Применение методов машинного обучения для поиска и определения экстремальных контрагентов
Автор: Безрученко Т.С., Жарков Д.И., Зубарев К.М.
Журнал: Экономика и бизнес: теория и практика @economyandbusiness
Статья в выпуске: 1 (131), 2026 года.
Бесплатный доступ
В статье рассматривается применение алгоритма кластеризации k-means, для поиска и идентификации экстремальных контрагентов, представляющих повышенный риск для бизнеса. Особое внимание уделяется анализу географической локализации контрагентов, что позволяет выявлять пространственные аномалии, такие как массовая регистрация по одному адресу или концентрация в регионах с высоким уровнем риска. Описана методология использования k-means для сегментации контрагентов на однородные группы и последующего обнаружения выбросов на основе расстояний до центроидов кластеров. Для оценки качества кластеризации применяется коэффициент силуэта, обеспечивающий количественную оценку компактности кластеров и степени обособленности аномальных объектов. Результаты показывают, что предложенный метод позволяет снизить операционные затраты на верификацию контрагентов и минимизировать финансовые и репутационные риски.
Машинное обучение, кластеризация, экстремальные контрагенты, аномалии, пространственные данные, коэффициент силуэта, риск-менеджмент, финансовая безопасность
Короткий адрес: https://sciup.org/170212578
IDR: 170212578 | DOI: 10.24412/2411-0450-2026-1-28-33
Application of machine learning methods for identification and detection of extreme counterparties
The article explores the k-means clustering algorithm, for identifying extreme counterparties that pose an increased risk to business operations. Special attention is paid to analyzing the geographical localization of counterparties, enabling the detection of spatial anomalies such as mass registration at a single address or concentration in high-risk regions. The methodology of using k-means to segment counterparties into homogeneous groups and subsequently detect outliers based on distances to cluster centroids is described. The silhouette coefficient is employed to assess clustering quality, providing a quantitative measure of cluster compactness and the degree of isolation of anomalous objects. The results indicate that the proposed method reduces operational costs for counterparty verification and minimizes financial and reputational risks.
