Như được trình bày ở trên, một cách trực tiếp hay gián tiếp, kiệt quệ tài chính đã gây ra những tổn thất không nhỏ cho các chủ thể trong nền kinh tế. Do đó, chủ đề về dự báo kiệt quệ tài chính cho các doanh nghiệp đã trở thành mối quan tâm hàng đầu của rất nhiều nhà nghiên cứu. Trong đó có thể kể đến Beaver như là một người đã đặt nền móng đầu tiên trong việc xây dựng các mơ hình dự báo kiệt quệ tài chính cho các doanh nghiệp.
Beaver là nhà kinh tế học đầu tiên áp dụng phương pháp phân tích phân biệt đơn biến (DA) trong việc dự báo khả năng thất bại của các doanh nghiệp. Beaver (1966) đã chọn 79 doanh nghiệp kiệt quệ tài chính và sử dụng phương pháp bắt cặp để chọn các doanh nghiệp không bị kiệt quệ tài chính vào mẫu. Cụ thể, với mỗi doanh nghiệp kiệt quệ tài chính trong mẫu, sẽ chọn một doanh nghiệp khơng kiệt quệ tài chính trong cùng ngành và cùng giá trị tài sản vào mẫu. Beaver đã chọn 30 tỷ số tài chính và tiến hành 3 bước phân tích để cho thấy khả năng dự báo kiệt quệ của các tỷ số gồm: thứ nhất, Beaver phân tích so sánh giá trị trung bình của tỷ số tài chính
giữa các doanh nghiệp kiệt quệ tài chính và các doanh nghiệp không kiệt quệ tài chính. Thứ hai, Beaver thực hiện kiểm tra khả năng dự báo của các tỷ số tài chính bằng cách phân chia ngẫu nhiên các doanh nghiệp trong mẫu thành 2 mẫu con. Với một tỷ số tài chính cho trước, một điểm cắt tối ưu sẽ được xác định ở mỗi mẫu con. Các điểm cắt tối ưu của mẫu con này sẽ được sử dụng để phân loại cho mẫu con kia và ngược lại. Cuối cùng, Beaver sử dụng biểu đồ tần số, biểu đồ overlap, độ xiên và phân phối chuẩn của các tỷ số tài chính để kiểm tra khả năng dự báo kiệt quệ tài chính của mơ hình.
Kết quả nghiên cứu của Beaver cho thấy, có 6 trong 30 tỷ số được chọn là có ý nghĩa thống kê để dự báo kiệt quệ tài chính, đó là những tỷ số có lỗi phân loại thấp
nhất gồm: tỷ số dòng tiền thuần từ hoạt động kinh doanh chia tổng nợ, thu nhập sau thuế và lãi vay chia tổng tài sản, tỷ số tổng nợ chia tổng tài sản, tỷ số (tài sản ngắn hạn trừ nợ ngắn hạn) chia tổng tài sản, tỷ số tài sản ngắn hạn chia nợ ngắn hạn, tỷ số khả năng thanh toán. Kết quả nghiên cứu của Beaver cũng cho thấy mơ hình phân tích phân biệt đơn biến sử dụng các yếu tố tài chính có thể dùng để dự báo kiệt quệ tài chính vào khoảng thời gian 5 năm trước khi kiệt quệ tài chính xảy ra.
Tuy nhiên, Zmijewski (1984) cho rằng phương pháp phân tích phân biệt đơn biến
của Beaver khi được áp dụng trong thực tế cho kết quả khơng thống nhất nên gây khó khăn trong việc phân tích tình hình thực tế của doanh nghiệp. Vì vậy, hiện nay phương pháp phương pháp phân biệt đơn biến không phải là một phương pháp phổ biến trong các lĩnh vực dự báo kiệt quệ tài chính và phá sản.
Để khắc phục hạn chế của Beaver, Tamari (1966) nhận thấy việc đánh giá tình hình tài chính của một doanh nghiệp khơng thể dựa vào một biến riêng. Vì vậy, Tamari sử dụng một chỉ số rủi ro, là một hệ thống điểm đơn giản bao gồm các chỉ tiêu tài chính khác nhau. Với giá trị của các tỷ số khác nhau, mỗi doanh nghiệp có một điểm rủi ro nhất định, trong khoảng từ 0 đến 100. Giá trị điểm càng cao, tình hình tài chính của doanh nghiệp càng tốt. Cho đến nay, phương pháp phân tích phân biệt đa biến (MDA) vẫn được xem là có nhiều ưu điểm hơn phương pháp phân biệt đơn biến và là một trong những kỹ thuật thống kê phổ biến trong việc dự báo khả năng phá sản của doanh nghiệp. Kỹ thuật phân tích này được sử dụng trong nhiều lĩnh vực bao gồm cả lĩnh vực kinh tế kể từ khi được ứng dụng đầu tiên năm 1930. Trong đó, mơ hình phân tích phân biệt đa biến của Altman (1968) là một trong những nghiên cứu nổi tiếng được nhiều người biết đến.
