Luận văn mô hình ước lượng xác xuất kiệt quệ tài chính của doanh nghiệp tiếp cận bằng mô hình binary logistic

Luận văn phân tích mô hình binary logistic để ước lượng xác suất kiệt quệ tài chính của doanh nghiệp, 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 Dự Đoán Kiệt Quệ Tài Chính Doanh Nghiệp Bằng Hồi Quy 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 XUẤT 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 Mô Hình Dự Đoán Kiệt Quệ Tài Chính Doanh Nghiệp

Trong bối cảnh kinh tế toàn cầu đầy biến động, việc dự báo chính xác kiệt quệ tài chính trở nên vô cùng quan trọng. Các nhà quản lý cần những công cụ hiệu quả để đưa ra quyết định sáng suốt, bảo vệ sự tồn tại và phát triển của doanh nghiệp. Sự ra đời của các mô hình dự đoán phá sản doanh nghiệp đã mang lại một giải pháp mang tính hệ thống. Bài viết này sẽ đi sâu vào mô hình hồi quy logistic, một phương pháp mạnh mẽ được sử dụng rộng rãi trong lĩnh vực này. Nó không chỉ giúp xác định dấu hiệu kiệt quệ tài chính mà còn đánh giá mức độ ảnh hưởng của các yếu tố khác nhau đến tình hình tài chính của doanh nghiệp. Theo nghiên cứu của Opler và Titman (1994), các công ty có đòn bẩy tài chính cao thường mất thị phần đáng kể trong thời kỳ suy thoái, nhấn mạnh tầm quan trọng của việc dự báo và phòng ngừa kiệt quệ tài chính.

1.1. Tầm quan trọng của dự đoán phá sản trong quản trị rủi ro

Dự đoán phá sản doanh nghiệp không chỉ là một hoạt động mang tính học thuật mà còn là một phần thiết yếu của quản trị rủi ro. Nó giúp các nhà đầu tư, chủ nợ và nhà quản lý đưa ra quyết định dựa trên thông tin chính xác, giảm thiểu rủi ro và tối ưu hóa lợi nhuận. Việc xác định sớm các dấu hiệu kiệt quệ tài chính cho phép thực hiện các biện pháp phòng ngừa kiệt quệ tài chính kịp thời, như tái cấu trúc nợ, cắt giảm chi phí hoặc tìm kiếm nguồn vốn mới.

1.2. Ứng dụng của mô hình hồi quy logistic trong phân tích tài chính

Mô hình hồi quy logistic là một công cụ thống kê mạnh mẽ, được sử dụng rộng rãi trong phân tích tài chính doanh nghiệp. Ưu điểm của nó là khả năng dự đoán xác suất xảy ra một sự kiện (trong trường hợp này là kiệt quệ tài chính) dựa trên một tập hợp các biến độc lập (ví dụ: tỷ số tài chính). Ứng dụng hồi quy logistic trong tài chính đặc biệt hữu ích khi biến phụ thuộc là nhị phân (ví dụ: doanh nghiệp phá sản hoặc không phá sản).

II. Thách Thức Nhận Diện Sớm Dấu Hiệu Kiệt Quệ Tài Chính DN

Việc nhận diện sớm dấu hiệu kiệt quệ tài chính là một thách thức lớn đối với các nhà quản lý và nhà đầu tư. Các dấu hiệu này thường không rõ ràng và có thể bị che lấp bởi các yếu tố khác. Hơn nữa, các doanh nghiệp có thể cố tình che giấu tình hình tài chính thực sự của mình. Để vượt qua những thách thức này, cần có một hệ thống phân tích tài chính doanh nghiệp toàn diện, kết hợp các chỉ số định lượng và định tính. Các chỉ số định lượng bao gồm tỷ số tài chính như khả năng thanh toán, khả năng sinh lời và đòn bẩy tài chính. Các yếu tố định tính bao gồm chất lượng quản lý, môi trường kinh doanh và rủi ro ngành. Nghiên cứu của Andrade và Kaplan (1998) ước tính chi phí kiệt quệ tài chính có thể lên đến 10-20% giá trị công ty, cho thấy hậu quả nghiêm trọng của việc không nhận diện và xử lý kịp thời.

