CC BY
13
ПОСТРОЕНИЕ ИНТЕГРАЛЬНОГО ПОКАЗАТЕЛЯ ОЦЕНКИ ВЕРОЯТНОСТИ
МАНИПУЛИРОВАНИЯ ДАННЫМИ БУХГАЛТЕРСКОЙ ОТЧЕТНОСТИ ДЛЯ КОМПАНИЙ С РАЗНЫМ ВИДОМ ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ
А.И. Волошина, студент Е.Д. Захарова, студент М.К. Санькова, студент
Новосибирский государственный университет экономики и управления (Россия, г. Новосибирск)
DO1: 10.24411/2411-0450-2019-11302
Аннотация. Данная статья посвящена вопросам манипулирования данными бухгалтерской отчетности. Всем пользователям бухгалтерской (финансовой) отчетности для принятия объективных экономических решений необходимо быть уверенными в качестве экономической информации, представленной в отчетности. Однако анализ применимости действующих зарубежных моделей оценки вероятности манипулирования данными бухгалтерской отчетности свидетельствует по ряду причин об их низкой эффективности. В этой связи необходимо продолжить формирование методологической базы оценки степени манипулирования бухгалтерской отчетностью, которая будет способствовать повышению ее достоверности. Одним из перспективных направлений в решении обозначенной проблемы является построение результирующей вероятностной модели интегрального показателя манипулирования бухгалтерской отчетностью. Так, в данной статье изложен определенный пошаговый алгоритм действий, позволяющий оценить качество составления бухгалтерской отчетности. Используя данный алгоритм, было проведено построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство машин и оборудования». Также было доказано, что интегральный показатель оценки вероятности манипулирования данными бухгалтерской отчетности имеет отраслевой характер.
Ключевые слова: бухгалтерская отчетность, достоверность данных бухгалтерской отчетности, манипулирование данными бухгалтерской отчетности, финансовые коэффициенты, пробит-регрессия оценки вероятности манипулирования данными бухгалтерской отчетности.
В современных условиях развития мировой экономики манипулирование бухгалтерской отчетностью стало одним из условий успешного функционирования компаний, поскольку реальные результаты хозяйственной деятельности не всегда столь привлекательны для различных стейкхолдеров.
Манипулирование бухгалтерской отчетностью относится к одной из серьезнейших проблем финансового менеджмента. Как и любая серьезная проблема в этой сфере, она требует комплексного подхода к ее решению.
Одним из способов решения обозначенной проблемы может стать разработка но-
вых подходов оценки достоверности бухгалтерской (финансовой) отчетности.
Так, цель данного исследования была сформулирована как построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с разным видом экономической деятельности.
Для детализации цели были поставлены и решены следующие задачи:
1. Описать определенный пошаговый алгоритм действий построения интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности;
2. Осуществить построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство машин и оборудования», сделать соответствующие выводы;
3. Осуществить построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство и распределение электроэнергии, газа и воды» и «Химическое производство», сравнить полученные результаты, сделать соответствующие выводы.
Итак, определенный пошаговый алгоритм действий включает в себя 4 этапа, а именно [1, 2,4]:
1. Предварительный отбор компаний для формирования выборки, которая в дальнейшем будет использована для построения интегрального показателя;
2. Формирование обучающей выборки. Включает в себя выявление компаний, завышающих результаты своей деятельности в бухгалтерской отчетности, используя при этом в качестве ключевого параметра оценки сравнение значений интегральных показателей M-Score и F-Score;
3. Отбор финансовых показателей. На данном этапе формируется список значимых финансовых показателей. Отбор производился с помощью критериев Колмогорова-Смирнова, U-теста Манна-Уитни и критерия Стьюдента. В результате отбора выявляются коэффициенты, которые являются наиболее значимыми для дальнейшего исследования;
4. Построение модели пробит-регрессии и проверка полученных результатов. Включает в себя построение модели про-бит-регрессии и определение ее параметров в программе STATISTICA.
На первом этапе были сформированы выборки за 2017 год. Используя данные базы «СКРИН» [5], была определена изначальная выборка, состоящая из компаний с видом экономической деятельности «Производство машин и оборудования» в коли-
честве 745 объектов. По результатам предварительного анализа, из их числа были исключены 245 компаний, не имеющих полной отчетности. Оставшиеся 500 компании были оценены на предмет манипулирования с использованием методик М-Score Бениша и F-Score Слоуна.
Второй этап алгоритма был реализован по результатам расчетов показателей М-Score Бениша и F-Score Слоуна.
