scholarly journals المخاطر الموروثة ودورها في تعزيز مسؤولية مراقب الحسابات في الكشف عن الاحتيال المالي

2016 ◽  
Vol 22 (88) ◽  
pp. 447
Author(s):  
عامر محمد سلمان ◽  
يحيى علي كاظم
Keyword(s):  
Data Mining ◽  
Logic Regression

تسعى الدراسة الى استخدام احدى تقنيات الـ (Data mining) وهي (Logic regression) الانحدار اللوجستي على المخاطر الموروثة من خلال استخدام اسلوب تحليل النسب المالية ومن ثم تطبيق التقنية للحصول على مؤشرات الاحتيال المالي. أذ ان زيادة الفضائح التي تتعرض لها الشركات وفشل عملية التدقيق قد صدمت المجتمع واثرت على نزاهة مراقب الحسابات والسبب في ذلك هو عمليات الاحتيال المالي التي تمارسها الشركات وعدم اكتشاف هذا الاحتيال من قبل مراقب الحسابات ،وهذا الاحتيال يتضمن فعل مقصود يهدف الى تحقيق مصلحة شخصية والحاق الضرر بالاخرين ويقوم به (الادارة، الموظفون) ويمكن القول الى ان عمليات الاحتيال كافة تتم من خلال وجود دوافع وعوامل تساعد المحتال لارتكابه وهذه العوامل هي (الفرصة، الدافع، التبرير، القدرة) وغالبا مايكون المحتالون ذوي خبرة في اخفاء عملية الاحتيال والسبب في ذلك هو وجود ثغرات في نظام الرقابة الداخلية للوحدة الاقتصادية ، وان عملية الكشف عن الاحتيال المالي تتم من خلال توفر مؤشرات تدل على ذلك. وقد توصل البحث الى استنتاجات اهمها : 1- عملية تحديد وتقييم مخاطر التدقيق من الامور المهمة لمراقب الحسابات  عند التخطيط لعملية التدقيق او عند تحديد اجراءات التدقيق لما لهذه المخاطر من دور مهم وجوهري في عملية ارتكاب الاخطاء والاحتيال . 2- تعد بالرغم من قيام المحتال باخفاء الاحتيال الا انه من الممكن اكتشافه من خلال استعمال مجموعة من التقنيات التي يمكن توفر مؤشرات حول اماكن تواجده. اما اهم التوصيات :  -1ضرورة تطوير وتدريب الملاكات التدقيقة للتعريف بمفهوم الاحتيال واسبابه واشكاله من اجل وضع استراتيجية التحري عن الاحتيال. -2  يوصي الباحثان بدراسة اسباب  الاحتيال المالي في حالة اكتشافه بأشكاله المختلفة التي من الممكن ان تقود مراقب الحسابات الى تحديد ملامح الشخص الذي قام بعملية الاحتيال. يوصي الباحثان باستعمال احدى تقنيات الـ (Data Mining) وهو Logic Regression  الانحدار اللوجستي من اجل اختبار النسب المالية للخطر الموروث الماخوذة من القوائم المالية للمصارف وتحليلها  لتحديد مؤشرات الاحتيال المالي الموجود ضمن متغيرات تلك النسب .  

Data Mining and Machine Learning

2020 ◽  
Author(s):  
Mohammed J. Zaki ◽  
Wagner Meira, Jr
Keyword(s):  
Machine Learning ◽  
Data Mining

Heart Rate Variability, Emotions, and Music

2010 ◽  
Vol 24 (2) ◽  
pp. 112-119 ◽  
Author(s):  
F. Riganello ◽  
A. Candelieri ◽  
M. Quintieri ◽  
G. Dolce
Keyword(s):  
Data Mining ◽  
Heart Rate ◽  
Heart Rate Variability ◽  
Vegetative State ◽  
Low Frequency ◽  
Emotional Reactions ◽  
Heart Beat ◽  
Healthy Controls ◽  
Frequency Spectra ◽  
Emotional Value

The purpose of the study was to identify significant changes in heart rate variability (an emerging descriptor of emotional conditions; HRV) concomitant to complex auditory stimuli with emotional value (music). In healthy controls, traumatic brain injured (TBI) patients, and subjects in the vegetative state (VS) the heart beat was continuously recorded while the subjects were passively listening to each of four music samples of different authorship. The heart rate (parametric and nonparametric) frequency spectra were computed and the spectra descriptors were processed by data-mining procedures. Data-mining sorted the nu_lf (normalized parameter unit of the spectrum low frequency range) as the significant descriptor by which the healthy controls, TBI patients, and VS subjects’ HRV responses to music could be clustered in classes matching those defined by the controls and TBI patients’ subjective reports. These findings promote the potential for HRV to reflect complex emotional stimuli and suggest that residual emotional reactions continue to occur in VS. HRV descriptors and data-mining appear applicable in brain function research in the absence of consciousness.

Challenges and Cloud Computing Environments Towards Big Data

2014 ◽  
pp. 203-208
Author(s):  
Kiran Kumar S V N Madupu
Keyword(s):  
Data Mining ◽  
Cloud Computing ◽  
Big Data ◽  
Technology Development ◽  
Computing Environments ◽  
Modern Technologies

Big Data has terrific influence on scientific discoveries and also value development. This paper presents approaches in data mining and modern technologies in Big Data. Difficulties of data mining as well as data mining with big data are discussed. Some technology development of data mining as well as data mining with big data are additionally presented.

Penerapan Data Mining Untuk Prediksi Penjualan Mobil Menggunakan Metode K-Means Clustering

2020 ◽  
Vol 3 (3) ◽  
pp. 187-201
Author(s):  
Sufajar Butsianto ◽  
Nindi Tya Mayangwulan
Keyword(s):  
Data Mining ◽  
Clustering Data ◽  
Cluster 2

Penggunaan mobil di Indonesia setiap tahunnya selalu meningkat dan membuat perusahaan otomotif berlomba-lomba dalam peningkatan penjualannya. Tujuan dari penelitian ini untuk mengelompokan data penjualan kedalam sebuah cluster dengan metode Data Mining Algoritma K-Means Clustering. Data Penjualan nantinya akan dikelompokan berdasarkan kemiripan data tersebut sehingga data dengan karakteristik yang sama akan berada dalam satu cluster. Atribut yang digunakan adalah brand dan penjualan. Cluster yang terbentuk setelah dilakukan proses K-Means Clustering terbagi menjadi tiga cluster yaitu Cluster 0 jumlah anggota 235 dengan presentase 26% dikategorikan Laris, Cluster 1 jumlah anggota 604 dengan presentase 67% dikategorikan Kurang Laris, dan Cluster 2 jumlah angota 61 dengan presentase 7% dikategorikan Paling Laris, dari proses clustering diatas dapat diperoleh validasi DBI (Davies Bouldin Index) dengan nilai 0,341

Sign in / Sign up

Export Citation Format

Share Document