Ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa chọn các tỷ số tài chính trong việc dự báo phá sản của doanh nghiệp

Kết quả nghiên cứu cho thấy các mô hình sử dụng bộ lọc theo phương pháp tiên tiến Novel Soft Set – NSS đều cho khả năng dự báo tốt với độ chính xác cao hơn so với các mô hình sử dụng bộ

BÙI MINH HIẾU

ỨNG DỤNG LÝ THUYẾT TẬP HỢP MỀM

ĐỂ TỐI ƯU HÓA LỰA CHỌN CÁC TỶ SỐ TÀI CHÍNH

TRONG VIỆC DỰ BÁO PHÁ SẢN CỦA DOANH NGHIỆP

LUẬN VĂN THẠC SĨ KINH TẾ

TP HỒ CHÍ MINH – NĂM 2016

BÙI MINH HIẾU

ỨNG DỤNG LÝ THUYẾT TẬP HỢP MỀM

ĐỂ TỐI ƯU HÓA LỰA CHỌN CÁC TỶ SỐ TÀI CHÍNH

TRONG VIỆC DỰ BÁO PHÁ SẢN CỦA DOANH NGHIỆP

LUẬN VĂN THẠC SĨ KINH TẾ

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 60 34 02 01

Người hướng dẫn khoa học: PGS., TS TRỊNH QUỐC TRUNG

TP HỒ CHÍ MINH – NĂM 2016

Nghiên cứu được thực hiện nhằm tìm ra những tỷ số tài chính tối ưu đóng vai trò quan trọng trong dự báo phá sản dựa trên mẫu quan sát gồm 104 doanh nghiệp trong khoảng thời gian từ năm 2009 đến năm 2016 và được kiểm định bằng các mô hình khác nhau Tác giả sử dụng ba phương pháp chọn lọc biến là: phương pháp truyền thống (Traditional Soft Set - TSS) và phương pháp tiên tiến (Novel Soft Set - NSS) được xây dựng dựa trên nền tảng lý thuyết tập mềm (Soft - Set) kết hợp với cách chọn biến của Nguyễn Trọng Hòa Dữ liệu sử dụng trong bài được phân tách thành tập hợp dữ liệu thử nghiệm (Training data) và tập hợp dữ liệu kiểm tra (Testing data) nhằm giúp cho việc dự báo chính xác hơn Với mỗi bộ biến được lọc

ra từ hai phương pháp trên, bài nghiên cứu kiểm định tính chính xác trong việc dự báo phá sản của 3 mô hình bao gồm: mô hình hồi quy Logistic (LR), mô hình kỹ thuật vectơ hỗ trợ (Support Vector Machine - SVM) và mô hình mạng thần kinh nhân tạo (Neural Network - NN) Kết quả nghiên cứu cho thấy các mô hình sử dụng

bộ lọc theo phương pháp tiên tiến (Novel Soft Set – NSS) đều cho khả năng dự báo tốt với độ chính xác cao hơn so với các mô hình sử dụng bộ lọc theo phương pháp truyền thống (Traditional Soft Set – TSS) và theo cách chọn biến của Nguyễn Trọng Hòa (Phương pháp phân biệt – multiple discriminant analysis), đồng thời cũng cao hơn so với bộ biến được xây dựng trong bài nghiên cứu của Wei Xu và các cộng sự (Financial ratio selection for business failure prediction using soft set theory, chương 63, tạp chí Knowledge-Based Systems, xuất bản bởi Elsevier BV năm 2014 được hội đồng hiệu trưởng các trường kinh doanh của Úc (ABDC) xếp hạng A) Nhằm kiểm định tính vững, nghiên cứu so sánh các tỷ số được chọn bởi lý thuyết tập hợp mềm với bộ tỷ số được chọn lọc bằng cách kết hợp 3 dạng dữ liệu: dữ liệu

kế toán, thị trường và vĩ mô của Mario Hernandez Tinoco, Nick Wilson (2013) Bài nghiên cứu sẽ dùng cụm từ “phá sản” để có thể tích hợp các lý thuyết về “kiệt quệ”

và “phá sản” vào mô hình nghiên cứu để phù hợp với tên gọi của luận văn Kết quả của bài nghiên cứu phù hợp với kỳ vọng của tác giả về tính hiệu quả của bộ lọc tỷ

Tôi tên là: Bùi Minh Hiếu

Sinh ngày 30 tháng 11 năm 1990

Quê quán: Tân Đồng, Đồng Xoài, Bình Phước

Là học viên cao học khoá 14 của Trường Đại Học Ngân hàng TP.HCM

Tôi xin cam đoan đề tài “Ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa

chọn các tỷ số tài chính trong việc dự báo phá sản của doanh nghiệp” này chưa

từng được trình nộp để lấy học vị thạc sĩ tại bất cứ một trường đại học nào Luận văn này là công trình nghiên cứu riêng của tác giả, kết quả nghiên cứu là trung thực, chính xác và có nguồn gốc rõ ràng, trong đó không có các nội dung đã được công

bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong luận văn

TP Hồ Chí Minh, ngày tháng năm 2016

Người viết

Bùi Minh Hiếu

Qua thời gian theo học ở trường Đại học Ngân hàng TP.HCM, tôi luôn nhận được sự chỉ bảo và giảng dạy nhiệt tình của quý Thầy Cô Quý Thầy Cô đã truyền đạt cho tôi về lý thuyết cũng như thực tế trong suốt thời gian học tập và làm luận văn

Tôi xin gửi lời cám ơn chân thành đến tất cả các thầy cô, Khoa Sau đại học của Trường Đại học Ngân hàng TPHCM và Phó Giáo Sư., Tiến Sĩ Trịnh Quốc Trung đã tận tình hướng dẫn tôi hoàn thành luận văn này

TP Hồ Chí Minh, ngày tháng năm 2016

Người viết

Bùi Minh Hiếu

CHƯƠNG 1 TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN 1

1.1 Lý do chọn đề tài 1

1.2 Mục tiêu của đề tài 2

1.2.1 Mục tiêu tổng quát 2

1.2.2 Mục tiêu cụ thể 2

1.3 Câu hỏi nghiên cứu 2

1.4 Đối tượng và phạm vi nghiên cứu 2

1.5 Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu 4

1.5.1 Định nghĩa phá sản 4

1.5.2 Lý thuyết về soft - set 5

1.5.2.1 Định nghĩa về tập hợp mềm (Tập hợp mềm Theory) 5

1.5.2.2 Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS) 6

1.5.2.3 Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS) 8

CHƯƠNG 2 THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 4 2.1 Những nghiên cứu ở ngoài Việt Nam 11

2.1.1 Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán 11 2.1.2 Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường 14 2.1.3 Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường 15

2.2 Những nghiên cứu ở Việt Nam 22

CHƯƠNG 3 GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET 27

3.1 Phương pháp chọn biến 27

3.1.1 Biến phụ thuộc (Special Treatment – ST) 27

3.1.2 Biến độc lập 28

3.2 Phân tách dữ liệu nghiên cứu 28

3.2.1 Phân loại công ty 28

3.2.2 Phân tách các công ty chạy mô hình 38

3.2.3 Xác định thời điểm dự báo 39

3.3 Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm 41

3.3.1 Bảng phân loại tác động của từng biến 41

3.3.2 Rút gọn tham số theo phương pháp NSS 43

3.4.2.1 Mô hình NN 45

3.4.2.2 Mô hình SVM 46

CHƯƠNG 4 KẾT QUẢ NGHIÊN CỨU 48

4.1 Hồi quy hệ số Beta 48

4.2 Chọn lọc tỷ số tài chính 51

4.2.1 Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH) 51

4.2.2 Dựa trên phương pháp TSS 52

4.2.3 Dựa trên phương pháp NSS 52

4.3 Kết quả tính chính xác của các mô hình 52

4.3.1 Kết quả tính chính xác dựa vào mô hình hồi quy Logistic 52

4.3.1.1 Phương pháp ACC 53

4.3.1.2 Phương pháp kiểm định hệ số thống kê: 66

4.3.2 Kết quả tính chính xác dựa vào mô hình NN 69

4.3.3 Kết quả tính chính xác dựa vào mô hình SVM 70

4.4 Kiểm tra tính vững 71

4.5 Kết quả tổng hợp 73

CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ 76

Tên tiếng Anh Tên tiếng Việt Ký

hiệu

Tp Hồ Chí Minh

HOS

E

Corporation

Tập đoàn giao dịch cổ phiếu Đài

DANH MỤC BẢNG BIỂU

Bảng 2.1 Các biến sử dụng trong bài nghiên cứu của Phạm Hữu Hồng Thái 24

Hình 3.2 Mô tả kiểm định quá khứ (Back-Testing) 41 Hình 4.1 Đường cong ROC của NTH, TSS và NSS trong t-1 69 Hình 4.2 Đường cong ROC của NTH, TSS và NSS trong t-2 69

