پرونده شواهد: دقت قانون بنفورد در کشف تقلب‌های مالی و انتخاباتی

در سال ۱۸۸۱، سایمون نیوکام (Simon Newcomb)، ستاره‌شناس کانادایی-آمریکایی، در کتابخانه محلی خود متوجه چیز عجیبی شد: صفحات جداول لگاریتمی که با عدد ۱ شروع می‌شدند، به شدت فرسوده و لکه‌دار بودند، در حالی که صفحات مربوط به اعداد ۸ و ۹ تقریباً دست‌نخورده باقی مانده بودند. این شواهد فیزیکی از استفاده انسانی، به یک واقعیت ریاضی دور از انتظار اشاره داشت. از نظر شهودی، ممکن است انتظار داشته باشیم که در هر مجموعه تصادفی از اعداد، ارقام اول از ۱ تا ۹ با فرکانس برابری ظاهر شوند — یعنی هر کدام تقریباً ۱۱.۱٪ مواقع. اما نیوکام مشاهده کرد که ارقام کوچکتر در داده‌های طبیعی غالب هستند.[1][3]

این پدیده تا حد زیادی فراموش شده بود تا اینکه در سال ۱۹۳۸، فیزیکدانی به نام فرانک بنفورد (Frank Benford) به طور مستقل آن را دوباره کشف کرد و در ۲۰ حوزه مختلف مورد آزمایش قرار داد؛ کاری که آنچه را امروز به عنوان «قانون بنفورد» می‌شناسیم، تثبیت کرد. این قانون یک توزیع لگاریتمی دقیق را برای ارقام اول در مجموعه‌داده‌های بدون کران دیکته می‌کند. بر اساس این فرمول، عدد ۱ در ۳۰.۱٪ مواقع به عنوان رقم اول ظاهر می‌شود. از آنجا به بعد، این فراوانی به شدت کاهش می‌یابد: عدد ۲ در ۱۷.۶٪ مواقع ظاهر می‌شود، در حالی که عدد ۹ تنها در ۴.۶٪ موارد رقم اول است.[1][2]

این بدان معناست که در یک مجموعه‌داده سازگار با این قانون، احتمال ظاهر شدن عدد ۱ به عنوان رقم اول، ۶.۵ برابر بیشتر از عدد ۹ است. مکانیسم زیربنایی این پدیده توسط لگاریتم‌های پایه ۱۰ و مقیاس‌ناپذیری (Scale Invariance) هدایت می‌شود. اگر یک مجموعه‌داده از قانون بنفورد پیروی کند، ضرب کردن هر عدد در آن مجموعه در یک مقدار ثابت — مانند تبدیل قیمت‌ها از دلار به یورو، یا فاصله‌ها از مایل به کیلومتر — توزیع رقم اول را تغییر نخواهد داد. اعداد کش می‌آیند، اما نسبت‌های لگاریتمی کاملاً یکسان باقی می‌مانند.[2][4]

این ویژگی عجیب لگاریتمی برای بیش از یک قرن تنها یک کنجکاوی ریاضی باقی ماند تا اینکه به ابزاری بنیادین در حسابرسی تقلب تبدیل شد. از آنجا که انسان‌ها در تولید اعداد واقعاً تصادفی بسیار ضعیف عمل می‌کنند، سوابق مالی ساختگی تقریباً همیشه در تطابق با منحنی بنفورد شکست می‌خورند. هنگامی که یک کلاهبردار اسناد روزنامه جعلی می‌سازد یا گزارش‌های هزینه را متورم می‌کند، تمایل دارد ارقام اول را بیش از حد یکنواخت توزیع کند، یا اعداد را حول آستانه‌های روانی خاصی متمرکز سازد.[2][6]

حسابرسان از نرم‌افزارهای داده‌کاوی برای اجرای آزمون رقم اول در سراسر دفاتر کل عظیم، حساب‌های پرداختنی و اظهارنامه‌های مالیاتی استفاده می‌کنند. اگر مجموعه‌داده انحراف قابل‌توجهی از منحنی مورد انتظار ۳۰.۱٪ تا ۴.۶٪ داشته باشد، یک هشدار قرمز صادر می‌شود. اگرچه یک انحراف به طور قطعی تقلب را ثابت نمی‌کند — چرا که می‌تواند ناشی از ناکارآمدی‌های پردازشی یا تغییرات ساختاری کسب‌وکار نیز باشد — اما به عنوان یک مکانیسم تریاژ بسیار مؤثر عمل می‌کند و میلیون‌ها تراکنش را به زیرمجموعه‌ای قابل مدیریت از ورودی‌های مشکوک برای بررسی دستی فشرده می‌سازد.[2][6]

موفقیت این قانون در حسابداری به یک پیش‌شرط دقیق ریاضی بستگی دارد: داده‌ها باید چندین مرتبه بزرگی (Orders of Magnitude) را در بر بگیرند. یک دفتر کل شرکتی به طور طبیعی شامل تراکنش‌هایی از ۱۰ تا ۱۰۰,۰۰۰ دلار است که به توزیع لگاریتمی فضای لازم برای ظهور را می‌دهد. وقتی داده‌ها به طور مصنوعی محدود شوند، قانون بنفورد کارایی خود را از دست می‌دهد. این قانون را نمی‌توان برای اعداد تخصیص‌یافته مانند کد پستی یا شماره تامین اجتماعی به کار برد، و همچنین روی مجموعه‌داده‌هایی با دامنه‌های باریک و کران‌دار، مانند قد انسان‌ها یا حساب‌های تنخواه‌گردان که سقف ۵۰ دلاری دارند، کار نمی‌کند.[1][2]

همین محدودیت دقیق است که استفاده از قانون بنفورد برای تقلب‌های انتخاباتی را به شدت بحث‌برانگیز می‌کند. در پی چندین انتخابات پر سر و صدا — از جمله انتخابات ریاست جمهوری ایالات متحده در سال‌های ۲۰۰۰ و ۲۰۰۴، و انتخابات سال ۱۳۸۸ در ایران — تحلیلگران به انحرافات از منحنی بنفورد به عنوان شواهد آماری از دستکاری آرا اشاره کردند. این استدلال فرض می‌کند که شمارش آرای سالم، درست مانند دفاتر مالی سالم، باید به طور طبیعی از کاهش لگاریتمی ارقام اول پیروی کند.[1][6]

با این حال، داده‌های حوزه‌های انتخاباتی از نظر ساختاری شرط اصلی قانون بنفورد را نقض می‌کنند. حوزه‌های رای‌گیری عمداً به گونه‌ای طراحی شده‌اند که به تعداد مشخص و محدودی از رای‌دهندگان — معمولاً از چند صد تا چند هزار نفر — خدمات‌رسانی کنند. از آنجا که شمارش آرا به ندرت بیش از دو مرتبه بزرگی را در بر می‌گیرد، نسبت تئوریک ۶.۵ به ۱ بین ارقام اول ۱ و ۹ نمی‌تواند به طور طبیعی شکل بگیرد.[1][6]

اگر یک حوزه بین ۴۰۰ تا ۹۰۰ رای کل را ثبت کند و این آرا بین نامزدها تقسیم شود، ارقام اول شمارش‌های حاصل ناگزیر حول ۲، ۳، ۴ و ۵ خوشه می‌شوند. اعمال آزمون رقم اول بنفورد بر روی این داده‌های محدود، صرف‌نظر از سلامت انتخابات، یک انحراف ریاضی را تضمین می‌کند. دانشمندان علوم سیاسی نشان داده‌اند که وقتی این قانون روی نتایج در سطح حوزه‌ها اعمال می‌شود، میزان موفقیت آن در شناسایی تقلب واقعی اساساً معادل شیر یا خط انداختن است و هشدارهای کاذب گسترده‌ای تولید می‌کند.[1][6]

برای دور زدن محدودیت‌های رقم اول، برخی از تحلیلگران به آزمون قانون بنفورد برای رقم دوم (2BL) روی آورده‌اند. در حالی که ارزیابی‌های اولیه توسط دانشمند علوم سیاسی، والتر آر. مبین جونیور (Walter R. Mebane Jr.)، نتیجه گرفت که آزمون 2BL «ارزش جدی گرفتن به عنوان یک آزمون آماری برای تقلب را دارد»، او به یک نقطه کور حیاتی نیز اشاره کرد: «این آزمون نسبت به تحریف‌هایی که می‌دانیم به طور قابل‌توجهی بر بسیاری از آرا تأثیر گذاشته‌اند، حساس نیست. به طور خاص، این آزمون هیچ مشکلی را برای فلوریدا در سال ۲۰۰۰ نشان نمی‌دهد.» رقم دوم یک عدد حساسیت کمتری به مرزهای مصنوعی اندازه حوزه‌ها دارد، اما اجماع علمی در این زمینه همچنان متفرق است.[1]

چالش تفسیر این ناهنجاری‌ها، تغییر گسترده‌تری را در نحوه استفاده تحلیلگران از نمودارها و داده‌ها برای سیستم‌های پیچیده برجسته می‌کند. با انطباق جریان‌های کاری مصورسازی با مجموعه‌داده‌های روزافزون و عظیم، تمرکز از صرفاً رسم منحنی به زمینه‌سازی مرزهای خود داده‌ها تغییر یافته است. یک نمودار که انحراف بنفورد را نشان می‌دهد، تنها به اندازه درک تحلیلگر از محدودیت‌های زیربنایی مجموعه‌داده مفید است.[5][6]

قانون بنفورد همچنان یکی از ظریف‌ترین مکانیسم‌های تشخیص ناهنجاری در علم داده است، به شرطی که مرزهای ریاضی آن رعایت شود. این یک ابزار غربالگری قدرتمند است که به بازرسان دقیقاً می‌گوید کجا را نگاه کنند، اما نمی‌تواند جایگزین راستی‌آزمایی دقیق و دستی مورد نیاز برای اثبات جعل عمدی یک عدد شود. مرز بعدی در تحلیل‌های پزشکی قانونی در تعیین این موضوع نهفته است که آیا مدل‌های یادگیری ماشین می‌توانند این خطوط پایه لگاریتمی را بدون به ارث بردن آسیب‌پذیری‌های آن‌ها در برابر داده‌های محدود، یکپارچه کنند یا خیر.[2][6]