Phân tích rủi ro phá sản của các doanh nghiệp ngành Công nghệ thông tin niêm yết trên sàn giao dịch chứng khoán Việt Nam

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

3
lượt xem 1
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết này được thực hiện nhằm mục tiêu phân tích rủi ro phá sản của các doanh nghiệp ngành Công nghệ thông tin đã niêm yết trên sàn chứng khoán Việt Nam bằng cách xác định các nhân tố tác động đến rủi ro này. Nghiên cứu được thực hiện dựa trên mẫu khảo sát gồm 28 doanh nghiệp ngành công nghệ thông tin đo lường bởi chỉ số z-score thông qua các mô hình Pool OLS, FEM, REM và GLS.

Chủ đề:

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

Lưu

Nội dung Text: Phân tích rủi ro phá sản của các doanh nghiệp ngành Công nghệ thông tin niêm yết trên sàn giao dịch chứng khoán Việt Nam

PHÂN TÍCH RỦI RO PHÁ SẢN CỦA CÁC DOANH NGHIỆP NGÀNH CÔNG NGHỆ THÔNG TIN NIÊM YẾT TRÊN SÀN GIAO DỊCH CHỨNG KHOÁN VIỆT NAM Nguyễn Thị Thanh Hoa 1, Trần Thị Ngọc Anh 2, H’ Thư Bon Ja 3 1. Giảng viên Khoa Kinh tế, Trường Đại học Thủ Dầu Một 2. Lớp D22TCNH04, Trường Đại học Thủ Dầu Một; 3. Lớp D22TCNH04, Trường Đại học Thủ Dầu Một TÓM TẮT Bài viết này được thực hiện nhằm mục tiêu phân tích rủi ro phá sản của các doanh nghiệp ngành Công nghệ thông tin đã niêm yết trên sàn chứng khoán Việt Nam bằng cách xác định các nhân tố tác động đến rủi ro này. Nghiên cứu được thực hiện dựa trên mẫu khảo sát gồm 28 doanh nghiệp ngành công nghệ thông tin đo lường bởi chỉ số z-score thông qua các mô hình Pool OLS, FEM, REM và GLS. Kết quả cho thấy các biến: hệ số nợ, chỉ số P/E và lạm phát có tác động cùng chiều đến rủi ro phá sản của các doanh nghiệp ngành công nghệ thông tin, trong khi hiệu quả hoạt động, khả năng sinh lời và chỉ số P/B có tác động ngược chiều đến rủi ro phá sản của các doanh nghiệp này. Từ khóa: ngành công nghệ thông tin, rủi ro phá sản, z-score. 1. ĐẶT VẤN ĐỀ Trong giai đoạn hậu khủng hoảng từ đại dịch Covid19, các doanh nghiệp vẫn đang còn chịu ảnh hưởng nặng nề từ suy thoái kinh tế, tình trạng các doanh nghiệp hoạt động yếu kém, thua lỗ sẽ kéo theo rủi ro phá sản và bị đào thải ra khỏi thị trường. Cùng với sự ra đời và phát triển của cuộc cách mạng công nghiệp 4.0, ngành công nghệ thông tin đang ngày càng chiếm giữ một vai trò quan trọng trong việc định hướng xu thế phát triển của các doanh nghiệp và là chìa khóa để giúp các doanh nghiệp tiến tới giai đoạn phát triển vượt bậc, nếu không sẽ tụt hậu so với thị trường trong nước cũng như trên thế giới. Để đo lường rủi ro phá sản, Altman (2000) đã giới thiệu và đề xuất chỉ số z-score dùng để đánh giá rủi ro của các doanh nghiệp phi sản xuất được tính toán dựa trên các số liệu tài chính của các doanh nghiệp. Dựa trên chỉ số này, tác giả đã có những phân tích về tình trạng tài chính của các doanh nghiệp, đồng thời dự đoán khả năng phải đối mặt với rủi ro phá sản của những doanh nghiệp này. Một số nghiên cứu trên thế giới đã chứng minh tính hiệu quả của chỉ số này trong việc dự báo nguy cơ phá sản của các doanh nghiệp như Shumway (1999), Grice và nnk (2001), Hayes (2010), Lê Cao Hoàng Anh và nnk (2012), Nguyễn Thị Nga (2018). Bên cạnh đó, rủi ro phá sản của doanh nghiệp cũng có thể được xác định thông qua “điểm z” (cũng được gọi là z-score) lần đầu được đề xuất bởi Roy (1952) và sau đó được điều chỉnh bởi Boyd và nnk (1986). Chỉ số này được tính toán bằng cách đo lường số lần độ lệch chuẩn của tỷ suất sinh lợi giảm dưới mức trung bình, khi z-score càng lớn thì mức độ ổn định tài chính càng cao, hay nói cách khác, rủi ro càng thấp. Nhiều nghiên cứu trong nước và trên thế giới đã được thực hiện nhằm phân tích rủi ro phá sản của các doanh nghiệp bằng cách ước lượng các mô hình sử dụng biến phụ thuộc là “điểm z”. Các nghiên cứu có thể kế đến như: Koh và nnk (1990), Nguyễn Minh Hà và nnk (2013), Vũ Thị Hậu (2017), Nguyễn Văn Thép và nnk (2017), 212
