{"title":"Ocena skuteczności modelu Beneisha w wykrywaniu manipulacji w sprawozdaniach finansowych","authors":"Anna Golec","doi":"10.18778/0208-6018.341.10","DOIUrl":null,"url":null,"abstract":"Celem artykułu jest ocena, czy model Beneisha może stanowić użyteczne narzędzie do wykrywania manipulacji wynikami finansowymi, które prowadziły do wydania negatywnej opinii biegłego rewidenta lub odmowy jej wydania w polskich spółkach kapitałowych. Badaniem objęto 24 pary przedsiębiorstw z głównego rynku Giełdy Papierów Wartościowych w Warszawie oraz z rynku alternatywnego New Connect. Z przeprowadzonych analiz wynika, że przy punkcie granicznym –2,22 model poprawnie identyfikował 67% manipulatorów i 75% niemanipulatorów. Dokładność modelu wzrastała z 71% do 75% wraz z przesuwaniem punktu odcięcia do –1,98. Kolejną obserwacją był fakt, że duże zmiany w wartościach M‑Score okazały się lepszym kryterium oceny. Klasyfikacja podmiotów na podstawie 35% zmiany wskaźnika rok do roku pozwoliła zwiększyć dokładność grupowania do 85%.","PeriodicalId":32170,"journal":{"name":"Acta Universitatis Lodziensis Folia Oeconomica","volume":" ","pages":""},"PeriodicalIF":0.0000,"publicationDate":"2019-07-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"6","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Acta Universitatis Lodziensis Folia Oeconomica","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.18778/0208-6018.341.10","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 6
Abstract
Celem artykułu jest ocena, czy model Beneisha może stanowić użyteczne narzędzie do wykrywania manipulacji wynikami finansowymi, które prowadziły do wydania negatywnej opinii biegłego rewidenta lub odmowy jej wydania w polskich spółkach kapitałowych. Badaniem objęto 24 pary przedsiębiorstw z głównego rynku Giełdy Papierów Wartościowych w Warszawie oraz z rynku alternatywnego New Connect. Z przeprowadzonych analiz wynika, że przy punkcie granicznym –2,22 model poprawnie identyfikował 67% manipulatorów i 75% niemanipulatorów. Dokładność modelu wzrastała z 71% do 75% wraz z przesuwaniem punktu odcięcia do –1,98. Kolejną obserwacją był fakt, że duże zmiany w wartościach M‑Score okazały się lepszym kryterium oceny. Klasyfikacja podmiotów na podstawie 35% zmiany wskaźnika rok do roku pozwoliła zwiększyć dokładność grupowania do 85%.