基于大數據分析的經濟犯罪鑒別預警模型研究

摘要：隨著我國市場經濟的發展和大數據時代的到來，經濟犯罪呈高發態勢，表現出智能性、復雜性和隱蔽性特征。經濟犯罪案件的涉案數據包括財務會計數據和非財務會計數據，既有來自財務系統和各種資源庫的結構化數據，也存在部分非結構化數據。傳統偵查模式已經無法應對海量的數據系統，運用大數據技術可通過數據調取、預處理、存儲、處理、應用等程序，對財務會計數據和非財務會計數據進行有效數據分析和數據挖掘，實現對經濟犯罪行為的分析和鑒別預警。

關鍵詞：大數據；經濟犯罪；鑒別預警

中圖分類號：F2文獻標識碼：Adoi：10.19311/j.cnki.1672-3198.2025.10.014

隨著我國市場經濟的發展，經濟案件逐年增多，經濟犯罪呈高發態勢，且涉案金額也在持續增高。2023年，我國公安機關破獲經濟犯罪案件8.4萬起，挽回經濟損失248億元[1]。經濟犯罪嚴重破壞了社會主義市場經濟秩序，侵害廣大人民群眾的切身利益，導致腐敗滋生，對社會穩定、經濟安全、黨和政府的形象都構成威脅。經濟犯罪是指在商品經濟的運行領域中，為謀取不法利益，違反國家法律規定，嚴重侵犯國家管理制度和破壞社會經濟秩序，依照刑法應受刑罰處罰的行為[2]。經濟犯罪是一種犯罪，具有社會危害性和刑事違法性等犯罪的基本特征，同時因其發生在經濟領域，還具有以謀取非法利益的目的、直接危害國家經濟管理活動等特點。

高發的常見經濟犯罪包括合同詐騙、職務侵占和虛開增值稅專用發票用于騙取出口退稅、抵扣稅款等。此外，金融領域、證券領域案件，由于涉案金額大、涉眾廣，也值得關注；知識產權犯罪分布領域廣、涉案金額大、跨地區作案且手段隱蔽，危害日益嚴重，不容小覷。

1數據時代經濟犯罪的特點

隨著商品經濟的高度發展、互聯網和大數據技術的進步，經濟犯罪手段不斷更新。這些新特點對經濟犯罪的鑒別、偵查提出了新的要求。

1.1智能性

當前經濟犯罪中罪犯受教育程度高，有的是黨政機關或企事業單位的主要負責人或高層人員，有的是從事經濟交易、金融貿易的經辦人員，具有豐富的法律、經濟、金融、財稅、證券、貿易、會計或計算機專業知識。這些高學歷、高智商人員的經濟犯罪行為也表現出犯罪手段的現代化和智能化，犯罪行為實施前大多有預謀，經過精心策劃，有步驟地轉移贓款贓物和銷毀犯罪證據。

另外，隨著5G、區塊鏈、虛擬貨幣等現代科技的普及，經濟犯罪由傳統的只有專業技術人員才可能實施的犯罪，發展為借助網絡就可以實施的犯罪。這使經濟犯罪表現出空間、時間及主體的虛擬性。

1.2復雜性

市場經濟運行領域是一個囊括了各行業、各部門的龐大動態系統，又有金融市場、證券期貨市場、房地產市場等各種專業市場，經濟關系紛繁復雜。在如此復雜的經濟環境下，經濟犯罪也呈現出犯罪行為與性質復雜性的特點。經濟犯罪案件復合化程度正逐步提高，往往與貪污腐敗、行政違法、有組織犯罪甚至恐怖活動等交織在一起，逐步升級為綜合性犯罪。

市場經濟的開放性，交通、網絡和通信工具的日益便捷，各種直播平臺充斥著的大量非法交易廣告，社交媒體提供的私密交流方式，都為經濟犯罪主體提供了較大的活動空間。罪犯采取流動作案、異地作案的方式分散風險，一些經濟犯罪案件涉及多個省市，甚至還涉及到境外。跨區域、跨國作案的經濟犯罪案件增大了案件偵破的難度。