Makropoulos (2020) , Võ Minh Long (2020), Trương Thanh Hằng và nnk (2022). Các nghiên cứu này cũng đã kết luận về các yếu tố có tác động đến nguy cơ rủi ro phá sản của doanh nghiệp bao gồm: Khả năng thanh toán nhanh, Tỷ suất sinh lợi trên tổng tài sản, thu nhập trên mỗi cổ phần và cổ tức trên mỗi cổ phần, quy mô thị trường của một công ty, Lợi nhuận cổ phiếu trong quá khứ và đặc điểm chuẩn lợi nhuận trên cổ phiếu, Lợi nhuận trên tổng tài sản, Tốc độ trăng trưởng doanh nghiệp, Doanh thu thuần trên tổng tài sản, Dòng tiền trên doanh thu, Tỷ số thanh toán nhanh, Tài sản thanh khoản, Tín dụng thương mại trên tổng số Nợ phải trả , Độ tuổi trung bình của giám đốc, Số lượng giám đốc, Số lượng nữ giám đốc, Tuổi doanh nghiệp, Tốc độ tăng trưởng GDP, Tỷ lệ tín dụng tư nhân trên GDP, Chỉ số Phân loại công nghiệp tiêu chuẩn , Tỷ lệ doanh nghiệp mới thành lập, Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân, Vòng quay vốn chủ sở hữu, Tỷ số Vốn chủ sở hữu trên Tổng tài sản, Tỷ số Nợ trên Tổng tài sản, Chỉ số giá thị trường trên thu nhập (P/E), Chỉ số giá thị trường trên giá trị sổ sách (P/B), Tỷ lệ lạm phát (INF). Như vậy, trong những nghiên cứu làm tiền đề cho báo cáo này, các tác giả trước đã nghiên cứu theo hai hướng khác biệt: thứ nhất là kiểm tra tính hiệu quả của chỉ số z-score được phát triển bởi Altman trong việc dự báo nguy cơ phá sản doanh nghiệp, thứ hai là kiểm tra các yếu tố tác động đến nguy cơ phá sản của doanh nghiệp thông qua việc tác động tới “điểm z” được phát triển bởi Boyd và nnk (1986). Câu hỏi đặt ra là liệu rằng các nhân tố tác động đến “điểm z” có tác động đến z-score hay không? Điều này còn chưa được đề cập ở các nghiên cứu trước đó và cũng là khoảng trống để nhóm tác giả tiến hành thực hiện đề tài này. 2. PHƯƠNG PHÁP NGHIÊN CỨU Bài viết sử dụng phương pháp nghiên cứu định lượng nhằm mục tiêu xác định và ước lượng mức độ ảnh hưởng của các yếu tố đế rủi ro phá sản của các doanh nghiệp ngành công nghệ thông tin, từ đó đề xuất một số hàm ý chính sách nhằm nâng cao tính ổn định tài chính và giảm thiểu rủi ro phá sản của các doanh nghiệp này trong thời gian tới. Nhóm tác giả đã tiến hành thu thập dữ liệu từ các báo cáo tài chính của 28 doanh nghiệp (danh sách cụ thể cho ở bảng 1) tại Việt Nam hiện nay trong khoảng thời gian 2018 – 2022 từ trang điện tử finance.vietstock.vn, riêng các dữ liệu về kinh tế vĩ mô (GDP và lạm phát) được thu thập từ trang điện tử của Tổng Cục Thống Kê (gso.gov.vn), sau đó sử dụng các ước lượng Pool OLS, FEM, REM và GLS bằng phần mềm STATA để phân tích tác động của 11 biến lên rủi ro phá sản của các doanh nghiệp này. Quy trình thực hiện nghiên cứu gồm 5 bước được thể hiện ở hình 1. Hình 1. Quy trình nghiên cứu 213
Bảng 1. Danh sách các doanh nghiệp được khảo sát STT Tên doanh nghiệp STT Tên doanh nghiệp 1 Công ty Cổ phần COKYVINA 15 Công ty Cổ phần SAM HOLDINGS 2 Công ty Cổ phần Tập đoàn Công nghệ 16 Công ty cổ phần Công nghệ Sao Bắc Đẩu CMC 3 Công ty Cổ phần Công nghệ Mạng và 17 Công ty Cổ phần Công nghệ Viễn thông Sài Truyền thông Gòn 4 Công ty Cổ phần Công nghệ - Viễn thông 18 Công ty Cổ phần Sametel ELCOM 5 Công ty Cổ phần FPT 19 Công ty Cổ phần Sara Việt Nam 6 Công ty Cổ phần Tập đoàn HIPT 20 Công ty Cổ phần Tập đoàn SARA 7 Công ty Cổ phần Dịch vụ Công nghệ Tin 21 Công ty Cổ phần Siêu Thanh học HPT 8 Công ty cổ phần Viễn thông - Tin học Bưu 22 Công ty Cổ phần Dịch vụ Kỹ thuật Viễn thông điện 9 Công ty Cổ phần Công nghệ Tiên Phong 23 Công ty Cổ phần Đầu tư và phát triển Sao Mai Việt 10 Công ty Cổ phần KASATI 24 Tổng Công ty Cổ phần Điện tử và Tin học Việt