Ứng dụng mô hình z score và hscore trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán việt nam

GIỚI THIỆU CHUNG

Tính cấp thiết của đề tài

Theo Trung tâm thông tin Kinh tế - Xã hội Quốc gia và Bộ Kế hoạch và Đầu tư, từ giữa năm nay, đã xuất hiện một làn sóng phá sản ở nhiều công ty lớn trên toàn cầu.

Năm 2020, đại dịch Covid-19 đã tác động mạnh mẽ đến hầu hết các quốc gia trên toàn cầu Theo dự đoán của Euler Hermes vào tháng 7/2020, tỷ lệ phá sản có khả năng tăng lên 35% so với năm trước.

Từ năm 2019 đến 2021, Mỹ dự kiến sẽ chịu ảnh hưởng nặng nề do số lượng doanh nghiệp phá sản tăng lên 57%, điều này cho thấy tình hình kinh tế của cường quốc này đang gặp nhiều thách thức.

2021 so với năm 2019, trước khi đại dịch Covid-19 xảy ra

Dự báo cho thấy số vụ phá sản sẽ tăng mạnh, cụ thể là 45% tại Brazil, 43% ở Anh và 41% ở Tây Ban Nha, trong khi Trung Quốc, nơi khởi phát đại dịch, dự kiến tăng 20% Các ngành như hàng không, du lịch, khách sạn và bán lẻ sẽ chịu ảnh hưởng nặng nề từ Covid-19 Năm 2020, có 236 doanh nghiệp với nợ trên 50 triệu USD đã nộp đơn xin bảo hộ phá sản, mức cao nhất kể từ 2009 khi có 281 hồ sơ.

Phá sản là một vấn đề nghiêm trọng, gây ra thảm họa cho nhiều bên như chủ nợ, nhà đầu tư, chủ doanh nghiệp, nhân viên và khách hàng, đồng thời ảnh hưởng đến toàn bộ nền kinh tế Các chủ nợ và nhà đầu tư chịu thiệt hại tài chính, nhân viên mất việc làm, và khách hàng có thể mất tiền, đặc biệt là trong lĩnh vực bất động sản khi họ thường thanh toán trước Hậu quả của phá sản không chỉ giới hạn ở doanh nghiệp mà còn lan rộng đến tài chính của các bên liên quan Với bối cảnh đại dịch toàn cầu, rủi ro phá sản của doanh nghiệp, đặc biệt trong lĩnh vực bất động sản, trở thành một vấn đề cần được dự báo để giảm thiểu tác động tiêu cực đến nền kinh tế và đời sống xã hội.

Luận văn thạc sĩ Tài chính

Đại dịch Covid-19 đã gây ra tác động sâu rộng đến thị trường bất động sản khu vực Châu Á - Thái Bình Dương trong quý 2 năm 2020 Công ty Jones Lang Lasalle ghi nhận sự sụt giảm đầu tư và giá thuê trên hầu hết các bất động sản thương mại, với khối lượng đầu tư giảm 32% trong nửa đầu năm 2020 so với cùng kỳ năm trước Cụ thể, quý 2 chứng kiến mức giảm 39% và quý 1 giảm 26%.

Theo báo cáo của Jones Lang Lasalle, triển vọng bất động sản Việt Nam vẫn tích cực, với Việt Nam tiếp tục là điểm đến ưa chuộng cho việc chuyển dịch nhà máy từ Trung Quốc Mặc dù đại dịch Covid-19 đã tạo ra khó khăn tạm thời, nhưng bất động sản khu công nghiệp vẫn thu hút nhà đầu tư nhờ chiến lược đầu tư dài hạn và các hiệp định thương mại tự do Để đối mặt với cơ hội và thách thức, doanh nghiệp và nhà đầu tư cần nắm rõ tình hình tài chính của mình, xác định liệu có an toàn hay có nguy cơ phá sản Việc dự báo rủi ro phá sản doanh nghiệp đã thu hút sự quan tâm của nhiều nhà nghiên cứu trên toàn thế giới.

Lalith P Samarakoon và Tanweer Hasan (2003) đã sử dụng ba mô hình Z-score của Altman để dự đoán tình hình tài chính của các công ty gặp khó khăn Nghiên cứu này dựa trên dữ liệu của 26 công ty niêm yết tại thị trường Sri Lanka trong giai đoạn cụ thể.

Nghiên cứu từ năm 1986 đến 1997 chỉ ra rằng mô hình Z-score có khả năng dự đoán chính xác 81% tình hình tài chính khó khăn của doanh nghiệp, củng cố thêm bằng chứng thực nghiệm về tính hiệu quả của mô hình này Khác với nghiên cứu của Altman, nghiên cứu này được thực hiện tại thị trường Sri Lanka, cho thấy rằng mô hình Z-score không chỉ phù hợp với thị trường Mỹ mà còn có thể áp dụng hiệu quả tại các thị trường mới nổi như Sri Lanka.

Bahaaeddin Alareeni và Joel Branson (2012) đã áp dụng mô hình Z-score để dự báo phá sản cho các công ty niêm yết tại Jordan, sử dụng mẫu dữ liệu gồm 71 công ty phá sản và 71 công ty không phá sản trong cùng ngành nghề và quy mô tài sản tương đồng Kết quả cho thấy mô hình Z-score hoạt động hiệu quả trong việc dự báo phá sản cho các công ty sản xuất tại thị trường Jordan, tương tự như nghiên cứu của Altman đối với doanh nghiệp cổ phần hóa tại Mỹ Tuy nhiên, nghiên cứu cũng chỉ ra rằng mô hình Z-score không phân biệt rõ ràng giữa các công ty phá sản và không phá sản trong nhóm ngành phi sản xuất, cho thấy hiệu quả của mô hình này chỉ giới hạn trong ngành sản xuất tại Jordan.

Raid Ayasy Shalih và cộng sự (2019) đã sử dụng mô hình Fulmer H-score và Springate S-score để phân tích và so sánh khả năng dự đoán tình trạng kiệt quệ tài chính Nghiên cứu này dựa trên dữ liệu của các công ty sản xuất niêm yết trên Sở giao dịch chứng khoán Indonesia trong giai đoạn 2014 – 2016.

Kỹ thuật phân tích dữ liệu thông qua kiểm định One Way Anova cho thấy sự khác biệt đáng kể trong khả năng dự báo của hai mô hình đối với các công ty trong ngành sản xuất tại Indonesia Kết quả cho thấy mô hình S-score thể hiện sự phù hợp tốt hơn so với mô hình còn lại.

H-score để dự báo trình trạng kiệt quệ tài chính Kết quả của nghiên cứu này gợi ra câu hỏi liệu có sự khác biệt giữa 2 mô hình khác nhau trong khả năng dự báo phá sản khi áp dụng tại thị trường Việt Nam hay không và mô hình nào phù hợp hơn

Noman Arshed và cộng sự (2020) đã sử dụng mô hình Altman Z-score và Springate S-score để dự đoán xác suất phá sản của 12 ngân hàng Hồi giáo tại Indonesia trong giai đoạn 2013 - 2019 Nghiên cứu cho thấy sự khác biệt rõ rệt trong khả năng dự báo của hai mô hình đối với ngành phi sản xuất Cụ thể, mô hình Z-score chỉ ra rằng 1,19% ngân hàng Hồi giáo nằm trong vùng xám, có nguy cơ phá sản, trong khi 98,81% ngân hàng còn lại được xếp vào vùng an toàn.

Mô hình S-score cho thấy 38,10% ngân hàng Hồi giáo có nguy cơ phá sản, trong khi 61,90% ngân hàng được đánh giá là an toàn Nghiên cứu này đặt ra câu hỏi về sự khác biệt giữa hai mô hình trong khả năng dự báo phá sản tại thị trường Việt Nam và xác định mô hình nào là phù hợp hơn.

Mục tiêu nghiên cứu

Nghiên cứu này tập trung vào việc áp dụng mô hình Z-score và H-score để dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam Mục tiêu là cung cấp những kiến nghị hữu ích cho nhà quản lý doanh nghiệp, nhà đầu tư và các tổ chức tín dụng trong việc điều hành hoạt động doanh nghiệp, cũng như trong quyết định đầu tư hoặc cho vay.

Từ mục tiêu cơ bản như trên, các mục tiêu cụ thể của nghiên cứu như sau:

Mô hình Z-score và H-score là hai công cụ quan trọng trong việc dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam Bài viết này sẽ giới thiệu chi tiết về cách thức hoạt động của hai mô hình này, đồng thời phân tích ứng dụng thực tiễn của chúng trong việc đánh giá tình hình tài chính và rủi ro của các doanh nghiệp trong ngành bất động sản Việc áp dụng các mô hình này không chỉ giúp các nhà đầu tư đưa ra quyết định thông minh mà còn góp phần nâng cao tính minh bạch và ổn định cho thị trường bất động sản Việt Nam.

Bài viết đánh giá tính phù hợp của mô hình Z-score và H-score đối với các công ty bất động sản niêm yết tại Việt Nam Qua đó, tác giả đưa ra các kiến nghị nhằm nâng cao tính an toàn trong quản lý doanh nghiệp, hỗ trợ các tổ chức tín dụng trong việc cấp tín dụng, và cung cấp thông tin hữu ích cho các nhà đầu tư vào doanh nghiệp.

Đối tƣợng và phạm vi nghiên cứu

Nghiên cứu này tập trung vào việc áp dụng mô hình Z-score và H-score nhằm dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam.

Nghiên cứu này phân tích dữ liệu của 56 công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam, tập trung vào Sở giao dịch chứng khoán thành phố Hồ Chí Minh và Sở giao dịch chứng khoán Hà Nội.

Về thời gian: Từ năm 2017 đến năm 2020.

