Kiểm định đa cộng tuyến
Khi phân tích tương quan, hệ số tương quan giữa các biến cao là dấu hiệu của hiện tượng đa cộng tuyến. Để phát hiện trường hợp một biến có tương quan tuyến tính mạnh với các biến còn lại của mô hình, ta khảo sát các cặp tương quan giữa các biến độc lập được thực hiện bằng cách thiết lập ma trận hệ số tương quan để tìm ra những cặp biến có hệ số tương quan cao Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008). Gujarati K. (1995) cho rằng để loại trừ vấn đề đa cộng tuyến, cần nghiên cứu kỹ hệ số tương quan giữa các biến, nếu chúng vượt quá 0,8 mô hình hồi quy sẽ gặp vấn đề đa cộng tuyến nghiêm trọng. Do đó, để giảm thiểu đa cộng tuyến tác giả sẽ loại bỏ biến ra khỏi mô hình hồi quy đối với cặp biến có hệ số tương quan lớn hơn 0,8.
Ngoài ra, để đảm bảo tính chính xác, tác giả sẽ sử dụng thêm hệ số phóng đại phương sai (VIF – Variance Inflation Factor) để kiểm định hiện tượng đa cộng tuyến. Theo quy tắc khi VIFj > 10 thì mức độ cộng tuyến được xem là cao, và khi đó các hệ số hồi quy được ước lượng với độ chính xác không cao. Vì vậy các biến có hệ số VIF > 10 sẽ bị loại ra khỏi mô hình và tiếp tục phân tích hồi quy cho đến khi không còn biến nào có giá trị VIF > 10, tức là không còn hiện tượng đa cộng tuyến.
Kiểm định ý nghĩa các hệ số của mô hình (kiểm định Wald)
Trong mô hình nghiên cứu căn cứ vào hệ số ý nghĩa thống kê (p-value) để loại bỏ các biến có mức ý nghĩa thống kê thấp. Tuy nhiên, ta cần phải kiểm định xem việc loại bỏ các biến này có ảnh hưởng nhiều đến khả năng dự báo của mô hình hay không. Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008) cho rằng đối với hồi quy tuyến tính thì sử dụng kiểm định T để kiểm định giả thiết H0: βk=0. Còn đối với mô hình hồi quy Binary Logistic, đại lượng Wald Chi Square được sử dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Từ kết quả kiểm định Wald ta có thêm cơ sở để loại bỏ các biến có mức ý nghĩa thống kê thấp mà không ảnh hưởng kết quả dự báo của mô hình.
Kiểm định độ chính xác của mô hình so với kết quả thực tế
Sau khi phân tích hồi quy tác giả sẽ kiểm định xem mô hình hồi quy này đánh giá đúng và sai bao nhiêu công ty được xếp vào có hay không có nguy cơ phá sản theo điều kiện:
+ Trường hợp 1: ROA < 0 và vốn hoá thị trường < tổng nợ phải trả.
+ Trường hợp 2: Vốn lưu động < 0 và vốn hoá thị trường < tổng nợ phải trả.
Phân tích đƣờng cong ROC
Sử dụng AUC (Area Under the ROC Curve). AUC là vùng diện tích vùng 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 thì khả năng dự báo của mô hình càng tốt.
CHƢƠNG 4
KẾT QUẢ NGHIÊN CỨU
4.1 Thống kê mô tả các biến định lƣợng trong mô hình
Để có đánh giá sơ bộ về các biến độc lập dựa vào mô hình nghiên cứu. Bảng 4.1 sẽ trình bày tóm tắt các thống kê về giá trị trung bình, độ lệch chuẩn, giá trị lớn nhất, giá trị nhỏ nhất của các biến độc lập trong mô hình nghiên cứu.
