6
Giá trị điểm cắt (cutoff) của mô hình đƣợc trình bày chi tiết trong mục “3.2. Mô hình nghiên cứu”.
37
3.2. MÔ HÌNH NGHIÊN CỨU
Nhƣ đã trình bày trƣớc đó, nghiên cứu này đƣợc thực hiện với mục tiêu là đánh giá khả năng dự báo của mô hình dự báo sớm kiệt quệ tài chính đã đƣợc phát triển trên thế giới cho các doanh nghiệp Việt Nam, từ đó kiểm định mô hình dự báo kiệt quệ tài chính phù hợp cho các doanh nghiệp Việt Nam trong giai đoạn hiện nay.
Mô hình dự báo kiệt quệ tài chính đƣợc kế thừa và sử dụng trong nghiên cứu này, đó là: mô hình phân tích phân biệt Z-Score của Altman (1968, 1993, 1995), để thực hiện kiểm định đối với các doanh nghiệp Việt Nam.
Việc đánh giá khả năng dự báo của mô hình sẽ dựa trên “mức độ dự báo chính xác” (prediction accuracy) của mô hình, bao gồm 3 loại:
Mức độ dự báo chính xác kiệt quệ: là tỷ số của tổng số công ty đƣợc dự báo chính xác là kiệt quệ trên tổng số công ty kiệt quệ thực tế trong mẫu.
Mức độ dự báo chính xác không kiệt quệ: là tỷ số của tổng số công ty đƣợc dự báo chính xác là không kiệt quệ trên tổng số công ty không kiệt quệ thực tế trong mẫu.
Mức độ dự báo chính xác tổng thể: là tỷ số của tổng số công ty đƣợc dự báo chính xác (cả kiệt quệ và không kiệt quệ) trên tổng số công ty trong mẫu nghiên cứu.
Nguyên tắc kiểm định mô hình ở trên là dựa trên nguyên lý: (1) “mức độ dự báo chính xác tổng thể” là quan trọng nhất, (2) “mức độ dự báo chính xác kiệt quệ” là quan trọng hơn so với “mức độ dự báo chính xác không kiệt quệ”.
Đầu tiên, “mức độ dự báo chính xác tổng thể” là quan trọng nhất bởi vì đây là chỉ số cho thấy khả năng dự báo tổng thể của mô hình, bao gồm cho cả 2 tình trạng là kiệt quệ và không kiệt quệ, theo đó, dự báo tổng thể ít sai nhất sẽ là mô hình tốt nhất. Tiếp theo, “mức độ dự báo chính xác kiệt quệ” là quan trọng hơn so với “mức độ dự báo chính xác không kiệt quệ” bởi vì “sai lầm” trong việc không thể xác định một công ty là kiệt quệ (sai lầm loại I) sẽ gây ra chi phí cao hơn so với “sai lầm” trong việc không thể xác định một công ty là không kiệt quệ (sai lầm loại II). Cụ thể hơn, khi mô hình không thể nhận diện một công ty sắp lâm vào kiệt quệ (sai lầm loại I), điều này có nghĩa mô hình cho rằng công ty này là không kiệt quệ; từ đó, nhà đầu tƣ, ngân hàng, tổ
38
chức tín dụng sẽ đầu tƣ vào công ty này, tuy nhiên, sau đó công ty này bị kiệt quệ thật sự, và chi phí gây ra sẽ là bị mất lãi, gốc và vốn đầu tƣ. Ngƣợc lại, khi mô hình không thể nhận diện một công ty là không kiệt quệ (sai lầm loại II), điều này có nghĩa mô hình cho rằng công ty sẽ bị kiệt quệ; từ đó, nhà đầu tƣ, ngân hàng, tổ chức tín dụng sẽ không đầu tƣ vào công ty này, tuy nhiên, sau đó công ty này thực sự không bị kiệt quệ, và chi phí gây ra trong trƣờng hợp này chỉ là để mất lợi nhuận vì đã không chịu đầu tƣ. Diễn giải trên là nguyên nhân giải thích vì sao “mức độ dự báo chính xác kiệt quệ” là quan trọng hơn so với “mức độ dự báo chính xác không kiệt quệ”.