Variable Mơ hình 1 Mơ hình 2 Mơ hình 3 Mơ hình 4 Mơ hình 5 Mơ hình 6
t t-1 t-2 t t-2 t t-1 t t-1 t t-l t t-1 TFOTL - 0.02343 -0.02433 - 0.00657 - 0.01891 - 0.00156 - 0.00177 - 0.00096 - 0.00096 - 0.01378 TLTA 0.03573 0.05596 0.07369 0.00844 0.04071 0.00194 0.00524 0.00081 0.02908 NONCREDINT - 0.00045 - 0.00020 - 0.01021 - 0.00022 COVERAGE - 0.01245 -0.02042 - 0.00275 - 0.01342 - 0.00104 - 0.00290 - 0.00109 - 0.01208 - 0.00048 0.00015 - 0.00049 - 0.00613 CPI 0.00022 0.00042 0.00003 0.00257 0.00003 0.00018 TBILL 0.00120 0.00566 0.00015 0.00014 0.00278 PRICE - 0.00053 ABNRET - 0.00442 - 0.00982 - 0.00439 - 0.03793 - 0.00188 - 0.02818 - 0.03001 SIZE - 0.00183 MCTD - 0.00208 - 0.01379 - 0.00045
Để tiện việc so sánh hiệu ứng cận biên của các biến với nhau, tác già sẽ chỉ xem xét cụ thể chúng trong mơ hình 6, mơ hình có đầy đủ các biến được đưa vào. Ngồi ra, đây cũng là mơ hình có ý nghĩa thống kê nhất. Ý nghĩa cùa các giá trị được giải thích như sau: (xem xét cụ thể mơ hình 6 (t) và các mơ hình khác cùng được giải thích tương tự)
- Đối với các biến tài chính: biến TFOTI khi giá trị TANH của tỷ số dòng tiền hoạt động chia cho tổng nợ tăng 1 đơn vị thì xác suất để cơng ty lâm vào tình trạng kiệt quệ tài chính sẽ sụt giảm trung bình gần 0.096%, trong điều kiện các biến độc lập khác giữ cố định tại mức giá trị trung bình. Giải thích tương tự ta thấy rằng, trong các biến số tỷ số tài chính, biến số NONCREDINT có mức độ hiệu ứng cận biên trung bình lớn nhất và biến CP1 có mức hiệu ứng trung bình thấp nhất.
- Đối với 2 biến số thị trường: hiệu ứng cận biên trung bình của biến MCTD nhỏ hơn biến SIZE. Theo đó, khi giá trị TANH của biến giá trị vốn hóa thị trường trên tổng nợ gia tăng 1 đơn vị thì xác suất để cơng ty rơi vào tình trạng kiệt quệ tài chính sẽ sụt giảm trung bình gần 0.05%.
- Đối với các biến số vĩ mơ: biến số TBILL có hiệu ứng mạnh mẽ hơn so với biến số CPI. Cụ thể khi lãi suất Tbill gia tăng 1% thì xác suất cơng ty rơi vào tình trạng kiệt quệ tài chính sẽ gia tăng trung bình 0,015% trong điều kiện các yếu tố khác cố định tại giá trị trung bình.
