Mô hình điểm số z để nhận diện khả năng phá sản đối với các doanh nghiệp tại việt nam (luận văn thạc sĩ kinh tế)

Đối với nền kinh tế Việt Nam, việc kiểm định tính phù hợp và tiến đến áp dụng rộng rãi mô hình Điểm số Z trong nhận diện doanh nghiệp phá sản, kiệt quệ tài chính sẽ hỗ trợ rất nhiều cho

TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH

-

NGUYỄN DƯƠNG BẰNG

MÔ HÌNH ĐIỂM SỐ Z ĐỂ NHẬN DIỆN KHẢ NĂNG

PHÁ SẢN ĐỐI VỚI CÁC DOANH NGHIỆP

TẠI VIỆT NAM

LUẬN VĂN THẠC SĨ KINH TẾ

Chuyên ngành: Tài chính – Ngân hàng

Mã số: 8.34.02.01

Nguời hướng dẫn khoa học: PGS.TS Hồ Thủy Tiên

TP HỒ CHÍ MINH, NĂM 2019

TÓM TẮT

Có thể nói, mỗi doanh nghiệp là từng tế bào của nền kinh tế Doanh nghiệp khỏe, vững mạnh thì nền kinh tế mới khỏe, mới có thể phát triển được Vì thế việc dự báo, phát hiện doanh nghiệp phá sản hoặc kiệt quệ tài chính là một điều cần thiết hữu ích cho các chủ thể trong nền kinh tế Chính điều này đặt ra nhu cầu tìm cách phát hiện được doanh nghiệp phá sản, kiệt quệ tài chính để chủ doanh nghiệp có thể điều chỉnh lại cơ cấu bản thân doanh nghiệp hay các nhà đầu tư và chủ nợ tránh được những quyết định sai lầm khi đến cấp vốn doanh nghiệp

Năm 1968, Edward I Altman đã đưa ra mô hình Z-score (Điểm số Z) để phân biệt giữa doanh nghiệp phá sản, kiệt quệ tài chính với doanh nghiệp lành mạnh Mô hình Điểm số Z là một mô hình tính toán chỉ số khá đơn giản nhưng mang lại kết quả

dự đoán khá chính xác Mô hình này cũng đã được kiểm chứng phù hợp và áp dụng tại nhiều quốc gia trên thế giới Đối với nền kinh tế Việt Nam, việc kiểm định tính phù hợp và tiến đến áp dụng rộng rãi mô hình Điểm số Z trong nhận diện doanh nghiệp phá sản, kiệt quệ tài chính sẽ hỗ trợ rất nhiều cho các chủ thể trong nền kinh tế

Chính vì vậy, luận văn này sẽ tiến hành kiểm định tính phù hợp của Mô hình Điểm số Z để từ đó ứng dụng mô hình Điểm số Z vào phân tích khả năng phá sản của doanh nghiệp niêm yết tại Việt Nam, đưa ra các ứng dụng cho Mô hình này tại Việt Nam Kết quả kiểm định của luận văn cho thấy, Mô hình Điểm số Z phù hợp với nền kinh tế Việt Nam với kết quả tương tự ở các nền kinh tế khác đã tiến hành kiểm định với mô hình này Ngoài ra, mô hình còn thể hiện sự hữu dụng trong phân tích tình hình tài chính của doanh nghiệp nhằm đưa ra quyết định ứng xử phù hợp

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi được sự hỗ trợ của Người hướng dẫn khoa học PGS.TS Hồ Thủy Tiên Luận văn này chưa từng được trình nộp để lấy học vị thạc sĩ tại bất cứ một trường đại học nào Luận văn này là công trình nghiên cứu riêng của tôi, kết quả nghiên cứu là trung thực, trong đó không có các nội dung đã được công bố trước đây hoặc các nội dung do người khác thực hiện ngoại trừ các trích dẫn được dẫn nguồn đầy đủ trong luận văn

Tôi xin chịu trách nhiệm về nghiên cứu của mình

Tp.Hồ Chí Minh, tháng 4 năm 2019

Tác giả

Nguyễn Dương Bằng

LỜI CẢM ƠN

Tôi xin gửi lời cảm ơn đến Trường Đại học Ngân hàng Tp.Hồ Chí Minh, các giảng viên của trường nói chung và Khoa Sau đại học nói riêng đã tạo điều kiện cho tôi hoàn thành chương trình học và thực hiện đề tài nghiên cứu này

Đặc biệt, tôi xin gửi lời cảm ơn chân thành đến Người hướng dẫn khoa học PGS.TS Hồ Thủy Tiên đã tận tình hướng dẫn tôi trong quá trình tìm hiểu, nghiên cứu

và hoàn thành luận văn này

Tôi xin chân thành cảm ơn!

MỤC LỤC

Danh mục từ viết tắt 8

Danh mục bảng biểu và hình 9

Mở đầu 11

CHƯƠNG 1.PHÁ SẢN, KIỆT QUỆ TÀI CHÍNH DOANH NGHIỆP; MÔ HÌNH ĐIỂM SỐ Z CỦA ATLMAN VÀ TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN TRƯỚC ĐÂY TẠI VIỆT NAM 15

1.1 PHÁ SẢN, KIỆT QUỆ TÀI CHÍNH DOANH NGHIỆP 15

1.1.1 Phá sản, kiệt quệ tài chính 15

1.1.2 Tiêu chí xác định tình trạng phá sản, kiệt quệ tài chính 16

1.1.3 Tác động của phá sản doanh nghiệp trong nền kinh tế 17

1.2 TIỀN ĐỀ CHO NGHIÊN CỨU CỦA ALTMAN 17

1.2.1 Phân tích truyền thống 17

1.2.2 Phân tích đa biệt thức 18

1.3 MÔ HÌNH ĐIỂM SỐ Z CỦA ALTMAN 20

1.3.1 Xây dựng mô hình Điểm số Z 20

1.3.1.1 Chọn mẫu 20

1.3.1.2 Lựa chọn biến 20

1.3.1.3 Mô hình Điểm số Z và ý nghĩa các biến 21

1.3.2 Các kiểm định mô hình Điểm số Z 23

1.3.3 Các mô hình Điểm số Z điều chỉnh 26

1.3.3.1 Mô hình Điểm số Z’ 26

1.3.3.2 Mô hình Điểm số Z’’ 27

1.3.4 Đánh giá mô hình Điểm số Z của Altman 27

1.4 SO SÁNH MÔ HÌNH ĐIỂM SỐ Z VÀ MỘT SỐ MÔ HÌNH DÙNG NHẬN

DIỆN PHÁ SẢN KHÁC 28

1.4.1 Một số phương pháp phân tích khác xây dựng mô hình nhận diện phả sản doanh nghiệp 28

1.4.1.1 Phương pháp Mạng thần kinh nhân tạo 28

1.4.1.2 Phương pháp Logistic 29

1.4.1.3 Phương pháp Cây quyết định 29

1.4.2 So sánh mô hình Điểm số Z và các mô hình nhận diện phá sản khác

29

1.5 CÁC KIỂM ĐỊNH VÀ ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z Ở VIỆT NAM TRƯỚC ĐÂY 31

1.5.1 Kiểm định Điểm số Z tại Việt Nam trước đây 31

1.5.1.1 Các kiểm định và kết quả 31

1.5.1.2 Đánh giá nghiên cứu kiểm định 33

1.5.2 Các ứng dụng của mô hình tại Việt Nam 34

Tóm tắt chương 1 36

CHƯƠNG 2.KIỂM ĐỊNH VÀ ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z VÀO DOANH NGHIỆP VIỆT NAM 37

2.1 KIỂM ĐỊNH SỰ PHÙ HỢP CỦA MÔ HÌNH ĐIỂM SỐ Z TẠI VIỆT NAM 37

2.1.1 Mô hình lựa chọn và phương pháp kiểm định 37

2.1.1.1 Mô hình lựa chọn kiểm định 37

2.1.1.2 Phương pháp kiểm định 38

2.1.2 Kết quả kiểm định 39

2.1.2.1 Nhóm doanh nghiệp phá sản và kiệt quệ 39

2.1.2.2 Nhóm doanh nghiệp không kiệt quệ 42

2.1.2.3 Kết quả tổng hợp hai nhóm và kết luận của kiểm định 43

2.2 ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z VÀO DOANH NGHIỆP VIỆT NAM 45

2.2.1 Doanh nghiệp thủy sản 45

2.2.1.1 Một số thông tin ngành thủy sản 45

2.2.1.2 Điểm số Z’’ một số doanh nghiệp thủy sản 47

2.2.1.3 Phân tích Điểm số Z’’ doanh nghiệp ngành thủy sản 49

2.2.2 Doanh nghiệp bất động sản 54

2.2.2.1 Một số thông tin ngành bất động sản 54

2.2.2.2 Điểm số Z’’ một số doanh nghiệp bất động sản 54

2.2.2.3 Phân tích Điểm số Z’’ doanh nghiệp ngành bất động sản 56

2.2.3 Doanh nghiệp ngành cao su 60

2.2.3.1 Một số thông tin ngành cao su 60

2.2.3.2 Điểm số Z’’ một số doanh nghiệp cao su 61

2.2.3.3 Phân tích Điểm số Z’’ doanh nghiệp ngành cao su 63

2.2.4 Doanh nghiệp ngành thép 67

2.2.4.1 Một số thông tin ngành thép 67

2.2.4.2 Điểm số Z’’ một số doanh nghiệp ngành thép 68

2.2.4.3 Phân tích Điểm số Z” doanh nghiệp ngành thép 70

Tóm tắt chương 2 74

CHƯƠNG 3.GIẢI PHÁP CẢI THIỆN ĐIỂM SỐ Z CỦA DOANH NGHIỆP VÀ ĐỀ XUẤT ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z TẠI VIỆT NAM 75

