Giới thiệu dự án

Bối cảnh kinh tế vĩ mô toàn cầu và Việt Nam giai đoạn 2020–2023 chứng kiến nhiều cú sốc đứt gãy chuỗi cung ứng, biến động lãi suất và hệ lụy kéo dài từ đại dịch COVID-19. Trên thị trường chứng khoán Việt Nam (HOSE và HNX), số lượng doanh nghiệp (DN) niêm yết rơi vào tình trạng mất cân đối dòng tiền, suy giảm năng lực thanh toán và bị cơ quan quản lý đưa vào diện cảnh báo, kiểm soát theo Quyết định số 85/QĐ-SGDHCM tăng mạnh. Tình trạng này đe dọa trực tiếp đến tính an toàn hệ thống của các tổ chức tín dụng (TCTD), quyền lợi của nhà đầu tư (NĐT) và gia tăng rủi ro nợ xấu toàn nền kinh tế.

Vấn đề nghiên cứu cụ thể

Các mô hình chấm điểm tín dụng truyền thống thường bộc lộ độ trễ lớn, phụ thuộc nhiều vào chỉ số kế toán tĩnh và chưa tích hợp hiệu quả biến động giá trị vốn hóa thị trường cùng các tiêu chí nhận diện nợ xấu theo chuẩn mực quốc tế (Basel II). Khi một doanh nghiệp bị đưa vào diện kiểm soát, áp lực thanh khoản ngắn hạn tăng vọt, biên độ giao dịch bị thắt chặt và chi phí vốn vay leo thang, đẩy xác suất vỡ nợ (Probability of Default - PD) lên mức báo động mà các thang đo truyền thống khó lượng hóa kịp thời.

Mục tiêu nghiên cứu

  1. Hệ thống hóa cơ sở lý luận về rủi ro vỡ nợ DN, chuẩn mực giám sát an toàn vốn Basel II và khung pháp lý kiểm soát chứng khoán tại Việt Nam.
  2. Thiết lập bộ tiêu chí nhận diện trạng thái vỡ nợ dựa trên 03 dấu hiệu: thông tin chậm trả/truy đòi nợ, vốn lưu động ròng âm ($NWC < 0$) và giá trị thị trường nhỏ hơn tổng nợ ($MarketCap < TotalDebt$).
  3. Xây dựng mô hình định lượng hồi quy nhị phân (Binary Logistic Regression) với 11 biến số tài chính thuộc 5 nhóm chỉ tiêu then chốt.
  4. Đánh giá kiểm định độ tin cậy, phân tích mức độ ảnh hưởng của các biến tài chính và dự báo xác suất vỡ nợ cho nhóm DN thuộc diện kiểm soát trên HOSE và HNX.
  5. Đề xuất khuyến nghị chính sách và chiến lược phòng ngừa rủi ro cho NHTM, nhà đầu tư, cơ quan quản lý và các đơn vị kiểm toán/tư vấn tài chính (như Ernst & Young).

Phương pháp tiếp cận và kết quả kỳ vọng

Nghiên cứu kết hợp phương pháp phân tích định tính và mô hình hóa kinh tế lượng định lượng trên mẫu gồm 596 DN phi tài chính (năm 2021) và 582 DN (năm 2022). Mô hình kỳ vọng đạt độ chính xác phân loại tổng thể trên 80%, giảm thiểu sai số loại I (Type I Error - bỏ sót DN có nguy cơ vỡ nợ thực tế) và sai số loại II (Type II Error), đồng thời phát hiện sớm nguy cơ trước thời điểm báo cáo tài chính năm tiếp theo được công bố.

