(Не)реальная стоимость: влияние достоверности финансовой отчетности на стоимость компании

Полный текст

Введение С точки зрения действующего законодательства, термин «оценочная деятельность» определяется как деятельность, направленная на установление рыночной или иной стоимости оцениваемого объекта. Одним из наиболее значимых объектов оценки стоимости является бизнес. Методы доходного подхода к оценке бизнеса подразумевают использование данных бухгалтерской (финансовой) отчетности компании. Наличие искажений в данных бухгалтерской (финансовой) отчетности компании приводит к недостоверной оценке стоимости и принятию неверных решений по поводу приобретения бизнеса или вложения в него капитала. Аналитики выделяют различные виды искажения финансовой отчетности, но сходятся в том, что наибольшую опасность представляет манипулирование, т.е. изменение регистров финансового учета, которое приводит к желаемым для манипуляторов решениям со стороны пользователей финансовой отчетности (Алексеев, 2017; Сотникова, 2011). В большинстве случаев манипулирование имеет целью создание благоприятного впечатления о компании - устойчивого финансового положения, прибыльности и стабильного роста (Кеворкова, 2014; Овчинникова, Плотникова, 2016; Ферулева, Штефан, 2016). Наличие значительного числа схем такого рода преступных действий предопределяет необходимость совершенствования методов выявления манипулирования, а также разработку алгоритма оценки стоимости компании с учетом фактов искажения данных бухгалтерской (финансовой) отчетности. Авторы данного исследования поставили целью оценить влияние достоверности финансовой отчетности на стоимость компании при принятии инвестиционных решений. Для достижения цели решен ряд задач: y сформирована выборка компаний, на ее основе рассчитана пробит-регрессия для выявления фактов возможного манипулирования отчетностью в компаниях; y оценена стоимость компаний, применена полученная пробит-регрессия; y предложен алгоритм действий по оценке стоимости компании с учетом фактов искажения данных бухгалтерской (финансовой) отчетности. Обзор литературы и методы исследования Результаты анализа соответствующей литературы фиксируют, что влияние достоверности финансовой отчетности на стоимость компании не относится к числу разработанных тем. Научные работы разных направлений раскрывают отдельные аспекты оценки достоверности отчетности компании при определении стоимости бизнеса. Монографии М. Бениша (1999), Р. Слоуна (1996) посвящены возможным методам выявления фактов манипулирования отчетностью в компаниях. Предлагаемые методы описаны более двадцати лет назад, что в условиях постоянных изменений экономической ситуации позволяет говорить об устаревании. Кроме того, в силу своей общеизвестности, они позволяют компаниям-манипуляторам корректировать свои способы искажения отчетности для снижения возможности обнаружения. Работы отечественных исследователей, среди которых М.А. Алексеев (2017), М.Ю. Савельева (2019), Л.В. Сотникова (2011) и др., сосредоточены на методах выявления манипулирования отчетностью в современных реалиях, уделяя внимание и вопросам применимости зарубежных методик в условиях российской экономики. Модификации доходного, затратного и сравнительного подходов к оценке стоимости организации используются много лет, однако методов, которые учитывали бы факт намеренного искажения отчетности компанией для корректировки величины стоимости, на текущий момент времени нет. Необходимость оценки влияния достоверности финансовой отчетности на стоимость компании при принятии инвестиционных решений подчеркивает актуальность данной работы. При написании работы авторы использовали такие методы научного познания, как наблюдение, сравнение, анализ и синтез, моделирование, статистико-математические методы, метод экспертной оценки. Результаты исследования и их обсуждение Закон Бенфорда, коэффициент начисления, рейтинг FSCORE Пиотровского, интегральные показатели M-Score Бениша и F-Score Слоана известны как наиболее распространенные модели и методы выявления манипулирования отчетностью, имеющие, правда, ряд недостатков, среди которых детерминированность показателей, долгое существование без изменений и отсутствие учета отраслевой специфики ведения бизнеса. Указанных недостатков лишена методика построения интегрального показателя