Như vậy, nguyên nhân đẩy công ty lâm vào tình trạng kiệt quệ tài chính là đến từ chính nội tại bản thân của công ty, cụ thể là các quyết sách tài chính và chiến lược
kinh doanh của nhà quản trị. Bên cạnh đó, tác giả cũng không loại trừ các nguyên nhân khách quan khác bên ngoài tác động vào mà trong trường hợp tại Việt Nam chính là lạm phát, lãi suất cho vay và biến động tỷ giá hối đoái.
Từ những nguyên nhân trên mà từng công ty có các giải pháp tái cơ cấu riêng biệt nhằm thoát khỏi tình trạng kiệt quệ tài chính và duy trì hoạt động sản xuất kinh doanh. Mỗi giải pháp đưa ra đều có ưu nhược điểm riêng mà tại đó các nhà quản trị cần phải tỉnh táo đưa ra sự lựa chọn thích hợp.
Chương 4: Mô hình nghiên cứu 4.1 Nội dung nghiên cứu: 4.1.1 Mô hình hồi quy Logistic:
Bài nghiên cứu sử dụng mô hình hồi quy nhị phân Logistic với biến phụ thuộc chỉ nhận hai giá trị là 0 và 1. Biến phụ thuộc nhận giá trị 1 cho những quan sát (công ty) rơi vào tình trạng kiệt quệ tài chính và nhận giá trị 0 cho những quan sát (công ty) không rơi vào tình trạng kiệt quệ tài chính. Phương trình hồi quy Logistic xây dựng như sau:
= 1 =1 + exp (− )1 ,
Trong đó:
= + , + , +
= + , + , +
nhận giá trị là 1 khi công ty thứ i tại thời điểm t rơi vào tình trạng kiệt quệ tài chính và nhận giá trị là 0 trong trường hợp ngược lại. = 1 là xác xuất công ty thứ i đươc phân loại là kiệt quệ tài chính tại thời điểm t. Z là một hàm tuyến tính, trong đó X bao gồm các biến sổ sách, biến thị trường và Y là biến chỉ báo kinh tế vĩ mô có giá trị không đổi với toàn bộ các công ty trong dữ liệu nghiên cứu theo từng năm. và là các hệ số hồi quy.
Mô hình Logistic không phải là mô hình tuyến tính do vậy không thể sử dụng phương cách chuyển đổi phương trình để sử dụng phương pháp ước lượng OLS. Thay vào đó, phương pháp MLE (maximum likelihood estimation) được sử dụng để ước lượng các hệ số hồi quy của mô hình.
4.1.2 Đánh giá mô hình hồi quy:
Sau khi xác định được mô hình hồi quy, bước tiếp theo tác giả thực hiện các kiểm định đánh giá mức độ phù hợp của mô hình hồi quy. Có hai phương pháp để giải quyết vấn đề trên, thứ nhất là phương pháp đo lường mức độ phù hợp của các biến giải thích đối với biến phụ thuộc hay còn gọi là đo lường sức mạnh dự báo
(Measures of predictive power); thứ hai là phương pháp đánh giá mức độ phù hợp của mô hình hồi quy với dữ liệu (Goodness of fit tests).
Đo lường sức mạnh dự báo (Measures of predictive power):
Sử dụng AUC (Area Under the ROC Curve): AUC (Area Under the ROC Curve) là vùng diện tích vùng từ dưới đường ROC cho đến điểm có tọa độ (1,0) ở góc phải của đồ thị. Altman và các cộng sự (2010) đã cho rằng “vùng dưới đường cong ROC (AUC) là một công cụ đo lường mức độ chính xác trong dự báo của mô hình, với giá trị bằng 1 đại diện cho một mô hình hoàn hảo”. Hay nói cách khác, nếu đường ROC càng gần điểm (0,1) ở góc trái của đồ thị thị khả năng dự báo của mô hình càng tốt. Kiểm định phi tham số Mann – Whitney được sử dụng nhằm xem xét sự khác nhau giữa các giá trị AUC có thực sự khác nhau về mặt thống kê giữa các mô hình hay không.
Sử dụng hệ số phân loại Gini: Theo Anderson (2007), hệ số Gini được các nhà phân tích đưa vào sử dụng như một công cụ để đo lường ―một bảng phân loại có thể phân biệt giữa các quan sát tốt và các quan sát xấu hiệu quả đến mức độ nào. Hệ số Gini được tính theo công thức (2*AUC – 1). Một mô hình lý tưởng, tức là một mô hình phân loại hoàn hảo các quan sát tốt và các quan sát xấu, có hệ số Gini bằng 1.
