2012
Jurnal Ekonomi dan Bisnis Vol. 5, No. 3, November 2009 (209-220) ISSN: 1978 – 3116
STRUKTUR MODAL DAN PREDIKSI KEGAGALAN PERUSAHAAN Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116
Rowland Bismark Fernando Pasaribu ABFI Institute Perbanas Jakarta November 2011
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116
Struktur Modal dan Prediksi Kegagalan Perusahaan: Teori dan Aplikasi Rowland Bismark Fernando Pasaribu ABFI Institute Perbanas Jakarta
Abstract This paper addresses the theoretical foundations of corporate failure prediction, using the neo-classical theory of capital structure as a starting point. The paper intends to demonstrate the feasibility of such an approach in a simple setting, i.e. by using a simple theoretical model and a limited empirical analysis. A model of optimal capital structure is constructed and rewritten as a model of default probability. Its empirical implications are derived and tested on a sample of Indonesian data. It is concluded that this approach clearly has its limitations, but also that it may be a valuable contribution compared to the multitude of theory-less empirical studies and a useful alternative to the default theory. Keywords: Default Probabilities, Capital structure, Corporate Failure, Logistic regression
PENDAHULUAN Kebangkrutan yang dialami oleh banyak perusahaan global semakin menegaskan akan pentingnya prediksi gagal-bayar baik dalam konteks akademis dan aplikasi riil. Saat ini nampaknya semakin sangat penting saja urgensi membentuk sistem peringatan dini yang dapat membantu menghindari perusahaan dalam kondisi gagal-bayar disatu sisi dan memfasilitasi pemilihan emiten untuk dijadikan nominator dimana kita akan berinvestasi atas perusahaan tersebut di sisi lain. Penelitian mengenai prediksi gagal-bayar telah mengalami perjalanan yang cukup panjang sejak awal dicetuskan melalui karya Beaver (1966, 1968) dan Altman (1968). Pendekatan yang ada untuk memprediksi kegagalan perusahaan sebahagian besar adalah aplikasi teknik klasifikasi statistik (biasanya analisis diskriminan) terhadap sampel yang terdiri perusahaan gagal dan non-gagal, contoh penelitian tersebut telah dilakukan Deakin (1972) dan Altman et al. (1977). Setelah itu terjadi pergeseran penggunaan teknik analisis yakni dengan analisis probit atau logit. Martin (1977) dan Ohlson (1980) adalah yang pertama dalam mengaplikasikan teknik ini diikuti oleh Wiginton (1980), Zmijewski (1984), Zavgren (1985), Aziz and Lawson
1
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 (1989), Lennox (1999) serta Westgaard dan Van der Wijst (2001). Teknik statistik lainnya yang juga telah diperkenalkan adalah: partisi rekursif (Frydman et.al, 1985); teori katastrophi (Gregory et.al, 1991); penskalaan multidimensi (Mar Molinero dan Ezzamel, 1991); neural networks (Tam dan Kiang, 1992); model multinominal logit (Johnsen dan Melicher, 1994); metodologi bantuan keputusan multi-kriteria (Zopounidis dan Doumpos, 1999) serta; cara penetapan langsung (Dimitras et al., 1999).
Kesimpulan umum dari usaha penelitian yang ekstensif ini terlihat menjadikan tiap studi yang dilakukan menghasilkan diskriminasi yang beralasan antara perusahaan yang gagal dan non-gagal, tapi juga dan mungkin lebih signifikan bahwa beragam penelitian berusaha keras menunjukkan suatu persetujuan mengenai faktor apa yang penting untuk prediksi kegagalan. Faktanya, dapat dikatakan bahwa kurang lebih 40 tahun penelitian mengenai topik ini belum berhasil menghasilkan variabel mana dan mengapa, yang merupakan prediktor yang baik. Ketidaksepakatan kesimpulan tersebut tentu saja, secara parsial dapat ditujukan pada fakta bahwa penelitian-penelitian tersebut mengacu pada periode, negara, dan industri yang berbeda-beda. Faktor lainnya mungkin pada praktiknya seluruh penelitian tersebut tidak memiliki kerangka kerja teoritis untuk mengarahkan usaha penelitian empiris. Dalam ketiadaan teori yang menyediakan hipotesis yang dapat diuji, maka hasil empiris harus dievaluasi kualitasnya dan hanya berharap bahwa muncul suatu pola dari sejumlah besar hasil empiris. Kondisi seperti ini menimbulkan persepsi yang kurang elegan dalam positioning topik penelitian prediksi kegagalan karena tidak memiliki acuan teori dasar bila dibanding topik-topik lainnya dalam ilmu manajemen keuangan. Penelitian ini mencoba mendirikan tiang penyanggah teoritis pada prediksi kegagalan dengan mendayagunakan teori neo-klasik struktur modal sebagai titik awal. Demikian selanjutnya teori ini mengikuti pendekatan alternatif yang dibandingkan model Merton yang telah terkenal didasarkan teori penetapan harga opsi dan kemudian dielaborasikan ke dalam model KMV. Asal dari struktur modal yang mendasari teori gagal-bayar disatu sisi terdapat pada model yang menghubungkan resiko kejatuhan kepada penilaian klaim perusahaan.1 Elaborasi yang terakhir dapat ditemukan dalam Scott (1981). Di sisi lain, teori ini juga terdapat dalam model struktur modal optimal yang dikembangkan pada kebangkitan teorema irelevansi-nya Modigliani-Miller (Modigliani 1
lih. Gordon, 1971; Scott, 1977; dan Vinso, 1979.
2
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 dan Miller, 1958, 1963), Baxter (1967), Kraus dan Litzenberger (1973), Scott (1976), serta Kim (1978). Pada pelaksanaannya, seluruh model struktur modal optimal menggunakan kondisi gagal-bayar dalam derivasi struktur modal optimal. Kondisi ini menangkap esensi keputusan gagal-bayar: terjadi pada saat nilai beragam arus kas yang tersedia untuk perusahaan tidak memadai untuk melunasi kewajiban hutangnya. Berdasarkan hal tersebut, dihasilkan teori kepemilikkan pada struktur modal optimal dalam keseimbangan komparatif-nya yang merupakan dasar untuk analisis empiris. Anehnya, model ini jarang, jika sekiranya, ditulis ulang dan secara tegas menyatakan kemungkinan kegagalan perusahaan dan karakteristiknya, yakni: bagaimana model tersebut dipengaruhi oleh faktor penentu struktur modal optimal. Sejak awal delapan puluhan, garis penelitian teoritis ini nampak sepenuhnya lebih baik dengan opsi yang didasarkan teori default. Berdasarkan uraian singkat diatas, penelitian ini bertujuan untuk mengklarifikasi kapasitas dari konsep teori struktur modal sebagai prediktor probabilitas kegagalan perusahaan.
