правовых вызовов, которые неизбежно возникают при работе с искусственным интеллектом в столь чувствительной сфере, как правоохранительная деятельность. Следует также понять, какие важные нюансы упускаются при оценке текущей деятельности, ведь без этого невозможно сформировать действенные критерии для будущего.

Альтернативные критерии оценки деятельности ОВД в сфере ПОД/ФТ

Существующая система оценки деятельности органов внутренних дел, как уже отмечалось, зачастую страдает от «работы на отчетность», когда количественные показатели выходят на первый план, вытесняя реальную результативность. Для сферы противодействия легализации преступных доходов, где важны не только количество раскрытых дел, но и масштаб предотвращенного ущерба, сложность выявленных схем и способность прогнозировать будущие угрозы, необходим пересмотр подходов к оценке.

Предлагается альтернативный подход, основанный на следующих принципах:

1. Отказаться от унифицированного «плана по раскрытию преступлений»: Вместо того чтобы устанавливать одинаковые плановые показатели для всех подразделений, независимо от их специфики, необходимо учитывать особенности регионов, криминогенную обстановку и ресурсные ограничения.
2. Разработка нормативных количественных показателей раскрытия преступлений различного типа: Эти показатели должны быть дифференцированы в зависимости от вида преступления (например, мошенничество, наркотрафик, коррупция, киберпреступления), его сложности и размера легализованных средств. Важно, чтобы они не базировались исключительно на данных предыдущего периода, а учитывали потенциал для выявления и раскрытия.
3. Введение качественных показателей оценки:
   • Предотвращенный ущерб: Оценка деятельности должна включать не только конфискованные средства, но и сумму потенциального ущерба, предотвращенного благодаря своевременному выявлению и пресечению схем легализации.
   • Сложность выявленных схем: Оценка должна учитывать сложность и изощренность выявленных преступных схем, а не только их количество. Выявление одной крупной, многоступенчатой схемы отмывания может быть более значимым, чем несколько мелких.
   • Прогностическая эффективность: Оценка должна включать анализ того, насколько успешно подразделения использовали прогностические модели (включая нейросети) для выявления потенциально подозрительных операций и предотвращения их развития.
   • Взаимодействие и координация: Оценивать эффективность взаимодействия с Росфинмониторингом, Банком России, другими правоохранительными органами и международными партнерами.
   • Качество аналитической работы: Оценка должна включать качество аналитических отчетов, предложений по изменению законодательства и методических рекомендаций, разработанных на основе полученных данных.
4. Система пересмотра степени риска: Степень (уровень) риска совершения подозрительных операций должна быть гибкой и оцениваться как низкая, средняя или высокая. При этом, механизмы пересмотра, закрепленные Федеральным законом № 210-ФЗ от 22.07.2024 (возможность обращения с заявлением о пересмотре высокой степени риска непосредственно в Банк России, а при несогласии – обжалование в межведомственной комиссии или суде), должны быть эффективно интегрированы в деятельность ОВД для корректной оценки рисков субъектов.
5. Учет специфики цифровых активов: С учетом изменений в законодательстве (Федеральный закон № 221-ФЗ от августа 2024 года, регулирующий майнинг цифровой валюты), необходимо включить критерии, отражающие способность ОВД выявлять и расследовать преступления, связанные с легализацией доходов, полученных через майнинг и оборот криптовалют.

Переход к такой системе оценки позволит сосредоточить усилия не на механическом выполнении «плана», а на реальной борьбе с наиболее опасными и сложными формами легализации, что в конечном итоге повысит доверие общества к правоохранительным органам и укрепит экономическую безопасность.

Зарубежный опыт использования нейросетей в борьбе с легализацией доходов

Мировой опыт показывает, что применение искусственного интеллекта и нейронных сетей в правоохранительной деятельности – это не вопрос будущего, а уже реальность. Некоторые страны демонстрируют впечатляющие результаты в этой области, которые могут служить ориентиром для России.

