Chia sẻ chuyên mục Đề tài Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish hay nhất năm 2022 cho các bạn học viên ngành đang làm Luận văn tham khảo nhé. Với những bạn chuẩn bị làm bài khóa luận tốt nghiệp thì rất khó để có thể tìm hiểu được một đề tài hay, đặc biệt là các bạn học viên đang chuẩn bị bước vào thời gian lựa chọn đề tài làm Luận văn thì với đề tài Luận văn: Nhận diện gian lận báo cáo tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam – Bằng chứng thực nghiệm tại Sàn giao dịch chứng khoán HOSE dưới đây chắc hẳn sẽ cho các bạn cái nhìn tổng quát hơn về đề tài này.
3.1. Kết quả phân loại các công ty có gian lận BCTC bằng mô hình Beneish thông qua hệ số M-Score
Số liệu của từng công ty được tính toán lần lượt qua bảng tính Excel được thiết lập cho mô hình Beneish để tính toán hệ số M-Score. Các công ty có chỉ số M-Score lớn hơn -2.22 được phân loại là công ty có gian lận BCTC. Ngược lại, các công ty có chỉ số M-Score nhỏ hơn hoặc bằng -2.22 (âm nhiều hơn) được phân loại là công ty không có gian lận BCTC. Kết quả phân loại chi tiết được tổng hợp như bảng 3.1.
Bảng 3.1 Tổng hợp kết quả phân loại các công ty có gian lận BCTC theo mô hình Beneish thông qua hệ số M-Score
Kết quả kiểm nghiệm theo hệ số M-Score cho thấy nhóm công ty thuộc ngành Bất động sản có khả năng gian lận BCTC xếp hàng đầu với M-Score là -1.27 > -2.22 (dương nhiều hơn), trong khi đó, nhóm công ty thuộc ngành Năng lượng có khả năng gian lận BCTC ở mức thấp nhất với hệ số M-Score là -3.08 < – 2.22 (âm nhiều hơn).
Xét về số lượng các công ty trong cùng một ngành, tỷ lệ các công ty được xác định có gian lận BCTC của ngành Bất động sản cũng chiếm tỷ lệ cao nhất là 68.75% và ngành Năng lượng tiếp tục là ngành có tỷ lệ các công ty được xác định có gian lận BCTC ở mức thấp nhất là 11.11%.
Phân tích chi tiết hơn nhóm các chỉ số tài chính được sử dụng để tính chỉ số M-Score, có thể thấy rõ nguyên nhân chỉ số M-Score của nhóm công ty thuộc ngành Bất động sản thuộc nhóm dẫn đầu, cụ thể: 2 tỷ số AQI và SGI của nhóm ngành Bất động sản lần lượt là 2.20 và 1.81 cũng thuộc nhóm cao nhất trong số các ngành. Đối với AQI, chỉ số AQI lớn hơn 1 đồng nghĩa với việc công ty đang gia tăng thanh lý tài sản, điều này cũng có thể là dấu hiệu của gian lận BCTC, đặc biệt là thủ thuật gian lận liên quan đến việc luân chuyển chi phí giữa các kỳ. Chỉ số SGI cao cho thấy việc tăng trưởng doanh thu bất thường có thể là một trong các dấu hiệu sai phạm nếu xem xét đến động cơ của các công ty Bất động sản khi thực hiện bóp méo doanh thu nhằm tạo ra một kết quả đẹp, phù hợp với mục tiêu đề ra để thu hút các nhà đầu tư.
Xét tổng quan các nhóm chỉ số của 9 ngành, chỉ số DEPI và SGAI có mức độ chênh lệch giữa các nhóm ngành khá lớn với biên độ dao động của chỉ số DEPI là (0.41, 3.42) và của chỉ số SGAI là (1.64, 4.68).
DEPI lớn hơn đồng nghĩa với công ty đã làm giảm tỷ lệ khấu hao bằng cách tăng thời gian sử dụng của tài sản hoặc áp dụng phương pháp trích khấu hao mới, việc này làm lợi nhuận tăng lên. Điều này cho thấy, các doanh nghiệp thuộc các nhóm ngành khác nhau có thể thông qua các thủ thuật ghi nhận sai Tài sản cố định hoặc áp dụng không đúng phương pháp tính khấu hao để thực hiện gian lận BCTC.
