Luận văn thạc sĩ ueh ứng dụng data mining dự báo kiệt quệ tài chính ở các công ty dược niêm yết tại việt nam

Luận văn thạc sĩ kinh tế nghiên cứu ueh ứng dụng data mining dự báo kiệt quệ tài chính ở các công ty dược niêm yết tại việt nam, khảo sát thực trạng, phân tích nguyên nhân, đề

• Tác giả: Hồ Thị Thanh Thảo
• Người hướng dẫn: PGS. Nguyễn Thị Ngọc Trang
• Trường học: Trường Đại Học Kinh Tế Tp. Hồ Chí Minh
• Chuyên ngành: Tài Chính - Ngân Hàng
• Đề tài: Ứng Dụng Data Mining Dự Báo Kiệt Quệ Tài Chính Ở Các Công Ty Được Niêm Yết Tại Việt Nam
• Loại tài liệu: Luận Văn Thạc Sĩ Kinh Tế
• Năm xuất bản: 2016
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. MỞ ĐẦU
• 1.1. Lý do nghiên cứu
• 1.2. Mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Ý nghĩa thực tiễn của đề tài
• 1.6. Kết cấu luận văn
• 2. CHƯƠNG 1: CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ DỰ BÁO KIỆT QUỆ TÀI CHÍNH
• 2.1. Kiệt quệ tài chính và những ảnh hưởng của kiệt quệ tài chính đến các chủ thể trong nền kinh tế
• 2.1.1. Kiệt quệ tài chính
• 2.1.2. Những ảnh hưởng của kiệt quệ tài chính đến các chủ thể trong nền kinh tế
• 2.2. Các kỹ thuật thống kê được sử dụng phổ biến để dự báo kiệt quệ tài chính
• 2.2.1. Phân tích phân biệt (DA)
• 2.2.1.1. Phân tích phân biệt đơn biến của Beaver
• 2.2.1.2. Phân tích phân biệt đa biến của Altman
• 2.2.2. Kỹ thuật phân tích Logit
• 2.2.2.1. Phân tích Logit của Ohlson (1980)
• 2.2.2.2. Nghiên cứu của Ying Wuang và Michael Campbell (2010)
• 2.2.2.3. Nghiên cứu của Dionysios Polemis và Dimitrios Gounopoulos (2012)
• 2.2.3. Phương pháp máy học dựa trên trí tuệ thông minh nhân tạo
• 3. CHƯƠNG 2: DỰ BÁO KIỆT QUỆ TÀI CHÍNH BẰNG PHƯƠNG PHÁP KHAI PHÁ DỮ LIỆU (DATA MINING)
• 3.1. Tổng quan về Khai phá dữ liệu (Data mining)
• 3.1.1. Khái niệm của Data mining
• 3.1.2. Nhiệm vụ của Data Mining
• 3.1.3. Ứng dụng của Data Mining
• 3.2. Một số thuật toán sử dụng trong Data mining
• 3.2.1. Thuật toán cây quyết định Decision tree (DT)
• 3.2.2. Support Vector Machine (SVM)
• 3.3. Áp dụng Data mining trong dự báo kiệt quệ tài chính
• 4. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 4.1. Thu thập dữ liệu
• 4.2. Các biến sử dụng trong nghiên cứu
• 4.3. Chuẩn bị dữ liệu
• 5. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN KẾT QUẢ
• 5.1. Thuật toán cho kết quả dự báo tốt nhất
• 5.2. Khung thời gian nào để dự báo là tốt nhất
• 5.3. Các tỷ số nào là quan trọng nhất trong dự báo kiệt quệ tài chính
• KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Dự Báo Kiệt Quệ Tài Chính Các Công Ty Dược

Dự báo kiệt quệ tài chính là một lĩnh vực nghiên cứu quan trọng, đặc biệt trong ngành dược tại Việt Nam. Các công ty dược niêm yết đang phải đối mặt với nhiều thách thức tài chính, và việc áp dụng các phương pháp dự báo chính xác có thể giúp họ quản lý rủi ro hiệu quả hơn. Nghiên cứu này sẽ tập trung vào việc sử dụng data mining để dự báo tình hình tài chính của các công ty này.

1.1. Khái Niệm Kiệt Quệ Tài Chính Trong Ngành Dược

Kiệt quệ tài chính là tình trạng mà các công ty không thể đáp ứng nghĩa vụ tài chính của mình. Trong ngành dược, điều này có thể dẫn đến việc không đủ vốn để phát triển sản phẩm mới hoặc duy trì hoạt động sản xuất. Các chỉ số tài chính như tỷ lệ nợ trên vốn chủ sở hữu và dòng tiền hoạt động là những yếu tố quan trọng trong việc đánh giá tình hình tài chính của công ty.

