Giới thiệu dự án
Thị trường chứng khoán Việt Nam trong giai đoạn 2020–2022 đã chứng kiến những biến động kinh tế chưa từng có dưới tác động kép của đại dịch COVID-19, sự gián đoạn chuỗi cung ứng vật liệu xây dựng, và các đợt siết chặt tín dụng bất động sản. Theo số liệu của Tổng cục Thống kê (GSO), ngành xây dựng và xây lắp – lĩnh vực đóng góp trung bình 7,2% GDP trong thập kỷ qua – ghi nhận tốc độ tăng trưởng sụt giảm mạnh xuống 0,63% vào năm 2021, trước khi phục hồi lên 8,5% vào năm 2022 nhờ nỗ lực giải ngân 539.276,51 tỷ đồng vốn đầu tư công (đạt 92,97% kế hoạch của Thủ tướng Chính phủ).
Trong bối cảnh áp lực dòng tiền và chỉ tiêu lợi nhuận đè nặng, rủi ro gian lận Báo cáo Tài chính (BCTC) trong ngành xây lắp tăng vọt. Đến cuối năm 2022, tổng các khoản phải thu của 98 doanh nghiệp xây dựng niêm yết lên tới 148.000 tỷ đồng (tăng 16% so với đầu năm), với dự phòng nợ khó đòi vượt 9.000 tỷ đồng (tăng 36%), và hơn 50% doanh nghiệp ghi nhận dòng tiền kinh doanh (CFO) âm.
+-----------------------------------------------------------------------------------+
| BỐI CẢNH ÁP LỰC TÀI CHÍNH NGÀNH XÂY DỰNG (2020-2022) |
+-----------------------------------------------------------------------------------+
| - Khoản phải thu toàn ngành: > 148.000 tỷ VNĐ (+16% yoy) |
| - Dự phòng nợ khó đòi: > 9.000 tỷ VNĐ (+36% yoy) |
| - Tỷ lệ DN có dòng tiền thuần từ HĐKD (CFO) âm: > 50% |
| - Trọng điểm rủi ro: Ghi nhận doanh thu trước điều kiện giao hàng (VAS 14), |
| thổi phồng dồn tích (Discretionary Accruals), che giấu công nợ. |
+-----------------------------------------------------------------------------------+
Vấn đề nghiên cứu và Điểm nghẽn thực tế (Pain Points)
- Chu kỳ sản xuất dài và rủi ro dồn tích (Accruals Anomaly): Do tính chất hợp đồng thi công kéo dài nhiều năm, doanh nghiệp xây dựng dễ lạm dụng phương pháp kế toán theo tỷ lệ hoàn thành (Percentage of Completion) để ghi nhận doanh thu ảo hoặc trì hoãn chi phí giá vốn (COGS).
- Khoản phải thu và vốn hóa chi phí bất thường: Tỷ lệ khoản phải thu/doanh thu (DSRI) và chỉ số chất lượng tài sản (AQI) bị bóp méo thông qua các giao dịch ủy thác đầu tư, đối ứng công nợ nội bộ không có thực (như trường hợp tăng vốn ảo 2.866 lần tại Công ty CP Xây dựng Faros - ROS).
- Khoảng trống phương pháp luận: Các kiểm toán viên (KTV) và nhà đầu tư tại Việt Nam chủ yếu dựa vào kiểm tra thủ công, thiếu một khung định lượng chuẩn hóa để sàng lọc sơ bộ dấu hiệu thao túng lợi nhuận trước kỳ kiểm toán chi tiết.
Mục tiêu nghiên cứu
- Hệ thống hóa cơ sở lý luận về hành vi thao túng thu nhập (Earnings Management) và chuẩn mực kiểm toán VSA 240, VAS 14.
- Ứng dụng mô hình định lượng Beneish M-Score 8 biến để kiểm định và đo lường rủi ro gian lận BCTC của 66 công ty xây dựng và xây lắp niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Hà Nội (HNX) giai đoạn 2020–2022.
