Professional Documents
Culture Documents
MSC Thesis Charalampos Manousaridis
MSC Thesis Charalampos Manousaridis
MSC Thesis Charalampos Manousaridis
Charalampos-Orestis Manousaridis
Nội dung
Các rủi ro mà các tổ chức tài chính phải đối mặt ............................................. .......................................... 5
Khó khăn về tài chính và sự phá sản của công ty ............................................. .......................... số 8
tôi
Machine Translated by Google
Phụ lục I Dữ liệu đã xử lý và tỷ lệ của các ngân hàng không đạt ......................................... .................... 37
Phụ lục II Dữ liệu đã xử lý và tỷ lệ của các ngân hàng không thất bại ....................................... ............. 40
ii
Machine Translated by Google
trừu tượng
Phá sản doanh nghiệp là một vấn đề nghiêm trọng đối với nền kinh tế vì nó được coi là
như một yếu tố hạn chế tăng trưởng kinh tế. Cuộc khủng hoảng tài chính nổ ra ở Mỹ
vào năm 2007 do kết quả của việc tính toán sai các chiến lược thế chấp dưới chuẩn biến thành
khủng hoảng ngân hàng quốc tế liên tiếp ảnh hưởng đến các ngân hàng châu Âu, đặc biệt là
của các nước Nam Âu. Cho rằng vai trò và tác động của các ngân hàng trong
nền kinh tế quốc gia và quốc tế là rất quan trọng, nó rất quan trọng đối với tất cả những người quan tâm
các bên liên quan đến nền kinh tế liên tục đánh giá và đo lường sức khỏe tài chính của các ngân hàng
bằng cách sử dụng các mô hình dự báo phá sản đáng tin cậy.
Công việc này bao gồm một đánh giá tài liệu về các mô hình dự đoán đã biết cho công ty
phá sản dựa trên phân tích phân biệt đối xử đa biến. Ngoài ra, nó
trình bày những phát hiện của nghiên cứu thực nghiệm được thực hiện bằng cách sử dụng điểm số Z của Altman
mô hình chuyên biệt cho các công ty từ các thị trường mới nổi. Các nhiệm vụ chính được thực hiện là:
• Phân tích dữ liệu tài chính cho các ngân hàng “thất bại” chủ yếu ở Nam Âu
• Ứng dụng kết quả phân tích trên để đánh giá tình trạng tài chính
Mục đích của công việc này là kiểm tra tính hiệu quả và độ chính xác của Altman's Z
mô hình điểm số để đo lường sức khỏe tài chính của các tổ chức khu vực ngân hàng và
trả lời câu hỏi nghiên cứu liệu công thức chuyên biệt của Altman, dành cho các công ty từ
thị trường mới nổi, cũng có thể được sử dụng cho các tổ chức trong lĩnh vực ngân hàng.
Những phát hiện của nghiên cứu thực nghiệm cho phép ai đó khẳng định rằng độ chính xác và
khả năng dự đoán của mô hình điểm Z Altman đã được thử nghiệm, chuyên biệt cho các công ty từ
thị trường mới nổi, là vấn đề liên quan đến các dự đoán cho các công ty tư nhân hoạt động
Từ khóa: ngân hàng châu Âu, sức khỏe tài chính, mô hình dự đoán, đa biến
1
Machine Translated by Google
Sự nhìn nhận
Từ bước này, tôi muốn bày tỏ sự cảm kích sâu sắc đối với việc nhận vào
rất khắt khe và có chất lượng cao trong chương trình Thạc sĩ Tài chính của Đại học Lund.
Đó là sự kiện rất quan trọng và đầy cảm xúc đối với tôi khi tôi trở lại sau 23 năm
nơi sinh. Hơn nữa, tôi muốn bày tỏ lòng biết ơn chân thành đối với người giám sát của tôi.
Anders Vilhelmsson và giám đốc chương trình MSc prof. Hossein Asgharian
mặc dù những ngày nghỉ hè của họ trong quá trình làm luận án của tôi, họ đã
ở đó để giúp tôi bằng cách cung cấp phản hồi và hướng dẫn có giá trị. Cuối cùng, đặc biệt
gửi lời cảm ơn đến gia đình tôi, những người đã ủng hộ tôi để thực hiện ước mơ của mình
trở thành một chuyên gia tài chính, nếu không có họ, điều này sẽ không thể đạt được.
Charalampos-Orestis Manousaridis
2
Machine Translated by Google
Giới thiệu
Cuộc khủng hoảng tài chính nổ ra ở Hoa Kỳ vào năm 2007 do tính toán sai
chiến lược thế chấp dưới chuẩn biến thành một cuộc khủng hoảng ngân hàng quốc tế đầy đủ ảnh hưởng đến
kế tiếp là các ngân hàng ở Châu Âu. Một số ngân hàng châu Âu có tỷ lệ tiếp xúc cao
trên hệ thống ngân hàng của Mỹ đã bị ảnh hưởng trực tiếp và dẫn đến bờ vực
sụp đổ. Tuy nhiên, đây không phải là lý do duy nhất khiến ngân hàng sụp đổ. Sự dư thừa về
các lý do bổ sung góp phần vào việc này cũng như các chính sách tài khóa kém hiệu quả của Châu Âu
các quốc gia trong nhiều năm liên tiếp, khu vực công quá tải không tương ứng với
nhu cầu thực sự của đất nước, v.v. Ở Hy Lạp, một khoản nợ quốc gia có chủ quyền kết hợp với
tác động của cuộc khủng hoảng tài chính quốc tế gây khó khăn cho nhiều ngân hàng.
Một số ngân hàng Hy Lạp đã phải đối mặt với nguy cơ "phá sản mất trật tự" như một bi
ảnh hưởng của các chính sách về hoạt động cho vay không thận trọng và đầu tư quá mức vào
năm trước. Việc thiếu các nguồn vốn quan trọng cho các ngân hàng này đặt ra nhu cầu cấp bách
tái cấp vốn cho chúng. Chính phủ Hy Lạp ngạc nhiên và dần dần phản ứng
để làm điều này bằng cách thực hiện một loạt các biện pháp (chương trình cứu trợ) để tránh
sự sụp đổ của hệ thống ngân hàng Hy Lạp có thể dẫn đến tình trạng hỗn loạn với
hậu quả to lớn về kinh tế, xã hội đối với đất nước.
Không còn nghi ngờ gì nữa, vai trò và tác động của ngân hàng đối với đời sống kinh tế - xã hội của bất
đất nước có ý nghĩa quan trọng và điều này cũng áp dụng cho cả Hy Lạp. Do đó họ
sức khỏe tài chính là vấn đề quan tâm lớn đối với tất cả những người tham gia vào các hoạt động tài chính và
Công việc này nhằm mục đích kiểm tra xem có thể đo lường và dự đoán tình hình tài chính hay không
của các ngân hàng một cách hiệu quả và đáng tin cậy.
Cảm hứng về việc chọn chủ đề nghiên cứu này là mối đe dọa sụp đổ mà các ngân hàng Hy Lạp
phải đối mặt khi cuộc khủng hoảng Eurozone nổ ra. Theo quan điểm của tôi, nếu có
là các công cụ dự đoán hiệu quả cho việc vỡ nợ của công ty, cũng có thể được sử dụng trong
lĩnh vực ngân hàng cũng vậy, nó sẽ là một công cụ quan trọng cho các chính phủ châu Âu trong việc
quyết định. Những thứ này sẽ có thể phản ứng ngay lập tức và có những biện pháp thích hợp
các biện pháp giảm thiểu cho nền kinh tế của họ kết hợp với sự hỗ trợ từ
Ngân hàng Trung ương Châu Âu và Quỹ Tiền tệ Quốc tế có thể giữ
3
Machine Translated by Google
sự vỡ nợ sắp tới của các ngân hàng châu Âu và do đó tránh được những ảnh hưởng thảm khốc của chúng
về đời sống kinh tế - xã hội của các nước Châu Âu bị ảnh hưởng.
Dựa trên thực tế rằng khu vực ngân hàng có thể được coi là một khu vực dịch vụ
tổ chức đóng một vai trò quan trọng trong sự phát triển của nền kinh tế, cả về
cấp quốc gia và quốc tế, luôn là thách thức và có giá trị để đo lường
sức khỏe tài chính của các ngân hàng, đặc biệt là vào thời điểm suy thoái kinh tế.
Mục tiêu đầu tiên của công việc này là trình bày các mô hình dự đoán đã biết cho
đo lường sức khỏe tài chính của doanh nghiệp. Tập trung đặc biệt vào các giá trị đa biến
phân tích phân biệt thường được sử dụng bởi nhiều nhà nghiên cứu tài chính và
các chuyên gia. Mục tiêu thứ hai, mục tiêu chính, là kiểm tra và đánh giá
sức mạnh và độ chính xác của mô hình điểm Z của Altman và tính phù hợp của nó để sử dụng
dự báo nguy cơ kiệt quệ tài chính sắp xảy ra trong lĩnh vực ngân hàng. Đối với điều đó, một dữ liệu
mẫu các ngân hàng châu Âu được chọn được chia thành hai nhóm đối tượng.
