Fraudes Corporativas e Financial Misreporting: Determinantes, Estrutura Intelectual e Detecção por Machine Learning
Fraudes corporativas. Financial misreporting. Triângulo da fraude. Governança corporativa. Earnings management. Machine learning. Detecção de fraudes.
|
RESUMO (máximo de 500 palavras) O objetivo geral da tese é analisar as fraudes corporativas e o financial misreporting a partir da estrutura intelectual da literatura, de seus determinantes empíricos e dos métodos preditivos de detecção, fundamentando-se nas perspectivas do crime do colarinho branco, do triângulo da fraude e da literatura sobre qualidade do reporte financeiro, governança corporativa e monitoramento externo. Para atingir esse objetivo, o estudo se desdobrará em três objetivos específicos, os quais serão respondidos por meio de três artigos articulados. O primeiro artigo consiste em realizar uma revisão bibliométrica e sistemática da produção científica sobre corporate fraud, earnings management, financial statement fraud e accounting irregularities, com o intuito de mapear a evolução do campo, os principais autores, periódicos, estruturas de cocitação, temas recorrentes e lacunas de pesquisa. O segundo artigo compreende uma investigação empírica sobre os determinantes do financial misreporting em companhias abertas, considerando fatores relacionados à governança corporativa, aos incentivos gerenciais, às características dos executivos, às restrições contratuais e aos mecanismos de monitoramento externo. O terceiro artigo busca analisar a detecção de fraudes corporativas e distorções relevantes no reporte financeiro por meio de modelos supervisionados de machine learning, utilizando variáveis contábeis, de auditoria, de governança e de mercado. Para atingir os objetivos, o estudo propõe: (i) empregar técnicas bibliométricas e revisão sistemática da literatura com apoio de softwares especializados; (ii) utilizar modelos econométricos probabilísticos e/ou especificações em painel para examinar os fatores associados à ocorrência de financial misreporting; e (iii) aplicar algoritmos supervisionados de machine learning para avaliar a capacidade preditiva de diferentes conjuntos de variáveis na identificação de empresas com maior risco de fraude ou distorção informacional. A tese pretende contribuir com a literatura ao integrar o mapeamento do campo, a explicação dos determinantes e a predição de fraudes corporativas em um mesmo percurso analítico. Como contribuição metodológica, o estudo articula revisão bibliométrica e sistemática, análise empírico-arquivística e modelagem preditiva. Por fim, a contribuição aplicada está relacionada ao aprimoramento de mecanismos de governança, auditoria, regulação e monitoramento, oferecendo subsídios para a identificação antecipada de sinais de baixa qualidade do reporte financeiro e de potenciais irregularidades corporativas.
|