Kết hợp mô hình M-Score Beneish và chỉ số Z-Score để nhận diện khả năng gian lận báo cáo tài chính

ược
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.
Năm 2006, Altman và Hotchkiss
đã nghiên cứu thay đổi chỉ số Z-
Score một lần nữa 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. Theo Alt-
man và Hotchkiss (2006), đã có
hơn 20 nước trên thế giới sử dụng
chỉ số Z này với độ tin cậy cao.
Công thức tính chỉ số Z-Score
của Altman và Hotchkiss:
Z-Score = 3,25 + 6,56 X1 +
3,26X2 + 6,72X3 + 1,05X4
Trong đó:
X1: Vốn lưu động/Tổng tài sản,
X2: Lợi nhuận chưa phân
phối/Tổng tài sản, X3: Lợi nhuận
trước lãi vay và thuế/Tổng tài sản,
X4: 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 <=5,85: Doanh nghiệp
nằm trong vùng cảnh báo, có thể
có nguy cơ phá sản 
Z <= 4,35: Doanh nghiệp nằm
trong vùng nguy hiểm, nguy cơ
phá sản cao.
2.3 Các nghiên cứu trong
nước
Tác giả Lê Cao Hoàng Anh và
Nguyễn Thu Hằng (2012) đã kiểm
định lại chỉ số Z-Score của Altman
trong việc dự báo thất bại của các
doanh nghiệp Việt Nam. Kết quả
cho thấy, chỉ số Z-Score dự báo
chính xác 91% tại thời điểm một
năm trước khi công ty kiệt quệ tài
chính, tỷ lệ này giảm xuống còn
72% trong vòng hai năm. Đây là
một tỷ lệ dự báo khá cao, cho thấy
rằngchỉ số Z-Score thật sự là một
chỉ số đáng tin cậy, phù hợp với thị
trường Việt Nam. 
Tác giả Võ Văn Nhị và Hoàng
Cẩm Trang (2013) đã tiến hành
một nghiên cứu thực nghiệm xem
xét mối quan hệ giữa hành vi điều
chỉnh lợi nhuận và nguy cơ phá
sản. Nhóm tác giả đã sử dụng mô
hình Leuz và cộng sự (2003) để
xác định hành vi điều chỉnh lợi
nhuận và xác định nguy cơ phá sản
bằng chỉ số Z-Score của Altman
(2006). Kết quả là mức độ điều
chỉnh lợi nhuận tương đồng với
nguy cơ phá sản. 
Nghiên cứu của Trần Việt Hải
(2017), “Nhận diện gian lận trên
Hình 1: Mô hình nghiên cứu của đề tài
Tạp chí Kế toán & Kiểm toán số tháng 8/201958
Nghiên cứu trao đổi
BCTC của các công ty niêm yết
trên thị trường chứng khoán Việt
Nam – Bằng chứng thực nghiệm
tại sàn giao dịch chứng khoán
HOSE” đã sử dụng mô hình
Beneish (1999) để phân loại các
công ty có gian lận và không có
gian lận. Tiếp theo, tác giả đã tiến
hành tổng hợp các nghiên cứu
trước đây đã sử dụng chỉ số tài
chính để phát hiện gian lận và đưa
ra được mười biến độc lập cho mô
hình nghiên cứu của mình, trong
đó có hệ số Z-Score. Kết quả mô
hình đã phân loại được các công
ty có gian lận với tỷ lệ chính xác
là 68,7%. 
Ca Thị Ngọc Tố (2017), “Ứng
dụng mô hình M-Score trong việc
phát hiện sai sót thông tin trên
BCTC của các doanh nghiệp
niêm yết”. 
3. Phương pháp nghiên cứu
Phương pháp định lượng được
sử dụng chủ yếu để giải quyết các
mục tiêu nghiên cứu đã nêu trên
thông qua thống kê mô tả mẫu
nghiên cứu và các biến, kiểm định
ý nghĩa của các hệ số hồi quy,
kiểm tra mức độ giải thích của mô
hình, cuối cùng là đánh giá mức độ
phù hợp và khả năng dự báo của
mô hình. Ngoài ra, đề tài cũng kết
hợp sử dụng phương pháp định
tính để tổng quan về các mô hình,
các lý thuyết nghiên cứu đã có
trước đó để nhận diện ra những
biến độc lập có khả năng phát hiện
gian lận trên BCTC.
