DỰ BÁO PHÁ SẢN VÀ KIỆT QUỆ TÀI CHÍNH CỦA CÁC CÔNG TY NIÊM YẾT – SỬ DỤNG SỐ LIỆU KẾ TOÁN, THỊ TRƯỜNG VÀ CÁC BIẾN VĨ MÔ

1
DỰ BÁO PHÁ SẢN VÀ KIỆT QUỆ TÀI CHÍNH CỦA CÁC CÔNG
TY NIÊM YẾT – SỬ DỤNG SỐ LIỆU KẾ TOÁN, THỊ TRƯỜNG
VÀ CÁC BIẾN VĨ MÔ
Tóm lược
Sử dụng một mẫu quan sát là 23.218 các công ty niêm yết trong khoảng thời gian 1980-2011, báo cáo
các điều tra thực nghiệm hữu ích với việc kết hợp dữ liệu kế toán, cơ sở thị trường và kinh tế vĩ mô để
giải thích rủi ro tín dụng của công ty. Báo cáo trình bày các mô hình rủi ro đối với các công ty niêm yết
đã dự đoán về kiệt quệ tài chính và phá sản. Các mô hình ước lượng sử dụng sự kết hợp của các số liệu
kế toán, các thông tin thị trường chứng khoán và là đại diện cho các biến đổi trong môi trường kinh tế
vĩ mô. Mục đích là để tạo ra các mô hình với dự báo chính xác, giá trị thực tiễn và động lực phụ thuộc
vào vĩ mô mà có liên quan đến phân tích trọng tâm. Kết quả cho thấy những hữu ích của việc kết hợp
dư liệu kế toán, các dự liệu thị trường và các dữ liệu kinh tế vĩ mô trong các mô hình dự đóan kiệt quệ
tài chính các công ty niêm yết. Việc thực hiện các mô hình ước lượng được làm chuẩn so với mô hình
được xây dựng bằng cách sử dụng một mạng lưới thần kinh (MLP) và so với Altman (1968) đặc điểm
kỹ thuật ban đầu Z-score
1. Giới thiệu
Cuộc khủng hoảng tài chính năm 2008 nhấn mạnh những thiếu sót trong hoạt động quản lý rủi ro trong
môi trường cho vay và đánh giá rủi ro tại các cấp độ vi mô (dự đoán PD). Người cho vay và các nhà
đầu tư khác trong khu vực doanh nghiệp cùng với các người điều chỉnh yêu cầu có thông tin kịp thời về
xác suất rủi ro vỡ nợ của các doanh nghiệp trong thời hạn cho vay và danh mục đầu tư phái sinh. Đối
với ngân hàng, phát triển hiệu quả 'hệ thống xếp hạng nội bộ' (IRB) cho quản lý rủi ro doanh nghiệp
đòi hỏi phải xây dựng xác suất vỡ nợ (PD) mô hình hướng đến các đặc điểm cụ thể của từng nhóm
công ty (ví dụ như SME, mô hình các công ty tư nhân, công ty niêm yết, ngành đặc thù), điều chỉnh
những thay đổi trong môi trường vĩ mô, và, tất nhiên, phù hợp với tính ứng dụng và đúng thời điểm của
dữ liệu. Việc sử dụng các mô hình rủi ro tín dụng đã được chứng minh bẳng dữ liệu của Altman
(1968). Hiện tại đây là một lý thuyết tổng quát của những doanh nghiệp kiệt quệ tài chính và phá sản
thường dùng, nó báo cáo công việc mà dựa vào lịch sử dữ liệu kế toán có sẵn công khai (Altman,1968)
hoặc dựa trên các thông tin thị trường chứng khoán (Merton, 1974) để dự đoán các tình trạng không trả
được nợ. Các báo cáo gần đây tranh luận cho các liên kết một cách tốt hơn, Trujillo-Ponce,
Samaniego_Medina, và Cardone-Riportella (trên báo chí) thử nghiệm cho cả dữ liệu kế toán và thị

trường (Credit Default Swaps, CDS) và cho rằng "số liệu kế toán và thị trường bổ sung cho nhau và do
đó một mô hình tổng quát bao gồm sự xuất hiện cả hai loại biến dường như là lựa chọn tốt nhất. "(p. 2).
Trong kết luận về định nghĩa phá sản được xem như hình thức thông báo phá sản (hợp pháp), nghĩa vụ
trả nợ (Mella-Barral & Perraudin, 1997) và trái phiếu (Geske, 1977) hoặc hoán đổi nợ (Ericsson,
Jacobs, & Oviedo, 2009) hoặc gián đoạn thị trường chứng khoán. Những cách tiếp cận mô hình đã
được áp dụng rộng rãi cho công ty niêm yết sử dụng các quy trình thống kê như MDA, hồi quy logistic
hoặc những mô hình rủi ro. Nghiên cứu gần đây đã mở rộng trong định nghĩa phá sản bao gồm các biện
pháp rộng lớn hơn của "kiệt quệ tài chính” dựa trên báo cáo tài chính. Hơn nữa, các nỗ lực đã được
thực hiện để kết hợp một số động lực bằng cách tổng hợp các dữ liệu phản ánh thay đổi trong môi
trường kinh tế vĩ mô, dữ liệu phi tài chính và những dự báo thay đổi theo thời gian khác. Các nghiên
cứu này góp phần vào việc xây dựng khung lý thuyết, đầu tiên, trình bày mô hình dự đoán kiệt quệ cho
các công ty niêm yết ở Vương quốc Anh có sử dụng định nghĩa ' nền tảng tài chính' của kiệt quệ, để tìm
ra giai đoạn đầu của kiệt quệ tài chính, cùng với các phương pháp tiếp cận chính thức hơn bằng cách sử
dụng kết quả dữ liệu được cung cấp bởi các cơ sở dữ liệu giá chứng khoán London. Dự báo kịp thời về
kiệt quệ tài chính trong thực tế, giúp các chủ nợ ngăn ngừa một số chi phí liên quan đến hồ sơ phá sản.
2
Thứ hai, sử dụng quy trình thực nghiệm đa cấp, nghiên cứu này cung cấp một mô hình dự đoán kiệt
quệ tài chính, với một số lượng biến tương đối nhỏ, trình bày với độ chính xác dự đoán tương đối cao
và mối liên hệ chính xác 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 của các công ty ở
Vương quốc Anh, những đóng góp tương đối (cá nhân cũng như tập thể) của ba loại biến: tỷ lệ tài
chính, chỉ số kinh tế vĩ mô, và các biến của thị trường.
Bài viết này được cấu trúc như sau. Trong phần tiếp theo, chúng tôi thảo luận về lý thuyết có liên quan
đến cách tiếp cận mô hình của chúng tôi. chúng tôi mô tả cơ sở dữ liệu và thang đo các biến kết quả
của chúng tôi và thiết lập các biến giải thích. Các phương pháp ước lượng sẽ được thảo luận cùng với
phân tích, kết quả và kết luận.
2. Các lý thuyết
Hầu hết các mô hình dự báo vỡ nợ trước kia đã được các công ty niêm yết dùng làm một định nghĩa
của các kết quả tiêu chuẩn đó là căn cứ vào các kết quả hợp pháp cuối cùng của nó: hoặc phá sản tại
Hoa Kỳ và thanh lý bắt buộc và/hoặc tự nguyện của chủ nợ ở Vương quốc Anh. Đây là những kết quả

pháp lý có giá trị cao mà thể hiện yêu cầu khách quan và chính xác để sử dụng như một biến kết quả.
Khả năng phá sản có thể được mô phỏng bằng các mô hình lựa chọn nhị phân mà đòi hỏi rằng các
nhóm công ty thất bại và không thất bại phải xác định rõ và làm sáng tỏ phân chia tách bạch. Tuy
nhiên, định nghĩa về luật phá sản không phải là không có vấn đề. Ví dụ khả năng phá sản có thể là một
quá trình pháp lý kéo dài và kỳ hạn "hợp pháp" của việc phá sản không thể đại diện cho 'nền kinh tế'
hoặc hậu quả 'thực tế' của việc phá sản. Phân tích của các công ty Anh cho thấy một khoảng cách thời
gian đáng kể (lên đến ba năm hoặc trung bình 1,17 năm) giữa khoảng thời gian mà một công ty đi đến
trạng thái của kiệt quệ tài chính (đó là nguyên nhân công ty đi đến vỡ nợ) và thời điểm hợp pháp để vỡ
nợ/phá sản . Bằng chứng này là phù hợp với các nghiên cứu của Theodossiou (1993) rằng các công ty ở
Hoa Kỳ ngừng cung cấp tài khoản khoảng hai năm trước khi nộp hồ sơ phá sản. Ngụ ý rằng là một
công ty trong tình huống này là đã thực sự kiệt quệ tài chính nghiêm trọng 2 năm trước khi phá sản hợp
pháp. Hơn nữa, nó có thể là một công ty trong tình trạng kiệt quệ tài chính không thay đổi tình trạng
pháp lý mà sẽ buộc phải nộp hồ sơ phá sản (Balcaen & Ooghe, 2004). Ngoài ra, những thay đổi trong
luật phá sản, (ví dụ như Luật Doanh nghiệp năm 2004 tại Vương quốc Anh hoặc Chương 11 ở Mỹ) đã
cố gắng để tạo ra một "giải cứu văn hóa", đã làm thay đổi bản chất và thời gian của quá trình phá sản
hợp pháp. Wruck (1990) cho rằng có rất nhiều giai đoạn mà một công ty có thể đi qua trước khi nó
chết: kiệt quệ tài chính, phá sản, nộp đơn phá sản, và tiếp nhận quản trị (để tránh việc nộp đơn phá
sản). Hơn nữa sự suy tàn có thể được quản lý bằng việc bán tài sản (pre-packs-thanh lý) và giải thể cuối
cùng chứ không phải là phá sản chính thức.
Các nghiên cứu hiện nay giới thiệu lần đầu tiên, cho các công ty niêm yết tại Vương quốc Anh, định
nghĩa dựa trên 'kiệt quệ tài chính ". Sự phát triển này đã được nhấn mạnh là quan trọng trong các lý
thuyết (Barnes, 1987, 1990; Pindado, Rodrigues, và De la Torre,2008) và được chứng minh bằng thực
tế rằng sự thất bại của một doanh nghiệp để đáp ứng các nghĩa vụ tài chính của mình không tránh khỏi
dẫn đến việc nộp hồ sơ phá sản. Nghiên cứu nhận thấy rằng các kiệt quệ tài chính có thể rất tốn kém
cho chủ nợ và họ sẽ muốn có những hành động kịp thời để giảm thiểu/ngăn chặn những chi phí này.
Do đó, điều cần thiết là có một mô hình dự đoán kiệt quệ tài chính đáng tin cậy được phát triển để
không chỉ sử dụng các trường hợp phá sản là kết quả ban đầu, mà còn bao gồm thời gian khi một công
ty không đáp ứng các nghĩa vụ tài chính của mình. Wruck (1990) định nghĩa kiệt quệ tài chính như các
tình huống mà các dòng lưu chuyển tiền tệ của một công ty không đủ để trang trải các nghĩa vụ tài
chính hiện tại. Asquith, Gertner, và Scharfstein (1994) phân tích các trường hợp mà tổ chức phát hành

trái phiếu cấp thấp (hay còn gọi là trái phiếu có tính đầu cơ cao) đối phó để ngăn chặn tình trạng phá
sản và xác định kiệt quệ tài chính trong một cách tương tự. Định nghĩa của họ về kiệt quệ tài chính
3
được dựa trên tỷ lệ lợi nhuận. Trong thực tế, một công ty được phân loại là kiệt quệ về tài chính nếu
thu nhập của mình trước lãi suất, thuế, khấu hao và trả góp (EBITDA) là ít hơn so với báo cáo chi phí
tài chính của nó (chi phí lãi vay trong nợ) trong hai năm liên tiếp bắt đầu từ năm tiếp theo trái phiếu
cấp thấp của nó phát hành, hoặc, nếu trong bất kỳ năm nào khác, EBITDA là ít hơn 80% so với chi phí
lãi vay của nó. Tương tự như vậy, Andrade và Kaplan (1998) xác định kiệt quệ tài chính là năm đầu
tiên mà EBITDA của một công ty ít hơn so với chi phí tài chính.Tuy nhiên, các tác giả đã phân loại các
công ty trong thể loại này (ngoài các điều kiện đầu tiên) bất cứ khi nào một công ty cố gắng để tái cơ
cấu nợ, hoặc vỡ nợ.Việc thực hiện bất kỳ các điều kiện phân loại với một công ty như là kiệt quệ về
mặt tài chính. Whitaker (1999) phân tích các giai đoạn đầu của kiệt quệ tài chính và chỉ ra rằng hiệu
ứng của nó không giới hạn ở những doanh nghiệp không có khả năng đáp ứng các nghĩa vụ nợ theo
hợp đồng như đến hạn, mà còn cho những công ty có khả năng gia tăng vỡ nợ. Ông nói rằng, trên thực
tế, những tác động của kiệt quệ tài chính có thể được phát hiện trước khi công ty vỡ nợ, như là một
phần của sự suy giảm giá trị công ty trước khi xảy ra vỡ nợ hoặc phá sản. Whitaker (1999) định nghĩa
kiệt quệ tài chính năm đầu tiên mà dòng tiền của công ty ít hơn so với các kỳ hạn phải thanh toán hiện
tại của nợ dài hạn. Hơn nữa, giá trị thị trường được sử dụng để xác nhận kiệt quệ tài chính nghĩa là thời
điểm các doanh nghiệp khó khăn có hoặc là một tỷ lệ tăng trưởng tiêu cực trong giá trị thị trường hoặc
một tỷ lệ tăng trưởng tiêu cực trong công nghiệp được điều chỉnh theo giá trị thị trường.
Nghiên cứu trước đây đã thử nghiệm các hữu ích của biến thị trường trong việc dự đoán phá sản bằng
cách sử dụng các phương pháp như Black và Scholes (1973) and Merton (1974) tùy thuộc vào yêu cầu
hoặc tùy chọn dựa trên cách tiếp cận. Bharath và Shumway (2008), Hillegeist, Keating, Cram, và
Lundstedt (2004), và Reisz Perlich (2007), và Vassalou và Xing (2004) đã sử dụng các phương pháp
tùy thuộc vào các yêu cầu để ước tính khả năng thất bại của công ty. Gần đây số liệu về hoán đổi nợ
xấu (Credit Default Swaps) (giá cả và lây lan) đã được sử dụng để đại diện cho rủi ro tín dụng
(Alexander & Kaeck, 2008). Nhiều báo cáo thực nghiệm đã cố gắng để chứng minh tính ưu việt của
mô hình dựa trên thị trường hơn các mô hình dựa trên kế toán và ngược lại. Tuy nhiên, các kết quả thu
được từ các mô hình này (mà đòi hỏi rất nhiều giả định hạn chế) và sau đó so sánh hiệu suất với các mô
hình dựa trên kế toán đã gây nhiều tranh cãi. Trong một báo cáo gần đây, Agarwal và Taffler (2008)

