Tổng Quan Các Nghiên Cứu Về Các Mô Hình Dự Báo Khả Năng Phá Sản Của Doanh

M-score là một biến phân phối ngẫu nhiên có giá trị trung bình bằng 0 và độ lệch chuẩn bằng 1. Do đó, khả năng có gian lận và thao túng lợi nhuận trong báo cáo tài chính có thể được tính toán bằng chỉ số M-Score thông qua chức năng trả về hàm phân phối chuẩn NORMSDIST trong ứng dụng Microsoft Excel.

Mô hình M-score có thể thu gọn từ 8 biến xuống còn 5 biến, trong đó bỏ đi các biến không có ảnh hưởng trong mô hình cũ là SGAI, DEPI và LVGI.

M = -6,065 + 0,823 DSRI + 0,906 GMI + 0,593 AQI + 0,717 SGI + 0,107

DEP

2.2.3.2. Mô hình S-score

Mô hình S-score là một mô hình để dự báo rủi ro phá sản bằng cách kết hợp một số các tỷ số tài chính chung có trọng số khác nhau.

Công thức mô hình S-score như sau:

Có thể bạn quan tâm!

Xem toàn bộ 102 trang tài liệu này.

S = 1,03 X1 + 3,07 X2 + 0,66 X3 + 0,4 X4

Trong đó:

X1 = Vốn lưu động / Tổng tài sản

X2 = Lợi nhuận trước thuế và lãi vay / Tổng tài sản X3 = Lợi nhuận trước thuế / Nợ ngắn hạn

X4= Doanh thu / Tổng tài sản

Nếu S-score > 0,862 thì doanh nghiệp nằm trong vùng an toàn, không phá sản. Nếu S-score < 0,862 thì doanh nghiệp có nguy cơ phá sản.

2.2.3.3. Mô hình X-score

Mô hình X-score của Zmijewski (1984) phân tích các tỷ số tài chính đo lường kết quả hoạt động của công ty, đòn bẩy và tính thanh khoản để dự báo. Các nghiên cứu thực nghiệm về các mô hình khủng hoảng tài chính được thực hiện, sử dụng bộ mẫu gồm các doanh nghiệp đang gặp áp lực tài chính và các doanh nghiệp không chịu áp lực tài chính. Zmijewski đã sử dụng dữ liệu nghiên cứu của tất cả các công ty cùng một mã ngành được niêm yết trên Sở giao dịch chứng khoán New York giai

đoạn 1972-1978, với ít hơn 6.000 công ty. Số lượng doanh nghiệp dao động từ

2.082 đến 2.241 doanh nghiệp mỗi năm và thu thập được đầy đủ dữ liệu của 81 công ty phá sản trong giai đoạn này.

Zmijewski đã phân chia toàn bộ 1.681 mẫu công ty thành 2 phần ngẫu nhiên, phần đầu tiên được đặt tên là “mẫu ước tính” bao gồm 40 công ty phá sản và 800 công ty không phá sản, phần thứ hai được gọi là “mẫu dự đoán” bao gồm 41 công ty phá sản và 800 công ty không phá sản. Mỗi sự lựa chọn dựa trên mẫu có thành phần khác nhau (ví dụ tần suất phá sản doanh nghiệp), làm cho việc so sánh phân loại giữa các mẫu không dễ dàng. Tỷ lệ chính xác tổng thể của mô hình Zmijewski là 95,29%.

Công thức của mô hình X-score như sau:

X-score = - 4,3 - 4,5 X1 + 5,7 X2 - 0,004 X3

Trong đó:

X1 = Lợi nhuận ròng / Tổng tài sản X2 = Nợ phải trả / Tổng tài sản

X3 = Tài sản ngắn hạn / Nợ ngắn hạn

Nếu X > 0 thì công ty được dự báo sẽ phá sản. Nếu X < 0 thì công ty được dự báo không phá sản.

Mỗi mô hình dự báo phá sản có những ưu điểm và hạn chế khác nhau. Trong đó, mô hình Z-score và mô hình H-score có nhiều điểm thuận lợi trong nghiên cứu tại thị trường Việt Nam. Như là, mô hình đơn giản dễ áp dụng vào thực tế, số liệu sử dụng chủ yếu từ báo cáo tài chính nên việc thu thập dễ thực hiện và thuận lợi. Trên cơ sở đó nghiên cứu lựa chọn ứng dụng mô hình Z-score và H-score để dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam trong giai đoạn 2017-2020, từ đó đưa ra các kiến nghị cho doanh nghiệp, nhà đầu tư và các tổ chức tài chính.

