2023 (20), №3

Проверка достоверности финансовой отчетности европейских компаний законом Бенфорда

DOI:

https://doi.org/10.31063/AlterEconomics/2023.20-3.10

Для цитирования:

Назарова, В. В., Чуракова, И. Ю., Куприянов, Д. А. (2023). Проверка достоверности финансовой отчетности европейских компаний законом Бенфорда. AlterEconomics, 20(3), 691–711. https://doi.org/10.31063/AlterEconomics/2023.20-3.10

Аннотация:

Манипуляции финансовой отчетностью и достоверностью представленных в ней данных встречаются в экономике достаточно часто, и с 2001 г., со скандала с Enron, количество манипуляций продолжает расти. Компании стараются представить свои данные с наиболее выгодной позиции, увеличивая цену акции и привлекательность для инвесторов, используя порой неэтичные методы. Закон Бенфорда — это математический инструмент, открытый еще в 1938 г., а с 1995 г. примененный математиком М. Нигрини для анализа налоговых деклараций. В данном исследовании он используется как метод определения возможных фальсификаций бухгалтерской отчетности. Закон Бенфорда, или закон первой цифры, состоит в том, что вероятность появления в массивах данных чисел, начинающихся с единицы, в три раза больше, чем это предсказано нормальным распределением, и эту вероятность можно просчитать. Целью данного исследования является проверка данных европейских компаний на достоверность при помощи закона Бенфорда. В статье рассмотрены теоретические аспекты, связанные с законом Бенфорда, проанализированы важнейшие исследования по теме и рассмотрены методы, с помощью которых можно проверить данные отчетности на достоверность. Работа включает в себя анализ данных европейских компаний. На его основе создан алгоритм, благодаря которому удалось проверить данные отчетности и оценить степень их соответствия частотам Бенфорда. Данный подход актуален для проверки отчетности по отраслям, странам и отдельным компаниям. По результатам определены европейские страны и сферы деятельности, в которых наиболее часто выявляются фальсификации или умышленные корректировки финансовой отчетности.

Скачать статью в формате PDF
Скачано: 109, размер: 642.5 KB

Назарова Варвара Вадимовна — кандидат экономических наук, доцент департамента финансов СПбШЭиМ, Национальный исследовательский университет «Высшая школа экономики»; https://orcid.org/0000-0002-9127-1644 (Российская Федерация, 190121, г. Санкт-Петербург, ул. Союза Печатников, д. 16; e-mail: nvarvara@list.ru).

Чуракова Ийя Юрьевна — кандидат экономических наук, доцент департамента финансов СПбШЭиМ, Национальный исследовательский университет «Высшая школа экономики»; https://orcid.org/0000-0002-1791-607X (Российская Федерация, г. Санкт-Петербург, ул. Союза Печатников, д. 16; e-mail: iychurakova@hse.ru).

Куприянов Дмитрий Алексеевич — магистр ОП «Финансы» СПбШЭиМ, Национальный исследовательский университет «Высшая школа экономики», (Российская Федерация, г. Санкт-Петербург, ул. Союза Печатников, д. 16).

Зверев, Е., Никифоров, А. (2018). Распределение Бенфорда: выявление нестандартных элементов в больших совокупностях финансовой информации. Внутренний контроль в кредитной организации, 4 (40), 4–18.

Adhikari, K., Sarkar, P. (1968). Distribution of Most Significant Digit in Certain Functions Whose Arguments are Random Variables. Sankhya-The Indian Journal of Statistics Series B, 30, 47–58.

Alali, F., Romero, S. (2013). Characteristics of Failed U.S. Commercial Banks: An Exploratory Study. Accounting & Finance, 53 (4), 1149–1174. https://doi.org/10.1111/j.1467-629X.2012.00491.x

Álvarez-Jareño, J. A., Badal-Valero, E., Pavía, J. M. (2017). Using Machine Learning for Financial Fraud Detection in the Accounts of Companies Investigated for Money Laundering. Working Papers 2017/07. Castellón, Spain: Universitat Jaume.

