CHƯƠNG 3: KẾT QUẢ ÁP DỤNG CÁC MÔ HÌNH DỰ BÁO KHÓ KHĂN TÀI CHÍNH CHO CÁC CÔNG TY NIÊM YẾT TRÊN THỊ TRƯỜNG CHỨNG KHOÁN VIỆT NAM
3.2. Kết quả dự báo khó khăn tài chính của mô hình biệt số
3.2.1. Kết quả phân tích mô hình biệt số thứ nhất
3.2.1.1. Đánh giá độ tin cậy của mô hình biệt số thứ nhất
Trước khi xem xét khả năng sử dụng mô hình thứ nhất (mô hình 1) trong dự báo khó khăn tài chính của các doanh nghiệp trong mẫu, mô hình được đánh giá độ tin cậy trên các khía cạnh: sự vi phạm các giả định hồi quy, ý nghĩa thống kê của các biến và độ tin cậy của các kết quả thu được.
a, Kết quả kiểm tra các giả định hồi quy
Hai giả định quan trọng cần được kiểm tra là giả định không có hiện tượng đa cộng tuyến (Collinearity Diagnostics) và giả định không tồn tại phương sai thay đổi (Heteroskedasticity). Mục đích của việc kiểm tra hai giả định này là làm cho mô hình trở nên có ý nghĩa và làm cho các kết quả dự báo là tối ưu. Giả định về sự không tồn tại hiện tượng đa cộng tuyến được kiểm tra bằng cách tính toán độ chấp
nhận của biến (Tolerance) và hệ số phóng đại phương sai (Variance inflation factor –VIF) với nguyên tắc biến độc lập sẽ bị loại vì đa cộng tuyến nếu độ chấp nhận của biến thấp và hệ số VIF lớn hơn 10. Kết quả thực hiện công việc này trên SPSS 20.0 được thể hiện trong phụ lục 07.
Phụ lục 07 cho thấy mô hình 1 năm thứ nhất trước dự báo có các biến X1 (TSLĐ/Nợ NH), X3 (VLĐ/Tổng TS) và X10 (LCTT ròng/Tổng TS) vi phạm giả định về đa cộng tuyến nên tác giả quyết định loại 3 biến này ra khỏi mô hình.
Tương tự, kiểm định sự tồn tại của hiện tượng đa cộng tuyến đối với mô hình 1, năm thứ hai trước dự báo cho thấy, có hai biến có hệ số VIF lớn hơn 10 tương ứng với độ chấp nhận của biến rất nhỏ là biến X2 (TS dễ chuyển đổi ra TM/ Nợ NH) vàX5 (TSLĐ/Tổng CP). Chính vì vậy, hai biến này bị loại ra khỏi hệ thống các biến dự báo trong mô hình 1 hai năm trước dự báo. Trong mô hình 1, năm thứ ba trước dự báo, biến X5 (TSLĐ/Tổng CP), X12 (LCTT ròng/Vốn CSH) cũng được đưa ra khỏi mô hình để loại bỏ hiện tượng đa cộng tuyến do vi phạm giới hạn của hệ số VIF.
Sau khi loại trừ các biến trong mô hình 1 tại cả ba thời điểm từ kết quả kiểm định đa cộng tuyến, giả thuyết về sự tồn tại của phương sai thay đổi được tiếp tục kiểm tra. Thủ tục kiểm tra giả thuyết này trên SPSS bao gồm hai bước chính. Trong bước thứ nhất, phần dư của hàm hồi quy được lưu và tính toán trị tuyệt đối. Sau đó, kiểm định hệ số tương quan hạng Spearman đối với phần dư này và biến phụ thuộc được thực hiện với giả thuyết H0: hệ số tương quan hạng của tổng thể bằng 0. Nếu kết quả kiểm định không bác bỏ giả thuyết H0 thì có thể kết luận phương sai của sai số không đổi và ngược lại. Kết quả kiểm định Spearman cho mô hình 1 được thể hiện trong bảng phụ lục 08. Kết quả kiểm định phương sai thay đổi trên phụ lục 08 cho biết, giả thuyết H0 không bị bác bỏ trong cả ba mô hình nên có thể kết luận không tồn tại hiện tượng phương sai thay đổi trong mô hình 1 xây dựng tại cả ba thời điểm khác nhau. Như vậy, sau khi kiểm định giả thuyết về đa cộng tuyến và phương sai thay đổi đối với mô hình 1 tại 3 thời điểm khác nhau, một số biến thuộc 22 biến độc lập ban đầu bị loại để đảm bảo hai giả thuyết trên không bị vi phạm.
