Mô hình ước lượng xác suất kiệt quệ tài chính của doanh nghiệp tiếp cận bằng mô hình binary logictic

Trong một môi trường phát triển năng động, việc dự báo chính xác khả năng rơi vào tình trạng kiệt quệ tài chính là một trong những vấn đề cốt lõi giúp các nhà quản lý đưa ra những quyết

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM KHOA KẾ TOÁN

– TÀI CHÍNH – NGÂN HÀNG

LUẬN VĂN TỐT NGHIỆP

MÔ HÌNH ƯỚC LƯỢNG XÁC XUẤT KIỆT QUỆ TÀI CHÍNH CỦA DOANH NGHIỆP: TIẾP CẬN BẰNG

MÔ HÌNH BINARY LOGISTIC.

Ngành: TÀI CHÍNH DOANH NGHIỆP

Giảng viên hướng dẫn: TS HÀ VĂN DŨNG

Sinh viên thực hiện: Huỳnh Thảo Nguyên 1211190701

Lớp: 12DTDN04

TP Hồ Chí Minh, năm 2016

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ TP HCM KHOA KẾ TOÁN – TÀI CHÍNH – NGÂN HÀNG

LUẬN VĂN TỐT NGHIỆP

MÔ HÌNH ƯỚC LƯỢNG XÁC XUẤT KIỆT QUỆ TÀI CHÍNH CỦA DOANH NGHIỆP: TIẾP CẬN BẰNG

MÔ HÌNH BINARY LOGISTIC.

Ngành: TÀI CHÍNH DOANH NGHIỆP

Giảng viên hướng dẫn: TS HÀ VĂN DŨNG

Sinh viên thực hiện: Huỳnh Thảo Nguyên 1211190701

Lớp: 12DTDN04

TP Hồ Chí Minh, năm 2016

i

LỜI CAM ĐOAN

Em xin cam đoan đây là đề tài do chính em thực hiện sau khi tham khảo nhiều nguồntài liệu và được sự hướng dẫn của giảng viên Em xin hoàn toàn chịu trách nhiệm trước nhàtrường về sự cam đoan này

TP Hồ Chí Minh, ngày 26 tháng 6 năm 2016

(Tác giả)

HUỲNH THẢO NGUYÊN

Tôi cảm ơn các bạn lớp 12DTDN04 đã giúp đỡ tôi giải quyết những vấn đề, nhữngkhó khăn trong quá trình viết bài luận.

Tuy đã có nhiều cố gắng, nhưng chắc chắn luận văn của em còn có rất nhiều thiếu sót.Rất mong nhận được sự góp ý của các nhà trường và các thầy cô

Xin chân thành cảm ơn!

DANH MỤC BẢNG

Bảng 2.1 Biến trung vị và kiểm nghiệm mức ý nghĩa 10

Bảng 2.2 Kết quả phân loại mẫu gốc 12

Bảng 2.3: Kết quả phân loại mẫu cho thời gian hai năm trước khi phá sản 12

Bảng 2.4: Kết quả sắp xếp mẫu thứ cấp các công ty phá sản 13

Bảng 2.5: Phân loại và độ chính xác của mô hình dự báo phá sản Z-Score (1968) 16

Bảng 2.6: Mô hình điều chỉnh Z’-Score: Phân loại kết quả, trung bình nhóm, ranh giới điểm phân biệt 18

Bảng 3.1: Tổng hợp tác động từng biến đến Y trong hồi quy: 27

Bảng 3.2: Variables in the Equation 27

Bảng 4.1: Danh sách công ty bị hủy niêm yết năm 2012 30

Bảng 4.2: Doanh nghiệp bị hủy niêm yết do kinh doanh sa sút năm 2013 33

Bảng 4.3: Danh sách công ty bị hủy niêm yết 6 tháng đầu năm 2014 35

Bảng 4.4: Omnibus Test of Model Coefficient 37

Bảng 4.5: Model Summary 38

Bảng 4.6: Classification Tablea 38

Bảng 4.7: Variables in the Equation 39

MỤC LỤC

LỜI CAM ĐOAN ii

LỜI CẢM ƠN iii

DANH MỤC TỪ VIẾT TẮT iv

DANH MỤC BẢNG v

MỤC LỤC vi

Chương 1: GIỚI THIỆU .1

1.1 Lời mở đầu: 1

1.2 Mục tiêu nghiên cứu 2

1.3 Đối tượng và phạm vi nghiên cứu: 2

1.3.1 Đối tượng: 2

1.3.2 Phạm vi nghiên cứu 2

1.4 Phương pháp nghiên cứu: 2

1.5 Kết cấu đề tài: 3

Chương 2: TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN .4

2.1 Các nghiên cứu trước đây: 4

2.2 Phân tích các chỉ số truyền thống: 5

2.2.1 Mô hình Z’Score: 5

2.2.1.1 Bước 1: Sự chọn mẫu 5

2.2.1.2 Bước 2: Lựa chọn biến: 6

2.2.1.3 Bước 3: Giải thích biến số: 7

2.2.1.4 Bước 4: Kiểm tra biến số: 10

2.2.1.5 Mẫu ban đầu: 11

2.2.1.6 Kiểm định báo cáo hai năm trước khi phá sản: 12

2.2.1.7 Mẫu thứ cấp của các công ty phá sản: 13

2.2.1.8 Kiểm định mô hình dựa trên mẫu tiếp theo gồm các công ty kiệt quệ tài chính: 13

2.2.1.9 Mẫu thử nghiệm thứ nhì của công ty phá sản: 14

2.2.1.10 Độ chính xác dài hạn: 15

2.2.1.11 Chỉ số Z-Score trung bình chéo thời gian: 16

2.2.1.12 Mô hình Z-Score áp dụng cho các công ty tư nhân 16

2.2.2 Mô hình Z-Score tự điều chỉnh: 17

2.2.2.1 Kết luận về mô hình Z-Score: 18

2.2.3 Giới thiệu mô hình hồi quy Binary logistic 19

2.2.3.1 Ứng dụng của mô hình hồi quy Binary logistic 19

2.2.3.2 Mô hình Binary Logistic: 19

2.2.3.3 Các phương pháp đưa biến độc lập vào mô hình hổi quy Binary Logistic 22 Chương 3: PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KIỆT QUỆ TÀI CHÍNH CỦA CÁC DOANH NGHIỆP 24

3.1 Ước lượng xác xuất kiệt quệ tài chính của các doanh nghiệp: cách tiếp cận bằng mô hinhg Binary Logistic: .24

3.1.1 Xây dựng mô hình: 24

3.1.1.1 Diễn giải các biến độc lập trong phân tích hồi quy: 24

3.1.2 Kiện toàn mô hình: 26

Chương 4: KẾT QUẢ NGHIÊN CỨU CỦA MÔ HÌNH HỒI QUY BINARY LOGISTIC29 4.1 Thực trạng các doanh nghiệp 29

4.2 Kết quả mô hình 37

4.2.1 Độ phù hợp của mô hình: 37

4.2.2 Mức độ chính xác của mô hình 38

4.2.3 Kiểm định Wald 39

4.3 Kết quả nghiên cứu đưa ra mô hình hồi quy Binary Logistic với phương trình như sau: 40

4.3.1 Hệ số hồi quy tỷ số ROA: 40

4.3.2 Hệ số hồi quy MVE/TL 40

4.3.3 Hệ số hồi quy D/A 41

4.3.4 Hệ số hồi quy TIE 41

4.4 Kết quả nghiên cứu: 42

4.4.1 NOPAT/total assets (ROA) = Lợi nhuận sau thuế/ Tổng tài sản : 42

4.4.2 Market value of Equity/Book value of total liabilities (MVE/TL) = Giá trị thị trường của vốn chủ sở hữu /Tổng nợ: .43

