Giới thiệu dự án
Khủng hoảng tài chính toàn cầu và các cú sốc kinh tế bất ổn – đặc biệt là đại dịch COVID-19 – đã tạo ra những áp lực chưa từng có lên sức khỏe tài chính của cộng đồng doanh nghiệp. Theo số liệu thống kê từ Tổng cục Thống kê và Bộ Kế hoạch & Đầu tư, chỉ riêng trong năm 2021, Việt Nam ghi nhận hơn 119,8 nghìn doanh nghiệp rút lui khỏi thị trường, tăng hơn 17% so với năm 2020. Tình trạng đứt gãy chuỗi cung ứng, suy giảm doanh thu và mất cân đối dòng tiền đã đẩy hàng loạt doanh nghiệp vào nguy cơ mất khả năng thanh toán nợ đến hạn (theo quy định tại Điều 4 Luật Phá sản 2014 là việc không thực hiện nghĩa vụ thanh toán trong thời hạn 03 tháng).
+---------------------------------------------------------------------------------------------------+
| BỐI CẢNH THỰC TIỄN & THÁCH THỨC ĐỊNH LƯỢNG |
| • 119.800+ DN rút lui khỏi thị trường (2021) do đứt gãy dòng tiền và kiệt quệ tài chính. |
| • Nhóm Small Cap (100 - 600 tỷ VNĐ) chịu rủi ro mất cân đối kỳ hạn và đòn bẩy tài chính cao. |
| • Thiếu hụt công cụ cảnh báo sớm rủi ro tín dụng chuẩn hóa cho thị trường cận biên (Frontier Mkt).|
+---------------------------------------------------------------------------------------------------+
Vấn đề đặt ra là phần lớn các doanh nghiệp quy mô nhỏ và vừa, đặc biệt là nhóm doanh nghiệp vốn hóa nhỏ (Small Cap / Penny từ 100 đến 600 tỷ đồng) niêm yết trên thị trường chứng khoán (TTCK) Việt Nam, có cấu trúc tài chính mỏng, mức độ đầu cơ cao và khả năng tiếp cận vốn tín dụng ngân hàng bị thắt chặt khi xảy ra khủng hoảng. Các bên liên quan (ngân hàng thương mại, nhà đầu tư cá nhân, cổ đông) thiếu một công cụ định lượng chuẩn hóa, khách quan để sàng lọc và phát hiện sớm các dấu hiệu kiệt quệ tài chính (financial distress).
Mục tiêu nghiên cứu và phát triển dự án
- Hệ thống hóa khung lý thuyết: Đánh giá cơ sở lý luận về rủi ro vỡ nợ, khả năng thanh toán và phân tích đa phân biệt (Multiple Discriminant Analysis - MDA).
- Triển khai mô hình Z"-Score điều chỉnh: Ứng dụng mô hình Emerging Market Score (EMS) của Altman & Hotchkiss (2006) trên tập dữ liệu thực tế tại Việt Nam.
- Thực nghiệm trên 600 quan sát: Tính toán 4 biến số tài chính cấu thành mô hình trên 120 doanh nghiệp thuộc 7 nhóm ngành trong giai đoạn 2017–2021.
- Kiểm định hiệu quả cảnh báo: Đối chiếu kết quả phân vùng rủi ro của mô hình với danh sách chứng khoán bị cảnh báo/kiểm soát thực tế bởi Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX).
- Đề xuất khuyến nghị chính sách: Xây dựng hệ thống giải pháp nâng cao an toàn tài chính cho doanh nghiệp, ngân hàng tài trợ vốn và cơ quan quản lý.
Phương pháp tiếp cận giải pháp tập trung vào mô hình Z"-Score điều chỉnh (EMS). Đây là biến thể tối ưu hóa từ mô hình Z-score gốc (1968), được thiết kế chuyên biệt cho các thị trường mới nổi (Emerging Markets) và cận biên (Frontier Markets), loại bỏ biến số vòng quay tài sản ($X_5$) để triệt tiêu độ lệch đặc thù ngành và thay thế giá trị thị trường bằng giá trị sổ sách của vốn chủ sở hữu ($X_4$).
