Giới thiệu dự án

Thị trường kinh tế toàn cầu và Việt Nam trong giai đoạn 2020–2023 chứng kiến nhiều biến động phức tạp do đứt gãy chuỗi cung ứng, suy thoái kinh tế sau đại dịch COVID-19 và áp lực lạm phát kéo theo sự gia tăng của mặt bằng lãi suất. Theo số liệu từ Tổng cục Thống kê (Bộ Kế hoạch và Đầu tư), chỉ riêng năm 2022, Việt Nam có tới 143.200 doanh nghiệp rút lui khỏi thị trường, tăng 25,8% so với năm 2021; trong đó bao gồm 73.800 doanh nghiệp tạm ngừng hoạt động có thời hạn (tăng 34,3%) và 18.600 doanh nghiệp hoàn tất thủ tục giải thể (tăng 11,2%). Tình trạng kiệt quệ tài chính và rủi ro phá sản (RRPS) của các doanh nghiệp niêm yết không chỉ gây thiệt hại vốn trực tiếp cho nhà đầu tư mà còn đe dọa an toàn hệ thống tài chính và thị trường chứng khoán (TTCK).

Vấn đề cốt lõi đặt ra là các phương pháp đánh giá rủi ro truyền thống dựa trên các chỉ số đơn lẻ thường thiếu khả năng dự báo tổng thể, dễ dẫn đến hiện tượng chẩn đoán sai lệch khi môi trường kinh tế vĩ mô biến động mạnh. Đồ án tập trung giải quyết bài toán: Xác định và lượng hóa mức độ tác động của các nhân tố vi mô và vĩ mô đến rủi ro phá sản của các doanh nghiệp phi tài chính niêm yết trên Sàn Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE).

                    MỤC TIÊU NGHIÊN CỨU & KẾ HOẠCH LƯỢNG HÓA
1. Hệ thống hóa cơ sở lý thuyết: Chuẩn hóa khung đo lường rủi ro phá sản bằng chỉ số Altman Z''-Score.
2. Xây dựng bộ dữ liệu bảng đa ngành: Thu thập 1.805 quan sát từ 361 doanh nghiệp niêm yết giai đoạn 2018–2022.
3. Kiểm định và khắc phục khuyết tật mô hình: Ứng dụng mô hình OLS, FEM, REM và hiệu chỉnh FGLS.
4. Đề xuất giải pháp quản trị: Thiết lập ngưỡng an toàn về đòn bẩy tài chính và thanh khoản ngắn hạn.

Phương pháp tiếp cận dựa trên mô hình định lượng hiện đại: sử dụng thang đo điểm số $Z''$-Score điều chỉnh của Altman & Hotchkiss (2010) làm biến phụ thuộc, kết hợp chuỗi dữ liệu bảng (Panel Data) 5 năm liên tiếp. Đồ án đưa ra các bằng chứng thực nghiệm chính xác, giúp lượng hóa mối quan hệ giữa năng lực sinh lời, đòn bẩy tài chính, tính thanh khoản và quy mô doanh nghiệp với nguy cơ kiệt quệ tài chính.

  • Phạm vi nghiên cứu: 361 doanh nghiệp thuộc 11 nhóm ngành phi tài chính (Bất động sản, Xây dựng & Vật liệu, Công nghiệp, Năng lượng, Bán lẻ, Y tế, CNTT, Viễn thông, Nông nghiệp, Hàng cá nhân & Gia dụng, Du lịch & Giải trí) niêm yết trên HOSE giai đoạn 2018–2022.
  • Giới hạn: Nghiên cứu không bao gồm các tổ chức tài chính, ngân hàng, công ty bảo hiểm và chứng khoán do đặc thù cấu trúc bảng cân đối kế toán khác biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước khi xây dựng mô hình, các phương pháp dự báo rủi ro phá sản kinh điển đã được tổng hợp và phân tích so sánh nhằm xác định công cụ phù hợp nhất với thị trường cận biên/mới nổi như Việt Nam:

