Đang tải... (xem toàn văn)
DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIAViệc dự đoán chính xác khả năng kiệt quệ tài chính của công ty và cung cấp các cảnh báo sớm đã trở thành vấn đề quan tâm không chỉ đối với các nhà quản lý mà còn có các bên liên quan bên ngoài của một công ty. Kể từ khi có sự khác biệt rõ rệt trong quy trình kế toán và chất lượng báo cáo tài chính giữa các công ty ở Tunisia và ở các nước khác, có thể không hợp lý khi áp dụng mô hình phát triển ở nơi khác để dự báo khả năng kiệt quệ.
August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] BÀI DỊCH NGHIÊN CỨU MÔN TÀI CHÍNH DOANH NGHIỆP GVHD: TS. Nguyễn Thị Uyên Uyên Nhóm nghiên cứu lớp TCDN ngày 4 K22 | Nhóm nghiên cứu TCDN-Ngày 4 K22 1 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA TÓM TẮT Việc dự đoán chính xác khả năng kiệt quệ tài chính của công ty và cung cấp các cảnh báo sớm đã trở thành vấn đề quan tâm không chỉ đối với các nhà quản lý mà còn có các bên liên quan bên ngoài của một công ty. Kể từ khi có sự khác biệt rõ rệt trong quy trình kế toán và chất lượng báo cáo tài chính giữa các công ty ở Tunisia và ở các nước khác, có thể không hợp lý khi áp dụng mô hình phát triển ở nơi khác để dự báo khả năng kiệt quệ. Do đó, mục đích của nghiên cứu này là sử dụng hồi quy logistic để dự báo khả năng phá sản của các doanh nghiệp Tunisia. Áp dụng kỹ thuật thống kê cho một mẫu gồm 214 công ty bị kiệt quệ tài chính, và 1550 "khỏe mạnh" chúng tôi xác định những chỉ tiêu tài chính tạo sự khác biệt giữa các nhóm này, và từ đó dự đoán khủng hoảng tài chính. Kết quả chứng minh rằng lợi nhuận, khả năng thanh toán nợ và tỷ lệ nợ là một trong những chỉ tiêu quan trọng nhất đối với các công ty bán buôn và bán lẻ. Còn đối với các công ty sản xuất, lợi nhuận và tỷ lệ đòn bẩy là quan trọng nhất. Tóm lại, mô hình của chúng tôi có thể giúp các nhà quản lý, các cổ đông, các tổ chức tài chính, kiểm toán viên và cơ quan quản lý tại Tunisia dự báo khủng hoảng tài chính. I. GIỚI THIỆU Nền kinh tế của các nước đang phát triển thay đổi nhanh chóng nên môi trường hoạt động của các công ty cũng đã thay đổi rất nhiều trong hai thập kỷ qua. Trong bối cảnh hiện nay, nhiều cuộc khủng hoảng kinh tế, tài chính xảy ra và sự cạnh tranh khốc liệt giữa các công ty đã làm cho môi trường hoạt động của các công ty ngày càng không chắc chắn và tiềm ẩn nhiều rủi ro. Thị trường ngày càng khắc nghiệt thì các công ty càng dễ bị phá sản Do nhiều nguyên nhân mà khi công ty phá sản sẽ tạo ra trách nhiệm xã hội và tác động lên nền kinh tế của một quốc gia (Ahn, Cho, và Kim, 2000). Khi đó nó tạo ra nhiều loại chi phí, không chỉ cho các bên liên quan trong nội bộ công ty mà còn có Chính phủ và nền kinh tế nói chung. Tuy nhiên, mặc dù có những tác động tiêu cực và tạo ra các chi phí cho nền kinh tế, xã hội nhưng hiện tượng phá sản được coi là một thành phần thiết yếu của thị | Nhóm nghiên cứu TCDN-Ngày 4 K22 2 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] trường hiệu quả. Khi doanh nghiệp phá sản cho phép việc tái chế các nguồn lực tài chính, con người và vật chất vào các tổ chức hiệu quả hơn [Easterbrook, F (1990)]. Trước khi bị phá sản, các công ty sẽ rơi vào tình trạng kiệt quệ tài chính. Do đó, việc tìm kiếm một giải pháp để khắc phục tình trạng mất khả năng thanh toán càng