ЖУРНАЛ БІЗНЕС ІНФОРМ.

УКР

ENG

Пошук:

СВІДОЦТВО ПРО РЕЄСТРАЦІЮ

КВ №19905-9705 ПР від 02.04.2013 р.

ЗАСНОВНИКИ

НАУКОВО-ДОСЛІДНИЙ ЦЕНТР ІНДУСТРІАЛЬНИХ ПРОБЛЕМ РОЗВИТКУ НАН УКРАЇНИ
(ХАРКІВ, УКРАЇНА)

Згідно з рішенням № 802 Національної ради України з питань телебачення і радіомовлення від 14.03.2024 р. зареєстрований суб’єктом у сфері друкованих медіа. Ідентифікатор R30-03156

ВИДАВЕЦЬ

ФОП Лібуркіна Л. М.

РОЗДІЛИ САЙТУ

Оптимізація форензік-діагностики та аудиту діяльності суб’єкта господарювання
Пацкань Ю. В., Назарова К. О.

Пацкань Ю. В., Назарова К. О. Оптимізація форензік-діагностики та аудиту діяльності суб’єкта господарювання. Бізнес Інформ. 2024. №12. C. 284–295.
https://doi.org/10.32983/2222-4459-2024-12-284-295

Розділ: Фінанси, грошовий обіг і кредит

Стаття написана українською мовою
Завантажень/переглядів: 1

Завантажити статтю (pdf) -

УДК 657.633:343.357

Анотація:
Метою статті є розробка теоретико-методичних засад і практичних рекомендацій для вдосконалення процесу форензік-діагностики та аудиту діяльності суб’єкта господарювання, що передбачає створення інструментів для виявлення, запобігання та мінімізації фінансових ризиків і шахрайства, а також підвищення рівня прозорості та економічної безпеки підприємства. У статті охарактеризовано науковий міжнародний і вітчизняний доробок учених, досвід практичної діяльності аудиторських фірм, а також проаналізовано ключові аспекти оптимізації форензік-діагностики та аудиту діяльності суб’єкта господарювання. Визначено оптимальний підхід, що являє собою комбінування автоматизованих інструментів із роботою професійних експертів форензік-діагностики та забезпечує максимальну ефективність і точність. Автоматизація забезпечує масштабованість, а форензік-діагностика дозволяє враховувати індивідуальні особливості кейсів, що досягається завдяки зменшенню ризиків через коригування помилок експертами форензік-діагностики або упередження алгоритмів. Комбінований підхід дозволяє отримати баланс між ефективністю технологій та аналітичними здібностями людини. Важливим етапом оптимізації форензік-діагностики, який досліджено у статті, є поліпшення методів аналізу, які зосереджені на інтеграції передових алгоритмів, автоматизації процесів, обробці великих даних і підвищенні візуалізації. Ці інновації забезпечують точний, швидкий і комплексний підхід до виявлення шахрайства, що є важливим для сучасного бізнесу та транспарентності результатів форензік-діагностики та аудиту. Їхнє впровадження дозволяє мінімізувати ризики, скоротити витрати та підвищити ефективність внутрішнього контролю. Запропонована модернізація методів аналізу сприятиме зниженню витрат на ручну обробку, підвищуючи продуктивність форензік-команд. Завдяки прогнозуванню ризиків шахрайських дій у процесі застосування модернізованих методів аналізу компанії зможуть зменшити втрати, пов’язані з шахрайством. Кроком в оптимізації форензік-діагностики є ризик-орієнтований підхід у форензік-діагностиці, що передбачає ідентифікацію, оцінку та пріоритизацію ризиків для оптимізації процесів виявлення шахрайства, кримінальних дій чи порушень. Даний підхід дозволяє зосередитися на найбільш критичних ділянках, де ймовірність помилок або втрат є найвищою, і забезпечує більш ефективний розподіл ресурсів. Оптимізація ризик-орієнтованого підходу у форензік-діагностиці й аудиті дозволяє не лише виявляти поточні ризики, а й прогнозувати можливі загрози, зменшуючи кількості інцидентів через проактивний підхід та готовність до потенційних викликів і загроз. Інтеграція форензік-діагностики з іншими бізнес-процесами дозволить компаніям краще контролювати свої операції, знижувати ризики шахрайства та відповідати нормативним вимогам.