Trong nhóm đầu tiên bao gồm các ngân hàng chủ yếu đến từ các nước Nam Âu, cụ thể là
Hy Lạp, Ý, Ireland, Bồ Đào Nha, Tây Ban Nha cộng với Síp. Xa hơn nữa, nhóm này sẽ
được gọi là các ngân hàng GIIPS hoặc nhóm "không thành công". Nhóm thứ hai bao gồm các ngân hàng từ
• Phân tích dữ liệu tài chính của các ngân hàng thất bại trong nhóm GIIPS bằng cách sử dụng
Điểm Z của Altman chuyên dành cho các công ty từ các thị trường mới nổi
• Ứng dụng kết quả phân tích trong việc đánh giá tình trạng tài chính của
Ngân hàng CE
để kiểm tra tính hiệu quả và độ chính xác của điểm số Z của Altman trong việc đo lường
sức khỏe tài chính của các tổ chức ngành ngân hàng và trả lời câu hỏi nghiên cứu
liệu công thức chuyên biệt của Altman dành cho các thị trường mới nổi có thể được sử dụng cho
4
Machine Translated by Google
Theo lý thuyết tổ chức, bất kỳ tổ chức nào cũng phải đối mặt với nhiều
rủi ro trong suốt cuộc đời của nó. Các tổ chức tài chính được đặc trưng như các tổ chức của
lĩnh vực dịch vụ. Vai trò và tác động của chúng đối với đời sống kinh tế - xã hội của các quốc gia là
đáng kể và đa biến. Chúng được phát triển trong các hoạt động tài chính khác nhau như
cho vay, quản lý tài sản, giữ tiền gửi, v.v. có nghĩa là chúng được phơi bày
đối với các loại rủi ro khác nhau được giải thích bên dưới. Sức khỏe tài chính của các ngân hàng phản ánh
kinh tế của một quốc gia và trong một số trường hợp là toàn thế giới. Những rủi ro quan trọng nhất
các ngân hàng phải đối mặt được nêu trong bảng dưới đây:
tạo ra "hiệu ứng gợn sóng" dẫn đến các giá trị mặc định của
Rủi ro hệ thống
các tổ chức tài chính và đe dọa sự ổn định của
Rủi ro tín dụng sẽ không đáp ứng các nghĩa vụ thanh toán của nó về
các điều khoản đã thỏa thuận với ngân hàng (GARP, 2014, tr. 14).
Rủi ro thị trường các vị thế phát sinh từ các chuyển động bất lợi trên thị trường
Rủi ro hoạt động sự kiện bên ngoài. Định nghĩa này bao gồm rủi ro pháp lý
2011).
Rủi ro thanh khoản sẽ trở nên không thể giải quyết các nghĩa vụ. (Drehmann,
Bảng 2: Những rủi ro quan trọng mà các ngân hàng phải đối mặt
5
Machine Translated by Google
Khi một ngân hàng không thể hoàn trả và đáp ứng các nghĩa vụ kinh tế của mình đối với các nhà đầu tư, những người cho vay
và nói chung đối với các bên liên quan sau đó đạt đến tình trạng mặc định hay nói cách khác là nó
trở thành trong một 'điều kiện không thành công'. Nếu các biện pháp khắc phục không được thực hiện hoặc không chính xác
thì tình huống có vấn đề của ngân hàng có thể dẫn đến phá sản một cách vô trật tự với
hậu quả hỗn loạn về mọi mặt của đời sống kinh tế - xã hội của đất nước mà
Để dự đoán và tránh các tình huống thất bại ngân hàng và kinh tế tiếp theo của họ
thảm họa là một khuôn khổ pháp lý cho lĩnh vực ngân hàng là cần thiết phải được thiết lập.
Hull (2015) đã chỉ ra tầm quan trọng của các quy định để tránh thất bại của ngân hàng.
Ông biện minh cho nhu cầu này và giải thích rằng “… mục đích chính của quy định ngân hàng là
đảm bảo rằng ngân hàng giữ đủ vốn cho những rủi ro xảy ra. Nó không thể
loại bỏ hoàn toàn khả năng ngân hàng thất bại, nhưng các chính phủ muốn
xác suất vỡ nợ đối với bất kỳ ngân hàng nhất định nào là rất nhỏ. Bằng cách làm này, họ muốn
tạo ra một môi trường kinh tế ổn định, nơi các cá nhân và doanh nghiệp tư nhân có
niềm tin vào hệ thống ngân hàng ”(Hull, 2015, trang 325).
Vào năm 1974, các nước G10 được đại diện bởi các Thống đốc ngân hàng trung ương của họ và tiền tệ
chính quyền Luxembourg, Thụy Sĩ và Tây Ban Nha đã thành lập Ủy ban Ngân hàng
Quy định và Thực hành Giám sát. Mục tiêu chính của Ủy ban này,
được triệu tập tại Basel của Thụy Sĩ, nhằm tăng cường sự ổn định tài chính trên toàn thế giới bằng cách
thiết lập các nguyên tắc chung mà tất cả các tổ chức tài chính phải tuân theo và
giám sát cho. Ngày nay, Ủy ban Basel đã mở rộng thành viên của mình từ
G10 đến 45 tổ chức từ 28 khu vực pháp lý. (BIS, 2017; Culp, 2015).
Một tài liệu có tựa đề “Sự hội tụ quốc tế về đo lường vốn và vốn
Tiêu chuẩn ”là kết quả chính của Ủy ban Basel. Điều này được gọi là "
1988 BIS Accord "và là nỗ lực đầu tiên để thiết lập các tiêu chuẩn quốc tế dựa trên rủi ro
về an toàn vốn (Culp, 2015). Sau đó, nó được gọi là Basel I và mở đường cho
hiểu và quản lý rủi ro. Sự đổi mới quan trọng trong năm 1988 là một biện pháp,
để đánh giá tổng mức tín dụng của ngân hàng, được đặt tên là tỷ lệ Cooke. Hull (2015) làm rõ
các thành phần của thước đo này bằng cách giải thích rằng "Tỷ lệ Cooke xem xét tín dụng
các khoản rủi ro cả trên bảng cân đối và ngoài bảng cân đối kế toán. Nó được dựa trên
cái được gọi là tổng tài sản có trọng số rủi ro của các ngân hàng. ” (tr. 327).
6
Machine Translated by Google
Vì một số vấn đề vẫn chưa được giải quyết, tức là không có bất kỳ mô hình nào được phát triển
về mối tương quan mặc định, hai Hiệp định khác đã được công bố Basel II và Basel III,
thiết lập một loạt các tiêu chuẩn quốc tế liên quan đến hầu hết là thủ đô
sự đầy đủ.
Các yêu cầu về vốn theo Basel II áp dụng cho các ngân hàng “hoạt động quốc tế”. Ở châu Âu,
tất cả các ngân hàng đều được quản lý theo Basel II nhưng ở Hoa Kỳ đã quyết định
chính quyền quyết định rằng Basel II sẽ không áp dụng cho các ngân hàng khu vực nhỏ (Hull, 2015,
Sau cuộc khủng hoảng tín dụng 2007-2009, ủy ban Basel nhận ra rằng
cải tiến Basel II là cần thiết. Yêu cầu về vốn cần thiết để đủ
không chỉ bao gồm rủi ro thị trường mà còn cả rủi ro tín dụng. Ngoài ra, nó được coi là
định nghĩa về vốn phải được thắt chặt và các quy định đó là cần thiết để
giải quyết rủi ro thanh khoản (BIS, 2017; Hull 2015). Phiên bản cuối cùng của Basel III
các quy định đã được công bố vào tháng 12 năm 2010 và giải quyết các vấn đề về:
4. Tỷ lệ đòn bẩy
Việc thiết lập một loạt các tiêu chuẩn quốc tế về quy định ngân hàng
không chỉ góp phần tăng cường sự ổn định tài chính bằng cách nâng cao chất lượng của
giám sát ngân hàng trên toàn thế giới nhưng cũng tạo điều kiện cho sự sẵn có của dữ liệu tài chính cho
nghiên cứu. Cụ thể hơn, tất cả các loại tổ chức có nghĩa vụ chuẩn bị và
cung cấp hàng năm, thông tin được xử lý cụ thể về hoạt động của họ,
được lưu trữ trong các cơ sở dữ liệu khác nhau. Thông tin này được coi là đáng tin cậy và
7
Machine Translated by Google
được cung cấp ở các định dạng tiêu chuẩn có nghĩa là ai đó có thể dễ dàng truy cập và
xử lý nó. Sau đó, việc thử nghiệm bất kỳ mô hình nào được đề xuất để phân tích tài chính
các mục đích có thể dễ dàng được cung cấp với dữ liệu đồng nhất và đáng tin cậy vốn là
trường hợp cho nghiên cứu thực nghiệm của công việc này quá.
