Các nghiên cứu này cũng kiểm tra sự vững mạnh của các mô hình thông qua sự so sánh giữa ba mô hình chính được trình bày (Mô hình 1, 2, và 3), (1968) mô hình cổ điển của Altman ước tính sử dụng hồi quy logistic, các sử dụng rộng rãi (1968) Z của Altman -score, và các mô hình toàn diện ước tính sử dụng mạng thần kinh nhân tạo (mạng đa lớp). Do đó ba kỹ thuật cho các dự đoán của kiệt quệ tài chính được sử dụng để kiểm tra việc thực hiện các mô hình của chúng tôi. Bảng 12 trình bày sự so sánh về hiệu quả của các mô hình 'chỉ kế toán', mô hình 'Kế toán cộng với các chỉ số kinh tế vĩ mô mô hình’, mô hình "đầy đủ", Altman (1968) mô hình ước lượng sử dụng hồi quy logistic, và các mô hình' đầy đủ 'ước tính sử dụng tài mạng lưới thần kinh nhân tạo, được đo bằng diện tích dưới đường cong ROC (AUC), các dãy hệ số Gini và thống kê Kolmogorov-Smirnov.
Ghi chú: bảng này báo cáo kết quả xác nhận mô hình cho mô hình 3 ước tính trong khoảng thời gian t - 1 và t - 2. Các bộ dữ liệu chính được chia thành hai đoạn giai đoạn. Đầu tiên, giai đoạn 2001-2006, tương ứng với các giai đoạn sau sự sụp đổ của bong bóng công nghệ thông tin, và điều thứ hai, 2007- 2001, là giai đoạn mà sau kiệt quệ tài chính toàn cầu bắt đầu từ năm 2007. Độ chính xác dự đoán hoặc tổng thể hiệu suất của mô hình được đo bằng diện tích dưới đường cong ROC.
Ghi chú: Bảng này báo cáo số liệu thống kê thực hiện mô hình. Hình A cho thấy các biện pháp cho các mô hình ước tính trong khoảng thời gian t - 1 và hình B hiển thị các biện pháp tương tự cho các mô
hình ước lượng trong t - 2. Mô hình 1, 2, 3 và mô hình của Altman được ước tính bằng cách sử dụng phương pháp logit bảng. Ngoài ra, mô hình 3 được ước tính bằng cách sử dụng phương pháp mạng thần kinh (mạng đa tầng). Mô hình 1 là mô hình "chỉ có kế toán', mô hình 2 là mô hình kế toán cộng với biến kinh tế vĩ mô, mô hình 3 là mô hình' đầy đủ ', bao gồm cả các biến thị trường ngoài các biến trong mô hình 2. Mô hình Altman có các tỷ lệ kế toán kèm theo: Vốn lưu động trên tổng tài sản, lợi nhuận để lại trên Tổng tài sản, Thu nhập trước lãi vay và thuế trên Tổng tài sản, Giá trị thị trường của vốn chủ sở hữu trên giá trị sổ sách của Tổng nợ, và doanh thu bán hàng trên Tổng tài sản. Các tiêu chuẩn biện pháp đầu tiên, khu vực dưới đường cong ROC (AUC), là một thước đo trực tiếp độ chính xác dự đoán của các mô hình ước lượng bằng cách sử dụng phương pháp logit; Các hệ số Gini và Thống kê Kolmogorov-Smirnov cũng được trình bày.