thực hiện một so sánh các mô hình dự báo phá sản dựa vào thị trường và dựa trên kế toán, và thấy rằng
mô hình truyền thống dựa trên chỉ số tài chính không thua kém loại KMV, mô hình lựa chọn cho mục
đích đánh giá rủi ro tín dụng. Họ kết luận rằng, "về độ chính xác dự đoán, có rất ít sự khác biệt giữa các
mô hình dựa trên thị trường và kế toán. Hillegeist et al. (2004) cung cấp kết quả cho biết sự tương phản
rằng mô hình lựa chọn định giá Black-Scholes-Merton cung cấp nhiều thông tin đáng kể về khả năng
phá sản mà đã diễn ra Z-score của Altman hoặc O-score Ohlson. Như những lý thuyết dự đoán vỡ nợ
sớm hơn có thể được mô tả đặc điểm bởi một phương pháp tiếp cận cạnh tranh, nơi có sự phân chia rõ
ràng giữa các biến thị trường và biến kế toán. Hillegeist et al. (2004) Ví dụ, các nhà nghiên cứu khuyến
cáo sử dụng các phương pháp Black-Scholes-Merton thay vì các biện pháp kế toán dựa trên truyền
thống như là một đại diện cho khả năng xảy ra phá sản.
Nhiều nghiên cứu gần đây cho thấy rằng cả hai phương pháp mang lại kết quả tương tự như ngụ ý rằng
cả hai đều chứa thông tin hữu ích về khả năng vỡ nợ / kiệt quệ tài chính của công ty. Hơn nữa, các đặc
điểm cá nhân (ví dụ như tính kịp thời) của từng loại biến (thị trường và kế toán) đưa lời hứa cho sự
phát triển của một mô hình đó với hiệu suất cao hơn so với những mô hình mà dựa vào một trong hai
biến kế toán hoặc biến thị trường. Balcaen và Ooghe (2004) lập luận rằng nếu các nhà nghiên cứu chỉ
tính đến các chỉ tiêu tài chính vào mô hình dự đoán sự thất bại của họ, họ ngầm giả định rằng tất cả các
chỉ số thất bại hay thành công cả bên trong và bên ngoài, được phản ánh trong các tài khoản hàng năm.
Rõ ràng là báo cáo tài chính không bao gồm tất cả các thông tin có liên quan đến dự báo kiệt quệ tài
chính, và các biến của thị trường là rất có khả năng để bổ sung cho sự thiếu hụt này.
4
Rees (1995) cho thấy rằng giá cả thị trường có thể là một yếu tố dự báo hữu ích cho xác suất phá sản vì
chúng bao gồm thông tin về dòng tiền dự kiến trong tương lai. Với Hillegeist et al. (2004) thị trường
chứng khoán là một nguồn thay thế thông tin vì nó có chứa các thông tin từ các nguồn khác thêm vào
các báo cáo tài chính. Beaver, McNichols, và Rhie (2005) chỉ ra rằng một xác suất phá sản được thể
hiện vào trong giá cả thị trường, mặc dù xác suất này có thể không được trực tiếp được lấy ra: “ như là
xác suất phá sản làm tăng tính chất phi tuyến tính của các hàm lợi ích cho cổ phiếu phổ thông trở nên
ngày càng quan trọng hơn do rủi ro nợ và khoản nợ đến hạn. Rõ ràng việc tính đến các biến dựa trên thị
trường thì đang hấp dẫn với nhiều căn cứ: đầu tiên, giá thị trường phản ánh các thông tin trong báo cáo
kế toán cộng với các thông tin khác không có trong báo cáo tài chính (Agarwal & Taffler, 2008), làm
cho chúng một sự kết hợp toàn diện khả năng hữu dụng cho các dự báo phá sản của công ty. Thứ hai,

việc tính đến các biến dựa trên thị trường có thể tăng đáng kể về tính kịp thời của các mô hình dự báo;
trong khi các tài khoản tài chính có giá trị tại Vương quốc Anh trên cơ sở hàng quý, trong điều kiện tốt
nhất (nghiên cứu trước đó đã sử dụng dữ liệu thông thường hàng năm), giá thị trường là có giá trị trên
cơ sở hàng ngày. Thứ ba, giá thị trường có thể thích hợp hơn để dự đoán phá sản, vì chúng phản ánh
tương lai dòng tiền dự kiến (báo cáo kế toán, ngược lại, phản ánh các hoạt động trước đây của công
ty).Và, thứ tư các biến dựa vào thị trường có thể cung cấp một đánh giá trực tiếp tính biến động, một
biện pháp mà có thể là một yếu tố dự báo mạnh mẽ về rủi ro phá sản và nó cũng không bao gồm trong
báo cáo tài chính. Theo Beaver et al. (2005) quan niệm rằng càng biến động, khả năng phá sản cao hơn.
Trong số ít các nghiên cứu bao gồm một tập hợp các biến thị trường để nâng cao tính kịp thời và sức
mạnh của các mô hình dự báo kiệt quệ là Campbell, HILSCHER, và Szilagyi (2008), những người mà
có phân tích xem xét các yếu tố quyết định đến phá sản cũng như giá cả của các cổ phiếu kiệt quệ tài
chính với một xác suất phá sản cao thông qua một mô hình logit bao gồm các biến kế toán và thị
trường. Hơn nữa, một tập hợp của hai biến kế toán, một số biến thị trường được kiểm tra: lợi nhuận
hàng tháng trên vốn cổ phần của từng công ty liên quan đến chỉ số S & P 500, độ lệch chuẩn của lợi
nhuận cổ phần hàng ngày của mỗi công ty trong ba tháng qua, quy mô tương đối của mỗi công ty đo
bằng tỷ số vốn hóa thị trường của mình cho rằng là chỉ số S & P 500, và mỗi giá log của công ty chia
ngắn trên $ 15. Các ước tính của nghiên cứu được tính toán với dữ liệu Hoa Kỳ cho công ty đại chúng.
Tương tự như vậy, Chava và Jarrow thử nghiệm (2004) trong phân tích của mình, ngoài các biến kế
toán của Altman(1968), các biến được tính đến trong Shumway (2001): các biến kế toán thu nhập ròng
trên tổng tài sản và tổng nợ phải trả trên tổng tài sản; và các biến thị trường: quy mô tương đối được
định nghĩa là logarit tự nhiên của giá trị vốn chủ sở hữu của công ty liên quan đến tổng NYSE / AMEX
giá trị cổ phần thị trường, lợi nhuận thặng dư hàng năm được tính như lợi nhuân tích lũy hàng tháng
của công ty trừ đi giá trị CRSP NYSE / AMEX chỉ số lợi nhuận hàng tháng, và sự biến động của cổ
phiếu được tính như độ lệch chuẩn bằng cách sử dụng 60 quan sát của giá thị trường cuối mỗi ngày.
Trong Shumway (2001) các biến cùng một thị trường được kiểm tra trong mô hình dự báo phá sản với
một số thay đổi nhỏ, cụ thể là độ lệch tiêu chuẩn của lợi nhuận cổ phiếu mỗi công ty có đặc tính riêng,
mà giá trị được tính bằng sự sụt giảm lợi nhuận của mỗi cổ phiếu hàng tháng trên giá trị nghiêng NYSE
/ AMEX chỉ số lợi nhuận đối với cùng kỳ (năm). Gần đây hơn, Christidis và Gregory (2010), tìm hiểu
Campbell et al. (2008) và thử nghiệm ba biến thị trường trong một mô hình dự đoán cho các công ty
niêm yết Vương quốc Anh cũng bao gồm một tập hợp các biến kế toán. Như các biến thị trường, họ

thay thế giá trị sổ sách của tài sản với giá trị thị trường và kiểm tra xem log lợi nhuận thặng dư nửa
năm qua chỉ số FTSE All Share và độ lệch chuẩn lợi nhuận cổ phiếu công ty (tính toán trên một khoảng
thời gian sáu tháng) có thể tăng cường sức mạnh dự đoán của mô hình. Phát hiện của họ cho thấy rằng
giá trị thị trường có khả năng tăng độ chính xác của các mô hình dự đoán kiệt quệ.
Sự kết hợp của dữ liệu biến thời gian vào mô hình rủi ro tín dụng để ghi chép những thay đổi trong môi
trường kinh tế vĩ mô là quan trọng ở hai khía cạnh chính. Đầu tiên nó thêm một yếu tố năng động cho
5
các mô hình hoạt động để điều chỉnh rủi ro (khả năng vỡ nợ) liên quan đến việc thay đổi điều kiện kinh
tế vĩ mô. Thứ hai các mô hình như vậy sẽ tạo một cơ sở trong điều kiện thuận lợi để nhấn mạnh ước
tính kiểm nghiệm PD trên danh mục đầu tư. Có vài nghiên cứu đã kết hợp yếu tố vĩ mô dựa vào rủi ro
trong các phương trình (Mare, 2012; Nam, Kim, Park, Lee & 2008; Qu, 2008). Trong bài nghiên cứu
này chúng tôi kiểm soát các điều kiện vĩ mô, lạm phát và lãi suất thay đổi, qua giai đoạn mẫu.
Trong phần tiếp theo chúng tôi mô tả các cơ sở dữ liệu được sử dụng trong nghiên cứu này, xây dựng
các biến kết quả của chúng tôi và lựa chọn các biến độc lập
3. Mô tả cơ sở dữ liệu và xác định kết quả:
Bảng dữ liệu để nghiên cứu bao gồm quan sát năm của 23.218 công ty với tổng số 3.020 công ty phi tài
chính niêm yết công khai, trung bình khoảng 8 quan sát hàng năm cho mỗi công ty. Thời gian quan sát
trong phạm vi cơ sở dữ liệu 1980-2011.
3.1. Xác định kết quả:
Các phân tích triển vọng yêu cầu một định nghĩa của kiệt quệ tài chính, trong đó có thể được xem như
là kết quả của một quá trình. Cùng với các cuộc thảo luận trước đó và các nghiên cứu gần đây chúng
tôi tập trung vào khả năng của một công ty trả nghĩa vụ tài chính (Asquith et al., 1994). Chúng tôi phát
triển một mô hình để ước lượng khả năng kiệt quệ tài chính theo Pindado et al. (2008) trong đó sử dụng
hai điều kiện chính mà cần phải được đáp ứng để phát hiện và dự đoán kiệt quệ tài chính đã quy định
công ty / năm (quan sát): một công ty được phân loại là kiệt quệ về tài chính, i) bất cứ khi nào thu nhập
của công ty trước lãi vay và khấu hao thuế và trả góp (EBITDA) là thấp hơn so với chi phí tài chính
trong hai năm liên tiếp; và ii) bất cứ khi nào các doanh nghiệp bị tăng trưởng âm về giá trị thị trường
trong hai năm liên tiếp. Liên quan đến các điều kiện đầu tiên, nếu EBITDA là thấp hơn so với chi phí
lãi vay của công ty thì có thể kết luận rằng lợi nhuận hoạt động của công ty là không đủ để trang trải
các nghĩa vụ tài chính của mình; Mặt khác, với tham chiếu đến các điều kiện thứ hai, Pindado et al.

(2008) cho rằng thị trường cũng như các bên năm giữ cổ phần có khả năng để đánh giá tiêu cực một
công ty bị thâm hụt hoạt động (được mô tả trong các điều kiện đầu tiên) cho đến khi một sự cải tiến
trong điều kiện tài chính được thấy trở lại. Như vậy, việc giảm giá trị thị trường trong hai năm liên tiếp
được hiểu như là một dấu hiệu cho thấy một công ty có ảnh hưởng trong kiệt quệ tài chính. Theo
Pindado et al. (2008), do đó nghiên cứu này giới thiệu một cách tiếp cận năng động, một sự phát triển
mới trong định nghĩa kiệt quệ tài chính hiện hành. Các biến lợi nhuận trước lãi, khấu hao thuế và trả
góp (EBITDA) và chi phí lãi trên nợ được lấy từ Thomson One Banker. Để tính toán những thay đổi
trong giá trị thị trường cho các công ty trong cơ sở dữ liệu, nghiên cứu này sử dụng các thông tin có sẵn
trong cả hai Thomson One Banker và Datastream.
Tuy nhiên, nghiên cứu này nhận ra sự cần thiết phải bao gồm một chỉ số phá sản thêm vào định nghĩa "
nền tảng tài chính” trước đây của khủng hoảng để hoàn thành các khái niệm về kiệt quệ tài chính và do
đó nâng cao mục tiêu và sáng suốt/dự đoán hiệu lực của mô hình cho mục đích thực tế.
Một định nghĩa dựa trên Christidis và Gregory (2010) đã được sử dụng. Như vậy, một công ty được
phân loại như là trong kiệt quệ tài chính không chỉ khi nó đáp ứng hai điều kiện trước đó, mà còn khi
nó được xem là đã chính thức vỡ nợ về nghĩa vụ của mình. Các định nghĩa của biến kết quả được xây
dựng sử dụng các thông tin có hiệu lực trong năm 2012 London Share Price Database(LSPD). Một
công ty được định nghĩa như trong phá sản/ kiệt quệ tài chính bất cứ khi nào tình trạng của nó được xác
định là bị đình chỉ, trong thanh lý hoặc thanh lý tự nguyện, khi giá thị trường của nó đã bị đình chỉ hơn
ba năm, khi công ty được cứu giúp bởi một người nhận (trong trách nhiệm quản lý tài sản), trong quản
lý tài sản hoặc trách nhiệm quản lý tài sản hành chính, hoặc khi đã có một sự hủy bỏ hoặc đình chỉ
công ty.
6
Như vậy, một công ty được phân loại là kiệt quệ tài chính khi tình trạng LSPD (2012) của nó bằng bất
kỳ các định nghĩa sau đây (mà đưa ra lý do tại sao sự bảo đảm không còn được trích dẫn trong các
SEDOL): 6) Đình chỉ / hủy bỏ với cổ phiếu đã mua sau. Trong khi đó, có thể được giải quyết theo
nguyên tắc 163/2; 7) Thanh lý (thường là ít giá trị, nhưng có thể được thanh lý; 10) Giá thị trường bị
hoãn - Nếu đình chỉ hơn ba năm, điều này có thể dẫn đến hủy tự động; 11) thanh lý tự nguyện, nơi mà
giá trị vẫn còn, và đã / đang được phân phối; 16) người được bổ nhiệm /thanh lý. Có lẽ không có giá trị
nhưng vẫn chưa chắc chắn; 20) Trong quản lý tài sản/trách nhiệm quản lý tài sản hành chính; 21) Hủy
bỏ và giá định giá trị nhỏ hoặc bị đình chỉ nhưng giả định giá trị nhỏ. Ngoài ra, phân tích hiện tại cũng