PEMBENTUKKAN TEORI: Probabilitas Gagal-Bayar Dalam Kerangka kerja Struktur Modal 2.1
Model Sederhana Struktur Modal Optimal Model yang digunakan disini adalah sederhana, yakni model struktur modal
optimal periode tunggal. Model ini memungkinkan ketidaksempurnaan pasar: pajak dan biaya kegagalan, dan memadai untuk menangkap esensi dari teori trade-off, dimana struktur modal optimal ditetapkan sebagai trade-off antara keunggulan pajak dan ekspektasi biaya kegagalan. Model ini diadopsi dari teorema Van der Wijst (1989) yang dielaborasi. Asumsi utama model adalah sebagai berikut: Pasar modal diasumsikan tidak berbiaya dan kompetitif. Pajak laba perusahaan adalah konstan dan menurut sistem pajak penghasilan yang memungkinkan deduksi seluruh pembayaran kreditur, termasuk pembayaran kembali pokok hutang dari pajak penghasilan perusahaan. Meski demikian, tidak terdapat item pengurangan pajak dan pajak individual. Seluruh pelaku pasar diasumsikan greedy dan bertindak secara rasional.
3
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Jumlah pendapatan yang dihasilkan perusahaan diasumsikan tetap, yakni seluruh keputusan investasi telah dibuat tapi keputusan pendanaan belum. Perusahaan hanya menggunakan ekuitas dan hutang. Hutang tidak hanya merupakan subjek terhadap risiko gagal bayar. Terakhir, investor diasumsikan berposisi netral terhadap risiko dan memiliki kewajiban terbatas. Dalam penetapan asumsi ini, arus kas perusahaan hanyalah sumber dana yang dapat digunakan untuk memenuhi kewajiban terhadap kreditur. Akibatnya, kalau kewajiban ini melebihi arus kas perusahaan, maka terjadi gagal-bayar dan perusahaan mendeklarasikan kebangkrutan. Karenanya kondisi kebangkrutan, b adalah: b=ξ
(2.1)
dimana ξ adalah variabel acak yang merepresentasikan arus kas perusahaan sebelem bunga dan pajak (EBIT) dan R adalah pembayaran terhadap kreditur. ξ diasumsikan berdistribusi normal dengan rata-rata µx dan standar deviasi σx. Kalau diakhir periode, terjadi kondisi b, para pemilik saham dilindungi dengan kewajiban terbatas dan tidak menerima apa-apa. Selanjutnya mereka menerima arus kas setelah pajak dan bunga. Nilai pada akhir periode, Ye adalah: Ye = 0
kalau ξ < b
Ye = (1-τ)(ξ-R)
kalau ξ ≥ b
(2.2)
Dimana τ adalah tingkat pajak perusahaan. Untuk investor risiko-netral keseimbangan nilai ekuitas, Ve adalah nilai diskonto saat ini pada tingkat suku bunga bebas risiko, pada ekspektasi Ye: ∞
E (Ye) Ve = (1 + r )
(1 − τ ) ∫ (ξ − R) ƒ (ξ )dξ b
(1 + r )
(2.3)
Dimana r adalah tingkat suku bunga bebas risiko. Nilai kreditur pada akhir periode, Yd diperoleh dengan cara yang sama. Kalau terjadi kondisi kebangkrutan, perusahaan dialihkan kepada kreditur yang berarti mereka menerima arus kas minus biaya kegagalan. Terbatasnya nilai kewajiban menghindarkan mereka untuk menerima arus kas negatif. Jadi nilai hutang pada akhir periode adalah: Yd = 0
kalau ξ ≤ 0
Yd =ξ-B(ξ )
kalau 0 < ξ < b
Yd =R
kalau ξ ≥ b (b=R) 4
(2.4)
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 dimana B(ξ) adalah jumlah biaya kegagalan sebagai fungsi pada arus kas ξ. Nilai keseimbangan hutang adalah present value dari ekspektasi Yd: b
Vd =
∫ (ξ − B(ξ ))ƒ (ξ )dξ + R(1 − F ) 0
(2.5)
(1 + r ) b
Dimana F adalah probabilitas kegagalan: F =
∫ f (ξ )dξ .
Sejak didefinisikan sebagai
−∞
fungsi kumulasi densitas, probabilitas kegagalan akan selalu memiliki nilai antara 0 dan 1. Nilai total perusahaan diperoleh dengan menambahkan Ve dan Vd, yang setelah menyusun ulang terminologi, adalah:
V =
∞
∞
b
0
b
0
∫ ξf (ξ )dξ − τ ∫ ξf (ξ )dξ − ∫ B (ξ ) f (ξ )dξ + τR(1 − F )
( 2 .6 ) . (1 + r ) Struktur modal optimal dan kapasitas hutang diperoleh dengan mendiferensiasikan V dan Vd dengan mengacu kepada R: ∂V τ (1 − F ) − B ( R ) f ( R ) = ∂R (1 + r )
( 2 .7 )
∂Vd τ (1 − F ) − B ( R ) f ( R ) = ∂R (1 + r )
(2.8)
dimana B(R) dan f(R) adalah fungsi biaya kegagalan dan dan probabilitas kegagalan arus kas, keduanya dievaluasi pada titik struktur modal optimal. Dengan menetapkan persamaan 2.8 sama dengan nol, memberikan jumlah hutang maksimum kreditur yang akan dikucurkan, atau kapasitas hutang perusahaan. Persamaan 2.7 ditetapkan sama dengan nol, memberikan jumlah hutang yang memaksimalkan nilai perusahaan yakni struktur modal optimal. Hal ini dapat ditunjukkan bahwa untuk arus kas berdistribusi normal pada kondisi order kedua untuk persamaan 2.7 dan 2.8 terpenuhi. Karena tingkat pajak perusahaan τ, memiliki nilai antara 0 dan 1, jumlah hutang dalam struktur modal optimal adalah lebih kecil daripada jumlah hutang yang akan dicairkan kreditur. Ini berarti persamaan 2.8 tidak membatasi jumlah hutang yang dapat diterima perusahaan yakni struktur modal optimal tercapai sebelum kapasitas hutang. Perumusan kembali persamaan 2.7 memberikan persamaan berikut:
τ (1 − F ) (1 + r )
=
B( R) f ( R) (1 + r )
5
( 2 .9 )
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Persamaan sisi kiri merepresentasikan nilai saat ini pada marjin penghematan pajak, sementara di sisi kanan merepresentasikan nilai saat ini pada marjin biaya kegagalan. Karenanya struktur modal tercapai saat marjin keuntungan pendanaan hutang sama dengan biaya marjin. Diskusi yang lebih ekstensif dan kalkulasi detail selanjutnya dapat dilihat pada Van der Wijst (1989).
