Возможность выявления мошенничества в финансовой отчетности Текст научной статьи по специальности «Экономика и бизнес»

УДК 336.02

Ч.Энхбаяр

Монгольский государственный университет, г. Улан-Батор, Монголия С. Цолмон

Монгольский государственный университет, г. Улан-Батор, Монголия

ВОЗМОЖНОСТЬ ВЫЯВЛЕНИЯ МОШЕННИЧЕСТВА В ФИНАНСОВОЙ ОТЧЕТНОСТИ

АННОТАЦИЯ. В последние годы западные исследователи занимаются разработкой моделей по обнаружению мошенничества при составлении финансовой отчетности. Однако эти модели действуют по разному, так как в каждой стране существуют специфические особенности в сфере экономики, бизнеса, налогово-правовых отношений и т. д. Кроме того, в научной литературе описываются различные подходы к мошенничеству в определенных ситуациях. В статье проанализированы методы выявления мошенничества при составлении финансовой отчетности в разных странах с помощью эконо-метрических моделей. В качестве одного из эффективных методов противодействия мошенничеству — искажению финансовой отчетности рассмотрена теория «треугольника мошенничества», а также статистическая модель — логистическая регрессия. Опираясь на методологии зарубежных исследователей, предпринята попытка разработать модельфинансового анализа для выявления фактов фальсификации финансовой отчетности, которая учитывает особенности развития экономики Монголии. КЛЮЧЕВЫЕ СЛОВА. Финансовая отчетность; мошенничество; треугольник мошенничества; логистическая регрессия; линейная вероятность.

ИНФОРМАЦИЯ О СТАТЬЕ. Дата поступления 26 мая 2015 г.; дата принятия к печати 8 июня 2015 г.; дата онлайн-размещения 30 июля 2015 г.

Ch. Enkhbayar

Mongolian State University, Ulan-Bator, Mongolia S. Tsolmon

Mongolian State University, Ulan-Bator, Mongolia

POSSIBILITY OF DETECTING FRAUDULENT PRACTICES IN FINANCIAL STATEMENTS

ABSTRACT. Over recent years western researchers have been working actively at developing models for detecting fraudulent practices in preparation of financial reports. However, these models can act differently in each country as each country has its own features in the sphere of economy, business, taxation and legal relations, and so on. Besides, there are various approaches to fraudulent practices in certain situations. The article analyses methods of detecting fraudulent practices in preparation of financial reports in various countries with help of econometric models. As one of effective methods of fraud management in distorting financial statements, the article considers the theory of «fraud triangle», as well as a statistical model — the logistic regression. Relying on methodologies of foreign researchers, an effort is made to develop a financial analysis model for identifying facts of financial statement falsification which takes into account Mongolia's development features. KEYWORDS. Financial statements; fraudulent practices; fraud triangle; logistic regression; linear probability.

ARTICLE INFO. Received May 26, 2015; accepted June 8, 2015; available online July 30, 2015.

В результате мошенничества в финансовой отчетности могут вокникать такие негативные последствия, как неисправность деятельности предприятия, сомнение в финансовых показателях у инвесторов, уменьшение иностранных инвестиций и поступлений налоговых доходов, рост коррупции, снижение национальной экономики, увеличение затрат на контроль и др. [1; 3].

© Ч. Энхбаяр, C. Цолмон

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

В законодательстве Монголии неправильное определение мошенничества в финансовой отчетности является одним из актуальных вопросов в области финансов. Так, например, в 2006-2014 гг. зафиксировано 545 правонарушений в общей сумме на 15,5 млрд туг. При этом из года в год увеличивается число налогоплательщиков, нарушающих законы. По мнению аналитика исследовательского центра Верховного Суда Б. Айбека, к наиболее существенным правонарушениям в финансовой отчетности на предприятиях можно отнести такие преступления, как открытие расчетных счетов в разных коммерческих банках, увеличение наличных и бартерных операций, повышение затрат, уничтожение платежных документов, т. е. ситуация, связанная с мошенничеством в финансовой отчетности, так и не улучшается. Возникшую ситуацию можно объяснить прежде всего слабыми санкциям по данному правонарушению, стремлением предпринимателей получить сверхприбыль и огромные инвестиции. Она связана также с деятельностью финансовых работников, в том числе бухгалтеров и руководителей, которые из-за нехватки профессионализма и навыков в области бухучета и налогов совершают постоянные ошибки [2; 4; 5].

