RPPH Blog Books / Libros
Revisión de las herramientas estadí­sticas empleadas en la detección del lavado de activos
Julio-Septiembre 2016
Ver PDF

Palabras clave

Indicadores Bibliométricos
Publicaciones Seriadas
Indicadores de Producción Científica.

Cómo citar

Ponce Andrade, A., & Villagómez Cabezas, R. (2016). Revisión de las herramientas estadí­sticas empleadas en la detección del lavado de activos. Revista Publicando, 3(8), 420-431. https://revistapublicando.org/revista/index.php/crv/article/view/310

Resumen

El presente trabajo tuvo como objetivo realizar una revisión bibliográfica para poder identificar los artí­culos fundamentales relacionados con el empleo de herramientas estadí­sticas empleadas en la detección del lavado de activos. Para la realización de la investigación se revisaron las Bases de Datos: Scopus y ScienceDirect para explorar, detectar y analizar artí­culos cientí­ficos que aplican técnicas estadí­sticas para la detección de lavados de activos y el fraude financiero. La revisión se realizó con respecto a las palabras claves: “money laundering” y ^”fraud detection” Se obtuvieron un total de 94 artí­culos relacionados con estas temáticas. Estos artí­culos fueron revisados en cuanto a su contenido para detectar aquellos de mayor importancia de acuerdo con el objetivo propuesto para esta contribución.

Se pudo concluir que una de las dificultades fundamentales en relación con la aplicación de los métodos estadí­sticos en el área de fraude en general, o en el caso especí­fico del lavado de activos, está asociadas a   la misma dinámica delictual, lo que hace que estas técnicas tengan que ser evolutivas y estén sujetas a cambios constantes. La revisión de contenidos permitió determinar distintas metodologí­as que pueden aplicarse bien cuando  se ha establecido que la auditorí­a organizacional ha sido débil, con modelos de control franqueables y que facilitan la perpetración del delito, o para determinar   los puntos débiles del control interno y la deficiente actividad del Auditor que han permitido la ocurrencia del delito. De igual forma se pudieron identificar artí­culos que emplean metodologí­a que también sirve para determinar la eficiencia de las pericias forenses en cuanto al   contenido exigido por la ley y formular las conclusiones que luego sirven como prueba para la judicialización de un caso concreto. La importancia de las técnicas estadí­sticas que se empleen puede ayudar a determinar   las deficiencias organizacionales, de control y principalmente la relación causa – efecto al momento de perpetración de la infracción y la lesividad ocasionada, llegándose a determinar incluso el quantum del resultado ocasionado.

Ver PDF

Referencias

Agrawal, S., & Agrawal, J. (September de 2015). Survey on anomaly detection using data mining techniques. Procedia Computer Science, 60, 708-713.

ArtıÌs, M., Ayuso, M., & Guillén, M. (Marzo de 1999). Modelling different types of automobile insurance fraud behaviour in the spanish market. Insurance: Mathematics and Economics(24), 67-81.

Bhattacharyya, S., Jha, S., Tharakunnel, K., & Westland, C. (2011). Data mining for credit card fraud: A comparative study. Decision Support Systems, 50, 602-613.

Bolton, R., & Hand, D. (2001). Unsupervised profiling methods for fraud detection. Credit Scoring and Credit Control, VII, 235-255.

Bolton, R., & Hand, D. (2002). Statistical fraud detection: A review. Statistical science, 17(3), 235-255.

Buchanan, B. (2004). Buchan Money laundering””a global obstacle. Research in International Business and Finance, 18, 115-127.

Compin, F. (2008). The role of accounting in money laundering and money dirtying. Critical Perspectives on Accounting, 19(5), 591-602.

Chen, G., Firthb, M., Gao, D., & Ruid, O. (2006). Ownership structure, corporate governance, and fraud: Evidence from china. Journal of Corporate Finance, 12(3), 424-448.

Chen, M.-C., Chen, L.-S., Hsu, C.-C., & Zeng, W.-R. (2008). An information granulation based data mining approach for classifying imbalanced data. Information Sciences, 178, 3214-3227.

Free, C. (2015). Looking through the fraud triangle: A review and call for new directions. Meditari Accountancy Research, 23(2), 175-196.

Gilmour, N. (2016). Understanding the practices behind money laundering – A rational choice interpretation. International Journal of Law, Crime and Justice, 44, 1-13.

Hernández, R., Fernád, Hernández, R., Fernández, C., & Baptista, P. (1996). Metodologí­a de la Investigación. McGraw-Hill.

Kirkos, E., Spathis, C., & Manolopoulos, Y. (2007). Data Mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32, 995-1003.

LaSalle, R. (2007). Effects of the fraud triangle on students”™ risk assessments. Journal of Accounting Education, 25, 74-87.

Ngai, E., Hub, Y., Wong, Y., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50, 559-569.

Nigrini, M. (1996). A taxpayer compliance application of benford's law. The Journal of the American Taxation Association, 18(1), 72-91.

Phua, C., Lee, V., Smith, K., & Gayler, R. (Septiembre de 2010). A comprehensive survey of data mining-based fraud detection research. Intelligent Computation Technology and Automation (ICICTA), 50-53.

Roe, M. (2002). Corporate law”™s limits. The Journal of Legal Studies. 31(186), 233-271.

Saha, P., Bose, I., & Mahanti, A. (April de 2016). A knowledge based scheme for risk assessment in loan processing by banks. Decision Support Systems, 84, 78-88.

Sharma, A., & Panigrahi, P. (February de 2013). A review of financial accounting fraud detection based on data mining techniques. International Journal of Computer Applications, 39(1), 37-47.

Viaene, S., Ayuso, M., Guillen, M., Van, D., & Dedene, G. (2007). Strategies for detecting fraudulent claims in the automobile insurance industry. European Journal of Operational Research, 176, 565-583.

Warkentin, M., Sugumaran, V., & Sainsbury, R. (2012). The role of intelligent agents and data mining in electronic partnership management. Expert Systems with Applications, 39(18), 13277–13288.

Watkins, R., Reynolds, K., Demara, R., Georgiopoulos , M., Gonzalez, A., & Eaglin, R. (2003). Tracking Dirty Proceeds: Exploring Data Mining Technologies As Tools To Investigate Money Laundering. 4(2), 163 – 178.

Usted es libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar — remezclar, transformar y construir a partir del material
La licenciante no puede revocar estas libertades en tanto usted siga los términos de la licencia

Bajo los siguientes términos:

Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.

NoComercial — Usted no puede hacer uso del material con propósitos comerciales.

CompartirIgual — Si remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la lamisma licencia del original.

Downloads

Download data is not yet available.