của các ngân hàng thương mại tại Việt Nam
Hoàng Thị Hồng Vân
Khoa Kế toán - Kiểm toán, Học viện Ngân hàng Ngày nhận: 07/01/2021
Ngày nhận bản sửa: 09/05/2021 Ngày duyệt đăng: 19/05/2021
Tóm tắt: Báo cáo tài chính nói chung, của ngân hàng nói riêng luôn có vai trò quan trọng đối với người sử dụng và hoạt động của thị trường. Gian lận trong báo cáo tài chính của ngân hàng thương mại có thể ảnh hưởng nghiêm trọng đến không chỉ hoạt động của chính ngân hàng mà còn ảnh hưởng đến lòng tin của người sử dụng dịch vụ ngân hàng và thị trường tiền tệ. Nghiên cứu sử dụng mô hình M-score của Beneish (1999) có bổ sung thêm một số biến nhằm xác định mô hình nhận diện gian lận báo cáo tài chính của các ngân hàng thương mại tại Việt Nam. Kết quả nghiên cứu cho thấy có 5 yếu tố trong mô hình nhận diện gian lận báo cáo tài chính của các ngân hàng thương mại tại Việt Nam: Tỷ số tăng trưởng doanh thu, tỷ số chất lượng tài sản, tỷ số đòn bẩy tài chính, tăng trưởng quy mô doanh nghiệp và tỷ lệ nợ xấu trong ngân hàng thương mại. Tính chính xác của mô hình nhận diện gian lận của các ngân hàng thương mại tại Việt Nam được tính toán tại ngưỡng 20% là 63,16%.
Từ khóa: Gian lận báo cáo tài chính, Mô hình M-score, ngân hàng thương mại, báo cáo tài chính
The accuracy of the model in predicting fraud in financial statements of commercial banks in Vietnam
Abstract: Financial statements of banks always play a significant role for users and market activities.
Fraud in commercial banks’ financial statements can have a serious impact on not only the operation of the bank, but also the users of service banks and money markets. The study using the M-score model of Beneish (1999) has added some variables to determine the fraudulent identification of financial statements of commercial banks in Vietnam. The research results show that there are 5 factors in the financial reporting fraud model of commercial banks in Vietnam: Revenue growth rate, asset quality ratio, financial leverage ratio, growth firm size and bad debt ratio in commercial banks. The accuracy of the model in predicting fraud in financial statements of commercial banks in Vietnam at 20% was 63,16%.
Keywords: Fraudulent financial statements, M-score model, commercial banks, financial statements Hoang, Thi Hong Van
Email: [email protected] Banking Academy of Vietnam
1. Tổng quan các nghiên cứu về gian lận báo cáo tài chính
Beneish (1999) xây dựng mô hình M-score để nhằm mục đích xác định việc gian lận thu nhập của các công ty, cụ thể là việc tăng doanh thu và giảm chi phí có chủ đích.
Beneish nhận định rằng, xác suất công ty thao túng thu nhập tăng khi có: sự tăng bất thường của khoản phải thu, suy giảm lợi nhuận gộp, giảm chất lượng tài sản, tăng trưởng doanh thu và tăng dồn tích. Những biến được Beneish (1999) sử dụng: Tỷ số phải thu khách hàng trên doanh thu thuần, Tỷ số lãi gộp, Tỷ số tăng trưởng doanh thu bán hàng, Tỷ số chất lượng tài sản, Tỷ số khấu hao tài sản cố định hữu hình, Tỷ số chi phí bán hàng và quản lý doanh nghiệp, Tỷ số đòn bẩy tài chính, Tỷ số biến dồn tích kế toán so với tổng tài sản. Với mẫu là 74 công ty gian lận thu nhập, tác giả kết luận rằng: công ty có M-score lớn hơn -1,78 thì được cho rằng có gian lận thu nhập và ngược lại. Mô hình này đã đúng khi xác định ra vụ việc bê bối của Enron.
Dựa trên mô hình M-score, Burcu Dikmen and Güray Küçükkocaoğlu (2005) đã phát triển một mô hình mới nhằm phát hiện sự sai phạm báo cáo tài chính (BCTC) của các công ty tại Thổ Nhĩ Kỳ. Nghiên cứu này sử dụng BCTC của 126 công ty được niêm yết trên sàn chứng khoán. So với kết quả của Ủy ban Chứng khoán Thổ Nhĩ Kỳ công bố, mô hình này dự báo đúng 81% công ty bị gian lận thu nhập và 65% công ty không bị gian lận, kết quả chung tỷ lệ dự báo đúng là 67%.
Hakkı FINDIK and Erkan ÖZTÜRK (2016) đã sử dụng dữ liệu tài chính của 91 công ty sản xuất của ngành công nghiệp niêm yết trên Sàn chứng khoán Istanbul (Thổ Nhĩ Kỳ) vào năm 2014 nhằm mục đích xác định khả năng của các công ty này thực hiện gian lận BCTC. Bằng cách áp dụng mô hình M-score
8 biến của Beneish (1999), kết quả nghiên cứu đã chỉ ra rằng các biến Chỉ số doanh số bán hàng trong các chỉ số phải thu, Chỉ số tổng lợi nhuận, Chỉ số chất lượng tài sản và Tổng số tiền tích luỹ tổng tài sản có ảnh hưởng đến khả năng thực hiện gian lận kế toán cho bất kỳ công ty nào, đồng thời xác định rằng tổng số tiền cộng dồn vào tổng tài sản có tác động lớn nhất tới gian lận so với các biến khác.
