Mục tiêu nghiên cứu
Mục tiêu nghiên cứu của đề tài là:
(1) Nhận diện được những biến độc lập có khả năng phát hiện gian lận trên BCTC của các công ty niêm yết trên Sở giao dịch chứng khoán TPHCM
(2) Dự đoán khả năng phát hiện gian lận BCTC của mô hình được xây dựng.
Câu hỏi nghiên cứu
Dựa vào mục tiêu tổng quát nêu trên, đề tài cụ thể hóa thành các câu hỏi nghiên cứu như sau:
(1) Những biến độc lập nào có khả năng phát hiện gian lận trên BCTC của các công ty niêm yết trên Sở giao dịch chứng khoán TPHCM?
(2) Mức độ dự đoán khả năng gian lận trên BCTC của mô hình được tác giả xây dựng là bao nhiêu?
Phương pháp nghiên cứu
Đề tài sử dụng phương pháp nghiên cứu định lượng chủ yếu để đạt được các mục tiêu nghiên cứu thông qua thống kê mô tả mẫu và các biến, kiểm định ý nghĩa của hệ số hồi quy, và đánh giá khả năng dự báo của mô hình Đồng thời, phương pháp định tính cũng được áp dụng để tổng quan các mô hình và lý thuyết nghiên cứu trước đó, giúp nhận diện các biến độc lập có khả năng phát hiện gian lận trên báo cáo tài chính.
Ý nghĩa của nghiên cứu
Về mặt lý luận
Bài viết này tổng hợp và phân tích các nghiên cứu trong và ngoài nước để xây dựng mô hình nghiên cứu, kết hợp tám biến độc lập trong mô hình M-Score của Beneish (1999) cùng với hai biến Z-Score và ISSUE Qua quá trình nghiên cứu, tác giả nhận thấy rằng việc phát hiện gian lận báo cáo tài chính (BCTC) tại Việt Nam chưa được chú trọng đúng mức Do đó, đề tài này không chỉ nhằm mục đích nghiên cứu mà còn đưa ra các khuyến nghị thiết thực cho các nhà nghiên cứu trong tương lai, nhằm cải thiện tình hình gian lận BCTC tại Việt Nam.
Về mặt thực tiễn
Nghiên cứu đã chỉ ra sáu biến độc lập có khả năng phát hiện gian lận thông tin trên báo cáo tài chính (BCTC) với độ tin cậy cao đạt 77,1% Các biến này bao gồm Chỉ số phải thu khách hàng trên doanh thu thuần (DSRI), Chỉ số lợi nhuận gộp biên (GMI), Chỉ số chất lượng tài sản (AQI), Chỉ số đòn bẩy tài chính (LVGI), Hệ số nguy cơ phá sản (Z-Score) và một biến khác.
Phát hành cổ phiếu trong năm (ISSUE) cho thấy biến Z-Score có tác động ngược chiều với khả năng gian lận, trong khi năm biến còn lại đều tác động cùng chiều Kết quả này cung cấp thông tin hữu ích cho kiểm toán viên, nhà đầu tư và các bên liên quan, giúp họ đưa ra quyết định chính xác và kịp thời.
Kết cấu luận văn
Đề tài bao gồm 5 chương:
Chương 1: Tổng quan về các nghiên cứu trước
Chương 2: Cơ sở lý thuyết
Chương 3: Phương pháp nghiên cứu
Chương 4: Kết quả nghiên cứu và bàn luận
Chương 5: Kết luận và kiến nghị
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC
Các nghiên cứu nước ngoài
Có nhiều phương pháp để xác định hành vi gian lận trong báo cáo tài chính, trong đó Burcu và Guray (2005) phân chia thành ba nhóm kỹ thuật chính Nhóm đầu tiên là kỹ thuật dồn tích có điều chỉnh (discretionary accruals), tập trung vào việc đánh giá các khoản mục kế toán dồn tích nhằm phát hiện gian lận Các nghiên cứu tiêu biểu trong nhóm này bao gồm Healy (1985), DeAngelo (1986), Jones (1991), và Friedlan (1994), với nghiên cứu của DeAngelo là đại diện nổi bật.
Vào năm 1986, một nhóm nghiên cứu đã áp dụng mô hình mạng thần kinh nhân tạo để phát hiện gian lận Nổi bật trong nhóm này là nghiên cứu của Green và Choice (1997), cùng với Fanning và Gogger (1998) Nghiên cứu của Green và Choice (1997) đã trình bày mô hình mạng thần kinh nhân tạo sử dụng dữ liệu tài chính nội sinh, góp phần quan trọng trong việc phát hiện các hành vi gian lận.
Vào năm 1998, mô hình mạng thần kinh nhân tạo đã được áp dụng để phát hiện gian lận trong quản trị, với tám biến độc lập được xác định có khả năng phát hiện gian lận cao Nhóm kỹ thuật thứ ba sử dụng các phương pháp thống kê, bao gồm các nghiên cứu của EdWard I Altman (1968), Beneish (1999), Burcu Diken và Guray (2005), cùng với Dechow và các cộng sự (2011) Mô hình M-Score của Beneish (1999) là đại diện tiêu biểu cho nhóm này.
