تحلیل محتوای دو دهه پژوهش‌های طراحی سیستم‌های هوشمند نظارتی برای شناسایی تقلب مالی

باقریان کاسگری, عباس; رئیسی وانانی, ایمان; امیری, مقصود; همایون, سعید

doi:10.22103/jdc.2023.22263.1426

تحلیل محتوای دو دهه پژوهش‌های طراحی سیستم‌های هوشمند نظارتی برای شناسایی تقلب مالی

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه مدیریت عملیات و فناوری اطلاعات، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران.

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

³ گروه حسابداری، دانشگاه یوله، یوله، سوئد.

10.22103/jdc.2023.22263.1426

چکیده

هدف: هدف اصلی این تحقیق انجام یک تحقیق جامع با هدف شناسایی تمامی عوامل موثر در طراحی و عملکرد بهینه سیستم‌های نظارت هوشمند برای کشف تقلب است. این شامل تجزیه و تحلیل دقیق انواع تقلب مالی، انواع داده‌های مورد استفاده برای سیستم‌های تشخیص تقلب (اعم از مالی و غیر مالی) و شناسایی موثرترین الگوریتم‌های یادگیری ماشینی و یادگیری عمیق است. علاوه بر این، هدف این تحقیق ایجاد معیارهای مناسب برای اندازه‌گیری کارایی آنها و شناسایی چالش‌ها در طراحی سیستم‌های نظارت هوشمند است. در نهایت، این تحقیق به دنبال پیش‌بینی فرآیند تحقیقات آینده است تا بتواند به این چالش‌ها پاسخ دهد.

روش: این پژوهش با استفاده از روش تحقیق توصیفی، به بررسی دقیق منابع از جمله مقالات منتشر شده در مجلات بین‌المللی، مقالات همایش‌ها و بویژه مقالات نمایه شده در پایگاه اسکوپوس و مجلات معتبر داخلی پرداخته است. دامنه زمانی یک دوره 20 ساله را در بر می‌گیرد که منتهی به سال 1401 می‌شود. برای اطمینان از صحت و دقت تجزیه و تحلیل، از نرم‌افزار MAXQDA برای کدگذاری و برگه‌های تجزیه و تحلیل استفاده شد، در حالی‌که از نرم‌افزار VOS Viewer برای تحلیل کلمات کلیدی و ترسیم نقشه جامع تحقیق استفاده شد.

یافته‌ها: این تحقیق با بررسی تحقیقات سیستم‌های کشف تقلب در دو دهه گذشته به ارائه مدل مفهومی تحقیقات کشف تقلب آتی منجر شده است که با ادغام داده‌های مالی و غیرمالی، از جمله معیارهای زیست‌محیطی، اجتماعی و حکمرانی (ESG)، یک تغییرپارادیم جدی در تحقیقات این حوزه را موجب می‌شود. این رویکرد با رفع محدودیت‌های موجود در کشف تقلب و با در نظر گرفتن طیف وسیع‌تری از متغیرها، موجب افزایش دقت و شفافیت سیستم‌های تشخیص تقلب می‌شود.

نتیجه‌گیری: این پژوهش با تجزیه و تحلیل تحقیقات قبلی انجام شده در این زمینه و شناسایی چالش‌ها و روندهای آتی، به گسترش حوزه دانش کمک می‌کند. خروجی این تحقیق شامل تجزیه و تحلیل دقیق چالش‌های حاضر در طراحی سیستم‌های نظارت هوشمند و استخراج روندهای تحقیقات آتی است. با پرداختن به این چالش‌ها و روندها، تحقیقات آینده می‌توانند به طور قابل توجهی، طراحی و اجرای سیستم‌های نظارت هوشمند را بهبود بخشد و از اثربخشی آنها در شناسایی و پیشگیری از تقلب مالی، اطمینان حاصل نمایند.

کلیدواژه‌ها

موضوعات

اقتصاد توسعه

مراجع

بهرامی، آسو؛ نوروش، ایرج؛ راد، عباس و محمد ملقرنی، عطااله (1399). تقلب در صورت‌های مالی و تکنیک‌های نوین مورد استفاده جهت کشف آن. مطالعات حسابداری و حسابرسی، 10(38)، 105-118. https://www.iaaaas.com/article_134547.html.

تشدیدی، الهه؛ سپاسی، سحر؛ اعتمادی، حسین و آذر، عادل (1398). ارائه رویکردی نوین در پیش‌بینی و کشف تقلب صورت‌های مالی با استفاده از الگوریتم زنبور عسل. مجله دانش حسابداری، 10(3)، 139-167. https://jak.uk.ac.ir/article_2378.html.