2.2
Model Probabilitas Kegagalan Pada sub-bab ini model struktur modal diformulasi ulang sebagai model
probabilitas kegagalan dan selanjutnya dianalisis. Persamaan 2.9 merepresentaikan pilihan optimal pada struktur modal sebagai fungsi tingkat pajak, biaya kegagalan dan distribusi kepemilikan arus kas termasuk probabilitas gagal bayar F = 1−
B ( R) f ( R)
τ
(2.10)
dimana seluruh variabel telah dijelaskan sebelumnya. Persamaan 2.10 merefleksikan konsekuensi probabilitas gagal bayar pada keputusan untuk maksimisasi nilai perusahaan dengan menggunakan struktur modal sebagai instrumennya. Probabilitas gagal-bayar itu sendiri bukanlah variabel tujuan (untuk diminimalisir atau dioptimalkan) atau instrumen langsung. Probabilitas gagalbayar tentu saja dimanipulasi secara tidak langsung dengan memilih tingkat R. Dalam persamaan 2.10 probabilitas gagal-bayar tergantung pada tingkat pajak, biaya kegagalan dan distribusi kepemilikan arus kas. Untuk menganalisis model, selanjutnya dikalkulasi perbandingan statisnya. Ini menunjukkan pengaruh pada probabilitas gagal-bayar, F terhadap perubahan dalam variabel di model. Komparasi statis pada model dideskripsikan dibawah dimana beberapa kalkulasi yang lebih detail ditambahkan: a)
Probabilitas gagal bayar, F, tergantung pada ukuran hutang dengan cara berikut:
∂F f ( R ) B( R )( µ x − R) = + B' ( R) < 0 kalau µ x ≥ R 2 ∂R τ σ x
(2.11)
Karena f(R), tingkat pajak perusahaan, biaya kegagalan, varian arus kas dan derivasi pertama pada biaya kegagalan semuanya adalah positif, (2.11) akan negatif kalau µx ≥
R. Dan lagi tanda tersebut tergantung pada ukuran relatif variabel lainnya dan tidak dapat ditentukan secara definitif. Hal ini berarti pengaruh leverage terhadap
6
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 probabilitas gagal-bayar tidak dapat ditentukan secara definitif, dan dalam rentang yang dapat ditentukan secara definitif pengaruhnya karena keduanya bertentangan terhadap prediksi kebijaksanaan konvensional b)
Perubahan pada F terkait dengan perubahan dalam tingkat pajak adalah: ∂F B ( R ) f ( R ) = >0 ∂τ τ2
(2.12)
Kedua biaya kegagalan, yakni f(R) dan τ, tingkat pajak perusahaan adalah positif. Hal ini berarti suatu kenaikan dalam tingkat pajak akan meningkatkan probabilitas gagalbayar. Hal tersebut membuat pendanaan hutang lebih menarik marjin, akan mengarah pada semakin besarnya jumlah hutang dalam struktur modal optimal dan probabilitas gagal-bayar yang semakin tinggi. c)
Derivasi F terkait dengan biaya kegagalan adalah:
∂F f ( R) = <0 ∂( R) τ
(2.13)
karena f(R) dan τ keduanya adalah positif, maka persamaan 2.13 akan menjadi negatif. Dimana kenaikan dalam biaya kegagalan akan membuat pendanaan hutang kurang menarik marjin, hal ini akan mengarah pada semakin kecilnya jumlah hutang dalam struktur modal optimal serta akan mengurangi probabilitas gagal-bayar. d)
Perubahan dalam standar deviasi arus kas akan mempengaruhi probabilitas gagal bayar sebagai berikut:
∂F = ∂σ x
B( R)
τ
∂f ∂σ x
f ( R) B( R) 1 ( R − µ x ) 2 = − τ σ 3x σ x
(2.14)
Meski persamaan 2.14 terlihat sedikit kompleks, f(R), B(R), τ dan σx, ketiganya adalah positif. Jadi persamaan dalam bahagian kudrat akan menentukan tanda pada persamaan 2.14. dan dibatasi hanya sampai pada:
σ²x – (R- µx)² < 0 kalau R- µx > σx = 0 kalau R- µx = σx
(2.15)
> 0 kalau R- µx < σx Karenanya komparasi statis pada standar deviasi arus kas tergantung pada; apakah perbedaan antara ekspektasi earning dan kewajiban hutang lebih besar atau lebih kecil daripada standar deviasi earning. e)
Perubahan pada ekspektasi arus kas mendatang, µx, pada F adalah:
7
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116
∂F = ∂µ x
B( R)
τ
∂f ∂µ x
=
f ( R) B( R)
τσ 2 x
( µ x − R ) > 0 kalau µx > R
(2.16)
= 0 kalau µx = R < 0 kalau µx < R
Karena f(R), biaya kegagalan B(R), tingkat pajak dan varian arus kas semuanya positif, tanda persamaan 2.16 tergantung pada hubungan antara ekspektasi arus kas dan ukuran hutang. Komprasi statis pada model probabilitas gagal-bayar diringkas pada tabel 1 dibawah ini. Tabel 1. Pengaruh Variabel dalam Model Terhadap Probabilitas Gagal-Bayar Komparasi Statis
∂F ∂K
R, Hutang τ, Tingkat Pajak B(R ), Biaya Kegagalan σ, St.Dev Arus Kas µ, Ekspektasi Arus Kas
Ekspektasi Pengaruh terhadap F
Positif atau tidak ditentukan Positif. Negatif Positif atau Negatif Positif atau Negatif
Aspek yang sangat menarik perhatian pada tabel 1 yakni tidak hanya struktur modal atau distribusi kepemilikan arus kas (ekspektasi dan varian) memiliki pengaruh secara langsung terhadap probabilitas gagal-bayar. Kesimpulan yang dapat dikomparasi tercapai dalam analisis statis komparatif menyangkut model struktur modal optimal (probabilitas gagal bayar memiliki pengaruh yang ambigu atas struktur modal optimal, lih. Van der Wijst, 1989). Hal ini menantang kebijaksanaan konvensional peningkatan probabilitas gagal-bayar, ceteris paribus, dengan varian arus kas dan leverage dan penurunan dengan ekspektasi arus kas. Karenanya, tidaklah logis
membuat asumsi mengenai R, µx, dan σx yang membawa seluruh komparatif statis sejalan dengan kebijakan konvensional. Jika leverage dan ekspektasi arus kas memiliki efek kebijakan-konvensional, maka harus diasumsikan bahwa µx
8