Trong ba nhóm kỹ thuật phát hiện gian lận, nhóm sử dụng kỹ thuật thống kê được đánh giá là dễ thực hiện và có độ tin cậy cao Do đó, tác giả đã chọn kỹ thuật này để xây dựng mô hình nghiên cứu, nhằm xác định các biến độc lập phù hợp với thực tiễn Việt Nam trong việc phát hiện gian lận báo cáo tài chính (BCTC) Các nghiên cứu liên quan đến đề tài sẽ được thực hiện dựa trên kỹ thuật thống kê này.
EdWard I.Altman (1968) đã thực hiện nghiên cứu trên một mẫu bao gồm 66 doanh nghiệp để dự đoán về nguy cơ phá sản của các doanh nghiệp này Và ông đã tìm ra được chỉ số Z-Score Chỉ số này được dùng để dự đoán khả năng phá sản của một công ty trong hai năm sắp tới hoặc để dự đoán khả năng một công ty vỡ nợ Z- Score được tính toán dựa trên các chỉ tiêu có sẵn trên BCTC Hàng loạt các thử nghiệm tiếp theo được thực hiện trong suốt hơn 30 năm Cho tới năm 1999, 80-90% công ty phá sản được dự báo nhờ vào chỉ số Z trước ngày phá sản một năm và các gian lận trên BCTC cũng được phát hiện theo cách này Từ 1985, chỉ số Z đã được chấp nhận rộng rãi bởi kiểm toán viên, kế toán quản trị, tòa án, và hệ thống dữ liệu đánh giá cho vay Ban đầu, công thức tính của Altman chỉ được thiết lập cho các công ty sản xuất với tài sản hơn một triệu đô la Mỹ nhưng sau đó, tác giả đã có những điều chỉnh để áp dụng phù hợp với các công ty phi sản xuất Và năm 2006, Altman và Hotchkiss đã nghiên cứu thay đổi chỉ số Z-Score để tính được nguy cơ phá sản của hầu hết các ngành, các loại hình doanh nghiệp với độ chính xác cao hơn và gian lận BCTC cũng được phát hiện theo cách này tốt hơn Ưu điểm của nghiên cứu này là được kiểm nghiệm trong thực tiễn rất nhiều năm với độ tin cậy cao; được nhiều nhà nghiên cứu vận dụng để phát hiện gian lận như Charalambos T Spathis ,
Mô hình M-Score của Messod D Beneish (1999) đã được chấp nhận rộng rãi bởi các kiểm toán viên và kế toán quản trị, giúp phát hiện gian lận trên báo cáo tài chính (BCTC) Nghiên cứu của ông sử dụng mô hình probit để xác định khả năng điều chỉnh lợi nhuận của 74 công ty từ dữ liệu trên Compustat giai đoạn 1982-1992 Điểm mạnh của mô hình là kết hợp cả biến chỉ số tài chính và biến dồn tích, nâng cao khả năng phát hiện sai sót lên 76% Kể từ khi công bố, mô hình này đã trở nên nổi tiếng, đặc biệt là trong việc xác định vụ gian lận của tập đoàn Enron năm 2001, và đã được đưa vào chương trình giảng dạy chính thức.
Mô hình M-Score của Beneish đã thu hút sự chú ý của nhiều nhà nghiên cứu, như Burcu Diken và Guray (2005), Dechow và các cộng sự (2011), Tarjo và Nural (2015), những người đã áp dụng nó trong các nghiên cứu của họ.
M-Score của Beneish bao gồm tám biến độc lập: Chỉ số Phải thu khách hàng trên Doanh thu thuần (DSRI), Chỉ số Tỷ suất lợi nhuận gộp biên (GMI), Chỉ số chất lượng tài sản (AQI), Chỉ số tăng trưởng doanh thu (SGI), Chỉ số khấu hao TSCĐ (DEPI), Chỉ số chi phí bán hàng và quản lý doanh nghiệp (SGAI), Chỉ số biến dồn tích kế toán so với tổng tài sản (TATA) và cuối cùng là chỉ số đòn bẩy tài chính (LVGI)
Ta thấy rằng, cùng sử dụng một kỹ thuật để phát hiện gian lận BCTC đó là kỹ thuật thống kê nhưng nghiên cứu của Beneish (1999) và EdWard I.Altman
Năm 1968, EdWard I Altman đã phát triển một phương pháp sử dụng các chỉ số tài chính để đánh giá khả năng phá sản của công ty, từ đó đưa ra nhận định về khả năng gian lận báo cáo tài chính (BCTC) Trong khi đó, Beneish đã kết hợp cả biến chỉ số tài chính và biến dồn tích để xây dựng mô hình nhận diện gian lận trực tiếp Mặc dù hai phương pháp này khác nhau, nhưng cả hai đều có độ tin cậy cao, thu hút sự quan tâm và ứng dụng từ nhiều nhà nghiên cứu sau này.