3.1 GIẢI PHÁP CẢI THIỆN ĐIỂM SỐ Z CỦA DOANH NGHIỆP 75

3.1.1 Giải pháp chung cho các doanh nghiệp 75

3.1.1.1 Tài trợ hợp lý và nâng cao hiệu quả sử dụng tài sản 75

3.1.1.2 Giảm dùng nợ trong cấu trúc vốn 76

3.1.1.3 Nâng cao hiệu quả sản xuất kinh doanh 77

3.1.1.4 Tăng cường giữ lại lợi nhuận 77

3.1.2 Giải pháp cho các doanh nghiệp trong bốn ngành khảo sát 78

3.1.2.1 Doanh nghiệp ngành thủy sản 78

3.1.2.2 Doanh nghiệp ngành bất động sản 79

3.1.2.3 Doanh nghiệp ngành cao su 79

3.1.2.4 Doanh nghiệp ngành thép 80

3.2 ĐỀ XUẤT ỨNG DỤNG ĐIỂM SỐ Z TẠI VIỆT NAM 81

3.2.1 Đối với các doanh nghiệp 81

3.2.2 Đối với chủ nợ và nhà đầu tư 82

3.2.3 Đối với riêng ngân hàng 82

Tóm tắt chương 3 85

Kết luận 86

Tài liệu tham khảo 87

Phụ lục 89

Danh mục từ viết tắt

Từ viết tắt Nguyên nghĩa

BCTC Báo cáo tài chính

BĐS Bất động sản

CTCP Công ty cổ phần

EBIT Lợi nhuận trước thuế và lãi vay

HNX Sở giao dịch chứng khoán Hà Nội

HOSE Sở giao dịch chứng khoán Thành phố Hồ Chí Minh

LNGL Lợi nhuận giữ lại

LNST Lợi nhuận sau thuế

LNSTCPP Lợi nhuận sau thuế chưa phân phối

MDA Multiple Discriminant Analysis – Phân tích đa biệt thức

ROE Tỷ suất sinh lời trên vốn chủ sở hữu

TTS Tổng tài sản

VCSH Vốn chủ sở hữu

XHTN Xếp hạng tín nhiệm

Danh mục bảng biểu và hình Danh mục bảng biểu

Bảng 1.1 Trung bình của các biến và kiểm định mức ý nghĩa 23

Bảng 1.2 Kết quả phân loại mẫu gốc thời gian 1 năm 23

Bảng 1.3 Kết quả phân loại mẫu gốc thời gian 2 năm 24

Bảng 2.5 Kết quả đánh giá các mô hình nhận diện phá sản 30

Bảng 1.4 Kết quả kiểm định doanh nghiệp nhóm 1 ở Việt Nam 32

Bảng 1.5 Độ chính xác của mô hình trên thế giới 32

Bảng 1.6 Kết quả kiểm định nhóm 2 và cả 2 nhóm ở Việt Nam 33

Bảng 2.1 Danh sách doanh nghiệp kiểm định nhóm 1 39

Bảng 2.2 Kết quả kiểm định nhóm 1 tại Việt Nam 41

Bảng 2.3 Kết quả kiểm định nhóm 2 tại Việt Nam 42

Bảng 2.4 Kết quả của toàn bộ mẫu kiểm định tại Việt Nam 43

Bảng 2.6 Điểm số Z’’ các doanh nghiệp thủy sản 47

Bảng 2.7 Điểm số Z’’ CTCP Thủy sản Mekong 49

Bảng 2.8 Điểm số Z’’ CTCP XNK Thủy sản Sài Gòn 51

Bảng 2.9 Điểm số Z’’ các doanh nghiệp bất động sản 54

Bảng 2.10 Điểm số Z’’ CTCP Tập đoàn Đất Xanh 56

Bảng 2.11 Điểm số Z’’ CTCP ĐT và PT Dự án Hạ tầng Thái Bình Dương 58

Bảng 2.12 Điểm số Z’’ các doanh nghiệp cao su 61

Bảng 2.13 Điểm số Z’’ CTCP Cao su Thống Nhất 63

Bảng 2.14 Điểm số Z’’ CTCP Đầu tư cao su Quảng Nam 65

Bảng 2.15 Điểm số Z’’ các doanh nghiệp ngành thép 68

Bảng 2.16 Điểm số Z’’ CTCP Tập đoàn Hòa Phát 70

Bảng 2.17 Điểm số Z’’ CTCP Thép Pomina 73

Bảng 3.1 Điểm số EMS ứng với XHTN của S&P 82

Danh mục hình

Hình 1.1 Tỷ lệ chính xác của mô hình trên mẫu gốc nhóm 1 theo thời gian 25

Hình 2.1 Kết quả kiểm định nhóm 1 tại Việt Nam theo thời gian 41

Hình 2.2 Kết quả kiểm định nhóm 2 tại Việt Nam theo thời gian 43

Hình 2.3 Kết quả kiểm định chung theo thời gian 44

Hình 2.4 Sản lượng thủy sản Việt Nam qua các năm 46

Hình 2.5 Giá cao su tại thị trường Singapore 2010 – 2018 61

Hình 2.6 Tình hình bán hàng thép thành phẩm năm 2018 67

Mở đầu

1 Lý do chọn đề tài

Theo tổng cục thống kê, trong năm 2015 số doanh nghiệp giải thể, chấm dứt hoạt động sản xuất kinh doanh là 9.467 doanh nghiệp, con số này gần tương đương năm 2014 với 9.501 doanh nghiệp Số doanh nghiệp khó khăn, buộc phải tạm dừng hoạt động trong năm 2015 là 71.391 doanh nghiệp tăng 22,4% so với năm 2014 Năm

2016, số doanh nghiệp phá sản lại tăng mạnh, theo đó có 12.478 doanh nghiệp phá sản trong năm tăng 31,8% so với năm trước Cũng trong năm này, có 60.667 doanh nghiệp gặp khó khăn phải tạm dừng hoạt động Năm 2017, số doanh nghiệp dừng hoạt động là 60.553 doanh nghiệp, gần tương đương với năm 2016 Tuy nhiên, trong năm 2018, lần đầu tiên con số doanh nghiệp ngừng hoạt động, giải thể, phá sản vượt qua mức 100.000 doanh nghiệp (gần 106.900 doanh nghiệp), gồm hơn 27.100 doanh nghiệp đăng ký tạm ngừng kinh doanh có thời hạn, 63.500 doanh nghiệp tạm ngừng hoạt động không đăng

ký hoặc chờ giải thể và 16.300 doanh nghiệp hoàn tất thủ tục giải thể

Có thể thấy, số doanh nghiệp giải thể, phá sản hoặc tạm dừng hoạt động qua các năm gần đây có xu hướng tăng Trong thời kỳ nhiều doanh nghiệp gặp khó khăn phải

đi đến giải thể hoặc ngừng hoạt động như hiện nay, một vấn đề đặt ra là làm thế nào dự báo được doanh nghiệp có thể rơi vào tình trạng phá sản hoặc kiệt quệ tài chính để chủ doanh nghiệp có cách ứng xử phù hợp, còn nhà đầu tư và chủ nợ tránh việc ra quyết định góp vốn hay cho vay sai lầm

Năm 1968, Edward I Altman đã đưa ra mô hình Z-score (Điểm số Z) để phân biệt giữa doanh nghiệp phá sản, kiệt quệ tài chính với doanh nghiệp lành mạnh Đây là

mô hình tương đối đơn giản nhưng khả năng dự báo, mức độ chính xác khá tốt Altman

đã kiểm chứng mô hình này trong khoảng thời gian hơn 30 năm tại nhiều nền kinh tế khác nhau và đều cho kết quả với độ chính xác cao Theo Baclean và Ooghe (2008):

“Mặc dù ra đời cách đây nhiều năm, mô hình chỉ số Z vẫn là công cụ dự báo được hai giới học thuật, thực hành công nhận và sử dụng rộng rãi nhất trên thế giới”

Tại Việt Nam, thời gian gần đây Điểm số Z đã được quan tâm ứng dụng, nhất là trong khía cạnh XHTN tại các ngân hàng Tuy nhiên việc ứng dụng mô hình này trong phân tích doanh nghiệp vẫn chưa thực sự phổ biến Chính vì vậy, việc xác định tính phù hợp của Mô hình Điểm số Z đối với nền kinh tế Việt Nam để áp dụng vào phân tích, nhận diện khả năng phá sản, kiệt quệ tài chính đối doanh nghiệp trong nước một cách rộng rãi và ứng dụng Mô hình Điểm số Z tại Việt Nam là cần thiết

2 Mục tiêu nghiên cứu

Mục tiêu chính của luận văn là sử dụng mô hình Điểm số Z để nhận diện khả năng phá sản, kiệt quệ tài chính đối với một số doanh nghiệp tại Việt Nam

Ngoài ra, đề tài còn hướng đến các mục tiêu khác như sau:

Kiểm định tính phù hợp của mô hình Điểm số Z tại thị trường Việt Nam

Đưa ra các giải pháp nhằm giúp cho doanh nghiệp nâng cao tính an toàn và đưa một số gợi ý ứng dụng mô hình Điểm số Z tại Việt Nam

3 Câu hỏi nghiên cứu

Mô hình Điểm số Z có phù hợp với nền kinh tế Việt Nam, có nhận diện được doanh nghiệp phá sản, kiệt quệ tài chính tại Việt Nam?

Một số doanh nghiệp tại Việt Nam được nhận diện tình hình tài chính như thế nào theo mô hình Điểm số Z?

Có thể ứng dụng mô hình Điểm số Z vào thực tiễn như thế nào?