sớm càng tốt là một vấn đề quan tâm đối với để chủ sở hữu, người quản lý và các nhà đầu tư, các chủ nợ và đối tác kinh doanh, cũng như cơ quan chính phủ. Từ quan điểm quản lý, các công cụ dự báo kiệt quệ tài chính sẽ cho phép các công ty có những hành động chiến lược kịp thời để tránh bị phá sản. Trong lĩnh vực ngân hàng, các công cụ đánh giá điểm tín dụng tự động sẽ giúp các ngân hàng đánh giá được những khách hàng không có khả năng thanh toán các khoản nợ một cách hiệu quả. Còn Chính phủ có thể phát hiện các công ty có hoạt động kém hiệu quả và có những hành động can thiệp để ngăn chặn sự phá sản (Keasey & Watson, 1991). Mặt khác, việc sử dụng các mô hình dự báo phá sản có thể làm giảm các thông tin bất cân xứng giữa chủ sở hữu và nhà quản lý và cung cấp cho các nhà phân tích đầu tư, các chủ nợ và các nhà đầu tư những cảnh báo kịp thời giúp họ tránh khỏi những quyết định đầu tư sai lầm. Trái với quan điểm Modigliani & Miller (1958), cho rằng thị trường tài chính là hoàn hảo; quyết định đầu tư và quyết định tài chính không ảnh hưởng đến nhau, thì rõ ràng rằng thị trường tài chính không phải là hoàn hảo. Các quỹ đầu tư và thị trường cho vay cũng không thể tài trợ cho tất cả các dự án có lợi nhuận kỳ vọng cao. Trong bối cảnh này, việc đánh giá các rủi ro liên quan đến các công ty và các dự án của họ là rất quan trọng Một việc quan trọng không kém là thiết lập các mô hình dự báo thất bại để có thể đánh giá chính xác hơn của tình hình tài chính của một công ty. Trong thực tế, nghiên cứu đã chỉ ra rằng, việc đánh giá sức khỏe tài chính của các công ty kiểm toán độc lập hay các nhà sản xuất khác đều không thực hiện cũng như các mô hình dự báo thất bại trong việc phân loại các công ty đều bị hạn chế (Altman & McGough, 1974; Keasey & Watson , 1991). Trong năm 2006, kết quả nghiên cứu được tiến hành bởi Lili Sun cho rằng một mô hình thống kê phát triển tốt hơn ví dụ như mô hình tổn thất sẽ giúp cho đánh giá kiểm toán viên tốt hơn. | Nhóm nghiên cứu TCDN-Ngày 4 K22 3 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] Gần đây, hiệp ước vốn Basel II đã đề cập nhiều đến sự tiến bộ của mô hình nghiên cứu dự báo phá sản của công ty. Đặc biệt, pillar 1 của hiệp ước này, Ủy ban Basel về giám sát ngân hàng (BCBS) đã cho phép các ngân hàng tính toán tỷ lệ an toàn vốn tối thiểu của họ để bảo vệ các tổ chức tài chính tránh được rủi ro tín dụng và các rủi ro liên quan. Trong bối cảnh này, các doanh nghiệp được khuyến khích áp dụng phương pháp hiệu quả hơn để quản lý rủi ro tín dụng thông qua việc sử dụng các thông số nhất định, các mô hình đánh giá rủi ro nội bộ của họ (Altman & Sabato, 2005). Ngoài ra, nhu cầu đối với các thông tin do các cơ quan xếp hạng tín dụng cung cấp ngày càng cao, vì vậy các cơ quan xếp hạng sẽ phải chú ý nhiều đến sự cải tiến các mô hình dự báo phá sản công ty (Odera và cộng sự, 2002). Kể từ khi nghiên cứu đầu tiên của Beaver (1966), rất nhiều nghiên cứu về dự báo kiệt quệ tài chính hoặc nguy cơ phá sản của doanh nghiệp. Trong năm 1998, Altman và các cộng sự cho rằng " Chúng ta đang chứng kiến một sự gia tăng mạnh trong việc phân tích nguồn dữ liệu để quản lý rủi ro tín dụng hiệu quả hơn ". Kết quả có nhiều mô hình tiên đoán chính xác trong suốt bốn thập kỷ qua. Gần đây, sự phát triển của kỹ thuật toán kinh tế và phát triển