theo dõi các ngày cụ thể khi một trong những sự kiện xảy ra.
Để đơn giản, trong phần còn lại của cuộc nghiên cứu này, các biến phụ thuộc nhị phân bao gồm cả các
định nghĩa của doanh nghiệp phá sản nêu trên và kiệt quệ tài chính sẽ được gọi là “chỉ số kiệt quệ tài
chính". Theo đó, tất cả các doanh nghiệp được phân loại như phá sản hoặc kiệt quệ về tài chính, sẽ
được gọi là “tình trạng kiệt quệ về tài chính” hoặc “kiệt quệ tài chính”. Trong tổng các số quan sát, có
1.254 công ty mỗi năm phân loại là kiệt quệ về tài chính; chiếm một tỷ lệ 5% của các quan sát hàng
năm trong kiệt quệ tài chính (Bảng 1). Các số liệu kế toán có giá trị được lấy từ Datastream và
Thomson One Banker (Worldscope); các biến kinh tế vĩ mô đã được thu thập từ Datastream; và các
biến thị trường đã được xây dựng kết hợp các thông tin có sẵn từ Datastream, cơ sở dữ liệu London
Share Price và Worldscope. Thông tin thị trường được bổ sung vào các công ty đã được tìm thấy trong
cơ sở dữ liệu Thomson One Banker. Sự kết hợp của các biến kế toán và thị trường trong một cơ sở dữ
liệu dẫn đến các công ty ít có cả hai thị trường hoàn hảo dựa trên chuỗi thời gian hơn so với thông tin
kế toán.
Bảng 2 trình bày các số liệu thống kê tóm tắt cho 379 công ty phá sản không được phân loại theo các
định nghĩa của các doanh nghiệp thất bại trong nghiên cứu này bằng cách sử dụng cơ sở dữ liệu LSPD
2012. Trong số 381 công ty phá sản, 379 đã được sử dụng để tính toán các số liệu thống kê tóm tắt.
Bảng B trong Bảng 2 cho thấy, trong số các công ty đã hình thành các mẫu của các công ty phá sản; có
độ trễ rằng khoảng 0-36 tháng trước khi ngày thất bại. Nói cách khác, các doanh nghiệp đang gặp khó
khăn về tài chính, mà cuối cùng thất bại, ngừng cung cấp tài khoản trung bình 1,17 năm trước khi ngày
của thất bại. (nghĩa là các công ty mà phá sản giấu việc cung cấp các tài khoản cho đến ngày thất bại)
và độ trễ tối đa quan sát được là 36; một công ty trong mẫu ngừng cung cấp tài khoản chính thức 3 năm
trước khi thất bại.
Ghi chú: Bảng này báo cáo thống kê tổng hợp cho toàn bộ mẫu được sử dụng trong việc xây dựng các
mô hình dự báo kiệt quệ tài chính. NFD và FD là tài chính và doanh nghiệp không kiệt quệ tài chính.
FD% là tỷ lệ (phần trăm) của các quan sát hàng năm đáp ứng các tiêu chí kiệt quệ tài chính của
nghiên cứu. Các tiêu chí được sử dụng để phân loại các công ty thành công ty tài chính, không kiệt quệ
về tài chính như quan sát. Một công ty được phân loại là FD khi các tài tiệu cho phá sản (định nghĩa
được xây dựng bằng cách sử dụng cơ sở dữ liệu London Share Price, xem chi tiết bên dưới), hoặc bất
cứ khi nào nó đáp ứng cả hai điều kiện sau đây: i) thu nhập của công ty trước lãi vay và khấu hao thuế
và trả góp (EBITDA) thấp hơn so với chi phí tài chính trong hai năm liên tiếp, và ii) có mức tăng

trưởng tiêu cực của giá trị thị trường của nó cho hai giai đoạn liên tiếp.
7
Trong phần ghi chú chi tiết các mô hình có hai mục tiêu chính. Đầu tiên, mục đích là để xây dựng mô
hình chính xác và kịp thời hơn dự đoán kiệt quệ tài chính, sử dụng dữ liệu đó là có giá trị thường
xuyên. Các mô hình được thiết kế để có được kết quả chính xác hơn so với những nghiên cứu trước đó
trong lĩnh vực hàn lâm và được xây dựng với một cách tiếp cận kỹ lưỡng từ đó họ đã dự định đạt giá trị
thực tiễn. Hơn nữa, Zmijewski (1984) và gần đây Pindado et al. (2008) đã chỉ ra rằng trong thực tế,
một tập hợp lớn của các biến là không cần thiết cho các mô hình để đạt mức hiệu quả tối đa. Pindado et
al. (2008), ví dụ, sử dụng một tập hợp gồm ba biến kế toán để đạt được một mức độ chính xác cao
trong mô hình dự báo kiệt quệ tài chính. Các biến được sử dụng trong nghiên cứu của họ là những tỷ lệ
thu nhập trước lãi vay và thuế trên tổng tài sản, chi phí tài chính trên tổng tài sản và lợi nhuận giữ lại
trên tổng tài sản, những biến đó lần lượt đại diện cho lợi nhuận, chi phí tài chính và lợi nhuận giữ lại.
Zmijewski (1984) sử dụng một tập hợp các biến kế toán bao gồm các đại diện cho thu nhập trên tài sản,
đòn bẩy tài chính, và tính thanh khoản. Hơn nữa, trong một nghiên cứu dự định để kiểm tra các mối
quan hệ thực nghiệm giữa nguy cơ phá sản và rủi ro hệ thống thông qua việc xây dựng một điểm tổng
hợp duy nhất phản ánh xác suất phá sản cho một công ty tại một thời điểm, Dichev (1998) sử dụng
phương pháp bắt nguồn từ việc thoát khỏi mô hình kế toán như mô hình 5-variable Altman (1968) Z,
và mô hình 7-variable Ohlson (1980) logit.
Mục tiêu thứ hai của phân tích là để kiểm tra tính hữu ích của các biến phi-kế toán khác, cụ thể là biến
số kinh tế vĩ mô và thị trường, đối với những đóng góp của chúng cho sự chính xác và kịp thời của các
mô hình dự báo kiệt quệ tài chính của các công ty niêm yết. Chúng tôi điều tra xem liệu các biến kinh
tế vĩ mô và thị trường tăng cường nâng cao phân biệt và dự đoán của các mô hình. Đã có vài nghiên
cứu phân tích hiệu suất của ba loại của các biến này trong mô hình dự báo kiệt quệ tài chính thống kê.
Nó được coi là quan trọng để điều tra các biến kinh tế vĩ mô và thị trường vì trước hết nó có tiềm năng
hữu ích để hoạt động như một thành phần bổ sung cho các biến kế toán và sau là điều chỉnh các điểm
ước tính khi có những thay đổi trong môi trường kinh tế vĩ mô và cung cấp cơ sở để áp đặt các kịch bản
thử nghiệm kiệt quệ.
Tất nhiên, số liệu kế toán chỉ có thể được lấy trên cơ sở hàng năm, vì vậy ngay cả khi phân biệt sức
mạnh của một số mô hình trước đó và được sử dụng rộng rãi (như Altman (1968) mô hình) là khá cao,
luôn luôn có những rủi ro của việc dựa vào thông tin quá cũ. Hơn nữa, thông qua một phân tích chi tiết

các hình thức cực đoan nhất của kiệt quệ tài chính, doanh nghiệp phá sản, nghiên cứu này cho thấy
rằng các công ty được phân loại là thất bại, thì đã ngừng cung cấp dữ liệu kế toán một năm tính trung
bình (14 tháng) trước ngày phá sản thực tế.
Từ cơ sở dữ liệu, bao gồm 130 biến trong tổng số, một số số liệu kế toán, kinh tế vĩ mô, và các biến thị
trường đã được thử nghiệm. Việc lựa chọn biến cuối cùng được báo cáo phía dưới. Các phương pháp
lựa chọn dựa trên kết quả báo cáo trước đó, đề xuất lý thuyết và thực nghiệm đánh giá. Các dữ liệu phải
8
tuân theo quá trình thử nghiệm nghiêm ngặt và phương pháp mới để đối phó với các quan sát cách xa
đã được chấp nhận. Sử dụng cả thử nghiệm đơn biến và đa biến (logit) đã được thực hiện để đi đến lựa
chọn cuối cùng của biến hồi quy. Việc lựa chọn biến bao gồm bốn tỷ lệ kế toán: Tổng quỹ từ hoạt động
trên tổng nợ phải trả, Tổng khoản nợ trên Tổng tài sản, khoảng phi tín dụng, và hệ số khả năng thanh
toán lãi vay; hai biến kinh tế vĩ mô: lãi suất hối phiếu ngắn hạn (điều chỉnh lạm phát hay giảm phát), và
chỉ số giá bán lẻ (căn cứ vào 100). Bốn biến thị trường đã được tìm thấy tăng đáng kể độ chính xác dự
đoán của mô hình: giá cổ phần của công ty, lợi nhuận bất thường hàng năm của công ty, quy mô của
công ty trên tổng quy mô của giá trị thị trường FTSE All-Share, và Vốn tỷ lệ thị trường trên Tổng nợ.
Các biến này được thảo luận chi tiết dưới đây.
Do sự tồn tại của các giá trị vô cùng của biến đối với một số quan sát trong cơ sở dữ liệu nhiều nhất
(mà có thể làm thay đổi đáng kể các kết quả phân tích), các nghiên cứu hiện nay sử dụng, lần đầu tiên
trong mô hình dự báo kiệt quệ tài chính, sự chuyển đổi ngược (chuyển đổi TANH) để cung cấp một
giải pháp thỏa đáng cho vấn đề này, ưu tiên sử dụng kỹ thuật windsorising (17) – các giá trị ngoại lai
trong một tập dữ liệu. Theo Godfrey (2009), khi sử dụng công cụ thống kê này, các dòng số thực được
sắp xếp trong khoảng [-1,1], và trong đó x sở hữu một giá trị nhỏ, sau đó TANH (x) ≈ x. Vì vậy,
TANH có thể được sử dụng để tạo ra một biến đổi tuyến tính cho các giá trị đầu vào đã nằm gần các
giá trị 'dự kiến' khi giảm giá trị nằm ngoài phạm vi dự kiến (Godfrey, 2009) (18)
3.2. Lựa chọn biến độc lập:
3.2.1. Tỷ lệ kế toán
Một loạt các biến độc lập tiềm năng đã được lựa chọn và thử nghiệm dựa trên các nghiên cứu thực
nghiệm hiện có. Đối với vấn đề các biến kế toán lầ bốn tỷ lệ: Tổng vốn từ hoạt động trên tổng nợ phải
trả, Tổng khoản nợ trên Tổng tài sản, khoảng phi tín dụng, và hệ số khả năng thanh toán đã được lựa
chọn. Biến số, Tổng vốn từ hoạt động trên tổng nợ phải trả (TFOTL), tỷ lệ dòng chảy vốn mà đại diện

cho thước đo hiệu suất, được xây dựng bằng cách sử dụng dữ liệu có sẵn trong Worldscope. Tổng vốn
từ hoạt động đại diện cho tổng thu nhập ròng và tất cả các khoản phải trả không bằng tiền mặt hoặc tín
dụng; nó là dòng tiền của công ty. Mẫu số của tỷ lệ, tổng nợ phải trả, bao gồm tất cả các khoản nợ ngắn
và dài hạn được mua lại bởi công ty. Biến này đã được sử dụng thành công trong các nghiên cứu khác,
ví dụ: Marais (1979) trong một nghiên cứu của Ngân hàng Anh, và Ohlson (1980). Tỷ lệ này nhằm
mục đích để cho thấy mức độ mà một công ty có thể tạo ra tiền từ hoạt động kinh doanh để đáp ứng các
nghĩa vụ tài chính của mình. Các dòng số thực của TFOTL có thể được sắp xếp trong đoạn [-1,1], trong
đó một giá trị dương cho thấy một vị thế tốt của các công ty liên quan đến nghĩa vụ tài chính của mình
và một giá trị âm với gợi ý rằng một công ty có thể là ở trong vị thế không tạo ra đủ nguồn tiền từ các
hoạt động của mình để tuân thủ nghĩa vụ nợ của nó và có thể vỡ nợ. Gía trị của tỷ lệ tài chính này càng
cao, càng ít có khả năng một công ty sẽ rơi vào vị thế tài chính kiệt quệ. Một dấu âm cho tỷ lệ này được
mong đợi, khẳng định giả thuyết trên là giá trị tỷ lệ này càng cao (gần 1) làm giảm xác suất của kiệt
quệ tài chính (dấu dự kiến là âm).
Tỷ lệ Tổng số khoản nợ trên Tổng tài sản (TLTA) là một thước đo của đòn bẩy tài chính. Các dữ liệu
được sử dụng để tạo ra biến này cũng được lấy từ Worldscope (như trường hợp của hầu hết các tỷ lệ kế
toán trong nghiên cứu này). Tổng số nợ phải trả, như đã thảo luận, bao gồm tất cả các khoản nợ ngắn
hạn và dài hạn được mua lại bởi một công ty. Mẫu số, tổng tài sản của các công ty công nghiệp, là tổng
của tổng tài sản hiện nay, các khoản phải thu dài hạn, đầu tư vào công ty con chưa hợp nhất, các khoản
đầu tư khác, quyền sở hữu thực nhà máy và trang thiết bị và các tài sản khác. Tỷ lệ này thường được sử
dụng để đo đòn bẩy tài chính của một công ty (và ngoài ra là rủi ro tài chính) bằng cách tính tỷ lệ tài
sản của công ty đã được tài trợ bằng nợ ngắn hạn và dài hạn. Zmijewski (1984) đưa TLTA (đại diện là
FINL) vào trong một mô hình kế toán ba biến, nơi mà nó hiển thị đúng dấu hiệu dự kiến và có ý nghĩa
9
thống kê. Nhiều nghiên cứu gần đây, chẳng hạn như Shumway (2001) và Chava và Jarrow (2004) tại
Hoa Kỳ, và Christidis và Gregor (2010) ở Vương quốc Anh, đã thử nghiệm nó và khẳng định sự nhất
quán và đóng góp của nó đến mô hình dự báo phá sản/vỡ nợ. Các dòng số thực của TLTA có thể được
sắp xếp trong khoảng [-1,1], trong đó, giá trị dương, càng lúc càng gia tăng cho thấy một đòn bẩy càng
cao của công ty. Hơn nữa, đòn bẩy càng cao, rủi ro tài chính được sinh ra bởi các công ty càng cao và
do đó xác suất của kiệt quệ tài chính cao hơn. Điều này là do một công ty có đòn bẩy cao (tỷ lệ TLTA
cao) có thể nhận thấy chính nó trong một vị thế rất khó khăn và nguy hiểm nếu chủ nợ đòi trả nợ theo

