Giới thiệu dự án

Thị trường bất động sản (BĐS) giữ vai trò huyết mạch trong nền kinh tế Việt Nam, liên kết chặt chẽ với thị trường vốn, tín dụng ngân hàng và chuỗi cung ứng xây dựng. Theo thống kê của Tổng cục Thống kê, Việt Nam có hơn 16.900 doanh nghiệp BĐS đăng ký hoạt động, trong đó có khoảng 65 doanh nghiệp quy mô lớn niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HoSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX). Tuy nhiên, giai đoạn hậu COVID-19 (2021–2022) chứng kiến áp lực thanh khoản gia tăng, kéo theo sự bùng nổ của các hành vi thao túng báo cáo tài chính (BCTC) tinh vi: từ thủ thuật tăng vốn ảo 18 lần liên tiếp trong ngày tại FLC Faros (ROS) để nâng khống vốn từ 1,5 tỷ lên 4.300 tỷ đồng, đến các khoản phải thu thiếu minh bạch hơn 11.000 tỷ đồng tại Hoàng Anh Gia Lai (HAGL), hay việc ghi nhận doanh thu trước điều kiện theo Chuẩn mực Kế toán Việt Nam số 14 (VAS 14) tại Licogi và Địa ốc Đà Lạt (DLR).

Thực trạng thông tin tài chính bị bóp méo đặt ra bài toán cấp bách: làm thế nào để phát hiện sớm dấu hiệu gian lận khi các thủ thuật kế toán ngày càng phức tạp? Nghiên cứu "Khả Năng Gian Lận Báo Cáo Tài Chính Của Các Công Ty Bất Động Sản Niêm Yết Trên Thị Trường Chứng Khoán Việt Nam" do sinh viên Vi Nhật Linh thực hiện dưới sự hướng dẫn của TS. Đỗ Kiều Oanh (Trường Đại học Kinh tế – ĐHQGHN) được xây dựng nhằm giải quyết triệt để bài toán này thông qua ứng dụng mô hình định lượng Beneish M-Score 8 biến.

Mục tiêu trọng tâm của dự án:
1. Hệ thống hóa cơ sở lý luận về gian lận BCTC theo Chuẩn mực Kiểm toán Việt Nam VSA 240, Chuẩn mực Quốc tế IAS 01/IFRS và Lý thuyết Tam giác Gian lận (Fraud Triangle).
2. Xây dựng ma trận định lượng 8 chỉ số tài chính chuyên sâu để lượng hóa rủi ro thao túng số liệu.
3. Ứng dụng mô hình Beneish M-Score để rà soát, đánh giá xác suất gian lận thực nghiệm trên 30 doanh nghiệp BĐS niêm yết trên HoSE và HNX giai đoạn 2021–2022.
4. Đề xuất khung giải pháp kiểm soát 5 bên (Doanh nghiệp, Kiểm toán viên, Nhà đầu tư, Cơ quan Quản lý Nhà nước, Tổ chức Tín dụng).

Phương pháp tiếp cận kết hợp dữ liệu tài chính thứ cấp được kiểm toán độc lập với phần mềm phân tích thống kê định lượng SPSS và Microsoft Excel. Nghiên cứu giới hạn phạm vi trong 30 doanh nghiệp BĐS niêm yết đại diện, phân tích chuỗi số liệu 2021–2022, cung cấp công cụ cảnh báo sớm cho thị trường tài chính với độ nhạy dự báo đạt chuẩn học thuật.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp phát hiện sai phạm BCTC truyền thống tại Việt Nam chủ yếu dựa vào kiểm tra số dư chi tiết và ý kiến kiểm toán độc lập cuối kỳ. Tuy nhiên, phương pháp này bộc lộ độ trễ lớn và thường bị vô hiệu hóa khi có sự thông đồng của ban quản trị.

