Thước đo Mơ
hình 1 Mơ hình 2 Mơ hình 3 Mơ hình 4 Mơ hình 5 Mơ hình 6 Mơ hình t AUC 0.9391 0.9413 0.9699 0.9687 0.9740 0.9742 Gini rank coefficient 0.8782 0.8826 0.9398 0.9374 0.9480 0.9484 Pseudo- R2 0.2948 0.4102 0.4981 0.4938 0.5400 0.5396
Cox & Snell’s R2 0.0650 0.0900 0.1080 0.1070 0.1170 0.1170
Nagelkerke’s R2 0.3190 0.4380 0.5270 0.5220 0.5680 0.5680
Hosmer-Lemeshow goodness of tit test Hosmer-Lemeshow chisquare (8) 14.48 8.95 1.73 2.61 1.55 0.78 Prob.Chi-sq(8) 0.0701 0.3466 0.9883 0.9563 0.9918 0.9993 Mơ hình t-1 AUC 0.7331 0.8093 0.957 0.8349 0,8598 0.8598 Gini rank coefficient 0.4662 0.6186 0.914 0.6698 0.7196 0.7178 Pseudo- R2 0.0903 01556 0.4597 0.1698 0.2085 0.195
Cox & Snell’s R2 0.0220 0.0380 0.1000 0.0410 0.0510 0.0470
Nagelkerke’s R2 0.1010 0.1720 0.4880 0.1880 0.2300 0.2150
Hosmer-Lemeshow goodness of fit test
Hosmer-Lemeshow
chisquare (8) 8.48 6.1 2,08 7,25 5,42 6,73
Prob.Chi-sq(S) 0.3881 0.636 0.9785 0.5095 0.7117 0.5657
Các thước đo được tác giả áp dụng để đánh giá mức độ phù hợp của mơ hình là:
AUC (Area under the ROC Curve) là vùng diện tích dưới đường cong ROC cho đến điểm có tọa độ là (1;0) ở góc phải đồ thị. Giá trị AUC bằng 1 đại diện cho một mơ hình hồn hảo.
Hệ số Gini rank cocfficcient được tính theo cơng thức (2*AIJC-1). Một mơ hình lý tưởng, tức là mơ hình phân loại được hồn hảo các quan sát tốt và quan sát xấu, có hệ số Gini bằng 1.
Các giá trị thống kê R2: Pseudo-R2, Cox & Snell’s R2, Nagelkerke’s R2. Các giá trị R2 được tính dựa trên hàm log-likelihood của mơ hình có các biến độc lập và tung độ góc, hàm log-likclihood của mơ hình khơng (null model - mơ hình chỉ có tung độ góc) và số quan sát trong mẫu. Các giá trị R2 đều đo lường mức độ cải thiện khả năng dự báo của mơ hình khi có các biến độc lập so với mơ hình chỉ có tung độ gốc.
Hosmer-Lemeshow Goodness of fit tests: Một giá trị nhỏ của chisquare (<15) và một giá trị lớn của p-value (>0.05) gợi ý rằng mơ hình phù hợp tốt với dữ liệu.
Mơ hình khơng dùng biến trễ (t):
Mơ hình 1 (t) hiệu chỉnh bao gồm 3 biến tỷ số tài chính: TFOTL, TLTA, COVERAGE có giá trị AUC = 0.9391, cho thấy độ chính xác của mơ hình ở mức rất cao. Việc thêm vào mơ hình hoặc là các biến số vĩ mơ hoặc là các biến chỉ số thị trường vào mơ hình chỉ các biến tỷ số tài chính đã làm gia tăng giá trị của AUC (AUC Mơ hình 2 (t) = 0.9413; AUC mơ hình 3 (t) = 0.9699; AUC mơ hình 4 (t) = 0.9687). Điều này cho thấy các thông tin thị trường hay mơi trường kinh tế vĩ mơ có ảnh hưởng và đóng góp đáng kể vào kết quả của mơ hình đo lường khả năng kiệt quệ tài chính. Đặc biệt mơ hình 5 (t) và mơ hình 6 (t) là mơ hình kết hợp tồn bộ các biến tài chính, vĩ mơ và thị trường (TFOTL, TLTA, NONCREDINT, COVERAGE, CPI, TBILL, PRICE,ABNRET trong mơ hình 5; TFOTL, NONCREDINT, COVERAGE, CPI, TBILL, PRICE, ABNRET, MCTD trong mơ hình 6) có giá trị AUC = 0.9740 và 0.9742, 2 giá trị này cho thấy sự chênh lệch là không q lớn, Mơ hình 6 (t) là cao nhất trong các mơ hình nhưng lại có một biến khơng có dấu giống như kỳ vọng. Tóm lại, ngồi các thơng tin tài chính từ doanh nghiệp, các biến số vĩ mô cho thấy môi trường mà doanh nghiệp hoạt động, các thông tin thị trường hàm chứa một lượng lớn thơng tin khơng có sẵn trong các báo cáo tài chính nhưng lại được thị trường đặc biệt quan tâm. Sự kết hợp này đóng vai trị gia tăng mức độ chính xác trong việc dự báo xác suất kiệt quệ tài chính của doanh nghiệp.
