Xây dựng mô hình logit cảnh báo sớm tình hình tài chính cho các doanh nghiệp việt nam và kiểm định lại tính hiệu quả thông qua mô hình bao dữ liệu dea

Quan trọng hơn, tác giả đề xuất một phương pháp mới để xác minh độ chính xác dự báo của mô hình logit bằng cách sử dụng các chỉ số hiệu quả phi tài chính vào mô hình phân tích bao dữ liệ

Trang 1

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HCM

-Nguyễn Thy Phương

XÂY DỰNG MÔ HÌNH LOGIT CẢNH BÁO SỚM TÌNH HÌNH TÀI CHÍNH CHO CÁC DOANH NGHIỆP VIỆT NAM VÀ KIỂM ĐỊNH LẠI TÍNH HIỆU QUẢ THÔNG QUA MÔ HÌNH

BAO DỮ LIỆU DEA

LUẬN VĂN THẠC SĨ KINH TẾ

TP.Hồ Chí Minh – Năm 2014

Trang 2

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP HCM

-

Nguyễn Thy Phương

XÂY DỰNG MÔ HÌNH LOGIT CẢNH BÁO SỚM TÌNH HÌNH TÀI CHÍNH CHO CÁC DOANH NGHIỆP VIỆT NAM VÀ KIỂM ĐỊNH LẠI TÍNH HIỆU QUẢ THÔNG QUA MÔ HÌNH

BAO DỮ LIỆU DEA

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:

GS.TS TRẦN NGỌC THƠ

TP.Hồ Chí Minh – Năm 2014

Trang 3

LỜI CAM ĐOAN

Tôi xin cam đoan luận văn Thạc Sĩ Kinh Tế “Xây dựng mô hình logit dự báo sớm

tình hình tài chính cho các doanh nghiệp Việt Nam và kiểm định lại tính hiệu quả thông qua mô hình bao dữ liệu DEA” là công trình nghiên cứu của riêng tôi, có sự

hỗ trợ từ người hướng dẫn khoa học là GS.TS Trần Ngọc Thơ, và chưa từng được công bố trước đây Các số liệu được sử dụng để phân tích, đánh giá trong luận văn

có nguồn gốc rõ ràng và được tổng hợp từ những nguồn thông tin đáng tin cậy Nội dung luận văn đảm bảo không sao chép bất cứ công trình nghiên cứu trong nước nào khác

TP HCM, ngày 16 tháng 10 năm 2014

Tác giả

Nguyễn Thy Phương

Trang 4

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC CÁC TỪ VIẾT TẮT

DANH MỤC CÁC HÌNH

DANH MỤC CÁC BẢNG

TÓM TẮT 5

CHƯƠNG 1: GIỚI THIỆU 2

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 6

2.1 Mô hình dựa trên phân tích phân biệt 6

2.1.1 Phân tích phân biệt đơn biến của Beaver (1966) 7

2.1.2 Mô hình Z-score của Altman (1968) 9

2.2 Mô hình phân tích logit 11

2.2.1 Mô hình phân tích logit của Ohlson (1980) 11

2.2.2 Mô hình phân tích logit của Shuangjie Li, Shao Wang (2014) 13

2.3 Mô hình phân tích bao dữ liệu DEA (Data Envelopment Analysis) 15

2.3.1 Sơ lược về sự hình thành, quá trình phát triển của phương pháp phân tích bao dữ liệu (DEA) 15

2.3.2 Mô hình DEA trong nghiên cứu của của Shuangjie Li, Shao Wang (2014) 19

CHƯƠNG 3: XÂY DỰNG MÔ HÌNH LOGIT 23

3.1 Chỉ số và dữ liệu 23

3.2 Mô hình logit cảnh báo sớm về tài chính 49

3.3 Kiểm định trong mẫu 50

Trang 5

3.4 Kiểm định ngoài mẫu 54

CHƯƠNG 4: XÁC MINH TÍNH HIỆU QUẢ QUA MÔ HÌNH PHÂN TÍCH BAO DỮ LIỆU (DEA) 60

4.1 Kiểm định trong mẫu 62

4.2 Kiểm định ngoài mẫu 65

CHƯƠNG 5: KẾT LUẬN 71 TÀI LIỆU THAM KHẢO

PHỤ LỤC

Phụ lục 1: Danh sách 50 công ty trong mẫu nghiên cứu

Phụ lục 2: Danh sách 50 công ty ngoài mẫu nghiên cứu

Trang 6

DANH MỤC CÁC TỪ VIẾT TẮT

DEA – Mô hình phân tích bao dữ liệu

DA – Phân tích phân biệt

HNX – Sàn giao dịch chứng khoán Hà Nội

HoSE – Sở giao dịch chứng khoán Thành Phố Hồ Chí Minh

Trang 7

DANH MỤC CÁC HÌNH

Hình 3.1: Phân phối xác suất dự báo của mô hình logit 54

Trang 8

DANH MỤC CÁC BẢNG

Bảng 2.1: Kết quả dự báo của mô hình Altman (1968) 10

Bảng 2.2: So sánh kết quả của mô hình ZETA (1977) và mô hình Z-score của Altman (1968) 11

Bảng 2.3: Tương tự quan giữa chỉ số mô hình logit và chỉ số hiệu quả 21

Bảng 2.4: Gán điểm đánh giá tính hiệu quả dự báo của mô hình logit 22

Bảng 3.1: Mô tả biến của nhóm công ty ST 24

Bảng 3.2: Mô tả biến của nhóm công ty bình thường 36

Bảng 3.3: Mô tả thống kê của nhóm công ty ST 47

Bảng 3.4: Mô tả thống kê của nhóm công ty bình thường 48

Bảng 3.5: Kết quả mô hình logit 50

Bảng 3.6: Kết quả dự báo của mô hình logit cho 50 công ty trong mẫu 50

Bảng 3.7: Kết quả dự báo của mô hình logit cho 50 công ty ngoài mẫu 55

Bảng 3.8: Mô tả phân tích ACC 58

Bảng 3.9: TPR và FPR 59

Bảng 4.1: Tương tự quan giữa các chỉ số mô hình logit và chỉ số hiệu quả 62

Bảng 4.2: Kết quả dự báo của mô hình DEA cho 50 công ty trong mẫu 62

Bảng 4.3: Kết quả dự báo của mô hình DEA cho 50 công ty trong mẫu 66

Bảng 4.4: Số thứ tự các công ty có dự báo lệch 70

Trang 9

lý của công ty, và do đó, chỉ sử dụng các chỉ số tài chính không thể đảm bảo độ tin cậy của các mô hình Để xử lý vấn đề này, bài viết phát triển mô hình logit mới có

độ chính xác khá tốt trong dự báo Quan trọng hơn, tác giả đề xuất một phương pháp mới để xác minh độ chính xác dự báo của mô hình logit bằng cách sử dụng các chỉ số hiệu quả phi tài chính vào mô hình phân tích bao dữ liệu (DEA) Một nghiên cứu thực nghiệm trên bộ dữ liệu các công ty Việt Nam cho thấy rằng mức độ

dự đoán chính xác của mô hình đề xuất trong và ngoài mẫu lần lượt là 88% và 80%, một kết quả tương đối cao Và sử dụng các chỉ số hiệu quả phi tài chính để kiểm định lại kết quả dự đoán của mô hình logit trong và ngoài mẫu tương ứng là 72% và 66% Kết quả cho thấy rằng mô hình logit đề xuất cảnh báo sớm về tài chính khá chính xác và ổn định; phương pháp tiếp cận trong đó sử dụng các chỉ số hiệu quả phi tài chính để xác minh lại các kết quả của mô hình logit dự báo về tài chính đã đảm bảo đáng kể độ tin cậy của mô hình