Опыт Китая:
Китай является одним из мировых лидеров по внедрению ИИ в систему национальной безопасности и правопорядка:

• Система видеонаблюдения «Золотой щит» и «социальный кредит»: С 1 января 2021 года в Китае официально внедрена система «социального кредита», которая интегрирует камеры видеонаблюдения с распознаванием лиц, мобильные приложения, интернет-ресурсы, платежные системы и базы данных социальных, дорожных и коммунальных служб. Цель – оценка рейтинга граждан на основе их поведения, что позволяет выявлять потенциально подозрительных лиц и предотвращать преступления, включая финансовые махинации.
• «Искусственный интеллект (AI) полиции» в Куньшане: В этом городе инновационная команда использует более 220 интеллектуальных моделей на базе больших данных для выявления мошеннических схем и отслеживания денежных потоков. Это значительно повысило эффективность расследований, позволяя полицейским выявлять сложные финансовые транзакции, которые могли бы остаться незамеченными при традиционных методах.
• Автономные роботы-полицейские: В Китае также представлены автономные сферические роботы-полицейские с ИИ для преследования и задержания преступников, способные координировать действия в группе. Хотя их применение в контексте легализации пока ограничено, они демонстрируют потенциал ИИ в автоматизации выполнения задач, требующих высокой скорости реакции и анализа обстановки.

Опыт США:
Соединенные Штаты активно исследуют и внедряют ИИ в полицейскую практику:

• «Predictive Policing»: Проекты «Predictive Policing» используют ИИ для анализа данных о преступности и прогнозирования мест возможных правонарушений. Алгоритмы анализируют исторические данные о преступлениях, погодных условиях, социально-экономических факторах и других параметрах для оптимального распределения ресурсов правоохранительных органов, позволяя предотвращать преступления до их совершения.
• ИИ-дроны: Полицейские департаменты США применяют ИИ-дроны для преследования преступников и реагирования на чрезвычайные ситуации. Эти дроны могут считывать номерные знаки автомобилей, вести наблюдение за толпой и анализировать места происшествий, снижая риски для сотрудников и обеспечивая более широкий охват территории.
• Автоматизация отчетов: Американские полицейские используют ИИ-сервисы, такие как Draft One и Field Notes, для автоматизированного составления отчетов, что позволяет сократить время на их написание с 45 до 10 минут, высвобождая ресурсы для более важных оперативных задач.

Общие выводы из зарубежного опыта:
Российским правоохранителям следует стремиться к тому, чтобы научные достижения, связанные с использованием нейросетей, способствовали получению более качественных результатов в борьбе с преступными посягательствами. Однако при этом важно учитывать специфику российской правовой системы и особенности преступности. Международный опыт показывает, что основной потенциал ИИ заключается в:

• Анализе больших данных: Нейросети способны обрабатывать и выявлять закономерности в огромных объемах финансовой информации, что недоступно человеку.
• Прогнозировании: ИИ может предсказывать будущие преступления или подозрительные финансовые операции на основе анализа исторических данных.
• Автоматизации рутинных задач: ИИ освобождает сотрудников от монотонной работы, позволяя им сосредоточиться на сложных аналитических и оперативных задачах.

Перспективы и этические аспекты внедрения ИИ-моделей в деятельность ОВД РФ

Внедрение искусственного интеллекта и нейронных сетей в деятельность органов внутренних дел РФ открывает колоссальные перспективы для повышения эффективности ПОД/ФТ, но одновременно порождает ряд серьезных этических и правовых вызовов, требующих внимательного рассмотрения.

Перспективы:

1. Повышение выявляемости и раскрываемости: ИИ-модели могут анализировать банковские транзакции, данные из открытых источников, информацию о недвижимости и другие массивы данных, выявляя аномалии и скрытые связи, что позволит значительно повысить выявляемость схем легализации преступных доходов.
2. Усиление прогностических возможностей: С помощью нейронных сетей можно создавать точные модели криминологического прогнозирования, предсказывая новые схемы отмывания денег, а также потенциальные «горячие точки» финансовой преступности.
3. Автоматизация рутинных процессов: ИИ способен автоматизировать сбор, систематизацию и первичный анализ информации, подготовку отчетов и запросов, освобождая оперативных сотрудников и следователей для более сложной аналитической и оперативной работы.
4. Персонализированное профилирование рисков: Модели могут оценивать степень риска совершения подозрительных операций для конкретных юридических и физических лиц, что позволит более целенаправленно использовать ресурсы.
5. Борьба с киберпреступностью и отмыванием криптовалют: ИИ станет незаменимым инструментом для анализа блокчейн-транзакций, выявления анонимных кошельков и отслеживания движения цифровых активов, что критически важно с учетом последних изменений в законодательстве о майнинге.