Sử dụng R-Squared: đây là thước đo mức độ phù hợp của hàm hồi quy, nó cho biết phần trăm tổng biến thiên của biến phụ thuộc được giải thích bởi biến giải thích. R-Squared được sử dụng trong việc lựa chọn các mô hình dự báo dựa trên cùng một tập dữ liệu.Trong luận văn, tác giả sẽ tiến hành so
sánh các giá trị R-Squared nhằm củng cố hơn cho những kết luận suy ra từ hai giá tri AUC và hệ số phân loại Gini.
Đo lường mức độ phù hợp của mô hình (Goodness of fit tests): Phương pháp Hosmer-Lemeshow được sử dụng để kiểm định sự phù hợp của mô hình. Phương pháp này so sánh mức độ khớp giữa giá trị tiên đoán và giá trị quan sát, nếu 2 giá trị càng khớp thì mô hình sẽ càng phù hợp, các thống kê được tính theo phương pháp chi bình phương Pearson. Giả thuyết H0 trong kiểm định này là giá trị quan sát bằng giá trị mong đợi do vậy mô hình được đánh giá là phù hợp nếu có giá trị p-value lớn (p-value > 0.05).
4.1.3 Đo lường hiệu ứng cận biên (marginal effects):
Sau khi thực hiện hồi quy mô hình Logistic, tác giả có thể tìm ra giá trị của các hệ số ước lượng. Tuy nhiên, các hệ số hồi quy trong mô hình Logistic không cung cấp thông tin rõ ràng trong việc xác định mức độ thay đổi xác suất để biến phụ thuộc bằng 1 khi biến độc lập thay đổi một đơn vị, điều mà có thể dễ dàng suy ra từ hệ số hồi quy trong hồi quy tuyến tính. Hướng để tìm ra tác động cận biên của từng biến độc lập lên xác suất để biến phụ thuộc bằng 1 là tiến hành lấy vi phân phương trình đã tìm ra lần lượt theo từng biến đang cần xem xét. Dựa vào phương trình vi phân ta có thể phát biểu ý nghĩa hệ số hồi quy như sau: tại một giá trị biến độc lập cho trước, luôn tìm ra được sự thay đổi xác suất để biến phụ thuộc bằng 1 khi biến độc lập thay đổi một đơn vị, trong điều kiện các biến độc lập còn lại được giữ cố định ở giá trị trung bình.
4.2 Dữ liệu nghiên cứu:
Bài nghiên cứu sử dụng dữ liệu của các công ty phi tài chính niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HSX) và Sở Giao dịch Chứng khoán Hà Nội (HNX). Dữ liệu biến sổ sách và biến thị trường của bài nghiên cứu chủ yếu được thu thập từ nguồn dữ liệu của Vietstock và VnDirect. Dữ liệu kinh tế vĩ mô được thu thập dựa trên cơ sở dữ liệu của Ngân hàng Thế giới – World Bank, Quỹ
tiền tệ Quốc tế - TMF và Tổng cục Thống kê. Mẫu nghiên cứu được chọn trong vòng 6 năm từ năm 2008 đến năm 2013, gồm 573 công ty phi tài chính.
4.3 Xác định các biến số:
4.3.1 Xác định tình trạng kiệt quệ tài chính - Biến phụ thuộc (DIS):
Trong bài nghiên cứu, mẫu quan sát bao gồm các công ty kiệt quệ tài chính và các công ty không bị kiệt quệ tài chính. Biến DIS là biến nhị phân nhận giá trị “1” cho những công ty rơi vào tình trạng kiệt quệ tài chính và nhận giá trị “0” cho những công ty không bị kiệt quệ tài chính. Có nhiều các thức để xác định thế nào là một công ty kiệt quệ tài chính. Dựa vào các nghiên cứu trước đây, tác giả nhận thấy có hai xu hướng xác định công ty kiệt quệ tài chinh.
Thứ nhất là xác định dựa trên các dữ liệu kế toán. Denis và Denis (1990) xác định tình trạng kiệt quệ tài chính của khi lợi nhuận sau thuế của công ty âm trong 3 năm liên tiếp. Asquith, Gertner và Scharfstein (1994) sử dụng chỉ số khả năng thanh toán lãi vay để xác định tình trạng kiệt quê tài chính của công ty, một công ty được xác định là kiệt quệ khi mà EBITDA thấp hơn 80% chi phí lãi vay trong hai năm liên tiếp. Andrade và Kaplan (1998) cho rằng một công ty rơi vào trạng thái kiệt quệ tài chính ngay tại năm đầu tiên khi mà EBITDA thấp hơn chi phí lãi vay.
Thứ hai là kết hợp cả hai dữ liệu kế toán và dữ liệu thị trường. Phương pháp này cho phép các nhà nghiên cứu nắm bắt một cách toàn diện tình trạng kiệt quệ của công ty bằng việc kết hợp yếu tố tác động cả bên trong và bên ngoài.