Trang 10

CHƯƠNG 1: GIỚI THIỆU

Cuộc khủng hoảng kinh tế tài chính gây nên những tổn thất to lớn trên thế giới hiện nay đang thu hút sự quan tâm không chỉ của chính phủ các nước mà còn của giới nghiên cứu trên toàn thế giới Cuộc khủng hoảng kinh tế đã và đang được mổ xẻ, phân tích từ nhiều góc độ khác nhau Các công ty trên toàn thế giới đã nhận thấy các chỉ số tài chính của họ đã xấu đi rất nhiều trước khi áp dụng các biện pháp cải thiện tài chính và thường mất cảnh giác, dẫn tới phá sản Ngày nay, nhiều người nhận ra rằng các công ty cần phải được xây dựng một hệ thống dự báo rủi ro tài chính để nhận ra cuộc khủng hoảng sắp đến, có những hành động ngay tại thời điểm bắt đầu và để ngăn chặn sự suy giảm hơn nữa Một phần chính của việc xây dựng một hệ thống dự báo rủi ro tài chính là xây dựng mô hình dự báo rủi ro tài chính Việc dự báo này không chỉ có ý nghĩa đối với doanh nghiệp, cổ đông, nhà quản lý,

mà còn có ý nghĩa đặc biệt đối với nhà đầu tư, chủ nợ, chính phủ, người lao động…

Ở Việt Nam, trong những năm qua, với tình hình kinh tế biến động không ngừng, số lượng doanh nghiệp trong nước lâm vào tình trạng khó khăn dẫn đến phá sản liên tục gia tăng Chi phí của nó gây ra cho nền kinh tế là không hề nhỏ Trước tình hình này, một mô hình dự báo về tài chính phù hợp cho các doanh nghiệp Việt Nam là một nhu cầu thực sự bức thiết nhằm giúp các doanh nghiệp phát hiện sớm hoặc cảnh báo sớm khả năng rơi vào kiệt quệ và phá sản để tránh nguy cơ mất vốn

Có nhiều kỹ thuật cảnh báo sớm về tài chính thống kê khác nhau bao gồm các mô hình đơn biến, mô hình tuyến tính đa biến, mô hình xác suất tuyến tính, mô hình logit và mô hình probit đã được phát triển và được áp dụng trong những trường hợp thực tế trên thế giới Đặc biệt, bằng cách sử dụng mô hình logit để giải quyết các vấn đề trong mô hình cảnh báo sớm về tài chính đã nhận được nhiều sự quan tâm của các nhà nghiên cứu trên toàn thế giới và được khuyến khích bởi nhiều nhà nghiên cứu Những mô hình logit sử dụng một loạt các chỉ số tài chính quan trọng,

Trang 11

chẳng hạn như chỉ số nghĩa vụ về tài sản, đòn bẩy tài chính, và chỉ số dòng tiền để

dự báo tình hình tài chính của công ty trong tương lai

Trong những năm qua, các nghiên cứu đã sử dụng nhiều mô hình thông minh để thực hiện cảnh báo sớm về tài chính Tuy nhiên, hai mô hình thống kê là mô hình logit và mô hình phân tích đa biến phân biệt là rất phổ biến trong việc cảnh báo sớm

về tài chính vì sự dễ dàng trong sử dụng mô hình và giải thích Các mô hình logit được sử dụng thường xuyên hơn và rộng rãi hơn bởi vì nó ít đòi hỏi hơn so với mô hình phân tích đa biến phân biệt Bài viết này đề xuất một mô hình logit để dự đoán rủi ro tài chính do (1) mô hình logit đã được sử dụng rộng rãi và giảng dạy, đó là một mô hình xác suất phi tuyến tính phù hợp cho vấn đề cảnh báo sớm về tài; (2)

mô hình logit là tương đối dễ hiểu và có sẵn trong hầu như tất cả các chương trình phần mềm; nó không cần các giả định cho mô hình đa biến, nhưng đưa ra một mối quan hệ rõ nét giữa các biến giải thích và phản ứng dựa trên những số liệu cho Mô hình Logit dễ dàng giải thích lý do tại sao một cuộc khủng hoảng tài chính sẽ hoặc

sẽ không xảy ra; (3) mô hình logit có độ chính xác cao hơn và ổn định hơn so với nhiều mô hình khác; (4) mô hình logit không yêu cầu dữ liệu đa dạng và chất lượng

và do đó, có nhiều ứng dụng hơn so với các kỹ thuật thông minh khác trong những tình huống mà không có dữ liệu chất lượng cao, chẳng hạn như trong ngành công nghiệp tài chính của Việt Nam và các nước đang phát triển khác

Trong bài này, tác giả phát triển mô hình logit bằng cách sử dụng phương pháp

“forward screeming Wald” là phương pháp đưa tuần tự các biến nhập vào mô hình logit theo từng bước Với một giá trị mặc định của các biến với một mức ý nghĩa là 0,05 hoặc nhỏ hơn sẽ được giữ lại, nếu không loại bỏ Vì vậy, với phương pháp này cuối cùng có thể đảm bảo rằng các biến còn lại trong mô hình có tác động đáng kể đến kết quả dự báo và đảm bảo sự đơn giản của mô hình và chỉ có các biến quan trọng nhất được lựa chọn Các nghiên cứu thực nghiệm cho thấy rằng tỷ lệ chính xác dự đoán của mô hình logit cho trong và ngoài mẫu tương ứng là 88% và 80%

Mô hình này có độ chính xác dự báo tương đối cao cho các công ty trong mẫu Mức

Trang 12

độ chính xác cũng tương đối cao đối với các dự đoán cho các công ty ngoài mẫu cho thấy sự ổn định của mô hình

Các mô hình logit cảnh báo sớm về tài chính hiện nay được xây dựng bởi các chỉ số tài chính Độ chính xác của các mô hình này chưa được xác minh bởi các nghiên cứu từ quan điểm của các chỉ số phi tài chính Mặc dù mô hình của tác giả có độ chính xác dự báo khá tốt nhưng nó có thể không đảm bảo dự đoán đáng tin cậy cho các bộ dữ liệu khác Vì vậy, tác giả sử dụng một phương pháp kiểm định khác trong

đó sử dụng các chỉ số hiệu quả phi tài chính từ một mô hình phân tích bao dữ liệu (DEA) để xác minh những dự đoán của các mô hình logit đã đề xuất Hiệu quả DEA được đo bằng tỷ lệ đầu ra và đầu vào Đây là một chỉ số vật chất/phi tài chính (ví dụ: đầu vào là 3 nhân viên, 1 máy bánh mì, đầu ra là 80 hộp bánh) chứ không phải

là một chỉ số tài chính (ví dụ: tổng lợi nhuận $ 1000, lợi nhuận trên tài sản = Tổng lợi nhuận / tổng tài sản = 9%) Các chỉ số hiệu quả này là gần gũi hơn với hoạt động của công ty so với các chỉ số tài chính Nó thật hơn cả chỉ số tài chính bởi vì nó là khó khăn hơn để kiểm soát và thao tác điều chỉnh Theo như chúng ta biết, là chỉ số phi tài chính, các chỉ số hiệu quả của DEA hiếm khi được sử dụng để xác minh những dự đoán của khủng hoảng tài chính cho các công ty Nghiên cứu của tác giả

sử dụng chỉ số hiệu quả mô hình DEA nhằm mục đích để thực hiện một số kiểm tra

bổ sung cho dự đoán của mô hình logit Sử dụng các chỉ số hiệu quả, kết quả của

mô hình cho trong và ngoài mẫu được kiểm tra lần lượt là 72% và 66% tương ứng

Những đóng góp chính của bài viết này bao gồm: (1) phát triển một số mô hình logit mới có độ dự báo chính xác khá cao và ổn định; (2) đề xuất một phương pháp mới sử dụng các chỉ số hiệu quả phi tài chính để xác minh dự đoán của mô hình logit, điều này đảm bảo độ tin cậy của dự báo chính xác của mô hình logit

