+7(495) 989 9610
ИД «Финансы и кредит»

ЖУРНАЛЫ

  

АВТОРАМ

  

ПОДПИСКА

    
«Международный бухгалтерский учёт»
 

Реферирование и индексирование

РИНЦ
Referativny Zhurnal VINITI RAS
Worldcat
Google Scholar

Электронные версии в PDF

EBSCOhost
Eastview
Elibrary
Biblioclub

Формирование типологии по поведенческим характеристикам склонности к риску существенного искажения финансовой отчетности лиц, ответственных за ее составление

Купить электронную версию статьи

т. 24, вып. 4, апрель 2021

Получена: 01.03.2021

Получена в доработанном виде: 12.03.2021

Одобрена: 22.03.2021

Доступна онлайн: 15.04.2021

Рубрика: Аудиторская деятельность

Коды JEL: С38, D03, M42

Страницы: 422–437

https://doi.org/10.24891/ia.24.4.422

Арженовский С.В. доктор экономических наук, профессор кафедры статистики, эконометрики и оценки рисков, Ростовский государственный экономический университет (РИНХ), Ростов-на-Дону, Российская Федерация 
sarzhenov@gmail.com

https://orcid.org/0000-0001-8692-7883
SPIN-код: 8388-9604

Синявская Т.Г. кандидат экономических наук, доцент кафедры статистики, эконометрики и оценки рисков, Ростовский государственный экономический университет (РИНХ), Ростов-на-Дону, Российская Федерация 
sin-ta@yandex.ru

https://orcid.org/0000-0002-4120-9180
SPIN-код: 7290-0115

Бахтеев А.В. кандидат экономических наук, доцент кафедры анализа хозяйственной деятельности и прогнозирования, Ростовский государственный экономический университет (РИНХ), Ростов-на-Дону, Российская Федерация 
a_bakhteev@mail.ru

https://orcid.org/0000-0002-7002-0846
SPIN-код: 7035-9536

Предмет. Формирование типологии лиц, ответственных за составление отчетности, имеющих повышенную склонность к риску существенного искажения финансовой отчетности вследствие недобросовестных действий.
Цели. Разработка методического обеспечения типизации лиц, ответственных за подготовку отчетности, на основе учета поведенческих характеристик склонности к риску существенного искажения финансовой отчетности.
Методология. Применялись многомерные статистические методы факторного и кластерного анализа на эмпирических данных проведенного авторами опроса 515 сотрудников, ответственных за составление финансовой отчетности в компаниях.
Результаты. Выявлено, что наличие у лица, ответственного за подготовку финансовой отчетности организации, личностных характеристик склонности к риску при неверии в наказание, а также патологического монетарного типа на фоне правового невежества являются признаками склонности к риску существенного искажения финансовой отчетности вследствие недобросовестных действий. Группа таких лиц в выборке составляет около 9%. Совсем не склонных к исследуемому риску – около трети выборки. Чуть более трети можно оценивать как нейтральных в отношении этого риска. Остальных (около 23%) сотрудников можно охарактеризовать как подозрительных, с точки зрения склонности к исследуемому риску, и рекомендовать проведение дополнительных аудиторских процедур.
Область применения. Типизация сотрудников фирмы, отвечающих за подготовку финансовой отчетности, по склонности к экономическому риску позволяет на этапе формирования стратегии и плана аудита определить необходимость проведения аудиторских процедур в ответ на оцененные риски существенного искажения финансовой отчетности вследствие недобросовестных действий.
Выводы. Предложенное методическое обеспечение при невысокой трудоемкости позволяет повысить результативность проводимых с его использованием процедур оценки риска в ходе аудита.