Mẫu nghiên cứu được chọn
theo phương pháp phi xác suất
(chọn mẫu thuận tiện). Cụ thể là
BCTC trong giai đoạn 2015-2017
tương ứng với 150 doanh nghiệp
đang niêm yết tại sàn HOSE (450
BCTC). Dữ liệu được thu thập trên
website của HOSE (www.hsx.vn).
Phần mềm SPSS 22 và Mi-
crosoft Excel 2010 được sử dụng
để thực hiện việc xử lý và phân tích
dữ liệu.
4. Mô hình nghiên cứu và giả
thuyết nghiên cứu
4.1. Mô hình nghiên cứu
Dựa vào cơ sở lý thuyết và tổng
quan các nghiên cứu trước, tác giả
đề xuất mô hình nghiên cứu bao
gồm mười biến độc lập như hình 1,
trang 58.
Trong đó:
FRAUD: Khả năng gian lận
BCTC
DSRI: Chỉ số phải thu khách
hàng trên doanh thu thuần, GMI:
Tỷ suất lợi nhuận gộp biên, AQI:
Hệ số chất lượng tài sản, SGI: Hệ
số tăng trưởng doanh thu, DEPI:
Khấu hao tài sản cố định, SGAI:
Chi phí bán hàng và quản lý
doanh nghiệp, TATA: Hệ số biến
dồn tích kế toán so với tổng tài
sản, LVGI: Hệ số đòn bẩy tài
Bảng 1: Hệ số hồi quy
Bảng 2: Tổng hợp xác suất xuất hiện của mô hình
(Nguồn: Tính toán từ phần mềm SPSS)
(Nguồn: Tác giả tự tính toán)
95% C.I.For 
EXP (B) BiӃn ÿӝc lұp ȕ S.E. Wald df Sig. Exp (B) Lower Upper 
ChӍ sӕ phҧi thu khách 
hàng trên DT thuҫn 
(DSRI) 
0,147 0,071 4,223 1,000 0,040 1,158 1,007 1,332 
ChӍ sӕ lӧi nhuұn gӝp 
biên (GMI) 0,208 0,118 3,134 1,000 0,077 1,232 0,978 1,552 
ChӍ sӕ chҩt lѭӧng tài 
sҧn (AQI) 2,240 0,469 22,832 1,000 0,000 9,394 3,748 23,546 
ChӍ sӕ tăng trѭӣng 
doanh thu (SGI) -0,150 0,141 1,121 1,000 0,290 0,861 0,653 1,136 
ChӍ sӕ khҩu hao 
TSCĈ(DEPI) 0.003 0,007 0,235 1,000 0,628 1,004 0,989 1,018 
ChӍ sӕ chi phí bán 
hàng và quҧn lý doanh 
nghiӋp (SGAI) 
-0,020 0,078 0,068 1,000 0,794 0,980 0,841 1,142 
ChӍ sӕ biӃn dӗn tích kӃ 
toán so vӟi tәng tài sҧn 
(TATA) 
0.601 1,056 0,324 1,000 0,569 1,823 0,230 14,445 
ChӍ sӕ ÿòn bҭy tài 
chính (LVGI) 1,083 0,355 9,311 1,000 0,002 2,955 1,473 5,925 
HӋ sӕ nguy cѫ phá sҧn 
(Z-SCORE) -0,190 0,042 20,157 1,000 0,000 0,827 0,761 0,898 
Phát hành cә phiӃu 
trong năm (ISSUE) 0,479 0,240 3,972 1,000 0,046 1,615 1,008 2,586 
HӋ sӕ chһn (Constant) -3,370 0,694 23,618 1,000 0,000 0,034 

P0 = 10% 
BiӃn ȕ eȕ P1 Thay ÿәi xác suҩt 
ChӍ sӕ chҩt lѭӧng tài sҧn (AQI) 2,240 9,394 51,07 41,07 
ChӍ sӕ ÿòn bҭy tài chính (LVGI) 1,083 2,955 24,72 14,72 
Phát hành cә phiӃu trong năm (ISSUE) 0,479 1,615 15,21 5,21 
ChӍ sӕ lӧi nhuұn gӝp biên (GMI) 0,208 1,232 12,04 2,04 
ChӍ sӕ phҧi thu khách hàng trên DT 
thuҫn (DSRI) 0,147 1,158 11,4 1,4 
HӋ sӕ nguy cѫ phá sҧn (Z-Score) -0,190 0,827 8,42 -1,58 

Tạp chí Kế toán & Kiểm toán số tháng 8/2019 59
Nghiên cứu trao đổi
chính, Z-Score: Hệ số nguy cơ
phá sản và biến ISSUE: Phát hành
cổ phiếu trong năm.