Tiêu chí so sánh Kiểm toán truyền thống (VSA) Mô hình Altman Z-Score (1968) Mô hình DeAngelo (1986) Mô hình Beneish M-Score (1999)
Mục tiêu cốt lõi Xác nhận tính trung thực & hợp lý Dự báo nguy cơ phá sản tài chính Đo lường dồn tích kế toán (Accruals) Nhận diện hành vi thao túng lợi nhuận
Biến số phân tích Bằng chứng kiểm toán mẫu 5 chỉ số tài chính tổng hợp Biến dồn tích thuần qua các năm 8 chỉ số kết hợp nhận diện & động cơ
Độ nhạy phát hiện Thấp với gian lận cấu kết nội bộ Trung bình (thiên về rủi ro vỡ nợ) Trung bình (dễ bỏ sót doanh thu ảo) Cao (xác suất nhận diện lên đến 76%)
Độ phức tạp tính toán Thủ công, tốn nhiều nhân lực Đơn giản Trung bình Tự động hóa qua công thức toán học

Áp dụng phương pháp phân tích yêu cầu MoSCoW đối với công cụ đánh giá rủi ro BCTC:

  • Must-have (Bắt buộc): Tự động hóa tính toán 8 chỉ số thành phần; xác định ngưỡng cắt (cut-off point) $M > -2.22$; trích xuất từ dữ liệu BCTC đã soát xét.
  • Should-have (Nên có): Bảng thống kê mô tả phân vị trung bình ngành; đối chiếu tương quan giữa dồn tích và dòng tiền thuần từ hoạt động kinh doanh (CFO).
  • Could-have (Có thể có): Tích hợp cảnh báo tự động khi xuất hiện chỉ số bất thường như DSRI hay AQI tăng đột biến.
  • Won't-have (Chưa triển khai): Dự báo biến động giá cổ phiếu tương lai hoặc định giá doanh nghiệp.

Thiết kế hệ thống

Quy trình xử lý dữ liệu và thuật toán nhận diện gian lận được chuẩn hóa theo sơ đồ sau:

graph TD
    A["Dữ liệu BCTC Kiểm toán (2021-2022) từ HoSE/HNX"] --> B["Tiền xử lý dữ liệu & Bóc tách Bảng CĐKT, Báo cáo KQKD, Báo cáo LCTT"]
    B --> C1["Nhóm chỉ số nhận diện gian lận (DSRI, AQI, DEPI, TATA)"]
    B --> C2["Nhóm chỉ số phản ánh động cơ (GMI, SGI, SGAI, LVGI)"]
    C1 --> D["Engine tính toán Vector 8 biến số Beneish M-Score"]
    C2 --> D
    D --> E{"Kiểm định điều kiện: M-Score > -2.22"}
    E -- "Đúng" --> F["Cảnh báo: Doanh nghiệp có rủi ro thao túng BCTC cao"]
    E -- "Sai" --> G["Doanh nghiệp ít có khả năng bóp méo số liệu"]

Hệ thống công nghệ và môi trường phân tích sử dụng các thành phần tiêu chuẩn:

  • Xử lý bảng tính & Trích xuất: Microsoft Excel 365 (Engine tính toán chỉ số tài chính tự động).
  • Phân tích thống kê & Kiểm định: IBM SPSS Statistics Version 26.0 (Kiểm định phân phối Descriptive Statistics, T-Test, xác định tương quan).
  • Ngôn ngữ mở rộng & Tự động hóa: Python 3.10 với thư viện pandas 2.0.3numpy 1.24.3.
  • Nguồn cấp dữ liệu: Vietstock Finance API và CafeF Database đã chuẩn hóa theo VAS.

Thuật toán Beneish M-Score sử dụng hàm hồi quy tuyến tính đa biến:

$$\begin{aligned} \text{M-Score} = &-4.84 + 0.920 \times \text{DSRI} + 0.528 \times \text{GMI} + 0.404 \times \text{AQI} \ &+ 0.892 \times \text{SGI} + 0.115 \times \text{DEPI} - 0.172 \times \text{SGAI} \ &+ 4.037 \times \text{TATA} + 0.0327 \times \text{LVGI} \end{aligned}$$

Trong đó, ngưỡng phân loại tiêu chuẩn:

  • $M \le -2.22$: Doanh nghiệp an toàn, không có dấu hiệu thao túng báo cáo tài chính.
  • $M > -2.22$: Doanh nghiệp có nguy cơ cao là chủ thể thao túng và bóp méo số liệu kế toán.

