Assessing the risks of unfair actions in the road construction sector of the economy

Введение

Недобросовестные действия представляют серьезную угрозу национальной и корпоративной экономической безопасности, вследствие чего требуют эффективных мер выявления и предотвращения. Под недобросовестными действиями в соответствии с Международным стандартом аудита 240 «Обязанности аудитора в отношении недобросовестных действий при проведении аудита финансовой отчетности» (МСА 240) понимаются умышленные действия одного или нескольких лиц из числа руководства, лиц, отвечающих за корпоративное управление, сотрудников или третьих лиц, совершенные при помощи обмана для получения неправомерных или незаконных преимуществ [11, п. 11а]. Важно отметить, что для аудитора значимы любые недобросовестные действия, которые способны привести к существенным искажениям финансовой отчетности. Аудитор не квалифицирует недобросовестные действия с правовой точки зрения [11, п. 3].

Целью аудитора является выявление и оценка рисков существенного искажения вследствие недобросовестных действий (РСИНД), для того чтобы впоследствии спланировать ответные надлежащие аудиторские процедуры достаточного объема [11, п. 10a]. В то же время, в аудиторской практике процедурам оценки рисков зачастую не уделяется должного внимания, вследствие чего неэффективно планируются дальнейшие процедуры проверки по существу, характер и объем которых основывается на оценке рисков. Особенно неблагоприятным для аудитора является случай недооценки риска, который может повлечь невыявление существенных искажений в финансовой отчетности. В процессе оценки рисков важно учитывать мезоэкономические факторы, включая отрасль экономики, в которой функционирует аудируемое лицо. Разработкой мероприятий по выявлению, оценке и управлению рисками в различных отраслях экономики занимались как зарубежные ученые (Дамодаран А., Баффет У., Бейкер С.Х. и др.) [18, 20, 21], так и отечественные исследователи (Казакова Н.А., Когденко В.Г., Засько В.Н. и др.) [5, 7, 9]. В то же время, в научной литературе недостаточно внимание уделено рискам недобросовестных действий в строительстве.

Строительная отрасль традиционно считается наиболее уязвимой к недобросовестным действиям [3, 8, 12]. Данный факт обусловлен спецификой деятельности строительных компаний и подрядчиков. В частности, строительство предполагает использование широкой номенклатуры товарно-материальных ценностей, слабый внутренний контроль, большой оборот наличных денег, выдаваемых под отчет, а также длинный инвестиционно-строительный цикл, в рамках которого тяжело отследить обоснованность затрат на ранних этапах [12, 14, 17]. Указанные факторы создают возможности для различного рода недобросовестных действий. Наиболее распространенными являются хищение активов, подлог материалов на более дешевые, различные формы коррупции (взятничество, откаты, сговоры на торгах), проведение фиктивных хозяйственных операций, манипулирование отчетностью, уклонение от уплаты налогов, легализация (отмывание) преступных доходов [1, 2, 3, 12, 14].

Статистические данные привлечения к уголовной ответственности в сфере строительства в разрезе четырех лет продемонстрированы в таблице 1. Наибольшую долю составляет мошенничество (59%), затем следуют коррупционные и налоговые преступления (27% и 14% соответственно).

Таблица 1. Количество уголовных преступлений в сфере строительства

Преступление	2019 г.	2020 г.	2021 г.	2022 г.
Мошенничество	3 746	3 199	2 765	2 676
Налоговые преступления	739	565	647	632
Коррупционные преступления	1 158	1 100	1 153	1 253

Источник: составлено автором на основе [12].

В структуру строительного комплекса РФ входит большое число отраслевых секторов, каждый из которых имеет специфические особенности. Объектом данного исследования является дорожное строительство как один из наиболее крупных и высокорискованных представителей строительной отрасли. В соответствии с ежегодными докладами о результатах деятельности Федерального дорожного агентства, наблюдается стабильный рост объемов бюджетных ассигнований, выделяемых на строительство и реконструкцию федеральных и муниципальных дорог (рисунок 1) [6].

Рисунок 1. Финансирование деятельности Федерального дорожного агентства

Источник: составлено автором на основе [6].