Giống với nghiên cứu của Burcu Dikmen và Güray Küçükkocaoğlu (2005), mô hình 11 biến của Marinakis (2011) cũng được xây dựng để nghiên cứu tại Anh, trong đó 8 biến tương tự như mô hình Beneish, ngoài ra có 3 biến khác: Chỉ số tỷ lệ thuế suất hiệu quả, Chỉ số đãi ngộ cho các giám đốc trên tổng tài sản, Chỉ số thù lao kiểm toán đối với tổng tài sản. Tác giả đặt ngưỡng giá trị cho mô hình của mình là -1,31, theo kiểm định của Marinakis, xác suất xác định chính xác công ty gian lận cao hơn mô hình gốc của Beneish (1999) là 10%.
Ở khía cạnh khác, Tarjo and Nurul Herawati (2015) đã có nghiên cứu khá mạnh dạn khi phân tích tính chính xác của mô hình M-score- Beneish (1999) trong việc phát hiện gian lận BCTC với số liệu trải dài từ 2001- 2014 của 35 công ty được xác định là có gian lận BCTC và 35 công ty được xác định không có gian lận BCTC. Mô hình của Tarjo and Nurul Herawati (2015) đã đưa ra được các biến số ảnh hưởng tới gian lận BCTC là Chỉ số tổng lợi nhuận, Chỉ số khấu hao, Chỉ số chi phí bán hàng và quản lý doanh nghiệp, Chỉ số tổng tài sản và tổng kế toán dồn tích. Các biến Chỉ số bán hàng, Chỉ số chất lượng tài sản, Chỉ số đòn bẩy tài chính không thể phát hiện gian lận BCTC. Độ chính xác của mô hình trong phát hiện công ty gian lận lên tới 77,1% (27 trên 35 công ty gian lận) và độ chính xác trong phát hiện công ty không gian lận là 80% (28 trên 35 công ty không gian lận).
Dechow và cộng sự (2011) đã nghiên cứu nguyên nhân và hậu quả của thao túng lợi nhuận thông qua tìm hiểu 2.190 công ty niêm yết trong giai đoạn 1982- 2005 và xây dựng được mô hình F-score. Tác giả và cộng sự kết luận rằng F-score lớn hơn 1 thì khả năng công ty sai phạm tài chính và bóp méo lợi nhuận sẽ cao.
Rhee và cộng sự (2003) đã nghiên cứu sự ảnh hưởng của quy mô doanh nghiệp đến cơ hội gian lận thu nhập của nhà quản trị.
Trong nghiên cứu, Rhee và cộng sự chỉ ra rằng, tất cả những doanh nghiệp trong thị trường đều có xu hướng gian lận lợi nhuận, tuy nhiên, số lượng doanh nghiệp nhỏ lại gian lận nhiều hơn. Mặt khác, hai xu hướng của hai loại hình doanh nghiệp nhỏ và lớn lại hoàn toàn khác nhau. Đối với công ty nhỏ, nhà quản trị có thể làm tăng hoặc giảm lợi nhuận so với lợi nhuận thực tế, còn công ty lớn hầu hết gian lận để lợi nhuận không giảm qua các năm. Điểm hạn chế của nghiên cứu này là chưa định lượng được các biến quy mô ảnh hưởng đến khả năng cũng như xu hướng gian lận của công ty trên thị trường.
Nhìn chung, các nghiên cứu nước ngoài về gian lận BCTC xuất hiện khá nhiều và phổ biến. Chủ yếu các nghiên cứu dựa trên cơ sở mô hình của DeAnglo (1986) và Beneish (1999) để xây dựng mô hình mới, đặc trưng cho từng đối tượng nghiên cứu cụ thể trong từng lĩnh vực cũng như từng góc nhìn nghiên cứu riêng để phát hiện gian lận BCTC. Có thể nói 2 mô hình của DeAnglo (1986) và Beneish (1999) là nền tảng cho sự ra đời các mô hình nghiên cứu gian lận BCTC sau này.
Việc áp dụng mô hình M-score vào phát hiện gian lận trong BCTC của các doanh nghiệp có thể hữu ích với các ngân hàng, chủ đầu tư, chủ nợ trong quá trình thẩm định hoặc thiết lập mối quan hệ kinh doanh mới. Trong nghiên cứu của mình, Vladimír
Petrík (2015) chỉ đi sâu nghiên cứu về một công ty là Slovak- công ty sản xuất thiết bị văn phòng, là một doanh nghiệp quy mô vừa. Kết quả cho thấy, công ty không gian lận BCTC bởi có giá trị M-score là 6,84.
Điều này cho thấy, các nhà đầu tư hoàn toàn có thể sử dụng mô hình M-score của Beneish (1999) để phân tích cụ thể dữ liệu từng công ty, làm cơ sở cho các quyết định, đồng thời cũng là minh chứng cho thấy tính ứng dụng của mô hình M-score trong nghiên cứu gian lận BCTC cho tất cả các doanh nghiệp trong thực tiễn.
Nguyễn Trần Nguyên Trân (2014) sử dụng mô hình Beneish (1999) để dự đoán khả năng gian lận BCTC của công ty niêm yết trên thị trường chứng khoán (TTCK) Việt Nam. Đối với mẫu 30 công ty niêm yết, mô hình phát hiện tỷ lệ gian lận là 63,33%.
