Предмет. Финансовые несоответствия организаций, включающие финансовые нарушения, правонарушения, корпоративное мошенничество и иные деструктивные события. Цели. Формирование и внедрение эффективной модели выявления финансовых несоответствий организаций путем апробации наиболее адекватного к условиям российской экономики инструментария. Методология. Использованы данные 700 российских организаций, 350 из которых признаны российскими судами виновными в грубом нарушении требований к бухгалтерскому учету, в том числе к бухгалтерской (финансовой) отчетности. Актуализация уравнений апробируемых моделей на выборке российских организаций произведена инструментарием logit-модели в соответствии с исходной методологией разработок моделей. Результаты. Проведена оценка достоверности классификации российских организаций апробируемыми базовыми моделями на основе анализа выявления финансовых несоответствий организаций, доказана низкая точность зарубежных базовых моделей в условиях российских экономических реалий: не более 65,4%. По результатам актуализации уравнений апробируемых моделей на выборке российских организаций повышена точность моделей от 5,3% до 8%, с достижением максимальной точности классификации организаций в 73,4%. Область применения. Результаты целесообразно использовать в рамках совершенствования механизма снижения рисков столкновения с недобросовестными действиями субъектов экономики и повышения прозрачности корпоративного сектора, в том числе путем сокращения случаев непреднамеренного искажения данных организаций, снижения доли теневой экономики. Выводы. В условиях российской экономики требуется эффективный инструментарий для снижения ущерба от финансовых несоответствий организаций. Результаты исследования подтверждают низкую точность апробированных моделей выявления финансовых несоответствий в условиях российской экономики. Актуализация уравнений позволила повысить точности моделей, однако полученный уровень недостаточен для значимого снижения потерь инвесторов и кредиторов организаций.
Гудова М.Р. Финансовые несоответствия организаций: сущность понятия, формирование единого подхода к данному явлению // Вестник АКСОР. 2017. № 2. С. 218—223.
Beneish M.D. The Detection of Earnings Manipulation. Financial Analysts Journal, 1999, vol. 55(5), pp. 24–36.
Persons O.S. Using Financial Statement Data to Identify Factors Associated with Fraudulent Financial Reporting. Journal of Applied Business Research, 1995, vol. 11, iss. 3, pp. 38–46.
Kirkos E., Spathis C., Manolopoulos Y. Data Mining Techniques for the Detection of Fraudulent Financial Statements. Expert Systems with Applications, 2007, vol. 32, iss. 4, pp. 995–1003. URL: Link
Cecchini M., Aytug H., Koehler G., Pathak P. Detecting Management Fraud in Public Companies. Management Science, 2010, vol. 56, no. 7, pp. 1146–1160.
Spathis Ch., Doumpos M., Zopounidis C. Detecting Falsified Financial Statements: A Comparative Study Using Multicriteria Analysis and Multivariate Statistical Techniques. The European Accounting Review, 2002, vol. 11, iss. 3, pp. 509–535. URL: Link
Tarjo, Herawati N. Application of Beneish M-Score Models and Data Mining to Detect Financial Fraud. Procedia – Social and Behavioral Sciences, 2015, vol. 211, pp. 924–930.
Kanapickiene R., Grundiene Z. The Model of Fraud Detection in Financial Statements by Means of Financial Ratios. Procedia – Social and Behavioral Sciences, 2015, vol. 213, pp. 321–327.
Dalnial H., Kamaluddin A., Sanusi Z., Khairuddin K. Accountability in Financial Reporting: Detecting Fraudulent Firms. Procedia – Social and Behavioral Sciences, 2014, vol. 145, pp. 61–69.
Beneish M.D. Detecting GAAP Violation: Implications for Assessing Earnings Management among Firms with Extreme Financial Performance. Journal of Accounting and Public Policy, 1997, vol. 16, iss. 3, pp. 271–309.
Beneish M.D., Marshall C.D., Yang J. Explaining CEO Retention in Misreporting Firms. Journal of Financial Economics, 2017, vol. 123(3), pp. 512–535. URL: Link
Beneish M.D., Vargus M.E. Insider Trading, Earnings Quality, and Accrual Mispricing. The Accounting Review, 2002, vol. 77, no. 4, pp. 755–791. URL: Link
Stepanyan I.K., Dubinina G.A., Nikolaev D.A. et al. Cross-Disciplinary Case-Analyses of Investment Optimization in a Foreign Language Applying Dynamic Programming. Espacios, 2017, vol. 38, no. 62, pp. 19–28. URL: Link
Dutta I., Dutta S., Raahemi B. Detecting Financial Restatements Using Data Mining Techniques. Expert Systems with Applications, 2017, vol. 90, pp. 374–393. URL: Link
Glancy F.H., Yadav S.B. A Computational Model for Financial Reporting Fraud Detection. Decision Support Systems, 2011, vol. 50, no. 3, pp. 595–601. URL: Link
Gupta R., Gill N.S. A Data Mining Framework for Prevention and Detection of Financial Statement Fraud. International Journal of Computer Applications, 2012, vol. 50, iss. 8, pp. 7–14. URL: Link
Fanning K., Cogger K.O. Neural Network Detection of Management Fraud Using Published Financial Data. Intelligent Systems in Accounting, Finance & Management, 1998, vol. 7, iss. 1, pp. 21–41. URL: Link1099-1174(199803)7:1<21::AID-ISAF138>3.0.CO;2-K
Feroz E.H., Kwon T.M., Park K., Pastena V.S. The Efficacy of Red Flags in Predicting the SEC's Targets: An Artificial Neural Networks Approach. Intelligent Systems in Accounting, Finance & Management, 2000, vol. 9, iss. 3, pp. 145–157. URL: Link9:3%3C145::AID-ISAF185%3E3.0.CO;2-G
Kim J., Baik B., Cho S. Detecting Financial Misstatements with Fraud Intention Using Multi-Class Cost-Sensitive Learning. Expert Systems with Applications, 2016, vol. 62, iss. C, pp. 32–43. URL: Link
Throckmorton S., Mayew W., Venkatachalam M., Collins L. Financial Fraud Detection Using Vocal, Linguistic and Financial Cues. Decision Support Systems, 2015, vol. 74, pp. 78–87. URL: Link