2.1. Hạn chế của các phương pháp phân tích tài chính truyền thống

Các phương pháp phân tích tài chính truyền thống, như phân tích tỷ số, có thể cung cấp một cái nhìn tổng quan về tình hình tài chính của doanh nghiệp. Tuy nhiên, chúng có một số hạn chế. Thứ nhất, chúng thường chỉ xem xét các dữ liệu trong quá khứ và hiện tại, mà không dự đoán được tương lai. Thứ hai, chúng có thể bị ảnh hưởng bởi các yếu tố chủ quan và giả định kế toán. Thứ ba, chúng không thể xử lý các mối quan hệ phức tạp giữa các biến số tài chính.

2.2. Yếu tố chủ quan và rủi ro tiềm ẩn trong đánh giá doanh nghiệp

Ngoài các chỉ số tài chính, các yếu tố chủ quan và rủi ro tiềm ẩn cũng có thể ảnh hưởng đến đánh giá rủi ro tài chính. Ví dụ, chất lượng quản lý, đạo đức kinh doanh và sự minh bạch của doanh nghiệp có thể tác động lớn đến khả năng tồn tại và phát triển của nó. Rủi ro ngành, rủi ro kinh tế vĩ mô và rủi ro chính trị cũng cần được xem xét.

III. Phương Pháp Xây Dựng Mô Hình Hồi Quy Logistic Dự Đoán

Để xây dựng một mô hình hồi quy logistic hiệu quả cho việc dự đoán kiệt quệ tài chính, cần tuân thủ một quy trình chặt chẽ. Bước đầu tiên là thu thập dữ liệu từ báo cáo tài chính của các doanh nghiệp, bao gồm cả những doanh nghiệp đã phá sản và những doanh nghiệp vẫn hoạt động tốt. Tiếp theo, cần lựa chọn các biến độc lập phù hợp, thường là các tỷ số tài chính quan trọng. Sau đó, mô hình hồi quy logistic được xây dựng và huấn luyện bằng cách sử dụng dữ liệu thu thập được. Cuối cùng, kiểm định mô hình hồi quy logistic để đánh giá độ chính xác và khả năng dự đoán của nó là vô cùng quan trọng. Bước này bao gồm việc sử dụng các chỉ số như AUC hồi quy logistic và confusion matrix hồi quy logistic. Mô hình này phải có khả năng dự báo tốt hơn so với mô hình Altman Z-score hay mô hình Springate.

3.1. Chọn biến độc lập Các tỷ số tài chính quan trọng nhất

Việc lựa chọn các biến độc lập phù hợp là yếu tố then chốt để xây dựng một mô hình hồi quy logistic chính xác. Các tỷ số tài chính thường được sử dụng bao gồm: khả năng thanh toán (ví dụ: Quick Ratio), khả năng sinh lời (ví dụ: ROE, ROA), đòn bẩy tài chính (ví dụ: D/A) và hiệu quả hoạt động. Cần lựa chọn các tỷ số tài chính có ý nghĩa thống kê và có khả năng phân biệt giữa các doanh nghiệp phá sản và không phá sản. Quá trình variable selection hồi quy logistic cần được thực hiện cẩn thận để tránh overfitting.

3.2. Phân tích dữ liệu và chuẩn bị cho mô hình hồi quy

Trước khi xây dựng mô hình hồi quy logistic, cần thực hiện phân tích cơ bản để hiểu rõ cấu trúc và đặc điểm của dữ liệu. Việc làm sạch dữ liệu, xử lý các giá trị thiếu và chuẩn hóa các biến số là rất quan trọng. Ngoài ra, cần kiểm tra tính đa cộng tuyến giữa các biến độc lập để tránh ảnh hưởng đến kết quả của mô hình hồi quy logistic.

3.3. Xây dựng và kiểm định mô hình hồi quy Logistic dự đoán

Sau khi đã chuẩn bị dữ liệu, sẽ tiến hành xây dựng mô hình hồi quy logistic. Sử dụng các phần mềm như python hồi quy logistic, spss hồi quy logistic hoặc R hồi quy logistic. Quá trình này bao gồm việc ước lượng các hệ số hồi quy và đánh giá mức độ phù hợp của mô hình. Để kiểm định mô hình hồi quy logistic, sử dụng các chỉ số như AUC hồi quy logistic (diện tích dưới đường cong ROC) và confusion matrix hồi quy logistic (ma trận nhầm lẫn) để đánh giá khả năng phân loại chính xác của mô hình.