Phạm vi nghiên cứu được giới hạn chặt chẽ trên 120 doanh nghiệp niêm yết có giá trị vốn hóa từ 100 đến 600 tỷ đồng trên sàn HOSE và HNX, thuộc 7 phân ngành phi tài chính: Xây dựng, Bất động sản, Khai khoáng, Tiện ích, Bán buôn, Bán lẻ, Vận tải và kho bãi. Mô hình không áp dụng cho ngành tài chính - ngân hàng (do cấu trúc bảng cân đối đặc thù) và khối sản xuất truyền thống.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Trong lịch sử quản trị rủi ro tài chính, nhiều mô hình toán học và thống kê đã được xây dựng nhằm định lượng xác suất kiệt quệ tài chính dựa trên dữ liệu báo cáo tài chính (BCTC) kiểm toán:
| Mô hình |
Tác giả & Năm |
Phương pháp luận |
Ưu điểm |
Nhược điểm |
| Đơn biến |
Beaver (1966) |
Phân tích phân vị đơn biến |
Đơn giản, dễ tính toán tỷ số đơn lẻ |
Dễ mâu thuẫn khi các chỉ số tài chính ngược chiều nhau |
| Z-Score |
Altman (1968) |
Phân tích đa phân biệt (MDA - 5 biến) |
Độ chính xác cao (78-94%), tích hợp đa chiều |
Chỉ áp dụng cho DN sản xuất niêm yết tại các nước phát triển |
| Z'-Score |
Altman (1983) |
MDA 5 biến (Giá trị sổ sách) |
Mở rộng cho DN sản xuất tư nhân chưa niêm yết |
Chưa áp dụng được cho ngành thương mại, dịch vụ phi sản xuất |
| O-Score |
Ohlson (1980) |
Hồi quy Logistic (Logit 9 biến) |
Cung cấp xác suất phá sản cụ thể ($0 \le P \le 1$) |
Đòi hỏi cỡ mẫu cực lớn và xử lý hồi quy phi tuyến tính phức tạp |
| Z"-EMS |
Altman & Hotchkiss (2006) |
MDA 4 biến điều chỉnh hằng số |
Tương thích thị trường mới nổi, đa ngành, liên thông chuẩn S&P |
Cần chuẩn hóa chất lượng số liệu kế toán đầu vào |
Phân tích yêu cầu hệ thống định lượng theo mô hình MoSCoW:
- Must have (Bắt buộc): Module trích xuất và tính toán tự động 4 chỉ số $X_1, X_2, X_3, X_4$; hệ số chặn và trọng số chuẩn hóa; phân loại 3 phân vùng rủi ro (An toàn, Vùng xám, Nguy cơ).
- Should have (Nên có): Phân tích so sánh chéo theo phân ngành, so sánh theo sàn giao dịch (HOSE vs HNX), biểu đồ hóa phân phối điểm số.
- Could have (Có thể có): Đối chiếu tự động với dữ liệu cảnh báo/kiểm soát vi phạm của UBCKNN.
- Won't have (Chưa hỗ trợ kỳ này): Tự động điều chỉnh trọng số riêng biệt hồi quy theo dữ liệu kinh tế vĩ mô Việt Nam.
+--------------------------------------------------------------------------------------------------+
| THÁCH THỨC KỸ THUẬT & GIẢI PHÁP TƯƠNG ỨNG |
| • Dữ liệu BCTC không đồng nhất đơn vị: Chuẩn hóa ETL pipeline về triệu VNĐ trước khi tính toán. |
| • Biến động đột biến của vốn lưu động: Áp dụng Winsorizing/kiểm tra giới hạn biên của tỷ số X1. |
| • Độ trễ công bố BCTC: Sử dụng BCTC kiểm toán năm tài chính liền kề để duy trì tính khách quan. |
+--------------------------------------------------------------------------------------------------+
Thiết kế hệ thống
Kiến trúc luồng xử lý và đánh giá rủi ro phá sản bằng mô hình Z"-Score điều chỉnh được thiết kế theo cấu trúc module:
Hàm phân biệt Z"-Score điều chỉnh (Altman & Hotchkiss, 2006):
$$Z'' = 3.25 + 6.56X_1 + 3.26X_2 + 6.72X_3 + 1.05X_4$$
Trong đó:
- $X_1 = \frac{\text{Working Capital}}{\text{Total Assets}} = \frac{\text{Tài sản ngắn hạn} - \text{Nợ ngắn hạn}}{\text{Tổng tài sản}}$: Đo lường thanh khoản ròng.