Nam 11 Công ty Cổ phần Điện nhẹ Viễn thông 25 Công ty Cổ phần Công nghệ Viễn thông VITECO 12 Công ty Cổ phần Truyền thông số 1 26 Công ty Cổ phần Đầu tư và Phát triển Công nghệ Văn Lang 13 Công ty Cổ phần vật tư Bưu điện 27 Công ty Cổ phần viễn thông VTC 14 Công ty cổ phần Viễn thông Telvina Việt 28 Công ty cổ phần Viễn thông Điện tử VINACAP Nam Kế thừa kết quả nghiên cứu về các nhân tố tác động đến rủi ro phá sản của các doanh nghiệp, nhóm tác giả đề xuất mô hình nghiên cứu như sau: ZSCORE = a + biXi + ε Đòn bẩy tài chính Hiệu quả hoạt động Rủi ro Khả năng thanh toán phá sản Cơ cấu vốn Khả năng sinh lợi Chỉ số thị trường Yếu tố vĩ mô Hình 2. Mô hình nghiên cứu (Nguồn: đề xuất của nhóm tác giả) Với biến ZSCORE là biến phụ thuộc đại diện cho rủi ro phá sản của doanh nghiệp được phát triển bởi Altman (2000), và Xi là các biến độc lập gồm: + Nhóm tỷ số đòn bẩy tài chính: đại diện là Tỷ số Nợ trên Tổng tài sản (DEPT) + Nhóm tỷ số khả năng thanh toán: đại diện là Tỷ số thanh toán nhanh (LIQUID) + Nhóm tỷ số khả năng sinh lợi: đại diện là Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân (ROE) và Tỷ suất sinh lợi trên tổng tài sản bình quân (ROA) 214
+ Nhóm tỷ số hiệu quả hoạt động: đại diện bởi Vòng quay tổng tài sản (ATURN) và Vòng quay vốn chủ sở hữu (ETURN) + Nhóm tỷ số cơ cấu vốn: đại diện bởi Tỷ số Vốn chủ sở hữu trên Tổng tài sản (CAP) + Nhóm chỉ số thị trường: đại diện bởi Chỉ số giá thị trường trên thu nhập (P/E) và Chỉ số giá thị trường trên giá trị sổ sách (P/B) + Nhóm chỉ số kinh tế vĩ mô: đại diện bởi Tốc độ tăng trưởng (GDP) và Tỷ lệ lạm phát (INF) Bảng 2. Mô tả các biến sử dụng và kỳ vọng dấu Kỳ vọng Biến Mô tả/Công thức tính Nguồn chiều tác động Biến phụ thuộc: Z-Score = (6,56 x Vốn lưu động / tổng tài Altman (2000) ZSCORE sản) + (3,26 x Lợi nhuận giữ lại / tổng tài sản) + (6,72 x Thu nhập trước lãi vay và thuế (EBIT) / tổng tài sản) + (1,05 x Giá trị thị trường của vốn chủ sở hữu / tổng tài sản) Biến độc lập Nhóm tỷ số đòn bẩy tài 𝑇ổ𝑛𝑔 𝑛ợ Trương Thanh Hằng chính 𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 và nnk (2022), Koh + Tỷ số Nợ trên Tổng tài sản và nnk (1990) + (DEPT) Nhóm tỷ số khả năng thanh ⬚ Trương Thanh Hằng toán ⬚ và nnk (2022), + Tỷ số thanh toán nhanh 𝑇à𝑖 𝑠ả𝑛 𝑙ư𝑢 độ𝑛𝑔 − 𝐻à𝑛𝑔 𝑡ồ𝑛 𝑘ℎ𝑜 Makropoulos (2020) - (LIQUID) 𝑁ợ 𝑛𝑔ắ𝑛 ℎạ𝑛 Nhóm tỷ số khả năng sinh Trương Thanh Hằng lợi 𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế và nnk (2022), + Tỷ suất lợi nhuận trên vốn 𝑉ố𝑛 𝑐ℎủ 𝑠ở ℎữ𝑢 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ Makropoulos (2020), - chủ sở hữu bình quân (ROE) 𝐿ợ𝑖 𝑛ℎ𝑢ậ𝑛 𝑠𝑎𝑢 𝑡ℎ𝑢ế Koh và nnk (1990) + Tỷ suất sinh lợi trên tổng 𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ tài sản bình quân (ROA) - Nhóm tỷ số hiệu quả hoạt Koh và nnk (1990), động 𝐷𝑜𝑎𝑛ℎ 𝑡ℎ𝑢 𝑡ℎ𝑢ầ𝑛 Makropoulos (2020) + Vòng quay tổng tài sản 𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ - (ATURN) + Vòng quay vốn chủ sở hữu 𝐷𝑜𝑎𝑛ℎ 𝑡ℎ𝑢 𝑡ℎ𝑢ầ𝑛 - (ETURN) 𝑉ố𝑛 𝑐ℎủ 𝑠ở ℎữ𝑢 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ Nhóm tỷ số cơ cấu vốn 𝑉ố𝑛 𝑐ℎủ 𝑠ở ℎữ𝑢 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ Đề xuất bởi nhóm tác + Tỷ số Vốn chủ sở hữu trên 𝑇ổ𝑛𝑔 𝑡à𝑖 𝑠ả𝑛 𝑡𝑟𝑢𝑛𝑔 𝑏ì𝑛ℎ giả - Tổng tài sản (CAP) Nhóm chỉ số thị trường Đề xuất bởi nhóm tác + Chỉ số giá thị trường trên 𝐺𝑖á 𝑡ℎị 𝑡𝑟ườ𝑛𝑔 𝑐ủ𝑎 𝑐ổ 𝑝ℎ𝑖ế𝑢 giả - thu nhập (P/E) 𝐸𝑃𝑆 + Chỉ số giá thị trường trên 𝐺𝑖á 𝑡ℎị 𝑡𝑟ườ𝑛𝑔 𝑐ủ𝑎 𝑐ổ 𝑝ℎ𝑖ế𝑢 - giá trị sổ sách (P/B) 𝐺𝑖á 𝑡𝑟ị 𝑠ổ 𝑠á𝑐ℎ Nhóm chỉ số kinh tế vĩ mô 𝐶𝑃𝐼 𝑡 − 𝐶𝑃𝐼(𝑡−1) Makropoulos (2020) - + Tốc độ tăng trưởng (GDP) 𝐶𝑃𝐼(𝑡−1) + Tỷ lệ lạm phát (INF) 𝐶𝑃𝐼 𝑡 − 𝐶𝑃𝐼(𝑡−1) + 𝐶𝑃𝐼(𝑡−1) (Nguồn: tổng hợp của nhóm tác giả) 215