ثقفی، علی و بهار مقدم، مهدی (1387). محرک‌های مؤثر بر مدیریت سود. مجله توسعه و سرمایه، 1(2)، 103-125. https://jdc.uk.ac.ir/article_1894.html.

جلال جمالی، علی اصغر؛ متقی، احمد محمدی (1400). مطالعه مقایسه‌ای الگوهای پیش‌بینی ورشکستگی و ارائه الگوی بهینه برای محیط اقتصادی ایران. مجله توسعه و سرمایه، 6(2)، 111-134. https://jdc.uk.ac.ir/article_3154.html.

شکوهی فرد، سیامک؛ ابوالحسنی، اصغر و فرهنگ، امیرعلی (1400). اثرات فساد بر شکنندگی مالی در ایران: رهیافت رگرسیون کوانتایل. مجله توسعه و سرمایه، 6(2)، 93-110. https://jdc.uk.ac.ir/article_3106.html.

قائدی، محمدرضا و همکاران (1395). روش تحلیل محتوا، از کمی گرایی تا کیفی گرایی. روش‌ها و مدل‌های روانشناختی، 7(23)، 57-82. https://jpmm.marvdasht.iau.ir/article_1905.html.

قربانیان، امیر؛ عبدلی، محمدرضا؛ ولیان، حسن و بودلائی، حسن (1402). ارزیابی کارکردهای حسابرسی داخلی شهروندِ شرکتی. مجله توسعه و سرمایه، 8(1)، 143-165. https://jdc.uk.ac.ir/article_3392.html.

کاظمی، توحید؛ فرقاندوست حقیقی، کامبیز و سلیمانپور، مقصود (1390). انتخاب سبد سهام بهینه از بین سهام شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران با استفاده از الگوریتم مورچگان. پایان‌نامه کارشناسی ارشد، دانشگاه آزاد اسلامی واحد تهران مرکز. https://ganj.irandoc.ac.ir.

کردستانی، غلامرضا و آشتاب، علی (1388). پیش بینی مدیریت سود بر مبنای تعدیل سود هر سهم. مجله توسعه و سرمایه، 2(2)، 141-158. https://jdc.uk.ac.ir/article_1912.html.

مدرس، احمد و افلاطونی، عباس (1388). مدیریت سود در شرکت‌های پذیرفته شده در بورس اوراق بهادار تهران. مجله توسعه و سرمایه، 2(2)، 51-72. https://jdc.uk.ac.ir/article_1908.html.

صادقی مال امیری، منصور (1393). رفتارهای سه گانه بخل، میانه روی و اسراف از دیدگاه سیستمی. مدیریت اسلامی، 22(1)، 141-166. https://im.ihu.ac.ir.

مهرانی، ساسان؛ گنجی، حمیدرضا؛ تحریری، آرش و عسکری، محمدرضا (1388). ارزیابی رتبه‌بندی شرکت‌ها بر اساس اطلاعات حسابداری و غیرحسابداری و مقایسه آن با رتبه‌بندی شرکت‌ها در بورس اوراق بهادار تهران. مجله توسعه و سرمایه، 2(1)، 7-32. https://jdc.uk.ac.ir/article_1899.html.

نمازی، محمد و ناظمی، امین (1387). مروری بر پژوهش‌‎های حسابداری انجام شده در بورس اوراق بهادار تهران. مجله توسعه و سرمایه، 1(2)، 9-48. https://jdc.uk.ac.ir/article_1891.html.

References

Abakarim, Y., Lahby, M., & Attioui, A. (2018). An efficient real time model for credit card fraud detection based on deep learning. In Proceedings of the 12th International Conference on Intelligent Systems: Theories and Applications, (pp. 1-7). https://doi.org/10.1145/3289402.3289530.

Abdulghani, A.Q. (2021). Credit card fraud detection system using machine learning algorithms and fuzzy membership. DOI: 10.1109/MTICTI53925.2021.9664789.

Abhimanyu Roy, Jingyi Sun, Robert Mahoney, Loreto Alonzi, Stephen Adams, and Beling, P. (2018). Deep learning detecting fraud in credit card transactions. In 2018 Systems and Information Engineering Design Symposium (SIEDS). Charlottesville, VA, USA, 2018, 129-134. https://ieeexplore.ieee.org/document/8374722.

Abhishek, N., Reckien, D., & Van Maarseveen, M.F.A.M. (2019). A generalised fuzzy cognitive mapping approach for modelling complex systems. Applied Soft Computing, 84, 105754. https://doi.org/10.1016.

