一、 引言

2001年我国实施“走出去”战略，标志着我国对外直接投资进入了全新的增长阶段。根据《2012年度中国对外直接投资统计公报》，近十多年来我国对外直接投资规模迅猛增长，2012年投资流量为878亿美元，投资存量为5319亿美元，分别占全球同期的6.3%和2.3%，排名分别为第3和第13位。我国对外直接投资覆盖区域包括179个国家(地区)，占全球所有国家(地区) 总数的76.8%，但其主要流向的国家(地区) 相对集中，2012年底存量排名前10位的国家(地区)：中国香港、英属维尔京群岛、开曼群岛、美国、澳大利亚、新加坡、卢森堡、英国、哈萨克斯坦、加拿大，他们存量占总量的80%以上。2013年博鳌论坛上，中国国家主席习近平公布了一连串振奋人心的数字，其中重要一点就是未来五年中国对外投资规模将达到5000亿美元，“实施更加积极主动的经济开放战略，以开放换开放”的对外投资整体战略已成为中国未来海外投资的指导思想。

对外直接投资问题的讨论一直都受到各界的关注，就现有的文献来看，20世纪60年代逐渐涌现对外直接投资动因的研究，美国学者Hymer(1960)提出了垄断优势理论，开创了对外直接投资理论研究之先河。美国教授Vernon (1966)提出了产品生命周期理论。20世纪70年代中后期，日本教授Kiyoshi(1975)提出比较优势投资理论，Buckley and Casson (1981)的内部化理论，以及英国里丁大学教授Dunning (1980)的国际生产折中理论。这些理论长时间在研究中占据主导地位。随着发展中国家对外投资的增多，对于经典的对外投资动机理论的挑战也越来越大。在我国对外直接投资中，有两种情形引起学者的特别重视：其一，原先从中国逃离的资本打着外国投资的旗号重新回流，以骗取外资待遇和税收优惠(杨海珍，2002)。其二，Kardev(2008)估算发展中国家在2002-2006年间非法资金外流的规模为0.8~1.0万亿美元之间, 而亚洲国家的占比在50%以上, 中国则是非法资金的主要来源国。高增安(2009)认为我国企业利用对外直接投资之机行洗钱之实。学者们普遍认为对外直接投资是资本外逃的重要渠道, 而涉及洗钱等犯罪活动的非法资本外逃应该引起足够的重视，但鲜有文献研究洗钱行为在我国对外直接投资中扮演何种角色。

基于此，本文以2007-2012年我国对外直接投资存量前50个国家(地区) 为研究样本，运用知识资本模型和知识资本—洗钱模型，分析洗钱行为对我国对外直接投资的影响。结果发现：知识资本模型解释了我国投资于低风险洗钱国家(地区) 的原因；而知识资本—洗钱模型解释了我国投资于高风险洗钱国家(地区) 的原因，KK1-MON和KK2-MON模型表明，洗钱因素对我国直接投资驱动的规模分别为590.66亿美元和849.18亿美元，占投资总量25.01%和29.64%。现有文献偏重从正面、合法的传统变量角度分析了我国对外直接投资的动因，我们研究洗钱行为在我国对外直接投资中的作用，本文的发现延伸和拓展了我国对外直接投资动因的研究；2012金融行动特别工作组(FATF) 新《40条建议》将风险为本方法作为指导世界各国反洗钱与反恐怖融资工作的首要原则，而洗钱的影响是风险为本方法的重要内容之一，同时，在我国非法资金大量外逃的情况下，研究洗钱对我国对外直接投资的影响，既是满足金融行动特别工作组(FATF) 和我国反洗钱工作持续健康发展的客观需要，也是有效打击日益猖獗的洗钱和恐怖融资活动的现实选择。

本文余下的安排如下：第二部分是文献综述与理论假设；第三部分是研究设计，包括模型、样本与数据、描述性统计、相关系数分析；第四部分是实证分析及稳健性检验；第五部分是结论与政策建议。

