GIỚ I THI Ệ U
Tính c ấ p thi ế t c ủa đề tài
Cuộc khủng hoảng tài chính năm 2008 đã phơi bày những thiếu sót trong quản trị rủi ro trong lĩnh vực cho vay, khiến các nhà đầu tư và nhà cho vay cần thông tin kịp thời về xác suất rủi ro phá sản của doanh nghiệp Trong bối cảnh kinh tế toàn cầu và Việt Nam ngày càng biến động, ảnh hưởng lớn đến hoạt động sản xuất kinh doanh, việc nghiên cứu để dự đoán xác suất kiệt quệ tài chính và phá sản của doanh nghiệp trở nên cấp thiết hơn bao giờ hết.
Hiện nay, có nhiều nghiên cứu về mô hình dự đoán rủi ro kiệt quệ tài chính và phá sản, nhưng phần lớn chỉ dựa vào dữ liệu kế toán quá khứ (Altman, 1968), thông tin thị trường chứng khoán (Merton, 1974), hoặc kết hợp cả hai (Trujillo-Ponce và cộng sự, 2012) Một số nghiên cứu cũng chỉ ra rằng các biến vĩ mô có thể dự báo kiệt quệ tài chính Do đó, việc kết hợp các nhóm biến này để đánh giá khả năng dự báo của chúng là rất cần thiết Hernandez Tinoco và Wilson (2013) là một trong những nghiên cứu tiên phong trong việc này.
Để doanh nghiệp hoạt động và phát triển bền vững, cần chú ý đến cả yếu tố nội tại và bên ngoài Nhiều nhân tố có thể dự đoán khả năng kiệt quệ tài chính, bao gồm dữ liệu tài chính doanh nghiệp, dữ liệu thị trường và thông tin vĩ mô của nền kinh tế Việc kết hợp các loại dữ liệu này là cần thiết để xây dựng mô hình dự báo hiệu quả, giúp doanh nghiệp đưa ra các biện pháp kịp thời nhằm tránh tình trạng kiệt quệ tài chính và gia tăng giá trị Đây là lý do tác giả lựa chọn nghiên cứu đề tài này trong luận văn.
M ụ c tiêu nghiên c ứ u và câu h ỏ i nghiên c ứ u
Luận văn này phân tích khả năng dự đoán xác suất kiệt quệ tài chính của các công ty niêm yết tại Việt Nam thông qua việc áp dụng các mô hình kết hợp dữ liệu kế toán, dữ liệu thị trường và dữ liệu vĩ mô.
Từ mục tiêu được xác định ở trên, tác giả đặt ra một số câu hỏi nghiên cứu như sau:
Khi nào một doanh nghiệp rơi vào tình trạng kiệt quệ tài chính?
Các nhân tố nào có thể giúp dự đoán tốt một doanh nghiệp rơi vào tình trạng kiệt quệ tài chính?
Mô hình kết hợp nào giữa 3 loại dữ liệu có thể giúp đưa ra các dự báo tốt nhất tình trạng kiệt quệ tài chính của doanh nghiệp?
1.3 Sơ lược về phương pháp nghiên cứu trong luận văn
Nghiên cứu này phân tích dữ liệu từ 73 công ty phi tài chính niêm yết trên Sở giao dịch chứng khoán thành phố Hồ Chí Minh (HOSE) trong giai đoạn từ năm 2006 đến nay.
Trong luận văn năm 2014, tác giả nghiên cứu tình trạng kiệt quệ tài chính bằng cách sử dụng biến phụ thuộc nhị phân, trong đó tình trạng kiệt quệ tài chính được gán giá trị 1 và không kiệt quệ gán giá trị 0 Các biến độc lập được xây dựng từ dữ liệu kế toán, dữ liệu thị trường và dữ liệu vĩ mô Để phân tích dữ liệu, tác giả áp dụng mô hình hồi quy Logit, đảm bảo tính phù hợp với loại dữ liệu này, và trình bày các kết quả hồi quy đạt được trong nghiên cứu.
Trong bài viết này, tác giả trình bày 10 mô hình hồi quy đơn lẻ và các mô hình hồi quy kết hợp, đồng thời giải thích kết quả một cách chính xác theo ý nghĩa của từng mô hình hồi quy.
1.4 Kết cấu của luận văn
Luận văn này được tác giả viết theo kết cấu 5 chương và nội dung từng chương như sau:
Chương 1 – Giới thiệu nêu rõ tính cấp thiết của đề tài, xác định mục tiêu nghiên cứu và đưa ra các câu hỏi nghiên cứu chính Đồng thời, tác giả cũng tóm tắt phương pháp nghiên cứu được áp dụng trong luận văn, nhằm tạo nền tảng cho việc thực hiện và phân tích kết quả nghiên cứu.
Chương 2 của bài viết cung cấp cái nhìn tổng quan về các nghiên cứu trước đây liên quan đến khái niệm kiệt quệ tài chính Tác giả phân tích các nghiên cứu trước đó, tập trung vào ba nhóm biến nghiên cứu chính được sử dụng để dự báo tình trạng kiệt quệ tài chính, từ đó giúp làm rõ các yếu tố ảnh hưởng đến hiện tượng này.
Chương 3 – Phương pháp nghiên cứu trình bày chi tiết về quy trình thu thập dữ liệu, cách tính toán các biến số và kỳ vọng về dấu của các biến Ngoài ra, chương này cũng giới thiệu phương pháp nghiên cứu được áp dụng trong bài viết.
Chương 4 – Kết quả nghiên cứu trình bày các kết quả đạt được và diễn giải chúng trong bối cảnh thực tế tại Việt Nam.
Chương 5 – Kết luận Trong chương này tác giả trình bày tóm tắt kết quả nghiên cứu và hạn chế của đề tài nghiên cứu này.
K ế t c ấ u c ủ a lu ận văn
Luận văn này được tác giả viết theo kết cấu 5 chương và nội dung từng chương như sau:
Chương 1 của luận văn giới thiệu tính cấp thiết của đề tài nghiên cứu, xác định mục tiêu và câu hỏi nghiên cứu, đồng thời tóm tắt phương pháp nghiên cứu được áp dụng.
Chương 2 của bài viết cung cấp cái nhìn tổng quan về các nghiên cứu trước đây liên quan đến khái niệm kiệt quệ tài chính Tác giả phân tích các nghiên cứu đã được thực hiện, tập trung vào ba nhóm biến nghiên cứu chính được sử dụng để dự báo tình trạng kiệt quệ tài chính, từ đó làm nổi bật tầm quan trọng của việc hiểu rõ các yếu tố ảnh hưởng đến vấn đề này.
Chương 3 – Phương pháp nghiên cứu nêu rõ quy trình thu thập dữ liệu, phương pháp tính toán các biến số và kỳ vọng về dấu của các biến Tác giả cũng trình bày phương pháp nghiên cứu được áp dụng trong bài viết.
Chương 4 – Kết quả nghiên cứu trình bày những kết quả đạt được và phân tích ý nghĩa của các kết quả này trong bối cảnh thực tế tại Việt Nam.
Chương 5 – Kết luận Trong chương này tác giả trình bày tóm tắt kết quả nghiên cứu và hạn chế của đề tài nghiên cứu này.
TỔNG QUAN CÁC NGHIÊN CỨU TRƯỚC ĐÂY
Các nghiên c ứu liên quan đế n khái ni ệ m ki ệ t qu ệ tài chính
Trong các nghiên cứu trước đây, khái niệm kiệt quệ tài chính chưa được thống nhất, gây khó khăn cho việc nghiên cứu về vấn đề này Đặc biệt, trong nghiên cứu hiện tại, kiệt quệ tài chính là một biến rất quan trọng Do đó, tác giả sẽ trình bày các nghiên cứu liên quan đến khái niệm kiệt quệ tài chính nhằm tìm ra một định nghĩa phù hợp, từ đó xác định rõ ràng liệu một công ty có rơi vào tình trạng kiệt quệ tài chính hay không.
Hầu hết các mô hình dự báo vỡ nợ trước đây cho các công ty niêm yết dựa vào định nghĩa pháp lý liên quan đến sự kiện cụ thể, nhưng điều này gặp phải một số vấn đề Việc mất khả năng thanh toán thường là một quá trình kéo dài, và thời điểm phá sản pháp lý không phản ánh đúng thời điểm thực tế Nghiên cứu tại Anh cho thấy có sự chênh lệch đáng kể, trung bình lên đến 3 năm, giữa tình trạng kiệt quệ tài chính và thời điểm phá sản pháp lý Kết quả này tương đồng với nghiên cứu của Theodossiou (1993) tại Hoa Kỳ, cho thấy khoảng cách khoảng hai năm Thêm vào đó, sự thay đổi trong luật phá sản ở các quốc gia đã tạo ra "văn hóa giải cứu", làm thay đổi bản chất và thời gian của quá trình phá sản Các nghiên cứu trước đây cũng chỉ ra rằng kiệt quệ tài chính gây tốn kém cho chủ nợ, khiến họ cần hành động kịp thời để giảm thiểu chi phí.
Do đó, việc phát triển một mô hình dự báo kiệt quệ tài chính đáng tin cậy là rất quan trọng hơn so với việc xây dựng một mô hình dự báo vỡ nợ.
Wruck (1990) định nghĩa kiệt quệ tài chính là tình trạng mà dòng tiền của một công ty không đủ để đáp ứng các nghĩa vụ tài chính hiện tại của họ.
Theo Asquith và cộng sự (1994), kiệt quệ tài chính được xác định dựa trên hệ số khả năng thanh toán lãi vay, cụ thể là khi thu nhập trước lãi vay, thuế và khấu hao (EBITDA) nhỏ hơn chi phí tài chính trong hai năm liên tiếp, hoặc trong bất kỳ năm nào có EBITDA thấp hơn 80% chi phí lãi vay Định nghĩa này phù hợp với nghiên cứu của Andrade và Kaplan (1998), cho thấy tình trạng kiệt quệ tài chính của một công ty khi EBITDA thấp hơn chi phí tài chính trong một năm cụ thể.
Whitaker (1999) chỉ ra rằng kiệt quệ tài chính có thể dẫn đến sự giảm giá trị doanh nghiệp ngay cả trước khi phá sản xảy ra Do đó, việc xác định kiệt quệ tài chính không chỉ dựa vào khả năng thanh toán nợ bằng dòng tiền của công ty, mà còn cần xem xét giá trị thị trường của công ty tại một thời điểm cụ thể, đặc biệt là khi có sự gia tăng tỷ lệ giá trị thị trường âm.