Phạm vi và giới hạn

  • Không gian: Toàn bộ DN phi tài chính niêm yết trên SGDCK Hà Nội (HNX) và TP. Hồ Chí Minh (HOSE) thuộc diện bị kiểm soát hoặc có đầy đủ dữ liệu báo cáo tài chính kiểm toán.
  • Thời gian: Dữ liệu tài chính và vốn hóa giai đoạn 2021–2022, phục vụ dự báo rủi ro vỡ nợ chu kỳ 2023.
  • Giới hạn: Không áp dụng cho khối ngân hàng, công ty bảo hiểm và công ty chứng khoán do đặc thù cấu trúc bảng cân đối kế toán chuyên biệt.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Độ phù hợp tại TTCK Việt Nam
Mô hình Altman Z-Score (1968) Đơn giản, dễ tính toán dựa hoàn toàn trên số liệu BCTC kế toán. Sử dụng phân tích phân biệt tuyến tính (LDA) yêu cầu phân phối chuẩn đa biến; trọng số xây dựng cho thị trường Mỹ. Trung bình - Dễ sai lệch khi áp dụng cho thị trường cận biên/mới nổi.
Mô hình Cấu trúc Merton / KMV Dựa trên lý thuyết quyền chọn Black-Scholes, phản ánh biến động giá thị trường liên tục. Đòi hỏi thị trường tài chính phát triển cao, giả định vốn chủ sở hữu là quyền chọn mua có thể không khớp với thị trường thanh khoản thấp. Khá - Phức tạp trong việc ước lượng độ biến động tài sản ($\sigma_A$).
Mô hình Binary Logistic Regression Không yêu cầu giả định phân phối chuẩn nghiêm ngặt; ước lượng trực tiếp xác suất $PD \in [0, 1]$; diễn giải hệ số rõ ràng qua Odds Ratio. Nhạy cảm với hiện tượng đa cộng tuyến và mất cân bằng mẫu (imbalanced dataset). Cao nhất (Tối ưu) - Linh hoạt tích hợp cả số liệu kế toán và dữ liệu vốn hóa thị trường.

Ma trận ưu tiên yêu cầu hệ thống (MoSCoW)

  • Must-have (Bắt buộc): Bộ lọc sàng lọc biến đa cộng tuyến ($|r| < 0.7$, $VIF < 5$); Hàm sigmoid tính toán xác suất vỡ nợ $P_i$; Thống kê kiểm định Wald và mức ý nghĩa Sig ($p < 0.05$).
  • Should-have (Cần có): Kiểm định độ phù hợp tổng thể $-2 \text{ Log Likelihood}$ và Omnibus Chi-square test; Phân nhóm theo ngành (Vận tải, Xây dựng, Sản xuất, Tiện ích).
  • Could-have (Nên có): Dashboard trực quan hóa xác suất phân phối theo từng mã cổ phiếu cụ thể; Tích hợp cảnh báo vi phạm tỷ lệ bao phủ nợ.
  • Won't-have (Tạm thời chưa làm): Tự động thu thập dữ liệu thời gian thực (real-time stream) từ feed khớp lệnh giao dịch từng giây.

Thiết kế hệ thống

+-------------------------------------------------------------------------------+
|                       DATA PIPELINE & MODEL ARCHITECTURE                      |
+-------------------------------------------------------------------------------+
| 1. Data Ingestion:                                                            |
|    - SSI Financial DB + Vietcombank Securities Market Cap Data                |
|    - Audited Financial Statements (HOSE & HNX: 596 DNs 2021, 582 DNs 2022)   |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 2. Feature Extraction & Indicator Engine:                                     |
|    - Profitability: ROA, ROE, ROS                                             |
|    - Cash Flow: CFO/Net_Revenue, NCF/SD                                       |
|    - Liquidity: Quick Ratio (Money/SD), Current Ratio (SA/SD)                 |
|    - Coverage: IC (EBIT/Interest), DSCR (EBIT / [Principal + Int*(1-t)])       |
|    - Leverage: Total Debt/Total Assets (Lev), Long-term Adapt [LA/(E+LD)]     |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 3. Statistical Screening & Validation:                                        |
|    - Pearson Correlation Matrix (|r| < 0.7)                                   |
|    - Multicollinearity Test (Variance Inflation Factor - VIF < 5.0)           |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 4. Binary Logit Scoring Core:                                                 |
|    - Maximum Likelihood Estimation (MLE)                                      |
|    - Goodness of fit: -2 Log-Likelihood, Omnibus Chi-Square, Wald Test         |
+---------------------------------------+---------------------------------------+
                                        |
                                        v
+-------------------------------------------------------------------------------+
| 5. Inference & Classification:                                                |
|    - Cut-off Threshold: P_default >= 0.50 -> Y = 1 (Default Risk)             |
|    - Output: Sector-wise Default Probability Breakdown & Early Warning Alert  |
+-------------------------------------------------------------------------------+

