8. Kết cấu của đề tài
2.3.3Sử dụng công cụ phân tích và dự đoán khả năng doanh nghiệp xảy ra sa
xảy ra sai sót dựa vào hệ số Fraud-score (F-score)
Đây là nghiên cứu thực nghiệm mà người viết đã chọn làm nền tảng để tiến hành thực hiện bài nghiên cứu của mình. Nghiên cứu của Dechow, Larson, Weili và Sloan thuộc đại học Michigan và Washington được thực hiện vào năm 2007 và được chỉnh sửa hoàn thiện chính thức vào năm 2012. Mô hình F-score được xây dựng như một thử nghiệm đầu tiên nhằm mục đích giúp các KTV, các nhà đầu tư đánh giá được rủi ro có sai sót thông tin trên BCTC tại các doanh nghiệp. Hệ số F- score không đảm bảo rằng chắc chắn có sai sót, nhưng sẽ là dấu hiệu cảnh bảo giúp các KTV cũng như các nhà đầu tư tập trung hơn vào những rủi ro.
Dechow và các cộng sự (2012) đã tiến hành khảo sát 2,191 BCTC của các doanh nghiệp được công bố bởi SEC trong giai đoạn từ 1982 đến 2005, kết quả có 680 doanh nghiệp là số mẫu nghi ngờ có sai sót ở BCTC quý và BCTC năm. Kết quả thống kê cho thấy rằng hơn 55% trường hợp gian lận liên quan đến doanh thu, theo sau là gian lận liên quan đến hàng tồn kho, giá vốn, 10% liên quan đến các khoản dự phòng.
Các bước tiến hành trong nghiên cứu của Dechow và các công sự (2012) theo thứ tự như sau:
- Thực hiện việc so sánh BCTC của các doanh nghiệp có sai sót trong năm sai sót với những năm khác.
- So sánh BCTC của các doanh nghiệp có sai sót trong thời gian xảy ra sai sót với các doanh nghiệp được niêm yết khác ở cùng thời gian.
- Xây dựng mô hình dự báo sai sót.
Mẫu nghiên cứu được sử dụng để xây dựng mô hình dự báo sai sót trên BCTC với 3 mức độ khác nhau. Mô hình cơ sở xem xét mối quan hệ giữa hành vi sai sót và các yếu tố trên BCTC gồm các khoản kế toán dồn tích (Rsst-acc), thay đổi khoản
phải thu (Chrec), thay đổi hàng tồn kho (Chinv), tài sản có tính thanh khoản trung bình (Soft assets), thay đổi trong doanh thu bằng tiền (Chcs), thay đổi tỷ suất sinh lợi trên tài sản (Chroa) và biến phát hành cổ phiếu trong năm (Issue).
MISSTATEMENT = -7.893 + 0.790Rsst-acc + 2.518Chrec+ 1.191Chinv + 1.979Softassets + 0.171Chcs – 0.932Chroa + 1.092Issue + ε. (Mô hình 1)
Tiếp đến Dechow và các cộng sự (2012) đã phát triển mô hình dự báo ban đầu bằng cách thêm vào các biến đo lường thông tin phi tài chính (biến sự thay đổi số lượng nhân viên) và những biến đo lường hoạt động ngoài bảng (biến cho thuê hoạt động).
MISSTATEMENT = -8.252 + 0.665Rsst-acc + 2.457Chrec + 1.393Chinv + 2.011Softassets + 0.159Chcs – 1.029Chroa + 0.983Issue – 0.15Chaemp + 0.419Leasedum + ε. (Mô hình 2)
Mô hình thứ hai lại tiếp tục được phát triển thông qua việc thêm vào các biến liên quan đến thị trường, bao gồm các chỉ số thể hiện giá trị sổ sách so với thị trường, chỉ số giá trên lợi nhuận, chỉ số giá cổ phiếu, vay hoạt động. Mô hình như sau:
MISSTATEMENT = -7.966 + 0.909Rsst-acc + 1.731Chrec + 1.447Chinv + 2.265Softassets + 0.160Chcs – 1.455Chroa + 0.653Issue – 0.121Chaemp + 0.345Leasedum + 0.082Rett + 0.098Rett-1 + ε. (Mô hình 3)
Trước khi lựa chọn các biến độc lập để đưa vào mô hình, Dechow và các cộng sự (2012) đã so sánh số liệu của các doanh nghiệp giữa những năm có sai sót và những năm không có sai sót, kết quả cho thấy rằng giá cổ phiếu thường tăng vào những năm trước khi xảy ra sai sót và giảm khi sai sót bị phát hiện là điều tất yếu. Ngoài ra, trong giai đoạn thực hiện hành vi sai sót, lãi gộp từ doanh thu bằng tiền mặt tăng và tỷ suất lợi nhuận giảm trong khi các khoản trích trước tăng cao bất thường. Trong những giai đoạn tình hình tài chính yếu kém, các nhà nghiên cứu nhận thấy hoạt động thuê tăng lên đáng kể. Bên cạnh đó, nhà đầu tư thường sẽ kỳ vọng cao hơn vào khả năng sinh lợi trong tương lai của các doanh nghiệp có sai sót. Điều này đã khiến chỉ số giá trên thu nhập, chỉ số giá thị trường cao một cách bất
thường. Đồng thời các doanh nghiệp này sẽ ra sức phát hành cổ phiếu, hay công cụ nợ nhằm mục đích che dấu tình hình tài chính thiếu lành mạnh, dễ dàng tìm được những khoản vay ưu đãi là những động cơ chính để các doanh nghiệp thực hiện hành vi sai sót.
Hệ số F-score được tính bằng cách sử dụng những giá trị thực tế của các biến của 680 mẫu đã được thu thập thay vào một trong ba mô hình trên để tính ra giá trị dự đoán (predicted value). Sau đó thay vào công thức tính xác suất xảy ra sai sót (Probability). Tiếp theo sẽ tính hệ số F-score bằng cách lấy xác suất xảy ra sai sót (Probability) chia cho xác suất không điều kiện (Uncondition expectation).
Kết quả nghiên cứu cho thấy với những doanh nghiệp có F-score lớn hơn giá trị 1 thì rủi ro BCTC có sai sót cao, đòi hỏi các KTV cần thiết kế thêm những thủ tục kiểm toán nhằm phát hiện những hành vi gây sai sót. Ngược lại, nếu F-score bé hơn giá trị 1 thì rủi ro BCTC có sai sót là thấp. Kết quả thực nghiệm cho thấy công cụ F- score đã phân loại các doanh nghiệp có sai sót và không sai sót với tỷ lệ chính xác hơn 60%. Có thể nói rằng, mô hình F-score là một công cụ khá hữu ích trong việc dự báo rủi ro thông tin trên BCTC có sai sót.
Dechow và các cộng sự (2012) đã xây dựng và phát triển hơn mô hình của Benish (1999). Nghiên cứu này đã phát hiện ra rằng những hành vi sai sót trên BCTC chi phối không chỉ các biến trên BCTC, mà còn chi phối bởi các biến thông tin phi tài chính, hoạt động ngoài bảng và các dữ liệu liên quan đến thị trường, góp phần gia tăng mức độ tin cậy trong việc dự báo rủi ro BCTC có sai sót.