Các phần còn lại của bài báo được tổ chức như sau: Chương 2 nêu ra các cơ sở lý thuyết, các tài liệu nghiên cứu trước đây liên quan đến đề tài Trong chương 3, xây dựng mô hình logit cảnh báo sớm về tài chính thông qua kiểm tra các công ty trong

Trang 13

và ngoài mẫu Chương 4 xác minh độ tin cậy dự báo của mô hình logit từ quan điểm của tính hiệu quả qua mô hình DEA Trong chương 5, tác giả tóm tắt các kết quả và đưa ra phần kết luận

Trang 14

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

Các nghiên cứu về dự báo tình hình tài chính đầu tiên, được biết đến, là được thực hiện bởi Ramster và Foster (1931), Fitzpatrick (1932), Winakor và Smith (1935), và Merwin (1942) (Ugurlu và Aksoy, 2006) Do hạn chế về kỹ thuật tính toán nên các ông chỉ so sánh giá trị tỷ số tài chính giữa các công ty có vấn đề về tài chính và các công ty có tình hình tài chính lành mạnh và phát hiện ra rằng tỷ số tài chính của các công ty có vấn đề về tài chính là kém hơn so với các công ty có tài chính lành mạnh Đến cuối những năm 1960 và đầu những năm 1970, các nghiên cứu mang tính đột phá về dự báo tài chính mới xuất hiện, đó là các nghiên cứu của Beaver (1966) và Altman (1968) Tiếp sau đó là nhiều nghiên cứu khác nhau được thực hiện tại Mỹ

và nhiều nước khác

Trong phần này, tác giả sẽ trình bày các bằng chứng thực nghiệm về một số mô hình dự báo về tài chính đã được phát triển trên thế giới

2.1 Mô hình dựa trên phân tích phân biệt

Phân tích phân biệt (DA) là một kỹ thuật thống kê được sử dụng để phân loại một quan sát vào một trong một số nhóm dựa trên các đặc điểm độc lập1 (biến độc lập) của từng quan sát Trong vấn đề dự báo tài chính, phân tích phân biệt được sử dụng

để phân loại một công ty vào nhóm có vấn đề về tài chính hoặc nhóm tài chính lành mạnh Điều này có thể đạt được bằng việc tối đa hóa tỷ số của phương sai giữa các nhóm trên phương sai trong nhóm2 Ở dạng đơn giản, phân tích phân biệt là một sự kết hợp tuyến tính của các biến độc lập (các tỷ số tài chính) để phân loại một công

ty vào các nhóm, với phương trình có dạng như sau:

𝑍 = 𝛽1𝑋1+ 𝛽2𝑋2+ ⋯ + 𝛽𝑛𝑋𝑛 (2.1)

1 Trong nghiên cứu về dự báo tài chính, đặc điểm độc lập của từng quan sát là các tỷ số tài chính của công ty Trong một số lĩnh vực khác như y học, đặc điểm độc lập của từng quan sát là: giới tính, độ tuổi, tình trạng hôn nhân, cân nặng, chiều cao, tiền sử về loại bệnh nào đó, v.v… của người được xét nghiệm

2 Nghĩa là tối đa hóa tỷ số: 𝑆𝑆(𝐵)

𝑆𝑆(𝑊) =∑ 𝑛(𝑥̅−𝑋̅𝐺𝑀 )2

∑ 𝑑𝑓∙𝑠 2

Trang 15

Phân tích phân biệt cho ra kết quả tốt hơn khi các biến có dạng phân phối chuẩn và

ma trận hiệp phương sai đối với mọi nhóm là bằng nhau Tuy nhiên, nghiên cứu thực nghiệm cho thấy các công ty có tình hình tài chính không lành mạnh vi phạm giả định phân phối chuẩn (Back và cộng sự, 1996) Mặc dù vậy, vấn đề về giả định phân phối chuẩn không làm yếu đi khả năng dự báo của mô hình DA, mà chỉ làm yếu khả năng xác định xác suất xảy ra kiệt quệ tài chính của mô hình DA Vì vậy, phân tích phân biệt (DA) chỉ có thể nhận dạng một công ty là có vấn đề về tài chính hay tài chính lành mạnh, không thể cung cấp thông tin về xác suất xảy ra kiệt quệ của công ty.Ngoài ra, phân tích phân biệt (DA) cũng xuất hiện hiện tượng đa cộng tuyến giữa các biến độc lập, đặc biệt khi phương pháp stepwise được sử dụng (Hair

và cộng sự, 1998) Mặc dù vậy, Altman (2000) tuyên bố rằng hiện tượng đa cộng tuyến không nghiêm trọng trong mô hình phân tích phân biệt DA, bởi vì trước đó, việc lựa chọn các biến số độc lập (các tỷ số tài chính) cho mô hình đã được thực hiện rất cẩn thận

2.1.1 Phân tích phân biệt đơn biến của Beaver (1966)

Beaver chọn 79 công ty kiệt quệ tài chính là các công ty bị phá sản, hoặc không thể trả lãi, hoặc chậm trả cổ tức, hoặc tài khoản ngân hàng cạn kiệt Dữ liệu lấy từ tạp chí chuyên ngành hàng năm của Moody từ năm 1954 đến 1964 Beaver sử dụng phương pháp bắt cặp để chọn các công ty không bị kiệt quệ vào mẫu, cụ thể “với

Trang 16

mỗi công ty kiệt quệ trong mẫu, sẽ chọn một công ty không kiệt quệ cùng ngành và cùng giá trị tài sản vào mẫu” Động cơ đằng sau phương pháp này là để kiểm soát ảnh hưởng của nhân tố giá trị tài sản và ngành lên các tỷ số tài chính và sự kiệt quệ

Beaver chọn 30 tỷ số tài chính và sử dụng 3 loại phân tích thực nghiệm để thấy khả năng dự báo của các tỷ số tài chính này, đó là:

 Thứ nhất, phân tích so sánh giá trị trung bình,

 Thứ hai, kiểm định tách đôi,

 Thứ ba, phân tích khả năng dự báo

Đầu tiên, phân tích so sánh giá trị trung bình sẽ so sánh giá trị trung bình của tỷ số

tài chính giữa các công ty kiệt quệ và các công ty không kiệt quệ, kết quả cho thấy các công ty kiệt quệ có tỷ số tài chính kém hơn so với các công ty không kiệt quệ trong giai đoạn trước khi kiệt quệ

Tiếp theo, kiểm định tách đôi được thực hiện để kiểm tra khả năng dự báo của các

tỷ số tài chính Kiểm định được thực hiện bằng cách phân chia ngẫu nhiên các công

ty trong mẫu thành 2 mẫu con Với một tỷ số tài chính cho trước, một điểm cắt tối

ưu (optimal cutoff) sẽ được xác định ở mỗi mẫu con Các điểm cắt tối ưu của mẫu con này sẽ được sử dụng để phân loại cho mẫu con kia và ngược lại Beaver nhận thấy rằng có 6/30 tỷ số là có ý nghĩa lớn để dự báo kiệt quệ, đó là những tỷ số có

“lỗi” phân loại thấp nhất:

Trang 17

 Thứ sáu, tỷ số 𝑁𝐶𝐼 = 𝑇à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛 (𝑡𝑟ừ 𝑐ổ 𝑝ℎ𝑖ế𝑢)−𝑁ợ 𝑛𝑔ắ𝑛 ℎạ𝑛

(𝐷𝑜𝑎𝑛ℎ 𝑠ố−𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑡𝑟ướ𝑐 𝑡ℎ𝑢ế−𝐾ℎấ𝑢 ℎ𝑎𝑜)/365

