CC BY
187
10. Сташковская, Н. В., Новрузо-ва, З. Д. Организация аудита на предприятиях нефтяного сектора: практические аспекты // Фундаментальные исследования. - 2015. - № 12. - С. 835.
11. Уразова, Н. Т., Шикунова, Л. Н. Специфика аудита торговых организаций // Экономика и управление: анализ тенденций и перспектив развития. -2014. - № 17. - С. 137.
Bibliographic list
1. Brovkina, N. D. Practical audit: studies. grant / ed. by N. D. Brovkina, M. V. Melnik. - M. : INFRA-M, 2006.
2. Bulgakova, L. I. Audit in Russia: mechanism of legal regulation. - M. : Volters Kluver, 2005.
3. Audit bases / ed. by R. P. Bulyga. -Rostov-on-Don : Phoenix, 2010.
4. Golosov, O. V., Guttsayt, E. M. Audit: concept, problems, standards, control, efficiency, crisis. - M. : Accounting publishing house, 2005.
5. Danilevskiy, Yu. A. General audit, audit of the exchanges, off-budget funds and investment institutes : textbook. - M. : Accounting, 1996.
6. Dmitriyeva, I. M. Accounting and audit. - M. : Urait, 2013.
7. Kevorkova, Zh. A. International standards of audit : textbook / ed. by Zh. A. Kevorkova. - M. : Urait, 2014.
8. Audit in Russia. Anthology of Russian audit : textbook / ed. by A. V. Kriku-nov. - M. : Market of DS, 2007.
9. Berseneva, N. S. Role of registration and analytical providing in a control system of agrarian and industrial complex // News of St. Petersburg State Agricultural University. - 2013. - № 31.
10. Stashkovskaya, N. V., Novru-zova, Z. D. Organization of audit at the enterprises of oil sector: practical aspects // Basic researches. - 2015. - № 12.
11. Urazova, N. T., Shikunova, L. N. Specific of audit of trade bodies // Economy and management: analysis of tendencies and prospects of development, 2014. - № 17.
УДК 657.6+519.8
Арженовский С. В., Бахтеев А. В.
КОЛИЧЕСТВЕННЫЕ МЕТОДЫ ОЦЕНКИ РИСКА ПРЕДНАМЕРЕННОГО ИСКАЖЕНИЯ ФИНАНСОВОЙ ОТЧЕТНОСТИ1
JEL-коды: М40; С19
Аннотация
Рассмотрены используемые в настоящее время на практике количественные методы оценки риска существенных искажений финансовой отчетности вследствие ее недобросовестного составления. Представлены и охарактеризованы методы статистического анализа, регрессионного моделирования, используемые современными аудиторами при процедурах оценки рисков при проведении аудита. Кроме того, приведены результаты современных исследований в области адаптации искусственных нейронных сетей и нечеткой логики к процессу оценки риска в аудите.
Ключевые слова
Оценка риска существенного искажения, недобросовестные действия, статистические методы, регрессия, искусственные нейронные сети, нечеткая логика.
1 Исследование выполнено при финансовой поддержке РГНФ. Проект «Риск фальсификации финансовой отчетности и его оценка в процессе внешнего аудита» № 16-02-00035.
Arzhenovskiy S. V., Bakhteev A. V.
QUANTITATIVE METHODS OF RISK ESTIMATION OF FINANCIAL STATEMENT FRAUD
Annotation
Quantitative methods currently used in practice for risk assessment of material mis-statement of financial statements due to its unscrupulous drafting are considered. Statistical analysis methods and regression models using modern auditors in audit risk estimation procedures are described. In addition, the results of modern research in the field of adaptation of artificial neural networks and fuzzy logic to the risk assessment process are presented.
Keywords
Risk of material misstatement assessment, fraud, statistical methods, regression, artificial neural networks, fuzzy logic.
Мошенничество в современном глобальном экономическом пространстве по-прежнему представляет собой серьезную проблему. По результатам обзора экономических преступлений, регулярно проводимого Pricewaterhouse Coopers Russia, масштабы корпоративного мошенничества сохраняются на весьма высоком уровне. При этом одним из наиболее часто встречающихся видов мошенничества остается манипулирование данными финансовой отчетности компаний. Эта проблема напрямую касается собственников компаний и их представителей, активным защитником информационных интересов которых выступают внешние аудиторы. По итогам российского обзора экономических преступлений [24] за 2016 г., мошенничество с отчетной информацией занимает четвертую строчку в рейтинге распространенности. Каждый четвертый участник этого исследования указал манипулирование данными бухгалтерского учета среди наиболее распространенных видов мошеннических действий. При этом следует отметить, что в упомянутом исследовании рассматривались лишь случаи прямого мошенничества с отчетной информацией компаний. Проблема сокрытия самых распространенных видов экономических преступлений, к которым относятся, например, незаконное присвоение
активов, взяточничество и коррупция посредством манипулирования данными финансовой отчетности не попала в поле зрения исследователей. Именно поэтому риск существенного искажения финансовой отчетности компаний вследствие недобросовестных действий (далее РСИНД), безусловно, признается в профессиональной аудиторской среде наиболее значимым. Неизбежным следствием значимости риска преднамеренного искажения финансовой отчетности является постоянный поиск наиболее эффективных способов его оценки. Поступательному развитию этого процесса способствует и тот общеизвестный факт, что профессиональные аудиторские стандарты содержат лишь рамочные требования к организации процесса оценки риска существенного искажения аудируемой отчетности вследствие недобросовестных действий, оставляя разработку его методической стороны на усмотрение каждой аудиторской компании. В связи с этим количество научных исследований, посвященных развитию методического обеспечения аудиторских процедур оценки РСИНД, постоянно растёт. При этом среди предлагаемых современными исследователями методов оценки риска традиционно преобладают количественные. В настоящей статье авторы выполнили обзор, систематизацию и дали оценку
некоторым из предложенных отечественными и зарубежными исследователями на протяжении двух последних десятилетий количественных методов оценки РСИНД.
