Có sự khác biệt về tỷ số tài chính giữa các công ty gian lận và không gian lận tại Việt Nam hay không?

122 Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 
CÓ SỰ KHÁC BIỆT VỀ TỶ SỐ TÀI CHÍNH GIỮA CÁC CÔNG TY 
GIAN LẬN VÀ KHÔNG GIAN LẬN TẠI VIỆT NAM HAY KHÔNG? 
ĐINH NGỌC TÚ1,*, VŨ HẢI ANH1 
VĂN NHẬT TÂM1, MAI THÂN THỦY QUỲNH1 
HOÀNG TRẦN MINH CHÂU1, NGUYỄN MỸ HIẾU HÒA1 
1Trường Đại học Kinh tế Thành phố Hồ Chí Minh 
*Email: dinhtu@ueh.edu.vn 
(Ngày nhận: 20/09/2018; Ngày nhận lại: 17/10/2018; Ngày duyệt đăng: 31/10/2018) 
TÓM TẮT 
Nghiên cứu này được thực hiện nhằm kiểm tra xem liệu các tỷ số tài chính có sự khác biệt 
đáng kể nào giữa các công ty gian lận và không gian lận hay không và xác định các tỷ số tài 
chính nào có ý nghĩa nhất để dự báo gian lận báo cáo tài chính (BCTC). Sử dụng mẫu nghiên 
cứu của 63 công ty gian lận và 63 công ty không gian lận của các công ty niêm yết trên sàn giao 
dịch chứng khoán Thành phố Hồ Chí Minh cho năm 2017 để kiểm tra. Kết quả nghiên cứu cho 
thấy chỉ có tỷ số hàng tồn kho trên tổng tài sản (INV/TA) có sự khác biệt đáng kể giữa hai loại 
công ty, các tỷ số còn lại không có khác biệt đáng kể. Kết quả của nghiên cứu cung cấp bằng 
chứng thực nghiệm giới hạn về khả năng sử dụng phân tích tỷ số để dự đoán gian lận trên BCTC. 
Từ khóa: Gian lận báo cáo tài chính; Gian lận; Tỷ số tài chính. 
Are there significant mean differences in the financial ratios between fraudulent and 
non-fraudulent companies in Vietnam? 
ABSTRACT 
This research aims to investigate whether there are any significant differences between the 
means of financial ratios of fraudulent and non-fraudulent firms and to identify which financial 
ratio is significant to predict fraudulent financial reporting. The sample comprises of 63 
fraudulent companies and 63 samples of non-fraudulent companies listed on the HOSE in 2017. 
The results show that there is only a significant mean difference between the fraud and non-fraud 
firms in inventory to total assets; the others do not differ significantly. These results provide 
empirical evidence of the limited ability of financial ratios to predict fraudulent financial 
reporting. 
Keywords: Financial ratios; Financial statement fraud; Fraud. 
1. Giới thiệu 
Gian lận là hành vi cố ý do một hay nhiều 
người trong Ban quản trị, Ban giám đốc, các 
nhân viên hoặc bên thứ ba thực hiện bằng các 
hành vi gian dối để thu lợi bất chính hoặc bất 
hợp pháp. Và nó gồm hai loại là biển thủ tài 
sản và gian lận BCTC. 
Việc lập BCTC gian lận có liên quan đến 
các sai sót cố ý xuất phát từ chủ định của Ban 
Giám đốc do gặp phải các áp lực như phải đạt 
Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 123 
được các mục tiêu về thị trường hoặc mong 
muốn tối đa hóa tiền lương và thưởng dựa trên 
hiệu quả hoạt động nhằm điều chỉnh kết quả 
kinh doanh, lập BCTC gian lận bằng cách tạo 
ra sai sót trọng yếu đối với báo cáo tài chính 
như điều chỉnh không thích hợp đối với các 
giả định và các xét đoán, làm người sử dụng 
BCTC hiểu sai về tình hình hoạt động và khả 
năng sinh lời của đơn vị được kiểm toán. 
Trong một số đơn vị, Ban Giám đốc có 
thể tìm cách báo cáo giảm lợi nhuận nhằm 
làm giảm số thuế phải nộp hoặc báo cáo tăng 
lợi nhuận để việc vay vốn ngân hàng được 
thực hiện dễ dàng hơn. (Chuẩn mực kiểm toán 
số 240). 
Thực tế trên thế giới đã có rất nhiều bê 
bối gian lận BCTC như Enron, WorldCom, 
và ở Việt Nam cũng vậy với nhiều sai phạm ở 
các công ty như Bông Bạch Tuyết, Dược Viễn 
Đông, Gỗ Trường ThànhTừ đó, đã có nhiều 
quy định và nghiên cứu về gian lận và phát 
hiện gian lận BCTC. 
Theo chuẩn mực kiểm toán số 240 thì 
phát hiện gian lận là một trong những nhiệm 
vụ cụ thể của kiểm toán viên thông qua nhận 
diện các yếu tố của tam giác gian lận như áp 
lực/động cơ, cơ hội, thái độ. Đồng thời, áp 
dụng thủ tục phân tích cũng là một biện pháp 
hữu hiệu, dễ thực hiện và không cần nhiều xét 
đoán hay tốn nhiều chi phí. 