Đồng thời, tác giả cũng nhận định rằng việc sử dụng mô hình M-score cũng nhằm phát hiện sớm một số công ty có khả năng thực hiện các hành vi thao túng trên BCTC tại thị trường Việt Nam. Hạn chế của nghiên cứu là chỉ dừng lại ở việc sử dụng trực tiếp mô hình gốc Beneish, tuy nhiên, nghiên cứu này là một trong số những nghiên cứu đi đầu trong việc sử dụng kỹ thuật thống kê, cụ thể là mô hình dự báo gian lận M-score.
Hoàng Khánh và Trần Thị Thu Hiền (2015) sử dụng nền tảng từ những nghiên cứu đi trước như DeAngelo (1986), Friedlan (1994) và Beneish (1999), xây dựng mô hình nhận diện gian lận BCTC của các doanh nghiệp ngành xây dựng niêm yết TTCK Việt Nam.
Trong nghiên cứu, tác giả sử dụng mô hình gốc 8 biến của Beneish và mô hình 10 biến được phát triển thêm hai biến dồn tích (DA) và biến quy mô doanh nghiệp Size. Độ chính xác của hai mô hình với các doanh nghiệp sản xuất lần lượt là 63,41% và 68,29%, tính theo kết quả kiểm toán độc lập. Hạn chế của nghiên cứu là chỉ thực hiện với nhóm doanh nghiệp ngành xây dựng.
Nhìn chung, các nghiên cứu trong nước sử dụng khá hiệu quả các mô hình nghiên cứu vào đánh giá rủi ro có gian lận trong BCTC tại Việt Nam. Tuy nhiên, đối tượng tìm hiểu của các nghiên cứu chủ yếu là các doanh nghiệp phi tài chính trên thị trường tài chính hoặc một vài nghiên cứu chuyên sâu về các doanh nghiệp cụ thể trong lĩnh vực xây dựng, sản xuất. Những nghiên cứu về gian lận tại các trung gian tài chính như ngân hàng thương mại (NHTM) còn hạn chế, đặc biệt là nghiên cứu ứng dụng mô hình M-score của Beneish (1999) vào phát hiện gian lận BCTC.
Bài viết đề cập đến việc vận dụng mô hình M-score của Beneish (1999) với các NHTM tại Việt Nam với mục đích xác định mô hình nhận diện gian lận BCTC của các ngân hàng, qua đó đánh giá mức độ chính xác của mô hình nghiên cứu trong việc dự báo hay nhận diện gian lận BCTC của các NHTM tại Việt Nam.
2. Mô hình nghiên cứu
Dựa trên nền tảng mô hình nghiên của Beneish (1999), tác giả xây dựng mô hình nhận diện gian lân trong BCTC của các NHTM tại Việt Nam. Biến phụ thuộc được phân loại theo BCTC các NHTM tại Việt Nam trước và sau kiểm toán với giả định kết quả kiểm toán là kết quả chính xác về tình hình ngân hàng. BCTC trước kiểm toán sẽ được coi là có gian lận nếu có sai lệch trọng yếu. Phân biệt sai lệch trọng yếu theo mức trọng yếu trong hướng dẫn của VACPA lấy theo tiêu chí lợi nhuận là 5%.
Theo đó, nếu BCTC có chênh lệch giữa trước và sau kiểm toán từ 5% trở lên thì BCTC đó được coi là có gian lận và ngược lại. Biến phụ thuộc M = 1 nếu BCTC có sai lệch trọng yếu, M = 0 nếu BCTC không sai lệch trọng yếu.
Các biến độc lập trong mô hình báo gồm
các biến trong mô hình của Beneish (1999), có bổ sung thêm biến kế toán dồn tích có thể điều chỉnh (DA) của Friedlan (1994), và biến quy mô doanh nghiệp (SIZE) của Rhee và các cộng sự (2003) để đánh giá tác động của các yếu tố này tới khả năng nhận diện gian lận của mô hình. Ngoài ra, tác giả đề xuất thêm biến tỷ lệ nợ xấu (NX) trong các NHTM bởi nợ xấu là một chỉ tiêu đặc thù của các NHTM, phản ánh hiệu quả tín dụng trong các ngân hàng, ảnh hưởng trực tiếp tới uy tín và chất lượng hoạt động của các NHTM. Thời gian qua, nhiều NHTM có xu hướng điều chỉnh tỷ lệ nợ xấu của mình xuống thấp hơn so với thực tế nhằm tăng hiệu quả hoạt động cho vay và huy động vốn của mình. Phương pháp được sử dụng nhiều là các ngân hàng che giấu những khoản nợ xấu của mình thông qua việc cho khách hàng đang có nợ xấu vay để đảo nợ, từ đó những khoản nợ yếu kém tự nhiên trở thành những khoản nợ bình thường. Chỉ tiêu này thường được điều chỉnh thông qua các khoản mục như: Các khoản phải thu khách hàng, Dự thu lãi, Dự chi lãi của NHTM.
Mô hình nhận diện gian lận BCTC của các NHTM ở Việt Nam có dạng như sau:
M = β0 + β1 (SGI) + β2 (AQI) + β3 (DSRI) + β4 (TATA) + β5 (DEPI) + β6 (LVGI) + β7 DA + β8 SIZE + β9 NX + Ui
Trong đó, β0 là hệ số chặn của mô hình, βi là hệ số của các biến độc lập trong mô hình, Ui là các biến số khác có thể có ảnh hưởng tới nhưng chưa đưa vào mô hình nghiên cứu. Các biến trong mô hình được mô tả trong Bảng 1.