вероятности манипулирования отчетностью, которую авторы сочли целесообразным использовать в данном исследовании (Кравченко, Зеленов, 2021; Савельева, Алексеев, Дудин, 2018; Савельева, Валеева, Васильева, 2019; Benish, 1999; Sloan, 1996; Stice, 1991). С применением данной методики рассчитаны пробит-регрессии для компаний вида экономической деятельности «Строительство» Сибирского федерального округа за 2017-2021 гг. Выбор компаний строительной отрасли в качестве объекта наблюдения обусловлен важностью отрасли для развития региона в постпандемийной реальности. Общеизвестно, что строительство создает множество рабочих мест, потребляет продукцию других отраслей, способствует улучшению демографической ситуации в городе/регионе/стране. Развитие строительства следует считать одним из факторов развития региона. Совместно со строительством развиваются множество смежных отраслей, таких как производство строительных материалов и инструментов (кирпича, панелей), машиностроительная отрасль (краны, погрузчики, самосвалы и пр.), деревообработка, производство стекла, энергетика. Кроме того, помимо генподрядной организации, в строительстве принимает участие множество небольших компаний-субподрядчиков. Рост числа жилья привлекает мигрантов из других регионов/стран, что приводит к притоку рабочей силы (в том числе и в строительстве). В СФО площади введенных жилых помещений за первые 4 месяца 2022 г. выросли по сравнению с аналогичным периодом прошлого года на 60 % и составили 3 097,4 кв.м. По причине ужесточения законодательства по отношению к компании-застройщику уровень вложений в строящееся жилье возрос. По данным ВЦИОМ и аналитического центра Дом.РФ, с 2020 г. происходит рост инвестиционной привлекательности недвижимости для населения: если в начале 2020 г. около 10 % покупателей совершали сделку с целью сохранения сбережений, то в ноябре-декабре 2020 г. данный показатель достиг 30 %[71]. Исследователи связывают данный факт с высокой волатильностью рубля в условиях коронакризиса, желанием населения сохранить сбережения, а также с ростом цен на недвижимость[72]. Поддержанию и дальнейшему увеличению объема ввода жилья и объектов коммерческого назначения способствуют такие цели Стратегии развития строительной отрасли и жилищно-коммунального хозяйства до 2030 г., как развитие льготных ипотечных программ, цифровизация строительных процессов, сокращение административных процедур, а также обновление коммунальной инфраструктуры[73]. Таким образом, в интерпретации финансовых результатов деятельности строительных организаций, адекватной оценке их стоимости нуждаются различные внешние и внутренние стейкхолдеры, в том числе банки, кредитные организации, поставщики, собственники строительных компаний и др. Построению интегрального показателя предшествует гипотеза исследования 1 о возможности построения интегральных показателей, выявляющих искажения бухгалтерской (финансовой) отчетности в сторону завышения и занижения в компаниях строительной отрасли за 2017-2021 гг. Для проверки гипотезы из базы СКРИН (https://skrin.ru/) сформированы изначальные выборки строительных компаний СФО за 2017-2021 гг. По результатам предварительного анализа, из их числа были исключены организации, не имеющие полной отчетности. Оставшиеся компании оценены на предмет манипулирования с использованием методик M-Score и F-Score, требующих сверки полученных значений (табл. 1). Таблица 1 Сопоставление результатов проверки отчетности компаний строительной отрасли за 2017-2021 гг. с использованием M-Score и F-Score Год Компании, % Общее число С отчетностью, признанной достоверной двумя методами С отчетностью, признанной недостоверной двумя методами С отчетностью, достоверной по одному и недостоверной по другому методу Всего, единиц 6834 2903 1017 2914 2017 Доля, % 100 42,48 14,88 42,64 Всего, единиц 7383 2877 1067 3439 2018 Доля, % 100 38,97 14,45 46,58 Всего, единиц 8084 4788 784 2512 2019 Доля, % 100 59,23 9,7 31,07 Всего, единиц 7975 1121 740 6114 2020 Доля, % 100 14,06 9,28 76,66 Всего, единиц 8097 4257 1019 2821 2021 Доля, % 100 52,58 12,58 34,84 Источник: составлено авторами. Table 1 Comparison of the results of the audit of the reporting of companies in the construction industry for 2017-2021 using M-Score and F-Score Year The company, % Total number With reports recognized as