3. KẾT QUẢ VÀ THẢO LUẬN 3.1 Thống kê kết quả z-score của các doanh nghiệp giai đoạn 2018-2022 Theo Altman (2000), chỉ số Z-score càng cao thi rủi ro phá sản của doanh nghiệp càng thấp. Các doanh nghiệp có chỉ số z-score trên 2,6 là nằm trong vùng an toàn, ít có khả năng đi đến phá sản và được coi là có sức khỏe tài chính tốt; chỉ số z-score nằm trong khoảng 1,1 đến 2,6 nằm trong vùng xám, có nguy cơ phá sản vừa phải ở cả lĩnh vực phi sản xuất và các công ty ở các thị trường mới nổi; và cuối cùng, nếu chỉ số này dưới 1,1 thì đồng nghĩa với việc doanh nghiệp nằm trong vùng khó khăn, các công ty như vậy có nguy cơ lớn dẫn đến phá sản trong vài năm tới hoặc cho thấy tình trạng tài chính kém. Kết quả ở bảng 3 cho thấy trong tổng số 140 trường hợp được quan sát từ 28 doanh nghiệp thuộc ngành công nghệ thông tin trong 5 năm từ 2018-2022, có 7 trường hợp doanh nghiệp ngành công nghệ thông tin gặp phải nguy cơ phá sản hoặc tình trạng tài chính kém trong thời gian tới, 46 trường hợp có nguy cơ phá sản ở mức độ vừa phải và 87 trường hợp nằm trong vùng an toàn, chiếm tỉ lệ 62,14%. Bảng 3. Thống kê kết quả z-score của các doanh nghiệp giai đoạn 2018-2022 Năm Z < 1,1 1,1 < Z < 2,6 Z ≥ 2,6 2018 1 11 16 2019 2 9 17 2020 1 11 16 2021 2 7 19 2022 1 8 19 Tổng 7 46 87 (Nguồn: tính toán của nhóm tác giả) 3.2 Phân tích tương quan Bảng 4. Kết quả phân tích hệ số tương quan giữa các biến Zscore DEPT LIQUID ROE ROA ATURN ETURN CAP PE PB GDP INF Zscore 1 DEPT -0,332 1,000 LIQUID 0,305 -0,462 1,000 ROE 0,530 -0,053 0,048 1,000 ROA 0,600 -0,232 0,125 0,966 1,000 ATURN 0,245 0,152 -0,134 0,296 0,234 1,000 ETURN -0,049 0,557 -0,203 0,183 0,039 0,784 1,000 CAP 0,332 -1,000 0,462 0,054 0,232 -0,152 -0,557 1,000 PE -0,152 -0,162 0,003 -0,082 -0,062 -0,156 -0,152 0,163 1,000 PB 0,290 -0,004 -0,045 0,135 0,120 -0,015 -0,067 0,005 0,040 1,000 GDP 0,049 -0,005 -0,068 0,096 0,095 0,227 0,197 0,005 -0,049 -0,096 1,000 INF -0,001 -0,008 -0,034 0,048 0,045 0,134 0,119 0,008 -0,119 -0,150 0,670 1 (Nguồn: tính toán của nhóm tác giả) Bảng 4 cho thấy biến độc lập INF, DEPT, ETURN, PE có mối quan hệ ngược chiều đến z-score, các biến độc lập còn lại là GDP, PB, CAP, ATURN, LIQUID, ROA, ROE có hệ số tương quan dương tức là có quan hệ cùng chiều với Z-score. Kết quả cũng cho thấy ngoại trừ ROA và ROE có mối tương quan rất cao do bản chất cách tính của 2 biến phụ thuộc vào lợi nhuận sau thuế của doanh nghiệp và tỉ lệ vốn chủ sở hữu so với tổng tài sản không thay đổi nhiều; hệ số tương quan giữa CAP và DEPT là -1 (tương quan nghịch hoàn toàn) do 2 đại lượng này tỷ lệ nghịch với nhau, tỷ lệ nợ càng cao thì tỉ lệ vốn chủ sở hữu càng thấp, tổng của 2 tỉ lệ này luôn bằng 1. Chính vì vậy, trong mô hình nhóm tác giả chỉ giữ lại 2 biến là ROA và DEPT 216
để tránh hiện tượng đa cộng tuyến xảy ra. Đối với các cặp biến độc lập còn lại, không có hiện tượng đa cộng tuyến nghiêm trọng (tự tuơng quan giữa các biến độc lập trong mô hình) do các hệ số tương quan có giá trị khá thấp, cao nhất là 0,670. Kết quả tương quan trên phù hợp với hầu hết các nghiên cứu trước trên thế giới, và phù hợp với kỳ vọng của tác giả trong giai đoạn nghiên cứu này tại Việt Nam. 3.3 Kết quả hồi quy mô hình POOL OLS, FEM, REM So sánh giữa các mô hình: Pooled Regression và Fixed effects model: Để lựa chọn mô hình FEM với OLS, nhóm tác giả sử dụng kiểm định F trong hồi quy FEM. Kết quả cho thấy giá trị của kiểm định F là F(27, 101) = 35,54 và p-value = 0 nhỏ hơn mức ý nghĩa 5% nên mô hình FEM tốt hơn mô hình Pool OLS. So sánh giữa các mô hình: Pooled Regression và Random effects model: Để lựa chọn giữa mô hình REM với mô hình OLS, nhóm tác giả sử dụng kiểm định Breusch-Pagan test. Giá trị kiểm định đạt 162,22 và p-value = 0 nhỏ hơn mức ý nghĩa 5% nên mô hình REM tốt hơn mô hình Pool OLS. Bảng 5. Kết quả kiểm định Breusch-Pagan Var SD = sqrt(Var) Zscore 4.480365 4,480365 2,116687 e 0,2605589 0,5104498 u 1,694684 1,3018 Test: Var(u) = 0 chibar2(01) = 162,22 Prob > chibar2 = 0,0000 (Nguồn: tính toán của nhóm tác giả) So sánh giữa các mô hình: Fixed effectsmodel và Random effects model: Để lựa chọn mô hình FEM với REM, nhóm tác giả sử dụng kiểm định Hausman. Giá trị kiểm định chi bình phương đạt 11,43 và p-value đạt 0,3251 lớn hơn mức ý nghĩa 5%, nên mô hình REM tốt hơn mô hình FEM Ba kiểm định trên dẫn đến kết luận là mô hình REM là phù hợp nhất trong 3 mô hình. 3.4 Kiểm tra khuyết tật và hiệu chỉnh mô hình Kiểm tra đa cộng tuyến: Hệ số VIF của tất cả các biến độc lập cho bởi bảng 6 đều nhỏ hơn 10 nên hiện tượng đa cộng tuyến trong mô hình được đánh giá là không nghiêm trọng. Bảng 6. Kết quả phân tích hệ số tương quan giữa các biến Variable VIF 1/VIF ETURN 5,89 0,169665 ATURN 4,31 0,232186 DEPT 2,94 0,340270 GDP 1,91 0,523335 INF 1,87 0,534805 LIQUID 1,41 0,710342 ROA 1,18 0,845408 PE 1,09 0,916910 PB 1,06 0,945575 Mean VIF 2,41 Nguồn: tính toán của nhóm tác giả) 217
Kiểm định phương sai của sai số không đổi: Bởi vì phương sai của sai số thay đổi làm mất tính hiệu quả của ước lượng, nên cần thiết phải tiến hành kiểm định giả thuyết phương sai của sai số không đổi với giả thuyết H0: Không có hiện tượng phương sai thay đổi. Giá trị kiểm định trong mô hình REM đạt 162,22 và p-value = 0 nhỏ hơn mức ý nghĩa 5% nên giả thuyết H0 bị bác bỏ, hay nói cách khác, mô hình REM tồn tại hiện tượng phương sai thay đổi. Kiểm định tự tương quan: Giữa các sai số có mối quan hệ tương quan với nhau sẽ làm cho các ước lượng thu được bằng phương pháp hồi quy thông thường trên dữ liệu bảng vững nhưng không hiệu quả, các kiểm định hệ số hồi quy không còn đáng tin cậy. Nghiên cứu tiến hành kiểm định giả thuyết không bị tự tương quan trên dữ liệu bảng, với giả thuyết H0: không có sự tự tương quan. Bảng 7. Kết quả kiểm định tự tương quan của mô hình REM Wooldridge test for autocorrelation in panel data H0: no first-order autocorrelation F( 1, 27) = 12,942 Prob > F = 0,0013 (Nguồn: tính toán của nhóm tác giả) Bảng 7 cho thấy, với mức ý nghĩa 5%, kiểm định cho kết quả p-value = 0,0013. Vậy, p- value nhỏ hơn 5% nên bác bỏ giả thuyết H0, tức là mô hình REM có hiện tượng tự tương quan. Qua kết quả kiểm định từng phần ở trên, có thể thấy: mô hình không có hiện tượng đa cộng tuyến nhưng lại tồn tại hiện tượng phương sai thay đổi và tự tương quan. Để khắc phục tồn tại này, nhóm tác giả sử dụng phương pháp bình phương bé nhất tổng quát (General Least Square – GLS) để phân tích. Kết quả thu được như sau: Bảng 8. Kết quả ước lượng mô hình GLS Estimated covariances = 28 Number of obs = 140 Estimated autocorrelations = 1 Number of groups = 28 Estimated coefficients = 12 Time periods = 5 Wald chi2(11) = 600,95 Prob > chi2 = 0,0000 Zscore Coefficient Std. err. z P>z P>z [95% conf. interval] DEPT -0,0300672 0,0044342 -6,78 0,000 -0,0387581 -0,0213764 LIQUID 0,022558 0,0207156 1,09 0,276 -0,0180439 0,0631599 ROA 0,090019 0,0074106 12,15 0,000 0,0754945 0,1045435 ATURN 0,2079085 0,081005 2,57 0,010 0,0491417 0,3666753 ETURN -0,0421627 0,0289712 -1,46 0,146 -0,0989452 0,0146197 PE -0,0001338 0,0000551 -2,43 0,015 -0,0002418 -0,0000259 PB 0,8189582 0,0625463 13,09 0,000 0,6963697 0,9415467 GDP 1,688094 1,028076 1,64 0,101 -0,3268985 3,703087 INF -5,801381 3,176192 -1,83 0,068 -12,0266 .4238412 _cons 3,739335 0,3153053 11,86 0,000 3,121348 4,357322 (Nguồn: tính toán của nhóm tác giả) Theo kết quả ước lượng, với 9 biến độc lập thì chỉ có 5 biến sau đây là có tác động với chỉ số Z-score ở mức ý nghĩa 5% bao gồm: DEPT, ROA, ATURN, PE, PB; INF có tác động đến Z-score ở mức ý nghĩa 10%. Trong đó, các yếu tố sau đây tác động cùng chiều với Z-score là: ROA, ATURN, PB. Các yếu tố tác sau đây tác động ngược chiều đến Z-score: DEPT, PE 218