4.4.3 Total Debt To Total Assets Ratio (D/A)= tổng nợ/ tổng tài sản: 43

4.4.4 TIE = Lợi nhuận trước thuế và lãi vay (EBIT) / Chi phí lãi vay: 43

4.5 Vận dụng mô hình Binary Logistic vào mục đích dự báo: 44

4.5.1 Ví dụ 1: CTCP xuất nhập khẩu thủy sản Bến Tre - ABT có số liệu như sau: 44

4.5.2 Ví dụ 2: CTCP Bê tông BECAMEX – ACC 44

4.5.3 Ví dụ 3: CTCP xuất nhập khẩu thủy sản An Giang – AGF 45

Chương 5: CÁC GIẢI PHÁP NÂNG CAO KHẢ NĂNG DỰ BÁO VÀ GIẢI QUYẾT MỘT CÁCH HIỆU QUẢ TÌNH TRẠNG KHÁNH KIỆT Ở VIỆT NAM .46

5.1 Nâng cao tính minh bạch và trách nhiệm của thông tin: 46

5.2 Phát triển hệ thống đánh giá xếp hạng tín nhiệm doanh nghiệp Việt Nam theo tiêu chuẩn quốc tế .48

5.3 Hoàn thiện luật phá sản và các văn bản hướng dẫn có liên quan cả về mặt lý luận và khả năng thực hiện .49

5.3.1 Tập trung vào những giải pháp tăng cường tính thực thi của luật phá sản 49

5.3.2 Sớm ban hành quy định hướng dẫn thủ tục phá sản cho các DN 51

5.3.3 Ban hành các quy định hỗ trợ nâng cao hiệu quả hoạt động của DATC 54

KẾT LUẬN 58

TÀI LIỆU THAM KHẢO 59

PHỤ LỤC 62

MÔ HÌNH ƯỚC LƯỢNG XÁC XUẤT KIỆT QUỆ TÀI CHÍNH CỦA

DOANH NGHIỆP: TIẾP CẬN BẰNG MÔ HÌNH BINARY

LOGISTIC.

1.1 Lời mở đầu:

Chương 1: GIỚI THIỆU

Kinh tế thế giới những năm gần đây biến động mạnh mẽ, mang đến cho các doanhnghiệp nhiều cơ hội cũng như thách thức, khó khăn trong hoạt động kinh doanh Trong một

môi trường phát triển năng động, việc dự báo chính xác khả năng rơi vào tình trạng kiệt quệ

tài chính là một trong những vấn đề cốt lõi giúp các nhà quản lý đưa ra những quyết địnhphù hợp, duy trì sự tồn tại và thúc đẩy sự phát triển của doanh nghiệp

Kết thúc năm 2013, có 37 doanh nghiệp hủy niêm yết, kể cả tự nguyện lẫn bắt buộctrên 2 sàn chứng khoán Đây là con số kỷ lục từ khi thị tr ư ờng ch ứ ng khoán VN ra đời đếnnay Ngoài các doanh nghiệp (DN) bị hủy niêm yết cổ phiếu (CP) bắt buộc do thua lỗ liêntục 3 năm hay vi phạm quy định công bố thông tin, số lượng DN tự nguyện rời khỏi sàn lênđến gần một nửa con số 37 DN trên Đáng chú ý là nhiều DN đưa lý do xin hủy niêm yết vìgiá CP đã xuống thấp hơn giá trị sổ sách của công ty hay DN không thể huy động được vốnthông qua thị trường chứng khoán (TTCK) Theo thống kê của Vietstock, chỉ mới 6 thángđầu năm 2014 mà có 25 mã cổ phiếu trên cả 2 sàn HOSE và HNX hủy niêm yết Con số này

đã vượt qua kỷ lục năm 2012 với 22 mã Nguyên nhân chủ yếu khiến 25 mã cổ phiếu này bịhủy niêm yết là do thua lỗ 3 năm liên tiếp và đơn vị kiểm toán không chấp nhận báo cáo tàichính hoặc từ chối đưa ra ý kiến sau khi công bố báo cáo tài chính kiểm toán năm 2013.Không ngừng lại ở đó, năm 2015 có 33 doanh nghiệp bị hủy niêm yết Kết thúc 4 tháng đầunăm 2016 đã có 2 doanh nghiệp tiếp tục buộc bị ngừng giao dịch trên sàn Và khả năng chưadừng lại khi mà còn rất nhiều doanh nghiệp đang thua lỗ 2 năm liên tiếp, chờ “phán quyết”cuối cùng vào kết quả kinh doanh 2016

Các nguyên nhân dẫn đến kiệt quệ tài chính ngày càng phức tạp Không những xuấtphát từ chính nội bộ doanh nghiệp mà còn xuất phát từ các yếu tố bên ngoài như các biến sốthị trường và vĩ mô Vì vậy cần một mô hình, cách thức dự báo tình trạng kiệt quệ tài chính

chính xác hơn nhằm giúp các nhà quản lý đưa ra quyết định đúng đắn, nâng cao chất lượng

công ty Nhận ra những yêu cầu bức thiết nói trên, tôi quyết định chọn đề tài “MÔ HÌNH

ƯỚC LƯỢNG XÁC XUẤT KIỆT QUỆ TÀI CHÍNH CỦA DOANH NGHIỆP: TIẾP CẬNBẰNG MÔ HÌNH BINARY” làm đề tài luận văn của mình

1.2 Mục tiêu nghiên cứu

- Tìm ra các nhân tố ảnh hưởng đến kiệt quệ tài chính của các doanh nghiệp

- Vận dụng mô hình hồi quy Binary Logistic để ước lượng xác xuất kiệt quệ tài chínhcủa doanh nghiệp Từ đó xem xét mức độ ảnh hưởng của các nhân tố ảnh hưởng đếntình hình doanh nghiệp

- Đưa ra những giải pháp nhằm nâng cao hiệu quả hoạt động của doanh nghiệp

1.3 Đối tượng và phạm vi nghiên cứu:

1.3.1 Đối tượng:

Mô hình ước lượng xác suất kiệt quệ tài chính của doanh nghiệp dựa trên nhữngdoanh nghiệp đã bị hủy niêm yết do kinh doanh thua lỗ và lỗ lũy kế vượt quá vốn điều lệ.Đồng thời cũng tương đồng với các doanh nghiệp hủy niêm yết là các doanh nghiệp có quy

mô tương tự đang hoạt động tốt trên thị trường

1.3.2 Phạm vi nghiên cứu

Sử dụng nguồn dữ liệu từ cơ sở dữ liệu các năm của các công ty được niêm yết trên

sở giao dich chứng khoán HOSE và HNX Thu thập số liệu từ báo cáo tài chính của 84 công

ty đang hoạt động bình thường và 84 công ty hủy niêm yết trên sàn giao dịch Trong nghiêncứu này, tôi phân loại quan sát thành hai loại: những quan sát rơi vào tình trạng kiệt quệ tàichính được gán giá trị biến phụ thuộc là 0; những quan sát không bị kiệt quệ hay tình hìnhtài chính ổn định được gán giá trị biến phụ thuộc là 1 Để giải quyết vấn đề biến phụ thuộc lànhị phân, em sử dụng mô hình Binary Logistic trong bài nghiên cứu này

1.4 Phương pháp nghiên cứu:

Phương pháp thống kê, phương pháp so sánh, phương pháp phân tích những số liệu

về kết quả hoạt động kinh doanh, kết quả huy động vốn, doanh số, tình hình nội bộ cácdoanh nghiệp.v.v…

Chọn mẫu là các doanh nghiệp, trong đó gồm: các doanh nghiệp bị hủy niêm yết dothua lỗ, các doanh nghiệp hoạt động kinh doanh ổn định có quy mô tương đương.

