Áp dụng mô hình dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán việt nam

Xuất phát từ những hệ lụy do khó khăn tài chính của công ty mang lại, việc dự báo tình trạng này từ những thông tin trong quá khứ và hiện tại là việc làm cần thiết giúp chủ doanh nghiệp

VŨ THỊ LOAN

!

Chuyªn ng nh: T i chÝnh Ng©n h ngChuyªn ng nh: T i chÝnh Ng©n h ng

M sè: M sè: M sè: 6234020623402062340201111

Người hướng dẫn khoa học: 1 TS Nguyễn Thị Lan

2 TS Đặng Anh Tuấn

cam kết bằng danh dự cá nhân rằng nghiên cứu này do tôi tự thực hiện và không vi phạm yêu cầu về sự trung thực trong học thuật

Tôi xin cam đoan các số liệu được sử dụng trong luận án tiến sĩ “Áp dụng mô hình dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam” hoàn toàn được thu thập từ thực tế, chính xác, đáng tin cậy, có

nguồn gốc rõ ràng, được xử lý trung thực và khách quan

học tại Viện Ngân hàng - Tài chính, các thầy cô tham gia giảng dạy chương trình NCS tại trường Đại học Kinh tế Quốc dân Chính các thầy cô là người thắp lên ngọn lửa đam mê nghiên cứu khoa học và truyền cảm hứng cho tác giả trong quá trình học tập tại trường Xin gửi lời cảm ơn đến các chuyên gia tại Viện Sau Đại học

đã dành những sự giúp đỡ một cách nhanh chóng và hiệu quả nhất tới tác giả

Tác giả cũng xin được nói lời tri ân sâu sắc tới hai nhà khoa học hướng dẫn

là TS Nguyễn Thị Lan và TS Đặng Anh Tuấn Tâm huyết và các định hướng đúng đắn của các thầy cô chính là sự hỗ trợ quý giá nhất giúp tác giả hoàn thành được luận án của mình

Xin được bày tỏ sự biết ơn tới Ban Giám hiệu và các đồng nghiệp tại khoa Ngân hàng - Tài chính, trường Đại học Kinh tế & QTKD Thái Nguyên đã động viên hết mức về tinh thần và vật chất cho tác giả trong suốt 4 năm học tập và nghiên cứu

Cuối cùng, xin được gửi tình cảm thân thương nhất tới gia đình thân yêu Chính tình yêu vô bờ bến và sự tin tưởng của họ là động lực to lớn để tác giả có thể hoàn thành được luận án của mình

Hà Nội, năm 2017

Tác giả luận án

Vũ Thị Loan

LỜI CẢM ƠN

MỤC LỤC

DANH MỤC TỪ VIẾT TẮT

DANH MỤC BẢNG BIỂU

DANH MỤC HÌNH, SƠ ĐỒ

PHẦN MỞ ĐẦU 1

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VÀ CÁC MÔ HÌNH DỰ BÁO KHÓ KHĂN TÀI CHÍNH DOANH NGHIỆP 6

1.1 Cơ sở lý thuyết về dự báo khó khăn tài chính 6

1.1.1 Khái niệm khó khăn tài chính 6

1.1.2 Dấu hiệu khó khăn tài chính của các công ty niêm yết trên thị trường chứng khoán 10

1.2 Khái niệm dự báo khó khăn tài chính doanh nghiệp 14

1.3 Các mô hình dự báo khó khăn tài chính doanh nghiệp 17

1.3.1 Tổng quan về các mô hình dự báo khó khăn tài chính 17

1.3.2 Mô hình phân tích hồi quy đơn biến 20

1.3.3 Mô hình phân tích biệt số 26

1.3.4 Mô hình Logit 30

1.3.5 Các mô hình trí tuệ nhân tạo 35

1.4 Nghiên cứu trong nước về dự báo khó khăn tài chính 41

1.5 Khoảng trống nghiên cứu 46

KẾT LUẬN CHƯƠNG 1 48

CHƯƠNG 2 PHƯƠNG PHÁP NGHIÊN CỨU 49

2.1 Phương pháp nghiên cứu 49

2.1.1 Mục tiêu nghiên cứu 49

2.1.2 Mô tả dấu hiệu khó khăn tài chính và phương pháp chọn mẫu 50

2.1.3 Phương pháp nghiên cứu 53

2.2.2 Chỉ định các biến trong mô hình phân tích biệt số 56

2.2.3 Phương pháp xử lý và phân tích dữ liệu 58

2.3 Thiết kế mô hình Logit 62

2.3.1 Giới thiệu về mô hình Logit 62

2.3.2 Chỉ định các biến trong mô hình Logit 62

2.3.3 Phương pháp xử lý và phân tích dữ liệu 63

2.4 Thiết kế mô hình máy hỗ trợ vector SVM 64

2.4.1 Giới thiệu về mô hình máy hỗ trợ vector SVM 64

2.4.2 Chỉ định các biến trong mô hình SVM 67

2.4.3 Phương pháp xử lý và phân tích dữ liệu 69

KẾT LUẬN CHƯƠNG 2 70

CHƯƠNG 3: KẾT QUẢ ÁP DỤNG CÁC MÔ HÌNH DỰ BÁO KHÓ KHĂN TÀI CHÍNH CHO CÁC CÔNG TY NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM 71

3.1 Kết quả thống kê mô tả các biến nghiên cứu 71

3.1.1 Mô tả về dữ liệu thu thập 71

3.1.2 Thống kê mô tả các biến nghiên cứu 73

3.2 Kết quả dự báo khó khăn tài chính của mô hình biệt số 74

3.2.1 Kết quả phân tích mô hình biệt số thứ nhất 74

3.2.2 Kết quả phân tích mô hình biệt số thứ hai 85

3.3 Kết quả dự báo khó khăn tài chính của mô hình Logit 98

3.3.1 Kết quả phân tích mô hình Logit tại thời điểm 1 năm trước dự báo 98

3.3.2 Kết quả phân tích mô hình Logit tại thời điểm 2 năm trước dự báo 100

3.3.3 Kết quả phân tích mô hình Logit tại thời điểm 3 năm trước dự báo 102

3.4 Kết quả dự báo khó khăn tài chính của mô hình máy hỗ trợ vector SVM 105 3.4.1 Dữ liệu huấn luyện và dữ liệu kiểm tra trong mô hình máy hỗ trợ vector SVM 105

3.4.2 Xây dựng mô hình huấn luyện 105

3.5.2 So sánh sai lầm trong dự báo của các mô hình 113

3.6 Sử dụng mô hình được lựa chọn để dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam 115

KẾT LUẬN CHƯƠNG 3 119

CHƯƠNG 4: KẾT LUẬN VÀ GỢI Ý CHÍNH SÁCH 120

4.1 Kết luận về các phát hiện của đề tài 120

4.1.1 Phát hiện của đề tài về các biến dự báo khó khăn tài chính 120

4.1.2 Phát hiện về khả năng dự báo và thời gian dự báo của các mô hình 122

4.1.3 Phát hiện về lựa chọn mô hình dự báo 123

4.2 Giải pháp phòng ngừa khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam 124

4.2.1 Sử dụng mô hình dự báo khó khăn tài chính để hoạch định chiến lược kinh doanh và quản trị tài chính doanh nghiệp 124

4.2.2 Đề xuất những biện pháp phòng ngừa khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam 126

4.3 Khuyến nghị chính sách đối với Sở giao dịch chứng khoán 129

4.3.1 Thiết lập mô hình cảnh báo sớm đối với các công ty niêm yết 129

4.3.2 Xây dựng bộ tiêu chuẩn đánh giá các chỉ số tài chính cho phân tích tài chính các công ty niêm yết 131

4.4 Khuyến nghị chính sách đối với Ủy ban chứng khoán Nhà nước 133

4.5 Hạn chế và hướng nghiên cứu mới 134

KẾT LUẬN 136

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA TÁC GIẢ 138

TÀI LIỆU THAM KHẢO 139 PHỤ LỤC

Bảng 1.2 Các phương pháp dự báo khó khăn tài chính 20

Bảng 1.3 Điểm phân biệt của các biến dự báo trong mô hình hồi quy đơn biến 23 Bảng 1.4 Các chỉ số dự báo trong mô hình của Lin và cộng sự (2011) 38

Bảng 1.5 Phân loại hệ số tín nhiệm S&P theo Z’’ có điều chỉnh 42

Bảng 1.6 Xếp hạng tín nhiệm và xác suất phá sản 43

Bảng 2.1 Giá cổ phiếu trung bình của các công ty trong mẫu (VND) 56

Bảng 2.2 Các biến dự báo trong mô hình 1 57

Bảng 2.3 Các biến dự báo của Mô hình Altman (1968) 58

Bảng 2.4 Các biến dự báo của Altman (1995) 58

Bảng 2.5 Các biến độc lập trong mô hình 3 63

Bảng 2.6 Các biến dự báo trong mô hình SVM (mô hình 4) 68

Bảng 3.1 Số lượng các công ty trong mẫu nghiên cứu 72

Bảng 3.2 Số lượng các công ty trong mẫu phân biệt và mẫu kiểm tra 73

Bảng 3.3 Kết quả tính toán hệ số Eigenvalues của mô hình 1 77

Bảng 3.4 Kết quả tính toán hệ số Wilks’ Lambda của mô hình 1 78

Bảng 3.5a Hệ số chuẩn hóa hàm phân biệt thứ nhất 1 năm trước dự báo 79

Bảng 3.5b Hệ số chuẩn hóa hàm phân biệt thứ nhất 2 năm trước dự báo 80

Bảng 3.5c Hệ số chuẩn hóa hàm phân biệt 3 năm trước dự báo 81

Bảng 3.6a Kết quả phân loại và dự báo của mô hình 1 thời điểm 1 năm trước dự báo 83 Bảng 3.6b Kết quả phân biệt và dự báo của mô hình 1 thời điểm 2 năm trước dự báo 83

Bảng 3.6c Kết quả phân biệt và dự báo của mô hình 1 thời điểm 3 năm trước dự báo 84