4.2. Giả thuyết nghiên cứu
Cũng từ cơ sở lý thuyết và tổng
quan các nghiên cứu trước, tác giả
đưa ra các giả thuyết như sau:
Giả thuyết H1: Chỉ số phải thu
khách hàng trên doanh thu thuần
(DSRI) có tác động cùng chiều với
khả năng gian lận BCTC.
Giả thuyết H2: Chỉ số chất
lượng tài sản (AQI) có tác động
cùng chiều với khả năng gian
lận BCTC. 
Giả thuyết H3: Chỉ số khấu
hao tài sản cố định (DEPI) có tác
động cùng chiều với khả năng
gian lận BCTC. 
Giả thuyết H4: Chỉ số biến dồn
tích kế toán so với tổng tài sản
(TATA) có tác động cùng chiều với
khả năng gian lận BCTC. 
Giả thuyết H5: Chỉ số lợi nhuận
gộp biên (GMI) có tác động cùng
chiều với khả năng gian lận BCTC.
Giả thuyết H6: Chỉ số tăng
trưởng doanh thu (SGI) có tác
động cùng chiều với khả năng gian
lận BCTC.
Giả thuyết H7: Chỉ số chi phí
bán hàng và quản lý doanh nghiệp
(SGAI) có tác động cùng chiều với
khả năng gian lận BCTC.
Giả thuyết H8: Chỉ số đòn bẩy
tài chính (LVGI) có tác động cùng
chiều với khả năng gian lận BCTC.
Giả thuyết H9: Chỉ số Z-Score
có tác động ngược chiều với khả
năng gian lận trên BCTC.
Giả thuyết H10: Khả năng gian
lận BCTC sẽ cao hơn nếu doanh
nghiệp phát hành thêm cổ phiếu
trong năm (ISSUE). 
4.3. Phương trình hồi quy lo-
gistic
FRAUD = βo + DSRI + GMI+
AQI+ SGI+ DEPI+ SGAI +
TATA + LVGI - Z-SCORE +
ISSUE + εi
Trong đó: 
FRAUD: Khả năng gian lận
BCTC
βo: Hệ số chặn
βi: Hệ số hồi quy
εi: Phần dư
5. Kết quả nghiên cứu 
5.1. Kiểm định ý nghĩa của hệ
số hồi quy
Kiểm định hệ số hồi quy sẽ
giúp chúng ta xem xét biến độc lập
tương quan có ý nghĩa với biến
phụ thuộc hay không. Phương
pháp được tác giả sử dụng là kiểm
định Wald. 
Kết quả hệ số hồi quy ở Bảng 1,
trang 59 cho thấy: 
Biến DSRI, GMI, AQI, LVGI,
Z-SCORE, ISSUE có Sig lần lượt
là 0,040; 0,077; 0,000; 0,002;
0,000; 0,046 (Sig. ≤ 0,10) nên sáu
biến này tương quan có ý nghĩa
thống kê với biến phụ thuộc
(FRAUD) với độ tin cậy 90%.
Biến SGI, DEPI, SGAI, TATA
có Sig lần lượt là 0,290; 0,628;
0,794; 0,569 (Sig. ≥ 0,10) nên bốn
biến này tương quan không có ý
nghĩa thống kê với biến phụ thuộc
(FRAUD).
Hệ số hồi quy của biến DSRI là
0,147 (βDSRI = 0,147). Hệ số hồi
quy của DSRI có dấu dương (+)
nghĩa là DSRI có tác động cùng
chiều với biến phụ thuộc FRAUD.
Hệ số này có nghĩa là nếu chỉ số
phải thu khách hàng trên doanh
thu thuần tăng thêm 1% với điều
kiện các yếu tố khác không đổi thì
Log của tỷ lệ xác suất có khả năng
gian lận BCTC và không có khả
năng gian lận BCTC tăng thêm
0,147 lần. 
Để hiểu rõ hơn về sự tác động
của DSRI lên biến FRAUD, chúng
ta giả định rằng xác suất có khả
năng gian lận BCTC là 10% (=
10%). Giả sử các yếu tố khác
không đổi, do DSRI tác động nên
xác suất BCTC có khả năng gian
lận là P1. 
