Top

Published in:

2022 | OriginalPaper | Chapter

Empirische Befunde zur Ex-ante-Beurteilung des Risikos von Manipulationen der Wirecard-Rechnungslegungsdaten anhand einschlägiger mathematisch-statistischer Analysemethoden

Authors : Behzad Karami, Carola Rinker

Published in: Skandalfall Wirecard: Eine wissenschaftlich-fundierte interdisziplinäre Analyse

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Für die Akteure am Kapitalmarkt ist eine rechtsnormkonforme und aussagekräftige Rechnungslegung als maßgebliche Entscheidungsgrundlage für Investitions- und Desinvestitionsentscheidungen unerlässlich. Bilanzskandale – nicht erst seit Wirecard – erschüttern jedoch immer wieder das Vertrauen in Rechnungslegungsinformationen und führen infolgedessen zu erheblichen Vermögens- und Reputationsschäden für die betroffenen Unternehmen und den Kapitalmarkt insgesamt. Der durch den Wirecard-Bilanzskandal anrichtete finanzielle Schaden von insgesamt über 20 Mrd. € für Anteilseigner und Fremdkapitalgeber ist beachtlich – ganz zu schweigen von den Kollateralschäden. Daher stellt sich in diesem Kapitel die Forschungsfrage, ob und inwieweit aus einer Ex-ante-Sicht der Einsatz von einschlägigen (forensischen) mathematisch-statistischen Methoden zur Identifikation von Auffälligkeiten bzw. Anomalien geeignet wäre, um Wirecard jedenfalls indikativ der (exzessiven) Bilanzpolitik respektive -manipulation der Konzern-Rechnungslegungsdaten der Geschäftsjahre 2015 bis 2018 zu überführen. Dieser Forschungsansatz ist insofern ein Novum und daher auch von wissenschaftlicher und praktischer Relevanz, als erstmals – soweit ersichtlich – ein deutsches Finanztechnologieunternehmen im Zentrum der Analyse doloser Handlungen steht. Da jedoch die angewandten Methoden bzw. Modellspezifikationen vornehmlich aus einer Zeit herrühren, in der Industrieunternehmen mit einer hohen Intensität des Sachanlagevermögens dominierten, ist zu beurteilen, ob sie überhaupt in der Lage sind, um bei Finanztechnologieunternehmen, deren Marktwert vornehmlich durch immaterielle Vermögenswerte geprägt ist, auffällige Muster im zu analysierenden Datenmaterial zu lokalisieren. Trotz facettenreicher Publikationen zum Wirecard-Bilanzskandal liegen keine Untersuchungen zur hier adressierten Forschungsfrage vor. Insofern bietet Wirecard nach wie vor ein interessantes Feld für die empirische Rechnungslegungsforschung, die keineswegs auf rein deskriptiver Ebene stehenbleibt. Daher ist das Ziel in diesem Kapitel, die (überschaubare) Rechnungslegungsliteratur zur Causa Wirecard um erste empirische Erkenntnisse zu ergänzen. Die Befunde unserer Untersuchungen können (und sollen) einen Anlass für weitergehende Diskussionen und Forschungsarbeiten hinsichtlich der Aktualität und Relevanz der angewandten Methoden bei Finanztechnologieunternehmen geben. Sie können zudem Hinweise liefern, die eine evidenzbasierte Regulierung der Finanztechnologiebrache unterstützen.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Der Fall Wirecard: Ein Drama mit mehr als drei Akten

next chapter Zur Bedeutung und Analyse des Geschäftsmodells aus Investorensicht

Available only for authorised users

Unter Bilanzskandal, -betrug bzw. -manipulation wird hier jede strafrechtlich relevante Maßnahme subsumiert, die auf eine Fälschung der Rechnungslegungsdaten zurückzuführen ist.

Zur Bedeutung von IT-gestützte Datenanalysen siehe Salijeni et al. 2018, S. 21.