Наиболее обширно, полно и системно количественные методы, используемые для оценки рисков, представлены в стандартах КОЛЕС (группа «Менеджмент риска»). Так, в стандарте «Менеджмент риска. Методы оценки риска» [25] рассмотрено более тридцати методов оценки риска. Для каждого из рассматриваемых методов дан краткий обзор, область применения, входные данные, процесс выполнения метода, результаты на выходе, преимущества и недостатки. По степени воздействия факторов (ресурсы и возможности, неопределенность, сложность, количественные результаты), методы разделены на пять групп: наблюдения, вспомогательные, анализ сценариев, функциональный анализ, статистические методы. Следует отметить, что не все из включенных в указанный стандарт методов могут использоваться для оценки РСИНД. Однако ряд количественных методов (в том числе статистических) используется в практике выявления мошенничества в целом и манипулированием отчетностью в частности. Рассмотрим подробнее наиболее популярные из них.
Методы, основанные на регрессионном анализе.
Одной из наиболее распространенных в аудиторской практике разновидностей методов оценки РСИНД являются методы, базирующиеся на регрессионном анализе.
Наиболее известный из них - подход М-&соте, предложенный М. Бени-шем [6, 7]. Автор специфицировал регрессионную модель дискретного выбора, которая, по его мнению, позволяет с достаточной степенью уверенности идентифицировать финансовую отчетность, содержащую показатели, подвергшиеся преднамеренному искаже-
нию. Модель включает в себя восемь объясняющих переменных: индекс оборачиваемости дебиторской задолженности в днях (DSRI); индекс валовой маржи (GMI); индекс качества активов (AQI); индекс роста выручки (SGI); индекс амортизации (DEPI); индекс коммерческих и управленческих расходов (SGAI); индекс суммарных начислений к суммарным активам (TATA); индекс финансового рычага (LVGI).
Зависимая переменная Мi является бинарной и принимает значение 1 для фирм, манипулирующих показателями финансовой отчетности? и 0 в противном случае. Модель имеет вид:
Mt = XiP + s¿, i = 1,..., n.
где Мi - зависимая бинарная переменная;
Xi - матрица объясняющих переменных; ei - случайные остатки; i - индекс по фирмам; n - количество фирм.
В качестве информации в модели используются данные бухгалтерского учета, являющиеся полезными при выявлении манипуляций и оценки надежности бухгалтерской прибыли.
В [7] одна из оценок модели, полученная невзвешенным методом максимального правдоподобия по панели данных о финансовой отчетности американских фирм с 1987 по 1993 гг., имеет вид:
M = -4,840 + 0,920DSRI + 0,528GMI + 0,404AQI + 0,892SGI + 0,115DEPI - 0,172SGAI - 0,327LVGI + 4,679TATA.
Априорная вероятность манипуляции с отчетностью составила 0,028. По модели предсказанная вероятность манипуляций с отчетностью составила в среднем 0,237.
Интересным фактом является то, что изначально автор не ставил своей целью разработку модели идентификации и оценки РСИНД для аудиторской практики. По замыслу М. Бениша, модель предназначалась для идентифика-
ции фактов управления прибылью ком-пании1 [6]. Тот факт, что модель М-score получила широкое применение в оценке РСИНД в процессе аудита финансовой отчетности, объясняется тем, что выручка (доходы) является основным показателем для целевых пользователей финансовой отчетности при принятии инвестиционных решений. Именно показатель доходов лежит в основе большинства современных имитационных прогнозных моделей развития коммерческой компании.
Еще один способ оценки РСИНД в процессе аудита основывается на модели Джонса [13] и ее модификации, предложенной в [9, с. 199]. Предпосылкой модели является предположение МакНиколса и Вильсона о разделении расходов компании, признаваемых по методу начислений, на дискреционные и недискреционные2 [9, с. 195]. В модели Джонса оцениваются недискреционные начисления ЫВЛ1 в течение рассматриваемого периода I (то есть в течение периода времени, когда предположительно осуществлялось управление прибылью). Модель имеет вид:
МБА = а (1/ ) + а2(АЯЕ^) + а3 РРЕ(
где Лм - общая сумма активов в периоде 1-1;
1 Управление прибылью (earnings management) -использование легитимно установленных учетными стандартами способов признания доходов и расходов компании для подготовки финансовой отчетности, представляющей чрезмерно позитивную картину хозяйственной деятельности компании и ее финансовое положение (прим. авторов).
2 Дискреционные начисления - расходы, не являющиеся необходимым условием осуществления операционной деятельности компании и в связи с этим признаваемые с применением профессионального суждения составителя финансовой отчетности. Недискреционные начисления - расходы, являющиеся необходимым условием осуществления операционной деятельности компании (все расходы за исключением дискреционных) (прим. авторов).
^ЯЕУ{ - разность доходов в периоде I и
в периоде t-1, приведенная к общей
сумме активов в t-1 периоде;
PPEt - валовая сумма основных фондов
в периоде t, приведенная к общей сумме
активов в периоде ^1;
а1, а2, а3 - специфические параметры
фирмы.
Оценки параметров фирмы а1, а2, а3 получают путем применения метода наименьших квадратов к уравнению:
ТА = а (1/ 4_1) + а2 (ШУ1) + а3РРЕ, + у,,
где TЛt - валовые начисления, приведенные к общей сумме активов в периоде t-1;
V - случайная величина ошибки.
Модель Джонса предполагает, что доходы компании являются недискреционными. Например, компания признает доход в конце года, но денежные поступления, связанные с этим доходом, отсутствуют. Как следствие, сомнению подвергается существование начисленного дохода фактически. В модели Джонса ортогонализируются начисления по отношению к доходам, и в итоге получается дискреционная компонента начислений, что смещает оценку управления доходами к нулю.