Однако эта проблема актуальна не только для Монголии, она наблюдается и в других странах, поэтому множество научных исследований посвящено решению данного вопроса, до сих пор продолжают разрабатываться модели по выявлению мошенничества в финансовой отчености.

Так, у N. Brennan и M. McGrath основной целью исследования является определение субъекта финансового мошенничества и установление влияния финансовых показателей. По их мнению, 85 % финансовых преступлений совершаются генеральным директором, 65 % — исполнительным директором, 50 % — начальником финансового отдела, 64 % — главным бухгалтером [7].

C. Harrington для выявления ошибок в финансовой отчетности разработал такие показатели, как индекс роста SGI, индекс общей прибыли GMI, индекс ценности активов AQI, индекс выручки и управленческих расходов [8].

S. Kotsiantis, E. Koumanakos, D. Tzelepis и V.Tampakas оценили по 25 финансовым показателям 41 финансовых отчетностей с неправильными отражениями, 123 правильных финансовых отчетностей, используя K2, C4.5, 3NN, RBF, RIPPER, LR, SMO модели. В результате надежность этих моделей составила более 80 %, а выявление ошибок в финансовой отчетности с неправильными отражениями около 90 % [10].

C. Spathis исследовал 76 компаний обрабатывающей промышленности, используя модель логистического регресса. В результате он установил, что главной переменной при выявлении мошенничества выступает индекс Альтмана Z и его среднее значение (6,292) выше всех других, за ним следуют соотношения «чистая прибыль / активы», «рабочий капитал / активы», «кредиторская задолженность / активы» и «чистая выручка / активы» [13].

B. Bai, J. Yen, X. Ynag проанализировали 24 финансовых отчета с ошибками и 124 финансовых отчета без ошибок, используя модели логистического регресса и CART, и установили 24 фактора, которые могут сильно повлиять на финансовое мошенничество [6].

В исследовании Е. Kirkos, С. Spathis и Y. Manolopoulos использованы модели Neural Networks (NN) и Bayesian Belief Network (BBN). По их мнению, модель NN обнаруживает финансовые отчетности с ошибками на 82,5 %, без ошибок — на 77,5 %, а модель BBN — на 91,7 и 88,9 % соответственно^].

Кроме того, большинство исследователей рекомендовали для выявления мошенничества в финансовой отчетности использовать не только количественные финансовые показатели, но и качественные составляющие.

На основе исследований E. Kirkos (2005), L. Lara (2009), C. Spathis (2002), B. Bai, J. Yen, X. Ynag (2008) была разработана авторская модель для выявления мошенничества в финансовой отчетности, так как перечисленные ученые использовали модели, основанные на учете количественных факторов. При этом вызвало затруднение выявить качественные показатели компаний, которые в своей деятельности использовали только финансовые.

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

Для исследования выбрали 370 листинговых компаний на фондовой бирже Монголии, 113 акционерных компаний из обрабатывающей отрасли и 257 из промышленности. На основе данных финансового состояния этих компаний за 2000-2011 гг. использовали модели Ложит, Пробит и линейного регресса. Данные модели больше подходят для таких исследований, они выдают мало ошибок и более точный прогноз, поэтому исследователи широко используют их в своих расчетах.

При группировке переменных зависимая переменная (или переменная Dummy) является качественной переменной и относится к 0 — неправильное отражение финансовой отчетности, к 1 — правильное отражение финансовой отчетности. При выборе зависимых переменных использовали показатели аудированных финансовых отчетностей и индексы C. Harrington [8]. Группировку переменных проверили с помощью следующих моделей:

- модель 1 «Detection of Fraudulent Financial Statementsthrough the use of Data Mining Techniques» (E. Kirkos, C. Spathis);

- модель 2 «The Power of Financial Ratios in Dedecting Fraudulent Financial Reporting» (L. Lara);

- модель 3 «Detecting false financial statements using published data: some evidence from Greece» (C. Spathis);

- модель 4 «False Financial Statements: Characteristics of China's Listed Companies and Cart Detecting Approach» (B. Bai, J. Yen, X. Ynag).

