Luận văn Thạc sĩ Kinh tế: Xây dựng mô hình logit dự báo sớm tình hình tài chính cho các doanh nghiệp Việt Nam và kiểm định lại tính hiệu quả thông qua mô hình bao dữ liệu DEA

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:97

Thêm vào BST

Báo xấu

22
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Các vấn đề xảy ra trong tình huống này là các chỉ số tài chính được điều khiển và thao túng bởi các nhân viên cấp quản lý của công ty, và do đó, chỉ sử dụng các chỉ số tài chính không thể đảm bảo độ tin cậy của các mô hình. Để xử lý vấn đề này, bài viết phát triển mô hình logit mới có độ chính xác khá tốt trong dự báo. Mời các bạn cùng tìm hiệu nội dung luận văn.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Kinh tế: Xây dựng mô hình logit dự báo sớm tình hình tài chính cho các doanh nghiệp Việt Nam và kiểm định lại tính hiệu quả thông qua mô hình bao dữ liệu DEA

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM ------------ Nguyễn Thy Phương XÂY DỰNG MÔ HÌNH LOGIT CẢNH BÁO SỚM TÌNH HÌNH TÀI CHÍNH CHO CÁC DOANH NGHIỆP VIỆT NAM VÀ KIỂM ĐỊNH LẠI TÍNH HIỆU QUẢ THÔNG QUA MÔ HÌNH BAO DỮ LIỆU DEA LUẬN VĂN THẠC SĨ KINH TẾ TP.Hồ Chí Minh – Năm 2014
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM ------------ Nguyễn Thy Phương XÂY DỰNG MÔ HÌNH LOGIT CẢNH BÁO SỚM TÌNH HÌNH TÀI CHÍNH CHO CÁC DOANH NGHIỆP VIỆT NAM VÀ KIỂM ĐỊNH LẠI TÍNH HIỆU QUẢ THÔNG QUA MÔ HÌNH BAO DỮ LIỆU DEA Chuyên ngành: Tài chính – Ngân hàng Mã số: 60340201 LUẬN VĂN THẠC SĨ KINH TẾ NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS TRẦN NGỌC THƠ TP.Hồ Chí Minh – Năm 2014
LỜI CAM ĐOAN Tôi xin cam đoan luận văn Thạc Sĩ Kinh Tế “Xây dựng mô hình logit dự báo sớm tình hình tài chính cho các doanh nghiệp Việt Nam và kiểm định lại tính hiệu quả thông qua mô hình bao dữ liệu DEA” là công trình nghiên cứu của riêng tôi, có sự hỗ trợ từ người hướng dẫn khoa học là GS.TS. Trần Ngọc Thơ, và chưa từng được công bố trước đây. Các số liệu được sử dụng để phân tích, đánh giá trong luận văn có nguồn gốc rõ ràng và được tổng hợp từ những nguồn thông tin đáng tin cậy. Nội dung luận văn đảm bảo không sao chép bất cứ công trình nghiên cứu trong nước nào khác. TP. HCM, ngày 16 tháng 10 năm 2014 Tác giả Nguyễn Thy Phương
MỤC LỤC TRANG PHỤ BÌA LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC HÌNH DANH MỤC CÁC BẢNG TÓM TẮT ..................................................................................................................5 CHƯƠNG 1: GIỚI THIỆU ......................................................................................2 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT ........................................................................6 2.1. Mô hình dựa trên phân tích phân biệt ...............................................................6 2.1.1. Phân tích phân biệt đơn biến của Beaver (1966)........................................7 2.1.2. Mô hình Z-score của Altman (1968) ..........................................................9 2.2. Mô hình phân tích logit...................................................................................11 2.2.1. Mô hình phân tích logit của Ohlson (1980) .............................................11 2.2.2. Mô hình phân tích logit của Shuangjie Li, Shao Wang (2014) ................13 2.3. Mô hình phân tích bao dữ liệu DEA (Data Envelopment Analysis) ..............15 2.3.1. Sơ lược về sự hình thành, quá trình phát triển của phương pháp phân tích bao dữ liệu (DEA) ..............................................................................................15 2.3.2. Mô hình DEA trong nghiên cứu của của Shuangjie Li, Shao Wang (2014) ............................................................................................................................19 CHƯƠNG 3: XÂY DỰNG MÔ HÌNH LOGIT ....................................................23 3.1. Chỉ số và dữ liệu .............................................................................................23 3.2. Mô hình logit cảnh báo sớm về tài chính .......................................................49 3.3. Kiểm định trong mẫu ......................................................................................50
