Bảng so sánh dưới đây tổng hợp các kết quả dự báo của 4 mô hình: Logistic, mô hình SVM, mô hình Cây quyết định, mô hình mạng thần kinh nhân tạo đã được trình bày ở các phần trên cho các bộ biến được lọc từ phương pháp truyền thống,
phương pháp tiên tiến và bộ biến trong bài nghiên cứu của Tinoco và các cộng sự (2013) nhằm xác định bộ biến tối ưu nhất.
Bảng 4.25. Bảng tính giá trị ACC theo 4 mô hình dự báo trong thời kỳ t-1. Nhóm phân loại Logistic SVM NN NTH TSS NSS Q NTH TSS NSS Q NTH TSS NSS Q 1 0.6 0.8 0.8 0.8 0.8 0.7 0.9 0.9 0.9 0.9 0.9 1 2 0.8 0.8 0.9 0.8 0.7 0.9 0.9 0.9 0.7 0.9 0.9 1 3 0.8 0.5 0.8 0.8 0.9 0.8 0.8 1 0.9 0.8 0.8 1 4 0.9 0.7 0.9 0.7 1 0.7 0.7 0.7 1 0.8 0.9 0.6 5 0.8 0.8 1 0.8 1 1 1 0.8 1 0.9 1 0.7 6 1 0.6 0.8 0.9 0.9 0.9 0.9 0.9 1 1 0.8 0.8 7 1 1 1 0.7 0.9 0.9 1 0.8 0.9 1 1 0.9 8 1 0.8 1 0.9 0.9 1 1 1 0.7 0.9 1 1 9 0.6 0.9 0.9 0.8 0.7 0.9 0.8 0.9 0.6 0.8 0.8 1 10 0.7 0.7 0.7 0.5 0.9 0.8 0.7 0.8 0.8 0.7 0.7 0.8 Ave 0.82 0.76 0.88 0.77 0.87 0.86 0.87 0.87 0.85 0.87 0.88 0.88 Var 0.0216 0.018 0.009 0.011 0.0101 0.01 0.012 0.008 0.02 0.008 0.01 0.02 Cv 0.026 0.134 0.094 0.105 0.012 0.1 0.109 0.009 0.022 0.089 0.1 0.141
Bảng trên trình bày kết quả độ chính xác (ACC) của mô hình Logistic, mô hình kỹ thuật vectơ hỗ trợ (SVM), mô hình mạng thần kinh nhân tạo (NN) cho 4 bộ biến được lựa chọn dựa trên phương pháp lọc biến NTH, TSS, NSS và bộ biến Q trong thời kỳ t-1 theo các chỉ tiêu: Trung bình (Ave), phương sai (Var) và hệ số phương sai (Cv).
Bảng 4.26. Bảng tính giá trị ACC theo 4 mô hình dự báo trong thời kỳ t-2. Nhóm phân loại Logistic SVM NN NTH TSS NSS Q NTH TSS NSS Q NTH TSS NSS Q 1 0.5 0.7 0.7 0.8 0.5 0.8 0.8 0.8 0.7 0.8 0.9 0.8 2 0.6 0.9 0.9 0.8 0.6 0.8 0.8 0.7 0.6 0.9 0.8 0.7 3 0.6 0.5 0.8 0.7 0.8 0.8 0.9 0.9 0.7 1 0.9 0.8 4 0.7 0.7 0.9 0.6 0.8 0.8 0.7 0.4 0.8 0.7 0.7 0.6 5 0.8 0.8 0.8 0.5 0.9 0.8 0.8 0.6 0.8 0.8 0.8 0.7 6 0.9 0.7 0.8 0.9 0.9 0.9 0.9 0.9 0.6 0.9 0.9 0.8 7 0.8 0.9 1 0.7 0.8 0.8 0.9 0.7 1 0.8 0.9 0.8 8 0.9 0.9 1 0.9 0.8 0.9 0.9 1 0.7 0.9 1 1 9 0.6 0.9 0.8 0.6 0.7 0.7 0.9 0.7 0.6 0.7 0.9 0.9 10 0.5 0.7 0.8 0.6 0.6 0.9 0.9 0.7 0.7 0.8 0.9 0.7 Ave 0.69 0.77 0.85 0.71 0.74 0.82 0.85 0.74 0.72 0.83 0.87 0.78 Var 0.0209 0.016 0.009 0.015 0.0164 0.004 0.005 0.026 0.01 0.008 0.006 0.012 Cv 0.030 0.127 0.092 0.022 0.022 0.02 0.07 0.161 0.019 0.089 0.077 0.109 Bảng trên trình bày kết quả độ chính xác (ACC) của mô hình Logistic, mô hình kỹ thuật vectơ hỗ trợ (SVM), mô hình mạng thần kinh nhân tạo (NN) cho 4 bộ biến được lựa chọn dựa trên phương pháp lọc biến NTH, TSS, NSS và bộ biến Q trong thời kỳ t-2 theo các chỉ tiêu: Trung bình (Ave), phương sai (Var) và hệ số phương sai (Cv).