công nghệ năng động đã giúp phát triển các mô hình dự đoán chính xác thất bại trong năm năm trở lên Charitou và cộng sự 2004 ). Hai loại mô hình thường được lựa chọn trong các nghiên cứu: mô hình dựa trên giá trị sổ sách và mô hình dựa trên giá thị trường. Mô hình thị trường dựa trên giá thị trường của một công ty. Do đó, mô hình thị trường yêu cầu các công ty niêm yết cổ phiếu trên thị trường chứng khoán. Ở Tunisia, phần lớn các công ty vẫn chưa niêm yết và vì vậy, các nhà phân tích và các chuyên gia phải dựa trên dữ liệu báo cáo tài chính thay vì biến động chứng khoán và cấu trúc vốn để dự đoán kiệt quệ tài chính của các công ty. Do đó, chúng tôi tập trung vào mô hình dựa trên giá trị sổ sách. Vào cuối những năm 1960, Beaver (1966) và Altman (1968) đã có những dự báo về khả năng phá sản công ty và có ý nghĩa cho đến ngày nay. Lúc đầu, các phương pháp áp dụng rộng rãi là phương pháp thống kê (Balcaen & Ooghe, 2006) như mô hình đơn biến thống kê, phân tích sâu số nhân, mô hình xác suất tuyến tính, hồi quy Logit, và phân tích Probit | Nhóm nghiên cứu TCDN-Ngày 4 K22 4 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] (Altman, 1968, Beaver, 1966; Deakin, 1972 ; Meyer & Pifer, 1970; Ohlson, 1980). Tuy nhiên, gần đây nhiều nghiên cứu đã chứng minh rằng phương pháp tiếp cận thông minh dựa trên phân tích dữ liệu thuật toán để xây dựng mô hình ra quyết định có thể được sử dụng như là phương pháp thay thế cho các vấn đề phân loại [Atiya, (2001)]. Trong số các phương pháp tiếp cận mới được sử dụng, chúng tôi phân biệt: mạng thần kinh (Altman và cộng sự, 1994.), thuật toán di truyền (Varetto, 1998), cây quyết định (Curram, 1994), phân tích tồn tại (Laitinen và cộng sự, 1999.), Phân tích Bayes (Sarkar và cộng sự, 2001), đa chiều rộng (Neophytou và cộng sự, 2004), các mô hình rủi ro (Shumway, 2001). Hàm nhị phân được xác định trong Taylor’s expansion (Laitinen và cộng sự, 2000) và phân tích logit hỗn hợp (Jones và cộng sự, 2004) cũng đã được áp dụng thành công trong dự báo khả năng tài chính một công ty. II. TỔNG QUAN NGHIÊN CỨU Vấn đề suy xét và có một nhận thức đúng đắn là cần thiết trong lĩnh vực tài chính, đặc biệt là dự đoán khả năng phá sản, lựa chọn danh mục đầu tư, sáp nhập và mua bán doanh nghiệp… Trong những trường hợp này, thực hiện đánh giá chính xác để xác định mức độ cạnh tranh trong các lựa chọn thay thế (các công ty, cổ phiếu…) cung cấp thông tin hữu ích cho các nhà điều hành ra quyết định. Để làm điều đó, trong bốn thập kỷ qua, các nhà nghiên cứu đã phát triển một loạt các mô hình có thể phân biệt chính xác các nhóm được coi là lựa chọn thay thế. Đối với trường hợp cụ thể của đề tài này, việc điều tra các doanh nghiệp bị thất bại thường thực hiện phân loại theo hình thức nhị phân của các công ty bị kiệt quệ. Mục đích là để sắp xếp các quan sát thành hai nhóm riêng biệt - các công ty thất bại hay hoạt động bình thường (không thất bại), bởi việc sử dụng các phương pháp và các biến khác nhau như chỉ tiêu tài chính hoặc đặc điểm khác của công ty trong một thời gian nhất định. Trong suốt quá trình nghiên cứu, để tìm ra các chỉ tiêu đó cần phải làm giảm đến mức tối thiểu các lỗi và nhược điểm khi dự báo. | Nhóm nghiên cứu TCDN-Ngày 4 K22 5 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] Nhưng trước khi đưa ra một cái