Alan Hevner, S.C. (2010). Design research in information systems: theory and practice. Springer Science & Business Media 22. DOI: 10.1007/978-1-4419-5653-8.

Bahrami, A., Noravesh, I., Raad, A., & Mohammadi Molgharni, A. (2021). Financial statements fraud and new techniques used to detect it. Accounting and Auditing Studies, 10(38), 105-118. DOI: 10.22034/iaas.2021.134547 [In Persian].

Bakhshi, K., Bahrak B., & Mahini, H. (2021). Fraud detection system in online ride-hailing services. 2021 7th International Conference on Signal Processing and Intelligent Systems (ICSPIS), Tehran, Iran, Islamic Republic of, , 1-6. DOI: 10.1109/ICSPIS54653.2021.9729379.

Calamaro, N., Beck, Y., Ben Melech, R., & Shmilovitz, D. (2021). An energy-fraud detection-system capable of distinguishing frauds from other energy flow anomalies in an urban environment. Sustainability, 13(19), 10696. https://doi.org/10.3390/su131910696.

Dang, T.K., Tran, T.C., Tuan, L.M., & Tiep, M.V. (2021). Machine learning based on resampling approaches and deep reinforcement learning for credit card fraud detection systems. Applied Sciences, 11(21), 10004. https://doi.org/10.3390/app112110004.

Fredrick, A. (2018). The extents of neuroscience and neuropsychology in the study of artificial intelligence. IRA-International Journal of Applied Sciences, 13(3), 35-38. http://dx.doi.org/10.21013/jas.v13.n3.p1.

Ghaedi, M.R., & Golshani, A. (2016). Content analysis method: from quantity-orientation to quality-orientation. Psychological Models and Methods, 7(23), 57-82. https://jpmm.marvdasht.iau.ir/article_1905.html?lang=en [In Persian].

Ghorbaniyan, A., Abdoli, M., Valiyan, H., & Boudlaie, H. (2023). Appriseal of corporate citizen internal audit functions. Journal of Development and Capital, 8(1), 143-165. DOI: 10.22103/jdc.2022.19858.1273 [In Persian].

Jamali, J. , Mottaghi, A., & Mohammadi, A. (2021). A comparative study of bankruptcy prediction models and presenting an optimized model for Iran's economic environment. Journal of Development and Capital, 6(2), 111-134. DOI: 10.22103/jdc.2022.18728.1187 [In Persian].

Jan, C.L. (2018). An effective financial statements fraud detection model for the sustainable development of financial markets: Evidence from Taiwan. Sustainability, 10(2), 513. https://doi.org/10.3390/su10020513.

Kalbande, D., Prabhu, P., Gharat A., & Rajabally, T. (2021). A fraud detection system using machine learning. 12th International Conference on Computing Communication and Networking Technologies (ICCCNT), Kharagpur, India, , pp. 1-7, DOI: 10.1109/ICCCNT51525.2021.9580102.

Kanika & Singla, J. (2019). Online banking fraud detection system: A review. International Journal of Advanced Trends in Computer Science and Engineering, 8(3), 959-962. https://doi.org/10.30534/ijatcse/2019/96832019.

Kanika & Singla, J. (2020). A survey of deep learning based online transactions fraud detection systems. International Conference on Intelligent Engineering and Management (ICIEM), IEEE, DOI: 10.1109/ICIEM48762.2020.9160200.

Kanika & Singla, J. (2022). A novel framework for online transaction fraud detection system based on deep neural network. Journal of Intelligent and Fuzzy Systems, 43(1), 927-937. https://doi.org/10.3233/JIFS-212616.

Kanika, Singla, J., & Nikita. (2021). Comparing ROC curve based thresholding methods in online transactions fraud detection system using deep learning. International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), https://doi.org/10.1109/icccis51004.2021.9397167.

Kazemi, T., Fargandoost Haghighi, K., & Soleymanpour, M. (2011). Selecting the optimal stock portfolio among the stocks of companies listed on the Tehran Stock Exchange using the Ant algorithm. Master's Thesis, Islamic Azad University, Central Tehran Branch. https://ganj.irandoc.ac.ir/#/articles/fc40530677d9740d5833b78b465f027c.

Khattri, V., Nayak, S.K., & Singh, D.K. (2020). Plastic card circumvention an infirmity of authenticity and authorization. Journal of Financial Crime, 27(3), 959-975. https://ideas.repec.org/a/eme/jfcpps/jfc-03-2020-0034.html.

Kordestani, Gh., & Ashtab, A. (2009). Predicting earnings management based on adjusted EPS. Journal of Development and Capital, 2(2), 141-158. DOI: 10.22103/jdc.2009.1912 [In Persian].

