Luận văn Thạc sĩ Kinh tế: Dự báo kiệt quệ tài chính cho các công ty niêm yết tại Việt Nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH



PHẠM THỊ NGỌC UYÊN

DỰ BÁO KIỆT QUỆ TÀI CHÍNH

CHO CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP. HỒ CHÍ MINH – NĂM 2015

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH



PHẠM THỊ NGỌC UYÊN

DỰ BÁO KIỆT QUỆ TÀI CHÍNH

CHO CÁC CÔNG TY NIÊM YẾT TẠI VIỆT NAM

Chuyên ngành: Tài Chính – Ngân Hàng

Mã số: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

Người Hướng Dẫn Khoa Học:

PGS.TS. NGUYỄN NGỌC ĐỊNH

TP. HỒ CHÍ MINH – NĂM 2015

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi dưới sự hướng dẫn

của PGS.TS. Nguyễn Ngọc Định. Các số liệu và kết quả được nêu trong luận văn là

trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác.

Tác giả luận văn

PHẠM THỊ NGỌC UYÊN

MỤC LỤC

TRANG PHỤ BÌA

LỜI CAM ĐOAN

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

DANH MỤC CÁC BẢNG

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

TÓM TẮT ....................................................................................................................... 7

CHƯƠNG 1: GIỚI THIỆU ........................................................................................... 8

1.1. Tính cấp thiết của đề tài ........................................................................................ 8

1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu ........................................................ 9

1.3. Sơ lược nội dung chính của luận văn ................................................................... 9

1.4. Kết cấu của luận văn ............................................................................................ 10

CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY ......................... 11

2.1. Các nghiên cứu liên quan đến khái niệm kiệt quệ tài chính ............................ 11

2.2. Các nghiên cứu về các biến dự đoán kiệt quệ tài chính.................................... 13

2.3. Các mô hình sử dụng trong dự báo kiệt quệ tài chính ..................................... 18

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU ....................................................... 20

3.1. Mẫu dữ liệu ........................................................................................................... 20

3.2. Các biến nghiên cứu trong mô hình ................................................................... 22

3.2.1. Biến Kiệt quệ tài chính ............................................................................... 22

3.2.2. Nhóm biến kế toán ...................................................................................... 25

3.2.2.1. Biến TFOTL .......................................................................................... 25

3.2.2.2. Biến TLTA ............................................................................................ 26

3.2.2.3. Biến NOCREDINT ............................................................................... 27

3.2.2.4. Biến COVERAGE ................................................................................ 28

3.2.3. Nhóm biến vĩ mô .......................................................................................... 29

3.2.3.1. Chỉ số giá tiêu dùng CPI ...................................................................... 29

3.2.3.2. Lãi suất Trái phiếu kho bạc kỳ hạn 12 tháng T_BILL ..................... 30

3.2.4. Nhóm biến thị trường ................................................................................. 31

3.2.4.1. Giá cổ phiếu – PRICE .......................................................................... 31

3.2.4.2. Tỷ suất sinh lợi vượt trội – ABNRET ................................................. 32

3.2.4.3. Quy mô công ty – SIZE ........................................................................ 34

3.2.4.4. Vốn hóa thị trường / Tổng nợ – MCTD ............................................. 35

3.3. Phương pháp nghiên cứu ..................................................................................... 36

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU................................................................... 39

4.1. Thống kê mô tả ..................................................................................................... 39

4.2. Ma trận hệ số tương quan ................................................................................... 43

4.3. Phân tích kết quả hồi quy .................................................................................... 46

4.4. Đánh giá mô hình ................................................................................................. 56

4.5. Phân tích tác động biên........................................................................................ 64

CHƯƠNG 5: KẾT LUẬN ........................................................................................... 67

5.1. Tóm lược kết quả nghiên cứu ............................................................................. 67

5.2. Hạn chế của đề tài ................................................................................................ 68

TÀI LIỆU THAM KHẢO

PHỤ LỤC

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT

HOSE Sở Giao Dịch Chứng Khoán TP.HCM

HNX Sở Giao Dịch Chứng Khoán Hà Nội

IFS Tổ Chức Thống Kê Tài chính Quốc Tế

CTCP Công Ty Cổ Phần

EBITDA Thu Nhập Trước Thuế, Lãi Vay và Khấu Hao

AUC Khu Vực Dưới Đường Cong ROC

DANH MỤC CÁC BẢNG

Bảng 3.1 Các biến nghiên cứu

Thống kê mô tả cho 3 mẫu quan sát: toàn bộ mẫu, mẫu các công ty Bảng 4.1 không bị kiệt quệ tài chính, mẫu các công ty bị kiệt quệ tài chính

Bảng 4.2 Ma trận hệ số tương quan

Bảng 4.3 Kết quả hồi quy Logit cho 5 mô hình

Bảng 4.4 Kết quả đánh giá mô hình

Bảng 4.5 Kết quả kiểm định Mann-Whitney U-Statistics

Bảng 4.6 Tác động biên của các biến nghiên cứu

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 4.1 ROC cho 5 mô hình tại thời điểm t

Hình 4.2 ROC cho 5 mô hình tại thời điểm t-1

Hình 4.3 ROC cho 5 mô hình tại thời điểm t-2

TÓM TẮT

Luận văn này xem xét khả năng dự đoán xác suất xảy ra kiệt quệ tài chính của các

doanh nghiệp tại Việt Nam bằng 3 nhóm biến nghiên cứu: nhóm biến kế toán, nhóm

biến vĩ mô và nhóm biến thị trường. Luận văn sử dụng mẫu quan sát bao gồm 73 công

ty trong mẫu và giai đoạn quan sát là 2006-2014. Thông qua các kết quả hồi quy, các

kiểm định đánh giá độ phù hợp của mô hình cũng như phân tích tác động biên của các

mô hình, tác giả nhận thấy một mô hình kết hợp 3 nhóm biến lại với nhau có khả năng

dự báo tốt nhất đến xác suất xảy ra tình trạng kiệt quệ tài chính hơn là mô hình chỉ bao

gồm nhóm biến kế toán như các nghiên cứu trước đây đã thực hiện. Bên cạnh đó, khả

năng dự báo càng xa trước thời điểm xảy ra kiệt quệ tài chính chỉ phù hợp với nhóm

biến thị trường, sau đó là nhóm biến vĩ mô và cuối cùng mới là nhóm biến kế toán.

Từ Khóa: Kiệt quệ tài chính, Hồi quy Logit, Biến kế toán, Biến vĩ mô, Biến thị

trường.

CHƯƠNG 1: GIỚI THIỆU

1.1. Tính cấp thiết của đề tài

Cuộc khủng hoảng tài chính vào năm 2008 đã chỉ ra các thiếu sót trong vấn đề

đánh giá và quản trị rủi ro trong môi trường cho vay. Những nhà cho vay, những nhà

đầu tư khác nhau và những đối tượng liên quan đến doanh nghiệp luôn muốn có được

những thông tin đúng lúc về xác suất rủi ro phá sản của các doanh nghiệp. Hơn thế

nữa, trong thời gian gần đây trên thế giới cũng như tại Việt Nam, tình hình kinh tế ngày

càng biến động và có tác động rất lớn đến tình hình hoạt động sản xuất kinh doanh của

doanh nghiệp. Chính vì vậy, rất cần thiết phải có những nghiên cứu để dự đoán xác

suất xảy ra tình trạng kiệt quệ tài chính và phá sản của doanh nghiệp.

Hiện nay có nhiều nghiên cứu lập mô hình dự đoán rủi ro kiệt quệ tài chính và

phá sản nhưng hầu như các nghiên cứu đó hoặc chỉ dựa vào việc sử dụng dữ liệu kế

toán trong quá khứ được công bố một cách chính thức (Altman, 1968), hoặc dựa vào

thông tin thị trường chứng khoán (Merton, 1974), hoặc vừa sử dụng dữ liệu kế toán

vừa dữ liệu thị trường (Trujillo-Ponce và cộng sự, 2012). Bên cạnh đó, một số nghiên

cứu cũng đã chỉ ra nhóm biến vĩ mô cũng có khả năng dự báo kiệt quệ tài chính. Chính

vì vậy, rất cần thiết trong việc kết hợp các nhóm biến này lại với nhau để xem xét khả

năng dự báo của chúng như thế nào khi lần lượt kết hợp các nhóm biến lại với nhau

cũng như sử dụng một cách đơn lẻ. Hernandez Tinoco và Wilson (2013) là một trong

các nghiên cứu đã đi tiên phong trong việc kết hợp các nhóm biến lại với nhau như

vậy.

Thực tế, để một doanh nghiệp hoạt động và phát triển một cách bền vững thì cần phải

quan tâm đến không những những yếu tố xuất phát từ nội tại doanh nghiệp mà còn từ

các yếu tố bên ngoài. Chính vì vậy, có rất nhiều nhân tố có thể giúp dự đoán xác suất

xảy ra tình trạng kiệt quệ tài chính, bao gồm xuất phát từ các yếu tố nội tại doanh

nghiệp và từ các yếu tố bên ngoài. Do đó, rất cần thiết phải kết hợp cả dữ liệu tài chính

của doanh nghiệp cũng như dữ liệu thị trường và dữ liệu vĩ mô của nền kinh tế để có

thể tìm ra một mô hình dự báo tốt nhất giúp doanh nghiệp đề ra các phương hướng và

biện pháp kịp thời và đúng đắn nhằm tránh khỏi tình trạng kiệt quệ tài chính và gia

tăng giá trị doanh nghiệp. Và đó chính là lý do tác giả lựa chọn đề tài này để thực hiện

nghiên cứu trong luận văn.

1.2. Mục tiêu nghiên cứu và câu hỏi nghiên cứu

Luận văn này xem xét khả năng dự báo xác suất xảy ra tình trạng kiệt quệ tài

chính của các công ty niêm yết tại Việt Nam bằng các mô hình kết hợp dữ liệu kế toán,

dữ liệu thị trường và dữ liệu vĩ mô.

Từ mục tiêu được xác định ở trên, tác giả đặt ra một số câu hỏi nghiên cứu như

 Khi nào một doanh nghiệp rơi vào tình trạng kiệt quệ tài chính?

 Các nhân tố nào có thể giúp dự đoán tốt một doanh nghiệp rơi vào tình trạng

kiệt quệ tài chính?

 Mô hình kết hợp nào giữa 3 loại dữ liệu có thể giúp đưa ra các dự báo tốt nhất

tình trạng kiệt quệ tài chính của doanh nghiệp?

1.3. Sơ lược về phương pháp nghiên cứu trong luận văn

Nghiên cứu này sử dụng dữ liệu của 73 công ty phi tài chính niêm yết tại Sở giao

dịch chứng khoán thành phố Hồ Chí Minh (HOSE) trong giai đoạn nghiên cứu 2006-

2014. Trong luận văn này, tác giả sử dụng biến phụ thuộc kiệt quệ tài chính là biến nhị

phân với những quan sát chỉ ra tình trạng kiệt quệ tài chính được gán cho giá trị là 1, và

những quan sát không chỉ ra tình trạng kiệt quệ tài chính được gán cho giá trị là 0. Tác

giả cũng sử dụng các dữ liệu kế toán, dữ liệu thị trường và dữ liệu vĩ mô tạo thành các

biến độc lập trong luận văn này. Tác giả sử dụng mô hình hồi quy Logit trong luận văn

này để đảm bảo phù hợp với kiểu dữ liệu như vậy. Với các kết quả hồi quy đạt được

trong các mô hình hồi quy đơn lẻ cũng như các mô hình hồi quy kết hợp với nhau, tác

giả diễn giải kết quả đúng theo ý nghĩa của mô hình hồi quy này.

1.4. Kết cấu của luận văn

Luận văn này được tác giả viết theo kết cấu 5 chương và nội dung từng chương như

 Chương 1 – Giới thiệu. Trong chương này tác giả trình bày tính cấp thiết của đề

tài, mục tiêu nghiên cứu và câu hỏi nghiên cứu, sơ lược về phương pháp nghiên

cứu trong luận văn.

 Chương 2 – Tổng quan các nghiên cứu trước đây. Trong chương này tác giả

trình bày các nghiên cứu trước đây liên quan đến khái niệm kiệt quệ tài chính,

các nghiên cứu trước đây liên quan đến 3 nhóm biến nghiên cứu dùng để dự báo

kiệt quệ tài chính.

 Chương 3 – Phương pháp nghiên cứu. Trong chương này tác giả trình bày cách

thức thu thập dữ liệu, cách thức tính toán các biến số cũng như kỳ vọng về dấu

của biến, cùng với phương pháp nghiên cứu được sử dụng trong bài.

 Chương 4 – Kết quả nghiên cứu. Trong chương này tác giả trình bày kết quả

nghiên cứu đạt được và diễn giải kết quả nghiên cứu trong tình hình thực tế tại

Việt Nam.

 Chương 5 – Kết luận. Trong chương này tác giả trình bày tóm tắt kết quả nghiên

cứu và hạn chế của đề tài nghiên cứu này.

CHƯƠNG 2: TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY

2.1. Các nghiên cứu liên quan đến khái niệm kiệt quệ tài chính

Có sự không thống nhất trong khái niệm về kiệt quệ tài chính trong các nghiên

cứu trước đây. Điều này đã gây khó khăn cho các nghiên cứu liên quan đến kiệt quệ tài

chính, nhất là trong nghiên cứu này khi biến kiệt quệ tài chính lại là một biến rất quan

trọng. Chính vì vậy, trong phần này, tác giả sẽ trình bày các nghiên cứu liên quan đến

khái niệm kiệt quệ tài chính để tạo cơ sở cho tác giả tìm ra một khái niệm phù hợp và

sử dụng chúng trong việc xác định biến kiệt quệ tài chính mà chỉ ra công ty có rơi vào

tình trạng kiệt quệ tài chính hay không ở trong nghiên cứu này.

Hầu hết các mô hình dự báo vỡ nợ trước đây cho các công ty niêm yết đã sử dụng

một định nghĩa dựa trên một sự kiện chuẩn đó là phụ thuộc vào kết quả pháp lý cuối

cùng. Có những sự kiện pháp lý có thể xác định được ngày tháng một cách chính xác

và khách quan. Tuy nhiên, việc định nghĩa vỡ nợ mang tính pháp lý này vẫn gặp phải

một số vấn đề nhất định. Chẳng hạn như, việc mất khả năng thanh toán có thể là một

quá trình pháp lý kéo dài và thời điểm phá sản mang tính pháp lý không thể đại diện

cho thời điểm phá sản thực tế. Ví dụ như trong một nghiên cứu cho các công ty tại Anh

thì nhận thấy khoảng chênh lệch thời gian đáng kể (tính bình quân, có thể lên đến 3

năm hoặc 1,17 năm) giữa thời điểm một công ty rơi vào tình trạng kiệt quệ tài chính

(có thể dẫn đến phá sản) và thời điểm phá sản mang tính pháp lý. Kết quả nghiên cứu

này phù hợp với kết quả nghiên cứu của Theodossiou (1993) khi cho rằng các doanh

nghiệp trong mẫu quan sát ở Hoa Kỳ có khoảng thời gian chênh lệch giữa hai thời

điểm này là vào khoảng hai năm. Ngoài ra, những thay đổi trong luật phá sản tại các

quốc gia khác nhau đã tạo ra một điều mà được gọi là "văn hóa giải cứu", mà chính

điều này đã làm thay đổi bản chất và thời gian của quá trình phá sản mang tính pháp lý.

Các nghiên cứu trước đây nhận thấy kiệt quệ tài chính có thể rất tốn kém cho các chủ

nợ và họ muốn giảm thiểu/ ngăn chặn các chi phí này với những hành động kịp thời.

Chính vì vậy rất cần thiết để phát triển một mô hình dự báo kiệt quệ tài chính đáng tin

cậy hơn là một mô hình dự báo vỡ nợ đáng tin cậy.

Wruck (1990) xác định kiệt quệ tài chính là tình trạng mà dòng tiền của một

công ty không đủ để trang trải các nghĩa vụ tài chính hiện tại của họ. Trong khi đó,

Asquith và cộng sự (1994) lại xác định kiệt quệ tài chính dựa trên hệ số khả năng

thanh toán lãi vay. Trên thực tế, một công ty được phân loại là kiệt quệ tài chính nếu

thu nhập trước lãi vay, thuế, và khấu hao (EBITDA) nhỏ hơn chi phí tài chính (hay chi

phí lãi vay) trong hai năm liên tiếp, hoặc trong bất kỳ năm nào có EBITDA nhỏ hơn

80% chi phí lãi vay. Việc xác định này là phù hợp với nghiên cứu của Andrade và

Kaplan (1998) khi xác định tình trạng kiệt quệ tài chính của một công ty tại một năm

bất kỳ có EBITDA thấp hơn chi phí tài chính.

Whitaker (1999) cho rằng tác động của kiệt quệ tài chính có thể dẫn đến sự mất

mát trong giá trị doanh nghiệp trước khi xảy ra phá sản. Chính vì vậy, ngoài việc xác

định kiệt quệ tài chính bằng việc xem xét khả năng thanh toán các khoản nợ đến hạn

bằng dòng tiền tạo ra của công ty, thì còn xác định kiệt quệ tài chính bằng cách xem

xét giá trị thị trường của công ty tại một thời điểm bất kỳ, tức là xem xét tại một thời

điểm mà có tỷ lệ gia tăng trong giá trị thị trường âm.

Trần Ngọc Thơ và cộng sự (2007) xác định kiệt quệ tài chính xảy ra khi công ty

không thể đáp ứng các hứa hẹn với các chủ nợ hay đáp ứng một cách khó khăn. Hơn

thế nữa, họ cũng đề cập rằng các nhà đầu tư biết rằng các doanh nghiệp vay nợ có khả

năng rơi vào tình trạng kiệt quệ tài chính và lo ngại về điều này và phản ánh điều đó

vào trong giá trị thị trường của cổ phiếu của các doanh nghiệp này. Điều này cũng phù

hợp với nhiều nghiên cứu trước đây khi cho rằng giá trị thị trường của cổ phiếu đã

phản ánh các thông tin trên báo cáo tài chính cũng như các thông tin khác bên ngoài

báo cáo tài chính.