Nghiên cứu của Charalambos T Spathis (2002) đã phân tích tính hiệu quả của các chỉ số tài chính và hệ số nguy cơ phá sản (Z-Score) trong việc phát hiện gian lận trên báo cáo tài chính (BCTC) Sử dụng các công cụ thống kê đơn biến và đa biến cùng với hồi quy Logistic, tác giả đã xác định một số chỉ số tài chính quan trọng như tỷ số hàng tồn kho trên doanh thu, lợi nhuận ròng trên tổng tài sản, tỷ số vốn lưu động trên tổng tài sản, tỷ lệ tổng nợ trên tổng tài sản và hệ số Z-Score Kết quả nghiên cứu cho thấy Z-Score có giá trị trong việc phát hiện gian lận, tương đồng với nghiên cứu của EdWard I Altman (1968), nhưng khác biệt ở chỗ kết hợp thêm nhiều chỉ số tài chính khác để cải thiện khả năng phát hiện gian lận.
Lalith P Samarakoon và Tanweer Hasan (2003) đã nghiên cứu khả năng khó khăn tài chính của các công ty niêm yết tại Sri Lanka bằng cách áp dụng ba mô hình Z-Score của Altman Nghiên cứu dựa trên dữ liệu của 13 công ty gặp khủng hoảng tài chính và 13 công ty không gặp khủng hoảng trong cùng ngành, cho thấy chỉ số Z-Score dự đoán chính xác 81% các công ty có khó khăn tài chính Kết quả này cung cấp thêm bằng chứng thực nghiệm về khả năng dự đoán tình hình sức khỏe tài chính của các công ty tại thị trường mới nổi, tương đồng với nghiên cứu của EdWard I Altman (1968), nhưng khác biệt ở chỗ nghiên cứu này được thực hiện tại Sri Lanka.
Nghiên cứu của Burcu Diken và Guray (2005) đã phát triển một mô hình phát hiện gian lận báo cáo tài chính (BCTC) cho các công ty tại Thổ Nhĩ Kỳ, dựa trên mô hình M-Score của Beneish Họ đã tiến hành thu thập dữ liệu để áp dụng mô hình này một cách hiệu quả.
Nghiên cứu này sử dụng dữ liệu từ 126 công ty niêm yết trên sàn giao dịch chứng khoán và mở rộng mô hình M-Score của Beneish bằng cách bổ sung hai biến độc lập là DINV (Chỉ số hàng tồn kho) và FEI (Chỉ số chi phí tài chính) Tác giả áp dụng ba bước phân tích phân lớp để xác định hệ số của các biến trong mô hình, cho thấy rằng mô hình của Burcu Diken và Guray đã dự đoán chính xác 67% trường hợp sai phạm trong báo cáo tài chính, tương đồng với nghiên cứu của Beneish (1999) Tuy nhiên, nghiên cứu này cải thiện độ chính xác trong việc đánh giá gian lận báo cáo tài chính, mặc dù độ tin cậy vẫn thấp hơn mô hình M-Score gốc của Beneish, đạt 76%.
Dechow và các cộng sự (2011) đã nghiên cứu gian lận trên 2,190 báo cáo tài chính (BCTC) từ 1982-2005, phát triển ba mô hình F-Score để phát hiện gian lận ở ba mức độ khác nhau, dựa trên mô hình M-Score của Beneish Mô hình đầu tiên xem xét mối quan hệ giữa hành vi gian lận và các yếu tố trong BCTC như biến dồn tích, thay đổi hàng tồn kho, và phát hành cổ phiếu Mô hình thứ hai bổ sung các biến phi tài chính như số lượng nhân viên và hoạt động ngoại bảng Mô hình thứ ba tiếp tục thêm các biến thị trường như chỉ số giá cổ phiếu Kết quả cho thấy F-Score dự đoán đúng 65,9% cho mô hình đầu tiên, 65,78% cho mô hình thứ hai và 63,36% cho mô hình thứ ba Mặc dù F-Score đánh giá gian lận một cách toàn diện hơn, xác suất dự đoán của nó vẫn thấp hơn so với mô hình M-Score của Beneish (1999).
Muntari Mahama (2015) đã tiến hành nghiên cứu thực nghiệm về vụ gian lận của công ty Enron, sử dụng mô hình M-Score kết hợp với Z-Score để phát hiện khả năng gian lận báo cáo tài chính và khủng hoảng tài chính của công ty Nghiên cứu chỉ ra rằng Enron đã rơi vào khủng hoảng tài chính từ năm 1997, nhưng sự thật này chỉ được phát hiện sau một thời gian dài.
Các nghiên cứu trong nước
Tại Việt Nam, việc áp dụng các nghiên cứu thực nghiệm toàn cầu để phát hiện gian lận trong báo cáo tài chính (BCTC) vẫn còn hạn chế Các nghiên cứu liên quan đến chủ đề này của tác giả cũng chỉ đếm trên đầu ngón tay.
Tác giả Lê Cao Hoàng Anh và Nguyễn Thu Hằng (2012) đã tiến hành kiểm định lại chỉ số Z-Score của Altman để đánh giá khả năng dự báo thất bại của các doanh nghiệp tại Việt Nam Nghiên cứu này nhằm xác định tính hiệu quả của chỉ số trong bối cảnh kinh tế địa phương.