Ta thấy trong cả hai thời kỳ, bộ lọc NSS đều cho hoạt động đúng với kỳ vọng của nghiên cứu, khi bộ biến được lọc từ phương pháp này luôn cho độ chính xác trong dự báo cao hơn so với các bộ biến từ các phương pháp khác. Trong đó, tại thời điểm t-1, mô hình logistic và NN là mô hình có độ chính xác cao nhất (88%). Tại thời điểm t-2, mô hình NN lại là mô hình có độ chính xác cao nhất (87%).
CHƯƠNG 5. KẾT LUẬN VÀ KIẾN NGHỊ
Sau khi hoàn thành các mô hình dự báo, kết quả đã giải đáp được các vấn đề mà bài nghiên cứu hướng đến. Đầu tiên, đề tài được tiếp cận dựa trên định nghĩa mới về phá sản, qua đó giúp dự báo sớm tình trạng sức khỏe tài chính của công ty. Thứ hai, kết quả nghiên cứu cho thấy lý thuyết tập hợp mềm hoạt động hiệu quả với các tỷ số tài chính tại Việt Nam khi đã đưa ra được một bộ biến thu gọn hơn so với tập hợp biến ban đầu. Thứ ba, phương pháp lọc biến tiên tiến (Novel Soft set - NSS) đã hoạt động hiệu quả và đúng với kì vọng của tác giả khi luôn đưa ra được những dự báo chính xác hơn so với hai cách chọn biến NTH và TSS. Cuối cùng, các kết quả dự báo từ ba phương pháp chọn biến đều có mức ý nghĩa đáng tin cậy và có tính vững qua hai thời kỳ t-1, t-2, qua đó, các mô hình có thể giúp cho các nhà quản trị cũng như các nhà đầu tư có thể dự báo được tình trạng sức khỏe của công ty tương ứng tại thời điểm t+1 và t+2.
Bài nghiên cứu giải quyết được ba vấn đề: Thứ nhất, bài nghiên cứu trình bày các mô hình dự báo kiệt quệ cho các công ty được niêm yết tại TP. Hồ Chí Minh sử dụng định nghĩa phá sản dựa trên nền tảng tài chính nhằm phát hiện giai đoạn đầu của phá sản. Việc dự báo kịp thời các khó khăn tài chính trong thực tế có thể giúp chủ nợ ngăn chặn một số chi phí liên quan đến việc nộp đơn phá sản. Thứ hai, bằng cách sử dụng một quy trình lý thuyết và thực nghiệm đa cấp độ, bài nghiên cứu cung cấp mô hình dự báo phá sản với một số lượng các biến ít hơn nhưng có sự chính xác đáng kể về phân loại và dự báo so với đến các công trình nghiên cứu trước đây. Thứ ba, đồng thời cũng là đóng góp quan trọng nhất, các bài nghiên cứu kiểm định các mô hình dự báo phá sản sử dụng các bộ tỷ số tài chính khác nhau nhằm xác định ra bộ tỷ số tài chính tốt nhất trong việc dự báo đối với các doanh nghiệp ở Việt Nam. Từ đó, có thể cho thấy bài nghiên cứu đã có những đóng góp nhất định đối với việc phát triển các mô hình dự báo phá sản tại Việt Nam.