Для устранения предполагаемой тенденции модели Джонса к измерению дискреционных начислений с ошибкой, когда дискреция применяется к доходам, в аудиторской практике используется модификация модели. В модифицированной модели Джонса недискреционные начисления оцениваются в текущем периоде
МБА, = а1 (1 А-) + а2 (МЕ¥, - МЕС,) + а^РРЕ,, где ARECt - разность дебиторской задолженности в периоде t и в периоде ^ 1, приведенная к общей сумме активов в периоде ^1.
Единственной корректировкой в модифицированной модели Джонса от оригинальной выступает то, что изменения в доходах происходят в соответствии с изменениями в дебиторской задолжен-
ности в текущем периоде. Оригинальная модель Джонса косвенно предполагает, что с доходами дискреция не осуществляется ни в текущем периоде, ни в оцениваемом периоде. В модифицированной версии модели косвенно предполагается, что все изменения в продажах в кредит являются результатом манипуляций с доходами. Данный вывод основан на следующем рассуждении: легче манипулировать доходами, осуществляя дискре-цию в отношении выручки от продаж в кредит, чем в отношении выручки от продаж за наличный расчет. Оценки модифицированной модели на случайных выборках в [9] показали достаточную мощность такого теста для выявления манипулирования доходами.
Следующей моделью, предложенной для использования в процедурах оценки РСИНД, является модель ¥-score. Модель основана на расчете индикатора ¥-5соте в зависимости от ряда показателей, которые включают: финансовые результаты деятельности, нефинансовые показатели, забалансовые показатели, рыночные показатели [10]. В модели используется инструментарий регрессионных моделей дискретного выбора. Зависимая переменная принимает значение 1 для фирм, вовлеченных в манипуляции с отчетностью, и 0 в противном случае.
Для оценки риска РСИНД авторами в [10] специфицированы три модели для обнаружения манипуляций с данными отчетности. Модель 1 включает в себя только показатели финансовых результатов деятельности фирм, модель 2 -дополнительно нефинансовые и забалансовые показатели, модель 3 - дополнительно рыночные показатели.
Объясняющими переменными в модели 1 являются: изменение неденежных чистых краткосрочных активов; изменение величины дебиторской задолженности; изменение капитальных вложений; доля нематериальных активов в общей величине активов; изменение вы-
ручки от продаж за наличный расчет; изменение в рентабельности активов; количество действующих патентов.
Модель 2 включает все объясняющие переменные из модели 1 и в дополнение к ним следующие нефинансовые показатели: отклоняющееся от нормы изменение в количестве занятых; наличие действующих договоров лизинга.
Модель 3 включает в себя показатели модели 2, а также рыночные показатели: скорректированные рыночные доходности акций; скорректированные рыночные доходности акций с лагом.
В [10] предложен следующий алгоритм расчета ¥-&соге.
1. Рассчитываются в зависимости от типа модели оценки коэффициентов. В частности, в указанной работе получены оценки параметров всех трех моделей и предсказанные значения зависимой переменной.
2. Рассчитывается прогнозная вероятность.
3. Рассчитывается безусловное среднее значение вероятности как отношение количества компаний, отчетность которых искажена к общему количеству компаний, попавших в выборку.
4. Рассчитывается ¥-&соге как отношение прогнозной вероятности к безусловному среднему значению вероятности.
5. На завершающем этапе проводится нормативный анализ полученного значения показателя в соответствии с предложенными авторами интервалами:
¥-&соге в пределах от 0 до 1 - низкий, приемлемый уровень риска;
¥-&соге в пределах от 1 до 2,45 -риск выше нормы;
¥-&соге значение больше 2,45 -высокий уровень риска.
Авторами ¥-&соге доказано, что в периодах со значительно растущими начислениями (доходами и (или) расходами) возрастает и вероятность манипуляций с финансовой отчетностью. Авторы утверждают, что для таких перио-
дов свойственны искажения данных о продажах, завышенные ожидания в стоимости акций фирмы, забалансовое финансирование через лизинг и т.п.
В модели оценки РСИНД в ходе аудита, разработанной С. Т. Спатисом [20], предложено использовать значение регрессионной модели 2-8соге Альтмана. Автором выбраны 10 показателей в качестве возможных индикаторов фальсификации финансовой отчетности. Ими выступают следующие коэффициенты: отношение заемного капитала к собственному; ресурсоотдача; рентабельность продаж; отношение дебиторской задолженности к продажам; рентабельность активов; отношение чистого оборотного капитала к активам; отношение валовой прибыли к активам; соотношение объемов запасов и сбыта; отношение общей суммы задолженности к активам; 2-8соге Альтмана (2-оценка).
В предложенной модели зависимая переменная ¥¥$> принимает значение 1, если фирма фальсифицировала отчетность и 0, если в аудируемой отчетности нет преднамеренных искажений. Далее используется логистическая модель бинарного выбора с указанными выше объясняющими переменными. По замыслу автора модель может строиться как с использованием 2-8соге, так и без него. Использование 2-8соге имеет своей целью оценить связь между критическим финансовым положением фирмы и фальсификацией ее финансовой отчетности. В ходе проведенного С. Т. Спати-сом шагового эмпирического анализа, по данным греческих листинговых компаний [20], установлено, что положительно статистически значимым в обеих моделях оказался показатель соотношения объема запасов и сбыта. При повышении величины запасов в совокупности с низким оборотом запасов по отношению к объему продаж оценка РСИНД должна быть увеличена аудитором. Таким образом, рост индикатора 2-8соге свидетель-
ствует о снижении вероятности существенного преднамеренного искажения финансовой отчетности. Автору удалось правильно классифицировать на основе построенных моделей около 84 % фирм, образующих выборку.