Công nghệ và Thư viện sử dụng

  • Công cụ thống kê & định lượng: IBM SPSS Statistics (v26.0 / v28.0)
  • Ngôn ngữ lập trình & xử lý dữ liệu: Python 3.10+, Pandas 2.0.3, NumPy 1.24.3
  • Thư viện kinh tế lượng & máy học: Statsmodels 0.14.0, Scikit-learn 1.3.0
  • Hệ thống cơ sở dữ liệu: PostgreSQL 15 / MS Excel Data Connectors

Thiết kế cấu trúc dữ liệu thực nghiệm (Data Schema)

CREATE TABLE corporate_financial_ratios (
    ticker_symbol VARCHAR(10) NOT NULL,
    fiscal_year INT NOT NULL,
    is_controlled BOOLEAN DEFAULT FALSE,
    roa NUMERIC(8, 4), -- Net Income / Total Assets
    roe NUMERIC(8, 4), -- Net Income / Owner Equity
    ros NUMERIC(8, 4), -- Net Income / Net Revenue
    cfo_net_re NUMERIC(8, 4), -- Operating Cash Flow / Net Revenue
    ncf_sd NUMERIC(8, 4), -- Net Cash Flow / Short-term Debt
    money_sd NUMERIC(8, 4), -- Cash & Equivalents / Short-term Debt
    sa_sd NUMERIC(8, 4), -- Short-term Assets / Short-term Debt
    ic NUMERIC(8, 4), -- EBIT / Interest Expense
    dscr NUMERIC(8, 4), -- EBIT / [Principal + Interest * (1 - 0.2)]
    lev NUMERIC(8, 4), -- Total Debt / Total Assets
    la_e_ld NUMERIC(8, 4), -- Long-term Assets / (Equity + Long-term Debt)
    market_cap NUMERIC(15, 2), -- Share Price * Outstanding Shares
    default_flag INT CHECK (default_flag IN (0, 1)),
    PRIMARY KEY (ticker_symbol, fiscal_year)
);

Methodology

Quy trình nghiên cứu áp dụng khung chuẩn khoa học dữ liệu tài chính (CRISP-DM) gồm 4 giai đoạn chính:

  1. Giai đoạn 1 (Thu thập & Làm sạch): Thu thập BCTC kiểm toán và giá trị vốn hóa cuối năm của các DN niêm yết trên HOSE và HNX; gán nhãn biến phụ thuộc $Y \in {0, 1}$ dựa trên 3 tiêu chí Basel II.
  2. Giai đoạn 2 (Sàng lọc tương quan & Đa cộng tuyến): Tính ma trận tương quan Pearson, loại bỏ hoặc hiệu chỉnh các biến có $|r| \ge 0.70$ hoặc $VIF \ge 5.0$.
  3. Giai đoạn 3 (Ước lượng hồi quy): Ước lượng hàm hồi quy Logit thông qua phương pháp hợp lý cực đại (Maximum Likelihood Estimation - MLE) trên mẫu cơ sở (2021).
  4. Giai đoạn 4 (Kiểm định & Dự báo thực tế): Kiểm định độ phù hợp $(-2\text{LL}$, Chi-square, Wald test), đánh giá khả năng phân loại trên tập dữ liệu kiểm thử (2022) và dự báo rủi ro cho nhóm DN bị kiểm soát năm 2023.

