Khóa luận: Ước lượng xác suất kiệt quệ tài chính DN bằng mô hình Binary

Khóa luận phân tích mô hình ước lượng xác suất kiệt quệ tài chính doanh nghiệp bằng mô hình binary, cung cấp cái nhìn sâu sắc về rủi ro tài chính.

• Tác giả: Huỳnh Thảo Nguyên
• Người hướng dẫn: TS. Hà Văn Dũng
• Trường học: Trường Đại học Công nghệ TP. HCM
• Chuyên ngành: Tài chính doanh nghiệp
• Đề tài: Mô hình ước lượng xác suất kiệt quệ tài chính của doanh nghiệp: Tiếp cận bằng mô hình Binary Logistic
• Loại tài liệu: Luận văn tốt nghiệp
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. LỜI MỞ ĐẦU
• 1.2. MỤC TIÊU NGHIÊN CỨU
• 1.3. ĐỐI TƯỢNG VÀ PHẠM VI NGHIÊN CỨU
• 1.4. PHƯƠNG PHÁP NGHIÊN CỨU
• 1.5. KẾT CẤU ĐỀ TÀI
• 2. CHƯƠNG 2: TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN
• 2.1. CÁC NGHIÊN CỨU TRƯỚC ĐÂY
• 2.2. PHÂN TÍCH CÁC CHỈ SỐ TRUYỀN THỐNG
• 2.3. MÔ HÌNH Z’SCORE
• 2.3.1. Bước 1: Sự chọn mẫu
• 2.3.2. Bước 2: Lựa chọn biến
• 2.3.3. Bước 3: Giải thích biến số
• 3. CHƯƠNG 3: PHÂN TÍCH CÁC NHÂN TỐ ẢNH HƯỞNG ĐẾN KIỆT QUỆ TÀI CHÍNH CỦA CÁC DOANH NGHIỆP
• 3.1. ƯỚC LƯỢNG XÁC SUẤT KIỆT QUỆ TÀI CHÍNH CỦA CÁC DOANH NGHIỆP: CÁCH TIẾP CẬN BẰNG MÔ HÌNH BINARY LOGISTIC
• 3.2. XÂY DỰNG MÔ HÌNH
• 3.3. DIỄN GIẢI CÁC BIẾN ĐỘC LẬP TRONG PHÂN TÍCH HỒI QUY
• 3.4. KIỆN TOÀN MÔ HÌNH
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU CỦA MÔ HÌNH HỒI QUY BINARY LOGISTIC
• 4.1. THỰC TRẠNG CÁC DOANH NGHIỆP
• 4.2. KẾT QUẢ MÔ HÌNH
• 4.3. ĐỘ PHÙ HỢP CỦA MÔ HÌNH
• 4.4. MỨC ĐỘ CHÍNH XÁC CỦA MÔ HÌNH
• 4.5. KIỂM ĐỊNH WALD
• 4.6. KẾT QUẢ NGHIÊN CỨU ĐƯA RA MÔ HÌNH HỒI QUY BINARY LOGISTIC VỚI PHƯƠNG TRÌNH NHƯ SAU
• 4.7. HỆ SỐ HỒI QUY TỶ SỐ ROA
• 4.8. HỆ SỐ HỒI QUY MVE/TL
• 4.9. HỆ SỐ HỒI QUY D/A
• 4.10. HỆ SỐ HỒI QUY TIE
• 4.11. KẾT QUẢ NGHIÊN CỨU
• 4.12. NOPAT/TOTAL ASSETS (ROA) = LỢI NHUẬN SAU THUẾ/ TỔNG TÀI SẢN
• 4.13. MARKET VALUE OF EQUITY/BOOK VALUE OF TOTAL LIABILITIES (MVE/TL) = GIÁ TRỊ THỊ TRƯỜNG CỦA VỐN CHỦ SỞ HỮU /TỔNG NỢ
• 4.14. TOTAL DEBT TO TOTAL ASSETS RATIO (D/A)= TỔNG NỢ/ TỔNG TÀI SẢN
• 4.15. TIE = LỢI NHUẬN TRƯỚC THUẾ VÀ LÃI VAY (EBIT) / CHI PHÍ LÃI VAY
• 4.16. VẬN DỤNG MÔ HÌNH BINARY LOGISTIC VÀO MỤC ĐÍCH DỰ BÁO
• 4.17. VÍ DỤ 1: CTCP XUẤT NHẬP KHẨU THỦY SẢN BẾN TRE - ABT CÓ SỐ LIỆU NHƯ SAU
• 4.18. VÍ DỤ 2: CTCP BÊ TÔNG BECAMEX – ACC
• 4.19. VÍ DỤ 3: CTCP XUẤT NHẬP KHẨU THỦY SẢN AN GIANG – AGF
• 5. CHƯƠNG 5: CÁC GIẢI PHÁP NÂNG CAO KHẢ NĂNG DỰ BÁO VÀ GIẢI QUYẾT MỘT CÁCH HIỆU QUẢ TÌNH TRẠNG KHÁNH KIỆT Ở VIỆT NAM
• 5.1. NÂNG CAO TÍNH MINH BẠCH VÀ TRÁCH NHIỆM CỦA THÔNG TIN
• 5.2. PHÁT TRIỂN HỆ THỐNG ĐÁNH GIÁ XẾP HẠNG TÍN NHIỆM DOANH NGHIỆP VIỆT NAM THEO TIÊU CHUẨN QUỐC TẾ
• 5.3. HOÀN THIỆN LUẬT PHÁ SẢN VÀ CÁC VĂN BẢN HƯỚNG DẪN CÓ LIÊN QUAN CẢ VỀ MẶT LÝ LUẬN VÀ KHẢ NĂNG THỰC HIỆN
• 5.4. TẬP TRUNG VÀO NHỮNG GIẢI PHÁP TĂNG CƯỜNG TÍNH THỰC THI CỦA LUẬT PHÁ SẢN
• 5.5. SỚM BAN HÀNH QUY ĐỊNH HƯỚNG DẪN THỦ TỤC PHÁ SẢN CHO CÁC DOANH NGHIỆP
• 5.6. BAN HÀNH CÁC QUY ĐỊNH HỖ TRỢ NÂNG CAO HIỆU QUẢ HOẠT ĐỘNG CỦA DATC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về mô hình ước lượng xác suất kiệt quệ tài chính

