Kiểm định mức ý nghĩa mô hình cho biết khả năng giải thích của các biến đối với mô hình xây dựng. Đối với đề tài này, mức ý nghĩa của mô hình cho biết các biến đưa vào có khả năng giải thích bao nhiêu cho mô hình dự báo phá sản.
Bảng 4.10. Kiểm định ý nghĩa mô hình Step -2 Log
likelihood
Cox & Snell R Square Nagelkerke R Square 1 85,290a ,310 ,413 2 77,469b ,371 ,495 3 70,542b ,421 ,561 4 62,653c ,473 ,631 5 57,584d ,504 ,672 6 51,602d ,538 ,717 7 54,072d ,524 ,699
Nguồn: Tính toán và tổng hợp của tác giả
Bảng 4.10 trình bày mức ý nghĩa của mô hình. Gía trị này có ý nghĩa tương tự với R2 trong hồi quy bội. Tuy nhiên khác với hồi quy bội thông thường hệ số R2 càng lớn thì mô hình càng phù hợp, hồi quy Binary Logistic sử dụng chỉ tiêu - 2LL (-2 log likelihood) để đánh giá độ phù hợp của mô hình. Trong đó -2LL càng nhỏ thì độ phù hợp của mô hình càng cao. Ở đây ta thấy bước 8 là bước có hệ số -2LL tương đối thấp trong các bước (54,072).
Ta tiếp tục xem xét giá trị Cox & Snell R square cho thấy khả năng giải thích của mô hình. Ở bước 7 kết quả mô hình đạt tối ưu với giá trị là 0,524. Như vậy ta thấy các biến đưa vào có khả năng giải thích 52,4% mô hình. Hệ số Nagelkerke R Square thường có giá trị cao hơn Cox & Snell R square. Ở đây giá trị này là 0,669 điều ngày có nghĩa là có mối quan hệ mạnh xấp xĩ 69,9% giữa các biến dự báo và mô hình dự báo. Ở đây khả năng giải thích mô hình trên cả
79
hai chỉ số Cox & Snell R square và Nagelkerke R Square đều hơn 50%. Như vậy nhìn chung khả năng giải thích của mô hình xây dựng khá tốt và giải thích được phần lớn ý nghĩa của hiện tượng phá sản trên thị trường Việt Nam trên một số lượng biến khá phù hợp là 5 biến thay vì 9 biến như trong mô hình O-Score.
Cũng cần nói thêm trong mô hình hồi quy Binary Logistic cũng như các mô hình phân loại khác thì các kiểm định ý nghĩa mô hình chỉ mang tính tham khảo. Chỉ tiêu phản ánh tính phù hợp của mô hình chính là khả năng dự báo của mô hình đó.
4.5.2 Hàm dự báo và ngưỡng phá sản
Bảng 4.11. Các biến trong mô hình ( Trích gọn bảng 4.8)
B S.E. Wald df Sig. Exp(B)
Step 7 CATA 6,960 2,627 7,017 1 ,008 1053,752 TL/METL -8,814 3,050 8,352 1 ,004 ,000 CLCA 3,247 1,289 6,351 1 ,012 25,725 REME -2,317 1,310 3,128 1 ,077 ,099 REFA -4,628 2,078 4,958 1 ,026 ,010 Constant -1,918 1,494 1,649 1 ,199 ,147
Nguồn: Tính toán và tổng hợp của tác giả
Ngoài việc thống kê kết quả kiểm định Wald đối với các biến tham gia vào mô hình thì bảng 4.11 còn cho biết trọng số 1, 2,...,n trong mô hình dựa vào kết quả cột B. Như vậy ta có thể xây dựng được hàm dự báo phá sản đề xuất như sau:
6,960 8,814 / 3, 247 2,317 4, 628 1,918
PS CATA TL METL CLCA REME REFA
Trong đó:
PS: Hàm dự báo phá sản đề xuất
CATA: Tài sản ngắn hạn/ Tổng tài sản
80
CLCA: Nợ NH/ Tài sản ngắn hạn
REME: Lợi nhuận giữ lại/Giá trị thị trường VCSH
REFA: Lợi nhuận giữ lại/Tài sản cố định
Từ kết quả mô hình ta cho thấy 3 chỉ tiêu TL/METL, REME, REFA đều góp phần giảm thiểu nguy cơ phá sản của doanh nghiệp. Trong khi đó các biến CATA, CLCAtăng sẽ làm gia tăng nguy cơ phá sản của doanh nghiệp. Trong đó xét về trọng số biến có tác động lớn đến mô hình là 2 biến CATA và TL/METL. Ngoài ra từ hàm hồi quy Binary Logistic ta có thể ứng dụng để dự báo xác suất của trường hợp phá sản doanh nghiệp dựa trên hàm sau:
Theo đó giá trị pps càng lớn thì nguy cơ phá sản doanh nghiệp càng tăng. Cụ thể ở ngưỡng pps > 0,5 ta kết luận doanh nghiệp có nguy cơ phá sản cao, pps 0,5 ta kết luận doanh nghiệp chưa có nguy cơ phá sản.