Результаты, полученные после расчета M-Score, позволили разделить компании в исследовательской выборке на две группы. Первая группа с достоверной бухгалтерской отчетностью с точки зрения М^шге М. Бениша включала в себя 206 компании, вторая группа с недостоверной отчетностью 294 [1, 2, 4].
По результатам расчета F-Score компании были разделены на 2 группы аналогичным образом. Первая группа с достоверной бухгалтерской отчетностью включала в себя 113 компании, вторая группа с недостоверной отчетностью 387 [2].
Сравнение результатов двух методик позволило сделать вывод о расхождении значений показателей М^соге и F-Score, что привело к необходимости сверки полученных значений, результаты которой представлены в таблице 1.
По итогам сверки были сформированы окончательные обучающие выборки. В каждую из выборок вошло:
- 40 компаний, признанных манипуляторами в сторону завышения результатов деятельности в бухгалтерской отчетности, что было подтверждено одновременно проверкой моделями М^соге и F-Score;
- 40 компаний, признанных не искажающими данные бухгалтерской отчетности, что было подтверждено одновременно проверкой по моделям М^соге и F-Score.
Третий этап исследования предполагал формирование списка финансовых показателей. В список вошли 48 финансовых коэффициентов, которые, как правило, используются для оценки финансового состояния компаний.
Далее из составленного списка финансовых показателей был проведен отбор наиболее значимых с помощью программы STATISTICA. Отбор финансовых по-
казателей осуществлялся на основе про- делению с помощью теста Колмагорова-верки значений соответствующего показа- Смирнова, и-теста Манна-Уитни. теля на подчинение нормальному распре-
Таблица 1. Сравнение результатов анализа по показателям M-Score и F-Score
Компании Общее количество компаний Общее количество компаний с достоверной бухгалтерской отчетностью, признанной двумя методами Общее количество компаний с недостоверной бухгалтерской отчетностью, признанной двумя методами Общее количество компаний имеющих достоверность или недостоверность бухгалтерской отчетности, признанной только одним из методов
Всего, единиц 500 63 161 276
Доля, % 100% 12,6% 32,2% 55,2%
Отобранные финансовые показатели были проверены на мультиколлинеарность с помощью программы STATISTICA.
В результате исследования был сформирован окончательный список финансовых показателей, куда вошли следующие восемь финансовых показателей:
- операционная прибыль / выручка (OP/SAL);
- чистая прибыль / выручка (NI/SAL);
- чистая прибыль / активы (ROA);
- чистая прибыль / внеоборотные активы (NI/FA);
- чистая прибыль / собственный капитал (ROE);
- (оборотные активы-запасы)/краткосрочные обязательства ((CA-INV)\CL);
- денежные средства / (краткосрочные обязательства + долгосрочные обязательства) (CACH\TL);
- (оборотные активы-краткосрочные обязательства) / активы (WC\TA).
Следующим этапом исследования было определение параметров пробит- регрессии с помощью программы STATISTICA. Результаты представлены в таблице 2. Интегральный показатель оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство машин и оборудования» имеет вид (1).
Y = -1,14 - 12,58 * — + 14,43 * — - 11,02 * ROA +
SAL SAL
o nr. NI i ^ r>r nnc i n no (CA-INV) - __ CASH _ WC
3,99 *--V 2,36 * ROE + 0,93 *-- 1,29 *--1- 0,68 * —
FA CL TL ТА
(1)
Результаты проверки качества полученного в ходе исследований интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения позволили сделать вывод, что интегральный показатель выявляет факты манипулирования с вероятностью более 80%.
Таблица 2. Результаты расчета пробит-регрессии для компаний с видом экономической деятельности «Производство машин и оборудования»_
Const.B0 OP\SAL NI\SAL ROA NI\FA ROE (CA-INV)\CL CACH\TL WC\TA
-1,14072 -12,5827 14,42792 -11,0192 3,993323 2,362314 0,927732 -1,29276 0,682947
Для решения следующих были произведены расчеты интегральных показателей оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения за 2017 г. для компаний с видом экономической деятельности «Химическое производство» и «Производство и распределение электроэнергии, газа
и воды» с использованием ранее описанного пошагового алгоритма действий.
Результаты расчета пробит-регрессий для компаний с видом экономической деятельности «Химическое производство» и «Производство и распределение электроэнергии, газа и воды» представлены в таблице 3 и 4 соответственно и свидетельст-
вуют о том, что состав и вес показателей в пробит-регрессиях различны.