Altman (1968) sử dụng phương pháp phân tích phân biệt đa biến (MDA) để tìm ra phương trình tuyến tính của các tỷ số tài chính, từ đó xác định doanh nghiệp nào là phá sản và doanh nghiệp nào là không phá sản. Giống như Bearver, Altman chọn ra 33 doanh nghiệp phá sản bằng cách sử dụng phương pháp bắt cặp, trong đó, từng cặp doanh nghiệp phải thuộc cùng một ngành và có quy mơ tương đồng nhau.
Altman chọn 22 tỷ số tài chính dựa trên tính phổ biến trong các nghiên cứu trước. Cuối cùng Altman tìm được 5 tỷ số tài chính có khả năng xác định các doanh nghiệp phá sản hay không phá sản khi đứng cùng nhau gồm: tỷ số vốn luân chuyển trên tổng tài sản, thu nhập giữ lại trên tổng tài sản, giá trị vốn hóa thị trường trên giá trị sổ sách của tổng nợ, doanh thu trên tổng tài sản. Kết quả nghiên cứu cho thấy mơ hình của Altman có khả năng dự báo kiệt quệ tài chính chính xác đến 95% số doanh nghiệp trong mẫu ở thời điểm 1 năm trước khi kiệt quệ tài chính xảy ra và cao hơn so với mơ hình đơn biến của Beaver.
Mặc dù vậy, mơ hình phân tích phân biệt đa biến mà Altman sử dụng vẫn có một số
hạn chế như: thứ nhất, mơ hình của Altman dựa trên các giả định rằng tất cả các
biến độc lập có phân phối chuẩn và địi hỏi ma trận hiệp phương sai giữa các nhóm doanh nghiệp kiệt quệ tài chính và khơng kiệt quệ tài chính phải giống nhau. Trong thực tế, các giả định trên rất khó hoặc khơng thể xảy ra, đặc biệt là đối với các dữ liệu tài chính thu được từ thị trường mới nổi như Việt Nam. Do đó, các giả định quan trọng nhất trong mơ hình MDA có thể bị vi phạm. Thứ hai, mơ hình phân tích phân biệt đa biến Altman sử dụng cũng bị chỉ trích do kết quả dự báo chỉ có thể xác định liệu một doanh nghiệp là "an tồn" hay "khơng an tồn" thay vì đưa ra được xác suất kiệt quệ dự báo cụ thể (Ohlson, 1980). Thứ ba, các hệ số của các biến riêng trong mơ hình phân biệt khơng thể xác định ý nghĩa của các biến giải thích trong mơ hình, Eisenbeis (1977). Để khắc phục vấn đề này, Ohlson đã sử dụng phương pháp phân tích logit để ước lượng xác suất xảy ra kiệt quệ tài chính. Khơng giống như phân tích phân biệt chỉ xác định được doanh nghiệp là kiệt quệ hay khơng kiệt quệ, phân tích logit cịn có thể xác định được xác suất xảy ra kiệt quệ tài chính của doanh nghiệp. Các hệ số của mơ hình phân tích logit được ước lượng bằng phương pháp hợp lý cực đại (maximum likelihood). Phân tích logit sử dụng hàm số xác suất tích lũy logistic để dự báo kiệt quệ tài chính. Kết quả của hàm số có giá trị trong khoảng 0 và 1, đó là xác suất xảy ra kiệt quệ tài chính.
Ohlson (1980) là nhà nghiên cứu đầu tiên sử dụng phương pháp phân tích logit trong dự báo kiệt quệ tài chính. Ohlson sử dụng dữ liệu gồm 105 doanh nghiệp phá sản và 2058 doanh nghiệp không phá sản trong thời kỳ 1970 đến 1976 ở Mỹ. Các chỉ số dự báo kiệt quệ mà Ohlson sử dụng gồm: logarit của tỷ số tổng tài sản chia cho chỉ số giảm phát GNP, tổng nợ chia tổng tài sản, vốn luân chuyển chia tổng tài sản, nợ ngắn hạn chia tài sản ngắn hạn, thu nhập ròng chia tổng tài sản, dòng tiền hoạt động chia tổng nợ, tỷ số đo lường sự thay đổi trong thu nhập ròng. Kết quả nghiên cứu cho thấy mơ hình Ohlson khi dự báo trước 1 năm kiệt quệ tài chính xảy ra có độ chính xác đạt 96.12%.
Tuy vậy, có một vấn đề đặt ra là cả mơ hình dự báo kiệt quệ tài chính của Altman và
Ohlson là các mơ hình thống kê dạng tĩnh, cả hai mơ hình đều khơng quan tâm đến thông tin của thị trường. Balcaen và Ooghe (2004) lập luận rằng: nếu các nhà nghiên cứu chỉ sử dụng các yếu tố tài chính để dự báo kiệt quệ tài chính, nghĩa là ngầm giả định rằng tất cả các đại diện cho sự thất bại hay thành công, cả bên trong và bên ngoài đều được phản ánh vào báo cáo tài chính. Rõ ràng, thơng tin báo cáo tài chính thì khơng phản ánh tất cả thông tin liên quan đến khả năng kiệt quệ tài chính và các yếu tố thị trường thì rất hợp lý để bổ sung các thông tin này. Rees (1995) đề nghị rằng nên đưa các yếu tố thị trường vào mơ hình để dự báo kiệt quệ tài chính vì yếu tố thị trường bao gồm thông tin kỳ vọng vào dòng tiền tương lai. Theo Hillegeist và cộng sự (2004), thị trường chứng khốn là nguồn bổ thơng tin cho báo cáo tài chính bởi vì yếu tố thị trường chứa thơng tin từ nhiều nguồn khác nhau. Rõ ràng, việc bao gồm yếu tố thị trường thì cần thiết bởi các lý do: Thứ nhất, yếu tố thị trường phản ánh một phần thông tin chứa trong yếu tố tài chính cộng thêm thơng tin khác khơng chứa trong yếu tố tài chính (Agarwal & Taffle, 2008), do đó yếu tố thị trường trở nên tiềm năng cho việc dự báo kiệt quệ tài chính. Thứ hai,
do thơng tin tài chính chỉ được cơng bố hằng năm trong khi thông tin thị trường được cập nhật hằng ngày nên việc sử dụng yếu tố thị trường trong mơ hình có thể giúp gia tăng thêm tính kịp thời của mơ hình dự báo. Thứ ba, giá thị trường có thể
tương lai trong khi báo cáo tài chính chỉ phản ánh thơng tin tài chính của doanh nghiệp trong quá khứ. Thứ tư, yếu tố thị trường có thể cung cấp trực tiếp thơng tin biến động tình hình tài chính doanh nghiệp, điều mà yếu tố tài chính khơng làm được. Theo Beaver và cộng sự (2005), sự biến động trong giá thị trường càng lớn khả năng doanh nghiệp rơi vào phá sản càng tăng. Từ những lý do trên, Mario Hernandez Tinoco và Nick Wilson (2013) đã sử dụng phương pháp phân tích logit để dự báo kiệt quệ tài chính cho các doanh nghiệp ở Anh. Khác với Ohlson, Mario Hernandez Tinoco và Nick Wilson đã sử dụng kết hợp cả yếu tố tài chính, yếu tố thị trường và yếu tố kinh tế vĩ mơ trong một mơ hình để dự báo kiệt quệ tài chính. Mario Hernandez Tinoco và Nick Wilson sử dụng mẫu dữ liệu gồm 23,218 doanh nghiệp ở Anh trong khoảng thời gian từ năm 1980 đến năm 2011, trong đó có 1254 doanh nghiệp thất bại và 21,964 doanh nghiệp không thất bại. Các yếu tố dự báo của nghiên cứu được lựa chọn bao gồm các yếu tố tài chính, yếu tố thị trường và các yếu tố vĩ mơ là: tỷ số dịng tiền hoạt động trên tổng nợ; tỷ số tổng nợ trên tổng tài sản; chỉ số khả năng thanh tốn, là thước đo đại diện cho tính thanh khoản của doanh nghiệp; tỷ số khả năng thanh toán lãi vay; chỉ số lạm phát của nước Anh; lãi suất trái phiếu chính phủ kỳ hạn 3 tháng có điều chỉnh lạm phát; giá cổ phiếu; tỷ suất sinh lợi vượt trội của doanh nghiệp; quy mô doanh nghiệp, được đo lường bằng tỷ số vốn hóa thị trường của doanh nghiệp trên giá trị vốn hóa tồn thị trường; tỷ lệ vốn hóa thị trường của doanh nghiệp trên tổng nợ. Kết quả nghiên cứu cho thấy khi kết hợp đồng thời cả ba yếu tố tài chính, yếu tố thị trường và yếu tố vĩ mô trong cùng một mơ hình, độ chính xác trong dự báo của mơ hình được cải thiện đáng kể lên 92% so với mức 87% khi chỉ sử dụng một trong hai yếu tố tài chính hoặc thị trường. Từ đó có thể thấy yếu tố tài chính, yếu tố thị trường và yếu tố vĩ mô đã bổ sung thông tin rất hiệu quả cho nhau trong việc dự báo tình hình tài chính của doanh nghiệp. Trong bài nghiên cứu, Hernandez Tinoco và Nick Wilson cũng tiến hành so sánh hiệu quả dự báo của mơ hình phân tích phân biệt đa biến của Altman và mơ hình phân tích logit, kết quả cho thấy phương pháp phân tích logit cho độ chính xác
pháp phân tích phân biệt đa biến của Altman với độ chính xác chỉ đạt 85% khi sử dụng chung một bộ dữ liệu.
Như vậy, từ các bài nghiên cứu trên cho thấy, mơ hình có sự kết hợp của các yếu tố
tài chính, yếu tố thị trường và yếu tố vĩ mơ có khả năng dự báo kiệt quệ tài chính tốt hơn mơ hình chỉ sử dụng một trong hai yếu tố tài chính và yếu tố thị trường. Do đó, bài nghiên cứu sẽ kế thừa kết quả nghiên cứu của Mario Hernandez Tinoco và Nick Wilson (2013), sử dụng mơ hình kết hợp các yếu tố tài chính, yếu tố thị trường và yếu tố vĩ mơ để dự báo kiệt quệ tài chính cho các doanh nghiệp Việt Nam. Phần tiếp theo bài nghiên cứu sẽ trình bày phương pháp mà tác giả sử dụng để thực hiện nghiên cứu.
CHƯƠNG 3: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Dữ liệu nghiên cứu
3.1.1 Lựa chọn mẫu nghiên cứu
Điều kiện chọn mẫu cho nghiên cứu: các doanh nghiệp trong mẫu bao gồm các
doanh nghiệp kiệt quệ tài chính và các doanh nghiệp khơng kiệt quệ tài chính thỏa mãn các điều kiện sau:
Là các doanh nghiệp phi tài chính đã và đang được niêm yết trên Sở giao dịch chứng khốn thành phố Hồ Chí Minh (HSX), Sàn giao dịch chứng khốn Hà Nội (HNX) tính đến hết thời điểm 31/12/2014.
Báo cáo tài chính trong khoảng thời gian nghiên cứu từ 2009-2014 đã được kiểm tốn và phải có đầy đủ số liệu tối thiểu trong hai năm.
Quy trình chọn mẫu:
Với mục tiêu nghiên cứu là ứng dụng mơ hình kết hợp các yếu tố tài chính, yếu tố thị trường và yếu tố vĩ mô để dự báo kiệt quệ tài chính cho các doanh nghiệp Việt Nam. Tác giả rất mong muốn thu thập đầy đủ dữ liệu của tất cả các doanh nghiệp đã và đang niêm yết trên các Sàn chứng khốn. Tuy nhiên, trong q trình chọn mẫu và thu thập dữ liệu, tác giả đã gặp một số vấn đề sau:
Thứ nhất, do thị trường chứng khoán Việt Nam mới hình thành, số lượng các doanh
nghiệp niêm yết trước năm 2008 là rất ít. Ngồi ra, việc tiếp cận các số liệu cần thiết để tính giá trị các biến độc lập trong mơ hình từ năm 2007 trở về trước rất hạn chế. Vì vậy, giai đoạn lấy mẫu nghiên cứu của tác giả chỉ lấy từ năm 2008 đến năm 2014.
Thứ hai, do tính đặc thù của các doanh nghiệp hoạt động trong ngành tài chính so
kiệt quệ tài chính của các doanh nghiệp tài chính có thể khác với các doanh nghiệp phi tài chính. Chẳng hạn, khi lãi suất tăng có thể sẽ làm cho thu nhập của các doanh nghiệp tài chính tăng trong khi thu nhập của các doanh nghiệp phi tài chính giảm. Vì vậy, sử dụng dữ liệu của các doanh nghiệp tài chính chung với các doanh nghiệp phi tài chính có thể sẽ làm ảnh hưởng đến kết quả nghiên cứu. Do đó, tác giả cần tách các doanh nghiệp tài chính ra khỏi mẫu để khơng làm ảnh hưởng đến kết quả nghiên cứu.
Thứ ba, để dự báo kiệt quệ tài chính của các doanh nghiệp trước một năm, tác giả
cần sử dụng dữ liệu của tất cả các yếu tố tài chính, yếu tố vĩ mơ và yếu tố thị trường tối thiểu một năm. Tuy nhiên, do có một số yếu tố trong mơ hình như tỷ suất sinh lợi vượt trội, thay đổi trong giá cổ phiếu phải cần số liệu hai năm để tính. Vì vậy, tác giả chỉ có thể thu thập được đầy đủ dữ liệu cần thiết đối với những doanh nghiệp có giao dịch tối thiểu trong hai năm.
Thứ tư, do việc sử dụng những dữ liệu có độ chính xác thấp có thể làm cho kết quả