CHƯƠNG 1 TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN

1.1 Lý do chọn đề tài

Hiện nay đã có nhiều nghiên cứu mở rộng về mô hình dự báo phá sản của doanh nghiệp như Beaver (1966), Altman (1968), Ohlson (1980), Shumway (2001), Agarwal và Taffler (2008), Fengyi Lin và các cộng sự (2013), tuy nhiên các mô hình này chỉ sử dụng dữ liệu kế toán trong lịch sử hoặc dựa vào thông tin thị trường chứng khoán để dự báo tình trạng không trả được nợ của doanh nghiệp Do đó, các

mô hình dự báo này không thể phát huy được hết khả năng dự báo phá sản Vì vậy, xuất hiện nhu cầu về một tập hợp dữ liệu tốt hơn nhằm giúp các nhà quản lý đưa ra các hành động kịp thời và đúng đắn, giúp công ty tránh khỏi tình trạng phá sản và từ

đó gia tăng giá trị công ty Đồng thời, việc dự báo sớm cũng giúp cho các chủ nợ ngăn chặn được một số chi phí liên quan đến việc nộp đơn phá sản Các nhà quản lý cần những thông tin về việc dự báo chính xác khả năng rơi vào tình trạng phá sản để đưa ra những quyết định phù hợp nhằm duy trì sự tồn tại và phát triển của công ty Những nhà cho vay và các nhà đầu tư trong khu vực doanh nghiệp cần những thông tin kịp thời về khả năng vỡ nợ của các doanh nghiệp trong quá trình đưa quyết định cho vay và đầu tư vào các danh mục đầu tư của mình Việc dự báo khi nào thì doanh nghiệp có nguy cơ phá sản đã trở thành trọng tâm của nghiên cứu phân tích kinh doanh và có ý nghĩa quan trọng đối với các nhà quản lý, cổ đông, cũng như các chủ nợ Ở Việt Nam cũng đã có nhiều bài nghiên cứu về dự báo phá sản nhưng đó

có phải là những mô hình, cách chọn biến tối ưu hay chưa khi sự thay đổi, cập nhật kiến thức không ngừng biến động Để trả lời câu hỏi này tác giả ứng dụng lý thuyết tập mềm để có sự so sánh với các cách chọn biến cũng như các mô hình trước đó, cuối cùng là kết luận lý thuyết tập hợp mềm có khả dụng và tối ưu trong việc dự báo phá sản ở Việt Nam hay không

1.2 Mục tiêu của đề tài

tỷ số tài chính có ý nghĩa nhất, ứng với mô hình phù hợp nhất trong việc dự báo phá sản của doanh nghiệp dựa trên lý thuyết tập hợp mềm Ngoài ra việc kiểm tra lý thuyết tập hợp mềm có phải là tối ưu chưa và tính vững của bộ lọc biến qua lý thuyết tập hợp mềm cũng là mục tiêu mà bài nghiên cứu muốn hướng tới để làm sáng tỏ

1.3 Câu hỏi nghiên cứu

Bài nghiên cứu tập trung giải quyết các câu hỏi:

- Thứ nhất, lý thuyết tập hợp mềm có hoạt động hiệu quả với dữ liệu từ các tỷ

số tài chính được xây dựng tài thị trường chứng khoán Việt Nam hay không?

- Thứ hai, lý thuyết tập hợp mềm có phải là bộ lọc biến tối ưu hay chưa?

- Thứ ba, mô hình ước lượng theo các tỷ số tài chính được chọn lọc bởi lý

thuyết tập hợp mềm có vững qua thời gian và đáng tin cậy hơn so với các tỷ

số được sử dụng ở các phương pháp dự báo phá sản đã sử dụng trước đây hay không?

1.4 Đối tượng và phạm vi nghiên cứu

Trước hết, người nghiên cứu cần xác định đối tượng nghiên cứu Dự báo phá sản là một chủ đề rộng Những ngành nghề khác nhau như ngân hàng, du lịch, công ty nhỏ, hoặc công ty bất động sản sẽ có những cách tiếp cận cũng như kết quả khác nhau Bài nghiên cứu không đi sâu vào từng ngành nghề cụ thể hay những nhóm ngành nghề bởi như thế sẽ rất phức tạp và cần có những chuyên đề nghiên cứu sâu hơn Trước hết, dựa trên các công ty niêm yết tại Sở giao dịch chứng khoán Tp Hồ Chí Minh (HOSE), bài nghiên cứu tổng hợp 52 công ty phá sản trong giai đoạn từ năm 2011 đến năm 2016 (Định nghĩa phá sản được giới thiệu trong mục 2.1), tương ứng là 52 công ty khỏe mạnh ngẫu nhiên được lựa chọn trong giai đoạn này Với cỡ mẫu 52x52, nếu năm t là năm phá sản thì dữ liệu sẽ được lấy ở năm t-1 và năm t-2 tương ứng; tổng số 208 quan sát và 4700 biến quan sát theo năm, trung bình khoảng

50 biến quan sát hàng năm cho mỗi công ty trong khoảng thời gian 2009-2015, với thời điểm cụ thể được xác định là 2 năm trước khi xảy ra sự kiện (khỏe mạnh hoặc kiệt quệ) Dữ liệu được thu thập từ báo cáo tài chính đã qua kiểm toán của các công

ty niêm yết tại Sở giao dịch chứng khoán Tp Hồ Chí Minh (HOSE)

CHƯƠNG 2 CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ

GIỚI VÀ Ở VIỆT NAM 2.1 Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu

đó Tương tự như vậy, Andrade và Kaplan (1998) xác định một công ty lâm vào tình trạng phá sản khi EBITDA thấp hơn chi phí tài chính hoặc khi công ty đó nỗ lực tái cơ cấu nợ hay bị mất khả năng thanh toán

Whitaker (1999) định nghĩa phá sản là khi trong năm đầu tiên mà dòng tiền của một công ty thấp hơn nợ dài hạn đến hạn phải trả Hơn nữa, một công ty được xác định phá sản khi giá trị thị trường của công ty có tỷ lệ tăng trưởng âm so với giá trị trung bình của thị trường hoặc có tỷ lệ tăng trưởng âm theo giá trị trung bình của thị trường được hiệu chỉnh theo ngành Doumpos và Zopounidis (1999) định nghĩa phá sản là tình huống mà công ty không thể thực hiện đầy đủ nghĩa vụ đối với chủ nợ, nhà cung cấp dẫn đến kết quả là tạm dừng hoạt động kinh doanh

Bài nghiên cứu áp dụng tại môi trường Việt Nam, theo luật phá sản năm 2014: Một doanh nghiệp phá sản khi doanh nghiệp mất khả năng thanh toán và bị tòa án nhân dân ra tuyên bố phá sán Tuy nhiên đó là cách tiếp cận bên luật, bài nghiên cứu tiếp cận theo hướng của thị trường chứng khoán kết hợp những yếu tố quan trọng để xác định suy yếu tài chính của doanh nghiệp đó là một doanh nghiệp được xem là phá sản khi doanh nghiệp đó hủy niêm yết trên thị trường chứng khoán và EBITDA của công ty thấp hơn chi phí lãi vay liên tục trong hai năm hoặc bất cứ khi nào công ty phải chịu một sự tăng trưởng âm trong giá trị thị trường trong hai năm liên tiếp

2.1.2.1.1 Định nghĩa 1 về tập hợp mềm (Soft - set)

Một soft set 𝑭𝑨 trên tập 𝑼 được định nghĩa bởi tập các cặp thỏa

𝑭𝑨 = {(𝒙, 𝒇𝑨(𝒙)): 𝒙 ∈ 𝑬, 𝒇𝑨(𝒙) ∈ 𝑼}

Trong đó 𝒇𝑨: 𝑬 → 𝑷(𝑼) hay 𝒇𝑨 = ∅ nếu 𝒙 ∉ 𝑨

Hay nói một cách khác, một soft set trên tập U là một họ tham số của các tập con trong tập U

Ví dụ: Một soft set 𝐹𝐴 mô tả ảnh hưởng của các biến tới việc dự báo phá sản của các công ty Giả sử chúng ta có 6 công ty được xem xét thì tập tổng thể gốc là 𝑈 ={𝑢1, 𝑢2, 𝑢3, 𝑢4, 𝑢5, 𝑢6} và 𝐸 = {𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5} là tập các tham số Trong đó

𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5 đại diện lần lượt cho các biến: Tài sản ngắn hạn/Nợ ngắn hạn, Dòng tiền/Tổng nợ, Dòng tiền/Tổng tài sản, Dòng tiền/Doanh thu ròng, Tổng nợ/Tổng tài sản, Giá trị thị trường vốn cổ phần/Giá trị sổ sách của nợ Trong trường hợp này, soft set là chỉ ra biến nào có tác động tới việc dự báo phá sản cho các công ty

2.1.2.1.2 Định nghĩa 2 về tập hợp mềm (Soft - set)

Nếu 𝑭𝑨, 𝑭𝑩thuộc 𝑼, thì ∧ (tích) của 2 soft set 𝑭𝑨, 𝑭𝑩 là soft set 𝑭𝑨 ∧ 𝑭𝑩 được định nghĩa bởi hàm