Bảng 3.7 So sánh sai lầm loại I và sai lầm loại II của mô hình 1 84

Bảng 3.8 Kết quả tính toán điểm phân biệt của mô hình 1 85

Bảng 3.9 Số lượng công ty trong mô hình biệt số thứ hai 86

Bảng 3.10 Kết quả tính toán hệ số Eigenvalues của mô hình Altman (1968) 89

Bảng 3.13 Kết quả tính toán hệ số Wilks’ Lambda của mô hình Altman (1995) 91

Bảng 3.14 Kết quả dự báo của mô hình Altman (1968) 1 năm trước dự báo 92

Bảng 3.15 Kết quả của mô hình Altman (1968) thời điểm 2 năm trước dự báo 92

Bảng 3.16 Kết quả dự báo của mô hình Altman (1968) 3 năm trước dự báo 93

Bảng 3.17 Kết quả dự báo của mô hình Altman (1995) 1 năm trước dự báo 93

Bảng 3.18 Kết quả dự báo của mô hình Altman (1995) 2 năm trước dự báo 94

Bảng 3.19. So sánh sai lầm loại I và sai lầm loại II của mô hình Altman (1968) 95

Bảng 3.20 So sánh sai lầm loại I và sai lầm loại II của mô hình Altman (1995) 95

Bảng 3.21 Kết quả tính toán điểm phân biệt mô hình Altman (1968) 96

Bảng 3.22 Kết quả tính toán điểm phân biệt mô hình Altman (1995) 96

Bảng 3.23 Hệ số chuẩn hóa hàm phân biệt của mô hình Altman (1968) 97

Bảng 3.24 Hệ số chuẩn hóa hàm phân biệt của mô hình Altman (1995) 97

Bảng 3.25a Kết quả kiểm định Omnibus của mô hình Logit 1 năm trước dự báo 99

Bảng 3.25b Kiểm định sự phù hợp của mô hình Logit 1 năm trước dự báo 99

Bảng 3.25c Các biến số trong mô hình Logit 1 năm trước dự báo 99

Bảng 3.25d Kết quả dự báo của mô hình Logit 1 năm trước dự báo 99

Bảng 3.26a Kết quả kiểm định Omnibus của mô hình Logit 2 năm trước dự báo 101 Bảng 3.26b Kiểm định sự phù hợp của mô hình Logit 2 năm trước dự báo 101

Bảng 3.26c Các biến số trong mô hình Logit 2 năm trước dự báo 101

Bảng 3.26d Kết quả phân tích và dự báo của mô hình Logit 2 năm trước dự báo 102 Bảng 3.27a Kết quả kiểm định Omnibus của mô hình Logit 3 năm trước dự báo 103 Bảng 3.27b Kiểm định sự phù hợp của mô hình Logit 3 năm trước dự báo 103

Bảng 3.27c Các biến số trong mô hình Logit 3 năm trước dự báo 104

Bảng 3.27d Kết quả phân tích và dự báo của mô hình Logit 3 năm trước dự báo 104 Bảng 3.28 Kết quả phân tích lưới 110

Bảng 3.29 Kết quả dự báo của mô hình 4 111

Bảng 3.30 Thống kê tỷ lệ mắc sai lầm của mô hình SVM 111

Bảng 3.33 So sánh sai lầm loại II của các mô hình dự báo khó khăn tài chính 114

Bảng 3.34 Các biến dự báo của công ty ABC 115 Bảng 3.35 Kết quả dự báo khó khăn tài chính cho công ty ABC 1 năm trước dự báo 116

Bảng 3.36 Kết quả dự báo khó khăn tài chính cho công ty ABC 2 năm

trước dự báo 117

Bảng 3.37 Kết quả dự báo khó khăn tài chính cho công ty ABC 3 năm trước

dự báo 118

Hình

Hình 1.1 Mô tả về khó khăn tài chính ở khía cạnh tài sản 8

Hình 1.2 Mô tả về khó khăn tài chính ở khía cạnh dòng tiền 9

Hình 2.1 Siêu phẳng không có khoảng cách biên cực đại 65

Hình 2.2 Siêu phẳng có khoảng cách biên cực đại 65

Hình 3.1 Kết quả phân tích lưới cho mô hình SVM 1 năm trước dự báo 108

Hình 3.2 Kết quả phân tích lưới cho mô hình SVM 2 năm trước dự báo 109

Hình 3.3 Kết quả phân tích lưới cho mô hình SVM 3 năm trước dự báo 109

Sơ đồ Sơ đồ 1.1 Mô hình mạng nơron nhân tạo 36

Sơ đồ 2.1 Các bước tiến hành phân tích biệt số 59

là sự ổn định của thị trường tài chính và nền kinh tế vĩ mô Cụ thể là, các nhà đầu tư nắm giữ cổ phiếu và trái phiếu của công ty sẽ ít có khả năng nhận được cổ tức hay thu hồi được cả lãi và gốc khi đến hạn Không những vậy, rủi ro đối với những đối tượng này lại càng tăng khi công ty đó sẽ có xu hướng đầu tư vào các dự án mạo hiểm nhằm cải thiện tình hình tài chính Đối với những người quản lý công ty, việc lâm vào tình trạng khó khăn về tài chính là một thử thách rất lớn và nếu không có được các phương

án hợp lý, công ty có thể sẽ mất hoàn toàn khả năng thanh toán và cuối cùng là phá sản Tình trạng khó khăn về tài chính cũng làm mất lòng tin của các nhà đầu tư vào thị trường tài chính và làm tăng chi phí huy động vốn

Xuất phát từ những hệ lụy do khó khăn tài chính của công ty mang lại, việc

dự báo tình trạng này từ những thông tin trong quá khứ và hiện tại là việc làm cần thiết giúp chủ doanh nghiệp có được những căn cứ để cải thiện tình hình tài chính một cách hiệu quả, giúp các nhà đầu tư có cơ sở để điều chỉnh danh mục đầu tư của mình Việc tồn tại một mô hình dự báo đáng tin cậy cũng giúp các nhà quản lý doanh nghiệp thận trọng hơn trong các chiến lược kinh doanh nhằm hạn chế các rủi

ro tài chính Thị trường tài chính cũng từ đó phát triển lành mạnh và sôi động hơn

Việc nghiên cứu các phương pháp để dự báo khả năng lâm vào tình trạng khó khăn tài chính của các công ty đại chúng là một đề tài rất có ý nghĩa và đã thu hút được rất nhiều sự quan tâm của các học giả trên thế giới trong vài thập kỷ vừa qua Một số mô hình dự báo đã được xây dựng và áp dụng trên dữ liệu của các công

ty hoạt động trong các nhóm ngành khác nhau ở các thị trường của các nước phát

triển và đang phát triển trên toàn thế giới Các mô hình này hầu hết sử dụng các dữ liệu không chỉ thu thập từ báo cáo tài chính mà còn từ các thông tin khác như là các biến độc lập trong dự báo Kỹ thuật dự báo cũng phát triển từ các mô hình truyền thống như mô hình biệt số Z-score cho đến các mô hình Logit/Probit hay mô hình trí tuệ nhân tạo (Artificial Inteligent) Tuy nhiên, kết quả dự báo của các mô hình này được đánh giá là đáng tin cậy và chính xác nhưng không đồng nhất trong các bối cảnh khác nhau Bên cạnh đó, quan điểm về khó khăn tài chính cũng không đồng nhất trong các nghiên cứu và trong nhiều trường hợp có thể làm cho người quan tâm gặp phải khó khăn trong việc áp dụng và làm giảm sự phổ biến của kết quả nghiên cứu

Tại Việt Nam, thuật ngữ khó khăn tài chính chưa được định nghĩa một cách trực tiếp chưa nói đến việc xây dựng mô hình dự báo tương ứng Khó khăn tài chính mới được nhận diện ở khía cạnh như rủi ro tín dụng hay phá sản doanh nghiệp Đối với các công ty niêm yết trên thị trường chứng khoán, mô hình dự báo khó khăn tài chính càng chưa được chú ý xây dựng và vận dụng Như vậy, đã đến lúc cần phải định nghĩa rõ ràng về tình trạng khó khăn tài chính tại Việt Nam và xây dựng mô hình dự báo thích hợp cho các công ty niêm yết

Trong điều kiện thiếu hụt các nghiên cứu trong nước còn các nghiên cứu đã thực hiện trên thế giới mặc dù rất đa dạng về phương pháp lại đưa ra các kết quả không đồng nhất, nghiên cứu này được tiến hành nhằm lựa chọn một mô hình dự báo phù hợp cho các công ty niêm yết Việt Nam Việc nghiên cứu được thực hiện trên cơ

sở các cách tiếp cận đã có với các biến dự báo là chỉ số tài chính, thông tin thị trường

và chỉ số kinh tế vĩ mô trong giai đoạn 2008-2015 cho các công ty niêm yết trên Sở giao dịch chứng khoán Hà Nội và Sở giao dịch chứng khoán TP Hồ Chí Minh Từ kết quả so sánh mức độ chính xác trong dự báo giữa các mô hình phân tích biệt số, mô hình Logit và mô hình máy hỗ trợ vector SVM, một mô hình dự báo thích hợp sẽ được

đề xuất dùng để dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

2 Mục tiêu nghiên cứu

Nghiên cứu được tiến hành với mục tiêu tổng quát là lựa chọn được mô hình

dự báo khó khăn tài chính phù hợp cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

Các mục tiêu cụ thể cũng được xây dựng, đó là:

- Làm rõ cơ sở lý luận về khó khăn tài chính và dự báo khó khăn tài chính

- Lựa chọn mô hình phân tích biệt số, mô hình Logit hay mô hình máy hỗ trợ vector SVM để dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

- Xác định thời gian thích hợp để dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

3 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu

Đối tượng nghiên cứu là lý luận và thực tiễn về khó khăn tài chính và dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

Phạm vi nghiên cứu

- Không gian nghiên cứu: 140 công ty gặp khó khăn tài chính và 140 công ty không gặp khó khăn tài chính, tổng cộng là 280 công ty niêm yết trên hai Sở giao dịch chứng khoán Hà Nội và thành phố Hồ Chí Minh

- Thời gian nghiên cứu: Từ 2008 đến 2015

Mục tiêu nghiên cứu được cụ thể hóa bằng các câu hỏi nghiên cứu như sau:

1 Thế nào là khó khăn tài chính? Biểu hiện của khó khăn tài chính và các chỉ tiêu đánh giá khó khăn tài chính là gì?

2 Dự báo khó khăn tài chính là gì? Các mô hình nào được áp dụng để dự báo khó khăn tài chính, ưu, nhược điểm và điều kiện áp dụng của từng mô hình?

4 Kết quả các áp dụng các mô hình dự báo khó khăn tài chính cho các công

ty niêm yết trên thị trường chứng khoán Việt Nam là như thế nào?

5 Mô hình thích hợp nhất nào được lựa chọn để dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường tài chính Việt Nam và tại sao?

