州および地方の各機関は、不正防止の最前線に立ち、給付の支給、支払い処理、提供者によるキックバックや不正請求スキームの検知、公的資金の保全といった業務を担っています。しかし、不正は組織の境界をほとんど意に介しません。部門、システム、法域をまたいで発生し、多くの場合、機関が業務運営のために依存しているサイロ構造そのものを悪用します。
その結果、十分なリソースを持つチームでさえ、点と点を結びつけることに苦労しています。
現在、多くの機関は、受付時の本人確認、個別案件ごとの調査、必要に応じた外部チェックといった、つぎはぎのツール群に依存しています。しかし、不正は一度きりの行為として発生することはほとんどありません。本人情報の改ざんから始まり、組織的な行動へと広がり、内部システムのはるか外側にまで及ぶシグナルとして現れるまで、ライフサイクル全体を通じて進化していきます。
不正の実態に即して迅速に対応するためには、機関は不正の仕組みを反映した統合的なアプローチを取る必要があります。
Babel Street では、この課題を、包括的な不正防止のための三層モデルとして整理し、実際の不正ライフサイクルに合わせています。
レイヤー1：入口時点での本人特定
不正行為は多くの場合、盗用または偽造された個人情報を用いて身元を偽装し、政府システムへのアクセス権を得ることから始まります。
COVID-19のパンデミック期間中、この脆弱性はかつてない規模で露呈しました。メリーランド州だけでも、当局は合計5億ドル超にのぼる4万7,500件以上の不正な失業給付申請を摘発しており、その多くは盗まれた個人データを用いて行われたものでした。[1]
これらの手口は、受付時の本人確認が不十分であることにつけ込み、重複した身元情報や架空の身元情報に紐づく数千件もの申請が、当局が介入できる前に提出される結果となりました。
Babel Street Match は、この課題に対処するため、AI を活用した氏名マッチングを機関が保有する既存データに適用し、次の点を特定します。
- 重複または重複に近い個人識別情報
- 部分的な情報を組み合わせて作られた合成アイデンティティ
- 正当な申請者を装ってなりすましを試みる個人
各申請を個別のレコードとして扱うのではなく、このアプローチではレコード間に潜む共通点を可視化し、不正な身元情報が拡大して組織的な損失に発展する前に阻止します。
不正防止は、1人の実在する人物が1つの検証済みアイデンティティに対応していることを確実にすることから始まります。
レイヤー2：行動の背後にあるネットワークの可視化
不正な身元が検知された場合でも、真のリスクは多くの場合、その背後にあるネットワークに潜んでいます。
現代の不正行為はますます組織化が進んでいます。グループは複数のプログラムにまたがって活動を連携させ、インフラを使い回し、発見を逃れるために請求を分散させます。U.S. Government Accountability Office によれば、組織的なグループは公的プログラムにおける大規模な不正の一因となっており、盗まれた身元情報や組織的な手口をしばしば悪用しています。[2]
最近の連邦裁判の事例は、こうしたネットワークの実態を示しています。個人らは100件を超える盗まれた身元情報を使って不正な給付の「世帯」を作り出し、複数の州にまたがって、複数の給付申請をごく少数の共通住所に紐づけていました。[3]
個々の申請だけを見れば、どの請求も正当なものに見えるかもしれません。しかし全体を俯瞰すると、明確なパターンが浮かび上がります。
- 共通の住所
- 再利用された身元情報
- 複数法域にまたがる連携された申請
- 他のプログラムデータ記録における支払い禁止フラグ
エンティティおよびリレーションシップ・マッピングは、断片化されたケースデータを構造化インテリジェンスへと変換し、人、組織、住所、取引を関連付けることで、調査担当者が個々の事案にとどまらず、その先にある事象を明らかにできるようにします。
- 複数の保険金請求にまたがって活動する詐欺組織
- 共謀や組織的な行動
- システム的な不正行為を示す共有インフラストラクチャ
不正行為は単独で起こることはほとんどなく、関係性を把握することが全体のスキームを明らかにするうえで不可欠です。
レイヤー3：検知を社内データの範囲外へ拡張
強力な本人確認管理や内部ネットワーク分析を行っていても、自前のデータだけに依存している限り、機関の対応には制約が残ります。不正行為者はデジタルエコシステム全体で活動しており、従来の政府システムからは見えない場所にシグナルを残しています。
最近のMinnesotaでの捜査では、広く視聴されたオンライン動画を含む外部の証拠により、活動していないように見える施設が数百万ドルの公的資金を受け取っている実態が明らかになり、当局は児童保育補助金プログラムに対する大規模な不正調査を開始しました。[4]
この事例は重要な現実を浮き彫りにしています。重大な不正の兆候は、公的なシステムの外側に存在し、外部からのシグナルによって初めて明らかになる場合があるということです。
同様に、政府の監視機関は、詐欺師がソーシャルメディアやデジタルプラットフォームをますます悪用し、制度やプログラムになりすまして不正な投資機会などを宣伝し、被害者に接触していると警告しています。[5]
Babel Street Insights Investigator は、公開情報および商用で入手可能な情報（PAI/CAI）を取り込むことで、機関の可視性を内部データセットの範囲を超えて拡張し、次のことを可能にします。
- 機関システム外で発生しつつある不正パターンの検知
- 不正行為者に関連するデジタルシグナルの特定
- 複数の法域にまたがる広範な状況認識
これにより、アナリストは自社の調査結果を検証し、通常であれば見過ごされてしまうリスクを明らかにすることができます。
見えないものは検知できないため、外部インテリジェンスはプロアクティブな不正検知に不可欠です。
不正検知に対するライフサイクル型アプローチ
これら3つのレイヤーを組み合わせることで、不正が現実の世界でどのように発生・進行するかと直接対応します：
- 不正な登録を防ぐための本人特定
