intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE

Bài tập thực hành môn Kinh tế lượng: Nhận diện gian lận kế toán tại các doanh nghiệp niêm yết trên sàn giao dịch chứng khoán Hà Nội (HNX) bằng mô hình m-score beneish

Chia sẻ: | Ngày: | Loại File: DOCX | Số trang:19

28
lượt xem
5
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài tập thực hành môn Kinh tế lượng với mục tiêu nhằm hệ thống hóa cơ sở lý luận liên quan đến KTST và mô hình M-score; xác định được những biến độc lập có khả năng phát hiện KTST; dự báo khả năng phát hiện KTST của mô hình được xây dựng; đưa ra một số giải pháp, kiến nghị nhằm góp phần nâng cao tính ứng dụng mô hình M-Score vào việc quyết định đầu tư của các nhà đầu tư.

Chủ đề:
Lưu

Nội dung Text: Bài tập thực hành môn Kinh tế lượng: Nhận diện gian lận kế toán tại các doanh nghiệp niêm yết trên sàn giao dịch chứng khoán Hà Nội (HNX) bằng mô hình m-score beneish

  1. Họ và tên: Lê Thị Dương Ngọc Mã sinh viên: 21050698 BÀI TẬP THỰC HÀNH MÔN: KINH TẾ LƯỢNG ĐỀ TÀI: NHẬN DIỆN GIAN LẬN KẾ TOÁN TẠI CÁC DOANH NGHIỆP NIÊM YẾT TRÊN SÀN GIAO DỊCH CHỨNG KHOÁN HÀ NỘI (HNX) BẰNG MÔ HÌNH M-SCORE BENEISH I. Tính cấp thiết - Thực trạng vấn đề: Hội nhập hóa, toàn cầu hóa đã và đang trở thành một xu hướng có tính bắt buộc đối với toàn bộ các quốc gia trên thế giới. Sự hội nhập đang diễn ra ngày càng sâu rộng và đa dạng trong nhiều lĩnh vực từ văn hóa, chính trị- xã hội, đặc biệt phải kể đến lĩnh vực then chốt là kinh tế. Sự phát triển và toàn cầu hóa về hội nhập trong kinh tế đã dẫn đến những thay đổi mang tính đột phá trong cách thức hoạt động kinh tế, tài chính truyền thống xưa nay, nổi bật trong số đó là “Gian lận báo cáo tài chính” (GLBCTC) - Đặc điểm của vấn đề: Nhiều doanh nghiệp đã GLBCTC cực nhằm tạo ra những sai số có tính ảnh hưởng lớn đến BCTC của doanh nghiệp nhằm hướng tới giảm thuế và tăng lợi nhuận, làm đẹp tình hình tài chính của doanh nghiệp để thu hút nhiều nguồn đầu tư, có thể gây ảnh hưởng đến sự ổn định của hệ thống kinh tế cả nước. Đề tài về GLBCTC là một trong số những đề tài “nhạy cảm” với các doanh nghiệp và những người trực tiếp làm nghiên cứu. Song, cũng mang tính giá trị vận dụng cao cho thị trường tài chính, thị trường đầu tư; có nhiều khía cạnh mới để khai thác. - Tình hình nghiên cứu trong và ngoài nước: Tại Việt Nam và trên thế giới, cũng đã có nghiên cứu vận dụng các phưong pháp thực nghiệm trên thế giới vào việc ̛ phát hiện gian lận BCTC của các công ty niêm yết như sử dụng các chỉ số tài chính, sử dụng chỉ số Z-Score kết hợp với chỉ số P, hay sử dụng đơn lẻ một mô hình phát hiện gian lận.