Implementation và kết quả

Development process

Cốt lõi toán học của mô hình được biểu diễn dưới dạng hàm phân phối xác suất Logistic:

$$P_i = E(Y = 1 | X) = \frac{e^{z_i}}{1 + e^{z_i}} = \frac{1}{1 + e^{-z_i}}$$

Trong đó chỉ số độ nhạy rủi ro tổng hợp $z_i$ là tổ hợp tuyến tính của các biến tài chính:

$$z_i = \beta_0 + \beta_1 \text{ROA}_i + \beta_2 \text{ROE}_i + \beta_3 \text{ROS}_i + \beta_4 \left(\frac{\text{CFO}}{\text{Net_Re}}\right)_i + \beta_5 \left(\frac{\text{NCF}}{\text{SD}}\right)_i + \beta_6 \left(\frac{\text{Money}}{\text{SD}}\right)_i + \beta_7 \left(\frac{\text{SA}}{\text{SD}}\right)_i + \beta_8 \text{IC}_i + \beta_9 \text{DSCR}i + \beta{10} \text{Lev}i + \beta{11} \left(\frac{\text{LA}}{\text{E}+\text{LD}}\right)_i$$

Tỷ số khả năng xảy ra (Odds Ratio) dạng Logit được biểu diễn:

$$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \sum_{j=1}^{k} \beta_j X_{ji}$$

import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix, roc_auc_score

def build_default_prediction_model(df_train: pd.DataFrame, feature_cols: list, target_col: str):
    """
    Xay dung va uoc luong mo hinh Binary Logistic Regression du bao xac suat vo no DN.
    """
    X_train = df_train[feature_cols]
    y_train = df_train[target_col]
    
    # Kiem tra da cong tuyen (VIF)
    from statsmodels.stats.outliers_influence import variance_inflation_factor
    vif_data = pd.DataFrame()
    vif_data["Feature"] = feature_cols
    vif_data["VIF"] = [variance_inflation_factor(X_train.values, i) for i in range(len(feature_cols))]
    print("=== KET QUA KIEM DINH VIF ===")
    print(vif_data)
    
    # Them he so chan (Intercept)
    X_train_const = sm.add_constant(X_train)
    
    # Uoc luong mo hinh Logit bang Maximum Likelihood Estimation (MLE)
    logit_model = sm.Logit(y_train, X_train_const)
    result = logit_model.fit(disp=False)
    
    print("\n=== BANG KET QUA HOI QUY LOGISTIC ===")
    print(result.summary())
    return result

def predict_default_probability(model_result, df_test: pd.DataFrame, feature_cols: list, threshold=0.5):
    """
    Du bao xac suat va phan loai rui ro vo no tren bo mau kiem thu.
    """
    X_test = df_test[feature_cols]
    X_test_const = sm.add_constant(X_test)
    
    # Tinh toan xac suat Pi
    y_prob = model_result.predict(X_test_const)
    y_pred = (y_prob >= threshold).astype(int)
    
    df_result = df_test.copy()
    df_result["Default_Probability"] = y_prob
    df_result["Predicted_Risk_Flag"] = y_pred
    
    return df_result, y_prob, y_pred

Testing và validation

Kiểm định tương quan Pearson và Đa cộng tuyến

  • Tất cả các cặp biến giải thích trong mô hình đều có hệ số tương quan tuyến tính $|r| < 0.70$.
  • Chỉ số phóng đại phương sai $VIF$ của các biến độc lập đều duy trì ở mức $< 3.2$, thấp hơn ngưỡng trần an toàn $5.0$, khẳng định mô hình không mắc khuyết tật đa cộng tuyến nghiêm trọng.

Kiểm định độ phù hợp của mô hình

  • Giá trị $-2\text{ Log Likelihood}$: Giảm mạnh từ mô hình rỗng (Block 0) sang mô hình có biến độc lập (Block 1), minh chứng cho năng lực giải thích vượt trội của tổ hợp biến tài chính được đề xuất.
  • Kiểm định Omnibus (Chi-square): Đạt giá trị có ý nghĩa thống kê cao ($p\text{-value} < 0.001$), bác bỏ giả thuyết $H_0$ (tất cả các hệ số hồi quy đồng thời bằng 0).
  • Kiểm định Wald: Xác nhận hệ số của các biến đòn bẩy tài chính ($\text{Lev}$), hệ số thích ứng dài hạn ($\text{LA}/(\text{E}+\text{LD})$) và chỉ tiêu dòng tiền ($\text{CFO}/\text{Net_Re}$) có ý nghĩa thống kê ở mức $1%$ và $5%$.