và INF. Các yếu tố còn lại bao gồm: LIQUID, ETURN và GDP chưa cho thấy có sự tác động đến Z-score do hệ số p-value > 0,1. Căn cứ vào tổng quan lý thuyết và mô hình nghiên cứu đã được tổng hợp, nghiên cứu của các tác giả đã được kiểm tra với 140 mẫu quan sát, với kết quả thu được, nghiên cứu này có những kết quả như sau: + Theo kết quả cuối cùng của mô hình, DEPT có mối quan hệ ngược chiều với Z-score, khi DEPT tăng 1 đơn vị thì Z-score giảm 0,0300672 đơn vị và ngược lại. Điều này cho thấy, khi hệ số nợ càng cao thì khả năng phá sản của doanh nghiệp càng cao. Một doanh nghiệp có đòn bẩy tài chính cao, nghĩa là công ty đó đã vay nhiều tiền hơn mức có thể dễ dàng trả lại. Khi một công ty có tỷ lệ nợ cao, có thể dẫn đến bất ổn tài chính nếu công ty không thể tạo ra đủ dòng tiền để trang trải các nghĩa vụ nợ của mình. Điều này có thể dẫn đến khủng hoảng thanh khoản, trong đó công ty không thể thanh toán các hóa đơn và không có cơ hội nhận thêm nợ để trả, cuối cùng dẫn đến phá sản. Mặc dù mức nợ cao hơn có thể làm tăng lợi nhuận tiềm năng nhưng chúng cũng có thể làm trầm trọng thêm các khoản lỗ, gây rủi ro cho tính bền vững và sức khỏe của một doanh nghiệp. Từ kết quả này, nhóm tác giả suy ra tác động của CAP lên rủi ro phá sản như sau: CAP và DEPT tỉ lệ nghịch hoàn toàn với nhau, kết quả ở trên cho thấy DEPT tăng làm tăng nguy cơ phá sản của doanh nghiệp nên ta dễ dàng suy luận CAP tăng sẽ làm giảm nguy cơ phá sản của doanh nghiệp. + ROA có tác động cùng chiều đến chỉ số z-score, khi ROA càng cao thì z-score càng cao, và ngược lại. Điều này cho thấy hiệu quả hoạt động của doanh nghiệp có tác động ngược chiều đến cho rủi ro phá sản. Hay nói cách khác, ROA càng tăng thì rủi ro phá sản doanh nghiệp càng thấp. Khi ROA tăng một đơn vị thì z-score sẽ tăng 0,090019 đơn vị và ngược lại. Những nghiên cứu trước đây của Koh và nnk (1990), Nguyễn Minh Hà và nnk (2013), Vũ Thị Hậu (2017), Nguyễn Văn Thép và nnk (2017), Makropoulos (2020) , Võ Minh Long (2020), Trương Thanh Hằng và nnk (2022) cũng cho thấy mối quan hệ tương tự giữa nguy cơ phá sản với tỷ suất sinh lời của tài sản. Nếu tỷ suất sinh lời của một doanh nghiệp thấp và kéo dài trong nhiều năm thì nguy cơ phá sản của doanh nghiệp là rất lớn và ngược lại sẽ có ảnh hưởng đến khả năng phá sản của doanh nghiệp nếu doanh nghiệp kinh doanh không hiệu quả. Từ kết quả này cũng suy ra được biến bị loại ra khỏi mô hình là ROE cũng có tác động đến rủi ro phá sản của các doanh nghiệp ngành công nghệ thông tin. ROE và ROA có tương quan thuận lớn, khi ROA tăng thì ROE cũng tăng, do đó ROA tăng làm giảm rủi ro phá sản của doanh nghiệp thì ROE tăng cũng sẽ làm giảm rủi ro phá sản của doanh nghiệp. + ATURN tác động cùng chiều đến chỉ số z-score, khi ATURN tăng thì z-score cũng tăng theo, nghĩa là rủi ro phá sản của doanh nghiệp càng thấp. ATURN tăng một đơn vị thì z-score sẽ tăng 0,2079085 đơn vị và ngược lại. Tỷ lệ vòng quay tài sản cao hơn có nghĩa là công ty đang tạo ra nhiều doanh thu hơn cho mỗi đô la đầu tư vào tài sản. Hiệu quả sử dụng tài sản này giúp cải thiện dòng tiền, khả năng sinh lời và sức khỏe tài chính tổng thể, giảm khả năng gặp khó khăn tài chính và phá sản. Kết quả này cũng phù hợp với nghiên cứu của Makropoulos (2020). + Cũng theo kết quả cuối cùng của mô hình, PE có tác động cùng chiều đến rủi ro phá sản, PE càng tăng thì rủi ro phá sản doanh nghiệp càng cao. Khi PE tăng một đơn vị thì z-score sẽ giảm 0,0001338 đơn vị và ngược lại. Kết quả này trái ngược với kỳ vọng của nhóm tác giả và cũng có thể chưa thực sự phù hợp vì để tính P/E, nhóm tác giả sử dụng giá cổ phiếu vào ngày cuối cùng của năm tài chính mà chưa xét đến chính sách cổ tức và sự biến động về giá của cổ phiếu trong suốt một năm.Tuy nhiên, trường hợp này cũng có thể được giải thích là do khi giá cổ phiếu của một công ty cao so với thu nhập của nó, điều đó có thể cho thấy các nhà đầu tư 219