SGAI được tính bằng cách sự thay đổi của tỷ số chi phí bán hàng và quản lý doanh nghiệp trên tổng doanh thu giữa năm t và năm t-1. Nếu SGAI<1 có nghĩa chi phí bán hàng và quản lý doanh nghiệp đang giảm hơn so với doanh thu, điều này có thể là một dấu hiệu của gian lận BCTC. Tuy nhiên, có thể thấy, tỷ số SGAI của tất cả các nhóm ngành đều lớn hơn 1, do đó, khả năng các công ty thực hiện gian lận thông qua ghi nhận sai chi phí quản lý doanh nghiệp và chi phí bán hàng để gian lận BCTC là không cao.
Các chỉ số DSRI, GMI, TATA và LVGI có mức biến động giữa các nhóm ngành không lớn và ở ngưỡng tương đối an toàn cho thấy các công ty ít sử dụng các thủ thuật gian lận liên quan đến các khoản phải thu, tỷ suất lợi nhuận gộp và thay đổi các bút toán dồn tích nhằm che dấu tình hình tài chính của công ty.
3.2. Kết quả thống kê mô tả của các biến trong mô hình Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
Sau khi tính toán các biến độc lập dựa trên số liệu thu thập được, tác giả đã thống kê các giá trị trung bình và độ lệch chuẩn của các biến như bảng 3.3.
Bảng 3.3 Bảng thống kê mô tả các biến độc lập đưa vào mô hình
Tỷ số RE / SA của các công ty có gian lận BCTC cao hơn so với các công ty không có gian lận BCTC, cho thấy khả năng các công ty có gian lận BCTC có thể đã thực hiện các thủ thuật ghi nhận doanh thu không có thực hoặc sai niên độ dẫn đến tăng khoản phải thu và tăng tỷ số RE / SA. Kết quả này cho thấy cần phải xem xét một cách thận trọng các khoản phải thu khi đánh giá chất lượng thông tin trên BCTC.
Các công ty có gian lận BCTC có hệ số Z-Score thấp hơn so với các công ty không có gian lận BCTC. Điều này cho thấy các công ty có gian lận BCTC thường đang ở trong trạng thái kiệt quệ tài chính (Fanning và Cogger, 1998; Summers và Sweeney, 1998). Việc này có thể cung cấp động lực cho việc gian lận BCTC.
Hệ số IN / SA và NP / TA chỉ ra rằng các công ty có gian lận BCTC thường có lượng hàng tồn kho trên doanh thu và lợi nhuận thuần trên tổng tài sản cao hơn so với các công ty không có gian lận BCTC.
CÓ THỂ BẠN QUAN TÂM ĐẾN DỊCH VỤ:
===>>> Dịch Vụ Viết Luận Văn Thạc Sĩ Kinh Tế
3.4. Kết quả mô hình hồi quy Logistic Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
Kết quả hồi quy Binary Logistic được trình bày tại bảng 3.4. Từ mô hình hồi quy tổng quát, trong đó, biến phụ thuộc Gian lận BCTC (FFS) đo lường theo 10 biến độc lập, tác giả sử dụng phương pháp Backward Wald để lần lượt loại các biến không có nghĩa thống kê căn cứ trên xác suất của số thống kê Wald.
Bảng 3.4 Kết quả phân tích hồi quy Binary Logistic
Các biến được đưa vào mô hình ở bước 1: DE / EQ, SA / TA, NP / SA, RE / SA, NP / TA, WC / TA, GP / TA, IV / SA, DE / TA, Z-Score.
Bảng kết quả phân tích hồi quy Binary Logistic trên cho biết nhiều thông tin về mô hình liên quan đến các biến. Ở bước 1, tác giả đã đưa toàn bộ 10 biến độc lập vào để thực hiện phân tích hồi quy Binary Logistic. Sau đó, căn cứ vào ý nghĩa thống kê của số thống kê Wald, tác giả lần lượt loại các biến không có ý nghĩa thống kê ra khỏi mô hình để đảm bảo các biến độc lần còn lại luôn có mức ý nghĩa Sig. ≤ 0.05.