Sử dụng phương pháp thống kê phân tích số liệu

Sử dụng phần mềm tin học ứng dụng SPSS 22.0

Tổng hợp toàn bộ thông tin dữ liệu đã thu thập và tiến hành làm sạch dữ liệu

Chạy mô hình

Chạy các kiểm định

Tiến hành phân tích các yếu tố

Xem xét mức độ ảnh hưởng của các yếu tố như thế nào đến sức khỏe của doanhnghiệp Đưa ra nhận xét cá nhân về tình hình tài chính của doanh nghiệp giúp nhà quản lý cócái nhìn tổng quan về công ty với dựa trên những chỉ số cơ bản nhất

1.5 Kết cấu đề tài:

CHƯƠNG 1: Giới thiệu

CHƯƠNG 2: Tổng quan lý thuyết và các nghiên cứu trước đây về kiệt quệ tài chính CHƯƠNG 3: Phân tích các nhân tố ảnh hưởng đến kiệt quệ tài chính của doanh nghiệp.CHƯƠNG 4: Kết quả nghiên cứu của mô hình hồi quy Binary Logistic

CHƯƠNG 5: Các giải pháp nâng cao khả năng dự báo và giải quyết một cách hiệu quảtình trạng khánh kiệt tài chính ở Việt Nam

Chương 2: TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU

TRƯỚC ĐÂY VỀ KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN

2.1 Các nghiên cứu trước đây:

- Opler và Titman (1994) cho thấy rằng các công ty kiệt quệ tài chính (đòn bẩy cao) bịmất thị phần đáng kể vào đối thủ m ạnh trong thời kỳ suy thoái của ngành Sự sụtgiảm doanh số bán hàng mà Apple và Chrysler phải đối mặt trong thời kỳ khó khăntài chính sẽ cho ta bằng chứng về những thiệt hại nặng nề như vậy - Trong một mẫucủa 3 1 giao dịch có đòn bẩy cao (HLTs), Andrade và Kaplan (1998) minh họa ảnhhưởng của kiệt quệ kinh tế bắt nguồn từ kiệt quệ tài chính và ước tính chi phí kiệt quệtài chính khoảng 10-20% giá trị công ty

- Asquith, Gertner và Scharfstein (1994 ) cho rằng trung bình các công ty kiệt quệ vềtài chính bán 12% tài sản của họ như một phần trong nhữ ng kế hoạch tái cấu của họ

- Chevalier (1995a,b) sử dụng thông tin chi tiết từ các ngành siêu th ị địa phương đểcung cấp bằng chứ ng để hỗ trợ cho hành vi thâu tóm trên thị trư ờng Bà cho rằng tiếp theo sau hành động mua và sáp nhập các siêu thị bằng vốn vay (LBOs), giá sẽgiảm tại các thị trư ờng địa phương nơi m à các công ty đối thủ có đòn bẩy thấp vàtập trung Hơn nữa, sự giảm giá này liên quan đến việc các công ty LBO thoát khỏithị trư ờng địa phương Những phát hiện này cho thấy rằng các đối thủ nỗ lực để sănmồi trên dây chuyền LBO - Phillips (1995) nghiên cứ u sự tương tác giữ a thị trườngsản phẩm và cơ cấu tài chính ở bốn ngành công nghiệp và tìm thấy bằng chứng nhấtquán rằng nợ sẽ làm suy yếu vị trí cạnh tranh của các công ty (xem thêm Kovenock

và Phillips - 1997; Arping - 2000)

ngoại sinh, Zingales (1998 ) nghiên cứ u sự tương tác giữ a cấu trúc tài chính và sựcạnh tranh ở thị trường sản phẩm và cho thấy rằng đòn bẩy làm giảm khả năng sốngsót của công ty sau khi có sự gia tăng trong cạnh tranh Thông điệp chung từ các bàinghiên cứu trên là kiệt quệ tài chính có thể phát sinh chi phí thực tế tại công ty bằngviệc suy yếu vị thế cạnh tranh của họ trên thị trường sản phẩm

Bên cạnh đó GGSaver 1967 là tác phẩm kinh điển trong lĩnh vực phân tích các chỉ

số và phá sản, các mô hình này đã thiết lập trên nền móng các nỗ lực sử dụng kỹ thuật đabiến cho các tác giả khác đi theo Mô hình Z-Score của Altman cũng đã sử dụng kỹ thuậtphân tích đa biến này Một nghiên cứu tiếp theo của Deakin (1972) đã sử dụng 14 biến nhưGGSaver đã phân tích, nhưng Deakin đã áp dụng những biến này trong một loạt các phântích đa biệt thức

Những nghiên cứu trên đã ngầm chỉ ra một khả năng nhất định của các chỉ số nhưcác công cụ dự báo phá sản Nhìn chung, các chỉ số đo lường khả năng sinh lời(profitability), khả năng thanh khoản (liquidity), và khả năng toán (solvency) được thừanhận như những chỉ báo quan trọng

2.2.1 Mô hình Z’Score:

Mô hình Z-score là mô hình được công nhận và sử dụng rộng rãi trên thế giới Chỉ

số này được phát minh bởi Giáo sư Edward I Altman Khi nghiên cứu thiết lập mô hình Score, Altman đă thực hiện các bước như sau:

Z-2.2.1.1 Bước 1: Sự chọn mẫu

Mẫu ban đầu bao gồm 66 công ty với 33 công ty ở mỗi nhóm Nhóm phá sản (kiệtquệ) (nhóm 1) là những nhà sản xuất đã nộp đơn phá sản theo chương 10 của Luật Phá SảnHoa Kỳ trong giai đoạn 1946 đến 1965 Nhóm hai bao gồm một mẫu ghép đôi của cácdoanh nghiệp sản xuất được chọn từ cơ sở phân loại ngẫu nhiên Các công ty được phân lớpbởi ngành và kích cỡ doanh nghiệp, với phạm vi tài sản được giới hạn nghiêm ngặt từ 1

triệu USD đến 25 triệu USD Giá trị tài sản trung bình của các công ty trong nhóm 2 (9.6triệu USD) lớn hơn một ít so với nhóm 1, nhưng để hai nhóm có kích cỡ tài sản như nhau làđiều dường như không cần thiết Các công ty trong nhóm 2 vẫn còn hoạt động trong thờigian phân tích Dữ liệu đuợc xây dựng từ Sổ Tay Ngành của tổ chức Moody và từ các báocáo được chọn lọc hằng năm Quyết định loại bỏ các công ty nhỏ (tài sản dưới 1 triệu USD)

và các công ty rất lớn ra khỏi mẫu là cần thiết cho phạm vi tài sản các công ty trong nhóm

1 Những chỉ trích thường thấy là đối với các chỉ số tài chính, về bản chất, số liệu thống kêcho thấy chúng chịu sự ảnh hưởng của yếu tố kích cỡ doanh nghiệp, và do đó nên loại bỏtác động của yếu tố này trong phân tích Mô hình Z-Score xuất hiện có thể đáp ứng đượcnhu cầu này

2.2.1.2 Bước 2: Lựa chọn biến:

Sau khi hình thành được khái niệm nhóm và chọn được công ty, chọn danh sáchgồm 22 chỉ số, 5 chỉ số đã được chọn vì chúng đã thể hiện tốt nhất trong việc liên kết dựđốn phá sản công ty Các chỉ số này không bao gồm tất cả các biến số quan trọng nhất được

đo lường một cách độc lập Để đạt được tập hợp các biến số cuối cùng, các thủ tục sau đãđược sử dụng: (1) quan sát mức ý nghĩa thống kê của các chức năng thay thế khác nhau,bao gồm việc xác định phần đóng góp tương đối của các biến số độc lập; (2) đánh giá sựtương quan giữa các biến số có liên quan; (3) quan sát độ chính xác về mặt dự báo của cáctập hợp biến; và (4) đánh giá của các chuyên gia

Biệt thức cuối cùng đuợc thể hiện như sau:

Trong đó:

X1= working capital/total assets = Vốn lưu động/ Tổng tài sản,

X2= Retained earning/ total assets = Lợi nhuận giữ lại/ Tổng tài sản

X3= Eanring GGSfore tax and interest/ total assets = Lợi nhuận trước thuế và lãi vay/ Tổng tài sản,

X4= Market value equity/ book value of total liabilities = Giá trị thị trường của vốn CSH/ giá trị sổ sách của nợ phải trả,

X5= Sales/total assets = Tổng doanh thu/ Tổng tài sản,

và Z= overall index = chỉ số tổng hợp

Chú ý rằng, mô hình không có một hằng số nào (số giới hạn) Đó bởi vì các phầnmềm cụ thể được sử dụng, và kết quả là, điểm số giới hạn tương ứng giữa hai nhóm khôngphải là 0 Phần mềm khác, như SAS và SPSS, có một hằng số, mà nó chuẩn hĩa điểm giớihạn ở 0 nếu số mẫu của hai nhóm là bằng nhau