nhìn tổng quan về các phương pháp được sử dụng để dự đoán sự phá sản, chúng tôi cần phải nhấn mạnh rằng, nhìn chung, tất cả các cuộc điều tra sử dụng dữ liệu từ báo cáo tài chính của một công ty trong (một đến năm ) năm cuối cùng trước khi bị phá sản . Trong thực tế, tất cả các phương pháp này dựa trên giả định rằng các công ty phá sản có những đặc điểm khác biệt so với những công ty khác cùng hoạt động trong cùng thời kỳ. Việc phân tích của các doanh nghiệp thất bại thiếu một lý thuyết thống nhất và các chỉ số chung (chỉ tiêu tài chính hoặc kinh tế). Do đó, các mô hình được nhiều tác giả đưa ra cho phù hợp với một số nước, một số loại ngành công nghiệp, quy mô công ty và từng giai đoạn khảo sát. Các nghiên cứu về phát triển mô hình thống kê để dự đoán phá sản rất phong phú và đa dạng. Trong giai đoạn đầu nghiên cứu không có phương pháp thống kê tiên tiến nào để nghiên cứu (Charitou và cộng sự 2004). Khi so sánh các chỉ tiêu tài chính của các công ty thất bại với công ty hoạt động động bình thường ta thấy rằng công ty bị thất bại thấp hơn. Sau thử nghiệm đầu tiên của Winakor và Smith (1935), vào năm 1966 Beaver đã trình bày cách tiếp cận đơn biến của phân tích phân biệt. Để phát triển mô hình này, hơn 30 chỉ tiêu tài chính được phân thành sáu nhóm, và 79 cặp của các công ty (thất bại/ không thất bại) đã được sử dụng. Sau khi kiểm tra khả năng dự đoán của mỗi tỷ lệ, yếu tố phân biệt tốt nhất là chỉ tiêu vốn luân chuyển / Tổng nợ, nó đã dự báo chính xác 90% các công ty bị phá sản vào một năm trước đó. Thứ hai là tỷ lệ thu nhập ròng / tổng tài sản, dự báo chính xác 88%. Những kết quả này đã cho thấy khả năng sử dụng các chỉ tiêu tài chính để dự đoán phá sản. Mặc dù mô hình dự báo thất bại đơn biến khá đơn giản nhưng phương pháp này cũng bộc lộ một số nhược điểm quan trọng. Thứ nhất, theo Altman (1968) và Zavgren (1983), chỉ có một tỷ lệ tại một thời điểm có thể được sử dụng để phân loại một công ty. Thứ hai, khi sử dụng chỉ số tài chính kế toán trong một mô hình đơn biến, rất khó để đánh giá tầm quan trọng của mỗi tỷ lsố riêng biệt, bởi vì hầu hết các biến đều tương quan (Cybinski, 1998) với nhau. | Nhóm nghiên cứu TCDN-Ngày 4 K22 6 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] Để "khắc phục những khuyết tật khi sử dụng mô hình đơn biến” (Cook và Nelson 1998), phân tích đa biến (hay MDA) đã được sử dụng để đánh giá khả năng doanh nghiệp bị phá sản. Altman đã có bài viết đầu tiên về vấn đề này (1968). Trong bài luận này, Altman, Max L. Heine Giáo sư Tài chính tại khoa Kinh doanh Đại học New York, đề xuất mô hình Z- score hoặc mô hình Zeta kết hợp các cách đo lường lợi nhuận hay rủi ro khác bằng cách sử dụng một số chỉ tiêu tài chính. Các mẫu đầu tiên gồm 66 công ty, mỗi nhóm (Thất bại/không thất bại) gồm 33 công ty. Năm chỉ tiêu tài chính được sử dụng trong mô hình là vốn lưu động/ tổng tài sản, lợi nhuận giữ lại / tổng tài sản, thu nhập trước thuế và lãi vay / tổng tài sản, giá trị thị trường của vốn chủ sở hữu / giá trị sổ sách của tổng nợ phải trả, và doanh thu / tổng tài sản. Sử dụng sai lầm loại I loại II là cơ sở để đánh giá, mô hình Altman đã dự đoán chính xác 95% nguy cơ phá sản của các công ty sản xuất ở Mỹ trong vòng 1 năm và 72% trong vòng 2 năm. Tuy nhiên, giá trị được đưa thêm vào mô hình của Altman không phải là