عباس باقریان کاسگری

بیشتر سیستم های تشخیص تقلب سنتی برای شناسایی تقلب مالی، صرفا معیار های مالی را در نظر می گیرند که به نظر می رسد درحالیکه این احتمال وجود دارد که شرکت های متقلب علاوه بر تقلب های مالی، مرتکب سایر انواع تقلبهای غیر مالی نیز شوند. اگرچه تحقیقات اخیر، بیش از حد بر اهمیت داده های مالی به عنوان تنها فاکتور پیش بینی کننده تقلب تأکید کرده اند؛ هیچ مطالعه ای بر معیارهای غیر مالی یا ESG به عنوان یک فاکتور کمکی برای برای پیش بینی تقلب انجام نشده است. لذا هدف این تحقیق این است که با ارائه یک مدل یادگیری ماشینی پیشرفته و یادگیری عمیق، امکان بهبود پیش بینی تقلب های بر اساس ترکیبی از داده های مالی و ESG، را بررسی نماید. در این پژوهش با استفاده از الگوریتم های نظارت شده 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 نوآورانه ای نشان داد که استفاده از مدل ترکیبی مبتنی بر داده های مالی ومعیارهای غیرمالی قدرت پیش بینی کننده ای بهتری برای تقلب های مالی نسبت به تکیه صرف بر داده های مالی دارد. مطابق یافته های این تحقیق، در پاسخ به پرسش اول این تحقیق، در میان الگوریتم های یادگیری ماشین و یادگیری عمیق، بالاترین کارایی در برای الگوریتم طبقه بندی یا Bagging مشاهده گردید. همچنین یافته های این تحقیق در خصوص سوال دوم تحقیق نشان می دهد که مجموعه داده ای همه ویژگی ها(مدل ترکیب داده های مالی و غیرمالی) کارایی بهتری در مقایسه با مجموعه داده های مالی به تنهایی) و غیرمالی به تنهایی داشته است.