Trần Ngọc Thơ và cộng sự (2007) xác định rằng kiệt quệ tài chính xảy ra khi công ty không thể đáp ứng các nghĩa vụ với chủ nợ hoặc gặp khó khăn trong việc thực hiện điều này Họ cũng chỉ ra rằng nhà đầu tư nhận thức được rủi ro từ việc các doanh nghiệp vay nợ có thể rơi vào tình trạng kiệt quệ tài chính, và điều này ảnh hưởng đến giá trị thị trường cổ phiếu của các doanh nghiệp Kết luận này phù hợp với nhiều nghiên cứu trước đây, cho thấy giá trị thị trường cổ phiếu phản ánh thông tin từ báo cáo tài chính cũng như các thông tin bên ngoài khác.
Nghiên cứu đã chỉ ra hai phương pháp phổ biến để xác định tình trạng kiệt quệ tài chính, bao gồm khả năng đáp ứng nghĩa vụ nợ và sự gia tăng giá trị thị trường Trong bài viết này, tác giả sẽ áp dụng hai phương pháp này để xác định xem một công ty có đang rơi vào tình trạng kiệt quệ tài chính hay không.
Các nghiên c ứ u v ề các bi ế n d ự đoán kiệ t qu ệ tài chính
Các nghiên cứu sử dụng nhóm biến kế toán
Các nghiên cứu về dự đoán kiệt quệ tài chính đã bắt đầu từ những năm 1960, chủ yếu tập trung vào nhóm biến kế toán Nghiên cứu của Beaver (1966) trong giai đoạn 1954-1964 đã phân tích 6 tỷ số từ 30 tỷ số ban đầu, bao gồm tỷ số dòng tiền trên tổng nợ và tỷ số thu nhập ròng trên tổng tài sản Nghiên cứu này mở rộng khái niệm vỡ nợ là khi công ty không thể đáp ứng nghĩa vụ nợ đến hạn, với mẫu quan sát bao gồm các công ty phá sản, không trả được nợ và có tài khoản ngân hàng bị thấu chi Kết quả cho thấy khả năng dự báo tốt với tỷ lệ phân loại sai chỉ 10% cho tỷ số dòng tiền trên tổng tài sản một năm trước khi phá sản Tuy nhiên, nghiên cứu cũng chỉ ra rằng việc sử dụng tỷ số đơn lẻ có thể dẫn đến kết quả không nhất quán.
Ohlson (1980) đã nghiên cứu bằng cách sử dụng các biến kế toán trong một mẫu gồm 105 công ty phá sản và 2058 công ty không phá sản, tập trung vào giai đoạn từ 1970 đến 1976.
Nghiên cứu chỉ ra rằng các biến như tỷ số tổng nợ trên tổng tài sản, tỷ số thu nhập ròng trên tổng tài sản, tỷ số dòng tiền từ hoạt động sản xuất kinh doanh trên tổng nợ, tỷ số vốn luân chuyển trên tổng tài sản, và tỷ số nợ ngắn hạn trên tài sản ngắn hạn có khả năng dự báo tình hình tài chính hiệu quả Mô hình dự báo cho thấy độ chính xác lên đến 96.12% cho năm đầu tiên và 95.55% cho năm thứ hai trước khi xảy ra phá sản.
Các nghiên cứu sử dụng nhóm biến thị trường
Nhiều nghiên cứu đã chỉ ra tính hữu dụng của nhóm biến thị trường trong việc dự đoán kiệt quệ tài chính Hơn nữa, các nghiên cứu thực nghiệm đã cố gắng chứng minh sự vượt trội của các mô hình dựa trên nhóm biến thị trường so với nhóm biến kế toán và ngược lại Tuy nhiên, vẫn còn nhiều tranh luận về việc so sánh hiệu quả của các mô hình này.
Agarwal và Taffler (2008) đã so sánh hiệu quả của các mô hình dự báo kiệt quệ tài chính dựa trên biến thị trường và biến kế toán, và phát hiện rằng các mô hình dựa trên biến kế toán không thua kém so với các mô hình dựa trên biến thị trường Điều này cho thấy cả hai nhóm biến đều cung cấp thông tin hữu ích về khả năng dự báo kiệt quệ tài chính của các công ty Ngược lại, Hillegeist và cộng sự (2004) cho rằng các mô hình dựa trên biến thị trường cung cấp thông tin đáng kể hơn so với các mô hình dựa trên biến kế toán Ngoài việc so sánh hiệu quả giữa các mô hình, các nghiên cứu trước đây, như nghiên cứu của Balcaen và Ooghe, cũng đã đóng góp vào hiểu biết về vấn đề này.
Nghiên cứu năm 2004 chỉ ra rằng việc chỉ sử dụng nhóm biến kế toán trong dự báo kiệt quệ tài chính ngầm giả định rằng tất cả thông tin, cả bên trong lẫn bên ngoài công ty, đã được phản ánh trong các báo cáo tài chính hàng năm Tuy nhiên, thực tế cho thấy các báo cáo tài chính không thể bao quát tất cả thông tin cần thiết cho việc dự báo kiệt quệ tài chính Do đó, nhóm biến thị trường có tiềm năng lớn trong việc hỗ trợ khắc phục những thiếu sót này.
Giá thị trường là một chỉ báo quan trọng cho khả năng xảy ra tình trạng kiệt quệ tài chính, vì chúng phản ánh thông tin về dòng tiền dự kiến trong tương lai của doanh nghiệp (Rees, 1995) Hillegeist và cộng sự (2004) nhấn mạnh rằng thị trường chứng khoán chứa đựng thông tin bổ sung ngoài các báo cáo tài chính Việc đưa vào nhóm biến thị trường rất hữu ích vì chúng kết hợp thông tin từ báo cáo tài chính và các nguồn khác (Agarwal & Taffler, 2008), giúp dự báo khả năng kiệt quệ tài chính một cách toàn diện Ngoài ra, giá thị trường có sẵn hàng ngày, tăng tính kịp thời cho các mô hình dự báo, trong khi các tỷ số tài chính thường chỉ có theo quý hoặc năm Giá thị trường cũng phản ánh dòng tiền tương lai, trong khi báo cáo tài chính chỉ thể hiện kết quả quá khứ Cuối cùng, các biến thị trường cung cấp đánh giá trực tiếp về biến động, là chỉ báo mạnh mẽ về rủi ro kiệt quệ tài chính, như Beaver và cộng sự (2005) đã chỉ ra rằng độ biến động cao tương ứng với xác suất phá sản cao.
Các nghiên cứu sử dụng nhóm biến kế toán và nhóm biến thị trường
Nhiều nghiên cứu đã chỉ ra rằng việc chỉ sử dụng nhóm biến kế toán để dự báo kiệt quệ tài chính là chưa đủ, và cần kết hợp thêm nhiều nhóm biến khác để nâng cao độ chính xác của dự báo Xu hướng kết hợp các nhóm biến này đã trở nên phổ biến trong nghiên cứu, như Beaver (1968) đã phát hiện ra rằng các biến liên quan đến thị trường chứng khoán có khả năng dự báo phá sản tốt hơn so với chỉ dựa vào nhóm biến kế toán.
Altman (1968) đã áp dụng kỹ thuật phân tích đa biệt số MDA để nghiên cứu 66 công ty sản xuất, kết hợp dữ liệu kế toán và dữ liệu thị trường Ông đã phát triển một tỷ số tổng hợp Z dựa trên 5 tỷ số chính: tỷ số vốn luân chuyển trên tổng tài sản (X1), tỷ số thu nhập giữ lại trên tổng tài sản (X2), tỷ số thu nhập trước thuế và lãi vay trên tổng tài sản (X3), tỷ số giá trị thị trường của vốn cổ phần trên giá trị sổ sách của tổng nợ (X4), và tỷ số doanh thu trên tổng tài sản (X5).
Các công ty có chỉ số Z ≤ 2.675 được xác định là có nguy cơ phá sản, trong khi các công ty có chỉ số cao hơn được coi là không bị phá sản Mô hình này có khả năng dự đoán chính xác khả năng xảy ra phá sản lên đến 83% trong khoảng thời gian 2 năm trước khi sự kiện này xảy ra Nghiên cứu của Altman (1977) đã mở rộng mô hình với mẫu quan sát 111 công ty trong giai đoạn 1969-1975, cho thấy khả năng dự báo chính xác trong khoảng thời gian 2-5 năm trước khi phá sản gần tương đương với khả năng dự báo trong 1 năm trước đó.
Nghiên cứu của Campbell và cộng sự (2008) là một trong số ít nghiên cứu kết hợp nhóm biến thị trường và nhóm biến kế toán nhằm cải thiện tính kịp thời và độ vững mạnh của các mô hình dự báo kiệt quệ tài chính Nghiên cứu này sử dụng một số biến thị trường để kiểm định, bao gồm tỷ suất sinh lợi vượt trội hàng tháng trên vốn cổ phần so với chỉ số S&P 500, độ lệch chuẩn của tỷ suất sinh lợi cổ phiếu hàng ngày trong ba tháng trước đó, quy mô tương đối của công ty được đo bằng log của tỷ số vốn hóa thị trường so với S&P 500, và log giá của cổ phiếu đã được lược bớt trên $15.
Chava và Jarrow (2004) dựa trên nghiên cứu của Shumway (2001) đã sử dụng nhóm biến kế toán, bao gồm thu nhập ròng trên tổng tài sản và tổng nợ phải trả trên tổng tài sản, cùng với nhóm biến thị trường, xác định quy mô tương đối bằng logarit tự nhiên của giá trị vốn cổ phần của mỗi công ty trên tổng giá trị vốn cổ phần thị trường NYSE/AMEX Họ cũng tính toán tỷ suất sinh lợi vượt trội hàng năm và độ biến động của cổ phiếu dựa trên tỷ suất sinh lợi hàng tháng và độ lệch chuẩn Shumway (2001) đã điều chỉnh một số biến, bao gồm độ lệch chuẩn phi hệ thống của tỷ suất sinh lợi cổ phiếu Gần đây, Christidis và Gregory (2010) đã kiểm định ba biến thị trường trong mô hình dự báo kiệt quệ cho các công ty niêm yết tại Anh, thay thế giá trị sổ sách của tài sản bằng giá trị thị trường và xem xét khả năng của các biến này trong việc gia tăng độ chính xác của mô hình dự đoán tình trạng kiệt quệ tài chính Kết quả cho thấy nhóm biến thị trường có thể cải thiện độ chính xác của dự báo.
