UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013
OPSPOREN EN VOORKOMEN VAN JAARREKENINGFRAUDE
Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen
Nicolas De Man onder leiding van Prof. Dr. Ignace De Beelde
UNIVERSITEIT GENT
FACULTEIT ECONOMIE EN BEDRIJFSKUNDE ACADEMIEJAAR 2012 – 2013
OPSPOREN EN VOORKOMEN VAN JAARREKENINGFRAUDE
Masterproef voorgedragen tot het bekomen van de graad van
Master of Science in de Toegepaste Economische Wetenschappen
Nicolas De Man onder leiding van Prof. Dr. Ignace De Beelde
PERMISSION Ondergetekende verklaart dat de inhoud van deze masterproef mag geraadpleegd en/of gereproduceerd worden, mits bronvermelding.
Nicolas De Man
WOORD VOORAF Deze masterproef vormt het sluitstuk van mijn opleiding aan de Faculteit Economie en Bedrijfskunde. Ik wil graag van deze gelegenheid gebruik maken om een aantal personen te bedanken.
Eerst en vooral wil ik Prof. De Beelde bedanken omdat hij mij de kans heeft gegeven om over dit zelfgekozen onderwerp een scriptie te schrijven. Verder wil ik hem, evenals Dhr. Walthoff, bedanken voor de begeleiding bij het schrijven van dit werk en de nuttige opmerkingen.
Tot slot wil ik graag mijn ouders bedanken voor de steun tijdens de voorbije jaren en voor de mogelijkheden die zij mij hebben geschonken. Dankzij hen kon ik deze studie aanvatten en het diploma behalen dat zal dienen als basis voor mijn verdere leven.
Nicolas De Man, Juli 2013
I
INHOUDSOPGAVE WOORD VOORAF ..................................................................................................................................................... I GEBRUIKTE AFKORTINGEN ..................................................................................................................................... IV LIJST VAN TABELLEN ................................................................................................................................................ V LIJST VAN FIGUREN ................................................................................................................................................. V HOOFDSTUK I INLEIDING ........................................................................................................................................ 1 HOOFDSTUK II LITERATUURSTUDIE ....................................................................................................................... 3 2.1
JAARREKENINGFRAUDE ............................................................................................................................ 3
2.1.1
SITUERING ......................................................................................................................................... 3
2.1.2
DEFINIËRING ...................................................................................................................................... 5
2.2
POGING TOT PREVENTIE ........................................................................................................................... 5
2.2.1
WETTELIJKE REGULERING.................................................................................................................. 5
2.2.2
EXTERNE AUDITCONTROLE ............................................................................................................... 7
2.2.2.1
RISICOGEBIEDEN ........................................................................................................................... 8
2.2.2.2
OVERIGE RICHTLIJNEN .................................................................................................................. 8
2.2.2.3
IN GEVAL VAN FRAUDE ................................................................................................................. 9
2.2.3
PUBLIEKE HANDHAVING.................................................................................................................. 10
2.2.4
AANSPRAKELIJKHEID ....................................................................................................................... 10
2.3
POGING TOT DETECTIE ............................................................................................................................ 11
2.3.1
KWALITATIEVE METHODEN............................................................................................................. 12
2.3.1.1
RODE VLAGGEN THEORIE ........................................................................................................... 12
I.
DOMINANTIE BINNEN DE ONDERNEMING .......................................................................................... 13
II.
INEFFECTIEF TOEZICHT OP HET FINANCIEEL RAPPORTERINGSPROCES ............................................... 14
2.3.1.2 2.3.2
TAALKUNDIGE GELOOFWAARDIGHEIDSANALYSE ...................................................................... 14 KWANTITATIEVE METHODEN .......................................................................................................... 15
2.3.2.1
ANALYTISCHE TESTEN ................................................................................................................. 15
I.
HORIZONTALE EN VERTICALE ANALYSE ............................................................................................... 15
II.
RATIO ANALYSE.................................................................................................................................... 15
III.
BENFORD’S LAW .................................................................................................................................. 16
2.3.2.2 2.4
DATAMININGTECHNIEKEN .......................................................................................................... 16
LOGISTISCHE REGRESSIE ALS DETECTIEMETHODE ................................................................................. 17
2.4.1
MODEL VAN BENEISH ...................................................................................................................... 17
2.4.1.1
DAYS SALES IN RECEIVABLES INDEX (DSRI) ................................................................................. 18
2.4.1.2
GROSS MARGIN INDEX (GMI) ..................................................................................................... 18
2.4.1.3
ASSET QUALITY INDEX (AQI) ....................................................................................................... 18
2.4.1.4
SALES GROWTH INDEX (SGI) ....................................................................................................... 19
II
2.4.1.5 2.4.2
TOTAL ACCRUALS TO TOTAL ASSETS (TATA) ............................................................................... 19 MODEL VAN PERSONS ..................................................................................................................... 20
2.4.2.1
TOTAL LIABILITIES TO TOTAL ASSETS (TLTA) ............................................................................... 20
2.4.2.2
SALES TO TOTAL ASSETS (SATA) .................................................................................................. 20
2.4.2.3
LOGARITHM OF TOTAL ASSETS (LOGTA) ..................................................................................... 21
2.4.2.4
CURRENT ASSETS TO TOTAL ASSETS (CATA) ............................................................................... 21
HOOFDSTUK III EMPIRISCH ONDERZOEK ............................................................................................................. 22 3.1
INLEIDING ................................................................................................................................................ 22
3.2
ONDERZOEKSVRAGEN ............................................................................................................................. 22
3.3
GEGEVENSVERZAMELING........................................................................................................................ 23
3.3.1
DE FRAUDERENDE STEEKPROEF ...................................................................................................... 23
3.3.2
DE NIET-FRAUDERENDE STEEKPROEF ............................................................................................. 24
3.3.3
OVERZICHT MATCHING ................................................................................................................... 25
3.3.4
VERZAMELINGSMETHODE .............................................................................................................. 26
3.4
LOGISTISCHE REGRESSIE.......................................................................................................................... 26
3.4.1
AFHANKELIJKE VARIABELE ............................................................................................................... 26
3.4.2
ONAFHANKELIJKE VARIABELEN ....................................................................................................... 26
3.4.3
MODELLEN ...................................................................................................................................... 26
3.4.3.1
MODEL VAN BENEISH ................................................................................................................. 27
3.4.3.2
MODEL VAN PERSONS ................................................................................................................ 27
3.5
ONDERZOEKSRESULTATEN ...................................................................................................................... 27
3.5.1
MODEL VAN BENEISH ...................................................................................................................... 27
3.5.1.1
DESCRIPTIEVE ANALYSE .............................................................................................................. 27
3.5.1.2
LOGISTISCHE REGRESSIE: ONDERLIGGENDE ASSUMPTIES ......................................................... 28
3.5.1.3
LOGISTISCHE REGRESSIE: RESULTATEN ...................................................................................... 29
3.5.1.4
INTERPRETATIE VAN DE RESULTATEN ........................................................................................ 30
3.5.2
3.6
MODEL VAN PERSONS ..................................................................................................................... 31
3.5.2.1
DESCRIPTIEVE ANALYSE .............................................................................................................. 31
3.5.2.2
LOGISTISCHE REGRESSIE: ONDERLIGGENDE ASSUMPTIES ......................................................... 31
3.5.2.3
LOGISTISCHE REGRESSIE: RESULTATEN ...................................................................................... 32
3.5.2.4
INTERPRETATIE VAN DE RESULTATEN ........................................................................................ 33
CONCLUSIES EN DISCUSSIE ...................................................................................................................... 34
HOOFDSTUK IV HET ALGEMEEN BESLUIT ............................................................................................................ 35 LITERATUURLIJST.................................................................................................................................................... VI
III
GEBRUIKTE AFKORTINGEN AAER ACFE AICPA AMF AQI CEO CESR CFO COSO DSRI EDGAR EU FASB FBI FRRP GAAP GMI HP IAS IASB IFAC IFRS ISA OV PCAOB RvB SAS SEC SGI SIC SOX TATA VS WSJ
Accounting and Auditing Enforcement Releases Association of Certified Fraud Examiners American Institute of Certified Public Accountants Autorité des Marchés Financiers Asset Quality Index Chief Executive Officer Committee of European Securities Regulators Chief Financial Officer Committee of Sponsoring Organizations Days Sales in Receivables Index Electronic Data-Gathering, Analysis and Retrieval Europese Unie Financial Accounting Standards Board Federal Bureau of Investigation Financial Reporting Review Panel Generally Accepted Accounting Principles Gross Margin Index Hewlett-Packard International Accounting Standards International Accounting Standards Board International Federation of Accountants International Financial Reporting Standards International Standard on Auditing Onderzoeksvraag Public Company Accounting Oversight Board Raad van Bestuur Statement of Auditing Standards Securities and Exchange Commission Sales Growth Index Standard Industrial Classification Sarbanes-Oxley Total Accruals to Total Assets Verenigde Staten Wall Street Journal
IV
LIJST VAN TABELLEN Tabel 1: Overzicht van de frauderende ondernemingen en de bijhorende niet-frauderende ondernemingen 25 Tabel 2: Descriptieve analyse gebaseerd op Beneish ……………………………………………………………………………………... 27 Tabel 3: Correlatiematrix gebaseerd op Beneish ………………………………………………………………………………………..…. 28 Tabel 4: Logistische regressie gebaseerd op Beneish …………………………………………………………………………………..… 29 Tabel 5: Classificatietabel gebaseerd op Beneish ………………………………………………………………………………………..… 30 Tabel 6: Descriptieve analyse gebaseerd op Persons …………………………………………………………………………………..… 31 Tabel 7: Correlatiematrix gebaseerd op Persons …………………………………………………………………………………………... 32 Tabel 8: Logistische regressie gebaseerd op Persons …………………………………………………………………………………….. 32 Tabel 9: Classificatietabel gebaseerd op Persons …………………………………………………………………………………………… 33 Tabel 10: Vergelijking van de twee logistische regressiemodellen ………………………………………….……………………… 34
LIJST VAN FIGUREN Figuur 1: Classificatie van de verschillende soorten financiële fraude gebaseerd op het model van het FBI …… 3 Figuur 2: Procentuele voorstelling van de frequentie en het mediaan verlies per beroepsfraudecategorie ….. 4 Figuur 3: De verschillende stappen in een auditproces …………………………………………………………………………………... 7 Figuur 4: De componenten van de fraudetriangel ………………………………………………………………………………………… 13
V
HOOFDSTUK I INLEIDING Jaarrekeningfraude kost de Amerikaanse economie jaarlijks miljarden dollars. Sinds 2008 vertegenwoordigen jaarrekeningfraudes nog steeds 7,6% van het totaal aantal fraudes en met een mediaan van $1,000,000 een omvangrijke kost (ACFE, 2012). Het schandaal rond HP en Autonomy in 2012 is één van de meest recente voorbeelden van vermeende jaarrekeningfraude. Autonomy, een softwareproducent die beweerde een baanbrekend softwarepakket te hebben ontworpen, werd overgenomen door HP. Uiteindelijk bleek dit softwarepakket niet aan de verwachtingen te voldoen en kwam aan het licht dat Autonomy voorafgaand aan de overname de bedrijfsresultaten beter zou hebben weergegeven dan ze in werkelijkheid waren. Toen dit schandaal bekend raakte, resulteerde dit in een kost van 8,8 miljard dollar voor HP (Forbes, 2012). Een kwaliteitsvolle financiële rapportering vormt één van de voornaamste hoekstenen van een goed werkende kapitaalmarkt. De gevolgen van rapporteringsschandalen zijn dan meestal ook catastrofaal – i.e. het investeringsvertrouwen raakt beschadigd en de goede werking van de kapitaalmarkt wordt verstoord. In de academische literatuur bestaan er echter enkele modellen ter opsporing van earnings manipulation (Beneish, 1999) en frauduleuze financiële jaarrekeningen (Persons, 1995). In deze masterproef wordt onderzocht in welke mate deze modellen in staat zijn bestaande gevallen van jaarrekeningfraude te detecteren. Resultaten van het empirisch onderzoek van Persons (1995) uit een sample van frauderende en nietfrauderende ondernemingen tussen 1974 en 1981 toonden aan dat financial leverage, capital turnover, asset composition en firm size belangrijke factoren zijn bij het voorspellen van de waarschijnlijkheid van een frauduleuze financiële jaarrekening. Daarnaast toont eerder onderzoek door Jones, Krishnan, & Melendrez (2008) aan dat het model van Beneish ter voorspelling van earnings manipulation significant geassocieerd is met de aanwezigheid van fraude. Bijgevolg kunnen de modellen van Beneish en Persons een hulp bieden tijdens de risicobeoordeling van investeringsvoorstellen, maar ook tijdens de beoordeling van de waarschijnlijkheid van jaarrekeningfraude of het evalueren van onregelmatigheden door auditkantoren. De reputatietheorie stelt immers dat auditkantoren hun reputatie waarderen en de door klanten geïnduceerde risico’s identificeren ten einde deze reputatie te beschermen en juridische vervolgingen te verminderen (Bedard & Johnstone, 2004; Johnstone & Bedard, 2001). Gelet op de gewijzigde macro-economische omstandigheden sinds de jaren ’80 en overwegende de gewijzigde wetgeving en reglementering, wordt in deze masterproef nagegaan in welke mate de financiële ratio’s uit beide modellen de waarschijnlijkheid van een frauduleuze rapportering kunnen voorspellen. Hierbij wordt gebruik gemaakt van jaarrekeningen van Amerikaanse beursgenoteerde frauderende en nietfrauderende ondernemingen tussen de periode 1999-2001.
1
Het vervolg van deze verhandeling bestaat uit drie delen. Hoofdstuk II situeert en definieert jaarrekeningfraude en geeft een overzicht van de bestaande fraudepreventie- en detectietechnieken. In hoofdstuk III volgt de bespreking van het opzet en de resultaten van het empirisch onderzoek. Tot slot wordt in hoofdstuk IV overgegaan tot het trekken van een algemeen besluit.
