Investigating the Role of Graph Analytics and Natural Language Processing in Detecting Financial Fraud Networks: The Moderating Effect of Corporate Governance Components

Document Type : Original Article

Authors
amir ansari 1
Hashem Valipour 2
Hamid Salehi 3
1 Department of Accounting, Yas.C., Islamic Azad University, Yasuj, Iran
2 Department of Accounting, Fir.C., Islamic Azad University, Firuzabad, Iran
3 Department of Accounting, Fir.C., Islamic Azad University, Firuzabad, Iran.
10.22034/jik.2025.78686.4798
Abstract
This study was undertaken to examine the influence of Graph Neural Network (GNN)-based graph analytics and Natural Language Processing (NLP) techniques on the detection of financial fraud networks, with specific attention to the moderating effect of corporate governance mechanisms. Employing an applied and descriptive-survey research design, data were acquired via a standardized and adapted questionnaire administered to a sample of 150 professionals and experts in finance, auditing, information technology, risk management, and financial oversight within Iranian public and private sector organizations. The questionnaire was distributed through a hybrid online and in-person approach. The research investigates the extent to which GNN-based graph analytics and NLP impact the identification of financial fraud networks, and further analyzes the moderating role of corporate governance elements in augmenting these effects. The findings reveal that GNN-based graph analytics exerts a statistically significant and positive influence on the detection of financial fraud networks. Furthermore, NLP demonstrates a significant enhancement in the extraction of salient behavioral and textual indicators pertinent to financial fraud detection.
Additionally, corporate governance mechanisms are shown to function as significant moderators in the relationships under investigation. The reinforcement of corporate governance structures amplifies the effect of GNN-based graph analytics on the identification of intricate financial fraud patterns. Similarly, corporate governance mechanisms moderate the impact of NLP on the detection of fraud-related patterns, such that the enhanced robustness of corporate governance correlates with an increased effect of NLP on financial fraud detection.
  1. ابری، ف.، و محمدی، س. (۱۴۰۳). نقش هوش مصنوعی در شناسایی تقلب‌های مالی. سومین کنفرانس ملی رویکردهای نوین در حسابداری، حسابرسی و مالی، علی‌آباد. بازیابی از https://civilica.com/doc/2284911
  2. احمدی، س. ج.، فغانی ماکرانی، خ.، و فاضلی، ن. (۱۴۰۳). تکنیک‌های داده‌کاوی و پیش‌بینی تقلب صورت‌های مالی. فصلنامه علمی–پژوهشی دانش حسابداری و حسابرسی مدیریت، ۱۳(۴۲)، ۱۵–۲۸.
  3. جبارزاده، س.، حیدری، ی.، عبدی، م.، و کاظمی علوم، م. (۱۳۹۹). ضعف در کنترل‌های داخلی و احتمال تقلب در گزارشگری مالی. فصلنامه بورس اوراق بهادار، ۵۲، ۱۶۲–۱۸۷.
  4. حاجیان، ا. (۱۴۰۴). طراحی مدلی مبتنی بر یادگیری ماشین برای کشف تقلب در صورت‌های مالی شرکت‌های پذیرفته‌شده در بورس تهران. بیست‌وچهارمین کنفرانس بین‌المللی پژوهش در مدیریت، اقتصاد و توسعه. بازیابی از https://civilica.com/doc/2339633
  5. خواجوی، ش.، و ابراهیمی، م. (۱۳۹۷). بررسی تأثیر سازوکارهای حاکمیت شرکتی در تقلب در صورت‌های مالی شرکت‌های پذیرفته‌شده در بورس اوراق بهادار تهران. مجله مدیریت دارایی و تأمین مالی، ۶(۲)، ۷۱–۸۴. https://doi.org/10.22108/amf.2017.21385
  6. داوری، ف.، و رضازاده، م. (۱۳۹۲). مدیریت داده‌ها و تحلیل آماری با نرم‌افزار Smart PLS. تهران: نگاه دانش.
  7. زارعی، ع.، رهنمای رودپشتی، ف.، خان‌محمدی، م.، و کردلوئی، ح. (۱۴۰۵). ارائه الگوی پیش‌بینی تقلب مبتنی‌بر هوش مصنوعی (SVM). دانش حسابداری و حسابرسی مدیریت، ۱۵(۵۹), ۱۷۵–۱۸۶.
  8. کاظمی، ت.، و پیری، پ. (۱۴۰۱). پیش‌بینی طرح تقلب در گزارشگری مالی با استفاده از یادگیری ماشین در فضای چند کلاسه. پژوهش‌های تجربی حسابداری، ۱۲(۴)، ۲۵۵–۲۸۰. https://doi.org/10.22051/jera.2022.41290.3040
  9. ملکی کاکلر، ح.، بحری ثالث، ج.، جبارزاده کنگرلویی، س.، و آشتاب، ع. (۱۴۰۰). کارایی مدل‌های آماری و الگوهای یادگیری ماشین در پیش‌بینی گزارشگری مالی متقلبانه. اقتصاد مالی، ۱۵(۵۴), ۲۶۷–۲۹۲.
  10. هاشمی، س. س.، جعفری، س. م.، و نوراله‌زاده، ن. (۱۴۰۱). ارائه الگوی اثرگذاری فرهنگ‌سازمانی بر نقش حسابرس در مبارزه با فساد. دانش حسابداری و حسابرسی مدیریت، ۱۱(۲)، ۳۳۱–۳۵۵.
  11. توکلی، م.، رحیمی، ا.، و نظری، ف. (۱۴۰۲). نقش پردازش زبان طبیعی در استخراج بینش‌های کلیدی از گزارش‌های مالی. فصلنامه حسابداری، امور مالی و هوش محاسباتی، ۱(۲), ۱–۲۰. https://doi.org/10.12345/jaf.2025.123456

