金融机构员工异常行为排查的研究.docVIP

金融机构员工异常行为排查的研究 　　摘 要：本文采用某金融机构对员工异常行为排查的统计数据，在充分分析案件风险形成机理的基础上尝试通过实证分析，首先使用PAST统计软件以主成分分析法对表象型异常行为予以分解，分别从工作表现、社会活动、投资消费、其他方面等维度设计风险计量、评价与预警指标，按照不同类别的风险属性来确定风险系数，然后加权平均后进行排序；随后使用Winbugs软件WinBUGS（Bayesian Inference Using Gibbs Sampling）是英国剑桥公共卫生研究所的MRC Biostatistics Unit推出的用MCMC方法进行贝叶斯推断的专用软件包。应用Logit模型Logit model，也称“分类评定模型”，是离散选择法模型之一，属于多重变量分析范畴。进行统计，由员工异常行为类型判定案件发生的概率，结合排序结果再对可疑的员工进行进一步调查，最后提出相应的对策与建议。 　　关键词：员工异常行为 主成分分析 案件风险 　　一、前言 　　海因里希法则（Heinrichs Law）表明每起案件发生前都会有多个风险事件，每个风险事件发生前都会有多个苗头性问题，及时发现和有效处置苗头性问题就可以防止风险事件甚至是案件发生。 　　目前，国内对金融机构员工异常行为排查的模式及操作方法上的研究还是空白点，相关文献仅仅局限于方案与工作总结报告。在实际具体操作中，员工异常行为排查一般由各金融机构监察室承担，排查方式包括：日常排查、专项排查、全面排查等三种；排查方法包括：日常观察、交心谈心、检查调查、走访家访、科技排查、接受举报、综合分析等。但是，上述排查只限于按照制度具体执行的操作层面，缺乏有效的方法来推进此项工作。此外，排查只限于个别员工，对于金融机构（如支行或者部门）的整体情况并没有整体掌握，往往导致“头痛医头，脚痛医脚”，更无法提出有效的针对性措施。综合国海证券的“萝卜章”事件及民生银行北京分行航天桥支行“萝卜章”案件等等，可以发现如果金融机构（如支行或者部门）的负责人内外勾结或者牵头作案，提前发现问题的可能性几乎为零，银行内鬼、资金掮客和用钱企业作为利益共同体将设法隐瞒任何会导致案件暴露的信息，除非有外部突发事件（如经济下行或者央行开始收紧流动性导致企业现金流断裂，或者如客户查询后偶然发现理财产品并不存在）诱发。 　　但是事实上，案件并非毫无踪迹可寻。从行为特征看，员工的异常行为主要包括结果型异常行为和表象型异常行为。结果型异常行为是指已经确认的违纪、违规、违法行为；表象型异常行为是指异于常规、有悖常理，需要通过核实、核查来判定是否存在违纪、违规、违法的行为。多年案防实践表明，金融机构发生的案件特别是内部案件大多是由作案人的异常行为引发的，作案人在作案前和作案过程中往往会表现出异常行为，有的异常行为还非常明显，有的异常行为（如婚姻变动等等）却难以察觉，而深入排查和有效处置员工的异常行为，有助于及时发现和化解案件风险，实现案防关口前移。本文认为，通过尝试运用大数据，将模型分析与行为监控相结合，进一步提升风险识别精准性，可以对员工异常行为排查工作加以改进并提高效率。 　　二、异常行为分析 　　金融机构员工异常行为可以分为4大类52种，包括工作表现、社会活动、投资消费、其他方面。具体如下： 　　（二）主成分分析法的应用分析 　　系统分析某金融机构员工的异常行为，会发现人数众多，且单独的指标太多。为了解决此问题，可以对导致问题的主要成分进行分析，理论上讲，分析的成分越多，获得的信息量越大，但是，很难从总体上进行对比分析。因此，首先以部门进行分类，归集该部门所有员工存在异常行为的比例，通过主成分分析法提取主要的综合成分，然后在平面坐标系中画图进行比较，并进行相关评价。由于排查存在疏漏或者某些支行行长（或部门负责人）自身就存在问题，极有可能有意隐瞒，因此除了自行排查上报外，还要由上级相关的负责部门通过日常排查和全面排查综合全部信息。 　　?对某金融机构8个支行（或部门）员工的异常行为数据以支行（或部门）为单位，时间跨度为半年，分别在工作表现、社会活动、投资消费及其它方面存在异常的行为进行分解归因，用雅克比方法求相关系数矩阵R的特征值和相应的特征向量，解得p个特征根。图1是通过主成分分析法提取前两个主成分的平面坐标图，并确定前两个主成分可以反映全部信息的87.654%（见表1），即信息的利用率达85%以上。 　　此外，这些数据通过主成分分析法后，提取前三个主成分可以反映全部信息的99.055%，提取较为完全，这说明最后一个成分反映的信息几乎可以忽略。然而，仔细考虑其原因，很有可能系不易观察和统计。比如说婚姻发生异常变故、家庭矛盾突出的情况等等，都不易被察觉，也不易被统计。但是，婚姻问题一旦发