Chỉ số Z-Score đã chứng minh tính phù hợp với thị trường mới nổi, đặc biệt trong bối cảnh tiếp cận vốn hạn chế, quy mô nhỏ và rủi ro thanh khoản cao Nghiên cứu trên 293 công ty niêm yết tại HOSE cho thấy Z-Score dự đoán chính xác 91% trường hợp kiệt quệ tài chính một năm trước đó, tỷ lệ này giảm xuống 72% trong hai năm Điều này khẳng định Z-Score là một chỉ số đáng tin cậy cho thị trường.
Nghiên cứu này cho thấy kết quả tương đồng với các nghiên cứu trước đây của EdWard I Altman (1968), Charalambos T Spathis (2002), và Lalith P Samarakoon & Tanweer Hasan (2003), nhưng điểm khác biệt là nó được thực hiện tại thị trường Việt Nam.
Nghiên cứu thực nghiệm của tác giả Võ Văn Nhị và Hoàng Cẩm Trang (2013) đã chỉ ra mối quan hệ giữa hành vi điều chỉnh lợi nhuận và nguy cơ phá sản, dựa trên dữ liệu của 85 công ty niêm yết trên sàn HOSE Sử dụng mô hình Leuz và chỉ số Z-Score của Altman, nghiên cứu cho thấy mức độ điều chỉnh lợi nhuận tương đồng với nguy cơ phá sản, điều này phù hợp với các phát hiện trước đó của EdWard I Altman (1968) và Charalambos T Spathis.
Nghiên cứu của Hoàng Khánh và Trần Thị Thu Hiền (2015) mang tên “Phát hiện sai phạm BCTC của các doanh nghiệp niêm yết” đã áp dụng mô hình nghiên cứu của DeAngelo (1986), Friedlan (1994) và Benneish (1999) để xây dựng hai mô hình định lượng Mục tiêu của nghiên cứu là phát hiện sai phạm trên báo cáo tài chính của các công ty xây dựng niêm yết trên sàn.
Mô hình đầu tiên sử dụng biến phụ thuộc M và tám biến độc lập theo mô hình Beneish (1999), trong khi mô hình thứ hai bổ sung hai biến độc lập là DA (biến kế toán dồn tích có thể điều chỉnh) và SIZE Kết quả hồi quy Probit cho thấy mô hình đầu tiên chỉ có ba biến độc lập có ý nghĩa thống kê là SGI, AQI, DEPI, trong khi mô hình thứ hai có bốn biến có ý nghĩa gồm SGI, AQI, DEPI và DA Khả năng phát hiện gian lận của mô hình đầu tiên là 63,41%, còn mô hình thứ hai là 68,29% Nghiên cứu này cho thấy sự khác biệt so với nghiên cứu của Beneish.
Mô hình M-Score gốc năm 1999 chỉ sử dụng ba chỉ số tài chính để phát hiện gian lận, trong đó chỉ số DEPI được xác định là hữu ích, phù hợp với nghiên cứu của Tarjo và Nural (2015) về khả năng phát hiện gian lận.
Nghiên cứu của Võ Minh Dương (2016) áp dụng mô hình M-Score để đánh giá khả năng bóp méo báo cáo tài chính (BCTC) của các công ty niêm yết trên sàn HOSE và HNX Tác giả đã sử dụng thống kê mô tả để phân tích suất sinh lời cổ phiếu trong các khoảng thời gian 30, 90, 180 và 360 ngày sau khi công bố BCTC Kết quả cho thấy 30% công ty có dấu hiệu bóp méo BCTC Đặc biệt, nghiên cứu chỉ ra rằng các công ty không bóp méo BCTC có tỷ suất sinh lợi trung bình đạt +5,89%, trong khi các công ty có bóp méo chỉ đạt 3,91% Đây là một nghiên cứu mới mẻ về mối quan hệ giữa bóp méo BCTC và suất sinh lời cổ phiếu tại Việt Nam.
Nghiên cứu của Trần Việt Hải (2017) về việc nhận diện gian lận trên báo cáo tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam đã sử dụng mô hình Beneish (1999) để phân loại các công ty có gian lận và không có gian lận Tác giả đã áp dụng thống kê mô tả để phân tích các đặc tính cơ bản của dữ liệu, đồng thời tổng hợp các nghiên cứu trước đó liên quan đến việc sử dụng chỉ số tài chính để phát hiện gian lận Kết quả nghiên cứu đã xác định được mười biến độc lập cho mô hình, trong đó bao gồm hệ số Z-Score, một chỉ số quan trọng trong việc đánh giá nguy cơ phá sản.
Tác giả đã áp dụng kỹ thuật hồi quy Logistic để kiểm định mô hình, cho kết quả phân loại các công ty có gian lận với tỷ lệ chính xác đạt 68,7% Nghiên cứu về chỉ số Z-Score này tương đồng với các nghiên cứu trước đó của EdWard I Altman (1968), Charalambos T Spathis (2002) và Muntari Mahama (2015) Điểm nổi bật của nghiên cứu là việc kết hợp nhiều chỉ số tài chính khác nhau để phát hiện gian lận, đồng thời được thực hiện trong bối cảnh thị trường Việt Nam.