3.4. Kiểm định ngoài mẫu......................................................................................54 CHƯƠNG 4: XÁC MINH TÍNH HIỆU QUẢ QUA MÔ HÌNH PHÂN TÍCH BAO DỮ LIỆU (DEA) ............................................................................................60 4.1. Kiểm định trong mẫu ......................................................................................62 4.2. Kiểm định ngoài mẫu......................................................................................65 CHƯƠNG 5: KẾT LUẬN ......................................................................................71 TÀI LIỆU THAM KHẢO PHỤ LỤC Phụ lục 1: Danh sách 50 công ty trong mẫu nghiên cứu Phụ lục 2: Danh sách 50 công ty ngoài mẫu nghiên cứu
DANH MỤC CÁC TỪ VIẾT TẮT DEA – Mô hình phân tích bao dữ liệu DA – Phân tích phân biệt HNX – Sàn giao dịch chứng khoán Hà Nội HoSE – Sở giao dịch chứng khoán Thành Phố Hồ Chí Minh
DANH MỤC CÁC HÌNH Hình Trang Hình 3.1: Phân phối xác suất dự báo của mô hình logit ........................................... 54
DANH MỤC CÁC BẢNG Bảng Trang Bảng 2.1: Kết quả dự báo của mô hình Altman (1968) ............................................10 Bảng 2.2: So sánh kết quả của mô hình ZETA (1977) và mô hình Z-score của Altman (1968) ...........................................................................................................11 Bảng 2.3: Tương tự quan giữa chỉ số mô hình logit và chỉ số hiệu quả ...................21 Bảng 2.4: Gán điểm đánh giá tính hiệu quả dự báo của mô hình logit .....................22 Bảng 3.1: Mô tả biến của nhóm công ty ST..............................................................24 Bảng 3.2: Mô tả biến của nhóm công ty bình thường ...............................................36 Bảng 3.3: Mô tả thống kê của nhóm công ty ST.......................................................47 Bảng 3.4: Mô tả thống kê của nhóm công ty bình thường ........................................48 Bảng 3.5: Kết quả mô hình logit ...............................................................................50 Bảng 3.6: Kết quả dự báo của mô hình logit cho 50 công ty trong mẫu ..................50 Bảng 3.7: Kết quả dự báo của mô hình logit cho 50 công ty ngoài mẫu ..................55 Bảng 3.8: Mô tả phân tích ACC ................................................................................58 Bảng 3.9: TPR và FPR ..............................................................................................59 Bảng 4.1: Tương tự quan giữa các chỉ số mô hình logit và chỉ số hiệu quả .............62 Bảng 4.2: Kết quả dự báo của mô hình DEA cho 50 công ty trong mẫu .................62 Bảng 4.3: Kết quả dự báo của mô hình DEA cho 50 công ty trong mẫu .................66 Bảng 4.4: Số thứ tự các công ty có dự báo lệch ........................................................70
1 TÓM TẮT Các mô hình cảnh báo sớm về tài chính nhằm mục đích giúp các công ty nhận ra cuộc khủng hoảng tài chính và làm giảm các rủi ro tài chính từ các thông điệp của mô hình. Các mô hình cảnh báo hiện nay chủ yếu được xây dựng trên một hệ thống các chỉ số tài chính và độ chính xác của dự báo chỉ được xác nhận qua các chỉ số tài chính chứ không phải là các chỉ số phi tài chính. Các vấn đề xảy ra trong tình huống này là các chỉ số tài chính được điều khiển và thao túng bởi các nhân viên cấp quản lý của công ty, và do đó, chỉ sử dụng các chỉ số tài chính không thể đảm bảo độ tin cậy của các mô hình. Để xử lý vấn đề này, bài viết phát triển mô hình logit mới có độ chính xác khá tốt trong dự báo. Quan trọng hơn, tác giả đề xuất một phương pháp mới để xác minh độ chính xác dự báo của mô hình logit bằng cách sử dụng các chỉ số hiệu quả phi tài chính vào mô hình phân tích bao dữ liệu (DEA). Một nghiên cứu thực nghiệm trên bộ dữ liệu các công ty Việt Nam cho thấy rằng mức độ dự đoán chính xác của mô hình đề xuất trong và ngoài mẫu lần lượt là 88% và 80%, một kết quả tương đối cao. Và sử dụng các chỉ số hiệu quả phi tài chính để kiểm định lại kết quả dự đoán của mô hình logit trong và ngoài mẫu tương ứng là 72% và 66%. Kết quả cho thấy rằng mô hình logit đề xuất cảnh báo sớm về tài chính khá chính xác và ổn định; phương pháp tiếp cận trong đó sử dụng các chỉ số hiệu quả phi tài chính để xác minh lại các kết quả của mô hình logit dự báo về tài chính đã đảm bảo đáng kể độ tin cậy của mô hình.