В то же время, растет количество правонарушений в сфере дорожного строительства. В СМИ неоднократно освещаются случаи коррупции, многомилионных хищений денежных средств, строительной техники и материалов, а также некачественного выполнения строительных и ремонтных работ. В качестве примера можно привести крупный случай вывода через технические компании более 1 млрд внебюджетных инвестиций при строительстве объездной дороги в Хабаровске. Хищения производились в период с января 2019 года по октябрь 2021 года. Основные фигуранты дела привлечены к уголовной ответственности по статье 159 УК РФ «Мошенничество» [4].

Высокий уровень подверженности дорожного строительства к недобросовестным действиям обуславливает необходимость проведения глубокого и всестороннего анализа рисков, служащего основной для дальнейшей разработки соответствующих выявляющих и предупреждающих мер. Данное исследование направлено на проведение количественной оценки рисков недобросовестных действий в дорожно-строительном секторе экономики. Методология включает анализ финансовой отчетности дорожно-строительных компаний за период с 2018 по 2022 год с применением российских и зарубежных моделей, а также сравнительный анализ группы добросовестных и недобросовестных компаний. Комплексный подход, предложенный в работе, позволит оценить актуальное состояние и тенденции распространения недобросовестных действий в дорожно-строительном секторе экономики. Ожидается, что в ходе исследования будут выявлены конкретные аналитические показатели, которые возможно внедрить в практику финансового контроля для экспресс-анализа финансовой отчетности.

Материалы и методы

Большинство недобросовестных действий оставляет след в финансовой отчетности. По данной причине для обоснования повышенных рисков проведен анализ финансовой отчетности 1 342 компаний за 2018-2022 гг. по выборке из электронного сервиса СПАРК-Интерфакс по ОКВЭД 42.11 «Строительство автомобильных дорог и автомагистралей». Выборка показала, что сектор представлен преимущественно малыми предприятиями, находящимися в частной собственности. При этом абсолютное большинство участвует в государственных закупках, поскольку строительство муниципальных и федеральных дорог производится в соответствии с законодательством о контрактной системе (рисунок 2).

Рисунок 2. Характеристики выборки компаний по ОКВЭД 42.11

Источник: составлено автором.

Конкуренция в отрасли достаточно сильная, что подтверждается низким индексом Херфиндаля-Хиршмана (таблица 2). В то же время, эффект масштаба не выражен. Три компании с наиболее высокой рыночной долей совокупно занимают 12% рынка – АО ДСК «Автобан», АО «ВАД» и АО «Ямалтрансстрой». Данные компании функционируют в разных географических сегментах, вследствие чего не являются прямыми конкурентами.

Таблица 2. Индикаторы конкуренции в дорожном строительстве

Показатель	2018 г.	2019 г.	2020 г.	2021 г.	2022 г.	CAGR, %	CV
Индекс Херфиндаля-Хиршмана (HHI)	168,68	113,92	64,74	74,35	100,34	-3,07	26,31
Коэффициент концентрации 3-х крупнейших компаний (CR-3)	13,74	11,46	6,35	9,76	12,13	-12,18	39,24

Источник: составлено автором.

Для интегральной оценки достоверности финансовой отчетности в научной литературе получили распространение регрессионные модели. Параметрами в моделях выступают индикаторы, которые могут быть рассчитаны по финансовой отчетности большинства экономических субъектов, независимо от применяемых стандартов подготовки финансовой отчетности. Модели имеют следующий вид:

где – дихотомическая переменная, оценивающая степень достоверности финансовой отчетности -й компании;

– вектор коэффициентов регрессии;

– вектор фактических значений параметров модели, рассчитанных по финансовой отчетности -й компании;

– регрессионные остатки.

При превышении расчетного значения над пороговым анализируемая финансовая отчетность с большей долей вероятности является недостоверной, и наоборот. Чем дальше удалено расчетное значение от порогового, тем выше оцениваемая вероятность.

