---
title: "Sääntelyn sormenjälki"
subtitle: "Rahanpesudirektiivi näkyy kaupparekisterissä paljaalla silmällä — ja se kertoo, ketkä eivät tottele"
date: 2026-07-28
categories: [avoin data, bayes, compliance, rahanpesu, YTJ]
execute:
warning: false
message: false
---
```{r setup}
#| include: false
library(tidyverse)
library(here)
library(ggdist)
select <- dplyr::select
filter <- dplyr::filter
source(here("R","ytj", "theme_kristian.R"))
source(here("R","ytj", "toimiala_sektori.R"))
source(here("R","ytj", "yhdista_apu.R"))
theme_set(theme_kristian())
```
Kun laki muuttuu, se jättää jäljen dataan. Harvoin jälki on niin selvä kuin
kaupparekisterissä: EU:n rahanpesudirektiivin myötä suomalaisten yhtiöiden tuli
ilmoittaa **tosiasialliset edunsaajansa** — ne luonnolliset henkilöt, jotka
viime kädessä omistavat tai käyttävät määräysvaltaa. Velvollisuus tuli voimaan
heinäkuussa 2019, ja ilmoitukset piti tehdä pääosin heinäkuuhun 2020 mennessä.
Rekisterissä tämä näkyy merkintälajina ESR. Se on aineiston neljänneksi yleisin
koodi — lähes 430 000 merkintää. Mutta pelkkä kokonaismäärä on taas piste, joka
kätkee kaiken kiinnostavan. Olennaista on **milloin** ilmoitukset tehtiin, **kuka**
teki ne ajoissa, ja ennen kaikkea: **kuka ei tehnyt niitä lainkaan.**
Viimeinen kysymys on se, joka kiinnostaa compliance-toimintoa ja
rahanpesuvalvontaa. Jos edunsaajailmoituksen tekemättä jättäminen ei jakaudu
satunnaisesti, vaan keskittyy tietyntyyppisiin yhtiöihin, rekisteri tuottaa
ilmaisen riskisignaalin.
## Mistä datassa on kyse?
::: {.callout-note}
Aineistona PRH:n rekisteröidyt ilmoitukset (7.11.2014 alkaen) ja perustiedot
(CC BY 4.0), rajattuna **eläviin osakeyhtiöihin**. Edunsaajailmoitus tunnistetaan
ESR-merkinnästä. Tärkeä rajaus: velvollisuus ei koske aivan kaikkia yhteisöjä
samalla tavalla (esim. pörssiyhtiöillä ja yksityisillä elinkeinonharjoittajilla on
poikkeuksia), joten tarkastelu rajataan osakeyhtiöihin, joilla velvollisuus on
selkeä ja yhtenäinen. Ilmoituksen puuttuminen rekisteristä ei ole todiste
laiminlyönnistä — se on signaali, ei tuomio. Tämä ero on syytä pitää mielessä
koko kirjoituksen ajan.
:::
```{r lataa}
perustiedot <- qs2::qs_read(here("data", "ytj", "ytj_perustiedot.qs"))
pitka <- qs2::qs_read(here("data", "ytj", "ilmoitukset_pitka.qs"))
stopifnot(
all(c("business_id","company_form_code","registration_date","main_line_code",
"location","trade_register_status") %in% names(perustiedot)),
all(c("business_id","nid","pvm","koodi") %in% names(pitka)),
"ESR" %in% unique(pitka$koodi) # vahti: koodin on esiinnyttävä (vrt. TILTAP)
)
