Deep Learning Augmented Detection of Earnings Manipulation in African Listed Firms: A Multi-Model Comparative Study
यह अध्ययन प्रदर्शित करता है कि एक मशीन लर्निंग-संवर्धित लॉजिस्टिक रिग्रेशन मॉडल अफ्रीकी सूचीबद्ध फर्मों के बीच आय हेरफेर का पता लगाने में पारंपरिक जोन्स-मॉडल दृष्टिकोणों से बेहतर प्रदर्शन करता है, जबकि विभिन्न संस्थागत संदर्भों के कारण देशों के बीच महत्वपूर्ण प्रदर्शन विषमता को भी रेखांकित करता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि वित्त की दुनिया एक विशाल, हलचल भरे बाजार की तरह है जहाँ कंपनियाँ निवेशकों को अपने भविष्य के वादे बेचती हैं। इस बाजार में, एक कंपनी की "कमाई" (earnings) उसके रिपोर्ट कार्ड की तरह है—एक ऐसा स्कोर जो सबको बताता है कि उसने कैसा प्रदर्शन किया। लेकिन कभी-कभी, शो चलाने वाले लोग (प्रबंधक) चाहते हैं कि वह स्कोर वास्तव में जितना है उससे बेहतर दिखे। वे नंबरों में हेरफेर कर सकते हैं, कर्ज छिपा सकते हैं, या अपनी कंपनी को सुपरस्टार दिखाने के लिए खातों में गड़बड़ी कर सकते हैं। इसे "अर्निंग मैनिपुलेशन" (earnings manipulation) कहा जाता है, और यह एक जादूगर की तरह है जो दर्शकों को यह विश्वास दिलाने की कोशिश करता है कि हवा से खरगोश प्रकट हो गया है, जबकि वास्तव में वह टोपी में ही छिपा हुआ था।
लंबे समय तक, इस बाजार के "जासूसों"—ऑडिटरों और नियामकों—ने इन चालों को पकड़ने के लिए पुराने, कठोर नियमों का उपयोग किया। इन नियमों को हवाई अड्डे पर मेटल डिटेक्टर की तरह समझें: यह तब बीप करता है जब आपके पास धातु होती है, लेकिन यह प्लास्टिक के चाकू या चतुराई से छिपे गैजेट को मिस कर सकता है। ये पुराने तरीके स्पष्ट धोखाधड़ियों को पकड़ने में अच्छे थे, लेकिन वे स्मार्ट कंपनियों द्वारा इस्तेमाल की जाने वाली सूक्ष्म और परिष्कृत चालों को अक्सर नहीं पकड़ पाते थे। हाल ही में, जासूसों की एक नई पीढ़ी आई है, जो "मशीन लर्निंग" (Machine Learning) से लैस है। यदि पुराना मेटल डिटेक्टर एक साधारण बीप है, तो मशीन लर्निंग एक सुपर-स्मार्ट सुरक्षा गार्ड की तरह है जो न केवल धातु को देखता है; बल्कि वह आपकी चाल देखता है, आपके जूतों की जाँच करता है, आपकी घबराहट का विश्लेषण करता है, और यहाँ तक कि मौसम को भी पढ़ता है ताकि अनुमान लगा सके कि क्या आप कुछ गलत करने वाले हैं। यह शोध पत्र इस बात की गहराई से जांच करता है कि क्या ये सुपर-स्मार्ट गार्ड पुराने मेटल डिटेक्टर्स की तुलना में बेहतर काम कर सकते हैं, विशेष रूप से अफ्रीकी शेयर बाजारों में, जहाँ खेल के नियम अमेरिका या यूरोप की तुलना में थोड़े अलग हो सकते हैं।
अफ्रीका में महान जासूसी मुकाबला