2.2.1.3 Bước 3: Giải thích biến số:

 X1, working capital/total assets (WC/TA) = Vốn lưu động/ Tổng tài sản

Chỉ số working capital/ total assets, thường được tìm thấy trong các nghiên cứu vềcác trục trặc DN, là một công cụ đo lường độ thanh khoản ròng của các tài sản của công tytương ứng với tổng vốn Working capital được định nghĩa như là sự khác nhau giữa currentassets – tài sản lưu động và current liabilities- nợ ngắn hạn Tính thanh khoản và đặc điểm

về kích thước được cân nhắc rõ nét Thông thường, một công ty trải qua một thời kỳ lỗ hoạtđộng kéo dài sẽ có tài sản lưu động bị co lại so với tổng tài sản Trong ba chỉ số thanhkhoản được đánh giá, chỉ số này tỏ ra là chỉ số đáng giá nhất Hai chỉ số thanh khoản khácđược kiểm tra là current ratio- chỉ số thanh tốn hiện hành và quick ratio – chỉ số thanh tốntức thời Chúng xem ra kém hữu ích và phụ thuộc vào khuynh hướng bảo thủ của một vàicông ty thất bại

 X2, retained earnings/total assets (RE/TA) = Lợi nhuận giữ lại/ Tổng tài sản

Lợi nhuận giữ lại thể hiện tổng số thu nhập được tái đầu tư hay mức lỗ của mộtdoanh nghiệp trong suốt thời gian tồn tại của nó Chỉ số này cũng được xem như là thặng

dư kiếm được từ quá trình hoạt động Điều đáng chú ý là chỉ số này phụ thuộc vào sự vậnđộng thông qua tái cấu trúc và tuyên bố chia cổ tức, vốn không phải là đối tượng nghiêncứu của nghiên cứu này, có thể hiểu rằng một xu hướng sẽ được hình thành thông qua tái tổchức, hoặc chính sách chia cổ tức hoặc những điều chỉnh phù hợp trong các tài khoản kếtốn

Một khía cạnh mới thú vị về chỉ số lợi nhuận giữ lại là khả năng đo lường lợi nhuậntích lũy theo thời gian Thời gian hoạt động ngắn hay dài của một công ty được cân nhắc

hồn tồn ở chỉ số này Ví dụ, các công ty trẻ thường thể hiện một chỉ số RE/TA thấp bởi vì

nó chưa có thời gian để tích lũy lợi nhuận Vì vậy, có thể lập luận là các công ty trẻ ở mộtmức độ nào đó bị phân biệt đối xử trong phân tích này, và khả năng các công ty này đuợcxếp vào nhóm phá sản là cao hơn một cách tương đối so với các công ty có thời gian hoạtđộng nhiều hơn Nhưng đó là điều chính xác trong thế giới thực Các công ty dễ bị phá sản

ở những năm đầu hoạt động Trong năm 1993, khoảng 50% số các công ty bị phá sản trong

từ một đến 5 năm đầu hoạt động (Dun & Bradstreet, 1994)

Thêm vào đó, chỉ số RE/TA đo lường đòn bẩy của một doanh nghiệp Những công

ty với mức RE cao, so với TA, có thể tài trợ tài sản thông qua việc giữ lại lợi nhuận vàkhông sử dụng nhiều nợ

 X3, Earnings Before Interest and taxes/Total assets (EBIT/TA)=Lợi nhuận trước

thuế và lãi vay/Tổng tài sản (chỉ số hiệu suất sử dụng tài sản)

Chỉ số này đo lường năng suất thật của tài sản doanh nghiệp, một cách độc lập vớithuế và vay nợ Bởi vì sự sinh tồn tối hậu của một doanh nghiệp là dựa vào khả năng tạo ratiền của tài sản, chỉ số này xuất hiện rất hay trong nghiên cứu liên quan đến thất bại doanhnghiệp Hơn nữa, việc mất khả năng thanh tốn trong các trường hợp phá sản xảy ra khi tổng

nợ lớn hơn giá trị đúng của tài sản công ty với giá trị được xác định dựa trên khả năng sinhlợi của tài sản Chỉ số này có khả năng chỉ báo tốt hơn các chỉ số sinh lợi khác, kể cả dịngtiền

 X4, Market value of Equity/Book value of total liabilities (MVE/TL) = Giá trị

thị trường của vốn chủ sở hữu /Giá trị sổ sách của nợ Vốn chủ sở hữu:

Được đo lường bởi giá trị thị truờng của tất cả cổ phiếu, cổ phiếu ưu đãi và cổ phiếuthường, trong khi nợ bao gồm cả nợ ngắn hạn và nợ dài hạn

Chỉ số này đo mức độ có thể sụt giảm về mặt giá trị của tài sản công ty (đo lườngbởi giá trị thị trường của vốn chủ sở hữu và nợ) trước khi nợ vượt quá tài sản và công tymất khả năng thanh tốn Ví dụ, một công ty với giá trị thị trường của vốn chủ sở hữu là

1000 USD, và nợ là 500 USD có thể chịu được sự sụt giảm 2/3 giá trị tài sản trước khi mấtkhả năng thanh tốn (sụt 2/3 tài sản tức là tổng giá trị tài sản còn lại

=1/3*(1000+500)=500 USD) Tuy nhiên, cùng một công ty với 250 USD giá trị vốn chủ sởhữu sẽ bị mất khả năng thanh tốn nếu tài sản giảm chỉ còn 1/3 giá trị Chỉ số này bổ sungkích thước giá trị thị trường mà hầu hết các nghiên cứu phá sản khác không đề cập đến.

 X5, Sales/Total assets (S/TA) = Tổng doanh thu/ Tổng tài sản

Chỉ số doanh thu trên tổng tài sản là một chỉ số tài chính tiêu chuẩn minh họa chokhả năng tạo ra thu nhập của tài sản doanh nghiệp Nó là một thước đo khả năng quản trịtrong môi trường cạnh tranh Chỉ số cuối cùng này khá quan trọng nhưng nó là chỉ số kémquan trọng nhất dựa trên cơ sở cá thể Thật ra, dựa trên các kiểm định mức ý nghĩa bằngthống kê đơn biến, nó không nên xuất hiện Tuy nhiên, bởi vì mối quan hệ duy nhất củacủa nó với các biến số khác của mô hình, chỉ số sales/total assets xếp hạng thứ hai trongviệc góp phần vào khả năng phân biệt tổng thể của mô hình Tuy nhiên, có sự khác biệt lớn

về doanh thu giữa các ngành, và Altman sẽ phát triển một mô hình thay thế (Z”) mà không

Bảng 2.1 Biến trung vị và kiểm nghiệm mức ý nghĩa

g vị

C

hỉ sốF

F X

X

5

N=33

F1.60(0.01)= 12.0; F1.60(0.01)=7.00; F1.60(0.01)= 4.00

2.2.1.4 Bước 4: Kiểm tra biến số:

Một kiểm nghiệm xác định khả năng phân biệt của mô hình là kiểm nghiệm value, bằng cách lấy chỉ số tổng bình phương (sums of squares) của nhóm này so với tổngbình phương của nhóm khác Khi chỉ số này cực đại, nó có tác dụng phân tán trung vị củanhóm rộng ra, và đồng thời, giảm sự phân tán của các điểm cá thể (giá trị Z của công ty) ra

F-xa trung vị của nhóm tương ứng Một cách lơ gíc, kiểm nghiệm này (còn gọi là kiểmnghiệm F) là phù hợp vì mục tiêu của phương pháp phân tích đa nhân tố là nhận dạng và

sử dụng những biến số mà chúng phân biệt tốt nhất các nhóm khác nhau và đồng dạngnhất trong nhóm

Trung bình nhóm của hai nhóm mẫu gốc là

Chỉ số Z của nhóm 1= - 0.254 ( với F = 20.7) = (1.2*(-6.1%)) + (1.4*(-62.6%))+ (3.3*(-31.8%)) + (0.6* 40.1%) + (1* 1.5)

Chỉ số Z của nhóm 2= + 4.8882 (với F4n (0.01) =3.84) = (1.2*41.4%) +(1.4*35.5%) + (3.3*15.4%) + (0.6*247.7%) + (1* 1.9)

