TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN
Lý do chọn đề tài
Nhiều nghiên cứu đã được thực hiện về mô hình dự báo phá sản doanh nghiệp, như Beaver (1966), Altman (1968), Ohlson (1980), và các tác giả khác, nhưng hầu hết chỉ dựa vào dữ liệu kế toán lịch sử hoặc thông tin thị trường chứng khoán, dẫn đến khả năng dự báo chưa tối ưu Do đó, nhu cầu về một tập hợp dữ liệu tốt hơn để giúp nhà quản lý có những quyết định kịp thời nhằm tránh tình trạng phá sản và gia tăng giá trị công ty ngày càng tăng Dự báo sớm cũng hỗ trợ các chủ nợ trong việc giảm thiểu chi phí liên quan đến thủ tục phá sản Các nhà quản lý cần thông tin chính xác về khả năng phá sản để duy trì sự phát triển của công ty, trong khi các nhà cho vay và nhà đầu tư cần dữ liệu kịp thời để ra quyết định đầu tư Ở Việt Nam, mặc dù có nhiều nghiên cứu về dự báo phá sản, nhưng tính tối ưu của các mô hình và phương pháp chọn biến vẫn cần được xem xét Tác giả ứng dụng lý thuyết tập mềm để so sánh và đánh giá khả năng của nó trong việc dự báo phá sản tại Việt Nam.
Mục tiêu của đề tài
Tối ưu hóa dự báo phá sản doanh nghiệp bằng cách áp dụng lý thuyết tập hợp mềm giúp lựa chọn bộ tỷ số tài chính phù hợp nhất cho mô hình dự báo Việc này không chỉ nâng cao độ chính xác của dự báo mà còn hỗ trợ các nhà quản lý ra quyết định kịp thời và hiệu quả hơn trong việc phòng ngừa rủi ro tài chính.
Dựa trên nghiên cứu của Wei Xu và các cộng sự (2014), bài viết này nhằm tìm ra bộ tỷ số tài chính tối ưu dựa trên lý thuyết tập mềm (Soft-set) Mục tiêu là kế thừa và ứng dụng các mô hình dự báo phá sản đã phát triển trên thế giới vào thực tiễn dự báo sớm nguy cơ phá sản cho doanh nghiệp Việt Nam Nghiên cứu sẽ lựa chọn các tỷ số tài chính có ý nghĩa nhất và xác định mô hình phù hợp nhất cho việc dự báo phá sản Bên cạnh đó, bài nghiên cứu cũng hướng tới việc kiểm tra tính tối ưu của lý thuyết tập hợp mềm và tính vững của bộ lọc biến để làm sáng tỏ vấn đề này.
Câu hỏi nghiên cứu
Bài nghiên cứu tập trung giải quyết các câu hỏi:
Lý thuyết tập hợp mềm có thể áp dụng hiệu quả để phân tích dữ liệu từ các tỷ số tài chính trong thị trường chứng khoán Việt Nam, giúp nhà đầu tư đưa ra quyết định chính xác hơn.
- Thứ hai, lý thuyết tập hợp mềm có phải là bộ lọc biến tối ưu hay chưa?
Mô hình ước lượng dựa trên các tỷ số tài chính được lựa chọn theo lý thuyết tập hợp mềm cho thấy tính ổn định và độ tin cậy cao hơn so với các tỷ số trong các phương pháp dự báo phá sản trước đây.
Đối tượng và phạm vi nghiên cứu
Để nghiên cứu dự báo phá sản, trước tiên cần xác định đối tượng nghiên cứu, vì đây là một chủ đề rộng với các ngành nghề khác nhau như ngân hàng, du lịch, công ty nhỏ và bất động sản, mỗi ngành sẽ có cách tiếp cận và kết quả khác nhau Bài nghiên cứu này không đi sâu vào từng ngành cụ thể mà tập trung vào các công ty niêm yết tại Sở giao dịch chứng khoán Tp Hồ Chí Minh (HOSE) Nghiên cứu tổng hợp 52 công ty phá sản trong giai đoạn từ năm 2011 đến năm 2016, cùng với 52 công ty khỏe mạnh được chọn ngẫu nhiên trong cùng giai đoạn Với cỡ mẫu 52x52, dữ liệu được thu thập từ năm t-1 và năm t-2, tạo thành tổng số 208 quan sát và 4700 biến quan sát theo năm.
Trong khoảng thời gian từ 2009 đến 2015, 50 biến quan sát hàng năm đã được thu thập cho mỗi công ty, với thời điểm cụ thể được xác định là 2 năm trước khi xảy ra sự kiện quan trọng (khỏe mạnh hoặc kiệt quệ) Dữ liệu này được lấy từ báo cáo tài chính đã qua kiểm toán của các công ty niêm yết tại Sở giao dịch chứng khoán Tp Hồ Chí Minh (HOSE).
CHƯƠNG 2 CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ
GIỚI VÀ Ở VIỆT NAM 2.1 Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
Phá sản là gì? Đã có rất nhiều định nghĩa ở các bài nghiên cứu trước đây: Beaver
Theo định nghĩa của Beaver (1966), phá sản là tình trạng không có khả năng thanh toán các nghĩa vụ nợ đến hạn của công ty Wruck (1990) bổ sung rằng phá sản xảy ra khi dòng tiền của công ty không đủ để đáp ứng các nghĩa vụ tài chính hiện tại, bao gồm nợ phải trả cho nhà cung cấp, nhân viên, lãi vay và các nghĩa vụ khác Wruck (1999) cũng chỉ ra rằng có nhiều giai đoạn mà một công ty có thể trải qua trước khi bị xác định là phá sản, bao gồm phá sản, mất khả năng thanh toán, nộp đơn phá sản và bị tiếp quản hành chính để tránh việc nộp đơn xin phá sản.
Theo nghiên cứu của Asquith, Gertner và Scharfstein (1994), một công ty được coi là phá sản nếu EBITDA của nó thấp hơn chi phí lãi vay trong hai năm liên tiếp kể từ năm phát hành trái phiếu lãi suất cao, hoặc trong bất kỳ năm nào khác khi EBITDA thấp hơn 80% chi phí lãi vay Tương tự, Andrade và Kaplan (1998) xác định tình trạng phá sản khi EBITDA thấp hơn chi phí tài chính hoặc khi công ty gặp khó khăn trong việc tái cơ cấu nợ hoặc mất khả năng thanh toán.
Phá sản được định nghĩa bởi Whitaker (1999) là tình trạng khi dòng tiền của một công ty trong năm đầu tiên thấp hơn nợ dài hạn đến hạn phải trả Ngoài ra, một công ty cũng được coi là phá sản khi giá trị thị trường của nó có tỷ lệ tăng trưởng âm so với giá trị trung bình của thị trường hoặc theo giá trị trung bình của thị trường đã được hiệu chỉnh theo ngành Doumpos và Zopounidis (1999) bổ sung rằng phá sản xảy ra khi công ty không thể thực hiện đầy đủ nghĩa vụ đối với chủ nợ và nhà cung cấp, dẫn đến việc tạm dừng hoạt động kinh doanh.
Nghiên cứu này được thực hiện trong bối cảnh Việt Nam, theo quy định của luật phá sản năm 2014, xác định rằng một doanh nghiệp được coi là phá sản khi không còn khả năng thanh toán và bị tòa án tuyên bố Tuy nhiên, bài nghiên cứu tiếp cận từ góc độ thị trường chứng khoán, cho rằng một doanh nghiệp cũng có thể được xem là phá sản khi bị hủy niêm yết trên sàn chứng khoán Ngoài ra, một công ty được coi là gặp khó khăn tài chính nếu EBITDA của họ liên tục thấp hơn chi phí lãi vay trong hai năm, hoặc khi giá trị thị trường của công ty giảm liên tục trong hai năm.
2.1.2 Lý thuyết về tập hợp mềm
Theo bài nghiên cứu của Molodtsov (1999) và Wei Xu cùng các cộng sự (2014), tác giả tổng hợp các định nghĩa chính về lý thuyết soft set như sau:
2.1.2.1 Định nghĩa về tập hợp mềm
Gọi 𝑼 là tập tổng thể gốc, 𝑬 là tập gồm các tham số, 𝑷(𝑼) là tập con của 𝑼 và 𝑨 ⊆
2.1.2.1.1 Định nghĩa 1 về tập hợp mềm (Soft - set)
Một soft set 𝑭 𝑨 trên tập 𝑼 được định nghĩa bởi tập các cặp thỏa
Hay nói một cách khác, một soft set trên tập U là một họ tham số của các tập con trong tập U
Một soft set 𝐹 𝐴 thể hiện ảnh hưởng của các biến đối với việc dự đoán khả năng phá sản của các công ty Giả sử có 6 công ty được xem xét, tập tổng thể gốc là 𝑈 {𝑢 1 , 𝑢 2 , 𝑢 3 , 𝑢 4 , 𝑢 5 , 𝑢 6 } và 𝐸 = {𝑥 1 , 𝑥 2 , 𝑥 3 , 𝑥 4 , 𝑥 5 } là tập hợp các tham số cần thiết.
Các biến 𝑥1, 𝑥2, 𝑥3, 𝑥4, 𝑥5 đại diện cho các chỉ số tài chính quan trọng như Tài sản ngắn hạn so với Nợ ngắn hạn, Dòng tiền so với Tổng nợ, Dòng tiền so với Tổng tài sản, Dòng tiền so với Doanh thu ròng, và Tổng nợ so với Tổng tài sản Ngoài ra, Giá trị thị trường vốn cổ phần so với Giá trị sổ sách của nợ cũng được xem xét Mục tiêu của việc phân tích này là xác định các biến có ảnh hưởng đến khả năng dự đoán tình trạng phá sản của các công ty.
Từ đó ta có thể viết soft set 𝐹 𝐴 là:
Hay nói một cách khác, tương ứng với tham số 𝑥 1 , 𝑥 3 , 𝑥 4 trong tập 𝐴 sẽ tìm được các phần tử tương ứng trong tập 𝑈
2.1.2.1.2 Định nghĩa 2 về tập hợp mềm (Soft - set)
Nếu 𝑭 𝑨 , 𝑭 𝑩 thuộc 𝑼, thì ∧ (tích) của 2 soft set 𝑭 𝑨 , 𝑭 𝑩 là soft set 𝑭 𝑨 ∧ 𝑭 𝑩 được định nghĩa bởi hàm
2.1.2.1.3 Định nghĩa 3 về về tập hợp mềm (Soft - set)
Cho 𝑭 𝑨 ∧ 𝑭 𝑩 ∈ ∧ (𝑼) Khai triển uniint cho bởi tập giao, được lập bởi unixinty và uniyintx như sau: unixinty: ∧ (𝑼) → 𝑷(𝑼), 𝐮𝐧𝐢 𝐱 𝐢𝐧𝐭 𝐲 (𝑭 𝑨 ∧ 𝑭 𝑩 ) =∪ 𝐱∈𝐀 (∩ 𝐲∈𝐁 (𝒇 𝑨∧𝑩 (𝒙, 𝒚))) unixinty: ∧ (𝑼) → 𝑷(𝑼), 𝐮𝐧𝐢 𝐲 𝐢𝐧𝐭 𝐱 (𝑭 𝑨 ∧ 𝑭 𝑩 ) =∪ 𝐲∈𝐁 (∩ 𝐱∈𝐀 (𝒇 𝑨∧𝑩 (𝒙, 𝒚)))
Sau cùng ta có uniint decision được tính bởi 2 tập khai triển uniint
Tập hợp mềm là một khái niệm quan trọng, và nhiều phương pháp ứng dụng đã được phát triển để áp dụng lý thuyết này vào thực tiễn nhằm tìm ra giải pháp tối ưu Trong số các phương pháp, Novel Soft Set (NSS) là phương pháp phổ biến nhất.
2.1.2.2 Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)
Chen và các cộng sự (2005) đã phát triển phương pháp rút gọn tham số của soft sets, mang lại ứng dụng quan trọng trong các vấn đề ra quyết định Phương pháp này giúp tối ưu hóa quá trình ra quyết định thông qua việc giảm thiểu số lượng tham số cần xem xét, từ đó nâng cao hiệu quả và tính chính xác trong các phân tích quyết định.
Cho 𝑈 = {ℎ 1 , ℎ 2 , … , ℎ 𝑛 } và 𝐸 = {𝑒 1 , 𝑒 2 , … , 𝑒 𝑚 }, (𝐹, 𝐸) là một soft set được trình bày dưới dạng bảng Hàm 𝑓 𝐸 (ℎ 𝑖 ) được định nghĩa là tổng các giá trị ℎ 𝑗 𝑖𝑗 của các phần tử trong bảng (𝐹, 𝐸) Nghiên cứu sử dụng 𝑀 𝐸 để xác định tập hợp các phần tử trong 𝑈 có giá trị 𝑓 𝐸 lớn nhất Đối với các phần tử trong 𝐴 ⊂ 𝐸, nếu
Nếu \( M_E - A = M_E \), thì \( A \) được coi là tập hợp không trọng yếu và có thể lược bỏ trong \( E \); ngược lại, \( A \) là tập hợp trọng yếu trong \( E \) Điều này có nghĩa là nếu \( A \subset E \) là không trọng yếu, sự khác biệt giữa các phần tử trong \( A \) không ảnh hưởng đến quyết định cuối cùng Tập tham số của \( E \ được gọi là độc lập nếu tất cả các tập con của \( E \) đều trọng yếu; nếu không, \( E \) là phụ thuộc Tập \( B \subseteq E \) được gọi là tập rút gọn của \( E \) nếu \( B \) là độc lập và \( M_B = M_E \), trong trường hợp này, \( B \) là tập con rút gọn của \( E \) nhưng vẫn giữ cho sự lựa chọn không thay đổi.
Với tất cả các tập tham số 𝐵 ⊆ 𝐴, một quyết định không xác định 𝐼𝑁𝐷(𝐵) được định nghĩa:
𝐼𝑁𝐷(𝐵) = {(ℎ 𝑖 , ℎ 𝑗 ) ∈ 𝑈×𝑈: 𝑓 𝐵 (ℎ 𝑖 ) = 𝑓 𝐵 (ℎ 𝑗 )} Đối với soft set {𝐹, 𝐸}, 𝑈 = {ℎ 1 , ℎ 2 , … , ℎ 𝑛 }, từ đó suy ra
2, … , {ℎ 1 , ℎ 2 , … , ℎ 𝑛 } 𝑓 𝑠 } như là một cách phân chia của các phần tử trong 𝑈, mỗi phần và thứ hạng của các phần tử dựa trên giá trị
𝑓 𝐸 ( ) căn cứ trên mối quan hệ không xác định, và
Phân chia quyết định được định nghĩa bởi các tập con {ℎ 𝑣 , ℎ 𝑣+1 , … , ℎ 𝑣+𝑤 } 𝑓 𝑖, trong đó các phần tử có cùng giá trị 𝑓 𝐸 (ℎ 𝑣 ) = 𝑓 𝐸 (ℎ 𝑣+1 ) = ⋯ = 𝑓 𝐸 (ℎ 𝑣+𝑤 ) = 𝑓 𝑖 được phân nhóm vào cùng một tập con Đồng thời, các giá trị 𝑓 1 ≥ 𝑓 2 ≥ ⋯ ≥ 𝑓 𝑠 thể hiện thứ tự giảm dần, với s là số lượng các tập con.
Tập mềm {𝐹, 𝐸}, với 𝐸 = {𝑒 1 , 𝑒 2 , … , 𝑒 𝑚 }, được xác định là không trọng yếu nếu tồn tại một tập con 𝐴 = {𝑒 1 ′ , 𝑒 2 ′ , … , 𝑒 𝑝 ′ } ⊂ 𝐸 sao cho 𝑓 𝐴 (ℎ 1 ) = 𝑓 𝐴 (ℎ 2 ) = ⋯ = 𝑓 𝐴 (ℎ 𝑛 ) Ngược lại, nếu 𝐴 không thỏa mãn điều kiện này, thì 𝐴 được coi là trọng yếu Một tập con 𝐵 ⊂ 𝐸 được gọi là tập bị loại bỏ nếu 𝐵 là không trọng yếu.
𝑓 𝐸−𝐵 (ℎ 1 ) = 𝑓 𝐸−𝐵 (ℎ 2 ) = ⋯ = 𝑓 𝐸−𝐵 (ℎ 𝑛 ), thì 𝐸 − 𝐵 là tập con lớn nhất của E mà giá trị 𝑓 𝐸−𝐵 ( ) vẫn bằng nhau Ở định nghĩa 2, 𝑓 𝐴 (ℎ 1 ) = 𝑓 𝐴 (ℎ 2 ) = ⋯ = 𝑓 𝐴 (ℎ 𝑛 ) nhằm ám chỉ 𝑓 𝐴 (ℎ 1 ) = 𝐶 𝐸 = 𝐶 𝐸−𝐴
E - A là tập con tối thiểu của E, đảm bảo khả năng ra quyết định không thay đổi Việc rút gọn tập E giúp giảm số lượng tham số, trong khi vẫn giữ nguyên sự phân chia của các phần tử.
Soft set {𝐹, 𝐸}, 𝐸 = {𝑒 1 , 𝑒 2 , … , 𝑒 𝑚 } là tập các tham số, 𝑈 = {ℎ 1 , ℎ 2 , … , ℎ 𝑛 } là các phần tử trong tập tổng thể còn gọi là tập đối tượng, 𝐶 𝐸 {{ℎ 1 , ℎ 2 , … , ℎ 𝑖 } 𝑓 1 , {ℎ 𝑖+1 , … , ℎ 𝑗 } 𝑓