При анализе выяснилось: модель 4 показывает, что из 370 выбранных отчетностей 340 (91,89 %) не содержат ошибок, а в оставшихся 30 они присутствуют; модель 1 подтверждает 34 отчетности с ошибками; модель 2 — 32; модель 3 — 47. При выборе независимых переменных (табл. 1) также применили названные модели, количественные показатели отчетностей, а также финансовые отношения, которые распространены в исследованиях по данному направлению, и отметили их следующим образом:

Ri(i = 1, ..., 21),

где R1 — выручка / активы; R2 — краткосрочная задолженность / выручка и т. д.

Таблица 1

Независимые переменные

Независимые переменные Среднее значение Отклонение Корреляция, ' %

Выручка / активы Rl 0,854 4,891 0 15,3

Краткосрчная задолженность / выручка R2 6,396 56,457 8 2,1

Задолженность / выручка R3 7,047 56,500 1 -0,8

Чистая прибыль / выручка R4 2,053 33,345 9 2,1

Чистая прибыль / совокупные активы R5 0,051 0,982 2 18,4

Сырье и материалы / выручка R6 4,637 57,388 1 1,9

Сырье и материалы / оборотные средства R7 0,463 0,246 4 13,4

Денежные средства / выручка R8 0,767 12,912 7 1,5

Денежные средства / оборотные средства R9 0,052 0,086 6 1,2

Операционные расходы / выручка R1o 4,612 75,462 3 1,6

Управленческие расходы / выручка R11 1,113 17,098 1 1,7

Внеоперационные расходы / выручка R12 1,136 19,348 5 1,6

Нераспределенная прибыль / активы R13 0,026 0,471 5 7,4

Нераспределенная прибыль / оборотные средства R14 0,283 1,629 7 -4,8

Недвижимость / активы R15 0,552 0,251 0 -10,7

Задолженность / собственный капитал R16 0,777 8,830 8 -13,2

Дебиторская задолженность / чистый доход R17 12,407 172,147 9 1,9

Рабочий капитал / активы R18 0,096 0,424 3 -6,3

Прибыль / активы R1g 0,090 0,757 9 19,6

Задолженность / активы R20 0,428 0,447 9 -23,0

Индекс Альтмана R21 7,779 26,526 9 6,7

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

Исходя из значения зависимой переменной Fraud, оценку 1 присвоили 341 финансовой отчетности без ошибок, а оценку 0 — для оставшихся 29 с ошибками. Результат оценки модели Ложит (табл. 2) получили из уравнения

Fraud = P = E( Fraud = 1| R) =

„■-LMF

1 + e

(Pi +PA )

где Ri — независимая переменная; e = 2,718 28; p1 — свободный коэффициент; Pj — соответствующий коэффициент для независимых переменных.

При этом вероятность показателя Fraud = 1 будет,а вероятность Fraud = 0 —

(1 - Pi).

Результат оценки модели Ложит

Таблица 2

Независимая переменная Параметры Стандартная ошибка г-статистика Вероятность

C 37,753 380 11,986 240 3,149 727 0,001 6

Ri 3,880 378 1,319 634 2,940 496 0,003 3

Rs -0,231 497 0,080 720 -2,867 924 0,004 1

R4 0,370 263 0,143 486 2,580 492 0,009 9

R5 22,086 530 7,098 894 3,111 264 0,001 9

R12 5,681 962 2,076 004 2,736 970 0,006 2

Ri4 -1,258 203 0,659 545 -1,907 684 0,056 4

Ri5 -41,756 200 13,379 140 -3,120 992 0,001 8

R16 -0,264 487 0,142 795 -1,852 220 0,064 0

R18 -33,182 220 9,617 516 -3,450 186 0,000 6

R20 -8,058 814 3,587 568 -2,246 317 0,024 7

R21 1,118 439 0,486 514 2,298 884 0,021 5

LR statistic (11 df) 169,562 500 McFadden R-squared McFadden R-squared 0,833 865

Probability (LR stat) 0,000 000 S,E, of regression S,E, of regression 0,118 893

Зависимая переменная LMF.