3. Phương pháp nghiên cứu và dữ liệu nghiên cứu
Phương pháp nghiên cứu
Nghiên cứu sử dụng phương pháp nghiên cứu định lượng, được thực hiện qua các
bước sau:
Thứ nhất, dựa trên tổng quan nghiên cứu, tác giả xác định mô hình nghiên cứu về gian lận BCTC trong các NHTM Việt Nam.
Thứ hai, tác giả thu thập dữ liệu nghiên cứu của 19 NHTM tại Việt Nam từ năm 2012- 2017Thứ ba, xử lý các dữ liệu nghiên cứu và xác
định mô hình các yếu tố nhận diện BCTC có gian lận tại các NHTM Việt Nam.
Thứ tư, đánh giá tính chính xác của mô hình trong dự báo, nhận diện gian lận trong các BCTC của NHTM.
Sau khi xác định mô hình các yếu tố nhận diện gian lận trong BCTC của các NHTM, tác giả tiến hành xác định ngưỡng giá trị Bảng 1. Mô tả các biến và chiều tác động của các biến trong mô hình nghiên cứu
Nguồn: Tác giả tổng hợp
phù hợp để phân loại BCTC chưa kiểm toán vào các nhóm có gian lận và không có gian lận (BCTC được coi là có gian lận nếu chênh lệch lợi nhuận trước và sau kiểm toán > 5% và ngược lại, với giả định là BCTC đã được kiểm toán là không còn tồn tại sai phạm trọng yếu), xác định những NHTM có giá trị M nằm trong ngưỡng giá trị được nhận diện là gian lận. Đồng thời, tại bước này, tác giả kiểm tra tính chính xác của mô hình với số liệu năm 2017 vì năm 2017 có đầy đủ BCTC của 19 NHTM trước và sau kiểm toán làm cơ sở đánh giá tính chính xác của mô hình nghiên cứu.
Miền phân phối bên trái của phân phối chuẩn Mi nằm trong khoảng 1% - 2,5%
được Beneish (1999) xác định khả năng gian lận BCTC cao, tương ứng với giá trị phân loại Mi nằm trong khoảng từ (-1,96) đến (-2,32). Giá trị phân loại Mi được tính toán dựa trên các xác xuất dự báo ở các mức 1%, 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40%. Tính toán các giá trị phân loại M-score tương ứng tại các xác suất dự báo 1%, 5%, 10%, 15%, 20%, 25%, 30%, 35%, 40% miền phân phối bên trái bằng hàm Normsinv trong Excel thu được kết quả tại Bảng 2.
Theo Beneish (1999), Tarjo and Nurul Herawati (2015), nếu Mi (giá trị ở quan sát thứ i của M) lớn hơn giá trị phân loại của M-score tại một ngưỡng phân loại xác định,
ta đánh dấu doanh nghiệp thứ i có khả năng gian lận. Độ chính xác của mô hình sẽ được tính bằng tổng số dự báo đúng trên tổng số quan sát. Các dự báo sai sẽ tùy trường hợp mà có ảnh hưởng tới người sử dụng BCTC.
Do đó, theo Nguyễn Cao Văn (2012), tính chính xác của dự báo được tính toán và mô tả trong Bảng 3.
Dữ liệu nghiên cứu
Nguồn dữ liệu được lấy từ hai trang web:www.cafef.vn và www.vietstock.vn, kết hợp thu thập dữ liệu liên quan còn thiếu từ trang chủ của các NHTM. Dữ liệu thu thập là các báo cáo trước và sau kiểm toán
Bảng 2. Ngưỡng M-score tương ứng với mức xác suất dự báo
Xác suất dự báo Giá trị phân loại M-score
1% -2,3263479
5% -1,6448536
10% -1,2815516
15% -1,0364334
20% -0,8416212
25% -0,6744898
30% -0,5244005
35% -0,3853205
40% -0,2533471
Nguồn: Tính toán của tác giả bằng phần mềm Excel Bảng 3. Tính chính xác của dự báo
Kết quả Kiểm toán Có gian lận Không có gian lận báoDự
Có gian lận Dự báo đúng có gian lận
(1) Dự báo sai có gian lận (Sai lầm loại 1) (2)
Không có gian lận
Dự báo sai không có gian lận (Sai lầm loại 2)
(3)
Dự báo đúng không có gian lận (4)
Độ chính xác của dự báo 1 / (1+3) 2 / (2+4) Tổng độ chính xác (1+4) / tổng số quan sát
Nguồn: Nguyễn Cao Văn (2012)
của 19 NHTM Việt Nam (Bảng 7). BCTC trước và sau kiểm toán của các NHTM được lấy trong khoảng thời gian từ năm 2012 - 2017, trong đó, dữ liệu để làm cơ sở xác định mô hình các yếu tố ảnh hưởng đến gian lận BCTC là từ 2012 - 2016, dữ liệu cho kiểm tra tính chính xác của mô hình là năm 2017. Dữ liệu được lấy bao gồm: Tài sản ngắn hạn, cho vay khách hàng, tài sản dài hạn, tài sản cố định, tổng tài sản, nợ phải trả, vốn chủ và các quỹ, thu nhập lãi thuần, lợi nhuận sau thuế, dòng tiền thuần từ hoạt động kinh doanh, tỷ lệ nợ xấu. Các dữ liệu được tổng hợp và xử lý bằng phần mềm Excel và phần mềm STATA 13.