2
HOOFDSTUK II LITERATUURSTUDIE 2.1
JAARREKENINGFRAUDE
Aan het einde van elke accountingperiode is het management van een beursgenoteerde onderneming verplicht om een jaarrekening op te stellen en deze te rapporteren aan de aandeelhouders. De jaarrekening dient als een verantwoording van het management voor het door hen gevoerde beleid en laat de stakeholders toe om doordachte beslissingen te nemen (De Beelde, 2008). De accountingregels bepalen de wijze waarop de jaarrekening tot stand moet komen. Deze regels zijn echter in vele gevallen niet sluitend, waardoor er ruimte is voor interpretatie. Deze flexibiliteit op vlak van de toepassing van de accountingregels is een mes dat langs twee kanten snijdt (Palepu, Healy & Peek, 2010). Enerzijds kan het management zijn confidentiële kennis dankzij deze flexibiliteit optimaal laten weerspiegelen in de cijfers. Stakeholders kunnen op die manier betere beslissingen nemen. Deze visie legt de nadruk op de voordelen van de gegeven flexibiliteit en bekijkt de discussie dus vanuit het ‘informatie perspectief’ (Beneish, 2001). Anderzijds opent de flexibiliteit een deur voor het management om de cijfers naar haar hand te zetten. Hierbij gaat men uit van het ‘opportunistisch perspectief’ en spreekt men in de Angelsaksische literatuur over earnings management (Bruggeman, Slagmulder & Hoozée, 2010). In het geval van earnings management blijft het management echter binnen de lijnen van de wet. Wanneer men echter nog een stap verder gaat en de accountingregels overtreedt, dan spreekt men van earnings manipulation of jaarrekeningfraude.
2.1.1 SITUERING In navolging van Ngai et al. (2011) maken we gebruik van het conceptueel classificatiemodel van het Federal Bureau of Investigation (FBI) uit de Verenigde Staten (VS) bij het situeren van jaarrekeningfraude binnen de fraudeliteratuur. Dit model onderscheidt vier deelgebieden binnen de financiële fraude: bankfraude, verzekeringsfraude, aandelen- en handelswarenfraude en bedrijfsfraude. Figuur 1 geeft een overzicht.
Financiële fraude
Bankfraude
Verzekeringsfraude
Aandelen- en handelswarenfraude
Bedrijfsfraude
Figuur 1: Classificatie van de verschillende soorten financiële fraude gebaseerd op het model van het FBI
3
Bedrijfsfraude of occupational fraud is de vierde en laatste categorie binnen de financiële fraude en omvat naast jaarrekeningfraude ook ontvreemding van activa en corruptie. Figuur 2 geeft een overzicht van de frequentie waarmee deze drie soorten bedrijfsfraude voorkomen en het mediaan verlies dat met elke categorie gepaard gaat. Deze figuur is gebaseerd op gegevens uit het frauderapport van de ACFE (2012). Om alle informatie zo duidelijk mogelijk voor te stellen wordt gewerkt met percentages.
90% 80% 70% 60% 50%
Frequentie
40%
Mediaan verlies
30% 20% 10% 0% Ontvreemding van activa
Corruptie
Jaarrekeningfraude
Figuur 2: Procentuele voorstelling van de frequentie en het mediaan verlies per beroepsfraudecategorie Enerzijds is het duidelijk dat de meest voorkomende soort bedrijfsfraude de ontvreemding van activa is (86,7%). Corruptie komt in 33,4% van de gevallen voor, gevolgd door jaarrekeningfraude dat in amper 7,6% van 1
de gevallen voorkomt . Anderzijds blijkt in 2012 de som van de verliesmedianen 1,37 miljoen dollar te bedragen. Hierbij valt meteen op dat jaarrekeningfraude, met een mediaan verlies van 1 miljoen dollar (73%), het meeste kosten veroorzaakt. In tegenstelling tot corruptie dat slechts voor een mediaan verlies zorgt van 0,25 miljoen dollar (18,2%). Het laagste mediaan verlies, slechts 0,12 miljoen dollar (8,8%), kan worden toegeschreven aan de ontvreemding van activa (ACFE, 2012). Hieruit kunnen we concluderen dat hoewel jaarrekeningfraude in slechts 7,6% van de gevallen voorkomt, men dit soort fraude zeker niet mag onderschatten. De kosten verbonden aan rapporteringsfraude liggen namelijk veel hoger dan in het geval van de twee andere soorten bedrijfsfraudes. De impact op de financiële toestand van de onderneming en op de overlevingskansen is bijgevolg significant negatief. Deze vaststelling laat ons toe om te besluiten dat de voortzetting van het onderzoek naar meer en betere methoden om jaarrekeningfraude op te sporen in ieders belang is.
1
Er dient te worden opgemerkt dat deze percentages niet sommeren tot 100%. Dit komt omdat in sommige
fraudegevallen meer dan één soort fraude gepleegd werd. 4
2.1.2 DEFINIËRING In de literatuur wordt jaarrekeningfraude op verschillende manieren gedefinieerd. Het komt er echter meestal op neer dat de financiële situatie van een onderneming doelbewust beter of slechter wordt voorgesteld dan de werkelijkheid, en dit om derden te misleiden. Hierbij dient opgemerkt te worden dat jaarrekeningfraude niet enkel het rooskleuriger voorstellen van jaarrekeninginformatie omvat. Ook het negatiever voorstellen van gegevens wordt aanzien als fraude. Zo kan het management bijvoorbeeld de timing van de rapportering van inkomsten en kosten manipuleren, dit proces heet profit smoothing. Door de volatiliteit uit de inkomstenstroom te halen, kan het management zijn doelstellingen blijven realiseren (Fudenberg & Tirole, 1995).
2.2
POGING TOT PREVENTIE
Aangezien de gevolgen van rapporteringsschandalen in vele gevallen catastrofaal zijn, is het in ieders belang dat men alles in het werk zet om een kwaliteitsvolle financiële rapportering na te streven. In dit opzicht werden er over het algemeen vier grote vangnetten voorzien die fraude in eerste instantie proberen tegen te gaan: de wettelijke regulering, externe auditcontrole, publieke handhaving en het gevaar van aansprakelijkheid (Palepu et al., 2010). Deze vier vangnetten worden in de volgende paragrafen achtereenvolgens besproken. Er moet worden opgemerkt dat deze preventiemiddelen slechts een eerste barrière vormen tegen frauduleuze rapportering en fraude dus niet helemaal kunnen voorkomen. Er blijven nog steeds nieuwe fraudegevallen opduiken en dus blijft er een continue nood aan meer en effectievere preventie- en detectietechnieken.
2.2.1 WETTELIJKE REGULERING Het empirisch onderzoek in deze masterproef is gebaseerd op een steekproef van Amerikaanse beursgenoteerde ondernemingen. Deze bedrijven zijn onderworpen aan de United States Generally Accepted Accounting Principles (US GAAP), die werden uitgevaardigd door de Financial Accounting Standards Board (FASB). Deze regels dienen nageleefd te worden bij het opstellen van de jaarrekening. De Europese tegenhanger van de US GAAP zijn de International Financial Reporting Standards (IFRS). Ieder beursgenoteerd bedrijf uit een land dat lid is van de Europese Unie (EU) dient sinds 2005 haar geconsolideerde jaarrekening op te stellen op basis van de IFRS. Deze regels zijn de opvolgers van de vroegere International Accounting Standards (IAS) en omvatten de nieuwe ‘IFRSs’, uitgevaardigd door de International Accounting Standards Board (IASB), en nog enkele oude ‘IASs’. Ook buiten de EU worden de IFRS toegepast. Wereldwijd zijn er al meer dan 100 landen waarin bedrijven hun jaarrekening opstellen volgens deze standaarden (Picker et al., 2013). Hoewel de US GAAP en IFRS nog steeds naast elkaar bestaan, werken de FASB en de IASB al enkele jaren samen om de co-existentie en de convergentie tussen beide reguleringen te verbeteren. Zo zijn buitenlandse bedrijven die opereren in de VS en hun jaarrekening conform de IFRS opstellen sinds 2007 niet langer verplicht om een tweede jaarrekening op te stellen die in overeenstemming is met de US GAAP (Erchinger & Melcher, 2007). Verder hebben beide partijen tijdens de voorbije jaren reeds verschillende 5
convergentieprojecten op touw gezet en talrijke board meetings gehouden om de verschillen tussen beide reguleringen te beperken en de vergelijkbaarheid te verhogen. Naar de toekomst toe hebben de leiders van de FASB en de IASB reeds beslist dat ze hun samenwerking zullen voortzetten, maar de overgang naar één universele set van standaarden zal nog een hele tijd op zich laten wachten (Tysiac, 2013). Uit het onderzoek van Hail, Leuz, & Wysocki (2010) blijkt echter dat de éénmalige kost van de overschakeling naar IFRS voor Amerikaanse bedrijven goedgemaakt wordt door: (1) toekomstige besparingen die vooral multinationale bedrijven zullen kunnen realiseren door overal dezelfde regulering toe te passen; en (2) de voordelen op vlak van vergelijkbaarheid die investeerders zullen ervaren.
Naast de accountingregulering is ook de wetgeving op vlak van corporate governance of deugdelijk bestuur van belang bij het voorkomen van frauduleuze rapportering. Corporate governance regels beschrijven de rechten en plichten van alle deelnemers binnen een onderneming, met de nadruk op de verantwoordelijkheden van de Raad van Bestuur, audit comité, topmanagement, interne auditors en externe auditors. De regulering op vlak van corporate governance werd ingevoerd met het oog op (Rezaee, 2005): -
het verbeteren van de kwaliteit, betrouwbaarheid en transparantie van de financiële rapportering;
-
het verzekeren van de adequaatheid en effectiviteit van het intern controle systeem;
-
het promoten van de effectiviteit en geloofwaardigheid van de audit functies;
-
het verhogen van de aandeelhouderswaarde.
Waar men vroeger de verantwoordelijkheid voor het bestrijden van fraude voornamelijk op de externe auditors afschoof, wordt sinds de opkomst van de nieuwe corporate governance regels (cfr. infra) van iedereen binnen de onderneming verwacht dat zij hun steentje bijdragen op vlak van het detecteren van fraude. Deze verhoogde verwachtingen ten aanzien van de medewerkers hebben reeds hun vruchten afgeworpen. Recent onderzoek van Dyck, Morse & Zingales (2010) geeft namelijk aan dat het actief betrekken van alle werknemers via de techniek van whisteblowing als één van de meest effectieve methoden ter opsporing van fraude kan worden aanzien. De vernieuwing en uitbreiding van de corporate governance regels blijken dus een stap in de goede richting te zijn. De nieuwe regulering kwam er als reactie op de golf van rapporteringsschandalen rond de beginjaren 2000 en heeft in de VS geleid tot het ontstaan van de Sarbanes-Oxley (SOX) Act in 2002. De doelstelling van de SOX act luidt als volgt: “to protect investors by improving the accuracy and reliability of corporate disclosures made pursuant to the securities laws” (Li, Pincus & Rego, 2008, p. 112). De nieuwe regels uit de SOX act hebben onder andere betrekking op (Coates, 2007): -
de relatie tussen auditors en hun klanten;
-
de rotatie van auditors;
-
aanbieding van niet-audit gerelateerde diensten aan klanten;
-
whistleblowing.
6
De SOX act wordt door vele bedrijven aanzien als een zeer kostelijke overheidsmaatregel. Volgens Coates (2007) zijn er echter ook tal van lange termijn voordelen verbonden aan deze nieuwe wetgeving. Zo zullen investeerders met een lager frauderisico worden geconfronteerd, waardoor beursgenoteerde bedrijven voordeliger zullen kunnen lenen. Dit komt de economie op lange termijn ten goede, doordat de lagere investeringskosten een snellere groei toelaten.
2.2.2 EXTERNE AUDITCONTROLE De hierboven besproken accounting- en corporate governance regels dienen als leidraad voor het opstellen van de financiële rapporten. Omdat deze rapporten opgesteld worden door de bedrijven zelf, is er uiteraard nood aan externe controle. Deze controle wordt uitgeoefend door externe auditors. De belangrijkste functie van externe audit is het controleren van de financiële rapportering van bedrijven en het geven van een opinie. Het verslag van de auditor is van belang voor de stakeholders van het bedrijf. Het zegt namelijk iets over de betrouwbaarheid van de jaarrekening. Indien de jaarrekening wordt goedgekeurd, kunnen de stakeholders gerust zijn dat de gegevens gebruikt kunnen worden bij het nemen van beslissingen. Over het algemeen worden er tijdens de uitvoering van een audit een aantal grote stappen doorlopen (De Beelde, 2008). Eerst en vooral, moet de auditor grondig kennis nemen van de klant en zijn activiteiten, om reeds de eerste potentiële risico's in te schatten. Vervolgens moet hij onderzoeken of de interne controlestructuur van het bedrijf wel voldoende krachtig is – i.e. in staat is om fouten op te sporen. Op basis van de beoordeling van de interne controlestructuur, zal de auditor dan bepalen op welk detailniveau hij de substantieve testen zal uitvoeren. Blijken de interne controle processen eerder zwak te zijn, dan zullen er meer gedetailleerde substantieve testen nodig zijn, omdat er dan meer kans is op fouten die niet door de interne controle processen werden voorkomen. Na het uitvoeren van de substantieve testen, kan de auditor bepalen of er materiële fouten gebeurd zijn en op basis daarvan zal hij tot slot zijn opinie over de betrouwbaarheid van de jaarrekening vormen. Tijdens de hele procedure wordt van de auditor verwacht dat hij de stappen die hij doorloopt uitschrijft in zijn werkpapieren. Figuur 3 geeft een overzicht van dit proces.
Screening van de klant
Vorming opinie op basis van materialiteit
Beoordeling van de interne controlestructuur
Uitvoering van de substantieve testen Figuur 3: De verschillende stappen in een auditproces 7
Tijdens de uitvoering van de audit zal de auditor meer belang hechten aan sommige onderdelen van de jaarrekening dan aan andere. In de volgende paragraaf wordt een overzicht gegeven van de gebieden die over het algemeen als risicovoller worden aanzien.
2.2.2.1
RISICOGEBIEDEN
De Public Company Accounting Oversight Board (PCAOB) heeft verschillende risicogebieden geïdentificeerd waarin fraude vaak voorkomt. Aan deze gebieden dient de auditor meer aandacht te schenken. De PCAOB onderscheidt vijf risicogebieden (Hogan, Rezaee, Riley, & Velury, 2008): -
Overwaardering van opbrengsten: Door opbrengsten vroegtijdig te erkennen of valse opbrengsten te boeken, probeert het management de resultaten beter voor te stellen;
-
Grote of ongewone afschrijvingen, waardeverminderingen of voorzieningen: Hoge of ongewone boekingen in één of meerdere van deze categorieën kunnen wijzen op een verkeerde tijdstoerekening of een poging tot winstmanipulatie;
-
Transacties met verbonden partijen: Transacties met verbonden partijen kunnen oneerlijke voordelen verschaffen aan het bedrijf en worden soms gebruikt om de winst te manipuleren;
-
Tussentijdse financiële rapportering: Tussentijdse rapporten bevatten vaak betere resultaten dan de resultaten uit uiteindelijke jaarrekening, dit om investeerders te misleiden;
-
Fair value schattingen: De auditor dient na te gaan of de schatting gebaseerd is op redelijke assumpties;
-
Ongewone transacties: Ongewone transacties krijgen meer aandacht van de auditor dan eenvoudige en veelvoorkomende transacties.