reliable by two methods With reports deemed unreliable by two methods With reports that are reliable by one method and unreliable by another method Total, units 6834 2903 1017 2914 2017 Fraction, % 100 42.48 14.88 42.64 Total, units 7383 2877 1067 3439 2018 Fraction, % 100 38.97 14.45 46.58 Total, units 8084 4788 784 2512 2019 Fraction, % 100 59.23 9.7 31.07 Total, units 7975 1121 740 6114 2020 Fraction, % 100 14.06 9.28 76.66 Total, units 8097 4257 1019 2821 2021 Fraction, % 100 52.58 12.58 34.84 Source: compiled by the authors. Доля компаний с признанной достоверной отчетностью показывает относительно ровную динамику, обычно не превышая 50 % от числа компаний, предоставивших отчетность, за исключением 2020 г., когда число таких компаний было минимальным, видимо, в силу высокой неопределенности будущего из-за пандемийного кризиса. Интересно отметить, что полученный авторами результат коррелирует с выводами исследования финансовой устойчивости строительных компаний СФО, где по выборочным наблюдениям у 50 % организаций выявлено неудовлетворительное финансовое стояние: убыточность, низкая доля собственных средств, высокие финансовые риски (Власенко, 2022). Такие результаты теоретически вполне могут нуждаться в корректировке в лучшую сторону и быть объектом манипулирования. На основе полученных результатов в обучающую выборку вошли: y 350 компаний, признанных манипуляторами в сторону завышения результатов моделями M-Score и F-Score и 350 компаний, признанных не искажающими данных отчетности моделями M-Score и F-Score; y 100 компаний, признанных манипуляторами в сторону занижения результатов моделями M-Score и F-Score, и 100 компаний, признанных не искажающими данных отчетности моделями M-Score и F-Score. Построение пробит-регрессии с использованием значимых показателей отчетности (показатели рентабельности, ликвидности, структуры активов, оборотных активов, платежеспособности, финансовой устойчивости) осуществлялось в программе STATISTICA. Следует отметить подтверждение гипотезы 1, в полученных регрессиях корректность моделей находится в интервале между 70 и 80 %, что говорит о возможности использования их для оценки вероятности манипулирования бухгалтерской отчетностью (табл. 2, 3). Таблица 2 Результаты расчета пробит-регрессии для определения манипулирования данными отчетности в сторону завышения результатов, построенной по данным 2021 г. и ее проверки на корректность Показатель Значение Независимый член -16,54759228 Рабочий капитал/ Активы -1,842258712 Заемный капитал / Активы 17,62532189 Заемные средства / Активы 0,838361065 Краткосрочные обязательства / Активы -1,255850601 Собственный Капитал / Активы 17,99286356 Чистая прибыль / Заемный капитал 0,465273008 Корректность 74,68 % Источник: составлено авторами. Table 2 The results of the calculation of the probit regression to determine the manipulation of reporting data in the direction of overstating the results, based on the data of 2021 and its correctness checks Indicator Value Independent member -16.54759228 Working Capital/ Assets -1.842258712 Borrowed Capital / Assets 17.62532189 Borrowed Funds / Assets 0.838361065 Current Liabilities / Assets -1.255850601 Equity / Assets 17.99286356 Net Profit / Borrowed Capital 0.465273008 Correctness 74.68 % Source: compiled by the authors. Таблица 3 Результаты расчета пробит-регрессии для определения манипулирования данными отчетности в сторону занижения результатов, построенной по данным 2021 г. и ее проверки на корректность Показатель Значение Независимый член -18,31508595 Внеоборотные Активы / Активы 20,22371226 Оборотные Активы / Активы 19,48567348 (Запасы + Дебиторская задолженность)/ Активы -0,58564213 Дебиторская задолженность / Активы -1,648964673 (Собственный Капитал - Внеоборотные Активы)/ Собственный Капитал -0,021684188 (Основные Средства + Запасы)/ Активы -0,090763866 Корректность 77,27 % Источник: составлено авторами. Table 3 The results of the calculation of the probit regression to determine the manipulation of reporting data in the direction of understating the results based on the data of 2021 and its verification for correctness Indicator Value Independent member -18.31508595 Non-Current Assets / Assets 20.22371226 Current Assets / Assets 19.48567348 (Inventory + Accounts Receivable)/ Assets -0.58564213 Accounts