3.1. Mơ hình nghiên cứu
Mẫu quan sát của luận văn bao gồm 1892 quan sát hàng năm của tổng 501 doanh nghiệp phi tài chính niêm yết tại HOSE và HNX trong giai đoạn 2010 tới 2014 đƣợc chia làm 2 nhóm, nhóm các cơng ty kiệt quệ tài chính và một nhóm các cơng ty có tình trạng tài chính bình thƣờng (không kiệt quệ). Biến phụ thuộc là biến nhị phân nhận 2 giá trị là 0 và 1. Cách tiếp cận của luận văn đang theo mơ hình logit và dữ liệu bảng nhƣ Altman và Sabato (2007); Altman, Sabato, Wilson (2010), cũng nhƣ Shumway (2001); và Tinoco & Wilson (2013) trong nghiên cứu “Financial Distress And Bankruptcy Prediction Among Listed Companies Using Accounting, Market And Macroeconomic Variables”
3.1.1. Mơ hình hồi quy Logit
Để hồi quy cho các tính huống mà biến phụ thuộc bị giới hạn, các mơ hình logit thƣờng đƣợc sử dụng để thay thế cho hồi quy xác suất tuyến tính. Mơ hình hồi quy logit sử dụng phân phối logit tích lũy để chuyển đổi các giá trị xác suất với e là cơ số mũ tự nhiên tƣơng ứng với phân phối logit, vì vậy mơ hình logit sẽ có phƣơng trình hồi quy nhƣ sau:
Pi =
+ Với Pi là xác suất để xảy ra tình trạng kiệt quệ tài chính.
+ Và là các biến phụ thuộc của mơ hình (biến chỉ số tài chính, vĩ mơ, biến số thị trƣờng)
Đối với mơ hình Logit thì các giá trị 0 và 1 luôn là giá trị tiệm cận và vì vậy xác suất đƣợc ƣớc lƣợng sẽ không bao giờ đạt đƣợc mức tuyệt đối là 0 hay 1, mặc dù các giá trị ƣớc lƣợng này có thể là rất rất gần. Mơ hình Logit khơng phải là mơ hình
tuyến tính nên do vậy không sử dụng phƣơng cách chuyển đổi để sử dụng phƣơng pháp OLS. Thay vào đó, phƣơng pháp hồi quy MLE (maximum likelihood estimation) thƣờng đƣợc sử dụng để ƣớc lƣợng các hệ số hồi quy của mơ hình.
3.1.2. Diễn giải kết quả và kiểm tra độ phù hợp của mơ hình Logit
3.1.2.1. Diễn giải kết quả hồi quy, đo lường hiệu ứng cận biên (marginal effects)
Phƣơng trình hồi quy Logit: Pi =
Khi xi là biến giải thích và là các tham số đã đƣợc ƣớc lƣợng. Đây khơng phải là mơ hình hồi quy tuyến tính, do vậy, cách diễn giải kết quả hồi quy theo hƣớng: với 1 đơn vị gia tăng trong biến giải thích, ví dụ x2i, sẽ dẫn đến % gia tăng trong xác suất để thành quả tƣơng ứng với yi=1 xảy ra sẽ khơng chính xác. Phƣơng trình hồi quy là: Pi=F(x2i) chứ khơng phải là phƣơng trình Pi = β1 + β2 với F là hàm
số phi tuyến.
Để có thể giải thích chính xác mối quan hệ giữa x2i và Pi, chúng ta cần tìm giá trị thay đổi của hàm F đối với biến x2i hay tính đạo hàm của F theo biến x2i và kết quả thú vị chính là . Vì vậy, với 1 đơn vị thay đổi trong x2i sẽ dấn đến
gia tăng trong xác suất của yi. Những ƣớc lƣợng theo giá trị trung bình này cịn gọi là phƣơng pháp đo lƣờng hiệu ứng cận biên (marginal effects).
3.1.2.2. Độ phù hợp của mơ hình Logit
Mục tiêu của phƣơng pháp ML (maximum likelihood) là tối đa hóa giá trị của LLF (Log likelihood function) chứ không phải là tối thiểu hóa RSS (residual sum of squares). Do vậy, tiêu chuẩn nhƣ RSS, R2 không cịn đúng với mơ hình Logit. Thay vào đó, có 2 cách đo lƣờng mức độ phù hợp của mơ hình hồi quy với biến phụ thuộc bị giới hạn:
Đo lƣờng sức mạnh dự báo : cho thấy khả năng giải thích, dự báo của các biến độc lập tới biến phụ thuộc.
