Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.Ứng dụng mô hình Zscore và H score trong dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.
GIỚITHIỆUCHUNG
Tính cấp thiết củađềtài
Theo Trung tâm thông tin Kinh tế - Xã hội Quốc gia và Bộ Kế hoạch và Đầu tư, làn sóng phá sản của các công ty lớn trên toàn cầu đã bắt đầu từ giữa năm 2020 do tác động của đại dịch Covid-19 Euler Hermes dự đoán rằng tỷ lệ phá sản sẽ tăng lên 35% từ năm 2019 đến năm 2021 Trong số các cường quốc kinh tế, Mỹ sẽ chịu ảnh hưởng nặng nề nhất với dự báo số lượng doanh nghiệp phá sản tăng 57% vào năm 2021 so với năm 2019, trước khi đại dịch bùng phát.
Dự báo số vụ phá sản sẽ tăng mạnh ở nhiều quốc gia, với 45% ở Brazil, 43% ở Anh và 41% ở Tây Ban Nha, trong khi Trung Quốc ghi nhận mức tăng 20% Các ngành chịu ảnh hưởng nặng nề nhất bao gồm hàng không, du lịch, khách sạn và bán lẻ do tác động của đại dịch Covid-19 Năm 2020, có 236 doanh nghiệp với khoản nợ trên 50 triệu USD đã nộp đơn xin bảo hộ phá sản, mức cao nhất kể từ năm 2009 khi có 281 hồ sơ.
Phá sản không chỉ là một vấn đề nghiêm trọng đối với doanh nghiệp mà còn gây ra thảm họa cho nhiều bên liên quan như chủ nợ, nhà đầu tư, nhân viên và khách hàng, ảnh hưởng đến toàn bộ nền kinh tế Khi một công ty phá sản, chủ nợ và nhà đầu tư mất tài chính, nhân viên mất việc làm, và khách hàng có thể thiệt hại, đặc biệt là trong lĩnh vực bất động sản khi họ thường thanh toán trước Sự phá sản của bất kỳ công ty nào đều có thể gây thiệt hại đến hoạt động kinh tế, đặc biệt trong bối cảnh đại dịch toàn cầu, làm dấy lên câu hỏi về khả năng dự đoán rủi ro phá sản Theo nghiên cứu của công ty Jones Lang Lasalle, tác động của đại dịch Covid-19 đối với thị trường bất động sản khu vực Châu Á - Thái Bình Dương đã trở nên sâu rộng, với khối lượng đầu tư bất động sản giảm 32% trong nửa đầu năm 2020 so với cùng kỳ năm trước, trong đó quý 2 giảm 39% và quý 1 giảm 26%.
Theo báo cáo của Jones Lang Lasalle, triển vọng bất động sản Việt Nam vẫn tích cực, với đất nước này tiếp tục là điểm đến ưa chuộng cho việc chuyển dịch nhà máy từ Trung Quốc Mặc dù đại dịch Covid-19 gây ra khó khăn tạm thời, bất động sản khu công nghiệp vẫn thu hút nhà đầu tư nhờ vào chiến lược đầu tư dài hạn và các hiệp định thương mại tự do Để đối mặt với cơ hội và thách thức, các doanh nghiệp, nhà đầu tư và tổ chức tài chính cần nắm rõ tình trạng tài chính của doanh nghiệp, từ đó đánh giá khả năng rủi ro phá sản Đây là vấn đề đang thu hút sự quan tâm của nhiều nhà nghiên cứu trên toàn cầu qua các nghiên cứu thực nghiệm.
Lalith P Samarakoon và Tanweer Hasan (2003) đã sử dụng 3 mô hình Z-score của Altman để dự báo tình hình tài chính của 26 công ty niêm yết tại Sri Lanka trong giai đoạn 1986 - 1997 Nghiên cứu đạt được độ chính xác 81% trong việc dự đoán các doanh nghiệp gặp khó khăn về tài chính, củng cố thêm bằng chứng về khả năng dự báo của mô hình Z-score Khác với nghiên cứu của Altman, nghiên cứu này cho thấy mô hình Z-score không chỉ áp dụng hiệu quả tại thị trường Mỹ mà còn phù hợp với các thị trường mới nổi như Sri Lanka.
Bahaaeddin Alareeni và Joel Branson (2012) đã nghiên cứu hiệu quả của mô hình Z-score trong việc dự báo phá sản tại thị trường Jordan, với mẫu dữ liệu gồm 71 công ty phá sản và 71 công ty không phá sản cùng ngành nghề và quy mô tài sản tương đồng Kết quả cho thấy mô hình Z-score hoạt động hiệu quả đối với các công ty sản xuất, tương tự như nghiên cứu của Altman tại Mỹ Tuy nhiên, nghiên cứu cũng chỉ ra rằng mô hình Z-score không phân biệt rõ ràng giữa các công ty phá sản và không phá sản trong nhóm ngành phi sản xuất như dịch vụ, cho thấy tính hiệu quả của mô hình này chỉ giới hạn trong ngành sản xuất tại Jordan.
Nghiên cứu của Raid Ayasy Shalih và cộng sự (2019) đã so sánh khả năng dự báo tình trạng kiệt quệ tài chính giữa mô hình Fulmer H-score và Springate S-score, sử dụng dữ liệu từ các công ty sản xuất niêm yết trên Sở giao dịch chứng khoán Indonesia trong giai đoạn 2014 – 2016 Phân tích được thực hiện thông qua kiểm định One Way Anova, cho thấy mô hình S-score có khả năng dự báo tốt hơn đáng kể so với mô hình H-score trong bối cảnh thị trường Indonesia.
H-score để dự báo trình trạng kiệt quệ tài chính Kết quả của nghiên cứu này gợi ra câu hỏi liệu có sự khác biệt giữa 2 mô hình khác nhau trong khả năng dự báo phá sản khi áp dụng tại thị trường Việt Nam hay không và mô hình nào phù hợp hơn.