2.3. Tổng quan các nghiên cứu về các mô hình dự báo khả năng phá sản của doanh nghiệp

2.3.1. Tổng quan các công trình nghiên cứu nước ngoài

Aziz và Dar (2006) đã xem xét 89 nghiên cứu về dự báo phá sản doanh nghiệp trong giai đoạn 1968 – 2003 để thực hiện phân tích quan trọng về phương pháp luận và kết quả thực nghiệm trong việc áp dụng các mô hình dự báo phá sản doanh nghiệp trên 10 quốc gia khác nhau (Phần Lan, Na Uy, Thụy Điển, Bỉ, Anh, Ý, Hy Lạp, Mỹ, Hàn Quốc và Úc). Họ nhận thấy rằng các mô hình phân tích phân biệt đa biến (Altman, 1968) và logit (Ohlson, 1980) là phổ biến nhất trong 89 bài báo được nghiên cứu. Xem xét tổng quan các công trình nghiên cứu ở nước ngoài ta có thể thấy, các mô hình dự báo phá sản doanh nghiệp được xây dựng chủ yếu dựa trên các phương pháp bao gồm: phương pháp dự báo dựa vào sổ sách kế toán, phương pháp dự báo dựa vào nhân tố thị trường và phương pháp dự báo dựa vào trí tuệ nhân tạo.

Có rất nhiều các mô hình được tạo ra thể hiện mối quan tâm lớn đối với dự báo phá sản, trong đó các mô hình của Altman (1968), Ohlson (1980) và Zmijewski (1984) là những mô hình được sử dụng nhiều nhất dựa trên các biến kế toán. Các mô hình dự báo phá sản này sử dụng các biến giải thích và kỹ thuật thống kê khác nhau. Do đó, sức mạnh dự đoán của các mô hình dự báo phá sản này cũng khác nhau. Tỷ lệ chính xác của các mô hình của Altman (1968), Ohlson (1980) và Zmijewski (1984) lần lượt là 80,6%, 93,8% và 95,3% (Avenhuis, 2013). Elviani và cộng sự (2020) đã nghiên cứu độ chính xác của các mô hình Altman (1968), Ohlson (1980), Springate (1978) và Zmijewski (1984) trong việc dự báo phá sản của các công ty thuộc lĩnh vực thương mại ở Indonesia. Kết quả nghiên cứu của họ đã chứng minh rằng mô hình phù hợp và chính xác cao hơn là mô hình của Springate và Altman. Bên cạnh đó, Ashraf và cộng sự (2019) phát hiện ra rằng cả hai mô hình của Altman (1968) và Zmijewski (1984) đều phù hợp để dự đoán tình trạng khó khăn tài chính của các thị trường mới nổi và có thể được sử dụng bởi các nhà quản trị doanh nghiệp, tổ chức tài chính và các bên liên quan khi đầu tư vào một công ty hay muốn nâng cao hiệu quả sản xuất kinh doanh.

Mô hình H-score của Fulmer không được phổ biến như các mô hình khác, nên số bài nghiên cứu thực nghiệm khả năng dự báo của mô hình này không nhiều. Tuy nhiên, trong một số ít nghiên cứu thực nghiệm về mô hình này cũng cho thấy kết

quả dự báo tốt. Cụ thể như nghiên cứu của Mackevicius và Sneidere (2010) thực hiện trên các nhóm ngành khác nhau ở Latvia cho kết quả dự báo 83,6% đối với nhóm doanh nghiệp xây dựng, 81,2% đối với nhóm sản xuất và 90,55% đối với nhóm doanh nghiệp ngành dịch vụ.

Các mô hình sử dụng phương pháp dự báo dựa vào sổ sách kế toán rút ra những biến tài chính phân biệt được giữa những công ty phá sản và những công ty có tình hình tài chính khỏe mạnh khi phân tích rủi ro phá sản doanh nghiệp. Phương pháp này đã được nhiều nhà nghiên cứu áp dụng để dự báo phá sản doanh nghiệp tại các quốc gia khác nhau như nghiên cứu đối với các nhà hàng ở Mỹ của Gu (2002), các công ty ở Thái Lan (Pongsatat và cộng sự, 2004), các công ty Nhật (Xu và Zhang, 2009), các công ty của Rumani (Monica và cộng sự, 2012)… Phương pháp này có những ưu điểm như dữ liệu dễ thu thập từ báo cáo tài chính, kết quả có độ chính xác cao, phù hợp với nhiều loại hình doanh nghiệp và nhiều quốc gia khác nhau. Tuy nhiên, hạn chế của phương pháp đó là thời gian dự báo càng dài thì độ chính xác càng giảm.

