1

MỤC LỤC

MỤC LỤC ........................................................................................................................... 1

TÓM TẮT ............................................................................................................................ 4

1. GIỚI THIỆU ....................................................................................................... 6

1.1. Lý do chọn đề tài .................................................................................................... 6

1.2. Mục tiêu nghiên cứu .............................................................................................. 6

1.3. Phƣơng pháp và nội dung nghiên cứu.................................................................... 7

1.4. Đóng góp của đề tài ............................................................................................... 8

1.5. Bố cục bài nghiên cứu ............................................................................................ 8

2. TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƢỚC ĐÂY VỀ DỰ

BÁO KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN ................................................................. 10

2.1. Tổng quan lý thuyết về kiệt quệ tài chính ............................................................ 10

2.1.1. Sự phát triển của các định nghĩa về kiệt quệ tài chính .................................. 10

2.1.2. Nguyên nhân gây ra kiệt quệ tài chính .......................................................... 12

2.1.3. Tác động của kiệt quệ tài chính ..................................................................... 14

2.1.4. Tái cấu trúc công ty khi kiệt quệ tài chính .................................................... 16

2.2. Các nghiên cứu trƣớc đây về dự báo kiệt quệ tài chính và phá sản ..................... 18

3. PHƢƠNG PHÁP NGHIÊN CỨU .................................................................... 29

3.1. Mô hình hồi quy nhị phân Logit với dữ liệu bảng ............................................... 29

3.2. Tác động cận biên của các biến độc lập ............................................................... 30

3.3. Dữ liệu và xác định các biến số ........................................................................... 31

3.3.1. Biến phụ thuộc FD – Kiệt quệ tài chính ........................................................ 31

3.3.2. Các biến độc lập ............................................................................................ 32

2

3.3.2.1. Các biến số tỷ số tài chính ...................................................................... 32

TFOTL – Tỷ số Dòng tiền hoạt động kinh doanh trên Tổng nợ ....................................... 32

TLTA – Tỷ số Tổng nợ trên Tổng tài sản ......................................................................... 32

NOCREDINT – (Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn)/ Chi phí hoạt động

hàng ngày ........................................................................................................................... 33

COVERAGE – Tỷ số EBITDA trên Chi phí lãi vay ......................................................... 34

3.3.2.2. Các biến chỉ báo kinh tế vĩ mô ............................................................... 34

CPI – Lạm phát đƣợc tính toán bằng phần trăm thay đổi của Chỉ số giá tiêu dùng .......... 34

TBILL – Lãi suất tín phiếu kho bạc kỳ hạn một năm ....................................................... 35

3.3.2.3. Các biến số thị trƣờng ............................................................................ 36

PRICE – Giá cổ phiếu ....................................................................................................... 36

ABNRET – Tỷ suất sinh lợi vƣợt trội ............................................................................... 36

SIZE – Quy mô công ty ..................................................................................................... 37

VOLATILITY – Biến động trong tỷ suất sinh lợi của giá cổ phiếu ................................. 38

4. KẾT QUẢ NGHIÊN CỨU ............................................................................... 40

4.1. Thống kê mô tả .................................................................................................... 40

4.1.1. Thống kê mô tả cho các biến số sử dụng trong mô hình 1 – gồm các biến số

tỷ số tài chính ..................................................................................................................... 40

4.1.2. Thống kê mô tả cho các biến số sử dụng trong mô hình 2 – gồm các biến số

tỷ số tài chính và chỉ báo kinh tế vĩ mô ............................................................................. 42

4.1.3. Thống kê mô tả cho các biến số sử dụng trong mô hình 3 – gồm các biến số

tỷ số tài chính, chỉ báo kinh tế vĩ mô và thị trƣờng ........................................................... 45

4.1.4. Ma trận hệ số tƣơng quan và nhân tử phóng đại phƣơng sai VIF ................. 47

4.2. Kết quả hồi quy với mô hình Logit ...................................................................... 48

3

4.3. Đo lƣờng khả năng dự báo và phân loại của các mô hình ................................... 53

4.3.1. Các giá trị thống kê đo lƣờng khả năng dự báo của các mô hình ................. 53

4.3.2. Kiểm định sự khác nhau về mặt thống kê của các giá trị AUC .................... 57

4.3.3. Đánh giá khả năng phân loại của các mô hình .............................................. 62

4.3.4. So sánh khả năng dự báo của mô hình đầy đủ đƣợc ƣớc lƣợng theo phƣơng

pháp Logit, Probit và Mạng thần kinh nhân tạo ................................................................ 66

4.4. Đo lƣờng tác động cận biên trung bình (Average Marginal Effects) và xác suất

dự báo khả năng rơi vào tình trạng kiệt quệ tài chính (Predicted Probabilities) ............... 67

4.5. Phân tích một số trƣờng hợp cụ thể ..................................................................... 72

5. KẾT LUẬN ...................................................................................................... 77

5.1. Tóm tắt kết quả nghiên cứu.................................................................................. 77

5.2. Hạn chế của đề tài và hƣớng nghiên cứu tiếp theo .............................................. 78

PHỤ LỤC .......................................................................................................................... 80

TÀI LIỆU THAM KHẢO ................................................................................................. 81

4

TÓM TẮT

Bài nghiên cứu này sử dụng phƣơng pháp hồi quy Logit với dữ liệu dạng bảng gồm 1444

quan sát công ty – năm của các công ty phi tài chính đƣợc niêm yết tại Sở Giao dịch

chứng khoán Thành phố Hồ Chí Minh và Sở Giao dịch chứng khoán Hà Nội trong giai

đoạn 2008 – 2012 để xem xét khả năng kết hợp các biến số tài chính, các biến số kinh tế

vĩ mô và các biến số thị trƣờng trong việc dự báo tình trạng kiệt quệ tài chính của các

công ty. Đầu tiên, nhóm tác giả thực hiện hồi quy Logit với mô hình chỉ gồm biến phụ

thuộc nhị phân và các biến số tỷ số tài chính. Sau đó, nhóm tác giả lần lƣợt tiến hành

thêm vào mô hình ban đầu các biến số chỉ báo kinh tế vĩ mô và các biến số thị trƣờng

nhằm xem xét sự đóng góp của các loại biến số này trong việc gia tăng khả năng dự báo

và phân loại của mô hình. Ngoài ra, nhóm tác giả cũng tiến hành tính toán những tác

động cận biên của các biến độc lập lên xác suất rơi vào kiệt quệ tài chính của các công ty

để có thể giải thích rõ ràng hơn ảnh hƣởng của những thay đổi trong giá trị các biến độc

lập sẽ tác động nhƣ thế nào lên xác suất các công ty rơi vào tình trạng kiệt quệ tài chính.

Nhóm tác giả thu đƣợc những kết quả chính nhƣ sau:

- Thứ nhất, các biến số tỷ số tài chính có khả năng dự báo tình trạng kiệt quệ tài

chính của các công ty không cao.

- Thứ hai, các biến số chỉ báo kinh tế vĩ mô ít có đóng góp vào khả năng dự báo kiệt

quệ tài chính của các công ty.

- Thứ ba, các biến số thị trƣờng đóng góp nhiều nhất vào khả năng dự báo tình trạng

kiệt quệ tài chính của các công ty.

- Thứ tƣ, việc kết hợp các biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô và thị trƣờng

vào một mô hình cho thấy khả năng dự báo tình trạng kiệt quệ tài chính với mức độ chính

xác cao nhất.

Những kết quả nói trên cho thấy rằng tình trạng kiệt quệ tài chính của các công ty tại Việt

Nam không đƣợc dự báo hoàn toàn bởi thông tin thu thập đƣợc từ Báo cáo tài chính, mà

5

còn chịu ảnh hƣởng bởi các nhân tố bên ngoài từ môi trƣờng kinh tế vĩ mô và đặc biệt là

từ các yếu tố thị trƣờng.

Từ khóa: kiệt quệ tài chính, mô hình Logit.

6

1. GIỚI THIỆU

1.1. Lý do chọn đề tài

Kinh tế thế giới trong những năm gần đây biến động mạnh mẽ, mang đến cho các công ty

nhiều cơ hội nhƣng cũng không ít khó khăn trong hoạt động kinh doanh. Trong một môi

trƣờng kinh tế phát triển năng động, việc dự báo chính xác khả năng rơi vào tình trạng

kiệt quệ tài chính là một trong vấn đề cốt lõi giúp các nhà quản lý đƣa ra những quyết

định phù hợp, duy trì sự tồn tại và thúc đẩy sự phát triển của công ty.

Các nguyên nhân dẫn đến kiệt quệ tài chính ngày càng phức tạp. Tình trạng kiệt quệ tài

chính không đơn thuần chỉ do các yếu tố bên trong công ty gây ra mà còn do các yếu tố

bên ngoài tác động đến. Các mô hình dự báo kiệt quệ tài chính hiện nay hoặc chỉ dựa vào

các yếu tố bên trong nhƣ các biến số tỷ số tài chính, hoặc chỉ dựa vào các yếu tố bên

ngoài nhƣ các biến số thị trƣờng và vĩ mô. Do đó, các mô hình dự báo hiện tại không thể

phát huy đƣợc hết khả năng dự báo kiệt quệ tài chính. Vì vậy, cần thiết phải có một cách

thức dự báo tình trạng kiệt quệ tài chính chính xác hơn nhằm giúp các nhà quản lý đƣa ra

các hành động kịp thời và đúng đắn, giúp công ty tránh khỏi tình trạng kiệt quệ tài chính

và từ đó nâng cao giá trị công ty. Từ yêu cầu bức thiết nói trên, nhóm tác giả chúng tôi

thực hiện nghiên cứu này nhằm tìm ra một mô hình dự báo tình trạng kiệt quệ tài chính

cho các công ty niêm yết tại Việt Nam có kết hợp cả dữ liệu tài chính bên trong công ty

cũng nhƣ dữ liệu thị trƣờng và vĩ mô bên ngoài công ty.

1.2. Mục tiêu nghiên cứu

Hiện nay có rất nhiều nghiên cứu về mô hình dự báo tình trạng kiệt quệ tài chính. Tuy

nhiên, hoặc chúng chỉ sử dụng dữ liệu tài chính, hoặc là chỉ sử dụng dữ liệu thị trƣờng.

Kết quả dự báo thu đƣợc từ những mô hình này là khác nhau vì những đặc điểm riêng của

từng loại dữ liệu và có rất nhiều tranh cãi xung quanh việc sử dụng loại dữ liệu nào để

tiến hành dự báo tình trạng kiệt quệ tài chính sẽ tốt hơn. Gần đây xuất hiện một số nghiên

cứu sử dụng cách tiếp cận kết hợp, sử dụng cả dữ liệu tài chính và dữ liệu thị trƣờng

7

trong mô hình. Kết quả thu đƣợc cho thấy rằng dữ liệu tài chính và dữ liệu thị trƣờng kết

hợp với nhau sẽ tạo nên một mô hình dự báo tốt hơn. Vì vậy, chúng tôi thực hiện bài

nghiên cứu này để kiểm tra một cách thực nghiệm sự hữu ích khi kết hợp các biến số tỷ

số tài chính, biến thị trƣờng và biến kinh tế vĩ mô vào một mô hình dự báo tình trạng kiệt

quệ tài chính. Nghiên cứu này phát triển các mô hình dự báo tình trạng kiệt quệ tài chính

cho các công ty niêm yết tại thị trƣờng chứng khoán Việt Nam. Để làm rõ mục tiêu

nghiên cứu nói trên, nhóm tác giả cần giải quyết những vấn đề sau:

- Đƣa ra cơ sở để xác định nhƣ thế nào là một công ty rơi vào tình trạng kiệt quệ tài

chính.

- Xác định các yếu tố ảnh hƣởng đến khả năng rơi vào tình trạng kiệt quệ tài chính của

công ty.

- Sử dụng một mô hình hồi quy kinh tế lƣợng thích hợp để đo lƣờng tác động của từng

yếu tố đến khả năng xảy ra kiệt quệ tài chính.

1.3. Phƣơng pháp và nội dung nghiên cứu

Để xem xét khả năng dự báo tình trạng kiệt quệ tài chính của các công ty thông qua các

biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô cũng nhƣ những biến số thị trƣờng với các

công ty trên thị trƣờng chứng khoán Việt Nam, nhóm tác giả đã chọn ra các công ty phi

tài chính có niêm yết tại Sở giao dịch chứng khoán thành phố Hồ Chí Minh và Sở giao

dịch chứng khoán thành phố Hà Nội.

Bài nghiên cứu này sử dụng nguồn dữ liệu từ cơ sở dữ liệu của Bloomberg gồm 1444

quan sát công ty – năm của các công ty đƣợc niêm yết tại Sở giao dịch chứng khoán TP.

Hồ Chí Minh và Sở giao dịch chứng khoán Hà Nội từ năm 2008 đến năm 2012. Ngoài ra,

việc thu thập dữ liệu vĩ mô còn dựa trên cơ sở dữ liệu của Ngân hàng Thế giới – World

Bank. Trong nghiên cứu này, nhóm tác giả phân loại các quan sát thành hai loại: những

quan sát rơi vào tình trạng kiệt quệ tài chính đƣợc gán giá trị biến phụ thuộc là 1, những

quan sát không bị kiệt quệ tài chính đƣợc gán giá trị biến phụ thuộc là 0. Để giải quyết

8

vấn đề biến phụ thuộc là biến nhị phân, nhóm tác giả sử dụng mô hình Logit trong bài

nghiên cứu này.

1.4. Đóng góp của đề tài

Kết quả bài nghiên cứu cho thấy rằng khi kết hợp các biến số tỷ số tài chính, chỉ báo kinh

tế vĩ mô và các biến số thị trƣờng vào mô hình thì khả năng dự báo và phân loại của mô

hình tốt hơn trong trƣờng hợp chỉ sử dụng các biến số tỷ số tài chính. Điều này hàm ý

rằng tình trạng kiệt quệ tài chính không đƣợc dự báo hoàn toàn từ các bảng báo cáo tài

chính, mà còn chịu ảnh hƣởng bởi các nhân tố bên ngoài từ môi trƣờng kinh tế vĩ mô và

các yếu tố thị trƣờng.

Việc đƣa ra một mô hình dự báo khả năng rơi vào tình trạng kiệt quệ tài chính của công

ty chính xác hơn giúp các công ty có biện pháp ngăn chặn kịp thời các tổn thất có thể xảy

ra. Điều này giúp công ty nâng cao hiệu quả hoạt động trong một nền kinh tế ngày càng

cạnh tranh và biến động. Mặt khác, khi dự báo đƣợc khả năng một công ty rơi vào tình

trạng kiệt quệ tài chính thì các chủ nợ cũng nhƣ các nhà đầu tƣ đại chúng khác sẽ đƣa ra

đƣợc các quyết định đúng đắn hơn.

Đây là bài nghiên cứu đầu tiên ở Việt Nam về mô hình dự báo khả năng rơi vào kiệt quệ

tài chính của các công ty mà có sử dụng kết hợp của các loại biến số tài chính, biến số thị

trƣờng và biến số chỉ báo kinh tế vĩ mô dựa trên một bộ dữ liệu lớn. Đặt nền tảng cho các

nghiên cứu sau này về mô hình dự báo tình trạng kiệt quệ tài chính sử dụng kết hợp các

biến số tỷ số tài chính, các biến số chỉ báo kinh tế vĩ mô và các biến số thị trƣờng.

1.5. Bố cục bài nghiên cứu

Bài nghiên cứu của nhóm tác giả gồm 5 phần:

Phần 1 – Giới thiệu tổng quan đề tài. Trong phần 1, nhóm tác giả trình bày tổng quan các

vấn đề của bài nghiên cứu. Cụ thể, nhóm tác giả sẽ chỉ ra những yêu cầu bức thiết dẫn

nhóm tác giả đến việc thực hiện bài nghiên cứu, từ đó cho thấy đóng góp của đề tài trong

giai đoạn hiện nay. Đồng thời, nhóm tác giả cũng xây dựng mục tiêu nghiên cứu và cung

9

cấp một cái nhìn tổng quát về phƣơng pháp cũng nhƣ số liệu đƣợc sử dụng trong nghiên

cứu này.

Phần 2 – Tổng quan lý thuyết và các nghiên cứu trước đây về dự báo kiệt quệ tài chính

và phá sản. Nhóm tác giả xây dựng phần này với mục đích cung cấp một cái nhìn tổng

quan về kiệt quệ tài chính, bao gồm sự phát triển của các định nghĩa về kiệt quệ tài chính,

nguyên nhân gây ra tình trạng kiệt quệ tài chính, tác động của kiệt quệ tài chính lên công

ty và một số biện pháp tái cấu trúc công ty khi rơi vào tình trạng kiệt quệ tài chính. Đồng

thời, nhóm tác giả cũng cung cấp một cái nhìn xuyên suốt về quá trình phát triển của

những nghiên cứu thực nghiệm về dự báo tình trạng kiệt quệ tài chính và phá sản trên thế

giới nhằm có một định hƣớng rõ ràng hơn trong việc xây dựng phƣơng pháp nghiên cứu

và lựa chọn các biến số cho mô hình dự báo kiệt quệ tài chính ở phía sau.

Phần 3 – Phương pháp nghiên cứu. Phần này cung cấp một chi tiết hóa về phƣơng pháp

nghiên cứu, dữ liệu cũng nhƣ cách xác định các biến số đƣợc sử dụng trong nghiên cứu

của nhóm tác giả. Ngoài ra, nhóm tác giả cũng đƣa ra các kỳ vọng về dấu của các biến số

trong mô hình hồi quy ở phần này.

Phần 4 – Kết quả nghiên cứu. Nhóm tác giả trình bày các kết quả từ mô hình hồi quy

Logit; các kiểm định liên quan nhằm đánh giá mức độ chính xác trong dự báo kiệt quệ tài

chính của các mô hình cũng nhƣ thảo luận kết quả nghiên cứu cho các công ty tại Việt

Nam trong phần này.

Phần 5 – Kết luận. Phần này tóm tắt kết quả nghiên cứu cũng nhƣ nêu lên những hạn chế

của đề tài và những hƣớng mở rộng nghiên cứu tiếp theo.

10

2. TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƢỚC ĐÂY VỀ DỰ

BÁO KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN

2.1. Tổng quan lý thuyết về kiệt quệ tài chính

2.1.1. Sự phát triển của các định nghĩa về kiệt quệ tài chính

Rắc rối lớn nhất trong lĩnh vực dự báo kiệt quệ tài chính là thiếu một định nghĩa thống

nhất về tình trạng khó khăn tài chính mà công ty phải đối mặt. Bởi vì định nghĩa về kiệt

quệ tài chính sẽ xác định mục tiêu nghiên cứu và là điều kiện tiên quyết để dự báo kiệt

quệ tài chính, cho nên các nghiên cứu trƣớc đây đã có nhiều nỗ lực trong việc tìm ra định

nghĩa phù hợp về kiệt quệ tài chính. Theo Brealey Meyers (2003), kiệt quệ tài chính

xảy ra khi công ty gặp khó khăn tài chính (financial difficulties) không thể đáp ứng các

hứa hẹn với các chủ nợ hay đáp ứng một cách khó khăn. Trong một số nghiên cứu kinh

điển, những khó khăn tài chính nhƣ vậy bao gồm việc không có khả năng trả nợ hoặc trả

cổ tức cổ phần ƣu đãi và dẫn đến những hậu quả tƣơng ứng nhƣ thấu chi tiền gửi ngân

hàng phải thanh lý tài sản công ty để trả nợ, hoặc thậm chí là tuyên bố phá sản theo luật

định (Beaver, 1966 và Altman, 1968).

Cho đến bây giờ, phá sản (bankruptcy) là một trong những khái niệm phổ biến nhất

đƣợc dùng nhƣ là từ đồng nghĩa với tình trạng công ty đang đối mặt với những khó khăn

tài chính. Phá sản là một tiến trình theo luật định mà ở đó những công ty không trả đƣợc

nợ tuyên bố mất khả năng chi trả nợ, đó là hình thức cuối cùng và nghiêm trọng nhất của

kiệt quệ tài chính. Hầu hết các nghiên cứu trƣớc đây về dự báo thất bại công ty

(corporate failure) đều tập trung vào những công ty đệ đơn phá sản (Beaver, 1966,

1968; Altman, 1968; Altman, Haldeman và Narayanan, 1977; Ohlson, 1980). Mất khả

năng chi trả (insolvency) là khái niệm pháp lý thƣờng đƣợc sử dụng trong trƣờng hợp

công ty đối mặt với khó khăn tài chính, bao gồm các vấn đề về tính thanh khoản và thành

quả hoạt động (Altman và Hotchkiss, 2006). Công ty mất khả năng thanh toán đƣợc xác

định là những công ty có lợi nhuận hoạt động âm và hiện giá dòng tiền công ty ít hơn

tổng giá trị các nghĩa vụ tài chính (Altman, 1983; Keating cùng cộng sự, 2005). Khi mà

11

một công ty trách nhiệm hữu hạn mất khả năng thanh toán, công ty có thể sẽ bán tài sản

và tái phân phối thu nhập cho ngƣời khởi kiện hay là thực hiện thanh lý (liquidation)

(Wruck, 1990). Mặt khác, phá sản cũng có thể là một lựa chọn đƣợc xem xét khi công ty

mất khả năng thanh toán. Bên cạnh phá sản, mất khả năng thanh toán, thanh lý, không

thực hiện nghĩa vụ (default) cũng là tình trạng công ty đang đối mặt với khó khăn tài

chính. Theo Altman và Hotchkiss (2006), không thực hiện nghĩa vụ xảy ra khi công ty

không hoàn thành nghĩa vụ pháp lý đối với chủ nợ và khi những thủ tục pháp lý hệ quả

đƣợc tiến hành. Trong những nghiên cứu trƣớc đây, thất bại công ty (corporate failure)

đƣợc định nghĩa nhƣ một khái niệm tổng hợp, gồm những tình trạng sau: hủy niêm yết

trên thị trƣờng chứng khoán, thua lỗ làm mất cân đối tài sản, đang trong quá trình thanh

lý, tỷ suất sinh lợi cổ phiếu âm, phải tiến hành dàn xếp với chủ nợ. Balcaen và Ooghe

(2006) cho rằng tiêu chuẩn thất bại công ty nhƣ vậy không phải là một sự phân định rõ

ràng và đƣợc chọn một cách tùy ý theo mục đich nghiên cứu. Những định nghĩa gần đây

hơn của Altman và Hotchkiss (2006) xác định rằng: thất bại công ty xảy ra khi tỷ suất

sinh lợi thực điều chỉnh rủi ro của các dự án mà công ty đầu tƣ liên tục thấp hơn một cách

rõ ràng so với mức kì vọng.

Ngoài ra, Carminchael (1972) tin rằng khó khăn tài chính là một trạng thái mà công ty

gặp khó khăn trong việc thực hiện nghĩa vụ. Những khó khăn này bao gồm: thiếu khả

năng thanh toán, thâm hụt vốn chủ sở hữu, mất khả năng chi trả nợ, và thiếu hụt nguồn

vốn có tính thanh khoản. Foster (1986) định nghĩa kiệt quệ tài chính là một vấn đề

nghiêm trọng về thanh khoản, vấn đề chỉ có thể đƣợc giải quyết bằng việc tái cơ cấu quy

mô lớn về hoạt động kinh doanh hoặc cấu trúc của tổ chức kinh tế. Trong Doumpos và

Zopounidis (1999), kiệt quệ tài chính không chỉ bao gồm tình trạng không có khả năng

chi trả và các hậu quả kéo theo nhƣ trên, mà còn bao gồm tình hình giá trị tài sản ròng

âm, nghĩa là tổng số nợ của công ty vƣợt quá tổng tài sản trên bảng cân đối kế toán. Ross

cùng cộng sự (1999) tổng kết các nghiên cứu trƣớc đó và kết luận những khó khăn tài

chính bao gồm bốn điều kiện sau đây: (1) thất bại trong kinh doanh, nghĩa là một công ty

có thể không trả đƣợc dƣ nợ sau khi thanh lý, (2) phá sản theo luật định, nghĩa là một

12

công ty nộp đơn cho tòa án để tuyên bố phá sản; (3) phá sản mang tính kỹ thuật, nghĩa là

một công ty không thể hoàn thành hợp đồng theo lịch trình để trả nợ gốc và lãi, và (4)

phá sản mang tính kế toán, nghĩa là giá trị sổ sách ròng của công ty là âm.

