Фальсификация бухгалтерской отчетности на предприятиях обрабатывающей промышленности в 2012–2019 гг.

Рассматривается уровень фальсификации бухгалтерской отчетности на предприятиях обрабатывающей промышленности в период с 2012 г. по 2019 г. Основными вопросами являются выявление факторов, взаимосвязанных с гетерогенностью оценок фальсификации финансовой отчетности. Мы исследуем эволюцию корпоративного мошенничества в рассматриваемый период, уделяя особое внимание взаимосвязи фальсифицируемости отчетности и санкционного кризиса 2014 года.

Выявлены две основные линии поведения компаний в отношении подачи корпоративной отчетности: либо устойчиво «честная» стратегия, которая характерна не более, чем для 30-60% предприятий, либо ситуативное поведение, когда предприятие предоставляет то достоверные, то сомнительные данные в те или иные годы в зависимости от тех или иных обстоятельств.

Для всех размерных групп предприятий обрабатывающей промышленности, кроме малого бизнеса, качество предоставляемой отчетности, в целом несколько улучшилось в постсанкционный период 2015–2019 гг. по сравнению с досанкционным.

На основе эконометрических расчетов продемонстрировано, что основными факторами, взаимосвязанными с предоставлением недостоверной отчетности являются размер предприятия и темп роста дебиторской задолженности в предшествующие годы.

1. Зверев, Е., & Никифоров, А. (2018). Распределение Бенфорда: выявление нестандартных элементов в больших совокупностях финансовой информации. Внутренний контроль в кредитной организации, 4(40).

2. Когденко, В. Г. (2015). Корпоративное мошенничество: анализ схем присвоения активов и способов манипулирования отчетностью. Экономический анализ: теория и практика, (4(403)), 2–13.

3. Рощектаев, С. А., & Рощектаева, У. Ю. (2018). Выявление фактов фальсификации финансовой отчетности: модель М. Бениша. Научный вестник Южного института менеджмента, (2), 37–43. https://doi.org/10.31775/2305-3100-2018-2-37-43

4. Сардарова, Б. М. (2009). Манипулирование финансовой отчетностью — схемы и симптомы, способы выявления. ЭТАП: экономическая теория, анализ, практика, (1), 142–156.

5. Ферулева, Н. В., & Штефан, М. А. (2016). Выявление фактов фальсификации финансовой отчетности в российских компаниях: анализ применимости моделей Бениша и Роксас. Российский журнал менеджмента, 14(3), 49–70. https://doi.org/10.21638/11701/spbu18.2016.303

6. Штефан, М. А., & Ферулева, Н. В. (2017). Аудит фальсификации финансовой отчетности: специфические аспекты. Международный бухгалтерский учет, 20(2(416)), 88–105.

7. Ahlin, C., Kim, I. K., & il Kim, K. (2021). Who commits fraud? evidence from korean gas stations. International Journal of Industrial Organization, 76, 102719. https://doi.org/10.1016/j.ijindorg.2021.102719

8. Albrecht, W. S., Howe, K. R., & Romney, M. B. (1984). Deterring fraud: the internal auditor’s perspective. Inst of Internal Auditors.

9. Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 55(5), 24–36. https://doi.org/10.2469/faj.v55.n5.2296

10. Carslaw, C. A. (1988). Anomalies in income numbers: Evidence of goal oriented behavior. Accounting Review, 321–327.

11. Chen, G., Firth, M., Gao, D. N., & Rui, O. M. (2006). Ownership structure, corporate governance, and fraud: Evidence from China. Journal of corporate finance, 12(3), 424–448. https://doi.org/10.1016/j.jcorpfin.2005.09.002

12. Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary accounting research, 28(1), 17–82. https://doi.org/10.1111/j.1911-3846.2010.01041.x

13. DeFond, M. L., & Jiambalvo, J. (1994). Debt covenant violation and manipulation of accruals. Journal of accounting and economics, 17(1-2), 145–176. https://doi.org/10.1016/0165-4101(94)90008-6

14. Dong, W., Liao, S., & Zhang, Z. (2018). Leveraging financial social media data for corporate fraud detection. Journal of Management Information Systems, 35(2), 461–487. https://doi.org/10.1080/07421222.2018.1451954

15. Dzamba, A. (2004). Red flags to look for when reviewing financial reporting controls. Financial Analysis, Planning and Reporting, August, 1–12.

16. Ettredge, M., Scholz, S., Smith, K. R., & Sun, L. (2010). How do restatements begin? Evidence of earnings management preceding restated financial reports. Journal of Business Finance Accounting, 37(3-4), 332–355. https://doi.org/10.1111/j.1468-5957.2010.02199.x

17. Hennes, K. M., Leone, A. J., & Miller, B. P. (2014). Determinants and market consequences of auditor dismissals after accounting restatements. The Accounting Review, 89(3), 1051–1082. https://doi.org/10.2308/accr-50680

18. Kim, Y. J., Baik, B., & Cho, S. (2016). Detecting financial misstatements with fraud intention using multi-class cost-sensitive learning. Expert systems with applications, 62, 32–43. https://doi.org/10.1016/j.eswa.2016.06.016

19. Noor, N. R. A. M., & Mansor, N. (2019). Exploring the adaptation of artificial intelligence in whistleblowing practice of the internal auditors in Malaysia. Procedia Computer Science, 163, 434–439. https://doi.org/10.1016/j.procs.2019.12.126

20. Roxas, M. L. (2011). Financial statement fraud detection using ratio and digital analysis. Journal of Leadership, Accountability, and Ethics, 8(4), 56–66.

21. Thomas, J. K. (1989). Unusual patterns in reported earnings. Accounting Review, 773–787. Wang, X., & Wu, M. (2011). The quality of financial reporting in China: An examination from an accounting restatement perspective. China journal of accounting research, 4(4), 167–196. https://doi.org/10.1016/j.cjar.2011.09.001

22. Wyrobek, J. (2020). Application of machine learning models and artificial intelligence to analyze annual financial statements to identify companies with unfair corporate culture. Procedia Computer Science, 176, 3037–3046. https://doi.org/10.1016/j.procs.2020.09.335

23. Yang, D., Jiao, H., & Buckland, R. (2017). The determinants of financial fraud in Chinese firms: Does corporate governance as an institutional innovation matter? Technological Forecasting and Social Change, 125, 309–320. https://doi.org/10.1016/j.techfore.2017.06.035