Tác giả mong muốn thông qua kết quả nghiên cứu sẽ đưa ra các bằng chứng thực nghiệm và đề xuất cụ thể những chỉ số tài chính có khả năng phát hiện được gian lận trên BCTC với độ tin cậy cao. Điều này sẽ giúp cho các kiểm toán viên, các nhà đầu tư cũng như các bên liên quan khác đưa ra các quyết định đúng đắn và kịp thời. Ngoài ra, cũng từ việc phân tích và tổng hợp các nghiên cứu có liên quan, đề tài sẽ đưa ra được các khuyến nghị cần thiết cho các nhà nghiên cứu trong tương lai.
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
Phương pháp nghiên cứu định lượng được áp dụng 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, cũng như đánh giá mức độ phù hợp và khả năng dự báo của mô hình Bên cạnh đó, nghiên cứu cũng kết hợp phương pháp định tính để tổng quan về các mô hình và lý thuyết nghiên cứu trước đó, từ đó giúp tác giả nhận diện những 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 phân tích và tổng hợp các nghiên cứu liên quan đến việc phát hiện gian lận báo cáo tài chính (BCTC) tại Việt Nam, thông qua việc xây dựng mô hình nghiên cứu kết hợp tám biến độc lập từ mô hình M-Score của Beneish (1999) cùng với hai biến Z-Score và ISSUE Tác giả nhận thấy rằng nghiên cứu về gian lận BCTC tại Việt Nam chưa được quan tâm đúng mức, do đó, bài viết đưa ra các khuyến nghị cho các nhà nghiên cứu trong tương lai nhằm cải thiện tình hình gian lận BCTC tại nước ta.
Về mặt thực tiễn
Nghiên cứu đã xác định được 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).
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 có tác động cùng chiều Kết quả này cung cấp thông tin quý giá 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 trên báo cáo tài chính (BCTC), trong đó Burcu và Guray (2005) phân loại 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.
Năm 1986, một nhóm nghiên cứu thứ hai đã áp dụng mô hình mạng thần kinh nhân tạo để phát hiện gian lận Nổi bật trong nhóm này là các nghiên cứu của Green và Choice (1997) cùng với Fanning và Gogger (1998) Nghiên cứu của Green và Choice (1997) đã giới thiệu mô hình mạng thần kinh nhân tạo dựa trên dữ liệu tài chính nội sinh.
Vào năm 1998, mô hình mạng thần kinh nhân tạo đã được ứng dụng để phát hiện gian lận trong quản trị, với tám biến độc lập cho khả năng phát hiện cao Nhóm kỹ thuật thứ ba sử dụng các phương pháp thống kê, bao gồm 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 xem là dễ thực hiện và có độ tin cậy cao Do đó, tác giả đã chọn nhóm này để xây dựng mô hình nghiên cứu nhằm xác định các biến độc lập phát hiện gian lận báo cáo tài chính (BCTC) phù hợp với thực tiễn Việt Nam Các nghiên cứu liên quan đến đề tài của tác giả sẽ được thực hiện dựa trên kỹ thuật thống kê.
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 do Messod D Beneish phát triển vào năm 1999 đã trở thành công cụ quan trọng cho các nhà đầu tư và kiểm toán viên trong việc phát hiện gian lận trên báo cáo tài chính (BCTC) Nghiên cứu của ông sử dụng mô hình probit để ước lượng khả năng có 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, giúp tăng xác suất phát hiện sai sót lên 76% Kể từ khi công bố, mô hình này đã được áp dụng rộng rãi và nổi bật trong việc phát hiện gian lận của tập đoàn Enron năm 2001, đồng thời được đưa vào chương trình giảng dạy chính thức trong lĩnh vực kế toán.
Mô hình M-Score của Beneish đã thu hút sự chú ý của nhiều nhà nghiên cứu, được áp dụng trong các nghiên cứu như của Burcu Diken và Guray (2005), Dechow và cộng sự (2011), cùng với Tarjo và Nural (2015).
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 phương pháp đánh giá khả năng phá sản của công ty thông qua các chỉ số tài chính, từ đó suy luận về khả năng gian lận báo cáo tài chính Trong khi đó, Beneish kết hợp cả 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 và đã thu hút sự quan tâm từ nhiều nhà nghiên cứu sau này.