4. Kết quả nghiên cứu
4.1. Đánh giá sai lệch thông tin trước và sau kiểm toán
Sau khi thực hiện thu thập và xử lý dữ liệu, tác giả thực hiện thống kê mô tả từ các dữ liệu sử dụng cho các biến đầu vào của mô hình, kết quả cụ thể như Bảng 4.
Qua thống kê, những chỉ tiêu có sai lệch nhiều là: Lợi nhuận sau thuế (28,95%), Tài sản ngắn hạn (14,47%), Phải thu khách hàng (30,26%), Dòng tiền từ hoạt động kinh doanh (25,00%), Tổng tài sản (18,42%), Nợ phải trả (15,79%), Tỷ lệ nợ xấu (30,26%). Các chỉ tiêu có sai lệch ít là:
Tài sản dài hạn (5,26%), Vốn chủ và các quỹ (2,63%), Doanh thu thuần (1,32%).
Khoản mục Tài sản cố định không có bất cứ sai lệch nào. Nguyên nhân có sự sai lệch lớn của các khoản mục là: Tỷ lệ nợ xấu và Phải thu khách hàng (do các NHTM chuyển các khoản nợ nhóm 3, 4, 5 về nhóm 1, 2 làm tăng các khoản phải thu khách hàng, giảm nợ xấu), Lợi nhuận sau thuế và Dòng tiền thuần từ hoạt động kinh doanh (phần lớn do các khoản chi lãi được kê khai không đúng, nhiều NHTM chi trả lãi ngoài để tăng thu nhập lãi cũng như thu hút các đối tượng khách hàng). Sự sai lệch của các khoản mục này đã kéo theo sự sai lệch của các khoản mục có liên quan: Tài sản ngắn hạn, Tổng tài sản, Nợ phải trả.
Bảng 4. Thống kê sai lệch các chỉ tiêu từ BCTC của 19 NHTM giữa kết quả trước và sau kiểm toán giai đoạn 2013- 2016
STT Chỉ tiêu Số quan sát sai lệch Tỷ lệ sai lệch
1 Lợi nhuận sau thuế 22 28,95%
2 Tài sản ngắn hạn 11 14,47%
3 Phia thu khách hàng 23 30,26%
4 Tài sản dài hạn 4 5,26%
5 Tài sản cố định 0 0,00%
6 Tổng tài sản 14 18,42%
7 Nợ phải trả 12 15,79%
8 Vốn chủ và các quỹ 2 2,63%
9 Thu nhập lãi thuần 1 1,32%
10 Dòng tiền thuần từ hoạt động kinh
doanh 19 25,00%
11 Tỷ lệ nợ xấu 23 30,26%
Nguồn: Tính toán từ phần mềm Excel
4.2. Mối tương quan giữa các biến trong mô hình nghiên cứu
Kiểm tra tương quan giữa các biến trong mô hình cho kết quả như Bảng 5.
Kết quả ở Bảng 5 cho thấy các biến trong mô hình nghiên cứu có mối tương quan với nhau, có thể giải thích cho biến phụ thuộc.
4.3. Kết quả phân tích hồi quy
Hồi quy logistic mô hình thu được kết quả trong Bảng 6
Kết quả hồi quy của mô hình cho thấy, với mức ý nghĩa là 5%, có 5 biến có ý nghĩa trong mô hình nhận diện gian lận, gồm:
SGI, AQI, LVGI, SIZE và NX.
Hệ số góc của SGI (Tỷ số tăng trưởng thu nhập) = -0,2088674 có ý nghĩa thống kê ở mức 5%, thể hiện tác động ngược chiều của biến SGI lên xác suất gian lận BCTC. Hay nói cách khác, Tỷ số tăng trưởng thu nhập có mối quan hệ ngược chiều với gian lận BCTC, khi tỷ số tăng trưởng thu nhập của ngân hàng càng cao thì xu hướng gian lận BCTC càng giảm. Điều này trái với giả Bảng 5. Ma trận hệ số tương quan giữa các biến trong mô hình
SGI AQI DSRI TATA DEPI LVGI DA SIZE NX
SGI 1
AQI -,0103 1
DSRI -,2064 -,1757 1
TATA -,1322 -,1267 ,2812 1
DEPI -,0387 -,4932 ,3130 -,0445 1
LVGI -,0129 -,2336 -,1304 ,0383 -,3112 1
DA -,2708 ,0016 ,5267 ,2416 ,0001 ,0075 1
SIZE -,0102 ,0079 -,0788 -,0808 -,0246 -,0631 ,0299 1
NX -,0423 -,0371 -,0021 -,0406 ,2511 -,1017 -,0642 -,2913 1 Nguồn: Tính toán từ phần mềm STATA 13 Bảng 6. Kết quả hồi quy logistic mô hình
M Coef. Std. Err. Z P>|z| [95% Conf. Interval]
SGI -,2088674 ,6017161 -0,35 0,031 -1,388209 ,9704745 AQI -1,311197 1,70476 -0,77 0,045 -4,652466 2,030071 DSRI -,3372691 ,3571657 -0,94 0,09 -1,037301 ,3627629 TATA 15,26538 10,07281 1,52 0,074 -4,476966 35,00772
DEPI 2,377854 1,336584 1,78 0,062 -,2418016 4,99751
LVGI 33,76182 16,33364 2,07 0,03 1,748466 65,77517
DA -,0052447 ,0183458 -0,29 0,052 -,0412017 ,0307123
SIZE ,5836006 ,87862 0,66 0,015 -1,138463 2,305664
NX 24,84579 35,39442 0,70 0,032 -44,52601 94,21758
_cons -38,0518 19,00495 -2,00 0,04 -75,30081 -,8027814 Nguồn: Tính toán từ phần mềm STATA 13
thuyết nghiên cứu và kỳ vọng về dấu của hệ số trong mô hình đã trình bày ở Bảng 1. Kết quả này cũng khác biệt với các nghiên cứu của các nhà nghiên cứu trước như Beneish (1999), Tarjo and Nurul Herawati (2015).