- $X_2 = \frac{\text{Retained Earnings}}{\text{Total Assets}} = \frac{\text{Lợi nhuận sau thuế chưa phân phối lũy kế}}{\text{Tổng tài sản}}$: Đo lường khả năng tự tài trợ và tích lũy vốn.
- $X_3 = \frac{\text{EBIT}}{\text{Total Assets}} = \frac{\text{Lợi nhuận trước thuế và chi phí lãi vay}}{\text{Tổng tài sản}}$: Đo lường hiệu quả sinh lời cốt lõi từ tài sản, loại trừ tác động đòn bẩy và thuế.
- $X_4 = \frac{\text{Book Value of Equity}}{\text{Total Liabilities}} = \frac{\text{Vốn chủ sở hữu theo sổ sách kế toán}}{\text{Tổng nợ phải trả}}$: Đo lường mức độ đòn bẩy tài chính và cấu trúc vốn.
Technology Stack sử dụng trong nghiên cứu:
- Engine tính toán: Python 3.10 / Pandas 1.5.3 / NumPy 1.24.2.
- Xử lý dữ liệu định lượng: Microsoft Excel 365 (Data Analysis Toolkit).
- Trực quan hóa dữ liệu: Microsoft Power BI Desktop (Version 2.110) & Matplotlib 3.7.1.
- Nguồn cấp dữ liệu: Vietstock Finance API & Cổng công bố thông tin Ủy ban Chứng khoán Nhà nước (UBCKNN).
Methodology
Quy trình nghiên cứu kết hợp giữa phương pháp định tính (phân loại chính sách, tổng thuật lý thuyết tài chính doanh nghiệp) và định lượng thực nghiệm (thống kê mô tả, phân tích đa biến MDA trên chuỗi dữ liệu bảng - Panel Data).
Kế hoạch triển khai được thực hiện qua 4 giai đoạn chính:
- Thu thập & Sàng lọc (Milestone 1): Lọc 120 DN đạt chuẩn vốn hóa $100 - 600$ tỷ VNĐ trên HOSE và HNX, trích xuất dữ liệu BCTC 5 năm (2017–2021).
- Chuẩn hóa & Tính toán chỉ số (Milestone 2): Xây dựng bảng ma trận 600 dòng quan sát cho 4 biến $X_1, X_2, X_3, X_4$.
- Định lượng điểm số & Phân lớp rủi ro (Milestone 3): Chạy mô hình tính toán điểm $Z''$ và phân loại theo 3 ngưỡng biên: Safe ($Z'' > 5.85$), Grey ($4.15 \le Z'' \le 5.85$), Distress ($Z'' < 4.15$).
- Kiểm định & Khuyến nghị (Milestone 4): Đánh giá độ nhạy mô hình qua ma trận nhầm lẫn (Confusion Matrix) với dữ liệu cảnh báo thực tế từ các Sở giao dịch.
Implementation và kết quả
Development process
Quá trình thu thập và tính toán số liệu được tự động hóa thông qua đoạn mã Python chuẩn hóa dữ liệu tài chính và thực thi thuật toán phân loại rủi ro:
import numpy as np
import pandas as pd
def calculate_adjusted_z_score(df: pd.DataFrame) -> pd.DataFrame:
"""
Tính toán chỉ số Z''-Score điều chỉnh (Altman & Hotchkiss, 2006)
cho các doanh nghiệp thị trường mới nổi (EMS).
