К вопросу о методах оценки вероятности манипулирования данными финансовой отчетности

Как в зарубежной, так и в отечественной практике существуют различные методы анализа бухгалтерской отчетности компании на предмет достоверности данных, содержащихся в ней.

Экономическая актуальность данной работы обусловлена ростом интереса стейкхолдеров к различным подходам качества оценки финансовой отчетности, в связи с продолжающимся увеличением количества компаний-манипуляторов, и что не менее важно в их числе компаний-банкротов. Также исследование вызвано необходимостью поиска метода оценки достоверности финансовой отчетности на больших массивах данных в различных отраслях экономики, так как существующие механизмы мониторинга финансовой отчетности либо устарели, ввиду развития и совершенствования способов финансового манипулирования, либо вновь созданные методики не применимы из-за отсутствия эффективных результатов апробации на практике.

К методам подхода к оценке достоверности бухгалтерской отчетности относятся:

– анализ бухгалтерской отчетности на предмет выявления сознательных искажений с использованием модели, основанной на закономерностях закона Бенфорда (А. Дикман, С. Дуртчи);

– анализ бухгалтерской отчетности отдельных экономических субъектов на предмет выявления сознательных искаже- ний и получения достаточной уверенности в качестве раскрываемой прибыли (С. Ричардсон, Р. Слоян, Е. Гордон, М. Бениш, П. Хели, Л. Дж.Анжело, Дж. Джонс);

– построение «рейтингов» экономических субъектов на основе сравнений отдельных финансовых показателей с их эталонными значениями с последующим переведением полученных отклонений в баллы (доли) и выведением итоговой оценки (Д. Пиотровский);

– построение интегральных индикаторов, подтверждающих достоверность финансовой отчетности, и определение состава формирующих показателей (М. Бениш);

– расширение количественных подходов к построению индикаторов достоверности финансовой отчетности через использование алгоритмов вариационного исчисления (пробит, логит-регрессии) (Р. Слоан);

– разработка индикаторов оценки достоверности финансовой отчетности на основе совокупностной концепции типологии данных (М.А. Алексеев);

– использование экстрафинансовых показателей для оценки достоверности бухгалтерской отчетности (М. Зимбельман, В. Дешоу, В. Ге, Ч. Ларсон, Ф. Слоан) [5].

В западной практике наибольшую популярность приобрели: модель, основанная на законе Бенфорда, F-SCORE Пиот- ровского, M-SCORE М. Бениша, F-SCORE Слоуна.

Интегральный показатель манипулирования финансовой отчетностью – индекс манипулирования M-Score М. Бениша представляет собой систему из пяти и восьми показателей, сгруппированных в три блока:

– показатели, оценивающие скорость развития компании;

– показатели, оценивающие агрессивность применяемой учетной политики компании;

– показатели, оценивающие степень финансовых и экономических затруднений в компании.

Пятифакторная модель М. Бениша имеет следующий вид:

M-Score=-

6,065+0,823*DSRI+0,906*GMI+0,593*AQI+0,717*S GI++0,107*DEPI,        (1)

где DSRI – индекс изменения периода оборачиваемости дебиторской задолженности;

GMI – индекс изменения валовой рентабельности продаж;

AQI – индекс изменения качества активов;

SGI – индекс изменения выручки;

DEPI – индекс изменения нормы амортизационных отчислений.

Исследование практической применимости показателя M – Score М. Бениша, осуществленное М.А. Алексеевым, показало, что в целом методика применима для выявления случаев манипулирования бухгалтерской отчетностью компаниями, представляющими результаты своей деятельности в рамках РСБУ [1].

Однако, несмотря на возможность выявления фактов манипулирования с достаточной степенью вероятности, модель имеет ряд недостатков, к которым относят:

– детерминизм показателей, входящих в модель;

– сложность расчета индекса в российской практике;

– невозможность выявления фактов занижения показателей финансового результата.

Индекс    мошенничества    F-Score

Р. Слоуна отличается от индекса манипу- лирования M-Score не только идеологически, но и методологически: в его основе лежит алгоритм определения параметров непрерывной логистической регрессии методом максимального правдоподобия.

В основе этого коэффициента лежит сравнение вероятности манипулирования отчетностью с параметром 0,0037, который является показателем ожидания присутствия в финансовой отчетности искажения. Этот параметр был получен в итоге нахождения доли манипуляторов в общей сумме компаний за рассматриваемый период.

Для нахождения значения индекса мошенничества, первоначально рассчитывают уравнение зависимой переменной:

=-7,893+0,79∗ rsst_acc +2,518∗ CH rec +

1,191 ∗ CH_[NV + 1,979Х

Х Soft_ASSETS +0,171∗ GH_Cs -0,932∗ CH_R0A +

1,029 ∗ Issue ,       (2)

где rsst_acc –коэффициент начислений;

gh_rec – коэффициент изменения дебиторской задолженности;

CH_INV – коэффициент изменения то-варно – материальных запасов;

S°f ^ASSETS – доля активов, наиболее подверженных манипулированию;

C H_cs – коэффициент изменения денежного компонента в выручке;

ch_roa – коэффициент изменения рентабельности активов;

Issue – показатель эмиссионной активности компании.