Tóm lại, theo Jie Sun 2013 có thể diễn đạt sự phát triển của định nghĩa về kiệt quệ tài

chính theo hai quan điểm chính là lý thuyết và thực nghiệm. Từ quan điểm của phân tích

lý thuyết, kiệt quệ tài chính có các mức độ khác nhau: kiệt quệ tài chính mức độ nhẹ chỉ

là khó khăn dòng tiền tạm thời, trong khi kiệt quệ tài chính ở mức nghiêm trọng là khánh

kiệt hay phá sản. Kiệt quệ tài chính là quá trình thay đổi linh hoạt các trạng thái khác

nhau giữa khó khăn tạm thời và phá sản; là kết quả của các bất thƣờng xảy ra đối với hoạt

động kinh doanh trong suốt một khoảng thời gian. Do yêu cầu về tính rõ ràng của tiêu

chuẩn lấy mẫu nghiên cứu hoặc do những hạn chế trong dữ liệu sẵn có nên quan điểm

nghiên cứu thực nghiệm về kiệt quệ tài chính có sự khác biệt. Kiệt quệ tài chính đƣợc xác

định dƣới quan điểm thực nghiệm cho thấy khó khăn tài chính của công ty một cách rõ

ràng, chẳng hạn nhƣ tình trạng thông báo phá sản hoặc bị hủy niêm yết trên sàn chứng

khoán. Những nghiên cứu gần đây chỉ dùng các tiêu chuẩn riêng lẻ để xác định công ty

có rơi vào tình trạng kiệt quệ tài chính hay không, điều này không thể hiện đƣợc sự biến

đổi linh hoạt về hình thái biểu hiện của kiệt quệ tài chính. Các nghiên cứu trong tƣơng lai

cần phải tìm ra một tiêu chuẩn toàn diện hơn mà có thể phân loại các công ty theo các

mức độ kiệt quệ tài chính khác nhau nhƣ nhẹ, trung bình và phá sản.

2.1.2. Nguyên nhân gây ra kiệt quệ tài chính

Ngoài việc tìm kiếm một định nghĩa thỏa đáng, việc xác định nguyên nhân kiệt quệ tài

chính cũng có vai trò quan trọng trong việc trình bày chiến lƣợc thích hợp cho nhà đầu tƣ.

Theo Jahur và Quadir (2012), nguyên nhân phổ biến của kiệt quệ tài chính thƣờng là

một kết hợp phức tạp của lý do và biểu hiện của kiệt quệ tài chính, tức là triệu chứng

cũng có thể là nguyên nhân để gây ra kiệt quệ tài chính. Các nguyên nhân gây ra tình

trạng kiệt quệ tài chính đƣợc phân chia thành nhân tố bên trong và nhân tố bên ngoài.

13

Nhân tố bên trong đề cập đến các vấn đề nội bộ liên quan đến quản lý yếu kém của

công ty bao gồm: quản lý dự án không tốt hoặc để xảy ra gian lận; phẩm chất và kĩ năng

quản lý kém; hệ thống thông tin kế toán hoạt động không hiệu quả; lợi nhuận biên và

hiệu quả hoạt động thấp; quản lý nguồn vốn, thanh khoản kém; chuyển giao quyền quản

lý không phù hợp. Theo Zwaig & Pickett (2012), quản lý không thay đổi kịp thời theo

sự mở rộng nhanh chóng của hoạt động kinh doanh hoặc không thích nghi với chiến lƣợc

mới của đối thủ cạnh tranh có thể kéo theo sự thất bại công ty. Việc tuyển dụng đội ngũ

quản lý không cân xứng và thiếu kỹ năng cần thiết để quản lý công ty sẽ đẩy công ty rơi

vào kiệt quệ tài chính, do các quyết định đầu tƣ sai lầm với tổn thất kinh phí lớn mà

không thể khắc phục đƣợc (Galloway và Jones, 2006). Đối với các công ty mới thành

lập, nguyên nhân quan trọng nhất gây ra kiệt quệ tài chính là sự thiếu vốn ngay từ lúc

khởi đầu kinh doanh. Nguồn vốn trong kinh doanh có vai trò nhƣ một tấm đệm chống lại

những thua lỗ bất thƣờng mà không thể bù đắp bởi thu nhập hiện tại (Adeyemi, 2012 ).

Việc đổi mới cũng có vai trò quan trọng trong thành công hay thất bại của công ty do

những rủi ro gắn với việc này (Chao, Lipson & Loutskina, 2012). Xác suất công ty rơi

vào kiệt quệ tài chính do đổi mới là đặc biệt cao khi đối thủ giới thiệu sản phẩm sáng tạo

và cạnh tranh làm giảm sự hấp dẫn của các sản phẩm và dịch vụ mới của công ty (Jahur

& Quadir, 2012 ). Vì vậy, đổi mới có thể đem đến cho công ty một lợi thế cạnh tranh so

với các đối thủ hoặc kéo theo sự sụp đổ.

Các nhân tố bên ngoài tác động lên toàn bộ thị trƣờng bao gồm: sự cạnh tranh của

các đối thủ trong thị trƣờng; sự vỡ nợ của các đối tác kinh doanh; biến động bất lợi của tỷ

giá hối đoái, lãi suất tín dụng cao; thay đổi bất lợi trong chính sách của chính phủ; khác

biệt giữa lạm phát thực tế và kì vọng. Những nhân tố bên ngoài thì không phụ thuộc vào

kỹ năng quản trị công ty (Karels & Plakash, 1987). Ngoài các nguyên nhân trên,

Stephen G. Moyer (2005) cho rằng chu kì kinh tế là một nguyên nhân quan trọng dẫn

đến kiệt quệ tài chính. Khi chu kì kinh tế đang ở giai đoạn suy thoái, dòng tiền thu đƣợc

từ đƣợc hoạt động kinh doanh thấp sẽ làm cho công ty không thể đáp ứng hoặc đáp ứng

14

khó khăn các nghĩa vụ nợ. Điều này xảy ra đối với toàn bộ các công ty trong nền kinh tế,

tuy nhiên mức độ tác động thì phụ thuộc vào đặc điểm riêng biệt của ngành và công ty.

Tuy nhiên, một số đặc điểm của công ty có thể làm giảm nhẹ tác động của các nguyên

nhân trên là quy mô công ty, ngành đang hoạt động và khả năng chuyển đổi kinh doanh

linh hoạt. Quy mô công ty đóng một vai trò quan trọng quyết định công ty có rơi vào kiệt

quệ tài chính hay không. Chỉ có một số ít công ty lớn gặp phải các vấn đề tài chính so với

những công ty vừa và nhỏ (Monti & Mariano, 2010). Những công ty lớn có thể dễ dàng

thu hút vốn rẻ từ bên ngoài và có khả năng sống sót trong suốt thời kì khủng hoảng cao

hơn so với những công ty nhỏ bằng nguồn vốn dự trữ tích lũy (Ooghe & Prijcker, 2008).

Cũng có những bằng chứng lý thuyết và thực nghiệm chỉ ra rằng tỷ suất sinh lợi của công

ty tăng theo mức độ gia tăng tài sản. Điều này hàm ý rằng một công ty có tài sản lớn hơn

sẽ có rủi ro rơi vào tình trạng kiệt quệ tài chính thấp hơn so với công ty vừa và nhỏ với

cùng một giá trị các tỷ số tài chính (Alexander, 2001). Cuối cùng, những công ty ở các

ngành khác nhau thì có xác suất rơi vào tình trạng kiệt quệ tài chính và quy mô chi phí

kiệt quệ tài chính phải gánh chịu là khác nhau do đặc điểm hoạt động kinh doanh của

ngành.

2.1.3. Tác động của kiệt quệ tài chính

Công ty rơi vào tình trạng kiệt quệ tài chính sẽ phải gánh chịu những chi phí, đƣợc gọi là

chi phí kiệt quệ tài chính. Chi phí kiệt quệ tài chính xuất phát từ 3 nguyên nhân chủ yếu

nhƣ sau:

- Thứ nhất, một công ty đang trong tình trạng kiệt quệ tài chính có thể mất khách

hàng, các nhà cung cấp quan trọng và các nhân sự chủ chốt. Opler và Titman (1994) đƣa

ra các bằng chứng thực nghiệm cho thấy một công ty kiệt quệ tài chính bị mất thị phần

đáng kể so với các đối thủ đang hoạt động tốt trong thời kỳ suy thoái của ngành. Nguyên

nhân là do khách hàng không thích kinh doanh với một công ty đang trong tình trạng kiệt

quệ tài chính. Hơn nữa, các đối thủ cạnh tranh lợi dụng tình trạng công ty đang suy yếu

15

về tài chính để giảm giá sản phẩm, thực hiện các chiến lƣợc quảng cáo mạnh mẽ nhằm

thu hút khách hàng. Nghiên cứu của Chevalier (1995a, b) cũng tìm thấy bằng chứng cho

rằng nợ làm yếu đi vị thế cạnh tranh của công ty. Những công ty có đòn bẩy tài chính

càng cao thì mất thị phần càng nhiều so với những đối thủ có đòn bẩy thấp hơn trong điều

kiện ngành đi xuống.

- Thứ hai, các mâu thuẫn về quyền lợi giữa trái chủ và cổ đông của công ty trong

tình trạng kiệt quệ tài chính có thể đƣa đến các quyết định yếu kém về hoạt động và đầu

tƣ. Các cổ đông hành động vì quyền lợi cá nhân có thể chuyển dịch rủi ro từ họ sang cho

các chủ nợ gánh chịu bằng cách thực hiện các trò chơi làm giảm tổng giá trị của công ty.

Các trò chơi ở đây có thể là ―dịch chuyển rủi ro‖, ―từ chối đóng góp vốn cổ phần‖, ―thu

tiền và bỏ chạy‖, ―kéo dài thời gian‖, ―thả mồi bắt bóng‖… Để ngăn chặn các trò chơi

này, các chủ nợ thƣờng áp đặt các điều khoản trong hợp đồng nợ nhƣ: duy trì giá trị tài

sản ròng tối thiểu hoặc tỷ lệ nợ trên vốn cổ phần tối đa đối với công ty đi vay,… làm mất

đi sự linh hoạt trong hoạt động của công ty đồng thời lãng phí thời gian và nguồn lực

trong việc soạn thảo, giám sát và thực thi các hợp đồng nợ. Ngoài ra, một công ty kiệt

quệ tài chính thì có nhiều khả năng vi phạm các hợp đồng nợ hoặc chậm trễ trong việc

thanh toán lãi và nợ gốc. Sự vi phạm này gánh chịu một khoản chi phí nặng nề dƣới dạng

các hình phạt tài chính để thúc đẩy việc trả nợ.

- Cuối cùng, nếu công ty lâm vào tình trạng kiệt quệ tài chính và đi đến phá sản sẽ

phát sinh các chi phí trực tiếp liên quan đến thủ tục phá sản nhƣ: lệ phí tòa án, chi phí

pháp lý và hành chính khác. Ngoài ra, còn có các chi phí gián tiếp khác phản ánh các khó

khăn và rắc rối trong việc quản lý và điều hành một công ty đang trong tình trạng đệ đơn

phá sản. Chi phí kiệt quệ tài chính phụ thuộc vào xác suất kiệt quệ tài chính và độ lớn của

chi phí phải gánh chịu nếu kiệt quệ tài chính xảy ra.

Ngoài ra, công ty bị phá sản sẽ có ảnh hƣởng tiêu cực đến nhân viên, ngƣời sản xuất, cổ

đông, chủ nợ, và toàn bộ cộng đồng. Vì vậy, nhà quản lý cần có một hệ thống hỗ trợ dự

đoán kiệt quệ tài chính tốt để kịp thời hành động trƣớc khi gặp kiệt quệ tài chính.

16

2.1.4. Tái cấu trúc công ty khi kiệt quệ tài chính

Khi rơi vào tình trạng kiệt quệ tài chính, công ty sẽ phải đƣa ra các quyết định liên quan

đến tái cấu trúc một cách toàn diện về tài chính, nhân sự, sản xuất… Nhóm tác giả sẽ

trình bày ba giải pháp tài chính mà các công ty có thể chọn để đối phó với kiệt quệ tài

chính theo tổng hợp của Lemma và Tracy (2012) thay vì lựa chọn thủ tục phá sản của

tòa án: cơ cấu lại nợ (debt restructuring), bán tài sản (asset sale), tiếp nhận vốn mới từ

nguồn bên ngoài (infusions of new capital from outside sources). Theo lý thuyết, những

biện pháp tái cấu trúc này là cách thức hiệu quả hơn để giải quyết kiệt quệ tài chính so

với thủ tục phá sản của toà án (Haugen và Senbet, 1978).

Cơ cấu lại nợ là một quá trình cho phép con nợ là công ty kiệt quệ tài chính đàm phán

với các chủ nợ của mình để sửa đổi các điều khoản của hợp đồng nợ chƣa thanh toán

nhằm giảm nghĩa vụ nợ của công ty và cải thiện tình hình tài chính tổng thể. Kỹ thuật cụ

thể trong quá trình cơ cấu lại nợ phụ thuộc chủ yếu vào việc hợp đồng nợ có thể giao dịch

đại chúng hay không. Lý do cho sự phụ thuộc này là hợp đồng nợ không thể giao dịch đại

chúng thì có những quy định về bảo mật thông tin và các hạn chế riêng mà các hợp đồng

nợ có thể đƣợc giao dịch đại chúng không có.

Công ty có thể nỗ lực bán tài sản để giảm thiểu khó khăn tài chính nhƣ là giải pháp thay

thế cho cơ cấu lại nợ. Một phần tiền bán tháo tài sản hiện tại có thể đƣợc sử dụng để giảm

dƣ nợ hoặc để thực hiện các cơ hội đầu tƣ mới. Vị thế tài chính yếu và nhu cầu thanh

khoản gấp rút của công ty có thể làm suy yếu nghiêm trọng khả năng mặc cả của công ty,

và do đó làm giảm giá bán tài sản của công ty. Tuy nhiên, chủ nợ vẫn có lợi từ việc

cƣỡng ép công ty bán tài sản để trả nợ cho họ, vì điều này sẽ tăng tốc số thu từ dòng tiền

trong tƣơng lai của tài sản công ty tránh rủi ro cho chủ nợ. Do đó, kết quả ròng của giao

dịch có thể kéo theo chuyển dịch tài sản từ cổ đông sang chủ nợ cũng nhƣ làm giảm giá

trị toàn bộ công ty.

17

Một công ty bị kiệt quệ tài chính thƣờng bị thiếu thanh khoản và cần đƣợc tài trợ theo

tiến độ trong quá trình giải quyết tình trạng kiệt quệ tài chính. Công ty kiệt quệ tài chính

cần đủ tiền mặt để trả cho nhân viên, nhà cung cấp và các bên liên quan khác. Công ty

kiệt quệ tài chính cũng có thể có các dự án với hiện giá dòng tiền dƣơng cần tài trợ. Do

đó, khả năng thu hút vốn mới của công ty là rất quan trọng cho sự sống còn của công ty

và hiệu quả đầu tƣ. Tuy nhiên trong trƣờng hợp kiệt quệ tài chính, công ty sẽ rất khó để

có đƣợc nguồn vốn bổ sung, bởi vì việc cho vay đối với các công ty kiệt quệ tài chính

phát sinh vấn đề “mối nguy về nợ” (debt overhang) có rủi ro cao với nhà đầu tƣ nhƣ mô

tả của Myers ( 1977). Vấn đề ―mối nguy về nợ‖ phát sinh là do lợi ích kinh tế từ nguồn

vốn bổ sung này không tƣơng xứng với rủi ro nhà đầu tƣ phải gánh chịu khi tài trợ cho

những công ty đang bị kiệt quệ tài chính. Đây là lý do tại sao việc tiếp nhận vốn chủ sở

hữu hiếm khi quan sát đƣợc trong việc giải quyết kiệt quệ tài chính.

Đa số các nghiên cứu đều tập trung vào chi phí kiệt quệ tài chính hoặc chi phí của việc tái

cấu trúc mà không đề cập nhiều đến lợi ích từ việc tái cấu trúc mang lại. Tuy nhiên,

nhiều nhà nghiên cứu (Baker & Wruck, 1989; Kaplan & Stein, 1990) đều đồng ý rằng

kiệt quệ tài chính thƣờng đi cùng với thay đổi về quản trị một cách toàn diện để có thể cải

thiện phƣơng thức sử dụng nguồn lực hiệu quả. Kiệt quệ tài chính có thể khắc phục tính ì

và buộc nhà quản lý phải cân nhắc thay đổi sản xuất để thích nghi với sự không chắc

chắn xảy ra. Nếu thực hiện thành công thì công ty có thể vƣợt qua kiệt quệ tài chính và

khôi phục lại hoạt động bình thƣờng.

Qua việc xem xét các khía cạnh khác nhau của kiệt quệ tài chính, chúng ta có thể thấy

đƣợc ảnh hƣởng của kiệt quệ tài chính đến hoạt động công ty là vô cùng mạnh mẽ. Do đó

việc chuẩn bị kế hoạch ngăn chặn và đối phó với kiệt quệ tài chính là điều quan trọng đối

với sự phát triển ổn định của công ty. Một trong những nhân tố chủ yếu tác động đến sự

thành công của việc lập kế hoạch đó là khả năng dự báo. Do đó, dự báo chính xác khả

năng kiệt quệ tài chính của công ty là cần thiết không chỉ với các nhà quản lý để có biện

pháp giảm tổn thất, mà còn quan trọng đối với các chủ nợ và nhà đầu tƣ trong quá trình ra

18

quyết định của mình. Lịch sử phát triển của các phƣơng pháp dự báo kiệt quệ tài chính và

kết quả của các mô hình này sẽ đƣợc trình bày ở phần tiếp theo.

2.2. Các nghiên cứu trƣớc đây về dự báo kiệt quệ tài chính và phá sản

Dự báo kiệt quệ tài chính và phá sản là một đề tài đã đƣợc giới nghiên cứu quan tâm từ

những năm 60 của thế kỷ trƣớc. Do vậy, có rất nhiều bài nghiên cứu về vấn đề này với

các phƣơng pháp tiếp cận khác nhau. Trong đó, Beaver (1966, 1968) và Altman (1968,

1977) đƣợc xem là hai tác giả tiên phong trong việc sử dụng các tỷ số tài chính để dự báo

phá sản trong các bài nghiên cứu thực nghiệm.

Trong bài nghiên cứu “Financial Ratios As Predictors Of Failure” (1966), Beaver là

ngƣời đặt nền móng cho việc xây dựng một mô hình thống kê phân tích các tỷ số tài

chính đơn lẻ để dự báo phá sản. Trong khi hầu hết các nghiên cứu vào thời điểm đó chỉ

xem xét các công ty vỡ nợ là các công ty phá sản, Beaver đã mở rộng định nghĩa về sự vỡ

nợ trong nghiên cứu của mình. Theo ông, vỡ nợ đƣợc định nghĩa là sự không có khả năng

đáp ứng các nghĩa vụ nợ đến hạn của một công ty. Do đó, nhóm các công ty vỡ nợ của

Beaver bao gồm các công ty phá sản, các công ty không trả đƣợc nợ, các công ty thấu chi

trên tài khoản ngân hàng và những công ty bỏ qua việc thanh toán cổ tức ƣu đãi. Trong

mẫu nghiên cứu của Beaver, số lƣợng các công ty này lần lƣợt là 59, 3, 1 và 16 công ty

trong khoảng thời gian từ 1954 - 1964. Áp dụng kỹ thuật chọn mẫu cặp, tức là tƣơng ứng

với một công ty vỡ nợ là một công ty vẫn còn hoạt động có cùng quy mô và trong cùng

ngành, Beaver tiến hành thu thập báo cáo tài chính của tất cả các công ty trong giai đoạn

5 năm trƣớc khi xảy ra vỡ nợ. Beaver xem xét 30 tỷ số thuộc 6 nhóm bao gồm: nhóm các

tỷ số dòng tiền, nhóm các tỷ số thu nhập ròng, nhóm các tỷ số nợ trên tổng tài sản, nhóm

các tỷ số tài sản thanh khoản trên tổng tài sản, nhóm các tỷ số tài sản thanh khoản trên nợ

ngắn hạn và nhóm các tỷ số doanh thu. Trong đó, Beaver tập trung kiểm định vào 6 tỷ số

sau: tỷ số dòng tiền trên tổng nợ, tỷ số thu nhập ròng trên tổng tài sản, tỷ số tổng nợ trên

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

hạn, tỷ số tài sản ngắn hạn trên chi tiêu hoạt động hằng ngày để phân loại nhóm công ty

vỡ nợ và nhóm công ty không vỡ nợ. Đối với mỗi tỷ số, Beaver suy ra một ngƣỡng giới

19

hạn, mà những công ty ở bên trên ngƣỡng này hoặc ở bên dƣới ngƣỡng này trong trƣờng

hợp tỷ số tổng nợ trên tổng tài sản thì đƣợc phân loại là không vỡ nợ tiềm năng, còn

những công ty ở dƣới ngƣỡng này hoặc ở bên trên ngƣỡng này trong trƣờng hợp tỷ số

tổng nợ trên tổng tài sản thì đƣợc phân loại là vỡ nợ tiềm năng. Ngƣỡng giới hạn này

đƣợc suy ra từ việc phân tích sự khác biệt trong các tỷ số tài chính giữa các công ty vỡ nợ

và các công ty không vỡ nợ và đƣợc lựa chọn dựa trên phƣơng pháp thử và sai - sao cho

xác suất của việc dự báo sai là nhỏ nhất. Beaver xem công ty nhƣ là một bể dự trữ chứa

các tài sản thanh khoản đƣợc bơm vào bởi các dòng tiền vào và tháo ra bởi các dòng tiền

ra. Beaver phân tích các tỷ số tài chính dựa trên các định đề sau: Bể dự trữ này càng lớn

thì xác suất vỡ nợ càng nhỏ; Dòng tài sản thanh khoản ròng từ hoạt động càng lớn thì xác

suất vỡ nợ càng nhỏ; Vay nợ càng nhiều thì xác suất vợ nợ càng lớn; Quỹ chi tiêu cho

hoạt động càng lớn thì xác suất vợ nợ càng lớn. Kết quả nghiên cứu của Beaver cho thấy

các tỷ số tài chính đơn lẻ có khả năng dự báo vỡ nợ khá tốt. Chỉ 10% các công ty trong

mẫu dữ liệu ban đầu bị phân loại sai theo tỷ số dòng tiền trên tổng tài sản đối với một

năm trƣớc khi vỡ nợ. Các con số này lần lƣợt là 13% và 15% đối với các tỷ số dòng tiền

trên tổng nợ và thu nhập ròng trên tổng nợ. Mặc dù khi tăng số năm dự báo lên đến 5 năm

trƣớc khi vỡ nợ thì tỷ lệ phân loại sai có tăng lên nhƣng không đáng kể. Chẳng hạn, trong

khoảng thời gian 5 năm trƣớc khi phá sản thì tỷ lệ phân loại sai chỉ là 22% đối với tỷ số

dòng tiền trên tổng nợ, 28% đối với tỷ số dòng tiền trên tổng tài sản và 32% đối với tỷ số

thu nhập ròng trên tổng nợ.

Trong một bài nghiên cứu tiếp theo vào năm 1968, Beaver nhận thấy rằng thị trƣờng

chứng khoán cũng có khả năng dự báo vỡ nợ của các công ty. Beaver đã chứng minh

rằng giá chứng khoán của công ty sẽ giảm đáng kể trước khi công ty vỡ nợ. Ông tiến

hành nghiên cứu xem liệu có phải thị trƣờng chứng khoán sẽ dự báo vỡ nợ trƣớc các tỷ số

tài chính hay không và tìm thấy rằng thị trƣờng chứng khoán đã phản ứng trƣớc các tỷ số

tài chính ở một biên độ nhỏ. Nghiên cứu này cho thấy, các mô hình dự báo phá sản đã bắt

đầu quan tâm đến các dữ liệu thị trường.

