چکیده: تشخیص فرار مالیاتی به یکی از مهمترین چالشهای نهادهای مالی و نظارتی تبدیل شده است. با رشد سریع حجم و پیچیدگی تراکنشهای مالی، روشهای سنتی شناسایی تقلب دیگر پاسخگوی نیازهای امروز نیستند. تقلبهای مالی به اشکال گوناگون رخ میدهند و اغلب بهصورت پنهانی در جریانهای مالی شبکهها ظاهر میشوند. به همین دلیل، استفاده از روشهای پیشرفته تحلیل داده و یادگیری عمیق برای شناسایی الگوهای مشکوک در تراکنشهای مالی ضروری شده است. روشهای یادگیری ماشین بدون نظارت در این زمینه بهدلیل عدم نیاز به برچسبگذاری دادهها میتوانند نقش کلیدی ایفا کنند. با این حال، یکی از بزرگترین چالشها در این روشها، کشف الگوهای ناهنجار در میان حجم عظیم دادههای مالی است. نبود دادههای مشخص برای آموزش و تشخیص تقلبها، فرآیند تحلیل را پیچیدهتر میکند. در این پژوهش، ابتدا گراف تراکنشهای مالی بین افراد و شرکتها شامل بیش از ۲۷ هزار یال و ۴ هزار گره مورد بررسی قرار گرفت. در مرحله اول، از روشهای کلاسیک اجتماعیابی، بهویژه الگوریتم Louvain بهعنوان یک مدل ابتدایی برای شناسایی جوامع مالی استفاده شد. سپس، با بهرهگیری از مدل اجتماعیابی بدون نظارت مبتنی بر شبکههای عصبی کانولوشنی، به تحلیل عمیقتری از الگوهای موجود در دادهها پرداخته شد. سپس، با استفاده از الگوریتم جنگل ایزوله، به هر یک از جوامع شناسایی شده امتیاز احتمال تقلب تخصیص داده شد و جوامع مشکوک به تقلب شناسایی شدند. در انتها، با استخراج و ترکیب ویژگیها در این جوامع و با بهرهگیری از مدل تشخیص ناهنجاری، گرههای مشکوک شناسایی شدند. نتایج این پژوهش نشان داد که شبکه عصبی گرافی کانولوشنی با دستیابی به ماژولاریتی ۰.۶۵۹۳، عملکرد دقیقتری در اجتماعیابی نسبت به روشهای کلاسیک داشت. همچنین مشخص شد گرههای مشکوک به تقلب معمولاً دارای مرکزیت بالایی هستند و در تراکنشهای مالی با حجم زیاد مشارکت دارند. این گرهها بهدلیل موقعیت استراتژیک خود در شبکه، بهسرعت به اطلاعات و منابع بیشتری دسترسی پیدا میکنند. کیفیت بالای اجتماعیابی با استفاده از شبکه عصبی گرافی کانولوشنی، امکان شناسایی دقیقتر الگوهای مشکوک در شبکههای مالی را فراهم میکند.
