Beneish M Score là gì? Cách đọc và áp dụng trong luận văn

Mô hình Beneish M Score là gì

Bạn có thể gặp Beneish M Score khi làm đề tài về chất lượng báo cáo tài chính, quản trị lợi nhuận, gian lận báo cáo tài chính hoặc quyết định đầu tư. Đây là một chỉ số tổng hợp được tính từ các tỷ số tài chính, nhằm sàng lọc doanh nghiệp có dấu hiệu điều chỉnh lợi nhuận trên báo cáo tài chính.

M Score không kết luận doanh nghiệp chắc chắn gian lận. Nó tạo ra một tín hiệu cảnh báo để bạn xem xét sâu hơn các khoản phải thu, biên lợi nhuận, chi phí, doanh thu và chính sách kế toán. Vì vậy, khi đưa chỉ số này vào luận văn, bạn cần dùng các từ như “dấu hiệu”, “khả năng” hoặc “nguy cơ”, thay vì khẳng định doanh nghiệp đã gian lận.

Công thức thường được biết đến của Beneish M Score có dạng:

M = -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

Trong đó, mỗi biến là một tỷ số được tính từ số liệu của hai năm liên tiếp. Kết quả càng lớn theo hướng ít âm thì tín hiệu cảnh báo càng đáng chú ý. Ngưỡng thường được sử dụng trong nhiều tài liệu thực hành là M > -1,78, nhưng bạn cần ghi rõ đây là ngưỡng sàng lọc tham khảo, không phải bằng chứng kết luận cho mọi ngành và mọi thị trường.

Nếu đề tài của bạn thuộc nhóm tài chính doanh nghiệp, bạn có thể xem thêm các chủ đề trong chuyên mục Mô hình nghiên cứu. Các bài về CAPM, mô hình chiết khấu dòng tiền DCF và danh mục Markowitz phù hợp hơn với các đề tài định giá và đầu tư, còn Beneish M Score tập trung vào tín hiệu bất thường trong báo cáo tài chính.

Các thành phần trong mô hình

Bạn cần lập một bảng dữ liệu theo doanh nghiệp và năm trước khi tính M Score. Cách an toàn nhất là giữ nguyên số liệu gốc, tạo thêm các cột tỷ số, sau đó mới tạo cột kết quả cuối cùng. Đừng nhập trực tiếp các con số đã làm tròn nếu báo cáo tài chính vẫn cho phép lấy số liệu chi tiết hơn.

DSRI thường dùng khoản phải thu thuần và doanh thu thuần. GMI cần biên lợi nhuận gộp, tức doanh thu thuần trừ giá vốn hàng bán, chia cho doanh thu thuần. AQI đòi hỏi bạn xác định nhất quán nhóm tài sản không thuộc tài sản ngắn hạn và tài sản cố định. Nếu doanh nghiệp thay đổi cách phân loại tài sản giữa các năm, bạn phải ghi chú trong phần xử lý dữ liệu.

TATA thường là phần khiến sinh viên tính sai. Bạn cần xác định công thức dồn tích mà đề tài sử dụng, chẳng hạn dựa trên lợi nhuận sau thuế và dòng tiền từ hoạt động kinh doanh, rồi áp dụng thống nhất cho toàn bộ mẫu. Đừng lấy một công thức cho năm nay và một công thức khác cho năm trước.

Mô hình gốc và các mở rộng phổ biến

Beneish M Score thường được dùng như một mô hình sàng lọc dựa trên nhiều chỉ báo tài chính. Mô hình gốc có tám biến, mỗi biến nhận một trọng số khác nhau trong công thức. Các biến này không có vai trò ngang nhau. Chẳng hạn, TATA có hệ số dương khá lớn, còn LVGI có hệ số âm trong công thức nêu trên.

Khi nghiên cứu sau này áp dụng M Score vào những quốc gia, ngành hoặc giai đoạn khác nhau, người nghiên cứu có thể thay đổi cách đo biến, cách chọn mẫu hoặc ngưỡng phân loại. Bạn cần phân biệt ba việc: dùng nguyên công thức, điều chỉnh cách đo một biến, và tự ước lượng lại mô hình. Mỗi lựa chọn tạo ra một mức độ so sánh khác nhau với nghiên cứu trước.

Một số đề tài chỉ dùng M Score như biến độc lập hoặc biến kiểm soát. Một số đề tài tạo biến nhị phân: doanh nghiệp có tín hiệu cảnh báo được mã hóa là 1, còn lại là 0. Cũng có đề tài giữ nguyên M Score dạng liên tục để kiểm định tác động đến quyết định đầu tư, chi phí vốn hoặc hiệu quả hoạt động.