Dự đoán sớm về tình trạng kiệt quệ tài chính là điều cần thiết đối với các nhà đầu tư hoặc cho vay
các tổ chức muốn bảo vệ các khoản đầu tư tài chính của họ. Kết quả là,
mô hình hóa, dự đoán và phân loại các công ty để xác định xem đây có phải là
các ứng cử viên tiềm năng cho tình trạng khó khăn tài chính đã trở thành chủ đề tranh luận chính và
nghiên cứu chi tiết. Khủng hoảng tài chính được định nghĩa là “… một tình trạng mà một công ty
không thể đáp ứng, hoặc gặp khó khăn trong việc thanh toán các nghĩa vụ chính thức của mình đối với các chủ nợ. Các
nguy cơ kiệt quệ tài chính tăng lên khi một công ty có chi phí cố định cao, tài sản kém thanh khoản
hoặc các khoản thu nhạy cảm với suy thoái kinh tế ”(Sofat và Hiro, 2015, trang 406).
Một trong những mối quan tâm lớn trong lĩnh vực nghiên cứu cụ thể là thiếu sự đồng thuận về
định nghĩa về sự thất bại của công ty và tình trạng kiệt quệ tài chính. Một số nhà khoa học đang
sử dụng thuật ngữ phá sản thay cho hai thuật ngữ trước đó. Hơn nữa Muller et al. (2012)
biểu thị rằng cũng có những nhà nghiên cứu định nghĩa khó khăn tài chính là sự hợp nhất,
hấp thụ, hủy bỏ niêm yết hoặc thanh lý hoặc thay đổi cơ cấu lớn đối với công ty.
Đối với mục đích nghiên cứu này, kiệt quệ tài chính được coi là một bước trước khi phá sản
do đó, dự đoán kịp thời về tình trạng tài chính có thể thúc đẩy công ty được đánh giá
phản ứng và thực hiện các biện pháp khắc phục và có khả năng tránh được sự phá sản sắp xảy ra.
Tuy nhiên, một công ty không lành mạnh về tài chính có thể không bị phá sản bắt buộc nhưng phải
sáp nhập với người khác, được người khác mua lại, v.v. Trong những trường hợp này, công ty có thể được
Từ năm 1930, một số lý thuyết, mô hình và kỹ thuật đã được các nhà nghiên cứu đề xuất
nhằm dự đoán liệu một công ty có sắp phá sản hay không (Bellovary et al. 2007).
Mỗi người trong số họ đề xuất công thức của riêng mình nhưng trong một số trường hợp, họ đang sử dụng
dữ liệu và tỷ lệ tài chính tương tự để tính toán các chỉ số và kết quả. Ngày nay,
tồn tại rất nhiều phương pháp và mô hình có sẵn để đo lường và đánh giá
tình trạng kiệt quệ tài chính hoặc sự phá sản của các công ty.
số 8
Machine Translated by Google
Trong lịch sử, phá sản doanh nghiệp lần đầu tiên được mô hình hóa, phân loại và dự đoán bởi
Beaver vào năm 1966. Ông định nghĩa tình trạng kiệt quệ tài chính là phá sản, mất khả năng thanh toán, thanh lý
vì lợi ích của một chủ nợ, các công ty không trả được nghĩa vụ cho vay hoặc các công ty
bỏ lỡ các khoản thanh toán cổ tức ưu tiên. Trong nghiên cứu của ông đã so sánh các giá trị trung bình của 30
tỷ lệ 79 doanh nghiệp thất bại và 79 doanh nghiệp không thất bại trong 38 ngành nhưng cũng đã kiểm tra
khả năng dự đoán của các tỷ số cá nhân trong việc phân loại các công ty phá sản và không phá sản.
Trên thực tế, ông đã thử nghiệm các tỷ lệ riêng biệt của a) Thu nhập ròng trên Tổng nợ b) Thu nhập ròng để
Doanh thu bán hàng c) Thu nhập ròng so với giá trị ròng d) Dòng tiền trên Tổng nợ và e) Dòng tiền đến
Tổng tài sản với kết quả chính xác cao cho tất cả các tỷ lệ. Anh ấy đi đến kết luận rằng tiền mặt
tỷ lệ dòng chảy trên nợ là chỉ số tốt nhất về phá sản (Beaver, 1966a; Muller
et al., 2012) và đề xuất rằng nếu nhiều tỷ lệ được xem xét đồng thời, trong tương lai
nghiên cứu, có thể có khả năng dự đoán cao hơn so với các tỷ lệ đơn lẻ (Bellovary và cộng sự,
2007).
Cụ thể hơn, Beaver (1966b) đã phát triển mô hình tham số đầu tiên cho công ty
phá sản và loại phân tích của ông được đặc trưng là đơn biến (Fitzpatrick, 1932;
Horrigan, 1965). Các mô hình dự đoán xuất hiện sau đó cũng được phân loại
dưới dạng tham số hoặc không tham số. Theo đó, sự phát triển của thế hệ tiếp theo của
mô hình dự báo phá sản dựa trên khái niệm phân loại doanh nghiệp không thành công
Gần đây Cybinski (2001) tuyên bố rằng không có sự phân biệt rõ ràng giữa "không thành công"
và các công ty "không thất bại" và tất cả chúng đều nằm trên một chuỗi liên tục chung
thất bại và không thất bại. Cô ấy lập luận rằng trong thực tế không có một điểm giới hạn rõ ràng
giữa các công ty "không thành công" và "không thất bại" mà là một vùng chồng chéo hoặc màu xám giữa
hai nhóm phân loại này. Theo Cybinski, nó khá khó để thực hiện
dự đoán về tình trạng khó khăn tài chính đối với các công ty thuộc vùng xám này (Cybinski, 2001;
Bên cạnh các mô hình đơn biến, một loại mô hình dự đoán khác, được gọi là
mô hình đa biến, được sử dụng vài năm sau đó. Một mô hình đa biến có thể
được đặc trưng là phân tích phân biệt hoặc phân tích đa phân biệt (MDA) (Altman,
Năm 1968; Altman 1993, Altman, 2000). Sự phát triển của các mô hình MDA đi kèm với
các mô hình xác suất như Probit và Logit hoặc mô hình của Ohlson (1980).
9
Machine Translated by Google
Tổng quan thú vị về các dự đoán phá sản từ năm 1930 đến năm 2002 được cung cấp bởi
Phân tích phân biệt là một kỹ thuật thống kê để phân biệt giữa hai hoặc
nhiều nhóm hơn trên cơ sở các đặc điểm quan sát và đo lường của họ. Ví dụ,
một nhà phân tích có thể tính đến nhiều yếu tố, chẳng hạn như các tỷ lệ tài chính khác nhau,
khi lựa chọn giữa các cổ phiếu để thiết kế một danh mục đầu tư hiệu quả.
Fischer (1936) đã sử dụng thuật ngữ phân tích phân biệt trong bài báo "Việc sử dụng nhiều
Đo lường trong các vấn đề phân loại ". Phương pháp này được áp dụng để khám phá
mối quan hệ giữa một nhóm các nhân vật độc lập (phân biệt đối xử) và một
biến đầu ra phụ thuộc định tính. Đầu ra này có thể là trong các trường hợp đơn giản 0 hoặc 1
cho phép phân loại các đối tượng được phân tích thành lớp thứ nhất hoặc lớp thứ hai.
Các lớp được biết là có thể phân biệt rõ ràng và mỗi đối tượng đều thuộc về
một trong số chúng. Nhiệm vụ cũng có thể là xác định các tính năng góp phần vào
quá trình nhận dạng. Mục đích là để tìm một mô hình dự đoán phân loại mới
các đối tượng (ví dụ: công ty, tổ chức tài chính, ngân hàng, v.v.) thành các lớp. Đối tượng mới
được phân loại thành các lớp dựa trên mức độ giống nhau cao của chúng.
Theo số lượng các biến thể của biến định tính, người ta có thể phân biệt:
Phương pháp phân tích phân biệt được áp dụng trong các bài toán phân loại của nhiều nghiên cứu
lĩnh vực. Ví dụ trong lĩnh vực tài chính, một ngân hàng có thể giám sát trong mẫu được sử dụng
cách trả nợ của khách hàng và một số chỉ tiêu khác. Sau đó về điều này
trên cơ sở, ngân hàng có thể đánh giá các khách hàng tiềm năng (dựa trên các đặc điểm tương tự với
của mẫu) ít nhiều đáng tin cậy đối với khoản vay.