Các nghiên cứu sử dụng nhóm biến vĩ mô
Việc tích hợp nhóm biến vĩ mô vào mô hình dự báo tình trạng kiệt quệ tài chính là rất quan trọng, vì nó phản ánh sự thay đổi trong môi trường kinh tế vĩ mô qua hai khía cạnh chính Thứ nhất, nó cung cấp yếu tố năng động giúp điều chỉnh nguy cơ rủi ro vỡ nợ do biến động kinh tế Thứ hai, mô hình này hỗ trợ trong việc ước lượng PD stress test cho danh mục đầu tư Nhiều nghiên cứu, như của Nam và cộng sự (2008) và Qu (2008), đã kết hợp yếu tố rủi ro vĩ mô vào phương trình hồi quy để làm rõ hơn vấn đề này.
Nghiên cứu sử dụng nhóm biến kế toán, nhóm biến thị trường, nhóm biến vĩ mô
Hernandez Tinoco và Wilson (2013) đã kết hợp nhóm biến kế toán, nhóm biến thị trường và nhóm biến vĩ mô để dự đoán kiệt quệ tài chính, sử dụng mẫu 23,218 quan sát công ty trong giai đoạn 1980-2011 Nghiên cứu cho thấy các nhóm biến này hỗ trợ và bổ sung lẫn nhau, đồng thời đều có khả năng dự báo kiệt quệ tài chính một cách có ý nghĩa thống kê Trong nghiên cứu này, tác giả cũng áp dụng ba nhóm biến tương tự để dự đoán kiệt quệ tài chính cho các công ty tại Việt Nam.
Các mô hình s ử d ụ ng trong d ự báo ki ệ t qu ệ tài chính
Các nghiên cứu trước đây chủ yếu áp dụng mô hình hồi quy Logit hoặc Probit để ước lượng xác suất kiệt quệ tài chính của các công ty Mô hình xác suất có điều kiện này cho phép xác định tình trạng kiệt quệ tài chính dựa trên việc có hay không rơi vào tình trạng đó, thay vì chỉ dựa trên một giá trị cụ thể nào Điều này mang lại lợi thế cho việc sử dụng mô hình hồi quy này trong nghiên cứu về kiệt quệ tài chính so với các mô hình hồi quy tuyến tính truyền thống.
Ngoài ra, một số nghiên cứu đã áp dụng mô hình mạng thần kinh nhân tạo (ANN), phương pháp hiện đại và phức tạp hơn so với hồi quy tuyến tính cổ điển Mô hình này có nhiều ưu điểm, vì nó mô phỏng quá trình xử lý thông tin từ dữ liệu đầu vào thông qua các neural, lớp, hàm và thuật toán Mô hình ANN cũng được ứng dụng trong nghiên cứu của Hernandez Tinoco và Wilson (2013).
Trong nghiên cứu này, tác giả chọn sử dụng mô hình hồi quy Logit thay vì mô hình mạng thần kinh nhân tạo (ANN) do tính phức tạp và mức độ ứng dụng hạn chế của ANN so với Logit.
PHƯƠNG PHÁP NGHIÊN CỨU
M ẫ u d ữ li ệ u
Nghiên cứu này phân tích dữ liệu bảng từ 73 doanh nghiệp phi tài chính niêm yết trên thị trường HOSE trong giai đoạn 2006-2014, nhằm mục đích tìm hiểu các yếu tố ảnh hưởng đến hiệu suất hoạt động của các doanh nghiệp này.
Các doanh nghiệp trong lĩnh vực tài chính, ngân hàng và bảo hiểm đã được loại trừ khỏi mẫu dữ liệu do sự khác biệt trong cấu trúc vốn và tính chất đòn bẩy so với các doanh nghiệp phi tài chính, như tác giả đã đề cập.
Theo Fama và French (1992), việc sử dụng đòn bẩy tài chính cao là phổ biến trong ngành tài chính, trong khi ở các doanh nghiệp phi tài chính, đòn bẩy cao lại cho thấy nguy cơ kiệt quệ tài chính lớn hơn Do đó, các yếu tố ảnh hưởng đến khả năng xảy ra kiệt quệ tài chính sẽ có sự khác biệt rõ rệt giữa hai nhóm doanh nghiệp này.
Sở giao dịch chứng khoán TPHCM (HOSE) đã được thành lập hơn 15 năm và tính đến cuối năm 2014, có hơn 300 mã cổ phiếu niêm yết với tổng giá trị vốn hóa thị trường đạt khoảng 985,258 tỷ đồng, cùng chỉ số VN-Index đạt 545.63 điểm Ngược lại, Sở giao dịch chứng khoán Hà Nội (HNX) vào cùng thời điểm chỉ có giá trị vốn hóa thị trường khoảng 136,017 tỷ đồng và chỉ số HNX-Index đạt 82.98 điểm.
HOSE được xem là đại diện tiêu biểu cho thị trường chứng khoán Việt Nam, do đó, trong luận văn này, tác giả sẽ tập trung nghiên cứu về vai trò và ảnh hưởng của HOSE trong bối cảnh phát triển của thị trường chứng khoán quốc gia.
Vào cuối năm 2005, số lượng công ty niêm yết trên sàn HOSE còn khá ít, nhưng đã có sự tăng trưởng mạnh mẽ trong những năm sau đó Do đó, tác giả quyết định lựa chọn mốc thời gian từ năm 2006 đến năm 2014 để phân tích sự phát triển này.
Để đảm bảo việc thu thập dữ liệu nghiên cứu dễ dàng, bài luận văn này tập trung vào các công ty niêm yết trong giai đoạn 2006 - 2014, với mẫu quan sát đủ lớn và có ý nghĩa thống kê.
Việc lựa chọn HOSE cùng với giai đoạn nghiên cứu đã tạo ra sự đồng bộ và thống nhất về dữ liệu, đảm bảo rằng tất cả các biến nghiên cứu đều có đủ quan sát cần thiết.
Dữ liệu nghiên cứu sẽ được tác giả tiến hành thu thập như sau:
Dữ liệu biến kế toán được thu thập từ báo cáo tài chính hàng năm của các công ty niêm yết, có sẵn trên trang web của Sở Giao dịch Chứng khoán TP.HCM (HOSE) và trang web của công ty chứng khoán Rồng Việt.
Dữ liệu biến vĩ mô được tác giả thu thập từ Tổ Chức Thống Kê Tài Chính Quốc
Dữ liệu thị trường được thu thập từ Công Ty Phú Toàn và được xác minh với giá cổ phiếu trên trang web của HOSE Tác giả đã tiến hành tính toán để tạo ra các biến nghiên cứu được trình bày trong các phần tiếp theo của luận văn.
Cuối cùng, tác giả xử lý dữ liệu nghiên cứu bằng Microsoft Excel 2010 và phần mềm Stata 12.
Các bi ế n nghiên c ứ u trong mô hình
3.2.1 Biến Kiệt quệ tài chính
Tác giả tập trung vào khả năng thanh toán nợ của công ty để xác định tình trạng kiệt quệ tài chính, dựa trên nghiên cứu của Asquith và cộng sự (1994) Theo Pindado cùng cộng sự (2008) và Hernandez Tinoco, Wilson (2013), một công ty được coi là kiệt quệ tài chính nếu thỏa mãn ít nhất một trong hai điều kiện: (i) EBITDA thấp hơn chi phí lãi vay trong hai năm liên tiếp, hoặc (ii) giá trị thị trường giảm liên tục trong hai năm Điều này cho thấy lợi nhuận không đủ để trang trải nghĩa vụ tài chính, và sự sụt giảm giá trị thị trường phản ánh đánh giá tiêu cực từ thị trường về khả năng hoạt động của công ty Tác giả thu thập dữ liệu từ báo cáo tài chính của các công ty niêm yết và tính toán tăng trưởng giá trị thị trường từ Công ty Phú Toàn Kết quả cho thấy, kiệt quệ tài chính được phân loại thành hai giá trị: 0 hoặc 1, với giá trị 1 nếu một trong hai điều kiện được thỏa mãn.
Theo tính toán của tác giả, có 66 quan sát công ty trong tình trạng kiệt quệ tài chính, chiếm khoảng 10% tổng số quan sát Sự gia tăng số lượng quan sát này so với các nghiên cứu khác là do phần lớn trong số đó thỏa mãn điều kiện thứ hai, trong khi số quan sát thỏa mãn điều kiện thứ nhất rất ít Tác giả cũng thừa nhận rằng việc xác định tình trạng kiệt quệ tài chính của các công ty có sự linh động, như nghiên cứu của Andrade và Kaplan (1998) đã chỉ ra, rằng một công ty được coi là kiệt quệ tài chính khi EBITDA thấp hơn chi phí lãi vay ngay trong năm đầu tiên.
Hernandez Tinoco và Wilson (2013) đã phát triển một mô hình dự báo kiệt quệ tài chính với hai mục tiêu chính: đầu tiên là tạo ra một mô hình dự báo chính xác và kịp thời hơn, và thứ hai là xây dựng một mô hình cuối cùng (parsimonious model) có giá trị thực tiễn cao hơn so với các nghiên cứu trước đó Mô hình này nhằm cải thiện độ chính xác của các kết quả dự báo tài chính.
Nghiên cứu của 1984 và Pindado cùng cộng sự (2008) chỉ ra rằng việc sử dụng quá nhiều biến trong một bộ biến sẽ không tối ưu hóa hiệu quả của mô hình.
Nghiên cứu năm 2008 đã sử dụng ba biến kế toán là EBIT trên tổng tài sản, chi phí tài chính trên tổng tài sản và lợi nhuận giữ lại trên tổng tài sản để đạt độ chính xác cao trong dự báo kiệt quệ tài chính Zmijewski (1984) đã áp dụng một bộ biến kế toán khác, đại diện cho tỷ suất sinh lợi trên tài sản, đòn bẩy tài chính và tính thanh khoản Dichev (1998) đã phát triển một điểm tổng hợp phản ánh xác suất phá sản, dựa trên các mô hình kế toán như mô hình điểm Z của Altman và mô hình logit của Ohlson Nghiên cứu này còn kiểm tra tính hữu dụng của các biến phi kế toán, bao gồm biến thị trường và biến vĩ mô, nhằm xem xét khả năng dự báo của mô hình Tác giả đã kết hợp ba nhóm biến này và xây dựng một mô hình dự báo kiệt quệ tài chính với 10 biến từ tổng số 130 biến được xem xét.
