TFL Vsebine / TFLGlasnik

1 UVOD

V obdobju po razglašeni pandemiji na globalni ravni se tudi na področju poslovanja gospodarskih družb dogajajo korenite spremembe. Te zahtevajo prilagajanja, kakršnim v zgodovini še nismo bili priča. Poleg nenadnega zaustavljanja poslovanja zaradi vladnih odlokov so prisotne še spremembe v dobaviteljskih verigah (Belhadi, 2021), izpadi dogovorjenih dobav blaga in storitev, napovedujeta se tudi globalna recesija in likvidnostni krč (Dörr, Murmann, & Licht, 2021). V želji po nadaljnjem poslovanju poslovodstva v gospodarskih družbah sprejemajo različne ukrepe. Med njimi tudi nedovoljene v obliki prevar v računovodskih izkazih in goljufivega poročanja. Identifikacija tovrstnih prevar je kompleksna operacija, ki zahteva interdisciplinarna znanja ter uporabo različnih orodij (Bergant & Međedović, 2015, str. 51-95). Mednje spada tudi Beneish M-score model, ki ga je leta 1999 razvil ameriški profesor dr. Messod D. Beneish (Beneish, 1999).

1.1 Nastanek in razvoj modela

Obseg manipulacije z dohodki in napačnega prikazovanja teh v računovodskih izkazih že dolgo zanima analitike, regulatorje, raziskovalce in druge naložbene strokovnjake. Predvsem v ZDA so regulatorji ob koncu 90. let prejšnjega stoletja pozvali k intenziviranju preiskav manipulacij na področju dobičkov podjetij. Na tej osnovi se je ponovno povečalo zanimanje za to področje, vendar dotedanja akademska in strokovna literatura vsebuje malo razprav o tej temi. Profesor dr. Beneish je tako razvil model za razlikovanje manipulativnega od nemanipulativnega poročanja. Manipulacija z dobičkom je opredeljena kot kršenje računovodskih standardov z namenom napačne predstavitve uspešnosti podjetij. Na osnovi računovodskih izkazov je oblikoval nabor kazalnikov, s katerimi identificira potencialne manipulacije, in tudi predpogojev, ki k takšnemu ravnanju spodbujajo (Beneish, 1999).

2 Značilnosti modela

Model temelji na podatkih 74 podjetij, pri katerih je SEC (ang. Securities and Exchange Commission) – Komisija za trg vrednostnih papirjev v Ameriki preiskovala in ugotovila prevare v računovodskih izkazih na področju manipulacije z dobičkom ali pa so jih odkrili in razkrili mediji. Vzorec je avtor nato primerjal z izborom 2.332 podjetij iz primerljivih dejavnosti, za katere se predvideva, da so računovodski podatki skladni z GAAP oziroma ameriškimi računovodskimi standardi. Pri razvoju modela se je avtor opiral na finančne kazalnike, izračunane iz finančnih (računovodskih) poročil opazovanih podjetij. Predpostavlja namreč, da so manipulacije z dobičkom podjetij v računovodskih izkazih najpogostejše takrat, ko ima podjetje izkazano visoko rast prihodkov, upadanje bruto marže, rast obratovalnih stroškov in visoko stopnjo finančnega vzvoda. Te spremembe bodo najverjetneje prikrivali s povečevanjem odloženih stroškov, zviševanjem časovnih razmejitev in zniževanjem amortizacije. Na teh predpostavkah in izvedenih raziskavah je razvil M-score model. Rezultat raziskave na osnovi teh predpostavk je 8 kazalnikov, združenih v naslednji enačbi:

M-score = –4,84 + 0,92×DSRI + 0,528×GMI + 0,404×AQI + 0,892×SGI + 0,115×DEPI – 0,172×SGAI + 4,679×TATA – 0,327×LVGI

Pri čemer je (Warshavsky, 2021):

DSRI (Days Sales in Receivables Index – indeks vezave terjatev) pomeni indeks obračanja in dneve vezav terjatev. Izračuna se tako, da se terjatve v obdobju t delijo s prihodki v obdobju t. Rezultat pa se deli z rezultatom deljenja terjatev v t-1 s prihodki v t-1.

Rezultat, večji od 1, kaže na povečanje terjatev v primerjavi s prihodki. Do takšnih razlik lahko prihaja zaradi povečane prodaje na koncu opazovanega obdobja, zaradi spremenjenih prodajnih pogojev in podobno. Lahko pa kaže na »napihovanje« prihodkov.

GMI (Gross Margin Index – indeks dosežene marže) pomeni indeks bruto marže in se izračuna tako, da se od poslovnih prihodkov v predhodnem obdobju t-1 odštejejo stroški blaga, materiala in storitev v istem obdobju ter rezultat deli s celotnimi poslovnimi prihodki. Rezultat se deli z zneskom v tekočem obdobju t.