Cuối cùng là phân tích khả năng dự báo, bao gồm kiểm tra biểu đồ tần số, overlap,

độ xiên (skewness) và phân phối chuẩn của các tỷ số tài chính Phân tích này cho thấy các tỷ số tài chính có thể dự báo kiệt quệ tài chính vào khoảng thời gian 5 năm trước khi kiệt quệ xảy ra

2.1.2 Mô hình Z-score của Altman (1968)

Khác với Beaver, Altman sử dụng phương pháp phân tích phân biệt đa biến (MDA)

để tìm ra phương trình tuyến tính của các tỷ số tài chính để xác định công ty nào là phá sản và công ty nào là không phá sản Ông chọn ra 33 công ty phá sản trong suốt các năm 1946 đến 1965 Giống như Beaver, ông chọn 33 công ty không phá sản bằng cách sử dụng phương pháp bắt cặp, trong đó, từng cặp công ty phải thuộc cùng một ngành và có quy mô như nhau Altman chọn 22 tỷ số tài chính dựa trên tính phổ biến trong các nghiên cứu trước Cuối cùng, ông tìm được 5 tỷ số tài chính làm tốt việc xác định các công ty là phá sản hay không phá sản khi đứng cùng nhau:

𝑍 = 0,012𝑊𝐶𝑇𝐴 + 0,014𝑅𝐸𝑇𝐴 + 0,033𝐸𝐵𝐼𝑇 + 0,006𝑀𝐸𝑇𝐿 + 0,999𝑆𝑇𝐴 (2.2) Trong đó:

 WCTA: vốn luân chuyển trên tổng tài sản,

 RETA: thu nhập giữ lại trên tổng tài sản,

 EBIT: thu nhập trước thuế và lãi vay trên tổng tài sản,

 METL: giá trị vốn hóa thị trường trên giá trị sổ sách của tổng nợ,

 STA: doanh thu trên tổng tài sản,

 Z: điểm số Z để phân loại

Điểm phân loại của mô hình là:

Trang 18

Phần trăm sai số n Thực tế

Dự báo Nhóm 1 Nhóm 2

Các công ty với Z-score thấp hơn so với điểm cắt sẽ bị phân loại vào nhóm phá sản

và ngược lại Theo đó, Z-score càng thấp thì càng cho thấy rủi ro tài chính đang rất cao Với phương trình này, Altman dự báo chính xác 95% tình trạng của các công ty trong mẫu ở thời điểm 1 năm trước khi kiệt quệ xảy ra Đồng thời, mô hình của Altman dự báo chính xác hơn so với mô hình đơn biến của Beaver

Đến năm 1977, Altman, Haldeman và Narayanan phát triển một mô hình thứ hai từ

mô hình Z-score gốc với một vài sự nâng cấp Mô hình mới, được gọi là ZETA, có

độ chính xác cao hơn trong việc dự báo các công ty phá sản so với mô hình Z-score

cũ và tăng thời gian dự báo lên 5 năm trước khi xảy ra kiệt quệ

Trang 19

Bảng 2.2: So sánh kết quả của mô hình ZETA (1977) và mô hình Z-score của Altman (1968)

Nguồn: Altman, E I (1993) Classification Results, Two Statements Prior to Bankruptcy

Vì tính độc quyền của mô hình ZETA nên Altman và cộng sự (1977) chỉ cung cấp thông tin 7 biến được sử dụng trong mô hình:

2.2 Mô hình phân tích logit

2.2.1 Mô hình phân tích logit của Ohlson (1980)

Không giống như phân tích phân biệt - chỉ xác định được công ty là có vấn đề về tài chính hay không, phân tích logit còn có thể xác định được xác suất xảy ra rủi ro tài chính của công ty Các hệ số của mô hình phân tích logit được ước lượng bằng

Trang 20

phương pháp “hợp lý cực đại” (maximum likelihood) Phân tích logit sử dụng hàm

số xác suất tích lũy logistic để dự báo rủi ro Kết quả của hàm số có giá trị trong khoảng 0 và 1, đó là xác suất xảy ra kiệt quệ tài chính, có dạng như phương trình sau:

có phân phối chuẩn So với phân tích phân biệt (DA), lợi thế của phân tích logit là thoát khỏi các giả định về phân phối chuẩn và ma trận hiệp phương sai Ông cũng chỉ trích điểm số Z-score từ phương pháp phân tích phân biệt không cung cấp thông tin về xác suất xảy ra kiệt quệ của một công ty, mà chỉ cho biết một công ty là kiệt quệ hay không kiệt quệ Để khắc phục vấn đề này, ông sử dụng phân tích logit để ước lượng xác suất xảy ra rủi ro tài chính

Ohlson trích xuất dữ liệu các công ty có vấn đề về tài chính từ báo cáo tài chính

10-K3 Ông lấy 105 công ty phá sản và 2058 công ty không phá sản trong thời kỳ 1970 đến 1976 Các chỉ số dự báo của nghiên cứu được chọn lựa từ các nghiên cứu trước

đó Mô hình của Ohlson có 9 biến, đó là:

3 Báo cáo tài chính 10-K là báo cáo chi tiết về tình hình tài chính hàng năm của các công ty đại chúng dựa theo quy định của Ủy ban chứng khoán quốc gia Hoa Kỳ (SEC) Trong đó, báo cáo phải có đầy đủ các thông tin chi tiết về: lịch sử công ty, cơ cấu tổ chức, vốn chủ sở hữu, số lượng cổ phần, các công ty con, v.v…

Trang 21

𝑂 = −1,32 − 0,407𝑆𝐼𝑍𝐸 + 6,03𝑇𝐿𝑇𝐴 − 1,43𝑊𝐶𝑇𝐴 + 0,0757𝐶𝐿𝐶𝐴 −2,37𝑁𝐼𝑇𝐴 − 1,83𝐹𝑈𝑇𝐿 + 0,285𝐼𝑁𝑇𝑊𝑂 − 1,72𝑂𝐸𝑁𝐸𝐺 − 0,521𝐶𝐻𝐼𝑁 (2.4) Trong đó:

 SIZE: log của tổng tài sản/chỉ số giảm phát GNP,

 TLTA: tổng nợ chia tổng tài sản,

 WCTA: vốn luân chuyển chia tổng tài sản,

 CLCA: nợ ngắn hạn chia tài sản ngắn hạn,

 OENEG: bằng 1 nếu tổng nợ lớn hơn tổng tài sản, bằng 0 nếu ngược lại,

 NITA: thu nhập ròng chia tổng tài sản,

 FUTL: dòng tiền hoạt động chia tổng nợ,

 INTWO: bằng 1 nếu thu nhập ròng là âm trong 2 năm, bằng 0 nếu ngược lại,

 CHIN: = (NIt – NIt-1)/([NIt] + [NIt-1]), trong đó NIt là thu nhập ròng kỳ gần

nhất Biến này nhằm mục đích đo lường sự thay đổi trong thu nhập ròng

Mô hình Ohlson ở trên là mô hình 1 của nghiên cứu với độ chính xác đạt 96,12% Tổng thể, Ohlson xây dựng 3 mô hình: mô hình dự báo trước 1 năm, mô hình 2 dự báo trước 2 năm và mô hình 3 dự báo trước 1 năm hoặc 2 năm