IV. Ứng Dụng Thực Tế Vận Dụng Mô Hình Dự Đoán Kiệt Quệ Tài Chính

Việc vận dụng mô hình hồi quy logistic trong thực tế mang lại nhiều lợi ích cho các nhà quản lý và nhà đầu tư. Nó giúp họ đánh giá rủi ro tài chính của doanh nghiệp, đưa ra quyết định đầu tư sáng suốt và thực hiện các biện pháp phòng ngừa kịp thời. Ứng dụng hồi quy logistic trong tài chính đặc biệt hữu ích trong việc đánh giá khả năng trả nợ của doanh nghiệp, xác định các doanh nghiệp có nguy cơ phá sản và đưa ra các biện pháp tái cấu trúc tài chính phù hợp. Từ đó, có thể tránh rủi ro khi đầu tư vào các công ty có xác suất phá sản cao. Chương 4 của luận văn sử dụng dữ liệu từ các doanh nghiệp niêm yết trên sàn HOSE và HNX để minh họa cách vận dụng mô hình hồi quy logistic trong thực tế.

4.1. Case study Phân tích và dự đoán kiệt quệ tài chính

Để minh họa cách vận dụng mô hình hồi quy logistic trong thực tế, có thể xem xét các case study cụ thể. Ví dụ, có thể sử dụng mô hình để phân tích tình hình tài chính của một số doanh nghiệp đã phá sản và so sánh kết quả với tình hình thực tế. Ngoài ra, có thể sử dụng mô hình để dự đoán khả năng phá sản của các doanh nghiệp đang hoạt động và theo dõi xem dự đoán có chính xác hay không.

4.2. Diễn giải kết quả và đưa ra quyết định dựa trên xác suất phá sản

Sau khi xây dựng mô hình hồi quy logistic, cần diễn giải kết quả một cách chính xác và đưa ra quyết định dựa trên xác suất phá sản dự đoán. Odds ratio (tỷ lệ cược) và các hệ số hồi quy có thể giúp hiểu rõ mức độ ảnh hưởng của từng biến độc lập đến khả năng phá sản. Ví dụ, nếu tỷ lệ nợ trên vốn chủ sở hữu có odds ratio lớn hơn 1, điều đó có nghĩa là doanh nghiệp có tỷ lệ nợ cao có nguy cơ phá sản cao hơn.

V. Kết Luận Ưu Điểm và Hướng Phát Triển Mô Hình Dự Đoán

Sử dụng mô hình hồi quy logistic có thể dự đoán kiệt quệ tài chính. Các yếu tố như khả năng thanh toán, sinh lời, và quản lý nợ, ảnh hưởng đến độ chính xác của dự đoán. Các nhà quản lý tài chính có thể sử dụng mô hình này để đưa ra quyết định sáng suốt hơn. Tuy nhiên, độ chính xác mô hình dự đoán còn nhiều hạn chế và cần cải thiện. Nghiên cứu của Altman cho thấy mô hình Z-Score cũng có những hạn chế riêng, cần được điều chỉnh để phù hợp với từng thị trường cụ thể. Để tăng cường hiệu quả của phòng ngừa kiệt quệ tài chính, cần kết hợp mô hình này với các biện pháp quản trị rủi ro khác.

5.1. So sánh mô hình hồi quy logistic với các mô hình khác

So với các mô hình dự đoán phá sản khác, như mô hình Altman Z-score, mô hình Springate, và mô hình Beaver, mô hình hồi quy logistic có một số ưu điểm. Nó linh hoạt hơn trong việc xử lý các biến độc lập và có thể đưa ra ước lượng xác suất kiệt quệ tài chính thay vì chỉ đưa ra kết quả nhị phân. Tuy nhiên, nó cũng có thể phức tạp hơn và đòi hỏi nhiều dữ liệu hơn.