Yêu cầu các cột trong DataFrame:
- CA: Current Assets (Tài sản ngắn hạn)
- CL: Current Liabilities (Nợ ngắn hạn)
- TA: Total Assets (Tổng tài sản)
- RE: Retained Earnings (Lợi nhuận giữ lại/LNST chưa phân phối)
- EBIT: Earnings Before Interest and Taxes
- BV_Equity: Book Value of Total Equity (Vốn chủ sở hữu)
- TL: Total Liabilities (Tổng nợ phải trả)
"""
# 1. Tính toán 4 tỷ số tài chính thành phần
df['X1'] = (df['CA'] - df['CL']) / df['TA']
df['X2'] = df['RE'] / df['TA']
df['X3'] = df['EBIT'] / df['TA']
df['X4'] = df['BV_Equity'] / df['TL']
# 2. Thực thi phương trình hồi quy Z''-Score điều chỉnh
df['Z_double_prime'] = (
3.25 +
(6.56 * df['X1']) +
(3.26 * df['X2']) +
(6.72 * df['X3']) +
(1.05 * df['X4'])
)
# 3. Phân loại vùng an toàn tài chính theo ngưỡng Altman
conditions = [
(df['Z_double_prime'] > 5.85),
(df['Z_double_prime'] >= 4.15) & (df['Z_double_prime'] <= 5.85),
(df['Z_double_prime'] < 4.15)
]
zones = ['Safe Zone (An toàn)', 'Grey Zone (Vùng xám)', 'Distress Zone (Nguy cơ)']
df['Risk_Classification'] = np.select(conditions, zones, default='Unknown')
return df
Testing và validation
Hiệu quả cảnh báo rủi ro của mô hình được kiểm định bằng phương pháp đối chiếu ma trận kết quả với danh sách chứng khoán bị cảnh báo/kiểm soát thực tế trên sàn HOSE và HNX giai đoạn 2017–2021 (tổng cộng 600 quan sát):
+---------------------------------------------------------------------------------------------------+
| MA TRẬN ĐỐI CHIẾU MÔ HÌNH Z'' ĐIỀU CHỈNH VÀ THỰC TẾ GIAO DỊCH SÀN CHỨNG KHOÁN |
+------------------------------------+--------------------------+-----------------------------------+
| Phân loại theo Mô hình Z'' | Thuộc diện Cảnh báo/ | Giao dịch Bình thường |
| | Kiểm soát thực tế (50 QS)| (550 QS) |
+------------------------------------+--------------------------+-----------------------------------+
| Vùng An toàn (Z'' > 5.85) | 29 quan sát | 460 quan sát |
| Vùng Xám (4.15 <= Z'' <= 5.85) | 11 quan sát | 78 quan sát (Cảnh báo sớm) |
| Vùng Nguy cơ (Z'' < 4.15) | 10 quan sát | 12 quan sát (Cảnh báo sớm) |
+------------------------------------+--------------------------+-----------------------------------+
Phân tích ma trận đánh giá:
- Độ chính xác vùng bình thường: Mô hình phân loại chính xác 460/550 quan sát bình thường vào Vùng An toàn (tỷ lệ tương thích đạt 83.6%).
- Khả năng nhận diện rủi ro: Trong 50 quan sát thực tế bị cảnh báo/kiểm soát, mô hình đưa 21 trường hợp vào Vùng Xám và Vùng Nguy cơ (tỷ lệ phát hiện 42.0%).
- Giá trị cảnh báo sớm: Có 90 quan sát đang giao dịch bình thường trên sàn nhưng bị mô hình gán nhãn Vùng Xám (78 trường hợp) và Nguy cơ (12 trường hợp, ví dụ như mã UNI năm 2021 đạt $Z'' = 2.89$, VXB năm 2020 đạt $Z'' = 1.92$), đưa ra tín hiệu cảnh báo trước cho nhà đầu tư trước khi doanh nghiệp bị HOSE/HNX xử lý vi phạm hành chính.
- Phân tích sai lệch biên (29 quan sát An toàn nhưng bị Cảnh báo): Nguyên nhân chủ yếu xuất phát từ: (1) Doanh nghiệp bị cảnh báo do vi phạm nghĩa vụ công bố thông tin (như KSQ năm 2020 có $Z'' = 107.48$ do vốn chủ quá lớn dù bị phạt hành chính); (2) Các chỉ tiêu vốn ($X_1, X_4$) bù đắp cho lỗ hoạt động ngắn hạn ($X_2, X_3 < 0$).