Bảng 3.4 thể hiện kết quả kiểm định Wald về ý nghĩa của hệ số hồi quy tổng thể của các biến. Kết quả hồi quy của mô hình cho thấy trong số 10 biến độc lập được đưa vào mô hình chỉ có 4 biến NP / TA, WC / TA, GP / TA và Z-Score với hệ số góc lần lượt là 7.419, 1.724, -6.330 và -0.140 đều có ý nghĩa thống kê (Sig. ≤ 0.05).
Biến NP / TA ( 1=7.419, Sig. < 0.05) và WC / TA ( 2=1.724, Sig. <0.05) có tác động dương đến việc phân loại công ty có gian lận BCTC. Điều này chỉ ra rằng các công ty có gian lận BCTC thường có giá trị lợi nhuận thuần và giá trị vốn lưu động trên tổng tài sản ở mức cao.
Ngược lại, biến GP / TA ( 3=-6.330, Sig. < 0.05) có tác động ngược chiều với biến phụ thuộc FFS đã chỉ ra rằng, các công ty có tỷ số lợi nhuận gộp trên tổng tài sản càng cao thì càng ít có khả năng phân loại vào nhóm công ty có gian lận BCTC.
Z-Score cũng có mức ý nghĩa khá cao khi phân loại các công ty có gian lận BCTC ( 4 =- 3.327, Sig. < 0.05). Tỷ lệ này có tác động ngược chiều với biến phụ thuộc FFS, có nghĩa là các công ty có giá trị Z-Score tăng cao sẽ tăng xác suất được phân loại là các công ty không có gian lận BCTC. Hay nói cách khác, những công ty có tình hình tài chính lành mạnh sẽ ít có khả năng xuất hiện gian lận BCTC.
Cột “B” cho thông tin về giá trị của phương trình hồi quy Logistic, hay nói cách khác, đó là hệ số tương ứng với từng biến độc lập. Thay các giá trị của bước 7 trong bảng kết quả phân tích hồi quy (sau khi đã loại các biến độc lập không có ý nghĩa thống kê) vào phương trình hồi quy tổng quát ta có phương trình hồi quy Logistic như sau:
Phương trình trên cho biết mối liên hệ giữa biến phụ thuộc FFS và các biến độc lập NP / TA, WC / TA và GP / TA. Biến phụ thuộc FFS được tính theo thang đo của hàm Logit:
Các hệ số của biến độc lập cho biết sự tăng (giảm) của Log (Odds) biến phụ thuộc là bao nhiêu khi tăng (giảm) 1 đơn vị của biến độc lập khi các biến độc lập khác giữ nguyên giá trị. Tuy nhiên, do các hệ số của biến độc lập này được tính toán theo đơn vị Log (Odds), do đó, để giải thích, hệ số hồi quy logistic “B” đã được chuyển đổi sang đơn vị Odds Ratio (OR), được biểu hiện tại cột Exp(B) – Bảng 3.4.
Áp dụng OR để giải thích kết quả các hệ số hồi quy ở cột “B”: Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
TA và Z-Score không đổi. Điều này cho thấy tỷ số NP / TA có vai trò rất lớn trong việc xác định gian lận BCTC.
0.002 lần khi biến GP / TA tăng lên 1 đơn vị trong trường hợp biến NP / TA, WC / TA và Z-Score không đổi. Mặc dù biến GP / TA có ý nghĩa thống kê trong việc xác định gian lận BCTC, nhưng một sự thay đổi lớn trong tỷ số GP / TA chưa chắc sẽ mang lại sự khác biệt rõ ràng cho biến phụ thuộc FFS. Điều này cho thấy GP / TA không phải là một biến quan trọng làm tăng xác suất gian lận BCTC.
Bảng 3.5 Kết quả kiểm định Omnibus
Bảng 3.5 là kết quả của phép kiểm định Onimus cho giả thuyết H0: 1 = 2 = … = 10 = 0. Kiểm định này xem xét khả năng giải thích biến phụ thuộc của tổ hợp biến độc lập. Kết quả ở bảng 3.5 cho thấy độ phù hợp tổng quát có mức ý nghĩa quan sát Sig. = 0.000 nên ta bác bỏ H0. Nghĩa là tổ hợp liên hệ tuyến tính của toàn bộ các hệ số trong mô hình có ý nghĩa trong việc giải thích cho biến phụ thuộc.