Phương pháp nghiên cứu

Trong nghiên cứu này, tác giả áp dụng phương pháp phân tích định lượng để ước tính khả năng phá sản của các công ty niêm yết trong lĩnh vực bất động sản thông qua việc sử dụng mô hình Z-score và H-score.

Phần mềm Excel được sử dụng để phân tích và xử lý dữ liệu, với dữ liệu được mô tả thông qua thống kê mô tả các biến và ma trận tương quan Các biến nghiên cứu bao gồm các chỉ số tài chính của doanh nghiệp, phục vụ cho việc dự báo khả năng phá sản qua các mô hình Z-score và H-score Tác giả tính toán Z-score và H-score dựa trên dữ liệu thu thập, nhằm đưa ra dự báo về khả năng phá sản Cuối cùng, mức độ chính xác của hai mô hình này được xác định bằng cách so sánh kết quả dự đoán với tình huống thực tế của các mẫu.

Kết cấu của đề tài

Luận văn được cấu trúc thành 5 chương, bắt đầu với Chương 1 giới thiệu về đề tài nghiên cứu, tính cấp thiết, tóm tắt tình hình nghiên cứu trong và ngoài nước, xác định khoảng trống nghiên cứu, đồng thời nêu rõ mục tiêu, đối tượng, phạm vi và phương pháp nghiên cứu Chương 2 trình bày cơ sở lý luận về phá sản doanh nghiệp và các mô hình dự báo Chương 3 mô tả phương pháp thu thập, phân tích và xử lý số liệu, quy trình và mô hình nghiên cứu Chương 4 trình bày kết quả nghiên cứu ứng dụng mô hình Z-score và H-score trong việc dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam Cuối cùng, Chương 5 rút ra kết luận từ kết quả nghiên cứu, đề xuất kiến nghị cho lãnh đạo doanh nghiệp, nhà đầu tư và tổ chức tài chính, đồng thời chỉ ra hạn chế và hướng nghiên cứu trong tương lai.

Đóng góp của nghiên cứu

Nghiên cứu đã hệ thống hóa lý thuyết về phá sản doanh nghiệp và mô hình dự báo phá sản, đồng thời bổ sung kết quả thực nghiệm áp dụng mô hình Z-score và H-score cho các doanh nghiệp bất động sản niêm yết tại Việt Nam Từ đó, nghiên cứu đề xuất những kiến nghị hữu ích cho nhà quản lý doanh nghiệp, nhà đầu tư và các tổ chức tài chính nhằm giảm thiểu rủi ro phá sản.

CƠ SỞ LÝ LUẬN VỀ PHÁ SẢN DOANH NGHIỆP VÀ MÔ HÌNH DỰ BÁO PHÁ SẢN DOANH NGHIỆP

Định nghĩa

2.1.1 Phá sản doanh nghiệp Ở Việt Nam, có nhiều thuật ngữ được sử dụng như: phá sản, vỡ nợ, khánh tận… Từ điển tiếng Việt định nghĩa từ “phá sản” là lâm vào tình trạng tài sản chẳng còn gì và thường là vỡ nợ do kinh doanh bị thua lỗ, thất bại; “vỡ nợ” là lâm vào tình trạng bị thua lỗ, thất bại liên tiếp trong kinh doanh, phải bán hết tài sản mà vẫn không đủ để trả nợ Như vậy, trong cách hiểu thông thường, khái niệm phá sản là để chỉ cho một sự việc đã rồi, sự việc “phải bán hết tài sản mà vẫn không đủ trả nợ”

Theo Khoản 2 Điều 4 Luật Phá sản năm 2014, phá sản được định nghĩa là tình trạng của doanh nghiệp hoặc hợp tác xã không còn khả năng thanh toán và bị Tòa án nhân dân tuyên bố phá sản Khái niệm "mất khả năng thanh toán" được nêu rõ tại Khoản 1 Điều 4, trong đó doanh nghiệp hoặc hợp tác xã được coi là mất khả năng thanh toán khi không thực hiện nghĩa vụ thanh toán nợ trong vòng 03 tháng kể từ ngày đến hạn Do đó, quá trình phá sản doanh nghiệp chỉ diễn ra sau khi có quyết định tuyên bố từ Tòa án nhân dân.

Luật Phá sản tại Việt Nam không chỉ là công cụ xử lý các doanh nghiệp gặp khó khăn mà còn tạo cơ hội cho họ phục hồi hoạt động kinh doanh Khi các chủ nợ đồng ý với phương án tái cơ cấu của doanh nghiệp, doanh nghiệp có thể tiếp tục sản xuất dưới sự giám sát Nếu quá trình phục hồi thành công và doanh nghiệp có khả năng trả nợ, họ sẽ thoát khỏi nguy cơ phá sản; ngược lại, nếu không, doanh nghiệp sẽ phải đối mặt với tình trạng phá sản.

Luật phá sản và Luật doanh nghiệp tại Anh phân chia quy trình phá sản thành hai giai đoạn: giai đoạn quản lý và giai đoạn thanh lý Một công ty được coi là mất khả năng trả nợ khi tổng số nợ đến hạn thanh toán vượt quá 750 bảng Anh, và trong trường hợp bên chủ nợ yêu cầu công ty thanh toán các khoản nợ mà không nhận được phản hồi, sự đảm bảo hay xác nhận trong vòng ba tuần.

Công ty được coi là không có khả năng trả nợ khi tài sản hiện có nhỏ hơn nợ phải trả, điều này phụ thuộc vào tình trạng của khoản nợ.

Luật phá sản ở Mỹ chủ yếu bao gồm hai hình thức xử lý: thanh lý tài sản để trả nợ và tái cơ cấu doanh nghiệp Theo chương 7, doanh nghiệp phải thanh lý tài sản khi không đủ khả năng tái cấu trúc, với thứ tự ưu tiên cho các khoản nợ có tài sản đảm bảo trước Trong khi đó, chương 11 cho phép các doanh nghiệp gặp khó khăn tài chính nhưng có triển vọng kinh doanh được xem xét để trình phương án tái cấu trúc, nhằm tiếp tục hoạt động và trả nợ, với sự giám sát chặt chẽ cho đến khi hoàn tất nghĩa vụ tài chính.

Phá sản doanh nghiệp là tình trạng xảy ra khi một doanh nghiệp không còn khả năng thanh toán nợ sau thời gian quy định và bị tòa án tuyên bố phá sản Mặc dù quy định về phá sản khác nhau ở các quốc gia, nhưng bản chất của nó là sự kết thúc vòng đời của doanh nghiệp, phản ánh hiện tượng kinh tế tự nhiên trong quá trình cạnh tranh kinh doanh.

2.1.2 Dự báo phá sản doanh nghiệp

Dự báo phá sản doanh nghiệp là quá trình ước lượng khả năng một công ty có tình hình tài chính khó khăn sẽ vỡ nợ trong tương lai, được thực hiện thông qua các lý thuyết và mô hình tài chính khác nhau Kỹ thuật này bắt nguồn từ năm 1932, khi Paul J FitzPatrick nghiên cứu các công ty thành công và phá sản để dự đoán khả năng vỡ nợ dựa vào xu hướng tỷ số tài chính Những nghiên cứu đầu tiên về dự báo phá sản sử dụng kỹ thuật phân tích đơn biến, từ đó phát triển thành các mô hình đa biến, nhờ vào sự tiến bộ của các thuật toán hiện đại.

11 máy học, học sâu, các mô hình dự báo phá sản doanh nghiệp trở nên ngày càng phức tạp hơn nhưng cũng đạt mức độ chính xác cao hơn

Quá trình dự báo phá sản doanh nghiệp thường gặp khó khăn do dữ liệu không đầy đủ hoặc không phù hợp, đặc biệt ở các nước đang phát triển Thách thức lớn nhất là lựa chọn mô hình dự báo phù hợp, vì mỗi loại mô hình có khả năng dự đoán khác nhau tùy thuộc vào ngành nghề, công ty hoặc quốc gia.

Những người tham gia và quan tâm đến dự báo phá sản bao gồm nhà quản lý doanh nghiệp, nhà đầu tư, tổ chức tài chính và cơ quan hoạch định chính sách Việc hiểu rõ tình trạng sức khỏe tài chính của doanh nghiệp giúp nhà quản lý đưa ra quyết định chính xác và kịp thời trong hoạt động sản xuất kinh doanh Đánh giá rủi ro phá sản là điều cần thiết cho nhà đầu tư để tránh tổn thất trong tương lai Ngoài ra, các mô hình dự báo phá sản đóng vai trò quan trọng trong việc xếp hạng và cấp tín dụng cho doanh nghiệp từ các tổ chức tài chính.

Các mô hình dự báo phá sản doanh nghiệp

Mô hình Z-score, được phát triển bởi giáo sư Edward I Altman vào năm 1968 tại trường kinh doanh Leonard N Stern, Đại học New York, dựa trên nghiên cứu sâu rộng nhiều công ty tại Mỹ Phương pháp này đã được áp dụng rộng rãi tại Mỹ và ngày càng được nhiều quốc gia khác sử dụng nhờ vào độ tin cậy của kết quả kiểm nghiệm.

Giáo sư Altman đã thực hiện một nghiên cứu sâu rộng với dữ liệu tài chính và thị trường từ năm 1946 đến 1965, tập trung vào 66 công ty cổ phần hóa trong ngành sản xuất Nghiên cứu chia các công ty thành hai nhóm: nhóm 1 gồm 33 công ty đã phá sản và nhóm 2 gồm 33 công ty vẫn hoạt động bình thường đến năm 1966 Các công ty trong nhóm 2 được chọn tương ứng với nhóm 1 dựa trên quy mô tài sản Để tăng cường độ tin cậy, giáo sư Altman cũng đã tiến hành thử nghiệm lại với dữ liệu của 25 doanh nghiệp khác.