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 METODOLOGI PENELITIAN Metode Pengumpulan Data Populasi dalam penelitian ini adalah seluruh perusahaan yang terdaftar di Bursa Efek Indonesia. Adapun pengambilan sampel menggunakan metode judgment sampling, yaitu pemilihan sampel berdasarkan pada kriteria-kriteria tertentu. Kriteria tersebut adalah merupakan emiten dari jenis industri berikut: a) industri dasar dan kimia; b) aneka industri; c) industri barang konsumsi; d) industri perdagangan. perusahaan yang sahamnya selalu terdaftar dan aktif diperdagangkan di Bursa Efek Indonesia (BEI) minimal sejak tahun 2002 serta selalu menyajikan informasi keuangan selama periode pengamatan (Siagian, 2000). Jenis data yang digunakan dalam penelitian ini adalah data sekunder untuk periode tahun 2002-2006, yang diperoleh dari www.jsx.co.id, Model Empiris dan Variabel Proksi Dalam melakukan klasifikasi awal pada kategori gagal dan non-gagal, penelitian ini menggunakan asumsi yang telah banyak digunakan dalam literatur terdahulu prediksi kegagalan perusahaan. Adapun asumsi tersebut adalah 9 variabel binari; masingmasing bernilai 1 (non-gagal) kalau persyaratan kondisi terpenuhi, dan 0 (gagal) bila sebaliknya: (i)
Laba sebelum hak minoritas atas laba bersih anak perusahaan, positif;
(ii)
Arus kas operasional, positif;
(iii)
Perubahan ROA, positif;
(iv)
Arus kas operasional melebihi laba sebelum hak minoritas atas laba bersih anak perusahaan;
(v)
Perubahan leverage (hutang jangka panjang/total aktiva) negatif;
(vi)
Perubahan likuiditas, positif;
(vii)
Perubahan gross margin ratio (1 – COGS/ penjualan) positif;
(viii) Perubahan dalam turnover, (penjualan / total aktiva) positif; (ix)
Perusahaan memiliki arus kas operasional dari penjualan saham positif.
Banyak variabel dalam model teoritis mengacu pada nilai ekspektasi mendatang yang tidak dapat diukur secara langsung, karenanya digunakan variabel proksi empiris yang diambil dari data akuntansi yang tersedia. Variabel proksi yang digunakan dalam analisis adalah: 9
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 -
Hutang: DTA
-
Pajak: TAX / EBIT
-
Ekspektasi Arus Kas (µx); CF = (net profit + depreciation)/ total assets
-
Standar deviasi arus kas (σx):
-
Biaya Kegagalan B(x) : diaproksimasi dengan ukuran perusahaan (ln(sales))
Karena variabel tersebut adalah transformasi ini secara langsung dari angka-angka akuntansi maka tidak memerlukan banyak diskusi mengenainya. Variabel arus kas dan leverage dimasukkan dalam analisis tanpa hipotesis yang tegas atau eksplisit mengenai pengaruh mereka. Tarif pajak dihipotesiskan berhubungan positif terhadap probabilitas gagal-bayar. Biaya kegagalan biasanya diasumsikan berhubungan terbalik terhadap ukuran perusahaan, yakni biaya kegagalan sebagai bagian dari nilai perusahaan yang mengurangi ukuran perusahaan. Di dalam model penelitian ini, biaya kegagalan berpengaruh negatif terhadap probabilitas gagal-bayar, karenanya hal ini mengarahkan pada hipotesis bahawa ukuran perusahaan berhubungan positif terhadap probabilitas gagal-bayar.
Teknik Analisis dan Model Analisis Variabel dependen yang digunakan dalam penelitian ini adalah kondisi kegagalan perusahaan yang merupakan variabel kategori; 0 untuk perusahaan syang mengalami kegagalan dan 1 untuk perusahaan non-gagal. Variabel independen yang digunakan dalam penelitian ini adalah rasio keuangan dari hutang, pajak, ekspektasi arus kas, standar deviasi arus kas, dan biaya kegagalan Pengujian Hipotesis
Dalam penelitian untuk melihat apakah variabel bebas X berpengaruh terhadap variabel tidak bebas Y yang berbentuk kategori, model logistik yang digunakan adalah: P (Y = 1 X 1 , X 2 , K , X k ) = P ( X ) =
1 1 + e − (α + Σ β iXi )
atau logit P(X) = α+ΣβiXi dimana Y = 1 jika kejadian yang diamati sebagai variabel tidak bebas dan variabel Xi sebagai variabel bebas.
10
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Uji Simultan Model Regresi Logistik Untuk uji keberartian/kecocokan model digunakan uji statistik Hosmer dan Lemeshow dengan hipotesis: Ho = Tidak ada perbedaan nyata antara klasifikasi prediksi dan klasifikasi observasi. Ha =
Terdapat perbedaan nyata antara klasifikasi prediksi dan klasifikasi observasi.
dengan kriteria tolak Ho untuk α yang ditetapkan jika sig . χ
2
α , n − k −1
< α 0 .05
2
α , n − k −1
< α 0 .05
dengan kriteria uji : Uji Parsial Ho = Koefisien regresi tidak signifikan Ha =
Koefisien regresi signifikan.
dengan kriteria tolak Ho untuk α yang ditetapkan jika sig . χ
11
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 PEMBAHASAN
Sampel Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9
Tabel 2. Hasil Uji Signifikansi Simultan Industri Aneka Industri Dasar Keseluruhan Barang Industri & Kimia Konsumsi 0.000 0.005 0.638 0.337 0.363 0.274 0.708 0.745 0.866 0.978 0.582 0.496 0.296 0.118 0.038 0.201 0.500 0.021 0.083 0.885 0.283 0.554 0.703 0.726 0.347 0.154 0.550 0.389 0.197 0.291 0.217 0.261 0.558 0.389 0.466 0.089
Industri Perdagangan 0.000 0.856 0.634 0.142 0.240 0.170 0.414 0.650 0.286
Pembahasan detail akan dilakukan berdasarkan hasil uji signifikansi simultan model dalam mendikriminasi sampel. Berdasarkan sampel data agregat, hanya dua model yang terbukti signifikan perihal penggunaan konsep struktur modal terhadap prediksi kegagalan perusahaan; model 1 (sig.H&L= 0.000) dan model 8 (sig.H&L= 0.044). Sementara untuk sampel aneka industri; model 1 (sig.H&L= 0.005) dan model 5 (sig.H&L= 0.021). Pada industri dasar dan kimia hanya model 4 (sig.H&L= 0.038) yang signifikan, begitu juga dengan industri perdagangan, hanya model 1 (sig.H&L= 0.000) yang terbukti signifikan. Sementara untuk industri barang konsumsi tidak satupun model yang ada memiliki pengaruh signifikan, ini dapat berarti konsep struktur modal tidak berpengaruh signifikan dalam mengidentifikasi kegagalan perusahaan.