Met betrekking tot deze laatste categorie stelt Palepu et al. (2010) vast dat: “Not all unusual accounting is questionable”. Ongewone transacties kunnen namelijk het gevolg zijn van ongewone bedrijfsactiviteiten.
2.2.2.2
OVERIGE RICHTLIJNEN
Naast de hierboven vermelde risicogebieden heeft de auditor nog andere hulpmiddelen ter beschikking bij het uitvoeren van de audit. Zo zijn er een aantal bepalingen uitgevaardigd door hogere instanties die als richtlijn dienen voor het fraudeonderzoek. We bespreken achtereenvolgens SAS 82, SAS 99 en ISA 240.
SAS 82, met als titel ‘Consideration of Fraud in a Financial Statement Audit’, werd in 1997 uitgevaardigd door het American Institute of Certified Public Accountants (AICPA). Dit document beschrijft de verantwoordelijkheid van een auditor op vlak van het detecteren van materiële fraude. Voornamelijk het belang van een continue beoordeling door de auditor van de mogelijke aanwezigheid van fraude wordt in SAS 82 geaccentueerd (Nigrini & Mittermaier, 1997). De exacte wijze waarop een fraudecontrole moet worden uitgevoerd, werd echter niet vastgelegd in deze bepaling. Er werd enkel verwacht van de auditor dat hij na zijn onderzoek een gedetailleerde beschrijving van de geïdentificeerde risicofactoren en de ondernomen acties opstelt (Mock & Turner, 2005).
8
SAS 82 geeft daarenboven een overzicht van mogelijke risicofactoren waaraan auditors meer belang moeten hechten. Deze risicofactoren zijn gerelateerd aan jaarrekeningfraude en werden ingedeeld in drie categorieën die gebaseerd zijn op: (1) de karakteristieken van het management, (2) de industrieomstandigheden en (3) de operationele kenmerken en de financiële toestand van het bedrijf (Kirkos, Spathis & Manolopoulos, 2006). Concrete voorbeelden van risicofactoren zullen worden besproken in het deel over kwalitatieve detectiemethoden, meer bepaald in de paragraaf rond de ‘rode vlaggen theorie’ (cfr. paragraaf 2.3.1.1).
SAS 99, ook ‘Consideration of Fraud in a Financial Statement Audit’ genaamd, werd uitgevaardigd in 2002 als opvolger van SAS 82. Deze bepaling is een reactie op de grote accountingschandalen die rond het jaar 2000 plaatsvonden. In deze standaard worden de reeds bestaande richtlijnen uit SAS 82 verder geëxpliciteerd en worden tevens nieuwe richtlijnen uitgevaardigd (Bay et al., 2006). Het is de bedoeling van SAS 99 om de auditors een duidelijker beeld te geven van wat van hen verwacht wordt, zonder daarbij de verantwoordelijkheid op vlak van fraude te verhogen. Rezaee (2005) stelt dat de implementatie van SAS 99 ervoor zorgt dat auditors beter presteren op vlak van fraudedetectie, doordat auditors verplicht worden om: -
te brainstormen over hoe de fraude binnen het bedrijf zou kunnen ontstaan;
-
het management en andere personeelsleden te ondervragen over het mogelijke bestaan van fraude binnen het bedrijf;
-
bepaalde items in de boekhouding te onderzoeken die men normaal nooit zou controleren of waarop het management niet verwacht wordt te anticiperen;
-
na te gaan of het management de regels van het interne controlesysteem respecteert.
Tot slot werd ISA 240 uitgevaardigd door de International Federation of Accountants (IFAC) in 2002. Onder de naam ‘The Auditor's Responsibilities Relating to Fraud in an Audit of Financial Statements’ bevat deze standaard net als SAS 99 een lijst met risicofactoren, die onderverdeeld werd op basis van de drie elementen van de fraude triangel: incentive, opportuniteit en rationalisatie (Lou & Wang, 2009). Naast de beschrijving van de verantwoordelijkheden van de externe auditor op vlak van fraudedetectie, wijst deze standaard ook op het feit dat auditors slechts met redelijke zekerheid een uitspraak kunnen doen over de aanwezigheid van fraude. Auditors baseren hun opinie slechts op steekproeven en hun analyse is dus gelimiteerd tot deze steekproeven. ISA 240 respecteert het feit dat auditors niet alle fouten en fraudes kunnen opsporen (Kirkos et al., 2006).
2.2.2.3
IN GEVAL VAN FRAUDE
In geval van fraude kan de auditor, afhankelijk van de situatie, verschillende acties ondernemen. Indien een personeelslid fraude heeft gepleegd, dan zal de auditor dit melden aan het management. Indien echter het management zich schuldig maakt aan fraude, dan zal dit aan de Raad van Bestuur (RvB) worden gemeld. Indien de RvB geen actie onderneemt, dan blijven er voor de auditor niet veel opties meer over. In zulke gevallen
9
neemt hij dan meestal ontslag en komt hierdoor in een lastige situatie terecht. Voor dit ontslag moet namelijk een grondige reden worden opgegeven, maar auditors worden hierin vaak beperkt door hun professionele zwijgplicht (De Beelde, 2008).
2.2.3 PUBLIEKE HANDHAVING Met publieke handhaving worden de verschillende entiteiten bedoeld die naast externe audit de betrouwbaarheid van de jaarrekening proberen te vrijwaren via het uitvoeren van bijkomende controles. Deze controles gebeuren proactief of op basis van klachten en hebben ook betrekking op de correcte naleving van de accounting standaarden. In geval van niet-naleving zullen deze entiteiten de nodige actie ondernemen (Bhattacharya & Kumar, 2008). Wereldwijd, werd de Association of Certified Fraud Examiners (ACFE) opgericht. Dit is momenteel de grootste anti-fraude organisatie ter wereld en tevens de voornaamste verschaffer van anti-fraude training en opleiding. Deze organisatie werd opgericht in 1988 en telt ondertussen al meer dan 60.000 leden in meer dan 150 landen (ACFE, 2012). In de VS neemt de Securities and Exchange Commission (SEC) de rol van publieke handhaver op. Bij niet naleving van de US GAAP zal de SEC een onderzoek instellen en vervolgens de gepaste straf opleggen (SEC, 2013). Ook vernoemenswaardig is de Public Company Accounting Oversight Board (PCAOB). Dit is een organisatie die toezicht uitoefent op audits die gebeuren bij Amerikaanse beursgenoteerde bedrijven. De PCAOB werd opgericht als gevolg van de Sarbanes-Oxley Act in 2002. Vanaf dat moment werd voor het eerst in de Amerikaanse geschiedenis extern toezicht uitgeoefend op de auditfunctie (PCAOB, 2003). In Europa werden er in verschillende landen lokale entiteiten opgericht die zich bezighouden met de publieke handhaving. Deze entiteiten beoordelen de naleving van de IFRS door de beursgenoteerde bedrijven. Enkele voorbeelden van de bestaande organisaties in Europa zijn: de Franse Autorité des Marchés Financiers (AMF); het Engelse Financial Reporting Review Panel (FRRP). De overkoepelende organisatie die op Europees niveau voor een consistente visie zorgt tussen de verschillende lokale entiteiten heet het Committee of European Securities Regulators (CESR) (Palepu et al., 2010).
2.2.4 AANSPRAKELIJKHEID Wanneer aan het licht komt dat bepaalde gegevens in de jaarrekening werden gemanipuleerd, zullen de aandeelhouders en de overige getroffen partijen hun verlies proberen te recupereren. In de meeste gevallen worden de betrokken werknemers, het management en de auditors aangeklaagd en wordt er finaal een gevangenisstraf en een boete of terugbetaling opgelegd. Dit was bijvoorbeeld zo in het geval van de fraude die gepleegd werd tussen 2005 en 2009 bij Koss Corporation, een producent van stereo hoofdtelefoons. Sujata Sachdeva, de toenmalige hoofdverantwoordelijke van de accounting afdeling, stal voor meer dan 30 miljoen dollar van Koss Corporation. Met dat geld betaalde ze alle onkosten die haar extravagante levensstijl met zich meebracht. De diefstal probeerde ze te verbergen door de boekhouding te vervalsen. Gedurende een aantal jaren was zij hierin succesvol, tot American Express rond eind 2009 merkte dat Sachdeva’s credit card schulden werden afgelost met over-
10
schrijvingen via de bankrekening van Koss Corporation. Na de melding van American Express werd Sachdeva veroordeeld tot een minimum celstraf van vijf jaar en de verplichting tot terugbetaling van ongeveer 34 miljoen dollar aan Koss (SEC, 2010). Naast Sachdeva, werden ook Michael J. Koss, de toenmalige CEO-CFO, en Koss Corporation aangeklaagd. Het bedrijf beging volgens de SEC een overtreding door het publiceren van verscheidene jaarrekeningen waarin materiële vervalsing voorkwam. Michael J. Koss werd ervan beschuldigd de informatie in de betreffende jaarrekeningen niet voldoende te hebben gecontroleerd vooraleer hij ze ondertekende (SEC, 2011a). De rechter besliste in 2012 dat Michael J. Koss een deel van zijn bonussen en aandelenopties, die hij had verworven in de periode van de fraude, moest terugbetalen aan Koss Corporation (SEC, 2012).
Uit een recente studie van de COSO blijkt dat in bijna 90% van de jaarrekeningfraudegevallen de CEO en/of de CFO van het frauderende bedrijf vernoemd worden in de AAERs van de SEC wegens enige betrokkenheid bij de fraude (COSO, 2010). Feng et al. (2011) stellen dat CFO’s echter vaker en zwaarder bestraft worden dan CEO’s. Het is namelijk een belangrijke taak van de CFO’s om het financieel rapporteringsproces te overzien en te zorgen dat verschafte informatie betrouwbaar is. Verder kan een CEO zijn beperkte kennis op vlak van accounting als excuus gebruiken, dit is voor een CFO moeilijk aangezien dit normaal gezien een onderdeel is van zijn basisvaardigheden. Naast een gevangenisstraf of een boete, kan er ook een beperking worden gelegd op de toekomstige tewerkstelling in een bepaalde functie (Feng et al., 2011).
De dreiging van aansprakelijkheid en de daarbij horende gevolgen vormen samen het vierde vangnet. Dit vangnet heeft een positieve impact op de kwaliteit van de financiële rapportering, doordat het ervoor zorgt dat daders bestraft worden, en omdat het als afschrikkingsmiddel dient voor potentiële nieuwe daders. Ook auditors zullen strengere controles uitvoeren om het gevaar van een vervolging te voorkomen. De mate van aansprakelijkheid verschilt echter van regio tot regio (Palepu et al., 2010). In de VS kunnen investeerders hun verlies reeds recupereren, indien zij de directe link kunnen aantonen tussen hun verkeerde beslissing en de misleidende informatie uit de jaarrekening waarop deze beslissing was gebaseerd. In Europa is er echter meer nodig om aansprakelijkheid in te roepen, daar moet namelijk bewezen worden dat er een bedoeling was om te schaden of te misleiden.
2.3
POGING TOT DETECTIE
De Koss Corporation case uit de voorgaande sectie geeft een goed beeld van de negatieve gevolgen waarmee fraudeurs te maken krijgen nadat de fraude werd ontdekt. Sachdeva werd veroordeeld tot een gevangenisstraf en de terugbetaling van 34 miljoen dollar. De gevolgen van rapporteringsschandalen zijn meestal ook catastrofaal voor het bedrijf waar de fraude plaatsvond. Uit het fraudeonderzoek van het COSO (2010) gebaseerd op een sample van 347 frauderende ondernemingen, blijkt dat in 65% van de gevallen het bedrijf een boete wordt opgelegd. De boetes bedroegen gemiddeld 12,4 miljoen dollar, met een maximum boete van 750 miljoen dollar. Van de 347 onderzochte fraudeondernemingen gingen er overigens 86 (28%) failliet en werden er 147 (47%) onvrijwillig 11
geschrapt van de beurs. Deze percentages lagen in beide gevallen significant hoger dan de percentages in het geval van onderzochte niet-frauderende ondernemingen.
Naast negatieve financiële gevolgen, wijst Ball (2009) ook op mogelijke niet-financiële gevolgen van rapporteringsschandalen. Niet alleen de reputatie van de frauderende onderneming raakt beschadigd, maar ook die van het betrokken auditbedrijf. Zo viel het doek over Arthur Andersen, voorheen één van de vijf grootste auditkantoren ter wereld, door haar betrokkenheid bij enkele grote fraudegevallen, waaronder de fraudezaak Enron. Bovendien, blijkt uit de resultaten van het onderzoek van Fich & Shivdasani (2007) dat de reputatie van leden van de raad van bestuur een impact kan hebben op de waardering van een bedrijf. Zo zou de waarde van een bedrijf stijgen wanneer bestuurdersleden, die reeds met fraude werden geassocieerd in het verleden, het bedrijf verlaten. Men mag het belang van het reputatie-effect dus niet onderschatten.
Gezien de negatieve gevolgen van frauduleuze rapporteringsschandalen en de aanhoudende stroom van nieuwe fraudegevallen, wordt in deze sectie dieper ingegaan op de bestaande detectietechnieken. Waar men bij preventie op een eerder passieve manier fraude probeert te voorkomen, probeert men bij detectie op een actieve manier fraude op te sporen. Auditors beschikken reeds over talrijke mogelijke detectietechnieken die hen kunnen helpen bij het ontdekken van jaarrekeningfraude. In deze sectie wordt een overzicht gegeven van de verschillende technieken. Er wordt een onderscheid gemaakt tussen kwalitatieve en kwantitatieve methoden. In het empirisch onderzoek in hoofdstuk III zullen we vervolgens één van de kwantitatieve methoden, met name de logistische regressiemethode, in de praktijk testen. Het is daarbij de bedoeling om na te gaan of deze methode effectief is in het voorspellen van de waarschijnlijkheid van jaarrekeningfraude en dus als hulpmiddel kan gebruikt worden door externe auditors.
2.3.1 KWALITATIEVE METHODEN Kwalitatieve methoden richten zich voornamelijk op niet-getallen gerelateerde kenmerken, binnen het bedrijf of de jaarrekening, die vaak in verband worden gebracht met fraude. We bespreken achtereenvolgens de rode vlaggen theorie en de taalkundige geloofwaardigheidsanalyse.