Tuy nhiên, kỳ vọng của bài nghiên cứu đã đúng như mục đích ban đầu của tác giả, vẫn có một số hạn chế trong bài nghiên cứu. Nhân tố chính cho sự thành công của
có hệ thống hơn. Bên cạnh đó Ngoài LS, SVM và NN, vẫn có nhiều mô hình khác để kiểm chứng và xác định độ chính xác của bộ lọc biến NSS một cách tốt nhất. Cỡ mẫu trong bài nghiên cứu tương đối nhỏ dựa vào mô hình thực tiễn ở Việt Nam nên kết quả có thể chính xác hơn với cỡ mẫu lớn hơn. Bài nghiên cứu dựa theo phương pháp và lý luận trong nghiên cứu mới nhất của Wei Xu và các cộng sự năm 2014, dựa trên cơ sở dữ liệu của Đài Loan, một đất nước phát triển trong khu vực và được trình bày gần nhất năm 2014, so sánh với bộ lọc biến trước đây và những cách chọn biến thông thường thì NSS luôn tối ưu hơn. Thế nhưng việc xây dựng bộ lọc biến soft set tương đối phức tạp, hy vọng trong tương lai gần lý thuyết soft set sẽ ngày càng được mở rộng và được sử dụng hiệu quả để bớt đi gánh nặng trong việc chọn biến, góp phần tăng độ chính xác của các mô hình nghiên cứu. Dự báo phá sản chỉ là một lĩnh vực nghiên cứu để chứng minh độ chính xác của lý thuyết tập hợp mềm so với những cách lọc biến thông thường. Bài viết không đi sâu vào mô hình phá sản mà tập trung vào so sánh độ chính xác cũng như tìm ra bộ biến có ý nghĩa nhất, thế nên sẽ có một hạn chế nhất định về độ sâu trong bài nghiên cứu. Lý thuyết soft set là hoàn toàn mới ở Việt Nam nhưng một câu hỏi bỏ ngỏ là các cường quốc kinh tế lớn hơn có sử dụng lý thuyết này để ứng dụng trong việc xếp hạng tín nhiệm. Các tổ chức xếp hạng tín nhiệm lớn nhất thế giới sử dụng lý thuyết nào? Họ có sử dụng lý thuyết tập hợp mềm cho những phần mềm của họ không. Câu hỏi này dành cho những bài nghiên cứu sau, để hoàn thiện lý thuyết về dự báo phá sản một cách đầy đủ nhất.
TÀI LIỆU THAM KHẢO
P. K, MAJI AND A. R. ROY, An Application of Soft Sets in A Decision Making Problem, Computers and Mathematics with Applications 44 (2002) 1077-1083.
D. hlolodtsov. Soft set theory-first results, Computers Malath. Applic. 37 (4/5), 19-31, (1999).
P.K. hIaji, R. Biswas and A.R. Roy, On soft set theory, Computers Math. Applic., (submitted).
Z. Pawlak, Hard set and soft sets, ICS Research Report. Poland, (1994). A.N. Tikhonov and V.Ya. Arsenin, The Methods for Solving Ill-Posed Problems,
Nauka, Moscow (in Rus- sian), (1979).
Naim Çag ˘man *, Serdar Enginog ˘lu, Soft set theory and uni–int decision making, European Journal of Operational Research 207 (2010) 848–855.
M.I. Ali, F. Feng, X. Liu, W.K. Min, M. Shabir, On some new operations in soft set theory, Computers and Mathematics with Applications 57 (2009) 1547–1553. H. Aktas , N. Çag ˘man, Soft sets and soft groups, Information Sciences 177 (2007)
2726–2735.
K. Atanassov, Intuitionistic fuzzy sets, Fuzzy Sets and Systems 20 (1986) 87–96. N. Çag ˘man, S. Enginog ˘lu, Soft matrix theory and its decision making,
Computers and Mathematics with Applications 59 (2010) 3308–3314.
D. Chen, E.C.C. Tsang, D.S. Yeung, X. Wang, The parameterization reduction of soft sets and its applications, Computers and Mathematics with Applications 49 (2005) 757–763.
F. Feng, Y.B. Jun, X. Zhao, Soft semirings, Computers and Mathematics with Applications 56/10 (2008) 2621–2628.
W.L. Gau, D.J. Buehrer, Vague sets, IEEE Transactions on Systems, Man and Cybernetics 23/2 (1993) 610–614.
M.B. Gorzalzany, A method of inference in approximate reasoning based on interval-valued fuzzy sets, Fuzzy Sets and Systems 21 (1987) 1–17.
Y.B. Jun, Soft BCK/BCI-algebras, Computers and Mathematics with Applications 56 (2008) 1408–1413.
Y.B. Jun, C.H. Park, Applications of soft sets in ideal theory of BCK/BCI-algebras, Information Sciences 178 (2008) 2466–2475.
Z. Kong, L. Gao, L. Wang, S. Li, The normal parameter reduction of soft sets and its algorithm, Computers and Mathematics with Applications 56 (2008) 3029– 3037.
D.V. Kovkov, V.M. Kolbanov, D.A. Molodtsov, Soft sets theory-based optimization, Journal of Computer and Systems Sciences International 46 (6) (2007) 872–880.
