Phát Hiện Gian Lận Kế Toán Bằng Phương Pháp Máy Học Tích Hợp

Khóa luận tốt nghiệp công nghệ thông tin nghiên cứu phát hiện gian lận kế toán bằng phương pháp máy học tổng hợp hiệu quả và ứng dụng thực tiễn.

• Tác giả: Huỳnh Thị Tố Ngọc
• Người hướng dẫn: TS. Nguyễn Tấn Cầm
• Trường học: Đại Học Quốc Gia TP HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phát Hiện Gian Lận Kế Toán Bằng Phương Pháp Máy Học Tích Hợp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN CỦA HỌC VIÊN
• LỜI CẢM ƠN CỦA HỌC VIÊN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Báo cáo tài chính - Gian lận kế toán
• 1.1.1. Báo cáo tài chính
• 1.1.2. Gian lận kế toán
• 1.1.3. Dấu hiệu của gian lận kế toán trong BCTC
• 1.1.3.1. Động cơ thực hiện gian lận BCTC
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 3. CHƯƠNG 3: MÔ HÌNH ĐỀ XUẤT
• 4. CHƯƠNG 4: ĐÁNH GIÁ THỬ NGHIỆM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện Gian Lận Kế Toán Bằng Máy Học Tích Hợp

Trong bối cảnh kinh tế hiện đại, gian lận kế toán đã trở thành một vấn đề nghiêm trọng, ảnh hưởng đến sự minh bạch và công bằng trong quản lý tài chính. Việc phát hiện gian lận kế toán không chỉ giúp bảo vệ lợi ích của các nhà đầu tư mà còn đảm bảo sự ổn định của thị trường tài chính. Phương pháp máy học tích hợp đã được áp dụng để nâng cao khả năng phát hiện gian lận, giúp các doanh nghiệp và tổ chức tài chính có thể phát hiện và ngăn chặn kịp thời các hành vi gian lận.

1.1. Định Nghĩa Và Tầm Quan Trọng Của Gian Lận Kế Toán

Gian lận kế toán là hành vi cố ý làm sai lệch thông tin tài chính nhằm trục lợi. Tầm quan trọng của việc phát hiện gian lận kế toán không chỉ nằm ở việc bảo vệ tài sản của doanh nghiệp mà còn đảm bảo sự tin tưởng của các nhà đầu tư và công chúng vào hệ thống tài chính.

1.2. Vai Trò Của Máy Học Trong Phát Hiện Gian Lận

Máy học cung cấp các công cụ mạnh mẽ để phân tích dữ liệu tài chính, giúp phát hiện các mẫu gian lận mà các phương pháp truyền thống không thể nhận diện. Việc áp dụng công nghệ AI trong kế toán đã mở ra hướng đi mới cho việc phát hiện gian lận hiệu quả hơn.

II. Thách Thức Trong Việc Phát Hiện Gian Lận Kế Toán

Mặc dù có nhiều phương pháp hiện đại, việc phát hiện gian lận kế toán vẫn gặp nhiều thách thức. Các hành vi gian lận ngày càng tinh vi và khó phát hiện hơn, đòi hỏi các nhà nghiên cứu và chuyên gia phải không ngừng cải tiến phương pháp. Sự phức tạp trong dữ liệu tài chính cũng là một yếu tố gây khó khăn trong việc phân tích và phát hiện gian lận.

2.1. Sự Tinh Vi Của Các Hành Vi Gian Lận

Các hành vi gian lận hiện nay thường được thực hiện một cách tinh vi, khó phát hiện. Điều này đòi hỏi các phương pháp phát hiện phải liên tục được cập nhật và cải tiến để theo kịp với các hình thức gian lận mới.

2.2. Khó Khăn Trong Phân Tích Dữ Liệu Tài Chính

Dữ liệu tài chính thường rất phức tạp và đa dạng, việc phân tích để phát hiện gian lận đòi hỏi kỹ thuật cao và công nghệ tiên tiến. Sự thiếu hụt dữ liệu chất lượng cũng là một rào cản lớn trong việc phát hiện gian lận.

III. Phương Pháp Máy Học Tích Hợp Để Phát Hiện Gian Lận

Phương pháp máy học tích hợp đã được chứng minh là hiệu quả trong việc phát hiện gian lận kế toán. Các thuật toán như RUSBoost, AdaBoost, và SVM đã được áp dụng để xây dựng mô hình phân loại gian lận. Những mô hình này không chỉ giúp phát hiện gian lận mà còn nâng cao độ tin cậy của báo cáo tài chính.

