Bài tập thực hành môn kinh tế lượng nhận diện gian lận kế toán tại các doanh nghiệp niêm yết trên sàn giao dịch chứng khoán hà nội (hnx) bằng mô hình m score beneish

- Tình hình nghiên cứu trong và ngoài nước: Tại Việt Nam và trên thế giới, cũng đã có nghiên cứu vận dụng các phương pháp thực nghiệm trên thế giới vào việc phát hiện gian lận BCTC của

Họ và tên: Lê Thị Dương Ngọc

Mã sinh viên: 21050698

BÀI TẬP THỰC HÀNH MÔN: KINH TẾ LƯỢNG

ĐỀ TÀI: NHẬN DIỆN GIAN LẬN KẾ TOÁN TẠI CÁC DOANH NGHIỆP NIÊM YẾT TRÊN SÀN GIAO DỊCH CHỨNG KHOÁN

HÀ NỘI (HNX) BẰNG MÔ HÌNH M-SCORE BENEISH

I Tính cấp thiết

- Thực trạng vấn đề: Hội nhập hóa, toàn cầu hóa đã và đang trở thành một xu hướng có tính bắt buộc đối với toàn bộ các quốc gia trên thế giới Sự hội nhập đang diễn ra ngày càng sâu rộng và đa dạng trong nhiều lĩnh vực từ văn hóa, chính trị- xã hội, đặc biệt phải kể đến lĩnh vực then chốt là kinh tế Sự phát triển

và toàn cầu hóa về hội nhập trong kinh tế đã dẫn đến những thay đổi mang tính đột phá trong cách thức hoạt động kinh tế, tài chính truyền thống xưa nay, nổi bật trong số đó là “Gian lận báo cáo tài chính” (GLBCTC)

- Đặc điểm của vấn đề: Nhiều doanh nghiệp đã GLBCTC cực nhằm tạo ra những sai số có tính ảnh hưởng lớn đến BCTC của doanh nghiệp nhằm hướng tới giảm thuế và tăng lợi nhuận, làm đẹp tình hình tài chính của doanh nghiệp để thu hút nhiều nguồn đầu tư, có thể gây ảnh hưởng đến sự ổn định của hệ thống kinh tế

cả nước Đề tài về GLBCTC là một trong số những đề tài “nhạy cảm” với các doanh nghiệp và những người trực tiếp làm nghiên cứu Song, cũng mang tính giá trị vận dụng cao cho thị trường tài chính, thị trường đầu tư; có nhiều khía cạnh mới để khai thác

- Tình hình nghiên cứu trong và ngoài nước: Tại Việt Nam và trên thế giới, cũng

đã có nghiên cứu vận dụng các phương pháp thực nghiệm trên thế giới vào việc phát hiện gian lận BCTC của các công ty niêm yết như sử dụng các chỉ số tài chính, sử dụng chỉ số Z-Score kết hợp với chỉ số P, hay sử dụng đơn lẻ một mô hình phát hiện gian lận

- Khoảng trống nghiên cứu: các bài nghiên cứu trước đây chủ yếu sử dụng mô hình định lượng gốc để nhận diện sai sót BCTC, vận dụng các mô hình định lượng để nhận diện sai sót BCTC thông qua chỉ tiêu lợi nhuận

- Mục tiêu nghiên cứu: Thứ nhất, hệ thống hóa cơ sở lý luận liên quan đến KTST

và mô hình M-score Thứ hai, xác định được những biến độc lập có khả năng

phát hiện KTST Thứ ba, dự báo khả năng phát hiện KTST của mô hình được xây dựng Thứ tư, đưa ra một số giải pháp, kiến nghị nhằm góp phần nâng cao tính ứng dụng mô hình M-Score vào việc quyết định đầu tư của các nhà đầu tư

II Phương pháp nghiên cứu

- Sử dụng phương pháp nghiên cứu định lượng được 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 nhằm giúp nhận diện ra những biến độc lập có khả năng phát hiện gian lận trên BCTC