Bảng 4.1 Thống kê mô tả các biến định lƣợng Ký hiệu Biến Số quan sát Giá trị trung bình Độ lệch chuẩn Giá trị nhỏ nhất Giá trị lớn nhất X1 Hệ số thanh khoản 1413 1,838117 1,272227 0,143 9,786 X2 ROA 1413 0,0893609 0,1478275 -1,134 0,719 X3 ROE 1413 0,0463687 0,0713238 -0,39 0,398 X4 EBIT/Tổng tài sản 1413 0,0612994 0,0738916 -0,53 0,432 X5
Doanh thu thuần/Tổng
tài sản 1413 1,173648 1,107951 0 10,632
X6 EBIT/Doanh thu thuần 1413 0,0568401 0,1812128 -2,124 0,809
X7 Đòn bẩy tài chính 1413 0,5233121 0,2140167 0,027 0,967
X8 Tăng doanh thu thuần 1413 0,111644 0,668054 -1 11,304
X9 Tăng tổng tài sản 1413 0,0671904 0,239975 -0,687 2,808
X10
Vốn hóa thị
trường/Tổng nợ 1413 1,348656 2,115389 0,021 20,269
X11 Cơ cấu nợ 1413 0,8233892 0,222019 0,052 1
X12 Cơ cấu tổng tài sản 1413 0,6212562 0,2276448 0,027 0,995
Bảng 4.1 thể hiện rằng:
Hệ số thanh khoản ngắn hạn (X1) - tài sản ngắn hạn trên nợ ngắn hạn:có giá trị lớn nhất là 9,786 của LBE năm 2012, giá trị nhỏ nhất là 0,143 của SBA năm 2012, giá trị trung bình của các doanh nghiệp là 1,84 và độ lệch chuẩn là 1,272.
Các biến đại diện cho hiệu quả hoạt động:
ROA (X2) - Tỷ suất sinh lời trên tổng tài sản: có giá trị trung bình là 0,89 với giá trị nhỏ nhất thuộc về mã PVX vào năm 2014 là -1,134 giá trị lớn nhất là 0,719 của mã LGC năm 2014. Nhìn chung, tỷ số lợi nhuận sau thuế trên tổng tài sản của các quan sát ở mức tương đối nhỏ. Đặc biệt có 139/1413 quan sát có giá trị âm thể hiện thời điểm các công ty làm ăn thua lỗ chiếm 9,84% tổng số quan sát.
ROE (X3) - Tỷ suất sinh lời trên vốn chủ sở hữu:có giá trị trung bình là 0,046 với giá trị nhỏ nhất -0,39 thuộc về mã VNH năm 2014, còn giá trị lớn nhất 0,398 thuộc về WCS năm 2014. Cũng giống như biến ROA thì biến ROE cũng có 139/1413 quan sát có giá trị âm.
X4 - EBIT chia tổng tài sản: cũng có phân bố tương tự như ROE và ROA khi có giá trị trung bình là 0,061 giá trị lớn nhất thuộc về mã NNC năm 2014 với giá trị là 0,432 và giá trị nhỏ nhất thuộc về LAF năm 2012 với giá trị là -0,53.
X5 - doanh thu thuần trên tổng tài sản: có giá trị trung bình là 1,174 giá trị nhỏ nhất quan sát được là 0 thuộc về mã CNV năm 2014 và giá trị lớn nhất là 10,632 thuộc về mã COM năm 2014.
X6 - EBIT trên doanh thu thuần:Biến độc lập sau cùng trong yếu tố hiệu quả hoạt động có giá trị trung bình là 0,057 giá trị lớn nhất là 0,809 của mã SDU năm 2013 và giá trị nhỏ nhất là -2,124 của mã PV2 năm 2014.
Đòn bẩy tài chính (X7) - tỷ số nợ trên tổng tài sản: có giá trị trung bình là 0,523. Đây là tỷ số mà nhà đầu tư rất quan tâm vì nếu tỷ số này càng cao thì công ty sẽ tận dụng được lá chắn thuế. Trong giai đoạn nền kinh tế gặp nhiều khó khăn thì việc sử dụng đòn bẩy tài chính một cách hợp lý sẽ góp phần nâng cao hiệu quả hoạt
động của công ty. Vì vậy có thể coi đây là một biến ảnh hưởng đến quyết định chiến lược hoạt động của người chủ công ty và tác động đến nguy cơ phá sản của công ty. Giá trị lớn nhất của biến X7 là 0,967 của mã VMD năm 2014, giá trị nhỏ nhất của biến X7 là 0,027 của mã IDJ năm 2014.