Phát hiện gian lận trên BCTC đã là chủ 
đề của nhiều nghiên cứu thực nghiệm và rất 
nhiều nghiên cứu trước đây đã chỉ ra rằng tỷ 
số tài chính là một công cụ hữu ích để phát 
hiện gian lận BCTC (Altman, 1968; Persons, 
1995; Fanning & Cogger, 1998; Beneish, 
1999; Spathis, 2002; Kaminski và cộng sự, 
2004; Grove & Basilico, 2008; Lenard & 
Alam, 2009; Roxas, 2011; Pustylnick, 2012; 
Song và cộng sự 2014; Omoye & Eragbhe, 
2014; Dalnial và cộng sự, 2014; Nia 2015; 
Kanapickiene & Grundienė, 2015). 
Từ đó, các bên thứ ba như chủ nợ, cổ 
đông, nhà đầu tư, ngân hàng  và kể cả kiểm 
toán viên có thể sử dụng các tỷ số này để nhận 
diện các công ty gian lận. Với kiểm toán viên 
sẽ hữu ích trong thủ tục phân tích tỷ số để 
đánh giá rủi ro, bao gồm cả rủi ro do gian lận 
và rủi ro do nhầm lẫn và đồng thời trong thử 
nghiệm cơ bản thông qua việc xác định sự tồn 
tại của các chỉ số bất thường có thể giúp kiểm 
toán viên xác định được rủi ro có sai sót trọng 
yếu trên BCTC, đặc biệt là những rủi ro có sai 
sót trọng yếu do gian lận. 
Do tầm quan trọng của gian lận và phát 
hiện các gian lận BCTC nên mục tiêu của bài 
nghiên cứu này, đầu tiên, kiểm tra sự khác 
biệt giữa các tỷ số tài chính giữa các công ty 
gian lận và các công ty không gian lận. Tiếp 
theo, nghiên cứu sẽ sử dụng mô hình hồi quy 
Logit để dự báo gian lận cho các công ty niêm 
yết ở Việt Nam 
2. Các nghiên cứu trước đây về gian 
lận và tỷ số tài chính 
Kinney & McDaniel (1989) chỉ ra rằng 
các công ty có BCTC sai phạm nhiều và phải 
trình bày lại BCTC thường là các công ty nhỏ, 
ít lợi nhuận, có nợ cao, tăng trưởng chậm và 
đối mặt với những khó khăn tài chính nghiêm 
trọng hơn là những công ty khác trong cùng 
một ngành. Và Beneish (1997) kết luận rằng 
khả năng vi phạm sẽ gia tăng khi có sự gia 
tăng bất thường của nợ phải thu, doanh thu, 
lợi nhuận gộp, tổng ước tính kế toán trên tổng 
tài sản (total accruals divided by total assets) 
và sụt giảm số lượng tài sản. 
Bên cạnh đó, Summers & Sweeney 
(1998) cho rằng nhà quản lý có thể sử dụng 
các khoản ước tính về dự phòng nợ phải thu 
khó đòi và dự phòng giảm giá hàng tồn kho 
như là một công cụ để gian lận BCTC, bởi vì 
giá trị của các khoản này thường đòi hỏi sự 
xét đoán. Đồng thời, các công ty gian lận có 
sự gia tăng trong hàng tồn kho trên doanh thu 
và sự tăng trưởng, lợi nhuận trên tổng tài sản 
cao hơn so với các công ty không gian lận. 
Hơn nữa, Nelson (2010) chỉ ra rằng 3 năm sau 
khi gian lận, các công ty gian lận thường sẽ có 
các khoản nợ dài hạn cao hơn để có thể tái sản 
xuất và cải thiện tổ chức, nhưng cùng thời 
124 Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 
điểm đó thì doanh thu lại sụt giảm do danh 
tiếng bị ảnh hưởng tiêu cực sau khi gian lận 
xảy ra. 
Bên cạnh đó, các nghiên cứu khác tập 
trung vào các tỷ số tài chính để dự đoán, phát 
hiện gian lận như: Persons (1995) phát hiện 
một số tỷ số tài chính có khả năng ảnh hưởng 
đến gian lận như đòn bẩy tài chính (tổng 
nợ/tổng tài sản), khả năng thanh khoản (vốn 
luân chuyển thuần trên tổng tài sản), vòng 
quay vốn (doanh thu/tổng tài sản), cơ cấu tài 
sản (tài sản ngắn hạn/tổng tài sản, nợ phải 
thu/tổng tài sản, hàng tồn kho/tổng tài sản) và 
quy mô của công ty (tổng tài sản). Cụ thể, các 
công ty gian lận thường có đòn bẩy tài chính, 
cơ cấu tài sản cao hơn so với các công ty 
không gian lận, đồng thời các công ty gian lận 
ở các công ty này tài sản ngắn hạn hầu hết là 
nợ phải thu và hàng tồn kho. Vòng quay vốn 
thể hiện khả năng tạo ra doanh thu từ tài sản 
của công ty, nó cũng thể hiện khả năng cạnh 
tranh của công ty. Các công ty gian lận 
thường có vòng quay vốn và khả năng thanh 
toán thấp hơn so với các công ty không gian 
lận vì khi không đủ khả năng cạnh tranh và 
khả năng thanh toán thấp có thể dẫn tới nhà 
quản lý có động cơ gian lận BCTC. Đồng 
thời, các công ty gian lận thường có quy mô 
nhỏ hơn so với các công ty không gian lận. 