Nghiên cứu của Charalambos T Spathis (2002) đã chỉ ra tính hữu ích 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) Tác giả áp dụng công cụ thống kê đơn biến và đa biến, sử dụng hồi quy Logistic để phân tích Các chỉ số tài chính 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 Z-Score đều cho thấy hiệu quả trong việc phát hiện gian lận Kết quả nghiên cứu xác nhận rằng chỉ số Z-Score có giá trị trong việc phát hiện gian lận, tương tự như nghiên cứu của EdWard I Altman (1968), nhưng điểm khác biệt là nghiên cứu này đã kết hợp thêm nhiều chỉ số tài chính khác.
Lalith P Samarakoon và Tanweer Hasan (2003) đã nghiên cứu khả năng dự đoán khó khăn tài chính của các công ty niêm yết tại Sri Lanka bằng cách áp dụng ba mô hình Z-Score của Altman Dữ liệu nghiên cứu bao gồm 13 công ty gặp khủng hoảng tài chính và 13 công ty không bị khủng hoảng trong cùng ngành Kết quả cho thấy chỉ số Z-Score đã dự đoán chính xác 81% các công ty có khó khăn tài chính, cung cấp bằng chứng thực nghiệm cho thấy Z-Score là công cụ hiệu quả trong việc đánh giá sức khỏe tài chính của các công ty tại thị trường mới nổi Nghiên cứu này tương đồng với nghiên cứu của EdWard I Altman (1968), nhưng khác biệt ở chỗ được thực hiện tại Sri Lanka.
Nghiên cứu của Burcu Diken và Guray (2005) đã phát triển một mô hình dựa trên M-Score của Beneish để phát hiện gian lận báo cáo tài chính tại các công ty Thổ Nhĩ Kỳ Họ đã tiến hành thu thập dữ liệu để áp dụng mô hình này, nhằm nâng cao khả năng nhận diện các trường hợp gian lận trong lĩnh vực tài chính.
Nghiên cứu sử dụng dữ liệu từ 126 công ty niêm yết tại sàn giao dịch chứng khoán và bổ sung hai biến độc lập là DINV (Chỉ số hàng tồn kho) và FEI (Chỉ số chi phí tài chính) vào mô hình M-Score Qua ba bước phân tích phân lớp, kết quả cho thấy mô hình của Burcu Diken và Guray dự đoán đúng 67% trường hợp gian lận trên báo cáo tài chính, tương tự như nghiên cứu của Beneish (1999) Sự khác biệt nằm ở việc nghiên cứu này kết hợp thêm DINV và FEI để đánh giá chính xác hơn về gian lận BCTC, mặc dù độ tin cậy vẫn thấp hơn mô hình M-Score gốc của Beneish (76%).
Dechow và các cộng sự (2011) đã nghiên cứu gian lận trên 2,190 BCTC từ 1982-2005 và 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 tập trung vào mối quan hệ giữa gian lận và các yếu tố trên 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 so với M-Score, xác suất dự đoán của nó vẫn thấp hơn so với mô hình 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, có một số nghiên cứu áp dụng kết quả thực nghiệm quốc tế nhằm phát hiện gian lận trong báo cáo tài chính (BCTC), tuy nhiên số lượng nghiên cứu này còn hạn chế Các nghiên cứu liên quan đến chủ đề này của tác giả cũng đã được thực hiện.
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 hiệu quả của chỉ số trong bối cảnh kinh tế đặc thù của Việt Nam.
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 dựa trên 293 công ty niêm yết trên sàn HOSE cho thấy chỉ số này dự báo chính xác 91% khả năng kiệt quệ tài chính của công ty một năm trước đó, tỷ lệ này giảm xuống còn 72% trong vòng hai năm Kết quả này khẳng định Z-Score là một chỉ số đáng tin cậy cho các doanh nghiệp trên 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 nổi bật là 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 thông qua dữ liệu của 85 công ty niêm yết trên sàn HOSE Nhóm tác giả áp dụng mô hình Leuz và cộng sự (2003) để xác định hành vi điều chỉnh lợi nhuận, trong khi nguy cơ phá sản được đo bằng chỉ số Z-Score của Altman (2006) Kết quả cho thấy mức độ điều chỉnh lợi nhuận có sự tương đồng với nguy cơ phá sản, điều này cũng được khẳng định trong nghiên cứu của EdWard I Altman (1968) và Charalambos T Spathis.
