社会网络分析在银行反欺诈中的应用研究

摘要：近年来，金融犯罪和金融欺诈的新手段层出不穷，网络金融形势严峻。银行传统反欺诈体系主要以专家规则为主，该体系主要关注个体欺诈行为，导致无法识别个体正常但属于团伙欺诈的情形。基于此，本文开展社会网络分析在反欺诈中的应用研究，从欺诈形势、社会网络分析方法、实证结果以及应用展望四个方面进行论述，研究结论拟为商业银行开展团伙反欺诈提供借鉴思路。

关键词：团伙欺诈；社会网络分析；关系网络；核心节点

一、研究背景

近年来，金融犯罪和金融欺诈的新手段层出不穷，网络金融形势严峻。网络安全是当今商务世界的头号威胁，每年造成的损失超过4000亿美元，遭遇网络安全事件的用户占整体网民的70.5%，网上欺诈则是网民遇到的首要网络安全问题。数据显示，金融欺诈事件频发、规模巨大，以中国银行卡欺诈为例，银行卡欺诈率和欺诈损失率分别为1.99BP和0.13BP（每万元中发生的欺诈金额占比），实际造成的银行卡欺诈损失高达87亿元。另外，金融欺诈组织化程度也在不断增加，围绕着欺诈的实施，形成了专业的技术开发产业、身份信用包装和虚假身份提供产业、业务漏洞发现和欺诈方法传授产业，目前已有数十亿对账号密码关系为地下黑色产业链所掌握，他们通过撞库、刷库造成的账户被盗占到整体被盗账号的80%，而盗号所衍生的黑色产业链年获利超过百亿元。

面对上述威胁，以银行为首的金融机构积极推进反欺诈风险防范体系建设。但受限于欺诈案例积累不足，当前银行欺诈防范主要基于专家规则为主，即事先通过设定专家规则，对欺诈行为进行识别和防控，该方法主要关注个体欺诈，导致无法识别个体正常但属于团伙欺诈的情形，急需探索新的方法，解决专家规则在欺诈风险防范中的痛点。基于此，本研究开展社会网络分析在银行反欺诈中的应用研究，拟为银行开展团伙反欺诈识别提供借鉴思路。

二、社会网络分析对实现反欺诈目标的理论分析

欺诈行为实施的前提是由于信息不对称为有限理性的人提供了一个“投机机会”。由于信息不对称的状况几乎不可能被改变，金融欺诈也就成为了我们经济生活中的固有现象，因此从本质上说金融欺诈行为是一个概率事件。我们在分析金融欺诈者实施金融欺诈时，可以通过边际分析法对欺诈者行为进行理论分析。如果欺诈者为了获得利润，那么欺诈者追求的就是边际收益大于边际成本，当边际收益等于边际成本时，欺诈者利润最大化，而当边际收益小于边际成本时，欺诈者选择不采取欺诈行为。欺诈者是否采取欺诈行为，取决于其边际收益和边际成本的大小，一旦边际收益大于边际成本，欺诈者便会实施欺诈。对金融欺诈来说，其边际收益往往是远大于边际成本的，这也是金融欺诈者愿意铤而走险实施欺诈的一个重要原因。

对于反欺诈来说，同样是遵循边际收益法，而目前我国金融反欺诈工作难以有效推进的关键问题在于反欺诈的边际成本太高。一旦发生了金融欺诈事件，抓获一名犯罪嫌疑人往往需要动用很多人力、物力以及技术条件，即便是抓获了嫌疑人，由于目前我国关于金融欺诈的立法还有待完善，对犯罪嫌疑人的定罪也需要花费不少成本。因此，与金融欺诈形成巨大反差的是，金融反欺诈的边际成本往往是高于边际收益的。