二、 文献综述与理论假设 (一) 文献综述

近年来，随着我国在国际投资领域的突出表现, 国内外学者针对我国对外直接投资的实际情况, 提出了许多有价值的理论和观点。普遍认为，中国OFDI有寻求市场、技术、战略性资源和自然资源等动机(Havrylchyk and Poncet, 2007；Cheung and Qian, 2009；Buckley, 2007)。与发达国家的OFDI相比，作为发展中国家的中国有其特殊性(Filatotchev et al，2007)；其OFDI动机随着时间和国内政策的影响而发生变化，呈现出一次多元化的特点(朱华，2014)。目前，中国OFDI大量进入资源丰富国家，部分进入技术先进的发达国家，基于这一现象，学术界从区位分布的角度对中国OFDI动机进行探讨。如中国企业倾向于向发达国家进行战略投资，以获得战略资源(Deng, 2007, 2009；Rui and Yip, 2008；蒋冠宏和蒋殿春，2012；王滨，2010)，王胜和田涛(2013)发现我国对经济发达国家的直接投资以突破和规避贸易壁垒以及开拓新市场为主要目的。李猛和于津平(2011)指出东道国市场规模和资源禀赋是决定现阶段中国对外直接投资的重要因素。罗伟和葛顺奇(2013)发现中国FDI存量倾向于流入市场规模大、工资水平低、贸易成本高、以及和出口的固定成本差异程度小的国家和地区。为解释我国直接投资动机的多样性和不规范性，学者提出中国FDI的聚集现象(徐雪等，2008；王方方等，2013)；基于传统商业文化的非市场个人关系网络(龙云安，2013)；东道国的政治稳定度和经济风险(韦军亮等，2009), 东道国是否同中国签订双边投资协议和避免双重征税协议以及东道国是否为离岸金融中心(Prandhan, 2011)，双边政治关系(张建红和姜建刚，2012) 等因素也会影响我国对外直接投资。上述文献侧重于传统意义上合法的、正面的因素研究我国对外直接投资的影响。

但就已有研究而言, 学者们更多从资本外逃、腐败、国家透明度等角度来全释对外直接投资的非法动机，直接研究对外直接投资与洗钱关系的文献相对较少。

我国学者杨海珍(2002)指出中国的资本外逃与FDI存在显著的正相关关系，且主要是由于中国对内资和外资的差别政策待遇或者制度性缺陷导致非法资本的流动，中国的资本外逃在很大程度上属于“过渡性资本外逃”。Egger and Winner (2006)运用面板数据的方法分析了 21个母国对59个东道国在1983-1999年间的双边投资数据, 结果表明腐败与外商直接投资呈负相关关系, 而且对发达国家的影响要高于其他发展水平的国家。Drabek and Payne (2002)研究发现东道国的透明度越高, 对国外投资者的吸引力就越大, 透明度平均提高一个单位, 外资流入会增加40%。Perez et al(2012)运用tobit模型和probit模型分别分析了东欧转型国家2001-2003年对外直接投资的区位选择和驱动因素，发现传统的跨国公司(MNC) 理论已无法完全解释FDI，而洗钱成为了双边FDI流动的一大动因，洗钱因素对其区位选择、投资规模有显著的正向影响，洗钱高风险国家吸收的FDI比例高达50%。Morck et al(2008)也发现中国80%的FDI流入了中国香港、英国维尔京群岛和开曼群岛的现象，并指出这类动机主要是为了避税、隐藏企业财务以及获得金融机会等。Unger and Hertog (2011)强调, 水流能绕过阻碍找到新的方向, 洗钱犯罪也一样, 总能在逃避反洗钱监管的情况下衍生出新的洗钱方式。