Noman Arshed và cộng sự (2020) đã nghiên cứu khả năng dự đoán xác suất phá sản của 12 ngân hàng Hồi giáo tại Indonesia trong giai đoạn 2013 - 2019 bằng cách sử dụng mô hình Altman Z-score và Springate S-score Kết quả cho thấy sự khác biệt rõ rệt trong khả năng dự báo giữa hai mô hình, đặc biệt là đối với nhóm ngành phi sản xuất Cụ thể, mô hình Z-score chỉ ra rằng 1,19% ngân hàng Hồi giáo nằm trong vùng xám, có nguy cơ phá sản, trong khi 98,81% ngân hàng được đánh giá nằm trong vùng an toàn.
Mô hình S-score chỉ ra rằng 38,10% ngân hàng Hồi giáo có nguy cơ phá sản, trong khi 61,90% ngân hàng được đánh giá là an toàn Nghiên cứu này đặt ra câu hỏi về sự khác biệt giữa hai mô hình dự báo khả năng phá sản khi áp dụng tại thị trường Việt Nam và xác định mô hình nào phù hợp hơn.
Tại Việt Nam, dự báo phá sản doanh nghiệp đang thu hút sự chú ý từ các nhà nghiên cứu, quản lý và nhà đầu tư Các lĩnh vực nghiên cứu rất đa dạng, bao gồm sản xuất, xây dựng, bất động sản và ngân hàng Trong số các mô hình nghiên cứu, mô hình Z-score của Altman được sử dụng phổ biến nhất.
Lê Cao Hoàng Anh và Nguyễn Thu Hằng (2012) đã áp dụng mô hình Z-score của Altman (1995) để dự báo kiệt quệ tài chính cho 293 doanh nghiệp niêm yết tại Sở giao dịch chứng khoán TP.HCM trong giai đoạn 2004 – 2011, với độ chính xác đạt 72% trước 2 năm xảy ra sự kiện Kết quả này tương đồng với nghiên cứu của Altman tại Mexico và Thái Lan, tuy nhiên, số lượng công ty kiệt quệ trong mẫu chỉ có 11 công ty, gây hạn chế cho nghiên cứu Đặng Ngọc Hùng và cộng sự (2012) cũng áp dụng mô hình Z-score (1968) để đánh giá xác suất phá sản của 59 công ty bất động sản niêm yết tại Việt Nam năm 2011, phát hiện 30,5% trong số này có nguy cơ phá sản Kết quả cho thấy rủi ro phá sản không phụ thuộc vào quy mô tài sản, với 17 trong số 18 công ty có nguy cơ phá sản có thị giá cổ phiếu thấp hơn mệnh giá Tuy nhiên, mô hình Z-score (1968) được áp dụng cho doanh nghiệp sản xuất, trong khi các công ty bất động sản hoạt động đa ngành, dẫn đến kết quả chưa hoàn toàn thuyết phục.
Liêu Minh Lý (2014) đã nghiên cứu khả năng dự báo phá sản của các công ty niêm yết tại Việt Nam bằng cách áp dụng mô hình Z-score và H-score Nghiên cứu này sử dụng dữ liệu từ 42 doanh nghiệp hoạt động bình thường và 42 doanh nghiệp bị hủy niêm yết trong giai đoạn 2008 – 2013 Kết quả cho thấy có sự khác biệt đáng kể trong hiệu quả dự báo giữa hai mô hình này.
Mô hình H-score có khả năng dự báo phá sản tốt hơn mô hình Z-score tại thời điểm 3 năm trước khi doanh nghiệp gặp rủi ro Ngược lại, mô hình Z-score lại thể hiện khả năng dự báo an toàn doanh nghiệp vượt trội hơn H-score tại thời điểm 1 năm và 3 năm trước khi phá sản Nghiên cứu này đã bổ sung thêm các kết quả thực nghiệm quan trọng trong việc so sánh hiệu quả của hai mô hình đối với các công ty phi tài chính tại thị trường Việt Nam.
Nguyễn Đăng Tùng và cộng sự (2015) đã áp dụng mô hình Z-score của Altman (1995) để đánh giá nguy cơ phá sản của 39 ngân hàng niêm yết tại Việt Nam trong giai đoạn 2008 - 2013 Kết quả cho thấy Z-score của các ngân hàng không có nguy cơ phá sản, nhưng có xu hướng giảm dần và có sự khác biệt giữa các nhóm ngân hàng có quy mô vốn khác nhau Nghiên cứu này không chỉ cung cấp giá trị tham khảo cho việc áp dụng mô hình Z-score đối với doanh nghiệp phi sản xuất mà còn mở ra hướng nghiên cứu mới cho các lĩnh vực kinh doanh khác.
Mục tiêunghiêncứu
Nghiên cứu này tập trung vào việc áp dụng mô hình Z-score và H-score để dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam Kết quả nghiên cứu sẽ cung cấp những kiến nghị hữu ích cho các nhà quản lý doanh nghiệp, nhà đầu tư và tổ chức tín dụng trong việc điều hành hoạt động doanh nghiệp, đưa ra quyết định đầu tư hoặc cho vay.
Từ mục tiêu cơ bản như trên, các mục tiêu cụ thể của nghiên cứu như sau:
Mô hình Z-score và H-score là hai công cụ quan trọng trong việc dự báo khả năng phá sản của các công ty bất động sản niêm yết tại thị trường Việt Nam Z-score giúp đánh giá tình hình tài chính của doanh nghiệp thông qua các chỉ số như lợi nhuận, tài sản và nợ phải trả Trong khi đó, H-score cung cấp cái nhìn sâu sắc hơn về rủi ro phá sản dựa trên các yếu tố như dòng tiền và hiệu quả hoạt động Việc áp dụng hai mô hình này không chỉ giúp các nhà đầu tư đưa ra quyết định chính xác hơn mà còn góp phần ổn định thị trường bất động sản Việt Nam.
Bài viết này đánh giá tính phù hợp của mô hình Z-score và H-score đối với các công ty bất động sản niêm yết tại Việt Nam Đồng thời, nó cũng đưa ra những kiến nghị nhằm hỗ trợ các nhà quản lý doanh nghiệp nâng cao an toàn trong hoạt động điều hành, cung cấp thông tin hữu ích cho các tổ chức tín dụng khi cấp tín dụng, và đưa ra khuyến nghị cho các nhà đầu tư vào doanh nghiệp.