Mô hình Tác giả & Năm Ưu điểm Nhược điểm Tính ứng dụng tại Việt Nam
Phân tích đơn biến Beaver (1966) Dễ tính toán, trực quan theo từng tỷ số tài chính đơn lẻ. Bỏ qua sự tương tác chéo giữa các chỉ số; dễ mâu thuẫn kết quả. Thấp, chỉ dùng để sàng lọc sơ bộ.
Mô hình Z-Score gốc Altman (1968) Tích hợp phân tích biệt thức đa biến (MDA), độ chính xác 82–94%. Chỉ áp dụng cho doanh nghiệp sản xuất niêm yết quy mô lớn tại Mỹ. Hạn chế do khác biệt chuẩn mực kế toán.
Mô hình O-Score Ohlson (1980) Sử dụng hồi quy Logistic/Logit, xác suất nhị phân trực quan ($P \in [0,1]$). Đòi hỏi dữ liệu chỉ số giá quốc dân (GNP) và phức tạp khi ước lượng. Trung bình, phụ thuộc chất lượng dữ liệu.
Mô hình $Z''$-Score điều chỉnh Altman & Hotchkiss (2010) Tối ưu hóa 4 tỷ số cốt lõi, áp dụng đa ngành và thị trường mới nổi. Cần điều chỉnh trọng số phù hợp với chu kỳ dòng tiền địa phương. Rất cao (Lựa chọn của đồ án).

Hệ thống yêu cầu phân tích dữ liệu được xây dựng theo chuẩn MoSCoW:

  • Must-have (Bắt buộc): Kiểm tra hiện tượng đa cộng tuyến (VIF), kiểm định phương sai sai số thay đổi (Modified Wald Test), kiểm định tự tương quan (Wooldridge Test).
  • Should-have (Cần có): Kiểm định Hausman để lựa chọn giữa Mô hình tác động cố định (FEM) và Mô hình tác động ngẫu nhiên (REM).
  • Could-have (Có thể có): Ước lượng Generalized Least Squares (GLS) để khử hoàn toàn khuyết tật phương sai thay đổi giữa các nhóm doanh nghiệp.
  • Won't-have (Không thực hiện): Đánh giá các biến số phi tài chính định tính chưa chuẩn hóa (như cấu trúc hội đồng quản trị, chỉ số ESG).

Thiết kế hệ thống

Kiến trúc quy trình xử lý dữ liệu và ước lượng kinh tế lượng được thiết kế theo luồng chuẩn hóa:

Technology Stack & Chuẩn dữ liệu

  • Phần mềm phân tích kinh tế lượng: Stata v16.0 (MP Core Engine).
  • Nền tảng cung cấp dữ liệu tài chính: FiinPro Platform v2.0 API (Dữ liệu Báo cáo tài chính kiểm toán và Báo cáo thường niên).
  • Dữ liệu kinh tế vĩ mô: World Bank Open Data API (Chỉ số tăng trưởng GDP Việt Nam 2018–2022).
  • Định dạng lưu trữ: Schema dữ liệu bảng cân bằng dạng Stata DTA (long-format panel dataset).

Thiết kế mô hình dữ liệu kinh tế lượng

Phương trình toán học tổng quát:

$$Z_{it} = \beta_0 + \beta_1 SIZE_{it} + \beta_2 ROA_{it} + \beta_3 CR_{it} + \beta_4 FL_{it} + \beta_5 FAR_{it} + \beta_6 RT_{it} + \beta_7 GDP_gr_{it} + c_i + u_{it}$$

Trong đó, biến phụ thuộc $Z''$-Score được xác định theo chuẩn Altman & Hotchkiss (2010):

$$Z'' = 6.56 X_1 + 3.26 X_2 + 6.72 X_3 + 1.05 X_4$$

  • $X_1 = \text{Vốn lưu động} / \text{Tổng tài sản}$
  • $X_2 = \text{Lợi nhuận giữ lại} / \text{Tổng tài sản}$
  • $X_3 = \text{EBIT} / \text{Tổng tài sản}$
  • $X_4 = \text{Vốn chủ sở hữu} / \text{Tổng nợ phải trả}$
  • Ngưỡng phân định: $Z'' > 2.6$ (Vùng an toàn); $1.1 \le Z'' \le 2.6$ (Vùng cảnh báo xám); $Z'' < 1.1$ (Vùng nguy cơ phá sản cao).

