Phân tích khả năng kiệt quệ tài chính của công ty trong ngành bất động sản việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM
----------------------------

NGUYỄN PHƯỚC MỸ CHÂN

PHÂN TÍCH KHẢ NĂNG KIỆT QUỆ TÀI CHÍNH
CỦA CÔNG TY TRONG NGÀNH BẤT ĐỘNG SẢN
VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

TP. Hồ Chí Minh – Năm 2013


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC KINH TẾ TP. HCM
----------------------------

NGUYỄN PHƯỚC MỸ CHÂN

PHÂN TÍCH KHẢ NĂNG KIỆT QUỆ TÀI CHÍNH
CỦA CÔNG TY TRONG NGÀNH BẤT ĐỘNG SẢN
VIỆT NAM

Chuyên ngành

: Tài chính – Ngân hàng

Mã số

: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
Tiến sĩ: BÙI HỮU PHƯỚC

TP. Hồ Chí Minh – Năm 2013


MỤC LỤC
MỤC LỤC
LỜI CAM ĐOAN
DANH MỤC TỪ VIẾT TẮT
DANH MỤC HÌNH VÀ BẢNG BIỂU
1. Giới thiệu: ...........................................................................................................1
1.1 Lý do chọn đề tài: .........................................................................................1
1.2 Vấn đề nghiên cứu: .......................................................................................3
1.3 Mục tiêu nghiên cứu: ....................................................................................3
1.4 Phương pháp nghiên cứu: .............................................................................3
1.5 Phạm vi và đối tượng nghiên cứu: ................................................................3
1.6 Nội dung nghiên cứu: ...................................................................................3
1.7 Ý nghĩa của công trình nghiên cứu: ..............................................................4
2. Tổng quan các kết quả nghiên cứu về mô hình dự báo kiệt quệ tài chính doanh
nghiệp trên thế giới: ................................................................................................5
2.1. Trường phái mô hình MDA: .....................................................................5
2.2. Trường phái mô hình Logit: ......................................................................6
2.3. Trường phái mô hình cây phân lớp, mạng nơ ron:....................................8
2.4. Trường phái mô hình Z-score: ..................................................................9
3. Mô hình dự báo kiệt quệ đề xuất: .....................................................................11
3.1. Mô hình Binary Logistic: ........................................................................11

3.2. Diễn dịch các hệ số hồi quy của mô hình Binary Logistic: ....................13
3.3. Độ phù hợp của mô hình: ........................................................................14
3.4. Kiểm định ý nghĩa của các hệ số:............................................................14
3.5. Xác định biến phụ thuộc: ........................................................................14
3.6. Xác định biến độc lập:.............................................................................16
4. Kiểm định mô hình tác động của các chỉ số tài chính đến dự báo kiệt quệ của
các công ty trong ngành bất động sản:..................................................................19
4.1. Phương pháp kiểm định và thu thập số liệu: ...........................................19
4.2. Vận dụng mô hình hồi quy Binary Logistic cho mục đích phân tích kiệt
quệ tài chính: .....................................................................................................29
5. Kết luận: ............................................................................................................30
5.1. Kết luận: .....................................................................................................30
5.2. Giải pháp từ kết quả nghiên cứu thực nghiệm: ..........................................30
5.3. Hạn chế của đề tài: .....................................................................................31
TÀI LIỆU THAM KHẢO ....................................................................................33
PHỤ LỤC .............................................................................................................35


LỜI CAM ĐOAN
Tôi xin cam đoan rằng đây là công trình nghiên cứu của tôi, có sự
hỗ trợ từ giáo viên hướng dẫn. Nhân dịp này tôi cũng xin bày tỏ lòng cảm
ơn đối với giáo viên hướng dẫn và quý thầy cô đã hướng dẫn tôi trong suốt
hai năm học.
Các nội dung nghiên cứu và kết quả trong đề tài này là trung thực và
chưa từng được ai công bố trong bất kỳ công trình nào.
TPHCM, ngày

tháng

năm 2013

Tác giả

Nguyễn Phước Mỹ Chân


DANH MỤC TỪ VIẾT TẮT
HNX

: Sở Giao dịch Chứng khoán Hà Nội

HOSE

: Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh

MDA

: Mô hình phân tích đa biến phân biệt (multiple-discriminate

analysis model)
TPHCM

: Thành phố Hồ Chí Minh

ROA

: Tỷ suất sinh lợi trên tổng tài sản

CHAID

: Chi-square automatic interaction detection


DANH MỤC HÌNH VÀ BẢNG BIỂU

Bảng 3. 1: Các nhân tố tác động đến sự kiệt quệ tài chính của doanh nghiệp. ....16
Bảng 3.2: Các nhân tố đề xuất kiểm định dự báo kiệt quệ tài chính của doanh
nghiệp ngành bất động sản. ..................................................................................17

Hình 4. 1: Mô hình logit với biến phụ thuộc C1, FE ............................................20
Hình 4. 2: Mô hình logit với biến phụ thuộc C1, RE ...........................................21
Hình 4. 3: Kiểm định Hausman để lựa chọn mô hình logit với biến phụ thuộc C1
...............................................................................................................................22
Hình 4. 4: Mô hình probit với biến phụ thuộc C, RE ...........................................24
Hình 4. 5: Mô hình probit với biến phụ thuộc C1, RE .........................................26


