💻 computer science

Artificial Intelligence-Enabled Accounting Information Systems and Fraud Detection in Nigeria's Financial Services Sector: The Moderating Role of Natural Language Processing

본 연구는 인공지능 기반 회계정보시스템이 나이지리아 금융 서비스 부문의 부정 탐지 및 감사 효과성을 유의미하게 향상시키며, 자연어 처리가 의미론적 해석과 분석적 설명 가능성을 개선하는 긍정적인 조절 변수로 작용한다는 것을 입증한다.

원저자: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

게시일 2026-07-03

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Timothy Oluwapelumi Adeyemi, Abigail Omotola Ojogbede

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

나이지리아의 금융 시스템을 돈이 심장 박동보다 빠르게 움직이는 거대하고 북적이는 시장이라고 상상해 보십시오. 과거에 이 시장을 지키던 "경비원들"(감사인)은 하루가 끝난 후에 영수증을 확인하곤 했습니다. 그들은 단순한 체크리스트를 사용하여 명백한 실수나 알려진 수법들을 찾아냈습니다. 하지만 오늘날 "도둑들"은 도구를 업그레이드했습니다. 그들은 단순히 현금을 훔치는 것이 아니라, 복잡한 디지털 변장과 가짜 신분, 그리고 속도를 이용해 누군가 알아차리기 전에 틈새로 빠져나갑니다.

이 논문은 나이지리아의 은행과 금융 기업들이 시도하고 있는 새로운 첨단 보안 경비원들에 대한 성적표와 같습니다. 연구 결과는 다음과 같은 쉬운 비유를 사용하여 정리되었습니다.

1. 문제점: 옛날 손전등 vs 새로운 폭풍

이 연구는 사기(fraud)를 잡아내는 기존 방식이 밤에 희미한 손전등을 들고 건초더미에서 바늘을 찾는 것과 같다고 설명합니다. 당신은 바로 눈앞에 보이는 것만 볼 수 있으며, 난장판이 된 후에야 찾기 시작할 수 있습니다.

현실: 현대의 사기는 몇 초 만에 발생하는 폭풍과 같습니다. 그것은 기존의 "손전등"(전통적 감사)이 따라잡기에는 너무 빠릅니다.
해결책: 이 논문은 AI 기반 회계 시스템을 살펴봅니다. 이것은 희미한 손전등을 교체하여, 시장 전체를 24시간 내내 고화질로 감시하고 1마일 밖에서도 미세한 움직임을 포착할 수 있는 위성 카메라를 설치하는 것과 같습니다.

2. 주인공: "스마트 위성" (AI)

연구진은 186명의 나이지리아 금융 전문가(은행가, 감사인, 기술직 종사자)에게 이 새로운 "스마트 위성"(AI 시스템)이 실제로 나쁜 놈들을 잡는 데 도움이 되는지 물었습니다.

연구 결과: 네, 효과가 있습니다. 연구에 따르면 은행이 이러한 AI 도구를 사용할 때 다음과 같은 부분에서 훨씬 더 뛰어난 능력을 갖추게 됩니다.
- 예방(Prevention): 범죄가 일어나기 전에 막는 것 (마치 도둑이 자물쇠를 따려고 할 때 이를 알아채는 스마트 잠금장치처럼).
- 탐지(Detection): 범죄가 일어나는 도중에 포착하는 것.
- 조사(Investigation): 어떻게 그런 일이 일어났는지 빠르게 파악하는 것.
최고의 승자: 연구는 예방이 가장 강력한 부분이라는 것을 발견했습니다. 돈이 사라진 후에 도둑을 뒤쫓는 경비원보다는, 문 앞에서 도둑을 막아서는 경비원을 두는 것이 더 낫습니다.

3. 비밀 병기: "번역가" (NLP)

여기서 흥aker지는 부분이 나옵니다. AI "스마트 위성"은 숫자(예: 100달러가 이체되었는지 확인하는 것)를 보는 데 탁월합니다. 하지만 사기꾼들은 말로도 거짓말을 하는 데 능숙합니다. 그들은 흔적을 숨기기 위해 가짜 이메일, 가짜 보고서, 혼란스러운 메시지를 작성합니다.

공백: 컴퓨터는 보통 텍스트 메시지에 담긴 인간의 거짓말이나 비꼬는 표현을 읽는 데 서툽니다.
해결책: 이 논문은 **자연어 처리(NLP)**를 소개합니다. NLP를 AI 옆에 앉아 있는 매우 똑똑한 번역가라고 생각하십시오.
- AI가 숫자를 보는 동안, NLP는 이야기(이메일, 불만 사항, 보고서)를 읽습니다.
- NLP는 문장이 "수상쩍게" 들리는지, 혹은 보고서가 진실을 숨기려 하는지를 판별할 수 있습니다. 숫자가 괜찮아 보이더라도 말입니다.
결과: 연구는 "스마트 위성"(AI)에 이 "번역가"(NLP)를 더했을 때, 전체 시스템이 훨씬 더 좋아진다는 것을 발견했습니다. 이는 마치 보안 요원이 도둑을 볼 수 있을 뿐만 아니라, 도둑의 비밀 암호까지 이해할 수 있게 된 것과 같습니다.

4. 결론

이 논문은 나이지리아의 빠르게 변화하는 디지털 세상에서 다음과 같이 결론짓습니다.

AI 시스템은 인간만의 점검보다 더 빠르고 똑똑하기 때문에 사기를 잡는 데 필수적입니다.
NLP는 인간의 언어와 숨겨진 의미를 이해하도록 도와 AI를 더욱 똑똑하게 만드는 "비밀 소스"입니다.
이 둘이 함께할 때 금융 시스템은 더 안전하고, 투명하며, 범죄자들이 속이기 어렵게 만듭니다.

요약하자면: 이 논문은 나이지리아의 현대적인 디지털 도둑들을 잡기 위해서는 더 이상 단순한 규칙 책만으로는 부족하다고 말합니다. 숫자를 감시하는 고도의 AI 시스템과 단어를 읽는 똑똑한 번역가가 함께 작동하여, 돈을 훔치기 전에 사기를 막아야 합니다.

기술 요약: 나이지리아 금융 서비스 부문의 인공지능 기반 회계 정보 시스템 및 부정 탐지

1. 문제 제기

신흥 경제국, 특히 나이지리아의 급격한 금융 시스템 디지털화는 운영 효율성과 금융 포용성을 향상시켰으나, 동시에 정교한 사이버 기반 부정(fraud)에 대한 노출을 증가시켰다. 합성 신원 사기(synthetic identity fraud)와 피싱부터 조직적인 디지털 기만 네트워크에 이르기까지, 현대적 부정 수법은 기존의 감사 메커니즘을 우회하는 경우가 많다. 사후 검증, 규칙 기반 모니터링, 주기적 샘플링에 의존하는 전통적인 시스템은 현대적 금융 범죄의 속도, 복잡성 및 적응적 특성을 해결하는 데 어려움을 겪고 있다.

또한, 이러한 기술들을 아프리카의 신흥 금융 생태계 내에 적용하는 것과 관련하여 문헌상 상당한 공백이 존재한다. 기존의 실증적 증거는 기술적으로 발전된 서구 및 동아시아 경제에 집중되어 있어, 나이지리아와 같이 파편화된 인프라와 진화하는 규제 환경을 가진 국가들의 운영 현실은 충분히 탐구되지 못했다. 구체적으로, 자연어 처리(NLP)가 AI 기반 회계 정보 시스템(AIS)과 감사 유효성 사이의 관계를 어떻게 조절하는지, 특히 비정형 텍ual 데이터의 해석과 AI 기반 결정의 설명 가능성 측면에서 어떻게 작용하는지에 대한 이해가 제한적이다.

2. 연구 방법론

연구 설계 및 철학:
본 연구는 실증주의적 연구 철학과 양적 횡단적 설문 조사 설계를 채택한다. AI 기반 AIS, NLP, 그리고 부정 탐지 유효성 간의 관계에 관한 이론 기반 가설을 실증적으로 테스트하기 위해 가설-연역적 접근 방식을 활용한다.

데이터 수집:

모집단: 나이지리아의 규제 대상 금융 부문(상업 은행, 보험사, 핀테크 기업) 내 감사, 회계, 컴플라이언스, 부정 관리 및 금융 리스크 거버넌스 전문가.
표집: 섹터 전반의 대표성을 확보하기 위해 층화 목적 표집법(stratified purposive sampling)을 사용하였다. 310명의 전문가 모집단(ICAN 및 CIBN 디렉토리에서 추출)으로부터 186개의 유효한 응답을 확보하였다(응답률 74.8%).
도구: 데이터 수집, 데이터 분석, 리스크 평가, 탐지, 예방, 조사, 감사 및 부정 탐지 유효성, 그리고 NLP 역량이라는 8개 구성 개념을 측정하는 47개 항목의 구조화된 설문지를 사용하였다. 각 항목은 5점 리커트 척도로 측정되었다.
타당도 및 신뢰도: 전문가 검토를 통해 내용 타당도를 확립하였다. 구성 타당도는 탐색적 요인 분석(EFA)을 통해 검증되었으며, 로딩 값이 0.60 미만인 항목을 제거하였다. 내부 일관성은 모든 구성 개념에 대해 0.70을 초과하는 크론바흐 알파(Cronbach's alpha) 값을 통해 확인되었다. 공통 방법 편향(Common method bias)은 Harman의 단일 요인 테스트(34.6% 분산)를 통해 평가되었다.

분석 전략:
데이터는 IBM SPSS Statistics 27 및 AMOS 27을 사용하여 분석되었다. 분석은 다음 4단계로 진행되었다:

응답자 프로필과 변수 분포를 요약하기 위한 기술 통계.
정규성, 다중공선성(VIF < 10) 및 잔차 가정에 대한 진단 테스트.
AI 기반 AIS 차원이 감사 유효성에 미치는 영향을 조사하기 위한 다중 선형 회귀 분석.
변수 중심화(mean-centering)를 통해 다중공선성을 줄이고, Baron과 Kenny 및 Cohen 등의 절차를 따라 NLP의 조절 역할을 테스트하기 위한 위계적 조절 회回归 분석.

3. 주요 기여

맥락적 실증성: 본 연구는 급격한 디지털화와 인프라 파편화를 특징으로 하는 신흥 경제국인 나이지리아로부터 실증적 증거를 제공함으로써, 지능형 감사 연구의 적용 범위를 발전된 서구 및 동아시아 맥락 너머로 확장한다.
이론적 통합: 본 연구는 부정 다이아몬드 이론(부정의 네 번째 차원으로 '역량'을 포함)과 기술 수용 모델(TAM)(인지된 유용성과 용이성에 초점)에 근거한다. 이 이중 프레임워크는 부정을 촉진하는 구조적 조건과 기술 채택을 주도하는 제도적 역학을 모두 설명한다.
NLP의 조절 역할: 본 연구는 NLP의 조절 효과를 구체적으로 격리하여 테스트함으로써, 비정형 텍스트 데이터(예: 감사 보고서, 컴플라이언스 서술)가 중요한 환경에서 NLP가 AI 지원 부정 탐지의 효과성을 어떻게 향상시키는지에 관한 문헌적 공백을 메운다.

4. 결과

기술적 결과:
응답자들은 일반적으로 AI 기반 AIS와 NLP 역량에 대해 긍정적인 인식을 보였다. "데이터 분석"(평균 = 3.96)과 "탐지"(평균 = 3.93)가 가장 높게 평가되었으며, "데이터 수집"과 "조사"는 상대적으로 낮게 나타나 잠재적인 인프라 및 통합 과제를 반영하였다.

