TFL Vsebine / TFLGlasnik

1 UVOD

Odkrivanje računovodskih prevar je vedno pomembno področje, ki zahteva strokovno znanje in izkušnje. Vendar pa je s pojavom umetne inteligence (UI) postalo mogoče doseči še večji napredek na tem področju. Forenzični računovodja, specializiran za odkrivanje prevar v finančnem poslovanju podjetij, lahko izkoristi prednosti umetne inteligence za bolj natančno in učinkovito delo.

Ko gre za odkrivanje prevar v financah in računovodstvu, obstaja več pristopov in metod, ki se uporabljajo za prepoznavanje morebitnih nepravilnosti. Nekatere pogoste tehnike vključujejo analizo finančnih podatkov, preverjanje dokumentacije, preverjanje notranjih kontrol, uporabo računalniških programov za odkrivanje nepravilnosti ter sodelovanje s strokovnjaki za forenzično računovodstvo.

Analiza finančnih podatkov je pomembna metoda za odkrivanje morebitnih nepravilnosti. To vključuje pregledovanje bilanc stanja, izkazov poslovnega izida in denarnega toka ter iskanje morebitnih nenavadnih vzorcev ali odstopanj. Prav tako je pomembno preveriti dokumentacijo, kot so računi, pogodbe in bančni izpisi, da se zagotovi njihova pravilnost in skladnost.

Notranje kontrole so ključnega pomena pri preprečevanju in odkrivanju prevar. To vključuje izvajanje ustreznih postopkov in politično ter redno preverjanje njihove učinkovitosti. Računalniški programi za odkrivanje nepravilnosti lahko pomagajo pri avtomatizaciji tega procesa z analizo velikega števila podatkov pri iskanju nenavadnih vzorcev ali nepravilnosti.

Poleg tega je sodelovanje s strokovnjaki za forenzično računovodstvo lahko koristno pri preiskovanju morebitnih prevar. Forenzični računovodje imajo specializirano znanje in izkušnje pri odkrivanju in preiskovanju finančnih nepravilnosti ter lahko pomagajo pri zbiranju dokazov in analizah. Vendar je treba opozoriti, da nobena metoda ni stoodstotno zanesljiva in da je pomembno upoštevati tudi druge dejavnike, kot tako etično ravnanje, transparentnost in dobro upravljanje.

2 RAČUNOVODSKE PREVARE

Računovodske prevare so manipulacije finančnih izkazov in knjigovodskih evidenc z namenom zavajanja, prikrivanja nepravilnosti ali nezakonitih dejavnosti v računovodskih in finančnih poročilih podjetja. Te prevare vključujejo različne neetične in nezakonite prakse, ki lahko privedejo do izkrivljanja resničnega finančnega stanja podjetja. Nekatere pogoste oblike računovodskih prevar vključujejo:

• Dvojno knjiženje: To je osnovna oblika računovodske prevare, pri kateri se transakcije zabeležijo v knjigovodskih evidencah na način, ki ne odraža dejanskih dogodkov. Na primer, sredstva se lahko pretirano napišejo ali stroški zmanjšajo, da se poveča dobiček.
• Umetno napihovanje prihodkov: Podjetje lahko poveča prihodke tako, da prodaja izdelke ali storitve, ki jih še ni dostavilo, ali s špekulativnimi računi strank.
• Skriti stroški: Stroški se lahko prikrijejo, da bi se povečal dobiček. To vključuje zavajajoče računovodske zapise o stroških ali neustrezno povečanje vrednosti sredstev.
• Kršitve inventure: Zmanjšanje ali precenjevanje količine zalog v inventuri, kar vpliva na vrednost sredstev in dobiček.
• Zamolčanje obveznosti: Obveznosti do dobaviteljev, posojila ali davčne obveznosti se lahko prikrijejo ali zamolčijo, da bi izboljšali likvidnost podjetja.
• Špekulativno knjiženje: Podjetje lahko izvaja tvegane naložbene strategije in nato te naložbe prikazuje kot varne ali dobičkonosne.
• Lažne transakcije s strankami: Podjetje lahko ustvarja lažne stranke in transakcije, da bi napihnilo prihodke in dobiček.
• Manipulacija z denarnimi tokovi: Denarni tokovi se lahko manipulirajo, da bi prikazovali boljšo finančno stabilnost, kot dejansko obstaja.
• Nepravilnosti pri amortizaciji in odpisih: Sredstva se lahko napačno amortizirajo ali odpišejo, kar vpliva na njihovo vrednost v bilanci stanja.