1

1. Giới thiệu:
1.1 Lý do chọn đề tài:
Dự báo kiệt quệ tài chính là một trong những đối tượng nghiên cứu trong
lĩnh vực tài chính doanh nghiệp. Những nghiên cứu đầu tiên về vấn đề này cần
kể đến đóng góp to lớn từ công trình của Beaver (1966) và Altman (1968).
Nhiều nhà nghiên cứu sau đó đã tiếp tục cải tiến và nghiên cứu lặp lại về mặt
thiết kế hoặc mô hình nghiên cứu v.v. tại nhiều thị trường khác nhau trên thế
giới (xem Altman và cộng sự (1977), Apetiti (1984), Izan (1984), Micha
(1984), Shirata (1998), Ganessalingam va Kumar (2001) - trường phái mô
hình phân tích đa biến phân biệt (Multivariate Discriminant Analysis - MDA);
Ohlson (1980), Shumway (2001), Hillegeist (2004) - trường phái mô hình

logit; Bell và cộng sự (1990), Tam và Kiang (1992), Wilson và cộng sự
(1992), Coat và Fant (1993), Udo (1993), Fletcher và Goss (1993), Altman và
cộng sự (1994), Boritz và Kennedy (1995), Back và cộng sự (1996), Etheridge
và Sriam (1997), Yang và cộng sự (1999), Fan và Palaniswami (2000), Atiya
(2001), Zheng và Yanhui (2007) - trường phái mô hình cây phân lớp (decision
trees), mạng nơ ron (neural networks); Taffler (1984) - trường phái mô hình
Z-score).
Trong bối cảnh các nền kinh tế mới nổi (như trường hợp Việt Nam), đề
tài này không được chú ý nhiều vì lịch sử ngắn ngủi của các thị trường tài
chính của các nền kinh tế này. Trong phạm vi hiểu biết của tác giả, tại Việt
Nam có một số nhà nghiên cứu đã tiến hành nghiên cứu lặp để kiểm định các
mô hình trên trong điều kiện của nước ta nhưng chủ yếu đi sâu vào phân tích
thống kê mô tả là chủ yếu, và chưa nhiều các nghiên cứu định lượng để kiểm


2

chứng các lý thuyết khoa học này (mô hình dự báo) với dữ liệu hiện có tại
nước ta.
Trên thế giới tồn tại nhiều quan điểm khi đề cập đến như vấn đề kiệt quệ
tài chính (financial distress) sẽ xảy ra khi doanh nghiệp không đáp ứng được
các hứa hẹn với chủ nợ hay đáp ứng một cách khó khăn. Đôi khi kiệt quệ tài
chính sẽ đưa đến phá sản, đôi khi nó chỉ có nghĩa là công ty đang gặp khó
khăn, rắc rối về tài chính.
Theo số liệu từ Tạp chí Kinh tế và Dự báo, trong năm 2012 số lượng
doanh nghiệp tạm dừng hoạt động và giải thể là 48.473 doanh nghiệp, trong
đó 39.936 doanh nghiệp dừng hoạt động và 8.537 doanh nghiệp đã giải thể. Số
doanh nghiệp giải thể tập trung vào các thành phố lớn như Hà Nội và
TPHCM. Trong bối cảnh đó, theo CafeF thì hầu hết các doanh nghiệp bất
động sản hiện nay đều bị thua lỗ, có nhiều doanh nghiệp đứng trước nguy cơ

phá sản vì nợ xấu tăng, nợ vay lớn, không thể cơ cấu lại nợ đến hạn, hàng tồn
kho lớn không bán được. Tuy nhiên có thể nhận thấy những số liệu và nhận
định trên nếu cho rằng doanh nghiệp sản xuất kinh doanh nói chung và doanh
nghiệp bất động sản nói riêng đang rơi vào tình trạng kiệt quệ tài chính thì sẽ
mang tính chủ quan vì suy luận đưa ra không dựa trên một mô hình đánh giá
với những nhân tố phù hợp với thị trường Việt Nam.
Với những quan điểm trên, tác giả thấy rằng việc tìm kiếm mô hình dự
báo kiệt quệ tài chính hợp lý cho các doanh nghiệp ngành bất động sản là một
vấn đề thực tế đặt ra đòi hỏi phải nghiên cứu và có những giải pháp giải quyết
hợp lý, mang lại hiệu quả đáp ứng yêu cầu ổn định và phát triển của doanh
nghiệp bất động sản nói riêng, và của nền kinh tế nói chung.