4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu là tính phù hợp và khả năng dự báo của mô hình Điểm số

Z dùng nhận diện khả năng phả sản, kiệt quệ tài chính của doanh nghiệp tại Việt Nam

doanh nghiệp lành mạnh Sau đó, nghiên cứu đi vào phân tích Điểm số Z một số doanh nghiệp tại Việt Nam và nhận diện tình hình an toàn tài chính của các doanh nghiệp đó Các doanh nghiệp dùng ứng dụng phân tích ở bốn ngành: thủy sản, BĐS, cao su và ngành thép

- Thời gian: dữ liệu nghiên cứu được tổng hợp trong khoản thời gian từ năm

2009 đến 2017 Nghiên cứu sử dụng mẫu các doanh nghiệp phá sản, kiệt quệ tài chính trong giai đoạn từ 2013 đến 2018, mẫu các doanh nghiệp lành mạnh trong năm 2018 Đối với doanh nghiệp phá sản, kiệt quệ tài chính, số liệu tài chính của doanh nghiệp được thu thập trong vòng 5 năm trước khi doanh nghiệp xảy ra tình trạng phá sản, kiệt quệ tài chính Đối với doanh nghiệp lành mạnh, số liệu tài chính của doanh nghiệp được thu thập trong vòng 5 năm từ 2013 đến 2017

5 Phương pháp nghiên cứu

Phương pháp nghiên cứu của luận văn chủ yếu là phương pháp nghiên cứu định tính có kết hợp thêm phương pháp nghiên cứu định lượng

Nghiên cứu định tính được sử dụng như: tổng hợp, khái quát các nghiên cứu của Altman về xây dựng mô hình Điểm số Z để nhận diện khả năng phá sản, kiệt quệ tài chính của doanh nghiệp Khái quát sơ lược về các nghiên cứu kiểm định mô hình Điểm

số Z trước đây và các nghiên cứu ứng dụng của mô hình tại Việt Nam, kèm theo đó là các đánh giá về nghiên cứu này Ngoài ra, tác giả còn tổng hợp một số phương pháp phân tích khác để nhận diện khả năng phá sản, kiệt quệ tài chính của doanh nghiệp và tiến hành so sánh các phương pháp đó với mô hình Điểm số Z…

Nghiên cứu định lượng được sử dụng như: thu thu thập các số liệu tài chính của doanh nghiệp, tiến hành xử lý số liệu xây dựng chỉ số như VLĐR/TTS, LNGL/TTS, EBIT/TTS, VCSH/Tổng nợ Sử dụng phương pháp so sánh tuyệt đối, so sánh tương đối, liên hệ cân đối để phân tích các số liệu của doanh nghiệp…

6 Đóng góp của nghiên cứu

Thứ nhất, Khái quát mô hình Điểm số Z của Altman và khả năng nhận nhận diện doanh nghiệp kiệt quệ tài chính, phá sản so với doanh nghiệp lành mạnh, tổng hợp những ứng dụng nó tại Việt Nam

Thứ hai, đưa ra kết luận mô hình Điểm số Z phù hợp khi áp dụng ở Việt Nam và

có ưu điểm hơn so với một số mô hình nhận diện khả năng phá sản bằng phương pháp phân tích khác

Thứ ba, đánh giá tình hình hoạt động, dự báo khả năng phá sản của một số doanh nghiệp điển hình được nghiên cứu dựa trên Điểm số Z

Thứ tư, sử dụng mô hình Điểm số Z để tìm phương pháp cải thiện tính an toàn cho doanh nghiệp, ngoài ra đề xuất ứng dụng mô hình trong thực tiễn tại Việt Nam

7 Cơ sở lý thuyết

Cơ sở lý thuyết được dùng tham khảo trong luận văn từ các nghiên cứu của Altman về Điểm số Z (mô hình Điểm số Z, mô hình Điểm số Z điều chỉnh, các ứng dụng, kiểm định trên thế giới…), các nghiên cứu có liên quan đến Điểm số Z tại Việt Nam và các nghiên cứu liên quan đến việc dự báo khả năng phá sản của doanh nghiệp

8 Cấu trúc nghiên cứu đề nghị

Ngoài phần mở đầu, kết luận, tài liệu tham khảo và phụ lục, nội dung của luận văn bao gồm 3 chương:

Chương 1: Phá sản, kiệt quệ tài chính doanh nghiệp; mô hình Điểm số Z của Altman và tổng quan nghiên cứu liên quan trước đây tại Việt Nam

Chương 2: Kiểm định và ứng dụng mô hình Điểm số Z vào doanh nghiệp Việt Nam

Chương 3: Giải pháp cải thiện Điểm số Z của doanh nghiệp và đề xuất ứng dụng

mô hình Điểm số Z tại Việt Nam

CHƯƠNG 1 PHÁ SẢN, KIỆT QUỆ TÀI CHÍNH DOANH NGHIỆP;

MÔ HÌNH ĐIỂM SỐ Z CỦA ATLMAN VÀ TỔNG QUAN CÁC NGHIÊN CỨU LIÊN QUAN TRƯỚC ĐÂY TẠI VIỆT NAM

Chương 1 sẽ sơ lược về tình trạng phá sản, kiệt quệ tài chính của doanh nghiệp

và giới thiệu các nghiên cứu tiền đề của mô hình Điểm số Z của Altman và phương pháp Phân tích đa biệt thức Quá trình xây dựng mô hình Điểm số Z của Altman được giới thiệu từ quá trình xây dựng mô hình (chọn mẫu, lựa chọn biến…), kết quả của mô hình cho đến những mô hình điều chỉnh sau đó

Về khía cạnh mô hình Điểm số Z tại Việt Nam, chương này sẽ trình bày về nghiên cứu kiểm định sự phù hợp của mô hình tại Việt Nam của Lê Cao Hoàng Anh - Nguyễn Thu Hằng Các nghiên cứu ứng dụng mô hình Điểm số Z tại Việt Nam cũng được trình bày ở phần cuối của chương

1.1 PHÁ SẢN, KIỆT QUỆ TÀI CHÍNH DOANH NGHIỆP

1.1.1 Phá sản, kiệt quệ tài chính

Theo Điều 2 Luật phá sản được Quốc hội nước Cộng hòa Xã hội Chủ nghĩa Việt Nam ban hành năm 2014, phá sản là tình trạng của doanh nghiệp, hợp tác xã mất khả năng thanh toán và bị Tòa án nhân dân ra quyết định tuyên bố phá sản Cần lưu ý rằng doanh nghiệp được xem là phán sản khi xảy ra đồng thời việc mất khả năng thanh toán

và bị Tòa án nhân dân ra quyết định tuyên đố phá sản, do đó doanh nghiệp chỉ mất khả năng thanh toán chưa được gọi là phá sản

Cũng theo Điều 5 của luật này, chủ nợ (không đảm bảo và có đảm bảo một phần) và người lao động có quyền nộp đơn yêu cầu mở thủ tục phá sản khi hết thời hạn

3 tháng kể từ ngày khoản nợ đến hạn thanh toán, phải thực hiện nghĩa vụ trả lương mà doanh nghiệp, hợp tác xã không thực hiện nghĩa vụ thanh toán Ngoài ra, các chủ thể khác của doanh nghiệp, hợp tác xã như người đại diện theo pháp luật, chủ doanh nghiệp, chủ tịch hội đồng quản trị, chủ tịch hội đồng thành viên… đều có thể nộp đơn yêu cầu mở thủ tục phá sản khi doanh nghiệp mất khả năng thanh toán nợ

Kiệt quệ tài chính là tình trạng mất khả năng thanh toán, khó khăn tài chính của doanh nghiệp Kiệt quệ tài chính xảy ra khi doanh nghiệp không có khả năng thanh toán nợ, không thực hiện được các điều kiện nợ đối với chủ nợ hoặc thực hiện một các khó khăn Kiệt quệ tài chính là tiền đề của phá sản, nó có thể dẫn phá sản hoặc chỉ dừng lại ở tình trạng khó khăn về tài chính

1.1.2 Tiêu chí xác định tình trạng phá sản, kiệt quệ tài chính

Theo Tiến sĩ Dương Kim Thế Nguyên (2017), có các tiêu chí xác định tình trạng phá sản, kiệt quệ tài chính như sau:

- Tiêu chí định lượng: một doanh nghiệp khi không thanh toán được một món

nợ đến hạn có giá trị tối thiểu được pháp luật quy định thì bị coi là mất khả năng thanh toán Ví dụ: số tiền tối thiểu này theo luật Singapore năm 2005 là 10.000 Đô la Singapore, theo luật Liên bang Nga năm 2002 tương ứng là 100.000 Rúp (đối với pháp nhân) Tiêu chí này có ưu điểm là loại bỏ các khoản nợ không có khả năng thanh toán quá nhỏ của doanh nghiệp Tuy nhiên, tiêu chí này gặp hạn chế khi không đánh giá chính xác được tình trạng tài chính của doanh nghiệp vì doanh nghiệp có thể mất khả năng thanh toán nhất thời do những nguyên nhân khác nhau

- Tiêu chí kế toán: dựa vào sổ sách kế toán của doanh nghiệp, doanh nghiệp bị đánh giá là phá sản nếu tổng giá trị tài sản nợ lớn hơn tổng giá trị tái sản có Tiêu chí này có ưu điểm là có sự đánh giá tình trạng tài chính của doanh nghiệp Tuy nhiên, tiêu chí này gặp khó khăn khi phải tiến hành kiểm toán BCTC của doanh nghiệp khi thực hiện thủ mở thủ tục phá sản Ngoài ra, tiêu chí này không đúng khi giá trị sổ sách tài sản của doanh nghiệp có thể bằng hoặc hơn giá trị của nợ nhưng các tài sản này không dễ dàng chuyển thành tiền để thanh toán nợ