 

 

12.  Abdullah, M., Ismail, L. H., & Smith, M. (2016). Fraud detection and prevention in the Malaysian public sector: Accounting practitioners’ perceptions. Procedia Economics and Finance, 35, 138–145.

13.  Boulieris, P., Pavlopoulos, J., Xenos, A., & Vassalos, V. (2024). Fraud detection with natural language processing. Machine Learning, 113(5), 5087–5108. https://doi.org/10.1007/s10994-023-06354-5

14.  Birol, B. (2019). Corporate governance and fraud detection: A study from Borsa Istanbul. Eurasian Journal of Business and Management, 7(1), 44–64. https://doi.org/10.15604/ejbm.2019.07.01.005

15.  Chen, B., Zhang, J., Zhang, X., Dong, Y., Song, J., Zhang, P., ... Tang, J. (2022). GCCAD: Graph contrastive learning for anomaly detection. IEEE Transactions on Knowledge and Data Engineering.

16.  Cheng, D., Tu, Y., Ma, Z., Niu, Z., & Zhang, L. (2019). Risk assessment for networked-guarantee loans using high-order graph attention. IJCAI-19, 5822–5828.

17.  Dou, Y., Liu, Z., Sun, L., Deng, Y., Peng, H., & Yu, P. S. (2020). Enhancing graph neural network-based fraud detectors against camouflaged fraudsters. Proceedings of the 29th ACM CIKM, 315–324.

18.  Faccia, A., McDonald, J., & George, B. (2023). NLP sentiment analysis and accounting transparency. Computers, 13(1), 5. https://doi.org/10.3390/computers13010005

19.  Farayola, E. D., Olatoye, M., Mhlongo, T. O., & Oke, T. (2023). Forensic accounting in the digital age. Finance & Accounting Research Journal, 5(11), 342–360. https://doi.org/10.51594/farj.v5i11.614

20.  Gao, Y., Wang, X., He, X., Liu, Z., Feng, H., & Zhang, Y. (2023). Alleviating structural distribution shift in graph anomaly detection. WSDM 2023, 357–365.

21.  Gori, M., Monfardini, G., & Scarselli, F. (2005). A new model for learning in graph domains. IJCNN 2005, 729–734.

22.  Hair, J. F., Hult, G. T., Ringle, C. M., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM) (2nd ed.). Sage Publications.

23.  Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using PLS. International Marketing Review, 33(3), 405–431.

24.  Harl, M., Weinzierl, S., Stierle, M., & Matzner, M. (2020). Explainable predictive business process monitoring using gated graph neural networks. Journal of Decision Systems, 1–16.

