Tôi đề xuất nghiên cứu sâu hơn trong các lĩnh vực/khu vực như sau:
Mở rộng tập hợp dữ liệu và khoảng thời gian: Để có được kết quả đáng tin cậy hơn, số lượng doanh nghiệp được thu thập được mở rộng lên 1.000 doanh nghiệp hoặc thậm chí cao hơn. Bên cạnh đó, thay vì thu thập báo cáo tài chính hàng năm, có thể thu thập báo cáo tài chính doanh nghiệp hàng quý để đạt được mức độ chính xác cao hơn.
Ngoài ra, trường hợp số liệu thu thập đủ lớn và có thể phân tách theo từng nhóm khách hàng thuộc các ngành kinh doanh khác nhau cũng sẽ mang lại kết quả chính xác và phù hợp với đặc thù hoạt động kinh doanh của từng doanh nghiệp, tăng khả năng ứng dụng của mô hình vào thực tế.
TÀI LIỆU THAM KHẢO Danh mục tài liệu tham khảo tiếng Việt
Hay Sinh, 2003, “Ước tính xác suất phá sản trong thẩm định giá trị doanh nghiệp”, Tạp chí Phát triển & Hội nhập – Số 8 (18).
Lê Đạt Chí và Lê Tuấn Anh (2012), “Kết hợp phương pháp Cvar và mô hình Merto/KMV để đo lường rủi ro vỡ nợ: Bằng chứng thực nghiệm ở Việt Nam”, Tạp chí Phát triển & Hội nhập – Số 5 (15).
Lê Nguyễn Sơn Vũ, 2013, Quyết định đầu tư và rủi ro phá sản của các công ty niêm yết trên thị trường chứng khoán Việt Nam, Luận văn thạc sĩ kinh tế, Trường Đại học Kinh tế Thành phố Hồ Chí Minh.
Nguyễn Thị Tuyết Lan, 2019, “Các nhân tố ảnh hưởng đến rủi ro phá sản của các doanh nghiệp niêm yết ngành xây dựng tại Việt Nam”, Tạp chí Khoa học & Đào tạo Ngân hàng – Số 205.
Võ Hồng Đức và Nguyễn Đình Thiên (2013a), “XHTN doanh nghiệp niêm yết tại Việt Nam sử dụng lý thuyết mờ”,Tạp chí Phát triển kinh tế - Số 269.
Danh mục tài liệu tham khảo tiếng Anh
Altman, Edward I, 1968. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy.Journal of Finance, 189-209.
Beaver, 1996. Financial Ratios As Predictors of Failure. Journal of Accounting Research,71-111.
Brieman, 1980. Classification and regression trees. Chapman and Hall.
Dombolena, I. and S.Khoury, 1980. Ratio Stability and Corporate Failure. Journal of Finance, 1017-1026.
Evridiki Neophytou, Andreas Charitou and Chris Charalambous, 2000. Predicting Corporate Failure: Empirical Evidence for the UK. Journal of Accounting Literature. Fisher, R. 1936.The Use of Multiple Measurements in Taxonomic Problems.Annals of Eugenics 7,179-188.
Fitzpatrick, F., 1932.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firm. Certified Public Accountant, 6, 727-731.
HaydenEvelyn and Daniel Porath, 2010.Statistical Methods to Develop Rating Models. The Basel II Risk Parameters, 1-12.
HaydenEvelyn, 2010. Estimation of a Rating Model for Corporate Exposures. The Basel II Risk Parameters, 13-24.
Ho Tin Kam, 1995. Random Decision Forests, Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, 278-282.
Leo Breiman, Jerome Friedman and Charles J. Stone, 1984. Classification and Regression Trees. R.A. Olshen.
M. Fernandez Delgado, E. Cernadas, S. Barro and D. Amorim, 2014.Do we Need Hundreds of Classifiers to Solve Real Worls Classification problems?. Journal of Machine Learning Research.
Myers and Forgy, 1963. The development of numerical credit evaluation system. Journal of the American Statistical Association, 799-806.
Odom and Sharda,1993. A Neural Network for Bankruptcy Prediction. International Joint Conference on Neural Networks, 163-168.
Ong, M. 2005, Internal Credit Risk Models Capital Allocation and Performance Measurement, Risk Books .
Oslo. Hosmer, D. W., Jovanovic, B., and Lemeshow, S., 1989.Best subsets logistic regression, Biometrics, 1265-1270.
Patcha, A. and Park, J.M, 2009. An overview of outlier detection techniques: Existing solutions and latest technological trends. Computer Networks 3448-3470
Platt, H.D., 1991. Predicting corporate financial distress: Reflections on choice-based sample bias. Journal of Economics and Finance 2002.
Rajan R, Zingales L. What do we know about capital structure? some evidence from international data. Journal of Finance 1995; 1421-1460.
Serrasqueiroand Macas Nunes. Non-linear relationships between growth opportunities and debt: Evidence from quoted Portuguese companies. J Business Research 2009,870- 878.
Stehman and Stephen, 1997. Selecting and interpreting measures of thematic classification accuracy. Remote Sensing of Environment, 77-89.
Sudhakar, M., and Reddy C.V.K. Two Step Credit Risk Assessment Model For Retail Bank Loan Applications Using Decision Tree Data Mining Technique. International Journal of Advanced Research in Computer Engineering & Technology 2016, 705-718.
Svetnik 2003. Random Forest:A Classification and Regression Tool for Compound Classification and QSAR Modeling. Journal of Chemical Information Computer Science, 1947–1958.
PHỤ LỤC
Bảng 01: Các biến đầu vào của RiskCalcTM - mô hình công ty tư nhân Nhật Bản
Chỉ số tài chính Cách tính
Khả năng sinh lời Lợi nhuận thuần từ hoạt động kinh doanh trên tổng tài sản
Đòn bẩy tài chính Tổng nợ trên tổng tài sản
Khả năng thanh khoản Tiền mặt trên tài sản ngắn hạn Khả năng trả nợ gốc Thu nhập giữ lại trên nợ ngắn hạn Khả năng trả lãi vay Lợi nhuận gộp trên tổng chi phí lãi vay
Quy mô Tổng doanh thu
Chỉ số hoạt động Tổng hàng tồn kho trên tổng doanh thu
Bảng 02: Biến đầu vào được lựa chọn bởi Engelmann and Rauhmeier Chỉ số tài chính Yếu tố rủi ro
Tổng nợ phải trả / Tổng tài sản Đòn bẩy tài chính Vốn chủ sở hữu / Tổng tài sản Nợ ngân hàng / Tổng tài sản Nợ ngắn hạn/ Tổng tài sản Khả năng thanh khoản Tài sản ngắn hạn / Nợ ngắn hạn
Các khoản phải thu / Doanh thu thuần
Chỉ số hoạt động Các khoản phải trả / Doanh thu thuần
(Doanh thu thuần - Chi phí nguyên liệu) / Chi phí nhân công Khả năng kiểm soát chi phí
Doanh thu thuần / Tổng tài sản Hiệu quả sử dụng
tài sản Lợi nhuận trước thuế và lãi vay / Tổng tài sản
Khả năng sinh lời Lợi nhuận thuần từ hoạt động kinh doanh / Tổng tài sản
Tổng tài sản Quy mô
Doanh thu thuần / Doanh thu thuần năm liền kề Tốc độ tăng trưởng
Tổng nợ phải trả / Tổng nợ phải trả năm liền kề Tốc độ gia tăng nợ vay