Bảng 3.6 Kết quả kiểm định khả năng giải thích của mô hình
Bảng 3.6 thể hiện kết quả độ phù hợp của mô hình. Hai cột “Cox & Snell R2” và “Nagelkerke R2” là giá trị R2 giả (pseudo-R2). Hồi quy logistic thường chỉ sử dụng R2 giả để so sánh các mô hình khác nhau trên cùng một bộ số liệu, cùng một biến phụ thuộc để xem mô hình nào tốt hơn. Mô hình tốt hơn là mô hình có R2 giả cao hơn. Khác với hồi quy tuyến tính thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu -2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. -2LL càng nhỏ càng thể hiện độ phù hợp cao. Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có độ phù hợp hoàn hảo.
Kết quả bảng 3.6 cho thấy giá trị của -2LL = 322.940 khá cao, tuy nhiên, để có căn cứ chính xác hơn, việc phân tích khả năng dự báo của mô hình đã được thực hiện và có kết quả như sau:
Bảng 3.7 Kết quả phân tích khả năng dự báo của mô hình hồi quy
Khả năng dự báo của mô hình được thể hiện ở bảng 3.7, bảng này cho thấy trong trường hợp không có gian lận BCTC phân loại theo hệ số M-Score của mô hình Beneish (xem theo cột) mô hình đã dự đoán đúng 125 trường hợp (xem theo hàng), vậy tỷ lệ đúng là 80.1%%. Còn với 112 trường hợp có gian lận BCTC phân loại theo hệ số M-Score của mô hình Beneish, mô hình dự đoán đúng 59 trường hợp, tỷ lệ đúng là 52.7%. Từ đó ta tính được tỷ lệ dự đoán đúng của toàn bộ mô hình là 68.7%. Đây là một tỷ lệ dự đoán đúng khá cao cho một mô hình nhận diện gian lận BCTC với thành phần của mẫu nghiên cứu bao gồm nhiều công ty có quy mô khác nhau và hoạt động trong nhiều lĩnh vực khác nhau.
3.5. Thảo luận về kết quả nghiên cứu
Trong mô hình, tỷ số NP / TA trở thành một biến quan trọng và có mối quan hệ cùng chiều với biến phụ thuộc, chỉ ra rằng các công ty có gian lận BCTC thường có tỷ suất sinh lợi thuần trên tổng tài sản cao. Tuy nhiên, biến GP / TA lại có mối quan hệ ngược chiều với biến phụ thuộc, khác so với dự đoán ban đầu của tác giả là biến GP / TA sẽ có mối quan hệ cùng chiều với biến phụ thuộc. Nguyên nhân của vấn đề này có thể được giải thích như sau: việc ghi nhận doanh thu không có thực hoặc ghi nhận sai niên độ có thể được kiểm soát tốt bằng các kỹ thuật kiểm toán. Ngoài lợi nhuận từ hoạt động sản xuất kinh doanh, công ty còn có các khoản thu nhập khác được ghi nhận lên bảng kết quả kinh doanh. Công ty có thể thông qua việc ghi nhận thêm thu nhập vào khoản mục thu nhập khác để làm tăng lợi nhuận sau thuế dẫn đến tăng tỷ số NP / TA.
Kết quả mô hình cũng chỉ ra, tỷ số WC / TA có mối quan hệ cùng chiều với biến phụ thuộc. Điều đó có nghĩa là các công ty có cơ cấu vốn lưu động trên tổng tài sản lớn hơn thường có khả năng xuất hiện gian lận BCTC cao hơn thông qua các thủ thuật như ghi nhận doanh thu không có thực làm gia tăng khoản phải thu, các khoản phải thu khó đòi chưa kết chuyển vào chi phí hoặc không lập đầy đủ dự phòng giảm giá hàng tồn kho làm giá trị hàng tồn kho tăng cao.
Hệ số Z-Score có dấu âm. Điều này phù hợp với giả thuyết rằng sự cải thiện Z-Score của các công ty sẽ làm giảm khả năng có gian lận BCTC, trong khi đó, các công ty đang trong giai đoạn kiệt quệ tài chính thường tạo động lực cho nhà quản lý, nhân viên thực hiện các thủ thuật gian lận BCTC (Bell và cộng sự, 1993; Stice, 1991; Loebbecke và cộng sự, 1989; Kreutzfeldt và Wallace, 1986) nhằm cải thiện vị thế tài chính của công ty để làm giảm nguy cơ mất việc làm, hoặc để tư lợi càng nhiều càng tốt trước khi chấm dứt hợp đồng.