  2. - Khoảng trống nghiên cứu: các bài nghiên cứu trươc đây chủ yếu sử dụng mô ́ hình định lương gốc để nhận diện sai sót BCTC, vận dụng các mô hình định ̣ lương để nhận diện sai sót BCTC thông qua chỉ tiêu lợi nhuận ̣ - Mục tiêu nghiên cứu: Thứ nhất, hệ thống hóa cơ sở lý luận liên quan đến KTST và mô hình M-score. Thứ hai, xác định được những biến độc lập có khả năng phát hiện KTST. Thứ ba, dự báo khả năng phát hiện KTST của mô hình được xây dựng. Thứ tư, đưa ra một số giải pháp, kiến nghị nhằm góp phần nâng cao tính ứng dụng mô hình M-Score vào việc quyết định đầu tư của các nhà đầu tư. II. Phương pháp nghiên cứu - Sử dụng phưong pháp nghiên cứu định lương được thông qua thống kê mô tả ̛ ̣ mẫu nghiên cứu và các biến, kiểm định ý nghĩa của các hệ số hồi quy, kiểm tra mức độ giải thích của mô hình, cuối cùng là đánh giá mức độ phù hợp và khả năng dự báo của mô hình. Ngoài ra, đề tài cũng kết hợp sử dụng phưong pháp ̛ định tính để tổng quan về các mô hình, các lý thuyết nghiên cứu đã có trước đó nhằm giúp nhận diện ra những biến độc lập có khả năng phát hiện gian lận trên BCTC. 1. Cơ sở chọn mô hình nghiên cứu 1.1. Mô hình M- Score - Trên thế giới đã có khá nhiều nghiên cứu giúp các nhà đầu tư, các kiểm toán viên và các đối tương hữu quan khác có thể nhận diện gian lận trên BCTC một ̣ cách dễ dàng hơn thông qua các mô hình, các phưong pháp kiểm định khác ̛ nhau. Mà tiêu biểu đó là mô hình M- Score của Messod D. Beneish, F-Score của Dechow và các cộng sự, chỉ số Z-Score của EdWard I.Altman. - Mô hình Beneish (1999) đang đươc rất nhiều nhà nghiên cứu quan tâm và sử ̣ dụng nhằm phát hiện được khả năng gian lận trên BCTC. Vì mô hình này có những ưu điểm như sau: là một mô hình giúp phát hiện gian lận trên BCTC với độ tin cậy cao (76%) và đã đươc đưa vào giảng dạy tại các trương đại học; dữ ̣ ̀ liệu để tính toán các tỷ số trong mô hình dễ dàng thu thập trên BCĐKT, BCKQKD, LCTT. Ngoài ra, mô hình này kết hợp cả biến tỷ số tài chính và biến dồn tích nên kỳ vọng xác suất phát hiện sai sót trên BCTC sẽ cao hơn các mô hình chỉ sử dụng tỷ số tài chính hoặc biến dồn tích. - Sau đó, M-Score đã được rất nhiều các nghiên cứu tiếp theo quan tâm và sử dụng vào bài nghiên cứu của mình như nghiên cứu của Burcu Diken và Guray
  3. (2010) và Marinakis (2011), mô hình F-Score của Dechow và các cộng sự (2011), Muntari Mahama (2015),... - Mô hình M-Score của Beneish: M-Score = -4.840 + 0,920DSRI + 0,528GMI + 0,0404AQI + 0,892SGI + 0,115DEPI-0,172SGAI + 4,679 TATA- 0,327LVGI Nếu điểm M-Score > -1,78, nó cho thấy công ty có khả năng gian lận BCTC và ngươc lại. ̣ Trong đó: M-Score: là khả năng xảy ra gian lận trên BCTC. Đây là biến phụ thuộc nhận giá trị 0,1. 0: Không có khả năng gian lận trên BCTC; 1: Có khả năng gian lận trên BCTC Tám biến độc lập trong mô hình M-Score bao gồm: Chỉ số Phải thu khách hàng trên Doanh thu thuần (DSRI), Chỉ số Tỷ suất lợi nhuận gộp biên (GMI), Chỉ số chất lương tài sản (AQI), Chỉ số tăng trương 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), Chỉ số đòn bẩy tài chính (LVGI). Nguồn Tên STT Công thức tính thu thập biến dữ liệu Bảng CĐKT và 1 DSRI DSRI= Báo cáo KQHĐK D GMI = với Báo cáo 2 GMI KQHĐK Tỷsuất lợi nhuận gộp = D Báo cáo 3 SGI SGI = KQHĐK D SGAI= Báo cáo 4 SGAI KQHĐK D 5 LVGI LVGI = với Bảng