Từ những nghiên cứu như được đề cập ở bên trên đã chỉ ra 2 cách để xác định

tình trạng kiệt quệ tài chính mà sử dụng một cách rộng rãi, đó chính là dựa trên khả

năng đáp ứng nghĩa vụ nợ và sự gia tăng trong giá trị thị trường. Trong nghiên cứu này,

tác giả sẽ sử dụng 2 cách thức xác định này trong việc xác định một công ty có rơi vào

tình trạng kiệt quệ tài chính hay không.

2.2. Các nghiên cứu về các biến dự đoán kiệt quệ tài chính

Các nghiên cứu sử dụng nhóm biến kế toán

Các nghiên cứu dùng dự đoán kiệt quệ tài chính đã được thực hiện từ rất lâu vào

khoảng những năm 1960. Tuy nhiên, các nghiên cứu ấy chỉ tập trung vào việc sử dụng

nhóm biến kế toán, điển hình như nghiên cứu của Beaver (1966) quan sát trong giai

đoạn 1954-1964 và tập trung hơn vào 6 tỷ số từ 30 tỷ số xem xét vào lúc ban đầu: 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 hàng ngày. Trong nghiên cứu đó đã mở rộng

khái niệm vỡ nợ là khi công ty không có khả năng đáp ứng các nghĩa vụ nợ khi đến

hạn. Vì vậy, mẫu quan sát của tác giả bao gồm các công ty phá sản, các công ty không

trả được nợ, các công ty có tài khoản ngân hàng bị thấu chi cũng như các công ty bỏ

qua các khoản chi trả cổ tức ưu đãi. Kết quả nghiên cứu của tác giả đã chỉ ra một khả

năng dự báo tốt dựa trên nhóm biến kế toán. Tác giả đã chỉ ra rằng chỉ có 10% số quan

sát bị phân loại sai theo tỷ số dòng tiền trên tổng tài sản trong mô hình dự báo 1 năm

trước khi phá sản, 13% đối với tỷ số dòng tiền trên tổng nợ, 15% đối với thu nhập ròng

trên tổng nợ. Trong mô hình dự báo 5 năm trước khi phá sản, tỷ lệ quan sát bị phân loại

sai là 28% đối với tỷ số dòng tiền trên tổng tài sản, 22% đối với tỷ số dòng tiền trên

tổng nợ, 32% đối với thu nhập ròng trên tổng nợ. Mặc dù nghiên cứu này đã đưa ra các

kết quả dự báo tốt nhưng kỹ thuật nghiên cứu trên các tỷ số đơn lẻ vẫn gặp nhiều hạn

chế do có thể đưa ra các kết quả không thống nhất với nhau giữa các tỷ số.

Ohlson (1980) cũng sử dụng các biến kế toán cho bộ mẫu quan sát bao gồm 105

công ty phá sản và 2058 công ty không bị phá sản trong giai đoạn quan sát 1970-1976.

Kết quả nghiên cứu đã chỉ ra rằng các biến quy mô, tỷ số tổng nợ trên tổng tài sản, tỷ

số thu nhập ròng trên tổng tài sản, tỷ số dòng tiền từ hoạt động sản xuất kinh doanh

trên tổng nợ, tỷ số vốn luân chuyển trên tổng tài sản, tỷ số nợ ngắn hạn trên tài sản

ngắn hạn có khả năng được sử dụng để dự báo tốt. Khả năng dự báo của mô hình chính

xác lên đến lần lượt là 96.12% và 95.55% cho mô hình dự báo 1 năm và 2 năm trước

khi xảy ra phá sản.

Các nghiên cứu sử dụng nhóm biến thị trường

Nhiều nghiên cứu trước đây đã kiểm định tính hữu dụng của nhóm biến thị

trường trong việc dự đoán kiệt quệ tài chính. Hơn thế nữa, có nhiều nghiên cứu thực

nghiệm đã cố gắng chứng tỏ sự vượt trội của các mô hình dựa trên nhóm biến thị

trường so với các mô hình dựa trên nhóm biến kế toán và ngược lại. Tuy nhiên, việc so

sánh thành quả đạt được của các mô hình này vẫn có nhiều tranh luận khác nhau.

Agarwal và Taffler (2008) thực hiện so sánh thành quả đạt được giữa các mô hình dự

báo kiệt quệ tài chính dựa trên nhóm biến thị trường và dựa trên nhóm biến kế toán, và

nhận thấy rằng các mô hình dựa trên nhóm biến kế toán không thua kém gì và gần như

không có sự khác biệt so với các mô hình dựa trên nhóm biến thị trường. Điều này hàm

ý rằng cả hai nhóm biến đều chứa đựng những thông tin hữu ích về khả năng dự báo

kiệt quệ tài chính của các công ty. Tuy nhiên, Hillegeist và cộng sự (2004) lại chỉ ra

các kết quả trái ngược khi cho rằng các mô hình dựa trên nhóm biến thị trường cung

cấp nhiều thông tin đáng kể hơn về khả năng dự báo kiệt quệ tài chính so với các mô

hình dựa trên nhóm biến kế toán. Bỏ ngoài việc so sánh thành quả giữa các mô hình

với nhau, các nghiên cứu trước đây, điển hình là nghiên cứu của Balcaen và Ooghe

(2004), chỉ ra rằng nếu chỉ sử dụng nhóm biến kế toán thì ngầm giả định rằng tất cả

những điều dùng để dự báo kiệt quệ tài chính bao gồm những điều bên trong và bên

ngoài công ty đều được phản ánh vào bên trong các báo cáo tài chính hàng năm. Tuy

nhiên, tất yếu một điều rằng các báo cáo tài chính không thể bao gồm tất cả các thông

tin có liên quan đến dự báo kiệt quệ tài chính, và chính vì vậy nhóm biến thị trường rất

có tiềm năng được sử dụng để hỗ trợ cho sự khiếm khuyết này.

Rees (1995) cho thấy giá thị trường là một chỉ báo hữu ích cho xác suất xảy ra

tình trạng kiệt quệ tài chính vì chúng chứa đựng thông tin về dòng tiền dự kiến trong

tương lai của một công ty. Ủng hộ điều này, Hillegeist và cộng sự (2004) chỉ ra rằng

thị trường chứng khoán có thể chứa đựng những nguồn thông tin khác ngoài thông tin

có sẵn trên các báo cáo tài chính. Rõ ràng việc đưa vào nhóm biến thị trường là rất hữu

ích bởi vì một số lý do sau: đầu tiên, giá thị trường phản ánh các thông tin chứa trong

các báo cáo tài chính cộng với các thông tin khác không thể hiện thông qua báo cáo tài

chính (Agarwal & Taffler, 2008), tạo nên sự kết hợp toàn diện tiềm năng hữu ích để dự

báo khả năng xảy ra kiệt quệ tài chính của doanh nghiệp. Thứ hai, việc đưa vào nhóm

biến thị trường có thể làm gia tăng đáng kể tính kịp thời của các mô hình dự báo; trong

khi chỉ có sẵn các tỷ số tài chính theo quý hoặc theo năm, thì giá thị trường có sẵn trên

cơ sở hàng ngày. Thứ ba, giá thị trường có thể thích hợp hơn để dự đoán phá sản, vì

chúng phản ánh dòng tiền dự kiến trong tương lai (ngược lại, các báo cáo tài chính

phản ánh thành quả trong quá khứ của công ty). Và thứ tư, nhóm biến thị trường có thể

cung cấp một đánh giá trực tiếp các biến động, một thước đo mà có thể là một chỉ báo

mạnh về rủi ro xảy ra kiệt quệ tài chính và không được thể hiện trong các báo cáo tài

chính. Theo Beaver và cộng sự (2005) cho rằng độ biến động càng lớn thì xác suất xảy

ra phá sản càng cao.

Các nghiên cứu sử dụng nhóm biến kế toán và nhóm biến thị trường

Tuy nhiên, nhiều nghiên cứu sau đó đã nhận thấy rằng việc sử dụng một cách đơn

lẻ nhóm biến kế toán dùng để dự báo kiệt quệ tài chính là vẫn chưa đủ và vẫn cần nhiều

nhóm biến nữa để có thể đạt được một dự báo tốt hơn về kiệt quệ tài chính. Từ đây,

việc kết hợp thêm một số nhóm biến khác lại với nhau đã trở thành một xu hướng trong

nghiên cứu. Điển hình như Beaver (1968) đã nhận thấy rằng nhóm biến liên quan đến

thị trường chứng khoán có khả năng dự báo phá sản trước cả nhóm biến kế toán.

Altman (1968) sử dụng kỹ thuật phân tích đa biệt số MDA. Tác giả kết hợp dữ

liệu kế toán và dữ liệu thị trường cho mẫu quan sát bao gồm 66 công ty sản xuất. Tác

giả tạo lập tỷ số tổng hợp bằng việc sử dụng 5 tỷ số: tỷ số vốn luân chuyển trên tổng tài

sản (X1), tỷ số thu nhập giữ lại trên tổng tài sản (X2), tỷ số thu nhập trước thuế và lãi

vay trên tổng tài sản (X3), tỷ số giá trị thị trường của vốn cổ phần trên giá trị sổ sách

của tổng nợ (X4), tỷ số doanh thu trên tổng tài sản (X5). Tỷ số tổng hợp Z được tính

như sau:

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

Các công ty có Z ≤ 2.675 được phân loại là phá sản và ngược lại thì được phân

loại là các công ty không bị phá sản. Mô hình này có khả năng dự báo chính xác khả

năng xảy ra phá sản lên đến 83% ngay trong mô hình dự báo 2 năm trước khi phá sản.

Sau đó, mô hình này đã được mở rộng thành nghiên cứu của Altman (1977) với

mẫu quan sát lớn hơn bao gồm 111 công ty trong giai đoạn 1969-1975. Tác giả nhận

khả năng dự báo chính xác của nó trong mô hình dự báo 2-5 năm trước khi xảy ra phá

sản gần như giống như với khả năng dự báo trong mô hình dự báo trước 1 năm xảy ra

phá sản.

Trong số ít các nghiên cứu đưa vào tập hợp nhóm biến thị trường và nhóm biến

kế toán để nâng cao tính kịp thời và độ vững mạnh của các mô hình dự báo kiệt quệ tài

chính đó là nghiên cứu của Campbell và cộng sự (2008). Trong nghiên cứu này, ngoài

nhóm biến kế toán, một số biến thị trường được sử dụng để kiểm định bao gồm tỷ suất

sinh lợi vượt trội hàng tháng trên vốn cổ phần của từng công ty so với chỉ số S&P 500,

độ lệch chuẩn của tỷ suất sinh lợi cổ phiếu hàng ngày của mỗi công ty trong ba tháng

trước đó, quy mô tương đối của mỗi công ty được đo bằng log của tỷ số vốn hóa thị

trường với chỉ số S&P500, và log giá của mỗi cổ phiếu mà đã được lược bớt

(truncated) trên $15.

Chava và Jarrow (2004) theo nghiên cứu của Shumway (2001) sử dụng nhóm

biến kế toán bao gồm thu nhập ròng trên tổng tài sản và tổng nợ phải trả trên tổng tài

sản; và nhóm biến thị trường bao gồm quy mô tương đối được xác định bằng logarit tự

nhiên của giá trị vốn cổ phần của mỗi công ty trên tổng giá trị vốn cổ phần thị trường

NYSE/AMEX, tỷ suất sinh lợi vượt trội hàng năm được tính bằng tỷ suất sinh lợi hàng

tháng cộng dồn của mỗi công ty trừ đi tỷ suất sinh lợi hàng tháng cộng dồn của chỉ số

NYSE/AMEX có trọng số theo giá trị, và độ biến động của cổ phiếu được tính bằng

cách lấy độ lệch chuẩn của tỷ suất sinh lợi trong 60 quan sát giá thị trường hàng ngày

gần nhất. Shumway (2001) cũng sử dụng các biến này nhưng có một số thay đổi nhỏ,

cụ thể là độ lệch chuẩn phi hệ thống của tỷ suất sinh lợi cổ phiếu của mỗi công ty, được

tính bằng cách hồi quy tỷ suất sinh lợi hàng tháng của mỗi cổ phiếu trên tỷ suất sinh lợi

chỉ số NYSE/AMEX có trọng số theo giá trị trong cùng một khoảng thời gian (năm).

Gần đây hơn, Christidis và Gregory (2010), theo Campbell và cộng sự (2008) kiểm

định ba biến thị trường trong một mô hình dự báo kiệt quệ cho các công ty niêm yết tại

Anh bên cạnh việc đưa vào một tập hợp các biến kế toán. Họ thay thế giá trị sổ sách

của tài sản bằng giá trị thị trường và kiểm định xem tỷ suất sinh lợi vượt trội nửa năm

của mỗi cổ phiếu so với chỉ số FTSE và độ lệch chuẩn của tỷ suất sinh lợi cổ phiếu

(tính toán trên khoảng thời gian sáu tháng) có thể giúp gia tăng năng lực dự báo của mô

hình hay không. Kết quả nghiên cứu của họ cho thấy rằng nhóm biến thị trường có khả

năng giúp gia tăng độ chính xác của mô hình dự đoán xảy ra tình trạng kiệt quệ tài

chính.

Các nghiên cứu sử dụng nhóm biến vĩ mô

Việc kết hợp thêm nhóm biến vĩ mô vào mô hình dự báo khả năng xảy ra tình

trạng kiệt quệ tài chính giúp phản ánh những thay đổi trong môi trường vĩ mô là rất

quan trọng thể hiện ở hai khía cạnh chính yếu. Đầu tiên, nó thêm một yếu tố năng động

cho các mô hình mà có tác động để điều chỉnh nguy cơ rủi ro (khả năng vỡ nợ) liên

quan đến việc thay đổi điều kiện kinh tế vĩ mô. Thứ hai mô hình như vậy sẽ tạo cơ sở

với các ước lượng PD stress test trên danh mục đầu tư. Có một vài nghiên cứu đã kết

hợp yếu tố rủi ro vĩ mô vào trong phương trình hồi quy như nghiên cứu của Nam và

cộng sự (2008), và Qu (2008).

Nghiên cứu sử dụng nhóm biến kế toán, nhóm biến thị trường, nhóm biến vĩ

mô

Hernandez Tinoco và Wilson (2013) đã đi tiên phong trong việc kết hợp nhóm

biến kế toán, nhóm biến thị trường và nhóm biến vĩ mô lại với nhau và dùng để dự

đoán kiệt quệ tài chính. Tác giả sử dụng một bộ mẫu bao gồm 23,218 quan sát công ty

theo năm trong suốt giai đoạn 1980-2011 và nhận thấy các nhóm biến này hỗ trợ và bổ

sung lẫn nhau trong việc dự đoán kiệt quệ tài chính và đều có khả năng dự báo kiệt quệ

tài chính một cách có ý nghĩa thống kê. Trong nghiên cứu này, tác giả cũng sử dụng 3

nhóm biến – nhóm biến kế toán, nhóm biến thị trường và nhóm biến vĩ mô – để dự

đoán kiệt quệ tài chính cho các công ty trong mẫu quan sát tại Việt Nam.

2.3. Các mô hình sử dụng trong dự báo kiệt quệ tài chính

Các nghiên cứu trước đây như được đề cập ở trên sử dụng phổ biến là mô hình

hồi quy Logit hay Probit. Các mô hình xác suất có điều kiện cho phép ước lượng xác

suất kiệt quệ tài chính của một công ty, bởi vì biến kiệt quệ tài chính thông thường

được xác định bằng tình trạng có hay không có rơi vào tình trạng kiệt quệ tài chính hơn

là việc xác định bằng một giá trị cụ thể nào đó đối với mỗi công ty. Điều này đã tạo ra

lợi thế cho việc ứng dụng mô hình hồi quy này khi nghiên cứu về vấn đề này hơn là các

mô hình hồi quy tuyến tính truyền thống.

Ngoài ra, cũng có một số nghiên cứu sử dụng mô hình mạng thần kinh nhân tạo

ANN, một phương pháp hiện đại, phức tạp hơn và có nhiều ưu điểm hơn so với mô

hình hồi quy tuyến tính cổ điển. Nó mô phỏng xử lý thông tin từ các dữ liệu ban đầu

được đưa vào với các neural, các lớp, các hàm cũng như các thuật toán. Mô hình này

cũng được ứng dụng trong nghiên cứu của Hernandez Tinoco và Wilson (2013).

Trong nghiên cứu này, tác giả chỉ giới hạn trong việc sử dụng mô hình hồi quy

Logit, và không sử dụng mô hình mạng thần kinh nhân tạo ANN do tính phức tạp và

không được ứng dụng rộng rãi của nó so với mô hình Logit.

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

Trong bài luận văn này, tác giả dựa theo nhiều nghiên cứu trước đây và chủ yếu

là dựa theo phương pháp nghiên cứu của Hernandez Tinoco và Wilson (2013) để xem

xét khả năng dự báo kiệt quệ tài chính của các biến kế toán, biến vĩ mô và biến thị

trường. Phần này sẽ trình bày việc thu thập và xử lý dữ liệu, các biến nghiên cứu trong

luận văn cũng như cách thức thực hiện.

3.1. Mẫu dữ liệu

Bài nghiên cứu này sử dụng dữ liệu bảng bao gồm 73 doanh nghiệp phi tài chính

niêm yết trên thị trường HOSE trong giai đoạn năm 2006 tới năm 2014. Tác giả lựa

chọn như vậy là bởi vì:

 Các doanh nghiệp trong nhóm ngành tài chính, ngân hàng, bảo hiểm được loại

bỏ khỏi mẫu dữ liệu bởi vì cấu trúc vốn, tính chất đòn bẩy của các doanh nghiệp

tài chính khác với các doanh nghiệp phi tài chính, mà được đề cập bởi tác giả

Fama và French (1992). Một cách cụ thể hơn, việc sử dụng đòn bẩy cao là bình

thường đối với các doanh nghiệp trong nhóm ngành tài chính, nhưng đối với các

doanh nghiệp phi tài chính thì việc sử dụng đòn bẩy cao lại chỉ ra khả năng kiệt

quệ tài chính cao hơn. Do vậy, các yếu tố tác động lên khả năng xảy ra kiệt quệ

tài chính cũng sẽ rất khác nhau.

 Sở giao dịch chứng khoán TPHCM HOSE được thành lập cách đây hơn 15 năm.