3.1. Các Thuật Toán Máy Học Phổ Biến

Các thuật toán như hồi quy Logistic và SVM đã được sử dụng rộng rãi trong việc phát hiện gian lận. Những thuật toán này giúp phân tích và phân loại dữ liệu tài chính một cách hiệu quả.

3.2. Lợi Ích Của Việc Sử Dụng Phương Pháp Tích Hợp

Việc sử dụng phương pháp máy học tích hợp giúp cải thiện độ chính xác trong việc phát hiện gian lận, đồng thời giảm thiểu sai sót do yếu tố con người. Điều này góp phần nâng cao tính minh bạch trong quản lý tài chính.

IV. Ứng Dụng Thực Tiễn Của Phương Pháp Phát Hiện Gian Lận

Các mô hình phát hiện gian lận kế toán đã được áp dụng thành công trong nhiều doanh nghiệp và tổ chức tài chính. Kết quả nghiên cứu cho thấy, việc áp dụng máy học tích hợp không chỉ giúp phát hiện gian lận mà còn nâng cao độ tin cậy của báo cáo tài chính, từ đó tạo ra giá trị cho các bên liên quan.

4.1. Kết Quả Nghiên Cứu Từ Các Doanh Nghiệp

Nhiều doanh nghiệp đã áp dụng thành công các mô hình máy học để phát hiện gian lận, từ đó giảm thiểu thiệt hại và nâng cao hiệu quả hoạt động. Kết quả cho thấy, các mô hình này có khả năng phát hiện gian lận cao hơn so với các phương pháp truyền thống.

4.2. Tác Động Đến Tính Minh Bạch Trong Quản Lý Tài Chính

Việc phát hiện gian lận kịp thời không chỉ bảo vệ lợi ích của doanh nghiệp mà còn đảm bảo tính minh bạch trong quản lý tài chính. Điều này góp phần xây dựng niềm tin của nhà đầu tư và công chúng vào hệ thống tài chính.

V. Kết Luận Và Hướng Phát Triển Tương Lai

Phát hiện gian lận kế toán bằng phương pháp máy học tích hợp đã mở ra nhiều cơ hội mới cho các doanh nghiệp trong việc bảo vệ tài sản và nâng cao độ tin cậy của báo cáo tài chính. Hướng phát triển tương lai sẽ tập trung vào việc cải tiến các mô hình máy học và áp dụng công nghệ mới để nâng cao hiệu quả phát hiện gian lận.

5.1. Tương Lai Của Công Nghệ Phát Hiện Gian Lận

Công nghệ phát hiện gian lận sẽ tiếp tục phát triển với sự hỗ trợ của AI và máy học. Các mô hình mới sẽ được phát triển để đáp ứng tốt hơn với các hình thức gian lận ngày càng tinh vi.

5.2. Đề Xuất Giải Pháp Tự Động Hóa Quy Trình Phát Hiện

Đề xuất giải pháp tự động hóa quy trình phát hiện gian lận sẽ giúp giảm thiểu sự phụ thuộc vào con người, tối ưu hóa hiệu suất và nâng cao độ chính xác trong việc phát hiện gian lận kế toán.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh kinh tế toàn cầu ngày càng phát triển mạnh mẽ, quy mô kinh doanh mở rộng nhanh chóng, gian lận kế toán (GLKT) trở thành một thách thức nghiêm trọng đối với doanh nghiệp và hệ thống tài chính. Theo báo cáo của ngành năm 2022, mức độ ảnh hưởng của gian lận tài chính đã tăng lên trung bình 3.71% doanh thu so với 3% năm trước đó, gây thiệt hại lớn về tài chính và làm giảm niềm tin của nhà đầu tư. Báo cáo tài chính (BCTC) là công cụ quan trọng giúp các nhà đầu tư và các bên liên quan đánh giá tình hình tài chính doanh nghiệp, tuy nhiên, sự xuất hiện của các hành vi gian lận làm giảm tính minh bạch và độ tin cậy của các báo cáo này.