2.3.1.1
RODE VLAGGEN THEORIE
De rode vlaggen theorie waarschuwt de auditor voor bepaalde kenmerken en attitudes binnen een bedrijf, die veelal geassocieerd worden met frauduleuze financiële rapportering (Summers & Sweeney, 1998). De auditor dient na te gaan of deze kenmerken of attitudes aanwezig zijn. Om deze taak te vervullen kan hij gebruik maken van de checklists aanwezig in de reeds besproken SAS 82, SAS 99 of ISA 240. In dit onderdeel zullen we twee rode vlaggen bespreken uit ISA 240 ‘The Auditor's Responsibilities Relating to Fraud in an Audit of Financial Statements’. De lijst met rode vlaggen uit deze standaard werd onderverdeeld op basis van de theorie van de fraudetriangel (Lou & Wang, 2009). Volgens deze theorie zijn er
12
normaliter drie elementen aanwezig bij een fraude, namelijk: een incentive, een opportuniteit en rationalisatie (Ravisankar, Ravi, Raghava Rao & Bose, 2011). Figuur 4 geeft een overzicht van deze drie factoren.
Incentive
Opportuniteit
Rationalisatie
Figuur 4: De componenten van de fraudetriangel Volgens de theorie van de fraudetriangel verhoogt de waarschijnlijkheid van het optreden van fraude wanneer (Wolfe & Hermanson, 2004): -
iemand een incentive heeft om fraude te plegen;
-
er zich een opportuniteit voordoet, bijvoorbeeld het bestaan van een zwak intern controle systeem;
-
iemand zijn of haar eigen fraudegedrag kan rationaliseren.
Wolfe & Hermanson (2004) voegen echter zelf nog een vierde element toe aan deze theorie, met name bekwaamheid. Deze vier elementen vormen samen de ‘fraudediamant’. Een opportuniteit opent de deur voor fraude en incentives en rationalisatie zetten een persoon aan tot fraude. De waarschijnlijkheid van het optreden van fraude hangt volgens hen echter voornamelijk af van de bekwaamheid van een persoon om fraude te plegen. Zij stellen dat: “Many frauds, especially some of the multibillion-dollar ones, would not have occurred without the right person with the right capabilities in place” (Wolfe & Hermanson, 2004, blz. 38). Hieronder bespreken we kort twee rode vlaggen die gerelateerd zijn aan het opportuniteitselement uit de theorie van de fraudetriangel, meerbepaald: (1) het gevaar van een te sterke dominantie van een persoon of kleine groep binnen een onderneming; en (2) het belang van het toezicht door het audit comité op het financieel rapporteringsproces.
I.
DOMINANTIE BINNEN DE ONDERNEMING
De rode vlag die betrekking heeft op het gevaar van een te sterke dominantie van een persoon of kleine groep binnen een onderneming werd als volgt geformuleerd (IFAC, 2009, p. 188):
(
“ )
13
Volgens Dunn (2004) is er een hogere waarschijnlijkheid van frauduleuze rapportering wanneer de macht binnen een bedrijf in de handen ligt van een beperkt aantal insiders. Deze insiders kunnen in de meeste gevallen volledige controle uitoefenen over zowel het topmanagement als de raad van bestuur via de betrekking van een toppositie in allebei deze organen. Dunn spreekt hierbij over het probleem van dualiteit. Bell & Carcello (2000) kwamen tot de vaststelling dat in 87% van de onderzochte fraudegevallen de belangrijke managementbeslissingen gedomineerd werden door één persoon of door een kleine groep van personen. Loebbecke, Eining, & Willingham (1989) kwamen tot een gelijkaardige conclusie, bij hen lag het percentage echter slechts op 75%.
II.
INEFFECTIEF TOEZICHT OP HET FINANCIEEL RAPPORTERINGSPROCES
De rode vlag met betrekking tot het audit comité luidt als volgt (IFAC, 2009, p. 188):
Het auditcomité is een toezichtsorgaan dat bestaat uit leden van de Raad van Bestuur. Het houdt toezicht op het financieel rapporteringsproces en op de uitvoering van de audit van de uiteindelijke jaarrekening (SEC, 2002). In de Sarbanes-Oxley Act worden ook de andere verantwoordelijkheden van het audit comité beschreven. Zo verwacht men van dit comité dat het een regelmatig contact onderhoudt met de externe auditors, alsook dat op zijn minst één lid expert is op financieel vlak (Rezaee, 2005). Uit het empirisch onderzoek van Felo (2003) blijkt dat er een positieve relatie bestaat tussen de kwaliteit van de financiële rapportering en het percentage van leden van het audit comité dat over financiële en accounting expertise beschikt. Vanuit dit opzicht is het dus niet optimaal dat de SOX de aanwezigheid van slechts één financieel onderlegd bestuurslid vereist in een audit comité.
2.3.1.2
TAALKUNDIGE GELOOFWAARDIGHEIDSANALYSE
Naast het onderzoek van potentiële rode vlaggen is er nog een andere kwalitatieve methode die door de auditor gebruikt kan worden, genaamd de taalkundige geloofwaardigheidsanalyse of linguistic credibility analysis. Bij dit soort onderzoek probeert men op basis van de taalkundige elementen uit de jaarrekening fraude te detecteren. Hoewel deze methode haar nut reeds heeft bewezen, blijft de literatuur rond dit onderwerp beperkt tot een schaars aantal papers (Goel, Gangolly, Faerman & Uzuner, 2010). Door het tekstgedeelte van de jaarrekening te onderzoeken, waar het management de jaarcijfers analyseert en de toekomstige evolutie bediscussieert, is het mogelijk om fraude te detecteren. Fraudeurs zouden namelijk meer beeldspraak en actievere taal gebruiken. Hun teksten bevatten ook meer elementen die de geloofwaardigheid van de resultaten proberen te verhogen, wat ervoor zorgt dat de tekst inhoudelijk minder bijdraagt (Humpherys et al., 2011).
14
2.3.2 KWANTITATIEVE METHODEN Kwantitatieve methoden richten zich voornamelijk op de getallen uit de jaarrekening en dus minder op de kwalitatieve aspecten. Men kan de literatuur rond deze technieken opsplitsen op basis van de moeilijkheidsgraad. Enerzijds wordt er tijdens het auditproces vaak gebruik gemaakt van enkele analytische testen. Anderzijds kan de auditor ook zijn toevlucht nemen tot de meer gespecialiseerde technieken die onder de noemer datamining vallen.
2.3.2.1
ANALYTISCHE TESTEN
Aan de hand van de analytische testen proberen auditors op een geaggregeerd niveau een beoordeling te maken van de redelijkheid van boekhoudkundige gegevens. Hierbij worden jaarrekeninggegevens met elkaar vergeleken en financiële ratio’s berekend. Opvallende items of relaties worden op deze manier geselecteerd voor verder onderzoek (De Beelde, 2008).
I.
HORIZONTALE EN VERTICALE ANALYSE
Men spreekt van een horizontale analyse, wanneer de gegevens uit opeenvolgende jaarrekeningen met elkaar worden vergeleken. De auditor gaat na hoe de verschillende items evolueren doorheen de tijd. Hierbij wordt meestal gebruik gemaakt van tijdsindexen. Een tijdsindex is een percentage dat wordt bekomen door het cijfer uit een bepaald jaar te delen door het cijfer uit het gekozen basisjaar. Op basis van de richting en de grootte van de veranderingen, zullen auditors beslissen om meer of minder tijd te besteden aan het verder onderzoek van bepaalde gegevens (Ooghe & Van Wymeersch, 2008). Bij verticale analyse wordt de jaarrekeninginformatie uit slechts één tijdsperiode bestudeerd. Het doel is hier om een analyse te maken van de structuur van de activa, passiva en resultaten. Elk element op de balans wordt dan meestal als een percentage van de totale activa berekend en elk element uit de resultatenrekening als een percentage van de omzet (Lanza, 2004). Ook op basis van deze percentages zullen auditors bepalen welke items meer aandacht zullen krijgen tijdens de verdere testen.
II.
RATIO ANALYSE
Ratio analyse wordt door financiële analisten gebruikt om bedrijfsprestaties te beoordelen en te vergelijken. Over het algemeen beschouwt men ratio’s als zijnde getalsverhoudingen in de vorm van een breuk. Op die manier leggen ratio’s de link tussen verschillende items uit de jaarrekening, en vatten ze de relatie samen in één getal. Dit getal kan doorheen de tijd (time-series comparison) of over verschillende bedrijven (crosssectional comparison) vergeleken worden (Palepu, Healy & Peek, 2010). Ratio’s worden echter niet enkel gebruikt om bedrijfsprestaties te evalueren, ook bij fraudeonderzoek worden dergelijke verhoudingsgetallen vaak geanalyseerd. Ravisankar et al. (2011) onderscheidt vier soorten financiële ratio’s die kunnen worden gebruikt bij het opsporen van fraude: -
Liquiditeitsratio’s: Deze ratio’s weerspiegelen de capaciteit van het bedrijf om de schulden op korte termijn terug te betalen.
-
Winstgevendheidsratio’s: Deze verhoudingsgetallen meten de capaciteit van het bedrijf om winsten te genereren op basis van de beschikbare middelen. 15
-
Schuldratio’s: De kwetsbaarheid voor het schuldenrisico wordt door deze ratio’s weergegeven.
-
Efficiëntieratio’s: Deze ratio’s geven aan hoe efficiënt er wordt omgesprongen met de activa en het bedrijfskapitaal.
Grote of onverklaarbare veranderingen in deze ratio’s kunnen wijzen op fraude. Ook hoge ratio’s zijn in veel gevallen een indicatie van toekomstige problemen. Zo zullen hoge schuldratio’s de kans op fraude verhogen. Fraudeurs lopen namelijk voortdurend het risico gedetecteerd te worden en zijn dus geneigd om zelf zo weinig mogelijk te investeren. Ze lenen liever zo veel mogelijk, om op die manier het financieel risico te kunnen doorschuiven naar de kapitaalverschaffers (Ravisankar et al., 2011). Tot slot worden ratio’s ook vaak gebruikt in de context van falingspredictie. Aan de hand van bepaalde ratio’s proberen analisten faillissementen te voorspellen en zo doordachte keuzes te maken. Liou (2008) stelt in deze context vast dat de meeste variabelen die gebruikt worden bij falingspredictie, ook werken om fraude te voorspellen.
III.
BENFORD’S LAW
Benford’s Law is een vorm van getallenanalyse, gebaseerd op de verwachte frequentie van getallen in grote datasets. Frank Benford, het brein achter deze theorie, stelde vast dat de mate van aanwezigheid van bepaalde getallen in een dataset een bepaald patroon volgt en dus voorspeld kan worden. Zo kwam hij in zijn onderzoek tot de conclusie dat gemiddeld 30,6% van de grote getallen begint met een 1 en slechts 4,7% van de grote getallen begint met een 9 (Bourke & Peursem, 2004). Benford legde in zijn theorie de verwachte frequenties vast voor getallen die als eerste en als tweede in een groot getal voorkomen, alsook de frequentie van bepaalde combinaties (Nigrini & Mittermaier, 1997). Op basis van deze inzichten, kunnen auditors fraude trachten te detecteren door een vergelijking te maken van de verwachte en de werkelijke frequenties. Indien er een grote discrepantie bestaat tussen beide frequenties, dan kan dit gezien worden als een eerste indicatie van fraude.
2.3.2.2
DATAMININGTECHNIEKEN
Een recentere en meer geavanceerde vorm van kwantitatieve gegevensanalyse wordt in de Angelsaksische literatuur omschreven als datamining. Dataminingtechnieken onderscheiden zich van analytische testen op vlak van moeilijkheidsgraad en detailniveau. Analytische testen worden uitgevoerd op een geaggregeerd niveau en kunnen dus slechts dienen als een eerste indicatie van fraude. In de meeste gevallen zijn fraudeurs slim genoeg om de controles op het geaggregeerd niveau te ontwijken (Bay et al., 2006). In zulke gevallen kunnen enkel gespecialiseerde technieken ervoor zorgen dat de fraude aan het licht komt. Datamining is een proces dat patronen opspoort in grote hoeveelheden data; op die manier probeert het verbanden bloot te leggen. In de literatuur worden dataminingtechnieken over het algemeen onderverdeeld in zes categorieën: classificatie, clustering, detectie van uitschieters, predictie, regressie en visualisatie. In het resterende gedeelte van deze masterproef zullen wij ingaan op de dataminingtechniek regressie, meer bepaald logistische regressie. Voor een gedetailleerde bespreking van de andere dataminingtechnieken kan men het werk van Ngai et al. (2011) of Sharma (2012) raadplegen.
16
Rond de logistische regressiemethode werd reeds veel geschreven, maar het aantal bestaande, performante fraudevoorspellingsmodellen blijft echter beperkt (Persons, 1995; Beneish, 1999; Spathis, 2002; Kaminski, Wetzel, & Guan, 2004). In dit werkstuk onderzoeken we twee van deze modellen, met name het model van Beneish en dat van Persons. We gaan na in welke mate deze modellen bestaande gevallen van jaarrekeningfraude kunnen detecteren. De resultaten van dit onderzoek zullen externe auditors toelaten om te bepalen of de logistische regressiemethode dient te worden gebruikt bij de beoordeling van de kans op frauduleuze rapportering. Vanuit dit opzicht kan men stellen dat deze masterproef probeert bij te dragen tot de optimalisatie van de auditprocedures. In de volgende sectie bespreken we achtereenvolgens de logistische regressiemethode, het model van Beneish en het model van Persons.
2.4
LOGISTISCHE REGRESSIE ALS DETECTIEMETHODE
Het doel van logistische regressie is het verklaren van een dichotome variabele door middel van interval-, ratiogeschaalde en/of categorische variabelen. In dit onderzoek wordt de dichotome variabele manipulatie (MAN) verklaard aan de hand van financiële ratio’s (X). In navolging van Janssens et al. (2008) wordt de algemene vorm van de logistische regressies uit dit onderzoek als volgt genoteerd:
Voorafgaand aan het onderzoek is reeds bekend welke bedrijven in werkelijkheid fraude hebben gepleegd. Deze bedrijven krijgen voor de variabele manipulatie de waarde 1, niet-frauderende ondernemingen krijgen de waarde 0. Vervolgens is het de bedoeling van logistische regressie om te voorspellen of een welbepaalde gebeurtenis, in dit geval manipulatie, al dan niet zal plaatsvinden (De Pelsmacker & Van Kenhove, 2010). De voorspelling gebeurt aan de hand van de berekening van de kans dat de jaarrekening frauduleuze informatie bevat. Deze kans wordt per onderneming berekend als een getal tussen 0 en 1 en dit tijdens de uitvoering van de logistische regressie aan de hand van de geschatte coefficiënten (b) en de berekende ratio’s (X). Op basis van de classification cutoff van 0,5 wordt iedere onderneming vervolgens ingedeeld in één van de twee groepen (frauderend of niet-frauderend). Een onderneming zal ingedeeld worden in de ‘frauderende’ (‘nietfrauderende’) groep wanneer de kans groter (kleiner) is dan 0,5. Eens alle bedrijven op deze manier ingedeeld zijn in één van de twee groepen, kan men de classificatietabel raadplegen om na te gaan in welke mate de ondernemingen juist werden geclassificeerd.