В научной литературе предложены различные регрессионные модели, которые различаются особенностями применения и точностью оценки. Классической моделью данного типа является M-score американского ученого Мессода Бениша, предложенная в 1999 году [19]. На ее основе в 2011 году Мария Роксас предложила собственную модель, пересмотрев состав входящих в нее факторов [22]. Обе модели применимы к американским компаниям реального сектора экономики. С учетом специфики отечественных компаний и российских стандартов бухгалтерского учета (РСБУ), в 2016 году исследователи НИУ ВШЭ Н.В. Ферулева и М.А. Штефан адаптировали модели Бениша и Роксас [16]. Независимо от ранних исследований, в 2018 году исследователи Финансового университета И.В. Сафонова и А.Д. Сильченко разработали новую модель для российских компаний, которая получила название NARM1a [13].

Во всех перечисленных моделях используются идентичные индексы, рассчитываемые по финансовой отчетности. Различается лишь их количество и числовые коэффициенты в регрессионных уравнениях. Для каждого индекса оптимальным значением является единица, свидетельствующая об отсутствии динамики в сравнении с предыдущим годом и, как следствие, риска. Регрессионные модели служат основной для группировки компаний по уровню рисков недобросовестных действий в данном исследовании. Для выявления конкретных признаков недобросовестности проведен более глубокий анализ на уровне аналитических показателей финансовой отчетности.

Результаты и обсуждение

В таблице 3 представлены результаты расчетов каждого промежуточного индекса, а также интегральные показатели зарубежных и российских моделей в разрезе четырех лет – с 2019 года по 2022 год.

Таблица 3. Расчеты интегральных показателей в регрессионных моделях

Показатель	2019 г.	2020 г.	2021 г.	2022 г.	Бенчмарк
Индекс дневных продаж в дебиторской задолженности	1,00	1,03	1,02	0,95	1,00
Индекс рентабельности продаж по валовой прибыли	0,90	0,93	0,97	0,89	1,00
Индекс качества активов	1,00	1,00	1,00	1,00	1,00
Индекс роста выручки	1,26	1,12	1,18	1,28	1,00
Индекс амортизации	1,00	1,00	1,00	1,00	1,00
Индекс коммерческих и управленческих расходов	1,00	1,00	1,00	1,00	1,00
Индекс коэффициента финансовой зависимости	1,00	0,99	1,00	1,00	1,00
Начисления к активам	0,72	0,74	0,80	0,78	1,00
Модели, разработанные для американских компаний
М-score Бениша	2,08	1,97	1,92	2,01	< -2,22
М-score Роксас	-2,38	-2,49	-2,47	-2,47	< -2,76
Модели, разработанные для российских компаний
М-score Бениша (по Штефан и Ферулевой)	-1,98	-2,15	-2,15	-2,05	< -1,802
М-score Роксас (по Штефан и Ферулевой)	-2,49	-2,59	-2,58	-2,58	< -2,146
NARM1a (Сафонова и Сильченко)	0,17	0,18	0,18	0,17	< 0,3

Источник: составлено автором.

Совокупно по всем компаниям явствует наращение дебиторской задолженности, выручки и рентабельности. Большинство промежуточных индексов, тем не менее, оказались на уровне бенчмарка, что вызвано медианным расчетов по всей выборке, который усреднил показатели добросовестных и недобросовестных компаний. Оценки по большинству моделей оказались чуть ниже пороговых значений, что свидетельствует об однородности результатов. Расхождения связаны с различным набором коэффициентов, которые включаются в модели.

На основе рассчитанных значений проведена группировка выборки по пяти уровням риска – от низкого до высокого (таблица 4).

Таблица 4. Распределение компаний по уровням риска недобросовестных действий

Модель	Низкий риск, %	Риск ниже среднего, %	Средний риск, %	Риск выше среднего, %	Высокий риск, %
M-score Бениша	4,76	52,83	23,5	8,66	10,25
M-score Роксас	9,69	52,02	20,54	5,79	11,96
NARM1a	1,29	78,73	17,8	1,42	0,77

Источник: составлено автором.

Результаты демонстрируют значительную долю компаний (порядка 40% по каждой модели), которым присущ средний риск недобросовестных действий и выше. Средний риск присваивался в случаях, когда интегральный показатель компании превышал пороговое значение. Чем выше отклонение, тем выше риск.

В связи с ограничениями вышеописанных моделей, позволяющих проводить только обобщенную оценку, для группы недобросовестных компаний проведен более глубокий анализ по аналитическим показателям финансовой отчетности (таблица 5).