Kết quả đạt được
Phân tích biến thiên trung bình của 4 chỉ số thành phần qua các năm trên toàn bộ mẫu nghiên cứu:
| Chỉ số |
2017 |
2018 |
2019 |
2020 |
2021 |
Trung bình 5 năm |
Ý nghĩa tài chính |
| $X_1$ (WC/TA) |
0.262 |
0.284 |
0.258 |
0.221 |
0.291 |
0.263 |
Đáy thanh khoản rơi vào 2020 do giãn cách xã hội |
| $X_2$ (RE/TA) |
0.051 |
0.058 |
0.048 |
0.029 |
0.035 |
0.044 |
Khả năng tích lũy lợi nhuận giảm mạnh gần 40% năm 2020 |
| $X_3$ (EBIT/TA) |
0.071 |
0.082 |
0.073 |
0.049 |
0.068 |
0.069 |
Khả năng sinh lời cốt lõi chạm đáy năm 2020 |
| $X_4$ (BV/TL) |
2.923 |
3.619 |
3.670 |
3.201 |
3.582 |
3.399 |
DN chủ động giảm nợ vay dài hạn để giảm áp lực lãi |
Biến thiên chỉ số Z"-Score điều chỉnh theo nhóm ngành (2017–2021):
| Nhóm ngành |
2017 |
2018 |
2019 |
2020 |
2021 |
Đánh giá an toàn |
| Bán buôn |
8.54 |
10.21 |
10.45 |
9.88 |
16.55 |
Tăng trưởng vượt bậc cuối kỳ nhờ mở cửa kinh tế |
| Bán lẻ |
8.12 |
11.45 |
18.23 |
8.34 |
7.68 |
Biến động mạnh; suy giảm mạnh trong đại dịch |
| Khai khoáng |
13.58 |
12.89 |
13.12 |
9.45 |
11.20 |
Chịu tác động lớn do giá nguyên liệu giảm năm 2020 |
| Tiện ích |
8.21 |
8.45 |
8.10 |
8.35 |
8.12 |
Ổn định nhất toàn thị trường ($Z'' \approx 8.2$) |
| Vận tải & Kho bãi |
13.61 |
14.67 |
14.20 |
12.26 |
13.32 |
An toàn cao nhất ($X_4 \approx 6.0$, vốn chủ gấp 6 lần nợ) |
| Xây dựng |
7.82 |
8.54 |
8.12 |
7.65 |
7.74 |
Nhạy cảm dòng tiền, $X_1$ cao nhưng $X_2$ âm năm 2021 |
| Bất động sản |
7.10 |
7.89 |
7.65 |
7.42 |
7.09 |
Điểm số thấp nhất nhóm mẫu, phụ thuộc đòn bẩy |
So sánh tương quan giữa hai sàn giao dịch:
- Sàn HOSE: Doanh nghiệp duy trì tỷ lệ vốn lưu động ròng ($X_1$) và năng lực sinh lời ($X_3$) vượt trội, nhưng mức độ sử dụng đòn bẩy nợ cao hơn. Tỷ lệ an toàn trung bình 5 năm đạt 81.4%.
- Sàn HNX: Doanh nghiệp ưu tiên phòng thủ bằng cấu trúc vốn chủ sở hữu lớn ($X_4 > 4.0$), giảm thiểu tối đa đòn bẩy vay nợ ngân hàng. Tỷ lệ an toàn trung bình đạt 80.3%.
Đổi mới và đóng góp
-
Cải tiến cấu trúc mô hình cho thị trường cận biên:
- Khác với mô hình Z-score 1968 đòi hỏi tỷ số $X_5$ (Doanh thu / Tổng tài sản) và giá trị vốn hóa thị trường của cổ phiếu trong $X_4$, mô hình Z"-EMS 2006 loại bỏ hoàn toàn $X_5$. Điều này loại trừ sai lệch gây ra bởi đặc thù vòng quay tài sản rất khác biệt giữa ngành dịch vụ, thương mại và khai thác.
- Việc sử dụng giá trị sổ sách của vốn chủ sở hữu trong $X_4$ giúp phản ánh chính xác nội lực bảng cân đối, tránh hiện tượng định giá ảo do tình trạng đầu cơ của dòng tiền trên thị trường chứng khoán mới nổi.
