НАПРЯМКИ ВПРОВАДЖЕННЯ ІННОВАЦІЙНИХ АНАЛІТИКО-СТАТИСТИЧНИХ ТЕХНОЛОГІЙ ЯК ІНСТРУМЕНТУ ПРОТИДІЇ КОРУПЦІЇ В ДЕРЖАВІ
DOI:
https://doi.org/10.20535/2308-5053.2023.1(57).280822Ключові слова:
протидія корупції, інноваційні технології, машинне навчання, штучний інтелект, електоральна криміналістикаАнотація
Стаття присвячена проблемі впровадження інноваційних аналітико-статистичних технологій як інструменту протидії корупції в державі. Інноваційні аналітико-статистичні технології визначено у широкому значенні як сукупність методів та інструментів, що базуються на використанні математичних та статистичних методів аналізу даних з метою виявлення корисних залежностей та закономірностей в даних, підвищення ефективності прийняття рішень та виявлення аномалій у різних сферах діяльності та, у вузькому, як процес використання найсучасніших методів аналізу даних з метою виявлення складних залежностей та корисних закономірностей в даних. За результатами аналізу змісту тематичних публікацій було визначено 4 напрямки: 1) напрям розробки методологічного інструментарію; 2) напрям аналізу вторинної соціологічної інформації; 3) напрям створення автоматизованих систем аналізу природньої мови та візуалізації просторових даних; 4) напрям впровадження технологій машинного навчання і штучного інтелекту для ідентифікації суб’єктів корупційних відносин та/або отримання статистично обґрунтованих підтверджень наявності / відсутності корупції. Визначено, що найбільшу значимість на сучасному етапі розвитку суспільства мають практико-орієнтовані дослідження, адже саме на цьому рівні відбувається безпосередня апробація відповідних теоретичних моделей і методологічного інструментарію, а також створюються прецеденти для використання результатів аналітико-статистичних досліджень як складової доказової бази тих або інших фактів шахрайства або корупції. Визначено, що безпосереднім прикладом застосування інноваційних аналітико-статистичних технологій як інструменту протидії корупції з політологічної точки зору є електоральна криміналістика (electoral forensic). В рамках електоральної криміналістики виділяються дві групи методів. Перша група веде своє походження від теорії чисел і звертається до частотних характеристик числових даних електоральної статистики. Друга група методів спирається на пошук аномалій у відносинах між різними параметрами електорального процесу, наприклад, рівнем явки та рівнем підтримки кандидатів. Основним критерієм, що використовується для виявлення електоральної корупції, є розбіжність реальних (документально зафіксованих) результатів виборів від нормативних (модельних).
Посилання
Beber B., Scacco A. What the Numbers Say: A Digit-Based Test for Election Fraud. Political Analysis. 2012. #20(2). PP. 211–234. URL: https://doi.org/10.1093/pan/mps003 (дата звернення: 10.04.2023)
Berru Y.T., Batista V.F.L., Torres-Carrión P., Jimenez M.G. Artificial Intelligence Techniques to Detect and Prevent Corruption in Procurement: A Systematic Literature Review. ICAT 2019, CCIS. 2020. #1194. PP. 254–268. URL: https://doi.org/10.1007/978-3-030-42520-3_21 (дата звернення: 10.04.2023)
Han S., Hu X., Huang H., Jiang M., Zhao Y. ADBench: Anomaly Detection Benchmark. NeurIPS 2022. 2022. #45. URL: https://doi.org/10.48550/arXiv.2206.09426 (дата звернення: 10.04.2023)
Hicken A., Mebane W.R.J. A Guide to Elections Forensics: Research and Innovation Grants Working Papers Series. 2015. URL: https://electionforensics.cps.isr.umich.edu/pdf/guide.pdf (дата звернення: 10.04.2023)
Hlatshwayo S., Oeking A., Ghazanchyan M., Corvino D., Shukla A., Leigh L. The Measurement and Macro-Relevance of Corruption: A Big Data Approach. Washington, D.C.: International Monetary Fund, 2018. 73 p.
Klimek P., Yegorov Y., Hanel R., Thurner S. Statistical detection of systematic election irregularities. Proc Natl Acad Sci USA. 2012. #109(41). PP. 16469–16473. URL: https://doi.org/10.1073/pnas.1210722109 (дата звернення: 10.04.2023)
Lai K.-H., Zha D., Wang G., Xu J., Zhao Y., Kumar D., ... Hu X. TODS: An Automated Time Series Outlier Detection System. 2021. URL: https://doi.org/10.48550/arXiv.2009.09822 (дата звернення: 10.04.2023)
Lima M.S.M., Delen D. Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly. 2020. #37(1). URL: https://doi.org/10.1016/j.giq.2019.101407 (дата звернення: 10.04.2023)
Liu J., Bier E., Wilson A., Guerra-Gomez J.A., Honda T., Sricharan K., ... Davies D. Graph Analysis for Detecting Fraud, Waste, and Abuse in Health-Care Data. AI MAGAZINE. 2016. PP. 33–46.
Liu K., Dou Y., Zhao Y., Ding X., Hu X., Ding R.Z.K., ... Yu P.S. BOND: Benchmarking Unsupervised Outlier Node Detection on Static Attributed Graphs. NeurIPS 2022. 2022. URL: https://doi.org/10.48550/arXiv.2206.10071 (дата звернення: 10.04.2023)
López-Iturriaga F.J., Sanz I.P. Predicting Public Corruption with Neural Networks: An Analysis of Spanish Provinces. Social Indicators Research. 2017. #140(3). PP. 975–998. URL: https://doi.org/10.1007/s11205-017-1802-2 (дата звернення: 10.04.2023)
Mebane W.R.J., Kalinin K. Guide to Election Forensics Toolkit. URL: https://electionforensics.cps.isr.umich.edu/election (дата звернення: 10.04.2023)
Mebane W.R.J., Wall J. Election Frauds, Postelection Legal Challenges and Geography in Mexico. URL: http://www.umich.edu/~wmebane/apsa15.pdf (дата звернення: 10.04.2023)
Noerlina, Dewanti R., Mursitama T.N., Fairianti S.P., Kristin D.M., Sasmoko, ... Makalew B.A. Development of a Web Based Corruption Case Mapping using Machine Learning with Artificial Neural Network. International Conference on Information Management and Technology (ICIMTech). 2018. PP. 400–405.
PyGOD. Github.com. URL: https://github.com/pygod-team/pygod (дата звернення: 10.04.2023)
Python Outlier Detection (PyOD). Github.com. URL: https://github.com/yzhao062/pyod (дата звернення: 10.04.2023)
Ralha C.G., Silva C.V.S. A multi-agent data mining system for cartel detection in Brazilian government procurement. Expert Systems with Applications. 2012. #39(14). PP. 11642–11656. URL: https://doi.org/10.1016/j.eswa.2012.04.037 (дата звернення: 10.04.2023)
TODS: Automated Time-series Outlier Detection System. Github.com. URL: https://github.com/datamllab/tods (дата звернення: 10.04.2023)
Zhao Y., Nasrullah Z., Li Z. PyOD: A Python Toolbox for Scalable Outlier Detection. Journal of Machine Learning Research. #20. PP. 1–7. URL: https://doi.org/10.48550/arXiv.1901.01588 (дата звернення: 10.04.2023)
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