- Tiêu chí dòng tiền: Tiêu chí này đánh giá đến dòng tiền thu được của doanh nghiệp dùng để trả nợ, tiêu chí này không quan tâm đến tài sản hiện có của

doanh nghiệp có đủ để trả nợ không mà quan tâm đến việc doanh nghiệp có hiện kim được các tài sản hiện tại để trả được nợ hay không

Tiêu chí đang được dùng để đánh giá phá sản doanh nghiệp theo Luật phá sản

2014 là tiêu chí dòng tiền và có áp dụng thêm tiêu chí định lượng nhưng không phải giá trị khoản nợ và mà là thời gian trễ hạn trả nợ đến hạn

1.1.3 Tác động của phá sản doanh nghiệp trong nền kinh tế

Chắc chắn khi xảy ra phá sản doanh nghiệp thì không tránh khỏi tác động tiêu cực đến nền kinh tế mà trực tiếp là các chủ thể liên quan đến doanh nghiệp Chủ nợ của doanh nghiệp có khả năng không thu hồi đủ nợ khi tiền thu được từ thanh lý tài sản của doanh nghiệp không đủ để trả các khoản nợ Tương tự, chủ sở hữu doanh nghiệp cũng

có thể bị thâm hụt vốn đã đầu tư vào doanh nghiệp khi doanh nghiệp bị phá sản Người lao động có thể không lãnh đủ lương, rơi vào tình trạng thất nghiệp Ngoài ra còn một

số tác động tiêu cực khác đối với nhà nước, khách hàng và đối với xã hội…

Tuy nhiên, phá sản cũng có tác động tích cực nhằm giảm bớt hậu quả xấu cho nền kinh tế, tháo gỡ khó khăn về vốn và tạo cơ hội để đổi mới doanh nghiệp Việc doanh nghiệp phá sản nhằm chấm dứt tình trạng doanh nghiệp hoạt động lay lất không hiệu quả

1.2 TIỀN ĐỀ CHO NGHIÊN CỨU CỦA ALTMAN

1.2.1 Phân tích truyền thống

Trước khi phát triển các thước đo cụ thể phân tích định lượng hoạt động của doanh nghiệp, một số tổ chức đã được thiết lập để cung cấp mô hình định tính các thông tin đánh giá tình trạng tín dụng của các thương gia cụ thể Ví dụ, tiền thân của hãng dịch vụ thông tin quốc tế Dun & Bradstreet ngày nay là tổ chức chuyên cung cấp các thông tin tín dụng độc lập

Những nghiên cứu vào thập niên 1930 và thời gian gần sau đó cho thấy rằng các doanh nghiệp phá sản có thước đo phân biệt đáng kể với các doanh nghiệp lành mạnh

Altman đã giới thiệu nghiên cứu sau đó của Beaver (1967) bắt đầu phân tích các chỉ số của doanh nghiệp để dự đoán các doanh nghiệp phá sản Nghiên cứu này đã so sánh các chỉ số riêng của doanh nghiệp phá sản với các chỉ số tương ứng đó của doanh nghiệp không phá sản Beaver đã quan sát trong vòng 5 năm trước khi phá sản của doanh nghiệp và kết luận rằng phân tích các chỉ số này có hữu ích trong dự báo thất bại

Các nghiên cứu trên cho thấy các chỉ số tài chính có thể dự báo cho khả năng phá sản doanh nghiệp Các chỉ số đo lường khả năng sinh lời, thanh khoản, thanh toán được xem như những chỉ số quan trọng nhất nhưng vẫn chưa có sự rõ ràng trong tầm quan trọng của từng loại Như doanh nghiệp có khả năng sinh lời kém nhưng vẫn đảm bảo thanh khoản thì tình hình vẫn chưa nghiêm trọng dẫn đến phá sản Các vấn đề được Altman đặt ra là: Thứ nhất, tỷ lệ nào quan trọng trong dự báo phá sản Thứ hai, tỷ

lệ được xây dựng tương ứng với từng chỉ số Thứ ba, xây dựng các tỷ lệ một cách khách quan Đó chính là những lý do Altman đi vào tìm kiếm mô hình dự báo thất bại doanh nghiệp

1.2.2 Phân tích đa biệt thức

Mô hình Điểm số Z của Altman được xây dựng trên cơ sở phương pháp Phân tích đa biệt thức (Multiple Discriminant Analysis – MDA) Theo Altman, sau lần đầu tiên được sử dụng vào những năm 1930, dù mô hình MDA không được sử dụng phổ biến như phương pháp phân tích hồi quy nhưng phương pháp này cũng được sử dụng khá nhiều và chủ yếu vào các ngành sinh vật học, khoa học nghiên cứu hành vi Trong những năm gần đây, kỹ thuật này được sử dụng ngày càng phổ biến trong cả học thuật lẫn thực tiễn Altman cùng đồng sự đã thảo luận về MDA khá kỹ và quyết định ứng dụng nó vào lĩnh vực tài chính

Theo đó, MDA là một kỹ thuật thống kê dùng phân loại những quan sát thành các nhóm, phụ thuộc vào đặc điểm cá biệt của quan sát đó Nó được sử dụng chủ yếu

để phân loại và/hoặc đưa ra dự báo từ sự tác động của biến trong mô hình, ví dụ như

phân loại nhóm nam – nữ, phá sản – không phá sản… Vì vậy, vấn đề đầu tiên là phải

có nhóm rõ ràng, số lượng nhóm ban đầu có thể là hai hay nhiều hơn Sau khi thiết lập nhóm, tiến hành thu thập dữ liệu cho từng nhóm theo đặc điểm của nó Hình thức đơn giản nhất của MDA là xây dựng ra một quan hệ tuyến tính giữa những đặc điểm mà nó giúp phân biệt tốt nhất các nhóm với nhau Nếu một đối tượng cụ thể có các đặc điểm

có thể định lượng được thì MDA sẽ cho ra các hệ số phân biệt Chính từ những hệ số

đó khi áp dụng vào thực tế sẽ đưa ra cơ sở giúp phân biệt đối tượng vào nhóm định danh, ví dụ như MDA sẽ đưa ra các hệ số nói lên mối quan hệ giữa các chỉ số tài chính của một công ty để phân loại công ty đó

MDA đưa ra một biệt thức dạng: Z = V1X1 + V2 X2 + … VnXn

Trong đó: V1, V2 … Vn là các hệ số biệt thức

X1, X2… Xn là các biến độc lập

Biệt thức này dùng để chuyển đổi các giá trị các biến riêng lẻ thành một số duy nhất (số Z) để tiến hành phân tích và xếp nhóm Việc chuyển đổi nhiều đại lượng thành một đại lượng duy nhất giúp cho việc phân tích trở nên khá đơn giản Nhiệm vụ của quá trình phân tích phân biệt là tìm ra các hệ số Vi, cùng với đó là các giá trị điểm cắt của Z để dùng cho phân loại đối tượng, còn các biến Xi là các giá trị thực tế

Mô hình Điểm số Z của Altman là mô hình tuyến tính gồm năm biến độc lập được gắn với hệ số của nó để xác định ra một điểm số duy nhất và dùng chính điểm số

đó để phân loại doanh nghiệp vào hai nhóm là phá sản, kiệt quệ tài chính và lành mạnh Hay nói cụ thể hơn, khi áp dụng mô hình Điểm số Z vào một doanh nghiệp nào đó thì cần xác định giá trị các biến của doanh nghiệp cần thiết rồi đưa vào mô hình để xác định Điểm số Z Đem Điểm số Z của doanh nghiệp vừa tìm đi so sánh với điểm cắt thì

sẽ cho ra đánh giá, phân loại tình hình của doanh nghiệp

1.3 MÔ HÌNH ĐIỂM SỐ Z CỦA ALTMAN

1.3.1 Xây dựng mô hình Điểm số Z

1 có hạn chế là không hoàn toàn thuần nhất do khác nhau về ngành, quy mô công ty và

sự tác động không đồng nhất của môi trường kinh doanh trong suốt 20 năm trên Vì thế, Ông cố gắng lựa chọn các công ty trong nhóm 2 cẩn thận hơn

Nhóm 2 – các công ty không phá sản, kiệt quệ tài chính (lành mạnh), các công

ty sản xuất thuộc nhóm này được lựa chọn nghiêm ngặt theo phạm vi tài sản từ 1 triệu đến 25 triệu USD Các công ty này vẫn còn hoạt động trong thời gian diễn ra phân tích Quyết định loại bỏ các công ty có tài sản nhỏ hơn 1 triệu USD và các công ty rất lớn được Altman giải thích là để phù hợp với phạm vi tài sản của các công ty ở nhóm 1 Vì giai đoạn trước năm 1996, việc xảy ra phá sản với một công ty rất lớn là khá hiếm

1.3.1.2 Lựa chọn biến

Sau khi nhóm ban đầu được xác định, các công ty dùng làm mẫu được lựa chọn

và thu thập thông tin từ bảng cân đối kế toán, báo cáo kết quả hoạt động kinh doanh

Để tránh bỏ sót những chỉ số quan trọng của công ty dẫn đến ảnh hưởng kết quả của

mô hình, Altman đã thu thập và sử dụng 22 chỉ số để đánh giá Các biến trên được phân ra thành 5 nhóm: Thanh khoản, lợi nhuận, đòn bẩy, khả năng thanh toán và chỉ số hoạt động

Từ danh sách 22 chỉ số ban đầu, 5 biến được lựa chọn là các biến tổng quát nhất

để dự đoán phá sản công ty Để có được tập hợp biến số cuối cùng đó, các phương pháp sau đã được thực hiện:

- Quan sát mức ý nghĩa thống kê của công việc thay thế biến, bao gồm việc xác định đóng góp tương đối của các biến độc lập