1.2. Tầm Quan Trọng Của Dự Báo Kiệt Quệ Tài Chính

Dự báo kiệt quệ tài chính giúp các công ty dược niêm yết nhận diện sớm các dấu hiệu rủi ro. Điều này không chỉ giúp họ có biện pháp khắc phục kịp thời mà còn bảo vệ lợi ích của nhà đầu tư và các bên liên quan. Việc áp dụng các công nghệ như data mining có thể nâng cao độ chính xác của các dự báo này.

II. Thách Thức Trong Dự Báo Kiệt Quệ Tài Chính Các Công Ty Dược

Mặc dù có nhiều phương pháp dự báo, nhưng việc áp dụng chúng trong ngành dược vẫn gặp nhiều thách thức. Các công ty thường phải đối mặt với sự biến động của thị trường và các yếu tố kinh tế vĩ mô. Điều này làm cho việc dự báo trở nên khó khăn hơn.

2.1. Sự Biến Động Của Thị Trường Dược

Thị trường dược phẩm thường xuyên thay đổi do các yếu tố như chính sách y tế, sự cạnh tranh từ các sản phẩm mới và sự thay đổi trong nhu cầu của người tiêu dùng. Những biến động này có thể ảnh hưởng đến doanh thu và lợi nhuận của các công ty dược, từ đó làm giảm độ chính xác của các dự báo tài chính.

2.2. Khó Khăn Trong Việc Thu Thập Dữ Liệu

Việc thu thập dữ liệu chính xác và đầy đủ là một thách thức lớn trong việc dự báo kiệt quệ tài chính. Nhiều công ty dược không công khai thông tin tài chính đầy đủ, điều này gây khó khăn cho các nhà nghiên cứu trong việc phân tích và đưa ra dự báo chính xác.

III. Phương Pháp Dự Báo Kiệt Quệ Tài Chính Bằng Data Mining

Phương pháp data mining đã được chứng minh là hiệu quả trong việc dự báo kiệt quệ tài chính. Các thuật toán như cây quyết định và hồi quy logistic có thể được áp dụng để phân tích dữ liệu tài chính và đưa ra dự báo chính xác.

3.1. Các Thuật Toán Data Mining Phổ Biến

Các thuật toán như cây quyết định (Decision Tree) và hồi quy logistic (Logistic Regression) là những công cụ mạnh mẽ trong việc phân tích dữ liệu tài chính. Chúng giúp xác định các yếu tố ảnh hưởng đến tình hình tài chính của công ty và dự đoán khả năng kiệt quệ tài chính.

3.2. Quy Trình Áp Dụng Data Mining Trong Dự Báo

Quy trình áp dụng data mining bao gồm các bước như thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn thuật toán, và đánh giá kết quả. Mỗi bước đều quan trọng để đảm bảo rằng các dự báo được thực hiện một cách chính xác và hiệu quả.

IV. Ứng Dụng Thực Tiễn Của Dự Báo Kiệt Quệ Tài Chính

Việc áp dụng các phương pháp dự báo kiệt quệ tài chính không chỉ giúp các công ty dược niêm yết quản lý rủi ro mà còn tạo ra giá trị cho các nhà đầu tư. Các kết quả nghiên cứu cho thấy rằng việc dự báo chính xác có thể giúp các công ty đưa ra quyết định đúng đắn hơn.

4.1. Kết Quả Nghiên Cứu Về Dự Báo Kiệt Quệ Tài Chính

Nghiên cứu cho thấy rằng các công ty dược có thể giảm thiểu rủi ro tài chính bằng cách áp dụng các phương pháp dự báo hiệu quả. Các chỉ số tài chính như tỷ lệ nợ và dòng tiền hoạt động là những yếu tố quan trọng trong việc dự báo kiệt quệ tài chính.

4.2. Lợi Ích Của Việc Dự Báo Chính Xác

Việc dự báo chính xác giúp các công ty dược niêm yết có thể lập kế hoạch tài chính tốt hơn, từ đó tối ưu hóa lợi nhuận và bảo vệ lợi ích của nhà đầu tư. Điều này cũng góp phần nâng cao sự ổn định của thị trường chứng khoán Việt Nam.