P.K. Maji, R. Bismas, A.R. Roy, Soft set theory, Computers and Mathematics with Applications 45 (2003) 555–562.
P.K. Maji, A.R. Roy, R. Biswas, An application of soft sets in a decision making problem, Computers and Mathematics with Applications 44 (2002) 1077–1083. P. Majumdar, S.K. Samanta, Similarity measure of soft sets, New Mathematics and
Natural Computation 4 (1) (2008) 1–12.
D. Molodtsov, The Theory of Soft Sets, URSS Publishers, Moscow, 2004 (in Russian).
D.A. Molodtsov, V. Yu. Leonov, D.V. Kovkov, Soft sets technique and its application, Nechetkie Sistemy i Myagkie Vychisleniya 1 (1) (2006) 8–39.
M.M. Mushrif, S. Sengupta, A.K. Ray, Texture classification using a novel, Soft - Set theory based classification algorithm, Lecture Notes in Computer Science 3851 (2006) 246–254.
Z. Pawlak, Rough sets, International Journal of Information and Computer Sciences 11 (1982) 341–356.
C.H. Park, Y.B. Jun, M.A. Öztürk, Soft WS-algebras, Communications of Korean Mathematical Society 23/3 (2008) 313–324.
D. Pei, D. Miao, From soft sets to information systems, in: X. Hu, Q. Liu, A. Skowron, T.Y. Lin, R.R. Yager, B. Zhang (Eds.), Proceedings of Granular Computing, vol. 2, IEEE, 2005, pp. 617–621.
A.R. Roy, P.K. Maji, A fuzzy soft set theoretic approach to decision making problems, Journal of Computational and Applied Mathematics 203 (2007) 412– 418.
Zhi Kong, Liqun Gaoa, LifuWang, Steven Li, The normal parameter reduction of soft sets and its algorithm, Computers and Mathematics with Applications 56 (2008) 3029-3037.
D. Chen, E.C.C. Tsang, D.S. Yeung, X.Wang, The parameterization reduction of soft sets and its applications, Computer and Mathematics with Applied
49 (2005) 757-763.
Z. Pawlak, Rough Set: Theoretical Aspects of Reasoning About Data, Kluwer Academic, Boston, MA, 1991.
H.J. Zimmerman, Fuzzy Set Theory and its Applications, Kluwer Academic Publishers, Boston, 1996.
P.K. Maji, R. Biswas, A.R. Roy, Fuzzy soft sets, J. Fuzzy Math. 9 (3) (2001) 589- 602.
A.R. Roy, P.K. Maji, A fuzzy soft set theoretic approach to decision making problems, Comput. Appl. Math. 203 (2007) 412-418.
Feng Feng, Yongming Li, Naim Çag ˘man, Generalized uni–int decision making schemes based on choice value soft sets, European Journal of Operational Research 220 (2012) 162–170.
Gorzalzany, M.B., 1987. A method of inference in approximate reasoning based on interval-valued fuzzy sets. Fuzzy Sets and Systems 21, 1–17.
Jiang, Y., Tang, Y., Chen, Q., Wang, J., Tang, S., 2010a. Extending soft sets withdescription logics. Computers and Mathematics with Applications 59, 2087– 2096.
Jiang, Y., Tang, Y., Chen, Q., 2010b. An adjustable approach to intuitionistic fuzzy soft sets based decision making. Applied Mathematical Modelling.
Jun, Y.B., Park, C.H., 2008. Applications of soft sets in ideal theory of BCK/BCI- algebras. Information Sciences 178, 2466–2475.
Jun, Y.B., Lee, K.J., Park, C.H., 2010a. Fuzzy soft set theory applied to BCK/BCI- algebras. Computers and Mathematics with Applications 59, 3180–3192.
Lijuan Cao and Francis E.H. Tay, Financial Forecasting Using Support Vector Machines, Neural Comput & Applic (2001)10:184–192.
Chung, H., & Tam, K. (1992). A comparative analysis of inductive-learning algorithm. Intelligent Systems in Accounting, Finance and Management, 2, 3–18. Diakoulaki, D., & Papayannakis, L. (1992). A multi-criteria approach for evaluating
the performance of industrial firms. Omega, 20(4), 467–474.
Dimitras, A. I., Zanakis, S. H., & Zopounidis, C. (1996). A survey of business failures with an emphasis on predictionmethods and industrial applications. European Journal of Operational Research, 90, 487–513.
Shin, K.-S., Lee, T. S., & Kim, H.-J. (2005). An application of support vector machines in bankruptcy prediction model. Expert Systems with Applications, 28, 127–135.