Mô hình 1 một năm trước dự báo còn lại 19 biến, mô hình 1 hai năm trước dự báo còn lại 20 biến và mô hình 1 ba năm trước dự báo cũng còn lại 20 biến.
b. Kiểm tra ý nghĩa thống kê của các biến độc lập
Sau khi loại bỏ được hiện tượng đa cộng tuyến giữa các biến trong mô hình, mô hình 1 xây dựng trong ba thời điểm được sử dụng để dự báo khó khăn tài chính của các công ty trong mẫu nghiên cứu. Mặc dù mô hình 1 gốc có thể dự báo khó khăn tài chính của các công ty niêm yết khá chính xác, theo như kết quả tổng hợp trên phụ lục 09, việc kiểm tra độ tin cậy của các biến độc lập trong mô hình cần thiết được thực hiện. Độ tin cậy của hệ thống các biến độc lập này được ước lượng bằng thống kê F được thể hiện trên phụ lục 10.
Kết quả trên phụ lục 10 cho thấy mô hình 1 ở thời điểm một năm trước dự báo có hai biến không có ý nghĩa là biến X5 (TSLĐ/Tổng CP) và X7 (Giá CP *số CP)/Nợ phải trả). Tương tự, các biến không có ý nghĩa thống kê trong mô hình hai năm trước dự báo bao gồm X3 (VLĐ/Tổng TS), X7 (Giá CP *số CP)/Nợ phải trả) và X10 (LCTT ròng/Tổng TS). Các biến không có ý nghĩa thống kê trong mô hình 1, ba năm trước dự báo là X1 (TSLĐ/Nợ NH), X3 (VLĐ/Tổng TS), X7 (Giá CP *số CP)/Nợ phải trả), X10 (LCTT ròng/Tổng TS). Như vậy, từ mô hình 1 ban đầu, sau khi kiểm tra các giả thuyết hồi quy và kiểm tra độ tin cậy của các biến dự báo, mô hình cuối cùng được sử dụng để dự báo khó khăn tài chính bao gồm:
- Mô hình 1 một năm trước dự báo: còn lại 17 biến sau khi bỏ 5 biến X1 (TSLĐ/Nợ NH); X3 (VLĐ/Tổng TS); X5 (TSLĐ/Tổng CP); X7 (Giá CP *số CP)/Nợ phải trả và X10 (LCTT ròng/Tổng TS)
- Mô hình 1 hai năm trước dự báo: còn lại 17 biến sau khi bỏ 5 biến X2 (TS dễ chuyển đổi ra TM/ Nợ NH); X3 (VLĐ/Tổng TS); X5 (TSLĐ/Tổng CP); X7 (Giá CP *số CP)/Nợ phải trả) và X10 (LCTT ròng/Tổng TS).
