CC BY
2
УДК 338.439
Иващенко С.В. студент
4курс, факультет «Корпоративной экономики и
предпринимательства» Новосибирский Государственный Университет
Экономики и Управления научный руководитель: Киселева А.В.
старший преподаватель Россия, г. Новосибирск
ПОСТРОЕНИЕ ИНТЕГРАЛЬНОГО ПОКАЗАТЕЛЯ ОЦЕНКИ ВЕРОЯТНОСТИ МАНИПУЛИРОВАНИЯ ДАННЫМИ БУХГАЛТЕРСКОЙ ОТЧЕТНОСТИ В СТОРОНУ ИХ ЗАВЫШЕНИЯ В КОМПАНИЯХ С ВИДОМ ЭКОНОМИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ «ПРОИЗВОДСТВО ПИЩЕВЫХ
ПРОДУКТОВ»
Аннотация: В рамках данной статьи проводится построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения в компаниях с видом экономической деятельности «Производство пищевых продуктов». Проведена апробация разработанной модели прогнозирования вероятности манипулирования данными финансовой отчетности в сторону завышения.
Ключевые слова: бухгалтерская отчётность, интегральный показатель, пробит - регрессия, манипулирование, модель M-Score, модель F-Score, финансовые коэффициенты.
Ivashchenko S.V.
student
4 year, department of Corporate Economics and
entrepreneurship Novosibirsk State University of Economics
and Management scientific adviser: Kiseleva A.V.
senior lecturer Russia, Novosibirsk
CONSTRUCTION OF AN INTEGRAL INDICATOR FOR ASSESSING THE PROBABILITY OF MANIPULATING ACCOUNTING DATA IN A
COMPANY WITH A TYPE OF ECONOMIC ACTIVITY "FOOD
PRODUCTION"
Annotation: In the framework of this article, an integral indicator is constructed for assessing the probability of manipulation of financial statements data in the direction of overstatement in companies with the type of economic
activity "Food Production ". The developed model for predicting the probability of manipulating financial reporting data in the direction of overstatement was tested.
Key words: financial statements, integral indicator, probit - regression, manipulation, M-Score model, F-Score model, financial ratios.
Очень сложно переоценить важность качественной достоверной информации, содержащейся в бухгалтерской отчетности. Именно на основе этой информации различные стейкхолдеры строят прогнозы развития компании, делают выводы об её состоянии, оценивают риски.
Обзор экономических преступлений за 2016 год показал, что размер сознательного искажения данных финансовой отчетности остается в РФ чрезвычайно высоким. Манипулирование данными бухгалтерского учета ведет к возникновению серьезных последствий, как для самой компании (возникновение прямых убытков от принятия хозяйственных решений, потеря доверия стейкхолдеров), так и для внешних пользователей этой информации, рискующими принять неверные экономические решения.
Широкое распространение проблемы манипулирования обусловлено отсутствием методик, позволяющих с высокой степенью достоверности выявлять факты искажения данных финансовой отчетности.
В ряде научных исследований делается вывод о том, что действующие в данный момент модели оценки вероятности манипулирования являются открытыми системами, в связи с чем они теряют свою предсказательную силу, поскольку компании имеют возможность приспосабливаться к ним [1,4].
Таким образом, необходимо обратить внимание на новый подход к выявлению манипулирования финансовой отчетностью, основанный на принципах динамической трансформации и отсутствия строгого детерминизма показателей: построение интегрального показателя оценки вероятности искажения бухгалтерской (финансовой) отчетности в сторону его завышения с учетом отраслевой специфики.
В данном исследовании выдвигается гипотеза о возможности построения интегрального показателя оценки вероятности искажения бухгалтерской (финансовой) отчетности в сторону его завышения с учетом отраслевой специфики.
Для проверки гипотезы и построения интегрального показателя была использована следующая методика [3,5].
На первом этапе необходимо было сформировать обучающие выборки. С этой целью, используя данные базы «СКРИН» [6], была сформирована изначальная выборка, состоящая из компаний с видом экономической деятельности «Производство пищевых продуктов» в количестве 1368 объектов. По результатам предварительного анализа, из их числа были исключены 360 компаний, не имеющих полной отчетности. Оставшиеся 1008 компании были оценены на предмет манипулирования с использованием методик M-Score Бениша и F-Score Слоуна.
Результаты расчета показателя M-Score были рассортированы и объединены в подгруппы. Итоги представлены в таблице 1.