Methodology

Nghiên cứu áp dụng quy trình thực nghiệm định lượng 4 giai đoạn:

  1. Milestone 1 (Thu thập dữ liệu): Thu thập 60 bộ BCTC kiểm toán giai đoạn 2021–2022 của 30 doanh nghiệp BĐS niêm yết trên 2 sàn HoSE và HNX.
  2. Milestone 2 (Chuẩn hóa biến số): Xử lý sai lệch kế toán, chuẩn hóa các khoản mục ngoại bảng, tính toán 8 tỷ số tài chính thành phần cho từng doanh nghiệp.
  3. Milestone 3 (Kiểm định mô hình): Chạy phân tích thống kê mô tả, kiểm định tính phân tán và phân loại doanh nghiệp theo ngưỡng $M = -2.22$ trên phần mềm SPSS.
  4. Milestone 4 (Thẩm định kết quả): So sánh kết quả phân loại với các phát hiện thực tế trên thị trường (ý kiến kiểm toán ngoại trừ, thanh tra xử phạt) nhằm đánh giá độ tin cậy.

Implementation và kết quả

Development process

Quá trình tính toán 8 biến số định lượng được cấu trúc hóa theo đoạn mã logic thực nghiệm sau:

import numpy as np
import pandas as pd

def calculate_beneish_m_score(data_t, data_prev):
    """
    Tính toán 8 chỉ số tài chính và M-Score theo mô hình Beneish (1999)
    data_t, data_prev: Dictionary chứa các khoản mục BCTC năm t và t-1
    """
    # 1. Days Sales Receivable Index (DSRI)
    dsri = (data_t['receivables'] / data_t['revenue']) / (data_prev['receivables'] / data_prev['revenue'])
    
    # 2. Gross Margin Index (GMI)
    gmi = (data_prev['gross_profit'] / data_prev['revenue']) / (data_t['gross_profit'] / data_t['revenue'])
    
    # 3. Asset Quality Index (AQI)
    non_current_non_ppe_t = 1 - (data_t['current_assets'] + data_t['ppe']) / data_t['total_assets']
    non_current_non_ppe_prev = 1 - (data_prev['current_assets'] + data_prev['ppe']) / data_prev['total_assets']
    aqi = non_current_non_ppe_t / non_current_non_ppe_prev if non_current_non_ppe_prev != 0 else 1.0
    
    # 4. Sales Growth Index (SGI)
    sgi = data_t['revenue'] / data_prev['revenue']
    
    # 5. Depreciation Index (DEPI)
    dep_rate_prev = data_prev['depreciation'] / (data_prev['ppe'] + data_prev['depreciation'])
    dep_rate_t = data_t['depreciation'] / (data_t['ppe'] + data_t['depreciation'])
    depi = dep_rate_prev / dep_rate_t if dep_rate_t != 0 else 1.0
    
    # 6. Sales, General and Administrative Expenses Index (SGAI)
    sgai = (data_t['sga_expenses'] / data_t['revenue']) / (data_prev['sga_expenses'] / data_prev['revenue'])
    
    # 7. Leverage Index (LVGI)
    lvgi = (data_t['total_debt'] / data_t['total_assets']) / (data_prev['total_debt'] / data_prev['total_assets'])
    
    # 8. Total Accruals to Total Assets (TATA)
    tata = (data_t['net_income_cont'] - data_t['cfo']) / data_t['total_assets']
    
    # Tính toán tổng hợp M-Score
    m_score = (-4.84 + 0.920 * dsri + 0.528 * gmi + 0.404 * aqi + 
               0.892 * sgi + 0.115 * depi - 0.172 * sgai + 
               4.037 * tata + 0.0327 * lvgi)
               
    return {
        'DSRI': dsri, 'GMI': gmi, 'AQI': aqi, 'SGI': sgi,
        'DEPI': depi, 'SGAI': sgai, 'LVGI': lvgi, 'TATA': tata,
        'M_Score': m_score,
        'Manipulator_Risk': True if m_score > -2.22 else False
    }