đang đánh giá quá cao hiệu quả hoạt động trong tương lai của công ty hoặc công ty không tạo ra đủ thu nhập để bù đắp cho giá cổ phiếu của mình. Điều này có thể dẫn đến sự điều chỉnh giá cổ phiếu, có khả năng khiến tình hình tài chính của công ty xấu đi và làm tăng nguy cơ phá sản. + Chỉ số P/B có tác động cùng chiều đến chỉ số z-score tức là tác động ngược chiều đến rủi ro phá sản của doanh nghiệp. Khi PB tăng một đơn vị thì z-score sẽ tăng 0,8189582 đơn vị và ngược lại. Điều này là do tỷ lệ P/B cao cho thấy thị trường đang định giá tài sản của công ty ở mức giá cao hơn mức được ghi trên bảng cân đối kế toán. Nói cách khác, thị trường tin rằng tài sản của công ty có giá trị cao hơn giá trị sổ sách, đây có thể là tín hiệu tích cực về sức khỏe và sự ổn định tài chính. Tỷ lệ P/B cao cho thấy các nhà đầu tư tin tưởng vào tiềm năng thu nhập và giá trị tài sản trong tương lai của công ty, giảm nguy cơ phá sản vì nó phản ánh nhận thức mạnh mẽ của thị trường về giá trị của công ty. + Ở mức ý nghĩa 10%, lạm phát cao sẽ dẫn đến khả năng phá sản của doanh nghiệp càng cao. Trong nghiên cứu này, khi tỉ lệ lạm phát tăng 1 đơn vị thì Z-score giảm 5,801381 đơn vị và ngược lại. Lạm phát có thể làm tăng chi phí hàng hóa và dịch vụ, điều này có thể làm giảm tỷ suất lợi nhuận và khiến doanh nghiệp gặp khó khăn hơn trong việc đáp ứng các nghĩa vụ nợ của mình.. Điều này đặc biệt đúng đối với các doanh nghiệp có chi phí cố định cao, chẳng hạn như tiền thuê nhà hoặc các khoản vay, vì họ có thể không chuyển được những chi phí gia tăng này sang khách hàng. Bên cạnh đó, lạm phát có thể dẫn đến lãi suất cao hơn, từ đó có thể làm tăng chi phí vay vốn của doanh nghiệp. Điều này có thể khiến các doanh nghiệp gặp khó khăn hơn trong việc tài trợ cho hoạt động và tăng trưởng của mình, dẫn đến mức nợ cao hơn và nguy cơ phá sản cao hơn. Hơn nữa, lạm phát có thể dẫn đến giảm chi tiêu của người tiêu dùng, vì người dân có thể có thu nhập khả dụng ít hơn do giá hàng hóa và dịch vụ cao hơn. Điều này có thể dẫn đến doanh thu của doanh nghiệp giảm, khiến doanh nghiệp gặp khó khăn hơn trong việc đáp ứng nghĩa vụ nợ và tăng nguy cơ phá sản. Cuối cùng, lạm phát có thể dẫn đến sự gián đoạn chuỗi cung ứng, vì các doanh nghiệp có thể gặp khó khăn trong việc có được nguyên liệu và vật tư cần thiết để hoạt động. Điều này có thể dẫn đến sự chậm trễ trong sản xuất và giao hàng, có thể dẫn đến giảm doanh thu và tăng chi phí, tăng nguy cơ phá sản. 4. KẾT LUẬN Trong nghiên cứu này, tác giả đã ước lượng 3 mô hình Pool OLS, FEM và REM để kiểm tra tác động của 11 biến độc lập gồm: Tỷ số Nợ trên Tổng tài sản (DEPT), Tỷ số thanh toán nhanh (LIQUID), Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân (ROE), Tỷ suất sinh lợi trên tổng tài sản bình quân (ROA), Vòng quay tổng tài sản (ATURN), Vòng quay vốn chủ sở hữu (ETURN), Tỷ số Vốn chủ sở hữu trên Tổng tài sản (CAP), Chỉ số giá thị trường trên thu nhập (P/E), Chỉ số giá thị trường trên giá trị sổ sách (P/B), Tốc độ tăng trưởng (GDP), và Tỷ lệ lạm phát (INF) lên 1 biến phụ thuộc đại diện cho rủi ro phá sản của các doanh nghiệp ngành công nghệ thông tin là chỉ số Z-score. Tuy nhiên, trong quá trình phân tích, nhóm tác giả đã loại bỏ 2 biến là ROE và CAP do lo ngại về vấn đề tương quan giữa các biến độc lập dẫn đến hiện tượng đa cộng tuyến. Kết quả cho thấy, mô hình REM là mô hình phù hợp nhất, các khuyết tật của mô hình về hiện tượng phương sai thay đổi và tự tương quan đã được khắc phục thông qua phương pháp ước lượng GLS. Mô hình cuối cùng thu được cho thấy, trong 9 biến độc lập mà nhóm tác giả đưa vào mô hình thì có 6 biến là: DEPT, ROA, ATURN, PE, PB và INF có tác động đến chỉ số z-score; trong đó, DEPT, PE và INF có tác động ngược chiều đến z-score tức là có tác động cùng chiều đến rủi ro phá sản của các doanh nghiệp, còn các biến: ROA, ATURN, và PB có mối quan hệ cùng chiều đến z-score tức là tác động ngược chiều đến rủi ro phá sản của các doanh nghiệp. các biến LIQUID, ETURN VÀ GDP chưa cho thấy có sự tác động đến Z-score. 220