Ca Thị Ngọc Tố (2017) đã nghiên cứu ứng dụng mô hình M-Score trong việc phát hiện sai sót thông tin trên báo cáo tài chính (BCTC) của các doanh nghiệp niêm yết Tác giả dựa vào mô hình M-Score gốc của Beneish (1999) và sử dụng kỹ thuật hồi quy Logistic để xây dựng mô hình định lượng cho các doanh nghiệp trên sàn HOSE và HNX Kết quả nghiên cứu cho thấy ba biến độc lập đã bị loại trừ do không có ý nghĩa thống kê, trong khi năm biến còn lại gồm LVGI, SGI, GMI, SGAI, DEPI có ý nghĩa Mô hình mới này không chỉ khác biệt mà còn có khả năng dự báo cao hơn, đạt 80,83%.
Tóm tắt về các nghiên cứu trong nước có liên quan đến đề tài xem trong bảng 1.2 bên dưới
Bảng 1.2 Tóm tắt các nghiên cứu trong nước liên quan đến đề tài nghiên cứu
Số thứ tự Tác giả Năm Nội dung nghiên cứu Kết quả
Lê Cao Hoàng Anh và Nguyễn Thu Hằng
Kiểm định lại chỉ số Z- Score của Altman trong việc dự báo thất bại của các doanh nghiệp VN
Chỉ số Z-Score có khả năng dự đoán chính xác 91% tình trạng kiệt quệ tài chính của công ty trong vòng một năm trước khi xảy ra sự cố, nhưng tỷ lệ này giảm xuống còn 72% trong khoảng thời gian hai năm.
Võ Văn Nhị và Hoàng Cẩm Trang
Nghiên cứu thực nghiệm này nhằm phân tích mối quan hệ giữa hành vi điều chỉnh lợi nhuận và nguy cơ phá sản, dựa trên dữ liệu của 85 công ty niêm yết trên sàn HOSE Mô hình Leuz và chỉ số Z-Score được áp dụng để đánh giá sự tác động của việc điều chỉnh lợi nhuận đến khả năng phá sản của các doanh nghiệp.
Mức độ điều chỉnh lợi nhuận tương đồng với nguy cơ phá sản
Hoàng Khánh và Trần Thị Thu Hiền
Dựa vào mô hình nghiên cứu của DeAngelo
Vào các năm 1986, 1994 và 1999, các nghiên cứu của Friedlan và Beneish đã phát triển hai mô hình định lượng nhằm phát hiện sai phạm trên báo cáo tài chính (BCTC) của các công ty xây dựng niêm yết.
Mô hình thứ nhất chỉ có ba biến có ý nghĩa thống kê là SGI, AQI, DEPI; mô hình thứ hai có bốn biến có ý nghĩa là SGI, AQI, DEPI,
DA Và khả năng phát hiện gian lận của từng mô hình lần lượt là 63,41% và 68,29%
Khe hổng nghiên cứu
Sau khi thực hiện tổng hợp các nghiên cứu trong và ngoài nước, tác giả nhận thấy có một số khe hổng nghiên cứu như sau:
Mô hình M-Score của Beneish, F-Score của Dechow và các cộng sự, cùng với chỉ số Z-Score đã được nhiều nhà nghiên cứu quốc tế như Charalambos T Spathis (2002), Lalith P Samarakoon & Tanweer Hasan (2003), Burcu Diken và Guray (2011), Muntari Mahama (2015), Tarjo và Nural (2015) kiểm định và đánh giá cao Tuy nhiên, các mô hình này vẫn chưa được nghiên cứu nhiều tại Việt Nam.
Chưa có nghiên cứu nào kết hợp mô hình M-Score với chỉ số Z-Score và các biến liên quan đến việc phát hành cổ phiếu trong năm để phát hiện khả năng gian lận báo cáo tài chính tại thị trường chứng khoán Việt Nam.
Tại Việt Nam, nhiều nghiên cứu đã phát triển các mô hình và phương pháp kiểm định để phát hiện gian lận trong báo cáo tài chính (BCTC) Tuy nhiên, hầu hết các mô hình và phương pháp này đều phức tạp và khó khăn trong việc thu thập dữ liệu, như nghiên cứu của Lê Cao Hoàng Anh và Nguyễn Thu Hằng đã chỉ ra.
Nhiều nghiên cứu từ các tác giả như Võ Văn Nhị (2012), Hoàng Cẩm Trang (2013), Hoàng Khánh và Trần Thị Thu Hiền (2015), Võ Minh Dương (2016) đã chỉ ra rằng việc thiếu minh bạch trong báo cáo tài chính (BCTC) sẽ tạo ra khó khăn cho các nhà đầu tư và các bên liên quan trong việc phân tích và đưa ra quyết định chính xác.
Tác giả quyết định áp dụng mô hình M-Score kết hợp với chỉ số Z-Score và biến Issue để phát hiện khả năng gian lận báo cáo tài chính của các công ty niêm yết trên Sở giao dịch chứng khoán TPHCM, nhằm lấp đầy các khoảng trống nghiên cứu hiện tại.