3

1.2 Vấn đề nghiên cứu:
Đề tài này tác giả tập trung vào các nội dung lý thuyết về các mô hình
kiệt quệ tài chính đã được nghiên cứu trước đây.
1.3 Mục tiêu nghiên cứu:
- Giới thiệu mô hình nhân tố dự báo kiệt quệ tài chính cho các doanh
nghiệp ngành bất động sản Việt Nam.
- Kiểm định sự phù hợp của mô hình và chỉ ra những nhân tố có ý nghĩa
trong dự báo kiệt quệ tài chính của các doanh nghiệp bất động sản Việt Nam.
1.4 Phương pháp nghiên cứu:
Tổng hợp và nghiên cứu các dữ liệu định tính kết hợp với các thống kê
phân tích các dữ liệu định lượng nhằm làm rõ vấn đề cần nghiên cứu.
Phương pháp định lượng đó là Excel, Stata.
Nguồn dữ liệu từ thị trường chứng khoán Việt Nam.
1.5 Phạm vi và đối tượng nghiên cứu:
Đối với bài nghiên cứu này, tác giả chỉ dừng lại ở việc kiểm định sự tác

động của các nhân tố đến việc dự báo kiệt quệ tài chính của các doanh nghiệp
bất động sản niêm yết trên sàn HOSE và HNX từ năm 2005 đến 2012. Sau khi
tổng hợp số liệu và hồi quy theo mô hình kinh tế lượng, tác giả đưa ra nhận
xét về các nhân tố ảnh hưởng đến dự báo kiệt quệ tài chính như thế nào.
1.6 Nội dung nghiên cứu:
Chương 1: Giới thiệu.
Chương 2: Tổng quan các kết quả nghiên cứu về mô hình dự báo kiệt quệ
tài chính doanh nghiệp trên thế giới.
Chương 3: Mô hình dự báo kiệt quệ tài chính đề xuất.


4

Chương 4: Nghiên cứu thực nghiệm các công ty ngành bất động sản tại
Việt Nam.
- Kiểm định mô hình tác động của các nhân tố ảnh hưởng đến dự báo kiệt
quệ tài chính của các công ty bất động sản Việt Nam.
- Trình bày kết luận kiểm định từ mô hình nghiên cứu.
Chương 5. Kết luận
- Kết luận, kiến nghị một số giải pháp.
- Hạn chế của đề tài và hướng nghiên cứu tiếp theo.
1.7 Ý nghĩa của công trình nghiên cứu:
Về mặt lý luận: hệ thống lại các lý thuyết về mô hình dự báo kiệt quệ tài
chính trên thế giới.
Về mặt thực tiễn: đề tài cũng đã trình bày tác động của một số nhân tố
đến việc dự báo kiệt quệ tài chính của các doanh nghiệp bất động sản Việt
Nam và cung cấp được thêm một bằng chứng thực nghiệm chứng minh cho
việc áp dụng mô hình dự báo kiệt quệ tài chính tại Việt Nam.

5

2. Tổng quan các kết quả nghiên cứu về mô hình dự báo kiệt quệ tài
chính doanh nghiệp trên thế giới:
Beaver (1966) đã đặt những nền tảng đầu tiên cho việc phát triển mô hình
định lượng dự báo sự phá sản của các công ty thông qua việc xây dựng thang
kiểm tra phân loại dựa trên kiểm định t trong điều kiện đơn biến. Trong
nghiên cứu thực nghiệm, Beaver đã sử dụng các chỉ tiêu tài chính thu thập từ
79 công ty (“phá sản” và “không phá sản”) trong giai đoạn 1954 - 1964 và
khám phá ra chỉ một chỉ số tài chính (tiền mặt/tổng nợ) là nhân tố dự báo tốt
nhất về việc phá sản doanh nghiệp.
Tiếp theo đó, các nhà nghiên cứu đã tiến hành những nghiên cứu lặp tại
nhiều thị trường khác nhau và nghiên cứu phát triển mô hình, cũng như đề
xuất mô hình nghiên cứu khác, tựu chung tác giả thống kê được 4 trường phái
được nghiên cứu phổ biến và công nhận rộng rãi, được tóm tắt như sau:
2.1.

Trường phái mô hình MDA:

Altman (1968) đưa ra mô hình nghiên cứu MDA:
Pi = α+β1X1it+ β2X2it+ β3X3it+β4X4it+ β5X5it
Pi: Xác suất công ty phá sản, bằng 0 nếu công ty phá sản và bằng 1 trong
trường hợp còn lại.
X1: Vốn luân chuyển/ Tổng tài sản
X2: Thu nhập giữ lại/ Tổng tài sản
X3: Lợi nhuận trước thuế/ Tổng tài sản
X4: Giá trị thị trường/ Giá trị sổ sách của các khoản nợ
X5: Doanh thu/ Tổng tài sản
Qua kiểm định 33 công ty phá sản và 33 công ty bình thường trong giai
đoạn 1946 – 1964, tác giả khám phá ra 5 nhân tố có ý nghĩa dự báo việc phá

6

sản doanh nghiệp (Vốn luân chuyển/Tổng tài sản, Thu nhập giữ lại/Tổng tài
sản, Lợi nhuận trước thuế/Tổng tài sản, Giá trị thị trường/Giá trị sổ sách của
các khoản nợ, Doanh thu/Tổng tài sản) với độ phù hợp đến 95%. Vì lý do này,
mô hình MDA được sử dụng rộng rãi bởi các nhà nghiên cứu sau này về phá
sản doanh nghiệp như Altman và cộng sự (1977), Apetiti (1984), Izan (1984),
Micha (1984), Shirata (1998), Ganessalingam và Kumar (2001).
2.2.