𝒇𝑨×𝑩: 𝑬×𝑬 → 𝑷(𝑼), 𝒇𝑨×𝑩(𝒙, 𝒚) = 𝒇𝑨(𝒙) ∩ 𝒇𝑩(𝒚)

2.1.2.1.3 Định nghĩa 3 về về tập hợp mềm (Soft - set)

Cho 𝑭𝑨∧ 𝑭𝑩 ∈ ∧ (𝑼) Khai triển uniint cho bởi tập giao, được lập bởi unixinty và uniyintx như sau:

unixinty: ∧ (𝑼) → 𝑷(𝑼), 𝐮𝐧𝐢𝐱𝐢𝐧𝐭𝐲(𝑭𝑨∧ 𝑭𝑩) =∪𝐱∈𝐀(∩𝐲∈𝐁(𝒇𝑨∧𝑩(𝒙, 𝒚)))

unixinty: ∧ (𝑼) → 𝑷(𝑼), 𝐮𝐧𝐢𝐲𝐢𝐧𝐭𝐱(𝑭𝑨∧ 𝑭𝑩) =∪𝐲∈𝐁(∩𝐱∈𝐀(𝒇𝑨∧𝑩(𝒙, 𝒚)))

Sau cùng ta có uniint decision được tính bởi 2 tập khai triển uniint

𝐮𝐧𝐢𝐢𝐧𝐭(𝑭𝑨∧ 𝑭𝑩) = 𝐮𝐧𝐢𝐱𝐢𝐧𝐭𝐲(𝑭𝑨∧ 𝑭𝑩) ∪ 𝐮𝐧𝐢𝐲𝐢𝐧𝐭𝐱(𝑭𝑨∧ 𝑭𝑩)

Từ định nghĩa về Tập hợp mềm, các phương pháp ứng dụng được phát triển để đưa

lý thuyết này vào thực tế nhằm đưa ra quyết tối ưu Trong đó phổ biến nhất là phương pháp lọc biến Novel Soft Set – NSS

2.1.2.2 Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)

Chen và các cộng sự (2005), đã đưa ra phương pháp rút gọn tham số của soft sets và ứng dụng của nó trong các vấn đề ra quyết định, sẽ được trình bày ngắn gọn sau đây:

Cho 𝑈 = {ℎ1, ℎ2, … , ℎ𝑛}, 𝐸 = {𝑒1, 𝑒2, … , 𝑒𝑚} và (𝐹, 𝐸) là một soft set được trình bày dưới dạng bảng Cho 𝑓𝐸(ℎ𝑖) = ∑ ℎ𝑗 𝑖𝑗 trong đó ℎ𝑖𝑗 là giá trị của các phần tử trong bảng (𝐹, 𝐸) Thêm vào đó, nghiên cứu sử dụng 𝑀𝐸 để xác định tập hợp của các phần tử trong U có giá trị 𝑓𝐸 lớn nhất Đối các phần tử trong 𝐴 ⊂ 𝐸, nếu

𝑀𝐸−𝐴 = 𝑀𝐸, thì 𝐴 được gọi là tập hợp không trọng yếu có thể lược bỏ trong 𝐸, ngược lại thì 𝐴 là tập hợp trọng yếu trong 𝐸 Nói một cách dễ hiểu hơn đó là 𝐴 ⊂ 𝐸

là không trọng yếu nghĩa là sự khác biệt trong tất cả các phần tử dựa trên các tham

số trong 𝐴 không ảnh hưởng tới quyết định cuối cùng Tập tham số của 𝐸 được gọi

là độc lập nếu tất cả tập con của 𝐸 là trọng yếu, ngược lại 𝐸 là phụ thuộc 𝐵 ⊆ 𝐸 được gọi là tập rút gọn của 𝐸 nếu 𝐵 là độc lập và 𝑀𝐵 = 𝑀𝐸, thì 𝐵 được gọi là tập con rút gọn của 𝐸 nhưng vẫn làm cho sự lựa chọn không đổi

𝑓𝐸( ) căn cứ trên mối quan hệ không xác định, và

𝐶𝐸 = {{ℎ1, ℎ2, … , ℎ𝑖}𝑓1, {ℎ1, ℎ2, … , ℎ𝑗}

𝑓2, … , {ℎ1, ℎ2, … , ℎ𝑛}𝑓𝑠} được gọi là phân chia quyết định, trong đó tập con là {ℎ𝑣, ℎ𝑣+1, … , ℎ𝑣+𝑤}𝑓𝑖, với 𝑓𝐸(ℎ𝑣) = 𝑓𝐸(ℎ𝑣+1) =

⋯ = 𝑓𝐸(ℎ𝑣+𝑤) = 𝑓𝑖, và 𝑓1 ≥ 𝑓2 ≥ ⋯ ≥ 𝑓𝑠, s là giá trị số của các tập con Các phần

tử với cùng giá trị 𝑓𝐸( ) được phân chia vào cùng tập con

2.1.2.2.2 Định nghĩa 2 về TSS

Soft set {𝐹, 𝐸}, 𝐸 = {𝑒1, 𝑒2, … , 𝑒𝑚}, nếu tồn tại một tập con 𝐴 = {𝑒1′, 𝑒2′, … , 𝑒𝑝′} ⊂ 𝐸 thỏa mãn 𝑓𝐴(ℎ1) = 𝑓𝐴(ℎ2) = ⋯ = 𝑓𝐴(ℎ𝑛), thì 𝐴 là không trọng yếu, ngược lại 𝐴 là trọng yếu 𝐵 ⊂ 𝐸 gọi là một tập bị loại bỏ của 𝐸 nếu 𝐵 là không trọng yếu và

𝑓𝐸−𝐵(ℎ1) = 𝑓𝐸−𝐵(ℎ2) = ⋯ = 𝑓𝐸−𝐵(ℎ𝑛), thì 𝐸 − 𝐵 là tập con lớn nhất của E mà giá trị 𝑓𝐸−𝐵( ) vẫn bằng nhau

Soft set {𝐹, 𝐸}, 𝐸 = {𝑒1, 𝑒2, … , 𝑒𝑚} là tập các tham số, 𝑈 = {ℎ1, ℎ2, … , ℎ𝑛} là các

{{ℎ1, ℎ2, … , ℎ𝑖}𝑓1, {ℎ𝑖+1, … , ℎ𝑗}𝑓

2, … , {ℎ𝑘, … , ℎ𝑛}𝑓𝑠} là một phân chia quyết định của các phần tử (đối tượng) trong 𝑈 Nếu tham số 𝑒𝑖 bị lược bỏ khỏi tập 𝐸, thì phân chia quyết định bị thay đổi và có thể suy ra

𝐶𝐸−𝑒𝑖 = {{ℎ1′, ℎ2′, … , ℎ𝑖′}𝑓

1′, {ℎ𝑖+1′, … , ℎ𝑗′}

𝑓2′, … , {ℎ𝑘′, … , ℎ𝑛′}𝑓

𝑠′} Để tiện cho việc

sử dụng 𝐶𝐸 và 𝐶𝐸−𝑒𝑖 ta ký hiệu như sau:

𝑠′ Bậc của 𝑒𝑖 cho việc phân chia quyết định được xác định bởi:

𝑟𝑒𝑖 = 1

|𝑈|(𝛼1,𝑒𝑖 + 𝛼2,𝑒𝑖 + ⋯ + 𝛼𝑠,𝑒𝑖)

Trong đó | | là số lượng phần tử của tập hợp

𝛼𝑘,𝑒𝑖 = {|𝐸𝑓𝑘 − 𝐸 − 𝑒𝑖𝑓𝑧′| Nếu tồn tại 𝑧′ sao cho 𝑓𝑘 = 𝑓𝑧′1 ≤ 𝑧′ ≤ 𝑠′, 1 ≤ 𝑘 ≤ 𝑠

|𝐸𝑓𝑘| Trường hợp ngược lại

2.1.2.3 Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS)

Lý thuyết được xây dựng để phát triển bài nghiên cứu và được trình bày như sau:

Đối với việc dự báo phá sản, có thể thấy rằng 𝑈 là tập hợp các công ty trong bài nghiên cứu, và 𝐸 là tập hợp các tỷ số tài chính Tuy nhiên, cách thiết lập như vậy sẽ đem đến nhiều khó khăn trong quá trình thực hiện.Thứ nhất, hầu hết các biến là ở dạng số Mặc dù có một kỹ thuật có thể sử dụng để chuyển các biến liên tục này trở thành biến thông tin, nhưng thông tin có thể mất rất lớn Thứ hai, việc sử dụng thông tin phá sản hay không trong thực tế là chưa rõ ràng Thứ ba, với một số lượng lớn các biến, thì phương pháp truyền thống sẽ tính toán trên một lượng dữ liệu rất lớn