Bảng 12 cho thấy rằng khi các mô hình Altman được ước tính sử dụng các phương pháp logit bảng, nó sẽ hiển thị một độ dự đoán chính xác tương tự (nhẹ kém hơn) để các mô hình 'chỉ có kế toán' (Model 1) và "Kế toán cộng với các chỉ số kinh tế vĩ mô 'mô hình (Model 2), được đo bằng diện tích dưới đường cong ROC. Đây được như mong đợi, là Model 1, Mô hình 2 và mô hình Altman được dựa trên mô hình kế toán, mà có sự so sánh thích hợp. Mô hình 2, trong đó bao gồm các chỉ số kinh tế vĩ mô, mang lại hiệu quả tốt nhất trong số các mô hình kế toán dựa trên (AUC = 0,8763), tiếp theo là mô hình 1 (AUC = 0,8718), và mô hình của Altman (1968) (0,8517) trong t - 1. Mô hình tương tự này được tái hiện khi mô hình được tính trong t - 2, sự khác biệt duy nhất là, như đã thảo luận trước đó, rằng mô hình 1 là hiệu suất tăng cao hơn so với mô hình 2, cho thấy rằng các thông tin chứa trong biến kế toán là phù hợp hơn với những dự đoán của phá sản / kệt quệ tài chính so với thông tin thu được từ các biến kinh tế vĩ mô khi mô hình được ước tính với dữ liệu hai năm trước khi các sự kiện của phá sản / kiệt quệ tài chính.
Theo cách tiếp cận so sánh giữa các phương pháp thống kê và kỹ thuật thông minh trong Olson, Delen, và Meng (2012), Tseng và Hu (2010), Cho, Kim, và Bae (2009), và Kumar và Ravi (2007), nghiên cứu này cũng ước tính Mô hình 3 (mô hình 'Full') sử dụng mạng thần kinh nhân tạo (54) để thực hiện một bài kiểm tra bổ sung việc thực hiện các mô hình của chúng tôi. Hơn nữa, hồi quy logistic là một phương pháp thống kê phổ biến sử dụng như là điểm chuẩn cho mục đích so sánh của các tác giả. Các nghiên cứu này sử dụng mạng đa lớp (55) là kiến trúc phổ biến nhất trong mạng thần kinh nhân tạo (Alfaro, García, Gámez, & Elizondo, 2008). Về vấn đề này, Bảng 12 cho thấy rằng mô hình toàn diện 3 ước tính sử dụng các mạng thần kinh nhân tạo (đa mạng) mang lại hiệu suất tổng thể cao nhất trong số tất cả các mô hình với một AUC bằng 0.9250, tiếp theo Mô hình 3 ước tính sử dụng hồi quy logistic với AUC bằng 0.9190. Bên cạnh hiệu suất tốt của mạng thần kinh nhân tạo là có phù hợp với các nghiên cứu trước đây; mạng lưới thần kinh gồm bộ giao điểm kết nối rất phức tạp và có sức nặng có thể thu được từ phần mềm (Olson et al., 2012), và khắc phục những hạn chế được đòi hỏi bởi các phương pháp thống kê truyền thống (bao gồm hồi quy logistic) như giả thiết tuyến tính, bình thường, độc lập giữa các biến dự báo, ví dụ (Yang, Bạn, & Ji, 2011). Tuy nhiên, Bảng 12 cho thấy sự khác biệt trong hiệu suất cận biên; Hơn nữa, hồi quy logistic có lợi thế cung cấp một hình thức có thể được hiểu và vận chuyển khá dễ dàng, không giống như các mạng thần kinh, mà thiếu "minh bạch” (nhìn thấy những gì các mô hình đang làm, hoặc dễ hiểu) và khả năng thực hiện (có thể dễ dàng triển khai các mô hình thành một hệ thống hỗ trợ ra quyết định cho các trường hợp mới) '(Olson et al., 2012 57).
Bảng 13 trình bày một bảng phân loại điều chỉnh cho tần số dự đoán ở mức xác suất khác nhau như giá trị giới hạn (cut-off) khi mô hình được tính trong khoảng thời gian t -1. Mô hình 2, 3, và mô hình của Altman được ước tính bằng cách sử dụng phương pháp logit (Phần A, B, và C tương ứng). Ngoài ra, mô hình 3 được ước tính bằng cách sử dụng phương pháp mạng lưới thần kinh (perceptron đa lớp) trong phần D. Khi mức 0,060 được sử dụng như một điểm chuẩn để so sánh độ chính xác dự đoán của mô hình 2 và hình 3 so với các mô hình Altman, nó có thể được quan sát mô hình 2 mà sở hữu một độ
chính xác cao hơn so với dự báo tăng nhẹ (1968) mô hình của Altman: tỷ lệ chung của các dự đoán chính xác cho các mô hình Altman là 77,8%, theo sát tính chính xác của dự đoán model 2, tương đương với 80,4%. Mặt khác, mô hình 'đầy đủ' sẽ hiển thị một tỷ lệ dự đoán đúng bằng 86,7%, mà là cao hơn đáng kể để cả hai mô hình kế toán dựa trên.
Cuối cùng, khi mô hình 3 được ước tính sử dụng mạng thần kinh nhân tạo (perceptron đa lớp), nó có thể được quan sát thấy rằng nó dẫn đến sự phân loại chính xác rất giống với mô hình 3 trong t-1; Đối với độ chính xác chung với, Model 3 (hồi quy logistic) cho thấy một hiệu suất tăng cao hơn chỉ có 10 điểm cơ bản (0,10%) xấp xỉ thể hiện tại ba mức xác suất. Table 13 cũng cho thấy rằng, để thực hiện một cách chính xác trong việc dự đoán kiệt quệ tài chính các doanh nghiệp, các phương pháp mạng lưới là (ít hơn 1 điểm phần trăm) để các phương pháp hồi quy logistic. Điều ngược lại cũng đúng như tỷ lệ phân loại chính xác của các công ty lành mạnh: các phương pháp logistic là nhẹ vượt trội so với các kỹ thuật mạng lưới. Nhìn chung, có thể kết luận rằng các buổi biểu diễn của mô hình hồi quy logistic và các mô hình mạng thần kinh gần như giống hệt nhau, như sự khác biệt về độ chính xác dự đoán là rất nhỏ, với các mô hình mạng thần kinh hoạt động tốt hơn các mô hình logit cho việc dự đoán thất bại / công ty đau khổ , mặc dù tỉ số khá nhỏ (ít hơn 1 điểm phần trăm ước tính), phù hợp với các kết quả thu được thông qua việc phân tích các lĩnh vực tương ứng của họ dưới đường cong ROC trong Bảng 12.
Bảng 14 cho thấy bảng phân loại Z-score của Altman để phân biệt giữa các công ty lành mạnh và kiệt quệ về tài chính sử dụng các
Ghi chú: Bảng này báo cáo một bảng phân loại điều chỉnh thiên về dự đoán sự suy giảm tần số ở mức xác suất khác nhau như giá trị tới hạn (cut-off) khi mô hình được tính trong khoảng thời gian t-1. Mô hình 2, 3, và mô hình của Altman được ước tính bằng cách sử dụng phương pháp bảng logit (bảng A, B, và C tương ứng). Ngoài ra, mô hình 3 được ước tính bằng cách sử dụng phương pháp mạng lưới (perceptron đa tầng) trong cột bảng D. Cột 'correct' cho thấy số lượng các quan sát đã được dự đoán một cách chính xác như kiệt quệ về tài chính và không kiệt quệ tài chính, tương ứng. Cột Cột 'Incorrect ' trình bày số lượng các quan sát không iệt quệ tài chính