CHƯƠNG V: KẾT LUẬN
5.1. Tóm tắt kết quả nghiên cứu
Luận văn đã trình bày về (i) cách xác định tình trạng kiệt quệ tài chính của các doanh nghiệp (ii) các yếu tố ảnh hưởng đến xác suất kiệt quệ tài chính để từ đó xây dựng lên mơ hình dự báo và (iii) đánh giá được mức độ ảnh hưởng của các nhân tố lên xác suất kiệt quệ tài chính của doanh nghiệp được niêm yết trên sàn GDCK TPHCM (HOSE) và sàn GDCK Hà Nội (HNX). Luận văn cũng đã có những ưu điểm nhất định:
Thứ nhất, xác định được tình trạng kiệt quệ tài chính của một cơng ty khơng phải chỉ xác định dựa trên hậu quả pháp lý cuối cùng là phá sản như phần lớn các nghiên cứu trước đây. Thay vào đó, một cơng ty rơi vào tình trạng kiệt quệ tài chính khi lợi nhuận từ hoạt động không đủ để trang trải các nghĩa vụ tài chính và thị trường sẽ đánh giá tiêu cực về điều này thể hiện qua sự tăng trưởng âm trong trong giá trị thị trường. Bên cạnh đó, luận văn cũng kiểm chứng sự đóng góp của ba loại biến số vào mơ hình dự báo tình trạng kiệt quệ tài chính: biến tỷ số tài chính, biến chỉ báo kinh tế vĩ mô và biến thị trường. Từ đó, tác giả đã xây dựng được mơ hình có thể dự báo tốt khả năng kiệt quệ tài chính của một cơng ty.
Thứ hai. luận văn cũng đã cho thấy sự kết hợp có ý nghĩa giữa các nhóm biến tài chính, vĩ mơ và thị trường trong việc dự báo xác suất kiệt quệ tài chính và làm tăng khả năng dự báo của mơ hình. Các biến có thể kết hợp với nhau để dự báo khả năng kiệt quệ tài chính của doanh nghiệp ngay tại năm quan sát (năm t) và cung cấp một mơ hình gợi ý để dự báo cho mơ hình dự báo trước 1 năm.
Thứ ba. luận văn cho phép lượng hóa tác động của từng biến lên xác suất kiệt quệ tài chính của cơng ty. Trong đó biến thị trường có mức ảnh hưởng cao nhất, tiếp đến là các biến tài chính và vĩ mơ. Điều này khẳng định gía trị của dữ liệu thị trường hàm chứa rất nhiều ý nghĩa dự báo đến khả năng kiệt quệ tài chính của doanh nghiệp.
5.2. Những hạn chế của đề tài và hướng nghiên cứu trong tương lai
Giai đoạn từ năm 2008 đến năm 2015 có sự biến động mạnh trong nền kinh tế Việt Nam cũng như trên tồn thế giới, khủng hoảng tài chính tồn cầu năm 2008, khủng hoảng nợ cơng năm 2010, các vấn đề lạm phát và lãi suất tăng cao đột biến. Dữ liệu nghiên cứu cũng chứa bao quát hết được tất cả các công ty trên thị trường cho nên để có mơ hình dự báo được chính xác hơn cần thu thập thêm nhiều dữ liệu từ các công công ty trên 2 sàn giao dịch. Các dữ liệu của các nguồn cũng có một sự chênh lệch nên cần phải đối chiếu so sánh qua lại giữa các nguồn. Các dữ liệu về kế toán ở các doanh nghiệp Việt Nam thường được làm đẹp hóa các dữ liệu thị trường đặc biệt là dữ liệu về giá đôi khi không phản ánh đúng giá trị thực của doanh nghiệp do hiện tượng làm giá của các đội lái trên thị trường chứng khoán điểu này cũng ảnh hưởng
một phần đển khả năng dự báo của mơ hình. Các doanh nghiệp tài chính vẫn cịn bị bỏ sót nên các bài nghiên cứu sau cần thêm xem xét kỹ hơn vấn đề này. Gần đây đã có một số nghiên cứu tìm hiểu tác động của thơng tin phi tuyến lên xác suất kiệt quệ tài chính của doanh nghiệp và cho những kết quả hết sức khả quan, chính vì thế cần phải có hướng mở rộng và kết hợp giữa các biến tài chính, vĩ mơ, thị trường và cả thơng tin phi tuyến của doanh nghiệp để đưa ra một mơ hình dự báo chính xác nhất. Cuối cùng, luận văn vẫn chưa so sánh được khả năng dự báo của mơ hình Logit với một số mơ hình dự báo khác như mơ hình điểm z của Altman, mơ hình mạng thần kinh nhân tạo ANN.
TÀI LIỆU THAM KHẢO
DANH MỤC TÀI LIỆU TIẾNG VIỆT
Nguyễn Trọng Hồi, Phùng Thanh Bình, Nguyền Khánh Duy (2014), Dự báo và phân tích dữ liệu trong kinh tế và tài chính. Nhà xuất bản Tài chính.
Trần Ngọc Thơ (2003), Tài chính cơng ty hiện đại. Nhà xuất bản Thống kê.
Trần Ngọc Thơ (2007), Tài chính doanh nghiệp hiện đại, Nhà xuất bản Thống kê. Sở GDCK Tp. Hồ Chí Minh. Danh sách cơng tế niêm yết. www.hsx.vn Sở GDCK Hà Nội, Danh sách công ty niêm yết. www.hnx.vn.
DANH MỤC TÀI LIỆU TIẾNG ANH
Agarwal, V., & Taffler, R. J. (2007). Twenty-five years of the Taffler ¿-score model: Does it really have predictive ability?. Accounting and Business Research, 37(4),
285-300.
Agarwal, V., & Taffler, R. (2008). Comparing the performance of market-based and accounting-based bankruptcy prediction models. Journal of Banking & Finance, 32(8), 1541-1551.
Alexander, c., & Kaeck. A. (2(K)8). Regime dependent determinants of credit default swap spreads. Journal of Banking á Finance. 32(6). 1008-1021.
Alfaro, E., García, N., Gámez, M., & Elizondo, D. (2008). Bankruptcy forecasting: An empirical comparison of AdaBoost and neural networks.Decision Support
Systems. 45(1). 110-122.
Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.
Altman, E. I. (2000). Predicting financial distress of companies: revisiting the Z- scorc and ZETA models. Stern School of Business, New York University, 9-12.
Altman, E. I., & Sabato, G. (2007). Modelling credit risk for SMEs: Evidence from the US market. Abacus, 43(3), 332-357.
Altman, E. I., Sabato, G., & Wilson, N. (2010). The value of non-financial information in small and medium-sized enterprise risk management. The Journal of
Credit Risk. 6(2). 95.
Anderson, R. (2007). The credit scoring toolkit: Theory and practice for retail credit
risk management and decision automation. Oxford University Press.
Andrade, G., & Kaplan, S. N. (1998). How costly is financial (not economic) distress? Evidence from highly leveraged transactions that became distressed. The Journal of
Finance, 53(5), 1443-1493.
Argenti, J. (1976). Corporate collapse: the causes and symptoms McGraw-Hill London.
Asquith, P., Gertner, R., & Scharfstein, D. (1991). Anatomy of financial distress: An
examination of junk-bond issuers (No. w3942). National Bureau of Economic
Research.
Alastair Graham, F. R. (2000). Corporate credit analysis. Global Professional
Publishi.
Balcaen, S., & Ooghe, II. (2(X)6). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems.The British
Accounting Review, 38( I). 63-93.
Barnes, P. (1987). The analysis and use of financial ratios: A review article.Journal
of Business Finance & Accounting, 14(4), 449-461.
Barnes, P. (1990). The prediction of takeover targets in the UK by means of multiple discriminant analysis. Journal of Business Finance & Accounting J7( 1), 73-84. Beaver. W. H. (1966). Financial ratios as predictors of failure. Journal of accounting
research, 71-111.
Beaver, W. H.. McNichols, M. F.. & Rhie, J. W. (2005). Have financial statements become less informative? Evidence from the ability of financial ratios to predict
bankruptcy. Review of Accounting studies, /0(1), 93-122.
Bharath, S. T„ & Shumway, T. (2008). Forecasting default with the Merton distance to default model. Review of Financial Studies, 210), 1339-1369.
Bierens, 11. J. (2008). The logit model: estimation. Testing and Interpretation.