Mục tiêu nghiên cứu của luận văn là phát triển một mô hình phát hiện gian lận kế toán dựa trên phương pháp máy học tổng hợp, nhằm nâng cao độ chính xác và hiệu quả trong việc phát hiện các hành vi gian lận trên BCTC. Nghiên cứu sử dụng dữ liệu BCTC của hơn 700 công ty niêm yết tại Hoa Kỳ trong giai đoạn 1990-2014, với tổng số 146,045 bản ghi, trong đó có 964 bản ghi gian lận. Phạm vi nghiên cứu tập trung vào việc trích xuất 28 đặc trưng tài chính từ dữ liệu thô và áp dụng các thuật toán máy học tổng hợp như RUSBoost, AdaBoost, Bagging, hồi quy Logistic và SVM để xây dựng mô hình phân loại.

Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp một công cụ tự động, chính xác để phát hiện gian lận kế toán, góp phần tăng cường tính minh bạch và công bằng trong quản lý tài chính, đồng thời hỗ trợ các nhà quản lý, kiểm toán viên và cơ quan quản lý nhà nước trong việc giám sát và ngăn chặn các hành vi gian lận, từ đó ổn định thị trường kinh doanh và xã hội.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết và mô hình chính:

1. Mô hình Tam giác gian lận (Fraud Triangle): Được phát triển bởi Donald R. Cressey, mô hình này giải thích hành vi gian lận dựa trên ba yếu tố: áp lực (pressure), cơ hội (opportunity) và sự hợp lý hóa (rationalization). Áp lực có thể đến từ các yêu cầu kinh doanh hoặc cá nhân; cơ hội xuất hiện khi kiểm soát nội bộ yếu kém; sự hợp lý hóa là cách cá nhân biện minh cho hành vi gian lận.

2. Phương pháp máy học tổng hợp (Ensemble Learning): Kết hợp nhiều mô hình máy học riêng biệt để cải thiện độ chính xác và giảm hiện tượng quá khớp (overfitting). Các thuật toán được sử dụng gồm RUSBoost (kết hợp Random Under-Sampling và AdaBoost), AdaBoost, Bagging, hồi quy Logistic và SVM. Mỗi thuật toán có ưu điểm riêng trong việc xử lý dữ liệu mất cân bằng và phân loại chính xác.

Các khái niệm chính bao gồm:

• Báo cáo tài chính (BCTC): Bao gồm bảng cân đối kế toán, báo cáo kết quả kinh doanh, báo cáo lưu chuyển tiền tệ và thuyết minh BCTC.
• Gian lận kế toán (GLKT): Hành vi cố ý làm sai lệch thông tin tài chính nhằm trục lợi cá nhân hoặc tổ chức.
• Dữ liệu tài chính thô: Dữ liệu chưa qua xử lý, được trích xuất trực tiếp từ BCTC.
• Hiện tượng quá khớp (Overfitting): Mô hình học máy hoạt động tốt trên dữ liệu huấn luyện nhưng kém hiệu quả trên dữ liệu mới.
• Mất cân bằng dữ liệu (Imbalanced Data): Tình trạng số lượng mẫu của các lớp phân loại không đồng đều, gây khó khăn cho việc huấn luyện mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được sử dụng là bộ dữ liệu COMPUSTAT và AAER của Ủy ban Chứng khoán Hoa Kỳ (SEC), bao gồm thông tin BCTC của hơn 700 công ty niêm yết từ năm 1990 đến 2014. Bộ dữ liệu có tổng cộng 146,045 bản ghi, trong đó 964 bản ghi được xác định là gian lận dựa trên các biện pháp trừng phạt và điều tra của SEC.

Phương pháp nghiên cứu gồm các bước:

• Tiền xử lý dữ liệu: Trích xuất 28 đặc trưng tài chính quan trọng từ dữ liệu thô BCTC, lưu trữ dưới dạng tập tin CSV.
• Chia dữ liệu: 80% dữ liệu dùng để huấn luyện mô hình (118,349 bản ghi, trong đó 883 gian lận), 20% dùng để kiểm thử (27,698 bản ghi, trong đó 81 gian lận).
• Xử lý mất cân bằng dữ liệu: Áp dụng kỹ thuật Random Under-Sampling để cân bằng số lượng mẫu giữa lớp gian lận và không gian lận trong tập huấn luyện.
• Huấn luyện mô hình: Sử dụng năm thuật toán máy học tổng hợp gồm RUSBoost, AdaBoost, Bagging, hồi quy Logistic và SVM để xây dựng mô hình phân loại.
• Đánh giá mô hình: So sánh hiệu suất dựa trên các chỉ số như độ chính xác, tỷ lệ phát hiện đúng (TPR), tỷ lệ sai (FPR) và thời gian xử lý.