Methodology

Nghiên cứu áp dụng quy trình kiểm định kinh tế lượng 4 bước nghiêm ngặt:

  1. Thu thập và làm sạch: Thu thập 1.805 quan sát của 361 công ty liên tục trong 5 năm (2018–2022), loại bỏ các quan sát ngoại lai do sai lệch hạch toán.
  2. Hồi quy nền tảng OLS & Kiểm tra đa cộng tuyến: Đo lường tác động ban đầu, đánh giá hệ số phóng đại phương sai $VIF < 10$.
  3. Lựa chọn mô hình bảng (Panel Data Modeling): Sử dụng kiểm định Breusch-Pagan Lagrange Multiplier (LM) để kiểm tra hiệu ứng cá thể riêng biệt ($c_i$), sau đó dùng kiểm định Hausman ($\chi^2$) để chọn giữa FEM và REM.
  4. Kiểm định chẩn đoán và khắc phục khuyết tật: Thực hiện Modified Wald Test phát hiện phương sai sai số thay đổi và Wooldridge Test kiểm tra tự tương quan; áp dụng Feasible Generalized Least Squares (FGLS) để đảm bảo các ước lượng là Tuyến tính không chệch tốt nhất (BLUE).

Implementation và kết quả

Development process

Quá trình phân tích thực nghiệm được hiện thực hóa thông qua tập lệnh Stata (.do file) được thiết kế đồng bộ từ giai đoạn khai báo dữ liệu bảng đến hồi quy hiệu chỉnh:

* Khai báo cấu trúc Panel Data cho 361 doanh nghiệp trong 5 năm
encode Symbol, gen(Firm_ID)
xtset Firm_ID Year

* 1. Hồi quy Pooled OLS và kiểm định đa cộng tuyến
regress Z ROA FL SIZE GDP_gr RT CR FAR
estat vif

* 2. Kiểm định Breusch and Pagan LM cho hiệu ứng ngẫu nhiên
xttest0

* 3. Hồi quy Fixed Effects (FEM) & Random Effects (REM)
xtreg Z ROA FL SIZE GDP_gr RT CR FAR, fe
estimates store fixed_model
xtreg Z ROA FL SIZE GDP_gr RT CR FAR, re
estimates store random_model

* 4. Kiểm định Hausman lựa chọn mô hình tối ưu
hausman fixed_model random_model

* 5. Kiểm định khuyết tật mô hình FEM
xttest3          // Modified Wald test for groupwise heteroskedasticity
xtserial Z ROA FL SIZE GDP_gr RT CR FAR // Wooldridge test for autocorrelation

* 6. Hiệu chỉnh khuyết tật bằng FGLS (Cross-sectional heteroskedasticity)
xtgls Z ROA FL SIZE GDP_gr RT CR FAR, panels(heteroskedastic)

Testing và validation

Kết quả thực thi các kiểm định chẩn đoán kỹ thuật trên bộ dữ liệu 1.805 quan sát:

Kiểm định kỹ thuật Câu lệnh / Phương pháp Kết quả thống kê Giá trị p-value Kết luận kỹ thuật
Đa cộng tuyến estat vif Mean VIF = 1.16 (Max VIF = 1.42) N/A Không có hiện tượng đa cộng tuyến hoàn hảo giữa các biến.
Hiệu ứng riêng lẻ Breusch-Pagan LM (xttest0) $\bar{\chi}^2 = 172.00$ $p = 0.0000 < 0.05$ Tồn tại hiệu ứng đặc thù doanh nghiệp ($c_i \neq 0$), loại bỏ Pooled OLS.
Lựa chọn FEM/REM Hausman Test (hausman) $\chi^2(7) = 1461.00$ $p = 0.0000 < 0.05$ Bác bỏ $H_0$; Mô hình tác động cố định (FEM) phù hợp hơn REM.
Phương sai sai số Modified Wald Test (xttest3) $\chi^2(361) = 2.00 \times 10^5$ $p = 0.0000 < 0.05$ Mô hình FEM vi phạm giả định đồng nhất phương sai (Heteroskedasticity).
Tự tương quan Wooldridge Test (xtserial) $F(1, 360) = 0.4105$ $p = 0.4105 > 0.05$ Chấp nhận $H_0$; Mô hình không mắc khuyết tật tự tương quan bậc nhất.