V. Kết Luận Về Dự Báo Kiệt Quệ Tài Chính Các Công Ty Dược

Dự báo kiệt quệ tài chính là một lĩnh vực quan trọng trong ngành dược. Việc áp dụng các phương pháp như data mining có thể giúp các công ty niêm yết quản lý rủi ro tài chính hiệu quả hơn. Tương lai của nghiên cứu này sẽ tiếp tục phát triển để đáp ứng nhu cầu ngày càng cao của thị trường.

5.1. Tương Lai Của Nghiên Cứu Dự Báo Kiệt Quệ Tài Chính

Nghiên cứu trong lĩnh vực dự báo kiệt quệ tài chính sẽ tiếp tục phát triển với sự hỗ trợ của công nghệ mới. Các công ty dược cần chú trọng đến việc áp dụng các phương pháp hiện đại để nâng cao khả năng dự báo và quản lý rủi ro tài chính.

5.2. Khuyến Nghị Đối Với Các Công Ty Dược

Các công ty dược nên đầu tư vào công nghệ và đào tạo nhân lực để nâng cao khả năng phân tích dữ liệu. Việc này không chỉ giúp họ dự báo kiệt quệ tài chính mà còn tạo ra lợi thế cạnh tranh trong thị trường.

Nội dung chính

Tổng quan nghiên cứu

Thị trường chứng khoán Việt Nam trong giai đoạn hội nhập chứng kiến sự gia tăng đáng kể của các doanh nghiệp gặp bất ổn về thanh khoản và thua lỗ kéo dài. Theo số liệu thống kê từ Vietstock, tính đến thời điểm tháng 8/2014, thị trường đã ghi nhận 28 mã cổ phiếu đứng trước nguy cơ bị hủy niêm yết bắt buộc và 41 doanh nghiệp rơi vào tình trạng thua lỗ 2 năm liên tiếp với mức lỗ lũy kế vượt quá vốn điều lệ thực góp. Thực trạng kiệt quệ tài chính không chỉ đẩy doanh nghiệp đến bờ vực phá sản mà còn tạo ra hiệu ứng dây chuyền tiêu cực, làm gia tăng tỷ lệ nợ xấu ngân hàng và xói mòn niềm tin của các nhà đầu tư trên thị trường vốn.

Vấn đề cốt lõi đặt ra là làm thế nào để phát hiện sớm các dấu hiệu suy giảm năng lực tài chính trước khi khủng hoảng thực sự bùng phát. Nghiên cứu này được thực hiện nhằm xây dựng mô hình cảnh báo sớm thông qua việc ứng dụng kỹ thuật khai phá dữ liệu (Data Mining), cụ thể là thử nghiệm và so sánh hiệu quả dự báo của 3 thuật toán học máy tiên tiến: Cây quyết định (Decision Tree), Mạng nơ-ron nhân tạo (Neural Network) và Máy vector hỗ trợ (Support Vector Machine). Nghiên cứu tập trung vào các công ty cổ phần niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX) trong giai đoạn 2011–2015. Kết quả nghiên cứu có ý nghĩa thực tiễn to lớn trong việc nâng cao độ chính xác dự báo lên mức 85% đến 90%, giúp ban lãnh đạo doanh nghiệp chủ động tái cấu trúc trước 1 đến 3 năm, đồng thời cung cấp công cụ định lượng hỗ trợ các định chế tài chính tối ưu hóa danh mục tín dụng và đầu tư.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết kiệt quệ tài chính (Financial Distress Theory), phân định rõ giữa thất bại kinh tế và thất bại tài chính theo quan điểm của Andrade và Kaplan (1998), cũng như tình trạng mất thanh khoản dòng tiền theo Wruck (1990). Các mô hình kinh điển đặt nền móng cho đề tài bao gồm phân tích phân biệt đơn biến của Beaver (1966) với chỉ tiêu tiền mặt trên tổng nợ, mô hình đa biến Z-score của Altman (1968) với thang đo an toàn Z trên 2,99 và vùng nguy hiểm Z dưới 1,81, cùng mô hình hồi quy Logit xác suất của Ohlson (1980) đạt độ chính xác trên 90% dựa trên 9 biến tài chính.

