Cutting fraud losses in Canadian organizations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose – The purpose of this paper is to analyze the effect of various internal controls (i.e. hotlines, regular ethics (fraud) training, surprise audits, internal and external audits and background checks) on reducing occupational fraud losses by victim organizations. Design/methodology/approach – The paper, based on data from an occupational fraud report co-authored by the Association of Certified Fraud Examiners (ACFE) and Peltier-Rivest (2007), uses a multivariate regression analysis to analyze the effect of various internal controls on preventing fraud losses. Findings – The authors’ analyses demonstrate that hotlines, regular ethics (fraud) training, surprise audits and internal audits all decrease fraud losses when used separately. However, hotlines and surprise audits are the only statistically significant controls when controlling for the potential correlation among all internal controls. Hotlines are associated with a reduction of 54 per cent in median fraud losses, while surprise audits cut median losses by 69 per cent. Research limitations/implications – This study contributes to academia and the anti-fraud profession by assessing the statistical effect of six internal controls on preventing fraud losses, while controlling for the potential correlation among these controls. Practical implications – This study discusses the relative benefits (loss savings) of various internal controls to organizations, governments, managers and anti-fraud professionals. This information may help determine investment priorities in the context of scarce resources. Originality/value – This paper is based on proprietary data owned by the ACFE and is the first to analyze the statistical significance of various internal controls on the reduction of fraud losses in Canada.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle