طراحی مدل هوشمند کشف ناهنجاری‌های مالی در تراکنش‌های سازمانی با استفاده از الگوریتم‌های یادگیری بدون نظارت
چکیده
هدف پژوهش حاضر طراحی مدل هوشمند کشف ناهنجاری‌های مالی در تراکنش‌های سازمانی با تأکید بر قابلیت‌های الگوریتم‌های یادگیری بدون نظارت، الزامات داده‌ای، اعتبارسنجی خبرگانی و سازوکارهای حکمرانی مالی بود. این پژوهش از نظر رویکرد، کیفی و از نظر هدف، کاربردی ـ توسعه‌ای است. مشارکت‌کنندگان شامل ۱۸ نفر از خبرگان مالی، حسابرسی داخلی، مدیریت ریسک، تحلیل داده و فناوری اطلاعات مالی در سازمان‌های بزرگ مستقر در تهران بودند که با روش نمونه‌گیری هدفمند و گلوله‌برفی انتخاب شدند. داده‌ها صرفاً از طریق مصاحبه‌های نیمه‌ساختاریافته گردآوری شد و فرایند مصاحبه‌ها تا دستیابی به اشباع نظری ادامه یافت. برای تحلیل داده‌ها از تحلیل مضمون و کدگذاری باز، محوری و انتخابی با کمک نرم‌افزار NVivo استفاده شد. اعتبار یافته‌ها از طریق بازبینی مشارکت‌کنندگان، بازبینی همتایان، ثبت مسیر حسابرسی و مقایسه مستمر کدها تقویت شد. تحلیل مصاحبه‌ها به استخراج پنج مقوله اصلی منجر شد: معماری داده و یکپارچگی تراکنش‌ها، قابلیت‌های الگوریتمی یادگیری بدون نظارت، تفسیرپذیری و اعتبارسنجی انسانی، حکمرانی ریسک و کنترل داخلی، و الزامات پیاده‌سازی سازمانی. مشارکت‌کنندگان تأکید کردند که مدل هوشمند کشف ناهنجاری تنها زمانی اثربخش است که داده‌های مالی، عملیاتی و رفتاری به‌صورت یکپارچه، پاک‌سازی‌شده و قابل ردیابی در دسترس باشد. همچنین الگوریتم‌هایی مانند خوشه‌بندی، DBSCAN، Local Outlier Factor، Isolation Forest و خودرمزگذارها می‌توانند الگوهای غیرعادی را بدون نیاز به برچسب‌های تقلب شناسایی کنند، اما خروجی آن‌ها باید توسط متخصصان مالی، حسابرسان داخلی و واحد مدیریت ریسک تفسیر و اولویت‌بندی شود. مدل پیشنهادی پژوهش نشان می‌دهد کشف هوشمند ناهنجاری‌های مالی در تراکنش‌های سازمانی، یک مسئله صرفاً فنی نیست، بلکه نیازمند هم‌راستایی میان کیفیت داده، طراحی الگوریتم، دانش حسابداری، کنترل داخلی، حکمرانی داده و فرهنگ پاسخگویی سازمانی است. استفاده از یادگیری بدون نظارت می‌تواند توان کشف زودهنگام خطا، سوءاستفاده، دورزدن کنترل‌ها و الگوهای تراکنشی غیرمتعارف را افزایش دهد؛ مشروط بر آنکه مدل در کنار سازوکارهای انسانی، اخلاقی و سازمانی اجرا شود.
دانلودها
مراجع
Ahmed, M., Mahmood, A. N., & Islam, M. R. (2016). A survey of anomaly detection techniques in financial domain. Future Generation Computer Systems, 55, 278–288. https://doi.org/10.1016/j.future.2015.01.001
Bazeley, P., & Jackson, K. (2013). Qualitative data analysis with NVivo (2nd ed.). SAGE Publications.
Bolton, R. J., & Hand, D. J. (2002). Statistical fraud detection: A review. Statistical Science, 17(3), 235–255. https://doi.org/10.1214/ss/1042727940
Braun, V., & Clarke, V. (2006). Using thematic analysis in psychology. Qualitative Research in Psychology, 3(2), 77–101. https://doi.org/10.1191/1478088706qp063oa
Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000). LOF: Identifying density-based local outliers. In Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (pp. 93–104). ACM. https://doi.org/10.1145/335191.335388
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1–58. https://doi.org/10.1145/1541880.1541882
Ester, M., Kriegel, H. P., Sander, J., & Xu, X. (1996). A density-based algorithm for discovering clusters in large spatial databases with noise. In Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (pp. 226–231). AAAI Press.
Guest, G., Bunce, A., & Johnson, L. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59–82. https://doi.org/10.1177/1525822X05279903
Lincoln, Y. S., & Guba, E. G. (1985). Naturalistic inquiry. SAGE Publications.
Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation forest. In Proceedings of the 2008 Eighth IEEE International Conference on Data Mining (pp. 413–422). IEEE. https://doi.org/10.1109/ICDM.2008.17
Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559–569. https://doi.org/10.1016/j.dss.2010.08.006
West, J., & Bhattacharya, M. (2016). Intelligent financial fraud detection: A comprehensive review. Computers & Security, 57, 47–66. https://doi.org/10.1016/j.cose.2015.09.005
