ELEMENTI MULTIVARIJANTNE ANALIZE KRIMINALITETA NA OSKUDNIM SKUPOVIMA
DOI:
https://doi.org/10.5937/Ključne reči:
Metod, kriminalitet, kontrola, analiza, faktori i varijable kriminaliteta, implicitno znanje, aplikacija, uzroci kriminalitetaApstrakt
Kriminalitet predstavlja štetnu pojavu koja je svojstvena svakoj kulturno-istorijskoj i društveno-ekonomskoj formaciji. Zbog toga ne treba da čudi postojano interesovanje koja vlada za kriminalitet u različitim oblastima društvenih nauka i života. Budući da kriminalitet predstavlja goruću temu mnogobrojnih naučnih i stručnih analiza ili istraživanja, može se zaključiti kako se radi o starom zajedničkom problemu svih država, nekadašnjih ili sadašnjih. Taj problem ne zavisi samo od njihovog društveno-političkog uređenja, već u istoj meri od stepena ekonomskog razvoja i karakterističnih društvenih činilaca i okolnosti koje postoje u odnosnim državama.
Izvanredno velika raznovrsnost uzroka i okolnosti koji dovode do pojave kriminaliteta zahteva drugačiji pristup njegovom istraživanju. On je moguć i sastoji se u primeni multivarijantne analize, budući da ona omogućava višestrano sagledavanje kriminaliteta i izvođenje korisnih zaključaka koji mogu da posluže za njegovo bolje razumevanje i preduzimanje efikasnijih radnji koje imaju za cilj njegovo sprečavanje i omogućavanje normalnog funkcionisanja i razvoja države i društva.
Primena multivarijante analize kriminaliteta u ovom radu zasniva se na razmatranjuposrednog (implicintnog) znanja kao metoda primenjenog na uzorku koji je napravljen na osnovu podataka iz četrdeset sedam država SAD. Zavisno od njihovih osobenosti, za svaku saveznu državu određene su različite stope kriminaliteta. Pomenuti uzorak korišćen je kako bi se primenom multivarijantne analize odgovorilo na osnovno pitanje: da li se njenom primenom mogu otkriti skriveni uzroci stope kriminaliteta koji nisu vidljivi iz podataka sadržanih u izabranom uzorku? Kako bi se postigao postavljeni cilj, takođe, korišćena je faktorska analiza kao metod,kao i metod inverzne faktorske(segmentacione) analize uzorka. Otkrivanje takvih skrivenih uzroka kriminaliteta moglo bi da se pokaže kao veoma važno za postizanje ukupne kontrole kriminaliteta. Budući da ukupna kontrola kriminaliteta predstavlja sasvim moderan pravac u savremenom pristupu borbi protiv kriminaliteta u svetu, očigledno je da njegova kontrola nijemoguća bez sagledavanja i takvih skrivenih činilaca (uzroka i uslova) koji pogoduju nastanku kriminalnih ponašanja, a koje može da pokaže upravo primena multivarijantna analiza zasnovana na pomenutom uzorku.
##plugins.themes.default.displayStats.downloads##
Reference
Enron Financial Statements as of Decembar 31,2000.
Pullam and Deborah Reš.omon. 2002. How Three Unlikely Sleuths Exposed Fraud at World-Com, Wall Street Journal. (30), 1.
SEC, Accounting and Auditing Enforcment Release No. 1706, January 27, 2003.
Porter, B., & A. Cameron. 1987. Company fraud—what price the auditor? Accountant’s Journal, 44–47.
Fanning, K., & K. Cogger. 1998. Neural network detection of management fraud using published financial data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7(1), 21–24.
Cullinan, P. G., & G. S. Sutton. 2002. Defrauding the public interest: a critical examination of reengineered audit processes and the likelihood of detecting fraud. Critical Perspectives on Accounting, 13(3), 297–310.
Abbot, J. L., Y. Park, & S. Parker. 2000. The effects of audit committee activity and independence on corporate fraud. Managerial Finance, 26(11), 55–67.
Fanning, K., & K. Cogger. 1998. Neural network detection of management fraud using published financial data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7(1), 21–24.
Spathis, C. 2002. Detecting false financial statements using published data: some evidence from Greece. Managerial Auditing Journal, 17(4), 179–191.
Bell, T., & J. Carcello. 2000. A decision aid for assessing the likelihood of fraudulent financial reporting. Auditing: A Journal of Practice & Theory, 9(1), 169–178. Bell 1996.
Green, B. P., & J. H. Choi. 1997. Assessing the risk of management fraud through neural- network technology. Auditing: A Journal of Practice and Theory, 16(1), 14–28.
Summers, S. L., & J. T. Sweeney. 1998. Fraudulent misstated financial statements and insider trading: an empirical analysis. The Accounting Review, 73(1), 131–146.
Eining, M. M., D. R. Jones, & J. K. Loebbecke. 1997. Reliance on decision aids: an examination of auditors’ assessment of management fraud. Auditing: A Journal of Practice and Theory, 16(2), 1–19.
Spathis, C., M. Doumpos, & C. Zopounidis, 2003. Using client performance measures to identify pre-engagement factors associated with qualified audit reports in Greece. The International Journal of Accounting, 38(3), 267–284.
Efstathios, K., S. Charalambos, & M. Yannis. 2007. Data Mining techniques for the detection of fraudulent financial statements, Expert System with Application (32), 995-1003;
Green, B. P., & J. H. Choi. 1997. Assessing the risk of management fraud through neural-network technology. Auditing: A Journal of Practice and Theory, 16(1), 8–28.
Stice, J. 1991. Using financial and market information to identify pre- engagement market factors associated with lawsuits against auditors. The Accounting Review, 66(3), 516–533.
Persons, O. 1995. Using financial statement data to identify factors associated with fraudulent financial reporting. Journal of Applied Business Research, 11(3), 38–46.
Rebeeca C. Wu. 1997. Neural Network Models: "Fonudantion and application to an audit decision problem Annals of Operations Research (75), 291-301.
Cherkassky V., & F. M . Mulier. 2007. Learning from Data: Concepts, Theory, and Methods, 2nd edition, John Wiley - IEEE Press.
Witten I. H., E. Frank. 2005. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, 265-320.
Kohavi R. 1995. A Study of Cross-validation and Bootstrap for Accuracy Estimation and Model Selection, in Proc. of International Joint Conference on Artificial Intelligence.
Witten I. H., & E. Frank. 2005. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations, Morgan Kaufmann Publishers, 265- 320.
Breiman L., J.H. Friedman, R.A. Olshen, & C.J. Stone. 1984. Classification and Regresssion Trees, Wadsworth, Belmont, 1984.
Quinlan J. R. 1996. Bagging, Boosting and C4.5, in Proc. of AAAI-96 Fourteenth national Conference on Artificial Intelligence, Portland, OR, AAAI Press, Menlo Park, CA.
Platt J. C. 1998. Sequential minimal optimization: A fast algorithm for training support vector machines, Technical Report MSR-TR-98-8, Microsoft Research.
Chang, C.C., & C.J. Lin. 2001. LIBSVM: a library for support vector machines, 2001. Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm
Maindonald J., & J. Braun. 2007. Data Analysis and Graphics Using R, 2nd Edition, Cambridge University Press, Cambridge.
Breiman L. 2001. Random Forests, Machine Learning, (45), 5–32.
##submission.downloads##
Objavljeno
Broj časopisa
Rubrika
Kako citirati