Timeline nghiên cứu kéo dài từ năm 2023 đến tháng 08/2024, bao gồm giai đoạn thu thập và xử lý dữ liệu, xây dựng mô hình, thực nghiệm và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của mô hình máy học tổng hợp: Mô hình tổng hợp cho kết quả phân loại gian lận kế toán vượt trội hơn so với các mô hình riêng biệt. Ví dụ, mô hình RUSBoost đạt độ chính xác trên 90%, cao hơn khoảng 5-7% so với mô hình hồi quy Logistic và SVM đơn lẻ.

2. Xử lý mất cân bằng dữ liệu hiệu quả: Việc áp dụng kỹ thuật Random Under-Sampling giúp cân bằng tỷ lệ mẫu giữa lớp gian lận và không gian lận, từ đó cải thiện đáng kể khả năng phát hiện các trường hợp gian lận, tăng tỷ lệ phát hiện đúng lên đến 85% so với dưới 70% khi không xử lý mất cân bằng.

3. Tác động của 28 đặc trưng tài chính: Các đặc trưng như tổng tài sản lưu động (act), chi phí sản xuất hàng hóa (cogs), lợi nhuận ròng (ni), và tổng nợ dài hạn (ditt) có tầm quan trọng cao trong việc phân biệt các BCTC gian lận và không gian lận, chiếm hơn 60% trọng số trong mô hình.

4. Thời gian xử lý và khả năng ứng dụng thực tế: Mô hình Bagging và AdaBoost có thời gian xử lý trung bình dưới 5 phút cho tập dữ liệu kiểm thử 27,698 bản ghi, phù hợp để triển khai trong môi trường doanh nghiệp với yêu cầu xử lý nhanh.

Thảo luận kết quả

Nguyên nhân của việc mô hình máy học tổng hợp vượt trội là do khả năng kết hợp ưu điểm của nhiều thuật toán, giảm thiểu hiện tượng quá khớp và tăng cường khả năng học từ các mẫu khó phân loại. So với các nghiên cứu trước đây chỉ sử dụng mô hình riêng biệt như SVM hay hồi quy Logistic, mô hình tổng hợp đã khắc phục được hạn chế về độ chính xác và tính ổn định.

Kết quả cũng phù hợp với các nghiên cứu quốc tế gần đây, trong đó các phương pháp như RUSBoost và Bagging được đánh giá cao trong việc xử lý dữ liệu mất cân bằng và phát hiện gian lận tài chính. Việc lựa chọn 28 đặc trưng tài chính dựa trên phân tích tầm quan trọng giúp mô hình tập trung vào các yếu tố có ảnh hưởng lớn nhất, từ đó nâng cao hiệu quả dự đoán.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác, tỷ lệ phát hiện đúng và thời gian xử lý giữa các mô hình, cũng như bảng phân tích tầm quan trọng của từng đặc trưng tài chính, giúp người đọc dễ dàng hình dung và đánh giá hiệu quả mô hình.

Đề xuất và khuyến nghị

1. Tự động hóa quy trình phát hiện gian lận: Áp dụng mô hình máy học tổng hợp vào hệ thống giám sát tài chính doanh nghiệp để tự động phát hiện các dấu hiệu gian lận trên BCTC, giảm thiểu sự phụ thuộc vào kiểm toán viên và tăng tốc độ xử lý. Thời gian triển khai dự kiến trong vòng 12 tháng, chủ thể thực hiện là phòng CNTT và bộ phận kiểm toán nội bộ.

2. Tăng cường đào tạo và nâng cao nhận thức: Tổ chức các khóa đào tạo về nhận diện dấu hiệu gian lận và ứng dụng công nghệ máy học cho cán bộ quản lý, kiểm toán viên và nhân viên tài chính nhằm nâng cao hiệu quả phát hiện và ngăn chặn gian lận. Thời gian thực hiện trong 6 tháng, do phòng nhân sự phối hợp với chuyên gia bên ngoài đảm nhiệm.

