Xem mẫu
- Bản tin Khoa học Trẻ số 1(2), 2015 66
XÂY DỰNG MÔ HÌNH DỰ BÁO PHÁ SẢN CHO CÁC DOANH NGHIỆP NGÀNH
XÂY DỰNG BẤT ĐỘNG SẢN TẠI VIỆT NAM
Nguyễn Lê Huỳnh Như, Nguyễn Quỳnh Như, Đỗ Thị Phương Dung
Khoa Tài chính – Ngân hàng, Đại học Tôn Đức Thắng
Email: dotipidu@gmail.com
(Ngày nhận bài: 14/11/2015; Ngày duyệt đăng: 14/12/2015)
TÓM TẮT
Việc xây dựng mô hình dự báo phá sản giúp các doanh nghiệp có một công cụ hữu ích để
phát hiện sớm các dấu hiệu báo trước nguy cơ về rủi ro kiệt quệ tài chính. Từ đó, sẽ có những
biện pháp quản lý, giám sát đúng lúc, phòng ngừa kịp thời nhằm tránh những tình huống xấu
nhất có thể xảy ra, đó là phá sản. Trong bài nghiên cứu này, mô hình Z-score của giáo sư
Edward Altman được chọn làm cơ sở lý luận. Đồng thời, phương pháp nghiên cứu được sử
dụng trong đề tài này là sự kết hợp giữa phương pháp phân tích tỷ số truyền thống và phương
pháp phân tích tuyến tính đa biệt thức (MDA). Kết quả cuối cùng của đề tài là: Đã xây dựng
được mô hình dự báo phá sản với một biến phụ thuộc và sáu biến độc lập. Mô hình này phù
hợp với nền kinh tế Việt Nam nói chung và đặc biệt dành riêng cho các doanh nghiệp ngành
xây dựng bất động sản nói riêng tại Việt Nam.
Từ khóa: Kiệt quệ tài chính, Mô hình dự báo phá sản, Mô hình Z-score, Ngành cây dựng –
Bất động sản, Phương pháp phân tích tuyến tính đa biệt thức (MDA).
ABSTRACT
The construction of bankruptcy forecasting models help corporations have a useful tool to
detect early warning signs of the risk of exhausting financial risks. Since then, there will be
measures to manage, supervise and timely prevention to avoid the worst situations can occur,
it is bankruptcy. In this study, the Z-score model of professor Edward Altman was selected as
a theoretical basis. Simultaneously, research methods which were used in this study is a
combination of traditional analytical method and Multiple Discriminant Analysis method
(MDA). The end result of this study is: building predictive models for bankruptcy with a
dependent variable and six independent variables. This model is consistent with Vietnam's
economy in general and specifically for the construction - real estate corporations in
Vietnam.
Key words: Exhausting finance, Bankruptcy forecasting model, Z-score model, the
construction - real estate sector, Multiple Discriminant Analysis method (MDA).
GIỚI THIỆU cho nền kinh tế Việt Nam thì chưa thực sự
Hệ thống doanh nghiệp Việt Nam nói chung phù hợp. Vì Mỹ là một nền kinh tế phát triển
và các doanh nghiệp ngành xây dựng - bất nhanh, mạnh. Trong khi Việt Nam chỉ là nền
động sản nói riêng, dù quy mô lớn hay nhỏ, kinh tế đang phát triển và còn non trẻ. Từ
khi phá sản cũng gây ra hệ lụy đến hàng trăm những phân tích trên cho thấy: Đề tài nghiên
nhà đầu tư, đối tác kinh doanh, hàng ngàn cứu này là một trong những bước đầu tiên để
người lao động theo hiệu ứng Domino. Mặt lấp đầy lỗ hổng về mảng dự báo phá sản cho
khác, hiện nay chỉ có một số ít bài nghiên các doanh nghiệp ngành xây dựng - bất động
cứu về vấn đề dự báo phá sản trong phạm vi sản tại Việt Nam nói riêng và nền kinh tế
ở Việt Nam thông qua việc ứng dụng mô Việt Nam nói chung. Từ đó sẽ giúp các
hình dự báo phá sản của Mỹ (Z-score hoặc doanh nghiệp này giám sát đúng lúc, ngăn
Zeta) và chưa có bài nghiên cứu nào trên thế chặn kịp thời, phòng ngừa tối đa và hạn chế
giới tập trung riêng biệt cho nền kinh tế Việt đến mức thấp nhất những ảnh hưởng dây
Nam, đặc biệt là về các doanh nghiệp trong chuyền cũng như những rủi ro dẫn tới nguy
lĩnh vực xây dựng - bất động sản. Mặt khác, cơ thất bại (phá sản hoặc giải thể) và đề cao
khi ứng dụng mô hình dự báo phá sản, được vị thế tài chính của doanh nghiệp mình trong
xây dựng dựa trên các dữ liệu công ty ở Mỹ, nền kinh tế Việt Nam.
