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

Họ và tên: Lê Thị Dương NgọcMã sinh viên: 21050698

BÀI TẬP THỰC HÀNH MÔN: KINH TẾ LƯỢNG

ĐỀ TÀI: NHẬN DIỆN GIAN LẬN KẾ TOÁN TẠI CÁC DOANHNGHIỆP 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 cứu1.1 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

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

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

Báo cáo KQHĐK D

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

LVGI = đònbẩy tài chính(t )

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

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

Tỷ lệ khấu hao = khấu hao+tài sản cố địnhkhấu 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:

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

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

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

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∗DSRIi , t+ ^β2∗GMIi ,t+ ^β3∗AQIi , t+ ^β4∗SGIi ,t+ ^β5∗DEPIi , t+ ^β6∗SGAIi ,t+ ^β7∗TATAi ,t+ ^β8∗LVGIi ,tεi ,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

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

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

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:

Bảng Classification Table cho chúng ta kết quả phân loại các trường hợp thực

tế (Observed) và dự đoán (Predicted) Cụ thể đối với 300 BCTC được sử dụng để tiến hành kiểm tra phát hiện GLBCTC của các doanh nghiệp trong mẫu nghiên cứu: Với 224 BCTC nằm trong diện không có khả năng sử dụng GLBCTC mô hình sẽ dự đoán chính xác được 215 BCTC, tỉ lệ chính xác là 97,3% Còn lại đối với 76 BCTC thuộc nhóm có khả năng sử dụng GLBCTC thì mô hình sẽ đưa ra đúng 37 BCTC và tỉ lệ dự đoán chính xác là 48,7%

Vậy nên tỷ lệ dự báo chính xác trung bình của mô hình là 84,8% Đây là một độ chính xác tương đối cao.

3 Kết luận mô hình hồi quy

Chạy lại mô hình với các biến DSRI, GMI, SGI, SGAI, TATA, ta được:

Biến SGAI không có ý nghĩa trong mô hình hồi quy do giá trị sig lần lớn hơn 0.05

 Chạy lại mô hình với các biến DSRI, GMI, SGI, TATA, ta được:

Hệ số hồi quy B của các biến độc lập có ý nghĩa đều mang dấu dương Do vậy, khi các biến độc lập DSRI, GMI, SGI, TATA, tăng sẽ làm tăng khả năng GLBCTC Giá trị Exp(B) cho chúng ta biết mức độ tác động của các biến độc lập lên khả năng GLBCTC, hay nói cách khác là khả năng biến phụ thuộc GLBCTC nhận giá

β1 =0.489, cho biết, hệ số DSRI (tỷ số phải thu khách hàng trên doanh thu thuần ) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 1,631 lần (kết quả exp (B) ở bảng 1, với e0.489 =1.631)

β2 =1.160 cho biết, hệ số GMI (chỉ số lợi nhuận gộp biên ) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 3.188 lần (kết quả exp (B) ở bảng, với e1.160 =3.188)

β3 = 1.099 cho biết, hệ số SGI (chỉ số tăng trưởng doanh thu) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 3 lần (kết quả exp (B) ở bảng, với e1.099 =3.000)

β4 = 7.944 cho biết, hệ số TATA (chỉ số biến dồn tích kế toán so với tổng tài sản) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 2818.712 lần (kết quả exp (B) ở bảng, với e7.944 =2818.712)

Lúc này giả thuyết H1 được chấp nhận, điều đó phù hợp với kết quả đã nghiên cứu của Beneish (1999), Dechow và cộng sự (2011) cùng với nghiên cứu của Phạm Thị Mộng Tuyền (2019) Giả thuyết H2 được chấp nhận Kết quả này tương đồng với nghiên cứu của Beneish (1999), Ca Thị Ngọc Tố (2017) và Phạm Thị Mộng Tuyền (2019) Chấp nhận giả thuyết H4 Điều này tương đồng với nghiên cứu của Beneish (1999) và Ca Thị Ngọc Tố (2017) Giả thuyết H7 được chấp nhận Điều này phù hợp với kết quả nghiên cứu của Beneish (1999).

IV.Kết luận và kiến nghị1 Kết luận

Trong đề tài nghiên cứu, thông qua phương pháp thống kê mô tả, hồi quy logistic với các kiểm định liên quan, đã đưa ra mô hình dự báo GLBCTC cho các công ty niêm yết trên sàn HNX Tỷ lệ dự báo chính xác trung bình của mô hình là 84,8%, đây là một độ chính xác tương đối cao

Kết quả này giải quyết được mục tiêu thứ ba dự báo khả năng phát hiện GLBCTC của mô hình được xây dựng Kết quả đã chỉ ra được bốn biến độc lập có ảnh hưởng đến phát hiện khả năng GLBCTC của các doanh nghiệp Các biến đó bao gồm:Chỉ số biến dồn tích so với tổng tài sản TATA, Tỷ lệ lãi gộp GMI, Chỉ số tăng trưởng doanh thu bán hàng SGI và Chỉ số phải thu khách hàng so với doanh thu DSRI Kết quả này giải quyết được mục tiêu thứ hai: xác định được những biến độc lập có khả năng phát hiện GLBCTC

Với kết quả phân tích hồi quy logistics cho thấy các biến độc lập trong mô hình có mối tương quan thuận chiều với biến phụ thuộc, điều này phù hợp với kết