سیستم های هوشمند کشف تقلب

بیشتر سیستم های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار های مالی را در نظر می گیرند که به نظر می رسد درحالیکه این احتمال وجود دارد که شرکت های متقلب علاوه بر تقلب های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش بینی کننده تقلب تأکید کرده اند؛ هیچ مطالعه ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش بینی تقلب های بر اساس ترکیبی از داده های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده های مالی ومعیارهای غیرمالی قدرت پیش بینی کننده ای بهتری برای تقلب های مالی نسبت به تکیه صرف بر داده های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده ای همه ویژگی ها(مدل ترکیب داده های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده های مالی به تنهایی) و غیرمالی به تنهایی داشته است.

هدف: هدف اصلی این تحقیق انجام یک تحقیق جامع با هدف شناسایی تمامی عوامل موثر در طراحی و عملکرد بهینه سیستم های نظارت هوشمند برای کشف تقلب است. این شامل تجزیه و تحلیل دقیق انواع تقلب مالی، انواع داده های مورد استفاده برای سیستم های تشخیص تقلب (اعم از مالی و غیر مالی) و شناسایی موثرترین الگوریتم های یادگیری ماشینی و یادگیری عمیق است. علاوه بر این، هدف این تحقیق ایجاد معیارهای مناسب برای اندازه گیری کارایی آنها و شناسایی چالش ها در طراحی سیستم های نظارت هوشمند است. در نهایت، این تحقیق به دنبال پیش بینی فرآیند تحقیقات آینده است تا بتواند به این چالش ها پاسخ دهد.   روش: این پژوهش با استفاده از روش تحقیق توصیفی، به بررسی دقیق منابع از جمله مقالات منتشر شده در مجلات بین المللی، مقالات همایش ها و بویژه مقالات نمایه شده در پایگاه اسکوپوس و مجلات معتبر داخلی پرداخته است. دامنه زمانی یک دوره 20 ساله را در بر می گیرد که منتهی به سال 1401 می شود. برای اطمینان از صحت و دقت تجزیه و تحلیل، از نرم افزار MAXQDA برای کدگذاری و برگه های تجزیه و تحلیل استفاده شد، در حالی که از نرم افزار VOS Viewer برای تحلیل کلمات کلیدی و ترسیم نقشه جامع تحقیق استفاده شد.   یافته ها: این تحقیق با بررسی تحقیقات سیستم های کشف تقلب در دو دهه گذشته به ارائه مدل مفهومی تحقیقات کشف تقلب آتی منجر شده است که با ادغام داده های مالی و غیرمالی، از جمله معیارهای زیست محیطی، اجتماعی و حکمرانی ( ESG )، یک تغییرپارادیم جدی در تحقیقات این حوزه را موجب می شود. این رویکرد با رفع محدودیت های موجود در کشف تقلب و با در نظر گرفتن طیف وسیع تری از متغیرها، موجب افزایش دقت و شفافیت سیستم های تشخیص تقلب می شود.   نتیجه گیری: این پژوهش با تجزیه و تحلیل تحقیقات قبلی انجام شده در این زمینه و شناسایی چالش ها و روندهای آتی، به گسترش حوزه دانش کمک می کند. خروجی این تحقیق شامل تجزیه و تحلیل دقیق چالش های حاضر در طراحی سیستم های نظارت هوشمند و استخراج روندهای تحقیقات آتی است. با پرداختن به این چالش ها و روندها، تحقیقات آینده می توانند به طور قابل توجهی، طراحی و اجرای سیستم های نظارت هوشمند را بهبود بخشد و از اثربخشی آنها در شناسایی و پیشگیری از تقلب مالی، اطمینان حاصل نمایند.