2.4.1 MODEL VAN BENEISH Resultaten van het empirisch onderzoek van Beneish (1999) uit een sample van 74 frauderende en 74 nietfrauderende ondernemingen tussen 1982 en 1988 toonden aan dat er een systematische relatie bestaat tussen de waarschijnlijkheid van frauduleuze financiële rapportering en bepaalde variabelen uit de jaarrekening. Meer bepaald zou de kans op frauduleuze rapportering verhogen bij een hogere: days sales in receivables index, 17
gross margin index, asset quality index, sales growth index en total accruals to total assets. Deze vijf variabelen worden in de volgende paragrafen achtereenvolgens besproken.
2.4.1.1
DAYS SALES IN RECEIVABLES INDEX (DSRI)
De DSRI beschrijft de verandering van de relatie tussen de handelsvorderingen en de verkopen in twee opeenvolgende periodes. ⁄ ⁄
Beneish vond een positieve relatie tussen deze index en de waarschijnlijkheid van winstmanipulatie. Hoewel stijgingen in de handelsvorderingen bij gelijkblijvende verkopen het effect kunnen zijn van een verandering in de kredietpolitiek als reactie op verhoogde concurrentie, kunnen ongewone stijgingen ook wijzen op de aanwezigheid van fraude. Het is dus belangrijk dat de auditor nagaat of er een logische verklaring is voor een verandering overheen de jaren in de handelsvorderingen-verkopen relatie. Spathis (2002) beveelt dan ook aan dat de auditor tijdens zijn audits extra aandacht besteedt aan de handelsvorderingen. Volgens Kirkos et al. (2006) verdienen handelsvorderingen meer aandacht omdat ze op een subjectieve manier geschat mogen worden. Een hoger aantal handelsvorderingen zou volgens hen het gevolg kunnen zijn van het vroegtijdig erkennen van inkomsten, wat natuurlijk verboden is.
2.4.1.2
GROSS MARGIN INDEX (GMI)
De GMI berekent de verhouding van de brutomarge in jaar t-1 tegenover de brutomarge in jaar t.
(
)⁄(
)
Uit de resultaten van Beneish blijkt dat de GMI een positief effect heeft op de waarschijnlijkheid van fraude. Uit de formule kan men afleiden dat wanneer de GMI hoger is dan 1, de brutomarge tussen twee periodes slechter geworden is. Dalende brutomarges kunnen dus een indicatie zijn van frauduleuze rapportering. De achteruitgang van de brutomarge is voor financiële analisten een teken dat de winstgevendheid in de toekomstige periodes zal dalen (Lev & Thiagarajan, 1993). Volgens Loebbecke et al. (1989) zorgt zwakke financiële performantie ervoor dat managers zeer sterk de nadruk beginnen leggen op winstgevendheid. Hierdoor verhoogt volgens hen de kans op financiële fraude in de toekomstige periodes.
2.4.1.3
ASSET QUALITY INDEX (AQI)
De verhouding van de non-current assets (excl. PPE) uit jaar t tegenover de non-current assets (excl. PPE) uit jaar t-1 wordt weergegeven door de AQI. Deze index is een maatstaf voor de kwaliteit van de activa.
(
)⁄(
)
18
Non-current assets kunnen aanzien worden als de proportie van de totale activa waarvan toekomstige voordelen onzekerder zijn. Beneish kwam tot de vaststelling dat de AQI positief gerelateerd is aan de mogelijke aanwezigheid van frauduleuze informatie in de jaarrekening. Wanneer het aandeel van de non-current assets in de total assets stijgt, dan zal de AQI hoger zijn dan 1. Opnieuw is het belangrijk dat de auditor tijdens de audit nagaat wat de achterliggende reden is voor de toename. Indien er geen geldige reden kan worden opgegeven, kan de stijging volgens hem het gevolg zijn van het uitstellen van kosten gerelateerd aan de noncurrent assets. Volgens Grove & Basilico (2008) kan de stijging in de non-current assets ook het gevolg zijn van een verhoging van de hoeveelheid intangible assets. Zo zouden fraudebedrijven hun ondermaatse resultaten proberen te verbergen via de kapitalisatie van extra intangibles.
2.4.1.4
SALES GROWTH INDEX (SGI)
De evolutie van de verkopen tussen twee opeenvolgende jaren wordt weergegeven door de SGI.
Beneish vond een positieve relatie tussen de SGI en de mogelijke aanwezigheid van earnings manipulation. Hoewel groei in de verkopen niet noodzakelijk fraude impliceert, worden groeibedrijven door specialisten toch beschouwd als vatbaarder voor fraude. Dit komt doordat het management van een bedrijf dat een sterke groei kent, bij een terugval van de activiteiten meer geneigd zal zijn om de winstcijfers te manipuleren. Op die manier wordt getracht om de groei in stand te houden en de winstdoelstellingen te behalen (Beasley, 1996). Bell & Carcello (2000) bevestigen de positieve relatie tussen de SGI en de waarschijnlijkheid van frauduleuze rapportering en stellen dat deze index effectief is in het discrimeneren tussen frauderende en nietfrauderende ondernemingen.
2.4.1.5
TOTAL ACCRUALS TO TOTAL ASSETS (TATA)
De TATA variabele brengt de total accruals in relatie met de totale activa, waarbij de total accruals worden berekend als de verandering in het bedrijfskapitaal (excl. cash en afschrijvingen).
Uit de resultaten van Beneish blijkt dat de kans op frauduleuze financiële rapportering stijgt naarmate de TATA variabele groter wordt. Hogere positieve accruals worden dus geassocieerd met een hogere waarschijnlijkheid van fraude. Volgens Grove & Basilico (2008) stijgt de kans op frauduleuze rapportering eveneens wanneer er weinig cash aanwezig is in de onderneming terwijl de hoeveelheid accruals groot is, aangezien: net income = operating cash flow + accruals.
19
Bovendien blijkt uit het empirisch onderzoek van Heninger (2001) dat de waarschijnlijkheid van een rechtszaak tegen externe auditors verhoogt naarmate hun klanten meer abnormaal positieve (winst verhogende) accruals rapporteren. Grote positieve veranderingen in de total accruals verhogen dus de kans op fraude, waardoor ook de kans op een gerechtelijke vervolging verhoogt voor externe auditors.
2.4.2 MODEL VAN PERSONS Resultaten van het empirisch onderzoek van Persons (1995) uit een sample van 103 frauderende en 103 nietfrauderende ondernemingen tussen 1974 en 1981 toonden aan dat financial leverage, capital turnover, asset composition en firm size belangrijke factoren zijn bij het voorspellen van de waarschijnlijkheid van een frauduleuze financiële jaarrekening. Hogere waarden voor financial leverage en asset composition en lagere waarden voor capital turnover en firm size zouden de kans op jaarrekeningfraude verhogen.
2.4.2.1
TOTAL LIABILITIES TO TOTAL ASSETS (TLTA)
De TLTA variabele meet de financial leverage of de mate waarmee een bedrijf gefinancierd wordt met geleend kapitaal.
Uit de resultaten van Persons blijkt dat er een positieve relatie bestaat tussen TLTA en de kans op een frauduleuze jaarrekening. Wanneer een onderneming voornamelijk door vreemd vermogen gefinancierd wordt en dus over weinig eigen vermogen beschikt, zullen kapitaalverschaffers strengere voorwaarden opleggen die te allen tijde moeten voldaan zijn. Zo kan er een bepaalde minimumgrens geplaatst worden op de cashpositie van het bedrijf. In situaties waarbij een onderneming één van deze voorwaarden dreigt te overschrijden, kan het management zijn toevlucht nemen tot jaarrekeningfraude om alsnog een sanctie te voorkomen (Persons, 1995). Kaminski et al. (2004) hebben de relatie onderzocht tussen de waarschijnlijkheid van rapporteringsfraude en tal van verklarende variabelen, waaronder ook de TATA variabele. De resultaten toonden aan dat financial leverage positief gerelateerd is aan jaarrekeningfraude en dit in 3 van de 7 onderzochte periodes.
2.4.2.2
SALES TO TOTAL ASSETS (SATA)
De mate waarin een onderneming verkopen kan realiseren aan de hand van de beschikbare activa, ook wel de capital turnover genoemd, wordt gemeten door de SATA variabele.
Persons vond een negatief verband tussen deze variabele en de waarschijnlijkheid van frauduleuze rapportering. De SATA variabele wordt vaak gebruikt als maatstaf van de competitieve kracht van een bedrijf.
20
Persons stelt dat de kans op fraude verhoogt wanneer het management minder succesvol is in het omzetten van de beschikbare activa in verkopen. De resultaten van Fanning & Cogger (1998) bevestigen de theorie van Persons. Lagere SATA waarden wijzen volgens hen op financiële problemen, wat er kan voor zorgen dat het management de winstcijfers probeert te manipuleren.
2.4.2.3
LOGARITHM OF TOTAL ASSETS (LOGTA)
Het logaritme van de totale activa tracht de grootte van een bedrijf te capteren. Dit wordt weergegeven door de LOGTA variabele. (
)
De resultaten van Persons geven aan dat er een negatieve relatie bestaat tussen de kans op rapporteringsfraude en de grootte van een bedrijf. De resultaten uit het onderzoek van Beasley, Carcello & Hermanson (1997) gebaseerd op een sample van Amerikaanse bedrijven tussen 1987-1997 bevestigen deze negatieve relatie. Kleinere bedrijven zijn volgens hen vatbaarder voor jaarrekeningfraude, omdat ze meestal niet in staat zijn of niet bereid zijn om voldoende te investeren in een efficiënt intern controle systeem.
2.4.2.4
CURRENT ASSETS TO TOTAL ASSETS (CATA)
De CATA variabele wordt berekend door de current assets te delen door de totale activa. Deze variabele geeft inzicht in de samenstelling van de activa of de asset composition.
Persons vond een positieve relatie tussen de waarschijnlijkheid van frauduleuze rapportering en de CATA variabele. Hij stelt dat current assets in de meeste gevallen voornamelijk uit handelsvorderingen en voorraad bestaan. Aangezien deze items door auditors aanzien worden als risicogebieden, kunnen hogere current assets een indicatie zijn van jaarrekeningfraude (Persons, 1995). In het onderzoek van Kaminski et al. (2004) wordt deze positieve relatie bevestigd.
21
HOOFDSTUK III EMPIRISCH ONDERZOEK 3.1
INLEIDING
In het voorgaande hoofdstuk zijn verschillende fraudedetectietechnieken aan bod gekomen. Uit het verleden blijkt dat auditors voornamelijk gebruik maken van de traditionele horizontale-, verticale- en ratioanalyse. Volgens Grove & Cook (2004) dienen auditors hun vaardigheden echter uit te breiden, opdat de detectiemodellen zoals het model van Beneish ook deel zouden kunnen uitmaken van de auditprocedures.
In dit hoofdstuk zullen we de theorie van de logistische regressiemethode in praktijk omzetten. We testen hierbij: (1) of de logistische regressiemethode effectief is in het opsporen van fraude; en (2) welk model (Beneish of Persons) het best in staat is om frauderende en niet-frauderende ondernemingen van elkaar te onderscheiden. Voor dit onderzoek werd een gepaarde steekproef samengesteld, bestaande uit 25 fraude- en 25 nietfraudebedrijven tussen 1999 en 2001. De niet-frauderende bedrijven werden aan de frauderende gematched op basis van vier criteria. Voor elk bedrijf werd vervolgens de betreffende jaarrekening (10-K) opgezocht via de EDGAR database. Aan de hand van de jaarrekeninggegevens werden de verklarende variabelen (ratio’s), die we hebben besproken in sectie 2.4, berekend.
3.2
ONDERZOEKSVRAGEN
Uit het wereldwijde fraudeonderzoek van de ACFE in 2012 blijkt dat er op vlak van fraude over het algemeen twee zekerheden bestaan. Enerzijds is men het er over eens dat fraude zeer negatieve gevolgen kan hebben. Anderzijds, en wellicht het meest opvallend volgens de ACFE, blijken steeds dezelfde fraudepatronen terug te komen. Dit zowel wereldwijd als overheen de tijd. Deze consistentie wijst er volgens hen op dat onderzoek rond dit onderwerp waardevol is (ACFE, 2012). Vanuit dit opzicht probeert deze masterproef bij te dragen tot het oplossen van de fraudepuzzel, door na te gaan in welke mate de logistische regressiemethode gebruikt kan worden ter opsporing van jaarrekeningfraude. Dit doel wordt samengevat in onderzoeksvraag 1 (OV1):
In het voorgaande hoofdstuk (cfr. sectie 2.4) hebben we twee logistische regressiemodellen uit de literatuur besproken, met name het model van Beneish en dat van Persons. In dit hoofdstuk is het de bedoeling om na te gaan welk model het best in staat is om fraude te voorspellen. Dit inzicht zal auditors helpen bij het selecteren van het meest kosten-efficiënte model en draagt op die manier bij tot de verbetering van de auditprocedures.
22
Deze doelstelling wordt beschreven in onderzoeksvraag 2 (OV2): (
3.3
)
GEGEVENSVERZAMELING
De logistische regressies die worden uitgevoerd in dit onderzoek zijn gebaseerd op een gepaarde steekproef. Bijgevolg zal voor elke frauderende onderneming die wordt toegevoegd aan de fraudesteekproef, een concurrerende niet-frauderende onderneming met zoveel mogelijk dezelfde karakteristieken worden toegewezen aan de controlegroep (De Pelsmacker & Van Kenhove, 2010).