2 CHƯƠNG 1: GIỚI THIỆU Cuộc khủng hoảng kinh tế tài chính gây nên những tổn thất to lớn trên thế giới hiện nay đang thu hút sự quan tâm không chỉ của chính phủ các nước mà còn của giới nghiên cứu trên toàn thế giới. Cuộc khủng hoảng kinh tế đã và đang được mổ xẻ, phân tích từ nhiều góc độ khác nhau. Các công ty trên toàn thế giới đã nhận thấy các chỉ số tài chính của họ đã xấu đi rất nhiều trước khi áp dụng các biện pháp cải thiện tài chính và thường mất cảnh giác, dẫn tới phá sản. Ngày nay, nhiều người nhận ra rằng các công ty cần phải được xây dựng một hệ thống dự báo rủi ro tài chính để nhận ra cuộc khủng hoảng sắp đến, có những hành động ngay tại thời điểm bắt đầu và để ngăn chặn sự suy giảm hơn nữa. Một phần chính của việc xây dựng một hệ thống dự báo rủi ro tài chính là xây dựng mô hình dự báo rủi ro tài chính. Việc dự báo này không chỉ có ý nghĩa đối với doanh nghiệp, cổ đông, nhà quản lý, mà còn có ý nghĩa đặc biệt đối với nhà đầu tư, chủ nợ, chính phủ, người lao động… Ở Việt Nam, trong những năm qua, với tình hình kinh tế biến động không ngừng, số lượng doanh nghiệp trong nước lâm vào tình trạng khó khăn dẫn đến phá sản liên tục gia tăng. Chi phí của nó gây ra cho nền kinh tế là không hề nhỏ. Trước tình hình này, một mô hình dự báo về tài chính phù hợp cho các doanh nghiệp Việt Nam là một nhu cầu thực sự bức thiết nhằm giúp các doanh nghiệp phát hiện sớm hoặc cảnh báo sớm khả năng rơi vào kiệt quệ và phá sản để tránh nguy cơ mất vốn. Có nhiều kỹ thuật cảnh báo sớm về tài chính thống kê khác nhau bao gồm các mô hình đơn biến, mô hình tuyến tính đa biến, mô hình xác suất tuyến tính, mô hình logit và mô hình probit đã được phát triển và được áp dụng trong những trường hợp thực tế trên thế giới. Đặc biệt, bằng cách sử dụng mô hình logit để giải quyết các vấn đề trong mô hình cảnh báo sớm về tài chính đã nhận được nhiều sự quan tâm của các nhà nghiên cứu trên toàn thế giới và được khuyến khích bởi nhiều nhà nghiên cứu. Những mô hình logit sử dụng một loạt các chỉ số tài chính quan trọng,
3 chẳng hạn như chỉ số nghĩa vụ về tài sản, đòn bẩy tài chính, và chỉ số dòng tiền để dự báo tình hình tài chính của công ty trong tương lai. Trong những năm qua, các nghiên cứu đã sử dụng nhiều mô hình thông minh để thực hiện cảnh báo sớm về tài chính. Tuy nhiên, hai mô hình thống kê là mô hình logit và mô hình phân tích đa biến phân biệt là rất phổ biến trong việc cảnh báo sớm về tài chính vì sự dễ dàng trong sử dụng mô hình và giải thích. Các mô hình logit được sử dụng thường xuyên hơn và rộng rãi hơn bởi vì nó ít đòi hỏi hơn so với mô hình phân tích đa biến phân biệt. Bài viết này đề xuất một mô hình logit để dự đoán rủi ro tài chính do (1) mô hình logit đã được sử dụng rộng rãi và giảng dạy, đó là một mô hình xác suất phi tuyến tính phù hợp cho vấn đề cảnh báo sớm về tài; (2) mô hình logit là tương đối dễ hiểu và có sẵn trong hầu như tất cả các chương trình phần mềm; nó không cần các giả định cho mô hình đa biến, nhưng đưa ra một mối quan hệ rõ nét giữa các biến giải thích và phản ứng dựa trên những số liệu cho. Mô hình Logit dễ dàng giải thích lý do tại sao một cuộc khủng hoảng tài chính sẽ hoặc sẽ không xảy ra; (3) mô hình logit có độ chính xác cao hơn và ổn định hơn so với nhiều mô hình khác; (4) mô hình logit không yêu cầu dữ liệu đa dạng và chất lượng và do đó, có nhiều ứng dụng hơn so với các kỹ thuật thông minh khác trong những tình huống mà không có dữ liệu chất lượng cao, chẳng hạn như trong ngành công nghiệp tài chính của Việt Nam và các nước đang phát triển khác. Trong bài này, tác giả phát triển mô hình logit bằng cách sử dụng phương pháp “forward screeming Wald” là phương pháp đưa tuần tự các biến nhập vào mô hình logit theo từng bước. Với một giá trị mặc định của các biến với một mức ý nghĩa là 0,05 hoặc nhỏ hơn sẽ được giữ lại, nếu không loại bỏ. Vì vậy, với phương pháp này cuối cùng có thể đảm bảo rằng các biến còn lại trong mô hình có tác động đáng kể đến kết quả dự báo và đảm bảo sự đơn giản của mô hình và chỉ có các biến quan trọng nhất được lựa chọn. Các nghiên cứu thực nghiệm cho thấy rằng tỷ lệ chính xác dự đoán của mô hình logit cho trong và ngoài mẫu tương ứng là 88% và 80%. Mô hình này có độ chính xác dự báo tương đối cao cho các công ty trong mẫu. Mức
4 độ chính xác cũng tương đối cao đối với các dự đoán cho các công ty ngoài mẫu cho thấy sự ổn định của mô hình. Các mô hình logit cảnh báo sớm về tài chính hiện nay được xây dựng bởi các chỉ số tài chính. Độ chính xác của các mô hình này chưa được xác minh bởi các nghiên cứu từ quan điểm của các chỉ số phi tài chính. Mặc dù mô hình của tác giả có độ chính xác dự báo khá tốt nhưng nó có thể không đảm bảo dự đoán đáng tin cậy cho các bộ dữ liệu khác. Vì vậy, tác giả sử dụng một phương pháp kiểm định khác trong đó sử dụng các chỉ số hiệu quả phi tài chính từ một mô hình phân tích bao dữ liệu (DEA) để xác minh những dự đoán của các mô hình logit đã đề xuất. Hiệu quả DEA được đo bằng tỷ lệ đầu ra và đầu vào. Đây là một chỉ số vật chất/phi tài chính (ví dụ: đầu vào là 3 nhân viên, 1 máy bánh mì, đầu ra là 80 hộp bánh) chứ không phải là một chỉ số tài chính (ví dụ: tổng lợi nhuận $ 1000, lợi nhuận trên tài sản = Tổng lợi nhuận / tổng tài sản = 9%). Các chỉ số hiệu quả này là gần gũi hơn với hoạt động của công ty so với các chỉ số tài chính. Nó thật hơn cả chỉ số tài chính bởi vì nó là khó khăn hơn để kiểm soát và thao tác điều chỉnh. Theo như chúng ta biết, là chỉ số phi tài chính, các chỉ số hiệu quả của DEA hiếm khi được sử dụng để xác minh những dự đoán của khủng hoảng tài chính cho các công ty. Nghiên cứu của tác giả sử dụng chỉ số hiệu quả mô hình DEA nhằm mục đích để thực hiện một số kiểm tra bổ sung cho dự đoán của mô hình logit. Sử dụng các chỉ số hiệu quả, kết quả của mô hình cho trong và ngoài mẫu được kiểm tra lần lượt là 72% và 66% tương ứng. Những đóng góp chính của bài viết này bao gồm: (1) phát triển một số mô hình logit mới có độ dự báo chính xác khá cao và ổn định; (2) đề xuất một phương pháp mới sử dụng các chỉ số hiệu quả phi tài chính để xác minh dự đoán của mô hình logit, điều này đảm bảo độ tin cậy của dự báo chính xác của mô hình logit. Các phần còn lại của bài báo được tổ chức như sau: Chương 2 nêu ra các cơ sở lý thuyết, các tài liệu nghiên cứu trước đây liên quan đến đề tài. Trong chương 3, xây dựng mô hình logit cảnh báo sớm về tài chính thông qua kiểm tra các công ty trong
5 và ngoài mẫu. Chương 4 xác minh độ tin cậy dự báo của mô hình logit từ quan điểm của tính hiệu quả qua mô hình DEA. Trong chương 5, tác giả tóm tắt các kết quả và đưa ra phần kết luận.