10 biến đó có khả năng dự báo tốt tình trạng kiệt quệ tài chính cho các công ty tại Việt Nam hay không.
Trong nghiên cứu của Hernandez Tinoco và Wilson (2013), tác giả đã chọn sử dụng hàm chuyển đổi TANH thay vì phương pháp lược bỏ (winsorize) do khó khăn trong việc xác định mức lược bỏ cho các giá trị cực đoan Theo Godfrey (2009), khi áp dụng công cụ thống kê này, các giá trị được giới hạn trong khoảng [-1,1], và khi x có giá trị nhỏ, TANH(x) gần bằng x Nhờ đó, hàm TANH có thể chuyển đổi các giá trị đầu vào gần với giá trị kỳ vọng, đồng thời giảm thiểu ảnh hưởng của các giá trị ngoài phạm vi kỳ vọng.
Bài nghiên cứu này sẽ tập trung vào việc đánh giá khả năng kiệt quệ tài chính của doanh nghiệp dựa trên các yếu tố nội tại, thông qua bốn tỷ số quan trọng.
TFOTL – Tỷ số Dòng tiền từ hoạt động sản xuất kinh doanh trên Tổng nợ
TLTA –Tỷ số Tổng nợ trên Tổng tài sản
NOCREDINT – Tỷ số (Tài sản ngắn hạn – Hàng tồn kho – Nợ ngắn hạn) trên Chi phí hoạt động hàng ngày
COVERAGE – Tỷ số EBITDA trên Chi phí lãi vay
Biến TFOTL đã được áp dụng trong nhiều nghiên cứu trước đây, như nghiên cứu của Marais (1979) tại Anh và Ohlson (1980) Biến này phản ánh khả năng thanh toán các nghĩa vụ tài chính của công ty dựa trên dòng tiền từ hoạt động sản xuất kinh doanh Cách tính biến số TFOTL được thực hiện như sau:
Để loại bỏ các giá trị cực đoan trong dữ liệu, tác giả áp dụng hàm chuyển đổi TANH, giúp các giá trị nằm trong khoảng [-1,1] Khi TFOTL có giá trị dương, doanh nghiệp cho thấy khả năng thanh toán nghĩa vụ tài chính tốt, ngược lại, giá trị âm chỉ ra rằng doanh nghiệp không tạo ra đủ dòng tiền từ hoạt động sản xuất kinh doanh để đáp ứng nghĩa vụ tài chính, dẫn đến nguy cơ vỡ nợ Tỷ số tài chính này càng cao, càng gần 1, cho thấy tình hình tài chính của doanh nghiệp càng ổn định.
1), công ty càng ít có khả năng rơi vào tình trạng kiệt quệ tài chính.
Kỳ vọng rằng tỷ số này sẽ có giá trị âm (-) trong mô hình hồi quy, điều này xác nhận giả thuyết rằng khi giá trị của tỷ số tăng lên, khả năng xảy ra kiệt quệ tài chính sẽ giảm xuống.
Biến này đã được sử dụng trong nhiều nghiên cứu trước đây, bao gồm mô hình của Zmijewski (1984) với ba biến kế toán, cho thấy sự phù hợp với dấu kỳ vọng và có ý nghĩa thống kê Các nghiên cứu của Shumway (2001), Chava và Jarrow (2004) tại Mỹ, cùng với Christidis và Gregory (2010) tại Anh đã xác nhận tính hiệu quả của nó trong mô hình dự báo kiệt quệ tài chính Biến này đo lường mức độ đòn bẩy tài chính của công ty thông qua tỷ lệ tài sản được tài trợ bằng nợ ngắn hạn và nợ dài hạn, với biến TLTA được tính toán theo công thức cụ thể.
Để loại bỏ các giá trị cực đoan trong các biến quan sát, tác giả áp dụng hàm chuyển đổi TANH, giới hạn các giá trị trong khoảng [-1,1] Giá trị dương ngày càng tăng cho thấy sự gia tăng đòn bẩy tài chính của công ty Hơn nữa, mức độ đòn bẩy tài chính cao có thể dẫn đến nguy cơ kiệt quệ tài chính lớn hơn, vì công ty dễ rơi vào tình huống khó khăn khi các chủ nợ yêu cầu thanh toán nợ theo hợp đồng.
Dấu kỳ vọng của biến số này là dương (+), cho thấy rằng giá trị cao hơn của biến này, biểu thị cho mức đòn bẩy tài chính lớn hơn, sẽ làm tăng nguy cơ kiệt quệ tài chính của công ty.
Biến NOCREDINT là chỉ số quan trọng để đo lường khả năng thanh khoản của công ty (Agarwal và Taffler, 2007; Taffler, 1983) Theo Graham (2000), NOCREDINT được định nghĩa là thời gian mà công ty có thể duy trì chi phí hoạt động hiện tại mà không có doanh thu mới, dựa trên nguồn lực hạn chế của mình Cách tính biến NOCREDINT rất cần thiết để đánh giá tình hình tài chính và khả năng tồn tại của doanh nghiệp trong dài hạn.
Tài sản có khả năng thanh toán nhanh là những tài sản có thể chuyển đổi nhanh chóng và dễ dàng thành tiền mặt Để tính toán tài sản này, ta lấy tổng Tài sản ngắn hạn trừ đi Hàng tồn kho.
Chi phí hoạt động hàng ngày được tính toán bằng (Doanh thu trừ đi EBIT trừ đi Khấu hao)/ 365.
Cuối cùng, biến NOCREDINT được tính toán như sau:
Phương pháp nghiên cứ u
Trong bài viết này, tác giả giới thiệu mô hình hồi quy Logit theo Hernandez Tinoco và Wilson (2013) Mô hình này được đặt tên như vậy vì nó áp dụng phân phối logit tích lũy, cho phép chuyển đổi các giá trị xác suất ước lượng theo hình dạng chữ S.
Xét một tập hợp (Y1, Y1), , (Yn, Xn) là một tập hợp mẫu ngẫu nhiên theo phân phối logit có điều kiện.
Xét tập hợp gồm x1j, x2j xkj là một bộ k biến độc lập được biểu thị bởi vector x'.
Xác suất có điều kiện được biểu thị như sau: Pr(Y = 1| x) = π(x).
Khi đó, mô hình hồi quy được biểu thị bởi:
Và xác suất có điều kiện là:
Và đó chính là phương trình hồi quy dùng trong mô hình hồi quy Logit dùng để ước lượng các tham số quan tâm.
Trong mô hình hồi quy phi tuyến, các tham số ước lượng không thể giải thích trực tiếp như trong mô hình hồi quy tuyến tính, mà cần phải thông qua phân tích tác động biên Việc đo lường tác động biên rất quan trọng để hiểu rõ ảnh hưởng của các biến độc lập lên biến phụ thuộc, đặc biệt trong mô hình lựa chọn biến nhị phân Tác động biên của một biến chỉ báo được xác định là đạo hàm riêng của xác suất theo biến chỉ báo đó Để đơn giản hóa, tác giả sẽ xem xét một mô hình tương tự nhưng chỉ với một biến độc lập.
Với Xj là biến giải thích và α0 và β0 là tham số chưa biết và cần được ước lượng, và hàm phân phối logit là:
Nếu β0> 0 thì Pr[Yj = 1 | Xj] = F(α0 + β0Xj) là một hàm tăng theo Xj Đạo hàm riêng của biến cố xác suất theo biến Xj là:
Với F’ là đạo hàm của hàm F Cụ thể hơn, F’ được tính như sau:
Do đó, tác động biên của biến Xj là:
Mô hình hồi quy Logit được xây dựng dựa trên cơ sở lý thuyết vững chắc, và trong chương 4, tác giả sẽ trình bày những kết quả nghiên cứu đạt được từ việc áp dụng hồi quy Logit trên phần mềm Stata 12.
KẾ T QU Ả NGHIÊN C Ứ U
Th ố ng kê mô t ả
Thông qua bảng thống kê mô tả của ba mẫu dữ liệu quan sát gồm toàn bộ mẫu, mẫu các công ty không bị kiệt quệ tài chính và mẫu các công ty bị kiệt quệ tài chính trong bảng 4.1, tác giả đã rút ra một số nhận định quan trọng.
Biến TFOTL thể hiện khả năng đáp ứng các nghĩa vụ nợ của công ty từ dòng tiền hoạt động sản xuất kinh doanh Giá trị trung bình của biến này là 0.3005, trong đó các công ty không bị kiệt quệ tài chính có giá trị trung bình cao hơn (0.3180) so với các công ty bị kiệt quệ tài chính (0.1443) Điều này cho thấy khả năng đảm bảo các nghĩa vụ tài chính của các công ty bị kiệt quệ tài chính kém hơn đáng kể so với các công ty ổn định.
Biến TLTA phản ánh mức độ sử dụng đòn bẩy tài chính của các công ty, với giá trị trung bình toàn mẫu đạt 0.3988 Cụ thể, các công ty không bị kiệt quệ tài chính có giá trị trung bình là 0.3955, trong khi các công ty bị kiệt quệ tài chính có giá trị trung bình cao hơn, đạt 0.4462 Điều này cho thấy rằng các công ty gặp khó khăn tài chính sử dụng đòn bẩy tài chính nhiều hơn, dẫn đến khả năng kiệt quệ tài chính cao hơn.
Biến NOCREDINT phản ánh thanh khoản của các công ty, với giá trị trung bình toàn mẫu là 0.0791 Cụ thể, các công ty không bị kiệt quệ tài chính có giá trị trung bình là 0.1174, trong khi các công ty bị kiệt quệ tài chính ghi nhận giá trị trung bình là -0.2637 Điều này cho thấy thanh khoản của các công ty bị kiệt quệ tài chính thấp hơn đáng kể so với các công ty khỏe mạnh.
Số lượng 40 cho thấy thanh khoản của các công ty trong mẫu không bị kiệt quệ tài chính, nhưng điều này có thể khiến họ gặp khó khăn trong việc đáp ứng các chi phí hoạt động hàng ngày.