Nghiên cứu của Hoàng Khánh và Trần Thị Thu Hiền (2015) về “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 nhằm phát hiện sai phạm trên báo cáo tài chính của các công ty xây dựng niêm yết.
Mô hình đầu tiên sử dụng biến phụ thuộc là 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 là SGI, AQI, DEPI, DA Khả năng phát hiện gian lận của mô hình đầu tiên là 63,41% và của mô hình thứ hai là 68,29%, cho thấy sự khác biệt so với nghiên cứu của Beneish.
Năm 1999, cả hai mô hình chỉ sử dụng ba chỉ số tài chính trong mô hình M-Score gốc, cho thấy tính hữu ích trong việc phát hiện gian lận Chỉ số DEPI cũng được chứng minh là hiệu quả trong việc phát hiện gian lận, tương đồng với nghiên cứu của Tarjo và Nural (2015).
Nghiên cứu của Võ Minh Dương (2016) áp dụng mô hình M-Score để đánh giá chất lượng báo cáo tài chính (BCTC) tại Việt Nam, tập trung vào các công ty niêm yết trên sàn HOSE và HNX Tác giả đã xác định khả năng bóp méo BCTC và 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 niêm yết 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, đóng góp quan trọng cho lĩnh vực tài chính tại Việt Nam.
Nghiên cứu của Trần Việt Hải (2017) mang tên “Nhận diện gian lận trên BCTC của các công ty niêm yết trên TTCK VN – Bằng chứng thực nghiệm tại sàn giao dịch chứng khoán HOSE” đã áp dụng mô hình Beneish (1999) để phân loại các công ty có và không có gian lận Tác giả sử 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 về chỉ số tài chính phát hiện gian lận Kết quả là tác giả đã xác định mười biến độc lập cho mô hình nghiên cứu, trong đó có hệ số Z-Score, một chỉ số quan trọng về nguy cơ phá sản.
Tác giả đã áp dụng kỹ thuật hồi quy Logistic để kiểm định mô hình, đạt tỷ lệ phân loại chính xác 68,7% cho các công ty có gian lận Nghiên cứu về chỉ số Z-Score cho thấy sự tương đồng với các nghiên cứu trước đây của EdWard I Altman (1968), Charalambos T Spathis (2002), và Muntari Mahama (2015) Điểm khác biệt của nghiên cứu này là tác giả đã kết hợp nhiều chỉ số tài chính khác nhau để phát hiện gian lận, đồng thời thực hiện nghiên cứu trong bối cảnh thị trường Việt Nam.
Ca Thị Ngọc Tố (2017) trong bài nghiên cứu “Ứng dụng mô hình M-Score trong việc phát hiện sai sót thông tin trên BCTC của các doanh nghiệp niêm yết” đã áp dụng mô hình M-Score của Beneish (1999) kết hợp với kỹ thuật hồi quy Logistic để phát hiện sai sót thông tin trên báo cáo tài chính (BCTC) của các doanh nghiệp niêm yết trên sàn HOSE và HNX Kết quả nghiên cứu cho thấy tác giả đã loại trừ ba biến độc lập không có ý nghĩa thống kê, giữ lại năm biến có ý nghĩa là LVGI, SGI, GMI, SGAI, DEPI, tạo nên sự khác biệt so với mô hình M-Score gốc Đặc biệt, mô hình này có khả năng dự báo cao hơn với tỷ lệ chính xác 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
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 báo chính xác 91% về tình trạng kiệt quệ tài chính của công ty một năm trước khi xảy ra sự cố, nhưng tỷ lệ này giảm xuống còn 72% trong vòng hai năm tiếp theo.
Võ Văn Nhị và Hoàng
Nghiên cứu thực nghiệm này nhằm phân tích mối quan hệ giữa hành vi điều chỉnh lợi nhuận và nguy cơ phá sản, sử dụng dữ liệu từ 85 công ty niêm yết trên sàn HOSE Phương pháp nghiên cứu áp dụng mô hình Leuz kết hợp với chỉ số Z-Score để đánh giá rủi ro phá sản của các công ty.
