Suomen verohallinto vaatii Yleisradiota luovuttamaan Panaman tietovuotoon liittyvän aineiston. Onko pyyntöä ylipäänsä mahdollista toteuttaa? Jotta tähän kysymykseen saataisiin selvyys, on tarpeen ymmärtää se, millainen aineisto on kyseessä, missä se sijaitsee ja kuka sitä hallinnoi.
Panama-papereiksi ristitty tietovuotoaineisto on valtavan kokoinen. Se käsittää 11,5 miljoonaa Mossack Fonseca lakitoimistosta vuodettua dokumenttia, kooltaan yhteensä noin kaksi ja puoli teratavua. Joukossa on tietoja yli 200 000 veroparatiisiyhtiöstä ja –säätiöstä.
Tietomäärän suuruutta kuvastaa hyvin eräs arvio, jonka mukaan Panama-dokumenttien tulostamiseen tarvittaisiin noin 13 tonnia A4-paperia.
Tiedot vuodettiin useissa osissa saksalaiselle Süddeutsche Zeitung –lehdelle. Kun vuodon valtava tietomäärä paljastui lehdelle, se pyysi apua Yhdysvalloissa toimivalta tutkivien journalistien yhteenliittymältä ICIL:ltä. Se kävi toimeen, ja rakensi järjestelmän, jonka avulla tietomassaa oli mahdollista penkoa ilman syvällistä ohjelmointiosaamista.
Miten tämä tehtiin?
ICIL:n tietopalvelu- ja tutkimusyksikön päällikkö Mar Cabra kertoi, että vuodettujen tietojen joukossa oli Mossack Fonseca –yhtiön sisäinen tietokanta sekä suuri määrä dokumentteja.
Tietokantojen tietoja kutsutaan strukturoiduksi dataksi. Tämä tarkoittaa sitä, että tiedot ovat järjestettyä, taulukkomuotoista dataa. Tietokanta sisälsi tietoja muun muassa yritysten toimihenkilöistä, osakkaista ja välikäsistä. Cabran mukaan tietokanta oli journalistiryhmälle erittäin arvokas, mutta tietojen analysointia hidasti niin sanotun skeeman eli tietokantarakenteen puuttuminen. Eräs ICIJ:n työntekijä joutui käyttämään kuukausikaupalla aikaa siihen, että hän sai tietokannan tiedot hakukelpoiseen muotoon.
Vielä tätäkin vaikeammaksi osoittautui sturukturoimattoman datan analysointi. Tällaisella datalla tarkoitetaan erilaisia tiedostoja, kuten pdf- ja kuvatiedostoja sekä sähköposteja. Datan joukossa oli Le Monde –lehden mukaan 4,8 miljoonaa sähköpostia, 3 miljoonaa tietokantatiedostoa, 2 miljoonaa pdf:ää ja miljoona kuvatiedostoa.
OpenNews-uutisportaalin mukaan ICIJ:n tekninen tiimi latasi tiedot ensin Amazonin pilvipalveluun. Tiedostot ja niistä tehdyt kopiot suojattiin VeraCrypt-ohjelmistolla. Viestiliikenteen salauksessa käytettiin PGP-, Hashmail-, Phreema- ja Signal-ohjelmistoja.
Vuodon tietoja oli muokattava useilla eri työkaluilla, jotta ne saataisiin käyttökelpoiseen muotoon. Tekstintunnistusta varten tiimi otti käyttöönsä 30-40 Amazon-yhtiön pilvipalvelusta vuokrattua palvelinta. Tunnistuksen jälkeen tiedot syötettiin indeksointiohjelmistoon, joka kykeni lukemaan erilaisia tiedostomuotoja kuten pdf:iä ja sähköposteja.
Varsinainen journalistien käyttöön tarkoitettu käyttöliittymä rakennettiin Project Blacklight –nimisellä ohjelmistolla. Tätä ohjelmistoa käytetään usein eri maiden kirjastoissa, mutta nyt se taivuteltiin journalistien käyttöön. Ohjelmistolla voi suorittaa rajattuja tietohakuja – esimerkiksi siten, että lyödään lukkoon tietty hakualue – esimerkiksi tietyt vuodet ja tietyn tyyppiset tiedostot – ja etsitään sitten kyseiseltä hakualueelta tiettyjen hakusanojen mukaan.