Mô hình ước lượng xác suất kiệt quệ tài chính của doanh nghiệp là một công cụ quan trọng giúp các nhà quản lý dự đoán khả năng rơi vào tình trạng tài chính khó khăn. Trong bối cảnh kinh tế hiện nay, việc áp dụng các mô hình phân tích như mô hình binary logistic trở nên cần thiết hơn bao giờ hết. Mô hình này không chỉ giúp nhận diện sớm các dấu hiệu kiệt quệ tài chính mà còn hỗ trợ trong việc đưa ra các quyết định chiến lược nhằm cải thiện tình hình tài chính của doanh nghiệp.

1.1. Khái niệm và tầm quan trọng của kiệt quệ tài chính

Kiệt quệ tài chính được hiểu là tình trạng doanh nghiệp không còn khả năng thanh toán các khoản nợ đến hạn. Tình trạng này không chỉ ảnh hưởng đến hoạt động kinh doanh mà còn tác động tiêu cực đến uy tín và khả năng huy động vốn trong tương lai. Việc nhận diện sớm tình trạng này giúp doanh nghiệp có biện pháp khắc phục kịp thời.

1.2. Mô hình binary logistic trong dự đoán kiệt quệ tài chính

Mô hình binary logistic là một phương pháp thống kê được sử dụng để phân tích mối quan hệ giữa một biến phụ thuộc nhị phân và một hoặc nhiều biến độc lập. Mô hình này cho phép ước lượng xác suất kiệt quệ tài chính dựa trên các chỉ số tài chính quan trọng, từ đó giúp doanh nghiệp có cái nhìn tổng quan về tình hình tài chính của mình.

II. Thách thức trong việc dự đoán kiệt quệ tài chính của doanh nghiệp

Dự đoán kiệt quệ tài chính không phải là một nhiệm vụ đơn giản. Các doanh nghiệp thường phải đối mặt với nhiều thách thức, từ việc thu thập dữ liệu chính xác đến việc lựa chọn các biến số phù hợp cho mô hình. Ngoài ra, sự biến động của thị trường và các yếu tố kinh tế vĩ mô cũng có thể ảnh hưởng đến độ chính xác của các dự đoán.

2.1. Khó khăn trong việc thu thập dữ liệu

Một trong những thách thức lớn nhất là việc thu thập dữ liệu tài chính chính xác và đầy đủ. Nhiều doanh nghiệp không công bố thông tin tài chính một cách minh bạch, dẫn đến việc khó khăn trong việc phân tích và dự đoán.

2.2. Ảnh hưởng của yếu tố bên ngoài

Các yếu tố bên ngoài như biến động kinh tế, chính sách của chính phủ và tình hình thị trường có thể tác động mạnh đến tình hình tài chính của doanh nghiệp. Những yếu tố này thường khó kiểm soát và có thể làm giảm độ chính xác của các mô hình dự đoán.

III. Phương pháp xây dựng mô hình binary logistic hiệu quả

Để xây dựng một mô hình binary logistic hiệu quả, cần thực hiện các bước từ việc lựa chọn biến số đến việc kiểm định mô hình. Việc lựa chọn các biến độc lập phù hợp là rất quan trọng, vì chúng sẽ ảnh hưởng trực tiếp đến kết quả dự đoán.

3.1. Lựa chọn biến độc lập trong mô hình

Việc lựa chọn biến độc lập cần dựa trên các chỉ số tài chính quan trọng như tỷ lệ nợ, lợi nhuận giữ lại và khả năng thanh khoản. Những biến này đã được chứng minh là có ảnh hưởng lớn đến khả năng kiệt quệ tài chính của doanh nghiệp.

3.2. Kiểm định và đánh giá mô hình

Sau khi xây dựng mô hình, cần thực hiện các kiểm định để đánh giá độ chính xác và khả năng dự đoán của mô hình. Các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu sẽ giúp đánh giá hiệu quả của mô hình.

IV. Ứng dụng thực tiễn của mô hình binary logistic trong doanh nghiệp

Mô hình binary logistic không chỉ là lý thuyết mà còn có thể được áp dụng thực tiễn trong việc dự đoán kiệt quệ tài chính. Nhiều doanh nghiệp đã áp dụng mô hình này để cải thiện tình hình tài chính và đưa ra các quyết định chiến lược.

4.1. Ví dụ thực tiễn từ các doanh nghiệp

Nhiều doanh nghiệp đã áp dụng mô hình binary logistic để dự đoán khả năng kiệt quệ tài chính. Ví dụ, một số công ty niêm yết trên sàn chứng khoán đã sử dụng mô hình này để đánh giá tình hình tài chính và đưa ra các quyết định kịp thời nhằm cải thiện hiệu quả hoạt động.

4.2. Lợi ích của việc áp dụng mô hình

Việc áp dụng mô hình binary logistic giúp doanh nghiệp nhận diện sớm các dấu hiệu kiệt quệ tài chính, từ đó có thể đưa ra các biện pháp khắc phục kịp thời. Điều này không chỉ giúp duy trì hoạt động kinh doanh mà còn nâng cao uy tín và khả năng huy động vốn trong tương lai.