1.3隱蔽性

隨著我國社會主義市場經濟體制的逐步完善，犯罪主體開始由過去鉆制度不完善的空子進行經濟犯罪，轉向有預謀、有計劃地進行經濟犯罪。經濟犯罪主體以一定的職業作為掩護，大多是經過精心策劃，采用“陰陽合同”，偽造、隱蔽賬目、移花接木等手段，隱瞞案件事實。隨著結算工具更加便捷高效，犯罪分子利用銀行卡、POS機、電子支付等在各地不同銀行、多層賬戶間清洗、分散、聚合資金，虛擬貨幣等更是為資金劃轉提供了隱蔽的支付手段。

2經濟犯罪案件的涉案數據

數據時代經濟犯罪具有智能性、復雜性和隱蔽性特點，涉及大量的涉案人員信息、業務軌跡信息、物流數據、資金流數據、通信數據等，這些數據一部分以手工或電子的單據、臺賬、報表形式存在，還有很大一部分以電子數據形式分散在股東、母（子）公司、總（分）公司、業務往來單位、金融機構、證券公司或互聯網中。

2.1結構化數據、非結構化數據和半結構化數據

2.1.1結構化數據

結構化數據又稱為行數據，由數據庫二維表結構進行邏輯表達和實現，必須嚴格遵循數據格式與長度規范，主要通過關系型數據庫進行存儲和管理。結構化數據就是數據庫，如企業ERP系統、財務系統、核心銀行系統、金稅系統、政府行政審批系統等。

2.1.2非結構化數據

非結構化數據是與結構化數據相對的概念，數據結構不規則或不完整，不便用數據庫二維表進行邏輯表達和實現，如各種格式的辦公文檔、文本、圖片、HTML、各種報表、圖像和音頻、視頻信息等。隨著計算機、互聯網和數字媒體等技術的飛速發展，以文本、圖形圖像、音頻視頻等非結構化數據為主的信息呈幾何級數增加。存儲、查詢、挖掘、分析和利用如此海量的非結構化數據成為大數據處理的關鍵。

2.1.3半結構化數據

半結構化數據也是結構化數據，但是結構變化很大，不能按照非結構化數據用一個文件處理，也不能簡單建立一個表與之對應。半結構化數據適于描述包含在兩個或多個數據庫中的數據，這些數據庫含有不同模式的相似數據，即數據庫集成。

2.2財務會計數據和非財務會計數據

由于經濟犯罪案件的專業性和智能性，其作案痕跡多隱匿于財務會計資料中，經濟犯罪案件數據也多為財務會計數據。

2.2.1財務會計數據

財務會計數據是在資金運動過程中各項財務活動所形成，存儲在各種“單、證、賬、表”中的數據。財務會計數據是涉案單位或個人產生的，用于記錄和證明經濟業務發生的起因；經濟活動發生的當事人、相關環節的執行人；經濟業務執行過程；經濟活動引起的資金、財產物資、債權債務關系的變動過程及結果。財務會計數據來源于資金運動的全過程，數據繁雜，并且因持續經營和會計分期基本前提而具有穩定性、系統性、連續性和周期性特點。

財務會計數據既有數值數據反映定量的屬性值，又有非數值數據反映定性的屬性值，大部分是來自財務系統等各種管理系統的結構化數據，也存在部分非結構化數據。

2.2.2非財務會計數據

每個經濟犯罪行為都會使罪犯之間以及罪犯與外界之間產生聯系，這些聯系必然留下數據記錄，是財務會計數據的必要補充。通過這些數據及數據之間的關聯，發現異常數據，可以對經濟犯罪行為進行鑒別并預警。非財務數據大多來自社會企事業服務機構的資源庫，如金融機構、鐵路民航、貨運物流、通信服務、房地產、車輛信息、征信等，涵蓋了社會經濟和日常生活的方方面面，并且全國聯網。數據來源的全面性和廣泛性能夠有效應對經濟犯罪行為的智能性、復雜性和隱蔽性。此外，還有部分非財務會計數據來自互聯網，如網絡瀏覽痕跡、各種手機應用、微博、即時通信工具使用記錄等。這些數據也具有一定的社會價值或經濟價值，可供線索挖掘。