Rezultat, večji od 1, kaže na zmanjševanje marže. To lahko pomeni dodaten pritisk na potrebo po manipulaciji z izkazi.

AQI (Asset Quality Index – indeks kakovosti sredstev) izračunamo tako, da od bilančne vsote odštejemo opredmetena osnovna sredstva in kratkoročna sredstva in rezultat delimo z bilančno vsoto v obdobju t ter delimo z enakimi podatki za preteklo obdobje t-1.

Indeks kakovosti sredstev nam nakazuje eno izmed najpogostejših tehnik manipuliranja z izkazi, to je usredstvenje stroškov. To pomeni, da poslovodstvo del stroškov zadržuje v bilanci stanja. Z rastjo tega indeksa se povečuje tudi tveganje za prevare.

SGI (Sales Growth Index – indeks rasti prodaje) se izračuna tako, da se prihodki od prodaje v obdobju t delijo s prodajo v obdobju t-1.

Vrednost indeksa, večja od 1, pomeni rast prihodkov v primerjavi s preteklim obdobjem. To sicer samo po sebi še ni znak za prevaro, so pa podjetja z večjo rastjo bolj podvržena tovrstnim pritiskom.

DEPI (Depreciation index – indeks amortizacije) izračunamo tako, da se amortizacija v preteklem obdobju t-1 deli s seštevkom amortizacije in vrednostjo opredmetenih osnovnih sredstev ter rezultat deli z enakimi podatki za obdobje t.

Indeks, večji od 1, nakazuje na podaljševanje pričakovane dobe uporabe sredstev, posledično pa se to izkazuje na večjem dobičku. Gre za eno izmed najpogostejših metod manipulacije z dobičkom.

SGAI (Sales, general and administrative expenses index – indeks prodajnih, splošnih in administrativnih stroškov) se izračuna tako, da se vsota stroškov storitev in dela v obdobju t deli s prihodki iz poslovanja v obdobju t ter rezultat deli z enakim izračunom za obdobje t-1.

Indeks, večji kot 1, kaže na nesorazmerno povečevanje stroškov v primerjavi s prihodki. Navedeno nakazuje na negotovost v nadaljevanju poslovanja, saj se zmanjšuje dobičkovnost poslovanja.

LVGI (Leverage Index – indeks vzvoda) je dejansko kazalnik dolžniškosti financiranja. Izračuna se tako, da se vsota kratkoročnih in dolgoročnih obveznosti deli z bilančno vsoto za obdobje t in rezultat deli z rezultatom za preteklo obdobje t-1.

Povečevanje tega indeksa nakazuje na poslabšanje finančnega položaja, saj se zmanjšuje delež kapitala v virih financiranja.

TATA (Total Accruals to Total Assets – razmejitve na sredstva); dobesedni prevod ni ustrezen. Po vsebini gre za razmerje med spremembo obratnega kapitala, zmanjšano za odpise vrednosti in spremembo denarnih sredstev, in bilančno vsoto.

Vrednost indeksa, večja od 1, nakazuje na prirejanje oziroma manipulacijo z odpisi vrednosti in neopredmetenimi osnovnimi sredstvi.

Čeprav je izrazna moč posameznega kazalnika dokaj velika, je Beneish v svoji raziskavi s pomočjo linearne regresije izdelal formulo z 8 spremenljivkami in pripadajočimi konstantami. To je verjetnostni model, ki kot tak ne daje 100 % rezultatov, temveč oceno verjetnosti. Ugotovil je, da je z uporabo M-score modela mogoče pravilno identificirati 76 % manipulacij, nepravilno pa 17,5 %. Sprva je mejo med verodostojnimi oziroma računovodskimi izkazi, ki niso prirejeni in tistimi, ki kažejo na veliko verjetnost prirejanj, postavil pri rezultatu –2,22. Rezultati izračuna po njegovi formuli, ki so večji od –2,22, kažejo na prirejanja, manjši pa ne. Kasneje je to mejo večkrat posodobil. V objavi leta 2012 (Beneish, Lee, & Nichols, 2013) je na osnovi novih izračunov mejo postavil pri –1,78. Ob tem je izpostavil delitev kazalnikov v 2 skupini:

• Manipulacijski signali: DSRI za napihovanje prihodkov, AQI za usredstvenje stroškov, DEPI za zmanjševanje amortizacijskih stopenj, TATA za poslovne dogodke brez denarnega toka;
• Motivacijski signali: GMI za zniževanje marže, SGI za poslabšanje možnosti nadaljevanja poslovanja, SGAI za poslabšanje učinkovitosti ter LVGI za slabšanje finančno posredniškega položaja.