Kết quả đạt được

Để khắc phục hiện tượng phương sai sai số thay đổi trong mô hình FEM, phương pháp ước lượng Feasible Generalized Least Squares (FGLS) được chỉ định là mô hình chuẩn mực cuối cùng. Thống kê kiểm định tổng quát đạt $\text{Wald } \chi^2(7) = 24.212,82$ ($p = 0.0000$), chứng minh toàn bộ mô hình đạt mức ý nghĩa thống kê $99%$.

                      MÔ HÌNH HỒI QUY FGLS HIỆU CHỈNH CUỐI CÙNG
Z = 2.6310 + 7.6570*ROA - 5.4500*FL - 0.1310*SIZE + 0.00375*RT + 1.7610*CR + 0.000547*FAR
    (0.000)***   (0.000)***   (0.000)***   (0.002)***    (0.024)**    (0.000)***   (0.089)*

*(Ghi chú: Giá trị trong ngoặc đơn biểu thị p-value. Dấu *, *, *** tương ứng với mức ý nghĩa 10%, 5%, 1%).

+---------------------------------------------------------------------------------------+
|                                PHÂN TÍCH HỆ SỐ HỒI QUY                                |
+---------------------------------------------------------------------------------------+
| 1. Khả năng sinh lời (ROA: beta = +7.6570, p < 0.001): Tác động cùng chiều mạnh nhất  |
|    đến điểm Z''-Score. Khi ROA tăng 1%, điểm Z'' tăng 0.07657 đơn vị.                  |
| 2. Đòn bẩy tài chính (FL: beta = -5.4500, p < 0.001): Tác động tiêu cực mạnh nhất.    |
|    Tỷ lệ nợ/tổng tài sản tăng 10% làm điểm Z'' giảm 0.545 đơn vị, đẩy DN vào vùng xám.|
| 3. Tỷ lệ thanh toán hiện hành (CR: beta = +1.7610, p < 0.001): Cải thiện khả năng     |
|    chi trả ngắn hạn giúp gia tăng đáng kể tấm đệm thanh khoản bảo vệ doanh nghiệp.    |
| 4. Quy mô tài sản (SIZE: beta = -0.1310, p = 0.002): Tại TTCK Việt Nam, quy mô phình  |
|    to quá nhanh do đòn bẩy nợ làm giảm hiệu quả giám sát, tăng nhẹ nguy cơ tổn thương.|
| 5. Vòng quay khoản phải thu (RT: beta = +0.00375, p = 0.024): Thu hồi công nợ nhanh  |
|    giúp bổ sung dòng tiền thực, giảm áp lực nợ vay ngắn hạn.                          |
| 6. Tỷ lệ tài sản cố định (FAR: beta = +0.000547, p = 0.089): Có ý nghĩa tích cực ở    |
|    mức 10%, phản ánh tài sản cố định tạo năng lực sản xuất thực cốt lõi.               |
| 7. Tăng trưởng GDP (GDP_gr: p > 0.10): Không có ý nghĩa thống kê trong mô hình FGLS   |
|    khi đã kiểm soát các đặc tính vi mô nội tại của doanh nghiệp.                      |
+---------------------------------------------------------------------------------------+

Đổi mới và đóng góp

  • Tính đại diện của dữ liệu đa ngành: Nghiên cứu bao phủ 361 doanh nghiệp thuộc 11 ngành kinh tế then chốt trên HOSE với 1.805 quan sát xuyên suốt thời kỳ biến động 2018–2022 (bao gồm trước, trong và sau đại dịch COVID-19), khắc phục độ trễ dữ liệu của các nghiên cứu trước đây vốn chỉ dừng ở giai đoạn ổn định trước 2017.
  • Giải pháp kinh tế lượng chuẩn xác: Thay vì dừng lại ở hồi quy Pooled OLS hoặc FEM thông thường (vốn bị sai lệch do phương sai sai số thay đổi $\chi^2 = 2.00 \times 10^5$), đề tài đã thực hiện ước lượng FGLS hiệu chỉnh (panels(heteroskedastic)), mang lại hệ số ước lượng có độ tin cậy đạt chuẩn mực học thuật quốc tế.
  • Lượng hóa chi tiết độ nhạy cảm của rủi ro: Khám phá vai trò mang tính quyết định của Đòn bẩy tài chính ($\beta = -5.450$) và Năng lực sinh lời ($\beta = +7.657$), chứng minh rằng trong điều kiện thị trường cận biên, quản trị an toàn vốn lưu động và dòng tiền nợ vay quan trọng hơn việc đơn thuần mở rộng quy mô tổng tài sản cơ học.