Применение логистической регрессии [4, 5, 23] является еще одним достаточно популярным у современных исследователей инструментом количественной аудиторской оценки РСИНД. В своем исследовании Т. Белл и др. [5] в качестве значимых факторов выделяют: слабость внутреннего контроля, быстрый рост фирмы, нехарактерную для отрасли в отчетном периоде рентабельность, придание чрезмерного значения показателю прибыли при оценке действий менеджмента, уклончивость менеджеров в общении с аудиторами, структуру собственности фирмы. Авторами продемонстрировано преимущество использования предложенной ими модели по сравнению с оценкой РСИНД, проведенной практикующими аудиторами на основе их профессионального суждения. В [23] регрессионный анализ использовался для проверки более десяти гипотез, выдвинутых с использованием экспертов. Применялись как финансовые показатели, так и факторы, характеризующие внутреннюю среду компаний. Исследование [4] обобщает, в частности, зарубежный опыт построения модели оценки РСИНД с использованием 2-&соге Альтмана.
Приведенные выше регрессионные модели оценки РСИНД достаточно широко используются аудиторами при проведении процедур оценки рисков в ходе выполнения заданий, обеспечивающих уверенность. Этому способствуют простота и инвариантность расчета значения выбранной модели, а также использование для оценки полученного значения бинарных функций, позволяющих дать оценку вероятности наличия в аудируемой финансовой отчетности показателей, подвергавшихся «агрессивному» воздействию ее составителей.
Однако наличие достаточно большого количества подобного рода моделей, авторы которых, с одной стороны, опровергают и/или улучшают предшествующие разработки, наводит на размышления о том, что их практическое применение должно осуществляться с использованием ряда ограничений. Такими ограничениями, на наш взгляд, могут быть отраслевая принадлежность, масштабы деятельности компании, особенности нормативного регулирования учетных процессов и корпоративного управления, обычаи делового оборота в стране, где ведется операционная деятельность и т.п.
Статистические методы.
Следующей группой инструментов, позволяющих аудитору идентифицировать и провести количественную оценку РСИНД, являются статистические методы.
Наиболее известным статистическим методом, который нашел широкое применение в аудиторской оценке РСИНД, является оценка вероятности мошенничества на основе распределения Бенфорда, известного также как закон первой цифры. Указанный метод основывается на описании вероятности появления определенной первой значащей цифры в распределении величин, сделанном Ф. Бенфордом в 1938 г. Применение распределения Бенфорда в аудите получило название цифрового анализа по имени программы, написанной М. Нигрини [17, 18]. В настоящее время в аудиторской практике оценки РСИНД наибольшее распространение получили шесть тестов цифрового анализа:
- анализ частоты первой цифры (непосредственно закон Бенфорда). Найденные Бенфордом значения вероятностей для десятичной системы счисления следующие: 1 - 0,301, 2 - 0,176, 3 -0,125, 4 - 0,097, 5 - 0,079, 6 - 0,067, 7 -0,058, 8 - 0,051, 9 - 0,046. При этом распределение зависит только от системы счисления, но не от единиц измерения.
При наличии существенных отклонений эмпирического от эталонного распределения необходимо выяснение их природы. В процессе аудита проводится тестирование на соответствие распределению Бенфорда массивов информации, содержащих номера документов;
- анализ частоты первой и второй цифр. Отдельно проверяется частота цифры от 1 до 9 на первой позиции и частота цифры от 0 до 9 на второй и составляется таблица соответствий, которая анализируется на отличие частоты цифр в приведенной последовательности от эталонной последовательности Бенфорда;
- анализ дублей. Выявляется частота повторов чисел в большом количестве документации. Повторяющиеся числа в данных сортируются по частоте повторов, а затем проверяются уплотнения повторов ряда чисел. Метод позволяет выявить аномальное совпадение числа повторов чисел;
- анализ первой пары цифр. Исследуется частота появления цифр от 10 до 99;
- анализ первой тройки цифр. Программа анализирует частоту первой тройки цифр от 100 до 999 в изучаемой числовой последовательности;
- анализ округлений: проверяется частота последних значащих цифр анализируемой числовой последовательности и выявляется несоответствующая эталону закона Бенфорда частота постоянного округления в большую или меньшую сторону.
Существенные отклонения распределения, например, номеров документов совокупности, тестируемой аудитором, от распределения Бенфорда могут свидетельствовать об изъятии тех или иных документов из тестируемого массива. Следует отметить, что закон Бенфорда к исследованию отчетности применяется при выполнении следующих предпосылок: распределение чисел должно соответствовать геометрическому распределению или незначитель-
но от него отклоняться; однородность исследуемой последовательности чисел, то есть данные относятся к одинаковым объектам; не должно быть ограничений в исследуемой последовательности чисел по максимуму и минимуму.
Анализ на основе закона Бенфорда эффективно используется не только внешними, но и внутренними аудиторами, экспертами. Он может быть полезным инструментом выявления счетов, по отношению к которым были совершены недобросовестные действия с нарушениями, особенно на больших массивах данных. При существовании порога для включения записей полезным будет правило первой пары или тройки цифр. В [12, с. 241] отмечено, что цифровой анализ с использованием закона Бенфорда увеличивает шансы появления ошибки первого рода (ошибочное отклонение нулевой гипотезы в то время, как она верна), но и шансы обнаружения мошенничества.
Еще одним статистическим методом, который предлагается адаптировать в современных исследованиях в
качестве инструмента оценки РСИНД является байесовский анализ. Универсальность этого метода позволяет использовать его как в качестве инструмента оценки аудиторского риска [22] вообще, так и в качестве инструмента оценки РСИНД [21].
