Обзор зарубежного опыта использования метода регрессионного анализа для выявления мошенничества с показателями финансовой отчетности

Размещено на http://www.allbest.ru/

Статья по теме:

Обзор зарубежного опыта использования метода регрессионного анализа для выявления мошенничества с показателями финансовой отчетности

Удалова З.В., Столбовой В.С.

Аннотация

В статье рассматривается опыт использования зарубежными учеными метода регрессионного анализа для выявления искажения показателей финансовой отчетности. В работе описаны причины мошенничества с финансовой отчетностью, механизм применения логистической регрессии. Целью исследования является рассмотрение ключевых требований при создании и применении логит-регрессионной модели, таких как независимые переменные, точность модели, порог отсечения, информационная база. Результатом работы является обобщение зарубежного опыта, использование которого поможет при применении метода регрессионного анализа для построения модели выявления мошенничества с показателями финансовой отчетности на примере российских организаций в будущих исследованиях.

Ключевые слова: Метод финансового анализа, регрессионный анализ, логит-регрессионная модель, искажение финансовой отчетности, зарубежный опыт.

Udalova Z. V., Stolbovoi V.S.

REVIEW OF FOREIGN EXPERIENCE IN USING THE REGRESSION ANALYSIS METHOD TO DETECT FRAUD IN FINANCIAL STATEMENTS

Annotation

The article discusses the experience of foreign scientists using the regression analysis method to identify misrepresentation in financial statements. The paper describes the causes of financial reporting fraud, the mechanism of using logistic regression. The aim of the study is to consider the key requirements for the creation and application of logit regression model, such as independent variables, model accuracy, cutoff threshold, information base. The result of the work is a generalization of foreign experience, the use of which will help in the application of the regression analysis method to build a model of fraud detection with financial statements on the example of Russian organizations in future studies.

Keywords: Method of financial analysis, regression analysis, logit-regression model, misstatement of financial statements, foreign experience.

Актуальность

В настоящее время пользователи внешней финансовой отчетности могут столкнуться с проблемой недостоверности ее показателей.

Стремление получить финансовую выгоду может подтолкнуть руководство организации к умышленному искажению отчетности. Поэтому перед принятием финансовых и управленческих решений банки, инвесторы, аудиторы, акционеры, планирующие сотрудничество, участники рынка должны быть уверены, что финансовая отчетность достоверно отражает положение дел в организации. Для этого необходимы простые инструменты финансового анализа, которые позволят уменьшить временные и трудовые затраты на выявление мошенничества с показателями финансовой отчетности.

Данные и методы. Для финансового анализа деятельности организации существует множество методов, среди которых выделяются как простые, например горизонтальный, вертикальный, трендовый, сравнительный, факторный, коэффициентный анализ, так и более сложные, например математико-статистические методы. Если простые методы позволяют с небольшими трудозатратами оценить деятельность организации с той или иной стороны, то сложные представляют собой инструменты, позволяющие получить более точную информацию. Одним из таких методов является регрессионный анализ, с помощью которого можно построить логит-регрессионную модель, основанную на статистической информации показателей финансовых отчетностей. Такая модель может использоваться для оценки риска наступления какого-либо события в деятельности организации, например риска искажения показателей финансовой отчетности.

Основная часть

финансовый отчетность мошенничество регрессия

При этом открытым становится вопрос определения риска существенного искажения финансовой отчетности вследствие недобросовестных действий на стадии подготовки к работе с клиентом с целью уже на этом этапе оценить необходимость применения более углубленных инструментов обнаружения мошенничества или вовсе работы с данной организацией.

Помочь в этом вопросе может уже упомянутый метод регрессионного анализа, с помощью которого строятся логит-регрессионные модели. Логистическая регрессия применяется для предсказания вероятности наступления какого-либо события по значениям различных признаков. Для этого используется переменная Р, принимающая одно из двух значений - 0 (событие не произошло) или 1 (событие произошло), и множество независимых переменных (которые иначе называются предикторами, регрессорами или признаками) - вещественных X 1, х2,..., х п. Логит-анализ использует модели нелинейной зависимости, с помощью него можно однозначно интерпретировать результирующий показатель выявления мошенничества с финансовой отчетностью. При использовании логит-регрессионной модели получается определенное число в интервале от 0 до 1. Применительно к мошенничеству 0 означает, что отчетность немошенническая, а 1 означает, что отчетность мошенническая. Данный способ выявления мошеннической и немошеннической отчетности можно назвать уникальным, что и выделяет логит-регрессионные модели среди других способов построения моделей выявления мошенничества с финансовой отчетностью. Для выявления наступления или ненаступления события применяется следующая формула логистической функции:

P- 1+,

где Р - показатель вероятности выявления мошенничества в отчетности в долях единицы, который принимает значения от 0 до 1;

е - основание натурального логарифма, равное значению 2,71828;

у - расчетный коэффициент - интегральный показатель, рассчитываемый в зависимости от разработанной модели.

Логит-модель дает количественную оценку вероятности выявления мошенничества, при этом отсутствует зона неопределенности. Как правило, показатель Pсо значением от 0,00 до 0,50 говорит о том, что отчетность не подверглась умышленному искажению действиями, а значение от 0,50 до 1,00 - о том, что финансовая отчетность искажена. Иногда в своих исследованиях авторы самостоятельно устанавливают несколько числовых диапазонов, описывая вероятность того, что отчетность искажена, в зависимости от отнесения рассчитанного числа к конкретному диапазону. То есть вместо однозначного определения «мошенническая» и «немошенническая» при наличии нескольких числовых диапазонов вероятность мошенничества может описываться как низкая, приемлемая, высокая и т.п.

Рассмотрим некоторые работы зарубежных ученых в области применения метода регрессионного анализа путем построения логит-регрессионных моделей обнаружения мошенничества с показателями финансовой отчетности, опубликованные за последние 10 лет.

PatriciaM. Dechow, WeiliGe, ChadR. Larson, RichardG. Sloan [1] разработали одну из самых популярных логит-регрессионных моделей выявления существенного искажения финансовой отчетности и управления доходами - F-score. В ходе анализа данных получена выборка из финансовых отчетов 451 компании, исказившей минимум один годовой отчет и нарушившей при этом Общепринятые принципы бухгалтерского учёта (GAAP), за период с 1982 по 2005 год.

Kuag-HsunShin, Ching-ChanChengи Yi-HsienWang [2] в своей работе построили логит-модель выявления мошенничества предприятий обрабатывающей промышленности Тайваня. Выборкой послужили 96 мошеннических финансовых отчетностей и 192 немошеннические отчетности тайваньских компаний с 2008 по 2010 год. На основе обзоров литературы авторами были выбраны пять финансовых показателей, один показатель корпоративного управления и один показатель движения денежных средств в качестве переменных прогнозирования для предупреждения мошенничества в обрабатывающей промышленности. Полученные результаты показывают, что коэффициент финансовой зависимости и доля акционеров в составе совета директоров (HRD) - общая сумма общих акций, принадлежащих совету директоров на конец срока, деленная на общую сумму непогашенных общих акций на конец срока - являются двумя важными переменными для выявления случаев мошенничества в обрабатывающей промышленности. При этом исследование показало, что другие коэффициенты, которыми можно манипулировать для улучшения показателей финансовой отчетности, не достигли значительного уровня влияния на результат модели. То есть чем выше коэффициент финансовой зависимости, тем выше вероятность мошенничества с финансовой информацией. Более высокий коэффициент доли акционеров в составе совета директоров в обрабатывающей промышленности означает более низкую вероятность мошенничества с финансовой информацией.

Тест Вальда показывает, что наибольшую статистическую значимость имеет доля акционеров в составе совета директоров, на втором месте - коэффициент финансовой зависимости. Точность отнесения организации, чья финансовая отчетность не подвергалась искажению, - 77,6%, а вероятность определения мошеннических отчетностей - 77,1%. Стоит отметить, что в модели авторы применяют нестандартный порог отсечения - 0,34.

Sabat Tino Heidyatmoko и VitaRatnasari [3] в своем исследовании построили логит-регрессионную модель выявления мошенничества в годовых отчетах публичных индонезийских компаний. В данном случае, по мнению авторов, несвоевременная публикация финансового отчета является предпосылкой потенциального искажения отчетности. В исследование включено 56 публичных компаний, зарегистрированных на Индонезийской фондовой бирже, из которых 26 компаний представляют финансовую отчетность несвоевременно, а остальные 30 компаний предоставляют финансовую отчетность в срок за период 2013 года.