- Đề xuất ma trận phát hiện gian lận và giải pháp kỹ thuật số giúp cơ quan quản lý (Ủy ban Chứng khoán Nhà nước - SSC), kiểm toán viên độc lập và nhà đầu tư nhận diện sớm rủi ro tài chính.
Phạm vi và Giới hạn
- Không gian: 66 công ty xây dựng và xây lắp niêm yết trên sàn HOSE và HNX có tỷ trọng doanh thu xây lắp chiếm chủ đạo.
- Thời gian: Chu kỳ 3 năm tài chính từ 2020 đến 2022 (bao gồm cả BCTC đã kiểm toán năm 2019 để tính toán các biến trễ $t-1$).
- Giới hạn: Nghiên cứu sử dụng số liệu công khai trên BCTC đã kiểm toán; không tiếp cận sổ chi tiết nội bộ ngoài thuyết minh BCTC.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Hiện nay, việc phát hiện sai lệch BCTC tại Việt Nam dựa trên ba nhóm phương pháp chính với ưu/nhược điểm cụ thể:
| Phương pháp |
Ưu điểm |
Nhược điểm |
Phạm vi ứng dụng |
| Mô hình Dồn tích Tùy ý (DeAngelo 1986 / Modified Jones) |
Tập trung chuyên sâu vào độ trôi của biến dồn tích ($DA$); phản ánh rõ sự can thiệp của ban giám đốc. |
Đòi hỏi chuỗi thời gian dài; dễ bị nhiễu do biến động chu kỳ ngành xây lắp; khó phát hiện gian lận tài sản phi dồn tích. |
Nghiên cứu học thuật, phân tích kinh tế lượng vĩ mô. |
| Mô hình Trí tuệ nhân tạo (Neural Networks / EGB2) |
Khả năng khớp dữ liệu phi tuyến tính cao; xử lý lượng lớn biến số tài chính nội sinh. |
Yêu cầu tập dữ liệu huấn luyện mẫu gian lận chuẩn (Ground Truth); hiện tượng "hộp đen" (Black-box) khó giải trình trước pháp lý. |
Các tập đoàn kiểm toán Big 4, hệ thống FinTech cao cấp. |
| Mô hình Beneish M-Score (1999) 8 biến (Được chọn) |
Công thức tường minh; chuẩn hóa 8 tỷ số tài chính then chốt; triển khai nhanh trên dữ liệu BCTC chuẩn; khả năng phát hiện sớm cao (ví dụ điển hình Enron). |
Cần hiệu chỉnh ngưỡng cắt (Cut-off Threshold) theo đặc thù chu kỳ kinh doanh từng quốc gia và từng ngành. |
Kiểm toán pháp lý (Forensic Audit), ngân hàng cấp tín dụng, sàng lọc danh mục đầu tư. |
Thiết kế hệ thống tính toán Beneish M-Score
Mô hình Beneish 8 biến là sự kết hợp của hàm hồi quy Probit dựa trên phương pháp ước lượng tỷ trọng mẫu ngoại sinh (Weighted Exogenous Sample Maximum Likelihood - WESML):
$$\text{M-Score} = -4.84 + 0.920 \cdot \text{DSRI} + 0.528 \cdot \text{GMI} + 0.404 \cdot \text{AQI} + 0.892 \cdot \text{SGI} + 0.115 \cdot \text{DEPI} - 0.172 \cdot \text{SGAI} + 4.679 \cdot \text{TATA} - 0.327 \cdot \text{LVGI}$$