Các biến đại diện cho tăng trƣởng: Tăng trưởng là yếu tố phản ánh sự lớn mạnh của công ty. Trong nghiên cứu thì tăng trưởng được đại diện bởi hai biến tốc độ tăng tổng tài sản (X9: đại diện cho sự lớn mạnh về giá trị tổng tài sản, một mức độ nào đó có thể coi là qui mô của công ty) và tốc độ tăng doanh thu thuần (X8: đại diện cho sự lớn mạnh về hoạt động của công ty). Về tốc độ tăng doanh thu thuần mẫu quan sát có giá trị trung bình là 0,112. Mã có tốc độ tăng doanh thu thuần lớn nhất là PXA năm 2014 với giá trị là 11,304 và nhỏ nhất thuộc về mã PVR năm 2013 với giá trị là -1. Còn tốc độ tăng tổng tài sản X9 của nhóm mẫu quan sát có giá trị trung bình là 0,067 giá trị nhỏ nhất là -0,687 năm 2013 của DXV giá trị cao nhất là 2,808 vào năm 2014 của LGC.
Yếu tố kì vọng của thị trƣờng (X10) - vốn hoá thị trường chia tổng nợ: có giá trị trung bình là 1,349 giá trị nhỏ nhất là 0,021 vào năm 2013 của VMD, giá trị lớn nhất là 20,269 năm 2012 của MCC.
Biến kiểm soát: Bên cạnh các biến chính thì các biến thuộc về cơ cấu nợ và tài sản được đưa thêm vào trong nghiên cứu như biến X11 (nợ ngắn hạn trên tổng nợ) cho thấy thêm rằng cơ cấu nợ của các mẫu quan sát. Với giá trị trung bình là 0,823 giá trị nhỏ nhất là 0,052 và giá trị lớn nhất là 1 thì cơ cấu nợ của các mẫu quan sát là nợ ngắn hạn chiếm tỷ trọng lớn. Trong khi đó biến cơ cấu tài sản (X12 - tài sản ngắn hạn chia tổng tài sản) thì lại có giá trị trung bình là 0,621 giá trị nhỏ nhất là 0,027 giá trị lớn nhất là 0,995. Mặc dù trong cơ cấu tài sản thì tài sản ngắn hạn chiếm tỷ trọng lớn trong tổng tài sản nhưng vẫn nhỏ hơn cơ cấu của nợ, đây là điểm mà ta cần phải lưu ý khi phân tích.
4.2 Phân tích ma trận tƣơng quan
Hệ số tương quan (r) là chỉ số thống kê phản ánh mức độ quan hệ tuyến tính giữa các biến. Hệ số này biến thiên từ -1 đến +1. Thông qua hệ số tương quan có thể biết chiều tương quan riêng giữa biến phụ thuộc với biến giải thích. Đồng thời cho thấy xuất hiện hiện tượng đa cộng tuyến trong mô hình hồi quy (nếu r > 0,8 Theo Gujarati K. (1995)). Trong trường hợp có sự khác biệt về xu hướng tác động của các biến độc lập và biến phụ thuộc giữa kết quả theo hệ số tương quan và kết quả mô hình hồi quy. Khi đó, mô hình hồi quy có thể chưa đáp ứng đủ các giả thuyết của mô hình nghiên cứu, điều này làm dấu của hệ số ước lượng có thể khác biệt so với xu hướng tác động dựa trên số liệu thực tế.
Nhìn vào ma trận hệ số tương quan giữa các biến trình bày trong bảng 4.2 cho thấy những mối quan hệ giữa biến phụ thuộc với các biến độc lập và biến kiểm soát trong mô hình.