Đối tƣợng và phạm vinghiêncứu
Mô hình Z-score và H-score được áp dụng để dự báo khả năng phá sản cho các công ty bất động sản niêm yết tại Việt Nam Nghiên cứu này nhằm cung cấp cái nhìn sâu sắc về tình hình tài chính của các doanh nghiệp trong ngành bất động sản, giúp các nhà đầu tư và quản lý có những quyết định đúng đắn Việc sử dụng các mô hình này không chỉ tăng cường khả năng phân tích mà còn hỗ trợ trong việc đánh giá rủi ro tài chính của các công ty.
Nghiên cứu này sử dụng dữ liệu từ 56 công ty bất động sản niêm yết trên thị trường chứng khoán Việt Nam, bao gồm Sở giao dịch chứng khoán thành phố Hồ Chí Minh và Sở giao dịch chứng khoán Hà Nội.
Về thời gian: Từ năm 2017 đến năm 2020.
Phương phápnghiêncứu
Nghiên cứu này áp dụng phương pháp phân tích định lượng nhằm ước tính khả năng phá sản của các công ty niêm yết trong lĩnh vực bất động sản, thông qua việc sử dụng mô hình Z-score và H-score.
Phần mềm Excel sẽ được sử dụng để phân tích và xử lý dữ liệu, với việc mô tả dữ liệu thông qua thống kê mô tả các biến và ma trận tương quan Các biến nghiên cứu bao gồm các chỉ số tài chính của doanh nghiệp nhằm dự báo khả năng phá sản qua mô hình Z-score và H-score Tác giả sẽ tính toán Z-score và H-score dựa trên dữ liệu thu thập được để đưa ra dự báo về khả năng phá sản Cuối cùng, độ chính xác của hai mô hình sẽ được xác định bằng cách so sánh kết quả dự đoán với tình huống thực tế của các mẫu.
Kết cấu củađềtài
Luận văn được cấu trúc thành 5 chương Chương 1 cung cấp cái nhìn tổng quan về đề tài nghiên cứu, nêu bật tính cấp thiết, tóm tắt tình hình nghiên cứu trong và ngoài nước, chỉ ra khoảng trống nghiên cứu, và xác định mục tiêu, đối tượng, phạm vi cùng phương pháp nghiên cứu Chương 2 tập trung vào cơ sở lý luận liên quan đến phá sản doanh nghiệp và các mô hình dự báo phá sản Chương 3 trình bày chi tiết về phương pháp thu thập, phân tích và xử lý số liệu, cũng như quy trình và mô hình nghiên cứu.
Nghiên cứu ứng dụng mô hình Z-score và H-score trong việc dự báo khả năng phá sản của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam đã được trình bày trong chương 4 Chương 5 đưa ra kết luận từ các kết quả nghiên cứu, đồng thời đề xuất kiến nghị cho lãnh đạo doanh nghiệp, nhà đầu tư và các tổ chức tài chính Bên cạnh đó, chương này cũng chỉ ra những hạn chế của nghiên cứu và hướng phát triển trong tương lai.
Đóng góp củanghiêncứu
Nghiên cứu đã tổng hợp cơ sở lý luận về phá sản doanh nghiệp và mô hình dự báo phá sản, đồng thời bổ sung kết quả thực nghiệm từ việc áp dụng mô hình Z-score và H-score để dự báo khả năng phá sản cho các doanh nghiệp bất động sản niêm yết tại Việt Nam Từ những kết quả này, nghiên cứu đưa ra một số kiến nghị cho nhà quản lý doanh nghiệp, nhà đầu tư và các tổ chức tài chính nhằm giảm thiểu rủi ro phá sản doanh nghiệp.
CƠ SỞ LÝ LUẬN VỀ PHÁ SẢN DOANH NGHIỆP VÀ MÔHÌNH DỰ BÁO PHÁ SẢNDOANH NGHIỆP
Địnhnghĩa
2.1.1 Phásản doanh nghiệp Ở Việt Nam, có nhiều thuật ngữ được sử dụng như: phá sản, vỡ nợ, khánh tận…
Từ điển tiếng Việt định nghĩa "phá sản" là tình trạng không còn tài sản và thường xảy ra do thua lỗ trong kinh doanh Trong khi đó, "vỡ nợ" là tình trạng liên tiếp thua lỗ, dẫn đến việc phải bán hết tài sản nhưng vẫn không đủ để trả nợ Do đó, khái niệm phá sản thường được hiểu là một sự kiện đã xảy ra, biểu thị cho việc "phải bán hết tài sản mà vẫn không đủ trả nợ".
Theo Khoản 2 Điều 4 Luật Phá sản năm 2014, phá sản được định nghĩa là tình trạng của doanh nghiệp hoặc hợp tác xã không còn khả năng thanh toán, và điều này phải được Tòa án nhân dân tuyên bố Khái niệm "mất khả năng thanh toán" được giải thích rõ hơn trong Khoản 1 Điều 4 của cùng luật này.
Doanh nghiệp và hợp tác xã mất khả năng thanh toán là những đơn vị không thể thực hiện nghĩa vụ trả nợ trong vòng 03 tháng kể từ ngày đến hạn Phá sản doanh nghiệp được xác định khi Tòa án nhân dân ra quyết định tuyên bố phá sản.
Luật Phá sản tại Việt Nam không chỉ là công cụ để xử lý doanh nghiệp gặp khó khăn mà còn mở ra cơ hội cho các doanh nghiệp xây dựng kế hoạch phục hồi kinh doanh Khi các chủ nợ đồng ý với phương án tái cơ cấu, doanh nghiệp có thể tiếp tục hoạt động dưới sự giám sát Nếu quá trình phục hồi thành công và doanh nghiệp có khả năng trả nợ, họ sẽ tránh được nguy cơ phá sản Ngược lại, nếu không thành công, doanh nghiệp sẽ phải đối mặt với việc phá sản.