Таблица 5. Сопоставление аналитических показателей в отчетности добросовестных и недобросовестных компаний

Показатель	Добросовестные компании	Недобросовестные компании	Отклонения
Наличие в рисковых реестрах, %	5,81	10,61	+4,80
Индекс должной осмотрительности	2	4	+2,00
Индекс финансового риска	12	21	+9,00
Индекс платежной дисциплины	94	81	-13,00
Высокий сводный риск, %	3,27	8,38	+5,11
Доля основных средств в активах, %	31,81	22,24	-9,57
Доля убыточных компаний, %	3,21	9,37	+6,16
Доля компаний с отрицательным собственным капиталом, %	2,84	6,05	+3,21
Доля компаний с отрицательным сальдо по текущей деятельности, %	11,65	26,54	+14,89
Коэффициент вариации выручки, %	21,24	48,63	+27,39
Темп прироста выручки, %	2,12	12,38	+10,26
Коэффициент денежного покрытия выручки, дол. ед.	1,08	0,89	-0,19
Коэффициент дивидендных выплат, %	22,85	46,45	+23,60
Норма инвестирования, %	28,15	5,34	-22,81
Оборачиваемость ДЗ, дни	61,53	73,22	+11,69
Прочие доходы к выручке, %	5,85	9,57	+4,72

Источник: составлено автором.

Данные свидетельствуют о значительных отклонениях в аналитических показателях между добросовестными и недобросовестными компаниями. Сравнительный анализ позволяет сделать следующие выводы:

· Недобросовестные компании чаще включаются в рисковые реестры и имеют более высокий сводный риск, оцениваемый системой СПАРК-Интерфакс;

· Компании с высоким риском обладают меньшей долей основных средств в активах, что является негативным фактором для достаточно фондоемкой строительной отрасли;

· Убыточные компании, компании с отрицательным собственным капиталом и отрицательным сальдо по текущей деятельности преимущественно вошли в группу недобросовестных компаний;

· Среди недобросовестных компаний большинство имеет крайне волатильные финансовые результаты (коэффициент вариации выручки вдвое выше добросовестной группы);

· Несмотря на более высокие темпы прироста, выручка является некачественной и не обеспечивается соответствующими денежными потоками (денежное покрытие менее единицы);

· Более высокий коэффициент дивидендных выплат и более низкая норма инвестирования компаний с повышенными рисками недобросовестных действий указывают на тенденцию к выводу прибыли через дивиденды, нежели чем дальнейшему реинвестированию;

· Низкую эффективность группы недобросовестных компаний подтверждает более высокая оборачиваемость дебиторской задолженности и доля прочих доходов в структуре финансовых результатов.

Таким образом, анализ финансовой отчетности компаний дорожного строительства выявил значительные расхождения в аналитических показателях между добросовестными и недобросовестными компаниями. Полученные данные подтверждают проведенную оценку рисков, в соответствии с которой более 40% представителей дорожно-строительного сектора имеют повышенные риски недобросовестных действий.

Для выявления потенциальных рисков недобросовестных действий в ходе мероприятий финансового контроля важно обращать внимание на такие факторы, как недостаточная фондовооруженность, убыточность, высокая волатильность и низкое качество финансовых результатов, а также тенденции к выводу капитала, нежели чем его капитализации в развитие бизнеса.

Заключение

В результате исследования установлено, что значительная доля компаний дорожного строительства имеет повышенные риски недобросовестных действий. Результаты обуславливают необходимость повышения качества и эффективности мероприятий финансового контроля в данном отраслевом секторе, включая внешние аудиторские проверки. Выявленные индикаторы недобросовестных действий в финансовой отчетности могут служить основой для проведения дальнейших аналитических процедур с применением более глубоких и системных подходов.

Следует, однако, отметить, что для более точной оценки рисков недобросовестных действий важно проводить анализ не только финансовой отчетности, но и других корпоративных данных, включая процедуры внутреннего контроля и управления рисками. Кроме того, в настоящее время получают распространение методы интеллектуального анализа данных для выявления скрытых закономерностей и аномалий, свидетельствующих о потенциальных недобросовестных действиях [10, 15]. Их сочетание с методами финансового анализа, предложенными в данном исследовании, позволят повысить эффективность и точность оценки рисков.