Để vượt qua những khó khăn này, thì ta đặt 𝑈 = {𝑥1, … , 𝑥𝑚} là tập hợp của các tỷ

số tài chính và 𝐸 = {ℎ1, … , ℎ𝑛} là tập hợp của các công ty đang xem xét Bằng cách này, vấn đề rút gọn tham số trở thành vấn đề chọn quyết định tối ưu, qua đó quyết định này được giảm số lượng xuống giá trị m Tình trạng công ty cũng được xác thực rõ ràng, phá sản hoặc bình thường Bài nghiên cứu tập trung vào việc thiết lập bảng số tập hợp mềm

Để biết được mối quan hệ giữa các tỷ số tài chính và tình trạng của các công ty, chúng ta sử dụng hồi quy logistic (LR) Sử dụng biến giả Y đại diện cho tình trạng của công ty

𝑌𝑡 = { 1 nếu công ty thứ j ở trạng thái bình thường

Ước lượng 𝛽̂𝑖 bằng Maximum Likelihood Estimator (MLE) Thêm vào đó, exp (𝛽̂𝑖𝑥𝑖𝑗) đại diện cho việc đóng góp của biến thứ i của công ty thứ j vào giá trị odd 𝑃(𝑌𝑗 = 1)/𝑃(𝑌𝑗 = 0) Nếu như exp(𝛽̂𝑖𝑥𝑖𝑗) ≥ 𝑐 và Y = 1 thì các tỷ số tài chính thứ i được dùng cho công ty tình trạng bình thường Ngược lại, exp(𝛽̂𝑖𝑥𝑖𝑗) < 𝑐 và

Y = 1 thì các biến này được dùng cho việc dự báo cho công ty phá sản Trong đó, c

là giá trị tới hạn được sử dụng để phân loại tầm quan trọng của 𝑥𝑖𝑗 trong việc dự báo tình trạng của công ty thứ j Nói một cách khác, nếu việc dự báo của 𝑥𝑖𝑗 là cho các công ty bình thường và 𝑌𝑗 = 1, thì chắc chắc rằng 𝑥𝑖𝑗 được dùng cho việc dự báo phá sản Nếu việc dự báo của 𝑥𝑖𝑗 là cho các công ty phá sản và 𝑌𝑗 = 0, thì chắc chắc rằng 𝑥𝑖𝑗 được dùng cho việc dự báo phá sản Ngược lại thì 𝑥𝑖𝑗 không có ích cho việc dự báo phá sản Ý tưởng này giúp ta hình thành nên bảng 0-1 cho tập hợp mềm Sau đó, sử dụng quyết định uinint (uniint decision) để tìm ra được tham số rút gọn của tập hợp

2.2 Những nghiên cứu ở ngoài Việt Nam

2.2.1 Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán

Trước đây đã có rất nhiều bài nghiên cứu về dự báo kiệt quệ tài chính và phá sản với những phương pháp tiếp cận khác nhau Tuy nhiên, hầu hết các nghiên cứu này chỉ dựa trên các tỷ số tài chính là chủ yếu

Beaver (1966) và Altman (1968) là hai nhà nghiên cứu tiên phong trong việc sử dụng các tỷ số tài chính để dự báo phá sản Bseaver (1966) tiến hành thu thập báo cáo tài chính của tất cả các công ty trong giai đoạn 5 năm trước khi xảy ra vỡ nợ Beaver (1966) sử dụng các tỷ số tài chính để dự báo khả năng phá sản của các công

ty, các tỷ số này gồm: tỷ số dòng tiền trên tổng nợ, tỷ số thu nhập ròng trên tổng tài sản, tỷ số tổng nợ trên tổng tài sản, tỷ số vốn luân chuyển trên tổng tài sản, tỷ số tài sản ngắn hạn trên nợ ngắn hạn, tỷ số tài sản ngắn hạn trên chi tiêu hoạt động hằng ngày Kết quả của bài nghiên cứu cho thấy các tỷ số tài chính có khả năng dự báo tốt phá sản trước 5 năm khi phá sản chính thức xảy ra Tuy nhiên trong bài này, Beaver (1966) chỉ kiểm định khả năng dự báo của từng tỷ số tài chính riêng lẻ chứ không có sự kết hợp giữa các tỷ số tài chính hay so sánh với các loại dự báo phá sản khác như dự báo thông qua các biến thị trường

Altman (1968) đã sử dụng kỹ thuật phân tích đa biệt số (Multiple Discriminant Analysis - MDA) dựa trên sự kết hợp nhiều tỷ số để đưa ra một mô hình dự báo tốt hơn Đây là một kỹ thuật thống kê được dùng để phân loại một quan sát vào một nhóm cho trước dựa vào các đặc trưng riêng biệt của quan sát đó Kỹ thuật được sử dụng chủ yếu để phân loại hoặc đưa ra những vấn đề mà các biến phụ thuộc xuất hiện trong dạng định tính như: nam hay nữ, bị phá sản hoặc không bị phá sản Vì vậy, bước đầu tiên là phải phân nhóm rõ ràng Số lượng các nhóm ban đầu có thể là hai hoặc nhiều hơn MDA tạo ra một kết hợp tuyến tính hoặc bậc hai của các biến - các đặc trưng sao cho phân biệt tốt nhất giữa các nhóm.Trong bài nghiên cứu này,

Altman (1968) sử dụng dữ liệu tài chính cho mẫu nghiên cứu gồm 66 công ty trong lĩnh vực sản xuất Hàm phân loại của Altman như sau:

Z = 0.012X1 + 0.014X2 + 0.033 X3 + 0.006X4 + 0.999X5

Trong đó: X1 = Vốn luân chuyển trên tổng tài sản

X2 = Lợi nhuận giữ lại trên tổng tài sản

X3 = Lợi nhuận trước thuế và lãi vay trên tổng tài sản

X4 = Giá trị thị trường của vốn cổ phần trên giá trị sổ sách của tổng nợ

X5 = Doanh thu trên tổng tài sản

Z = Chỉ số tổng thể

Các công ty mà có chỉ số Z ≤ 2.675 được phân loại là phá sản và các công ty có chỉ

số Z > 2.675 được phân loại vào nhóm không phá sản Kết quả cho thấy mức độ chính xác của hàm phân loại này là 95% đối với các công ty trong mẫu ban đầu Hơn nữa, mô hình có thể dự báo chính xác lên đến 2 năm trước khi phá sản xảy ra với độ chính xác là 83%

Không giống như Altman (1968), Ohlson (1980) sử dụng mô hình logit cho các tỷ

số tài chính nhằm dự báo phá sản cho một tập hợp các công ty trong giai đoạn 1970

- 1976 Kết quả nghiên cứu cho thấy, các tỷ số tài chính có ý nghĩa thống kê ảnh hưởng đến xác suất vỡ nợ là: quy mô công ty, tỷ số đòn bẩy tài chính, tỷ số thu nhập ròng trên tổng tài sản, tỷ số dòng tiền từ hoạt động trên tổng nợ, tỷ số vốn luân chuyển trên tổng tài sản và tỷ số nợ ngắn hạn trên tài sản ngắn hạn

Min, Lee (2004) sử dụng phương pháp stepwise và kiểm định t-test để lọc biến từ

bộ 50 biến kế toán lấy từ tổ chức đảm bảo tín dụng lớn nhất của Hàn Quốc, kết quả

sau khi lọc biến chỉ còn 10 biến: tăng trưởng trên tổng tài sản, chi phí R&D trên doanh thu, chi phí lãi vay trên tổng chi phí, vốn cổ phần thường trên tổng tài sản, dòng tiền trên tổng nợ, tổng doanh thu trên tài sản, doanh thu trên tài sản hoạt động kinh doanh, doanh thu trên khoản phải thu, giá trị tăng thêm trên tổng tài sản, doanh thu chính trên chi phí hoạt động Bài nghiên cứu này tác giả sử dụng phương pháp tìm kiếm dạng lưới (grid-search) cho C và 𝛾 sử dụng nhóm phân loại chéo (cross-validiation), cặp (C,𝛾) cho độ chính xác nhất của nhóm phân loại chéo (cross-validiation) sẽ được chọn Giá trị này được sử dụng để chạy mô hình kỹ thuật vectơ

hỗ trợ (Support Vector Machine - SVM) Kết quả của tác giả cho thấy, mô hình với

độ chính xác trung bình là 76.73%, trong đó độ chính xác của việc dự báo phá sản là 78.46% và độ chính xác khi dự báo công ty không phá sản là 75%