Авторы подошли к вопросу искажения финансовой отчетности со стороны непубликации годового отчета для внешних пользователей - инвесторов, государственных регулирующих органов, участников рынка и банков. В хоте исследования проанализированы 35 финансовых показателей и коэффициентов по данным финансовой отчетности публичных акционерных компаний.

Salem Lotfi Boumediene [4] в своей работе построил модель выявления управленческого мошенничества в финансовых отчетах банков Туниса. Автор с помощью логистической регрессии проверил три предположения о влиянии определенных коэффициентов на вероятность мошенничества с финансовой отчетностью: банки с низкими показателями эффективности подвергаются большему числу случаев управленческого мошенничества; банки с высокими показателями роста подвержены большему числу случаев управленческого мошенничества; банки с низким коэффициентом капитала подвергаются повышенной частоте управленческого мошенничества.

Процент правильной классификации банков как немошеннических составляет 93,4%, а для мошеннических банков - 82,8%. Тест Вальда показывает высокую статистическую значимость всех коэффициентов, кроме показателя «денежные средства / чистая прибыль» в отчетном году и показателя «чистые кредиты и аренда / депозиты» в отчетном году.

В результате автор на основе применения логистической регрессии к показателям финансовой отчетности банков Туниса подтвердил гипотезы о влиянии коэффициента эффективности и темпа роста на возможность мошенничества, но опроверг гипотезу о влиянии коэффициента капитала. Чем ниже коэффициент эффективности и выше темп роста, тем вероятность управленческого мошенничества выше. При низком коэффициенте капитала банки менее подвержены мошенничеству.

Ines Amara, Anis BenAmarи Anis Jarboui [5] построили логит-регрес- сионную модель по данным 80 финансовых отчетов компаний Франции, котирующихся на фондовом рынке SBF250 и имеющих сопоставимый размер (оборот и общую сумму активов), за период с 2001 по 2009 год, 40 из которых подверглись мошенничеству. В выборку не попали банки, страховые компании и финансовые учреждения в целом по причине работы данных компаний по конкретным нормам бухгалтерского учета.

Тест Вальда показал высокую статистическую значимость показателя рентабельности активов и переменной «большой четверки», наименьшую значимость имеет показатель директоров и отношение оборотных активов к текущим обязательствам.

По результатам анализа модель правильно определила 29 мошеннических отчетностей из 40, то есть точность выявления мошеннической отчетности составляет 72,5%, что не является высоким результатом, но такая модель допустима к применению.

MichailPazarskis, GeorgeDrogalasи KyriakiBaltzi [6] исследовали мошенничество в финансовых отчетах компаний Греции, котирующихся на Афинской бирже, за период с 2008 по 2015 год. Авторы предлагают логит-регрессионную модель обнаружения фальсификации финансовой отчетности в качестве инструмента для внутренних и внешних аудиторов, банков, налоговых и иных государственных органов. Несмотря на маленькую выборку, финансовые отчеты подобраны таким образом, чтобы компании принадлежали к одной отрасли, а общие активы, оборот и количество сотрудников было примерно равным. Всего в анализе значимости на определение мошеннической и немошеннической финансовой отчетности использовалось 30 коэффициентов, состоявших из таких четырех групп, как: рентабельность, ликвидность, денежный поток и структура капитала. 73 факта фальсификации, обнаруженные в используемой выборке, классифицированы на 8 категорий. Анализ показал, что резервы являются наиболее искажаемой категорией финансовой отчетности с долей 24,67% от общего количества фактов фальсификации, на втором месте - долгосрочные и краткосрочные обязательства с долей 20,55%. По мнению авторов, компании обрабатывающей промышленности более склонны к мошенничеству с финансовой отчетностью.

Модель правильно классифицирует мошеннические отчетности с вероятностью 83,33%, а немошеннические - с вероятностью 93,75%. Наибольшая статистическая значимость у отношения долгосрочных обязательств и собственного капитала и коэффициента рентабельности активов.

