تشخیص ناهنجاری ها در ثبت های حسابداری با استفاده از یادگیری عمیق در شبکه های خود رمزگذار(مقاله علمی وزارت علوم)
حوزههای تخصصی:
کشف ناهنجاری و تقلب همواره یکی از چالش های مد نظر حسابرسان و ممیزین بوده است. در پژوهش حاضر سعی شده است پس از بیان مبانی نظری انواع ناهنجاری در سیستم دفترداری و ثبت اسناد مالی، با بهره گیری از الگوریتم شبکه های عصبی رمزگذار خودکار که یکی از روش های یادگیری عمیق بشمار می رود، ساز و کاری برای استفاده از فنون نوظهور ارائه شود. بدین منظور از دو مجموعه داده سیستم اطلاعاتی حسابداری نرم افزار راهکاران (شامل 36538 آرتیکل) و سپیدار سیستم (شامل 30000 آرتیکل) استفاده شده است. در این پژوهش چند رویداد ناهنجار به مجموعه داده های موجود اضافه شد تا بدین وسیله معیار مطلوب برای قدرت تشخیص الگوریتم مشخص شود. نتایج نشان داد که در وهله اول یادگیری عمیق به وسیله الگوریتم شبکه عصبی خود رمزگذار توانایی بالایی در تشخیص آرتیکل های ناهنجار دارد و به علاوه به نسبت سایر فنون مورد بررسی (شامل درخت تصمیم، Extra Trees Regressor، جنگل تصادفی، Ada Boost Classifier و Quadratic Discriminant Analysis) عملکرد مطلوب تری را نشان می دهد. افزون بر این با افزایش عمق شبکه عملکرد تشخیصی بهبود یافت. به علاوه نتایج برآمده از پژوهش مبین آن بود که اسناد و آرتیکل های صادر شده از زیر سیستم های مختلف دارای خطای بازسازی متفاوتی بودند و لذا در تشخیص ناهنجاری باید به زیر سیستم پایه صادر کننده سند توجه کرد. به علاوه با اتکا به نتایج پژوهش حساب تفضیلی (طرف مقابل)، حساب معین، مرکز هزینه و تاریخ آخرین ویرایش سند، مهم ترین ویژگی ها برای تشخیص ناهنجاری در سیستم صدور سند هستند.