Fanning & Cogger (1998) chỉ ra các chỉ 
số nợ phải thu trên doanh thu, nợ phải thu trên 
tổng tài sản, hàng tồn kho trên doanh thu, tài 
sản dài hạn trên tổng tài sản, tổng nợ trên vốn 
chủ sở hữu, doanh thu trên tổng tài sản có sự 
khác biệt ở công ty gian lận và không gian 
lận. Các công ty gian lận sẽ có nợ phải thu và 
hàng tồn kho cao hơn so với các công ty còn 
lại do đó sẽ có tài sản dài hạn ít hơn vì sẽ phải 
giảm chỗ cho chúng. Đồng thời các công ty 
này đang gặp khó khăn về tài chính hoặc gắng 
đạt được sự tăng trưởng nên sẽ giảm sự đầu tư 
vào tài sản. Hơn nữa các công ty này đang có 
tỷ lệ nợ trên vốn chủ sở hữu cao và doanh thu 
trên tổng tài sản lại thấp nên nhà quản lý có 
động cơ thực hiện gian lận hơn. 
Spathis (2002) phát hiện một số tỷ số tài 
chính có khả năng ảnh hưởng đến gian lận 
như lợi nhuận trên tổng tài sản, vốn luân 
chuyển thuần trên tổng tài sản, lợi nhuận gộp 
trên tổng tài sản, tổng nợ trên tổng tài sản và 
Z-score – chỉ số dự đoán phá sản. Những công 
ty gian lận thường khai khống hàng tồn kho, 
nợ phải thu, doanh thu và lợi nhuận hoặc khai 
thiếu chi phí hoặc lỗ. Cụ thể như sau: những 
công ty gian lận có chỉ số lợi nhuận trên tổng 
tài sản, lợi nhuận trên doanh thu thấp chỉ ra 
khó khăn trong việc tạo ra lợi nhuận từ tài sản 
hay doanh thu nên sẽ gian lận trên BCTC 
bằng cách hoặc gia tăng doanh thu hoặc giảm 
chi phí để gia tăng lợi nhuận và cải thiện lỗ. 
Những công ty này có vốn luân chuyển thuần 
thấp tức là đang gặp khó khăn về khả năng 
thanh toán, về tình hình tài chính nên sẽ là 
động cơ cho nhà quản lý gian lận. Đồng thời 
họ cũng có tỷ lệ nợ cao và chỉ số Z-score thấp 
sẽ có động cơ gian lận ở nợ phải thu đối với 
khoản ước tính kế toán và duy trì hàng tồn 
kho và giá vốn hàng bán ở mức cao. 
Kaminski và cộng sự (2004) đã sử dụng 
21 tỷ số để phân tích cho cặp công ty gian lận 
và không gian lận trong giai đoạn 7 năm thì 
có 16 tỷ số có ý nghĩa. Tuy nhiên, chỉ có 3 tỷ 
số (tài sản cố định trên tổng tài sản, tổng nợ 
trên tổng tài sản và vốn luân chuyển thuần 
trên tổng tài sản) là có ý nghĩa trong giai đoạn 
3 năm và chỉ có 5 tỷ số (nợ phải thu trên tổng 
tài sản, giá vốn hàng bán trên doanh thu, tài 
sản cố định trên tổng tài sản, chi phí lãi vay 
trên tổng nợ và doanh thu trên nợ phải thu) có 
ý nghĩa trước năm xảy ra gian lận và chỉ có 4 
tỷ số (tài sản cố định trên tổng tài sản, hàng 
tồn kho trên tài sản ngắn hạn, hàng tồn kho 
trên doanh thu và doanh thu trên tổng tài sản) 
có ý nghĩa vào năm xảy ra gian lận. Kết quả 
của nghiên cứu cung cấp bằng chứng thực 
nghiệm giới hạn về khả năng sử dụng phân 
tích tỷ số để phát hiện gian lận trên BCTC. 
Lenard & Alam (2009) chỉ ra các công ty 
gian lận thì có các chỉ số Doanh thu trên tổng 
tài sản, Lợi nhuận trước thuế và lãi vay và Lợi 
Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 125 
nhuận trên tổng tài sản cao hơn các công ty 
không gian lận. 
