Descifrando rutas: cómo la Ciencia de Datos combate el lavado de activos
14 de Junio de 2023
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 fenómeno.
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.
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 OCDE.
TABLA 1.- DESCRIPCIÓN DE LAS VARIABLES
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
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 AGEB:
Modelo de inteligencia lavado de dinero
ILUSTRACIÓN 2.- RELEVANCIA DE LAS VARIABLES
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
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
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
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
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.
Alexandre, C. a. (2015). Client profiling for an anti-money laundering system. arXiv preprint arXiv:1510.00878.
Araújo, R. M. (2005). An Inter-Temporal Model of Dirty Money. Journal of Money Laundering Control Martie.
Argentiero, A., & Busato, M. B. (2008). "Money Laundering in a Two Sector Model: Using Theory for Measurement". in: CEIS Tor Vergata. Research Paper. Tor Vergata University, Center for Economic and International Studies, No. 128. Vol 6.
Asociación de Especialistas Certificados en Lucha contra el Lavado de Dinero (ACAMS). (19 de octubre de 2021). Glosario de Términos ALD. Obtenido de ACAMS: https://www.acams.org/es/recursos/glosario-de-t%C3%A9rminos-de-ald
Banco de México (Banxico). (01 de diciembre de 2021). Sistema de Información Económica. Obtenido de Ingresos por Remesas: https://www.banxico.org.mx/SieInternet/consultarDirectorioInternetAction.do?accion=consultarCuadro&idCuadro=CE81&locale=es
Banco de México (Banxico). (01 de diciembre de 2021). Sistema de Información Económica. Obtenido de Piezas recibidas en Banco de México para su análisis, por entidad federativa: https://www.banxico.org.mx/SieInternet/consultarDirectorioInternetAction.do?sector=11&accion=consultarCuadroAnalitico&idCuadro=CA614&locale=es
Becker, G. (1968). Crime and Punishment: An Economic Approach. Journal of Political.
Bolton, R. a. (2002). Statistical fraud detection: a review (with discussion). Statistical Science, Vol. 17, pp. 235-249.
Breiman, L. (1 de mayo de 1998). Randomizing Outputs to Increase Prediction Accuracy. Statistics Department, UCB (in press Machine Learning).
Breiman, L. (2001). Random Forests. Berkeley, CA 94720: Statistics Department, University of California.
Breiman, L., & Cutler, A. (2018). Cran R project. Obtenido de Breiman and Cutler's Random Forests for Classification and Regression: https://cran.r-project.org/web/packages/randomForest/randomForest.pdf
Cavalcante Veiga, L. A. (2006). Money Laundering, Corruption and Growth: An Empirical Rationale for a Global Convergence on Anti-Money Laundering Regulation. eScholarship Repository, University of California.
Chêne, M. (2008). Sistema de remesas hawala y blanqueo de capitales. Chêne, M. (2008). Sistema de remesas hawala y blanqueo de capitales. Respuesta de experto de U4. Centro de recursos anticorrupción, Noruega.
Cheng, J., Karambelkar, B., & Xie, Y. (16 de february de 2022). Cran R Project. Obtenido de Create Interactive Web Maps with the JavaScript 'Leaflet' Library. Package ‘leaflet’: https://cran.r-project.org/web/packages/leaflet/leaflet.pdf
CNBV. (agosto de 2022). Comisión Nacional Bancaria y de Valores. Obtenido de Prevención de Lavado de Dinero y Financiamiento al Terrorismo: https://www.cnbv.gob.mx/PrevencionDeLavadoDeDinero/Paginas/Descripci%C3%B3n.aspx
Colladon, A. a. (2017). Using social network analysis to prevent money laundering. Expert Systems with Applications, Vol. 67, pp. 49-58.
