Trong bài nghiên cứu này, mô hình Z-score của giáo sư Edward Altman được chọn làm cơ sở lý luận. Đồng thời, phương pháp nghiên cứu được sử dụng trong đề tài này là sự kết hợp giữa phương pháp phân tích tỷ số truyền thống và phương pháp phân tích tuyến tính đa biệt thức (MDA).
Bản tin Khoa học Trẻ số 1(2), 2015 66 XÂY DỰNG MƠ HÌNH DỰ BÁO PHÁ SẢN CHO CÁC DOANH NGHIỆP NGÀNH XÂY DỰNG BẤT ĐỘNG SẢN TẠI VIỆT NAM Nguyễn Lê Huỳnh Như, Nguyễn Quỳnh Như, Đỗ Thị Phương Dung Khoa Tài – Ngân hàng, Đại học Tơn Đức Thắng Email: dotipidu@gmail.com (Ngày nhận bài: 14/11/2015; Ngày duyệt đăng: 14/12/2015) TĨM TẮT Việc xây dựng mơ hình dự báo phá sản giúp doanh nghiệp có cơng cụ hữu ích để phát sớm dấu hiệu báo trước nguy rủi ro kiệt quệ tài Từ đó, có biện pháp quản lý, giám sát lúc, phòng ngừa kịp thời nhằm tránh tình xấu xảy ra, phá sản Trong nghiên cứu này, mơ hình Z-score giáo sư Edward Altman chọn làm sở lý luận Đồng thời, phương pháp nghiên cứu sử dụng đề tài kết hợp phương pháp phân tích tỷ số truyền thống phương pháp phân tích tuyến tính đa biệt thức (MDA) Kết cuối đề tài là: Đã xây dựng mơ hình dự báo phá sản với biến phụ thuộc sáu biến độc lập Mơ hình phù hợp với kinh tế Việt Nam nói chung đặc biệt dành riêng cho doanh nghiệp ngành xây dựng bất động sản nói riêng Việt Nam Từ khóa: Kiệt quệ tài chính, Mơ hình dự báo phá sản, Mơ hình Z-score, Ngành dựng – Bất động sản, Phương pháp phân tích tuyến tính đa biệt thức (MDA) ABSTRACT The construction of bankruptcy forecasting models help corporations have a useful tool to detect early warning signs of the risk of exhausting financial risks Since then, there will be measures to manage, supervise and timely prevention to avoid the worst situations can occur, it is bankruptcy In this study, the Z-score model of professor Edward Altman was selected as a theoretical basis Simultaneously, research methods which were used in this study is a combination of traditional analytical method and Multiple Discriminant Analysis method (MDA) The end result of this study is: building predictive models for bankruptcy with a dependent variable and six independent variables This model is consistent with Vietnam's economy in general and specifically for the construction - real estate corporations in Vietnam Key words: Exhausting finance, Bankruptcy forecasting model, Z-score model, the construction - real estate sector, Multiple Discriminant Analysis method (MDA) GIỚI THIỆU Hệ thống doanh nghiệp Việt Nam nói chung doanh nghiệp ngành xây dựng - bất động sản nói riêng, dù quy mô lớn hay nhỏ, phá sản gây hệ lụy đến hàng trăm nhà đầu tư, đối tác kinh doanh, hàng ngàn người lao động theo hiệu ứng Domino Mặt khác, có số nghiên cứu vấn đề dự báo phá sản phạm vi Việt Nam thông qua việc ứng dụng mơ hình dự báo phá sản Mỹ (Z-score Zeta) chưa có nghiên cứu giới tập trung riêng biệt cho kinh tế Việt Nam, đặc biệt doanh nghiệp lĩnh vực xây dựng - bất động sản Mặt khác, ứng dụng mơ hình dự báo phá sản, xây dựng dựa liệu công ty Mỹ, cho kinh tế Việt Nam chưa thực phù hợp Vì Mỹ kinh tế phát triển nhanh, mạnh Trong Việt Nam kinh tế phát triển cịn non trẻ Từ phân tích cho thấy: Đề tài nghiên cứu bước để lấp đầy lỗ hổng mảng dự báo phá sản cho doanh nghiệp ngành xây dựng - bất động sản Việt Nam nói riêng kinh tế Việt Nam nói chung Từ giúp doanh nghiệp giám sát lúc, ngăn chặn kịp thời, phòng ngừa tối đa hạn chế đến mức thấp ảnh hưởng dây chuyền rủi ro dẫn tới nguy thất bại (phá sản giải thể) đề cao vị tài doanh nghiệp kinh tế Việt Nam Bản tin Khoa học Trẻ số 1(2), 2015 PHƯƠNG PHÁP NGHIÊN CỨU Lựa chọn mẫu thu thập liệu phân tích: Số lượng mẫu lựa chọn 173 công ty thuộc ngành xây dựng – bất động sản