Этические и правовые аспекты:
Однако, внедрение ИИ несет в себе и серьезные риски:

1. Правовые пробелы и необходимость нового регулирования:
   • Отсутствие адекватных алгоритмов для автоматической обработки и классификации нормативных актов: Хотя ИИ может анализировать законы, необходимы четкие алгоритмы, регулирующие этот процесс, чтобы избежать ошибок и неточностей.
   • Необходимость создания законодательства, регулирующего применение ИИ: Отсутствие четких правовых рамок для использования ИИ во всех видах правоохранительной деятельности может привести к злоупотреблениям и нарушениям прав граждан.
   • Неурегулированность использования ИИ в судебно-экспертной деятельности: Вопросы ответственности за ошибки ИИ, допустимости его выводов в качестве доказательств, стандартизации процедур требуют срочного правового разрешения.
2. Опасность предвзятости ИИ и ошибочных решений:
   • Предвзятость данных обучения: ИИ-алгоритмы обучаются на существующих данных. Если эти данные содержат скрытые предубеждения (например, исторически полиция чаще задерживала представителей определенных социальных групп), то ИИ будет воспроизводить и даже усиливать эту предвзятость, что может привести к некорректным или дискриминационным решениям. Примером может служить ошибочный арест из-за распознавания лиц в Детройте в 2020 году.
   • «Галлюцинации» систем: ИИ-системы изначально не обязаны быть безошибочными, и ошибки могут возникать из-за некачественных, устаревших или предвзятых данных обучения, а также из-за просчетов в архитектуре или логике работы (например, случай с беспилотником Uber в 2018 году).
   • Углубление социального неравенства: Предвзятый ИИ может углублять социальное неравенство и укреплять стереотипы, принимая несправедливые решения в отношении определенных групп населения.
3. Утрата человеческого влияния и базовые принципы демократии:
   • Автоматическое составление законопроектов: Опасения вызывает возможность того, что системы ИИ, обучающиеся на данных из внешнего мира, могут действовать непредсказуемо, а автоматизация законотворчества может привести к утрате человеческого влияния на процесс, нарушая базовые принципы демократии.
   • «Черный ящик» ИИ: Сложность работы нейронных сетей может сделать их решения непрозрачными и труднообъяснимыми для человека, что недопустимо в правосудии.

Необходимость контроля и стандартизации:
Все это указывает на критическую необходимость разработки строгих этических руководств, стандартов и механизмов контроля за использованием ИИ в правоохранительной деятельности. Это включает:

• Аудит алгоритмов: Регулярная проверка алгоритмов на предмет предвзятости и ошибок.
• Человек в контуре управления (Human-in-the-Loop): Сохранение за человеком окончательного решения, особенно в случаях, касающихся фундаментальных прав и свобод граждан.
• Защита данных и конфиденциальность: Обеспечение строжайшей защиты персональных данных, используемых для обучения ИИ.
• Ответственность: Четкое определение ответственности за ошибки, совершенные ИИ-системами.

Противодействие легализации (отмыванию) доходов, полученных преступным путем, остается одной из ключевых нерешенных проблем мирового сообщества из-за отсутствия сплоченности государств в отношении единых законов против легализации денежных средств. В этом контексте общепризнана потребность в осуществлении всеми государствами согласованных мер как на национальном, так и на международном уровне. Российская Федерация должна стать частью этого глобального процесса, внедряя ИИ-модели с осознанием всех сопутствующих рисков и в строгом соответствии с принципами законности и справедливости.