V. Kết luận và triển vọng tương lai của mô hình dự đoán kiệt quệ tài chính

Mô hình ước lượng xác suất kiệt quệ tài chính bằng mô hình binary logistic đã chứng minh được tính hiệu quả trong việc dự đoán tình trạng tài chính của doanh nghiệp. Trong tương lai, việc cải tiến mô hình và áp dụng công nghệ mới sẽ giúp nâng cao độ chính xác và khả năng dự đoán.

5.1. Triển vọng phát triển mô hình

Với sự phát triển của công nghệ thông tin và phân tích dữ liệu lớn, mô hình binary logistic có thể được cải tiến để nâng cao độ chính xác. Việc tích hợp các công nghệ mới sẽ giúp doanh nghiệp có cái nhìn sâu sắc hơn về tình hình tài chính của mình.

5.2. Tầm quan trọng của việc duy trì mô hình

Việc duy trì và cập nhật mô hình dự đoán kiệt quệ tài chính là rất quan trọng. Doanh nghiệp cần thường xuyên xem xét và điều chỉnh mô hình để đảm bảo tính chính xác và phù hợp với tình hình thực tế.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam trong giai đoạn 2011–2015 đã chứng kiến làn sóng thanh lọc mạnh mẽ khi số lượng doanh nghiệp bị đình chỉ giao dịch và hủy niêm yết tăng đột biến. Năm 2012 ghi nhận 18 doanh nghiệp rời sàn chứng khoán, năm 2013 đạt mốc kỷ lục với 37 doanh nghiệp (trong đó có 16 doanh nghiệp bị hủy niêm yết bắt buộc do thua lỗ liên tiếp 3 năm theo quy định tại Nghị định 58/2012/NĐ-CP), và chỉ trong 6 tháng đầu năm 2014 đã có thêm 25 mã cổ phiếu bị hủy niêm yết trên cả hai sàn HOSE và HNX. Kiệt quệ tài chính là tình trạng doanh nghiệp đối mặt với sự suy giảm nghiêm trọng về dòng tiền, mất khả năng thanh toán các nghĩa vụ nợ ngắn hạn và dài hạn, từ đó làm suy giảm nghiêm trọng vị thế cạnh tranh trên thị trường. Các nghiên cứu thực nghiệm tài chính chỉ ra rằng chi phí kiệt quệ tài chính trực tiếp và gián tiếp có thể làm bốc hơi từ 10% đến 20% tổng giá trị của một công ty.

Vấn đề nghiên cứu trọng tâm là nhận diện các nhân tố tài chính tác động trực tiếp đến tình trạng mất an toàn vốn và xây dựng một công cụ định lượng có khả năng cảnh báo sớm rủi ro phá sản cho các doanh nghiệp niêm yết tại Việt Nam. Mục tiêu cụ thể của đề tài bao gồm việc hệ thống hóa cơ sở lý luận về phá sản, kiểm định các tỷ số tài chính then chốt và ứng dụng mô hình hồi quy Logistic nhị phân (Binary Logistic) để ước lượng xác suất kiệt quệ tài chính. Phạm vi nghiên cứu được xác lập trên dữ liệu báo cáo tài chính kiểm toán của 172 doanh nghiệp niêm yết trên Sở Giao dịch Chứng khoán TP.HCM (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX) trong giai đoạn 2010–2015. Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp mô hình định lượng đạt độ chính xác phân loại lên tới 88,4%, hỗ trợ đắc lực cho các nhà quản trị, ngân hàng thương mại và nhà đầu tư nhận diện sớm nguy cơ khánh kiệt từ 1 đến 2 năm trước khi sự kiện xảy ra.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết cấu trúc vốn và lý thuyết kiệt quệ tài chính của Opler và Titman (1994), kết hợp với các kết luận của Andrade và Kaplan (1998) về tổn thất giá trị doanh nghiệp khi gặp khủng hoảng nợ. Đề tài kế thừa mô hình Z-Score kinh điển của Edward Altman (1968) với tỷ lệ dự báo chính xác 95% trước 1 năm và 72% trước 2 năm, cùng mô hình hiệu chỉnh Z'-Score (1983) dành cho các doanh nghiệp phi đại chúng đạt độ chính xác 91% đối với nhóm kiệt quệ.

Khung phân tích của đề tài bao quát 5 khái niệm cốt lõi:

1. Kiệt quệ tài chính (Financial Distress): Trạng thái doanh nghiệp không thể đáp ứng các nghĩa vụ tài chính đến hạn, dẫn đến việc bị hủy niêm yết bắt buộc theo quy định pháp lý, được mã hóa qua biến phụ thuộc nhị phân Y (Y = 0 đại diện cho doanh nghiệp bị hủy niêm yết do thua lỗ, Y = 1 đại diện cho doanh nghiệp hoạt động bình thường).
2. Tỷ suất sinh lời trên tổng tài sản (ROA - NOPAT/Total Assets): Đo lường hiệu quả quản lý và khả năng tạo ra lợi nhuận ròng trên mỗi đồng tài sản đầu tư.
3. Giá trị thị trường vốn chủ sở hữu trên tổng nợ (MVE/TL - Market Value of Equity/Book Value of Total Liabilities): Phản ánh quy mô vốn hóa thị trường so với tổng nghĩa vụ nợ phải trả, đo lường mức độ sụt giảm giá trị tài sản mà doanh nghiệp có thể chịu đựng trước khi mất khả năng thanh toán.
4. Tỷ số tổng nợ trên tổng tài sản (D/A - Total Debt to Total Assets): Thước đo mức độ sử dụng đòn bẩy tài chính và mức độ phụ thuộc vào nguồn vốn vay bên ngoài.
5. Hệ số khả năng thanh toán lãi vay (TIE - Times Interest Earned): Tỷ lệ giữa lợi nhuận trước thuế và lãi vay (EBIT) trên chi phí lãi vay, thể hiện năng lực tạo dòng tiền từ hoạt động kinh doanh để trang trải chi phí sử dụng vốn vay.