Comisión Interamericana para el Control del Abuso de Drogas (CICAD), Reglamento Modelo de la CICAD-OEA. (1992). Reglamento Modelo sobre Delitos de Lavado de Activos Relacionados con el Tráfico Ilícito de Drogas y otros Delitos Graves. Washington D.C: Secretaría General Organización de los Estados Americanos.
Comisión Internacional de Límites y Aguas entre México y los Estados Unidos. (27 de julio de 2015). Gobierno de México. Obtenido de Cruces y Puentes Internacionales Frontera México - EU: https://www.gob.mx/sre/acciones-y-programas/la-jurisdiccion-de-la-cila-con-respecto-a-los-cruces-y-puentes-internacionales
Comisión Nacional Bancaria y de Valores (CNBV). (27 de agosto de 2020). Prevención de Lavado de Dinero y Financiamiento al Terrorismo (PLD/FT). Obtenido de Gobierno de México: https://www.gob.mx/cnbv/acciones-y-programas/prevencion-de-lavado-de-dinero-y-financiamiento-al-terrorismo-pld-ft
Comisión Nacional Bancaria y de Valores (CNBV). (octubre de 2021). CNBV. Obtenido de Ley de Instituciones de Crédito, [en línea]: https://www.cnbv.gob.mx/PrevencionDeLavadoDeDinero/Documents/JornadaPLDF
Comisión Nacional Bancaria y Valores (CNBV). (octubre de 2021). CNBV. Obtenido de El Lavado De Dinero Y El Financiamiento Al Terrorismo, [en línea]: https://www.cnbv.gob.mx/PrevencionDeLavadoDeDinero/Documents/JornadaPLDFT_201703-NormativaNacion
Convenio de Estrasburgo. (1990). Convenio del Consejo de Europa sobre el Blanqueo, Identificación, Embargo y Decomiso de los productos Derivados de Actos Delictivos. Estrasburgo: Consejo de Europa.
Córdova, G. A., & Palencia, E. C. (2001). El Lavado de Dinero: Distorsiones Económicas e Implicaciones Sociales. En A. Córdova Gutiérrez, & C. Palencia Escalante, El Lavado de Dinero: Distorsiones Económicas e Implicaciones Sociales (pág. 3). México: Instituto de Investigación Económica y Social Lucas Alamán, A.C. Primera Edición.
Declaración de Basilea. (1988). Declaración de Principios del Comité de Basilea de Reglas y Prácticas de Control de Operaciones Bancarias sobre Prevención de la Utilización del Sistema para el Blanqueo de Fondos de Origen Criminal. Basilea: Comité para la reglamentación bancaria y las prácticas de vigilancia de Basilea.
Demetis, D. (2018). Fighting money laundering with technology: a case study of bank x in the UK. Decision Support Systems, Vol. 105, pp. 96-107.
Deng, X. J. (2009). “Active learning through sequential design with applications to detection of money laun- dering.” Journal of the American Statistical Association, Vol. 104 No. 487, pp. 969-981.
Dietterich, T. (1998). An Experimental Comparison of Three Methods for Constructing Ensembles of Decision Trees: Bagging, Boosting and Randomization, Machine Learning.
Dyntu, V. &. (2018). Cryptocurrency in the system of money laundering. Baltic Journal of Economic Studies, 4(5), 75-81.
Eide, E. (2000). Economics of Criminal Behavior, in: Encyclopedia of Law and Economics. Encyclopedia of Law and Economics, ed. by B. Bouckaert, and G. De Geest, vol. 5, pp. 345-389. Cheltenham: Edward Elgar.
FACTI. (septiembre de 2020). Panel sobre Responsabilidad, Transparencia e Integridad Financiera Internacional. Obtenido de Lavado de dinero representa 2.7% del PIB mundial: https://www.eleconomista.com.mx/internacionales/Lavado-de-dinero-representa-2.7-del-PIB-mundial-20200924-0129.html
Ferragut, S. (2012). Crimen organizado, drogas ilícitas y blanqueo de capitales: Estados Unidos y México. Documento del programa de seguridad internacional, 1, 1-30.