Tay, F. E. H., & Cao, L. (2001). Application of support vector machines in financial time series forecasting. Omega, 29, 309–317.
Fengyi Lin, Ching-Chiang Yeh, Meng-Yuan Lee, The use of hybrid manifold learning and support vector machines in the prediction of business failure, Knowledge-Based Systems 24 (2011) 95–101.
F.E.H. Tay, L. Cao, Application of support vector machines in financial time series forecasting, Omega 29 (2001) 309–317.
Y.S. Zhu, Y.Y. Zhang, The study on some problems of support vector classifier,Computer Engineering and Applications 13 (2003) 38–66.
E. Osuna, R. Freund, F. Girosi, Training support vector machines: an applicati onto face detection, in: Proc. Computer Vision and Pattern Recognition, 1997, pp.130–136.
C.C. Chang, C.J. Lin, LIBSVM: A Library for Support Vector Machines, 2001. J.H. Min, Y.C. Lee, Bankruptcy prediction using support vector machine with
optimal choice of kernel function parameters, Expert Systems with Applications 28 (2005) 603–614.
Alabama Bankruptcy Layers, October 1, 2003.
Bankruptcy Prediction. Retrieved on September 24, 2003.
Serrano, Carlos, and Molinero, Cecilio. Finding Treasure Buried in Data: An Example from Finance, 2002.
Artificial Neural Networks. Saint Louis University, School of Business & Administration, September 24, 2003 .
Golinski, Gregory. Bankruptcy Prediction Using Neural Networks, September 22, 2003.
Witkowska, Dorota. Applying Artificial Neural Networks to Bank-Decision Simulations, International Advances in Economic Research, August 1999. Yang, Zheng Rong. A New Method for Company Failure Prediction Using
Probabilistic Neural Networks. Department of Computer Science, Exeter University, 2001.
Li, Xiaotong and Gupta, Jatinder N. D. Neural Networks in Financial Failure Prediction-A Revisit. Decision Sciences Institute 2002 Annual Meeting Proceedings, 2002.
Yangs, Z. R., Platt, Marjorie B. and Platt, Harlan D. Probabilistic Neural Networks in Bankruptcy Prediction, Journal of Business Research 44, 1999. P. 67-74. Odom, Marcus D., Sharda, Ramesh. A Neural Network Model For Bankruptcy
rediction. Neural Networks in Finance and Investment, Probus Publishing Company, 1999. Chapter 10, p. 177-185.
Mu Yen Chen,Predicting corporate financial distress based on integration of decision tree classification and logistic regression Journal of Business Research, (2011).
Soo Y. Kim; Arun Upneja, Predicting restaurant financial distress using decision tree and AdaBoosted decision tree models, Department of Computer Science, Exeter University (2013).
Frydman, H., Altman, E. I., & Kao, D. L. (1985). Introducing recursive partitioning for financial classification: The case of financial distress. Journal of Finance, 40(1), 269–291.
Joannès Vermorel, (2013). Back Testing Definition
Mario Hernandez Tinoco, Nick Wilson (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables. International Review of Financial Analysis, 30, 394–419.
Long, J. S., & Freese, J. (2003). Regression models for categorical dependent variables using Stata. College Station, Texas: Stata Press Merton, R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. Journal of Finance , 29, 449 –470.
Nagelkerke, N. J. D. (1991). A note on a general definition of the coefficient of determination. Biometrika , 78 , 691 –692.
Pindado, J., Rodrigues, L., & De la Torre, C. (2008). Estimating financial distress likelihood. Journal of Business Research , 61, 995 –1003.
Taffler, R. (1983). The assessment of company solvency and performance using a statistical model. Accounting and Business Research , 13, 295–307.
Phạm Hữu Hồng Thái: “Phân tích và quản lý danh mục đầu tư”
Nguyễn Trọng Hoà. (2009) Xây dựng mô hình xếp hạng tín dụng đối với các doanh nghiệp Việt Nam trong nền kinh tế chuyển đổi.
PHỤ LỤC
Hệ thống biến sử dụng trong bài nghiên cứu.
Nhóm Biến Cách tính Ký hiệu
Khả năng thanh toán
X1 Tiền mặt + tương đương/Nợ ngắn hạn TMTDT/NNH
X2 Tiền mặt/Tổng nợ TM/TN
X3 Doanh thu/Khoản phải thu DT/KPT
X4 EBIT/Tổng tài sản DT/TTS
X5 EBIT/lãi vay EBIT/I