SNAP payment error detection: how Elastic helps US states beat the FY2028 penalty

SNAP支付错误检测：Elastic如何帮助美国各州避免FY2028处罚 | Elastic Blog

SNAP支付错误检测：Elastic如何帮助美国各州避免FY2028处罚

By

Adam Vielbaum

2026年9月18日

• 在Twitter上分享 在Twitter上分享

• 在LinkedIn上分享 在LinkedIn上分享

• 在Facebook上分享 在Facebook上分享

• 通过电子邮件分享 通过电子邮件分享

• 打印本页 打印

美国补充营养援助计划（SNAP）在2024财年为2220万户家庭的4170万人提供服务，涉及1003亿美元的联邦支出。从2028财年起，这种规模的支付错误将不再作为合规性指标，而是成为预算条目。根据《一项宏伟法案》（Public Law 119-21），支付错误率达到或超过6%的州必须自行承担部分福利成本，错误率达到或超过10%时需承担15%的成本。

2025财年和2026财年的表现将确定各州的初始层级，因此接下来的一年半是关键窗口期。对于每年在SNAP上花费数亿美元的州来说，10%的错误率每年会从预算中削减数千万美元。这并非假设：2024财年全国错误率已达10.93%，44个州已提交纠正行动计划。Elastic的解决方案是将检测功能直接集成到已建立案件数据索引的同一平台中，而非作为附加系统。时间正在流逝。

为什么会出现SNAP支付错误：资格错误与未检测到的偏差

支付错误来自两个不同来源，而基于定期批量审查的资格系统只能发现其中一种。

资格错误发生在社工人员在时间压力下根据数百页的政策手册做出诚实判断时。审计报告中未发现的收入排除与故意违规看起来可能相同。但这属于搜索问题，而非诚信问题。

并非所有支付错误的根源都相同。一个在初始审核时正确批准的案例可能已发生偏差：收入超过阈值、地址在县之间频繁变动，或身份信息出现在多个开放案例中。由于大多数系统仅在确定阶段检查资格而非持续监控，因此无法在大规模上检测到这种偏差。这并非假设；美国政府问责署在2025年报告称，美国农业部食品与营养服务部门尚未全面评估各州甚至使用的防盗措施，因此没有经过验证的基准来判断谁在监控。

夜间批量规则引擎可以在事后检测到部分问题：案例被标记后，最终会有人审查。这是必要的，但并不充分。这是被动的，而且"规则引擎标记了它"并不总是能令人信服地回答"你如何确定这是错误而非噪音？"这个问题。

Elastic如何检测SNAP支付错误：三层检测机制

检测SNAP欺诈需要的不只是单一工具。它需要分层方法：一种规则检测机构已知问题、机器学习揭示规则遗漏、对话式调查帮助分析师根据数据采取行动的方案。Elastic在单一平台上提供这三种能力。

第一层：可定制的检测规则

# 示例代码块（保留原样）
def detect_eligibility_mistakes(case_data):
    # 检测逻辑实现
    pass

检测从机构已理解并能编码为基于阈值规则的模式开始，这些规则针对其项目和政策进行定制：家庭收入超过家庭规模阈值、福利金额超过公布的最高限额，或案件缺少必要文件。对于SNAP而言，这包括在数据摄入时的实时增强：当每个案件被索引时，摄入管道会将收入与州政府公布的限额表进行比对，并在案件到达社工之前进行标记，每个标记都附有与政策相关而非硬编码值的文档说明。

第二层：基于机器学习的高级检测

规则用于识别机构已知的异常情况。机器学习则能发现规则遗漏的异常：没有固定阈值的行为偏移，例如收入随时间增长超出资格范围、地址在多个县之间频繁变动，或与实体自身历史相比统计上异常的申请活动。Elastic的机器学习（包括无监督和有监督学习）持续针对案件数据运行，而非定期报告，为分析师提供单一事实来源，而非分散系统中零散的信号。

