(Nguồn số liệu: tổng hợp từ kết quả trên stata)
Trong kiểm định Hosmer & Lemeshow, Ho: khơng có sự sai lệch giữa kết quả hồi quy và kết quả quan sát, từ bảng trên chúng ta thấy rằng với mức ý nghĩa 5%, phần lớn các mơ hình đều phù hợp khi phối hợp với các thành phần cấu trúc tối ưu để xác định xác suất lâm vào kiệt quệ tài chính của ngành, chỉ có mơ hình 2 (sig.H&L=0.0143) và mơ hình 7 (sig.H&L=0.0446) của ngành dầu khí, mơ hình 8 (sig.H&L=0.0347) của ngành y tế và thiết yếu, mơ hình 4 (sig.H&L=0.0341) của ngành vận tải, mơ hình 3 (sig.H&L=0.0156) của ngành khác là không phù hợp khi phối hợp với các thành phần cấu trúc vốn để xác định xác suất lâm vào kiệt quệ tài
chính của các cơng ty trong những ngành này.
4.2.2. Đánh giá mức độ giải thích của mơ hình hồi quy- Giá trị R2 (Nagelkerke R2)
Bảng 3. Đánh giá mức độ giải thích của mơ hình hồi quy
(Nguồn số liệu: tổng hợp từ kết quả trên stata)
Kết quả R2 của bảng 3 cho biết khả năng giải thích của các biến trong cấu trúc vốn tối ưu lên xác suất lâm vào tình trạng kiệt quệ tài chính. Theo kết quả bảng 3 có thể thấy mơ hình 1 có R2 cao nhất đối với tất cả các ngành. Ngành dầu khí có R2 trong khoảng từ 5.81%-37.14%. Ngành thuỷ sản có R2 trong khoảng từ 1.72%-36.03%. Ngành y tế và thiết yếu giá trị Nagelkerke trong khoảng từ 1.84%-30.34%. Ngành thương mại giá trị Nagelkerke trong khoảng từ 1.38%-35.33%. Ngành vận tải giá trị Nagelkerke trong khoảng từ 0.26%-52.93%. Ngành xây dựng giá trị Nagelkerke trong khoảng 0.91%-26.53%. Ngành sản xuất-kinh doanh giá trị Nagelkerke trong
khoảng 1.4%-15.37%. Cuối cùng, ngành khác giá trị Nagelkerke nằm trong khoảng từ 0.39%-26.87%.
4.2.3 Đánh giá độ chính xác của mơ hình hồi quy
Một cách khác để đánh giá sự phù hợp của mơ hình hồi quy logistics là thơng qua bảng Classfication.
Bảng 4. Đánh giá độ chính xác của mơ hình hồi quy
(Nguồn số liệu: tổng hợp từ kết quả trên stata)
Bảng 4 cho thấy mức độ chính xác của mơ hình giữa kết quả thu được từ mơ hình hồi quy và giá trị quan sát trong nghiên cứu. Có thể thấy, trong tất cả các ngành, và các mơ hình thì mơ hình 1 có mức độ phù hợp cao nhất. Điều này có nghĩa là sử dụng chỉ tiêu lợi nhuận trước lợi ích cổ đơng thiểu số là biến phân loại xác suất lâm vào tình trạng kiệt quệ tài chính tốt nhất khi phối hợp cùng với các thành phần trong cấu trúc vốn tối ưu.
4.2.4 Kiểm định AIC
Một phương pháp khác để củng cố kết quả mơ hình nào là phù hợp nhất, tác giả sử dụng kiểm định AIC
Bảng 5. Kết quả kiểm định AIC
(Nguồn số liệu: tổng hợp từ kết quả trên stata)
Với các yếu tố khác giống nhau, thì mơ hình với giá trị AIC nhỏ hơn thì mơ hình đó phù hợp hơn. Từ kết quả bảng 5 ta thấy mơ hình 1 là phù hợp nhất khi phối hợp với các thành phần trong cấu trúc vốn tối ưu để giải thích xác suất lâm vào kiệt quệ tài chính của ngành.
Kết
luận : Từ kết quả 4 bảng thống kê trên ta chọn mơ hình 1 hay chỉ tiêu lợi nhuận trước lợi ích cổ đơng thiểu số là biến phân loại tốt nhất.
4.3 Phân tích từng ngành.
Phân tích từng ngành dựa trên kết quả từ phần 4.1. Cụ thể: Ngành dầu khí (mơ hình 1), ngành thủy sản (mơ hình 1), ngành y tế và thiết bị (mơ hình 1), ngành thương mại (mơ hình 1) , ngành vận tải (mơ hình 1) và (mơ hình 9), ngành xây dựng (mơ hình 1), ngành sản xuất-kinh doanh (mơ hình 1), ngành khác (mơ hình 1).
4.3.1 Ngành dầu khí
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành dầu khí theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.1.1: Hồi quy logistics
Bảng 4.3.1.3: Classification model
Bảng 4.3.1.4: Kiểm định đa cộng tuyến
Bảng 4.3.1.5: Phân tích đường cong ROC:
Giá trị Nagelkerke R2 của mơ hình với biến phụ thuộc là lợi nhuận trước lợi ích cổ đơng thiểu số là 37.14%, có nghĩa là sự thay đổi của các biến độc lập có thể giải thích 37.14% sự thay đổi của biến phụ thuộc. Khả năng dự báo chính xác (Classification model) của mơ hình tới 94.55%. Chúng ta có thể thấy trong bảng trên, ngành dầu khí có tổng cộng 55 quan sát trong đó giá trị lợi nhuận trước lợi ích cổ đông thiểu số nhận giá trị 1 là 51 trường hợp và 4 trường hợp nhận giá trị 0, trong khi đó mơ hình dự báo chính xác 51 trường hợp giá trị lợi nhuận trước lợi ích cổ đơng thiểu số nhận giá trị 1 và 1 trường hợp nhận giá trị 0. Tổng cộng mơ hình dự báo chính xác 52 trường hợp trong tổng số 55 trường hợp quan sát. Mặc dù, mơ hình có độ chính xác cao, và sig.H&L =0.79 tuy nhiên các biến độc lập khơng có tác động lên xác suất lâm vào tình trạng kiệt quệ tài chính của ngành dầu khí. Do vậy, việc sử dụng lợi nhuận trước lợi ích cổ đơng thiểu số như là biến phân loại tình trạng kiệt quệ tài chính của ngành dầu khí chưa đủ để giải tích xác suất lâm vào tình trạng kiệt quệ tài chính của ngành mặc dù mơ hình dự báo có độ chính xác cao 94.55%, giá trị AUC của đường cong ROC là 85.78%.
4.3.2 Ngành thương mại
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành dầu khí theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.2.1: Kết quả hồi quy
Phương trình hồi quy:
Logit P = -1.72DTA-0.81TxEBIT+77.3CF-44.8STDEV_CF-0.49Bx+8.4
Bảng 4.3.2.3: Đo lường độ chính xác của mơ hình
Bảng 4.3.2.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.2.5: Phân tích đường cong ROC
Giá trị Nagelkerke R2 của mơ hình với biến phụ thuộc là lợi nhuận trước lợi ích cổ đơng thiểu số là 35.33%, có nghĩa là sự thay đổi của các biến độc lập có thể giải thích 35.33% sự thay đổi của biến phụ thuộc. Khả năng dự báo chính xác (Classification model) của mơ hình 93.4%. Chúng ta có thể thấy trong bảng trên, ngành thương mại có tổng cộng 106 quan sát trong đó giá trị lợi nhuận trước lợi ích cổ đông thiểu số nhận giá trị 1 là 98 trường hợp và 1 trường hợp nhận giá trị 0, trong khi đó mơ hình dự báo chính xác 98 trường hợp giá trị lợi nhuận trước lợi ích cổ đơng thiểu số nhận giá trị 1 và 1 trường hợp nhận giá trị 0. Tổng cộng mơ hình dự báo chính xác 99 trường hợp trong tổng số 106 quan sát. Từ kết quả hồi quy ta thấy biến dòng tiền (p-value=0.028) và độ lệch chuẩn của dịng tiền (p- value=0.047) có tác động đáng kể lên xác suất lâm vào kiệt quệ tài chính. Hệ số hồi quy của dịng tiền có giá trị 77.31 có nghĩa là trong điều kiện các yếu tố khác khơng
đổi, khi dịng tiền tăng (giảm) 1 đơn vị thì xác suất lâm vào kiệt quệ tài chính của ngành tăng (giảm) 77.31%. Thật vậy, khi dòng tiền mong đợi trong tương lai của doanh nghiệp càng cao, doanh nghịêp càng chắc chắn về khả năng trả nợ của doanh nghiệp do đó doanh nghiệp càng sử dụng nhiều nợ, điều này tiềm ẩn rủi ro lâm vào kiệt quệ tài chính trong tương lai. Ngược lại, khi độ lệch chuẩn của dòng tiền doanh nghiệp cao, doanh nghiệp e ngại trong việc tài trợ nợ do đó xác suất lâm vào kiệt quệ tài chính giảm. Hay độ lệch chuẩn của dịng tiền có tương quan âm với xác suất lâm vào kiệt quệ tài chính của ngành. Mặc dù mơ hình có độ chính xác cao, classificaiton 93.4% tuy nhiên các biến độc lập khơng có tác động lên xác suất lâm vào tình trạng kiệt quệ tài chính của ngành dầu khí, R2 có giá trị thấp 35.33%. Do vậy, việc sử dụng lợi nhuận trước lợi ích cổ đơng thiểu số như là biến phân loại kiệt quệ tài chính của ngành thương mại chưa đủ để giải tích xác suất lâm vào tình trạng kiệt quệ tài chính của ngành mặc dù mơ hình dự báo có độ chính xác cao 93.4%.
4.3.3 Ngành sản xuất-kinh doanh
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành sản xuất-kinh doanh theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số.
Bảng 4.3.3.2: Kiểm định Hosmer&Lemeshow.
Bảng 4.3.3.3: Classification Model
Bảng 4.3.3.5: Phân tích đường cong ROC
Dựa trên kết quả từ bảng Classification, ta thấy, mơ hình dự báo chính xác 139 trường hợp trong tổng số 144 trường hợp quan sát, chiếm tỷ lệ 96.53%. Giá trị Nagekerke R2 của mơ hình là 15.37% mặc dù độ chính xác của mơ hình cao. Điều này cho thấy việc sử dụng lợi nhuận trước lợi ích cổ đơng thiểu số là biến phân loại kiệt quệ tài chính khi phối hợp cùng với các biến giải thích cấu trúc vốn tối ưu chưa giải thích được xác suất lâm vào kiệt quệ tài chính của ngành sản xuất-kinh doanh.
4.3.4 Ngành xây dựng
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành xây dựng theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.4.1: Kết quả hồi quy
Phương trình hồi quy:
Logit P = -0.5DTA+5.5TxEBIT+39CF-42STDEV_CF+0.11Bx+0.98
Bảng 4.3.4.3: Classification model
Bảng 4.3.4.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.4.5: Phân tích đường cong ROC
Giá trị Nagelkerke R2 của mơ hình là 26.53%, mặc dù mơ hình dự đốn chính xác 93.7% và kết quả kiểm định mơ hình phù hợp (sig.H&L= 0.437) chấp nhận giả thiết H0: khơng có sai lệch giữa giá trị ước lượng và giá trị quan sát. Từ kết quả từ bảng hồi quy ta thấy ngoại trừ biến địn bẩy tài chính và chi phí phá sản thì các biến cịn lại thuế (p-value=0.000), dòng tiền (p-value=0.000), độ lệch chuẩn của dịng tiền (p-value=0.000) có tác động đáng kể lên xác suất lâm vào kiệt quệ tài chính của ngành xây dựng. Thuế suất tăng thì lợi ích từ tấm chắn thuế cũng tăng theo và do đó, doanh nghiệp sẽ sử dụng nợ nhiều hơn. Điều này tiềm ẩn rủi ro vỡ nợ trong tương lai, hay thuế suất tăng thì xác suất lâm vào kiệt quệ tài chính tăng, thật vậy hệ số hồi quy của xác suất lâm vào kiệt quệ tài chính theo thuế suất của mơ hình là: 5.52, có nghĩa là khi thuế suất tăng (giảm) 1 đơn vị thì xác suất lâm vào kiệt quệ tài chính của doanh nghiệp tăng (giảm) 5.52%. Tương tự như các ngành khác, dịng
tiền trong ngành xây dựng có ảnh hưởng cùng chiều lên xác suất lâm vào kiệt quệ tài chính của ngành. Khi giá trị mong đợi của dòng tiền trong tương lai cao, doanh nghiệp ngành xây dựng càng mạnh dạn sử dụng nợ nhiều hơn và do đó xác suất lâm vào kiệt quệ tài chính tăng lên. Ngược lại với giá trị kỳ vọng của dịng tiền, thì độ lệch chuẩn của dịng tiền càng cao càng làm cho doanh nghiệp e ngại khi cân nhắc tài trợ nợ và do đó xác suất lâm vào kiệt quệ tài chính giảm.
4.3.5 Ngành vận tải
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành vận tải theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.5.1: Kết quả hồi quy
Phương trình hồi quy:
Bảng 4.3.5.2: Kiểm định Hosmer&Lemeshow
Bảng 4.3.5.3: Classification model
Bảng 4.3.5.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.5.5: Phân tích đường cong ROC
Giá trị Nagelkerke R2 của mơ hình là 52.93% có nghĩa là các biến độc lập trong mơ hình giải thích 52.93% sự thay đổi xác suất lâm vào kiệt quệ tài chính của ngành vận tải. Mặc dù giá trị R2 của mơ hình khơng cao nhưng mơ hình ước lượng chính xác 93.97%. Mơ hình ước tính đúng 109 trường hợp trong tổng số 116 quan sát. Tại mức ý nghĩa 10% thì chỉ có duy nhất biến giá trị kỳ vọng của dịng tiền trong tương lai có mức ý nghĩa thống kê (p-value=0.096). Điều này có nghĩa khi giá trị kỳ vọng của dòng tiền trong tương lai cao, các doanh nghiệp ngành vận tải càng mạnh dạn sử dụng nguồn tài trợ nợ, chính điều này là rủi ro tiềm ẩn đẩy doanh nghiệp rơi vào kiệt quệ tài chính.