Trong chương 1, tác giả tổng hợp các nghiên cứu trong và ngoài nước liên quan đến đề tài của mình, từ đó xác định các khe hổng nghiên cứu cần được khai thác Việc này giúp tác giả xây dựng cơ sở vững chắc cho việc tiếp tục nghiên cứu Tác giả chọn lọc các công trình tiêu biểu đã được công bố rộng rãi và có độ tin cậy cao để trình bày, đảm bảo tính chính xác và độ tin cậy của thông tin.
Nghiên cứu toàn cầu đã chỉ ra rằng có nhiều phương pháp giúp nhà đầu tư và kiểm toán viên dễ dàng nhận diện gian lận trên báo cáo tài chính (BCTC) Các mô hình tiêu biểu như M-Score của Messod D Beneish, F-Score của Dechow và các cộng sự, cùng với chỉ số Z-Score của Edward I Altman, đã được phát triển nhằm hỗ trợ các đối tượng liên quan trong việc phát hiện gian lận hiệu quả hơn.
Trong chương 2, tác giả sẽ củng cố cơ sở khoa học cho nghiên cứu bằng cách trình bày các lý thuyết liên quan đến đề tài.
CƠ SỞ LÝ THUYẾT
Cơ sở lý thuyết về gian lận
2.1.1 Khái niệm về gian lận
Theo Chuẩn mực kiểm toán VN số 240 (VSA 240), sai sót trong BCTC có thể phát sinh từ gian lận hoặc nhầm lẫn
Nhầm lẫn là hành vi gây ra sai sót do không cố ý, không vì mục đích thu lợi bất chính
Gian lận là hành vi cố ý làm sai lệch thông tin kinh tế và tài chính nhằm thu lợi bất chính, thường do một hoặc nhiều thành viên trong Hội đồng quản trị, Ban giám đốc, nhân viên hoặc bên thứ ba thực hiện Các biểu hiện của hành vi gian lận có thể bao gồm việc cung cấp thông tin sai lệch, thao túng số liệu tài chính và lạm dụng quyền lực trong quản lý.
- Sửa đổi, giả mạo chứng từ, tài liệu làm sai lệch BCTC
- Cố ý áp dụng sai các nguyên tắc kế toán, các chuẩn mực, chế độ kế toán hoặc cố ý tính toán sai lệch làm ảnh hưởng đến BCTC
- Cố ý ghi chép sai nội dung các nghiệp vụ kinh tế phát sinh
Theo chuẩn mực kiểm toán quốc tế số 240 (ISA 240), hành vi gian lận được phân loại thành hai loại chính: gian lận báo cáo tài chính (BCTC) và gian lận biển thủ tài sản.
Theo IAS 240, gian lận báo cáo tài chính là các sai phạm trọng yếu được thực hiện một cách cố ý nhằm đánh lừa người sử dụng thông tin, với mục đích tạo ra lợi ích cho tổ chức Các sai phạm này thường bao gồm những hành vi gian lận có hệ thống và không minh bạch.
- Làm sai lệch hoặc cố ý gây ra các sai sót đối với các giao dịch, sự kiện hoặc các thông tin quan trọng trên BCTC
- Giả mạo hoặc sửa đổi chứng từ, thay đổi sổ kế toán, các tài liệu liên quan được sử dụng để lập BCTC
Việc cố ý áp dụng sai các nguyên tắc kế toán trong ghi nhận, phân loại, trình bày nội dung và công bố các chỉ tiêu trên báo cáo tài chính (BCTC) có thể dẫn đến những hệ lụy nghiêm trọng cho tính minh bạch và độ tin cậy của thông tin tài chính.
Hiệp hội các nhà điều tra gian lận Hoa Kỳ (ACFE) phân loại gian lận thành ba loại chính: gian lận liên quan đến tài sản, tham ô và gian lận báo cáo tài chính (BCTC) Theo ACFE, gian lận BCTC được định nghĩa là hành vi gian lận liên quan đến việc báo cáo tài chính không chính xác hoặc gây hiểu lầm.
Gian lận báo cáo tài chính (BCTC) là hành vi cố ý làm sai lệch và bóp méo thông tin trên BCTC với mục đích đánh lừa người sử dụng, chẳng hạn như giảm thiểu chi phí hoặc khai man doanh thu.
Gian lận tài sản thường xảy ra do nhân viên hoặc quản lý, bao gồm hành vi như đánh cắp hàng tồn kho và biển thủ tiền Tham ô, một hình thức gian lận nghiêm trọng hơn, chủ yếu do các nhà quản lý hoặc chủ sở hữu công ty thực hiện.
Họ lạm dụng quyền hạn và chức vụ của mình để vi phạm các quy định và cam kết nghĩa vụ đối với công ty, nhằm thu lợi bất chính cho bản thân hoặc cho bên thứ ba.
2.1.3 Nguyên nhân gian lận BCTC
Theo mô hình tam giác gian lận của Donal R Cressy, gian lận xảy ra khi ba yếu tố chính hội tụ: Áp lực hoặc Động cơ, Cơ hội và Thái độ hoặc Cá tính Mô hình này, được phát triển bởi nhà nghiên cứu tội phạm vào những năm 1940, nhấn mạnh rằng sự kết hợp của những yếu tố này tạo điều kiện thuận lợi cho hành vi gian lận.