Nhiệm vụ chính của phân tích phân biệt là tìm ra các quy tắc phân bổ tối ưu sẽ
giảm thiểu khả năng phân loại sai các phần tử, tức là nó sẽ giảm thiểu
trung bình của quyết định sai lầm (có thể xảy ra rằng một yếu tố thực sự đến từ
một nhóm cụ thể nhưng nó được phân loại thành các nhóm khác nhau bằng cách phân biệt
phân tích). Mỗi phần tử được đặc trưng bởi một số tính năng phản ánh
10
Machine Translated by Google
đặc tính. Điều này có nghĩa là các phần tử (đơn vị) được kiểm tra là sự thực hiện của
véc tơ ngẫu nhiên X = (X1, X2, .., Xn). Các biến ngẫu nhiên Xi, trong đó i = 1, 2, .., m,
tương ứng với các đặc tính đo được (Kočišová & Mišanková, 2014).
Phá sản doanh nghiệp được coi là một vấn đề đặc biệt quan trọng đối với
nền kinh tế vì nó được coi là yếu tố hạn chế tăng trưởng kinh tế. Người đầu tiên
công việc nghiên cứu về phân tích đa biến về dự đoán phá sản doanh nghiệp bắt đầu trong
Năm 1968 với mô hình nổi tiếng của Altman và vẫn tiếp tục cho đến nay với nhiều loại
mô hình cả thống kê và lý thuyết. Nỗ lực đầu tiên để xây dựng một mô hình dự đoán
khả năng phá sản của một công ty là do Edward Altman đưa ra.
Năm 1968, Altman (1968) đã phát triển và trình bày công thức điểm Z để
cung cấp một công cụ đánh giá tài chính hiệu quả hơn để hỗ trợ các nhà phân tích rủi ro và người cho vay
ước tính của họ. Công việc của ông dựa trên quan điểm cho rằng các mô hình dự đoán đơn biến
trong hầu hết các trường hợp, được coi là chỉ số chứ không phải là yếu tố dự báo phá sản. Vì lý do đó,
những mô hình này không đủ tốt cho nhu cầu thực tế của các nhà phân tích tài chính. Anh ta
được sử dụng thay thế, phân tích đa phân biệt vì điều này cho phép sử dụng mô hình
có thể coi các biến nhị phân là phụ thuộc để giải thích hành vi của hai
Phương pháp phân tích nhiều phân biệt (MDA) ban đầu được sử dụng để phân loại hoặc
đưa ra dự đoán trong các vấn đề mà biến phụ thuộc được hiển thị ở mức cao
định dạng chất lượng như nam hoặc nữ, phá sản và không phá sản, v.v. Chính
Ưu điểm của phương pháp là phân tích đồng thời các chỉ tiêu tài chính có
được chọn trong khi như một nhược điểm được nêu bật từ tài liệu là vi phạm
Vào thời điểm đó, phân tích đa phân biệt chỉ được sử dụng theo hành vi và
Altman đã giới thiệu hai loại lỗi để kiểm tra kết quả cuối cùng được trình bày
11
Machine Translated by Google
Kết quả kiểm tra mô hình của Altman chỉ ra rằng phá sản có thể được dự đoán với
độ chính xác 95% một năm trước khi nó xảy ra, 72% hai năm trước, 48% ba
năm trước, 29% bốn năm trước và 36% năm năm trước khi nó xảy ra (Altman,
Năm 1993).
Sau đó, Altman đã sửa đổi mô hình của mình để kết hợp dự đoán "Điểm Z bốn biến"
mô hình (Altman, 1993). Cái mới cải thiện hơn nữa khả năng dự đoán của anh ta
mô hình ban đầu. Altman (2000, 2002) đã liên tục tiến hành với một số bản sửa đổi
của mô hình này đang tìm cách làm cho nó khả dụng với các điều kiện đời sống kinh tế khác nhau và
Mô hình của Altman từ lần xuất bản của nó kể từ bây giờ đã được quan tâm nhiều đến
cộng đồng khoa học. Nhiều biến thể của nó đã được đề xuất thử
cải tiến hoặc điều chỉnh / sửa đổi để sử dụng trong các trường hợp cụ thể. Khác nhau
các mô hình được coi là Mô hình xác suất tuyến tính và Mô hình phân biệt bậc hai
Phân tích. Sơ lược về các biến thể được biết đến nhiều nhất có trên các trang sau.
Tuy nhiên, sự chấp nhận trên toàn thế giới đối với mô hình của Altman, vẫn tồn tại các nhà nghiên cứu
đã bày tỏ mối quan tâm của họ về tính hiệu quả của phân biệt đối xử
phân tích trong các dự đoán tài chính. Eisenbeis (1977), Ohlson (1980), Jones (1987) là
những người chỉ trích MDA và họ lập luận rằng kết quả có thể sai lệch và không có
giá trị thông tin đầy đủ. Việc thiếu các biến định tính và không có khả năng
tích hợp các kỹ thuật phân tích hiện đại cũng được chỉ ra là làm suy yếu
Bất chấp các lập luận chỉ trích, các nhà phân tích tài chính và các nhà khoa học vẫn đang xem xét
Điểm Z của Altman như một chỉ báo hiệu quả và phù hợp về khả năng tránh được của một công ty
12
Machine Translated by Google
phá sản. Trên khắp thế giới, các chuyên gia tài chính và tín dụng liên tục sử dụng
Các mô hình của Altman nhằm giảm thiểu rủi ro trong danh mục nợ. Nó khá phổ biến vì
nó sử dụng nhiều biến số để đo lường sức khỏe tài chính và mức độ tín dụng của
bất kỳ ai (người hoặc công ty). Vì Z-score là một hệ thống mở, các biến được sử dụng trong
Như đã nói ở trên, mô hình Z-score ban đầu được phát triển để tổ chức công khai
các công ty sản xuất có tài sản trên 1 triệu đô la. Trong những năm qua, Altman
đã sửa đổi mô hình của nó để có thể áp dụng cho các công ty tư nhân (Altman Z'-
Score) và các công ty phi sản xuất (Altman Z "-Score). Điểm Z của Altman
các công thức được sử dụng trong nhiều ngữ cảnh và quốc gia khác nhau.
Công thức sử dụng một kỹ thuật thống kê được gọi là phân tích nhiều phân biệt
(MDA), nhờ đó Altman đã cố gắng dự đoán các giá trị mặc định bằng cách sử dụng năm
X3: Thu nhập 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 phải trả
Tùy thuộc vào tính chất của doanh nghiệp mà công thức điểm Z khác nhau
(Altman, 1968; Altman, 1977; Altman, 1993; Altman, 2000). Trong trường hợp công khai
các công ty sản xuất thương mại (công thức chung) điểm Z ban đầu là:
Trong khi, trong các dự đoán dành cho các công ty phi sản xuất (không áp dụng cho các ngân hàng &
công ty tài chính), công thức tính toán chỉ sử dụng bốn biến và trở thành
13
Machine Translated by Google
Tương ứng, đối với các công ty từ các thị trường mới nổi (ngân hàng), công thức tính
có dạng sau:
Biến đổi
Tỷ lệ Kết quả đạt được
Tên
việc kinh doanh. Nó được sử dụng như một thước đo thanh khoản
Thu nhập trước lãi Lợi nhuận hoạt động liên quan đến
và Thuế / Tổng tài sản tổng tài sản đo lường năng suất của
X3
(EBIT / TA) tài sản hoặc khả năng kiếm tiền.
Giá trị thị trường Vốn chủ sở hữu / tổng tài sản có thể giảm giá trị trước khi tổng
X4 Tổng giá trị sổ sách nợ phải trả vượt quá giá trị sổ sách của vốn chủ sở hữu. Trong
Nợ phải trả (MVE / TL) nói cách khác, điều này cho thấy vùng đệm tài sản của
doanh nghiệp.1
1
X4 *, Giá trị sổ sách Vốn chủ sở hữu / Giá trị sổ sách Tổng nợ phải trả (BE / TL)
Tỷ lệ thay thế này cho biến X4 thích hợp cho một công ty không được giao dịch công khai, và do đó
Mô hình Z với định nghĩa thay đổi này được gọi là mô hình Z'hoặc mô hình công ty tư nhân.
14
Machine Translated by Google
tài sản.
Bảng 4: Các biến và tỷ lệ được sử dụng trong các mô hình điểm Z của Altman
Trong bảng dưới đây được trình bày phân loại các ngưỡng điểm Z được đề xuất từ
Altman cho các mô hình của mình. Tồn tại ba khu vực (hoặc xếp hạng tín dụng) mà một công ty có thể
được phân loại tùy thuộc vào điểm Z đạt được sau khi đánh giá. Các khu này là
an toàn, xám và đau khổ và giới hạn thấp và trên của chúng khác nhau tùy thuộc vào kiểu máy
Vùng
An toàn Xám Phiền muộn
Người mẫu
Z (mô hình thị trường mới nổi) > 2,60 2,60-1,10 <1.10
Mô hình Grover là một mô hình được tạo ra bằng cách thực hiện thiết kế lại và đánh giá lại
mô hình Altman Z-Score. Mô hình Grover phân loại phá sản với điểm G
nhỏ hơn hoặc bằng -0,02 (G≤-0,02) trong khi nhà nước không phá sản nhiều hơn
15
Machine Translated by Google
ở đâu:
CAR = α + β1 * X1 + β2 * X3 + β3 * ROA + ɛ
Mô hình Springate tuân theo các thủ tục do Altman phát triển. Năm 1978, Springate sử dụng
phân tích phân biệt nhiều bước khôn ngoan để chọn bốn trong số 19 tài chính phổ biến
tỷ lệ phân biệt tốt nhất các hãng âm thanh với những hãng không thành công (Vickers, 2006, trang 67).
Trên thực tế, công thức được áp dụng phân loại công ty có điểm S> 0,862 là công ty
lành mạnh và không có khả năng phá sản, và ngược lại. Nói một cách dễ hiểu,
điểm thấp hơn là xác suất lớn hơn để trở thành mặc định. Mô hình cụ thể
kiểm tra thanh khoản không đủ, dư nợ, bán không đủ và thiếu lợi nhuận
ở đâu:
Nợ phải trả
16
Machine Translated by Google
Ohlson đề xuất điểm O như một chỉ báo phá sản thống kê hiệu quả hơn
được tạo ra từ bộ chín tỷ lệ bảng cân đối kế toán độc lập (Ohlson, 1980). Anh ta
đã áp dụng mô hình Logit dựa trên các giả định tương tự như MDA. Tài chính
dữ liệu của hơn 2000 công ty đã được xử lý để cung cấp các hệ số mở rộng mô hình được áp dụng
đến chín biến của nó với mục đích tăng độ chính xác của nó. Chính của nó
sự khác biệt / lợi thế so với mô hình của Altman là kích thước mẫu kể từ khi đánh giá
quy trình dựa trên một mẫu lớn hơn nhiều về thành công và thất bại của công ty theo thứ tự
ở đâu:
CAR = α + β1SIZE + β2TLTA + β3WCTA nợ phải trả vượt quá tổng tài sản và 0 nếu
β7FUTL + β7INTWO + β7CHIN + ɛ NITA: thu nhập ròng / tổng tài sản
Chu kỳ.
17
Machine Translated by Google
Zmijewski's Model
Mô hình Zmijewski (1984) sử dụng phân tích tỷ lệ để đo lường hiệu suất, đòn bẩy
và tính thanh khoản của một công ty đối với các dự đoán của mô hình để dự đoán sự phá sản của một công ty
trong hai năm (điểm X). Phân tích được áp dụng bởi Zmijewski đã sử dụng 40 công ty có
bị phá sản và 800 công ty vẫn đang kinh doanh vào thời điểm đó. Mô hình Zmijewski
tiêu chí đánh giá là giá trị của X càng lớn (vượt quá 0) thì doanh nghiệp càng có nhiều khả năng
có thể bị phá sản. Ngược lại, nếu một công ty có số điểm nhỏ hơn 0 thì
ở đâu:
18
Machine Translated by Google
Trong phần này, mẫu, dữ liệu, phương pháp luận và kết quả của nghiên cứu thực nghiệm là
đã trình bày.
Như đã nói ở trên, Z-Score của Altman được nhiều nhà khoa học và tài chính coi là
các chuyên gia như một công cụ hiệu quả và phù hợp để dự đoán các thất bại của công ty. Trong
sự thất bại kinh doanh của các công ty Ý phải chịu sự quản lý bất thường. Kết quả
ứng dụng điểm Z của họ cho thấy tỷ lệ thất bại dự đoán cao (khoảng 95%) cho
Như mọi mô hình, điểm số Z của Altman có ưu và nhược điểm. Những lợi thế chính là
Tỷ lệ dự đoán chính xác cao từ thời điểm xuất hiện cho đến nay (82% -
94%)
Thân thiện với người dùng. Bất kỳ ai có kiến thức tài chính và kỹ năng thống kê đều có thể
Sử dụng đa chiều. Nó được đề xuất cho các dự đoán phá sản của mọi công ty
loại (tư nhân, niêm yết công khai, phi sản xuất)
Tính sẵn có của điểm tín dụng mạnh mẽ. Điểm Z của Altman cung cấp một tín dụng mạnh mẽ
cho điểm dựa trên phân tích dữ liệu tài chính của một mẫu các công ty có thể
Mặt khác, những trở ngại chính của nó là (Eisenbeis, 1977; Ohlson, 1980; Jones 1987;
Zopounidis, 1995):
Không có khả năng tích hợp các kỹ thuật phân tích hiện đại. Điểm Z của Altman
ban đầu được phát triển cho các công ty công nghiệp. Các phiên bản sửa đổi của nó phải được
được sử dụng thận trọng trong các trường hợp dự đoán cho các loại hình công ty khác.
Kết quả sai lệch do sự dễ dàng thao tác dữ liệu. Có khả năng tồn tại
thao túng các báo cáo kế toán từ các công ty để thể hiện
số liệu tốt. Điều này có thể dẫn đến kết luận sai lầm, điều không thể
19
Machine Translated by Google
Việc sử dụng mô hình điểm số Z để dự đoán sự thất bại của ngân hàng đã xuất hiện tương đối gần đây. Trong
các công trình nghiên cứu trước đây, nhằm mục đích đo lường tình trạng tài chính của các ngân hàng bằng cách sử dụng Z
điểm, công thức của Altman chuyên biệt dành cho các công ty từ các thị trường mới nổi là
được ưa thích (Chieng, 2013; Chotalia, 2014; Samarakoon và Hasan; 2003). Trong một số
trường hợp, trong công thức được sử dụng cho các thị trường mới nổi cũng được bao gồm một hằng số cụ thể
được đề xuất bởi Altman và cộng sự. (1995), do đó điểm số bằng hoặc nhỏ hơn 0 sẽ là
tương đương với tình huống mặc định. Sau đó cũng là trường hợp cho nghiên cứu thực nghiệm này.
Mẫu và dữ liệu
Mẫu dữ liệu bao gồm 42 ngân hàng được phân thành hai nhóm 21
các ngân hàng chưa từng có và được phân loại ngẫu nhiên cho từng nhóm. Trong cái đầu tiên là
bao gồm tất cả các ngân hàng "không thành công" và ngân hàng thứ hai chứa "không thất bại" hoặc vẫn hoạt động
Trong nhóm được gọi là "thất bại" bao gồm các ngân hàng từ Hy Lạp, Ý, Ireland
Bồ Đào Nha, Tây Ban Nha và Síp. Hơn nữa, trong công việc này, các quốc gia này sẽ được gọi là
Các quốc gia GIIPS và các ngân hàng tương ứng là các ngân hàng GIIPS. Nhóm "không thất bại" là
bao gồm các ngân hàng vẫn đang hoạt động từ một số quốc gia Trung Âu, cụ thể là
Đức, Pháp, Bỉ, Hà Lan và Thụy Sĩ. Người cuối cùng không phải là một
Thành viên Liên minh Châu Âu nhưng là quốc gia liên kết với EU và các ngân hàng của họ
tuân theo các quy tắc của Basel (BIS, 2017). Vì mục đích công việc này, các quốc gia này sẽ
được gọi là các quốc gia CE và ngân hàng của họ là ngân hàng CE.
Việc lựa chọn các ngân hàng được kiểm tra, trong công việc này, dựa trên các đặc điểm cụ thể
cho từng nhóm đối tượng. Cụ thể hơn, đối với nhóm các ngân hàng GIIPS "thất bại" là
o hợp nhất
o mặc định
Điều đáng nói là ở Liên minh Châu Âu không tồn tại bất kỳ
liên kết để giữ các hồ sơ được chứng nhận, hợp lệ và có thể truy cập được về các
ngân hàng (sáp nhập, vỡ nợ, mua lại). Ngược lại, ở Hoa Kỳ tồn tại một
20
Machine Translated by Google
cơ quan có tên Tổng công ty Bảo hiểm Tiền gửi Liên bang (FDIC) đang giám sát,
Vì lý do trên, việc lựa chọn và phân nhóm các ngân hàng không thành công là một khó khăn và
nhiệm vụ tốn thời gian đã được hoàn thành nhờ tìm kiếm cá nhân và xử lý
dữ liệu thô từ các báo cáo tài chính, tài liệu, v.v. Một trong những tiêu chí đặt ra là
sự kiện thất bại đã xảy ra trong những năm khủng hoảng tài chính (2006-2016).
Một vấn đề khác là các ngân hàng này sẽ có trụ sở chính của họ cho một người nào đó
Năm cu a
Nhóm “Không thành công” (các ngân hàng GIIPS)
"thất bại"
13. Công ty Cổ phần Giải quyết Ngân hàng Ireland (Ireland) 2013
16. Caixa d Estalvis de Catalunya Tarragona I Manresa (Tây Ban Nha) 2012
21
Machine Translated by Google
Bảng 6: Các thành viên nhóm “Không đạt” (các ngân hàng GIIPS)
Tương ứng, đối với các ngân hàng bao gồm nhóm các ngân hàng CE không thất bại,
o nằm ở các nước Trung Âu không bị ảnh hưởng nghiêm trọng bởi
Trên cơ sở các tiêu chí trên, đã chọn ra 3-6 ngân hàng lớn từ mỗi quốc gia thuộc
nhóm CE.