(二) 理论假说

这些文献都表明，无论是技术、战略性资源、自然资源、市场规模大、工资水平、贸易成本及双边政治关系等传统因素，还是东道国腐败、洗钱等非法因素都给直接对外投资带来影响。我国对外直接投资发展迅速且势头良好，但其如下二个特点值得特别关注。第一，我国较大比例的直接投资流向了英属维尔京群岛、开曼群岛等离岸金融中心，且其绝对投资规模快速增大。离岸金融中心由于其法律环境宽松、信息披露程度低、保密规定严格的特点，对国际资本有巨大的吸引力，但其中也蕴含着巨大洗钱风险。第二，我国对外投资企业投资热情高涨，而与之相对应是投资效益的频频亏损，但部分海外投资企业并不以盈利为目的，仅将投资作为资金跨国、跨地区转移的渠道。近年来，房地产行业更是成为了企业对外直接投资的最大热点。这些行业现金流量大、交易记录易于伪造、易于被监管机构忽视的特点，易于成为洗钱活动的高风险行业。根据分析，提出如下二个研究假设：

假设1: 我国对外直接投资的东道国分为高风险洗钱国家(地区) 和低风险洗钱国家(地区)。

假设2: 洗钱行为促进了我国对高风险洗钱国家(地区) 的直接投资。

三、 研究设计 (一) 模型设定

根据传统对外直接投资理论，企业对外直接投资的动机主要有两种。一是水平型直接投资(Markusen，1984)；二是垂直型直接投资(Helpman，1984)。Markusen(2002)将二者有机融合形成知识资本模型(KK模型)。学者们就KK模型的实用性进行了一系列的实证研究(Carr et al，2001；薛漫天，2007)，由于样本及数据选择的差异，学者们基于KK模型的实证结果有所不同，但KK模型的实用性和解释能力得到了绝大多数学者的认可。本文参照Perez et al(2012)检验方法，在KK模型的基础上加入洗钱变量，建立KK-MON(知识资本—洗钱) 模型，分析洗钱对我国对外直接投资的影响。

1. KK模型设定

参照Carr et al(2001)的研究，本文运用的KK模型(KK1) 的实证模型为：

$OFDI = f\left( {SUM,GDP2,SK1,GDP2*SK2,T{C_{host}},T{C_{\hom e}},Dist} \right)$

(1)

在公式(1) 中加IChost后的KK2的实证模型为：

$OFDI = f\left( {SUM,GDP2,SK1,GDP2*SK2,I{C_{host}},T{C_{host}},T{C_{\hom e}},Dist} \right)$

(2)

IChost变量的引入的原因：IChost指东道国投资成本，用《华尔街日报》和传统基金会(The Heritage Foundation) 每年发布的经济自由度指数(IEF) 来衡量。因为部分国家(地区) 的经济自由度指数缺失，Perez et al(2012)的处理方法之一，就是删掉IChost变量，这样构成(KK1) 模型，它包含8个解释变量，较多的研究样本数量；Perez et al(2012)的处理方法之二，删掉缺失经济自由度指数的国家，把有该指数的国家作为样本，在(KK1) 模型中引入了IChost变量，构成了(KK2) 模型，它包含9个解释变量，较少的研究样本数量。

其中，OFDI指中国对某个国家的当期直接投资净额。不同于国外学者用跨国企业海外销售额衡量作为因变量，本文用对外直接投资净额代替，一方面是由于中国跨国公司海外生产规模的数据难以获得，另一方面存量数据反映的是一个循序渐进、长期积累的过程，不能较好的反映当期东道国各个因素对我国对外直接投资的影响，这也是学界的一般做法(Egger and Winner, 2006)。

SUM指两国国内生产总值之和，用来衡量两个国家的绝对市场规模。

GDP2指两国国内生产总值差的平方，用来衡量两个国家的相对市场规模。

SK1指两国要素禀赋差异，用两国人均国内生产总值之差的绝对值来衡量。

SK2指两国熟练劳动力禀赋差异，用两国人类发展指数之差衡量。

GDP2*SK2指国家相对市场规模差异与劳动力禀赋差异的交互项。

IChost指东道国投资成本，用《华尔街日报》和传统基金会(The Heritage Foundation) 每年发布的经济自由度指数(IEF) 来衡量。

TChost和TChome分别指东道国和母国的贸易成本，用贸易开放度作为贸易成本的替代变量，贸易开放度越高，则贸易成本越低，反之亦然，贸易开放度用进出口商品和服务总额与国内生产总值的比例来衡量。