Fraud bezeichnet den absichtlichen Verstoß gegen Vorschriften – etwa die inkorrekte Anwendung von Rechnungslegungsvorschriften – zur Täuschung von Berichtsadressaten.

Siehe etwa Ballwieser und Dolber 2003, S. 449 ff.; Friedrich und Quick 2018, S. 863 ff.; Ruhnke 2019, S. 64 ff.

Diese Technik kann mangels absoluter Genauigkeit die Detailprüfung nicht ersetzen, sondern i. S. einer Unterstützungsfunktion nur einen wirkungsvollen Beitrag zur prüferischen Urteilsfindung leisten. So auch Odenthal 2017, S. 546.

Vgl. Lieder und Goldshteyn 2013, S. 586.

Siehe Rapp und Pampel 2021, S. 679 f.

Insofern steht die Aussage von einzelnen Vertretern des Berufsstands, wonach Abschlussprüfer zwar „Wachhunde, aber keine Bluthunde“ seien, im Widerspruch zu den zitierten Prüfungsstandards, so auch Hennrichs 2021, S. 268 ff.

Darunter fallen explorative Analyseverfahren wie z. B. Data Mining, Prognoseanalytik oder Maschinelle Lernverfahren. Anzumerken ist, dass keine Pflicht zum Einsatz dieser datenanalytischen Methoden besteht.

Sofern die erste Erwartungsbildung des Abschlussprüfers sich im Gegensatz zur Sichtweise des Managements bewegt, könnte dies für eine höhere Wahrscheinlichkeit von Bilanzfehlern sprechen. In dieser Konstellation könnte der Einsatz fortgeschrittener (Big-Data-) Analyseverfahren besonders nützlich erscheinen. Siehe hierzu das bei 127 Wirtschaftsprüfern in zwei Big-Four-Prüfungsgesellschaften durchgeführte Experiment von Rose 2017, S. 81 ff.

So hat der Wirecard-Abschlussprüfer EY im Vorfeld der Berichterstattung über Key Audit Matters im Bestätigungsvermerk zum Jahresabschluss 2018 (Geschäftsbericht Wirecard AG 2018, S. 219 f. eigene forensische Experten in einer Sonderuntersuchung wegen Bilanzunregelmäßigkeiten in Singapur einsetzt. Dennoch wurden keine gravierenden Verstöße festgestellt, die zu einer Versagung, zumindest aber zu einer Einschränkung des Testats hätte führen können. Retrospektiv betrachtet verdeutlicht dies, dass auch forensische Methoden keine absolute Sicherheit bieten.

Siehe Mantone 2013.

Insofern können die Ergebnisse der Teststatistik keine 100 %-ige Sicherheit gewährleisten, da es sich bei den geprüften Daten um eine aus der Grundgesamtheit entnommene Stichprobe handelt. Damit birgt die Überprüfung der Nullhypothese stets die Gefahr, falsche Befunde nahezulegen. Einerseits besteht die Gefahr, dass ein nicht manipulierter Datensatz fälschlicherweise als auffällig identifiziert wird (Fehler 1. Art). Andererseits kann es sein, dass ein manipulierter Datensatz nicht als solcher erkannt wird (Fehler 2. Art).

Die Datenmanipulationen haben sich wohl von Jahr zu Jahr ausgeweitet, wobei die weitreichendsten für die Jahre 2015 bis 2018 vermutet werden. Die Staatsanwaltschaft geht davon aus, dass spätestens 2015 die Beschuldigten „unter Beteiligung von weiteren Mittätern“ übereingekommen seien, die „Bilanzsumme und das Umsatzvolumen der Wirecard AG durch das Vortäuschen von Einnahmen“ aus Geschäften mit Drittpartnern (Third Party Acquirer) zu manipulieren; siehe Bender 2021, S. 34.

Ein Auszug der Peer Group ist der Abb. A1 im Anhang zu entnehmen.

Vgl. Beneish 2001, S. 3 ff.

Vgl. Praag 2001, S. 1 f.