Формула расчета вероятности искажения финансовой отчетности выглядит следующим образом:

ey

1+еУ

F-Score=

P 0,0037

При значении коэффициента F – Score, превышающем единицу, можно говорить о присутствии факта мошенничества с вероятностью Р.

Проверка применимости в российской практике индекса мошенничества подтвердила возможность модели с высокой вероятностью выявлять факты манипули- рования финансовой отчетностью. Однако следует отметить, что и модель F-Score Р. Слоуна не учитывает отраслевые особенности компаний и имеет такой значительный недостаток, как детерминизм показателей [2].

Достоинства и недостатки этих и других подходов к оценке достоверности финансовой отчетности наглядно представлены в таблице 1.

Таблица 1. Достоинства и недостатки подходов к оценке достоверности финансовой отчетности

Наименование подхода	Авторы	Достоинства	Недостатки
Модель, основанная на закономерностях закона Бенфорда	А. Дикман, С.Дуртчи	-    не требует формирования продолжительных временных рядов с последующим перекрестным анализом данных; -    не требует включения в анализ прогнозной информации об ожидаемых значениях финансовых показателей; -    не требует наличия информации о динамике цен на рынках, связанных с объектом наблюдения.	-    формирование информационного массива из числовых значений, являющихся результатами стандартных преобразований чисел, соответствующих закону Бенфорда, не гарантирует того, что результирующие данные будут также соответствовать рассматриваемому аналитическому закону; -    линейная зависимость между коэффициентами начислений и показателями среднего абсолютного отклонения фактических и аналитических (соответствующих закону Бенфорда) плотностей распределения цифр в первом разряде бухгалтерской (финансовой) отчетности не подтвердилась; -    первоначальный детерминизм показателей.
Анализ финансовой отчетности отдельных экономических субъектов на предмет выявления сознательных искажений и получения достаточной уверенности о качестве раскрываемой прибыли	П.Хели, Л.ДеАнжело	-    установлено отсутствие полного тождества между реальными результатами деятельности и их отображением в финансовой отчетности; -    применили показатель начислений, построенный на сопоставлении данных отчета о финансовых результатах с данными в ОДДС.	-    существенные изменения экономических условий могут привести к получению недостоверных сведений; -    невозможно осуществить корректное разделение ошибок прогнозирования и оценочных значений произвольных начислений; -    предсказательная сила зависит от доминирования определенных характеристик сложившихся учетных политик; -    первоначальный детерминизм показателей.
Модель   суммарных начислений	Дж.Джонс	-    увеличено количество предикторов регрессионной модели; -    большая часть обязательных начислений формируется амортизацией.	- первоначальный детерминизм показателей.
KS - модель	С.Ханга, К.Шиварамакри шмана	-    строит регрессионную зависимость в отраслевом разрезе; -    не выделяет специфические особенности отдельного экономического субъекта; -    уменьшает возможность проявления случайных ошибок.	- первоначальный детерминизм показателей.
Построение «рейтингов» экономических субъектов на основе сравнений отдельных финансовых показателей	М.Бениш (M-Score)	- дает возможность оценки полноты и достоверности бухгалтерской отчетности; - значения отдельных компонентов индекса имеют предсказательную силу и указывают разделы отчетности, в которых совершены манипуляции.	-    высокая трудоемкость предложенного метода в российских реалиях; -    первоначальный детерминизм показателей.
Расширение количественных подходов к построению индикаторов достоверности финансовой отчетности через использование алгоритмов вариационного исчисления (пробит-, логит-регрессии)	Д.Пиатровский (F-Score)	- предсказывает вероятность нахождения зависимой переменной на отрезке.	-    не учитывают динамические аспекты функционирования компании и темпов прироста соответствующих показателей; -    зависимость от экономической ситуации; -    первоначальный детерминизм показателей.
Разработка индикаторов оценки достоверности финансовой отчетности на основе совокупностной концепции типологической группировки компаний	М.А.Алексеев	-    дает возможность проводить оценку качества ОДДС; -    дает возможность проводить типологи-зацию информационного пространства финансового рынка; -    выявляет искажения финансовой отчетности в сторону занижения и завышения.
Использование экстра-финансовых показателей для оценки достоверности бухгалтерской отчетности	М.Зимбельман, В.Дешоу, В.Ге, Ч.Ларсон, Ф.Слоан	- сложности в искажении экстрафинансо-вой информации, что дает возможность ее использования для выявления искажений в бухгалтерской отчетности.	- недостаточная развитость подхода.

Также была проведена группировка ме-    отчетности, ее результаты представлены в тодов оценки достоверности финансовой таблице 2 [5].

