رویکردهای نوظهور در تشخیص تقلب مالی تمرکز بر رویه های حسابداری و نقش فناوری های هوش مصنوعی

تشخیص تقلب مالی به عنوان یکی از چالش های اساسی حسابداری مدرن نقشی حیاتی در ارتقای شفافیت و اعتماد عمومی به نظام های مالی ایفا می کند. هدف این پژوهش تحلیل جامع سیر تحول روش های تشخیص تقلب مالی و ارائه چارچوبی نوین بر مبنای ترکیب رویکردهای حسابداری و فناوری های هوش مصنوعی است. در این مطالعه با بهره گیری از مرور نظام مند پژوهش های انجام شده طی سه دهه ی اخیر مدل های موجود در چهار دسته ی اصلی شامل رویکردهای سنتی و آماری، آماری ماشینی، یادگیری ماشین پیشرفته و یادگیری عمیق و نوظهور طبقه بندی گردیدند. هر دسته بر اساس معیارهایی چون دقت، تفسیر پذیری، نوع داده و قابلیت کاربرد در محیط های حسابرسی مورد تحلیل مقایسه ای قرار گرفت. نتایج نشان می دهد که مسیر تحول از مدل های ساده ی نسبت محور به سامانه های هوشمند داده محور و توضیح پذیر تغییر یافته است. الگوریتم های یادگیری ماشین پیشرفته و مدل های شبکه ای مانند LSTM و GNN توانسته اند دقت تشخیص را تا بیش از ۹۵٪ افزایش دهند اما چالش هایی نظیر تفسیر پذیری پایین و نیاز به داده های شفاف همچنان باقی است. بر همین اساس پژوهش حاضر چارچوبی ترکیبی (Hybrid Framework) پیشنهاد می کند که ضمن تلفیق قابلیت های آماری و الگوریتمی امکان تبیین تصمیمات مدل را از منظر حسابرسی فراهم می سازد. نوآوری اصلی این پژوهش، ارائه ی یک دسته بندی ساختار یافته از رویکردهای موجود و شناسایی شکاف های پژوهشی میان آنها است که می تواند مبنایی برای توسعه ی مدل های توضیح پذیر و اخلاق محور در آینده باشد. یافته ها نشان می دهد که همگرایی میان علم حسابداری و هوش مصنوعی، کلید افزایش دقت، شفافیت و اعتماد در فرآیندهای کشف تقلب مالی به شمار می رود.

کلیدواژه ها:

تشخیص تقلب ، مالی ، هوش مصنوعی ، توضیح پذیر ، یادگیری ماشین ، حسابداری ، داده محور