Выявление корпоративного мошенничества с использованием текстового анализа данных и методов машинного обучения: пример российских компаний

Данная работа посвящена выявлению корпоративного мошенничества с использованием текстового анализа данных и методов машинного обучения на примере российских компаний. В рамках исследования для 260 нефинансовых компаний, входящих в рейтинг крупнейших компаний России по версии ЭкспертРа (2021), были собраны вручную тексты годовых отчетов на английском языке, финансовые показатели из базы данных Cbonds, а также информация о корпоративном мошенничестве из СМИ с 2014 по 2021 годы. Всего итоговая выборка после удаления пропусков включает в себя 386 наблюдений для 55 компаний за 8 лет. В исследовании для анализа обращений руководства компании к акционерам были использованы как переменные тональности текста и его сложности для прочтения и понимания, широко используемые в подобных работах, так и переменные векторизованного текста, которые используются достаточно редко. Кроме того, подобные исследования не проводились на выборке российских компаний, что в совокупности составляет научную значимость данного исследования. В использованные переменные тональности текста входят доля позитивных, негативных, ограничивающих и неопределенных слов, рассчитанные с помощью словаря Loughran & McDonald. В качестве переменных сложности текста для прочтения и понимания использовались длина текстов и Fog-index. Векторизованные слова были получены с помощью метода TF-IDF. В результате было выявлено, что по сравнению с мошенническими компаниями, для компаний, в которых не было мошенничества, тексты обращений руководства к акционерам содержат больше позитивных, меньше негативных слов и в целом являются более длинными. Кроме того, было доказано, что выявление нелинейных связей с помощью методов машинного обучения позволяет повысить предсказательную способность моделей: среди использованных моделей (Logit, KNN, SVM, Decision Tree и Random Forest) была выявлена оптимальная – Random forest, доля верно предсказанных случаев мошенничества для которой составила 75%, что в 2,5 больше, чем для традиционной модели логистической регрессии. С помощью оптимальной модели были получены облака слов, указывающих на наличие или отсутствие в компании мошенничества. Полученные в этом исследовании модель и облака слов могут быть использованы как специалистами форензика и аудита, государственными органами, так и стейкхолдерами компании для принятия инвестиционных и иных решений.