第三层：对话式调查

规则和机器学习识别模式，而调查人员则确定这些模式的含义。Elastic Agent Builder为项目完整性分析师提供与案件数据的对话式接口，无需使用电子表格或复杂查询。调查人员可以询问案件为何被标记，将其与相关记录进行对比，并获得下一步操作的建议。它使用经过验证的复合键而非单字段匹配，因此搜索共享身份时会返回经过验证的匹配结果而非偶然匹配，并以“此模式需要审查”而非指控作为结束。

三个层次之下是相同的底层架构：统一访问工资记录、收入验证数据流、注册历史和从未设计用于共享数据的案件备注，以及在做出决定前通过实体解析识别可能重复的家庭。

为什么实时错误检测优于批量检测

大多数欺诈检测工具是被动的：收集数据、运行任务、数小时或数天后才呈现结果。到那时，款项可能已经支付出去。

Elastic则实时运行所有三个层次。检测规则在案件被索引的瞬间触发，而非按照批量计划。机器学习持续评估行为偏移，而非在夜间报告中。对话式调查让分析师可以立即访问任何标记，无需等待查询构建。

这对2028财年至关重要。各州的支付错误率是持续累积计算的，而非年度快照，且案件在付款后被发现仍会被计入错误。能够在每一层（而不仅仅是最后一层）进行检测的平台，为项目完整性团队提供了全程可辩护的答案。

对于未来18个月内需要确定重点的机构：您的平台能否在错误计入错误率之前发现它？希望在自身资格数据上运行此功能（而非通用演示）的机构，可以联系Elastic公共部门团队开始对话。

常见问题

SNAP支付错误主要是欺诈问题还是数据问题？

两者都需要修复，但方式不同。资格错误发生在工作人员根据数百页的政策手册做出诚实判断时。其他错误则发生在已正确批准的案例随时间推移发生偏移时，例如收入增长或地址变更等情况，而这些变化无人关注。

Elastic 如何以不同于传统规则引擎的方式检测 SNAP 支付错误？

Elastic 在同一案例数据上叠加了三种检测方法：

• 可自定义的检测规则，可在数据摄入时自动标记案例
• 机器学习技术，能够捕捉固定规则无法表达的行为偏移
• 通过 Elastic Agent Builder 的对话式调查，帮助分析师验证数据并采取行动

某些错误信号会在案例录入时立即被发现，而不是在后续的批量作业中被发现。

实时检测能发现所有类型的 SNAP 支付错误吗？

不能。实时标记仅适用于可通过单个案例自身字段回答的规则，例如收入与家庭规模阈值的对比。跨文档模式和没有固定阈值的行为异常则需要依赖机器学习或对话式调查。

了解更多 Elastic 如何支持州和地方政府的信息。

###### 相关资源

• 博客：发现不可检测的异常：使用 Elastic 构建欺诈检测框架
• 博客：州和地方政府如何利用现有数据率先防范欺诈
• 白皮书：利用数据打击欺诈

本文所述任何功能或功能的发布和时间安排均由 Elastic 单独决定。任何当前不可用的功能可能无法按时或根本不会交付。

在本文中，我们可能使用或引用了第三方生成式 AI 工具，这些工具由其各自所有者拥有和运营。Elastic 对第三方工具没有任何控制权，也不对这些工具的内容、操作或使用承担任何责任或义务，也不对因使用这些工具而可能产生的任何损失或损害负责。在使用 AI 工具处理个人、敏感或机密信息时请格外谨慎。您提交的任何数据可能会用于 AI 训练或其他目的。无法保证您提供的信息将被安全或保密保存。在使用任何生成式 AI 工具之前，请熟悉其隐私政策和使用条款。

Elastic、Elasticsearch 及相关标识是 elasticsearch B.V. 在美国和其他国家的商标、标志或注册商标。所有其他公司和产品名称均为其各自所有者的商标、标志或注册商标。

分享

/think