В [22] авторами демонстрируется применение известной теоремы Байеса, позволяющей найти апостериорные вероятности по априорным при реализации некоторого события, к оценке компонент аудиторского риска. Составляющими аудиторского риска являются неотъемлемый риск (риск хозяйственной деятельности, internal risk (IR)) и риск средств контроля (контрольный риск, control risk (CR)), а также риск необнаружения (detection risk (DR)), который в свою очередь включает аналитический AP (пропуск ошибок при контроле) и статистический TD (ошибки при выборочной проверке операций). Байесовская формулировка аудиторского риска, состоящего из компонент, представлена на рисунке 1.
Схема из пяти исходов на рисунке 1 предполагает, что ошибка существует. Две потенциальные проблемы применения байесовского подхода указаны в [22]. Первая заключается в том, что компоненты модели, в частности неотъемлемый риск и риск средств контроля, между собой могут быть зависимы. Вторая - пропущены важные с точки зрения оценки риска факторы, такие как: риск несвязанный с выборкой (неверная интерпретация данных аудитором), опыт аудитора, затраты на аудит и т. п.
Автор показывает, что важным для аудитора является ошибка второго рода (риск принятия финансовой отчетности, когда она существенно искажена), которую необходимо уменьшать. В исследовании выделены четыре категории аудиторских доказательств: априорное доказательство относительно вероятности ошибки существенного искажения при отсутствии внутреннего контроля, доказательство при оценке внутреннего контроля, результаты аналитических процедур, доказательства от соответствующих уместных тестов.
Модификацией байесовского подхода является байесовская сеть доверия -набор случайных переменных, которые условно зависимы и организованы в ориентированный ациклический граф, каждой вершине которого соответствует случайная переменная, а дуги графа кодируют отношения условной зависимости между этими переменными. Например, в [22] сформирована трехуровневая сеть, которая на первом уровне предполагает оценку общего риска на уровне финансовой отчетности, на втором уровне - риск конкретных счетов или классов операций, на третьем - уровень утверждений, организованный по сальдо счетов или классов операций. Утверждения можно рассматривать как заявления руководства фирмы относительно полноты, измерения и представления, раскрытия информации и т. п.
Результаты одного из недавних исследований, посвященных разработке методики оценки РСИНД основе байесовского подхода, представлены в [21]. Авторы приводят результаты разработки алгоритма оценки РСИНД. Предлагаемый подход соединяет многокритериальное принятие решений на основе доказательств и байесовский вывод. В основу формулы оценки РСИНД авторами положен треугольник мошенничества (возможность, мотивация, обоснование). Авторская формула позволяет преодолеть недостатки байесовского подхода -необходимость определить все взаимодействия в сети Байеса, а также условные вероятности, которые предлагается получать экспертными методами.
Разнообразие инструментария статистических исследований позволяет утверждать, что возможности его адаптации для оценки РСИНД исследованы далеко не полностью. Вместе с тем следует осознавать бесперспективность существующих попыток применения статистических методов для оценки рисков, возникающих в процессе выполнения заданий по аудиту без учета необходимости оценить риск на различных уровнях (отчетность в целом, предпосылки подготовки отчетности, группы операций, сальдо по счетам и раскрытия информации), в контексте взаимосвязей между отдельными факторами, генерирующими РСИНД.
Искусственные нейронные сети.
Еще одним объектом современных исследований в области адаптации к процессу оценки РСИНД являются искусственные нейронные сети (ИНС). Они представляют собой нелинейные инструменты моделирования данных, использующие сеть связанных узлов, построенную по образу функционирования нейронной системы человека. Искусственный нейрон - основной типовой элемент такой сети. Схема нейрона представлена на рисунке 2.
Х2
Хп
У
Рисунок 2 - Схема искусственного нейрона
Нейрон состоит из ядра синапсов, связывающих входы XI., г = 1,..., п и ядро и имеющих веса, определяющих значимость влияния входов; аксона, или выхода У, который связывает нейрон с другим нейроном. Состояние нейрона
п
определяется как 5 = ^ XЖ . Затем
2=1
находится значение аксона У = /(5),
где / - некая активационная функция (часто используется сигмоид функция
вида / (х) =-— ). Нейроны органи-
1 + е
зуются в слои. Первый слой считается входным, последний - выходным, промежуточный слой или слои - скрытые. После определения числа слоев и элементов в них необходимо найти веса и пороги (свободные параметры модели) сети так, чтобы минимизировать ошибку прогноза, который выдает сеть. Это составляет задачу обучения сети. Имеющиеся исторические данные прогоняются через сеть, получают выходные значения и их отклонения от фактических - ошибки, на основании которых корректируются параметры сети. Наиболее известный вариант обучения сети - алгоритм обратного распространения.
Архитектура ИНС подразделяется на три класса [14]: а) сети передачи сигнала (с упреждением и нерекурретные), например, многослойные перцептроны; б) сети конкурентного обучения, например, самоорганизующиеся карты
Кохонена; в) сети динамического состояния (с обратной связью или рекуррентные), например, сеть Хопфильда. Построение нейронной сети выполняется в два этапа: выбор архитектуры и обучение сети.
