8. Kết cấu của đề tài
2.3.2.3Các nghiên cứu về xây dựng các mô hình giúp dự báo gian lận trên
2.3.2.3 Các nghiên cứu về xây dựng các mô hình giúp dự báo gian lận trên báo cáo tài chính trên báo cáo tài chính
Mô hình M-score
Nghiên cứu tiên phong về xây dựng mô hình dự đoán khả năng có gian lận trên BCTC là của Benish (1999). Mô hình M-score mà Benish (1999) xây dựng đã tạo ra một phương pháp phòng ngừa rủi ro hiệu quả giúp các KTV, nhà đầu tư nhận diện một doanh nghiệp có khả năng gian lận hay không. Benish (1999) đã nhận định rằng bất kỳ thao tác nào trong BCTC đều được thực hiện thông qua sự gia tăng lợi
nhuận. Các chỉ số được chọn vào mô hình tập trung vào hai nhóm là nhóm các biến nhận diện khả năng gian lận và các biến nhận diện động cơ gian lận. Các biến cụ thể gồm chỉ số đòn bẩy, chỉ số hàng tồn kho, chỉ số kỳ thu tiền, chỉ số lợi nhuận gộp, chỉ số chất lượng tài sản, chỉ số tăng trưởng doanh thu, chỉ số khấu hao, chi phí quản lý và bán hàng. Kết quả cho thấy có mối quan hệ thống kê giữa khả năng xảy ra gian lận với các biến trên BCTC.
Benish (1999) đã sử dụng mẫu gồm 74 doanh nghiệp có lợi nhuận bị chi phối từ giai đoạn 1982 - 1992, sau đó tác giả đã sử dụng mô hình xác suất đơn vị dựa trên tỷ trọng của mẫu (weighted exogenous sample maximum likelihood probit) và mô hình xác suất đơn vị không dựa trên tỷ trọng của mẫu (unweighted probit). Theo Benish (1999) M-score của một doanh nghiệp lớn hơn -1.78 là dấu hiện của hành vi chi phối lợi nhuận. Mô hình này đã giúp các sinh viên trường đại học Cornell phát hiện ra dấu hiệu gian lận của doanh nghiệp Enron trước một năm kể từ thời điểm doanh nghiệp này phá sản. Tuy nhiên, việc chỉ tập trung vào hầu hết các chỉ tiêu liên quan đến doanh thu, lợi nhuận mà bỏ qua những chỉ tiêu về chi phí, tài chính, đã phần nào làm hạn chế khả năng dự báo chính xác gian lận của mô hình chỉ ở mức 50%.
Mô hình Altman Z-score
Mô hình Z-score được xây dựng bởi Alman (1968) sử dụng để dự báo khả năng một doanh nghiệp sẽ bị phá sản trong hai năm sắp tới, đồng thời cũng là một công cụ để kiểm tra sức khỏe tài chính của một doanh nghiệp. Đã có khá nhiều những nghiên cứu về gian lận như nghiên cứu Loebbecke (1986), Persons (1995), Summer và Sweeny (1998), nhận định rằng tình trạng kiệt quệ tài chính là một trong những động cơ thúc đẩy hành vi gian lận BCTC
Alman (1968) đã nghiên cứu mẫu gồm 66 doanh nghiệp chia làm hai nhóm. Nhóm phá sản gồm những doanh nghiệp đã nộp đơn phá sản, mẫu đối ứng là những doanh nghiệp cùng ngành và cùng quy mô. Alman (1968) tiến hành thu thập 22 biến đại diện cho 5 nhóm gồm chỉ số thanh khoản, nhóm chỉ số lợi nhuận, nhóm chỉ số đòn bẩy, nhóm chỉ số khả năng thanh khoản và nhóm chỉ số hoạt động. Sau đó, chỉ
số Z-score được Alman điều chỉnh thay đổi một số đặc điểm vào năm 1993, mô hình mới này đã dự đoán chính xác 66% doanh nghiệp bị phá sản và 78% doanh nghiệp không bị phá sản trước đó một năm. Từ chỉ số Z-score ban đầu, Alman đã xây dựng thêm những chỉ số Z’- score, Z”- score phù hợp cho từng loại hình doanh nghiệp khác nhau dành cho những quốc gia đang phát triển. Tùy vào việc áp dụng chỉ số Z-score cho loại doanh nghiệp nào thì sẽ có những ngưỡng liên quan. Cụ thể như một doanh nghiệp cho kết quả Z”- score thấp, thí dụ Z”- score nhỏ hơn 1.1 là những doanh nghiệp đang gặp khó khăn về tài chính. Chỉ số Z”- score giao động từ 1.1 đến 2.6 là những doanh nghiệp có khả năng gặp khó khăn về tài chính và Z”- score lớn hơn 2.6 thể hiện một tình hình tài chính lành mạnh. Chỉ số này càng thấp thì nguy cơ xảy ra gian lận càng cao nhằm mục đích che đậy sự yếu kém trong tình hình tài chính của doanh nghiệp.
Tuy nhiên, mô hình chỉ số Z này cũng tồn tại một số điểm hạn chế như không chỉ ra được thời gian phá sản dự kiến. Ngoài ra, chỉ số Z-score phải được sử dụng một cách phù hợp đối với các doanh nghiệp ở những ngành công nghiệp khác nhau
Mô hình P-score
Mô hình P-score được Igor Pustylnick (2011) phát triển bổ sung dựa trên công thức mô hình Z-score. Mô hình P-score có công thức tính tương tự như Z-score nhưng thay vì sử dụng thu nhập thuần và vốn lưu động, Igor Pustylnick (2011) đã sử dụng doanh thu và vốn chủ sở hữu.
