Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study
تُظهر هذه الدراسة أن نموذج الانحدار اللوجستي المعزز بالتعلم الآلي يتفوق على مناهج نموذج جونز التقليدية في الكشف عن التلاعب بالأرباح بين الشركات الأفريقية المدرجة، مع تسليط الضوء على تباين كبير في الأداء عبر الدول بسبب اختلاف السياقات المؤسسية.
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
تخيل عالم التمويل كأنه سوق ضخم وصاخب حيث تبيع الشركات وعودها المستقبلية للمستثمرين. في هذا السوق، تُعد "أرباح" الشركة بمثابة شهادة تقدير—درجة تخبر الجميع بمدى جودة أدائها. ولكن أحياناً، يرغب الأشخاص الذين يديرون العرض (المديرون) في جعل هذه الدرجة تبدو أفضل مما هي عليه في الواقع. قد يقومون بتزييف الأرقام، أو إخفاء الديون، أو التلاعب بالدفاتر لجعل شركتهم تبدوا كأنها نجم خارق. يُسمى هذا "التلاعب بالأرباح"، وهو يشبه إلى حد ما ساحراً يحاول خداع الجمهور ليوهمهم بأن أرنباً ظهر من العدم، بينما هو في الحقيقة كان يختبئ داخل قبعة.
لفترة طويلة، استخدم "المحققون" في هذا السوق—المراجعون والجهات التنظيمية—مجموعة من القواعد القديمة والجامدة لرصد هذه الخدع. فكر في هذه القواعد مثل جهاز كشف المعادن في المطار: يصدر صوتاً إذا كان لديك معدن، ولكنه قد يغفل عن سكين بلاستيكية أو أداة مخبأة بذكاء. كانت هذه الأساليب القديمة جيدة في كشف التزييف الواضح، لكنها غالباً ما كانت تغفل عن الخدع الدقيقة والمتطورة التي تستخدمها الشركات الذكية. ومؤخراً، وصلت جيل جديد من المحققين، مسلحين بـ "تعلم الآلة". وإذا كان جهاز كشف المعادן القديم مجرد صافرة بسيطة، فإن تعلم الآلة يشبه حارس أمن فائق الذكاء لا يكتفي بالبحث عن المعدن فحسب؛ بل يراقب مشيتك، ويفحص حذاءك، ويحلل توترك، وحتى يقرأ حالة الطواقم الجوية ليتوقع ما إذا كنت تنوي القيام بعمل سيء. تغوص هذه الورقة البحثية في ما إذا كان هؤلاء الحراس فائقو الذكاء يمكنهم حقاً القيام بعمل أفضل من أجهزة كشف المعادن القديمة، وتحديداً في أسواق الأسهم الأفريقية، حيث قد تكون قواعد اللعبة مختلفة عما هي عليه في الولايات المتحدة أو أوروبا.
المواجهة الكبرى بين المحققين في أفريقيا
في هذه الدراسة، قام فريق من الباحثين من جامعة التنمية والدراسات (University for Development Studies) بإعداد معسكر تدريب ضخم للمحققين. لقد جمعوا بيانات من 80 شركة مدرجة في أربع دول أفريقية: جنوب أفريقيا، ونيجيريا، وكينيا، وغانا، تغطي السنوات من 2015 إلى 2024. إنها 800 لقطة لأداء الشركات، مزيج من الممثلين الجيدين والسيئين. هدفهم؟ معرفة أي أداة تحقيق يمكنها رصد الشركات التي كانت "تطبخ الدفاتر".
لقد اختبروا أربعة "محققين" مختلفين:
- المحقق التقليدي (الانحدار اللوجستي التقليدي): يستخدم هذا النموذج "نموذج جونز" الكلاسيكي، وهو كتاب قواعد ينظر إلى مقدار الأموال التي تدعي الشركة أنها ربحتها مقابل مقدار النقد الذي دخل البنك بالفعل. إنه جهاز كشف المعادن.
- المحقق المطور (الانحدار اللوجستي المعزز بتعلم الآلة): يأخذ هذا المحقق كتاب القواعد القديم ولكنه يضيف "درجة مخاطر الاحتيال" فائقة القوة التي يحسبها الكمبيوتر، بالإضافة إلى أدلة حول مدى تطور مدققي حسابات الشركة تقنياً.
- غابة الأشجار (الغابة العشوائية - Random Forest): تخيل مائة محقق مختلف، كل منهم ينظر إلى الأدلة من زاوية مختلفة قليلاً، ثم يصوتون على من هو المذنب.
- وكيل التعلم العميق (تعزيز التدرج - Gradient Boosting): هذا يشبه المحقق الذي يتعلم من كل خطأ يرتكبه، ويصبح أكثر ذكاءً مع كل قضية يحلها، محاولاً إيجاد أنماط معقدة قد يغفل عنها البشر.