6 Thời gian dự báo thích hợp cho các công ty niêm yết trên thị trường chứng khoán Việt Nam là bao nhiêu năm?

4 Phương pháp nghiên cứu

Luận án sử dụng hai phương pháp chính để trả lời các câu hỏi nghiên cứu là phương pháp phân tích định tính và phương pháp định lượng

Phương pháp định tính: thống kê mô tả, phân tích và đánh giá

Phương pháp định lượng: tác giả thiết kế và áp dụng 4 mô hình dự báo nhằm mục đích so sánh để tìm ra mô hình tốt nhất cho đối tượng nghiên cứu Trong mỗi

mô hình này, biến khó khăn tài chính được mô tả bởi tình trạng bị hủy niêm yết bắt buộc của công ty

- Mô hình 1 là mô hình phân tích biệt số với các biến số bao gồm các chỉ

số tính toán từ báo cáo tài chính của công ty, các chỉ số kinh tế vĩ mô và các chỉ

số mô tả sự biến động của thị trường, kế thừa kết quả nghiên cứu của Lin và cộng sự (2014) và có điều chỉnh với bối cảnh nghiên cứu mới

- Mô hình 2 là mô hình phân tích biệt số với các biến dự báo như trong mô hình của Altman (1968,1995)

- Mô hình 3 là mô hình phân tích Logit

- Mô hình 4 là mô hình máy hỗ trợ vector SVM với các biến dự báo như trong nghiên cứu của Lin và cộng sự (2014) có điều chỉnh

Từng mô hình sẽ được đánh giá về tính phù hợp và độ tin cậy từ đó xác định được khả năng dự báo Kết quả so sánh các mô hình sẽ giúp tìm ra một mô hình dự báo phù hợp cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

5 Đóng góp và kết quả mong đợi của luận án

Xuất phát từ những khoảng trống tri thức, nghiên cứu này mong muốn có những đóng góp cả về lý thuyết và thực tiễn như sau:

Đóng góp về mặt lý thuyết

Mặc dù các lý thuyết về khó khăn tài chính không còn mới trên thế giới nhưng việc bàn luận về khái niệm này cũng như các biểu hiện của nó còn thiếu hụt tại Việt Nam Vì vậy, nghiên cứu này mong muốn có được cái nhìn nhiều chiều về khó khăn tài chính cũng như cách tiếp cận khái niệm này một cách cụ thể Bên cạnh

đó, nghiên cứu cũng chỉ rõ được mối quan hệ giữa tình trạng khó khăn tài chính của doanh nghiệp với các yếu tố khác nằm ngoài khả năng kiểm soát của doanh nghiệp

Đóng góp về mặt thực tiễn

Với mục tiêu nghiên cứu đã xây dựng, kết quả nghiên cứu sẽ giúp các nhà quản lý doanh nghiệp có thể nắm bắt tốt hơn “sức khỏe” tài chính của bản thân doanh nghiệp và có những điều chỉnh cần thiết trong chiến lược kinh doanh và quản trị tài chính của mình Bên cạnh đó, các cơ quan quản lý như Sở giao dịch chứng khoán, Ủy ban chứng khoán Nhà nước có thể sử dụng mô hình để thiết lập mô hình cảnh báo sớm cho các công ty niêm yết và xây dựng các quy định nhằm củng cố vai trò quản lý, giám sát và phát triển bền vững thị trường chứng khoán Việt Nam

6 Kết cấu của luận án

Luận án được thiết kế bao gồm 4 chương như sau:

Chương 1: Cơ sở lý thuyết và các mô hình dự báo khó khăn tài chính doanh nghiệp

Chương 2: Phương pháp nghiên cứu

Chương 3: Kết quả áp dụng các mô hình dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Việt Nam

Chương 4 Kết luận và gợi ý chính sách

CHƯƠNG 1

CƠ SỞ LÝ THUYẾT VÀ CÁC MÔ HÌNH DỰ BÁO KHÓ KHĂN TÀI CHÍNH DOANH NGHIỆP

1.1 Cơ sở lý thuyết về dự báo khó khăn tài chính

1.1.1 Khái niệm khó khăn tài chính

Khó khăn tài chính (financial distress) và các vấn đề liên quan đến tình trạng này của doanh nghiệp là mối quan tâm không ngừng của các học giả trên toàn thế giới trong suốt các thập kỷ qua (Hua và cộng sự, 2007; Ohlson, 1980; Tam & Kiang, 1992) Có thể thấy rằng, các quan điểm về khó khăn tài chính không hoàn toàn đồng nhất và luôn được phát triển, hoàn thiện gắn với quá trình nghiên cứu lý thuyết và thực tiễn về chủ đề này

Theo từ điển Oxford, thuật ngữ khó khăn (distress) được định nghĩa là tình trạng “thiếu tiền và khốn khó” Gordon (1971) trong nghiên cứu đầu tiên liên quan đến lý thuyết về khó khăn tài chính đã cho rằng: khó khăn tài chính là tình trạng xảy

ra khi khả năng sinh lời của doanh nghiệp giảm sút dẫn đến không hoàn trả được các khoản nợ gốc và lãi

Theo quan điểm của các nhà kinh tế học cổ điển, khó khăn tài chính là tình trạng mà doanh nghiệp thiếu tiền để trả các khoản nợ hay cổ tức ưu đãi mà hậu quả là phải vay tiền ngân hàng, bán tài sản công ty hay tệ nhất là đứng trên bờ vực phá sản Beaver (1966), Carminchael (1972) đã phát biểu rằng khó khăn tài chính xảy ra khi doanh nghiệp thiếu hụt các tài sản có tính thanh khoản cao như tiền mặt, tiền gửi ngân hàng hay các tài sản tài chính ngắn hạn Liên quan đến việc thiếu hụt các dòng tiền, Witaker (1999) và Wruck (1990) cho rằng khó khăn tài chính xảy ra khi lưu chuyển tiền thuần của doanh nghiệp thấp hơn chi phí trả lãi dài hạn của doanh nghiệp

Như vậy, khái niệm của các nhà kinh tế học cổ điển về khó khăn tài chính nhấn mạnh đến sự thiếu hụt về tiền mặt hay các tài sản có tính thanh khoản cao để

trang trải cho các khoản nợ của doanh nghiệp Tuy vậy, khái niệm này không hoàn toàn được ủng hộ bởi các nhà nghiên cứu khác Doumpos and Zopounidis (1999), trong nghiên cứu của mình đã phát biểu rằng khó khăn tài chính không chỉ liên quan đến sự thất bại trong việc trả các khoản nợ mà còn bao gồm tình trạng âm tài sản ròng, khi số nợ vượt quá giá trị tài sản doanh nghiệp

Altman (1993), trong cuốn sách của mình, đã chỉ ra rằng phá sản doanh nghiệp được coi là một biểu hiện “pháp lý” hay là biểu hiện chính thức của khó khăn tài chính bởi vì một doanh nghiệp chỉ tuyên bố phá sản khi doanh nghiệp

đó lâm vào tình trạng khó khăn tài chính Nói cách khác, khó khăn tài chính chính là phá sản doanh nghiệp Tuy vậy, quan điểm của Altman (1993) vấp phải một thực tế là một số doanh nghiệp gặp khó khăn tài chính lại không bao giờ phá sản trong khi có các doanh nghiệp có tình hình tài chính lành mạnh lại nộp đơn xin phá sản để trốn thuế hoặc tránh các chi phí liên quan đến các vụ kiện tụng đắt đỏ (Theodossiou và cộng sự, 1996)

Trong một nghiên cứu khác, Dimitras, Zanakis, & Zopounidis (1996) đồng nhất khó khăn tài chính với “thất bại” trong kinh doanh khi mà công ty không thể thực hiện được các khoản thanh toán cho các chủ nợ, cổ đông ưu đãi hay các nhà cung cấp và dẫn đến kết quả công ty bị dừng hoạt động Tuy nhiên, do chưa có một định nghĩa thống nhất về “thất bại” nên quan điểm này gặp phải sự phản bác của các nhà nghiên cứu khác như Altman (1993) và Weston và cộng sự (1992)

Altman (1993) cho rằng “thất bại” kinh doanh nghĩa là tình trạng mà tỷ suất lợi nhuận trên vốn đầu tư của doanh nghiệp thấp hơn rất nhiều so với tỷ suất lợi nhuận của các dự án tương tự Chính vì vậy, “thất bại” kinh doanh của một doanh nghiệp không đồng nghĩa với việc doanh nghiệp đó phải ngừng hoạt động Weston

và cộng sự (1992) cũng cho rằng “thất bại” gắn với tình trạng doanh nghiệp không còn cơ hội để có để thành công trong kinh doanh, khi mà tỷ suất lợi nhuận thấp hơn chi phí vốn Vì thế “thất bại” không thể gắn với tình trạng ngừng hoạt động của doanh nghiệp như Dimitras, Zanakis, & Zopounidis (1996) đã phát biểu

Năm 2002, Ross, Westerfield &Jaffe (2002) định nghĩa khó khăn tài chính là tình trạng mà dòng lưu chuyển tiền tệ thuần từ hoạt động kinh doanh không đủ để trang trải các nghĩa vụ nợ hiện tại và công ty buộc phải thực hiện các hành động cần thiết để cứu vãn tình thế Khác với các nhà kinh tế cổ điển trước đó, tác giả đã mô hình hóa khái niệm này trên cả hai khía cạnh: tài sản và dòng tiền (hình 1.1) và đưa ra các cách giải quyết cho doanh nghiệp mà không nhất thiết doanh nghiệp phải phá sản hay ngừng hoạt động

Ở khía cạnh tài sản, sự mất khả năng thanh toán thể hiện ở việc giá trị tài sản của doanh nghiệp thấp hơn giá trị các khoản nợ phải trả (negative net worth) Như thể hiện trên hình 1.1, tổng tài sản của doanh nghiệp của một doanh nghiệp

có khả năng thanh toán tốt sẽ bằng nợ phải trả cộng với vốn chủ sở hữu Tuy nhiên, đối với các doanh nghiệp gặp khó khăn về thanh toán, tổng tài sản nhỏ hơn giá trị các khoản nợ phải trả, nghĩa là các doanh nghiệp này có vốn chủ sở hữu âm Về khía cạnh dòng tiền, một doanh nghiệp mất khả năng thanh toán khi dòng tiền ròng từ hoạt động kinh doanh thông thường không đủ để trang trải cho các khoản nợ hiện tại

A Khía cạnh tài sản

Hình 1.1 Mô tả về khó khăn tài chính ở khía cạnh tài sản

Nguồn: Ross, Westerfield & Jaffe (2002)

DN có khả năng thanh toán tốt DN mất khả năng thanh toán

Tài

sản

Tài sản

B Khía cạnh dòng tiền

Hình 1.2 Mô tả về khó khăn tài chính ở khía cạnh dòng tiền

Nguồn: Ross, Westerfield & Jaffe (2002)

