Ngoài mô hình Z-score 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 Z-score.
2.3.1. Một số phương pháp phân tích khác xây dựng mô hình nhận diện phá sản doanh nghiệp
2.3.1.1 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.
Trong nghiên cứu của Philippe du Jardin (2008), ông đã ứng dụng mô hình mạng thần kinh nhân tạo để dự đoán khả năng phá sản của các doanh nghiệp. Ông chọn mẫu là 500 doanh nghiệp tại Pháp để nghiên cứu. Đồng thời ông đã chọn một tập hợp gồm 41 tỷ lệ tài chính ban đầu có thể được chia thành sáu danh mục mô tả
tốt nhất hồ sơ tài chính một doanh nghiệp: tính thanh khoản, khả năng thanh toán, cơ cấu, lợi nhuận, hiệu quả và doanh thu. Kết quả nghiên cứu chỉ ra rằng tỷ lệ phân loại đúng gần bằng 80%. Đồng thời, ông cũng khẳng định rằng tỷ lệ này không tệ nếu có tính đến thực tế là các biến được rút ra một cách ngẫu nhiên.
2.3.1.2 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.
“Một nghiên cứu điển hình sử dụng phương pháp này là mô hình của Ohlson (1980). Từ mô hình phân tích phân biệt đa biến, Ohlson đã đưa ra các câu hỏi và đặc biệt quan tâm đến yêu cầu thống kê khắt khe được áp đặt lên mô hình. Để vượt qua giới hạn của mô hình phân tích phân biệt đa biến, Ohlson sử dụng thống kê hồi quy để dự báo sự thất bại của doanh nghiệp. Ông sử dụng mô hình hồi quy logistic và các doanh nghiệp Mỹ trong giai đoạn 1970-1976 để phát triển một ước tính về khả năng thất bại của các doanh nghiệp. Ông đánh giá rằng mô hình này vượt qua được những phê phán của MDA vốn yêu cầu sự giả định của phân phối thông thường của các nhà dự báo và chịu ảnh hưởng từ bản chất tùy nhiên của sự xác định các doanh nghiệp thất bại không phù hợp.”
“Bài nghiên cứu của Ông dựa vào quan sát từ 105 doanh nghiệp phá sản và 2.058 doanh nghiệp không bị phá sản trong lĩnh vực công nghiệp, giai đoạn từ 1970- 1976 mà đã giao dịch trên thị trường chứng khoán Mỹ ít nhất 3 năm. Ba mô hình được xây dựng gồm: mô hình thứ nhất là dự báo sự thất bại trong 1 năm, mô hình thứ hai là dự báo sự thất bại trong 2 năm, và mô hình thứ ba là dự báo sự thất bại trong 1 hoặc 2 năm. Sau đó Ohlson sử dụng phương pháp hồi quy Logistic để dự báo khả
năng phá sản của doanh nghiệp cho mỗi mô hình. Kết quả thực nghiệm cho thấy khả năng dự đoán chính xác của các mô hình là trên 90%. Việc phân loại doanh nghiệp dựa vào giá trị tính toán được của P (P là xác suất doanh nghiệp có nguy cơ phá sản). Nếu P>0.5 doanh nghiệp bị phân vào nhóm rủi ro, có nguy cơ phá sản và ngược lại.””
2.3.1.3. 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.