По мнению авторов, высокая рентабельность активов не является признаком фальсификации финансовой отчетности, компании с высокими долгосрочными обязательствами имеют повышенную вероятностью быть классифицированными как мошеннические, компании с маленьким коэффициентом процентного покрытия также имеют повышенную вероятностью быть классифицированными как мошеннические.

Marilena Mironiuc, Ioan-Bogdan Robu и Mihaela-Alina Robu [7] из Румынии разработали логит-регрессионную модель на основе данных компаний, котирующихся на четырех фондовых биржах: Нью-Йоркской, Лондонской, Парижской и Миланской. В выборку вошли финансовые отчеты компаний нескольких отраслей деятельности: 30 отчетностей мошеннических компаний с 1998 по 2008 год, мошенничество которых стало известно на международном уровне, и 35 немошеннических отчетностей компаний, являвшихся одними из самых прибыльных в мире на момент 2008 года.

EkremKara, MustafaUgurluи MehmetKorpi[8] предлагают модель выявления мошенничества для компаний обрабатывающей промышленности Турции. Выборка состоит из 132 компаний Стамбульской фондовой биржи за период с 2010 по 2012 год, из них 66 компаний с мошеннической отчетностью и 66 компаний, чья финансовая отчетность не подверглась мошенничеству. Данные получены из финансовых ответов, загруженных с официального веб-сайта Платформы публичного раскрытия информации.

RasaKanapickieneи Zivile Grun- diene [9] в своем исследовании проанализировали 40 мошеннических финансовых отчетов, а также 125 немошеннических финансовых отчетов компаний Литвы, у которых есть аудиторское заключение о достоверности показателей. В результате исследования стало ясно, что чаще всего мошенничество совершается, чтобы показать, что организация продолжает расти и выполнять условия обязательств. По мнению авторов, несмотря на широкий спектр показателей, рассматриваемых в различных научных работах, чаще всего анализируются коэффициенты ликвидности, рентабельности, показатели деятельности и структуры.

Интересным представляется подход в работе Yasmine MagdiRagab[10], в которой автор построил логит- регрессионную модель на основе данных финансовых отчетностей компаний Египта. В ходе анализа на статистическую значимость проверено 25 коэффициентов рентабельности, ликвидности, активности, финансового рычага и состава активов, из которых только 3 коэффициента вошли в модель.

Несмотря на то, что все показатели в модели имеют высокую статистическую значимость, модель правильно определяет немошенническую финансовую отчетность с вероятностью 85,6%, а мошенническую - с вероятностью всего лишь 35,9%. Низкая вероятность обнаружения мошенничества связана с тем, что при формировании выборки отсутствовал достоверный источник о мошеннических отчетностях.

AladeSuleOmoyeи EmmanuelEragbhe [11] разработали логит-модель выявления искажения отчетностей компаний Нигерии. Выборка состоит из 30 финансовых отчетов компаний, котирующихся на Нигерийской фондовой бирже, с 2007 по 2011 год, которая является источником данных о мошеннических отчетностях. Результаты исследования показали, что показатели инвестиций и ликвидности в значительной степени связаны с мошенничеством с финансовой отчетностью.

RadziahMohdDani, WanAdibahWanIsmailи KhairulAnuarKamarudin [12] в своей работе для создания логит-модель выявления искажения показателей отчета использовали выборку из 61 отчетности мошеннических и 61 отчетности немошеннических организаций Малайзии за период с 2003 по 2010 год. Источником данных о мошеннических и немошеннических отчетах послужила фондовая биржа BursaMalaysiaи Малазийская комиссия по ценным бумагам.

Результаты. Подводя итог исследования, можно сказать, что метод регрессионного анализа, отраженный в моделях логистической регрессии выявления мошенничества с показателями финансовой отчетности, используется в различных странах по всему миру. При этом в данной работе перечислены далеко не все зарубежные исследования внаправлении построения таких моделей, а выборка взята из открытых источников лишь за последние 10 лет - с 2009 по 2019 год. В таблице 1 представлена информация по результатам исследования.

По результатам данного исследования необходимо сделать некоторые выводы, которые помогут при разработке логит-регрессионной модели выявления мошенничества с показателями финансовой отчетности на основе данных российских организаций.