Преимущества использования ИНС заключаются в адаптивности, устойчивости, параллельности вычислений, возможности работы при неинформативных, избыточных и/или коррелированных переменных и др. Недостатки: проектирование сети является эвристическим и может не привести к однозначному решению, необходимы обучающие выборки достаточного размера, обучение может привести к тупиковой ситуации и др. Обзор использования нейронных сетей в аудите имеется в работе [14]. Автор выделяет применение сетей для:
- выявления существенных ошибок. Это направление использования сетей наиболее обширно. Если фактические значения счетов не соответствуют ожидаемым, то это должно привлечь внимание аудитора и повлечь дальнейшее расследование для объяснения неожиданных результатов. Модели сетей существенных ошибок прогнозируют будущие значения переменных или классифицируют данные. В [8] использовался закон Бенфорда в комбинации с искусственной сетью для выявления ошибок в финансовой отчетности;
- выявления мошенничества менеджеров - преднамеренное мошенничество, которое вводит в заблуждение
кредиторов и инвесторов и ведет к искажению финансовой отчетности. Например, в [16] нейронные сети сравнивались с логит-моделями при прогнозировании мошенничества по данным финансовой отчетности. Авторы пришли к выводу, что сети аккуратнее предсказывают случаи мошенничества и с учетом ошибок первого и второго рода имеют преимущество перед логит-моделями;
- прогнозирования продолжения деятельности фирмы в тяжелом финансовом положении. Неструктурированная задача, требующая профессионального суждения аудитора о неопределенности, когда аудируемая фирма проявляет признаки банкротства;
- оценки риска контроля в процессе аудита. Аудитор оценивает риск контроля путем интеграции профессиональных суждений о соответствующих факторах риска, их относительной значимости и возможных неблагоприятных последствиях.
В большинстве случаев ИНС дают большую результативную точность. Кроме того, применение ИНС позволяет с наибольшей точностью смоделировать факторы РСИНД, их взаимосвязи во всей полноте и многообразии. Это обусловливает возможность их широкого применения в аудиторской оценке РСИНД. Однако существенным сдерживающим фактором, ограничивающим применение ИНС, является сложность построения и обучения ИНС. Именно поэтому они нашли свое применение в компаниях «большой четверки», имеющих значительные базы данных клиентов по аудиту.
Нечеткие множества.
Еще одним подходом, попытки использования которого в качестве инструмента оценки РСИНД предпринимаются на современном этапе развития аудита, является нечеткая логика. За основу принимается посыл о том, что модель РСИНД может быть построена на
основе теории нечетких множеств, в рамках которой оценка риска - это характеристика нечеткого множества или нечеткое его преобразование. Пусть U -универсальное множество, которое содержит все объекты предметной области. Нечеткое множество A из U представляет собой набор всех пар {(и,
ца(и))}, где u е U и функция цА: U ^ [0, 1] определяет функцию принадлежности, которая представляет собой некоторую субъективную степень принадлежности элемента и нечеткому множеству A. Если все цА(и) равны либо 1 (элемент принадлежит множеству), либо 0 (элемент не принадлежит множеству), то множество становится четким. На нечетких множествах могут быть заданы нечеткие отношения между элементами теоретико-множественным, матричным, графическим способами или с помощью предикатов. Также задаются операции над нечеткими множествами и отношения предпочтения. С помощью отображения нечеткого множества в множество действительных или целых чисел вводятся лингвистические переменные, позволяющие словесно описывать нечеткие переменные [1, 11].
Опыт применения нечетких множеств подробно описан в зарубежной практике, например, в обзоре [19]. Так, в [15] нечеткая логика применялась для выявления случаев мошенничества с финансовой отчетностью на основе компьютеризированного сервиса в Excel и использования общедоступной финансовой и нефинансовой информации. Прогноз мошенничества в исследуемых авторами фирмах выполнен с корректностью 76,7 %. Имеются работы с использованием комбинации нечеткой логики и других методов, например, нейронных сетей [16]. В отечественной практике выделим недавнюю публикацию [3], в которой предложена методика, согласно которой показатель степени риска (универсальное множество) из интервала от 0 до 1 разбивается на три
значения низкой, средней и высокой степени риска (три соответствующих подмножества). Затем анализируются субъективные и объективные признаки недобросовестных действий, которые авторы [3] извлекли из приложения 1 ФСАД 5/2010 и приложения 3 ФСАД 5/2010. Далее определяется численное значение показателя степени риска и дается его словесная оценка (низкий, средний или высокий). Опыт применения нечетких множеств в аудите также имеется в [2].
На наш взгляд, применение инструментов нечеткой логики наилучшим образом может быть адаптировано к потребностям аудитора, возникающим при проведении им процедур оценки РСИНД. Исследования в этой области должны быть направлены на моделирование совокупности факторов, генерирующих РСИНД и определение типа взаимосвязей между этими факторами.
В результате обзора методов количественной оценки РСИНД, проведенного в статье, можно сделать ряд выводов. Во-первых, решение вопроса адекватной оценки риска является в течение последних двух десятилетий научной и практической проблемой, активно разрабатываемой зарубежными и отечественными учеными. Значительная часть исследований в сфере оценки РСИНД проводится в рамках применения для этой цели моделей регрессионного анализа, причем большая часть из них - работы зарубежных ученых. Это обусловлено наличием в их распоряжении обширной эмпирической базы. Во-вторых, в последнее время растет интерес исследователей проблемы количественной оценки РСИНД к адаптации для этой цели сложных методов, таких как ИНС, нечёткая логика, байесовский анализ. Использование таких методов позволяет учесть при оценке РСИНД многообразие взаимосвязей генерирующих его факторов. В-третьих, в перспективе исследования в области количественной оценки РСИНД, на наш
взгляд, должны вестись в направлениях адаптации количественных методов, дающих возможность формализации вербальных суждений, генерируемых аудитором в процессе своей профессиональной деятельности.
Библиографический список
1. Борисов, А. Н., Крумберг, О. А., Федоров, И. П. Принятие решений на основе нечетких моделей: примеры использования. - Рига : Зинатне, 1990.
2. Василенко, А. А. Методологические аспекты применения в аудите предпосылок бухгалтерской отчетности. -Ростов н/Д : Наука-Спектр, 2015.
3. Виноградова, О. И., Кочинев, Ю. Ю. Идентификация фактов и получение доказательств недобросовестности аудируемого лица // Аудитор. -2015. - № 1-2. - С. 32-39.
4. Энхбаяар Ч., Цолмон С. Возможность выявления мошенничества в финансовой отчетности // Baikal Research Journal. - 2015. - № 4. - Т. 6. - С. 7.
