I. Cách ứng dụng mô hình Z Score Altman dự báo phá sản doanh nghiệp Việt Nam
Mô hình Z-Score Altman là một công cụ định lượng nổi tiếng toàn cầu trong việc dự báo phá sản. Tại Việt Nam, nơi thị trường tài chính đang phát triển nhanh nhưng thiếu hệ thống xếp hạng tín dụng chuẩn mực, việc áp dụng mô hình này mang lại giá trị thực tiễn cao. Nghiên cứu tốt nghiệp năm 2020 của sinh viên Trường Quốc tế – Đại học Quốc gia Hà Nội đã kiểm chứng khả năng dự báo khả năng phá sản của doanh nghiệp niêm yết tại Việt Nam thông qua mô hình Z-Score. Kết quả cho thấy, mô hình này có thể phân loại chính xác các doanh nghiệp có nguy cơ tài chính cao nếu được điều chỉnh phù hợp với đặc thù kinh tế - kế toán Việt Nam. Đặc biệt, Z-Score Altman giúp nhà đầu tư, ngân hàng và cơ quan quản lý phát hiện sớm các dấu hiệu suy giảm tài chính, từ đó đưa ra quyết định can thiệp kịp thời. Việc ứng dụng mô hình không chỉ hỗ trợ đánh giá rủi ro tín dụng mà còn nâng cao minh bạch thị trường tài chính.
1.1. Tổng quan về mô hình Z Score Altman và bối cảnh Việt Nam
Mô hình Z-Score do Edward Altman phát triển năm 1968 dựa trên phân tích biệt số đa biến (MDA). Ban đầu, nó được thiết kế cho các công ty sản xuất niêm yết tại Mỹ. Tại Việt Nam, đặc thù doanh nghiệp nhỏ, báo cáo tài chính chưa chuẩn hóa và thiếu hệ thống xếp hạng tín dụng khiến việc áp dụng nguyên bản gặp khó khăn. Tuy nhiên, nghiên cứu của Phạm Thị Thiên Thảo (2020) cho thấy, sau khi hiệu chỉnh các hệ số và ngưỡng phân loại, mô hình vẫn có độ chính xác đáng kể trong việc dự báo khả năng phá sản.
1.2. Lý do cần dự báo phá sản tại thị trường Việt Nam
Thị trường chứng khoán Việt Nam (HOSE, HNX) có hơn 1.500 doanh nghiệp niêm yết, nhưng cơ chế cảnh báo sớm rủi ro tài chính còn yếu. Nhiều doanh nghiệp rơi vào tình trạng mất khả năng thanh toán mà không có dấu hiệu cảnh báo rõ ràng. Việc thiếu công cụ định lượng như Z-Score Altman khiến nhà đầu tư dễ chịu tổn thất. Ngoài ra, hệ thống ngân hàng cũng cần công cụ đánh giá rủi ro tín dụng hiệu quả hơn để hạn chế nợ xấu – một trong những thách thức lớn của nền kinh tế Việt Nam.
II. Thách thức khi áp dụng Z Score Altman tại Việt Nam
Mặc dù mô hình Z-Score Altman được chứng minh hiệu quả toàn cầu, việc triển khai tại Việt Nam đối mặt với nhiều rào cản. Một trong những thách thức lớn nhất là tính minh bạch thông tin tài chính. Nhiều báo cáo tài chính doanh nghiệp chưa được kiểm toán độc lập hoặc có sai lệch do chuẩn mực kế toán khác biệt. Ngoài ra, cấu trúc tài chính của doanh nghiệp Việt Nam – đặc biệt là tỷ lệ nợ/vốn chủ sở hữu cao – không hoàn toàn phù hợp với giả định của mô hình gốc. Nghiên cứu của Phạm Thị Thiên Thảo (2020) chỉ ra rằng, khi áp dụng nguyên bản Z-Score cho 165 doanh nghiệp niêm yết, tỷ lệ phân loại sai lên tới 28%. Điều này cho thấy cần hiệu chỉnh mô hình theo đặc thù thị trường mới nổi như Việt Nam. Một thách thức khác là thiếu dữ liệu dài hạn và hệ thống xếp hạng tín dụng chuẩn quốc tế để so sánh và hiệu chuẩn kết quả.
2.1. Vấn đề minh bạch và chuẩn mực kế toán
Nhiều doanh nghiệp Việt Nam chưa áp dụng đầy đủ IFRS hoặc VAS một cách nhất quán. Điều này dẫn đến sai lệch trong các chỉ số tài chính đầu vào của Z-Score như lợi nhuận giữ lại/tổng tài sản (X2) hay EBIT/tổng tài sản (X3). Nếu dữ liệu đầu vào không đáng tin cậy, kết quả mô hình sẽ mất giá trị dự báo. Đây là rào cản lớn nhất đối với việc ứng dụng Z-Score Altman tại Việt Nam.
2.2. Khác biệt cấu trúc tài chính doanh nghiệp Việt
Doanh nghiệp Việt thường phụ thuộc nhiều vào vốn vay ngắn hạn và có tỷ lệ nợ phải trả/vốn chủ sở hữu cao hơn so với doanh nghiệp Mỹ – đối tượng ban đầu của mô hình. Điều này làm thay đổi ý nghĩa của biến X4 (giá trị sổ sách vốn chủ sở hữu/tổng nợ), khiến ngưỡng Z-score tiêu chuẩn (1.81–2.99) không còn phù hợp. Do đó, cần xây dựng ngưỡng Z-score riêng cho thị trường Việt Nam dựa trên dữ liệu thực tế.
III. Phương pháp hiệu chỉnh Z Score cho doanh nghiệp Việt Nam
Để ứng dụng Z-Score Altman tại Việt Nam hiệu quả, cần thực hiện hiệu chỉnh cả về công thức và ngưỡng phân loại. Nghiên cứu của Phạm Thị Thiên Thảo (2020) đề xuất sử dụng phiên bản Z’-score dành cho thị trường mới nổi, với công thức: Z’ = 0.717X1 + 0.847X2 + 3.107X3 + 0.420X4 + 0.998X5, trong đó X5 là doanh thu ròng/tổng tài sản. Tuy nhiên, do thiếu dữ liệu X5, nghiên cứu tập trung vào mô hình 4 biến. Qua kiểm định trên 165 doanh nghiệp niêm yết giai đoạn 2012–2019, ngưỡng Z-score hiệu chỉnh được xác định: Z < 1.23 – nguy cơ phá sản cao; 1.23 ≤ Z ≤ 2.55 – vùng xám; Z > 2.55 – an toàn tài chính. Việc hiệu chỉnh này giúp tăng độ chính xác phân loại lên 76%. Ngoài ra, cần kết hợp Z-Score với các chỉ số bổ trợ như ROA, ROE, tỷ lệ thanh toán hiện hành để có cái nhìn toàn diện hơn về sức khỏe tài chính doanh nghiệp.
3.1. Hiệu chỉnh công thức và hệ số biến số
Các biến số X1–X4 trong mô hình gốc được giữ nguyên, nhưng hệ số trọng số được điều chỉnh dựa trên hồi quy logistic trên mẫu doanh nghiệp Việt. Ví dụ, biến X3 (EBIT/tổng tài sản) có trọng số cao hơn do phản ánh tốt khả năng sinh lời – yếu tố then chốt tại thị trường mới nổi. Việc hiệu chỉnh này giúp mô hình phản ánh sát thực tế hơn.
3.2. Xác định ngưỡng Z score phù hợp với thị trường Việt
Ngưỡng tiêu chuẩn (1.81–2.99) không phù hợp do khác biệt về cơ cấu tài chính. Nghiên cứu đề xuất ngưỡng mới: Z < 1.23 – rủi ro cao; 1.23–2.55 – vùng xám; >2.55 – an toàn. Việc này giúp phân loại chính xác hơn các doanh nghiệp có nguy cơ mất khả năng thanh toán.
IV. Ứng dụng thực tiễn Trường hợp Công ty Bao bì Nhựa Sài Gòn SPP
Nghiên cứu áp dụng mô hình Z-Score hiệu chỉnh cho Công ty Cổ phần Bao bì Nhựa Sài Gòn (SPP) trong giai đoạn 2012–2019. Dữ liệu tài chính từ báo cáo kiểm toán cho thấy, Z-score của SPP dao động từ 1.8 đến 3.2. Năm 2015, Z-score giảm mạnh xuống 1.82 – nằm trong vùng xám, trùng với thời điểm doanh thu và lợi nhuận sụt giảm do cạnh tranh gia tăng. Tuy nhiên, từ 2017–2019, Z-score tăng ổn định trên 2.8, phản ánh sự phục hồi tài chính nhờ mở rộng thị trường và kiểm soát chi phí. Kết quả này chứng minh Z-Score Altman có thể phản ánh xu hướng tài chính thực tế của doanh nghiệp Việt. Ngoài ra, phân tích chi tiết các biến X1–X4 cho thấy vốn lưu động/tổng tài sản (X1) và lợi nhuận giữ lại/tổng tài sản (X2) là hai yếu tố biến động mạnh nhất, ảnh hưởng lớn đến điểm Z. Điều này giúp nhà quản trị xác định điểm yếu cốt lõi để cải thiện.
4.1. Diễn biến Z score của SPP qua các năm
Từ 2012–2014, Z-score SPP ổn định quanh 2.9. Năm 2015 giảm xuống 1.82 do EBIT/tổng tài sản (X3) sụt giảm. Từ 2017, Z-score tăng trở lại nhờ cải thiện lợi nhuận và cơ cấu nợ. Diễn biến này khớp với thực tế kinh doanh, chứng minh tính ứng dụng của mô hình.
4.2. Phân tích đóng góp của từng biến số tài chính
Biến X2 (lợi nhuận giữ lại/tổng tài sản) có ảnh hưởng lớn nhất đến Z-score SPP. Khi công ty thua lỗ, X2 âm, kéo điểm Z giảm mạnh. Điều này cho thấy khả năng tích lũy lợi nhuận là yếu tố sống còn với doanh nghiệp Việt trong dài hạn.
V. Hướng phát triển mô hình Z Score tại Việt Nam trong tương lai
Để Z-Score Altman trở thành công cụ phổ biến tại Việt Nam, cần cải thiện đồng bộ cả về hệ thống thông tin và khung pháp lý. Trước hết, minh bạch thông tin tài chính là điều kiện tiên quyết. Các doanh nghiệp niêm yết cần tuân thủ nghiêm ngặt chuẩn mực kế toán và kiểm toán độc lập. Thứ hai, cần xây dựng hệ thống xếp hạng tín dụng Việt Nam theo chuẩn quốc tế, trong đó Z-score có thể là một thành phần định lượng quan trọng. Thứ ba, Luật Phá sản cần được hoàn thiện để tạo cơ chế xử lý rủi ro hiệu quả, từ đó khuyến khích sử dụng công cụ dự báo sớm như Z-score. Cuối cùng, các trường đại học và tổ chức tài chính nên đưa mô hình này vào chương trình đào tạo và đánh giá rủi ro tín dụng. Nghiên cứu của Phạm Thị Thiên Thảo (2020) là bước khởi đầu quan trọng, nhưng cần nhiều nghiên cứu mở rộng trên quy mô lớn hơn và đa ngành hơn để khẳng định tính phổ quát của mô hình tại Việt Nam.
5.1. Cải thiện minh bạch và chuẩn hóa báo cáo tài chính
Bắt buộc kiểm toán độc lập cho tất cả doanh nghiệp niêm yết và áp dụng IFRS đầy đủ sẽ giúp dữ liệu đầu vào của Z-Score Altman đáng tin cậy hơn. Đây là nền tảng để mô hình phát huy hiệu quả.
5.2. Xây dựng hệ thống xếp hạng tín dụng quốc gia
Một hệ thống xếp hạng tín dụng chuẩn quốc tế, kết hợp Z-score, phân tích định tính và dữ liệu vĩ mô, sẽ giúp thị trường tài chính Việt Nam vận hành minh bạch và hiệu quả hơn, giảm rủi ro hệ thống.
