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 2.5. 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%
2 Logistic 79,8%
3 Cây quyết định 91,4%
4 Z-score 95%
Nguồn: David L. Olson, Dursun Delen, Yanyan Meng, 2011
Có thể thấy, các mô hình từ phương pháp Mạng thần kinh nhân tạo và Logistic có tỷ lệ phân loại ở mức thấp hơn (tỷ lệ phân loại chính xác chỉ khoảng 80%). Hai mô hình này có mức độ phù 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.