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
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
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,
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.
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
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
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
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
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
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
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
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
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
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
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
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
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.
Copyright: Tài liệu đại học ©