receivable / Assets -1.648964673 (Equity - Non-Current Assets)/ Equit -0.021684188 (Fixed Assets + Inventory)/ Assets -0.090763866 Correctness 77.27 % Source: compiled by the authors. При этом регрессии для определения занижения результатов отчетности за 2017 и 2019 гг. имеют корректность выше 80 %, что говорит об их высокой точности. Модель дает четкие ответы, выявляя чистые компании и компании-манипуляторы. Не имея цели и возможности в рамках данной работы привести результаты расчетов с использованием модели за каждый год анализируемого периода времени, отметим, что распределение строительных компаний СФО по вероятности манипулирования по полученным моделям дает возможность разделить компании на три группы по степени манипулирования: y компании с однозначно чистой отчетностью - вероятность наличия манипулирования отчетностью до 30 %; y компании, по отчетности которых нельзя сделать однозначные выводы - вероятность манипулирования от 30 до 70 %; y компании с однозначно искаженной отчетностью - вероятность манипулирования от 70 %. Логично предположить наличие взаимосвязи между манипулированием отчетностью и стоимостью компании, что было гипотезой 2 исследования. Использование стейкхолдерами искаженных данных отчетности компании приведет к недостоверной величине стоимости компании и принятию нерациональных инвестиционных решений. Авторами оценена стоимость каждой компании из выборки по группам завышающих, занижающих и не искажающих данные отчетности, сопоставлены наличие роста стоимости и наличие завышения данных бухгалтерской отчетности (табл. 4). Таблица 4 Сопоставление роста стоимости компании и наличия завышения данных бухгалтерской отчетности в 2017-2021 гг. Показатель 2017 2018 2019 2020 2021 Всего компаний, манипулирующих отчетностью в сторону завышения, единиц 62 125 202 183 150 Из них: Стоимость выросла, единиц 39 80 143 123 129 Доля, % 62,90 64,00 70,79 67,21 86,00 Стоимость снизилась, единиц 12 45 57 60 21 Доля, % 19,35 36,00 28,22 32,79 14,00 Стоимость не изменилась, единиц 11 0 2 0 0 Доля, % 17,74 0,00 0,99 0,00 0,00 Источник: составлено авторами. Comparison of the growth of the company’s value and the presence of overstatement of accounting data, 2017-2021 Table 4 Indicator 2017 2018 2019 2020 2021 Total companies manipulating the reporting towards overstatement, units 62 125 202 183 150 Of these: The cost has increased, units 39 80 143 123 129 Share, % 62.90 64.00 70.79 67.21 86.00 The cost has decreased, units 12 45 57 60 21 Share, % 19.35 36.00 28.22 32.79 14.00 The cost has not changed, units 11 0 2 0 0 Share, % 17.74 0.00 0.99 0.00 0.00 Source: compiled by the authors. Очевидно, манипулирование отчетностью в сторону завышения отражается на оценочной стоимости исследуемой компании, завышая ее. В 2021 г. доля таких компаний составила 86 %, что говорит об обоснованности выводов о наличии связи между завышением данных отчетности и завышением стоимости компании. В целом можно говорить о подтверждении гипотезы 2, в большинстве случаев завышение данных отчетности соответствовало существенному росту стоимости компании, занижение данных отчетности - существенному снижению стоимости компании, а отсутствие искажения - росту в пределах нормального (до 10 %). Гипотеза 3 авторов работы заключается в том, что существует тесная корреляционная зависимость между манипулированием отчетностью и стоимостью бизнеса. Для проверки гипотезы рассчитаны несколько дополнительных показателей - коэффициенты TATA, RSST, изменение стоимости в абсолютном и относительном выражении, осуществлена группировка компаний по стоимости. Далее компании были сгруппированы исходя из стоимости и направления манипулирования, для каждой из групп рассчитана корреляция между показателями стоимости и манипулирования. Следует признать, что гипотеза подтвердилась частично (рис. 1). Например, для компаний, завышающих данные отчетности в 2017-2021 гг., корреляционная связь между стоимостью компаний и показателями манипулирования отчетностью отчетливо прослеживается только для групп с наибольшей стоимостью, для компаний с более низкой стоимостью корреляция прослеживается хуже. Кроме того, сложно проследить закономерность изменения коэффициента корреляции в пределах года и 5 лет, изменения носят хаотичный и непредсказуемый характер. Подобные результаты характерны и для компаний, занижающих и не искажающих данные отчетности. Таким образом, нет возможности сделать однозначный вывод о том, как будет изменяться стоимость под воздействием манипулирования отчетностью с помощью коэффициента корреляции. Авторы констатируют, что гипотеза требует дальнейшего осмысления и соответствующих расчетов. Рис. 1. Корреляционная связь между стоимостью компании (млн.