4.5.3 Kết quả thống kê dự báo của mô hình
Bảng 4.12. Thống kê kết quả dự báo 1 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
Step 1 TINH TRANG Hoat dong 38 4 90,5 Pha san 14 28 66,7 Overall Percentage 78,6 Step 2 TINH TRANG Hoat dong 35 7 83,3 Pha san 13 29 69,0 Overall Percentage 76,2 1 PS PS PS e p e
81 Observed Predicted TINH TRANG Percentage Correct Hoat dong Pha san
Step 3 TINH TRANG Hoat dong 36 6 85,7 Pha san 13 29 69,0 Overall Percentage 77,4 Step 4 TINH TRANG Hoat dong 37 5 88,1 Pha san 11 31 73,8 Overall Percentage 81,0 Step 5 TINH TRANG Hoat dong 37 5 88,1 Pha san 10 32 76,2 Overall Percentage 82,1 Step 6 TINH TRANG Hoat dong 38 4 90,5 Pha san 9 33 78,6 Overall Percentage 84,5 Step 7 TINH TRANG Hoat dong 38 4 90,5 Pha san 10 32 76,2 Overall Percentage 83,3
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
Xem xét bảng 4.12 ta quan tâm đến kết quả phân loại của mô hình. Ta có thể thấy kết quả dự báo tổng thể của mô hình tăng dần từ mức 78,6% ở bước 1 lên đến 83,3% ở bước 7 sau khi thực hiện Stepwise.
Như đã trình bày trong bài nghiên cứu lựa chọn bước 7 là mô hình chính thức sử dụng. Trong đó khả năng dự báo doanh nghiệp khoẻ mạnh là 38/42 trường hợp với tỷ lệ 90,5%. Khả năng dự báo đối với doanh nghiệp phá sản là 32/42 trường hợp chiếm tỷ lệ 76,2%. Rõ ràng mô hình mới xây dựng cho khả
82
năng dự báo cao hơn so với mô hình O-Score khi ứng dụng trên thị trường Việt Nam.
Đánh giá khả năng dự báo 2 năm trước phả sản:
Ta tiến hành sử dụng mô hình đã xây dựng trên tiến hành đi kiểm định trên giai đoạn 2 năm trước phá sản nhằm đánh giá khả năng dự báo của mô hình xây dựng trên khoảng thời gian dài. Cho thấy trong trường hợp 2 năm trước phá sản khả năng dự báo tổng thể giảm xuống còn 80,95% trong đó khả năng dự báo chính xác nhóm doanh nghiệp khoẻ mạnh là 69,05% và đối với nhóm doanh nghiệp phá sản là 92,85%. Điều này cho thấy trong giai đoạn 2 năm mô hình vẫn đảm bảo được khả năng dự báo phá sản tuy nhiên đối với nhóm doanh nghiệp khoẻ mạnh thì tính chính xác trong dự báo kém đi. Đây cũng là điều dễ hiểu. Tuy nhiên mức khả năng dự báo tổng thể nhìn chung tốt
Bảng 4.13. Thống kê kết quả dự báo 2 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
TINH TRANG
Hoat dong 29 13 69,05
Pha san 39 3 92,85
Overall Percentage 80,95%
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
Đánh giá khả năng dự báo 3 năm trước phả sản:
Ta tiến hành sử dụng mô hình đã xây dựng trên tiến hành đi kiểm định trên giai đoạn 3 năm trước phá sản nhằm đánh giá khả năng dự báo của mô hình xây dựng trên khoảng thời gian dài. Cho thấy trong trường hợp 3 năm trước phá sản khả năng dự báo tổng thể là 72,62% trong đó khả năng dự báo chính xác nhóm doanh nghiệp khoẻ mạnh là 64,29% và đối với nhóm doanh nghiệp phá sản là 80,95% (Bảng 4.15). Điều này cho thấy trong dài hạn mô hình dự báo cho tỷ lệ
83
dự báo chính xác dao động trong khoảng 80%. Xét trong giai đoạn kinh tế có nhiều bất ổn chính thì một khả năng dự báo tổng thể như vậy là khá tốt. Song với một số mô hình khác trên thế giới thì tỷ lệ dự báo này chưa thật sự là một mức dự báo cao.