- 関係性を可視化し、連携した活動を明らかにする
- 外部インテリジェンスを取り入れて、より広範なパターンを検知する
たびたび、注目を集める大規模な不正事件は同じパターンをたどります。まず本人になりすます形での身元悪用から始まり、ネットワーク全体へと拡大し、最終的には全容解明のために外部からのシグナルが不可欠になります。
州政府・地方自治体の実情に即した設計
州政府や地方自治体の機関は、予算の制約、レガシーインフラ、サイロ化したデータ環境など、固有の制約に直面しています。各レイヤーを個別に導入できるモジュラー型のアプローチが不可欠になります。既存システムを置き換えるのではなく、その上に機能を追加できることが、特に重要です。
不正行為はもはや個々の取引や単一のシステムに限定された問題ではありません。組織的かつ柔軟に手口を変えながら、継続的に発生しています。これに対応するには、ポイントソリューションだけでは不十分であり、不正ライフサイクル全体を段階的に実装できる、統合された戦略が必要です。
IDを特定し解決することで、IDを特定し解決することにより、関係性をマッピングし、外部インテリジェンスを取り込んで、州および地方組織は事後的なケース管理から全体を見据えた能動的な検知へと移行できるようになります。
その結果として、プログラムの完全性が強化され、損失が減少し、公共にサービスを提供するシステムへの信頼が一層高まります。
エンドノート
1. Maryland Department of Labor / U.S. Department of Labor Office of Inspector General, Maryland Department of Laborが大規模な犯罪的詐欺スキームを摘発, 2020年7月15日, https://oig.dol.gov/public/Press%20Releases/Maryland%20Department%20of%20Labor%20Uncovers%20Massive%20Criminal%20Fraud%20Scheme.pdf
2. U.S. Government Accountability Office（米国政府説明責任局）、連邦プログラムにおける不正リスク：COVID-19以降も続く組織的集団からの脅威、2025年7月10日、https://www.gao.gov/assets/gao-25-107508.pdf
3. U.S. Department of Justice（米国司法省）、複数州にまたがるSNAPおよびPUA詐欺共謀事件で4人を起訴、2026年2月3日、https://www.justice.gov/usao-ma/pr/four-charged-multi-state-snap-and-pua-fraud-conspiracy
4. NewsNation, 連邦当局、拡散した動画を受けてミネソタ州で大規模な納税者詐欺捜査を開始, December 30, 2025, https://www.newsnationnow.com/crime/fed-taxpayer-fraud-probe-minnesota-video-expose/
5. U.S. Department of Housing and Urban Development Office of Inspector General, 一般市民およびプログラム参加者向け刊行物 – ソーシャルメディア詐欺に関する勧告, 2023年6月7日, https://www.hudoig.gov/sites/default/files/2023-06/Social%20Media%20Scams%20-%20Fraud%20Bulletin.pdf
よくある質問
サイロ化された不正検知とは
サイロ化された不正検知とは、各機関がデータやインサイトを共有しない別々のツールやシステムを使うことで、不正行為の全体像を把握しにくくなっている状態を指します。このモデルでは、本人確認、調査、インテリジェンス収集がそれぞれ個別に行われるため、関連する事案を結び付けたり、パターンを特定したり、プログラムや部門をまたいだ組織的な不正を検知したりすることが困難になります。
州政府機関による組織的な不正検出の方法
州政府機関は、本人確認、データ分析、捜査手法を組み合わせることで、複数の案件にまたがる組織的な不正行為を検知します。これには、重複または架空のIDの特定、住所や金融口座などの共通属性の分析、個人や組織間の関係性のマッピングが含まれます。さらに近年では、機関横断的なデータ共有や外部インテリジェンスソースの活用により、複数の法域にまたがって活動する不正ネットワークの検知も進めています。
不正検知におけるアイデンティティ解決とは
アイデンティティ解決とは、複数のレコードが同一の実在する個人またはエンティティを指しているかどうかを判定するプロセスです。不正検知においては、氏名や住所などの識別データの表記揺れや差異を分析し、重複申請、架空のアイデンティティ、なりすましの試みを特定するために用いられます。効果的なアイデンティティ解決により、各アイデンティティが一意かつ正当であることを確認し、入口時点での不正防止を支援します。
リレーションシップマッピングとは
リレーションシップマッピングとは、人、組織、場所、取引の間にあるつながりを分析・可視化し、活動パターンを明らかにするプロセスです。不正調査においては、共有住所、繰り返される連絡先、連携した請求といった事例間の隠れた関連性を特定するのに役立ち、個別の事案だけをレビューしていては発見が難しい不正グループ、共謀、組織的なスキームの検知を可能にします。
なぜ不正調査において外部インテリジェンスが重要なのか
不正調査において外部インテリジェンスが重要なのは、多くの不正の兆候が政府の内部システムの外側に存在しているためです。オンライン上の行動やデジタルフットプリント、オープンソース情報などの公開データや商用データは、新たな手口を明らかにし、不審な行動を裏付け、法域をまたぐつながりを可視化することができます。外部インテリジェンスを取り入れることで、機関は事案発生後に対応する受動的なケース処理から、先回りした不正検知へと移行できます。
Published