اثرات بانکداری الکترونیک بر پدیده پول شویی مطالعه موردی: اقتصاد ایران

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,109

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MBMCONF01_048

تاریخ نمایه سازی: 4 اسفند 1392

چکیده مقاله:

با رشد روزافزون معاملات تجارت الکترونیک در سطح جهان و نیاز تجارت به حضور بانک جهت نقل و انتقال منابع مالی، بانکداری الکترونیک به عنوان بخشی تفکیک ناپذیر از تجارت الکترونیک بوده و دارای نقشی اساسی در اجرای آن است. پیدایش و گسترش فناوری پول و بانکداری الکترونیک انجام بررسی های کارشناسانه و توجه به مسائل و خطرات مرتبط با آن از جمله پول شویی را ضروری ساخته است. تمامی عملیات مجرمانه یا غیر قانونی سودآور از قبیل اخاذی، قاچاق اسلحه و مواد مخدر در نهایت به پول شویی ختم می شود. پدیده پول شویی به مرور زمان رشد و تکامل یافته و هر روز در چهره های جدیدی ظاهر شده است ، به نحوی که ممکن است در طول زمان از لحاظ ماهیت تفاوت چندانی نکرده باشد ، ولی از لحاظ نحوه ارتکاب دچار تحولاتی شده باشد که برای جامعه بسیار خطرناک تر از پیش جلوه کند. آنچه در اینجا مورد بررسی قرار می گیرد، چهره بسیار خطرناک تری از جرم پول شویی است . از آنجا که این جرم از مختصات بسیار پیچیده و بعضاً قدرتمندی برخوردار است تحقق هدف مبارزه با آن با مشکلات عدیده ای همراه است؛ به ویژه آنکه مرتکبین این گونه جرم همواره پیشرفته ترین و روزآمدترین فناوری ها را به خدمت می گیرند تا علاوه بر تسهیل فعالیت مجرمانه خود ، امکان رویارویی با مجریان قانون یا شکست از آنها را به حداقل برسانند. در این مقاله ، در قالب یک مدل اقتصادسنجی رابطه ی بانکداری الکترونیک و تاثیر آن بر پدیدهی پول شویی در ایران با سه روش OLS، GLS و GMM تخمین زده شده و نتای جنشان می دهد اثر سه شاخص بانکداری الکترونیک (تعداد دستگاههای خودپرداز، کارت خوان ها و تعداد تراکنش های الکترونیک) اثر مثبت و معناداری بر شاخص پولشویی در کشور داشته اند.

کلیدواژه ها:

نویسندگان

بهروز صادقی عمروآبادی

دانشجوی دکتری اقتصاد دانشگاه اصفهان

نجفعلی شهبازی

دانشجوی دکتری دانشگاه امام حسین (ع)

کبری قادری

دانشجوی کارشناسی ارشد حسابرسی دانشگاه غیرانتفاعی خاتم

حبیب میرزایی

دانشجوی دکتری مدیریت منابع انسانی دانشگاه لرستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • A. J. Gonzalez, and R. Eaglin (2003), Tracking Dirty Proceeds: ...
  • Anti-Money Laundering (AM L)-Progress Report (2001), World Bank. ...
  • Boorman j, Stefaningves (2001), Financial System Abuse, Financial Crime and ...
  • Bartlett. B.L. (2002), The Negative Effects of Money Laundering on ...
  • Cees schaap(1998), Fighting Money Laundering, Kluwer Law Int. ...
  • Ciesielski, V. and Palstra, G. (1996). Using a Hybrid Neural ...
  • Ekrem, D , (2002), Detecting Money Laundering Actions Using Data ...
  • Financial Action Task Force on Money laundering; Review of the ...
  • Greene W.H. (2000), Econometric Analysis, New York University Press. ...
  • HOUSTON, John F.: Estimating the size and implications of the ...
  • Iran Overseas Investment Bank plc (2002), Anti-Money Laundering Policies and ...
  • J. Han, and M. Kambe (2001), "T)ata Mininr ('oncents and ...
  • LOAYZA, Norman V.: The economis of the informal sector: a ...
  • Norman V.Loayza. 2004 The Economics of the Informal Sector: A ...
  • Quirk. P. J. (1996), M acroeconomic Implications of Money Laundering ...
  • Quirk. P. J. (1996), M acroeconomic Implications of Money Laundering ...
  • Tang, J., Yin, J. (2005), "Developing an Intelligent Data Discriminating ...
  • The Vienna Convention(1 998), : The 1998 UN Convention against ...
  • The Basle Statement (1988), : The Statement of Principle Concerning ...
  • Vito. T (1996), Money Laundering and the International Financial System. ...
  • Zarekohan (2003), Money laundering, ...
  • Zhang, Z., Salerno, J.J., Yu, P.S. (2003), "Applying Data Mining ...
  • Zengan G. (2007), A Framework for Data Mining-Based Antimony laundering ...
  • Dependent Variable: ML Method: Least Squares Sample: 1360 1391 ...
  • 099988 -1.669954 ...
  • 279052 2.960058 2.159338 2.367450 0.314742 -1.099502 2.103148 ...
  • 543308 23.21821 4.921780 4.88E-08 9.285579 -0.020568 0.008059 ...
  • 759988 -1.669954 2.979052 1.960058 ...
  • 259338 1.967450 0.314742 -2.769502 2.033148 ...
  • 646089 1.33E-07 29.50218 0.295940 0.243136 ...
  • 972347 -3.202074 4.321208 ...
  • 273221 ...
  • 921780 4.88E-08 0.085579 -0.020568 0.018059 ...
  • Method: Generalized Method of Moments Sample (adjusted): 1360 1390 ...
  • 453764 -0.170109 ...
  • 631659 3.034224 3.490527 2.307060 0.794542 -3.774988 -2.1 19576 ...
  • I1E-07 1857.995 ...
  • 79E-08 787.5808 ...
  • 003256 8.51 E-08 22.96961 0.142413 0.205364 ...
  • 72E-07 -4.032052 2.40E-08 2389.697 5.966963 2.61E-08 1.025032 -0.081886 0.127239 ...
  • نمایش کامل مراجع