1 Cơ sở chọn mô hình nghiên cứu

1.1 Mô hình M- Score

- Trên thế giới đã có khá nhiều nghiên cứu giúp các nhà đầu tư, các kiểm toán viên và các đối tượng hữu quan khác có thể nhận diện gian lận trên BCTC một cách dễ dàng hơn thông qua các mô hình, các phương pháp kiểm định khác nhau Mà tiêu biểu đó là mô hình M- Score của Messod D Beneish, F-Score của Dechow và các cộng sự, chỉ số Z-Score của EdWard I.Altman

- Mô hình Beneish (1999) đang được rất nhiều nhà nghiên cứu quan tâm và sử dụng nhằm phát hiện được khả năng gian lận trên BCTC Vì mô hình này có những ưu điểm như sau: là một mô hình giúp phát hiện gian lận trên BCTC với

độ tin cậy cao (76%) và đã được đưa vào giảng dạy tại các trường đại học; dữ liệu để tính toán các tỷ số trong mô hình dễ dàng thu thập trên BCĐKT,

BCKQKD, LCTT Ngoài ra, mô hình này kết hợp cả biến tỷ số tài chính và biến dồn tích nên kỳ vọng xác suất phát hiện sai sót trên BCTC sẽ cao hơn các mô hình chỉ sử dụng tỷ số tài chính hoặc biến dồn tích

- Sau đó, M-Score đã được rất nhiều các nghiên cứu tiếp theo quan tâm và sử dụng vào bài nghiên cứu của mình như nghiên cứu của Burcu Diken và Guray (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

Trong đó:

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

Tám biến độc lập trong mô hình M-Score bao gồm: 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), Chỉ số đòn bẩy tài chính

(LVGI)

ST

T

Tên

biến Công thức tính

Nguồn thu thập dữ liệu

1 DSRI DSRI=

khoản phảithu (t) doanh thu(t ) /khoản phảithu(t−1)

doanh thu(t−1)

Bảng CĐKT và Báo cáo KQHĐK

D

2 GMI

GMI = tỷ suất lợi nhuân gộp (t−1 ) tỷ suất lợi nhuận gộp (t ) với

Tỷsuất lợi nhuận gộp = doanh thu−giá vốn hàng bán doanh thu

Báo cáo KQHĐK

D

3 SGI SGI = doanh thu(t−1) doanhthu (t)

Báo cáo KQHĐK

D

4 SGAI SGAI=

chi phí bán hàng và quảnlí , (t )

doanh thu(t ) /

chi phí bán hàng và quản lí (t−1)

doanhthu (t−1)

Báo cáo KQHĐK

D

5 LVGI

LVGI = đònbẩy tài chính(t )

đòn bẩy tài chính (t−1) với đòn bẩy tài chính = tổngtài sản tổng nợ

Bảng CĐKT

6 TATA

TATA=

∆ tài sản ngắn hạn – ∆ tiền –[∆ nợ ngắn hạn – ∆ thunhập chịu thuế – khấu hao (t )]

tổngtài sản (t )

Báo cáo KQHĐK

D và Báo cáo LCTT

7 DEPI

DEPI = tỷ lệ khấu hao (t−1) tỷ lệ khấu hao (t) với

Tỷ lệ khấu hao = khấu hao+tài sản cố định khấu hao

Bảng CĐKT

1.2 Phương trình hồi quy Logistic

Dạng tổng quát mô hình hồi quy binary logistics như sau: Yi = β0 + βiXi + u Trong đó: Xi là biến độc lập, Yi là biến phụ thuộc

Phương trình hồi quy binary logistics có dạng:

Ln = [P(Y=1)/P(Y=0)] = Bo + B1X1 + B2X2 + + BjXi

Trong đó:

P(Y=1) = P0: xác suất xảy ra sự kiện P(Y=0) = 1- P0: xác suất không xảy ra

sự kiện

Xi: các biến độc lập; Ln: log của cơ số e (e = 2,714)

Hệ số Odds: là tỷ lệ giữa xác suất xảy ra sự kiện so với xác suất không xảy

ra sự kiện đó Nếu P0 là xác suất xảy ra sự kiện, thì 1-P0 là xác suất không xảy ra sự kiện