Biến COVERAGE đo lường khả năng chi trả lãi vay của doanh nghiệp, với giá trị trung bình toàn mẫu là -0.9281 Cụ thể, giá trị trung bình của các công ty không bị kiệt quệ tài chính là -0.9559, trong khi các công ty bị kiệt quệ tài chính có giá trị trung bình là -0.6606 Kết quả cho thấy tất cả các mẫu đều có giá trị âm, điều này trái ngược với lý thuyết khi các công ty không bị kiệt quệ tài chính lại có giá trị âm lớn hơn so với các công ty bị kiệt quệ Do đó, tác giả có thể không nhận thấy tác động của biến COVERAGE trong việc dự đoán xác suất xảy ra kiệt quệ tài chính.
Giá trị trung bình của biến CPI trong toàn bộ mẫu là 104.6133, trong khi các công ty không bị kiệt quệ tài chính có giá trị trung bình là 103.0182 và các công ty bị kiệt quệ tài chính đạt 118.8974 Điều này cho thấy rằng các công ty bị kiệt quệ tài chính chịu ảnh hưởng nhiều hơn từ môi trường lạm phát cao.
Biến TBILL cho thấy giá trị trung bình toàn mẫu là 8.1167, trong đó các công ty không bị kiệt quệ tài chính có giá trị trung bình là 7.8325, còn các công ty bị kiệt quệ tài chính có giá trị trung bình lên tới 10.6614 Điều này cho thấy rằng các công ty bị kiệt quệ tài chính chịu ảnh hưởng nhiều hơn từ môi trường lãi suất cao.
Giá trị trung bình của biến PRICE trong toàn bộ mẫu là 9.6538, trong khi giá trị trung bình của các công ty không bị kiệt quệ tài chính là 9.7388 và của các công ty bị kiệt quệ tài chính là 8.8928 Điều này cho thấy rằng giá cổ phiếu của các công ty bị kiệt quệ tài chính có giá trị trung bình thấp hơn so với các công ty không bị kiệt quệ.
Các công ty trong mẫu bị kiệt quệ tài chính có giá cổ phiếu thấp hơn 41% so với giá trị trung bình của các công ty không bị kiệt quệ Điều này cho thấy thị trường đang đánh giá thấp cổ phiếu của những công ty này.
Biến ABNRET cho thấy giá trị trung bình trong toàn bộ mẫu là 0.0324, trong khi giá trị trung bình của các công ty không bị kiệt quệ tài chính là 0.0659 và của các công ty bị kiệt quệ tài chính là -0.2420 Điều này cho thấy giá trị trung bình của ABNRET ở các công ty bị kiệt quệ tài chính thấp hơn và thậm chí là âm so với các công ty không bị kiệt quệ Thị trường đánh giá thấp cổ phiếu của các công ty này, dẫn đến chênh lệch tỷ suất sinh lợi tích lũy của chúng so với VNINDEX cũng thấp và có thể nhỏ hơn.
Giá trị trung bình của biến SIZE trong toàn bộ mẫu là 0.0021, trong khi các công ty không bị kiệt quệ tài chính có giá trị trung bình cũng là 0.0021 Ngược lại, giá trị trung bình của các công ty bị kiệt quệ tài chính chỉ đạt 0.0007 Điều này cho thấy rằng các công ty bị kiệt quệ tài chính thường có quy mô nhỏ hơn so với các công ty không bị kiệt quệ tài chính.
Biến MCTD cho thấy giá trị trung bình trong toàn bộ mẫu là 0.6754, với các công ty không bị kiệt quệ tài chính đạt 0.6998, trong khi các công ty bị kiệt quệ tài chính chỉ có giá trị 0.4757 Điều này chỉ ra rằng các công ty bị kiệt quệ tài chính có giá trị MCTD thấp hơn đáng kể so với các công ty không bị kiệt quệ, cho thấy giá trị thị trường của những công ty này gần sát hơn với giá trị nợ của họ.
Bảng 4.1 trình bày thống kê mô tả cho ba nhóm mẫu quan sát, bao gồm toàn bộ mẫu, mẫu các công ty không bị kiệt quệ tài chính và mẫu các công ty bị kiệt quệ tài chính.
BIẾN TFOTL TLTA NOCREDINT COVERAGE CPI TBILL PRICE ABNRET SIZE MCTD Bảng A: Toàn bộ mẫu
Trung Bình 0.3005 0.3988 0.0791 -0.9281 104.6133 8.1167 9.6538 0.0324 0.0021 0.6754 Độ Lệch Chuẩn 0.2778 0.1623 0.9908 0.3292 27.5724 3.0314 0.7853 0.3508 0.0082 0.3036
Bảng B: Các công ty không bị kiệt quệ tài chính
Trung Bình 0.3180 0.3935 0.1174 -0.9559 103.0182 7.8325 9.7388 0.0659 0.0021 0.6998 Độ Lệch Chuẩn 0.2707 0.1609 0.9870 0.2596 28.2465 2.9707 0.7448 0.3487 0.0082 0.2961
Bảng C: Các công ty bị kiệt quệ tài chính
Trung Bình 0.1443 0.4462 -0.2637 -0.6606 118.8974 10.6614 8.8928 -0.2420 0.0007 0.4757 Độ Lệch Chuẩn 0.2943 0.1685 0.9652 0.6554 14.1458 2.3083 0.7311 0.2254 0.0018 0.2923
Ma tr ậ n h ệ s ố tương quan
Thông qua bảng 4.2 ma trận hệ số tương quan, tác giả nhận thấy được một số điều sau đây :
Tất cả các biến trong ba nhóm dự báo xác suất xảy ra kiệt quệ tài chính, bao gồm biến kế toán (TFOTL, TLTA, NOCREDINT, COVERAGE), biến vĩ mô (CPI, TBILL) và biến thị trường (PRICE, ABNRET, SIZE, MCTD), đều có tương quan cao với biến kiệt quệ tài chính FD ở mức ý nghĩa 1%, ngoại trừ SIZE có mức ý nghĩa 5% Các mối tương quan này đều có dấu hiệu đúng như kỳ vọng, với TFOTL, NOCREDINT, PRICE, ABNRET, SIZE, MCTD có hệ số âm và TLTA, CPI, TBILL có hệ số dương Tuy nhiên, biến COVERAGE lại thể hiện mối tương quan dương ngược với kỳ vọng, cho thấy sự tương quan âm.
Ma trận hệ số tương quan giúp xác định khả năng xảy ra đa cộng tuyến trong mô hình, điều này có thể ảnh hưởng đến sự ổn định của các hệ số biến độc lập Nếu hệ số tương quan giữa các biến giải thích vượt quá 80%, chúng được xem là có đa cộng tuyến cao, gây ảnh hưởng nghiêm trọng đến mô hình Trong nghiên cứu này, không có hệ số tương quan nào lớn hơn 80%, nhưng một số hệ số như giữa MCTD và TLTA (-0.7834) hay TFOTL với TLTA (-0.7367) cao hơn 70%, có thể ảnh hưởng đến kết quả nghiên cứu Để đảm bảo không xảy ra đa cộng tuyến, tác giả thực hiện kiểm định VIF, cho thấy tất cả các biến độc lập đều có giá trị VIF nhỏ hơn 3, đảm bảo rằng không có hiện tượng đa cộng tuyến trong mô hình, vì VIF < 5 là tốt, 5 < VIF < 10 là chấp nhận được, và VIF > 10 cần xem xét lại.
Tác giả đã đưa ra cái nhìn tổng quan về ảnh hưởng của các biến nghiên cứu đến khả năng xảy ra kiệt quệ tài chính, mặc dù đây chưa phải là phương pháp chính để phân tích Đồng thời, tác giả cũng đã kiểm tra đa cộng tuyến nhằm đảm bảo tính ổn định của kết quả nghiên cứu Trong phần tiếp theo, tác giả sẽ phân tích chi tiết kết quả đạt được thông qua phương pháp ước lượng hồi quy Logit và cung cấp các kết quả chính xác hơn.
Bảng 4.2 : Ma trận hệ số tương quan
TFOTL TLTA NOCREDINT COVERAGE CPI TBILL PRICE ABNRET SIZE MCTD FD
Kiểm định đa cộng tuyến
*, **, *** lần lượt thể hiện mức ý nghĩa 10%, 5%, 1%
Phân tích k ế t qu ả h ồ i quy
Phần này trình bày kết quả hồi quy Logit về tình trạng kiệt quệ tài chính, phân tích các biến dự báo từ ba nhóm: biến kế toán, biến vĩ mô và biến thị trường Trong mô hình hồi quy logit nhị phân, các công ty bị kiệt quệ tài chính được phân loại với giá trị 1, trong khi các công ty không bị kiệt quệ tài chính nhận giá trị 0 Phân loại này dựa trên các tiêu chí xác định kiệt quệ tài chính đã được đề cập trong các phần trước.
Nghiên cứu này sẽ giới thiệu 5 mô hình ước lượng xác suất kiệt quệ tài chính, nhằm kiểm tra mức độ ảnh hưởng của 3 nhóm biến: biến kế toán, biến vĩ mô và biến thị trường.
Mô hình thứ nhất là một mô hình chỉ bao gồm nhóm biến kế toán bằng việc kết hợp các tỷ số: TFOTL, TLTA, NOCREDINT, COVERAGE.
The second model integrates a combination of accounting variables and macroeconomic factors by utilizing ratios such as TFOTL, TLTA, NOCREDINT, COVERAGE, CPI, and TBILL.
The third model integrates a combination of accounting variables, macroeconomic variables, and market variables by utilizing ratios such as TFOTL, TLTA, NOCREDINT, COVERAGE, CPI, TBILL, PRICE, ABNRET, SIZE, and MCTD.
Mô hình thứ tư là một mô hình chỉ gồm nhóm biến thị trường bằng việc kết hợp các tỷ số: PRICE, ABNRET, SIZE, MCTD.
Mô hình thứ năm tích hợp nhóm biến vĩ mô và nhóm biến thị trường thông qua việc kết hợp các tỷ số như CPI, TBILL, PRICE, ABNRET, SIZE và MCTD.
Mục tiêu của việc so sánh này là kiểm tra tính chính xác của các mô hình dự báo sử dụng biến kế toán so với kết quả đạt được từ các mô hình dựa trên biến thị trường.
Nghiên cứu này phát triển các mô hình ước lượng xác suất kiệt quệ tài chính, với mục tiêu xác định khả năng xảy ra sự kiện này dựa trên dữ liệu hiện có Cụ thể, nghiên cứu ước lượng xác suất kiệt quệ tài chính trong năm trước (t-1) và hai năm trước (t-2) khi sự kiện xảy ra Các mô hình này không chỉ cung cấp bằng chứng về các chỉ báo phân biệt giữa công ty khỏe mạnh và công ty kiệt quệ tài chính, mà còn kiểm định khả năng dự báo của chúng.