hợp đồng. Tương tự như vậy, một giá trị nhỏ hoặc âm của tỷ lệ kế toán TLTA chỉ ra rằng tài sản của
công ty được tài trợ bằng vốn chủ sở hữu thay vì nợ. Dấu dương dự kiến của biến được mong đợi trong
phân tích, cho thấy một giá trị cao của tỷ lệ TLTA (một đòn bẩy cao) có tác động tích cực đối với xác
suất của kiệt quệ tài chính. Trong phân tích hiện nay, nó được kiểm tra xem liệu các tỷ lệ TLTA có thể
tăng độ chính xác của các mô hình dự báo kiệt quệ tài chính mới cho các công ty của Anh hay không.
Biến khoảng phi tín dụng (NOCREDINT) được thiết kế để đo lường tính thanh khoản (Agarwal &
Taffler, 2007; Taffler, 1983). Graham (2000) định nghĩa các biến khoảng phi tín dụng là 'ước tính chiều
dài của thời gian mà một công ty có thể tài trợ cho các chi phí kinh doanh của mình, ở mức hiện tại của
hoạt động, bằng cách dùng các nguồn tiền riêng của mình và giả định rằng nó không có thêm doanh số.
(19) Các đầu vào cần thiết để tạo biến kế toán này được lấy từ Worldscope: tài sản khả dụng ngắn hạn,
tổng nợ ngắn hạn, Doanh số, Thu nhập trước lãi vay và thuế, và khấu hao. Biến NOCREDINT đã được
tính toán theo công thức sau đây (tài sản khả dụng ngắn hạn trừ nợ ngắn hạn) / (chi phí hoạt động hàng
ngày). Trong đó tài sản khả dụng ngắn hạn đại diện cho các tài sản có thể được nhanh chóng và dễ
dàng chuyển đổi thành tiền mặt hoặc đã ở dạng tiền mặt. Công thức để tính tài sản khả dụng ngắn hạn
là tài sản hiện tại trừ đi tồn kho. Tương tự như vậy, chi phí hoạt động hàng ngày là bằng (Doanh thu trừ
Thu nhập trước lãi vay và thuế trừ đi khấu hao) / 365. Số liệu kết quả của công thức này, như mong
đợi, là số ngày mà một công ty có thể tài trợ cho các chi phí của mình bằng cách rút các nguồn lực hiện
tại của mình. Tuy nhiên, như đã giải thích trước đây, tỷ lệ này đã được chuyển đổi bằng cách sử dụng
chức năng “TANH” để xử lý các vấn đề về giá trị cách xa của biến mà có thể có một tác động bất
thường đến sự chính xác những dự đoán hợp lý cực đại tuyến tính cũng như kích thước của các số dư
sinh ra từ hồi quy logistic nhị phân. Sau khi chuyển đổi TANH, dòng số thực của biến OCREDINT có
thể sắp xếp lên khoảng [-1,1], trong đó giá trị dương, càng lúc càng lớn cho thấy một khả năng ngày
càng tăng khả năng các công ty để tài trợ cho các chi phí kinh doanh của mình có tính luân chuyển và
nguồn luân chuyển đã tạo mức hoạt động hiện tại. Ngược lại, giá trị nhỏ hay âm của biến này cho thấy
một tình trạng thanh khoản bấp bênh của các công ty có khả năng dẫn đến một vị thế căng thẳng về
nghĩa vụ tài chính. Dấu âm của khoảng phi tín dụng được mong đợi, giả thuyết rằng một giá trị cao của
các biến cần phải có một tác động tiêu cực đến xác suất kiệt quệ tài chính của công ty.
Tỷ lệ kế toán cuối cùng là hệ số khả năng thanh toán và đo lường khả năng trả lãi trên dư nợ của một
công ty (Altman & Sabato, 2007). Do đó, hệ số khả năng thanh toán đã được tính toán bằng cách chia
biến thu nhập trước lãi, thuế và khấu hao (EBITDA)(20) cho biến chi phí lãi vay hoặc chi phí lãi của

nợ mà đại diện cho phí dịch vụ về việc sử dụng vốn trước khi giảm trừ lãi được vốn hóa. Thông
thường, một giá trị nhỏ hơn 2-2,5 cho thấy rằng công ty có thể gặp phải rắc rối trong việc đáp ứng các
nghĩa vụ tài chính của mình; do đó giá trị dưới ngưỡng này nên được coi là một dấu hiệu cảnh báo
nghiêm trọng: Các công ty không tạo ra đủ tiền mặt từ các hoạt động của nó, được đo bằng lợi nhuận
trước lãi, thuế và khấu hao (EBITDA), để đáp ứng chi phí lãi vay của nợ. Một giá trị lớn hơn 2,5 được
hiểu là các công ty có khả năng tạo ra tiền từ hoạt động kinh doanh để đáp ứng trả lãi vay. Trong
nghiên cứu này, là hệ số khả năng thanh toán cũng đã được chuyển đổi bằng cách sử dụng chức năng
TANH trong để xử lý các vấn đề về giá trị cách xa của biến mà có thể có một tác động bất thường đến
sự chính xác những dự đoán hợp lý cực đại tuyến tính cũng như kích thước của các số dư sinh ra từ hồi
quy logistic nhị phân. Sau khi chuyển đổi TANH, dòng số thực của biến COVERAGE có thể được sắp
xếp lên khoảng [-1,1], trong đó một giá trị dương, càng lúc càng lớn cho thấy một khả năng ngày càng
10
tăng của các công ty để đáp ứng các nghĩa vụ nợ của mình. Do đó dấu âm của biến COVERAGE được
mong đợi, giả thuyết rằng một giá trị của biến cao cần phải có một tác động tiêu cực đến xác suất kiệt
quệ tài chính.
3.2.2. Biến số kinh tế vĩ mô
Ngoài tỷ lệ kế toán, hai biến kinh tế vĩ mô đã được lựa chọn (trong một danh sách gồm 11 chỉ số kinh
tế vĩ mô) và đưa vào mô hình cuối cùng: chỉ số Giá bán lẻ (RPI), và lãi suất tín phiếu kho bạc ngắn hạn
(3 tháng) của Anh đã loại bỏ lạm phát (hoặc lãi suất tín phiếu kho bạc ngắn hạn thực), cả hai đều được
biểu diễn theo tỷ lệ từng năm trong nghiên cứu này. Biến kinh tế vĩ mô đầu tiên, Chỉ số giá bán lẻ, một
thước đo lạm phát, được lấy từ Datastream (Văn phòng Thống kê quốc gia là nguồn chính), và nó được
định nghĩa bởi Thomson Financial là "một thước đo trung bình của sự thay đổi trong giá cả của hàng
hóa, dịch vụ mua cho mục đích tiêu dùng của đại đa số các hộ gia đình ở Anh. "Chỉ số giá bán lẻ được
biên soạn và xuất bản hàng tháng. Có một vài nghiên cứu dự đoán kiệt quệ/vỡ nợ mà ở đó biến này đã
được thử nghiệm, và mối quan hệ của nó với các xác suất vỡ nợ thì khác nhau trong các nghiên cứu. Là
thước đo của lạm phát, và do đó là một "áp lực rủi ro tiềm ẩn" tạo động lực cho những quyết định tiết
kiệm để đầu tư vào chúng hơn là không làm gì để thấy sức mua của chúng xói mòn hơn nữa trong
tương lai thông qua lạm phát, nó được mong đợi rằng khả năng chấp nhận rủi ro các nhà đầu tư tăng
lên trong cùng một hướng, do đó làm giảm xác suất vỡ nợ của một công ty, như được thảo luận bởi Qu
(2008). Tuy nhiên, như tác giả thừa nhận, chiều hướng của các mối quan hệ giữa lạm phát và xác suất

phá sản đã không được thiết lập một cách rõ ràng do sự "phức tạp của hiệu ứng lạm phát lên nền kinh
tế.(21) Mặt khác Mare (2012), phát triển một mô hình dự đoán sụp đổ cho các ngân hàng và đặt nền
móng rằng các thước đo của lạm phát tương quan dương đến xác suất vỡ nợ. Lý giải của ông là lạm
phát cao hơn do hệ quả của một môi trường kinh tế vĩ mô nhìn chung còn yếu, do đó làm tăng số lượng
các ngân hàng khủng hoảng kinh tế. Bây giờ, vì có mối quan hệ trực tiếp giữa các ngân hàng và các
ngành công nghiệp, mà độ lớn của nó phụ thuộc vào sự lựa chọn cơ cấu vốn của từng công ty (tỷ lệ nợ
trên vốn chủ sở hữu), giả thuyết nghiên cứu này là một RPI cao làm tăng xác suất sụp đổ của doanh
nghiệp. Do đó, dấu dương của biến ước lượng RPI được mong đợi, giả thuyết rằng một giá trị cao của
biến này cần phải có một tác động tích cực đến xác suất kiệt quệ tài chính của công ty.
Biến kinh tế vĩ mô thứ hai đã bao gồm trong mô hình là ngắn và lãi suất tín phiếu kho bạc ngắn hạn đã
loại bỏ lạm phát (SHTBRDEF), đại diện cho lãi suất 'thực tế' của tín phiếu Kho bạc Anh kì hạn 3 tháng
trên một cơ sở hàng năm. Hai nguồn chính được sử dụng để xây dựng các chỉ số này: từ website ngân
hàng trung ương Anh (22) mức lãi suất chiết khấu được thu thập từ 1985-2011; và từ Datastream, tỷ lệ
lạm phát được sử dụng để loại bỏ lạm phát khỏi lãi suất chiết khấu cùng kỳ. Tín phiếu kho bạc được
xác định là Chứng khoán của Chính phủ trả cho người cầm phiếu đại diện cho một khoản phí do Quỹ
bình ổn của Anh ban hành với mệnh giá tối thiểu là £ 5000 được bán với giá chiết khấu, kỳ hạn không
quá một năm. Tín phiếu kho bạc thường được coi như là đầu tư ít rủi ro nhất. Chúng có tính chuyển đổi
cao hơn các công cụ khác (có kỳ hạn từ 0 đến 15 năm) và do đó mức lãi suất của tín phiếu kho bạc
thường thấp hơn chứng khoán dài hạn. Các nghiên cứu này bao gồm tỷ lệ chiết khấu hàng năm ở mức
là 91 ngày (3 tháng) để thử nghiệm một phương pháp khác nhằm nắm bắt được trạng thái của môi
trường kinh tế vĩ mô có khả năng có thể có ảnh hưởng đến xác xuất kiệt quệ tài chính của các công ty
công nghiệp. Chỉ số này là một đại diện cho lãi suất, mà tương tự như các biến RPI, rất có khả năng
ảnh hưởng đến các công ty công nghiệp theo cơ cấu vốn của họ. Hạ lãi suất tạo điều kiện cho doanh
nghiệp vay vốn để đầu tư mới thiết bị, hàng tồn kho, hạ tầng, nghiên cứu và phát triển,vv. Hơn nữa,
ngày nay, lợi nhuận kỳ vọng của công ty cho đầu tư ngày càng cao hơn khi các tỷ lệ đang ở mức thấp
hơn so với khi chúng cao, điều này có tác dụng như một động lực cho các doanh nghiệp đầu tư nhiều
hơn khi họ hoạt động trong một môi trường lãi suất thấp. Vay kinh doanh có lẽ bị ảnh hưởng nhất bởi
lãi suất cao; công ty có thể cần các khoản vay ngắn hạn để bù đắp tạm thời hoặc chi phí ngắn hạn, tiền
11
lương nhân viên Do đó một mức tỷ lệ lãi suất cao làm cho chi phí của các khoản nợ cao hơn, các

công ty sẽ phải trả lãi suất cho người cho vay nhiều hơn. Do đó, giả định rằng một giá trị cao về mức
độ SHTBRDEF sẽ tăng khả năng thất bại. Một dấu dương được dự đoán của biến SHTBRDEF, gợi ý
rằng một giá trị cao của biến này sẽ có một tác động tích cực đến khả năng thất bại về tài chính của các
công ty.
3.2.3. Các biến thị trường
Nghiên cứu bao gồm bốn biến thị trường trong mô hình để kiểm tra xem chúng làm tăng sức mạnh dự
đoán của mô hình kinh tế vĩ mô và kế toán. Biến đầu tiên là giá cổ phiếu của công ty (PRICE). Dữ liệu
giá cổ phiếu được thu thập từ các cơ sở dữ liệu Datastream. Các giả định ngầm được sử dụng trong
nghiên cứu này để biện minh giá cổ phiếu trên thị trường trong mô hình phản ánh một tập hợp nhiều
loại thông tin liên quan đến các luồn tiền trong tương lai mà có thể được dự kiến từ phần cổ tức của
công ty và theo gợi ý của Rees (1995), "Một tập hợp con của các thông tin đó có liên quan đến khả
năng thanh lý và các tác động của dòng tiền. Vì vậy, nó được dự kiến là giá cổ phiếu chứa đựng các
thông tin liên quan đến xác suất của kiệt quệ tài chính ngay cả khi chúng không phải là một dụng cụ đo
lường trực tiếp xác suất đó (Beaver et al., 2005). Nó cũng giả định rằng giá thị trường sẽ diễn ra như
một sự bổ sung vào báo cáo tài chính và thông tin kinh tế vĩ mô bằng cách tăng cường sức mạnh tiên
đoán của mô hình chung, và không phải là cạnh tranh hay thay thế loại trừ lẫn nhau mà nên được sử
dụng độc lập. Nguyên nhân là do giá cổ phiếu kết hợp với số liệu báo cáo tài chính cũng như các thông
tin công bố công khai khác như là đầu vào, khả năng làm cho thị trường xử lý các thông tin công bố
công khai một cách hiệu quả hơn các số liệu kế toán độc lập (Rees, 1995) và do đó tăng độ chính xác
tổng thể của mô hình dự đoán kiệt quệ tài chính. Người ta cho rằng tình hình tài chính của các công ty
có thể dẫn đến sự tổ chức lại danh mục đầu tư, điều này ảnh hưởng và điều chỉnh giá cổ phiếu trước sự
kiện kiệt quệ tài chính. Hơn nữa, Beaver et al. (2005), đưa ra rằng “Khi xác suất phá sản tăng lên, tính
chất phi tuyến tính của các hàm lợi ích cho cổ phiếu phổ thông trở nên ngày càng quan trọng hơn vì các
khoản nợ rủi ro và trách nhiệm pháp lý bị hạn chế". Tuy nhiên, nó có thể cũng là trường hợp mà một số
giá cổ phiếu kết hợp thông tin ngẫu nhiên không trực tiếp liên quan đến các khó khăn tài chính hoặc
quá trình phá sản, như đã trình bày bởi Rees (1995), và điều này có thể mở đầu sự loan truyền vào phân
tích và làm suy yếu độ chính xác dự đoán của mô hình. Tuy nhiên, đã có nghiên cứu cho rằng giá cổ
phiếu đã có một tác động tích cực trên các sức mạnh dự đoán của mô hình (Beaver, 1966; Beaver et al,
2005. Christidis & Gregory, 2010). Hơn nữa, dự đoán độ chính xác cao của một mô hình dự báo kiệt
quệ không phải là lợi ích tiềm năng duy nhất rút ra từ tập hợp của các giá cổ phiếu; sự kịp thời của các