Khi gặp khó khăn tài chính, các công ty có thể giải quyết bằng các cách như:

1 Bán một số tài sản chính

2 Sáp nhập với công ty khác

3 Cắt giảm vốn đầu tư vào các hoạt động nghiên cứu và phát triển

4 Phát hành thêm chứng khoán mới

5 Điều đình với ngân hàng và các chủ nợ

6 Chuyển nợ sang vốn chủ sở hữu

7 Làm thủ tục xin phá sản

Cách giải quyết số 1,2 và 3 liên quan đến phía tài sản của doanh nghiệp trên bảng cân đối kế toán còn cách số 4,5,6, 7 liên quan đến bên nguồn vốn của bảng cân đối kế toán và là một ví dụ của việc cấu trúc lại cơ cấu vốn doanh nghiệp Như vậy khó khăn tài chính sẽ dẫn đến việc tái cấu trúc cả bên tài sản lẫn bên nguồn vốn của doanh nghiệp Việc tái cấu trúc này không phải lúc nào cũng dẫn đến chấm dứt hoạt động hay phá sản doanh nghiệp

Mất khả năng thanh toán

Thiếu hụt tiền mặt

Nghĩa vụ thanh

Dòng tiền ròng của DN

$

Việc xem xét các nghiên cứu trước đó cho thấy quan niệm về khó khăn tài chính của doanh nghiệp được thể hiện rất đa dạng, phong phú và khó khăn tài chính không hoàn toàn dẫn đến phá sản hay đóng cửa doanh nghiệp Tuy vậy, các quan điểm đó hoàn toàn có thể được tổng hợp và hình thành nên một khái niệm khó khăn

tài chính doanh nghiệp thống nhất, đó là tình trạng doanh nghiệp gặp thất bại trong

kinh doanh nên thiếu hụt các tài sản như tiền mặt và các tài sản khác dẫn đến nguy

cơ không thể thực hiện được các nghĩa vụ thanh toán của mình, mà xấu nhất là doanh nghiệp buộc phải đóng cửa hoặc bắt buộc phá sản theo yêu cầu của các chủ

nợ Khái niệm khó khăn tài chính này đã bao trùm hầu hết các biểu hiện của khó khăn tài chính nên sẽ được sử dụng xuyên suốt quá trình nghiên cứu của luận án

1.1.2 Dấu hiệu khó khăn tài chính của các công ty niêm yết trên thị trường chứng khoán

Như đã đề cập ở phần trên, tình trạng khó khăn tài chính của doanh nghiệp thường được gắn với các biểu hiện khác nhau Trong các nghiên cứu về khó khăn tài chính của các công ty niêm yết trên thị trường chứng khoán, tình trạng khó khăn tài chính của các công ty thường được nhận biết bằng hai dấu hiệu: “thất bại” (công

ty gặp thất bại trong việc thực hiện các dự án kinh doanh của mình và có thể dẫn đến phải dừng hoạt động) hoặc phá sản (công ty mất khả năng thanh toán và bị tòa

án ra quyết định phá sản)

1.1.2.1 Khó khăn tài chính biểu hiện bằng dấu hiệu phá sản

Cách nhận dạng khó khăn tài chính thứ nhất cho các công ty niêm yết trên thị trường chứng khoán là sử dụng dấu hiệu phá sản và dấu hiệu này đã được đề cập trong rất nhiều các nghiên cứu về dự báo khó khăn tài chính ở các bối cảnh khác nhau (Altman, 1968, 1983, 1995; Lennox, 1999; Shumway, 2001; Brabazon & Keenan, 2004; Figlewski, Frydman & Liang, 2012; Agarwal & Taffler, 2008; Hillegeist và cộng sự, 2004, Reisz & Perlich, 2007; Campbell, Hilscher & Szilagyi, 2008) Một số nghiên cứu tiêu biểu khác sử dụng dấu hiệu phá sản là nghiên cứu của Norton & Smith (1979), Zhou và cộng sự (2012) khi tiến hành dự báo khó khăn tài chính của các công ty niêm yết tại Hoa Kỳ hay nghiên cứu của Bharath, & Shumway (2008), Shahedi và cộng sự (2014), Lin và cộng sự (2014) đối với các công ty trên thị trường chứng khoán Tehran, Iran và Đài Loan

Thuật ngữ “phá sản” xuất phát từ tiếng Latin có nghĩa là sự đổ vỡ trong kinh doanh (Beraho, 2010) Trước đây, phá sản được sử dụng rộng rãi như là một biện pháp mang tính cưỡng chế nhưng ngày nay phá sản được coi như là một hành động cần thiết để cấu trúc lại doanh nghiệp Doanh nghiệp lâm vào tình trạng phá sản khi doanh nghiệp bị các chủ nợ yêu cầu phải phá sản hoặc có thể là hành động tự nguyện của doanh nghiệp khi doanh nghiệp gặp một số vấn đề nào đó và quyết định

đệ đơn xin phá sản Dấu hiệu phá sản đã được sử dụng rất phổ biến vì nó có thể giúp việc thu thập đầy đủ các dữ liệu trong mẫu nghiên cứu được thực hiện dễ dàng hơn cho dù một số nhà nghiên cứu cũng phải thừa nhận rằng các công ty bị phá sản thường rất chậm trễ trong việc công bố thông tin tài chính (Zhou và cộng sự, 2012)

Bàn luận thêm về biểu hiện phá sản, Ward (2007) chỉ ra rằng đây là sai lầm phổ biến trong các nghiên cứu để dự báo khó khăn tài chính Ông lý giải rằng biểu hiện phá sản không thể phản ánh được bản chất của tình trạng khó khăn tài chính và chỉ là sự thể hiện giản đơn về một mức độ khó khăn tài chính nhất định Có thể thấy rằng, doanh nghiệp không bị phá sản nhưng vẫn có thể đang trong tình trạng khó khăn tài chính ở một mức độ nào đó và mức độ khó khăn này thay đổi và thậm chí

có thể xấu đi từng ngày Đồng ý với Ward (2007), Tinoco và Wilson (2013) cũng khẳng định khó khăn tài chính cũng chưa chắc dẫn đến phá sản còn phá sản cũng chưa chắc bắt nguồn từ khó khăn tài chính Ward (2007) cũng cho rằng phá sản chỉ

là dấu hiệu mang tính pháp lý chứ không phải dấu hiệu mang tính kinh tế phản ánh thực trạng tài chính của doanh nghiệp Mặc dù doanh nghiệp có thể chấm dứt hoạt động sau khi lâm vào tình trạng phá sản nhưng trong các luật phá sản hiện đại, các doanh nghiệp được tạo điều kiện được bảo vệ trước những yêu cầu của chủ nợ để có thể tái cơ cấu và duy trì hoạt động của mình

1.1.2.2 Khó khăn tài chính biểu hiện bằng thất bại trong kinh doanh

Ngoài việc sử dụng dấu hiệu phá sản, tình trạng khó khăn tài chính của các công ty niêm yết trên thị trường chứng khoán còn được nhận biết dấu hiệu thất bại trong kinh doanh (Orr, 2003; Bose, 2006, Altman và cộng sự, 2007; Bailey và cộng

sự, 2011; Huang, & Yang, Z (2011), Dairui, & Jia, 2009, Zhou và cộng sự ,2012)

Dấu hiệu thất bại trong kinh doanh có thể biểu hiện bằng sự sụt giảm của giá cổ phiếu của công ty hoặc khi công ty không thể đáp ứng được các quy định về kết quả kinh doanh của thị trường chứng khoán tại quốc gia mà công ty đang hoạt động

Bose (2006) trong nghiên cứu của mình đã nhận biết khó khăn tài chính của công ty niêm yết khi giá cổ phiếu công ty xuống thấp hơn 10 cents hay khi giá trị sổ sách của cổ phiếu thấp hơn 5 đô la Đài Loan (Lin và cộng sự, 2014) Shahedi, Sharifabadi, & Moeinadin (2014) coi các các công ty niêm gặp khó khăn tài chính khi số lỗ lũy kế của các công ty này nhiều hơn 50% số vốn điều lệ, chiếu theo quy định của số 141 của Ủy ban chứng khoán Iran

Một số nghiên cứu về khó khăn tài chính đối với các công ty niêm yết trên thị trường chứng khoán Trung Quốc cho rằng một công ty niêm yết sẽ được cho là rơi vào tình trạng khó khăn tài chính nếu như công ty đó nằm trong danh sách các công ty chịu sự kiểm soát đặc biệt (Special Treament - ST) của Ủy ban chứng khoán Trung Quốc Chẳng hạn, công ty gặp khó khăn tài chính khi công ty lỗ liên tục trong hai năm (Ding và cộng sự, 2008) Zhou và cộng sự (2012) trong nghiên cứu

về dự báo khó khăn tài chính đối với các công ty niêm yết trên thị trường chứng khoán Trung Quốc cũng sử dụng các quy định “Kiểm soát đặc biệt” (Special Treament - ST) của Ủy ban chứng khoán Trung Quốc để nhận dạng các công ty gặp khó khăn tài chính Theo đó, một công ty chịu tình trạng đối xử đặc biệt khi:

(1) Công ty báo lỗ trong hai năm liên tiếp

(2) Vốn chủ sở hữu của các cổ đông thấp hơn vốn điều lệ theo báo cáo của kiểm toán viên

(3) Kiểm toán viên không thể đưa ra ý kiến hoặc buộc phải đưa ra ý kiến trái ngược về báo cáo tài chính của công ty

Từ tiêu chí này, Zhou và cộng sự (2012) đã lựa chọn được 290 công ty gặp khó khăn tài chính, là các công ty trong danh sách chịu sự kiểm soát đặc biệt – ST

do thị trường chứng khoán công bố, và 290 công ty không nằm trong danh sách này,

là những công ty được coi không gặp khó khăn tài chính Tương tự Zhou và cộng sự (2012), các nghiên cứu sau này được tiến hành cũng sử dụng tiêu chí “kiểm soát đặc

biệt” của thị trường để làm dấu hiệu nhận biết khó khăn tài chính của các công ty niêm yết trên thị trường chứng khoán như nghiên cứu của Wang & Deng (2006) hay Wang & Li (2007)

Trong nghiên cứu của mình, Bhattacharjee và Han (2014) lại đưa ra lý giải

về việc không sử dụng tiêu chí ST như Zhou và cộng sự (2012), do tiêu chí này chỉ