6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Các nghiên cứu về dự báo tình hình tài chính đầu tiên, được biết đến, là được thực hiện bởi Ramster và Foster (1931), Fitzpatrick (1932), Winakor và Smith (1935), và Merwin (1942) (Ugurlu và Aksoy, 2006). Do hạn chế về kỹ thuật tính toán nên các ông chỉ so sánh giá trị tỷ số tài chính giữa các công ty có vấn đề về tài chính và các công ty có tình hình tài chính lành mạnh và phát hiện ra rằng tỷ số tài chính của các công ty có vấn đề về tài chính là kém hơn so với các công ty có tài chính lành mạnh. Đến cuối những năm 1960 và đầu những năm 1970, các nghiên cứu mang tính đột phá về dự báo tài chính mới xuất hiện, đó là các nghiên cứu của Beaver (1966) và Altman (1968). Tiếp sau đó là nhiều nghiên cứu khác nhau được thực hiện tại Mỹ và nhiều nước khác. Trong phần này, tác giả sẽ trình bày các bằng chứng thực nghiệm về một số mô hình dự báo về tài chính đã được phát triển trên thế giới. 2.1. Mô hình dựa trên phân tích phân biệt Phân tích phân biệt (DA) là một kỹ thuật thống kê được sử dụng để phân loại một quan sát vào một trong một số nhóm dựa trên các đặc điểm độc lập1 (biến độc lập) của từng quan sát. Trong vấn đề dự báo tài chính, phân tích phân biệt được sử dụng để phân loại một công ty vào nhóm có vấn đề về tài chính hoặc nhóm tài chính lành mạnh. Điều này có thể đạt được bằng việc tối đa hóa tỷ số của phương sai giữa các nhóm trên phương sai trong nhóm2. Ở dạng đơn giản, phân tích phân biệt là một sự kết hợp tuyến tính của các biến độc lập (các tỷ số tài chính) để phân loại một công ty vào các nhóm, với phương trình có dạng như sau: 𝑍 = 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑛 𝑋𝑛 (2.1) 1 Trong nghiên cứu về dự báo tài chính, đặc điểm độc lập của từng quan sát là các tỷ số tài chính của công ty. Trong một số lĩnh vực khác như y học, đặc điểm độc lập của từng quan sát là: giới tính, độ tuổi, tình trạng hôn nhân, cân nặng, chiều cao, tiền sử về loại bệnh nào đó, v.v… của người được xét nghiệm. 𝑆𝑆(𝐵) ∑ 𝑛(𝑥̅ −𝑋̅𝐺𝑀 )2 2 Nghĩa là tối đa hóa tỷ số: = ∑ 𝑑𝑓∙𝑠 2 𝑆𝑆(𝑊)
7 Trong đó:  Z = điểm số để phân loại,  βi (i = 1, 2, …, n) = hệ số,  Xi (i = 1, 2, …, n) = các biến độc lập, các tỷ số tài chính. Theo đó, mỗi quan sát sẽ nhận được một điểm số Z, và sau đó, so sánh điểm số Z này với giá trị của “điểm cắt” (cutoff), nhằm giúp xác định quan sát đó thuộc vào nhóm nào. Phân tích phân biệt cho ra kết quả tốt hơn khi các biến có dạng phân phối chuẩn và ma trận hiệp phương sai đối với mọi nhóm là bằng nhau. Tuy nhiên, nghiên cứu thực nghiệm cho thấy các công ty có tình hình tài chính không lành mạnh vi phạm giả định phân phối chuẩn (Back và cộng sự, 1996). Mặc dù vậy, vấn đề về giả định phân phối chuẩn