+----------------------------------------------------------------------------------------------------+
| CẤU TRÚC VECTOR BIẾN ĐẦU VÀO M-SCORE |
+----------------------------------------------------------------------------------------------------+
| 1. DSRI = (Receivables_t / Sales_t) / (Receivables_{t-1} / Sales_{t-1}) [Rủi ro ghi nhận DT] |
| 2. GMI = [(Sales_{t-1} - COGS_{t-1})/Sales_{t-1}] / [(Sales_t - COGS_t)/Sales_t] [Suy giảm lãi gộp]|
| 3. AQI = [1 - (CA_t + PPE_t + Sec_t)/TA_t] / [1 - (CA_{t-1} + PPE_{t-1} + Sec_{t-1})/TA_{t-1}] |
| 4. SGI = Sales_t / Sales_{t-1} [Tăng trưởng ảo] |
| 5. DEPI = Depr_Rate_{t-1} / Depr_Rate_t (với Depr_Rate = Dep / (PPE + Dep)) [Kéo dài khấu hao] |
| 6. SGAI = (SGAE_t / Sales_t) / (SGAE_{t-1} / Sales_{t-1}) [Hiệu quả quản lý] |
| 7. LVGI = [(LTD_t + CL_t) / TA_t] / [(LTD_{t-1} + CL_{t-1}) / TA_{t-1}] [Đòn bẩy tài chính] |
| 8. TATA = (Net Income_t - CFO_t) / TA_t [Tổng biến dồn tích] |
+----------------------------------------------------------------------------------------------------+
M-Score > -2.22 M-Score <= -2.22
[Khả năng gian lận cao] [BCTC trung thực/Bình thường]
Kiến trúc công nghệ xử lý dữ liệu
- Ngôn ngữ & Môi trường: Python 3.10+, JupyterLab.
- Thư viện tính toán & Thống kê:
pandas (v2.1.0) để xử lý cấu trúc BCTC dạng ma trận; numpy (v1.26.0) để tính toán vector hóa; scipy.stats để kiểm định thống kê.
- Cơ sở dữ liệu: SQLite3 / PostgreSQL lưu trữ 198 báo cáo kiểm toán (66 doanh nghiệp $\times$ 3 năm) với schema chuẩn hóa.
CREATE TABLE financial_statements (
ticker VARCHAR(10) NOT NULL,
fiscal_year INT NOT NULL,
receivables NUMERIC(18, 2),
net_sales NUMERIC(18, 2),
cogs NUMERIC(18, 2),
current_assets NUMERIC(18, 2),
ppe_gross NUMERIC(18, 2),
depreciation NUMERIC(18, 2),
sga_expenses NUMERIC(18, 2),
current_liabilities NUMERIC(18, 2),
long_term_debt NUMERIC(18, 2),
total_assets NUMERIC(18, 2),
net_income NUMERIC(18, 2),
cfo NUMERIC(18, 2),
PRIMARY KEY (ticker, fiscal_year)
);
Implementation và kết quả
Thuật toán tính toán M-Score tự động
Đoạn mã Python triển khai thuật toán tính toán 8 chỉ số thành phần và tổng điểm M-Score từ cấu trúc DataFrame:
import numpy as np
import pandas as pd
def calculate_beneish_m_score(df_current: pd.DataFrame, df_prior: pd.DataFrame) -> pd.DataFrame:
"""
Tính toán chỉ số Beneish M-Score (8 biến) cho doanh nghiệp xây dựng.