Biến quan sát Y X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 Y 1 X1 -0.3127 1 X2 -0.4183 0.1122 1 X3 -0.4008 0.2784 0.8579 1 X4 -0.2543 0.1149 0.7426 0.8254 1 X5 -0.1268 -0.0689 0.2435 0.2219 0.2331 1 X6 -0.2007 0.0622 0.4974 0.5033 0.5547 -0.0266 1 X7 0.3318 -0.6461 -0.1866 -0.4032 -0.1990 -0.0161 -0.0664 1 X8 -0.0794 -0.0007 0.0909 0.0596 0.0578 -0.0016 0.1043 0.0316 1 X9 -0.0531 -0.0384 0.2813 0.2470 0.1900 -0.0041 0.1598 0.0780 0.1360 1 X10 -0.2329 0.6277 0.2342 0.4681 0.3372 0.0185 0.1532 -0.6768 -0.0216 0.0023 1 X11 -0.2285 0.0167 0.0950 0.1428 0.0992 0.3116 -0.1210 -0.2418 -0.0238 -0.0654 0.1743 1 X12 -0.3376 0.1866 0.0835 0.0456 0.0229 0.1883 -0.0903 0.1783 0.0359 -0.009 -0.1469 0.5239 1
Nguồn: Kết quả tính toán của tác giả từ phần mềm Stata 12
Với Y – Nguy cơ phá sản; X1- Hệ số thanh khoản ngắn hạn; X2– ROA; X3– ROE; X4- EBIT trên tổng tài sản; X5 – doanh thu thuần trên tổng tài sản; X6– EBIT trên doanh thu thuần; X7 - Đòn bẩy tài chính; X8 - tăng doanh thu thuần; X9- tăng tổng tài sản; X10 - kì vọng của thị trường; X11- cơ cấu nợ; X12 - cơ cấu tài sản.
Kết quả tại bảng 4.2 cho thấy, các biến độc lập và biến kiểm soát đều có mối quan hệ tuyến tính với biến phụ thuộc. Tuy nhiên, mối quan hệ tuyến tính này là yếu (r < 0,4 theo Hoàng Trọng và Chu Nguyễn Mộng Ngọc (2008)); và chiều hướng tác động phù hợp với kỳ vọng của giả thuyết cũng như kết quả nghiên cứu của nhiều tác giả trước. Cụ thể như sau:
Biến phụ thuộc Y có tương quan ngược chiều với biến độc lập X1 (hệ số thanh khoản) với giá trị -0,3127, cho thấy tỷ lệ hệ số thanh khoản càng cao thì xác suất xảy ra kiệt quệ tài chính càng thấp và ngược lại. Mối tương quan ngược chiều này là phù hợp với kết quả nghiên cứu của Alman (1977) và Zang (2007).
Mối tương quan ngược chiều với các biến hiệu quả hoạt động X2,X3, X4,X5,X6 (ROA, ROE, EBIT/tổng tài sản, doanh thu thuần/tổng tài sản, EBIT/doanh thu thuần) cho thấy khả năng sinh lợi của doanh nghiệp càng cao thì nguy cơ xảy ra phá sản của doanh nghiệp càng thấp và ngược lại. Mối tương quan ngược chiều này là phù hợp với kết quả nghiên cứu của Alman (1977), Puagwatana & Gunawardana (2005), Rashid & Abbas (2011) và Hoàng Tùng (2011).
Biến độc lập đòn bẩy tài chính X7 và biến phụ thuộc Y có mối tương quan cùng chiều với giá trị 0,3318 kết quả này phù hợp với các nghiên cứu của Beaver (1966), Alman (1977), Ohlson (1980), Wang & Campbell (2010), Hoàng Tùng (2011). Đòn bẩy tài chính phản ánh mức độ sử dụng nợ của công ty, khi công ty có đòn bẩy tài chính càng cao thì xác suất xảy ra phá sản càng cao và ngược lại.