Ngồi AUC, Gini rank coefficient trong mơ hình 1 (t) nhận giá trị khá lớn (0.8782) và gia tăng giá trị qua các mô hình (t) 2, 3,4,5 và 6. Điều này cũng tương tự cho Pseudo- R2, Nagelkcrke's R: và Cox và SnelPs R2. Pseudo- R2 và Nagelkerke’s R2 lần lượt nhận các giá trị 0.2948 và 0.3190 trong mơ hình 1, sau đó tăng dần khi bổ sung các biến vĩ mơ và thị trường vào mơ hình.
Goodness of fit tests với Hosmer-Lemeshow, giá trị của Hosmer-Lemeshow chisquare(8) nhận các giá trị nhỏ và p-value khá lớn. Đặc biệt trong mơ hình 6 (t) (Hosmer- Lemeshovv chi-square = 0.78 và Prob.chi-square = 0.9993) điều này cho thấy mơ hình phù hợp tốt với dữ liệu.
Tất cả các thảo luận ở trên cho thấy, các biến độc lập (TFOTL, NONCREDINT, COVERAGE, CPI, TBILL, ABNRET và MCTD) đang giải thích tốt tình trạng kiệt quệ tài chính của doanh nghiệp. Sự kết hợp các thông tin vĩ mô và thơng tin thị trường giúp gia tăng mức độ chính xác trong việc dự báo kiệt quệ tài chính của doanh nghiệp. Mơ hình phù hợp tốt với dữ liệu. Hay nói cách khác, các biốn TFOTL, NONCREDINT, COVERAGE, CPI. TB ILL, ABNRET, MCTD có thể dùng để xây dựng một mơ hình dự báo kiệt quệ tài chính cho doanh nghiệp ngay tại thời điếm quan sát (năm t).
Mơ hình dùng biến trễ 1 năm (t-1)
Mơ hình 1 (t-1) có giá trị AUC = 0.7331 và Gini = 0.4662, cho thấy độ chính xác của mơ hình ở mức độ vừa phải. Các giá trị R nhận các giá trị rất thấp, điều này có thể chấp nhận được khi mà mơ hình hồi quy (t-1) này chỉ sử dụng 3 biến tài chính. Lần lượt qua các mơ hình 2,3,4,5.6 (t-1) ta thấy các giá trị AUC, Gini và các hệ số R có sự tăng lên rồi giảm xuống mà cao nhất là ở mơ hình 3 (t-1 ) có AUC = 0.957, hệ số Gini là 0.914 và Negelkerkc’s R ’ là 0.4880 điều này cho thấy các biến chỉ số vĩ mô không làm gia tăng được mức độ dự báo của mơ hình ở độ trễ 1 năm, sự kết hợp của các biến TLTA, COVERAGE và ABRNET cho kết quả dự báo phù hợp nhất với độ trễ 1 năm (t-l).
Goodness of fit tests với Hosmer-Lemeshow, các giá trị của Hosmer-Lemeshow chisquarc(H) nhận các giá trị lớn (<I5) và p-value khá lớn (Hosmer-Lemcshow chi- square của mơ hình 3 = 2.08 và Prob. Chi-Sq = 0.9785). Điều này cho thấy mơ hình phù hợp với dữ liệu.