Ключевые слова: аудиторский риск, поведенческие характеристики, кластерный анализ, факторный анализ

Список литературы:

  1. Cressey D.R. Other People's Money: A Study in the Social Psychology of Embezzlement. Glencoe, IL, Free Press, 1953.
  2. Wolfe D.T., Hermanson D.R. The Fraud Diamond: Considering the Four Elements of Fraud. The CPA Journal, 2004, vol. 74, iss. 12, pp. 38–42.
  3. Marks J.T. Why the Fraud Triangle is No Longer Enough. Crowe Horwath, 2011.
  4. Fitri F.A., Syukur M., Justisa G. Do the Fraud Triangle Components Motivate Fraud in Indonesia? Australasian Accounting, Business and Finance Journal, 2019, vol. 13, iss. 4, pp. 63–72. URL: Link
  5. Yusof M.K., Khair A.H., Simon J. Fraudulent Financial Reporting: An Application of Fraud Models to Malaysian Public Listed Companies. Macrotheme Review, 2015, vol. 4, iss. 3, pp. 126–145. URL: Link
  6. Chen Q., Kelly K., Salterio S.E. Do Changes in Audit Actions and Attitudes Consistent with Increased Auditor Skepticism Deter Aggressive Earnings Management? An Experimental Investigation. Accounting, Organizations and Society, 2012, vol. 37, iss. 2, pp. 95–115. URL: Link
  7. Jackson A.B., Rountree B.R. Earnings Co-Movements and Earnings Manipulation. Review of Accounting Studies, 2017, vol. 22, iss. 3, pp. 1340–1365. URL: Link
  8. Shelton S.W., Whittington O.R., Landsittel D. Auditing Firms' Fraud Risk Assessment Practices. Accounting Horizons, 2001, vol. 15, iss. 1, pp. 19–33. URL: Link
  9. Perri F.S., Brody R.G. The Optics of Fraud: Affiliations that Enhance Offender Credibility. Journal of Financial Crime, 2012, vol. 19, iss. 3, pp. 305–320. URL: Link
  10. Gilmore J.B., Johnson R. The Fraud Diamond vs. Fraud Triangle Analytics: Evaluating “Capability” as a Modification for Auditing Unstructured Enterprise Data. Working Paper. Frostburg State University at Maryland, 2011.
  11. Арженовский С.В., Синявская Т.Г., Бахтеев А.В. Многомерная пробит-модель для априорной оценки поведенческих рисков в аудите // Прикладная эконометрика. 2020. № 4. С. 102–114. URL: Link
  12. Gray G.L., Debreceny R.S. A Taxonomy to Guide Research on the Application of Data Mining to Fraud Detection in Financial Statement Audits. International Journal of Accounting Information Systems, 2014, vol. 15, iss. 4, pp. 357–380. URL: Link
  13. Gepp A., Linnenluecke M.K., O'Neill T.J., Smith T. Big Data Techniques in Auditing Research and Practice: Current Trends and Future Opportunities. Journal of Accounting Literature, 2018, vol. 40, pp. 102–115. URL: Link
  14. Spathis Ch., Doumpos M., Zopounidis C. Detecting Falsified Financial Statements: A Comparative Study Using Multicriteria Analysis and Multivariate Statistical Techniques. European Accounting Review, 2002, vol. 11, iss. 3, pp. 509–535. URL: Link
  15. Huang S.Y., Tsaih R.H., Lin W.Y. Feature Extraction of Fraudulent Financial Reporting Through Unsupervised Neural Networks. Neural Network World, 2014, vol. 24, iss. 5, pp. 539–560. URL: Link
  16. Chen S. Detection of Fraudulent Financial Statements Using the Hybrid Data Mining Approach. SpringerPlus, 2016, no. 5, article no. 89. URL: Link
  17. Иберла К. Факторный анализ. М.: Статистика, 1980. 398 с.
  18. Johnson R.A., Wichern D.W. Applied Multivariate Statistical Analysis. Prentice Hall, 2002, 767 p.
  19. Харман Г. Современный факторный анализ. М.: Статистика, 1972. 485 с.
  20. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. и др. Факторный, дискриминантный и кластерный анализ. М.: Финансы и статистика, 1989. 215 с.
  21. Bishop C.M. Neural Networks for Pattern Recognition. Oxford, Clarendon Press; New York, Oxford University Press, 1995, 482 p.

Посмотреть другие статьи номера »

 

ISSN 2311-9381 (Online)
ISSN 2073-5081 (Print)

Свежий номер журнала

т. 24, вып. 5, май 2021

Другие номера журнала