由于社会网络分析方法不需确定的欺诈案例，节省了收集欺诈样本成本，另外社会网络分析主要是针对团伙欺诈，因此可以针对核心人物进行重点监控，一旦发现异常即对整个团体成员进行控制，增加“欺诈成本”。因此，通过社会网络分析方法开展团伙欺诈具有可行性。

三、社会网络分析方法的应用

（一）社会网络分析方法介绍

社会网络分析方法的基础是关系。既包括人与人之间的关系，还包括个人与群体之间、群体与群体之间的关系，本研究重点关注人与人之间的关系，具体分为：家庭关系、工作关系和社交关系。

1.家庭关系。即亲人关系。判别方法为：同一家庭地址、晚间多次同一WiFi、晚间多次同一行动轨迹等。

2.工作关系。即同事关系。判别方法为：同一工作单位、白天多次同一WiFi等。

3.社交关系。即人际往来关系。判别方法为：同一个IP地址、有过转账记录、预留手机号码对象等。

根据关系的强弱，将家庭关系设定为一级关系，工作关系和社交关系设定为二级关系，其中一级关系的权重高于二级关系权重。

（二）社会团伙划分

Louvain算法作为社会网络分析方法中的经典算法，可以实现对社团划分，从而识别网络中的各个小团体。

Louvain算法是基于模块性的算法，在一个有权的网络中，模块性的定义为：

不断遍历网络中的点，将其从原来的社团取出，计算该点加入到各个社团产生的模块性增量，从这些社团中挑选一个对应模块性增量最大的社团，把该点加进去，直至没有点可以移动，将各个社团合并成一个超点。重复上述步骤，直到模块性不再增加。模块性增量是指将一个点从原来的社团取出加入另一个社团后，模块性的值发生变化，有：

根据上述分析，Louvain算法主要分为两个步骤：第一，将各个节点不断的在各个社团中迁移，直到所有模块度增量不再为正值；第二，将各个社团合并成一个超点。这两个步骤运行的结果产生一个层级，层级不断提高，直到模块度的值不再增加，算法结束。由此将社会网络中的个体进行社团分类，识别网络中的小团体。

（三）案例分析

利用Pajek社会网络分析软件，同时基于Louvain算法，对随机抽取的1000个样本户进行了聚类分析，剔除完全独立的个体（即不与任何一个个体具有节点的个体），形成的关系图谱如图1所示。从图中点的颜色可以看出，形成关系的网络节点共形成比较明显的7个小团体。

根据上述对社会网络中小团体的识别，则可以对每个小团体进行重点监测。本研究认为，发生以下情况之一即认为该网络小团体存在欺诈风险：（1）团体关联的人数不断增加。（2）团体成员之间的紧密度不断增强。（3）团队成员违约率上升。

四、应用展望

本文探讨了社会网络分析在反欺诈中的应用，基于Louvain算法，实现社会团伙的划分，并根据团伙特征识别团伙欺诈。社会网络分析下一步应用建议如下：

1.团伙反欺诈识别与监控。依托大数据技术，更精确描绘社会网络个体成员的复杂关系图谱，进一步挖掘和精确识别网络欺诈团体。

2.洗钱、套现风险防控。利用社会网络分析方法的图谱属性，通过描绘资金的流转图谱，根据资金流转的轨迹识别洗钱和套现风险，从而实现洗钱和套现风险防控。

3.风险传递预警。当行内确定某一欺诈案例时，则通过社会网络分析方法将与该欺诈案例关联的个体识别出来，同时根据关联个体之间关联关系的紧密程度以及关联关系的距离判断各个关联个体出现欺诈的概率，对欺诈概率较大的关联个体则进行风险预警，采取相应的反欺诈措施。

参考文献：

[1] 王成，舒鹏飞.WEB：一种基于网络嵌入的互联网借贷欺诈预测方法[J].大数据，2019，5（06）：1-16.

[2] 金磐石，万光明，沈丽忠.基于知识图谱的小微企业贷款申请反欺诈方案[J].大数据，2019，5（04）：100-112.