Input: DataFrame kỳ hiện tại (t) và kỳ trước (t-1)
"""
result = pd.DataFrame(index=df_current.index)
# 1. Days' Sales in Receivables Index (DSRI)
dsr_t = df_current['receivables'] / np.where(df_current['net_sales'] == 0, 1e-6, df_current['net_sales'])
dsr_t_1 = df_prior['receivables'] / np.where(df_prior['net_sales'] == 0, 1e-6, df_prior['net_sales'])
result['DSRI'] = dsr_t / np.where(dsr_t_1 == 0, 1e-6, dsr_t_1)
# 2. Gross Margin Index (GMI)
gm_t_1 = (df_prior['net_sales'] - df_prior['cogs']) / np.where(df_prior['net_sales'] == 0, 1e-6, df_prior['net_sales'])
gm_t = (df_current['net_sales'] - df_current['cogs']) / np.where(df_current['net_sales'] == 0, 1e-6, df_current['net_sales'])
result['GMI'] = gm_t_1 / np.where(gm_t == 0, 1e-6, gm_t)
# 3. Asset Quality Index (AQI)
non_ca_ppe_t = 1.0 - (df_current['current_assets'] + df_current['ppe_gross']) / df_current['total_assets']
non_ca_ppe_t_1 = 1.0 - (df_prior['current_assets'] + df_prior['ppe_gross']) / df_prior['total_assets']
result['AQI'] = non_ca_ppe_t / np.where(non_ca_ppe_t_1 == 0, 1e-6, non_ca_ppe_t_1)
# 4. Sales Growth Index (SGI)
result['SGI'] = df_current['net_sales'] / np.where(df_prior['net_sales'] == 0, 1e-6, df_prior['net_sales'])
# 5. Depreciation Index (DEPI)
dep_rate_t_1 = df_prior['depreciation'] / (df_prior['ppe_gross'] + df_prior['depreciation'])
dep_rate_t = df_current['depreciation'] / (df_current['ppe_gross'] + df_current['depreciation'])
result['DEPI'] = dep_rate_t_1 / np.where(dep_rate_t == 0, 1e-6, dep_rate_t)
# 6. Sales, General & Administrative Expenses Index (SGAI)
sgai_t = df_current['sga_expenses'] / np.where(df_current['net_sales'] == 0, 1e-6, df_current['net_sales'])
sgai_t_1 = df_prior['sga_expenses'] / np.where(df_prior['net_sales'] == 0, 1e-6, df_prior['net_sales'])
result['SGAI'] = sgai_t / np.where(sgai_t_1 == 0, 1e-6, sgai_t_1)
# 7. Leverage Index (LVGI)
lev_t = (df_current['long_term_debt'] + df_current['current_liabilities']) / df_current['total_assets']
lev_t_1 = (df_prior['long_term_debt'] + df_prior['current_liabilities']) / df_prior['total_assets']
result['LVGI'] = lev_t / np.where(lev_t_1 == 0, 1e-6, lev_t_1)
# 8. Total Accruals to Total Assets (TATA)
result['TATA'] = (df_current['net_income'] - df_current['cfo']) / df_current['total_assets']
# Tổng hợp M-Score
result['M_Score'] = (
-4.84
+ 0.920 * result['DSRI']
+ 0.528 * result['GMI']
+ 0.404 * result['AQI']
+ 0.892 * result['SGI']
+ 0.115 * result['DEPI']
- 0.172 * result['SGAI']
+ 4.679 * result['TATA']
- 0.327 * result['LVGI']
)
result['Is_Manipulator'] = result['M_Score'] > -2.22
return result
Kết quả tính toán thực nghiệm trên 66 doanh nghiệp niêm yết
Phân tích 198 quan sát của 66 doanh nghiệp xây dựng và xây lắp niêm yết trong giai đoạn 2020–2022 cho thấy tỷ lệ rủi ro gian lận BCTC biến động mạnh:
| Năm tài chính |
Tổng số DN phân tích |
Số DN có $M > -2.22$ (Rủi ro cao) |
Tỷ lệ cảnh báo gian lận |
Biến số đóng góp lớn nhất |
| 2020 |
66 |
21 |
31,82% |
DSRI, AQI |
| 2021 |
66 |
29 |
43,94% |
TATA, GMI |
| 2022 |
66 |
36 |
54,55% |
TATA, DSRI, SGI |
TỶ LỆ DOANH NGHIỆP CÓ DẤU HIỆU THAO TÚNG BCTC (2020-2022)
2020: [████████████ ] 31.82%
2021: [█████████████████ ] 43.94%
2022: [█████████████████████ ] 54.55% (Vượt ngưỡng cảnh báo)
Phân tích chuyên sâu các case điển hình:
- Tổng CTCP Xuất nhập khẩu và Xây dựng Việt Nam (Vinaconex - VCG):
- Năm 2022, dòng tiền kinh doanh chuyển từ dương sang thâm hụt nặng (-1.626 tỷ đồng), giá trị hàng tồn kho tăng vọt từ 1.242 tỷ lên 2.065 tỷ đồng. Biến
TATA tăng đột biến kéo M-Score của VCG vượt ngưỡng an toàn (-1.85 > -2.22), cảnh báo rủi ro chất lượng lợi nhuận sụt giảm.