Таблица 1 - Зарубежные логит-регрессионные модели выявления мошенничества с показателями финансовой отчетности

Обязательным фактором возможности применения метода регрессионного анализа и построения такой модели является наличие базы с финансовыми отчетами, а также достоверного источника информации о признании финансовой отчетности мошеннической, то есть искаженной вследствие недобросовестных действий. Анализ зарубежных работ показал, что в качестве базы данных с немошенническими и мошенническими финансовыми отчетностями использовались самые разные источники - от веб-сайтов фондовых бирж до специализированных сайтов и государственных источников.

В логистической регрессии используется стандартный порог отсечения, равный 0,5, где при значении расчетного числа в диапазоне от 0,0 до 0,5 событие не наступило, а при значении расчетного числа в диапазоне от 0,5 до 1,0 событие наступило. Тем не менее допускается определение собственного порога отсечения для каждой модели. Исходя из анализа зарубежных исследований, можно сказать, что нестандартный порог отсечения практически не используется.

Стоит отметить, что в связи со спецификой модели и большим разнообразием финансовых коэффициентов, а также возможным использованием нефинансовых коэффициентов точность выявления мошеннической отчетности редко достигает 80%. Приемлемым, на наш взгляд, стоит считать уровень от 70%, хорошим - от 80%. Помимо обязательных финансовых коэффициентов, некоторые авторы используют такие нефинансовые коэффициенты, как «доля акционеров в совете директоров» и «наличие аудиторского заключения» от «большой четверки», что также может оказывать существенное влияние на возможность мошенничества с финансовой отчетностью.

Заключение

Таким образом, в зарубежных работах, посвященных применению метода регрессионного анализа путем создания логит-регрессионных моделей выявления мошенничества с показателями финансовой отчетности, можно отметить огромное разнообразие используемых финансовых коэффициентов, включение нефинансовых переменных, различное количество включенных в модель показателей, разную вероятность определения мошеннической и немошеннической отчетности. Но, несмотря на все это, наиболее точной будет та модель, которая построена на основе выборки финансовых отчетов организаций, имеющих одинаковое направление деятельности, примерно одинаковый размер, и в которой используются статистически значимые коэффициенты. Но самым главным фактором является наличие достоверного источника информации, где указывается, какая отчетность подверглась существенному искажению, что позволит сформировать адекватную статистическую выборку.

Библиографический список

1. Patricia M. Dechow, Weili Ge, Chad R. Larson, Richard G. Sloan Predicting Material Accounting Misstatements // Contemporary Accounting Research. - 2011. - Vol. 28. -No. 1. - Рр. 17-82. Doi.org/10.1111/j.19113846.2010.01041.x.

2. Kuang-Hsun Shin, Ching-Chan Cheng, Yi-Hsien Wang Financial information fraud risk warning for manufacturing industry - using logistic regression and neural network // Romanian Journal of Economic Forecasting. - 1/2011. - Рр. 54-71.

3. Sabat Tino Heidyatmoko, Vita Ratnasari Proceedings of 151st The IIER International Conference, Osaka, Japan. - 8th-9th February 2018. - P. 13-17.

4. Salem Lotfi Boumediene Detection and prediction of managerial fraud in the financial statements of Tunisian banks // Accounting & Taxation. - 2014. - Vol. 6. - No. 2. - Pр. 1-10.

5. Ines Amara, Anis Ben Amar, Anis Jarboui Detection of Fraud in Financial Statements: French Companies as a Case Study // International Journal of Academic Research in Business and Social Sciences. - 2013. - Vol. 3. - No. 5. - Pр. 456-472.

6. Michail Pazarskis, George Drogalas and Kyriaki Baltzi Detecting false financial statements: evidence from Greece in the period of economic crisis // Investment Management and Financial Innovations. - 2017. - No. 14 (3). - Pр. 102-112.

7. Marilena Mironiuc, Ioan- Bogdan Robu and Mihaela-Alina Robu The Fraud Auditing: Empirical Study Concerning the Identification of the Financial Dimensions of Fraud // Journal of Accounting and Auditing: Research & Practice. - Vol. 2012. - Article ID 791778. - 13 p.

8. Ekrem Kara, Mustafa Ugurlu, Mehmet Korpi Using Beneish Model in Identifying Accounting Manipulation: An Empirical Study in BIST Manufacturing Industry Sector // Journal of Accounting, Finance and Auditing Studies. - 2015. - No. 1/1. - Pp. 21-39.