5.2. Hướng nghiên cứu và phát triển trong tương lai

Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình dự đoán kiệt quệ tài chính phức tạp hơn, có khả năng xử lý các dữ liệu phi tuyến tính và các mối quan hệ tương tác giữa các biến số. Các kỹ thuật học máy, như mạng nơ-ron và cây quyết định, có thể được sử dụng để cải thiện độ chính xác mô hình dự đoán. Ngoài ra, cần tập trung vào việc thu thập và phân tích các dữ liệu định tính, như thông tin về quản lý và môi trường kinh doanh, để có cái nhìn toàn diện hơn về rủi ro tài chính của doanh nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam trong giai đoạn 2012–2015 đã chứng kiến làn sóng sàng lọc và đào thải khốc liệt chưa từng có. Năm 2012 ghi nhận 18 mã chứng khoán bị hủy niêm yết, năm 2013 chạm mốc kỷ lục với 37 doanh nghiệp rời sàn, và xu hướng này tiếp diễn với 33 doanh nghiệp bị hủy niêm yết trong năm 2015 cùng 25 mã rời sàn chỉ trong 6 tháng đầu năm 2014. Thực trạng này đặt ra vấn đề cấp bách: làm thế nào để nhận diện sớm các dấu hiệu suy kiệt tài chính trước khi doanh nghiệp rơi vào tình trạng mất khả năng thanh toán hoặc bị buộc rời sàn giao dịch.

Vấn đề nghiên cứu trọng tâm xuất phát từ việc các mô hình chỉ số truyền thống chưa phản ánh đầy đủ đặc thù của thị trường cận biên, nơi biến động kinh tế vĩ mô và rủi ro đòn bẩy diễn biến hết sức phức tạp. Mục tiêu cụ thể của luận văn là xác định các chỉ số tài chính then chốt có năng lực giải thích cao nhất đối với tình trạng kiệt quệ tài chính, từ đó xây dựng mô hình hồi quy Binary Logistic nhằm ước lượng xác suất phá sản của các công ty niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX).

Phạm vi nghiên cứu tập trung vào chuỗi dữ liệu tài chính kiểm toán từ năm 2011 đến năm 2015 của 172 doanh nghiệp, bao gồm 86 doanh nghiệp bị hủy niêm yết do thua lỗ 3 năm liên tiếp hoặc âm vốn chủ sở hữu theo Nghị định 58/2012/NĐ-CP, đối chiếu cùng 86 doanh nghiệp duy trì hoạt động kinh doanh ổn định. Ý nghĩa thực tiễn của đề tài được khẳng định qua tỷ lệ dự báo chính xác lên tới 88,4%, cung cấp công cụ lượng hóa rủi ro đáng tin cậy giúp các tổ chức tín dụng kiểm soát tỷ lệ nợ xấu dưới ngưỡng 3% và hỗ trợ nhà đầu tư giảm thiểu tổn thất danh mục vốn.

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 kiệt quệ tài chính hiện đại. Opler và Titman (1994) đã chứng minh rằng các doanh nghiệp sử dụng đòn bẩy tài chính quá cao sẽ chịu mức độ sụt giảm thị phần nghiêm trọng hơn hẳn các đối thủ cạnh tranh khi toàn ngành bước vào chu kỳ suy thoái. Tiếp nối hướng tiếp cận này, Andrade và Kaplan (1998) lượng hóa rằng chi phí kiệt quệ tài chính trực tiếp và gián tiếp có thể làm bốc hơi từ 10% đến 20% tổng giá trị doanh nghiệp. Bên cạnh đó, Asquith, Gertner và Scharfstein (1994) chỉ ra rằng trung bình các doanh nghiệp kiệt quệ phải thanh lý khoảng 12% tổng tài sản để thực hiện các kế hoạch tái cơ cấu khẩn cấp.

Về mô hình định lượng, nghiên cứu kế thừa mô hình Z-Score của Edward Altman (1968) và mô hình điều chỉnh Z'-Score (1983) vốn áp dụng phân tích đa biệt thức (MDA) với độ chính xác đạt trên 80% trong vòng 2 năm trước phá sản. Đề tài tập trung làm rõ 5 khái niệm chuyên sâu: Kiệt quệ tài chính (Financial Distress), Biến cố hủy niêm yết bắt buộc (Involuntary Delisting), Tỷ số sinh lời trên tài sản (ROA), Tỷ số giá trị thị trường vốn chủ sở hữu trên tổng nợ (MVE/TL), và Hệ số khả năng thanh toán lãi vay (TIE).