Vgl. Dechow und Skinner 2000, S. 238 ff.; Wagenhofer und Ewert 2015, S. 280 ff.

Siehe Mulford und Comiskey 2002, S. 41 f.

Vgl. grundlegend Dechow et al. 1995, S. 193 ff.

Vgl. Dechow et al. 1995, S. 224.

Im originären Jones-Modell, das hier nicht zur Anwendung kommt, werden die Einflüsse des Sachanlagevermögens sowie der veränderten Umsatzerlöse berücksichtigt. Dechow et al. 1995 ergänzen im Rahmen des sog. Modified-Jones-Modells den Einfluss veränderter Forderungsbestände. Im Performance-Adjusted-Jones-Modell wird die Gesamtkapitalrendite einbezogen. Weitere, nicht auf das Jones-Modell zurückgehende Verfahren, wie das Cashflow-Modell nach Dechow und Dichev 2002, basieren auf der Annahme, dem gewöhnlichen Geschäftsbetrieb zuzuordnende Periodenabgrenzungen würden vor allem durch den Cashflow der vorigen, aktuellen und folgenden Perioden determiniert. McNichols 2002 fügt hierbei die aus den Jones-Modellen bekannten Einflussfaktoren des Sachanlagevermögens sowie der Umsatzveränderungen ein.

Zahlreiche weitere Modifikationen finden sich in Dechow et al. 2003.

Allerdings fallen bei den Cross-Sektionalen-Modellen Schätz- und Ereignisperiode zusammen. Streng genommen müssen zur Ermittlung der clusterspezifischen Regressionskoeffizienten mutmaßlich bilanzpolitikfreie Unternehmen betrachtet werden. Allerdings ist eine solche Differenzierung zwischen Schätz- und Ereignisunternehmen realiter nicht möglich, so dass die Regression in der empirischen Forschung regelmäßig für sämtliche vorhandene Unternehmensdaten eines Clusters geschätzt wird. Diesem Ansatz liegt die Annahme zugrunde, dass sich positive (Ertrags-) und negative (Aufwands-) diskretionäre Accruals in der Summe aller Unternehmen (weitgehend) aufheben und im Mittel null betragen.

Bei den Dechow/Dichev-Modellen wird das Untersuchungsjahr 2018 nicht einbezogen, weil für Wirecard kein testierter Abschluss für das Geschäftsjahr 2019 vorliegt, so dass der CFO₂₀₁₉ nicht zur Verfügung steht.

Hier stellt sich die Frage, ob unterschiedliche Rechnungslegungssysteme Einfluss auf bilanzpolitisches Verhalten haben. Der erste Eindruck, wonach Unternehmen unter US-GAAP weniger Bilanzpolitik betreiben als unter IFRS, kann nicht bestätigt werden. Die Frage nach dem Einfluss der Standards bei Finanztechnologieunternehmen ist damit weiteren Forschungsarbeiten vorbehalten.

Vgl. etwa Dechow et al. 1995; Xie 2001; Kothari et al. 2005.

Siehe etwa Kanning 2021, S. 17; Wuermeling 2020, S. 3.

Vor allem in den Vereinigten Staaten von Amerika erfreuen sich Ziffernanalysen nach Benford`s Law einer großen Beliebtheit zur Aufdeckung von Datenfälschungen. So konnte nachgewiesen werden, dass Rechnungslegungsdaten der Benford-Gesetzmäßigkeit folgen; siehe Carslaw 1988, S. 321 ff.; Thomas 1989, S. 773 ff.; Nigrini 2012. Auch in Deutschland kommt diese Methode im Rahmen der empirischen Prüfungs- und Rechnungslegungsforschung zunehmend zum Einsatz. Sie etwa Odenthal 1999, S. 630 ff.; Mochty 2002, S. 725 ff.; Quick und Wolz 2003, S. 224 ff.; Hartlieb 2020, S. 3 ff.

Vgl. Newcomb 1881.

Vgl. Benford 1938.