- Đánh giá sự tương quan của các biến

- Quan sát độ chính xác về mặt dự báo của các tập hợp biến

- Đánh giá của chuyên gia

1.3.1.3 Mô hình Điểm số Z và ý nghĩa các biến

Biệt thức cuối cùng đối với doanh nghiệp cổ phần hóa ngành sản xuất được Altman đưa ra như sau:

Z = 0,012X1 + 0,014X2 + 0,033X3 + 0,006X4 + 0,999X5

X1 = Vốn lưu động (ròng)/TTS Chỉ số này thường được dùng trong các nghiên cứu về vấn đề của doanh nghiệp X1 được dùng để đo lường độ thanh khoản ròng của tài sản công ty so với tổng vốn Vốn lưu động này chính là VLĐR, được xác định bằng hiệu giữa tài sản ngắn hạn với nợ ngắn hạn Chỉ số này thể hiện sự quan tâm đến tính thanh khoản và kích thước công ty

X2 = LNGL/TTS Chỉ số này thể hiện thặng dư trong quá trình hoạt động của doanh nghiệp LNGL thể hiện tổng mức lợi nhuận được tái đầu tư hay lỗ lũy kế của doanh nghiệp trong suốt thời gian tồn tại của chính doanh nghiệp đó Chỉ số X2 cao thể hiện rằng tài sản của công ty được tài trợ bằng LNGL nhiều thay vì phải dùng nợ

X3 = EBIT/TTS Chỉ số này thể hiện khả năng tạo ra lợi nhuận từ tài sản của công ty mà không quan tâm đến thuế và vay nợ Sự tồn tại của doanh nghiệp phụ thuộc vào khả năng sinh lời trên tài sản nên chỉ số này thường xuất hiện trong các nghiên cứu

về thất bại của doanh nghiệp

X4 = Giá trị thị trường của VCSH/Giá trị sổ sách của nợ Giá trị thị trường của VCSH bao gồm cả giá trị thị trường của cổ phần thường và cổ phần ưu đãi, trong khi

nợ bằng tổng nợ ngắn hạn và dài hạn của công ty Chỉ số này đo lường mức độ có thể sụt giảm của tài sản công ty cho đến lúc nợ vượt quá giá trị của tài sản Ví dụ, một công ty có giá trị thị trường của vốn chủ sở hữu là 1000 USD, nợ là 500 USD (Tổng tài sản: 1500 USD) thì có thể chịu được tỷ lệ sụt giảm giá trị tài sản là 2/3 mà vẫn giữ được khả năng thanh toán nợ Chỉ số X4 lớn chứng tỏ doanh nghiệp ít phụ thuộc vào vay nợ, mức độ rủi ro phá sản thấp

X5 = Doanh thu thuần/TTS Là một chỉ số tài chính đánh giá khả năng tạo ra doanh thu từ tài sản của doanh nghiệp Theo kiểm định mức ý nghĩa thống kê đơn biến thì chỉ số này không nên có trong mô hình Tuy nhiên, do X5 có mối quan hệ đặc biệt với các biến khác trong mô hình và xếp thứ hai trong đóng góp giúp phân biệt tổng thể nên Altman vẫn giữ biến này trong mô hình Điểm số Z Để tránh sự khác biệt trong doanh thu của các ngành, Altman đã loại bỏ biến này trong mô hình điều chỉnh – Điểm

số Z’’ (sẽ được trình bày ở mục 1.2.3.2)

Điểm số Z được tính ra sẽ được so sánh với các mức điểm cắt được trình bày dưới đây để phân loại doanh nghiệp

Z < 1,81 : Doanh nghiệp phá sản,

1,81 < Z < 2,99 : Dấu hiệu chưa rõ ràng, vùng xám,

Z > 2,99 : Doanh nghiệp an toàn, không phá sản,

Cần chú ý: Các biến từ X1 đến X4 được sử dụng dưới dạng tỷ lệ phần trăm, còn biến X5 được dùng dạng tỷ lệ thông thường Ngoài ra, một dạng khác của mô hình Điểm số Z với sự điều chỉnh nhỏ để tiện cho công tác tính toán là:

Z = 1,2X1 + 1,4X2 + 3,3X3 + 0,6X4 + 1,0X5

Trong đó, các giá trị X1 đến X5 đều là giá trị tỷ lệ thông thường và hệ số biến X5

được đổi thành 1,0 thay vì 0,999 như trước đó

1.3.2 Các kiểm định mô hình Điểm số Z

Để kiểm tra mức độ tin cậy cũng như khả năng chính xác của mô hình, Altman tiến hành các kiểm định liên quan đến mức ý nghĩa và tỷ lệ chính xác của mô hình khi xét mẫu gốc cũng như các mẫu kiểm chứng Đối với trung bình nhóm và mức ý nghĩa được Ông trình bày như kết quả dưới đây

Bảng 1.1 Trung bình của các biến và kiểm định mức ý nghĩa Biến Trung bình nhóm 1 Trung bình nhóm 2 Chỉ số F

Trung bình của Điểm số Z ở nhóm 1 và 2 lần lượt là -0,29 và +5,02 Do đó bác

bỏ giả thuyết rằng các nhóm không được phân biệt Từ chỉ số F của các biến trong bảng 1.1 kết luận rằng các biến X1 đến X4 đều có ý nghĩa ở mức ý nghĩa 0,001, các biến này có vai trò rất quan trọng trong việc chỉ ra sự khác biệt giữa các nhóm Biến X5

không góp phần cho thấy sự phân biệt đáng kể giữa các nhóm nhưng vẫn được đưa vào

mô hình vì những lý do đã nêu ở trên

Bảng 1.2 Kết quả phân loại mẫu gốc thời gian 1 năm

Số phân

loại đúng

Tỷ lệ đúng (%)

Tỷ lệ sai (%)

Mẫu

n Thực tế

Dự đoán Nhóm 1 Nhóm 2

Nguồn: Altman 2000 Tiến hành kiểm tra lại chính mẫu gốc, nhận thấy mô hình rất chính xác khi tỷ lệ đúng của toàn mô hình là 95% Trong đó sai lầm loại I (thực tế phá sản nhưng dự đoán không phá sản) có tỷ lệ là 6%, sai lầm loại II (thực tế không phá sản nhưng dự đoán phá sản) còn thấp hơn chỉ ở mức 3%

Khả năng dự báo của mô hình thời gian 2 năm trước khi phá sản có kém hơn so với khoảng thời gian 1 năm, do những dấu hiệu dự báo chưa thật sự rõ ràng Nhưng tỷ

lệ dự báo đúng nhóm phá sản đạt 72% vẫn khá cao, đối với nhóm 2 thì tỷ lệ này là 94%

Bảng 1.3 Kết quả phân loại mẫu gốc thời gian 2 năm

Số phân

loại đúng

Tỷ lệ đúng (%)

Tỷ lệ sai (%) Mẫu n Thực tế

Dự đoán Nhóm 1 Nhóm 2

Để củng cố kiểm định của mô hình, Altman tiếp tục chọn mẫu các công ty thuộc

cả hai nhóm để kiểm định Nhóm 1, đầu tiên Ông chọn 25 công ty phá sản Các công ty này có mức tài sản tương tự như các công ty của mẫu gốc Tỷ lệ chính xác của mẫu này

ở thời điểm 1 năm trước khi phá sản là 96%, tức sai lầm loại I là 4% Kết quả này còn tốt hơn cả kỳ vọng và mẫu gốc

Trong ba kiểm định sau đó, Ông chọn 86 công ty kiệt quệ tài chính từ năm 1969 đến 1975, 110 công ty phá sản giai đoạn 1976-1995, 120 công ty phá sản từ năm 1997 đến năm 1999 Với điểm cắt là 2,675 thì tỷ lệ đúng của mô hình nằm trong khoản từ 82-94% Lập lại các kiểm định đến năm 1999, mô hình Điểm số Z đúng với tỷ lệ dao động từ 80-90% trong dự báo 1 năm trước khi phá sản của các công ty

Trong kiểm định nhóm công ty không phá sản, Altman lựa chọn 66 công ty gặp vấn đề khó khăn trong việc tạo ra lợi nhuận (65% trong số các công ty đó có lợi nhuận

âm 2-3 năm trong vòng 3 năm trước đó) nhưng vẫn không rơi vào tình trạng phá sản Kết quả cho thấy 14 trong 66 công ty bị xếp loại là phá sản, 52 công ty được xếp loại đúng Tỷ lệ chính xác là 79%, đây là một tỷ lệ khá ấn tượng đối với nhóm công ty hoạt động kém hơn mức bình thường Trong số 14 công ty bị xếp sai nhóm của mẫu thứ cấp này thì có đến 10 công ty nằm trong vùng điểm từ 1,81-2,67, cho thấy dù bị xếp vào nhóm bị phá sản nhưng sự dự đoán này là không rõ ràng

Hình 1.1 Tỷ lệ chính xác của mô hình trên mẫu gốc nhóm 1 theo thời gian

rằng khi thời gian dự báo tăng lên thì khả năng chính xác của mô hình giảm xuống Dựa vào những kết quả trên, có thể thấy mô hình Điểm số Z là mô hình dự báo phá sản chính xác đến thời điểm 2 năm trước khi xảy ra phá sản và mức độ chính xác của mô hình giảm nhiều khi thời gian dự báo được kéo dài ra

1.3.3 Các mô hình Điểm số Z điều chỉnh

Như trình bày ở trên, mô hình Điểm số Z chỉ áp dụng cho doanh nghiệp cổ phần hóa ngành sản xuất, tức là chỉ dùng được đối với một số doanh nghiệp theo ràng buộc của mô hình Chính vì điều này đã khiến Altman điều chỉnh mô hình cho phù hợp với những loại hình doanh nghiệp khác nhau