Whitaker (1999) sử dụng dòng tiền và giá trị thị trường của công ty để xác định tình trạng kiệt quệ. Một công ty được xem là kiệt quệ khi dòng tiền tạo ra không đủ để đáo hạn các khoản nợ dài hạn cùng với sự sụt giảm trong giá trị thị trường của công ty. Theo Tinoco và Wilson (2013) một công ty xem là kiệt quệ EBITDA thấp hơn so với chi phí lãi vay (interest expense) và có mức tăng trưởng âm trong giá trị thị trường trong hai năm liên tiếp. Nếu EBITDA thấp hơn chi phí lãi vay, điều này có thể kết luận lợi nhuận hoạt
động không đủ để trang trải các nghĩa vụ tài chính; điều này sẽ dẫn đến hậu quả là thị trường cũng như các bên liên quan sẽ đánh giá tiêu cực về khả năng hoạt động của công ty đó. Do đó, việc sụt giảm trong giá trị thị trường được giải thích như là một dấu hiệu cho thấy một công ty đang chịu những tác động của kiệt quệ tài chính.
Trong luận văn này, phương pháp kết hợp dữ liệu kế toán và dữ liệu thị trường sẽ được sử dụng để xác định các công ty kiệt quệ, cụ thể là phương pháp của Tinoco và Wilson (2013). Tuy nhiên tác giả đề xuất sử dụng EBIT thay thế cho EBITDA vì EBITDA cho thấy mức lợi nhuận cao hơn thông thường và EBITDA khác với EBIT ở chỗ, EBIT không bao gồm khấu hao, còn EBITDA thì có khấu hao trong đó mà khấu hao lớn hay nhỏ, ít hay nhiều do nguyên tắc kế toán quyết định. Với các lập luận như vậy và với trường hợp mẫu tại Việt Nam, tác giả phân loại một công ty xảy ra kiệt quệ tài chính khi (i) EBIT thấp hơn so với chi phí lãi vay và (ii) công ty có mức tăng trưởng âm trong giá trị thị trường trong năm quan sát.
Bên cạnh đó, nhằm tăng quy mô và sức mạnh dự báo của mô hình trong thực tế, tác giả xem xét bổ sung các công ty bị hủy niêm yết bắt buộc trên SGDCK Tp. Hồ Chí Minh và SGDCK Hà Nội vào mẫu nghiên cứu. Theo Quy chế niêm yết của SGDCK Tp. Hồ Chí Minh và SGDCK Hà Nội, các trường hợp hủy niêm yết bắt buộc được quy định cụ thể như sau: (i) Tổ chức niêm yết không còn đáp ứng được một trong các điều kiện niêm yết hoặc (ii) Kết quả sản xuất, kinh doanh bị thua lỗ trong ba (03) năm liên tục hoặc tổng số lỗ luỹ kế vượt quá số vốn điều lệ thực góp trong báo cáo tài chính kiểm toán năm gần nhất trước thời điểm xem xét. Trong tổng số các quan sát, có 123 quan sát được phân loại là kiệt quệ tương ứng với tỷ lệ 4,36%
Bảng 4.1: Tổng kết tình trạng kiệt quệ tài chính theo năm quan sát
Không kiệt quệ
(Non-Distress) (Distress) Kiệt quệ Tổng %DIS
4.3.2 Xác định các yếu tố tác động đến khả năng kiệt quệ tài chính của công ty - Biến giải thích: công ty - Biến giải thích:
Dữ liệu được xử lý, kiểm tra một cách nghiêm ngặt và sử dụng một phương pháp mới để loại bỏ các quan sát ngoại lai. (Godfrey, 2009), cho rằng các giá trị ngoại lai có thể dẫn đến tình trạng lớn bất thường của phần dư (abnormally large residuals) và làm cho kết quả dự báo của mô hình hồi quy nhị phân logistic theo phương pháp maximum likelihood không còn phù hợp. Theo đó, sự tồn tại của các giá trị ngoại lai đối với một số quan sát trong cơ sở dữ liệu có thể làm thay đổi đáng kể kết quả hồi quy, Tinoco và Wilson (2013) đã sử dụng phương pháp chuyển đổi lượng giác hyperbolic tangent (TANH transformation) đối với một số biến để giải quyết vấn đề về các giá trị ngoại lai này. Tinoco và Wilson (2013) đã dựa theo lập luận của Godfrey (2009), khi sử dụng công cụ chuyển đổi này, giá trị chuyển đổi sẽ nằm trong phạm vi [-1;1] và khi x có giá trị nhỏ, thì TANH (x) ~ x. Vì vậy, hàm TANH được sử dụng để tạo ra một phép biến đổi tuyến tính cho các giá trị đầu vào nằm gần giá trị “mong đợi” trong khi giảm giá trị của các giá trị nằm ngoài vùng mong đợi. Trong luận văn này, tác giả cũng sử dụng cách chuyển đổi lượng giác này.