P1 = (P0xe
β)/[1 - P0(1- e
β)] 
Trong đó: eβ là hệ số tác động
của biến DSRI. Trong Bảng 1: eβ
là Exp (β) = 1,158.
Bảng 3: Mức độ giải thích của mô hình
Bảng 4: Kết quả kiểm định Omnibus
Bảng 5: Khả năng dự báo của mô hình
Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square 
1 454,917Į 0,221 0,308 
 Chi-Square df Sig 
Step 1 Step 112,24 10 0,000 
Block 112,24 10 0,000 
Model 112,24 10 0,000 
Mô hình dӵ báo 
So sánh kӃt quҧ Không có 
khҧ năng 
gian lұn 
Có khҧ 
năng gian 
lұn 
Tӹ lӋ dӵ 
báo ÿúng 
(%) 
Không có khҧ 
năng gian lұn 288 16 94,7 Bѭӟc 
1 
Khҧ 
năng 
gian 
lұn 
Có khҧ năng 
gian lұn 87 59 40,4 
Tӹ lӋ dӵ báo ÿúng bình quân 77,1 
(Nguồn: Tính toán từ phần mềm SPSS)
Tạp chí Kế toán & Kiểm toán số tháng 8/201960
Nghiên cứu trao đổi
Ta tính được như sau: P1 =
(0.1 x 1,158)/[1- 0.1( 1- 1,158)]
= 11,40%
P1 = 11,40% có nghĩa là nếu
xác suất có khả năng gian lận
BCTC ban đầu là 10%, khi các yếu
tố khác không đổi, nếu biến DSRI
được tăng thêm 1% thì xác suất có
khả năng gian lận BCTC sẽ là
11,40% (nghĩa là sẽ tăng thêm
1,4% so với xác suất ban đầu). 
Tương tự, ta tính được xác suất
cho các biến còn lại như trong
Bảng 2, trang 59.
Tương tự như biến DSRI, hệ số
hồi quy của GMI, AQI, LVGI,
ISSUE lần lượt là 0,208; 2,240;
1,083; 0,479 nên các biến này đều
có tác động cùng chiều với biến
phụ thuộc. Biến Z-Score có tác
động ngược chiều với biến phụ
thuộc do có hệ số hồi quy là -
0,190. Và theo bảng 2 thì nếu xác
suất có khả năng gian lận BCTC
ban đầu là 10%, khi các yếu tố
khác không đổi, nếu biến GMI
được tăng thêm 1% thì xác suất có
khả năng gian lận BCTC sẽ là
12,04% (nghĩa là sẽ tăng thêm
2,04% so với xác suất ban đầu),
tương tự biến AQI sẽ tăng thêm
41,07%, biến LVGI tăng thêm
14,72%, ISSUE tăng thêm 5,21%
và biến Z-Score thì sẽ giảm 1,58%.
Như vậy, chúng ta thấy rằng khả
năng phát hiện gian lận của biến
AQI là cao nhất (51,07%) và thấp
nhất là biến Z-Score 8,42%.
Theo kết quả trong bảng 2 thì
các giả thuyết H1, H2, H5, H8, H9,
H10 được chấp nhận. Các giả
thuyết H3, H4, H6, H7 bị bác bỏ
do tác giả chưa tìm thấy mối quan
hệ giữa biến phụ thuộc với các biến
DEPI, TATA, SGI và SGAI.
5.2 Mức độ giải thích của mô
hình
Trong bảng 3, trang 60, ta có R2
Nagelkerke = 0,308, nghĩa là
30,8% sự thay đổi của FRAUD
được giải thích bởi các biến độc
lập. Đây là một tỷ lệ phù hợp đối
với mô hình hồi quy trong bài
nghiên cứu của tác giả. 
5.3 Mức độ phù hợp và khả
năng dự báo của mô hình
Trong bảng 4, trang 60, ta thấy
rằng Model Sig. = 0,000 (Model
Sig. 0,05) nên về tổng thể, các
biến độc lập tương quan tuyến
tính với biến phụ thuộc với
khoảng tin cậy 95%. Do đó, mô
hình hồi quy Binary Logistic phù
hợp với dữ liệu thực tiễn. 
Ngoài ra, để tăng thêm độ tin
cậy cho mô hình, chúng ta xem xét
tiếp về khả năng dự báo.
