Ứng dụng các mô hình dự báo kiệt quệ tài chính tại các doanh nghiệp niêm yết trên thị trường chứng khoán việt nam

Trong mỗi mô hình này, biến kiệt quệ tài chính được mô tả bởi tình trạng bị hủy niêm yết bắt buộc của công ty: i Mô hình 1 là mô hình phân tích biệt số với các biến dự báo như trong mô h

CƠ SỞ LÝ THUYẾT VỀ KIỆT QUỆ TÀI CHÍNH CỦA DOANH NGHIỆP VÀ CÁC MÔ HÌNH DỰ BÁO

Cơ sở lý thuyết về kiệt quệ tài chính của doanh nghiệp

Kiệt quệ tài chính là thuật ngữ chỉ sự không đủ hoặc có rất ít khả năng thực hiện những cam kết, lời ước với các chủ nợ (Brealey & cộng sự, 2008) Nó được tin rằng là nguyên nhân chính dẫn đến sự sụp đổ của các doanh nghiệp và là kiệt quệ tài chính gay gắt dẫn đến phá sản (Isayas, 2021b) Mâu thuẫn cơ bản của kiệt quệ tài chính là chính sách tài trợ bằng nợ và sự hình thành đòn bẩy tài chính trong cơ cấu vốn của doanh nghiệp Theo Brealey (2008), kiệt quệ tài chính có thể đơn thuần mang tính nhất thời, gây ra một số rắc rối cho quá trình hoạt động của doanh nghiệp như mất đi cơ hội đầu tư, năng suất lao động giảm, mất tín với chủ đầu tư và ngân hàng.

Thuật ngữ này được hiểu và định nghĩa với những góc độ khác nhau theo những trường phái khác nhau Theo quan điểm của các nhà kinh tế học cổ điện, kiệt quệ tài chính là tình trạng doanh nghiệp thiếu tài sản (tiền) để trả nợ hay cổ tức ưu đãi, dẫn đến việc phải vay ngân hàng hoặc có nguy cơ phá sản Đó có thể là do dòng lưu chuyển tiền thuần của doanh nghiệp thấp hơn chi phí trả lãi dài hạn của doanh nghiệp (Wruck, 1990; Whitaker, 1999) hoặc do doanh nghiệp thiếu hụt tài sản có tính thanh khoản cao hoặc các tài sản tài chính ngắn hạn (Beaver, 1966; Carminchael, 1972) Góc nhìn về kiệt quệ tài chính của các nhà kinh tế học cổ điển nhấn mạnh về sự

“thiếu” trong tiền mặt hoặc tài sản có tính thanh khoản cao để có thể trả nợ Thế nhưng, quan niệm này không được sự ủng hộ của các nhà nghiên cứu khác Các nhà kinh tế khác mở rộng góc độ về kiệt quệ tài chính rằng nó còn liên quan đến tình trạng âm tài sản ròng âm (số nợ lớn hơn giá trị tài sản của doanh nghiệp) (Doumpos và Zopounidis, 1999) Cũng từ một nghiên cứu khác vào 1996 của các tác giả trên, hai ông cũng đồng nhất việc kiệt quệ tài chính với “thất bại” trong kinh doanh do không trả được nợ Thế nhưng, quan điểm này trái ngược với Altman (1993) khi “thất bại” không đồng nghĩa với việc doanh nghiệp đó phải ngừng hoạt động Bên cạnh đó, Ross, Westerfield & Jaffe (2002) cũng đúc kết rằng kiệt quệ tài chính là khi dòng lưu chuyển tiền tệ thuần từ việc kinh doanh không thể lớn để trả nợ

Thông qua các nghiên cứu trước đây, tác giả thấy rằng các quan niệm, góc nhìn về kiệt quệ tài chính rất đa dạng, đa chiều Tuy nhiên các quan điểm này có thể được đúc kết thành một khái niệm về kiệt quệ tài chính, đó là tình trạng doanh nghiệp thất bại trong kinh doanh, dẫn đến sự thiếu hụt các tài sản như tiền mặt hay các tài sản có tính thanh khoản cao khác, dẫn đến nguy cơ doanh nghiệp không thể thực hiện các nghĩa vụ thanh toán của mình hoặc tệ hơn là đóng cửa hoặc phá sản