По сравнению с моделью Пробит и другими регрессионными моделями результат модели Ложит получается высоко значимый и имеет мало ошибок, поэтому в дальнейшем для исследования будем использовать именно данную модель. По указанной модели из 21 выбранных факторов 11 статистически значимы. Была сделана проверка разницы этих 11 показателей между Dep = 0, или отчетности с неправильными отражениями (FFT), и Dep = 1, или отчетности с правильными отражениями (NFFT), по i-тестам и стандартным отклонениям (табл. 3). В результате выявили, что влиящие факторы на финансовое мошенничество сильно отличаются у отчетностей FFT и NFFT. При этом у отчетностей FFT стандартное отклонение показателей Л1, R14, R16 особенно высоко.

Таблица 3

Статистические показатели FFTu NFFT

Variable Mean Standard Deviation i-тест средных

Dep = 0 Dep = 1 All Dep = 0 Dep = 1 All

R1 8,656 6,910 7,047 9,704 58,792 56,500 0,477

R3 -0,377 2,259 2,053 0,760 34,730 33,346 -1,398

R4 -0,668 0,002 -0,051 3,474 0,134 0,982 -1,039

R5 0,080 1,225 1,136 0,084 20,154 19,348 -1,050

R12 0,549 0,261 0,283 4,128 1,213 1,630 0,374

R14 0,644 0,544 0,552 0,199 0,254 0,251 2,542

R15 4,773 0,437 0,777 30,036 2,977 8,831 0,777

R16 0,188 0,088 0,096 0,271 0,434 0,424 1,796

R18 0,781 0,398 0,428 0,320 0,445 0,448 5,974

R20 1,725 8,294 7,779 5,804 27,523 26,527 -3,571

R21 3,417 0,636 0,854 17,360 0,733 4,891 0,863

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

Результат теста в табл. 4 показывает, что описываемая модель на 98,6 % дает точный прогноз. Кроме того, 86,2 % FFT объясняет о том, что они имеют ошибки, и 99,7 % NFFT — что они не имеют ошибок.

Таблица 4

Вероятностное значение модели

Parameter Estimated Equation Constant Probability

Dep = 0 Dep = 1 Total Dep = 0 Dep = 1 Total

P (Dep = 1) < C 25 1 26 0 0 0

P (Dep = 1) > C 4 340 344 29 341 370

Total 29 341 370 29 341 370

Correct 25 340 365 0 341 341

Correct, % 86,21 99,71 98,65 0,00 100,00 92,16

Incorrect, % 13,79 0,29 1,35 100,00

Prediction Evaluation (success cutoff C = 0,5).

Из 341 NFFT 327 отчетности или 95,9 % выше 0,946 854, из 29 FFT 18 отчетности или 69,2 % ниже 0,0209 66 и значение разработанной нами модели выявления мошен-ничства в финансовой отчетности выглядит следующим образом:

Fraud =

1

1 + е-LMF'

здесь значение LMF получется по оценке модели Ложит

LMF = 37,753 379 9 + 3,880 378 401R1 + 22,086 531 89R5 - 0,231 497 454 9R3 +

+ 0,370 263 270 9R4 + 5,681 962 07R12 - 1,258 202 798R14 - 41,756 197 55R15 -

- 0,264 487 021 5R16 - 33,182 221 02R18 - 8,058 814 411R20 + 1,118 439 251R21.

Интервал данной модели заключается в следующем:

- Fraud > 0,946 854 — отчетности не имеют ошибки;

-0,685 71 < Fraud < 0,946 854 — вероятность без ошибок на 88,3 %;

- 0,428 579 < Fraud < 0,685 71 — сомнительные отчетности;

- 0,020 966 < Fraud < 0,428 579 — вероятность ошибок 88,9 %;

- Fraud < 0,020 966 — ошибочно отраженные отчетности.

Следует заметить, что нашими исследованиями интересуются государственные органы, в том числе и налоговые. Так, в Генеральном налоговом департаменте Монголии проводили проверку на основе предоставленных Министерством финансов Монголии финансовых отчетностей 188 компаний. В данной проверке участвовал и наш коллектив для тестирования получаемых прогнозов. Результат проверки оказался неплохим. По нашим исследованиям было обнаружено 157 отчетностей с ошибками, а результаты проверки налоговым органом выявили 138 (89,9 %) отчетностей с ошибками. Наше исследование показало, что без ошибок составлена 31 отчетность, а результат теста в налоговом органе — 10 (32,3 %), т. е. можно сказать, что способность предсказания нашей модели на 78,7 % оправдана на практике.