Azevedo, C. da S., Gonçalves, R. F., Gava, V. L., Spinola, M. de M. (2021). A Benford’s Law Based Methodology for Fraud Detection in Social Welfare Programs: Bolsa Familia Analysis. Physica A: Statistical Mechanics and its Applications, 567, 125626. https://doi.org/10.1016/j.physa.2020.125626

Azevedo, C. da S., Gonçalves, R. F., Gava, V. L., Spinola, M. M. (2021). A Benford’s Law-Based Method for Fraud Detection using R Library. MethodsX, 8, 101575, 1–10. https://doi.org/10.1016/j.mex.2021.101575

Balashov, V. S., Yan, Y., Zhu, X. (2021). Who Manipulates Data During Pandemics? Evidence From Newcomb-Benford Law. Preprint from Research Square. https://doi.org/10.21203/rs.3.rs-555372/v1

Barabesi, L., Pratelli, L. (2020). On the Generalized Benford Law. Statistics & Probability Letters, 160, 108702. https://doi.org/10.1016/j.spl.2020.108702

Barney, B. J., Schulzke, K. S. (2016). Moderating “Cry Wolf” Events with Excess MAD in Benford’s Law Research and Practice. Journal of Forensic Accounting, 1 (1), A66–A90.

Benford, F. (1938). The Law of Anomalous Numbers. Proceedings of the American Philosophical Society, 78 (4), 551–572.

Bhattacharya, S., Xu, D., Kumar, K. (2011). An ANN-based Auditor Decision Support System Using Benford’s Law. Decision Support Systems, 50 (3), 576–584. https://doi.org/10.1016/j.dss.2010.08.011

Druică, E., Oancea, B., Vâlsan, C. (2018). Benford’s Law and the Limits of Digit Analysis. International Journal of Accounting Information Systems, 31, 75–82. https://doi.org/10.1016/j.accinf.2018.09.004

Furry, W., Hurwitz, H. (1945). Distribution of Numbers and Distribution of Significant Figures. Nature, 155, 52–53.

Hasan, B. (2002). Assessing data Authenticity with Benford’s law. Information Systems Control Journal, 6, 41–45.

Herteliu, C. Jianu, I., Dragan, I. M., Apostu, S. A., Luchian, I. (2021). Testing Benford’s Laws (Non)Conformity within Disclosed Companies’ Financial Statements among Hospitality Industry in Romania. Physica A: Statistical Mechanics and its Applications, 582. 126221. https://doi.org/10.1016/j.physa.2021.126221

Hillison, W., Durtschi, C., Pacini, C. (2004). The Effective Use of Benford’s Law to Assist in Detecting Fraud in Accounting Data. Journal of Forensic Accounting, V, 17–34.

Krakar, Z., Žgela, M. (2009). Application of Benford’s Law in Payment Systems Auditing. Journal of Information and Organizational Sciences, 33 (1), 39–51.

Nigrini, M. (1996). A Taxpayer Compliance Application of Benford’s Law. The Journal of the American Taxation Association, 18 (1), 72–91.

Nigrini, M. (2017). Audit Sampling Using Benford’s Law: A Review of the Literature with Some New Perspectives. Journal of Emerging Technologies in Accounting, 14 (2), 29–46. https://doi.org/10.2308/jeta-51783

Nigrini, M., Mittermaier, L. (1997). The Use of Benford’s Law as an Aid in Analytical Procedures. Auditing: A Journal of Practice & Theory, 16 (2), 52–67.

Pinkham, R. S. (1961). On the Distribution of First Significant Digits. The Annals of Mathematical Statistics, 32 (4), 1223–1230. https://doi.org/10.1214/aoms/1177704862

Raimi, R. A. (1976). The first digit problem. The American Mathematical Monthly, 83 (7), 521–538. https://doi.org/10.2307/2319349

Silva, W. B. da, Travassos, S. K. de M., Costa, J. I. de F. (2017). Using the Newcomb-Benford Law as a Deviation Identification Method in Continuous Auditing Environments: A Proposal for Detecting Deviations over Time. Revista Contabilidade & Finanças, 28 (73), 11–26. http://dx.doi.org/10.1590/1808-057×201702690

Torres, D., Pericchi, L. (2011). Quick Anomaly Detection by the Newcomb—Benford Law, with Applications to Electoral Processes Data from the USA, Puerto Rico and Venezuela. Statistical Science, 26 (4), 502–516. http://dx.doi.org/10.1214/09-STS296

Wallace, W. A. (2002). Assessing the quality of data used for benchmarking and decision-making. The Journal of Government Financial Management, 51 (3), 16–22.

Whitney, R. E. (1972). Initial Digits for the Sequence of Primes. The American Mathematical Monthly, 79 (2), 150–152. https://doi.org/10.2307/2316536