Построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности для компаний с разным видом экономической деятельности

В современных условиях развития мировой экономики манипулирование бухгалтерской отчетностью стало одним из условий успешного функционирования компаний, поскольку реальные результаты хозяйственной деятельности не всегда столь привлекательны для различных стейкхолдеров.

Манипулирование бухгалтерской отчетностью относится к одной из серьезнейших проблем финансового менеджмента. Как и любая серьезная проблема в этой сфере, она требует комплексного подхода к ее решению.

Одним из способов решения обозначенной проблемы может стать разработка но- вых подходов оценки достоверности бухгалтерской (финансовой) отчетности.

Так, цель данного исследования была сформулирована как построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с разным видом экономической деятельности.

Для детализации цели были поставлены и решены следующие задачи:

• 1.    Описать определенный пошаговый алгоритм действий построения интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности;

• 2.    Осуществить построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство машин и оборудования», сделать соответствующие выводы;

• 3.    Осуществить построение интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство и распределение электроэнергии, газа и воды» и «Химическое производство», сравнить полученные результаты, сделать соответствующие выводы.

Итак, определенный пошаговый алгоритм действий включает в себя 4 этапа, а именно [1, 2,4]:

• 1.    Предварительный отбор компаний для формирования выборки, которая в дальнейшем будет использована для построения интегрального показателя;

• 2.    Формирование обучающей выборки. Включает в себя выявление компаний, завышающих результаты своей деятельности в бухгалтерской отчетности, используя при этом в качестве ключевого параметра оценки сравнение значений интегральных показателей M-Score и F-Score;

• 3.    Отбор финансовых показателей. На данном этапе формируется список значимых финансовых показателей. Отбор производился с помощью критериев Колмогорова-Смирнова, U-теста Манна-Уитни и критерия Стьюдента. В результате отбора выявляются коэффициенты, которые являются наиболее значимыми для дальнейшего исследования;

• 4.    Построение модели пробит-регрессии и проверка полученных результатов. Включает в себя построение модели про-бит-регрессии и определение ее параметров в программе STATISTICA.

На первом этапе были сформированы выборки за 2017 год. Используя данные базы «СКРИН» [5], была определена изначальная выборка, состоящая из компаний с видом экономической деятельности «Производство машин и оборудования» в коли- честве 745 объектов. По результатам предварительного анализа, из их числа были исключены 245 компаний, не имеющих полной отчетности. Оставшиеся 500 компании были оценены на предмет манипулирования с использованием методик M-Score Бениша и F-Score Слоуна.

Второй этап алгоритма был реализован по результатам расчетов показателей M-Score Бениша и F-Score Слоуна.

Результаты, полученные после расчета M-Score, позволили разделить компании в исследовательской выборке на две группы. Первая группа с достоверной бухгалтерской отчетностью с точки зрения M-Score М. Бениша включала в себя 206 компании, вторая группа с недостоверной отчетностью 294 [1, 2, 4].

По результатам расчета F-Score компании были разделены на 2 группы аналогичным образом. Первая группа с достоверной бухгалтерской отчетностью включала в себя 113 компании, вторая группа с недостоверной отчетностью 387 [2].

Сравнение результатов двух методик позволило сделать вывод о расхождении значений показателей M-Score и F-Score, что привело к необходимости сверки полученных значений, результаты которой представлены в таблице 1.

По итогам сверки были сформированы окончательные обучающие выборки. В каждую из выборок вошло:

• – 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.

Третий этап исследования предполагал формирование списка финансовых показателей. В список вошли 48 финансовых коэффициентов, которые, как правило, используются для оценки финансового состояния компаний.

Далее из составленного списка финансовых показателей был проведен отбор наиболее значимых с помощью программы STATISTICA. Отбор финансовых по- казателей осуществлялся на основе проверки значений соответствующего показателя на подчинение нормальному распре- делению с помощью теста Колмагорова Смирнова, U-теста Манна-Уитни.