20

Mặc dù phƣơng pháp trên thì dễ áp dụng và tiết kiệm thời gian, nhƣng Altman (1968)

cho rằng mô hình dự báo phá sản áp dụng kỹ thuật phân tích các tỷ số tài chính đơn lẻ thì

quá đơn giản để ghi nhận tính phức tạp của sự phá sản bởi vì không thể phân loại một

công ty chỉ dựa vào một tỷ số tài chính đơn lẻ ở một thời điểm. Hơn nữa, phƣơng pháp

này dễ đƣa ra các kết luận mâu thuẫn và nhầm lẫn bởi vì các kết quả phân loại theo các tỷ

số khác nhau là khác nhau đối với cùng một công ty. Chẳng hạn nhƣ, một công ty với khả

năng sinh lợi nghèo nàn nhƣng vẫn có thể trả đƣợc nợ có thể sẽ bị phân loại là phá sản

tiềm năng. Vì vậy, trong bài nghiên cứu “Financial Ratios, Discriminant Analysis And

The Prediction Of Corporate Bankruptcy” (1968), Altman đã sử dụng kỹ thuật phân

tích đa biệt số (MDA – Multiple Discriminant Analysis) dựa trên sự kết hợp nhiều tỷ số

để đƣa ra một mô hình dự báo tốt hơn. MDA là một kỹ thuật thống kê đƣợc dùng để phân

loại một quan sát vào một nhóm cho trƣớc dựa vào các đặc trƣng riêng biệt của quan sát

đó. MDA tạo ra một kết hợp tuyến tính hoặc bậc hai của các biến - các đặc trƣng sao cho

phân biệt tốt nhất giữa các nhóm. Trong bài nghiên cứu này, Altman kết hợp cả dữ liệu

tài chính và dữ liệu thị trường cho mẫu nghiên cứu gồm 66 công ty trong lĩnh vực sản

xuất đƣợc chia thành 2 nhóm với mỗi nhóm gồm 33 công ty. Nhóm (1) bao gồm các công

ty đệ đơn phá sản trong suốt giai đoạn 1946 – 1965. Nhóm (2) bao gồm các công ty vẫn

còn tồn tại đến năm 1966, và đƣợc chọn tƣơng ứng theo cặp với các công ty trong nhóm

(1) về quy mô và ngành hoạt động. Hàm phân biệt của Altman nhƣ sau:

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

Trong đó,

X1 = Tỷ số vốn luân chuyển trên tổng tài sản

X2 = Tỷ số thu nhập giữ lại trên tổng tài sản

X3 = Tỷ số thu nhập trƣớc thuế và lãi vay trên tổng tài sản

X4 = Tỷ số giá trị thị trƣờng của vốn cổ phần trên giá trị sổ sách của tổng nợ

X5 = Tỷ số doanh thu trên tổng tài sản

21

Z = Tỷ số tổng thể

Tất cả các công ty có tỷ số Z ≤ 2.675 đƣợc phân loại là phá sản và các công ty có tỷ số Z

> 2.675 đƣợc phân loại vào nhóm không phá sản. Kết quả cho thấy mức độ chính xác của

hàm phân loại là 95% đối với các công ty trong mẫu ban đầu. Hơn nữa, mô hình có thể

dự báo chính xác lên đến 2 năm trƣớc khi phá sản xảy ra với độ chính xác là 83%. Mặc

dù mức độ chính xác giảm dần sau năm thứ 2 do khoảng thời gian tăng lên. Tuy nhiên,

kết quả nghiên cứu này đã cung cấp thêm bằng chứng thực nghiệm chứng minh mạnh mẽ

cho các kết quả nghiên cứu trƣớc đó về tính hữu dụng của các dữ liệu tài chính và dữ liệu

thị trƣờng trong việc dự báo vỡ nợ.

Không dừng lại ở đó, trong bài nghiên cứu “Zeta Analysis - A New Model To Identify

Bankruptcy Risk Of Corporations” (1977), Altman và cộng sự đã tiếp tục nghiên cứu

và phát triển một mô hình dự báo phá sản mới gọi là mô hình điểm Z. Mô hình này đã

khắc phục những nhƣợc điểm của mô hình cũ (1968), với khả năng dự báo chính xác lên

đến 5 năm trƣớc khi phá sản của một mẫu các công ty lớn hơn – 111 công ty gồm cả lĩnh

vực sản xuất và bán lẻ trong giai đoạn 1969 – 1975. Hơn nữa, tỷ lệ dự báo chính xác của

mô hình điểm Z trong khoảng thời gian 2 - 5 năm trƣớc khi phá sản là gần bằng tỷ lệ của

1 năm trƣớc khi phá sản, trong khi đó, so với mô hình cũ của Altman (1968) thì tỷ lệ này

giảm dần và không còn đáng tin cậy.

Tuy nhiên, phƣơng pháp phân tích đa biệt số cũng tồn tại một số nhược điểm. Thứ nhất,

tỷ số tổng hợp - tỷ số Z đƣợc suy ra từ một hàm tuyến tính, mà khi tỷ số này cao hơn hay

thấp hơn một điểm giới hạn nào đó thì công ty đƣợc phân loại là không phá sản hay phá

sản. Tuy nhiên, trong thực tế thì một công ty có thể gặp phải vấn đề tài chính ngay cả khi

các tỷ số là rất cao và rất thấp, hay nói cách khác, các tỷ số này tuân theo một hàm phi

tuyến. Thứ hai, MDA liên quan đến phân tích hồi qui tuyến tính với giả định rằng các

biến độc lập tuân theo phân phối chuẩn đa biến và các ma trận hiệp phƣơng sai bằng

nhau. Khi mẫu dữ liệu không đáp ứng đủ các giả định này thì kết quả MDA có thể không

đáng tin cậy. Thứ ba, biến phụ thuộc trong mô hình MDA đƣợc giả định là một biến liên

22

tục, điều này trái với thực tế là biến xác suất của một doanh nghiệp rơi vào kiệt quệ tài

chính chỉ có giá trị trong [0;1]. Cuối cùng, MDA không cho biết mức độ đóng góp của

các biến riêng lẻ vào khả năng dự báo chung của mô hình. Để giải quyết những vấn đề

này, các mô hình thống kê xác suất có điều kiện nhƣ mô hình Logit (Logit Model - LM)

và mô hình Probit (Probit Model – PM) lần lƣợt thay thế kỹ thuật MDA trƣớc đó. Các

mô hình xác suất có điều kiện cho phép ƣớc lƣợng xác suất kiệt quệ tài chính của một

công ty là biến phụ thuộc nhị phân theo một hàm của vec-tơ các biến giải thích – các

nhân tố đặc trƣng của công ty bằng ƣớc lƣợng phi tuyến Maximum Likelihood dựa trên

giả định về hàm phân phối xác suất cho trƣớc. Cụ thể, với mô hình Logit biến phụ thuộc

đƣợc giả định tuân theo hàm phân phối xác suất tích lũy logistic (logistic cumulative

distribution function). Đối với mô hình Probit, biến phụ thuộc đƣợc giả định tuân theo

hàm phân phối xác suất tích lũy chuẩn (normal cumulative distribution function). Phần

lớn các bài nghiên cứu cho thấy các ƣớc lƣợng với biến nhị phân bằng mô hình Logit sẽ

đạt đƣợc mức độ chính xác cao hơn trong dự báo kiệt quệ tài chính. Theodossiou (1991)

đã tiến hành dự báo khả năng phá sản cho các công ty ở Hy Lạp trong giai đoạn 1975 –

1986 theo cả hai phƣơng pháp Logit và Probit. Kết quả cho thấy mức độ chính xác trong

dự báo khả năng phá sản mà sử dụng mô hình Logit thì cao hơn so với kết quả thu đƣợc

từ mô hình Probit, tuy nhiên chênh lệch là không đáng kể. Ohlson (1980) áp dụng mô

hình Logit cho các tỷ số tài chính trong bài nghiên cứu “Financial Ratios And The

Probabilistic Prediction Of Bankruptcy” để dự báo phá sản cho một tập hợp dữ liệu

gồm 105 công ty phá sản và 2058 công ty không phá sản trong giai đoạn 1970 – 1976.

Các biến trong mô hình Logit của Ohlson gồm: Quy mô = log (tổng tài sản trên chỉ số

mức giá GNP), tỷ số tổng nợ trên tổng tài sản, tỷ số vốn luân chuyển trên tổng tài sản, tỷ

số nợ ngắn hạn trên tài sản ngắn hạn, tỷ số thu nhập ròng trên tổng tài sản, tỷ số dòng tiền

từ hoạt động trên tổng nợ, INTWO = 1 nếu thu nhập ròng là âm trong 2 năm cuối và bằng

0 trong trƣờng hợp ngƣợc lại và OENEG = 1 nếu tổng nợ lớn hơn tổng tài sản và bằng 0

trong trƣờng hợp ngƣợc lại CHIN = (NIt – NIt-1)/(| NIt | + | NIt-1 |), với NIt là thu nhập

ròng của giai đoạn gần nhất. Kết quả nghiên cứu cho thấy, bốn yếu tố cơ bản có ý nghĩa

thống kê ảnh hƣởng đến xác suất vỡ nợ trong một năm là: quy mô; cấu trúc tài chính đo

23

lƣờng bởi tỷ số đòn bẩy tài chính là tổng nợ trên tổng tài sản; thành quả hoạt động đo

lƣờng bởi tỷ số thu nhập ròng trên tổng tài sản và tỷ số dòng tiền từ hoạt động trên tổng

nợ; thanh khoản hiện hành đo lƣờng bởi tỷ số vốn luân chuyển trên tổng tài sản và tỷ số

nợ ngắn hạn trên tài sản ngắn hạn. Tính chính xác trong các mô hình dự báo của Ohlson

lần lƣợt là 96.12%, 95.55% và 92.84% tƣơng ứng với các mô hình dự báo 1 năm, 2 năm

và 1 hoặc 2 năm. Tuy nhiên, có một điều thiếu sót trong nghiên cứu này là tác giả chƣa

xem xét đến các dữ liệu thị trƣờng.

Nhƣ đã trình bày ở trên, các dữ liệu về thị trƣờng chứng khoán có thể cung cấp các thông

tin hữu ích cho mô hình dự báo phá sản. Rõ ràng là các báo cáo tài chính thì không bao

gồm tất cả các thông tin liên quan đến dự báo phá sản và các biến thị trƣờng thì rất thích

hợp để bổ sung vào chỗ thiếu sót này. Có nhiều lý do cho việc đƣa vào các dữ liệu thị

trƣờng. Thứ nhất, giá thị trƣờng phản ánh những thông tin chứa trong các báo cáo tài

chính cộng với thông tin không chứa trong các báo cáo tài chính (Agarwal và Taffler,

2008), tạo nên một tập hợp thông tin toàn diện hữu ích cho việc dự báo tình trạng không

thực hiện nghĩa vụ. Thứ hai, các biến thị trƣờng có thể làm tăng lên đáng kể khả năng dự

báo kịp thời - đúng lúc của mô hình do giá thị trƣờng thì có sẵn ở cấp độ hàng ngày,

trong khi dữ liệu từ các báo cáo tài chính có sẵn, tốt nhất cũng chỉ có ở cấp độ hàng quý.

Thứ ba, giá thị trƣờng có thể thích hợp hơn để dự báo phá sản, bởi vì chúng phản ánh

dòng tiền mong đợi trong tƣơng lai, trái lại, các báo cáo tài chính phản ánh kết quả trong

quá khứ của công ty. Và thứ tƣ, các biến dựa trên thị trƣờng có thể cung cấp một sự đánh

giá ngay lập tức các biến động - một số đo dự báo rủi ro phá sản mạnh mẽ mà không có

trong các báo cáo tài chính.

Trong số ít các nghiên cứu mà có đƣa vào tập hợp các biến thị trƣờng để làm tăng tính

đúng lúc và khả năng dự báo kiệt quệ tài chính của mô hình là nghiên cứu “In search of

distress risk” (2008) của Campbell, Hilscher, và Szilagyi, phân tích của các tác giả này

xem xét các yếu tố quyết định phá sản cũng nhƣ định giá cổ phần kiệt quệ tài chính với

xác suất phá sản cao thông qua mô hình Logit bao gồm các biến tỷ số tài chính và biến thị

trƣờng. Ngoài tập hợp hai nhóm biến số tỷ số tài chính thì nhiều biến thị trƣờng đƣợc

24

kiểm tra nhƣ: logarit của tỷ suất sinh lợi thặng dƣ hàng tháng của cổ phần mỗi công ty

tƣơng quan với chỉ số S&P 500, độ lệch chuẩn của tỷ suất sinh lợi cổ phần hàng ngày của

mỗi công ty qua 3 tháng, quy mô của mỗi công ty đƣợc đo lƣờng bằng logarit của giá trị

vốn hóa thị trƣờng của mỗi công ty tƣơng quan với chỉ số chứng khoán S&P 500 và

logagit của giá mỗi cổ phần của mỗi công ty bị chặn ở mức trên 15$. Các ƣớc lƣợng của

nghiên cứu này đƣợc tính toán với dữ liệu tại Mỹ của các công ty đại chúng.

Ngoài ra, Christidis và Gregory (2010) trong bài nghiên cứu “Some New Models For

Financial Distress Prediction In The UK” đã kiểm tra một tập hợp các biến tỷ số tài

chính và ba biến thị trƣờng trong mô hình dự báo kiệt quệ cho các công ty niêm yết tại

Anh. Đối với các biến thị trƣờng, họ thay thế biến giá trị sổ sách bằng biến giá trị thị

trƣờng và kiểm tra xem liệu logarit của tỷ suất thu nhập vƣợt trội nửa năm trên chỉ số tất

cả cổ phần FTSE và độ lệch chuẩn của tỷ suất sinh lợi chứng khoán công ty đƣợc tính

theo mỗi giai đoạn 6 tháng có làm tăng khả năng dự báo của mô hình hay không. Kết quả

của họ cho thấy rằng các biến giá trị thị trƣờng có khả năng làm tăng tính chính xác của

mô hình dự báo kiệt quệ tài chính.

Đặc biệt, trong bài nghiên cứu “Financial Distress And Bankruptcy Prediction

Among Listed Companies Using Accounting, Market And Macroeconomic

Variables” (2013), Tinoco và Wilson sử dụng một mẫu gồm 23,218 quan sát hàng năm

của các công ty đƣợc niêm yết ở UK trong suốt giai đoạn 1980 – 2011 với sự kết hợp của

dữ liệu tài chính, dữ liệu thị trƣờng và dữ liệu vĩ mô để dự báo kiệt quệ tài chính và phá

sản bằng mô hình logit. Việc kết hợp các dữ liệu thời gian biến đổi vào mô hình dự báo

phá sản để nắm bắt những thay đổi trong môi trƣờng kinh tế vĩ mô là quan trọng bởi vì có

thêm các yếu tố động vào mô hình, có tác dụng điều chỉnh tỷ số rủi ro - khả năng không

thể trả đƣợc nợ trong mối quan hệ với sự thay đổi các điều kiện kinh tế vĩ mô. Các biến

số tỷ số tài chính thu thập từ dữ liệu kế toán trong mô hình bao gồm: tỷ số dòng tiền hoạt

động kinh doanh trên tổng nợ, tỷ số tổng nợ trên tổng tài sản, tỷ số (tài sản ngắn hạn –

hàng tồn kho – nợ ngắn hạn) trên chi phí hoạt động hàng ngày và tỷ số EBITDA trên chi

phí lãi vay. Các biến số thị trƣờng: giá cổ phiếu, tỷ suất sinh lợi vƣợt trội tích lũy, quy mô

25

công ty, tỷ số giá trị vốn hóa thị trƣờng trên tổng nợ. Các biến số kinh tế vĩ mô đƣợc thu

thập từ dữ liệu kinh tế vĩ mô bao gồm: chỉ số giá bán lẻ và lãi suất tín phiếu kho bạc kỳ

hạn ba tháng đã đƣợc điều chỉnh lạm phát. Trong bài nghiên cứu này, tác giả phân loại

một công ty rơi vào tình trạng kiệt quệ tài chính bất cứ khi nào EBITDA của công ty thấp

hơn chi phí tài chính trong 2 năm liên tiếp hoặc bất cứ khi nào công ty phải gánh chịu

một sự tăng trƣởng âm trong giá trị thị trƣờng trong 2 năm liên tiếp. Ngoài ra, công ty

còn đƣợc xem là kiệt quệ tài chính khi công ty chính thức vỡ nợ. Khác với các nghiên

cứu trƣớc đây, chỉ tập trung vào những sự kiện pháp lý rõ ràng để phân loại một công ty

là vỡ nợ hay phá sản. Tuy nhiên việc xác định ngày pháp lý của tình trạng vỡ nợ cũng có

vấn đề. Bởi vì tình trạng không thể trả đƣợc nợ có thể là một quá trình pháp lý dài dòng

và ngày pháp lý của sự vỡ nợ có thể không đại diện cho biến cố vỡ nợ ―thật sự‖ hay ―có ý

nghĩa kinh tế‖. Phân tích các công ty UK chứng minh có một sự chênh lệch đáng kể - lên

đến 3 năm hoặc trung bình là 1.17 năm giữa giai đoạn mà công ty bƣớc vào tình trạng

kiệt quệ tài chính dẫn đến công ty bị vỡ nợ và ngày pháp lý của việc vỡ nợ hoặc phá sản.

Điều này ngụ ý rằng một công ty trong tình trạng vỡ nợ thì đã ở trong tình trạng kiệt quệ

tài chính nghiêm trọng ở thời điểm 2 năm trƣớc khi sự kiện phá sản hợp pháp. Do đó,

trong bài nghiên cứu này, tác giả đã mở rộng định nghĩa về tình trạng kiệt quệ tài chính:

―Một công ty đƣợc định nghĩa là trong tình trạng kiệt quệ tài chính hay vỡ nợ bất cứ khi

nào mà bị đình chỉ hoạt động, đang trong tình trạng thanh lý hoặc thanh lý tự nguyện, khi

sự yết giá của công ty bị đình chỉ trong vòng hơn ba năm, khi mà công ty đang đƣợc quản

lý bởi những ngƣời đại diện cho chủ nợ hay hội đồng phá sản, hoặc khi có một sự hủy bỏ

hay đình chỉ niêm yết của công ty. Kết quả nghiên cứu cho thấy các biến số tỷ số tài

chính có khả năng dự báo khá tốt tình trạng kiệt quệ tài chính của các công ty; các biến số

kinh tế vĩ mô có đóng góp tích cực vào khả năng dự báo nói trên nhƣng ở mức độ không

cao và quan trọng nhất là các biến số tỷ số tài chính cho thấy đóng góp lớn nhất vào khả

năng dự báo của mô hình. Tuy nhiên, các loại biến số là không cạnh tranh loại trừ lẫn

nhau trong việc đóng góp vào khả năng dự báo của mô hình mà hoạt động bổ sung, hỗ trợ

lẫn nhau.

26

Đa số các kết quả nghiên cứu về dự báo kiệt quệ tài chính mà áp dụng mô hình Logit đều

kết luận rằng mô hình Logit dự báo kiệt quệ tài chính tốt hơn so với các mô hình thống kê

trƣớc đó nhƣ MDA và cung cấp nhiều thông tin hơn cho các nhà nghiên cứu. Cũng cần

phải lƣu ý rằng, mô hình Logit thì không đòi hỏi các biến độc lập phải theo phân phối

chuẩn và có hiệp phƣơng sai bằng nhau. Bên cạnh việc khắc phục đƣợc vấn đề biến phụ

thuộc không liên tục, kết quả ƣớc lƣợng của mô hình Logit có giá trị trong đoạn [0;1] cho

biết ngay xác suất thất bại của công ty. Hơn nữa, các hệ số ƣớc lƣợng trong mô hình

Logit có thể giải thích một cách riêng lẻ tầm quan trọng hay ý nghĩa của các biến độc lập

trong kết quả ƣớc lƣợng xác suất thất bại của một công ty. Tuy nhiên, mô hình Logit vẫn

đòi hỏi các biến độc lập thì không có quan hệ theo hàm tuyến tính với nhau, tức là không

có vấn đề đa cộng tuyến và vẫn dựa trên các giả định về phân phối xác suất có điều kiện.

Không ngừng nghiên cứu và phát triển đồng thời dựa trên nền tảng thành công về máy

tính và kỹ thuật trí tuệ nhân tạo, mô hình mạng thần kinh nhân tạo (Artificial Neural

networks - ANN) bắt đầu áp dụng vào nghiên cứu dự báo kiệt quệ tài chính từ những năm

đầu thập niên 1990. Trong bài nghiên cứu “Neural network models and the prediction

of bank bankruptcy” (1991), Tam áp dụng mô hình mạng thần kinh để dự báo phá sản

cho các ngân hàng ở Texas trong giai đoạn 1985 – 1987. Theo Tam, một mô hình mạng

thần kinh bao gồm một số đơn vị xử lý giống nhau đƣợc kết nối theo một mạng lƣới. Mỗi

đơn vị là một thiết bị tính toán đơn giản mà cách xử lý dữ liệu đƣợc mô tả theo những

hàm toán học đơn giản. Mỗi đơn vị nhận các tín hiệu đầu vào từ một đơn vị khác, tổng

hợp những tín hiệu này dựa trên một hàm số đầu vào và tạo tín hiệu đầu ra dựa trên một

hàm số đầu ra. Sau đó, tín hiệu đầu ra đƣợc truyền trực tiếp đến những đơn vị khác theo

cấu trúc liên kết của mạng lƣới. Đa số các bài nghiên cứu mà áp dụng mô hình mạng thần

kinh thì sử dụng 3 lớp mạng thần kinh truyền thẳng – phản hồi (feed-forward back-

propagation neural network (BPNN)), trong đó lớp ẩn quyết định các mối quan hệ theo

sơ đồ giữa lớp đầu ra và lớp đầu vào và các mối quan hệ giữa các nơ-ron thì đƣợc lƣu giữ

dƣới dạng trọng số của các mối liên hệ kết nối. Kết quả nghiên cứu của Tam cho thấy mô

27

hình mạng thần kinh dự báo chính xác hơn các mô hình MDA và Logit với cùng một mẫu

dữ liệu về các ngân hàng ở Texas.

Ƣu điểm của mô hình ANN so với các phƣơng pháp thống kê là khả năng sơ đồ hóa

mạnh mẽ dựa trên cấu trúc mạng lƣới. Ngoài ra, mối liên hệ thống kê giữa các biến thì

không cần xem xét đến trong quá trình xây dựng mô hình ANN. Một thuận lợi nữa là

ANN có thể đạt độ chính xác cao hơn trong dự báo nếu dữ liệu không đáp ứng các giả

định của các mô hình thống kê. Tuy nhiên nhƣợc điểm lớn của mô hình ANN so với các

phƣơng pháp thống kê là quá nhiều mẫu dữ liệu cần đƣợc xử lý để thu đƣợc mô hình

ANN tƣơng đối vững, và sự lặp lại quá trình xử lý quá nhiều dễ dẫn tới over-fitting (là

hiện tƣợng lƣợng dữ liệu không cần thiết (hoàn toàn có thể loại bỏ) vẫn đƣợc đƣa vào mô

hình mạng khiến cho kết quả trả về không tối ƣu và rƣờm rà), làm giảm tính vững trong

dự báo của mẫu dữ liệu các quốc gia. Ngoài ra, ANN thƣờng bị chỉ trích bởi các nhà

nghiên cứu thực nghiệm vì tính khó hiểu của cấu trúc mạng lƣới phức tạp, dƣờng nhƣ là

một hộp đen đối với các nhà ra quyết định. Để vƣợt qua trở ngại này, Baesens và cộng

sự (2003) đã ghi nhận các kiến thức đã biết vào mạng lƣới và diễn giải nó nhƣ là những

qui luật giải thích và một bảng quyết định để dễ dàng tra cứu.

Tóm lại, dù là phƣơng pháp thống kê hay các mô hình dựa vào trí tuệ nhân tạo đều tồn tại

ít nhiều các nhƣợc điểm khác nhau, nhƣng nhìn chung đa số các bài nghiên cứu đều

thống nhất kết luận rằng mô hình Logit và ANN dự báo khá tốt khả năng kiệt quệ tài

chính của một công ty đồng thời khả năng dự báo của hai mô hình này là nhƣ nhau

(chênh lệch chƣa đến 1%, Tinoco và Wilson (2013)); và tuy khác nhau về phƣơng pháp

tiếp cận nhƣng tất cả các các bài nghiên cứu trên đều nhấn mạnh đến tính hữu ích của các

tỷ số tài chính từ các dữ liệu kế toán trong việc dự báo kiệt quệ tài chính và phá sản. Bên

cạnh đó, dữ liệu thị trƣờng và dữ liệu kinh tế vĩ mô cũng là nguồn thông tin quan trọng

góp phần làm tăng khả năng dự báo chính xác và kịp thời của các mô hình. Do vậy, trong

bài nghiên cứu của chúng tôi, tập hợp các tỷ số tài chính từ các dữ liệu kế toán, dữ liệu thị

trƣờng và dữ liệu vĩ mô của các công ty ở Việt Nam trong giai đoạn 2008 - 2012 sẽ đƣợc

28

xem xét trong hai mô hình Logit và ANN; đồng thời so sánh kết quả dự báo kiệt quệ tài

chính của chúng với nhau trong các phần tiếp theo.