áp dụng cho các công ty loại A trên thị trường chứng khoán chứ không thể áp dụng cho toàn bộ các công ty hoạt động trên thị trường Vì thế, Bhattacharjee và Han (2014) sử dụng ba tiêu chí để nhận biết khó khăn tài chính của các công ty niêm yết tại Trung Quốc Các tiêu chí này bao gồm:

(1) Hệ số thanh toán lãi vay nhỏ hơn 0,7 trong hai năm liên tiếp

(2) Sự suy giảm tài sản cố định trong hai năm liếp

(3) Sự suy giảm vốn cổ phần trong hai năm liên tiếp

Uğurlu và Aksoy (2006) trong nghiên cứu về khó khăn tài chính đối với các công ty niêm yết trên thị trường chứng khoán Thổ Nhĩ Kỳ đã sử dụng quy định về niêm yết chứng khoán quy định tại điều 324 của Luật thương mại Thổ Nhĩ Kỳ làm dấu hiệu nhận biết khó khăn tài chính Theo đó, một công ty được coi là gặp khó khăn tài chính khi công ty đó bị yêu cầu đình chỉ niêm yết tạm thời hoặc bị hủy niêm yết theo quy định của điều 324, khi mà công ty đó:

(1) Có khoản lỗ lũy kế vượt quá vốn chủ sở hữu

(1) Công ty có ít nhất 25% vốn cổ phần bị mất

(2) Công ty phải chấm dứt hoạt động của chi nhánh chiếm 50% tài sản

(3) Kiểm toán viên đưa ra nhận xét “trái ngược” về báo cáo của công ty (4) Công ty tạm dừng hoạt động kinh doanh chính của mình

Theo đó, một công ty được coi là gặp khó khăn tài chính sẽ bị Ủy ban Chứng khoán Malaysia buộc phải có bản giải trình về kế hoạch hoạt động của công ty nếu không muốn bị hủy niêm yết

Trong trường hợp không tồn tại các yêu cầu về kết quả kinh doanh, dấu hiệu khó khăn tài chính do thất bại trong kinh doanh có thể do các nhà nghiên cứu tự tổng kết, đề xuất Chẳng hạn, Pindado và cộng sự (2008), Tinoco, Nick Wilson (2013) nhận biết công ty gặp khó khăn tài chính dựa vào hai điều kiện:

(1) Thu nhập trước thuế, lãi vay và khấu hao (EBITDA) thấp hơn chi phí tài chính trong hai năm liên tiếp

(2) Công ty bị giảm giá trị thị trường trong hai năm liên tiếp

Như vậy, có thể thấy rằng dấu hiệu khó khăn tài chính dù có một số đặc điểm chung nhưng được thể hiện rất đa dạng trong các nghiên cứu dự báo khó khăn tài chính cho các công ty niêm yết trên thị trường chứng khoán Khi sử dụng một trong các dấu hiệu này, các nhà nghiên cứu đều có những lý lẽ riêng cho sự lựa chọn của mình bởi lẽ không có một biểu hiện khó khăn tài chính duy nhất nhận được sự ủng

hộ của tất cả các học giả quan tâm đến dự báo khó khăn tài chính Việc lựa chọn biểu hiện nào cho khó khăn tài chính hoàn toàn phụ thuộc vào mục tiêu nghiên cứu, bối cảnh nghiên cứu và dữ liệu nghiên cứu có thể thu thập được một cách hợp lý

1.2 Khái niệm dự báo khó khăn tài chính doanh nghiệp

Dự báo khó khăn tài chính đã là một đề tài nghiên cứu và chưa hề giảm sức hút của nó với các học giả trong suốt 80 năm qua dù rằng và các mô hình dự báo chính thức đã được xây dựng từ những năm 1960s (Martin, 1977; Wanke, Barros, & Faria, 2014) Khái niệm dự báo khó khăn tài chính gắn liền với thuật ngữ cảnh báo

sớm (early warning) được hiểu là hoạt động nhận biết tình trạng khó khăn tài chính

của một chủ thể trong tương lai từ các chỉ báo trong hiện tại Mô hình dự báo khó khăn tài chính là mô hình sử dụng các quan sát của doanh nghiệp ở hiện tại để dự báo tình trạng khó khăn tài chính doanh nghiệp trong tương lai

Về mặt lý thuyết, việc dự báo khả năng lâm vào tình trạng khó khăn tài chính của một doanh nghiệp hoàn toàn có thể thực hiện được xuất phát từ quan điểm tình trạng khó khăn tài chính là kết quả của một quá trình kể từ khi doanh nghiệp gặp một khó khăn nào đó cho đến lúc mất hoàn toàn khả năng thanh toán của mình Nói cách khác, khó khăn tài chính có thể là kết quả của cả một quá trình kinh doanh không hiệu quả trong một thời gian nhất định (Sun và cộng sự, 2014) Từ đó, lập luận này cho thấy rằng, việc lâm vào tình trạng khó khăn tài chính của một doanh nghiệp có thể dự đoán được dựa vào thực trạng tài chính, kinh doanh của chính nó trong giai đoạn trước đó Whitaker (1999) cũng cho rằng, khả năng gặp khó khăn tài chính của doanh nghiệp có thể được phát hiện trước khi doanh nghiệp lâm vào tình trạng này vì giá trị doanh nghiệp chắc chắn sẽ bị giảm sút một phần trước đó

Cơ sở cho việc dự báo khó khăn tài chính là việc phân tích mối quan hệ giữa khó khăn tài chính của doanh nghiệp với các chỉ số tài chính được thể hiện trên báo cáo liên quan đến doanh nghiệp Lý luận này lần đầu tiên được đưa ra bởi Fitzpatrick (1934) và được hoàn thiện trong các nghiên cứu sau đó của Altman (1968, 1983, 1993)

Fitzpatrick (1934) được coi là người đầu tiên đưa ra ý tưởng về quá trình dẫn đến khó khăn tài chính của một doanh nghiệp Ông cho rằng, có 5 giai đoạn liên quan đến tình trạng này: (1) giai đoạn ủ bệnh (incubation); (2) giai đoạn xung đột về tài chính; (3) giai đoạn mất khả năng thanh toán một phần; (4) giai đoạn mất khả năng thanh toán toàn phần; (5) giai đoạn tuyên bố mất khả năng thanh toán

Trong giai đoạn thứ nhất, một số khó khăn về tài chính của doanh nghiệp xuất hiện và những khó khăn này chưa được bộc lộ rõ ràng Ở giai đoạn thứ hai, các nhà quản trị của doanh nghiệp bắt đầu thấy được những dấu hiệu của những khó khăn tài chính này và tìm cách để khắc phục Nếu tình trạng này không được giải quyết thì những khó khăn về tài chính hay về khả năng thanh toán sẽ ngày càng tăng Trong giai đoạn này, tổng tài sản của doanh nghiệp vẫn lớn hơn tổng các khoản nợ phải trả dù rằng các tài sản đó không đủ khả năng thanh khoản để có thể trả nợ được Để đối phó với tình trạng này, doanh nghiệp có thể áp dụng những biện

pháp như vay thêm tiền để trang trải khoản nợ hoặc tìm cách để hoãn nợ Nếu các vấn đề khó khăn này không được giảm bớt thì doanh nghiệp sẽ phải gánh chịu giai đoạn khó khăn thứ ba, mất khả thanh toán một phần, khi mà doanh nghiệp không có

đủ khả năng thanh toán tất cả các nghĩa vụ nợ Ở giai đoạn này, tất nhiên, các nhà quản trị tài chính hoàn toàn có thể có các biện pháp để giải quyết Tuy nhiên, việc giải quyết không phải có kết quả một sớm một chiều Một số doanh nghiệp có thể giải quyết thành công và tiếp tục phát triển trong khi các doanh nghiệp thất bại trong các chính sách của mình thì tình hình tài chính sẽ ngày càng xấu đi và chuyển sang giai đoạn tiếp theo

Trong giai đoạn thứ bốn, tổng các khoản nợ của công ty vượt quá tổng tài sản Đây là giai đoạn mà các chủ nợ hay các nhà đầu tư trước kia chưa hề biết về các khó khăn về tài chính của doanh nghiệp thì nay có thể nhận ra được điều này Chính vì thế, doanh nghiệp không thể tránh được việc thừa nhận những thất bại tài chính của mình Các chủ nợ có thể sẽ yêu cầu tái cơ cấu nợ hoặc thôn tính lại doanh nghiệp Doanh nghiệp cũng có thể thực hiện những biện pháp cuối cùng để cứu vãn tình thế nhưng nếu các biện pháp này thất bại thì doanh nghiệp phải chính thức xác nhận mất khả năng thanh toán ở giai đoạn thứ năm Cũng theo Fitzpatrick (1934), việc dự báo khó khăn tài chính chính mang lại kết quả chính xác nhất khi doanh nghiệp đang ở giữa giai đoạn 4 và giai đoạn 5

Đồng tình với Fitzpatrick (1934), Martin (1977) cho rằng hầu hết các doanh nghiệp lâm vào tình trạng khó khăn tài chính là do những yếu kém trong quản lý chứ không phải do những biến động bất thường về môi trường kinh tế bên ngoài Những hỗ trợ từ bên ngoài nếu có, cũng khó mà giúp các doanh nghiệp có lịch sử quản lý yếu kém phục hồi được

Nối tiếp quan điểm về các quá trình dẫn đến khó khăn tài chính của doanh nghiệp, các nghiên cứu sau đó đã làm rõ mối quan hệ giữa hoạt động phân tích các chỉ số tài chính với tình trạng khó khăn của doanh nghiệp đó Altman (1993) cho rằng, các doanh nghiệp gặp khó khăn về tài chính có sự khác biệt đáng kể

với các doanh nghiệp không gặp khó khăn này về các chỉ số xác định từ các báo cáo tài chính Thật ra, Fitzpatrick (1934) trước kia cũng đã lần đầu công bố một nghiên cứu so sánh các chỉ số tài chính giữa hai loại doanh nghiệp này Tuy nhiên, do sự hạn chế về phần mềm phân tích thống kê ở thời điểm đó, việc so sánh giữa chỉ số tài chính của hai nhóm doanh nghiệp gặp khó khăn tài chính và không gặp khó khăn tài chính mới chỉ được thực hiện một cách đơn giản

Cơ sở lý luận được đề cập ở trên cho thấy việc dự báo khó khăn tài chính hoàn toàn có thể thực hiện được từ các biểu hiện về mặt tài chính của doanh nghiệp trong một khoảng thời gian nào đó Trong các nghiên cứu sau này, cơ sở

