Digitalanalyse als Ansatz zur Betrugserkennung in Finanzdaten
-
- Deutsch ausgewählt
74,00 €
inkl. gesetzl. MwSt.,
Beschreibung
Produktdetails
Einband
Taschenbuch
Erscheinungsdatum
10.05.2005
Verlag
GRINSeitenzahl
132
Maße (L/B/H)
21/14,8/1 cm
Gewicht
202 g
Auflage
1. Auflage
Sprache
Deutsch
ISBN
978-3-8386-8743-8
Diplomarbeit aus dem Jahr 2004 im Fachbereich BWL - Investition und Finanzierung, Note: 1,0, Westfälische Wilhelms-Universität Münster (Wirtschaftswissenschaften, Wirtschaftsinformatik), Sprache: Deutsch, Abstract: Inhaltsangabe:Zusammenfassung:
Zusammen mit dem Bedarf an Kennzahlen für die Abbildung wirtschaftlicher Vorgänge wächst auch das Risiko, welches aus fehlerhaften Daten resultiert.
So sind neben den Finanzbehörden des Staates insbesondere Versicherungen, Kreditkarteninstitute und Telefongesellschaften von betrügerischen Handlungen betroffen. Aber auch große Unternehmen oder die Forschung, insbesondere die Medizin und Pharmazie, bei denen häufig viel Geld am Ausgang einer empirischen Studie hängt, leiden unter gefälschten
Angaben.
Um dieses Risiko gefälschter Daten zu handhaben, wurden zur Vermeidung von fehlerhaften Daten Revisionssysteme für Unternehmen bzw. Prüfsysteme im weiteren Sinne eingeführt. Diese basieren grundsätzlich immer auf der Bildung von geeigneten Stichproben zur Prüfung, da eine vollständige Prüfung aller Vorgänge auf Grund deren Menge nicht durchführbar ist. Die Wahl dieser Prüfstichproben kann durch mathematisch-statistische Verfahren unterstützt werden.
Ziel dieser Arbeit ist es, verschiedene Ansätze für die Analyse von Einzeldaten vergleichend vorzustellen und auf Daten aus der Praxis anzuwenden. Dabei werden ausschließlich Ansätze zur Erkennung von Betrug in Einzelangaben ohne direkten Zusammenhang betrachtet. Dies sind insbesondere rein statistische Ansätze im Umfeld von Benford s-Law, Verfahren auf Basis von Mischungsmodellen und Ansätze mit Hilfe der Partitionierungsverfahren.
Alle Verfahren basieren auf der Mantissenstatistik, welche von der Größe der Zahl abstrahiert und lediglich die verwendeten Ziffern und ihre relativen Positionen innerhalb der Zahl beschreibt.
Ein weiteres Ziel ist die Betrachtung der Mantissen einiger Standardverteilungen durch Simulationen. Dabei werden insbesondere die Abhängigkeit der Mantissenverteilung von den Parametern der Standardverteilung und der Basis untersucht. Ziel ist dabei, ein tieferes Verständnis der Mantissenverteilungen zu gewinnen, um in Zukunft verbesserte Ansätze zur Betrugserkennung basierend auf dieser Statistik gewinnen zu können.
Inhaltsverzeichnis:Inhaltsverzeichnis:
Inhaltsverzeichnisi
Abbildungsverzeichnisiv
Tabellenverzeichnisvi
Einleitung1
1.Begriffsdefinitionen2
1.1Betrug2
1.2Betrugserkennung4
1.3Digitalanalyse5
1.4Ansätze der Digitalanalyse7
2.Digitalanalyse mit Hilfe von Erste-Ziffer-Gesetzen8
2.1Grundidee8
2.2Benford s-Law als erster Ansatz zur Betrugserkennung9
2.2.1Definition und spezielle Eigenschaften9
2.2.2Betrugsanalyse mit Benford s-Law12
2.2.3Distortion-Factor-Model15
2.2.4Erklärungen für das Auftreten von Benford s-Law17
2.2.5Testansätze mit Benford s-Law als Nullhypothese22
2.2.6Kritik an Benford s-Law als Ansatz zur Betrugserkennung25
2.3Familie von Proxie-Verteilungen26
2.3.1Definitionen26
2.3.2Eigenschaften der Proxie-Verteilungen28
2.4Digitalanalyse mit Power-Laws31
2.4.1Definition31
2.4.2Eigenschaften der Power-Laws31
2.5Kritik an der Digitalanalyse mit Hilfe von Erste-Ziffer-Gesetzen34
3.Bestimmung der Mantissenverteilung ausgewählter Standardverteilungen35
3.1Ziel35
3.2Simulationen der ersten signifikanten Ziffern36
3.2.1Simulationsergebnisse ohne Trunkierung36
3.2.2Simulationsergebnisse mit Trunkierung39
3.3Anpassungen von Standardverteilungen an Benford s-Law42
3.3.1Simulationsergebnisse bei unterschiedlichen Basen42
3.3.2Simulationsergebnisse bei unterschiedlichen Skalen44
4.Digitalanalyse mit Hilfe von Partitionierungsverfahren46
4.1Grundlagen der Partitionierungsverfahren46
4.2Parti...
