Pandemian edellyttämillä suurilla tukitoimilla on kääntöpuolensa: rikolliset yrittävät hyötyä jaettavista varoista. Rikollisuuden torjunta vaatiikin välittömiä toimia ja ennen kaikkea koordinointia yhteiskunnallisten toimijoiden välillä. Satunnaistarkastukset eivät riitä, isojen rahasummien ja satojen tilisiirtojen seuraamiseen tarvitaan tehokkaita data-analyysityökaluja.

Rikolliset toimijat aktivoituvat usein kriisien aikaan ja varsinkin, kun jaossa on tukirahaa. He käyttävät tilaisuutta hyödykseen, kun kriisien aiheuttaman aikapaineen vuoksi viranomaisilla on heikommin mahdollisuuksia varmistaa, minne tukirahat päätyvät.

Pelkästään Suomessa jaetaan satoja miljoonia euroja tukirahaa yrityksille, ja myös yksityishenkilöihin kohdistetaan erilaisia tukitoimia. Tarvitaan varmuus siitä, että tuki ohjautuu sitä oikeasti tarvitseville, eikä päädy rikollisten taskuun.

Ennen kriisiaikaa petosten ja huijausten kustannusten arvioidaan olevan jopa 5 prosenttia julkisten varojen käytöstä. Kriisiajat tyypillisesti kiihdyttävät näitä lukuja, jolloin pelkästään EU:n 750 miljardin euron tukipaketista vilpin osuus voi olla yli 15 miljardia euroa.

Esimerkiksi Italian mafian vastainen tutkimusvirasto DIA on jo ilmaissut huolensa varojen päätymisestä rikollisten taskuihin. Suomessakin on hyvä pohtia, kuinka hyvät mahdollisuudet tukirahoja jakavilla viranomaisilla on tutkia avunsaajien taustoja.

Rikolliset askeleen edellä

Rikolliset hyödyntävät yhä hienostuneempia menetelmiä ja tekniikoita. Siksi viranomaistenkin olisi yhteistyössä pankkien ja muiden yhteiskunnallisten toimijoiden kanssa otettava käyttöön yhä edistyneempää data-analytiikkaa ja tekoälyä, jotta nykyinen kehitys voitaisiin pysäyttää.

Yhä laajemmin ymmärretään, että nykyinen sääntöihin pohjautuva järjestelmä ei riitä lopettamaan petoksia. Se voi auttaa havaitsemaan huijauksia, kun ne ovat jo tapahtuneet, mutta ei todennäköisesti estää niitä. Analytiikkaan perustuvat järjestelmät voivat sen sijaan sekä parantaa petosten havaitsemista että ennakoida niitä. Ne perustuvat tekoälyyn ja oppiviin ratkaisuihin, jotka hyödyntävät pohjana aiempia tapauksia ja mallintamista.

Poikkeavuuksien havaitseminen on kuitenkin vain yksi osa petosten torjuntaa. Se toimii indikaattorina, ei konkreettisena ratkaisuna. Indikaattoreiden tarkoituksena on varoittaa organisaatioita, että tapaus olisi tutkittava. Sen jälkeen on ryhdyttävä nopeisiin toimiin.

Petostentorjuntatyö on vaikeaa. Tämä ei ole yllättävää, koska petosten havaitseminen on perustunut pitkälti historiallisten tapahtumien tarkastuksiin. Niitä tehdään pääasiallisesti useita kuukausia tai jopa vuosia jälkikäteen. Tarkastuksen jälkeen voi kestää viikkoja ennen kuin tutkinta päästään aloittamaan ja vieläkin huomattavasti kauemmin ennen kuin rikolliset saadaan oikeuden eteen. Siinä vaiheessa tukirahojen takaisinsaanti on jo lähes mahdotonta.

Petostentorjuntaa voi kehittää

Edistynyttä analytiikkaa voidaan jo nyt käyttää havaitsemaan reaaliaikaiset poikkeamat, jotka toimitetaan välittömästi tutkittaviksi. Maksutapahtumat voidaan pysäyttää samanaikaisesti, kun tutkimustyö käynnistyy. Tekoälyn ja koneoppimisen avulla on mahdollista luoda täysin uudet olosuhteet ennaltaehkäisevälle työlle.

Kannustan suomalaisia viranomaisia ​perehtymään edistyksellisen analytiikan tarjoamiin mahdollisuuksiin ja ottamaan tiukemman otteen petosten torjuntaan. Tämä edellyttää yhä enemmän ja laajempaa yhteistyötä eri toimijoiden välillä, jotta viimeisimmät tekniset menetelmät saadaan täysimääräisesti hyödynnettyä.

Kirjoittaja Henrikki Hervonen toimii SAS Institutessa Suomen asiantuntijapalveluiden johtajana.