Song và cộng sự (2014) đã sử dụng 23 
biến để phân tích cho cặp công ty gian lận và 
không gian lận trong đó có biến quy mô công 
ty, tăng trưởng và các cặp tỷ số thuộc về khả 
năng thanh toán, cấu trúc tài sản, sự hữu hiệu 
và lợi nhuận. Kết quả có 14 biến - trong đó có 
10 cặp tỷ số tài chính - có ý nghĩa như là tổng 
nợ trên tổng tài sản, tỷ số thanh toán hiện 
hành, tiền trên tổng tài sản, hàng tồn kho trên 
tổng tài sản, lợi nhuận trên tổng tài sản 
Omoye & Eragbhe (2014) chỉ ra các tỷ số 
đầu tư và khả năng thanh toán (investment 
and liquidity ratios) có mối liên hệ mạnh tới 
các công ty gian lận. Điều đó có nghĩa là các 
cơ hội và đầu tư của Giám đốc có thể liên 
quan tới gian lận BCTC, và những công ty có 
vấn đề về khả năng thanh toán thì sẽ có nhiều 
sai sót trọng yếu trong BCTC. 
Nia (2015) cũng chỉ ra có sự khác biệt 
đáng kể ở các tỷ số tài chính như tài sản ngắn 
hạn trên tổng tài sản, hàng tồn kho trên tổng 
tài sản, doanh thu trên tổng tài sản giữa các 
công ty gian lận và không gian lận. Điều đó 
có nghĩa là nhà quản lý các công ty gian lận 
có thể ít cạnh tranh hơn các công ty không 
gian lận trong việc sử dụng các tài sản để tạo 
ra doanh thu. 
Tương tự như vậy, Kanapickiene & 
Grundienė (2015) sử dụng 51 tỷ số tài chính 
để phân tích cho cặp công ty gian lận và 
không gian lận trong giai đoạn 1998-2009 
được chia làm 5 nhóm chính gồm: nhóm tỷ số 
về lợi nhuận, nhóm tỷ số về khả năng thanh 
toán, nhóm tỷ số về khả năng thanh toán, 
nhóm tỷ số về hoạt động, nhóm tỷ số về cấu 
trúc. Trong đó có 27 tỷ số có ý nghĩa ở mức ý 
nghĩa 5%, còn nếu xét ở mức 1% thì có 31 tỷ 
số có ý nghĩa. Và nhóm tỷ số về hoạt động thì 
có các tỷ số có ý nghĩa nhiều nhất. Sau đó, 
nghiên cứu sử dụng mô hình để phát hiện gian 
lận dựa trên các tỷ số tài chính với độ chính 
xác lên đến trên 81%. 
Bên cạnh đó, Kluger & Shields (1989) 
nghiên cứu về sự thay đổi kiểm toán viên liên 
quan tới gian lận BCTC, vì khi khó khăn về tài 
chính nhà quản lý có thể nổ lực để che dấu các 
thông tin bất lợi thông qua sử dụng những thay 
đổi không được công bố trong các phương 
pháp, ước tính kế toán, từ đó giảm chất lượng 
thông tin chứa đựng trong BTCT. Nếu kiểm 
toán viên không cho phép những điều đó thì 
công ty sẽ lựa chọn kiểm toán viên khác để 
thay thế. Nghiên cứu sử dụng mô hình dự đoán 
phá sản cho thấy có sự thay đổi kiểm toán viên 
trước khi phá sản và tìm thấy tỷ số lợi nhuận 
trên tổng tài sản và tổng nợ trên tổng tài sản có 
ảnh hưởng lớn đến sự phá sản. 
Ngoài ra, các nghiên cứu khác sử dụng 
các chỉ số, tỷ số và mô hình để nhận diện, 
phát hiện gian lận như Beneish (1999) đã xây 
dựng mô hình để nhận diện gian lận trên 
BCTC bằng cách sử dụng các tỷ số tài chính. 
Các biến được tính bằng dữ liệu trên BCTC 
của công ty và được gọi là chỉ số M (M-score) 
và được tính toán như sau: M-score = -4.84 + 
0.92*DSRI + 0.528*GMI + 0.404*AQI + 
0.892*SGI + 0.115*DEPI - 0.172*SGAI + 
4.679*TATA - 0.327*LVGI. Khi chỉ số M 
nhỏ hơn -2.22 thì công ty không có gian lận 
BCTC, còn chỉ số M lớn hơn -2.22 thì công ty 
có gian lận BCTC. Kết quả nghiên cứu cho 
thấy các chỉ số DSRI, GMI, AQI, SGI, TATA 
có ý nghĩa để phát hiện gian lận BCTC. 
Grove & Basilico (2008) sử dụng mô 
hình để dự đoán gian lận BCTC với sự chính 
xác là 76% và chỉ ra rằng 3 chỉ số trong mô 
hình có khả năng ảnh hưởng đến gian lận như 
chỉ số lãi gộp, chỉ số tăng trưởng doanh thu và 
chỉ số nợ phải thu. Nếu chỉ số lãi gộp giảm thì 
rủi ro cao hơn là nhà quản lý sẽ thực hiện gian 
lận để bù đắp lại kết quả hoạt động. Một sự 
gia tăng lớn trong chỉ số nợ phải thu có thể chỉ 
ra rằng nợ phải thu đó là giả tạo hoặc giải 
thích một cách khác là công ty đã nới lỏng 
chính sách bán chịu. Một sự gia tăng trong chỉ 
số doanh thu nghĩa là gia tăng doanh thu điều 
này có thể là không hợp pháp. 
