CHƯƠNG 1: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC 1.1 Các nghiên cứu nước ngoài Có nhiều phương pháp khác nhau để xác định doanh nghiệp có thực hiện hành vi gian lận trên BCTC hay không. Burcu và Guray (2005) đã phân ra làm ba nhóm kỹ thuật chính: Đầu tiên là nhóm kỹ thuật dồn tích có điều chỉnh (discretionary accruals). Nhóm các nghiên cứu này tập trung vào đánh giá các khoản mục kế toán dồn tích để xác định hành vi gian lận như nghiên cứu của Healy (1985), DeAngelo (1986), Jones (1991), Friedlan (1994). Đại diện cho nhóm này là nghiên cứu của DeAngelo (1986).
Nhóm thứ hai sử dụng mô hình mạng thần kinh nhân tạo để phát hiện gian lận. Đại diện cho nhóm nghiên cứu này là nghiên cứu của Green và Choice (1997), Fanning và Gogger (1998). Nghiên cứu của Green và Choice (1997) trình bày mô hình mạng thần kinh nhân tạo sử dụng dữ liệu tài chính nội sinh. Fanning và Gogger (1998) đã ứng dụng mô hình mạng thần kinh nhân tạo để phát hiện các gian lận trong quản trị và đã tìm ra được mô hình bao gồm tám biến độc lập có khả năng phát hiện gian lận cao.
Nhóm kỹ thuật thứ ba là sử dụng các kỹ thuật thống kê, như các nghiên cứu của EdWard I. Đại diện cho nhóm này là mô hình M-Score của Beneish (1999). Trong ba nhóm kỹ thuật phát hiện gian lận nêu trên thì nhóm sử dụng kỹ thuật thống kê là một nhóm dễ dàng thực hiện và có độ tin cậy cao. Nên trong đề tài nghiên cứu của mình, tác giả sử dụng kỹ thuật của nhóm thứ ba này để xây dựng mô hình nghiên cứu, tìm ra được những biến độc lập phát hiện gian lận BCTC phù hợp với thực tiễn VN.
Cụ thể các nghiên cứu sử dụng kỹ thuật thống kê liên quan đến đề tài tác giả thực hiện như sau: 8 EdWard I.Altman (1968) đã thực hiện nghiên cứu trên một mẫu bao gồm 66 doanh nghiệp để dự đoán về nguy cơ phá sản của các doanh nghiệp này. Và ông đã tìm ra được chỉ số Z-Score. Chỉ số này được dùng để dự đoán khả năng phá sản của một công ty trong hai năm sắp tới hoặc để dự đoán khả năng một công ty vỡ nợ. Z- Score được tính toán dựa trên các chỉ tiêu có sẵn trên BCTC.
Hàng loạt các thử nghiệm tiếp theo được thực hiện trong suốt hơn 30 năm. Cho tới năm 1999, 80-90% công ty phá sản được dự báo nhờ vào chỉ số Z trước ngày phá sản một năm và các gian lận trên BCTC cũng được phát hiện theo cách này. Từ 1985, chỉ số Z đã được chấp nhận rộng rãi bởi kiểm toán viên, kế toán quản trị, tòa án, và hệ thống dữ liệu đánh giá cho vay. Ban đầu, công thức tính của Altman chỉ được thiết lập cho các công ty sản xuất với tài sản hơn một triệu đô la Mỹ nhưng sau đó, tác giả đã có những điều chỉnh để áp dụng phù hợp với các công ty phi sản xuất.
Và năm 2006, Altman và Hotchkiss đã nghiên cứu thay đổi chỉ số Z-Score để tính được nguy cơ phá sản của hầu hết các ngành, các loại hình doanh nghiệp với độ chính xác cao hơn và gian lận BCTC cũng được phát hiện theo cách này tốt hơn. Ưu điểm của nghiên cứu này là được kiểm nghiệm trong thực tiễn rất nhiều năm với độ tin cậy cao; được nhiều nhà nghiên cứu vận dụng để phát hiện gian lận như Charalambos T. Samarakoon & Tanweer Hasan (2003), Muntari Mahama (2015),…và được chấp nhận rộng rãi bởi các KTV, kế toán quản trị, hệ thống đánh giá cho vay,. Đại diện cho nhóm nghiên cứu sử dụng các kỹ thuật thống kê để xây dựng mô hình giúp các nhà đầu tư, các kiểm toán viên có thể phát hiện gian lận trên BCTC là nghiên cứu của Messod D.