các tỷ số được lựa chọn mà là các trọng số. Trong những năm qua, đã có một lượng lớn các nghiên cứu dựa trên mô hình Z-score của Altman. Sau một thập kỷ, Altman và cộng sự (1977) sửa đổi các mô hình Z-core ban đầu thành một hình mới tốt hơn, được gọi là "Phân tích Zeta". Trong năm 2000, các mô hình này đã được đưa ra thảo luận thêm một lần nữa. Sau nghiên cứu của Altman(1968) đã có nhiều nghiên cứu trong lĩnh vực dự báo phá sản doanh nghiệp sử dụng phân tích MDA. Deakin (1972) sử dụng 14 biến giống như Beaver, nhưng ông đã áp dụng chúng trong một loạt các mô hình phân biệt đa biến. Mô hình MDA dự báo chính xác 95% khả năng phá sản công ty đến tận 3 năm trước trước khi bị phá sản. Trong năm 1980, Dambolena và Khoury trình bày một mô hình MDA sử dụng chỉ tiêu tài chính như các biến dự báo. Các thuộc tính quan trọng trong mô hình của họ là sử dụng sự ổn định của tỷ lệ tài chính, được đo bằng độ lệch chuẩn, ngoài các giá trị của các chỉ số. Mô hình phân biệt Dambolena & Khoury đã dự báo chính xác 87%, 85%, và 78% tương ứng 1 năm, 3 năm, 5 năm trước khi phá sản. Phân tích MDA cũng đã được sử dụng bởi Edmister (1972), Blum (1974), Altman và cộng sự (1977 và 1995), Deakin (1977), Taffler & Tisshaw (1977), van Frederikslust (1978), Bilderbeek (1979), Taffler (1982 và 1983), | Nhóm nghiên cứu TCDN-Ngày 4 K22 7 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] Ooghe và Verbaere (1985), Micha (1984), Betts & Belhoul (1987), Gombola và cộng sự (1987), Gloubos và Grammatikos (1988), Declerc và cộng sự (1991), Laitinen (1992), Lussier & Corman (1994), Neophytou & Molinero (2004), Canbas, Cabuk, và Kılıç (2005), Hyunjoon Kim và Zheng Gu (2008)… Mặc dù nghiên cứu của Altman và các nhà nghiên cứu khác đạt kết quả khả quan nhưng các mô hình này có một nhược điểm chính: Họ giả định rằng các biến trong dữ liệu mẫu được phân bố bình thường. Sheppard (1994) lập luận rằng "nếu tất cả các biến này không được phân phối, các phương pháp nghiên cứu có thể dẫn đến dự đoán không phù hợp". Hơn nữa, phân tích MDA đã bị chỉ trích vì phân loại lưỡng phân của nó không đưa ra một khả năng thất bại nào trong việc dự đoán sự thất bại [Dimitras, Zanakis, và Zopounidis (1996)]. Để khắc phục một số vấn đề liên quan đến việc phân tích đa biến, Ohlson (1980) đã sử dụng hồi quy để dự đoán sự thất bại của công ty. Nhưng trước khi Ohlson, Martin (1977) sử dụng mô hình logit để dự đoán sự đổ vỡ trong hệ thống ngân hàng. Bằng cách sử dụng mẫu của 105 công ty bị phá sản và 2.058 công ty hoạt động bình thường, Ohlson (1980) phát hiện ra rằng nó có thể xác định bốn yếu tố cơ bản có ý nghĩa thống kê trong việc xác định khả năng phá sản. Các yếu tố đó bao gồm quy mô công ty, cấu trúc tài chính, hiệu quả hoạt động, tính thanh khoản hiện tại. Bốn yếu tố cơ bản xuất phát từ các nhóm đầu tiên trong chín chỉ tiêu tài chính đưa vào mô hình đó là: Quy mô công ty, tổng nợ phải trả / tổng tài sản, vốn luân chuyển / tổng tài sản, nợ ngắn hạn / Tài sản ngắn hạn, một biến giả cho thấy cho dù tổng tài sản lớn hơn hoặc ít hơn tổng nợ phải trả, thu nhập ròng / tổng tài sản, nguồn vốn từ hoạt động / tổng nợ phải trả, một biến giả thể hiện thu nhập ròng có tương quan âm trong hai năm cuối với thất bại của công ty không và sự thay đổi trong thu nhập ròng. Kết quả cho thấy mô hình Ohlson có thể