Luật phá sản và Luật doanh nghiệp ở Anh phân chia quy trình phá sản thành hai giai đoạn: giai đoạn quản lý và giai đoạn thanh lý Một công ty được coi là mất khả năng trả nợ khi tổng nợ đến hạn vượt quá 750 bảng Anh và không đáp ứng yêu cầu thanh toán từ chủ nợ trong vòng ba tuần Ngoài ra, công ty cũng được xem là không có khả năng trả nợ nếu tài sản hiện có nhỏ hơn nợ phải trả, điều này còn phụ thuộc vào tình trạng của các khoản nợ.
Luật phá sản ở Mỹ bao gồm hai hình thức chính: thanh lý tài sản để trả nợ và tái cơ cấu doanh nghiệp Theo chương 7, doanh nghiệp không đủ khả năng tái cấu trúc sẽ phải thanh lý tài sản, với thứ tự ưu tiên trả nợ từ các khoản có tài sản đảm bảo đến các khoản không có Trong khi đó, chương 11 cho phép các doanh nghiệp gặp khó khăn tài chính, nhưng có triển vọng, trình phương án tái cấu trúc để tiếp tục hoạt động và trả nợ, với sự giám sát chặt chẽ từ tòa án và chủ nợ cho đến khi hoàn thành nghĩa vụ.
Phá sản doanh nghiệp là tình trạng xảy ra khi một công ty không còn khả năng thanh toán các khoản nợ sau thời gian nhất định và bị tòa án tuyên bố phá sản Mặc dù quy định về phá sản khác nhau giữa các quốc gia, nhưng bản chất của nó đều phản ánh sự kết thúc trong vòng đời của doanh nghiệp, đồng thời là hiện tượng kinh tế tự nhiên trong quá trình cạnh tranh kinh doanh.
2.1.2 Dự báo phá sản doanhnghiệp
Dự báo phá sản doanh nghiệp là quá trình ước tính khả năng một công ty gặp khó khăn tài chính sẽ vỡ nợ trong tương lai, được thực hiện thông qua các lý thuyết và mô hình tài chính khác nhau Kỹ thuật này bắt đầu từ năm 1932 với nghiên cứu của Paul J FitzPatrick, người đã phân tích các công ty thành công và công ty phá sản để dự đoán xu hướng tài chính Những nghiên cứu ban đầu sử dụng phân tích đơn biến đã mở đường cho sự phát triển của các mô hình đa biến Hiện nay, nhờ vào sự tiến bộ của thuật toán máy học và học sâu, các mô hình dự báo phá sản ngày càng trở nên phức tạp và chính xác hơn.
Quá trình dự báo phá sản doanh nghiệp thường gặp phải những khó khăn như dữ liệu không đầy đủ hoặc không phù hợp, đặc biệt là ở các nước đang phát triển do hạn chế về thông tin Thách thức lớn nhất là lựa chọn mô hình dự báo phù hợp, vì mỗi loại mô hình có khả năng dự đoán phá sản khác nhau tùy thuộc vào ngành, công ty hoặc quốc gia.
Dự báo phá sản là mối quan tâm của nhiều đối tượng như nhà quản lý doanh nghiệp, nhà đầu tư, tổ chức tài chính và cơ quan hoạch định chính sách Việc nắm rõ tình trạng tài chính của doanh nghiệp giúp nhà quản lý đưa ra quyết định hiệu quả trong hoạt động kinh doanh Đồng thời, đánh giá rủi ro phá sản là cần thiết cho nhà đầu tư nhằm tránh tổn thất trong tương lai Các mô hình dự báo phá sản cũng đóng vai trò quan trọng trong việc xếp hạng và cấp tín dụng cho doanh nghiệp bởi các tổ chức tài chính.
Các mô hình dự báo phá sảndoanhnghiệp
Mô hình Z-score, được phát triển bởi giáo sư Edward I Altman vào năm 1968 tại trường kinh doanh Leonard N Stern, Đại học New York, dựa trên nghiên cứu sâu rộng về nhiều công ty tại Mỹ Phương pháp này đã chứng minh được tính hiệu quả và độ tin cậy cao, dẫn đến việc được áp dụng rộng rãi tại Mỹ và ngày càng được nhiều quốc gia khác sử dụng.
Giáo sư Altman đã tiến hành một nghiên cứu sử dụng dữ liệu tài chính và thị trường từ năm 1946 đến 1965 của 66 công ty cổ phần hóa trong ngành sản xuất Nghiên cứu chia các công ty thành hai nhóm: nhóm 1 gồm 33 công ty đã phá sản và nhóm 2 gồm 33 công ty vẫn hoạt động bình thường cho đến năm 1966, với các công ty trong nhóm 2 được chọn tương ứng theo cặp với nhóm 1 dựa trên quy mô tài sản Thêm vào đó, giáo sư Altman cũng thực hiện các thử nghiệm với dữ liệu của 25 doanh nghiệp khác và đạt được kết quả chính xác với xác suất lên đến 96%.
Công thức của mô hình Z-score như sau:
X1= Vốn lưu động / Tổng tài sản
X2= Lợi nhuận giữ lại / Tổng tài sản
X3= Lợi nhuận trước thuế và lãi vay / Tổng tài sản
X4= Giá trị thị trường của vốn chủ sở hữu / Nợ phải trả
X5= Doanh thu / Tổng tài sản
Các biến từ X1 đến X4 được biểu diễn bằng tỷ lệ phần trăm; ví dụ, nếu X1 = 10%, khi đưa vào mô hình, giá trị sẽ là X1 = 10 thay vì 0,1 Trong khi đó, biến X5 được giữ nguyên khi đưa vào mô hình Qua thời gian phát triển, mô hình đã được điều chỉnh để dễ áp dụng hơn, cho phép các biến giữ nguyên mà không cần chuyển đổi sang tỷ lệ phần trăm.
Cách phân loại doanh nghiệp theo Z
- Nếu Z > 2,99: Doanh nghiệp nằm trong vùng an toàn, tài chính lành mạnh, không phá sản.
- Nếu 1,8 < Z < 2,99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phásản.