3. Cải thiện chất lượng dữ liệu tài chính: Xây dựng quy trình chuẩn hóa và kiểm soát chất lượng dữ liệu BCTC, đảm bảo dữ liệu đầu vào cho mô hình máy học là chính xác và đầy đủ, từ đó nâng cao độ tin cậy của kết quả phân loại. Chủ thể thực hiện là bộ phận kế toán và CNTT, thời gian thực hiện 9 tháng.

4. Phối hợp với cơ quan quản lý nhà nước: Đề xuất các chính sách và quy định hỗ trợ việc áp dụng công nghệ máy học trong giám sát và kiểm tra gian lận kế toán, đồng thời tăng cường chế tài xử phạt các hành vi gian lận nhằm nâng cao tính răn đe. Thời gian thực hiện dài hạn, phối hợp giữa doanh nghiệp, hiệp hội ngành và cơ quan quản lý.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý doanh nghiệp: Giúp hiểu rõ các dấu hiệu gian lận kế toán và áp dụng công nghệ máy học để nâng cao hiệu quả quản lý tài chính, giảm thiểu rủi ro pháp lý và tài chính.

2. Kiểm toán viên và chuyên gia tài chính: Cung cấp phương pháp và công cụ mới để phát hiện gian lận trên BCTC, hỗ trợ công tác kiểm toán chính xác và nhanh chóng hơn.

3. Cơ quan quản lý nhà nước và tổ chức giám sát: Là tài liệu tham khảo để xây dựng chính sách, quy định và công cụ giám sát hiệu quả nhằm đảm bảo tính minh bạch và công bằng trong thị trường tài chính.

4. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Tài chính - Kế toán: Cung cấp kiến thức về ứng dụng máy học trong phát hiện gian lận tài chính, đồng thời mở rộng hướng nghiên cứu về xử lý dữ liệu tài chính và mô hình tổng hợp.

Câu hỏi thường gặp

1. Mô hình máy học tổng hợp là gì và tại sao lại hiệu quả hơn mô hình riêng biệt?
   Mô hình máy học tổng hợp kết hợp nhiều thuật toán để tận dụng ưu điểm của từng mô hình, giảm hiện tượng quá khớp và tăng độ chính xác. Ví dụ, RUSBoost kết hợp kỹ thuật cân bằng dữ liệu và AdaBoost giúp cải thiện khả năng phát hiện các mẫu gian lận hiếm gặp.

2. Làm thế nào để xử lý dữ liệu mất cân bằng trong phát hiện gian lận kế toán?
   Kỹ thuật Random Under-Sampling được sử dụng để giảm số lượng mẫu lớp đa số, cân bằng với lớp thiểu số, giúp mô hình không bị thiên lệch và tăng khả năng phát hiện gian lận.

3. 28 đặc trưng tài chính được lựa chọn dựa trên tiêu chí nào?
   Các đặc trưng được chọn dựa trên tầm quan trọng dự đoán trong các nghiên cứu trước và tính tương đồng với dữ liệu đầu vào, bao gồm các chỉ số về tài sản, nợ, lợi nhuận, chi phí và cổ phiếu, có ảnh hưởng lớn đến việc phân loại gian lận.

4. Mô hình có thể áp dụng cho các doanh nghiệp ngoài Hoa Kỳ không?
   Mô hình có thể được điều chỉnh và huấn luyện lại với dữ liệu BCTC của các doanh nghiệp khác để phù hợp với đặc thù từng thị trường, tuy nhiên cần đảm bảo dữ liệu đầu vào đầy đủ và chính xác.

5. Làm thế nào để triển khai mô hình vào thực tế doanh nghiệp?
   Doanh nghiệp cần xây dựng hệ thống thu thập và xử lý dữ liệu tự động, tích hợp mô hình vào quy trình kiểm toán nội bộ, đồng thời đào tạo nhân sự và phối hợp với các bộ phận liên quan để đảm bảo hiệu quả vận hành.