Phương pháp nghiên cứu

Nguồn dữ liệu thứ cấp được thu thập toàn diện từ hệ thống cơ sở dữ liệu VietstockFinance, báo cáo tài chính kiểm toán thường niên của các công ty niêm yết trên hai sàn HOSE và HNX giai đoạn 2010–2015. Cỡ mẫu nghiên cứu gồm 172 doanh nghiệp, áp dụng phương pháp chọn mẫu ghép đôi tương đồng (matched-pair sampling). Mẫu bao gồm 86 doanh nghiệp bị hủy niêm yết bắt buộc do kinh doanh thua lỗ 3 năm liên tiếp hoặc lỗ lũy kế vượt quá vốn điều lệ thực góp theo Điều 60 Nghị định 58/2012/NĐ-CP, kết hợp với 86 doanh nghiệp đối chứng đang niêm yết, hoạt động ổn định và có quy mô tài sản tương đương.

Nghiên cứu sử dụng phương pháp hồi quy Binary Logistic và phân tích trên phần mềm thống kê SPSS 22. Lý do lựa chọn mô hình Binary Logistic thay vì phương pháp bình phương bé nhất thông thường (OLS) hay phân tích đa biệt thức (MDA) là vì biến phụ thuộc mang tính chất nhị phân rời rạc (0 và 1). Khi biến phụ thuộc ở dạng nhị thức, phần dư sẽ vi phạm giả định phân phối chuẩn của OLS và phương sai thay đổi, làm mất hiệu lực của các kiểm định thống kê chuẩn. Mô hình hồi quy Logistic giải quyết triệt để vấn đề này bằng cách sử dụng phép biến đổi Logit, đảm bảo giá trị xác suất ước lượng luôn nằm trong khoảng hợp lệ từ 0 đến 1 mà không đòi hỏi các giả định ngặt nghèo về phân phối chuẩn đa biến của các biến độc lập. Quy trình phân tích bao gồm: sàng lọc biến qua ma trận tương quan, kiểm định Omnibus Test of Model Coefficients để đánh giá mức độ phù hợp tổng thể, đánh giá độ khớp thông qua chỉ số -2 Log Likelihood (-2LL), kiểm định ý nghĩa thống kê của từng hệ số hồi quy bằng kiểm định Wald Chi-Square, và kiểm tra độ chính xác phân loại bằng ma trận phân loại (Classification Table).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình hồi quy Binary Logistic đã chứng minh năng lực dự báo vượt trội với tỷ lệ dự đoán chính xác tổng thể đạt 88,4%. Cụ thể, mô hình nhận diện chính xác 76 trên 86 doanh nghiệp bị hủy niêm yết (đạt tỷ lệ 88,4%) và phân loại đúng 76 trên 86 doanh nghiệp hoạt động bình thường (đạt tỷ lệ 88,4%).

Chỉ số độ phù hợp tổng thể -2 Log Likelihood (-2LL) đạt mức 88,961, phản ánh sai số mô hình ở mức rất thấp. Kiểm định Omnibus Test of Model Coefficients đạt mức ý nghĩa thống kê Sig = 0,000, bác bỏ giả thuyết H0 và khẳng định tập hợp các biến độc lập giải thích có ý nghĩa cho biến phụ thuộc.

Trong số 7 biến số độc lập đưa vào phương trình hồi quy ban đầu, có 4 nhân tố có ý nghĩa thống kê vượt trội ở mức ý nghĩa Sig < 0,05 (độ tin cậy trên 95%):

1. Hệ số ROA (Tỷ suất lợi nhuận sau thuế trên tổng tài sản): Hệ số hồi quy B dương lớn nhất, phản ánh khả năng sinh lời trên tài sản là nhân tố quyết định then chốt giúp doanh nghiệp duy trì sức khỏe tài chính.
2. Hệ số MVE/TL (Giá trị thị trường vốn chủ sở hữu trên tổng nợ): Đạt mức ý nghĩa thống kê Sig = 0,038, cho thấy quy mô vốn hóa thị trường cao so với nợ phải trả giúp gia tăng đáng kể xác suất an toàn của doanh nghiệp.
3. Hệ số D/A (Tổng nợ trên tổng tài sản): Đạt ý nghĩa thống kê Sig = 0,024, chứng minh mức độ đòn bẩy nợ cao làm gia tăng nhanh chóng nguy cơ mất khả năng chi trả.
4. Hệ số TIE (Khả năng thanh toán lãi vay): Đạt mức ý nghĩa Sig = 0,042, cho thấy năng lực tạo lợi nhuận bù đắp chi phí vay có vai trò bảo vệ doanh nghiệp trước sức ép siết nợ từ các chủ nợ.

Ngược lại, ba biến số gồm Vốn lưu động trên tổng tài sản (WC/TA với Sig = 0,268), Lợi nhuận trước thuế và lãi vay trên tổng tài sản (EBIT/TA với Sig = 0,215) và Vòng quay tài sản (S/TA với Sig = 0,723) đều có Sig > 0,05, chứng tỏ sự biến thiên của các chỉ số này không có ý nghĩa thống kê trong việc dự báo kiệt quệ tài chính tại mẫu khảo sát.

Thảo luận kết quả

Kết quả thực nghiệm phản ánh đúng thực trạng kinh doanh khắc nghiệt của các doanh nghiệp bị hủy niêm yết tại Việt Nam. Các trường hợp điển hình như Công ty Cổ phần Vận tải và Thuê tàu biển Việt Nam (VST) thua lỗ triền miên nhiều năm, Công ty Cổ phần Hữu Liên Á Châu (HLA) gánh chịu lỗ lũy kế lên đến 916 tỷ đồng vào năm 2015 do đầu tư mở rộng bằng nợ vay trong bối cảnh ngành thép đóng băng, hay trường hợp Công ty Cổ phần Cà phê An Giang (AGC) và Công ty Cổ phần Tập đoàn Than Khoáng sản Việt Nam (THV) lỗ lũy kế hơn 392 tỷ đồng năm 2012 đều xuất phát từ việc mất khả năng sinh lời (ROA âm) và gánh nặng nợ vay quá lớn làm triệt tiêu hệ số TIE.