Krippendorff, K. (2022). Content analysis: An introduction to its methodology. Sage Publications, https://doi.org/10.4135/9781071878781.

Liang, Y., Nobakht, B., & Lindsay, G. (2021). The application of synthetic data generation and data-driven modelling in the development of a fraud detection system for fuel bunkering. Measurement: Sensors, 18. https://researchonline.gcu.ac.uk/en/publications.

Baily, M.N., Litan, R.E., & Johnson, M.S. (2008). The origins of the financial crisis. Initiative on Business and Public Policy at Brookings, https://bradscholars.brad.ac.uk/bitstream/10454/14383.

Mehrani, S., Ganji, H., Tahriri, A., & Asgari, M.R. (2009). Evaluation of firm ranking based on accounting and non accounting data and comparing it with firm ranking in Tehran Stock Exchange. Journal of Development and Capital, 2(1), 7-32. DOI: 10.22103/jdc.2009.1899 [In Persian].

Modarres, A., & Aflatooni, A. (2009). Earnings management in Tehran Stock Exchange (TSE). Journal of Development and Capital, 2(2), 51-72. DOI: 10.22103/jdc.2009.1908 [In Persian].

Namazi, M., & Nazemi, A. (2008). The investigation of the impact of effective the implications of the accounting research in Tehran Stock Exchange market. Journal of Development and Capital, 1(2), 9-48. DOI: 10.22103/jdc.2008.1891 [In Persian].

Ozbayoglu, A.M., Gudelek M.U., & Sezer, O.B. (2020). Deep learning for financial applications: A survey. Applied Soft Computing Journal, 93, 106384. https://doi.org/10.1016/j.asoc.2020.106384.

Pallavi, C., Girija, R., Rajamani, V., Dey, B., & Vincent, R. (2021). A relative investigation of various algorithms for online financial fraud detection techniques. Advances in Parallel Computing, 39, 22-32. DOI: 10.3233/APC210174.

Quintin-John, S., & Valverde, R. (2021). A perceptron based neural network data analytics architecture for the detection of fraud in credit card transactions in financial legacy systems. Wseas Transactions on Systems and Control, 16, 358-374. DOI: 10.37394/23203.2021.16.31.

Sadeghi Malmiri, M. (2014). Threefold behaviors of envy, moderation, and extravagance from the systematic viewpoint. Scientific Journal of Islamic Management, 22(1), 141-166. https://im.ihu.ac.ir/article_201793 [In Persian].

Saghafi, A., & Bahar Moghaddam, Ph.D, M. (2008). Incentives affecting earnings management. Journal of Development and Capital, 1(2), 103-125. DOI: 10.22103/jdc.2008.1894 [In Persian].

Sahayasakila,V., AishwaryaSikhakolli, D., Yasaswi, V. (2019). Credit card fraud detection system using smote technique and whale optimization algorithm. International Journal of Engineering and Advanced Technology, 8(5), 190-192. https://www.ijeat.org/wp-content/uploads/papers/v8i5/D6468048419.pdf.

Seera, M., et al. (2021). An intelligent payment card fraud detection system. Annals of Operations Research, 334(1), 445-467. https://ideas.repec.org/a/spr/annopr/v334y2024i1d10.1007_s10479-021-04149-2.html.

Sharma A., & Panigrahi, P.K. (2012). A review of financial accounting fraud detection based on data mining techniques. International Journal of Computer Applications, 39(1), 37–47. https://arxiv.org/pdf/1309.3944.

ShokouhiFard, S., Abolhasani, A., & Farhang, A. (2021). The Effects of corruption on financial fragility in Iran: A quantile regression approach. Journal of Development and Capital, 6(2), 93-110. DOI: 10.22103/jdc.2021.18460.1169 [In Persian].

Sumari, A.D.W., & Ahmad, A.S. (2018). Intelligent system, cognitive artificial intelligence: Concept and applications for humankind. Kasetsart Universit, DOI: 10.5772/intechopen.72764.

Tashdidi, E., Sepasi, S., Etemadi, H., & Azar, A. (2019). New approach to predicting and detecting financial statement fraud, using the bee colony. Journal of Accounting Knowledge, 10(3), 139-167. DOI: 10.22103/jak.2019.13616.2927 [In Persian].

Tyagi, N.K., & Goyal, M. (2022). Two tier model of exports drawback fraud detection system using intuitionistic fuzzy game theory. Intelligent Decision Technologies, 16(2), 299-313. DOI: 10.3233/IDT-210070.