Ferwerda, J. (2009). The economics of crime and money laundering: does anti-money laundering policy reduce crime? Review of Law & Economics, 5(2), 903-929.
Fiscalía General de Justicia del Estado de Nuevo León. (octubre de 2021). Fiscalía General de Justicia del Estado de Nuevo León. Obtenido de Facultades de la Unidad de Inteligencia Patrimonial del Estado de Nuevo León, [en línea]: https://fiscalianl.gob.mx/wp-content/uploads/2019/06/AC.-CREACION-UEIPE
Fiscalía General de la República (FGR). (01 de enero de 2015). Subprocuraduría Especializada en Investigación de Delincuencia Organizada. Obtenido de Gobierno de México: https://www.gob.mx/fgr/acciones-y-programas/unidad-especializada-en-investigacion-de-operaciones-con-recursos-de-procedencia-ilicita-falsificacion-o-alteracion-de-moneda
Fondo Monetario Internacional (FMI). (21 de marzo de 2016). El FMI y la lucha contra el lavado de dinero y el financiamiento del terrorismo. Obtenido de Fondo Monetario Internacional: https://www.imf.org/es/About/Factsheets/Sheets/2016/08/01/16/31/Fight-Against-Money-Laundering-the-Financing-of-Terrorism
Gamboa, M. C., & Valdés, R. S. (01 de enero de 2013). “Lavado de Dinero” Estudio Teórico Conceptual, Derecho Comparado, Tratados Internacionales y de la nueva ley en la materia en México. Obtenido de Cámara de Diputados LXII Legislatura: http://www.diputados.gob.mx/sedia/sia/spi/SAPI-ISS-01-13.pdf
Gao, Z. a. (2007). A framework for data mining-based anti-money laundering research. Journal of Money Laundering Control, Vol. 10 No. 2, pp. 170-179.
Gobierno de México. (2021). Segundo Informe Anual. Estrategia Nacional de Seguridad Pública.
González, M. (12 de agosto de 2021). BBC NEWS. Obtenido de Aguililla, el pueblo de Michoacán asediado por el narco que se convirtió en epicentro de la violencia incontrolable en México: https://www.bbc.com/mundo/noticias-america-latina-58169830
González, R. J. (01 de abril de 2009). El lavado de dinero en México, escenarios, marco legal y propuestas. Obtenido de Centro de Estudios Sociales y de Opinión Pública, Documento de Trabajo núm. 66, pp.2-4: http://www3.diputados.gob.mx/camara/content/download/215443/539213/file/Lavado_dinero_Mexico_docto66.pdf
Grint, R. O. (2017). New technologies and anti-money laundering compliance report. Obtenido de www.fca.org.uk/publications/research/new-technologies-and-anti-moneylaundering-compliance-report
Grupo de Acción Financiera Internacional (GAFI). (2018). Medidas antilavado y contra la financiación del terrorismo México. Informe de Evaluación Mutua. Buenos Aires: GAFILAT.
Grupo de Acción Financiera Latinoamérica (GAFILAT). (19 de OCTUBRE de 2021). Glosario de Definiciones. Obtenido de GAFILAT: https://www.gafilat.org/index.php/es/glosario-de-definiciones
Grupo de Acción Financiera Internacional (GAFI). (1990). 40 recomendaciones. Informe del Grupo de Acción Financiera Internacional. París: GAFI.
