現代反洗錢技術執法體系框架研究

摘要:討論了我國反洗錢法律的一些不足之處，提出通過進行反洗錢技術執法體系建設加強反洗錢執法力度，并指出反洗錢執法技術的核心是客戶交易行為可疑判斷準則。

關鍵詞:反洗錢; 技術執法; 執法技術; 可疑行為判斷準則; 過濾器; 捕捉器

中圖分類號:TP301文獻標志碼:A

文章編號:1001－3695(2008)02－0423－02

2006年11月27日在復旦大學召開的第一屆《反洗錢理論和實踐研討會》中，全國許多獲邀到場的知名法學家和學者以《反洗錢法》的出臺為出發點，發表了各自的觀點。許多專家指出:在當下，加強三類機構商業銀行#65380;非銀行金融機構#65380;特定非金融機構的內控機制，對于商業銀行而言存在三大義務，即按時提交大額或可疑交易報告(SAR)制度;交易記錄保存制度和客戶身份識別職能;并認為反洗錢執法不得擾亂被調查機構的正常經營活動，不得對其正常經營造成影響。然而，洗錢行為是否構成洗錢罪，在什么情況下，什么程度才構成洗錢罪，沒有相關法律進行說明。也有專家對可疑交易報告制度中“可疑”概念提出了自己的觀點，認為這里的“可疑”是一個主觀概念，國務院反洗錢行政主管部門沒有制定相應的條款來規定什么交易是可疑交易，也就不能強制金融機構在履行自己職責，即生成可疑交易報告時，用主觀判斷作為標準獲得準確#65380;全面的可疑交易報告。因為沒有相應的“可疑”標準參考，結果就會產生很大的偏差。因此，有必要通過技術手段解決可疑的標準問題，也就是本文所提出的技術執法體系中的執法技術，這些技術主要是指計算技術。

詳細地說，判斷一筆交易為可疑，除了需要了解客戶身份之外，對客戶所處職位或所在行業的背景#65380;業務發展情況#65380;所持資金流動規律等需要很深入的了解，涉及到專業領域的知識，一般銀行職員很難做到這一點。要做到這一點，只能利用專家經驗，通過信息技術對各類行業客戶的資金流動規律進行統計分析(對于特定非金融機構尤其如此)所得到的分類結果進行專家研討，才有能力得到比較準確的判斷。也就是下文提到的商業銀行客戶交易行為可疑判斷準則，也是執法技術中的犯罪預防技術，處于技術執法體系的戰線前沿。下文若不進行特殊說明，技術執法均指反洗錢技術執法。

1反洗錢技術執法體系的提出

根據前文許多專家所提到的，當前反洗錢工作除了諸多法律規定亟待完善之外，如何通過技術手段解決洗錢交易行為的甄別問題也是一個有待研究的課題。反洗錢監測中心雖然也有十幾個數學模型對上報數據進行統計分析，但實際上這些模型的準確性有待進一步論證，這種事后分析的監測技術仍有待完善。

國際FATF組織針對國際金融犯罪尤其是洗錢犯罪的“40+9項建議”中所提出的SAR制度實際上是讓各個金融機構對自己的數據進行過濾和清洗，將結果提交給自己國家的金融監管機構，建立上報交易數據庫，并在此基礎上進行深度挖掘和分析，以獲取有價值的信息。分析整個反洗錢執法流程的全過程，本文提出如圖1所示的技術執法體系框架以供探討。

在該體系框架中，反洗錢監測人員一方面可以通過實現交易過濾器來顯現可疑或非法的交易記錄，該交易過濾器中植入算法判斷交易記錄是否可疑或非法，而這些算法來源于前面提到的商業銀行客戶交易行為可疑判斷準則;另一方面，通過實現交易捕捉器，實時發現并臨時凍結涉嫌洗錢行為的交易資金，按照《反洗錢法》的規定，凍結期限為48 h。在對洗錢行為判罪的階段，通過交易分類技術，對非法交易所觸犯何種法律，就洗錢交易來說，觸犯何種反洗錢罪名作出預判，為進一步決策提供依據。這就需要對法律條款進行完善，能夠實現對法律條款的模型化及建立邏輯模型和數量模型，從而對于何種罪名#65380;罪名大小都能進行一定的標準化。