Tính đến cuối năm 2014, có hơn 300 mã cổ phiếu niêm yết với giá trị vốn hóa

thị trường lớn vào khoảng 985,258 tỷ đồng cũng như chỉ số VN–Index đạt

545.63 điểm (http://www.hsx.vn). Trong khi đó, tính đến cuối năm 2014, Sở

giao dịch chứng khoán Hà Nội HNX chỉ có giá trị vốn hóa thị trường vào

khoảng 136,017 tỷ đồng và chỉ số HNX–Index đạt 82.98 điểm

(http://www.hnx.vn). Vì vậy HOSE được coi như là một đại diện tốt cho thị

trường chứng khoán Việt Nam khi tác giả nghiên cứu trong luận văn này.

 Số lượng công ty niêm yết trên HOSE khá ít vào cuối năm 2005 nhưng sau đó

tăng mạnh trong những năm tiếp theo. Vì vậy tác giả lựa chọn mốc thời gian bắt

đầu từ năm 2006 đến năm 2014.

 Ngoài ra, để đảm bảo dữ liệu nghiên cứu có thể dễ dàng thu thập được, mẫu

quan sát đủ lớn và có ý nghĩa về mặt thống kê và dữ liệu bảng cân đối, bài luận

văn này chỉ nghiên cứu các công ty được niêm yết trong giai đoạn 2006 - 2014.

 Cuối cùng, việc lựa chọn HOSE và giai đoạn nghiên cứu như vậy cũng tạo nên

sự đồng bộ và thống nhất về mặt dữ liệu, đảm bảo tất cả các biến nghiên cứu có

đầy đủ các quan sát.

Dữ liệu nghiên cứu sẽ được tác giả tiến hành thu thập như sau:

 Dữ liệu biến kế toán được tác giả thu thập từ các báo cáo tài chính hàng năm của

các công ty niêm yết mà có sẵn trên Website của HOSE http://www.hsx.vn và

Website của công ty chứng khoán Rồng Việt data.vdsc.com.vn

 Dữ liệu biến vĩ mô được tác giả thu thập từ Tổ Chức Thống Kê Tài Chính Quốc

Tế IFS.

 Dữ liệu biến thị trường được tác giả thu thập từ Công Ty Phú Toàn và có đối

chiếu lại với dữ liệu giá cổ phiếu trên website của HOSE http://www.hsx.vn.

Sau đó, tác giả tính toán thành các biến nghiên cứu trong luận văn như được trình

bày trong các phần dưới đây.

Cuối cùng, tác giả xử lý dữ liệu nghiên cứu bằng Microsoft Excel 2010 và

phần mềm Stata 12.

3.2. Các biến nghiên cứu trong mô hình

3.2.1. Biến Kiệt quệ tài chính

Dựa vào các thảo luận được đề cập đến trong chương 2, tác giả tập trung vào khả

năng của một công ty để thanh toán nghĩa vụ nợ và đó là căn cứ để nhận biết một

doanh nghiệp có đang trong trạng thái kiệt quệ tài chính hay không (Asquith và cộng

sự, 1994). Tác giả dựa theo đề xuất trong nghiên cứu của Pindado cùng cộng sự (2008),

Hernandez Tinoco và Wilson (2013) để phân loại một quan sát công ty theo năm có rơi

vào tình trạng kiệt quệ tài chính hay không. Theo đó, một quan sát công ty theo năm

được phân loại là trong tình trạng kiệt quệ tài chính khi thỏa một trong hai điều kiện

hoặc cả hai điều kiện sau:

i. Lợi nhuận trước thuế, lãi vay và khấu hao (EBITDA) thấp hơn so với chi phí lãi

vay liên tục trong 02 năm quan sát.

ii. Có sự tăng trưởng âm trong giá trị thị trường trong 02 năm quan sát liên tiếp.

Đối với điều kiện thứ nhất, nếu EBITDA thấp hơn chi phí lãi vay, điều đó có

nghĩa là lợi nhuận từ hoạt động kinh doanh của công ty không đủ để trang trải các

nghĩa vụ tài chính. Đối với điều kiện thứ hai, Pindado cùng cộng sự (2008) cho rằng thị

trường và những bên có liên quan có khả năng phỏng đoán và đánh giá một cách tiêu

cực về một công ty vấp phải điều kiện thứ nhất về khả năng hoạt động của công ty đó

cho đến khi công ty đó cải thiện tình trạng mà được nhìn nhận một cách rõ ràng. Do

đó, một sự sụt giảm trong giá trị thị trường trong hai năm liên tiếp được xem như là

một chỉ báo cho thấy một công ty đang vấp phải tình trạng kiệt quệ tài chính. Như

trong Pindado cùng cộng sự (2008), Hernandez Tinoco và Wilson (2013), đây là một

cách tiếp cận mới trong khái niệm về kiệt quệ tài chính trong các lý thuyết tài chính

doanh nghiệp hiện đại. Biến EBITDA và chi phí lãi vay được tác giả thu thập từ các

báo cáo tài chính của các công ty niêm yết. Biến tăng trưởng trong giá trị thị trường

của cổ phiếu được tính toán từ giá trị thị trường của các cổ phiếu mà được tác giả thu

thập từ Công ty Phú Toàn. Theo đó, kiệt quệ tài chính của một doanh nghiệp trong một

năm nhất định sẽ nhận một trong hai giá trị là 0 và 1. Nếu một trong hai điều kiện trên

hoặc cả hai điều kiện trên cùng được thỏa mãn thì sẽ nhận giá trị 1 và ngược lại sẽ nhận

giá trị 0 nếu cả hai điều kiện trên đều không được thỏa mãn.

Theo kết quả tính toán của tác giả, tác giả nhận thấy có 66 quan sát công ty theo

năm trong tình trạng kiệt quệ tài chính, chiếm tỷ lệ khoảng 10% số quan sát. Sở dĩ có

nhiều quan sát trong tình trạng kiệt quệ tài chính ở trong mẫu này hơn các nghiên cứu

khác là do phần lớn số quan sát này đã thỏa mãn điều kiện thứ hai hơn là điều kiện thứ

nhất, và số quan sát thỏa mãn điều kiện thứ nhất chỉ chiếm một phần rất nhỏ trong mẫu

quan sát này. Tác giả thừa nhận là có một sự linh động trong việc xác định quan sát

công ty theo năm nào rơi vào trong tình trạng kiệt quệ tài chính như các nghiên cứu

trước đây đã chỉ ra như nghiên cứu của Andrade và Kaplan (1998) chỉ ra rằng một

công ty được xác định rơi vào tình trạng kiệt quệ tài chính khi EBITDA thấp hơn chi

phí lãi vay ngay năm đầu tiên.

Hernandez Tinoco và Wilson (2013) đã xây dựng một mô hình dự báo kiệt quệ tài

chính với 2 mục tiêu chính. Đầu tiên đó là xây dựng một mô hình dự báo kiệt quệ tài

chính kịp thời và chính xác hơn. Các mô hình được thiết kế để đạt được các kết quả

chính xác hơn so với các nghiên cứu trước đây và tạo ra một mô hình cuối cùng

(parsimonious model) bởi vì chúng có giá trị thực tế hơn. Xa hơn nữa, Zmijewski

(1984) và Pindado cùng cộng sự (2008) đã chỉ ra rằng một bộ biến bao gồm quá nhiều

biến sẽ không làm cho mô hình đạt được mức hiệu quả lớn nhất. Pindado cùng cộng sự

(2008) sử dụng duy nhất 3 biến kế toán để đạt được mức độ chính xác cao trong mô

hình dự báo kiệt quệ tài chính của họ. Các biến được sử dụng trong nghiên cứu của họ

là EBIT trên tổng tải sản, chi phí tài chính trên tổng tài sản, và lợi nhuận giữ lại trên

tổng tài sản, và các tỷ số này lần lượt đại diện cho khả năng sinh lợi, chi phí tài chính,

và lợi nhuận giữ lại. Zmijewski (1984) sử dụng một bộ các biến kế toán bao gồm các

đại diện cho tỷ suất sinh lợi trên tài sản, đòn bẩy tài chính, và tính thanh khoản. Hơn

nữa, trong một nghiên cứu xem xét mối quan hệ thực nghiệm giữa rủi ro phá sản và rủi

ro hệ thống thông qua việc xây dựng điểm tổng hợp phản ánh xác suất phá sản cho một

công ty tại một thời điểm cụ thể. Dichev (1998) sử dụng một thước đo xuất phát từ các

mô hình kế toán hiện nay như mô hình điểm Z của Altman (1968) 5 biến, mô hình logit

của Ohlson (1980) 7 biến. Mục tiêu thứ hai của phân tích đó là kiểm định tính hữu

dụng của các biến phi kế toán khác, cụ thể hơn là biến thị trường và biến vĩ mô. Tác

giả xem xét xem liệu 2 nhóm biến này có làm gia tăng năng lực dự báo mô hình hay

không. Đây chính là một trong số rất ít các nghiên cứu mà kết hợp 3 nhóm biến này lại

với nhau. Từ đó, tác giả sử dụng một bộ biến bao gồm 130 biến, sau đó thực hiện lựa

chọn mô hình và cuối cùng đạt được một mô hình dự báo kiệt quệ tài chính bao gồm 10

biến. Chính vì vậy, mục tiêu trong luận văn này xem xét một mô hình dự báo bao gồm

10 biến đó có khả năng dự báo tốt tình trạng kiệt quệ tài chính cho các công ty tại Việt

Nam hay không.

Giống như trong nghiên cứu của Hernandez Tinoco và Wilson (2013), do tồn tại

các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử dụng hàm chuyển đổi

TANH hơn là sử dụng phương thức lược bỏ (winsorize) bởi vì trong phương thức lược

bỏ khó lòng để xác định lược bỏ ở mức bao nhiêu % để loại đi các giá trị cực đoan.

Theo Godfrey (2009), khi sử dụng công cụ thống kê này, các giá trị này được xác định

ở trong phạm vi [-1,1], và trong đó khi x có giá trị nhỏ thì TANH(x) ≈ x. Do đó,

TANH có thể được dùng để tạo ra sự chuyển đổi cho các giá trị đầu vào được đặt gần

các giá trị kỳ vọng trong khi cắt giảm các giá trị bên ngoài phạm vi kỳ vọng.

3.2.2. Nhóm biến kế toán

Dựa trên yếu tố nội tại của doanh nghiệp, bài nghiên cứu sẽ tập trung đánh giá

khả năng xảy ra kiệt quệ tài chính thông qua bốn tỷ số sau:

 TFOTL – Tỷ số Dòng tiền từ hoạt động sản xuất kinh doanh trên Tổng nợ

 TLTA –Tỷ số Tổng nợ trên Tổng tài sản

 NOCREDINT – Tỷ số (Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn) trên

Chi phí hoạt động hàng ngày

 COVERAGE – Tỷ số EBITDA trên Chi phí lãi vay

3.2.2.1. Biến TFOTL

Biến TFOTL được sử dụng trong nhiều nghiên cứu trước đây như Marais (1979)

tại Anh và Ohlson (1980). Biến này thể hiện khả năng đảm bảo thanh toán các nghĩa vụ

tài chính của công ty dựa trên dòng tiền từ hoạt động sản xuất kinh doanh của công ty.

Biến số TFOTL được tính toán như sau:

𝐃ò𝐧𝐠 𝐭𝐢ề𝐧 𝐭ừ 𝐡𝐨ạ𝐭 độ𝐧𝐠 𝐬ả𝐧 𝐱𝐮ấ𝐭 𝐤𝐢𝐧𝐡 𝐝𝐨𝐚𝐧𝐡 TFOTL = TANH ( ) 𝐓ổ𝐧𝐠 𝐧ợ

Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử

dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong phạm vi [-1,1]. Khi

TFOTL có giá trị dương cho thấy doanh nghiệp có khả năng thanh toán các nghĩa vụ

tài chính tốt và khi TFOTL có giá trị âm cho thấy doanh nghiệp đang ở tình trạng

không tạo ra đủ dòng tiền từ hoạt động sản xuất kinh doanh để đáp ứng các nghĩa vụ tài

chính và có khả năng xảy ra vỡ nợ. Khi giá trị tỷ số tài chính này càng cao (càng gần

1), công ty càng ít có khả năng rơi vào tình trạng kiệt quệ tài chính.

Vì vậy, kỳ vọng tỷ số này mang dấu âm (-) trong mô hình hồi quy và xác nhận giả

thiết là giá trị của tỷ số này càng lớn thì càng làm giảm xác suất xảy ra kiệt quệ tài

chính.

3.2.2.2. Biến TLTA

Biến này được sử dụng trong nhiều nghiên cứu trước đây. Zmijewski (1984) đưa

nó vào trong một mô hình gồm 3 biến kế toán, và nó chỉ ra phù hợp với dấu kỳ vọng và

có ý nghĩa về mặt thống kê. Shumway (2001) và Chava và Jarrow (2004) tại Mỹ, và

Christidis và Gregory (2010) tại Anh đã kiểm định nó và xác nhận mức độ phù hợp của

nó trong mô hình dự báo kiệt quệ tài chính. Biến này được sử dụng để đo lường mức

độ đòn bẩy tài chính của công ty bằng việc tính toán tỷ lệ tài sản của công ty được tài

trợ bằng việc sử dụng nợ ngắn hạn và nợ dài hạn. Biến TLTA được tác giả tính toán

như sau:

𝐓ổ𝐧𝐠 𝐧ợ ) TLTA = TANH ( 𝑻ổ𝒏𝒈 𝒕à𝒊 𝒔ả𝒏

Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử

dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong phạm vi [-1,1]. Một

giá trị dương và ngày càng lớn chỉ ra một sự gia tăng trong đòn bẩy tài chính của một

công ty. Hơn thế nữa, một mức độ đòn bẩy tài chính cao hơn sẽ dẫn đến khả năng công

ty đó rơi vào tình trạng kiệt quệ tài chính cũng cao hơn. Điều này là do một công ty có

đòn bẩy tài chính cao có thể sẽ rơi vào một vị thế hết sức khó khăn nếu những chủ nợ

yêu cầu công ty thanh toán những khoản nợ theo hợp đồng.

Dấu kỳ vọng của biến số này là dấu dương (+), điều này hàm ý là một giá trị cao

hơn của biến này (đại diện cho một mức đòn bẩy tài chính cao hơn) sẽ có tác động làm

gia tăng khả năng xảy ra kiệt quệ tài chính của công ty.

3.2.2.3. Biến NOCREDINT

Biến NOCREDINT được sử dụng để đo lường khả năng thanh khoản của công ty

(Agarwal và Taffler, 2007; Taffler, 1983). Graham (2000) xác định biến NOCREDINT

là “một ước lượng thời gian mà một công ty có thể tài trợ cho chi phí kinh doanh của

công ty, tại mức độ hoạt động hiện nay của công ty, bằng các nguồn lực giới hạn của

công ty và giả định rằng nó không còn tạo ra doanh thu nữa.” Biến NOCREDINT được

𝐍𝐎𝐂𝐑𝐄𝐃𝐈𝐍𝐓 = 𝐓𝐀𝐍𝐇 (

)

𝑻à𝒊 𝒔ả𝒏 𝒄ó 𝒌𝒉ả 𝒏ă𝒏𝒈 𝒕𝒉𝒂𝒏𝒉 𝒕𝒐á𝒏 𝒏𝒉𝒂𝒏𝒉 − 𝑵ợ 𝒏𝒈ắ𝒏 𝒉ạ𝒏 𝑪𝒉𝒊 𝒑𝒉í 𝒉𝒐ạ𝒕 độ𝒏𝒈 𝒌𝒊𝒏𝒉 𝒅𝒐𝒂𝒏𝒉 𝒉à𝒏𝒈 𝒏𝒈à𝒚

tính toán như sau:

Trong đó, tài sản có khả năng thanh toán nhanh đại diện cho các tài sản mà có thể

được chuyển đổi một cách nhanh chóng và dễ dàng thành tiền mặt. Tài sản có khả năng

thanh toán nhanh được tính toán bằng Tài sản ngắn hạn trừ Hàng tồn kho.

Chi phí hoạt động hàng ngày được tính toán bằng (Doanh thu trừ đi EBIT trừ đi

Khấu hao)/ 365.

Cuối cùng, biến NOCREDINT được tính toán như sau:

) 𝐍𝐎𝐂𝐑𝐄𝐃𝐈𝐍𝐓 = 𝐓𝐀𝐍𝐇 (

𝑻à𝒊 𝒔ả𝒏 𝒏𝒈ắ𝒏 𝒉ạ𝒏 − 𝑯à𝒏𝒈 𝒕ồ𝒏 𝒌𝒉𝒐 − 𝑵ợ 𝒏𝒈ắ𝒏 𝒉ạ𝒏 𝑫𝒐𝒂𝒏𝒉 𝒕𝒉𝒖 − 𝑬𝑩𝑰𝑻 − 𝑲𝒉ấ𝒖 𝒉𝒂𝒐 𝟑𝟔𝟓

Biến NOCREDINT đại diện cho số ngày mà một công ty có thể tài trợ cho những

chi phí hoạt động kinh doanh ở mức độ hiện tại bằng nguồn lực giới hạn và giả định là

công ty không tạo ra thêm doanh thu.

Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử

dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong phạm vi [-1,1]. Một

giá trị dương và ngày càng lớn chỉ ra năng lực công ty ngày càng gia tăng để tài trợ cho

các chi phí hoạt động kinh doanh của công ty với các nguồn lực thanh khoản với mức

độ hoạt động hiện tại. Một giá trị nhỏ hoặc âm của biến số này cho thấy tình trạng

thanh khoản không ổn định của công ty và có thể dẫn đến khả năng công ty không thể

đáp ứng được các nghĩa vụ tài chính.

Dấu kỳ vọng của biến số này là dấu âm (-), chỉ ra rằng một giá trị cao của biến có

tác động ngược chiều đến khả năng rơi vào tình trạng kiệt quệ tài chính của công ty.