Nhóm “Không bị lỗi” (các ngân hàng đang hoạt động CE)
3. ING Bỉ SA
5. BPCE SA (Pháp)
8. Commerzbank AG (Đức)
22
Machine Translated by Google
Bảng 7: Các thành viên nhóm “Không thất bại” (các ngân hàng CE)
Phương pháp
luận Đánh giá sức khỏe tài chính của các ngân hàng được kiểm tra được thực hiện bằng cách sử
dụng mô hình thống kê chuyên biệt của Altman cho các công ty từ các thị trường mới nổi. Cụ thể
hơn, công thức điểm Z sau đây đã được áp dụng cho phân tích dữ liệu được thực hiện (Altman và
Ở đâu:
Z = điểm số
X4: Giá trị sổ sách Vốn chủ sở hữu / Tổng nợ phải trả
Tất cả dữ liệu tài chính để tính toán các tỷ lệ cần thiết cho việc áp dụng công thức là
được trích từ bảng cân đối kế toán và báo cáo thu nhập của các ngân hàng mẫu. Đây là những
được truy cập và truy xuất thông qua nền tảng S&P Capital IQ hoặc trực tiếp từ
các trang web. Ngày của tất cả các tài liệu tài chính được sử dụng trong quá trình này là ngày 31
Để kiểm tra độ chính xác và khả năng dự đoán của mô hình được sử dụng, điểm Z cho
Các thành viên nhóm "thất bại" được ước tính hai năm trước "sự kiện" đã biết cho mỗi
trường hợp. Ví dụ: nếu một ngân hàng được hợp nhất vào năm 2012, điểm Z được tính cho
các năm 2010 và 2011. Như vậy, tình hình tài chính của ngân hàng này dựa trên mức bình quân
Ngược lại, đối với các thành viên nhóm “không thất bại” (các ngân hàng CE vẫn đang hoạt động) Z của họ
điểm số được ước tính rõ ràng cho các năm 2015 và 2016. Do đó, tài chính của họ
âm thanh được đặc trưng dựa trên giá trị trung bình được tính toán của Z-score.
23
Machine Translated by Google
Trên thực tế, tình trạng tài chính của các ngân hàng được kiểm tra được xác định phụ thuộc vào
khu vực nào sau đây đặt điểm Z trung bình được tính toán của họ, cụ thể là nếu nó
là:
o trên 2,6 - Ngân hàng được sắp xếp trong vùng “An toàn”
o từ 1,1 đến 2,6 - Ngân hàng được sắp xếp trong "Vùng xám"
o nhỏ hơn 1,1 hoặc có số âm - Ngân hàng được sắp xếp trong phần "Đau khổ
vùng"
Bảng sau đây hiển thị kết quả của phân tích điểm Z được triển khai cho
Nhóm "không thành công" (các ngân hàng GIIPS). Kết quả điểm Z cuối cùng (cột thứ hai) là giá trị trung bình
điểm Z của hai năm trước khi xảy ra sự kiện "không thành công" (thay đổi tùy theo
5. Banca di Creditollaborativo di
2,34 Xám
Sagna SC (Ý)
24
Machine Translated by Google
Bảng 8: Đặc điểm của các ngân hàng thất bại sau khi phân tích điểm Z
Trong nhóm con đầu tiên của các ngân hàng GIIPS, kết quả Z-score của tất cả các ngân hàng Hy Lạp
đã kiểm tra (Ngân hàng Proton, Ngân hàng Marfin, Ngân hàng Egnatia, Ngân hàng Geniki, Ngân hàng Millenium)
là tiêu cực. Điều này có thể được hiểu là các ngân hàng cụ thể này đang gặp khó khăn
tình hình tài chính và điểm Z được tính toán của họ đã dự đoán chính xác về
“Khó khăn tài chính” mà họ phải đối mặt trong những năm tiếp theo.
Cụ thể hơn, Ngân hàng Proton đã được thanh lý và sáp nhập vào năm 2001, Ngân hàng Egnatia
được mua lại vào năm 2011, Ngân hàng Geniki được mua lại vào năm 2014 và Ngân hàng Millenium với
Một yếu tố quan trọng xác định điểm Z cuối cùng của họ là thanh khoản âm lớn
Tỷ lệ X1 (Vốn lưu động / Tổng tài sản) dựa trên thực tế là Trách nhiệm hiện tại
vượt quá Tài sản hiện tại để tính Vốn lưu động. Để biết thêm chi tiết
25
Machine Translated by Google
Các ngân hàng Ý đã thành lập nhóm con thứ hai. Điều này bao gồm 8 ngân hàng trên
cơ sở của điểm Z được tính toán của họ được sắp xếp như sau: năm trong phần "Đau khổ
vùng ”, hai trong vùng Xám và vùng cuối cùng trong“ Vùng an toàn ”. Một lần nữa điểm số Z đã chứng minh
độ chính xác cao và hiệu quả hoạt động như chỉ báo cứu nạn Banca di Credito
Collerativo (2,34) được mua lại vào năm 2010, Valore Italia Holding (-2,36) được mua lại vào
2015, Cassa Rurale ed Artigiana (-0,18) được mua lại vào năm 2015, Banca Agricola (0,05) là
mua lại vào năm 2007, Banka Antonoveta (1.37) được mua lại vào năm 2007, Banco di Sicilia
(0,16) được hợp nhất vào năm 2006 và Credito Artigiano (-0,63) được mua lại vào năm 2012. The
Bancaperta Spa với 4,51 điểm Z cuối cùng (Vùng an toàn) là một ngoại lệ tích cực
sáp nhập với một ngân hàng khác bằng cách mua lại nó.
Nhóm ngân hàng con thứ ba đến từ Tây Ban Nha. Nó bao gồm 6 ngân hàng nhỏ.
Toàn bộ mẫu từ Tây Ban Nha đã được phân loại vào "Vùng khó khăn" do
đạt được điểm Z âm. Trong trường hợp này, hệ số quan trọng của một
tỷ lệ thanh khoản âm do vượt quá nợ ngắn hạn trên tài sản lưu động
quyết định kết quả cuối cùng. Caixa d Estalvis de Catalanya (-0,8) được mua lại vào năm 2012,
Banca Civica (-0.32) được mua lại vào năm 2012, Banco de Andalucia (-1.44) được mua lại vào năm 2009,
Banco de Valencia (-1,29) được mua lại - sáp nhập vào năm 2013, Banco Espanol de Credito
(0,033) được mua lại vào năm 2013 và Banco Pastor (-0,26) được mua lại - sáp nhập.
Nhóm con cuối cùng là một nhóm đa quốc gia vì nó kết hợp ba ngân hàng từ ba
Các quốc gia Châu Âu khác nhau, cụ thể là Ireland, Bồ Đào Nha và Síp. Ngân hàng Ailen
Độ phân giải có điểm Z âm (-4,38), đây cũng là điểm cao nhất trong toàn bộ
vật mẫu. Kết quả cho thấy ngân hàng đang ở trong tình trạng tài chính rất tồi tệ,
sau đó đã thực sự được xác nhận bởi việc thanh lý của ngân hàng vào năm 2013. Trong trường hợp cụ thể này,
Thu nhập giữ lại và do đó là EBIT. Banco Bic của Bồ Đào Nha cũng có một
điểm Z thấp theo đó nó được xếp vào vùng nguy cấp. Cuối cùng, trong trường hợp của
Ngân hàng nổi tiếng của Síp, đã bị vỡ nợ vào năm 2012, điểm Z đạt được là một
26
Machine Translated by Google
2016)
4. BNP Paribas SA
1,60 Xám
(ENXTPA: BNP) (Pháp)
12. de Volksbank NV
-1,38 Phiền muộn
(Nước Hà Lan)
27
Machine Translated by Google
Bảng 9: Ước tính tình trạng tài chính của các ngân hàng không thất bại
Phân tích điểm Z cuối cùng cho các ngân hàng "không thất bại" hoặc vẫn hoạt động cho thấy
57% các ngân hàng Trung Âu đang hoạt động được sắp xếp vào vùng "Đau khổ", 33% trong tổng số
phần mẫu thử nghiệm còn lại được đưa vào "Vùng xám" và chỉ 10% ngân hàng
được kiểm tra có thể được phân loại vào "Vùng an toàn".