12 quả chính xác với xác suất 96%

Công thức của mô hình Z-score như sau:

X 1 = Vốn lưu động / Tổng tài sản

X 2 = Lợi nhuận giữ lại / Tổng tài sản

X 3 = Lợi nhuận trước thuế và lãi vay / Tổng tài sản

X 4 = Giá trị thị trường của vốn chủ sở hữu / Nợ phải trả

X 5 = Doanh thu / Tổng tài sản

Các biến từ X1 đến X4 có đơn vị là tỷ lệ phần trăm, ví dụ nếu X1 = 10%, thì trong mô hình sẽ được tính là X1 = 10, thay vì 0,1 Đối với biến X5, khi đưa vào mô hình, giá trị vẫn được giữ nguyên Qua quá trình phát triển, mô hình đã được điều chỉnh để thuận tiện hơn, cho phép các biến không cần phải chuyển đổi sang tỷ lệ phần trăm.

Cách phân loại doanh nghiệp theo Z

- Nếu Z > 2,99: Doanh nghiệp nằm trong vùng an toàn, tài chính lành mạnh, không phá sản

- Nếu 1,8 < Z < 2,99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản

- Nếu Z < 1,8: Doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ phá sản cao

Mô hình Altman có khả năng dự đoán chính xác 83% khả năng phá sản trong vòng 2 năm trước khi sự kiện xảy ra, nhưng độ chính xác giảm dần khi thời gian kéo dài hơn 2 năm Nghiên cứu này đã cung cấp bằng chứng thực nghiệm mạnh mẽ, khẳng định tính hữu dụng của dữ liệu tài chính và dữ liệu thị trường trong việc dự báo tình trạng phá sản.

Giáo sư Altman đã tiếp tục nghiên cứu để khắc phục nhược điểm của mô hình và cải thiện độ chính xác trong dự báo Năm 1977, ông tiến hành nghiên cứu với mẫu dữ liệu tài chính và thị trường của 111 công ty trong ngành sản xuất và bán lẻ từ năm 1969 đến 1975 Kết quả cho thấy độ chính xác của mô hình trong việc dự báo thời gian từ 2 đến 5 năm trước khi xảy ra phá sản đã được cải thiện, gần đạt mức độ chính xác của dự báo 1 năm trước khi phá sản.

Giáo sư Altman trong quá trình nghiên cứu đã phát hiện rằng các loại hình công ty khác nhau mang lại kết quả dự báo khác nhau Mô hình Z-score (1968) chỉ phù hợp cho doanh nghiệp cổ phần hóa trong ngành sản xuất Vì vậy, ông đã phát triển nhiều công thức khác nhau từ mô hình ban đầu năm 1968 để áp dụng cho từng trường hợp cụ thể, bao gồm cả doanh nghiệp chưa cổ phần hóa trong ngành sản xuất.

Cách phân loại doanh nghiệp theo Z’

- Nếu Z’ > 2,9: Doanh nghiệp nằm trong vùng an toàn, tài chính lành mạnh, không phá sản

- Nếu 1,23 < Z’ < 2,9: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản

Nếu Z’ < 1,23, doanh nghiệp đang ở trong vùng nguy hiểm và có nguy cơ phá sản cao Đối với các doanh nghiệp phi sản xuất như bất động sản và tài chính, mô hình Z-score (1995) được áp dụng để đánh giá tình hình tài chính.

Cách phân loại doanh nghiệp theo Z”

- Nếu Z” > 2,6: Doanh nghiệp nằm trong vùng an toàn, tài chính lành mạnh,

- Nếu 1,1 < Z” ≤ 2,6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản

- Nếu Z” ≤ 1,1: Doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ phá sản cao

Mô hình Z-score (1995) có thể áp dụng cho hầu hết các ngành và loại hình doanh nghiệp Công thức tính đã được điều chỉnh bằng cách loại bỏ biến số X5 (tỷ số doanh thu trên tổng tài sản) do sự khác biệt lớn giữa các ngành Chẳng hạn, tỷ số doanh thu trên tổng tài sản của ngành dịch vụ phần mềm thường thấp hơn so với ngành thương mại bán lẻ, vì vậy chỉ tiêu X5 không phù hợp cho một số ngành.

Mặc dù có sự khác biệt nhẹ giữa các ngành nghề, như X1 của ngành sản xuất thường thấp hơn ngành thương mại, những khác biệt này có thể được tính bình quân bù trừ Trong mô hình Z-score (1983) và Z-score (1995), biến X4 được xác định bằng giá trị sổ sách của vốn chủ sở hữu so với nợ phải trả.

Mối quan hệ của các chỉ số X

Khi tăng Tổng tài sản từ X1 đến X5, các chỉ số X sẽ giảm, dẫn đến chỉ số Z cũng giảm Mặc dù Tổng tài sản tăng có thể kéo theo sự gia tăng của Vốn lưu động và Doanh thu, như khi mở thêm cửa hàng hay nhập hàng hóa số lượng lớn, nhưng nếu việc tăng tài sản không dựa trên nhu cầu thực tế và không được khai thác hiệu quả, như đầu tư dàn trải hay tồn kho lớn, thì mẫu số của các công thức sẽ tăng nhanh hơn tử số, làm giảm chỉ số Z xuống mức nguy hiểm.

Dựa trên các công thức tính chỉ số tài chính và phương trình Z, có thể rút ra những nhận xét quan trọng về quản trị nhằm nâng cao năng lực tài chính của công ty Việc áp dụng các chỉ số này giúp đánh giá hiệu quả hoạt động, tối ưu hóa nguồn lực và cải thiện khả năng sinh lời Đồng thời, quản lý tài chính chặt chẽ sẽ tạo điều kiện thuận lợi cho sự phát triển bền vững và tăng cường vị thế cạnh tranh trên thị trường.

Quản lý tốt tài sản là yếu tố nền tảng tăng năng lực tài chính: Tổng tài sản lớn

Đầu tư lớn có thể giúp tạo dựng hình ảnh và quy mô công ty, nhưng nếu không được khai thác hiệu quả, nó có thể làm suy yếu năng lực tài chính và tăng nguy cơ phá sản Việc đầu tư vượt quá khả năng nguồn vốn chủ sở hữu có thể làm tăng tổng tài sản nhanh chóng, nhưng cũng đồng thời đẩy doanh nghiệp đến bờ vực phá sản, thể hiện qua chỉ số Z giảm.

Trong giai đoạn 1990-2000, nhiều công ty trong ngành mía đường, xi măng và cơ khí đã đầu tư lớn vào thiết bị nhưng lại khai thác công suất quá thấp, dẫn đến tình trạng phá sản hoặc phải nhờ sự hỗ trợ từ Chính phủ.

Nhiều công ty hiện nay có khả năng mua xe ô tô cho ban lãnh đạo nhưng lại lựa chọn hình thức thuê dài hạn, điều này có thể làm tăng chi phí nhưng giúp giảm bớt tài sản không cần thiết Theo phương trình chỉ số Z, việc đầu tư tài sản đóng vai trò quan trọng; việc giảm tài sản hợp lý, bao gồm tài sản cố định và hàng hóa tồn kho, sẽ cải thiện đáng kể chỉ số Z Xu hướng thuê ngoài (Outsourcing) của các công ty lớn hiện nay nhằm giảm tài sản một cách hợp lý, từ đó cũng làm tăng chỉ số Z.

Lợi nhuận giữ lại đóng vai trò quan trọng trong việc tăng chỉ số Z, vì nó không chỉ làm tăng X2 mà còn có khả năng nâng cao X4 Việc tăng vốn chủ sở hữu từ lợi nhuận giữ lại giúp giảm nợ vay, do đó nhiều công ty nhỏ trong giai đoạn tăng trưởng mạnh thường quyết định giữ lại hầu hết lợi nhuận để gia tăng nguồn vốn.

Tổng quan các nghiên cứu về các mô hình dự báo khả năng phá sản của doanh nghiệp

2.3.1 Tổng quan các công trình nghiên cứu nước ngoài

Aziz và Dar (2006) đã tiến hành phân tích 89 nghiên cứu về dự báo phá sản doanh nghiệp từ năm 1968 đến 2003, tập trung vào phương pháp luận và kết quả thực nghiệm tại 10 quốc gia, bao gồm Phần Lan, Na Uy, Thụy Điển, Bỉ, Anh, Ý, Hy Lạp, Mỹ, Hàn Quốc và Úc Họ nhận thấy rằng các mô hình phân tích phân biệt đa biến (Altman, 1968) và logit (Ohlson, 1980) là hai phương pháp phổ biến nhất Qua việc xem xét tổng quan, có thể thấy rằng các mô hình dự báo phá sản doanh nghiệp chủ yếu dựa trên ba phương pháp: dự báo dựa vào sổ sách kế toán, dự báo dựa vào nhân tố thị trường và dự báo dựa vào trí tuệ nhân tạo.

Nhiều mô hình đã được phát triển để dự báo khả năng phá sản, nổi bật là các mô hình của Altman (1968), Ohlson (1980) và Zmijewski Những mô hình này thể hiện sự quan tâm sâu sắc của các nhà nghiên cứu đối với việc phân tích và dự đoán tình hình tài chính của doanh nghiệp.

Các mô hình dự báo phá sản, như của Altman (1968), Ohlson (1980) và Zmijewski (1984), là những công cụ phổ biến dựa trên các biến kế toán và kỹ thuật thống kê khác nhau Sức mạnh dự đoán của các mô hình này có sự khác biệt, với tỷ lệ chính xác lần lượt là 80,6%, 93,8% và 95,3% (Avenhuis, 2013) Nghiên cứu của Elviani và cộng sự (2020) đã xem xét độ chính xác của các mô hình này.