Trường phái mô hình Logit:

Tuy nhiên, Eisenbeis (1977), Ohlson (1980) và Jones (1987) phát hiện ra
một số điều chưa thỏa đáng trong mô hình MDA khi đưa ra những giả định
dựa vào tính tiêu chuẩn và độ phân tán nhóm. Điều này có lẽ dẫn đến chệch
trong kiểm định ý nghĩa và dự báo tỷ lệ sai số.
Ohlson (1980) đã giới thiệu mô hình Logit:
Pi=1/[1+exp{-(α+β1X1it+ β2X2it+ β3X3it+β4X4it+ β5X5it+ β6X6it+ β7X7it+
β8X8it+ β9X9it)}]
X1: log(Tổng tài sản/ Chỉ số giá theo GNP).
X2: Tổng nợ/ Tổng tài sản.
X3: Vốn luân chuyển/ Tổng tài sản.
X4: Nợ ngắn hạn/ Tổng tài sản.
X5: 1 nếu nợ>tài sản, ngược lại bằng 0.
X6: Lãi ròng/ Tổng tài sản.
X7: Dòng tiền chi hoạt động/ Tổng nợ.
X8: 1 nếu thu nhập <0 trong 2 năm, ngược lại bằng 0.
X9: % thay đổi thu nhập.

Trong đó ông thu thập số liệu từ 105 công ty phá sản và 2.058 công ty
bình thường trong giai đoạn 1970 - 1976. Kết quả kiểm định cho thấy quy mô,


7

cấu trúc tài chính (Tổng nợ/Tổng tài sản), biểu hiện và thanh khoản hiện hành
là những nhân tố quyết định việc phá sản doanh nghiệp. Ngoài ra, mô hình
Logit này chỉ sử dụng dữ liệu trung bình tại một giai đoạn. Do đó, chỉ thực
hiện quan sát một năm cho các công ty. Các biến phụ thuộc này được phân
loại thành 2 trạng thái là “kiệt quệ” và “không kiệt quệ”.
Đến năm 2004, hai vấn đề kinh tế lượng của mô hình Logit tại một thời
điểm được đem ra thảo luận (Hillegiesit, 2004). Vấn đề đầu tiên là việc chọn
mẫu chéo, điều này phát sinh từ việc sử dụng quan sát về các công ty phá sản
một cách không ngẫu nhiên, và vấn đề thứ hai là việc mô hình thất bại khi tính
toán những thay đổi theo thời gian để phản ánh những rủi ro cơ bản của việc
phá sản. Điều này dẫn tới sự phụ thuộc việc thu thập dữ liệu tại một thời điểm
nào đó. Shumway (2001) chỉ ra rằng những vấn đề này dẫn tới ước lượng bị
chệch, không hiệu quả và mâu thuẫn nhau. Nhằm giải quyết các vấn đề này,
Shumway (2001) đã dự báo sự phá sản thông qua mô hình Hazard và khám
phá ra rằng mô hình này ưu việt hơn mô hình Logit được giới thiệu trước đây
và mô hình MDA. Mô hình này thật sự là mô hình Logit đa thời điểm bởi vì
chức năng thật sự của 2 mô hình là giống nhau. Vì lý do đó, mô hình Hazard
có thời gian rời rạc với hiệp phương sai thời gian, có thể được ước lượng
thông qua các máy tính hiện tại bằng phân tích hồi quy binary logistic. Đặc
tính chính của mô hình Hazard bao gồm hiệp phương sai cụ thể của công ty
cần được cho phép biến thiên theo thời gian để ước lượng hiệu quả hơn và
chức năng cơ bản của Hazard cũng cần, nhưng hiệp phương sai này có thể
được ước lượng trực tiếp với các nhân tố vĩ mô để phản ánh những thay đổi
quan trọng trong môi trường.

8

2.3.

Trường phái mô hình cây phân lớp, mạng nơ ron:

Trong những năm gần đây, trong dự báo kiệt quệ tài chính thì các loại
thuật toán khám phá được chú ý như mạng nơ ron (neural networks) và cây
phân nhánh (decision tree) và được áp dụng cho các vấn đề dự báo phá sản và
một số cải tiến đáng lưu ý. Những nghiên cứu về dự báo phá sản khởi đầu từ
năm 1990 với Bell và cộng sự (1990), Tam và Kiang (1992), Wilson và cộng
sự (1992), Coat và Fant (1993), Udo (1993), Fletcher và Goss (1993), Altman
và cộng sự (1994), Boritz và Kennedy (1995), Back và cộng sự (1996),
Etheridge và Sriam (1997), Yang và cộng sự (1999), Fan và Palaniswami
(2000), Atiya (2001) sử dụng để dự báo kiệt quệ tài chính cho ngành ngân
hàng và một số ngành nghề kinh doanh khác vẫn tiếp tục còn giá trị thực tiễn.
Mạng nơ ron là một cấu trúc phi tuyến tính do đó chúng có thể phân biệt
những mẫu không thể phân tách một cách tuyến tính và không cần dữ liệu để
theo dõi bất kỳ sự phân phối xác suất cụ thể nào. Mạng nơ ron được khám phá
là một cách phân loại tốt hơn là các phương pháp phân tích biệt số trong một
số công trình dựa trên số liệu thống kê từ các công ty Mỹ (Odom và Shada,
1990; Tan và Kiang, 1990, 1992; Coats và Fant, 1993; Wilson và Sharda,
1994).
Tuy nhiên, khuyết điểm chính của các mô hình mạng nơ ron là sự khó
khăn khi xây dựng mô hình, thời gian cần để hoàn tất quá trình lặp đi lặp lại
và sự khó khăn trong việc diễn dịch mô hình. So với mô hình mạng nơ ron,
mô hình cây phân nhánh không chỉ là cấu trúc phi tuyến tính (những mẫu
không thể phân tách một cách tuyến tính và cho phép dữ liệu để theo dõi bất

