یک مدل ریاضی همراه از مسیر انتشار کلاهبرداری در جمع آوری بودجه کوتاه مدت

برای محافظت مؤثر از اموال شهروندان در برابر نقض کلاهبرداری در جمع آوری سرمایه ، لازم است در مورد انتشار ، شناسایی و علیت کلاهبرداری در جمع آوری سرمایه بررسی شود. در این مطالعه ، از مدل آلوده آلوده (SIR) آلوده (SIR) ، شبکه عصبی ناشی از بازگشت (BP) ، درخت گسل و شبکه بیزی برای تجزیه و تحلیل انتشار ، شناسایی و علیت تقلب در جمع استفاده شد. در مرحله اول ، داده های مربوط به کلاهبرداری در جمع آوری سرمایه از طریق یک پرسشنامه از ساکنان در همان منطقه جمع آوری شد. ثانیا ، از مدل SIR برای شبیه سازی انتشار قربانیان ، حساسیت ها ، هشدارها و میزان کلاهبرداری استفاده شد. از شبکه عصبی BP برای شناسایی داده های کلاهبرداری مالی و تغییر صحت تجزیه و تحلیل تعداد نورون ها و لایه های پنهان استفاده شد. از مدل درخت گسل و مدل شبکه بیزی برای تجزیه و تحلیل علیت و اهمیت وقایع اساسی استفاده شد. سرانجام ، اقدامات امنیتی کلاهبرداری در جمع آوری سرمایه با تغییر پارامترهای انتشار شبیه سازی شد. نتایج نشان می دهد که (1) برای گسترش کلاهبرداری ، مقیاس قربانیان با افزایش چرخه کلاهبرداری به شدت گسترش می یابد و قربانیان چرخه کلاهبرداری نهایی 12. 5 ٪ از افراد منطقه را تشکیل می دهند.(2) برای منبع عفونت کلاهبرداری ، میزان تشخیص اولیه کلاهبرداری توسط شبکه عصبی BP از 90. 9 ٪ تا 93. 9 ٪ متفاوت است.(3) برای قربانیان کلاهبرداری ، کاهش تبلیغات کلاهبرداری ، بهبود آگاهی از خطر و تقویت نظارت کلاهبرداری می تواند به طور موثری احتمال کلاهبرداری را کاهش دهد. و (4) کاهش نرخ کلاهبرداری می تواند تعداد قربانیان را کاهش داده و زمان شیوع را به تأخیر بیندازد. بهبود میزان هشدار می تواند قربانیان را در مقیاس بزرگ کاهش دهد. تقویت نظارت می تواند مقیاس قربانیان را محدود کرده و مدت زمان کلاهبرداری را طولانی کند.