Keine Benford-Verteilung ist somit bei künstlichen Datensätze gegeben, die etwa aus zugewiesenen Ziffern, wie z. B. Telefonnummern, oder voreingestellten Beträgen, wie sie in Geldautomaten anzutreffen sind, bestehen. Zudem sollte sich der Datensatz über mehrere Größenordnungen erstrecken. Datensätze, die implizite (z. B. Preise) oder explizite (z. B. Kalendertage) Wertgrenzen beinhalten, stehen nicht im Einklang mit der Grundüberlegung von Benford. Das Gleiche gilt für psychologische Barrieren (bspw. Preis von 0,99 €). Vgl. Nigrini 2012, S. 26.

Vgl. Watrin und Ullmann 2009, S. 104 ff.

Dabei ist der Wert d₁ = 0 auszuschließen, da die Anfangsziffer per Definition ein von 0 verschiedene Ziffer ist.

Vgl. Hill 1998, S. 358.

Eine alternative, gängige Testmethode ist der sog. Kolmogoroff-Smirnov-Anpassungstest, der hier jedoch nicht zur Anwendung kommt.

In der empirischen Forschung verwenden viele Autoren das Benford’sche Gesetz insbesondere zum Nachweis einer systematischen Ergebniskosmetik („Cosmetic Earnings Management“). Dies beschreibt kleine, aber bewusste Auf- oder Abrundungen durch Unternehmen, um die eigenen Gewinnzahlen größer oder Verlustzahlen kleiner erscheinen zu lassen. Vgl. Kinnunen und Koskela 2003, S. 40 ff.

Vgl. Benford 1938, S. 557 ff.; Nigrini 2012, S. 23 f.

Vgl. Durtschi et al. 2005.

Die Guthaben auf Treuhandkonten wurden in der Bilanz unter den Zahlungsmitteln und Zahlungsmitteläquivalenten ausgewiesen. Nach Ansicht von KPMG gab es allerdings auch Argumente, die gegen diese Bilanzierung sprachen. Es liegen nach Auffassung der Stellungnahme im Sondergutachten Gründe vor, die für eine bilanzielle Erfassung als sonstige finanzielle Vermögenswerte sprechen; vgl. KPMG 2020, S. 33 f.

Je nach Teststatistik und Länge der Ziffernsequenz werden zwischen etwa 100–1.000 Beobachtungen empfohlen; siehe Durtschi et al. 2005, S. 17 ff.

Der Test mit den ersten beiden Ziffern identifiziert Auffälligkeiten, die weder mit einer Untersuchung der ersten noch mit der zweiten Ziffer entdeckt werden, und hilft somit bei der Reduzierung des Fehlers 1. Art. Siehe etwa Cleary und Thibodeau 2005, S. 80.

Die Chi²-Teststatistik folgt näherungsweise einer Chi²-Verteilung mit v = (k – 1) Freiheitsgraden. Dabei bezeichnet k die Anzahl der möglichen Merkmalsausprägungen. Der kritische Wert zum Testen der Nullhypothese „Der Datensatz folgt der Benford-Verteilung“ bei einem Signifikanzniveau von 5 % beträgt folglich 15,51 für die erste Ziffernstelle (mit 8 Freiheitsgraden) und 16,92 für die zweite Zifferstelle (mit 9 Freiheitsgraden).

Vgl. Thomas 1989, S. 775.

Siehe Beneish 1999, S. 24 ff.

Vgl. Beneish et al. 2013, S. 77.

Siehe Kamal et al. 2016, S. 6 ff.

Vgl. Mantone 2013, S. 57.

Aufgrund zahlreicher fehlender Daten bei der Datenextraktion aus der Datenbank konnte keine Berechnung durchgeführt werden.

Auffällig sind lediglich die Befunde bei Global Payments. Hier könnte eine weitergehende Analyse interessante Ergebnisse liefern.

Ballwieser, W., & Dobler, M. (2003). Bilanzdelikte: Konsequenzen, Ursachen und Massnahmen zu ihrer Vermeidung. Die Unternehmung, 6, 449 ff.