Roxas (2011) sử dụng chỉ số M (M-score) 
126 Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 
để phát hiện gian lận trong 3 năm trước, sau 
và năm gian lận vì  ... 
tạo ra doanh thu từ tài sản của công ty, nó 
cũng thể hiện khả năng cạnh tranh của công 
ty. Các công ty gian lận thường có vòng quay 
vốn thấp hơn so với các công ty không gian 
lận vì khi không đủ khả năng cạnh tranh và 
khả năng thanh toán thấp có thể dẫn tới nhà 
quản lý có động cơ gian lận BCTC (Persons, 
1995; Fanning & Cogger, 1998; Dalnial và 
cộng sự, 2014). 
Các bằng chứng nghiên cứu trước đây thì 
cho các kết quả khác biệt, Persons (1995) và 
Nia (2015) chỉ ra bằng chứng tỷ số này có khả 
năng phát hiện gian lận còn theo Dalnial và 
cộng sự (2014) thì tỷ số này không có ý nghĩa 
để phát hiện gian lận. Từ đó, giả thuyết 
nghiên cứu H5 được đưa ra là: 
Giả thuyết H5: Có sự khác biệt đáng kể 
về tỷ số doanh thu thuần trên tổng tài sản 
giữa công ty gian lận và không gian lận 
3.2. Mô hình nghiên cứu 
Mô hình nghiên cứu để dự đoán gian lận 
đã được sử dụng khá nhiều trong các nghiên 
cứu trước đây, trong đó có sử dụng các tỷ số 
tài chính như là các biến độc lập (Persons, 
1995; Beneish, 1999; Spathis, 2002; Grove 
& Basilico, 2008; Roxas, 2011; Pustylnick, 
2012; Nguyễn Công Phương & Nguyễn Trần 
Nguyên Trân, 2014; Trần Thị Giang Tân và 
cộng sự, 2014; Dalnial và cộng sự, 2014) và 
kết quả nghiên cứu chỉ ra rằng các tỷ số tài 
chính có ý nghĩa trong việc dự đoán gian lận 
BCTC. Từ đó, giả thuyết H6 được đưa ra là: 
Giả thuyết H6: Các tỷ số tài chính có ý 
nghĩa để dự đoán gian lận BCTC 
Dựa trên mục tiêu nghiên cứu là có sự 
khác biệt đáng kể nào về các tỷ số tài chính 
giữa các công ty gian lận và không gian lận 
hay không và xác định các tỷ số tài chính nào 
có ý nghĩa nhất để dự báo gian lận BCTC. 
Chúng tôi thiết kế mô hình nghiên cứu dựa 
vào các nghiên cứu trước đây – nhất là nghiên 
cứu của Dalnial và cộng sự (2014) để kiểm tra 
cho mục tiêu nghiên cứu này. Mô hình hồi 
quy logic được sử dụng để dự đoán gian lận 
sử dụng các tỷ số tài chính từ các công ty để 
xác định tỷ số nào liên quan tới gian lận 
BCTC, bằng cách sử dụng dữ liệu thiết lập từ 
các công ty gian lận và không gian lận. Mô 
hình nghiên cứu như sau: 
FFR = βo + β1(TD/TA) + β2(NP/REV) + 
β3(REC/REV) + β4(INV/TA) + β5(REV/TA) 
+ β6(SIZE)+ ε 
Trong đó: 
Mã biến Cách tính Dấu kỳ vọng 
Biến phụ thuộc 
FFR Dựa vào M-Score để phân loại công ty gian lận. Biến định danh, có giá trị là 
1 nếu là mẫu gian lận, ngược lại có giá trị là 0 
Biến độc lập 
TD/TA Tổng nợ/tổng tài sản + 
NP/REV Lợi nhuận/doanh thu thuần - 
REC/REV Nợ phải thu/tổng tài sản + 
INV/TA Hàng tồn kho/tổng tài sản + 
REV/TA Doanh thu thuần/tổng tài sản - 
Biến kiểm soát 
SIZE Tổng tài sản - 
Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 129 
Về biến kiểm soát - quy mô công ty 
(SIZE) được dựa vào các nghiên cứu trước 
đây của Persons (1995) và Dalnial và cộng sự 
(2014), kết quả nghiên cứu chỉ ra rằng các 
công ty gian lận thường có quy mô nhỏ hơn so 
với các công ty không gian lận. Do đó, quy 
mô công ty được kỳ vọng có dấu âm. 
3.3. Mẫu nghiên cứu 
Mẫu nghiên cứu sơ bộ bao gồm tất cả các 
công ty niêm yết trên HOSE trong năm 2017, 
ngoại trừ ngân hàng, công ty bảo hiểm, quỹ 
đầu tư, công ty chứng khoán. Sau đó, mẫu 
nghiên cứu sẽ loại trừ các công ty không có 
đủ số liệu BCTC, thiếu số liệu trong năm 
nghiên cứu hoặc không đủ mẫu đối ứng. 
