نقش هوش مصنوعی و یادگیری ماشین در کشف تقلب های مالی و بهبود کنترل های داخلی

پژوهش حاضر با هدف بررسی نقش هوش مصنوعی و یادگیری ماشین در کشف تقلب های مالی و بهبود کنترل های داخلی با تاکید بر نقش تعدیل گری کنترل های داخلی در شهرداری تبریز انجام شد. با وجود پیشرفت های چشمگیر در حوزه هوش مصنوعی در سطح بین المللی، شکاف دانشی قابل توجهی میان یافته های جهانی و کاربرد عملی در بافت سازمانی ایران وجود دارد. پژوهش با رویکرد کمی و به روش توصیفی-پیمایشی از نوع علی انجام شد. مطالعه موردی، شهرداری تبریز به عنوان یکی از پیشگامان هوشمندسازی فرایندهای مالی در ایران انتخاب گردید. داده ها از دو منبع گردآوری شد: (۱) پرسشنامه محقق ساخته میان ۱۵۰ نفر از مدیران مالی، حسابرسان داخلی، کارشناسان فناوری اطلاعات و متخصصان مدیریت ریسک شاغل در شهرداری تبریز (۱۲۶ پرسشنامه قابل تحلیل، نرخ بازگشت ۸۴ درصد) و (۲) تحلیل گزارش های حسابرسی داخلی و سامانه های هوشمند مالی سنوات ۱۴۰۱-۱۴۰۳. برای آزمون فرضیات از مدل سازی معادلات ساختاری با رویکرد حداقل مربعات جزئی (PLS-SEM) و تحلیل اثرات تعدیل گری استفاده شد. پیاده سازی هوش مصنوعی تاثیر مثبت و معناداری بر کشف تقلب های مالی دارد (β=۰.۴۸۲, p<۰.۰۱) و ۳۹ درصد از تغییرات کشف تقلب را تبیین می کند. هوش مصنوعی همچنین بر بهبود کنترل های داخلی تاثیر مثبت دارد (β=۰.۴۲۱, p<۰.۰۱). کیفیت کنترل های داخلی رابطه بین هوش مصنوعی و کشف تقلب را تعدیل می کند (β=۰.۳۵۶, p<۰.۰۱) و با افزایش کیفیت کنترل های داخلی، ضریب تاثیر هوش مصنوعی از ۰/۲۸۴ به ۰/۶۷۵ افزایش می یابد (افزایش ۱۳۸ درصدی). شواهد عینی نشان داد موارد تقلب کشف شده طی دو سال ۵۰ درصد افزایش و زمان تشخیص تقلب ۴۷ درصد کاهش یافته است..سرمایه گذاری در هوش مصنوعی بدون تقویت همزمان کنترل های داخلی اثربخشی مطلوب را به همراه نخواهد داشت. کنترل های داخلی به عنوان یک توانمندساز حیاتی برای حداکثرسازی پتانسیل هوش مصنوعی در کاهش ریسک تقلب مالی عمل می کنند. به مدیران مالی و حسابرسان داخلی توصیه می شود یکپارچگی سامانه های مالی و استقرار مدل های پیشرفته یادگیری ماشین (مانند XGBoost و Stacking Ensemble) را در اولویت قرار دهند.