Phân tích gian lận: Quan điểm từ Trường phái kinh tế học Áo
Dịch: Trần Thới
Hãy tưởng tượng rằng đâu đó bên ngoài trái đất, các nhà khoa học từ các hành tinh khác đang quan sát hoạt động của con người tại nhà ga trung tâm New York. Điều mà họ thấy đó là “con người” đi vào – đi ra khỏi các hộp kim loại, hoặc cũng có thể họ sẽ dự đoán trước được các chu kỳ hoạt động của con người. Tuy nhiên, nếu không biết thông tin, bản chất và mục đích của các hành động này, sẽ khó để họ hiểu một cách toàn diện về nó: việc con người dùng hệ thống giao thông với mục đích di chuyển giữa nơi sống và nơi làm việc.
Trích dẫn từ:”Chuyện dụ ngôn của Ludwig von Mises”
Ludwig von Mises, một trong những cây đại thụ của Trường phái kinh tế học Áo, trong quá trình giảng dạy của mình ông thường lấy câu chuyện dụ ngôn trên để minh họa sự khác biệt giữa hai cách phân tích cơ bản hành vi của con người, tham khảo trong [1,2], đó là:
1: phương pháp khách quan: bằng cách quan sát thực nghiệm, chẳng hạn như thực hiện quan sát khi mọi người đổ xô qua lại tại các thời điểm có thể dự đoán được trong ngày mà KHÔNG CÓ MỤC ĐÍCH GÌ TRONG ĐẦU
2: phương pháp mục đích luận: xem xét tất cả các hành vi của con người đều có chủ đích. Như trong trường hợp trên, mục tiêu là đi từ nhà đến nơi làm việc vào buổi sáng, và ngược lại khi chúng ta về nhà vào buổi tối.
Ông xây dựng Trường phái kinh tế học Áo trên nguyên lý: hành động của con người luôn luôn hướng tới “mục đích cuối cùng”. Cách tiếp cận này rõ ràng dựa trên sự hiểu biết về mối quan hệ giữa hành động để đạt được kết quả và kết quả cần đạt
Trong thời gian gần đây, với sự trang bị của các mô hình “máy học hộp đen” với sức mạnh tính toán nhanh, khoa học dữ liệu đã tiếp cận được đến cách phân tích khách quan ở trên. Cùng với sự ra đời của dữ liệu lớn, các thuật toán tự động hoàn toàn có thể quét hàng triệu quan sát để tìm ra mô hình, tương quan với các giải pháp của các vấn đề kinh tế. Từ đó ta có thể thấy rằng, không có nơi nào mà sự tương phản giữa 2 phương pháp trên lại rõ ràng hơn trong quá trình phân tích gian lận.
Ta lấy một ví dụ minh họa như sau: giả sử dữ liệu cho thấy các giao dịch gian lận ATM xảy ra với tần suất lớn nhất vào khoảng nửa đêm. Thông tin này đủ để khẳng định có thể sử dụng thời gian giao dịch như một đặc tính của mô hình. Nếu theo phương pháp mục đích luận, câu hỏi được đặt ra là tại sao lại là thời điểm này? Câu trả lời có thể là những kẻ lừa đảo muốn khai thác thời điểm mà hệ thống rút tiền tự động cập nhật làm mới vào cuối ngày. Liệu rằng có cách lý giải này tốt hơn bằng phương pháp khách quan? Để trả lời câu hỏi này, chúng ta hãy xem một ví dụ khác sau đây.
Giả sử chúng ta quan sát được tỉ lệ gian lận cao hơn đối với các giao dịch từ hơn $10.000. Do đó, có thể coi đây như một dấu hiệu quan trọng để xây dựng mô hình. Tuy nhiên, vấn đề nằm ở thực tế là, rất có thể sau khi thực hiện giao dịch đầu, bọn lừa đảo sẽ thích ứng với mô hình và thực hiện các giao dịch sau với lượng tiền thấp hơn. Điều này cho thấy mô hình điều tra dựa vào số tiền giao dịch khó có thể đánh giá chính xác hành vi tội phạm: không hề có mối quan hệ nhân quả tiềm ẩn trong trường hợp này. Những thuộc tính kiểu này có thể tạo khe hở cho tội phạm lách qua các giải pháp sáng kiến chống gian lận.
Điều đó chứng tỏ rằng, nếu không rà soát kỹ mục đích trong các quan sát thực nghiệm, giải pháp đề ra sẽ dễ bị đánh bại bởi cách thức gian lận. Nó làm cho mô hình nhanh chóng lỗi thời – từ đó, đặt ra yêu cầu phải làm mới các giải pháp thường xuyên để bắt kịp với sự nhanh nhạy của xu hướng gian lận.