dự đoán chính xác 92% đến 96% các trường hợp phá sản 1-2 năm trước đó. Năm năm sau, một mô hình logit phát triển bởi Zavgren (1985) đã được thử nghiệm trong thời gian 5 năm trước khi thất bại. Bảy chỉ tiêu tài chính bao gồm trong mô hình này là tổng thu nhập / tổng vốn đầu tư, doanh thu/Tài sản cố định, hàng tồn kho / doanh thu, nợ / | Nhóm nghiên cứu TCDN-Ngày 4 K22 8 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] tổng vốn đầu tư, các khoản phải thu / hàng tồn kho, tài sản ngắn hạn / nợ ngắn hạn, và tiền mặt / tổng tài sản. Tỷ lệ thất bại được đưa ra bởi mô hình Zavgren cho 1 năm trước khi thất bại tương tự như Ohlson. Năm 2003, Darayseh và cộng sự đã sử dụng phân tích logit để dự đoán sự thất bại của công ty trên cơ sở của sự kết hợp giữa một số biến số kinh tế và chỉ tiêu tài chính công ty. Họ thấy rằng mô hình logit có thể dự đoán chính xác 88% các trường hợp công ty phá sản. Một kỹ thuật thống kê ít đòi hỏi, đó là phân tích probit (PA), cũng được sử dụng trong những năm 80. Nghiên cứu đầu tiên trong lĩnh vực này được thực hiện bởi Zmijewski (1984). Tuy nhiên, số lượng các nghiên cứu sử dụng PA, trong bốn thập kỷ qua, là không đáng kể, có lẽ bởi vì kỹ thuật này đòi hỏi nhiều tính toán (Gloubos & Grammatikos, 1988;. Dimitras & al, 1996). Các phương pháp nói trên được sử dụng chủ yếu trong việc dự báo thất bại của công ty cho đến năm 1990. Tuy nhiên, những hạn chế của các phương pháp này (Altman và cộng sự (1981)) như các giả định liên quan đến tuyến tính, sự độc lập giữa các biến dự báo và sự liên quan biến tiêu chuẩn và biến dự đoán, cùng với những tiến bộ trong các lĩnh vực khác như hoạt động nghiên cứu và trí tuệ nhân tạo, khiến nhiều nhà nghiên cứu cố gắng tìm hiểu các hướng tiếp cận đúng đắn và công phu hơn. Việc sử dụng các công nghệ thay thế để dự đoán thất bại kinh doanh đã là chủ đề của nhiều bài báo [Scott (1981), Zavgren (1983), Altman (1984), Jones (1987), Keasey và Watson (1991), Dimitras và cộng sự (1996), và Wong và cộng sự (2000)]. Trong số các phương pháp phức tạp hơn mạng thần kinh (NNS) đã được sử dụng nhiều nhất trong khu vực dự đoán khả năng thanh toán của công ty trong hai thập kỷ qua. NNS là hệ thống máy tính lấy cảm hứng từ thông tin thực tế về cách thức bộ não con người hoạt động. Trong năm 1990, Odom và Sharda sử dụng các tỷ lệ tài chính tương tự được sử dụng bởi Altman (1968) và ứng dụng ANN để một mẫu gồm 65 thất bại và 64 công ty không thất bại. Một mô hình sử dụng mạng lưới thần kinh ba lớp được tạo ra với năm nút ẩn . Khi áp dụng, mô hình xác định tất cả các công ty thất bại và không thất bại trong các mẫu đào tạo, so với 86,8% độ chính xác của MDA. Đối với những mẫu lớn và thời gian dài, ANN trình bày một tỷ lệ chính xác là 77% hoặc cao hơn, trong khi MDA có thể đạt mục tiêu 59% và | Nhóm nghiên cứu TCDN-Ngày 4 K22 9 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] 70%. Sau đó, một số nghiên cứu dựa trên ANN đã được thực hiện: Hansen & Messier (1991), Salchenberger và cộng sự (1992), Tam & Kiang (1992), Tam & Khang (1992), Sharda & Wilson (1992), Coats & Fant (1993), Serrano (1993), Hansen và cộng sự (1993), Altman và cộng sự (1994), Wilson & Sharda (1994), Wilson & Sharda (1994), Lacher và cộng sự (1995), Shah và Murtaza (2000), Ragothaman, S. (2003), Nguyễn Hương Giang (2005) và