2.2.2 Mô hình phân tích logit của Shuangjie Li, Shao Wang (2014) 4

Là một nghiên cứu thực nghiệm trên bộ dữ liệu các công ty Trung Quốc có mức độ

dự đoán chính xác của mô hình rất cao cho các dữ liệu trong và ngoài mẫu lần lượt

là 97,1% và 94,1%, cao hơn so với kết quả của các nghiên cứu trước đây Kết quả của nghiên cứu cho thấy rằng mô hình logit đề xuất của tác giả đã được cải thiện về tính chính xác của dự báo và độ ổn định cao Bài viết này lựa chọn 17 công ty Trung Quốc niêm yết, được gọi là các công ty ST trong năm 2009, những công ty này có lợi nhuận âm trong hai năm liên tiếp (2007-2008), và đồng thời lựa chọn 17

4 Shuangjie Li, Shao Wang, 2014 A financial early warning logit model and its efficiency verification approach Knowledge-Based Systems

Trang 22

công ty Trung Quốc được liệt kê trong cùng một ngành mà có lợi nhuận tích cực tương ứng từng cặp Các dữ liệu của năm 2006 đã được lựa chọn cho dự đoán của năm 2009 Tất cả các dữ liệu tài chính được lấy từ cơ sở dữ liệu CCER (Trung tâm Nghiên cứu Kinh tế Trung Quốc, Đại học Bắc Kinh) và báo cáo tài chính của các công ty Trung Quốc niêm yết

Để phản ánh đầy đủ hiệu suất hoạt động của các công ty khi xây dựng mô hình logit, tác giả thiết lập 6 hạng mục theo 13 chỉ tiêu tài chính từ hàng trăm chỉ tiêu và

tỷ sổ tài chính vào mô hình logit đề xuất Chỉ số lợi nhuận: X1-tỷ lệ lợi nhuận trên vốn chủ sở hữu của cổ đông thường, X2-lợi nhuận trên tổng tài sản; Chỉ số tăng

trưởng: X3- tốc độ tăng trưởng ròng tài sản, X4- tốc độ tăng trưởng thu nhập hoạt

động, X5- tốc độ tăng trưởng lợi nhuận ròng; Chỉ số lưu chuyển: X6-tỷ số thanh khoản, X7-tỷ số thanh toán nhanh; Chỉ số tiền mặt: X8- tỷ số tiền trên nợ ngắn hạn, X9-tỷ số tiền trên nợ; Chỉ số cấu trúc: X10-tỷ lệ nợ trên tài sản; Chỉ số bán hàng:

X11- tỷ số hàng tồn kho trên doanh thu, X12-doanh thu của các khoản phải thu, X13- tỷ số doanh thu trên tổng tài sản

Trong nghiên cứu, tác giả định nghĩa công ty ST trong năm 2009 là 1, công ty không thuộc ST là 0 Theo định nghĩa này có biến giả cho 13 chỉ tiêu tài chính của 6 hạng mục, phương pháp “forward screeming Wald” được sử dụng để tự động lọc và đưa các biến có ảnh hưởng đáng kể đến mô hình, và sau đó các giá trị xác suất được tính toán bằng cách sử dụng dữ liệu của các biến trong năm 2006 với mức ý nghĩa 0,05 Như vậy, kết quả cuối cùng của mô hình có thể đảm bảo rằng các biến còn lại

có tác động đáng kể đến kết quả dự báo và đảm bảo sự đơn giản của mô hình, vì chỉ

có các biến quan trọng nhất được lựa chọn

Qua kết quả hồi quy, 2 trong số 13 biến ban đầu còn lại là tỷ số lợi nhuận trên tổng tài sản X2 và tốc độ tăng trưởng lợi nhuận ròng X5 được giữ lại, và được thể hiện theo phương trình sau:

Trang 23

(2.5)

2.3 Mô hình phân tích bao dữ liệu DEA 5 (Data Envelopment Analysis)

2.3.1 Sơ lược về sự hình thành, quá trình phát triển của phương pháp phân tích bao dữ liệu (DEA)

Phương pháp phân tích bao dữ liệu (DEA) – phương pháp phân tích hiệu quả hoạt động sản xuất của các tổ chức, doanh nghiệp đã được nghiên cứu, sử dụng khá nhiều trong các bài báo, công trình nghiên cứu khoa học quốc tế về kinh tế Tuy nhiên, ứng dụng DEA ở Việt Nam hiện nay còn hạn chế, phương pháp này vẫn còn tương đối mới, chưa được tiếp cận, áp dụng nhiều trong các nghiên cứu đánh giá hiệu quả hoạt động của các tổ chức, doanh nghiệp Do tài liệu trong nước về phương pháp luận của phương pháp DEA đến nay hầu như không có nhiều

Phương pháp phân tích bao số liệu sử dụng kiến thức về mô hình toán tuyến tính, mục đích là dựa vào số liệu đã có để xây dựng một mặt phẳng phi tham số (mặt phẳng giới hạn sản xuất) Khi đó, hiệu quả hoạt động của các tổ chức, doanh nghiệp

sẽ được tính toán dựa theo mặt phẳng này

Phương pháp phân tích bao số liệu dùng để xây dựng đường giới hạn sản xuất, được

đề xuất đầu tiên bởi Farrell (1957) Một thời gian dài sau đó, phương pháp này chỉ được quan tâm bởi một số ít nhà khoa học (Coelli et al., 2005) Sau đó, các tác giả Boles (1966), Sephard (1970) và Afriat (1972) đã đề xuất các mô hình toán học có thể giải quyết hiệu quả các bài toán có liên quan đến tính toán hiệu quả, năng suất của các doanh nghiệp Tuy nhiên, vào thời điểm đó các phương pháp này vẫn chưa

5 DEA được phát triển đầu tiên bởi Farrell(1957), Charnes, Cooper and Rhod (1978) và Banber, Charnes and Cooper (1984)

Trang 24

nhận được sự ủng hộ rộng rãi Theo Coell (2005), tình trạng này xảy ra cho đến khi khái niệm và phương pháp “phân tích bao số liệu” được sử dụng trong bài báo của Charnel, Cooper (1978) Năm 1978, Charnel, Cooper and Rhodes cũng đề xuất một phương pháp với giả thiết tối thiểu hoá đầu vào và với điều kiện kết quả sản xuất không thay đổi theo quy mô Sau này, các bài báo của Fare, Grosskopf và Logan (1983); Banker, Charnes, Cooper (1984) còn đề cập tới một số giả định khác và xây dựng thêm mô hình phân tích bao số liệu với điều kiện kết quả sản xuất thay đổi theo quy mô Gần đây, các nhà nghiên cứu bắt đầu nghiên cứu thêm một số mô hình phân tích DEA mở rộng nhằm khắc phục một số hạn chế của DEA cũng như mở rộng sự ứng dụng của nó trong phân tích kinh tế

Phương pháp DEA có thể áp dụng cho phân tích hiệu quả hoạt động sản xuất của các công ty, trang trại, hộ sản xuất Dựa vào nhiều nghiên cứu trước đó, Coelli và các cộng sự (2005) đã thiết lập mô hình phân tích DEA với điều kiện kết quả sản xuất không đổi theo quy mô Các bước cơ bản sẽ được trình bày dưới đây Giả sử ta

có dữ liệu của K công ty, mỗi công ty sử dụng N đầu vào và M đầu ra Với công ty thứ i, dữ liệu về đầu vào được thể hiện bằng véctơ cột xi và đầu ra được diễn tả bằng véctơ cột qi Như vậy, số liệu đầu vào và đầu ra của tất cả các công ty được thể hiện bằng ma trận X (N x K) và ma trận Q (M x K)

Phương pháp sử dụng các “tỷ lệ” được xem là phương pháp trực quan mô tả phân tích bao số liệu (DEA) Với mỗi công ty, chúng ta sẽ đo tỷ lệ của tổng số lượng các sản phẩm đầu ra trên tổng số lượng các đầu vào đã sử dụng (u’qi/v’xi) với u là véc

tơ số lượng đầu ra (M x 1); v là véc tơ số lượng đầu vào (N x 1) Số lượng đầu vào

và đầu ra tối ưu của công ty thứ i được tìm ra qua việc giải mô hình toán sau:

max u,v (u’qi/v’xi)