Tóm lại trong các mơ hình với độ trễ 1 năm (chỉ duy nhất các giá trị AUC ở mức cao, trong khi các giá trị R2 nhận giá trị thấp, ngồi ra Goodness of fit tests khơng cho kết quá tốt), điều này gợi ý rằng các kết quả chỉ mang tính chất gợi ý và một mơ hình dự báo trước (1 năm) kiệt quệ tài chính hơn là một mơ hình chính xác.
4.6.2. Kiểm định sự khác nhau về mặt thống kê của các giá trị AUC
Về mặt trực quan, các giá trị AUC là khác nhau giữa các mơ hình nhưng để có một kết luận vững hơn, tác giả thực hiện kiểm định phi tham số Mann Whitney kiểm định xem sự khác nhau giữa các giá trị AUC có thực sự khác nhau về mặt thống kê giữa các mơ hình hiệu chỉnh với độ trễ t và t-1 hay không.
Khả năng phân loại của một mơ hình bằng 0 khi dường ROC trùng với đường 450 hay nói cách khác là AUC = 0.5. Ngược lại, AUC = 1 cho thấy một mơ hình có khả năng phân loại hồn hảo. Do đó. một mơ hình có giá trị AUC càng gần với 1 thì khả năng phân loại càng tốt.
4.6.2.1. AUC trong các mơ hình khơng dùng biến trễ
Giả thuyết HO: AUC (mơ hình 1 hiệu chỉnh (t)) = AUC (mơ hình 2 hiệu chỉnh (t))=AUC (mơ hình 3 hiệu chinh (0) = AUC (mơ hình 4 hiệu chinh (t))=AUC (mơ hình 4 hiệu chỉnh (0) = AUC (mơ hình 5 hiệu chinh (0).
P - value = 0.0008
Đồ thị 1: Sự so sánh giữa các giá trị AUC của mơ hình 1, mơ hình 2, mơ hình 3, mơ
hình 4, mơ hình 5 và mơ hình 6 ở ngay tại năm quan sát (t). Đồ thị thể hiện đường ROC cũng như giá trị AUC của mơ hình 1, mơ hình 2, mơ hình 3, mơ hình 4, mơ hình 5 và mơ hình 6. Sự so sánh được thực hiện bằng phương pháp phi tham số nhầm so sánh các giá trị AUC. Khả năng phân loại của một mơ hình bằng 0 khi đường ROC trùng với đường 45° hay nói cách khác là AUC = 0.5. Ngược lại, AUC = 1 cho thấy một mơ hình có khả năng phân loại hồn hảo. Do đó. một mơ hình có giá trị AUC càng gần với 1 thì khả năng phân loại càng tốt. Giá trị p - value = 0.0008 cho thấy giả thuyết H0 (các giá trị AUC của sáu mơ hình là bằng nhau) có thể bị bác bỏ ở mức ý nghĩa 1%, hay nói cách khác là các giá trị AUC khác nhau một cách có ý nghĩa thống kê.
4.6.2.2. AUC trong các mơ hình khơng dùng biến trễ 1 năm (t-1)
Giả thuyết H0: AUC (mơ hình 1 hiệu chỉnh (t-l )) = AUC (mơ hình 2 hiệu chỉnh (t- 1))=AUC (mơ hình 3 hiệu chỉnh (t-1)) = AUC (mơ hình 4 hiệu chình (t-l))=AUC (mơ hình 4 hiệu chỉnh (t-1)) = AUC (mơ hình 5 hiệu chỉnh (1-1 )).
Giá trị p - value = 0.0000 cho thấy giả thuyết H0 bị bác bỏ ở mức ý nghĩa 1%. Các giá trị AUC có ý nghĩa thống kê và sự kết hợp dữ liệu tài chính và thị trường ở độ trễ t-1 làm gia tăng khả năng dự báo thay vào đó sự kết hợp biến vĩ mô vào sẽ làm suy giảm khà năng dự báo của mơ hình hồi quy ở độ trễ t-1. Chính vì vậy các biến vĩ mơ khơng có đóng góp nhiều trong việc dự báo kiệt quệ tài chính ở độ trễ 1 năm (t-l), sự kết hợp tốt nhất là giữa các biến tài chính vì thị trường cụ thể là TLTA, COVERAGE và ABNRET.