Ông gọi đó là mô hình M- Score. Trong nghiên cứu của mình, Beneish đã sử dụng mô hình probit ước lượng khả năng cực đại của mẫu ngoại sinh có trọng số để xác định khả năng một công ty có điều chỉnh lợi nhuận hay không điều chỉnh lợi nhuận. Dữ liệu Beneish thu thập để nghiên cứu là từ 74 công ty có điều chỉnh lợi nhuận và tất cả các công ty trên Compustas giai đoạn 1982-1992. Ưu điểm của nghiên cứu này là ông kết hợp cả biến chỉ số tài chính và biến dồn tích nên xác suất phát hiện sai sót trên BCTC sẽ 9 cao hơn các mô hình chỉ sử dụng chỉ số tài chính hoặc biến dồn tích.
Ngoài ra, khả năng dự báo của mô hình này cũng khá cao là 76%. Kể từ khi được công bố, mô hình nghiên cứu này rất nổi tiếng, đặc biệt là khi xác định đúng vụ việc gian lận của tập đoàn Enron năm 2001. Đồng thời, mô hình cũng được đưa vào chương trình giảng dạy chính thức (Fridson, 2002; Stickney, Brown, và Wahlen, 2003). Sau đó, mô hình M-Score của Beneish đã được rất nhiều các nhà nghiên cứu tiếp theo quan tâm và sử dụng vào bài nghiên cứu của mình như nghiên cứu của Burcu Diken và Guray (2005), Dechow và các cộng sự (2011), Tarjo và Nural (2015),… M-Score của Beneish bao gồm tám biến độc lập: 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) và cuối cùng là chỉ số đòn bẩy tài chính (LVGI).
Ta thấy rằng, cùng sử dụng một kỹ thuật để phát hiện gian lận BCTC đó là kỹ thuật thống kê nhưng nghiên cứu của Beneish (1999) và EdWard I.Altman (1968) lại có hai cách nhận diện khác nhau.Altman đã sử dụng các chỉ số tài chính để đánh giá khả năng phá sản của một công ty, từ đó đưa ra nhận định về khả năng gian lận BCTC. Còn Beneish sử dụng kết hợp cả biến chỉ số tài chính và biến dồn tích để đưa ra mô hình nhận diện trực tiếp về gian lận. Tuy khác nhau nhưng hai cách nhận diện gian lận này đều có độ tin cậy cao nên đã được nhiều nhà nghiên cứu sau đó quan tâm và vận dụng. Nghiên cứu của Charalambos T.
Spathis (2002) đã xem xét về tính hữu ích của các chỉ số tài chính và hệ số nguy cơ phá sản (Z-Score) trong việc phát hiện ra gian lận trên BCTC. Tác giả sử dụng công cụ thống kê đơn biến và đa biến đồng thời sử dụng hồi quy Logistic trong bài nghiên cứu của mình. Mô hình đã xác định các chỉ số tài chính sau hữu ích trong việc phát hiện gian lận trên BCTC: tỷ số hàng 10 tồn kho trên doanh thu, lợi nhuận ròng trên tổng tài sản, tỷ số vốn lưu động trên tổng tài sản, tỷ lệ tổng nợ trên tổng tài sản và hệ số nguy cơ phá sản (Z-Score). Kết quả trên đã cho thấy chỉ số Z-Score hữu ích trong việc phát hiện gian lận, tương đồng với nghiên cứu của EdWard I.