Sampel Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9
Tabel 3. Koefisien Nagelkerke Industri Industri Keseluruhan Aneka Industri Dasar Barang Industri Industri Perdagangan & Kimia Konsumsi 32.85% 66.07% 73.53% 41.00% 64.15% 8.80% 27.88% 4.84% 34.48% 13.58% 1.34% 10.67% 3.07% 10.05% 1.59% 3.73% 9.70% 17.53% 1.36% 11.78% 4.91% 11.15% 10.53% 7.26% 4.50% 8.78% 21.08% 9.34% 15.85% 8.72% 4.69% 11.94% 7.44% 12.43% 3.14% 2.28% 26.23% 6.73% 7.68% 2.31% 6.59% 23.00% 1.21% 13.33% 6.38%
12
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Berdasarkan nilai koefisien Nagelkerke dapat diketahui kemampuan konsep struktur modal menjelaskan variasi model yang terbentuk. Berdasarkan tabel dapat diketahui bahwa model 1 memiliki nilai tertinggi baik secara klasifikasi industri atau diantara model yang ada. Secara data agregat, rentang nilai nagelkerke berkisar 1,34%-32,85%. Pada aneka industri rentang nilai ini 9,7%-66,07%. Di industri dasar dan kimia nilai koefisien berkisar antara 1,21%-73,53%, untuk industri barang konsumsi 1,36%-41%. Terakhir pada industri perdagangan, rentang nilai Nagelkerke berkisar antara 1,59%-64,15%.
Sampel Model 1 Model 2 Model 3 Model 4 Model 5 Model 6 Model 7 Model 8 Model 9
Tabel 4. Daya Klasifikasi Model (%) Industri Industri Aneka Keseluruhan Dasar Barang Industri & Kimia Konsumsi 82.37 87.50 88.13 84.82 72.12 74.04 72.50 83.93 67.81 75.96 64.38 69.64 64.75 70.19 68.13 58.93 72.30 82.69 71.25 81.25 58.09 69.23 60.63 61.61 59.71 71.15 65.00 62.50 62.59 75.96 65.63 63.39 65.29 69.23 66.88 58.93
Industri Perdagangan 92.22 70.56 66.67 66.67 62.22 58.89 56.11 57.78 64.44
Tabel 4 berisikan data daya klasifikasi model yang terbentuk. Daya klasifikasi ini adalah kemampuan model dalam mengklasifikasi secara benar sampel penelitian yang digunakan. Dilihat baik secara pendekatan industri atau jumlah model yang ada, dapat diketahui bahwa model 1 superior pada keduanya. Hal ini berarti penggunaan kriteria laba sebelum hak minoritas atas laba bersih anak perusahaan sebagai klasifikasi awal kegagalan perusahaan dengan konsep struktur modal memiliki reliabilitas yang cukup memadai secara statistik. Namun bila dilihat berdasarkan pendekatan industri, nilai maksimal daya klasifikasi seluruh model yang terbentuk terdapat pada aneka industri (meski signifikansi simultan hanya model 1 dan model 5).
Hasil Uji Parsial Pembahasan hasil uji parsial dilakukan mengacu pada model yang signifikan secara simultan, yakni: pada keseluruhan industri (model 1); aneka industri (model 1 dan model 5); industri dasar dan kimia (model 4) dan; industri perdagangan (model 1). a) Industri secara Keseluruhan (lih. tabel 5) b) 13
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Model 1 Nilai Nagelkerke untuk model 1 ini sebesar 0,3285 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 32,85%. Secara keseluruhan model ini memiliki daya klasifikasi sebesar 82,37%. Berdasarkan nilai Nagelkarke tersebut dapat dikatakan bahwa penggunaan laba sebelum hak minoritas atas laba bersih anak perusahaan yang digunakan belum cukup memadai dalam menjelaskan variasi kegagalan perusahaan yang akan terjadi, meski model yang terbentuk memiliki daya klasifikasi yang tinggi bila dikaitkan dengan struktur modal emiten. Secara parsial, kecuali penyimpangan arus kas dan pajak variabel lainnya berpengaruh signifikan terhadap probabilitas kegagalan perusahaan. Tapi dalam hal ini hasil empiris menunjukkan bahwa biaya kegagalan (Bx) ternyata berpengaruh signifikan positif terhadap probabilitas kegagalan perusahaan. Dengan kata lain, semakin tinggi prediksi biaya kegagalan yang dihasilkan, ceteris paribus mengindikasikan probabilitas kegagalan yang juga tinggi. Sementara leverage berpengaruh signifikan negatif terhadap probabilitas kegagalan. Dengan kata lain, semakin tinggi leverage yang dimiliki emiten, ceteris paribus justru semakin rendah probabilitas kegagalannya. Berdasarkan pendekatan laba sebelum hak minoritas atas laba
bersih
anak
perusahaan
daya
klasifikasi
model
yang
terbentuk
mengklasifikasikan secara benar emiten gagal sebesar 54,2% dan perusahaan nongagal sebesar 95,76% . c) Aneka Industri (lih. Tabel 6) Model 1. Nilai Nagelkerke untuk model 1 ini sebesar 0,6606 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 66,06%. Secara keseluruhan model ini memiliki daya klasifikasi sebesar 87,5%. Berdasarkan nilai Nagelkarke tersebut dapat dikatakan bahwa penggunaan laba sebelum hak minoritas atas laba bersih anak perusahaan yang digunakan sebagai diskriminator awal belum cukup memadai dalam menghasilkan kemampuan menjelaskan variasi kegagalan perusahaan yang akan terjadi pada emiten aneka industri, meski model prediksi yang terbentuk memiliki daya klasifikasi yang tinggi. Secara parsial, hanya arus kas operasional yang berpengaruh signifikan terhadap probabilitas kegagalan perusahaan. Berdasarkan pendekatan laba sebelum hak 14
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 minoritas atas laba bersih anak perusahaan daya klasifikasi model yang terbentuk mengklasifikasikan secara benar emiten gagal sebesar 87,23% dan perusahaan nongagal sebesar 87,22%. Model 5. Nilai Nagelkerke untuk model 5 sebesar 0,1115 yang berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 11,15%. Secara keseluruhan model ini memiliki daya klasifikasi sebesar 82,69%. Berdasarkan nilai Nagelkarke tersebut dapat dikatakan bahwa penggunaan laba sebelum hak minoritas atas laba bersih anak perusahaan yang digunakan sebagai diskriminator awal yang digunakan belum cukup memadai dalam menghasilkan kemampuan menjelaskan variasi kegagalan perusahaan yang akan terjadi pada emiten aneka industri, meski model yang terbentuk memiliki daya klasifikasi yang tinggi. Secara parsial, hanya biaya kegagalan (Bx) yang berpengaruh signifikan negatif terhadap probabilitas kegagalan perusahaan. Dengan menggunakan pendekatan perubahan leverage sebagai indikasi kegagalan perusahaan, semakin tinggi prediksi biaya kegagalan yang dihasilkan, ceteris paribus justru menekan probabilitas kegagalan perusahaan. Berdasarkan pendekatan perubahan leverage, daya klasifikasi model yang terbentuk mengklasifikasikan secara benar emiten gagal sebesar 5,26% dan perusahaan non-gagal sebesar 100% atau secara agregat memiliki daya klasifikasi sebesar 82,69%.