Dist指母国与东道国的距离，用两国首都之间的物理距离衡量。

2. 洗钱虚拟变量的定义

对外直接投资涉是大额资金跨国转移的重要渠道，因此东道国的洗钱环境是投资者以投资之名行洗钱之实的重要考虑因素，洗钱者在投资区位选择上会优先考虑法制法规不健全、管制较为宽松的国家(地区)。国际上众多的反洗钱组织都对特定国家的洗钱风险进行了评估，美国金融特别行动工作组(FATF) 最早在2000年就尝试从法律与监管制度、国际合作、反洗钱投入等方面综合衡量一个国家的洗钱风险，并发布了第一份反洗钱不合作国家和地区(NCCT) 报告。“9·11”事件之后，越来越多的国家都开始投入大量资源打击恐怖活动，由于恐怖活动融资与洗钱之间关系密切，确定一国的洗钱风险并对高风险国家实施重点监控变得尤为重要。

与金融特别行动工作组从法律、制度的角度去评估洗钱风险不同，国际毒品和执法事务局(INL) 关注的重点是每个国家金融系统的脆弱性，它每年会对200个国家或地区进行洗钱风险评估，其发布的《国际毒品管制策略报告》确定的首要关注对象即为洗钱风险较高的国家(地区)，这些国家(地区) 的金融机构都涉及到大额的非法资金转移。考虑到《国际毒品管制策略报告》首要关注对象名单的完整性和连续性，本文以该组织名单为基础，加入洗钱虚拟变量Mon，如果东道国在首要关注对象名单上，取值为1，否则取值为0。

3. KK-MON模型的构建

为了分析KK模型各变量对不同性质国家的影响，本文加入KK模型各变量与Mon的交互项。如果Mon显著为正，说明洗钱因素会促进我国对高风险洗钱国家的对外直接投资，而交互项则反映KK模型中的变量对不同国家OFDI的影响。加入洗钱变量Mon及交互项之后，KK-MON模型(知识资本—洗钱模型) 的表达式为：

${\rm{KK1 - MON模型}}:OFD{I_1} = {\alpha _0} + {\alpha _1}*K{K_1} + {\alpha _2}*Mon + {\alpha _3}\left( {KK1*Mon} \right) + \varepsilon $

(3)

${\rm{KK2}} - {\rm{MON模型}}:OFD{I_2} = {\beta _0} + {\beta _1}*K{K_1} + {\beta _2}*Mon + {\beta _3}\left( {KK2*Mon} \right) + \varepsilon $

(4)

如果东道国在INL首要关注对象名单上，Mon取值为1，否则取值为0。

(二) 样本选取与数据来源

本文选取《2012年度中国对外直接投资统计公报》中我国对外直接投资存量排名前50位的国家(地区)。其中英属维京群岛、开曼群岛、伊朗、缅甸、百慕大群岛、伊拉克6个国家大量数据资料缺乏，从样本中剔除。2007-2012年间，我国对样本国家(地区) 每年的投资流量净额总量与我国当年总FDI流量比率见表 1，存量总额比率见表 2，样本国家(地区) 每年的流量总和与存量总和基本能保持在年度总和的80%，因此，本文样本具有较好的代表性。

被解释变量OFDI数据来自《2012年度中国对外直接投资统计公报》；解释变量SUM、GDP2、SK1、TChost和TChome数据来自世界银行网站http://data.worldbank.org.cn/；解释变量SK2数据来自联合国开发计划署(UNDP) 每年发布的人文发展报告；解释变量IChost数据来自《华尔街日报》和传统基金会(The Heritage Foundation) 网站http://www.heritage.org/；解释变量Dist数据来自http://www.mapcrow.info/。

(三) 描述性统计

描述性统计分析是了解数据和研究对象特征的前提，因为模型KK2-MON的变量要完整一些，而且模型KK1-MON与KK2-MON样本数相差不大。因此，本文运用计量软件Eviews7.0对KK2-MON的变量进行描述性统计，具体结果见表 3。