Mức độ điều chỉnh lợi nhuận tương đồng với nguy cơ phá sản
Dựa vào mô hình nghiên cứu của DeAngelo
Năm 1986, Friedlan (1994) và Beneish (1999) 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 trên sàn.
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), và Tarjo và Nural (2015) kiểm định và đánh giá cao Tuy nhiên, những 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 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 trên 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.
Năm 2012, Võ Văn Nhị và Hoàng Cẩm Trang, tiếp theo là Hoàng Khánh và Trần Thị Thu Hiền vào năm 2015, cùng với Võ Minh Dương năm 2016, đã chỉ ra rằng sự phức tạp trong các báo cáo tài chính (BCTC) sẽ gây 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 đã 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 tại Sở giao dịch chứng khoán TPHCM, nhằm lấp đầy các khoảng trống nghiên cứu hiện có.
Trong chương 1, tác giả tổng hợp các nghiên cứu liên quan đến đề tài của mình từ cả trong và ngoài nước, giúp xác định các khe hổng nghiên cứu cần được khai thác Việc này tạo nền tảng vững chắc cho việc tiếp tục thực hiện đề tài Tác giả đã chọn lọc các công trình nghiên cứu tiêu biểu, đã được công bố rộng rãi và có độ tin cậy cao để trình bày và phân tích.
Nhiều nghiên cứu trên thế giới đã giúp nhà đầu tư, kiểm toán viên và các bên liên quan nhận diện gian lận trên báo cáo tài chính (BCTC) dễ dàng hơn thông qua các mô hình và phương pháp kiểm định khác nhau Điển hình là mô hình M-Score của Messod D Beneish, F-Score của Dechow và các cộng sự, cùng với chỉ số Z-Score của Edward I Altman.
Trong chương 2, tác giả sẽ làm rõ hơn cơ sở khoa học cho nghiên cứu của mình thông qua việc 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 cá nhân trong Hội đồng Quản trị (HĐQT), Ban Giám đốc (BGĐ), nhân viên hoặc bên thứ ba thực hiện Một số biểu hiện phổ biến của gian lận bao gồm việc cung cấp thông tin sai lệch, thao túng số liệu tài chính và che giấu sự thật.
- 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 tiêu chuẩn kiểm toán quốc tế ISA 240, hành vi gian lận được phân thành hai loại chính: gian lận báo cáo tài chính và gian lận biển thủ tài sản.
Theo IAS 240, gian lận báo cáo tài chính là những sai phạm nghiêm trọng được thực hiện có chủ ý nhằm đánh lừa người sử dụng thông tin, từ đó tạo ra lợi ích cho tổ chức Các sai phạm này thường bao gồm những hành vi gian lận có mục đích rõ ràng.
- 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 liên quan đến ghi nhận, phân loại, trình bày nội dung và công bố các chỉ tiêu, khoản mục trên báo cáo tài chính (BCTC) có thể dẫn đến những hậu quả nghiêm trọng.
Hiệp hội các nhà điều tra gian lận Hoa Kỳ (ACFE) phân chia gian lận thành ba loại: 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 trong việc lập báo cáo tài chính nhằm mục đích đánh lừa người sử dụng thông tin tài chính.
Gian lận báo cáo tài chính (BCTC) là hành vi cố ý làm sai lệch thông tin trong BCTC, nhằm mục đích đánh lừa người sử dụng thông tin Hành động này có thể bao gồm việc giảm thiểu các khoản chi phí hoặc khai khống doanh thu, gây ra sự hiểu lầm về tình hình tài chính của doanh nghiệp.
Gian lận tài sản là hành vi chủ yếu do nhân viên hoặc quản lý thực hiện, bao gồm việc đánh cắp hàng tồn kho và biển thủ tiền Tham ô thường xảy ra khi nhà quản lý hoặc chủ sở hữu công ty thực hiện các hành vi gian lận này.