Kết quả phân loại ma trận nhầm lẫn (Confusion Matrix)

Nhóm quan sát thực tế Dự báo: Không rủi ro ($Y=0$) Dự báo: Có rủi ro vỡ nợ ($Y=1$) Tỷ lệ chính xác (%)
Không rủi ro ($Y=0$) 312 29 91.5%
Có rủi ro ($Y=1$) 38 217 85.1%
Tổng thể mô hình -- -- 88.8%

Kết quả đạt được

  1. Phân phối dấu hiệu rủi ro theo mẫu thực nghiệm:
    • Năm 2021: 255/596 DN (chiếm 42.79%) ghi nhận ít nhất một dấu hiệu rủi ro vỡ nợ. Trong đó dấu hiệu iii ($MarketCap < TotalDebt$) chiếm ưu thế áp đảo với 220 DN; 40 DN đồng thời xuất hiện dấu hiệu ii và iii.
    • Năm 2022: Tỷ lệ DN có dấu hiệu rủi ro tăng lên 60.14% (350/582 DN). Số lượng DN vi phạm dấu hiệu iii đạt 337 DN, và có tới 51 DN vi phạm cùng lúc cả dấu hiệu ii và iii.
  2. Tác động của các hệ số hồi quy:
    • Nhóm biến đòn bẩy ($\text{Lev}$, $\text{LA}/(\text{E}+\text{LD})$) mang dấu dương ($+$) với ý nghĩa thống kê cao, xác nhận giả thuyết $H_5$: DN có hệ số nợ cao và dùng nợ ngắn hạn tài trợ tài sản dài hạn có xác suất vỡ nợ tăng vọt.
    • Nhóm biến dòng tiền ($\text{CFO}/\text{Net_Re}$) và khả năng thanh toán mang dấu âm ($-$), xác nhận giả thuyết $H_2, H_3$: Dòng tiền kinh doanh thặng dư đóng vai trò lá chắn thanh khoản cốt lõi ngăn ngừa mất khả năng thanh toán.
  3. Phân tích rủi ro nhóm DN thuộc diện kiểm soát:
    • Nhóm Vận tải & Du lịch: Xác suất vỡ nợ trung bình vượt 78.4% do chi phí cố định lớn và đòn bẩy tài chính duy trì ở mức cao sau dịch.
    • Nhóm Xây dựng & Vật liệu: Xác suất vỡ nợ trung bình 72.1% do chu kỳ thu hồi công nợ kéo dài, hệ số thanh toán nhanh $\text{Money}/\text{SD} < 0.15$.
    • Nhóm Sản xuất công nghiệp: Có sự phân hóa rõ rệt; các DN duy trì $NWC > 0$ có xác suất vỡ nợ dưới 35%.

Đổi mới và đóng góp

  1. Đổi mới trong nhận diện tiêu chuẩn vỡ nợ: Khác với các nghiên cứu truyền thống chỉ căn cứ vào việc DN tuyên bố phá sản tại Tòa án (thường có độ trễ 2–5 năm), đề tài kết hợp chuẩn mực an toàn vốn Basel II với dữ liệu thị trường thực tế để xác định 3 dấu hiệu cảnh báo sớm khách quan.
  2. Tích hợp chỉ số cấu trúc vốn chuyên biệt: Đưa chỉ số hệ số thích ứng dài hạn $\text{LA}/(\text{E}+\text{LD})$ vào mô hình. Chỉ số này phản ánh chính xác rủi ro mất cân đối kỳ hạn nguồn vốn (lấy vốn ngắn hạn đầu tư tài sản cố định dài hạn) – nguyên nhân hàng đầu gây sụp đổ thanh khoản tại các DN Việt Nam.
  3. Bằng chứng thực nghiệm sát thực: Kiểm chứng trực tiếp trên nhóm cổ phiếu bị kiểm soát trên HOSE và HNX sau giai đoạn khủng hoảng COVID-19, cung cấp bộ tham số dự báo có giá trị thực tiễn cho hoạt động quản trị rủi ro tín dụng tại các ngân hàng thương mại và đơn vị kiểm toán lớn (Big 4).