niêm yết thị trường chứng khoán Việt Nam Với lượng mẫu này, nhóm nghiên cứu tiến hành phân thành hai nhóm mẫu là: Nhóm ký hiệu nhóm cơng ty có nguy phá sản (đã lâm vào tình trạng kiệt quệ tài chính) nhóm ký hiệu nhóm cơng ty hoạt động bình thường (có tình hình tài tương đối ổn định) Thời gian mà nhóm nghiên cứu chọn lấy mẫu năm, từ năm 2009 đến năm 2013 Dữ liệu thu thập từ báo cáo tài hàng năm liệu giá lịch sử thị trường chứng khoán công ty Lựa chọn biến: Các biến chủ yếu tỷ số tài truyền thống, lấy từ báo cáo tài vào cuối năm tài Nhóm nghiên cứu cố gắng tìm lựa chọn biến có đặc điểm chung nhằm đánh giá dự báo xác Có biến lựa chọn đại diện sau: - Chủ động vốn: X1 = Vốn lưu động / Tổng tài sản (WC/TA) - Khả sinh lời:X2 = Lợi nhuận giữ lại / Tổng tài sản (RE/TA) X3 = Thu nhập trước thuế lãi vay / Tổng tài sản (EBIT/TA) - Giá trị thị trường vốn chủ sở hữu nợ phải trả X4 = Giá trị thị trường vốn chủ sở hữu/ Nợ phải trả (MVE/TD) - Khả tạo doanh thu: X5 = Doanh thu / Tổng tài sản (S/TA) - Hệ số vốn: X6 = Vốn chủ sở hữu/ Tổng nguồn vốn (EB/TC) So với mơ hình Z-score giáo sư Altman nhóm nghiên cứu bổ sung thêm biến X6 vào mơ hình q trình thu thập liệu nhóm phát tính bất cân xứng thông tin doanh nghiệp Nghĩa là, số cơng ty có doanh thu thấp, lợi nhuận âm giá trị thị trường cổ phiếu lại cao (cao nhiều so với mệnh giá cổ phiếu) Điều bất hợp lí giá trị thị trường không phản ánh phản ánh xác giá trị thực doanh 67 nghiệp Do nhóm nghiên cứu cho rằng: Việc thêm biến X6 vào mơ hình lấp bớt lỗ hổng cho bất hợp lí Phương pháp phân tích tỷ số truyền thống: Phương pháp phân tích tỷ số truyền thống sử dụng để xử lý liệu thơ ban đầu phân loại nhóm mẫu Việc phân nhóm cơng ty có nguy phá sản hay khơng mang tính tương đối dựa vào tiêu chí sau: (1)Lợi nhuận giữ lại; thu nhập trước thuế lãi vay: dương hay âm (2)Chỉ số toán nhanh: so sánh với mức 0,5 (3)Chỉ số toán hành: so sánh với mức (4)Giá trị thị trường cổ phiếu qua năm: thay đổi biến động (tăng hay giảm) (5)Tỷ số nợ = Tổng nợ / Tổng nguồn vốn: cao hay thấp hay mức trung bình Phương pháp phân tích tuyến tính đa biệt thức (MDA): MDA kỹ thuật thống kê dùng để phân loại đưa dự đoán vấn đề mà biến phụ thuộc xuất hình thái chất lượng dựa theo đặc điểm cá biệt quan sát; ví dụ nam nữ, phá sản khơng phá sản Vì bước cần làm thiết lập phân loại nhóm rõ ràng Số lượng nhóm phân loại ban đầu hai nhiều Sau nhóm thiết lập, liệu thu thập theo mục đích đối tượng nhóm; MDA hình thức đơn giản cố gắng xây dựng quan hệ tuyến tính đặc điểm mà chúng phân biệt tốt nhóm mẫu với Ưu điểm phân tích đa biệt thức việc giải vấn đề phân loại cơng ty khả phân tích tồn hồ sơ biến đối tượng cách đồng thời, lúc với kiểm tra đặc điểm cá biệt đối tượng Phương pháp phân tích đa biệt thức thực thơng qua phần mềm SPSS với quy trình sau: Bước 1: Mở phần mềm SPSS Khai báo biến ( khai báo phần Value cột đánh giá phân loại cơng ty: nhóm = cơng ty có nguy phá sản, nhóm = cơng ty hoạt động bình thường, ổn định) chuyển dự liệu từ Excels qua SPSS Bản tin Khoa học Trẻ số 1(2), 2015 Bước 2: Vào Analyse chọn Classify chọn Discriminant Bước 3: thêm biến X1, X2, X3, X4, X5, X6 vào mục Independents thêm cột đánh giá phân loại nhóm vào mục Grouping Variable nhấp chọn Define Range đánh số vào phần Minimum, đánh số vào phần Maximum nhấp nút Continue Bước 4: Ở hộp thoại Discriminant Analysis đánh dấu chọn vào mục Enter independents together Bước 5: Nhấp vào nút Statistics hộp thoại xuất đánh dấu chọn mục sau: Means, Univariable ANOVAs, Box’s M, Unstandardized, Within-groups correlation nhấp nút Continue Bước 6: Nhấp vào nút Classify hộp thoại xuất đánh dấu chọn mục sau: Compute from group sizes, Summary table, Leave one out