Заключение

Легализация преступных доходов представляет собой одну из наиболее изощренных и деструктивных форм криминальной деятельности, подрывающую основы экономической стабильности и правопорядка. В условиях стремительного развития цифровых технологий и глобализации финансовых рынков, традиционные методы противодействия становятся недостаточными. Настоящая курсовая работа убедительно продемонстрировала, что математическое моделирование и нейронные сети являются не просто перспективными, а жизненно необходимыми инструментами для повышения эффективности деятельности органов внутренних дел в этой сложнейшей сфере.

В ходе исследования мы определили сущность легализации преступных доходов, рассмотрели ее экономическое и криминологическое значение, а также детально проанализировали динамично развивающуюся нормативно-правовую базу Российской Федерации, включая последние изменения, касающиеся цифровых активов и регулирования рисков. Были даны определения ключевых концепций криминологического прогнозирования и искусственного интеллекта в контексте правоохранительной деятельности.

Анализ деятельности ОВД РФ в сфере ПОД/ФТ выявил ряд системных проблем: от неопределенности понятийного аппарата и проблемы «работы на отчетность» до недостатков в правоприменительной практике и системе внутреннего контроля некредитных финансовых организаций. Статистические данные, хотя и показывают общие позитивные тенденции в раскрываемости некоторых видов преступлений, обнажают низкую выявляемость преступлений по статьям 174 и 174¹ УК РФ, что подтверждает необходимость инновационных подходов.

Мы исследовали теоретические основы математической юриспруденции, продемонстрировав, как методы теории вероятностей, математической статистики, а также мягкое моделирование и нечеткая логика могут быть применены для анализа и прогнозирования преступности. Особое внимание было уделено нейронным сетям, способным сокращать время на расследования, автоматизировать рутинные процессы и повышать точность криминалистической идентификации. Обзор существующих информационных систем в ОВД РФ (АИПС «СВОДКА», «ОПОЗНАНИЕ», ИМТС, ФБКИ/РБКИ, АДИС «Папилон» и другие) показал, что технологическая база для внедрения ИИ уже имеется, требуя лишь дальнейшей интеграции и модернизации.

На основе проведенного анализа были предложены альтернативные критерии оценки деятельности ОВД в сфере ПОД/ФТ, ориентированные на реальный результат, а не на формальные показатели. Эти критерии включают оценку предотвращенного ущерба, сложности выявленных схем, прогностической эффективности и качества аналитической работы, а также учет специфики борьбы с цифровой преступностью.

Зарубежный опыт Китая и США убедительно доказывает огромный потенциал ИИ-систем в правоохранительной деятельности: от систем «социального кредита» и интеллектуальных моделей выявления мошенничества до «Predictive Policing» и автоматизации полицейских отчетов. Эти примеры служат источником вдохновения и практических решений для российской практики.

Однако, наряду с перспективами, были обозначены и серьезные этические и правовые вызовы. Правовые пробелы в регулировании ИИ, риск предвзятости алгоритмов, возможность ошибочных решений и утрата человеческого влияния на законотворческий процесс требуют глубокой проработки. Необходимо создание адекватной законодательной базы, строгих этических стандартов, механизмов аудита алгоритмов и принципа «человек в контуре управления», чтобы обеспечить соблюдение прав и свобод граждан и сохранить базовые принципы демократии.

В заключение, внедрение моделей оценки и анализа деятельности ОВД по противодействию легализации преступных доходов с использованием нейронных сетей является не только возможным, но и необходимым шагом для укрепления экономической безопасности Российской Федерации. Это потребует комплексного подхода, сочетающего технологические инновации с глубоким пониманием правовых, этических и организационных аспектов. Только так можно создать систему, способную эффективно противостоять постоянно эволюционирующим угрозам легализации преступных доходов и обеспечить правопорядок в цифровую эпоху.

