マネーロンダリングは、違法活動を資金提供するという点で、社会に広範な課題をもたらしている。関係者同士がネットワーク的に結びついていることから、ネットワーク情報の活用が、マネーロンダリング対策をより効果的に進める手段として注目されている。これにより、反マネーロンダリング（AML）におけるネットワーク解析（NA）に関する研究が急増した。しかし、現行のNAに関する文献は分散しており、既存研究を包括的に整理した包括的なレビューが存在しない。その結果、適用可能な手法やそれらの検出能力の比較に関する理解が限定的となっている。本稿では、Web of ScienceおよびScopusから抽出した97編の論文を基に、最近提案された不正解析フレームワークを踏襲した分類体系を構築した、包括的かつ独自の文献レビューを提示する。その結果、多数の研究が専門家によるルールと手動による特徴量設計に依拠している一方で、深層学習手法の採用が徐々に増加していることが明らかになった。さらに、代表的なNA手法の性能を標準化された環境下で評価・比較できる包括的なフレームワークを提案する。本フレームワークを2つの公開データセットに適用し、手動による特徴量エンジニアリング、ランダムウォークベースの手法、深層学習手法を比較した。その結果、（1）ネットワーク解析は予測性能を向上させるが、クラス不均衡やネットワーク構造の特性を考慮せずにGNN（グラフニューラルネットワーク）を適用する際には注意が必要であり、（2）オープンソースデータを用いる際には結果が楽観的になりがちであることに留意すべきであることが示された。本研究で公開された実装コードは、研究者および実務家が得られた結果を拡張し、独自のデータを用いた実験を可能にし、AMLにおけるネットワーク解析の分析・評価に標準化されたアプローチの普及を促進するものである。