Tất cả các nhóm biến kế toán được xác định dựa trên các báo cáo tài chính của năm trước khi xảy ra sự kiện kiệt quệ tài chính.
Theo đó, nhóm biến vĩ mô được tính toán với thông tin từ năm trước khi xảy ra kiệt quệ tài chính.
Đối với nhóm biến thị trường, biến PRICE được xác định từ giá đóng cửa vào cuối năm t-1 Biến ABNRET được tính từ tỷ suất sinh lợi tích lũy của công ty và tỷ suất sinh lợi tích lũy của thị trường VNINDEX trong năm t-1 Biến SIZE thể hiện vốn hóa thị trường của từng công ty, được đo lường vào cuối năm trước khi xảy ra kiệt quệ tài chính Biến MCTD cũng được đánh giá dựa trên thông tin vào cuối năm t-1.
Cách xử lý dữ liệu trong các mô hình t-2 tương tự như mô hình t-1 đã đề cập trước đó Luận văn này nghiên cứu các mô hình với biến giải thích sử dụng tại thời điểm t, nhằm so sánh kết quả giữa ba thời điểm t, t-1 và t-2.
Sau đây, tác giả sẽ bắt đầu phân tích kết quả hồi quy logit đạt được từ 5 mô hình hồi quy như được đề cập bên trên.
Mô hình hồi quy thứ nhất:
Trong mô hình hồi quy thứ nhất tại thời điểm t, hai biến TFOTL và NOCREDINT đều có ý nghĩa thống kê ở mức 1%, thể hiện mối quan hệ ngược chiều Tỷ số TFOTL với dấu âm cho thấy rằng mức độ dòng tiền từ hoạt động sản xuất kinh doanh cao hơn sẽ làm giảm xác suất kiệt quệ tài chính của công ty Ngược lại, hệ số NOCREDINT cũng có dấu âm, cho thấy rằng thanh khoản cao hơn lại làm tăng xác suất kiệt quệ tài chính Tác giả không phát hiện mối quan hệ có ý nghĩa thống kê giữa biến COVERAGE và xác suất kiệt quệ tài chính Đối với biến TLTA, có mối quan hệ có ý nghĩa thống kê ở mức 10%, nhưng hệ số TLTA lại có dấu ngược với kỳ vọng, chỉ ra rằng việc sử dụng đòn bẩy cao hơn lại làm giảm xác suất kiệt quệ tài chính.
Trong mô hình hồi quy tại thời điểm t-1, hai biến TFOTL và NOCREDINT vẫn giữ được ý nghĩa thống kê lần lượt ở mức 5% và 1%, với dấu hệ số phù hợp như mong đợi Tuy nhiên, giống như mô hình tại thời điểm t, không có mối quan hệ có ý nghĩa thống kê nào giữa biến COVERAGE và xác suất kiệt quệ tài chính Đặc biệt, biến TLTA trong hồi quy tại thời điểm t-1 đã mất đi ý nghĩa thống kê so với hồi quy tại thời điểm t.
Trong mô hình hồi quy thứ nhất tại thời điểm t-2, tất cả các biến kế toán nghiên cứu đều mất đi ý nghĩa thống kê.
Tác giả nhận định rằng việc sử dụng các biến kế toán để dự đoán xác suất kiệt quệ tài chính có thể dẫn đến dự báo sai lệch, đặc biệt là khi thời gian dự đoán càng xa với thời điểm xảy ra kiệt quệ Do đó, các biến kế toán có khả năng đưa ra dự báo chính xác hơn trong khoảng thời gian ngắn trước khi xảy ra kiệt quệ, đặc biệt là trong năm quan sát Ngoài ra, biến TFOTL và biến NOCREDINT cần được chú ý hơn vì chúng có ý nghĩa quan trọng trong việc dự đoán kiệt quệ tài chính.
Mô hình hồi quy thứ hai:
Trong mô hình hồi quy thứ hai tại thời điểm t, biến TFOTL và NOCREDINT có ý nghĩa thống kê ở mức 5% và 10%, với hệ số phù hợp với kỳ vọng Hai biến này thể hiện vai trò quan trọng trong nhóm biến kế toán, trong khi biến TLTA và COVERAGE không có mối quan hệ ý nghĩa nào Đối với nhóm biến vĩ mô, cả CPI và TBILL đều có ý nghĩa thống kê ở mức 1%, với hệ số dương phù hợp với kỳ vọng Cụ thể, chỉ số CPI cao làm tăng xác suất kiệt quệ tài chính, trong khi lãi suất cao (TBILL) cũng dẫn đến nguy cơ kiệt quệ tài chính tăng trong điều kiện các yếu tố khác không thay đổi.
Trong mô hình hồi quy thứ hai tại thời điểm t-1, tất cả bốn biến kế toán là TFOTL, TLTA, NOCREDINT và COVERAGE đều không còn ý nghĩa thống kê Biến CPI cũng mất ý nghĩa thống kê, trong khi biến TBILL vẫn giữ được ý nghĩa ở mức 1% và thể hiện hệ số dương, phù hợp với dấu kỳ vọng.
Đánh giá mô hình
Để đánh giá thành quả mô hình, tác giả dựa trên một số tiêu chí sau:
Để đánh giá độ phù hợp của mô hình hồi quy Logit, các giá trị R² trong hồi quy OLS không thể áp dụng vì ước lượng từ mô hình Logit là ước lượng Maximum Likelihood Do đó, phương pháp OLS không phù hợp để đánh giá độ phù hợp của mô hình Logit Các nghiên cứu sau này đã phát triển một số tiêu chí khác như Cox & Snell R² và Nagelkerke để đánh giá độ phù hợp của mô hình này.
R 2 cũng như một số tiêu chí khác Trong luận văn này, tác giả sử dụng 2 tiêu chí là Cox
Tiêu chí Cox & Snell R² và Nagelkerke R² đều được sử dụng để đánh giá sự cải thiện của mô hình hồi quy Logit so với mô hình chỉ có hệ số chặn Tuy nhiên, Cox & Snell R² có giá trị tối đa nhỏ hơn 1, cụ thể là 1 – L(MIntercept)²/N, vì khi mô hình dự đoán hoàn hảo, L(MFull) sẽ bằng 1.
Nagelkerke R² điều chỉnh là một phương pháp đánh giá độ phù hợp của mô hình, với giá trị tối đa là 1, trong khi Cox & Snell R² cũng được sử dụng Ngoài ra, còn có nhiều tiêu chí khác để đánh giá độ phù hợp của mô hình, có thể tham khảo thêm trong các tài liệu nghiên cứu liên quan.
Trong luận văn này, Cox & Snell R² và Nagelkerke R² được sử dụng để so sánh sự thay đổi tương đối trong hiệu quả giữa các mô hình Kết quả cho thấy giá trị của hai tiêu chí này giảm dần qua các mô hình tại các thời điểm t, t-1, t-2, cho thấy khả năng dự đoán chỉ hiệu quả trong thời gian ngắn Tuy nhiên, các giá trị R² tại các thời điểm vẫn cao hơn so với các mô hình khác, cho thấy sự kết hợp của ba nhóm biến mang lại khả năng dự đoán xác suất kiệt quệ tài chính tốt hơn Các mô hình được xếp hạng từ cao đến thấp gồm: mô hình 3, mô hình 5, mô hình 4, mô hình 2 và mô hình 1, với mô hình kết hợp ba nhóm biến là tốt nhất Điều này chỉ ra rằng sự kết hợp giữa các biến giúp cải thiện hiệu quả dự đoán, và biến thị trường có khả năng dự đoán tốt hơn so với biến kế toán và biến vĩ mô Do đó, nếu chỉ tập trung vào biến kế toán như các nghiên cứu trước, khả năng dự đoán xác suất kiệt quệ tài chính trong mẫu nghiên cứu tại Việt Nam sẽ rất hạn chế.
Kiểm định độ phù hợp Hosmer & Lemeshow:
Kiểm định này dựa trên nghiên cứu của Ragavan (2008), trong đó các quan sát được chia thành 10 nhóm có kích thước đồng đều dựa trên các phân vị xác suất ước lượng Sự khác biệt giữa số lượng quan sát kỳ vọng và số lượng quan sát thực tế trong các nhóm này được tóm tắt bằng thống kê 2 Pearson và so sánh với 2.
(8) Do đó, giá trị 2 thấp (0.05) thể hiện rằng mô hình hiệu quả và phù hợp để dự báo hành vi của dữ liệu.
Kết quả kiểm định cho thấy hầu hết các mô hình đều có giá trị 2 < 15 và P value > 0.05, ngoại trừ mô hình thứ hai với p value gần bằng 0 và giá trị 2 > 15 Điều này chỉ ra rằng mô hình thứ hai, bao gồm biến kế toán và biến vĩ mô, không hiệu quả trong việc dự đoán xác suất kiệt quệ tài chính tại các thời điểm t, t-1 và t-2 Ngược lại, sự kết hợp giữa biến thị trường và biến vĩ mô lại tạo ra một mô hình dự báo khả thi cho xác suất kiệt quệ tài chính, nhấn mạnh tầm quan trọng của biến thị trường trong nghiên cứu tại Việt Nam.
Khu vực dưới đường ROC (AUC) là thước đo chính xác trong dự báo của các mô hình logit, theo DeLong, DeLong và Clarke-Pearson (1988) Họ cho rằng việc đánh giá giá trị kiểm định có thể thực hiện qua đường ROC khi sử dụng biến quan sát liên tục Altman và cộng sự (2010) cũng nhấn mạnh rằng AUC là thước đo độ chính xác của mô hình, với giá trị 1 biểu thị một mô hình hoàn hảo.
Hệ số tương quan xếp hạng Gini, theo Anderson (2007), là một thước đo giúp phân biệt giữa hai hàm phân phối tích lũy thực nghiệm, với giá trị cuối cùng đại diện cho khu vực nằm dưới đường ROC Ưu điểm của kiểm định này là dễ tính toán và giải thích nhờ vào AUC Hệ số Gini tương tự AUC nhưng chỉ tính khu vực giữa đường cong Lorenz và đường chéo, trong khi AUC tính toàn bộ khu vực dưới đường cong Hệ số Gini bằng hoặc trên 50% được xem là điểm tham chiếu quan trọng Trong nghiên cứu này, hệ số Gini được sử dụng để kiểm định tính nhất quán với các thước đo khác, được tính theo công thức (2*AUC) – 1 (theo Altman và cộng sự, 2010), với mô hình hoàn hảo đạt Gini bằng 1.