29

3. PHƢƠNG PHÁP NGHIÊN CỨU

3.1. Mô hình hồi quy nhị phân Logit với dữ liệu bảng

Trong bài nghiên cứu, mẫu quan sát đƣợc phân loại thành: các công ty kiệt quệ tài chính

và các công ty hoạt động bình thƣờng hoặc không bị kiệt quệ tài chính. Kết quả là các

biến phụ thuộc nhị phân nhận giá trị 1 cho những quan sát (công ty – năm) rơi vào tình

trạng kiệt quệ tài chính và giá trị 0 cho những quan sát (công ty – năm) không bị kiệt quệ

tài chính.

Mô hình Logit lúc này đƣợc sử dụng để giải quyết vấn đề biến phụ thuộc nhị phân chỉ

mang giá trị ‖0‖ và ―1‖. Xuất phát từ đặc điểm này, nhóm tác giả không thể sử dụng

phƣơng pháp ƣớc lƣợng OLS thông thƣờng để ƣớc lƣợng hàm hồi quy tuyến tính. Thay

vào đó, nhóm tác giả cần sử dụng một hàm số biểu thị xác suất để biến ƣớc lƣợng (fitted

– ) bằng với các giá trị thực tế (actual – ) thông qua hàm Log Likelihood Function

(LLF). Và đây đƣợc gọi là phƣơng pháp hồi quy Maximum Likelihood.

Mô hình hồi quy Logit đƣợc xây dựng trên cơ sở hàm xác suất tích lũy của phân phối xác

suất Logistic (Logistic Distribtion). Xác suất có điều kiện để giá trị ƣớc lƣợng của biến

phụ thuộc bằng 1 đƣợc biểu diễn nhƣ sau:

Trong đó: X’ là một vector đại diện cho tập hợp các biến độc lập. β0 và β1 là các hệ số hồi

quy. Phƣơng trình (1) đƣợc tiếp tục biến đổi nhƣ sau:

30

Phƣơng trình (3) thu đƣợc lúc này đƣợc gọi là hàm Logit, nhóm tác giả sẽ tiến hành hồi

quy để tìm ra các hệ số.

3.2. Tác động cận biên của các biến độc lập

Từ việc hồi quy Logit trên, nhóm tác giả có thể tìm ra giá trị của các hệ số ƣớc lƣợng.

Tuy nhiên, vì tính chất đặc thù của dạng hàm, các hệ số hồi quy trong mô hình Logit

không cung cấp thông tin rõ ràng trong việc xác định mức độ thay đổi xác suất để biến

phụ thuộc bằng 1 khi biến độc lập thay đổi một đơn vị, điều mà có thể dễ dàng suy ra từ

hệ số hồi quy trong hồi quy tuyến tính.

Chính vì vậy, bài nghiên cứu tiếp tục phát triển xa hơn dựa trên kết quả của mô hình hồi

quy Logit. Hƣớng để tìm ra tác động cận biên của từng biến độc lập lên xác suất để biến

phụ thuộc bằng 1 là tiến hành lấy vi phân phƣơng trình (1) đã tìm ra lần lƣợt theo từng

biến đang cần xem xét. Kết quả đƣợc trình bày qua phƣơng trình sau:

Từ phƣơng trình trên, có thể phát biểu ý nghĩa nhƣ sau: tại một giá trị biến độc lập cho

trƣớc, luôn tìm ra đƣợc sự thay đổi xác suất để biến phụ thuộc bằng 1 khi biến độc lập

thay đổi một đơn vị, trong điều kiện các biến độc lập còn lại đƣợc giữ cố định ở giá trị

trung bình. Ngoài ra, do hàm Logit không phải là một hàm tuyến tính nên tác động cận

biên sẽ thay đổi theo giá trị biến độc lập chứ không hoàn toàn cố định. Vì vậy, trong bài

nghiên cứu này nhóm tác giả sẽ trình bày tác động cận biên đã đƣợc tính ra trung bình.

Ngoài ra, để trình bày kết quả một cách trực quan hơn, nhóm tác giả tiến hành mô phỏng

đồ thị sự thay đổi xác suất để công ty rơi vào tình trạng kiệt quệ tài chính theo từng biến

độc lập, trong khi đó vẫn giữ các biến độc lập còn lại cố định ở giá trị trung bình. Các kết

quả này sẽ đƣợc trình bày trong các bảng ở phần sau.

31

3.3. Dữ liệu và xác định các biến số

Để xem xét khả năng dự báo tình trạng kiệt quệ tài chính của các công ty thông qua các

biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô cũng nhƣ những biến số thị trƣờng với các

công ty trên thị trƣờng chứng khoán Việt Nam, nhóm tác giả đã chọn ra các công ty phi

tài chính có niêm yết tại Sở giao dịch chứng khoán thành phố Hồ Chí Minh và Sở giao

dịch chứng khoán thành phố Hà Nội. Dữ liệu của bài nghiên cứu đƣợc thu thập chủ yếu

từ nguồn dữ liệu của Bloomberg. Ngoài ra, việc thu thập dữ liệu vĩ mô còn dựa trên cơ sở

dữ liệu của Ngân hàng Thế giới – World Bank. Mẫu đƣợc chọn trong vòng 5 năm từ năm

2008 đến năm 2012, gồm 1444 quan sát công ty – năm. Các biến số mà nhóm tác giả sử

dụng đƣợc mô tả chi tiết ngay sau đây.

3.3.1. Biến phụ thuộc FD – Kiệt quệ tài chính

Nhóm tác giả phân loại một quan sát có rơi vào tình trạng kiệt quệ tài chính hay không

dựa trên đề xuất trong nghiên cứu của Pindado cùng cộng sự (2008) và Tinoco cùng

Wilson (2013). Theo đó, một công ty đƣợc phân loại là kiệt quệ tài chính khi đáp ứng

một trong hai hoặc cả hai điều kiện sau:

- Bất cứ khi nào EBITDA của công ty thấp hơn chi phí lãi vay liên tục trong hai

năm.

- Bất cứ khi nào công ty phải chịu một sự tăng trƣởng âm trong giá trị thị trƣờng

trong hai năm liên tiếp.

Nhƣ vậy, biến FD của một công ty vào một năm nhất định sẽ nhận giá trị là 1 nếu một

trong hai điều kiện trên hoặc cả hai điều kiện trên cùng thỏa và nhận giá trị là 0 nếu cả

hai điều kiện trên cùng không thỏa.

Chẳng hạn nhƣ nếu công ty A có EBITDA thấp hơn chi phí lãi vay trong năm 2008 và

năm 2009 (số liệu đƣợc lấy vào cuối năm 2008 và 2009) thì FDA năm 2009 nhận giá trị là

1. Nếu công ty B có tăng trƣởng giá trị thị trƣờng năm 2009 (so với năm 2008) và năm

2010 (so với năm 2009) thì FDB năm 2010 nhận giá trị là 1.

32

3.3.2. Các biến độc lập

3.3.2.1. Các biến số tỷ số tài chính

TFOTL – Tỷ số Dòng tiền hoạt động kinh doanh trên Tổng nợ

TFOTL đại diện cho khả năng đảm bảo các nghĩa vụ tài chính của công ty dựa trên dòng

tiền hoạt động kinh doanh. Biến số này đƣợc tính toán cụ thể nhƣ sau:

TFOTL = TANH (CFOit/TLit)

Trong đó: CFOit (USD): dòng tiền hoạt động kinh doanh của công ty i trong năm t;

TLit (USD): tổng nợ của công ty i tại năm t.

Sau khi tính đƣợc tỷ số CFOit/TLit, nhóm tác giả sử dụng hàm TANH để giải quyết vấn

đề những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác động bất thƣờng lên

kết quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH, đƣờng thực tế của biến số

TFOTL có thể đƣợc biểu diễn trong khoảng [-1,1]. Với giá trị cao hơn của biến số này thì

công ty ít có khả năng rơi vào tình trạng kiệt quệ tài chính. Do đó nhóm tác giả kỳ vọng

một mối quan hệ nghịch biến giữa biến số này và khả năng kiệt quệ tài chính của công ty.

TLTA – Tỷ số Tổng nợ trên Tổng tài sản

TLTA đo lƣờng mức độ đòn bẩy tài chính của công ty. TLTA đƣợc tính nhƣ sau:

TLTA = TANH (TLit/TAit)

Trong đó: TLit (USD): tổng nợ của công ty i tại năm t;

TAit (USD): tổng tài sản của công ty i tại năm t.

Sau khi tính đƣợc tỷ số TLit/TAit, nhóm tác giả sử dụng hàm TANH để giải quyết vấn đề

những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác động bất thƣờng lên kết

quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH, đƣờng thực tế của biến số TLTA

có thể đƣợc biểu diễn trong khoảng [-1,1]. 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 rơi vào một vị thế hết sức khó khăn nếu

33

những chủ nợ yêu cầu công ty thanh toán những khoản nợ theo hợp đồng. Dấu của biến

số này đƣợc kỳ vọng sẽ là dấu dƣơng, có nghĩa 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 tăng khả năng kiệt quệ

tài chính của công ty.

NOCREDINT – (Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn)/ Chi phí hoạt

động hàng ngày

Tỷ số (Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn)/ Chi phí hoạt động hàng ngày

đại diện cho khoảng thời gian mà một công ty có thể tài trợ cho những chi phí hoạt động

kinh doanh ở mức độ hiện tại bằng chính những nguồn lực có tính thanh khoản của mình

và giả định là công ty đó không tạo ra thêm doanh thu nữa. Do đó, NOCREDINT đại diện

cho khả năng thanh khoản của công ty.

NOCREDINT = TANH

Trong đó: CAit (USD): tài sản ngắn hạn của công ty i tại năm t;

INVit (USD): hàng tồn kho của công ty i tại năm t;

CLit (USD): nợ ngắn hạn của công ty i tại năm t;

Revenueit (USD): tổng doanh thu của công ty i trong năm t;

EBITDAit (USD): thu nhập trƣớc thuế, lãi vay và khấu hao của công ty i

trong năm t.

Sau khi tính đƣợc tỷ số đƣợc thể hiện trong ngoặc đơn, nhóm tác giả sử dụng hàm TANH

để giải quyết vấn đề những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác

động bất thƣờng lên kết quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH, đƣờng

thực tế của biến số NOCREDINT có thể đƣợc biểu diễn trong khoảng [-1,1]. Một giá trị

nhỏ hoặc âm của biến số này cho thấy một tình trạng thanh khoản không ổn định của

công ty và có thể dẫn đến khả năng lớn hơn công ty không đáp ứng đƣợc các nghĩa vụ tài

34

chính của mình. Do đó, biến số này đƣợc kỳ vọng là có mối quan hệ nghịch biến với khả

năng rơi vào kiệt quệ tài chính của công ty.

COVERAGE – Tỷ số EBITDA trên Chi phí lãi vay

COVERAGE đo lƣờng khả năng trả lãi trên những khoản nợ hiện tại của công ty bằng thu

nhập hoạt động trƣớc thuế, lãi vay và khấu hao. Biến số này đƣợc tính cụ thể nhƣ sau:

COVERAGE = TANH (EBITDAit/INT_EXPit)

Trong đó: EBITDAit (USD): thu nhập trƣớc thuế, lãi vay và khấu hao của công ty i

trong năm t;

INT_EXPit (USD): chi phí lãi vay của công ty i trong năm t;

Sau khi tính đƣợc tỷ số EBITDAit/INT_EXPit, nhóm tác giả sử dụng hàm TANH để giải

quyết vấn đề những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác động bất

thƣờng lên kết quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH, đƣờng thực tế

của biến số COVERAGE có thể đƣợc biểu diễn trong khoảng [-1,1]. Một giá trị lớn hơn

của COVERAGE cho thấy sự tăng lên trong khả năng đáp ứng các nghĩa vụ tài chính của

công ty. Dấu của biến số này do đó đƣợc mong đợi là dấu âm, cho thấy rằng một giá trị

lớn hơn của biến số này sẽ có tác động làm giảm xác suất rơi vào tình trạng kiệt quệ tài

chính của công ty.

3.3.2.2. Các biến chỉ báo kinh tế vĩ mô

CPI – Lạm phát đƣợc tính toán bằng phần trăm thay đổi của Chỉ số giá tiêu dùng

Phần trăm thay đổi của Chỉ số giá tiêu dùng đƣợc sử dụng nhƣ một thƣớc đo đại diện cho

lạm phát. Nhóm tác giả sử dụng lạm phát đo lƣờng bằng phần trăm thay đổi của chỉ số

CPI đƣợc thống kê từ cơ sở dữ liệu Chỉ số phát triển thế giới (World Development

Indicators) của Ngân hàng Thế giới (World Bank) làm giá trị đại diện cho tất cả các

quan sát theo công ty trong từng năm. Chẳng hạn nhƣ giá trị CPI của các công ty trong

năm 2008 là nhƣ nhau và bằng 0.231163162871902 (khoảng 23.12%). Mối quan hệ giữa

biến số này với khả năng rơi vào tình trạng kiệt quệ tài chính của các công ty có sự khác

35

biệt ở các nghiên cứu trên thế giới. Theo Qu (2008), khi lạm phát tăng thì những ngƣời có

tiền tiết kiệm sẽ lựa chọn sử dụng khoản tiền đó để đầu tƣ, hơn là chứng kiến sức mua

của đồng tiền bị giảm trong tƣơng lai, lƣợng tiền đầu tƣ trong nền kinh tế tăng lên dẫn

đến khả năng hoạt động sản xuất kinh doanh của các công ty cũng tăng, làm cho khả

năng vỡ nợ của các công ty giảm theo. Mặt khác, Mare (2012) phát triển một mô hình dự

báo phá sản cho những ngân hàng và tìm ra rằng lạm phát có quan hệ đồng biến với khả

năng rơi vào kiệt quệ tài chính. Lý do mà Mare đƣa ra là vì lạm phát cao là hậu quả của

một môi trƣờng kinh tế vĩ mô yếu kém, do đó làm tăng số lƣợng các cuộc khủng hoảng

trong lĩnh vực ngân hàng. Nhƣ vậy, mối quan hệ giữa lạm phát và khả năng rơi vào tình

trạng kiệt quệ tài chính của các công ty là không rõ ràng do tác động phức tạp của lạm

phát lên nền kinh tế. Do đó, ở phần này nhóm tác giả chƣa thể đƣa ra kỳ vọng về mối

quan hệ giữa biến số CPI và khả năng rơi vào kiệt quệ tài chính của các công ty.

TBILL – Lãi suất tín phiếu kho bạc kỳ hạn một năm

TBILL đại diện cho lãi suất, rất có khả năng ảnh hƣởng đến các công ty thông qua cấu

trúc vốn của chúng. Nhóm tác giả sử dụng lợi suất mua (bid yield) của tín phiếu kho bạc

kỳ hạn một năm của Việt Nam vào ngày 31/12 hàng năm từ năm 2008 đến năm 2012 làm

giá trị đại diện cho tất cả các quan sát theo công ty trong từng năm. Chẳng hạn, giá trị

TBILL của các công ty trong năm 2008 là nhƣ nhau và bằng 0.0994. Lãi suất thấp hơn tạo

điều kiện cho các công ty vay vốn để đầu tƣ vào thiết bị mới, hàng tồn kho, nhà xƣởng,

nghiên cứu và phát triển,… Nhƣ vậy, lãi suất thấp hơn tác động nhƣ một sự khuyến khích

các công ty đầu tƣ nhiều hơn. Ngƣợc lại, một 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 cho chủ nợ. Do đó, một giá

trị cao của biến số TBILL sẽ gia tăng khả năng rơi vào tình trạng kiệt quệ tài chính của

các công ty. Nhóm tác giả kỳ vọng một mối quan hệ đồng biến giữa biến số TBILL và

khả năng các công ty rơi vào tình trạng kiệt quệ tài chính.

36

3.3.2.3. Các biến số thị trƣờng

PRICE – Giá cổ phiếu

Biến số PRICE là giá cổ phiếu (USD) của từng công ty theo từng năm. Giá cổ phiếu của

công ty phản ánh sự kết hợp một lƣợng lớn thông tin đƣợc công bố liên quan đến dòng

tiền tƣơng lai mong đợi từ cổ phiếu cũng nhƣ khả năng thanh khoản của công ty. Do đó,

giá cổ phiếu sẽ chứa đựng những thông tin liên quan đến xác suất rơi vào tình trạng kiệt

quệ tài chính ngay cả khi chúng không phải một thƣớc đo trực tiếp xác suất này (Beaver

cùng cộng sự, 2005). Tuy nhiên, cũng có thể có một số trƣờng hợp giá cổ phiếu kết hợp

với những thông tin ngẫu nhiên mà không liên quan trực tiếp đến tình trạng kiệt quệ tài

chính của công ty (Rees, 1995), và điều này có thể gây ‗nhiễu‘ trong phân tích và làm

giảm sự dự báo chính xác của mô hình. Mặc dù vậy, đã có những nghiên cứu cho thấy giá

cổ phiếu có tác động tích cực đến khả năng dự báo của mô hình (Beaver, 1996; Beaver

cùng cộng sự, 2005; Christidis & Gregory, 2010). Đó là lý do mà nhóm tác giả đƣa biến

PRICE vào mô hình. Một giá trị cao của biến số PRICE sẽ giảm xác suất rơi vào tình

trạng kiệt quệ tài chính. Nói cách khác, nhóm tác giả kỳ vọng biến số PRICE có mối quan

hệ nghịch biến với khả năng rơi vào tình trạng kiệt quệ tài chính của các công ty.

ABNRET – Tỷ suất sinh lợi vƣợt trội

ABNRET đại diện cho mức độ vƣợt trội của tỷ suất sinh lợi từng công ty so với tỷ suất

sinh lợi trung bình thị trƣờng. Biến số này đƣợc tính qua các bƣớc nhƣ sau:

- Bước 1: Xác định tỷ suất sinh lợi trong giá cổ phiếu đóng cửa đã điều chỉnh trong

ngày giao dịch đầu năm và cuối năm.

Trong đó: là mức giá đóng cửa đã điều chỉnh ngày giao dịch cuối năm t.

là mức giá mở cửa đã điều chỉnh ngày giao dịch đầu năm t.

là mức tỷ suất sinh lợi của công ty thứ i trong năm t.

37

Mức giá đƣợc sử dụng để tính mức tỷ suất sinh lợi là mức giá điều chỉnh đã bao gồm các

hoạt động chia cổ tức, mua lại cổ phần và chia tách cổ phiếu. Vì vậy, trong công thức xác

định tỷ suất sinh lợi không cần tính toán các hoạt động này vào nhắm tránh tính toán

trùng.

- Bước 2: Xác định mức tỷ suất sinh lợi thị trƣờng bằng tỷ suất sinh lợi bình quân

gia quyền của tất cả các công ty đang xem xét theo giá trị vốn hóa thị trƣờng trong năm t.

Trong đó: là tỷ suất sinh lợi thị trƣờng trong năm thứ t.

là giá trị vốn hóa thị trƣờng của công ty i trong năm thứ t.

- Bước 3: Xác định mức độ vƣợt trội trong tỷ suất sinh lợi của công ty i so với thị

trƣờng trong năm thứ t.

ABNRET = TANH (Returnit - Returnmt)

Cũng nhƣ phần lớn các biến số khác, ABNRET là kết quả thu đƣợc sau khi xử lý bằng

hàm TANH để giải quyết vấn đề những giá trị đột biến của các giá trị tỷ số này mà có thể

gây tác động bất thƣờng lên kết quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH,

đƣờng thực tế của biến số ABNRET có thể đƣợc biểu diễn trong khoảng [-1,1]. Một giá trị

lớn hơn cho thấy một xác suất thấp hơn của việc công ty rơi vào tình trạng kiệt quệ tài

chính. Do đó, dấu của biến số ABNRET trong kết quả hồi quy đƣợc mong đợi là dấu âm,

hàm ý rằng một giá trị cao của biến số này sẽ có tác động làm giảm xác suất rơi vào kiệt

quệ tài chính của các công ty.

SIZE – Quy mô công ty

Biến SIZE đại diện quy mô của công ty. Các thông tin cần thiết để xây dựng biến số này

bao gồm Giá trị vốn hóa thị trường của công ty và Giá trị vốn hóa thị trường của toàn bộ

38

thị trường chứng khoán mà cụ thể ở đây là tổng giá trị vốn hóa của VNINDEX và

HNXINDEX. Biến SIZE đƣợc tính cụ thể nhƣ sau:

SIZE = MCit/MCmt

Trong đó: MCit (USD): giá trị vốn hóa thị trƣờng của công ty i tại năm t;

MCmt (USD): tổng giá trị vốn hóa của toàn thị trƣờng tại năm t;

Lƣu ý rằng tổng giá trị vốn hóa của toàn bộ thị trƣờng (VNINDEX và HNXINDEX) nói

trên là có bao gồm giá trị vốn hóa thị trƣờng của những công ty ngoài các công ty đƣợc

sử dụng trong nghiên cứu này.

Quy mô công ty có thể là một yếu tố dự báo tốt cho sự phá sản nếu đặc điểm ―giống –

quyền chọn‖ của vốn cổ phần đƣợc sử dụng nhƣ một khung lý thuyết; giá trị cổ phần của

một công ty ở trong tình trạng khó khăn tài chính bị giảm giá bởi những ngƣời tham gia

thị trƣờng (những nhà đầu tƣ) và điều này kéo theo một sự giảm sút trong giá trị vốn cổ

phần. Sự giảm sút trong vốn cổ phần gây ra bởi những đánh giá tiêu cực của nhà đầu tƣ

với tình hình tài chính của công ty có thể có thể di chuyển một cách hệ thống về ―giá thực

hiện‖ (giá trị của nợ) cho đến khi đạt đến điểm mà vốn cổ phần không đủ để đáp ứng các

nghĩa vụ nợ của công ty (và công ty vỡ nợ). Nhƣ đƣợc đề nghị bởi Agarwal và Taffler

(2008), ―xác suất phá sản là xác suất mà quyền chọn sẽ đáo hạn mà vô giá trị, hoặc nói

cách khác, giá trị của tài sản (đƣợc đo lƣờng bằng giá trị thị trƣờng của công ty) thấp hơn

mệnh giá của nợ vào cuối thời kỳ nắm giữ‖. Vì vậy, một giá trị cao của biến số SIZE sẽ

dẫn đến một xác suất phá sản/ rơi vào kiệt quệ tài chính thấp. Nói cách khác, dấu của biến

số SIZE trong kết quả hồi quy đƣợc mong đợi là dấu âm, cho thấy rằng một giá trị cao

của biến số này có thể làm giảm xác suất rơi vào tình trạng kiệt quệ tài chính của công ty.

VOLATILITY – Biến động trong tỷ suất sinh lợi của giá cổ phiếu

VOLATILITY là biến số đại diện cho mức độ biến động trong tỷ suất sinh lợi giá cổ phiếu

của công ty i trong năm thứ t. Biến số này đƣợc tính toán bằng giá trị độ lệch chuẩn của

tỷ suất sinh lợi cổ phiếu trong 12 tháng của năm thứ t. Biến số này đƣợc xác định nhƣ

sau:

39

- Bước 1: Xác định tỷ suất sinh lợi hàng tháng của công ty i trong năm thứ t.

Trong đó: là mức giá cổ phiếu điều chỉnh trong ngày giao dịch cuối tháng thứ

của năm thứ .

là mức giá cổ phiếu điều chỉnh trong ngày giao dịch đầu tháng thứ

của năm thứ .

là mức tỷ suất sinh lợi giá cổ phiếu trong tháng thứ của năm

thứ .

- Bước 2: Từ các mức tỷ suất sinh lợi của cổ phiếu trong 12 tháng của năm thứ ,

nhóm tác giả xác định đƣợc giá trị độ lệch chuẩn tỷ suất sinh lợi của công ty trong năm

.

