骗保团伙：同一家修理厂为何反复出现在事故现场？图数据库解谜

在保险公司的理赔系统里，一个人可以同时拥有五种互不相干的身份。张某在过去三年出现在 27 起车险事故中：第 1 起他是被追尾的受害者，第 9 起他是变道撞人的肇事方，第 14 起他是路边目击证人，第 19 起他是后排受伤乘客，第 23 起他是受损车辆的实际车主。这五条记录躺在五起不同案件里，归属五个不同的理赔号，由五个不同的查勘员经手。系统不会觉得这有什么问题 ——它按案件建档，不按人建档。一个人换一次身份，系统里就多一条全新记录，此前的 26 次出现对第 27 次没有任何提示作用。骗保团伙吃透的就是这件事：团伙成员轮换扮演肇事者、受害者、伤者、证人，让每一次出险在单点视角下都像第一次。而把这 27 次出现放到图数据库构建的知识图谱中，以人员、案件、车辆为节点，角色归属作为关系边形成一张关联网络图，事情立刻变得直白 —— 身份可以轮换，人这个实体不换；案件可以分散，实体关系不分散。

一、骗保团伙的四种组织形态

黄牛与修理厂合谋。 这是车险领域最常见也最难查的一种。黄牛负责组织事故、招揽"客户"，修理厂负责定损与维修，双方按赔付金额分成。典型手法是扩大损失：一起轻微剐蹭，进厂后报出七八项更换件，定损金额翻几倍。这类团伙的稳定性极高，因为修理厂有固定场所、有工商登记、有合作关系，比流动的黄牛更容易被追踪，也因此在图谱里往往是那个"连通很多案件"的枢纽节点。

人伤碰瓷团伙。 专门针对"人伤"赔付设计，因为人伤涉及医疗费、误工费、伤残赔偿金，金额弹性远大于车损。团伙成员轮流扮演伤者，同一批人在不同事故中反复"受伤"，就诊记录集中在少数几家医院或诊所，伤情描述高度相似。这类案件的单起金额未必惊人，但频次极高，累积渗漏可观。

故意制造的二次事故与旧伤新报。 把此前的事故损伤留着不修，等下一份保单生效后再报；或者在同一地点反复制造轻微碰撞。判断依据不在单次案件，而在时间线与损伤特征的一致性上。

查勘员与内部人员勾结。 这是危害最大也最隐蔽的一类。查勘员掌握定损权与现场认定权，一旦被渗透，虚假案件可以在流程内被"合法化"。这类案件在材料层面挑不出毛病，异常只体现在统计分布上：某个查勘员经手的案件，赔付金额、修理厂集中度、特定驾驶员出现频率都显著偏离同岗位均值。

二、为什么规则引擎与黑名单拦不住

建档单位是案件，而欺诈存在于人。 保险核心系统的设计目标是"把每一起理赔处理完"，不是"识别跨案件的关联"。同一个人在不同案件里的记录，除非主动做主数据打通，否则就是若干条独立数据。即便做了客户主数据，骗保者也有对策：换手机号、换证件号、让亲属顶替，反正系统校验的是单个身份标识。

黑名单是点对点的，而团伙是网状的。 黑名单机制解决的是"这个人上次骗过我"，解决不了"这个人和那三个骗过我的人是同一个圈子的"。团伙的应对方式恰恰是让"黑名单上的人"退到幕后，用一批清白身份的人顶在前面。当黑名单命中率下降时，往往不是团伙消失了，而是它换了外壳。

跨公司信息壁垒。 同一批人在 A 公司骗完换 B 公司，单家机构的数据里看不到完整链条。行业层面虽有反欺诈信息平台，但共享的通常是已确认案件，滞后且颗粒度粗，难以支撑核赔环节的实时判断。

人工核赔的经验不可复制。 资深查勘员凭经验能认出"这张照片的角度不对""这个修理厂上个月刚出现过"，但这种判断依赖个人记忆，既无法量化，也无法覆盖全部案件，更无法在人员流动后留存。