Bằng cách áp dụng công thức điểm Z chuyên biệt cho các ngân hàng lớn nhất của Bỉ, Pháp,
Đức, Hà Lan và Thụy Sĩ và phân tích một cách thận trọng các phát hiện, a
hạn chế đáng kể của mô hình này đã được bộc lộ. Công thức cụ thể không có
hiệu suất phù hợp và chính xác và khả năng dự đoán tương ứng trong các trường hợp của các công ty
(ở đây là các ngân hàng) có tỷ lệ đòn bẩy cao (nợ). Như trường hợp của điểm Z của
Các ngân hàng “thất bại”, rõ ràng ở đây cũng đã khẳng định rằng mức cao nhất là tính thanh khoản
Nợ phải trả đối với tài sản lưu động, nhỏ nhất đã trở thành ước tính của Z-score.
28
Machine Translated by Google
Thách thức lớn nhất của công việc này là bản thân mô hình và khả năng ứng dụng của nó đối với
các tổ chức thuộc lĩnh vực ngân hàng. Điểm số Z-Altman ban đầu được phát triển cho
dự đoán phá sản cho các công ty công nghiệp gần 50 năm trước ở Hoa Kỳ. Nó là một cái cũ
mô hình thường được chấp nhận là thích hợp để dự đoán phá sản bằng tài chính
các chuyên gia và nhà nghiên cứu. Mặc dù vậy trong suốt những năm qua, nó đã trải qua rất nhiều
cải tiến và sửa đổi / điều chỉnh để được mở rộng ứng dụng của nó
đối với tất cả các loại công ty, nó vẫn có một số trục trặc.
Vấn đề nằm ở thực tế là các ngân hàng / tổ chức tài chính thường hoạt động
trong điều kiện nợ ngắn hạn cao. Hậu quả của điều đó là sự xuất hiện của một
tác động tiêu cực lớn đến biến đầu tiên X1 (Vốn lưu động / Tổng tài sản) mà
thực sự ảnh hưởng và làm giảm tổng điểm Z được tính toán của các ngân hàng được kiểm tra.
Trong hầu hết các trường hợp, nợ ngắn hạn của các ngân hàng đang vượt quá tài sản lưu động của họ.
Do đó, kết quả của Vốn lưu động (Tài sản lưu động trừ Nợ ngắn hạn)
luôn luôn là tiêu cực đối với các ngân hàng / tổ chức tài chính. Tỷ lệ thanh khoản này rất
quan trọng đối với việc tính điểm Z vì giúp sàng lọc các
các vấn đề tài chính mà một công ty có thể gặp phải trong tương lai (Altman, 1995).
Tuy nhiên, Vốn lưu động âm cũng có thể là một chỉ số không rõ ràng. Trong
trong một số trường hợp, điều này có thể được hiểu là một dấu hiệu của hiệu quả quản lý của một công ty đối với
ví dụ một công ty có các khoản phải thu thấp cũng có thể có nghĩa là nó đang hoạt động
hiệu quả trên cơ sở tiền mặt (Damodaran, 2012, p. 268; Stockopedia, 2017).
Một hạn chế đáng kể khác đối với các mô hình dự đoán như Z-score của Altman là
khả năng ứng dụng chủ yếu dựa trên thông tin lịch sử. Eisenbeis (1977) đã chỉ
không đủ thông tin giá trị được sử dụng trong các mô hình dự đoán như Altman's where
dự đoán về tình trạng tài chính trong tương lai của một công ty chỉ dựa trên phân tích dữ liệu trong quá khứ.
Nền kinh tế khi cuộc sống đang thay đổi năng động. Theo Grice (2001) “các mô hình
độ chính xác có thể giảm đáng kể khi sử dụng các mẫu trong các khoảng thời gian,
các ngành công nghiệp và các tình huống khó khăn tài chính khác với những ngành được sử dụng để phát triển ban đầu
các mô hình"
Cuối cùng, quyền truy cập vào phòng LINC, nơi nền tảng Bloomberg được cài đặt, không
có thể trong thời gian mùa hè. Do đó, nguồn duy nhất để truy xuất
29
Machine Translated by Google
dữ liệu tài chính là nền tảng S&P Capital Iq nơi bảng cân đối của một số "thất bại"
ngân hàng không có sẵn. Trong những trường hợp này, thông tin cần thiết được lấy từ
báo cáo tài chính và các tài liệu được tải lên trên các trang web của ngân hàng.
Do đó, việc kiểm tra chéo dữ liệu tài chính đã truy xuất cho các ngân hàng này không
khả thi.
30
Machine Translated by Google
Kết luận
Trong công việc này đã cố gắng thử nghiệm và đánh giá sức mạnh và
hiệu quả của mô hình điểm Z của Altman trong việc dự đoán tình trạng khó khăn tài chính trong
Khu vực ngân hàng Châu Âu. Tuân theo các thông số kỹ thuật của mô hình điểm Z của Altman,
mẫu thử nghiệm bao gồm hai nhóm. Các ngân hàng "thất bại" được bao gồm đầu tiên từ
các nước phải đối mặt với những vấn đề kinh tế to lớn trong thời kỳ khủng hoảng tài chính (2006-
2016). Nhóm thứ hai bao gồm các ngân hàng lớn từ Trung Âu vẫn đang
tích cực.
Kết quả ước tính của nhóm “không thành công” đã được xác nhận 100%, điều này cho thấy
rằng mô hình điểm Z của Altman có thể là một chỉ báo hiệu quả về tình trạng kiệt quệ tài chính 2
nhiều năm trước một sự kiện "thất bại" đã biết. Tuy nhiên, một số mặt hạn chế của chuyên
mô hình cho các công ty từ các thị trường mới nổi cũng được tiết lộ. Trên thực tế, kết quả
đạt được từ việc xử lý dữ liệu tài chính của nhóm “không thất bại” (CE vẫn hoạt động
ngân hàng) có thể thấy rõ một hạn chế đáng kể. Cụ thể hơn, Z được tính
điểm của nhóm này thấp và chỉ ra rằng 12 ngân hàng có thể
bị đe dọa bởi nguy cơ tài chính trực tiếp trong những năm tới, 7 ngân hàng bị xếp vào danh sách xám
khu vực báo hiệu mối quan tâm về tình hình tài chính của họ và chỉ có hai
trong hầu hết các trường hợp, là điều gì đó tiêu cực ảnh hưởng trực tiếp đến kết quả cuối cùng của Z
điểm và tương ứng là đặc điểm của sức khỏe tài chính của các ngân hàng
đã kiểm tra. Có vẻ như độ chính xác và khả năng dự đoán của mô hình Altman đã thử nghiệm,
chuyên biệt cho các thị trường mới nổi, có vấn đề liên quan đến các dự đoán cho tư nhân
Shumway (1999) đã chứng minh rằng mô hình điểm Z đã chết và hoàn toàn không đáng tin cậy
nữa về việc sử dụng để dự đoán sự phá sản của công ty. Anh ấy tuyên bố rằng một nửa trong số
Các biến Altman có sức mạnh dự đoán kém. Do đó, ông đã đề xuất một mô hình với
các biến định hướng thị trường và hai tỷ số kế toán. Theo Shumway (1999)
điều này được coi là chính xác hơn trong các bài kiểm tra ngoài mẫu so với điểm Z của Altman
người mẫu. Chava & Jarrow (2004) đã xác nhận tính ưu việt của mô hình Shumway so với
Mô hình điểm Z của Altman bằng cách xác nhận yếu tố quan trọng trong việc giới thiệu ngành
31
Machine Translated by Google
Dựa trên những phát hiện của công trình này, người ta có thể khẳng định rằng mô hình điểm Z của Altman,
chuyên biệt cho các công ty từ các thị trường mới nổi, bằng cách nào đó đã lỗi thời và phải
được xử lý một cách rất thận trọng, đặc biệt là trong các dự đoán liên quan đến lĩnh vực ngân hàng
các tổ chức. Cần cải tiến thêm mô hình điểm Z của Altman để
trở thành một công cụ dự đoán đáng tin cậy cho các công ty tư nhân (ngân hàng) hoạt động với
tận dụng. Có lẽ, Altman sẽ sớm cung cấp cho chúng ta một công thức điểm Z nữa mà
sẽ thích hợp hơn để sử dụng với các ngân hàng / tổ chức tài chính. Đây sẽ là một
thách thức nghiên cứu đối với các nhà nghiên cứu tài chính.
32
Machine Translated by Google
Altman, Edward I. (1968). Tỷ lệ tài chính, phân tích phân biệt đối xử và dự đoán phá sản doanh
nghiệp. Tạp chí Tài chính, trang 189–209. doi: 10.1111 / j.1540-
6261.1968.tb00843.x
Altman, Edward I. (1977). Mô hình phá sản Z-Score: Quá khứ, Hiện tại và Tương lai trong các cuộc
khủng hoảng tài chính: các tổ chức và thị trường trong một môi trường mong manh. - New York [ua]:
Altman, Edward I. (1993). Đau khổ và phá sản tài chính doanh nghiệp: Hướng dẫn đầy đủ để dự đoán và
tránh đau khổ và kiếm lợi từ việc phá sản, 2nd Edn.