Thông qua các giá trị AUC, tác giả nhận thấy sự đồng nhất với các kết luận trước đó, cho thấy AUC gia tăng theo thứ tự từ mô hình 1 (chỉ có nhóm biến kế toán) đến mô hình 5 (có nhóm biến thị trường và nhóm biến vĩ mô), với mô hình 3 (có cả ba nhóm biến) ở giữa Đồng thời, AUC giảm dần theo các thời điểm t, t-1, t-2, cho thấy khả năng dự báo kiệt quệ tài chính giảm mạnh khi xa thời điểm xảy ra sự kiện Đặc biệt, mô hình 1 và 2 thể hiện khả năng dự báo kém hơn ở tất cả các thời điểm, trong khi mô hình 3, 4, và 5 lại cho thấy khả năng dự báo gia tăng từ t đến t-1, dù vẫn giảm khi chuyển từ t-1 sang t-2.
Các mô hình từ mô hình 2 đến mô hình 5 tại thời điểm t và t-1 đều có hệ số Gini lớn hơn 50% Ngược lại, các mô hình từ mô hình 2 đến mô hình tại thời điểm t-2 cùng với mô hình 1 tại các thời điểm t, t-1, t-2 lại có hệ số Gini nhỏ hơn 50% Điều này phù hợp với các thảo luận trước đó Hệ số Gini một lần nữa xác nhận ngoại lệ đã được đề cập ở AUC.
Bảng 4.4: Kết quả đánh giá mô hình
MODEL 1 MODEL 2 MODEL 3 MODEL 4 MODEL 5 t t-1 t-2 t t-1 t-2 t t-1 t-2 t t-1 t-2 t t-1 t-2
Để so sánh các đường ROC của các mô hình, tác giả sử dụng kiểm định phi tham số Mann-Whitney U-Statistics theo phương pháp của DeLong và cộng sự (1988) Kiểm định này đánh giá sự tương quan của dữ liệu khi xây dựng nhiều đường cong thực nghiệm dựa trên bộ mẫu các công ty tương tự Mặc dù so sánh đường ROC đã được thực hiện trong nhiều nghiên cứu trước, nhưng một thách thức là yêu cầu số quan sát phải đồng nhất giữa các biến trong các mô hình khác nhau Điều này có thể dẫn đến việc bỏ sót một số giá trị quan trọng khi các biến khác thiếu dữ liệu, làm cho kết quả tính toán ROC tổng hợp không còn nhất quán Giả thuyết vô hiệu của kiểm định là khu vực dưới đường cong ROC là giống nhau, và giả thuyết này bị bác bỏ khi p value < 0.05, cho thấy khu vực dưới đường cong ROC của các mô hình là khác nhau, từ đó xác nhận độ tin cậy của kết quả.
Kết quả kiểm định từ bảng 4.5 cho thấy 5 mô hình tại 3 thời điểm t, t-1, t-2 có AUC khác biệt, khẳng định rằng các kết quả và phân tích từ những dữ liệu này là đáng tin cậy.
Bảng 4.5: Kết quả kiểm định Mann-Whitney U-Statistics
Mô hình tại thời điểm 2 (4) p t 67.86 0.0000 t-1 105.72 0.0000 t-2 30.95 0.0000
Hình 4.1: ROC cho 5 mô hình tại thời điểm t
Hình 4.2: ROC cho 5 mô hình tại thời điểm t-
Hình 4.3: ROC cho 5 mô hình tại thời điểm t-2
Phân tích tác độ ng biên
Các tham số ước lượng từ mô hình hồi quy biến nhị phân không thể giải thích trực tiếp như các tham số từ mô hình hồi quy tuyến tính, vì chúng không cung cấp thông tin đầy đủ về mối quan hệ giữa biến độc lập và biến phụ thuộc (Long & Freese, 2003) Hệ số ước lượng từ các mô hình này không giúp làm rõ tác động của từng biến lên kết quả do bản chất phi tuyến của chúng Do đó, tác giả sẽ phân tích thêm về tác động biên, phản ánh sự thay đổi của một biến đặc trưng lên biến phản ứng (kiệt quệ tài chính) khi giữ tất cả các biến độc lập khác không đổi.
Kết quả tác động biên được trình bày trong bảng 4.6, với cách giải thích tương tự giữa các mô hình Trong luận văn này, tác giả chọn mô hình 3 làm đại diện cho phân tích, vì nó kết hợp đầy đủ cả 3 nhóm biến trong cùng một mô hình và được xác định là mô hình tốt nhất trong số 5 mô hình hồi quy.
Trong nghiên cứu về nhóm biến kế toán, tác giả đã phân tích tác động biên của biến TLTA trong mô hình hồi quy Cụ thể, khi giá trị TANH của biến tổng nợ trên tổng tài sản (TLTA) tăng thêm 1 đơn vị, xác suất xảy ra kiệt quệ tài chính sẽ tăng trung bình khoảng 8.4629%, với điều kiện các biến độc lập khác giữ nguyên.
Theo nghiên cứu, khi chỉ số CPI tăng 1 đơn vị, xác suất xảy ra kiệt quệ tài chính tăng trung bình 0.3255%, trong khi nếu biến TBILL tăng 1 đơn vị, xác suất này tăng trung bình 2.5831%, với điều kiện các biến độc lập khác không thay đổi.
Tác giả chỉ ra rằng trong nhóm biến thị trường, khi giá (PRICE) tăng 1 đơn vị, xác suất kiệt quệ tài chính giảm trung bình 5.73%, trong khi khi lợi suất tài sản (ABNRET) tăng 1 đơn vị, xác suất này giảm 25.6242% Đặc biệt, khi kích thước (SIZE) tăng 1 đơn vị, xác suất kiệt quệ tài chính giảm trung bình 197.938% Ngược lại, khi biến MCTD tăng 1 đơn vị, xác suất kiệt quệ tài chính tăng 4.2563% Những phát hiện này cho thấy nhóm biến thị trường có tác động mạnh mẽ hơn đến xác suất kiệt quệ tài chính so với các nhóm biến khác như biến kế toán và biến vĩ mô.
Bảng 4.6: Tác động biên của các biến nghiên cứu
% MODEL 1 MODEL 2 MODEL 3 MODEL 4 MODEL 5 t t-1 t-2 t t-1 t-2 t t-1 t-2 t t-1 t-2 t t-1 t-2
KẾ T LU Ậ N
Tóm lược kết quả nghiên cứu
Luận văn này dựa trên nghiên cứu của Hernandez Tinoco và Wilson (2013) nhằm dự đoán xác suất kiệt quệ tài chính của doanh nghiệp Việt Nam thông qua ba nhóm biến: kế toán, vĩ mô và thị trường Tác giả xác định tình trạng kiệt quệ tài chính, các yếu tố ảnh hưởng đến khả năng này và xây dựng mô hình dự báo hiệu quả từ ba nhóm biến Điểm nổi bật của luận văn là sự kết hợp ba nhóm biến nghiên cứu, khác biệt so với các nghiên cứu trước Ngoài ra, luận văn sử dụng hàm lượng giác TANH để loại bỏ giá trị ngoại lai, thay vì phương pháp Winsor như các nghiên cứu trước đó.
Nghiên cứu cho thấy rằng nhóm biến thị trường có ảnh hưởng lớn nhất đến khả năng dự đoán xác suất kiệt quệ tài chính, tiếp theo là nhóm biến vĩ mô, và cuối cùng là nhóm biến kế toán Việc kết hợp cả ba nhóm biến vào một mô hình đã nâng cao khả năng dự báo kiệt quệ tài chính, được chứng minh qua các kết quả hồi quy và kiểm định độ phù hợp của mô hình Kết quả này chỉ ra rằng vai trò của nhóm biến vĩ mô và thị trường quan trọng hơn nhóm biến kế toán, điều này khác với những nghiên cứu trước đây chỉ tập trung vào biến kế toán.
Hạn chế của đề tài
Trong luận văn này vẫn còn một số hạn chế nhất định như được trình bày dưới đây:
Mẫu quan sát trong luận văn này chỉ gồm 73 công ty và giai đoạn quan sát kéo dài 9 năm Việc mở rộng mẫu quan sát với số năm và số công ty lớn hơn sẽ tăng cường tính thuyết phục của các kết quả nghiên cứu, đồng thời làm cho những phát hiện trở nên vững chắc hơn.
Cần cải thiện việc công bố thông tin doanh nghiệp tại Việt Nam, vì vẫn còn nhiều vấn đề tồn tại Dữ liệu tác giả thu thập được trong giai đoạn 2006 cho thấy những thiếu sót này ảnh hưởng đến độ tin cậy và minh bạch trong hoạt động kinh doanh.
Năm 2014 có thể chưa đảm bảo độ tin cậy cao và có thể xảy ra một số sai sót ngoài dự kiến, dẫn đến việc ước lượng kết quả có thể bị sai lệch.
Kết quả nghiên cứu có thể bị ảnh hưởng bởi các yếu tố bên ngoài như khủng hoảng kinh tế 2008 và sự gia tăng lãi suất không ổn định trong giai đoạn quan sát Hơn nữa, trong quá trình xử lý dữ liệu, những sai sót ngoài mong đợi cũng có thể xảy ra, dẫn đến việc làm sai lệch kết quả nghiên cứu.
DANH MỤC TÀI LIỆU THAM KHẢO
DANH MỤC TÀI LIỆU TIẾNG VIỆT
Nguyễn Thị Ngọc Trang và cộng sự, 2008 Phân Tích Tài Chính Hà Nội: Nhà xuất bản Lao Động – Xã Hội.
Trần Ngọc Thơ và cộng sự, 2007 Tài chính doanh nghiệp hiện đại Hồ Chí
Minh: Nhà xuất bản thống kê.
DANH MỤC TÀI LIỆU TIẾNG ANH
Agarwal and Taffler's research over 25 years highlights the predictive ability of the Taffler z-score model, as discussed in their 2007 article in Accounting and Business Research In their subsequent 2008 study published in the Journal of Banking & Finance, they compare the effectiveness of market-based and accounting-based models for bankruptcy prediction, providing valuable insights into the strengths and weaknesses of each approach.