Таким образом, проведенное исследование показывает возможность выявления мошенничества в финансовых отчетностях с помощью эконометрических моделей. Однако финансовые мошенничества, совершаемые в разных странах, могут отличаться друг от друга в зависимости от экономического состояния, налоговых и других правовых сфер.

Список использованной литературы

1. Сорокина Е. М. Бухгалтерская и финансовая отчетность организаций : учеб. пособие для вузов / Е. М. Сорокина. — 2-е изд. — М. : Финансы и статистика, 2008. — 188 с.

2. Сорокина Е. М. Об условиях перехода российских организаций на международные стандарты финансовой отчетности / Е. М. Сорокина // Известия Иркутской государственной экономической академии. — 2009. — № 5 (67). — С. 82-88.

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

3. Сотникова Л. В. Мошенничество с финансовой отчетностью: выявление и предупреждение : монография / Л. В. Сотникова. — М. : Бухгалтерский учет, 2011. — 208 с. — (Библиотека журнала «Бухгалтерский учет». Вып. 4).

4. Устинова Я. И. Креативный учет: творческий подход или откровенное мошенничество? / Я. И. Устинова, А. А. Шапошников // ЭКО. — 2011. — № 11. — С. 174-181.

5. Шильникова Г. Г. Финансовая отчетностькак инструмент формирования рыночных отношений / Г. Г. Шильникова // Перспективы российских экономических реформ XXI века : материалы междунар. науч.-практ. конф. — Иркутск : Изд-во БГУЭП, 2000. — Ч. 1. — С. 45-47.

6. Bai B. False financial statements; Characteristics of China's listed companies and cart detecting approach / B. Bai, J. Yen, X. Ynag // International Journal of Information Technology & Decision Making. — 2008. — Vol. 7, № 2. — P. 339-359.

7. Brennan N. Financial statement fraud: soma lessons from US and European case studies / N. Brennan, M. McGrath // Australian Accounting Review. — 2007. — Vol. 17, № 2. — P. 49-61.

8. Harrington C. Formulas for detection. Analysis ratios for detecting financial statement fraud / C. Harrington // Fraud Magazine, Association of Certified Fraud Examiners. — 2005. — March/April.

9. Kirkos E. Detection of Fraudulent Financial Statements though the use of Data Mining Techniques / E. Kirkos, C. Spathis, Y. Manolopoulos // 2nd International Conference on Enterprise Systems and Accounting 2005 July 11-12, Thessaloniki, Greece. — Thessaloniki, 2005. — P. 310-325. — URL : http://delab.csd.auth.gr/papers/ICESA05ksm.pdf.

10. Kotsiantis S. Forecasting Fraudulent Financial Statements using Data Mining / S. Kot-siantis, E. Koumanakos, D. Tzelepis, V. Tampakas. International Journal of Computational Intelligence. — 2006. — Vol. 3, № 2. — P. 104-110.

11. Salehi M. Firm size and audit regulation and fraud detection: empirical evidence from Iran / M. Salehi, A. Mansoury, R. Pirayesh // ABAC Journal. — 2009. — Vol. 29, № 1. — P. 53-65.

12. Skousen J. Detecting and predicting financial statement fraud: The effectiveness of the fraud triangle and SAS No. 99 / J. Skousen, R. Smith, J. Wright // Advances in Financial Economics. — 2009. — Vol. 13. — P. 53-81.

13. Spathis C. Detecting false financial statements using published data: some evidence from Greece / C. Spathis //Managerial Auditing Journal. — 2002. — Vol. 17, № 4. — P. 179-191.

References

1. Sorokina E. M. Bukhgalterskaya i finansovaya otchetnost' organizatsii [Accounting and financial statement of organizations]. 2nd ed. Moscow, Finansy i statistika Publ., 2008. 188 p.