- Mô hình 1 ba năm trước dự báo: còn lại 16 biến sau khi bỏ 6 biến X1 (TSLĐ/Nợ NH); X3 (VLĐ/Tổng TS); X5 (TSLĐ/Tổng CP); X7 (Giá CP *số CP)/Nợ phải trả); X10 (LCTT ròng/Tổng TS); và X12 (LCTT ròng/Vốn CSH).
c, Kiểm tra độ tin cậy của kết quả dự báo
Trước khi đánh giá khả năng dự báo khó khăn tài chính của mô hình, điều quan trọng cần thực hiện là kiểm tra khả năng (giá trị Eigenvalue) và ý nghĩa của hàm phân biệt (tiêu chuẩn Wilks Lambda) ước lượng từ mô hình. Kết quả tính toán các hệ số này được thể hiện trên bảng 3.3 và 3.4.
Bảng 3.3 cho thấy giá trị Eigenvalue tương ứng với hàm phân biệt xây dựng từ mô hình ở thời điểm 1 năm trước dự báo là 3,953 và nó chiếm tới 100% phương sai giải thích được nguyên nhân. Hệ số tương quan canonical tương ứng là 0,893.
Bình phương của hệ số này, (0,893)2 = 0,794, cho thấy gần 80% phương sai biến phụ thuộc được giải thích bởi mô hình. Giá trị Eigenvalue tương ứng với hàm số ở thời điểm 2 năm trước dự báo là 0,872 và cũng chiếm tới 100% phương sai giải thích được nguyên nhân. Hệ số tương quan canonical tương ứng là 0,682. Bình phương của hệ số này, (0,682)2 = 0,465, cho gần 47% phương sai biến phụ thuộc được giải thích bởi mô hình. Giá trị Eigenvalue tương ứng với hàm này ở thời điểm 3 năm trước dự báo là 0,388 và nó chiếm tới 100% phương sai giải thích được nguyên nhân. Hệ số tương quan (canonical correlation) tương ứng là 0,529. Bình phương của hệ số này, (0,529)2 = 0,279, cho thấy khoảng 28% của phương sai biến phụ thuộc được giải thích bởi mô hình. Như vậy, xét ở hệ số Eigenvalue, hàm số ước lượng ở thời điểm 1 năm trước dự báo là tốt nhất sau đó đến hàm số ước lượng ở thời điểm 2 năm trước dự báo.
Bảng 3.3. Kết quả tính toán hệ số Eigenvalues của mô hình 1
Năm Giá trị
Eigenvalue Phương sai Lũy kế % Hệ số tương quan 1 năm trước dự báo 3.953,00 100,00 100,00 0,89
2 năm trước dự báo 0,872 100,00 100,00 0,68
3 năm trước dự báo 0,39 100,00 100,00 0,53
Nguồn: kết quả thống kê từ SPSS 20.0
Để xác định mức ý nghĩa của hàm phân biệt được ước lượng, giả thuyết H0 là tổng thể các trung bình của các hàm phân biệt trong tất cả các nhóm là bằng nhau.
Trong SPSS, kiểm định này được dựa trên tiêu chuẩn Wilks Lambda. Kết quả tại bảng 3.4 cho thấy, đối với hàm số ước lượng tại thời điểm 1 năm trước dự báo, kết quả của đại lượng Wilks Lambda của hàm này là 0,202 chuyển thành đại lượng Chi- square là 184,809với 17 bậc tự do. Với mức ý nghĩa quan sát rất nhỏ so với 5%, có đủ cơ sở để bác bỏ giả thuyết H0.
Tương tự như vậy, đối với hàm số ước lượng tại thời điểm 2 năm trước dự báo, kết quả của đại lượng Wilks Lambda của hàm này là 0,534 chuyển thành đại lượng Chi-square là 72,406 với 17 bậc tự do. Với mức ý nghĩa quan sát cũng rất nhỏ so với 5%. Như vậy, có đủ cơ sở để bác bỏ giả thuyết H0. Đối với hàm số ước lượng tại thời điểm 3 năm trước dự báo, kết quả của đại lượng Wilks Lambda của hàm này là 0,720 chuyển thành đại lượng Chi-square là 35,751 với 17 bậc tự do, với mức ý nghĩa quan sát rất nhỏ so với 5%. Như vậy, cả ba hàm hàm số ước lượng đều được đánh giá có ý nghĩa với độ tin cậy là 95%.