Testing và validation

Kết quả phân tích thống kê mô tả trên tập mẫu 30 doanh nghiệp BĐS niêm yết giai đoạn 2021–2022 cho thấy độ biến thiên rõ nét của các chỉ số cấu thành:

Biến số Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max) Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev) Ý nghĩa kinh tế - tài chính
DSRI 0.160 4.830 1.69967 1.130708 Phải thu tăng nhanh gấp 1.7 lần doanh thu; tín dụng thương mại bị nới lỏng
GMI 0.363 6.266 1.26183 1.032587 Tỷ suất lợi nhuận gộp suy giảm, gia tăng động cơ làm đẹp sổ sách
AQI 0.481 9.441 1.34047 2.415438 Tỷ lệ vốn hóa chi phí vào tài sản dài hạn phi vật chất tăng cao
SGI 0.083 3.423 1.05553 0.847858 Tốc độ tăng trưởng doanh thu phân hóa mạnh giữa các nhóm doanh nghiệp
DEPI -0.837 4.740 1.86157 4.140391 Doanh nghiệp có xu hướng kéo dài thời gian khấu hao để tăng lợi nhuận
SGAI 0.068 5.381 1.56730 1.173742 Hiệu quả quản lý chi phí bán hàng và quản trị doanh nghiệp giảm sút
LVGI 0.328 2.554 1.19553 0.573970 Tỷ trọng sử dụng đòn bẩy nợ vay tăng 19.5% so với năm trước
TATA -0.234 0.343 0.05980 0.122507 Tồn tại độ lệch đáng kể giữa lợi nhuận kế toán và dòng tiền thực tế
M-Score -4.418 0.821 -2.45323 1.360469 Giá trị trung bình nằm gần ngưỡng nhạy cảm

Kết quả đạt được

Phân loại 30 doanh nghiệp theo giá trị M-Score mang lại kết quả thực nghiệm chuẩn xác:

Tổng số doanh nghiệp khảo sát: 30
- Nhóm an toàn (M-Score <= -2.22): 16 doanh nghiệp (53.33%)
- Nhóm cảnh báo rủi ro cao (M-Score > -2.22): 14 doanh nghiệp (46.67%)

Danh sách 14 doanh nghiệp bị gắn cờ rủi ro thao túng tài chính gồm: HDC (0.123), D11 (0.821), CEO (-1.931), AGG (-1.141), CRE (-1.978), LHG (-1.348), DTA (-1.642), VCR (-2.141), EVG (-0.506), API (-1.301), ICG (-2.124), IDV (-1.418), RCL (-0.296), NDN (-0.200). Các doanh nghiệp này ghi nhận chỉ số DSRI và AQI tăng vọt, phản ánh tình trạng dồn tích các khoản phải thu khó đòi và vốn hóa chi phí dở dang trong các dự án BĐS nhằm duy trì mức lợi nhuận danh nghĩa.


Đổi mới và đóng góp

Nghiên cứu mang lại những đóng góp học thuật và thực tiễn đáng chú ý khi đặt cạnh các công trình trước đây tại thị trường Việt Nam:

Nghiên cứu Phương pháp sử dụng Quy mô mẫu & Đối tượng Tỷ lệ phát hiện sai phạm Đóng góp mới
TS. Đỗ Kiều Oanh (2016) Hồi quy Logistic (10 biến) 163 công ty BĐS, Xây dựng (2013) 95.97% (Độ chính xác mô hình) Xác định vai trò của vòng quay tổng tài sản và tỷ số nợ
Th.S Nguyễn Trần Nguyên Trân (2014) Beneish M-Score 30 công ty niêm yết đa ngành 53.33% (16/30 công ty) Ứng dụng mô hình M-Score nguyên bản tại TTCK Việt Nam
Hoàng Khánh & Trần Thị Thu Hiền (2015) Kết hợp DeAngelo & Beneish Doanh nghiệp ngành Xây dựng 63.41% - 68.29% Đo lường tác động của biến dồn tích có thể điều chỉnh
Đề tài Vi Nhật Linh (2023) Beneish M-Score 8 biến chuyên sâu 30 công ty BĐS niêm yết (2021-2022) 46.67% (14/30 công ty) Cập nhật dữ liệu biến động chu kỳ BĐS hậu COVID-19