Phương pháp nghiên cứu

Nguồn dữ liệu của luận văn được trích xuất từ hệ thống báo cáo tài chính kiểm toán giai đoạn 2011–2015 của 172 doanh nghiệp niêm yết trên HOSE và HNX. Cỡ mẫu nghiên cứu gồm 86 doanh nghiệp bị hủy niêm yết bắt buộc do kinh doanh sa sút (được mã hóa biến phụ thuộc Y = 0) và 86 doanh nghiệp hoạt động bình thường (mã hóa Y = 1). Tác giả áp dụng phương pháp chọn mẫu ghép đôi tương đồng (matched-pair design) theo tiêu chí quy mô tổng tài sản và lĩnh vực hoạt động nhằm loại trừ tối đa tác động nhiễu của quy mô doanh nghiệp lên các chỉ số tài chính.

Lý do lựa chọn mô hình hồi quy Binary Logistic thay vì hồi quy tuyến tính OLS là do biến phụ thuộc mang tính nhị phân. Hồi quy tuyến tính thông thường sẽ vi phạm nghiêm trọng giả định phân phối chuẩn của phần dư và có thể ước lượng xác suất nằm ngoài khoảng xác suất 0 đến 1. Mô hình Logit xử lý hoàn hảo hạn chế này thông qua hàm chuyển đổi logit dạng lũy thừa cơ số e, ước lượng tham số bằng phương pháp hợp lý cực đại (Maximum Likelihood Estimation - MLE) trên phần mềm SPSS 22. Quá trình kiểm định sử dụng chỉ tiêu -2 Log Likelihood, thống kê Omnibus Chi-square và kiểm định Wald cho từng hệ số độc lập.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Sau khi sàng lọc từ 11 chỉ số ban đầu và kiểm định tương quan, mô hình Binary Logistic rút gọn giữ lại 4 biến số tài chính có mức ý nghĩa thống kê vượt trội (p-value < 0,05) để giải thích xác suất kiệt quệ tài chính:

• Tỷ số ROA (Lợi nhuận sau thuế / Tổng tài sản) đạt mức ý nghĩa p = 0,000 với hệ số hồi quy dương lớn nhất. Điều này chứng minh hiệu quả sinh lời cốt lõi của tài sản là tấm lá chắn mạnh nhất giúp doanh nghiệp tránh khỏi nguy cơ sụp đổ dòng tiền.
• Tỷ số MVE/TL (Giá trị thị trường vốn chủ sở hữu / Tổng nợ phải trả) có mức ý nghĩa p = 0,000. Khi tỷ số này tăng 1 đơn vị, tỷ lệ tương quan xác suất an toàn tài chính so với kiệt quệ tăng lên đáng kể, phản ánh niềm tin định giá của thị trường đối với năng lực thanh toán dài hạn.
• Tỷ số D/A (Tổng nợ / Tổng tài sản) có mối tương quan nghịch rõ rệt với trạng thái lành mạnh tài chính. Đòn bẩy nợ tăng cao làm gia tăng áp lực trả nợ gốc và gia tăng xác suất mất khả năng chi trả.
• Tỷ số TIE (EBIT / Chi phí lãi vay) có p = 0,000, khẳng định vai trò sống còn của lợi nhuận hoạt động trong việc trang trải chi phí vốn vay. Khi TIE suy giảm dưới 1, nguy cơ doanh nghiệp bị chủ nợ phong tỏa tài sản tăng gấp nhiều lần.
• Ngược lại, các chỉ số vốn lưu động (WC/TA), hiệu suất sử dụng tài sản (EBIT/TA) và vòng quay tài sản (S/TA) đều có p-value > 0,05 nên không đóng góp ý nghĩa phân loại trong mô hình thực nghiệm.

Thảo luận kết quả

Mô hình hồi quy đạt độ phù hợp tổng thể xuất sắc với giá trị kiểm định Omnibus Chi-square có mức ý nghĩa Sig = 0,000 và chỉ số -2 Log Likelihood đạt 88,961. Ma trận phân loại (Classification Table) cho thấy mô hình dự đoán chính xác 76/86 doanh nghiệp bị hủy niêm yết (tỷ lệ 88,4%) và dự đoán đúng 76/86 doanh nghiệp hoạt động bình thường (tỷ lệ 88,4%), đưa độ chính xác chung toàn mô hình đạt 88,4%.