kỳ sự phân phối xác suất cụ thể nào), mà còn dễ dàng để diễn dịch kết quả mà


9

không cần có sự chuẩn bị nhiều ở dữ liệu ban đầu và xử lý tốt với lượng dữ
liệu lớn trong thời gian ngắn.
Zheng và Yanhui (2007) đã dùng phương pháp cây phân nhánh để dự báo
kiệt quệ tài chính trong nghiên cứu của mình. Các tác giả đã giới thiệu những
ưu điểm của việc sử dụng cây phân nhánh CHAID (Chi-square automatic
interaction detection) khi so sánh với mô hình mạng nơ ron là phức tạp trong
xây dựng và diễn dịch hoặc mô hình thống kê như là hồi quy bội và hồi quy
logistic khi những mẫu cơ sở dữ liệu cần phân tách một cách tuyến tính và
mẫu phải theo phân phối chuẩn đa biến. Nghiên cứu của hai ông trên 48 công
ty niêm yết trên sàn chứng khoán Trung Quốc trong giai đoạn 2003 - 2005 và
khám phá ra những nhân tố ảnh hưởng đến dự báo kiệt quệ tài chính là Dòng
tiền mặt từ hoạt động/Nợ hiện hành, ROA, Tăng trưởng tổng tài sản và Tỷ lệ
phải thu khách hàng. Hai ông cũng lưu ý rằng thật không phù hợp khi sử dụng
thông tin tài chính để dự báo kiệt quệ tài chính chỉ trước 4 năm. Tuy nhiên, kết
quả này được chứng minh bởi kết quả của nghiên cứu kiểm định trong đó chỉ
ra mô hình phân nhánh cây là mô hình có giá trị trong dự báo kiệt quệ tài
chính ở Trung Quốc với mức độ giải thích lên tới 80%.
2.4.

Trường phái mô hình Z-score:

Altman (1968) nghiên cứu các công ty khác nhau tại Mỹ và phát minh ra
chỉ số Z (Z-score). Chỉ số này được công nhận và sử dụng rộng rãi tại nhiều
nước trên thế giới. Chỉ số này bao gồm 5 chỉ số X1 (Vốn luân chuyển/Tổng tài
sản), X2 (Lợi nhuận giữ lại/Tổng tài sản), X3 (Lợi nhuận trước lãi vay và

thuế/Tổng tài sản), X4 (Giá trị thị trường của vốn chủ sở hữu/Giá trị sổ sách
của tổng nợ), X5 (Doanh thu/Tổng tài sản), cụ thể như trường hợp doanh
nghiệp đã cổ phần hóa ngành sản xuất Altman đề xuất mô hình:


10

Z = 1.2X1 +1.4X2 + 3.3X3 + 0.64X4 + 0.999X5
Mô hình này được diễn giải như sau:
Nếu Z > 2.99: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ
kiệt quệ.
Nếu 1.8 < Z < 2.99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có
nguy cơ kiệt quệ.
Nếu Z <1.8: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ kiệt quệ
cao.
Từ mô hình của Altman có thể thấy doanh nghiệp cần quản trị để tăng chỉ
số Z lên, tùy theo tình huống mà sẽ quyết định những giải pháp cụ thể. Ví dụ:
trong trường hợp tài sản đang bị nợ, khi bán chúng đi, vốn luân chuyển có thể
sẽ không tăng lên, nhưng tổng nợ (mẫu số X4) sẽ giảm, chi phí lãi vay và
khấu hao cũng giảm. Tỷ lệ lợi nhuận vì thế sẽ tăng, tử số X2, X3 sẽ tăng lên.
Nếu quản lý tốt doanh nghiệp sẽ có thêm tiền mặt để hoạt động, tức là có thêm
vốn luân chuyển điều này làm tử số X1 tăng lên theo. Từ ví dụ trên, có thể
thấy việc bán đi những tài sản không hoạt động sẽ tạo ra ảnh hưởng tốt đến sự
tăng trưởng của các chỉ số Z. Cần lưu ý không phải việc bán tài sản nào cũng
làm chỉ số Z tăng lên (những tài sản là nguồn chủ yếu phát sinh doanh thu) do
đó doanh nghiệp phải cẩn trọng trong việc phân loại tài sản.