Hệ số Odds được tính theo công thức sau: Odds = P0/1-P0

Ln(Odds) = Bo + B1X1 + B2X2 + + BjXi

Đây là một dạng hàm Logit Hàm Ln của Odds là một hàm hồi quy tuyến tính với các biến độc lập Xi Hàm xác suất trên gọi

là hàm phân phối logistics Trong hàm này khi nhận giá trị từ -∞ đến + ∞ thì xác suất Pi nhận giá trị từ 0 đến 1 Do là phi tuyến đối với X và các tham

số, Y chỉ nhận một trong hai giá trị 0 hoặc 1, do đó không thể áp dụng

phương pháp bình phương nhỏ nhất (OLS) để ước lượng các tham số, thay vào đó dùng ước lượng hợp lý cực đại (Maximum Likelihood) để ước lượng các tham số

Mô hình logit xem xét mức ảnh hưởng của biến độc lập Xi đến xác suất để biến Y nhận giá trị 1 Ta có dạng hàm dự báo hồi quy binary logistics:

E(Y/Xi) = P0/1-P0 = eBo + B1X1 + B2X2 + + BjXi

E(Y/Xi): xác suất để Y = 1 xuất hiện khi giá trị biến độc lập Xi có giá trị:

P = eBo + B1X1 + B2X2 + + BjXi/(1+ eBo + B1X1 + B2X2 + + BjXi)

2 Xây dựng giả thuyết nghiên cứu

Giả

thuyế

vọng tác

t

động lên biến phụ thuộc

H1

Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền

(2019): Tỷ số DRSI có mối quan hệ cùng chiều

với khả năng xảy ra gian lận BCTC

+

H2

Beneish(1999), Phạm Thị Mộng Tuyền

(2019) :cho rằng các công ty có GMI càng cao

thì càng có khả năng gian lận BCTC

+

H3

Beneish(1999), Phạm Thị Mộng Tuyền (2019):

cho rằng các công ty có AQI càng cao thì càng

có khả năng gian lận BCTC

+

H4

Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền

(2019): Tỷ số SGI có mối quan hệ cùng chiều

với khả năng xảy ra gian lận BCTC

+

H5

Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền

(2019):Tỷ số DEPI có mối quan hệ cùng chiều

với khả năng xảy ra gian lận BCTC

+

H6

Phạm Thị Mộng Tuyền (2019),Ca Thị Ngọc Tố

(2017), Lev và Thiagarajan (1993) :Tỷ số SGAI

có mối quan hệ cùng chiều với khả năng xảy ra

gian lận BCTC

+

H7 Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền +

(2019): Tỷ số TATA có mối quan hệ cùng chiều với khả năng xảy ra gian lận BCTC

H8

Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền (2019): Tỷ số LVGI có mối quan hệ cùng chiều với khả năng xảy ra gian lận BCTC

+

3 Phương pháp thu thập dữ liệu

- Theo Tabachnick và Fidell (1996), trong phân tích hồi quy đa biến:

Cỡ mẫu tối thiểu cần đạt được tính theo công thức là n = 50 + 8*m (m:số biến độc lập), Bài nghiên cứu này có 8 biến độc lập nên cỡ mẫu tối thiểu cần đạt được là 114 mẫu quan sát

- Dữ liệu của nghiên cứu là dữ liệu thứ cấp được lấy từ BCTC đã kiểm toán của

100 doanh nghiệp niêm yết trong giai đoạn 2019-2021 tương ứng với 300 mẫu quan sát trên sàn HNX, hệ thống công bố thông tin đại chúng SSC, cổng thông tin điện tử - công ty cổ phần chứng khoán SSI

4 Phương pháp nghiên cứu

Dữ liệu nghiên cứu sau khi được sàng lọc ban đầu dựa vào các đặc điểm cần thiết của mẫu sẽ được tác giả phân làm hai nhóm: nhóm 1 là nhóm mẫu BCTC có khả năng gian lận, nhóm 2 là nhóm mẫu BCTC không có khả năng gian lận