Računovodske prevare predstavljajo resno tveganje za podjetja, investitorje in gospodarstvo kot celoto. Zato so uvedene stroge zakonodaje in standarde za računovodske izkaze ter notranje kontrole, da bi se preprečile in odkrile te prevare. Organizacije morajo tudi nenehno izvajati preglede, nadzor in preiskave, da bi zagotovile poštenost in preglednost svojih finančnih dejavnosti.

3 UPORABA UMETNE INTELIGENCE PRI ODKRIVANJU RAČUNOVODSKIH PREVAR

Umetna inteligenca omogoča avtomatizacijo in povečanje obsega analize finančnih podatkov. S pomočjo naprednih algoritmov in strojnega učenja, umetna inteligenca lahko hitro identificira nepravilnosti in sumljive vzorce v velikih količinah podatkov. To omogoča forenzičnemu računovodji, da se osredotoči na najbolj pomembne vidike preiskave, kar vodi do bolj učinkovitega odkrivanja prevar.

Odkrivanje računovodskih prevar je ključnega pomena za ohranjanje integritete finančnih trgov in podjetij. Obstaja več načinov za odkrivanje računovodskih prevar (OpenAI, 2023):

• Redni pregledi in revizije: Redni pregledi in revizije finančnih izkazov s strani zunanjih revizorjev ali notranjih revizorjev so običajen način odkrivanja prevar. Revizorji pregledujejo finančne izkaze in druge relevantne dokumente ter iščejo nepravilnosti.
• Analiza finančnih kazalnikov: Spremljanje finančnih kazalnikov in primerjava z industrijskimi standardi ter zgodovinskimi podatki lahko razkrije nenavadne vzorce, ki bi lahko nakazovali na prevaro.
• Ugotavljanje nepravilnosti v knjigovodstvu: Podrobna analiza knjigovodskih zapisov in transakcij lahko pomaga odkriti nepravilnosti, kot so neresnični vpisi ali neupravičeni stroški.
• Uporaba analitičnih orodij: Umetna inteligenca in analitična orodja lahko analizirajo velike količine podatkov, da odkrijejo nenavadne vzorce in nepravilnosti. To vključuje uporabo strojnega učenja za prepoznavanje anomalij.
• Sodelovanje z internimi preiskovalci: Interni preiskovalci v podjetju se lahko osredotočijo na preiskovanje sumljivih dejavnosti in sodelujejo z drugimi oddelki za razkritje morebitnih prevar.
• Primeri prijave: Prijave zaposlenih ali drugih zainteresiranih strani o sumljivih dejavnostih lahko vodijo do preiskav in odkritja prevar.
• Preverjanje dokumentacije in avtorizacije: Preverjanje, ali so vse transakcije ustrezno dokumentirane in avtorizirane, je pomemben korak pri preprečevanju prevar.
• Analiza odstopanj in sledenje denarnemu toku: Sledenje odstopanjem med dejanskimi in pričakovanimi denarnimi toki ter preverjanje uporabe sredstev lahko razkrijejo nepravilne dejavnosti.
• Analiza življenjskega cikla transakcij: Pregled celotnega življenjskega cikla transakcij od začetka do konca lahko pomaga pri identifikaciji nepravilnosti in prevar.
• Izboljšanje notranjih kontrol: Uvedba učinkovitih notranjih kontrol in postopkov za preprečevanje prevar je ključnega pomena za preprečevanje in odkrivanje prevar.