가설 검증 (H1):
다중 회귀 분석 결과, AI 기반 AIS 차원들이 감사 및 부정 탐지 유효성의 분산을 약 62.6% 설명하는 것으로 나타났다 ( $R^2 = 0.626, p < 0.001$ ).

예방이 가장 강력한 예측 변수( $\beta = 0.384, p < 0.001$ )로 나타났으며, 이는 선제적이고 예측적인 모니터링이 효과적인 부정 거버넌스의 가장 핵심적인 요소임을 시사한다.
탐지( $\beta = 0.173, p < 0.001$ ), 데이터 수집( $\beta = 0.149, p = 0.001$ ), 데이터 분석( $\beta = 0.173, p = 0.015$ ) 또한 통계적으로 유의미한 정(+)의 영향을 미쳤다.
리스크 평가는 정(+)의 관계를 보였으나 경계 수준에서 유의미하지 않았다( $p = 0.058$ ), 이는 해당 요소의 효과가 보완적인 제도적 조건에 달려 있을 수 있음을 시사한다.

조절 분석 (H2):
위계적 조절 회귀 분석을 통해 NLP가 AI 기반 AIS와 감사 유효성 사이의 관계를 유의미하게 조절함을 확인하였다.

NLP의 포함은 모델의 설명력을 향상시켰다 ( $\Delta R^2 = 0.035, p = 0.002$ ).
상호작용 항(AI $\times$ NLP)은 통계적으로 유의미했다 ( $\Delta R^2 = 0.013, p = 0.041$ ).
결과는 NLP가 보완적 역량으로서 작용하여, 분석 범위를 구조화된 수치 데이터에서 비정형 텍스트 환경(예: 감사 서술, 공시 성명서)으로 확장함으로써 AI 시스템의 효과성을 높이고, 이를 통해 의미론적 해석과 조사 정밀도를 개선한다는 것을 보여준다.

5. 의의 및 주장

본 논문은 AI 기반 AIS와 NLP가 디지털화된 신흥 금융 환경 내에서 부정 거버넌스, 규제 책임 및 제도적 신뢰를 강화하는 데 점점 더 필수적이라고 주장한다.

실무적 의의: 본 연구는 금융 기관이 사후적, 규칙 기반 감정에서 지속적이고 지능 중심적인 모니터링으로 전환해야 한다고 주장한다. 또한 예방적 역량이 부정 손실을 완화하는 가장 효과적인 메커니즘임을 강조한다. 나아가, NLP가 AI의 "블랙박스" 특성을 해결하기 위해 알고리즘 출력을 이해 가능한 감사 서술로 번역함으로써 설명 가능성과 규제 대응력을 높이는 데 필수적이라고 상정한다.
이론적 의의: 본 연구는 AI가 지속적인 감시와 자동화된 컴플라이언스를 통해 부정의 "기회" 차원을 어떻게 감소시키는지 보여줌으로써 부정 다이아몬드 이론을 확장한다. 동시에, 본 연구는 기관들이 거버넌스 성과와 운영 효율성을 개선하기 위한 인지된 유용성 때문에 이러한 기술을 채택한다는 점을 시사하며 TAM을 뒷받침한다.
한계점: 저자들은 횡단적 설계가 인과 관계 추론을 제한할 수 있으며, 지각적 설문 데이터에 대한 의존도가 편향을 유발할 수 있음을 겸허히 인정한다. 이들은 향후 연구에서 장기적인 조직적 영향을 조사하기 위해 종단적 또는 혼합 방법론을 사용할 것을 제안한다.

결론적으로, 본 연구는 AI 기반 AIS가 현대적 부정 탐지를 위한 기초적인 아키텍처를 제공하는 한편, NLP의 통합이 복잡하고 데이터 집약적인 나이지리아와 같은 금융 생태계에서 분석 범위, 해석 가능성 및 전반적인 거버넌스 효과성을 높이는 핵심적인 조절 요인이라고 단언한다.