VELVOITE_ALKU <- as.Date("2019-07-01") # velvollisuus voimaan
MAARAAIKA <- as.Date("2020-07-01") # siirtymäajan päättyminen
# Elävät osakeyhtiöt, jotka olivat olemassa jo ennen määräaikaa:
# vain niillä velvollisuus on ehtinyt realisoitua.
oy <- perustiedot |>
filter(company_form_code == "16", trade_register_status == "1") |>
distinct(business_id, .keep_all = TRUE) |>
transmute(
business_id,
synty = as.Date(registration_date),
sektori = toimiala_sektori(main_line_code),
kaupunki = if_else(toupper(location) %in%
c("HELSINKI","ESPOO","TAMPERE","VANTAA","OULU",
"TURKU","JYVÄSKYLÄ","KUOPIO","LAHTI"),
"Suuri kaupunki", "Muu Suomi")
) |>
filter(!is.na(synty), !is.na(sektori), synty < MAARAAIKA)
stopifnot(nrow(oy) > 10000)
```
## Sääntely näkyy datassa
Piirretään ESR-merkintöjen kuukausivirta. Jos sääntely ohjaa käyttäytymistä,
sen pitäisi näkyä tässä kuvaajassa ilman mitään mallinnusta.
```{r aikasarja}
esr_kk <- pitka |>
filter(koodi == "ESR") |>
mutate(kk = lubridate::floor_date(pvm, "month")) |>
count(kk) |>
filter(kk >= as.Date("2015-01-01"), kk < lubridate::floor_date(max(pitka$pvm), "month"))
ggplot(esr_kk, aes(kk, n)) +
geom_line(color = kvar_palette[["blue"]], linewidth = 0.8) +
geom_vline(xintercept = VELVOITE_ALKU, color = kvar_palette[["teal"]],
linetype = "dashed") +
geom_vline(xintercept = MAARAAIKA, color = kvar_palette[["red"]],
linetype = "dashed") +
annotate("text", x = VELVOITE_ALKU, y = max(esr_kk$n) * 0.95, hjust = -0.05,
size = 3, color = kvar_palette[["teal"]], label = "velvollisuus voimaan") +
annotate("text", x = MAARAAIKA, y = max(esr_kk$n) * 0.8, hjust = -0.05,
size = 3, color = kvar_palette[["red"]], label = "määräaika") +
labs(title = "Edunsaajailmoitukset kuukausittain",
subtitle = "Rahanpesudirektiivin jälki kaupparekisterissä",
x = NULL, y = "ESR-merkintöjä")
```
Kuvaaja on harvinaisen puhdas esimerkki siitä, miten sääntely muuttaa
käyttäytymistä: ennen 2019 koodia ei käytännössä käytetä, sitten tulee piikki, ja
sen jälkeen jää tasaisempi pohjavirta uusista yhtiöistä. Tämä on **keskeytetty
aikasarja** (interrupted time series) puhtaimmillaan.
## Kuka jätti ilmoittamatta?
Nyt varsinaiseen kysymykseen. Jokaiselle ennen määräaikaa perustetulle elävälle
osakeyhtiölle katsotaan, löytyykö rekisteristä ESR-merkintää.
```{r puuttuvat}
esr_idt <- pitka |> filter(koodi == "ESR") |> distinct(business_id) |> pull()
analyysi <- oy |>
mutate(
on_esr = business_id %in% esr_idt,
ika = as.numeric(difftime(MAARAAIKA, synty, units = "days")) / 365.25,
sektori = fct_lump_min(factor(sektori), min = 200, other_level = "Muut toimialat"),
kaupunki = factor(kaupunki, levels = c("Muu Suomi", "Suuri kaupunki"))
) |>
filter(ika >= 0)
stopifnot(n_distinct(analyysi$on_esr) == 2) # molemmat luokat: vertailu mahdollinen
osuus_puuttuu <- mean(!analyysi$on_esr)
```
Ennen määräaikaa perustetuista elävistä osakeyhtiöistä
**`r scales::percent(osuus_puuttuu, accuracy = 0.1)` ei ole ESR-merkintää
rekisterissä.** Luku on suuri, ja se on ensimmäinen yllätys: velvollisuus on
lakisääteinen, mutta noudattaminen ei ole läheskään täydellistä.
Ennen kuin tästä vedetään johtopäätöksiä, on syytä olla rehellinen: osalla
puuttuminen selittyy poikkeuksilla ja aineiston rajoilla, ei laiminlyönnillä.