Nghiên cứu của Igor Pustylnick (2011) ngoài việc kết hợp cả hai mô hình chỉ số Z-score và chỉ số P-score còn sử dụng thêm hai biến số là ∆P và ∆Z. Trong đó:
- Tỷ số thay đổi của P (∆P)
( ) ( ) ( )
- tỷ số thay đổi của Z (∆Z)
( ) ( ) ( )
Igor Pustylnick (2011) đã thực hiện nghiên cứu dựa trên 29 doanh nghiệp có lịch sử gian lận đã được công bố. Sau đó, Igor Pustylnick tiến hành tính toán các chỉ số Z, chỉ số P, chỉ số ∆P và ∆Z trong vòng 5 năm trước năm phát hiện ra gian lận trên BCTC với cách quy đổi mốc thời gian như sau: Năm 1 là năm cách năm phát hiện BCTC gian lận là 5 năm, tương tự cho năm 2 đến năm 5. Riêng đối với hiệu số ∆P - ∆Z thì thời gian quy đổi là 4 năm, với năm 1 là năm gốc để tính ∆P và ∆Z. Qua quá trình quan sát, so sánh kết qủa hiệu số ∆P - ∆Z trong nhiều năm nghiên cứu đã giúp Igor Pustylnick (2011) khẳng định hiệu số ∆P - ∆Z lớn hơn ngưỡng giá trị trung bình 0.37 sẽ là dấu hiệu của gian lận BCTC.
Nhìn chung, mô hình mới của Igor Pustylnick (2011) đã có những thay đổi phù hợp hơn so với thực tế hơn. Từ những kết quả nghiên cứu thực tế vào năm 1998 là hơn 50% các trường hợp gian lận dựa trên thời điểm ghi nhận doanh thu và gian lận tài sản, Igor Pustylnick (2011) đã linh động thay đổi những chỉ số trong mô hình Z- score để tăng hiệu quả phát hiện gian lận thông tin trên BCTC. Tuy nhiên, nghiên cứu của Igor Pustylnick (2011) chủ yếu tập trung vào phân tích xu hướng biến động tăng giảm, đòi hỏi dữ liệu phải được thu thập trong nhiều năm quan sát. Đây cũng là một điểm hạn chế của mô hình nghiên cứu này vì việc thu thập những dữ liệu cũ trong một khoảng thời gian dài khá là khó khăn. Bên cạnh đó, số mẫu nghiên cứu chỉ 29 mẫu còn khá ít, chưa thể bao quát được nhiều.
Bảng 2.1 sẽ tổng hợp lại 3 mô hình nghiên cứu dự báo gian lận đã trình bày ở trên.
Bảng 2.1: Tổng hợp các nghiên cứu về xây dựng mô hình dự báo gian lận
Tên mô hình Mẫu nghiên cứu Ưu điểm Nhược điểm
Mô hình M-score của Benish (1999).
74 doanh nghiệp có lợi nhuận bị chi phối từ 1982-1992
Dự báo đúng các DN có gian lận khoảng 50%.
Tập trung các chỉ tiêu liên quan đến doanh thu, lợi nhuận, bỏ qua những chỉ tiêu về chi phí, tài chính.
Mô hình Z-score của Alman (1968) 66 doanh nghiệp chia làm hai nhóm phá sản và không phá sản. Sử dụng đầy đủ các chỉ tiêu (doanh thu, lợi nhuận, chi phí) để đo lường khả năng phá sản của DN. Không chỉ ra được thời gian phá sản dự kiến. Chỉ số Z- score phải được sử dụng một cách phù hợp đối với mỗi loại hình DN khác nhau.
Mô hình P-score của Igor Pustylnick (2011)
29 doanh nghiệp có lịch sử gian lận
Linh động thay đổi những chỉ số trong mô hình Z-score để tăng hiệu quả phát hiện gian lận thông tin trên BCTC
Khó thu thập được những dữ liệu cũ trong một khoảng thời gian dài. Số mẫu nghiên cứu khá ít, chưa thể bao quát được nhiều
(Nguồn: Tác giả thống kê lại dựa trên các nghiên cứu được trình bày ở trên)
Nhìn chung, các mô hình được xây dựng bởi những nhà nghiên cứu trên đã có những đóng góp giá trị trong việc góp phần dự báo gian lận trên BCTC. Tuy nhiên, bên cạnh đó mỗi mô hình nghiên cứu còn tồn tại những mặt hạn chế nhất định. Do đó, bài luận văn quyết định lựa chọn mô hình F-score của Dechow và các cộng sự (2012) nhằm dự báo khả năng BCTC có sai sót làm nghiên cứu làm nền tảng để thực hiện đề tài. Với mẫu nghiên cứu không quá nhỏ và có thể đại diện cho tổng thể là 680 DN nghi ngờ có sai sót trên BCTC qúy và BCTC năm. Cùng với việc dữ liệu thu thập là thông tin tài chính trên BCTC, phù hợp với định hướng nghiên cứu của luận văn là xây dựng mô hình dự báo sai sót trên BCTC dựa trên những thông tin tài chính sẵn có và dễ thu thập. Ngoài ra, kết quả dự báo đúng các doanh nghiệp gian lận khi áp dụng mô hình F-score của Dechow và các cộng sự (2012) là hơn 60%.
Chính vì những ưu điểm nổi bật này, nên mô hình F-score được lựa chọn để thực hiện nghiên cứu.