5. Bell, T. B., Carcello, J. V. A decision aid for assessing the likelihood of fraudulent financial reporting // Auditing: Journal of Practice & Theory. - 2000. -№ 1. - Vol. 19. - Р. 169-184.
6. Beneish, M. Detecting GAAP Violations: Implications for Assessing Earnings Management among Firms with Extreme Financial Performance // Journal of Accounting and Public Policy. - 1997. -Vol. 16. - № 3. - Р. 271-309.
7. Beneish, M. D. Detection of Earnings Manipulation // Financial Analys Journal. - 1999. - Vol. 55. - № 5. - Р. 24-36.
8. Bhattacharya, S., Xu D., Kumar, K. ANN-based auditor decision support system using Benford's Law // Decision support systems. - 2010. - № 3. - Vol. 50. -Р.576-584.
9. Dechow, P. M., Sloan, R. G., Sweeney, A. P. Detecting Earnings Management // Accounting Review. - 1995. -№ 2. - Vol. 70. - Р. 193-225.
10. Dechow, P. M., Weili Ge, Chad, R Larson, Richard G. Sloan. Predicting Material Accounting Misstatements // Contemporary Accounting Research. - 2011. -№ 1. - Vol. 28. - P. 17-82.
11. Friedlob, G. T., Schleifer, L. F. Fuzzy logic: application for audit risk and uncertainty // Managerial Auditing Journal. -1999. - № 3. - Vol. 14. - P. 127-137.
12. Hogan, C. E., Rezaee, Z., Richard, A. Riley, Jr., Uma K. Velury. Financial Statement Fraud: Insights from the Academic Literature // Auditing: Journal of Practice & Theory. - 2008. - № 2. -Vol. 27. - P. 231-252.
13. Jones, J. Earnings management during import relief investigations // Journal of Accounting Research. - 1991. -№ 2. - Vol. 29. - P. 193-228.
14. Koskivaara, E. Artificial neural networks in analytical review procedures // Managerial Auditing Journal. - 2004. -№ 2. - Vol. 19. - P. 191-223.
15. Lenard, M. J., Watkins, A. L., Alam, P. Effective use of integrated decision making: Advanced technology model for evaluating fraud in service-based computer and technology firms // Journal of Emerging Technologies in Accounting. -2007. - № 1. - Vol. 4. - P. 123-137.
16. Lin, J. W., Hwang, M. I., Becker, J. D. Fuzzy neural network for assessing the risk of fraudulent financial reporting // Managerial Auditing Journal. - 2003. -Vol. 18. - № 8. - P. 657-665.
17. Nigrini, M. Forensic Analytics: Methods and Techniques for Forensic Accounting Investigations. - Wiley Corporate F&A, 2011.
18. Nigrini, M., Mittermaier, L. J. Use of Benford's Law as an aid in analytical procedures // Auditing: A Journal of Practice & Theory. - 1997. - № 2. -Vol. 16. - P. 52-67.
19. Sharma A., Panigrahi, P. K. Review of Financial Accounting Fraud Detection based on Data Mining Techniques // International Journal of Computer Applications. - 2012. - № 1. - Vol. 39. - P. 37-47.
20. Spathis, C. T. Detecting false financial statements using published data: some evidence from Greece // Managerial Auditing Journal. - 2002. - № 4. -Vol. 17. - Р. 179-191.
21. Srivastava, R. P., Mock, Th. J., Turner, J. L. Bayesian Fraud Risk Formula for Financial Statement Audits // ABACUS. -2009. - № 1. - Vol. 45. - Р. 66-87.
22. Quadackers, L. Audit risk analysis: some statistical backgrounds. 2002. [Electronic resource]. - Mode of access : www.finance-control.nl/downloaden/6859/ Audit-risk-analysis-some-statisical-backgrounds.
23. Yusof, M. K, Khair, A. H, Jon Simon. Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies // Macrotheme Review. - 2015. - № 3. - Vol. 4. - Р. 126-145.
24. PwC: Российский обзор экономических преступлений за 2016 год [Электронный ресурс]. - Режим доступа : http://www.pwc.ru/ru/forensic-services/publications/resc-2016.html.
25. ГОСТ Р ИСО/МЭК 31010-2011 Менеджмент риска. Методы оценки риска. - М. : Стандартинформ, 2012.
Bibliographic list
1. Borisov, A. N., Krumberg, O. A., Fedorov, I. P. Decision-making based on fuzzy models: examples of use. - Riga : Zinatne, 1990.
2. Vasilenko, A. A. Methodological aspects of the application in the audit of financial statements of preconditions. -Rostov-on-Don : Science-Spectrum, 2015.
3. Vinogradova, O. I., Cochin, Y. Y. Identification of the facts and obtain evidence of fraud // Auditor. - 2015. - № 1-2. -Р. 32-39.
4. Enhbayaar, Ch., Tsolmon, C. Ability to identify fraud in the financial statements // Baikal Research Journal. -2015. - № 4. - Vol. 6. - Р. 7.
5. Bell, T. B., Carcello, J. V. A decision aid for assessing the likelihood of
fraudulent financial reporting // Auditing: Journal of Practice & Theory. - 2000. -№ 1. - Vol. 19. - Р. 169-184.
6. Beneish, M. Detecting GAAP Violations: Implications for Assessing Earnings Management among Firms with Extreme Financial Performance // Journal of Accounting and Public Policy. - 1997. -Vol. 16. - № 3. - Р. 271-309.
7. Beneish, M. D. Detection of Earnings Manipulation // Financial Analys Journal. - 1999. - Vol. 55. - № 5. - Р. 24-36.
8. Bhattacharya, S., Xu D., Kumar, K. ANN-based auditor decision support system using Benford's Law // Decision support systems. - 2010. - № 3. - Vol. 50. -Р.576-584.