Nghiên cứu của Springate (1978), Altman (1980) và Zmijewski (1984) đã chỉ ra rằng mô hình của Springate và Altman có độ chính xác cao hơn trong việc dự báo phá sản của các công ty thương mại tại Indonesia Ngoài ra, Ashraf và cộng sự (2019) cũng khẳng định rằng các mô hình của Altman và Zmijewski đều hiệu quả trong việc dự đoán tình trạng tài chính khó khăn tại các thị trường mới nổi Những mô hình này có thể được áp dụng bởi các nhà quản trị doanh nghiệp, tổ chức tài chính và các nhà đầu tư nhằm nâng cao hiệu quả sản xuất kinh doanh.

Mô hình H-score của Fulmer, mặc dù không phổ biến như các mô hình khác, vẫn có một số nghiên cứu thực nghiệm chứng minh khả năng dự báo của nó Những nghiên cứu này, dù ít ỏi, đã chỉ ra kết quả tích cực về hiệu quả của mô hình trong việc dự đoán.

Nghiên cứu của Mackevicius và Sneidere (2010) đã chỉ ra rằng tỷ lệ dự báo thành công trong các nhóm ngành khác nhau ở Latvia đạt 83,6% cho ngành xây dựng, 81,2% cho ngành sản xuất và 90,55% cho ngành dịch vụ.

Các mô hình dự báo dựa vào sổ sách kế toán giúp phân biệt các công ty phá sản và công ty có tình hình tài chính ổn định, từ đó phân tích rủi ro phá sản doanh nghiệp Nhiều nghiên cứu đã áp dụng phương pháp này tại các quốc gia khác nhau, như nghiên cứu của Gu (2002) về các nhà hàng ở Mỹ, Pongsatat và cộng sự (2004) tại Thái Lan, Xu và Zhang (2009) ở Nhật Bản, và Monica cùng cộng sự (2012) tại Rumani Phương pháp này có ưu điểm là dữ liệu dễ thu thập từ báo cáo tài chính, cho kết quả chính xác cao, và phù hợp với nhiều loại hình doanh nghiệp Tuy nhiên, nhược điểm của nó là độ chính xác giảm khi thời gian dự báo kéo dài.

Phương pháp dự báo phá sản dựa vào yếu tố thị trường kết hợp cấu trúc đòn bẩy của công ty và giá trị thị trường của tài sản, mang lại thông tin hữu ích hơn về khả năng phá sản so với phương pháp dựa vào sổ sách kế toán, theo Hillegeist và cộng sự (2004) Tuy nhiên, Reisz và Perlich (2007) chỉ ra rằng mô hình dựa vào sổ sách kế toán, như mô hình của Altman, có hiệu quả vượt trội trong việc dự báo một năm trước khi xảy ra phá sản, nhưng hiệu quả này giảm dần khi khoảng thời gian dự báo kéo dài hơn.

Wu và cộng sự (2010) đã tiến hành nghiên cứu so sánh độ chính xác của năm mô hình dự báo phá sản, bao gồm Altman (1968), Ohlson (1980), Zmijewski (1984), Shumway (2001) và Hillegeist và cộng sự (2004), sử dụng dữ liệu từ các công ty niêm yết tại Mỹ Kết quả cho thấy mô hình của Shumway (2001) đạt hiệu suất tốt nhất, tiếp theo là mô hình của Hillegeist và cộng sự (2004) Mô hình Ohlson (1980) và Zmijewski (1984) cũng cho kết quả khả quan nhưng hiệu suất giảm dần theo thời gian, trong khi mô hình Altman (1968) có hiệu suất kém hơn.

26 so với bốn mô hình khác được phân tích

Phương pháp dự báo phá sản dựa vào nhân tố thị trường dựa trên giả thuyết thị trường hiệu quả, tuy nhiên, nhược điểm của phương pháp này là chỉ áp dụng cho các công ty niêm yết mà không xem xét các công ty tư nhân (Berg, 2007), dẫn đến một số giới hạn trong khả năng dự báo.

Odom và Sharda (1990) đã phát triển một mô hình trí tuệ nhân tạo để dự báo phá sản và so sánh độ chính xác phân loại với phân tích biệt số MDA, khẳng định rằng trí tuệ nhân tạo có thể ứng dụng hiệu quả trong dự báo phá sản Tiếp theo, Coats và Font (1993) đã áp dụng mô hình trí tuệ nhân tạo để đánh giá tình trạng tài chính doanh nghiệp, giúp phân biệt giữa các công ty có tình hình tài chính khỏe mạnh và những công ty có nguy cơ phá sản Kết quả nghiên cứu cho thấy phương pháp trí tuệ nhân tạo vượt trội hơn phương pháp biệt số MDA trong việc đo lường sức khỏe tài chính.

Kể từ những năm 2000, phương pháp dự báo phá sản doanh nghiệp đã được cải tiến nhờ trí tuệ nhân tạo, bao gồm các kỹ thuật như mạng nơ-ron, giải thuật di truyền, logic mờ, máy vectơ hỗ trợ và các phương pháp phân loại tập hợp Các kỹ thuật học máy như mạng nơ-ron và máy vectơ hỗ trợ cho thấy khả năng dự báo và phân loại tốt hơn so với các phương pháp truyền thống Nghiên cứu của Kumar và Ravi (2007) cùng Lessmann và cộng sự (2015) đã tổng quan về việc áp dụng các phương pháp thống kê và kỹ thuật máy học trong dự đoán phá sản Hiện nay, với sự phát triển của các thuật toán máy học và học sâu, các mô hình dự báo phá sản trở nên phức tạp hơn nhưng đạt độ chính xác cao hơn.

Các phương pháp dự báo phá sản doanh nghiệp được nghiên cứu bởi nhiều chuyên gia có những ưu điểm và hạn chế riêng Độ chính xác và tính phù hợp của các mô hình này thường phụ thuộc vào từng ngành nghề cụ thể.

27 doanh nghiệp và quốc gia nghiên cứu (Etemadi và cộng sự, 2008)

2.3.2 Tổng quan các công trình nghiên cứu trong nước

Trong những năm gần đây, đề tài phá sản tại Việt Nam đã thu hút sự chú ý đáng kể từ các nhà nghiên cứu Tuy nhiên, phần lớn các nghiên cứu hiện nay chủ yếu áp dụng phương pháp phân tích rủi ro phá sản dựa trên số liệu kế toán.

Mô hình Z-score của Altman, được Balcaen và Ooghe (2004) nhận định là công cụ dự báo phổ biến nhất, đã chứng minh khả năng dự báo chính xác trên 90% một năm trước đối với các doanh nghiệp tại Mỹ, Mexico và Thái Lan Do đó, nhiều tác giả tại Việt Nam cũng tin tưởng và áp dụng mô hình này để dự báo khả năng phá sản của doanh nghiệp.

Lê Cao Hoàng Anh và Nguyễn Thu Hằng (2012) chứng minh mô hình Z-score

PHƯƠNG PHÁP NGHIÊN CỨU

Thu thập số liệu

Dữ liệu trong bài viết được thu thập từ báo cáo tài chính của 56 công ty bất động sản niêm yết trên Sở giao dịch chứng khoán TP Hồ Chí Minh (HOSE) và Sở giao dịch chứng khoán Hà Nội (HNX) trong giai đoạn 2017 - 2020, trong đó có 43 công ty niêm yết trên HOSE.

Bài viết này đề cập đến 13 công ty niêm yết trên Sở giao dịch chứng khoán Hà Nội, với các tiêu chí chung được áp dụng theo kỹ thuật lấy mẫu có chủ đích Mẫu này đã được Reni Yendrawati và cộng sự trình bày vào năm 2020, khi lựa chọn tiêu chí cho các công ty niêm yết trong lĩnh vực bất động sản và xây dựng trên thị trường chứng khoán Indonesia, với tổng số 224 quan sát được thu thập.

Mẫu được thu thập thông qua các tiêu chí sau:

1 Công ty hoạt động trong ngành bất động sản

2 Công ty đã công bố đầy đủ các báo cáo tài chính và niêm yết trong giai đoạn 2017 – 2020

3 Công ty có năm tài chính kết thúc vào tháng 12

4 Công ty trình bày báo cáo tài chính bằng đồng Việt Nam

Bảng 3.1 Bảng các tiêu chí chọn mẫu nghiên cứu

STT Tiêu chí Số lƣợng

1 Công ty hoạt động trong ngành bất động sản 70

2 Công ty không có đầy đủ các báo cáo tài chính hoặc không niêm yết trong giai đoạn 2017 – 2020 (13)

3 Công ty không có năm tài chính kết thúc vào tháng 12 (1)

4 Công ty không trình bày báo cáo tài chính bằng đồng Việt

Phân tích và xử lý số liệu

Dữ liệu được thu thập từ các báo cáo tài chính của các công ty bất động sản niêm yết trên Sở giao dịch chứng khoán TP Hồ Chí Minh và Sở giao dịch chứng khoán Hà Nội trong giai đoạn 2017-2020 Một số tỷ số tài chính cần phải được tính toán qua bước trung gian, không thể trích xuất trực tiếp từ báo cáo.

Vốn lưu động = Tài sản ngắn hạn – Nợ ngắn hạn

Lợi nhuận giữ lại = Lợi nhuận sau thuế - Cổ tức

Lợi nhuận trước thuế và lãi vay = Lợi nhuận trước thuế + Lãi vay

Giá trị thị trường của vốn chủ sở hữu = Giá cổ phiếu * Số lượng cổ phiếu đang lưu hành

Tài sản hữu hình = Tổng tài sản – Tài sản cố định vô hình

Quy trình nghiên cứu

Hình 3.1 Quy trình nghiên cứu

Thu thập, tổng hợp dữ liệu từ các báo cáo tài chính

Mô hình Z-score Mô hình H-score

Tổng hợp kết quả dự báo của 2 mô hình

Kiểm định sự khác biệt trong khả năng dự báo của 2 mô hình Rút ra kết luận và kiến nghị

Nghiên cứu được thực hiện bao gồm các bước sau đây:

Bước 1: Thu thập, tổng hợp dữ liệu từ báo cáo tài chính của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam

Bước 2: Áp dụng mô hình Z-score và H-score để tính toán chỉ số Z-score, H-score và đối chiếu phân loại kết quả dự báo

Bước 3: Tổng hợp kết quả dự báo của 2 mô hình

Bước 4: Kiểm định sự khác biệt trong khả năng dự báo của 2 mô hình

Bước 5: Rút ra kết luận và kiến nghị.