-
Chuẩn hóa thang đo liên thông xếp hạng tín dụng quốc tế:
- Hệ số chặn $3.25$ trong mô hình EMS được thiết kế để chuẩn hóa phân vị điểm số tương đương với hệ thống xếp hạng trái phiếu của Standard & Poor's (S&P), thiết lập cầu nối giữa phương pháp định lượng phân tích thống kê và phương pháp đánh giá chuyên gia tín dụng.
-
Đóng góp dữ liệu thực nghiệm phân khúc Small Cap tại Việt Nam:
- Đồ án là công trình tiên phong đánh giá chuyên sâu và toàn diện trên 120 doanh nghiệp quy mô vốn hóa nhỏ ($100 - 600$ tỷ VNĐ). Nghiên cứu chỉ ra rằng phân khúc Small Cap tại Việt Nam có hệ số an toàn vốn thực tế khá cao (với tỷ lệ nợ/vốn chủ thấp hơn các doanh nghiệp Big Cap do khó tiếp cận tín dụng lớn), giúp các nhà hoạch định chính sách có góc nhìn chính xác, xóa bỏ định kiến rằng toàn bộ cổ phiếu Penny đều có nguy cơ phá sản cao.
Ứng dụng thực tế và triển khai
+----------------------------------------------------------------------------------------------------+
| ỨNG DỤNG MÔ HÌNH Z'' ĐIỀU CHỈNH TRONG THỰC TIỄN TÀI CHÍNH |
| |
| [Ngân hàng Thương mại] ---> Thẩm định tín dụng sơ bộ & Giám sát nợ tự động theo quý. |
| [Quỹ & Nhà đầu tư] ---> Lọc danh mục cổ phiếu Small Cap, loại bỏ bẫy giá trị (Value Trap). |
| [Giám đốc Tài chính CFO] ---> Tối ưu vốn lưu động (Working Capital) & Cấu trúc đòn bẩy nợ. |
+----------------------------------------------------------------------------------------------------+
Các kịch bản triển khai cụ thể
- Kịch bản 1: Hệ thống xếp hạng tín dụng nội bộ tại Ngân hàng Thương mại:
- Tích hợp công thức Z"-EMS vào Core Banking hoặc hệ thống LOS (Loan Origination System).
- Định kỳ mỗi quý, khi khách hàng doanh nghiệp nộp BCTC, hệ thống tự động tính điểm $Z''$. Các doanh nghiệp rơi vào Vùng Xám ($Z'' < 5.85$) sẽ bị hạ hạn mức tín dụng tín chấp và chuyển sang diện kiểm soát dòng tiền giải ngân nghiêm ngặt.
- Kịch bản 2: Bộ lọc rủi ro trong Quản lý danh mục đầu tư chứng khoán:
- Nhà đầu tư cá nhân và tổ chức sử dụng mô hình để tầm soát hơn 1.600 cổ phiếu trên sàn, lọc bỏ các doanh nghiệp có nguy cơ kiệt quệ tài chính trước khi áp dụng các bộ lọc định giá P/E, P/B.
- Kịch bản 3: Tự kiểm toán an toàn tài chính nội bộ cho Doanh nghiệp:
- Giúp CFO và Ban Giám đốc chủ động cân đối 4 biến số: quản trị kỳ thu tiền và hàng tồn kho để tăng $X_1$, điều tiết chính sách chia cổ tức để duy trì $X_2$, tinh giản chi phí cố định để tối ưu $X_3$, và tái cơ cấu nợ vay ngắn/dài hạn để bảo vệ $X_4$.
Lộ trình triển khai hệ thống quản trị rủi ro tự động hóa
Tháng 1-2: Xây dựng Data Pipeline thu thập BCTC tự động từ UBCKNN/HOSE/HNX.
Tháng 3-4: Triển khai Module tính toán 4 tỷ số và bảng điểm Z''-Score trên cơ sở dữ liệu.
Tháng 5: Tích hợp hệ thống cảnh báo tự động qua Email/Dashboard cho Ban Quản trị Rủi ro.
Tháng 6+: Mở rộng tập mẫu sang toàn bộ cổ phiếu Mid Cap và Large Cap trên thị trường.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật
- Trọng số chưa được nội địa hóa: Mô hình sử dụng trọng số gốc của Altman & Hotchkiss (2006) ước lượng trên thị trường quốc tế, chưa tiến hành hồi quy đa biến lại (Re-estimation) trên dữ liệu chuỗi thời gian của riêng các doanh nghiệp Việt Nam.