Список использованной литературы

1. Аванесов, Г.А. Криминология. Прогностика. Управление. Горьковская высшая школа, МВД СССР. Горький, 1975. С. 254-265.
2. Аванесов, Г.А., Вицин, С.Е. Прогнозирование и организация борьбы с преступностью. М., 1972. С. 12.
3. Аванесов, Г.А., Рутгайзер, В.М., Брушлинский, Н.Н. Количественный анализ в исследованиях по исправительно-трудовому праву. М.: Высшая школа МВД СССР, 1969. С. 43-76.
4. Айвазян, С.А. Прикладная статистика. М.: Финансы и статистика, 1985.
5. Аналитическая справка по итогам работы за 2008 год, подразделений по борьбе с экономическими и по налоговым преступлениям МВД, ГУВД, УВД по субъектам Российской Федерации по линии борьбы с легализацией (отмыванием) доходов, полученных преступным путем.
6. Анохин, А.Н. Методы экспертных оценок: учебное пособие. Обнинск: ИАТЭ, 1996. 144 с.
7. Антонов, А.В. Системный анализ: учебник. М.: Высшая школа, 2004. 454 с.
8. Антонян, Ю.М., Блувштейн, Ю.Д. Методы моделирования в изучении преступника и преступного поведения. М.: Академия МВД СССР, 1974.
9. Бааль, Е.Г., Ревин, В.П. Профилактика правонарушений в молодёжных общежитиях. М.: Академия МВД РФ, 1989.
10. Базаров, Р.А., Демидов, Ю.Н. Уголовно-юридическая профилактика групповых нарушений общественного порядка несовершеннолетними: учебное пособие. Челябинск, 1993.
11. Блувштейн, Ю.Д. Криминология и математика. М.: Юрид. лит., 1974. С. 125-167.
12. Блувштейн, Ю.Д. Методологические проблемы изучения преступности и личности преступника (логико-математический аспект): автореф. дис. … д-ра юрид. наук. М., 1975. С. 26.
13. В.А. Головко. Нейронные сети: обучение, организация и применение. М.: ИПРЖР, 2001.
14. Вицин, С.Е. Моделирование в криминологии. М.: Высшая школа МВД СССР, 1973. С. 59.
15. Волженкин, Б.В. Коррупция. СПб, 1998.
16. Г.Э. Яхъяева. Основы теории нейронных сетей. Интернет-университет информационных технологий, изд-во «Открытые системы».
17. Гаврилов, О.А., Колемаев, В.А. Математические модели в криминологии. В кн: Юридическая кибернетика. С. 85-104.
18. Драйпер, Н., Смит, Г. Прикладной регрессионный анализ: в 2-х книгах. М., 1987.
19. Дубровицкая, Л.П., Лузгин, И.М. Планирование расследования: учебное пособие. М.: Высшая школа МВД СССР, 1972. С. 3.
20. Елисеева, И.И. Социальная статистика. М.: МГУ им. Ломоносова, 2003. 345 с.
21. Замков, О.О., Толстопятенко, А.В., Черемных, Ю.Н. Математические методы в экономике. М., 1997.
22. КоАП РФ Статья 4.5. Давность привлечения к административной ответственности. Доступ из СПС «КонсультантПлюс».
23. Криминалистика. Криминалистическая тактика и методика расследования преступлений: учебник для студентов юридических вузов и факультетов / под ред. проф. В.Ю. Шепитько. Х.: ООО «Одиссей», 2001. С. 43.
24. Криминология / под ред. Н.Ф. Кузнецовой и Г.М. Миньковского. М.: МГУ, 1994.
25. Криминология / под ред. В.Н. Кудрявцева и В.Е. Эминова. М.: Юристъ, 1999.
26. Криминология: основные понятия в схемах. Словарь терминов. Биографический и библиографический словари: учебное пособие / И.М. Мацкевич, С.В. Максимов, В.С. Овчинский, В.Е. Эминов. М.: Инфра-М – Норма, 1996.
27. Кристи, Н. Пределы наказания. М., 1985.
28. Кудрявцев, В.Н. Причинность криминологии. М., 1968. С. 154.
29. Ларичев, О.И. Теория и методы принятия решений. М.: Логос, 2006. 392 с.