Phương pháp nghiên cứu

Nghiên cứu này áp dụng phương pháp định lượng với mô hình Z-score và H-score nhằm dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam.

Dữ liệu mô hình được thu thập từ báo cáo tài chính và phân tích bằng phần mềm Excel, trong đó tác giả tính toán chỉ số Z-score và H-score để dự báo khả năng phá sản doanh nghiệp, đồng thời so sánh với tình huống thực tế nhằm ước tính độ chính xác Kiểm định Z-Test được áp dụng để kiểm tra sự khác biệt trong khả năng dự báo của hai mô hình Từ kết quả nghiên cứu, tác giả đưa ra kết luận và kiến nghị cho nhà quản trị, nhà đầu tư và các tổ chức tài chính Phương pháp định lượng dựa trên số liệu thực tế, đảm bảo tính khách quan và độ tin cậy cao.

Mô hình nghiên cứu

Mô hình Z-score được phát triển qua các năm để phù hợp với từng loại hình doanh nghiệp Cụ thể, mô hình Z-score năm 1968 được áp dụng cho các doanh nghiệp cổ phần hóa trong ngành sản xuất, trong khi mô hình Z-score năm 1983 dành cho các doanh nghiệp chưa cổ phần hóa trong cùng lĩnh vực Đối với các doanh nghiệp thuộc nhóm phi sản xuất, mô hình Z-score năm 1995 là công cụ phân tích thích hợp.

Mô hình Z-score, mặc dù được phát minh tại Mỹ, đã được kiểm nghiệm và áp dụng rộng rãi ở nhiều quốc gia, bao gồm cả các nền kinh tế phát triển và đang phát triển Các nghiên cứu kiểm định với các công ty vỡ nợ trên thị trường Mỹ cho thấy tính hiệu quả của mô hình này trong việc dự đoán khả năng phá sản.

Z-score (1968) có khả năng dự báo bất ổn với tỷ lệ chính xác 94% vào thời điểm một năm trước phá sản, tỷ lệ giảm xuống còn khoảng 72% trong vòng hai năm Trong khi đó, tại các mẫu kiểm định ở thị trường mới nổi như Mexico, Thái Lan, độ tin cậy của mô hình Z-score (1995) đạt hơn 70% vào thời điểm hai năm trước khi doanh nghiệp kiệt quệ tài chính (Bảng 3.2)

Bảng 3.2 Độ chính xác của mô hình Z-score

Số năm trước khi thất bại

Mô hình Z-score (1968) áp dụng tại thị trường Mỹ 1964-1968

Mô hình Z-score (1968) áp dụng tại thị trường Mỹ 1997-1999

Mô hình Z-score (1995) áp dụng tại thị trường Mexico 1994-1998

Mô hình Z-score (1995) áp dụng tại thị trường Thái Lan 1995-1999

(Nguồn: Tổng hợp từ các nghiên cứu của Altman (1968, 2000) và Narayanan (1999))

Sau khi phân tích ba phiên bản của mô hình Z-score, tác giả đã chọn mô hình Z-score năm 1995 để dự báo khả năng phá sản cho các doanh nghiệp bất động sản niêm yết tại Việt Nam Mô hình này đã loại bỏ biến X5, giúp tăng tính chính xác trong việc đánh giá rủi ro tài chính của các công ty.

Mô hình Z-score (1995) cho thấy tính chính xác cao trong việc đo lường rủi ro ở các doanh nghiệp sản xuất và phi sản xuất, đặc biệt là trong lĩnh vực bất động sản Nghiên cứu này đáp ứng mục tiêu nghiên cứu nhờ vào việc áp dụng mô hình cho cả hai nhóm doanh nghiệp Hơn nữa, Z-score đã được chứng minh là phù hợp với các đặc trưng của thị trường mới nổi, bao gồm khả năng tiếp cận vốn hạn chế, quy mô nhỏ và rủi ro thanh khoản cao (Altman, 2000).

Công thức mô hình Z-score (1995) có dạng như sau:

X 1 = Vốn lưu động / Tổng tài sản

X 2 = Lợi nhuận giữ lại / Tổng tài sản

X 3 = Lợi nhuận trước thuế và lãi vay / Tổng tài sản

X 4 = Giá trị sổ sách của vốn chủ sở hữu / Nợ phải trả

Cách phân loại doanh nghiệp:

- Nếu Z” > 2,6: Doanh nghiệp nằm trong vùng an toàn, không phá sản

- Nếu 1,1 < Z” ≤ 2,6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản

- Nếu Z” ≤ 1,1: Doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ phá sản cao

Công thức mô hình H-score có dạng như sau:

V 1 = Lợi nhuận giữ lại / Tổng tài sản

V 2 = Doanh thu / Tổng tài sản

V 3 = Lợi nhuận trước thuế và lãi vay / Vốn chủ sở hữu

V 4 = Dòng tiền từ hoạt động kinh doanh / Nợ phải trả

V 5 = Nợ phải trả / Tổng tài sản

V 6 = Nợ ngắn hạn / Tổng tài sản

V 7 = Logarit (Tài sản hữu hình)

V 8 = Vốn lưu động / Nợ phải trả

V 9 = Logarit (Lợi nhuận trước thuế và lãi vay / Lãi vay)

Sau khi tính toán chỉ số H, chúng ta sẽ đối chiếu kết quả dưới đây:

- Nếu H < 0: Doanh nghiệp có nguy cơ phá sản

- Nếu H ≥ 0: Doanh nghiệp an toàn

3.5.3 Độ chính xác của kết quả dự báo

Mô hình dự báo được coi là chính xác khi kết quả dự đoán trùng khớp với thực tế Độ chính xác của mô hình trong việc dự báo tình trạng phá sản của các công ty được thể hiện qua tỷ lệ giữa số lượng dự đoán đúng và tổng số quan sát trong toàn bộ mẫu.

Công thức tính độ chính xác:

Mức độ chính xác Số lượng dự báo đúng x 100%

Số lượng mẫu quan sát

Ngoài ra, nghiên cứu này cũng ước tính tỷ lệ phần trăm của lỗi phát sinh từ mô hình gồm có:

Lỗi loại I: Lỗi xảy ra khi mô hình dự báo kết quả phá sản nhưng thực tế công ty không phá sản

Lỗi loại II: Lỗi xảy ra khi mô hình dự báo kết quả không phá sản nhưng thực tế công ty phá sản

Công thức tính tỷ lệ lỗi:

Lỗi loại I = Số lượng dự báo đúng lỗi loại I x 100%

Lỗi loại II = Số lượng dự báo đúng lỗi loại II x 100%

KẾT QUẢ NGHIÊN CỨU VỀ ỨNG DỤNG MÔ HÌNH Z-

Mô tả số liệu

Bảng 4.1 Bảng thống kê mô tả các biến mô hình Z-score

Giá trị trung bình Độ lệch chuẩn

Bảng 4.1 cung cấp thống kê mô tả cho các biến giải thích X1 đến X4 và biến dự báo Z-score của mô hình Biến Z-score có giá trị dao động từ -6,24 đến 24,76, với giá trị trung bình là 3,91 và độ lệch chuẩn 3,32 Biến X1 dao động từ -0,25 đến 0,82, với giá trị trung bình 0,29 và độ lệch chuẩn 0,21 Biến X2 có khoảng dao động từ -0,9 đến 0,25, với giá trị trung bình 0,02 và độ lệch chuẩn 0,08 Biến X3 dao động từ -0,77 đến 0,32, với giá trị trung bình 0,06 và độ lệch chuẩn 0,08 Cuối cùng, biến X4 có khoảng dao động từ 0,11 đến 20,4, với giá trị trung bình 1,48 và độ lệch chuẩn 2,33.

Hình 4.1 Biểu đồ tần suất giá trị Z-score

Giá trị Z-score trong Hình 4.1 cho thấy phân bố không giống chuẩn và có xu hướng lệch phải, với các giá trị tập trung từ -0,54 đến 7,06 Biên độ Z-score đạt 31,0 (từ -6,24 đến 24,76), vượt xa các mốc so sánh của mô hình (1,1 đến 2,6), điều này đặt ra câu hỏi về tính phù hợp của mô hình Z-score trong việc dự báo phá sản cho các doanh nghiệp bất động sản niêm yết tại Việt Nam.

Hình 4.2 Biểu đồ tần suất giá trị X 1

Hình 4.2 cho thấy giá trị X1 có hình phân bố gần giống phân phối chuẩn Các giá trị X 1 tập trung trong khoảng từ -0,01 đến 0,47

Hình 4.3 cho thấy giá trị X2 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch trái Các giá trị X 2 tập trung trong khoảng từ -0,026 đến 0,112

Hình 4.4 cho thấy giá trị X 3 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch trái Các giá trị X3 tập trung trong khoảng từ -0,035 đến 0,161

Hình 4.5 cho thấy giá trị X4 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị X 4 tập trung trong khoảng từ 0,11 đến 2,71

Bảng 4.2 Bảng tương quan giữa các biến mô hình Z-score

Biến Z-score có mối tương quan dương mạnh với các yếu tố từ X1 đến X4, cho thấy rằng vốn lưu động, lợi nhuận và đòn bẩy tài chính đều ảnh hưởng đáng kể đến khả năng phá sản của doanh nghiệp.