So sánh với các nghiên cứu quốc tế kinh điển như mô hình Altman Z-Score, điểm khác biệt đáng chú ý là chỉ số vốn lưu động (WC/TA) tại thị trường Việt Nam không thể hiện vai trò phân loại rõ nét. Nguyên nhân là do tại các doanh nghiệp Việt Nam, quy mô vốn lưu động thường bị sai lệch bởi tỷ trọng lớn các khoản phải thu khó đòi và hàng tồn kho luân chuyển chậm chưa được trích lập dự phòng đầy đủ. Thay vào đó, hai biến số MVE/TL và TIE thể hiện tính nhạy bén vượt trội vì chúng gắn liền trực tiếp với đánh giá thực tế của thị trường chứng khoán và dòng tiền chi trả nợ vay thực tế cho hệ thống ngân hàng.

Để tối ưu hóa việc phân tích và theo dõi rủi ro trong thực tế quản trị, dữ liệu kết quả nghiên cứu nên được trực quan hóa thông qua bảng ma trận phân loại (Classification Matrix) kết hợp biểu đồ đường cong xác suất P(Y=1). Bằng cách thiết lập trục hoành biểu thị các ngưỡng cắt xác suất (Cut-off value từ 0,1 đến 0,9 với ngưỡng tối ưu tại 0,500) và trục tung biểu thị tỷ lệ dự báo chính xác, nhà quản trị có thể dễ dàng quan sát điểm cân bằng tối ưu giữa việc giảm thiểu sai lầm loại I (nhận định nhầm doanh nghiệp phá sản thành khỏe mạnh) và sai lầm loại II (nhận định nhầm doanh nghiệp khỏe mạnh thành phá sản).

Đề xuất và khuyến nghị

1. Tăng cường tính minh bạch và chuẩn mực công bố thông tin tài chính: Ủy ban Chứng khoán Nhà nước và hai Sở Giao dịch Chứng khoán cần siết chặt chế tài xử phạt đối với các hành vi chậm công bố thông tin, vi phạm chuẩn mực kế toán và công bố báo cáo kiểm toán có ý kiến ngoại trừ. Mục tiêu đặt ra là giảm tỷ lệ doanh nghiệp bị nhắc nhở vi phạm công bố thông tin xuống dưới 5% mỗi năm và loại bỏ hoàn toàn các trường hợp đơn vị kiểm toán từ chối đưa ra ý kiến nhưng vẫn kéo dài thời gian niêm yết.
2. Xây dựng và hoàn thiện hệ thống xếp hạng tín nhiệm doanh nghiệp quốc gia: Bộ Tài chính cùng Ngân hàng Nhà nước cần ban hành khung pháp lý hoàn chỉnh trong lộ trình 18–24 tháng nhằm phát triển các tổ chức định hạng tín nhiệm nội địa độc lập theo tiêu chuẩn quốc tế. Hệ thống này sẽ cung cấp chỉ số rủi ro khách quan, giúp hệ thống ngân hàng thương mại sàng lọc hồ sơ vay vốn, từ đó giảm tỷ lệ phát sinh nợ xấu tiềm ẩn từ 15% đến 20% trong toàn ngành tín dụng.
3. Nâng cao hiệu lực thực thi và rút ngắn quy trình thủ tục phá sản: Tòa án nhân dân tối cao và các cơ quan tư pháp liên quan cần ban hành văn bản hướng dẫn chi tiết Luật Phá sản 2014, đơn giản hóa thủ tục mở thủ tục phá sản và tuyên bố phá sản cho doanh nghiệp mất khả năng thanh toán. Cần rút ngắn thời gian xử lý thủ tục giải thể và phá sản từ mức 3–5 năm hiện nay xuống dưới 12 tháng, bảo vệ tối đa giá trị thu hồi tài sản cho các chủ nợ và quyền lợi của cổ đông thiểu số.
4. Đẩy mạnh vai trò xử lý nợ của Công ty Mua bán nợ Việt Nam (DATC): Chính phủ cần mở rộng thẩm quyền và bổ sung nguồn vốn hoạt động cho DATC nhằm tham gia tái cấu trúc tài chính toàn diện cho các công ty niêm yết rơi vào diện kiểm soát đặc biệt. Mục tiêu là xử lý dứt điểm tối thiểu 30% khối nợ xấu và nợ tồn đọng của các doanh nghiệp sản xuất kinh doanh có triển vọng phục hồi trong giai đoạn 2016–2020.

Đối tượng nên tham khảo luận văn

1. Ban Giám đốc và Giám đốc Tài chính (CFO) của các doanh nghiệp niêm yết: Nghiên cứu cung cấp công cụ định lượng hỗ trợ rà soát định kỳ 4 chỉ số tài chính cốt lõi (ROA, MVE/TL, D/A, TIE), giúp ban điều hành phát hiện sớm nguy cơ kiệt quệ tài chính trước 12–24 tháng để chủ động tái cơ cấu nợ vay và cắt giảm chi phí hoạt động.
2. Khối quản trị rủi ro tại các Ngân hàng thương mại và Tổ chức tín dụng: Ứng dụng phương trình hồi quy Logistic nhị phân vào hệ thống chấm điểm tín dụng nội bộ, giúp các chuyên viên thẩm định lượng hóa chính xác xác suất vỡ nợ của khách hàng doanh nghiệp vay vốn, từ đó thiết lập hạn mức tín dụng và yêu cầu tài sản bảo đảm an toàn.
3. Nhà đầu tư cá nhân và các Quỹ đầu tư chứng khoán: Sử dụng mô hình như một bộ lọc an toàn để sàng lọc danh mục đầu tư, loại trừ các mã cổ phiếu tiềm ẩn nguy cơ thua lỗ kéo dài hoặc bị hủy niêm yết bắt buộc theo quy định tại Nghị định 58/2012/NĐ-CP, bảo toàn vốn đầu tư trước các cú sốc thị trường.
4. Giảng viên, học viên cao học và chuyên viên phân tích tài chính: Luận văn là tài liệu tham khảo giá trị về phương pháp nghiên cứu định lượng, kỹ thuật ghép mẫu tương đồng (matched-pair) và quy trình xử lý dữ liệu nhị phân trên SPSS 22 trong lĩnh vực tài chính doanh nghiệp và thị trường vốn.