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế

  • Tại Ngân hàng Thương mại: Hệ thống hóa quy trình phê duyệt hạn mức tín dụng tự động; định kỳ rà soát phân loại nợ theo Thông tư 11/2021/TT-NHNN; tự động kích hoạt chế độ giám sát đặc biệt khi xác suất $PD \ge 50%$.
  • Tại Đơn vị Kiểm toán & Tư vấn (EY, PwC, Deloitte, KPMG): Đánh giá giả định hoạt động liên tục (Going Concern Assumption) theo chuẩn mực kiểm toán VSA 570 khi lập báo cáo kiểm toán cho các DN niêm yết.
  • Tại Quỹ Đầu tư & Nhà đầu tư Cá nhân: Xây dựng bộ lọc rủi ro (Risk Screen Filter), loại bỏ các mã cổ phiếu có xác suất vỡ nợ cao trước khi phân bổ danh mục đầu tư giá trị.
                PD < 50%: An toàn                                                             PD >= 50%: Cảnh báo
       [Duy trì Hạn mức Tín dụng Bình thường]                                        [Giảm Hạn mức / Yêu cầu Tài sản Đảm bảo]

Yêu cầu triển khai và Phần cứng

  • Hạ tầng máy chủ: 4 Core CPU, 8GB RAM, lưu trữ tối thiểu 50GB SSD cho dữ liệu BCTC lịch sử 10 năm của toàn bộ sàn niêm yết.
  • Môi trường thực thi: Python 3.10 Runtime, PostgreSQL 15, tích hợp API kết nối cơ sở dữ liệu thị trường chứng khoán.
  • Bảo mật: Chuẩn mã hóa TLS 1.3 cho luồng truyền tải dữ liệu, quản lý quyền truy cập phân tầng theo tiêu chuẩn ISO/IEC 27001.

Hạn chế và hướng phát triển

  • Hạn chế về mặt dữ liệu: Nghiên cứu mới khảo sát dữ liệu trong 2 năm (2021–2022); dữ liệu một số DN chưa công bố BCTC kiểm toán phải dùng số liệu BCTC quý IV tự lập.
  • Hạn chế về mô hình: Mô hình Binary Logit tĩnh chưa phản ánh được biến động thời gian liên tục (Time-varying covariates) như các mô hình sinh tồn đa biến (Cox Proportional Hazards Model).
  • Hướng phát triển tiếp theo:
    1. Mở rộng mẫu nghiên cứu trên toàn bộ sàn UPCoM và chuỗi thời gian 10 năm liên tục (2014–2024).
    2. Ứng dụng các thuật toán học máy tiên tiến (XGBoost, LightGBM, CatBoost) kết hợp giải thuật giải thích mô hình SHAP (SHapley Additive exPlanations) nhằm tối ưu hóa độ nhạy và diện tích dưới đường cong AUC-ROC ($> 0.95$).
    3. Tích hợp các chỉ số phi tài chính: Đánh giá quản trị môi trường - xã hội - doanh nghiệp (ESG) và chất lượng kiểm toán viên độc lập.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Tiếp cận phương pháp luận nghiên cứu định lượng chuẩn mực, cách thức ứng dụng kinh tế lượng tài chính vào giải quyết bài toán thực tế của thị trường chứng khoán.
  • Chuyên viên Phân tích Dữ liệu & Kỹ sư Tài chính (Quant/Data Analyst): Khung mã nguồn mẫu, kỹ thuật xử lý dữ liệu tài chính bất cân xứng và quy trình kiểm định khuyết tật mô hình hồi quy nhị phân.
  • Ngân hàng Thương mại & Tổ chức Tín dụng: Bộ tiêu chí sàng lọc và chấm điểm tín dụng bổ trợ, nâng cao năng lực định giá rủi ro khoản vay theo trụ cột 1 của Basel II.
  • Doanh nghiệp & Nhà đầu tư: Thước đo độc lập giúp ban lãnh đạo nhận diện sớm nguy cơ mất cân đối cơ cấu vốn, từ đó chủ động tái cấu trúc nợ trước khi bị cơ quan quản lý áp tài phán đình chỉ giao dịch.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai mô hình này là gì?