从描述统计结果来看，我国对东道国的直接投资(OFDI) 最大值为5123844(万美元)，最小值为419(万美元)，中位数为18341(万美元)，标准差为569087(万美元)，说明研究期间我国对不同样本国家的投资规模存在很大的差异。另外数据表明我国与东道国的绝对市场规模SUM、相对市场规模GDP2以及要素禀赋差异SK1波动都比较明显。SK2均值为0.169说明我国的对外直接投资偏好于要素禀赋水平相当的国家。TC_host均值为1.05，中位数为0.78，表明东道国进出口总额占GDP的比重普遍较高，即贸易成本普遍偏低。变量IC_host与Dist的分布曲线比较接近于正态分布。洗钱变量Mon均值为0.558，说明东道国中高风险洗钱国家占了半数以上。

由于各变量之间的数量级差距较大，为了消除变量在数量级和量纲上的差异，同时出于规避异方差性的考虑，本文对部分变量进行对数处理，处理后各变量的定义标准见表 4。

(四) 相关系数分析

运用Eviews7.0对变量进行Pearson相关性分析，结果如表 5所示。除了变量SK2，被解释变量OFDI几乎与左右解释变量在5%的水平上显著相关，且符号也基本与前文的论述相符，其中OFDI与Mon相关系数为0.26，且在1%水平上显著，也初步印证了我们的假设：洗钱对我国对外直接投资有正向的影响。另外，所有自变量的相关系数都在0.5以下，说明自变量之间的线性相关程度不高。

四、 实证分析与稳健性检验 (一) 实证分析

由于本文使用的是面板数据，为验证混合OLS模型、固定效应模型和随机效应模型的适宜性，本文做了两个检验：个体效应检验和Hausman检验(检验结果见表 6)。

由表 6回归结果中个体效应检验结果可知，在混合效应模型与固定效应模型间应该选择固定效应模型，而由表 6的Hausman检验结果可知在固定效应模型和随机效应模型间应该选择固定效应模型，因此本文最终选择的模型是固定效应模型。

KK1、KK2的回归结果见表 6第三、四列，其中KK2模型在KK1的基础上增加变量IC_host，两个模型都是对KK模型的检验，SUM系数为正，TC_host的符号显著为负，TC_home的符号显著为正，IC_host的回归系数显著为正，回归结果与理论基本吻合。GDP2衡量的是两国的市场规模差异，按照KK理论，市场规模差异与对外直接投资呈现倒“U”型关系，即差异越大，投资越小，但回归结果显示市场规模差异对投资额度有正向影响，可能的解释是我国经济规模与经济发展水平不配套，即经济规模很大，但发展水平依然停留在较低的层次，因此我国企业在投资区位选择上更加偏好于同等发展水平而非同等经济规模的国家。SK1与SK2的回归结果都不显著，说明要素禀赋差异并不是我国对外直接投资的主要决定因素，原因是我国对外直接投资还处于迅猛发展的阶段，企业的投资动机正在由短期投机型向长期战略型的方向转变，要素禀赋差异对处于转型阶段的对外直接投资影响不明显，另外交互项GDP2*SK2不显著。Dist的回归系数为负但不显著，说明距离对我国对外直接投资有轻微的抑制作用，这也与实际情况相符，我国对外直接投资更偏好于距离较近的亚洲国家。

KK1-MON与KK2-MON模型的回归结果见表 6第五、六列，两个模型分别在KK1和KK2模型的基础上增加了洗钱变量Mon以及Mon和KK模型中各变量的交互项，为了保持模型的简约型，并避免回归过程中出现严重的多重共线性，交互项只包含在KK模型中回归显著的变量，并且对部分变量进行对中处理。从回归结果来看，加入变量Mon之后，模型的拟合度都有一定程度的提高，KK1模型的Adj-R²从0.296提高到KK1-MON模型的0.387，KK2模型的Adj-R²从0.317提高到KK2-MON模型的0.402。

变量Mon在两个模型中均显著为正，说明我国对高风险洗钱国家直接投资受到洗钱因素的影响，且影响为正。交互项中只有Mon*SUM与Mon*TChost显著，而变量Mon*GDP2和Mon*TChome的系数不显著，说明变量SUM与TChost对我国与高风险洗钱国家和其他国家的OFDI有不同的影响。为了更好地分析KK模型对不同性质国家的影响，我们列出KK2-MON的表达式：