Kiểm nghiệm mức ý nghĩa do vậy bác bỏ giả thiết rỗng mà các quan sát phát sinh

từ cùng một đám đông

Các trung vị biến ở một báo cáo tài chính trước khi phá sản và kết quả thống kê Fđược biểu diễn trong bảng 1 Biến X1 đến biến X4 đều có mức ý nghĩa 0.001, diễn đạt sựkhác nhau cực kỳ quan trọng giữa các biến giữa các nhóm công ty khác nhau Biến X5không diễn đạt được sự khác biệt quan trọng giữa các nhóm và lý do để cho biến này vàonhóm các biến là chưa rõ ràng lắm Ở một mức độ nghiêm ngặt về đơn biến, tất cả các chỉ

số đều có giá trị cao hơn ở các công ty không phá sản Cũng như thế, tất cả các hệ số biệtthức đều có dấu hiệu rất khả quan như mong đợi Bởi thế, một công ty có khả năng phásản càng cao thì điểm số biệt thức của nó càng thấp Rõ ràng rằng bốn trong năm biến sốdiễn đạt sự khác nhau quan trọng giữa các nhóm, nhưng tầm quan trọng của phương pháp

đa biệt thức là ở khả năng tách nhóm thông qua sự đo lường đa biến số

Một khi các giá trị của các hệ số biệt thức được ước lượng, ta có thể tính tốn điểmbiệt thức của mỗi quan sát trong mẫu, hay các công ty, và ấn định các quan sát vào mộtnhóm dựa vào điểm số này Sự cần thiết của quy trình là so sánh hồ sơ của một công ty cáthể với hồ sơ của một nhóm lựa chọn Sự so sánh được đo lường bởi giá trị “chi bìnhphương” và các chỉ định được thực hiện dựa vào sự tương tự tương đối của các điểm sốcông ty so với điểm số nhóm

2.2.1.5 Mẫu ban đầu:

Mẫu ban đầu gồm 2 nhóm với 33 công ty mỗi nhóm, được kiểm tra bằng cách sửdụng dữ liệu báo cáo tài chính thu thập một năm trước khi phá sản Bởi vì các hệ số biệtthức và các phân phối nhóm được xây dựng từ mẫu này, nên sự phân loại thành công được

kỳ vọng rất cao Điều này xảy ra bởi vì các công ty được phân loại bằng sử dụng chứcnăng biệt thức, thực tế, là dựa vào các công cụ đo lường riêng lẻ cho cùng các công ty này

Ma trận phân loại cho mẫu gốc được biểu diễn trong bảng 2

Mô hình thể hiện cực kỳ chính xác trong việc phân loại đúng 95% cho tổng số cáccông ty trong mẫu Còn nhóm I sai số chỉ có 6% trong lúc nhóm II thậm chí còn ít hơn với3% Những kết quả này là rất tốt như kỳ vọng

Bảng 2.2 Kết quả phân loại mẫu gốc

Mẫun

Thực

Dự đoán

Nhóm

Nhó

m N

2.2.1.6 Kiểm định báo cáo hai năm trước khi phá sản:

Cuộc kiểm định thứ hai quan sát khả năng của mô hình cho các công ty sử dụng các

dữ liệu báo cáo tài chính thu thập được hai năm trước khi phá sản Thời kỳ hai năm là một

sự cường điệu bởi vì thời gian chết giữa lúc bắt và lúc hồn thành bình quân cho việc cáccông ty được sắp xếp là khoảng 20 tháng, với hai công ty có thời gian chết là 13 tháng Kếtquả được biểu diễn trong bảng 3 Sự giảm chính xác là điều có thể hiểu được bởi vì các biểuhiện của sự phá sản tiềm tàng là kém rõ hơn Tuy nhiên 72% phân định chính xác là bằngchứng rằng sự phá sản có thể tiên đốn trước 2 năm Sai số của nhóm II lớn hơn một chút (6%

so với 3%) trong kiểm nghiệm này, nhưng như thế vẫn là cực kỳ chính xác

Bảng 2.3: Kết quả phân loại mẫu cho thời gian hai năm trước khi phá sản

Phần

Mẫun

Thựctế

DựNhóm

Nhó

m 2N

hó

23

9N

28

32Ki

ểu

3

1

94

6 33

ểu 54 83 17 65

2.2.1.7 Mẫu thứ cấp của các công ty phá sản:

Để kiểm tra mô hình một cách nghiêm ngặt cho các công ty phá sản và các công tykhông phá sản, hai mẫu mới được giới thiệu Mẫu thứ nhất được tập hợp gồm 25 công ty

bị phá sản Những công ty này có mức tài sản tương tự với các công ty của nhóm phá sảnban đầu Trên cơ sở của các thông số được thiết lập trong mô hình biệt thức để phân loạicác công ty trong mẫu thứ cấp này, sự chính xác trong việc dự đốn cho mẫu này ở thờiđiểm một năm trước khi phá sản được mô tả trong bảng 4 Những kết quả thu được gâyngạc nhiên vì một nhóm đáng lẽ không được kỳ vọng nhiều lại trở nên tốt hơn so với mẫuban đầu (96% so với 94%) Hai lý do có thể chấp nhận là khuynh hướng đi lên tồn tại mộtcách thông thường trong thử nghiệm mẫu đầu tiên không được thể hiện ở trong nghiên cứunày và hoặc mô hình như đã mô tả từ trước không được tối ưu

Bảng 2.4: Kết quả sắp xếp mẫu thứ cấp các công ty phá sản

Không

đã tăng một cách đáng kể từ 15% - 20% cho mọi công ty và 10% của các công ty lớn nhất

có điểm số Z dưới 1,81 Tuy nhiên những thử nghiệm gần đây cho thấy rằng điểm số Ztrung bình tăng một cách đáng kể với mức tăng bình quân từ 4 đến 5 cấp trong giai đoạn

1970 – 1995 lên đến 10 cấp năm 1999 Nhưng cấp trung bình vẫn không tăng nhiều Phầntăng quan trọng trong chỉ số Z trung bình là do giá cổ phiếu tăng một cách chóng mặt vàđiều này làm ảnh hưởng đến chỉ số X4 Altman ủng hộ việc sử dụng mức thấp hơn củavùng chưa rõ ràng (1.81) như là một điểm giới hạn thực tế của chỉ số Z hơn là điểm giớihạn của chỉ số 2.675 Điểm số sau là kết quả của mức độ lỗi tổng thể thấp hơn trong thửnghiệm ban đầu Theo số liệu thống kê, năm 1999 tỷ lệ của các công ty trong nền côngnghiệp Hoa Kỳ có điểm số Z dưới 1.81 là hơn 20%

2.2.1.9 Mẫu thử nghiệm thứ nhì của công ty phá sản:

Một mẫu các công ty được chọn bởi tình trạng phá sản của nó (nhóm I) hoặc mức độtương tự với nhóm I về mọi phương diện trừ việc vần tồn tại Nhưng câu hỏi đặt ra là điều gìlàm cho các công ty này tuy gặp các khĩ khăn về tạo ra lợi nhuận, nhưng lại không đến nỗiphải phá sản? Sự phân loại phá sản của các công ty thuộc diện này là một ví dụ của lỗi loại

II Một thử nghiệm chặt chẽ riêng biệt tính hiệu quả của mô hình biệt thức sẽ tìm ra một mẫulớn các công ty gặp phải vấn đề về thu nhập và sau đó được quan sát kết quả phân loại của

ty được xếp loại đã bị phá sản, còn 52 công ty còn lại được xếp đúng Vì vậy mô hình biệtthức đã xếp loại đúng được 79% các công ty trong mẫu Tỷ lệ này rất ấn tượng khi một ai

đó để ý rằng những công ty này đã tạo thành một mẫu thứ cấp được thừa nhận là hoạt độngkém hơn mức trung bình Thử nghiệm t cho mức ý nghĩa của kết quả là 4.8; mức ý nghĩa ở0.001 Một khía cạnh thú vị khác của thử nghiệm này là mối quan hệ của các công ty tạm

thời bị bệnh này và khu vực không xác định Khu vực không xác định là phạm vi của chỉ số

