I. Giới thiệu và cơ sở lý thuyết
Nghiên cứu này tập trung vào việc kết hợp M-Score Beneish và Z-Score để nhận diện gian lận báo cáo tài chính tại các công ty niêm yết HOSE. M-Score Beneish là mô hình phát hiện gian lận dựa trên các chỉ số tài chính, trong khi Z-Score đo lường nguy cơ phá sản của doanh nghiệp. Sự kết hợp này nhằm nâng cao độ chính xác trong việc phát hiện gian lận. Nghiên cứu cũng đề cập đến các lý thuyết nền tảng như lý thuyết thông tin bất cân xứng và lý thuyết tam giác gian lận, giúp hiểu rõ hơn về nguyên nhân và cơ chế của gian lận tài chính.
1.1. M Score Beneish
M-Score Beneish là mô hình được phát triển bởi Beneish (1999), sử dụng tám biến số tài chính để phát hiện gian lận. Các biến này bao gồm Chỉ số phải thu khách hàng trên doanh thu thuần (DSRI), Chỉ số lợi nhuận gộp biên (GMI), và Chỉ số chất lượng tài sản (AQI). Mô hình này được đánh giá cao về độ tin cậy và đã được áp dụng rộng rãi trong các nghiên cứu quốc tế.
1.2. Z Score
Z-Score là chỉ số được phát triển bởi Altman (1968), dùng để dự đoán nguy cơ phá sản của doanh nghiệp. Chỉ số này dựa trên các chỉ tiêu tài chính như tỷ lệ nợ trên vốn chủ sở hữu và khả năng thanh toán ngắn hạn. Z-Score có tác động ngược chiều với khả năng gian lận, nghĩa là doanh nghiệp có Z-Score thấp thường có nguy cơ gian lận cao hơn.
II. Phương pháp nghiên cứu
Nghiên cứu sử dụng phương pháp định lượng để phân tích dữ liệu từ 450 báo cáo tài chính của 150 công ty niêm yết trên HOSE. Các báo cáo được phân loại thành hai nhóm: nhóm có khả năng gian lận và nhóm không có khả năng gian lận. Mô hình hồi quy Logistic được áp dụng để xác định mối quan hệ giữa các biến độc lập và khả năng gian lận. Các biến độc lập bao gồm tám biến từ M-Score Beneish và hai biến từ Z-Score.
2.1. Thu thập và xử lý dữ liệu
Dữ liệu được thu thập từ báo cáo tài chính của các công ty niêm yết trên HOSE từ năm 2015 đến 2017. Sau khi làm sạch dữ liệu, các báo cáo được phân loại và phân tích bằng các công cụ thống kê. Quy trình này đảm bảo tính chính xác và độ tin cậy của kết quả nghiên cứu.
2.2. Mô hình hồi quy Logistic
Mô hình hồi quy Logistic được sử dụng để đánh giá mối quan hệ giữa các biến độc lập và biến phụ thuộc (khả năng gian lận). Kết quả cho thấy sáu biến có ý nghĩa thống kê, bao gồm DSRI, GMI, AQI, LVGI, Z-Score, và ISSUE. Mô hình này có tỷ lệ dự báo đúng là 77.1%, cho thấy hiệu quả cao trong việc phát hiện gian lận.
III. Kết quả và thảo luận
Kết quả nghiên cứu chỉ ra rằng sáu biến độc lập có mối quan hệ có ý nghĩa thống kê với khả năng gian lận. Trong đó, Z-Score có tác động ngược chiều, trong khi các biến khác như DSRI, GMI, và AQI có tác động cùng chiều. Mô hình có chỉ số Nagelkerke là 30.8%, nghĩa là các biến độc lập giải thích được 30.8% sự thay đổi trong khả năng gian lận. Kết quả này cung cấp công cụ hữu ích cho kiểm toán viên và nhà đầu tư trong việc phát hiện gian lận.
3.1. Ý nghĩa thực tiễn
Nghiên cứu cung cấp bằng chứng thực nghiệm về hiệu quả của việc kết hợp M-Score Beneish và Z-Score trong việc phát hiện gian lận. Các biến như DSRI, GMI, và Z-Score có thể được sử dụng để đánh giá rủi ro gian lận một cách chính xác. Điều này giúp các bên liên quan đưa ra quyết định đầu tư và kiểm toán kịp thời.
3.2. Hạn chế và hướng phát triển
Nghiên cứu có một số hạn chế như phạm vi dữ liệu chỉ giới hạn trong ba năm và chỉ tập trung vào các công ty niêm yết trên HOSE. Trong tương lai, cần mở rộng phạm vi nghiên cứu và kết hợp thêm các chỉ số tài chính khác để nâng cao độ chính xác của mô hình.
