The gendering of fraud: an international investigation
Notice bibliographique
Résumé
Purpose Changing workplace demographics reflect a rising number of women in the traditionally male-dominated field of business. The purpose of this study is to investigate how upwardly mobile women may impact the commission and type of white-collar crime, contributing to the scarce literature on gender distinctions in criminal behavior while comparing criminal trends globally. Women’s increased representation in positions of power in business provides them with increased fraud opportunities prompting the authors to ask: in their areas of opportunity, do women and men commit the same types of white-collar crime and at the same rates, and how does this phenomena vary globally? Design/methodology/approach Using a database from the Institute for Fraud Prevention, 5,441 fraud cases are examined from 93 nations for the annual periods from 2002 until 2011. Ordinal logistic regression methods are used to test for differences in gendered criminal behavior by fraud offense type controlling for age, position, education, compensation level and country context. Findings Internationally, results from the study indicate that female fraudsters are three times more likely than male fraudsters to commission crimes of asset misappropriation in the workplace. Upon further investigation, stratifying the data by geographical region, findings from the study demonstrate that female fraudsters are more likely than male fraudsters to commit asset misappropriation in the following geographical regions: Africa (three times as likely), Asia (twice as likely), Canada (three times as likely), China (five times as likely), Europe (twice as likely), the Middle East (four times as likely), Oceania (four times as likely), the United Kingdom (eight times as likely) and the United States of America (twice as likely). Originality/value Evidence from this study should be of importance to multinational enterprises, auditors and fraud examiners, as asset misappropriation constitutes 87 per cent of all fraud cases globally. Further, these findings prompt the need for researchers to develop this area of research.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».