Comment OpenSanctions, Open Ownership et la GLEIF œuvrent pour un meilleur contrôle des sanctions et de la lutte contre le blanchiment d'argent
Le blanchiment d'argent constitue une menace astronomique. Selon la Banque des règlements internationaux (BRI), entre 2 et 5 mille milliards de dollars sont blanchis chaque année dans le monde, et seuls moins de 1 % sont récupérés. Friedrich Lindenberg, fondateur d'OpenSanctions, explique pourquoi OpenSanctions s'est associé à la GLEIF et à Open Ownership dans la lutte mondiale contre la criminalité financière en permettant la mise en relation efficace d'ensembles de données critiques, en particulier dans le contexte des paiements transfrontaliers et instantanés.
Auteur: Friedrich Lindenberg, fondateur d'OpenSanctions
Date: 2023-12-06
Vues:
La collaboration entre la GLEIF et Open Ownership dont le but affiché est d'étendre la cartographie à la base de données OpenSanctions, a été reconnue dans la liste restreinte du G20 TechSprint 2023. Quelle est la contribution de cette collaboration dans la lutte contre la criminalité financière ?
Un produit de ce type s'avère très utile dans le monde de la régulation financière, comme nous l'avons vu au TechSprint. La collaboration met en évidence l'efficacité de données ouvertes bien structurées et de solides identifiants d'entreprise. Elle souligne également la pertinence de l'intégration des données qui constitue un outil essentiel dans la lutte contre la criminalité financière.
L'intégration offre un réseau complet d'entités et de relations, ce qui rationalise le processus qui permet aux analystes d'explorer des pistes et d'évaluer les risques potentiels pour une entreprise. Ce projet souligne aussi la pertinence de l'intégration des données qui constitue un outil essentiel dans la lutte contre la criminalité financière.
L'intérêt de ce projet collaboratif est qu'il rassemble plusieurs ensembles de données spécialisées afin de pouvoir identifier les sanctions dites secondaires. Ces dernières s'appliquent spécifiquement aux entreprises détenues à au moins 50 % par des personnes ou des entités sanctionnées, et nous aident à former un ensemble de données complet à des fins de contrôle et de traçage des actifs.
L'initiative conjointe peut améliorer les processus de contrôle et soutenir davantage la lutte contre le blanchiment d'argent (LBA), le financement du terrorisme (LFT), la diligence raisonnable à l'égard de la clientèle et l'application des sanctions à l'échelle mondiale. Quels sont les problèmes les plus sensibles auxquels fait face le système financier mondial aujourd'hui ?
Le système financier mondial est actuellement confronté à de multiples défis. Alors que de nombreuses entreprises chargées du contrôle des sanctions se heurtent à des difficultés parfois fréquentes comme des faux positifs en raison de la piètre qualité des données, l'efficacité globale de ces systèmes de contrôle suscite de plus en plus d'inquiétude.
Ce type de questions se pose rarement au sein des entités réglementées, et la plupart des systèmes ne sont pas en mesure de répondre correctement à ces questions. Nous pouvons apporter ponctuellement des corrections mineures mais les problèmes majeurs découlent de ces questions et problèmes de plus grande envergure.
Les données partagées entre les entités doivent être normalisées pour faciliter l'application des sanctions et le contrôle anti-blanchiment. Comment l'initiative conjointe contribue-t-elle à relever ce défi ?
Pour y parvenir, des identifiants communs tels que le code LEI sont utilisés, de même que le mappage du LEI avec d'autres identifiants comme l'ISIN et le BIC. L'initiative s'appuie aussi sur des normes émergentes telles que la norme BODS pour les données sur les bénéficiaires effectifs afin d'assurer l'intégration des données et la création d'outils d'analyse réutilisables. Ces stratégies contribuent à normaliser les données partagées entre les entités, ce qui accroît l'efficacité des sanctions et du contrôle anti-blanchiment d'argent.