Ứng dụng thực tế và triển khai

Tình huống triển khai thực tế

+---------------------------------------------------------------------------------------+
|                             ỨNG DỤNG THỰC TẾ THEO ĐỐI TƯỢNG                           |
+---------------------------------------------------------------------------------------+
|                                                                                       |
|  [Hội đồng Quản trị & CFO]                                                            |
|  --> Thiết lập Hệ thống Cảnh báo Sớm (Early Warning System): Tự động tính toán        |
|      Z''-Score định kỳ hàng quý. Khi Z'' tiến gần ngưỡng 2.6, kích hoạt tái cấu trúc: |
|      * Hạ tỷ lệ Nợ/TTS (FL) xuống dưới 45%.                                           |
|      * Duy trì chỉ số thanh toán hiện hành (CR) >= 1.5.                               |
|      * Tối ưu vòng quay khoản phải thu (RT) thông qua thắt chặt hạn mức tín dụng.     |
|                                                                                       |
|  [Ngân hàng Thương mại & Tổ chức Tín dụng]                                            |
|  --> Tích hợp mô hình FGLS vào Khung Xếp hạng Tín dụng Nội bộ: Lượng hóa xác suất     |
|      vỡ nợ để định giá lãi suất vay theo rủi ro và xác định giá trị tài sản bảo đảm.  |
|                                                                                       |
|  [Nhà đầu tư & Quỹ Quản lý Tài sản]                                                   |
|  --> Bộ lọc An toàn Tài chính (Safety Screening): Loại bỏ các cổ phiếu có Z'' < 1.1   |
|      khỏi danh mục nắm giữ dài hạn, phòng ngừa rủi ro hủy niêm yết bắt buộc.          |
|                                                                                       |
+---------------------------------------------------------------------------------------+

Kế hoạch và Lộ trình Triển khai Hệ thống Giám sát Rủi ro

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Mẫu nghiên cứu mới tập trung trên sàn HOSE, chưa mở rộng sang sàn HNX và UPCoM. Giai đoạn nghiên cứu 5 năm (2018–2022) chưa bao gồm các số liệu điều chỉnh chính sách tiền tệ của năm 2023–2024.
  • Biến số nghiên cứu: Chưa tích hợp các yếu tố chất lượng quản trị doanh nghiệp (năng lực HĐQT, tỷ lệ sở hữu nhà nước, kiểm toán độc lập Big 4) và các chỉ số tài chính hành vi của nhà đầu tư.
  • Hướng mở rộng:
    1. Ứng dụng các thuật toán Học máy (Machine Learning) như Random Forest, XGBoost và LightGBM kết hợp SHAP values để dự báo rủi ro phá sản phi tuyến tính.
    2. Mở rộng tập dữ liệu cho toàn bộ hơn 1.600 doanh nghiệp đại chúng trên cả 3 sàn giao dịch chứng khoán Việt Nam.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------+
|                                ĐỐI TƯỢNG HƯỞNG LỢI                                    |
+---------------------------------------------------------------------------------------+
| 1. Sinh viên & Học viên Tài chính: Nắm vững phương pháp luận nghiên cứu thực nghiệm,  |
|    cách thức xử lý khuyết tật dữ liệu bảng trên phần mềm Stata 16 chuẩn mực.          |
| 2. Chuyên viên Phân tích Dữ liệu / Quant: Mô hình hóa toán học các chỉ số BCTC, cấu   |
|    thành bộ lọc rủi ro định lượng (Quantitative Risk Factor) trong giao dịch.         |
| 3. Doanh nghiệp & Nhà Quản trị: Nhận diện trực diện tác động tiêu cực của đòn bẩy nợ  |
|    cao (FL = -5.450) để chủ động điều tiết cấu trúc vốn trước khủng hoảng.             |
| 4. Nhà Nghiên cứu & Giảng viên: Khung tham chiếu cập nhật về các chỉ số tài chính tác  |
|    động đến nguy cơ phá sản của doanh nghiệp Việt Nam trong giai đoạn biến động mạnh. |
+---------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật về phần mềm và môi trường để tái lập nghiên cứu này là gì?