Kết quả này hoàn toàn tương thích với các case study điển hình trên sàn giao dịch. Tiêu biểu như Công ty Cổ phần Hữu Liên Á Châu (HLA) sau giai đoạn tăng trưởng nóng đã gánh chịu khoản lỗ lũy kế lên tới 916 tỷ đồng do đòn bẩy D/A vượt ngưỡng an toàn trong bối cảnh thị trường thép đóng băng. Tương tự, Công ty Cổ phần Vận tải và Thuê tàu biển Việt Nam (VST) lỗ lũy kế 109,04 tỷ đồng và Công ty Cổ phần Thương mại & Dịch vụ Dầu khí Vũng Tàu (VMG) lỗ lũy kế hơn 54 tỷ đồng đều có hệ số TIE và ROA âm kéo dài trước khi nhận quyết định hủy niêm yết.

Về mặt trực quan hóa học thuật, toàn bộ kết quả phân loại của mô hình có thể được biểu diễn trực quan qua biểu đồ đường cong ROC (Receiver Operating Characteristic) với diện tích dưới đường cong AUC ước đạt trên 0,90, kết hợp cùng bảng ma trận nhầm lẫn (Confusion Matrix) 2x2 để minh chứng năng lực phân tách rủi ro vượt trội giữa hai nhóm công ty lành mạnh và kiệt quệ.

Đề xuất và khuyến nghị

Nhằm nâng cao năng lực cảnh báo sớm và xử lý hiệu quả tình trạng kiệt quệ tài chính tại Việt Nam, luận văn đưa ra 4 nhóm giải pháp trọng tâm:

• Tăng cường tính minh bạch và chất lượng công bố thông tin tài chính: Ủy ban Chứng khoán Nhà nước và hai Sở GDCK cần siết chặt chế tài xử phạt đối với các hành vi chậm nộp BCTC kiểm toán hoặc cố tình che giấu thông tin lỗ lũy kế, đặt mục tiêu giảm tỷ lệ vi phạm nghĩa vụ báo cáo xuống dưới 2% mỗi năm.
• Phát triển hệ thống xếp hạng tín nhiệm doanh nghiệp độc lập: Ngân hàng Nhà nước phối hợp cùng Bộ Tài chính thiết lập khung pháp lý khuyến khích thành lập các tổ chức định mức tín nhiệm đạt chuẩn quốc tế, phấn đấu đến giai đoạn 2020–2022 có ít nhất 70% doanh nghiệp phát hành trái phiếu được chấm điểm tín nhiệm công khai.
• Hoàn thiện và nâng cao hiệu lực thực thi Luật Phá sản 2014: Tòa án nhân dân tối cao và các cơ quan tư pháp cần rút ngắn thời gian xử lý thủ tục mở thủ tục phá sản từ mức trung bình 24–36 tháng xuống còn 6–12 tháng, tạo hành lang pháp lý minh bạch cho việc tái cấu trúc nợ và thanh lý tài sản có trật tự.
• Tăng cường vai trò xử lý nợ xấu của Công ty Mua bán nợ Việt Nam (DATC): Chính phủ cần bổ sung nguồn vốn điều lệ và mở rộng cơ chế mua bán nợ theo giá thị trường cho DATC, hướng tới mục tiêu xử lý dứt điểm từ 15% đến 20% các khoản nợ xấu tồn đọng của các doanh nghiệp sản xuất niêm yết gặp khó khăn nhưng còn tiềm năng phục hồi.

Đối tượng nên tham khảo luận văn

Nội dung và mô hình định lượng của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng:

• Ban điều hành và Giám đốc Tài chính (CFO) của các doanh nghiệp niêm yết: Vận dụng phương trình Binary Logistic làm công cụ tự đánh giá sức khỏe tài chính định kỳ, chủ động kiểm soát tỷ số đòn bẩy D/A và duy trì hệ số bao phủ lãi vay TIE an toàn nhằm ngăn ngừa rủi ro đứt gãy dòng tiền.
• Chuyên viên thẩm định tín dụng và quản trị rủi ro tại các Ngân hàng thương mại: Ứng dụng bộ 4 chỉ số tài chính trọng yếu để chấm điểm tín dụng khách hàng doanh nghiệp vay vốn, nâng cao độ chính xác trong việc trích lập dự phòng và kiểm soát tỷ lệ nợ xấu dưới 3%.
• Nhà đầu tư cá nhân và các quỹ quản lý danh mục chứng khoán: Sử dụng mô hình để sàng lọc cổ phiếu rủi ro, phát hiện sớm các doanh nghiệp có nguy cơ bị kiểm soát hoặc hủy niêm yết trước 1 đến 2 năm, từ đó tái cấu trúc danh mục đầu tư an toàn.
• Giảng viên, học viên cao học và chuyên gia nghiên cứu tài chính: Sử dụng luận văn như một tài liệu tham khảo chuẩn mực về ứng dụng kinh tế lượng ứng dụng, phân tích hồi quy Logit trong nghiên cứu tài chính doanh nghiệp tại thị trường mới nổi.

