اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 3 1404 06 01 Designing a Money Laundering Detection Model Based on Financial Network Analysis, Machine Learning, and Abnormal Transactional Patterns طراحی مدل کشف پولشویی مبتنی بر تحلیل شبکه‌های مالی، یادگیری ماشین و الگوهای تراکنشی غیرعادی 53 66 FA شیوا سادات حسینی گروه مدیریت مالی، دانشگاه شهید بهشتی، تهران، ایران Journal Article <p>This study aimed to design an anti-money laundering detection model based on financial network analysis, machine learning, and abnormal transactional patterns. This qualitative exploratory study was conducted among anti-money laundering experts, compliance managers, banking risk specialists, internal auditors, and financial data scientists in Tehran. Eighteen participants were selected using purposive and snowball sampling. Data were collected only through semi-structured interviews. Interviews continued until theoretical saturation was achieved; saturation emerged at the sixteenth interview, and two additional interviews were conducted to confirm data adequacy. All interviews were recorded with permission, transcribed verbatim, anonymized, and analyzed through thematic analysis using NVivo software. Open coding, axial grouping, constant comparison, analytical memoing, peer review, and member checking were used to enhance credibility, dependability, and confirmability. The analysis identified five main categories: “data infrastructure and integration of information sources,” “financial network analysis and detection of hidden relationships,” “identification of abnormal transactional patterns,” “machine learning, risk scoring, and false-positive reduction,” and “model governance, explainability, and ethical-regulatory requirements.” Participants argued that traditional threshold-based monitoring systems are insufficient for identifying complex laundering schemes. They emphasized the necessity of combining transaction data, know-your-customer information, beneficial ownership links, temporal account behavior, graph-based indicators, and investigator feedback to generate dynamic and explainable risk scores. The proposed model suggests that integrating network analytics, machine learning, and behavioral transaction indicators can improve the detection of suspicious money laundering patterns, reduce inefficient alerts, and support risk-based prioritization in compliance operations. However, the effective implementation of such a model depends on data quality, algorithmic explainability, privacy protection, continuous human oversight, model validation, and regulatory alignment.</p> <p>هدف پژوهش حاضر طراحی مدل کشف پولشویی مبتنی بر تحلیل شبکه‌های مالی، یادگیری ماشین و شناسایی الگوهای تراکنشی غیرعادی در نظام بانکی بود. این پژوهش با رویکرد کیفی و طرح اکتشافی انجام شد. مشارکت‌کنندگان شامل ۱۸ نفر از خبرگان مبارزه با پولشویی، مدیران تطبیق، متخصصان داده، حسابرسان داخلی و کارشناسان ریسک بانکی در شهر تهران بودند که به روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. ابزار گردآوری داده‌ها مصاحبه نیمه‌ساختاریافته بود و مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت؛ اشباع نظری در مصاحبه شانزدهم حاصل شد و دو مصاحبه تکمیلی برای اطمینان از کفایت داده‌ها انجام گرفت. داده‌ها پس از ضبط، پیاده‌سازی و ناشناس‌سازی، با روش تحلیل مضمون و به کمک نرم‌افزار NVivo تحلیل شدند. برای افزایش اعتبار یافته‌ها از بازبینی مشارکت‌کنندگان، مقایسه مستمر کدها، یادداشت‌برداری تحلیلی و بررسی همکار پژوهشی استفاده شد. تحلیل داده‌ها به استخراج پنج مقوله اصلی منجر شد: «زیرساخت داده‌ای و یکپارچه‌سازی منابع اطلاعاتی»، «تحلیل شبکه‌های مالی و کشف روابط پنهان»، «شناسایی الگوهای تراکنشی غیرعادی»، «یادگیری ماشین، امتیازدهی ریسک و کاهش هشدارهای کاذب» و «حکمرانی مدل، تبیین‌پذیری و الزامات اخلاقی ـ نظارتی». مشارکت‌کنندگان تأکید داشتند که کشف پولشویی صرفاً با قواعد آستانه‌ای امکان‌پذیر نیست و باید ترکیبی از داده‌های تراکنشی، اطلاعات شناخت مشتری، روابط ذی‌نفعی، رفتار زمانی حساب‌ها و شاخص‌های شبکه‌ای برای تولید امتیاز ریسک پویا به‌کار گرفته شود. مدل پیشنهادی نشان می‌دهد که ترکیب تحلیل شبکه، یادگیری ماشین و الگوهای رفتاری تراکنش می‌تواند دقت کشف پولشویی را افزایش دهد، هشدارهای غیرضروری را کاهش دهد و امکان اولویت‌بندی پرونده‌های مشکوک را برای واحدهای تطبیق و بازرسی فراهم سازد. با این حال، موفقیت چنین مدلی به کیفیت داده، تبیین‌پذیری الگوریتم، نظارت انسانی، رعایت حریم خصوصی و هم‌راستایی با الزامات قانونی وابسته است</p> https://jsaefm.com/index.php/jsaefm/article/download/19/17