2. Sorokina E. M. On conditions of the Russian organizations' transition to international standards of financial accounting. Izvestiya Irkutskoy gosudarstvennoy ekonomicheskoy akademii = Iz-vestiya of Irkutsk State Economics Academy, 2009, no. 5 (67), no. 82-88. (In Russian).

3. Sotnikova L. V. Moshennichestvo s finansovoi otchetnost'yu: vyyavlenie ipreduprezhdenie [Financial statement fraud: detection and prevention]. Moscow, Bukhgalterskii uchet Publ., 2011. 208 p.

4. Ustinova Ya. I., Shaposhnikov A. A. Creative accounting: creative approach or evident fraud? EKO, 2011, no. 11, pp. 174-181. (In Russian).

5. Shilnikova G. G. Financial statement as a tool of forming market relations. Perspektivy rossi-iskikh ekonomicheskikh reform XX veka. Materialy mezhdunarodnoi nauchno-prakticheskoi konfer-entsi [Prospects of Russian economic reforms of the XXI century. Materials of International Science and Practice Conference]. Irkutsk, Baikal State University of Economics and Law Publ., 2000, pt. 1, pp. 45-47. (In Russian).

6. Bai B., Yen J., Ynag X. False financial statements; Characteristics of China's listed companies and cart detecting approach. International Journal of Information Technology & Decision Making, 2008, vol. 7, no. 2, pp. 339-359.

7. Brennan N., McGrath M. Financial statement fraud: soma lessons from US and European case studies. Australian Accounting Review, 2007, no. 17 (42), pp. 49-61.

8. Harrington C. Formulas for detection. Analysis ratios for detecting financial statement fraud. Fraud Magazine, Association of Certified Fraud Examiners, 2005, March/April.

9. Kirkos E., Spathis C., Manolopoulos Y. Detection of Fraudulent Financial Statements though the use of Data Mining Techniques. 2nd International Conference on Enterprise Systems and Accounting, 2005, July 11-12, Thessaloniki, Greece. Thessaloniki, 2005, pp. 310-325. Available at: http://delab.csd.auth.gr/papers/ICESA05ksm.pdf.

10. Kotsiantis S., Koumanakos E., Tzelepis D., Tampakas V. Forecasting Fraudulent Financial Statements using Data Mining. International Journal of Computational Intelligence, 2006, vol. 3, no.2,pp. 104-110.

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права

11. Salehi M., Mansoury A., Pirayesh R. Firm size and audit regulation and fraud detection: empirical evidence from Iran. ABAC Journal, 2009, vol. 29, no. 1, pp. 53-65.

12. Skousen J., Smith R., Wright J. Detecting and predicting financial statement fraud: The effectiveness of the fraud triangle and SAS No. 99. Advances in Financial Economics, 2009, vol. 13, pp.53-81.

13. Spathis C. Detecting false financial statements using published data: some evidence from Greece. Managerial Auditing Journal, 2002, vol. 17, no. 4, pp. 179-191.

Информация об авторах

Энхбаяр Чойжил — профессор, Школа бизнеса, Монгольский государственный университет, Монголия, г. Улан-Батор, e-mail: num_muis@yahoo.com.

Цолмон Содномдаваа — аспирант, Школа бизнеса, Монгольский государственный университет, Монголия, г. Улан-Батор, e-mail: num_muis@yahoo.com.

Authors

Choyzhil Enkhbyar — Professor, Scholl of Business, Mongolian State University, Ulan-Bator, Mongolia; e-mail: num_muis@yahoo.com.

Sodnomdavaa Tsolmon — PhD Student, Scholl of Business, Mongolian State University, Ulan-Bator, Mongolia; e-mail: num_muis@yahoo.com.

Библиографическое описание статьи

Энхбаяр Ч. Возможность выявления мошенничества в финансовой отчетности / Ч. Энхбаяр, C. Цолмон // Baikal Research Journal. — 2015. — Т. 6, № 4. — DOI : 10.17l50/2411-6262.2015.6(4).7.

Reference of article

Enkhbyar Ch., Tsolmon S. Possibility of detecting fraudulent practices in financial statements. Baikal Research Journal, 2015, vol. 6, no. 4. DOI: 10.17150/2411-6262.2015.6(4).7. (In Russian).

Baikal Research Journal

электронный научный журнал Байкальского государственного университета экономики и права