Bảng 3.4. Kết quả tính toán hệ số Wilks’ Lambda của mô hình 1 Năm Hệ số Wilks’ Lambda Chi-square Bậc tự do Ý nghĩa thống kê
1 năm trước
dự báo 0,20 184,81 17,00 0,00
2 năm trước
dự báo 0,53 72,41 17,00 0,00
3 năm trước
dự báo 0,72 35,75 16,00 0,00
Nguồn: kết quả thống kê từ SPSS 20.0 3.2.1.2. Kết quả ước lượng hàm biệt số thứ nhất
Như trình bày ở phần trên, hàm phân biệt được ước lượng từ mô hình 1 có ý nghĩa thống kê và độ tin cậy nên hoàn toàn sử dụng được cho việc dự báo khó khăn tài chính của các công ty niêm yết. Vai trò dự báo của từng biến độc lập hay tầm
quan trọng của các biến được thể hiện qua độ lớn tuyệt đối của hệ số chuẩn hóa hàm phân biệt (thể hiện từ bảng 3.5a đến bảng 3.5c tương ứng với ba thời điểm xác định). Các biến có hệ số chuẩn hóa càng lớn thì càng đóng góp nhiều hơn vào khả năng phân biệt của hàm (Hoàng Trọng và Chu Nguyễn Mộng Ngọc, 2008).
Bảng 3.5a. Hệ số chuẩn hóa hàm phân biệt thứ nhất 1 năm trước dự báo
Biến Hệ số
X2 TS dễ chuyển đổi ra TM/ Nợ NH -0,132
X4 VLĐ /DTBH 0,081
X6 Chi phí trả lãi/vốn CSH 0,407
X8 CP trả lãi/Tổng DTBH -0,096
X9 Tỷ lệ tăng trưởng TS 0,118
X11 LCTT ròng/Tổng nợ phải trả 0,017
X12 LTCC ròng/Vốn CSH 0,005
X13 DTBH thuần/Tổng TS 0,094
X14 LN thuần sau thuế/Tổng số CP 0,082
X15 LN giữ lại/Tổng TS -0,206
X16 LNTT/Tổng TS -1,152
X17 LN gộp/DTBH thuần -0,119
X18 LN ròng/Vốn CSH 0,452
X19 EBIT/Tổng TS 1,537
X20 Nợ phải trả /Tổng TS -0,162
X21 Giá CP 0,89
X22 Quy mô TS 0,149
Nguồn: kết quả thống kê từ SPSS 20.0 Kết quả ước lượng hàm dự báo từ mô hình biệt số 1 năm trước dự báo cho thấy một số biến có khả năng dự báo khó khăn tài chính rất tốt đó là các biến có hệ số chuẩn hóa cao hơn cả. Đó là các biến:
- X16: LNTT/Tổng TS - X19: EBIT/Tổng TS - X15: LN giữ lại/Tổng TS
- X6: Chi phí trả lãi/vốn chủ sở hữu - X21: Giá cổ phiếu hiện thời
- X2: TS dễ chuyển đổi ra TM/ Nợ NH - X22: Quy mô tài sản
Các biến không đóng góp nhiều vào việc dự báo khó khăn tài chính trong khoảng thời gian dự báo là 1 năm trước khi khó khăn tài chính lại là các biến liên quan đến LCTT ròng như X12 (LTCC ròng/Vốn CSH LCTT ròng/Tổng nợ phải trả) và X11 (LCTT ròng/Tổng nợ phải trả).
Kết quả phân tích hệ số chuẩn hóa hàm phân biệt trong mô hình biệt số thứ nhất tại 2 năm trước dự báo (bảng 3.5b) cho thấy các hệ số này không có nhiều thay đổi so với mô hình tại thời điểm 1 năm trước dự báo. Bên cạnh các biến X19, X16, X6, X18 từ mô hình 1, mô hình này bổ sung thêm X12 (LCTT ròng/Vốn CSH) và X14
(LN thuần sau thuế/Tổng số CP) là các biến có vai trò dự báo tốt hơn các biến còn lại. Biến quy mô tài sản có vai trò dự báo khó khăn trong năm thứ nhất trước dự báo nhưng lại không có vai trò quan trọng trong mô hình hai năm trước dự báo.
Bảng 3.5b. Hệ số chuẩn hóa hàm phân biệt thứ nhất 2 năm trước dự báo
Biến Hệ số
X1 TSLĐ/Nợ NH 0,048
X4 VLĐ /DTBH -0,141
X6 Chi phí trả lãi/vốn CSH -0,241
X8 CP trả lãi/Tổng DTBH -0,030
X9 Tỷ lệ tăng trưởng TS -0,079
X11 LCTT ròng/Tổng nợ phải trả 0,091
X12 LTCC ròng/Vốn CSH -0,308
X13 DTBH thuần/Tổng TS 0,121
X14 LN thuần sau thuế/Tổng số CP 0,354
X15 LN giữ lại/Tổng TS -0,207
X16 LNTT/Tổng TS -0,581
X17 LN gộp/DTBH thuần -0,175
X18 LN ròng/Vốn CSH -0,267
X19 EBIT/Tổng TS 1,585
X20 Nợ phải trả /Tổng TS 0,036
X21 Giá CP -0,143
X22 Quy mô TS 0,032
Nguồn: kết quả thống kê từ SPSS 20.0
Hàm phân biệt xây dựng từ mô hình biệt số thứ nhất tại thời điểm 3 năm trước dự báo cho thấy một số biến có hệ số chuẩn hóa lớn hơn rất nhiều các biến còn lại, từ đó, có vai trò quan trọng hơn trong việc dự báo khó khăn tài chính (bảng 3.56c). Bao gồm:
- X19: EBIT/Tổng tài sản
- X16: Lợi nhuận thuần từ hoạt động kinh doanh trước thuế/tổng tài sản - X4: Vốn lưu động /doanh thu bán hàng
- X13: DTBH thuần/Tổng TS - X15: LN giữ lại/Tổng TS - X22: Quy mô TS
Tại thời điểm này, các biến số như X8 (CP trả lãi/Tổng DTBH) và X18 (LN ròng/Vốn CSH) lại không có ý nghĩa nhiều trong việc dự báo tình hình khó khăn tài chính của các công ty trong mẫu nghiên cứu.
Bảng 3.5c. Hệ số chuẩn hóa hàm phân biệt 3 năm trước dự báo
Biến Hệ số
X2 TS dễ chuyển đổi ra TM/ Nợ NH -0,204
X4 VLĐ /DTBH -0,46
X6 Chi phí trả lãi/vốn CSH 0,233
X8 CP trả lãi/Tổng DTBH -0,031
X9 Tỷ lệ tăng trưởng TS 0,163
X11 LCTT ròng/Tổng nợ phải trả 0,238
X13 DTBH thuần/Tổng TS 0,402
X14 LN thuần sau thuế/Tổng số CP 0,226
X15 LN giữ lại/Tổng TS -0,371
X16 LNTT/Tổng TS 1,897
X17 LN gộp/DTBH thuần 0,285
X18 LN ròng/Vốn CSH -0,011
X19 EBIT/Tổng TS -1,115
X20 Nợ phải trả /Tổng TS -0,105
X21 Giá CP 0,144
X22 Quy mô TS 0,314
Nguồn: kết quả thống kê từ SPSS 20.0
3.2.1.3. Đánh giá khả năng dự báo của mô hình biệt số thứ nhất
Trong mô hình biệt số, tính chính xác của mô hình dự báo được đánh giá trên hai khía cạnh: chính xác trong việc phân loại một công ty trong mẫu phân tích vào nhóm công ty KKTC hay nhóm công ty không gặp KKTC và tính chính xác trong việc dự báo một công ty trong mẫu kiểm tra gặp KKTC hay không gặp KKTC.