Theo Beaver cùng cộng sự (2005), biến động giá cổ phiếu là một nhân tố có khả năng dự

báo mạnh mẽ rủi ro công ty bị phá sản. Cụ thể, khi mức độ biến động trong giá cổ phiếu

càng cao – VOLATILITY càng cao – thì khả năng công ty bị phá sản sẽ gia tăng. Do đó,

nhóm tác giả kỳ vọng một mối quan hệ đồng biến giữa biến số VOLATILITY và khả

năng công ty rơi vào tình trạng kiệt quệ tài chính.

40

4. KẾT QUẢ NGHIÊN CỨU

Trong phần này, nhóm tác giả trình bày lần lƣợt thống kê mô tả của các biến số đƣợc sử

dụng trong từng mô hình, kết quả hồi quy theo hàm Logit và những kiểm định cần thiết.

Ngoài ra, nhóm tác giả cũng lồng ghép những thảo luận kết quả cho Việt Nam vào từng

phần trình bày kết quả cụ thể. Nhóm tác giả thực hiện hồi quy lần lƣợt ba mô hình chính

sau đây:

Mô hình 1: FDt = 0 + 1TFOTLt-1 + 2TLTAt-1 + 3NOCREDINTt-1 + 4COVERAGEt-1

+ ei,

Mô hình 2: FDt = β0 + β1TFOTLt-1 + β2TLTAt-1 + β3NOCREDINTt-1 + β4COVERAGEt-1

+ β5CPIt-1 + β6TBILLt-1 + εi,

Mô hình 3: FDt = 0 + 1TFOTLt-1 + 2TLTAt-1 + 3NOCREDINTt-1 + 4COVERAGEt-1 +

5CPIt-1 + 6TBILLt-1 + 7PRICEt-1 + 8ABNRETt-1 + 9SIZEt-1 + 10VOLATILITYt-1 + i.

4.1. Thống kê mô tả

4.1.1. Thống kê mô tả cho các biến số sử dụng trong mô hình 1 – gồm các biến số tỷ

số tài chính

Bảng 1

Biến TFOTL TLTA NOCREDINT COVERAGE

Toàn bộ mẫu

Trung bình 0.1345316 0.4706899 -0.1757807 0.9065618

Sai số chuẩn 0.3393617 0.1666215 0.980602 0.3395783

Giá trị nhỏ nhất -1 0.002616 -1 -1

Giá trị lớn nhất 1 0.743148 1 1

Số quan sát 1444 1444 1444 1444

Những công ty kiệt

quệ tài chính

Trung bình 0.0854172 0.4760491 -0.2131582 0.7744964

Sai số chuẩn 0.3168635 0.1709635 0.9754071 0.53012

Giá trị nhỏ nhất -1 0.002616 -1 -1

41

Giá trị lớn nhất 1 0.743148 1 1

Số quan sát 452 452 452 452

Những công ty không

kiệt quệ tài chính

Trung bình 0.1569103 0.468248 -0.1587498 0.9667367

Sai số chuẩn 0.346987 0.1646348 0.9829788 0.1686251

Giá trị nhỏ nhất -0.99989 0.030913 -1 -1

Giá trị lớn nhất 1 0.738694 1 1

Số quan sát 992 992 992 992

Trong mô hình 1, nhóm tác giả đƣa vào các biến số tài chính của công ty, cụ thể nhƣ sau:

TFOTL, TLTA, NOCREDINT, COVERAGE. Nhóm tác giả tìm thấy một số đặc điểm

nhƣ sau:

- TFOTL (tỷ lệ Dòng tiền hoạt động/ Tổng nợ): thống kê mô tả chỉ ra rằng ở những

công ty kiệt quệ tài chính thì biến số này có giá trị trung bình thấp hơn so với những công

ty không kiệt quệ tài chính. Vì biến số này đại diện cho khả năng đảm bảo các nghĩa vụ

tài chính của công ty dựa trên dòng tiền hoạt động nên điều này hàm ý rằng những công

ty kiệt quệ tài chính có khả năng đảm bảo cho các nghĩa vụ tài chính của mình bằng dòng

tiền hoạt động kém hơn.

- TLTA (tỷ lệ Tổng nợ/ Tổng tài sản): giá trị trung bình của biến số này đối với các

công ty kiệt quệ tài chính là cao hơn khi so sánh với các công ty không kiệt quệ tài chính.

Điều này cho thấy những công ty có mức độ đòn bẩy tài chính cao hơn có khả năng rơi

vào tình trạng kiệt quệ tài chính cao hơn.

- NOCREDINT ((Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn)/ Chi phí

hoạt động hàng ngày): những công ty kiệt quệ tài chính nhận giá trị trung bình của biến

số này thấp hơn so với giá trị tƣơng ứng của các công ty không bị kiệt quệ tài chính. Vì

biến số này nhỏ hoặc âm cho thấy một tình trạng thanh khoản không ổn định của công ty

và có thể dẫn đến một tình trạng khó khăn trong việc đáp ứng các nghĩa vụ tài chính của

công ty đó nên kết quả trên là phù hợp.

- COVERAGE (tỷ lệ EBITDA/ Chi phí lãi vay): biến số này nhận giá trị trung bình

nhỏ hơn và mức độ biến động cao hơn (đo lƣờng bằng sai số chuẩn) với những công ty

42

kiệt quệ tài chính. Giá trị thấp của biến số này cho thấy công ty đang không tạo ra đủ tiền

từ hoạt động của mình (đƣợc đo lƣờng bằng EBITDA) để đáp ứng việc chi trả lãi vay từ

nợ. Do đó, kết quả trên là phù hợp với những công ty kiệt quệ tài chính.

4.1.2. Thống kê mô tả cho các biến số sử dụng trong mô hình 2 – gồm các biến số tỷ

số tài chính và chỉ báo kinh tế vĩ mô

Bảng 2

Biến TFOTL TLTA NOCREDINT COVERAGE CPI TBILL

Toàn bộ mẫu

Trung bình 0.1345316 0.4706899 -0.1757807 0.9065618 0.1441585 0.1124239

Sai số chuẩn 0.3393617 0.1666215 0.980602 0.3395783 0.0603718 0.0117194

Giá trị nhỏ

nhất -1 0.002616 -1 -1 0.070546 0.0994

Giá trị lớn

nhất 1 0.743148 1 1 0.231163 0.1272

Số quan sát 1444 1444 1444 1444 1444 1444

Những công

ty kiệt quệ tài

chính

Trung bình 0.0854172 0.4760491 -0.2131582 0.7744964 0.1343303 0.1141546

Sai số chuẩn 0.3168635 0.1709635 0.9754071 0.53012 0.0504267 0.0118777

Giá trị nhỏ

nhất -1 0.002616 -1 -1 0.070546 0.0994

Giá trị lớn

nhất 1 0.743148 1 1 0.231163 0.1272

Số quan sát 452 452 452 452 452 452

Những công

ty không kiệt

quệ tài chính

Trung bình 0.1569103 0.468248 -0.1587498 0.9667367 0.1486367 0.1116353

Sai số chuẩn 0.346987 0.1646348 0.9829788 0.1686251 0.0639201 0.0115669

Giá trị nhỏ

nhất -0.99989 0.030913 -1 -1 0.070546 0.0994

Giá trị lớn

nhất 1 0.738694 1 1 0.231163 0.1272

Số quan sát 992 992 992 992 992 992

Trong mô hình 2, ngoài 4 biến số tài chính của công ty (TFOTL, TLTA, NOCREDINT,

COVERAGE), nhóm tác giả sử dụng thêm 2 biến số đại diện cho các tác động vĩ mô ảnh

hƣởng đến khả năng công ty rơi vào kiệt quệ tài chính, cụ thể là CPI và TBILL. Với

43

những biến số TFOTL, TLTA, NOCREDINT, COVERAGE, nhóm tác giả thu đƣợc các

kết quả thống kê mô tả tƣơng tự nhƣ trong mô hình 1. Do đó, nhóm tác giả chỉ trình bày

trong phần này kết quả thống kê mô tả của 2 biến vĩ mô:

- CPI (Lạm phát được tính toán bằng phần trăm thay đổi của Chỉ số giá tiêu

dùng): thống kê mô tả cho thấy giá trị trung bình của CPI với những công ty kiệt quệ tài

chính là thấp hơn so với giá trị này ở những công ty không kiệt quệ tài chính. Nhƣ đƣợc

trình bày trong phần mô tả các biến số đƣợc sử dụng trong nghiên cứu, mối quan hệ giữa

lạm phát và khả năng rơi vào tình trạng kiệt quệ tài chính của các công ty là không rõ

ràng qua các nghiên cứu trƣớc đây. Mặc dù vậy, với kết quả thống kê mô tả trong phần

này, nhóm tác giả thấy rằng khi nền kinh tế có mức độ lạm phát cao, khả năng các công

ty rơi vào kiệt quệ tài chính sẽ thấp hơn.

- TBILL (Lãi suất tín phiếu kho bạc): bảng thống kê trên không cho thấy sự khác

biệt rõ ràng trong giá trị trung bình của biến số này khi so sánh giữa những công ty kiệt

quệ tài chính và những công ty không kiệt quệ tài chính. Kết quả này có thể đƣợc giải

thích là do lãi suất (đƣợc đại diện bằng lãi suất T – bill) tăng chỉ thực sự ảnh hƣởng đến

khả năng rơi vào kiệt quệ tài chính của công ty khi chúng ta xem xét đồng thời với mức

đòn bẩy tài chính. Do đó, nhóm tác giả tiến hành phân tích thống kê mô tả sâu hơn bằng

cách nhƣ sau:

o Đầu tiên, nhóm tác giả chia mẫu quan sát thành 2 mẫu nhỏ với mẫu nhỏ thứ nhất

gồm 25% những công ty có giá trị biến số TLTA cao nhất, và mẫu nhỏ thứ hai gồm 75%

số công ty có đòn bẩy tài chính thấp nhất.

o Sau đó, nhóm tác giả tiến hành thống kê mô tả cho biến số TBILL trong hai mẫu

nói trên với hai tình huống là công ty kiệt quệ tài chính và công ty không kiệt quệ tài

chính. Kết quả đƣợc cho ở bảng sau:

44

Bảng 3

Mức độ đòn bẩy tài chính

(TLTA) Tình trạng

TBILL (giá trị trung

bình)

Số quan

sát

Thấp

Kiệt quệ tài chính 0.1133114 320

Không kiệt quệ tài

chính 0.1116045 762

Cao

Kiệt quệ tài chính 0.1161988 132

Không kiệt quệ tài

chính 0.1117371 230

Bảng 3 cho thấy có sự khác biệt trong giá trị trung bình của biến số TBILL giữa những

công ty kiệt quệ tài chính và không kiệt quệ tài chính trong trƣờng hợp đòn bẩy tài chính

cao. Trong trƣờng hợp đòn bẩy tài chính cao, lãi suất tăng làm gia tăng khả năng kiệt quệ

tài chính của các công ty. Tuy nhiên, trong trƣờng hợp đòn bẩy tài chính thấp, không có

sự khác biệt rõ rệt giữa giá trị TBILL trung bình của những công ty kiệt quệ tài chính và

những công ty không kiệt quệ tài chính. Điều này hàm ý rằng lãi suất không ảnh hƣởng

nhiều đến khả năng kiệt quệ tài chính của công ty trong trƣờng hợp đòn bẩy tài chính

thấp.

45

4.1.3. Thống kê mô tả cho các biến số sử dụng trong mô hình 3 – gồm các biến số tỷ số tài chính, chỉ báo kinh tế vĩ

mô và thị trƣờng

Bảng 4

Biến TFOTL TLTA NOCREDINT COVERAGE CPI TBILL PRICE ABNRET SIZE VOLATILITY

Toàn bộ mẫu

Trung bình 0.1345316 0.4706899 -0.1757807 0.9065618 0.1441585 0.1124239 0.8340606 -0.2988597 0.0014992 0.0357867

Sai số chuẩn 0.3393617 0.1666215 0.980602 0.3395783 0.0603718 0.0117194 0.6421815 0.3783866 0.005899 0.0096189

Giá trị nhỏ nhất -1 0.002616 -1 -1 0.070546 0.0994 0.085621 -1 0.00000652 0.0020625

Giá trị lớn nhất 1 0.743148 1 1 0.231163 0.1272 7.359706 1 0.0908335 0.0863746

Số quan sát 1444 1444 1444 1444 1444 1444 1444 1444 1444 1444

Những công ty kiệt

quệ tài chính

Trung bình 0.0854172 0.4760491 -0.2131582 0.7744964 0.1343303 0.1141546 0.7318176 -0.1170096 0.0007726 0.0342296

Sai số chuẩn 0.3168635 0.1709635 0.9754071 0.53012 0.0504267 0.0118777 0.5562342 0.1783077 0.0019099 0.0094913

Giá trị nhỏ nhất -1 0.002616 -1 -1 0.070546 0.0994 0.085621 -0.9999986 0.00000652 0.0020625

Giá trị lớn nhất 1 0.743148 1 1 0.231163 0.1272 4.05636 0.1839222 0.0174346 0.0732238

Số quan sát 452 452 452 452 452 452 452 452 452 452

Những công ty

không kiệt quệ tài

chính

Trung bình 0.1569103 0.468248 -0.1587498 0.9667367 0.1486367 0.1116353 0.8806471 -0.3817187 0.0018302 0.0364962

Sai số chuẩn 0.346987 0.1646348 0.9829788 0.1686251 0.0639201 0.0115669 0.6728655 0.4147953 0.0069756 0.0095977

Giá trị nhỏ nhất -0.99989 0.030913 -1 -1 0.070546 0.0994 0.095134 -1 0.00000661 0.0046973

Giá trị lớn nhất 1 0.738694 1 1 0.231163 0.1272 7.359706 1 0.0908335 0.0863746

Số quan sát 992 992 992 992 992 992 992 992 992 992

Bảng 4 trình bày thống kê mô tả của các biến số đƣợc sử dụng trong mô hình 3, ngoài các biến số tài chính và vĩ mô, nhóm

tác giả đƣa thêm vào 4 biến số đại diện cho những ảnh hƣởng thị trƣờng đến khả năng kiệt quệ tài chính của công ty. Với

46

những biến số đã xuất hiện trong mô hình 1 và mô hình 2, kết quả thống kê mô tả vẫn

tƣơng tự. Kết quả thống kê mô tả với 4 biến số thị trƣờng đƣợc trình bày dƣới đây:

- PRICE (Giá cổ phiếu): kết quả cho thấy những công ty kiệt quệ tài chính có giá

trị trung bình của biến số này nhỏ hơn so với những công ty không kiệt quệ tài chính.

Điều này cho thấy với những công ty rơi vào kiệt quệ tài chính, thị trƣờng có một đánh

giá thấp cho giá trị cổ phiếu của những công ty này.

- ABNRET (Tỷ suất sinh lợi vượt trội): những công ty kiệt quệ tài chính có giá trị

trung bình của biến số này là cao hơn so với những công ty không kiệt quệ tài chính.

Hàm ý đằng sau kết quả này là những công ty có tỷ suất sinh lợi vƣợt trội hơn trung bình

thị trƣờng thì có nhiều khả năng rơi vào kiệt quệ tài chính hơn. Kết quả này là ngƣợc lại

so với dự báo từ lý thuyết.

- SIZE (Quy mô công ty): giá trị trung bình của biến SIZE cho những công ty kiệt

quệ tài chính thấp hơn giá trị này với những công ty không kiệt quệ tài chính. Theo nhóm

tác giả, kết quả này là do khi công ty bị rơi vào tình trạng kiệt quệ tài chính thì các nhà

đầu tƣ trên thị trƣờng sẽ đánh giá thấp giá trị thị trƣờng của công ty.

- VOLATILITY (Biến động trong tỷ suất sinh lợi của cổ phiếu): các công ty đƣợc

phân loại là kiệt quệ tài chính thì có giá trị trung bình của VOLATILITY thấp hơn so với

những công ty không kiệt quệ tài chính. Điều này là ngƣợc lại so với dự báo về mặt lý

thuyết.

Nhóm tác giả vừa trình bày thống kê mô tả của các biến độc lập đƣợc sử dụng trong bài

nghiên cứu nhằm có một dự báo rõ ràng hơn cho mối quan hệ giữa các biến độc lập và

khả năng rơi vào kiệt quệ tài chính của công ty. Mặc dù vậy, nhằm kiểm định những mối

quan hệ này một cách chính xác hơn, nhóm tác giả thực hiện hồi quy các mô hình Logit

mà sẽ đƣợc trình bày ở phần sau.

47

4.1.4. Ma trận hệ số tƣơng quan và nhân tử phóng đại phƣơng sai VIF

Bảng 5

Biến TFOTL TLTA NOCREDINT COVERAGE CPI TBILL PRICE ABNRET SIZE VOLATILITY

Ma trận hệ số

tương quan

TFOTL 1.0000

TLTA -0.4063

(0.0000) 1.0000

NOCREDINT 0.2337

(0.0000)

-0.5864

(0.0000) 1.0000

COVERAGE 0.1210

(0.0000)

-0.0086

(0.7440)

0.0153

(0.5609) 1.0000

CPI -0.0056

(0.8314)

-0.0161

(0.5398)

-0.0383

(0.1453)

-0.0852

(0.0012) 1.0000

TBILL -0.0565

(0.0318)

0.0457

(0.0826)

-0.0649

(0.0136)

-0.1404

(0.0000)

0.3943

(0.0000) 1.0000

PRICE 0.1582

(0.0000)

-0.1554

(0.0000)

0.1335

(0.0000)

0.1518

(0.0000)

-0.3960

(0.0000)

-0.3442

(0.0000) 1.0000

ABNRET -0.1023

(0.0001)

0.0006

(0.9827)

-0.0148

(0.5734)

-0.0219

(0.4053)

-0.0370

(0.1604)

0.3751

(0.0000)

-0.0688

(0.0089) 1.0000

SIZE 0.0852

(0.0012)

-0.0627

(0.0172)

0.1039

(0.0001)

0.0246

(0.3502)

0.0524

(0.0467)

-0.0808

(0.0021)

0.3214

(0.0000)

-0.0263

(0.3187) 1.0000

VOLATILITY -0.0560

(0.0334)

0.1706

(0.0000)

-0.0952

(0.0003)

-0.0030

(0.9081)

0.0016

(0.9520)

-0.1055

(0.0001)

-0.1539

(0.0000)

-0.2137

(0.0000)

-0.2071

(0.0000) 1.0000

Nhân tử phóng

đại phương sai 1.36 1.26 1.30 1.41 1.31 1.31 1.32 1.35 1.36 1.39

R2 0.1973 0.4414 0.3517 0.0471 0.3040 0.3494 0.3399 0.2192 0.1739 0.1306

R2hiệu chỉnh 0.1923 0.4379 0.3476 0.0411 0.2997 0.3454 0.3357 0.2143 0.1687 0.1252

Chú thích: giá trị trong ngoặc đơn là p - value

48

Bảng 5 trình bày ma trận hệ số tƣơng quan giữa tất cả các biến độc lập trong các mô hình

sẽ đƣợc trình bày ở phía sau, bao gồm các tỷ số tài chính, các chỉ báo kinh tế vĩ mô và

các biến số thị trƣờng. Ngoài ra, nhóm tác giả còn trình bày những hệ số nhân tử phóng

đại phƣơng sai (VIF) đƣợc tính toán bằng 1/(1 – Rk2) với Rk

2 là giá trị R

2 của phƣơng

trình hồi quy phụ của biến độc lập thứ i theo những biến độc lập còn lại. Hệ số VIF cho

chúng ta một điều kiện cần để xác định hiện tƣợng đa cộng tuyến, với giá trị VIF 10

cho thấy vấn đề đa cộng tuyến là đáng kể. Tuy nhiên, đây chỉ là điều kiện cần để xác định

có tồn tại hay không hiện tƣợng đa cộng tuyến. Nhằm có kết luận đầy đủ có tồn tại hiện

tƣợng đa cộng tuyến hay không, nhóm tác giả tiến hành xem xét mức ý nghĩa của các

biến độc lập trong các mô hình hồi quy phụ.

4.2. Kết quả hồi quy với mô hình Logit

Bảng 6

Biến Mô hình 1 Mô hình 1

hiệu chỉnh Mô hình 2 Mô hình 3 Mô hình 4 Mô hình 5

TFOTL -0.4903257

(0.011)

-0.4497854

(0.014)

-0.4569958

(0.016)

-0.2478968

(0.234)

TLTA -0.3115032

(0.505)

NOCREDINT -0.0439804

(0.555)

-0.0163758

(0.791)

-0.0154971

(0.806)

-0.0104094

(0.878)

COVERAGE -1.890508

(0.000)

-1.883502

(0.000)

-1.97861

(0.000)

-2.184835

(0.000)

CPI -9.333933

(0.000)

-10.79254

(0.000)

-10.02073

(0.000)

TBILL 36.01704

(0.000)

12.43835

(0.205)

14.46578

(0.111)

PRICE -0.5379067

(0.000)

-0.350419

(0.002)

-0.697945

(0.000)

ABNRET 2.360243

(0.000)

2.255674

(0.000)

2.133599

(0.000)

SIZE -42.14439

(0.068)

-59.13193

(0.013)

-36.74668

(0.100)

VOLATILITY -23.96261

(0.001)

-20.14375

(0.003)

-22.32845

(0.001)

Constant 1.136893

(0.001)

0.9825026

(0.000)

-1.696558

(0.022)

3.165352

(0.002)

0.7867

(0.003)

0.8403472

(0.376)

Pseudo R2 0.0582 0.0580 0.0914 0.1921 0.1129 0.1343

Số quan sát 1444 1444 1444 1444 1444 1444

Chú thích: giá trị trong ngoặc đơn là p - value

49

Bảng 6 trình bày kết quả của hồi quy Logit để dự báo khả năng công ty rơi vào kiệt quệ

tài chính theo các biến độc lập. Theo điều kiện của mô hình hồi quy với biến phụ thuộc là

biến nhị phân, các công ty bị xếp vào nhóm kiệt quệ tài chính nhận giá trị là 1 và các

công ty đƣợc đánh giá là có tình trạng tài chính tốt nhận giá trị là 0. Bài nghiên cứu phát

triển các mô hình để dự báo trƣớc khả năng rơi vào tình trạng kiệt quệ tài chính của công

ty thông qua kết hợp 3 loại biến số: các tỷ số tài chính của công ty; các chỉ báo kinh tế vĩ

mô; các biến số thị trƣờng. Kết quả cụ thể cho các mô hình đƣợc trình bày ngay sau đây.

Mô hình 1 chỉ bao gồm các biến số tỷ số tài chính của công ty: TFOTL, TLTA,

NOCREDINT, COVERAGE. Tuy nhiên, từ Bảng 5, nhóm tác giả nhận thấy một mối

tƣơng quan đáng kể giữa TLTA lần lƣợt với TFOTL và NOCREDINT. Do đó, nhằm có

một kết luận đúng đắn về hiện tƣợng đa công tuyến giữa các biến số tỷ số tài chính, nhóm

tác giả tiến hành các hồi quy phụ giữa các biến số này với nhau để xem xét mức ý nghĩa

của từng biến số trong từng mô hình hồi quy phụ.

Bảng 7

TFOTL TLTA NOCREDINT COVERAGE

TFOTL -0.1419308

(0.000)

-0.0203126

(0.765)

0.1409511

(0.000)

TLTA -0.8358963

(0.000)

-3.467123

(0.000)

0.1189774

(0.089)

NOCREDINT -0.0030449

(0.765)

-0.0882462

(0.000)

0.0057596

(0.606)

COVERAGE 0.1175599

(0.000)

0.0168492

(0.089)

0.0320463

(0.606)

R2 0.1789 0.4217 0.3440 0.0168

Kết quả tại Bảng 7 cho thấy trong mô hình hồi quy phụ của biến số TLTA theo các biến

tỷ số tài chính còn lại, các biến độc lập đều có ý nghĩa thống kê. Ngoài ra, mô hình hồi

quy biến TLTA theo các biến còn lại cũng có giá trị R2 cao nhất trong số các mô hình hồi

quy phụ còn lại. Do đó, nhóm tác giả kết luận rằng biến số TLTA có mối quan hệ cộng

tuyến mạnh với các biến số tỷ số tài chính còn lại. Từ kết quả này, nhóm tác giả tiến hành

50

hồi quy mô hình logit các biến tỷ số tài chính mà không có biến số TLTA trong mô hình

và đặt tên mô hình này là Mô hình 1 hiệu chỉnh. Mặt khác, nhóm tác giả cũng tiến hành

điều chỉnh điều chỉnh các mô hình hồi quy logit còn lại bằng cách bỏ ra biến số TLTA.

Mô hình 1 hiệu chỉnh: FDt = 0 + 1TFOTLt-1 + 2NOCREDINTt-1 + 3COVERAGEt-1 +

ei,

Mô hình 2: FDt = β0 + β1TFOTLt-1 + β2NOCREDINTt-1 + β3COVERAGEt-1 + β4CPIt-1 +

β5TBILLt-1 + εi,

Mô hình 3: FDt = 0 + 1TFOTLt-1 + 2NOCREDINTt-1 + 3COVERAGEt-1 + 4CPIt-1 +

5TBILLt-1 + 6PRICEt-1 + 7ABNRETt-1 + 8SIZEt-1 + 9VOLATILITYt-1 + i.

Mô hình 1 hiệu chỉnh. Với biến TFOTL, kết quả cho thấy một mối quan hệ nghịch biến

và có ý nghĩa thống kê giữa biến này với xác suất công ty rơi vào khả năng kiệt quệ tài

chính. Điều này có nghĩa là một công ty càng có nhiều khả năng đảm bảo cho các nghĩa

vụ tài chính bằng dòng tiền hoạt động kinh doanh thì càng ít có khả năng rơi vào kiệt quệ

tài chính. Đối với biến số NOCREDINT, nhóm tác giả cũng tìm đƣợc một mối quan hệ

nghịch biến nhƣ đã dự báo từ lý thuyết cũng nhƣ từ thống kê mô tả, cho thấy một tình

trạng thanh khoản không ổn định của công ty có thể dẫn đến khả năng lớn hơn công ty rơi

vào tình trạng kiệt quệ tài chính. Mặc dù vậy, biến số NOCREDINT không có ý nghĩa

thống kê ở mức ý nghĩa 10%. Với biến số còn lại là COVERAGE, nhóm tác giả tìm thấy

một mối quan hệ nghịch biến nhƣ đƣợc dự báo bởi lý thuyết cũng thống kê mô tả. Kết

quả này khẳng định cho lý thuyết rằng một công ty có khả năng càng cao trong việc đảm

bảo cho các nghĩa vụ tài chính bằng thu nhập hoạt động (EBITDA) thì càng có ít khả

năng rơi vào kiệt quệ tài chính.

Mô hình 2 thêm vào các biến số chỉ báo kinh tế vĩ mô (CPI và TBILL) ngoài những biến

số tỷ số tài chính đƣợc sử dụng trong mô hình 1 hiệu chỉnh. Kết quả cho thấy hệ số hồi

quy của cả hai biến số CPI và TBILL đều có ý nghĩa thống kê lần lƣợt ở mức 1%. Ngoài

ra, các biến số tỷ số tài chính vẫn giữ nguyên dấu nhƣ ở mô hình 1 hiệu chỉnh và có ý

51

nghĩa thống kê đối với TFOTL và COVERAGE. Nhóm tác giả tìm thấy một mối quan hệ

nghịch biến giữa CPI với khả năng rơi vào kiệt quệ tài chính của các công ty, tƣơng tự

nhƣ kết quả đƣợc tìm thấy khi tính toán các thống kê mô tả. Kết quả hồi quy với biến số

CPI trong mô hình 2 đƣợc nhóm tác giả lý giải nhƣ sau. Do khoảng thời gian mà bài

nghiên cứu của nhóm tác giả xem xét là 2008 – 2012, phần lớn thời gian trong gian đoạn

này, CPI gia tăng là do nền kinh tế tăng trƣởng nóng. Sau khoảng thời gian tăng trƣởng

nóng là khoảng thời gian Ngân hàng Nhà nƣớc Việt Nam thắt chặt tín dụng nhằm kiềm

chế lạm phát (từ cuối năm 2011), điều này ảnh hƣởng đến khả năng trả lãi vay của các

công ty trong năm 2012 và do đó làm gia tăng khả năng kiệt quệ tài chính của các công

ty. Tóm lại, trong gian đoạn mà nhóm tác giả xem xét, khi CPI gia tăng nhanh làm giảm

khả năng kiệt quệ tài chính của các công ty vì CPI tăng nhanh cho thấy nền kinh tế Việt

Nam đang tăng trƣởng nóng. Biến số kinh tế vĩ mô thứ hai mà nhóm tác giả sử dụng là

TBILL. Với biến số này, nhóm tác giả tìm thấy một mối quan hệ đồng biến và có ý nghĩa

thống kê ở mức 1%. Điều này cho thấy lãi suất tăng làm gia tăng khả năng kiệt quệ tài

chính của các công ty, phù hợp với dự báo từ lý thuyết và thống kê mô tả.

Mô hình 3 đƣợc thêm vào 4 biến số thị trƣờng so với các biến số đƣợc sử dụng trong mô

hình 2, cụ thể là: PRICE, ABNRET, SIZE, VOLATILITY. Tất cả các biến số thị trƣờng

nhóm tác giả thêm vào đều có ý nghĩa thống kê ở mức ý nghĩa 1%, ngoại trừ biến số

SIZE có ý nghĩa thống kê ở mức ý nghĩa 7%. Biến số PRICE cho thấy một mối quan hệ

nghịch biến giữa giá cổ phiếu của công ty và khả năng rơi vào kiệt quệ tài chính. Điều

này là phù hợp với các lý thuyết thông thƣờng cũng nhƣ dự báo từ thống kê mô tả, cho

thấy khi giá cổ phiếu càng cao thì khả năng công ty rơi vào tình trạng kiệt quệ tài chính

càng thấp.

Biến số ABNRET cho thấy mối quan hệ cùng chiều với khả năng rơi vào kiệt quệ tài

chính của các công ty và điều này là ngƣợc lại so với lý thuyết thông thƣờng. Điều này có

thể đƣợc giải thích là do thị trƣờng chứng khoán Việt Nam là thị trƣờng hiệu quả ở dạng

yếu, trong đó các nhà đầu tƣ thƣờng phớt lờ hoặc không đi sâu vào phân tích đầy đủ các

thông tin trong các báo cáo tài chính mà chỉ theo dõi các thông tin về giá là chủ yếu.

52

Trong khi đó, biến số kiệt quệ tài chính đƣợc xây dựng một phần dựa vào các tỷ số tài

chính trên báo cáo tài chính. Cụ thể hơn, một số công ty trƣớc khi rơi vào tình trạng kiệt

quệ tài chính có thể tạo đƣợc mức tỷ suất sinh lợi vƣợt trội trong thị trƣờng bằng cách tác

động lên sự nhìn nhận tích cực của các nhà đầu tƣ về mức độ lợi nhuận, trong khi chỉ tiêu

dòng tiền từ hoạt động kinh doanh lại chứa đựng nhiều thông tin thực tế hơn so với chỉ

tiêu lợi nhuận. Mặt khác, các khoản đầu tƣ vào một công ty tốt lại không phải hoàn toàn

là một khoản đầu tƣ tốt, bởi vì thông tin về các công ty này đã minh bạch hơn và đƣợc

phân tích chi tiết. Thậm chí, phần lớn các công ty hoạt động tốt thƣờng đƣợc các nhà đầu

tƣ trên thị trƣờng định giá quá mức, do đó các cổ phiếu có giá cao này không thể tạo ra

đƣợc mức tỷ suất sinh lợi cao vƣợt trội so với thị trƣờng. Vì vậy, nói tóm lại, nhóm tác

giả tìm thấy bằng chứng tại thị trƣờng Việt Nam rằng, công ty có mức độ vƣợt trội trong

tỷ suất sinh lợi so với thị trƣờng càng thấp thì càng ít có khả năng rơi vào tình trạng kiệt

quệ tài chính.

Biến số SIZE, thể hiện giá trị vốn hóa của công ty so với tổng giá trị vốn hóa thị trƣờng,

cho thấy mối quan hệ nghịch biến với khả năng rơi vào kiệt quệ tài chính. Điều này hàm

ý rằng khi giá trị vốn hóa tƣơng đối của công ty so với thị trƣờng càng lớn thì khả năng

rơi vào kiệt quệ tài chính của công ty càng giảm. Biến số thị trƣờng cuối cùng đƣợc đƣa

vào là VOLATILITY, cho thấy mối quan hệ nghịch biến với khả năng rơi vào kiệt quệ tài

chính của công ty. Kết quả này là tƣơng tự với dự báo có đƣợc từ thống kê mô tả, tuy

nhiên lại đi ngƣợc với dự báo từ lý thuyết. Điều này có thể giải thích đƣợc từ thực tế tại

Việt Nam rằng, phần lớn các công ty hoạt động tốt đƣợc các nhà đầu tƣ thƣờng xuyên

giao dịch trên thị trƣờng nên mức độ biến động trong giá diễn ra thƣờng xuyên, từ đó làm

gia tăng mức độ biến động trong tỷ suất sinh lợi. Ngƣợc lại, các nhà đầu tƣ thƣờng né

tránh việc giao dịch cổ phiếu của các công ty có các thông tin không tốt trên thị trƣờng

dẫn đến giá cổ phiếu của các công ty này gần nhƣ không đổi theo thời gian, có nghĩa là

mức độ biến động trong tỷ suất sinh lợi là rất thấp. Do đó, có thể kết luận rằng tại Việt

Nam, công ty có mức độ biến động trong tỷ suất sinh lợi từ giá cổ phiếu càng thấp thì

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

53

4.3. Đo lƣờng khả năng dự báo và phân loại của các mô hình

4.3.1. Các giá trị thống kê đo lƣờng khả năng dự báo của các mô hình

Bảng 8

Thƣớc đo Mô hình 1 hiệu chỉnh Mô hình 2 Mô hình 3 Mô hình 4 Mô hình 5

AUC 0.6331 0.6233 0.7781 0.6734 0.7214

Gini coefficient 0.2662 0.2466 0.5562 0.3468 0.4428

Cox & Snell’s

R2

0.070 0.107 0.212 0.131 0.154

Nagelkerke’s R2 0.098 0.151 0.299 0.184 0.216

Số quan sát 1444 1444 1444 1444 1444

Bảng 8 thể hiện những kết quả thống kê của 5 mô hình. AUC là vùng dƣới đƣờng cong

ROC (Area Under the ROC Curve), hay nói cách khác AUC là diện tích vùng từ dƣới

đƣờng ROC cho đến điểm có tọa độ (1,0) ở góc phải của đồ thị. Đây là một phƣơng pháp

đo lƣờng thích hợp và trực tiếp cho độ chính xác của mô hình đƣợc phát triển bằng

phƣơng pháp logit. Altman và các cộng sự (2010) đã cho rằng “vùng dưới đường cong

ROC (AUC) là một công cụ đo lường mức độ chính xác trong dự báo của mô hình, với

giá trị bằng 1 đại diện cho một mô hình hoàn hảo”. Hay nói cách khác, nếu đƣờng

ROC càng gần điểm (0,1) ở góc trái của đồ thị thị khả năng dự báo của mô hình càng tốt.

Dƣới đây là đồ thị ROC của các mô hình cũng nhƣ giá trị AUC của chúng:

54

Mô hình 1 hiệu chỉnh

Mô hình 2

Mô hình 3

55

Mô hình 4

Mô hình 5

Chú thích: Sensitivity =

Specificity =

56

Quan sát Được dự báo là kiệt quệ tài

chính (được dự báo là +)

Được dự báo là không kiệt quệ

tài chính (được dự báo là -)

Thực sự kiệt quệ tài chính

(thực sự là +)

Đúng loại + Sai loại -

Thực sự không kiệt quệ tài

chính (thực sự là -)

Sai loại + Đúng loại -

Từ kết quả thống kê trong Bảng 8 cũng nhƣ các đồ thị đƣợc trình bày phía trên, nhóm tác

giả nhận thấy:

Mô hình 1 hiệu chỉnh chỉ bao gồm các biến số tỷ số tài chính, có mức độ chính xác trong

phân biệt ở mức vừa phải, đƣợc đo lƣờng bởi AUC (0.6331). Việc thêm vào các biến số

vĩ mô ở mô hình 2 cũng không làm tăng giá trị AUC ở mô hình này (0.6233). Điều này

hàm ý rằng các biến số chỉ báo kinh tế vĩ mô ít có đóng góp vào việc cải thiện mức độ

chính xác của mô hình tại Việt Nam. Mặc dù vậy, khi các biến số thị trƣờng đƣợc thêm

vào trong mô hình 3, nhóm tác giả nhận thấy một sự gia tăng đột biến giá trị AUC

(0.7781 ở mô hình 3). Kết quả này cho thấy các biến số thị trƣờng có đóng góp đáng kể

vào kết quả của mô hình dự báo khả năng kiệt quệ tài chính. Điều này có thể là do các

biến số thị trƣờng hàm chứa một lƣợng lớn thông tin mà không có sẵn trong các báo cáo

tài chính nhƣng lại đƣợc thị trƣờng đặc biệt quan tâm và đóng vai trò nhƣ một yếu tố bổ

sung cho các thông tin đƣợc cung cấp thông qua các tỷ số tài chính. Với những kết quả

trên, nhóm tác giả thấy rằng mô hình kết hợp tất cả các biến số tỷ số tài chính, biến số chỉ

báo kinh tế vĩ mô và biến số thị trƣờng cho mức độ chính xác trong dự báo ở mức cao

nhất trong các mô hình.

Ngoài ra, Bảng 8 cũng trình bày hệ số Gini, một công cụ phân tích đƣợc sử dụng rộng rãi

bởi các nhà phân tích. Theo Anderson (2007), hệ số Gini đƣợc các nhà phân tích đƣa vào

sử dụng nhƣ một công cụ để đo lƣờng ―một bảng phân loại có thể phân biệt giữa các quan

57

sát tốt và các quan sát xấu hiệu quả đến mức độ nào‖. Hệ số Gini đƣợc tính theo công

thức (2*AUC – 1). Một mô hình lý tưởng, tức là một mô hình phân loại hoàn hảo các

quan sát tốt và các quan sát xấu, có hệ số Gini bằng 1. Ngoài hai giá trị thống kê là

AUC và hệ số Gini, nhóm tác giả còn tính toán thêm các giá trị thống kê Cox & Snell’s

R2 và Nagelkerke’s R

2 nhƣ là những công cụ đo lƣờng mức độ ý nghĩa của các mô hình.

Chúng ta có thể hiểu hai giá trị R2 này tương tự như R

2 trong mô hình hồi quy tuyến

tính mặc dù chúng là không tương đồng nhau ở hai loại mô hình. Do Cox & Snell’s R2

và Nagelkerke’s R2

đƣợc tính dựa trên hàm log – likelihood của mô hình có các biến độc

lập và tung độ gốc, hàm log – likelihood của mô hình không (null model – mô hình chỉ có

tung độ gốc) và số quan sát trong mẫu nên Cox & Snell’s R2 và Nagelkerke’s R

2 đều đo

lường mức độ cải thiện khả năng dự báo của mô hình khi có các biến độc lập so với

mô hình khi chỉ có tung độ gốc. Mục đích của nhóm tác giả khi tiến hành tính toán hai

giá trị R2 nói trên là để xem xét khả năng giải thích của mỗi mô hình (trong 5 mô hình) so

với mô hình không (null model) nhằm củng cố hơn cho những kết luận đƣợc suy ra từ hai

giá trị AUC và hệ số Gini.

4.3.2. Kiểm định sự khác nhau về mặt thống kê của các giá trị AUC

Trong phần này, nhóm tác giả kiểm định lại sự khác biệt giữa các giá trị AUC của mô

hình 1 hiệu chỉnh, mô hình 2 và mô hình 3. Trong phần trên, nhóm tác giả dựa chủ yếu

vào giá trị AUC để xem xét mức độ chính xác trong dự báo của các mô hình. Về mặt trực

quan, các giá trị AUC là khác nhau giữa các mô hình nhƣng để có một kết luận vững hơn,

nhóm tác giả thực hiện kiểm định phi tham số Mann – Whitney trong phần này. Mục đích

của việc kiểm định này là nhằm kiểm định xem sự khác nhau giữa các giá trị AUC có

thực sự khác nhau về mặt thống kê giữa các mô hình 1 hiệu chỉnh, 2 và 3 hay không.

58

Ho: AUC(mô hình 1 hiệu chỉnh) = AUC(mô hình 2) = AUC(mô hình 3)

P - value = 0.0000

Đồ thị 1: Sự so sánh giữa các giá trị AUC của mô hình 1 hiệu chỉnh, mô hình 2 và mô

hình 3. Đồ thị thể hiện đƣờng ROC cũng nhƣ giá trị AUC của mô hình 1 hiệu chỉnh (chỉ

gồm các biến số tỷ số tài chính), mô hình 2 (gồm các biến số tỷ số tài chính và chỉ báo

kinh tế vĩ mô) và mô hình 3 (mô hình đầy đủ - gồm các biến số tỷ số tài chính, chỉ báo

kinh tế vĩ mô và thị trƣờng). Sự so sánh đƣợc thực hiện bằng phƣơng pháp phi tham số

nhằm so sánh các giá trị AUC. Khả năng phân loại của một mô hình bằng 0 khi đƣờng

ROC trùng với đƣờng 450

hay nói cách khác là AUC = 0.5. Ngƣợc lại, AUC = 1 cho thấy

một mô hình có khả năng phân loại hoàn hảo. Do đó, một mô hình có giá trị AUC càng

gần với 1 thì khả năng phân loại càng tốt. Giá trị p – value = 0.0000 cho thấy giả thuyết

H0 (các giá trị AUC của ba mô hình là bằng nhau) có thể bị bác bỏ ở mức ý nghĩa 1%,

hay nói cách khác là các giá trị AUC khác nhau một cách có ý nghĩa thống kê.

59

Ho: AUC(mô hình 2) = AUC(mô hình 3)

P - value = 0.0000

Đồ thị 2: Sự so sánh giữa các giá trị AUC của mô hình 2 và mô hình 3. Đồ thị thể hiện

đƣờng ROC cũng nhƣ giá trị AUC của mô hình 2 (gồm các biến số tỷ số tài chính và chỉ

báo kinh tế vĩ mô) và mô hình 3 (mô hình đầy đủ - gồm các biến số tỷ số tài chính, chỉ

báo kinh tế vĩ mô và thị trƣờng). Sự so sánh đƣợc thực hiện bằng phƣơng pháp phi tham

số nhằm so sánh các giá trị AUC. Khả năng phân loại của một mô hình bằng 0 khi đƣờng

ROC trùng với đƣờng 450

hay nói cách khác là AUC = 0.5. Ngƣợc lại, AUC = 1 cho thấy

một mô hình có khả năng phân loại hoàn hảo. Do đó, một mô hình có giá trị AUC càng

gần với 1 thì khả năng phân loại càng tốt. Giá trị p – value = 0.0000 cho thấy giả thuyết

H0 (các giá trị AUC của hai mô hình là bằng nhau) có thể bị bác bỏ ở mức ý nghĩa 1%,

hay nói cách khác là các giá trị AUC khác nhau một cách có ý nghĩa thống kê.

60

Ho: AUC(mô hình 3) = AUC(mô hình 4)

P - value = 0.0000

Đồ thị 3: Sự so sánh giữa các giá trị AUC của mô hình 3 và mô hình 4. Đồ thị thể hiện

đƣờng ROC cũng nhƣ giá trị AUC của mô hình 3 (mô hình đầy đủ - gồm các biến số tỷ

số tài chính, chỉ báo kinh tế vĩ mô và thị trƣờng) và mô hình 4 ( chỉ gồm các biến số thị

trƣờng). Sự so sánh đƣợc thực hiện bằng phƣơng pháp phi tham số nhằm so sánh các giá

trị AUC. Khả năng phân loại của một mô hình bằng 0 khi đƣờng ROC trùng với đƣờng

450

hay nói cách khác là AUC = 0.5. Ngƣợc lại, AUC = 1 cho thấy một mô hình có khả

năng phân loại hoàn hảo. Do đó, một mô hình có giá trị AUC càng gần với 1 thì khả năng

phân loại càng tốt. Giá trị p – value = 0.0000 cho thấy giả thuyết H0 (các giá trị AUC của

hai mô hình là bằng nhau) có thể bị bác bỏ ở mức ý nghĩa 1%, hay nói cách khác là các

giá trị AUC khác nhau một cách có ý nghĩa thống kê.

Từ kết quả kiểm định nói trên cũng nhƣ kết quả từ các phần trƣớc cho nhóm tác giả đƣa

ra bốn kết luận chính:

Kết luận 1. Các biến số tỷ số tài chính riêng bản thân chúng có khả năng dự báo tình

trạng kiệt quệ tài chính là không cao. Nhóm tác giả cho rằng có điều này là do nhiều

thông tin trên báo cáo tài chính không phản ánh đƣợc hết tình hình tài chính cũng nhƣ kết

61

quả kinh doanh của các công ty. Sở dĩ nhƣ vậy là vì báo cáo tài chính của các công ty có

thể bị bóp méo do những mục đích nhất định của công ty bởi một số thủ thuật nhƣ tạo

nghiệp vụ ảo, che giấu giao dịch, thay đổi chính sách kế toán… Mặt khác, kế toán phải

tuân thủ theo các nguyên tắc nhất định nên có thể không phản ánh đúng thực tế, dẫn đến

các tỷ số tài chính đƣợc tính toán từ các thông tin kế toán cũng không phản ánh đƣợc tình

hình của công ty. Nói cách khác, các tỷ số tài chính đƣợc tính toán từ những thông tin

trên báo cáo tài chính mang tính danh nghĩa nhiều hơn là thực tế.

Kết luận 2. Các biến số chỉ báo kinh tế vĩ mô đóng góp rất ít vào kết quả của mô hình chỉ

gồm các biến số tỷ số tài chính, có thể thấy thông qua Đồ thị 1. Lạm phát đƣợc đo lƣờng

bằng phần trăm thay đổi của chỉ số giá tiêu dùng và lãi suất cho vay đƣợc đo lƣờng bằng

lãi suất tín phiếu kho bạc kỳ hạn một năm của Việt Nam đƣợc coi nhƣ những thƣớc đo

sức khỏe của nền kinh tế. Khi nền kinh tế Việt Nam tăng trƣởng chậm lại do bị ảnh

hƣởng của khủng hoảng kinh tế thế giới cũng nhƣ chính sách thắt chặt tiền tệ của Chính

phủ Việt Nam, nhiều công ty rơi vào tình trạng khó khăn. Tuy nhiên, một số công ty khác

vẫn hoạt động tốt do tính chất phản chu kỳ trong hoạt động sản xuất kinh doanh của

mình. Chẳng hạn trong thời kỳ kinh tế khó khăn, ngành sản xuất hàng tiêu dùng thiết yếu

tiếp tục duy trì hoạt động ổn định trong khi đó ngành xây dựng, kinh doanh bất động sản,

sản xuất hàng lâu bền lại gặp nhiều khó khăn. Nhƣ vậy, ảnh hƣởng của các biến động

kinh tế vĩ mô lên các công ty là khác nhau do bản chất hoạt động sản xuất kinh doanh của

từng công ty khác nhau. Chính điều này đã làm cho khả năng dự báo tình trạng kiệt quệ

tài chính của các yếu tố kinh tế vĩ mô giảm xuống.

Kết luận 3. Các biến số thị trƣờng có sức mạnh nhiều hơn trong việc dự báo tình trạng

kiệt quệ tài chính vì việc thêm vào các biến số thị trƣờng gia tăng một cách đáng kể mức

độ chính xác của dự báo, có thể thấy thông qua Đồ thị 1 và Đồ thị 2. Nhóm tác giả cho

rằng các biến số thị trƣờng có khả năng lớn hơn trong việc dự báo tình trạng kiệt quệ tài

chính là do các biến số này không chỉ phản ánh thông tin chứa trong các báo cáo tài chính

mà còn phản ánh những thông tin bên ngoài không có trong các báo cáo tài chính. Cụ thể,

quyết định của nhà đầu tƣ khi đầu tƣ vào một công ty không chỉ dựa trên những thông tin

từ báo cáo tài chính mà còn dựa trên những kỳ vọng về khả năng tăng trƣởng, dòng tiền

62

mong đợi trong tƣơng lai của công ty; kỳ vọng về lạm phát, lãi suất trong nền kinh tế

cũng nhƣ nhiều thông tin khác. Do đó, biến số thị trƣờng tạo nên một tập hợp thông tin

toàn diện giúp nâng cao khả năng dự báo của mô hình.

Kết luận 4. Việc kết hợp các biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô và thị trƣờng

cho chúng ta một mô hình dự báo tình trạng kiệt quệ tài chính với mức độ chính xác cao

nhất có thể trong sự so sánh với các mô hình còn lại. Vì mô hình chỉ có các biến số thị

trƣờng (mô hình 4) cho khả năng phân loại không mạnh bằng mô hình đầy đủ (mô hình

3) do AUC (mô hình 3) > AUC (mô hình 4) và sự khác biệt này có ý nghĩa thống kê.

4.3.3. Đánh giá khả năng phân loại của các mô hình

Trong phần này, nhóm tác giả trình bày bảng khả năng phân loại nhằm đo lƣờng sự chính

xác trong dự báo tình trạng kiệt quệ tài chính của các công ty đối với từng mô hình đƣợc

ƣớc lƣợng. Trƣớc khi xem xét chi tiết kết quả, nhóm tác giả quay lại phần một phần chú

thích đã đƣợc trình bày ở phần đồ thị ROC của các mô hình.

Sensitivity =

Specificity =

Vấn đề quan trọng là việc xác định thế nào là một công ty “đúng loại + ”, thế nào là một

công ty “đúng loại – “. Điều này tùy thuộc vào mức xác suất “cut – off” mà một nhà

nghiên cứu có thể chấp nhận.

Trường hợp cụ thể: Giả sử mức xác suất “cut – off” là 0.5 thì một quan sát (công ty –

năm) đƣợc phân loại là “đúng loại +” khi đáp ứng cả hai điều kiện sau:

o Trên thực tế quan sát (công ty – năm) này thực sự rơi vào tình trạng kiệt quệ tài

chính, tức giá trị biến phụ thuộc (FD – Financial Distress) là 1;

o Từ các dữ kiện thực tế của quan sát, ta tính ngƣợc lại xác suất để quan sát này

nhận giá trị biến phụ thuộc là 1, và xác suất này 0.5.

63

Hay nói cách khác nếu quan sát đƣợc xem xét có Xác suất (FD = 1) 0.5 và trên thực tế

quan sát này thực sự rơi vào tình trạng kiệt quệ tài chính thì quan sát này đƣợc cho là

“đúng loại +”. Ngƣợc lại, nếu quan sát này có Xác suất (FD = 1) 0.5 và trên thực tế

quan sát này không rơi vào tình trạng kiệt quệ tài chính thì quan sát này đƣợc cho là “sai

loại +”.

Quan sát Được dự báo là kiệt quệ tài

chính (được dự báo là +)

Được dự báo là không kiệt quệ

tài chính (được dự báo là -)

Thực sự kiệt quệ tài chính

(thực sự là +)

Đúng loại +, mô hình tính

đƣợc Xác suất (FD = 1) 0.5

Sai loại -, mô hình tính đƣợc

Xác suất (FD = 0) < 0.5

Thực sự không kiệt quệ tài

chính (thực sự là -)

Sai loại +, mô hình tính đƣợc

Xác suất (FD = 1) 0.5

Đúng loại -, mô hình tính đƣợc

Xác suất (FD = 0) < 0.5

Theo nhƣ định nghĩa trên thì với mô hình 3, tại mức xác suất “cut – off” là 0.3653 thì sẽ

có:

o 315 quan sát (công ty – năm) đƣợc dự báo là kiệt quệ tài chính (Xác suất (FD = 1)

0.3653) và trên thực tế thực sự những quan sát này rơi vào tình trạng kiệt quệ tài chính;

o 137 quan sát (công ty – năm) đƣợc dự báo là kiệt quệ tài chính (Xác suất (FD = 1)

0.3653) nhƣng trên thực tế thực sự những quan sát này không rơi vào tình trạng kiệt

quệ tài chính;

o 692 quan sát (công ty – năm) đƣợc dự báo là không kiệt quệ tài chính (Xác suất

(FD = 0) < 0.3653) và trên thực tế thực sự những quan sát này không rơi vào tình trạng

kiệt quệ tài chính;

o 300 quan sát (công ty – năm) đƣợc dự báo là không kiệt quệ tài chính (Xác suất

(FD = 0) < 0.3653) nhƣng trên thực tế thực sự những quan sát này có rơi vào tình trạng

kiệt quệ tài chính;

o Về tổng thể, với mức xác suất “cut – off” là 0.3653 thì mô hình 3 có thể phân loại

một cách chính xác 69.74% các giá trị của biến phụ thuộc trên thực tế.

64

o Sensitivity là tỷ lệ các công ty đƣợc phân loại là kiệt quệ tài chính và thực sự rơi

vào tình trạng kiệt quệ tài chính chia cho tổng số quan sát thực tế bị kiệt quệ tài chính.

Nói cách khác, sensitivity = 315/(315 + 137) = 0.6969 = 69.69%.

o Specificity là tỷ lệ các công ty đƣợc phân loại là không kiệt quệ tài chính và thực

sự không rơi vào tình trạng kiệt quệ tài chính chia cho tổng số quan sát thực tế không bị

kiệt quệ tài chính. Nói cách khác, specificity = 692/(692 + 300) = 0.6976 = 69.76%.

Để đo lƣờng sự chính xác trong dự báo tình trạng kiệt quệ tài chính đối với từng mô hình

đƣợc ƣớc lƣợng, nhóm tác giả tiến hành so sánh khả năng phân loại của từng mô hình tại

điểm xác suất “cut – off” mà tại đó mỗi mô hình cho tỷ lệ phân loại đúng các quan sát rơi

vào kiệt quệ tài chính và các quan sát không rơi vào kiệt quệ tài chính là gần nhƣ nhau.

Các điểm này của từng mô hình đƣợc trình bày trong Đồ thị 4 dƣới đây.

65

Bảng 9

Mức xác

suất (cut -

off)

Đúng Sai Phần trăm

Kiệt quệ

tài chính

Không

kiệt quệ

tài chính

Kiệt quệ

tài chính

Không

kiệt quệ

tài chính

Correct Sensitivity Specificity

Mô hình 1

hiệu chỉnh

0.2907 264 580 188 412 58.45 58.41 58.47

Mô hình 2

0.3124 255 561 197 431 56.51 56.42 56.55

Mô hình 3

0.3653 315 692 137 300 69.74 69.69 69.76

Mô hình 4

0.3831 277 608 175 384 61.29 61.28 61.29

Mô hình 5

0.3738 293 645 159 347 64.96 64.82 65.02

Bảng khả năng phân loại đƣợc tính toán cho mô hình 1 hiệu chỉnh (gồm các biến số tỷ số

tài chính), mô hình 2 (gồm các biến số tỷ số tài chính và chỉ báo kinh tế vĩ mô), mô hình

3 (đầy đủ các biến số), mô hình 4 (gồm các biến số thị trƣờng), mô hình 5 (gồm các biến

số chỉ báo kinh tế vĩ mô và thị trƣờng) nhằm mục đích đánh giá sự biến đổi độ chính xác

phân loại giữa các mô hình. Từ kết quả trên, nhóm tác giả thấy rằng mức độ chính xác

tổng thể (correct) trong phân loại là lớn nhất đối với mô hình 3 (69.74%). Kết quả này

66

hàm ý rằng, khi kết hợp tất cả các biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô và thị

trƣờng để dự báo khả năng kiệt quệ tài chính của công ty, ta nhận đƣợc một mô hình có

khả năng dự báo chính xác hơn các công ty thực sự kiệt quệ tài chính (đƣợc cho thấy qua

giá trị sensitivity) và các công ty thực sự không kiệt quệ tài chính (đƣợc cho thấy qua giá

trị specificity).

4.3.4. So sánh khả năng dự báo của mô hình đầy đủ đƣợc ƣớc lƣợng theo phƣơng

pháp Logit, Probit và Mạng thần kinh nhân tạo

Nghiên cứu của nhóm tác giả cũng kiểm định tính vững của mô hình đầy đủ các biến số

(mô hình 3) thông qua một sự so sánh giữa mô hình đầy đủ các biến số đƣợc ƣớc lƣợng

theo phƣơng pháp Logit, phƣơng pháp Probit và phƣơng pháp mạng thần kinh nhân tạo

(Artificial Neural Networks).

Bảng 10

Logit Probit Multilayer Perceptron

AUC 0.7781 0.7774 0.781

Gini coefficient 0.5562 0.5548 0.562

Bảng 10 trình bày kết quả các giá trị thống kê AUC và hệ số Gini của mô hình kết hợp tất

cả các biến số tỷ số tài chính, biến số chỉ báo kinh tế vĩ mô và biến số thị trƣờng đƣợc

ƣớc lƣợng lần lƣợt theo phƣơng pháp Logit, Probit và mạng thần kinh nhân tạo

Multilayer Perceptron. Nhóm tác giả nhận thấy mô hình ƣớc lƣợng theo phƣơng pháp

Probit cho kết quả gần nhƣ tƣơng tự với phƣơng pháp Logit – phƣơng pháp chính đƣợc

sử dụng trong nghiên cứu này.

Ngoài ra, nghiên cứu của chúng tôi cũng dùng phƣơng pháp mạng thần kinh nhân tạo

Multilayer Perceptron – kiến trúc mạng thần kinh nhân tạo đƣợc sử dụng rộng rãi nhất

67

(theo Alfaro, García, Gámez và Elizondo, 2008) để ƣớc lƣợng cho mô hình đầy đủ các

biến số. Kết quả cho thấy mô hình đƣợc ƣớc lƣợng theo phƣơng pháp mạng thần kinh

nhân tạo Multilayer Perceptron cho giá trị AUC và hệ số Gini cao nhất trong ba phƣơng

pháp đƣợc sử dụng. Điều này là phù hợp với những nghiên cứu trƣớc đây đã chỉ ra rằng

phƣơng pháp mạng thần kinh nhân tạo có thể khắc phục những hạn chế đi kèm theo các

phƣơng pháp thống kê truyền thống (bao gồm cả phƣơng pháp Logit và Probit) nhƣ giả

định về sự tuyến tính, phân phối chuẩn, sự độc lập của các biến độc lập (Yang, You và Ji,

2011). Mặc dù vậy, sự khác nhau giữa AUC và hệ số Gini của phƣơng pháp mạng thần

kinh nhân tạo với phƣơng pháp Logit đƣợc sử dụng trong bài nghiên cứu là không lớn –

một lần nữa khẳng định tính vững của mô hình dự báo kiệt quệ tài chính kết hợp tất cả

các biến số tỷ số tài chính, biến số chỉ báo kinh tế vĩ mô và biến số thị trƣờng. Hơn thế,

phƣơng pháp hồi quy Logit có ƣu điểm trong việc dễ dàng giải thích các hệ số hồi quy và

ứng dụng hỗ trợ quyết định đối với các trƣờng hợp mới.

4.4. Đo lƣờng tác động cận biên trung bình (Average Marginal Effects) và xác

suất dự báo khả năng rơi vào tình trạng kiệt quệ tài chính (Predicted Probabilities)

Các thông số ƣớc lƣợng từ các mô hình kết quả nhị phân, không giống nhƣ những ƣớc

lƣợng của mô hình tuyến tính, không thể trực tiếp giải thích đƣợc vì chúng không cung

cấp thông tin hữu ích mô tả đầy đủ mối quan hệ giữa các biến độc lập và biến phụ thuộc

nhị phân (theo Long & Freese, 2003). Trong các nghiên cứu về phá sản và vỡ nợ trƣớc

đây, những mô hình dự báo kiệt quệ tài đƣợc xây dựng bằng cách sử dụng mô hình kết

quả nhị phân, luôn chỉ tập trung vào khả năng phân loại tổng thể hoặc độ chính xác dự

báo của các mô hình và rất hiếm khi họ cung cấp một sự giải thích về mối quan hệ giữa

các biến dự báo và biến phụ thuộc nhị phân.

Các nghiên cứu này đơn thuần báo cáo các hệ số ƣớc lƣợng thu đƣợc từ mô hình nhị phân

và cung cấp một sự giải thích trực tiếp các mối quan hệ dựa trên dấu của hệ số ƣớc lƣợng.

Tuy nhiên, các giá trị kết quả cơ bản (hệ số ƣớc lƣợng) thu đƣợc bằng cách thực hiện mô

hình biến phụ thuộc nhị phân không thể giải thích những tác động của biến độc lập riêng

rẽ lên sự thay đổi của biến phụ thuộc trong mô hình vì bản chất phi tuyến của chúng. Vì

68

vậy, trong bài nghiên cứu này nhóm tác giả sử dụng phƣơng pháp phân tích tác động cận

biên và xác suất dự báo, là những công cụ phân tích thích hợp để xử lý vấn đề này.

Bảng 11

Biến số Mô hình 1

hiệu chỉnh

Mô hình 2

Mô hình 3

Mô hình 4

Mô hình 5

TFOTL -0.0895306

(0.013)

-0.087678

(0.015)

-0.0420064

(0.233)

NOCREDINT -0.0032596

(0.791)

-0.0029732

(0.806)

-0.0017639

(0.878)

COVERAGE -0.3749144

(0.000)

-0.3796109

(0.000)

-0.3702227

(0.000)

CPI -1.790783

(0.000)

-1.828807

(0.000)

-1.841397

(0.000)

TBILL 6.910133

(0.000)

2.107692

(0.206)

2.658216

(0.112)

PRICE -0.0911489

(0.000)

-0.0659937

(0.002)

-0.1282536

(0.000)

ABNRET 0.3999457

(0.000)

0.4248063

(0.000)

0.3920677

(0.000)

SIZE -7.141413

(0.067)

-11.13619

(0.012)

-6.752528

(0.099)

VOLATILITY -4.060491

(0.001)

-3.793631

(0.002)

-4.10305

(0.001)

Số quan sát 1444 1444 1444 1444 1444

Chú thích: giá trị trong ngoặc đơn là p - value

Bảng trên trình bày tác động cận biên của từng biến đƣợc quy về giá trị trung bình. Sở dĩ,

nhóm tác giả phải tính ra giá trị trung bình là vì, khi xem xét tác động cận biên của từng

biến đối với xác suất để công ty rơi vào tình trạng kiệt quệ tài chính, tác động cận biên sẽ

69

thay đổi cùng với sự thay đổi trong miền giá trị của biến độc lập đang xem xét. Vì vậy,

nhóm tác giả sẽ chọn ra một con số để đại diện cho tác động cận biên của từng biến độc

lập đó là giá trị trung bình của các tác động này. Khi xem xét tác động của từng biến, các

biến độc lập còn lại sẽ đƣợc giữ cố định tại giá trị trung bình trong miền xác định của

từng biến, giá trị trung bình của các biến độc lập này đã đƣợc nhóm tác giả trình bày

trong phần thống kê mô tả ở trên.

Để tiện việc so sánh tác động cận biên của các biến với nhau, nhóm tác giả sẽ chỉ xem xét

cụ thể chúng trong mô hình 3, mô hình có đầy đủ các biến đƣợc đƣa vào. Ý nghĩa của các

giá trị đƣợc giải thích nhƣ sau. Đối với biến TFOTL, khi giá trị TANH của tỷ số dòng tiền

hoạt động chia cho tổng nợ trong năm trƣớc tăng 0.01 đơn vị thì xác suất để công ty rơi

vào tình trạng kiệt quệ tài chính sẽ sụt giảm trung bình gần 0.042%, trong điều kiện các

biến độc lập khác giữ cố định tại mức giá trị trung bình. Giải thích tƣơng tự ta thấy rằng,

trong các biến số tỷ số tài chính, biến số COVERAGE có mức độ tác động cận biên trung

bình lớn nhất. Cụ thể là, khi giá trị TANH của tỷ số EBITDA trên tổng nợ gia tăng 0.01

đơn vị, trong điều kiện các yếu tố khác không đổi, xác suất để công ty rơi vào tình trạng

kiệt quệ tài chính sẽ sụt giảm trung bình 0.37%. Ngƣợc lại biến số NOCREDINT có mức

tác động trung bình là thấp nhất.

Đối với các biến số thị trƣờng, biến số SIZE có mức độ tác động cận biên cao nhất. Cụ

thể, khi độ lớn tƣơng đối của giá trị vốn hóa thị trƣờng của công ty so với giá trị vốn hóa

toàn thị trƣờng (SIZE) gia tăng 1% thì xác suất để công ty rơi vào tình trạng kiệt quệ tài

chính sẽ giảm 7.14%. Đối với các biến số biểu thị tình trạng kinh tế vĩ mô, biến số TBILL

có tác động mạnh mẽ hơn so với biến số CPI. Cụ thể, khi lãi suất T – bill gia tăng 1% thì

xác suất công ty rơi vào tình trạng kiệt quệ tài chính sẽ gia tăng trung bình 2.11%, trong

điều kiện các yếu tố khác không đổi.

Xem xét một cách tổng quát giữa các biến số tài chính, chỉ báo kinh tế vĩ mô và thị

trƣờng, ta thấy rằng các biến số đại diện tác động của thị trƣờng có mức độ tác động cao

nhất lên xác suất công ty rơi vào tình trạng kiệt quệ tài chính. Từ kết quả này, chúng ta có

70

thể kết luận rằng, các biến số giá trị thị trƣờng hàm chứa trong đó nhiều thông tin quan

trọng đóng góp cho việc dự báo khả năng kiệt quệ tài chính.

Để có đƣợc cái nhìn nhận trực quan hơn nữa sau khi đã phân tích tác động cận biên trung

bình, nhóm tác giả tiếp tục trình bày sự thay đổi xác suất của các công ty rơi vào tình

trạng kiệt quệ tài chính theo sự thay đổi trong từng biến độc lập, trong khi giữ cố định các

biến độc lập còn lại. Việc mô phỏng đồ thị này dựa theo kết quả hàm hồi quy trong mô

hình 3 với đầy đủ các biến số tỷ số tài chính, chỉ báo kinh tế vĩ mô và thị trƣờng đƣợc lấy

theo độ trễ t – 1. Kết quả này đƣợc trình bày lần lƣợt trong ba Đồ thị 5, 6, 7.

Đồ thị 5

Đồ thị 5 trình bày sự thay đổi trong xác suất dự báo kiệt quệ tài chính tại các giá trị khác

nhau của từng tỷ số trong báo cáo tài chính. Có thể thấy rằng biến COVERAGE hiển thị

độ dốc lớn nhất so với các tỷ số tài chính khác, điều này chỉ ra rằng một sự thay đổi trong

khả năng chi trả lãi vay bằng thu nhập hoạt động sẽ có tác động lớn nhất lên xác suất dự

báo của kiệt quệ tài chính, trong điều kiện tất cả các biến khác đƣợc giữ không đổi tại

mức trung bình của chúng. Độ dốc của biến số COVERAGE đồng thời cho thấy một mối

71

tƣơng quan âm giữa xác suất dự báo kiệt quệ tài chính và mức độ thay đổi của biến số

này. Hơn nữa, có một sự suy giảm đáng kể xác suất dự báo của kiệt quệ tài chính về mức

gần bằng 0, khi biến số COVERAGE đạt đến giá trị lớn nhất là 1 trong miền giá trị. Mặt

khác, mẫu hình biểu hiện những thay đổi trong xác suất rơi vào tình trạng kiệt quệ tài

chính theo độ lớn của biến số TFOTL và NOCREDINT cho thấy độ dốc hƣớng xuống

gần nhƣ gần bằng 0, có nghĩa là tác động ngƣợc chiều của hai biến này rất nhỏ.

Đồ thị 6

Đồ thị 6 trình bày tác động của các biến số thị trƣờng, nhân tố có tác động lớn nhất lên sự

thay đổi xác suất kiệt quệ tài chính là biến số ABNRET và VOLATILITY, sau đó là hai

biến số PRICE và SIZE. Cả ba biến số PRICE, VOLATILITY và SIZE này cho thấy mối

tƣơng quan nghịch giữa chúng với xác suất kiệt quệ tài chính. Trong khi đó, đồ thị thể

hiện biến số ABNRET có mối quan hệ ngƣợc lại, kết quả này hoàn toàn đồng nhất với

kết quả hồi quy và phân tích tác động cận biên.

72

Đồ thị 7

Đồ thị 7 trình bày sự thay đổi của các biến số chỉ báo kinh tế vĩ mô CPI và TBILL ảnh

hƣởng đến những thay đổi trong xác suất dự báo của kiệt quệ tài chính khi tất cả các biến

số khác đƣợc giữ không đổi ở mức trung bình của chúng. Khi xem xét cả hai loại nhân tố

kinh tế vĩ mô và thị trƣờng, nhóm tác giả thấy rằng các biến số này góp phần đáng kể

trong việc dự báo xác suất kiệt quệ tài chính, tƣơng tự nhƣ kết quả nhóm tác giả đã tìm

thấy trong phân tích tác động cận biên.

4.5. Phân tích một số trƣờng hợp cụ thể

Sau khi đã thực hiện một số phƣơng pháp hồi quy cũng nhƣ các phép đo lƣờng khả năng

dự báo và mức độ tác động cận biên, nhóm tác giả đều nhận đƣợc kết quả rằng các biến

số tỷ số tài chính đƣợc xác định từ báo cáo tài chính của công ty có khả năng dự báo đối

với tình trạng kiệt quệ tài chính. Tuy nhiên, việc sử dụng kết hợp tất cả 3 nhóm biến số,

bao gồm biến số tỷ số tài chính, chỉ số kinh tế vĩ mô và biến số thị trƣờng sẽ tạo ra đƣợc

khả năng dự báo kiệt quệ tài chính tốt hơn đáng kể so với mô hình chỉ sử dụng các biến

số tài chính.

Điều này hàm ý một kết luận rõ ràng và trực quan rằng các thông tin đƣợc phản ánh hàng

ngày trên các bảng báo cáo tài chính của công ty vẫn chƣa thể dự báo một cách đầy đủ và

chính xác khả năng công ty bị rơi vào tình trạng kiệt quệ tài chính. Thay vào đó, khả năng

kiệt quệ tài chính sẽ đƣợc dự báo một cách tốt hơn nếu xem xét đồng thời với các yếu tố

73

về vĩ mô và thị trƣờng. Đặc biệt, sở dĩ thông tin tài chính đƣợc điểu chỉnh theo thị trƣờng

có khả năng dự báo vƣợt trội hơn hết là do việc nhìn nhận và kỳ vọng về một công ty của

các cá nhân và tổ chức trên thị trƣờng đƣợc phản ánh vào giá cổ phiếu của công ty đó

một cách chính xác và linh động hơn so với các thông tin đƣợc trình bày đơn thuần trên

báo cáo tài chính.

Trong phần này, nhóm tác giả tiến hành phân tích cụ thể một số công ty rơi vào tình trạng

kiệt quệ tài chính nhằm đƣa ra sự đánh giá và so sánh một cách trực quan về khả năng dự

báo kiệt quệ tài chính của biến số tỷ số tài chính, biến số vĩ mô và thị trƣờng. Cụ thể,

nhóm tác giả xem xét những trƣờng hợp sau đây:

Bảng 12

Công

ty Năm TLTA TFOTL NOCREDINT TBILL SIZE PRICE RETURN

PXM

2008 0.0994

2009 0.108

2010 0.739396679 -0.11035 -184.958492 0.10329 0.000296812 0.692379 -0.208940026

2011 0.795545985 -0.12067 -128.881806 0.1272 0.000127515 0.204538 -0.178664716

2012 1.168645674 0.095598 -623.841077 0.0865 0.000011307 0.115274 -0.156595745

KBC

2008 0.409742851 0.087011 0.0994 0.039491813 1.522749 -0.175833499

2009 0.600202817 0.068097 0.108 0.018907196 2.092465 0.134814776

2010 0.542207384 -0.1761 771.56475 0.10329 0.014440228 1.743769 -0.049936039

2011 0.555423243 -0.4127 -608.806505 0.1272 0.005528638 0.48994 -0.220965666

2012 0.599976289 -0.02628 -875.981784 0.0865 0.002995396 0.283381 -0.141886792

74

SJS

2008 0.278201051 -0.3401 -264.976745 0.0994 0.010444813 1.273384 -0.248785758

2009 0.411533793 0.239948 0.108 0.013500487 4.329239 0.876882197

2010 0.510606947 0.355802 -962.268556 0.10329 0.009003569 3.15417 -0.084161756

2011 0.640624362 0.028761 -4088.67899 0.1272 0.004265919 1.03696 -0.202142898

2012 0.718791753 -0.22396 -1960.18697 0.0865 0.001269143 1.04707 -0.028117155

Ghi chú: Tỷ số TLTA, TFOTL và NOCREDINT được thể hiện trọng bảng này là các tỷ số

chưa được xử lý qua hàm TANH nhằm dễ dàng giải thích; tỷ số RETURN là tỷ suất sinh

lợi của cổ phiếu được tính theo mức giá điều chỉnh, là nhân tố để tính ra biến số

ABNRET.

Công ty Cổ phần Xây lắp Dầu khí Miền Trung – Mã chứng khoán PXM. Vào ngày

20/01/2014, mã cổ phiếu PXM bị Sở giao dịch chứng khoán TP. Hồ Chí Minh đƣa vào

diện bị kiểm soát do tổng số lỗ lũy kế của công ty tại ngày 30/06/2013 căn cứ trên Báo

cáo tài chính hợp nhất soát xét vƣợt quá số vốn điều lệ thực góp. Nguyên nhân của tình

trạng này bắt nguồn trực tiếp từ các khoản thu nhập trong hai năm 2012 và 2013 liên tục

âm. Khoản lỗ này đƣợc khuếch đại khi doanh thu của công ty sụt giảm đáng kể trong khi

công ty lại đồng thời sử dụng mức đòn bẩy (TLTA – tỷ số Tổng nợ trên Tổng tài sản) cao

quá mức vƣợt 70% trong năm 2012 và 2013. Nghiên cứu chi tiết hơn, nhóm tác giả nhận

thấy rằng doanh thu của PXM sụt giảm là vì các năm trƣớc đó công ty đã tiến hành đẩy

cao doanh thu nhằm tạo mức thu nhập dƣơng thông qua việc gia tăng tín dụng thƣơng

mại cho khách hàng, đƣợc thể hiện qua giá trị các khoản phải thu tăng đáng kể. Tuy

nhiên, phƣơng pháp này không thể sử dụng trong nhiều năm liên tục vì khách hàng không

muốn mua sản phẩm quá mức so với nhu cầu vì vậy gây ra mức sụt giảm doanh thu trong

năm 2012 và 2013. Sở dĩ, công ty muốn gia tăng mức thu nhập trong bảng kết quả hoạt

động kinh doanh là vì muốn tạo ra kỳ vọng tốt cho các nhà đầu tƣ để thu đƣợc lợi ích từ

việc phát hành cổ phiếu lần đầu (IPO) vào năm 2010. Đồng thời, việc giá cổ phiếu PXM

liên tục giảm đáng kể từ cuối năm 2010 là một tín hiệu thị trƣờng tiêu cực làm cho kế

75

hoạch phát hành thêm cổ phiếu vào năm 2011 của công ty không đƣợc thông qua. Ngoài

ra, công ty phải sử dụng hoàn toàn nguồn vốn vay ngắn hạn để thay thế khi không thể

tiếp cận đƣợc nguồn vốn vay dài hạn do các thông tin tiêu cực về công ty tiếp tục diễn ra

trên thị trƣờng vào năm 2012 và 2013. Tổng hợp các điều này đã làm cho công ty PXM

rơi vào tình trạng thiếu thốn tiền mặt cho hoạt động kinh doanh và cùng lúc phải gánh

chịu chi phí sử dụng vốn cao.

Tuy nhiên, tình trạng kiệt quệ tài chính của công ty PXM vào năm 2013 vốn đã có thể

đƣợc dự báo từ những năm trƣớc đó thông qua tỷ số Dòng tiền hoạt động trên Tổng nợ

(TFOTL) và tỷ số đo lường khả năng tự tài trợ cho những chi phí hoạt động hàng ngày

(NOCREDINT) liên tục âm trong các năm 2010, 2011 và 2012. Tuy nhiên, tỷ số TFOTL

tƣơng ứng với năm 2012 nhận giá trị dƣơng và tăng lên so với năm 2011 trong khi công

ty lại bị rơi vào tình trạng kiệt quệ tài chính vào năm 2013, điều này cho thấy một sự khả

năng giải thích chƣa hoàn hảo của tỷ số TFOTL.

Với các biến số thị trƣờng, nhóm tác giả quan sát thấy một xu hƣớng tiêu cực đồng nhất

qua các năm 2010, 2011 và 2012, trƣớc khi công ty rơi vào tình trạng kiệt quệ tài chính

vào năm 2013. Tỷ trọng vốn hóa thị trường (SIZE) và Giá cổ phiếu (PRICE) của công ty

liên tục giảm và đồng thời Tỷ suất sinh lợi của cổ phiếu (RETURN) cũng nhận giá trị âm

liên tục qua các năm trƣớc khi rơi vào kiệt quệ tài chính. Lãi suất cho vay gia tăng có thể

dẫn đến khả năng các công ty rơi vào kiệt quệ tài chính cao hơn. Xu hƣớng này đƣợc

quan sát thấy đối với công ty vào các năm 2010 và 2011, tuy nhiên lại không phù hợp vào

nào 2012 khi lãi suất cho vay giảm nhƣng công ty lại rơi vào tình trạng kiệt quệ tài chính

vào năm 2013.

Tổng Công ty Phát triển Đô Thị Kinh Bắc – Công ty Cổ phần – Mã chứng khoán KBC.

Vào ngày 02/04/2013, mã cổ phiếu KBC bị Sở giao dịch chứng khoán TP. Hồ Chí Minh

đƣa vào diện cảnh báo do lợi nhuận sau thuế của cổ đông công ty mẹ tại báo cáo tài chính

hợp nhất đã đƣợc kiểm toán năm 2012 của công ty là số âm. Điều này chủ yếu xuất phát

từ sự sụt giảm đáng kể trong doanh thu của công ty vào năm 2012, trong khi công ty đang

76

duy trì mức đòn bẩy khá cao gần 60%. Đồng thời, trƣớc đó vào năm 2011 công ty không

thể thông qua kế hoạch phát hành thêm cổ phiếu vì lý do giá cổ phiếu sụt giảm mạnh

khiến các cổ đông hiện tại nhận thấy không thu đƣợc lợi ích từ việc phát hành cổ phiếu.

Tƣơng tự nhƣ mã chứng khoán PXM, tình trạng kiệt quệ tài chính của công ty KBC có

thể đƣợc dự báo thông qua tỷ số TFOTL nhận giá trị âm liên tiếp trong các năm 2010,

2011 và 2012. Tuy nhiên, tỷ số NOCREDINT cho thấy một sự không đồng nhất trong giá

trị của năm 2010 khi nhận giá trị dƣơng vào năm này.

Công ty Cổ phần Đầu tư Phát triển Đô thị và Khu công nghiệp Sông Đà – Mã chứng

khoán SJS. Vào ngày 20/01/2014, mã cổ phiếu SJS tiếp tục bị Sở giao dịch chứng khoán

TP. Hồ Chí Minh duy trì diện bị kiểm soát do kết quả kinh doanh bị thua lỗ 2 năm liên

tiếp căn cứ Báo cáo tài chính hợp nhất năm 2011 và 2012 đã đƣợc kiểm toán. Nhƣ hầu

hết các công ty rơi vào tình trạng kiệt quệ tài chính, công ty SJS trải qua sự sụt giảm,

trong khi sử dụng mức đòn bẩy cao. Đồng thời, giá cổ phiếu của công ty SJS cũng sụt

giảm từ năm 2011 làm cho chi phí sử dụng vốn gia tăng trong trƣờng hợp phát hành cổ

phiếu. Về khía cạnh dụ báo, tỷ số TFOTL cho thấy một xu hƣớng giảm liên tục và tỷ số

NOCREDINT liên tục âm qua các năm 2010, 2011 và 2012.

Mặt khác, tình trạng kiệt quệ tài chính của cả hai công ty KBC và SJS đều đƣợc dự báo

một cách thống nhất và chính xác thông qua các yếu tố thị trƣờng và chỉ số kinh tế vĩ mô,

tƣơng tự nhƣ công ty PXM.

Tóm lại, qua sự phân tích cụ thể 3 công ty nói trên, nhóm tác giả kết luận rằng nguyên

nhân dẫn đến tình trạng kiệt quệ tài chính của một công ty có sự khác nhau khi xem xét

các chỉ tiêu từ báo cáo tài chính; nhƣng đều đồng nhất về yếu tố thị trƣờng cụ thể là sự

sụt giảm mạnh trong giá cổ phiếu trƣớc khi rơi vào tình trạng kiệt quệ tài chính. Đồng

thời, nhóm tác giả một lần nữa cho thấy tình trạng kiệt quệ tài chính của công ty không

chỉ đƣợc dự báo từ những thông tin bên trong công ty thông qua các tỷ số tài chính mà

còn đƣợc phản ánh đầy đủ thông qua yếu tố bên ngoài bao gồm môi trƣờng kinh tế vĩ mô

và đặc biệt là các yếu tố thị trƣờng.

77

5. KẾT LUẬN

5.1. Tóm tắt kết quả nghiên cứu

Nghiên cứu của nhóm tác giả trình bày một sự so sánh về tính chính xác trong phân loại

và khả năng dự báo tình trạng kiệt quệ tài chính của các công ty đƣợc niêm yết tại Sở

giao dịch chứng khoán TP. Hồ Chí Minh và Sở giao dịch chứng khoán Hà Nội đối với ba

loại biến số: các tỷ số tài chính, các chỉ số kinh tế vĩ mô và các biến số thị trƣờng. Bài

nghiên cứu của nhóm tác giả thể hiện một số ƣu điểm nhất định trong việc dự báo tình

trạng kiệt quệ tài chính của các công ty. Thứ nhất, việc xác định một công ty rơi vào tình

trạng kiệt quệ tài chính trong nghiên cứu này không phụ thuộc vào hậu quả pháp lý cuối

cùng của công ty: phá sản, nhƣ trong phần lớn các nghiên cứu trƣớc. Thứ hai, bài nghiên

cứu sử dụng một bộ dữ liệu lớn kết hợp các loại thông tin khác nhau từ nguồn dữ liệu

đáng tin cậy. Thứ ba, và có lẽ quan trọng nhất, đây là bài nghiên cứu đầu tiên kiểm chứng

tại Việt Nam sự đóng góp (trên phƣơng diện độc lập cũng nhƣ từng nhóm biến) của ba

loại biến số vào độ chính xác trong dự báo tình trạng kiệt quệ tài chính của mô hình: biến

số tỷ số tài chính, biến số chỉ báo kinh tế vĩ mô và biến số thị trƣờng. Bài nghiên cứu này

áp dụng một phƣơng pháp tiếp cận sử dụng những biến số không loại trừ lẫn nhau mà bổ

sung cho nhau trong đóng góp vào việc dự báo tình trạng kiệt quệ tài chính của các công

ty. Cụ thể là nhóm tác giả đã kiểm chứng đƣợc rằng khi sử dụng mô hình đầy đủ các biến

số thì khả năng giải thích là cao nhất. Cuối cùng, nhóm tác giả cung cấp một sự đo lƣờng

tác động cận biên cho phép lƣợng hóa sự tác động của từng biến giải thích lên xác suất

công ty rơi vào tình trạng kiệt quệ tài chính.

Từ những kết quả nói trên, nhóm tác giả đƣa ra một số đề xuất nhằm hỗ trợ các cơ quan

quản lý Nhà nƣớc và Chính phủ cũng nhƣ các nhà quản lý công ty nhƣ sau:

Đối với các cơ quan quản lý Nhà nƣớc và Chính phủ. Nghiên cứu của nhóm tác giả

cho thấy các yếu tố kinh tế vĩ mô cũng nhƣ thị trƣờng có tác động đáng kể đến khả năng

rơi vào tình trạng kiệt quệ tài chính của các công ty. Do đó, các cơ quan quản lý Nhà

nƣớc và Chính phủ cần đảm bảo một môi trƣờng kinh tế vĩ mô ổn định nhằm tạo điều

78

kiện thuận lợi nhất giúp các công ty hoạt động ổn định. Mặt khác, Chính phủ cũng cần

hoàn thiện hơn nữa pháp luật về thị trƣờng chứng khoán, thị trƣờng tài chính,… nhằm

xây dựng một thị trƣờng cạnh tranh lành mạnh giúp các công ty hoạt động và phát triển.

Ngoài ra, Chính phủ còn có thể sử dụng các thông tin tài chính cũng nhƣ thông tin thị

trƣờng và kinh tế vĩ mô để dự báo khả năng rơi vào tình trạng kiệt quệ tài chính trong

tƣơng lai của những công ty có vốn Nhà nƣớc trên thị trƣờng nhằm có biện pháp điều

chỉnh phù hợp.

Đối với các nhà quản lý công ty. Để duy trì hoạt động sản xuất kinh doanh ổn định cũng

nhƣ tránh rơi vào tình trạng kiệt quệ tài chính của công ty, các nhà quản lý cần thƣờng

xuyên tiến hành phân tích, rà soát các chỉ số tài chính của công ty ở mức độ tổng thể cũng

nhƣ chi tiết nhằm tìm ra những bất thƣờng trong tình hình tài chính của công ty và tiến

hành những biện pháp điều chỉnh thích hợp. Ngoài ra, các nhà quản lý cũng cần chú ý tìm

kiếm những cơ hội giúp công ty tăng trƣởng và mở rộng hoạt động sản xuất kinh doanh

bởi các nhà đầu tƣ sẽ tiến hành phân tích và dự báo cơ hội tăng trƣởng của công ty khi

tiến hành tìm kiếm cơ hội đầu tƣ. Đặc biệt, các nhà quản lý cần duy trì việc công bố

thông tin định kỳ cho thị trƣờng cũng nhƣ liên tục phân tích và dự báo phản ứng của thị

trƣờng đối với những thông tin mà công ty công bố nhằm duy trì khả năng hoạt động ổn

định của công ty và có phƣơng án ứng phó kịp thời. Đối với những công ty đang rơi vào

kiệt quệ tài chính, nhằm cải thiện tình hình một cách hiệu quả hơn, các nhà quản lý không

nên dùng các thủ thuật kế toán để điều chỉnh báo cáo tài chính mà cần tiến hành những

biện pháp tái cấu trúc lại công ty nhƣ cơ cấu lại nợ, bán tài sản, tìm kiếm những nguồn

vốn mới từ bên ngoài, tác cấu trúc nhân sự công ty, cắt giảm những dự án đầu tƣ kém

hiệu quả và tích cực tìm kiếm những dự án đầu tƣ mang lại dòng tiền dƣơng cho công ty.

5.2. Hạn chế của đề tài và hƣớng nghiên cứu tiếp theo

Khoảng thời gian đƣợc xem xét trong bài nghiên cứu của nhóm tác giả là từ năm 2008

đến năm 2012, trong đó đầu năm 2008 là thời điểm thị trƣờng chứng khoán Việt Nam

đảo chiều đi xuống rất mạnh làm cho giá cổ phiếu cuối năm 2008 xuống rất thấp. Chính

79

yếu tố này đã tác động phần nào đến bài nghiên cứu của nhóm tác giả. Muốn khắc phục

vấn đề này, nhóm tác giả cần mở rộng số năm nghiên cứu trong những nghiên cứu sau.

Mặt khác, trong nghiên cứu này, nhóm tác giả chƣa so sánh khả năng dự báo của mô hình

Logit với một số mô hình dự báo kiệt quệ tài chính khác nhƣ mô hình Altman hay phƣơng

pháp Support Vector Machine. Điều này cũng mở ra một hƣớng mới cho những nghiên

cứu tiếp theo về mô hình dự báo tình trạng kiệt quệ tài chính của các công ty.

80

PHỤ LỤC

Danh sách các công ty đƣợc sử dụng trong bài nghiên cứu theo mã chứng khoán

AAA BCI CCI CTA DHT DXG HAS HST KBC LBE MCP NKG PHH PVA RIC SDC SJS TBX TMT V12 VGP VNT

AAM BDB CCL CTB DIC DXV HAX HT1 KDC LBM MDC NLC PHR PVC S12 SDD SKS TC6 TNA V15 VGS VOS

ABT BED CCM CTC DID DZM HBC HTC KDH LCD MDG NPS PIT PVD S55 SDE SMA TCL TNG V21 VHC VPH

ACC BGM CDC CTI DIG EBS HBE HTI KHA LCG MEC NSC PIV PVE S74 SDG SMC TCM TNT VAT VHG VPK

ACL BHC CID CTM DIH EID HCC HTL KHB LCS MHC NSN PJC PVG S91 SDH SMT TCR TPC VBC VHH VRC

ADC BHS CIG CTN DL1 ELC HDA HTP KHP LDP MHL NST PLC PVL S96 SDN SNG TCS TPP VC1 VHL VSC

AGF BHT CII CTV DLG EVE HDC HU1 KKC LGC MIC NTL PMS PVS S99 SDP SPM TCT TRA VC2 VIC VSH

ALP BHV CJC CVN DLR FDC HDG HU3 KMR LGL MIM NTP PNC PVT SAM SDT SPP TDC TRC VC3 VID VSI

ALT BKC CLC CVT DMC FDG HDO HUT KMT LHC MKV NVC PNJ PVV SAV SDU SQC TDH TS4 VC5 VIP VST

ALV BLF CLG CX8 DNC FDT HHC HVG KSA LHG MMC NVT POM PVX SBA SDY SRB TDN TSB VC6 VIS VTB

AME BMC CLW CYC DNM FMC HHG HVT KSD LIG MNC OCH POT PXA SBC SEB SRC TDW TSC VC7 VIT VTC

AMV BMP CMC D11 DNP FPT HHL HVX KSH LIX MPC ONE PPC PXI SBT SEC SRF TH1 TST VC9 VKC VTF

ANV BPC CMG D2D DNY GDT HJS ICF KSS LM3 MTG OPC PPG PXM SC5 SED SSC THB TTC VCC VLF VTO

APC BRC CMI DAD DPC GGG HLC ICG KST LM7 NAG PAC PPI PXS SCJ SFC SSM THG TTF VCF VMC VTS

APP BSC CMS DAE DPM GIL HLG IDI KTS LM8 NAV PAN PPP PXT SCL SFN ST8 THT TTP VCG VMD VTV

ARM BST CMT DAG DPR GLT HLY IDJ KTT LO5 NBB PCT PPS QCC SCR SGC STC TIC TV1 VCM VNA VXB

ASM BT6 CMV DBC DQC GMC HMC IJC L10 LSS NBC PDC PRC QCG SD1 SGT STG TIE TV2 VCR VNC XMC

ASP BTP CMX DBT DRC GMD HMH ILC L14 LTC NBP PDN PSC QHD SD2 SHI STP TIX TV3 VCS VNE YBC

ATA BTS CNG DC2 DRH GMX HNM IMP L18 LUT NDN PDR PSG QNC SD4 SHN STT TJC TV4 VCV VNF

AVF BTT CNT DC4 DSN GTA HOM INN L35 MAC NET PET PTB QTC SD5 SIC SVC TKC TVD VDL VNG

B82 BVG COM DCS DST GTT HPG ITA L43 MAX NGC PFL PTC RAL SD6 SJ1 SVI TKU TXM VE1 VNH

BBC C47 CPC DCT DTA HAD HQC ITC L44 MCC NHA PGC PTL RCL SD7 SJC SVN TLG TYA VE2 VNI

BBS C92 CSC DHA DTL HAG HRC ITD L61 MCF NHS PGS PTM RDP SD9 SJD SVT TLH UDC VE3 VNL

BCC CAN CSM DHC DTT HAI HSG JVC L62 MCG NHW PGT PTS REE SDA SJE TAC TMC UIC VE9 VNM

BCE CAP CT6 DHG DVP HAP HSI KAC LAF MCO NIS PHC PV2 RHC SDB SJM TBC TMP UNI VFR VNS

81

TÀI LIỆU THAM KHẢO

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 default

swap spreads. Journal of Banking & Finance, 32, 1008–1021.

Alfaro, E., García, N., Gámez, M., & Elizondo, D. (2008). Bankruptcy forecasting: An

empirical comparison of AdaBoost and neural networks. Decision Support Systems, 45,

110–122.

Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of

corporate bankruptcy. Journal of Finance, 23, 589–609.

Altman, E. I. (2000). Predicting financial distress of companies: Revisiting the Z-score

and ZetaR models. New York University Salomon Center working paper series.

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.

Argenti, J. (1976). Corporate collapse: The causes and symptoms. London: McGraw-Hill.

Asquith, P., Gertner, R., & Scharfstein, D. (1994). Anatomy of financial distress: An

examination of junk-bond issuers. Quarterly Journal of Economics, 109, 625–658.

82

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., 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.

Bierens, H. J. (2008). The logit model: Estimation. Testing and interpretation: Penn State,

Department of Economics.

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.

Cho, S., Kim, J., & Bae, J. K. (2009). An integrative model with subject weight based on

neural network learning for bankruptcy prediction. Expert Systems with Applica- tions,

36, 403–410.

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.

Cleves, M. A. (2002). From the help desk: Comparing areas under receiver operating

characteristics curves from two or more probit or logit models. The Stata Journal, 2,

301–313.

83

Cox, D. R., & Snell, E. J. (1989). The analysis of binary data (2nd ed.). London:

Chapman and Hall.

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.

Ericsson, J., Jacobs, C., & Oviedo, R. (2009). The determinants of credit default swap

premia. Journal of Financial and Quantitative Analysis, 44, 109–132.

Freund, R. J., & Littell, R. C. (2000). SAS system for regression (3rd ed.). New York:

Wiley. Geske, R. (1977). The valuation of corporate liabilities as compound options. The

Journal of Financial and Quantitative Analysis, 12, 541–552.

Godfrey, M. D. (2009). The TANH transformation. Information Systems Laboratory,

Stanford University.

Graham, A. (2000). Corporate credit analysis. London: Fitzroy Dearborn Publishers.

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. (1987). Non-financial symptoms and the prediction of small

company failure: A test of Argenti's hypotheses. Journal of Business Finance &

Accounting, 14, 335–354

Keasey, K., & Watson, R. (1991). Financial distress prediction models: A review of their

usefulness. British Journal of Management, 2, 89–102.

Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical

and intelligent techniques — A review. European Journal of Operational Research, 180,

1–28.

Long, J. S., & Freese, J. (2003). Regression models for categorical dependent variables

using Stata. College Station, Texas: Stata Press.

Maltz, A. C., Shenhar, A. J., & Reilly, R. R. (2003). Beyond the balanced scorecard:

Refining the search for organizational success measures. Long Range Planning, 36, 187–

204.

84

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.

Mays, F. E. (2004). Credit scoring for risk managers: The handbook for lenders.

Thomson/South-Western.

Mella-Barral, P., & Perraudin, W. (1997). Strategic debt service. Journal of Finance, 52,

531–556.

Merton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest

rates. Journal of Finance, 29, 449–470.

Nagelkerke, N. J. D. (1991). A note on a general definition of the coefficient of determi-

nation. Biometrika, 78, 691–692.

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.

Olson, D. L., Delen, D., & Meng, Y. (2012). Comparative analysis of data mining

methods for bankruptcy prediction. Decision Support Systems, 52, 464–473.

Pindado, J., Rodrigues, L., & De la Torre, C. (2008). Estimating financial distress likeli-

hood. 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.

Depart- ment 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.

85

Saunders, A., & Allen, L. (2002). Credit risk measurement: New approaches to value at

risk and other paradigms (2nd ed.). New York: John Wiley & Sons. Inc.

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 statis-

tical model. Accounting and Business Research, 13, 295–307.

Theodossiou, P. T. (1993). Predicting shifts in the mean of a multivariate time series

process: An application in predicting business failures. Journal of the American

Statistical Association, 88, 441–449.

Trujillo-Ponce, A., Samaniego_Medina, R., & Cardone-Riportella, C. (in press).

Examining what best explains corporate credit risk: Accounting-based versus market-

based models. Journal of Business Economics and Management.

http://dx.doi.org/10.3846/16111699.2012.720598.

Tseng, F. -M., & Hu, Y. -C. (2010). Comparing four bankruptcy prediction models:

Logit, quadratic interval logit, neural and fuzzy neural networks. Expert Systems with

Ap- plications, 37, 1846–1853.

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.

Yang, Z., You, W., & Ji, G. (2011). Using partial least squares and support vector

machines for bankruptcy prediction. Expert Systems with Applications, 38, 8336–8342.

Zavgren, C. V. (1985). Assessing the vulnerability to failure of American industrial

firms: A logistic analysis. Journal of Business Finance & Accounting, 12, 19–45.

Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial

distress prediction models. Journal of Accounting Research, 22, 59–82.