Motivacijski signali so eden od 3 dejavnikov za nastanek prevar, medtem ko manipulacijski signali kažejo na dejansko prirejene računovodske podatke.

2.1 Primeri uporabe

Upoštevajoč velike pritiske na poslovodstva za doseganje načrtovanih poslovnih rezultatov in s tem večjo nevarnost, da pride do ponarejanj oziroma prirejanj, je metoda profesorja Beneisha vedno bolj aktualna. Na spletu je mogoče najti več raziskav, ki temeljijo na uporabi Beneish M-Score modela.

University of Denver, ZDA

Grove in Cook (Grove & Cook, 2004) sta preizkusila uporabnost Beneish modela za identifikacijo prevar. Metodo sta aplicirala na že ugotovljenih primerih prevar v podjetjih Qwest, Enron, Global Crossing in WorldCom. Ugotovila sta, da so razmerja v modelu ustrezna za prepoznavo prevar. Dodatno priporočata, da bi morali forenzični računovodje Beneish metodo uporabljati skupaj s tradicionalno računovodsko analizo.

University of Macerata, Italija

Študija Francescheti in Koschtail (Franceschetti & Koschtial, 2013) vsebuje uporabo Beneishevega pristopa pri analizi malih in srednjih podjetij v stečajih v primerjavi s tistimi, ki še poslujejo. Študija temelji na analizi 30 podjetij v stečajih in 30 še delujočih. Ugotovila sta, da indeksi SGI, GMI, AQI, DRSI in TATA pomagajo pri identificiranju prirejenih podatkov podjetij v stečaju. Vzorec podjetij v stečaju vsebuje 1,6-krat več t. i. red flags (opozorilnih znakov) kot vzorec delujočih podjetij.

University of Almería, Španija

Ramirez-Orellana et al. (Ramirez-Orellana, 2017) so uporabili Beneish model v primeru španskega prehrambenega podjetja Pescanova, nad katerim je bil leta 2013 uveden stečajni postopek. Obdobje analize je obsegalo 4 leta. Avtorji so ugotovili, da so v podjetju Pescanova prirejali podatke, upoštevane v indeksih DSRI in TATA, v letih pred stečajem. Trdijo, da empirični podatki izkazujejo močno izrazno moč Beneish.

Universiti Kebangsaan, Malezija

V letu 2016 so Aghghaleh et al. raziskovali, ali obstaja povezava med Beneish M-score modelom in odkrivanjem prevar v računovodskih izkazih v Maleziji. Ugotovili so, da je uspešnost modela kar 73 % (Aghghaleh, Mohamed, & Rahmat, 2016).

University of Zilina, Slovaška

Novejša raziskava Univerze v Žilini na Slovaškem, ki je bila objavljena 2020, pokaže uporabnost in v veliki meri preciznost modela za identifikacijo opozorilnih znakov in tudi prevar v računovodskih izkazih slovaških podjetij. V opazovalnem vzorcu 1900 podjetij so v 77,3 % primerov pravilno identificirali podjetja, ki so bila obtožena davčnih goljufij. Z modificiranim modelom, pri oblikovanju katerega so upoštevali specifiko slovaških podjetij, so oblikovali svoj SVK model. S tem so povečali stopnjo pravilnosti identifikacije prevarantskih podjetij, in sicer je dosegla kar 81,8 % (Svabova, Kramarova, Chutka, & Strakova, 2020). Raziskovalci so šli v letu 2021 še korak dlje in naredili študijo s triangulacijo treh različnih metod: Beneish M-score, prilagojeno slovaško M-score SVK in metodo paritve enake verjetnosti (Propensity Score Matching). Rezultati so pokazali, da v 27,8 % opazovanih podjetij vse tri metode identificirajo iste subjekte kot izpostavljene tveganju prevarantskega poročanja (Svabova, 2021).

Cracow University of Economics, Poljska

Profesor Holda z Univerze Krakow iz Poljske je analiziral uporabnost Beneish M-Score modela na izbranih podjetjih, uvrščenih na borzi vrednostnih papirjev v Varšavi (Holda, 2020). V testnem vzorcu je zajel 4 podjetja, katerih letna poročila so imela pozitivno mnenje revizorja in štiri podjetja, ki so imela mnenje s pridržkom oziroma je bil proti njim sprožen postopek finančno nadzornih institucij. Z uporabo Beneishevega modela z 8 spremenljivkami je dosegel 100 % točnost pri identifikaciji potencialno napačnih računovodskih izkazov. Med 8 opazovanimi podjetji je namreč pri tistih 4, ki so imela ali revizorjevo mnenje s pridržkom ali so jih že oglobile nadzorne institucije, rezultat pokazal na nepravilnosti. Rezultati te analize dodatno potrjujejo uporabnost modela.