Các công ty trong mẫu phân tích được cho biết trước tình trạng khó khăn tài chính để mô hình có thể xây dựng được một hàm phân biệt dựa trên giá trị các biến số liên quan đến các công ty đó. Hàm phân biệt này được kiểm tra tính chính xác bằng cách so sánh kết quả phân loại của hàm và tình trạng tài chính thực tế đã biết của các công ty. Khả năng phân loại của hàm phân biệt đối với mẫu phân tích càng cao thì nó càng có khả năng dự báo tốt đối với các dữ liệu mới. Sau đó, hàm đã được xây dựng lại được áp dụng trên một mẫu kiểm tra để đưa ra những dự báo về tình trạng tài chính của các công ty trong mẫu. Những dự báo đó sẽ được so sánh với tình trạng tài chính thực tế của các công ty trong mẫu kiểm tra để đánh giá được khả năng dự báo của mô hình. Các bảng từ bảng 3.6a đến bảng 3.6c đều trình bày hai kết quả: kết quả phân loại (đối với mẫu phân biệt) và kết quả dự báo (đối với mẫu kiểm tra) tại 3 thời điểm dự báo khác nhau. Các công ty gặp khó khăn tài chính được mã hóa 0 và các công ty không gặp khó khăn tài chính được mã hóa là 1.
Bảng 3.6a cho thấy, hàm phân biệt xây dựng trong mô hình biệt số thứ nhất tại thời điểm 1 năm trước dự báo có khả năng phân loại công ty trong mẫu phân tích đúng đến 93,7% và có khả năng dự báo chính xác đến 89,5%. Bảng 3.6b cho thấy, hàm này tại thời điểm 2 năm trước dự báo có khả năng phân loại công ty trong mẫu phân tích đúng là 87,3% và có khả năng dự báo chính xác đến 84,10%. Trong khi đó, khả năng phân loại và dự báo của hàm phân biệt tại thời điểm ba năm trước dự báo lần lượt là 72,3% và 64,2% (bảng 3.6c). Như vậy, mô hình biệt số thứ nhất có khả năng phân loại và dự báo khá tốt trong cả ba năm. Tính chính xác trong phân loại và dự báo là cao nhất với các quan sát thu thập 1 năm trước thời điểm dự báo và giảm dần qua các năm.
Bảng 3.6a.
Kết quả phân loại và dự báo của mô hình 1 thời điểm 1 năm trước dự báo Tình
trạng
Số lượng trong nhóm
Tổng
0 1
Mẫu phân tích
Số lượng 0 50 2 52
1 6 68 74
%
0 96,2 3,8 100
1 8,1 91,9 100
Mẫu kiểm tra
Số lượng
0 44 5 49
1 8 67 75
%
0 89,8 10,2 100
1 10,7 89,3 100
a. 93,7% phân loại chính xác b. 89,5% dự báo chính xác
Nguồn: kết quả phân tích từ SPSS 20.0 Bảng 3.6b.
Kết quả phân biệt và dự báo của mô hình 1 thời điểm 2 năm trước dự báo Tình
trạng
Số lượng trong nhóm Tổng
0 1
Mẫu phân tích
Số lượng 0 54 11 65
1 5 56 61
% 0 83,1 16,9 100
1 8,2 91,8 100
Mẫu kiểm tra
Số lượng 0 58 9 67
1 11 48 59
% 0 86,6 13,4 100
1 18,6 81,4 100
a. 87,3% % phân biệt chính xác b. 84,1% dự báo chính xác
Nguồn: kết quả phân tích từ SPSS 20.0