Điểm cải tiến nổi bật của đề tài nằm ở việc bóc tách độc lập tác động của nhóm chỉ số phản ánh động cơ (GMI, SGI, SGAI, LVGI) và nhóm chỉ số phát hiện hành vi (DSRI, AQI, DEPI, TATA) trong bối cảnh thị trường BĐS đóng băng thanh khoản. Kết quả cho thấy biến DSRI (trung bình 1.69967) và AQI (trung bình 1.34047) là hai chỉ báo sớm có độ nhạy cao nhất đối với các thủ thuật che giấu dòng tiền âm và ghi nhận doanh thu ảo.


Ứng dụng thực tế và triển khai

Nghiên cứu cung cấp khung hướng dẫn ứng dụng thực tế theo 4 kịch bản vận hành:

flowchart LR
    subgraph KichBan ["Ứng dụng Thực tiễn"]
        KB1["Nhà đầu tư cá nhân / Quỹ đầu tư"]
        KB2["Ngân hàng thương mại thẩm định"]
        KB3["Công ty Kiểm toán Độc lập"]
        KB4["Ủy ban Chứng khoán Nhà nước"]
    end
    
    KB1 --> OUT1["Sàng lọc cổ phiếu rác, loại bỏ bẫy P/E ảo"]
    KB2 --> OUT2["Điều chỉnh hạn mức tín dụng & Tài sản đảm bảo"]
    KB3 --> OUT3["Mở rộng thủ tục kiểm tra chi tiết khoản phải thu"]
    KB4 --> OUT4["Thanh tra đột xuất các mã có M-Score > -2.22"]

Quy trình 4 bước sàng lọc rủi ro BCTC cho nhà đầu tư

  1. Bước 1 (Trích xuất dữ liệu): Thu thập BCTC 2 năm liên tiếp (Bảng CĐKT, Báo cáo KQKD, Báo cáo LCTT).
  2. Bước 2 (Tính toán Vector 8 chỉ số): Nhập số liệu vào bảng tính công thức Beneish đã chuẩn hóa.
  3. Bước 3 (Kiểm tra điều kiện biên): So sánh giá trị M-Score với ngưỡng $-2.22$. Nếu $M > -2.22$, tiến hành kiểm tra sâu các khoản mục có chỉ số thành phần bất thường (ví dụ: $DSRI > 1.5$ hoặc $AQI > 1.25$).
  4. Bước 4 (Đối soát thuyết minh): Đọc kỹ Thuyết minh BCTC về các bên liên quan, các hợp đồng hợp tác đầu tư ủy thác, và điều kiện ghi nhận doanh thu dự án dở dang.

Hạn chế và hướng phát triển

Mặc dù đạt được những kết quả thực nghiệm rõ ràng, đề tài vẫn tồn tại một số giới hạn nghiên cứu:

  • Dung lượng mẫu: Quy mô khảo sát dừng lại ở 30 công ty BĐS niêm yết do giới hạn thời gian thực hiện khóa luận, chưa bao quát toàn bộ 65 doanh nghiệp toàn ngành.
  • Khung thời gian: Chuỗi dữ liệu 2 năm (2021–2022) phản ánh giai đoạn đặc thù biến động sau đại dịch, cần mở rộng chuỗi thời gian 5–10 năm để loại bỏ yếu tố mùa vụ kinh tế.
  • Mô hình định lượng: M-Score nguyên bản sử dụng hệ số hồi quy chuẩn hóa theo dữ liệu doanh nghiệp Mỹ, có thể chưa phản ánh trọn vẹn đặc thù chế độ kế toán VAS của Việt Nam.

Hướng phát triển tiếp theo bao gồm việc tái ước lượng trọng số hồi quy logistic dựa trên mẫu dữ liệu doanh nghiệp Việt Nam, kết hợp các mô hình Machine Learning như Random Forest và XGBoost để tối ưu hóa độ chính xác phát hiện gian lận tài chính.


Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kế toán – Tài chính: Nắm vững phương pháp kết hợp lý thuyết kiểm toán VSA 240 với mô hình toán định lượng thực nghiệm; sở hữu bộ khung dữ liệu mẫu để nghiên cứu học thuật.
  • Chuyên viên phân tích dữ liệu & Lập trình viên FinTech: Thuật toán hóa quy trình sàng lọc BCTC tự động, tích hợp engine M-Score vào các nền tảng phân tích chứng khoán tự động.
  • Nhà đầu tư & Quản lý danh mục: Giảm thiểu rủi ro thua lỗ vốn từ các thương vụ thao túng giá cổ phiếu, lượng hóa rủi ro phi hệ thống trước khi ra quyết định giải ngân.
  • Kiểm toán viên & Cơ quan Quản lý Nhà nước: Bổ sung công cụ phân tích rủi ro ban đầu (pre-audit analytics), tối ưu hóa thời gian và nguồn lực thanh kiểm tra trọng điểm.

Câu hỏi thường gặp

1. Chỉ số M-Score lớn hơn -2.22 có đồng nghĩa với việc doanh nghiệp chắc chắn phạm tội gian lận?

Không. M-Score là mô hình xác suất thống kê định lượng mang tính cảnh báo sớm. Giá trị $M > -2.22$ chỉ ra rằng doanh nghiệp có cấu trúc tài chính và dấu hiệu kế toán tương đồng với các doanh nghiệp từng thao túng BCTC trong quá khứ, đòi hỏi phải kiểm tra chi tiết chuyên sâu.

2. Hai chỉ số nào trong mô hình M-Score nhạy cảm nhất với doanh nghiệp BĐS Việt Nam?

Chỉ số Phải thu khách hàng so với Doanh thu (DSRI) và Chỉ số Chất lượng tài sản (AQI). Doanh nghiệp BĐS thường che giấu dòng tiền yếu bằng cách chuyển lợi nhuận danh nghĩa vào các khoản phải thu hoặc vốn hóa chi phí dở dang vào tài sản khác.

3. Mô hình Beneish M-Score có áp dụng được cho nhóm ngành Ngân hàng - Bảo hiểm không?

Không. Mô hình M-Score được thiết kế riêng cho các doanh nghiệp sản xuất, thương mại và dịch vụ phi tài chính. Cấu trúc bảng cân đối kế toán của ngân hàng và tổ chức tín dụng có tính chất đặc thù về vốn và nợ, đòi hỏi các mô hình đo lường riêng biệt như CAMELS.

4. Chi phí triển khai hệ thống đánh giá rủi ro BCTC tự động là bao nhiêu?

Hệ thống có thể triển khai với chi phí rất thấp bằng cách sử dụng các công cụ mã nguồn mở (Python, PostgreSQL) kết hợp dữ liệu BCTC công khai từ sàn chứng khoán, mang lại tỷ suất hoàn vốn (ROI) vượt trội cho các quỹ đầu tư và bộ phận quản trị rủi ro.

5. Sự khác biệt căn bản giữa mô hình M-Score và mô hình Z-Score là gì?

Altman Z-Score tập trung đo lường sức khỏe tài chính tổng thể để cảnh báo nguy cơ phá sản hoặc vỡ nợ, trong khi Beneish M-Score tập trung bóc tách các hành vi kỹ thuật nhằm phát hiện sự bóp méo, làm đẹp số liệu lợi nhuận của ban điều hành.


Kết luận

Đề tài khóa luận của tác giả Vi Nhật Linh đã ứng dụng thành công mô hình định lượng Beneish M-Score vào thị trường BĐS niêm yết tại Việt Nam giai đoạn 2021–2022. Với tỷ lệ phát hiện cảnh báo rủi ro đạt 46.67% (14/30 doanh nghiệp khảo sát), nghiên cứu khẳng định tính hữu hiệu của việc ứng dụng các chỉ số toán học trong công tác phòng ngừa gian lận tài chính. Đây là tài liệu tham khảo giá trị cho các nhà đầu tư, kiểm toán viên và cơ quan quản lý trong nỗ lực minh bạch hóa thị trường vốn Việt Nam. Bạn đọc và các nhà nghiên cứu có thể tiếp tục kế thừa khung mô hình này để mở rộng phân tích đa ngành và phát triển các hệ thống cảnh báo sớm thông minh.