Adaptive Neural Threshold Networks for SEC Accounting Enforcement Triage
تقترح هذه الدراسة شبكة عتبة عصبية تكيفية تتفوق على الانحدار اللوجستي في تحديد أولويات ملفات هيئة الأوراق المالية والبورصات لمراجعة إنفاذ المحاسبة من خلال تعلم عتبات تعتمد على السياق، مع وضع إطار من متطلبات الحوكمة في الوقت ذاته لضمان استخدام النظام كوسيلة فرز سرية بدلاً من كونه دليلاً قانونياً.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل عام، تقوم آلاف الشركات العامة في الولايات المتحدة بتقديم تقارير مفصلة عن أموالها وديونها وأرباحها. هذه الوثائق هي سجلات عامة، تهدف إلى مساعدة المستثمرين والجهات التنظيمية على فهم صحة الاقتصاد. ولكن الوكالة المسؤولة عن مراقبة هذه الإفصاحات، وهي هيئة الأوراق المالية والبورصات، تواجه مشكلة هائلة: هناك ببساطة عدد كبير جداً من التقارير التي لا يمكن قراءة كل واحد منها بعمق. يجب على الوكالة أن تقرر أي الملفات القليلة ستفحصها أولاً، آملةً في العثور على تلك التي تخفي احتيالاً أو أخطاء محاسبية جسيمة. هذه معضلة فرز، عملية تصنيف تتطلب توجيه الانتباه البشري المحدود نحو الحالات الأكثر إثارة للريبة قبل اتخاذ أي قرار قانوني رسمي.
لعقود من الزمن، اعتمد المنظمون على الخبراء البشريين لرصد علامات التحذير في هذه البيانات المالية. ومع ذلك، تساءل الباحثون مؤخراً عما إذا كان بإمكان أجهزة الكمبيوتر تقديم المساعدة. الفكرة ليست استبدال المحققين البشريين، بل العمل كمرشح يسلط الضوء على الأنماط الأكثر غرابة في البيانات. التحدي يكمكم في أن العثور على الاحتيال أمر صعب للغاية؛ فمعظم الشركات صادقة، والشركات التي يتم ضبطها تمثل جزءاً ضئيلاً جداً من الإجمالي. علاوة على ذلك، فإن "الدليل" على الجريمة غالباً ما يستغرق سنوات للظهور، مما يعني أن جهاز كمبيوتر مدرب على بيانات سابقة قد يبحث عن أنماط لم تكتمل ملامحها بعد. والسؤال هو ما إذا كان نظام تعلم الآلة يمكنه تعلم رصد الهمسات الأولى للمتاعب دون أن يضيع في ضجيج التغيرات التجارية الطبيعية.
قام فريق من الباحثين بتطوير نوع جديد من أنظمة الكمبيوتر المصممة خصيصاً لهذه المهمة. لقد بنوا أداة لا تحاول إعلان إدانة شركة أو براءتها، بل تعمل بدلاً من ذلك كوسيلة للمفاضلة وتحديد الأولويات، حيث تقوم بترتيب آلاف فترات الإفصاح لتقترح أي منها يستحق نظرة فاحصة من خبير بشري. تم اختبار النظام على مجموعة بيانات ضخمة تحتوي على أكثر من 330,000 فترة إفصاح من أكثر من 14,000 شركة مختلفة. قام الباحثون بتدريب النظام على بيانات من عام 2009 إلى 2018، ثم اختبروه على أحدث البيانات الكاملة المتاحة من عام 2021 و2022. كان الهدف هو معرفة ما إذا كان بإمكان النظام تحديد الإفصاحات التي ارتبطت لاحقاً بإجراءات إنفاذ رسمية، والمعروفة باسم إصدارات إنفاذ المحاسبة والتدقيق.