3.2.2.4. Biến COVERAGE

Biến COVERAGE đo lường khả năng thanh toán lãi vay trên nợ hiện tại (Altman

và Sabato, 2007). Biến này được tác giả tính toán như sau:

𝑬𝑩𝑰𝑻𝑫𝑨 COVERAGE = TANH (

)

𝑪𝒉𝒊 𝒑𝒉í 𝒍ã𝒊 𝒗𝒂𝒚

Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử

dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong phạm vi [-1,1]. Khi

chưa sử dụng hàm TANH, giá trị của biến mà nhỏ hơn 2-2.5 chỉ ra công ty gặp khó

khăn trong việc đáp ứng các nghĩa vụ tài chính; một giá trị thấp hơn ngưỡng này được

xem như là một tín hiệu cảnh báo nghiêm trọng: công ty không tạo ra đủ tiền từ hoạt

động kinh doanh để đáp ứng chi phí lãi vay của các món nợ. Một giá trị lớn hơn 2.5

được diễn giải công ty có thể tạo ra đủ tiền từ hoạt động kinh doanh để đáp ứng các

khoản thanh toán lãi vay. Khi sử dụng hàm TANH, một giá trị dương và ngày càng lớn

cho thấy công ty càng có khả năng đáp ứng các nghĩa vụ nợ, do vậy doanh nghiệp càng

ít có khả năng rơi vào tình trạng kiệt quệ tài chính.

Vì vậy, kỳ vọng dấu của biến này là âm (-), chỉ ra rằng một giá trị cao của biến có

tác động ngược chiều lên xác suất xảy ra tình trạng kiệt quệ tài chính của công ty.

3.2.3. Nhóm biến vĩ mô

Ngoài nhóm biến kế toán, bài nghiên cứu kết hợp thêm các biến số có tác động rất

lớn đến khả năng xảy ra kiệt quệ tài chính đó là các biến vĩ mô. Trong nghiên cứu của

Hernandez Tinoco và Wilson (2013) đã đưa vào mô hình 02 biến là chỉ số giá bán lẻ

(RPI – Retail Price Index) và lãi suất chính phủ Anh kỳ hạn 03 tháng điều chỉnh theo

lạm phát (SHTBRDEF – United Kingdom Short Term (3-month) Treasury Bill Rate

Deflated). Tuy nhiên, những dữ liệu này thì không được sử dụng rộng rãi tại VIệt Nam

và sẽ gặp phải khó khăn về mặt dữ liệu. Do đó, thay vì sử dụng 2 biến nghiên cứu như

trên, luận văn này sẽ sử dụng 2 biến tương đương đó là chỉ số giá tiêu dùng (CPI –

Consumer Price Index) và Lãi suất trái phiếu Chính phủ kỳ hạn 1 năm (TBILL –

Treasury Bill Rate). Các biến này được tác giả thu thập một cách dễ dàng hơn và

nguồn số liệu cũng đáng tin cậy hơn thông qua tổ chức thống kê tài chính quốc tế IFS.

3.2.3.1. Chỉ số giá tiêu dùng CPI

Biến CPI Được xem như là một đại diện cho yếu tố lạm phát. Có một số nghiên

cứu về khả năng xảy ra kiệt quệ tài chính mà có sử dụng biến này vào trong mô hình,

và mối quan hệ của nó với xác suất xảy ra kiệt quệ tài chính trong các nghiên cứu cũng

khác nhau. Cụ thể hơn, theo Qu (2008), lạm phát đóng vai trò như một sự khuyến

khích để một bộ phận dân cư chuyển từ tiết kiệm qua đầu tư để tránh tình trạng sức

mua bị suy giảm trong tương lai do lạm phát. Vì vậy, lạm phát cao cũng làm gia tăng

khả năng chấp nhận rủi ro của nhà đầu tư, điều này là giảm xác xuất xảy ra kiệt quệ tài

chính hoặc vỡ nợ của một doanh nghiệp. Mặc khác, Mare (2012) xây dựng mô hình dự

báo phá sản cho ngân hàng đã chỉ ra rằng lạm phát có mối quan hệ cùng chiều với xác

xuất xảy ra vỡ nợ. Theo đó, lạm phát cao là do hệ quả của môi trường kinh tế vĩ mô

còn yếu, dẫn tới làm gia tăng số lượng các cuộc khủng hoảng ngân hàng. Lúc này, có

một mối quan hệ trực tiếp giữa ngân hàng và các ngành nghề trong nền kinh tế, độ lớn

của mối quan hệ phụ thuộc vào việc một doanh nghiệp lựa chọn cấu trúc vốn như thế

nào.

Dựa trên các lập luận này cũng như nghiên cứu của Hernandez Tinoco và Wilson

(2013), trong luận văn này, tác giả kỳ vọng dấu dương (+), hàm ý rằng CPI cao sẽ làm

gia tăng xác suất xảy ra kiệt quệ tài chính và vỡ nợ của một doanh nghiệp.

3.2.3.2. Lãi suất Trái phiếu kho bạc kỳ hạn 12 tháng T_BILL

Biến TBILL trong bài là đại diện cho Lãi suất Trái phiếu kho bạc kỳ han 12 tháng

thường được xem như là khoản đầu tư có rủi ro ít nhất và thường được xem là lãi suất

phi rủi ro, thường có tính thanh khoản cao hơn, và do đó tỷ suất sinh lợi đòi hỏi của nó

thông thường thấp hơn các chứng khoán khác. Trong các nghiên cứu tại các quốc gia

khác, thông thường sẽ sử dụng lãi suất trái phiếu kho bạc kỳ hạn 3 tháng để nắm bắt

tình trạng môi trường vĩ mô mà có tác động tiềm tàng đến xác suất xảy ra kiệt quệ tài

chính của các công ty. Tuy nhiên, trên thị trường chứng khoán Việt Nam trong giai

đoạn quan sát của tác giả, tác giả chỉ thu thập được dữ liệu lãi suất tín phiếu kho bạc kỳ

hạn 12 tháng từ IFS trên Website http://www.imfstatistics.org. Chỉ báo này là một đại

diện cho lãi suất mà tương tự như biến CPI, TBILL rất có khả năng ảnh hưởng đến

doanh nghiệp thông qua cấu trúc vốn. Lãi suất thấp sẽ khuyến khích các doanh nghiệp

vay nhiều hơn để đầu tư trang thiết bị mới, gia tăng hàng tồn kho, xây dựng nhà máy,

nghiên cứu và phát triển … và ngược lại, mức lãi suất cao làm cho chi phí của việc sử

dụng nợ đắt hơn do các công ty phải trả nhiều tiền lãi hơn. Vì vậy, các công ty vay

mượn nợ có lẽ bị tác động nhiều nhất bởi mức lãi suất cao, làm cho chi phí của nợ cao

hơn, doanh nghiệp sẽ trả nhiều hơn cho các khoản vay của họ. Do đó, một giá trị cao

của TBILL sẽ làm gia tăng xác xuất xảy ra tình trạng kiệt quệ tài chính, hoặc phá sản.

Biến TBILL được kỳ vọng dấu dương (+) trong mô hình hồi quy, hàm ý rằng một

giá trị cao của biến này có tác động cùng chiều đến khả năng xảy ra tình trạng kiệt quệ

tài chính của công ty.

3.2.4. Nhóm biến thị trường

Nghiên cứu này đưa vào 4 biến thị trường trong mô hình để kiểm định xem liệu

chúng có làm gia tăng năng lực dự đoán của mô hình bao gồm biến kế toán và biến vĩ

mô hay không. Sau đây, tác giả lần lượt thảo luận 4 biến nghiên cứu này.

3.2.4.1. Giá cổ phiếu – PRICE

Biến này được tác giả thu thập từ giá đóng cửa cổ phiếu tại thời điểm quan sát từ

công ty Phú Toàn. Giá cổ phiếu chứa đựng các thông tin liên quan đến dòng tiền kỳ

vọng trong tương lai của một công ty (Rees, 1995). Do đó, kỳ vọng rằng giá cổ phiếu

chứa đựng thông tin liên quan đến xác suất xảy ra kiệt quệ tài chính mặc dù nó không

phải là một thước đo trực tiếp của xác suất đó (Beaver và cộng sự, 2005). Giá thị

trường hỗ trợ thêm thông tin từ báo cáo tài chính và thông tin vĩ mô hơn là cạnh tranh

hay loại trừ lẫn nhau với các biến khác trong 2 nhóm biến đầu tiên, và làm gia tăng

năng lực dự báo của mô hình chung. Một lý do đó là giá cổ phiếu kết hợp dữ liệu báo

cáo tài chính cũng như thông tin khác được công bố ra công chúng làm đầu vào, làm

cho thị trường trở nên một nơi xử lý tất cả những thông tin được công bố ra công

chúng một cách hiệu quả hơn là một mình dữ liệu kế toán (Rees, 1995) và do đó làm

gia tăng tính chính xác tổng thể của các mô hình dự báo kiệt quệ tài chính. Giả định vị

thế tài chính của công ty có thể điều chỉnh danh mục mà việc điều chỉnh này tác động

đến và điều chỉnh giá cổ phiếu. Cũng cần lưu ý rằng có trường hợp giá cổ phiếu kết

hợp với thông tin ngẫu nhiên mà không liên quan trực tiếp đến kiệt quệ tài chính hay

mất khả năng thanh toán (Rees, 1995), và dẫn đến nhiễu trong phân tích và làm giảm

tính chính xác dự báo của mô hình. Tuy nhiên, cũng có các nghiên cứu mà giá cổ phiếu

có tác động cùng chiều lên năng lực dự báo của mô hình (Beaver, 1966; Beaver và

cộng sự, 2005; Christidis và Gregory, 2010). Hơn nữa, khi đưa vào giá cổ phiếu không

những giúp gia tăng tính chính xác cao của mô hình dự báo kiệt quệ cũng như cải thiện

tính kịp thời của các mô hình (Keasey và Watson, 1991).

Giá thị trường phản ánh kỳ vọng của nhà đầu tư về dòng tiền và thu nhập trong

tương lai của doanh nghiệp. Dòng tiền và thu nhập này bị ảnh hưởng bởi tình hình tài

chính của công ty, do đó kỳ vọng có mối quan hệ chặt chẽ giữa mức giá cổ phiếu/sự

dịch chuyển giá cổ phiếu và khả năng xảy ra kiệt quệ tài chính. Do đó, một giá trị lớn

của giá cổ phiếu (PRICE) cho thấy tình hình tài chính của công ty là khá lành mạnh,

hay khả năng xảy ra kiệt quệ tài chính của công ty là khá thấp.

Vì vậy, dấu kỳ vọng của biến PRICE là dấu âm (-) trong mô hình hồi quy, hàm ý

rằng một giá trị cao của biến này có tác động ngược chiều đến khả năng xảy ra kiệt quệ

tài chính hay vỡ nợ của công ty.

3.2.4.2. Tỷ suất sinh lợi vượt trội – ABNRET

Để tính toán biến này trong luận văn, đầu tiên tác giả tính toán tỷ suất sinh lợi của

mỗi cổ phiếu và tỷ suất sinh lợi thị trường như sau:

 Tỷ suất sinh lợi của cổ phiếu i tại thời điểm t:

) 𝑅𝑖,𝑡 = 𝑙𝑛 ( 𝑃𝑖,𝑡 𝑃𝑖,𝑡−1

Trong đó, Ri,t là tỷ suất sinh lợi của cổ phiếu i tại thời điểm t

Pi,t là giá cổ phiếu i tại thời điểm t

Pi,t-1 là giá cổ phiếu i tại thời điểm t-1

 Tỷ suất sinh lợi thị trường tại thời điểm t:

) 𝑅𝑚,𝑡 = 𝑙𝑛 ( 𝑃𝑚,𝑡 𝑃𝑚,𝑡−1

Trong đó, Rm,t là tỷ suất sinh lợi thị trường tại thời điểm t

Pi,t là chỉ số VN-Index tại thời điểm t

Pi,t-1 là chỉ số VN-Index tại thời điểm t - 1

Sau đó, tác giả tính toán tỷ suất sinh lợi tích lũy trong 12 tháng của mỗi chứng

khoán trừ đi tỷ suất sinh lợi tích lũy của thị trường (VNINDEX) trong cùng giai đoạn

quan sát. Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác giả sử

dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong phạm vi [-1,1]. Một

giá trị ABNRET dương và ngày càng lớn cho thấy xác suất xảy ra kiệt quệ tài chính

thấp.

Theo Shumway (2001), giả định cơ sở lý thuyết được dùng trong nghiên cứu hiện

nay để đánh giá sự kết hợp của biến này vào trong mô hình đó là chúng hữu dụng để

dự đoán vỡ nợ bởi vì các nhà đầu tư chiết khấu vốn cổ phần của các công ty trong tình

trạng tài chính căng thẳng hay gần như phá sản/vỡ nợ. Dichev (1998) đo lường rủi ro

phá sản bằng việc sử dụng các mô hình Altman (1968) và Ohlson (1980) và chỉ ra rằng

có một mối quan hệ ngược chiều giữa tỷ suất sinh lợi vốn cổ phần và xác suất xảy ra

phá sản. Theo đó, tỷ suất sinh lợi của công ty cao so với tỷ suất sinh lợi VN-Index sẽ

làm sụt giảm xác suất xảy ra kiệt quệ tài chính.

Biến ABNRET được kỳ vọng dấu âm (-) trong mô hình hồi quy, hàm ý rằng một

giá trị cao của biến này có tác động ngược chiều đến khả năng xảy ra kiệt quệ tài chính

hay vỡ nợ của công ty.

𝑺𝑰𝒁𝑬 =

3.2.4.3. Quy mô công ty – SIZE

𝑮𝒊á 𝒕𝒓ị 𝒕𝒉ị 𝒕𝒓ườ𝒏𝒈 𝒄ủ𝒂 𝒄ô𝒏𝒈 𝒕𝒚

𝑽ố𝒏 𝒉ó𝒂 𝒕𝒉ị 𝒕𝒓ườ𝒏𝒈 𝒄ủ𝒂 𝑯𝑶𝑺𝑬

Giá trị thị trường của công ty = Giá cổ phiếu x Số lượng cổ phiếu đang lưu hành

Vốn hóa thị trường của HOSE thể hiện tổng cộng mức vốn hóa thị trường của

toàn bộ các công ty niêm yết ra công chúng có trên HOSE và được tác giả thu thập từ

website của HOSE.

Thước đo quy mô này thể hiện giá trị thị trường của một công ty niêm yết trong

mẫu quan sát chiếm bao nhiêu phần trăm trong toàn bộ giá trị vốn hóa thị trường của

HOSE.

Quy mô của doanh nghiệp được đo lường bằng giá trị thị trường có thể là một chỉ

báo năng lực tiềm năng cho việc dự báo phá sản. Giá trị thị trường của một công ty

trong tình trạng tài chính căng thẳng sẽ được chiết khấu bởi những người tham gia vào

thị trường (nhà đầu tư). Theo Agarwal và Taffler (2008), xác suất phá sản là xác suất

mà giá trị của tài sản nhỏ hơn mệnh giá của nợ vào cuối thời gian nắm giữ. Vì vậy, dự

đoán là một giá trị cao của biến quy mô sẽ kéo theo một xác suất thấp của việc xảy ra

tình trạng kiệt quệ tài chính hoặc phá sản. Ngược lại, một công ty có quy mô tương đối

nhỏ sẽ có xác suất xảy ra kiệt quệ tài chính hoặc phá sản cao hơn.

Vì vậy, biến SIZE có kỳ vọng dấu âm (-) trong mô hình hồi quy, hàm ý rằng một

giá trị cao của biến này có tác động ngược chiều đến khả năng xảy ra kiệt quệ tài chính

hay vỡ nợ của công ty.

3.2.4.4. Vốn hóa thị trường / Tổng nợ – MCTD

MCTD = TANH (

)

𝑮𝒊á 𝒕𝒓ị 𝒕𝒉ị 𝒕𝒓ườ𝒏𝒈 𝒄ủ𝒂 𝒄ô𝒏𝒈 𝒕𝒚 𝑻ổ𝒏𝒈 𝒏ợ

Nhằm loại bỏ các giá trị cực đoan trong các biến ở một số quan sát, tác

giả sử dụng hàm chuyển đổi TANH và các giá trị được xác định ở trong

phạm vi [-1,1]. Một giá trị cao của biến MCTD cho thấy có sự sụt giảm đáng kể

trong giá trị tài sản của một công ty trước khi tổng nợ vượt mức tài sản và nó trở nên

kiệt quệ tài chính hay mất khả năng thanh toán. Ngược lại, một giá trị thấp của biến

này cho thấy giá trị thị trường của doanh nghiệp đang giảm đến gần điểm mà tổng nợ

vượt quá tài sản của nó, hay điểm mất khả năng thanh toán. Do đó, một giá trị lớn của

MCTD cho thấy ít có khả năng một công ty rơi vào tình trạng kiệt quệ tài chính, hay

một giá trị lớn của biến MCTD sẽ tương ứng với một xác suất thấp xảy ra kiệt quệ tài

chính hoặc phá sản. Ngược lại, một công ty có MCTD có giá trị thấp, dấn đến một khả

năng cao hơn xảy ra tình trạng kiệt quệ tài chính.

Vì vậy, biến MCTD có kỳ vọng dấu âm (-) trong mô hình hồi quy, hàm ý rằng

một giá trị cao của biến này có tác động ngược chiều đến khả năng xảy ra kiệt quệ tài

chính hay vỡ nợ của công ty.

Sau đây, tác giả tóm tắt lại kỳ vọng dấu của các biến nghiên cứu trong luận văn

như sau:

Bảng 3.1: Các biến nghiên cứu

Nhóm Ký hiệu Kỳ vọng dấu

TFOTL -

TLTA + Biến kế toán

- NOCREDINT

COVERAGE -

CPI + Biến vĩ mô TBILL +

PRICE -

- ABNRET

Biến thị trường - SIZE

MCTD -

3.3. Phương pháp nghiên cứu

Trong phần này, tác giả trình bày sơ qua về mô hình hồi quy Logit như được trình

bày trong Hernandez Tinoco và Wilson (2013). Sở dĩ có tên như vậy là vì nó sử dụng

phân phối logit tích lũy để chuyển đổi sao cho các giá trị xác suất được ước lượng sẽ

tuân theo mô hình chữ S.

Xét một tập hợp (Y1, Y1), ..., (Yn, Xn) là một tập hợp mẫu ngẫu nhiên theo phân

phối logit có điều kiện.

Xét tập hợp gồm x1j, x2j ... xkj là một bộ k biến độc lập được biểu thị bởi vector

x'.

Xác suất có điều kiện được biểu thị như sau: Pr(Y = 1| x) = π(x).