được dự đoán không chính xác về kiệt quệ về mặt tài chính, và số lượng các quan sát về kiệt quệ tài chính đó không chính xác đã được dự đoán là không kiệt quệ tài chính, tương ứng. Cột 'Percentages ' thể hiện tỷ lệ phân loại chính xác, tỷ lệ phản ứng kiệt quệ tài chính đã được dự đoán là sự kiện kiệt quệ tài chính (độ nhạy, hay khả năng của các mô hình để dự đoán kiệt quệ tài chính một cách chính xác), và tỷ lệ phản ứng của không kiệt quệ tài chính đã được dự đoán là sự kiện không kiệt quệ tài chính (specificity, hay khả năng của các mô hình để dự đoán tình hình sức khỏe tài chính một cách chính xác), tương ứng. Sử dụng rộng rãi các giá trị cut-off: một công ty được xem là 'lành mạnh về tài chính' nếu Z -score của nó lớn hơn 2,99 và là " kiệt
quệ về tài chính” nếu Z -score của nó là ít hơn 1,81; thêm vào đó, theo như Altman (2000), một công ty được xem là “ kiệt quệ về tài chính” nếu Z -score của nó là ít hơn 2,67 (trong ngoặc đơn). Từ bảng 14, nó có thể kết luận rằng phương pháp này cho thấy độ chính xác phân loại đối với các công ty kiệt quệ tài chính. Tuy nhiên, hiệu suất Z-score là ít ấn tượng để phân loại chính xác các công ty an toàn hay khỏe mạnh về tài chính, xác định một tỷ lệ cao của các công ty lành mạnh như kiệt quệ. Thậm chí nếu một lỗi của các loại đầu tiên hoặc lỗi thứ nhất (false positive) không phải là tốn kém như là một lỗi thuộc loại thứ hai (false nagetive), phân tích hiện nay cho thấy rằng mô hình của chúng tôi cho các công ty Anh đã liệt kê có một số ưu điểm so với Z - score mô hình. Đầu tiên, khi so sánh độ chính xác dự đoán, nó có thể được quan sát thấy rằng, lấy 0,060 dự đoán mức độ xác suất như cut-off, các mô hình 'đầy đủ' sẽ hiển thị một hiệu suất cao cho việc phân loại của các công ty đau khổ: đó phân loại chính xác 87% của kiệt quệ các công ty trong khi mô hình Z-score phân loại chính xác 81%. Thứ hai, sử dụng cùng một mức 0,060 dự đoán xác suất khi cut-off, các mô hình 'full' sẽ hiển thị với độ chính xác dự đoán gần như tương đương liên quan đến các công ty tài chính lành mạnh với (độ nhạy tương đương với 85%), làm cho các mô hình đáng tin cậy cho các dự đoán của cả hai kiệt quệ và lành mạnh về tài chính công ty. Thứ ba, về mặt kỹ thuật, nó không phức tạp để sửa đổi các mức xác suất dự đoán sử dụng như cut-off để giảm thiểu lỗi loại I hoặc lỗi loại II (thông qua một trao đổi) tùy thuộc vào mục tiêu quản lý / rủi ro của các nhà nghiên cứu.
Ghi chú: Bảng này cho thấy các kết quả chính xác phân loại đối với mô hình Z-score của Altman. Để ước tính tỷ lệ dự đoán đúng, ba cut-off khác nhau đã được sử dụng: một công ty được phân loại là lành mạnh về tài chính nếu Z-score của nó là lớn hơn 2,99, và nó được phân loại là thất bại / kiệt quệ về tài chính nếu Z-score của nó là ít hơn 1.81. Các con số trong ngoặc đơn đại diện cho các công ty phân loại là thất bại / kiệt quệ về tài chính khi sử dụng một cut-off 2,67, theo như Altman (2000).
