شناسایی تقلب در دستمزد بیمه شدگان تامین اجتماعی با رویکرد الگوریتم های یادگیری ماشین

هدف: تقلب درگزارش دستمزد از چالش های مهم نظام های بیمه ای است که با افزایش حجم داده ها و گسترش سامانه های غیرحضوری، شناسایی آن با روش های سنتی دشوارتر شده است. این پژوهش با هدف ارزیابی توان الگوریتم های یادگیری ماشین بدون نظارت در کشف ناهنجاری های مرتبط با تقلب دستمزدی و ارائه رویکردی خودکار برای تقویت فرایندهای نظارتی سازمان تامین اجتماعی انجام شده است.روش: این پژوهش ازنظر هدف، کاربردی و از نظر ماهیت داده ها، توصیفی-تحلیلی است. سه الگوریتم جنگل ایزوله، الگوریتم خوشه بندی مبتنی بر چگالی (DBSCAN) و ماشین بردار پشتیبان (One-Class SVM) روی مجموعه ای شامل ۲۶۲۵۸ رکورد ماهانه دستمزد ۴۷۰ بیمه شده طی سال های ۱۳۹۸ تا ۱۴۰۲ در تشخیص تقلب برای شناسایی دستمزدهای نامتعارف استفاده شده است. تحلیل ها با تمرکز بر الگوهای ناهنجار در سطوح فردی و بین فردی انجام و کارایی روش ها بر اساس منطق تشخیص و سازگاری با رفتار واقعی داده ها ارزیابی شد.یافته ها: نتایج نشان داد الگوریتم جنگل ایزوله دقیق ترین و پایدارترین عملکرد را داشته و ناهنجاری ها را با توزیع منطقی تر نسبت به سایر روش ها شناسایی کرده است. الگوریتم خوشه بندی مبتنی بر چگالی در داده های پراکنده دچار حذف بیش از حد شده و ماشین بردار پشتیبان، حساسیت بالایی همراه با نرخ هشدار کاذب بیشتر نشان داده است.نتیجه گیری: یادگیری ماشین بدون نظارت، توانایی موثری در شناسایی خودکار رفتارهای مشکوک دستمزدی دارد و استفاده از جنگل ایزوله می تواند راهکاری مقیاس پذیر و قابل اعتماد برای کاهش ریسک تقلب در نظام های بیمه ای فراهم کند. پیشنهاد می شود این الگوریتم به عنوان هسته یک سامانه هشدار هوشمند در ساختارهای نظارتی مورد استفاده قرار گیرد.

کلیدواژه ها:

تقلب بیمه ای ، جنگل ایزوله ، خوشه بندی مبتنی بر چگالی ، ماشین بردار پشتیبان تک کلاسه ، سازمان تامین اجتماعی