Tuy nhiên, kết quả nghiên cứu này dường như phù hợp với thực tiễn các ngân hàng tại Việt Nam, bởi việc tăng trưởng thu nhập của các ngân hàng chủ yếu từ lãi cho vay nên khi có tăng trưởng về tín dụng sẽ giúp ngân hàng đạt các chỉ tiêu về thu nhập. Đây là lý do giải thích cho mối quan hệ khi tăng trưởng thu nhập của ngân hàng cao thì việc gian lận BCTC giảm.
Hệ số của AQI (Tỷ số chất lượng tài sản)
= -1,311197 có mối quan hệ ngược chiều với khả năng xảy ra gian lận BCTC, hay nói cách khác, khi Tỷ số chất lượng tài sản giảm, doanh nghiệp có xu hướng gian lận BCTC. Kết quả này trái với nghiên cứu của Beneish (1999) cho rằng, khi các doanh nghiệp có tỷ suất chất lượng tài sản cao thì khả năng gian lận BCTCT tăng. Kết quả nghiên cứu phù hợp với thực tiễn khi cho thấy, với các ngân hàng có chỉ số chất lượng tài sản thấp thì thường có mong muốn che giấu các vấn đề thực tại đối với tài sản của đơn vị mình, do đó có xu hướng gia tăng gian lận BCTC.
Hệ số của LVGI (Tỷ số đòn bẩy tài chính)
= 33,76182> 0, cho thấy khi Tỷ số đòn bẩy tài chính càng cao thì khả năng gian lận BCTC cũng càng tăng. Kết quả nghiên cứu này mặc dù trái ngược với Beneish (1999), nhưng dường như lại hợp lý với thực tiễn Việt Nam khi cho thấy, nếu các doanh nghiệp có tỷ trọng nợ phải trả trong tổng tài sản cao thì thường có xu hướng gian lận BCTC nhiều hơn với mong muốn làm giảm ảnh hưởng tiêu cực của tỷ lệ nợ phải trả đối với báo cáo tài chính
Hệ số góc của SIZE (biến tăng trưởng quy mô doanh nghiệp) = 0,5836006> 0 cho thấy quy mô ngân hàng càng cao thì càng
có xu hướng gian lận BCTC. Kết quả này trái ngược với Rhee và các cộng sự (2003) chỉ ra rằng công ty nhỏ có khả năng gian lận BCTC nhiều hơn các công ty lớn, công ty nhỏ có thể làm tăng hoặc giảm lợi nhuận, còn các công ty lớn hầu hết thao túng BCTC theo hướng lợi nhuận không bị giảm qua các năm. Kết quả nghiên cứu tại Việt Nam một lần nữa cho thấy khác biệt với các quốc gia khác về gian lận BCTC.
Theo đó, những ngân hàng lớn thường có xu hướng làm đẹp BCTC của mình nhiều hơn so với các ngân hàng quy mô nhỏ hơn.
Hệ số của NX (Tỷ lệ nợ xấu của NHTM) = 24,84579 cho thấy tỷ lệ nợ xấu có tác động thuận chiều với gian lận trong các NHTM.
Nói cách khác, các ngân hàng có tỷ lệ nợ xấu cao thường có xu hướng mong muốn che giấu tình hình tài chính thực tế của ngân hàng cũng như để gia tăng hay giữ vững niềm tin của các cổ đông, các nhà đầu tư với hoạt động của ngân hàng, do đó có động cơ gian lận BCTC cao hơn.
Mô hình nhận diện gian lận BCTC trong các NHTM tại Việt Nam có dạng:
M= -38.0518 – 0,2088674SGI – 1,311197AQI + 33,76182LVGI + 0,5836006SIZE + 24,84579NX
4.4. Kiểm định tính chính xác của mô hình tại các ngân hàng thương mại ở Việt Nam
Như đã trình bày trong phần phương pháp nghiên cứu, để đánh giá tính chính xác của dự báo gian lận, tác giả sử dụng dữ liệu trên BCTC trước và sau kiểm toán của 19 NHTM trong năm 2017. Thông qua các BCTC trước và sau kiểm toán để xác nhận việc doanh nghiệp có gian lận hay không.
Nếu BCTC có sai lệch trọng yếu giữa các khoản mục trước và sau kiểm toán được coi là có gian lận, không có chênh lệch trọng yếu được coi là không có gian lận. Kết quả
này được sử dụng để so sánh với giá trị M-score được tính toán từ dữ liệu của các NHTM. Kết quả tính toán các giá trị M của các NHTM thể hiện trong Bảng 7.