classification, Within groups, Combined groups, Separate groups, Territorial map nhấp nút Continue Bước 7: Nhấp vào nút Save hộp thoại xuất đánh dấu chọn mục sau: Predicted group membership Discriminant scores nhấp nút Continue Bước 8: Ở hộp thoại Discriminant Analysis nhấp chuột chọn OK KẾT QUẢ VÀ THẢO LUẬN Bảng A: Canonical Discriminant Function Coefficients X1 X2 X3 X4 X5 X6 Constant Function 2,715 -4,520 11,139 -0,632 0,285 8,406 -3,729 Nguồn: Nhóm tác giả tự tính tốn Bảng B: Functions at group centroids Phân nhóm Function Nguy phá sản -1,336 Không phá sản 1,553 Nguồn: Nhóm tác giả tự tính tốn Dựa vào bảng từ kết chạy mơ hình phần mềm SPSS ta có phương 68 trình tuyến tính đa biệt thức có số sau: D = 2,715 X1 + (-4,520) X2 + 11,139 X3 + (0,632) X4 + 0,285 X5 + 8,406 X6 + (-3,729) Giá trị D nằm khoản (-1,336; 1,553) - Nếu D ≥ 1,553: Cơng ty nằm vùng an tồn - Nếu -1,336 < D < 1,553: Công ty nằm vùng cảnh báo - Nếu D ≤ -1,336 : Công ty nằm vùng có nguy phá sản cao Mơ hình kết nghiên cứu cuối phương trình tuyến tính đa biệt thức sau loại bỏ số Đồng thời thu ngưỡng giới hạn lấy ngưỡng giới hạn cũ trừ số Ta có mơ hình dự báo phá sản xây dựng sau: D = 2,715 X1 + (-4,520) X2 + 11,139 X3 + (-0,632) X4 + 0,285 X5 + 8,406 X6 Khi giá trị tới hạn D nằm khoản (2,393; 5,282) - Nếu D ≥ 5,282: Công ty nằm vùng an tồn - Nếu 2,393 < D < 5,282: Cơng ty nằm vùng cảnh báo - Nếu D ≤ 2,393 : Cơng ty nằm vùng có nguy phá sản cao Để kiểm nghiệm mơ hình ta thay biến từ X1 đến X6 giá trị cụ thể từ tỷ số tài cơng ty tính kết số D Từ so sánh số D với ngưỡng giới hạn 2,393 5,282 để dự báo cơng ty có nguy phá sản hay khơng tương lai gần KẾT LUẬN Đánh giá tình hình tài doanh nghiệp thơng qua phân tích giá trị thực từ tỷ số tài cơng ty Việc phân tích đưa nhận định cần nhiều yếu tố kết hợp, qua chưa thấy liên kết yếu tố; mặt khác nhà nghiên cứu lựa chọn số khác để phân tích Để hạn chế đánh giá khơng bỏ sót số tiêu cần thiết, nhóm nghiên cứu lựa chọn xây dựng mơ hình dự báo thơng qua kỹ thuật MDA nhằm tìm số chung dựa nhiều tỷ số tài độc lập Kết tìm mơ hình đánh giá tình hình tài chính, dự báo phá sản thơng qua mơ hình số D Với số hấu hết tất đối tượng kinh tế có Bản tin Khoa học Trẻ số 1(2), 2015 69 thể tính tốn đánh giá thơng qua báo thêm cho kết mơ hình tính tốn hệ số cáo tài thời điểm đánh giá Mơ biệt thức D nhằm mang lại kết đáng tin hình số D ứng dụng độc quyền cậy cho mơ hình dự báo phá sản chocác doanh nghiệp ngành xây dựng – Đồng thời phát triển thêm mơ hình dự bất động sản Việt Nam Tuy nhiên, báo phá sản khác dành riêng cho tương lai, nhóm nghiên cứu cố gắng tìm ngành bất ổn kinh tế Việt Nam thêm biến độc lập để giải thích TÀI LIỆU THAM KHẢO ALTMAN, EDWARD I (1968) Financial ratios, discriminant analysis and the prediction of corporate bankruptcy The journal of finance, 23(4), 589-609 ALTMAN, EDWARD I (2000) Predicting financial distress of companies: Revising the Z-score and Zeta models Stern School of Business, New York University, 9-12 AGRESTI, ALAN (1996) An introduction to categorical data analysis (Vol 135) New York: Wiley ... ngành xây dựng – Đồng thời phát triển thêm mơ hình dự bất động sản Việt Nam Tuy nhiên, báo phá sản khác dành riêng cho tương lai, nhóm nghiên cứu cố gắng tìm ngành bất ổn kinh tế Việt Nam thêm... qua báo thêm cho kết mơ hình tính tốn hệ số cáo tài thời điểm đánh giá Mô biệt thức D nhằm mang lại kết đáng tin hình số D ứng dụng độc quyền cậy cho mô hình dự báo phá sản chocác doanh nghiệp ngành. .. cứu lựa chọn xây dựng mơ hình dự báo thơng qua kỹ thuật MDA nhằm tìm số chung dựa nhiều tỷ số tài độc lập Kết tìm mơ hình đánh giá tình hình tài chính, dự báo phá sản thơng qua mơ hình số D Với