Z mà việc sắp sai nhóm có thể xảy ra

Trong 14 công ty bị xếp sai nhóm trong mẫu thứ nhì, 10 công ty có chỉ số Z nằmgiữa 1.81 và 2.67, điều này chỉ ra rằng mặc dù chúng được xếp loại vào nhóm bị phá sản,

sự dự đốn phá sản lại không rõ ràng như khi phần lớn xảy ra trong mẫu đầu tiên của cáccông ty bị phá sản Thực ra, chỉ có 1/3 trong số 66 công ty trong mẫu sau cùng có chỉ số Znằm trong khu vực đan xen vào nhau, mà nhấn mạnh rằng quá trình chọn lựa là thành côngkhi chọn ra các công ty có biểu hiện bị giảm giá trị (thua lỗ) Mặc dù các thử nghiệm đềudựa vào dữ liệu từ hơn 40 năm về trước, chúng vẫn thể hiện sự mạnh mẽ của mô hình khi

sử dụng vào năm 2000

2.2.1.10 Độ chính xác dài hạn:

Kết quả trước cung cấp bằng chứng quan trọng về độ tin cậy các kết luận xây dựng

từ các mẫu ban đầu Một sự mở rộng hợp lý sẽ là xem xét hiệu quả tổng thể của mô hìnhbiệt thức cho một khoảng thời gian lâu hơn trước khi xảy ra phá sản

Để trả lời câu hỏi này, dữ liệu được thu thập cho 33 công ty ban đầu từ năm thứ 3,năm thứ 4 và năm thứ 5 trước khi xảy ra phá sản Một cơ sở mặc định là, khi thời gian tănglên, khả năng dự báo tương đối của mọi mô hình đều giảm xuống Điều này là chính xáctrong các nghiên cứu đơn biến đã trích dẫn trước đó, và cũng đúng cho các mô hình đa biệtthức Dựa vào những kết quả trên, có thể thấy mô hình Z-Score là một mô hình dự báo phásản chính xác đến 2 năm trước khi khi xảy ra kiệt quệ tài chính và độ chính xác sẽ giảmnhiều khi khoảng thời gian dự báo kéo dài hơn Altman cũng đã thực hiện một phân tích xuhướng dựa trên các chỉ số riêng lẻ của mô hình Hai kết luận quan trọng nhất của khuynhhướng này là (1) mọi chỉ số được quan sát biểu hiện một khuynh hướng khi sự phá sản đếngần, và (2) thay đổi rõ nét nhất trong phần lớn các chỉ số này xảy ra giữa năm thứ ba vànăm thứ hai trước khi phá sản Mức độ thay đổi được đo lường bởi sự thay đổi hàng nămcủa giá trị chỉ số Quan sát sau đặc biệt quan trọng bởi vì nó cung cấp bằng chứng tươngthích với những kết luận được rút ra từ mô hình biệt thức Vì vậy, các thông tin quan trọngthừa hưởng từ xu hướng đo lường của các chỉ số riêng lẻ gánh vác được tầm quan trọngtương xứng khi được kết hợp với các phân tích biệt thức bổ sung

2.2.1.11 Chỉ số Z-Score trung bình chéo thời gian:

Như bảng 2.5 cho thấy, Altman đã thử nghiệm mô hình Z-Score cho nhiều mẫu khácnhau trong khoảng thời gian hơn 30 năm Trong mỗi thử nghiệm, độ chính xác của kiểu I, sửdụng điểm giới hạn là 2.67 nằm trong phạm vi từ 82-94%, dựa vào dữ liệu từ một năm báocáo tài chính trước khi phá sản xảy ra hay mất khả năng chi trả cho các trái phiếu nợ Thựcvậy, trong thử nghiệm gần đây nhất, dựa trên 120 công ty bị vỡ nợ trong những năm 1997-

1999, độ chính xác của các dự báo phá sản là 94% (113 trong tổng 120) Sử dụng điểm giớihạn 1.81, tỷ lệ chính xác vẫn ở mức ấn tượng là 84% Tỷ lệ chính xác 94%, với mức giớihạn 2.67 là có thể so sánh được với độ chính xác trong mẫu đầu tiên mà đã dùng để xâydựng mô hình này Vì vậy, có thể kết luận rằng mô hình Z-Score vẫn giữ được độ chính xáccao và mô hình vẫn có khả năng dự báo mạnh mẽ mặc dù đã ra đời cách đây nhiều năm Tuynhiên, trong thập kỷ 90 thế kỷ 20, mức chính xác của kiểu II, đã tăng đến 15-20% đối vớicác công ty sản xuất được liệt kê trong dữ liệu thống kê Hoa Kỳ

Bảng 2.5: Phân loại và độ chính xác của mô hình dự báo phá sản Z-Score (1968)

Sốnăm

Mẫug

Mẫ

u đ

Mẫunăm

Mẫunăm

Mẫunăm-

86

110

120

-1 94

%

96

%

82

%

85

%

94

%(8

2 72

3 48

4 29

5 36Ghi chú: 2.67 là điểm giới hạn ( độ chính xác khi dùng điểm giới hạn 1.81 nằm trong ngoặc đơn)

2.2.1.12 Mô hình Z-Score áp dụng cho các công ty tư nhân

Có lẽ yêu cầu thường xuyên nhất mà Altman nhận được từ những người quan tâm đến việc sử dụng mô hình Z-Score là “làm thế nào để áp dụng mô hình này cho các công

ty trong lĩnh vực tư nhân?” Các nhà phân tích tín dụng, những người hoạch định kinh tế

tư nhân, kiểm tốn viên, và bản thân các công ty đều quan ngại rằng mô hình gốc chỉ có thể

xác hồn tồn là mô hình Z-Score là một mô hình dành cho các công ty đại chúng và việcđiều chỉnh không phù hợp sẽ không có giá trị khoa học Chẳng hạn như, điều chỉnh rõ ràng

khi vấn đề này chính thức được bàn luận, các nhà phân tích có ít cơ hội để chọn lựa để làmđiều này bởi vì bộ giá trị thay thế chưa sẵn sàng

2.2.2 Mô hình Z-Score tự điều chỉnh:

Không đơn giản là chèn một thông số đại diện vào mô hình sẵn có để tính chỉ số Z,Altman đề nghị một sự đánh giá lại tồn bộ mô hình, dùng giá trị sổ sách của vốn chủ sởhữu thay thế giá trị thị trường trong biến X4 Điều này sẽ làm thay đổi tất cả các hệ số củabiệt thức (không chỉ thay đổi ở thông số của biến mới) và tiêu chuẩn phân loại và các điểmgiới hạn cũng thay đổi theo Đây là điều thực sự đã xảy ra Kết quả của mô hình Z-Scoređiều chỉnh với biến mới X4 là:

thành 0.42 so với lúc đầu là 0.6001; đó là vì, với thay đổi này nó ít ảnh hưởng hơn lên chỉ

sổ sách của X4 (25.8) thì thấp hơn 32.26 khi dùng giá trị thị trường nhưng kết quả đolường bằng véc tơ cho thấy rằng đo lường bằng giá trị sổ sách vẫn là nhân tố quan trọngthứ ba trong phương trình 5 biến số

Bảng 1.6 liệt kê độ chính xác phân loại, trung bình nhóm, các điểm số giới hạn điềuchỉnh cho mô hình Z’-Score Độ chính xác của nhóm I vẫn chỉ thấp hơn chút ít so với môhình sử dụng giá trị thị trường của vốn chủ sở hữu (91% so với 94%) nhưng độ chính xác

của nhóm II là rõ ràng (97%) Trung bình của nhóm không phá sản trong mô hình Score thấp hơn trong mô hình gốc (4.14 so với 4.8882) Vì vậy, sự phân phối điểm chỉ số

Z’-là chặt chẽ hơn với phần đan xen nhóm rộng hơn Phần không nhận biết được (ignorancezone) thì rộng hơn Tuy nhiên, bởi vì ranh giới phân biệt thấp hơn 1.23 so với 1.81trong mô hình gốc Nên mô hình chỉnh sửa có lẽ kém tin cậy hơn so với mô hình gốc,nhưng chỉ kém một chút Bởi vì thiếu các cơ sở dữ liệu của các công ty tư nhân, Altmankhông thực hiện kiểm nghiệm mô hình mở rộng này trên các mẫu thứ cấp các công ty bịkiệt quệ tài chính và không kiệt quệ

Ghi chú: Trung bình nhóm phá sản = 0.15; trung bình của nhóm không phá sản 4.14Z’ < 1.21= Vùng I (không có lỗi khi phân loại phá sản)

Z’ > 2.90= Vùng II (không có lỗi khi phân loại không phá sản)