International BURCH University, Bosna in Hercegovina

Tudi v Bosni in Hercegovini je bila opravljena analiza računovodskih poročil, dostopnih v bazi svetovalne družbe Tron Systems d. o. o. za leti 2013 in 2014 (Buljubasic & Halilbegovic, 2017). Podatki 31 naključno izbranih podjetij so bili osnova za izračun po M-Score modelu. Izračuni so pokazali, da ima 21 podjetij rezultat, nižji od –2,22, kar pomeni, da ne vsebujejo prirejenih podatkov, medtem ko je pri 10 podjetjih izkazana velika verjetnost, da so podatki prirejeni. Spremenljivke, ki so izstopale, so marža, vezava terjatev, rast prihodkov in kakovost sredstev. Zaključek analize vsebuje sklep, da 16 % analiziranih podjetij izkazuje verjetnost prirejenih računovodskih podatkov predvsem na dveh glavnih področjih: prihodki in usredstvenje stroškov. Ob tem pa je treba izpostaviti dokaj veliko nedoslednost: avtorja nista upoštevala posodobljenih mejnih vrednosti, to je –1,78 (Beneish, Lee, Nichols, 2013). Pozitivna stran analize pa je, da sta avtorja v sodelovanju s širšim krogom strokovnjakov v letu 2020 objavila obširnejšo študijo.

V novi študiji, objavljeni leta 2020, so avtorji opazovali 4.580 malih in srednjih podjetij v obdobju od 2008 do 2015. Podjetja so razdelili v 2 skupini. V prvo skupino so vključili podjetja, ki so bila v letu 2017 obtožena davčne utaje, pranja denarja in ponarejanja računovodskih izkazov. Podatki o obtožbah temeljijo na podatkih sodišč in objavah v medijih. V drugo skupino pa so vključili 4.580 podjetij iz različnih dejavnosti in velikosti. Med njimi je 2.264 srednje velikih in 2.316 malih podjetij. Z uporabo Beneish M-score modela so pravilno identificirali 54 od 68 podjetij, kar je 79,41 %. Nepravilno pa 20,59 %. Rezultati so spodbudni in po mnenju avtorjev dobra osnova za nadaljevanje raziskav. Velika pomanjkljivost te študije je namreč majhen vzorec podjetij, pri katerih so ugotovljene nepravilnost. To pa je posledica netransparentnosti države in omejenega dostopa do podatkov (Halilbegović, Čelebić, Cero, Buljubasic, & Mekic, 2020).

Babeş-Bolyai University, Romunija

Tudi nedavna študija romunskih primerov kaže na visoko zanesljivost modela. Avtorji so na spletnih straneh sodišč v Romuniji identificirali 30 podjetij, ki so bila obsojena za davčne utaje. Na tem vzorcu so izračunali koeficiente na osnovi Beneish M-score modela in pravilno določili 23 od 30 izbranih podjetij. Zanesljivost je bila 76,67 %. Vzroke za morebitno še večjo natančnost so ugotavljali predvsem v dejstvu, da so tudi računovodski izkazi prirejeni za zakrivanje opozorilnih znakov. Se pravi, da ne odražajo dejanskih poslovnih dogodkov (Timofte, Socoliuc, Grosu, & Coca, 2021).

3 UPORABA MODELA NA PRIMERU SLOVENSKEGA PODJETJA

Upoštevajoč izrazno moč Beneish M-score modela, ki je bila potrjena v več raziskavah, bomo v nadaljevanju uporabili model na primeru slovenskega podjetja.

3.1 Opis in značilnosti vzorca

Družba M d. o. o. je trgovsko podjetje. Glavna dejavnost je prodaja izdelkov široke potrošnje. Podjetje je bilo vpisano v sodni register 2014. Po stanju na dan 31. 12. 2020 je bilo zaposlenih 44 delavcev. Svojo trgovsko dejavnost opravlja v maloprodajnih enotah po Sloveniji.

Podrobnejši podatki v javno dostopnih evidencah niso na razpolago.

3.2 Izračun kazalnikov z uporabo Beneish M-score modela

Pri izračunu vrednosti po modelu M-score smo upoštevali javno objavljene računovodske izkaze za obdobje od 2016 do 2020. V ta namen je bila izdelana tudi preglednica v Excelu za lažji izračun. V nadaljevanju bomo prikazali izračunane vrednosti na način, kot je to opisano v poglavju 1.2., sledita podrobnejša analiza posameznih kazalnikov in povzetek opozorilnih znakov, ki kažejo na možnosti prevar.

3.2.1 Izračunana vrednost M-score

Vrednost je izračunana na osnovi računovodskih izkazov za obdobje od 2017 do 2020. Ker pa se izračun nanaša na primerjavo s preteklim obdobjem, so upoštevani tudi podatki za leto 2016.

