close

Вход

Забыли?

вход по аккаунту

7 навыков высокоэффективных людей;doc

код для вставкиСкачать
УДК 2964
Ю.Ю. Кочинев1, О.И. Виноградова2
ИДЕНТИФИКАЦИЯ НЕПРЕДНАМЕРЕННОСТИ ИСКАЖЕНИЙ,
ВЫЯВЛЕННЫХ В БУХГАЛТЕРСКОЙ ОТЧЕТНОСТИ
МАШИНОСТРОИТЕЛЬНЫХ ОРГАНИЗАЦИЙ
1
Юрий Юрьевич Кочинев, д.э.н., профессор
Санкт-Петербургский
государственный
политехнический
университет
Россия, Санкт-Петербург
Тел.: (911)905-1416, E-mail: [email protected]
2
Виноградова Ольга Игоревна, аспирант
Санкт-Петербургский
государственный
политехнический
университет
Россия, Санкт-Петербург
Тел.: (961)802-6603, E-mail: [email protected]
Аннотация
В работе рассматривается разработка системы идентификации
выявленных
в
бухгалтерской
информации
искажений
как
непреднамеренных или преднамеренных в условиях активного
инновационного развития машиностроительных организаций. А также
демонстрируется практическая применимость данной методики.
Ключевые слова: недобросовестные действия, мошенничество, аудит,
выявление, идентификация, анализ
На сегодняшний день одной из актуальных проблем в экономической
сфере, в частности, в аудиторской деятельности является выявление и
идентификация недобросовестных действий, выявленных в ходе
аудиторской проверки [9]. В части проведения аудиторских проверок
машиностроительных организаций данная проблема усугубляется
активным внедрением инноваций, что обусловлено высоким уровнем
конкурентной борьбы в данном сегменте рынка.
Аудиторские стандарты указывают на особую значимость анализа
специфических, нехарактерных операций при проведении аудита в части
рассмотрения недобросовестных действий. Это обусловлено сложностью
оценки реальной стоимости активов, отсутствием достаточной
информационной базы для анализа экономической целесообразности
операций. Схемы маскировки мошеннических действий под видом
934
инноваций известны с 18 века, к примеру, одним из наиболее ранних
мошеннических проектов был "проект" вечного двигателя профессора
Орфиреуса, который в 1715-1725 годах даже вел переговоры с Петром I о
продаже своего "изобретения" за миллион иохимсталеров. В данный
момент подобные схемы также активно используются. Крупные
машиностроительные синдикаты после распада СССР долгое время
находились в состоянии стагнации, что привело к значимому снижению
уровня их конкурентной способности. С учетом значимости данных
синдикатов как градообразующих предприятий государство вынуждено
субсидировать значительные суммы данным предприятиям для улучшения
их экономических показателей, которое невозможно без внедрения
инновационных технологий.
Значительность данных сумм провоцирует недобросовестных
предпринимателей к попыткам вывода активов под видом активной
инновационной деятельности.
На сегодняшний день Международным стандартом аудита МСА 200
«Цель и общие принципы, регулирующие аудит финансовой отчетности»
(ISA 200 «Overall Objectives of the Independent Auditor and the Conduct of an
Audit in Accordance with International Standards on Auditing») установлено,
что целью аудитора при проведении аудита финансовой отчетности
является получение разумной уверенности в том, содержит ли финансовая
отчетность в целом существенные искажения, являющиеся результатом
мошенничества или ошибок, что позволит аудитору выразить мнение о
том, подготовлена ли финансовая отчетность, во всех существенных
отношениях, в соответствии с принятой концепцией подготовки
финансовой отчетности. А согласно МСА 240 «Ответственность аудитора
по рассмотрению мошенничества и ошибок в ходе аудита финансовой
отчетности» (ISA 240 «The Auditor's Responsibilities Relating to Fraud in an
Audit of Financial Statements»), если аудитор обнаруживает искажение
бухгалтерской отчетности, он должен установить, не является ли это
искажение признаком недобросовестных действий, то есть, не является ли
это искажение преднамеренным.
На сегодняшний день недостаточно разработана методология аудита в
части выявления фактов недобросовестного составления финансовой
отчетности, не разработаны способы идентификации недобросовестности
при составлении финансовой отчетности.
Подобный способ может быть предложен исходя из анализа
классификации искажений по распределению их в бухгалтерской
информации.
Известно, что классификация искажений по распределению в
бухгалтерской информации разделяет их на случайные и систематические.