Điểm khác biệt của nghiên cứu này so với nghiên cứu của Altman là kết hợp thêm các chỉ số tài chính để phát hiện gian lận. Samarakoon & Tanweer Hasan (2003) đã dự đoán khả năng khó khăn về tài chính của các công ty niêm yết tại Sri Lanka (thị trường mới nổi) bằng cách sử dụng ba mô hình Z-Score của Altman. Dữ liệu tác giả dùng để nghiên cứu là thu thập của 13 công ty được xem là khủng hoảng tài chính và 13 công ty không bị khủng hoảng tài chính trong cùng ngành nghề. Kết quả nghiên cứu cho thấy chỉ số Z-Score đã dự đoán đúng đến 81% các công ty có khó khăn về mặt tài chính.
Nghiên cứu này của tác giả đã cung cấp thêm một bằng chứng thực nghiệm cho thấy rằng chỉ số Z-Score có khả năng dự đoán rất tốt về tình hình sức khỏe tài chính của các công ty tại các thị trường mới nổi. Kết quả nghiên cứu này tương đồng với nghiên cứu của EdWard I. Điểm khác biệt so với nghiên cứu của Altman là nghiên cứu này được thực hiện tại thị trường mới nổi Sri Lanka. Nghiên cứu của Burcu Diken và Guray (2005) đã tìm ra một mô hình giúp phát hiện được các trường hợp gian lận BCTC của các công ty tại Thổ Nhĩ Kỳ dựa trên mô hình M-Score của Beneish.
Burcu Diken và Guray đã thu thập dữ liệu của 126 công ty niêm yết tại sàn giao dịch chứng khoán để sử dụng cho bài nghiên cứu của mình. Ngoài tám biến độc lập trong mô hình M-Score, tác giả đã thêm vào hai biến độc lập là DINV (Chỉ số hàng tồn kho) và FEI (Chỉ số chi phí tài chính), đồng thời tác giả sử dụng ba bước phân tích phân lớp để xác định các hệ số của các biến trong mô hình của mình. Kết quả cho thấy, mô hình của Burcu Diken và Guray đã dự đoán đúng 67% trường hợp các công ty bị sai phạm trên BCTC. Kết quả này tương đồng với nghiên cứu của Beneish (1999).
Điểm khác biệt là nghiên cứu này kết hợp thêm hai chỉ số tài chính là DINV, FEI nhằm đánh giá một cách toàn diện 11 hơn và chính xác hơn về gian lận BCTC. Tuy nhiên, độ tin cậy vẫn thấp hơn mô hình M-Score gốc của Beneish (76%). Dechow và các cộng sự (2011) đã thực hiện một nghiên cứu về gian lận trên 2,190 BCTC trong giai đoạn 1982-2005 và đã xây dựng nên ba mô hình F-Score giúp phát hiện gian lận BCTC ở ba mức độ khác nhau. Tất cả ba mô hình này đều được tác giả phát triển từ mô hình M-Score của Beneish.
Mô hình đầu tiên, tác giả xây dựng dựa trên cơ sở xem xét mối quan hệ giữa hành vi gian lận và các yếu tố trên BCTC như các biến dồn tích, thay đổi hàng tồn kho, thay đổi các khoản phải thu khách hàng, phát hành cổ phiếu trong năm (Issue), tài sản ngắn hạn,. Mô hình thứ hai, tác giả đã thêm các biến đo lường thông tin phi tài chính như biến số lượng nhân viên và các biến đo lường hoạt động ngoại bảng như biến cho thuê hoạt động…. Và mô hình thứ ba, tác giả tiếp tục thêm các biến liên quan đến thị trường như chỉ số giá cổ phiếu, giá trên lợi nhuận,… Kết quả, F-Score đã dự đoán đúng 65,9% đối với mô hình thứ nhất, mô hình thứ hai là 65,78% và cuối cùng là 63,36%. Tóm lại, ngoài các biến chỉ số tài chính của mô hình M-Score, tác giả đã sử dụng thêm các biến số phi tài chính như các hoạt động ngoại bảng và dữ liệu thị trường để xây dựng nên mô hình F-Score.