$\begin{array}{l} OFDI = - 19.826 + 1.434UM + 0.266*GDP2 - 5.991T{C_{host}} + 0.682T{C_{\hom e}}\\ + 0.985I{C_{host}} + 0.450MON - 0.618MON*SUM + 1.56MON*T{C_{host}}\\ \end{array}$

(5)

对于高风险洗钱国家MON取值为1，则有：

$\begin{array}{l} OFDI = - 19.376 + 0.816SUM + 0.266*GDP2 - 4.475T{C_{host}}\\ + 0.682T{C_{\hom e}} + 0.985I{C_{host}} \end{array}$

(6)

其他国家取值为0，则有：

$\begin{array}{l} OFDI = - 19.826 + 1.434SUM + 0.266*GDP2 - 5.991T{C_{host}}\\ + 0.682T{C_{\hom e}} + 0.985I{C_{host}} \end{array}$

(7)

通过对比两个表达式的系数，我们可以明显看出，对于高风险洗钱国家，KK变量的系数要小一些，因此，我们认为：KK模型中的变量能够很好地解释我国对非洗钱高风险国家的OFDI，而我国对洗钱高风险国家的OFDI，除了KK理论决定的那部分，还受其他因素的影响，本文暂且将其他因素归结为洗钱因素。我们用回归系数即公式(4) 和(3) 的系数，估算我国对洗钱高风险国家的OFDI中受KK变量(SUM、GDP2、TC_host、TC_home与IC_host) 决定的那部分，剩下的即为受洗钱因素驱动的部分。

根据KK1-MON模型的估计结果，我国对高风险洗钱国家的OFDI中，受洗钱因素驱动的规模为590.66亿美元，占总量的25.01%，根据KK2-MON模型的估计结果，我国对高风险洗钱国家的OFDI中，受洗钱因素驱动的规模为849.18亿美元，占总量的29.64%。具体结果见表 7。

(二) 稳健性检验

知识资本模型(KK模型) 是本文实证部分的基础，实证结果表明KK理论并不能完全解释我国对所有东道国的OFDI流出，对于高风险洗钱国家，我国对其OFDI流入中有很大一部分是受洗钱等因素驱动。为了检验本文实证模型的稳健性，本章将参照已有研究，在KK-MON模型中加入其他会影响对外直接投资的因素，包括：税率、政府治理水平、经济环境三大因素。

1. 税率

Perez et al(2012)研究表明跨国公司在进行海外投资时会充分考虑母国与东道国的税率差异。为了验证我们的假设，这里加入税率差异变量，TAX=TAX_i－TAX_j，数据来自于世界银行网站：http://data.worldbank.org.cn/。

TAX的回归结果见表 8第2列，回归系数为正但不显著，而且在加入变量TAX前后，洗钱变量Mon的系数没有发生变化，说明税率差异并不会影响我国对样本国的对外直接投资。

2. 政府治理水平

东道国的政府治理水平反映着东道国的公共服务质量、政策执行效率、市场监管力度等，在一定程度上会影响东道国对我国OFDI的吸引力，特别是受洗钱因素驱动的那部分。为了验证东道国政府治理水平对我国OFDI的影响，我们将政府治理水平加入到模型之中。Perez et al(2012)从6个维度来衡量政府治理水平：公民参政程度(VOI)、政治稳定度(POL)、施政有效性(EFF)、监管质量(REG)、司法制度(LAW) 和贪污腐败控制(COR)。为了更好的衡量我国与东道国政府治理水平差异对我国对外直接投资的影响，对每个变量的差值取绝对值，例如VOI=abs(VOI_i－VOI_j)，其他变量采取同样的做法。由于各变量之间的相关系数比较高，因此将以上变量逐个加入KK2-MON模型，回归结果见表 8第3到8列。变量VOI和变量LAW都在5%水平上显著为负，说明我国对外直接投资偏向于与我国政府治理水平相当的国家。在依次加入6个政府治理变量的过程中，洗钱变量Mon依然显著为正，且显著性水平有所提升，说明洗钱与东道国政府治理对我国对外直接投资的影响是分开的。