Preglednica 1: Izračunana vrednost M-score

Vir: lasten izračun

Izračun na osnovi formule, ki jo je izdelal Beneish, in sicer po modelu 8 spremenljivk, pokaže (Preglednica 1), da podatki za leto 2017 in 2019 odstopajo od meje, ki jo je postavil. Prvotno je bila meja, ki ločuje ustrezne podatke od potencialno prirejenih, postavljena pri vrednosti –2,22, kasneje z nekaj dopolnitvami pa pri –1,78. Glede na rezultat bomo v nadaljevanju podrobneje pregledali posamezne kazalnike in ovrednotili njihov vpliv na rezultat.

3.2.2 Izračunana vrednost posameznih kazalnikov

Preglednica 2: Vrednost kazalnikov

Vir: lasten izračun

V Preglednici 2 prikazani izračunani kazalniki nimajo posebne izrazne vrednosti. Njihova podrobnejša razčlenitev oziroma gibanje med leti pa nam lahko pove več.

V nadaljevanju bomo s pomočjo grafičnih prikazov skušali analizirati spremembe iz leta v leto. Na ta način bomo lahko bolj nazorno prikazali spremembe.

Slika 1: Gibanje kazalnika DSRI

Vir: lasten

Izhodiščna točka, ki jo je Beneish določil pri 1, kaže na mejno vrednost. Vrednost indeksa več kot 1 kaže na povečanje terjatev v primerjavi s prihodki. Do takšnih razlik lahko prihaja zaradi povečane prodaje na koncu opazovanega obdobja, zaradi spremenjenih prodajnih pogojev in podobno. Če ni bistvenih sprememb v prodajni politiki, je pričakovano linearno gibanje tega kazalnika. Vrednost, večja od 1, pa lahko nakazuje na »napihovanje« prihodkov (Sabău, Mare, Safta, 2021).

V opazovanem obdobju (Slika 1) se indeks zmanjšuje, kar kaže na izboljšanje razmerja med terjatvami in prihodki. To po drugi strani kaže tudi na krajšanje dnevov vezave sredstev v terjatvah, saj se obrat terjatev povečuje.

Povprečna vrednost, ki jo je izračunal Beneish (Beneish, Lee, Nichols, 2013), za nemanipulatorje je 1,030 in za manipulatorje 1,460.

Slika 2: Gibanje kazalnika GMI

Vir: lasten

Indeks GMI (Slika 2) primerja doseženo maržo preteklega leta z maržo, doseženo v tekočem letu. Rezultat, večji od 1, kaže na zmanjševanje marže. To lahko pomeni dodaten pritisk na potrebo po manipulaciji z izkazi, saj se rezultat iz poslovanja slabša. Tudi Beneish (Beneish M. D., 1999) je izračunal povprečno vrednost kazalnika GMI med manipulatorji 1,193, čemur se opazovano podjetje v letu 2020 z vrednostjo 1,0935 približuje. Pomembno izrazno vrednosti ima tudi indeks v letu 2017, in sicer kaže na povečevanje marže, kar je tudi lahko znak za nepravilno (prenizko) izkazovanje stroškov prodaje ali previsoko izkazovanje prihodkov. V stabilnih okoliščinah brez večjih strukturnih sprememb v poslovanju bi moral biti indeks GMI 1, kar bi pomenilo, da ni sprememb v razmerju med doseženo razliko v ceni in prihodki. Vsekakor indeks GMI podjetja M predstavlja enega izmed opozorilnih znakov, ki nakazuje na potrebo po podrobnejšem pregledu (Sabău, Mare, Safta, 2021).

Slika 3: Gibanje kazalnika AQI

Vir: lasten

Kazalnik AQI (Slika 3) pokaže rast deleža dolgoročnih sredstev, ki niso opredmetena osnovna sredstva, v sredstvih. Indeks kakovosti sredstev nakazuje eno izmed najpogostejših tehnik manipuliranja z izkazi, to je usredstvenje stroškov. To pomeni, da poslovodstvo del stroškov zadržuje v bilanci stanja. Vrednost, večja od 1, nakazuje na prisotnost nepravilnosti oziroma ponarejanja. V takih primerih računovodje prilagajajo metode prevrednotenja, stroške razvoja in marketinga pa zadržujejo v sredstvih. Rezultat tega je povečevanje vrednosti sredstev ob hkratnem povečanem dobičku. Skratka, visoka vrednost tega indeksa nakazuje na uporabo kreativnega računovodstva (Sabău, Mare, Safta, 2021).