Mặt khác, đa phần mức độ tương quan giữa các biến giải thích là yếu nhưng cá

Mức độ tương quan giữa biến X2 và biến X3 rất lớn, có thể giải thích do cả hai biến này đều sử dụng tổng tài sản làm mẫu số, với sự khác biệt ở tử số là lợi nhuận giữ lại hoặc lợi nhuận trước thuế và lãi vay Sự tương quan dương mạnh giữa X2 và X3 đặt ra câu hỏi liệu có nên sử dụng đồng thời cả hai biến này trong phân tích.

X 2 và biến X 3 hay cần có nghiên cứu sâu hơn về việc bỏ một trong hai biến này khỏi mô hình

Bảng 4.3 Bảng thống kê mô tả các biến mô hình H-score

Giá trị trung bình Độ lệch chuẩn

Bảng 4.3 cung cấp thống kê mô tả cho các biến giải thích từ V1 đến V9 và biến dự báo H-score trong mô hình Biến H-score có giá trị dao động từ -4,96 đến 13,96, với giá trị trung bình là 3,80 và độ lệch chuẩn là 1,74 Biến V1 có giá trị dao động từ -0,90 đến 0,25, với giá trị trung bình là 0,02.

Biến V2 có giá trị dao động từ 0 đến 1,01, với giá trị trung bình là 0,27 và độ lệch chuẩn là 0,2 Biến V3 dao động từ -2,83 đến 0,79, có giá trị trung bình là 0,13 và độ lệch chuẩn là 0,3 Biến V4 có khoảng dao động từ -1,0 đến 2,45, với giá trị trung bình là 0,08 và độ lệch chuẩn là 0,36 Cuối cùng, biến V5 dao động trong khoảng từ 0,05 đến 0,84, với giá trị trung bình là 0,51.

Biến V6 có giá trị dao động từ 0,01 đến 0,74, với giá trị trung bình 0,36 và độ lệch chuẩn 0,17 Biến V7 dao động từ 10,61 đến 14,60, với giá trị trung bình 12,43 và độ lệch chuẩn 0,69 Biến V8 có giá trị dao động từ -0,61 đến 12,29, với giá trị trung bình 0,83 và độ lệch chuẩn 1,22 Cuối cùng, biến V9 dao động trong khoảng từ -2,34 đến 3,73, với giá trị trung bình 0,84 và độ lệch chuẩn 0,91.

Hình 4.6 Biểu đồ tần suất giá trị H-score

Hình 4.6 cho thấy giá trị H-score phân bố gần giống với phân phối chuẩn, với các giá trị chủ yếu nằm trong khoảng từ 2,04 đến 6,04 Ngoài ra, có hai giá trị nhỏ hơn mức này.

Hình 4.7 Biểu đồ tần suất giá trị V 1

Hình 4.7 cho thấy giá trị V 1 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch trái Các giá trị V1 tập trung trong khoảng từ -0,026 đến 0,112

Hình 4.8 cho thấy giá trị V 2 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị V 2 tập trung trong khoảng từ 0 đến 0,36

Hình 4.9 cho thấy giá trị V3 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch trái Các giá trị V 3 tập trung trong khoảng từ -0,11 đến 0,4

Hình 4.10 cho thấy giá trị V 4 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị V 4 tập trung trong khoảng từ -0,16 đến 0,26

Hình 4.11 cho thấy giá trị V 5 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch trái Các giá trị V 5 tập trung trong khoảng từ 0,27 đến 0,71

Hình 4.12 cho thấy giá trị V 6 có hình phân bố gần giống phân phối chuẩn Các giá trị V 6 tập trung trong khoảng từ 0,11 đến 0,61

Hình 4.13 cho thấy giá trị V 7 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị V7 tập trung trong khoảng từ 11,41 đến 13,41

Hình 4.14 cho thấy giá trị V 8 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị V8 tập trung trong khoảng từ 0,09 đến 1,49

Hình 4.15 cho thấy giá trị V 9 có hình phân bố không giống phân phối chuẩn, mà có xu hướng lệch phải Các giá trị V 9 tập trung trong khoảng từ -0,26 đến 1,3

Bảng 4.4 Bảng tương quan giữa các biến mô hình H-score

Biến H-score có mối tương quan âm với biến V5 và V6, trong khi lại có tương quan dương với các biến khác Đặc biệt, biến H thể hiện mức độ tương quan tương đối mạnh với biến V1 (Lợi nhuận giữ lại / Tổng tài sản) và biến V8 (Vốn lưu động).

48 động / Nợ phải trả) và V 9 (Logarit của Lợi nhuận trước thuế và lãi vay / Lãi vay)

Từ đó cho thấy các yếu tố ảnh hưởng lớn đến khả năng phá sản của doanh nghiệp là lợi nhuận, vốn lưu động và đòn bẩy tài chính.

Thực trạng của ngành bất động sản và các doanh nghiệp bất động sản

4.2.1 Vai trò của ngành bất động sản trong nền kinh tế

Ngành bất động sản đóng vai trò quan trọng trong nền kinh tế Việt Nam, có mối liên hệ chặt chẽ với các thị trường tài chính, tiền tệ, xây dựng và vật liệu xây dựng, cũng như thị trường lao động Việc phát triển và quản lý hiệu quả ngành này không chỉ thúc đẩy sự phát triển kinh tế - xã hội mà còn thu hút nguồn vốn đầu tư, góp phần vào sự phát triển bền vững của đô thị và nông thôn, hướng tới công nghiệp hóa và hiện đại hóa đất nước.

Bảng 4.5 Một số chỉ tiêu đóng góp của ngành bất động sản

STT Chỉ tiêu Tỷ lệ

1 Tỷ trọng bất động sản/ tổng giá trị tăng thêm của khu vực doanh nghiệp (giai đoạn 2016 – 2020) 14,88%

2 Tỷ lệ lợi nhuận của doanh nghiệp bất động sản / tổng lợi nhuận toàn khối doanh nghiệp (2018) 7,12%

3 Thuế, phí bất động sản / ngân sách (2018) 10,3%

4 Đóng góp của nhân tố vốn là đất (giá trị của đất) vào

5 Đóng góp của bất động sản trong GDP (năm 2019) 10,49%

(Nguồn: Hiệp hội bất động sản Việt Nam, 2021)

Trong giai đoạn 2016-2020, doanh nghiệp bất động sản ước tính đóng góp 14,88% tổng giá trị tăng thêm của toàn bộ doanh nghiệp Năm 2018, thuế và phí từ ngành bất động sản chiếm 10,3% ngân sách nhà nước, trong khi năm 2019, ngành này đóng góp 10,49% vào GDP cả nước.

Bảng 4.6 Tác động của ngành bất động sản đến một số ngành khác

Khi nhóm ngành bất động sản giảm 10% Thay đổi

Nông nghiệp, lâm nghiệp và thủy sản -0,366%

Công nghiệp chế biến chế tạo -0,861%

(Nguồn: Hiệp hội bất động sản Việt Nam, 2021)

Theo Hiệp hội bất động sản Việt Nam, ngành bất động sản có mối liên hệ chặt chẽ với hơn 40 ngành quan trọng khác trong nền kinh tế, bao gồm xây dựng, sản xuất, du lịch, vận tải, dịch vụ ăn uống và tài chính ngân hàng Nếu giá trị sản xuất của ngành bất động sản thay đổi 10%, GDP sẽ biến động khoảng 1,25% Ngành công nghiệp chế biến, chế tạo là lĩnh vực chịu ảnh hưởng nặng nhất với mức thay đổi 0,86%, tiếp theo là nông lâm thủy sản với 0,37%, và ngành du lịch cùng các dịch vụ khác với mức thay đổi 0,35%.

Bảng 4.7 Quy mô vốn hóa các ngành trên sàn HOSE

Ngành Giá trị vốn hóa

Tỷ trọng/ Tổng giá trị vốn hóa thị trường cổ phiếu (%)

6 Ngành, lĩnh vực còn lại 519.961 15,86

(Nguồn: Sở giao dịch chứng khoán thành phố Hồ Chí Minh, 2019)

Bảng 4.7 cho thấy quy mô vốn hóa của ngành bất động sản năm 2019 đứng thứ hai trên sàn HOSE với tỷ trọng 27,26%, chỉ xếp sau ngành ngân hàng 29,08%

Theo Hiệp hội bất động sản Việt Nam, quy mô ngành bất động sản dự kiến sẽ chiếm 22% tổng tài sản toàn nền kinh tế vào năm 2030 Năm 2020, tỷ lệ này đạt 20,8%, tương đương 205,26 tỷ USD trên tổng 986,82 tỷ USD Dự báo đến năm 2025, tỷ lệ sẽ tăng lên 21,2%, tương ứng với 462,7 tỷ USD trên tổng 2.183,09 tỷ USD.

Dự báo giá trị tăng thêm của ngành bất động sản sẽ đạt khoảng 1.249,8 nghìn tỷ đồng vào năm 2025, chiếm 9,72% GDP, và khoảng 3.428,7 nghìn tỷ đồng vào năm 2030, chiếm 13,6% GDP Những con số này cho thấy vai trò quan trọng của ngành bất động sản đối với nền kinh tế.

4.2.2 Tình hình thị trường bất động sản

Năm 2021, kinh tế Việt Nam đối mặt nhiều thách thức do tác động tiêu cực của đại dịch Covid-19, đặc biệt là thị trường bất động sản Hoạt động kinh doanh của các doanh nghiệp gặp khó khăn, dẫn đến hàng loạt dự án phải tạm dừng xây dựng Đồng thời, số lượng dự án phát triển nhà ở và bất động sản mới được cấp phép tiếp tục giảm, làm suy giảm nguồn cung bất động sản trên thị trường.