الحكم: المحقق المطور هو الفائز
عندما استقر الغبار، كانت النتائج واضحة. كان المحقق المطور (الانحدار اللوجستي المعزز بتعلم الآلة) هو البطل. لقد حقق درجة تُعرف باسم "المساحة تحت المنحنى" (AUC) بلغت 0.745 في حالات جديدة لم يسبق له رؤيتها. بينما تمكن المحقق التقليدي من تحقيق درجة 0.709. ورغم أن هذا قد يبدو فرقاً ضئيلاً، إلا أنه في عالم التمويل، تعتبر هذه الـ 3.5 نقطة مئوية الإضافية ضخمة—فهي تعني كشف المزيد من المحتالين قبل أن يتسببوا في انهيار.
كانت "الغابة العشوائية" و"وكيل التعلم العميق" جيدين، لكنهما لم يتفوقا تماماً على المحقق المطور في هذا الاختبار المحدد. ويرى الباحثون أن هذا قد يكون بسبب أن مجموعة البيانات (800 شركة) كانت صغيرة بعض الشيء بالنسبة لنماذج التعلم العميق شديدة التعقيد لتتمكن من إظهار كامل قدراتها، بينما كان المحقق المطور بالحجم المناسب تماماً للمهمة.
ما الذي صنع الفارق؟
سأل الباحثون أيضاً: "ما هي الأدلة التي كان يستخدمها المحققون فعلياً؟" ووجدوا أن أهم دليل لم يكن مجرد الرياضيات التقليدية؛ بل كان درجة مخاطر الاحتيال الناتجة عن تعلم الآلة. عملت هذه الدرجة كـ "حاسة سادسة" للنموذج، حيث دمجت العديد من الإشارات في تحذير واحد قوي. وثاني أهم دليل كان العائد على الأصول (كم الربح الذي تحققه الشركة مقارنة بحجمها). ومن المثير للاهتمام، وجدت الدراسة أن الشركات ذات الأرباح العالية كانت في الواقع أكثر عرضة للتلاعب بأرقامها، ربما لأنها شعرت بالضغط للحفاظ على تلك الأرقام العالية مستمرة.
مفاجأة "النموذج الواحد لا يناسب الجميع"
هنا تصبح القصة مثيرة للاهتمام حقاً. حاول الباحثون استخدام نفس أداة التحقيق في جميع الدول الأربع، وكانت النتائج مختلفة تماماً.
- في غانا، عملت الأداة بشكل رائع (درجة 0.696).
- في جنوب أفريقيا، كانت مقبولة (درجة 0.616).
- في نيجيريا، كانت أفضل بقليل من التخمين العشوائي (درجة 0.549).
- أما في كينيا، فقد كان أداء الأداة أقل من خط الأساس للتخمين العشوائي (درجة 0.458).
لماذا؟ يقترح الباحثون أنه في كينيا، لا تتلاعب الشركات بأرقام محاسبتها (المستحقات)، بل تتلاعب بالأنشطة التجارية الحقيقية، مثل الإفراط في إنتاج السلع أو تقليص النفقات. المحققون القدامى والجدد تم تدريبهم للبحث عن الأرقام المزيفة، وليس الحركات التجارية المزيفة. إنه مثل محاولة الإمساك بلص يسرق التفاح من خلال البحث عن شخص يخفي سكيناً؛ أنت بحاجة إلى نوع مختلف من الكواشف.
ماذا يعني هذا للمستقبل؟
تخلص الدراسة إلى أنه لا يمكننا مجرد نسخ ولصق نظام كشف الاحتيال من بلد إلى آخر. يحتاج المنظمون وشركات التدقيق في أفريقيا إلى بناء أدوات مخصصة لكل بلد. يجب عليهم بالتأكيد البدء في استخدام "درجات مخاطر الاحتيال الناتجة عن تعلم الآلة" جنباً إلى جنب مع الرياضيات القديمة، لأن "الحاسة السادسة" للكمبيوتر تثبت أنها حليف قوي. ومع ذلك، يجب عليهم أيضاً أن يتذكروا أنه في بعض الأسواق، تكون الحيل مختلفة، ويجب تعليم الكواشف حِيلاً جديدة للإمساك بها.
باختصار، تشير الورقة البحثية إلى أنه بينما يعد الذكاء الاصطنا आर्टिफिशियल (AI) أداة قوية لكشف التزييف المالي، فإنه ليس عصا سحرية تعمل في كل مكان فوراً. يحتاج إلى ضبط ليتناسب مع البيئة المحلية، تماماً كما يحتاج الراديو إلى الضبط على المحطة الصحيحة لسماع الموسيقى.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.