Lin và các cộng sự (2013) đã sử dụng mô hình SVM cho 16 biến kế toán, chứng minh ở các bài nghiên cứu khác, có tác động đáng kể tới việc dự báo phá sản Dữ liệu được lấy từ 80 công ty phá sản và 80 công ty khỏe mạnh từ năm 2000 tới 2008 dựa trên bộ dữ liệu của tạp chí kinh tế Đài Loan (Taiwan Economic Journal - TEJ) Theo những nghiên cứu trước đây của Brand (2003), Blum (1974), Deakin (1972), Ohlson (1980), Li và cộng sự (2009), Ding và cộng sự (2008), những biến có tác động tới việc sự báo phá sản bao gồm: Tài sản ngắn hạn/Nợ ngắn hạn, Dòng tiền/Tổng nợ, Dòng tiền/Tổng tài sản, Dòng tiền/Doanh thu ròng, Tổng nợ/Tổng tài sản, Giá trị thị trường vốn cổ phần/Giá trị sổ sách của nợ,Vốn luân chuyển/Tổng tài sản, Tài sản ngắn hạn/Tổng tài sản, Tiền mặt vả các khoản tương đương tiền/Tổng tài sản, Doanh thu ròng/Tổng tài sản, Tiền mặt vả các khoản tương đương tiền/Doanh thu ròng, Nợ ngắn hạn/Doanh thu ròng, Vốn luân chuyển/Doanh thu ròng, Lợi nhuận giữ lại/Tổng tài sản, Lợi nhuận ròng/tổng tài sản, EBIT/Tổng tài sản Mô hình SVM được sử dụng cùng với 5 nhóm phân loại (5-fold cross validiation) để tính được độ chính xác (ACC) Độ chính xác trong 5 nhóm phân loại dao động từ 70% đến 75%, từ đó độ chính xác trung bình được xác định vào khoảng 72,5% Kết quả cho thấy SVM có khả năng dự báo tốt cho các vấn đề phá sản Tuy

nhiên tác giả chỉ sử dụng các biến đã có từ các bài nghiên cứu trước nên có thể có một vài biến không đúng đối với một số công ty Vì vậy, ACC của tác giả chỉ trên mức 70%

Tuy nhiên, hạn chế trong các nghiên cứu theo phương pháp này là tác giả chỉ xem xét đến các dữ liệu kế toán chứ chưa xem xét đến các dữ liệu thị trường

2.2.2 Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường

Có nhiều nghiên cứu thực nghiệm đã cố gắng chứng minh tính ưu việt của mô hình dựa trên yếu tố thị trường so với các mô hình dựa trên yếu tố kế toán

Shumway (2001) phát triển mô hình Hazard bằng việc đưa biến số thị trường cho việc dự báo phá sản Bằng cách tiến hành so sánh mô hình Hazard với mô hình sử dụng biến kế toán trước đó cho kết quả có khoảng một nửa các tỷ lệ kế toán được sử dụng trong các mô hình trước đó không có ý nghĩa thống kê trong việc dự báo phá sản Do đó, một mô hình thay thế sử dụng biến số thị trường đã được Shumway đề xuất, mô hình này sẽ có độ dự báo chính xác hơn so với các mô hình trước đó

Hillegeist, Keating, Cram, Lundstedt (2004) so sánh khả năng dự báo phá sản của

mô hình Z-score (Altman năm 1968) và mô hình O-Score (Ohlson năm 1980) với

mô hình dựa trên mô hình định giá quyền chọn Black-Scholes-Merton, BSM-Prob Tác giả đưa ra một kết quả đối lập cho thấy rằng BSM-Prob cung cấp nhiều thông tin đáng kể hơn hai mô hình dựa trên tỷ số tài chính là Z-score và O-score Do đó, các nhà nghiên cứu đề xuất nên sử dụng BSM-Prob thay vì sử dụng các phương pháp dựa trên yếu tố kế toán truyền thống Z-Score và O-Sore trong nghiên cứu của mình

Tuy nhiên, khác với hai bài nghiên cứu của Hillegeist và các cộng sự (2004) và Shumway (2011), trong một nghiên cứu gần đây, Agarwal và Taffler (2008) thực

hiện một sự so sánh các mô hình dự báo phá sản dựa trên yếu tố thị trường và mô hình dự báo phá sản dựa trên yếu tố kế toán Kết quả cho thấy cả mô hình thị trường

và mô hình kế toán đều đủ tính thống kê cho dự báo phá sản và cả hai đều mang những thông tin riêng biệt về doanh nghiệp phá sản, cụ thể hơn, các mô hình truyền thống dựa trên các tỷ số tài chính không thua kém dựa trên mô hình yếu tố quyền chọn cho mục đích đánh giá rủi ro tín dụng (KMV) Agarwal và Taffler (2008) đưa

ra kết luận về độ chính xác dự báo và các nhà nghiên cứu cũng cho thấy sự khác biệt giữa các mô hình dựa trên yếu tố thị trường và mô hình dựa trên yếu tố kế toán

là không đáng kể

2.2.3 Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường

Nhận thấy việc đưa thêm các biến thị trường vào trong mô hình dự báo là cần thiết,

do đó một số tác giả nghiên cứu về dự báo kiệt quệ và phá sản đã có đưa thêm tập hợp các biến thị trường vào trong mô hình dự báo của họ nhằm nâng cao tính kịp thời và tăng khả năng dự báo của mô hình

Trước đây, việc phân loại dữ liệu trong dự báo phá sản chỉ có các mô hình phân tích thống kê đơn biến, với kỹ thuật tham số Bằng cách tiếp cận theo hướng khác, các nhà nghiên cứu đã tận dụng được sự phát triển vượt bậc của công nghệ thông tin để xây dựng các mô hình thông minh phân loại dữ liệu đa biến, có cả kỹ thuật tham số

và phi tham số, điển hình là bài nghiên cứu của Frydman, Altman và Kao (1985) Bài nghiên cứu dự báo phá sản dự trên mẫu 200 công ty trong giai đoạn từ năm

1971 đến năm 1981, trong đó có 58 công ty phá sản và 142 công ty khỏe mạnh Với mỗi công ty sẽ lọc 20 biến số liên quan đến Báo cáo tài chính Các biến sử dụng để phân loại trong bài nghiên cứu này:

Bảng 2.1 Các biến phân loại trong bài nghiên cứu của Frydman và các cộng sự (1985)

Biến Tỷ số tài chính Biến Tỷ số tài chính

X1 Tiền mặt / Tổng tài sản X11 Thu nhập ròng / Tổng tài sản

X2 Tiền mặt / Tổng doanh thu X12 Tài sản có tính lỏng cao / Tổng số nợ phải

trả X3 Tiền mặt / Tổng số nợ X13 Tài sản có tính lỏng cao / Tổng tài sản

X4 Tài sản ngắn hạn / Nợ ngắn hạn X14 Tài sản có tính lỏng cao / Tổng doanh thu X5 Tài sản ngắn hạn / Tổng Tài sản X15 Thu nhập giữ lại / Tổng tài sản

X6 Tài sản ngắn hạn / Tổng doanh thu X16 Độ lệch chuẩn (Thu nhập trước lãi và thuế /

Tổng tài sản)

X7 Thu nhập trước lãi vay và thuế / Tổng tài

sản X17 Tổng số nợ / Tổng Tài sản

X8 Log(Khả năng trả lãi+15) X18 Tổng doanh thu / Tổng tài sản

X9 Log(Tổng tài sản) X19 Vốn lưu động / Tổng tài sản

X10 Giá trị thị trường VCSH / Tổng vốn hóa X20 Vốn lưu động / Tổng doanh thu

Nghiên cứu đã khắc phục được các hạn chế của các mô hình thống kê truyền thống

và ứng dụng các mô hình thông minh để phân loại dữ liệu trong dự báo phá sản với

mô hình cây quyết định (Decision Tree - DT) Với DT (một mô hình đã được máy tính hóa) thì khả năng chính xác trong dự báo cao hơn so với phương pháp thống kê truyền thống Chính sự phát triển này đã giúp ích rất nhiều cho nghiên cứu khoa học Ngày nay, nhiều nhà nghiên cứu đã kết hợp cả hai phương pháp truyền thống

và DT để phân loại và dự báo trong nhiều lĩnh vực khác trong tài chính như phân loại cũng như dự báo sớm công ty có khả năng phá sản để giúp ích cho cả nhà đầu

tư có khoản đầu tư đúng đắn và chính công ty đó có thể có các chính sách tái cấu trúc hợp lý để vượt qua giai đoạn khó khăn

Ahn, Cho, Kim (2000) sử dụng 8 biến tài chính lấy từ bộ dữ liệu tài chính các công

ty Hàn Quốc từ năm 1994 tới năm 1997 của 1200 công ty kiệt quệ và 1200 công ty khỏe mạnh: thu nhập ròng trên tổng tài sản, thu nhập ròng trên doanh thu, vốn cổ phần trên tổng tài sản, tổng nợ phải trả trên tổng tài sản, vốn lưu động ròng trên tổng tài sản, dòng tiền trên tổng nợ, vòng quay hàng tồn kho, tài sản ngắn hạn trên

nợ ngắn hạn Việc lựa chọn biến dựa trên 2 yếu tố: tính hiệu quả trong các bài nghiên cứu trước (Atman năm 1968; Beaver năm 1966; Gilbert, Menon & Schwartz

năm 1990; Keasey, McGuinness & Short năm 1990; Lee, Han & Kwon năm 1996; Odom

& Sharda năm 1990; Raghupathi và các cộng sự năm 1991) và những kinh nghiệm từ những quyết định, hiểu biết của các chuyên gia tài chính Bằng việc sử dụng lý thuyết tập thô (Rough Set – RS), Ahn và các cộng sự (2000) sử dụng mô hình mạng thần kinh nhân tạo (Nerual Network - NN) để ước tính độ chính xác của việc dự báo dựa trên 4 tỷ số tài chính: tổng nợ phải trả trên tổng tài sản, vốn lưu động ròng trên tổng tài sản, dòng tiền trên tổng nợ, tài sản ngắn hạn trên nợ ngắn hạn Kết quả cho thấy độ chính xác trong việc dự báo trung bình khoảng 89.5%