Pomembno je, da organizacije redno spremljajo in posodabljajo svoje procese za odkrivanje in preprečevanje prevar ter da izvajajo usposabljanje zaposlenih o pomenu etičnega ravnanja in integritete pri finančnih transakcijah. Poleg tega je treba sodelovati s pristojnimi organi in organi pregona, če pride do suma na resno računovodsko prevaro (OpenAI, 2023).

Odkrivanje računovodskih prevar z uporabo umetne inteligence (UI) je postalo vse bolj pomembno in učinkovito v sodobnih poslovnih okoljih. UI lahko pomaga prepoznati nenavadne vzorce in nenavadne transakcije. Spodaj je navedenih nekaj primerov, kako lahko z UI odkrivamo prevare (OpenAI, 2023):

• Analiza velikih podatkov (Big Data Analysis): UI se odlično obnese pri analizi obsežnih količin podatkov. S sposobnostjo analize ogromnih finančnih podatkovnih baz lahko hitro prepozna nenavadne vzorce in nepravilnosti, ki bi jih človeški pregled težko zaznal. To vključuje primerjavo trenutnih transakcij s preteklimi in iskanje odstopanj.
• Napovedni analitični modeli: S pomočjo strojnega učenja in algoritmov globokega učenja lahko UI razvije modele za napovedovanje finančnih trendov in prepoznavanje anomalij. Ti modeli se učijo na podlagi zgodovinskih podatkov in lahko hitro prepoznajo neskladja.
• Avdiovizualna analiza: UI lahko uporabi avdiovizualno analizo za prepoznavanje morebitnih znakov prevar, na primer analizo govora ali prepoznavanje obraza za nadzor dostopa do občutljivih finančnih informacij.
• Analiza besedila: Z analizo pisnih dokumentov, elektronske pošte in drugih pisnih komunikacij lahko UI identificira ključne besede in vzorce, ki bi nakazovali na nepravilnosti ali sodelovanje v prevari.
• Sledenje transakcijam: UI lahko sledi transakcijam med različnimi računi in entitetami ter prepozna nenavadne in neupravičene transakcije, ki bi lahko bile znak računovodske prevare.

• Samodejno obvladovanje tveganj: UI lahko razvije sisteme za samodejno obvladovanje tveganj, ki opozarjajo na visoko tvegane transakcije ali dejavnosti ter takojšnje ukrepe za njihovo preprečevanje.

• Kombinacija različnih virov podatkov: UI lahko združi informacije iz različnih virov, vključno s transakcijskimi podatki, komunikacijo zaposlenih, dostopom do sistemov in drugimi, da bolj celovito oceni tveganje.

Pomembno je opozoriti, da je uporaba umetne inteligence za odkrivanje računovodskih prevar le del celovite strategije preprečevanja in odkrivanja prevar v poslovnem okolju. Poleg tega je nujno zagotoviti ustrezno zaščito podatkov in spoštovati zakonodajo o zasebnosti pri zbiranju, shranjevanju in analiziranju občutljivih finančnih podatkov (OpenAI, 2023).

4 BENFORDOV ZAKON

Eden izmed primerov uporabe umetne inteligence pri odkrivanju računovodskih prevar je uporaba Benfordovega zakona. Benfordov zakon temelji na opažanju, da se v naravi in v številskih podatkih prve števke pojavljajo značilno razporejene. Ta zakon se lahko uporabi za preverjanje verodostojnosti finančnih podatkov.

Zgodba o prvi števki se je pričela leta 1881, ko je Simon Newcomb opazil, da so logaritemske tabele bolj obrabljene na začetku kot na koncu. Sklepal je, da uporabniki tabel pogosteje potrebujejo desetiške logaritme števil, ki se začnejo z nižjo števko. Postavil je celo domnevo, da se prva značilna števka c pogosto pojavlja v skladu z logaritmičnim zakonom, to je z verjetnostjo P(c = n) = log(n + 1) – log n = log(1 + 1/n), n = 1,2,3,…., 9 (Hladnik, 2002: 140).