Mẫu được phân loại dựa trên chỉ số M 
(M-Score), mẫu công ty gian lận khi có M-
Score lớn hơn -2.22 và mẫu không gian lận 
khi có M-Score nhỏ hơn -2.22 cho các công ty 
có cùng quy mô - tổng tài sản và cùng ngành 
(Lou & Wang, 2011). Cuối cùng, mẫu nghiên 
cứu bao gồm 126 công ty trong đó bao gồm 
63 công ty gian lận và 63 công ty không gian 
lận cho 7 ngành gồm Khai khoáng, Bán buôn 
và bán lẻ, Kinh doanh bất động sản, Điện, gas, 
khí đốt, Vận tải kho bãi, Công nghiệp Chế 
biến, Chế tạo. 
4. Kết quả nghiên cứu 
Tác giả sử dụng phương pháp nghiên cứu 
định lượng kiểm tra các giả thuyết nghiên cứu 
bằng cách sử dụng kiểm định giả thuyết về trị 
trung bình của hai tổng thể và phân tích mô 
hình hồi quy logit với sự hỗ trợ của phần mềm 
SPSS 20. 
4.1. Kiểm định giả thuyết về trị trung bình 
của hai tổng thể - independent sample t-test 
Trong nghiên cứu này sử dụng kiểm định 
giả thuyết về trị trung bình của hai tổng thể để 
kiểm tra xem có sự khác biệt nào đối với các 
tỷ số tài chính giữa các công ty gian lận và 
không gian lận hay không. Kết quả phân tích 
được trình bày ở Bảng 1 như sau: 
Bảng 1 
Kết quả kiểm định independent sample t-test 
Chỉ số tài 
chính Loại công ty N Mean Std. Deviation t-statistics p-value 
TD/TA Gian lận 63 .442605 .191429 
-1.000 0.320 
Không gian lận 63 .482724 .254651 
NP/REV Gian lận 63 2.17066 13.963303 
1.169 0.247 
Không gian lận 63 .112713 .522151 
REC/REV Gian lận 63 5.90981 28.019988 
1.455 0.148 
Không gian lận 63 .764343 1.581296 
INV/TA Gian lận 63 .160573 .177106 
-3.712 0.000*** 
Không gian lận 63 .303271 .248418 
REV/TA Gian lận 63 .851738 .711258 
-0.399 0.691 
Không gian lận 63 .925125 1.275187 
Ghi chú: *, **, *** có ý nghĩa thống kê ở mức lần lượt là 10%, 5% và 1%. 
Nguồn: Kết quả phân tích từ phần mềm SPSS 20. 
130 Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 
Tỷ số đòn bẩy tài chính (TD/TA) không 
có sự khác biệt giữa công ty gian lận và không 
gian lận. Do đó, giả thuyết H1 bị bác bỏ. Kết 
quả này phù hợp với nghiên cứu của Nia 
(2015) cho thấy tỷ số này không có ý nghĩa để 
phát hiện gian lận. 
Tỷ số khả năng tạo ra lợi nhuận 
(NP/REV) không có sự khác biệt giữa công ty 
gian lận và không gian lận. Do đó, giả thuyết 
H2 bị bác bỏ. Kết quả này phù hợp với nghiên 
cứu của Spathis (2002), Dalnial và cộng sự 
(2014) và Nia (2015) cho thấy tỷ số này 
không có ý nghĩa để phát hiện gian lận. 
Tỷ số cơ cấu tài sản (REC/REV và 
INV/TA) cho thấy hai kết quả khác nhau, chỉ 
số REC/REV không có sự khác biệt giữa công 
ty gian lận và không gian lận. Do đó, giả 
thuyết H3 bị bác bỏ. Kết quả này phù hợp với 
nghiên cứu của Nia (2015) cho thấy tỷ số này 
không có ý nghĩa để phát hiện gian lận. 
Ngược lại, chỉ số INV/TA có sự khác biệt 
giữa công ty gian lận và không gian lận. Do 
đó, giả thuyết H4 được chấp nhận. Kết quả 
này phù hợp với nghiên cứu của Persons 
(1995), Dalnial và cộng sự (2014) và Nia 
(2015) cho thấy tỷ số này có ý nghĩa để phát 
hiện gian lận. 
Tỷ số vòng quay vốn (REV/TA) không 
có sự khác biệt giữa công ty gian lận và không 
gian lận. Do đó, giả thuyết H5 bị bác bỏ. Kết 
quả này phù hợp với nghiên cứu của Dalnial 
và cộng sự (2014) cho thấy tỷ số này không 
có ý nghĩa để phát hiện gian lận. 
