یادگیری ماشین در پیش بینی تقلب مالی و پیامدهای آن برای حسابداری مدیریتی

این مقاله به بررسی دانش موجود درباره کاربرد یادگیری ماشین در پیش بینی تقلب مالی و پیامدهای آن برای حسابداری مدیریتی می پردازد. تمرکز اصلی بر گذار از روش های آماری سنتی و سیستم های مبتنی بر قواعد به الگوریتم های گروهی، مدل های یادگیری عمیق و رویکردهای ترکیبی در محیط های مالی و حسابداری است. با تلفیق مفاهیم حسابداری، مالی و علم داده نشان داده می شود که چگونه روش های بقه بندی مبتنی بر یادگیری ماشین توانایی شناسایی تقلب مالی را ارتقا می دهند و چگونه کشف هنجاری به بهبود تشخیص تقلب در تراکنش ها و صورت های مالی انجامیده است. در ادامه، تبیین می شود که کشف تقلب به تدریج در سیستم های گزارشگری داخلی و چارچوب های مدیریت ریسک ادغام شده و خروجی مدل های پیش بینانه وارد فرآیندهای بودجه ریزی، ارزیابی عملکرد و کنترل مدیریتی شده است. این مقاله ترکیب یادگیری ماشین، پیش بینی تقلب مالی و حسابداری مدیریتی را در قالب چارچوب های نظری نمایندگی ، مثلث و پنج ضلعی تقلب، نظریه اقتضایی، سودمندی تصمیم گیری و رویکرد سیستم های اجتماعی–فنی تحلیل می کند. ادبیات بین المللی و پژوهش های اخیر ایران مرور شده و نشان داده می شود که مطالعات داخلی نیز از روش های آماری سنتی به الگوریتم های پیشرفته یادگیری ماشین حرکت کرده اند. مضامین اصلی شامل حرکت به سمت نظارت مستمر، رویکردهای چندوجهی است.

کلیدواژه ها:

یادگیری ماشین ، تقلب مالی ، حسابداری مدیریتی ، کشف تقلب ، مرور روایی هدفمند