大海捞针:大数据时代的地下经济犯罪追踪

简介:

先提供一些场景:几个没有身份记录的家伙在小区商店的停车场附近游荡着,想办法找点零工做以谋生;或者邻居家几个小孩子做点卖柠檬水的小生意;再或者基地组织所密谋的那些坏事。这些都有一个共同点 —— 它们的交易都没那么“光明正大”。这些所谓“影子经济”,不管是否合法,都是在远离传统的监管下进行的。


你可能认为这些地下经济活动只限存在于那些市场透明度不高的地方(比如南撒哈拉,南亚等)。然而,据最近的威斯康辛大学的报告,估计美国的“影子经济”总量大概有2万亿美元,占全国GDP的15%。同时,一项2013年的研究表明欧盟区的影子经济规模占整个地区GDP的18%,总量高达2.1万亿欧元—— 这项研究的作者Friedrich Schneider也是全球知名的影子经济方面的权威。总之我们发现,超过三分之二的地下经济活动都来自发达国家,包括德国、法国、意大利、西班牙以及英国。


地下经济活动可以从多个角度来解读,包括国家安全、税收征管、公共服务等等。它涵盖了基本所有通过现金交易来进行的活动,其中既包括合法生意(卖柠檬水),也包括非法的,比如贩毒团伙和犯罪集团等。

易脏、不方便存放,且容易失窃,尽管现金有着以上种种的缺点,但不妨碍它的“王者”地位-- 因为它容易躲避监管。在合适的银行或金融机构的帮助下,黑钱很容易被“洗白”,或者至少说是“变得合法”。现成的例子就是HSBC汇丰银行。这家银行因为涉嫌帮助墨西哥贩毒集团洗钱而向美国监管部门缴纳了19亿美元的罚款。根据一个美国参议院小组委员会报告,这个过程包括从墨西哥转移70亿美元现金到美国境内。假设每张100美元现钞重1克,70亿美元意味着汇丰银行将重量超过70吨的现金运过了美墨边境。


1989年,一个政府间合作组织——金融行动特别工作组(FATF)成立。这家组织就全球洗钱交易给出的估测是,洗钱总量占全球GDP的2%-5%。很多这种交易第一眼看上去都是非常合法的。从而对于银行和政府人员来说难题就在于,你应该怎样识别、追踪、控制并进一步成功控告这些近在眼前的洗钱者,尤其在这些业务就隐匿于那看起来完全合法的网络层次中?


我们来看看一些大数据工具,比如SynerScope公司提供的解决方案。这是一家总部设在荷兰的公司。这家公司提供的解决方案专为破解那些隐藏在重重交易后面的复杂网络而存在。


网络,不论说它是好还是坏,在任何形式的有组织的人类活动中它总是无所不在的,尤其是银行和保险行业。SynerScope从这些原始的数据域中取得数据,然后将它们转变成计算机交互式的以及可视化的数据,并且以大家容易理解的图像形式展示出来。在这个复杂过程中侦测到的各种与事实不符的偏差都会被很轻松地用于欺诈检测,尤其是像保险、银行、电子商务以及法务会计方面。


这个的大数据商业智能分析方法是以数据密集型的计算以及可视化为核心的,它能够像望远镜和显微镜扩展人类的视野那样扩展人类的“感知能力“。


为了进一步了解这种方法是如何为当局追踪洗钱行为的提供帮助,有必要先了解网络洗钱的工作流程。这个过程通常分为三个方面。


1. 在最开始,是拆存放置阶段,在这个阶段洗钱者将他的非法所得想办法放进金融系统中。方法主要有几个,一般可以把大额的资金分拆成小份的不明显的金额,再分别存入到银行账户里;或者可以购买一些货币工具(包括支票、汇票等)然后在异地进行存入。


2. 当资金已经进入金融系统中之后,洗钱者通常开始第二个阶段:离析。这个阶段会把资金以一系列复杂转换和交易同其真实来源分开,从而使资金来源变得模糊。具体方法包括把资金用于购买不同的投资工具,甚至更加简单粗暴的方法:通过不同的银行账户在全球范围进行电汇。


这种大范围分散账户洗钱的方式是较受欢迎的,尤其是在那些不配合国际反洗钱调查的司法地区。有时这些黑钱会伪装成给某些货物或服务的付款。


3. 当这些黑钱成功地通过前两步处理后,我们就来到第三个阶段:融合。这个阶段资金会重新进入经济循环,当然是“合法地“。洗钱者可能会将资金投资在地产、奢侈品或者商业风险投资等。


现有的洗钱侦测工具通过比较个人交易情况以及系统预设的个人履历和筛选规则来判断是否违规。聪明的犯罪者能够很快地学会怎样让他们的非法交易在这种系统内看起来更正常。这样的结果就是,预设的个人履历和规则要经常地进行更新。