không làm yếu đi khả năng dự báo của mô hình DA, mà chỉ làm yếu khả năng xác định xác suất xảy ra kiệt quệ tài chính của mô hình DA. Vì vậy, phân tích phân biệt (DA) chỉ có thể nhận dạng một công ty là có vấn đề về tài chính hay tài chính lành mạnh, không thể cung cấp thông tin về xác suất xảy ra kiệt quệ của công ty. Ngoài ra, phân tích phân biệt (DA) cũng xuất hiện hiện tượng đa cộng tuyến giữa các biến độc lập, đặc biệt khi phương pháp stepwise được sử dụng (Hair và cộng sự, 1998). Mặc dù vậy, Altman (2000) tuyên bố rằng hiện tượng đa cộng tuyến không nghiêm trọng trong mô hình phân tích phân biệt DA, bởi vì trước đó, việc lựa chọn các biến số độc lập (các tỷ số tài chính) cho mô hình đã được thực hiện rất cẩn thận. 2.1.1. Phân tích phân biệt đơn biến của Beaver (1966) Beaver chọn 79 công ty kiệt quệ tài chính là các công ty bị phá sản, hoặc không thể trả lãi, hoặc chậm trả cổ tức, hoặc tài khoản ngân hàng cạn kiệt. Dữ liệu lấy từ tạp chí chuyên ngành hàng năm của Moody từ năm 1954 đến 1964. Beaver sử dụng phương pháp bắt cặp để chọn các công ty không bị kiệt quệ vào mẫu, cụ thể “với
8 mỗi công ty kiệt quệ trong mẫu, sẽ chọn một công ty không kiệt quệ cùng ngành và cùng giá trị tài sản vào mẫu”. Động cơ đằng sau phương pháp này là để kiểm soát ảnh hưởng của nhân tố giá trị tài sản và ngành lên các tỷ số tài chính và sự kiệt quệ. Beaver chọn 30 tỷ số tài chính và sử dụng 3 loại phân tích thực nghiệm để thấy khả năng dự báo của các tỷ số tài chính này, đó là:  Thứ nhất, phân tích so sánh giá trị trung bình,  Thứ hai, kiểm định tách đôi,  Thứ ba, phân tích khả năng dự báo. Đầu tiên, phân tích so sánh giá trị trung bình sẽ so sánh giá trị trung bình của tỷ số tài chính giữa các công ty kiệt quệ và các công ty không kiệt quệ, kết quả cho thấy các công ty kiệt quệ có tỷ số tài chính kém hơn so với các công ty không kiệt quệ trong giai đoạn trước khi kiệt quệ. Tiếp theo, kiểm định tách đôi được thực hiện để kiểm tra khả năng dự báo của các tỷ số tài chính. Kiểm định được thực hiện bằng cách phân chia ngẫu nhiên các công ty trong mẫu thành 2 mẫu con. Với một tỷ số tài chính cho trước, một điểm cắt tối ưu (optimal cutoff) sẽ được xác định ở mỗi mẫu con. Các điểm cắt tối ưu của mẫu con này sẽ được sử dụng để phân loại cho mẫu con kia và ngược lại. Beaver nhận thấy rằng có 6/30 tỷ số là có ý nghĩa lớn để dự báo kiệt quệ, đó là những tỷ số có “lỗi” phân loại thấp nhất: 𝑑ò𝑛𝑔 𝑡𝑖ề𝑛 𝑡ℎ𝑢ầ𝑛 𝑡ừ ℎ𝑜ạ𝑡 độ𝑛𝑔 𝑘𝑖𝑛ℎ 𝑑𝑜𝑎𝑛ℎ  Thứ nhất, , 𝑡ổ𝑛𝑔 𝑛ợ 𝑙ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế 𝑣à 𝑙ã𝑖 𝑣𝑎𝑦  Thứ hai, , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡ổ𝑛𝑔 𝑛ợ  Thứ ba, , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛−𝑛ợ 𝑛𝑔ắ𝑛 ℎạ𝑛  Thư tư, , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛  Thứ năm, , 𝑛ợ 𝑛𝑔ắ𝑛 ℎạ𝑛
