طبقه‌بندی اختلاس مالی {کلاهبرداری} شرکت : یک مطالعه موردی حسابرسی خارجی

این مقاله یک مطالعه موردی از بازدید از یک شرکت حسابرسی خارجی است تا سودمندی الگوریتم های یادگیری ماشینی را برای بهبود کیفیت کار حسابرسی مورد بررسی قرار دهد. داده‌های سالانه ۷۷۷ شرکت از ۱۴ بخش مختلف جمع‌آوری شده‌است. الگوریتم بهینه‌سازی ازدحام ذرات (‏PSO)‏به عنوان یک روش انتخاب ویژگی استفاده می‌شود. ده مدل مختلف طبقه‌بندی از نظر دقت، نرخ خطا، حساسیت، ویژگی، معیارهای F، ضریب همبستگی Mathew (‏MCC)‏، خطای نوع ۱، خطای نوع ۲، و مساحت تحت منحنی (‏AUC)‏با استفاده از روش‌های تصمیم‌گیری چند معیاره مانند سنجش افزوده ساده (‏SAW)‏و تکنیک ارجاع به روش شباهت به راه‌حل (‏TOIS)‏مقایسه شده‌اند. نتایج شبکه بیز و J48 نشان‌دهنده دقت ۹۳ % برای طبقه‌بندی مشکوک شرکت است. با ظهور رشد چشمگیر موارد کلاهبرداری مالی، یادگیری ماشینی نقش مهمی در بهبود کیفیت یک حوزه حسابرسی در آینده ایفا خواهد کرد.

This paper is a case study of visiting an external audit company to explore the usefulness of machine learning algorithms for improving the quality of an audit work. Annual data of 777 firms from 14 different sectors are collected. The Particle Swarm Optimization (PSO) algorithm is used as a feature selection method. Ten different state-of-the-art classification models are compared in terms of their accuracy, error rate, sensitivity, specificity, F measures, Mathew’s Correlation Coefficient (MCC), Type-I error, Type-II error, and Area Under the Curve (AUC) using Multi-Criteria Decision-Making methods like Simple Additive Weighting (SAW) and Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS). The results of Bayes Net and J48 demonstrate an accuracy of 93% for suspicious firm classification. With the appearance of tremendous growth of financial fraud cases, machine learning will play a big part in improving the quality of an audit field work in the future.