CHƯƠNG 2: XÂY DỰNG PHƯƠNG PHÁP NGHIÊN CỨU VÀ ĐO LƯỜNG MÔ HÌNH NHẬN DIỆN GIAN LẬN TRONG BCTC CỦA CÁC NHTM VIỆT NAM NIÊM YẾT TRÊN SÀN CHỨNG KHOÁN
2.1. Khái quát về phương pháp xây dựng bộ chỉ số
2.1.1. Lựa chọn mẫu ngân hàng
Đề tài có 2 mục tiêu chính trong việc phân tích định lượng là xây dựng mô hình nhận diện độ gian lận trong BCTC của các NHTM Việt Nam (i) và tìm mức giá trị phân loại các ngân hàng có dấu hiệu thao túng BCTC (ii).
Để thực hiện mục tiêu này, em đã sử dụng mẫu dữ liệu gồm 25 NHTM Việt Nam được niêm yết trên 3 sàn chứng khoán (HOSE, HNX, UPCOM) trong khoảng thời gian từ 2011 đến 2020. Số liệu được tổng hợp từ các bản báo cáo tài chính trước kiểm toán và sau kiểm toán trên các website chính thức mà các ngân hàng công bố. Tuy nhiên, trong quá trình thu thập dữ liệu, ngân hàng Vietbank (VBB) lại không có đủ chuỗi số liệu trong 10 năm, vì vậy sẽ chỉ có 24 NHTM niêm yết trên sàn chứng khoán được nghiên cứu.
Trong số 24 ngân hàng được chọn trên, Ngân hàng TMCP Đầu tư và Phát triển Việt Nam (BIDV), Ngân hàng TMCP Công thương Việt Nam (VietinBank), Ngân hàng TMCP Ngoại thương Việt Nam (Vietcombank) là các NHTM có cổ phẩn sở hữu 50%
của nhà nước. Các ngân hàng còn lại đều được hoạt động dưới hình thức của Ngân hàng Thương mại Cổ phần.
2.1.2. Phương pháp nghiên cứu
a. Lựa chọn các biến độc lập có mức độ tương quan với mô hình và xây dựng mô hình M-score với những biến thích hợp
Mô hình được thiết lập dựa trên các nghiên cứu của Friedlan (1994) [5], M-score của Beneish (1999) [1], nghiên cứu về xu hướng thao túng thu nhập khi quy mô doanh nghiệp thay đổi của Rhee và các cộng sự (2003) [8] và nghiên cứu về mô hình F-score
của Dechow và các cộng sự (2011) [10]. Ngoài ra mô hình cũng được thêm một số biến độc lập để phù hợp với hình thức hoạt động của các NHTM.
- Mô hình dồn tích Friedlan (1994)
Dựa trên những thiếu xót của mô hình được phát triển năm 1986 của DeAngelo, tác giả Friedlan đã công bố mô hình được cải tiến vào năm 1994. Nếu hai giả thiết là sự thay đổi tăng trưởng và do lựa chọn kế toán của tổ chức phát triển được thỏa mãn thì lợi nhuận được điều chỉnh chính là phần biến kế toán có thể điều chỉnh DA. DA ở đây được kì vọng có biến động cùng chiều với khả năng xảy ra sai xót trong BCTC.
- Mô hình của Beneish M-score (1999)
Điểm M của Beneish được xây dựng dựa trên biến phụ thuộc nhận giá trị nhị phân, M-score sẽ nhận giá trị bằng 1 khi phát hiện ra hành động thao túng thu nhập của doanh nghiệp trên 10% và nhận giá trị bằng 0 khi không có hiện trạng gian lận trong BCTC của công ty.
Các biến độc lập được Beneish sử dụng là: SGI – Tỷ lệ tăng tưởng doanh thu, DSRI – Tỷ số ngày phải thu trên doanh thu thuần, TATA – Tỷ số biến dồn tích kế toán trên TTS, DEPI – Tỷ số hao mòn TSCĐ hữu hình, LVGI – Tỷ số đòn bẩy. Tuy nhiên biến AQI và SGAI sẽ không được sử dụng do tính chất kinh doanh của ngân hàng thương mại không giống như các doanh nghiệp sản xuất. Đồng thời, biến GMI sẽ được thay đổi thành biến NIM để phù hợp với tính chất nghiệp vụ của ngân hàng bởi hai biến đều có điểm tương đồng về mặt bản chất.