11

3. Mô hình dự báo kiệt quệ đề xuất:
Để dự báo khả năng xảy ra sự kiệt quệ tài chính của doanh nghiệp ngành
bất động sản mà ta quan quan tâm (chính là xác suất xảy ra), cụ thể trong
trường hợp này là doanh nghiệp nghiên cứu có ở trong tình trạng kiệt quệ tài
chính hay không. Biến nghiên cứu có hai biểu hiện như vậy gọi là biến thay
phiên, hai biểu hiện này sẽ được mã hóa thành hai giá trị là 0 và 1 và ở dưới
dạng này gọi là biến nhị phân. Khi biến phụ thuộc ở dạng nhị phân thì không
thể phân tích với dạng hồi quy thông thường vì làm như vậy sẽ xâm phạm các
giả định, rất dễ thấy là khi biến phụ thuộc chỉ có hai biểu hiện thì thật không
phù hợp khi giả định rằng phần dư có phân phối chuẩn, mà thay vào đó sẽ có
phân phối nhị thức, điều này sẽ làm mất hiệu lực của các kiểm định thống kê
trong phép hồi quy thông thường. Một khó khăn khác khi dùng hồi quy tuyến
tính thông thường là giá trị dự đoán được của biến phụ thuộc không thể được
diễn dịch như xác xuất (giá trị ước lượng của biến phụ thuộc trong hồi quy
Binary Logistic phải rơi vào khoảng (0,1)). Do đó, tác giả ứng dụng hồi quy
Binary Logistic để xây dựng mô hình kiểm định dự đoán khả năng xảy ra sự
kiệt quệ tài chính của doanh nghiệp bất động sản tại Việt Nam với những
thông tin của biến độc lập (biến tài chính) mà tác giả có được.
3.1.

Mô hình Binary Logistic:

Với hồi quy Binary Logistic, thông tin chúng ta cần thu thập về biến phụ
thuộc là một sự kiện nào đó có xảy ra hay không, biến phụ thuộc Y lúc này có
hai giá trị 0 và 1, với 0 là không xảy ra hiện tượng ta quan tâm và 1 là có xảy
ra, và tất nhiên là cả thông tin về các biến độc lập X. Từ biến phụ thuộc nhị
phân này, một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra theo
quy tắc nếu xác suất được dự đoán lớn hơn 0,5 thì kết quả dự đoán sẽ cho là

12

“có” xảy ra sự kiện, ngược lại thì kết quả dự đoán sẽ là “không”. Chúng ta sẽ
nghiên cứu mô hình hàm Binary Logistic trong trường hợp đơn giản nhất là
khi chỉ có một biến độc lập X.
Ta có mô hình hàm Binary Logistic như sau:
Pi=E(Y=
Trong công thức này Pi=E(Y=

1

)=

)=P(Y=1) gọi là xác suất để sự kiện

xảy ra (Y=1) khi biến độc lập X có giá trị cụ thể là Xi. Ký hiệu biểu thức
là z, ta viết lại mô hình Binary Logistic như sau:
Pi=E(Y=

)=

Vậy thì xác suất không xảy ra sự kiện là:
P(Y=0)=1- P(Y=1)= 1 -

Thực hiện phép so sánh giữa xác suất một sự kiện xảy ra với xác suất sự
kiện đó không xảy ra, tỷ lệ chênh lệch này có thể được thể hiện trong công
thức:
=
Lấy log cơ số e hai vế của phương trình trên rồi thực hiện biến đổi vế
phải ta được kết quả là

]=
Vì
1

=z nên kết quả cuối cùng là

Hoàng Trọng, Chu Nguyễn Mộng Ngọc (2008), Phân tích dữ liệu nghiên cứu với SPSS, Tập 2, trang3


13

=
Hay viết cách khác:
=

(*)

là dạng hàm hồi quy Binary Logistic. Và ta có thể mở rộng mô hình
Binary Logistic cho 2 hay nhiều biến độc lập Xk. Như vậy, việc ứng dụng mô
hình Binary Logistic cho nhiều biến độc lập (biến tài chính) theo mô hình của
tác giả là phù hợp.
3.2.

Diễn dịch các hệ số hồi quy của mô hình Binary

Logistic:
Tên gọi hồi quy Binary Logistic xuất phát từ quá trình biến đổi lấy
logarit của thủ tục này. Sự chuyển hóa này làm cho các hệ số của hồi quy
Binary Logistic có nghĩa khác với hệ số hồi quy trong trường hợp thông
thường với các biến phụ thuộc dạng thập phân và trở nên khó diễn dịch ý

nghĩa.
Từ công thức (*) ta hiểu hệ số ước lượng
tăng

vị thì

cho biết khi X1 tăng một đơn

đơn vị.

Tuy nhiên nếu ta chỉ quan tâm đến chiều hướng của tác động thì thấy
rằng phương trình bên trái của (*) đồng biến với Pi (tức xác suất Y=1) nên nếu
hệ số

mang dấu dương thì tăng Xi sẽ làm tăng khả năng Y nhận giá trị 1

trong khi hệ số
Ta có

mang dấu âm sẽ làm giảm khả năng này.


14

Điều này được diễn dịch là tác động biên của X1 lên xác suất Y nhận giá
trị bằng 1 phụ thuộc vào giá trị của X. Tác động biên của X1 lên khả năng Y=1
xác định với xác suất ban đầu = 0,5.
3.3.