  4. đòn bẩy tài chính = CĐKT Báo cáo TATA= KQHĐK 6 TATA D và Báo cáo LCTT DEPI = với Bảng 7 DEPI Tỷ lệ khấu hao = CĐKT 1.2. Phương trình hồi quy Logistic Dạng tổng quát mô hình hồi quy binary logistics như sau: Y = β + β X + u i 0 i i Trong đó: X là biến độc lập, Y là biến phụ thuộc. i i Phưong trình hồi quy binary logistics có dạng: ̛ Ln = [P(Y=1)/P(Y=0)] = B + B X + B X +...+ B X o 1 1 2 2 j i Trong đó: P(Y=1) = P : xác suất xảy ra sự kiện. P(Y=0) = 1- P : xác suất không xảy ra 0 0 sự kiện. X : các biến độc lập; Ln: log của cơ số e (e = 2,714). i Hệ số Odds: là tỷ lệ giữa xác suất xảy ra sự kiện so với xác suất không xảy ra sự kiện đó. Nếu P là xác suất xảy ra sự kiện, thì 1-P là xác suất không 0 0 xảy ra sự kiện. Hệ số Odds được tính theo công thức sau: Odds = P /1-P 0 0 Ln(Odds) = B + B X + B X +...+ B X o 1 1 2 2 j i Đây là một dạng hàm Logit. Hàm Ln của Odds là một hàm hồi quy tuyến tính với các biến độc lập X . Hàm xác suất trên gọi i là hàm phân phối logistics. Trong hàm này khi nhận giá trị từ -∞ đến + ∞ thì xác suất Pi nhận giá trị từ 0 đến 1. Do là phi tuyến đối với X và các tham số, Y chỉ nhận một trong hai giá trị 0 hoặc 1, do đó không thể áp dụng phưong pháp bình phưong nhỏ nhất (OLS) để ươc lương các tham số, thay ̛ ̛ ́ ̣ vào đó dùng ước lương hợp lý cực đại (Maximum Likelihood) để ước lương ̣ ̣ các tham số.
  5. Mô hình logit xem xét mức ảnh hương của biến độc lập X đến xác suất để ̉ i biến Y nhận giá trị 1. Ta có dạng hàm dự báo hồi quy binary logistics: Bo + B X + B X +...+ B X E(Y/X ) = P /1-P = e i 0 0 1 1 2 2 j i E(Y/X ): xác suất để Y = 1 xuất hiện khi giá trị biến độc lập X có giá trị: i i Bo + B X + B X +...+ B X Bo + B X + B X +...+ B X P=e 1 1 2 2 j i/(1+ e 1 1 2 2 j i) 2. Xây dựng giả thuyết nghiên cứu Kỳ vọng Giả tác động Nội dung giả thuyết thuyết lên biến phụ thuộc Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền H1 (2019): Tỷ số DRSI có mối quan hệ cùng chiều với + khả năng xảy ra gian lận BCTC Beneish(1999), Phạm Thị Mộng Tuyền (2019) :cho H2 rằng các công ty có GMI càng cao thì càng có khả + năng gian lận BCTC Beneish(1999), Phạm Thị Mộng Tuyền (2019): cho H3 rằng các công ty có AQI càng cao thì càng có khả + năng gian lận BCTC Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền H4 (2019): Tỷ số SGI có mối quan hệ cùng chiều với + khả năng xảy ra gian lận BCTC Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền H5 (2019):Tỷ số DEPI có mối quan hệ cùng chiều với + khả năng xảy ra gian lận BCTC Phạm Thị Mộng Tuyền (2019),Ca Thị Ngọc Tố (2017), Lev và Thiagarajan (1993) :Tỷ số SGAI có H6 + mối quan hệ cùng chiều với khả năng xảy ra gian lận BCTC Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền H7 (2019): Tỷ số TATA có mối quan hệ cùng chiều với + khả năng xảy ra gian lận BCTC