25.  Hu, B., Zhang, Z., Shi, C., Zhou, J., Li, X., & Qi, Y. (2019). Cash-out user detection with hierarchical attention. AAAI Conference on Artificial Intelligence, 946–953.

26.  Hu, B., Zhang, Z., Zhou, J., Fang, J., Jia, Q., & Fang, Y., et al. (2020). Loan default analysis with multiplex graph learning. CIKM 2020, 2525–2532.

27.  Islam, M. S., & Rahman, N. (2025). AI-driven fraud detection in financial institutions. Journal of Computer Science and Technology Studies, 7(1), 100–112.

28.  Jensen, M. C., & Meckling, W. H. (1976). Theory of the firm: Managerial behavior, agency costs and ownership structure. Journal of Financial Economics, 3(4), 305–360.

29.  Jiang, J., Chen, J., Gu, T., Choo, K. K. R., Liu, C., Yu, M., et al. (2019). Anomaly detection with GCN. MILCOM 2019, 109–114.

30.  Kim, Y. (2014). Convolutional neural networks for sentence classification. EMNLP 2014, 1746–1751.

31.  Kim, H., Choi, J., & Whang, J. J. (2023). Dynamic relation-attentive GNNs for fraud detection. ICDM MLoG Workshop.

32.  Koutoupis, A., Kyriakogkonas, P., Pazarskis, M., & Davidopoulos, L. (2021). Corporate governance and COVID-19. Corporate Governance, 21, 969–982.

33.  Kubilay, E., Raiber, E., Spantig, L., Cahlíková, J., & Kaaria, L. (2023). Can you spot a scam? Journal of Development Economics, 165, 103147.

34.  Lan, C., Mohammed, K., & Billy, E. (2025, March). The role of NLP in identifying fraudulent activities in financial communication and documentation.

35.  Li, Y., Yang, T., & Liu, X. (2019). Detecting financial fraud using NER. Expert Systems with Applications, 127, 181–192.

36.  Li, Q., He, Y., Xu, C., Wu, F., Gao, J., & Li, Z. (2022). Dual-augment GNN for fraud detection. CIKM 2022, 4188–4192.

37.  Luo, J., Peng, C., & Zhang, X. (2020). Impact of CFO gender on corporate fraud. Pacific-Basin Finance Journal, 63, 101404.

38.  Ma, X., Wu, J., Xue, S., Yang, J., Zhou, C., Sheng, Q. Z., Xiong, H., & Akoglu, L. (2021). Graph anomaly detection with deep learning. IEEE TKDE.

39.  Mandacý, P. E., & Kahyaoglu, S. B. (2012). Internal auditing and corporate governance in ERM. MÖDAV Journal, 43–66.

40.  Miko, N. U., & Kamardin, H. (2015). Impact of audit committee and audit quality on preventing earnings management. Social and Behavioral Sciences, 172, 651–657.

41.  Modepalli, U. P. (2025). Network analytics for identifying fraud rings and systemic risk. Journal of Information Systems Engineering and Management, 10(58s), 616.

42.  Nunnally, J. C., & Bernstein, I. H. (1994). Psychometric theory (3rd ed.). McGraw-Hill.

43.  Saias, J. (2025). Advances in NLP techniques for detecting message-based threats. Electronics, 14(13), 2551.

44.  Wang, J., Zhang, S., & Xiao, Y. (2022). A review on GNN methods in financial applications. Journal of Data Science, 20(2), 111–134.

45.  Witosari, D., & Bandi. (2025). Corporate governance and financial fraud in ASEAN. Quarterly Reviews, 8(4), 1–22.

46.  Zhang, X., & Li, Y. (2020). Fraud detection in financial reports via deep text classification. Information Processing & Management, 57(4), 102207.

47.  Zhang, Y., Liu, T., & Li, W. (2024). Corporate fraud detection using linguistic readability vectors. International Review of Financial Analysis, 95, 103405.

48.  Zhou, Y., & Kapoor, G. (2021). Enhancing financial fraud detection with ML and NLP. Computers & Security, 101, 102123.

49.  Du, K., Zhao, Y., Mao, R., Xing, F., & Cambria, E. (2025). Natural language processing in finance: A survey. Information Fusion, 115, 102755.