کلید واژه ها: 91d99

1. معرفی

در دهه های اخیر ، جرایم در حوزه مالی به سرعت افزایش یافته است ، که از این طریق کلاهبرداری در جمع آوری سرمایه به یکی از مضر ترین جنایات اقتصادی تبدیل شده است. تحقیقات در مورد روشهای پیشگیری از کلاهبرداری در جمع آوری بودجه معمولاً از سه سطح شروع می شود: (1) تجزیه و تحلیل اقدامات علیه منابع انتشار.(2) تجزیه و تحلیل اقدامات در برابر فرآیند انتشار. و (3) تجزیه و تحلیل اقدامات علیه قربانیان کلاهبرداری. برای تحقیقات در مورد اقدامات علیه منابع انتشار ، Massimo Bartoletti و همکاران.[1] گروهی از ویژگی های مربوط به طبقه بندی طرح Ponzi (روزهای فعال قرارداد ، حداکثر معاملات روزانه ، تعداد کاربران ، متوسط میزان سرمایه گذاری کاربران و غیره) را طراحی کرده و این ویژگی ها را با استفاده از نمره F ، AUC خود ارزیابی کرد، و سایر شاخص های اندازه گیری. نتایج نشان می دهد که الگوریتم جنگلی تصادفی می تواند با موفقیت 31 طرح پونزی را در بین 32 طرح پونزی شناسایی کند و بهترین اثر تشخیص را دارد. از طریق تجزیه و تحلیل و استخراج کلمات کلیدی ، یو ونقیانگ و همکاران.[2] کلمات کلیدی را با کد منبع قرارداد مطابقت داده و نوع کلاهبرداری قرارداد را با منطق سوابق معامله مورد آزمایش قرار داده و قضاوت می کند. با استفاده از الگوریتم Easy Ensemble Easy ، Zhou Yucai [3] عملکرد بهتری در تشخیص آدرس طرح پونزی بیت کوین به دست آورد. ژانگ یانمئی و همکاران.[4] یک روش تشخیص قرارداد پونزی-Scheme را بر اساس یک شبکه عصبی عمیق ارائه داد. این روش دارای میزان دقیق 99. 6 ٪ و میزان فراخوان 96. 3 ٪ است که نسبت به روشهای موجود برتر هستند. برای تجزیه و تحلیل اقدامات علیه روند انتشار ، Erhan Bayraktar و همکاران.[5] ضررهای خاصیت قربانیان را با استفاده از مدل حساس آلوده شده بازیابی شده (SIR) از منظر وابستگی رفتاری به سرعت انتشار ، ایمنی گله و محاصره های خارجی مورد مطالعه قرار داد. با توجه به مکانیسم عملکرد بازاریابی چند سطحی شبکه (MLM) ، لیو چائو و همکاران.[6] قانون انتقال دولت را مطرح کرده و گره های شبکه را به گره های سازمان ، گره های مستعد ، گره های آلوده و گره های حذف شده تقسیم کرده و گره ها را تقسیم کرده است. علاوه بر این ، مدل SIR MLMS شبکه ایجاد شد و قوانین تکامل درآمد برگزارکنندگان MLM و شرکت کنندگان به دست آمد. برای تجزیه و تحلیل اقدامات علیه قربانیان کلاهبرداری ، کلافت [7] معتقد بود که در روند ادغام مداوم اینترنت و صنعت مالی ، مشکل عدم تقارن اطلاعات همچنان به تعمیق و ایجاد خطرات سرمایه بیشتری برای سرمایه گذاران ادامه خواهد داد.

ماری واسک و همکاران.[8] داده های چرخه بقا از طرح Ponzi را با مدل خطر متناسب Cox تجزیه و تحلیل کرد. مشخص شد که هرچه انتشار بیشتر بین کلاهبرداران و قربانیان باشد ، چرخه بقا این طرح طولانی تر است. پل و همکاران.[9] اظهار داشت که یک موسسه نظارت یکپارچه باید تأسیس شود ، یا دفتر حمایت مالی مصرف کننده موجود (CFPB) باید مسئولیت نظارت را بر عهده بگیرد. فن Jianxing [10] ادعا کرد که می توان شرایط جرایم مالی را برای جلوگیری از جرایم مالی کنترل کرد ، که جنبه مهمی از درمان جامع است. فن Xing [11] با استفاده از شهروندان به عنوان هدف تحقیق ، تجزیه و تحلیل آماری چند بعدی از وضعیت کلاهبرداری مالی را که توسط شهروندان BAO-DING از طریق کاغذ و پرسشنامه های آنلاین مشاهده می شود ، انجام داد.

در روش اول تجزیه و تحلیل ، تعداد زیادی از ویژگی های شناسایی ، شاخص های ارزیابی و روشهای پیشرفته یادگیری ماشین برای بهبود صحت شناسایی کلاهبرداری استفاده می شود. روش تجزیه و تحلیل دوم به ندرت مورد استفاده قرار می گیرد و تحقیقات در مورد مدل انتشار کلاهبرداری در جمع آوری سرمایه بسیار نادر است. روش تجزیه و تحلیل سوم به طور گسترده ای برای تجزیه و تحلیل مشکلات کلاهبرداری از زوایای متعدد استفاده شده است ، در حالی که تجزیه و تحلیل ناقص ممکن است توسط این روش ایجاد شود.

