К вопросу о построении интегрального показателя оценки вероятности искажения финансового результата в бухгалтерской отчетности

Сегодня все больше компаний стремятся улучшить результаты своей деятельности с целью удовлетворения заинтересованных лиц. Исследования доказывают, что все чаще компании прибегают к методам искажения результатов своей деятельности [1, 2]. В этой связи, тема применения и совершенствования новых методик оценки качества бухгалтерской (финансовой) отчетности становится еще более актуальной.

Методика построения интегрального показателя оценки вероятности искажения финансового результата в бухгалтерской отчетности, предложенная М.А. Алексеевым, имеет ряд преимуществ, таких как:

– учет отраслевой специфики;

– отсутствие детерминизма показателей [3].

Так, в соответствии с заявленной темой выдвинем гипотезу : возможно построение интегрального показателя оценки вероятности искажения бухгалтерской (финансовой) отчетности с учетом отраслевой специфики.

Для проверки гипотезы и построения интегрального показателя был использован определенный пошаговый алгоритм действий, предложенный

М.А. Алексеевым и включающий сле дующие этапы [3].

• 1)    Первичное определение основных поведенческих типов хозяйствующих субъектов;

• 2)    Предварительный отбор компаний;

• 3)    Формирование обучающих выборок;

• 4)    Отбор финансовых показателей;

• 5)    Построение модели, определение границ и проверка результатов.

На первом этапе была сформирована первичная выборка акционерных обществ с видом экономической деятельности «Обеспечение электрической энергией, газом и паром; кондиционирование воздуха» в количестве: 943 компаний осуществляющих деятельность в 2016 и 2017 году на основе данных базы «СКРИН» [4].

Исходной аналитической процедурой второго этапа является проверка принципа соответствия коэффициентов начислений, построенных на основе отчета о движении денежных средств (ООДС), и коэффициентов начислений, построенных на основе бухгалтерского баланса [5].

Третий этап применяемой методики предполагает разделение компаний, попавших в выборку на занижающих, завышающих и неискажающих результаты хозяйственной деятельности. Данный этап реализуется в несколько шагов. Первый шаг – двукратное применение критерия Томпсона, которое позволяет отсеять аномальные значения и сформировать окончательную исследовательскую выборку. Второй шаг – распределение компаний выборки на кластеры при помощи аналитических процедур (EM-алгоритм) программы STATISTICA. Результаты третьего этапа методики представлены на рисунках 1 и 2.

Рис. 1. График системы нормальных распределений данных исследовательской выборки в

2016 году

Graph of distributions for variable: Центры интервалов xi

Number of clusters: 3

Cluster 1 ~ normal(x;-0,590585;0,136157)

Cluster 2 ~ normal(x;-0,238232;0,067134)

Cluster 3 — normal(x;-0,002979;0.066999)

Рис. 2. График системы нормальных распределений данных исследовательской выборки в

2017 году

Основываясь на построенных нормальных распределениях и отраженных на графиках вершинах, были сформированы выборки из 30 компаний, максимально отвечающих каждому из нормальных распределений, в каждом периоде соответственно.

Четвертый этап методики заключается в отборе значимых финансовых показателей. Данный этап включает в себя несколько ступеней:

– отбор значимых показателей с помощью критерия Колмогорова-Смирнова.

– отбор значимых показателей с помощью U-тест Манна-Уитни (Mann-Whitney

U-test), если значения критерия Колмогорова-Смирнова при уровне значимости 0,05 значение финансовых показателей в обучающих выборках не соответствовало гаусиану.

Финансовые показатели, прошедшие отбор, были проверены на мультиколлинеарность с помощью инструментов программы STATISTICA.

Таким образом был сформирован список значимых финансовых показателей, вошедших в пробит-регрессию, для каждого рассматриваемого периода.

На следующем этапе с помощью программы STATISTICA были определены параметры пробит- регрессий для компаний завышающих и занижающих результаты своей деятельности. Интегральные показатели оценки вероятности оценки вероятности искажения финансового результата в бухгалтерской отчетности имеют вид (1, 2, 3, 4):

46_занижение

INV

=0.127+1.0843× CL

-

o           CASH ,  „     . CASH „ ГХГХГХ1-,

3.0926 ×    +0.624×    - 0.0007 ×

cs л л n CS - 0.0642 ×

INV            SAL

TL

CL

, OEXP I Л Э9ГП CA , ×   +.   ×  +

SAL            TA

V.,           =

¹16_завышение =

-0,9043 + 0,0001 ×   + 0.1485

CASH           CASH

17.4208 ×     - 3.9684 ×  I

TACA

Ү 17_занижение = 4,5663 - 6,1896 × ^ + 2.3826 × ^ - 3.9868 × ^ - 0.0681 × T+

SAT

0.1056×   -0.0118×(3)

E                 FA

Ү17_завышение = -0,3748 - 0,0271 × у + 0.0096 × у + 0.0403 × E + 20.7695 × +0.0091×   -3.0482×(4)

Критерием качества построенной моде-   Данное значение было достигнуто в 2016, ли является ее предсказательная сила, зна-    2017 гг. (табл.).

чение которой должно достигать 70%.

Таблица. Результаты проверки качества полученных моделей

Год	Тип манипулирования		Предсказ	Предсказ	%
2016	завышение	к	35	32	72,24
		з	10	57	85,07
	занижение	с	80	12	86,96
		к	41	51	75,44
2017	завышение	к	61	38	71,62
		з	18	81	81,82
	занижение	с	89	10	89,89
		к	48	51	51,52

Таким образом, выдвинутая гипотеза находит подтверждение: построены интегральные показатели оценки вероятности искажения финансового результата в бухгалтерской отчетности, имеющие высокий уровень качества. Также стоит отметить, что коэффициенты, входящие в модель, изменяются с годами, что свидетельствует о решении такой проблемы существующих методов оценки качества бухгалтерской отчетности, как детерминизм показателей.