Cần cài đặt Stata phiên bản 15.0 trở lên (khuyến nghị Stata 16 MP để xử lý đa luồng) hoặc môi trường Python 3.9+ (với các thư viện pandas, statsmodels, linearmodels). Dữ liệu đầu vào yêu cầu BCTC định dạng chuẩn của tối thiểu 30 doanh nghiệp trong 3 năm liên tiếp để đảm bảo bậc tự do của kiểm định.

2. Tại sao chỉ số Z''-Score lại phù hợp hơn Z-Score gốc của Altman (1968) đối với thị trường Việt Nam?

Mô hình Z-Score gốc (1968) được xây dựng dựa trên mẫu các công ty sản xuất lớn tại Mỹ và phụ thuộc vào biến $X_4$ (Giá trị thị trường của vốn chủ sở hữu / Tổng nợ). Mô hình $Z''$-Score điều chỉnh (2010) thay thế bằng Giá trị sổ sách của vốn chủ sở hữu và hiệu chỉnh lại hệ số trọng số, cho phép áp dụng chuẩn xác cho cả khối ngành sản xuất, thương mại, dịch vụ tại các thị trường mới nổi như Việt Nam.

3. Làm thế nào để doanh nghiệp tích hợp mô hình này vào hệ thống báo cáo quản trị nội bộ?

Doanh nghiệp có thể nhúng trực tiếp công thức tính $Z''$-Score và các tỷ số thành phần vào phần mềm kế toán/ERP (như SAP, Oracle, Bravo) thông qua trigger database hoặc API, thiết lập ngưỡng kích hoạt cảnh báo tự động gửi email đến Ban Điều hành khi điểm Z rơi xuống dưới mức 2.6.

4. Chi phí triển khai hệ thống cảnh báo sớm rủi ro phá sản dựa trên mô hình là bao nhiêu?

Đối với doanh nghiệp đã có sẵn hệ thống ERP, chi phí triển khai module cảnh báo nội bộ chỉ bao gồm chi phí cấu hình dữ liệu và đào tạo (ước tính từ 50–100 triệu VNĐ). Lợi ích mang lại giúp doanh nghiệp kiểm soát nợ vay, tránh được nguy cơ tổn thất thanh khoản hàng chục tỷ đồng.

5. Tại sao biến tăng trưởng GDP không có ý nghĩa thống kê trong mô hình FGLS cuối cùng?

Khi sử dụng mô hình FGLS kiểm soát hoàn toàn hiệu ứng cố định theo từng doanh nghiệp và khắc phục phương sai sai số thay đổi, các yếu tố vi mô nội tại (năng lực sinh lời ROA, đòn bẩy nợ FL, thanh khoản CR) thể hiện vai trò chi phối tuyệt đối. Biến động vĩ mô GDP ảnh hưởng gián tiếp thông qua doanh thu và chi phí của doanh nghiệp thay vì tác động độc lập trực tiếp lên điểm số rủi ro phá sản.

Kết luận

Công trình nghiên cứu đã giải quyết trọn vẹn bài toán lượng hóa rủi ro phá sản của 361 doanh nghiệp niêm yết trên HOSE giai đoạn 2018–2022 thông qua quy trình kinh tế lượng đa biến nghiêm ngặt. Kết quả ước lượng FGLS khẳng định vai trò cốt lõi của việc duy trì năng lực sinh lời trên tài sản ($\beta = +7.657$) và kiểm soát nghiêm ngặt đòn bẩy tài chính ($\beta = -5.450$) trong việc ngăn ngừa nguy cơ kiệt quệ tài chính.

Đề tài cung cấp cơ sở khoa học và công cụ thực thi vững chắc cho các nhà quản trị doanh nghiệp, ngân hàng thương mại và nhà đầu tư trên thị trường chứng khoán Việt Nam trong việc chủ động nhận diện, phòng ngừa và quản trị rủi ro tài chính một cách bền vững.