Việc phân loại BCTC có khả năng hay không có khả năng gian lận dựa vào cách thức như sau:

- Không cần phải tính toán kỹ các chỉ số tài chính và đào sâu vào BCTC mà nhóm tác giả sẽ sử dụng để đo lường biến phụ thuộc đó là so sánh dòng tiền với thu nhập ròng (Alnujaimi, 2022) Hai số liệu này có thể tìm thấy dễ dàng trên báo cáo lưu chuyển tiền tệ Trường hợp khi thu nhập ròng tăng, nhưng dòng

tiền thì không - đó là một dấu hiệu cảnh báo có sử dụng hành vi GLBCTC, vì thu nhập tăng nhiều, nhưng tiền mặt lưu lượng không đổi hoặc suy giảm Ta xem xét đâu thực sự là dòng tiền thuần từ hoạt động kinh doanh và xem xét bao quát cả dòng tiền từ hoạt động tài chính, dòng tiền hoạt động đầu tư và dòng tiền tự do Công ty sử dụng hành vi GLBCTC khi cố tình phân loại dòng tiền

từ hoạt động đầu tư, tài chính vào hoạt động kinh doanh thì dòng tiền tự do của công ty vẫn âm, dòng tiền đầu tư qua các năm âm và dòng tiền hoạt động không

đủ để chi chả lại khoản này trong nhiều năm

Biến phụ thuộc QLBCTC nhận giá trị 1 cho những quan sát rơi vào tình trạng

có hành vi GLBCTC và giá trị 0 những quan sát không có hành vi GLBCTC

Sau đó, dữ liệu sẽ được xử lý qua các bước tiếp theo trên phần mềm SPSS :

(1) Thống kê mô tả mẫu nghiên cứu để tìm hiểu về đặc trưng của các biến trong mô hình

(2) Kiểm định ý nghĩa của hệ số hồi quy: bước này nhằm giúp tác giả xem xét các biến độc lập tương quan có ý nghĩa với biến phụ thuộc hay không Tác giả sử dụng kiểm định Wald

(3) Kiểm tra mức độ giải thích của mô hình: tác giả sử dụng thước đo Nagelkerke, sẽ cho ta biết được % thay đổi của biến phụ thuộc được giải thích bởi các biến độc lập

(4) Đánh giá mức độ phù hợp của mô hình bằng kiểm định Omnibus

(5) Cuối cùng, xem xét khả năng dự báo đúng của mô hình

5 Mô hình nghiên cứu

Dựa vào cơ sở lý thuyết và tổng quan các nghiên cứu trước, bên cạnh vận dụng mô hình M-score của Beneish (1999) và sử dụng hồi quy binary logistic để xây dựng

mô hình định lượng dùng để phát hiện hành vi GLBCTC, ta đưa ra mô hình nghiên

cứu bao gồm 8 biến độc lập như sau:

GLBCTC=^ β0+ ^β1∗DSRI i , t+ ^β2∗GMI i ,t+ ^β3∗AQI i , t+ ^β4∗SGI i ,t+ ^β5∗DEPI i , t+ ^β6∗SGAI i ,t+ ^β7∗TATA i ,t+ ^β8∗LVGI i ,t ε i ,t

Trong đó:

i:Doanh nghiệp thứ i; t:Năm thứ t

KTST = 1 nếu có khả năng sử dụng KTST, hoặc 0 nếu không có khả năng sử dụng

KTST

β0:Hệ số chặn

ε :Sai số giả định

III Kết quả nghiên cứu

1 Thống kê mô tả

Bảng : Phân loại trạng thái các doanh nghiệp có khả năng GLBCTC và

không có khả năng GLBCTC

Năm 2019 2020 2021 Tổng Tỷ lệ

Có khả năng

25.33

%

Không có khả

74.67

%

Thông tin được trích dẫn từ BCTC của 100 doanh nghiệp thuộc ngành nghề công

nghiệp được niêm yết trên sàn HNX trong giai đoạn từ năm 2019-2021 Như vậy

tổng cộng có 300 BCTC được tham khảo Ở đây trong cỡ mẫu nghiên cứu, chỉ có

76 BCTC có khả năng sử dụng KTST chiếm 25.33%, còn lại có tới 224 BCTC

thuộc nhóm không có khả năng sử dụng KTST chiếm 74.67% trên tổng số mẫu

nghiên cứu

Bảng : Thống kê mô tả các biến độc lập trong mô hình

Descriptive Statistics

DSRI 0000000000000000 33.9648099069189200 1.36271320664717

0

2.414563974219149

-3.3818224211968007

20.0444688638595070 1.15050647368498

9

1.593603514231868

AQI 0995227067391065 8.5656133674068300 1.05146912371742

0

.686050633127543

SGI 0000000000000000 5.6591843446801510 1.05429729415248

4

.448428401841270

DEPI 0000000000000000 221.7952950733847800 1.69967438853989

5

12.773589801874248

-3.8687277811054650

51.6220299998922340 1.34664466516599

2

3.148799991004422

TAT

A

-.8122387467316664 6614447085021940 -.032552675855357 135004889610991

LVGI 0011424696894573 5.7843376354541750 994384661893335 433658901533763

DRSI với giá trị trung bình là 1,3627 có giá trị nhỏ nhất là 0 và giá trị lớn nhất là

33,9648

GMI có giá trị trung bình là 1,1505 trong đó giá trị nhỏ nhất là -3,3818 và giá trị lớn nhất là 20,0444

AQI có giá trị trung bình là 1,0515 với giá trị thấp nhất là 0,0995 và giá trị cao nhất là 8,5656

SGI có giá trị lớn nhất và nhỏ nhất lần lượt là 0 và 5,6592 trong đó giá trị trung bình là 1,0543

DEPI có giá trị trung bình là 1,6997 gồm giá trị nhỏ nhất là 0 và giá trị lớn nhất lên tới 221,7953

SGAI mang giá trị trung bình là 1,3466 và có giá trị lớn nhất là 51,6220, nhỏ nhất

là -3,8687

TATA có giá trị lớn nhất và nhỏ nhất lần lượt là 0,6614 và -0,8122 với giá trị bình

quân là -0,0326

LVGI với giá trị bình quân là 0,9944 và có giá trị nhỏ nhất là 0,0011 và mang giá trị lớn nhất là 5,7843

2 Các phép kiểm định mô hình

- Kiểm định ý nghĩa của hệ số hồi quy

Các biến có ảnh hưởng đáng kể đến biến phụ thuộc là các biến có giá trị Sig nhỏ

hơn hoặc bằng 0,05 Dựa vào số liệu bảng Variables in the Equation, cho thấy

các biến: AQI, DEPI, LVGI có giá trị Sig lần lượt là 0,060; 0,547; 0,996 và đều lớn hơn 0,05 Điều này chứng tỏ chúng không có ảnh hưởng trong việc phát hiện doanh nghiệp có khả năng GLBCTC hay không với mức độ tin cậy là 95%

- Kiểm định sự tồn tại

Dựa vào bảng Omnibus Tests of Model Coefficients, ta thấy giá trị Sig = 0,000

<0,05 Giống kiểm định F ở hồi quy đa biến

=> 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

- Kiểm định sự phù hợp:

Bảng Model Summary cho kết quả mức độ phù hợp của mô hình Giá trị -2LL với mô hình trống là 337,818 trong khi đó: -2LL ở mô hình đề xuất cuối cùng là 233.891 Điều này cho thấy các biến độc lập đưa vào mô hình đã làm giảm đáng kể -2LL so với mô hình trống Do đó, mô hình hồi quy là phù hợp Giá trị Nagelkerke

R Square = 43,5% có nghĩa là trong các biến độc lập có ảnh hưởng đến khả năng

có sử dụng hay không sử dụng GLBCTC của doanh nghiệp, các yếu tố trong mô hình đã giải thích được 43,5% Với 56,5% còn lại được giải thích bởi các yếu tố khác chưa có điều kiện đưa vào mô hình

- Kiểm định khả năng dự báo của mô hình: