Kết quả thực nghiệm cho thấy dùng dữ liệu của các năm 2012, 2013 và 2014 để xây dựng mơ hình dự báo thì kết quả dự báo có độ chính xác rất cao. Điều đó cho thấy việc nghiên cứu dữ liệu của các năm gần với năm cần dự báo rất cần thiết. Đặc biệt dữ liệu cách trước thời điểm dự báo 1 năm và 3 năm cho kết quả tốt nhất.Điều này đưa ra khuyến nghịđối với các nhà đầu tư, nhà quản lý, cơ quan cấp vốn… về việc phải nghiên cứu kĩ hồ sơ doanh nghiệp ở các khung thời gian này trước khi đưa ra cho mình quyết định cuối cùng về việc đầu tư, điều hành cũng như cấp phát vốn cho doanh nghiệp đó.
4.3 Các tỷ số nào là quan trọng nhất trong dự báo kiệt quệ tài chính
Trong rất nhiều tỷ số tài chính được sử dụng để dự báo trong mơ hình thì tỷ số nào là quan trọng nhất, có ý nghĩa dự báo nhất. Khi sử dụng phần mềm Weka để xác định các biến có ý nghĩa trong dự báo kiệt quệ tài chính ở khung thời gian cách năm cần dự báo 3 năm thì các nhóm biến quan trọng này gồm các biến ở Bảng 3.3.
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 t - 1 t - 2 t - 3
Độ chính xác của dự báo theo từng khung thời gian
NN DT SVM
Bảng 4.5 Các biến có ý nghĩa trong dự báo kiệt quệ tài chính khi sử dụng dữ liệu ở
năm t – 3 (năm 2012)
STT Các tỷ số tài chính có nghĩa trong dự báo kiệt quệ tài chính ở khung thời gian t – 3
1 Cash from Operating Activities/Total Current Liabilities
2 Earnings Before Interest and Taxes/Interest Expense
3 (Total Revenue - Cost of Revenue)/Total Revenue
4 Net Income After Taxes/Total Revenue
5 Earnings Before Interest and Taxes/Total Assets
6 Net Income After Taxes/Total Assets
7 Net Income After Taxes/Total Current Assets
8 Net Income After Taxes/Total fixed Assets
9 Net Income After Taxes/Total Equity
10 Total Revenue/Total Current Assets
Tương tự các biến có ý nghĩa trong dự báo kiệt quệ tài chính khi sử dụng khung thời gian cách năm dự báo 2 năm như sau:
Bảng 4.6 Các biến có ý nghĩa trong dự báo kiệt quệ tài chính khi sử dụng dữ liệu ở
năm t – 2 (năm 2013)
STT Các tỷ số tài chính có nghĩa trong dự báo kiệt quệ tài chính ở khung thời gian t – 2
1 Cash from Operating Activities/Total Current Liabilities
2 Earnings Before Interest and Taxes/Interest Expense
3 (Total Revenue - Cost of Revenue)/Total Revenue
4 Net Income After Taxes/Total Revenue
5 Earnings Before Interest and Taxes/Total Assets
6 Net Income After Taxes/Total Assets
7 Net Income After Taxes/Total Current Assets
8 Net Income After Taxes/Total fixed Assets
9 Net Income After Taxes/Total Equity
Các biến có ý nghĩa quan trọng ở khung thời gian dự báo t -1 bao gồm:
Bảng 4.6 Các biến có ý nghĩa trong dự báo kiệt quệ tài chính khi sử dụng dữ liệu ở
năm t – 1 (năm 2014)
STT Các tỷ số tài chính có nghĩa trong dự báo kiệt quệ tài chính ở khung thời gian t – 1
1 Earnings Before Interest and Taxes/Interest Expense
2 Net Income After Taxes/Total Revenue
3 Earnings Before Interest and Taxes/Total Assets
4 Net Income After Taxes/Total Assets
5 Net Income After Taxes/Total Current Assets
6 Net Income After Taxes/Total fixed Assets
7 Net Income After Taxes/Total Equity
8 Total Revenue/Total Current Assets
9 Total Revenue/Total fixed Assets
Các tỷ số quan trọng nhất thay đổi theo từng khung thời gian dự báo. Tuy nhiên, một số tỷ số tài chính có ý nghĩa quan trọng được lặp lại qua các khung thời gian gồm các tỷ số ở Bảng 3.3.Các tỷ số này thuộc các nhóm tỷ số thể hiện khả năng thanh khoản, khả năng sinh lợi và năng lực hoạt động kinh doanh của doanh nghiệp.