Bên cạnh các kỹ thuật thống kê truyền thống, luận văn tiếp cận ba khái niệm cốt lõi của phương pháp máy học và khai phá dữ liệu:

• Mạng nơ-ron nhân tạo (ANN): Mô hình mô phỏng cấu trúc thần kinh sinh học, có khả năng học lặp và tối ưu hóa trọng số phi tuyến để phân lớp dữ liệu phức tạp.
• Cây quyết định (Decision Tree): Cấu trúc phân cấp sinh ra các tập luật phân loại trực quan dựa trên các thuộc tính tài chính đầu vào.
• Máy vector hỗ trợ (Support Vector Machine - SVM): Thuật toán tối ưu hóa siêu phẳng phân tách trong không gian đa chiều nhằm tối đa hóa khoảng cách biên giữa nhóm doanh nghiệp kiệt quệ và an toàn.

Phương pháp nghiên cứu

Dữ liệu nghiên cứu được trích xuất từ báo cáo tài chính kiểm toán của các công ty niêm yết trên hai sàn HOSE và HNX, do Trung tâm Dữ liệu thuộc Khoa Tài chính – Đại học Kinh tế TP. Hồ Chí Minh cung cấp. Luận văn sử dụng phương pháp chọn mẫu ghép cặp tương ứng (matched-pair sampling) trong giai đoạn 2011–2014 để xây dựng mô hình dự báo cho năm 2015. Mẫu nghiên cứu bao gồm 33 doanh nghiệp bị đưa vào diện kiểm soát đặc biệt do có lợi nhuận sau thuế âm 2 năm liên tiếp (gồm 12 doanh nghiệp năm 2012, 14 doanh nghiệp năm 2013, và 7 doanh nghiệp năm 2014) cùng 33 doanh nghiệp hoạt động bình thường có quy mô tương đương.

Phương pháp phân tích khai phá dữ liệu được lựa chọn vì vượt qua được các giả định khắt khe về phân phối chuẩn tuyến tính của các mô hình thống kê cổ điển. Quy trình thực nghiệm chia dữ liệu thành tập huấn luyện (training data) và tập kiểm định (testing data). Bộ biến độc lập ban đầu gồm 26 chỉ số tài chính thuộc 5 nhóm: khả năng thanh khoản (7 chỉ số), khả năng sinh lợi (7 chỉ số), năng lực hoạt động (6 chỉ số), khả năng phát triển kinh doanh (3 chỉ số) và cơ cấu vốn (4 chỉ số). Sau đó, các thuật toán trích chọn thuộc tính được áp dụng để rút gọn về bộ 9 chỉ số tối ưu nhằm kiểm tra độ nhạy và độ chính xác dự báo qua các khung thời gian 1 năm (t-1), 2 năm (t-2) và 3 năm (t-3) trước khi kiệt quệ xảy ra.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa các thuật toán và các tập dữ liệu mang lại 4 phát hiện quan trọng:

• Khả năng dự báo vượt trội của các thuật toán máy học: Thuật toán Support Vector Machine (SVM) và Mạng nơ-ron nhân tạo (NN) cho kết quả dự báo kiệt quệ tài chính chính xác nhất. Ở khung thời gian 1 năm trước biến cố (năm t-1), độ chính xác trung bình của SVM đạt trên 91,5% và NN đạt 88,3%, vượt trội so với Cây quyết định (DT) đạt khoảng 83,0%.
• Quy luật suy giảm độ chính xác theo độ trễ thời gian: Khung thời gian t-1 (1 năm trước biến cố) mang lại hiệu quả dự báo cao nhất với độ chính xác tổng thể đạt 89,5%. Khi khoảng cách thời gian tăng lên, độ chính xác giảm dần còn 78,2% ở năm t-2 và 68,5% ở năm t-3. Xu hướng này hoàn toàn tương thích với các nghiên cứu quốc tế, chẳng hạn như mô hình của Polemis và Gounopoulos (2012) khi độ chính xác giảm từ 79% ở năm thứ nhất xuống 66% ở năm thứ ba.
• Hiệu quả tối ưu của bộ dữ liệu tinh giản: Việc rút gọn từ bộ dữ liệu đầy đủ 26 chỉ số tài chính xuống bộ dữ liệu tinh gọn 9 chỉ số cốt lõi không làm suy giảm đáng kể năng lực phân loại của mô hình. Tỷ lệ sai lệch độ chính xác chỉ dao động trong khoảng 1,5% đến 2,5%, trong khi giảm thiểu rõ rệt nguy cơ quá khớp (overfitting) và tiết kiệm trên 60% thời gian xử lý dữ liệu.
• Nhóm chỉ số có giá trị dự báo quyết định: Các chỉ số phản ánh thanh khoản và sinh lợi đóng vai trò trọng yếu nhất, bao gồm: tỷ số nợ ngắn hạn trên tổng tài sản (CL/TA), tỷ số tiền mặt trên nợ ngắn hạn, tỷ suất sinh lời trên tổng tài sản (ROA) và tỷ số lợi nhuận ròng trên doanh thu (NP/SR).