بر اساس تحقیقات موجود ، کلاهبرداری در جمع آوری سرمایه از سه نوع روش تحلیل فوق در این مطالعه مورد تجزیه و تحلیل قرار گرفت. در مرحله اول ، از مدل SIR برای شبیه سازی انتشار کلاهبرداری استفاده شد. سپس تعداد قربانیان در چرخه های مختلف کلاهبرداری به دست آمد و تأثیر پارامترهای انتشار در فرآیند انتشار مورد بررسی قرار گرفت. ثانیا ، درخت گسل و شبکه بیزی برای تجزیه و تحلیل منظم دلایل تقلب قربانیان و اهمیت هر رویداد اساسی ترکیب شدند و از شبکه عصبی BP برای شناسایی اهداف سرمایه گذاری با تعیین پارامترهای شناسایی استفاده شد. سرانجام ، از طریق این سه روش ، تجزیه و تحلیل جامع از کلاهبرداری در جمع آوری بودجه کوتاه مدت در این مطالعه انجام شد. بنابراین ، این مطالعه به تجزیه و تحلیل انتشار کلاهبرداری ، علل و شناخت کمک می کند.

2. مواد و روشها

2. 1پویایی جمعیت

2. 1. 1. آقا

مدل سنتی SIR عمدتاً برای تجزیه و تحلیل انتقال بیماری های عفونی استفاده می شود، در حالی که لیو چائو و همکاران.[6] این مدل را برای تجزیه و تحلیل انتقال انتقال شبکه MLM اعمال کرد. در مدل SIR [12،13،14،15]، جمعیت به افراد مستعد، قربانیان و هشدارها تقسیم می شود. تعداد افراد مستعد به عنوان S (t) مشخص می شود، که نشان دهنده تعداد افرادی است که فریب نخورده اند اما احتمالاً در زمان t تقلب می شوند. تعداد قربانیان به عنوان I (t) ثبت می شود، که نشان دهنده تعداد افرادی است که فریب خورده اند و در زمان t تقلب را پخش می کنند. تعداد هشدارها به صورت R (t) ثبت می شود که نشان دهنده تعداد افراد هشدار داده شده پس از حذف قربانیان از کل جمعیت در زمان t است. اگر کل جمعیت N (t) باشد، N (t) = S (t) + I (t) + R (t). مفروضات مربوطه به شرح زیر است:

صرف نظر از عوامل پویا مانند تولد، مرگ و تحرک، جمعیت همیشه یک ثابت را حفظ می کند، یعنی N (t ) ≡ C .

هنگامی که قربانی با افراد مستعد تماس پیدا می کند، کلاهبرداری باید عفونت خاصی داشته باشد. فرض بر این است که در واحد زمان t، تعداد افراد مستعدی که قربانی می تواند آلوده کند، متناسب با تعداد کل افراد مستعد S (t) در این محیط است و ضریب متناسب β است. بنابراین، تعداد افراد آلوده شده توسط همه قربانیان در واحد زمان t βS (t) I (t) است.

در زمان t، تعداد هشدارهای حذف شده از قربانیان در واحد زمان نسبت مستقیمی با تعداد قربانیان دارد و ضریب نسبت γ است. تعداد هشدارهای حذف شده در واحد زمان γI (t) است.

شکل 1 مکانیسم انتشار دقیق مدل SIR را نشان می دهد._ijدر شکل 1، S نشان دهنده افراد حساس، I است_iنشان دهنده تعداد قربانیانی است که در روز j در اولین چرخه تقلب، R_iنشان دهنده تعداد هشدارها در چرخه تقلب i-امین، β است_iنشان دهنده نرخ تقلب در چرخه تقلب I، γ