Bảng 4.8 Số lƣợng các dự án bất động sản đƣợc cấp phép năm 2020 và 2021

Số lƣợng dự án Quy mô (căn)

Bảng 4.8 cho thấy số lượng dự án mới được cấp phép năm 2021 là 239 dự án

51 ít hơn nhiều so với năm 2020 là 743 dự án, chỉ bằng 32,17% của năm 2020

Bảng 4.9 Số lƣợng các dự án bất động sản hoàn thành năm 2020 và 2021

Số lƣợng dự án Quy mô (căn)

Bảng 4.9 cho thấy số lượng dự án hoàn thành năm 2021 là 165 dự án ít hơn nhiều so với năm 2020 là 290 dự án, bằng khoảng 56,90%

Giá bất động sản tiếp tục tăng từ đầu năm 2021 bất chấp nền kinh tế bị giảm phát do dịch Covid-19, với sự gia tăng đáng kể ở đất nền và nhà ở Theo Bộ Xây dựng, từ cuối năm 2020 đến cuối năm 2021, giá đất nền tăng trung bình từ 20% đến 30%, dẫn đầu trong các nhóm Nhóm nhà ở riêng lẻ cũng ghi nhận mức tăng từ 15% đến 20%, trong khi căn hộ chung cư có mức tăng trung bình từ 5% đến 7%.

Bảng 4.10 Dƣ nợ tín dụng bất động sản năm 2021 ĐVT: tỷ đồng

Theo Bộ Xây dựng, tính đến ngày 31/12/2021, dư nợ tín dụng bất động sản chiếm 7% tổng dư nợ tín dụng, tương đương khoảng 700.000 tỷ đồng Mức dư nợ này được đánh giá là an toàn và nằm trong giới hạn cho phép theo nhận định của các chuyên gia ngân hàng.

Giá trị trái phiếu doanh nghiệp bất động sản phát hành năm 2021 đạt hơn 214 nghìn tỷ đồng, gấp ba lần so với 71 nghìn tỷ đồng năm 2020, với lãi suất từ 8% đến 13% mỗi năm Nhóm bất động sản chiếm 36% trong tổng giá trị trái phiếu doanh nghiệp phát hành, trong đó gần 30% trái phiếu không có tài sản đảm bảo hoặc chỉ được đảm bảo bằng cổ phiếu Việc các công ty bất động sản huy động vốn qua phát hành trái phiếu quy mô lớn và lãi suất cao mà không có tài sản đảm bảo sẽ gia tăng rủi ro cho thị trường tài chính.

4.2.3 Tình hình hoạt động của các doanh nghiệp bất động sản niêm yết

Hình 4.16 Tăng trưởng doanh thu của các doanh nghiệp bất động sản niêm yết

(Nguồn: Công ty chứng khoán Công Thương, 2020)

Hình 4.17 Tăng trưởng lợi nhuận gộp của các doanh nghiệp bất động sản niêm yết

Từ hình 4.16 và hình 4.17, có thể nhận thấy rằng tốc độ tăng trưởng doanh thu và lợi nhuận gộp của các doanh nghiệp bất động sản niêm yết trên 3 sàn HOSE, HNX, và Upcom (ngoại trừ VIC, VHM) đã liên tục giảm kể từ mức đỉnh năm 2015 Cụ thể, tốc độ tăng trưởng doanh thu giảm từ 63% vào năm 2015 xuống chỉ còn 9% vào năm 2019, trong khi đó, lợi nhuận gộp đã giảm mạnh từ 129% năm 2015 xuống mức âm -7% vào năm 2019.

Năm 2020, dịch bệnh Covid-19 đã gây ra tác động tiêu cực đến ngành bất động sản Việt Nam, khiến nhiều doanh nghiệp không thể triển khai các đợt chào bán dự án theo kế hoạch Các biện pháp giãn cách xã hội đã ảnh hưởng đến thu nhập của nhiều tầng lớp lao động, làm trì hoãn kế hoạch mua nhà và dẫn đến sự sụt giảm tổng cầu trong ngành So với cùng kỳ năm 2019, doanh thu và lợi nhuận gộp của toàn ngành giảm lần lượt 14% và 28%.

Hình 4.18 Biên lợi nhuận gộp của các doanh nghiệp bất động sản niêm yết

Hình 4.18 cho thấy biên lợi nhuận gộp của các doanh nghiệp bất động sản suy giảm kể từ năm 2018 đến tháng 9 năm 2020 với mức giảm từ 27% xuống còn 19%

Hình 4.19 Vòng quay hàng tồn kho và xây dựng cơ bản dở dang của các doanh nghiệp bất động sản niêm yết

Vòng quay hàng tồn kho và xây dựng cơ bản dở dang từ năm 2018 đến tháng 9 năm 2020 đã suy giảm, gần đạt mức thấp nhất trong thời kỳ bất động sản đóng băng.

Sau giai đoạn phục hồi và tăng trưởng mạnh mẽ từ năm 2011, thị trường bất động sản đang đối mặt với nhiều khó khăn từ năm 2016 đến 2020, tiềm ẩn nguy cơ rủi ro và phá sản cho các doanh nghiệp trong ngành.

Kết quả nghiên cứu

4.3.1 Kết quả dự báo phá sản

Bảng 4.11 Kết quả dự báo phá sản của mô hình Z-score và H-score

Chỉ tiêu Mô hình Z-score Mô hình H-score

Số lượng Tỷ lệ Số lượng Tỷ lệ

Theo bảng 4.11, mô hình Z-score dự báo có 26 kết quả nằm trong vùng nguy cơ phá sản (11,61%), 55 kết quả trong vùng cảnh báo (24,55%), và 143 kết quả trong vùng an toàn với tỷ lệ 63,84% Trong khi đó, mô hình H-score chỉ ra 2 kết quả có nguy cơ phá sản (0,89%) và 222 kết quả nằm trong vùng an toàn (99,11%), cho thấy tình hình tài chính lành mạnh và không có nguy cơ phá sản.

4.3.2 Phân loại theo quy mô tài sản của doanh nghiệp

Bảng 4.12 Kết quả Z-score phân loại theo quy mô tài sản của doanh nghiệp

Chỉ tiêu Giá trị tài sản lớn hơn 1.000 tỷ đồng

Giá trị tài sản từ

Giá trị tài sản nhỏ hơn 500 tỷ đồng

Số lượng Tỷ lệ Số lượng Tỷ lệ Số lượng Tỷ lệ

Theo Bảng 4.12, mô hình Z-score chỉ ra rằng các doanh nghiệp có nguy cơ phá sản cao nhất thường thuộc nhóm có giá trị tài sản lớn hơn 1.000 tỷ đồng Cụ thể, trong 26 dự báo phá sản, có 13 doanh nghiệp với giá trị tài sản trên 1.000 tỷ đồng, chiếm 50% Ngoài ra, có 7 doanh nghiệp có giá trị tài sản từ 500 đến 1.000 tỷ đồng, chiếm 26,9%, và 6 doanh nghiệp có giá trị tài sản dưới 500 tỷ đồng, chiếm 23,1%.

Bảng 4.13 Kết quả H-score phân loại theo quy mô tài sản của doanh nghiệp

Chỉ tiêu Giá trị tài sản lớn hơn 1.000 tỷ đồng

Giá trị tài sản từ

Giá trị tài sản nhỏ hơn 500 tỷ đồng

Số lượng Tỷ lệ Số lượng Tỷ lệ Số lượng Tỷ lệ

Bảng 4.13 cho thấy, với mô hình H-score các doanh nghiệp có nguy cơ phá sản cùng thuộc nhóm có giá trị tài sản từ 500 đến 1.000 tỷ đồng

4.3.3 Phân loại theo giá thị trường của cổ phiếu

Bảng 4.14 Kết quả Z-score phân loại theo giá thị trường của cổ phiếu

Chỉ tiêu Giá cổ phiếu nhỏ hơn mệnh giá

Giá cổ phiếu lớn hơn mệnh giá

Cổ phiếu của các doanh nghiệp có giá thị trường thấp hơn mệnh giá thường đối mặt với nguy cơ phá sản cao hơn Cụ thể, trong 26 trường hợp dự báo phá sản, có tới 17 trường hợp, tương đương 65,4%, có giá cổ phiếu trên thị trường dưới mệnh giá.

Bảng 4.15 Kết quả H-score phân loại theo giá thị trường của cổ phiếu

Chỉ tiêu Giá cổ phiếu nhỏ hơn mệnh giá

Giá cổ phiếu lớn hơn mệnh giá

Bảng 4.15 chỉ ra rằng các doanh nghiệp có cổ phiếu có giá thị trường thấp hơn mệnh giá đối mặt với nguy cơ phá sản cao hơn Cả hai mô hình Z-score và H-score đều cho thấy nhóm doanh nghiệp này có khả năng phá sản lớn hơn so với nhóm có giá cổ phiếu cao hơn mệnh giá.

4.3.4 Kết quả trung bình Z-score và H-score qua các năm

Hình 4.20 Kết quả Z-score trung bình từng năm trong giai đoạn 2017-2020

Hình 4.21 Kết quả H-score trung bình từng năm trong giai đoạn 2017-2020

Trong giai đoạn 2017-2020, Z-score và H-score trung bình của các công ty bất động sản niêm yết đã giảm, với Z-score giảm 12,91% và H-score giảm 7,19% Điều này cho thấy rằng các công ty này đang gặp khó khăn trong hoạt động và đối mặt với mức rủi ro phá sản ngày càng tăng.