Với L0 là likelihood của mơ hình chỉ có hệ số chặn hay mơ hình khơng dự báo và LM là likelihood của mơ hình logit :
Pseudo-R2 (hay McFadden’s R2) = 1 – log(LM)/ log(L0)
Các giá trị R2 đều đo lƣờng mức độ cải thiện khả năng dự báo của mơ hình khi có các biến độc lập so với mơ hình khi chỉ có tung độ gốc và có ý nghĩa tƣơng tự R2 trong mơ hình hồi quy tuyến tính.
Phân tích đƣờng biểu diễn R.O.C :
o Sử dụng AUC (Area Under the ROC Curve)
AUC là vùng diện tích vùng từ dƣới đƣờng ROC cho đến điểm có tọa độ (1,0) ở góc phải của đồ thị. Altman và các cộng sự (2010) đã cho rằng “vùng dƣới đƣờng cong ROC (AUC) là một công cụ đo lƣờng mức độ chính xác trong dự báo của mơ hình, với giá trị bằng 1 đại diện cho một mơ hình hồn hảo”. Hay nói cách khác, nếu đƣờng ROC càng gần điểm (0,1) ở góc trái của đồ thị thị khả năng dự báo của mơ hình càng tốt. Sau đó, sử dụng kiểm định phi tham số Mann – Whitney nhằm kiểm định xem sự khác nhau giữa các giá trị AUC có thực sự khác nhau về mặt thống kê giữa các mơ hình hay khơng.
o Sử dụng Gini rank coefficient
Theo Anderson (2007), hệ số Gini đƣợc các nhà phân tích đƣa vào sử dụng nhƣ một cơng cụ để đo lƣờng - một bảng phân loại có thể phân biệt giữa các quan sát tốt và các quan sát xấu hiệu quả đến mức độ nào. Hệ số Gini đƣợc tính theo cơng thức (2*AUC – 1). Một mơ hình lý tƣởng, tức là một mơ hình phân loại hồn hảo các quan sát tốt và các quan sát xấu, có hệ số Gini bằng 1.
Goodness of fit tests: sử dụng công cụ Hosmer-Lemeshow
Ragavan (2008) đã thực hiện, các đối tƣợng đƣợc chia thành xấp xỉ 10 nhóm theo phân vị. Sự khác biệt giữa các quan sát và các quan sát kỳ vọng trong các nhóm sẽ tổng hợp trong thống kê Pearson chi-square, sau đó so sánh giá trị này với phân phối chi-square với bậc tự do là k (k là số nhóm trừ đi n). Một giá trị nhỏ của chi- square (<15) và một giá trị lớn của p-value (>0.05) gợi ý rằng mơ hình phù hợp tốt với dữ liệu.
Cả 2 phƣơng pháp đều có những ƣu nhƣợc điểm khác nhau. Có những mơ hình R2 cao, trong khi kiểm định goodness of fit tests rất tệ. Ngƣợc lại, một số mơ hình kiểm định Goodness of fit cho kết quả rất tốt trong khi R2
rất thấp.
3.2. Dữ liệu nghiên cứu
3.2.1. Lựa chọn mẫu và dữ liệu
Theo nhƣ nghiên cứu của Tinoco và Wilson (2013), luận văn cũng sử dụng dữ liệu bảng bao gồm 1892 quan sát hàng năm của tổng 501 doanh nghiệp phi tài chính niêm yết trên 2 sở giao dịch chứng khoán là HOSE và HNX, trung bình khoảng 3.77 quan sát cho mỗi cơng ty trong giai đoạn 5 năm từ 2010 tới 2014. Các doanh nghiệp phi tài chính đƣợc loại bỏ khỏi mẫu vì cấu trúc vốn, tính chất địn bẩy của các doanh nghiệp tài chính khác với các doanh nghiệp phi tài chính, đã đƣợc Fama và French (1992) đề cập. Do vậy, các yếu tố tác động lên khả năng kiệt quệ tài chính của chúng cũng sẽ khác nhau.