Áp lực và động cơ là yếu tố quan trọng ảnh hưởng đến hành vi của nhân viên và quản lý Khi phải đối mặt với áp lực, đặc biệt là khó khăn tài chính, họ có thể bị thúc đẩy đến hành vi gian lận.
Khi đối mặt với áp lực, con người có khả năng sẽ thực hiện hành vi gian lận nếu có cơ hội Hai yếu tố chính tạo ra cơ hội cho hành vi này là việc nắm bắt thông tin và sở hữu kỹ năng thực hiện các hành vi gian lận.
Theo Cressy, thái độ và cá tính của mỗi người đóng vai trò quan trọng trong việc quyết định liệu họ có gian lận khi đối mặt với áp lực và cơ hội Không phải ai cũng sẽ chọn con đường gian lận, mà điều này phụ thuộc vào đặc điểm tâm lý của từng cá nhân.
Mô hình tam giác gian lận của Donal R Cressy đã được áp dụng rộng rãi trong nhiều nghiên cứu để đánh giá rủi ro gian lận trong các lĩnh vực khác nhau Tiêu chuẩn VSA 240 cũng đã sử dụng mô hình này nhằm hỗ trợ kiểm toán viên (KTV) trong việc đánh giá rủi ro gian lận một cách hệ thống trong quá trình kiểm toán.
Theo VSA 240, có ba yếu tố chính dẫn đến việc lập báo cáo tài chính gian lận: Động cơ hoặc áp lực, Cơ hội và Thái độ/Sự biện minh cho hành động.
- Động cơ hoặc áp lực để thực hiện hành vi lập BCTC gian lận:
+ Có thể do sự bất ổn kinh tế ảnh hưởng đến tình hình kinh doanh của đơn vị
Ban giám đốc hoặc nhà quản lý công ty thường phải đối mặt với áp lực từ cả bên trong lẫn bên ngoài, đặc biệt là áp lực đạt được mục tiêu lợi nhuận đã đề ra Trong trường hợp không hoàn thành mục tiêu này, họ sẽ phải gánh chịu những hậu quả nghiêm trọng.
Mô hình M-Score Beneish
Mô hình M-Score của Messod D Beneish (1999) là một công cụ thống kê hiệu quả để phát hiện các công ty có hành vi điều chỉnh lợi nhuận Nghiên cứu của Beneish dựa trên dữ liệu từ 74 công ty bị cáo buộc hoặc tự thừa nhận đã điều chỉnh lợi nhuận do áp lực từ thị trường Ông đã áp dụng mô hình probit để ước lượng khả năng cực đại nhằm xác định xác suất một công ty có thể thực hiện điều chỉnh lợi nhuận hay không.
Beneish cho rằng việc điều chỉnh lợi nhuận thường liên quan đến việc tăng doanh thu hoặc giảm chi phí một cách có chủ ý Ông cũng nhận định rằng xác suất các công ty thực hiện điều chỉnh lợi nhuận sẽ gia tăng khi có sự tăng bất thường trong các khoản phải thu khách hàng, tăng trưởng doanh thu quá nhanh, chất lượng tài sản giảm, tăng dồn tích và lợi nhuận gộp bị suy giảm Mô hình M-Score của Beneish giúp xác định những yếu tố này.
Mô hình M-Score, được phát triển vào năm 1999, kết hợp cả biến chỉ số tài chính và biến dồn tích, giúp nâng cao khả năng phát hiện sai sót trên báo cáo tài chính (BCTC) so với các mô hình chỉ sử dụng một trong hai loại biến này Mô hình này đã trở nên nổi tiếng, đặc biệt trong vụ bê bối của tập đoàn Enron năm 2001, khi sinh viên Đại học Cornell áp dụng M-Score để phát hiện gian lận của Enron trước một năm so với thời điểm công ty phá sản, trong khi các kiểm toán viên lại không phát hiện ra Ngoài ra, M-Score cũng đã được đưa vào chương trình giảng dạy chính thức tại nhiều cơ sở giáo dục (Fridson, 2002; Stickney, Brown, và Wahlen, 2003).
M-Score đã thu hút sự chú ý từ nhiều nghiên cứu tiếp theo, trong đó có nghiên cứu của Burcu Diken và Guray, cho thấy tầm quan trọng của chỉ số này trong việc phân tích và đánh giá.
(2010) và Marinakis (2011), mô hình F-Score của Dechow và các cộng sự (2011), Muntari Mahama (2015),
Mô hình M-Score của Beneish:
M-Score = -4.840 + 0,920DSRI + 0,528GMI + 0,0404AQI + 0,892SGI + 0,115DEPI-0,172SGAI + 4,679 TATA- 0,327LVGI
Nếu điểm M-Score > -1,78, nó cho thấy công ty có khả năng gian lận BCTC và ngược lại
M-Score: là khả năng xảy ra gian lận trên BCTC Đây là biến phụ thuộc nhận giá trị 0,1
0: Không có khả năng gian lận trên BCTC; 1: Có khả năng gian lận trên BCTC
Mô hình M-Score bao gồm tám biến độc lập quan trọng: Chỉ số Phải thu khách hàng trên Doanh thu thuần (DSRI), Chỉ số Tỷ suất lợi nhuận gộp biên (GMI), Chỉ số chất lượng tài sản (AQI), Chỉ số tăng trưởng doanh thu (SGI), Chỉ số khấu hao TSCĐ (DEPI), Chỉ số chi phí bán hàng và quản lý doanh nghiệp (SGAI), Chỉ số biến dồn tích kế toán so với tổng tài sản (TATA), và Chỉ số đòn bẩy tài chính (LVGI).