6. Kết luận:
Nghiên cứu này cung cấp một so sánh về độ chính xác phân loại và dự đoán sức mạnh của ba loại biến (tỷ lệ báo cáo tài chính, các chỉ số kinh tế vĩ mô và biến thị trường) trong một mô hình logit cho các công ty niêm yết tại Vương quốc Anh dựa trên một định nghĩa tài chính của công ty bị kiệt quệ. Nó góp phần vào các tài liệu dự báo sẵn có, đầu tiên, sử dụng một định nghĩa tài chính của sư kiệt quệ với một cách tiếp cận kỹ thuật xây dựng sử dụng các thông tin được cung cấp bởi các cơ sở dữ liệu giá cổ phiếu của London ( London Share Price Database). Ưu điểm là định nghĩa của kiêt quệ tài chính được trình bày trong nghiên cứu này là không phụ thuộc vào các hệ quả pháp lý cuối cùng của sự phá sản, như trong hầu hết các tài liệu dự báo trước đó. Mở rộng hơn, tiếp cận ex ante được sử dụng, nhằm phát hiện giai đoạn đầu của kiệt quệ tài chính với một mức độ tin cậy cao mà có thể có ích cho các công ty để tránh chi phí cao do phải nộp đơn phá sản. Thứ hai, một tập dữ liệu lớn được xây dựng kết hợp các loại thông tin khác nhau từ các nguồn dữ liệu được sử dụng rộng rãi trong học tập cũng như trong các lĩnh vực công nghiệp. Vì vậy, nghiên cứu này dựa không chỉ trên các biến độc lập được sử dụng trong các công trình nghiên cứu trước đó; nhưng nó cũng được sử dụng một thủ tục lý thuyết và thực nghiệm đa
cấp để kiểm tra và chọn các biến với sự đóng góp cao nhất chính xác cho tổng thể của mô hình. Hơn nữa, những nghiên cứu này, không giống như hầu hết các nghiên cứu trong lĩnh vực dự báo mặc định, một sự biện minh về mặt lý thuyết dựa trên việc sử dụng của từng biến giữ lại trong mô hình cuối cùng. Kết quả là một mô hình để dự báo của khủng hoảng tài chính ở Vương quốc Anh cho các công ty được trích dẫn rằng, với một số lượng nhỏ của các biến, hiển thị một phân loại và độ chính xác dự đoán rất cao so với các công trình nghiên cứu trước đó. Thứ ba, và có lẽ quan trọng nhất, các bài kiểm tra nghiên cứu, lần đầu tiên trong các mô hình dự báo kiệt quệ tài chính cho các công ty niêm yết ở Anh, những đóng góp tương đối (cá nhân và các nhóm) của ba loại biến với độ chính xác dự đoán của mô hình: tài chính, biến số vĩ mô và thị trường. Nghiên cứu trước đó đã thử nghiệm khả năng của các biến thị trường để dự đoán tình trạng phá sản có sử dụng các phương pháp như tuyên bố của Black và Scholes hay cách tiếp cận dựa trên lựa chọn. Tuy nhiên, các kết quả thu được từ các mô hình này (mà đòi hỏi rất nhiều giả định hạn chế) đã được tranh cãi. Nhiều nỗ lực đã được thực hiện để chứng minh tính ưu việt của mô hình dựa trên thị trường hơn các mô hình dựa trên kế toán và ngược lại. Đến thời điểm này, các tài liệu dự báo mặc định được đặc trưng bởi một phương pháp tiếp cận cạnh tranh, nơi có một dòng phân chia rõ ràng giữa các biến thị trường và kế toán. Các nghiên cứu hiện nay thông qua một phương pháp tiếp cận khác nhau mà việc sử dụng các loại biến là không loại trừ lẫn nhau. Nó được thử nghiệm xem biến thị trường (phụ thuộc, trong một số biện pháp, khi các thông tin tài chính như nhau) thêm thông tin không được chứa trong các báo cáo tài chính và do đó đóng vai như bổ sung trong các mô hình dự báo mặc định. Các kết quả được trình bày trong nghiên cứu này cho thấy rõ ràng rằng đây là một trường hợp. Sự gia tăng đáng kể của đường cong Area Under the Receiver Operating Characteristics -ROC (trong một số biện pháp chính thức khác), từ 0,88 đến 0,92 trong một mô hình ước tính trong t -1 và từ 0,85 đến 0,89 trong một mô hình ước tính trong t-2, mà theo sau sự hợp nhất