Таблица 1 - Анализ достоверности бухгалтерской отчетности компаний с видом экономической деятельности «Производство пищевых продуктов» с использованием M-Score
Компании Общее количество компаний в выборке Общее количество компаний с достоверной бухгалтерской отчетностью Общее количество компаний с недостоверной бухгалтерской отчетностью
Всего, единиц 1008 223 785
Уд. вес , % 100% 22,1% 77,9%
Исходя из полученных результатов, компании в исследовательской выборке можно разделить на две группы. К первой группе относятся 22% компании, с достоверной бухгалтерской отчетностью с точки зрения M-Score М. Бениша.. Ко второй группе - 78% компаний с недостоверной отчетностью.
Далее по 1008 компаниям, попавшим в выборку был рассчитан F-Score Р. Слоуна. была проведена аналогичная работа - разбиение на подгруппы. Результаты расчета представлены в таблице 2.
Таблица 2 - Анализ проверки достоверности бухгалтерской отчетности компаний с видом экономической деятельности «Производство пищевых продуктов» с использованием модели F-Score Слоуна_
Компании Общее количество компаний в выборке Общее количество компаний с достоверной бухгалтерской отчетностью Общее количество компаний с не достоверной бухгалтерской отчетностью
Всего, единиц 1008 476 532
Уд.вес, % 100% 47,2 % 52,8 %
Расчет интегрального показателя F-Score позволил сделать выводы, что количество компаний в исследовательской выборке с достоверной отчетностью увеличилось почти в два раза.
Судя по результатам исследования - значение показателей M-Score и F-Score часто не совпадали в оценке одних и тех же компаний, что привело к необходимости сверки полученных значений, результаты которой представлены в таблице 3.
Таблица 3 - Сравнение результатов анализа по показателям M-Score и F-Score
Компании Общее Общее Общее количество Общее количество
количество количество компаний с компаний
компаний компаний с недостоверной имеющих
достоверной бухгалтерской достоверность или
бухгалтерской отчетностью, недостоверность
отчетностью, признанной двумя бухгалтерской
признанной методами отчетности,
двумя признанной только
методами одним из методов
Всего, единиц 1008 199 307 502
Доля, % 100% 19,7% 30,5% 49,8%
Далее для проверки выдвинутой гипотезы, используя полученные результаты, были сформированы обучающие выборки за 2017 г. В выборку вошли 80 компаний, из которых:
- 40 компаний, признанных манипуляторами в сторону завышения результатов деятельности в бухгалтерской отчетности, что было подтверждено одновременно проверкой моделями M-Score и F-Score;
- 40 компаний, признанных не искажающими данные бухгалтерской отчетности, что было подтверждено одновременно проверкой по моделям M-Score и F-Score.
На втором этапе методики был сформирован список финансовых показателей. В список вошли 48 финансовых показателей.
На третьем этапе методики из составленного списка финансовых показателей был проведен отбор значимых финансовых показателей.
Третий этап включил несколько фаз. Первоначально отбор производился с помощью критериев Колмогорова-Смирнова. В случаях, когда при уровне значимости равному 0,05 значение финансовых показателей в обучающих выборках не соответствовало гаусиану, то используется U-тест Манна-Уитни (Mann-Whitney U-test). Цель данного теста заключалась в сравнении законов распределения значений показателя в обучающих выборках. При существенных различиях законов распределения значений показателя в обучающих выборках он признается значимым в классификационных целях.
Проведенное исследование позволило сформировать окончательный список финансовых показателей, куда вошли следующие восемь финансовых коэффициентов:
- операционная прибыль / выручка (OP/SAL);
- чистая прибыль / выручка (NI/SAL);
- чистая прибыль / валовая прибыль (NI/GP);
- чистая прибыль / внеоборотные активы (NI/FA);
- (оборотные активы-запасы)/краткосрочные обязательства ((CA-INV)\CL);
- краткосрочные обязательства / активы; — (CL/TA);
- (оборотные активы - краткосрочные обязательства) / активы (WC\TA).
- запасы / выручка (INV/SAL);
На 4 этапе применяемой в данном исследовании методики было произведено определение параметров пробит- регрессии с помощью программы STATISTICA. Результаты анализа приведены в таблице 4.
Таблица 4 - Результаты расчета пробит-регрессии, построенной по данным 2017 года.