4.3.2.1 Các biến chỉ số tài chính - biến sổ sách:
Trong các nghiên cứu trước đây vế dự báo kiệt quệ tài chinh, tác giả nhận thấy có rất nhiều các biến tỷ số tài chính đưa vào mô hình nghiên cứu nhằm tìm ra các nhân tố tác động đến khả năng kiệt quệ tài chình của công ty. Altman (1968) sử dụng một tập hợp bao gồm 22 biến số, Ohlson(1980) sử dụng 7 biến số trong nghiên cứu của mình và Shumway (2001) sử dụng 8 biến sổ sách trong mô hình. Tựu trung lại, các biến tỷ số tài chính cho thấy tác động lên khả năng kiệt quệ tài chính của công ty và có đóng góp quan trọng trong các mô hình dự báo thường rơi vào 4 nhóm sau: nhóm chỉ số đòn bẩy tài chính, nhóm chỉ số thanh khoản, nhóm chỉ số khả năng sinh lời, nhóm chỉ số khả năng trả nợ. Tương ứng với mỗi nhóm, tác giả chọn ra một biến đại diện nhằm xây dựng một mô hình dự báo kiệt quệ cho trường hợp tại Việt Nam.
Biến Tỷ số tổng nợ trên tổng tài sản (Total Liabilities to Total Assets – TLTA)
đo lường đòn bẩy tài chính. Trong các nghiên cứu trước đây như: Zmijewski (1984), Shumway (2001), Chava và Jarrow (2004) và John Y. Campbell, Jens Hilscher, Jan Szilagyi (2008) và gần đây là Tinoco và Wilson (2013), biến TLTA đã cho thấy những đóng góp quan trọng trong dự báo kiệt quệ tài chính của công ty. Biến TLTA được thu thập từ Bảng Cân đối kế toán. Hàm TANH được sử dụng để giải quyết vấn đề những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác động bất thường lên kết quả hồi quy. Sau quá trình chuyển đổi bằng hàm TANH, đường thực tế của biến số TLTA có thể được biểu diễn trong khoảng [-1,1]. Với tỷ lệ đòn bẩy cao, công ty sẽ gánh chịu rủi ro tài chính cao và đẩy công ty tới khả năng bị kiệt quệ tài chính cao. Tương tự vậy, một giá trị nhỏ, hoặc âm của tỷ số TLTA cho thấy tài sản của công ty được tài trợ bởi vốn chủ sở hữu thay vì các khoản nợ. Dấu của biến số này được kỳ vọng sẽ là dấu dương (+), có nghĩa một giá trị cao hơn của biến này sẽ có tác động làm tăng khả năng kiệt quệ tài chính của công ty.
Biến Tỷ số vốn lưu động trên tổng tài sản (Working Capital to Total Assets - WCTA) đo lường khả năng thanh khoản. Vốn lưu động được tính toán bằng cách lất Tài sản ngắn hạn trừ đi Nợ ngằn hạn. Biến WCTA được sử dụng trong các nghiên cứu về kiệt quệ tài chính của Altman (1968), Ohlson(1980) và Shumway(2001). Nhằm loại bỏ các giá trị ngoại lai của một số quan sát trong mô hình hồi quy logistic, sau khi chuyển đổi bằng hàm lượng giác TANH, biến WCTA sẽ nhận các giá trị từ [-1;1], khi một giá trị lớn và dương (tiến về 1) cho thấy khả năng thanh khoản công ty tích cực. Ngược lại, một giá trị nhỏ, thậm chí âm, cho thấy tình trạng bấp bênh trong khả năng thanh khoản của công ty. Dẫn đến trong việc đáp ứng các nghĩa vụ tài chính. Vì vậy, tỷ số này cho một kỳ vọng dấu âm (–) trong mô hình hồi quy.
Biến Tỷ số lợi nhuận ròng trên tổng tài sản (Net Income to Total Assets – NITA) đo lường khả năng sinh lời. Biến NITA được sử dụng trong các nghiên cứu của Zmijewski (1984), Shumway(2001) và John Y. Campbell, Jens Hilscher và Jan Szilagyi (2008). Sự tồn tại của một công ty được quyết định cuối cùng dựa trên khả
năng sinh lời của tài sản, khả năng phá sản xảy ra khi tổng nợ phải trả vượt quá giá trị hợp lý của tài sản công ty được xác định bởi khả năng sinh lời của tài sản. Hàm TANH được sử dụng để giải quyết vấn đề những giá trị đột biến của các giá trị tỷ số này mà có thể gây tác động bất thường lên kết quả hồi quy. Sau quá trình chuyển