mô hình này cũng có thể được cải thiện rất nhiều (Keasey & Watson, 1991). Theo đó, đến mức mà giá
thị trường phản ánh kỳ vọng của nhà đầu tư về các dòng tiền trong tương lai hoặc thu nhập, và rằng thu
nhập các công ty bị ảnh hưởng bởi tình hình tài chính của mình, là mong đợi có một mối quan hệ chặt
chẽ giữa mức giá / sự biến động và xác suất của kiệt quệ tài chính. Do đó, nó được giả định có giá trị
cao về mức độ GIÁ sẽ làm giảm xác suất của kiệt quệ tài chính. Nói cách khác, một dấu âm của biến
GIÁ, được dự đoán rằng một giá trị cao của biến này sẽ có một tác động tiêu cực đến khả năng kiệt quệ
tài chính hoặc thất bại của công ty.
Biến thị trường thứ hai trong nghiên cứu này là lợi nhuận thặng dư ổn định bị trễ (ABNRET). Để kết
hợp biến này trong một mô hình dự báo kiệt quệ tài chính, lợi nhuận thặng dư của mỗi công ty trong
quá khứ trong năm t đã được tính toán là lợi nhuận tích lũy hàng tháng trong mười hai tháng trước năm
mà kiệt quệ tài chính được quan sát, trừ đi các chỉ số FTSE All Share lợi nhuận tích lũy hàng tháng cho
cùng một khoảng thời gian (t - 1). Hơn nữa, như báo cáo tài chính trước và các biến kinh tế vĩ mô và để
xác nhận khả năng dự đoán của nó, biến ABNRET được tính là lợi nhuận hàng tháng tích lũy hai năm
trước khi các quan sát của sự kiện kiệt quệ tài chính (t - 2). Cả hai biến đều cần thiết để xây dựng
ABNRET (lợi nhuận hàng tháng của Công ty và FTSE All Share Index các lợi nhuận hàng tháng) được
12
lấy từ cơ sở dữ liệu Datastream. Biến ABNRET cũng đã được chuyển đổi bằng cách sử dụng chức
năng TANH trong để xử lý các vấn đề về giá trị cách xa của biến mà có thể có một tác động bất thường
đến sự chính xác những dự đoán hợp lý cực đại tuyến tính cũng như kích thước của các số dư sinh ra từ
hồi quy logistic nhị phân. Sau khi chuyển đổi TANH, dòng số thực của biến ABNRET có thể được sắp
xếp lên khoảng [-1,1], khi có sự gia tăng lớn, giá trị tích cực cho thấy một xác suất thấp hơn của kiệt
quệ tài chính. Sau Shumway (2001), các lý thuyết giả định cơ bản được sử dụng trong nghiên cứu này
để biện minh rằng sự kết hợp của lợi nhuận thặng dư vào các mô hình là hữu ích để dự đoán thất bại
cũng khi các nhà đầu tư chiết khấu các cổ phiếu của những công ty đó đang ở trong một tình hình tài
chính căng thẳng hoặc gần phá sản / vỡ nợ. Hơn nữa, Beaver et al. (2005) cho rằng, nếu quyền chọn
của cổ phiếu phổ thông là chính xác, nơi cổ phiếu có thể được hiểu như một quyền chọn trên các tài sản
của một công ty (mệnh giá của các khoản nợ là giá thực hiện), thì giá trị của cổ phiếu phổ thông hoạt
động như cổ phiếu đệm có sẵn tới người vay nợ trước khi gốc và lãi của họ trở nên nguy hiểm. "Do đó,
một sự suy giảm về giá trị của cổ phiếu kéo theo một xác suất thất bại cao / kiệt quệ tài chính. Giả
thuyết này là phù hợp với những phát hiện của Dichev (1998), người đo lường nguy cơ phá sản trong

mô hình của Altman (1968) và Ohlson (1980), và cho thấy rằng có một liên quan tiêu cực giữa lợi
nhuận cổ phiếu và khả năng phá sản. Theo đó, nó được ấn định rằng lợi nhuận doanh nghiệp cao liên
quan tới FTSE All Share Index sẽ giảm xác suất của kiệt quệ tài chính. Nói cách khác, một dấu âm của
biến của ABNRET, gợi ý rằng một giá trị cao của biến này sẽ tác động tiêu cực đến khả năng kiệt quệ
tài chính hoặc thất bại của công ty.
Biến thị trường thứ ba được đưa vào mô hình đại diện cho quy mô của các công ty được đo bằng vốn
hóa thị trường của nó so với tổng quy mô của chỉ số FTSE All Share (để làm cho quy mô tĩnh). Các
thông tin cần thiết để xây dựng biến cụ thể này được lấy từ cơ sở dữ liệu Datastream, trong đó giá trị
trường chỉ số (MV) được tính bằng tổng của giá cổ phiếu nhân với số cổ phần phổ thông. (27) Trong
nghiên cứu này, các biến QUY MÔ, đã được tính toán như logarit quy mô của mỗi công ty so với tổng
giá trị thị trường của chỉ số FTSE All Share. Giá trị tối thiểu rút ra từ phương pháp này tính toán là
-16,60 và giá trị tối đa -2,37, với trung bình bằng -10,05. Phạm vi của các giá trị này là kết quả từ thực
tế mà hình thức logarit của một số lượng nhỏ (một giá trị thị trường công ty tương quan với chỉ số
FTSE All Share sẽ dẫn đến một giá trị rất nhỏ) cho ra một dấu âm. Quy mô doanh nghiệp đo bởi giá trị
thị trường có thể là một yếu tố dự báo mạnh mẽ tiềm năng của sự sụp đổ nếu các tính năng quyền chọn
của vốn cổ phần thường được sử dụng một lần nữa như trong khuôn khổ lý thuyết; giá trị thị trường
của vốn chủ sở hữu của một công ty ở vị thế tài chính căng thẳng bị chiết khấu bởi người tham gia thị
trường (nhà đầu tư), điều đó làm giảm tấm đệm an toàn vốn chủ sở hữu đối với chủ nợ. Sự giảm trong
mức vốn chủ sở hữu, gây ra bởi sự đánh giá của nhà đầu tư bi quan về của tình hình tài chính của công
ty, có thể di chuyển một cách hệ thống về mức 'giá thực hiện' (hoặc giá trị của các khoản nợ) cho đến
khi nó đạt đến điểm mà tại đó nó là không đủ khả năng để đáp ứng nghĩa vụ nợ của công ty (và công
ty vỡ nợ). Theo đề nghị của Agarwal và Taffler (2008), xác suất phá sản là xác suất mà các quyền chọn
mua sẽ hết hiệu lực và vô giá trị hoặc, nói cách khác, giá trị của các tài sản [được đo bằng giá trị thị
trường của công ty, quy mô] là ít hơn mệnh giá của các khoản nợ phải trả tại kỳ nắm giữ cuối cùng.
(28) Vì vậy, nó được dự đoán rằng một giá trị cao của biến SIZE nên kéo theo một xác suất thấp của
phá sản / kiệt quệ tài chính. Ngược lại, một công ty có quy mô tương đối nhỏ có một xác suất cao hơn
của kiệt quệ tài chính. Nói cách khác, do đó dự báo biến QUY MÔ mang dấu âm được mong đợi, gợi
ý rằng một giá trị cao của biến này cần phải có một tác động tiêu cực đến xác suất phá sản hay tài
chính kiệt quệ của công ty.
Biến thị trường cuối cùng đưa vào mô hình cuối cùng là tỷ lệ vốn hoá thị trường trên tổng nợ (MCTD).

Biến vốn hóa thị trường được lấy từ Datastream trong khi các biến Tổng nợ được lấy từ Thomson One
Banker (Worldscope). Tổng nợ bao gồm tất cả lãi phải chịu và nghĩa vụ hợp đồng thuê đã được vốn
hóa. Theo quy định của Thomson Reuters, nó là tổng các khoản nợ dài hạn và ngắn hạn. Biến thị
13
trường này đã được điều chỉnh bằng cách sử dụng chức năng TANH để giải quyết các vấn đề của các
giá trị cách xa. Dòng số thực của MCTD có thể được sắp xếp trong khoảng [0,1], trong đó giá trị cao
chỉ ra rằng có khoảng cách rất xa để giá trị tài sản của công ty giảm và bị vượt qua bởi tổng nợ và rơi
vào kiệt quệ tài chính và mất khả năng thanh toán. Ngược lại, một giá trị thấp của biến này chỉ ra rằng
sự suy giảm trong giá trị của công ty rất gần đạt đến điểm phá sản, hoặc điểm mà tổng nợ vượt quá tài
sản của nó. Gía trị của tỷ lệ tài chính này càng cao, càng ít khả năng công ty rơi vào vị thế kiệt quệ tài
chính. Vì vậy, người ta thừa nhận rằng một giá trị cao của biến MCTD kéo theo một xác suất thấp của
phá sản / kiệt quệ tài chính. Ngược lại, một công ty có giá trị thấp nên có xác suất của kiệt quệ tài chính
cao hơn. Nói cách khác, dấu âm của biến MCTD được dự đoán, cho thấy một giá trị cao của biến này
có tác động tiêu cực đến xác suất kiệt quệ tài chính hay phá sản của công ty. Khác với chiều hướng giá
trị thị trường (mà các mô hình dự báo vỡ nợ trước đây tại Vương quốc Anh đã thất bại trong việc kết
hợp), biến này được thiết kế để giải quyết một vấn đề quan trọng được nhấn mạnh trong Beaver và
cộng sự (2005), cụ thể là các biến ABNRET, và đặc biệt QUY MÔ, được sử dụng trong nghiên cứu
này, không phải được thu nhỏ mà (chúng) không được so với độ lớn của dư nợ. (29) Trường hợp biến
QUY MÔ nên cần được đặc biệt nhấn mạnh vì nó được đo bằng của vốn hóa thị trường của công ty so
với tổng giá trị vốn hóa thị trường của chỉ số FTSE All Share (chuyển đổi sử dụng các chức năng
logarit). Nó cũng có thể lập luận rằng các biến MCTD và QUY MÔ, có cùng mẫu số, có thể liên quan
chặt chẽ dẫn đến vấn đề đa cộng tuyến có thể ảnh hưởng đến sự ổn định của các hệ số của các biến độc
lập trong phản ứng (30) đến thay đổi biên trong mô hình và / hoặc dữ liệu. Ma trận tương quan được
tính toán và trình bày trong Bảng 3 cùng với các kiểm định khác.
Ghi chú: hình A của bảng báo cáo này các ma trận tương quan của tất cả các biến đưa vào mô hình.
Nó bao gồm các chỉ số tài chính, các chỉ số kinh tế vĩ mô, và các biến của thị trường. p-giá trị đại diện
cho xác suất của việc quan sát hệ số tương quan này hoặc cực đoan hơn theo giả thuyết vô hiệu (H0)
rằng mối tương quan (Rho) là số không. Bảng B báo cáo các giá trị kết quả từ kiểm tra nhằm phát hiện
sự hiện diện của đa cộng trong số tất cả các biến đưa vào mô hình: giá trị Tolerance (TOL) và đối ứng
của nó, Variance lạm phát (VIF) được tính như 1 - Rk 2 và 1 / (1 - Rk 2) tương ứng, trong RK2 là hệ số

xác định cho hồi quy của biến hồi quy thứ i trên tất cả các biến hồi quy khác.
4. Phương pháp: đặc điểm kỹ thuật của mô hình logit bảng
Các mẫu được chia thành hai nhóm, các công ty kiệt quệ tài chính (hoặc căng thẳng về tài chính hoặc
mất khả năng trả nợ theo luật) các công ty không bị kiệt quệ tài chính. Kết quả là biến phụ thuộc nhị
phân. Phương pháp của chúng tôi là mô hình kết quả trong một khuôn khổ logit bảng (Altman &
Sabato, 2007; Altman, Sabato, & Wilson, 2010), và theo Shumway (2001) và Nam và cộng sự (Năm
2008) cho thấy mô hình logit bảng, có chính xác của giai đoạn rủi ro và cho phép biến kiểm soát khác
14
nhau thời gian, (31) thì tương đương với mô hình rủi ro. Mô hình hồi quy logistic là như sau. Gọi (Y1,
Y1), , (Yn, Xn) là mẫu ngẫu nhiên từ một phân phối logit có điều kiện. Tiếp theo, gọi x1j, x2j xkj
là một bộ của k biến độc lập được ký hiệu bằng các vector x '. Giả sử rằng mỗi biến này là thang đo
khoảng thời gian ít nhất và rằng xác suất có điều kiện mà kết quả là có sẵn được ký hiệu là Pr (Y = 1 |
x) = π (x) thì logit của mô hình hồi quy logistic được ký hiệu là:
Ngoài ước lượng được tính thông qua phương pháp thống kê này, các hiệu ứng cận biên cho mỗi biến
được trình bày. Hiệu ứng cận biên của biến dự báo được định nghĩa là đạo hàm riêng của xác suất sự
kiện liên quan đến biến dự báo về lợi nhuận. (32) Đo lường hiệu ứng cận biên do đó rất hữu ích để giải
thích sự ảnh hưởng của các biến hồi quy lên biến phụ thuộc cho các mô hình biến phụ thuộc rời rạc,
trong trường hợp này là mô hình lựa chọn nhị phân logit. Hiệu ứng cận biên do đó mô tả toán học như
dưới đây:
Để đơn giản, hãy xem xét tại các mô hình tương tự nhưng với chỉ một biến hồi quy. Nó được gọi là
logit vì:
Pr [YJ = 1 | Xj] = F (α0 + β0Xj)
Trong đó Xj là biến giải thích và α0 và β0 là tham số chưa biết được ước tính, và
là hàm phân phân phối cho các phân phối logistic (logit)
Nếu β0> 0 thì Pr [YJ = 1 | Xj] = F (α0 + β0Xj) là một hàm tăng của của Xj:
Trong đó là đạo hàm của
Do đó, tác động biên của Xj lên Pr [YJ = 1 | Xj] phụ thuộc vào Xj:
15
Báo cáo nghiên cứu các tác biên trung bình của mỗi biến giải thích ở trong mô hình báo cáo và Bảng
4-6 tóm tắt thống kê báo cáo.

Ghi chú: Bảng này trình bày thống kê tóm tắt cho Mô hình 1, trong đó chỉ bao gồm các biến tài chính.
Nó bao gồm các trung bình, độ lệch chuẩn,giá trị tối thiểu và tối đa và số lượng các quan sát đã được
sử dụng trong hồi quy logistic cho các tỷ lệ Tổng quỹ từ hoạt động trên Tổng nợ phải trả (TFOTL),
Tổng nợ trên Tổng tài sản (TLTA), khoảng phi tín dụng (NOCREDINT), và hệ số khả năng thanh toán
(COVERAGE). Bảng A chứa số liệu thống kê tóm tắt cho toàn bộ tập dữ liệu; Bảng B cho các công ty
tài chính lành mạnh, và Panel C cho các doanh nghiệp trong kiệt quệ tài chính.
5. Phân tích các kết quả
Bảng 7 trình bày các kết quả từ hồi quy logistic của các chỉ số kiệt quệ tài chính lên các biến dự đoán.
Theo yêu cầu của mô hình hồi quy logistic nhị phân, các doanh nghiệp phân loại như sau: doanh
nghiệp kiệt quệ tài chính nhận giá trị 1 và các công ty xác định là lành mạnh về tài chính nhận giá trị 0.
Phân loại này được thực hiện bằng cách sử dụng định nghĩa dựa trên cơ sở tài chính đã thảo luận trước
đó của tính chất kiệt quệ để phân tích. Các nghiên cứu hiện nay phát triển ba mô hình dự đoán chính để
đánh giá khả năng kiệt quệ tài chính để kiểm tra sự đóng góp của các chỉ số kinh tế vĩ mô và biến thị
trường đến tính chính xác dự đoán của các mô hình dựa trên tỷ lệ báo cáo tài chính. Mô hình 1 là mô
hình 'chỉ có kế toán” với các biến tài chính: Tổng vốn từ hoạt động trên tổng nợ phải trả (TFOTL),
Tổng nợ trên Tổng tài sản (TLTA), Khoảng phi tín dụng (NOCREDINT), và hệ số khả năng thanh toán
(COVERAGE). Mô hình 2 là mô hình của Kế toán cộng với các chỉ số kinh tế vĩ mô và bao gồm các
biến kế toán, các chỉ số Giá bán lẻ (RPI), và lãi suất tín phiếu Bill ngắn hạn đã loại bỏ lạm phát
(SHTBRDEF). Mô hình 3 là "Mô hình đầy đủ" kết hợp chỉ số tài chính và các chỉ số kinh tế vĩ mô, bốn
biến thị trường: giá vốn cổ phần của công ty (PRICE) chuyển đổi bằng cách sử dụng chức năng logarit;
lợi nhuận bất thường hàng tháng tích lũy của công ty trên cơ sở hàng năm (ABNRET), lợi thặng dư của
công ty trừ đi các chỉ số lợi nhuận FTSE All Share cho cùng một khoảng thời gian; quy mô của công ty
tương đối (SIZE) đo bằng vốn hóa thị trường so với tổng (vốn hóa thị trường) của chỉ số FTSE All
Share, ở dạng logarit. Ngoài ra, mô hình 4 và hình 5 có trong Bảng 7, đại diện cho mô hình 'chỉ có thị
trường ' và mô hình 'thị trường cộng với các biến kinh tế vĩ mô, tương ứng”, để so sánh độ chính xác
dự đoán của chúng với mô hình 1 và hình 2. Mục tiêu so sánh bổ sung này là để kiểm tra tính chính xác
dự đoán của mô hình kế toán đối với mô hình hoạt động của thị trường sử dụng hồi quy logistic.
Như đã đề cập ở trên, nghiên cứu này phát triển các mô hình dự báo ước tính các khả năng xảy ra kiệt
quệ tài chính. Trong thực tế, ngày của sự kiện của kiệt quệ tài chính là không biết và nhà quản lý rủi ro
16