وجد الباحثون أن نظامهم الجديد، الذي يسمون بـ "شبكة العتبة العصبية التكيفية"، قد تفوق في الأداء على الأساليب الإحصائية القياسية. وبينما استطاع نموذج تقليدي تحديد حوالي 23.6% من الإفصاحات الإشكالية عند مراجعة أعلى 10% من القائمة، وجد النظام الجديد 30.9% منها. قد يبدو هذا التحسن صغيراً، ولكن في عالم لا يمثل فيه سوى جزء ضئيل جداً من الإفصاحات حالات إشكالية، فإن العثور على المزيد من الحالات السيئة يعني توفير وقت ثمين للمحققين. يعمل النظام من خلال تعلم شكل "الطبيعي" لشركة معينة في وقت محدد، بدلاً من استخدام قاعدة واحدة جامدة للجميع. فهو ينظر في عوامل مثل سرعة نمو الشركة، وحجم ديونها، وما إذا كان تدفقها النقدي يتوافق مع أرباحها المعلنة. إذا ابتعدت أرقام الشركة كثيراً عما هو متوقع لحجمها وقطاعها، يقوم النظام بوضع علامة تنبيه عليها.
ومن الأهمية بمكان أن الباحثين صمموا النظام ليكون شفافاً. وخلافاً للعديد من أدوات الذكاء الاصطناعي الحديثة التي تعمل كـ "صندوق أسود" حيث تكون الأسباب مخفية، يوضح هذا النظام بالضبط سبب إثارته للإنذار. يمكنه إخبار المحلل بأن شركة ما قد تم وضع علامة عليها لأن مخزونها نما بسرعة أكبر بكثير من مبيعاتها، أو لأن احتياطياتها النقدية انخفضت بشكل غير متوقع. وهذا يسمح للمراجع البشري برؤية الانحراف المحاسبي المحدد الذي أدى إلى إطلاق التحذير. ويؤكد الباحثون أن هذه الدرجة ليست دليلاً على جريمة، بل هي مجرد إشارة تقول: "انظر هنا أولاً". الدرجة العالية لا تثبت الاحتيال، والدرجة المنخفضة لا تثبت سلامة الشركة. النظام هو أداة للفرز فقط، وليس للحكم.
كما تسلط الدراسة الضوء على قيود استخدام البيانات الماضية للتنبؤ بإنفاذ القانون مستقبلاً. فقد اكتشف الباحثون أن توقيت الإجراءات القانونية مهم للغاية؛ فإذا حاولوا التنبؤ بإجراءات الإنفاذ التي حدثت في نفس عام الإفصاح، فإن النظام يفشل تماماً تقريباً. ومع ذلك، عندما نظروا في نافذة زمنية مدتها ثلاث سنوات، أصبح النظام أكثر فعالية بكثير. وهذا يشير إلى أن العملية القانونية بطيئة؛ فالعلامات التي تشير إلى المشاكل في تقرير مالي غالباً لا تؤدي إلى تحقيق رسمي حتى مرور سنوات. لقد تعلم النظام التعرف على هذه الأنماط طويلة الأمد، لكن الباحثين يحذرون من أن هذا يعني أيضاً أن النظام يتعلم من تاريخ من الإنفاذ قد يكون منحازاً لما اختارت الجهات التنظيمية ملاحقته في الماضي.
في الختام، خلصت الورقة البحثية إلى أنه بينما توفر هذه التكنولوجيا تحسناً حقيقياً في كيفية فرز المنظمين لأطنان من الأوراق، إلا أنها لا يمكن أن تحل محل الحكم البشري. يُنظر إلى النظام كأفضل وسيلة لضمان عدم تفويت الحالات الأكثر إثارة للريبة بسبب نقص الوقت أو الموارد. يقترح الباحثون مجموعة صارمة من القواعد لكيفية استخدام مثل هذه الأداة في العالم الحقيقي؛ إذ يصرون على ضر أن تظل الدرجات سرية، وأن يقوم الخبراء البشريون دائماً بالتحقق من النتائج قبل اتخاذ أي إجراء، وأن يتم مراقبة النظام باستمرار لضمان عدم استهدافه لأنواع معينة من الشركات بشكل غير عادل. الهدف ليس أتمتة القانون، بل منح الأشخاص الذين يطبقونه خارطة طريق أفضل لتبدأ رحلتهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.