然后通过更加灵活的可视化分析,从网络化的视角来探测洗钱行为。它能将全网络以百万计的相关交易以结构化形式整理出来,这种结构洗钱者无法操纵和控制。只需要鼠标轻轻一点,软件的关系和排序界面就会展示出整体结构的相关性情况,这视做一个样板。之后再从时间序列上把每一个点的样板描绘出来,在这样完整的描述下任何异常的资金流都很难隐藏。


一个外事杂志的分析曾表示,预计全球影子经济总量在10万亿美元。这一结果让这个”集市交易共和国”成为全球第二大经济体,排在美国和中国之间。虽然说仅仅相信靠技术就能消灭这个怪物的想法也太幼稚了,但在咨询公司A.T.Kearney发布的Schneider的一篇研究中指出,电子支付在最近四年连续保持两位数增长,也能降低影子经济在一国GDP中的占比,降幅最多可达5%。


当然,在交易变得更加透明,执法变得更公正清晰之前,这都会一直是一场艰苦的战斗。有意思的是,影子经济有它自己独特的单词来表示每一场小的胜利。在非洲和加勒比地区,通常它们称之为“D系统“,来自于法语débrouillards,意思是“足智多谋的人”。在印度称之为jugaad,意思是“有创造力的企业家”。



总而言之,影子经济意味着非法行为会无时不刻地伺机而动。这也是为什么我们要深刻了解洗钱的运作流程,从而制定更好的政策并使用合适的工具应对这些问题,以此确保“现金”合法的被使用,维持国民经济健康有序。


原文发布时间为:2015-04-14

本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
基于MaxCompute的热门话题分析
Apsara Clouder大数据专项技能认证配套课程:基于MaxCompute的热门话题分析
相关文章
|
5月前
|
机器学习/深度学习 传感器 分布式计算
数据才是真救命的:聊聊如何用大数据提升灾难预警的精准度
数据才是真救命的:聊聊如何用大数据提升灾难预警的精准度
371 14
|
7月前
|
数据采集 分布式计算 DataWorks
ODPS在某公共数据项目上的实践
本项目基于公共数据定义及ODPS与DataWorks技术,构建一体化智能化数据平台,涵盖数据目录、归集、治理、共享与开放六大目标。通过十大子系统实现全流程管理,强化数据安全与流通,提升业务效率与决策能力,助力数字化改革。
238 4
|
7月前
|
分布式计算 DataWorks 数据处理
在数据浪潮中前行:记录一次我与ODPS的实践、思考与展望
本文详细介绍了在 AI 时代背景下,如何利用阿里云 ODPS 平台(尤其是 MaxCompute)进行分布式多模态数据处理的实践过程。内容涵盖技术架构解析、完整操作流程、实际部署步骤以及未来发展方向,同时结合 CSDN 博文深入探讨了多模态数据处理的技术挑战与创新路径,为企业提供高效、低成本的大规模数据处理方案。
377 3
|
6月前
|
机器学习/深度学习 运维 监控
运维不怕事多,就怕没数据——用大数据喂饱你的运维策略
运维不怕事多,就怕没数据——用大数据喂饱你的运维策略
271 0
|
7月前
|
SQL 人工智能 分布式计算
ODPS:数据浪潮中的成长与突围
本文讲述了作者在大数据浪潮中,通过引入阿里云ODPS体系(包括MaxCompute、DataWorks、Hologres)解决数据处理瓶颈、实现业务突破与个人成长的故事。从被海量数据困扰到构建“离线+实时”数据架构,ODPS不仅提升了数据处理效率,更推动了技术能力与业务影响力的双重跃迁。
|
5月前
|
传感器 人工智能 监控
数据下田,庄稼不“瞎种”——聊聊大数据如何帮农业提效
数据下田,庄稼不“瞎种”——聊聊大数据如何帮农业提效
179 14
|
7月前
|
SQL 人工智能 分布式计算
在数据浪潮中前行:我与ODPS的实践、思考与展望
在数据驱动决策的时代,企业如何高效处理海量数据成为数字化转型关键。本文结合作者实践,深入解析阿里云自研大数据平台 ODPS 的技术优势与应用场景,涵盖 MaxCompute、DataWorks、Hologres 等核心产品,分享从数据治理到实时分析的落地经验,并展望其在 AI 与向量数据时代的发展前景。
276 70
|
4月前
|
传感器 人工智能 监控
拔俗多模态跨尺度大数据AI分析平台:让复杂数据“开口说话”的智能引擎
在数字化时代,多模态跨尺度大数据AI分析平台应运而生,打破数据孤岛,融合图像、文本、视频等多源信息,贯通微观与宏观尺度,实现智能诊断、预测与决策,广泛应用于医疗、制造、金融等领域,推动AI从“看懂”到“会思考”的跃迁。
367 0
|
5月前
|
机器学习/深度学习 传感器 监控
吃得安心靠数据?聊聊用大数据盯紧咱们的餐桌安全
吃得安心靠数据?聊聊用大数据盯紧咱们的餐桌安全
182 1