Kết quả Bảng 7 cho thấy, các M-score có giá trị trong khoảng (-5; 2), tuy nhiên giá trị chủ yếu tập trung ở khoảng (-2; 2).
Với Mi (giá trị M ở quan sát thứ i)> M-score tại một ngưỡng phân loại xác định, ta đánh dấu doanh nghiệp thứ i có khả năng gian lận. Kết quả sau khi so sánh tại các ngưỡng xác suất 1%, 5%, 10%, 15% và 20%, 25%, 30%, 35%, 40% thể hiện tại Bảng 8.
Bảng 8 cho thấy, độ chính xác của Mô hình
tại ngưỡng 20% là lớn nhất. Từ ngưỡng 20% trở đi, độ chính xác của mô hình không tăng thêm chứng tỏ kết quả đã bão hòa. Vậy nên ngưỡng 20% là ngưỡng phân loại chấp nhận được của mô hình. Độ chính xác của mô hình M-score tại ngưỡng 20%
với dữ liệu của các NHTM năm 2017 được thể hiện trong Bảng 9.
Như vậy, tại ngưỡng 20% miền phân phối bên trái có giá trị phân loại -0,84162, các kết quả dự báo của mô hình có độ chính xác lần lượt là 75% với quan sát có gian lận và 40% với quan sát không có gian lận.
Kết quả này cho phép phát hiện các sai lệch
Bảng 7. Giá trị M-score của 19 NHTM trong năm 2017
STT Tên NHTM Gian lận BCTC theo
kết quả kiểm toán Kết quả M tính theo mô hình
1 Ngân hàng TMCP Á Châu 0 -3,272126943
2 Ngân hàng TMCP Bắc Á 0 -1,7473077396
3 Ngân hàng TMCP Đầu tư và Phát triển Việt
Nam 0 1,43201220554
4 Ngân hàng TMCP Công thương Việt Nam 0 -1,5553329945 5 Ngân hàng TMCP Xuất nhập khẩu Việt Nam 1 1,1186468006
6 Ngân hàng TMCP Phát triển TPHCM 0 1,69918008352
7 Ngân hàng TMCP Kiên Long 0 -4,3166011963
8 Ngân hàng TMCP Bưu điện Liên Việt 0 0,6404448185
9 Ngân hàng TMCP Quân đội 0 -1,334183608
10 Ngân hàng TMCP Quốc Dân 1 2,1097816759
11 Ngân hàng TMCP Sài Gòn – Hà Nội 0 -2,3641915328
12 Ngân hàng TMCP Sài Gòn Thương Tín 1 1,0371728199
13 Ngân hàng TMCP Tiên Phong 1 -2,483823174
14 Ngân hàng TMCP Ngoại thương Việt Nam 0 1,9480796448
15 Ngân hàng TMCP Quốc tế Việt Nam 0 -3,638303574
16 Ngân hàng TMCP Việt Nam Thịnh Vượng 0 -1,735275321
17 Ngân hàng TMCP An Bình 0 0,643661449
18 Ngân hàng TMCP Đại chúng Việt Nam 0 1,9177616498
19 Ngân hàng TMCP Kỹ Thương Việt Nam 0 -0,9080372034 Ghi chú: Gian lận BCTC theo kết quả kiểm toán nhận giá trị 0 là không có sự khác biệt giữa các khoản mục trọng yếu giữa BCTC của NHTM trước và sau kiểm toán, nhận giá trị 1 nếu có sai lệch
Nguồn: Tính toán và tổng hợp của tác giả
trong BCTC là 63,16%, dựa trên cơ sở các kết quả của kiểm toán.
5. Kết luận
Kết quả nghiên cứu chỉ ra mô hình nhận diện gian lận trong BCTC của các NHTM ở Việt Nam gồm 5 yếu tố: Tỷ số tăng trưởng doanh thu (SGI), tỷ số chất lượng tài sản (AQI), tỷ số đòn bẩy tài chính (LVGI), tăng trưởng quy mô doanh nghiệp (SIZE) và tỷ lệ nợ xấu của NHTM (NX). Trong 5 yếu tố ảnh hưởng, các biến SGI, AQI có quan hệ ngược chiều với khả năng xảy ra gian lận BCTC. Các biến còn lại là LVGI, SIZE và NX có quan hệ thuận chiều với khả năng xảy
ra gian lận BCTC.
Ngưỡng giá trị phân loại được xác định dựa vào việc so sánh tính chính xác của mô hình tại các ngưỡng 1%, 5%, 10%, 15%
và 20%, 25%, 30%, 35%, 40% miền phân phối bên trái. Từ ngưỡng 1% đến 20% miền phân phối bên trái, giá trị nhận diện đúng tăng dần và đạt cực đại tại ngưỡng 20%.
Ngưỡng xác suất nhận diện gian lận là 20%
tại miền phân phối, ứng với giá trị phân loại -0,842. Tại giá trị này độ chính xác của mô hình là cao nhất cho phép nhận diện chính xác 12/19 ngân hàng có gian lận, tương ứng với 63,16% BCTC có sai lệch theo kết quả kiểm toán.