Grupo Egmont. (junio de 2014). GRUPO EGMONT DE UNIDADES DE INTELIGENCIA FINANCIERA. Obtenido de PROCESO DE APOYO Y CUMPLIMIENTO: https://egmontgroup.org/wp-content/uploads/2021/09/Egmont_Group_of_Financial_Intelligence_Units_Support_and_Compliance_Process_Spanish.pdf
Hiebeler, D. (2010). Dept. of Mathematics and Statistics, University of Maine Orono, ME 04469-5752. Obtenido de MATLAB R / R: https://cran.r-project.org/doc/contrib/Hiebeler-matlabR.pdf
Hyndman, R. (2021). Cran R Project. Obtenido de Forecasting Functions for Time Series and Linear Models: https://cran.r-project.org/web/packages/forecast/forecast.pdf
Instituto Nacional de Estadística y Geografía (INEGI). (28 de septiembre de 2012). INEGI. Obtenido de Lavado de dinero en México. Estimación de su magnitud y análisis de su combate a través de la inteligencia financiera: https://rde.inegi.org.mx/RDE_09/Doctos/RDE_09_Art1.pdf
Instituto Nacional de Estadística y Geografía (INEGI). (2020). Cómo se hace la ENOE. Métodos y procedimientos. Obtenido de Cómo se hace la ENOE. Métodos y procedimientos: https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/bvinegi/productos/nueva_estruc/702825190613.pdf
Instituto Nacional de Estadística y Geografía (INEGI). (28 de noviembre de 2020). INEGI. Obtenido de Encuesta Nacional de Ingresos y Gastos de los Hogares (ENIGH). 2020 nueva serie: https://www.inegi.org.mx/programas/enigh/nc/2020/
Instituto Nacional de Estadística y Geografía (INEGI). (09 de diciembre de 2021). INEGI. Obtenido de PIB por Entidad Federativa (PIBE). Base 2013: https://www.inegi.org.mx/programas/pibent/2013/
Instituto Nacional de Estadística y Geografía (INEGI). (26 de marzo de 2021). INEGI. Obtenido de Censo de Población y Vivienda 2020: https://www.inegi.org.mx/programas/ccpv/2020/
Instituto Nacional de Estadística y Geografía (INEGI). (diciembre de 2021). INEGI. Obtenido de Marco Geoestadístico: https://www.inegi.org.mx/temas/mg/
Instituto Nacional de Estadística y Geografía (INEGI). (09 de diciembre de 2021). Sistema de Cuentas Nacionales de México. Fuentes y metodologías. Año base 2013. Obtenido de Sistema de Cuentas Nacionales de México. Fuentes y metodologías. Año base 2013.: https://www.inegi.org.mx/contenidos/programas/pibent/2013/doc/met_pibefa.pdf
Instituto Nacional de Estadística y Geografía (INEGI). (28 de febrero de 2022). INEGI. Obtenido de Encuesta Nacional de Ocupación y Empleo (ENOE), población de 15 años y más de edad: https://www.inegi.org.mx/programas/enoe/15ymas/
Instituto Nacional de Estadística y Geografía (INEGI). (febrero de 2022). INEGI. Obtenido de Índice Nacional de Precios al Consumidor (INPC): https://www.inegi.org.mx/temas/inpc/#Informacion_general
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statical Learning with Applications in R. Springer New York Heidelberg Dordrecht London.: New York.
Liddick, D. (2000). Campaña de abusos en la recaudación de fondos y lavado de dinero en las recientes elecciones estadounidenses: redes criminales en acción. Crimen, ley y cambio social, 34 (2), 111-157.
Liu, X. Z. (2008). “Sequence matching for suspicious activity detection in anti-money laundering. Proceedings of the IEEE ISI 2008 PAISI, PACCF, and SOCO international workshops on Intelligence and Security Informatics, Springer, pp. 50-61.
Lopez-Rojas, E. a. (2012). Money Laundering Detection Using Synthetic Data. the 27th Annual Workshop of the Swedish Artificial Intelligence Society (SAIS) Link«oping University Electronic Press, Örebro, pp. 33-40.
Martínez-Sánchez, J. F.-G.-M. (2020). Money laundering control in Mexico: a risk management approach through regression trees (data mining). Journal of Money Laundering Control.
Masciandaro, D. (1999). Money Laundering: The Economics of Regulation. European Journal of Law and Economics, 7:225–240.