Интегральные же показатели для рассматриваемых видов экономической деятельности имеют вид (2, 3):
Y = -0,24 + 0,39 * — - 0,001 * — +
TA FA
2,13 * — — 2,56 * — — 0,79 * -i-
TA TA TA
2,33 * —- 0,37 * — (3)
TA TL
Y= —1,86 + 0,36 *
SAL
1,11*
WC
РА ТА
ЕВТ N1
-0,9. —+414.-
ЯЕ
+ 1.07*— (2)
Таблица 3. Результаты расчета пробит-регрессии для компаний с видом экономической деятельности «Химическое производство»
Const.BG SAL/FA WC/TA EBT/FA NI/FA RE/TA
Estimate -1,8634G 0,356970 -1,10813 -G,9G1864 2,142743 1,067918
Таблица 4. Результаты расчета пробит-регресси для компаний с видом экономической деятельности «Производство и распределение электроэнергии, газа и воды»
Const, BG CL/TA SAL\FA FA\TA CA\TA (INV+REC)\TA REC\TA CL\TL
Estimate -G,244G96 0,399197 -G,GGG798 2,124894 2,55471 -G,793449 2,325774 G,367G42
для отрасли «Производство и распределение электроэнергии, газа и воды» - более 70%.
Таким образом, мы пришли к выводу о том, что интегральный показатель оценки вероятности манипулирования учитывает отраслевую специфику.
Высокое качество интегральных показателей оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения было подтверждено результатами проверки, которая установила, что модель для отрасли «Химическое производство» выявляет факты манипулирования с вероятностью более 80%,
Библиографический список
1. Алексеев М.А., Савельева М.Ю., Дудин С.А. Критический анализ развития методов оценки качества финансовой отчетности // Вестник НГУЭУ. - 2018. - №3. - С. 144-161.
2. Робастная устойчивость экономических систем: моногр. / Новосиб. гос. ун-т экономики и упр.; М.А. Алексеев, Е.В. Фрейдина, В.В. Глинский [и др.]; науч. ред. М.А. Алексеев. - Новосибирск: НГУЭУ, 2018.
3. Министерство энергетики Российской Федерации. - [Электронный ресурс]. - Режим доступа: https://minenergo. gov. ru/
4. СавельеваМ.Ю., Дудин С.А., Тренихина А.В. Методические аспекты построения показателя выявления искажения результатов деятельности компании // Вестник Российского экономического университета им. Г.В. Плеханова. - 2018. - №5 (101). - С. 76-86.
5. База данных по российским компаниям, отраслям и регионам. - [Электронный ресурс]. - Режим доступа: http://www.Skrin.ru.
6. Ромашкина М., Объем инвестиций в химическую отрасль РФ в 2018 году. - [Электронный ресурс]. - Режим доступа: https://oilcapital.ru/article/general/07-12-2018 (дата обращения 22.03. 2019).
7. Статистический бюллетень ЕФРСБ - 2017. - [Электронный ресурс]. - Режим доступа: http://download.fedresurs.ru/news (дата обращения 22.03. 2019).
8. Федеральная служба государственной статистики. - [Электронный ресурс]. - Режим доступа: http://www.gks.ru (дата обращения 22.03. 2019).
9. Центр макроэкономического анализа и краткосрочного прогнозирования. - [Электронный ресурс]. - Режим доступа: http://www.forecast.ru (дата обращения 06.03. 2019).
BUILDING AN INTEGRAL INDICATOR OF THE EVALUATION OF THE PROBABILITY OF MANIPULATING THE DATA OF ACCOUNTING REPORTING FOR COMPANIES WITH DIFFERENT KINDS OF ECONOMIC ACTIVITY
A.I. Voloshina, Student E.D. Zakharova, Student M.K. Sankova, Student
Novosibirsk State University of Economics and Management (Russia, Novosibirsk)
Abstract. This article is devoted to the issues of manipulating financial statements. All users of accounting (financial) statements to make objective economic decisions need to be sure of the quality of the economic information presented in the statements. However, the analysis of the applicability of the use of existing foreign models for assessing the probability of manipulation offinancial statements indicates, for a number of reasons, their low efficiency. In this regard, it is necessary to continue the formation of a methodological base for assessing the degree of manipulation of financial statements, which will help increase its reliability. One of the promising directions in solving the indicated problem is the construction of the resulting probabilistic model of the integrated indicator of manipulation of financial statements. So, this article sets out a specific step-by-step algorithm of actions that allows you to evaluate the quality of the preparation of financial statements. Using this algorithm, we constructed an integral indicator for assessing the probability of manipulation of accounting data in the direction of overstatement for companies with the type of economic activity "Manufacture of machinery and equipment". It was also proved that the integral indicator of assessing the probability of manipulation of accounting data is industry specific.
Keywords: financial statements, accuracy of financial statements data, manipulation of financial statements data, financial ratios, probit-regression estimates of the probability of manipulating financial statements data.