Ngoài ra cũng phải kể đến phương pháp dự báo phá sản dựa vào nhân tố thị trường. Phương pháp dự báo này sử dụng cách kết hợp cấu trúc đòn bẩy của công ty và giá trị thị trường của tài sản. Hillegeist và cộng sự (2004) kết luận rằng phương pháp dựa vào yếu tố thị trường thì cung cấp thông tin nhiều hơn đáng kể về khả năng phá sản của các công ty hơn là phương pháp dựa vào sổ sách kế toán. Ngược lại, Reisz và Perlich (2007) cho rằng phương pháp dựa vào sổ sách kế toán như mô hình của Altman thể hiện vượt trội khi dự báo một năm trước khi phá sản, tuy nhiên yếu dần khi thời gian dự báo dài hơn.

Mặt khác, Wu và cộng sự (2010) đã nghiên cứu so sánh độ chính xác của năm mô hình dự báo phá sản đó là Altman (1968), Ohlson (1980), Zmijewski (1984), Shumway (2001) và Hillegeist và cộng sự (2004) bằng cách sử dụng tập dữ liệu của các công ty niêm yết tại Mỹ. Kết quả cho thấy rằng mô hình của Shumway (2001) hoạt động tốt nhất, mô hình của Hillegeist và cộng sự (2004) hoạt động tốt, mô hình của Ohlson (1980) và Zmijewski (1984) hoạt động tốt nhưng hiệu suất của chúng giảm dần theo thời gian, trong khi mô hình của Altman (1968) hoạt động kém hơn

so với bốn mô hình khác được phân tích.

Phương pháp dự báo phá sản dựa vào nhân tố thị trường phụ thuộc vào giả thuyết thị trường hiệu quả. Nhược điểm của phương pháp này là chỉ xem xét các công ty được niêm yết chứ không xem xét những công ty tư nhân (Berg, 2007). Vì thế phương pháp này cũng có một số giới hạn.

Odom và Sharda (1990) đã phát triển một mô hình trí tuệ nhân tạo để dự báo phá sản và so sánh kết quả với phân tích biệt số MDA về độ chính xác phân loại. Họ xác nhận trí tuệ nhân tạo có thể được sử dụng trong lĩnh vực dự báo phá sản. Coats và Font (1993) đã sử dụng mô hình trí tuệ nhân tạo để đo lường tình trạng sức khỏe tài chính doanh nghiệp. Trí tuệ nhân tạo được sử dụng để ước tính mẫu dữ liệu có thể phân biệt các công ty có tình hình tài chính khỏe mạnh và các công ty có rủi ro phá sản. Kết quả họ đưa ra là phương pháp trí tuệ nhân tạo hiệu quả hơn phương pháp biệt số MDA.

Kể từ những năm 2000, xuất hiện thêm phương pháp dự báo phá sản dựa vào trí tuệ nhân tạo. Phương pháp tiếp cận hiện tại này bao gồm mạng nơ-ron (neural networks), giải thuật di truyền (genetic algorithms), logic mờ (fuzzy logic), máy vectơ hỗ trợ (support vector machines) hoặc các phương pháp phân loại tập hợp (ensemble classifier methods). Người ta thấy rằng các kỹ thuật học máy như mạng nơ-ron (NNet), máy vectơ hỗ trợ (SVM) và các phương pháp phân loại tập hợp có khả năng dự báo tốt hơn và hiệu quả phân loại cao hơn so với các phương pháp tiếp cận thông thường. Tổng quan về các nghiên cứu trước đây về việc áp dụng các phương pháp thống kê và kỹ thuật máy học trong dự đoán phá sản doanh nghiệp có thể được tìm thấy trong các nghiên cứu như nghiên cứu của Kumar và Ravi (2007) và Lessmann và cộng sự (2015). Ngày nay với sự phát triển của các thuật toán máy học, học sâu, các mô hình dự báo phá sản doanh nghiệp trở nên ngày càng phức tạp hơn nhưng cũng đạt mức độ chính xác cao hơn.

Như vậy các phương pháp dự báo phá sản doanh nghiệp được đề xuất bởi nhiều nhà nghiên cứu khác nhau có những ưu điểm và tồn tại hạn chế nhất định. Độ chính xác và phù hợp của các mô hình dự báo phá sản tùy thuộc vào ngành nghề

doanh nghiệp và quốc gia nghiên cứu (Etemadi và cộng sự, 2008).