1.3.3.1 Mô hình Điểm số Z’

Một vấn đề đặt ra là làm thế nào có thể áp dụng mô hình Điểm số Z cho các công ty tư nhân vì chỉ số X4 cần đến thông tin về cổ phiếu Để phù hợp cho các công ty chưa cổ phần hóa thuộc ngành sản xuất, Altman đề nghị dùng giá trị sổ sách của VCSH thay cho giá trị thị trường trong chỉ số X4 Điều này làm thay đổi cả hệ số biệt thức và tiêu chuẩn phân loại của mô hình

Kết quả mô hình mới là:

Z’ = 0,717X1 + 0,847X2 + 3,017X3 + 0,420X4 + 0,998X5

Các điểm cắt của mô hình Điểm số Z’ như sau:

Z’ < 1,23 : Doanh nghiệp phá sản,

1,23 < Z’ < 2,90 : Dấu hiệu chưa rõ ràng, vùng xám,

Z’ > 2,90 : Doanh nghiệp an toàn, không phá sản,

Quá trình kiểm định đối với mẫu gốc cũng được Altman tiến hành Theo đó, tỷ

lệ đúng của nhóm 1 là 91% , tỷ lệ này đối với nhóm 2 là 97% Vùng xám của mô hình Điểm số Z’ nới rộng hơn so với Điểm số Z, có thể nói mô hình sửa đổi này có mức độ tin cậy thấp hơn bản gốc nhưng chỉ một ít

1.3.3.2 Mô hình Điểm số Z’’

Sự điều chỉnh tiếp theo là phân tích tính chính xác của mô hình khi loại bỏ biến

X5 (doanh thu/TTS) Vì chỉ số này là không đồng nhất giữa các công ty sản xuất và thương mại dịch vụ Mô hình mới này được Altman sử dụng để đánh giá các doanh nghiệp ngoài Hoa Kỳ Cụ thể, Altman, Hatzell và Peck (1995) đã áp dụng mô hình Điểm số Z’’ cho các nền kinh tế mới nổi đặt biệt là các doanh nghiệp tại Mexico đã phát hành trái phiếu Châu Âu tính theo USD

Mô hình Điểm số Z’’ đưa ra là:

Z’’ = 6,56X1 + 3,26X2 + 6,72X3 + 1,05X4

Các điểm cắt của mô hình như sau:

Z’’ < 1,1 : Doanh nghiệp phá sản,

1,1 < Z’’ < 2,6 : Dấu hiệu chưa rõ ràng, vùng xám,

Z’’ > 2,6 : Doanh nghiệp an toàn, không phá sản,

Lưu ý rằng chỉ số X4 được xác định bằng giá trị sổ sách của VCSH/giá trị sổ sách của nợ Mô hình này cũng phù hợp cho nền kinh tế mà có sự khác nhau lớn trong việc tài trợ tài sản giữa các công ty

1.3.4 Đánh giá mô hình Điểm số Z của Altman

Có thể thấy, sau nhiều năm xây dựng và kiểm định với số lượng mẫu lớn, Altman đã đưa ra được mô hình Điểm số Z với tỷ lệ chính xác cao và mức độ tin cậy cao tương ứng

Ngoài ra, bằng các điều chỉnh mô hình, Altman còn đa dạng hóa mô hình Điểm

số Z của mình để phù hợp với nhiều loại doanh nghiệp khác nhau Điều này đã tăng tính ứng dụng của mô hình Điểm số Z Mô hình Điểm số Z và các mô hình điều chỉnh chỉ sử dụng từ 4 đến 5 biến độc lập nên mô hình này có ưu điểm là khá đơn giản trong việc phân loại, dự báo

Đánh giá mô hình Điểm số Z có nhiều ưu điểm về tỷ lệ chính xác, độ tin cậy cao cùng với ưu điểm về tính đơn giản của mô hình

1.4 SO SÁNH MÔ HÌNH ĐIỂM SỐ Z VÀ MỘT SỐ MÔ HÌNH DÙNG NHẬN DIỆN PHÁ SẢN KHÁC

Ngoài mô hình mô hình Điểm số Z xây dựng theo phương pháp Phân tích đa biệt thức để nhận diện khả năng phá sản, kiệt quệ tài chính của doanh nghiệp, trên thế giới còn một số phương pháp phân tích khác cũng có thể dùng xây dựng mô hình nhận diện khả năng phá sản, kiệt quệ tài chính của doanh nghiệp

Trong phần này, tác giả sẽ sơ lược lại một số phương pháp phân tích đã được dùng để nhận diện khả năng phá sản, kiệt quệ tài chính của doanh nghiệp Phần này sẽ không đi vào phân tích sâu các phương pháp phân tích khác đã nêu mà chủ yếu giới thiệu và đưa ra so sánh về kết quả của các phương pháp đó với kết quả của Altman trong mô hình mô hình Điểm số Z

1.4.1 Một số phương pháp phân tích khác xây dựng mô hình nhận diện phả sản

doanh nghiệp

1.4.1.1 Phương pháp Mạng thần kinh nhân tạo

Mạng thần kinh nhân tạo (Artificial neural networks) là các kỹ thuật phân tích lấy cảm hứng từ sinh học, có khả năng mô hình hóa các hàm phi tuyến cực kỳ phức tạp Mạng thần kinh nhân tạo được xây dựng dựa trên đặc điểm của mạng thần kinh con người gồm các nơron nhân tạo kết hợp với nhau

McCulloch, W.S & W Pitts giới thiệu Mạng thần kinh nhân tạo lần đầu tiên năm 1943 Sau đó, mô hình này được các nhà khoa học khác hoàn thiện và ứng dụng nhiều vào lĩnh vực kỹ thuật Ngày nay, mô hình này đã được ứng dụng nhiều trong lĩnh vực kinh tế đặc biệt là dự báo và đưa ra quyết định kinh doanh

1.4.1.2 Phương pháp Logistic

Mô hình Logistic (Logistic regression) là mô hình định lượng sử dụng biến phụ thuộc là biến giả (chỉ nhận 2 giá trị là 0 hoặc 1) trong khi các biến độc lập có thể là biến liên tục hoặc rời rạc Tuy nhiên, mô hình này không cho kết quả trực tiếp là giá trị của biến phụ thuộc theo nhị phân mà là tỷ lệ xác suất xảy ra sự kiện của biến phụ thuộc

Mô hình này được dùng rất phổ biến trong việc phân loại của nhiều lĩnh vực nghiên cứu Mô hình này cũng được sử dụng rộng rãi trong phân tích kinh tế đề tìm ra xác suất cũng như khả năng xảy ra một sự kiện trong kinh tế học

1.4.1.3 Phương pháp Cây quyết định

Cây quyết định (Decision trees) là một phương pháp xây dựng cây phân cấp có cấu trúc để phân loại đối tượng dựa vào các quy luật và đặc tính của đối tượng Cây quyết định là một kiểu mô hình để phản ánh kết quả của đối tượng từ những quan sát của đối tượng đó

Cây quyết định thường được dùng trong cả việc phân loại và hồi quy Về phân loại, cây quyết định sẽ đưa ra kết quả phân loại như giới tính nam hay nữ, thời tiết nắng hay mưa Về hồi quy, thay vì đưa ra kết quả phân loại, cây quyết định sẽ đưa ra kết quả giá trị như thời gian hoàn thành công việc, giá bán sản phẩm…

Do phương pháp Cây quyết định giải quyết được vấn đề phân loại nên phương pháp này cũng được áp dụng trong lĩnh vực kinh tế mà cụ thể là để phân tích khả năng phá sản của doanh nghiệp

1.4.2 So sánh mô hình Điểm số Z và các mô hình nhận diện phá sản khác

David L Olson, Dursun Delen, Yanyan Meng đã tiến hành so sánh các phương pháp phân tích nhằm nhận diện khả năng phá sản của doanh nghiệp và giới thiệu kết quả qua bài viết “So sánh các phương pháp phân tích dữ liệu để dự đoán phá sản” (năm

2011) Nhóm tác giả đã đánh giá mức độ phù hợp của các mô hình nhận diện phá sản xây dựng bằng các phương pháp khác nhau và thu được kết quả như sau:

Bảng 1.4 Kết quả đánh giá các mô hình nhận diện phá sản STT Phương pháp xây dựng mô hình Phân loại đúng

1 Mạng thần kinh nhân tạo 81,3%

Nguồn: David L Olson, Dursun Delen, Yanyan Meng (2011)

Có thể thấy, các mô hình từ phương pháp Mạng thần kinh nhân tạo và Logisitc

có tỷ lệ phân loại ở mức thấp hơn (tỷ lệ phân loại chính xác chỉ khoản 80%) Hai mô hình này có mức độ phụ hợp để phân loại khả năng phá sản chưa cao

Với kết quả phân loại đúng của mô hình xây dựng từ phương pháp Cây quyết định ở mức 91,4% là khá cao, có thể kết luận mô hình nhận diện khả năng phá sản xây dựng từ phương pháp Cây quyết định phù hợp trong việc nhận diện khả năng phá sản Tuy nhiên, tỷ lệ phân loại đúng của mô hình này vẫn thấp hơn so với mô hình Điểm số

Z của Altman xây dựng (ở mức 95%)

Ngoài ra, mô hình từ phương pháp Cây quyết định phải cần đến 15 biến độc lập,

52 nhánh và 103 lá Trong khi đó, mô hình Điểm số Z chỉ cần từ 4 đến 5 biến để thực hiện phân loại doanh nghiệp phá sản, kiệt quệ tài chính cho thấy tính đơn giản của mô hình mô hình Điểm số Z so với mô hình từ phương pháp Cây quyết định