- Nghiên cứu của Rhee và các cộng sự (2003)
Việc thao túng BCTC của các doanh nghiệp nhỏ thường có tần suất xảy ra lớn hơn các công ty có quy mô lớn vì vậy biến SIZE được dự đoán có tác động ngược chiều với việc xảy ra gian lận.
- Tỷ lệ nợ xấu
Tỷ lệ nợ xấu được kỳ vọng có biến động cùng chiều với việc thao túng BCTC của các NHTM. Bởi khi tỷ lệ nợ xấu càng lớn, các ngân hàng thường có hành vi thao túng vào BCTC.
Mô hình logistic nhận diện gian lận BCTC của các NHTM Việt Nam được dự kiến có dạng như sau:
M = 𝜷𝟎 + 𝜷𝟏 (DSRI) + 𝜷𝟐 (NIM) + 𝜷𝟑 (SGI) + 𝜷𝟒 (DEPI) + 𝜷𝟓 (LVGI) + 𝜷𝟔 (TATA) + 𝜷𝟕(DA) + 𝜷𝟖 (SIZE) + 𝜷𝟗 (NPL) + 𝜺 (1)
Bảng 2. Kì vọng dấu của các biến độc lập
DSRI NIM SGI DEPI LVGI TATA DA SIZE NPL Kì
vọng dấu
+ + + + - + + - +
Nguồn: Tác giả tự tổng hợp b. Tìm mức giá trị thích hợp để phân loại các ngân hàng có dấu hiệu thao túng báo
cáo tài chính
Tiếp theo, ta sẽ ước lượng giá trị để phân loại nhóm có và không có gian lận thông qua kết quả BCTC sau kiểm toán. Những NHTM có điểm M-score thuộc ngưỡng giá trị này được xem là có hành vi gian lận. Đồng thời, việc kiểm định độ chính xác của mô hình sẽ được ứng dụng vào số liệu của năm 2016.
Trong nghiên cứu của Beneish, tác giả đã đưa ra miền phân phối bên trái từ 1- 2.5% của phân phối chuẩn 𝑀𝑖 tương ứng với khả năng gian lận tài chính cao, tương ứng với tỷ lệ là giá trị phân loại -1.96 cho -2.32. Từ đó, các giá trị phân loại M-score tương ứng với xác suất 1%, 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40% miền phân phối bên trái hàm Normsinv trong phần mềm excel được tính như sau:
Bảng 3. Giới hạn hàm Normsinv
Xác suất dự báo Phân loại giá trị M-score
1% -2.326347874
5% -1.644853627
10% -1.281551566
15% -1.036433389
20% -0.841621234
25% -0.67448975
30% -0.524400513
35% -0.385320466
40% -0.253347103
Nguồn: Kết quả nghiên cứu Với 𝑀𝑖 > giá trị phân loại của M-score được tính theo các xác suất nêu trên, doanh nghiệp thứ i được đánh dấu là có khả năng gian lận. Kết quả mô hình sẽ được so sánh với kết quả sau kiểm toán là:
- Kết quả mô hình có gian lận, số liệu sau kiểm toán có chênh lệch => Dự báo chính xác.
- Kết quả mô hình có gian lận, số liệu sau kiểm toán không có chênh lệch => Dự báo không chính xác.
- Kết quả mô hình không có gian lận, số liệu sau kiểm toán không có chênh lệch
=> Dự báo chính xác.
- Kết quả mô hình không có gian lận, số liệu sau kiểm toán có chênh lệch => Dự báo không chính xác.
Bảng 4. Phân loại sai lầm loại 1 và 2 Kết quả sau kiểm toán
Có gian lận Không có gian lận
Dự báo
Có gian lận Dự báo đúng có gian lận (1)
Dự báo sai có gian lận (Sai lầm loại 1) (2)
Không có gian lận
Dự báo sai không có gian lận (Sai lầm loại 2) (3)
Dự báo đúng không sai phạm (4)
Độ chính xác của dự báo 1/(1+3) 4/(2+4)
Tổng độ chính xác (1+4)/tổng số quan sát
Nguồn: Giáo trình lý thuyết xác suất thống kê – ĐH KTQD Sau khi xem xét độ chính xác của mô hình tại các mức giá trị, em tiến hành liệt kê và chọn mức có tính chính xác lớn nhất, và là kết quả cuối cùng của mô hình. Qua đó, em sẽ xác định tính chính xác của mô hình với dữ liệu năm 2016 bằng cách kiểm tra nêu trên.