دراسة مقارنة حول كشف الفساد المالي والإداري باستخدام الذكاء الاصطناعي ومجموعات البيانات الواقعية
DOI:
https://doi.org/10.25130/jfa.conf.10.5.20الكلمات المفتاحية:
الذكاء الاصطناعي، والتعلم الآلي، وكشف الفساد، والفساد المالي، والفساد الإداري، ومؤشرات الحوكمةالملخص
يُشكّل الفساد المالي والإداري تحديًا خطيرًا للحوكمة الرشيدة والتنمية المستدامة، لا سيما في الدول ذات المؤسسات الضعيفة التي تفتقر إلى الشفافية. وانطلاقًا من هذا الواقع، سعينا إلى تقييم إمكانية توظيف الذكاء الاصطناعي للكشف المبكر عن مؤشرات الفساد. وقدّمنا أمثلةً وأدلةً من خلال مجموعات بيانات واقعية، ووازنّا بين سهولة الاستخدام، رغم محدودية البيانات المتاحة - وخاصةً بيانات العراق - وتطبيق نماذج التعلّم العميق والتعلّم الآلي. استخدمنا مجموعة بيانات كشف الاحتيال في بطاقات الائتمان لتمثيل المعاملات المالية الاحتيالية في سياق الفساد المالي. في التنبؤ بالاحتيال، بلغت دقة نموذج الغابة العشوائية 99.95%، ونموذج CatBoost 99.89%، وأخيرًا نموذج التعلّم العميق MLP، الذي حقق دقة 99.80% ودرجة F1 بلغت 82.95%. بناءً على هذه النتائج، يُمكن الاستنتاج أن أدوات الذكاء الاصطناعي قادرة على التعامل بسهولة مع البيانات المالية المعقدة وغير المتوازنة. أما بالنسبة للفساد الإداري، فقد استخدمنا مجموعتي بيانات. كان المؤشر الأول هو مؤشر مدركات الفساد (CPI)، وهو مقياس لتصورات الجمهور والخبراء عن الفساد في الدول. بالنسبة لبيانات مؤشر مدركات الفساد، حققت نماذج الانحدار اللوجستي، وآلة المتجهات الداعمة (SVM)، وخوارزمية أقرب الجيران (KNN) دقة بنسبة 100%. أما المؤشر الثاني، فقد استخدم مجموعة بيانات مؤشرات الحوكمة العالمية (WGI) لدراسة مكونات الحوكمة الإدارية باستخدام بيانات كمية ونوعية (مكافحة الفساد، وسيادة القانون، وفعالية الحكومة). في حالة مؤشرات الحوكمة العالمية، حقق الانحدار اللوجستي دائمًا أفضل أداء بدقة تجاوزت 82%، وبلغت أعلى دقة 87.8%، بينما حقق نموذج الغابة العشوائية أيضًا دقة تجاوزت 82%. ومن أبرز التحديات التي تواجه أبحاث الفساد في العراق توفر بيانات شاملة ومفصلة.
التنزيلات
المراجع
Pearson, K. (1901). On lines and planes of closest fit to systems of points in space. Philosophical Magazine, 2(11), 559–572. https://doi.org/10.1080/14786440109462720
World Bank. (2016). The cost of corruption worldwide. Washington, DC: World Bank Publications. https://doi.org/10.1596/978-1-4648-0867-0
Gasanova, O., Medvedev, D., & Komotskiy, I. (2017). Corruption and its macroeconomic effects. Economic Policy Review, 23(3), 56–78. https://doi.org/10.2139/ssrn.2938475
United Nations Development Programme (UNDP). (2024). Human development report 2024: Governance and corruption. https://www.undp.org/publications
Stockemer, D. (2018). Predicting corruption using AI models: Evidence from global datasets. Journal of Comparative Policy Analysis, 20(5), 427–445. https://doi.org/10.1080/13876988.2018.1456223
Sun, W., & Medaglia, R. (2019). Machine learning applications in corruption research. Government Information Quarterly, 36(4), 101393. https://doi.org/10.1016/j.giq.2019.05.001
Tang, Y., Chen, S., & Zhang, L. (2019). AI in financial fraud detection: A review. Expert Systems with Applications, 126, 270–285. https://doi.org/10.1016/j.eswa.2019.02.017
Zhang, H., Li, X., & Wu, J. (2021). Deep learning for predicting corruption risks: Evidence from public datasets. Information Processing & Management, 58(6), 102678. https://doi.org/10.1016/j.ipm.2021.102678
Transparency International. (2023). Corruption perception map 2023. https://www.transparency.org/en/cpi/2023
Rose-Ackerman, S., & Palifka, B. J. (2016). Corruption and government: Causes, consequences, and reform (2nd ed.). Cambridge University Press.
Kaggle. (n.d.). Credit card fraud detection dataset. https://www.kaggle.com/datasets/mlg-ulb/creditcardfraud
Transparency International. (n.d.). Corruption perceptions index (CPI). https://www.transparency.org/en/cpi
Kaufmann, D., & Kraay, A. (2024). The Worldwide Governance Indicators: Methodology and 2024 update (World Bank Policy Research Working Paper No. 10952). World Bank. https://www.govindicators.org
Springer, N. W. K. (2025). Data pre-processing in machine learning-based corruption detection. Springer. https://link.springer.com/series/15179
Ahmed, I., Naseer, S., & Mahmood, Z. (2023). Predictive-analysis-based machine learning model for fraud detection with boosting classifiers. Journal of Intelligent & Fuzzy Systems, 44(3), 3451–3462. https://doi.org/10.3233/JIFS-223157
Katiyar, S., Kumar, A., & Kannan, R. (2025). CatBoost and AdaBoost-based approaches for imbalanced financial datasets. Future Generation Computer Systems, 152, 327–339. https://doi.org/10.1016/j.future.2024.11.005
Rusakov, K., Zhelezniakova, A., & Chugunov, A. (2021). Fraud detection in credit cards using logistic regression. International Journal of Advanced Computer Science and Applications, 12(12), 650–656. https://doi.org/10.14569/IJACSA.2021.0121275
Doostmohammadi, R., & Nassajian, M. (2019). Credit card fraud detection using Naïve Bayes model. International Journal of Advance Research, Ideas and Innovations in Technology, 5(3), 123–128.
Taunk, K., De, S., Verma, S., & Swetapadma, A. (2019). A brief review of nearest neighbor algorithm for learning and classification. In 2019 International Conference on Intelligent Computing and Control Systems (ICCS) (pp. 1255–1260). IEEE. https://doi.org/10.1109/ICCS45141.2019.9065747
Sothe, N., Kumar, S., & Sharma, P. (2020). Credit card fraud detection using decision tree and random forest. International Journal of Innovative Technology and Exploring Engineering, 9(3), 1103–1107. https://doi.org/10.35940/ijitee.C8313.019320
Opitz, J. (2024). A closer look at classification evaluation metrics and a critical reflection of common evaluation practice. Transactions of the Association for Computational Linguistics, 12, 820–836. https://doi.org/10.1162/tacl_a_00675
Tuarob, S., Tatiyamaneekul, P., Pongpaichet, S., Tawichsri, T., & Noraset, T. (2025). Beyond administrative reports: A deep learning framework for classifying and monitoring crime and accidents leveraging large-scale online news. Neural Computing and Applications, 37, 7183–7205. https://doi.org/10.1007/s00521-024-10833-8
Bhandari, H. N., Rimal, R. P., & Wang, Q. (2024). Implementation of deep learning models in predicting ESG index volatility: A comparative study. Financial Innovation, 10(75). https://doi.org/10.1186/s40854-023-00604-0