3. 投资环境

母国与东道国之间的市场效率和基础设施建设也会影响两国的双边投资，认为欠发达国家的企业在对外投资区位的选择上，更偏好于发展水平相近的国家，因为它们的产品和服务也更符合低收入人群的需求(Perez et al，2012)。同样，如果母国的投资环境较差，那么母国企业也愿意去同等条件的国家投资，因为它们在面对上述问题时会有更加丰富的经验。这里加入变量UNEMP和INTER，UNEMP指两国的市场效率差异，用两国当期的失业率之差来衡量，即UNEMP=abs(UNEMP_i－UNEMP_j)；INTER指两国的基础设施建设差异，一国的基础设施建设指标用100人中的互联网用户数来衡量，INTER=abs(INTER_i－INTER_j)，两个变量数据均来自世界银行数据库网站：http://data.worldbank.org.cn/，少量数据的缺失通过线性插补补齐。

变量UNEMP和INTER的回归结果见表 8第8到10列，其中变量INTER不显著，UNEMP系数为负且在5%水平下显著，我国与东道国的市场效率差异会影响我国的对外直接投资，两国市场效率越是接近、差异越小，我国对其的直接投资越高。洗钱变量Mon依然显著为正，且显著性水平有所提升，说明本文的回归结果有效。

五、 结论与政策建议

近年来关于对外直接投资的讨论是学界关注的热点，但鲜有文献研究洗钱在我国对外直接投资中所扮演的角色。本文以2007-2012年我国对外直接投资存量前50个国家(地区) 为研究样本，使用OLS方法，通过对四个不同模型(KK1、KK2、KK1-MON及KK2-MON) 进行回归分析，研究结果表明：知识资本模型(KK1及KK2) 解释了我国投资于低风险洗钱国家的原因，其中SUM、GDP2、TC_host、IC_host影响为正，TC_home影响为负；而知识资本—洗钱模型解释了我国投资于高风险洗钱国家的原因，KK1-MON和KK2-MON模型表明，洗钱因素对我国直接投资驱动的规模分别为590.66亿美元和849.18亿美元，占投资总量25.01%和29.64%；最后，在模型KK2-MON中逐步加入税率、政府治理、投资环境等变量，VOI、LAW和UNEMP对OFDI影响显著，但洗钱变量Mon显著为正且显著性水平有所提升，说明这些变量与Mon对OFDI的影响是分开的，即本文知识资本模型具备稳健性。本文结论表明，我国大量洗钱资金通过对外直接投资的方式流向高风险洗钱国家(地区)。为此，本文提出以下政策建议：

(一) 目前，我国的反洗钱工作主要在以银行机构为主的金融行业，应参考FATF相关建议尽快出台非金融机构反洗钱法规。建议监督管理部门出台专门针对对外直接投资领域反洗钱的相关办法，推动反洗钱义务主体范围的拓展，明确监管权责及其反洗钱责任与义务。提高对外直接投资领域主体反洗钱法制意识。

(二) 我国反洗钱监测分析中心应尽快加入埃格蒙特集团组织，与国外金融情报机构建立合作关系，建立有效的反洗钱信息交换和共享机制。监管部门应特别加强对我国直接投资的高风险洗钱国家的监测，切实提高反洗钱防控水平，遏制直接投资洗钱活动，更加有效的打击我国跨境投资洗钱行为。

(三) 2012年FATF 把“风险为本”作为世界各国反洗钱首要原则, 在资金跨国流动领域建立和完善风险为本的监管机制也尤为合适。针对我国对外投资的特点, 积极开展洗钱风险评估, 将我国对外直接投资的主要国家、行业及其投资企业的盈利性等纳入“风险为本”的监管框架, 按照其风险程度有梯度、有重点地投入监管资源, 对高风险洗钱国家采取更加严厉、详尽的监管标准, 对低风险洗钱国家实施简约化的监管措施。