3.3.1 DE FRAUDERENDE STEEKPROEF Vermits er geen openbaar archief bestaat van frauderende bedrijven, werden de door de SEC opgestelde Accounting and Auditing Enforcement Releases (AAERs) gebruikt om tot een steekproef van 25 Amerikaanse beursgenoteerde fraudebedrijven te komen (Beneish, 1997). Deze AAERs zijn publiek beschikbaar op de website van de SEC en bevatten samenvattingen van de fraudeonderzoeken uitgevoerd door de SEC. Wanneer een bedrijf in een AAER schuldig bevonden werd van frauduleuze rapportering tussen 1999 en 2001, dan werd het opgenomen in de frauderende steekproef. Volgens Beneish (1999) kan men fraude opsporen aan de hand van de gegevens uit slechts één jaarrekening. Van elk van de 25 fraudebedrijven werd dus één jaarrekening gebruikt. Wanneer een bedrijf gedurende meerdere jaren van fraude werd beschuldigd in de periode tussen 1999 en 2001, dan werden de gegevens van het eerste jaar gebruikt waarin de fraude voorkwam tussen 1999 en 2001. Er werd ook op toegezien dat er geen bedrijven werden opgenomen uit financiële sectoren, aangezien deze een specifieke financiële structuur hebben. De gebruikte jaarrekeningen werden opgevraagd via het Electronic Data-Gathering, Analysis and Retrieval (EDGAR) system. Het EDGAR systeem is een database bijgehouden door de SEC, waarin alle verplicht gepubliceerde documenten van Amerikaanse bedrijven worden opgeslagen. Beursgenoteerde bedrijven dienen namelijk verantwoording af te leggen op een continue basis en dit aan de hand van verschillende formulieren. Zo moeten zij na elke accountingperiode een ’10-K formulier’ neerleggen, dat een overzicht geeft van de financiële toestand van het bedrijf en de door auditors gecontroleerde jaarrekening bevat (SEC, 2009). Iedereen kan de EDGAR database online raadplegen en de toegang is gratis. De bronnenlijst met de hyperlinks van de gebruikte AAERs en de gebruikte 10-K’s is beschikbaar op de externe cd-rom (cfr. excel-bestand ‘DE FRAUDERENDE STEEKPROEF’).
23
3.3.2 DE NIET-FRAUDERENDE STEEKPROEF Aan elk element uit de frauderende steekproef werd vervolgens een bijhorende niet-frauderende onderneming 2
gekoppeld. Hierbij werd er telkens vertrokken van de beurswebsite van de Wall Street Journal (WSJ). Deze website geeft voor elk beursgenoteerd bedrijf een overzicht van de acht belangrijkste concurrerende bedrijven. Alle concurrenten werden vervolgens voor het betreffende jaar geëvalueerd op de volgende vier criteria (Kaminski et al., 2004): -
Beurs: de onderneming staat genoteerd op dezelfde beurs als het fraudebedrijf;
-
Industrie: het bedrijf heeft dezelfde SIC-code als het fraudebedrijf;
-
Grootte: het totaal actief of de gerapporteerde opbrengsten van het fraudebedrijf worden zo goed
3
mogelijk benaderd door het niet-fraudebedrijf; -
Jaar: de jaarrekening van het niet-fraudebedrijf bevat financiële informatie uit dezelfde periode als de gebruikte jaarrekening van het fraudebedrijf.
Door het opleggen van deze eisen kunnen het geselecteerde niet-fraudebedrijf en het bijhorende fraudebedrijf als een ‘match’ beschouwd worden (Lagrou, 2006). Indien geen goede match kon worden gevonden via de 4
beurswebsite van de WSJ, werd er verder gezocht op een andere toonaangevende beurswebsite genaamd ‘Barchart’. Het geselecteerde niet-fraudebedrijf is het bedrijf dat het best overeenstemt met het bijhorende fraudebedrijf op vlak van de vier selectiecriteria. Voor elke geselecteerde niet-frauderende onderneming werd vervolgens nagegaan in de AAER-database of het niet beschuldigd werd van jaarrekeningfraude in het betreffende jaar door de SEC. Het dient echter te worden opgemerkt dat het niet uitgesloten is dat zelfs na deze controle een geselecteerd niet-fraudebedrijf toch fraude heeft gepleegd. Het kan namelijk zijn dat de fraude tot op de dag van vandaag nog niet is gedetecteerd. Omdat de niet-fraudebedrijven gekoppeld worden aan de bijhorende fraudebedrijven op een niettoevallige wijze, kunnen we spreken van een quotasteekproef (De Pelsmacker & Van Kenhove, 2010).
2
http://www.marketwatch.com/investing/stock/ De Standard Industrial Classification (SIC) code geeft aan in welke sector een bedrijf actief is (SEC, 2011b). 4 http://www.barchart.com/stocks/sectors/ 3
24
3.3.3 OVERZICHT MATCHING Aan de hand van het bovenstaande matchingproces werd aan elk fraudebedrijf een zo goed mogelijke match gekoppeld. Tabel 1 geeft een overzicht van de verschillende frauderende ondernemingen en de overeenstemmende niet-frauderende ondernemingen. Een gedetailleerd overzicht van de matchingprocessen per bedrijf is terug te vinden op de externe cd-rom (cfr. excelbestand ‘MATCHING’). NR.
FRAUDERENDE ONDERNEMING
NIET-FRAUDERENDE ONDERNEMING
SIC
1
Adelphia Communications
Comcast Corp.
4841
2
America Online Inc.
EarthLink Inc.
7370
3
Bristol-Myers Squibb
Abbott Laboratories
2834
4
Computer Associates International Inc.
BMC Software Inc.
7372
5
Dynegy
OGE Energy Corp.
4911
6
Enron
World Fuel Services Corp.
5172
7
Gemstar-TV Guide International Inc.
Martha Stewart Livin Omnimedia Inc.
2721
8
i2 Technologies Inc.
Symantec Corp.
7372
9
Lucent Technologies Inc.
Ciena Corp.
3661
10
Merck & Co. Inc.
Eli Lilly & Co.
2834
11
Microstrategy Inc.
Informatica Corp.
7372
12
Mirant Corporation
NextEra Energy Inc.
4911
13
Nicor Inc.
National Fuel Gas Co.
4924
14
Nortel Networks Corp.
Adtran Inc.
3661
15
Peregrine Systems Inc.
Citrix Systems Inc.
7372
16
Qwest Communications International Inc.
Sprint Nextel Corp.
4813
17
Reliant Energy Inc.
Dominion Resources Inc.
4911
18
Rite Aid Corp.
Walgreen Co.
5912
19
Speechworks International Inc.
Progress Software Corp.
7372
20
Symbol Technologies Inc.
Astro-Med Inc.
3577
21
Thomas & Betts Corporation
Hubbell Inc.
3640
22
Tyco International Ltd.
Helios & Matheson Information Technology Inc.
7380
23
United Rentals Inc.
Rent-A-Center Inc.
7359
24
WorldCom Inc.
AT&T Inc.
4813
25
Xerox Corporation
Key Tronic Corp.
3577
Tabel 1: Overzicht van de frauderende ondernemingen en de bijhorende niet-frauderende ondernemingen Op basis van deze sample kan er een logistische regressie uitgevoerd worden met 50 observaties. Tijdens de uitvoering van de logistische regressies in het empirisch onderzoek bleken er echter twee invloedrijke
25
5
uitschieters te bestaan. Aangezien we met een gepaarde steekproef werken, werden er in totaal vier observaties verwijderd. De finale regressies werden dus uitgevoerd met 46 observaties.
3.3.4 VERZAMELINGSMETHODE Het samenstellen van de steekproeven op zich is natuurlijk niet voldoende om de regressie te kunnen uitvoeren. De verklarende variabelen in de beide regressiemodellen bestaan uit financiële ratio’s. Om deze variabelen voor elk bedrijf te kunnen berekenen, hadden we de gegevens nodig uit de betreffende jaarrekeningen (10-K’s). In totaal dienden er 9 ratio’s te worden berekend. Hiervoor werden in totaal ongeveer 1200 gegevens handmatig uit de jaarrekeningen overgenomen. De database met al deze gegevens (in duizenden dollars) en de berekende financiële ratio’s is beschikbaar op de externe cd-rom (cfr. excel-bestand ‘BEREKENING RATIOS FINAAL’).
3.4
LOGISTISCHE REGRESSIE
Aan de hand van de logistische regressiemethode tracht men een categorische variabele te verklaren door middel van interval-, ratiogeschaalde en/of categorische variabelen. Het uiteindelijke doel is het voorspellen of een gebeurtenis, in dit geval manipulatie, al dan niet zal plaatsvinden (De Pelsmacker & Van Kenhove, 2010). We gaan hierbij ook na welke variabelen een belangrijke rol spelen bij de voorspelling.
3.4.1 AFHANKELIJKE VARIABELE De afhankelijke variabele bij een logistische regressie is een dichotome variabele. Deze variabele neemt afhankelijk van het plaatsvinden van een bepaalde gebeurtenis ofwel de waarde 1 aan, ofwel de waarde 0. In dit onderzoek neemt de afhankelijke variabele Manipulatie (MAN) de waarde 1 aan in geval van fraude en 0 in geval van niet-fraude.
3.4.2 ONAFHANKELIJKE VARIABELEN Onafhankelijke variabelen worden aan een model toegevoegd met het oog op het verklaren van de variatie in de afhankelijke variabele. In dit onderzoek werden twee regressiemodellen uit de literatuur onderzocht. Elk model bevat een aantal onafhankelijke variabelen die volgens de auteur nuttig zijn bij de detectie van fraude.
3.4.3 MODELLEN De twee logistische regressiemodellen die we in het literatuuronderzoek bestudeerd hebben, worden in dit hoofdstuk getest. We gaan na of onze resultaten conform zijn met de resultaten aangegeven door de auteurs van de twee modellen.
5
Een observatie wordt aanzien als een invloedrijke uitschieter, wanneer de verwijdering van die observatie leidt tot een substantiële verandering van de geschatte coëfficiënten (Sarkar, Midi & Rana, 2011). 26
3.4.3.1
MODEL VAN BENEISH
In paragraaf 2.4.1 hebben we het model van Beneish uitgebreid besproken. Dit model bevat vijf verklarende variabelen. Als we de notatie van een logistisch regressiemodel volgen zoals aangegeven door Janssens et al. (2008), dan ziet het model van Beneish er als volgt uit:
Op basis van de resultaten van het onderzoek van Beneish verwachten we een positief significante relatie tussen al deze onafhankelijke variabelen en de afhankelijke variabele manipulatie.
3.4.3.2
MODEL VAN PERSONS
In paragraaf 2.4.2 werd het model van Persons uiteengezet. Dit model ziet er als volgt uit (Janssens et al., 2008):
Uit de resultaten van het onderzoek van Persons blijkt dat TLTA en CATA een positief significant effect hebben op de afhankelijke variabele. De invloed van SATA en LOGTA was echter significant negatief.
3.5
ONDERZOEKSRESULTATEN
In dit onderdeel wordt een overzicht gegeven van de verschillende resultaten voor elk model afzonderlijk. Alle testen werden uitgevoerd aan de hand van het statistisch programma SPSS.
3.5.1 MODEL VAN BENEISH 3.5.1.1
DESCRIPTIEVE ANALYSE
Tabel 2 geeft een overzicht van de resultaten uit de descriptieve analyse gebaseerd op het model van Beneish. Uit de tabel blijkt dat frauderende ondernemingen voor elk van de vijf variabelen een hoger gemiddelde hebben. Deze vaststelling is in overeenstemming met de resultaten (vijf positieve relaties) van Beneish.
VARIABELEN
GEMIDDELDE F
N-F
MEDIAAN F
N-F
MINIMUM F
N-F
MAXIMUM F
N-F
ST. AFW. F
N-F
DSRI
1,209
1,046
0,993
1,066
0,546
0,477
4,048
2,058
0,864
0,289
GMI
1,188
0,975
1,036
1,004
0,893
0,390
4,166
1,092
0,631
0,140
AQI
1,260
1,014
1,064
1,006
0,815
0,168
2,578
1,980
0,460
0,380
SGI
1,546
1,178
1,332
1,128
0,900
0,908
5,879
2,056
0,956
0,263
TATA
-0,027
-0,061
-0,028
-0,076
-0,219
-0,211
0,232
0,146
0,091
0,091
Tabel 2: Descriptieve analyse gebaseerd op Beneish
27
Om na te gaan of dit verschil in gemiddelden significant is, zouden we in navolging van Lagrou (2006) de Wilcoxon Signed Ranks Test kunnen uitvoeren. Deze test gaat na of het gemiddelde van elke onderzochte ratio significant verschilt tussen de frauderende en de niet-frauderende steekproef. Deze test wordt echter niet uitgevoerd, omdat dit onderzoek in hoofdzaak gericht is op de logistische regressiemethode.
3.5.1.2
LOGISTISCHE REGRESSIE: ONDERLIGGENDE ASSUMPTIES
Over het algemeen worden logistische regressiemodellen aan minder strenge voorwaarden onderworpen dan hun lineaire tegenhanger. Zo veronderstelt een logistisch regressiemodel geen lineaire relatie tussen de afhankelijke en de onafhankelijke variabelen. Verder wordt er geen normaliteitsbeperking opgelegd aan de distributie van de variabelen. Tot slot valt ook de veronderstelling van homoscedasticiteit weg (Sarkar, Midi & Rana, 2011).
Wijnen, Janssens, De Pelsmacker & Van Kenhove (2002) geven echter wel aan dat het belangrijk is om aandacht te besteden aan de aanwezigheid van eventuele invloedrijke uitschieters. Ook moet er op worden toegezien dat er zich geen multicollineariteitsprobleem voordoet. Eerst en vooral dienen we na te gaan of er invloedrijke uitschieters aanwezig zijn. Invloedrijke uitschieters zijn waarnemingen die de resultaten sterk kunnen beïnvloeden. Om een potentiële vertekening van de resultaten tegen te gaan en dus de betrouwbaarheid van het model te vrijwaren, moeten deze uitschieters uit de steekproef verwijderd worden (Sarkar, Midi & Rana, 2011). Om na te gaan of de uitschieters al dan niet invloedrijk waren, werd gebruik gemaakt van de Leverage waarden en de DfBetas (Wijnen et al., 2002). Op basis van deze analyse bleek de dataset twee invloedrijke uitschieters te bevatten. Deze observaties werden samen met hun bijhorende matches uit de dataset verwijderd, met als gevolg dat de logistische regressie werd uitgevoerd op basis van 46 observaties. Vervolgens werd aandacht besteed aan multicollineariteit. Wanneer twee of meer verklarende variabelen te sterk gecorreleerd zijn, kan dit eveneens leiden tot een vertekening van de resultaten. Om het correlatieprobleem in te schatten werd gebruik gemaakt van de correlatiematrix, die wordt weergegeven in tabel 3.