9. Rasa Kanapickiene, Zivile Grundiene The Model of Fraud Detection in Financial Statements by Means of Financial Ratios // Procedia - Social and Behavioral Sciences. - 2015. - No. 213. - Pp. 321-327.

10. Yasmine Magdi Ragab Financial Ratios and Fraudulent Financial Statements Detection: Evidence from Egypt // International Journal of Academic Research. - 2017. - Vol. 4. - Issue-9.

11. Alade Sule Omoye, Emmanuel Eragbhe Accounting Ratios and False Financial Statements Detection: Evidence from Nigerian Quoted Companies // International Journal of Business and Social Science. - 2014. - Vol. 5. - No. 7 (1).

12. Radziah Mohd Dani, Wan Adibah Wan Ismail, Khairul Anuar Kama- rudin Can financial ratios explain the occurrence of fraudulent financial statements? // The 5th International Conference on Financial Criminology (ICFC) 2013. «Global Trends in Financial Crimes in the New Economies». - 2013. - Pp. 345-354.

13. Patricia M. Dechow, Weili Ge, Chad R. Larson, Richard G. Sloan Predicting Material Accounting Misstatements // Contemporary Accounting Research. - 2011. - Vol. 28. -No. 1. - Pp. 17-82. Doi.org/10.1111/j.19113846.2010.01041.x.

14. Kuang-Hsun Shin, Ching-Chan Cheng, Yi-Hsien Wang Financial information fraud risk warning for manufacturing industry - using logistic regression and neural network // Romanian Journal of Economic Forecasting. - 1/2011. - Pp. 54-71.

15. Sabat Tino Heidyatmoko, Vita Ratnasari Proceedings of 151st The IIER International Conference, Osaka, Japan. - 8th-9th February 2018. - P. 13-17.

16. Salem Lotfi Boumediene Detection and prediction of managerial fraud in the financial statements of Tunisian banks // Accounting & Taxation. - 2014. - Vol. 6. - No. 2. - Pp. 1-10.

17. Ines Amara, Anis Ben Amar, Anis Jarboui Detection of Fraud in Financial Statements: French Companies as a Case Study // International Journal of Academic Research in Business and Social Sciences. - 2013. - Vol. 3. - No. 5. - Pp. 456-472.

18. Michail Pazarskis, George Drogalas and Kyriaki Baltzi Detecting false financial statements: evidence from Greece in the period of economic crisis // Investment Management and Financial Innovations. - 2017. - No. 14 (3). - Pp. 102112.

19. Marilena Mironiuc, Ioan- Bogdan Robu and Mihaela-Alina Robu The Fraud Auditing: Empirical Study Concerning the Identification of the Financial Dimensions of Fraud // Journal of Accounting and Auditing: Research & Practice. - Vol. 2012. - Article ID 791778. - 13 p.

20. Ekrem Kara, Mustafa Ugurlu, Mehmet Korpi Using Beneish Model in Identifying Accounting Manipulation: An Empirical Study in BIST Manufacturing Industry Sector // Journal of Accounting, Finance and Auditing Studies. - 2015. - No 1/1. - Pp. 21-39.

21. Rasa Kanapickiene, Zivile Grundiene The Model of Fraud Detection in Financial Statements by Means of Financial Ratios // Procedia - Social and Behavioral Sciences. - 2015. - No. 213. - Pp. 321-327.

22. Yasmine Magdi Ragab Financial Ratios and Fraudulent Financial Statements Detection: Evidence from Egypt // International Journal of Academic Research. - 2017. - Vol. 4. - Issue 9.

23. Alade Sule Omoye, Emmanuel Eragbhe Accounting Ratios and False Financial Statements Detection: Evidence from Nigerian Quoted Companies // International Journal of Business and Social Science. - 2014. - Vol. 5. - No. 7 (1).

24. Radziah Mohd Dani, Wan Adibah Wan Ismail, Khairul Anuar Kama- rudin Can financial ratios explain the occurrence of fraudulent financial statements? // The 5th International Conference on Financial Criminology (ICFC) 2013. «Global Trends in Financial Crimes in the New Economies». - 2013. - Pp. 345-354.

Размещено на Allbest.ru