  6. Ca Thị Ngọc Tố (2017), Phạm Thị Mộng Tuyền H8 (2019): Tỷ số LVGI có mối quan hệ cùng chiều với + khả năng xảy ra gian lận BCTC 3. Phương pháp thu thập dữ liệu - Theo Tabachnick và Fidell (1996), trong phân tích hồi quy đa biến: Cỡ mẫu tối thiểu cần đạt được tính theo công thức là n = 50 + 8*m (m:số biến độc lập), Bài nghiên cứu này có 8 biến độc lập nên cỡ mẫu tối thiểu cần đạt được là 114 mẫu quan sát. - Dữ liệu của nghiên cứu là dữ liệu thứ cấp được lấy từ BCTC đã kiểm toán của 100 doanh nghiệp niêm yết trong giai đoạn 2019-2021 tương ứng với 300 mẫu quan sát trên sàn HNX, hệ thống công bố thông tin đại chúng SSC, cổng thông tin điện tử - công ty cổ phần chứng khoán SSI. 4. Phương pháp nghiên cứu Dữ liệu nghiên cứu sau khi đươc sàng lọc ban đầu dựa vào các đặc điểm cần thiết ̣ của mẫu sẽ đươc tác giả phân làm hai nhóm: nhóm 1 là nhóm mẫu BCTC có khả ̣ năng gian lận, nhóm 2 là nhóm mẫu BCTC không có khả năng gian lận. Việc phân loại BCTC có khả năng hay không có khả năng gian lận dựa vào cách thức như sau: - Không cần phải tính toán kỹ các chỉ số tài chính và đào sâu vào BCTC mà nhóm tác giả sẽ sử dụng để đo lường biến phụ thuộc đó là so sánh dòng tiền với thu nhập ròng (Alnujaimi, 2022). Hai số liệu này có thể tìm thấy dễ dàng trên báo cáo lưu chuyển tiền tệ. Trường hợp khi thu nhập ròng tăng, nhưng dòng tiền thì không - đó là một dấu hiệu cảnh báo có sử dụng hành vi GLBCTC, vì thu nhập tăng nhiều, nhưng tiền mặt lưu lượng không đổi hoặc suy giảm. Ta xem xét đâu thực sự là dòng tiền thuần từ hoạt động kinh doanh và xem xét bao quát cả dòng tiền từ hoạt động tài chính, dòng tiền hoạt động đầu tư và dòng tiền tự do. Công ty sử dụng hành vi GLBCTC khi cố tình phân loại dòng tiền từ hoạt động đầu tư, tài chính vào hoạt động kinh doanh thì dòng tiền tự do của công ty vẫn âm, dòng tiền đầu tư qua các năm âm và dòng tiền hoạt động không đủ để chi chả lại khoản này trong nhiều năm.
  7. Biến phụ thuộc QLBCTC nhận giá trị 1 cho những quan sát rơi vào tình trạng có hành vi GLBCTC và giá trị 0 những quan sát không có hành vi GLBCTC Sau đó, dữ liệu sẽ được xử lý qua các bươc tiếp theo trên phần mềm SPSS : ́ (1) Thống kê mô tả mẫu nghiên cứu để tìm hiểu về đặc trưng của các biến trong mô hình. (2) Kiểm định ý nghĩa của hệ số hồi quy: bươc này nhằm giúp tác giả xem xét các ́ biến độc lập tưong quan có ý nghĩa với biến phụ thuộc hay không. Tác giả sử dụng ̛ kiểm định Wald. (3) Kiểm tra mức độ giải thích của mô hình: tác giả sử dụng thước đo Nagelkerke, sẽ cho ta biết đươc % thay đổi của biến phụ thuộc đươc giải thích bởi các biến độc ̣ ̣ lập. (4) Đánh giá mức độ phù hợp của mô hình bằng kiểm định Omnibus (5) Cuối cùng, xem xét khả năng dự báo đúng của mô hình. 5. Mô hình nghiên cứu Dựa vào cơ sở lý thuyết và tổng quan các nghiên cứu trước, bên cạnh vận dụng mô hình M-score của Beneish (1999) và sử dụng hồi quy binary logistic để xây dựng mô hình định lượng dùng để phát hiện hành vi GLBCTC, ta đưa ra mô hình nghiên cứu bao gồm 8 biến độc lập như sau: Trong đó: i:Doanh nghiệp thứ i; t:Năm thứ t KTST = 1 nếu có khả năng sử dụng KTST, hoặc 0 nếu không có khả năng sử dụng KTST Hệ số chặn Sai số giả định III. Kết quả nghiên cứu 1. Thống kê mô tả