để dự báo khó khăn tài chính đã không chỉ giới hạn ở các chỉ số tài chính trên báo cáo tài chính của doanh nghiệp mà còn từ các chỉ số thu thập từ bên ngoài báo cáo tài chính như chỉ số về sự biến động của thị trường và các chỉ số kinh tế

vĩ mô Việc phát triển các cơ sở đó đã giúp cho việc dự báo khó khăn tài chính trở nên khách quan và khoa học hơn Tuy nhiên, tính chính xác trong hoạt động

dự báo còn phụ thuộc vào sự lựa chọn mô hình dự đoán, chất lượng của dữ liệu thu thập và bối cảnh nghiên cứu

1.3 Các mô hình dự báo khó khăn tài chính doanh nghiệp

1.3.1 Tổng quan về các mô hình dự báo khó khăn tài chính

Xuất phát từ quan điểm cho rằng hoàn toàn có thể phát hiện các dấu hiệu cảnh báo về khó khăn tài chính của một doanh nghiệp trước khi doanh nghiệp đó chính thức lâm vào tình trạng này, việc nghiên cứu các mô hình dự báo khó khăn tài chính, vì thế, đã thu hút rất nhiều sự quan tâm của các học giả trên toàn thế giới trong thời gian qua (Lin và cộng sự, 2011)

Kể từ nghiên cứu đầu tiên của Beaver (1966), các mô hình với các kỹ thuật

và căn cứ dự báo khác nhau đã được xây dựng không nằm ngoài mục đích nâng cao

độ chính xác của kết quả dự báo Các mô hình này có thể được kể tên như mô hình phân tích biệt số bội (MDA) đưa ra bởi Altman (1968, 1983, 1995), mô hình Logit

của Ohlson (1980), mô hình Probit của Zmijewski (1984), mô hình Hazard của Shumway (1999) các mô hình áp dụng các thuật toán máy học như mô hình cây quyết định Decision Tree (DT) (Tam & Kiang, 1992), mạng thần kinh nhân tạo Neural Network (Lee, Han, & Kwon, 1996; Ozkan-Gunay & Ozkan, 2007; Tam & Kiang, 1992; Mokhatab, 2011), mô hình máy hỗ trợ Vector - Support Vector Machine (SVM) (Chandra, Ravi,& Bose, 2009; Fan & Palaniswami, 2000; Gestel

và cộng sự, 2006; Wilson & Sharda, 1994)

Mặc dù các mô hình dự báo được phát triển hết sức đa dạng và luôn được cập nhật nhưng chưa một mô hình dự báo nào được khẳng định là hoàn toàn ưu việt hơn các mô hình còn lại trong tất cả các bối cảnh nghiên cứu Dường như việc tìm kiếm một mô hình dự báo chính xác vẫn được các nhà nghiên cứu không ngừng theo đuổi cùng với sự hỗ trợ của khoa học máy tính với các kỹ thuật phân tích định lượng khác nhau

Khi tiến hành dự báo khó khăn tài chính, có hai câu hỏi cần được đặt ra Câu hỏi thứ nhất là khó khăn tài chính doanh nghiệp có thể được dự báo từ các dấu hiệu nào? Câu hỏi thứ hai là phương pháp nào có thể sử dụng để dự báo khó khăn tài chính từ những biểu hiện đó? Nói cách khác, khi xây dựng một mô hình

dự báo, có hai yếu tố cần phải xác định, đó là các biến dự báo và phương pháp

dự báo Việc lựa chọn hai yếu tố này có thể ảnh hưởng đến độ chính xác của kết quả dự báo

Tổng quan các nghiên cứu đã có về xây dựng các mô hình dự báo, các biến

dự báo khó khăn tài chính doanh nghiệp chủ yếu là các chỉ số tài chính được tính toán từ báo cáo tài chính của doanh nghiệp, các chỉ tiêu kinh tế vĩ mô và thông tin thị trường mà doanh nghiệp đang hoạt động Bảng 1.1 dưới đây tổng hợp những chỉ

số sử dụng trong các nghiên cứu đã được tiến hành để dự báo khó khăn tài chính của doanh nghiệp

Bảng 1.1 Bảng tổng hợp các biến sử dụng trong dự báo khó khăn tài chính

X 1 Chỉ số thanh toán hiện thời Beaver (1966), Zmijewski (1984), Martens và

cộng sự (2008)

X2 LCTT ròng trên tổng nợ phải trả Beaver (1966), Deakin (1972), Blum (1974),

Zmijewski (1984), Martens và cộng sự (2008)

X 3 Lưu chuyển tiền tệ trên tổng tài sản Deakin (1972), Ohlson(1980)

X 4 Lưu chuyển tiền tệ trên tổng DT Deakin (1972), Li và Sun (2009)

X 5 Hệ số nợ Beaver (1966), Deakin (1972), Ohlson(1980),

Martens và cộng sự (2008), Ding và cộng sự (2008)

X 6 Vốn lưu động trên tổng tài sản Beaver (1966), Altman (1968)

X 7 Giá trị thị trường của vốn chủ sở hữu

trên tổng nợ phải trả

Altman (1968), Martens và cộng sự (2008), Li

và Sun (2009)

X8 Tài sản ngắn hạn trên tổng tài sản Deakin (1972)

X9 Tài sản có độ thanh khoản cao trên

tổng tài sản

Deakin (1972)

X 10 Doanh thu trên tổng tài sản Altman (1968), Li và Sun (2009)

X 11 Nợ ngắn hạn trên doanh thu Deakin (1972)

X 12 Tài sản có độ thanh khoản cao trên

X 15 Lợi nhuận giữ lại trên tổng tài sản Altman (1968), Ding và cộng sự (2008)

X 16 EBIT trên tổng tài sản Altman (1968), Li và Sun (2009)

X 17 Khoảng phi tín dụng Beaver (1966)

X 18 log(tổng tài sản) Ohlson(1980)

X 19 = 1 nếu tổng nợ phải trả lớn hơn tổng

TS; = 0 trong trường hợp ngược lại

Ohlson(1980)

X 20 = 1 nếu lỗ trong 2 năm liên tiếp; = 0

trong trường hợp ngược lại

Nhân tố thứ hai cần chú ý khi xây dựng một mô hình dự báo khó khăn tài chính

là kỹ thuật (phương pháp) dự báo, đây chính là nhân tố có thể gia tăng sự chính xác trong dự báo giữa các mô hình dù cho việc lựa chọn các biến dự báo là không thay đổi Bảng 1.2 tổng hợp các phương pháp dự báo trong các nghiên cứu trước đây

Bảng 1.2 Các phương pháp dự báo khó khăn tài chính

Hồi quy đơn Beaver (1966)

Phân tích biệt

số bội MDA

Altman (1968), Chuvakhin và Gertmenian (2003)

Hồi quy Logit Ohlson (1980), Tam và Kiang (1992), Zmijewski (1984), Hua và

cộng sự (2004), Lee và cộng sự (1996), Shin và cộng sự (2005), Tam

và Kiang (1992), Alifiah (2013) Cây quyết định Tam và Kiang (1992)

Máy hỗ trợ

vector SVM

Lin và cộng sự (2011, 2014), Geng và cộng sự (2014), Shin và cộng

sự (2005), Wu và cộng sự (2007), Hua và cộng sự (2007), Ding và cộng sự (2008), Chandra và cộng sự (2009)

Phân tích tình

huống CBR

Geng và cộng sự (2014), Jo và Han (1996), Sun và Hui (2006), Li và Sun (2009), Li và cộng sự (2009), Li và Sun (2008)

Nguồn: tổng hợp của tác giả

Bảng 1.1 và 1.2 cho thấy sự đa dạng trong việc lựa chọn các căn cứ (biến dự báo) và phương pháp dự báo khi xây dựng mô hình dự báo khó khăn tài chính Vì vậy, ở phần tiếp theo, một số mô hình dự báo phổ biến cũng sẽ được tổng hợp và phân tích trên hai góc độ: biến dự báo và phương pháp dự báo

1.3.2 Mô hình phân tích hồi quy đơn biến

Là một trong những người tiên phong trong nghiên cứu về khó khăn tài chính, Beaver (1966) được biết đến với mô hình phân tích hồi quy đơn biến sử dụng trong dự báo khó khăn tài chính doanh nghiệp Mô hình hồi quy đơn biến là mô hình xây dựng dựa trên các phân tích thống kê mô tả đơn giản, hầu như chỉ liên quan đến việc đưa ra các bảng biểu, sơ đồ biểu diễn các số liệu một cách trực quan

1.3.2.1 Các biến dự báo trong mô hình hồi quy đơn biến

Khi lựa chọn các biến dự báo khó khăn tài chính, Beaver (1966) cho rằng các chỉ số tài chính được tính toán từ báo cáo tài chính theo các nguyên tắc kế toán chính là căn cứ tốt nhất dùng để dự báo khó khăn tài chính doanh nghiệp Sau đó, ông đưa ra một số lập luận và nguyên tắc về việc lựa chọn các chỉ số này mà ông gọi là “lý thuyết về phân tích chỉ số” (Theory of ratio analysis) Trong đó, ông nhấn mạnh một số nguyên tắc sau:

- Thứ nhất, vai trò của tiền mặt hay các tài sản có tính thanh khoản cao được

đề cao trong việc dự báo khó khăn tài chính vì khó khăn tài chính liên quan đến sự suy giảm khả năng thanh toán mà khả năng thanh toán theo Beaver (1966) lại phụ thuộc chủ yếu vào các loại tài sản có tính thanh khoản cao này

- Thứ hai, Beaver (1966) hình tượng hóa doanh nghiệp như một cái hồ mà

nước trong hồ là các tài sản có tính thanh khoản cao, còn các dòng lưu chuyển tiền

tệ như các dòng nước vào và ra liên tục Khả năng thanh toán của doanh nghiệp vì thế được đánh giá giống như việc hồ đó có bị cạn nước hay không Từ đó, ông đưa

ra quan điểm lựa chọn các chỉ số trong dự báo theo bốn nguyên tắc:

(i) Hồ càng lớn hay quy mô doanh nghiệp càng lớn thì khả năng gặp khó khăn tài chính càng nhỏ

(ii) Dòng lưu chuyển tiền tệ ròng (dòng tiền vào trừ dòng tiền ra) càng lớn thì khả năng khó khăn tài chính càng nhỏ

(iii) Nợ vay càng lớn thì khả năng khó khăn tài chính càng cao

(iv) Càng nhiều dòng tiền dành cho các chi phí hoạt động thì khả năng gặp khó khăn tài chính càng cao