d) Industri Dasar dan Kimia (lih. Tabel 7) Model 4. Nilai Nagelkerke untuk model 4 sebesar 0,1753 berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 17,53%. Secara keseluruhan model ini memiliki daya klasifikasi sebesar 68,13%. Berdasarkan nilai Nagelkarke tersebut dapat dikatakan bahwa penggunaan komparasi arus kas operasional terhadap laba sebelum hak minoritas atas laba bersih anak perusahaan yang digunakan belum cukup memadai dalam menghasilkan kemampuan menjelaskan variasi kegagalan perusahaan yang akan terjadi pada emiten industri dasar dan kimia. Secara parsial, hanya arus kas operasional yang berpengaruh signifikan terhadap probabilitas kegagalan perusahaan. Berdasarkan pendekatan komparasi arus kas operasional terhadap laba sebelum hak minoritas atas laba bersih anak perusahaan daya klasifikasi model yang terbentuk mengklasifikasikan secara benar emiten gagal sebesar 25% dan perusahaan non-gagal sebesar 88,89%.
15
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 e) Industri Perdagangan (lih. Tabel 8) Model 1. Nilai Nagelkerke untuk model 1 sebesar 0,6415 berarti variabilitas variabel dependen yang dapat dijelaskan oleh variabilitas variabel independen sebesar 64,15%. Secara keseluruhan model ini memiliki daya klasifikasi sebesar 64,15%. Berdasarkan nilai Nagelkarke tersebut dapat dikatakan bahwa penggunaan indikator laba sebelum hak minoritas atas laba bersih anak perusahaan sebagai diskriminator awal cukup memadai dalam menghasilkan kemampuan menjelaskan variasi kegagalan perusahaan yang akan terjadi pada emiten industri perdagangan, hal ini juga ditunjukkan oleh tingginya daya kalsifikasi model. Secara parsial, hanya arus kas operasional yang berpengaruh signifikan terhadap probabilitas kegagalan perusahaan. Berdasarkan pendekatan laba sebelum hak minoritas atas laba bersih anak perusahaan daya klasifikasi model yang terbentuk mengklasifikasikan secara benar emiten gagal sebesar 76,47% dan perusahaan non-gagal sebesar 98,45%.
KESIMPULAN DAN SARAN Berdasarkan sembilan pendekatan yang digunakan sebagai model klasifikasi awal, kriteria laba sebelum hak minoritas atas laba bersih anak perusahaan terbukti superior dalam mengidentifikasi probabilitas kegagalan emiten dihubungkan dengan struktur modalnya. Dari perhitungan empiris, secara parsial variabel arus kas memang terbukti memiliki pengaruh yang fleksibel (negatif dan positif). Demikian juga halnya dengan variabel struktur modal yang lain juga tidak memiliki pengaruh absolut tertentu terhadap probabilitas kegagalan. Implementasi konsep terhadap data beberapa industri bertujuan menunjukkan adanya variasi pada struktur modal emiten yang secara tidak langsung mencirikan karakteristik industri itu sendiri. Hal inilah yang menjadi kemungkinan timbulnya tanda positif dan negatif pada tiap koefisien variabel struktur modal. Walau secara empiris terkesan kontradiksi dengan semangat teori struktur modal, bukan berarti teori tersebut tidak berlaku di Indonesia karena hasil perhitungan statistik banyak menggunakan simplifikasi fakta yang ada, disisi lain konsep teoritis penelitian juga masih belum memadai dalam penggunaan asumsi-asumsinya. Maka untuk penelitian selanjutnya dapat dikembangkan konsep teoritis struktur modal perusahaan pada proksi lainnya yang relevan sebagai prediktor kegagalan perusahaan, misalnya: proksi distribusi
16
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 informasi yang diasumsikan seluruh pelaku pasar sama seperti apa yang dimiliki internal emiten, seberapa besar asimetris informasi yang terjadi, aksi korporat yang dilakukan dalam mengkomunikasikan kualitas dan nilai perusahaan, dan lain-lain. Tabel 5. Uji Parsial Industri Agregat - Model 1 Variabel Independen B Sig. DTA -2.00403 0.000 TxEBIT 0.010984 0.508 0.000 CF 6.309301 STDEV_CF 1.6E-06 0.311 Bx 0.378749 0.000 Constant -3.59989 0.001 Sig. Hosmer & Lemeshow Test 0.000 Nagelkerke 0.328491 Σ Daya Klasifikasi % Observasi Gagal 97 54.19 Non-Gagal 361 95.76 82.37 Total 458
Tabel 6. Uji Parsial Model Aneka Industri Model 1 Model 5 Variabel Variabel B Sig. B Independen Independen DTA -2.31 0.168 DTA -1.61 TxEBIT 0.44 0.428 TxEBIT -0.45 CF 32.08 0.000 CF 0.78 STDEV_CF 0.00 0.115 STDEV_CF 0.00 Bx 0.07 0.835 Bx -0.22 Constant -1.13 0.802 Constant 5.17 Sig. Hosmer & Lemeshow Test Sig. Hosmer & Lemeshow Test 0.005 Nagelkerke 0.6606 Nagelkerke 0.1115302 Σ Σ Daya Klasifikasi % Daya Klasifikasi Observasi Observasi Gagal 41 87.23 Gagal 1 Non-Gagal 50 87.72 Non-Gagal 85 Total 91 87.50 Total 86
17
Sig. 0.208 0.044 0.814 0.476 0.420 0.143 0.021 % 5.26 100.00 82.69
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116
Tabel 7. Uji Parsial Industri Dasar dan Kimia