4.3.6 Ngành y tế và thiết yếu
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành y tế và thiết yếu theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.6.1: Kết quả hồi quy
Phương trình hồi quy:
Logit P = 0.9DTA+16.5TxEBIT+21.8CF-1.2STDEV_CF-0.04Bx+0.99
Bảng 4.3.6.3: Classification model
Bảng 4.3.6.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.6.5: Phân tích đường cong ROC
Mơ hình dự báo được 190 trường hợp đúng trong tổng số 197 quan sát chiếm tỷ lệ 96.45%. Từ kết quả hồi quy, biến giá trị kỳ vọng của dịng tiền (p-value=0.082) có ảnh hưởng đáng kể lên xác suất lâm vào kiệt quệ tài chính của các cơng ty ngành y tế và thiết yếu với mức ý nghĩa 10%. Kết quả này cho thấy đối với ngành y tế và thiết yếu, giá trị kỳ vọng của dòng tiền trong tương lai càng cao thì nhu cầu sử dụng nợ của doanh nghiệp càng lớn, và do đó làm gia tăng rủi ro lâm vào kiệt quệ tài chính của các cơng ty trong ngành. Biến thuế suất cũng có tác động đáng kể lên xác suất lâm vào kiệt quệ tài chính của các cơng ty trong ngành này với p-value = 0.006. Điều này cho thấy khi thuế suất thu nhập doanh nghiệp tăng làm cho lợi ích từ tấm chắn thuế trở nên hấp dẫn hơn đối với các công ty trong ngành và vì thế doanh nghiệp sẽ sử dụng nợ nhiều hơn và do đó xác suất lâm vào kiệt quệ tài chính của doanh nghiệp cũng tăng lên.
4.3.7 Ngành thủy sản
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành thủy sản theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.7.1: Kết quả hồi quy
Bảng 4.3.7.3: Classification model
Bảng 4.3.7.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.7.5: Phân tích đường cong ROC
Dựa trên kết quả từ bảng Classification, ta thấy, mơ hình dự báo chính xác 101 trường hợp trong tổng số 108 quan sát, chiếm tỷ lệ 93.52%. Giá trị Nagekerke R2 của mơ hình là 36.03% mặc dù độ chính xác của mơ hình cao. Điều này cho thấy việc sử dụng lợi nhuận trước lợi ích cổ đơng thiểu số là biến phân loại kiệt quệ tài chính khi phối hợp cùng với các biến giải thích cấu trúc vốn tối ưu chưa giải thích được xác suất lâm vào kiệt quệ tài chính của ngành thủy sản.
4.3.8 Ngành khác
Phân tích xác suất lâm vào tình trạng kiệt quệ tài chính ngành khác theo mơ hình 1 (biến phụ thuộc: lợi nhuận trước lợi ích cổ đơng thiểu số)
Bảng 4.3.8.1: Kết quả hồi quy
Phương trình hồi quy:
Logit P = -1.07DTA+0.24TxEBIT+34.5CF-13.33STDEV_CF+0.14Bx-0.5
Bảng 4.3.8.3: Classification model
Bảng 4.3.8.4: Kiểm định đa cộng tuyến
Từ kết quả trên ta thấy mơ hình khơng có hiện tượng đa cộng tuyến giữa các biến độc lập.
Bảng 4.3.8.5: Phân tích đường cong ROC
Giá trị Nagelkerke R2 của mơ hình với biến phụ thuộc là lợi nhuận trước lợi ích cổ đơng thiểu số là 26.87%, có nghĩa là sự thay đổi của các biến độc lập có thể giải thích 26.87% sự thay đổi của biến phụ thuộc. Khả năng dự báo chính xác (Classification model) của mơ hình tới 94.42%. Chúng ta có thể thấy trong bảng trên, ngành khác có tổng cộng 251 quan sát trong đó giá trị lợi nhuận trước lợi ích cổ đơng thiểu số nhận giá trị 1 là 236 trường hợp và 15 trường hợp nhận giá trị 0, trong khi đó mơ hình dự báo chính xác 236 trường hợp giá trị lợi nhuận trước lợi ích cổ đơng thiểu số nhận giá trị 1 và 1 trường hợp nhận giá trị 0. Tổng cộng mơ hình dự báo chính xác 237 trường hợp trong tổng số 251 quan sát. Ngoại trừ biến đòn bẩy tài chính, thuế, chi phí phá sản thì biến dòng tiền (p-value=0.000), và độ
lệch chuẩn của dòng tiền (p-value=0.004) có tác động đáng kể lên xác suất lâm vào tình trạng kiệt quệ tài chính của ngành. Biến dịng tiền có tác động cùng chiều lên