Câu hỏi thường gặp

1. Mô hình hồi quy Binary Logistic trong luận văn đạt độ chính xác dự báo là bao nhiêu? Mô hình đạt tỷ lệ dự báo chính xác tổng thể lên tới 88,4% trên tổng mẫu 172 doanh nghiệp khảo sát. Kết quả này được ghi nhận đồng đều khi mô hình phân loại đúng 88,4% số doanh nghiệp kiệt quệ bị hủy niêm yết (76 trên 86 công ty) và 88,4% số doanh nghiệp hoạt động bình thường (76 trên 86 công ty) với mức ý nghĩa tổng thể Sig = 0,000.

2. Tại sao tỷ số ROA lại là nhân tố quan trọng hàng đầu trong mô hình cảnh báo kiệt quệ? Tỷ số ROA phản ánh trực tiếp năng lực sinh lời ròng trên mỗi đồng tài sản đang vận hành của doanh nghiệp. Khi ROA mang giá trị âm kéo dài như trường hợp của công ty HLA lỗ lũy kế 916 tỷ đồng hay THV lỗ 392 tỷ đồng, nguồn vốn chủ sở hữu sẽ bị bào mòn nhanh chóng, triệt tiêu tấm đệm tài chính và dẫn thẳng tới tình trạng mất khả năng chi trả.

3. Điều kiện pháp lý nào dẫn tới việc doanh nghiệp bị hủy niêm yết bắt buộc tại Việt Nam? Căn cứ theo Điều 60 Nghị định 58/2012/NĐ-CP, doanh nghiệp bị hủy niêm yết bắt buộc khi kết quả sản xuất kinh doanh bị thua lỗ trong 3 năm liên tục, hoặc tổng số lỗ luỹ kế vượt quá số vốn điều lệ thực góp trên báo cáo tài chính kiểm toán năm gần nhất, hoặc tổ chức kiểm toán từ chối đưa ra ý kiến nhận xét đối với báo cáo tài chính.

4. Ưu điểm nổi bật của mô hình Binary Logistic so với mô hình Z-Score của Edward Altman là gì? Mô hình Binary Logistic khắc phục hoàn toàn nhược điểm vi phạm giả định phân phối chuẩn đa biến của phương pháp phân tích đa biệt thức (MDA) trong Z-Score. Đồng thời, hồi quy Logistic ước lượng trực tiếp giá trị xác suất kiệt quệ tài chính trong khoảng chuẩn từ 0 đến 1, giúp việc phân loại và ra quyết định quản trị trở nên trực quan và chính xác hơn trên thị trường chứng khoán mới nổi.

5. Các tổ chức tín dụng có thể áp dụng phương trình hồi quy của đề tài vào thực tế như thế nào? Tổ chức tín dụng có thể nhập 4 chỉ số tài chính gồm ROA, MVE/TL, D/A và TIE của doanh nghiệp xin cấp tín dụng vào hàm hồi quy Logit. Nếu xác suất kiệt quệ tính toán vượt quá ngưỡng cắt 0,5 (cut-off value = 0.500), ngân hàng cần lập tức thắt chặt điều kiện giải ngân, yêu cầu bổ sung tài sản bảo đảm hoặc từ chối cấp tín dụng để phòng ngừa rủi ro nợ xấu.

Kết luận

• Đề tài đã xây dựng thành công mô hình định lượng Binary Logistic ước lượng xác suất kiệt quệ tài chính với độ chính xác phân loại tổng thể đạt 88,4% trên tập mẫu 172 doanh nghiệp niêm yết tại Việt Nam.
• Nghiên cứu chứng minh 4 nhân tố tài chính giữ vai trò quyết định đến sức khỏe doanh nghiệp bao gồm ROA, MVE/TL, D/A và TIE với độ tin cậy thống kê vượt trội trên 95% (Sig < 0,05).
• Kết quả nghiên cứu khẳng định mô hình Binary Logistic là công cụ định lượng khoa học, khắc phục các hạn chế của phân tích chỉ số truyền thống và cung cấp chỉ báo cảnh báo sớm đáng tin cậy trước 1 đến 2 năm.
• Lộ trình nghiên cứu tiếp theo trong giai đoạn 2016–2020 cần mở rộng cỡ mẫu sang các doanh nghiệp chưa niêm yết, đồng thời tích hợp thêm các biến số vĩ mô như lãi suất cho vay, lạm phát và tỷ giá hối đoái để nâng cao năng lực dự báo toàn diện.
• Các nhà quản trị doanh nghiệp, ngân hàng thương mại và nhà đầu tư cần chủ động ứng dụng mô hình định lượng này vào quy trình kiểm soát rủi ro định kỳ nhằm bảo vệ an toàn nguồn vốn và tối ưu hóa hiệu quả kinh doanh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: Giới thiệu. CHƯƠNG 2: Tổng quan lý thuyết và các nghiên cứu trước đây về kiệt quệ tài chính. CHƯƠNG 3: Phân tích các nhân tố ảnh hưởng đến kiệt quệ tài chính của doanh nghiệp. CHƯƠNG 4: Kết quả nghiên cứu của mô hình hồi quy Binary Logistic.