Kingkarn Sookhanaphibarn, Piruna Polsiri, Worawat Choensawat và Frank C. Lin (2007). Ngoài ANN, một số lượng lớn các phương pháp dự đoán chính xác hơn và thông dụng được sử dụng để dự báo thất bại của công ty. Lane và cộng sự (1986), Luoma & Laitinen (1991) và Kauffman & Wang (2001) sử dụng "phân tích sự tồn tại", thuật toán đệ quy phân vùng được sử dụng bởi Frydman và cộng sự (1985), Joos và cộng sự (1998), hệ thống chuyên gia của Messier và Hansen (1988), phương pháp lập trình toán học của Gupta và al. (1990), mô hình đa nhân tố của Vermeulen và cộng sự (1998), và tập hợp thô bởi Dimitras & al. (1999). Trong giai đoạn tiên tiến hơn, các thuật toán di truyền đã được sử dụng bởi Varetto (1998) và Barney & Alii (1999), phương pháp CUSUM bởi Kahya & Theodossiou (1999). Trong cuối những năm 1990, Support Vector Machine (SVM) đã được giới thiệu để giải quyết vấn đề phân loại. Fan và Palaniswami (2000) áp dụng SVM để dự đoán khủng hoảng tài chính. Hơn nữa, cách tiếp cận hỗn hợp đã được sử dụng bởi Lindsay và Campbell (1996), Bayesian mạng mô hình khác của Sarkar và Sriram (2001), CN & Shenoy (2005), phân tích dữ liệu (DEA) của Cielen và cộng sự (2004), mô hình logit hỗn hợp của Jones và Hensher (2004), mô hình tổn thất đã được ủng hộ bởi Shumway (2001) và Beaver & Mc Nichols (2005). Từ đầu những năm 2000, một số kỹ thuật mô hình khác cũng đã được sử dụng trong nghiên cứu dự báo phá sản và đã thực hiện tốt, trong đó có phương pháp tiếp cận Bộ Rough (McKee & Lensberg, 2002) và phương pháp tiếp cận đa chiều Scaling (Mar- Molinero & Serrano-Cinca, 2001). Bên cạnh các phương pháp thay thế nổi tiếng nói trên, các nhà nghiên cứu cũng đã sử dụng một số phương pháp khác mà không dựa trên các tỷ số trong báo cáo tài chính. Một trong số đó là phương pháp Merton dựa trên việc cập nhật thông tin thị trường, bắt đầu bởi | Nhóm nghiên cứu TCDN-Ngày 4 K22 10 [...]... vi hi quy logistic, cỏc doanh nghip c cho l tht bi nu xỏc sut tht bi vt quỏ mt im ct l 0,5 Cho ton b cỏc cụng ty bỏn buụn v bỏn l, t l d oỏn cụng ty tht bi l 97,06 phn trm v cụng ty khụng tht bi, 89,05 phn trm (bng 7) | Nhúm nghiờn cu TCDN-Ngy 4 K22 19 August 15, 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] i vi cụng ty sn xut, t l thnh cụng ca d oỏn cụng ty tht bi l 99,11 phn trm v ca khụng... kh nng n hi cho cỏc bin khỏc nhau Nú cú th tớnh toỏn n hi ca khng hong ti chớnh n t l khỏc nhau nh sau: | Nhúm nghiờn cu TCDN-Ngy 4 K22 23 August 15, 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] epi / xi = k * xik (1-Pi) i vi cỏc cụng ty bỏn buụn v bỏn l Tớnh n hi cao ca kit qu cho R2 (EBIDTA / bỏn hng) biu th rng cỏc cụng ty bỏn buụn v bỏn l cú nhiu kh nng t c khe mnh nu cỏc cụng ty ny lm tng... cỏc bin phi ti chớnh v bin kinh t v mụ Ngoi ra, mc dự vic phõn tớch cỏc mụ hỡnh a ra gii thớch bin c la chn rt hu ớch trong vic d oỏn kh nng kit qu ca cụng ty, L cn thit ỏnh giỏ kh nng sng sút ca cụng ty mt thi gian quy nh cho cỏc cụng ty kit qu v ti chớnh -HT- | Nhúm nghiờn cu TCDN-Ngy 4 K22 25 August 15, 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] DANH MC TI LIU THAM KHO *Altman, E.I., 1968,... doanh thu T vn lu ng l tng hp ti sn cn thit cho hot ng hng ngy h tr cỏc khon u t di hn ca cụng ty, sau ú, cho hai cụng ty cú chu k hot ng ging ht nhau, cỏc cụng ty cú doanh thu ln hn