Và tám biến này được tác giả chia thành hai nhóm:
Nhóm biến giúp nhận diện gian lận bao gồm các chỉ số quan trọng như DSRI (Chỉ số Phải thu khách hàng trên Doanh thu thuần), AQI (Chỉ số chất lượng tài sản), DEPI (Chỉ số khấu hao TSCĐ) và TATA (Chỉ số biến dồn tích kế toán so với tổng tài sản) Những chỉ số này đóng vai trò quan trọng trong việc phát hiện và phân tích các dấu hiệu gian lận trong báo cáo tài chính.
Nhóm chỉ số nhận diện động cơ gian lận bao gồm GMI (Chỉ số Tỷ suất lợi nhuận gộp biên), SGI (Chỉ số tăng trưởng doanh thu), SGAI (Chỉ số chi phí bán hàng và quản lý doanh nghiệp) và LVGI (Chỉ số đòn bẩy tài chính) Những chỉ số này giúp phân tích và phát hiện dấu hiệu gian lận trong hoạt động tài chính của doanh nghiệp.
Chỉ số Z-Score
Z-Score là hệ số nguy cơ phá sản Hệ số này được dùng để dự đoán khả năng phá sản của một công ty trong hai năm sắp tới hoặc để dự đoán khả năng một công ty vỡ nợ Chỉ số Z này được EdWard I.Altman đưa ra năm 1968 dựa trên nghiên cứu của William Beaver và các cộng sự Altman đã sử dụng kỹ thuật phân tích biệt số trên dữ liệu của 66 doanh nghiệp tại Mỹ 66 doanh nghiệp này được tác giả chia đều thành hai nhóm Nhóm một là các công ty bị phá sản từ năm 1946 đến năm
1965, nhóm hai là các công ty không bị phá sản và hoạt động bình thường đến năm
Từ 22 chỉ số tài chính được tính toán dựa trên BCĐKT và BC KQHĐKD, tác giả đã chọn ra được năm chỉ số đưa vào mô hình dự đoán khả năng phá sản Và các chỉ số này được chọn dựa trên bốn tiêu chí như sau: (1) Quan sát ý nghĩa thống kê của phương trình nhiều biến, (2) Dựa vào mức độ tương quan của các biến, (3) Dựa vào khả năng dự đoán chính xác của mô hình và (4) Căn cứ vào dự đoán của các chuyên gia phân tích Năm chỉ số được chọn bao gồm: Vốn lưu động/Tổng tài sản, Lợi nhuận chưa phân phối/Tổng tài sản, Lợi nhuận trước thuế và lãi vay/ Tổng tài sản, Giá trị vốn hóa thị trường của chủ sở hữu/Tổng giá trị sổ sách của tổng nợ và cuối cùng là Doanh thu/Tổng tài sản
Chỉ số Z đã chứng minh hiệu quả trong việc dự đoán sự phá sản của công ty, với tỷ lệ chính xác lên tới 72% trong các thử nghiệm ban đầu Qua hơn 30 năm nghiên cứu, đến năm 1999, chỉ số này đã dự đoán được 80-90% các trường hợp phá sản một năm trước khi xảy ra, đồng thời phát hiện các gian lận trên báo cáo tài chính Từ năm 1985, chỉ số Z đã được chấp nhận rộng rãi bởi các chuyên gia kiểm toán, kế toán quản trị, tòa án và hệ thống đánh giá cho vay Ban đầu, công thức của Altman chỉ áp dụng cho các công ty sản xuất với tài sản trên một triệu đô la Mỹ, nhưng đã được mở rộng để phù hợp với các công ty phi sản xuất vào năm 2000.
Năm 2006, Altman và Hotchkiss đã cải tiến chỉ số Z-Score để đánh giá nguy cơ phá sản của nhiều ngành và loại hình doanh nghiệp với độ chính xác cao hơn, đồng thời phát hiện gian lận báo cáo tài chính hiệu quả hơn Theo nghiên cứu của họ, chỉ số Z đã được áp dụng tại hơn 20 quốc gia trên thế giới với độ tin cậy cao.
Công thức tính chỉ số Z-Score của Altman và Hotchkiss:
Chỉ số Z-Score được tính toán dựa trên các yếu tố quan trọng như tỷ lệ vốn lưu động trên tổng tài sản, tỷ lệ lợi nhuận chưa phân phối trên tổng tài sản, tỷ lệ lợi nhuận trước lãi vay và thuế trên tổng tài sản, cùng với tỷ lệ vốn chủ sở hữu trên tổng nợ phải trả Những chỉ số này phản ánh khả năng tài chính và mức độ rủi ro của doanh nghiệp, giúp các nhà đầu tư và quản lý đánh giá sức khỏe tài chính tổng thể.
Z > 5,85: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản
4,35 < Z