1.1.2 Đo lường kiệt quệ tài chính của doanh nghiệp

Theo Brealey (2008), chi phí kiệt quệ tài chính là một trong những chỉ tiêu đo lường kiệt quệ tài chính của doanh nghiệp phù hợp nhất Chỉ tiêu này phụ thuộc vào khả năng xảy ra những kiệt quệ tài chính và độ lớn các khoản chi phí phát sinh có liên quan

Nó được chia thành hai loại là chi phí kiệt quệ tài chính trực tiếp và gián tiếp (Brealey, 2008; Arnold, 2013):

+ Chi phí kiệt quệ trực tiếp: Giá trị tài sản sụt giảm để bán do tính thanh khoản kém trong khi chi phí pháp lý và quản lý tăng Điều này khiến cho chủ doanh nghiệp phải cắt giảm đầu tư vào nghiên cứu và phát triển R&D hay các khoản đầu tư khác

+ Chi phí gián tiếp: Là việc sụt giảm địa vị, uy tín và hình ảnh doanh nghiệp Điều này dẫn đến việc mất đi các nhà đầu tư hay khách hàng tiềm năng Các nhà đầu tư hiện có yêu cầu tỷ suất sinh lời cao để họ tiếp tục đầu tư dẫn đến doanh nghiệp phải tăng chi phí vốn

Rủi ro kiệt quệ tài chính khiến doanh nghiệp sẽ phải chịu chi phí kiệt quệ tài chính, phát sinh những khoản tốn kém và làm giảm đi hiệu suất kinh doanh

Lý thuyết đánh đổi cơ cấu vốn về chi phí kiệt quệ doanh nghiệp và giá trị doanh nghiệp

Theo Arnold (2013), lý thuyết đánh đổi cơ cấu vốn thể hiện việc doanh nghiệp duy trì sử dụng nợ ở mức thấp thì rủi ro kiệt quệ tài chính sẽ thấp và chi phí kiệt quệ tài chính là cực kì nhỏ so với khoản tiết kiệm, dẫn đến giá trị doanh nghiệp cũng sẽ tăng lên và mức độ sử dụng nợ cũng sẽ tăng Nếu doanh nghiệp gia tăng mức độ sử dụng nợ ấy, chi phí kiệt quệ tài chính cũng sẽ cao và đến khi nó bằng giá trị tiết kiệm thì đạt tới ngưỡng sử dụng nợ tối ưu và giá trị doanh nghiệp ở mức cực đại Tuy nhiên, nếu tiếp tục tăng, chi phí kiệt quệ tài chính sẽ cao, vượt hơn giá trị tiết kiệm của doanh nghiệp, khi đó giá trị doanh nghiệp sẽ giảm.

Các mô hình dự báo kiệt quệ tài chính của doanh nghiệp

1.2.1 Mô hình phân tích biệt số

Mô hình mô hình phân tích biệt số (Discriminant Analysis – DA) được hiểu là mô hình sử dụng để phân loại các đối tượng (doanh nghiệp) vào một trong hai hay nhiều lớp (ổn định, không kiệt quệ) đã được xác định trước dựa vào các đặc tính mô tả đối tượng Nếu số lớp nhiều hơn hai thì mô hình trở thành mô hình phân tích biệt số bội hay mô hình phân tích đa khác biệt (Multivariate Discriminant Analysis - MDA). Được biết đến với tên gọi là các mô hình chấm điểm Z-score, mô hình phân tích biệt số của Altman được áp dụng rộng rãi trên thế giới đặc biệt trong hoạt động dự báo kiệt quệ tài chính hay phá sản của các ngân hàng.

Sau nhiều lần nghiên cứu và phát triển, Altman (1995) có cải tiến mô hình xây dựng từ năm 1968 khi đề xuất một mô hình dự báo phá sản đối với cả các công ty trong lĩnh vực dịch vụ Altman đã bỏ tỷ suất doanh thu trên tài sản trong mô hình năm 1968 để đảm bảo rằng mô hình có thể áp dụng cho tất cả các công ty kinh doanh trong mọi lĩnh vực Vì thế, mô hình mới (Z’’- score) khác mới mô hình Z-score thông thường (Altman, 1968) có 4 biến số tài chính, bao gồm: X1 (tỷ suất vốn lưu động trên tổng tài sản); X2 (tỷ suất lợi nhuận giữ lại trên tổng tài sản); X3 (tỷ suất lợi nhuận trước thuế và lãi trên tổng tài sản) và X 4 (tỷ suất giá trị thị trường của vốn chủ sở hữu trên giá trị sổ sách của tổng nợ).