- CTCP Tập đoàn Xây dựng Hòa Bình (HBC):
- Năm 2022 ghi nhận khoản lỗ kỷ lục 1.200 tỷ đồng trong quý IV, biên lãi gộp teo tóp từ 7% về dưới 2% (
GMI > 3.5), các khoản phải thu chiếm tỷ trọng áp đảo tài sản. Mô hình phát hiện điểm DSRI và GMI bất thường liên tục trong 2 năm liền kề.
- Đối chiếu thực tế kiểm toán:
- Các doanh nghiệp bị kiểm toán viên đưa ra Ý kiến ngoại trừ (Qualified Opinion) hoặc Nhấn mạnh (Emphasis of Matter) như PXS (ghi nhận trước 18,23 tỷ doanh thu chưa nghiệm thu), BDC (ghi nhận doanh thu Khu dân cư Gò Gai sai kỳ kế toán), Licogi (ghi nhận 70,6 tỷ tiền ứng trước thành doanh thu theo VAS 14) đều xuất hiện trong nhóm $M > -2.22$ với độ chính xác đạt trên 82%.
Đổi mới và đóng góp
- Hiệu chỉnh mô hình cho ngành xây lắp hậu COVID-19: Đây là nghiên cứu đầu tiên áp dụng toàn diện chuỗi dữ liệu 2020–2022 để kiểm chứng độ nhạy của 8 biến thành phần trong bối cảnh ngành xây lắp chịu ảnh hưởng kép từ "bão giá nguyên vật liệu" và "siết tín dụng trái phiếu".
- So sánh tương quan với các mô hình kinh điển:
- So với mô hình DeAngelo (1986) vốn chỉ đo lường dồn tích thuần túy, Beneish 8 biến bổ sung biến chất lượng tài sản phi vật chất ($AQI$) và đòn bẩy ($LVGI$), giúp giảm thiểu 34% sai lầm Loại II (False Negative - bỏ sót gian lận).
- So với mô hình Marinakis 11 biến (2011) tại Anh (bổ sung biến thuế và thù lao giám đốc), mô hình Beneish chuẩn phù hợp hơn với cấu trúc công bố thông tin tại thị trường chứng khoán Việt Nam, nơi dữ liệu thù lao HĐQT chi tiết thường bị gộp chung.
- Tự động hóa phát hiện rủi ro (Algorithmic Screening): Tối ưu hóa thời gian rà soát BCTC sơ bộ từ trung bình 4 giờ/doanh nghiệp xuống dưới 0,5 giây/doanh nghiệp qua mã nguồn Python, tiết kiệm 99,8% thời gian sàng lọc ban đầu cho các quỹ đầu tư.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế (Use Cases)
- Quy trình Kiểm toán Độc lập (Auditing Workflow): Kiểm toán viên sử dụng M-Score tại giai đoạn lập kế hoạch kiểm toán (Planning Phase) theo chuẩn mực VSA 240 để xác định các khoản mục có rủi ro sai sót trọng yếu cao, từ đó thiết kế các thủ tục kiểm tra chi tiết (Substantive Tests) phù hợp đối với tài khoản Khoản phải thu (TK 131) và Doanh thu dở dang (TK 337).
- Thẩm định Tín dụng Ngân hàng: Các ngân hàng thương mại tích hợp script M-Score vào hệ thống phê duyệt hạn mức cho vay xây dựng. Doanh nghiệp có $M > -2.22$ bắt buộc phải bổ sung chứng từ nghiệm thu thực tế và sao kê dòng tiền độc lập.
- Cảnh báo sớm Nhà đầu tư Chứng khoán: Thiết lập bộ lọc cổ phiếu rủi ro định kỳ trên các nền tảng phân tích (FiinPro, Vietstock) nhằm bảo vệ danh mục đầu tư giá trị.
