Descifrando rutas: cómo la Ciencia de Datos combate el lavado de activos

Juan Pablo Martín del Campo Rodríguez  | Mtro en Administración y Política pública por la EGobiernoyTP

Hoy en día las organizaciones criminales desarrollan nuevos mecanismos más sofisticados de lavado de dinero a nivel internacional, donde las actividades ligadas a este fenómeno generan profundas lesiones en el ámbito social, político, económico y financiero.

En el trabajo realizado para obtener mi grado de Maestro en Administración Pública y Política Pública, empleé métodos de Ciencia de Datos y técnicas de Machine Learning, para desarrollar un atlas de riesgo que permita identificar los factores causantes del lavado de activos y las zonas de mayor riesgo. Con esta información realicé una serie de recomendaciones de política pública para mitigar dicho fenómeno₁. El trabajo completo se puede consultar aquí.

Los factores que generan un mayor riesgo de lavado de dinero son los delitos de falsificación y fraude; las actividades económicas con mayor riesgo son el sector agrícola, ganadero, hotelero, restaurantero y bares, debido a la falta de regulación por parte de las autoridades. Aunado a esto, el aparato de justicia en México no es eficiente generando sentencias para los delitos de Operaciones con Recursos de Procedencia Ilícita (ORPI), lo que es un incentivo para los criminales. Así mismo, las zonas con mayor riesgo de lavado de dinero se encuentran en la Ciudad de México, Jalisco y Quintana Roo.

El panorama

En los últimos años se ha visto alrededor del mundo un proceso de interconexión de las economías que ha permitido un crecimiento acelerado de éstas por las cadenas productivas internacionales; acompañado de este crecimiento, también se ha observado la consolidación de redes criminales dedicadas al tráfico de drogas, comercio ilegal de armas, inmigración clandestina, extorsión, fraudes financieros, entre otros crímenes.

El lavado de dinero es uno de los delitos más graves del crimen organizado en la actualidad, en donde las actividades ligadas a éste generan lesiones profundas en el tejido social. Además, el lavado de activos puede afectar el sistema económico al debilitar la integridad de los mercados financieros, disminuir el control de la política económica, contribuir a introducir distorsiones e inestabilidad en los mercados, lo que propicia la pérdida de ingresos fiscales y representa un riesgo para las instituciones financieras y la economía en su conjunto.

En México, de acuerdo con estimaciones del Instituto Nacional de Estadística y Geografía (INEGI), el valor estimado promedio del lavado de dinero es de alrededor de 145 mil millones de pesos al año, valor que ronda el 1.63% del Producto Interno Bruto (PIB). Aunado a esto, en el año 2019 la Unidad de Inteligencia Financiera (UIF) recibió más de 10 millones de reportes de operaciones con sospechas de estar vinculadas con el lavado de dinero. Todos estos recursos son producidos por delitos asociados con el lavado de dinero, como el tráfico de drogas o estupefacientes, contrabando de armas, corrupción, fraude, trata de personas, prostitución, extorsión, piratería y evasión fiscal, entre otros.

En el proceso de lavado de dinero, la etapa de oscurecimiento es de suma relevancia, por lo que los delitos de falsificación, falsedad, así como los delitos de instituciones de crédito, inversión, finanzas y seguros generan mayores niveles de lavado de dinero. Esto se debe a que la mayoría de las organizaciones criminales buscan legitimar sus recursos y esto únicamente es posible con documentos que avalen los activos y bienes que poseen. Por lo tanto, buscan adquirir documentos apócrifos que respalden sus operaciones inusuales o introducir sus recursos al sistema financiero de manera ilegal.

ILUSTRACIÓN 1.- ETAPAS DEL LAVADO DE DINERO

Fuente: Elaboración propia a partir del proceso de lavado de dinero de la OCDE.

En la investigación utilicé Machine Learning para detectar patrones de lavado de dinero en espacios poco explorados y generar propuestas de política pública. En la tesis propongo una metodología para analizar el fenómeno de lavado de dinero, a partir de datos disponibles, que permita sustentar recomendaciones de política pública basadas en evidencia, para que las autoridades puedan implementar acciones a fin de mitigar dicho fenómeno, eficientando los recursos en las estrategias de combate.