Kết quả cho thấy, nếu Z’’ > 2,6: doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản; nếu 1,1 < Z’’ < 2,6: doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản; nếu Z’’ 2,99: Không mắc kiệt quệ tài chính

Z- Score < 1,1: Kiệt quệ tài chính Z-Score từ 1,1 đến 2,6: Vùng xám ( kết quả chưa chắc chắn)

Z-Score > 2,6: Không mắc kiệt quệ tài chính

Nguồn: thu thập của tác giả

Tuy nhiên, mô hình Altman (1968,1995) lại sử dụng phương pháp phân tích biệt số bội (doanh nghiệp được phân loại theo ba nhóm: phá sản, không phá sản, có nguy cơ phá sản) thì trong nghiên cứu này, các mô hình được ước lượng dựa vào phương pháp phân tích biệt số (công ty được phân loại theo hai trường hợp: bị hủy niêm yết và không bị hủy niêm yết bắt buộc)

2.4.2 Đánh giá độ tin cậy của mô hình a) Kiểm định các giả định hồi quy

• Kiểm định đa cộng tuyến

Bảng 2.9 Kết quả kiểm định đa cộng tuyến của mô hình Altman (1968)

Biến Năm thứ nhất Năm thứ 2 Năm thứ 3

Nguồn: Kết quả thống kê từ SPSS 20.0

Bảng 2.10 Kết quả kiểm định đa cộng tuyến của mô hình Altman (1995)

Biến Năm thứ nhất Năm thứ hai Năm thứ ba

Kết quả tính toán cho thấy, các hệ số VIF tính toán được đều nhỏ hơn 10 nên có thể nói giả định về không tồn tại hiện tượng đa cộng tuyến không bị vi phạm trong mô hình Altman (1968) và Altman (1995) trong cả ba năm trước dự báo

• Kiểm định phương sai sai số thay đổi

Kiểm định Spearman được thực hiện để tính toán hệ số tương quan giữa từng biến với giá trị tuyệt đối của phần dư được chuẩn hóa Khi các hệ số tương quan hạng Spearman giữa từng biến độc lập với giá trị tuyệt đối của phần dư được chuẩn hóa có mức ý nghĩa lớn hơn 0,05 thì kết luận không bác bỏ giả thuyết H0 (không tồn tại phương sai thay đổi) hay giả thuyết tồn tại phương sai thay đổi bị bác bỏ

Kết quả kiểm định Spearman đối với mô hình Altman (1968) trong cả ba năm dự báo cho biết các hệ số tương quan hạng đều có mức ý nghĩa lớn hơn 0,05 nên giả thuyết H0 không bị bác bỏ, nói cách khác, hiện tượng phương sai thay đổi không tồn tại trong mô hình Altman (1968) Tương tự, kết quả kiểm định cũng cho biết không tồn tại hiện tượng phương sai thay đổi không tồn tại trong mô hình Altman (1995)

Sau khi kiểm định giả thuyết về đa cộng tuyến và phương sai sai số thay đổi đối với mô hình Altman (1968) và mô hình Altman (1995) tại 3 thời điểm dự báo khác nhau, có thể kết luận có thể sử dụng các biến độc lập trên để dự báo kiệt quệ tài chính b) Kiểm tra ý nghĩa thống kê của các biến độc lập Đánh giá ý nghĩa thống kê của các biến này bằng tiêu chuẩn F để có thể lựa chọn được mô hình dự báo tốt nhất

Bảng 2.11 Kết quả kiểm định độ tin cậy của các biến dự báo trong mô hình Altman (1968)

Năm thứ nhất trước dự báo Năm thứ hai trước dự báo Năm thứ ba trước dự báo

Kết quả kiểm định trên cho thấy, mô hình Altman (1968) 1 năm trước dự báo có biến X1; mô hình Altman (1968) 2 và 3 năm trước dự báo đều có biến X1, X3 và X7 không có ý nghĩa thống kê

Bảng 2.12 Kết quả kiểm định độ tin cậy của các biến dự báo trong mô hình

Altman (1968) Năm thứ nhất trước dự báo Năm thứ hai trước dự báo Năm thứ ba trước dự báo