Khi đó, mô hình hồi quy được biểu thị bởi:

Và xác suất có điều kiện là:

Lúc đó,

Do đó,

Và đó chính là phương trình hồi quy dùng trong mô hình hồi quy Logit dùng để

ước lượng các tham số quan tâm.

Tuy nhiên, các tham số ước lượng được không thể giải thích một cách trực tiếp

được như trong mô hình hồi quy tuyến tính bởi vì bản chất phi tuyến của nó, mà chỉ có

thể giải thích được thông qua phân tích tác động biên. Do đó, việc đo lường tác động

biên rất hữu ích để giải thích các tác động của các biến độc lập lên biến phụ thuộc cho

mô hình biến phụ thuộc rời rạc, trong trường hợp này là mô hình lựa chọn biến nhị

phân. Chính vì vậy, tiếp theo tác giả xem xét tiếp về tác động biên cho mỗi biến. Tác

động biên của một biến chỉ báo được định nghĩa là đạo hàm riêng của biến cố xác suất

theo biến chỉ báo quan tâm. Do đó, các tác động biên được biểu thị như dưới đây.

Để đơn giản, tác giả xem xét một mô hình y hệt nhưng chỉ có một biến độc lập.

Với Xj là biến giải thích và α0 và β0 là tham số chưa biết và cần được ước lượng,

và hàm phân phối logit là:

Nếu β0> 0 thì Pr[Yj = 1 | Xj] = F(α0 + β0Xj) là một hàm tăng theo Xj. Đạo hàm riêng

của biến cố xác suất theo biến Xj là:

Với F’ là đạo hàm của hàm F. Cụ thể hơn, F’ được tính như sau:

Do đó, tác động biên của biến Xj là:

Và đây chính là cơ sở lý thuyết cho mô hình hồi quy Logit và trong chương 4, tác

giả sẽ trình bày kết quả nghiên cứu từ các kết quả đạt được thông qua việc thực hiện

hồi quy Logit trên phần mềm Stata 12.

CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU

4.1. Thống kê mô tả

Thông qua bảng thống kê mô tả của 3 mẫu dữ liệu quan sát: toàn bộ mẫu, mẫu

các công ty không bị kiệt quệ tài chính, mẫu các công ty bị kiệt quệ tài chính trong

bảng 4.1, tác giả nhận thấy một số điểm sau đây:

 Biến TFOTL cho thấy khả năng đáp ứng các nghĩa vụ nợ của một công ty từ

dòng tiền hoạt động sản xuất kinh doanh của công ty tạo ra. Giá trị trung bình

trong toàn bộ mẫu của biến là 0.3005, giá trị trung bình trong mẫu các công ty

không bị kiệt quệ tài chính là 0.3180, giá trị trung bình trong mẫu các công ty bị

kiệt quệ tài chính là 0.1443. Qua đó, tác giả nhận thấy giá trị trung bình trong

mẫu các công ty không bị kiệt quệ tài chính cao hơn so với trong mẫu các công

ty bị kiệt quệ tài chính. Điều này hàm ý rằng khả năng đảm bảo các nghĩa vụ tài

chính của công ty trong mẫu các công ty bị kiệt quệ tài chính kém hơn.

 Biến TLTA chỉ ra mức độ sử dụng đòn bẩy tài chính của một công ty. Giá trị

trung bình trong toàn bộ mẫu của biến là 0.3988, giá trị trung bình trong mẫu

các công ty không bị kiệt quệ tài chính là 0.3955, giá trị trung bình trong mẫu

các công ty bị kiệt quệ tài chính là 0.4462. Qua đó, tác giả nhận thấy các công ty

trong mẫu các công ty bị kiệt quệ tài chính sử dụng đòn bẩy tài chính cao hơn so

với các công ty trong mẫu các công ty không bị kiệt quệ tài chính. Điều này hàm

ý rằng các công ty trong mẫu các công ty bị kiệt quệ tài chính sử dụng nợ nhiều

hơn và có khả năng xảy ra kiệt quệ tài chính cao hơn.

 Biến NOCREDINT cho thấy thanh khoản của một công ty. Giá trị trung bình

trong toàn bộ mẫu của biến là 0.0791, giá trị trung bình trong mẫu các công ty

không bị kiệt quệ tài chính là 0.1174, giá trị trung bình trong mẫu các công ty bị

kiệt quệ tài chính là -0.2637. Qua đó, tác giả nhận thấy thanh khoản của các

công ty trong mẫu các công ty bị kiệt quệ tài chính có thanh khoản kém hơn

nhiều so với thanh khoản của các công ty trong mẫu các công ty không bị kiệt

quệ tài chính, và có thể dẫn đến các công ty này đáp ứng các chi phí hoạt động

hàng ngày một cách rất khó khăn.

 Biến COVERAGE đo lường khả năng chi trả lãi vay của một doanh nghiệp. Giá

trị trung bình trong toàn bộ mẫu của biến là -0.9281, giá trị trung bình trong

mẫu các công ty không bị kiệt quệ tài chính là -0.9559, giá trị trung bình trong

mẫu các công ty bị kiệt quệ tài chính là -0.6606. Tác giả nhận thấy giá trị trung

bình của tất cả các mẫu đều âm, và kết quả chỉ ra trái ngược với lý thuyết khi

thống kê mô tả chỉ ra rằng các công ty trong mẫu các công ty không bị kiệt quệ

tài chính âm hơn nhiều so với các công ty trong mẫu các công ty bị kiệt quệ tài

chính. Vì vậy, trong luận văn này có khả năng tác giả không thể nhận thấy tác

động của biến COVERAGE trong việc dự đoán xác suất xảy ra kiệt quệ tài

chính.

 Biến CPI: Giá trị trung bình trong toàn bộ mẫu của biến là 104.6133, giá trị

trung bình trong mẫu các công ty không bị kiệt quệ tài chính là 103.0182, giá trị

trung bình trong mẫu các công ty bị kiệt quệ tài chính là 118.8974. Qua đó, tác

giả nhận thấy các công ty trong mẫu các công ty bị kiệt quệ tài chính bị tác động

nhiều hơn bởi một môi trường lạm phát cao hơn.

 Biến TBILL: Giá trị trung bình trong toàn bộ mẫu của biến là 8.1167, giá trị

trung bình trong mẫu các công ty không bị kiệt quệ tài chính là 7.8325, giá trị

trung bình trong mẫu các công ty bị kiệt quệ tài chính là 10.6614. Qua đó, tác

giả nhận thấy các công ty trong mẫu các công ty bị kiệt quệ tài chính bị tác động

nhiều hơn bởi một môi trường lãi suất cao hơn.

 Biến PRICE: Giá trị trung bình trong toàn bộ mẫu của biến là 9.6538, giá trị

trung bình trong mẫu các công ty không bị kiệt quệ tài chính là 9.7388, giá trị

trung bình trong mẫu các công ty bị kiệt quệ tài chính là 8.8928. Qua đó, tác giả

nhận thấy giá trị trung bình của giá cổ phiếu trong mẫu các công ty bị kiệt quệ

tài chính thấp hơn so với giá trị trung bình của giá cổ phiếu trong mẫu các công

ty không bị kiệt quệ tài chính. Điều này hàm ý rằng thị trường đánh giá thấp cổ

phiếu của những công ty trong mẫu bị kiệt quệ tài chính.

 Biến ABNRET: Giá trị trung bình trong toàn bộ mẫu của biến là 0.0324, giá trị

trung bình trong mẫu các công ty không bị kiệt quệ tài chính là 0.0659, giá trị

trung bình trong mẫu các công ty bị kiệt quệ tài chính là - 0.2420. Qua đó,

tác giả nhận thấy giá trị trung bình của ABNRET trong mẫu các công ty bị kiệt

quệ tài chính thấp hơn và thậm chí là giá trị âm so với giá trị trung bình của giá

cổ phiếu trong mẫu các công ty không bị kiệt quệ tài chính. Điều này cũng hàm

ý rằng thị trường đánh giá thấp cổ phiếu của những công ty trong mẫu bị kiệt

quệ tài chính và làm cho chênh lệch tỷ suất sinh lợi tích lũy trong năm của các

cổ phiếu đó so với tỷ suất sinh lợi tích lũy của VNINDEX cũng thấp, và thậm

chí là nhỏ hơn.

 Biến SIZE: Giá trị trung bình trong toàn bộ mẫu của biến là 0.0021, giá trị trung

bình trong mẫu các công ty không bị kiệt quệ tài chính là 0.0021, giá trị trung

bình trong mẫu các công ty bị kiệt quệ tài chính là 0.0007. Qua đó, tác giả nhận

thấy các công ty trong mẫu các công ty bị kiệt quệ tài chính có quy mô nhỏ hơn

so với các công ty trong mẫu các công ty không bị kiệt quệ tài chính.

 Biến MCTD: Giá trị trung bình trong toàn bộ mẫu của biến là 0.6754, giá trị

trung bình trong mẫu các công ty không bị kiệt quệ tài chính là 0.6998, giá trị

trung bình trong mẫu các công ty bị kiệt quệ tài chính là 0.4757. Qua đó, tác giả

nhận thấy các công ty trong mẫu các công ty bị kiệt quệ tài chính có giá trị

MCTD thấp hơn so với các công ty trong mẫu các công ty không bị kiệt quệ tài

chính. Điều này hàm ý rằng giá trị thị trường của công ty tiến gần sát giá trị nợ

của công ty hơn đối với các công ty trong mẫu các công ty bị kiệt quệ tài chính.

Bảng 4.1: Thống kê mô tả cho 3 mẫu quan sát: toàn bộ mẫu, mẫu các công ty không bị kiệt quệ tài chính,

mẫu các công ty bị kiệt quệ tài chính

BIẾN TFOTL TLTA NOCREDINT COVERAGE CPI

TBILL PRICE ABNRET SIZE MCTD

0.0791 0.9908 -1 1 1 -0.9281 0.3292 -1 1 104.6133 27.5724 64.35 143.64 8.1167 3.0314 4.15 12.35 0.0324 0.3508 -0.9105 1 0.0021 0.0082 0.00003 0.1163 0.6754 0.3036 0.0624 1 Giá Trị Nhỏ Nhất Giá Trị Lớn Nhất

Bảng A: Toàn bộ mẫu Trung Bình 0.3005 0.3988 Độ Lệch Chuẩn 0.2778 0.1623 -0.7428 0.0309 0.7163 Bảng B: Các công ty không bị kiệt quệ tài chính 9.6538 0.7853 7.6962 11.7982

Trung Bình 0.3180 0.3935 Độ Lệch Chuẩn 0.2707 0.1609 -0.6912 0.0309 0.6958 1 0.1174 0.9870 -1 1 -0.9559 0.2596 -1 1 103.0182 28.2465 64.35 143.64 7.8325 2.9707 4.15 12.35 0.0659 0.3487 -0.9105 1 0.0021 0.0082 0 0.1163 0.6998 0.2961 0.0624 1 Giá Trị Nhỏ Nhất Giá Trị Lớn Nhất

Bảng C: Các công ty bị kiệt quệ tài chính 9.7388 0.7448 7.9128 11.7982

-0.2637 0.9652 -1 1 -0.6606 0.6554 -1 1 118.8974 10.6614 2.3083 14.1458 5.04 85.81 12.35 143.64 8.8928 0.7311 7.6962 10.4313 -0.2420 0.2254 -0.7430 0.2131 0.0007 0.0018 0.00003 0.0131 0.4757 0.2923 0.0661 1 Trung Bình 0.1443 0.4462 Độ Lệch Chuẩn 0.2943 0.1685 -0.7428 0.1002 Giá Trị Nhỏ Nhất Giá Trị Lớn Nhất 0.8455 0.7163

4.2. Ma trận hệ số tương quan

Thông qua bảng 4.2 ma trận hệ số tương quan, tác giả nhận thấy được một số điều

sau đây :

 Tất cả các biến ở 3 nhóm biến dự báo xác suất xảy ra kiệt quệ tài chính bao gồm

nhóm biến kế toán (TFOTL, TLTA, NOCREDINT, COVERAGE), nhóm biến

vĩ mô (CPI, TBILL), và nhóm biến thị trường (PRICE, ABNRET, SIZE,

MCTD) đều có tương quan cao với biến kiệt quệ tài chính FD với mức ý nghĩa

1%, ngoại trừ mối tương quan giữa biến SIZE và FD có ý nghĩa ở mức 5%. Các

mối tương quan giữa các biến nghiên cứu với biến FD có dấu đúng như dấu kỳ

vọng (TFOTL, NOCREDINT, PRICE, ABNRET, SIZE, MCTD có hệ số âm ;

TLTA, CPI, TBILL có hệ số dương), ngoại trừ biến COVERAGE thể hiện mối

tương quan dương ngược với kỳ vọng là tương quan âm.

 Ma trận hệ số tương quan còn cho tác giả nhận thấy được khả năng xảy ra đa

cộng tuyến trong mô hình, mà bản chất đa cộng tuyến có thể làm tác động đến

sự ổn định của các hệ số của các biến độc lập phản ứng với các thay đổi biên

trong mô hình/trong dữ liệu. Nếu hệ số tương quan cặp giữa các biến giải thích

cao hơn 80% thì hai biến đó được xem là có đa cộng tuyến rất cao và có thể ảnh

hưởng nghiêm trọng đến mô hình. Trong luận văn này, tác giả không thấy hệ số

tương quan cặp nào lớn hơn 80%, nhưng tác giả lại nhận thấy một số hệ số

tương quan cặp cao hơn 70% và cũng có thể ảnh hưởng đến kết quả nghiên cứu

nhưng không nghiêm trọng như trên 80%, điển hình như tương quan giữa

MCTD và TLTA là -0.7834; giữa TFOTL với TLTA là -0.7367. Tất cả các hệ

số tương quan cặp còn lại đều nhỏ hơn 70%. Để chắc chắn hơn không xảy ra đa

cộng tuyến trong mô hình, tác giả thực hiện kiểm định VIF. Kết quả kiểm định

chỉ ra rằng tất cả các biến độc lập đều có giá trị VIF nhỏ hơn 3. Do đó, có thể

đảm bảo rằng không có xảy ra hiện tượng đa cộng tuyến trong mô hình bởi vì

thông thường VIF < 5 là tốt, khi 5 < VIF < 10 thì giá trị này là chấp nhận được,

trong khi VIF > 10 là có khả năng xảy ra đa cộng tuyến rất cao và cần xem xét

lại.

Tóm lại, đến đây tác giả đã có một cái nhìn khái quát sơ lược dự đoán về tác động

của các biến nghiên cứu đến khả năng xảy ra kiệt quệ tài chính, mặc dù đây chưa phải

là phương pháp chính mà chúng ta dùng để phân tích. Bên cạnh đó, tác giả cũng đã

thực hiện xem xét kiểm định đa cộng tuyến để kết quả nghiên cứu là ổn định và không

bị ảnh hưởng bởi vấn đề đa cộng tuyến này. Trong phần sau, tác giả sẽ đi sâu vào phân

tích kết quả nghiên cứu mà tác giả đạt được bằng phương pháp ước lượng hồi quy

Logit và đưa ra các kết quả xác đáng hơn.

Bảng 4.2 : Ma trận hệ số tương quan

NOCREDINT COVERAGE CPI

-0.0485 -0.1096*** -0.0642

PRICE

MCTD

TLTA 1 -0.6616* 1 0.1008 0.0809 -0.0413 -0.2256* 0.2684* 0.1071* -0.0976 -0.0895 0.1049* -0.7834* 0.6028* -0.1541* 0.1138***

1 0.0757* 0.0449 -0.2032*** -0.1812*** -0.0303 -0.1384*** 0.1915***

1 0.1252*** -0.1615*** 0.0538 0.0578 -0.1505*** 0.2050***

TBILL 1 -0.4275* 1 -0.2028* 0.3683* -0.0437 0.3150* -0.2416* 0.6175* -0.3949* 0.3367*

ABNRET 1 0.0584 0.2705* -0.3303*

SIZE 1 0.1790* 1 -0.0823

-0.2899***

FD 1

1.73

2.65

2.73

2.83

2.75

2.17

2.79

2.80

1.82

TFOTL 1 TFOTL -0.7367* TLTA NOCREDINT 0.4818* -0.3912* COVERAGE -0.1453* CPI -0.0436 TBILL 0.4079* PRICE 0.2597* ABNRET 0.1874* SIZE 0.6603* MCTD -0.2141*** FD Kiểm định đa cộng tuyến 2.36 VIF

*, **, *** lần lượt thể hiện mức ý nghĩa 10%, 5%, 1%

4.3. Phân tích kết quả hồi quy

Phần này sẽ trình bày các kết quả từ hồi quy Logit của biến Kiệt quệ tài chính

trên các biến dự báo của 3 nhóm biến, biến kế toán, biến vĩ mô và biến thị trường.

Theo như mô hình hồi quy logit nhị phân, các công ty mà được phân loại thành các

công ty bị kiệt quệ tài chính thì nhận giá trị 1, các công ty mà được phân loại thành các

công ty không bị kiệt quệ tài chính thì nhận giá trị 0. Việc phân loại này dựa trên cách

thức xác định kiệt quệ tài chính như trong các phần trước đó có đề cập.

Nghiên cứu này sẽ trình bày 5 mô hình ước lượng xác suất xảy ra tình trạng kiệt

quệ tài chính để kiểm định mức độ đóng góp của 3 nhóm biến: biến kế toán, biến vĩ mô

và biến thị trường.

 Mô hình thứ nhất là một mô hình chỉ bao gồm nhóm biến kế toán bằng việc kết

hợp các tỷ số: TFOTL, TLTA, NOCREDINT, COVERAGE.

 Mô hình thứ hai là một mô hình kết hợp nhóm biến kế toán và nhóm biến vĩ mô

bằng việc kết hợp các tỷ số: TFOTL, TLTA, NOCREDINT, COVERAGE, CPI,

TBILL.

 Mô hình thứ ba là một mô hình kết hợp nhóm biến kế toán, nhóm biến vĩ mô, và

nhóm biến thị trường bằng việc kết hợp các tỷ số: TFOTL, TLTA,

NOCREDINT, COVERAGE, CPI, TBILL, PRICE, ABNRET, SIZE, MCTD.

 Mô hình thứ tư là một mô hình chỉ gồm nhóm biến thị trường bằng việc kết hợp

các tỷ số: PRICE, ABNRET, SIZE, MCTD.

