Kết hợp mô hình M-Score Beneish và chỉ số Z-Score để nhận diện khả năng gian lận báo cáo tài chính
Tiếp tục kế thừa các nghiên cứu trước, tác giả tiến hành nghiên cứu thực
nghiệm đề tài về gian lận báo cáo tài chính (BCTC) với mục tiêu nhận diện
những biến độc lập có khả năng phát hiện gian lận báo cáo tài chính của các
công ty niêm yết trên Sở Giao dịch chứng khoán TP.HCM (HOSE).
Tác giả đã tiến hành thu thập 450 BCTC của 150 công ty thuộc các nhóm
ngành khác nhau được niêm yết trên HOSE. Kết quả nghiên cứu cho thấy
rằng, sáu biến độc lập có ảnh hưởng đến khả năng gian lận BCTC đó là 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 biến phát hành cổ phiếu trong năm
(ISSUE)
Trang 1
Trang 2
Trang 3
Trang 4
Trang 5
Tóm tắt nội dung tài liệu: 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
File đính kèm:
- ket_hop_mo_hinh_m_score_beneish_va_chi_so_z_score_de_nhan_di.pdf