Kết quả kiểm định trên cho thấy các biến trong mô hình Altman (1995) 1 năm trước dự báo đều có ý nghĩa thống kê Hai biến không có ý nghĩa thống kê trong mô hình này 2 năm trước dự báo là biến X1 và X7 Trong khi đó, mô hình Altman (1995) 3 năm trước dự báo có 4 biến đều không có ý nghĩa thống kê, do đó, mô hình này không đủ tin cậy để tiếp tục thực hiện các bước dự báo tiếp theo c) Đánh giá độ tin cậy của mô hình Để đánh giá độ tin cậy của mô hình, giá trị Eigenvalue (đánh giá khả năng giải thích) của mô hình và tiêu chuẩn Wilks’ Lambda (cho biết ý nghĩa của hàm phân biệt) sẽ được sử dụng Liên quan đến ý nghĩa của hàm phân biệt được ước lượng, giả thuyết H0 được kiểm định là tổng thể các trung bình của các hàm phân biệt trong tất cả các nhóm là bằng nhau Kiểm định này được SPSS thực hiện thông qua đại lượng Wilks’ Lambda và đại lượng Chi-square Đại lượng Wilks’ Lambda càng nhỏ thì Chi-square càng lớn và càng có cơ sở bác bỏ giả thuyết H0 Như vậy, hàm có ý nghĩa khi giá trị của đại lượng Chi-square đủ lớn Các tiêu chuẩn này lần lượt được tính toán cho các mô hình Altman (1968) và mô hình Altman (1995) tại các thời điểm khác nhau

Bảng 3.10 cho thấy giá trị Eigenvalue tương ứng với hàm phân biệt xây dựng bởi mô hình Altman (1968) tại thời điểm 1 năm trước dự báo 0,574 và cũng chiếm tới 100% phương sai giải thích được nguyên nhân Hệ số tương quan canonical tương ứng là 0,584 Bình phương của hệ số này, (0,584)2 = 0,341, cho thấy 34,1% của phương sai biến phụ thuộc được giải thích bởi mô hình

Giá trị Eigenvalue ứng với hàm số ở thời điểm 2 năm trước dự báo là 0,352 và nó chiếm tới 100% phương sai giải thích được nguyên nhân Hệ số tương quan canonical tương ứng là 0,488 Bình phương của hệ số này, (0,488)2= 0,177, cho thấy hơn 23,8% của phương sai biến phụ thuộc được giải thích bởi mô hình

Giá trị Eigenvalue tương ứng với mô hình Altman (1968) ở thời điểm 3 năm trước dự báo là 0,145 và nó cũng chiếm tới 100% phương sai giải thích được nguyên nhân Hệ số tương quan canonical tương ứng là 0,237 Bình phương của hệ số này, (0,237)2 = 0,056, cho thấy 5,6% của phương sai biến phụ thuộc được giải thích bởi mô hình Như vậy, xét ở hệ số Eigenvalue, hàm số ước lượng trong mô hình Altman (1968) ở thời điểm 1 năm trước dự báo là tốt nhất sau đó đến hàm số ước lượng ở thời điểm 2 năm trước dự báo Phân tích khả năng giải thích của mô hình Altman (1995) cũng được thực hiện tương tự như đối với mô hình Altman (1968) khi áp dụng kết quả kiểm định trên Bảng 3.13

Bảng 2.13 Kết quả tính toán hệ số Eigenvalue của mô hình Altman (1968)

Năm Giá trị Eigenvalue Phương sai Lũy kế % Hệ số tương quan

Bảng 2.14 Kết quả tính toán hệ số Eigenvalue của mô hình Altman (1995)

*: không có ý nghĩa thống kê Nguồn: Kết quả thống kê từ SPSS 20.0 Kết quả tại Bảng 3.14 cho thấy, đối với hàm số trong mô hình Altman (1968) ước lượng tại thời điểm 1 năm trước dự báo, kết quả của đại lượng Wilks’ Lambda của hàm này là 0,599 chuyển thành đại lượng Chi-square gần bằng 50 với 3 bậc tự do, cũng với mức ý nghĩa quan sát rất nhỏ so với 5% Như vậy, có đủ cơ sở để bác bỏ giả thuyết H0