Bảng 4.14. Thống kê kết quả dự báo 3 năm trước phá sản
Observed
Predicted TINH TRANG
Percentage Correct Hoat dong Pha san
TINH TRANG
Hoat dong 27 15 64,29
Pha san 8 34 80,95
Overall Percentage 72,62
a. The cut value is ,500
Nguồn: Tính toán và tổng hợp của tác giả
4.6 Kiểm định khả năng dự báo trên nhóm doanh nghiệp mới
Việc kiểm định khả năng dự báo của mô hình trên chính nhóm biến của mô hình đó đôi khi làm cho tỷ lệ dự báo được đánh. Do đó để đánh giá lại tính ứng dụng của mô hình ở phần này tác giả tiến hành kiểm định khả năng dự báo của mô hình trên một nhóm các công ty bị huỷ niêm yết trong giai đoạn 6 tháng đầu năm 2014 từ đó đánh giá khả năng dự báo của mô hình.
Ở nội dung trước, luận văn đã kiểm định trên kết quả 1, 2 và 3 năm trước phá sản. Do đó việc kiểm định ở đây chỉ mang tính tham khảo thêm nhằm đánh giá lại kết quả nghiên cứu do đó không đòi hỏi bộ mẫu kiểm định lớn vì vậy tác giả sử dụng bộ mẫu gồm 10 công ty huỷ niêm yết bất kỳ trong giai đoạn 6 tháng đầu năm 2014 và 10 công ty khoẻ mạnh bất kỳ cũng trong giai đoạn này để tiến hành đánh giá. Kết quả dự báo được thể hiện trong bảng 4.15.
84
Bảng 4.15. Thống kê khả năng dự báo trên nhóm doanh nghiệp năm 2014 TÌNH TRẠNG STT MÃ NY HỆ SỐ Z XÁC SUẤT PHÁ SẢN DỰ BÁO NHÓM PHÁ SẢN 1 SJM 4,163 98,47% phá sản 2 PHS -1,159 23,89% an toàn 3 MMC 5,039 99,36% phá sản 4 VHH 0,401 59,90% phá sản 5 ILC -4,226 1,44% an toàn 6 SDB 8,989 99,99% phá sản 7 FDG 7,116 99,92% phá sản 8 CNT 4,587 98,99% phá sản 9 CLP 7,503 99,94% phá sản 10 BHV 7,627 99,95% phá sản NHÓM KHOẺ MẠNH 1 LCM 2,696 93,68% phá sản 2 MDC -4,229 1,44% an toàn 3 PRC -2,521 7,44% an toàn 4 DIH -2,695 6,32% an toàn 5 THP -2,282 9,27% an toàn 6 DIC -1,298 21,46% an toàn 7 BGM 1,236 77,49% phá sản 8 AME -1,464 18,78% an toàn 9 APC -1,238 22,48% an toàn 10 CLG -3,237 3,78% an toàn
Nguồn: Tính toán và tổng hợp của tác giả
Dựa vào bảng 4.15 ta thấy khi tiến hành kiểm định lại trên mẫu các doanh nghiệp bất kỳ trên cả hai thị trường chứng khoán HOSE và HNX cho thấy khả năng dự báo khá chính xác so với thực tế. Đối với nhóm phá sản, trong 10 trường hợp đưa vào thì 8 trường hợp được dự báo đúng, 2 trường hợp dự báo không
85
chính xác. Đối với nhóm doanh nghiệp khoẻ mạnh, trong 10 trường hợp đưa vào cũng có 8 trường hợp được dự báo chính xác và 2 trường hợp dự báo sai. Như vậy mức độ chính xác trong khoảng 80% đối với cả 2 loại sai lầm. Đây cũng là một tỷ lệ dự báo khá tốt cho mô hình. Điều này cho thấy mô hình có khả năng vận dụng khá tốt cho thị trường Việt Nam trong giai đoạn hiện nay.
TÓM TẮT CHƯƠNG 4
Ở chương này, bài nghiên cứu tập trung vào hai nội dung chính: Đánh giá khả năng dự báo của mô hình O-Score trên thị trường Việt Nam và xây dựng một mô hình dự báo phù hợp cho thị trường Chứng khoán Việt Nam.
Về khả năng dự báo của mô hình O-Score ứng dụng trên thị trường Việt Nam cho thấy khả năng dự báo tổng thể 1 năm trước phá sản là 55, 95% và đối với 2 năm trước phá sản là 52,39%. Trong đó mô hình O- Score dễ mắc phải sai lầm loại 2 là dự báo những doanh nghiệp khoẻ mạnh có nguy cơ phá sản và các biến đưa vào mô hình đều không có ý nghĩa thống kê.
