White-Collar Crime Online: Deviance, Organizational Behaviour and Risk
Ez a bevezető monográfia a fehérgalléros bűnözés fogalmának első alapos online vizsgálatát nyújtja.
Az elkövető-alapú, a kényelem központi szerepét figyelembe vevő perspektívát alkalmazva igyekszik tájékoztatni, javítani és fejleszteni a számítógépes bűnözés jelenlegi szakirodalmát, miközben különös figyelmet fordít a kriminológián belüli alapkategóriára. Azt állítja, hogy a fehérgalléros bűnözés az elmúlt években háttérbe szorult a kiberbűnözés kriminológiai perspektíváiból, és hogy a fehérgalléros bűnözés részletes, gazdag újraértékelésére van szükség a mai digitális társadalmakban.
Az elméleti bevezetést követően a könyv többek között a vállalati hírnévre gyakorolt hatásokat, a külső és belső fenyegetések enyhítésében alkalmazott különböző szervezeti szerepeket, a bűnüldözési erőfeszítésekkel kapcsolatos egyedi megfontolásokat és a terület várható jövőbeli irányait tárgyalja. A White-Collar Crime Online elismeri a fehérgalléros bűnözés és a számítógépes bűnözés tanulmányozása közötti szoros kapcsolatot és összefüggést. A könyv az esettanulmányokat is magában foglaló összehasonlító elemzés keretében a kényelmi elméletet alkalmazva vizsgálja az európai és az amerikai paradigmákat, perspektívákat és modelleket, hogy meghatározza, hol létezik a fehérgalléros bűnözés a mai munkahelyeken belül, és hogyan kapcsolódhat ez a kiberbűnözésről folyó diskurzushoz.
Ennek során újraértékeli a kriminológiai elméletet az üzleti élet, a munkahely, a társadalmi szabályok, a kormányzati rendszerek, a döntéshozatal, a társadalmi rend és ellenőrzés változó mintáinak összefüggésében. A White-Collar Crime Online a kriminológusokhoz, szociológusokhoz és szakemberekhez szól, beleértve a kiberbiztonság, a közgazdaságtan, a technológia és az informatika iránt érdeklődőket is.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)