Mô hình Altman có khả năng dự báo phá sản với độ chính xác 83% trong vòng 2 năm trước khi sự kiện xảy ra, nhưng độ chính xác sẽ giảm dần nếu khoảng thời gian kéo dài hơn 2 năm Nghiên cứu này cung cấp bằng chứng thực nghiệm mạnh mẽ, khẳng định tính hữu dụng của dữ liệu tài chính và dữ liệu thị trường trong việc dự đoán khả năng phá sản.
Giáo sư Altman đã tiếp tục nghiên cứu để khắc phục nhược điểm của mô hình và nâng cao độ chính xác trong dự báo Năm 1977, ông thực hiện nghiên cứu với dữ liệu tài chính và thị trường từ 111 công ty trong lĩnh vực sản xuất và bán lẻ, trong giai đoạn 1969-1975 Kết quả cho thấy, độ chính xác của mô hình trong dự báo từ 2 đến 5 năm trước khi phá sản gần đạt mức độ chính xác như dự báo 1 năm trước phá sản.
Trong quá trình nghiên cứu, giáo sư Altman phát hiện rằng các loại hình công ty khác nhau cho ra những kết quả dự báo khác nhau Mô hình Z-score được phát triển vào năm 1968 chỉ phù hợp với doanh nghiệp cổ phần hóa trong ngành sản xuất Vì vậy, giáo sư Altman đã phát triển nhiều công thức khác nhau từ mô hình ban đầu để áp dụng cho từng trường hợp cụ thể Đối với doanh nghiệp chưa cổ phần hóa trong ngành sản xuất, mô hình Z-score được cập nhật vào năm 1983 với dạng mới.
Cách phân loại doanh nghiệp theo Z’
- Nếu Z’ > 2,9: Doanh nghiệp nằm trong vùng an toàn, tài chính lành mạnh, không phá sản.
- Nếu 1,23 < Z’ < 2,9: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phásản.
Nếu chỉ số Z’ nhỏ hơn 1,23, doanh nghiệp đang ở trong vùng nguy hiểm và có nguy cơ phá sản cao Đặc biệt, đối với các doanh nghiệp thuộc nhóm phi sản xuất như bất động sản và tài chính, mô hình Z-score được áp dụng theo công thức năm 1995.
Cách phân loại doanh nghiệp theo Z”
- NếuZ”>2,6:Doanhnghiệpnằmtrongvùngantoàn,tàichínhlànhmạnh, không phá sản.
- Nếu 1,1 < Z” ≤ 2,6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phásản.
- Nếu Z” ≤ 1,1: Doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ phásản cao.
Mô hình Z-score (1995) có khả năng áp dụng rộng rãi cho nhiều ngành và loại hình doanh nghiệp khác nhau Công thức tính đã được điều chỉnh bằng cách loại bỏ biến số X5 (tỷ số doanh thu trên tổng tài sản) do sự khác biệt lớn giữa các ngành Chẳng hạn, tỷ số doanh thu trên tổng tài sản của ngành dịch vụ phần mềm thường thấp hơn so với ngành thương mại bán lẻ, vì vậy chỉ tiêu X5 không phù hợp cho tất cả các ngành.
Các biến số từ X1 đến X4 cho thấy sự khác biệt giữa các ngành nghề, với X1 của ngành sản xuất thường thấp hơn so với ngành thương mại, nhưng có thể tính bình quân bù trừ Trong mô hình Z-score (1983) và Z-score (1995), biến X4 được xác định bằng giá trị sổ sách của vốn chủ sở hữu trên nợ phải trả.
Mối quan hệ của các chỉ số X
Khi Tổng tài sản tăng, các chỉ số X1 đến X5 thường giảm, dẫn đến chỉ số Z cũng giảm theo Mặc dù Tổng tài sản tăng kéo theo Vốn lưu động và Doanh thu gia tăng, như khi mở thêm cửa hàng hoặc nhập hàng hóa lớn, nhưng việc tăng tài sản quá nhanh mà không dựa trên nhu cầu thực tế và không khai thác hiệu quả có thể gây ra tình trạng đầu tư dàn trải và hàng tồn kho lớn Điều này chắc chắn sẽ làm tăng mẫu số trong các công thức nhanh hơn so với tử số, dẫn đến việc chỉ số Z giảm xuống mức nguy hiểm.
Dựa trên các công thức tính chỉ số tài chính và phương trình Z, có thể rút ra những nhận xét quan trọng về quản trị nhằm nâng cao năng lực tài chính của công ty Những biện pháp này bao gồm việc tối ưu hóa các chỉ số tài chính, cải thiện quy trình quản lý và tăng cường khả năng dự báo tài chính, từ đó tạo điều kiện thuận lợi cho sự phát triển bền vững của doanh nghiệp.
Quản lý tài sản hiệu quả là yếu tố then chốt để nâng cao năng lực tài chính của doanh nghiệp Tổng tài sản lớn có thể tạo dựng hình ảnh và quy mô cho công ty, nhưng nếu không được khai thác hợp lý, nó có thể làm giảm khả năng tài chính và gia tăng nguy cơ phá sản, thể hiện qua chỉ số Z giảm Đầu tư vượt quá khả năng vốn chủ sở hữu có thể gia tăng nhanh chóng tổng tài sản, nhưng cũng có thể đẩy doanh nghiệp đến bờ vực khủng hoảng.
Trong giai đoạn 1990-2000, nhiều công ty mía đường, xi măng và cơ khí đã đầu tư lớn vào thiết bị nhưng lại khai thác công suất quá ít, dẫn đến tình trạng phá sản hoặc phải nhận sự hỗ trợ từ Chính phủ.
Nhiều công ty hiện nay có khả năng mua ô tô cho ban lãnh đạo nhưng lại chọn phương thức thuê dài hạn, điều này giúp giảm tài sản chưa cần thiết mặc dù có thể làm tăng chi phí Dưới góc độ chỉ số Z, việc đầu tư tài sản rất quan trọng; tiết giảm hợp lý tài sản cố định và hàng hóa tồn kho sẽ cải thiện đáng kể chỉ số Z Xu hướng thuê ngoài (Outsourcing) của các công ty lớn cũng nhằm giảm tài sản một cách hợp lý, qua đó nâng cao chỉ số Z.