DSRI
GMI
AQI
SGI
DSRI
1
GMI
-0.012
1
AQI
0.366*
-0.109
1
SGI
0.005
0.893**
-0.078
1
TATA
0.236
0.065
-0.003
0.110
TATA
1
* Correlatie is significant op 0,05 ** Correlatie is significant op 0,01 Tabel 3: Correlatiematrix gebaseerd op Beneish
28
Wanneer de correlatie tussen twee variabelen 0,60 of meer bedraagt, dan duidt dit op een mogelijk (multi)collineariteitsprobleem (Janssens et al., 2008). Uit de bovenstaande tabel blijkt dat de relatie tussen GMI en SGI mogelijks voor problemen kan zorgen. Omdat de correlatie tussen die twee variabelen vrij hoog is, dringt zich een verder onderzoek naar dit probleem op. Uit de verdere analyse blijkt dat er zich geen ernstige multicollineariteitsproblemen voordoen. De tolerance-waarden zijn namelijk allemaal hoger dan 0,10 (Wijnen et al., 2002).
3.5.1.3
LOGISTISCHE REGRESSIE: RESULTATEN
De resultaten van de logistische regressie op basis van de variabelen van Beneish (1999) worden weergeven in tabel 4. Uit de analyse van de Chi-kwadraat-waarde blijkt dat het model significant is (p-waarde = 0,000). Op basis van de Nagelkerke R² kunnen we concluderen dat 58,8% van de variatie in de afhankelijke variabele verklaard wordt door de vijf onafhankelijke variabelen. De Nagelkerke R² is vergelijkbaar met de R² van een gewone lineaire regressie (De Pelsmacker & Van Kenhove, 2010).
VARIABELEN Constante
B-COËFFICIËNT
GESCHATTE RELATIE
VERWACHTE RELATIE
-17,612***
Days Sales in Receivables Index (DSRI)
-2,187
Niet significant
+
Gross Margin Index (GMI)
9,225*
+
+
Asset Quality Index (AQI)
4,207**
+
+
Sales Growth Index (SGI)
5,477**
+
+
Total Accruals to Total Assets (TATA)
20,169**
+
+
Model -2LL
37,008
Chi²
26,762***
p-waarde
0,000
Nagelkerke R²
0,588
Significantieniveaus: *=.10; **=.05; ***=.01 Tabel 4: Logistische regressie gebaseerd op Beneish Als we onze resultaten beschrijven op een significantieniveau van 0,10, dan kunnen we besluiten dat vier van de vijf variabelen een significant effect uitoefenen op de afhankelijke variabele manipulatie. Zoals kan worden afgeleid uit de regressiecoëfficiënten, blijkt de invloed van deze vier significante variabelen bovendien positief te zijn. Dit is in lijn met de resultaten van Beneish. De verwachte significant positieve relatie tussen DSRI en de afhankelijke variabele werd echter niet bevestigd.
29
Uit de classificatietabel blijkt dat over het algemeen het model erin slaagt om 78,3% van de bedrijven op een juiste manier te klasseren (cfr. tabel 5). Van de 23 geobserveerde fraudebedrijven klasseert het model er 18 juist (78,3%). Hetzelfde percentage van correcte voorspellingen wordt bekomen voor de niet-fraudebedrijven.
VOORSPELD
GEOBSERVEERD
PERCENTAGE
NIET-FRAUDE
FRAUDE
CORRECT
NIET-FRAUDE
18
5
78,3
FRAUDE
5
18
78,3
TOTAAL PERCENTAGE JUIST
78,3
Tabel 5: Classificatietabel gebaseerd op Beneish 6
Uit de berekening van de R-squared adjusted count blijkt dat het volledige model, in vergelijking met het model met enkel een constante, de voorspellingsfout met 56,52% verlaagt. Deze reductie in de voorspellingsfout is aanzienlijk en wijst nogmaals op de goede kwaliteit van het volledige model (Wijnen et al. 2002).
3.5.1.4
INTERPRETATIE VAN DE RESULTATEN
De verwachte positieve relatie tussen de Days Sales in Receivables Index (DSRI) en manipulatie werd in dit onderzoek niet bevestigd. De auditor zal echter toch steeds de nodige aandacht besteden aan de handelsvorderingen, aangezien deze gerelateerd zijn aan het risicogebied ‘overwaardering van opbrengsten’ (cfr. paragraaf 2.2.2). Dat er geen relatie werd gevonden kan te wijten zijn aan twee effecten die beiden de DSRI waarde omhoog stuwen. Grote veranderingen in de handelsvorderingen-verkopen relatie kunnen namelijk het gevolg zijn van een strategische actie of van frauduleus gedrag (cfr. paragraaf 2.4.1.1). Het kan zijn dat de DSRI waarden over het algemeen vrij hoog lagen, door enerzijds strategische acties (vnl. bij niet-fraudebedrijven) en anderzijds frauduleus gedrag (vnl. bij fraudebedrijven). Dit kan ervoor gezorgd hebben dat er geen significante relatie werd gevonden, ook al was de achterliggende reden voor de stijging misschien verschillend tussen beide soorten ondernemingen. De verwachte positieve relatie tussen de Gross Margin Index (GMI) en de afhankelijke variabele werd wel bevestigd. Een GMI hoger dan 1 betekent dat de brutomarge gedaald is tussen twee opeenvolgende periodes. Dit kan een indicatie zijn van verminderde winstgevendheid in de toekomst (Lev & Thiagarajan, 1993), met een verhoogde waarschijnlijkheid van winstmanipulatie als gevolg. Ook de positieve relatie tussen de Asset Quality Index (AQI) en manipulatie werd bevestigd. Een hoge AQI variabele kan wijzen op jaarrekeningfraude via: (1) het uitstellen van kosten gerelateerd aan de noncurrent assets (Beneish, 1999); of (2) het ongeoorloofd verhogen van de hoeveelheid intangibles (Grove & Basilico, 2008).
6
Deze maatstaf gebaseerd op Wijnen et al. (2002) wordt als volgt berekend: [(18+18)-23]/[46-23] = 0,5652.
30
De Sales Growth Index (SGI) blijkt positief gerelateerd te zijn aan earnings manipulation. Dit ligt in lijn met de resultaten van Beneish. Dit bevestigt het feit dat groeibedrijven over het algemeen vatbaarder zijn voor fraude. Bij een terugval in de groei, durft het management met het oog op het behalen van zijn winstdoelstellingen al eens overgaan tot de manipulatie van de winstcijfers (Beasley, 1996). Tot slot wordt ook de positieve relatie tussen de Total Accruals to Total Assets (TATA) variabele en de waarschijnlijkheid van frauduleuze rapportering bevestigd. Hogere positieve accruals worden dus geassocieerd met een hogere waarschijnlijkheid van fraude. Twee belangrijke elementen die de TATA variabele beïnvloeden zijn de handelsvorderingen en voorraad. Deze items vereisen steeds extra aandacht van de externe auditors omwille van hun risicovolle karakter, en zouden dus de oorzaak kunnen zijn van de gevonden positieve relatie.
3.5.2 MODEL VAN PERSONS 3.5.2.1
DESCRIPTIEVE ANALYSE
Tabel 6 geeft een overzicht van de resultaten uit de descriptieve analyse gebaseerd op het model van Persons. Uit de tabel blijkt dat frauderende ondernemingen een hogere gemiddelde TLTA en een lagere SATA hebben, dit ligt in lijn met de resultaten van Persons. De gemiddelden van de LOGTA en CATA zouden volgens Persons respectievelijk lager en hoger moeten zijn bij de frauderende ondernemingen. Dit is echter niet het geval. Op basis van deze analyse verwachten we dat enkel de relaties met betrekking tot de eerste twee variabelen (TLTA en SATA) zullen worden bevestigd.
VARIABELEN
GEMIDDELDE F
N-F
MEDIAAN F
N-F
MINIMUM F
N-F
MAXIMUM F
N-F
ST. AFW. F
N-F
TLTA
0,531
0,451
0,603
0,410
0,136
0,193
0,829
0,740
0,207
0,172
SATA
0,736
1,038
0,667
0,836
0,135
0,230
1,698
4,485
0,341
0,931
LOGTA
6,842
6,230
7,028
6,172
5,096
4,456
8,017
8,218
0,808
1,001
CATA
0,399
0,470
0,382
0,527
0,046
0,100
0,886
0,976
0,211
0,265
Tabel 6: Descriptieve analyse gebaseerd op het model van Persons
3.5.2.2
LOGISTISCHE REGRESSIE: ONDERLIGGENDE ASSUMPTIES
Ook voor deze regressie gaan we de invloed van uitschieters en potentiële multicollineariteitsproblemen na. Uit de regressieanalyse blijkt dat er geen invloedrijke uitschieters aanwezig zijn. Om de resultaten van het model gebaseerd op Beneish te vrijwaren van vertekening, hebben we in paragraaf 3.5.1.2 vier invloedrijke uitschieters verwijderd. Omdat we de performantie van het model van Beneish en dat van Persons met elkaar willen vergelijken, voeren we beide regressies uit met slechts 46 observaties. Zo kunnen we voor elk model nagaan welk percentage van deze 46 observaties correct wordt geclassificeerd.
31
Aan de hand van de correlatiematrix in tabel 7 gaan we na of er een multicollineariteitsprobleem bestaat tussen de onafhankelijke variabelen in het model gebaseerd op Persons.
TLTA
SATA
LOGTA
TLTA
1
SATA
-0,153
1
LOGTA
0,649**
-0,424**
1
CATA
-0,513**
0,425**
-0,760**
CATA
1
* Correlatie is significant op 0,05 ** Correlatie is significant op 0,01 Tabel 7: Correlatiematrix gebaseerd op Persons Uit de bovenstaande tabel blijkt dat er twee correlaties zijn die de waarde (-)0,60 overschrijden, wat duidt op een mogelijk (multi)-collineariteitsprobleem (Janssens et al., 2008). Verder onderzoek dringt zich opnieuw op. Uit de verdere analyse blijkt dat de tolerance-waarden allemaal hoger zijn dan 0,10. Er is dus geen sprake van een ernstig collineariteitsprobleem (Wijnen et al., 2002).
3.5.2.3
LOGISTISCHE REGRESSIE: RESULTATEN
De resultaten van de logistische regressie op basis van de variabelen van Persons (1995) worden weergeven in tabel 8. Uit de analyse van de Chi-kwadraat-waarde blijkt dat het model gebaseerd op Persons niet significant is (p-waarde = 0,158). De Nagelkerke R² geeft aan dat slechts 17,8% van de variatie in de afhankelijke variabele verklaard wordt door de vier onafhankelijke variabelen (De Pelsmacker & Van Kenhove, 2010).
VARIABELEN
B-COËFFICIËNT
GESCHATTE RELATIE
VERWACHTE RELATIE
Constante
-8,342*
Total Liabilities to Total Assets (TLTA)
-0,250
Niet significant
+
Sales to Total Assets (SATA)
-0,460
Niet significant
-
Logarithm of Total Assets (LOGTA)
1,170*
+
-
Current Assets to Total Assets (CATA)
2,870
Niet significant
+
Model -2LL
57,164
Chi²
6,605
p-waarde
0,158
Nagelkerke R²
0,178
Significantieniveaus: *=.10; **=.05; ***=.01 Tabel 8: Logistische regressie gebaseerd op Persons Als we onze resultaten beschrijven op een significantieniveau van 0,10, dan kunnen we besluiten dat slechts één van de vier variabelen een significant effect heeft op de afhankelijke variabele manipulatie. De relatie
32
tussen de significante variabele (LOGTA) en de afhankelijke variabele blijkt positief te zijn. Dit is in strijd met het resultaat uit het onderzoek van Persons.
Uit de classificatietabel blijkt dat over het algemeen het model erin slaagt om 67,4% van de bedrijven op een juiste manier te klasseren (cfr. tabel 9). Van de 23 geobserveerde fraudebedrijven klasseert het model er 16 juist (69,6%). Van de 23 niet-fraudebedrijven werden er echter slechts 15 (65,2%) in de juiste klasse ondergebracht.
VOORSPELD
GEOBSERVEERD
PERCENTAGE
NIET-FRAUDE
FRAUDE
CORRECT
NIET-FRAUDE
15
8
65,2
FRAUDE
7
16
69,6
TOTAAL PERCENTAGE JUIST
67,4
Tabel 9: Classificatietabel gebaseerd op Persons 7
Uit de berekening van de R-squared adjusted count blijkt dat het volledige model, in vergelijking met het model met enkel een constante, de voorspellingsfout met 34,78% verlaagt (Wijnen et al. 2002). Deze reductie in de voorspellingsfout is beduidend lager dan de reductie die bekomen werd aan de hand van het model van Beneish (56,52%).
3.5.2.4
INTERPRETATIE VAN DE RESULTATEN
Slechts één variabele (LOGTA) blijkt in dit model significant op 10% significantieniveau. De relatie tussen LOGTA en earnings manipulation lijkt in eerste instantie positief te zijn. Het model zelf is echter niet significant (pwaarde = 0,158). Dit betekent dat de nulhypothese – alle coëfficiënten in het regressiemodel zijn gelijk aan nul – niet mag worden verworpen. Omwille van de niet-significantie van het model kunnen we dus geen conclusies trekken over de coëfficiënten van de verklarende variabelen.
7
Deze maatstaf gebaseerd op Wijnen et al. (2002) wordt als volgt berekend: [(15+16)-23]/[46-23] = 0,3478. 33
3.6
CONCLUSIES EN DISCUSSIE
In de voorgaande sectie werden de resultaten van beide regressies afzonderlijk uiteengezet. Het is in deze masterproef echter de bedoeling om beide modellen met elkaar te vergelijken. Een vergelijking van de belangrijkste resultaten uit de beide regressies wordt weergegeven in tabel 10.
VARIABELEN
BENEISH
PERSONS
JA
NEE
58,8%
17,8%
Aantal variabelen significant op 0.05
3
-
Aantal variabelen significant op 0.10
1
1
Aantal niet-significante variabelen
1
3
Aantal bevestigde relaties
4
-
Algemeen percentage correct geclassificeerd
78,3%
67,4%
R-squared adjusted count
56,52%
34,78%
Model significant Nagelkerke R²
Tabel 10: Vergelijking van de twee logistische regressiemodellen De significantie van het model van Beneish laat ons toe te besluiten dat men wel degelijk in staat is om aan de hand van de logistische regressiemethode de waarschijnlijkheid van frauduleuze financiële rapportering te voorspellen. Dit besluit beantwoordt onze eerste onderzoeksvraag positief (cfr. sectie 3.2). De tweede onderzoeksvraag kunnen we ook beantwoorden aan de hand van de bovenstaande tabel. Het is duidelijk dat het model van Beneish verkozen dient te worden boven het model van Persons en dit om de volgende vijf redenen: -
het model van Beneish is significant, dat van Persons niet;
-
het model van Beneish verklaart 58,8% van de variatie in de afhankelijke variabele. Het model van Persons verklaart slechts 17,8% van de variatie;
-
bij het model van Beneish werden vier van de vijf verwachte relaties bevestigd, tegenover geen enkele relatie bij het model van Persons;
-
het model van Beneish slaagt erin om 78,3% van de bedrijven op een juiste manier te klasseren, bij het model van Persons ligt dit percentage beduidend lager (67,4%);
-
Het model van Beneish blijkt, in vergelijking met het model met enkel een constante, de voorspellingsfout met 56,52% te verlagen. Bij het model van Persons verlaagt de voorspellingsfout slechts met 34,78%.
