اندیشکده مدیریت و اقتصاد تدبیر نیکان هوشمندسازی در حسابداری، اقتصاد و مدیریت مالی 1 پیاپی 2 1404 04 01 Developing an Intelligent Model for Detecting Financial Fraud in Corporate Financial Statements Using Deep Neural Networks and Data Mining Techniques ارائه مدل هوشمند تشخیص تقلب مالی در صورت‌های مالی شرکت‌ها با استفاده از شبکه‌های عصبی عمیق و تکنیک‌های داده‌کاوی 1 15 FA لیلا سادات هاشمی گروه اقتصاد اسلامی، دانشگاه اصفهان، اصفهان، ایران Journal Article <p>Objective: This study aimed to develop an intelligent model for detecting financial statement fraud in companies using deep neural networks and data mining techniques based on the perceptions and experiences of financial, auditing, and data analytics experts. This qualitative study was conducted using thematic analysis. The participants included independent auditors, chief financial officers, data mining specialists, capital market analysts, and internal control experts based in Tehran. Purposeful and snowball sampling strategies were used, and data were collected through semi-structured interviews. The interview process continued until theoretical saturation was achieved, and 21 participants were finally included. All interviews were recorded, transcribed verbatim, and analyzed using NVivo software. Data analysis followed the six-phase thematic analysis procedure, including familiarization with the data, generating initial codes, searching for themes, reviewing themes, defining and naming themes, and producing the final report. Trustworthiness was enhanced through member checking, peer debriefing, maintaining an audit trail, and continuous comparison of codes and categories. The analysis resulted in five main categories: data-driven architecture for fraud detection, financial and non-financial red flags, deep neural network and data mining design, interpretability and model governance, and organizational and auditing implementation requirements. The findings indicated that intelligent fraud detection cannot rely solely on traditional financial ratios. Instead, it requires the integration of structured financial data, textual disclosures, management discussion reports, audit evidence, behavioral indicators, and corporate governance variables. Participants emphasized that deep neural networks, especially when combined with feature selection, anomaly detection, and natural language processing, can reveal hidden patterns of financial manipulation. However, they also stressed that model outputs must be interpretable and usable for auditors, regulators, and financial decision-makers. The proposed model conceptualizes financial statement fraud detection as a multilayered, data-driven, interpretable, and human–AI collaborative process. It can support internal auditing, external auditing, capital market supervision, and corporate risk management by enabling preventive decision-making, improving financial transparency, and reducing information asymmetry.</p> <p> پژوهش حاضر ارائه مدل هوشمند تشخیص تقلب مالی در صورت‌های مالی شرکت‌ها با استفاده از شبکه‌های عصبی عمیق و تکنیک‌های داده‌کاوی، بر مبنای تجربه و ادراک خبرگان مالی، حسابرسی و تحلیل داده بود. این پژوهش با رویکرد کیفی و روش تحلیل مضمون انجام شد. جامعه مشارکت‌کنندگان شامل حسابرسان مستقل، مدیران مالی، متخصصان داده‌کاوی، تحلیلگران بازار سرمایه و کارشناسان کنترل داخلی مستقر در تهران بود. نمونه‌گیری به‌صورت هدفمند و گلوله‌برفی انجام گرفت و داده‌ها از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد. فرایند مصاحبه تا دستیابی به اشباع نظری ادامه یافت و در نهایت 21 نفر در پژوهش مشارکت کردند. مصاحبه‌ها پس از ضبط و پیاده‌سازی، در نرم‌افزار NVivo کدگذاری شد. برای تحلیل داده‌ها از تحلیل مضمون شش‌مرحله‌ای شامل آشنایی با داده‌ها، تولید کدهای اولیه، جست‌وجوی مضامین، بازبینی مضامین، تعریف و نام‌گذاری مضامین و تدوین گزارش استفاده شد. اعتبارپذیری یافته‌ها از طریق بازبینی مشارکت‌کنندگان، مرور همتایان، ثبت مسیر تحلیل و مقایسه مستمر کدها تقویت گردید. تحلیل مصاحبه‌ها به استخراج پنج مقوله اصلی منجر شد: معماری داده‌محور تشخیص تقلب، شاخص‌های مالی و غیرمالی هشداردهنده، طراحی شبکه عصبی عمیق و الگوریتم‌های داده‌کاوی، تفسیرپذیری و حکمرانی مدل، و الزامات پیاده‌سازی سازمانی و حسابرسی. یافته‌ها نشان داد که تشخیص هوشمند تقلب مالی تنها از طریق اتکای صرف به نسبت‌های مالی کلاسیک امکان‌پذیر نیست، بلکه نیازمند ترکیب داده‌های ساختاریافته مالی، داده‌های متنی گزارش هیئت‌مدیره، یادداشت‌های توضیحی، الگوهای رفتاری مدیریت، داده‌های حسابرسی و شاخص‌های حاکمیت شرکتی است. مشارکت‌کنندگان تأکید کردند که شبکه‌های عصبی عمیق، به‌ویژه در ترکیب با تکنیک‌های انتخاب ویژگی، تحلیل ناهنجاری و پردازش زبان طبیعی، می‌توانند الگوهای پنهان دستکاری را آشکار سازند، مشروط بر آنکه خروجی مدل برای حسابرسان و نهادهای نظارتی قابل تفسیر باشد. مدل پیشنهادی پژوهش، تشخیص تقلب مالی را به‌عنوان یک فرایند چندلایه، داده‌محور، تفسیرپذیر و مبتنی بر تعامل انسان و هوش مصنوعی صورت‌بندی می‌کند. این مدل می‌تواند در حسابرسی داخلی، حسابرسی مستقل، نظارت بازار سرمایه و مدیریت ریسک شرکت‌ها به‌کار گرفته شود و زمینه تصمیم‌گیری پیشگیرانه، افزایش شفافیت مالی و کاهش عدم تقارن اطلاعاتی را فراهم سازد.</p> https://jsaefm.com/index.php/jsaefm/article/download/8/7