9 𝑇à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛 (𝑡𝑟ừ 𝑐ổ 𝑝ℎ𝑖ế𝑢)−𝑁ợ 𝑛𝑔ắ𝑛 ℎạ𝑛  Thứ sáu, tỷ số 𝑁𝐶𝐼 = . (𝐷𝑜𝑎𝑛ℎ 𝑠ố−𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑡𝑟ướ𝑐 𝑡ℎ𝑢ế−𝐾ℎấ𝑢 ℎ𝑎𝑜)/365 Cuối cùng là phân tích khả năng dự báo, bao gồm kiểm tra biểu đồ tần số, overlap, độ xiên (skewness) và phân phối chuẩn của các tỷ số tài chính. Phân tích này cho thấy các tỷ số tài chính có thể dự báo kiệt quệ tài chính vào khoảng thời gian 5 năm trước khi kiệt quệ xảy ra. 2.1.2. Mô hình Z-score của Altman (1968) Khác với Beaver, Altman sử dụng phương pháp phân tích phân biệt đa biến (MDA) để tìm ra phương trình tuyến tính của các tỷ số tài chính để xác định công ty nào là phá sản và công ty nào là không phá sản. Ông chọn ra 33 công ty phá sản trong suốt các năm 1946 đến 1965. Giống như Beaver, ông chọn 33 công ty không phá sản bằng cách sử dụng phương pháp bắt cặp, trong đó, từng cặp công ty phải thuộc cùng một ngành và có quy mô như nhau. Altman chọn 22 tỷ số tài chính dựa trên tính phổ biến trong các nghiên cứu trước. Cuối cùng, ông tìm được 5 tỷ số tài chính làm tốt việc xác định các công ty là phá sản hay không phá sản khi đứng cùng nhau: 𝑍 = 0,012𝑊𝐶𝑇𝐴 + 0,014𝑅𝐸𝑇𝐴 + 0,033𝐸𝐵𝐼𝑇 + 0,006𝑀𝐸𝑇𝐿 + 0,999𝑆𝑇𝐴 (2.2) Trong đó:  WCTA: vốn luân chuyển trên tổng tài sản,  RETA: thu nhập giữ lại trên tổng tài sản,  EBIT: thu nhập trước thuế và lãi vay trên tổng tài sản,  METL: giá trị vốn hóa thị trường trên giá trị sổ sách của tổng nợ,  STA: doanh thu trên tổng tài sản,  Z: điểm số Z để phân loại. Điểm phân loại của mô hình là:
10  Z > 2,99: Vùng an toàn  1,81 < Z < 2,99: Vùng xám  Z < 1,81: Vùng kiệt quệ Bảng 2.1: Kết quả dự báo của mô hình Altman (1968) Số lượng Phần trăm Phần trăm Dự báo n Thực tế chính xác chính xác sai số Nhóm 1 Nhóm 2 Nhóm 1 31 2 Nhóm 2 1 32 Loại 1 31 94 6 33 Loại 2 32 97 3 33 Tổng 63 95 5 66 cộng Nguồn: Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy, Journal of Finance 23(4), p. 589. Các công ty với Z-score thấp hơn so với điểm cắt sẽ bị phân loại vào nhóm phá sản và ngược lại. Theo đó, Z-score càng thấp thì càng cho thấy rủi ro tài chính đang rất cao. Với phương trình này, Altman dự báo chính xác 95% tình trạng của các công ty trong mẫu ở thời điểm 1 năm trước khi kiệt quệ xảy ra. Đồng thời, mô hình của Altman dự báo chính xác hơn so với mô hình đơn biến của Beaver. Đến năm 1977, Altman, Haldeman và Narayanan phát triển một mô hình thứ hai từ mô hình Z-score gốc với một vài sự nâng cấp. Mô hình mới, được gọi là ZETA, có độ chính xác cao hơn trong việc dự báo các công ty phá sản so với mô hình Z-score cũ và tăng thời gian dự báo lên 5 năm trước khi xảy ra kiệt quệ.