इस अध्ययन में, यूनिवर्सिटी फॉर डेवलपमेंट स्टडीज के शोधकर्ताओं की एक टीम ने एक विशाल जासूसी प्रशिक्षण शिविर आयोजित किया। उन्होंने दक्षिण अफ्रीका, नाइजीरिया, केन्या और घाना के चार अफ्रीकी देशों के 80 सूचीबद्ध कंपनियों से डेटा एकत्र किया, जो 2015 से 2024 तक की अवधि को कवर करता है। यह कंपनियों के प्रदर्शन के 800 स्नैपशॉट का एक मिश्रण है, जिसमें अच्छे कलाकार और बुरे कलाकार दोनों शामिल हैं। उनका लक्ष्य क्या था? यह देखना कि कौन सा जासूसी उपकरण उन कंपनियों को सबसे अच्छी तरह पहचान सकता था जो "खातों में हेरफेर" (cooking the books) कर रही थीं।
उन्होंने चार अलग-अलग "जासूसों" का परीक्षण किया:
- पुराना स्कूल का जासूस (पारंपरिक लॉजिस्टिक रिग्रेशन): यह क्लासिक "जोन्स मॉडल" (Jones Model) का उपयोग करता है, जो एक नियम पुस्तिका है जो यह देखती है कि एक कंपनी ने कितनी कमाई का दावा किया बनाम वास्तव में बैंक में कितना कैश आया। यह मेटल डिटेक्टर है।
- अपग्रेडेड जासूस (मशीन लर्निंग ऑगमेंटेड लॉजिस्टिक रिग्रेशन): यह जासूस पुराने नियमकोष को लेता है लेकिन इसमें कंप्यूटर द्वारा गणना किया गया एक शक्तिशाली "फ्रॉड रिस्क स्कोर" और इस बात के सुराग जोड़ता है कि कंपनी के ऑडिटर कितने हाई-टेक हैं।
- पेड़ों का जंगल (रैंडम फॉरेस्ट): कल्पना कीजिए कि सौ अलग-अलग जासूस हैं, जिनमें से प्रत्येक थोड़े अलग कोण से सुरागों को देख रहा है, और फिर वोट दे रहा है कि कौन दोषी है।
- डीप लर्निंग प्रॉक्सी (ग्रेडिएंट बूस्टिंग): यह एक ऐसे जासूस की तरह है जो अपनी हर गलती से सीखता है, हर सुलझाए गए मामले के साथ और स्मार्ट होता जाता है, और उन जटिल पैटर्न को खोजने की कोशिश करता है जिन्हें इंसान शायद मिस कर दें।
फैसला: अपग्रेडेड जासूस विजेता है
जब धूल जमी, तो परिणाम स्पष्ट थे। अपग्रेडेड जासूस (मशीन लर्निंग ऑगमेंटेड लॉजिस्टिक रिग्रेशन) चैंपियन बना। इसने नए, अनदेखे मामलों में "एरिया अंडर द कर्व" (AUC) का स्कोर 0.745 हासिल किया। पुराने स्कूल के जासूस ने 0.709 का स्कोर प्राप्त किया। हालांकि यह अंतर छोटा लग सकता है, लेकिन वित्त की दुनिया में, यह अतिरिक्त 3.5 प्रतिशत अंक बहुत बड़ा है—इसका मतलब है कि किसी क्रैश होने से पहले अधिक धोखेबाजों को पकड़ना।
रैंडम फॉरेस्ट और डीप लर्निंग प्रॉक्सी अच्छे थे, लेकिन वे इस विशिष्ट परीक्षण में अपग्रेडेड जासूस को मात नहीं दे पाए। शोधकर्ता सुझाव देते हैं कि ऐसा इसलिए हो सकता है क्योंकि डेटासेट (800 कंपनियां) डीप लर्निंग मॉडल के पूरी तरह से अपनी ताकत दिखाने के लिए थोड़ा छोटा था, जबकि अपग्रेडेड जासूस इस काम के लिए बिल्कुल सही आकार का था।
क्या अंतर पैदा हुआ?