9. Dechow, P. M., Sloan, R. G., Sweeney, A. P. Detecting Earnings Management // Accounting Review. - 1995. -№ 2. - Vol. 70. - Р. 193-225.
10. Dechow, P. M., Weili Ge, Chad R Larson, Richard G. Sloan. Predicting Material Accounting Misstatements // Contemporary Accounting Research. - 2011. -№ 1. - Vol. 28. - Р. 17-82.
11. Friedlob, G. T., Schleifer, L. F. Fuzzy logic: application for audit risk and uncertainty // Managerial Auditing Journal. -1999. - № 3. - Vol. 14. - Р. 127-137.
12. Hogan, C. E., Rezaee, Z., Richard, A. Riley, Jr., Uma K. Velury. Financial Statement Fraud: Insights from the Academic Literature // Auditing: Journal of Practice & Theory. - 2008. - № 2. -Vol. 27. - Р. 231-252.
13. Jones, J. Earnings management during import relief investigations // Journal of Accounting Research. - 1991. -№ 2. - Vol. 29. - Р. 193-228.
14. Koskivaara, E. Artificial neural networks in analytical review procedures // Managerial Auditing Journal. - 2004. -№ 2. - Vol. 19. - Р. 191-223.
15. Lenard, M. J., Watkins, A. L., Alam, P. Effective use of integrated decision making: Advanced technology model for evaluating fraud in service-based computer and technology firms // Journal of
Emerging Technologies in Accounting. -2007. - № 1. - Vol. 4. - P. 123-137.
16. Lin, J. W., Hwang, M. I., Becker, J. D. Fuzzy neural network for assessing the risk of fraudulent financial reporting // Managerial Auditing Journal. - 2003. -Vol. 18. - № 8. - P. 657-665.
17. Nigrini, M. Forensic Analytics: Methods and Techniques for Forensic Accounting Investigations. - Wiley Corporate F&A, 2011.
18. Nigrini, M., Mittermaier, L. J. Use of Benford's Law as an aid in analytical procedures // Auditing: A Journal of Practice & Theory. - 1997. - № 2. -Vol. 16. - P. 52-67.
19. Sharma A., Panigrahi P.K. Review of Financial Accounting Fraud Detection based on Data Mining Techniques // International Journal of Computer Applications. - 2012. - № 1. - Vol. 39. - P. 37-47.
20. Spathis, C. T. Detecting false financial statements using published data: some evidence from Greece // Managerial Auditing Journal. - 2002. - № 4. -Vol. 17. - P. 179-191.
21. Srivastava, R P., Mock, Th. J., Turner, J. L. Bayesian Fraud Risk Formula for Financial Statement Audits // ABACUS. -2009. - № 1. - Vol. 45. - P. 66-87.
22. Quadackers, L. Audit risk analysis: some statistical backgrounds. 2002. [Electronic resource]. - Mode of access : www.finance-control.nl/downloaden/6859/ Audit-risk-analysis-some-statisical-backgrounds.
23. Yusof, M. K., Khair, A. H., Jon Simon. Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies // Macrotheme Review. - 2015. - № 3. - Vol. 4. - P. 126-145.
24. PwC: Russian overview of economic crimes for 2016 [Electronic resource]. - Mode of access : http://www.pwc.ru/ru/forensic-services/publications/resc-2016.html.
25. State standard specification PISO/MEK 31010-2011 Management of risk. Risk evaluation methods. - M. : Standartinform, 2012.
УДК 657.6
Глущенко А. В., Червина Ю. Г.
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ СИСТЕМЫ ВНУТРЕННЕГО НАЛОГОВОГО КОНТРОЛЯ И УПРАВЛЕНИЯ РИСКАМИ НА ПРЕДПРИЯТИЯХ НЕФТЕПРОДУКТООБЕСПЕЧЕНИЯ
JEL-коды: М40; С19
Аннотация
В статье представлены результаты исследования, посвященные организации действий налогоплательщика по повышению эффективности системы внутреннего налогового контроля, усилению налоговой безопасности посредством управления налоговыми рисками. Авторами разработан алгоритм повышения эффективности организации внутреннего налогового контроля и управления рисками на предприятиях нефтепродуктообеспечения.
Ключевые слова
Внутренний налоговый контроль, налоговые риски, налоговая эффективность, налоговое планирование, налоговая оптимизация, бизнес-процесс, информационная безопасность.
Glushchenko A. V., Chervina Yu. G.
IMPROVING THE EFFICIENCY OF THE SYSTEMS OF INTERNAL TAX CONTROL AND RISK MANAGEMENT AT THE ENTERPRISES OF OIL PRODUCTS SUPPLY
Annotation
The article presents the results of a study on the organization of the taxpayer's actions to improve the effectiveness of the internal controls of the tax system, strengthening tax security by means of tax risk management. The algorithm of increase of efficiency of the organization of internal tax control and risk management at the enterprises of oil products supply is developed.
Keywords
Internal tax control, tax risks, tax efficiency, tax planning, tax optimization, business process, information security.
Стабильное финансовое положение любой организации во многом определяется величиной налоговых обязательств и существенностью налоговых рисков. В связи с этим важным элементом управления является контроль: именно «контроль связывает воедино все функции управления, позволяет выдерживать нужное направление деятельности организации и своевременно корректировать неверные решения [1, с. 6].
Современное российское законодательство предоставляет предприятию определенную свободу выбора способов
учета в соответствии со спецификой деятельности предприятия [2, с. 94]. В соответствии с п. 2 ст. 6 Закона о бухгалтерском учете исследуемые предприятия нефтепродуктообеспечения в целях повышения эффективности деятельности передали свои бизнес-процессы в части учетных функций специализированной организации - учетным региональным центрам (УРЦ), что позволяет предприятиям нефтепродуктообеспечения сконцентрировать все усилия на повышении результативных показателей основной деятельности. Но практика показывает, что