Model 4 Variabel B Independen DTA 0.48 TxEBIT 0.02 CF -6.96 STDEV_CF -0.00001 Bx 0.16 Constant -0.98 Sig. Hosmer & Lemeshow Test Nagelkerke 0.17533 Daya Σ Observasi Klasifikasi Gagal 13 Non-Gagal 96 Total 109
Sig. 0.445 0.863 0.005 0.110 0.433 0.712 0.038 % 25.00 88.89 68.13
Tabel 8. Uji Parsial Industri Perdagangan
Model 1. Variabel B Independen DTA 0.27 TxEBIT 0.01 CF 35.07 STDEV_CF 0.00 Bx 0.27 Constant -3.30 Sig. Hosmer & Lemeshow Test Nagelkerke 0.6415 Daya Σ Observasi Klasifikasi Gagal 39 Non-Gagal 12 Total 51
18
Sig. 0.745 0.450 0.000 0.639 0.085 0.092 0.000 % 76.47 98.45 92.22
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 TAMBAHAN. Perhitungan Detail Bab II Pada bab II nilai total perusahaan V, dihitung sebagai jumlah Vd dan Ve. Perhitungan yang mengacu pada persamaan 2.6 adalah sebagai berikut: V = Ve + Vd
(A.1)
Karena ∞
(2.3) Ve = E (Ye) =
(1 − τ ) ∫ (ξ − R) f (ξ )dξ b
( A.2)
(1 + r )
∞
(2.5) Vd =
∫ (ξ − B(ξ )) f (ξ )dξ + R(1 − F ) b
( A.3)
(1 + r )
V menjadi ∞
V=
(1 − τ ) ∫ (ξ − R) f (ξ )dξ b
(1 + r )
∞
+
∞
=
=
=
=
∫ (ξ − B(ξ )) f (ξ )dξ + R(1 − F ) b
( A.4)
(1 + r ) b
(1 − τ ) ∫ (ξ − R) f (ξ )dξ + ∫ (ξ − B(ξ )) f (ξ )dξ + R(1 − F ) b
0
( A.5)
(1 + r ) ∞
∞
b
b
b
∫ (ξ − R) f (ξ )dξ − τ + ∫ (ξ − R) f (ξ )dξ + ∫ (ξ − B(ξ )) f (ξ )dξ + R(1 − F ) 0
( A.6)
(1 + r ) ∞
∞
∞
∞
b
b
b
b
b
b
0
0
∫ ξf (ξ )dξ − R∫ f (ξ )dξ ) − τ ∫ ξf (ξ )dξ + τR∫ f (ξ )dξ + ∫ ξ f (ξ )dξ + ∫ B(ξ ) f (ξ )d (ξ ) + R(1 − F ) (1 + r )
∞
∞
b
b
b
b
0
0
( A.7)
∫ ξf (ξ )dξ − R(1 − F ) − τ ∫ ξf (ξ )dξ + τR(1 − F ) + ∫ ξf (ξ )dξ + ∫ B(ξ ) f (ξ )dξ + R(1 − F ) (1 + r )
19
( A.8)
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 b
Sejak pendefinisian F =
∫ f (ξ )dξ .
−∞
=
=
b
∞
∞
b
0
b
b
0
∫ ξf (ξ )dξ + ∫ ξf (ξ )dξ + τ ∫ ξf (ξ )dξ + ∫ B(ξ ) f (ξ )dξ + τR(1 − F ) + R(1 − F ) − R(1 − F ) ( A.10)
(1 + r ) ∞
∞
b
b
b
∫ ξf (ξ )dξ − τ ∫ ξf (ξ )dξ − ∫ B(ξ ) f (ξ )dξ + τR(1 − F ) 0
( A.11)
(1 + r )
dimana serupa dengan persamaan 2.6.
Pada perhitungan komparatif statis dibawah ini, sering digunakan derivasi distribusi normal;
f ( x) =
1 2πσ x
−
e
1 2σ x2
( x − µx ) 2
( A.12)
Derivatif f terhadap x, adalah:
∂f ( x) 1 = e ∂x 2πσ x
−
( x−µ x )2 2σ x2
* (−
1 2σ
2 x
2( x − µ x )) =
f ( x)
σ x2
( µ x − x)
( A.13)
Derivatif f terhadap x, saat x = R adalah ∂f ( x) f ( R) = 2 ( µ x − R) ∂R σx
( A.14)
Derivatif f terhadap µx ∂f ( x) 1 = e ∂µ x 2πσ x
−
( x − µ x )2 2σ x2
* (−
1 2σ
2 x
* (−1) * 2( x − µ x )) =
Kemudian derivatif f terhadap µx, saat x=R adalah ∂f ( R) f ( R) = − 2 ( µ x − R) ∂µ x σx
( A.16)
20
f ( x)
σ x2
( µ x − x)
( A.15)
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116
Derivatif f terhadap σx adalah ∂f ( x) 1 =− e ∂σ x 2πσ x
−
( x − µ x )2 2σ x2
1
+
2πσ x
−
( x−µ x )2
e
2σ x2
*
(−1) * ( x − µ x ) 2 − 2 * 3 2 σx
(µ − R) 1 f ( x) = x 3 − σx σx Kemudian derivatif f terhadap σx, saat x=R adalah: ∂f ( R)
σ 3x
(R − µ ) 2 1 x = f ( R) − 3 σx σx
( A.18)
Fungsi probabilitas gagal bayar adalah: 2.10 : F = 1 −
B( R) f ( R)
( A.19)
τ
Derivatif F terhadap R dengan menggunakan persamaan A.3 adalah:
2.11:
∂F 1 ∂f ( R) ∂B( R) = − ( B( R) + f ( R)) ∂R ∂R ∂R τ ∂f ( R)(µ x − R) 1 = − ( B( R) + B' ( R) f ( R)) ( A.20) 2
τ
σ
Derivatif F terhadap τ: 2.12 :
B( R) f ( R) * −1 B( R) f ( R) ∂F =0− = ∂τ τ2 τ2
( A.21)
Derivatif F terhadap B: 2.13 :
f ( R) ∂F =− ∂B( R) τ
( A.22)
Derivatif F terhadap σx dengan menggunakan hasil dari A.18
2.14 :
∂F =− ∂σ x
B( R)
∂F ∂σ x
τ
=
(R − µ x ) 2 f ( R) B( R) 1 − τ σ x3 ∂σ x
Derivatif F terhadap µx dengan menggunakan hasil A.16:
2.15 :
∂F =− ∂µ x
B( R)
τ
∂f ∂µ x
=
f ( R) B( R)
τσ x2
(µ x − R)
21
( A.24)
( A.23)
( A.17)
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 REFERENSI Altman, Edward I. 1968. "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy." Journal of Finance 23 (4): 589-609. Altman, Edward I., R. Haldeman dan P. Narayaman. 1977. "ZETA analysis: A New Model to Identify Bankruptcy Risk of Corporations." Journal of Banking and Finance June: 29-54. Altman, Edward I. 1984b. "The Success of Business Failure Prediction Models." Journal of Banking and Finance 8: 171-198. Aziz, A, dan G.H. Lawson, 1989, Cash Flow Reporting and Financial Distress Models: Testing of Hypotheses, Financial Management, Vol. 18. no. 1, 55-63 Baxter, N. D. 1967. "Leverage, the Risk of Ruin and the Cost of Capital." Journal of Finance 22 (3): 395-403. Beaver, W. 1966. "Financial Ratios as Predictors of Failure." Journal of Accounting Research 5: 71-111. Beaver, W. 1968. "Market Prices, Financial Ratios and Prediction of Failure." Journal of Accounting Research 6 (2), 179-192 Deakin, Edward B. 1972. "A Discriminant Analysis of Predictors of Business Failure." Journal of Accounting Research 10 (1): 167-179. Dimitras, A. I., S. H. Zanakis dan C. Zopounidis. 