Случайными являются искажения, обусловленные множеством причин,
935
таких, как утомление, небрежность, невнимательность, рассеянность,
забывчивость,
некомпетентность,
несовершенство
организации
бухгалтерского учета, несовершенство законодательных и нормативных
актов, сбои в работе компьютерной техники и т.д. Таким образом,
случайные искажения являются непреднамеренными.
Систематические искажения в первую очередь обусловлены такими
причинами, как незнание или неправильное понимание законодательных и
нормативных актов (непреднамеренные искажения) и наличие умысла
(преднамеренные искажения).
Из математической статистики известно: если случайная величина
порождается множеством причин, роль каждой из которых в образовании
случайной величины не является превалирующей, то случайная величина
распределена по нормальному закону. Таким образом, справедливо
предположение о том, что случайные искажения в бухгалтерской
информации распределены по нормальному закону.
В поддержку гипотезы о нормальном распределении случайных
искажений в бухгалтерской информации высказывался ряд авторов
классических трудов по аудиту [1, 2, 3].
Поскольку из определения случайных искажений следует
непреднамеренность причин их возникновения, то может быть предложен
следующий метод идентификации их непреднамеренности: если
выявленные в бухгалтерской информации искажения распределены
по нормальному закону, то они случайны и, следовательно, не
являются преднамеренными.
И наоборот, если гипотеза о нормальном распределении выявленных в
бухгалтерской информации искажений отклоняется, то в числе
выявленных искажений возможны преднамеренные искажения.
Очевидно,
что
предложенный
метод
идентификации
непреднамеренности
искажений
практически
реализуем
при
использовании статистических выборочных процедур. Напомним, что в
соответствии с МСА
статистической выборочной процедурой является
процедура, использующая:
- случайный (либо систематический со случайным выбором
начальной точки) отбор тестируемой совокупности;
- применение теории вероятности (математической статистики) для
оценки результатов выборки,
Статистические процедуры применимы только при достаточно
больших объемах генеральных совокупностей (тысячи, десятки тысяч
элементов).
Рассмотрим применение предложенного метода идентификации
непреднамеренности искажений на практическом примере.
936
Пример 1.
Пусть при аудиторской проверке бухгалтерской отчетности
организации в ходе обработки результатов статистических выборок в
бухгалтерской информации выявлены искажения:
 20 искажений в интервале от 0 до 10 тысяч рублей;
 10 искажений в интервале от 10 до 20 тысяч рублей;
 6 искажений в интервале от 20 до 30 тысяч рублей;
 3 искажения в интервале от 30 до 40 тысяч рублей;
 1 искажение в интервале от 40 до 50 тысяч рублей (всего 40
искажений).
Среднее значение выявленных искажений:
χ=
20 × 5 +10 ×15 + 6 × 25 + 3 × 35 + 45
= 13,75 т. руб.
40
(1)
Среднее квадратичное отклонение:
σ=
(5-13,75)2 ×20+(15-13,75)2 ×10+(25-13,75)2 ×6+(35-13,75)2 ×3+(45-13,75)2
40
= 10,77 т. руб.
(2)
Тогда наблюдаемые и определенные известным образом
теоретические частоты, а также наблюдаемые значения критерия хиквадрат составляют (табл.1):
Таблица 1
№п/п
1
2
3
4
5
Итого
Наблюдаемые и теоретические частоты, наблюдаемое значение
критерия хи-квадрат
ηнаб
ηтеор
(ηнаб- ηтеор)2
ηтеор
20
10
6
3
1
40
15,5
14,2
8,6
2,4
0,3
40
2,1
1,2
0,8
0,2
1,6
5,9
Тогда среднее значение выявленных искажений составит K =
13750 руб., среднеквадратичное отклонение выявленных искажений σ =
10770 руб. Известным образом вычислив теоретические частоты
937
полученного распределения, получаем наблюдаемое значение критерия
согласия X = 5,9.
Сравнивая полученное значения критерия Пирсона с критическим
(при числе степеней свободы k = 2 и уровне значимости 0,05 критическое
значение равно 6,0), приходим к выводу о справедливости гипотезы о
нормальном распределении размера выявленных искажений. На основании
полученного результата делаем вывод о случайности и, следовательно,
непреднамеренности выявленных искажений.
В другом случае выявлены искажения:
 20 искажений в интервале от 0 до 10 тысяч рублей;
 10 искажений в интервале от 10 до 20 тысяч рублей;
 6 искажений в интервале от 20 до 30 тысяч рублей;
 3 искажения в интервале от 30 до 40 тысяч рублей;
 1 искажение в интервале от 70 до 80 тысяч рублей (всего 40 искажений).
