Varje år betalas miljontals kronor ut till personer och företag som med hjälp av oriktiga intyg utnyttjar välfärdssystemet. Även om de allra flesta lämnar in korrekta intyg illustrerar aktuella rättsfall hur vissa gärningspersoner får ut miljonbelopp genom brott. Vissa upplägg är i sådan skala att det går att tala om organiserad brottslighet.
Problemområderna, enligt BRÅ,  kan sammanfattas i tre kategorier:

1. Felaktiga bidrag under lång tid. Vissa personer var till en början berättigade till bidrag, men har med tiden börjat lämna in felaktiga intyg för att behålla bidraget. Det kan vara ett felaktigt läkarintyg för att få behålla sjukpenning. Andra lämnar in felaktiga arbetsgivarintyg som visar både längre anställningstid och högre lön än i verkligheten. Intygen används exempelvis för att felaktigt få hög a-kassa, föräldrapenning eller sjukpenning. Dessa fall kan generera felaktiga utbetalningar på hundratusentals kronor till följd av sin långsiktighet.

2. Företag i brottslig verksamhet. Kontrollen är eftersatt vid bidrag och stöd till företag.  Företag är en förutsättning för att kunna begå ekonomisk brottslighet i stor skala. Med andra ord finns motiverade gärningspersoner med företag som letar hål i välfärdssystemet. Bedrägerier mot Försäkringskassan (assistansersättning), Arbetsförmedlingen (företagarstöd) och Länsstyrelserna (statlig lönegaranti) uppgår till hundratusentals kronor eller till och med miljonbelopp per ärende. Dessutom snedvrider de oseriösa företagarna konkurrensen inom vissa branscher.

3. Bedragarna ser helheten i välfärdssystemet. Vissa gärningspersoner inser att välfärdssystemet hänger ihop och navigerar därför mellan olika bidrag.  Myndigheterna hämtar uppgifter om inkomst och adress från varandra. En särskilt central roll har Skatteverket genom att registrera var människor bor och deras identitet.  Det ska mycket till för att en myndighet ska ifrågasätta uppgifter från Skatteverkets folkbokföring eller taxering. Skatteverket kan ses som välfärdssystemets mest centrala grindvakt.

Värdet av analys och hur det stoppar felaktiga utbetalningar

Enligt McKinsey (rapport) så uppgår värdet av Big Data och avancerad analys, kopplat till reducering av bedrägerier och fel inom offentlig sektor i OECD, till mellan 7-30 mdr EUR, vilket motsvarar 10-20% av totala antalet bedrägerier.  Analytiska modeller kan således spara väldigt stora belopp för skattebetalarna. Nedan ges en summerande bild av fyra tekniker som, enskilt eller i samverkan, används för att identifiera och stoppa bedrägerier.

• Regelbaserade algoritmer. Ett regelbaserat system används för att testa en transaktions egenskaper mot fördefinierade algoritmer. Det kan vara  fusk och bedrägerier som bygger på tidigare kända mönster vilket ger omedlbart larm om ett misstänkt bedrägligt beteende.
• Avvikelse detektion. Med avvikelse detektion så börjar man med att identifiera "normala beteenden". Allt som sedan ligger utanför dessa "normaliteter" lyfts fram av systemet och hamnar i en prioriteringslista för åtgärder och kontroll. På detta sätt kan vi se mönster och företeelser som varit okända och som vi annars inte skulle ha möjlighet att upptäcka.
• Prediktiv modellering är den mest effektiva och pålitliga analysen inom "fraud detection". Modellen tittar på tidigare beteenden och bestämmer sedan vilka variabler eller kombinationer av variabler (antal, regioner, beloppstorlek etc.) som ger störst effekt ur ett nyttoperspektiv. Resultatet kan sedan simuleras fram för att se hur modellen slår innan den sätts i produktion, vilket gör att fokus läggs på rätt saker/områden för kontroll.
• Nätverks- och textanalys används för att kombinera kopplingar mellan olika personer, objekt, platser, händelser och dokument. I och med detta kan systemet enkelt och visualisera nätverket bakom ett misstänkt bedrägeri. I en första anblick kan allt verka normalt men över tiden händer saker där kopplingarna förändras vilket påvisar att något olagligt är på väg att ske.

För mer info: läs whitepaper här.

Andra posts som jag skrivit om:

• Är Big Data hypen äntligen över?
• Hur prediktiv analys identifierar ungdomar som riskerar att hamna snett
• Hur analys minskar arbetslösheten i Tyskland och sparar miljarder