- Quy mô mẫu nghiên cứu: Nghiên cứu giới hạn ở 120 doanh nghiệp Small Cap ($100 - 600$ tỷ VNĐ). Mặc dù có tính đại diện cho phân khúc này, kết quả chưa bao quát hết nhóm doanh nghiệp lớn (Large Cap) hoặc nhóm doanh nghiệp chưa niêm yết (UPCoM và khối DNNVV tư nhân).
- Phụ thuộc vào chất lượng công bố thông tin: Mô hình giả định BCTC kiểm toán phản ánh trung thực tình hình tài chính. Khi doanh nghiệp thực hiện các thủ thuật "xào nấu" sổ sách (Earnings Management) hoặc bị cảnh báo do lỗi hành chính, điểm số Z" sẽ xuất hiện độ lệch nhất định.
Hướng phát triển trong tương lai
- Ứng dụng các thuật toán học máy phân loại (Machine Learning Classification) như Random Forest, XGBoost và Mạng nơ-ron nhân tạo (ANN) kết hợp với các biến số phi tài chính (trình độ ban điều trị, uy tín công ty kiểm toán, lịch sử vi phạm thuế) để tối ưu hóa độ chính xác dự báo.
- Mở rộng xây dựng bộ chỉ số phân ngành chi tiết (Sector-specific Credit Scoring Model) cho từng lĩnh vực đặc thù như Bất động sản và Xây dựng hạ tầng.
Đối tượng hưởng lợi
+----------------------------------------------------------------------------------------------------+
| MA TRẬN ĐỐI TƯỢNG HƯỞNG LỢI & GIÁ TRỊ THỰC TIỄN |
+----------------------+-----------------------------------------------------------------------------+
| Nhóm đối tượng | Giá trị thực tiễn & Lợi ích định lượng |
+----------------------+-----------------------------------------------------------------------------+
| Sinh viên & Học viên | Cung cấp khung phương pháp luận chuẩn mực về nghiên cứu định lượng BCTC; |
| Tài chính | tài liệu mẫu về ứng dụng phân tích thống kê đa biến trong ngân hàng. |
+----------------------+-----------------------------------------------------------------------------+
| Nhà phát triển & | Đoạn mã nguồn Python chuẩn hóa tính toán Z''-Score; thuật toán phân vùng |
| Fintech Engineers | dữ liệu sẵn sàng tích hợp vào các nền tảng phân tích tài chính/Robo-advisor.|
+----------------------+-----------------------------------------------------------------------------+
| Định chế Tài chính & | Cung cấp công cụ sàng lọc khách hàng doanh nghiệp độc lập, giảm thiểu rủi ro|
| Ngân hàng TM | nợ xấu tiềm ẩn và tiết kiệm chi phí thẩm định tín dụng ban đầu. |
+----------------------+-----------------------------------------------------------------------------+
| Doanh nghiệp | Khung tham chiếu 4 chỉ tiêu cốt lõi giúp CFO hoạch định cơ cấu vốn, |
| Niêm yết | kiểm soát rủi ro thanh khoản và duy trì niềm tin với cổ đông đại chúng. |
+----------------------+-----------------------------------------------------------------------------+
Câu hỏi thường gặp
1. Yêu cầu kỹ thuật và dữ liệu đầu vào để triển khai mô hình là gì?
Hệ thống yêu cầu dữ liệu tối thiểu từ 2 biểu mẫu tài chính chính quy: Bảng cân đối kế toán và Báo cáo kết quả hoạt động kinh doanh đã qua kiểm toán độc lập. Các trường dữ liệu bắt buộc gồm: Tài sản ngắn hạn, Nợ ngắn hạn, Tổng tài sản, Lợi nhuận sau thuế chưa phân phối, Lợi nhuận trước thuế và lãi vay (EBIT), Vốn chủ sở hữu, và Tổng nợ phải trả. Về mặt phần mềm, hệ thống có thể vận hành trên các nền tảng từ Microsoft Excel cơ bản đến hệ thống lập trình Python/R hoặc cơ sở dữ liệu SQL Server.