  8. Bảng : Phân loại trạng thái các doanh nghiệp có khả năng GLBCTC và không có khả năng GLBCTC Năm 2019 2020 2021 Tổng Tỷ lệ Có khả năng 22 30 24 76 25.33% GLBCTC Không có khả 78 70 76 224 74.67% năng GLBCTC Tổng 100 100 100 300 100% Thông tin được trích dẫn từ BCTC của 100 doanh nghiệp thuộc ngành nghề công nghiệp được niêm yết trên sàn HNX trong giai đoạn từ năm 2019-2021. Như vậy tổng cộng có 300 BCTC được tham khảo. Ở đây trong cỡ mẫu nghiên cứu, chỉ có 76 BCTC có khả năng sử dụng KTST chiếm 25.33%, còn lại có tới 224 BCTC thuộc nhóm không có khả năng sử dụng KTST chiếm 74.67% trên tổng số mẫu nghiên cứu. Bảng : Thống kê mô tả các biến độc lập trong mô hình Descriptive Statistics Minimum Maximum Mean Std. Deviation DSRI .0000000000000000 33.9648099069189200 1.362713206647170 2.414563974219149 GMI - 20.0444688638595070 1.150506473684989 1.593603514231868 3.3818224211968007 AQI .0995227067391065 8.5656133674068300 1.051469123717420 .686050633127543 SGI .0000000000000000 5.6591843446801510 1.054297294152484 .448428401841270 DEPI .0000000000000000 221.7952950733847800 1.699674388539895 12.773589801874248
  9. SGAI - 51.6220299998922340 1.346644665165992 3.148799991004422 3.8687277811054650 TATA -.8122387467316664 .6614447085021940 -.032552675855357 .135004889610991 LVGI .0011424696894573 5.7843376354541750 .994384661893335 .433658901533763 DRSI với giá trị trung bình là 1,3627 có giá trị nhỏ nhất là 0 và giá trị lớn nhất là 33,9648. GMI có giá trị trung bình là 1,1505 trong đó giá trị nhỏ nhất là -3,3818 và giá trị lớn nhất là 20,0444. AQI có giá trị trung bình là 1,0515 với giá trị thấp nhất là 0,0995 và giá trị cao nhất là 8,5656. SGI có giá trị lớn nhất và nhỏ nhất lần lượt là 0 và 5,6592 trong đó giá trị trung bình là 1,0543. DEPI có giá trị trung bình là 1,6997 gồm giá trị nhỏ nhất là 0 và giá trị lớn nhất lên tới 221,7953. SGAI mang giá trị trung bình là 1,3466 và có giá trị lớn nhất là 51,6220, nhỏ nhất là -3,8687. TATA có giá trị lớn nhất và nhỏ nhất lần lượt là 0,6614 và -0,8122 với giá trị bình quân là -0,0326. LVGI với giá trị bình quân là 0,9944 và có giá trị nhỏ nhất là 0,0011 và mang giá trị lớn nhất là 5,7843. 2. Các phép kiểm định mô hình - Kiểm định ý nghĩa của hệ số hồi quy
  10. Các biến có ảnh hưởng đáng kể đến biến phụ thuộc là các biến có giá trị Sig. nhỏ hơn hoặc bằng 0,05. Dựa vào số liệu bảng Variables in the Equation, cho thấy các biến: AQI, DEPI, LVGI có giá trị Sig lần lượt là 0,060; 0,547; 0,996 và đều lớn hơn 0,05. Điều này chứng tỏ chúng không có ảnh hưởng trong việc phát hiện doanh nghiệp có khả năng GLBCTC hay không với mức độ tin cậy là 95%. - Kiểm định sự tồn tại Dựa vào bảng Omnibus Tests of Model Coefficients, ta thấy giá trị Sig. = 0,000
  11. => Các biến độc lập tưong quan tuyến tính với biến phụ thuộc với khoảng tin cậy ̛ 95%. Do đó, mô hình hồi quy Binary Logistic phù hợp với dữ liệu thực tiễn. - Kiểm định sự phù hợp: Bảng Model Summary cho kết quả mức độ phù hợp của mô hình. Giá trị -2LL với mô hình trống là 337,818 trong khi đó: -2LL ở mô hình đề xuất cuối cùng là 233.891. Điều này cho thấy các biến độc lập đưa vào mô hình đã làm giảm đáng kể -2LL so với mô hình trống. Do đó, mô hình hồi quy là phù hợp. Giá trị Nagelkerke R Square = 43,5% có nghĩa là trong các biến độc lập có ảnh hưởng đến khả năng có sử dụng hay không sử dụng GLBCTC của doanh nghiệp, các yếu tố trong mô
