Machine Learning Based Mobile Money Fraud Detection Using Behavioral and Agent Level Features in Zambia

在非洲繁荣的数字经济中，手机已不仅仅是通信工具；对于数百万从未踏入过传统银行的人来说，手机已成为他们的主要银行账户。通过基础型手机上简单的文本菜单，用户可以存入现金、向家人汇款以及支付商品费用。这一系统高度依赖于当地的代理人——即那些扮演着人类接口角色的店主和摊贩，他们负责将实物现金转换为数字价值，反之亦然。然而，这种快速实现的金融普惠也创造了一种新型的脆弱性。正如窃贼学会了如何撬开物理门锁一样，诈骗者已经开发出了复杂的手段来利用这个数字系统，通常是通过操纵那些旨在促进交易的代理人来进行。这些不法分子可能会欺骗系统，使其误认为一笔交易已经发生，而实际上并未发生；或者他们可能会制造虚假的资金循环，仅仅为了骗取原本属于合法业务的奖励。多年来，运营这些网络的公司一直试图通过使用静态规则（例如拦截任何超过一定美元金额的交易）来阻止这种盗窃行为。但诈骗者非常聪明，他们只需改变策略就能避开监管，使这些僵化的规则变得无效。

赞比亚穆隆古希大学（Mulungushi University）的一个研究小组致力于解决这一问题，他们试图教计算机像人类调查员一样思考。他们想知道，是否可以建立一个不仅观察单笔交易数值，而且能理解相关人员及代理人行为的系统。为此，他们收集了一组海量的真实世界数据：来自2026年2月某一天、涉及一千多名用户和一百多名代理人的近一万笔交易。这些数据经过了仔细的脱敏处理，去除了任何姓名或个人细节以保护隐私，仅保留了移动轨迹的模式。随后，研究人员将这些信息输入到几种不同的机器学习模型中。这些是旨在发现数据中隐藏模式的计算机程序，就像一个人在人群中观察并发现那个走向异常的人一样。该团队测试了四种不同的方法，其范围从简单的统计方法到构建数千棵决策树以权衡每一个可能因素的复杂系统。

他们在工作中最重要的发现是，观察代理人的重要性并不亚于观察客户。在过去，欺诈检测系统主要关注交易本身：发送了多少钱、何时发送以及是什么类型的转账。研究人员发现，这种方法漏掉了大量的欺诈行为。通过加入“代理人层面”的特征——特别是代理人撤销交易的频率以及他们在单日内处理的交易量——系统变得更加有效。他们发现，高频率的撤销是一个重大的危险信号。在赞比亚的移动货币系统中，代理人每协助完成一笔交易都会赚取微薄的佣金。诈骗者发现他们可以通过创建虚假交易并立即撤销交易来操纵这个系统，从而骗取系统为从未实际发生的业务支付佣金。一个只看单笔转账金额的计算机程序永远无法捕捉到这一点，但一个注意到某位代理人在几小时内突然撤销了数十笔交易的系统则能立即识别出这种骗局。

为了确保他们的计算机模型是在学习正确的知识而非仅仅在猜测，研究人员使用了一种类似于“聚光灯”的技术，能够突出显示影响计算机决策的具体因素。他们发现，虽然交易规模很重要，但代理人的行为往往是更强的欺诈预测指标。其中一种以处理复杂、杂乱数据能力著称的模型被证明是最准确的。它成功识别出的实际欺诈案例比例远高于旧有的基于规则的系统，同时保持了较低的误报率。这一点至关重要，因为如果系统将太多无辜的人标记为罪犯，会挫伤用户积极性并减缓经济发展。研究人员还必须应对一个困难的现实：欺诈极其罕见，在每五百笔交易中发生不到一次。为了教会计算机识别这些稀有事件，他们在训练阶段使用了一种创建合成欺诈样本的方法，帮助模型学习如何识别，而无需依赖数百万个真实的犯罪现场进行研究。

这项研究的结果为赞比亚及类似市场的移动货币运营商提供了一条清晰的路径。对抗欺诈的老方法——依赖于静态规则列表——在面对不断演变的犯罪手段时已不再足够。相反，未来的核心在于能够监测行为变化的动态系统。如果一位通常处理稳定合法销售额的代理人突然开始以异常速率撤销交易，系统应当立即发出警报。这种方法将欺诈检测从一场“猫鼠游戏”式的被动反应，转变为一种理解每次交互背景的、主动的防护盾。通过聚焦于人类元素——即站在网络中心的代理人——这些新工具可以保护数百万人的财务安全，确保数字革命持续建立信任而非侵蚀信任。该研究证实，凭借正确的数据和工具，完全有可能智斗诈骗者，并让数字经济为每个人保持安全。