3.6. Kiểm định khả năng dự báo của mô hình nghiên cứu Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
Để kiểm định khả năng dự báo của mô hình nghiên cứu khi áp dụng vào thực tế, đồng thời đánh giá mức độ chính xác trong việc nhận diện gian lận BCTC của mô hình nghiên cứu so với mô hình M-Score, tác giả đã thống kê các trường hợp công ty niêm yết phải giải trình với Sở giao dịch chứng khoán TP.Hồ Chí Minh trên các vấn đề, bao gồm: sự khác biệt giữa số liệu trước kiểm toán và sau kiểm toán BCTC năm 2015, báo cáo kiểm toán có ý kiến kiểm toán loại trừ hoặc nhấn mạnh, BCTC có những khoản mục tăng/ giảm đột biến so với năm trước. Căn cứ vào nội dung giải trình này, tác giả đã đánh giá mức độ trọng yếu và thực hiện phân loại nhóm công ty có khả năng gian lận BCTC và không gian lận BCTC theo bảng 3.8.
Bảng 3.8 Tổng hợp kết quả phân loại các công ty có gian lận BCTC theo nội dung giải trình chênh lệch BCTC của các CTNY trên HOSE
Bước tiếp theo, tác giả đã sử dụng mô hình nghiên cứu với 4 biến độc lập là tỷ số Lợi nhuận thuần / Tổng tài sản (NI / TA), Vốn lưu động / Tổng tài sản (WC / TA), Lợi nhuận gộp / Tổng tài sản (GP / TA) và Z-Score để thực hiện phân loại các công ty có gian lận BCTC và so sánh kết quả tính toán của tác giả với kết quả của bảng 3.8 và kết quả phân loại gian lận BCTC theo M-Score như bảng 3.9.
Bảng 3.9 So sánh kết quả phân loại gian lận BCTC theo Mô hình đề xuất, M-Score với kết quả phân loại theo nội dung giải trình chênh lệch BCTC
Kết quả so sánh ở bảng 3.9 cho thấy mức độ dự báo chính xác của mô hình nghiên cứu đạt 58.58% cao hơn so với mức độ dự báo chính xác của M-Score đạt 54.10%. Xét tại tất cả các nhóm ngành trong bảng 3.9, M-Score có mức độ dự báo chính xác 43.75% cao hơn mô hình nghiên cứu 31.25% cho nhóm ngành Bất động sản. Tuy nhiên, với khả năng dự báo chính xác cao hơn M-Score ở 8/9 nhóm ngành cho thấy tính ứng dụng khá cao của mô hình hồi quy mà tác giả đề xuất để nhận diện gian lận BCTC. Điều này một lần nữa khẳng định khả năng dự báo của mô hình nghiên cứu khi ứng dụng vào thực tế nhận diện gian lận BCTC của các công ty niêm yết trên sàn chứng khoán HOSE.
3.7. Hạn chế của mô hình nghiên cứu Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
Hạn chế của nghiên cứu này là mẫu nghiên cứu về gian lận BCTC bao gồm các CTNY kinh doanh trên nhiều lĩnh vực khác nhau, do đó mô hình nghiên cứu chưa chỉ ra được các khoản mục đặc thù của từng ngành cần được quan tâm để phát hiện gian lận BCTC. Tuy nhiên nghiên cứu này phần nào cũng giúp các đối tượng sử dụng thông tin trên BCTC có thể nhận biết được gian lận BCTC thông qua việc tính toán hệ số đo lường khả năng gian lận BCTC với dữ liệu là các chỉ số tài chính.
Bên cạnh đó, việc sử dụng mô hình Beneish để phân loại công ty có gian lận BCTC, sau đó, dữ liệu phân loại này được sử dụng để tác giả tính toán các hệ số của mô hình nghiên cứu cũng làm suy giảm khả năng dự đoán chính xác của mô hình. Tuy nhiên, đây cũng là một hướng tiếp cận mới và được tác giả cân nhắc kỹ càng khi sử dụng. Cách tiếp cận này giúp việc phân loại các công ty có gian lận BCTC mang tính khách quan hơn bên cạnh các cách thức phân loại gian lận khác như: dựa vào ý kiến loại trừ hoặc nhấn mạnh của kiểm toán viên, chênh lệch số liệu trước và sau báo cáo kiểm toán của các công ty niêm yết mà một số công trình nghiên cứu đã thực hiện trước đây.