cú nhiu vn hn chy vo v ra ỏp ng nhu cu liờn tc ca hot ng cụng ty Vi mt du (-), t l vn lu ng trờn doanh thu tỏc ng ngc chiu lờn kh nng tht bi ca doanh nghip iu ny cú ngha l cỏc cụng ty cú vn lu ng trờn doanh thu thp hn thỡss... CHNH CHO CC CễNG TY TUYNISIA] Theo d kin, cỏc h s ca cỏc bin kim soỏt tt c u rt quan trng vi du mong i cho tt c cỏc t l ngoi tr mt t l Trờn thc t, t l R 15 ny (chi phớ ti chớnh / EBIDTA) th hin mt du hiu tiờu cc, cú ngha l cỏc cụng ty vi h s chi phớ ti chớnh / EBIDTA thp hn thỡ cú nhiu kh nng tr thnh kit qu v ti chớnh iu ny trỏi ngc vi nhng gỡ c mong i, cỏc lý thuyt trc nht cho thy rng cỏc cụng ty cú... cỏc nguy c kit qu lờn 7,618% i vi cỏc cụng ty sn xut Tớnh n hi cao ca kit qu cho li nhun biờn R5 cho thy rng cỏc cụng ty sn xut phi quan tõm hn n n hiu sut hot ng ca cụng ty Vi s st gim 10% trong biờn li nhun, cỏc cụng ty c gia tng 5,195% nguy c kit qu V KT LUN Trong bi bỏo ny, chỳng tụi ó phõn tớch tỏc ng cỏc yu t quyt nh c la chn cn thn v tht bi ca cụng ty Tunisia Nghiờn cu ó ch ra rng mụ hỡnh d... | Nhúm nghiờn cu TCDN-Ngy 4 K22 24 August 15, 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] nờn xem xột trong ỏnh giỏ hiu qu qun lý v cỏc nguy c liờn quan n mt c hi u t Cỏc kt qu cho thy kh nng thanh toỏn, kh nng sinh li v n cú nh hng quan trng n kh nng phỏ sn ca cỏc cụng ty bỏn buụn, bỏn l i vi cỏc cụng ty sn xut, kt qu cho thy ũn by v kit qu ti chớnh cú tng quan dng nhng phỏt hin cng chng minh... 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] tng i quan trng trong hi quy logistic, iu ny cho thy nú lm gim khuynh hng thiờn v khng hong ti chớnh Khi chi phớ lói vay v cỏc khon thu, c hai b nh hng bi cỏc quyt nh ti chớnh, c tr vo li nhun trc thu, kt qu l thu nhp rũng Li nhun sau thu, ngha l, s tin cú sn cho ch s hu ca cụng ty iu quan trng cn lu ý l thu nhp rũng khụng i din cho dũng tin thc t t cỏc... hiu sut hot ng ca cụng ty Nú ch ra rng thu nhp rũng to ra t mi Dinar ca doanh thu Du (-) cho thy rng mt cụng ty vi t l li nhun biờn rũng thp hn cú nhiu kh nng phi i mt vi tỡnh hỡnh khng hong ti chớnh Mt cỏch khỏc o lng kh nng cụng ty ỏp ng ngha v ca mỡnh l R 11 vn luõn chuyn trờn doanh thu, so sỏnh vn lu ng vi doanh thu T l ny cho chỳng ta bit "m" sn sng ỏp ng cỏc ngha v cụng ty liờn quan trờn doanh... Keasey-Watson, 1987; Edminster, 1972; Lo, 1986) | Nhúm nghiờn cu TCDN-Ngy 4 K22 15 August 15, 2013 [D BO KIT QU TI CHNH CHO CC CễNG TY TUYNISIA] thng 17 ch s u tiờn cho cỏc doanh nghip bỏn buụn v bỏn l (Bng 1) v nhúm khỏc bao gm 16 ch s cho cỏc doanh nghip sn xut (Bng 2).3 Bng 1: Cỏc t s thng kờ cho doanh nghip bỏn buụn v bỏn l Trong ú, doanh nghip loi H l doanh nghip kho mnh, cũn doanh nghip loi F l doanh . CHÍNH DOANH NGHIỆP GVHD: TS. Nguyễn Thị Uyên Uyên Nhóm nghiên cứu lớp TCDN ngày 4 K22 | Nhóm nghiên cứu TCDN-Ngày 4 K22 1 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] DỰ. các mô hình sử dụng tỷ số tài chính trong năm ngay trước khi xảy ra việc phá sản thường đưa tới kết quả tốt nhất. | Nhóm nghiên cứu TCDN-Ngày 4 K22 14 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH. như mô hình tổn thất sẽ giúp cho đánh giá kiểm toán viên tốt hơn. | Nhóm nghiên cứu TCDN-Ngày 4 K22 3 August 15, 2013 [DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO CÁC CÔNG TY Ở TUYNISIA] Gần đây, hiệp ước vốn