4.6.3. Thông đạt kết quả hồi quy, đo lường hiệu ứng cận biên
Các thơng số ước lượng từ các mơ hình nhị phân khơng giống như các mơ hình tuyến tính, nó khơng giải thích trực tiếp mối quan hệ giữa biến độc lập và biến phụ thuộc (Long & Freese. 2003). Trong các nghiên cứu về phá sản và vở nợ trước đây, những mơ hình dự báo kiệt quệ tài chính được xây dựng bằng cách sử dụng mơ hình kết quả nhị phân, luôn chỉ tập trung vào khả năng phân loại tổng thể hoặc độ chính xác dự báo mà hiếm khi cung cấp sự giải thích về mối quan hệ giữa các biến dự báo và biến
phụ thuộc nhị phân, các giá trị của hệ số ước lượng khơng thể giải thích những tác động của biến động lập riêng rẽ lên sự thay đổi của biến phụ thuộc trong mơ hình do tính chất phi tuyến. Phương pháp đo lường hiệu ứng cận biên (marginal effects) được sử dụng để thông đạt kết quả hồi quy. Khi xem xét tác động của từng biến, các biến dộc lập còn lại sẽ giữ cố định tại giá trị trung bình trong miền xác định của từng biến.
Bảng 4. 8. Hiệu ứng cận biên của từng biến trong các mơ hình hồi quy
Variable Mơ hình 1 Mơ hình 2 Mơ hình 3 Mơ hình 4 Mơ hình 5 Mơ hình 6
t t-1 t-2 t t-2 t t-1 t t-1 t t-l t t-1 TFOTL - 0.02343 -0.02433 - 0.00657 - 0.01891 - 0.00156 - 0.00177 - 0.00096 - 0.00096 - 0.01378 TLTA 0.03573 0.05596 0.07369 0.00844 0.04071 0.00194 0.00524 0.00081 0.02908 NONCREDINT - 0.00045 - 0.00020 - 0.01021 - 0.00022 COVERAGE - 0.01245 -0.02042 - 0.00275 - 0.01342 - 0.00104 - 0.00290 - 0.00109 - 0.01208 - 0.00048 0.00015 - 0.00049 - 0.00613 CPI 0.00022 0.00042 0.00003 0.00257 0.00003 0.00018 TBILL 0.00120 0.00566 0.00015 0.00014 0.00278 PRICE - 0.00053 ABNRET - 0.00442 - 0.00982 - 0.00439 - 0.03793 - 0.00188 - 0.02818 - 0.03001 SIZE - 0.00183 MCTD - 0.00208 - 0.01379 - 0.00045
Để tiện việc so sánh hiệu ứng cận biên của các biến với nhau, tác già sẽ chỉ xem xét cụ thể chúng trong mơ hình 6, mơ hình có đầy đủ các biến được đưa vào. Ngồi ra, đây cũng là mơ hình có ý nghĩa thống kê nhất. Ý nghĩa cùa các giá trị được giải thích như sau: (xem xét cụ thể mơ hình 6 (t) và các mơ hình khác cùng được giải thích tương tự)
- Đối với các biến tài chính: biến TFOTI khi giá trị TANH của tỷ số dòng tiền hoạt động chia cho tổng nợ tăng 1 đơn vị thì xác suất để cơng ty lâm vào tình trạng kiệt quệ tài chính sẽ sụt giảm trung bình gần 0.096%, trong điều kiện các biến độc lập khác giữ cố định tại mức giá trị trung bình. Giải thích tương tự ta thấy rằng, trong các biến số tỷ số tài chính, biến số NONCREDINT có mức độ hiệu ứng cận biên trung bình lớn nhất và biến CP1 có mức hiệu ứng trung bình thấp nhất.
- Đối với 2 biến số thị trường: hiệu ứng cận biên trung bình của biến MCTD nhỏ hơn biến SIZE. Theo đó, khi giá trị TANH của biến giá trị vốn hóa thị trường trên tổng nợ gia tăng 1 đơn vị thì xác suất để cơng ty rơi vào tình trạng kiệt quệ tài chính sẽ sụt giảm trung bình gần 0.05%.