Masciandaro, D. (2001). Money Laundering Regulation and Bank Compliance Costs: What Do Your Customers Know? Economics and the Italian Experience. Journal of Money Laundering Control.
Millán, R. G. (2006). Inteligencia Financiera y Prevención de Lavado de Dinero. Iter Criminis - Revista de Ciencias Penales, 59 - 88.
Municipio General Escobedo. (2020). Acta No. 35 Sesión Ordinaria., (pág. 32). General Escobedo.
Naciones Unidas. (1988). Convención de Naciones Unidas Contra el Tráfico de Estupefacientes y Sustancias Psicotrópicas. Viena: Naciones Unidas.
Naciones Unidas, Convención de Palermo. (2000). Convención de las Naciones Unidas Contra la Delincuencia Organizada Transnacional y sus Protocolos. Palermo: Naciones Unidas Oficina contra la Droga y el Delito.
Naciones Unidas, Convención de Viena. (1988). Convención de las Naciones Unidas contra el tráfico ilícito de estupefacientes y sustancias psicotrópicas. Viena: Naciones Unidas.
Ngai, E. H. (2011). The application of data mining techniques in financial fraud detection: a classification framework and an academic review of literature. Decision Support Systems, Vol. 50 No. 3, pp. 559-569.
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
Plan Nacional de Desarrollo (PND). (12 de julio de 2019). Plan Nacional de Desarrollo 2019 - 2024. Obtenido de Gobierno de México: https://framework-gb.cdn.gob.mx/landing/documentos/PND.pdf
Reuter, P. a. (2004). Chasing Dirty Money: The Fight against Money Laundering. Peterson Institute for International Economics, Washington, DC.
Riani, M. C. (2018). The use of prior information in very robust regression for fraud detection. International Statistical Review, Vol. 86 No. 2, pp. 205-218.
Savage, D. W. (2016). Detection of money laundering groups using supervised learning in networks. arXiv preprint arXiv:1608.00708.
SCJN. (25 de octubre de 2021). El Economista. Obtenido de Suprema Corte declara inconstitucional prisión preventiva oficiosa por defraudación fiscal y facturación falsa: https://www.eleconomista.com.mx/politica/SCJN-declara-inconstitucional-prision-preventiva-por-defraudacion-fiscal-y-facturacion-falsa-20211025-0071.html
Secretaría de Comunicaciones y Transportes (SCT). (6 de enero de 2017). SCT. Obtenido de Sistema Portuario Nacional: https://www.sct.gob.mx/puertos-y-marina/puertos-de-mexico/
Secretaría de Gobernación, Consejo Nacional de Seguridad Pública. (20 de septiembre de 2011). ACUERDOS aprobados por el Consejo Nacional de Seguridad Pública en su Trigésima Sesión. Obtenido de Diario Oficial de la Federación: http://dof.gob.mx/nota_detalle.php?codigo=5209746&fecha=20/09/2011
Secretaría de Hacienda y Crédito Público (SHCP). (13 de abril de 2016). Grupo de Acción Financiera Internacional (GAFI). Obtenido de Gobierno de México: https://www.gob.mx/cms/uploads/attachment/file/80948/VSPP_GAFI___13042016.pdf
Secretaría de Hacienda y Crédito Público (SHCP). (8 de enero de 2021). Umbrales de Identificación y Aviso. Obtenido de Gobierno de México: https://sppld.sat.gob.mx/pld/interiores/umbrales.html
Secretariado Ejecutivo del Sistema Nacional de Seguridad Pública (SESNSP). (20 de febrero de 2022). Gobierno de México. Obtenido de Incidencia delictiva del Fuero Común, nueva metodología.: https://www.gob.mx/sesnsp/acciones-y-programas/incidencia-delictiva-del-fuero-comun-nueva-metodologia
Sergi, A. (2020). La interfaz puerto-delincuencia Un informe sobre la delincuencia organizada y la corrupción en los puertos marítimos. Chelmsford: Universidad de Essex.