Newcombovo odkritje je bilo dalj časa pozabljeno, ponovno so se ga spomnili čez več kot petdeset let. Leta 1938 se je Frank Benford, fizik, zaposlen v nekem podjetju za distribucijo električne energije, ponovno lotil pojava (Hladnik, 2002: 141).

Sprva se je Benfordov zakon uporabljal le za matematične in fizikalne konstante ter za geografske podatke. Hal Varian je leta 1972 navedel, da je zakon mogoče uporabiti za preverjanje številk pri odločitvah javnega načrtovanja (Ramaswamy, Leavins, 2007: 28).

Nigrini je leta 1994 dokazal, da se Benfordov zakon lahko uporablja pri odkrivanju prevar oziroma goljufij. Njegova raziskava temelji na tem, da posamezniki zaradi psiholoških in omenjenih situacij ustvarjajo prevarantska števila (Ӧzer, Babacan, 2013: 31). Domneva se tudi, da je on prvi raziskovalec, ki je obširno vpeljal in preizkusil Benfordov zakon na področju računovodskih izkazov s ciljem odkriti morebitne prevare v njih (Durtschi, Pacini, 2004: 22).

Benfordov zakon pravi, da se verjetnost pojavljanja števk na različnih mestih v številu logaritmično zmanjšuje, ko se vrednost števke povečuje. To je v nasprotju z intuicijo, ki navaja, da so števke porazdeljene enakomerno. Zato se Benfordov zakon uporablja predvsem kot sredstvo za prepoznavanje ponarejenih podatkov (Tolle, LaViolette, 2000: 331). Uporablja se tudi kot forenzično orodje za primerjanje dejanske pogostosti števk s pričakovanimi frekvencami (Moore, Benjamin, 2004: 5).

Formule za mestno frekvenco Benfordovega zakona so prikazane z D₁ za prvo števko, D₂ za drugo števko in D₁D₂ za prvi dve števki. Verjetnosti pojavitve prve števke pridemo s pomočjo matematične formule (Nigrini, 2012: 5):

Verjetnosti pojavitve druge števke pridemo s pomočjo matematične formule (Nigrini, 2012: 5):

Nigrini (2012: 5) navaja, da do verjetnosti pojavitve prvih dveh števk v številu pridemo s pomočjo matematične formule:

Analiza Benfordovega zakona s pomočjo algoritmov umetne inteligence omogoča avtomatizirano preverjanje velikih količin podatkov, kar povečuje učinkovitost in natančnost pri odkrivanju morebitnih nepravilnosti. To lahko organizacijam omogoči, da učinkoviteje in hitreje odkrijejo morebitne računovodske nepravilnosti ali manipulacije ter s tem zmanjšajo tveganje finančnih izgub ali škode za ugled.

5 PREDNOSTI IN SLABOSTI UMETNE INTELIGENCE PRI ODKRIVANJU RAČUNOVODSKIH PREVAR

Umetna inteligenca (UI) ima številne prednosti pri odkrivanju računovodskih prevar, kar omogoča boljšo učinkovitost in natančnost v primerjavi z ročnimi ali tradicionalnimi metodami. Nekatere od glavnih prednosti UI pri odkrivanju računovodskih prevar vključujejo (OpenAI, 2023):