Kết luận

• Luận văn đã xây dựng thành công mô hình phát hiện gian lận kế toán dựa trên phương pháp máy học tổng hợp, sử dụng dữ liệu BCTC của hơn 700 công ty niêm yết Hoa Kỳ.
• Mô hình tổng hợp vượt trội hơn các mô hình riêng biệt về độ chính xác và khả năng xử lý dữ liệu mất cân bằng, với tỷ lệ phát hiện gian lận đạt trên 85%.
• 28 đặc trưng tài chính được trích xuất từ dữ liệu thô đóng vai trò quan trọng trong việc phân loại chính xác các BCTC gian lận.
• Đề xuất tự động hóa quy trình phát hiện gian lận, tăng cường đào tạo và phối hợp với cơ quan quản lý nhằm nâng cao hiệu quả giám sát tài chính.
• Các bước tiếp theo bao gồm triển khai mô hình trong môi trường thực tế doanh nghiệp, mở rộng nghiên cứu với dữ liệu đa quốc gia và phát triển các thuật toán máy học nâng cao hơn.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các giải pháp công nghệ nhằm nâng cao tính minh bạch và công bằng trong quản lý tài chính doanh nghiệp.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIEU Trong những năm gần đây, cùng với tốc độ phát triển của khoa học công nghệ nhanh như vũ bão thì quy mô kinh doanh ngày càng mở rộng, nguy cơ về GLKT đã trở thành một thách thức cực kỳ lớn đối với các doanh nghiệp và hệ thống tài chính (HTTC) toàn cầu. GLKT không chỉ anh hưởng đến sự công bằng và sự minh bạch trong việc quan lý tài chính, mà còn gây thiệt hại nghiêm trọng đối với doanh nghiệp và thị trường tài chính xã hội nói chung. Đề giải quyết hiệu quả vấn đề này, những nghiên cứu về việc phát hiện các GLKT dựa trên BCTC bằng phương pháp máy học đã trở thành một trong lĩnh vực nghiên cứu được quan tâm rất nhiều. Đối với những doanh nghiệp, khả năng ứng dụng mô hình máy học (MHMH) khác nhau dé phục vụ việc phân tích các dữ liệu tài chính và phát hiện những biểu hiện của gian lận sẽ mang lại sự linh hoạt và hiểu quả hơn các phương pháp truyền thống trước đây.

Báo cáo tài chính - Gian lận kế toán 1. Báo cáo tài chính Báo cáo tài chính (BCTC) [1] là một tập hợp các báo cáo chứa hệ thống thông tin kinh tế, tài chính được trình bày một cách chặt chẽ dưới dạng bảng biểu, giúp cung cấp những thông tin về tình hình tài chính, cũng như kết quả hoạt động kinh doanh và dòng tiền của một doanh nghiệp trong một khoảng thời gian cụ thể. BCTC là công cụ giúp các nhà đầu tư tài chính, các don vị tin dụng và những bên liên quan hiểu rõ tình hình tài chính của các doanh nghiệp. Hệ thông các thông tin tài chính, kinh tế được trình bày minh bạch, trung thực trên các BCTC đóng góp quan trọng vào sự 6n định của thị trường kinh doanh và xã hội.

Với sự phát triển mạnh mẽ và không ngừng của nền kinh tế, cùng với sự mở rộng quy mô kinh doanh của các công ty và các hoạt động thương mại toàn cầu là những nguyên nhân chính dẫn đến công tác kế toán và kiểm toán trở nên phức tạp hơn trước. Tuy nhiên, nghiên cứu của Ferdy, Geert và Suzanne (2009) [2], việc cố tình “bóp méo” các số liệu làm ảnh hưởng nghiêm trọng đến chất lượng BCTC, đồng thời tính phù hợp và tính chính xác trên BCTC cũng bị ảnh hưởng. Hệ thống BCTC của doanh nghiệp và các tập đoàn hiện nay được chia thành bốn loại báo cáo chính: báo cáo lưu chuyền tiền tệ, bảng cân đối kế toán (BCDKT), báo cáo kết quả kinh doanh (BCKQKD) và thuyết minh BCTC [3]. Các BCTC cung cấp đa dạng các thông tin chi tiết khác nhau về tình hình kinh tế, tài chính của các doanh nghiệp.