Nếu bạn đang tìm đề tài liên quan đến kiểm soát và báo cáo tài chính, đề tài luận văn thuế có thể gợi ý thêm bối cảnh nghiên cứu. Tuy nhiên, đừng đưa M Score vào mô hình chỉ vì nó có công thức rõ ràng. Bạn cần chứng minh biến này liên quan đến câu hỏi nghiên cứu và có dữ liệu đủ cho toàn bộ các năm cần tính.

Thang đo thường dùng cho từng khái niệm

Beneish M Score không phải thang đo Likert gồm các biến quan sát lấy từ bảng hỏi. Đây là chỉ số thứ cấp được tính từ báo cáo tài chính. Vì vậy, “thang đo” trong trường hợp này nên hiểu là cách vận hành hóa từng thành phần và cách mã hóa kết quả.

Bạn không chạy Cronbach's Alpha cho tám tỷ số này. Chúng là các thành phần tính toán của một chỉ số, không phải tám câu hỏi cùng đo một khái niệm phản xạ. Việc ép M Score vào quy trình đánh giá thang đo có thể làm sai bản chất biến.

Bạn cũng cần quyết định đơn vị phân tích. Nếu mỗi dòng là một doanh nghiệp trong một năm, các biến của năm trước phải lấy đúng theo cùng doanh nghiệp. Nếu mỗi dòng là một doanh nghiệp trong cả giai đoạn, bạn có thể tạo thêm M Score trung bình, nhỏ nhất, lớn nhất hoặc số năm có tín hiệu cảnh báo. Cách chọn phải phù hợp với giả thuyết và mô hình hồi quy.

Áp dụng vào đề tài của bạn

Giả sử đề tài của bạn nghiên cứu tác động của dấu hiệu điều chỉnh lợi nhuận đến quyết định đầu tư. Một mô hình minh họa có thể gồm M Score, quy mô doanh nghiệp, đòn bẩy tài chính và khả năng sinh lời. M Score có thể là biến độc lập chính, còn quyết định đầu tư được đo bằng điểm đánh giá của người trả lời hoặc một biến tài chính phù hợp với thiết kế nghiên cứu.

Bốn giả thuyết minh họa có thể viết như sau:

• H1: Dấu hiệu điều chỉnh lợi nhuận có tác động đến quyết định đầu tư.
• H2: Quy mô doanh nghiệp có tác động đến quyết định đầu tư.
• H3: Đòn bẩy tài chính có tác động đến quyết định đầu tư.
• H4: Khả năng sinh lời có tác động đến quyết định đầu tư.

Bạn cần ghi rõ chiều tác động chỉ khi cơ sở lý thuyết và các nghiên cứu trước của đề tài hỗ trợ cho chiều đó. Nếu chưa đủ cơ sở, có thể viết giả thuyết theo dạng “có tác động” và kiểm tra dấu của hệ số sau khi chạy mô hình.

Quy trình dữ liệu nên bắt đầu từ báo cáo tài chính gốc, thống nhất đơn vị tiền tệ, kiểm tra năm tài chính, tính các biến thành phần, tính M Score, kiểm tra giá trị thiếu rồi mới đưa vào SPSS hoặc phần mềm khác. Các giá trị âm của doanh thu, tài sản hoặc vốn chủ sở hữu cần được xem xét riêng. Không nên thay thế tự động bằng 0 vì thao tác đó làm thay đổi ý nghĩa tỷ số.

Nếu bạn đang so sánh các mô hình tài chính, bài CAMEL là gì có thể giúp bạn phân biệt một hệ thống đánh giá nhiều nhóm chỉ tiêu với một chỉ số tổng hợp như M Score. Còn CAPM phù hợp với rủi ro và lợi suất, không thay thế cho việc đo dấu hiệu bất thường trên báo cáo tài chính.

Cách kiểm định mô hình bằng SPSS hoặc SmartPLS

SPSS phù hợp khi bạn tính M Score bằng Excel hoặc syntax, sau đó chạy thống kê mô tả, tương quan, hồi quy tuyến tính hoặc hồi quy logistic. Nếu biến phụ thuộc là liên tục, bạn có thể xem xét hồi quy tuyến tính. Nếu biến phụ thuộc là 0 và 1, cần dùng Binary Logistic Regression thay vì hồi quy tuyến tính thông thường.