V opazovanem primeru (Slika 3) na rast indeksa v letu 2019 vpliva povečevanje dolgoročnih terjatev, ki pa nominalno ne predstavlja pomembnega zneska. Beneish (Beneish, Lee, Nichols, 2013) je v svoji raziskavi ugotovil, da je povprečje kazalnika AQI med nemanipulatorji 1,040, med manipulatorji pa 1,250. Na osnovi teh ugotovitev obravnavano podjetje ne kaže znakov prirejanja računovodskih podatkov.

Slika 4: Gibanje kazalnika SGI

Vir: lasten

Slika 4 prikazuje gibanje prodaje. Podatek o rasti ali upadu obsega prodaje nam ne da informacije o morebitnih prevarah. Beneish pa ga je uporabil, ker so podjetja podvržena opazovanju investitorjev, bank, lastnikov in drugih in so posledično podvržena pritiskom po stalni rasti prodaje. Stalna in velika rast prodaje je pogosto tudi osnova za nagrade poslovodstvu, kar pa je neposreden pritisk za morebitne manipulacije. Velika rast obsega prodaje v letu 2020 je nekoliko nenavadna, če upoštevamo, da je glavna dejavnost podjetja maloprodaja, ki pa je bila v obdobju epidemije močno prizadeta. Na osnovi več odlokov vlade so bile maloprodajne trgovine daljše obdobje zaprte oziroma je bil obisk omejevan. Navedena rast zahteva podrobnejši pregled. Podjetje M spada med trgovine s kmetijsko opremo in je bilo posledično iz omejevalnih odlokov vlade izvzeto.

V analizi kazalnika SGI je Beneish (Beneish, Lee, Nichols, 2013) ugotovil, da je povprečna vrednost kazalnika med podjetji nemanipulatorji 1,134, medtem ko je povprečna vrednost med manipulatorji 1,610. Na osnovi teh ugotovitev lahko zaključimo, da kazalnik SGI ne nakazuje na prevare.

Slika 5: Gibanje kazalnika DEPI

Vir: lasten

Kazalnik DEPI ali indeks amortizacije je razmerje med stopnjo amortizacije v predhodnem letu t-1 v primerjavi s stopnjo amortizacije v opazovanem letu t. Če je indeks DEPI večji od 1 to lahko pomeni, da se je stopnja amortizacije zmanjšala, kar povečuje tveganje oziroma verjetnost, da bo podjetje s podaljševanjem dobe koristnosti ali sprejetjem novih amortizacijskih metod zavestno povečalo dobiček. Tako obstaja pozitivna korelacija med indeksom amortizacije in verjetnostjo za manipulacijo z računovodskimi izkazi (Rajković, 2017). V našem primeru smo med amortizacijo šteli tudi odpise vrednosti, ki jih nekateri prav tako upoštevajo pri izračunih. Odpisi vrednosti imajo enako funkcijo kot amortizacija, to je zmanjševanje knjigovodske vrednosti sredstev, vendar pa se njihova uporaba manj regulira in so zato še bolj primerni za eventuelne manipulacije. Tudi v našem primeru (Slika 5) je znesek odpisov v obratnem sorazmerju z dobičkom, kar nakazuje na manipulacijo.

Povprečno vrednost za nemanipulatorje po Beneishu je 1,001 in za manipulatorje 1,077.

Slika 6 Gibanje kazalnika SGAI

Vir: lasten

Indeks prodajnih, splošnih in administrativnih stroškov (SGAI) primerja razmerja stroškov in prihodkov tekočega s preteklim obdobjem. Kazalnik, večji kot 1, kaže na nesorazmerno povečevanje stroškov v primerjavi s prihodki. Navedeno nakazuje na negotovost v nadaljevanju poslovanja, saj se zmanjšuje dobičkovnost poslovanja. Izračunan kazalnik (Slika 7) kaže na stabilnost v poslovanju.

Povprečne vrednosti, ki jih je izračunal Beneish, za nemanipulatorje so 1,001 in za manipulatorje 1,041.

Slika 7: Gibanje kazalnika TATA

Vir: lasten

Kazalnik TATA je eden izmed zahtevnejših predvsem zaradi umanjkanja ustreznega poimenovanja v slovenskem jeziku. Po vsebini pa predstavlja spremembo obratnega kapitala, zmanjšano za odpise vrednosti in spremembo denarnih sredstev in bilančno vsoto.

V podjetju M d. o. o. kazalnik TATA odstopa od povprečja v letih 2017 in 2019 (Slika 7). To je posledica negativnega denarnega toka iz poslovanja. Hkrati pa nakazuje na zadrževanje stroškov med sredstvi, razmejitvami (Aghghaleh, Mohamed, Rahmat, 2016).

Rast tega kazalnika po navadi nakazuje, da so postavke dobrega imena in amortizacije prirejene. Povprečna vrednost indeksa za nemanipulatorje je 0,018 in za manipulatorje 0,031 (Beneish, Lee in Nichols, 2013).

