CHƯƠNG 1 : GIỚI THIỆU
2.3. Các phương pháp phân tích sử dụng trong nghiên cứu
Trong giai đoạn đầu, Beaver (1960) là người đặt nền móng cho dự báo kiệt quệ thơng qua việc phân tích các chỉ số tài chính đơn lẻ từ đó phân loại cơng ty kiệt quệ và công ty không kiệt quệ. Altman (1968) cho rằng mơ hình dự báo kiệt quệ tài chính áp dụng kỹ thuật phân tích các chỉ số tài chính đơn lẻ thì q đơn giản để ghi nhận tính phức tạp của sự phá sản bởi vì khơng thể phân loại một cơng ty chỉ dựa vào một chỉ số tài chính đơn lẻ ở một thời điểm. Hơn nữa, phương pháp này dễ đưa ra các kết luận mâu thuẫn và nhầm lẫn bởi vì các kết quả phân loại theo các tỷ số khác nhau là khác nhau đối với cùng một cơng ty. Thay vào đó, Altman đã sử dụng kỹ thuật phân tích đa biệt số (MDA – Multiple Discriminant Analysis) nhằm đưa ra những dự báo chính xác hơn với sự kết hợp nhiều tỷ số. Tuy nhiên, phương pháp MDA cũng hàm chứa trong nó những hạn chế nhất định: tỷ số Z được suy ra từ một hàm tuyến tính, mà khi tỷ số này cao hơn hay thấp hơn một điểm giới hạn nào đó thì cơng ty được phân loại là khơng phá sản hay phá sản. Trong thực tế thì một cơng ty có thể gặp phải vấn đề tài chính ngay cả khi các tỷ số là rất cao và rất thấp, hay nói cách khác các tỷ số này tuân theo một hàm phi tuyến. Nhằm mục đích khắc phục những hạn chế của phương pháp MDA, mơ hình thống kê xác suất có điều kiện (Logistic/Probit) đã được sử dụng thay thế phương pháp MDA. Ohlson (1980); Shumway (2001); Altman & Sabato (2007); Campbell, Hilscher & Szilagyi (2008); Tinoco & Wilson (2013) đều áp dụng các mơ hình thống kê xác suất có điều
kiện (Logistic/ Probit). Các mơ hình xác suất có điều kiện cho phép ước lượng xác suất kiệt quệ tài chính của một cơng ty là biến phụ thuộc nhị phân. Phần lớn các bài nghiên cứu cho thấy ước lượng với biến nhị phân bằng mơ hình xác suất có điều kiện sẽ đạt được mức độ chính xác cao hơn trong dự báo kiệt quệ tài chính.
Ngày nay với sự phát triển khoa học cơng nghệ và các nền nảng về trí thơng minh nhân tạo, mơ hình mạng thần kinh nhân tạo (Artificial Neural networks - ANN) bắt đầu áp dụng vào nghiên cứu dự báo kiệt quệ tài chính từ những năm đầu thập niên 90. Mơ hình ANN là một cơng cụ hữu ích trong tài chính định lượng hiện đại và được biết đến như là một mơ hình hóa thống kê hữu ích. Tam (1991), áp dụng mơ hình mạng thần kinh nhận tạo để dự báo phá sản cho các ngân hàng ở Texas. Alfaro, E., García, N.,Gámez, M., &Elizondo, D. (2008) đã xây dựng mơ hình áp dụng mơ hình mạng thần kinh nhân tạo trong nghiên cứu “Bankruptcy forecasting: An empirical comparision of AdaBoost and neural networks”. Tseng & Hu (2010) cũng áp dụng phương pháp này trong nghiên cứu “Comparing four bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks”. Tinoco & Wilson (2013) cũng sử dụng mơ hình ANN để so sánh với kết quả dự báo theo mơ hình Logistic. Mơ hình ANN có lợi thế là khắc phục các giả định trong các mơ hình truyền thống, phương pháp này có thể phát hiện các mối quan hệ phi tuyến tính loại bỏ được các thông tin nhiễu thường xảy ra quá trình kiệt quệ và phá sản của cơng ty. Tuy nhiên, các mơ hình ANN thường phức tạp và trong khi một mơ hình Logistic thì đơn giản hơn. Chúng ta có thể hiểu, hoặc hình dung được những gì mà hồi quy Logit thực hiện trong khi điều đó thì rất khó với mơ hình hồi quy mạng thần kinh nhân tạo. Vì vậy, trong các nghiên cứu về dự báo kiệt quệ tài chính và phá sản, mơ hình hồi quy Logit vẫn được sử dụng phổ biến hơn và trong bài luận văn này, tác giả chọn mơ hình hồi quy Logit tương tự như Tinoco & Wilson (2013).