Silanes, F. L. (2007). Money Laundering and Its Regulation. Economics and Politics, 1-56.
Stancu, I. y. (2009). La relación entre crecimiento económico y blanqueo de capitales: un modelo de regresión lineal. Economía teórica y aplicada, 16 (9).
Sudjianto, A. N.-D. (2010). Statistical methods for fighting financial crimes. Technometrics, Vol. 52 No. 1, pp. 5-19.
Torres, P. (25 de 09 de 2019). El dinero ilícito y el riesgo en los municipios mexicanos. Obtenido de El Universal: https://www.eluniversal.com.mx/opinion/pedro-r-torres-estrada/el-dinero-ilicito-y-el-riesgo-en-los-municipios-mexicanos
Torres, P. (2020). Reporte sobre el Ataque de Activos a la Delincuencia en el Noreste de México. Obtenido de Consorcio Puente: https://pedrotorresestrada.com/wp-content/uploads/2020/03/01-Presentacio%CC%81n-del-Reporte-Consorcio-Puentes-VF.pdf
Unidad de Inteligencia Financiera (UIF). (2020). EVALUACIÓN NACIONAL DE RIESGOS 2020. Obtenido de VERSIÓN PÚBLICA: https://www.pld.hacienda.gob.mx/work/models/PLD/documentos/enr2020.pdf
Unidad de Inteligencia Financiera (UIF). (18 de diciembre de 2020). Comunicado No. 016-2020 Tercer Informe de Seguimiento Intensificado de México Ante el GAFI. Obtenido de UIF: https://www.uif.gob.mx/work/models/uif/comunicados/UIF_016.pdf
Unidad de Inteligencia Financiera (UIF). (2020). Creación o Fortalecimiento de las Unidades de Inteligencia Patrimonial y Económica (UIPE´s) en las Entidades Federativas. Ciudad de México: SHCP.
Unidad de Inteligencia Financiera (UIF). (22 de octubre de 2020). Es Escobedo uno de los primeros municipios en combatir delincuencia con Inteligencia Financiera. Obtenido de Gobierno de México: https://www.gob.mx/uif/es/articulos/es-escobedo-uno-de-los-primeros-municipios-en-combatir-delincuencia-con-inteligencia-financiera?idiom=es
Unidad de Inteligencia Financiera (UIF). (2020). Informe de Reportes de Operaciones enero de 2020. Ciudad de México: SHCP.
Unidad de Inteligencia Financiera (UIF). (20 de enero de 2021). Plataforma Nacional de Transparencia. Obtenido de 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: https://www.plataformadetransparencia.org.mx/
Unidad de Inteligencia Financiera (UIF). (11 de 10 de 2021). Unidad de Inteligencia Financiera. Obtenido de Gobierno de México: https://www.gob.mx/uif/que-hacemos
United Nations Office on Drugs and Crime. (2011). Estimating illicit financial flows resulting from drug trafficking and other transnational organized crimes. Obtenido de: www.unodc.org/documents/
UNODC. (02 de agosto de 2022). La Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC). Obtenido de La Oficina de las Naciones Unidas contra la Droga y el Delito (UNODC): https://www.unodc.org/mexicoandcentralamerica/es/romex/QuienesSomos.html#:~:text=La%20misi%C3%B3n%20de%20la%20Oficina,Estados%20Miembros%20a%20fin%20de
US Congress. (1995). Office of Technology Assessment, Information Tech- neologies for Control of Money Laundering. Technical report, OTA-ITC- 630, Government Printing Office, Washington.
Walker, J. (1999). How big is global money laundering? Journal of Money Laundering Control, Vol. 3 No. 1, pp. 25-37.
Zhang, Y. &. (2019). Machine learning and sampling scheme: An empirical study of money laundering detection. Computational Economics, 54(3), 1043-1063.