Mặc dù một số biến mà tác giả đưa vào mô hình hồi quy ban đầu không có ý nghĩa thống kê trong nghiên cứu này, tuy nhiên, các biến này cũng vẫn nên được xem xét một cách thận trọng để nhận diện dấu hiệu gian lận BCTC. Nghiên cứu của tác giả xem xét các biến ở cấp độ tổng hợp trên một mẫu do đó việc khái quát hóa cho các trường hợp cụ thể sẽ không thực sự đầy đủ và phù hợp. Đối với ví dụ cụ thể của từng trường hợp liên quan đến gian lận báo cáo tài chính, các biến mặc dù không có ý nghĩa trong nghiên cứu tổng thể vẫn có thể là chỉ số hữu ích để đánh giá sự tồn tại của việc gian lận BCTC cho từng trường hợp cụ thể đó.
Trên đây là hai hạn chế lớn nhất và lưu ý chính cho mô hình nghiên cứu đề xuất theo quan điểm đánh giá khách quan của tác giả. Những hạn chế này sẽ là tiền đề cho các công trình nghiên cứu trong tương lai để xây dựng được một mô hình nhận diện gian lận BCTC có mức độ chính xác cao hơn và chỉ ra được các chỉ số tài chính đặc thù của từng ngành có thể được sử dụng để nhận diện gian lận BCTC.
TÓM TẮT CHƯƠNG 3
Với các thông tin tài chính 2015 thu thập được từ 268 CTNY trên sàn giao dịch chứng khoán HOSE, kết quả nghiên cứu cho thấy khả năng tồn tại gian lận BCTC có mối quan hệ có ý nghĩa thống kê với 4 biến độc lập là tỷ số Lợi nhuận thuần / Tổng tài sản (NI / TA), Vốn lưu động / Tổng tài sản (WC / TA), Lợi nhuận gộp / Tổng tài sản (GP / TA) và Z-Score.
Trong quá trình phân tích, tác giả nhận thấy một số biến có tác động lên biến phụ thuộc khác biệt so với nhận định ban đầu khi xây dựng giả thuyết nghiên cứu như tỷ số Lợi nhuận gộp / Tổng tài sản (GP / TA). Trong khi đó, một số biến có ý nghĩa thống kê trong các nghiên cứu trước trên thế giới nhưng lại không có ý nghĩa thống kê khi xét trên bộ mẫu là các CTNY trên sàn giao dịch chứng khoán HOSE.
Kết quả nghiên cứu trong chương 3 sẽ là cơ sở để giúp tác giả đề xuất một số kiến nghị đối với các đối tượng liên quan đến việc lập, trình bày, sử dụng và quản lý chất lượng BCTC của các CTNY trên TTCK Việt Nam nói chung và sàn giao dịch chứng khoán HOSE nói riêng.
Kết quả kiểm định khả năng dự báo của mô hình nghiên cứu vào việc nhận diện gian lận BCTC thực tế cho thấy mức độ dự báo chính xác khá cao của mô hình nghiên cứu đạt độ chính xác 58.58%. So với kết quả dự báo của mô hình M-Score, mô hình nghiên cứu có mức độ dự báo chính xác cao hơn 4.48%, điều này một lần nữa khẳng định tính ứng dụng của mô hình nghiên cứu so với các mô hình nghiên cứu khác trong việc nhận diện gian lận BCTC.
Nội dung chương 3 là cơ sở khoa học quan trọng để tác giả đưa ra một số nhận xét và đề xuất một số kiến nghị hữu ích được tác giả trình bày trong chương 4 tiếp theo sau đây. Luận văn: Thực trạng gian luận BCTC bằng mô hình Beneish
XEM THÊM NỘI DUNG TIẾP THEO TẠI ĐÂY
===>>> Luận văn: Giải pháp chống gian luận TC các Cty Chứng khoán