CHƯƠNG 5: Các giải pháp nâng cao khả năng dự báo và giải quyết một cách hiệu quả tình trạng khánh kiệt tài chính ở Việt Nam. 3 Chương 2: TỔNG QUAN LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ KIỆT QUỆ TÀI CHÍNH VÀ PHÁ SẢN 2. Các nghiên cứu trước đây: - Opler và Titman (1994) cho thấy rằng các công ty kiệt quệ tài chính (đòn bẩy cao) bị mất thị phần đáng kể vào đối thủ m ạnh trong thời kỳ suy thoái của ngành. Sự sụt giảm doanh số bán hàng mà Apple và Chrysler phải đối mặt trong thời kỳ khó khăn tài chính sẽ cho ta bằng chứng về những thiệt hại nặng nề như vậy.

- Trong một mẫu của 3 1 giao dịch có đòn bẩy cao (HLTs), Andrade và Kaplan (1998) minh họa ảnh hưởng của kiệt quệ kinh tế bắt nguồn từ kiệt quệ tài chính và ước tính chi phí kiệt quệ tài chính khoảng 10-20% giá trị công ty. - Asquith, Gertner và Scharfstein (1994 ) cho rằng trung bình các công ty kiệt quệ về tài chính bán 12% tài sản của họ như một phần trong nhữ ng kế hoạch tái cấu của họ. - Chevalier (1995a,b) sử dụng thông tin chi tiết từ các ngành siêu th ị địa phương để cung cấp bằng chứ ng để hỗ trợ cho hành vi thâu tóm trên thị trư ờng. Bà cho rằng t iếp theo sau hành động mua và sáp nhập các siêu thị bằng vốn vay (LBOs), giá sẽ giảm tại các thị trư ờng địa phương nơi m à các công ty đối thủ có đòn bẩy thấp và tập trung.

Hơn nữa, sự giảm giá này liên quan đến việc các công ty LBO thoát khỏi thị trư ờng địa phương. Những phát hiện này cho thấy rằng các đối thủ nỗ lực để săn mồi trên dây chuyền LBO. - Bằng việc sử dụng các bãi bỏ quy định của ngành vận t ải đường bộ như là một cú sốc ngoại sinh, Zingales (1998 ) nghiên cứ u sự tương tác giữ a cấu trúc tài chính và sự cạnh tranh ở thị trường sản phẩm và cho thấy rằng đòn bẩy làm giảm khả năng sống sót của công ty sau khi có sự gia tăng trong cạnh tranh. Thông điệp chung từ các bài nghiên cứu trên là kiệt quệ tài chính có thể phát sinh chi phí thực tế tại công ty bằng việc suy yếu vị thế cạnh tranh của họ trên thị trường sản phẩm 4 2.

Phân tích các chỉ số truyền thống: Sự nhận biết hoạt động của doanh nghiệp và những khó khăn chính là một chủ đề có thể được giải quyết cụ thể khi phân tích các chỉ số tài chính. Trước khí phát triển các thước đo định lượng hoạt động của doanh nghiệp, một số tổ chức đã thiết lập để cung cấp các mô hình định tính các thông tin mà đánh giá tình trạng tín dụng của các thương gia cụ thể. Chẳng hạn, tiền thân của Hãng dịch vụ thông tin quốc tế Dun & Bradstreet nổi tiếng ngày nay, được thành lập năm 1849 chuyên cung cấp các điều tra tín dụng độc lập, tập hơp các nghiên cứu chính thức liên quan đến dự báo thất bại doanh nghiệp được thực hiện trong những thập niên 1930. Bên cạnh đó GGSaver 1967 là tác phẩm kinh điển trong lĩnh vực phân tích các chỉ số và phá sản, các mô hình này đã thiết lập trên nền móng các nỗ lực sử dụng kỹ thuật đa biến cho các tác giả khác đi theo.

Mô hình Z-Score của Altman cũng đã sử dụng kỹ thuật phân tích đa biến này. Một nghiên cứu tiếp theo của Deakin (1972) đã sử dụng 14 biến như GGSaver đã phân tích, nhưng Deakin đã áp dụng những biến này trong một loạt các phân tích đa biệt thức. Những nghiên cứu trên đã ngầm chỉ ra một khả năng nhất định của các chỉ số như các công cụ dự báo phá sản. Nhìn chung, các chỉ số đo lường khả năng sinh lời (profitability), khả năng thanh khoản (liquidity), và khả năng toán (solvency) được thừa nhận như những chỉ báo quan trọng.

Mô hình Z’Score: Mô hình Z-score là mô hình được công nhận và sử dụng rộng rãi trên thế giới. Chỉ số này được phát minh bởi Giáo sư Edward I. Khi nghiên cứu thiết lập mô hình Z- Score, Altman đă thực hiện các bước như sau: 2. Bước 1: Sự chọn mẫu Mẫu ban đầu bao gồm 66 công ty với 33 công ty ở mỗi nhóm.

Nhóm phá sản (kiệt quệ) (nhóm 1) là những nhà sản xuất đã nộp đơn phá sản theo chương 10 của Luật Phá Sản Hoa Kỳ trong giai đoạn 1946 đến 1965. Nhóm hai bao gồm một mẫu ghép đôi của các doanh nghiệp sản xuất được chọn từ cơ sở phân loại ngẫu nhiên. Các công ty được phân lớp bởi ngành và kích cỡ doanh nghiệp, với phạm vi tài sản được giới hạn nghiêm ngặt từ 1 5 triệu USD đến 25 triệu USD. Giá trị tài sản trung bình của các công ty trong nhóm 2 (9.6 triệu USD) lớn hơn một ít so với nhóm 1, nhưng để hai nhóm có kích cỡ tài sản như nhau là điều dường như không cần thiết.