Chava và Jarrow (2004) đã kiểm tra tính chính xác của mô hình dự báo phá sản cho các công ty được niêm yết ở Mỹ trong khoảng thời gian từ nằm 1962 đến năm 1999

sử dụng cả hai quan sát hàng năm và hàng tháng cũng như bổ sung các biến kế toán của Altman và các biến trong bài nghiên cứu của Shumway (2001) Các biến kế toán: thu nhập ròng trên tổng tài sản và tổng nợ phải trả trên tổng tài sản Các biến thị trường: quy mô tương đối, tỷ suất sinh lợi vượt trội hằng năm, biến động của cổ phiếu Kết quả cho thấy khả năng dự báo phá sản được cải thiện khi sử dụng dữ liệu quan sát hàng tháng Hơn nữa, việc đưa biến thị trường vào trong mô hình dự báo phá sản làm tăng độ dự báo chính xác của mô hình

Beaver cùng cộng sự (2005) đã sử dụng mô hình Hazard 3 biến để kiểm định sự thay đổi khả năng dự báo kiệt quệ tài chính của các dữ liệu báo cáo tài chính, biến thị trường tương ứng với các biến số kế toán (riêng lẻ và kết hợp) từ năm 1962 đến năm 2002 dưới tác động của ba xu hướng: Các chuẩn mực FASB, sự gia tăng tính tùy chọn trong hành vi báo cáo tài chính, sự gia tăng trong các tài sản và nghĩa vụ không được công nhận Kết quả thu được cho thấy, theo thời gian mô hình biến tỷ

số kế toán vẫn có khả năng dự báo, khả năng dự báo của mô hình này chỉ giảm nhẹ

Sự giảm trong khả năng dự báo của các tỷ số tài chính được bổ sung bởi sự tăng lên trong khả năng dự báo phá sản của các biến thị trường tương ứng Cũng trong bài nghiên cứu này, Beaver (2005) cho rằng việc thêm các biến thị trường vào trong mô hình dự báo là hợp lý vì một số lý do như biến thị trường được đo lường với các

khoảng thời gian khác nhau Do đó, việc đưa các biến thị trường vào có thể làm tăng đáng kể tính kịp thời của các mô hình dự báo hay các biến thị trường có thể cung cấp một đánh giá trực tiếp về sự biến động, sự biến động này có thể phản ánh rủi ro phá sản mà biến kế toán không có

Campbell, Hilscher và Szilagyi (2008) phân tích xem xét các yếu tố quyết định đến

sự phá sản cũng như việc định giá cổ phiếu của công ty kiệt quệ tài chính với một xác suất phá sản cao thông qua mô hình logit bao gồm các biến kế toán và các biến thị trường Ngoài một tập hợp của hai biến kế toán, một số biến thị trường cũng được kiểm định: logarit tỷ suất sinh lợi vượt trội hàng tháng trên vốn cổ phần của từng công ty liên so với chỉ số S&P500, độ lệch chuẩn của tỷ suất sinh lợi hàng ngày của mỗi công ty trong ba tháng gần nhất, quy mô tương đối của mỗi công ty

đo bằng logarit tỷ lệ giữa mức vốn hóa thị trường trên tổng mức vốn hóa của chỉ số S&P500 và logagit của giá mỗi cổ phần của mỗi công ty bị chặn ở mức trên $15

Chen, Du (2009) sử dụng phương pháp phân tích nhân tố (Principle Component Analysis - PCA) để chọn ra 18 trong số 37 biến có tác động tới việc dự báo phá sản được lấy từ những bái nghiên cứu của Kirkos và cộng sự (2007); Spathis (2002); Spathis, Doumpos và Zopo-unidis (2002); Fanning and Cogger (1998); Persons (1995), Stice (1991); Feroz, Park, và Pastena (1991); Loebbecke, Eining và Willingham (1989); Kinney và McDaniel (1989) được phân thành 6 nhóm: khả năng sinh lợi (thu nhập trước thuế, thu nhập tổng tài sản, lợi nhuận trên vốn cổ phần, EPS, tỷ số biên lợi nhuận gộp), năng lực cấu trúc tài chính (Nợ trên tổng tài sản, số lần thu lãi, giá trị số sách vốn cổ phần, tỷ số đòn bẩy tài chính, nợ trên vốn

cổ phần, nợ ngắn hạn và dài hạn trên giá trị sổ sách, tài sản cố định trên tổng tài sản, lợi nhuận gộp trên tổng tài sản, hàng tồn kho trên tổng tài sản, hàng tồn kho trên doanh thu, tỷ số đầu tư, tài sản ngắn hạn trên tổng tài sản), năng lực quản lý hiệu quả (vòng quay hàng tồn kho, vòng quay khoản phải thu, vòng quay tài sản cố định, vòng quay tổng tài sản, vòng quay vốn cổ phần, vòng quay vốn lưu động), hiệu quả quản lý (tỷ lệ tăng trưởng lợi nhuận trước thuế, tỷ lệ tăng trưởng lợi nhuận gộp, tỷ lệ

tăng trưởng doanh thu), khả năng chi trả nợ (tỷ số thanh toán hiện hành, tỷ số thanh toán nhanh, tỷ số thanh toán tiền mặt, tỷ suất dòng tiền, dòng tiền trên nợ dài hạn, dòng tiền trên tổng nợ, dòng tiền trên nợ ngắn hạn và nợ dài hạn), yếu tố phi tài chính (tỷ số thanh toán cổ tức, P/B, số cổ phần ưu đãi được nắm giữ bởi hội đồng quản lý, tỷ số vốn cổ phần lưu chuyển) Bằng việc sử dụng mô hình mạng thần kinh nhân tạo (Neural NetWork - NN) để dự báo độ chính xác của phương pháp lọc biến Kết quả cho thấy, với phương pháp phân tích phi nhân tố, độ chính xác của việc dự báo là 60% Phương pháp phân tích một nhân tố với kết quả là 66.36% và phương pháp phân tích 2 nhân tố với kết quả là 65.45%

Gần đây, Christidis và Gregory (2010) cùng với Campbell và các cộng sự (2008) đã kiểm định ba biến thị trường trong một mô hình dự báo cho các công ty được niêm yết ở Anh cũng đưa vào một tập hợp các biến kế toán Christidis, Gregory (2010) cùng với Campbell và các cộng sự (2008) thay thế biến giá trị sổ sách bằng biến giá trị thị trường và kiểm tra xem liệu logarit của tỷ suất thu nhập vượt trội nửa năm trên chỉ số tất cả cổ phần FTSE và độ lệch chuẩn của tỷ suất sinh lợi chứng khoán công ty được tính theo mỗi giai đoạn 6 tháng có làm tăng khả năng dự báo của mô hình hay không Kết quả cho thấy rằng các biến giá trị thị trường có khả năng làm tăng tính chính xác của mô hình dự báo kiệt quệ tài chính

Bài nghiên cứu của Mu Yen Chen (2011) dự báo khủng hoảng tài chính dựa vào mô hình cây quyết định (Decision Tree – DT) và hồi quy Logistic (LR) cho 100 công ty phi tài chính niêm yết tại tập đoàn giao dịch cổ phiếu Đài Loan (Taiwan Stock Exchange Corporation - TSEC) bao gồm: 50 công ty khủng hoảng và 50 công ty khỏe mạnh trong giai đoạn từ năm 2000 – 2007 Bài nghiên cứu sử dụng 37 biến và phân bổ vào các nhóm: khả năng thu nhập, cấu trúc tài chính, hiệu suất kinh doanh, khả năng kinh doanh, khả năng trả nợ, yếu tố phi tài chính Bài nghiên cứu sử dụng các thuật toán: C4.5 (Quinlan, 1993), CART (Breiman, Friedman, Olshen và Stone, 1984), CHAID (Michael và Gordon, 1997) trong mô hình DT để phân loại công ty

ở trạng thái kiệt quệ (Special Treatment - ST) hay khỏe mạnh (Non-Special

Treatment - NST) Kết quả bài nghiên cứu này cho thấy mô hình DT cũng như LR

có độ chính xác phân loại cao (lớn hơn 90% đối với DT và 80% đối với LR) Nhưng nếu so sánh riêng 2 phương pháp thì mô hình DT có độ chính xác luôn cao hơn so với LR qua các giai đoạn