Zusammen mit dem Bedarf an Kennzahlen für die Abbildung wirtschaftlicher Vorgänge wächst auch das Risiko, welches aus fehlerhaften Daten resultiert.
So sind neben den Finanzbehörden des Staates insbesondere Versicherungen, Kreditkarteninstitute und Telefongesellschaften von betrügerischen Handlungen betroffen. Aber auch große Unternehmen oder die Forschung, insbesondere die Medizin und Pharmazie, bei denen häufig viel Geld am Ausgang einer empirischen Studie hängt, leiden unter gefälschten
Angaben.
Um dieses Risiko gefälschter Daten zu handhaben, wurden zur Vermeidung von fehlerhaften Daten Revisionssysteme für Unternehmen bzw. Prüfsysteme im weiteren Sinne eingeführt. Diese basieren grundsätzlich immer auf der Bildung von geeigneten Stichproben zur Prüfung, da eine vollständige Prüfung aller Vorgänge auf Grund deren Menge nicht durchführbar ist. Die Wahl dieser Prüfstichproben kann durch mathematisch-statistische Verfahren unterstützt werden.
Ziel dieser Arbeit ist es, verschiedene Ansätze für die Analyse von Einzeldaten vergleichend vorzustellen und auf Daten aus der Praxis anzuwenden. Dabei werden ausschließlich Ansätze zur Erkennung von Betrug in Einzelangaben ohne direkten Zusammenhang betrachtet. Dies sind insbesondere rein statistische Ansätze im Umfeld von Benford s-Law, Verfahren auf Basis von Mischungsmodellen und Ansätze mit Hilfe der Partitionierungsverfahren.
Alle Verfahren basieren auf der Mantissenstatistik, welche von der Größe der Zahl abstrahiert und lediglich die verwendeten Ziffern und ihre relativen Positionen innerhalb der Zahl beschreibt.
Ein weiteres Ziel ist die Betrachtung der Mantissen einiger Standardverteilungen durch Simulationen. Dabei werden insbesondere die Abhängigkeit der Mantissenverteilung von den Parametern der Standardverteilung und der Basis untersucht. Ziel ist dabei, ein tieferes Verständnis der Mantissenverteilungen zu gewinnen, um in Zukunft verbesserte Ansätze zur Betrugserkennung basierend auf dieser Statistik gewinnen zu können.
Inhaltsverzeichnis:Inhaltsverzeichnis:
Inhaltsverzeichnisi
Abbildungsverzeichnisiv
Tabellenverzeichnisvi
Einleitung1
1.Begriffsdefinitionen2
1.1Betrug2
1.2Betrugserkennung4
1.3Digitalanalyse5
1.4Ansätze der Digitalanalyse7
2.Digitalanalyse mit Hilfe von Erste-Ziffer-Gesetzen8
2.1Grundidee8
2.2Benford s-Law als erster Ansatz zur Betrugserkennung9
2.2.1Definition und spezielle Eigenschaften9
2.2.2Betrugsanalyse mit Benford s-Law12
2.2.3Distortion-Factor-Model15
2.2.4Erklärungen für das Auftreten von Benford s-Law17
2.2.5Testansätze mit Benford s-Law als Nullhypothese22
2.2.6Kritik an Benford s-Law als Ansatz zur Betrugserkennung25
2.3Familie von Proxie-Verteilungen26
2.3.1Definitionen26
2.3.2Eigenschaften der Proxie-Verteilungen28
2.4Digitalanalyse mit Power-Laws31
2.4.1Definition31
2.4.2Eigenschaften der Power-Laws31
2.5Kritik an der Digitalanalyse mit Hilfe von Erste-Ziffer-Gesetzen34
3.Bestimmung der Mantissenverteilung ausgewählter Standardverteilungen35
3.1Ziel35
3.2Simulationen der ersten signifikanten Ziffern36
3.2.1Simulationsergebnisse ohne Trunkierung36
3.2.2Simulationsergebnisse mit Trunkierung39
3.3Anpassungen von Standardverteilungen an Benford s-Law42
3.3.1Simulationsergebnisse bei unterschiedlichen Basen42
3.3.2Simulationsergebnisse bei unterschiedlichen Skalen44
4.Digitalanalyse mit Hilfe von Partitionierungsverfahren46
4.1Grundlagen der Partitionierungsverfahren46
4.2Parti...
Ein neues Kapitel für Ihre Bücher
Ein neues Kapitel für Ihre Bücher
Schenken Sie Ihren alten Schätzen ein zweites Leben: Einfach Barcode scannen, Versandetikett ausdrucken, Bücher verschicken und Thalia Geschenkkarte erhalten.
Jetzt verkaufenKundinnen und Kunden meinen
Verfassen Sie die erste Bewertung zu diesem Artikel
Helfen Sie anderen Kund*innen durch Ihre Meinung
Kurze Frage zu unserer Seite
Vielen Dank für Ihr Feedback
Wir nutzen Ihr Feedback, um unsere Produktseiten zu verbessern. Bitte haben Sie Verständnis, dass wir Ihnen keine Rückmeldung geben können. Falls Sie Kontakt mit uns aufnehmen möchten, können Sie sich aber gerne an unseren Kund*innenservice wenden.
zum Kundenservice