- Bản tin Khoa học Trẻ số 1(2), 2015 67
nghiệp đó. Do đó nhóm nghiên cứu cho rằng:
PHƯƠNG PHÁP NGHIÊN CỨU Việc thêm biến X6 vào mô hình sẽ lấp bớt lỗ
Lựa chọn mẫu và thu thập dữ liệu phân hổng cho những bất hợp lí này.
tích: Phương pháp phân tích tỷ số truyền
Số lượng mẫu được lựa chọn là 173 công ty thống:
thuộc ngành xây dựng – bất động sản niêm Phương pháp phân tích tỷ số truyền thống
yết trên thị trường chứng khoán Việt Nam. được sử dụng để xử lý dữ liệu thô ban đầu và
Với lượng mẫu này, nhóm nghiên cứu đã tiến phân loại nhóm mẫu. Việc phân nhóm công
hành phân thành hai nhóm mẫu là: Nhóm 0 ty có nguy cơ phá sản hay không chỉ mang
ký hiệu là nhóm các công ty có nguy cơ phá tính tương đối và dựa vào các tiêu chí sau:
sản (đã hoặc đang lâm vào tình trạng kiệt quệ (1)Lợi nhuận giữ lại; thu nhập trước thuế và
tài chính) và nhóm 1 ký hiệu là nhóm các lãi vay: dương hay âm
công ty đang hoạt động bình thường (có tình (2)Chỉ số thanh toán nhanh: được so sánh với
hình tài chính tương đối ổn định). Thời gian mức 0,5
mà nhóm nghiên cứu chọn và lấy mẫu là 5 (3)Chỉ số thanh toán hiện hành: được so sánh
năm, từ năm 2009 đến năm 2013. Dữ liệu với mức 1
được thu thập từ các báo cáo tài chính hàng (4)Giá trị thị trường của cổ phiếu qua các
năm và dữ liệu giá lịch sử của trên thị trường năm: sự thay đổi biến động (tăng hay
chứng khoán của các công ty. giảm).
Lựa chọn biến: (5)Tỷ số nợ = Tổng nợ / Tổng nguồn vốn:
Các biến chủ yếu là các tỷ số tài chính truyền cao hay thấp hay ở mức trung bình.