• Analiza velikih količin podatkov: UI lahko analizira ogromne količine finančnih podatkov v zelo kratkem času. To omogoča bolj celovito analizo in povečuje možnosti za odkrivanje nepravilnosti.
• Natančnost: UI lahko identificira vzorce in nepravilnosti, ki bi jih lahko spregledali forenzični računovodje. To povečuje natančnost pri odkrivanju računovodskih prevar.
• Konsistentnost: UI deluje dosledno in ne podleže človeškim napakam ali pristranskosti. To povečuje zanesljivost rezultatov.
• Časovno spremljanje: UI lahko sledi transakcijam v realnem času in takoj opozarja na sumljive aktivnosti, kar omogoča takojšnje ukrepanje.
• Avtonomno delovanje: UI lahko deluje samodejno, brez potrebe po neprestanem nadzoru, kar omogoča stalno spremljanje in preverjanje računovodskih podatkov.
• Hitrost: UI lahko hitro preveri in analizira velike količine podatkov v nekaj sekundah ali minutah, kar omogoča hitrejše odzivanje na morebitne nepravilne dejavnosti.
• Odkrivanje nepravilnosti v besedilu: S tehnologijo obdelave naravnega jezika lahko UI analizira besedilne dokumente, kot so e-poštna sporočila in poročila, za odkrivanje sledi prevar.
• Prilagodljivost: UI lahko prilagodimo za upoštevanje specifičnih potreb in zahtev podjetja ter spreminjajočih se vzorcev prevar.
• Zmanjšanje človeške obremenitve: UI lahko prevzame rutinske naloge in tako omogoči analitikom, da se osredotočijo na bolj kompleksne in strategične vidike odkrivanja prevar.
• Kombinacija s tradicionalnimi pristopi: UI se lahko uporablja v kombinaciji s tradicionalnimi metodami odkrivanja prevar, kar povečuje celovitost in zanesljivost preiskave.
• Neprestano izboljševanje: UI lahko nenehno uči in izboljšuje svoje sposobnosti na podlagi novih podatkov in izkušenj.

Kljub številnim prednostim pa je pomembno razumeti, da UI ni popolna in da ne more nadomestiti človeške analize in presoje. Idealno je, da se uporablja kot orodje za podporo računovodskim strokovnjakom, ki lahko opravijo nadaljnje preiskave in ukrepe, če se odkrijejo morebitne nepravilnosti. Poleg tega je treba zagotoviti varnost in zasebnost podatkov pri uporabi UI za odkrivanje prevar (OpenAI, 2023).

Kljub mnogim prednostim ima umetna inteligenca (UI) tudi nekatere slabosti pri odkrivanju računovodskih prevar. Pomembno je, da se zavedate teh omejitev in jih upoštevate pri uporabi UI za odkrivanje prevar. Nekatere glavne slabosti UI v tem kontekstu vključujejo (OpenAI, 2023):

• Omejenost učenja na podlagi vzorcev: UI temelji na učenju na podlagi vzorcev, kar pomeni, da se lahko omeji na prepoznavanje vzorcev, ki so že prisotni v podatkih. Ne more odkriti popolnoma novih in inovativnih oblik računovodskih prevar.
• Potreba po natančnih podatkih: UI zahteva visoko kakovostne in natančne vhodne podatke. Če so vhodni podatki nepopolni ali netočni, lahko to vodi v napačne zaključke.
• Neupoštevanje spremenljivih okoliščin: UI morda ne more ustrezno upoštevati spremenljivih okoliščin ali novih zakonov in predpisov, kar lahko privede do napačnih zaključkov.
• Visoki stroški implementacije in vzdrževanja: Uvedba UI za odkrivanje prevar zahteva znatne naložbe v strojno opremo, programske rešitve, usposabljanje in vzdrževanje, kar je lahko finančno zahtevno.
• Zasebnost in varnost podatkov: Uporaba UI zahteva dostop do občutljivih finančnih podatkov, kar povečuje tveganje za kršitve zasebnosti in varnosti podatkov, če ni ustrezno zaščitena.
• Napotitev vseh primerov za nadaljnjo preiskavo: UI lahko ustvari veliko število opozoril in priporočil za nadaljnjo preiskavo, kar lahko preobremeni človeške analitike in povzroči, da spregledajo pomembne prevare.
• Omejena sposobnost razumevanja besedila: Kljub napredku v obdelavi naravnega jezika UI še vedno lahko omejeno razume in analizira besedilne dokumente, kot so e-poštna sporočila in poročila.
• Pomanjkanje moralne odgovornosti: UI nima moralne odgovornosti in ne more prevzeti odgovornosti za svoja dejanja ali odločitve. Odgovornost za uporabo UI za odkrivanje prevar ostaja pri človeških operaterjih.