S.t u’qj/v’xj ≤ 1 j = 1,2,3….K (2.12)

u, v ≥ 0

Trang 25

Từ bài toán này ta có thể tìm được các số lượng đầu vào và đầu ra của công ty thứ i sao cho hệ số hiệu quả của nó (tổng đầu ra/ tổng đầu vào) là lớn nhất với điều kiện

là hệ số hiệu quả của nó luôn nhỏ hơn hoặc bằng 1

Một vấn đề khó khăn có thể xảy ra là có rất nhiều lời giải cho bài toán trên (ví dụ: nếu u* v* là nghiệm thì 2u* 2v* cũng là nghiệm của bài toán) Để khắc phục vấn đề này, điều kiện v’xi được đưa vào mô hình toán Do vậy, ta có: Sự thay đổi ký hiệu

từ u và v sang θ, λ và hàm ý rằng ta đã xét đến một mô hình toán tuyến tính tương

tự khác Sử dụng tính chất đối ngẫu của mô hình toán tuyến tính chúng ta có thể phát triển một dạng mô hình đường bao số liệu tương ứng như sau:

(2.13)

Dạng mô hình đường bao số liệu tương ứng này có ít điều kiện tham chiếu hơn dạng

mô hình phức toán tuyến tính và vì vậy nó thường được áp dụng Theo Farrell (1957) khi thì mức độ hiệu quả hoạt động của công ty thứ i sẽ có vị trí trên đường giới hạn sản xuất; và vì vậy nó sẽ là công ty hoạt động hiệu quả về mặt kỹ thuật Lưu ý là bài toán mô hình tuyến tính cần được giải K lần, mỗi lần cho một công ty, mỗi một giá trị tương ứng cho một công ty

Mô hình toán tuyến tính (2.13) cung cấp cho chúng ta những lý giải khá lý thú và hữu ích Trước hết, công ty thứ i sẽ được quan tâm để phân tích, bài toán tập trung vào việc thu hẹp vectơ đầu vào càng nhiều càng tốt trong khi vẫn phải đảm bảo điều kiện nằm trong giới hạn cho phép các đầu vào cần cho hoạt động sản xuất Đường bao giới hạn các “đầu vào” cho phép là một đường đẳng lượng (có tính chất tuyến tính, từng mảng liên tục), được xác định bởi các số liệu (đầu ra và đầu vào của các

Trang 26

công ty) đã thu thập được Véc tơ “chuẩn thu hẹp” của vec tơ ”đầu vào” xi(có được sau khi thu hẹp toạ độ xi của véc tơ xi/q) sẽ giúp xác định các điểm để so sánh (X, Q) Các điểm được dùng để so sánh này là sự kết hợp tuyến tính của các số liệu Các điều kiện ở (2.13) cũng nhằm đảm bảo các điểm so sánh (X, Q) sẽ không nằm ngoài vùng giới hạn kỹ thuật/công nghệ

Fare và cộng sự đã chỉ chỉ ra rằng, công nghệ này là tập hợp các khả năng sản xuất, được thể hiện là một miền có tính chất là một miền đóng, hàm lồi, kết quả sản xuất không đổi theo quy mô và mang tính chất: không cắt bởi các trục toạ độ

Ưu điểm của phương pháp phân tích bao dữ liệu DEA:

- Không yêu cầu phải xác định một dạng hàm cụ thể khi xây dựng biên sản xuất

- Đường giới hạn biên sản xuất được xây dựng trực tiếp từ dữ liệu quan sát thông qua hệ thống phương trình tuy ến tính Vì thế, có thể ứng dụng trong những nghiên cứu với số lượng quan sát hạn chế

- Có thể sử dụng trong trường hợp nhiều sản phẩm đầu ra và nhiều yếu tố đầu vào

- Có thể sử dụng để ước lượng riêng biệt các loại hiệu quả sản xuất như hiệu quả

kỹ thuật, hiệu quả phân phối nguồn lực, hiệu quả sử dụng chi phí và hiệu quả theo quy mô sản xuất

Tuy nhiên, hạn chế của phương pháp này (so với phương pháp hồi quy) là nó không tính toán đến yếu tố sai số (error) hay nhiễu (noise), do đó trong DEA không tồn tại yếu tố mức ý nghĩa hay độ tin cậy (significant level) Đồng thời, điểm hiệu quả DEA là hiệu quả tương đối giữa các DMU với nhau, do đó nếu 1 DMU có điểm hiệu quả là 100% và nằm trên đường PF thì cũng KHÔNG có nghĩa là nó đã tối ưu trên thực tế (nó chỉ tối ưu hơn các DMU khác trong phạm vi phân tích mà thôi) Vì

Trang 27

vậy, DEA thường được thực hiện kết hợp với phân tích hồi quy trong một mô hình

2 bước (2-stages DEA) hay nhiều bước (multi-stages DEA) để làm tăng thêm tính thuyết phục của mô hình

2.3.2 Mô hình DEA trong nghiên cứu của của Shuangjie Li, Shao Wang (2014)

Shuangjie Li, Shao Wang (2014) sử dụng các chỉ sô hiệu quả của mô hình DEA như một mô hình phụ trợ nhằm xác định tính hiệu quả dự báo của mô hình logit (đã nêu trong phần 2.2.2)

Mô hình DEA như sau:

Giả sử chúng ta thu thập dữ liệu từ K công ty (đơn vị ra quyết định, viết tắt DMU, K> 1) trong đó sử dụng N > 1 đầu vào để có M > 1 kết quả đầu ra Đối với đơn vị ra quyết định thứ i (DMUi), được đại diện bởi các vectơ cột xi và qi tương ứng N x K trong ma trận đầu vào X và M x K ma trận đầu ra Q, đại diện cho dữ liệu cho tất cả

K DMUs Các kết quả phản hồi trên quy mô (gọi tắt CRS) là chỉ số hiệu quả của mô hình DEA có thể được đo bằng mô hình sau đây:

(2.14)

Mô hình CRS có thể dễ dàng sửa đổi để chuyển biến trên quy mô VRS bằng cách thêm các giả định: K1’ ƛ = 1

Trang 28

Theo tình hình thực tế, quy mô của các công ty Trung Quốc có ảnh hưởng quan trọng đối với hiệu quả của họ Tác giả lựa chọn mô hình VRS để đo lường hiệu quả DEA

Tác giả thực hiện các bước:

Bước 1, tác giả tính toán hiệu quả DEA đầu ra của mô hình chuẩn gồm các biến đầu vào – đầu ra:

- Biến đầu vào: tổng tài sản, chi phí kinh doanh chính và số lao động

- Biến đầu ra: thu nhập chính từ hoạt động kinh doanh và lợi nhuận ròng

,và hiệu quả DEA đầu ra của mô hình bổ sung gồm các biến:

- Biến đầu vào: tổng tài sản và số lao động

- Biến đầu ra: lợi nhuận ròng

Bước 2, tính toán hệ số tương quan của các chỉ số giữa mô hình logit (ROA và tốc

độ tăng trưởng lợi nhuận ròng) và giá trị hiệu quả của mô hình DEA Nếu hệ số tương quan là cao thì kết quả của phương pháp tính hiệu quả và kết quả dự đoán thu được từ mô hình dự báo logit là giống nhau hoặc cơ bản giống nhau

Trang 29

Bảng 2.3: Tương tự quan giữa chỉ số mô hình logit và chỉ số hiệu quả

Tốc độ tăng trưởng lợi nhuận ròng 0.292 (0.094) 0.488 (0.033)