Một nghiên cứu khác sử dụng mô hình cây quyết định (Decision Tree – DT) để phân loại công ty ở trạng thái khỏe mạnh hoặc kiệt quệ trong lĩnh vực nhà hàng của tác giả Kim và Upneja (2013) Ngành công nghiệp nhà hàng đã được đối mặt với những thách thức khó khăn do khủng hoảng kinh tế gần đây Mỗi ngành công nghiệp khác nhau đối mặt với mức độ cạnh tranh khác nhau nên khả năng khủng hoảng tài chính có thể khác nhau đối với các doanh nghiệp trong các ngành công nghiệp khác nhau, sự quan tâm rất thấp đã được trả tiền để dự đoán khủng hoảng tài chính nhà hàng Mục đích chính của bài nghiên cứu này là kiểm tra các yếu tố khủng hoảng tài chính quan trọng cho các nhà hàng Mỹ được niêm yết công khai trong giai đoạn 1988 - 2010 sử dụng mô hình cây quyết định Các biến sử dụng:

Bảng 2.2 Các biến sử dụng trong bài nghiên cứu của Kim và cộng sự (2013)

X1 Tỷ số thanh toán hiện hành X13 Vòng quay tổng tài sản

X2 Tỷ số thanh toán nhanh X14 Vòng quay hàng tồn kho trong ngày

X3 Vòng quay khoản phải thu X15 Vòng quay tài sản cố định

X4 Dòng tiền hoạt động /Nợ ngắn hạn X16 Tốc độ tăng trưởng doanh thu

X5 Tổng nợ /Vốn cổ phần X17 Tốc độ tăng trưởng tổng tài sản

X6 Tài sản cố định / Vốn dài hạn X18 Tốc độc tăng trưởng thu nhập hoạt động X7 Dòng tiền hoạt động /Tổng nợ X19 Tốc độ tăng trưởng thu nhập ròng

X8 Biên lợi nhuận ròng X20 Tốc độ tăng trưởng vốn cổ phần

X9 Biên thu nhập hoạt động X21 Tỷ lệ hội đồng nắm giữ

X10 ROCE X22 Xu hướng giá chứng khoán

X11 ROE X23 EPS

X12 Thu nhập hoạt động /Vốn chủ sở hữu X24 Thay đổi trong GDP

Thuật toán sử dụng để xây dựng mô hình DT bao gồm C4.5 (Quinlan, 1993), CHAID (Kass, 1980), CART (Breiman và các cộng sự, 1984), và ID3 (Marais và

các cộng sự, 1984; Quinlan, 1986) Bài nghiên cứu này sử dụng thuật toán C4.5 để xây dựng mô hình phân loại DT cho toàn bộ số liệu cho thấy các nhà hàng khủng hoảng tài chính, dựa nhiều hơn vào nợ, tỷ lệ tăng của tài sản ở mức rất thấp, lợi nhuận ròng thấp và chỉ số thanh toán thấp hơn so với các nhà hàng không khủng hoảng Một tỷ lệ lớn của nợ trong cấu trúc tài chính của các nhà hàng có thể cho thấy các nhà hàng đang gặp khó khăn và có thể mất khả năng trả nợ dẫn đến khủng hoảng tài chính và phá sản Ngoài ra, sự thiếu hiệu quả của vốn làm tăng khả năng khủng hoảng tài chính Bài nghiên cứu sử dụng mô hình DT như một hệ thống cảnh báo sớm để dự đoán các nhà hàng gặp khủng hoảng tài chính vì các mô hình DT chứng minh việc thực hiện dự đoán tốt nhất với độ chính xác cao (96.73% cho các trường hợp khỏe mạnh và 85.29% cho các trường hợp kiệt quệ) cùng những lỗi nhỏ trong tỷ lệ lỗi mà các mô hình dự báo thường mắc phải

Tuy nhiên, Wei Xu và các cộng sự (2014) lại tiếp cận với hướng khác, bằng cách sử dụng 81 biến kết hợp với phương pháp tập mềm (Soft set) để chọn những biến có tác động tới việc dự báo phá sản Các mô hình dự báo Logistic, mạng thần kinh nhân tạo (Nerual Network - NN), mô hình kỹ thuật vectơ hỗ trợ (Support Vector Machine -SVM) được sử dụng để ước lượng độ chính xác của việc dự báo Dựa trên nền tảng nghiên cứu của Wei Xu cùng các cộng sự (2014) bài nghiên cứu tập trung vào việc tìm hiểu các phương pháp lọc biến dựa trên lý thuyết tập mềm (Soft- set)

và sử dụng các mô hình dự báo để ước tính độ chính xác (Accuracy - ACC) Cho đến nay, đây là một trong rất hiếm bài hoặc có thể là duy nhất được trính bày dựa trên lý thuyết tập hợp mềm

2.3 Những nghiên cứu ở Việt Nam

Trên thế giới, việc nghiên cứu ứng dụng các mô hình để đánh giá, dự báo nguy cơ phá sản của các công ty trên thị trường chứng khoán là rất nhiều Thế nhưng tại Việt Nam, hiện chưa có nhiều các nghiên cứu để kiểm định, xây dựng các mô hình đánh giá, dự báo nguy cơ phá sản của công ty

Theo báo nhịp cầu đầu tư số 41 và 42 tháng 8 năm 2007 trong bài “Chỉ số Z – công

cụ phát hiện nguy cơ phá sản và xếp hạng định mức tín dụng” và “Dùng chỉ số Z để ước tính hệ số tín nhiệm”, tác giả Lâm Minh Chánh cũng chỉ đưa ra các khái niệm cũng cách tính toán các biến cũng như chỉ số Z cho từng loại hình của công ty dựa trên các mô hình của Altman (2000) Tác giả chưa đưa ra các đánh giá, kiệm định xem mô hình có thích hợp để sử dụng ở thị trường Việt Nam hay không

Trên tạp chí Khoa học – công nghệ thủy sản số 2 năm 2010 thì Nguyễn Thành Cường và Nguyễn Thế Anh đã tiến hành nghiên cứu ứng dụng mô hình chỉ số Z của Altman để đánh giá rủi ro phá sản của các công ty chế biến thủy sản đang niêm yết trên sàn chứng khoán Việt Nam Nghiên cứu cũng chưa đưa ra được kết luận hay đánh giá xem mô hình có thể áp dụng được ở thị trường Việt Nam hay không Mô hình chỉ đưa ra các đánh giá dựa trên các tiêu chí của Altman đối với từng công ty,

đề xuất lấy kết quả làm căn cứ để các ngân hàng xếp hạng tín dụng cho công ty khi tiến hành xét cấp tín dụng

Hay trong nghiên cứu về phân tích rủi ro tín dụng doanh nghiệp bằng mô hình Logistic Tác giả Hoàng Tùng dựa trên 7 chỉ tiêu được tính toán từ báo cáo tài chính năm 2009 của khoảng 463 công ty trên thị trường chứng khoán Việt Nam đưa ra mô hình dự báo như sau:

Z = -0.749 + 0.074Hs + 2,458Ts_TSNH – 5,985Ts_No – 2,060DBN + 0,992Ts_LNDT + 145.363ROA + 26.151ROE

Trong đó: Hs – Số vòng quay tài sản (doanh thu / tổng tài sản); Ts_TSNH – tỷ suất tài sản ngắn hạn (Tài sản ngắn hạn / Tổng tài sản); Ts_No – Tỷ suất nợ (Nợ phải trả

/ Tổng tài sản); DBN – Đòn bẩy nợ (Nợ phải trả / Vốn chủ sở hữu); Ts_LNDT – tỷ suất lợi nhuận doanh thu (Lợi nhuận / Doanh thu); ROA – tỷ suất sinh lời tài sản (Lợi nhuận / tổng tài sản); ROE – tỷ suất lợi nhuận vốn chủ sở hữu (Lợi nhuận / vốn chủ sở hữu) Nghiên cứu đã đưa ra kết quả dự báo về rủi ro trả nợ của các công ty như sau: Nếu Z < 0.5 thì công ty không có khả năng trả nợ (có rủi ro), ngược lại nếu

Z > 0.5 thì công ty có khả năng trả nợ (không rủi ro)

Trong đề tài nghiên cứu “Xây dựng mô hình xếp hạng tín dụng đối với các doanh nghiệp Việt Nam trong nền kinh tế chuyển đổi” tác giả Nguyễn Trọng Hòa đã sử dụng mô hình phân tích phân biệt và mô hình logit để phân tích xây dựng mô hình Với quan điểm doanh nghiệp có nguy cơ phá sản khi xảy ra một trong các tình huống:

- Không có khả năng thực hiện nghĩa vụ tín dụng với bên đối tác

- Vốn lưu động thường xuyên nhỏ hơn không

- Giá trị thị trường của doanh nghiệp nhỏ hơn tổng nợ phải trả

Nghiên cứu đã tiến hành phân tích 37 chỉ tiêu tài chính được thu thập từ các báo cáo tài chính của 286 công ty trên cả hai sàn giao dịch TP.Hồ Chí Minh (HOSE) và Hà Nội (HASTC) tại thời điểm 31/12/2007 Tác giả đã chia mẫu ban đầu thành 5 mẫu thành phần để ước lượng hàm phân biệt và hàm phân bổ logistic với các điều kiện nguy cơ phá sản khác nhau để xây dựng mô hình Kết quả cả 5 nhóm thành phần đều xây dựng được các hàm ước lượng khác nhau phù hợp cho từng nhóm với các đặc điểm riêng Và với 37 biến ban đầu thì chỉ có các biến được chọn như sau: Tiền mặt / tổng tài sản; vốn lưu động / nợ ngắn hạn; vốn chủ sở hữu / tổng tài sản; giá vốn hàng bán / doanh thu thuần; các khoản phải thu / (doanh thu thuần / 365); lợi nhuận sau thuế / doanh thu thuần; lợi nhuận sau thuế / vốn chủ sở hữu Từ đó kết hợp xếp hạng các công ty thành 9 hạng từ loại rất tốt (AAA) đến loại rất yếu kém (C)

Trong báo cáo về xếp hạng tín nhiệm các doanh nghiệp đã lên sàn chứng khoán Tác giả Nguyễn Trọng Hòa dựa trên kết quả thực nghiệm đã xây dựng mô hình xếp hạng tín nhiệm theo hàm phân biệt như sau:

X = -0.52 – 3.228X4 + 2.763X8 – 0.55X22 – 0.163X24 + 6.543X29 +0.12X33

Trong đó: X4 – Tỷ số Tổng vốn vay / Tổng tài sản; X8 – Tỷ số Vốn lưu động / Tổng tài sản; X22 – Tỷ số Các khoản phải thu / Doanh thu thuần; X24 – Tỷ số Các khoản phải thu / Nợ phải trả; X29 – Tỷ số lợi nhuận trước lãi vay và thuế / Tổng tài sản;

X33 – Tỷ số Lợi nhuận sau thuế / Vốn chủ sở hữu Với việc kết hợp các tỷ số thì tác giả cho rằng chỉ số Z càng lớn thì càng chứng tỏ doanh nghiệp có tình hình tài chính tốt, kinh doanh hiệu quả Từ đó đưa ra các điểm cắt để phân lớp xếp hạng doanh nghiệp

Khi nghiên cứu về các yếu tố tác động đến phá sản doanh nghiệp trên địa bàn Đồng Nai, tác giả Nguyễn Bảo Khang (2012) đưa ra dự báo phá sản của các doanh nghiệp thời điểm trước khi phá sản 1 năm, 2 năm và 3 năm đều chịu ảnh hưởng của các yếu tố: tài sản ngắn hạn / tổng tài sản; lợi nhuận sau thuế / vốn chủ sở hữu; lợi nhuận sau thuế / doanh thu và tài sản ngắn hạn / doanh thu Bên cạnh đó thùy thuộc vào việc dự báo trước khi phá sản 1, 2 hay 3 năm mà có thể thêm các biến như: doanh thu / tổng tài sản; giá vốn hàng bán / doanh thu; doanh nghiệp có 100% vốn nhà nước

Theo sách chuyên khảo: “Phân tích và quản lý danh mục đầu tư” của thầy Phạm Hữu Hồng Thái Có 14 biến được chọn để đưa vào mô hình nghiên cứu:

Bảng 2.1 Các biến sử dụng trong bài nghiên cứu của Phạm Hữu Hồng Thái

X1 Tài sản lưu động / nợ ngắn hạn X8 Tỷ lệ tăng doanh thu thuần

X2 Lợi nhuận sau thuế / Tổng tài sản X9 Tỷ lệ tăng tổng tài sản

X3 Lợi nhuận sau thuế / Vốn chủ sở

hữu X10 Vốn hóa thị trường / tổng nợ

X4 EBIT / Tổng tài sản X11 M / B (Market value / book value)

X5 Doanh thu thuần / Tổng tài sản X12 Nợ ngắn hạn / Tổng nợ

X6 EBIT / Doanh thu thuần X13 Tài sản ngắn hạn / Tổng tài sản

X7 Tổng nợ / tổng tài sản X14 Log (Tổng tài sản)

Qua việc phân tích ma trận tương quan giữa các biến độc lập, và chạy mô hình logistic với dữ liệu gộp và dữ liệu bảng, đã xây dựng được kết quả hồi qui như sau:

Z = -6.143 +1.452X1 – 15.596X2 – 2.499X3 – 2.730X6 + 13.370X7 – 5.743X10 + 0.330X11 +16.224X12 – 27.241X13

Dựa trên nền tảng nghiên cứu của Wei Xu cùng các cộng sự (2014) bài nghiên cứu tập trung vào việc tìm hiểu các phương pháp lọc biến dựa trên lý thuyết tập mềm (Soft- set) và sử dụng các mô hình dự báo để ước tính độ chính xác (Accuracy - ACC) Cho đến nay, đây là một trong rất hiếm bài được trình bày dựa trên lý thuyết tập hợp mềm Tuy nhiên, Khác với bài nghiên cứu của Wei Xu và các cộng sự (2014), để phù hợp với môi trường nghiên cứu ở Việt Nam, đề tài tiếp cận theo hướng so sánh lý thuyết lọc biến tập hợp mềm với những cách chọn biến ở những bài nghiên cứu trước ở Việt Nam Vì vậy có ba cách chọn biến được sử dụng trong bài nghiên cứu:

- Cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH)

- Traditional Soft Set (TSS)

- Novel Soft Set (NSS)

Kết hợp cùng ba mô hình logistic, Neural Network (NN) và Support Vector Machines (SVM) để tăng thêm tính đa dạng trong các lựa chọn mô hình nhằm kiểm

định tính hiệu quả của lý thuyết tập hợp mềm trong việc tối ưu hóa việc chọn biến nhằm dự báo phá sản một cách hiệu quả nhất cho doanh nghiệp

CHƯƠNG 3 GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU

HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET

Quy trình bài nghiên cứu được tóm tắt theo sơ đồ như Hình 3.1

Hình 3.1 Sơ đồ tóm tắt phương pháp nghiên cứu

Lựa chọn dữ liệu và phân tích

Dữ liệu thử nghiệm Dữ liệu kiểm định Dữ liệu loại bỏ Bước 2

Lựa chọn tham số Bước 3

Mô hình hồi quy

Kết quả dự báo và thảo luận

3.1 Phương pháp chọn biến

3.1.1 Biến phụ thuộc (Special Treatment – ST)

Biến phụ thuộc sử dụng trong bài được dựa vào tình trạng kiệt quệ của doanh nghiệp Để đánh giá một công ty có rơi vào trạng thái phá sản hay không bài nghiên cứu dựa trên dữ liệu thực tế để đánh giá một công ty gọi là phá sản khi công ty đó hủy niêm yết trên sàn giao dịch chứng khoán, ngoài ra kết hợp với nghiên cứu của Pindado và các cộng sự (2008): một công ty được xem là rơi vào tình trạng phá sản xảy ra khi EBITDA của công ty thấp hơn chi phí lãi vay liên tục trong hai năm hoặc

bất cứ khi nào công ty phải chịu một sự tăng trưởng âm trong giá trị thị trường trong hai năm liên tiếp Khi một công ty rút khỏi thị trường chứng khoán và thỏa mãn một trong hai điều kiện của Pindado thì công ty đó được xem như một công ty đó xem như phá sản (ST=0) Ngược lại, nếu một công ty không thỏa mãn một các điều kiện trên thì được xem là công ty khỏe mạnh (ST=1)

3.1.2 Biến độc lập

Để lựa chọn ra được những biến có tác động tốt nhất đến khả năng phá sản của một công ty bài nghiên cứu dùng các chỉ tiêu trên Báo cáo tài chính (Bảng cân đối kế toán, Bảng kết quả hoạt động kinh doanh, Bảng lưu chuyển tiền tệ và Bảng thuyết minh báo cáo tài chính); ngoài ra còn sử dụng một số dữ liệu thị trường của các công ty được niêm yết tại Sở giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE) Số liệu được lấy từ bảng báo cáo tài chính của mẫu 104 công ty trong gian đoạn 2009 – 2015 Sau đó, dựa vào những bài nghiên cứu trước để tách ra làm 49 biến số Bộ dữ liệu phản ảnh toàn bộ tất cả những gì mà một doanh nghiệp có từ tình hình kinh doanh đến hoạt động đầu tư, giá trị tài sản hữu hình cũng như mức nợ

mà doanh nghiệp đang gánh chịu Để xem chi tiết về từng biến đã được sử dụng trong bài nghiên cứu, tham khảo Bảng trong phần Phụ lục

3.2 Phân tách dữ liệu nghiên cứu

3.2.1 Phân loại công ty

Sau khi dựa trên tiêu chí phân loại công ty (được trình bày ở phần 1.5.1), 104 công

ty trong mẫu nghiên cứu được phân loại thành hai nhóm: 52 công ty khỏe mạnh và

52 công ty kiệt quệ và có thống kê mô tả về các biến đối với từng nhóm như sau:

Bảng 3.1 Mẫu dữ liệu 104 công ty thời kỳ t-1

TMTDT/NNH 104 0.6172 2.0716 0.0001 11.3269