Συλλογές
Τίτλος Διερεύνηση αποτελεσματικότητας υποδείγματος χειραγώγησης κερδών M-Score στην ανίχνευση παραποιημένων οικονομικών καταστάστεων
Εναλλακτικός τίτλος Investigating the effectiveness of the M-Score earnings manipulation model in detecting false financial statements
Δημιουργός Καραγιώργου, Αγγελική
Συντελεστής Βλησμάς, Ορέστης
Σιουγλέ, Γεωργία
Οικονομικό Πανεπιστήμιο Αθηνών, Τμήμα Λογιστικής και Χρηματοοικονομικής
Δεμοιράκος, Ευθύμιος
Τύπος Text
Φυσική περιγραφή 82σ.
Γλώσσα el
Αναγνωριστικό http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=10885
Περίληψη Fraud in financial statement is most often committed by senior and/or senior management, which makes it difficult to audit and detect. Victims of fraud are investors and other interested parties where they end up in wrong investment decisions as well as loss of income which the members of the management reap. The motivation is strong, especially in times when the business is facing financial difficulties and there is a pressing need for management to present a good image. For this reason, in the last decades models have been developed where they are able to detect companies that have falsified their financial statements in time. Counterfeiting has a significant impact on both users and the entire economy.This paper was written with the aim of presenting the phenomenon of falsification of financial statements and investigating the effectiveness of the M-score earnings manipulation detection model of Beneish et al. (2013) on firms targeted by US Securities and Exchange Commission lawsuits for improper accounting practices. Our primary concern was the SEC's investigation of 2021 lawsuits to detect companies that materially misrepresent their financial statements and deviate from Generally Accepted Accounting Principles (GAAP). Additionally, with the help of the Thomson Reuters Eikon / DataStream database, we downloaded the financial statements of the sampled companies in order to calculate the M-score model indicators. The results of this research showed that M-Score managed to identify 8 of the 23 cases where the model was applied analytically, which translates to 34.78%. In other words, we would say that the model was able to successfully identify just over 1/3 of the sample.
Η απάτη στις οικονομικές καταστάσεις τις περισσότερες φορές γίνεται από τα ανώτερα ή/και ανώτατα διοικητικά στελέχη, γεγονός που δυσκολεύει τους ελέγχους και τον εντοπισμό της. Θύματα των απατών είναι οι επενδυτές και λοιποί ενδιαφερόμενοι όπου καταλήγουν σε λανθασμένες επενδυτικές αποφάσεις καθώς και απώλεια εισοδήματος την οποία καρπώνονται τα μέλη της διοίκησης. Το κίνητρο είναι ισχυρό, ειδικά σε περιόδους όπου η επιχείρηση αντιμετωπίζει οικονομικές δυσκολίες και υπάρχει επιτακτική ανάγκη της διοίκησης να εμφανίσει μια καλή εικόνα. Για το λόγο αυτό, τις τελευταίες δεκαετίες έχουν αναπτυχθεί υποδείγματα όπου είναι ικανά να εντοπίζουν εγκαίρως τις επιχειρήσεις που έχουν παραποιήσει τις χρηματοοικονομικές τους καταστάσεις. Η παραποίηση, επιφέρει σημαντικές επιπτώσεις τόσο στους χρήστες όσο και σε ολόκληρη την οικονομία. Η παρούσα εργασία συντάχθηκε µε σκοπό να παρουσιάσει το φαινόμενο της παραποίησης των οικονομικών καταστάσεων και τη διερεύνηση της αποτελεσματικότητας που έχει να προσδώσει το υπόδειγμα εντοπισμού χειραγώγησης κερδών M-score των Beneish et al. (2013) στις επιχειρήσεις που έγιναν στόχος αγωγών της Επιτροπής Κεφαλαιαγοράς των ΗΠΑ για υιοθέτηση παράτυπων λογιστικών πρακτικών. Κύριο μέλημα μας ήταν η έρευνα των αγωγών που άσκησε η Επιτροπή Κεφαλαιαγοράς των ΗΠΑ για το 2021, με σκοπό να ανιχνευθούν οι επιχειρήσεις που παρουσιάζουν ουσιώδη παραποίηση των χρηματοοικονομικών τους καταστάσεων και παρεκκλίνουν από τις Γενικά Αποδεκτές Λογιστικές Αρχές (GAAP). Επιπροσθέτως, με τη βοήθεια της βάσης Thomson Reuters Eikon / DataStream κατεβάσαμε τις χρηματοοικονομικές καταστάσεις των εταιρειών του δείγματος με σκοπό να υπολογίσουμε τους αριθμοδείκτες του υποδείγματος M-score. Τα αποτελέσματα της παρούσας έρευνας έδειξαν πως το M-Score κατάφερε να εντοπίσει 8 από τις 23 περιπτώσεις που εφαρμόστηκε αναλυτικά το υπόδειγμα, σε ποσοστό μεταφράζεται το 34,78%. Με άλλα λόγια, θα λέγαμε ότι το μοντέλο κατάφερε να εντοπίσει επιτυχώς λίγο παραπάνω από το 1/3 του δείγματος.
Λέξη κλειδί Παραποίηση
Οικονομικές καταστάσεις
Απάτη
Έλεγχος
Manipulation
Financial statements
Fraud
Audit
Διαθέσιμο από 2023-12-02 19:56:54
Ημερομηνία έκδοσης 30-11-2023
Ημερομηνία κατάθεσης 2023-12-02 19:56:54
Δικαιώματα χρήσης Free access
Άδεια χρήσης https://creativecommons.org/licenses/by/4.0/