11 Bảng 2.2: So sánh kết quả của mô hình ZETA (1977) và mô hình Z-score của Altman (1968) Số năm trước Mô hình ZETA Mô hình Altman (1968) khi xảy ra phá Phá sản Không phá sản Phá sản Không phá sản sản 1 96,2 89,7 93,9 97,0 2 84,9 93,1 71,9 93,9 3 74,5 91,4 48,3 n.a. 4 68,1 89,5 28,6 n.a. 5 69,8 82,1 36,0 n.a. Nguồn: Altman, E. I. (1993). Classification Results, Two Statements Prior to Bankruptcy. Vì tính độc quyền của mô hình ZETA nên Altman và cộng sự (1977) chỉ cung cấp thông tin 7 biến được sử dụng trong mô hình: 𝑙ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑡𝑟ướ𝑐 𝑡ℎ𝑢ế 𝑣à 𝑙ã𝑖 𝑣𝑎𝑦  𝑋1 = , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛  𝑋2 = độ 𝑙ệ𝑐ℎ 𝑐ℎ𝑢ẩ𝑛 𝑐ủ𝑎 𝑋1 𝑡𝑟𝑜𝑛𝑔 𝑡ℎờ𝑖 𝑔𝑖𝑎𝑛 5 − 10 𝑛ă𝑚, 𝑙ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑡𝑟ướ𝑐 𝑡ℎ𝑢ế 𝑣à 𝑙ã𝑖 𝑣𝑎𝑦  𝑋3 = , 𝑙ã𝑖 𝑣𝑎𝑦 𝑙ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑔𝑖ữ 𝑙ạ𝑖  𝑋4 = , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡à𝑖 𝑠ả𝑛 𝑛𝑔ắ𝑛 ℎạ𝑛  𝑋5 = , 𝑛ợ 𝑛𝑔ắ𝑛 ℎạ𝑛 𝑠ố 𝑙ượ𝑛𝑔 𝑐ổ 𝑝ℎầ𝑛 𝑡ℎườ𝑛𝑔 𝑥 𝑔𝑖á 𝑚ộ𝑡 𝑐ổ 𝑝ℎầ𝑛 𝑡ℎườ𝑛𝑔  𝑋6 = , 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛  𝑋7 = 𝑡ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛, 2.2. Mô hình phân tích logit 2.2.1. Mô hình phân tích logit của Ohlson (1980) Không giống như phân tích phân biệt - chỉ xác định được công ty là có vấn đề về tài chính hay không, phân tích logit còn có thể xác định được xác suất xảy ra rủi ro tài chính của công ty. Các hệ số của mô hình phân tích logit được ước lượng bằng
12 phương pháp “hợp lý cực đại” (maximum likelihood). Phân tích logit sử dụng hàm số xác suất tích lũy logistic để dự báo rủi ro. Kết quả của hàm số có giá trị trong khoảng 0 và 1, đó là xác suất xảy ra kiệt quệ tài chính, có dạng như phương trình sau: 1 1 𝑃 (𝑂 ) = = (2.3) 1+𝑒 −𝑂 1+𝑒 −(𝛽1 +𝛽2 𝑥2+⋯+𝛽𝑛 𝑥𝑛 ) Trong đó:  Βi (i = 1, 2, …, n) = hệ số,  xi (i = 1, 2, …, n) = biến độc lập, tỷ số tài chính. Nhà nghiên cứu đầu tiên sử dụng phân tích logit trong dự báo kiệt quệ tài chính là Ohlson (1980). Ohlson phê bình phương pháp phân tích phân biệt đa biến (DA) vì các giới hạn như đòi hỏi sự giống nhau của ma trận hiệp phương sai giữa nhóm công ty kiệt quệ và nhóm công ty không kiệt quệ, đồng thời, cũng đòi hỏi các biến có phân phối chuẩn. So với phân tích phân biệt (DA), lợi thế của phân tích logit là thoát khỏi các giả định về phân phối chuẩn và ma trận hiệp phương sai. Ông cũng chỉ trích điểm số Z-score từ phương pháp phân tích phân biệt không cung cấp thông tin về xác suất xảy ra kiệt quệ của một công ty, mà chỉ cho biết một công ty là kiệt quệ hay không kiệt quệ. Để khắc phục vấn đề này, ông sử dụng phân tích logit để ước lượng xác suất xảy ra rủi ro tài chính. Ohlson trích xuất dữ liệu các công ty có vấn đề về tài chính từ báo cáo tài chính 10- K3. Ông lấy 105 công ty phá sản và 2058 công ty không phá sản trong thời kỳ 1970 đến 1976. Các chỉ số dự báo của nghiên cứu được chọn lựa từ các nghiên cứu trước đó. Mô hình của Ohlson có 9 biến, đó là: 3 Báo cáo tài chính 10-K là báo cáo chi tiết về tình hình tài chính hàng năm của các công ty đại chúng dựa theo quy định của Ủy ban chứng khoán quốc gia Hoa Kỳ (SEC). Trong đó, báo cáo phải có đầy đủ các thông tin chi tiết về: lịch sử công ty, cơ cấu tổ chức, vốn chủ sở hữu, số lượng cổ phần, các công ty con, v.v…