4.2. Phân tích hồi quy logit 
Ở đây, nghiên cứu dự định sử dụng mô 
hình hồi quy logit để dự đoán gian lận bằng 
cách sử dụng các tỷ số tài chính từ các công ty 
để xác định tỷ số nào liên quan tới gian lận 
BCTC. Tuy nhiên, theo kết quả phân tích 
kiểm định giả thuyết về trị trung bình của hai 
tổng thể - independent sample t-test ở trên cho 
thấy không có sự khác biệt đáng kể đối với 
các tỷ số tài chính giữa các công ty gian lận 
và không gian lận. Trong 5 tỷ số tài chính sử 
dụng thì có tới 4 tỷ số không có ý nghĩa, chỉ 
có duy nhất tỷ số INV/TA có ý nghĩa. Do đó, 
nghiên cứu không tiếp tục tiếp hành hồi quy 
logit để dự đoán gian lận BCTC và giả thuyết 
H6 bị bác bỏ, tức là các tỷ số tài chính không 
có ý nghĩa để dự đoán gian lận BCTC. 
5. Kết luận và gợi ý hướng nghiên cứu 
tiếp theo 
5.1. Kết luận 
Mục đích của nghiên cứu này là kiểm tra 
xem có sự khác biệt đáng kể nào đối với các tỷ 
số tài chính giữa các công ty gian lận và không 
gian lận hay không, và xác định tỷ số tài chính 
có ý nghĩa đối với gian lận BCTC. Nghiên cứu 
tìm thấy tỷ số hàng tồn kho trên tổng tài sản 
(INV/TA) có sự khác biệt đáng kể giữa các 
công ty gian lận và không gian lận. Còn lại các 
chỉ số về đòn bẩy tài chính (TD/TA), khả năng 
tạo ra lợi nhuận (NP/REV), nợ phải thu trên 
tổng tài sản (REC/REV) và vòng quay vốn 
(REV/TA) không có sự khác biệt đáng kể giữa 
các công ty gian lận và không gian lận. Kết 
quả nghiên cứu này mặc dù khá hạn chế tuy 
nhiên cũng phù hợp với các nghiên cứu trước 
đây cụ thể như nghiên cứu của Nia (2015) thì 
chỉ có 3 trên 8 tỷ số có ý nghĩa và nhất là theo 
Kaminski và cộng sự (2004) thì chỉ có 4 trên 
21 tỷ số có ý nghĩa ở năm có gian lận. Do đó, 
kết quả của nghiên cứu cung cấp bằng chứng 
thực nghiệm rất giới hạn về khả năng sử dụng 
tỷ số tài chính để phát hiện gian lận trên 
BCTC. 
5.2. Kiến nghị 
Từ kết quả nghiên cứu trên, chúng tôi đưa 
ra một số gợi ý như sau: 
Về phương diện các bên thứ ba (Ngân 
hàng, chủ nợ, nhà đầu tư): việc sử dụng các 
tỷ số tài chính để phân tích nhận diện gian lận 
là thủ tục dễ thực hiện, đơn giản, không tốn 
kém về chi phí. Tuy nhiên, kết quả nghiên cứu 
thực nghiệm cho thấy hạn chế trong việc sử 
dụng các tỷ số tài chính để nhận diện công ty 
gian lận. Do đó, các bên thứ ba nên thận trọng 
khi sử dụng các tỷ số này, nên kết hợp các 
nghiên cứu khác và sử dụng chuẩn mực kiểm 
toán 240 để có cái nhìn rõ hơn về các dấu hiệu 
Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 131 
gian lận BCTC. 
Về phương diện kiểm toán: thủ tục phân 
tích là thủ tục đánh giá rủi ro và thu thập bằng 
chứng nhằm phát hiện sai sót trọng yếu trên 
BCTC. Tuy nhiên, kiểm toán viên không nên 
chỉ sử dụng thủ tục phân tích – đặc biệt là 
phân tích tỷ số để nhận diện và đánh giá rủi ro 
gian lận, mà cần kết hợp với thử nghiệm chi 
tiết để thu thập đầy đủ bằng chứng thích hợp. 
5.3. Hạn chế và hướng nghiên cứu 
tiếp theo 
Kết quả nghiên cứu chưa cung cấp được 
bằng chứng thực nghiệm đáng kể về khả năng 
sử dụng tỷ số tài chính để phát hiện gian lận 
trên BCTC, đồng thời nghiên cứu vẫn còn một 
số hạn chế nhất định. Đầu tiên, dữ liệu nghiên 
cứu chỉ áp dụng với các công ty niêm yết tại 
Sở Giao dịch Chứng khoán TP.HCM cho năm 
2017, các nghiên cứu tiếp theo có thể mở rộng 
mẫu cho cả Sở Giao dịch Chứng khoán Hà 
Nội và thêm nhiều năm để xem xét biến động 
cũng như tác động của các tỷ số này như thế 
nào. Tiếp theo, các tỷ số tài chính trong nghiên 
cứu này còn hạn chế, các nghiên cứu tiếp theo 
có thể mở rộng thêm các tỷ số tài chính khác 
để kiểm tra. Cuối cùng, việc sử dụng M-Score 
để phân loại mẫu công ty gian lận và không 
gian lận chỉ là một khía cạnh để phân loại, các 
nghiên cứu tiếp theo có thể sử dụng các cách 
khác như sử dụng chênh lệch lợi nhuận trước 
và sau kiểm toán hay các chỉ số khác như Z-
Score, F-Score để phân loại mẫu. 