Thông 12 qua những thông tin này giúp người sử dụng thông tin có cái nhìn cụ thé hơn và có những quyết định kinh doanh hợp lý. Cụ thê các loại BCTC: - Bao cáo lưu chuyền tiền tệ: là BCTC phan ánh dòng tiền ra và vào của doanh nghiệp trong khoảng thời gian cụ thé, chia thành ba hoạt động chính là dòng tiền từ các hoạt động tài chính, các hoạt động đầu tư và các hoạt động kinh doanh. - Bảng cân đối kế toán: là một trong những thành phần quan trọng trong bộ BCTC của các tổ chức trong lĩnh vực tài chính - kế toán. Bảng cân đối kế toán cung cấp cái nhìn tổng quan về tình hình tài sản, vốn hóa chủ sở hữu và số nợ phải trả của doanh nghiệp tại một thời điểm cụ thé.

Nó cho thấy tình hình tài chính của doanh nghiệp bằng cách phân loại nguồn vốn và tài sản. - Báo cáo kết quả kinh doanh: là một tài liệu quan trọng trong lĩnh vực kế toán, thé hiện các khoảng doanh thu, khoảng lợi nhuận và chi phí doanh nghiệp trong khoảng thời gian cụ thê (thường là quý hoặc năm). - _ Thuyết minh BCTC: là tài liệu cung cấp thông tin bổ sung và giải thích chỉ tiết về các số liệu, chính sách kế toán áp dụng và thông tin các sự kiện lớn ảnh hưởng đến tình hình tài chính của doanh nghiệp. Thuyết minh BCTC giúp người đọc Hình 1.1: Sơ đồ mối quan hệ giữa các BCTC 13 1.

Gian lận kế toán Hình vi gian lận là việc có ý (hoặc cố tình) do một hay nhiều thành viên trong ban lãnh đạo, cũng có thể do các nhân viên trong doanh nghiệp hoặc bên đối tác của doanh nghiệp thực hiện những hành vi xấu dé thực hiện trục lợi bất chính những tài sản của doanh nghiệp. Những hành vi gian lận này được thực hiện tinh vi và che dau rất kỹ càng vậy nên khó bị phát hiện. Các hành vi gian lận gồm ba loại: tham ô, GLKT và biển thủ tài sản [4]. Gian lận kế toán hoặc gian lận tài chính (GLTC) là hành vi không trung thực và vi phạm quy tắc, quy định kế toán hoặc tiêu chuẩn tài chính nhằm cung cấp thông tin tài chính (TTTC) sai lệch trên báo cáo tai chính (BCTC), đánh lừa và không trung thực với mục dich lợi ích cá nhân hoặc tổ chức.

Gian lận BCTC thường là việc cố ý làm sai số liệu báo cáo liên quan đến các nội dung được công bố trong BCTC của một doanh nghiệp. Hành vi gian lận BCTC bao gồm những sai sót, nhằm lẫn số liệu hoặc giải thích thông tin không rõ ràng nhằm lừa dối người dùng BCTC. Có nhiều nguyên nhân dẫn đến những sai sót này, có thé do lãnh đạo doanh nghiệp có ý điều chỉnh kết quả hoạt động kinh doanh, làm cho người sử dụng thông tin hiểu sai về tình hình hoạt động và khả năng sinh lời của doanh nghiệp được kiểm toán. Các mục đích của việc gian lận BCTC bao gồm: - Giam thiéu số thuế thu nhập doanh nghiệp (TTNDN) của công ty.

- Làm tăng giá trị vốn ảo của công ty trên thị trường chứng khoán. - _ Làm cho BCTC khóp với dự báo mà những nha phân tích tài chính đã đưa ra. - Đạt được những hợp đồng vay vốn hoặc giúp những nhà điều hành doanh nghiệp nhận được những đãi ngộ tốt trong ngăn han. Những sai lệch thông tin trong BCTC đã làm ảnh hưởng tiêu cực đến thị trường, ảnh hưởng đến quyết định tài chính của những nhà đầu tư và những đơn vị hỗ trợ tín dụng, đồng thời làm giảm đáng kê chất lượng của những BCTC.

Qua khảo sát, hành vi gian lận biển thủ tài sản chiếm khoảng 90% [1] nhưng gây ra mức thiệt hại cho nền kinh tế là thấp nhất. Mặc dù hành vi gian lận trên BCTC có tỷ lệ thấp, nhưng gây ra những hậu quả nghiêm trong cho nên kinh tế. Dấu hiệu của gian lận kế toán trong BCTC 1. Động cơ thực hiện gian lận BCTC 14 Tam giác gian lận (TGGL) là mô hình nghiên cứu của nhà khoa học Donald R.Cressey được giới thiệu vào năm 1953 [5].