Có thể thấy, dù mô hình từ phương pháp Cây quyết định được đánh giá phù hợp nhưng tỷ lệ phù hợp thấp hơn và mô hình phức tạp hơn so với mô hình Điểm số Z Nên

mô hình Điểm số Z được đánh giá có ưu điểm trong phân loại doanh nghiệp phá sản, kiệt quệ tài chính trong cả hai khía cạnh là độ chính xác và đơn giản, tiện dụng của mô hình khi so với các phương pháp khác

1.5 CÁC KIỂM ĐỊNH VÀ ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z Ở VIỆT NAM TRƯỚC ĐÂY

1.5.1 Kiểm định Điểm số Z tại Việt Nam trước đây

1.5.1.1 Các kiểm định và kết quả

Trên cơ sở mô hình Điểm số Z của Altman, Lê Cao Hoàng Anh - Nguyễn Thu Hằng đưa ra nghiên cứu “Kiểm định mô hình chỉ số Z của Altman trong dự báo thất bại doanh nghiệp tại Việt Nam” (2012) Theo đó, nghiên cứu này tiếp cận hồ sơ 293 CTCP niêm yết trên sàn HOSE (tính đến hết tháng 2/2012) Dữ liệu được thu thập từ BCTC chính thường niên của các công ty giai đoạn 2004-2011 của các công ty niêm yết Do tính đến năm 2011, tại HOSE chỉ có duy nhất công ty Dược phẩm Viễn Đông đệ đơn phá sản, nên nhóm tác giả đã dùng dữ liệu của các công ty kiệt quệ tài chính để đại diện cho trạng thái “thất bại doanh nghiệp” Có 11 công ty thuộc nhóm 1 (kiệt quệ),

282 công ty thuộc nhóm 2 (không kiệt quệ) trong số 293 công ty được lựa chọn trong nghiên cứu này

Về mô hình được sử dụng để kiểm định, nhóm tác giả chọn mô hình Điểm số Z’’ Các lý do được đưa ra để giải thích cho lựa chọn này là: Thứ nhất, Điểm số Z’’ đã loại bỏ biến X5 nên mức độ chính xác cao hơn khi cùng đo lường rủi ro các doanh nghiệp thuộc khu vực sản xuất và phi sản xuất Thứ hai, phạm vi kiểm định là các công

ty niêm yết trên sàn HOSE thuộc nhiều ngành nghề nên mô hình đáp ứng được mục tiêu ban đầu Thứ ba, như quan điểm của Altman đã được trình bày ở trên thì Điểm số Z’’ phù hợp với các thị trường mới nổi và các doanh nghiệp có sự khác biệt trong tài trợ tài sản

Kết quả kiểm định 11 doanh nghiệp nhóm 1 thu được tỷ lệ dự báo chính xác là 91% thời điểm 1 năm trước khi doanh nghiệp lâm vào tình trạng kiệt quệ Tỷ lệ dự báo đạt 91% được đánh giá là ở mức độ khá cao, khi nâng thời gian dự báo lên 2 năm trước khi xảy ra kiệt quệ thì tỷ lệ này giảm xuống còn 72% Việc tỷ lệ chính xác giảm xuống

khi kéo dài thời gian dự báo là hoàn toàn hợp lý và tương đồng với các kết quả kiểm định trước đây

Bảng 1.5 Kết quả kiểm định doanh nghiệp nhóm 1 ở Việt Nam

Dự báo (năm) Phân loại đúng Mẫu n Tỷ lệ đúng (%) Sai lầm loại I (%)

Nguồn: Lê Cao Hoàng Anh – Nguyễn Thu Hằng 2012

So sánh kiểm định nhóm 1 của mô hình ở các thị trường khác trên thế giới Kết quả được trình bày như sau:

Bảng 1.6 Độ chính xác của mô hình trên thế giới

Tại Mexico 1994-1998 (Z’’)

Tại Thái Lan 1995-1999 (Z’’)

Nguồn: Altman 1968 & 2000; Lê Cao Hoàng Anh – Nguyễn Thu Hằng 2012

Có thể thấy tỷ lệ chính xác của mô hình ở Việt Nam gần như tương đương với các nước Mexico và Thái Lan, đây là dấu hiệu tốt khẳng định tính chính xác của mô hình tại Việt Nam

 Mô hình Điểm số Z’’ cũng đã được kiểm định là phù hợp tại Thái Lan và Mexico

Để xác định sai lầm loại II, nhóm tác giả tiếp tục kiểm tra đối với các doanh nghiệp không kiệt quệ tài chính Kết quả kiểm định cho thấy mô hình đưa ra chỉ báo khá tốt đối với doanh nghiệp an toàn tài chính Khả năng dự báo đúng của nhóm 2 là 90% trong thời gian 1 năm

Bảng 1.7 Kết quả kiểm định nhóm 2 và cả 2 nhóm ở Việt Nam

Dự báo (năm) Phân loại

Tỷ lệ đúng (%) Sai lầm (%)

1.5.1.2 Đánh giá nghiên cứu kiểm định

Nhóm tác giả đã có hướng nghiên cứu mới về mô hình Điểm số Z tại Việt Nam, theo đó đi sâu vào kiểm định tính chính xác của mô hình khi áp dụng ở thị trường Việt Nam chứ không theo hướng ứng dụng mô hình Về tính đóng góp thì kết quả của nghiên cứu giúp hình thành một cơ sở kiểm chứng cho việc ứng dụng mô hình sau này đối với môi trường trong nước

Tuy nhiên, như nhóm tác giả có trình bày, nghiên cứu này cũng có hạn chế ở điểm các doanh nghiệp trong nhóm 1 được lấy mẫu khá ít do doanh nghiệp niêm yết

gặp kiệt quệ tài chính giai đoạn đó chưa nhiều Chỉ 11 doanh nghiệp thuộc nhóm 1 so với con số 282 của nhóm 2 nên có thể xảy ra hạn chế đo lường thống kê so với nghiên cứu tại Thái Lan và Mexico Thực tế, việc nhận diện doanh nghiệp phá sản, kiệt quệ tài chính là quan trong hơn nên khảo sát doanh nghiệp nhóm 1 của nghiên cứu này là chưa tương xứng Chính vì vậy độ tin cậy chỉ mang tính chất tương đối và cần có những nghiên cứu ở phạm vi rộng hơn để đảm bảo tính đại diện

Ngoài ra, phạm vi lấy mẫu của nghiên cứu trên chỉ tập trung vào các công ty tại HOSE là chưa bao quát Nếu phân tích đại diện cho doanh nghiệp ở Việt Nam thì phạm

vi lấy mẫu doanh nghiệp niêm yết nên được chọn rộng hơn ở cả hai thị trường là HOSE

và HNX thì tính đại diện sẽ cao hơn

Vì những tồn tại nêu trên, nên luận văn này sẽ tiến hành kiểm tra lại tính chính xác của mô hình ở Việt Nam với số lượng công ty thuộc nhóm 1 nhiều hơn và ở cả hai sàn chứng khoán trong nước để đưa ra kết quả kiểm định với mức độ tin cậy cao hơn Phần này sẽ được trình bày cụ thể hơn ở chương sau

1.5.2 Các ứng dụng của mô hình tại Việt Nam

Dù mô hình Điểm số Z đã được Altman đưa ra từ năm 1968 và được sử dụng tại nhiều nước trên Thế giới Nhưng tại Việt Nam, mô hình này chỉ mới được quan tâm trong giai đoạn gần đây Có thể kể đến các nghiên cứu ứng dụng mô hình này tại Việt Nam như của Lâm Minh Chánh (2007), Huỳnh Cát Tường (2008) và Phạm Thế Anh – Nguyễn Thành Cường (2010)

Trong bài “Chỉ số Z: Công cụ phát hiện nguy cơ phá sản và xếp hạng định mức tín dụng” và “Dùng Chỉ số Z để ước tính hệ số tín nhiệm” năm 2007 của Lâm Minh Chánh, ngoài việc giới thiệu mô hình Điểm số Z thì tác giả đã đưa ra những phân tích nhằm giúp doanh nghiệp cải thiện Điểm số Z của mình và việc dùng Điểm số Z để ước lượng hệ số tín nhiệm

Huỳnh Cát Tường với đề tài nghiêm cứu “Khánh kiệt tài chính và ứng dụng mô hình Z-score trong dự báo khánh kiệt tài chính” đã trình bày rõ ràng hơn về quá trình

phát triển mô hình Điểm số Z của Altman từ công trình nghiên cứu năm 2000 của Ông Ngoài ra, nghiên cứu còn đưa ra một số phân tích về Điểm số Z của một số doanh nghiệp cũng như đưa ra những ưu điểm và lưu ý khi ứng dụng mô hình trong môi trường Việt Nam

Một nghiên cứu khác ứng dụng mô hình Điểm số Z mang tên: “Đo lường rủi ro tín dụng của các ngân hàng trong việc cho vay đối với các doanh nghiệp thủy sản đang niêm yết trên thị trường chứng khoán Việt Nam” của Phan Thế Anh – Nguyễn Thành Cường năm 2010 Bài viết đã ứng dụng mô hình Điểm số Z của Altman để đo lường rủi ro tín dụng của các ngân hàng trong việc cho vay đối với các doanh nghiệp chế biến thủy sản đang niêm yết trên thị trường chứng khoán Việt Nam Từ kết quả ứng dụng

mô hình, nhóm tác giả đưa ra một số đề xuất nhằm góp phần nâng cao hiệu quả hoạt động tín dụng trong hoạt động kinh doanh ngân hàng, đồng thời giúp cho các doanh nghiệp chế biến thủy sản Việt Nam cải thiện được Điếm số Z của bản thân doanh nghiệp thông qua đó nâng cao tính an toàn Tuy nhiên, các kết quả tính toán các biến ứng dụng Điểm số Z của nghiên cứu này vẫn chưa chính xác so với tinh thần của Altman