Trong mô hình dự báo của mình, Beaver (1966) đã sử dụng 30 chỉ số tài chính khác nhau được tính toán từ báo cáo tài chính của doanh nghiệp làm căn cứ

dự báo khó khăn tài chính Bên cạnh các biến liên quan đến tỷ suất lợi nhuận hay cấu trúc tài sản thì phải kể đến các biến liên quan đến việc chi trả cổ tức ưu đãi, thấu chi tài khoản ngân hàng, khả năng chi trả lãi trái phiếu Do đó, phạm vi các biến độc lập đa dạng này đã làm cho nghiên cứu của Beaver (1966) được đánh giá cao

Từ 30 biến ban đầu, Beaver (1966) chia chúng thành 6 nhóm: (1) nhóm các chỉ số lưu chuyển tiền tệ; (2) nhóm các chỉ số liên quan đến lợi nhuận ròng; (3) nhóm các chỉ số liên quan đến nợ trên tổng tài sản; (4) nhóm các chỉ số liên quan đến tài sản có độ thanh khoản cao trên tổng tài sản; (5) nhóm các chỉ số liên quan đến tài sản có độ thanh khoản cao trên tổng nợ phải trả và (6) nhóm các chỉ số liên quan đến quay vòng vốn và tài sản Sau khi sắp xếp các chỉ số này thành 6 nhóm khác nhau, Beaver (1966) chỉ lựa chọn mỗi chỉ số trong một nhóm để đưa vào phân tích Trong các tiêu chí dùng để lựa chọn các chỉ số, Beaver (1966) đặc biệt chú ý đến tiêu chí “tiền mặt” nghĩa là ưu tiên các chỉ số được xây dựng dựa trên cơ sở tiền mặt vì theo ông các chỉ số này có khả năng dự báo tốt hơn các chỉ số còn lại

Từ những lập luận của mình, Beaver (1966) lựa chọn 6 chỉ số đại diện cho 6 nhóm chỉ số để phân tích bao gồm: lưu chuyển tiền tệ ròng trên tổng nợ, tổng nợ trên tổng tài sản, vốn lưu động trên tổng tài sản, chỉ số thanh toán hiện thời và khoảng phi tín dụng trong đó khoảng phi tín dụng được tính toán bằng hiệu số giữa tài sản ngắn hạn và nợ ngắn hạn chia cho chi phí hoạt động bình quân theo ngày

1.3.2.2 Phương pháp dự báo trong mô hình hồi quy đơn biến

Để thực hiện phân loại và dự báo trên các biến đã lựa chọn, Beaver (1966)

sử dụng kỹ thuật phân tích hồi quy đơn Hồi quy đơn là một dạng phân tích thống kê mô tả đơn giản, chỉ liên quan đến việc đưa ra các bảng biểu, sơ đồ biểu diễn các số liệu một cách trực quan Cách thức phân loại và dự báo này đã được Beaver (1966) áp dụng với số liệu thu thập từ 79 công ty bị phá sản và 79 công

ty không phá sản trong khoảng thời gian 5 năm trước khi các công ty xác nhận tình trạng khó khăn tài chính

Trước hết, tất các công ty trong mẫu được chia thành hai nhóm bằng nhau một cách ngẫu nhiên: bao gồm cả các công ty phá sản và công ty không phá sản Sau đó, ở bước phân tích thứ nhất (bước phân loại), 30 chỉ tiêu thu thập của mỗi công ty được sắp xếp tăng dần để tìm ra điểm chia cắt tối ưu với nguyên tắc nếu chỉ tiêu của một công ty này thấp hơn (cao hơn) điểm chia cắt thì công ty đó được phân loại phá sản, ngược lại nếu chỉ tiêu của công ty đó cao hơn (nhỏ hơn) điểm chia cắt

thì công ty được phân loại hoạt động bình thường Trong bước thứ hai, các điểm cắt tìm được ở bước 1 sẽ được sử dụng để phân loại với các công ty ở nhóm thứ hai để dựa vào đó để tìm ra các công ty nào phá sản Kết quả phân loại dựa vào các điểm cắt này sẽ được so sánh với dữ liệu thực tế để biết được tỷ lệ dự đoán chính xác từ cách nhận biết xây dựng được từ bước 1 Điểm phân biệt của các biến dự báo đã được tính toán sẵn trong mô hình được thể hiện ở bảng 1.3

Bảng 1.3 Điểm phân biệt của các biến dự báo trong mô hình hồi quy đơn biến

Lợi nhuận

ròng/tổng TS

Phá sản 0,00 0,01 0,03 0,02 0,04 Không phá sản 0,02 0,02 0,03 0,02 0,03

Tổng nợ/

tổng TS

Phá sản 0,57 0,51 0,53 0,58 0,57 Không phá sản 0,57 0,49 0,50 0,57 0,57

Khoảng phi

tín dụng

Phá sản -0,04 0,03 0,01 0,00 0,04 Không phá sản -0,04 -0,02 -0,01 -0,01 -0,02

Kết quả phân tích mô hình hồi quy đơn biến cho thấy không phải tất cả các chỉ số đều có khả năng dự báo như nhau Chỉ số lưu chuyển tiền tệ trên tổng nợ phải

trả được coi là có khả năng dự báo cao nhất trong tất cả các chỉ số với tỷ lệ dự báo sai chỉ là 13% trong thời điểm 1 năm trước khi công ty phá sản và 22% trong khoảng 5 năm trước thời điểm phá sản Chỉ số có khả năng dự báo chính xác đứng thứ hai là chỉ số lợi nhuận ròng trên tổng tài sản và tiếp theo là chỉ số tổng nợ trên tổng tài sản Beaver (1966) cũng phát hiện ra rằng các chỉ số có khả năng dự báo kém nhất là các chỉ số liên quan đến các tài sản có tính thanh khoản cao của doanh nghiệp Từ đó, mô hình hồi quy đơn biến đã dự báo khó khăn tài chính chính xác đến 78% nếu xem xét ở thời điểm 5 năm trước khi doanh nghiệp phá sản và chính xác lên tới 95% ở thời điểm 1 năm trước khi doanh nghiệp phá sản

1.3.2.3.Đánh giá mô hình hồi quy đơn biến

a Ưu điểm của mô hình

Nghiên cứu của Beaver (1966) mang tính đột phá so với các nghiên cứu trước đó vì sự có mặt của phân tích thống kê vào dự báo dù rằng kỹ thuật phân tích được áp dụng thực chất chỉ là thống kê mô tả một cách đơn giản dựa vào trực quan

là chủ yếu Không phủ nhận được rằng việc hiểu biết những vấn đề cơ bản trong mô hình hồi quy đơn biến và những phản biện đối với mô hình này là nền tảng cho việc xây dựng những mô hình phức tạp hơn, chẳng hạn, mô hình hồi quy đa biến (phân tích biệt số bội) Thêm nữa, việc xử lý dữ liệu để dự báo qua bước chia dữ liệu thành hai phần: một phần để phân loại và một phần để dự báo và tiến hành các kỹ thuật tương ứng để tìm ra các lỗi trong dự báo (sai lầm loại I và loại II) do Beaver (1966) đề xuất đã được thực hiện triệt để trong hầu hết các nghiên cứu sau này

Bên cạnh việc tiên phong trong sử dụng kỹ thuật thống kê trong dự báo, Beaver (1966) còn đưa ra một số nhận xét rất sắc bén về phương pháp tiếp cận trong

dự báo khó khăn tài chính doanh nghiệp Ông đặt ra câu hỏi là nếu như các chỉ số tài chính có thể giúp cho việc dự báo khó khăn tài chính thì các doanh nghiệp hoàn toàn có thể có những biện pháp để cải thiện tình hình tài chính của mình nhằm thoát

ra khỏi tình trạng đó Nói cách khác, nếu như công ty có thể thấy được những cảnh báo về phá sản từ việc phân tích các chỉ số này thì có nhiều khả năng công ty sẽ tránh được tình trạng phá sản Từ những suy đoán của mình, Beaver (1966) cho

rằng trong mẫu nghiên cứu phải gồm cả các doanh nghiệp đã thoát khỏi tình trạng khó khăn tài chính do được dự báo trước Tuy nhiên, ông cũng thừa nhận rằng rất khó để tìm được các dữ liệu như vậy nên chỉ coi đây là một gợi ý cho các hướng nghiên cứu sau này

Một ưu điểm nữa của mô hình hồi quy đơn biến là mô hình có thể được sử dụng dễ dàng vì các điểm phân biệt đã được tính toán sẵn Ngoài ra, mô hình phân tích hồi quy đơn biến của Beaver (1966) cũng có đóng góp về việc lựa chọn thời gian dự báo khi ông đã phát hiện được rằng việc dự báo khó khăn tài chính dựa vào các chỉ số tài chính có thể thực hiện được từ 5 năm trước khi doanh nghiệp đó chính thức lâm vào tình trạng này (Geng và cộng sự, 2014)

b Nhược điểm của mô hình

Bên cạnh những ưu điểm kể trên, việc sử dụng các biến dự báo đơn lẻ nghĩa

là các biến dự báo không được đồng thời đưa vào mô hình chính là một nhược điểm lớn của mô hình hồi quy đơn biến Chính vì vậy, kết quả dự báo có thể không chính xác vì các biến này có mối quan hệ với biến khó khăn tài chính theo các chiều hướng khác nhau Như vậy, 6 chỉ số sẽ tương ứng với 6 mô hình phân tích và có thể đưa ra những kết quả trái ngược nhau (Sun và cộng sự, 2014) Chẳng hạn, nếu sử dụng biến thứ nhất thì có thể kết luận doanh nghiệp sẽ phá sản trong tương lai nhưng nếu dùng biến thứ hai thì kết luận có thể ngược lại

Nghiên cứu của Beaver (1966) cũng vấp phải những phản biện trong việc lựa chọn các biến dự báo Các chỉ số được lựa chọn trong mô hình chủ yếu được tính toán dựa theo cơ sở kế toán tiền mặt (doanh thu và chi phí chỉ được ghi nhận khi doanh nghiệp thực sự thu được tiền hay chi tiền) thu thập từ báo cáo lưu chuyển tiền tệ của doanh nghiệp Trong khi đó, hệ thống báo cáo tài chính doanh nghiệp còn bao gồm hai báo cáo rất quan trọng là bảng cân đối kế toán và báo cáo kết quả hoạt động sản xuất kinh doanh và hai báo cáo này được xây dựng trên cơ sở

kế toán dồn tích nghĩa là doanh thu, chi phí được ghi nhận ở thời điểm phát sinh chứ không phải thời điểm nhận được tiền hay chi tiền Việc xem nhẹ các chỉ số này cho thấy Beaver (1966) quá coi trọng các yếu tố liên quan đến tiền mặt trong

