АНАЛИТИКА ДАННЫХ В АНТИОТМЫВОЧНОМ РЕГУЛИРОВАНИИ И КОНТРОЛЕ
DOI:
https://doi.org/10.25806/uu8-32021512-525Статья поступила в редакцию: 02.08.2021
Статья принята к публикации: 17.08.2021
Статья опубликована: 25.08.2021
Ключевые слова:
антиотмывочные процедуры, аналитика данных, большие базы данных, регулируемый порог суммы операции, противодействие отмыванию денег и финансированию терроризмаАннотация
Аннотация
Поскольку в мире проводится огромное количество транзакций, финансовым сектором активно внедряется автоматизация отдельных контрольных процедур, в том числе по противодействию отмыванию денег и финансированию терроризма (ПОД/ФТ). Более сложные и, соответственно, дорогостоящие программные комплексы создаются правительствами для сбора от финансовых организаций и обобщения информации о сомнительных трансакциях. Эффективность автоматизированных мер контроля напрямую зависит от того, насколько адекватно составлены задачи для программного обеспечения. В статье исследуются наиболее общие подходы к формированию стратегии развития автоматизации антиотмывочного контроля в финансовой системе. Предлагается классификация типов аналитики данных в сфере ПОД/ФТ и обсуждается проблема научного контекста аналитики данных в ПОД/ФТ. Детально рассмотрено влияние макроэкономических показателей (ВВП на душу населения, средняя заработная плата) и масштаба теневой экономики в странах Евразийской группы по ПОД/ФТ на регулируемые антиотмывочным законодательством пороги суммы операции с наиболее задействованным в теневых отношениях финансового активом – с наличными денежными средствами (РПСОн). Установлено, что государства принимают РПСОн без научного обоснования. Предложен авторский подход к определению РПСОн, применение которого создаст научную базу для распределения антиотмывочных нагрузок между государством и частным финансовым сектором.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
The Forty Recommendations of the Financial Action Task Force on money laundering. 1990. FATF. [Электронный ресурс]. URL: https://www.fatfgafi.org/media/fatf/documents/recommendations/pdfs/FATF%20Recommendations%201990.pdf (дата обращения: 01.08.2021).
Kraft O. Sharpening the Money-Laundering Risk Picture: How Data Analytics Can Support Financial Intelligence, Supervision and Enforcement. RUSI Occasional Paper, November 2018. P. 1. [Электронный ресурс]. URL: https://rusi.org/sites/default/files/20181115_data_analytics_and_aml_web.pdf (дата обращения: 01.08.2021).
Gartner IT glossary. Big data. [Электронный ресурс]. URL: http://www.gartner.com/it-glossary/big-data. Accessed 01 June 2021 (дата обращения: 01.08.2021).
Information Commissioner’s Office, ‘Big Data, Artificial Intelligence, Machine Learning and Data Protection’. March 2017. P. 6. [Электронный ресурс]. URL: https://ico.org.uk/media/for-organisations/documents/2013559/big-data-ai-ml-and-data-protection.pdf (дата обращения: 01.08.2021).
Указ Президента РФ от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации». [Электронный ресурс]. URL: http://www.consultant.ru/document/cons_doc_LAW_335184/ (дата обращения: 01.08.2021).
Government Office for Science. Artificial intelligence: opportunities and implications for the future of decision making. P. 5. [Электронный ресурс]. URL: https://assets.publishing.service.gov.uk/government/uploads/system/uploads/attachment_data/file/566075/gs-16-19-artificial-intelligence-ai-report.pdf (дата обращения: 01.08.2021).
Clifton C. 2010. «Encyclopædia Britannica: Definition of Data Mining». [Электронный ресурс]. URL: https://www.britannica.com/technology/data-mining (дата обращения: 01.08.2021).
Истратов В.А. Концепции привычки в экономической теории и их пригодность для алгоритмизации // Журнал новой экономической ассоциации. 2019. Т. 1. С. 34-66.
Ardizzi G., Petraglia C., Piacenza M., Schneider F. Money laundering as a crime in the financial sector: A new approach to quantitative assessment, with an application to Italy. Journal of Money, Credit, and Banking. 2014. no. 46 (8). P. 1555-1590.
Tanzi V. Money Laundering and the international financial system: Working Paper. International Monetary Fund, National Bureau of Economic Research. 1996. no. 96/55. 18 p.
Deutsche Bundesbank. Cash demand in the shadow economy. Monthly Report. March 2019. P. 43-58.
Танющева Н.Ю. Количественные параметры антиотмывочного регулирования // Финансовая аналитика: проблемы и решения. 2021. Т. 14. № 1 (355). С. 21-43.
International Standards on Combating Money Laundering and the Financing of Terrorism & Proliferation. The FATF Recommendations. 2012. FATF. [Электронный ресурс]. URL: https://www.fatf-gafi.org/publications/fatfrecommendations/documents/fatf-recommendations.html) (дата обращения: 01.08.2021).
Becker G. Crime and Punishment: An Economic Approach. Journal of Political Economy. 1968. vol. 76. no. 2. P. 169-217.
Mutual Evaluation Report of the United Kingdom. 2018. Executive Summary FATF-GAFI. [Электронный ресурс]. URL: https://www.fatf-gafi.org/media/fatf/documents/reports/mer4/MER-United-Kingdom-2018.pdf (дата обращения: 01.08.2021).
Gutmann P. The subterranean economy. Financial Analysts Journal. 1977. vo.33. no.6. P. 26-27.
Feige E. How big is the irregular economy? Challenge, November-December. 1979. P. 5–13.
Tanzi V. The Underground Economy in the United States: Estimates and Implications. In: Banca Nazionale del Lavoro. Quarterly Review. 1980. vol. 33. no. 135. P. 427-453.
Каратаев М.В. Современные тенденции легализации преступных доходов и российская специфика // Банковское дело. 2011. № 4. С. 79-85.
Medina L., Schneider F. Shadow economies around the world: what we learn over the last 20 years. International Monetary Fund. vol. 2018. is. 017. P. 50-54. [Электронный ресурс]. URL: https://www.elibrary.imf.org/view/journals/001/2018/017/001.2018.issue-017-en.xml (дата обращения: 01.08.2021)..
GDP per capita (current US$). Worldbank. [Электронный ресурс]. URL: https://data.worldbank.org/indicator/NY.GDP.PCAP.CD?locations=RU-CN-UZ (дата обращения: 01.08.2021).
Putnins T.J., Sauka A. The shadow economy in Russia: new estimates and comparisons with nearby countries. Free network. March 2020. [Электронный ресурс]. URL: https://freepolicybriefs.org/2020/03/16/shadow-economy-russia/ (дата обращения: 01.08.2021).
Wage growth in China in 2020: How to read the latest data. [Электронный ресурс]. URL: https://www.china-briefing.com/news/wage-growth-in-china-2020-how-to-read-the-numbers-region-industry-trends/ (дата обращения: 01.08.2021).
Bank Secrecy Act, anti-money laundering, and office of foreign assets control. The Federal Deposit Insurance Corporation. [Электронный ресурс]. URL: https://www.fdic.gov/regulations/safety/manual/section8-1.pdf ((дата обращения: 01.08.2021).