Mutta jos puuttuminen olisi pelkkää satunnaista kohinaa tai teknistä artefaktia,
sen pitäisi jakautua tasaisesti yhtiötyyppien kesken. Testataan, jakautuuko se.
## Eroavatko ryhmät tilastollisesti?
Toimialan ja ilmoittamattomuuden yhteyttä testaa khiin neliö; koska aineisto on
suuri, p-arvo olisi väistämättä pieni, joten raportoin **efektikoon** (Cramérin
V), joka kertoo eron voimakkuuden. Yhtiön ikä on vino jatkuva muuttuja, joten
sille käytän Mann–Whitneyn U-testiä ja rank-biserial-efektikokoa.
```{r testit}
tab <- table(analyysi$sektori, analyysi$on_esr)
khii <- chisq.test(tab)
stopifnot(all(khii$expected >= 5))
v <- cramers_v(khii)
ika_ei <- analyysi |> filter(!on_esr) |> pull(ika)
ika_on <- analyysi |> filter(on_esr) |> pull(ika)
mw <- wilcox.test(ika_ei, ika_on)
rb <- rank_biserial(ika_ei, ika_on)
tibble::tibble(
Vertailu = c("Toimiala × ilmoituksen puuttuminen",
"Yhtiön ikä: ilmoittamatta jättäneet vs. ilmoittaneet"),
Testi = c("Khiin neliö", "Mann–Whitney U"),
p = c(khii$p.value, mw$p.value),
Efektikoko = c(sprintf("Cramérin V = %.3f", v),
sprintf("rank-biserial = %.3f", rb))
) |>
knitr::kable(digits = 3, caption = "Ryhmäerot efektikokoineen")
```
## Ilmoittamattomuus toimialoittain — jakaumana
Toimialoittainen osuus on tarkka isoilla aloilla ja epävarma pienillä. Siksi
esitän sen Beta-Binomi-posteriorina: leveä väli on rehellinen tunnustus siitä,
ettemme tiedä.
```{r toimialat}
sektori_post <- analyysi |>
group_by(sektori) |>
summarise(n = n(), k = sum(!on_esr), .groups = "drop") |>
mutate(
ka = (1 + k) / (2 + n),
lo = qbeta(0.025, 1 + k, 1 + n - k),
hi = qbeta(0.975, 1 + k, 1 + n - k)
)
ggplot(sektori_post, aes(ka, reorder(sektori, ka))) +
geom_errorbarh(aes(xmin = lo, xmax = hi), height = 0.3,
color = kvar_palette[["blue"]]) +
geom_point(aes(size = n), color = kvar_palette[["red"]]) +
geom_vline(xintercept = osuus_puuttuu, linetype = "dashed",
color = kvar_palette[["orange"]]) +
scale_x_continuous(labels = scales::percent) +
scale_size_area(max_size = 6, labels = scales::comma) +
labs(title = "Ketkä eivät ilmoittaneet edunsaajiaan?",
subtitle = sprintf("Beta-Binomi-posteriorit. Katkoviiva = kaikkien keskiarvo (%.1f %%). Cramérin V = %.3f",
100 * osuus_puuttuu, v),
x = "Osuus, jolta ESR-merkintä puuttuu", y = NULL, size = "Yhtiöitä")
```
## Ennustemalli ja counterfactual
Yksittäiset vertailut eivät kerro, mikä tekijä on *itsenäisesti* tärkeä: nuoret
yhtiöt voivat olla myös tietyillä toimialoilla ja tietyissä kaupungeissa. Erottelu
vaatii mallin, joka pitää muut tekijät vakioina.
Käytän **bayesilaista logistista regressiota**, koska se antaa jokaiselle
vaikutukselle koko todennäköisyysjakauman — päättäjä näkee suoraan, kuinka varmasti
tekijä ennustaa ilmoittamattomuutta — eikä pelkkää pistearvoa.