Độ phù hợp của mô hình:

Hồi quy Binary Logistic cũng đòi hỏi ta phải đánh giá độ phù hợp của
mô hình. Đo lường độ phù hợp tổng quát của mô hình Binary Logistic được
dựa trên chỉ tiêu -2LL (viết tắt của – 2 log likelihood), thước đo này có ý
nghĩa giống như SSE (Sum of squares of error) nghĩa là càng nhỏ càng tốt, giá
trị -2LL càng nhỏ càng thể hiện độ phù hợp cao. Vấn đề này được các phần
mềm xử lý nên hỗ trợ nhiều cho việc diễn dịch độ phù hợp của mô hình.
3.4.

Kiểm định ý nghĩa của các hệ số:

Đối với hồi quy Binary Logistic, đại lượng Wald Chi Square được sử
dụng để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể. Cách sử dụng
mức ý nghĩa Sig. cho kiểm định Wald cũng theo quy tắc thông thường. Wald
Chi Square được tính bằng cách lấy ước lượng hệ số hồi quy của biến độc lập
trong mô hình Binary Logistic chia cho sai số chuẩn của ước lượng hệ số hồi
quy này, sau đó bình phương lên theo công thức sau:
Wald Chi –Square =
3.5.

Xác định biến phụ thuộc:

Về phương diện pháp lý, theo Luật Doanh nghiệp quy định các trường
hợp giải thể doanh nghiệp như: (i) kết thúc thời hạn hoạt động đã ghi trong
Điều lệ công ty mà không có quyết định gia hạn; (ii) theo quyết định của chủ
doanh nghiệp đối với doanh nghiệp tư nhân; của tất cả thành viên hợp danh
đối với công ty hợp danh; của Hội đồng thành viên, chủ sở hữu công ty đối


15

với công ty trách nhiệm hữu hạn; của Đại hội đồng cổ đông đối với công ty cổ
phần; (iii) Công ty không còn đủ số lượng thành viên tối thiểu theo quy định
của Luật này trong thời hạn sáu tháng liên tục; (iv) Bị thu hồi Giấy chứng
nhận đăng ký kinh doanh.
Theo Luật Phá sản, đề cập doanh nghiệp lâm vào tình trạng phá sản khi
doanh nghiệp không có khả năng thanh toán được các khoản nợ đến hạn khi
chủ nợ có yêu cầu thì coi là lâm vào tình trạng phá sản. Theo hiểu biết của tác
giả, những quy định trong văn bản quy phạm pháp luật mang tính định tính,
tác giả chưa thấy một nghiên cứu mang tính định lượng quy định về biểu hiện
của tình trạng doanh nghiệp kiệt quệ tài chính dẫn tới giải thể hoặc phá sản
theo luật định. Bên cạnh đó, những doanh nghiệp nghiên cứu (niêm yết tại
HOSE và HNX) phải tuân thủ những quy định nghiêm ngặt về công bố thông
tin để được giao dịch trên thị trường và đáp ứng các quy định khắt khe về báo
cáo lãi, lỗ. Do đó, hiện tượng “làm đẹp sổ sách” hay sử dụng “thủ thuật kế
toán” cũng tác động đến các nhà quản lý doanh nghiệp, các cổ đông, nhà đầu
tư và các bên có liên quan khác. Trên cơ sở các lý luận đó, tác giả đề xuất xây
dựng biến phụ thuộc để kiểm định như sau:
Biến phụ thuộc C, được giải thích là 0 trong trường hợp doanh nghiệp có
2 năm lỗ liên tiếp và 1 trong trường hợp còn lại.
Biến phụ thuộc C1, được giải thích là 0 trong trường hợp doanh nghiệp
có 1 năm lỗ và 1 trong trường hợp còn lại.
Biến phụ thuộc là 0 khi doanh nghiệp lâm vào tình trạng kiệt quệ tài
chính và 1 khi doanh nghiệp không lâm vào tình trạng kiệt quệ tài chính.


16

3.6.

Xác định biến độc lập:

Tổng hợp các nghiên cứu trước đây, các nhân tố tác động đến sự kiệt quệ
tài chính của các công ty như sau:
Bảng 3. 1: Các nhân tố tác động đến sự kiệt quệ tài chính của doanh nghiệp.
STT

Biến

Định nghĩa

1
2

I1
I2

WCTA
NITA

3

I3

EBITTA

4

I4

5

Nghiên cứu liên quan

Vốn luân chuyển/ Tổng tài sản
Thu nhập giữ lại/ Tổng tài sản
Lợi nhuận trước thuế/ Tổng tài
sản

Altman (1968), Ohlson (1980)
Altman (1968)
Altman (1968), Ohlson (1980),
Piruna (2009)

MVEBVL

Giá trị thị trường của vốn/Giá trị
sổ sách của các khoản nợ

Altman (1968)

I5

STA

Doanh thu/ Tổng tài sản

6
7
8

9

I6
I7
I8
I9

TA
TLCA
TLTA
INTWO

Quy mô công ty
Tổng nợ/ Tổng tài sản ngắn hạn
Tổng nợ/ Tổng tài sản
Biểu hiện công ty

Altman (1968), Soo-Wah Low
(2001)
Ohlson (1980), Piruna (2009)
Piruna (2009)
Ohlson (1980)
Ohlson (1980)