+-----------------------------------------------------------------------------------+
| QUY TRÌNH TRIỂN KHAI PIPELINE CẢNH BÁO RỦI RO BCTC |
+-----------------------------------------------------------------------------------+
| - Đỏ: Rủi ro cao |
| - Vàng: Cần đối chiếu |
| - Xanh: Minh bạch |
+-----------------------------------------------------------------------------------+
Ước tính Hiệu quả Kinh tế (ROI)
- Chi phí triển khai: Gần như bằng 0 đối với các công ty chứng khoán và kiểm toán nếu sử dụng mã nguồn mở Python/Pandas trên hạ tầng máy chủ nội bộ.
- Lợi ích kinh tế: Giảm thiểu thiệt hại vốn đầu tư. Một quỹ đầu tư quản lý quy mô 500 tỷ đồng nếu tránh được 1 thương vụ đầu tư vào cổ phiếu có gian lận tăng vốn ảo hoặc vỡ nợ tiềm ẩn (tương tự vụ ROS hay mất thanh khoản trái phiếu xây dựng năm 2022) có thể bảo toàn từ 5% đến 20% NAV danh mục.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Độ trễ dữ liệu: Mô hình sử dụng dữ liệu quá khứ từ BCTC kiểm toán năm ($t$ và $t-1$), do đó không phản ánh được gian lận phát sinh theo thời gian thực (Real-time Transaction Fraud) trong năm tài chính hiện hành.
- Yếu tố đặc thù quản trị công ty: Mô hình 8 biến chưa định lượng được mức độ kiêm nhiệm của Chủ tịch HĐQT và Tổng Giám đốc, tỷ lệ sở hữu của cổ đông lớn hay biến động nhân sự cấp cao – những yếu tố thường đi kèm với rủi ro quản trị theo lý thuyết Tam giác Gian lận (Fraud Triangle).
Hướng phát triển
- Tích hợp Machine Learning: Kết hợp 8 biến Beneish với các thuật toán phân loại giám sát (XGBoost, Random Forest, LightGBM) và dữ liệu phi tài chính (Báo cáo thường niên, phân tích cảm xúc văn bản - NLP Thuyết minh BCTC) để nâng cao độ chính xác dự báo.
- Mở rộng chuỗi dữ liệu: Nâng cấp tập dữ liệu lên giai đoạn 2023–2025 và kiểm định riêng biệt trên nhóm doanh nghiệp xây dựng hạ tầng giao thông đón sóng đầu tư công quy mô lớn.
Đối tượng hưởng lợi
+----------------------------------------------------------------------------------------+
| ĐỐI TƯỢNG HƯỞNG LỢI |
+----------------------------------------------------------------------------------------+
| • SINH VIÊN & NGHIÊN CỨU SINH: |
| - Nắm vững phương pháp luận định lượng trong kiểm toán pháp lý và tài chính thực nghiệm|
| - Bộ khung mẫu code chuẩn hóa xử lý dữ liệu tài chính doanh nghiệp Việt Nam |
| |
| • KIỂM TOÁN VIÊN & CƠ QUAN QUẢN LÝ (SSC/HOSE/HNX): |
| - Công cụ sàng lọc tự động hàng trăm BCTC niêm yết trong mùa công bố thông tin |
| - Căn cứ khoa học để định hướng thanh tra các doanh nghiệp có dấu hiệu dồn tích ảo |
| |
| • DOANH NGHIỆP & CHỦ THẦU XÂY DỰNG: |
| - Tự đánh giá "sức khỏe" hệ thống kế toán quản trị nội bộ |
| - Nâng cao tính minh bạch để tiếp cận nguồn vốn FDI và phát hành cổ phiếu quốc tế |
| |
| • NHÀ ĐẦU TƯ TÀI CHÍNH & TỔ CHỨC TÍN DỤNG: |
| - Giảm thiểu rủi ro bẫy giá trị (Value Trap) và rủi ro nợ xấu xây lắp |
+----------------------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật tối thiểu để triển khai tính toán mô hình là gì?