Câu hỏi thường gặp

• Mô hình Binary Logistic trong luận văn có điểm gì ưu việt hơn mô hình Z-Score của Altman? Mô hình Binary Logistic không đòi hỏi các biến độc lập phải tuân theo phân phối chuẩn đa biến như phân tích đa biệt thức trong Z-Score. Đồng thời, mô hình Logit ước lượng trực tiếp xác suất kiệt quệ tài chính nằm trọn vẹn trong khoảng 0 đến 1, giúp việc giải thích rủi ro trực quan và chính xác hơn với thực tế dữ liệu của 172 doanh nghiệp Việt Nam.

• Tại sao biến vòng quay tài sản (S/TA) và vốn lưu động (WC/TA) lại không có ý nghĩa thống kê trong mô hình? Trong giai đoạn suy thoái kinh tế 2011–2015, nhiều doanh nghiệp có doanh thu lớn nhưng chi phí lãi vay và chi phí quản lý ăn mòn toàn bộ lợi nhuận, dẫn đến lỗ ròng nặng nề. Do đó, các chỉ số quy mô doanh thu không phản ánh chính xác nguy cơ kiệt quệ bằng chỉ số sinh lời thực chất ROA và khả năng bù đắp lãi vay TIE.

• Độ chính xác 88,4% của mô hình được xác định dựa trên tiêu chí nào? Tỷ lệ 88,4% được tính toán từ bảng phân loại ma trận nhầm lẫn trên SPSS 22, khi mô hình dự đoán chính xác 76 trong tổng số 86 doanh nghiệp bị hủy niêm yết thực tế và 76 trong tổng số 86 doanh nghiệp đang niêm yết bình thường, với điểm cắt phân loại xác suất chuẩn là 0,5.

• Doanh nghiệp chưa niêm yết có thể áp dụng mô hình này như thế nào? Đối với các doanh nghiệp chưa niêm yết không có giá trị vốn hóa thị trường cho biến MVE/TL, nhà quản trị có thể thay thế bằng giá trị sổ sách của vốn chủ sở hữu theo nguyên lý mô hình điều chỉnh Z'-Score của Altman, sau đó hiệu chỉnh lại trọng số tương ứng để ước lượng rủi ro nợ.

• Dấu hiệu cảnh báo sớm nhất một doanh nghiệp sắp rơi vào diện hủy niêm yết bắt buộc là gì? Dấu hiệu rõ ràng nhất là sự suy giảm liên tục của hệ số TIE xuống dưới mức 1 kèm theo tỷ suất ROA âm trong 2 năm liên tiếp. Khi lợi nhuận trước thuế và lãi vay không đủ trang trải chi phí nợ, nguy cơ lỗ lũy kế vượt vốn điều lệ và vi phạm quy định niêm yết sẽ xảy ra trong vòng 12 đến 24 tháng tiếp theo.

Kết luận

• Luận văn đã xây dựng thành công mô hình Binary Logistic ước lượng xác suất kiệt quệ tài chính cho các doanh nghiệp niêm yết tại Việt Nam với tỷ lệ dự báo chính xác đạt 88,4%.
• Xác định 4 biến số tài chính có ý nghĩa quyết định đến nguy cơ suy kiệt dòng tiền bao gồm ROA, MVE/TL, D/A và TIE.
• Khẳng định tính bức thiết của việc kết hợp các chỉ tiêu khả năng sinh lời và năng lực trang trải chi phí nợ thay vì chỉ dựa vào quy mô tài sản thuần túy.
• Đóng góp hệ thống giải pháp toàn diện từ cấp độ quản trị doanh nghiệp, xếp hạng tín nhiệm độc lập đến hoàn thiện khung pháp lý phá sản và xử lý nợ xấu qua DATC.
• Hướng nghiên cứu tiếp theo cần mở rộng mẫu dữ liệu đa ngành giai đoạn 2020–2025 và tích hợp thêm các biến số kinh tế vĩ mô như lạm phát, lãi suất điều hành để nâng cao hơn nữa năng lực dự báo rủi ro thị trường.

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.