2.2.2.1 Kết luận về mô hình Z-Score:

Altman đã xây dựng các mô hình cho ba dạng công ty khác nhau, ông đã tiến hànhthử nghiệm nhiều lần dựa trên nhiều mẫu công ty trong khoảng thời gian 30 năm và kếtluận rằng mô hình này vẫn giữ được độ chính xác cao mặc dù được thiết lập từ năm 1968.Cho đến nay mô hình Z-Score vẫn là mô hình được sử dụng rộng rãi nhất trên thế giới đểđánh giá khả năng phá sản của các doanh nghiệp bởi tính đơn giản và độ chính xác của nó,

dù rằng sau này có các mô hình chính xác hơn xuất hiện như mô hình Zeta, mô hìnhCART (Classification and Regression Trees)… Mô hình Z-Score được thừa nhận có khảnăng dự báo chính xác đến 2 năm trước khi doanh nghiệp phá sản

2.2.3 Giới thiệu mô hình hồi quy Binary logistic

2.2.3.1 Ứng dụng của mô hình hồi quy Binary logistic

Hồi quy Binary logistic sử dụng biến phụ thuộc dạng nhị phân để ước lượng xácsuất một sự kiện sẽ xảy ra với những thông tin của biến độc lập mà ta có được

Có rất nhiều hiện tượng trong tự nhiên chúng ta cần đoán khả năng xảy ra một

sự kiện nào đó mà ta quan tâm (chính là xác suất xảy ra), ví dụ sản phẩm mới có đượcchấp nhận hay không, người vay trả được nợ hay không, mua hay không mua… Nhữngbiến nghiên cứu có hai biểu hiện như vậy gọi là biến hay phiên (dichotomous), hai biểuhiện này sẽ được mã háo thành hai giá trị 0 và 1 và ở dưới dạng này gọi là biến nhị phân.Khi biến phụ thuộc ở dạng nhị phân thì nó không thể được nghiên cứu với dạng hồi quythông thường vì nó sẽ xâm phạm các giả định, rất dễ thấy là khi biến phụ thuộc chỉ

có hai biểu hiện thì thật không phù hợp khi giả định rằng phần dư có phân phối chuẩn,

mà thay vào đó nó sẽ có phân phối nhị thức, điều này sẽ làm mất hiệu lực thống kê của cáckiểm định trong phép hồi quy thông thường của chúng ta Một khó khăn khác khi dùng hồiquy tuyến tính thông thường là giá trị dự đoán được của biến phụ thuộc không thể đượcdiễn dịch như xác suất ( giá trị ước lượng của biến phụ thuộc trong hồi quy Binarylogistic phải rơi vào khoảng (0;1))

2.2.3.2 Mô hình Binary Logistic:

Với hồi quy Binary logistic, thông tin chúng ta cần thu thập về biến phụ thuộc làmột sự kiện nào đó có xảy ra hay không, biến phụ thuộc Y lúc này có hai giá trị 0 và 1,với 0 là không xảy ra sự kiện ta quan tâm và 1 là có xảy ra, và tất nhiên là cả thông tin vềcác biến độc lập X Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dựđoán xác suất sự kiện xảy ra theo quy tắc nếu xác suất được dự đoán lớn hơn 0.5 thìkết quả dự đoán sẽ cho là “có” xảy ra sự kiện, ngược lại thì kết quả dự đoán sẽ cho là

Trong công thức này E(Y/X) là xác suất để Y = 1 (là xác suất để sự kiện xảy ra) khi biến độc lập X có giá trị cụ thể là Xi Kí hiệu biểu thức ( B0  B1 X ) là z, ta viết lại mô hìnhhàm Binary logistic như sau:

Diễn dịch các hệ số hồi quy của mô hình Binary Logistic

Tên gọi hồi quy Binary logistic xuất phát từ quá trình biến đổi lấy logarit của thủtục này Sự chuyển hóa cho các hệ số của hồi Binary logistic có nghĩa hơi khác với hệ sốhồi quy trong trường hợp thông thường với các biến phụ thuộc dạng thập phân

Đó là: từ công thức (*) ta hiểu hệ số ước lượng B1 thực ra là sự đo lường nhữngthay đổi trong tỷ lệ (được lấy logarit) cùa các xác suất xảy ra sự kiện với 1 đơn vị thay đổitrong biến phụ thuộc X1

 Độ phù hợp của mô hình:

Hồi quy Binary logistic cũng đòi hỏi ta phải đánh giá độ phù hợp của mô hình Đolường độ phù hợp tổng quát của mô hình Binary logistic được dựa trên chỉ tiêu -2LL (viếttắt của -2 log likelihood), thước đo này có ý nghĩa giống như SSE (sum of squares of error)nghĩa là càng nhỏ càng tốt Bạn không cần quan tâm nhiều đến việc -2LL tính toán như thếnào nhưng nhớ rằng quy tắc đánh giá độ phù hợp căn cứ trên -2LL ngược với quy tắc

hợp cao Giá trị nhỏ nhất của -2LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo

Chúng ta còn có thể xác định được mô hình dự đoán tốt đến đâu qua bảng phânloại (clasification table) do SPSS đưa ra, bảng này sẽ so sánh số trị số thực và trị số dựđoán cho từng biểu hiện và tính tỷ lệ dự đoán đúng sự kiện

 Kiểm định ý nghĩa thống kê của các hệ số Hồi quy Binary logistic:

Kiểm định ý nghĩa thống kê của các hệ số Hồi quy Binary logistic cùng đòi hỏi kiểm

bằng 0 thì tỷ lệ chênh lệch giữa các xác suất sẽ bằng 1, tức xác suất để sự kiện xảy ra hay không xảy ra như nhau, lúc đó mô hình hồi quy của chúng ta vô dụng trong việc dự đoán

Trong hồi quy tuyến tính chúng ta sử dụng kiểm định t để kiểm định giả thuyết

kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể Cách thức sử dụng mức ý nghĩaSig cho kiểm định Wald cũng theo quy tắc thông thường Wald Chi Square được tínhbằng cách lấy ước lượng của hệ số hồi quy của biến độc lập trong mô hình (hệ số hồi quymẫu) Binary logistic chia cho sai số chuẩn của hệ số hồi quy này, sau đó bình phương

thuyết H0 : 1  2  



Chi- bình phương Căn cứ vào mức ý nghĩa mà SPSS đưa ra trong bảng Omnibus Tests of

2.2.3.3 Các phương pháp đưa biến độc lập vào mô hình hổi quy Binary Logistic

Với phương pháp hồi quy từng bước (Stepwise), số thống kê được sử dụng cho cácbiến được đưa vào và dời ra căn cứ trên số thống kê likelihood-ratio (tỷ lệ thích hợp) hay sốthống kê Wald Cũng có thể chọn một trong các phương pháp thay thế sau:

vào trong một bước

kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựatrên ước

lượng thông số có điều kiện

cứ trên xác suất của số thống kê Likelihood-ratio dựa trên ước lượng khả năng xảy

ra tối đa (maximum – likelihood estimates)

cứtrên xác suất của số thống kê Wald

 Backwald: Conditional là phương pháp loại trừ dần theo điều kiện.