Gian lận BCTC là hành vi khá phổ biến Bảng 8. So sánh tính chính xác của mô hình M-score tại ngưỡng phân loại với dữ liệu
của 19 NHTM năm 2017
Ngưỡng xác suất Dự báo đúng Dự báo sai
Có gian lận Không gian lận Có gian lận Không gian lận
Ngưỡng 1% 3 4 11 1
Ngưỡng 5% 3 6 9 1
Ngưỡng 10% 3 8 7 1
Ngưỡng 15% 3 8 7 1
Ngưỡng 20% 3 9 6 1
Ngưỡng 25% 3 9 6 1
Ngưỡng 30% 3 9 6 1
Ngưỡng 35% 3 9 6 1
Ngưỡng 40% 3 9 6 1
Nguồn: Tính toán của tác giả Bảng 9. Độ chính xác của mô hình M-score tại ngưỡng 20%
với dữ liệu các NHTM năm 2017 Kết quả Kiểm toán
Có gian lận Không có gian lận Dự báo
Có gian lận 3 6
Không có gian lận 1 9
Độ chính xác của dự báo 3/4=75% 6/15=40%
Tổng độ chính xác 12/19=63,16%
Nguồn: Tính toán của tác giả
không chỉ ở một số doanh nghiệp tại Việt Nam mà còn cả ở các quốc gia khác trên thế giới. Sử dụng các BCTC có gian lận có thể gây ra tổn thất lớn với các nhà đầu tư.
Nhiều nghiên cứu đã được thực hiện với mục đích xác định được cơ sở nhận diện BCTC có gian lận. Các mô hình nhận diện rủi ro có gian lận như mô hình của M-score Beneish (1999), hay Z-score của Altman (1968), Jones (1991), Dechow và cộng sự (1995) có thể được coi là công cụ hỗ trợ hiệu quả đối với các nhà đầu tư trong việc ra quyết định. Nghiên cứu vận dụng mô hình Beneish (1999) cho dữ liệu của các NHTM tại Việt Nam cho những kết quả khác biệt với một số nghiên cứu tại các quốc gia khác. Kết quả nghiên cứu của tác giả có thể coi là một căn cứ để các nhà đầu tư có thể sử dụng để đánh giá tính trung thực của số liệu trên BCTC của các NHTM, làm cơ sở ra quyết định đúng đắn, giảm những tổn thất trong hoạt động đầu tư. Bên cạnh đó, việc kiểm soát các hành
vi gian lận BCTC của doanh nghiệp luôn là vấn đề cần được các cơ quan quản lý Nhà nước quan tâm như một cơ chế phòng ngừa rủi ro cho người sử dụng thông tin.
Để hạn chế hành vi gian lận BCTC của các doanh nghiệp, tổ chức, các cơ quan quản lý Nhà nước như Bộ Tài chính, Ủy ban Chứng khoán Nhà nước, Ngân hàng Nhà nước Việt Nam cần có những quy định về công bố thông tin và có các chế tài xử lý nghiêm ngặt đối với các hành vi vi phạm công bố thông tin và gian lận BCTC của các doanh nghiệp. Các nhà đầu tư, người sử dụng thông tin cũng cần cẩn trọng hơn trong việc ra quyết định đầu tư, cần vận dụng những am hiểu của mình về hoạt động cũng như thông tin của doanh nghiệp trong nhiều năm để quyết định, tránh những rủi ro không đáng có khi ra các quyết định dựa trên thông tin không đầy đủ và chứa đựng gian lận hay hành vi thao túng BCTC của các nhà quản lý doanh nghiệp ■
Tài liệu tham khảo
Beneish, M. (1999). Incentives and penalties related to earnings overstatements thatviolate GAAP. The Accounting Review, 74(4), page 425–457, USA.
Burcu Dikmen and Güray Küçükkocaoğlu (2010), The Detection of EarningsManipulation: The Three Phase Cutting Plane Algorithm using Mathematical Programming. Journal of Forecasting, 2010, Vol. 29, No. 5, Pages 442-466.
DeAngelo, L., & Skinner, D. (1994). Accounting choice in troubledcompanies. Journal of Accounting and Economics, 17(1), page 113–143.
Dechow, P.M., Sloan, R.G. and Sweeney, A.P., (1995) Detecting earnings management. Accounting review, 70(2):
193-225.
Dechow, P.M., Sloan, R.G. and Sweeney, A.P., (1995). Detecting earnings
Friedlan (1994), Accounting choices of Issuers of Initial Public Offerings, Contemporary Accounting Research Volume 11, Issue 1, pages 1–31, USA
Hakkı FINDIK and Erkan ÖZTÜRK (2016), Measurement of Financial Information Manipulation with the Help of Beneish Model: A Research on BIST Manufacturing Industry. Journal of Business Research Turk, Vol.8, page 483 - 499
Jones (1991), Earnings Management During Import Relief Investigation, Journal of Accounting Research Vol. 29 No. 2 Autumn 1991, USA.
John MacCarthy (2017), Using Altman Z-score and Beneish M-score Models to Detect Financial Fraud and Corporate Failure: A Case Study of Enron Corporation, International Journal of Finance and Accounting, Vol. 6 No. 6, Pages 159-166.
Nguyễn Cao Văn (2012), Giáo trình Lý thuyết Xác suất và Thống kê toán, NXB Đại học Kinh tế Quốc dân, Hà Nội.
Rhee et al (2003), The Effect of Firm Size on Earnings Management, Workingpaper.
Tarjo and Nurul Herawati (2015) Application of Beneish M-Score Models and Data Mining to Detect Financial Fraud, Procedia – Social and Behavioral Sciences, Vol 211, pages 924 -930
Vladimír Petrík (2015), Application of beneish m-score on selected financial statements, Slovakia
