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
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
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
I
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
II
INHOUDSOPGAVE WOORD VOORAF ..................................................................................................................................................... I
GEBRUIKTE AFKORTINGEN ..................................................................................................................................... IV
LIJST VAN TABELLEN ................................................................................................................................................ V
LIJST VAN FIGUREN ................................................................................................................................................. V
HOOFDSTUK I INLEIDING ........................................................................................................................................ 1
HOOFDSTUK II LITERATUURSTUDIE ....................................................................................................................... 3
I. HORIZONTALE EN VERTICALE ANALYSE ............................................................................................... 15
II. RATIO ANALYSE.................................................................................................................................... 15
III. BENFORD’S LAW .................................................................................................................................. 16
3.5.2.4 INTERPRETATIE VAN DE RESULTATEN ........................................................................................ 33
3.6 CONCLUSIES EN DISCUSSIE ...................................................................................................................... 34
HOOFDSTUK IV HET ALGEMEEN BESLUIT ............................................................................................................ 35
LITERATUURLIJST .................................................................................................................................................... VI
IV
GEBRUIKTE AFKORTINGEN AAER Accounting and Auditing Enforcement Releases
ACFE Association of Certified Fraud Examiners
AICPA American Institute of Certified Public Accountants
AMF Autorité des Marchés Financiers
AQI Asset Quality Index
CEO Chief Executive Officer
CESR Committee of European Securities Regulators
CFO Chief Financial Officer
COSO Committee of Sponsoring Organizations
DSRI Days Sales in Receivables Index
EDGAR Electronic Data-Gathering, Analysis and Retrieval
EU Europese Unie
FASB Financial Accounting Standards Board
FBI Federal Bureau of Investigation
FRRP Financial Reporting Review Panel
GAAP Generally Accepted Accounting Principles
GMI Gross Margin Index
HP Hewlett-Packard
IAS International Accounting Standards
IASB International Accounting Standards Board
IFAC International Federation of Accountants
IFRS International Financial Reporting Standards
ISA International Standard on Auditing
OV Onderzoeksvraag
PCAOB Public Company Accounting Oversight Board
RvB Raad van Bestuur
SAS Statement of Auditing Standards
SEC Securities and Exchange Commission
SGI Sales Growth Index
SIC Standard Industrial Classification
SOX Sarbanes-Oxley
TATA Total Accruals to Total Assets
VS Verenigde Staten
WSJ Wall Street Journal
V
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
1
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 niet-
frauderende 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 audit-
kantoren 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 niet-
frauderende ondernemingen tussen de periode 1999-2001.
2
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.
3
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.
Figuur 1: Classificatie van de verschillende soorten financiële fraude gebaseerd op het model van het FBI
Financiële fraude
Bankfraude Verzekeringsfraude Aandelen- en
handelswarenfraude Bedrijfsfraude
4
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.
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
de gevallen voorkomt1. 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.
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
Ontvreemding van activa Corruptie Jaarrekeningfraude
Frequentie
Mediaan verlies
5
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
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’ (‘niet-
frauderende’) 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 niet-
frauderende 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,
18
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 opeen-
volgende 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.
(
) (
)⁄
19
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 non-
current 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 niet-
frauderende 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.
20
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 niet-
frauderende 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 rapporterings-
fraude 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.
21
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 rapporterings-
fraude 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.
22
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 detectie-
modellen 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 niet-
fraudebedrijven 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 jaarrekening-
fraude. 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.
23
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 toe-
gewezen 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’).
24
3.3.2 DE NIET-FRAUDERENDE STEEKPROEF
Aan elk element uit de frauderende steekproef werd vervolgens een bijhorende niet-frauderende onderneming
gekoppeld. Hierbij werd er telkens vertrokken van de beurswebsite2 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-code3 als het fraudebedrijf;
- Grootte: het totaal actief of de gerapporteerde opbrengsten van het fraudebedrijf worden zo goed
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
beurswebsite van de WSJ, werd er verder gezocht op een andere toonaangevende beurswebsite4 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 niet-
toevallige wijze, kunnen we spreken van een quotasteekproef (De Pelsmacker & Van Kenhove, 2010).
2 http://www.marketwatch.com/investing/stock/
3 De Standard Industrial Classification (SIC) code geeft aan in welke sector een bedrijf actief is (SEC, 2011b).
4 http://www.barchart.com/stocks/sectors/
25
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 overeen-
stemmende 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
26
uitschieters5 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 jaar-
rekeningen (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).
27
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 MEDIAAN MINIMUM MAXIMUM ST. AFW.
Tabel 2: Descriptieve analyse gebaseerd op Beneish
28
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 uit-
schieters 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 TATA
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 1
* Correlatie is significant op 0,05 ** Correlatie is significant op 0,01 Tabel 3: Correlatiematrix gebaseerd op Beneish
29
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).
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.
32
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 CATA
TLTA 1
SATA -0,153 1
LOGTA 0,649** -0,424** 1
CATA -0,513** 0,425** -0,760** 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).
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
33
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 PERCENTAGE
CORRECT NIET-FRAUDE FRAUDE
GEOBSERVEERD
NIET-FRAUDE 15 8 65,2
FRAUDE 7 16 69,6
TOTAAL PERCENTAGE JUIST 67,4
Tabel 9: Classificatietabel gebaseerd op Persons
Uit de berekening7 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 (p-
waarde = 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.
34
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.
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.
VII
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:
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.
VIII
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.
IX
Public Company Accounting Oversight Board (PCAOB), 2003, About the PCAOB, URL: <http://pcaobus.org/About/Pages/default.aspx>. (21/07/2013).
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, Sarbanes-Oxley Act 2002, URL:
Securities and Exchange Commission, 2013, What we do, URL: <http://www.sec.gov/about/whatwedo.shtml>.
(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: <http://www.journalofaccountancy.com/News/20137119.htm>. (19/06/2013). Wolfe, B. D. T., & Hermanson, D. R. (2004). The Fraud Diamond : Considering the Four Elements of Fraud. The