三、图谱怎么建：把角色放在边上

建模的关键决定，是把"角色"作为边的属性而不是节点的身份。 如果按角色建节点——受害者节点、肇事者节点、证人节点——那么张某的五次出现仍然是五个独立节点，问题没有解决。正确做法是：人是唯一的节点，他与每起案件之间有一条边，边上写明他在这起案件中的角色、时间戳、涉及的车辆与金额。这样"同一个人在不同案件中担任不同角色"就变成了一次沿边遍历就能得到的事实。

常用的节点包括自然人、车辆、保单、理赔案件、修理厂、医疗机构、查勘员、地址与联系电话；边则覆盖出险关联、就诊、维修、定损、共乘、同址、通话等类型，每条边都带时间与金额属性。

核心查询是"同人跨案多角色"。 用 nGQL 表达大致如下：

GET SUBGRAPH FROM "PERSON:3205xxxx"
  BOTH 2 STEPS
  YIELD vertices AS v, edges AS e
  | FILTER count(DISTINCT e.case_id) >= 5
    AND count(DISTINCT e.role) >= 3

这条语句回答的问题是：这个人在多少起案件中出现过，扮演过几种角色。两个条件同时满足时，基本可以排除"运气不好"的解释。真实案件中更常见的是反向查询——从一家修理厂出发，看它连通的车辆、驾驶员、查勘员是否形成了远超正常经营范围的密集子图。

弱信号的价值比想象中大。 骗赔团伙会刻意切断强关联：不用同一手机号、不登记同一地址、不让两名成员在同一份材料上同时出现。但他们很难清理干净所有弱信号——一辆车曾在不同案件中搭载过不同伤者、两个人在某起旧案里留过同一联系电话、某个地址曾短暂登记为三名不同驾驶员的联系地。这些信号单独看都不足以立案，可在图上，它们是把分散子图缝合成一个团伙的关键针脚。建模时建议给每类边设定置信度权重，让强关联主导判定、弱信号负责连通，避免一刀切导致的误连与漏连。

四、图算法给团伙画像

一次典型的命中推演：以某修理厂为起点展开三跳，图上出现 46 起理赔案件、31 名驾驶员、12 名伤者、3 名查勘员。这 31 名驾驶员在图谱中彼此无亲属、无雇佣、无同址关系，理论上不该有任何交集，但他们全都指向同一家修理厂，且其中 9 人在不同案件中互换过肇事与受害身份。再扩展一跳，发现 12 名伤者的就诊记录集中在两家诊所，伤情编码重复率超过七成。到这里结论已经不是"这家修理厂可疑"，而是"这是一个以修理厂为中心、有稳定伤者供给与查勘配合的骗赔网络"。处置上，逐案拒赔要打 46 场官司，而按团伙立案只需一次移送。

需要提醒的是，识别结果必须区分"团伙骗赔"与"高频出险的真实客户"。确实有人驾驶习惯不佳、确实有人在小型修理厂长期维修，仅凭度数高不能直接定性。可靠的做法是把结构证据与行为证据叠加：角色轮换、身份不相关却高度聚集、伤情重复、查勘员偏离度，四项中命中三项才进入调查流程，避免把高频客户误伤成骗保者。

五、悦数图数据库的核心能力支撑

针对保险反欺诈多源异构、跨案件跨度长、核赔环节要实时提示的特点，悦数图数据库提供了几项关键支撑：万亿边规模可容纳全量历史保单、理赔案件与人车机构关系，不做时间截断；存算分离架构让历史案件批量入图与在线核赔查询互不干扰；动态 Schema 支持新增数据源（如就诊记录、外部司法数据）不停机扩展模型；内置图算法库直接提供社区发现、PageRank、子图匹配、相似度计算、时序异常检测等算子，无需自研；CDC 实时同步让新发案件在秒级内进入图谱，核赔当时就能看到关联提示；配合 Text2nGQL，反欺诈调查人员可以用自然语言查询某家修理厂的关系网络，不必先掌握图查询语言。

骗保团伙真正的护身符不是伪造技术，而是保险系统"一案一档"的存储方式——它让同一个人可以合法地拥有五个身份、二十七次出场。图数据库做的不是识别某个案件造假，而是把这二十七次出场重新放回同一个人身上。当角色轮换、人员复用、机构聚集这三件事被同时看见，"巧合"这个词就失去了说服力。