được yêu cầu phải sử dụng các dữ liệu có sẵn tại thời điểm phân tích để đưa ra một ước tính về khả
năng sụp đổ hay kiệt quệ tài chính của một công ty. Theo đó, nghiên cứu này ước tính xác suất của sự
sụp đổ trong năm trước đối với quan sát của kiệt quệ tài chính của công ty (t - 1) cũng như hai năm
trước đối với sự kiện kiệt quệ tài chính (t - 2). Bằng cách đó, các mô hình cung cấp bằng chứng về biến
dự báo cái mà phân biệt tốt nhất giữa các công ty tài chính lành mạnh và kiệt quệ, và mặt khác, kiểm
tra sức mạnh tiên đoán của chúng. Như vậy, trong mô hình t - 1, tất cả các tỷ lệ kế toán đã được tính
toán bằng cách sử dụng báo cáo tài chính của năm trước sự kiện kiệt quệ tài chính. Theo đó, các chỉ số
kinh tế vĩ mô đã được tính toán với các thông tin từ các năm trước sự kiện căng thẳng: Chỉ số giá bán lẻ
(RPI) tại cơ sở 100 cũng như lãi suất Bill 3 tháng (SHTBRDEF), được tính theo năm và loại bỏ lạm
phát nhằm mục đích có được một thước đo của mức lãi suất "thực" trong nền kinh tế. Đối với các biến
thị trường, giá cổ phiếu (PRICE) trong mô hình là giá đóng cửa chính thức trong năm t - 1, biến đo
lường lợi nhuận bất thường (ABNRET) cho năm t, khi sự kiện kiệt quệ đã được quan sát, đã được tính
toán là lợi nhuận của công ty trong năm t - 1 trừ sự lợi nhuận của FTSE All Share Index trong năm t –
1. Lợi nhuận hàng năm của công ty tư nhân đã được tạo ra bởi lợi nhuận hàng tháng tích lũy. Liên
quan đến các biến đo lường quy mô tương đối của các công ty (SIZE), theo Shumway (2001) với mức
vốn hóa thị trường các doanh nghiệp cá nhân được đo vào cuối năm trước năm sự kiện kiệt quệ tài
chính.
Ghi chú: Bảng này trình bày thống kê tóm tắt Mô hình 2, trong đó bao gồm tỷ lệ báo cáo tài chính
cũng như các biến kinh tế vĩ mô. Nó bao gồm các trung bình, độ lệch chuẩn, giá trị tối thiểu và tối đa
và số lượng các quan sát đã được sử dụng trong hồi quy logistic cho các tỷ lệ Tổng quỹ từ hoạt động
trên Tổng nợ phải trả (TFOTL), Tổng nợ trên Tổng tài sản (TLTA), No Credit Interval (NOCREDINT),
hệ số khả năng thanh toán (COVERAGE), Chỉ số Giá bán lẻ (RPI), và đại diện cho lãi suất, lãi suất
ngắn hạn Bill 3 tháng điều chỉnh lạm phát (SHTBRDEF). Bảng A chứa số liệu thống kê tóm tắt cho tập
toàn bộ dữ liệu, bảng B cho các công ty tài chính lành mạnh, và bảng C cho các doanh nghiệp trong
kiệt quệ tài chính.
Cuối cùng, đối với tỷ số vốn hoá thị trường chia cho tổng nợ (MCTD), phần mẫu có thể khai thác được
thông lấy từ báo cáo tài chính phát hành trong t-1
17
Bảng 7 cho thấy ước tính phát sinh từ phép tính hồi quy logic của các chỉ dẫn báo hiệu sự kiệt quệ về
tài chính dựa trên các biến độc lập. Tất cả các biến trong mô hình “kế toán” (Mô hình 1) có ý nghĩa

mang tính thống kê tại điểm 5-1% trong t-1, điều này cho thấy đây là các điểm dự báo khá hiệu quả về
xác suất xảy ra kiệt quệ tài chính. Trong t-2, hay là 2 năm trước khi sự kiện kiệt quệ tài chính được
nhìn, tất cả các nhân tố hồi quy đều giữ lại được ý nghĩa quan trọng về mặt thống kê ngoại trừ tỷ số kế
toán Tổng nợ/Tổng tài sản, vốn là tỷ số không quan trọng về mặt thống kê.
Trường hợp này không những chỉ dành cho mô hình “kế toán” mà còn dùng cho mô hình “kế toán và
kinh tế vĩ mô” và mô hình “đầy đủ”. Thực tế là tất cả các biến trong mô hình 1 ngoài trừ một biến giữ
lại nguyên bản mức độ quan trọng của t-1 và t-2 đều gợi ý rằng các tỷ số báo cáo tài chính được ghi
nhận trong mô hình đều sỡ hữu sức mạnh dự báo và sức mạnh khác biệt cao. Hơn nữa, các ký hiệu hệ
số ước tính sở hữu đặc tính dự báo trước: Tỉ số TFOTL âm, đo lường mức độ hoạt động của công ty ,
có thể gợi ý rằng nguồn tài chính đến từ hoạt động của công ty càng dồi dào thì càng tạo ra (liên quan
đến nợ của công ty) hiệu quả hoạt động cao hơn và như khả năng xảy ra kiệt quả tài chính sẽ được
giảm xuống thấp hơn. Tương tự như vậy đối với ký hiệu của biến NOCREDINT gợi ý rằng tính thanh
khoản của công ty càng cao, thì khả năng xảy ra kiệt quệ tài chính là càng thấp. Biến COVERAGE
cũng trình bày cho chúng ta dấu hiệu báo trước tiêu cực, khi mà năng lực tài chính cao dùng để trả các
khoản nợ tồn động cho thấy khả năng lâm vào kiệt quệ tài chính là rất thấp. Hệ số ước lượng của biến
TLTA nếu cho ra kết quả là dương thì điều đó cho thấy thực tế trái ngược với các tỷ số tài chính trước,
điều đó có nghĩa đòn bẩy tài chính càng dài (biến TLTA có giá trị cao) sẽ thấy khả năng xảy ra kiệt quệ
tài chính là càng cao. Kết quả này cũng nhất quán với nhận định ban đầu của các nghiên cứu hiện tại.
Thật thú vị là hệ số ước lượng COVERAGE lại sở hữu giá trị tuyệt đối cao nhất trong các tỷ số tài
18
chính, theo sau đó là TLTA và TFOTL, NOCREDINT có giá trị nhỏ nhất. Điều này cũng được áp dụng
trong mô hình t-2, gợi ý rằng, hệ số ước lượng của các tỷ số kế toán sẽ ổn định qua 2 giai đoạn
Bảng 7 cũng trình bày biến R bình phương của Cox và Snell cũng như biến R bình phương cực đại của
Nagelberke để chúng ta có được điểm so sánh trong mối tương quan tăng giảm giữa các mô hình. Như
dự báo, biến R bình phương cực đại của Nagelberke giảm đối với mô hình 1 khi nó được ước lượng từ
t-1 sang t-2. Tuy nhiên độ lớn của sự giảm này là không đáng kể, điều này gợi ý rằng các yếu tố hồi
quy của mô hình sẽ ổn định theo thời gian. Vì vậy, những ước tính này chỉ giúp cho các so sánh dễ
dàng hơn và việc sử dụng chúng để miêu tả cần được sử dụng một cách thận trọng vì chúng không
giống như hồi quy logic vì hồi quy logic có tính chất hồi quy bình phương thông thường nhất. Như đã
đề cập phương pháp ước lượng thích hợp và trực tiếp hơn đối với hiệu quả thực tế của mô hình logit

chính là vùng nhận dạng của đường cong đặc tính hoạt động người nhận (AUC), kết quả của phương
pháp này sẽ được thảo luận trong phần tiếp theo.
Mô hình 2, ngoài các tỷ số kế toán thông thường chúng ta còn kết hợp 2 chỉ số kinh tế vĩ mô. Đó là RPI
và SHTBRDEF có độ lớn thống kê được tại điểm 5-1% trong mô hình ước lượng của t-1 và giữ nguyên
độ lớn thống kê tại t-2, điều này cho thấy có 3 trên 4 tỷ số tài chính với các biến sẽ ổn định qua 2 giai
đoạn. Hơn nữa, tất cả các biến đã bao gồm trong mô hình 1 vẫn giữ được độ lớn thống kê của nó và độ
lớn tương quan của các hệ số ước lượng trong mô hình 2. Dấu hiệu của cả 2 chỉ số cũng đã được dự
đoán trong các nghiên cứu hiện tại: Giá trị dương của biến RPI chỉ ra rằng giá trị để lại (di sản để lại)
càng cao thì khả năng xảy ra kiệt quệ tài chính càng tăng. Và giá trị dương của SHTBRDEF gợi ý rằng
môi trường vĩ mô đặc trưng bởi lãi suất thực ở mức cao, với giả định các yếu tố khác đều bằng nhau,
thì khả năng xảy ra kiệt quệ tài chính cho các công ty công nghiệp càng tăng. Tuy nhiên cả 2 yếu tố
ước tính hồi quy vĩ mô đều thấp hơn về độ ảnh hưởng hơn các tỷ số kế toán, RPI có ước lượng nhỏ
nhất về mặt tuyệt đối, điều này gợi ý rằng các biến vĩ mô sẽ có có hiệu ứng nhỏ hơn đối với khả năng
xảy ra tình hình kiệt quệ tài chính của công ty. Đối với khả năng đóng góp của các biến vĩ mô vào sự
dự báo chính xác của các mô hình kế toán, được ước lượng trực tiếp thông qua AUC, có thể kết luận
rằng chúng đóng góp một cách tích cực. Mặc dù chỉ trong một mực độ nhỏ, khi mô hình được ước
lượng trong t-1: Đường cong AUC cho thấy sự tăng rõ rệt từ 0.87 lên 0.88. Tuy nhiên, khi mô hình
được ước lương trong t-2, mức độ đóng góp của các chỉ số vĩ mô là khó xác định: một sự giảm nhỏ
được quan sát từ đường cong AUC từ 0.8523 xuống 0.8514, gợi ý rằng trong t-2 , các tỷ số BCTC một
mình nó đã đủ để dự báo kiệt quệ tài chính hơn là gộp lại chung với các chỉ số vĩ mô.
Mô hình 3 trong bảng 7 trình bày kết quả mô hình hồi quy logic của các chỉ số kiệt quệ tài chính dựa
trên các biến dự báo kế toán và vĩ mô đã bao gồm trong mô hình 2 cộng thêm 4 biến thị trường: Giá cổ
phiếu của các công ty, lợi nhuận bất thường trong quá khứ, quy mô liên quan của công ty và tỷ số vốn
hoá thị trường trên tổng nợ. Tất cả các biến thị trường trên được đưa vào mô hình 3 được xác định độ
ảnh hưởng thống kê tại điểm 5-1% khi ước lượng trong giai đoạn t-1. Với một mức loại trừ đáng kể khi
ước lượng trong giai đoạn t-2, gợi ý rằng PRICE,ABNRET, và MCTD là các chỉ số mạnh và nhật quán
theo thời gian để nhận diện khả năng xảy ra của sự kiệt quệ tài chính. Quy mô được nhắc tới trong các
mô hình mặc dù có sự thiếu sốt trong số liệu ảnh hưởng thống kê trong t-2, nó đóng góp một cách tích
cực trong việc dự đoán chính xác của mô hình được ước lượng bằng AUC. Điểm ngoại trừ duy nhất là
NOCREDINT, đã được kiểm nghiệm trong một sự giảm biên độ nhỏ, từ độ ảnh hưởng thống kê tại 5-

1% lên 10% trong các mô hình ước lượng với dữ liệu lấy từ 2 năm trước khi có ghi nhận về một sự
kiện kiệt quệ tài chính. Cũng cần để ý rằng tỷ số kế toán TLTA trình bày chung một mô thức giống như
phân tích trước đối với Mô hình 1 và Mô hình 2; Khi Mô hình 3 được ước tính trong giai đoạn t-1 thì tỷ
số này có ảnh hưởng tại điểm 5-1%, tuy nhiên khi được ước lượng tại giai đoạn t-2, thì tầm ảnh hưởng
này bị dừng lại, điều này gợi ý rằng TLTA mặc dù có đóng góp tích cực trong việc dự báo chính xác
mô hình nhưng nó lại không bền vững theo thời gian. Là các dấu hiệu của các hệ số ước lượng, tất cả
19
đều đã được dự báo trong nghiên cứu: Dấu hiệu âm của biến PRICE chỉ ra mối quan hệ đồng biến giữa
giá cổ phiếu và khả năng xảy ra tình trạng kiệt quệ tài chính của các công ty đại chúng, như giá trị thị
trường phản ánh kỳ vọng của nhà đầu tư vào dòng tiền tương lại hoặc thu nhập tương lai, và thu nhập
của công ty bị ảnh hưởng bởi tình hình tài chính. Dấu hiệu của ước lượng ABNRET gợi ý rằng có một
mối liên hệ biện luận giữa yếu tố hồi quy này và xác suất xảy ra của hiện tượng kiệt quệ tài chính. Các
nhà đầu tư thường có xu hướng chiết khấu vốn chủ sở hữu của các công ty đang ở trong tình trạng căng
thẳng tài chính hoặc phải đóng cửa do phá sản hoặc vỡ nợ, và sự trở lại của các công ty dường như có
ảnh hưởng đến kết quả sau này: sự hồi phục đơn lẻ của công ty mà thường làm tốt hơn sự hồi phục của
chỉ số toàn cổ phiếu FTSE là một dấu hiệu tốt của tình hình sức khỏe tài chính tốt và như vậy giảm
nguy cơ xảy ra kiệt quệ tài chính. Ngược lại, sự hồi phục của công ty mà ở đó sự giảm giá trùng với sự
hồi phục của chỉ số toàn phiếu FTSE (hồi phục nghịch biến) là một chỉ dẫn báo hiệu bền vững của sự
kiệt quệ tài chính theo thời gian (cả trong t-1 và t-2). Dấu hiệu của MCTD gợi ý rằng có một mối liện
hệ nghịch biến giữa biến này và xác suất của kiệt quệ tài chính. Nghiên cứu kỳ vọng chỉ số này sẽ nâng
cao khả năng dự báo chính xác của mô hình và trở nên nhất quán theo thời gian khi mà tỷ số này được
cấu trúc trong mô hình, mặt khác, cách tiếp cận thị trường (Thông qua việc đo lường giá trị vốn hóa) và
một mặt khác để giải quyết vấn đề nổi bật trong trong Beaver et al.(2005), cho rằng các biến ABNRET
và SIZE không được so sánh ngang tầm về mức độ ảnh hưởng của phần dư nợ. Bằng cách gộp tổng nợ
lại như là một mẫu số , tỷ số này giúp giải quyết vấn đề mà không làm phát sinh các vấn đề đa cộng với
biến SIZE. Như kỳ vọng, tỷ số này là một công cụ mạnh mẽ cũng là chỉ dấu bền vững báo hiệu kiệt quệ
tài chính theo thời gian. Dấu hiệu của biến thị trường SIZE cũng được dự đoán : Công ty với SIZE với
mức cao (vốn hóa thị trường cao lien quan đến vốn hóa thị trường toàn cổ phiếu FTSE) thường bền
vững hơn , điều này cho thấy một mức độ tốt của hệ số đệm vốn của chủ nợ, xa hơn rất nhiều tính từ
“giá thực” (hoặc giá trị của các khoản nợ), và như vậy nó giúp các nhà đầu tư thẩm định được khả năng