thống, được lấy từ các báo cáo tài chính vào Phương pháp phân tích tuyến tính đa biệt
cuối mỗi năm tài chính. Nhóm nghiên cứu đã thức (MDA):
cố gắng tìm và lựa chọn những biến có đặc MDA là một kỹ thuật thống kê dùng để phân
điểm chung nhất nhằm đánh giá và dự báo loại hoặc đưa ra dự đoán về vấn đề mà biến
chính xác hơn. Có 6 biến được lựa chọn đại phụ thuộc xuất hiện trong hình thái chất
diện như sau: lượng dựa theo những đặc điểm cá biệt của
- Chủ động về vốn: X1 = Vốn lưu động / quan sát; ví dụ nam hoặc nữ, phá sản hoặc
Tổng tài sản (WC/TA) không phá sản. Vì vậy bước đầu tiên cần làm
- Khả năng sinh lời:X2 = Lợi nhuận giữ lại / là thiết lập và phân loại nhóm rõ ràng. Số
Tổng tài sản (RE/TA) lượng các nhóm phân loại ban đầu có thể là
X3 = Thu nhập trước thuế và lãi vay / Tổng hai hoặc nhiều hơn. Sau khi các nhóm được
tài sản (EBIT/TA) thiết lập, dữ liệu được thu thập theo mục đích
- Giá trị thị trường của vốn chủ sở hữu đối của các đối tượng trong nhóm; MDA trong
với nợ phải trả hình thức đơn giản nhất của nó là cố gắng
X4 = Giá trị thị trường của vốn chủ sở hữu/ xây dựng quan hệ tuyến tính của những đặc
Nợ phải trả (MVE/TD) điểm mà chúng có thể phân biệt tốt nhất các
- Khả năng tạo doanh thu: X5 = Doanh thu nhóm mẫu với nhau. Ưu điểm cơ bản của
thuần / Tổng tài sản (S/TA) phân tích đa biệt thức trong việc giải quyết
- Hệ số vốn: X6 = Vốn chủ sở hữu/ Tổng vấn đề phân loại công ty là khả năng phân
nguồn vốn (EB/TC) tích toàn bộ hồ sơ biến của đối tượng một
So với mô hình Z-score của giáo sư Altman cách đồng thời, cùng lúc với nhau chứ không
thì nhóm nghiên cứu bổ sung thêm biến X6 phải là kiểm tra tuần tự các đặc điểm cá biệt
vào mô hình của mình do trong quá trình thu của đối tượng đó. Phương pháp phân tích đa
thập dữ liệu nhóm đã phát hiện tính bất cân biệt thức được thực hiện thông qua phần
xứng về thông tin của doanh nghiệp. Nghĩa mềm SPSS với quy trình như sau:
là, một số công ty có doanh thu thấp, lợi Bước 1: Mở phần mềm SPSS Khai báo
nhuận âm trong khi giá trị thị trường của một biến ( khai báo phần Value trong cột đánh giá
cổ phiếu lại rất cao (cao hơn nhiều so với phân loại công ty: nhóm 0 = công ty có nguy
mệnh giá cổ phiếu). Điều này là bất hợp lí vì cơ phá sản, nhóm 1 = công ty hoạt động bình
giá trị thị trường không phản ánh hoặc phản thường, ổn định) chuyển dự liệu từ Excels
ánh kém chính xác giá trị thực sự của doanh qua SPSS
- Bản tin Khoa học Trẻ số 1(2), 2015 68
Bước 2: Vào Analyse chọn Classify trình tuyến tính đa biệt thức có hằng số như
chọn Discriminant. sau:
Bước 3: thêm 6 biến X1, X2, X3, X4, X5, X6 D = 2,715 X1 + (-4,520) X2 + 11,139 X3 + (-
vào mục Independents thêm cột đánh giá 0,632) X4 + 0,285 X5 + 8,406 X6 + (-3,729)
phân loại nhóm vào mục Grouping Variable Giá trị D nằm trong khoản (-1,336; 1,553)
nhấp chọn Define Range đánh số 0 vào - Nếu D ≥ 1,553: Công ty nằm trong vùng
phần Minimum, đánh số 1 vào phần an toàn
Maximum nhấp nút Continue. - Nếu -1,336 < D < 1,553: Công ty nằm
Bước 4: Ở trong hộp thoại Discriminant trong vùng cảnh báo
Analysis đánh dấu chọn vào mục Enter - Nếu D ≤ -1,336 : Công ty nằm trong vùng
independents together. có nguy cơ phá sản cao
Bước 5: Nhấp vào nút Statistics trong hộp Mô hình kết quả nghiên cứu cuối cùng là
thoại mới xuất hiện đánh dấu chọn các mục phương trình tuyến tính đa biệt thức sau khi
sau: Means, Univariable ANOVAs, Box’s M, đã loại bỏ hằng số. Đồng thời sẽ thu được 2