Таблица 1. Сравнение результатов анализа по показателям M-Score и F-Score

Компании	Общее количество компаний	Общее количество компаний с достоверной бухгалтерской отчетностью, признанной двумя методами	Общее количество компаний с недостоверной бухгалтерской отчетностью, признанной двумя методами	Общее количество компаний имеющих достоверность или недостоверность бухгалтерской отчетности, признанной только одним из методов
Всего,   еди ниц	500	63	161	276
Доля, %	100%	12,6%	32,2%	55,2%

Отобранные финансовые показатели были проверены на мультиколлинеарность с помощью программы STATISTICA.

В результате исследования был сформирован окончательный список финансовых показателей, куда вошли следующие восемь финансовых показателей:

– операционная прибыль / выручка (OP/SAL);

– чистая прибыль / выручка (NI/SAL);

– чистая прибыль / активы (ROA);

– чистая прибыль / внеоборотные активы (NI/FA);

– чистая прибыль / собственный капитал (ROE);

– (оборотные запасы)/краткосрочные ((CA-INV)\CL);

активы-обязательства

– денежные средства / (краткосрочные обязательства + долгосрочные обязательства) (CACH\TL);

– (оборотные активы-краткосрочные обязательства) / активы (WC\TA).

Следующим этапом исследования было определение параметров пробит- регрессии с помощью программы STATISTICA. Результаты представлены в таблице 2. Интегральный показатель оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения для компаний с видом экономической деятельности «Производство машин и оборудования» имеет вид (1).

Ү=-1,14-12,58∗   +14,43∗   -11,02∗ROA+

( CA-INV )

3,99 ∗  +2,36∗ROE+0,93∗       -1,29∗    +0,68∗

FA                          CL             TL          TA

Результаты проверки качества полученного в ходе исследований интегрального показателя оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения позволили сделать вывод, что интегральный показатель выявляет факты манипулирования с вероятностью более 80%.

Таблица 2. Результаты расчета пробит-регрессии для компаний с видом экономической деятельности «Производство машин и оборудования»

Const.B0	OP\SAL	NI\SAL	ROA	NI\FA	ROE	(CA-INV)\CL	CACH\TL	WC\TA
-1,14072	-12,5827	14,42792	-11,0192	3,993323	2,362314	0,927732	-1,29276	0,682947

Для решения следующих были произведены расчеты интегральных показателей оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения за 2017 г. для компаний с видом экономической деятельности «Химическое производство» и «Производство и распределение электроэнергии, газа и воды» с использованием ранее описанного пошагового алгоритма действий.

Результаты расчета пробит-регрессий для компаний с видом экономической деятельности «Химическое производство» и «Производство и распределение электроэнергии, газа и воды» представлены в таблице 3 и 4 соответственно и свидетельст- вуют о том, что состав и вес показателей в пробит-регрессиях различны.

Интегральные же показатели для рассматриваемых видов экономической деятельности имеют вид (2, 3):

-0,24+0,39∗ TA -0,001∗ SAL +

2,13 ∗   -2,56∗ CL -0,79∗ ⁽ INV+REC ) ₊

TA         TA            TA

2,33 ∗    -0,37∗ Tl (3)

=

SALWC

• -1,86+0,36∗    -1,11∗

FATA

EBTNI

• -0,9∗    +2,14∗

RE

+1,07∗(2)

TA v 7

Таблица 3. Результаты расчета пробит-регрессии для компаний с видом экономической деятельности «Химическое производство»

	Const.B0	SAL/FA	WC/TA	EBT/FA	NI/FA	RE/TA
Estimate	-1,86340	0,356970	-1,10813	-0,901864	2,142743	1,067918

Таблица 4. Результаты расчета пробит-регресси для компаний с видом экономической деятельности «Производство и распределение электроэнергии, газа и воды»

	Const, B0	CL/TA	SAL\FA	FA\TA	CA\TA	(INV+REC)\TA	REC\TA	CL\TL
Estimate	-0,244096	0,399197	-0,000798	2,124894	2,55471	-0,793449	2,325774	0,367042

Высокое качество интегральных показателей оценки вероятности манипулирования данными бухгалтерской отчетности в сторону их завышения было подтверждено результатами проверки, которая установила, что модель для отрасли «Химическое производство» выявляет факты манипулирования с вероятностью более 80%, для отрасли «Производство и распределение электроэнергии, газа и воды» – более 70%.

Таким образом, мы пришли к выводу о том, что интегральный показатель оценки вероятности манипулирования учитывает отраслевую специфику.