Главная  Журналы  Международный бухгалтерский учет  1(451) - 2019 январь

Логит-модели для оценки риска преднамеренного искажения финансовой отчетности российских банков

Получена: 06.06.2017

Получена в доработанном виде: 13.07.2017

Одобрена: 26.07.2017

Доступна онлайн: 16.01.2019

Рубрика: Финансовый учет

Коды JEL: C23, C53, G21, M42

Страницы: 24–37

https://doi.org/10.24891/ia.22.1.24

Предмет. Статья посвящена исследованию возможностей применения регрессионных моделей при проведении процедур оценки риска существенного искажения бухгалтерской (финансовой) отчетности вследствие недобросовестных действий в процессе аудита.
Цели. Разработка математических моделей, позволяющих проводить оценку риска преднамеренного существенного искажения бухгалтерской (финансовой) отчетности российских кредитных организаций в процессе аудита. Определение перечня переменных, динамика которых может быть индикатором наличия признаков манипулирования данными бухгалтерской (финансовой) отчетности коммерческих банков. Описание результатов испытания моделей оценки риска существенного искажения бухгалтерской отчетности кредитных организаций вследствие недобросовестных действий.
Методология. Обзор современных исследований в области построения моделей риска мошенничества в бухгалтерской отчетности. Праксеологический анализ информации отчетов Банка России о причинах отзыва лицензий кредитных организаций. Эконометрическое моделирование с использованием пакета прикладных программ Stata на панельных данных.
Результаты. Проведен обзор существующих регрессионных моделей дискретного выбора, позволяющих идентифицировать и оценить риск существенного искажения финансовой отчетности коммерческих компаний вследствие недобросовестных действий. Определен перечень причин отзыва лицензий российских банков, связанных с фальсификацией ими бухгалтерской отчетности. Предложена пятифакторная логистическая модель для оценки риска преднамеренного искажения бухгалтерской отчетности российских кредитных организаций. Модель может быть использована в аудиторской практике в качестве инструмента оценки риска преднамеренного искажения бухгалтерской отчетности.
Выводы. Использование модели снизит трудозатраты аудитора на проведение процедур оценки риска существенного искажения финансовой отчетности российских банков вследствие мошенничества. Модель применима для получения оценки риска преднамеренного искажения на уровне бухгалтерской отчетности в целом.

Ключевые слова: аудит, недобросовестные действия, риск существенного искажения, регрессионная модель дискретного выбора

Список литературы:

1. Beneish M. Detecting GAAP Violations: 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. URL: Link00023-9
2. Beneish M.D. The Detection of Earnings Manipulation. Financial Analysts Journal, 1999, vol. 55, no. 5, pp. 24–36.
3. Roxas M.L. Financial Statement Fraud Detection Using Ratio and Digital Analysis. Journal of Leadership, Accountability and Ethics, 2011, vol. 8, iss. 4, pp. 56–66.
4. Jones K.L. Improving Fraud Risk Assessments Through Analytical Procedures. The University of Arizona, 2004.
5. Jones J.J. Earnings Management During Import Relief Investigations. Journal of Accounting Research, 1991, vol. 29, no. 2, pp. 193–228. URL: Link
6. Spathis C.T. Detecting False Financial Statements Using Published Data: Some Evidence from Greece. Managerial Auditing Journal, 2002, vol. 17, no. 4, pp. 179–191.
7. Altman E.I. Corporate Financial Distress. N.Y., Wiley Interscience, 1983.
8. Mohamed Yusof. K., Ahmad Khair A.H., Jon Simon. Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies. The Macrotheme Review, 2015, vol. 4, no. 3, pp. 126–145.
9. Энхбаяр Ч., Цолмон С. Возможность выявления мошенничества в финансовой отчетности // Baikal Research Journal. 2015. Т. 6. № 4. URL: Link; URL: Link.7
10. Oshinsky R., Olin V. Troubled Banks: Why Don't They All Fail? FDIC Banking Review, 2006, vol. 18, iss. 1, pp. 23–44.
11. Егорова О.Ю. Классификация подходов, моделей и методов диагностики банкротства банков // Глобальные рынки и финансовый инжиниринг. 2015. Т. 2. № 3. С. 229–244. URL: Link
12. Пересецкий А.А. Модели причин отзыва лицензий у российских банков. М.: Российская Экономическая Школа, 2010. 26 с.
13. Пересецкий А.А. Модели причин отзыва лицензий российских банков. Влияние неучтенных факторов // Прикладная эконометрика. 2013. Т. 30. № 2. С. 49–64.
14. Пересецкий А.А. Эконометрические методы в дистанционном анализе деятельности российских банков. М.: НИУ ВШЭ, 2012. 235 с.
15. Фетисов Г.Г. Устойчивость коммерческого банка и рейтинговые системы ее оценки. М.: Финансы и статистика, 1999. 168 с.
16. Афанасьева О.Н. Методика определения устойчивости банковской системы // Банковское дело. 2016. № 1. С. 11–16.
17. Lanine G., Vennet R. Failure Prediction in the Russian Bank Sector with Logit and Trait Recognition Models. Expert Systems with Applications, 2006, vol. 30, iss. 3, pp. 463–478. URL: Link
18. Емельянов А.М., Брюхова О.О. Исследование причин отзыва лицензий у российских коммерческих банков в посткризисный период (2010–2011) // Экономика и математические методы. 2015. Т. 51. № 3. С. 41–53.
19. Maddala G.S. Limited-dependent and Qualitative Variables in Econometrics. Cambridge University Press, 1983.
20. Hsiao C. Analysis of Panel Data. Cambridge University Press, 2003. URL: Link

Посмотреть другие статьи номера »