Bảng 4.7 Các tỷ số tài chính có nghĩa quan trọng trong dự báo kiệt quệ tài chính
STT Các tỷ số tài chính có nghĩa trong dự báo kiệt quệ tài chính
1 Cash from Operating Activities/Total Current Liabilities
2 (Total Revenue - Cost of Revenue)/Total Revenue
3 Earnings Before Interest and Taxes/Interest Expense
4 Net Income After Taxes/Total Revenue
5 Earnings Before Interest and Taxes/Total Assets
6 Net Income After Taxes/Total Assets
7 Net Income After Taxes/Total Current Assets
8 Net Income After Taxes/Total fixed Assets
Để kiểm định trở lại xem các tỷ số tài chính có ý nghĩa quan trọng nhất trong dự báo kiệt quệ tài chính được chọn ra ở trên có thật sự ảnh hưởng đến tính hiệu quả của dự báo, học viên tiến hành sử dụng bộ dữ liệu gồm 9 tỷ số ở bảng 4.8 thay cho bộ dữ liệu gồm 26 tỷ số tài chính. Các thuật tốn DT, NN, SVM được sử dụng để dự báo cùng với các khung thời gian khác nhau.
Kết quả cho thấy, tính hiệu quả khi dùng bộ dữ liệu rút gọn có tính chính xác tương đương khi dùng bộ dữ liệu gồm 26 tỷ số tài chính.Thậm chí ở một số khung thời gian và một số thuật tốn tính chính xác của dự báo vượt hẳn.
Từ kết quả trên, học viên đề xuất để tiết kiệm thời gian cho việc dự báo kiệt quệ tài chính có thể chọn bộ chỉ số quan trọng nhất như trong bài đã đề xuất để dự báo.Việc áp dụng như vậy vẫn tiết kiệm được nguồn lực mà vẫn đảm bảo tính chính xác trong dự báo.
Bảng 4.8 Kết quả dự báo của các thuật toán khi sử dụng bộ dữ liệu gồm 09 tỷ số tài
chính Thuật tốn t-1 t -2 t-3 NN Precision 0,81 0,86 0,846 Recall 0,694 0,806 0,778 DT Precision 0,778 0,781 0,8 Recall 0,778 0,611 0,667 SVM Precision 0,871 0,86 0,781 Recall 0,861 0,806 0,611
Bảng 4.9 thể hiện độ chính xác và độ phủ của các thuật tốn khi sử dụng các khung thời gian khác nhau dùng để dự báo kiệt quệ tài chính.
Các đồ thị thể hiện sự so sánh tính chính xác khi sử dụng các bộ dữ liệu đầy đủ và rút gọn qua các khung thời gian dự báo khác nhau:
Hình 4.6 Độ chính xác của các thuật tốn theo hai bộ dữ liệu(Sử dụng khung thời
gian t -1)
Hình 4.6 thể hiện độ chính xác của các thuật tốn khi sử dụng khung thời gian t -1 tức là dùng dữ liệu năm 2014 để dự báo cho năm 2015. Kết quả cho thấy việc sử dụng bộ dữ liệu rút gọn có hiệu quả dự báo cao hơn đối với thuật toán NN và SVM. Riêng DT khi dùng bộ dữ liệu 09 tỷ số tài chính thì kết quả dự báo khơng chính xác bằng khi sử dụng bộ 26 tỷ số tài chính.
