Using Benford’s Law to Detect Suspected Creative Accounting: A Simple Tool for Small Accounting Firms in Emerging Economies
Notice bibliographique
Résumé
Large data series collected over an extended period of time have a tendency toward conformity with Benford’s law in the first few digits. According to this law, the first digit in a group of more than 1,000 numbers is equivalent to 1 in 30.10% of cases, 2 in 17.60% of cases, with the probability of appearance logarithmically decreasing as the first digit increases This study details a straightforward yet effective audit procedure employed by a small accounting firm in an Argentinean provincial economy to identify mistakes and raise concerns about possible creative accounting by clients. Through this assurance procedure, the audit firm examines client-provided data to determine whether Benford’s law is being followed. Excel spreadsheets’ automated features are employed for this. To illustrate the tool’s usefulness, the annual sales of three of the firm’s clients were examined. The findings indicate that every client has a distinct profile. Client 1 fully complies with Benford’s law, leading to an unqualified opinion in the auditor’s report; Client 2 continues to comply with Benford’s law but raises some concerns that should be discussed with management before issuing the audit opinion; and Client 3 exhibits low conformance and raises several red flags that require discussion with management. This work introduces granular data, which allows for the development of tenable hypotheses for the observed nonconformity, such as product mix and inflation.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».