MétaCan
Menu
Retour à la cohorte
Enregistrement W4328094596 · doi:10.54691/bcpbm.v38i.3803

The Causes, Consequences and Countermeasures of Financial Fraud Based on the Case of Luckin Coffee

2023· article· en· W4328094596 sur OpenAlexaboutno aff
Xingyuan Bian, Yiru Wu, Zihan Xie, Yiyang Zhang

Notice bibliographique

RevueBCP Business & Management · 2023
Typearticle
Langueen
DomaineComputer Science
ThématiqueImbalanced Data Classification Techniques
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésGuard (computer science)Financial fraudReputationBusinessAuditAccountingGovernment (linguistics)Quarter (Canadian coin)Corporate governanceConstructive fraudFinanceLawPolitical science

Résumé

récupéré en direct d'OpenAlex

Muddy waters made an 89 pages’ report on Luckin coffee, it said Luckin Coffee had been making fictitious trades since the third quarter of 2019. The massive financial fraud at Luckin Coffee has dealt a blow to the Chinese company's reputation.This article through the relevant theories of financial fraud and the actual condition of financial fraud, rui xing coffee GONE theory analysis of the financial fraud motivation, and on the basis of the use of event study research shares for rui xing coffee fraud exception response, in the end, through to the audit institutions, enterprise itself and the government and regulators all three Suggestions, To guard against the consequences of governance failure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,885
Score d'incertitude au seuil0,248

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,027
Tête enseignante GPT0,260
Écart entre enseignants0,232 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBCP Business & ManagementMême sujetImbalanced Data Classification TechniquesTravaux en français237 207