A Framework for Identifying (and Avoiding) Fraudulent Financial Reporting*
Notice bibliographique
Résumé
ABSTRACT This commentary analyzes the relationship of fraud risk assessments to other risk assessments by auditors. The Public Company Accounting Oversight Board notes that this is a problem area of current practice. Effective detection of fraudulent financial reporting requires an integrative accounting/auditing conceptual framework. As a result, this paper is as much about accounting theory as it is about auditing. To simplify the development of such an integrated framework, this paper uses an expanded risk model. This effectively results in a risk perspective on fraudulent financial reporting. There are many potential implications but the major findings are as follows. First, the study identifies the crucial role of benchmarks based on acceptable levels of risk to help differentiate between intentional and unintentional misstatements. Such differentiation is critical to successfully implementing the American Institute of Certified Public Accountants' Statement on Auditing Standards (SAS) No. 99 and international standards ISA Nos. 240, 540, and 700. Second, the paper shows the importance of not allowing the major categories of risks identified here from getting too high. This paper explains the need to set acceptable levels of these risks, either by standard‐setters as a matter of broad policy, or by individual practitioners as part of the terms of specific engagements. I propose that a major factor in the concept of “present fairly” be the acceptable levels of accounting risks that are defined here, especially the risks due to intentional forecast errors. Third, this paper clarifies how the fraud risk of SAS No. 99 , and similar international standards, relates to the current audit risk model framework.
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.
Comment cette classification a été obtenuedéplier
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 | 0,088 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».