Alexander, C., & Kaeck, A., 2008 Regime dependent determinants of credit defaultswap spreads Journal of Banking & Finance, 32: 1008–1021.
Altman, E I., 1968 Financial ratios, discriminant analysis and the prediction of corporate bankruptcy Journal of Finance, 23: 589–609.
Altman, E I, Haldeman, R G., Narayanan, P., 1977 ZETA Analysis: A new model to identify bankruptcy risk of corporations Journal of Banking and Finance, 1: 29-54.
Altman, E I., & Sabato, G., 2007 Modelling credit risk for SMEs: Evidence from the U.S market Abacus, 43: 332–357.
Altman, E I., Sabato, G., & Wilson, N., 2010 The value of non-financial information in small and medium-sized enterprise risk management The Journal ofCredit Risk, 6: 1–33.
Anderson, R., 2007 The credit scoring toolkit: Theory and practice for retail credit risk management and decision automation Oxford: Oxford University Press.
Andrade, G., & Kaplan, S N., 1998 How costly is financial not economic distress? Evidence from highly leveraged transactions that became distressed Journal of Finance, 53: 1443–1493.
Asquith, P., Gertner, R., & Scharfstein, D., 1994 Anatomy of financial distress:
This article reviews junk-bond issuers, as discussed in the Quarterly Journal of Economics, emphasizing their financial impact and market behavior Additionally, it highlights the comprehensive overview provided by Balcaen and Ooghe in their 2004 study on business failure, which spans 35 years of research and critiques traditional statistical methodologies and their associated challenges.
Barnes, P., 1987 The analysis and use of financial ratios: A review article.
Journal of Business Finance & Accounting, 14: 449–461.
In the realm of financial analysis, Barnes (1990) utilized multiple discriminant analysis to effectively predict takeover targets in the U.K., as published in the Journal of Business Finance & Accounting Similarly, Beaver (1966) explored the role of financial ratios as indicators of corporate failure, providing valuable insights in the Journal of Accounting Research Both studies underscore the significance of analytical methods in forecasting corporate outcomes.
Beaver, W H., 1968 Market Prices, Financial Ratios, and the Prediction of Failure Journal of Accounting Research, 6: 79–92.
Beaver, W H., McNichols, M F., & Rhie, J -W., 2005 Have financial statements become less informative? Evidence from the ability of financial ratios to predict bankruptcy Review of Accounting Studies, 10: 93–122.
Bharath, S T., & Shumway, T., 2008 Forecasting default with the Merton distance to default model Review of Financial Studies, 21: 1339–1369.
Black, F., & Scholes, M., 1973 The pricing of options and corporate liabilities.
Campbell, J Y., Hilscher, J., & Szilagyi, J A N., 2008 In search of distress risk.
Chava, S., & Jarrow, R A., 2004 Bankruptcy prediction with industry effects.
Christidis and Gregory (2010) introduced innovative models for predicting financial distress in the UK, highlighting the importance of accurate forecasting in the financial sector Meanwhile, DeLong et al (1988) presented a nonparametric method for comparing the areas under multiple correlated receiver operating characteristic curves, contributing valuable statistical techniques for evaluating predictive models Together, these studies underscore the significance of advanced methodologies in financial analysis and risk assessment.
Dichev, I D., 1998 Is the risk of bankruptcy a systematic risk? Journal of
Fama, E.F., French, K.R., 1992 The cross-section of expected stock returns.
Godfrey, M D., 2009 The TANH transformation Information Systems Laboratory, Stanford University.
Graham, A., 2000 Corporate credit analysis London: Fitzroy Dearborn Publishers.
Hernandez Tinoco, M., & Wilson, N., 2013 Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables International Review of Financial Analysis, 30: 394-419.
Hillegeist, S A., Keating, E K., Cram, D P., & Lundstedt, K G., 2004. Assessing the probability of bankruptcy Review of Accounting Studies, 9: 5–34.
Keasey, K., & Watson, R., 1991 Financial distress prediction models: A review of their usefulness British Journal of Management, 2: 89–102.
Long, J S., & Freese, J., 2003 Regression models for categorical dependent variables using Stata College Station, Texas: Stata Press.
Marais, D A J., 1979 A method for quantifying companies' relative financial strength Bank of England discussion paper no 4.
Mare, D S., 2012 Contribution of macroeconomic factors to the prediction of small bank failures Paper presented at 4th International IFABS Conference, Valencia, Spain.
Merton, R C., 1974 On the pricing of corporate debt: The risk structure of interest rates Journal of Finance, 29: 449–470.
Nam, C W., Kim, T S., Park, N J., & Lee, H K., 2008 Bankruptcy prediction using a discrete-time duration model incorporating temporal and macroeconomic dependencies Journal of Forecasting, 27: 493–506.
Ohlson, J A., 1980 Financial ratios and the probabilistic prediction of bankruptcy Journal of Accounting Research, 18: 109–131.
Pindado, J., Rodrigues, L., & De la Torre, C., 2008 Estimating financial distress likelihood Journal of Business Research, 61: 995–1003.
Qu, Y., 2008 Macroeconomic factors and probability of default European
Journal of Economics, Finance and Administrative Sciences, 192–215.
Ragavan, A J., 2008 How to use SASR to fit multiple logistic regression models. Department of Mathematics and Statistics of the University of Nevada, Paper 369. Rees, W P., 1995 Financial analysis London: Prentice-Hall.
Reisz, A S., & Perlich, C., 2007 A market-based framework for bankruptcy prediction Journal of Financial Stability, 3: 85–131.
Shumway, T., 2001 Forecasting bankruptcy more accurately: A simple hazard model Journal of Business, 74: 101–124.
Taffler, R., 1983 The assessment of company solvency and performance using a statistical model Accounting and Business Research, 13: 295–307.
Trujillo-Ponce, A., Samaniego-Medina, R., & Cardone-Riportella, C., 2014.Examining what best explains corporate credit risk: Accounting-based versus market- based models Journal of Business Economics and Management, 15: 253-276.
Vassalou, M., & Xing, Y., 2004 Default risk in equity returns Journal of
Whitaker, R., 1999 The early stages of financial distress Journal of Economics and Finance, 23: 123–132.
Wruck, K H., 1990 Financial distress, reorganization, and organizational efficiency Journal of Financial Economics, 27: 419–444.
Zmijewski, M E., 1984 Methodological issues related to the estimation of financial distress prediction models Journal of Accounting Research, 22: 59–82.
Danh sách các công ty niêm yết trong mẫu quan sát
Mã CP Tên công ty niêm yết
ABT CTCP xuất nhập khẩu thủy sản Bến Tre
AGF CTCP xuất nhập khẩu thủy sản An Giang
BHS CTCP đường Biên Hòa
BMC CTCP khoáng sản Bình Định
BMP CTCP nhựa Bình Minh
CII CTCP đầu tư hạ tầng kỹ thuật TPHCM
COM CTCP vật tư-xăng dầu
CYC CTCP gạch men Chang Yih
DCT CTCP tấm lợp vật liệu xây dựng Đồng Nai
DHG CTCP dược Hậu Giang
DIC CTCP đầu tư và thương mại DIC
DMC CTCP xuất nhập khẩu y tế DOMESCO
DRC CTCP cao su Đà Nẵng
DTT CTCP kỹ nghệ Đô Thành
FMC CTCP thực phẩm Sao Ta
GMC CTCP sản xuất thương mại may Sài Gòn
GMD CTCP đại lý liên hiệp vận chuyển
GIL CTCP sản xuất kinh doanh xuất nhập khẩu Bình Thạnh
HAP CTCP tập đoàn HAPACO
HAX CTCP dịch vụ ôtô hàng xanh
HBC CTCP xây dựng và kinh doanh địa ốc Hòa Bình
HMC CTCP kim khí TPHCM
HRC CTCP cao su Hòa Bình
HTV CTCP vận tải Hà Tiên
IMP CTCP dược phẩm Imexpharm
ITA CTCP đầu tư và công nghiệp Tân Tạo
KHA CTCP xuất nhập khẩu Khánh Hội
KHP CTCP điện lực Khánh hòa
LAF CTCP chế biến hàng xuất khẩu Long An
LBM CTCP khoáng sản và vật liệu xây dựng Lâm Đồng
LGC CTCP cơ khí - điện Lữ Gia
MCP CTCP in và bao bì Mỹ Châu
MHC CTCP hàng hải Hà Nội
NSC CTCP giống cây trồng trung ương
PAC CTCP pin ắc quy miền nam
PGC Tổng công ty Gas Petrolimex - CTCP
PJT CTCP vận tải xăng dầu đường thủy Petrolimex
PNC CTCP văn hóa Phương Nam
PVD Tổng CTCP khoan và dịch vụ khoan dầu khí
RAL CTCP bóng đèn phích nước Rạng Đông
REE CTCP cơ điện lạnh
SAM CTCP đầu tư và phát triển Sacom
SAV CTCP hợp tác kinh tế và xuất nhập khẩu Savimex
SCD CTCP nước giải khát Chương Dương
SFC CTCP nhiên liệu Sài Gòn
SFI CTCP đại lý vận tải Safi
SJD CTCP thủy điện Cần Đơn
SJS CTCP đầu tư phát triển đô thị và khu công nghiệp Sông Đà
SMC CTCP đầu tư thương mại SMC
SSC CTCP giống cây trồng miền Nam
TAC CTCP dầu thực vật Tường An
TCR CTCP công nghiệp gốm sứ TAICERA
TDH CTCP phát triển nhà Thủ Đức
TNA CTCP thuương mại xuất nhập khẩu Thiên Nam
TS4 CTCP thủy sản số 4
TTP CTCP bao bì nhựa Tân Tiến
TYA CTCP dây và cáp điện Taya Việt Nam
VID CTCP đầu tư và phát triển thương mại Viễn Đông
VIP CTCP vận tải xăng dầu Vipco
VNM CTCP sữa Việt Nam
VPK CTCP bao bì dầu thực vật
VSH CTCP thủy điện Vĩnh Sơn Sông Hinh
VTB CTCP Viettronics Tân Bình
THỐNG KÊ MÔ TẢ Các công ty không bị kiệt quệ tài chính
Các công ty bị kiệt quệ tài chính
Ma trận hệ số tương quan
KẾT QUẢ HỒI QUY, ĐÁNH GIÁ MÔ HÌNH, TÁC ĐỘNG BIÊN
KIỂM ĐỊNH MANN-WHITNEY U-STATISTICS
