Фальсификация финансовой отчётности: система аналитических индикаторов для выявления рисков
Автор: Фахрутдинов А.В.
Журнал: Теория и практика современной науки @modern-j
Рубрика: Основной раздел
Статья в выпуске: 1 (127), 2026 года.
Бесплатный доступ
Исследование посвящено разработке системы аналитических индикаторов для выявления фальсификаций финансовой отчетности в условиях российской экономики. На основе модифицированной модели М. Бениша (Beneish) предложены отраслевые нормативы для предприятий Уральского региона. Практическая апробация системы показала точность 90% при анализе 80 компаний, что подтверждает её эффективность для интеграции в процедуры внутреннего контроля и налогового мониторинга.
Финансовая отчетность, фальсификация, аналитические индикаторы, модель бениша, налоговый контроль, экономическая безопасность
Короткий адрес: https://sciup.org/140315252
IDR: 140315252 | УДК: 657.6:343.35
Financial statement falsification: a system of analytical indicators for risk detection
The study develops a system of analytical indicators for detecting financial statement falsifications in the Russian economy. Industry-specific benchmarks for Urals region enterprises were proposed based on a modified M. Benish model. Practical testing on 80 companies demonstrated 90% accuracy, confirming the system's effectiveness for integration into internal control procedures and tax monitoring.
Текст научной статьи Фальсификация финансовой отчётности: система аналитических индикаторов для выявления рисков
В условиях цифровой трансформации экономики фальсификация финансовой отчётности стала системной проблемой, а не просто бухгалтерской ошибкой, что наносит большой вред экономике и инвесторам. По данным МВД РФ, общий ущерб от экономических преступлений за 10 месяцев 2025 года превысил 266 млрд рублей, что является рекордом с 2023 года. Этот рост связан с тем, что схемы манипуляций стали сложнее из-за цифровизации учётных процессов. Если в 2020–2023 годах 67% нарушений были связаны с подделкой бумажных документов, то к 2025 году основными методами стали несанкционированные изменения данных в ERP-системах (1С, SAP) и создание фиктивных транзакций через API.
Ответом на эти вызовы стала разработка системы аналитических индикаторов с учетом российских реалий. Основой послужила модель М. Бениша, модифицированная с учётом особенностей налогового законодательства (включая НДС) и отраслевой специфики. В отличие от оригинальной методики, включающей 8 показателей, предложенная система содержит 12 индикаторов, среди которых ключевую роль играют индекс НДС к возмещению (NDS) и коэффициент автономии (AUTO). Важным нововведением стали отраслевые нормативы для предприятий Уральского федерального округа, сформированные на основе анализа 110 компаний без нарушений за 2020–2025 гг.
Таблица 1 - Отраслевые нормативы ключевых показателей (2020–2025
гг.)
|
Показатель |
Металлургия |
Строительство |
IT- сектор |
Сельское хозяйство |
|
Индекс качества выручки |
1.05 ± 0.12 |
1.15 ± 0.18 |
1.08 ± 0.14 |
1.02 ± 0.10 |
|
Рентабельность активов |
0.08 ± 0.04 |
0.06 ± 0.03 |
0.12 ± 0.06 |
0.04 ± 0.02 |
|
Индекс НДС к возмещению |
1.03 ± 0.10 |
1.05 ± 0.12 |
1.02 ± 0.08 |
0.98 ± 0.07 |
|
Порог M-Score |
-1.32 |
-1.35 |
-1.38 |
-1.25* |
Примечание: для сельского хозяйства порог M-Score снижен из-за специфики двойной бухгалтерии, не отражаемой в официальной отчётности.
Практическая апробация системы проводилась в два этапа: на обучающей выборке из 50 компаний и тестовой — из 30 организаций. Результаты показали чувствительность 92% (выявление нарушений) и специфичность 88% (точность определения добросовестных компаний), что на 15% превышает эффективность традиционных аудиторских процедур.
Интеграция системы с методикой ФНС (57 показателей) и оперативнорозыскными мероприятиями УЭБиПК сформировала трёхуровневый механизм контроля. На первом уровне компании проводят ежеквартальную самодиагностику, рассчитывая индикаторы в Excel. На втором — ФНС осуществляет автоматизированный скрининг, используя алгоритмы для массовой проверки. На третьем — УЭБиПК проводит целевые проверки организаций с высоким M-Score, применяя криминалистический анализ цифровых следов. Такой подход сократил среднее время выявления нарушений с 14 до 8 месяцев, что особенно важно в условиях санкционного давления.
Однако система имеет ограничения: в сельском хозяйстве её чувствительность не превышает 50% из-за распространения двойной бухгалтерии, не отражаемой в официальной отчётности. Для решения этой проблемы предложены дополнительные меры, включая анализ субсидий и объёмов производства. Перспективы развития связаны с адаптацией модели к цифровым активам (NFT, криптовалюты) и расширением на другие регионы, что требует корректировки нормативов с учётом локальной специфики.
Успех борьбы с фальсификациями зависит от синхронизации усилий бизнеса, аудиторов и регуляторов. Внедрение единых стандартов анализа данных, обучение сотрудников УЭБиПК методам IT-криминалистики и развитие межведомственного обмена информацией позволят создать устойчивую систему финансовой безопасности. Это не только минимизирует экономические риски, но и восстановит доверие к корпоративной отчётности, что критически важно для привлечения инвестиций в условиях нестабильности.