10

I10

CACL

Tính thanh khoản hiện hành

Soo-Wah Low (2001)

11

I11

CHIN

Phần trăm thay đổi trên thu nhập

12
13
14

I12
I13
I14

NIM
CLE
ROA

Lợi nhuận biên
Nợ phải trả/ Vốn chủ sở hữu
ROA

Ohlson (1980), Soo-Wah Low
(2001)

Andreica (2009)
Andreica (2009)
Piruna (2009)

Nguồn: tác giả tổng hợp.
Từ bảng 3.1, tác giả nhận thấy những nghiên cứu tại các quốc gia phát
triển đưa ra nhiều nhân tố tác động hơn so với các nghiên cứu tại thị trường
mới nổi, như nghiên cứu của Soo-Wah Low (2001) tại Malaysia, Piruna
(2009) tại Thái Lan chỉ có 2, 3 biến nhân tố tác động đến việc dự báo kiệt quệ
tài chính của doanh nghiệp. Trong điều kiện nghiên cứu của ngành bất động
sản nước ta, tác giả đề xuất kiểm định các nhân tố sau:


17

Bảng 3.2: Các nhân tố đề xuất kiểm định dự báo kiệt quệ tài chính của doanh
nghiệp ngành bất động sản.
STT

Biến

Định nghĩa

1

I3

EBITTA Lợi nhuận trước thuế/Tổng tài sản

Nghiên cứu liên quan

Altman (1968), Ohlson (1980),
Piruna (2009)

2

I5

STA

Doanh thu/ Tổng tài sản

Altman (1968), Soo-Wah Low
(2001)

3
4
5
6

I6
I7
I8
I10

TA
TLCA
TLTA
CACL

Quy mô công ty

Tổng nợ/ Tổng tài sản ngắn hạn
Tổng nợ/ Tổng tài sản
Tính thanh khoản hiện hành

Ohlson (1980), Piruna (2009)
Piruna (2009)
Ohlson (1980)
Soo-Wah Low (2001)

7

I11

CHIN

Phần trăm thay đổi trên thu nhập

8
9
10

I12
I13
I14

NIM
CLE
ROA

Lợi nhuận biên

Nợ phải trả/ Vốn chủ sở hữu
ROA

Ohlson (1980), Soo-Wah Low
(2001)
Andreica (2009)
Andreica (2009)
Piruna (2009)

Giả thiết kiểm định tác giả đưa ra như sau:
H0: Xác suất xảy ra hiện tượng kiệt quệ tài chính của doanh nghiệp
không bị ảnh hưởng bởi các biến tài chính.
H1: Xác suất xảy ra hiện tượng kiệt quệ tài chính của doanh nghiệp bị ảnh
hưởng bởi các biến tài chính.
Từ những giả định trên, tác giả đề nghị mô hình Binary Logistic kiểm
định như sau:
Pi=1/[1+exp{-(α+β3EBITTA+ β5STA+ β6TA+ β7TLCA+ β8TLTA+
β10CACL+ β11CHIN+ β12NIM+ β13CLE+ β14ROA)}]
Pi là xác suất doanh nghiệp thứ i rơi vào tình trạng kiệt quệ tài chính.
EBITTA,STA, TA,TLCA, TLTA,CACL, CHIN,NIM, CLE,ROA là những biến
độc lập của doanh nghiệp thứ i. Các biến độc lập đại diện cho các chỉ tiêu tài
chính được tính toán từ các báo cáo tài chính của công ty sau khi hết năm tài


18

chính. Các hệ số ước lượng lần lượt được ký hiệu là β3,β5, β6,β7, β8,β10, β11,β12,
β13,β14 . Khi kiểm định mô hình, ta tiến hành ước lượng các hệ số bằng cách
tối đa hóa khả năng một hiện tượng có thể xảy ra với tên gọi ước lượng với
khả năng xảy ra tối đa (ước lượng thích hợp cực đại - Maximum Likelihood

Estimation).


19

4. Kiểm định mô hình tác động của các chỉ số tài chính đến dự báo
kiệt quệ của các công ty trong ngành bất động sản:
4.1.

Phương pháp kiểm định và thu thập số liệu:

Tác giả tiến hành thu thập dữ liệu từ 58 công ty bất động sản trên thị
trường chứng khoán Việt Nam. Các chỉ số được tính toán dựa trên báo cáo tài
chính đã kiểm toán, số mẫu quan sát thu thập từ 58 công ty trong 8 năm (từ
năm 2005 đến năm 2012), đồng thời tác giả sử dụng phương pháp logit, probit
với các hiệu ứng cố định (FE), hiệu ứng ngẫu nhiên (RE) để kiểm định mô
hình tác giả đề xuất. Tác giả báo cáo quá trình kiểm định mô hình như sau:
Kiểm định mô hình logit với biến phụ thuộc C cho từng hiệu ứng cố
định (FE) và hiệu ứng ngẫu nhiên (RE) để tìm ra mô hình nào hiệu quả:
Kết quả chạy mô hình hiệu ứng FE cho thấy: không cho được kết quả
nên mô hình đề xuất không phù hợp.
Kết quả chạy mô hình hiệu ứng RE cho thấy: không cho được kết quả
nên mô hình đề xuất không phù hợp.