Ключові слова: фінансові ризики, оптимізація, модернізація, інноваційні технології, форензік-діагностика, аудит, шахрайство.

Рис.: 4. Табл.: 2. Бібл.: 27.

Пацкань Юлія Вадимівна – аспірант, кафедра фінансового аналізу та аудиту, Державний торговельно-економічний університет (вул. Кіото, 19, Київ, 02156, Україна)
Email: [email protected]
Назарова Каріна Олександрівна – доктор економічних наук, професор, завідувач кафедри, кафедра фінансового аналізу та аудиту, Державний торговельно-економічний університет (вул. Кіото, 19, Київ, 02156, Україна)
Email: [email protected]

Список використаних у статті джерел

Wells J. T. Fraud examination: investigative and audit procedures. New York : Quorum Books, 1992. 369 p.
Comer M. J. Investigating Corporate Fraud. Routledge, 2003. 264 p.
Biegelman M. T. Building a World-Class Compliance Program: Best Practices and Strategies for Success. Wiley, 2008. 320 р.
Гайдучок Т. Форензік-контроль: захист фінансових активів та виявлення шахрайства. (Forensic Control: Protection of Financial Assets and Fraud Detection) Фінансово-економічні, соціальні та правові аспекти розвитку регіонів: загрози та виклики : матеріали Міжнародної науково-практичної конференції (м. Чернівці, 24 травня 2024 р.). Чернівці : Технодрук, 2024. С. 101–105.
Дубініна М. В., Сирцева С. В., Янковська Т. Ю. Форензік як метод розслідування внутрішньокорпоративних випадків шахрайства. (Forensic as a Method of Investigation of Internal Corporate Cases of Fraud) Інфраструктура ринку. 2019. Вип. 38. С. 377–383. DOI: https://doi.org/10.32843/infrastruct38-59
Хеленюк М. Форензік: європейський досвід vs. українські реалії. Юридична Газета online. 2021. № 8. URL: https://yur-gazeta.com/publications/practice/korporativne-pravo-ma/forenzik-evropeyskiy-dosvid-vs-ukrayinski-realiyi.html
Штучний інтелект у виявленні шахрайства та підвищенні безпеки. URL: https://www.probesto.com/ua
Використання машинного навчання для виявлення шахрайства в електронній комерції. URL: https://peerdh.com/uk/blogs/programming-insights/leveraging-machine-learning-for-fraud-detection-in-e-commerce-transactions
Що таке Machine Learning? denovo. 17.05.2024. URL: https://denovo.ua/resources/what-is-machine-learning
Що таке глибоке навчання? Все, що вам потрібно знати. cybercalm. 15.04.2024. URL: https://cybercalm.org/novyny/shho-take-deep-learning/
Впровадження алгоритмів виявлення аномалій для визначення шахрайських витрат. URL: https://peerdh.com/uk/blogs/programming-insights/implementing-anomaly-detection-algorithms-for-identifying-fraudulent-expenses
Рубитель О. Значення моделі шахрайства для аудитора, або мінуси висококваліфікованих людей. LIGA.net. 23.10.2024. URL: https://blog.liga.net/user/orubitel/article/54563
Li K., Yang T., Zhou M. et al. SEFraud: Graph-based Self-Explainable Fraud Detection via Interpretative Mask Learning. Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. 24 August 2024. P. 5329–5338. DOI: https://doi.org/10.1145/3637528.3671534
Семеренська В. В. Дослідження методів виявлення аномалій за допомогою відеоаналітики на основі штучного інтелекту у комплексних системах безпеки : пояснювальна записка. Харків, 2023. 66 с. URL: https://openarchive.nure.ua/server/api/core/bitstreams/9107dae1-edcf-46a9-a780-818cf2973aea/content