從犯罪模式分析到反洗錢模式分析，涉及到各種監測準則。從概念的創新到準則模型的建立，其具體數值，一種方法是通過對歷史交易數據分析的結果;另一種方法是通過對法規標準的更新。但是該準則是否可行，若存在一個以技術為支撐的執法體系，可以方便地對各種監測準則進行驗證;同樣，若存在一個以技術為支撐的執法體系，也可以對不同準則的信度和效度進行比較分析。

同樣，反洗錢監管流程由來以久。隨著信息技術應用的深化，組織機構的變革，尤其是混業監管的趨勢對監管體系的變革所帶來的挑戰。何種監管方式#65380;監管流程更加高效，成本更加低廉，要通過科學的方法進行評估。信息技術投入和組織機構變革對監管流程的影響，什么方式收益最高，可以通過一個以技術為支撐的執法網絡進行有效的科學評估。

以下是建設技術執法網絡的關鍵支持技術:

1)分布式計算技術通過使用分布計算技術，可以變被動為主動。將金融監管機構及被監管機構的業務數據處理主機組成一個多計算機環境，通過分析和總結金融數據內部的邏輯制約關系，設計實現完成不同監管功能的對象實體[1]。分布計算技術是實現實時監控的關鍵技術。由此構造的技術執法網絡得以進行交易過濾，以及可疑交易的預警和捕捉。

2)OLAP數據倉庫技術使用OLAP技術對特定交易數據進行清洗和整合，只保存與洗錢可疑對象相關的數據，不僅利于降低數據存儲和數據分析的負擔，也有利于提高反洗錢執法效率。

3)AI數據挖掘技術在各種犯罪網絡中，交易數據非常龐大，犯罪數據或不合理數據只占據很小的一部分。H.Chen 2004年提出了用AI方法從浩瀚的數據海洋中挖掘犯罪鏈。他依據美國Tucson警察局自1970年以來的1 300萬個犯罪嫌疑和犯罪記錄劃分成一個標準數據庫，據此他提出了一個犯罪數據挖掘框架，該數據框架可以通過辨識姓名#65380;地址#65380;單位的真偽程度達到辨識犯罪者的目的。該網絡還利用已有的犯罪數據，建立了一個犯罪網絡來辨識犯罪集團的聯系情況[2]。因此，根據客戶身份對交易數據進行反洗錢行為挖掘是技術執法研究中一個更重要的組成部分。

2反洗錢技術執法體系框架的核心

反洗錢監測，其核心技術在于如何發現可疑#65380;非法交易，如何在數據的“汪洋大海”中找尋有效的證據，證明其客戶交易行為的可疑或非法。在總結分析各種監管制度和規則的基礎上，薛耀文等人[3]提出了四種辨識資金異常流動辨識準則，分別為數量標準#65380;路徑與性質標準#65380;強度與頻率標準和法律條例標準，并構建了基于金融網絡的資金異常流動監測模型[4]。客戶交易行為可疑判斷準則是基于上述標準所提出的改進反洗錢監測技術模型。

在這里，客戶是指商業銀行客戶，可以是單位或個人，廣義指金融服務的接受方，本文中的客戶指的是前一種定義。客戶屬性即對某類客戶能夠進行區分辨識要素的統稱。例如對于單位客戶而言，客戶屬性可以是它所處的行業，在該行業中的地位#65380;面臨的競爭對手#65380;業務范圍#65380;經營地域(和當地的經濟發展水平#65380;客戶消費水平等相關);在該行業經營的時間即業務成熟度#65380;注冊資本#65380;年業務收入規模#65380;盈利水平#65380;員工數量等。對于個人客戶而言，客戶屬性可以是他/她本人的職業#65380;性別#65380;學歷#65380;職位#65380;年收入#65380;居住區域等。對于商業銀行資金流動監測研究而言，賬號是聯系客戶與其他監測準則的惟一標志，也應屬于客戶屬性的關鍵組成部分。客戶屬性的組合，構成一類客戶。客戶可用數學語言描述如下:

C代表客戶種類，Ek代表客戶屬性(k=1，2，3，…)，即每一類客戶C可以被表示為客戶向量C{E1，E2，E3，…，Ek，…}，k=1，2，3，…。

可以看到，若是在數據監測過程中考慮所有的客戶屬性，則需要分析的變量過多。為準確刻畫客戶的經濟活動行為范式，需要盡可能收集客戶行為各個方面的特征數據。這一方面需要加大基層銀行的工作負擔;另一方面，過多的數據變量往往導致“維數爆炸”，其后果是天文數字般的數據處理量往往輕易超出現行計算機的處理能力極限。因此，可以通過統計數學方法主成分分析來對客戶屬性進行降維，降維的結果使得數據處理的量級大大降低，再通過似然比檢驗衡量是否降維得到的客戶特征向量能夠從多大程度上近似反映原有的客戶向量，使得反映的程度能夠在一定統計范圍內被接受。

基于國外銀行所普遍采用的客戶特征向量為客戶#65380;賬號#65380;業務#65380;地域#65380;時間等[5]，本文選取一般商業銀行所能夠獲取的信息作為客戶特征向量C，其特征分量為客戶類型k(01為單位，02為個人)#65380;客戶為盈利或非盈利組織(對于個人為性別)類型代碼m#65380;客戶所處行業(個人則為職業)國家標準代碼v#65380;年營業收入(個人年收入)量級r(該量級代表一個范圍)#65380;經營地域(對于個人為居住地區)城市地區代碼a#65380;經營時長(對于個人為年齡層)t。于是本文考察的銀行客戶特征向量表示為C{k，m，v，r，a，t}。例如對于一類餐飲服務企業，為盈利性組織1(非盈利組織為0)，所處行業國家標準行業代碼為K10，年營業收入規模為1 000 000，在上海經營，已經營10年，則該銀行客戶的客戶特征向量為C{01，1，K10，1 000 000，310 000，10};若為一類個人群體，男性(1，女性為0)，職業代碼假設為09財務人員，個人年收入60 000，居住地為上海市，年齡23歲，屬于20年齡層(代表18~25歲的客戶)，則該銀行客戶的客戶特征向量為C{02，1，09，60 000，310 000，20}。

對于每一類客戶建立客戶模板，客戶模板即是商業銀行客戶交易行為可疑判斷準則的集合，如圖2所示。通過基于準則集合的反洗錢技術過濾分析處理模式，每一個類型的準則盡量使其成為一個基本的元素，即只處理一類商業銀行業務的分析處理;在進行技術實現(即過濾器的實現)時，可以對屬于同一屬性的準則進行捆綁設置，使其成為一個規則處理集合，于是，多條件#65380;多情形#65380;柔性化地過濾交易數據，可以提高資金流動監測系統對異常或可疑交易的辨識能力，提高處理效率和分析的準確率。通過這一思想對已有規則或新發現的規則進行整合，進而可以對已有反洗錢案例進行數學建模，得到各種已知的洗錢模式，并通過各類規則的集成，構成本監測系統的案例集，從而進一步對各類洗錢模式進行算法實現，提高監測方法的效度和信度，加強監測系統的監控能力。

3結束語

如何使用現代信息技術提高反洗錢執法能力成為當前國家反洗錢行政主管部門的當務之急和重中之重。本文基于全國第一屆反洗錢理論和實踐研討會的討論，提出了一個現代反洗錢技術執法體系框架，并對該技術執法體系的核心，即反洗錢分析技術-基于客戶模板的分析技術，提出了自己的看法。然而，如何對客戶所擁有的銀行資金流動規律進行哪些緯度的分析，才能更加準確地反映該類客戶的真實交易行為，仍然需要進一步探討和研究。

參考文獻:

[1]桂小林，鄭守淇，徐彌榆，等.計算技術及其在金融中的應用研究[J].計算機應用研究， 2004，21(3):33－35.

[2]CHEN H. Crime data mining: a general framework and some examples[J]. IEEE Computer Society， 2004，37(4):50－56.

[3]薛耀文，張朋柱，范靜.金融網絡中資金異常流動辨識準則研究[J].中國軟科學，2004(9):57－62.

[4]薛耀文.金融網絡中資金異常流動監測研究[D].上海:上海交通大學， 2006:46－52.

[5]KINGDON J. AI fights money laundering[J]. Intelligent Systems and Their Applications， 2004(5):87－89.

[6]楊勝剛，潘金生，等.“第一屆中國反洗錢理論與實踐研討會”會議記錄[C].上海:復旦大學，2006.

[7]湯俊.基于客戶行為模式識別的反洗錢數據監測與分析體系[J].中南財經政法大學學報， 2005(4):62－67.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”