Edistyneet hakupalvelut
Kun data oli vihdoin saatu luettavaan muotoon, se siirrettiin uuteen tietokantaan. Tiimi käytti datamuunnosohjelmaa siirtääkseen tiedot Neo4j-tietokantaan. Tämä tietokanta kytkettiin Linkurious-visualisointiohjelmistoon. Nyt toimittajien käytössä oli työkalupari, jolla vuodetun datan erittäin monimutkaisia yhteyksiä oli mahdollista käydä läpi ilman ohjelmointitaitoja.
Ylen toimittajat käyttivät 4.4.2016 esitetyssä MOT-ohjelmassa Linkurious-ohjelmistoa.
Blacklight-käyttöliittymään rakennettiin Google-haun tyyppinen nimihaku, jolla oli mahdollista etsiä esimerkiksi henkilöiden nimiä tietojen joukosta. Tavallisen nimihaun lisäksi toteutettiin joukkohaku. Tämän toiminnon avulla journalistien oli mahdollista rakentaa ensin syöttää hakukoneelle lista esimerkiksi oman maansa johtavista poliitikoista ja saada hakukoneelta vastaus siihen, esiintyykö joku listalla olevista henkilöistä Panama-datan joukossa. Lisäksi ns. proximity match –toiminnon avulla löydettiin henkilöitä, vaikka haettava nimi ei ollut täsmälleen sama datassa oleva nimi.
Neo4j-tietokannan yhteydessä on mahdollista käyttää edistynyttä Cypher-kyselykieltä, esimerkiksi näin: ”listaa sellaiset henkilöt, jotka ovat kahden kytköksen päässä Vladimir Putinista”.
Journalisteille linkki ja salasana
ICIJ valitsi yhteistyökumppaneita eri maiden uutistoimistoista. Käyttäjätunnukset jaettiin noin 400 journalistille ympäri maailman. Tunnusten luovutus oli Forbes-lehden mukaan hyvin yksinkertainen – toimittajalle luovutettiin käyttöliittymälinkki sekä satunnaisgeneraattorin muodostama salasana.
Tunnuksen saanut toimittaja avasi hänelle lähetyn linkin ja syötti salasanansa. Heti tämän jälkeen hänelle avautui mahdollisuus käydä läpi Mossack Fonsecan dataa.
Toimittajan oman tietokoneen ja ICIJ:n ylläpitämän palvelimen välinen yhteys on salattu hyvin yleisellä SSL-suojauksella. Tätä salaustapaa käytetään useimmissa verkkopankeissa, Suomessakin.
Verohallinto vaatii luovutusta
Suomen Verohallinto on vaatinut, että Yle ja aineistoa tutkineet toimittajat luovuttaisivat veroviranomaisille vuodetut asiakirjat ja toimituksellisen tausta-aineiston. Verottaja on myös uhannut tehdä kotietsinnän Ylen tiloihin, ellei yhtiö luovuta veroviranomaiselle sen vaatimia tietoja. Yle on kieltäytynyt aineiston luovuttamisesta lähdesuojaan vedoten.
Verohallinnon vaatimus on hyvin vaikea toteuttaa, koska Panaman tapauksen massiivinen aineisto on saavutettavissa ainoastaan verkkopalveluiden kautta. Ylen toimittajilla on pääsy tietojen katseluun, mutta heillä ei ole mahdollisuutta koko aineiston lataamiseen. Yle ei myöskään hallinnoi ohjelmistokokonaisuutta.
Tietojen luovutus tarkoittaisi käytännössä sitä, että Ylen toimittajien olisi luovutettava käyttäjätunnuksensa sekä salasanansa verohallinnolle. Tästä ei olisi kuitenkaan suurta iloa, koska ICIJ sulkisi kyseiset tunnukset heti, kun se saisi tiedon niiden luovuttamisesta.
– Me emme voi antaa käyttäjätunnuksia eteenpäin. Jos näin tehdään, pääsy evätään heti, Minna Knus-Galán toteaa Suomen Uutisille.
Panaman tietojen julkisuudesta ei päätä Yle vaan ICIJ. Niinpä on vaikea nähdä, miten verottajan vaatimus tietojen luovutuksesta voisi toteutua.
Verottajan arkea helpottanee se, että toimittajajärjestö ICIJ on ilmoittanut julkaisevansa 200 000 yrityksen tietoja sisältävän hakukelpoisen tietokannan 9.5.2016, siis noin viikon päästä.
Kaikkea mahdollista ei ole tarkoitus julkaista – pimentoon jäävät tilitiedot, passikopiot ja sähköpostiviestit. Niiden sijaan ICIJ lupaa paljastaa bulvaaniyritysten feikkijohtajien suojissa piileskelleet todelliset omistajat ja vallankäyttäjät.
Matias Turkkila