30. Лунеев, В.В. Юридическая статистика. 2-е изд. М.: Юрист, 2004. 392 с.
31. Максимов, С.В. Краткий криминологический словарь. М.: Юристъ, 1995.
32. Максимов, С.В. Предупреждение коррупции. М.: Московский институт МВД РФ, 1994.
33. Математическое моделирование в юриспруденции. URL: https://jasulib.org.kg/wp-content/uploads/2021/07/matematicheskoe-modelirovanie-v-yurisprudentsii-uchebnoe-posobie-1.pdf
34. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ «Противодействие деятельности организованных преступных формирований, занимающихся легализацией (отмыванием) денежных средств или иного имущества, приобретенных незаконным путем».
35. Мишин, Г.К. Коррупция: понятие, сущность, меры ограничения. М., 1991.
36. Мягкое моделирование и нечеткая математика в современной криминологии // Ius Publicum et Privatum. 2022. № 2. URL: https://iuspublicum-privatum.ru/wp-content/uploads/2022/10/IusPP-2-17-2022.pdf
37. ОБЗОР СОБЫТИЙ В СФЕРЕ ПРОТИВОДЕЙСТВИЮ ОТМЫВАНИЮ ДОХОДОВ, ПОЛУЧЕННО. Банк России. URL: https://www.cbr.ru/Content/Document/File/164789/202408_pl.pdf (дата обращения: 13.10.2025).
38. Основы противодействия коррупции / под ред. С.В. Максимова и др. М.: Спарк, 2000.
39. Побегайло, Э.Ф. Тенденции современной преступности и совершенствование уголовно-юридической борьбы с ней: лекция. М., 1990.
40. Попов, Л.А. Анализ временных рядов и прогнозирование. М.: РЭА им. Г.В. Плеханова, 2004.
41. ПОНЯТИЕ ЛЕГАЛИЗАЦИИ ДОХОДОВ, ПОЛУЧЕННЫХ ПРЕСТУПНЫМ ПУТЕМ. URL: https://lexms.ru/wp-content/uploads/2022/03/49-2022-20.pdf
42. Противодействие легализации преступных доходов в России: проблемы и приоритетные направления / В.А. Бирюков, Н.В. Кондраткова, Н.А. Морозова // Расследование преступлений. Документы системы ГАРАНТ. URL: https://www.garant.ru/products/ipo/prime/doc/409600989/ (дата обращения: 13.10.2025).
43. Савюк, Л.К. Юридическая статистика. М.: Юрист, 2007. 637 с.
44. Статистические сведения о состоянии преступности в 2023 году. МВД Медиа. URL: https://мвд.рф/news/item/42490518/ (дата обращения: 13.10.2025).
45. Там, Х. Преступность и уровень жизни. М., 1982.
46. Тархов, Д.А. Нейронные сети. Модели и алгоритмы: справочник. М.: Радиотехника, 2005.
47. Твердая, И.Н. Курс лекций по юридической статистике. Владивосток: Издательство Дальневост. ун-та, 1997. С. 120-125.
48. УК РФ Статья 174. Легализация (отмывание) денежных средств или иного имущества, приобретенных другими лицами преступным путем. Доступ из СПС «КонсультантПлюс».
49. УК РФ Статья 174.1. Легализация (отмывание) денежных средств или иного имущества, приобретенных лицом в результате совершения им преступления. Доступ из СПС «КонсультантПлюс».
50. Федеральный закон от 07.08.2001 № 115-ФЗ «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» (последняя редакция). Доступ из СПС «КонсультантПлюс».
51. Федеральный закон от 7 апреля 2025 г. N 67-ФЗ «О внесении изменения в статью 7 Федерального закона «О противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма». Доступ из СПС «ГАРАНТ».
52. Фокс, В. Введение в криминологию. М., 1985.
53. Хан-Магомедов, Д.О. Математические методы изучения преступности и практики применения наказания при разработке проблем уголовной политики. В кн.: Основные направления борьбы с преступностью. М.: Юрид. лит., 1975. С. 151-152.
54. Четыркин, Е.М. Статистические методы прогнозирования. 2-е изд. М.: Статистика, 1977.
