金融欺诈数据

我现在需要处理用户的问题“金融欺诈数据”，并根据提供的参考资料进行回答。首先，我需要仔细阅读用户提供的所有参考资料，找出与金融欺诈数据相关的信息。

首先看参考资料[1]，发布时间2026-06-10，里面提到英国金融协会（UK Finance）发布欺诈损失的价值和案件数量，数据由会员报告，会员包括金融机构等。这里强调了每起欺诈事件是指被欺诈的卡或账户数量，不是个人，且损失金额是总额，包括银行收回的款项。还有注意事项，2020年前没有可比的授权欺诈数据，以及四舍五入问题。

参考资料[2]同样发布于2026-06-10，提到“返还给受害者”是通过银行退款或追回资金返还的总金额，还提到年度欺诈统计数据来源于银行和支付服务提供商识别的欺诈活动，重点关注欺诈类型、普遍性、性质及损失，帮助行业监测变化和制定策略，同时指出大多数欺诈始于银行体系外，需要了解起源和发生方式。

参考资料[3]详细列出了APP欺诈的细分数据，包括八种诈骗类型（恶意收款人如购物、投资诈骗等；恶意重定向如发票诈骗、冒充警察等）、六种支付类型（即时支付、CHAPS等）、四种支付渠道（分行、网上银行等），并说明这些是整体APP诈骗数据的细分，不是额外数据。

参考资料[4]涉及在线卡交易欺诈损失，属于远程购买（无卡交易）欺诈损失的一部分，主要驱动因素是数据泄露（如零售商黑客攻击），被盗卡信息用于在线购物，数据可能在数月或数年内被使用，还提到犯罪分子利用数据泄露宣传诱骗透露财务信息，以及自2018年以来报告总数最高，还有ATM欺诈损失，涉及被盗银行卡或账户接管，需要真实卡和密码，主要损失由分心盗窃造成（发生在商店、酒吧、ATM等）。

参考资料[5]发布于2026-03-09，提到欺诈占英格兰和威尔士所有犯罪案的近44%，每年给英国经济造成2190亿英镑损失，其中公共部门损失高达810亿英镑，2024年消费者因诈骗损失94亿英镑，61岁及以上人群是身份盗窃和账户接管风险最高的群体。

其他参考资料如[6]-[15]更多涉及数据模拟、AI在欺诈检测中的应用、数据要素在金融中的应用等，虽然相关，但用户问题聚焦“金融欺诈数据”，可能更关注数据来源、类型、统计指标、损失金额等，所以重点在[1][2][3][4][5]。

接下来需要整理这些信息，按用户要求，每个回答末尾添加角标，避免重复引用同一来源，格式清晰，人性化。需要涵盖数据发布机构、数据内容（损失金额、案件数量）、统计口径（事件定义、总额计算）、细分类型（APP欺诈类型、支付类型、渠道，在线卡交易、ATM欺诈）、经济影响（英国整体损失、消费者损失、风险人群）等。

需要注意用户提供的参考资料中，英国的数据较多，如UK Finance的数据，还有Cifas的报告数据。要区分不同来源的数据，比如UK Finance的欺诈损失和案件数量，Cifas的犯罪占比和经济损失。同时注意统计口径，如[1]中的“每一起欺诈事件”定义，[1]中的损失总额包含收回款项，[4]中的在线卡交易欺诈属于远程购买欺诈的一部分，[3]的APP欺诈细分等。

现在组织语言，分点说明，确保引用不同来源，角标正确，内容清晰。