2. Giới hạn quy mô và khả năng mở rộng của mô hình Z"-Score điều chỉnh?
Mô hình Z"-EMS có thể mở rộng tính toán cho hàng nghìn doanh nghiệp cùng lúc với tốc độ xử lý thời gian thực. Tuy nhiên, giới hạn phương pháp luận của mô hình là không áp dụng cho khối ngân hàng, bảo hiểm, công ty chứng khoán (do tỷ lệ đòn bẩy tài sản mang tính đặc thù nghiệp vụ tín dụng) và các doanh nghiệp sản xuất truyền thống (nên sử dụng mô hình Z-Score 5 biến gốc hoặc Z'-Score 1983).
3. Khả năng tích hợp mô hình vào hệ thống ERP và Core Banking hiện có?
Mô hình Z"-Score điều chỉnh có cấu trúc toán học tuyến tính đơn giản ($O(1)$ complexity sau khi trích xuất dữ liệu), rất dễ dàng đóng gói thành các hàm API RESTful hoặc các Stored Procedures trong SQL. Hệ thống ERP (như SAP, Oracle) hoặc Core Banking có thể kích hoạt tính toán điểm số Z" tự động ngay khi chốt kỳ kế toán quý/năm.
4. Nhu cầu bảo trì, chuẩn hóa dữ liệu và cập nhật hệ số mô hình?
Định kỳ hàng năm, doanh nghiệp cần cập nhật lại bộ dữ liệu phân loại ngành để so sánh tương quan chéo. Trong dài hạn (chu kỳ 3-5 năm), nếu nền kinh tế có những thay đổi lớn về chính sách kế toán (ví dụ: chuyển đổi từ VAS sang IFRS), cần hiệu chỉnh lại cách bóc tách các khoản mục tương đương trong vốn lưu động và vốn chủ sở hữu.
5. Chi phí triển khai và thời gian hoàn vốn đầu tư (ROI)?
Chi phí triển khai mô hình gần như bằng không nếu tận dụng hạ tầng phân tích dữ liệu có sẵn của doanh nghiệp/ngân hàng. Lợi ích thu về là vô cùng lớn: giúp ngân hàng ngăn ngừa rủi ro các khoản nợ xấu hàng chục tỷ đồng và giúp các quỹ đầu tư bảo toàn nguồn vốn khỏi các cổ phiếu có nguy cơ hủy niêm yết bắt buộc.
Kết luận
Đề tài khóa luận đã giải quyết bài toán định lượng rủi ro phá sản cho 120 doanh nghiệp vốn hóa nhỏ ($100 - 600$ tỷ VNĐ) niêm yết trên TTCK Việt Nam giai đoạn 2017–2021 thông qua việc ứng dụng mô hình Z"-Score điều chỉnh (EMS).
Nghiên cứu mang lại 3 đóng góp trọng tâm:
- Về mặt học thuật: Chứng minh tính khả thi và hiệu quả của mô hình Z"-EMS tại một thị trường cận biên đang trên đà nâng hạng như Việt Nam.
- Về mặt thực tiễn: Phân tích bức tranh tài chính đa chiều qua 600 quan sát, làm rõ mức độ tác động sâu sắc của đại dịch COVID-19 năm 2020 lên thanh khoản ($X_1$) và năng lực sinh lời ($X_3$) của các doanh nghiệp, đồng thời ghi nhận sự phục hồi phân hóa mạnh mẽ trong năm 2021.
- Về mặt quản trị: Cung cấp công cụ cảnh báo sớm đáng tin cậy với khả năng nhận diện các dấu hiệu suy yếu tài chính từ 1 đến 2 năm trước khi doanh nghiệp bị cơ quan quản lý đưa vào diện kiểm soát.
Kết quả nghiên cứu là tài liệu tham khảo giá trị cho các nhà phân tích tài chính, cán bộ tín dụng ngân hàng, nhà đầu tư trên thị trường chứng khoán và các nhà quản trị doanh nghiệp trong việc thiết lập hệ thống phòng thủ tài chính vững chắc trước các biến động kinh tế vĩ mô.