руб.) и показателями манипулирования для группы компаний, искажающих отчетность в сторону завышения в 2021 г Источник: составлено авторами. Figure 1. Correlation between the value of the company (million rubles) and manipulation indicators for a group of companies that distort reporting towards overstatement in 2021 Source: compiled by the authors. На основе проведенного исследования авторы готовы рационализировать методику оценки стоимости компании с учетом факта возможного манипулирования отчетностью. Предложены два алгоритма определения реальной стоимости компании на основе доходного подхода к оценке стоимости. Первый подход с использованием интегрального показателя оценки вероятности манипулирования отчетностью может быть полезен финансовым аналитикам и другим группам внешних и внутренних стейкхолдеров (банкам, кредитным организациям, поставщикам, налоговым органам, менеджерам и собственникам строительных компаний, заинтересованных в контроле деятельности наемных работников). Второй подход (экспресс-оценка) представляет собой упрощенную версию первого, не обладает такими его преимуществами, как отсутствие детерминизма показателей, учет отраслевой специфики, однако его достоинством является простота применения и возможность использования для одной компании, минуя этап выборки. Кроме того, для его применения не нужны специфические знания и навыки, большие затраты времени, в силу чего он может быть использован начинающими инвесторами в условиях цейтнота. Оценка стоимости компании на основе интегрального показателя оценки вероятности манипулирования отчетностью заключается в построении пробит-регрессии на массиве данных отчетности компаний с интересующим видом экономической деятельности. Далее осуществляется оценка стоимости доходным методом, полученные результаты корректируются в сторону завышения/занижения, исходя из направления искажения отчетности (рис. 2). Рис. 2. Алгоритм построения интегрального показателя оценки вероятности манипулирования данными отчетности для определения реальной стоимости компании Источник: составлено авторами. Figure 2. An algorithm for constructing an integral indicator for assessing the probability of manipulating reporting data to determine the real value of the company Source: compiled by the authors. Итак, на первом этапе построения интегрального показателя для формирования изначальной выборки с использованием базы данных СКРИН необходимо перейти по ссылке https://kontragent.skrin.ru/ на вкладку «Юридические лица - Поиск по показателям». После выбора показателей (до 5) поставить пометку «Любое из условий». При выборе показателей важно самый первый оставлять неизменным, чтобы в массиве данных компании не изменяли порядок. Скачиваются все данные. Для проверки изначальной выборки на предмет манипулирования в программе Excel производятся расчеты с использованием интегральных показателей M-Score и F-Score. В обучающую выборку целесообразно отобрать не менее 30 компаний-манипуляторов и не менее 30 компаний с чистой отчетностью. На втором этапе - формирования перечня показателей - объединяются показатели, которые, по предварительным оценкам, могут использоваться для выявления манипулирования бухгалтерской отчетностью. Для исключения детерминизма показателей к наиболее распространенным и известным показателям следует добавить как можно больше редких и малоиспользуемых, в идеале даже авторских. В данном исследовании выявлена закономерность, что регрессии, в которые входит наибольшая доля редких коэффициентов-предикторов, являются наиболее корректными. Третий этап построения интегрального показателя с использованием программного пакета для статистического анализа STATISTICA авторы рекомендуют разбить на несколько действий и использовать следующие шаги. При проведении теста Колмогорова - Смирнова файл загружается в программу STATISTICA, выбирается Анализ - Подгонка и Моделирование - Подгонка. В окошке «непрерывные» (continuous) выбирается из списка один пункт с названием проверяемого коэффициента. Данный тест осуществляется для каждого показателя отдельно, алгоритм действий повторяется, пока не будут проверены все показатели. Для ускорения получения результатов целесообразно проводить данный тест после формирования трех уровней показателей, когда число показателей снизится до 10-15, что существенно сократит время проверки. Искомое значение находится в столбце K-S p-value и сравнивается с 0,05. Коэффициенты со значениями больше 0,05 выбраковываются, поскольку не соответствуют нормальному распределению и к дальнейшему исследованию непригодны. Тест Манна - Уитни проводится для всего массива данных. Алгоритм в STATISTICA: Анализ - Непараметрическая статистика - Сравнение 2 независимых переменных. В опции «независимые» выбирается один пункт, в котором указаны, к какой категории относятся данные коэффициентов по компании, то есть манипуляторы/чистые. В опции «зависимые» выбираются все коэффициенты. Ранжирование по уровням происходит исходя из значений p-value (столбец p-value). Общее число коэффициентов должно быть около 10-15, но не более 20. Четвертый этап алгоритма определения реальной стоимости компании подразумевает построение пробит-регрессии. Построение регрессии осуществляется также в программе STATISTICA методом подбора: Анализ - Углубленные методы анализа - Нелинейное оценивание - Пробит-регрессия. Параллельно с построением регрессии осуществляется проверка корректности полученного уравнения (в колонке persent procent значение больше 70 %). Следующий этап предлагаемого алгоритма оценки стоимости компании с учетом факта возможного манипулирования отчетностью - оценка стоимости компании с применением доходного подхода (формулы перпетуитета). В качестве величины денежного потока используется сумма денежного потока за период (ст. 4400 Сальдо денежных потоков за период, ОДДС), а в качестве доходности - средневзвешенная стоимость капитала (WACC). Для расчета WACC, по мнению авторов, целесообразно применить модель CAPM. При этом возможно использовать значение бета отрасли (бета без левериджа) с сайта Дамодарана, скорректированное на структуру капитала организации (https://pages.stern.nyu. edu/~adamodar/New_Home_Page/datafile/Betas.html). Последний этап процесса оценки стоимости компании с учетом факта искажения данных отчетности подразумевает коррекцию величины стоимости компании с помощью корректирующего коэффициента (КК): Стоимость реальная = Стоимость расчетная × КК. Компания, завышающая данные отчетности, будет иметь более высокую стоимость, поэтому необходимо применить понижающий коэффициент, скорректировав ее в сторону занижения (табл. 5). Таблица 5 Шкала соответствия вероятности манипулирования коэффициенту корректировки для компаний, завышающих данные отчетности Вероятность 0,5-0,6 манипулирования 0,6-0,7 0,7-0,8 0,8-0,9 0,9-1,0 Коэффициент 1 корректировки (КК) 1 0,9 0,7 0,5 Источник: составлено авторами. Scale of compliance with the prob ability of mani for companies overstating reporting data pulation adju stment coeffic Table 5 ient Probability of manipulation 0.5-0.6 0.6-0.7 0.7-0.8 0.8-0.9 0.9-1.0 Correction factor (KK) 1 1 0.9 0.7 0.5 Source: compiled by the authors. Компания, занижающая данные отчетности, будет иметь стоимость ниже реальной, поэтому необходимо скорректировать ее в сторону увеличения (табл. 6). Таблица 6 Шкала соответствия вероятности манипулирования коэффициенту корректировки для компаний, занижающих данные отчетности Вероятность 0,5-0,6 манипулирования 0,6-0,7 0,7-0,8 0,8-0,9 0,9-1,0 Коэффициент 1 корректировки (КК) 1 1,1 1,3 1,5 Источник: составлено авторами. Scale of compliance with the prob ability of mani for companies that understate reporting data pulation adju stment coeffic Table 6 ient Probability of manipulation 0.5-0.6 0.6-0.7 0.7-0.8 0.8-0.9 0.9-1.0 Source: compiled by the authors. В условиях дефицита времени для принятия решений, по мнению авторов, целесообразно использовать экспресс-оценку стоимости компании. Алгоритм экспресс-оценки включает в себя проверку на наличие манипулирования отчетностью с помощью коэффициентов начисления, оценку стоимости доходным методом, корректировку полученных результатов (рис. 3). Рис. 3. Алгоритм экспресс-оценки стоимости компании с учетом манипулирования Источник: составлено авторами. Figure 3. The algorithm of express valuation of the company, taking into account manipulation Source: compiled by the authors. Итак, на первом этапе экспресс-оценки стоимости по формуле 1 вычисляется значение коэффициентов начисления и делаются выводы о наличии и направлении манипулирования данными отчетностью компании: CF NI CFONOACFI, CACC Firm CACC FirmBB NOANOA (1) где CACC FirmCF - коэффициент начислений, рассчитанный на основе данных ОДДС; NI - чистая прибыль; (CFO + CFI) - сальдо денежных потоков от текущих и инвестиционных операций; NOA - чистые операционные активы; CACC FirmCF - коэффициент начислений, рассчитанный на основе данных бухгалтерского баланса. Если коэффициенты ниже допустимой погрешности 5 %, то манипулирования не наблюдается, значение коэффициента в промежутке между 5-10 % указывает на сомнения по поводу качества, при значении выше 10 % факт манипулирования данными отчетности считается доказанным (Алексеев, Савельева, Яковлева, 2017). Второй этап экспресс-оценки связан с оценкой стоимости компании с использованием доходного подхода (аналогичен рассмотренному выше алгоритму). Если манипулирование доказано, то полученная стоимость корректируется с помощью коэффициента (КК): Стоимость реальная = Стоимость расчетная × КК. Компания, завышающая данные отчетности, будет иметь более высокую стоимость, поэтому необходима корректировка в сторону занижения (табл. 7). Таблица 7 Шкала соответствия коэффициента начисления коэффициенту корректировки для компаний, завышающих данные отчетности Коэффициент начисления 0,1-0,3 0,3-0,6 0,7-0,9 0,9-1,1 Более 1,1 Коэффициент корректировки (КК) 0,95 0,9 0,7 0,5 0,3 Источник: составлено авторами. The scale of compliance of the accru al coefficient for companies overstating reporting data with the adju stment coeff Table 7 icient 0.1-0.3 0.3-0.6 0.7-0.9 0.9-1.1 More than 1.1 0.95 Source: compiled by the authors. Компания, занижающая данные отчетности, будет иметь стоимость ниже реальной, поэтому необходимо скорректировать ее в сторону увеличения (табл. 8). Таблица 8 Шкала соответствия коэффициента начисления коэффициенту корректировки для компаний, занижающих данные отчетности Коэффициент -0,1-0,3 начисления -0,3-0,6 -0,7-0,9 -0,9-1,1 Менее -1,1 Коэффициент 1,05 корректировки (КК) 1,1 1,3 1,5 1,8 Источник: составлено авторами. The scale of compliance of the accr ual coefficient with the adjustment coeffi companies that understate reporting data Table 8 cient for Less than Accrual rate -0.1-0.3 -0.3-0.6 -0.7-0.9 -0.9-1.1 -1.1 Source: compiled by the authors. Заключение Таким образом, при принятии инвестиционных решений для оценки стоимости компании стейкхолдерам необходимо учитывать факт возможного искажения данных отчетности компании. Манипулирование, как сознательное воздействие заинтересованных лиц на форму и содержание бухгалтерской отчетности с целью корректировки финансового состояния и финансовых результатов предприятия, может быть обнаружено с помощью различных методов анализа отчетности. Наибольшими достоинствами среди других, по мнению авторов, обладает методика построения интегрального показателя вероятности манипулирования отчетностью. На основе данной методики в работе предложен алгоритм оценки стоимости компании с учетом манипулирования. Этапы алгоритма действий предполагают построение пробит-регрессии на массиве данных отчетности компаний с интересующим видом экономической деятельности, определение вероятности манипулирования данными отчетности на основе полученной регрессии, оценку стоимости компании с учетом фактов манипулирования. Предложенная методика оценки стоимости компании с учетом манипулирования может быть использована для принятия управленческих и инвестиционных решений различными заинтересованными лицами.

Об авторах

Юлия Владимировна Немцева

Новосибирский государственный университет экономики и управления «НИНХ»

Автор, ответственный за переписку.
Email: nemtseva_july@mail.ru
ORCID iD: 0009-0003-6676-6308

кандидат экономических наук, доцент кафедры корпоративного управления и финансов

Российская Федерация, 630099, Новосибирск, ул. Каменская, д. 56

Анастасия Сергеевна Валеева

ООО «Первый строительный фонд»

Email: asvaleeva@yandex.ru
экономист Российская Федерация, 630099, Новосибирск, ул.Обская, д. 50

Список литературы