B0 OP\SAL NI\SAL NI/GP NI\FA (CA-INV)\CL WC\T A CL/T A INV\S AL
0,019 067 -4,55356 10,327 45 -0,041092 0,413 912 -0,007024 0,071 485 0,7041 07 1,095 024
Таким образом, рассчитанная модель прогнозирования вероятности манипулирования для организаций с видом экономической деятельности «Производство пищевых продуктов» имеет следующий вид:
Z=0,019-4,553X1+10,327X2-0,041X3+0,414X4-0,007X5+0,071Х6+
+0,704X7+1,095X8, (1)
где ,
Х1- коэффициент рентабельности продаж по прибыли до уплаты налогов (прибыль до уплаты налогов/выручка);
Х2 - коэффициент рентабельности продаж (чистая прибыль/выручка);
Х3 - коэффициент рентабельности активов (чистая прибыль/активы);
Х4 - коэффициент рентабельности внеоборотных активов (чистая прибыль/внеоборотные активы);
Х5 - коэффициент рентабельности собственного капитала (чистая прибыль/собственный капитал);
Х6 - коэффициент ликвидности ((оборотные активы-денежные средства)/краткосрочные обязательства);
Х7 - коэффициент денежной ликвидности (денежные средства/(краткосрочные обязательства +долгосрочные обязательства));
Х8 - коэффициент ликвидности (оборотные активы - краткосрочные обязательства)/активы.
Коэффициент Z используется для определения вероятности манипулирования на основе функции стандартного нормального распределения. Для интерпретации результатов используется бинарное значение 0 или 1, где 0 означает, что компания не является манипулятором, а 1 означает, что компания манипулирует данными финансовой отчетности в сторону завышения.
Таким образом, в результате проведенной работы была сформирована модель пробит регрессии, позволяющая прогнозировать вероятность манипулирования в сторону завышения организаций с видом экономической деятельности «Производство пищевых продуктов» в 2017 году.
Результаты проверки качества полученного в ходе исследований интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения, построенного по данным 2017 г. представлены в таблице 5.
Таблица 5 - Результаты проверки качества полученной модели
Наблюдения Классификация Проц. верн. : 65,75%
Предсказ. з. Предсказ. к. % правильн.
М 18 16 52,94118
Н 9 30 76,92308 _
В результате получено предсказательное измерение для двух групп компаний: процент предсказанных организаций-манипуляторов составляет 53%, а у компаний, признанных не манипуляторами, составляет 77%, что говорит о точности сформированной модели (процент применимости модели выше 65%)
Результаты проведенного исследования позволили полностью подтвердить гипотезу о возможности построения интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения, имеющего высокий уровень качества.
Для проведения апробации разработанной модели выявления фактов манипулирования с помощью базы данных «СКРИН» была сформированная информационная база финансовой отчетности 1368 компаний с видом экономической деятельности «Производство пищевых продуктов» за 2017 год. В выборке представлены компании независимо от организационно-правовой формы осуществления деятельности. При проведении дальнейшего исследования из данной выборки были исключены организации, по отчетности которых невозможно было рассчитать необходимые финансовые показатели.
В результате модель пробит - регрессии была применена к 1008 компаниям с основным видом экономической деятельности «Производство пищевых продуктов», независимо от организационно-правовых форм. Результат проверки представлен на рисунке 1.
Рисунок 1 - Распределение компаний с видом экономической деятельности «Производство пищевых продуктов» по вероятности манипулирования данными финансовой отчетности в сторону завышения. Полученные по расчету данные указывает на высокую вероятность манипулирования компаний в отрасли (более 70%) среди 46,3 % представленных в выборке компаний.
Применение данного показателя позволит минимизировать риски стейкхолдеров при принятии ими управленческих решений и повысить эффективность их работы.
Использованные источники:
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. Алексеев М.А., Фрейдина Е.В., Глинский В.В., Лихутин П.Н., Савельева М.Ю., Дудин С.А. Робастная устойчивость экономических систем // Новосибирск 2018.
3. Дудин С.А., Савельева М.Ю., Максименко И.Н. Построение интегрального показателя оценки вероятности искажения финансового результата в бухгалтерской отчетности компании в сторону его завышения // Экономический анализ: теория и практика. 2018. Т. 17 №6 (477). С. 1161 -1177.
4. Савельева М.Ю., Вьюжанина И.И. Сравнительная характеристика подходов по выявлению манипулирования финансовой отчетностью // Экономика и бизнес: теория и практика.2018. №12-2. С. 58-60.
5. Савельева М.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.
6. Система «СКРИН» [электронный ресурс] - Режим доступа: http://www.Skrin.ru/ (дата обращения 20.04.2019)