Kljub tem slabostim je umetna inteligenca vseeno zelo koristno orodje pri odkrivanju računovodskih prevar, še posebej, če se uporablja v kombinaciji s človeško analizo in nadzorom. Pomembno je, da se upoštevajo omejitve UI in da se previdno in preudarno uporablja pri preverjanju finančnih izkazov in odkrivanju nepravilnosti (OpenAI, 2023).

6 ZAKLJUČEK

Odkrivanje računovodskih prevar je postalo bolj kompleksno kot kdorkoli prej, vendar pa z umetno inteligenco dobivamo močno orodje, ki nam pomaga bolje razumeti in nadzorovati finančne tokove. Uporaba UI v boju proti prevarantstvu zahteva premišljen pristop in skrbno upravljanje podatkov, vendar je lahko ključno za ohranjanje integritete finančnega svetovanja in zaupanja v finančne trge. S pravilno uporabo UI lahko dosežemo bolj transparentno in pošteno finančno okolje za vse.

Umetna inteligenca je postala nepogrešljivo orodje za odkrivanje računovodskih prevar v organizacijah. S sposobnostjo analiziranja ogromnih količin podatkov omogoča hitro identifikacijo sumljivih vzorcev ali nepravilnosti.

Kljub obetavnim možnostim UI za odkrivanje računovodskih prevar obstajajo tudi izzivi. Zagotoviti je treba natančnost in zanesljivost algoritmov, saj napačni pozitivni ali negativni rezultati lahko povzročijo veliko škodo. Prav tako je treba upoštevati vprašanja zasebnosti in etičnosti pri uporabi UI za spremljanje finančnih dejavnosti posameznikov in podjetij.

Vendar pa obstajajo tudi velike priložnosti za izboljšanje boja proti računovodskim prevaram s pomočjo UI. Hitrost, natančnost in zmogljivost, ki jo ta tehnologija prinaša, lahko pomembno pripomorejo k odkrivanju in preprečevanju računovodskih prevar.

7 LITERATURA IN VIRI

Asllani, A. (2014). Using Benford's law for fraud detection in accounting practices. Journal of Social Science Studies, 1 (2), 129–143.

Durtschi, C. H. in Pacini, C. (2004). The effective use of Benford's law to assist in detecting fraud in accounting data. Journal of Forensic Accounting, 5 (1), 17–34.

Godec Zidar, L. (2007). Vloge in metode notranjega revizorja pri odkrivanju, preiskovanju in preprečevanju prevar in korupcije. Ljubljana: Ekonomska fakulteta.

Gunnel, S. in Todter, K.-H. (2009). Does Benford's law hold in economic research and forecasting? Empirica, 36 (3), 606–618.

Hladnik, M. (2002). Benfordov zakon ali problem prve števke. Obzornik za matematiko in fiziko, 49 (5), 140–147.

Koletnik, F. in Kolar, I. (2008). Forenzično računovodstvo. Ljubljana: Zveza računovodij, finančnikov in revizorjev Slovenije.

Moore, G. in Benjamin, C. (2004). Using Benford's law for fraud detection. Internal Auditing, 19 (1), 4–9.

Nigrini, M. (2012). Benford's law: applications for forensic accounting, auditing, and fraud detection. New Jersey: John Wiley & Sons.

OpenAI. (2023). ChatGPT (različica 25. september) [velik jezikovni model]

Ramaswamy, V. in Leavins, J. (2007). Continuous auditing, digital analysis, and Benford's law. Internal Auditing, 22 (4), 25–31.

Tapp, D. in Burg, D. (2001). Using technology to detect fraud. Pennsylvania CPA Journal, 71 (4), 20–23.

Tolle, C. B. in LaViolette, R. (2000). Do dynamical systems follow Benford's law? CHAOS, 10 (2), 331–336.

Ӧzer, G. in Babacan, B. (2013). Benford's law and digital analysis: Application on Turkish banking sector. Business and Economics Research Journal, 4 (1), 29–41.