2.3.2. Tổng quan các công trình nghiên cứu trong nước

Tại Việt Nam trong những năm gần đây, đề tài về phá sản cũng đã nhận được nhiều sự quan tâm của các nhà nghiên cứu. Tuy nhiên đa số các nghiên cứu đều sử dụng phương pháp phân tích rủi ro phá sản dựa vào sổ sách kế toán.

Balcaen và Ooghe (2004) đã nhận định rằng “Mặc dù ra đời cách đây nhiều năm, mô hình Z-score của Altman vẫn là công cụ dự báo được giới học thuật và thực hành công nhận và sử dụng rộng rãi nhất trên thế giới”. Là mô hình được vận dụng phổ biến trên thế giới, Altman (1968, 2000) đã chứng minh khả năng dự báo chính xác trước một năm của mô hình Z-score đạt đến trên 90% với các mẫu nghiên cứu 120 doanh nghiệp tại Mỹ (năm 1997-1999), 31 doanh nghiệp tại Mexico (năm 1994-1998), 62 doanh nghiệp tại Thái Lan (năm 1995-1999). Tin tưởng vào mức độ chính xác cao, tại Việt Nam, nhiều tác giả cũng sử dụng mô hình Z-score của Altman để dự báo khả năng phá sản của doanh nghiệp.

Lê Cao Hoàng Anh và Nguyễn Thu Hằng (2012) chứng minh mô hình Z-score (1995) của Altman thích hợp để dự báo thất bại của các công ty niêm yết trên sàn HOSE (độ tin cậy 91%). Song, nghiên cứu này có một số hạn chế là: (i) Chỉ kiểm tra khả năng vận dụng của mô hình Z-score (1995), (ii) Sử dụng tiêu chí xác định doanh nghiệp kiệt quệ tài chính là những doanh nghiệp bị hủy niêm yết vĩnh viễn hoặc thua lỗ 2 năm liên tiếp trở lên, lỗ lũy kế lớn hơn vốn chủ sở hữu. Các doanh nghiệp còn lại trong mẫu nghiên cứu được xếp vào nhóm doanh nghiệp có tình hình tài chính tốt mà trong số đó có những doanh nghiệp lại bị hủy niêm yết vào ngay năm sau (2013) như CTCP Đầu tư xây dựng điện Meca Vneco, (iii) Mẫu nghiên cứu doanh nghiệp kiệt quệ tài chính nhỏ, chỉ gồm 11 doanh nghiệp và (iv) Dữ liệu nghiên cứu giới hạn trong giai đoạn từ năm 2004 đến năm 2011.

Phạm Thị Tường Vân (2016) cũng xem xét khả năng sử dụng Z-score tại Việt Nam bằng cách so sánh kết quả Z-score với chỉ số xếp hạng S&P. Tác giả khẳng định có sự thống nhất tuyệt đối về đánh giá đối với nhóm doanh nghiệp có khó khăn tài chính. Tuy vậy, trong nghiên cứu này, tác giả không sử dụng kết quả xếp hạng

cụ thể các doanh nghiệp do S&P cung cấp hoặc xác định theo cách tương đương mà quy đổi từ giá trị Z-score của doanh nghiệp sang thứ hạng tương ứng trong danh mục xếp hạng của S&P, căn cứ vào bảng hướng dẫn của Altman và Hotchkiss (2006).

Mặt khác, nhiều học giả cho rằng mô hình Z-score của Altman được xây dựng dựa trên dữ liệu của các doanh nghiệp tại Mỹ nên không thể vận dụng hoàn toàn để dự báo nguy cơ phá sản của các doanh nghiệp ngoài nước Mỹ (do sự khác biệt về tiêu chuẩn kế toán, đặc điểm kinh tế - chính trị xã hội…). Vì thế, các tác giả đã điều chỉnh mô hình cho phù hợp với điều kiện thực tế tại các quốc gia khác như Hàn Quốc, Nhật Bản, Malaysia, Singapore, Trung Quốc… Cùng trên quan điểm đó, Đinh Thế Hiển (2008) đã điều chỉnh các tham số của mô hình Z-score phù hợp với thị trường Việt Nam, trong đó đề cao tác động của cơ cấu đầu tư tài sản hơn hệ số sinh lời tổng tài sản.