Có thể thấy các nghiên cứu trên về mô hình Điểm số Z tại Việt Nam chỉ mới dừng lại ở việc khái quát, giới thiệu, sử dụng phù hợp của mô hình Điểm số Z sẵn có trên thế giới để áp dụng tại Việt Nam Riêng việc kiểm định tính phù hợp của mô hình tại Việt Nam thì mẫu của doanh nghiệp kiệt quệ tài chính thu thập được khá hạn chế (chỉ 11 doanh nghiệp) nên đánh giá của đề tài chưa tổng quát và đủ tin cậy Vì thế, với việc kiểm định tính phù hợp của mô hình Điểm số Z tại Việt Nam với mẫu doanh nghiệp lớn hơn, cho ra mức độ tin cậy cao hơn và tổng quát hơn thì đây chính là tính mới của đề tài so với các đề tài khác về Điểm số Z tại Việt Nam Từ kết quả kiểm định nêu trên, tác giả tiến hành sử dụng mô hình Điểm số Z để nhận diện khả năng phá sản, kiệt quệ tài chính của một số doanh nghiệp trong nước

Tóm tắt chương 1

Qua chương 1, có thể thấy mô hình mô hình Điểm số Z mà Atlman thu được khá đơn giản nhưng tỷ lệ nhận diện được doanh nghiệp phá sản, kiệt quệ tài chính cũng như lành mạnh lại khá cao Ngoài ra, ông còn tiến hành điều chỉnh nhiều mô hình Điểm số Z cho doanh nghiệp với đặc thù khác nhau và ở nền kinh tế khác nhau Khi so sánh với các mô hình nhận diện phá sản xây dựng bằng các phương pháp khác thì Điểm số Z có ưu thế hơn về tỷ lệ chính xác cao và tính đơn giản, tiện dụng của mô hình

Nghiên cứu của Lê Cao Hoàng Anh - Nguyễn Thu Hằng được trình bày trong chương này mặc dù gặp phải hạn chế về mẫu kiểm định, nhưng nghiên cứu này phần nào cho thấy mô hình Điểm số Z’’ có khả năng dự báo doanh nghiệp kiệt quệ tài chính

và phá sản tại Việt Nam Ngoài ra, các nghiên cứu khác về ứng dụng mô hình Điểm số

Z tại Việt Nam cũng cho thấy sự quan tâm đến mô hình trong giới học thuật trong nước

CHƯƠNG 2 KIỂM ĐỊNH VÀ ỨNG DỤNG MÔ HÌNH ĐIỂM SỐ Z VÀO DOANH NGHIỆP VIỆT NAM

Trên cơ sở những trình bày cơ bản về mô hình Điểm số Z cũng như kiểm định

và ứng dụng mô hình tại Việt Nam, chương 2 sẽ đi sâu hơn vào lựa chọn mô hình và kiểm định lại tính phù hợp của mô hình để bổ sung cho sự chắc chắn của kiểm định trước đó Các quá trình kiểm định từ chọn mô hình Điểm số Z phù hợp để kiểm định, phương pháp kiểm định, phương thức chọn mẫu… sẽ được giới thiệu Tác giả cũng tiến hành so sánh mô hình Điểm số Z với một số mô hình dự báo khả năng phá sản được xây dựng bằng phương pháp khác Sau đó, mô hình Điểm số Z sẽ được ứng vào phân tích các doanh nghiệp thuộc một số ngành tại Việt Nam để đưa ra đánh giá về tình hình tài chính của một số doanh nghiệp

2.1 KIỂM ĐỊNH SỰ PHÙ HỢP CỦA MÔ HÌNH ĐIỂM SỐ Z TẠI VIỆT NAM 2.1.1 Mô hình lựa chọn và phương pháp kiểm định

2.1.1.1 Mô hình lựa chọn kiểm định

Dựa vào những hạn chế từ nghiên cứu kiểm định sự phù hợp mô hình Điểm số

Z tại Việt Nam của Lê Cao Hoàng Anh – Nguyễn Thu Hằng đã được trình bày ở trên, phần này của đề tài sẽ tiến hành lại các kiểm định để củng cố cho kết quả thu được với mức độ tin cậy cao hơn

Như đã trình bày, ngoài mô hình Điểm số Z ban đầu, Altman đã phát triển thêm hai mô hình khác là Điểm số Z’ và Điểm số Z’’ để phù hợp hơn với một số đối tượng

mà mô hình Điểm số Z không đáp ứng được Theo đó, Điểm số Z dùng cho các doanh nghiệp ngành sản xuất đã cổ phần hóa, Điểm số Z’ dành cho doanh nghiệp sản xuất chưa cổ phần hóa và đối với mô hình Điểm số Z’’ thì không phân biệt doanh nghiệp sản xuất hay thương mại dịch vụ Vì có sự tồn tại đồng thời ba mô hình nên cần phải lựa chọn mô hình phù hợp nhất để tiến hành kiểm định

Mô hình Điểm số Z’’ sẽ được dùng để kiểm định sự phù hợp cho các doanh nghiệp Việt Nam vì các lý do được nêu sau: Thứ nhất, nghiên cứu này không phân biệt doanh nghiệp có thuộc ngành sản xuất hay không Chính vì thế mô hình Điểm số Z’’

đã loại bỏ biến X5- biến tạo ra sự khác biệt nhiều giữa doanh nghiệp sản xuất và không sản xuất là phù hợp Thứ hai, Altman 2000 đã đưa ra quan điểm rằng mô hình Điểm số Z’’ phù hợp với các doanh nghiệp thuộc nền kinh tế mới nổi nên mô hình này là phù hợp với Việt Nam – một nước đang phát triển Hơn nữa, như đã trình bày ở trên thì Điểm số Z’’ cũng đã được kiểm định là khá phù hợp ở Thái Lan – một thị trường có mức độ tương đồng nhất định với thị trường tại Việt Nam

Nhắc lại mô hình Điểm số Z’’

Z’’ = 6,56X1 + 3,26X2 + 6,72X3 + 1,05X4

Các điểm cắt của mô hình:

Z’’ < 1,1 : Doanh nghiệp kiệt quệ, phá sản,

1,1 < Z’’ < 2,6 : Dấu hiệu chưa rõ ràng, vùng xám,

Z’’ > 2,6 : Doanh nghiệp an toàn, không phá sản,

2.1.1.2 Phương pháp kiểm định

Trong kiểm định sự phù hợp của Điểm số Z’’ tại Việt Nam, tác giả sẽ tiến hành kiểm tra thông qua việc xác định tỷ lệ sai lầm loại I và sai lầm loại II của Điểm số Z’’ trong phân loại doanh nghiệp ở Việt Nam Đối tượng lấy mẫu là các doanh nghiệp niêm yết trên thị trường chứng khoán Việt Nam Vì ở Việt Nam số doanh nghiệp niêm yết đã phá sản không nhiều nên nghiên cứu sử dụng doanh nghiệp phá sản và trạng thái kiệt quệ tài chính cho nhóm doanh nghiệp thất bại Theo đó, hiện có có 64 doanh nghiệp phá sản, kiệt quệ tài chính trong giai đoạn từ năm 2013 đến năm 2018 và nằm trong nhóm 1 Tác giả chọn nhóm 2 với số lượng doanh nghiệp bằng với số doanh nghiệp nhóm 1, nhóm 2 có 64 doanh nghiệp hoạt động bình thường cho đến năm 2018

Do nhận diện ra doanh nghiệp rơi vào phá sản, kiệt quệ tài chính là quan trọng hơn, mà

nghiên cứu kiểm định trước đó của Lê Cao Hoàng Anh – Nguyễn thu Hằng có số lượng doanh nghiệp dùng kiểm định nhóm này không cao nên trong kiểm định này sẽ dùng số lượng doanh nghiệp nhóm 1 lớn hơn Cũng do việc nhận diện ra doanh nghiệp kiệt quệ tài chính phá sản quan trọng hơn và sai lầm loại I gây ra hậu quả nặng nề hơn nên đối với các doanh nghiệp có kết quả phân loại nằm trong vùng xám (vùng không rõ ràng) sẽ được xếp vào dạng nhận diện phá sản, kiệt quệ tài chính

Đối với doanh nghiệp nhóm 1, các số liệu phân tích được lấy từ BCTC của doanh nghiệp trong thời gian 5 năm trước khi rơi vào kiệt quệ tài chính (ví dụ, nếu doanh nghiệp xảy ra phá sản, kiệt quệ tài chính vào năm 2016, số liệu của doanh nghiệp sẽ được lấy tương ứng trong giai đoạn từ 2011-2015) Còn đối với doanh nghiệp nhóm 2 thì số liệu kiểm phân tích cũng được lấy từ BCTC của doanh nghiệp nhưng thời gian 5 năm trước thời điểm hiện tại doanh nghiệp vẫn đang hoạt động bình thường, tức từ năm 2013 đến 2017

2.1.2 Kết quả kiểm định

2.1.2.1 Nhóm doanh nghiệp phá sản và kiệt quệ

Sau khi tiến hành phân loại bằng mô hình Điểm số Z’’ đối với các doanh nghiệp được phân loại nhóm 1 (danh sách theo Bảng 2.1), kết quả thu được sẽ so sánh với thực

tế tình hình của doanh nghiệp để đưa ra tỷ lệ sai lầm cũng như chính xác đối với mẫu được chọn

Bảng 2.1 Danh sách doanh nghiệp kiểm định nhóm 1 T

3 PXA CTCP Đầu tư và Thương mại Dầu khí Nghệ An 2018

4 BHT CTCP Đầu tư Xây dựng Bạch Đằng TMC 2018

5 KHL CTCP Khoảng sản và Vật liệu Xây dựng Hưng Long 2018