  12. hình đã giải thích được 43,5%. Với 56,5% còn lại được giải thích bởi các yếu tố khác chưa có điều kiện đưa vào mô hình. - Kiểm định khả năng dự báo của mô hình: Bảng Classification Table cho chúng ta kết quả phân loại các trường hợp thực tế (Observed) và dự đoán (Predicted). Cụ thể đối với 300 BCTC được sử dụng để tiến hành kiểm tra phát hiện GLBCTC của các doanh nghiệp trong mẫu nghiên cứu: Với 224 BCTC nằm trong diện không có khả năng sử dụng GLBCTC mô hình sẽ dự đoán chính xác được 215 BCTC, tỉ lệ chính xác là 97,3%. Còn lại đối với 76 BCTC thuộc nhóm có khả năng sử dụng GLBCTC thì mô hình sẽ đưa ra đúng 37 BCTC và tỉ lệ dự đoán chính xác là 48,7%. Vậy nên tỷ lệ dự báo chính xác trung bình của mô hình là 84,8%. Đây là một độ chính xác tương đối cao. 3. Kết luận mô hình hồi quy Chạy lại mô hình với các biến DSRI, GMI, SGI, SGAI, TATA, ta được:
  13. Biến SGAI không có ý nghĩa trong mô hình hồi quy do giá trị sig lần lớn hơn 0.05  Chạy lại mô hình với các biến DSRI, GMI, SGI, TATA, ta được: Hệ số hồi quy B của các biến độc lập có ý nghĩa đều mang dấu dương. Do vậy, khi các biến độc lập DSRI, GMI, SGI, TATA, tăng sẽ làm tăng khả năng GLBCTC Giá trị Exp(B) cho chúng ta biết mức độ tác động của các biến độc lập lên khả năng GLBCTC, hay nói cách khác là khả năng biến phụ thuộc GLBCTC nhận giá trị 1. Từ các hệ số hồi quy, chúng ta có được phương trình hồi quy Binary Logistic như sau:
  14. GLBCTC= -4.126+0.489xDSRI+1,160xGMI+1.099xSGI+7.944xTATA Ý nghĩa của các hệ số hồi quy: =0.489, cho biết, hệ số DSRI (tỷ số phải thu khách hàng trên doanh thu thuần ) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 1,631 lần (kết quả exp (B) ở bảng 1, với =1.631). =1.160 cho biết, hệ số GMI (chỉ số lợi nhuận gộp biên ) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 3.188 lần (kết quả exp (B) ở bảng, với =3.188). = 1.099 cho biết, hệ số SGI (chỉ số tăng trưởng doanh thu) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 3 lần (kết quả exp (B) ở bảng, với =3.000). = 7.944 cho biết, hệ số TATA (chỉ số biến dồn tích kế toán so với tổng tài sản) tăng lên 1 đơn vị thì khả năng GLBCTC tăng lên 2818.712 lần (kết quả exp (B) ở bảng, với =2818.712). Lúc này giả thuyết H1 được chấp nhận, điều đó phù hợp với kết quả đã nghiên cứu của Beneish (1999), Dechow và cộng sự (2011) cùng với nghiên cứu của Phạm Thị Mộng Tuyền (2019). Giả thuyết H2 được chấp nhận. Kết quả này tương đồng với nghiên cứu của Beneish (1999), Ca Thị Ngọc Tố (2017) và Phạm Thị Mộng Tuyền (2019). Chấp nhận giả thuyết H4. Điều này tương đồng với nghiên cứu của Beneish (1999) và Ca Thị Ngọc Tố (2017). Giả thuyết H7 được chấp nhận. Điều này phù hợp với kết quả nghiên cứu của Beneish (1999). IV. Kết luận và kiến nghị 1. Kết luận Trong đề tài nghiên cứu, thông qua phương pháp thống kê mô tả, hồi quy logistic với các kiểm định liên quan, đã đưa ra mô hình dự báo GLBCTC cho các công ty niêm yết trên sàn HNX . Tỷ lệ dự báo chính xác trung bình của mô hình là 84,8%, đây là một độ chính xác tương đối cao.