Lợi nhuận giữ lại là nhân tố tăng chỉ số Z: Tăng lợi nhuận giữ lại cũng giúp tăng
Việc tăng vốn chủ sở hữu có thể dẫn đến việc giảm vay nợ, với khả năng tăng gấp đôi (X2) và thậm chí gấp bốn (X4) Do đó, nhiều công ty nhỏ trong giai đoạn tăng trưởng mạnh đã quyết định giữ lại phần lớn lợi nhuận để bổ sung vào nguồn vốn, nhằm tận dụng tầm quan trọng của nguồn vốn từ lợi nhuận giữ lại.
Tổng quan các nghiên cứu về các mô hình dự báo khả năng phá sảncủadoanhnghiệp
2.3.1 Tổng quan các công trình nghiên cứu nướcngoài
Aziz và Dar (2006) đã tiến hành phân tích 89 nghiên cứu liên quan đến dự báo phá sản doanh nghiệp trong khoảng thời gian từ 1968 đến 2003, nhằm đánh giá phương pháp luận và kết quả thực nghiệm của các mô hình dự báo này.
Mười quốc gia khác nhau, bao gồm Phần Lan, Na Uy, Thụy Điển, Bỉ, Anh, Ý, Hy Lạp, Mỹ, Hàn Quốc và Úc, đã áp dụng các mô hình phân tích phân biệt đa biến của Altman để đánh giá và phân tích các yếu tố tài chính quan trọng.
Trong số 89 bài báo được nghiên cứu, mô hình dự báo phá sản doanh nghiệp phổ biến nhất là mô hình Z-score (1968) và logit (Ohlson, 1980) Qua tổng quan các nghiên cứu quốc tế, có thể nhận thấy rằng các phương pháp dự báo phá sản chủ yếu được xây dựng dựa trên ba phương pháp chính: dựa vào sổ sách kế toán, dựa vào các yếu tố thị trường và dựa vào trí tuệ nhân tạo.
Nhiều mô hình dự báo phá sản đã được phát triển, trong đó nổi bật là các mô hình của Altman (1968), Ohlson (1980) và Zmijewski (1984), dựa trên các biến kế toán và kỹ thuật thống kê khác nhau Tỷ lệ chính xác của các mô hình này lần lượt là 80,6%, 93,8% và 95,3% (Avenhuis, 2013) Nghiên cứu của Elviani và cộng sự (2020) cho thấy mô hình Springate và Altman có độ chính xác cao hơn trong dự báo phá sản cho các công ty thương mại tại Indonesia Ngoài ra, Ashraf và cộng sự (2019) đã chỉ ra rằng các mô hình của Altman và Zmijewski phù hợp để dự đoán khó khăn tài chính ở các thị trường mới nổi, hỗ trợ các nhà quản trị và nhà đầu tư trong việc nâng cao hiệu quả kinh doanh.
Mô hình H-score của Fulmer, mặc dù không phổ biến như các mô hình khác, vẫn cho thấy tiềm năng dự báo khả quan trong một số nghiên cứu thực nghiệm Cụ thể, nghiên cứu của Mackevicius và Sneidere (2010) trên các nhóm ngành ở Latvia đã chỉ ra rằng mô hình này đạt tỷ lệ dự báo 83,6% cho ngành xây dựng, 81,2% cho ngành sản xuất và 90,55% cho ngành dịch vụ.
Các mô hình dự báo dựa vào sổ sách kế toán giúp phân biệt giữa các công ty phá sản và những công ty có tình hình tài chính ổn định, đặc biệt trong phân tích rủi ro phá sản doanh nghiệp Nhiều nghiên cứu đã áp dụng phương pháp này tại các quốc gia khác nhau, như nghiên cứu của Gu (2002) về các nhà hàng ở Mỹ, Pongsatat và cộng sự (2004) tại Thái Lan, Xu và Zhang (2009) ở Nhật Bản, và Monica cùng cộng sự (2012) tại Rumani Phương pháp này có ưu điểm là dữ liệu dễ thu thập từ báo cáo tài chính, cho kết quả chính xác cao và phù hợp với nhiều loại hình doanh nghiệp Tuy nhiên, một hạn chế của phương pháp là độ chính xác giảm khi thời gian dự báo kéo dài.
Phương pháp dự báo phá sản dựa vào nhân tố thị trường kết hợp cấu trúc đòn bẩy của công ty và giá trị thị trường của tài sản Nghiên cứu của Hillegeist và cộng sự (2004) cho thấy phương pháp này cung cấp thông tin đáng kể hơn về khả năng phá sản so với phương pháp dựa vào sổ sách kế toán Ngược lại, Reisz và Perlich (2007) cho rằng mô hình dựa vào sổ sách kế toán, như mô hình của Altman, có hiệu quả cao hơn trong việc dự báo một năm trước khi phá sản, nhưng hiệu quả giảm dần khi thời gian dự báo kéo dài.
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
Nghiên cứu của Shumway (2001) và Hillegeist cùng các cộng sự (2004) sử dụng dữ liệu từ các công ty niêm yết tại Mỹ cho thấy mô hình của Shumway hoạt động hiệu quả nhất, trong khi mô hình của Hillegeist cũng cho kết quả khả quan, còn mô hình của Ohlson có hiệu suất thấp hơn.
Mô hình của Zmijewski (1984) và Altman (1968) cho thấy hiệu suất khác nhau trong việc phân tích, với Zmijewski hoạt động tốt nhưng giảm dần theo thời gian, trong khi Altman lại hoạt động kém hơn so với bốn mô hình khác đã được nghiên cứu.
Phương pháp dự báo phá sản dựa vào nhân tố thị trường có cơ sở từ giả thuyết thị trường hiệu quả, nhưng lại chỉ áp dụng cho các công ty niêm yết và không bao gồm các công ty tư nhân (Berg, 2007) Do đó, phương pháp này tồn tại một số hạn chế nhất định.