Het verschil in kwaliteit tussen de beide modellen heeft wellicht te maken met de manier waarop de verklarende variabelen zijn samengesteld. Beneish maakt steeds gebruik van jaarrekeninggegevens uit twee opeenvolgende periodes. Op die manier worden bepaalde trends geanalyseerd. Variabelen die deze trends weerspiegelen zijn qua informatieve waarde van een hogere kwaliteit dan ratio’s die slechts gegevens uit één periode gebruiken (zoals deze van Persons). 34
HOOFDSTUK IV HET ALGEMEEN BESLUIT Met het oog op de continue verbetering van de auditprocedures, werd in deze masterproef onderzocht in welke mate de logistische regressiemethode gebruikt kan worden bij het voorspellen van de waarschijnlijkheid van frauduleuze financiële rapportering. Jaarrekeningfraude is, net zoals ontvreemding van activa en corruptie, een vorm van bedrijfsfraude. Hoewel rapporteringsfraude in slechts 7,6% van de gevallen voorkomt, ligt de kost ervan veel hoger dan in het geval van de andere soorten bedrijfsfraudes. De impact op de financiële toestand van de onderneming en op de overlevingskansen is in vele gevallen catastrofaal. Het is dan ook in ieders belang dat het onderzoek naar meer en betere methoden ter voorkoming en opsporing van jaarrekeningfraude verder wordt gezet. Over het algemeen zijn er vier grote vangnetten die fraude in eerste instantie proberen tegen te gaan: de wettelijke regulering, externe auditcontrole, publieke handhaving en het gevaar van aansprakelijkheid. Deze vier vangnetten vormen echter slechts een eerste barrière tegen frauduleuze rapportering. Ze kunnen fraude dus niet helemaal voorkomen. De aanhoudende stroom van nieuwe fraudegevallen is daarvan het bewijs. Via actieve detectie probeert men vervolgens frauderende bedrijven te identificeren die aan de vangnetten zijn kunnen ontsnappen. De fraudedetectietechnieken kunnen worden ingedeeld in kwalitatieve en kwantitatieve technieken. Logistische regressie is een dataminingtechniek die via een kwantitatieve gegevensanalyse de kans op een bepaalde gebeurtenis tracht te voorspellen. In de academische literatuur bestaan er enkele modellen (Beneish, 1999; Persons, 1995) ter voorspelling van earnings manipulation. In deze masterproef werd onderzocht in welke mate deze modellen bestaande gevallen van jaarrekeningfraude kunnen detecteren. De resultaten van dit onderzoek geven aan dat logistische regressie een bruikbare tool is die auditors kan bijstaan tijdens het fraudeonderzoek. Het is aan te raden om hierbij gebruik te maken van het model van Beneish, dat in staat is om bedrijven correct te classificeren in 78,3% van de gevallen. Auditors zullen op deze manier fraude beter kunnen detecteren, en meer detectie zal logischerwijs ook leiden tot meer preventie – i.e een hogere detectiegraad zal potentiële nieuwe fraudeurs afschrikken. Naast auditors kunnen ook andere stakeholders gebruik maken van deze fraudedetectiemethode. Investeerders kunnen het model van Beneish bijvoorbeeld gebruiken om zo potentiële verliezen te vermijden.
35
LITERATUURLIJST Association of Certified Fraud Examiners (ACFE), 2012, Report to the nations on occupational fraud and abuse, URL:
. Ball, R. (2009). Market and Political/Regulatory Perspectives on the Recent Accounting Scandals. Journal of Accounting Research, 47(2), 277–323. Bay, S., Kumaraswamy, K., Anderle, M. G., Kumar, R., & Steier, D. M. (2006). Large Scale Detection of Irregularities in Accounting Data 1 (p. 1–22). Beasley, Carcello, & Hermanson. (1997). Fraudulent Financial Reporting : 1987-1997 An Analysis of U.S. Public Companies (p. 1987–1997). Beasley, M. S. (1996). Empirical Analysis the of Board the Relation of Financial Between Composition Statement Fraud. The Accounting Review, 71(4), 443–465. Bedard, J. C., & Johnstone, K. M. (2004). Earnings Manipulation Risk, Corporate Governance Risk, and Auditors’ Planning and Pricing Decisions. The Accounting Review, 79(2), 277–304. Bell, T. B., & Carcello, J. V. (2000). A Decision Aid for Assessing the Likelihood of Fraudulent Financial Reporting. Auditing: A Journal of Practice & Theory, 19(1), 169–184. Beneish, M. D. (1997). Detecting GAAP violation: implications for assessing earnings management among firms with extreme financial performance. Journal of Accounting and Public Policy, 16(3), 271–309. Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24-36 Beneish, M. D. (2001). Earnings management: a perspective. Managerial Finance, 27(12), 3–17. Bhattacharya, S., & Kumar, K. (2008). Forensic Accounting and Benford’s Law. IEEE SIGNAL PROCESSING MAGAZINE, (March), 150–152. Bourke, N., & Peursem, K. Van. (2004). Detecting Fraudulent Financial Reporting: Teaching the “Watchdog” New Tricks. Bruggeman,W., R. Slagmulder en S. Hoozée, 2010, Handboek Beheerscontrole, Antwerpen – Oxford: Intersentia. Coates, J. (2007). The Goals and Promise of the Sarbanes-Oxley Act. The Journal of Economic Perspectives, 21(1), 91–116. Coffee, J. C. (2005). A Theory of Corporate Scandals: Why the USA and Europe Differ. Oxford Review of Economic Policy, 21(2), 198–211. Committee of Sponsoring Organizations (COSO), 2010, Fraudulent Financial Reporting: 1998-2007. De Beelde, I., 2008, Financiële Audit, Academia Press. De Pelsmacker, Van Kenhove, 2010, Marktonderzoek: Methoden en Toepassingen, Derde editie, Pearson Education.
VI
Dunn, P. (2004). The Impact of Insider Power on Fraudulent Financial Reporting. Journal of Management, 30(3), 397–412. Dyck, A., Morse, A., & Zingales, L. (2010). Who Blows the Whistle on Corporate Fraud ? The Journal of Finance, 65(6), 2213 – 2253. Erchinger, H., & Melcher, W. (2007). Convergence between US GAAP and IFRS: Acceptance of IFRS by the US Securities and Exchange Commission (SEC). Accounting in Europe, 4(2), 123–139. Fanning, K. M., & Cogger, K. O. (1998). Neural Network Detection of Management Fraud Using Published Financial Data. International Journal of Intelligent Systems in Accounting, Finance & Management, 7, 21– 41. Felo, A. J. (2003). Audit Committee Characteristics and the Perceived Quality of Financial Reporting : An Empirical Analysis Audit Committee Characteristics and the Quality of Financial Reporting : An Empirical Analysis (p. 1–39). Feng, M., Ge, W., Luo, S., & Shevlin, T. (2011). Why do CFOs become involved in material accounting manipulations? Journal of Accounting and Economics, 51(1-2), 21–36. Fich, E. M., & Shivdasani, A. (2007). Financial fraud, director reputation, and shareholder wealth. Journal of Financial Economics, 86(2), 306–336. Forbes, 2012, With Autonomy, H-P Bought An Old-Fashioned Accounting Scandal. Here's How It Worked., URL: . (05/12/2012). Fudenberg, D., & Tirole, J. (1995). A Theory of Income and Dividend Smoothing Based on Incumbency Rents. Journal of Political Economy, 103(1), 75–93. Goel, S., Gangolly, J., Faerman, S. R., & Uzuner, O. (2010). Can Linguistic Predictors Detect Fraudulent Financial Filings? Journal of Emerging Technologies in Accounting, 7(1), 25–46. Grove, & Basilico, E. (2008). Fraudulent Financial Reporting Detection: Key Ratios Plus Corporate Governance Factors. International Studies of Management and Organization, 38(3), 10–42. Grove, H., & Cook, T. (2004). Lessons for Auditors: Quantitative and Qualitative Red Flags. Journal of Forensic Accounting, 5, 131–146. Hail, L., Leuz, C., & Wysocki, P. (2010). Global Accounting Convergence and the Potential Adoption of IFRS by the U.S. (Part I): Conceptual Underpinnings and Economic Analysis. Accounting Horizons, 24(3), 355–394. Heninger, W. G. (2001). The Association between Auditor Litigation and Abnormal Accruals. The Accounting Review, 76(1), 111–126. Hogan, C. E., Rezaee, Z., Riley, R. a., & Velury, U. K. (2008). Financial Statement Fraud: Insights from the Academic Literature. Auditing: A Journal of Practice & Theory, 27(2), 231–252. Humpherys, S. L., Moffitt, K. C., Burns, M. B., Burgoon, J. K., & Felix, W. F. (2011). Identification of fraudulent financial statements using linguistic credibility analysis. Decision Support Systems, 50(3), 585–594. IFAC. (2009). International Standard on Auditing 240: The Auditor's Responsibilities relating to Fraud in an Audit of Financial Statements, 155–197.
VII
Johnstone, K. M., & Bedard, J. C. (2001). Engagement Planning, Bid Pricing, and Client Response in the Market for Initial Attest Engagements. The Accounting Review, 76(2), 199–220. Jones, K. L., Krishnan, G. V., & Melendrez, K. D. (2008). Do Models of Discretionary Accruals Detect Actual Cases of Fraudulent and Restated Earnings? An Empirical Analysis. Contemporary Accounting Research, 25(2), 499–531. Kaminski, K. a., Wetzel, T. S., & Guan, L. (2004). Can financial ratios detect fraudulent financial reporting? Managerial Auditing Journal, 19(1), 15–28. Kirkos, E., Spathis, C., & Manolopoulos, Y. (2006). Data Mining techniques for the detection of fraudulent financial statements. Expert Systems with Applications, 32(4), 995–1003. Lagrou, A. (2006). Kwantitatieve en kwalitatieve analyse inzake risico op jaarrekeningfraude, (p. 1-120). Lanza, R. (2004). How to Use a New Computer Audit Fraud Prevention and Detection Tool. Information Systems Control Journal, 1. Lev, & Thiagarajan. (1993). Fundamental Information Analysis. Journal of Accounting Research, 31(2), 190–215. Li, H., Pincus, M., & Rego, S. O. (2008). Market Reaction to Events Surrounding the Sarbanes-Oxley Act of 2002 and Earnings Management. Journal of Law and Economics, 51(1), 111–134. Liou, F.-M. (2008). Fraudulent financial reporting detection and business failure prediction models: a comparison. Managerial Auditing Journal, 23(7), 650–662. Loebbecke, J., Eining, M., & Willingham, J. (1989). Auditors’ Experience with Material Irregularities: Frequency, Nature and Detectability. Auditing: A Journal of Practice & Theory, 9(1), 1–28. Lou, Y., & Wang, M. (2009). Fraud Risk Factor Of The Fraud Triangle Assessing The Likelihood Of Fraudulent Financial Reporting. Journal of Business & Economics Research, 7(2), 61–78. Mock, T. J., & Turner, J. L. (2005). Auditor Identification of Fraud Risk Factors and their Impact on Audit Programs. International Journal of Auditing, 9(1), 59–77. Ngai, E. W. T., Hu, Y., Wong, Y. H., Chen, Y., & Sun, X. (2011). The application of data mining techniques in financial fraud detection: A classification framework and an academic review of literature. Decision Support Systems, 50(3), 559–569. 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). Ooghe, H. en C. Van Wymeersch, 2008, Handboek Financiële analyse van de onderneming (Deel 1), Antwerpen – Oxford: Intersentia. Palepu, Healy & Peek, 2010, Business Analysis and Valuation, Second Edition. Persons, O. S. (1995). Using Financial Statement Data to Identify Factors Associated with Fraudulent Financial Reporting. Journal of Applied Business Research, 11(3), 38–46. Picker et al., 2013, Applying international financial reporting standards, Third Edition, Wiley & Sons Australia.
VIII
Public Company Accounting Oversight Board (PCAOB), . (21/07/2013).
2003,
About
the
PCAOB,
URL:
Ravisankar, P., Ravi, V., Raghava Rao, G., & Bose, I. (2011). Detection of financial statement fraud and feature selection using data mining techniques. Decision Support Systems, 50(2), 491–500. Rezaee, Z. (2005). Causes, consequences, and deterence of financial statement fraud. Critical Perspectives on Accounting, 16(3), 277–298. Sarkar, S. K., Midi, H., & Rana, S. (2011). Detection of Outliers and Influential Observations in Binary Logistic Regression: An Empirical Study. Journal of Applied Sciences, 11(1), 26–35. Securities and Exchange Commission, 2002, . (26/07/2013).
Sarbanes-Oxley
Act
2002,
URL:
Securities and Exchange Commission, 2009, Form 10-K, URL: . (17/06/2013). Securities and Exchange Commission, 2010, SEC Complaint: Sujata Sachdeva, and Julie Mulvaney, URL: . (19/04/2013). Securities and Exchange Commission, 2011, Complaint against Koss Corporation and Michael J. Koss, URL: . (19/04/2013). Securities and Exchange Commission, 2011, Standard Industrial Classification (SIC) Code List, URL: . (13/07/2013). Securities and Exchange Commission, 2012, Koss Corporation and . (19/04/2013).
Michael
J.
Koss,
URL:
Securities and Exchange Commission, 2013, What we do, URL: . (14/07/2013). Sharma, A. (2012). A Review of Financial Accounting Fraud Detection based on Data Mining Techniques. International Journal of Computer Applications, 39(1), 37–47. Spathis, C. T. (2002). Detecting false financial statements using published data: some evidence from Greece. Managerial Auditing Journal, 17(4), 179–191. Summers, S. L., & Sweeney, J. T. (1998). Fraudulently Misstated Financial Statements and Insider Trading: An Empirical Analysis. The Accounting Review, 73(1), 131–146. Tysiac, K., 2013, New mechanisms eyed by FASB, IASB in lang march toward global comparability, URL: . (19/06/2013). Wolfe, B. D. T., & Hermanson, D. R. (2004). The Fraud Diamond : Considering the Four Elements of Fraud. The CPA Journal, 38–42.
IX