Bảng 5, trang 60 cho thấy, trong
304 BCTC không có khả năng gian
lận theo phân loại ban đầu (xem
hàng ngang) thì mô hình đã dự
đoán đúng 288 BCTC. Vậy tỷ lệ dự
đoán đúng là 94,7%. Còn với 146
BCTC có khả năng gian lận (xem
hàng ngang) thì có 59 trường hợp
được dự đoán đúng, tỷ lệ dự đoán
đúng là 40,4%. Từ đó, chúng ta
tính được khả năng dự báo đúng
của mô hình là 77,1%. Tỷ lệ dự
đoán này khá cao. 
5.4 Mô hình dự báo
FRAUD = -3,370 + 0,147DSRI
+ 0,208GMI+ 2,240AQI +
1,083LVGI – 0,109Z-SCORE
+0,479ISSUE 
6. Kết luận
Qua ba kiểm định nêu trên, đề
tài đã xác định được sáu biến độc
lập có ảnh hưởng đến khả năng
gian lận BCTC theo mức độ giảm
dần như sau: Chỉ số chất lượng tài
sản (AQI), Chỉ số đòn bẩy tài chính
(LVGI), Phát hành cổ phiếu trong
năm (ISSUE), Chỉ số lợi nhuận
gộp biên (GMI), Chỉ số phải thu
khách hàng trên doanh thu thuần
(DSRI), Hệ số nguy cơ phá sản (Z-
Score). Trong đó, Z-SCore có tác
động ngược chiều, năm chỉ số còn
lại có tác động cùng chiều. Các
biến còn lại là chỉ số tăng trưởng
doanh thu (SGI), chỉ số khấu hao
tài sản cố định (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) tác giả chưa tìm thấy có
mối quan hệ với biến phụ thuộc.
Và cũng thông qua các kiểm định,
chúng ta thấy rằng mô hình này có
mức độ giải thích là 30,8%, đồng
thời phù hợp với dữ liệu thực tiễn.
Tỷ lệ dự báo đúng cũng khá cao,
đạt 77,1%. Kết quả nghiên cứu này
cũng tương đồng với các nghiên
cứu trước. 
Tài liệu tham khảo
1. Bộ Tài chính, 2012. Chuẩn mực kiểm toán
Việt Nam số 240: Trách nhiệm của KTV liên quan
đến gian lận trong quá trình kiểm toán báo cáo tài
chính. 
2. Bộ Tài chính, 2012. Chuẩn mực kiểm toán
Việt Nam số 320: Mức trọng yếu trong lập kế hoạch
và thực hiện kiểm toán. 
3. Ca Thị Ngọc Tố, 2017. Ứng dụng mô hình
M-Score trong việc phát hiện sai sót thông tin trên
BCTC của các doanh nghiệp niêm yết. Luận văn
thạc sĩ. Trường Đại học Kinh tế TP.HCM.
4. Lê Cao Hoàng Anh và Nguyễn Thu Hằng,
2012. Kiểm định mô hình chỉ số Z của Altman trong
dự báo thất bại doanh nghiệp tại Việt Nam. Tạp chí
Công nghệ ngân hàng, số 742.
5. Trần Việt Hải, 2017. Nhận diện gian lận
BCTC của các công ty niêm yết trên thị trường
chứng khoán Việt Nam-Bằng chứng thực nghiệm
tại sàn giao dịch HOSE. Luận văn thạc sĩ. Trường
Đại học Kinh tế TP.HCM.
6. Võ Văn Nhị và Hoàng Thị Cẩm Trang, 2013.
Hành vi điều chỉnh lợi nhuận và nguy cơ phá sản
của các công ty niêm yết trên Sở Giao dịch chứng
khoán TPHCM. Tạp chí Phát triển kinh tế, số 762S.
7. Altman, E., 1968. Financial ratios, díscrim-
inant analysis, and the predictionof corporate
bankcruptcy. Journal of Finance, 9:589-609.
8. Altman, E. I., & Hotchkiss, E., 2006. Corpo-
rate financial distress and bankcruptcy: Predict and
Avoid Bankcrupty, Analyze and Invest in Distresed
Debt, Hoboken, N.J, Wiley. 
9. Beneish, M., 1999. The Detection of Earn-
ings Manipulation. Financial Analysts Journal.
...
Tạp chí Kế toán & Kiểm toán số tháng 8/2019 61
Nghiên cứu trao đổi