 Mô hình thứ năm là một mô hình kết hợp nhóm biến vĩ mô và nhóm biến thị

trường bằng việc kết hợp các tỷ số: CPI, TBILL, PRICE, ABNRET, SIZE,

MCTD.

Mục tiêu của việc thực hiện so sánh như vậy là để kiểm định xem tính chính xác

trong dự báo của các mô hình có biến kế toán so với thành quả đạt được từ các mô hình

có biến thị trường.

Nghiên cứu này phát triển các mô hình ước lượng xác suất xảy ra kiệt quệ tài

chính. Trong thực tế, ngày xảy ra sự kiện công ty bị kiệt quệ tài chính thì không được

biết đến và các nhà quản trị rủi ro được yêu cầu phải sử dụng dữ liệu có sẵn tại thời

điểm phân tích để ước lượng xác suất xảy ra vỡ nợ hay kiệt quệ tài chính của một công

ty. Theo đó, nghiên cứu này ước lượng xác suất xảy ra kiệt quệ tài chính trong năm

trước sự kiện xảy ra kiệt quệ tài chính (t-1), cũng như 2 năm trước sự kiện xảy ra kiệt

quệ tài chính (t-2). Theo cách đó, một mặt, các mô hình cung cấp các bằng chứng về

các chỉ báo mà có thể phân biệt tốt nhất giữa các công ty mạnh và các công ty rơi vào

tình trạng kiệt quệ tài chính. Mặt khác, nó cũng sẽ cung cấp các kiểm định năng lực dự

báo của các mô hình. Do đó, trong các mô hình t-1:

 Tất cả các nhóm biến kế toán được tính toán bằng việc sử dụng các báo cáo tài

chính của năm trước năm xảy ra sự kiện kiệt quệ tài chính.

 Theo đó, nhóm biến vĩ mô được tính toán với thông tin từ năm trước khi xảy ra

kiệt quệ tài chính.

 Đối với nhóm biến thị trường, biến PRICE được lấy từ giá đóng cửa ở thời điểm

cuối năm t-1; biến ABNRET được tính toán từ tỷ suất sinh lợi tích lũy của công

ty vào năm t-1 và tỷ suất sinh lợi tích lũy của thị trường VNINDEX cũng vào

năm t-1; biến SIZE thể hiện vốn hóa thị trường của từng công ty riêng lẻ được

đo lường vào cuối năm trước năm xảy ra kiệt quệ tài chính; biến MCTD cũng

được đo lường với các thông tin vào cuối năm t-1.

Cách thức xử lý dữ liệu trong các mô hình t-2 cũng tương tự như trong các mô

hình t-1 được đề cập ở bên trên. Luận văn này cũng có nghiên cứu trong các mô hình

với biến giải thích được sử dụng ngay tại thời điểm t để so sánh giữa các kết quả với

nhau trong cả 3 thời điểm t, t-1, t-2.

Sau đây, tác giả sẽ bắt đầu phân tích kết quả hồi quy logit đạt được từ 5 mô hình

hồi quy như được đề cập bên trên.

 Mô hình hồi quy thứ nhất:

Trong mô hình hồi quy thứ nhất tại thời điểm t, 2 biến TFOTL và NOCREDINT

đều có ý nghĩa thống kê ở mức 1% và phù hợp với dấu kỳ vọng khi thể hiện một mối

quan hệ ngược chiều. Dấu âm trong tỷ số TFOTL đại diện cho một thước đo thành quả

của một công ty thể hiện rằng mức độ dòng tiền từ hoạt động sản xuất kinh doanh mà

công ty (so với tổng nợ) tạo ra càng cao thì thành quả công ty càng cao và dẫn đến xác

suất xảy ra kiệt quệ tài chính của công ty thấp hơn. Tương tự, dấu âm trong hệ số

NOCREDINT cho rằng thanh khoản của một công ty càng cao thì xác suất xảy ra kiệt

quệ tài chính của một công ty càng cao. Tác giả không tìm thấy được mối quan hệ có ý

nghĩa thống kê nào giữa biến COVERAGE với xác suất xảy ra kiệt quệ tài chính. Đối

với biến TLTA thì tác giả nhận thấy có một mối quan hệ có ý nghĩa thống kê ở mức

10% nhưng dấu của hệ số TLTA lại ngược với dấu kỳ vọng khi hệ số TLTA chỉ ra một

mối quan hệ ngược chiều, hàm ý rằng khi công ty sử dụng đòn bẩy càng cao thì xác

suất xảy ra kiệt quệ tài chính càng thấp.

Trong mô hình hồi quy thứ nhất tại thời điểm t-1, 2 biến TFOTL và

NOCREDINT vẫn còn có ý nghĩa thống kê lần lượt ở mức 5% và 1%, và dấu hệ số

cũng phù hợp với dấu kỳ vọng như trong mô hình tại thời điểm t. Tương tự như trong

mô hình hồi quy thứ nhất tại thời điểm t, tác giả vẫn không tìm thấy được mối quan hệ

có ý nghĩa thống kê nào giữa biến COVERAGE với xác suất xảy ra kiệt quệ tài chính.

Cuối cùng, biến TLTA trong hồi quy tại thời điểm t-1 lại mất đi ý nghĩa thống kê so

với hồi quy tại thời điểm t.

Trong mô hình hồi quy thứ nhất tại thời điểm t-2, tất cả các biến kế toán nghiên

cứu đều mất đi ý nghĩa thống kê.

Từ đó, tác giả nhận thấy nếu như chỉ dùng các biến kế toán trong việc dự đoán

xác suất xảy ra kiệt quệ tài chính thì có khả năng đưa ra các dự báo sai lệch hơn trong

thời điểm càng xa với thời điểm xảy ra kiệt quệ tài chính. Vì vậy, các biến kế toán có

thể đưa ra các dự báo tốt hơn trong thời gian ngắn trước khi xảy ra kiệt quệ tài chính,

nhất là ngay trong năm quan sát. Bên cạnh đó, biến TFOTL và biến NOCREDINT cần

được quan tâm lưu ý hơn khi nó có ý nghĩa hơn trong việc đưa ra các dự báo kiệt quệ

tài chính.

 Mô hình hồi quy thứ hai:

Trong mô hình hồi quy thứ hai tại thời điểm t, biến TFOTL và biến

NOCREDINT vẫn có ý nghĩa thống kê lần lượt ở mức 5% và 10% và hệ số vẫn có dấu

phù hợp với dấu kỳ vọng. Một lần nữa, 2 biến này càng thể hiện vai trò của nó trong

nhóm biến kế toán. Trong khi đó, 2 biến TLTA và biến COVERAGE lại không tìm

thấy được mối quan hệ có ý nghĩa thống kê nào. Đối với nhóm biến vĩ mô, cả 2 biến

CPI và TBILL đều có ý nghĩa thống kê ở mức 1% và hệ số thể hiện dấu dương phù hợp

với dấu kỳ vọng. Hệ số CPI thể hiện mức độ chỉ số giá tiêu dùng càng cao càng làm gia

tăng xác suất xảy ra kiệt quệ tài chính. Hệ số TBILL thể hiện trong một môi trường vĩ

mô có lãi suất cao thì xác suất xảy ra kiệt quệ tài chính cao trong điều kiện các yếu tố

khác không thay đổi.

Trong mô hình hồi quy thứ hai tại thời điểm t-1, tất cả 4 biến kế toán TFOTL,

TLTA, NOCREDINT, COVERAGE đều mất đi ý nghĩa thống kê, ngay cả biến CPI

cũng mất đi ý nghĩa thống kê và chỉ còn biến TBILL vẫn còn có ý nghĩa ở mức 1% và

thể hiện hệ số dương phù hợp với dấu kỳ vọng.

Trong mô hình hồi quy thứ hai tại thời điểm t-2, tất cả các biến bao gồm cả 4 biến

kế toán cũng như 2 biến vĩ mô đều không có ý nghĩa thống kê.

Điều này làm cho tác giả nhận thấy, nhóm biến kế toán và ngay cả khi kết hợp

nhóm biến kế toán và nhóm biến vĩ mô thì không có khả năng dự báo trong thời gian

dài trước khi xảy ra kiệt quệ tài chính.

 Mô hình hồi quy thứ ba:

Trong mô hình hồi quy thứ ba tại thời điểm t, tác giả không nhận thấy biến nào

trong nhóm biến kế toán có ý nghĩa thống kê. Tuy nhiên, nhóm biến vĩ mô vẫn có ý

nghĩa thống kê ở mức 1% đối với cả 2 biến CPI và TBILL. Trong nhóm biến thị

trường, tác giả nhận thấy biến PRICE và ABNRET có ý nghĩa thống kê ở mức 1% và

hệ số có dấu âm đúng như dấu kỳ vọng. Dấu âm của biến PRICE thể hiện mối quan hệ

ngược chiều giữa giá cổ phiếu và xác suất xảy ra kiệt quệ tài chính. Giá thị trường phản

ánh kỳ vọng của các nhà đầu tư về dòng tiền hay thu nhập trong tương lai của công ty

và thu nhập của công ty bị tác động bởi tình trạng tài chính của công ty. Dấu âm của

biến ABNRET chỉ ra một mối quan hệ ngược chiều giữa tỷ suất sinh lợi bất thường với

xác suất xảy ra kiệt quệ tài chính. Các nhà đầu tư dường như chiết khấu vốn cổ phần

của các công ty mà ở trong tình trạng kiệt quệ tài chính hay gần phá sản/vỡ nợ, và dẫn

đến tác động đến tỷ suất sinh lợi: tỷ suất sinh lợi vượt trội so với tỷ suất sinh lợi thị

trường là một tín hiệu cho thấy tình hình tài chính của công ty là mạnh, và do đó làm

giảm xác suất xảy ra kiệt quệ tài chính của một công ty. Ngược lại, khi tỷ suất sinh lợi

thấp hơn tỷ suất sinh lợi thị trường lại là một tín hiệu cho thấy tình hình tài chính của

công ty yếu kém và dẫn đến làm gia tăng xác suất xảy ra kiệt quệ tài chính của một

công ty. 2 biến SIZE và MCTD trong nhóm biến thị trường thì tác giả không tìm thấy

mối quan hệ thống kê nào.

Trong mô hình hồi quy thứ ba tại thời điểm t-1, trong nhóm biến kế toán chỉ có

biến TLTA có ý nghĩa thống kê ở mức 1% và hệ số có dấu dương đúng như kỳ vọng

dấu. Điều này hàm ý rằng một công ty có sử dụng đòn bẩy cao hơn thì có xác suất xảy

ra kiệt quệ tài chính cao hơn. Trong khi đó 3 biến còn lại TFOTL, NOCREDINT,

COVERAGE lại không có ý nghĩa thống kê. Điều này ngược với kết quả khi thực hiện

hồi quy chỉ có nhóm biến kế toán. Có lẻ khi dự đoán xác suất xảy ra kiệt quệ tài chính

bằng việc kết hợp cả 3 nhóm biến lại với nhau, biến TLTA lại là một biến dự báo tốt

hơn trong số các biến kế toán đưa vào trong mô hình. Đối với nhóm biến vĩ mô, thì chỉ

có biến TBILL là có ý nghĩa thống kê ở mức 1% và dấu đúng như kỳ vọng. Điều này là

hoàn toàn phù hợp với mô hình 2 tại thời điểm t-1. Biến CPI không có ý nghĩa thống

kê. Đối với nhóm biến thị trường, biến PRICE không còn có ý nghĩa thống kê trong mô

hình t-1, 3 biến còn lại bao gồm ABNRET, SIZE, MCTD đều có ý nghĩa thống kê ở

mức 1%. Tuy nhiên, chỉ có biến ABNRET và SIZE có dấu đúng như kỳ vọng, biến

MCTD có dấu ngược với kỳ vọng. Biến SIZE thể hiện rằng các công ty có quy mô lớn

thì ổn định hơn và có khả năng đáp ứng các nghĩa vụ tài chính cao hơn, cho nên có xác

suất xảy ra kiệt quệ tài chính thấp hơn. Biến MCTD thể hiện mối quan hệ cùng chiều

trái với dấu kỳ vọng là mối quan hệ ngược chiều, thể hiện rằng khi giá trị thị trường

tiến gần với tổng nợ thì xác suất xảy ra kiệt quệ tài chính càng thấp. Điều này là trái

với giả thuyết và vẫn cần những nghiên cứu sâu hơn sau này để trả lời cho mối quan hệ

này.

Trong mô hình hồi quy thứ ba tại thời điểm t-2, biến TLTA vẫn có ý nghĩa thống

kê ở mức 1% và hệ số có dấu dương đúng như kỳ vọng dấu. 3 biến còn lại trong nhóm

biến kế toán vẫn không có ý nghĩa thống kê. Điều này giống như kết quả trong thời

điểm t-1. Có một khác biệt ở đây so với hồi quy mô hình thứ hai đó là, trong nhóm

biến vĩ mô tại thời điểm t-2 biến CPI có ý nghĩa thống kê ở mức 5% nhưng hệ số lại

mang dấu âm ngược với dấu kỳ vọng. Kết quả mô hình tại thời điểm t-2 đối với nhóm

biến thị trường cũng giống như kết quả mô hình tại thời điểm t-1, biến PRICE không

có ý nghĩa thống kê, biến ABNRET có ý nghĩa thống kê ở mức 10% với hệ số mang

dấu âm, biến SIZE có ý nghĩa thống kê ở mức 1% với hệ số mang dấu âm, biến MCTD

có ý nghĩa thống kê ở mức 1% với hệ số mang dấu dương.

Tóm lại, biến TLTA trong nhóm biến kế toán có khả năng dự đoán xác suất xảy

ra kiệt quệ tài chính tại thời điểm t-1, t-2, trong nhóm biến vĩ mô, biến TBILL và biến

CPI có khả năng dự đoán xác suất xảy ra kiệt quệ tài chính lần lượt tại thời điểm t-1, t-

2 và cả 2 biến TBILL và CPI có khả năng dự đoán xác suất xảy ra kiệt quệ tài chính tại

thời điểm t. Đối với nhóm biến thị trường, biến PRICE có khả năng dự đoán xác suất

xảy ra kiệt quệ tài chính tại thời điểm t; biến SIZE và MCTD có khả năng dự đoán xác

suất xảy ra kiệt quệ tài chính tại thời điểm t-1 và t-2; biến ABNRET có khả năng dự

đoán xác suất xảy ra kiệt quệ tài chính tại cả 3 thời điểm t, t-1, t-2.

 Mô hình hồi quy thứ tư:

Trong mô hình hồi quy thứ tư tại thời điểm t, biến PRICE và ABNRET đều có ý

nghĩa ở mức 1% và hệ số mang dấu âm và đúng với dấu kỳ vọng. Trong khi đó, tác giả

không tìm thấy mối quan hệ có ý nghĩa thống kê nào ở cả biến SIZE và MCTD. Kết

quả hồi quy này giống với kết quả hồi quy thứ ba tại thời điểm t.

Trong mô hình hồi quy thứ tư tại thời điểm t-1, biến ABNRET có ý nghĩa thống

kê ở mức 1% và hệ số mang dấu âm và đúng với dấu kỳ vọng. Trong khi đó, tác giả

không tìm thấy mối quan hệ có ý nghĩa thống kê nào ở cả biến PRICE, SIZE và

MCTD.

Trong mô hình hồi quy thứ tư tại thời điểm t-2, cả biến PRICE và SIZE có ý

nghĩa thống kê ở mức 1%, nhưng biến PRICE mang hệ số dấu dương trái với kỳ vọng

và biến SIZE mang hệ số dấu âm đúng như kỳ vọng. Biến ABNRET có ý nghĩa thống

kê ở mức 10% và hệ số mang dấu âm đúng như kỳ vọng. Cuối cùng, tác giả không

nhận thấy mối quan hệ có ý nghĩa thống kê đối với biến MCTD.

Qua đó, tác giả nhận thấy dù với hồi quy thứ ba hay thứ tư thì biến ABNRET

luôn có ý nghĩa thống kê trong việc dự đoán xác suất kiệt quệ tài chính tại các thời

điểm t, t-1, t-2.

 Mô hình hồi quy thứ năm:

Trong mô hình hồi quy thứ năm tại thời điểm t, biến CPI và TBILL đều có ý

nghĩa thống kê ở mức 1% và hệ số mang dấu dương đúng với kỳ vọng. Biến PRICE và

ABNRET đều có ý nghĩa ở mức 1% và hệ số mang dấu âm đúng với dấu kỳ vọng.

Trong khi đó, tác giả không tìm thấy mối quan hệ có ý nghĩa thống kê nào ở cả biến

SIZE và MCTD. Kết quả này phù hợp với các kết quả trên ở cả biến vĩ mô và biến thị

trường.

Trong mô hình hồi quy thứ năm tại thời điểm t-1, biến TBILL có ý nghĩa thống

kê ở mức 1% và hệ số mang dấu dương đúng với kỳ vọng. Biến CPI không có ý nghĩa

thống kê. Đối với nhóm biến thị trường, các biến PRICE, SIZE, ABNRET đều có ý

nghĩa thống kê ở mức 1%, trong đó biến PRICE có hệ số mang dấu dương và biến

SIZE và ABNRET có hệ số mang dấu âm. Tác giả không tìm thấy mối quan hệ có ý

nghĩa thống kê đối với biến MCTD.

Trong mô hình hồi quy thứ năm tại thời điểm t-2, kết quả hồi quy đối với nhóm

biến thị trường giống như kết quả hồi quy tại thời điểm t-1: các biến PRICE, SIZE,

ABNRET đều có ý nghĩa thống kê ở mức 1%, trong đó biến PRICE có hệ số mang dấu

dương và biến SIZE và ABNRET có hệ số mang dấu âm, biến MCTD không có ý

nghĩa thống kê. Biến TBILL không có ý nghĩa thống kê nhưng biến CPI có ý nghĩa

thống kê ở mức 5% với hệ số mang dấu âm. Điều này đúng như các kết quả đạt được

từ hồi quy số 3.