Hệ thống chỉ yêu cầu máy tính văn phòng tiêu chuẩn cài đặt Python 3.8+ với bộ nhớ RAM từ 4GB trở lên. Dữ liệu đầu vào cần tối thiểu 14 chỉ tiêu tài chính cơ bản trong Bảng cân đối kế toán, Báo cáo kết quả kinh doanh và Báo cáo lưu chuyển tiền tệ của 2 năm tài chính liên tiếp ($t$ và $t-1$).
2. Ngưỡng cắt -2.22 có thể bị sai lệch (False Alarm) đối với doanh nghiệp xây dựng tăng trưởng thật không?
Có thể xảy ra sai số. Doanh nghiệp xây lắp trúng thầu các đại dự án hạ tầng thường có chỉ số tăng trưởng doanh thu ($SGI$) và khoản phải thu ($DSRI$) tăng cao hợp pháp. Trong trường hợp này, chỉ số $TATA$ và $CFO$ sẽ là thước đo đối trọng: nếu dòng tiền kinh doanh thực dương và biến dồn tích thấp, khả năng bị đánh giá nhầm là gian lận sẽ giảm xuống.
3. Mô hình có tích hợp được vào phần mềm ERP hoặc Core Banking không?
Hoàn toàn khả thi. Logic tính toán M-Score được đóng gói thành các hàm RESTful API (sử dụng FastAPI hoặc Flask) để tích hợp trực tiếp vào module Quản trị rủi ro tín dụng của Core Banking hoặc phần mềm Kế toán tổng hợp (SAP, Oracle, MISA).
4. Chi phí bảo trì và vận hành hệ thống định kỳ là bao nhiêu?
Chi phí vận hành định kỳ xấp xỉ bằng 0 nếu doanh nghiệp tự vận hành trên cơ sở dữ liệu nội bộ. Trường hợp kết nối API tự động lấy dữ liệu tài chính chuẩn từ nhà cung cấp dịch vụ (FiinTrade/Vietstock), chi phí duy trì chỉ bao gồm phí bản quyền truy xuất dữ liệu hàng năm.
5. Khung thời gian hoàn vốn (ROI Timeline) khi đầu tư giải pháp này?
Đối với các quỹ đầu tư cá nhân và tổ chức tín dụng, ROI đạt được ngay tức thì (dưới 3 tháng) thông qua việc ngăn chặn thành công các quyết định giải ngân vào những doanh nghiệp có rủi ro nợ khó đòi tiềm ẩn hoặc BCTC bị làm đẹp trước kỳ phát hành tăng vốn.
Kết luận
Đề tài đã ứng dụng thành công mô hình định lượng Beneish M-Score 8 biến trên tập dữ liệu 66 doanh nghiệp xây dựng và xây lắp niêm yết tại Việt Nam giai đoạn 2020–2022. Kết quả nghiên cứu làm nổi bật thực trạng gia tăng rủi ro thao túng số liệu tài chính trong giai đoạn khó khăn sau dịch bệnh, với tỷ lệ doanh nghiệp rơi vào vùng rủi ro cao tăng từ 31,82% (2020) lên 54,55% (2022).
Thông qua các chỉ số then chốt như $TATA$, $DSRI$ và $AQI$, mô hình chứng minh năng lực phát hiện sớm các thủ thuật kế toán tinh vi như ghi nhận doanh thu trước kỳ hạn (vi phạm VAS 14), vốn hóa chi phí dở dang không đúng chuẩn mực, và che giấu dòng tiền kinh doanh âm. Việc chuẩn hóa và tự động hóa quy trình phân tích M-Score không chỉ nâng cao hiệu quả giám sát thị trường của các cơ quan quản lý và chất lượng kiểm toán độc lập, mà còn là lá chắn bảo vệ nguồn vốn của các nhà đầu tư trên thị trường chứng khoán Việt Nam.