Bender, R. (2021). WIRECARD-SKANDAL. Ex-CEO Markus Braun soll noch 2021 angeklagt werden. Handelsblatt, 110, 34.

Beneish, M. D. (1999): The detection of earnings manipulation. Financial Analysts Journal, 55, 24 ff.

Beneish, M. D. (2001). Earnings management: A perspective. Managerial Finance, 27, 3 ff.

Beneish, M. D., et al. (2013). Earnings manipulation and expected returns. Financial Analysts Journal, 69, 57 ff.

Benford, F. (1938). The law of anomalous numbers. Proceedings of the American Philosophical Society, 78, 551 ff.

Carslaw, C. A. P. N. (1998). Anomalies in income numbers. The Accounting Review, 63, 321 ff.

Cleary, R. J., & Thibodeau, J. C. (2005). Applying digital analysis using Benford’s law to detect fraud: The danger of type I errors. Auditing: A Journal of Practice & Theory, 24, 77 ff.

Dechow, P. M., & Dichev, I. D. (2002). The quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review, 77 (Supplement), 35 ff.

Dechow, P. M., & Skinner, D. J. (2000). Earnings management: Reconciling the views of accounting academics, practitioners, and regulators. Accounting Horizons, 14, 235 ff.

Dechow, P. M., et al. (1995). Detecting earnings management. The Accounting Review, 70, 193 ff.

Dechow, P. M. , et al. (2003). Why are earnings kinky? An examination of the earnings management explanation. Review of Accounting Studies, 8, 355 ff. https://deepblue.lib.umich.edu/bitstream/handle/2027.42/47741/11142_2004_Article_5127187.pdf?sequence=1&isAllowed=y.

Durtschi, C., et al. (2005). The effective use of Benford’s law to assist in detecting fraud in accounting data. Journal of Forensic Accounting, 5, 17 ff.

Friedrich, C., & Quick, R. (2018). Erbringung forensischer Dienstleistungen durch Wirtschaftsprüfungsgesellschaften. Die Wirtschaftsprüfung (WPg), 14, 863 ff.

Hartlieb, S. (2020). Ergebniskosmetik und die Rolle der Abschlussprüferwahl – Eine empirische Untersuchung nicht kapitalmarktorientierter Unternehmen in Deutschland. Betriebswirtschaftliche Forschung und Praxis (BFuP), 3 ff.

Hennrichs, J. (2021). Finanzmarktintegritätsstärkungsgesetz (FISG) – Die „richtigen Antworten auf Wirecard“? Der Betrieb, 6, 268 ff.

Hill, T. P. (1998). The first digit phenomenon: A century-old observation about an unexpected pattern in many numerical tables applies to the stock market, census statistics and accounting data. American Scientist, 86, 358 ff.

Jones, J. J. (1991). Earnings management during import relief investigations. Journal of Accounting Research, 29, 193 ff.

Kamal, M., et al. (2016). Detecting financial statement fraud by Malaysian public listed companies: The reliability of the Beneish M-Score model. Journal Pengurusan, 56, 1 ff.

Kanning, T. (2021). Banken warnen vor Datenlecks im Netz. Frankfurter Allgemeine Zeitung, 107, 19.

Kinnunen, J., & Koskela, M. (2003). Who is miss world in cosmetic earnings management? A cross-nationalcomparison of small upward rounding of net income numbers among eighteencountries. Journal of International Accounting Research, 2, 39 ff.

Kothari, S., et al. (2005). Performance matched discretionary accrual measures. Journal of Accounting and Economics, 39, 163 ff.

KPMG. (2020). Bericht über die unabhängige Sonderuntersuchung vom 27.04.2020. https://docplayer.org/185763556-Bericht-ueber-die-unabhaengige-sonderuntersuchung-wirecard-ag-muenchen-27-april-kpmg-ag-wirtschaftspruefungsgesellschaft.html.