Nhằm khắc phục nhược điểm của mô hình này đề tài đi xây dựng một mô hình dự báo phá sản cho thị trường Việt Nam gồm 5 biến: (1) CATA, (2)TL/METL, (3) CLCA, (4) REME, (5) REFA với khả năng dự báo tổng thể 83,3%. Việc xây dựng mô hình với khả năng ứng dụng cho thị trường Việt Nam sẽ góp phần hỗ trợ cho quá trình đánh giá doanh nghiệp được tốt hơn.
86
CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
5.1 Kết luận
Bài nghiên cứu đã trả lời được các câu hỏi nghiên cứu và đạt được mục tiêu nghiên cứu đã đặt ra là kiểm định khả năng dự báo mô hình O-Score trên thị trường Việt Nam và xây dựng mô hình dự báo phá sản cho các doanh nghiệp niêm yết trên thị trường Chứng Khoán Việt Nam. Từ kết quả của bài nghiên cứu có thể đưa ra các kết luận sau:
5.1.1 Kết luận chung về mô hình
Về ứng dụng mô hình O-Score trên thị trường Việt Nam
Mặc dù việc kiểm định mô hình O-Score được thực hiện ở nhiều quốc gia cho thấy có khả năng dự báo khá tốt. Tuy nhiên việc ứng dụng mô hình O-Score trong dự báo trên thị trường Việt Nam cho thấy khả năng mắc phải sai lầm loại 2. Cụ thể trong 1 năm trước phá sản khả năng mắc phải sai lầm loại 2 là 76,19%, đối với 2 năm trước phá sản khả năng mắc phải sai lầm này là 88,09%. Việc nguy cơ mắc sai lầm quá cao khiến cho việc áp dụng mô hình trên thị trường Việt Nam trở nên không khả thi và việc xây dựng một mô hình phù hợp hơn là hết sức cần thiết.
Về mô hình dự báo mới
Trên thị trường Việt Nam vì những giới hạn về mặt số liệu cũng như nhiều nguyên nhân khác các nghiên cứu về lĩnh vực này còn khá hạn chế. Việc ứng dụng các mô hình đã có từ lâu trên thế giới và thị trường bộc lộ nhiều khiếm khuyết như có môi trường kinh tế khác nhau, nhóm doanh nghiệp xem xét không đồng nhất cũng như sự khác biệt trong thời gian xây dựng làm cho khả năng dự báo các mô hình này không cao, các biến không thoả được điều kiện kiểm định… Xuất phát từ những khiếm khuyết đó việc xây dựng một mô hình dự báo riêng cho thị trường Việt Nam là việc làm thiết thực và là tiền đề cho việc mở rộng nghiên cứu mảng đề tài này trong tương lai. Trong bài nghiên cứu, tác giả
87
đã xây dựng một mô hình dự báo phá sản cho các công ty ở khu vực phi tài chính trong giai đoạn 2008- 2013. Với phương pháp Binary Logistic bài nghiên cứu đã xây dựng mô hình gồm 5 biến cho khả năng dự báo tổng thể 1 năm trước phá sản là 83,3%. Trong đó mô hình có khả năng cho ra kết quả về xác suất phá sản của doanh nghiệp cần xem xét. Cụ thể mô hình có dạng như sau:
6,960 8,814 / 3, 247 2,317 4,628 1,918
PS CATA TL METL CLCA REME REFA
Trong đó:
PS: Hàm dự báo phá sản đề xuất
CATA: Tài sản ngắn hạn/ Tổng tài sản
TL/METL: Tổng nợ/(Tổng nợ +Giá trị thị trường VCSH)
CLCA: Nợ NH/ Tài sản ngắn hạn
REME: Lợi nhuận giữ lại/Giá trị thị trường VCSH
REFA: Lợi nhuận giữ lại/Tài sản cố định
Nhìn vào trong số của các biến trong mô hình ta thấy biến có trọng số lớn nhất trong mô hình là biến TL/METL. Là chỉ tiêu kết hợp giữa cơ cấu tài chính và chỉ số thị trường. Như vậy một trong những yếu tố có ảnh hưởng quyết định đến nguy cơ phá sản của doanh nghiệp chính là các quyết định về cơ cấu tài chính của doanh nghiệp đó.
Có ảnh hưởng tiếp theo trong mô hình là biến CATA phản ánh tỷ lệ tài sản ngắn hạn so với tổng tài sản của doanh nghiệp. Là chỉ tiêu đại diện cho khả năng thanh khoản của một doanh nghiệp. Một doanh nghiệp có tỷ lệ tài sản ngắn hạn hợp lý là cơ sơ cần thiết đảm bao cho khả năng thanh khoản và hoạt động tốt của doanh nghiệp. Tuy nhiên một tỷ lệ tài sản ngắn hạn quá nhiều hay quá ít đều có thể đem lại những rủi ro cho doanh nghiệp.
Ba biến còn lại của mô hình có mức độ ảnh hưởng giảm dần lần lượt là biến