55. Шмерлинг, Д.С., Дубровский, С.А., Аржанова, Т.Д., Френкел, А.А. Экспертные оценки. Методы и применения (Обзор) // Уч. Зап. по Статистике. Т. 29: Статистические методы анализа экспертных оценок. М.: Наука, 1977. С. 290-382.
56. Шнайдер, Г.Й. Криминология. М., 1994.
57. Юридическая статистика: учебник для вузов. М.: ЮНИТИ-ДАНА, 2008. 255 с.
58. Юридическая статистика: учебник / под ред. З.Г. Яковлевой. М.: Юрид. лит., 1986. 245 с.
59. Юридические и организационные проблемы борьбы с коррупцией: материалы научно-практической конференции. М., 1993.
60. Криминологическое прогнозирование // Криминология (Клеймёнов М.П., 2018). URL: https://krim-pravo.ru/kriminologiya/kriminologicheskoe-prognozirovanie/ (дата обращения: 13.10.2025).
61. ПРИМЕНЕНИЕ НЕЙРОСЕТЕЙ В ДЕЯТЕЛЬНОСТИ ОРГАНОВ ВНУТРЕННИХ ДЕЛ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-neyrosetey-v-deyatelnosti-organov-vnutrennih-del (дата обращения: 13.10.2025).
62. ПОНЯТИЕ, ВИДЫ И ЗНАЧЕНИЕ КРИМИНОЛОГИЧЕСКОГО ПРОГНОЗИРОВАНИЯ ДЛЯ ПРАКТИКИ БОРЬБЫ С ПРЕСТУПНОСТЬЮ // Меридиан. URL: https://meridian-journal.ru/article/view?id=1418 (дата обращения: 13.10.2025).
63. Деятельность органов внутренних дел по противодействию легализации доходов, полученных преступным путем: критерии оценки результатов и основные направления оптимизации подготовки специалистов // КиберЛенинка. URL: https://cyberleninka.ru/article/n/deyatelnost-organov-vnutrennih-del-po-protivodeystviyu-legalizatsii-dohodov-poluchennyh-prestupnym-putem-kriterii-otsenki (дата обращения: 13.10.2025).
64. Актуальные проблемы оперативно-розыскной деятельности органов внутренних дел в сфере противодействия легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма // КиберЛенинка. URL: https://cyberleninka.ru/article/n/aktualnye-problemy-operativno-rozysknoy-deyatelnosti-organov-vnutrennih-del-v-sfere-protivodeystviya-legalizatsii-otmyvaniyu (дата обращения: 13.10.2025).
65. Криминологический анализ зарубежной правоохранительной практики по применению нейросетей в борьбе с преступностью и возможность использования данных технологий в Российской Федерации // Эдиторум. URL: https://editorum.ru/node/142994 (дата обращения: 13.10.2025).
66. Криминологический анализ зарубежной правоохранительной практики по применению нейросетей в борьбе с преступностью и возможность использования данных технологий в Российской Федерации // DOI. 2024. URL: https://doi.org/10.37025/2078-0246-2024-1-115-119 (дата обращения: 13.10.2025).
67. НЕЙРОСЕТИ И ПРАВООХРАНИТЕЛЬНЫЕ ОРГАНЫ: ПОНЯТИЕ, ПРИНЦИПЫ, ПРИМЕРЫ // Elibrary. URL: https://elibrary.ru/item.asp?id=46410389 (дата обращения: 13.10.2025).
68. ПОНЯТИЕ ЛЕГАЛИЗАЦИИ ДОХОДОВ, ПОЛУЧЕННЫХ ПРЕСТУПНЫМ ПУТЕМ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/ponyatie-legalizatsii-dohodov-poluchennyh-prestupnym-putem (дата обращения: 13.10.2025).
69. Актуальные проблемы противодействия легализации доходов, полученных преступным путем // КиберЛенинка. URL: https://cyberleninka.ru/article/n/aktualnye-problemy-protivodeystviya-legalizatsii-dohodov-poluchennyh-prestupnym-putem (дата обращения: 13.10.2025).
70. Возможные направления для использования технологий искусственного интеллекта в работе правоохранительных органов // Издательская группа ЮРИСТ. URL: https://law-journal.ru/upload/iblock/d7c/d7c1a8e52e505a746533036e8b4e7a89.pdf (дата обращения: 13.10.2025).