Lieder, H., & Goldshteyn, M. (2013). Effizienzsteigerung der Abschlussprüfung durch Datenanalyse. Die Wirtschaftsprüfung (WPg), 12, 586 ff.

Mantone, P. S. (2013). Using analytics to detect possible fraud: Tools and techniques, Wiley, New York.

McNichols, M. F. (2002). Discussion of the quality of accruals and earnings: The role of accrual estimation errors. The Accounting Review, 77 (Supplement), 61 ff.

Mochty, L. (2002). Die Aufdeckung von Manipulationen im Rechnungswesen. Was leistet das Benford’s Law? Die Wirtschaftsprüfung (WPg), 55, 725 ff.

Mulford, C., & Comiskey, E. E. (2002). The financial numbers game: Detecting creative accounting practices, Wiley, New York.

Newcomb, S. (1881). Note on the frequency of use of the different digits in natural numbers. American Journal of Mathematics, 4, 39 ff.

Nigrini, M. J. (2012). Benford’s law applications for forensic accounting, auditing, and fraud detection, Wiley, New York.

Odenthal, R. (1999). Digitale Ziffernanalyse. Die Wirtschaftsprüfung (WPg), 16, 630 ff.

Odenthal, R. (2017). Big Data und Abschlussprüfung. Datenanalysen im Kontext prüferischer Urteilsbildung. Die Wirtschaftsprüfung (WPg), 10, 546 ff.

Quick, R., & Wolz, M. (2003). Benford’s Law in deutschen Rechnungslegungsdaten. Betriebswirtschaftliche Forschung und Praxis (BFuP), 2, 208 ff.

Rapp, D. J., & Pampel, J. (2021). Zur Akzeptanz künstlicher Intelligenz in der Abschlussprüfung. Ein aktuelles Meinungsbild aus der deutschen Prüfungsbranche. Die Wirtschaftsprüfung (WPg), 11, 68 ff.

Rose, A. J. (2017). When should audit firms introduce analyses of Big Data into the audit process? Journal of Information Systems, 3, 81 ff.

Ruhnke, K. (2019). Auf dem Weg zu Big Data Analytics in der Abschlussprüfung. Die Wirtschaftsprüfung (WPg), 2, 64 ff.

Salijeni, G., et al. (2018). Big Data and changes in audit technology: Contemplating a research agenda. Accounting and Business Research, 1, 95 ff.

Thomas, J. K. (1989). Unusual patterns in reported earnings. The Accounting Review, 64, 773 ff.

van Praag, B. J. (2001). Earnings management: Empirical evidence on value relevance and income smoothing, Tinbergen Institute research series, Amsterdam, Niederlande.

Wagenhofer, A., & Ewert, R. (2015). Externe Unternehmensrechnung (3. Aufl.), Springer Gabler, Wiesbaden.

Watrin, C., & Ullmann, R. (2009). Ziffernanalyse in der steuerlichen Betriebsprüfung. Die Wirtschaftsprüfung (Wpg), 2, 98 ff.

Wirecard-Geschäftsbericht (2018), abrufbar unter: https://www.wirecard.com/wp-content/uploads/2020/11/Jahresfinanzbericht-2018.pdf

Wuermeling, J. (2020). Was bewegt die Bankenaufsicht und -regulierung im Jahr 2020? Börsen-Zeitung, 1, 3.

Xie, H. (2001). The mispricing of abnormal accruals. The Accounting Review, 76, 357 ff.

Title: Empirische Befunde zur Ex-ante-Beurteilung des Risikos von Manipulationen der Wirecard-Rechnungslegungsdaten anhand einschlägiger mathematisch-statistischer Analysemethoden
Authors: Behzad Karami
Carola Rinker
Publisher: Springer Fachmedien Wiesbaden
Book: Skandalfall Wirecard: Eine wissenschaftlich-fundierte interdisziplinäre Analyse
Print ISBN: 978-3-658-35608-8

Electronic ISBN: 978-3-658-35609-5

Copyright Year: 2022
DOI: https://doi.org/10.1007/978-3-658-35609-5_3