PennState, Department of Economics.(Oct. 25. 200H). url: http://econ. la. psu. edu/~ hbierens/ML_LOGIT. PDF.
Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. The
journo! of political economy, 637-654.
Campbell, J. Y., Hilscher, J., & S/.ilagyi, J. (2008). In search of distress risk.The Journal of Finance, 63(6), 2899-2939.
Chava, S., & Jarrow, R. A. (2004). Bankruptcy prediction with industry effects.
Review of Finance, tf(4), 537-569.
Cho, S., Kim, J., <& Bae, J. K. (2009). An integrative model with subject weight based on neural network learning for bankruptcy prediction. Expert Systems with Applications, 36( 1), 403-410.
Christidis, A., & Gregory. A. (2010). Some new models for financial distress prediction in the UK. Xft-Centre for Finance and Investment Discussion Paper, (10). Cleves, M. A., & Rock, L. (2002). From the help desk: Comparing areas under receiver operating characteristic curves from two or more probit or logit models. The
Stata Journal, 2(3), 301-313.
Cox, D. R., & Snell, E. J. (1989). Analysis of binary data (Vol. 32). CRC Press.
DcLong, E. R., DcLong, D. M., & Clarke-Pcarson, D. L. (1988). Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics, 837-845.
Dichev, I. I). (1998). Is the risk of bankruptcy a systematic risk?, the Journal of Finance, 53(3), 1131-1147.
Ericsson, J„ Jacobs, K., & Oviedo, R. (2009). The determinants of credit default swap premia. Journal of Financial and Quantitative Analysis, 44(1), 109-132.
Freund, R. J., & Littell, R. C. (2(K)0). SAS Systems tor Regression. 3rd id.Cary, NC:
SAS Institute.
Geskc, R. (1977). The valuation of corporate liabilities as compound options Journal
of Financial and quantitative Analysis, /2(04), 541 -552.
Godfrey, M. D. (2009). The TANH transformation. Information Systems Laboratory,
Stanford University.
Hillegeist, S. A., Keating, E. K., Cram, D. P.. & Lundstedt, K. G. (2004). Assessing the probability of bankruptcy. Review of accounting studies, 9( 1), 5-34.
Keasey, K., & Watson, R. (1987). Non-Financial Symptoms and the Prediction of Small Company Failure: A Test of Argenti's Hypotheses.of Business Finance &
Accounting, /4(3), 335-354.
Keasey. K., & Watson, R. (1991). Financial distress prediction models: A review of their usefulness 1. British journal of Management, 2(2). 89-102.
Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques-A review. European journal of operational research. IS0( 1). 1-28.
Long, J. S., & Freese, J. (2006). Regression models for categorical dependent variables using Stata. Stata press.
Maltz. A. C. Shenhar, A. J., & Reilly, R. R. (2003). Beyond the balanced scorecard:: Refining the search for organizational success measures. Long Range Planning, 36(2), 187-204.
Marais, D. A. J. (1979). A method of quantifying companies' relative financial strength. Economic Intelligence Department. Bank of England.
Mare, D. S. (2015). Contribution of macroeconomic factors to the prediction of small bank failures. Journal of InternationaI Financial Markets, Institutions and Money, 39, 25-39.
Mays, F. E., & Lynas, N. (2004). Credit scoring for risk managers: The handbook for lenders. Thomson/South-Western.
Mclla-Barral, P., & Pcrraudin, W. (1997). Strategic debt service. The Journal of Finance, 52(2), 531-556.
Merton. R. C. (1974). On the pricing of corporate debt: The risk structure of interest rates. The Journal of finance, 29(2), 449-470.
Nagelkerke, N. J. (1991). A note on a general definition of the coefficient of determination. Biometrika, 78(3), 691-692.
Nam, C. W., Kim. T. S., Park. N. J., & Lee. H. K. (2008). Bankruptcy prediction using a discrete-time duration model incorporating temporal and macroeconomic dependencies. Journal of Forecasting, 27(6). 493-506.
Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy.
Journal of accounting research. 109-131.
Olson. D. I... Delen, D., & Meng, Y. (2012). Comparative analysis of data mining methods for bankruptcy prediction. Decision Support Systems, 52(2), 464-473.
Pindado, J., Rodrigues, L., & de la Torre. C. (2008). Estimating financial distress likelihood. Journal of Business Research, 61(9), 995-1003.
Qu, Y. (2008). Macroeconomic factors and probability of default. European Journal
of Economics, Finance and Administrative Sciences, 13, 192-215.
Ragavan, A. J. (2008). How to use SASR to fit multiple logistic regression models. In Proceedings from the SAS® Global Forum (pp. 16-19).
Reisz, A. S., & Perlich, C. (2007). A market-based framework for bankruptcy prediction. Journal of Financial Stability, .1(2), 85-131.
Saunders, A., & Allen, L. (1998). Credit Risk Measurement: New Approaches to
Value at Risk and Other Paradigms, John Wiley and Sons.
Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model*. The Journal of Business, 74( I), 101-124.
Taffler, R. J. (1983). The assessment of company solvency and performance using a statistical model. Accounting and Business Research,!3(52), 295-308.
Theodossiou. P. T. (1993). Predicting shifts in the mean of a multivariate time series process: an application in predicting business failures. Journal of the American Statistical Association. 88(422). 441 -449.
Trujillo-Ponce, A.. Samaniego-Medina, R., & Cardone-Riportella, C. (2014). Examining what best explains corporate credit risk: accounting-based versus market- based models. Journal of Business Economics and Management,15(2), 253- 276. Tseng, F. M., & Hu, Y. C. (2010). Comparing four bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks.Expert Systems with
Applications, 37(3), 1846-1853.
Tinoco, M. H.. & Wilson, N. (2013). Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables.
International Review of Financial Analysis, JO, 394-419.
Van Gestel. T., Baesens, B.. Suykens. J. A.. Van den Poel. L).. Baestaens, D. L. & Willekens, M. (2006). Bayesian kernel based classification for financial distress detection. European journal of operational research. /72(3). 979-1003.
Vassalou. M., & Xing. Y. (2(M)4). Default risk in equity returns. The Journal of Finance, 59(2), 831-868.
Whitaker, R. B. (1999). The early stages of financial distress. Journal of Economies
Wruck, K. H. (1990). Financial distress, reorganization, and organizational efficiency. Journal of financial economics, 27(2), 419-444.
Yang, Z., You, W., & Ji. G. (2011). Using partial least squares and support vector machines for bankruptcy prediction. Expert Systems with Applications, 38(1), 8336- 8342.
PHỤ LỤC
DANH SÁCH CƠNG TY THEO MÃ CHỨNG KHỐN TRONG BÀI NGHIÊN CỨU
AAA BRC DCS GAS HOT LDP RIC TCM TTF VE9
AAM BTP DHG GDT HQC MAC SAV TCR TTZ VGS
ABT BTS DHM GIL HSG MNC SBT TCS TV1 VHC
ACC BTT DMC GLT HT1 NAV SC5 TDN TV2 VHG
ACL BTW DNM GMC HTL NBB SCD TDW TV3 VHL
ADC CAN DNP GMD HTV NPS SCJ THB TV4 VIP
AGF CAP DNY GSP HUT NVT SFC THG TVD VIS
AGM CDC DPM HAD HVG OGC SFI THS TXM VIT
ALP CLC DQC HAG HVX PAN SGT THT TYA VMC
ALT CLG DRH HAP IDJ PTC SHI TIG UDC VMD
APC CLW DSN HAT IJC PTL SHP TKC UNI VNC
API CMV DTL HAX IMP PVD SIC TKU V12 VNE
ARM CNG DXG HBC ITA PVE SJ1 TLG V21 VNF