Với mục tiêu giảm nguy cơ phá sản, thì các doanh nghiệp ngành công nghệ thông tin cần phải cân nhắc xem xét một số hàm ý chính sách sau: thứ nhất, tác động đến chỉ số P/E bằng cách tăng thu nhập trên mỗi cổ phiếu (EPS) của một doanh nghiệp; thứ hai, gia tăng khả năng sinh lợi của doanh nghiệp, đồng nghĩa với tăng giá trị lợi nhuận trên tài sản (ROA) và lợi nhuận trên vốn chủ sở hữu (ROE); thứ ba, tác động làm tăng tỷ lệ giá trên sổ sách (P/B); thứ tư, gia tăng vòng quay tài sản của doanh nghiệp;thứ năm, hạn chế sử dụng đòn bẩy tài chính. TÀI LIỆU THAM KHẢO 1. (2000), ‘Revisiting the Z-Score and ZETA®; Predicting Financial Distress of Companies, 2-16. 2. Lê Cao Hoàng Anh & Nguyễn Thu Hằng (2012). Kiểm định mô hình chỉ số Z của Altman trong dự báo thất bại doanh nghiệp tại Việt Nam. Tạp chí Công nghệ Ngân hàng, số 742. 3. Boyd, J. H., & Graham, S. L. (1986), ‘Risk, regulation, and bank holding company expansion into nonbanking’, Quarterly Review, 10(Spr), 2-17. 4. Grice, J. S., & Ingram, R. W. (2001). Tests of the generalizability of Altman's bankruptcy prediction model. Journal of Business Research, 54(1), 53-61. 5. Nguyễn Minh Hà & Nguyễn Bảo Khang (2013), Các yếu tố tác động đến phá sản doanh nghiệp tại tỉnh Đồng Nai, Tạp chí Phát triển kinh tế, Số 273, tr. 26 – 38. 6. Trương Thanh Hằng & Nguyễn Thị Nga (2022), Nghiên cứu các nhân tố tác động đến nguy cơ phá sản của các doanh nghiệp niêm yết trên sàn chứng khoán Việt Nam, Journal of Science & Technology, Vol. 58 - No.5, 133. 7. Vũ Thị Hậu (2017), “Phân tích các yếu tố ảnh hưởng đến rủi ro tài chính của các công ty niêm yết ngành bất động sản tại Sở giao dịch chứng khoán Thành phố Hồ Chí Minh”, Tạp chí Kinh tế & Phát triển, Số 240, tr. 86-93. 8. Hayes, S. K., Hodge, K. A., & Hughes, L. W. (2010). A study of the efficacy of Altman’s Z to predict bankruptcy of specialty retail firms doing business in contemporary times. Economics & Business Journal: Inquiries & Perspectives, 3(1), 130-134. 9. Koh, H. C., & Killough, L. N. (1990). The use of multiple discriminant analysis in the assessment of the going‐concern status of an audit client. Journal of Business Finance & Accounting, 17(2), 179-192. 10. Võ Minh Long (2020), Một số nhân tố ảnh hưởng đến rủi ro tài chính – Nghiên cứu doanh nghiệp bất động sản niêm yết trên Sở Giao dịch chứng khoán Thành phốHồChí Minh (HSX)”, Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, Tập 15, Số 3, tr. 77-88. 11. Makropoulos, A., Weir, C., & Zhang, X. (2020). An analysis of the determinants of failure processes in UK SMEs. Journal of small business and enterprise development, 27(3), 405-426. 12. Nguyễn Thị Nga (2018), Phân tích rủi ro phá sản trong các công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam, Luận văn Tiến sĩ Kinh tế, Trường Đại học Kinh Tế Quốc Dân. 13. Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model. The journal of business, 74(1), 101-124. 14. Nguyễn Văn Thép & Tạ Quang Dũng (2017), “Phân tích các yếu tố ảnh hưởng đến khả năng trả nợ của các doanh nghiệp bất động sản niêm yết tại Sở giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE)”, Tạp chí Khoa học Đại học Đà Lạt, Tập 8, Số 1S, tr. 87-102. 221