Tương tự như vậy, đối với hàm số ước lượng tại thời điểm 2 năm trước dự báo kết quả của đại lượng Wilks’ Lambda của hàm này là 0,823 chuyển thành đại lượng Chi- square là 17,863 với 3 bậc tự do Mức ý nghĩa quan sát rất nhỏ so với 5% cho phép đủ cơ sở để bác bỏ giả thuyết H0 Đối với hàm số ước lượng tại thời điểm 3 năm trước dự báo, kết quả của đại lượng Wilks’ Lambda của hàm này là 0,868 chuyển thành đại lượng Chi- square là 13,022 với 2 bậc tự do, với mức ý nghĩa quan sát rất nhỏ so với 5% Như vậy, cả ba hàm hàm số ước lượng được đánh giá có ý nghĩa với độ tin cậy là 95% Đánh giá về đại lượng Wilks’ Lambda (trên bảng 3.15) đối với mô hình Altman (1995) cũng được thực hiện tương tự như đối với mô hình Altman (1968)

Bảng 2.15 Kết quả tính toán hệ số Wilks’Lambda của mô hình Altman (1968)

Bậc tự do Ý nghĩa thống kê

Bảng 2.16 Kết quả tính toán hệ số Wilks’Lambda của mô hình Altman (1995)

Bậc tự do Ý nghĩa thống kê

*: không có ý nghĩa thống kê Nguồn: Kết quả thống kê từ SPSS 20.0

2.4.3 Đánh giá khả năng dự báo của mô hình a) Kết quả dự báo kiệt quệ tài chính của mô hình

Sau khi kiểm định sự phù hợp của mô hình nghiên cứu tiếp tục đánh giá khả năng dự báo của mô hình

Bảng 2.17 Kết quả của mô hình Altman (1968) thời điểm 1 năm trước dự báo

Tình trạng Số lượng trong nhóm Tổng

Nhóm dự báo Số lượng 0 35 9 44

Tình trạng Số lượng trong nhóm Tổng

Tình trạng Số lượng trong nhóm

Nhóm phân tích Số lượng 0 35 10

Khi áp dụng đối với các công ty phi sản xuất, mô hình Altman (1995) không có ý nghĩa tại thời điểm 3 năm trước dự báo Vì vậy, kết quả dự báo của mô hình Altman

(1995) tại 1 và 2 năm trước dự báo sẽ được thể hiện trên Bảng 3.17 và Bảng 3.18 Từ hai Bảng 3.17 và Bảng 3.18 có thể thấy có sự chênh lệch đáng kể về độ chính xác trong phân biệt và dự báo của mô hình Alman (1995) trong cả hai năm Nhận định này có thể xuất phát từ những hạn chế trong độ tin cậy của mô hình thể hiện ở các giá trị Eigenvalue (đánh giá khả năng giải thích) của mô hình và tiêu chuẩn Wilks’ Lambda (cho biết ý nghĩa của hàm phân biệt) Ngoài ra, kết quả dự báo trong năm thứ hai () cũng cao hơn kết quả dự báo tại năm thứ nhất đối với mô hình này

Nhóm dự báo Số lượng

Nguồn: Kết quả thống kê từ SPSS 20.0:

Nguồn: Kết quả thống kê từ SPSS 20.0: b) Kết quả đánh giá sai lầm của mô hình

Kết quả dự báo kiệt quệ tài chính của mô hình Logit

Mô hình tiếp theo là mô hình được xây dựng với các biến được giới thiệu và kiểm định bằng kỹ thuật Logistic của Ohlson (1980) Trong SPSS, mô hình này sau đó được phân tích bằng kỹ thuật Binary Logistic theo từng năm

2.5.1 Kết quả phân tích mô hình Logit tại thời điểm 1 năm trước dự báo

Tương tự như mô hình 1 và mô hình 2, kiểm định về đa cộng tuyến và phương sai thay đổi cũng được tiến hành đối với các biến độc lập trong mô hình 3 một năm trước dự báo Kết quả ước lượng cho thấy hai giả thuyết này không bị vi phạm và chuyển sang công việc tiếp theo là xác định mức ý nghĩa của các biến này trong mô hình trước khi đưa ra quyết định về mô hình cuối cùng sử dụng trong dự báo kiệt quệ tài chính

Kết quả dự báo kiệt quệ tài chính trong mô hình gốc khi sử dụng 7 biến đã lựa chọn Tuy nhiên, kết quả ước lượng cho thấy ngoại trừ biến X6 và X10, các biến còn lại đều không có ý nghĩa thống kê Vì vậy, để đảm bảo độ tin cậy của mô hình, các biến không ý nghĩa sẽ bị loại và mô hình 3 chỉ còn lại hai biến dự báo là X6 (LNTT/Tổng TS) và X10 (Nợ phải trả /Tổng TS)

