Peti naučni skup „Računovodstvena znanja kao činilac ekonomskog i društvenog napretka“ (2025) [509-524 str.]
AUTHOR(S) / АУТОР(И): Darko Iliov, Atanasko Atanasovski 
Download Full Pdf 
DOI: 10.46793/RZ25.509I
ABSTRACT / САЖЕТАК:
U poslednjim godinama, modeli mašinskog učenja pokazali su veliki potencijal u detekciji prevarnih aktivnosti, uključujući prevaru u finansijskim izveštajima. Ovaj rad istražuje hipotezu da k-NN algoritam može efektivno da detektuje finansijske izveštaje koji sadrže prevarne informacije. Da bismo to testirali, koristili smo eksperimentalni pristup sa simuliranim finansijskim izveštajima za 100.000 kompanija, od kojih je 3.094 prijavilo prevarne podatke, dok je ostatak izveštavao tačne informacije. Model je treniran na delu podataka i testiran na neviđenim finansijskim izveštajima kako bi se procenila njegova efektivnost. Rezultati pokazuju da k-NN algoritam uspešno detektuje prevarne izveštaje, postižući visok nivo performansi, ali otkriva kompromis između preciznosti i osetljivosti. Model pokazuje potencijal za praktične primene, kao što je razvoj sistema za ranu detekciju računovodstvenih prevara i automatsko označavanje sumnjivih finansijskih izveštaja. Međutim, oslanjanje modela na simulirane podatke i pretpostavke o industrijskim i nacionalnim ekonomskim faktorima sugeriše potrebu za daljim usavršavanjem, posebno u primeni modela na raznovrsne, stvarne podatke. Budući rad mogao bi biti usmeren na dalje unapređivanje tačnosti modela i njegovu integraciju u softverska rešenja za detekciju prevara u realnom vremenu u različitim sektorima.
KEYWORDS / КЉУЧНЕ РЕЧИ:
k-NN, prevare, model, klasifikacija, manipulatori
ACKNOWLEDGEMENT / ПРОЈЕКАТ:
REFERENCES / ЛИТЕРАТУРА:
- ACFE (2019). Report to the Nations 2018 Global Study on Occupational Fraud and Abuse, s.l.: Tech. rep..
- Bao, Y., Ke, B., Li, B., Yu, Y. J., & Zhang, J. (2020). Detecting accounting fraud in publicly traded US firms using a machine learning approach. Journal of Accounting Research, 58(1), 199-235.
- Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24-36.
- Cecchini, M., Aytug, H., Koehler, G. J., & Pathak, P. (2010). Detecting Management Fraud in Public Companies. Management Science, 56(7), 1146- 1160.
- Chen, S. (2016). Detection of fraudulent financial statements using the hybrid data mining approach. SpringerPlus, 89(5), 1-16.
- Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28(1), 17-82.
- Green, B. P., & Choi, J. H. (1997). Assessing the Risk of Management Fraud Through Neural Network Technology. Auditing A Journal of Practice & Theory, 16(1), 14-28.
- Hoang, M. N., Nguyen, H. T. L., & Viet, H. N. (2022). A Model for Detecting Accounting Frauds by using Machine Learning. Proceedings of the 55th Hawaii International Conference on System Sciences, 1552-1561.
- Jones, M. (2011). Creative Accounting, Fraud and International Accoutnig Scandals. Chichester, West Sussex, England: John Wiley & Sons Ltd.
- Shalev-Shwartz, S., & Ben-David, S. (2014). Understanding Machine Learning: From Theory to Algorithms. New York: Cambridge University Press.
- Staff, R. (2023). University of Toronto. https://www.utoronto.ca/news/two-out- three-corporate-frauds-go-undetected-research-finds (3 July 2024).
- Summers, S. L., & Sweeney, J. T. (1998). Fraudulently Misstated Financial Statements and Insider Trading: An Empirical Analysis. Accounting Review, 131-146.