Slika 8: Gibanje kazalnika LVGI

Vir: lasten

Kazalnik vzvoda po vsebini, primerneje poimenovan kazalnik dolžniškosti financiranja, prikaže spremembo v dolžniških virih financiranja v primerjavi s preteklim obdobjem. Vrednost, večja od 1, pove, da se je delež dolgov v celotnih obveznostih do virov sredstev v tekočem letu v primerjavi s preteklim letom povečal. Nakazuje pa na možnost, da je podjetje udeleženo v finančni prevari (Sabău, Mare, Safta, 2021).

Povprečne vrednosti po Beneishu so za nemanipulatorje 1,037 in za manipulatorje 1,111. Kazalnik za opazovano podjetje (Slika 8) ne izstopa in ne kaže na nepravilnosti.

3.3 Povzetek ugotovitev

Prikazane podatke iz prejšnje točke lahko razdelimo v dve skupini, kot je opisano v točki 1.2, in sicer med motivacijske in manipulacijske signale.

3.3.1 Motivacijski signali

Med motivacijske signale Beneish (Beneish, Lee in Nichols, 2013) šteje GMI za zniževanje marže, SGI za poslabšanje možnosti nadaljevanja poslovanja, SGAI za poslabšanje učinkovitosti ter LVGI za slabšanje finančno posredniškega položaja. Med njimi z opozorilnimi znaki izstopa kazalnik GMI.

SGI v opazovanem obdobju odstopa v letu 2017 in znaša 1,1671 ter v letu 2020 in znaša 1,2737. To pomeni, da se je obseg prodaje izrazito povečal.

GMI v našem primeru izstopa v letih 2017 in 2020. V letu 2017 kaže na povečevanje marže za 14,3 % glede na leto 2016, v letu 2020 pa ponovno zmanjšanje za 9,3 % v primerjavi z letom 2019. Vzrokov za rast ali upad kazalnik sam po sebi ne pojasni.

3.3.2 Manipulacijski signali

Med manipulacijske signale pa sodijo DSRI za napihovanje prihodkov, AQI za usredstvenje stroškov, DEPI za prilagajanje amortizacijskih stopenj in TATA za poslovne dogodke brez denarnega toka.

DSRI odstopa predvsem v letu 2017, saj znaša 1,2267.

Kazalnik DEPI v obravnavanem primeru v letih 2019 in 2020 kaže na nižanje deleža odpisov vrednosti v opredmetenih osnovnih sredstvih, kar pomeni, da se strošek amortizacije znižuje. To ima za posledico boljši poslovni rezultat.

Kazalnik TATA v letih 2017 in 2019 nakazuje na zadrževanje stroškov v sredstvih. Posledično ima družba manj odhodkov in boljši poslovni rezultat.

3.3.3 3 Povzetek

Iz navedenega lahko povzamemo, da je podjetje v letu 2017 posegalo v računovodske podatke s tem, da je povečalo obseg prodaje, s čimer je povečalo dobičkonosnost (kazalnik GMI), to pa je imelo za posledico povečanje dnevov vezave terjatev. Za doseganje primerljive oziroma za vzdrževanje obstoječe marže v letu 2019 je podjetje znižalo stroške amortizacije in del ostalih stroškov zadrževalo v sredstvih. Z navedeno računovodsko operacijo so v podjetju izboljšali poslovni izid.

V opazovanem podjetju smo s pomočjo Beneish M-score modela identificirali 2 potencialni manipulaciji, ki sta osnova za podrobnejši pregled.

4 ZAKLJUČEK

Model je bil razvit v 90 letih prejšnjega stoletja, na veljavi pa je pridobil po odkritju prevar v podjetju Enron. Aplikacija modela na računovodske podatke podjetja Enron je namreč že več let pred odkritjem prevar identificirala več opozorilnih znakov, ki so jasno nakazovali na manipulacijo z računovodskimi izkazi.

Pomanjkljivost modela je, da mejne vrednosti temeljijo na statističnih podatkih ameriških podjetij. Kljub temu je več avtorjev metodo uporabilo na podatkih evropskih podjetij in potrdilo uporabnost modela.

Uporabnost samega modela za slovenske razmere bi lahko izboljšali z analizo vzorca skupine več podjetij, tako kot so to primeroma naredili na Slovaškem (Svabova, Kramarova, Chutka, & Strakova, 2020) in v Bosni in Hercegovini (Halilbegović, Čelebić, Cero, Buljubasic, & Mekic, 2020). Glavna ovira za to je pomanjkljiva evidenca o potrjenih primerih prevarantskega poročanja. Za izvedbo ustreznih statističnih izračunov, na katerih temelji metoda M-score, bi bilo namreč potrebno primerjati kazalnike prevarantskih in neprevarantskih podjetij. Tovrstnih podatkov pa v javno dostopnih bazah nismo zasledili.