Tài liệu tham khảo 
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate 
bankruptcy. Journal of Finance, 23(4), 589-609 
Beneish, M. D. (1997). Detecting GAAP violation: Implications for assessing earnings 
management among firms with extreme financial performance. Journal of Accounting and 
Public Policy, 16(3), 271-309. 
Beneish, M. D. (1999). The detection of earnings manipulation. Financial Analysts Journal, 
55(5), 24-36. 
Bộ Tài chính Việt Nam. (2012). Chuẩn mực kiểm toán Việt Nam số 240 - Trách nhiệm của kiểm 
toán viên đối với gian lận trong kiểm toán báo cáo tài chính. 
Dalnial, H., Kamaluddin, A., Sanusi, Z. M., & Khairuddin, K. S. (2014). Accountability in 
financial reporting: Detecting fraudulent firms. Procedia-Social and Behavioral Sciences, 
145, 61-69. 
Fanning, K. M., & Cogger, K. O. (1998). Neural network detection of management fraud using 
published financial data. International Journal of Intelligent Systems in Accounting, 
Finance & Management, 7, 21-41. 
Grove, H., & Basilico, E. (2008). Fraudulent financial reporting detection - key ratios plus 
corporate governance factors. International Studies of Management & Organization , 
38(3), 10-42. 
Kaminski, K. A., Wetzel, T. S., & Guan, L. (2004). Can financial ratios detect fraudulent 
financial reporting?. Managerial Auditing Journal, 19(1), 15-28. 
Kanapickiene, R., & Grundienė, Z. (2015). The model of fraud detection in financial statements 
by means of financial ratios. Procedia - Social and Behavioral Sciences, 213, 321 – 327. 
132 Đinh Ngọc Tú và cộng sự. Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 63(6), 122-132 
Kinney, W. R., & McDaniel, L. S. (1989). Characteristics of firms correcting previously reported 
quarterly earnings. Journal of Accounting and Economics, 11, 71-93. 
Kluger, B. D., & Shields, D. (1989). Auditor changes, information quality and bankruptcy 
prediction. Managerial and decision economics, 10, 275-282. 
Lenard, M. J., & Alam, P. (2009). An historical perspective on fraud detection: From bankruptcy 
models to most effective indicators of fraud in recent incidents. Journal of Forensic & 
Investigative Accounting, 1(1), 1-27. 
Lou, Y. I., & Wang, M. L. (2011). Fraud risk factor of the fraud triangle assessing the likelihood 
of fraudulent financial reporting. Journal of Business & Economics Research, 7(2). 
Nelson, S. P. (2010). Fraudulent financial reporting: An empirical analysis in Malaysia. 
Available at SSRN:  (4Th, September, 2018). 
Nia, S. H. (2015). Financial ratios between fraudulent and non-fraudulent firms: Evidence from 
Tehran Stock Exchange. Journal of Accounting and Taxation, 7(3), 38-44. 
Nguyễn Công Phương & Nguyễn Trần Nguyên Trân. (2014). Mô hình Beneish dự đoán sai sót 
trọng yếu trong báo cáo tài chính. Tạp chí kinh tế & phát triển, 206, 54-60. 
Omoye, A. S., & Eragbhe, E. E. (2014). Accounting ratios and false financial statements 
detection: Evidence from Nigerian quoted companies. International Journal of Business 
and Social Science, 7(1), 206-214. 
Persons, O. S. (1995). Using financial statement data to identify factors associated with 
fraudulent financial reporting. Journal of Applied Business Research, 11(1), 38-46. 
Pustylnick, I. (2009). Combined algorithm for detection of manipulation in financial statements. 
SMC University. Available at:  
=1422693 (4Th, September, 2018). 
Pustylnick, I. (2012). An algorithm for the detection of revenue and retained earnings 
manipulation. Accounting and Taxation, 4(2), 95-105. 
Roxas, M. L. (2011). Financial statement fraud detection using ratio and digital analysis. Journal 
of Leadership, Accountability and Ethics, 8(4), 56-66. 
Song, X., Hu, Z., Du, J., & Sheng, Z. (2014). Application of machine learning methods to risk 
assessment of financial statement fraud: Evidence from China. Journal of Forecasting, 33, 
611–626. 
Spathis, C. (2002). Detecting false financial statements using published data: some evidence 
from Greece. Managerial Auditing Journal, 17, 179-191. 
Summers, S. L., & Sweeney, J. T. (1998). Fraudulently misstated financial statements & insider 
trading: an empirical analysis. Accounting Review, 131-146. 
Trần Thị Giang Tân và cộng sự. (2014). Đánh giá rủi ro gian lận báo cáo tài chính của các công 
ty niêm yết tại Việt Nam. Tạp chí Phát triển kinh tế, 26(1), 74-94.