ZVietnam_ĐTH = 2,11 + 4,59X1 + 2,28X2 + 4,03X3 + 0,84X4

Tuy sự điều chỉnh này dựa trên các căn cứ khoa học (đã được tác giả luận giải cụ thể) song chỉ với hai trường hợp cụ thể là Công ty Cổ phần Dầu Tường An (TAC) và Công ty Văn hóa phẩm Phương Nam (PNC), kết quả phân tích chưa đảm bảo tính đại diện cho tổng thể các doanh nghiệp Việt Nam.

Khổng Thanh Hòa (2008) sử dụng bộ số liệu của 230 công ty cổ phần niêm yết trên sàn giao dịch chứng khoán HOSE và HNX, lặp lại các thao tác phân tích như Altman để ước lượng các tham số của mô hình Z-score. Với giá trị phân biệt 1,0689, chỉ số Z của Việt Nam được đề nghị xác định theo phương trình:

ZVietnam_KTH = 0,204X1 + 1,386X2 + 2,211X3 + 0,009X4 + 0,488X5

Độ phù hợp của mô hình được tác giả kiểm định lên tới 70%. Tuy nhiên, do thị trường nợ và thị trường trái phiếu của Việt Nam chưa phát triển nên ngay từ đầu tác giả đã không phân loại được chính xác các công ty phá sản và không phá sản như cách làm của Altman. Biến giả đo lường tình trạng tài chính (Distress) nhận giá trị 1 (tương đương với tiềm ẩn tình trạng tài chính khốn khó) nếu doanh nghiệp có trong danh sách bị kiểm soát của Sở giao dịch chứng khoán Thành phố Hồ Chí

Minh hoặc có kết quả sản xuất kinh doanh âm (bị lỗ) hoặc lợi nhuận sau thuế dưới 10% so với kế hoạch đặt ra. Distress nhận giá trị 0 (không tiềm ẩn tình trạng tài chính khốn khó) khi không rơi vào các trường hợp trên. Đây chưa phải thang đo phù hợp cho nguy cơ mất khả năng thanh toán của doanh nghiệp. Đồng thời, việc chọn kỳ nghiên cứu là năm 2007 có phần khiên cưỡng (để đủ số lượng các công ty có tình trạng tài chính thuộc nhóm 1) cũng ảnh hưởng tới tính đại diện của mẫu nghiên cứu.

Đào Thị Thanh Bình (2013) tiến hành nghiên cứu tương tự với mẫu nghiên cứu gồm 60 công ty cổ phần niêm yết thuộc lĩnh vực sản xuất, lấy tiêu chí “lợi nhuận sau thuế thấp nhất trong 4 quý – tính đến quý 2 năm 2010” làm căn cứ để phân biệt công ty “Xấu” và “Tốt”. Đồng thời, bỏ biến Doanh thu/Tổng tài sản, thay bằng Giá trị vốn hóa thị trường/Giá trị vốn hóa sổ sách; bổ sung thêm 3 biến: Tổng nợ/Tổng tài sản; Lợi nhuận ròng/Doanh thu và Lợi nhuận ròng/Tài sản cố định. Độ chính xác của nghiên cứu là 86%, thu được phương trình có dạng:

ZVietnam_ĐTTB = 1,268X1 - 1,179X2 - 0,56X3 + 0,023X4 + 0,185X5 - 0,009X6 + 0,411X7 + 6,641X8 - 1,888

Giá trị phân biệt được xác định là 0,575 và 0,975. Sau khi tính chỉ số Z cho 46 công ty trong nhóm, tác giả đối chiếu với kết quả xếp hạng tín dụng của S&P, phát hiện sự khác biệt rõ ràng giữa nhóm “Đầu” và “Đáy”. Kết quả của nghiên cứu này có giá trị tham khảo tốt cho các công trình tiếp theo, tuy vậy, khả năng ứng dụng thấp do quy mô mẫu nhỏ và căn cứ phân biệt doanh nghiệp không hợp lý, ảnh hưởng tới tính phù hợp của kết quả.

Trong số ít nghiên cứu vận dụng đồng thời hai mô hình Z-score và H-score ở Việt Nam, Liêu Minh Lý (2014) kết luận có sự khác biệt trong khả năng dự báo của hai mô hình Z-score và H-score. Kết quả nghiên cứu cho thấy mô hình H-score có khả năng dự báo phá sản tốt hơn so với mô hình Z-score tại thời điểm 3 năm trước khi phá sản. Kết luận này góp phần hỗ trợ các cá nhân, tổ chức trong việc ứng dụng hai mô hình này để dự báo phá sản doanh nghiệp. Tuy vậy, nghiên cứu mới chỉ dựa trên tập hợp nhóm doanh nghiệp phi tài chính mà chưa xem xét đến khả năng ứng