5 Literatura in viri

1. Aghghaleh, S., Mohamed, Z., & Rahmat, M. (2016). Detecting financial statement frauds in Malaysia: Comparing the abilities of Beneish and Dechow models. Asian Journal of Accounting and Governance, 57-65.
2. Belhadi, A. e. (7. 6 2021). www.elsevier.com. Pridobljeno iz Manufacturing and service supply chain resilience to the COVID-19: https://reader.elsevier.com/reader/sd/pii/S0040162520312737?token=F1F7839FF54021F5C120E41B8B89747383585899983AC1F7EF3F780D1317995C016179C2F0077243F6D49AE397DFC3AD&originRegion=eu-west-1&originCreation=20210607063539
3. Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analyst Journal, 24-36.
4. Beneish, M. D., Lee, M., & Nichols, C. (2013). Earnings Manipulation and Expected Returns. Financial Analyst Journal, 57-82.
5. Bergant, Ž., & Međedović, M. (2015). Prevare in njihovo preprečevanje, skripta. Ljubljana: Inštitut za poslovodno računovodstvo.
6. Buljubasic, E., & Halilbegovic, S. (2017). Detection of Financial Statement Fraud Using Beneish Model. International Conference on Economic and Social Studies (str. 252-262). Ilidža: International Burch University.
7. Dörr, J. O., Murmann, S., & Licht, G. (1. Januar 2021). Zew - Centre for European Economic Research. Pridobljeno iz The Covid19 Insolvency Gap:First-Round Effects of Policy Responses on SME's: https://ssrn.com/abstract=3805600
8. Franceschetti, B., & Koschtial, C. (2013). Do bankrupt companies manipulate earnings. Journal of Finance and Accountancy, 4-24.
9. Grove, H., & Cook, T. (2004). Lessons for auditors: Quantitative and qualitative red flags. Journal of Forensic Accounting, 131-146.
10. Halilbegović, S., Čelebić, N., Cero, E., Buljubasic, E., & Mekic, A. (11 2020). Application of Beneish M-score model on small and medium enterprises in Federation of Bosnia and Herzegovina. Eastern Journal of European Studies, str. 146-163.
11. Holda, A. (2020). Using the Beneish M-score model: Evidence from nonfinancial. Investment, 389-401.
12. Rajković, S. (2017). Beneishov M-score model u funkciji detekcije računovodstvenih manipulacija. Financing, 38-42. Pridobljeno iz Naučni časopis za ekonomiju: https://doisrpska.nub.rs/index.php/financing/issue/view/352
13. Ramirez-Orellana, A., Martínez-Romero, M., & Mariño-Garrido, T. (2017). Measuring fraud and earnings management by a case of study: Evidence from an international family business. European Journal of Family Business, 41-53.
14. Sabău, A.-I., Mare, C., & Safta, I. L. (2021). A Statistical Model of Fraud Risk in Financial Statements. Case for Romania Companies. Risks, 116-131. Pridobljeno iz A Statistical Model of Fraud Risk in Financial Statements. Case for Romania Companies.
15. Svabova, L. (2021). Detecting the manipulation of earnings in the company: triangulation of methods. SHS Web of Conf., https://doi.org/10.1051/shsconf/20219202061.
16. Svabova, L., Kramarova, K., Chutka, J., & Strakova, L. (2020). Detecting earnings manipulation and fraudulent financial reporting in Slovakia. Oeconomia Copernicana, 485-508.
17. Timofte, C. C., Socoliuc, M., Grosu, V., & Coca, D.-A. (2021). Fiscal And Accounting Fraud Risk Detection Using Beneish Model. A Romanian Case Study. International Journal of Business and Society, 296-312.
18. Warshavsky, M. (6. 11 2021). Gettry Marcus cpa. Pridobljeno iz Earnings quality as a Financial Forensic Tool: https://www.gettrymarcus.com/wp-content/uploads/pdfs/MW-Analyzing-Earnings-Quality-as-a-Financial-Forensics-Tool.pdf

O avtorjih:

¹ Bernard Klančar, magister financ in računovodstva, certificirani preiskovalec prevar, certificirani poslovodni računovodja. Zaposlen v družbi Vitin storitve d.o.o kot svetovalec
² Doc. dr. Mateja Gorenc je diplomirana inženirka matematike, magistrica financ in računovodstva, magistrica poslovnih ved ter doktorica poslovnih ved. Je predavateljica na Visoki šoli za računovodstvo in finance ter je predavateljica na Mednarodni fakulteti za družbene in poslovne študije