शोधकर्ताओं ने यह भी पूछा, "जासूस वास्तव में किन सुरागों का उपयोग कर रहे थे?" उन्होंने पाया कि सबसे महत्वपूर्ण सुराग केवल पुराना गणित नहीं था; बल्कि वह मशीन लर्निंग फ्रॉड रिस्क स्कोर था। यह स्कोर मॉडल के लिए एक "छठी इंद्रीय" (sixth sense) की तरह काम करता था, जो कई अलग-अलग संकेतों को एक शक्तिशाली चेतावनी में जोड़ देता है। दूसरा सबसे महत्वपूर्ण सुराग रिटर्न ऑन एसेट्स (Return on Assets - कंपनी के आकार की तुलना में कितना लाभ कमाती है) था। दिलचस्प बात यह है कि अध्ययन में पाया गया कि उच्च लाभ वाली कंपनियां वास्तव में नंबरों में हेरफेर करने की अधिक संभावना रखती थीं, शायद इसलिए क्योंकि उन्हें उन उच्च नंबरों को बनाए रखने का दबाव महसूस होता था।
"एक आकार सभी के लिए उपयुक्त नहीं" का आश्चर्य
यहाँ कहानी वास्तव में दिलचस्प हो जाती है। शोधकर्ताओं ने सभी चार देशों में एक ही जासूसी उपकरण का उपयोग करने की कोशिश की, और परिणाम बिल्कुल अलग थे।
- घाना में, उपकरण ने बहुत अच्छा काम किया (स्कोर 0.696)।
- दक्षिण अफ्रीका में, यह ठीक-ठाक था (स्कोर 0.616)।
- नाइजीरिया में, यह अनुमान लगाने से बस थोड़ा ही बेहतर था (स्कोर 0.549)।
- लेकिन केन्या में, इसका प्रदर्शन रैंडम गेसिंग के बेसलाइन से भी नीचे था (स्कोर 0.458)।
क्यों? शोधकर्ता सुझाव देते हैं कि केन्या में, कंपनियां अपने अकाउंटिंग नंबरों (accruals) में हेरफेर नहीं कर रही हैं, बल्कि वे वास्तविक व्यावसायिक गतिविधियों, जैसे माल का अत्यधिक उत्पादन करना या खर्चों में कटौती करना, में हेरफेर कर रही हैं। पुराने और नए जासूसों को नकली नंबरों को खोजने के लिए प्रशिक्षित किया गया था, न कि नकली व्यावसायिक गतिविधियों को। यह सेब चुराने वाले चोर को पकड़ने के लिए किसी को चाकू छिपाते हुए देखने जैसा है; आपको सेबों के लिए एक अलग प्रकार के डिटेक्टर की आवश्यकता है।
भविष्य के लिए इसका क्या अर्थ है?
अध्ययन निष्कर्ष निकालता है कि हम एक देश से दूसरे देश में धोखाधड़ी का पता लगाने वाली प्रणाली को सीधे कॉपी-पेस्ट नहीं कर सकते। अफ्रीकी नियामकों और ऑडिट फर्मों को प्रत्येक देश के लिए कस्टम उपकरण बनाने की आवश्यकता है। उन्हें निश्चित रूप से पुराने गणित के साथ उन "मशीन लर्निंग फ्रॉड रिस्क स्कोर्स" का उपयोग करना शुरू करना चाहिए, क्योंकि कंप्यूटर की "छठी इंद्रीय" एक शक्तिशाली सहयोगी साबित हो रही है। हालांकि, उन्हें यह भी याद रखना होगा कि कुछ बाजारों में, चालें अलग होती हैं, और डिटेक्टर्स को उन्हें पकड़ने के लिए नए तरीके सीखने की आवश्यकता होती है।
संक्षेप में, पेपर सुझाव देता है कि जबकि एआई (AI) वित्तीय धोखाधड़ी को पकड़ने के लिए एक शक्तिशाली नया उपकरण है, यह कोई जादुई छड़ी नहीं है जो हर जगह तुरंत काम करती है। इसे स्थानीय वातावरण के अनुसार ट्यून करने की आवश्यकता है, ठीक वैसे ही जैसे रेडियो को संगीत सुनने के लिए सही स्टेशन पर ट्यून करने की आवश्यकता होती है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।