Bảng A

MODEL 2

TFOTL

TLTA

NOCREDINT

COVERAGE

t -2.5628*** (-2.92) -2.3111* (-1.83) -0.4245*** (-3.50) 0.4111 (1.29)

MODEL 1 t-1 -1.7100 (-2.28) -1.4840 (-1.27) -0.3485* (-2.72) 0.4214 (1.26)

t-2 -0.4124 (-0.61) 0.9684 (0.92) 0.0438 (0.31) 0.0595 (0.15)

CPI

TBILL

t-1 -1.3663 (-1.57) 0.0962 (0.07) -0.2115 (-1.38) 0.4727 (1.27) -0.0050 (-0.85) 0.3962*** (7.21)

t -2.0114** (-2.38) -1.0767 (-0.80) -0.2682* (-1.89) 0.5148 (1.47) 0.0423* (4.34) 0.4513* (6.36)

t-2 -0.5473 (-0.80) 0.7115 (0.66) 0.0019 (0.01) 0.0680 (0.17) -0.0075 (-1.48) -0.0116 (-0.31)

PRICE

ABNRET

SIZE

MCTD

Constant

0.4398 (0.64) 0.0795

0.0707 (0.11) 0.0522

-1.3977*** (-2.80) 0.0079

-9.0277*** (-4.75) 0.2455

-0.4444 (-0.66) 0.0135

t 0.3745 (0.47) 1.3503 (0.59) -0.1459 (-0.86) 0.6181 (1.60) 0.0519* (4.52) 0.4121* (4.65) -0.9142* (-2.74) -4.0884* (-5.99) -31.5813 (-0.48) 0.6791 (0.53) -3.3499 (-1.13) 0.3494

MODEL 3 t-1 -0.6862 (-0.70) 6.9979* (2.65) -0.2579 (-1.29) 0.3009 (0.72) -0.0086 (-0.94) 0.5854* (5.22) 0.4492 (1.28) -6.5132* (-7.97) -219.1499* (-3.16) 4.0538* (2.63) -15.6830* (-4.76) 0.3837

t-2 -0.8385 (-0.99) 5.8409* (2.96) -0.0801 (-0.47) 0.0828 (0.21) -0.0146 (-2.24) 0.0647 (1.17) 0.3998 (1.27) -0.8226* (-1.83) -115.0189* (-2.72) 3.4246* (3.20) -8.2564*** (-3.00) 0.1013

Pseudo R2

-3.8804*** (-2.94) 0.1979

Bảng B

Bảng 4.3: Kết quả hồi quy Logit cho 5 mô hình

t

MODEL 4 t-1

t-2

MODEL 5 t-1

t-2

t

TFOTL

TLTA

NOCREDINT

COVERAGE

CPI

TBILL

PRICE

ABNRET

SIZE

MCTD

Constant

-1.1621*** (-5.30) -3.3459*** (-6.23) 4.1777 (0.21) -0.4235 (-0.89) 9.6127*** (5.05) 0.2601

0.2250 (1.03) -5.2702*** (-8.88) -58.3772 (-1.07) -0.4244 (-0.86) -3.3615* (-1.77) 0.2464

0.0497*** (4.65) 0.4002*** (4.91) -0.8006*** (-3.53) -4.0689*** (-6.31) -23.7542 (-0.46) -0.1578 (-0.33) -3.3988 (-1.20) 0.3460

-0.0103 (-1.41) 0.4137*** (5.87) 1.0271*** (3.81) -6.5323*** (-8.88) -132.4363*** (-2.35) -0.7617 (-1.48) -13.8492*** (-4.70) 0.3403

-0.0122** (-2.21) 0.0116 (0.25) 0.8302*** (3.41) -0.6667* (-1.69) -103.3916** (-2.03) -0.3771 (-0.81) -0.5475*** (-3.12) 0.0552

0.9182*** (4.50) -0.6759* (-1.77) -109.0843*** (-2.16) -0.3060 (-0.67) -9.5090*** (-5.30) 0.0481

Pseudo R2

4.4. Đánh giá mô hình

Để đánh giá thành quả mô hình, tác giả dựa trên một số tiêu chí sau:

 Sử dụng R2:

Để đánh giá độ phù hợp của mô hình hồi quy Logit, các giá trị R2 như trong hồi

quy OLS không thể sử dụng được bởi vì các ước lượng từ mô hình hồi quy Logit là các

ước lượng Maximum Likelihood, không phải chúng được tính toán để tối thiếu hóa

phương sai. Chính vì vậy cách tiếp cận OLS để đánh giá độ phù hợp của mô hình

không thể áp dụng được. Vì vậy, những nghiên cứu sau này đã phát triển ra một số tiêu chí khác để đánh giá độ phù hợp của mô hình Logit như Cox & Snell R2 và Nagelkerke R2 cũng như một số tiêu chí khác. Trong luận văn này, tác giả sử dụng 2 tiêu chí là Cox & Snell R2 và Nagelkerke R2. Cả 2 tiêu chí này đều đánh giá sự cải thiện của mô hình hồi quy Logit so với mô hình chỉ có hệ số chặn. Tuy nhiên, tiêu chí Cox & Snell R2 có giá trị lớn nhất không phải bằng 1 mà là nhỏ hơn 1, cụ thể là 1 – L(MIntercept)2/N, bởi vì

khi mô hình dùng để dự báo là hoàn hảo tức là L(MFull) = 1. Trong khi đó, tiêu chí Nagelkerke R2 điều chỉnh Cox & Snell R2 và hướng tới giá trị cao nhất là 1. Ngoài ra,

có thể dùng một số tiêu chí khác để đánh giá độ phù hợp của mô hình và có thể tham

khảo thêm trong một số tài liệu nghiên cứu liên quan. Tiêu chí Cox & Snell R2:

Tiêu chí Nagelkerke R2:

Trong luận văn này, Cox & Snell R2 và Nagelkerke R2 dùng để so sánh sự gia

tăng hay sụt giảm một cách tương đối trong thành quả giữa các mô hình. Kết quả trong

bảng 4.4 chỉ ra rằng giá trị của 2 tiêu chí này giảm dần qua các mô hình tại các thời

điểm khác nhau t, t-1, t-2. Vì vậy, khả năng dự đoán của các mô hình chỉ trong thời gian ngắn. Tuy nhiên, tác giả vẫn nhận thấy các giá trị R2 tại các thời điểm và ngay cả

thời điểm t-2 đều cao hơn nhiều so với các mô hình còn lại. Điều đó hàm ý rằng một sự

kết hợp giữa 3 nhóm biến lại với nhau đưa ra một khả năng dự đoán xác suất xảy ra

kiệt quệ tài chính tốt hợp và phù hợp hơn. Thành quả của các mô hình được xếp theo

thứ tự như sau từ cao đến thấp hơn: mô hình 3, mô hình 5, mô hình 4, mô hình 2 và mô

hình 1. Mô hình có sự kết hợp 3 nhóm biến vẫn là tốt nhất, sau đó đến sự kết hợp giữa

biến thị trường và biến vĩ mô, tiếp theo là mô hình chỉ có biến thị trường, tiếp theo là

mô hình kết hợp biến kế toán và biến vĩ mô, và cuối cùng là mô hình chỉ có biến kế

toán. Điều này cho tác giả nhận thấy một sự kết hợp giữa các biến luôn giúp thành quả

mô hình đạt được tốt hơn, và thứ hai đó là biến thị trường có khả năng giúp dự báo xác

suất xảy ra kiệt quệ tài chính tốt hơn cả biến kế toán và biến vĩ mô. Chính vì vậy, nếu

chỉ quan tâm nhiều vào biến kế toán như các nghiên cứu trước đây thì khả năng dự báo

xác suất xảy ra kiệt quệ tài chính trong mẫu nghiên cứu tại Việt Nam là rất hạn chế.

 Kiểm định độ phù hợp Hosmer & Lemeshow:

Kiểm định này dựa theo nghiên cứu của Ragavan (2008) khi phân chia các quan

sát thành 10 nhóm có kích thước như nhau dựa trên các phân vị xác suất được ước

lượng. Sự khác biệt giữa số lượng quan sát kỳ vọng và số lượng quan sát quan sát thấy

được trong các nhóm này được tóm lại trong thống kê 2 Pearson và so sánh với 2 (8).

Do đó, giá trị 2 thấp (<15) và P value lớn (>0.05) thể hiện rằng mô hình hiệu quả và

phù hợp để dự báo hành vi của dữ liệu.

Kết quả kiểm định đạt được chỉ ra rằng toàn bộ các mô hình, ngoại trừ mô hình

thứ hai, đều có giá trị 2 < 15 và P value > 0.05. Đối với mô hình thứ hai, p value gần

như bằng 0 và giá trị 2 > 15 rất nhiều. Chính vì vậy, nếu dùng mô hình thứ hai bao

gồm biến kế toán và biến vĩ mô thì không tốt trong việc giúp gia tăng khả năng dự báo

xác suất xảy ra kiệt quệ tài chính tại các thời điểm t, t-1 và t-2. Tuy nhiên, cũng có thể

nhận thấy rằng việc kết hợp biến thị trường với biến vĩ mô lại là một mô hình đủ tốt

giúp dự báo xác suất xảy ra kiệt quệ tài chính. Một lần nữa, tác giả có thể nhận thấy

tầm quan trọng của biến thị trường trong nghiên cứu này trên thị trường Việt Nam.

 Phân tích đường ROC:

Khu vực dưới đường ROC (AUC) là một thước đo trực tiếp và phù hợp của tính

chính xác trong dự báo của các mô hình được phát triển bằng việc sử dụng phương

pháp luận logit. DeLong, DeLong, và Clarke-Pearson (1988) cho rằng “khi một kiểm

định dựa trên một biến quan sát được mà nằm trên một thang đo liên tục, thì việc đánh

giá toàn bộ giá trị kiểm định có thể được thực hiện thông qua việc sử dụng đường

ROC.” Hơn nữa, Altman và cộng sự (2010) lập luận rằng “Khu vực dưới đường cong

ROC là một thước đo tính chính xác trong dự báo của mô hình, với giá trị 1 đại diện

cho một mô hình hoàn hảo.”

Hệ số tương quan xếp hạng Gini: theo Anderson (2007), hệ số xếp hạng Gini

được các nhà phân tích sử dụng như một thước đo dùng để phân biệt giữa 2 hàm phân

phối tích lũy thực nghiệm (tốt và tệ) trong đó kết quả cuối cùng là một giá trị đại diện

cho khu vực nằm dưới đường ROC. Một thuận lợi của kiểm định này đó là dễ dàng

tính toán và giải thích vì nó xuất phát từ AUC. Hệ số Gini tương tự với AUC, nhưng

khác biệt ở chỗ hệ số Gini chỉ tính toán cho khu vực nằm giữa đường cong Lorenz và

đường chéo, trong khi AUC tính toán bằng toàn khu vực nằm dưới đường cong. Hệ số

Gini bằng hoặc trên 50% được dùng như là một điểm tham chiếu bởi các nhà phân tích

như được thảo luận trong Anderson (2007). Trong luận văn này, hệ số Gini được dùng

để kiểm định xem tính nhất quán với các thước đo khác. Hệ số Gini được tính toán

bằng cách: (2*AUC) – 1 (theo Altman và cộng sự, 2010). Một mô hình hoàn hảo khi

hệ số Gini bằng 1.

Thông qua các giá trị AUC, tác giả nhận thấy một sự đồng nhất như các kết luận

được đề cập bên trên. AUC gia tăng theo các mô hình: mô hình 1 (chỉ có nhóm biến kế

toán), mô hình 2 (có nhóm biến kế toán và nhóm biến vĩ mô), mô hình 4 (chỉ có nhóm

biến thị trường), mô hình 5 (có nhóm biến thị trường và nhóm biến vĩ mô), và cuối

cùng là mô hình 3 (có nhóm biến kế toán, nhóm biến vĩ mô và nhóm biến thị trường).

Bên cạnh đó, tác giả cũng nhận thấy giá trị AUC giảm dần lần lượt theo các thời điểm

t, t-1, t-2, hàm ý rằng trong tất cả các mô hình có khả năng dự báo kiệt quệ tài chính

càng xa thời điểm xảy ra kiệt quệ tài chính càng giảm mạnh khả năng dự báo. Một

ngoại lệ cần chú ý khi phân tích AUC đó là rõ ràng mô hình 1 và 2 khả năng dự báo

kiệt quệ tài chính càng kém khi càng xa thời điểm xảy ra kiệt quệ tài chính trong tất cả

các thời điểm t, t-1, t-2. Tuy nhiên, khả năng dự báo kiệt quệ tài chính gia tăng từ thời

điểm t qua thời điểm t-1 trong 3 mô hình: mô hình 3, mô hình 4, và mô hình 5, mặc dù

cũng sụt giảm khả năng dự báo khi từ thời điểm t-1 sang thời điểm t-2.

Các mô hình từ mô hình 2 đến mô hình 5 tại các thời điểm t và t-1 có hệ số Gini

lớn hơn 50%. Các mô hình từ mô hình 2 đến mô hình tại thời điểm t-2 cũng như mô

hình 1 tại các thời điểm t, t-1, t-2 đều có hệ số Gini nhỏ hơn 50%. Điều này phù hợp

với tất cả các thảo luận ở trên. Hệ số Gini cũng đã khẳng định một lần nữa về ngoại lệ

được đề cập ở trên AUC.

Bảng 4.4: Kết quả đánh giá mô hình

MODEL 1 t-1 0.6654 0.3308

t 0.7030 0.406

t-2 0.5598 0.1196

t 0.8258 0.6516

MODEL 2 t-1 0.8049 0.6098

t-2 0.5857 0.1714

t 0.8726 0.7452

MODEL 3 t-1 0.8949 0.7898

t-2 0.7204 0.4408

t 0.8305 0.661

MODEL 4 t-1 0.8345 0.669

t-2 0.6411 0.2822

t 0.8703 0.7406

MODEL 5 t-1 0.8724 0.7448

t-2 0.6574 0.3148

0.0522 0.081

0.0795 0.119

0.0079 0.013

0.2455 0.341

0.1979 0.286

0.0135 0.022

0.3494 0.469

0.3837 0.515

0.1013 0.160

0.2601 0.366

0.2464 0.356

0.0481 0.079

0.3460 0.466

0.3403 0.468

0.0552 0.090

AUC GINI RANK COEFFICIENT COX & SNELL ’S R2 NAGELKERKE’S R2 HOSMER & LEMESHOW GOODNESS–OF–FIT TEST Giá trị 2 (8) p

3.18 0.9224

9.55 0.2982

7.93 0.4408

42.08 0.0000

31.14 0.0001

25.39 0.0013

7.54 0.4797

11.43 0.1784

10.95 0.2044

6.16 0.6289

13.89 0.0846

10.37 0.2398

8.22 0.4121

2.58 0.9581

9.90 0.2720

 Kiểm định Mann-Whitney U-Statistics:

Để thực hiện so sánh giữa các đường ROC của các mô hình, tác giả thực hiện

kiểm định phi tham số Mann-Whitney U-Statistics. Kiểm định này được thực hiện dựa

theo DeLong và cộng sự (1988) và do đó xem xét bản chất tương quan của dữ liệu nảy

sinh khi xây dựng hai hay nhiều đường cong thực nghiệm bằng cách sử dụng các kiểm

định được thực hiện trên bộ mẫu các công ty như nhau. Việc so sánh các đường ROC

đã được thực hiện trong các nghiên cứu trước đây, nhưng một khó khăn trong việc

kiểm định này đó là đòi hỏi số quan sát như nhau trong các biến trong các mô hình

khác nhau. Chính vì vậy, đôi lúc một số giá trị tốt trong biến này có thể bị bỏ qua khi

các biến khác thiếu giá trị (missing value), và dẫn đến có thể kết quả tính toán ROC

tổng hợp của các mô hình không còn nhất quán như khi thực hiện hồi quy các mô hình

riêng lẻ. Giả thuyết vô hiệu của kiểm định là Khu vực dưới đường cong ROC là như

nhau. Giả thuyết này bị bác bỏ khi giá trị p value < 0.05, thể hiện rằng khu vực dưới

đường cong ROC của các mô hình là khác nhau và do đó sẽ xác nhận độ tin cậy của

các kết quả đạt được.

Kết quả kiểm định như trong bảng 4.5 đã chỉ ra rằng 5 mô hình tại 3 thời điểm

khác nhau t, t-1, t-2 có AUC khác biệt và vì vậy kết quả cũng như phân tích từ các kết

quả đạt được là đáng tin cậy.

Bảng 4.5: Kết quả kiểm định Mann-Whitney U-Statistics

2 (4)

Mô hình tại thời điểm p

67.86 0.0000 t

105.72 0.0000 t-1

30.95 0.0000 t-2

Hình 4.1: ROC cho 5 mô hình tại thời điểm t

Hình 4.2: ROC cho 5 mô hình tại thời điểm t-1

Hình 4.3: ROC cho 5 mô hình tại thời điểm t-2

4.5. Phân tích tác động biên

Các tham số được ước lượng từ mô hình hồi quy biến nhị phân này khác với các

tham số được ước lượng từ mô hình hồi quy tuyến tính là không thể giải thích một cách

trực tiếp được, bởi vì nó không cung cấp thông tin hữu ích mô tả đầy đủ mối quan hệ

giữa biến độc lập và biến phụ thuộc (Long & Freese, 2003). Các hệ số ước lượng được

từ các mô hình không thể giúp giải thích tác động của các biến riêng lẻ lên biến kết quả

của mô hình bởi vì bản chất phi tuyến của nó. Chính vì vậy, trong phần này tác giả

phân tích thêm tác động biên. Tác động biên phản ánh thay đổi của một biến đặc trưng

lên biến phản ứng (kiệt quệ tài chính) trong khi giữ tất cả các biến độc lập khác không

đổi.

Kết quả tác động biên thể hiện trong bảng 4.6. Việc giải thích tác động biên giống

như nhau giữa các mô hình. Trong luận văn này, tác giả sẽ sử dụng mô hình 3 làm đại

diện để phân tích với việc tập hợp đầy đủ 3 nhóm biến với nhau trong cùng 1 mô hình

và là một mô hình tốt nhất trong 5 mô hình hồi quy.

 Đối với nhóm biến kế toán: ở đây tác giả đơn cử phân tích tác động biên của

biến TLTA khi nó có ý nghĩa thống kê trong mô hình hồi quy. Khi biến TLTA,

giá trị TANH của biến tổng nợ trên tổng tài sản, gia tăng 1 đơn vị thì xác suất

xảy ra kiệt quệ tài chính gia tăng trung bình khoảng 8.4629% trong điều kiện

các biến độc lập khác không đổi.