4.3.5 Các công ty dự báo phá sản trong 2 mô hình

Các công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam giai

59 đoạn 2017-2020 được dự báo phá sản theo mô hình Z-score và mô hình H-score:

Bảng 4.16 Kết quả Z-score của các công ty nằm trong vùng phá sản STT

Năm Tên công ty Z-score

10 FDC 2018 CTCP Ngoại thương và Phát triển Đầu tư

Thành phố Hồ Chí Minh -0,21

11 FLC 2017 CTCP Tập đoàn FLC 1,05

14 NVT 2017 CTCP Bất động sản Du lịch Ninh Vân Bay -6,24

15 PVL 2017 CTCP Đầu tư Nhà Đất Việt -2,57

16 PVL 2018 CTCP Đầu tư Nhà Đất Việt 0,45

17 PVL 2019 CTCP Đầu tư Nhà Đất Việt -0,03

18 PVL 2020 CTCP Đầu tư Nhà Đất Việt 0,35

19 SJS 2019 CTCP Đầu tư Phát triển Đô thị và Khu công nghiệp Sông Đà 0,99

20 SJS 2020 CTCP Đầu tư Phát triển Đô thị và Khu công nghiệp Sông Đà 0,93

21 TDC 2018 CTCP Kinh doanh và Phát triển Bình

24 TDH 2019 CTCP Phát triển Nhà Thủ Đức 1,09

25 TDH 2020 CTCP Phát triển Nhà Thủ Đức 0,42

26 VIC 2017 Tập đoàn VINGROUP - CTCP 0,99

Bảng 4.16 cho thấy mô hình Z-score có 4 công ty có kết quả dự báo phá sản từ

3 năm hoặc 4 năm liền, đó là CTCP Đệ Tam (DTA), CTCP Tập đoàn FLC (FLC),

CTCP Đầu tư Nhà Đất Việt (PVL), CTCP Kinh doanh và Phát triển Bình Dương (TDC)

Ngoài ra có 3 công ty có kết quả dự báo phá sản trong 2 năm 2019 và năm

Năm 2020, các công ty như CTCP DRH Holdings (DRH), CTCP Đầu tư Phát triển Đô thị và Khu công nghiệp Sông Đà (SJS) và CTCP Phát triển Nhà Thủ Đức (TDH) cần được chú ý.

Các công ty này thường có vốn lưu động trên tổng tài sản (X1) âm hoặc gần bằng 0, cho thấy khó khăn trong việc chi trả các khoản nợ ngắn hạn từ tài sản lưu động hiện có Vốn lưu động là chỉ số tài chính phản ánh tính thanh khoản ngắn hạn của doanh nghiệp, và khi giá trị này âm, sức khỏe tài chính trong ngắn hạn trở nên kém an toàn Nếu tình trạng vốn lưu động âm kéo dài qua nhiều năm, đây là tín hiệu rõ ràng cảnh báo nguy cơ phá sản.

Các công ty này có biến số X2 (lợi nhuận giữ lại trên tổng tài sản) và X3 (lợi nhuận trước thuế và lãi vay trên tổng tài sản) thường có giá trị âm hoặc gần bằng 0, cho thấy hoạt động kinh doanh không mang lại lợi nhuận hoặc cần bù lỗ Ba biến số X1, X2, X3 là những yếu tố có hệ số cao nhất ảnh hưởng đến Z-score; sự giảm sút của các biến số này dẫn đến việc Z-score cũng giảm theo.

Bảng 4.17 Kết quả H-score của các công ty nằm trong vùng phá sản

STT Mã chứng khoán Năm Tên công ty H-score

2 NVT 2017 CTCP Bất động sản Du lịch

Bảng 4.17 chỉ ra rằng mô hình H-score dự đoán hai công ty sẽ phá sản, bao gồm CTCP COMA 18 (CIG) vào năm 2020 và CTCP Bất động sản Du lịch Ninh Vân Bay (NVT) vào năm 2017 Kết quả kinh doanh kém cỏi đã dẫn đến chỉ số Lợi nhuận giữ lại / Tổng tài sản (V1) âm lớn, từ đó làm H-score cũng trở thành âm Biến số này có ảnh hưởng mạnh nhất đến H-score với hệ số 5,528 Đối với CTCP Bất động sản Du lịch Ninh Vân Bay (NVT), lợi nhuận sau thuế cũng gặp khó khăn.

Giai đoạn từ năm 2018 đến năm 2020, chỉ số H-score đã cải thiện đáng kể, ghi nhận con số dương và đạt vùng an toàn Đối với CTCP COMA 18 (CIG), cần chờ đợi báo cáo tài chính năm 2021 để theo dõi kết quả hoạt động kinh doanh của công ty.

Bảng 4.18 ROA của một số công ty có kết quả dự báo phá sản trong giai đoạn

Lợi nhuận ròng trên tổng tài sản (ROA) là chỉ số tài chính quan trọng, phản ánh hiệu quả sử dụng tài sản của công ty trong việc tạo ra lợi nhuận Chỉ số này cho biết doanh nghiệp kiếm được bao nhiêu lợi nhuận trên mỗi đồng tài sản Một ROA âm hoặc gần bằng 0 cho thấy khả năng sử dụng tài sản của doanh nghiệp không hiệu quả.

Các công ty dự báo phá sản trong bảng 4.18 có lợi nhuận ròng trên tổng tài sản thấp dưới 5% và có xu hướng giảm từ 2017 đến 2020, cho thấy sự kém hiệu quả trong hoạt động Trong số đó, CTCP COMA 18 có ROA giai đoạn 2017-2019 rất thấp, gần như 0% Đặc biệt, vào năm 2020, CTCP COMA 18 được dự báo có nguy cơ phá sản với ROA ở mức rất thấp -25,46%.

CTCP Bất động sản Du lịch Ninh Vân Bay được dự báo sẽ phá sản vào năm 2017 với ROA đạt -85,26% Tuy nhiên, từ năm 2018 đến 2020, công ty đã có sự phục hồi đáng kể khi ROA lần lượt tăng lên 5,37%, 8,72% và 3,59%.

Độ chính xác của 2 mô hình

Bảng 4.19 Bảng ma trận nhầm lẫn theo Z-score

Phá sản Không phá sản

Lỗi loại I: Mô hình Z-score dự báo có 26 kết quả phá sản nhưng thực tế công ty không phá sản Tỷ lệ lỗi loại I xảy ra là 26 / 224 * 100% = 11,61%

Mô hình Z-score trong phân tích tài chính đã dự báo 143 doanh nghiệp không phá sản, trong khi thực tế có 224 doanh nghiệp không phá sản Kết quả cho thấy mô hình không gặp phải lỗi loại II, với độ chính xác đạt 63,84% được tính bằng cách chia 143 cho 224 và nhân với 100%.

Bảng 4.20 Bảng ma trận nhầm lẫn theo H-score

Phá sản Không phá sản

Lỗi loại I: Mô hình H-score dự báo có 2 kết quả phá sản nhưng thực tế công ty không phá sản Tỷ lệ lỗi loại I xảy ra là 2 / 224 * 100% = 0,89%

Mô hình H-score đã dự báo 222 kết quả không phá sản, trong khi thực tế có 224 kết quả không phá sản, cho thấy rằng mô hình này không gặp phải lỗi loại II.

63 Độ chính xác của mô hình H-score là 222 / 224 * 100% = 99,11%

Bảng 4.21 Bảng tổng hợp độ chính xác của 2 mô hình

Nội dung Mô hình Z-score Mô hình H-score Độ chính xác 63,84% 99,11%

Bảng 4.21 chỉ ra sự khác biệt giữa hai mô hình dự báo khả năng phá sản trong ngành bất động sản niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn này.

Từ năm 2017 đến 2020, mô hình Z-score đạt độ chính xác 63,84% với tỷ lệ lỗi loại I là 11,61% và không ghi nhận lỗi loại II Ngược lại, mô hình H-score có độ chính xác cao hơn, đạt 99,11%, với tỷ lệ lỗi loại I chỉ 0,89% và không xảy ra lỗi loại II.

Kết quả thống kê cho thấy, trong giai đoạn 2017-2020, mô hình H-score có khả năng dự báo chính xác hơn so với mô hình Z-score đối với các công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam Đồng thời, tỷ lệ mắc sai lầm loại I của mô hình H-score cũng thấp hơn so với mô hình Z-score.

Kiểm định sự khác biệt trong khả năng dự báo phá sản của 2 mô hình

Dựa trên kết quả thống kê, mô hình Z-score và H-score cho thấy sự khác biệt trong khả năng dự báo phá sản Nghiên cứu sử dụng kiểm định Z-Test để xác định xem sự khác biệt này có ý nghĩa thống kê hay không.

Kiểm định Z-Test là phương pháp thống kê dùng để xác định sự khác biệt có ý nghĩa giữa hai nhóm mẫu có kích thước bằng nhau về các giá trị quan tâm, dựa trên một mức ý nghĩa nhất định Phương pháp này đặt ra giả thiết để kiểm tra tính chính xác của kết quả.

H 0 : Không có sự khác biệt trong khả năng dự báo của mô hình Z-score và H-score

Bảng 4.22 Kết quả kiểm định Z-Test với mức ý nghĩa 5%

Mô hình Z-score Mô hình H-score

P(Z

Tiêu đề	Ứng Dụng Mô Hình Z-Score Và H-Score Trong Dự Báo Khả Năng Phá Sản Của Các Doanh Nghiệp Bất Động Sản Niêm Yết Trên Thị Trường Chứng Khoán Việt Nam
Tác giả	Bùi Quang Minh
Người hướng dẫn	TS Nguyễn Đỗ Quyên
Trường học	Trường Đại Học Ngoại Thương
Chuyên ngành	Tài chính – Ngân hàng
Thể loại	luận văn thạc sĩ
Năm xuất bản	2022
Thành phố	Hà Nội

Định dạng
Số trang	94
Dung lượng	2,95 MB