La metodología está compuesta por tres partes (1) identificación de factores que aumentan el riesgo de lavado de dinero, (2) un atlas de riesgo subnacional y (3) un análisis geoespacial que identifica las regiones locales del país con mayores niveles de riesgo de lavado de dinero.

La primera hipótesis que planteo es que las actividades económicas del sector primario (agricultura, ganadería, tala, pesca y caza) aumentan los niveles de riesgo de blanqueo de capitales, a causa de su baja regulación, su alta intensidad en mano de obra y sus altos flujos de efectivo. La segunda hipótesis establece que la falta de regulación y la falta de supervisión de las actividades económicas aumentan los niveles de riesgo de lavado de dinero. Ante una falta de seguimiento por parte de las autoridades, se vuelve atractivo para los criminales poder incurrir en el lavado de activos debido a las pocas o nulas consecuencias que esto representa, generando costos muy bajos para los delincuentes.

Metodología

Para realizar la construcción de los modelos propuestos, las bases de datos se nutrieron de fuentes de información pública en su mayoría, así como solicitudes de información que se emitieron a las instancias correspondientes.

El Modelo de Inteligencia Lavado de Dinero tiene como variable dependiente los Reportes de Operaciones Inusuales (ROI) y 58 variables independientes a nivel estatal del año 2017 a 2019, todas estas variables componen 6 categorías retomadas de la metodología que propone la OCDE₂. 

TABLA 1.- DESCRIPCIÓN DE LAS VARIABLES

Fuente: Elaboración propia.

A continuación, se hace una comparación entre un modelo de Regresión Lineal (LM) y el modelo de Random Forest (RF). Los estadísticos del modelo LM presentan que el Mean Error (ME) tiene un valor de 0.7203799, además el Root Mean Squared Error (RMSE) presenta un valor de 2.980963, en cuanto a Mean Absolute Error (MAE) este presenta un valor de 0.7572962, consecutivamente el Mean Percentage Error (MPE) tiene un valor de 48.58323 y el Mean Absolute Percentage Error (MAPE) tiene un valor de 27.0182%. Comparando los resultados anteriores del modelo de LM se puede inferir que el modelo RF tiene una mejor precisión en su desempeño, ya que el ME tiene un valor menor de 0.2310649, además el RMSE presenta un valor menor de 0.9071249. En cuanto al MAE, éste presenta un valor menor de 0.2455962, consecutivamente el MPE tiene un valor menor de 3.568186 y el MAPE  tiene un valor menor de 14.77436%.

TABLA 2.- TEST SET

Fuente: Elaboración propia.

El Modelo de Análisis Subnacional permite poder identificar las regiones del país con mayores niveles de riesgo de lavado de dinero, para ello se propone un mapa de las 32 entidades de la república y su nivel de riesgo de blanqueo de capitales, el cual tiene como métrica los ROI por cada 100 mil habitantes, permitiendo identificar los estados de la república donde se debe centrar el análisis para identificar las regiones de riesgo.

La base de datos que se emplea para el análisis geoespacial contiene el número de ROI emitidos a la UIF, que es la unidad de análisis, con una temporalidad de un año (2019), se cuentan con 32 observaciones, una por cada entidad federativa. Empleando datos del Censo de Población y Vivienda INEGI 2020, es posible generar las tasas de riesgo a nivel estatal y posteriormente a nivel de Área Geoestadística Básica (AGEB) para el siguiente modelo.

En el Modelo de Análisis Local, una vez identificadas las entidades con las mayores tasas de blanqueo de activos, se estiman los niveles de riesgo de lavado de dinero a nivel AGEB de las entidades seleccionadas, teniendo como métrica de estudio el número total de ROIs para cada AGEB. Los Reportes se distribuyen de manera uniforme por habitante en la entidad, por lo que a falta de datos a nivel AGEB se optó por el siguiente método.

Montos reportados a nivel AGEB₃.

Nivel de riesgo AGEB_x =

*Nota: La localidad x pertenece al estado z.

Modelo de inteligencia lavado de dinero

ILUSTRACIÓN 2.- RELEVANCIA DE LAS VARIABLES

Fuente: Elaboración propia

La Ilustración 2.- Relevancia de las variables permite identificar de forma visual las variables que presentan un mayor aporte de información a las estimaciones de lavado de dinero. Como se puede observar, las variables que son mayormente explicativas en los niveles de lavado de dinero por región son: delitos de falsificación; delitos de fraude; delitos de falsedad; actividad en agricultura, cría y explotación de animales, aprovechamiento forestal, pesca y caza; delitos de instituciones de crédito, inversión, finanzas y seguros; delitos de falsificación de divisas; y delitos de robo.