來自各種資源庫的非財務數據多為結構化數據，而來自互聯網的數據多為半結構化數據或非結構化數據，具有社會性特征。

3大數據技術與經濟犯罪鑒別預警

經濟犯罪案件涉案數據不僅存在于結構化的財務會計數據中，也隱匿在大量非結構化、半結構化數據財務會計數據，甚至是非財務會計數據中。傳統經濟犯罪偵查模式已經無法應對如此海量復雜的數據系統，在其中查找線索無異于大海撈針。大數據技術將提高經濟犯罪鑒別的主動性和工作效率。

通過對大量數據進行處理、存儲、管理、分析和可視化等操作的過程，發現異常的交易模式、資金流向、會計賬簿和財務報表的異常信息等，直觀地展示經濟犯罪行為的模式和趨勢，從而鑒別預警潛在的或者正在發生的經濟犯罪行為[3]。

利用算法從大量數據來源中，搜索隱藏于其中信息，提取出需要的信息，然后將這些信息合并，發掘內在關系，發現隱藏在數據中的關系和模式，揭示出隱含的經濟犯罪行為。通過從大量的數據樣本和相應的算法模型學習規律，計算機系統可以自動識別并學習隱藏在數據中的規律和模式。通過對歷史數據進行訓練，機器學習算法可以識別出可能的經濟犯罪模式，并預測犯罪行為趨勢。

4經濟犯罪鑒別預警——財務數據分析

經濟犯罪鑒別預警系統是采用數學公式或邏輯表達式等，通過設定計算、判斷和限制條件，建立起財務會計事實的性質和數量關系，對目標單位經濟活動的真實性、合法性進行判斷，對違法業務和信息進行鑒別預警[4]。根據預期實現的功能，經濟犯罪鑒別預警包括總體分析、分類分析和具體分析。經濟犯罪鑒別預警總體分析可以把握目標單位總體情況，對被查單位的數據進行全面系統的分析，在分析整體趨勢中發現異常問題。分類分析按業務類型分析目標單位數據，發現鎖定重點問題及范圍。具體分析核查目標單位的具體問題，篩選線索。

4.1經濟犯罪鑒別預警總體分析

以目標企業單位為例，經濟犯罪鑒別預警總體分析的構建包括要素分析和指標分析兩部分。

要素分析對目標單位的資產、負債、利潤和現金流量進行結構分析和趨勢分析。結構分析揭示各要素在總體中的占比，反映出相對重要的項目，進而明確進一步分析方向；趨勢分析對比各期間或時間節點的經濟數據，反映各要素的發展變化規律。兩種分析方法結合的分析結果可反映要素結構比例的變化趨勢。對目標單位的資產、負債、利潤和現金流量進行分析，可以對目標單位的財務狀況、經營成果和現金流量形成總體認識。

指標分析對目標單位的主要財務、業務指標進行比率分析。一般根據目標單位所處行業和性質特點，選擇不同指標進行分析，如流動比率、速動比率、資產負債率、資產報酬率、毛利率等。

經濟犯罪鑒別預警總體分析側重于分析資產、負債、盈利的變化情況，查找是否存在各項業務的超常規變化，分析其合法性、合理性和合規性，是否存在潛在風險，以此確定經營活動的真實性、合法性。

4.2經濟犯罪鑒別預警分類分析

經濟犯罪鑒別預警分類分析，應在總體分析結果的基礎上，根據目標單位的所屬行業、經營特點和狀況和業務類別確定分析的類別。隱匿收入通常是出于逃稅目的或伴隨有貪污、挪用公款、行賄、受賄等類型經濟犯罪。以業務收入為例，業務總量分析對企業經營風險和效益狀況進行評價，業務波動分析找出收入的異常變動，業務收入分類分析檢查大額業務收入是否異常，收入收回情況分類分析確定是否存在應收預付長期掛賬情況，主營業務毛利率分類分析判斷是否多計或少計收入和成本，以此構建業務收入分類分析，據以發現嫌疑賬項，揭露會計舞弊及隱藏其中的經濟犯罪。

