Using Data Analytics in Financial Statement Fraud Detection and Prevention: A Systematic Review of Methods, Challenges, and Future Directions
Notice bibliographique
Résumé
Reliable financial reporting is critical for maintaining market confidence and guiding stakeholders’ decision-making, yet traditional audit methods often fail to detect sophisticated fraud schemes that are hidden within large volumes of transactional data. This systematic literature review synthesizes 43 empirical and theoretical studies published between 2010 and 2024 that utilize data analytics techniques for the prevention and detection of fraud in financial statements. Following the PRISMA guidelines, we conducted a four-phase review—identification, screening, eligibility assessment, and inclusion—to ensure transparency and reproducibility. Our analysis categorizes techniques into supervised machine learning classifiers (e.g., decision trees and neural networks), statistical anomaly detection methods, network-based analyses, and real-time monitoring frameworks. We evaluate each approach’s comparative effectiveness, highlight persistent challenges such as data imbalance, model interpretability, and governance constraints, and also trace evolving methodological trends over time. The review reveals that integrating predictive analytics and continuous monitoring into accounting information systems can transform audits from reactive investigations into proactive fraud prevention mechanisms. We conclude by proposing a future research agenda focusing on developing explainable AI models for audit applications, establishing robust data governance frameworks to support automated monitoring, and conducting longitudinal field studies to assess the real-world impact of analytics-driven controls.
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 | 0,062 | 0,209 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,020 | 0,020 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».