Modelo de análisis subnacional

El análisis muestra, en primera instancia, los reportes de operaciones inusuales por cada 100 mil habitantes de cada una de las entidades federativas del país. La tasa de riesgo va desde los 147 reportes por cada 100 mil habitantes, siendo el nivel más bajo, hasta los 2084 reportes por cada 100 mil habitantes como el nivel más alto para el periodo de análisis.

ILUSTRACIÓN 3.- REPORTES DE OPERACIONES INUSUALES POR CADA 100 MIL HABITANTES

Fuente: Elaboración propia con ROI's desde el año 2019₄, y  Encuesta Nacional de Ocupación y Empleo (ENOE).

En la Ilustración 3 se observan los reportes ROI por cada 100,000 habitantes, de lavado de dinero, por entidad federativa en el país. Al hacer una categorización de la tasa de riesgo, donde de 0 a 280 es un nivel bajo, 281 a 404 es un nivel medio, y de 405 en adelante es un nivel alto.

Modelo de análisis local

Una vez que se identificaron las entidades con los mayores niveles de riesgo de lavado de dinero en el país, se elaboró un análisis de ellas a nivel regional para visualizar de mejor manera las zonas que concentraban altos niveles de blanqueo de activos.

ILUSTRACIÓN 4.- ZONAS DE RIESGO DE LAVADO DE DINERO EN LA CIUDAD DE MÉXICO

Fuente: Elaboración propia con ROI´s emitidas a la UIF y Censo Población y Vivienda INEGI 2020.

La Ciudad de México cuenta con 2084 reportes por cada 100 mil habitantes, esta cifra representa más de tres veces los reportes que tiene el estado de Jalisco, el cual se encuentra en segundo lugar y, como lo muestra la Ilustración 4, las zonas de mayor riesgo se concentran en diferentes partes de la ciudad en las alcaldías Azcapotzalco, Coyoacán, Cuajimalpa, Gustavo A. Madero, Iztacalco, Iztapalapa, La Magdalena Contreras, Milpa Alta, Álvaro Obregón, Tláhuac, Tlalpan, Xochimilco, Benito Juárez, Cuauhtémoc, Miguel Hidalgo y Venustiano Carranza.

ILUSTRACIÓN 5.- ZONAS DE RIESGO DE LAVADO DE DINERO EN EL ESTADO DE JALISCO

Fuente: Elaboración propia con ROI´s emitidas a la UIF y Censo Población y Vivienda INEGI 2020.

El estado de Jalisco cuenta con 629 reportes por cada 100 mil habitantes y, como se aprecia en la Ilustración 5, las zonas de mayor riesgo se concentran en la Zona Metropolitana de Guadalajara (Guadalajara, Zapopan, San Pedro Tlaquepaque y Tonalá) y la ciudad de Puerto Vallarta, la primera en el centro, y la segunda en la franja costera, interconectadas entre ellas por vía carretera. A diferencia de la Ciudad de México, que presenta una concentración de la zona de riesgo, en Jalisco se puede observar una dispersión fuera de las áreas mencionadas.

ILUSTRACIÓN 6.- ZONAS DE RIESGO DE LAVADO DE DINERO EN EL ESTADO DE QUINTANA ROO

Fuente: Elaboración propia con ROI´s emitidas a la UIF y Censo Población y Vivienda INEGI 2020.

El estado de Quintana Roo cuenta con 514 reportes por cada 100 mil habitantes y, acorde con la Ilustración 6, hay una dispersión de las demarcaciones de riesgo en diferentes puntos, pero las zonas de mayor tamaño se concentran en las ciudades de Cancún, Playa del Carmen y Chetumal. Estas zonas identificadas se encuentran a lo largo de la franja costera.

El análisis también mostró que los delitos de fraude, falsificación de divisas y robo son los que generan mayores cantidades de recursos de procedencia ilícita, incrementando así los niveles de riesgo de lavado de dinero.

Este tipo de delitos, por su naturaleza, presentan altas cifras en la mayoría de las ciudades, por lo que, aunque no se obtienen montos muy elevados en la mayoría de los casos, obtienen grandes sumas de utilidad debido al volumen de incidencia.