1996. "A Survey of business Failures with an Emphasis on Prediction Methods and Industrial Applications." European Journal of Operational Research 90: 487-513. Dimitras, A.I., Slowinski, R., Susmaga, R., Zopounidis, C., 1999. Business failure prediction using rough sets. European Journal of Operational Research, 114, pp.263-280 Eisenbeis, R.A., 1977, Pitfalls in the application of discriminant analysis in business, finance and economics, Journal of Finance, Vol. 22 no. 3, 875-900 Frydman, Halina, Edward I. Altman and Duen-Li Kao. 1985. “Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress.” Journal of Finance 40 (1): 269-291 Gordon, M.J., 1971, “Towards a Theory of Financial Distress”, Journal of Finance, Vol. 26 issue 2,347-356 Greene, H.W., 1993, Econometric Analysis, Prentice-Hall, Englewood Cliffs NY. Gregory, A., B. Russell dan G.V. Henderson. 1991. “A Brief Review of Catastrophe Theory and a Test in Corporate Failure Context.” Financial Review 26 (2): 127-155. Johnsen, Thomajean dan Ronald W. Melicher. 1994. “Predicting Corporate Bankruptcy and Financial Distress: Information Value Added by Multinomial Logit Models.” Journal of Economics & Business 46: 269-286. Jones, Frederick L. 1987. “Current Techniques in Bankruptcy Prediction.” Journal of Accounting Literature 6: 131-164. 22
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Karels, G.V. dan A.J.Prakash. 1987. “Multivariate Normality and Forecasting of Corporate Bankruptcy.” Journal of Business Finance and Accounting, Vol. 14 no. 4, 573-592. Kim, E.H., 1978, A mean-variance theory of optimal capital structure and corporate debt capacity, Journal of Finance, Vol. 23 no. 1, 45-63 Kinnear, Paul R. and Colin D. Gray. 2001. SPSS for Windows made simple, release 10. Hove, East Sussex: Psychology Press Ltd. Kraus, Alan danRobert H. Litzenberger. 1973. "State Preference Model of Optimal Financial Leverage." Journal of Finance 28 (4): 911-922. Lennox, C., 1999, Identifying failing companies: A re-evaluation of the logit, probit and DA approaches, Journal of Economics and Business, Vol. 51 issue 4, 347 364. Mar Molinero, M. dan M. Ezzamel. 1991. “Multidimensional Scaling Applied to Corporate Failure.” Omega International Journal of Management Science 19 (4): 259-274. Martin, D., 1977, “Early warnings of bank failure: A logit regression approach”, Journal of Banking and Finance, 1, 249-276. Merton, R., 1974, “On the Pricing of Corporate Debt: The Risk Structure of Interest Rates”, The Journal of Finance, Vol. 29 issue 2, 449-470 Modigliani, Franco dan Merton H. Miller. 1958. "The Cost of Capital, Corporation Finance and the Theory of Investment." The American Economic Review 48 (3): 261-297. Modigliani, Franco dan Merton H. Miller. 1963. "Corporate Income Taxes and the Cost of Capital: A Correction." The American Economic Review 53 (3): 433443. Ohlson, James A. 1980. "Financial ratios and Probabilistic Prediction of Bankruptcy." Journal of Accounting Research 18 (1): 109-131. Scott, J.H., 1976. "A Theory of Optimal Capital Structure" Bell Journal of Economics, Vol. 7 issue 1, 33-54 Scott, James H. Jr. 1977. "Bankruptcy, Secured Debt, and Optimal Capital Structure." Journal of Finance 32 (1): 1-19. Scott, J., 1981. "The Probability of Bankruptcy, A Comparison of Empirical Predictions and Theoretical Models." Journal of Banking and Finance, Vol. 5, 317-344 Silberberg, E., 1981, The structure of economics: a mathematical analysis, (McGrawHill, NewYork). SPSS Inc./Marija J. Norusis. 2008. SPSS Regression models 14.0. Chicago: SPSS Inc. Tam, K.Y. and M.Y. Kiang. 1992. “Managerial Applications of Neural Networks: the Case of Bank-failure Predictions.” Management Science 38 (7): 926-947. Vinso, J.D., 1979, “A Determination of the Risk of Ruin”, Journal of Financial and Quantitative Analysis, Vol. 14 issue 1, 77-100 23
Journal of Economics and Business Vol. 5, No. 3, November 2011 (209-220) ISSN: 1978 – 3116 Westgaard, Sjur dan Nico van der Wijst. 2001. "Default Probabilities in a Corporate Bank Portfolio: A Logistic Model Approach." European Journal of Operational Research, Vol. 135 no. 2: 338-349. Wiginton, J.C., 1980, A note on the comparison of logit and discriminant models of consumer credit behavior, Journal of Financial and Quantitative Analysis, Vol. 15 no. 3, 757-770. Wijst, D van der. 1989. Financial Structure in Small Business: Theory, Tests and Applications. Berlin Heidelberg: Springer-Verlag. Zavgren, Christine V. 1983. “The Prediction of Corporate Failure: The State of the Art.” Journal of Accounting Literature 2: 1-38. Zmijewski, M. E. 1984. “Methodological Issues Related to the Estimation of Financial Distress Prediction Models.” Journal of Accounting Research 20 (0): 59-82. Zopounidis, C., Doumpos, M., 1999. A Multicriteria Aid Methodology for Sorting Decision Problems: The Case of Financial Distress, Computational Economics, 14, pp. 197-218.
24