Công trình nghiên cứu này được coi là nền tang cơ bản dé giải thích các hành vi gian lận trong BCTC dựa trên góc nhìn hành vi. Tác giả đã tập trung phân tích, đánh giá những hành vi gian lận dưới góc độ biên thủ và tham 6. Dé tìm ra đâu là nguyên nhân của việc vi phạm pháp luật, tác giả dựa trên khảo sát với 200 tội phạm kinh tế khác nhau. Mô hình TGGL mô tả các thành phần và yếu tố dẫn đến hành vi gian lận.

Ngày nay, mô hình nghiên cứu TGGL này đã trở thành một trong những mô hình chuân được sử dụng trong nhiêu lĩnh vực nghiên cứu vê gian lận.2: Mô hình tam giác gian lận (Fraud Triangle) [5] Hình 1.2 trình bày mô hình “Tam giác gian lận” [12], mô hình này gồm ba thành phần cấu thành bao gồm: sự hợp lý hóa, áp lực và cơ hội. Sự hợp lý hóa là sự biện minh hoặc lý do mà cá nhân sử dụng dé hợp lý hóa hành vi gian lận. Đây là cách mà cá nhân thuyết phục bản thân rằng hành vi gian lận là hợp lý, ho tìm cách dé hợp thức hóa hành vi sai trái đó và tự “thôi miên” bản thân thực hiện các hành động gian lận. Ap lực là những yếu tổ (bên ngoài hoặc nội bộ công ty) có thé khiến các nhà quản lý doanh nghiệp có tình làm sai lệch BCTC [6].

Ba yếu tố chính dẫn đến việc các nhà quản lý bóp méo số liệu trên BCTC là: những rủi ro mà doanh nghiệp gặp phải liên quan đến môi trường kinh doanh, cân bằng kính doanh và lợi nhuận; những cạnh tranh không lành 15 mạnh hoặc các vấn đề nội bộ của công ty; áp lực từ các bên thứ ba đối với các nhà quản lý doanh nghiệp, chang hạn như các đối tác, cơ quan giám sát hoặc nhà dau tư. Cơ hội là những điều kiện thuận lợi cho các nhà quản lý doanh nghiệp thực hiện các hành vi làm sai sót nghiêm trọng trong BCTC. Các BCTC có thể gian lận do ngành nghề hoạt động của công ty, cau trúc tổ chức phức tạp hoặc không én định, kiểm toán nội bộ không hoạt động tốt và không giám sát công tác quản trị. Dấu hiệu gian lận trên BCTC Dé phát hiện các gian lận trên các BCTC, các chuyên gia phân tích và kiểm toán viên (KTV) thường thực hiện phân tích, quan sát và đánh giá dựa trên nhiều dấu hiệu khác nhau.

Khi doanh thu của một doanh nghiệp tăng cao một cách bat thường so với các doanh nghiệp kinh doanh cùng ngành nghề là một dấu hiệu nhận thấy rõ đầu tiên. Số lượng hàng bán của doanh nghiệp bị trả về lớn hơn những doanh nghiệp kinh doanh cùng ngành nghề và so với số lượng bán hàng trong quá khứ cũng có thê là một dấu hiệu gian lận trong BCTC. Đa số trong những trường hợp này, hàng hóa bị trả về do chất lượng không tốt hoặc không đáp ứng được yêu cầu. Tuy nhiên, một số công ty có thé sử dụng hàng hóa bị hoàn tra dé che giấu các khoản doanh thu sai trong kỳ kế toán trước đó.

Đây là một trong những dấu hiệu mà các chuyên gia phân tích và kiểm toán viên thường xuyên quan sát dé phát hiện và điều tra sự gian lận trong BCTC. Doanh thu của một quý trong năm tăng bất ngờ khi so sánh với những quý khác trong cùng một năm hoặc so với cùng thời điểm những năm trước đó. Đây là một dấu hiệu thường gặp trong gian lận trên các BCTC. Nếu doanh nghiệp này không hoạt động trong ngành sản xuất theo mùa nhưng lại ghi nhận doanh thu tăng đột biến, cần xem xét các mục đích và chiến lược khác nhau của doanh nghiệp trong tương lai (ví dụ niêm yết trên sàn chứng khoán hoặc chuẩn bị đấu thầu dự án).