SmartPLS phù hợp khi đề tài có mô hình cấu trúc với biến tiềm ẩn, chẳng hạn quyết định đầu tư được đo bằng nhiều biến quan sát và M Score được đưa vào như một biến quan sát hoặc biến đơn chỉ báo. Tuy nhiên, M Score vốn là biến đã tính từ dữ liệu thứ cấp, nên bạn không cần biến nó thành một thang đo phản xạ nhiều chỉ báo nếu thiết kế nghiên cứu không yêu cầu.

Trong SPSS, bạn có thể dùng Transform > Compute Variable để tính từng tỷ số. Sau đó vào Analyze > Descriptive Statistics > Descriptives để kiểm tra giá trị trung bình, độ lệch chuẩn, nhỏ nhất và lớn nhất. Với hồi quy tuyến tính, đường dẫn là Analyze > Regression > Linear. Đưa biến phụ thuộc vào ô Dependent, M Score và các biến kiểm soát vào ô Independent(s).

Nếu biến phụ thuộc là nhị phân, chọn Analyze > Regression > Binary Logistic. Đưa biến 0 và 1 vào Dependent, sau đó đưa M Score cùng biến kiểm soát vào Covariates. Đọc bảng Variables in the Equation, chú ý hệ số B, Sig., Exp(B) và khoảng tin cậy nếu nghiên cứu yêu cầu giải thích xác suất.

Bảng dưới đây là số liệu minh họa, không phải kết quả của một nghiên cứu thật. Tên cột được trình bày theo dạng thường gặp khi bạn xuất kết quả hồi quy từ SPSS.

Với bảng minh họa này, MScore có Sig. = 0,006. Nếu mức ý nghĩa bạn chọn là 5%, có thể nói MScore có mối liên hệ có ý nghĩa thống kê với biến phụ thuộc trong mẫu minh họa. Exp(B) = 1,982 cần được diễn giải theo đơn vị tăng của MScore và cách mã hóa biến phụ thuộc. Bạn không nên viết rằng khả năng gian lận tăng 98,2%, vì bảng này chỉ minh họa hình thức đọc kết quả và còn phụ thuộc thiết kế mô hình.

SmartPLS không tự biến một bảng dữ liệu thô thành M Score đúng công thức cho bạn. Bạn nên tính các cột trong Excel, SPSS hoặc bằng syntax trước, sau đó nhập file .csv vào SmartPLS. Khi chạy mô hình, xem Path Coefficients, R², f², VIF và kết quả Bootstrapping. Nếu mô hình có biến tiềm ẩn, đánh giá measurement model trước rồi mới diễn giải structural model.

Bạn có thể tham khảo các tiêu chí PLS-SEM như VIF dưới 5 theo (Hair và cộng sự, 2019), R² ở các mức 0,75, 0,50 và 0,25 theo (Hair và cộng sự, 2011), f² ở mức 0,02, 0,15 và 0,35 theo (Cohen, 1988), cùng Q² lớn hơn 0 theo (Stone, 1974). Các ngưỡng CFI, TLI và RMSEA của CB-SEM theo (Hu và Bentler, 1999) không nên đưa vào bài viết kết quả SmartPLS.

Cách viết vào luận văn: “Kết quả cho thấy biến MScore có hệ số hồi quy là [B hoặc β] = [giá trị], mức ý nghĩa Sig. = [giá trị]. Với mức ý nghĩa [1%/5%/10%], giả thuyết H[ ] được [chấp nhận/không được chấp nhận]. Kết quả này cho thấy [MScore có/không có] mối liên hệ [cùng chiều/ngược chiều] với [tên biến phụ thuộc] trong mẫu nghiên cứu.”

Lỗi thường gặp khi dùng mô hình này

Lỗi đầu tiên là nhầm M Score với kết luận gian lận. Bạn chỉ có thể nói doanh nghiệp nằm trong nhóm có tín hiệu cảnh báo theo ngưỡng đã chọn. Để kết luận mạnh hơn, nghiên cứu cần thiết kế kiểm tra bổ sung và giải thích giới hạn của dữ liệu.

Lỗi thứ hai là dùng sai năm. DSRI, GMI, AQI và các tỷ số khác đều cần so sánh năm nay với năm trước. Nếu bạn lấy doanh thu năm 2022 chia cho doanh thu năm 2020 trong một biến, kết quả sẽ không còn đúng cấu trúc của chỉ số.