Nó kiểm tra việc loại biến căn cứ trên xác suất của số thống kê Likelihood-ratiodựa trên ước lượng của những thông số có điều kiện

 Backwald: LR là phương pháp loại trừ dần kiểm tra loại biến căn cứ trên xác suất của số thống kê Likelihood-ratio dựa trên những ước lượng khả năng xảy

ra tối đa Backwald: Wald là phương pháp loại trừ dần kiểm tra loại biến căn cứ trênxác suất của số thống kê Wald

Chương 3: PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN

KIỆT QUỆ TÀI CHÍNH CỦA CÁC DOANH NGHIỆP

3.1 Ước lượng xác xuất kiệt quệ tài chính của các doanh nghiệp: cách tiếp cận bằng mô hinhg Binary Logistic:

3.1.1 Xây dựng mô hình:

Để xác định xác xuất kiệt quệ tài chính của các doanh nghiệp cần xác địnhđược những nhân tố, chỉ số ảnh hưởng, phản ánh tình hình của các doanh nghiệp Trong nghiêncứu này tôi sử dụng mô hình hồi quy Binary Logistic với phương trình sau:

ln P (Y 1)

P(Y  0) 0 1 1 2 2 3 3 4 4 5 5 n n

Trong đó: biến Y là tình hình tài chính là biến phụ thuộc có hai giá trị 0 và 1 (0 là

bị hủy niêm yết, 1 là không bị hủy niêm yết hay tình hình tài chính ổn định)

Thực hiện quá trình thu thập số liệu từ 172 doanh nghiệp, trong đó bao gồm 86 doanhnghiệp bị hủy niêm yết và 86 doanh nghiệp hiện đang niêm yết và họat động bình thường

có khối lượng cổ phiếu tương ứng, tiến hành nhập dữ liệu vào phần mêm SPSS để chạy

mô hình

3.1.1.1 Diễn giải các biến độc lập trong phân tích hồi quy:

 Working capital/total assets (WC/TA) = Vốn lưu động/ Tổng tài sản

Chỉ số working capital/ total assets, thường được tìm thấy trong các nghiên cứu vềcác trục trặc DN, là một công cụ đo lường độ thanh khoản rịng của các tài sản của công tytương ứng với tổng vốn Working capital được định nghĩa như là sự khác nhau giữa currentassets – tài sản lưu động và current liabilities- nợ ngắn hạn

 NOPAT/total assets (ROA) = Lợi nhuận sau thuế/ Tổng tài sản :

Tỷ số càng cao cho thấy doanh nghiệp làm ăn càng hiệu quả Còn nếu tỷ số nhỏ hơn

0, thì doanh nghiệp làm ăn thua lỗ Mức lãi hay lỗ được đo bằng phần trăm của giá trị bìnhquân tổng tài sản của doanh nghiệp Tỷ số cho biết hiệu quả quản lý và sử dụng tài sản đểtạo ra thu nhập của doanh nghiệp

thuế và lãi vay/Tổng tài sản (chỉ số hiệu suất sử dụng tài sản)

Chỉ số này đo lường năng suất thật của tài sản doanh nghiệp, một cách độc lập vớithuế và vay nợ Bởi vì sự sinh tồn tối hậu của một doanh nghiệp là dựa vào khả năng tạo ratiền của tài sản, chỉ số này xuất hiện rất hay trong nghiên cứu liên quan đến thất bại doanhnghiệp.

trường của vốn chủ sở hữu /Giá trị sổ sách của nợ:

Chỉ số này được đo lường bởi giá trị thị truờng của tất cả cổ phiếu, cổ phiếu ưu đãi và

cổ phiếu thường, trong khi nợ bao gồm cả nợ ngắn hạn và nợ dài hạn Chỉ số này đo mức độ

có thể sụt giảm về mặt giá trị của tài sản công ty (đo lường bởi giá trị thị trường của vốn chủ

sở hữu và nợ) trước khi nợ vượt quá tài sản và công ty mất khả năng thanh toán

 Sales/Total assets (S/TA) = Tổng doanh thu/ Tổng tài sản:

Chỉ số doanh thu trên tổng tài sản là một chỉ số tài chính tiêu chuẩn minh họa cho khảnăng tạo ra thu nhập của tài sản doanh nghiệp Nó là một thước đo khả năng quản trị trongmơi trường cạnh tranh

 Price/Book value (P/B)= Giá thị trường/ giá trị sổ sách:

Tỷ lệ được sử dụng để so sánh giá của một cổ phiếu so với giá trị ghi sổ của cổ phiếu

đó Tỷ lệ này được tính toán bằng cách lấy giá đóng cửa hiện tại của cổ phiếu chia cho giá trịghi sổ tại quý gần nhất của cổ phiếu đó

 Total Debt To Total Assets Ratio (D/A)= tổng nợ/ tổng tài sản:

Tỷ số này cho biết có bao nhiêu phần trăm tài sản của doanh nghiệp là từ đi vay Quađây biết được khả năng tự chủ tài chính của doanh nghiệp Tỷ số này mà quá nhỏ, chứng tỏdoanh nghiệp vay ít Điều này có thể hàm ý doanh nghiệp có khả năng tự chủ tài chính cao.Song nó cũng có thể hàm ý là doanh nghiệp chưa biết khai thác đòn bẩy tài chính, tức làchưa biết cách huy động vốn bằng hình thức đi vay Ngược lại, tỷ số này mà cao quá hàm ýdoanh nghiệp không có thực lực tài chính mà chủ yếu đi vay để có vốn kinh doanh Điều nàycũng hàm ý là mức độ rủi ro của doanh nghiệp cao hơn

 Return on Sale (ROS) = Lợi nhuận sau thuế/ Doanh thu thuần:

Tỷ số này cho biết lợi nhuận chiếm bao nhiêu phần trăm trong doanh thu Tỷ số nàymang giá trị dương nghĩa là công ty kinh doanh có lãi; tỷ số càng lớn nghĩa là lãi càng lớn.

Tỷ số mang giá trị âm nghĩa là công ty kinh doanh thua lỗ

Tuy nhiên, tỷ số này phụ thuộc vào đặc điểm kinh doanh của từng ngành Vì thế, khitheo dõi tình hình sinh lợi của công ty, người ta so sánh tỷ số này của công ty với tỷ số bìnhquân của toàn ngành mà công ty đó tham gia Mặt khác, tỷ số này và số vòng q u a y tài sản có

xu hướng ngược nhau Do đó, khi đánh giá tỷ số này, người phân tích tài chính thường tìmhiểu nó trong sự kết hợp với số vòng quay tài sản

 Return on Equity (ROE) = Lợi nhuận sau thuế / Vốn chủ sở hữu:

Tỷ số lợi nhuận trên vốn chủ sở hữu ROE cho biết cứ 100 đồng vốn chủ sở hữu củacông ty cổ phần này tạo ra bao nhiều đồng l ợ i nh u ận Nếu tỷ số này mang giá trị dương, làcông ty làm ăn có lãi; nếu mang giá trị âm là công ty làm ăn thua lỗ

 TIE = Lợi nhuận trước thuế và lãi vay (EBIT) / Chi phí lãi vay:

Hệ số khả năng thanh toán lãi vay cho biết mức độ lợi nhuận đảm bảo khả năng trả lãinhư thế nào Nếu công ty quá yếu về mặt này, các chủ nợ có thể đi đến gây sức ép lên công

ty, thậm chí dẫn tới phá sản công ty

 Quick Ratio (Khả năng thanh toán nhanh)= Tiền và các khoản tương đương tiền/ Nợ

ngắn hạn:

Chỉ số thanh toán tiền mặt cho biết bao nhiêu tiền mặt và các khoản tương đương tiền(ví dụ chứng khoán khả mại) của doanh nghiệp để đáp ứng các nghĩa vụ nợ ngắn hạn Nóicách khác chỉ số thanh toán tiền mặt cho biết, cứ một đồng nợ ngắn hạn thì có bao nhiêu tiềnmặt và các khoản tương đương tiền đảm bảo chi trả

3.1.2 Kiện toàn mô hình:

Đầu tiên ta chạy mô hình tương quan với tất cả các biến, ta loại các biến P/B, ROS,ROE, QU_RA vì không có tác động đến biến phụ thuộc Y (Xem phụ lục 1.1)

Còn lại 7 biến, ta tiếp tục chạy mô hình hồi quy từng biến để xem tác động của từngbiến độc lập tác động đến biến phụ thuộc Y, ta có bảng tổng hợp như sau:

Bảng 3.1: Tổng hợp tác động từng biến đến Y trong hồi quy:

df Sig

Exp(

1 76

1.49629

đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định ýnghĩa thống kê của hệ số hồi quy tổng thể.

nghĩa  = 0,05  sự thay đổi của các biến trên không có ý nghĩa thống kế

Kết quả bảng trên cho thấy mức độ ảnh hưởng của các biến ROA, MVE/TL, D/A,TIE có giá trị  (sig.) nhỏ hơn mức ý nghĩa  = 0,05  bác bỏ H0 Mối liên hệ giữa biến phụ thuộc và các biến độc lập này có ý nghĩa với mức độ tin cậy nhìn chung > 95% Nhưvậy mô hình này là mô hình tối ưu trong nghiên cứu này, ta tiến hành phân tích và nhận xét