Odom và Sharda (1990) đã xây dựng một mô hình trí tuệ nhân tạo nhằm dự đoán khả năng phá sản và so sánh độ chính xác phân loại với phương pháp phân tích biệt số MDA Nghiên cứu của họ khẳng định rằng trí tuệ nhân tạo có thể ứng dụng hiệu quả trong lĩnh vực dự báo phá sản.
Vào năm 1993, một nghiên cứu đã áp dụng mô hình trí tuệ nhân tạo để đánh giá tình trạng sức khỏe tài chính của doanh nghiệp Trí tuệ nhân tạo được sử dụng để phân tích dữ liệu nhằm phân biệt giữa các công ty có tình hình tài chính ổn định và những công ty có nguy cơ phá sản Kết quả cho thấy rằng phương pháp trí tuệ nhân tạo mang lại hiệu quả cao hơn so với phương pháp phân biệt số MDA.
Kể từ những năm 2000, phương pháp dự báo phá sản doanh nghiệp đã được cải tiến với sự xuất hiện của trí tuệ nhân tạo, bao gồm các kỹ thuật như mạng nơ-ron, giải thuật di truyền, logic mờ, máy vectơ hỗ trợ và các phương pháp phân loại tập hợp Nghiên cứu cho thấy các kỹ thuật học máy như mạng nơ-ron và máy vectơ hỗ trợ có khả năng dự báo và phân loại hiệu quả hơn so với các phương pháp truyền thống Tổng quan về ứng dụng các phương pháp thống kê và kỹ thuật máy học trong dự đoán phá sản có thể được tham khảo qua các nghiên cứu của Kumar và Ravi (2007) cũng như Lessmann và cộng sự.
Với sự tiến bộ của các thuật toán máy học và học sâu, các mô hình dự đoán khả năng phá sản doanh nghiệp hiện nay ngày càng trở nên phức tạp và đạt được độ chính xác cao hơn.
Các phương pháp dự báo phá sản doanh nghiệp được đề xuất bởi nhiều nhà nghiên cứu có những ưu điểm và hạn chế riêng Độ chính xác và tính phù hợp của các mô hình này phụ thuộc vào ngành nghề và quốc gia nghiên cứu (Etemadi và cộng sự, 2008).
2.3.2 Tổng quan các công trình nghiên cứu trongnước
Thu thậpsốliệu
Sốliệu được thu thậptừcác báo cáo tàichính giai đoạn 2017-2020 củacáccôngtyngành bất độngsảnniêmyếttrênSởgiao dịch chứngkhoán thànhphốHồChí Minh (HOSE)và
Sởgiaodịchchứng khoánHàNội(HNX).Sốliệu chọnmẫucó
Trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh có 56 công ty niêm yết, trong đó 43 công ty niêm yết, và 13 công ty niêm yết trên Sở Giao dịch Chứng khoán Hà Nội Bài viết này trình bày các tiêu chí chung áp dụng kỹ thuật lấy mẫu có chủ đích để tạo mẫu, được giới thiệu bởi Reni Yendrawati và cộng sự (2020) khi lựa chọn các tiêu chí của các công ty niêm yết trong lĩnh vực bất động sản và xây dựng trên thị trường chứng khoán Indonesia, với tổng số 224 quan sát được thu thập.
Mẫu được thu thập thông qua các tiêu chí sau:
1 Công ty hoạt động trong ngành bất độngsản.
2 Công ty đã công bố đầy đủ các báo cáo tài chính và niêm yết trong giai đoạn 2017 –2020
3 Công ty có năm tài chính kết thúc vào tháng12.
4 Công ty trìnhbàybáo cáo tài chính bằng đồng ViệtNam.
Bảng 3.1 Bảng các tiêu chí chọn mẫu nghiên cứu
STT Tiêu chí Số lƣợng
1 Công ty hoạt động trong ngành bất động sản 70
2 Công ty không có đầy đủ các báo cáo tài chính hoặc không niêm yết trong giai đoạn 2017 – 2020 (13)
3 Công ty không có năm tài chính kết thúc vào tháng 12 (1)
4 Công ty không trình bày báo cáo tài chính bằng đồng Việt
Mô hình Z-score Thu thập, tổng hợp dữ liệu từ các báo cáo tài chính
Tổng hợp kết quả dự báo của 2 mô hình
Kiểm định sự khác biệt trong khả năng dự báo của 2 mô hình
Phân tích và xử lýsốliệu
Dữ liệu được thu thập từ báo cáo tài chính của các công ty bất động sản niêm yết trên Sở giao dịch chứng khoán TP.HCM và Sở giao dịch chứng khoán Hà Nội trong giai đoạn 2017-2020 Một số tỷ số tài chính cần phải tính toán trung gian để có thể trích xuất từ báo cáo tài chính.
Vốn lưu động = Tài sản ngắn hạn – Nợ ngắn hạn
Lợi nhuận giữ lại = Lợi nhuận sau thuế - Cổ tức
Lợi nhuận trước thuế và lãi vay = Lợi nhuận trước thuế + Lãi vay
Giá trị thị trường của vốn chủ sở hữu = Giá cổ phiếu * Số lượng cổ phiếu đang lưu hành
Tài sản hữu hình = Tổng tài sản – Tài sản cố định vô hình
Quy trìnhnghiên cứu
Rút ra kết luận và kiến nghị
Hình 3.1 Quy trình nghiên cứu
Nghiên cứu được thực hiện bao gồm các bước sau đây:
Bước 1: Thu thập, tổng hợp dữ liệu từ báo cáo tài chính của các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam.
Bước 2: Áp dụng mô hình Z-score và H-score để tính toán chỉ số Z-score, H- score và đối chiếu phân loại kết quả dự báo.
Bước 3: Tổng hợp kết quả dự báo của 2 mô hình.
Bước 4: Kiểm định sự khác biệt trong khả năng dự báo của 2 mô hình.
Bước 5: Rút ra kết luận và kiến nghị.