Sau khi loại trừ các biến không ý nghĩa, mô hình 3 với hai biến dự báo được sử dụng với dữ liệu tại thời điểm 1 năm trước dự báo Mô hình được coi là phù hợp tổng quát với mức ý nghĩa bằng 0 khi điểm định Chi-square, thể hiện trong Bảng 3.26 Bảng 3.27 thể hiện độ phù hợp của mô hình thông qua chỉ tiêu -2LL Với quy tắc mô hình càng phù hợp thì -2LL càng nhỏ thì giá trị 106,934 cho thấy sự không chắc chắn về sự phù hợp của mô hình Bảng 3.28 cho biết ý nghĩa thống kê của các biến độc lập trong mô hình

Bảng 2.26 Kết quả kiểm định Omnibus của mô hình 1 năm trước dự báo

Chi-square df Mức ý nghĩa

Bảng 2.27 Kiểm định sự phù hợp của mô hình Logit 1 năm trước dự báo

Step -2 Log likelihood Cox & Snell R Square Nagelkerke R Square

Bảng 2.28 Các biến số trong mô hình Logit 1 năm trước dự báo

Bảng 2.29 Kết quả dự báo của mô hình Logit 1 năm trước dự báo

Nhóm phân tích Số lượng

Nguồn: Kết quả thống kê từ SPSS 20.0 2.5.2 Kết quả phân tích mô hình Logit tại thời điểm 2 năm trước dự báo

Nguồn: Kết quả thống kê từ SPSS 20

Nguồn: Kết quả thống kê từ SPSS 20.0 2.5.3 Kết quả phân tích mô hình Logit tại thời điểm 3 năm trước dự báo Đối với mô hình Logit tại thời điểm 3 năm trước dự báo, hai giả thuyết về không có hiện tượng đa cộng tuyến và phương sai thay đổi cũng không bị vi phạm

Kết quả dự báo kiệt quệ tài chính của mô hình Probit

Tương tự như mô hình Logit, mô hình Probit cũng có kết quả gần tương tự với mô hình Logit

Bảng 2.39 Kiểm định sự phù hợp của mô hình Probit 1 năm trước dự báo

Bảng 2.40 Các biến số trong mô hình Probit 1 năm trước dự báo

Bảng 2.41 Kết quả dự báo của mô hình Probit 1 năm trước dự báo

Bảng 2.44 Các biến số trong mô hìnhProbit 2 năm trước dự báo

Nguồn: Kết quả thống kê từ SPSS 20.0 2.6.3 Kết quả phân tích mô hình Logit tại thời điểm 3 năm trước dự báo Đối với mô hình Logit tại thời điểm 3 năm trước dự báo, hai giả thuyết về không có hiện tượng đa cộng tuyến và phương sai thay đổi cũng không bị vi phạm.

Bảng 2.48 Các biến số trong mô hình Probit 3 năm trước dự báo

Chương 2 mô tả kết quả ước lượng, độ tin cậy và khả năng dự báo kiết quệ tài chính của 3 mô hình đã được đề xuất từ Chương 1 Các kết luận chính thu được từ Chương 3 như sau:

Thứ nhất, các mô hình được đề xuất sử dụng để dự báo kiệt quệ tài chính của các doanh nghiệp niêm yết có chất lượng lượng ước tốt, kết quả dự báo có độ chính xác tương đối cao;

Thứ hai, sử dụng cùng một hệ thống biến độc lập, chất lượng dự báo của các mô hình khác nhau là khác nhau do sự khác biệt về dạng hàm và kỹ thuật;

Thứ ba, kết quả dự báo kiệt quệ tài chình của từng mô hình là khác nhau theo các năm (1 năm, 2 năm, 3 năm trước năm dự báo)

Tiêu đề	Ứng dụng các mô hình dự báo kiệt quệ tài chính tại các doanh nghiệp niêm yết trên thị trường chứng khoán Việt Nam
Tác giả	Nguyễn Thị Tuyết Lan, Nguyễn Võ Tuyết Trinh, Cao Thị Hồng Nguyên, Vũ Thị Hồng Nhung, Trần Ngọc Minh Thư
Người hướng dẫn	Ts. Nguyễn Thị Tuyết Lan
Trường học	Học viện Ngân hàng
Chuyên ngành	Tài chính
Thể loại	Đề tài cấp cơ sở
Năm xuất bản	2023
Thành phố	Hà Nội

Định dạng
Số trang	71
Dung lượng	1,38 MB