trả nghĩa vụ nợ của công ty, làm giảm khả năng có thể xảy ra của tình trạng kiệt quệ tài chính. Đối với
độ ảnh hưởng của các hệ số ước lượng , hệ số ABNRET sở hữu giá trị tuyệt đối cao nhất trong Mô hình
3, ước lượng trong t-1 cũng như t-2, theo sau đó là MCTD trong t-1 nhưng không có trong t-2 , vốn là
giai đoạn mà độ ảnh hưởng tuyệt đối là khá thấp, theo sau đó là SIZE và PRICE. Vì vậy có thể kết luận
rằng các biến thị trường cũng là các chỉ dấu nhất quán của khả năng có thể xảy ra sự kiệt quệ tài chính
theo thời gian.
Bảng 8 trình bày thống kê hoạt động mô hình cho cả 5 mô hình được ước lượng trong cả giai đoạn t-1
và t-2. Vùng nhận dạng dưới đường cong ROC (AUC) là phương pháp đo lương thích hợp và trực tiếp
liên quan đến khả năng dự báo chính xác của mô hình được phát triển nhờ sử dụng phương pháp logic.
DeLong,DeLong và Clarke-Pearson (1988) ghi nhận rằng “ Khi bài kiểm dựa trên các biến quan sát
nằm trên cân tiếp diễn hoặc phân loại, việc đánh giá giá trị toàn bộ của bài kiểm tra có thể được thực
hiện qua việc sử dụng đường cong ROC. Hơn nữa, Altman et al. (2010) biện luận rằng “Đường cong
ROC phác họa giá trị tích cực đúng đối lập với tỷ lệ tích cực sai như là ngưỡng phân biệt giữa sự thay
đổi mang tính thất bại và không thất bại của các công ty. Vùng nhận dạng dưới đường cong ROC là
phương pháp đo lường tính dự báo chính xác của mô hình, với giá trị của 1 cho thấy mô hình là hoàn
hảo. Gini sắp xếp mối tương quan giữa các hệ số và thống kê Kolmogorov-Smirnov, cũng được trình
bày trong bảng 8, được sử dụng rộng rãi như là các công cụ phân tích bằng cách cho điểm các nhà phân
tích dựa trên việc đánh giá độ dự báo chính xác của của các bài kiểm tra trong mẫu chọn và ngoài mẫu
chọn (Altman et al.,2010). Điểm mạnh của các bài kiểm tra này là chúng dễ dàng được sử dụng khai
thác và tính toán, các thông tin này được lấy từ đường cong AUC. Như Anderson (2007) biện luận rằng
hệ số xếp hạng Gini đã được thêm vào bởi các nhà phân tích đánh giá tín nhiệm, họ sử dụng hệ số này
để đánh giá việc “sử dụng bảng chấm điểm có phải là một chiến lược hay để phân biệt cái tốt và cái
xấu” ở nơi mà “kết quả cuối cùng là giá trị đại diện cho vùng nhận diện của đường cong”. Hệ số Gini
20
cũng tương tự như đường cong AUC, khác biệt căn bản nằm ở chỗ công thức tính chỉ nằm trong vùng
giao điểm giữa đường cong và đường chéo của đường cong Lorenz, không giống như phần mẫu vốn
được tính toán cho toàn bộ vùng nằm dưới đường cong. Với tư cách là một điểm tham chiếu , trong bối
cảnh phân tích ghi nhận điểm một cách chuyên nghiệp , hệ số Gini bằng hoặc lớn hơn 50% là một mức
hài lòng trong môi trường bán lẻ, đã được đề cập bởi Anderson (2007). Trong ngữ cảnh của nghiên cứu
hiện tại , hệ số xếp hạng Gini thường được sử dụng như một thành tố bổ sung và kiểm tra tính nhất

quán của các phương pháp ước lượng khác đã được trình bày.
Bài kiểm tra Kolmogorov-Smirnov được thực hiện để đo lường độ lệch theo chiều dọc cực đại giữa 2
khía cạnh phân phối kinh nghiệm tích lũy (tốt và xấu) trong mô hình ghi nhận điểm. Phương pháp đo
lường này theo Anderson (2007) và Mays (2004), là “Thống kê được sử dụng rộng rãi nhất ở Mỹ để
đo lường khả năng dự báo của hệ thống xếp hạng”. Tuy nhiên , Anderson (2007) khuyến nghị không sử
dụng thống kê này (hoặc các phương pháp đo lường dự báo tính chính xác của mô hình) trong trạng
thái cô lập, thay vào đó hãy dung nó như phần bổ sung cho các yếu tố khác như đường cong AUC hoặc
hệ số xếp hạng Gini, vốn là phương pháp tiếp cận thích hợp trong nghiên cứu hiện tại. Mays (2004) gợi
ý rằng các giá trị chấp nhận cho thống kê này có giới hạn thích hợp từ 20% đến 70%, nếu trên mức này
thì mô hình phải gọi là quá tốt để trở thành thực tế . Hệ số R bình phương của “Cox và Snell” là
phương pháp đo lường dựa trên tỷ lệ hợp lý logarit của mô hình, tỷ lệ hợp lý logarit của mô hình ban
đâu và kích cỡ mẫu chọn, và hệ số R bình phương cực đại là công thức đã được tinh giản. Nói cách
khác, cả hai hệ số đều được ước lượng dựa trên cùng một định nghĩa. Nói chung, chúng có thể được sử
dụng tương tự như nhau (nhưng không giống hệt nhau), cho hệ số R bình phương trong mô hình hồi
quy tuyến tính, khi chúng dung để đo lường mức độ ảnh hưởng của mô hình. Bài kiểm tra tốt đẹp của
Hosmer và Lemeshow dùng cho mô hình phản hồi logic nhị phân cũng có thể sử dụng được. Như đã đề
cập bởi Ragavan (2008), các chủ thể được chia thành mười nhóm có kích cỡ tương đương nhau dựa
trên phần trăm xác suất ước tính. Sự trái ngược của số lần đã quan sát và số lần quan sát kỳ vọng trong
các nhóm được tổng hợp bằng thống kê chi bình phương, vốn được sử dụng để so sánh với khả năng
chi phối chi bình phương với k bậc tự do, với k là số nhóm (10) trừ đi n (2). Vì vậy, chi bình phương
nhỏ (<15) và giá trị p lớn cho phép gợi ý rằng mô hình đó là thật sự hiệu quả để dự đoán tương tác
hành vi của dữ liệu cung cấp, hoặc mô hình được trang bị là mô hình thích hợp dùng để sử dụng nhằm
dự báo các kết quả nhị phân đặc thù trong tập dữ liệu.
Bảng 8 còn chỉ ra khả năng hoạt động của tất cả các mô hình trong nghiên cứu. Từ các kết quả được
trình bày trong bảng A tương ứng các mô hình đã được ước lương trong giai đoạn t-1, có thể kết luận
được rằng nếu mô hình 1, mô hình”thuần túy kế toán” đã sở hữu đặc tính chính xác ở cấp độ cao được
ước lượng bởi đường cong AUC, ngoài ra khi thêm vào các chỉ số vĩ mô, các biến thị trường thì khả
năng đóng góp là khá tích cực và đáng kể đến tính hữu dụng của mô hình dự báo kiệt quệ. Hơn nữa, nó
còn cho thấy mô hình dự báo kiệt quệ không yêu cầu tập hợp một lượng lớn các yếu tố hồi quy (như đã
chỉ ra trong một vài nghiên cứu học thuật trước đó)để trình bày dự báo chính xác và có độ độc đáo

cao ; trong nghiên cứu hiện tại , tập hợp gồm 10 yếu tố hồi quy tạo ra một đường cong AUC rất ấn
tượng tại điểm 0.92 trong giai đoạn t-1 (sau đó giảm dần chỉ còn 0.89 trong giai đoạn t-2), gợi ý rằng
các biến độc lập được giữ lại trong mô hình được xem như là thành phần bổ trợ chứ không phải thành
phần thay thế. Cần nhấn mạnh thực tế rằng dự báo mang tính chính xác và độc đáo của mô hình toàn
diện trong nghiên cứu hiện tại có thể được giải thích bằng các kết hợp đặc thù giữa các biến độc lập
vốn được lựa chọn để cân nhắc liên quan đến các vấn đề về các chỉ số tiềm tàng thể hiện tình trạng kiệt
quệ tài chính. Một số lượng lớn các tỷ số tài chính, chỉ số vĩ mô và các biến thị trường đã được kiểm
tra. Các biến dư thừa cũng đã được bỏ qua, các chỉ số đã được kiểm chứng về khả năng đóng góp của
chúng trong vấn đề đánh giá hoạt động của các mô hình trong các nghiên cứu trước cũng đã được chọn
lọc bao gồm trong đó, ngoài ra thì các chỉ số tiềm năng khác cũng đã được kiểm tra. Một ví dụ điển
hình của chỉ số mới nhưng chưa được kiểm chứng là tỷ số vốn hóa thị trường chia cho tổng nợ
21
(MCTD), vốn chứng minh được thông tin hiện hữu sẽ giúp ích cho việc dự báo kiệt quệ tài chính. Kết
quả là mô hình dự báo khủng mới với một tập hợp các biến dùng cho các công ty niêm yết ở UK đã
chứng minh được ứng dụng của nó có lien quan với các mô hình nổi tiếng nhằm giúp các công ty dự
báo kiệt quệ/vỡ nợ.
Từ mô hình 1 cho đến mô hình 2 trong giai đoạn t-1, sự gia tăng trong hoạt động của các mô hình được
ước lượng bởi đường cong AUC đã được quan sát (từ 0.872 đến 0.876), điều này cho thấy các biến vĩ
mô chỉ đóng góp một phần nhỏ mặc dù tích cực,cho việc dự báo chính xác của mô hình dựa trên các tỷ
số BCTC. Với việc thu thập thông tin hệ số xếp hạng Gini và thống kê Kolmogorov-Smirnov từ tính
toán dựa trên mức độ của đường cong AUC, chúng được làm theo đúng mẫu tương tự như việc tìm ra
mẫu số, và rơi vào vùng giới hạn cao nhất được cân nhắc bởi các chuyên gia tính điểm có thể chấp
nhận được. Mặt khác, sự gia tăng có cân nhắc trong đường cong AUC đã được quan sát khi biến thị
trường được thêm vào trong mô hình 3 (từ đường cong AUC bằng 0.88 cho đến AUC bằng 0.92) ; mức
độ ảnh hưởng của sự gia tăng này gợi ý rằng các biến thị trường chứa đựng lượng thông tin đáng kể mà
không có sẵn trong các BCTC được đem ra tham khảo và sử dụng như là thành phần bổ trợ thông qua
việc sử dụng các tỷ sổ kế toán. Hơn nữa,nghiên cứu hiện tại còn ước lượng mô hình 4 và mô hình 5
nhằm so sánh hoạt động của của mô hình “thuần túy kế toán” (Model 1) và mô hình “kế toán cộng biến
vĩ mô” (Model 2) đối nghịch lần lượt với mô hình “thuần túy thị trường” (mô hình 4) và mô hình “thị
trường cộng các biến vĩ mô” (mô hình 5). Điều này có thể quan sát được bằng cách cô lập các mô hình

kế toán và thị trường từ đó sẽ cho ra dự báo chính xác như nhau, với giá trị AUC đạt 0.8718 và 0.8712
cho lần lượt mô hình kế toán và thị trường, và giá trị AUC đạt 0.8763 và 0.8727 khi biến vĩ mô được
thêm vào mô hình. Trong cả 2 trường hợp, biến vĩ mô giúp gia tăng, mặc dù chỉ thay đổi không đáng
kể, khả năng dự báo chính xác. Các mô hình kế toán có thể đo lường một cách tốt hơn khi ước lượng
trong giai đoạn t-1 sử dụng thuật toán hồi quy logic nhị phân như là phương pháp thống kê chính. Vì
vậy cần nhấn mạnh tầm quan trọng của sự gia tăng đáng kể trong khả năng dự báo chính xác (từ 0.88
lên 0.92) phát sinh từ sự kết hợp hai mô hình có thể sản sinh ra khả năng dự báo chính xác gần như
nhau khi chúng được ước lượng trong trạng thái cô lập.
Bảng 8 cũng trình bày kết quả của bài kiểm tra tốt đẹp Hosmer và Lemeshow. Mặc dù kết quả có đôi
chút khác biệt so với các nghiên cứu trước, vấn đề tranh cãi vẫn lien quan đến tính nhất quán của nó,
nghiên cứu hiện tại cho thấy bài kiểm tra tốt dẫn tới một quan sát khá thú vị cần được cân nhắc : Khi
mô hình 1 và mô hình 2 (mô hình “thuần túy kế toán” và mô hình “kế toán cộng biến vĩ mô”) được ước
tính, bài kiểm tra Hosmer và lemeshow chỉ ra chi bình phương và giá trị p < 0.0001 khá nhiều, mặc dù
chúng cho thấy tính dự báo chính xác cao nhưng vẫn có thể thiếu các biến độc lập đã được vốn hóa
nhằm giải thích một tỷ lệ lớn của hiện tương mà mô hình đó đang cố gắng biện minh. Mặt khác, có thể
quan sát điều ngược lại là đúng khi biến thị trường được kết hợp với “mô hình kế toán và biến vĩ mô”
trong mô hình 3 : Kết quả của bài kiểm tra Hosmer và Lemeshow chỉ ra số chi bình phương nhỏ (<15)
và giá trị p lớn (>0.05) gới ý rằng mô hình 3 là mô hình cân xứng. Nói cách khác, những giá trị này phù
hợp với các biến thị trường nhằm dự báo dữ liệu ( để có sự phân biệt tố hơn và dự báo kết quả nhị phân
đặc thù trong tập hợp dữ liệu : sức khỏe của các công ty đang gặp kiệt quệ tài chính). Cuộc tranh luận
này giúp ta có thêm thông tin về một đường cong AUC rộng hơn (từ 0.88 đến 0.92) khi các biến thị
trường là hiện hữu. Để kiểm tra nếu cùng một kết quả là đúng cho các mô hình sử dụng các biến thị
trường, bài kiểm tra cũng được áp dụng cho mô hình 4 và mô hình 5 ( mô hình “thuần túy thị trường”
và mô hình “thị trường kết hợp biến vĩ mô” ). Nhất quán với các kết quả phân tích trước đó, Mô hình 4
trình bày chi bình phương với giá trị dưới 15 và giá trị p vượt ngưỡng 0.05 , gợi ý rằng biến thị trường
là các yếu tố hồi thích hợp dùng để ước lượng khả năng xảy ra kiệt quệ tài chính. Thú vị hơn, khi các
biến dự báo kinh tế vĩ mô được thêm vào mô hình “thuần túy thị trường” , cả thống kê về sự phù hợp
của Hosmer và Lemeshow hiển thị các giá trị tốt hơn cho các mô hình kế toán (Mẫu 1 và mẫu 2). Hơn
nữa, kết quả tương tự áp dụng cho các mô hình ước lượng trong t - 2, làm cho việc giải thích ở trên phù
22