« Il faut un réseau pour vaincre un réseau », a déclaré Beju Shah, directeur du BIS Innovation Hub Nordic Centre, à l'issue du projet Aurora. Pouvez-vous expliquer comment votre réseau d'organisations (appelé « Transparency Fabric ») employant des données ouvertes, de grande qualité et normalisées, peut soutenir la lutte contre les réseaux malveillants ?
Étant donné que chaque organisation apporte ses propres spécialités, le Transparency Fabric devient particulièrement utile. Le réseau Transparency Fabric lutte contre la criminalité financière en mettant en relation des ensembles de données critiques, en particulier dans les paiements transfrontaliers et instantanés.
L'un des problèmes majeurs des contrôles LBA et LFT est le manque de données de qualité sur les bénéficiaires effectifs à l'échelle mondiale. Alors que les gouvernements privilégient la transparence à la confidentialité, OpenSanctions et Open Ownership contribuent à dessiner un aperçu plus approfondi des réseaux entourant les entités et les personnes sanctionnées.
Il existe plusieurs pistes que nous souhaitons explorer. Premièrement, nous tentons toujours d'élargir les données sur les bénéficiaires effectifs. Il reste encore quelques points à régler dans ce domaine, notamment les données publiées par les gouvernements nationaux utilisant la norme BODS.
De plus, les mappages fournis par la GLEIF entre ses propres identifiants et d'autres systèmes, comme les ISIN, les BIC et les identifiants OpenCorporates, se sont révélés inestimables. Il serait utile de disposer de davantage de mappages avec d'autres identifiants utilisés dans le secteur financier. Cela relance la nécessité de concevoir correctement nos systèmes pour les objectifs à atteindre. Si nous améliorons la cartographie des identifiants comme les symboles boursiers et les codes de titres, nous pouvons renforcer les moyens utilisés par les entreprises réglementées pour identifier les risques et fournir un outil de prévention de la criminalité financière plus solide.
Quels sont les futurs projets d'OpenSanctions ?
L'un de nos principaux projets consiste à cartographier les données des PEP (Personnes Politiquement Exposées). Pour lutter contre la criminalité financière, vous devez tenir compte des personnes sanctionnées et toutes celles qui ont les moyens d'utiliser les fonds publics.
La collecte systématique d'informations sur les personnes politiquement exposées est particulièrement ardue, car il n'existe pas de règles mondiales déterminant qui est ou non classé comme PPE, mais la distinction est néanmoins importante.
Nous avons récemment réorganisé notre ensemble de données PEP et créé des pages pays spécifiques afin que les utilisateurs puissent mieux explorer et utiliser nos données. Nous sélectionnons actuellement les données ou qualificatifs susceptibles d'intéresser nos utilisateurs.
Nous souhaitons également accroître la quantité de données sur les bénéficiaires effectifs auxquelles nous pouvons accéder et associer aux informations sur les risques que nous collectons. Nous nous intéressons en particulier aux pays qui concentrent les contournements des sanctions, comme la Turquie, Dubaï et l'Asie centrale.
Si vous souhaitez commenter une publication sur le blog, veuillez vous identifier à l'aide de votre prénom et de votre nom. Votre nom apparaîtra à côté de votre commentaire. Aucune adresse e-mail ne sera publiée. Veuillez noter qu'en accédant ou en contribuant au forum de discussion, vous acceptez de respecter les conditions de la Politique de la GLEIF en matière de blog ; veuillez donc les lire attentivement.
Friedrich Lindenberg est le fondateur d'OpenSanctions. Son intérêt pour les données de listes de surveillance se nourrit de son travail dans le journalisme d'investigation. Friedrich a dirigé l'équipe de données du Projet de reportages sur le crime organisé et la corruption (OCCRP) de 2016 à 2021, où il a contribué à de nombreuses enquêtes sur la criminalité transfrontalière, la finance offshore et le blanchiment d'argent.
Il a lancé le projet Aleph, une plateforme de données open source que les journalistes et les analystes de plus de 40 organisations médiatiques utilisent pour examiner de vastes ensembles de données structurées et non structurées et trouver des pistes de rapports.
