نوع مقاله : مقاله پژوهشی

نویسندگان

• عباس باقریان کاسگری ¹
• ایمان رئیسی وانانی ²
• مقصود امیری ³
• سعید همایون ⁴

¹ دانشجوی دکتری رشته مدیریت فناوری اطلاعات، دانشگاه علامه طباطبائی، تهران، ایران نویسنده مسئول: AbbasBagherian@yahoo.com

² دانشیار گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی ، تهران، ایران

³ استاد گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی ، تهران، ایران

⁴ دانشیار گروه حسابداری، دانشگاه گوله، گوله، سوئد.

چکیده

بیشتر سیستم‌های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار‌های مالی را در نظر می‌گیرند که به نظر می‌رسد درحالیکه این احتمال وجود دارد که شرکت‌های متقلب علاوه بر تقلب‌های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش‌بینی‌کننده تقلب تأکید کرده‌اند؛ هیچ مطالعه‌ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش‌بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش‌بینی تقلب‌های بر اساس ترکیبی از داده‌های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت‌شده یادگیری ماشین و یادگیری عمیق، به بررسی چگونگی شناسایی تقلب مالی در بازه زمانی 10 ساله منتهی به سال 1401 پرداخته می شود. این تحقیق به طور نوآورانه‌ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده‌های مالی ومعیارهای غیرمالی قدرت پیش‌بینی‌کننده‌ای بهتری برای تقلب‌های مالی نسبت به تکیه صرف بر داده‌های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم‌های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه‌بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده‌ای همه ویژگی‌ها(مدل ترکیب داده‌های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده‌های مالی به تنهایی) و غیرمالی به تنهایی داشته است.

کلیدواژه‌ها

• سیستم‌های هوشمند کشف تقلب
• یادگیری عمیق
• یادگیری ماشین
• معیارهای مالی
• معیارهای غیر مالی

موضوعات

• علم داده، هوشمندی و تحلیل‌های آینده ‌نگر

عنوان مقاله [English]

Detecting financial fraud in public companies using financial and non-financial metrics with a machine learning approach

نویسندگان [English]

• Abbas Bagherian Kasgari ¹
• Iman Raeesi Vanani ²
• Maghsoud Amiri ³
• Saeid Homayoun ⁴

¹ Ph.D Candidate of Information Technology Management,, Allameh Tabataba’i University, Tehran, IranCorresponding Author: AbbasBagherian@yahoo.com

² Associate Professor, Allameh Tabataba'i University, Tehran, Iran

³ Professor, Department of Industrial Management, Faculty of Management and Accounting, Allameh Allameh Tabataba’i University Tehran, Iran

⁴ Associate Professor, University of Gävle, Gävle, Sweden

چکیده [English]

Most traditional fraud detection systems primarily focus on financial criteria to identify financial fraud, often overlooking the potential for fraudulent companies to engage in various types of non-financial misconduct. Recent studies have predominantly highlighted the significance of financial data as the sole indicator of fraud, neglecting the exploration of non-financial or Environmental, Social, and Governance (ESG) metrics as supplementary predictors. This research aims to enhance fraud prediction by integrating financial and ESG data through sophisticated machine learning and deep learning models. It examines the effectiveness of supervised machine learning and deep learning algorithms in detecting financial fraud over a 10-year period ending in 1401. This study innovatively demonstrates that a hybrid model, which combines financial and non-financial criteria, yields superior predictive accuracy for financial fraud than models based solely on financial data.
The results of this study, addressing the first research question, indicate that among various machine learning and deep learning algorithms, the classification or bagging algorithm demonstrated superior efficiency. Furthermore, in response to the second research question, it was found that the dataset encompassing all features—integrating both financial and non-financial data—outperformed those datasets limited to either financial or non-financial data alone. The research results indicated that the bagging machine learning algorithms act the best with combined feature set including financial and ESG metrics combined. The adoption of the proposed model significantly improves the accuracy and effectiveness of fraud detection systems.

کلیدواژه‌ها [English]

• Financial Fraud Detection
• Deep Learning
• Machine Learning
• Financial Metrics
• ESG Metrics