  15. Kết quả này giải quyết được mục tiêu thứ ba dự báo khả năng phát hiện GLBCTC của mô hình được xây dựng. Kết quả đã chỉ ra được bốn biến độc lập có ảnh hưởng đến phát hiện khả năng GLBCTC của các doanh nghiệp. Các biến đó bao gồm:Chỉ số biến dồn tích so với tổng tài sản TATA, Tỷ lệ lãi gộp GMI, Chỉ số tăng trưởng doanh thu bán hàng SGI và Chỉ số phải thu khách hàng so với doanh thu DSRI. Kết quả này giải quyết được mục tiêu thứ hai: xác định được những biến độc lập có khả năng phát hiện GLBCTC Với kết quả phân tích hồi quy logistics cho thấy các biến độc lập trong mô hình có mối tưong quan thuận chiều với biến phụ thuộc, điều này phù hợp với kết ̛ quả nghiên cứu của Beneish (1999) và một số nghiên cứu khác trên thế giới. Trong bốn biến độc lập thì mức tác động của TATA (Chỉ số biến dồn tích so với tổng tài sản) lên biến phụ thuộc là lớn nhất. Beneish (1999) sử dụng tỷ số TATA để đo lương lương tiền mặt tồn quỹ thực tế của doanh nghiệp, giá trị tỷ số TATA ̀ ̣ càng lớn, thì lương tiền mặt tồn quỹ càng thấp, xác suất doanh nghiệp đang điều ̣ chỉnh lợi nhuận càng lớn. V. Tài liệu tham khảo 1. Ca Thị Ngọc Tố (2017). Ứng dụng mô hình M-Score trong việc phát hiện sai sót thông tin trên báo cáo tài chính của các doanh nghiệp niêm yết. 2. Phạm Thị Mộng Tuyền(2019). Kết hợp mô hình M-Score Beneish và chỉ số Z-Score để nhận diện khả năng gian lận trên báo cáo tài chính của các công ty niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh 3. Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 55(5), 24-36.
  16. 4. Dechow, P. M., Ge, W., Larson, C. R., & Sloan, R. G. (2011). Predicting material accounting misstatements. Contemporary accounting research, 28(1), 17-82. 5. Dechow, P. M., Sloan, R. G., & Sweeney, A. P. (1995). Detecting earnings management. Accounting Review, 70(2), 193-225. Bảng Variables in the Equation cho chúng ta kết quả kiểm định Wald, hệ số hồi quy và Exp(B) từng biến độc lập. Biến AQI có giá trị sig kiểm định Wald bằng 0.060>0.05,, biến DEPI có sig bằng 0.547>0.05, biến LVGI có sig bằng 0.996>0.05, do đó các biến này không có ý nghĩa trong mô hình hồi quy. Các biến còn lại gồm DSRI, GMI, SGI, SGAI, TATA, đều có sig nhỏ hơn 0.05, do đó các biến này đều có ý nghĩa trong mô hình hồi quy.