Dữ liệu về ngành, tác giả tham khảo cách phân ngành 4 cấp theo chuẩn phân ngành ICB (Industry Classification Benchmark). Trong đó các cổ phiếu có mã ngành 8000 thuộc nhóm ngành Tài chính (Financials) đƣợc loại trừ khỏi mẫu. Theo đó, ICB do FTSE Group và DowJone xây dựng. ICB phân chia các ngành kinh tế quốc dân thành 4 cấp gồm: 10 nhóm ngành (Industries), 19 phân ngành lớn (Super sectors), 41 phân ngành chính (Sectors), 114 phân ngành phụ (Sub sectors). Các nhóm ngành chính đƣợc xây dựng trong ICB bao gồm: Dầu khí, ngun vật liệu, cơng nghiệp, hàng tiêu dùng, y tế, dịch vụ tiêu dùng, viễn thơng, dịch vụ tiện ích và tài chính. Việc sắp xếp các doanh nghiệp niêm yết riêng lẻ vào các nhóm phân ngành cụ thể, luận văn tham khảo từ một số nguồn: Stockbiz (Stockbiz Investment Ltd); StoxPlus và Công Ty Cổ Phần Tƣ Vấn Đầu Tƣ Cây Cầu Vàng (website: http://www.cophieu68.vn)
Về thời gian nghiên cứu, mặc dù, phiên giao dịch đầu tiên đƣợc khai trƣơng tại Sở GDCK Thành Phố Hồ Chí Minh (HOSE) vào ngày 28/07/2000 nhƣng chỉ với 2 doanh nghiệp niêm yết. Số lƣợng công ty niêm yết mặc dù cũng đã tăng dần qua các
năm (hình 3.1), nhƣng chỉ thực sự bùng nổ trong giai đoạn sau 2010. Trong khi đó, sở GDCK Hà Nội (HNX), ban đầu là Trung tâm GDCK Hà Nội, đƣợc thành lập từ ngày 08/03/2005 nhƣng đến ngày 14/07/2005 mới chính thức khai trƣơng, vận hành hệ thống giao dịch chứng khoán thứ cấp với 6 công ty niêm yết đầu tiên. Phƣơng thức giao dịch ban đầu áp dụng duy nhất là giao dịch thỏa thuận. Đến ngày 02/11/2005, HNX mới chính thức áp dụng bổ sung phƣơng thức giao dịch báo giá trung tâm (khớp lệnh liên tục) song song với phƣơng thức giao dịch thoả thuận. Tƣơng tự HOSE, sở GDCK Hà Nội cũng chỉ thực sự bùng nổ về số lƣợng cơng ty niêm yết trong thời gian gần đây (hình 3.2). Do đó, tác giả chọn giai đoạn nghiên cứu từ 2010-2014. Điều này để đảm bảo dữ liệu nghiên cứu có thể thu thập đƣợc, mẫu đủ rộng và bảng dữ liệu cân đối. Ngoải ra, khi xem xét diễn biến của thị trƣờng (thông qua 2 chỉ số VNINDEX và HNXINDEX) trong toàn bộ lịch sử từ ngày đầu thành lập (hình 3.3 và hình 3.4) đến năm 2014, tác giả nhận thấy, giai đoạn 2006- 2008, các thị trƣờng chứng khốn Việt Nam có mức biến động tăng giảm khá mạnh. Theo đó, giai đoạn 2006-2007, với hiệu ứng từ việc Việt Nam gia nhập WTO, dòng vốn ngoại ồ ạt đổ vào Việt Nam, đã làm thị trƣờng bật tăng khá mạnh. Ngƣợc lại, ở giai đoạn 2007-2008, cùng với cuộc khủng hoảng kinh tế toàn cầu và sự tháo chạy của dòng vốn ngoại, TTCK Việt nam sụt giảm khá mạnh. Do vậy, việc chọn mẫu trong giai đoạn 2010-2014, phần nào giúp nghiên cứu kiểm soát đƣợc những diễn bất bất thƣờng của thị trƣờng chứng khoán ảnh hƣởng đến kết quả của các mơ hình hồi quy.
Hình 3.1: Quy mô niêm yết trên HOSE qua các năm
Nguồn: Báo cáo thị trường tại sở sở GDCK TP Hồ Chí Minh
Hình 3.2: Quy mơ niêm yết trên HNX qua các năm
Nguồn: Báo cáo thị trường tại sở GDCK Hà Nội
5,0 6,0 14,0 14,0 16,0 23,0 83,0 113,0 138,0 183,0 256,0 287,0 301,0 304,0 299,0 - 50,0 100,0 150,0 200,0 250,0 300,0 350,0 2000 2002 2004 2006 2008 2010 2012 2014
Số lƣợng CP niêm yết trên HOSE
12,0 84,0 110,0 162,0 257,0 367,0 393,0 396,0 377,0 365,0 - 50,0 100,0 150,0 200,0 250,0 300,0 350,0 400,0 450,0 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Hình 3.3: Diễn biến của VNINDEX từ năm 2000 - 2014
Nguồn: Báo cáo thị trường tại sở GDCK TP Hồ Chí Minh
Hình 3.4: Diễn biến của HN-INDEX từ năm 2006 – 2014
Nguồn: Báo cáo thị trường tại sở GDCK Hà Nội
Về dữ liệu, luận văn tiến hành thu thập các dữ liệu sau đây nhằm tính tốn các biến trong mơ hình:
Dữ liệu tài chính: đữ liệu để tính tốn cho các biến trong mơ hình bao gồm dữ liệu
(giá cổ phiếu). Đây là dữ liệu đƣợc công bố hàng năm theo chuẩn công bố thông tin của doanh nghiệp. Dữ liệu đƣợc trích xuất và đối chiếu từ các nguồn sau đây:
Dữ liệu kế toán: Dữ liệu kế tốn hàng năm của các cơng ty đƣợc trích xuất từ cơ sở dữ liệu của Công Ty Cổ Phần Tƣ Vấn Đầu Tƣ Cây Cầu Vàng, sau đó kiểm tra lại với các BCTC đƣợc các công ty cơng bố, khơng có bất kỳ sai lệch đáng kể nào.
Dữ liệu thị trƣờng: Giá cổ phiếu, giá của chỉ số thị trƣờng đƣợc thu thập từ cơ sở dữ liệu của Công Ty Cổ Phần Tƣ Vấn Đầu Tƣ Cây Cầu Vàng và là giá đóng cửa, giá này sau đó đƣợc điều chỉnh để phản ánh cổ tức cổ phiếu, thƣởng cổ phiếu và cổ tức tiền mặt. Giá này đã đƣợc so với các nguồn dữ liệu đáng tin cậy khác và cho thấy khơng có sự sai lệch.
Dữ liệu vĩ mô: tham chiếu số liệu trong các báo cáo của tổng cục thống kê cho số
liệu CPI, số liệu của Ngân hàng Nhà Nƣớc Việt Nam và dữ liệu của IMF (Quỹ tiền tệ thế giới) cho dữ liệu lãi suất.
Các dữ liệu liên quan khác: tham khảo website của các doanh nghiệp hoặc các bản
cáo bạch niêm yết của từng doanh nghiệp và website của SGDCK TP Hồ Chí Minh (HOSE) và SGDCK Hà Nội (HNX)
Các tài liệu trên đƣợc sử dụng để tính tốn cho các biến trong luận văn đƣợc trình bày dƣới đây.