Таблица 2. Группировка методов оценки достоверности финансовой отчетности

Применяемый подход	Наименование группы	Используемые группы
Вариационный	Вариационные методы	Модель основанная на закономерности закона Бенфорда (А. Дикман, С. Дурчи)
Вариационный с элементами совокупностно-го	Методы  оценки  качества прибыли	Анализ финансовой отчетности отдельных экономических субъектов на предмет сознательных искажений получения достаточной уверенности о качестве раскрываемой прибыли (П. Хели, Л. ДеАнжело)
		Модель суммарных начислений (Дж. Джонс)
		KS-модель (С. Ханга, К. Шиварамакришмана)
	Методы  построения  инте гральных показателей	Построение «рейтингов» экономических субъектов на основе сравнений отдельных финансовых показателей с их эталонными значениями, с последующим переведением полученных отклонений в баллы (доли) и выведением итоговой оценки (Дж. Пиат-ровский)
		Построение интегральных индикаторов, подтверждающих достоверность финансовой отчетности и определение состава, формирующих их показателей (М. Бениш (M-Score))
		Расширение количественных подходов к построению индикаторов достоверности финансовой отчетности через использование алгоритмов вариационного исчисления (пробит, логит-регрессии) (F-Score)
Совокупностный	Методы на основе совокуп-ностной концепции типологии данных	Метод на основе индикаторов оценки достоверности финансовой отчетности

Следует отметить, что все существующие модели отличаются строгим детерминизмом, что отражается в исследованиях при применении данных методик и может допускать погрешность в оценке достоверности. В этой связи целесообразно разработать новую модель, в основе которой лежал бы такой принцип, как динамическая трансформация, что поможет учесть изменчивый характер поведения внешней и внутренней среды. Разработкой такой модели на протяжении нескольких лет занималась кафедра НГУЭУ.

В качестве такой методики, предложенной М.А. Алексеевым, выступает методика построения интегрального показателя оценки вероятности искажения финансового результата в бухгалтерской отчетности компании.

М.А. Алексеевым разработана и апробирована на реальных совокупностях авторская методика оценки искажений в финансовой отчетности, базирующаяся на последовательном использовании матема- тико-статистических моделей (типологии, кластеризации, многокритериальной оценки) для построения результирующей вероятностной модели интегрального показателя, позволяющей как выявлять факты искажения финансовых результатов деятельности хозяйствующих субъектов, так и определять направленность выявленных искажений.

Построение интегрального показателя выявления искажений деятельности компаний реализуется в пять этапов, каждый из которых включает в себя набор последовательных шагов.

Первый этап – определение основных поведенческих типов хозяйствующих субъектов и предварительный отбор компаний. Включает проведение предварительного отбора компаний для формирования списка компаний, попавших в выборку.

Второй этап – предварительный отбор компаний. Цель этапа – сформировать предварительный список компаний для последующего выделения хозяйствующих субъектов, завышающих, занижающих и не искажающих результат своей хозяйственной деятельности в финансовой отчетности.

Третий этап – формирование выборок. Включает выявление компаний завышающих, занижающих и не искажающих свои финансовые результаты в отчетности. На этом этапе важно отметить, что индексы манипулирования M-Score и мошенничества F-Score не противоречат друг другу, являясь комплементарными в случаях искажения представления результатов деятельности компаний в сторону завышения. Результаты, полученные при реализации шагов, сопоставляются между собой и формируется первоначальная исследовательская выборка.

Четвертый этап – отбор финансовых показателей. На данном этапе формируется список финансовых показателей, значимых для последующего исследования. Список финансовых показателей представлен в приложении Б. Применяется соответствующий статистический аппарат для построения пробит-регрессии, а именно: проверяются значения соответствующего финансового показателя на подчинение нормальному распределению с помощью теста Колмогорова – Смирнова и U-теста Манна-Уитни (Mann-Whitney U-test); отбираются значения показателей, близкие к нулю, после расчета U-теста Манна-Уитни; проводится проверка отобранных финансовых показателей на мультиколли- ниц и проверка результатов. Включает построение модели пробит-регрессии и определение ее параметров в программе STATISTICA [4].

Практическая значимость исследования состоит в возможности применения для компаний с различным видом экономической деятельности нового интегрального показателя оценки вероятности банкротст- ва, позволяющего в соответствии с принципом динамической трансформации обновлять и модернизировать соответственно коэффициенты значимости факторов и самих факторов в общей интегральной оценке вероятности банкротства для каждого конкретного случая. Это позволит уйти от строгого детерминизма показателей, входящих в модель, будет способствовать нивелированию манипулирования данными бухгалтерской (финансовой) отчетности и даст более точную оценку вероятности банкротства.

В связи с чем, видятся перспективы развития методик анализа достоверности финансовой отчетности, поиск новых решений данной проблемы. С увеличением интереса различных групп специалистов к данному вопросу, рационально объединение интересов бухгалтеров, аудиторов и финансовых аналитиков для решения задачи поиска различных методов оценки достоверности информации как бухгалтерского баланса, так и других форм отчетности и их разделов в частности, а также построения новых моделей с использованием различных математических и статистиче- неарность.                                  ских программ.

Заключительный этап – построение мо дели пробит-регрессии, определение гра-