| قیمت: | 155000تومان |
| دسته بندی: | حسابداری و اقتصاد,مدیریت |
سال نشر: ۲۰۲۶
نوع نگارش مقاله: علمی پژوهشی (Research articles)
تعداد صفحه انگلیسی: ۱۵ صفحه PDF
تعداد صفحه ترجمه فارسی: ۳۵ صفحه WORD
کد محصول: H1204
نام ناشر (پایگاه داده): JAITD
نام مجله: JOURNAL OF ARTIFICIAL INTELLIGENCE AND TECHNOLOGICAL DEVELOPMENT
عنوان کامل فارسی:
حسابداری قانونی مبتنی بر هوش مصنوعی: چارچوب ترکیبی کشف تقلب با ادغام بلاکچین، یادگیری ماشین و شاخصهای ریسک ESG
عنوان کامل انگلیسی:
AI-Driven Forensic Accounting: A Hybrid Fraud Detection Framework Integrating Blockchain, Machine Learning, and ESG Risk Indicators
چکیده فارسی:
تقلب مالی با گسترش عملیات دیجیتال شرکتها، پذیرش سیستمهای مبتنی بر بلاکچین و تشدید رویههای گزارشگری زیستمحیطی، اجتماعی و حاکمیتی (ESG)، بهطور فزایندهای پیچیدهتر شده است. تکنیکهای سنتی حسابداری قانونی ــ که متکی بر حسابرسیهای دستی و تحلیل مبتنی بر نسبتها هستند ــ اغلب قادر به شناسایی الگوهای پیچیده و چندوجهی تقلب نیستند. این مطالعه یک چارچوب ترکیبی حسابداری قانونی مبتنی بر هوش مصنوعی را توسعه میدهد که نسبتهای صورتهای مالی، ناهنجاریهای تراکنشهای بلاکچین، و شاخصهای حاکمیتی و احساسات ESG را برای ارتقای کشف تقلب ادغام میکند. با استفاده از یک مجموعه داده چندوجهی شبیهسازیشده اما واقعگرایانه شامل ۲۰۰۰ شرکت، پنج مدل یادگیری ماشین نظارتشده ارزیابی شدند که در میان آنها XGBoost بالاترین عملکرد پیشبینی را به دست آورد ( F1-score = 0.80؛ ROC-AUC = 0.92). تحلیلهای مقایسهای نشان میدهند که ویژگیهای استخراجشده از بلاکچین دقت کشف را تقریباً به میزان هشت واحد درصد بهبود میبخشند، در حالی که شاخصهای حاکمیتی و احساسات ESG بهعنوان پیشبینیکنندههای معنادار رفتار متقلبانه ظاهر میشوند. مدل ترکیبی بهطور معناداری از مدلهای مبتنی بر دادههای مالی، مبتنی بر بلاکچین و مبتنی بر ESG بهتنهایی عملکرد بهتری دارد و تأیید میکند که تقلب ذاتاً پدیدهای چندبعدی است. هوش مصنوعی توضیحپذیر (SHAP) نیز بدون کاهش عملکرد مدل، تفسیرپذیری را تضمین میکند و شفافیت و قابلیت دفاع قضایی را تقویت میسازد. یافتهها نشان میدهند که یک رویکرد یکپارچه هوش مصنوعی–بلاکچین-ESG راهکاری مستحکم، شفاف و مقیاسپذیر برای چالشهای نوین کشف تقلب فراهم میآورد و مبنایی نظری و عملی برای نسل بعدی سیستمهای حسابداری قانونی ارائه میدهد.
کلیدواژهها: حسابداری قانونی، کشف تقلب، یادگیری ماشین، بلاکچین، شاخصهای ESG، هوش مصنوعی توضیحپذیر، XGBoost، تحلیلهای چندوجهی.
Abstract
fraud has become increasingly sophisticated as corporations expand digital operations, adopt blockchain-based systems, and intensify ESG reporting practices. Traditional forensic accounting techniques—reliant on manual audits and ratio-based analysis—are often unable to detect complex, multimodal fraud patterns. This study develops an AI-driven hybrid forensic accounting framework that integrates financial statement ratios, blockchain transaction anomalies, and ESG governance and sentiment indicators to enhance fraud detection. Using a simulated but realistic multimodal dataset of 2,000 firms, five supervised machine learning models are evaluated, with XGBoost achieving the highest predictive performance (F1-score = 0.80; ROC-AUC = 0.92). Comparative analyses reveal that blockchain-derived features improve detection accuracy by approximately eight percentage points, while ESG governance and sentiment indicators emerge as significant predictors of fraudulent behavior. The hybrid model significantly outperforms financial-only, blockchain-only, and ESG-only models, confirming that fraud is inherently multidimensional. Explainable AI (SHAP) further ensures interpretability without degrading model performance, strengthening transparency and forensic defensibility. The findings demonstrate that an integrated AI–Blockchain–ESG approach provides a robust, transparent, and scalable solution for modern fraud detection challenges and offers a theoretical and practical foundation for next-generation forensic accounting systems.
KEYWORDS: Forensic Accounting, Fraud Detection, Machine Learning, Blockchain, ESG Indicators, Explainable AI, XGBoost, Multimodal Analytics.
تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد
تمامی حقوق مادی و معنوی ترجمه ها برای پارس ترجمه محفوظ می باشد