Hình 4.7 Độ chính xác của các thuật tốn theo hai bộ dữ liệu (Sử dụng khung thời
0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86 0.88 NN DT SVM Độ c h ín h xác Thuật tốn Bộ dữ liệu gồm 09 chỉ tiêu tài chính Bộ dữ liệu gồm 26 chỉ tiêu tài chính 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 NN DT SVM Độ c h ín h xác Thuật tốn Bộ dữ liệu gồm 09 chỉ tiêu tài chính Bộ dữ liệu gồm 26 chỉ tiêu tài chính
Hình 4.7 thể hiện độ chính xác của các thuật tốn khi sử dụng khung thời gian t -2 tức là dùng dữ liệu năm 2013 để dự báo cho năm 2015. Kết quả cho thấy tại khung thời gian này việc sử dụng bộ dữ liệu rút gọn có hiệu quả dự báo cao hơn đối với cả 3 thuật toán gồm DT, NN và SVM.
Hình 4.8 Độ chính xác của các thuật toán theo hai bộ dữ liệu (Sử dụng khung thời
gian t -3)
Hình 4.8 thể hiện độ chính xác của các thuật tốn khi sử dụng khung thời gian t -3 tức là dùng dữ liệu năm 2012 để dự báo cho năm 2015. Kết quả cho thấy việc sử dụng bộ dữ liệu rút gọn có hiệu quả dự báo cao hơn đối với thuật toán NN. Riêng DT và SVM khi dùng bộ dữ liệu 09 tỷ số tài chính thì kết quả dự báo khơng chính xác bằng khi sử dụng bộ 26 tỷ số tài chính.
Việc kiểm tra trở lại tính chính xác của dự báo khi dùng bộ dữ liệu rút gọn đã đưa ra một gợi ý như sau:
Khi việc nghiên cứu để xác định một cơng ty có kiệt quệ tài chính hay khơng cần thực hiện nhanh chóng thì thuật tốn NN với bộ dữ liệu gồm 09 tỷ số tài chính là một gợi ý đáng giá. Vì với bộ dữ liệu rút gọn này, cùng với việc chỉ cần nghiên
0.74 0.76 0.78 0.8 0.82 0.84 0.86 NN DT SVM Độ ch ín h xá c Thuật tốn Bộ dữ liệu gồm 09 chỉ tiêu tài chính Bộ dữ liệu gồm 26 chỉ tiêu tài chính
quệ tài chính với mức độ chính xác cao 81%. Ngồi ra thì với thuật tốn SVM thì bộ dữ liệu rút gọn cũng cho kết quả dự báo cao hơn so với bộ dữ liệu đầy đủ chỉ trừ khung thời gian t -2. Cịn đối với DT thì kết quả thực nghiệm đã hàm ý rằng khi sử dụng thuật toán DT để dự báo thì nên sử dụng bộ dữ liệu đầy đủ sẽ cho hiệu quả cao hơn so với bộ dữ liệu rút gọn.
KẾT LUẬN VÀ KIẾN NGHỊ Kết luận
Nghiên cứu này sử dụng phương pháp khai phá dữ liệu (Data mining) để dự báo kiệt quệ tài chính. Mẫu nghiên cứu là các cơng ty đã và đang được niêm yết trên Sở Giao Dịch Chứng Khoán Thành Phố Hồ Chí Minh (HOSE), Sàn giao dịch chứng khoán Hà Nội (HNX) trong giai đoạn 2011 – 2015. Mục tiêu của nghiên cứu này là nhằm đánh giá xem phương pháp khai phá dữ liệu có thể sử dụng để dự báo kiệt quệ tài chính của các cơng ty ở Việt Nam chính xác hay khơng, những chỉ số tài chính nào có hiệu quả nhất trong dự báo và khung thời gian nào dùng để dự báo sẽ cho kết quả hiệu quả nhất.
Để đạt được mục tiêu nghiên cứu, học viên đã lần lượt sử dụng các thuật toán gồm cây quyết định (decision tree), mạng nơ ron nhân tạo (neural network), Support Vector Machine (SVM) để xác định xem các thuật tốn này có dự báo kiệt quệ tài chính tốt hay khơng và phương pháp nào dự báo tốt nhất.
Dựa trên kết quả nghiên cứu, có thể thấy rằng cả 3 phương pháp đều dự báo khá chính xác tình trạng (kiệt quệ - khơng kiệt quệ) của các công ty trong mẫu nghiên cứu. Ngoài ra, học viên khuyến nghị việc sử dụng thuật toán cây quyết định (decision tree) sẽ cho kết quả dự báo chính xác cao nhất. Các khung thời gian cách năm cần dự báo từ 1 đến 3 năm cho kết quả dự báo khá tốt.Theo đó, có thể kết luận rằng các mơ hình này đều phù hợp trong việc dự báo kiệt quệ tài chính cho các doanh nghiệp Việt Nam trong giai đoạn hiện nay.
Đặc biệt luận văn đã chỉ ra được một bộ gồm 09 các tỷ số tài chính có ý nghĩa quan trọng nhất trong dự báo kiệt quệ tài chính. Như vậy, với một bộ dữ liệu gọn nhẹ sẽ giúp cho việc dự báo kiệt quệ tài chính được nhanh chóng hơn mà vẫn có hiệu quả cao.
Hạn chế của đề tài và hướng nghiên cứu tiếp theo
Đề tài chỉ sử dụng dữ liệu của một ít cơng ty cổ phần được niêm yết trên 2 thị trường: HNX, HOSE. Và do dữ liệu về các công ty đã phá sản khơng cịn được công bố công khai nên học viên đã sử dụng tiêu chí là cơng ty bị lỗ hai năm liên tiếp sẽ được gán nhãn là kiệt quệ để sử dụng trong thực nghiệm.
Giới hạn tiếp theo của đề tài này là việc áp dụng Luật Phá sản Việt Nam còn nhiều nhiêu khê, số doanh nghiệp được chấp thuận phá sản là không nhiều, điều này cũng làm ảnh hưởng đến kết quả nghiên cứu vì khơng thể sử dụng dữ liệu của các công ty bị phá sản để làm mẫu nghiên cứu.
Tóm lại, các nghiên cứu trong tương lai, với mẫu nghiên cứu lớn hơn, khoảng thời gian nghiên cứu dài hơn, và số lượng doanh nghiệp kiệt quệ tài chính nhiều hơn, sẽ cho ra kết quả có tính tổng qt và đúng đắn hơn so với nghiên cứu này. Cùng vớiđó, khi Luật Phá sản mới được ban hành, với những quy định mới trong việc xácđịnh phá sản, và cho phép doanh nghiệp được phá sản dễ dàng hơn, thì kết quả nghiên cứu cũng sẽ phù hợp hơn cho môi trường kinh tế Việt Nam.
TÀI LIỆU THAM KHẢO
Danh mục Tài liệu Tiếng Việt
1. Trần Ngọc Thơ và cộng sự, 2007. Tài chính doanh nghiệp hiện đại.
Thành phố Hồ Chí Minh: NXB Thống kê.
Danh mục Tài liệu Tiếng Anh
1. Ahn, B. S., Cho, S. S., & Kim, C. Y, 2000. The integrated methodology
of rough set theory and artificial neural network for business failure prediction. Expert Systems with Applications, 18(2), 65–74.
2. Altman, Edward I., Predicting Financial Distress of Companies:
Revisiting the Z-Score and ZETA® Models, 7-35.
3. Altman, Edward., 1968. Financial ratios, discriminant analysis and the
prediction of corporate bankruptcy. Journal of finance, 589-609.
4. Altman, E. I, 1984. The success of business failure prediction models:
An international survey. Journal of Banking & Finance, 8(2), 171–198.
5. Altman, E. I, 1993. Corporate Financial Distress and Bankruptcy (2nd
ed.). New York: John Wiley & Sons.
6. Altman, E. I., Heine, M. L., Zhang, L., & Yen, J, 2007. Corporate financial distress diagnosis in China. Salomon Center Working Paper,
New York University.
7. Bailey, W. B., Huang, W., & Yang, Z, 2011. Bank loans with Chinese
characteristics: Some evidence on inside debt in a state-controlled banking system. Journal of Financial and Quantitative Analysis, 46(6),
1795–1830.
8. Ball, R., & Foster, G, 1982. Corporate financial reporting: A methodological review of empirical research. Journal of Accounting
Research, 20, 161–234.
9. Beaver, W. H, 1966. Financial ratios as predictors of failure. Journal of Accounting Research, 4, 71–111.
10. Błaszczyn ´ ski, J., Greco, S., & Słowin ´ ski, R, 2007. Multi-criteria classification – A new scheme for application of dominance-based decision rules. European Journal of Operational Research, 181(3), 1030–
1044.
11. Bose, I., & Pal, R, 2006. Predicting the survival or failure of click-and-
mortar corporations: A knowledge discovery approach. European
Journal of Operational Research, 174(2), 959–982.
12. Carlos, S.-C, 1996. Self-organizing neural networks for financial diagnosis. Decision Support Systems, 17(3), 227–238.
13. Chen, M. Y, 2013. A hybrid ANFIS model for business failure prediction
utilizing particle swarm optimization and subtractive clustering.
Information Sciences, 220, 180–195.
14. Chen, W. S., & Du, Y. K, 2009. Using neural networks and data mining
techniques for the financial distress prediction model. Expert Systems
with Applications, 36(2), 4075–4086.
15. Cohen, S., Doumpos, M., Neofytou, E., & Zopounidis, C, 2012.
Assessing financial distress where bankruptcy is not an option: An alternative approach for local municipalities. European Journal of
Operational Research, 218(1), 270–279.
16. Dairui, L., & Jia, L, 2009. Determinants of financial distress of ST and
PT companies: A panel analysis of Chinese listed companies.
<http://papers.ssrn.com/sol3/papers.cfm?abstract_id=1341795> Last accessed 07.08.16.
17. Davis, J., & Goadrich, M, 2006. The relationship between precision- recall and ROC curves. In Proceedings of the 23rd international
conference on machine learning, Pittsburgh, USA (pp. 233–240).
18. Dhar, S., Mukherjee, T., & Ghoshal, A. K, 2010. Performance evaluation of neural network approach in financial prediction: Evidence from India Market. In Proceedings of the international conference on
communication and computational intelligence, Erode, India (pp. 597– 602).
19. Dimitras, A. I., Zanakis, S. H., & Zopounidis, C, 1996. A survey of business failures with an emphasis on prediction methods and industrial applications. European Journal of Operational Research, 90(3), 487–
513.
20. Ding, Y., Song, X., & Zen, Y, 2008. Forecasting financial condition of
Chinese listed companies based on support vector machine. Expert
Systems with Applications, 34(4), 3081–3089.
21. Du Jardin, P., & Séverin, E, 2012. Forecasting financial failure using a
Kohonenmap: A comparative study to improve model stability over time.
European Journal of Operational Research, 221(2), 378–396.
22. Fan, A., & Palaniswami, M, 2000. Selecting bankruptcy predictors using
a support vector machine approach. In Proceedings of the international
joint conference on neural networks, Como, Italy.
23. Fletcher, D., & Goss, E, 1993. Forecasting with neural networks: An application using bankruptcy data. Information & Management, 24(3),
159–167.
24. 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.