完成分類的構建，需要分析業務相關數據，創建中間表，根據分類分析的類型，確定分析思路。經濟犯罪鑒別預警分類分析對企業經營風險和效益狀況作出整體評價，分析各月間業務收入波動情況是否正常，各月間產品的銷售價格和銷售結構是否正常，是否存在大額業務收入情況、是否存在長期未收回收入，是否存在毛利率的大幅度變化，從而發現鎖定重點問題及范圍，為具體分析提供依據。

4.3經濟犯罪鑒別預警具體分析

在分類確定重點目標的基礎上，根據相關法律、法規，具體分析數據間勾稽關系、相應業務處理邏輯以及查賬經驗等構建。

在業務收入分類構建的基礎上，以主營業務收入具體分析為例。在憑證記錄中篩選科目為“主營業務收入”記錄，將數據與賬面記錄數據核對，二者不一致即為疑點。將核對通過的數據與已發票系統中已開票業務核對，二者不一致即為疑點。在購銷存系統中篩選存在商業折扣與折讓的記錄，追蹤折扣與折讓的去向，并與銀行對賬單記錄核對，發現疑點。銷存系統銷售數據與發票系統數據核對，二者不一致即為疑點。將核對通過的數據與應收應付系統中預收賬款業務數據核對，篩選金額相同的記錄，發現是否存在隱匿銷售收入。應收應付系統數據查詢應收賬款業務，在銀行對賬單中篩選金額相同的記錄，核對是否存在已經收款的應收賬款，發現隱匿銷售收入的疑點。篩選對應賬戶“資產減值損失”的記錄，確定是否確認壞賬，確認為壞賬的應收賬款賬齡情況，進一步確定壞賬確認手續是否完備。

在實際工作中，具體分類的構建要更復雜，還應包括將收入成本控制與費用管理系統中的生產成本進行比較，結合歷史毛利率、同行業平均毛利率或者生產計劃系統中制定的成本計劃，考查是否存在銷售價格明顯偏離正常價格的情況。如果原材料、人工成本沒有顯著變化，而主營業務收入異常，則可確定疑點。

5基于大數據的經濟犯罪行為分析方法——非財務數據挖掘一些經濟犯罪案件（如受賄案件等）的線索往往是不反映在財務會計資料中的。另外目標單位的歷史沿革、組織機構、內控制度、業務開展、經營狀況等也為線索發現提供一定程度上的數據支撐。網絡輿情、使用記錄更是重要的線索來源。大數據技術為非財務數據挖掘提供了可能。

以往對于犯罪行為的研究方式，大多停留在單一客體、單一行為、單一事件上，通過研究者自身的判斷能力及主觀觀點，得出合乎邏輯的結論。這一結論受限于研究者自身的能力且具有主觀性。理論是實踐中經驗的總結，大量數據便是客觀存在的事實，通過數據挖掘技術對其進行分析，可發現其背后所隱含的普遍規律，建立數據系統以體現經濟規律、描繪經濟變量間的邏輯關系。

大數據技術能夠對典型經濟犯罪案例數據進行有效挖掘，充分利用經濟規律，描繪經濟變量間的邏輯關系，分析經濟犯罪模式，并以經濟犯罪鑒別預警系統對經濟犯罪進行有效的預防和打擊。受篇幅所限，本系統只是針對主要架構，對于更復雜的實際經濟業務，則應根據不同的單位性質及涉案類型，隨之建立系統模型，因此經濟犯罪鑒別預警系統未來還有待進一步修正和擴充。

參考文獻

[1]央廣網.公安部.2023年共破獲經濟犯罪案件8.4萬起挽回經濟損失248億元[EB/OL].（2024-01-09）.https：//news.cnr.cn/dj/20240227/t20240227_526610517.shtml.

[2]高銘暄，王作富.中國懲治經濟犯罪全書[M].北京：中國政法大學出版社，1995：34-37.

[3]胡耘通等.司法會計鑒定在經濟犯罪案件中的應用研究——基于2016-2021年中國裁判文書網的樣本分析[J].會計之友，2023，（01）：126-132.

[4]江南.大數據背景下網絡經濟犯罪發展趨勢及偵防對策[J].上海公安學院學報，2024，（04） ：24-32.