Do đó, việc xác định mối quan hệ chặt chẽ, nhân quả mật thiết giữa các thuộc tính ngay từ bước đầu của quá trình xây dựng mô hình sẽ hạn chế tội phạm thích nghi với các giải pháp chống gian lận, và do đó giúp tăng thời hạn sử dụng của các giải pháp này.
Khó khăn trong dự đoán tổn thất
Như chúng ta đã biết, tổn thất do gian lận rất khó để dự đoán, do chúng không những phụ thuộc vào các sự tương tác năng động giữa các yếu tố kiểm soát nội bộ và các yếu tố thường ẩn bên ngoài. Việc áp dụng mô hình của các “cây đa cây đề” trong ngành không còn cho các kết quả chính xác. Trường phái kinh tế học Áo cho rằng, mỗi cá nhân, dù mua hay không mua, bán hay không bán, đều góp phần vào sự hình thành giá cả thị trường. Do đó, có thể nói giá cả chính là kết quả hợp thành từ các tương tác của con người.
“Hệ sinh thái gian lận” tiềm ẩn các tương tác tương tự như vậy: trong khi bọn lừa đảo ngày càng tinh vi, các ngân hàng ngày càng nâng cấp hệ thống của mình. “Giá” mà bọn lừa đảo “thành công” bỏ ra đó là công sức để lách qua hệ thống chống gian lận của các ngân hàng. Và rõ ràng, nó phụ thuộc vào mức độ “khó” của hệ thống chống gian lận của mỗi ngân hàng. Chính vì vậy, một danh sách các ngân hàng được lập ra, với các mức “giá” khác nhau, dựa vào đó, bọn lừa đảo có thể lựa chọn tùy thuộc vào khả năng của mình.
“Giá” này tuân theo các mô hình tương tự như trong các chu kỳ kinh doanh: nếu một ngân hàng không tăng cường nâng cấp hệ thống của mình, sẽ làm tăng khả năng gian lận của bọn tội phạm. Hay nói một cách khác: “giá” của ngân hàng này sẽ giảm đi, tổn thất gian lận từ đó cũng tăng lên. Và chính vì sự tăng tổn thất này, các ngân hàng sẽ đặt mục tiêu vào phát triển và hoàn thiện hệ thống của mình, điều này yêu cầu nhiều kĩ năng hơn từ tội phạm, và quy trình cứ như vậy tiếp tục.
Sự hiểu biết toàn diện về bản chất của chu kỳ này có thể giúp việc dự đoán tổn thất do gian lận chính xác hơn. Nắm bắt được mục đích của hành vi tội phạm là con đường ít chông gai nhất để làm sáng tỏ các mức độ khó lường của hành vi gian lận.
Cách tiếp cận mục đích luận còn có thể hỗ trợ đánh giá mô hình: một giải pháp với các thuộc tính phản trực giác có thể dấy lên báo động và yêu cầu triển khai giám sát kĩ hơn trước khi đưa vào hoạt động.
Quan điểm từ Trường phái kinh tế học Áo đóng góp một giá trị to lớn vào việc thiết kế các giải pháp để chống lại sự thích nghi của đối thủ trong hệ sinh thái gian lận.
Tài liệu tham khảo.
[1]: “Money, Method, and the Market Process: Essays by Ludwig von Mises,” 1990, edited by Richard M. Ebeling, Mises Institute.
[2]: “The Oxford Handbook of Austrian Economics,” 2015, edited by Peter Boettke and Christopher J. Coyne, Oxford Handbooks Online.
Bài gốc: Fraud Analytics: Perspectives from the Austrian School of Economics-Debanjan Chatterjee
Nguồn: https://pubsonline.informs.org/do/10.1287/LYTX.2020.05.07/full/
——————————————————————————————————–
Tác giả: Debanjan Chatterjee có hơn 12 năm kinh nghiệm tại một ngân hàng toàn cầu (HSBC), phân tích thiết kế các giải pháp chống gian lận trong các vấn đề tài chính. Ông là cựu sinh viên của trường Kinh tế Delhi, Ấn Độ.
Về người dịch: Trần Thới là nghiên cứu sinh chuyên ngành tối ưu hóa, hiện cô làm việc đồng thời tại Viện Dầu khí Pháp (IFP Energies Nouvelles) và Safran (một công ty sản xuất động cơ máy bay, động cơ tên lửa, linh kiện hàng không và quốc phòng đa quốc gia của Pháp).