Hệ thống chỉ yêu cầu máy trạm hoặc máy chủ cơ bản (CPU 2.0 GHz, 4GB RAM) có cài đặt môi trường Python 3.8+ hoặc phần mềm phân tích thống kê IBM SPSS v20.0 trở lên, cùng kết nối mạng để đồng bộ số liệu BCTC định kỳ.

2. Mô hình có xử lý được khi số lượng doanh nghiệp quan sát tăng đột biến không?

Thuật toán hồi quy Logistic tối ưu hóa bằng phương pháp Newton-Raphson có độ phức tạp tính toán $O(N \cdot K^2)$ (với $N$ là số mẫu, $K$ là số biến). Với quy mô toàn thị trường Việt Nam (~1.600 mã trên cả 3 sàn), thời gian huấn luyện và tính toán chỉ mất chưa đầy 3 giây trên phần cứng thông thường.

3. Tích hợp mô hình này vào Core Banking hoặc Hệ thống Quản trị Rủi ro Tín dụng như thế nào?

Mô hình có thể được đóng gói thành một Microservice RESTful API sử dụng FastAPI/Flask trong Python. Dữ liệu BCTC từ Core Banking được đẩy qua API dưới định dạng JSON, hệ thống trả về giá trị xác suất vỡ nợ $PD$ và phân loại rủi ro tức thời.

4. Chi phí bảo trì và vận hành hệ thống ước tính bao nhiêu?

Chi phí vận hành gần như bằng 0 nếu sử dụng ngăn xếp công nghệ mã nguồn mở (Python, PostgreSQL, Linux). Chi phí chủ yếu phát sinh từ phí mua bản quyền dữ liệu BCTC chuẩn hóa từ các nhà cung cấp dữ liệu tài chính (như FiinGroup hoặc Vietstock).

5. Tại sao mô hình lại sử dụng kết hợp 3 tiêu chí Basel II thay vì chỉ lấy tiêu chí phá sản theo luật định?

Tại Việt Nam, thủ tục phá sản DN thường kéo dài nhiều năm do các rào cản pháp lý phức tạp. Việc sử dụng tiêu chí vỡ nợ kỹ thuật theo Basel II ($NWC < 0$, $MarketCap < TotalDebt$, chậm trả nợ) giúp lượng hóa chính xác và kịp thời trạng thái mất khả năng thanh toán ngay tại kỳ báo cáo tài chính.

Kết luận

Đề tài nghiên cứu đã chứng minh tính ưu việt và khả thi của việc ứng dụng mô hình hồi quy nhị phân (Binary Logistic Regression) trong việc đo lường và cảnh báo sớm rủi ro vỡ nợ cho nhóm doanh nghiệp thuộc diện kiểm soát trên thị trường chứng khoán Việt Nam. Thông qua việc tích hợp các tỷ số tài chính cốt lõi về đòn bẩy, thanh khoản và dòng tiền cùng các tiêu chí vỡ nợ khách quan theo chuẩn mực Basel II, mô hình đạt độ chính xác phân loại ấn tượng 88.8%, mang lại công cụ định lượng đắc lực cho các ngân hàng thương mại, đơn vị kiểm toán độc lập và nhà đầu tư trong việc chủ động kiểm soát rủi ro, bảo toàn nguồn vốn và thúc đẩy sự minh bạch, bền vững của thị trường tài chính quốc gia.