Se pudo observar que gran parte de los factores que causan riesgo de lavado de dinero son actividades económicas que cuentan con una baja o nula regulación en materia de lavado de dinero, ya que ninguna de las actividades identificadas como de alto riesgo, derivadas de la investigación, están catalogadas como relevantes dentro de la Evaluación Sectorial de Riesgos de las Actividades Vulnerables por parte de la UIF. El modelo tuvo un gran desempeño, alcanzando un 85.22% de exactitud en las estimaciones realizadas.

A continuación, realizo una serie de recomendaciones de política pública derivadas del análisis. Esto, con el objetivo de que las autoridades persecutoras puedan implementar estrategias más eficientes de combate al lavado de activos, optimizando los recursos económicos y humanos. Debido a la naturaleza del análisis de tipo regional, las recomendaciones están enfocadas en que las Unidades de Inteligencia Patrimonial y Económica (UIPE´S) puedan fortalecer sus operaciones en el combate al lavado de dinero, ya que son la primera línea de defensa que, por su naturaleza, tienen una mayor cercanía a los delitos de blanqueo.

• Fortalecimiento y capacitación de las UIPES.
• Fortalecimiento en la colaboración entre las UIPES y las autoridades.
• Fortalecimiento de la fiscalización de las actividades económicas por parte de las autoridades.
• Implementación del modelo de Inteligencia de Lavado de Dinero propuesto para las UIPES.
• Regulaciones para las actividades económicas identificadas con riesgo de lavado de dinero por parte de las autoridades.
• Seguimiento de las actividades económicas identificadas con riesgo de lavado de dinero por parte de las UIPES.
• Elaboración de Perfiles de Riesgo de usuarios por parte de las UIPES.
• Fortalecimiento de la persecución y el combate de delitos vinculados al lavado de dinero por las UIPES y las autoridades de justicia.
• Monitoreo de nuevas tecnologías utilizadas como medios de lavado de dinero por parte de las UIPES.
• Monitoreo de los beneficiarios finales por parte de las UIPES.
• Estructuración adecuada de las UIPES en regiones de (bajo/medio/alto) riesgo de lavado de dinero.

Finalmente, este trabajo retoma las herramientas analíticas  aprendidas a lo largo del programa de Maestría en Administración Pública y Política Públicas de la Escuela de Gobierno y Transformación Pública del Tecnológico de Monterrey, con el objeto de proponer soluciones basadas en evidencia para diseñar políticas públicas innovadoras que mitiguen el fenómeno de lavado de dinero en México desde distintos ámbitos.

1. Este post es un resumen ejecutivo de la tesis titulada “Propuestas de Política Pública para la Detección del Lavado de Dinero en México: Aplicación de Métodos de Machine Learning”, que fue presentada y aprobada como requisito de titulación ante un comité evaluador en agosto del 2022. La tesis fue desarrollada a lo largo del programa de Maestría en Administración Pública y Política Pública en la Escuela de Gobierno y Transformación Pública del Tecnológico de Monterrey, con el fin de generar propuestas para la identificación y combate del fenómeno de lavado de dinero. Director de tesis: Dr. Pedro Rubén Torres Estrada. Sinodal: Dr. Héctor Rodríguez Ramírez. Sinodal: Dr. Roberto Ponce López. Ver tesis completa aquí.

2. Organización para la Cooperación y el Desarrollo Económicos (OCDE). (10 de junio de 2019). Lavado de activos y financiación del terrorismo – Manual para inspectores y auditores fiscales. Obtenido de OCDE: https://www.oecd.org/ctp/crime/lavado-de-activos-y-financiacion-del-terrorismo-manual-para-inspectores-y-auditores-fiscales.pdf

3. Número de población obtenido a partir del Censo Población y Vivienda 2020 (INEGI) y Número de Reportes de Operaciones Inusuales (ROI) obtenido de Unidad de Inteligencia Financiera (UIF). Solicitud de información a la unidad de transparencia con número de folio 0000600005821. Reportes de operaciones relevantes, inusuales y preocupantes por Entidad Federativa y montos de las operaciones reportadas del año 2004 a 2020. Ciudad de México, 20 de enero de 2021.

4. *Nota. Se eligió el año 2019 debido a que fue el último año pre-pandemia.

5. Para revisar la bibliografía completa utilizada en este trabajo, ver: Referencias.