Предмет. Автоматизация контроля недобросовестного поведения как направление системы корпоративного финансового контроля междисциплинарного характера. Цели. Предложить авторскую интерпретацию модели автоматизации поведенческого контроля по признакам недобросовестного поведения. Методология. Использованы общенаучные и специальные экономико-математические методы. Результаты. Рассмотрены общие подходы к автоматизированной классификации признаков недобросовестного поведения, направленные на усиление эффективности контрольной среды. Представленная авторская интерпретация модели автоматизации поведенческого контроля по признакам недобросовестного поведения основана на инструментах поведенческой параметризации документов финансово-хозяйственной деятельности и организационно-распорядительного процесса через анализ связи действий с последовательностью финансовых документов на основе принципов треугольника мошенничества Д. Кресси в финансовых операциях и метода сравнительного модельного анализа А.В. Дулова. Выводы. Место и роль автоматической классификации можно обозначить, как выявление признаков, требующих обязательной перепроверки в форме различных контрольных мероприятий. Особенностью описанной модели является необходимость детального исследования онтологий и семантических аннотаций финансово-хозяйственных операций в контексте решения задач противодействия недобросовестным действиям работников.
Ключевые слова: количественные поведенческие финансы, индикатор недобросовестного поведения, треугольник мошенничества, поведенческий контроль исполнения
Список литературы:
Арженовский С.В., Синявская Т.Г., Бахтеев А.В. Выявление поведенческих характеристик склонности к риску существенного искажения финансовой отчетности // Международный бухгалтерский учет. 2020. Т. 23. Вып. 3. С. 262–275. DOI: 10.24891/ia.23.3.262 EDN: HDXHWO
Бабкин Е.А. Преобразование сетевых моделей в имитационные событийные графы // Ученые записки. Электронный научный журнал Курского государственного университета. 2008. № 2. С. 1–18. EDN: JKLFAJ
Позов А.А. Современный подход к инвентаризации: как достичь высокой точности складских остатков? М.: Магистр, 2022. 224 с. EDN: SSZEYD
Дулов А.В. Основы расследования преступлений, совершаемых должностными лицами. Минск: Издательство «Университетское», 1985. 168 с.
Iñarra E., Serrano R., Ken-Ichi Shimomura. The Nucleolus, the Kernel, and the Bargaining Set: An Update. Revue Économique, 2020, vol. 71, iss. 2, pp. 225–266. DOI: 10.3917/reco.712.0225
Мещерин С.А., Какауридзе Д.Г., Волков А.И., Пустозеров Е.Ю. Применение онтологий для создания и эксплуатации хранилищ финансовых данных // Прикладная информатика. 2014. № 4. С. 16–23. EDN: SJNKHR
Ломов П.А., Олейник А.Г. Технология применения паттернов онтологического проектирования для оптимизации выполнения запросов в системах обеспечения доступа к данным на основе онтологий // Онтология проектирования. 2017. Т. 7. № 4. С. 443–452. DOI: 10.18287/2223-9537-2017-7-4-443-452 EDN: YTORUM
Соколов Я.В. Основы теории бухгалтерского учета. М.: Финансы и статистика, 2003. 496 с.
Пейзак Р.И. Детерминанты преступлений, связанных с обманом. Современный взгляд на треугольник Cressey // Аграрное и земельное право. 2024. № 12. С. 428–431. DOI: 10.47643/1815-1329_2024_12_428 EDN: CMZDHM
Иванов О.Б. Ключевая роль внутреннего аудита в пресечении и предупреждении внутрикорпоративных мошенничеств // Аудиторские ведомости. 2014. № 5. С. 13–26. EDN: SCVGIT