Среднее значение выявленных искажений:
χ=
20 × 5 +10 ×15 + 6 × 25 + 3 × 35 + 75
= 14,5 т. руб.
40
(3)
Среднее квадратичное отклонение:
σ=
(5 - 14,5)2 × 20 + (15 - 14,5)2 ×10 + (25 - 14,5)2 × 6 + (35 - 14,5)2 × 3 + (75 - 14,5)2
40
= 9,75 т. руб.
(4)
В этом случае наблюдаемые и определенные известным образом
теоретические частоты, а также наблюдаемые значения критерия хиквадрат составляет следующие значения (табл. 2).
Таблица 2
Наблюдаемые и теоретические частоты, наблюдаемое значение критерия
хи-квадрат
ηнаб
ηтеор
(ηнаб- ηтеор)2
№п/п
ηтеор
1
20
13,1
3,6
2
10
15,4
1,9
3
6
9,2
1,1
4
3
2,0
0,4
5
0
0,2
0.2
6
0
0
0
7
0
0
0
8
1
0,1
8,1
Итого
40
40
15,3
938
огда среднее значение выявленных искажений составит K = 14500
руб., среднеквадратичное отклонение выявленных искажений σ = 9 750
руб. Известным образом вычислив теоретические частоты полученного
распределения, получаем наблюдаемое значение критерия согласия X =
15,3.
Сравнивая полученное значение критерия Пирсона с критическим
(критическое значение равно 11,1), приходим к выводу, что гипотезу о
нормальном распределении размера выявленных искажений следует
отклонить.
Отбросив наибольшее искажение (искажение в интервале 70 – 80
тысяч рублей), повторяем проверку гипотезы о нормальном распределении
оставшихся искажений. Если гипотеза о нормальном распределении
подтверждается, то на основании этого делаем вывод, что выявленное
искажение в интервале 70 – 80 тысяч рублей отлично от случайного,
вследствие чего может быть преднамеренным.
Рассмотренный в примере метод идентификации непреднамеренности
искажений, основанный на применении критерия согласия Пирсона,
применим при достаточном количестве значений случайной величины (не
менее 40 – 50) и достаточном количестве вариантов в интервалах.
В ином случае проверка гипотезы о нормальном распределении
выявленных искажений может быть осуществлена с помощью правила
трех сигм, которое формулируется следующим образом: если абсолютная
величина отклонения случайной величины от ее математического
ожидания не превосходит утроенного среднего квадратичного отклонения,
то случайная величина распределена по нормальному закону.
Рассмотрим применение подобного метода идентификации
непреднамеренности искажений на практическом примере.
Пример 2.
Пусть при аудиторской проверке бухгалтерской отчетности
организации в ходе обработки результатов статистических выборок в
бухгалтерской информации выявлены искажения:
 5 тысяч рублей;
 7 тысяч рублей;
 10 тысяч рублей;
 15 тысяч рублей;
 20 тысяч рублей;
 25 тысяч рублей;
 50 тысяч рублей (всего 7 искажений).
Проверим, соответствует ли правилу трех сигм наибольшее
искажение (50 тысяч рублей). Для этого отбросим его и вычислим
939
величины K и σ для оставшихся искажений. Они составят K = 13,7
тысяч рублей, σ = 7,1 тысяч рублей.
Отклонение наибольшего искажения от среднего значения
составσσляет 36,3 тысяч рублей (50 – 13,7), и оно превосходит утроенное
среднее квадратичное отклонение, которое составляет 3 * 7,1 = 21,3 тысячи
рублей. Следовательно, искажение в сумме 50 тысяч рублей отлично от
нормального и может быть преднамеренным.
Осуществив ту же операцию в отношении искажения в сумме 25
тысяч рублей, получаем: среднее значение оставшихся искажений K = 11,4
тысяч рублей, среднеквадратичное отклонение σ = 5,5 тысяч рублей.
Отклонение проверяемого искажения от среднего значения составляет
13,6 тысяч рублей (25 – 11,4), и оно не превосходит утроенное среднее
квадратичное отклонение, которое составляет 3 * 5,5 = 16,5 тысяч рублей.
Следовательно, искажение в сумме 25 тысяч рублей распределено по
нормальному закону и является случайным.