3.2.2. Xác định tình trạng kiệt quệ tài chính, biến phụ thuộc của mơ hình
Trƣớc tiên, luận văn đòi hỏi phải xác định tình trạng kiệt quệ tài chính của một doanh nghiệp, đó chính là biến phụ thuộc trong mơ hình. Dựa trên các nghiên cứu trƣớc, luận văn tập trung vào khả năng thanh toán các nghĩa vụ nợ của một doanh nghiệp (Tinoco và Wilson (2013)). Luận văn phát triển một mơ hình tƣơng tự để ƣớc lƣợng khả năng kiệt quệ tài chính, trong đó, sử dụng 2 điều kiện chính để xác định và ƣớc lƣợng tình trạng kiệt quệ tài chính của một doanh nghiệp trong một năm cụ thể (một quan sát): một doanh nghiệp đƣợc xem là kiệt quệ tài chính: (i) khi Lợi nhuận trƣớc thuế, trƣớc lãi vay và khấu hao (EBITDA - Earnings before interest, taxes, depreciation và amortization) thấp hơn so với chi phí lãi vay và (ii)
khi doanh nghiệp có mức tăng trƣởng âm trong giá trị thị trƣờng trong năm quan sát. Với điều kiện đầu tiên, nếu EBITDA thấp hơn chi phí lãi của nợ vay, điều này có thể kết luận lợi nhuận hoạt động khơng đủ để trang trải các nghĩa vụ tài chính; mặt khác, nó sẽ liên quan đến điều kiện thứ 2, thị trƣờng cũng nhƣ các bên liên quan có khả năng sẽ đánh giá tiêu cực về khả năng hoạt động của công ty đó. Do đó, việc sụt giảm trong giá trị thị trƣờng đƣợc giải thích nhƣ là một dấu hiệu cho thấy một công ty đang chịu những tác động của kiệt quệ tài chính. Pindado (2008), Tinoco và Wilson (2013) cho rằng đây là một cách tiếp cận hoàn toàn mới, là bƣớc phát triển đối với khái niệm về kiệt quệ trong lý thuyết tài chính hiện tại.
Để đơn giản, trong phần còn lại của luận văn, các biến phụ thuộc nhị phân đƣợc xác định theo cách ở trên, doanh nghiệp kiệt quệ tài chính sẽ đƣợc gọi là kiệt quệ tài chính. Trong tổng số các quan sát, có 378 quan sát đƣợc phân loại là kiệt quệ tƣơng ứng với tỷ lệ 19.98% trong các quan sát hàng năm về kiệt quệ (bảng 3.1).
Bảng 3.1: Tổng kết tình trạng kiệt quệ tài chính theo năm quan sát
NFD (Khơng kiệt quệ) FD (Kiệt quệ) Tổng %FD
1514 378 1892 19.98%
3.2.3. Xác định các yếu tố tác động khả năng kiệt quệ của một doanh nghiệp
Luận văn xây dựng một mơ hình tập trung vào 2 mục tiêu chính. Thứ nhất, xây dựng một mơ hình chính xác và kịp thời để dự báo kiệt quệ tài chính dựa trên các dữ liệu kế tốn có sẵn đƣợc cơng bố định kỳ. Mơ hình đƣợc thiết kế để có kết quả chính xác hơn so với các nghiên cứu trƣớc đây trong lĩnh vực học thuật và mơ hình phải có giá trị thực tiễn. Zmijewski (1984), Pindado (2008) và đƣợc Tinoco và Wilson (2013) nhắc lại trong nghiên cứu của mình, chỉ ra rằng, trong thực tế, một tập hợp lớn các biến là không cần thiết để các mơ hình đạt đƣợc hiệu quả tối đa. Pindado (2008), chỉ sử dụng một bộ chỉ có 3 biến tài chính để đạt đƣợc một mức độ chính xác cao trong các mơ hình dự báo kiệt quệ tài chính của họ. Các biến sử dụng trong các nghiên cứu của họ là tỷ lệ EBIT trên Tổng tài sản, Chi phí tài chính (financial expenses) trên Tổng tài sản và Lợi nhuận giữ lại (retained earnings) trên
Tổng tài sản, để đại diện cho lợi nhuận, chi phí tài chính và lợi nhuận giữ lại. Zmijewski (1984) sử dụng các biến tài chính bao gồm tỷ suất lợi nhuận ròng trên tổng tài sản (Return on assets- ROA), đòn bẩy tài chính, và tính thanh khoản (liquidity). Ngoài ra, trong một nghiên cứu thực nghiệm đi tìm mối quan hệ giữa rủi ro phá sản và rủi ro hệ thống, Dichev (1998) cũng chỉ sử dụng mơ hình bắt nguồn từ mơ hình kế tốn đang tồn tại nhƣ mơ hình 5 biến Z-score của Altman (1968) và mơ hình Logit 7 biến của Ohlson (1980). Mục đích thứ 2 của luận văn là kiểm tra tính hữu dụng của các biến phi tài chính kế tốn, nhƣ là các biến kinh tế vĩ mô hay các biến thị trƣờng, nhằm đóng góp tính kịp thời và chính xác trong việc dự báo kiệt quệ cho các công ty niêm yết. Có rất ít các nghiên cứu xem xét tác động của các