đánh giá tiềm lực tài chính của doanh nghiệp trong khi các chỉ số tính toán trên cơ

sở dồn tích cũng có ý nghĩa quan trọng Bên cạnh đó, việc xác định giá trị lưu chuyển tiền ròng đơn giản bằng lợi nhuận ròng cộng với khấu hao cũng chưa phải là cách đo lường chính xác và có thể ảnh hưởng đến kết quả dự báo (Jones, 1987)

1.3.3 Mô hình phân tích biệt số

Tiếp theo mô hình phân tích hồi quy đơn biến của Beaver (1966), Altman (1968, 1983, 1995) đã lần lượt xây dựng các mô hình phân tích biệt số bội (mô hình hồi quy đa khác biệt) để dự báo khó khăn tài chính, được biết đến với tên gọi là các

mô hình chấm điểm Z-score Các mô hình này đã được áp dụng rộng rãi trên thế giới đặc biệt trong hoạt động dự báo phá sản của các ngân hàng đối với các khách hàng doanh nghiệp (Williams, 1992)

Mô hình mô hình phân tích biệt số - phân tích khác biệt (Discriminant Analysis – DA) được hiểu là mô hình sử dụng để phân loại các đối tượng (doanh nghiệp) vào một trong hai hay nhiều lớp (phá sản, không phá sản) đã được xác định trước dựa vào các đặt trưng dùng để mô tả đối tượng Nếu số lớp nhiều hơn hai thì

mô hình trở thành mô hình phân tích biệt số bội hay mô hình phân tích đa khác biệt (Multivariate Discriminant Analysis - MDA)

1.3.3.1 Mô hình Altman (1968)

Năm 1968, mô hình phân tích biệt số bội được Altman lần đầu tiên xây để dự báo phá sản cho các công ty sản xuất hoạt động trên thị trường chứng khoán Từ 25 chỉ số tài chính, Altman (1968) lựa chọn được 5 chỉ số có giá trị dự báo tốt nhất để

đề xuất mô hình Z-score với độ chính xác lên tới 95% Với 5 chỉ số tài chính được

ký hiệu từ X1, X2, X3, X4, X5, mô hình có dạng:

Z = 1,2X1+ 1,4X2+ 3,33X3 + 0,6X4 + 1,0X5

Trong đó: X1: Vốn lưu động trên tổng tài sản; X2: Lợi nhuận giữ lại trên tổng tài sản; X3: Lợi nhuận trước lãi vay và thuế trên tổng tài sản; X4: Giá trị thị trường của vốn chủ sở hữu trên giá trị sổ sách của tổng nợ; X5: Doanh số trên tổng tài sản

Kết quả cho thấy nếu Z > 2,99: doanh nghiệp nằm trong vùng an toàn, chưa

có nguy cơ phá sản; 1,8 < Z < 2,99: doanh nghiệp nằm trong vùng cảnh báo, có thể phá sản; Z <1,8: doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao

Như vậy, để tiến hành dự báo phá sản cho một doanh nghiệp sản xuất niêm yết trên thị trường chứng khoán, người sử dụng chỉ cần tính toán 5 biến dự báo kể trên và đồng thời đưa vào mô hình để xác định điểm số Z (Z-score) Nếu điểm số này lớn hơn 2,99 thì có nghĩa doanh nghiệp chưa có nguy cơ phá sản, nếu điểm số này trong khoảng (1,8;2,99) thì doanh nghiệp có nguy cơ phá sản Ngược lại, nếu điểm số Z tính toán được nhỏ hơn 1,8 thì doanh nghiệp có nguy cơ phá sản cao

1.3.3.2 Mô hình Altman (1983)

Sau khi đưa ra mô hình dự báo đầu tiên vào năm 1968, năm 1983, Altman đưa ra mô hình dự báo phá sản thứ hai, trong đó, biến X4 (Giá trị thị truờng của vốn chủ sở hữu trên giá trị sổ sách của tổng nợ) được thay bằng biến giá trị sổ sách của vốn chủ sở hữu trên tổng nợ phải trả nhằm giúp cho mô hình mới này có thể sử dụng rộng rãi cho cả các công ty không niêm yết trên thị trường chứng khoán Để phân biệt với mô hình Z-score xây dựng từ năm 1968, mô hình này được gọi là mô hình đánh giá chỉ số Z’ (Z’-score) và có dạng:

Z’ = 0,717X1+ 0,847X2+ 3,107X3 + 0,420X4 +0,998X5Kết quả phân tích mô hình cho thấy nếu Z’ > 2,9: doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản; 1,23 < Z’ < 2,9: doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản; Z <1,23: doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao

Để dự báo phá sản cho một doanh nghiệp không niêm yết trên thị trường chứng khoán, tương tự như đối với mô hình Z-score, 5 biến dự báo trước hết được tính toán và đưa vào mô hình để xác định điểm số Z’ Nếu điểm số này lớn hơn 2,9 thì doanh nghiệp nằm trong vùng an toàn, nếu điểm số Z’ trong khoảng (1,23;2,9) thì doanh nghiệp có thể có nguy cơ phá sản Ngược lại, nếu điểm số Z’ nhỏ hơn 1,23 thì doanh nghiệp có nguy cơ phá sản cao

cho tất cả các công ty kinh doanh trong mọi lĩnh vực Vì thế, mô hình mới (Z’’- score) có 4 biến số bao gồm X1: Vốn lưu động trên tổng tài sản, X2: Lợi nhuận giữ lại trên tổng tài sản, X3: Lợi nhuận trước lãi vay và thuế trên tổng tài sản, X4: Giá trị thị trường của vốn chủ sở hữu trên giá trị sổ sách của tổng nợ

Kết quả cho thấy, nếu Z’’ > 2,6: doanh nghiệp nằm trong vùng an toàn, chưa

có nguy cơ phá sản; nếu 1,1 < Z’’ < 2,6: doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản; nếu Z’’ <1,1: doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao Mô hình được xây dựng như sau:

Z’’ = 6,56X1+ 3,26X2+ 6,72X3 + 1,05X4 Như vậy, để dự báo khó khăn tài chính cho một công ty niêm yết trên thị trường chứng khoán, điểm số Z’’ sẽ được tính toán dựa vào trọng số của các biến đã được mô hình xác định Nếu điểm số này lớn hơn 2,6 thì công ty nằm trong vùng an toàn, nếu điểm số Z’’ trong khoảng (1,1;2, 6) thì công ty có thể có nguy cơ phá sản Nếu điểm số Z’’ nhỏ hơn 1,1 thì công ty niêm yết có nguy cơ phá sản cao

1.3.3.4 Đánh giá mô hình phân tích biệt số

Các mô hình Z-score của Altman (1968, 1983, 1995) có rất nhiều ưu điểm so với mô hình hồi quy đơn biến nhờ việc sử dụng phương pháp phân tích biệt số trong

dự báo để có thể đưa đồng thời các biến dự báo vào mô hình, từ đó, làm giảm được sai lầm loại I và II trong dự báo (Holmen, 1968)

Mô hình rất dễ sử dụng và được phân loại theo từng đối tượng dự báo khác nhau như các công ty niêm yết và không niêm yết, công ty sản xuất và công ty dịch

vụ Trong các mô hình này, bên cạnh các chỉ số tài chính tính toán từ báo cáo tài chính của doanh nghiệp, thì các chỉ số bên ngoài doanh nghiệp cũng được sử dụng Chẳng hạn, mô hình sử dụng biến X4: Giá trị thị trường của vốn chủ sở hữu trên giá trị sổ sách của tổng nợ, là biến liên quan đến giá trị thị trường của cổ phiếu doanh nghiệp Điều này làm cho các căn cứ dự báo trở nên đa dạng và phong phú hơn Một ưu điểm nữa có thể nhắc đến là mặc dù các mô hình Z-score được sử dụng để phân loại doanh nghiệp phá sản và doanh nghiệp không phá sản, kết quả của các mô hình này có thể áp dụng rộng rãi để phân loại các doanh nghiệp gặp khó khăn tài chính dù chưa đến mức độ phá sản (Bragg, 2002)

Bên cạnh những ưu điểm kể trên, các mô hình phân tích biệt số bội cũng vấp phải những phê phán về kỹ thuật phân tích cũng như cách thức lựa chọn các biến

Cụ thể là, hai giả thiết cho mô hình (giả thiết về phân phối chuẩn và phương sai bằng nhau) làm cho kết quả của việc áp dụng mô hình này trở nên không đáng tin cậy nếu dữ liệu thu thập không thỏa mãn hai giả thiết đó và vì thế, làm giảm khả năng áp dụng của mô hình Các mô hình này cũng bị phê phán vì phương pháp phân tích “tĩnh” (Shumway, 2002) nghĩa là không tính đến các yếu tố kinh tế vĩ mô như tốc độ tăng trưởng GDP, lạm phát có thể có ảnh hưởng đến tình hình tài chính của doanh nghiệp Ngoài ra, việc bỏ qua các chỉ số liên quan đến lưu chuyển tiền tệ ròng trong các mô hình dự báo cũng chưa được tác giả lý giải rõ ràng

Mặc dù còn tồn tại một số hạn chế, các mô hình phân tích biệt số bội của Altman (1968, 1983, 1995) có thể áp dụng rộng rãi để dự báo khó khăn tài chính cho các đối tượng khác nhau vì tính đơn giản và dễ sử dụng của mô hình Tuy nhiên, để vận dụng mô hình cho mục tiêu nghiên cứu trong luận án này, một số điểm cần được chú ý:

Thứ nhất, vì các mô hình phân tích biệt số bội sử dụng phá sản làm dấu hiệu khó khăn tài chính nên kết quả của mô hình có thể không còn chính xác nếu dấu hiệu khó khăn tài chính khác được lựa chọn để dự báo

Thứ hai, vì các đối tượng trong mô hình được dự báo gắn với 3 trường hợp: chưa có nguy cơ phá sản, có thể phá sản, nguy cơ phá sản cao nên các mô hình này gọi là mô hình phân tích biệt số bội Tuy nhiên, nếu các đối tượng chỉ được dự báo theo hai trường hợp: khó khăn tài chính và không khó khăn tài chính thì kết quả của

mô hình sẽ không thể được áp dụng và mô hình dự báo cho trường hợp này sẽ gọi là

mô hình phân tích biệt số chứ không còn là phân tích biệt số bội

Thứ ba, vì các mô hình đã được xây dựng từ khá lâu nên có thể không còn phù hợp với điều kiện kinh doanh của các doanh nghiệp hiện nay Do đó, việc vận dụng mô hình này cần có những kiểm định thích hợp