Các công ty trong nhóm 2 vẫn còn hoạt động trong thời gian phân tích. Dữ liệu đuợc xây dựng từ Sổ Tay Ngành của tổ chức Moody và từ các báo cáo được chọn lọc hằng năm. Quyết định loại bỏ các công ty nhỏ (tài sản dưới 1 triệu USD) và các công ty rất lớn ra khỏi mẫu là cần thiết cho phạm vi tài sản các công ty trong nhóm 1. Những chỉ trích thường thấy là đối với các chỉ số tài chính, về bản chất, số liệu thống kê cho thấy chúng chịu sự ảnh hưởng của yếu tố kích cỡ doanh nghiệp, và do đó nên loại bỏ tác động của yếu tố này trong phân tích.

Mô hình Z-Score xuất hiện có thể đáp ứng được nhu cầu này. Bước 2: Lựa chọn biến: Sau khi hình thành được khái niệm nhóm và chọn được công ty, chọn danh sách gồm 22 chỉ số, 5 chỉ số đã được chọn vì chúng đã thể hiện tốt nhất trong việc liên kết dự đốn phá sản công ty. Các chỉ số này không bao gồm tất cả các biến số quan trọng nhất được đo lường một cách độc lập. Để đạt được tập hợp các biến số cuối cùng, các thủ tục sau đã được sử dụng: (1) quan sát mức ý nghĩa thống kê của các chức năng thay thế khác nhau, bao gồm việc xác định phần đóng góp tương đối của các biến số độc lập; (2) đánh giá sự tương quan giữa các biến số có liên quan; (3) quan sát độ chính xác về mặt dự báo của các tập hợp biến; và (4) đánh giá của các chuyên gia.

Biệt thức cuối cùng đuợc thể hiện như sau: Z  0.999 X 5 Trong đó: X1= working capital/total assets = Vốn lưu động/ Tổng tài sản, X2= Retained earning/ total assets = Lợi nhuận giữ lại/ Tổng tài sản X3= Eanring GGSfore tax and interest/ total assets = Lợi nhuận trước thuế và lãi vay/ Tổng tài sản, X4= Market value equity/ book value of total liabilities = Giá trị thị trường của vốn CSH/ giá trị sổ sách của nợ phải trả, 6 X5= Sales/total assets = Tổng doanh thu/ Tổng tài sản, và Z= overall index = chỉ số tổng hợp Chú ý rằng, mô hình không có một hằng số nào (số giới hạn). Đó bởi vì các phần mềm cụ thể được sử dụng, và kết quả là, điểm số giới hạn tương ứng giữa hai nhóm không phải là 0. Phần mềm khác, như SAS và SPSS, có một hằng số, mà nó chuẩn hĩa điểm giới hạn ở 0 nếu số mẫu của hai nhóm là bằng nhau. Bước 3: Giải thích biến số:  X1, working capital/total assets (WC/TA) = Vốn lưu động/ Tổng tài sản Chỉ số working capital/ total assets, thường được tìm thấy trong các nghiên cứu về các trục trặc DN, là một công cụ đo lường độ thanh khoản ròng của các tài sản của công ty tương ứng với tổng vốn.

Working capital được định nghĩa như là sự khác nhau giữa current assets – tài sản lưu động và current liabilities- nợ ngắn hạn. Tính thanh khoản và đặc điểm về kích thước được cân nhắc rõ nét. Thông thường, một công ty trải qua một thời kỳ lỗ hoạt động kéo dài sẽ có tài sản lưu động bị co lại so với tổng tài sản. Trong ba chỉ số thanh khoản được đánh giá, chỉ số này tỏ ra là chỉ số đáng giá nhất.

Hai chỉ số thanh khoản khác được kiểm tra là current ratio- chỉ số thanh tốn hiện hành và quick ratio – chỉ số thanh tốn tức thời. Chúng xem ra kém hữu ích và phụ thuộc vào khuynh hướng bảo thủ của một vài công ty thất bại.  X2, retained earnings/total assets (RE/TA) = Lợi nhuận giữ lại/ Tổng tài sản Lợi nhuận giữ lại thể hiện tổng số thu nhập được tái đầu tư hay mức lỗ của một doanh nghiệp trong suốt thời gian tồn tại của nó. Chỉ số này cũng được xem như là thặng dư kiếm được từ quá trình hoạt động.

Điều đáng chú ý là chỉ số này phụ thuộc vào sự vận động thông qua tái cấu trúc và tuyên bố chia cổ tức, vốn không phải là đối tượng nghiên cứu của nghiên cứu này, có thể hiểu rằng một xu hướng sẽ được hình thành thông qua tái tổ chức, hoặc chính sách chia cổ tức hoặc những điều chỉnh phù hợp trong các tài khoản kế tốn. Một khía cạnh mới thú vị về chỉ số lợi nhuận giữ lại là khả năng đo lường lợi nhuận tích lũy theo thời gian. Thời gian hoạt động ngắn hay dài của một công ty được cân nhắc 7 hồn tồn ở chỉ số này. Ví dụ, các công ty trẻ thường thể hiện một chỉ số RE/TA thấp bởi vì nó chưa có thời gian để tích lũy lợi nhuận.

Vì vậy, có thể lập luận là các công ty trẻ ở một mức độ nào đó bị phân biệt đối xử trong phân tích này, và khả năng các công ty này đuợc xếp vào nhóm phá sản là cao hơn một cách tương đối so với các công ty có thời gian hoạt động nhiều hơn. Nhưng đó là điều chính xác trong thế giới thực. Các công ty dễ bị phá sản ở những năm đầu hoạt động. Trong năm 1993, khoảng 50% số các công ty bị phá sản trong từ một đến 5 năm đầu hoạt động (Dun & Bradstreet, 1994).

Thêm vào đó, chỉ số RE/TA đo lường đòn bẩy của một doanh nghiệp.