تشخیص تقلب در تراکنش های مالی با استفاده از الگوریتم های داده کاوی

پدیده تقلب در صورتهای مالی و تراکنش های بانکی، به عنوان یکی از چالش های اساسی نظام های مالی و حسابداری در سطح جهانی، همواره مورد توجه پژوهشگران و فعالان این حوزه بوده است. این پدیده، که به عنوان اظهار عمدی و آگاهانه خلاف واقع یا حذف اطلاعات مادی تعریف میشود، نه تنها اعتماد سرمایه گذاران و اعتباردهندگان را خدشه دار میسازد، بلکه میتواند ثبات کلان اقتصادی کشورها را نیز تحت تاثیر قرار دهد. با توجه به پیچیدگی روزافزون تراکنشهای مالی و افزایش موارد گزارش شدهی کلاهبرداری، روشهای سنتی حسابرسی با محدودیت هایی در شناسایی بهموقع و دقیق این تخلفات مواجه هستند. ازاینرو، به کارگیری روش های نوین تحلیلی مانند داده کاوی، به عنوان راهکاری کارآمد در کشف الگوهای پنهان و شناسایی نشانه های تقلب، مورد توجه پژوهشگران قرار گرفته است. مرور جامع پژوهشهای انجامشده در این حوزه، نشان دهنده تنوع رویکردها، الگوریتم ها و حوزههای کاربرد (از صورتهای مالی شرکتها تا تراکنشهای خرد بانکی) و نیز تاکید بر کارایی بالای روشهای هوشمند در مقایسه با رویکردهای سنتی است.در حوزه شناسایی صورت های مالی متقلبانه، مطالعات متعددی به ارزیابی الگوریتم های مختلف داده کاوی پرداخته اند. در یک مطالعه، دو الگوریتم پرکاربرد شامل شبکه عصبی پیشخور چندلایه (MLFF) با الگوریتم یادگیری پس انتشار خطا (به عنوان روشی نظارت شده) و خوشه بندی K-Means (به عنوان روشی بدون نظارت) بر روی مجموع های از نسبت های مالی کلیدی (نظیر نسبت جاری، نسبت آنی، گردش حسابهای دریافتی، گردش موجودی کالا، نسبت بدهی به حقوق صاحبان سهام، بازده داراییها و جریان نقد عملیاتی) پیادهسازی شده اند. نتایج این پژوهش نشان داد که شبکه عصبی MLFF به دلیل قابلیت یادگیری نظارت شده، توانایی تشخیص الگوهای پیچیده تر و غیرخطی موجود در داده های مالی را داشته و در مقایسه با روش خوشه بندی K-Means، از دقت طبقه بندی بالاتری برخوردار است. این یافته ها با نتایج پژوهش های پیشین همخوانی داشته و نشان میدهد که استفاده از نسبتهای مالی محدود اما منتخب، میتواند به طور معناداری قدرت پیشبینی مدل های داده کاوی را افزایش دهد. در پژوهشی دیگر با هدف بررسی کارایی تکنیک های داده کاوی بر روی داده های شرکت های تولیدی یونانی، سه تکنیک درخت تصمیم گیری، شبکه های عصبی و شبکه های گمانه زنی بیزی بر روی ۲۷ نسبت مالی منتخب پیاده سازی شد. نتایج اعتبارسنجی متقاطع نشان داد که مدل شبکه گمانه زنی بیزی با دقت کلی ۹۰.۳ درصد و درخت تصمیم گیری با دقت ۸۰ درصد، عملکرد بهتری نسبت به سایر روش ها داشتند و نسبت های مالی نظیر بدهی به ارزش ویژه، سود خالص به مجموع دارایی ها و امتیاز Z آلتمن به عنوان مهمترین متغیرهای تمایزدهنده شناسایی شدند.

کلیدواژه ها:

داده کاوی(Data Mining) ، تشخیص ناهنجاری ، یادگیری ماشین ، داده های نامتوازن