  17. Chạy lại mô hình hồi quy với các biến: DSRI, GMI, SGI, SGAI, TATA, ta được bảng Variables in the Equation mới: Biến SGAI có giá trị sig bằng 0.087>0.05, do đó biến này không có ý nghĩa trong mô hình hồi quy. Ta thực hiện chạy lại mô hình hồi quy với các biến có ý nghĩa: DSRI, GMI,SGI,TATA Hệ số hồi quy của biến Chỉ số khoản phải thu khách hàng trên doanh thu thuần (DSRI) là 0,489 và mang giá trị dương vậy nên biến DSRI có tác động cùng chiều với biến phụ thuộc hay có mối quan hệ cùng chiều với khả năng GLBCTC của doanh nghiệp. Lúc này giả thuyết H1 được chấp nhận, điều đó phù hợp với kết
  18. quả đã nghiên cứu của Beneish (1999), Dechow và cộng sự (2011) cùng với nghiên cứu của Phạm Thị Mộng Tuyền (2019). Tiếp theo, biến Chỉ số lợi nhuận gộp biên (GMI) mang hệ số hồi quy là 1,160 có giá trị dương. Điều này chứng tỏ GMI có tác động cùng chiều với khả năng GLBCTC và giả thuyết H2 được chấp nhận. Kết quả này tương đồng với nghiên cứu của Beneish (1999), Ca Thị Ngọc Tố (2017) và Phạm Thị Mộng Tuyền (2019). Đối với Chỉ số tăng trưởng doanh thu (SGI) có hệ số hồi quy là 0,995 là giá trị dương. Từ đó có thể khẳng định rằng nếu doanh nghiệp có độ tăng trưởng ngày càng vượt bậc có nghĩa là khả năng GLBCTC càng cao, hay chấp nhận giả thuyết H4. Điều này tương đồng với nghiên cứu của Beneish (1999) và Ca Thị Ngọc Tố (2017). Bên cạnh đó biến Chỉ số biến dồn tích kế toán so với tổng tài sản TATA có hệ số hồi quy là 7,711 mang dấu dương, cho biết rằng biến TATA có mối quan hệ cùng chiều với khả năng GLBCTC, hay giả thuyết H7 được chấp nhận. Điều này phù hợp với kết quả nghiên cứu của Beneish (1999). Ngược lại, các biến số AQI, DEPI, SGAI, LVGI không có ý nghĩa thống kê và rằng các yếu tố này không gây ảnh hưởng đáng kể lên biến phụ thuộc GLBCTC Với biến SGAI không có ý nghĩa do đó giả thuyết H6 bị bác bỏ, Chỉ số chi phí bán hàng và quản lý doanh nghiệp không gây ảnh hưởng tới khả năng GLBCTC của các doanh nghiệp, điều này tương đồng với kết quả của Phạm Thị Mộng Tuyền (2019). Biến DEPI không có giá trị trong mô hình, bởi vậy giả thuyết H5 không tồn tại. Ta có thể kết luận rằng Chỉ số khấu hao tài sản cố định không có sự liên quan đối với khả năng sử dụng GLBCTC. Kết quả này giống với nghiên cứu của Phạm Thị Mộng Tuyền (2019). Biến LVGI cũng không mang ý nghĩa thống kê, vậy nên không hề có mối quan hệ với biến phụ thuộc. Vậy nên giả thuyết H8 bị bác bỏ và Chỉ số đòn bẩy tài chính không có mối tương quan với khả năng BCTC. Kết quả này lại tương đồng với nghiên cứu của Hoàng Khánh và Trần Thị Thu Hiền (2015). Tiếp theo, TATA tương tự bị loại bỏ, do đó giả thuyết H7 là không phù hợp. Điều này khẳng định rằng Chỉ số khấu hao tài sản cố định không có mối liên hệ nào với khả năng GLBCTC. Nghiên cứu có kết quả tương đương là Hoàng Khánh và Trần Thị Thu Hiền (2015), Ca Thị Ngọc Tố (2017) và Phạm Thị Mộng Tuyền (2019).
  19. Biến AQI tiếp tục không đóng bất kì vai trò nào trong mô hình, điều đó chứng tỏ giả thuyết H3 là không chính xác. Vậy nên Chỉ số chất lượng tài sản có biến động cũng không ảnh hưởng tới khả năng GLBCTC của các doanh nghiệp. Kết quả này giống với kết quả của Ca Thị Ngọc Tố (2017). Giá trị Exp(B) cho chúng ta biết mức độ tác động của các biến độc lập lên khả năng GLBCTC, hay nói cách khác là khả năng biến phụ thuộc GLBCTC nhận giá trị 1. Từ các hệ số hồi quy, chúng ta có được phương trình hồi quy Binary Logistic như sau: GLBCTC= -4.126+0.489.DSRI+1,160.GMI+7.944.TATA
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2