Phương phápnghiêncứu
Nghiên cứu này áp dụng phương pháp định lượng với mô hình Z-score và H-score để dự báo khả năng phá sản của các công ty bất động sản niêm yết tại Việt Nam Dữ liệu được thu thập từ báo cáo tài chính và được phân tích bằng phần mềm Excel Tác giả tính toán Z-score và H-score để dự báo tình trạng phá sản, đồng thời so sánh với thực tế để đánh giá độ chính xác Sử dụng kiểm định Z-Test, nghiên cứu kiểm tra sự khác biệt trong khả năng dự báo của hai mô hình Kết quả nghiên cứu cung cấp những kết luận và kiến nghị hữu ích cho nhà quản trị, nhà đầu tư, và các tổ chức tài chính, nhấn mạnh tính khách quan và độ tin cậy cao của phương pháp định lượng dựa trên số liệu thực tế.
Mô hìnhnghiêncứu
Mô hình Z-score được phát triển qua ba giai đoạn: Mô hình Z-score năm 1968 dành cho các doanh nghiệp cổ phần hóa trong ngành sản xuất; Mô hình Z-score năm 1983 áp dụng cho các doanh nghiệp chưa cổ phần hóa trong ngành sản xuất; và Mô hình Z-score năm 1995 được sử dụng cho các doanh nghiệp thuộc nhóm phi sản xuất.
Mô hình Z-score, mặc dù được phát minh tại Mỹ, đã được kiểm nghiệm và áp dụng rộng rãi ở nhiều quốc gia, bao gồm cả các nền kinh tế phát triển và đang phát triển Các nghiên cứu trên mẫu các công ty vỡ nợ tại thị trường Mỹ cho thấy tính hiệu quả của mô hình này.
Z-score (1968) có khả năng dự báo bất ổn với tỷ lệ chính xác 94% vào thời điểm một năm trước phá sản, tỷ lệ giảm xuống còn khoảng 72% trong vòng hai năm Trong khi đó, tại các mẫu kiểm định ở thị trường mới nổi như Mexico, Thái Lan, độ tin cậy của mô hình Z-score (1995) đạt hơn 70% vào thời điểm hai năm trước khi doanh nghiệp kiệt quệ tài chính (Bảng 3.2).
Bảng 3.2 Độ chính xác của mô hình Z-score
Số năm trước khi thất bại
Mô hình Z-score (1968) áp dụng tại thị trường Mỹ 1964-1968
Mô hình Z-score (1968) áp dụng tại thị trường Mỹ 1997-1999
Mô hình Z-score (1995) áp dụng tại thị trườngMexico 1994-1998
Mô hình Z-score (1995) áp dụng tại thị trường Thái Lan 1995-1999
(Nguồn: Tổng hợp từ các nghiên cứu của Altman (1968, 2000) và Narayanan (1999))
Sau khi xem xét ba phiên bản của mô hình Z-score, tác giả đã quyết định sử dụng mô hình Z-score (1995) để dự báo phá sản cho các doanh nghiệp bất động sản niêm yết tại Việt Nam Việc loại bỏ biến X5 giúp mô hình này có độ chính xác cao trong việc đo lường rủi ro cho cả doanh nghiệp sản xuất và phi sản xuất Do nghiên cứu tập trung vào các doanh nghiệp bất động sản thuộc cả hai nhóm này, mô hình Z-score (1995) đáp ứng tốt mục tiêu nghiên cứu Hơn nữa, mô hình này đã được chứng minh là phù hợp với đặc điểm của thị trường mới nổi, bao gồm khả năng tiếp cận vốn hạn chế, quy mô nhỏ và rủi ro thanh khoản cao (Altman, 2000).
Công thức mô hình Z-score (1995) có dạng như sau:
X1= Vốn lưu động / Tổng tài sản
X2= Lợi nhuận giữ lại / Tổng tài sản
X3= Lợi nhuận trước thuế và lãi vay / Tổng tài sản
X4= Giá trị sổ sách của vốn chủ sở hữu / Nợ phải trả
Cách phân loại doanh nghiệp:
- Nếu Z” > 2,6: Doanh nghiệp nằm trong vùng an toàn, không phásản.
- Nếu 1,1 < Z” ≤ 2,6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phásản.
- Nếu Z” ≤ 1,1: Doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ phásản cao.
Công thức mô hình H-score có dạng như sau:
V1= Lợi nhuận giữ lại / Tổng tài sản
V2= Doanh thu / Tổng tài sản
V3= Lợi nhuận trước thuế và lãi vay / Vốn chủ sở hữu
V4= Dòng tiền từ hoạt động kinh doanh / Nợ phải trả
V5= Nợ phải trả / Tổng tài sản
V6= Nợ ngắn hạn / Tổng tài sản
V7= Logarit (Tài sản hữu hình)
V8= Vốn lưu động / Nợ phải trả
V9= Logarit (Lợi nhuận trước thuế và lãi vay / Lãi vay)
Sau khi tính toán chỉ số H, chúng ta sẽ đối chiếu kết quả dưới đây:
- Nếu H < 0: Doanh nghiệp có nguy cơ phásản.
3.5.3 Độchính xác của kết quả dựbáo
Mô hình dự báo được coi là chính xác khi kết quả dự đoán trùng khớp với thực tế Độ chính xác của mô hình trong việc dự báo tình trạng phá sản của các công ty được đánh giá qua tỷ lệ số lượng dự đoán đúng so với tổng số quan sát trong toàn bộ mẫu.
Công thức tính độ chính xác:
Số lượng dự báo đúng
Số lượng mẫu quan sát
Ngoài ra, nghiên cứu này cũng ước tính tỷ lệ phần trăm của lỗi phát sinh từ mô hình gồm có:
Lỗi loại I: Lỗi xảy ra khi mô hình dự báo kết quả phá sản nhưng thực tế công ty không phásản.
Lỗi loại II: Lỗi xảy ra khi mô hình dự báo kết quả không phá sản nhưng thực tế công ty phásản.
Công thức tính tỷ lệ lỗi:
Lỗi loại I = Số lượng dự báo đúng lỗi loại I x 100%
Số lượng mẫu quan sát
Lỗi loại II = Số lượng dự báo đúng lỗi loại II x 100%
Số lượng mẫu quan sát