Họ lạm dụng quyền hạn và chức vụ của mình để vi phạm các quy định và cam kết nghĩa vụ 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 thường xảy ra khi ba yếu tố chính hội tụ: Áp lực/Động cơ, Cơ hội và Thái độ/Cá tính Mô hình này được phát triển bởi Cressy, một nhà nghiên cứu tội phạm vào những năm 1940, nhằm giải thích nguyên nhân dẫn đến hành vi gian lận trong xã hội.
Áp lực tài chính có thể khiến nhân viên hoặc quản lý phát sinh động cơ gian lận Khi phải đối mặt với những khó khăn tài chính, họ có thể cảm thấy buộc phải hành động không trung thực để giải quyết vấn đề.
Khi đối mặt với áp lực, con người có xu hướng gian lận nếu có cơ hội Hai yếu tố chính tạo ra cơ hội gian lận là khả năng nắm bắt thông tin và kỹ năng thực hiện hành vi gian lận.
Theo Cressy, hành vi gian lận không chỉ phụ thuộc vào áp lực và cơ hội mà còn bị ảnh hưởng bởi thái độ và cá tính của từng người Không phải ai cũng sẽ chọn con đường gian lận khi đối mặt với khó khăn.
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 Ngoài ra, tiêu chuẩn VSA 240 cũng đã sử dụng mô hình này, hỗ trợ kiểm toán viên trong việc đánh giá rủi ro gian lận một cách hiệu quả 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 hoặc 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 và 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 Nếu không hoàn thành được mục tiêu này, họ có thể phải gánh chịu những hậu quả nghiêm trọng.
Mô hình M-Score Beneish
Mô hình M-Score do Messod D Beneish phát triển vào năm 1999 là một công cụ thống kê hữu ích giúp xác định các công ty có hành vi điều chỉnh lợi nhuận Nghiên cứu của Beneish dựa trên dữ liệu từ 74 công ty đã bị Ủy ban Chứng khoán Mỹ cáo buộc hoặc tự thú nhận về việc điều chỉnh lợi nhuận do áp lực từ cộng đồng Beneish áp dụng mô hình probit để ước lượng khả năng cực đại của mẫu ngoại sinh có trọng số, nhằm đánh giá khả năng một công ty có 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 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 được sử dụng để phân tích những yếu tố này.
Mô hình M-Score, được giới thiệu vào năm 1999, kết hợp cả biến chỉ số tài chính và biến dồn tích, giúp tăng 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 trường 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 không nhận ra Ngoài ra, M-Score cũng đã được đưa vào chương trình giảng dạy chính thức (Fridson, 2002; Stickney, Brown, và Wahlen, 2003).
M-Score đã thu hút sự chú ý của 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 các phân tích tài chính.
(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 hành vi gian lận trong doanh nghiệp.
Nhóm biến nhận diện động cơ gian lận bao gồm bốn chỉ số quan trọng: 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 phát hiện và phân tích các hành vi gian lận trong 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, trong các thử nghiệm ban đầu, đã dự đoán chính xác 72% khả năng phá sản của các công ty Qua hơn 30 năm nghiên cứu, đến năm 1999, chỉ số này đã có thể dự báo 80-90% trường hợp phá sản trước một năm và phát hiện gian lận trong báo cáo tài chính Kể 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 tín dụng 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 vào năm 2000, Altman đã phát triển chỉ số Z để phù hợp với các công ty phi sản xuất.
Năm 2006, Altman và Hotchkiss đã cập nhật chỉ số Z-Score để đánh giá nguy cơ phá sản của các ngành và loại hình doanh nghiệp với độ chính xác cao hơn, đồng thời cải thiện khả năng phát hiện gian lận báo cáo tài chính Theo nghiên cứu của họ, hơn 20 quốc gia trên thế giới đã áp dụng chỉ số Z này với độ tin cậy cao.
Công thức tính chỉ số Z-Score của Altman và Hotchkiss:
: Vốn lưu động/Tổng tài sản
: Lợi nhuận chưa phân phối/Tổng tài sản
: Lợi nhuận trước lãi vay và thuế/Tổng tài sản
: Vốn chủ sở hữu/Tổng nợ phải trả Ý nghĩa độ lớn của chỉ số Z-Score:
Z > 5,85: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản
4,35 < Z