Lỗi thứ ba là trộn đơn vị triệu đồng, tỷ đồng và nghìn đồng. Một số tỷ số có thể vẫn trông hợp lý khi tử số và mẫu số cùng đơn vị, nhưng TATA và các biến liên quan sẽ bị sai nếu tổng tài sản hoặc dòng tiền được nhập khác đơn vị.

Lỗi thứ tư là xóa các giá trị âm mà không ghi lý do. Tài sản, lợi nhuận hoặc dòng tiền âm có thể xuất hiện trong dữ liệu thật. Bạn cần kiểm tra nguồn báo cáo, xem đó là lỗi nhập liệu hay đặc điểm của doanh nghiệp, rồi trình bày quy tắc xử lý trước khi chạy mô hình.

Lỗi thứ năm là chạy quá nhiều mô hình cho đến khi p-value đạt. Bạn nên xác định mô hình, biến kiểm soát, quy tắc xử lý ngoại lệ và mức ý nghĩa trước khi xem kết quả. Nếu có chạy thêm phân tích độ nhạy, hãy ghi rõ đó là phân tích bổ sung.

Lỗi cuối là trình bày bảng kết quả mà không nêu cách mã hóa. Hội đồng có thể hỏi M Score lớn hơn ngưỡng được mã hóa là 1 hay 0, biến phụ thuộc là liên tục hay nhị phân, và vì sao chọn hồi quy tuyến tính hoặc logistic. Hãy lưu file dữ liệu trung gian, công thức tính và syntax để giải trình được từng bước.

Câu hỏi thường gặp

Beneish M Score bao nhiêu là đáng lo

Ngưỡng thường được dùng để sàng lọc là M > -1,78. Tuy vậy, giá trị này chỉ cho biết doanh nghiệp có tín hiệu cần xem xét thêm theo quy tắc của mô hình. Bạn cần ghi rõ nguồn áp dụng, bối cảnh mẫu và không dùng ngưỡng này như bằng chứng chắc chắn về gian lận.

Beneish M Score âm có tốt không

M Score âm không tự động đồng nghĩa với báo cáo tài chính tốt. Cần xem giá trị cụ thể, cách tính tám biến, chất lượng dữ liệu và ngưỡng phân loại của nghiên cứu. Một giá trị âm rất gần ngưỡng vẫn có thể được xếp vào nhóm cảnh báo tùy quy tắc bạn công bố.

Có thể tính Beneish M Score bằng SPSS không

Có. Bạn có thể dùng Transform > Compute Variable để tạo từng tỷ số rồi tính công thức M Score. Trước đó, hãy kiểm tra tên biến, đơn vị đo, năm so sánh và giá trị thiếu. Excel thường thuận tiện để kiểm tra từng dòng, còn SPSS phù hợp để quản lý dữ liệu và chạy mô hình sau khi tính chỉ số.

Có cần chạy Cronbach's Alpha cho Beneish M Score không

Không, nếu bạn dùng tám tỷ số như các thành phần tính toán của M Score. Đây không phải bộ biến quan sát Likert cùng đo một khái niệm phản xạ. Bạn nên mô tả công thức, nguồn dữ liệu, cách tính và quy tắc phân loại thay vì chạy Cronbach's Alpha một cách máy móc.

Dùng M Score trong SmartPLS có được không

Được nếu M Score phù hợp với mô hình và vai trò biến của nó được giải thích rõ. Thông thường, M Score có thể được đưa vào như một biến quan sát đơn hoặc biến dữ liệu thứ cấp. Bạn cần tránh tạo một thang đo giả tạo chỉ để đáp ứng yêu cầu phần mềm, đồng thời phân biệt rõ đánh giá measurement model và structural model.

Nếu thiếu báo cáo của năm trước thì phải làm sao

Bạn không nên tự điền số 0 hoặc lấy số liệu của một doanh nghiệp khác. Có thể loại quan sát đó theo tiêu chí đã định trước, tìm nguồn báo cáo phù hợp hoặc điều chỉnh giai đoạn nghiên cứu nếu vẫn bảo đảm logic dữ liệu. Hãy ghi số quan sát bị loại và lý do trong phần phương pháp.

Bạn hãy mở file dữ liệu, tạo riêng tám cột DSRI, GMI, AQI, SGI, DEPI, SGAI, TATA và LVGI, kiểm tra một vài dòng bằng tay rồi mới tính M Score cho toàn bộ mẫu. Khi cần chạy phân tích trên chính file .sav hoặc .csv và lưu lại quy trình, bạn có thể dùng module M4 phân tích dữ liệu của DoThesis.