Таким образом, предложенная методика идентификации выявленных
искажений в бухгалтерской отчетности предоставляет аудитору
определенные доказательства, которые он может использовать при
вынесения суждения о том, является ли выявленное искажение
результатом мошенничества или ошибки. Данное обстоятельство весьма
важно при выявлении мошенничества, замаскированного под видом
инновационной деятельности, при проведении аудиторских проверок
машиностроительных организаций. Данная методика адаптирована как к
применению при больших значениях совокупности выявленных
искажений, так и к применению при небольших значениях выявленной
совокупности, что расширяет сферу ее практического применения.
СПИСОК ЛИТЕРАТУРЫ
1. Адамс Р. Основы аудита.М.: Аудит-Юнити, 1995.-398с.
2. Аренс А., Лоббек Дж. Аудит.М.: Финансы и статистика, 1995.560с.
3. Робертсон Д. Аудит.М.: Контакт, 1993.-496с.
4. Кочинев Ю.Ю. Аудит: теория и практика. 5 изд. СПб: Питер, 2010.
– 448с.
5. Кочинев Ю.Ю. Моделирование и автоматизация аудита. СПб: Издво СПбГПУ, 2006г. - 147с.
6. Вещунова Н.Л., Фомина Л.Ф. Бухгалтерский учет. СПб: Финансы и
статистика, 2000. – 496 с.
7. Вещунова Н.Л. Бухгалтерский и налоговый учет: учебник. М:
Проспект, 2008. – 843 с.
940
8. Бычкова С.М. Растамханова Л.Н. Риски в аудиторской деятельности.
М: Финансы и статистика, 2003. – 416 с.
9. Бычкова С.М., Итыгилова Е.Ю. Недобросовестное составление
финансовой
отчетности:
институциональный
аспект.
//
Международный банковский учет, 2012. - №19.
10. Бычкова С.М., Филатова О.Н. Виды искажений в бухгалтерской
отчетности //Аудиторские ведомости, 2001. - №4
11. Бычкова С.М., Итыгилова Е.Ю. Процедуры выявления искажений
финансовой отчетности банков. // МСФО и МСА в кредитной
организации, 2010. - №4.
12. Штарева К.А., Российское энергетическое машиностроение:
состояние,
проблемы,
перспективы
//
Материалы
2-й
Международной научно-практической конференции / под ред.
М.М.Радкевича и А.Н.Евграфова. СПб.: Изд-во Политехн. ун-та,
2012. – 846 с.
Y.Y.Kochinev, O.I.Vinogradova
FORMATION OF INFORMATION CULTURE OF STUDENTS IN THE
STUDY OF PROFESSIONAL DISCIPLINES
St. Petersburg State Polytechnical University, Russia
Abstract
This article discusses the development of the system of identification
identified in accounting information distortion as accidental or intentional , and
demonstrates the practical applicability of this methodology.
Key words: audit, identification, fraud, analysis.
REFERENCES
[1] Adams R. Fundamentals of auditing.M.: Audit Unity, 1995.-398 p.
[2] Ahrens A., Lobbek J., The audit.M.: Finance and statistics, 1995. 560 p. (rus.)
[3] Robertson D. Audit.M.: Contact, 1993.-496 p. (rus.)
[4] Kochinev Y.Y. Audit: theory and practice. SPb.: Piter, 2010. – 448 p.
(rus.)
[5] Kochinev Y.Y. Modeling and automation of audit. SPb.: SPbGPU,
2006. – 147p. (rus.)
[6] Veshchunova N.L., L. F. Fomina.. Accounting. SPb.: Finance and
statistics, 2000. – 496 p. (rus.)
941
[7] Veshchunova N.L. Accounting and taxation: textbook. M.: Prospect,
2008. – 843 p. (rus.)
[8] Bychkova S.M., Rastamanov L.N. Risks in audit activities. M.:
Finance and statistics, 2003. – 416 p. (rus.)
[9] Bychkova S.M., Itigilova E.Y. Unfair financial reporting: the
institutional aspect.// International banking accounting, 2012. - №19
(rus.)
[10] Bychkova S.M., Filatova O.N. Types of distortions in the financial
statements.//Audit Vedomosti, 2001. - №4 (rus.)
[11] Bychkova S.M., Itigilova E. Y. Trigger to detect misstatements of the
financial statements of banks.// IFRS and ISA in the credit
organization, 2010. - №4 (rus.)
[12] Shtareva K.A., Russian power engineering: the state, problems,
prospects// Materials of the 2nd International scientific conference /
edited M.M. Radkevich and A. N. Evgrafov. - SPb.: Publishing house
Politechn. University, 2012. - 846. (rus.)
942
1/--страниц
Пожаловаться на содержимое документа