Ezugwu A. E., Ikotun A. M., Oyelade O. O. et al.A comprehensive survey of clustering algorithms: State-of-the-art machine learning applications, taxonomy, challenges, and future research prospects. Engineering Applications of Artificial Intelligence. 2022. Vol. 110. Art. 104743. DOI: https://doi.org/10.1016/j.engappai.2022.104743
Alghanmi N., Alotaibi R., Buhari S. M. HLMCC: A Hybrid Learning Anomaly Detection Model for Unlabeled Data in Internet of Things. IEEE Access. 2019. Vol. 7. P. 179492–179504. DOI: https://doi.org/10.1109/access.2019.2959739
Ahmed N., Barczak A. L. C., Susnjak T. et al. A comprehensive performance analysis of Apache Hadoop and Apache Spark for large scale data sets using HiBench. Journal of Big Data. 2020. Vol. 7. Art. 110. DOI: https://link.springer.com/article/10.1186/s40537-020-00388-5
Venkatraman S., Fahd K., Kaspi S., Venkatraman R. SQL Versus NoSQL Movement with Big Data Analytics. International Journal of Information Technology and Computer Science. 2016. Vol. 8. No. 12. P. 59–66. DOI: https://doi.org/10.5815/ijitcs.2016.12.07
Habeeb R. A. A., Nasaruddin F., Gani A. et al. Real-time big data processing for anomaly detection: A Survey. International Journal of Information Management. 2019. Vol. 45. P. 289–307. DOI: https://doi.org/10.1016/j.ijinfomgt.2018.08.006
Gottwalt F., Chang E., Dillon T. CorrCorr: A feature selection method for multivariate correlation network anomaly detection techniques. Computers & Security. 2019. Vol. 83. P. 234–245. DOI: https://doi.org/10.1016/j.cose.2019.02.008
Maciqg P. S., Kryszkiewicz M., Bembenik R. et al. Unsupervised Anomaly Detection in Stream Data with Online Evolving Spiking Neural Networks. Neural Networks. 2021. Vol. 139. P. 118–139. DOI: https://doi.org/10.1016/j.neunet.2021.02.017
Prajapati J., Choudhary N. A Systematic Review on Anomaly Detection. International Journal of Advanced Research in Science, Communication and Technology. 2023. Vol. 3. Iss. 2. P. 75–82. DOI: https://doi.org/10.48175/ijarsct-8664
Лихошерст В. Р. Алгоритм класифікації та кластерного аналізу DenStream для вирішення задач з забезпечення інформаційної безпеки : дипломна робота. Київ, 2021. 80 с. URL: https://ela.kpi.ua/server/api/core/bitstreams/902fdf1b-040a-4242-9e36-6113980516ef/content
Fosic I., Zagar D., Grgic K., Krizanovic V. Anomaly detection in NetFlow network traffic using supervised machine learning algorithms. Journal of Industrial Information Integration. 2023. Vol. 33. DOI: https://doi.org/10.1016/j.jii.2023.100466
Zhang Ch., Yang Sh., Mao L., Ning H. Anomaly detection and defense techniques in federated learning: a comprehensive review. Artificial Intelligence Review. 2024. Vol. 57. Art. 150. DOI: https://doi.org/10.1007/s10462-024-10796-1
Badr W. Uncovering Anomalies with Variational Autoencoders (VAE): A Deep Dive into the World of Unsupervised Learning. Medium. 17.01.2023. URL: https://towardsdatascience.com/uncovering-anomalies-with-variational-autoencoders-vae-a-deep-dive-into-the-world-of-1b2bce47e2e9
Pedregosa F., Varoquaux C., Gramfort A. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011. Vol. 12. P. 2825–2830. URL: https://www.jmlr.org/papers/volume12/pedregosa11a/pedregosa11a.pdf

ДЛЯ АВТОРІВ

Ліцензійний договір

Умови публікації

Вимоги до статей

Положення про рецензування

Договір публікації

Номер в роботі

Питання, які задаються найчастіше

ІНФОРМАЦІЯ

План наукових конференцій

НАШІ ПАРТНЕРИ

Журнал «Проблеми економіки»

Матеріали на сайті розміщені на умовах ліцензії Creative Commons Attribution 4.0 International CC BY-SA.

Написати вебмастеру