Bảng 2.3 cho thấy sự phù hợp của việc đánh giá tình hình tài chính từ quan điểm của tính hiệu quả Ở một mức độ ý nghĩa 10%, hệ số tương quan là rất lớn Mặc dù hiệu quả DEA là một chỉ số phi tài chính, nó vẫn có một số liên quan với các chỉ số tài chính Vì vậy, từ quan điểm của ý nghĩa, việc sử dụng các chỉ số hiệu quả là phù hợp

Các hệ số lợi nhuận trên tổng tài sản và chỉ số hiệu quả trong mô hình chuẩn và mô hình bổ sung lần lượt là (0,738, 0,824); các hệ số của tốc độ tăng trưởng lợi nhuận ròng và chỉ số hiệu quả trong 2 mô hình là (0,292, 0,488) Họ không phải là quá lớn cũng không quá nhỏ nhưng phù hợp với phương án là chức năng phụ trợ

Bước 3, tác giả tính toán giá trị hiệu quả trung bình trong mô hình DEA cho 17 công ty ST và 17 công ty bình thường (sử dụng bô mẫu trong mô hình logit) Thông thường ta sẽ có Trung bình nhóm ST (MeanST) < Trung bình nhóm bình thường (Meannormal) Kết quả là ba khoảng: [0, MeanST], (MeanST, Meannormal), [Meannormal, 1] Bài viết này xem xét phá sản tài chính của một công ty rơi vào khoảng đầu tiên chỉ định là - 1, Công ty rơi vào một khoảng thứ ba là công ty bình thường mà và gán điểm số 1, và các công ty rơi vào khoảng thời gian thứ hai là không chắc chắn , gán điểm 0

Đối với mô hình DEA bổ sung, quy tắc gán điểm được chỉ định một lần nữa và tác giả kết hợp kết quả 2 mô hình để đưa ra năm giá trị có thể nhận: - 2, - 1, 0, 1 và 2

Trang 30

Theo nguyên tắc điểm của các công ty ST là tiêu cực mang điểm dương (+) và điểm của các công ty bình thường là tích cực mang điểm âm (-) để đưa ra kết quả cuối cùng Tình hình tài chính của một công ty được minh họa trong Bảng 2.4 để xác định tính hiệu quả dự báo của mô hình logit

Bảng 2.4: Gán điểm đánh giá tính hiệu quả dự báo của mô hình logit

Nhóm công ty ST

Chỉ số hiệu quả thấp,

dự báo rất chính xác

dự báo chính xác

Không chắc chắn

Chỉ số hiệu quả cao, dự báo có thể

bị nghi ngờ

Chỉ số hiệu quả cao, nghi ngờ trong dự báo

dự báo có thể bị nghi ngờ

Không chắc chắn

Chỉ số hiệu quả cao, dự báo chính xác

Chỉ số hiệu quả cao, dự báo rất chính xác

So với thực tế, kết quả kiểm định dữ liệu trong mẫu, trong 34 công ty có 10 công ty không có kết luận kiểm định và 24 công ty có kết quả kiểm định, trong đó 23 công

ty được xác nhận là chính xác Do đó, tỷ lệ chính xác của việc xác minh là 95,8%

Kết quả mô hình cho bộ dữ liệu ngoài mẫu cho thấy rằng trong tất cả 34 công ty, 8 công ty không xác nhận kết quả; 26 công ty có kết luận thẩm tra nhất định trong đó

có 25 công ty được xác nhận một cách chính xác, với một tỷ lệ chính xác của 96,2%; một công ty đã được xác nhận không chính xác

Trang 31

CHƯƠNG 3: XÂY DỰNG MÔ HÌNH LOGIT

3.1 Chỉ số và dữ liệu

Đề tài lựa chọn 25 công ty niêm yết trên hai sàn HoSE và HNX, được gọi là các công ty thuộc nhóm ST trong năm 2014, có lợi nhuận âm (-) trong hai năm liên tiếp (2012-2013), và cũng lựa chọn 25 công ty có lợi nhuận dương (+) tương ứng từng cặp cùng ngành Các dữ liệu của năm 2011 được lựa chọn để dự báo năm 2014 Tất

cả các dữ liệu được lấy trên báo cáo tài chính của các công ty niêm yết trên sàn

Để phản ánh đầy đủ hiệu suất hoạt động của các công ty khi xây dựng mô hình logit, đề tài thiết lập 6 hạng mục theo 13 chỉ tiêu tài chính và tỷ sổ tài chính vào mô hình dự báo logit

1 Chỉ số lợi nhuận: X1 - Tỷ lệ lợi nhuận trên vốn chủ sở hữu của cổ đông

thường

X2 - Lợi nhuận trên tài sản

2 Chỉ số tăng trưởng: X3 - Tốc độ tăng trưởng ròng tài sản

X4 - Tốc độ tăng trưởng thu nhập hoạt động X5 - Tốc độ tăng trưởng lợi nhuận ròng

3 Chỉ số lưu chuyển: X6 - Tỷ số thanh khoản

X7 - Tỷ số thanh toán nhanh

4 Chỉ số tiền mặt: X8 - Tỷ số tiền trên nợ ngắn hạn

X9 - Tỷ số tiền trên nợ

5 Chỉ số cấu trúc: X10 - Tỷ lệ nợ trên tài sản

6 Chỉ số bán hàng: X11 - Tỷ số hàng tồn kho trên doanh thu

X12 - Tỷ số doanh thu trên các khoản phải thu X13- Tỷ số doanh thu trên tổng tài sản

Các bảng 3.1 và 3.2 mô tả biến trong từng bộ mẫu; bảng 3.3 và 3.4 cho thấy mô tả

số liệu thống kê mô tả mẫu

Trang 32

Bảng 3.1: Mô tả biến của nhóm công ty ST

Tốc độ tăng trưởng thu nhập hoạt động

Tốc độ tăng trưởng lợi nhuận ròng

Tỷ số thanh toán hiện hành

Tỷ số thanh toán nhanh

Tỷ số tiền/Nợ ngắn hạn

Tỷ số tiền/Nợ

Tỷ lệ nợ/Tổng tài sản

Tỷ số hàng tồn kho/Do anh thu

Kỳ thu tiền bình quân

Hiệu suất

sử dụng tài sản X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13

1 ILC

CÔNG TY

CỔ PHẦN HỢP TÁC LAO ĐỘNG VỚI NƯỚC NGOÀI

1 -0.208 -0.129 0.175 -3.187 -2.662 0.649 0.469 0.071 0.061 0.380 30.530 54.175 0.822

3 MMC

CÔNG TY

CỔ PHẦN KHOÁNG SẢN MANGAN

1 -0.071 -0.052 0.030 -1.452 -1.441 3.041 0.312 0.023 0.023 0.257 286.723 29.731 0.789

4 TNT

CÔNG TY

CỔ PHẦN TÀI NGUYÊN

1 0.003 0.002 0.403 -0.820 -0.962 1.957 1.944 0.039 0.038 0.380 17.920 411.162 0.423

Trang 33

Hiệu suất

5 DZM

CÔNG TY

CỔ PHẦN CHẾ TẠO MÁY DZĨ

1 0.157 0.032 0.159 1.395 1.076 1.062 0.471 0.199 0.191 0.752 46.105 30.010 3.021

7 SRA

CÔNG TY

CỔ PHẦN SARA VIỆT NAM

1 0.008 0.005 -0.053 -0.943 -0.944 1.764 1.764 0.001 0.001 0.343 0.000 68.091 0.585

8 PNC

CÔNG TY

CỔ PHẦN VĂN HOÁ PHƯƠNG NAM

1 0.000 0.000 0.108 1.264 -1.050 1.103 0.434 0.022 0.020 0.663 159.956 72.196 0.890