```{r malli}
malli_path <- here("data", "ytj", "esr_malli.qs")
if (!file.exists(malli_path)) {
set.seed(20260721)
otos <- analyysi |>
mutate(ei_esr = as.integer(!on_esr)) |>
slice_sample(n = min(nrow(analyysi), 25000L))
fit <- rstanarm::stan_glm(
ei_esr ~ ika + sektori + kaupunki,
data = otos, family = binomial(),
prior = rstanarm::normal(0, 2.5),
prior_intercept = rstanarm::normal(0, 5),
chains = 4, iter = 2000, seed = 20260721, refresh = 0
)
qs2::qs_save(list(fit = fit, otos = otos), malli_path)
} else {
.o <- qs2::qs_read(malli_path); fit <- .o$fit; otos <- .o$otos
}
# Counterfactual: kolme yhtiöprofiilia, ikä datan persentiileistä
q_ika <- quantile(otos$ika, c(0.1, 0.5, 0.9))
profiilit <- tibble(
profiili = c("Nuori kaupunkiyhtiö", "Mediaani-ikäinen", "Vanha maaseutuyhtiö"),
ika = as.numeric(q_ika),
sektori = factor("Kauppa", levels = levels(otos$sektori)),
kaupunki = factor(c("Suuri kaupunki","Suuri kaupunki","Muu Suomi"),
levels = levels(otos$kaupunki))
)
stopifnot(!anyNA(profiilit$sektori), !anyNA(profiilit$kaupunki))
pe <- rstanarm::posterior_epred(fit, newdata = profiilit)
cf <- as_tibble(pe) |> set_names(profiilit$profiili) |>
pivot_longer(everything(), names_to = "profiili", values_to = "todnak") |>
mutate(profiili = factor(profiili, levels = profiilit$profiili))
ggplot(cf, aes(todnak, profiili, fill = profiili)) +
stat_halfeye(.width = c(0.66, 0.95), slab_alpha = 0.7, show.legend = FALSE) +
geom_vline(xintercept = osuus_puuttuu, linetype = "dashed",
color = kvar_palette[["orange"]]) +
scale_fill_manual(values = c(kvar_palette[["teal"]], kvar_palette[["blue"]],
kvar_palette[["red"]])) +
scale_x_continuous(labels = scales::percent) +
labs(title = "Kenen edunsaajat jäävät ilmoittamatta?",
subtitle = "Posteriorin ennustejakauma. Katkoviiva = kaikkien keskitaso.",
x = "Todennäköisyys, ettei ESR-merkintää ole", y = NULL)
```
## Mitä tämä tarkoittaa päättäjälle?
Kolme johtopäätöstä, jotka ovat suoraan käyttökelpoisia.
Ensinnäkin **sääntelyn vaikutus on mitattavissa avoimesta datasta**. Emme tarvinneet
viranomaisraportteja nähdäksemme, milloin ja miten voimakkaasti rahanpesudirektiivi
puri — rekisteri kertoo sen itse. Sama menetelmä toimii minkä tahansa
rekisteröintivelvoitteen vaikuttavuuden arviointiin.
Toiseksi **noudattaminen ei ole täydellistä eikä satunnaista**. Ilmoittamattomuus
painottuu tunnistettavasti, mikä tarkoittaa, että valvontaresurssit voidaan
kohdentaa — riskiperusteisesti, kuten rahanpesulaki itse edellyttää.
Kolmanneksi, ja tärkeimpänä: tämä on **signaali, ei tuomio**. Puuttuva merkintä
voi johtua poikkeuksesta, viiveestä tai teknisestä syystä. Juuri siksi tulos on
esitetty todennäköisyysjakaumana eikä listana syyllisistä. Riskimalli, joka
esittää epävarmuutensa, on käyttökelpoinen; sellainen, joka teeskentelee
varmuutta, on vaarallinen.
---
*Tämä analyysi on osa avoimen datan sarjaani. Autan compliance- ja
riskienhallintatoimintoja rakentamaan avoimesta datasta riskiperusteisia,
epävarmuuden tunnustavia malleja — vuokrattavana Head of Data -osaajana.
[kristianvepsalainen.com](https://www.kristianvepsalainen.com).*