- Đối với các biến số vĩ mơ: biến số TBILL có hiệu ứng mạnh mẽ hơn so với biến số CPI. Cụ thể khi lãi suất Tbill gia tăng 1% thì xác suất cơng ty rơi vào tình trạng kiệt quệ tài chính sẽ gia tăng trung bình 0,015% trong điều kiện các yếu tố khác cố định tại giá trị trung bình.
CHƯƠNG V: KẾT LUẬN
5.1. Tóm tắt kết quả nghiên cứu
Luận văn đã trình bày về (i) cách xác định tình trạng kiệt quệ tài chính của các doanh nghiệp (ii) các yếu tố ảnh hưởng đến xác suất kiệt quệ tài chính để từ đó xây dựng lên mơ hình dự báo và (iii) đánh giá được mức độ ảnh hưởng của các nhân tố lên xác suất kiệt quệ tài chính của doanh nghiệp được niêm yết trên sàn GDCK TPHCM (HOSE) và sàn GDCK Hà Nội (HNX). Luận văn cũng đã có những ưu điểm nhất định:
Thứ nhất, xác định được tình trạng kiệt quệ tài chính của một cơng ty khơng phải chỉ xác định dựa trên hậu quả pháp lý cuối cùng là phá sản như phần lớn các nghiên cứu trước đây. Thay vào đó, một cơng ty rơi vào tình trạng kiệt quệ tài chính khi lợi nhuận từ hoạt động khơng đủ để trang trải các nghĩa vụ tài chính và thị trường sẽ đánh giá tiêu cực về điều này thể hiện qua sự tăng trưởng âm trong trong giá trị thị trường. Bên cạnh đó, luận văn cũng kiểm chứng sự đóng góp của ba loại biến số vào mơ hình dự báo tình trạng kiệt quệ tài chính: biến tỷ số tài chính, biến chỉ báo kinh tế vĩ mơ và biến thị trường. Từ đó, tác giả đã xây dựng được mơ hình có thể dự báo tốt khả năng kiệt quệ tài chính của một cơng ty.
Thứ hai. luận văn cũng đã cho thấy sự kết hợp có ý nghĩa giữa các nhóm biến tài chính, vĩ mơ và thị trường trong việc dự báo xác suất kiệt quệ tài chính và làm tăng khả năng dự báo của mơ hình. Các biến có thể kết hợp với nhau để dự báo khả năng kiệt quệ tài chính của doanh nghiệp ngay tại năm quan sát (năm t) và cung cấp một mơ hình gợi ý để dự báo cho mơ hình dự báo trước 1 năm.
Thứ ba. luận văn cho phép lượng hóa tác động của từng biến lên xác suất kiệt quệ tài chính của cơng ty. Trong đó biến thị trường có mức ảnh hưởng cao nhất, tiếp đến là các biến tài chính và vĩ mơ. Điều này khẳng định gía trị của dữ liệu thị trường hàm chứa rất nhiều ý nghĩa dự báo đến khả năng kiệt quệ tài chính của doanh nghiệp.
5.2. Những hạn chế của đề tài và hướng nghiên cứu trong tương lai
Giai đoạn từ năm 2008 đến năm 2015 có sự biến động mạnh trong nền kinh tế Việt Nam cũng như trên tồn thế giới, khủng hoảng tài chính tồn cầu năm 2008, khủng hoảng nợ công năm 2010, các vấn đề lạm phát và lãi suất tăng cao đột biến. Dữ liệu nghiên cứu cũng chứa bao quát hết được tất cả các công ty trên thị trường cho nên để có mơ hình dự báo được chính xác hơn cần thu thập thêm nhiều dữ liệu từ các công công ty trên 2 sàn giao dịch. Các dữ liệu của các nguồn cũng có một sự chênh lệch nên cần phải đối chiếu so sánh qua lại giữa các nguồn. Các dữ liệu về kế toán ở các doanh nghiệp Việt Nam thường được làm đẹp hóa các dữ liệu thị trường đặc biệt là dữ liệu về giá đôi khi không phản ánh đúng giá trị thực của doanh nghiệp do hiện