 Đối với nhóm biến vĩ mô: tác giả nhận thấy khi biến CPI gia tăng 1 đơn vị thì

xác suất xảy ra kiệt quệ tài chính gia tăng trung bình khoảng 0.3255% trong

điều kiện các biến độc lập khác không đổi. Tương tự, khi biến TBILL gia tăng 1

đơn vị thì xác suất xảy ra kiệt quệ tài chính gia tăng trung bình khoảng 2.5831%

trong điều kiện các biến độc lập khác không đổi.

 Đối với nhóm biến thị trường: tác giả nhận thấy khi biến PRICE gia tăng 1 đơn

vị thì xác suất xảy ra kiệt quệ tài chính sụt giảm trung bình khoảng 5.73 % trong

điều kiện các biến độc lập khác không đổi. Khi biến ABNRET gia tăng 1 đơn vị

thì xác suất xảy ra kiệt quệ tài chính sụt giảm trung bình khoảng 25.6242%

trong điều kiện các biến độc lập khác không đổi. Khi biến SIZE gia tăng 1 đơn

vị thì xác suất xảy ra kiệt quệ tài chính sụt giảm trung bình khoảng 197.938%

trong điều kiện các biến độc lập khác không đổi. Khi biến MCTD gia tăng 1 đơn

vị thì xác suất xảy ra kiệt quệ tài chính gia tăng trung bình khoảng 4.2563%

trong điều kiện các biến độc lập khác không đổi. Qua đó, tác giả nhận thấy

nhóm biến thị trường có tác động biên mạnh lên xác suất xảy ra kiệt quệ tài

chính hơn các nhóm biến khác bao gồm biến kế toán cũng như biến vĩ mô.

Bảng 4.6: Tác động biên của các biến nghiên cứu

t -35.1635 -31.710 -5.8244 5.6412

MODEL 1 t-1 -26.6630 -23.1401 -5.4341 6.5703

t-2 -7.3900 17.3508 0.7846 1.0661

t - 15.4579 -8.2750 -2.0612 3.9564 0.3251 3.4683

MODEL 2 t-1 -16.8270 1.1849 -2.6053 5.8223 -0.0610 4.8800

t-2 -9.7579 12.6865 0.0334 1.2125 -0.1332 -0.2072

t 2.3474 8.4629 -0.9143 3.8738 0.3255 2.5831 -5.7300 -25.6242 -197.938 4.2563

t-2 -14.3782 100.1546 -1.3738 1.4197 -0.2496 1.1089 6.8552 -14.1049 -1972.227 58.7210

t -12.2233 -35.1929 43.9424 -4.4542

MODEL 4 t-1 2.7269 -63.8763 -707.5498 -5.1445

t-2 16.8827 -12.4277 -2005.698 -5.6271

t 0.3183 2.5642 -5.1303 -26.0734 -152.2149 -1.0113

MODEL 5 t-1 -0.0804 3.2173 7.9884 -50.8046 -1030.022 -5.9239

t-2 -0.2221 0.2128 15.1764 -12.1881 -1890.15 -6.8939

MODEL 3 t-1 2.3474 8.4629 -0.9143 3.8738 0.3255 2.5831 -5.7300 -25.6242 -197.938 4.2563

% TFOTL TLTA NOCREDINT COVERAGE CPI TBILL PRICE ABNRET SIZE MCTD

CHƯƠNG 5: KẾT LUẬN

5.1. Tóm lược kết quả nghiên cứu

Luận văn này dựa trên nghiên cứu của Hernandez Tinoco và Wilson (2013) nhằm

xem xét khả năng dự đoán xác suất xảy ra kiệt quệ tài chính của các doanh nghiệp tại

Việt Nam bằng 3 nhóm biến nghiên cứu: nhóm biến kế toán, nhóm biến vĩ mô và nhóm

biến thị trường. Đầu tiên là tác giả xác định tình trạng kiệt quệ tài chính của một doanh

nghiệp, tiếp đến là xác định các yếu tố ảnh hưởng đến khả năng doanh nghiệp rơi vào

tình trạng kiệt quệ tài chính và cuối cùng là xây dựng nên mô hình dự báo tốt từ 3

nhóm biến nghiên cứu khác nhau về khả năng rơi vào tình trạng kiệt quệ tài chính của

các doanh nghiệp. Đây chính điểm đặc biệt của luận văn so với các nghiên cứu trước

đây khi có sự kết hợp 3 nhóm biến nghiên cứu lại với nhau. Bên cạnh đó, luận văn này

cũng sử dụng hàm lượng giác TANH để lược bỏ đi các giá trị ngoại lai và khác biệt so

với các nghiên cứu khác trước đây khi dùng phương phương Winsor để lược bỏ.

Kết quả nghiên cứu đã chỉ ra rằng nhóm biến thị trường có tác động mạnh đến

khả năng dự báo xác suất xảy ra kiệt quệ tài chính, sau đó là nhóm biến vĩ mô và cuối

cùng là nhóm biến kế toán. Một sự kết hợp của cả 3 nhóm biến này vào trong một mô

hình đã làm gia tăng khả năng dự báo xác suất xảy ra kiệt quệ tài chính. Điều này đã

được thể hiện thông qua các kết quả hồi quy, các kiểm định đánh giá độ phù hợp của

mô hình cũng như phân tích tác động biên của các mô hình với nhau. Điều này đã hàm

ý cho một sự ủng hộ cho nghiên cứu này khi vai trò của 2 nhóm biến vĩ mô và thị

trường mạnh hơn so với nhóm biến kế toán mà các nghiên cứu khác trước đây chỉ quan

tâm và sử dụng đến nó.

5.2. Hạn chế của đề tài

Trong luận văn này vẫn còn một số hạn chế nhất định như được trình bày dưới

đây:

Thứ nhất, mẫu quan sát ở trong luận văn này có giai đoạn quan sát 9 năm và số

công ty trong mẫu chỉ có 73 công ty. Một mẫu quan sát lớn hơn về cả số năm quan sát

và số công ty trong mẫu sẽ giúp thuyết phục người đọc tốt hơn về các kết quả nghiên

cứu này và giúp kết quả nghiên cứu vững chắc hơn

Thứ hai, còn nhiều vấn đề cần phải cải thiện trong việc công bố thông tin của các

doanh nghiệp tại Việt Nam nên các dữ liệu tác giả thu thập được trong giai đoạn 2006-

2014 có thể chưa có độ tin cậy cao và có thể gặp phải một số sai sót ngoài dự kiến dẫn

đến kết quả ước lượng có thể bị sai lệch.

Thứ ba, kết quả nghiên cứu cũng có khả năng bị tác động bởi một số yếu tố bên

ngoài làm cho kết quả nghiên cứu có thể bị sai lệch như khủng hoảng kinh tế 2008

cũng như tình hình lãi suất gia tăng một cách bất ổn cũng trong giai đoạn quan sát.

Cuối cùng, trong quá trình xử lý dữ liệu có thể gặp phải một số sai sót ngoài

mong đợi và cũng sẽ ảnh hưởng đến kết quả nghiên cứu.

DANH MỤC TÀI LIỆU THAM KHẢO

DANH MỤC TÀI LIỆU TIẾNG VIỆT

Nguyễn Thị Ngọc Trang và cộng sự, 2008. Phân Tích Tài Chính. Hà Nội: Nhà

xuất bản Lao Động – Xã Hội.

Trần Ngọc Thơ và cộng sự, 2007. Tài chính doanh nghiệp hiện đại. Hồ Chí

Minh: Nhà xuất bản thống kê.

DANH MỤC TÀI LIỆU TIẾNG ANH

Agarwal, V., & Taffler, R., 2007. Twenty-five years of the Taffler z-score model:

Does it really have predictive ability? Accounting and Business Research, 37: 285–300.

Agarwal, V., & Taffler, R., 2008. Comparing the performance of market-based

and accounting-based bankruptcy prediction models. Journal of Banking & Finance,

32: 1541–1551.

Alexander, C., & Kaeck, A., 2008. Regime dependent determinants of credit

defaultswap spreads. Journal of Banking & Finance, 32: 1008–1021.

Altman, E. I., 1968. Financial ratios, discriminant analysis and the prediction of

corporate bankruptcy. Journal of Finance, 23: 589–609.

Altman, E. I, Haldeman, R. G., Narayanan, P., 1977. ZETA Analysis: A new

model to identify bankruptcy risk of corporations. Journal of Banking and Finance, 1:

29-54.

Altman, E. I., & Sabato, G., 2007. Modelling credit risk for SMEs: Evidence

from the U.S. market. Abacus, 43: 332–357.

Altman, E. I., Sabato, G., & Wilson, N., 2010. The value of non-financial

information in small and medium-sized enterprise risk management. The Journal of

Credit Risk, 6: 1–33.

Anderson, R., 2007. The credit scoring toolkit: Theory and practice for retail

credit risk management and decision automation. Oxford: Oxford University Press.

Andrade, G., & Kaplan, S. N., 1998. How costly is financial not economic

distress? Evidence from highly leveraged transactions that became distressed. Journal

of Finance, 53: 1443–1493.

Asquith, P., Gertner, R., & Scharfstein, D., 1994. Anatomy of financial distress:

An examination of junk-bond issuers. Quarterly Journal of Economics, 109: 625–658.

Balcaen, S., & Ooghe, H., 2004. 35 years of studies on business failure: An

overview of the classic statistical methodologies and their related problems. Vlerick

Leuven Gent working paper series 15.

Barnes, P., 1987. The analysis and use of financial ratios: A review article.

Journal of Business Finance & Accounting, 14: 449–461.

Barnes, P., 1990. The prediction of takeover targets in the U.K. by means of

multiple discriminant analysis. Journal of Business Finance & Accounting, 17: 73–84.

Beaver, W. H., 1966. Financial ratios as predictors of failure. Journal of

Accounting Research, 4: 71–111.

Beaver, W. H., 1968. Market Prices, Financial Ratios, and the Prediction of

Failure. Journal of Accounting Research, 6: 79–92.

Beaver, W. H., McNichols, M. F., & Rhie, J. -W., 2005. Have financial

statements become less informative? Evidence from the ability of financial ratios to

predict bankruptcy. Review of Accounting Studies, 10: 93–122.

Bharath, S. T., & Shumway, T., 2008. Forecasting default with the Merton

distance to default model. Review of Financial Studies, 21: 1339–1369.

Black, F., & Scholes, M., 1973. The pricing of options and corporate liabilities.

Journal of Political Economy, 81: 637–654.

Campbell, J. Y., Hilscher, J., & Szilagyi, J. A. N., 2008. In search of distress risk.

Journal of Finance, 63: 2899–2939.

Chava, S., & Jarrow, R. A., 2004. Bankruptcy prediction with industry effects.

Review of Finance, 8: 537–569.

Christidis, A., & Gregory, A., 2010. Some new models for financial distress

prediction in the UK. Xfi centre for finance and investment discussion paper no. 10.

DeLong, E. R., DeLong, D. M., & Clarke-Pearson, D. L., 1988. Comparing the

areas under two or more correlated receiver operating characteristic curves: A

nonparametric approach. Biometrics, 44: 837–845.

Dichev, I. D., 1998. Is the risk of bankruptcy a systematic risk? Journal of

Finance, 53: 1131–1147.

Fama, E.F., French, K.R., 1992. The cross-section of expected stock returns.

Journal of Finance, 47: 427–465.

Godfrey, M. D., 2009. The TANH transformation. Information Systems

Laboratory, Stanford University.

Graham, A., 2000. Corporate credit analysis. London: Fitzroy Dearborn

Publishers.

Hernandez Tinoco, M., & Wilson, N., 2013. Financial distress and bankruptcy

prediction among listed companies using accounting, market and macroeconomic

variables. International Review of Financial Analysis, 30: 394-419.

Hillegeist, S. A., Keating, E. K., Cram, D. P., & Lundstedt, K. G., 2004.

Assessing the probability of bankruptcy. Review of Accounting Studies, 9: 5–34.

Keasey, K., & Watson, R., 1991. Financial distress prediction models: A review

of their usefulness. British Journal of Management, 2: 89–102.

Long, J. S., & Freese, J., 2003. Regression models for categorical dependent

variables using Stata. College Station, Texas: Stata Press.

Marais, D. A. J., 1979. A method for quantifying companies' relative financial

strength. Bank of England discussion paper no. 4.

Mare, D. S., 2012. Contribution of macroeconomic factors to the prediction of

small bank failures. Paper presented at 4th International IFABS Conference, Valencia,

Spain.

Merton, R. C., 1974. On the pricing of corporate debt: The risk structure of

interest rates. Journal of Finance, 29: 449–470.

Nam, C. W., Kim, T. S., Park, N. J., & Lee, H. K., 2008. Bankruptcy prediction

using a discrete-time duration model incorporating temporal and macroeconomic

dependencies. Journal of Forecasting, 27: 493–506.

Ohlson, J. A., 1980. Financial ratios and the probabilistic prediction of

bankruptcy. Journal of Accounting Research, 18: 109–131.

Pindado, J., Rodrigues, L., & De la Torre, C., 2008. Estimating financial distress

likelihood. Journal of Business Research, 61: 995–1003.

Qu, Y., 2008. Macroeconomic factors and probability of default. European

Journal of Economics, Finance and Administrative Sciences, 192–215.

Ragavan, A. J., 2008. How to use SASR to fit multiple logistic regression models.

Department of Mathematics and Statistics of the University of Nevada, Paper 369.

Rees, W. P., 1995. Financial analysis. London: Prentice-Hall.

Reisz, A. S., & Perlich, C., 2007. A market-based framework for bankruptcy

prediction. Journal of Financial Stability, 3: 85–131.

Shumway, T., 2001. Forecasting bankruptcy more accurately: A simple hazard

model. Journal of Business, 74: 101–124.

Taffler, R., 1983. The assessment of company solvency and performance using a

statistical model. Accounting and Business Research, 13: 295–307.

Trujillo-Ponce, A., Samaniego-Medina, R., & Cardone-Riportella, C., 2014.

Examining what best explains corporate credit risk: Accounting-based versus market-

based models. Journal of Business Economics and Management, 15: 253-276.

Vassalou, M., & Xing, Y., 2004. Default risk in equity returns. Journal of

Finance, 59: 831–868.

Whitaker, R., 1999. The early stages of financial distress. Journal of Economics

and Finance, 23: 123–132.

Wruck, K. H., 1990. Financial distress, reorganization, and organizational

efficiency. Journal of Financial Economics, 27: 419–444.

Zmijewski, M. E., 1984. Methodological issues related to the estimation of

financial distress prediction models. Journal of Accounting Research, 22: 59–82.

PHỤ LỤC

Danh sách các công ty niêm yết trong mẫu quan sát

Tên công ty niêm yết CTCP xuất nhập khẩu thủy sản Bến Tre CTCP xuất nhập khẩu thủy sản An Giang CTCP Bibica CTCP đường Biên Hòa CTCP khoáng sản Bình Định CTCP nhựa Bình Minh CTCP beton 6 CTCP đầu tư hạ tầng kỹ thuật TPHCM CTCP Cát Lợi CTCP vật tư-xăng dầu CTCP gạch men Chang Yih CTCP tấm lợp vật liệu xây dựng Đồng Nai CTCP Hóa An CTCP dược Hậu Giang CTCP đầu tư và thương mại DIC CTCP xuất nhập khẩu y tế DOMESCO CTCP cao su Đà Nẵng CTCP kỹ nghệ Đô Thành CTCP thực phẩm Sao Ta CTCP FPT CTCP sản xuất thương mại may Sài Gòn CTCP đại lý liên hiệp vận chuyển CTCP sản xuất kinh doanh xuất nhập khẩu Bình Thạnh CTCP tập đoàn HAPACO CTCP HACISCO CTCP dịch vụ ôtô hàng xanh CTCP xây dựng và kinh doanh địa ốc Hòa Bình CTCP kim khí TPHCM CTCP cao su Hòa Bình Mã CP ABT AGF BBC BHS BMC BMP BT6 CII CLC COM CYC DCT DHA DHG DIC DMC DRC DTT FMC FPT GMC GMD GIL HAP HAS HAX HBC HMC HRC

CTCP vận tải Hà Tiên CTCP dược phẩm Imexpharm CTCP đầu tư và công nghiệp Tân Tạo CTCP Kinh Đô CTCP xuất nhập khẩu Khánh Hội CTCP điện lực Khánh hòa CTCP chế biến hàng xuất khẩu Long An CTCP khoáng sản và vật liệu xây dựng Lâm Đồng CTCP cơ khí - điện Lữ Gia CTCP in và bao bì Mỹ Châu CTCP hàng hải Hà Nội CTCP Nam Việt CTCP giống cây trồng trung ương CTCP pin ắc quy miền nam Tổng công ty Gas Petrolimex - CTCP CTCP vận tải xăng dầu đường thủy Petrolimex CTCP văn hóa Phương Nam Tổng CTCP khoan và dịch vụ khoan dầu khí CTCP bóng đèn phích nước Rạng Đông CTCP cơ điện lạnh CTCP đầu tư và phát triển Sacom CTCP hợp tác kinh tế và xuất nhập khẩu Savimex CTCP nước giải khát Chương Dương CTCP nhiên liệu Sài Gòn CTCP đại lý vận tải Safi CTCP thủy điện Cần Đơn CTCP đầu tư phát triển đô thị và khu công nghiệp Sông Đà CTCP đầu tư thương mại SMC CTCP giống cây trồng miền Nam CTCP dầu thực vật Tường An CTCP công nghiệp gốm sứ TAICERA CTCP phát triển nhà Thủ Đức CTCP Transimex-Saigon CTCP thuương mại xuất nhập khẩu Thiên Nam HTV IMP ITA KDC KHA KHP LAF LBM LGC MCP MHC NAV NSC PAC PGC PJT PNC PVD RAL REE SAM SAV SCD SFC SFI SJD SJS SMC SSC TAC TCR TDH TMS TNA

CTCP thủy sản số 4 CTCP bao bì nhựa Tân Tiến CTCP dây và cáp điện Taya Việt Nam CTCP đầu tư và phát triển thương mại Viễn Đông CTCP vận tải xăng dầu Vipco CTCP thép Việt Ý CTCP sữa Việt Nam CTCP bao bì dầu thực vật CTCP thủy điện Vĩnh Sơn Sông Hinh CTCP Viettronics Tân Bình TS4 TTP TYA VID VIP VIS VNM VPK VSH VTB