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.