71. Проблемы борьбы с легализацией преступных доходов: опыт и перспективы // Изутина. URL: https://izutina.ru/nauchnye-publikacii/problemy-borby-s-legalizatsiej-prestupnyh-dokhodov-opyt-i-perspektivy/ (дата обращения: 13.10.2025).
72. Некоторые теоретические аспекты противодействия легализации (отмыванию) незаконных доходов, полученных преступным путем // КиберЛенинка. URL: https://cyberleninka.ru/article/n/nekotorye-teoreticheskie-aspekty-protivodeystviya-legalizatsii-otmyvaniyu-nezakonnyh-dohodov-poluchennyh-prestupnym (дата обращения: 13.10.2025).
73. Теоретические проблемы применения математических методов для моделирования и прогнозирования отдельных видов преступности в Республике Казахстан // Stud.kz. URL: https://stud.kz/resume/15312/teoreticheskie-problemy-primeneniya-matematicheskih-metodov-dlya-modelirovaniya-i-prognozirovaniya-otdelnyh-vidov-prestupnosti-v-respublike-kazahstan (дата обращения: 13.10.2025).
74. Диссертация на тему «Основы методики расследования и международного сотрудничества по противодействию легализации (отмыванию) доходов, полученных преступным путем» // disserCat. URL: https://www.dissercat.com/content/osnovy-metodiki-rassledovaniya-i-mezhdunarodnogo-sotrudnichestva-po-protivodeistviyu-legaliza (дата обращения: 13.10.2025).
75. МВД России публикует статистическую информацию о состоянии преступности в Российской Федерации за январь-февраль 2024 года // Издательство ДИВИЗОР. URL: https://divizor.press/novosti/mvd-rossii-publikuet-statisticheskuyu-informaciyu-o-sostoyanii-prestupnosti-v-rossijskoj-federacii-za-yanvar-fevral-2024-goda/ (дата обращения: 13.10.2025).
76. Противодействие легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма // Высшая школа экономики. URL: https://www.hse.ru/edu/courses/831825832 (дата обращения: 13.10.2025).
77. МВД России публикует статистическую информацию о состоянии преступности в Российской Федерации за 2024 год. URL: https://мвд.рф/news/item/50170068/ (дата обращения: 13.10.2025).
78. Математические методы в юриспруденции // Кафедра Информационного Обеспечения ОВД. URL: https://imop.vsu.ru/index/kafedry/kafedra-informacionnogo-obespecheniya-ovd/materialy-dlya-studentov/uchebnoe-posobie-po-disciplinam/matematicheskie-metody-v-yurisprudencii/1-4-matematicheskie-metody-v-yurisprudencii.html (дата обращения: 13.10.2025).
79. МАТЕМАТИЧЕСКОЕ МОДЕЛИРОВАНИЕ НА ОСНОВЕ ТЕОРИИ ПРИЧИННОСТИ В ПРИЛОЖЕНИИ К КРИМИНАЛИСТИЧЕСКОЙ ХАРАКТЕРИСТИКЕ И ПРОФИЛАКТИКЕ ПРЕСТУПЛЕНИЙ // КиберЛенинка. URL: https://cyberleninka.ru/article/n/matematicheskoe-modelirovanie-na-osnove-teorii-prichinnosti-v-prilozhenii-k-kriminalisticheskoy-harakteristike-i-profilaktike (дата обращения: 13.10.2025).
80. Перспективы и риски использования искусственного интеллекта в сфере правовой аналитики и правотворческой деятельности // КиберЛенинка. URL: https://cyberleninka.ru/article/n/perspektivy-i-riski-ispolzovaniya-iskusstvennogo-intellekta-v-sfere-pravovoy-analitiki-i-pravotvorcheskoy-deyatelnosti (дата обращения: 13.10.2025).
81. Современные IT-технологии в правоохранительной практике: тенденции и перспективы // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sovremennye-it-tehnologii-v-pravoohranitelnoy-praktike-tendentsii-i-perspektivy (дата обращения: 13.10.2025).