hợp hơn. Không ngạc nhiên khi độ chính xác dự đoán của các mô hình ước lượng trong thời gian t - 2
giảm, điều này phù hợp với các mô hình dự báo mặc định trước đó. Tuy nhiên, các mô hình tương tự có
thể được quan sát thấy khi các chỉ số báo cáo tài chính, các chỉ số kinh tế vĩ mô và biến thị trường được
kết hợp trong một mô hình duy nhất. Chỉ ngoại trừ duy nhất quan sát giữa mô hình 1 và 2, khi các biến
vĩ mô được thêm vào “mô hình chỉ có các chỉnh số tài chính”, có biên độ giảm trong dự đoán chính xác
( từ và AUC của 0.852 đến AUD cảu 0.851), điều này cho thấy rằng các chỉ số báo cáo tài chính có độ
tin cậy nhẹ hơn so với hồi quy các chỉ số kinh tế vĩ mô khi khả năng kiệt quệ tài chính được ước tính
trong giai đoạn t – 2. Tuy nhiên, vì sự chênh lệch độ tin cậy nhỏ, vì thế cũng có thể lập luật rằng độ
chính xác dự đoán vẫn không đổi khi các biến vĩ mô được thêm vào trong một mô hình kế toán ước
tính trong giai đoạn t – 2. Cũng như trong mô hình 3, có thể kết luận việc thêm vào các biến thị trường
như mô hình 2 ( xem xét trong t – 2) làm tăng đáng kể độ tin cậy của dự đoán bởi độ lớn tương tự khi
nó được ước tính trong khoản thời gian t – 1: từ AUC của 0.851 đến 0.892. Mô hình 5 cũng cho thấy sự
gia tăng độ chính xác liên quan đến mô hình 4: từ AUC 0.835 đến 0.836, gợi ý rằng, mặc dù không
biến đổi nhiều, các biến vĩ mô góp phần tích cực vào việc thực hiện các mô hình. Tuy nhiên, trong
trường hợp của mô hình 1 và 2, việc biến đổi rất nhỏ mà cũng có thể được coi là không thay đổi. Một
lần nữa, sự phân tích này khẳng định tính nhất quán trong “hành vi” của ác biến vĩ mô khi thêm vào cả
mô hình chỉ có các chỉ số tài chính và mô hình chỉ có các chỉ số thị trường trong giai đoạn t – 2. Các hệ
số Gini thêm thứ hạng cũng như mô hình kiểm tra Kolmogorov – Smirnoc hiển thị tương đồng với các
thảo luận trên và xác nhật lại một lần nữa các kết quả nghiên cứu trước đó, cả hai mô hình ước lường
trong t – 1 và t – 2. Thêm vào đó, tính chính xác của dự báo mô hình trong nghiên cứu này có thể có
một độ tin cậy cao đối với các nhà quản lý tín dụng khi đánh giá thông qua hệ số Gini và thống kế
Kolmogorov – Smirnov.
Như Cleves (2002), “ thỉnh thoảng, có nhu cầu so sánh độ chính xác dự đoán của một số điều chỉnh
hợp lý or mô hình probit (một phương pháp hồi quy) bằng cách so sánh các lĩnh vực thuộc hoạt động
nhận đặc biệt tương ứng. Để thực hiện việc so sách, nghiên cứu này được áp dụng cho lần đầu tiên,
23
trong các mô hình dự báo kiệt quệ tài chính, một phương pháp dựa trên một phương pháp tiếp cận phi
tham số mà sử dụng các lý thuyết phát triển tổng quát theo phương pháp thông kê Mann – Whitney
U.Các nghiên cứu hiện nay theo sau các phương pháp trình bày trong DeLong et al. (1988) và do đó có
tính đến tính chất tương quan của dữ liệu phát sinh khi hai hoặc nhiều đường cong thực nghiệm được

xây dựng bằng các xét nghiệm được thực hiện trên cùng một tập hợp của các công ty. Vấn đề này là rất
quan trọng vì trong hầu hết các so sách của đường cong ROC được thực hiện trong các nghiên cứu
trước đây, không chỉ trong lĩnh vực tài chính, mà còn trong các lĩnh vực như khoa học khí quyển và
chẩn đoán y tế, mà những dự đoán về kết quả cụ thể là rất cần thiết, sử dụng các tính toán đã có sẵn
trong hầu hết các gói phần mềm phân tích thống kê. Vấn đề với phương pháp này là các mô hình được
so sánh (có cùng một nguồn dữ liệu) là được ước tính trên cùng một số hoặc một bộ dữ liệu quan sát.
Ví dụ, như được nhấn mạnh bởi Cleves (2002), khi các lệnh “roccontrast” trong SAS hoặc “roccomp”
trong stata được sử dụng để so sánh các đường cong sau khi chạy các thủ tục logistic, các chương trình
sử dụng cùng một số quan sát cho tất cả các mô hình, khi họ tính toán bất kỳ 45 quan sát trong đó thì
có ít nhất một giá trị khác là mất tích (các biến trong mô hình). Vì vậy, khó khắc có thể phát sinh nếu
giá trị bị mất trong một số mô hình nhưng lại không mất trong các mô hình khác, như việc loại trừ lần
các quan sát hợp lệ trong các mô hình ước tính bình thường của mô hình logit, dẫn đến tính toán phù
hợp và sai lầm tính toán của đường cong các đặc điểm hoạt động nhận được.Việc so sánh đường cong
trong nghiên cứu này dẫn đến việc tính toán mối tương quan của dữ liệu, giải quyết vấn đề so sách của
2 hoặc nhiều hơn các mô hình sử dụng cùng số quan sát. Theo Delong et al . (1988) và kết hợp việc sử
dụng các phương pháp thống kê SAS với ROC sẵn có trong phần mềm SAS, 47 báo cáo này báo cáo
một so sánh trực quan hữu ích của sự khác biệt về độ chính xác dự đoán của mô hình chỉ bao gồm các
chỉ số tài chính, mô hình các chỉ số tài chính và các chỉ số vĩ mô và mô hình đầy đủ sử dụng một
phương pháp tiếp cận phi tham số dựa trên các lý thuyết tổng quát về thống kê U Mann-Whitney.Các
biểu đồ cho thấy khả năng của các mô hình để xác định độ nhạy trên trục Y và khả năng phát hiện tính
phủ định (1-đặc thù). Nói cách khác, mỗi đường cong riêng lẻ ROC được tạo ra (trong tường trường
hợp của mô hình dự báo kiệt quệ tài chính) bằng cách vẽ các tỷ lệ của các công ty trong kiệt quệ tài
chính, các công ty được phân loại theeo các mô hình như kiệt quệ (Tỷ lệ khả năng xảy ra) so với tỷ lệ
các công ty không xảy ra kiệt quệ (các công ty tốt) trong số các công ty được phân loại theo các mô
hình "như kiệt quệ (tỷ lệ k xảy ra) tại các điểm khác nhau.Việc sử dụng và giải thích các miền kết quả
“nếu kiểm tra hoàn toàn có thể phân biệt, nó sẽ có giá trị trên các giá trị trị bình thường mà giá trị này
sẽ giảm (hoặc ngược lại).Các đường cong sau đó sẽ đi qua điểm (0, 1).Càng gần một đường cong ROC
đến điểm lý tưởng này, cho thấy khả năng phân biệt tốt hơn.Một thử nghiệm không có khả năng phân
biệt sẽ tạo ra một đường cong mà sau đường chéo của grid.'48. Ngoài ra, các miền dười đường cong
ROC của ba mô hình được trang bị đều được kiểm tra về bình đẳng, nơi p-value tổng dưới 0.05 là biểu

hiện của sự khác nhau giữa các khu vực. Nói cách khác, một p-value tổng thể < 0.05 bác bỏ giả thuyết
Ho, do đó xác nhận độ tin cậy của các kết quả. Việc so sách k tham số của các vùng tương quan dưới
đường ROC dựa vào lý thuyết phát triển tổng quát Mann-Whitney thống kê U được thực hiện, ban đầu,
xét 3 mô hình trong thời gian t-1: mô hình "chỉ bảo gồm các chỉ số tài chính ", mô hình "các chỉ số tài
chính kết hợp các biến vĩ mô “, và các mô hình 'đầy đủ' bao gồm thêm biến của thị trường. Sau đó, hai
trong số ba mô hình với độ chính xác dự đoán tốt nhất, dựa trên khu vực dưới đường cong ROC, đã
được lựa chọn cho một thử nghiệm so sánh với mục tiêu của đồ thị trình bày sự gia tăng độ chính xác
khi dự đoán khi các biến thị trường được bổ sung vào mô hình 2.Một mặt, và để kiểm tra xem AUC là
khác về mặt thống kê giữa hai mô hình.Ngoài ra, các thủ tục trên cho ba mô hình ước lượng trong t - 1
đã được lặp đi lặp lại cho ba mô hình đó cũng ước tính trong t - 2. Các nghiên cứu hiện nay trình bày
như vậy, 4 con số đó cho phép một so sánh giữa các mô hình và giữa các thời kỳ ước lượng tạo điều
kiện cho việc phân tích sự khác biệt độ chính xác dự đoán cũng như sự đóng góp của các bộ khác nhau
của các biến (tỷ lệ báo cáo tài chính, các chỉ số kinh tế vĩ mô, và các biến thị trường) theo thời gian.
Figs. 1-4 cho thấy một biểu đồ đại diện của các cuộc thảo luận được rút ra từ Bảng 7, liên quan đến sự
24
khác biệt về độ chính xác dự đoán của các mô hình thông qua việc giải thích của AUCs của mình: có
thể khẳng định sự đóng góp của các chỉ số kinh tế vĩ mô để thực hiện các mô hình kế toán là tích cực
khi mô hình được ước tính trong t - 1, tuy nhiên, kết quả là ít kết luận khi mô hình được ước tính trong
t - 2: có cả một sụt giảm rất nhỏ trong hoạt động đòi hỏi bởi sự bao gồm các chỉ số kinh tế vĩ mô.Từ đó
có thể là kết luận rằng tỷ lệ báo cáo tài chính là thể hiện mạnh hơn để dự đoán kiệt quệ tài chính trong
thời gian t - 2. Mặt khác, sự bao gồm các biến thị trường cho thấy kết quả gia tăng đáng kể độ chính
xác của các mô hình tiên đoán 'kế toán cộng với chỉ số kinh tế vĩ mô”, thể hiện tính thống nhất khi
chúng được ước tính trong cả hai thời kỳ t - 1 và t - 2. Cuối cùng, nó là đáng chú ý là bốn so sánh của
vùng dưới đường cong cho thấy một tổng thể p-value = < 0.0001 mà chỉ ra rằng bác bỏ giả thuyết Ho.
Nói cách khác, giá trị p-value nhỏ của các kết quả từ các thử nghiệm mạnh mẽ cho thấy rằng ba lĩnh
vực khác nhau về mặt thống kê và phân tích là đáng tin cậy.
Hình 1: so sánh các miền bên dười đường cong ROC của mô hình 1, 2 và 3 ước tính trong khoảng thời
gian t - 1. Con số AUC của mô hình "chỉ bao gồm các chỉ số tài chính”, mô hình các chỉ số tài chính
thêm và biến vĩ mô mô hình "mô hình đầy đủ," bao gồm các biến thị trường lần lượt tương ứng là mô
hình 1, mô hình 2, và mô hình 3 ước tính trong khoảng thời gian t - 1. Việc so sánh được thực hiện

bằng cách sử dụng phương pháp phi tham số để so sánh tương quan của các miền dưới đường con ROC
như được trình bày trong Delong ( 1988), trong đó mô hình 1 AUC = 0.87, mô hình 2 AUC = 0.88 và
mô hình 3 AUC = 0.92. Độ chính xác khác nhau của các mô hình AUC bằng các đường chéo trong
hình (0.50) sẽ không có nhiều khác biệt so với mẫu ngẫu nhiên.Ngược lại, một AUC bằng 1 sẽ cho thấy
mô hình là hoàn toàn phân biệt các kết quả nhị phân. Do đó, càng gần giá trị thật của một AUC trong lý
thuyết, tốt hơn khả năng phân biệt của nó. Các tổng thể p-value = <0.0001 chỉ ra rằng giả thuyết về sự
bình đẳng của các miền dưới đường cong ROC có thể bị bát bỏ. Nói cách khác, giá trị p-value nhỏ
trong kiểm tra này cho thấy một kết quả mạnh mẽ rằng 3 miền này khác nhau về mặt thống kê.
25
Hình.2: so sánh các miền dưới đường cong ROC của mô hình 2và3ước tínhtrongkhoảng thời giant-
1.Con sốAUC củahai mô hình vớikhả năngphân biệttốt nhất: Mô hình 2vàhình3ước tínhtrongkhoảng
thời giant–1 tương ứng là các mô hình gồm các chỉ số tài chính và vĩ mô và mô hình đầy đủ bao gồm
thêm các biến thị trường. Việc so sánhđược thực hiệnbằng cách sử dụngphương phápphi tham số đểso
sánhcác vùngdướiđường congROCtương quantrình bày trongDeLongetal. (1988), nơiModel
2AUC=0.88, vàModel 3AUC=0,92. Độ chính xácphân biệt đối xửcủaAUCcủa mộtmô
hìnhbằngcácđường chéo tronghình ảnh (0.50) sẽ không cókhác biệt so vớimột đoánngẫu nhiên.Ngược
lại, mộtAUCbằng 1cho thấy mô hình hoàn toànphân biệtcáckết quảnhị phân. Do đó, càng gần giá trị
thật của một AUC trong lý thuyết, tốt hơn khả năng phân biệt của nó. Các tổng thể p-value = <0.0001
chỉ ra rằng giả thuyết về sự bình đẳng của các miền dưới đường cong ROC có thể bị bát bỏ. Nói cách
khác, giá trị p-value nhỏ trong kiểm tra này cho thấy một kết quả mạnh mẽ rằng 3 miền này khác nhau
về mặt thống kê.