9 HSI

CÔNG TY

CỔ PHẦN VẬT TƯ TỔNG HỢP

VÀ PHÂN

1 0.134 0.024 0.365 0.003 -0.032 1.061 0.350 0.028 0.028 0.822 140.286 69.097 1.378

Trang 34

Hiệu suất

sử dụng tài sản

X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13

BÓN HÓA SINH

10 GGG

CÔNG TY

CỔ PHẦN Ô

TÔ GIẢI PHÓNG

1 -1.898 -0.264 -0.171 -25.816 -27.367 0.728 0.256 0.007 0.005 0.861 348.840 369.542 0.274

11 VPC

CÔNG TY

CỔ PHẦN ĐẦU TƯ VÀ PHÁT TRIỂN NĂNG LƯỢNG VIỆT NAM

1 0.015 0.008 -0.068 5.150 -0.355 1.099 1.099 0.031 0.012 0.447 0.000 147.002 0.126

12 VIS

CÔNG TY

CỔ PHẦN THÉP VIỆT

1 0.018 0.010 -0.002 -2.191 -0.599 1.447 1.045 0.093 0.084 0.383 79.321 156.673 0.654

Trang 35

Hiệu suất

14 VST

CÔNG TY

CỔ PHẦN VẬN TẢI VÀ THUÊ TÀU BIỂN VIỆT NAM

1 0.004 0.001 -0.021 -5.531 -0.960 0.510 0.396 0.195 0.068 0.797 17.957 24.316 0.564

15 SSG

CÔNG TY

CỔ PHẦN VẬN TẢI BIỂN HẢI

1 0.033 0.026 -0.103 -1.608 -0.654 3.240 3.180 1.048 0.613 0.218 4.785 144.402 0.601

17 DTC

CÔNG TY

CỔ PHẦN VIGLACERA ĐÔNG TRIỀU

1 0.023 0.003 0.690 -0.943 -0.945 0.503 0.276 0.084 0.049 0.848 60.516 39.527 0.891

18 HHL

CÔNG TY

CỔ PHẦN HỒNG HÀ LONG AN

1 -0.660 -0.217 -0.208 12.576 -61.561 0.932 0.843 0.062 0.062 0.671 13.300 129.538 1.390

Trang 36

Hiệu suất

19 HPS

CÔNG TY

CỔ PHẦN

ĐÁ XÂY DỰNG HOÀ PHÁT

1 0.085 0.071 0.021 -0.184 -0.180 4.064 3.078 2.281 2.281 0.157 49.012 33.149 0.819

20 PPG

CÔNG TY

CỔ PHẦN SẢN XUẤT- THƯƠNG MẠI-DỊCH

VỤ PHÚ PHONG

1 0.003 0.001 0.201 -0.538 -0.650 1.045 0.526 0.066 0.055 0.581 59.459 50.360 1.639

21 TSM

CÔNG TY

CỔ PHẦN XI MĂNG TIÊN SƠN HÀ TÂY

1 0.114 0.081 0.080 -0.412 -0.360 3.249 2.366 0.682 0.564 0.293 43.675 51.642 1.794

22 SD1

CÔNG TY

CỔ PHẦN SÔNG ĐÀ 1

1 0.085 0.019 -0.398 -0.888 -0.488 1.142 0.530 0.005 0.005 0.758 420.756 238.693 0.432

23 SDB

CÔNG TY

CỔ PHẦN SÔNG ĐÀ

207

1 -0.282 -0.061 0.115 -3.127 -3.136 1.200 0.638 0.003 0.003 0.783 251.755 283.988 0.551

Trang 37

Hiệu suất

24 SJM

CÔNG TY

CỔ PHẦN SÔNG ĐÀ 19

1 -0.141 -0.044 0.296 -30.989 -34.345 1.226 0.761 0.055 0.050 0.686 160.182 202.103 0.637

25 V15

CÔNG TY

CỔ PHẦN XÂY DỰNG

VÀ NHÂN LỰC VIỆT NAM

0 0.311 0.075 0.303 0.120 0.110 1.154 0.865 0.100 0.084 0.752 58.900 73.547 1.292

27 AMC

CÔNG TY

CỔ PHẦN KHOÁNG SẢN Á CHÂU

0 0.169 0.093 0.059 -0.301 -0.308 1.113 0.839 0.112 0.100 0.450 25.915 75.781 1.293

28 BMC

CÔNG TY

CỔ PHẦN KHOÁNG SẢN BÌNH ĐỊNH

0 0.486 0.355 0.519 2.854 2.866 3.174 2.831 0.697 0.611 0.270 28.631 31.733 1.447

Trang 38

Hiệu suất

29 LCM

CÔNG TY

CỔ PHẦN KHAI THÁC

VÀ CHẾ BIẾN KHOÁNG SẢN LÀO CAI

0 0.202 0.196 0.279 8.098 8.098 15.712 11.967 2.234 2.234 0.029 91.476 174.916 0.441

30 CTB

CÔNG TY

CỔ PHẦN CHẾ TẠO BƠM HẢI DƯƠNG

0 0.155 0.065 0.740 0.241 0.135 1.415 0.855 0.163 0.159 0.579 77.451 77.129 1.537

31 ABT

CÔNG TY

CỔ PHẦN XUẤT NHẬP KHẨU THỦY SẢN BẾN TRE

0 0.254 0.209 -0.206 0.001 0.000 4.158 2.908 1.238 1.236 0.179 56.027 57.683 1.227

32 FPT

CÔNG TY

CỔ PHẦN FPT

0 0.377 0.139 0.214 0.290 0.236 1.342 0.955 0.342 0.333 0.583 40.614 49.880 1.862

Trang 39

Hiệu suất

33 EID

CÔNG TY

CỔ PHẦN ĐẦU TƯ VÀ PHÁT TRIỂN GIÁO DỤC HÀ NỘI

0 0.178 0.126 0.016 0.178 0.180 3.319 1.451 0.657 0.657 0.291 167.965 53.642 1.148

34 HAI

CÔNG TY

CỔ PHẦN NÔNG DƯỢC H.A.I

0 0.128 0.069 0.074 -0.277 -0.296 1.792 0.628 0.086 0.083 0.461 148.278 96.643 1.098

35 SVC

CÔNG TY

CỔ PHẦN DỊCH VỤ TỔNG HỢP SÀI GÒN

0 0.110 0.030 0.156 -0.601 0.095 0.769 0.430 0.120 0.061 0.671 17.334 17.757 2.422

36 NLC

CÔNG TY

CỔ PHẦN THỦY ĐIỆN

HỒ CHÍ MINH

0 0.238 0.068 0.104 1.535 1.548 1.130 0.580 0.036 0.033 0.712 24.011 19.387 5.544

Trang 40

Hiệu suất

38 CJC

CÔNG TY

CỔ PHẦN

CƠ ĐIỆN MIỀN TRUNG

0 0.247 0.054 -0.412 0.000 0.004 1.376 0.865 0.197 0.157 0.780 118.909 136.907 1.068

39 GSP

CÔNG TY

CỔ PHẦN VẬN TẢI SẢN PHẨM KHÍ QUỐC

0 0.146 0.094 0.168 0.456 -0.120 2.675 2.675 0.064 0.064 0.356 0.007 72.356 1.643

41 TCT

CÔNG TY

CỔ PHẦN CÁP TREO NÚI BÀ TÂY NINH

0 0.365 0.328 0.327 0.552 0.554 10.358 10.260 10.078 9.275 0.102 7.715 14.809 0.494

42 BMP

CÔNG TY

CỔ PHẦN NHỰA BÌNH MINH

0 0.281 0.252 0.188 0.226 0.225 6.833 4.082 0.769 0.757 0.100 61.354 64.359 1.700

Định dạng
Số trang	97
Dung lượng	1,19 MB