Unstandardized, Within-groups correlation ngưỡng giới hạn mới bằng các lấy 2 ngưỡng
nhấp nút Continue. giới hạn cũ trừ đi hằng số. Ta có mô hình dự
Bước 6: Nhấp vào nút Classify trong hộp báo phá sản được xây dựng mới như sau:
thoại mới xuất hiện đánh dấu chọn các mục D = 2,715 X1 + (-4,520) X2 + 11,139 X3 +
sau: Compute from group sizes, Summary (-0,632) X4 + 0,285 X5 + 8,406 X6
table, Leave one out classification, Within Khi đó giá trị tới hạn D nằm trong khoản
groups, Combined groups, Separate groups, (2,393; 5,282)
Territorial map nhấp nút Continue. - Nếu D ≥ 5,282: Công ty nằm trong vùng
Bước 7: Nhấp vào nút Save trong hộp an toàn
thoại mới xuất hiện đánh dấu chọn các mục - Nếu 2,393 < D < 5,282: Công ty nằm
sau: Predicted group membership và trong vùng cảnh báo
Discriminant scores nhấp nút Continue. - Nếu D ≤ 2,393 : Công ty nằm trong vùng
Bước 8: Ở trong hộp thoại Discriminant có nguy cơ phá sản cao
Analysis nhấp chuột chọn OK. Để kiểm nghiệm mô hình thì ta sẽ thay các
biến từ X1 đến X6 bằng các giá trị cụ thể từ
KẾT QUẢ VÀ THẢO LUẬN các tỷ số tài chính của mỗi công ty và tính ra
Bảng A: Canonical Discriminant Function kết quả chỉ số D. Từ đó so sánh chỉ số D với
2 ngưỡng giới hạn là 2,393 và 5,282 để dự
Coefficients báo được công ty đó có nguy cơ phá sản hay
Function không trong tương lai gần.
X1 2,715
X2 -4,520 KẾT LUẬN
X3 11,139 Đánh giá tình hình tài chính của doanh
X4 -0,632 nghiệp thông qua phân tích giá trị thực từ các
X5 0,285 tỷ số tài chính của công ty. Việc phân tích và
X6 8,406
đưa ra nhận định cần nhiều yếu tố kết hợp,
qua đó chưa thấy sự liên kết nhau giữa các
Constant -3,729
yếu tố; mặt khác mỗi nhà nghiên cứu có thể
Nguồn: Nhóm tác giả tự tính toán lựa chọn các chỉ số khác nhau để phân tích.
Bảng B: Functions at group centroids Để hạn chế đánh giá không đúng hoặc bỏ sót
một số chỉ tiêu cần thiết, nhóm nghiên cứu đã
Phân nhóm Function lựa chọn và xây dựng một mô hình dự báo
Nguy cơ phá sản -1,336 thông qua kỹ thuật MDA nhằm tìm ra một
chỉ số chung dựa trên nhiều tỷ số tài chính
Không phá sản 1,553 độc lập. Kết quả là đã tìm ra mô hình đánh
giá tình hình tài chính, dự báo phá sản thông
Nguồn: Nhóm tác giả tự tính toán
qua mô hình chỉ số D. Với chỉ số này hấu hết
Dựa vào 2 bảng từ kết quả chạy mô hình
tất cả các đối tượng trong nền kinh tế đều có
trong phần mềm SPSS ta có được phương
- Bản tin Khoa học Trẻ số 1(2), 2015 69
thể tính toán và đánh giá được thông qua báo thêm cho kết quả mô hình tính toán của hệ số
cáo tài chính ngay tại thời điểm đánh giá. Mô biệt thức D nhằm mang lại kết quả đáng tin
hình chỉ số D được ứng dụng độc quyền cậy hơn cho mô hình dự báo phá sản này.
chocác doanh nghiệp trong ngành xây dựng – Đồng thời sẽ phát triển thêm các mô hình dự
bất động sản tại Việt Nam. Tuy nhiên, trong báo phá sản khác dành riêng cho những
tương lai, nhóm nghiên cứu sẽ cố gắng tìm ngành bất ổn trong nền kinh tế Việt Nam
thêm những biến độc lập để có thể giải thích
.
TÀI LIỆU THAM KHẢO
1. ALTMAN, EDWARD I. (1968). Financial ratios, discriminant analysis and the
prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609
2. ALTMAN, EDWARD I. (2000). Predicting financial distress of companies: Revising
the Z-score and Zeta models. Stern School of Business, New York University, 9-12.
3. AGRESTI, ALAN. (1996). An introduction to categorical data analysis (Vol. 135). New
York: Wiley
nguon tai.lieu . vn