Altman EI Hartzell J. Peck M. (1995). Thị trường mới nổi Trái phiếu công ty: Một hệ thống tính điểm.
Tương lai của thị trường mới nổi Flaws. Kluwer và xem lại trong Altman, EI và Hotchkiss, E. (2006)
Đau khổ tài chính doanh nghiệp & Phá sản. J. Wiley & Các con trai.
Altman, Edward I. (2000). Dự đoán tình trạng khó khăn tài chính của các công ty: Xem xét lại Mô hình
06-07-2017]
Altman EI (2002). Xem xét lại các mô hình tính điểm tín dụng trong môi trường Basel 2.
Trung tâm nghiên cứu các định chế tài chính của Salomon, 2 (1): tr.2-37.
Altman, EI, Danovi, A. và Falini, A. (2013). Áp dụng mô hình Z-Score cho các công ty Ý chịu sự quản
lý đặc biệt. Tạp chí Tài chính Ứng dụng, 23 (1), trang 128-137.
Hải ly, WH (1966a). Các tỷ số tài chính như là yếu tố dự báo thất bại. Nghiên cứu thực nghiệm trong
Hải ly, WH (1966b). Giá thị trường, tỷ lệ tài chính và dự đoán thất bại.
Bellovary, J., Giacomino, D. và Akers M. (2007). Đánh giá về các nghiên cứu dự đoán phá sản: 1930
đến nay, Tạp chí Giáo dục Tài chính, Vol. 33 (Mùa đông), 1-42.
Chava, Sudheer và Jarrow, Robert A., (2004). Dự đoán Phá sản với Hiệu ứng Ngành, Đánh giá Tài
chính, Nhà xuất bản Học thuật Kluwer, Vol. 8, trang 537–569.
Cybinski, Patti, (2001). "Mô tả, giải thích, dự đoán - sự phát triển của các nghiên cứu phá sản?",
Damodaran Aswath (2012). Định giá đầu tư: Các công cụ và kỹ thuật để xác định giá trị của bất kỳ tài
sản nào, University Edition, Wiley Finance, John Wiley & Sons, ISBN: 9781118206591.
33
Machine Translated by Google
Drehmann, M. và Nikolaou, K. (2010). Tài liệu làm việc của BIS số 316, [pdf] Có tại:
Fisher, RA (1936). Việc sử dụng nhiều phép đo trong các vấn đề phân loại, Biên niên sử
về ưu sinh, London.
Fitzpatrick, JP (1932), So sánh tỷ lệ giữa các doanh nghiệp công nghiệp thành công với
GARP (Hiệp hội các chuyên gia về rủi ro toàn cầu) (2014). Cơ sở của Rủi ro Ngân hàng:
Tổng quan về Ngân hàng, Rủi ro Ngân hàng và Quy chế Ngân hàng Dựa trên Rủi ro, John
Grice, JS, (2001). Những hạn chế của các mô hình dự báo phá sản: Một số thận trọng cho
nhà nghiên cứu, Đánh giá về Tài chính và Kế toán Định lượng, Nhà xuất bản Học thuật
Grover, J. (2003). Xác thực mô hình dòng tiền: Một cách tiếp cận không phá sản.
Bằng tiến sĩ. luận văn, Đại học Đông Nam Nova.
Hayes, SK, Hodge, KA và Hughes LW (2010). Một nghiên cứu về hiệu quả của Z của Altman để
dự đoán sự phá sản của các công ty bán lẻ đặc biệt đang kinh doanh trong thời đại đương
đại, Tạp chí Kinh tế & Kinh doanh: Yêu cầu & Quan điểm, Vol.
3 Số 1.
Horrigan, JO (1966). Việc xác định vị thế tín dụng dài hạn với các tỷ lệ tài chính,
Nghiên cứu Thực nghiệm trong Kế toán: Các Nghiên cứu Chọn lọc, Bổ sung cho Tập 4, Tạp
Hull, John C. (2015). Quản lý rủi ro và các tổ chức tài chính, John Wiley & Sons Inc.,
Jones, FL (1987). Các kỹ thuật hiện tại trong dự đoán phá sản. Tạp chí Văn học Kế toán,
6, trang 131–164.
Kočišová K., Mišanková M. (2014). Phân tích phân biệt đối xử như một công cụ để dự báo
sức khỏe tài chính của công ty trong Các vấn đề đương đại trong Kinh doanh, Quản lý và
Giáo dục 2013, Thủ tục - Khoa học Xã hội và Hành vi 110, trang 1148 - 1157.
Có sẵn http://ac.els-cdn.com/S1877042813056012/1-s2.0-
Trực tuyến:
Tạp chí Nghiên cứu Kế toán, New York: 18 (1), trang 109–131, ISSN 1475-679X.
Sadgrove, Kit. (2015). Hướng dẫn Hoàn chỉnh về Quản lý Rủi ro Kinh doanh, Bìa
34
Machine Translated by Google
Samarakoon, Lalith P. và Hasan, Tanweer. (2003). Mô hình Z-Score của Altman về dự đoán tình trạng
đau khổ của doanh nghiệp: Bằng chứng từ Thị trường chứng khoán Sri Lanka mới nổi.
Tạp chí Học viện Tài chính, tập. 1, trang 119-125. Có sẵn trực tuyến: SSRN: https://ssrn.com/
Sands, EG, Springate GLV và Turgut V. (1983). Dự đoán thất bại trong kinh doanh.
Shumway, Tyler (2001). Dự báo Phá sản Chính xác hơn: Một Mô hình Nguy hiểm Đơn giản, Tạp chí
Sofat, Rajni, Hiro, Preeti (2015). Quản lý tài chính chiến lược, Phiên bản thứ hai, Phi Learning
Vickers, Frank. (2006) Chứng minh suy thoái kinh doanh của bạn, Lulu.com, ISBN: 9780615135779
Zmijewski, ME, (1984). “Các vấn đề về phương pháp luận liên quan đến việc ước tính các mô hình dự
báo khó khăn tài chính.” Tạp chí Nghiên cứu Kế toán 22 (1), trang 59–
82.
BIS (Ngân hàng Thanh toán Quốc tế), (2011). Các Nguyên tắc về Âm thanh Hoạt động Có sẵn Trực
tuyến: Quản6 lý
nămhttp://www.bis.org/publ/bcbs195.pdf
2017] Rủi ro, [Truy cập ngày 19 tháng
BIS (Ngân hàng Thanh toán Quốc tế), (2017). Lịch sử của Ủy ban Basel, Có sẵn trên mạng: http://
Chieng, JR (2013). Xác minh tính hợp lệ của Điểm Z ”của Altman như một dự đoán về thất bại của
ngân hàng trong trường hợp của Khu vực đồng tiền chung châu Âu. Chưa xuất bản, Luận văn Thạc sĩ, [pdf]
Có sẵn Trực tuyến: http: // trap.ncirl.ie/865/1/jasminechieng.pdf [Truy cập ngày 21 tháng 6 năm
2017]
Chotalia, Parul. (2014), Đánh giá sức khỏe tài chính của các ngân hàng khu vực tư nhân được lấy
mẫu với Altman Z-score Model International Journal of Research in Management, Science & Technology
Culp, Christopher L. (2015). Quy định về vốn dựa trên rủi ro về các tổ chức tài chính trong tài
chính và bảo hiểm có cấu trúc: Nghệ thuật quản lý vốn và rủi ro, Thư viện trực tuyến Wiley,
788-793, Trực tuyến: 20 tháng 6 nămpp.
2017] Có sẵn
ngàyhttp://onlinelibrary.wiley.com/doi/10.1002/9781119201243.app2/ pdf [Truy cập
35
Machine Translated by Google
(2017).
EBA (Cơ quan Ngân hàng Châu Âu), Có sẵn Trực tuyến: https://www.eba.europa.eu/regulation-and-
Eisenbeis, R. (1977). Cạm bẫy trong việc áp dụng phân tích phân biệt đối xử trong kinh
doanh, tài chính và kinh tế. Tạp chí Tài chính, 32, trang 875–900. http://dx.doi.org/10.1111/
j.1540-6261.1977.tb01995.x
Muller, GH, Steyn-Bruwer, BW và Hamman WD (2012). Cách tốt nhất về tài chính Trực tuyến là
đến dự đoán gì: tình trạng khó khăn của các công ty, Có sẵn
đau của các công ty.aspx [Truy cập ngày 1 tháng 7 năm 2017]
Kho từ điển. (2017). Tôi không đồng ý với Altman Z-Score cho công ty X ?, Có sẵn Trực tuyến:
http://ideas.stockopedia.com/knowledgebase/articles/132951-i-don t-agree-with-the-altman-z-
36
Machine Translated by Google
Machine Translated by Google
Machine Translated by Google
Machine Translated by Google
40
Machine Translated by Google
Machine Translated by Google