Bảng 4.2 cũng cho thấy rằng xác suất xảy ra phá sản với yếu tố tăng trưởng (biến X8 tốc độ tăng doanh thu thuần và biến X9 tốc độ tăng tổng tài sản) có mối tương quan ngược chiều với giá trị -0,0794 và -0,0531. Kết quả này phù hợp với nghiên cứu của Zang & Chen cho thấy công ty tăng trưởng càng cao thì nguy cơ xảy ra phá sản càng thấp và ngược lại.
Tương quan ngược chiều giữa xác suất xảy ra phá sản với kỳ vọng thị trường (biến X10 đo bằng vốn hóa thị trường/tổng nợ) với giá trị -0,2329 cho thấy nếu công ty đang phát triển mạnh, sức khỏe tài chính tốt, triển vọng ngành nghề tốt, dĩ nhiên
giá cổ phiếu công ty đó sẽ cao. Ngược lại nếu công ty có tình hình sức khỏe kém, gặp khó khăn về tài chính thì mặc nhiên giá cổ phiếu sẽ giảm. Như vậy giá cổ phiếu phản ánh sự kì vọng của nhà đầu tư, thị trường. Nếu sự kì vọng là tốt có thể hiểu sức khỏe công ty đang tốt và nguy cơ phá sản sẽ thấp, ngược lại thì nguy cơ phá sản sẽ cao. Giải thích này phù hợp với kết quả nghiên cứu của Zang & Chen.
Tương tự, hai biến kiểm soát X11 (nợ ngắn hạn/tổng nợ) và X12 (tài sản ngắn hạn/tổng tài sản) sẽ cho biết việc cơ cấu nợ hay cơ cấu tài sản có ảnh hưởng đến nguy cơ phá sản của công ty như thế nào.
4.3 Phân tích mô hình hồi quy
Như đã trình bày ở phần trên, do biến phụ thuộc là biến nhị phân nhận giá trị là 0 và 1 nên mô hình hồi quy được chọn trong mô hình nghiên cứu là mô hình logit. Với dữ liệu hồi quy là dữ liệu bảng thì có 2 mô hình thông dụng để chạy hồi quy là mô hình các yếu tố ảnh hưởng cố định (Fixed Effect model – FE) và mô hình các yếu tố tác động ngẫu nhiên (Random Effect model – RE).
Với biến phụ thuộc là công ty sẽ bị xếp vào có nguy cơ phá sản khi xảy ra ít nhất một trong hai điều kiện là: hoặc có ROA âm và vốn hóa thị trường nhỏ hơn tổng nợ, hoặc có vốn lưu động âm và vốn hóa thị trường nhỏ hơn tổng nợ. Khi đó bảng kiểm định Hausman được trình bày trong bảng 4.3.
Bảng 4.3 Kết quả kiểm định Hausman
Biến phụ thuộc Chi2(12) Prob(chi2) Lựa chọn mô hình
Nguy cơ phá sản (Y) 13,47 0,3357 Random Effect
Nguồn: Tính toán của tác giả bằng phần mềm stata 12
Theo như kết quả phân tích có được, do chỉ số Prob(chi2) = 0,3357 lớn hơn 0,05 (không thể bác bỏ giả thiết H0 hay nói cách khác giả thiết H0 của kiểm định Hausman là đúng). Vì vậy, có thể kết luận rằng sử dụng mô hình Random Effect (RE) sẽ giải thích tốt hơn mô hình Fixed Effect (FE).
Bảng 4.4 Kết quả hồi quy mô hình tác động ngẫu nhiên Ký hiệu Biến Hệ số hồi quy Sai số Chuẩn Giá trị thống kê z Giá trị p-value X1 Hệ số thanh khoản 1,909474 0,705128 2,71 0,007 X2 ROA -19,69329 5,078316 -3,88 0,000 X3 ROE 1,381484 11,13453 0,12 0,901 X4 EBIT/Tổng tài sản 10,40926 5,732146 1,82 0,069
X5 Doanh thu thuần/Tổng tài sản -0,204026 0,245967 -0,83 0,407