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự suy thoái tài chính tại các doanh nghiệp niêm yết Việt Nam xuất phát từ cấu trúc nợ ngắn hạn chiếm tỷ trọng quá cao trong tổng nguồn vốn, kết hợp với sự suy giảm liên tục của dòng tiền hoạt động thuần. Khi đối mặt với các cú sốc thị trường, gánh nặng chi phí lãi vay nhanh chóng bào mòn lợi nhuận gộp, đẩy doanh nghiệp vào tình trạng mất thanh khoản kỹ thuật trước khi chính thức ghi nhận lỗ ròng 2 năm liên tiếp.

So với mô hình Z-score của Altman vốn áp đặt trọng số cố định cho thị trường phát triển, phương pháp SVM và NN cho phép tự động điều chỉnh các siêu phẳng phân tách phi tuyến, thích ứng hoàn hảo với đặc thù biên độ dao động mạnh của thị trường chứng khoán Việt Nam. Kết quả nghiên cứu có thể được trực quan hóa hiệu quả thông qua biểu đồ đường so sánh biến thiên độ chính xác (Accuracy) và độ phủ (Recall) qua các mốc t-1, t-2, t-3, cùng bảng ma trận nhầm lẫn (Confusion Matrix) minh họa khả năng nhận diện chính xác giữa nhóm doanh nghiệp kiệt quệ và doanh nghiệp khỏe mạnh.

Đề xuất và khuyến nghị

Dựa trên kết quả thực nghiệm, 4 giải pháp trọng tâm được đề xuất nhằm nâng cao năng lực kiểm soát rủi ro kiệt quệ tài chính:

• Thiết lập hệ thống cảnh báo sớm tự động (Early Warning System): Ban điều hành doanh nghiệp cần triển khai phần mềm cảnh báo rủi ro dựa trên thuật toán SVM, đặt mục tiêu phát hiện nguy cơ khủng hoảng trước 12 đến 24 tháng với độ tin cậy trên 85%. Thời gian áp dụng định kỳ vào mỗi kỳ lập báo cáo tài chính quý.
• Cơ cấu lại nguồn vốn và kiểm soát đòn bẩy ngắn hạn: Phòng Tài chính - Kế toán doanh nghiệp phải thực hiện kiểm soát chặt chẽ tỷ số nợ ngắn hạn trên tổng tài sản (CL/TA) dưới ngưỡng an toàn 40%, đồng thời duy trì tỷ số dòng tiền thuần từ hoạt động kinh doanh trên nợ ngắn hạn (NOCF/CL) tối thiểu ở mức 15% trong vòng 6 đến 12 tháng tới nhằm đảm bảo thanh khoản tức thời.
• Tích hợp mô hình học máy vào quy trình cấp tín dụng ngân hàng: Khối Quản trị Rủi ro tại các ngân hàng thương mại cần cập nhật bộ 9 chỉ số tài chính trọng yếu vào hệ thống xếp hạng tín dụng nội bộ, hướng đến mục tiêu giảm tỷ lệ nợ xấu phát sinh từ khối doanh nghiệp niêm yết xuống dưới 1,5% trong lộ trình 2016–2020.
• Nâng cao tiêu chuẩn giám sát và minh bạch thông tin thị trường: Ủy ban Chứng khoán Nhà nước và hai Sở Giao dịch (HOSE, HNX) cần ứng dụng công cụ Data Mining để quét dữ liệu tự động 100% báo cáo tài chính công bố, đưa các đơn vị có chỉ dấu rủi ro cao vào danh sách giám sát đặc biệt ngay từ năm t-1 thay vì đợi đủ điều kiện thua lỗ 2 năm liên tiếp.

Đối tượng nên tham khảo luận văn

• Ban Quản trị và Giám đốc Tài chính (CFO): Sử dụng khung 9 chỉ số trọng yếu để chủ động rà soát sức khỏe tài chính doanh nghiệp, phát hiện điểm nghẽn thanh khoản trước 1 đến 2 năm nhằm hoạch định phương án đảo nợ và tái cấu trúc kịp thời.
• Nhà đầu tư tổ chức và Quản lý quỹ: Ứng dụng thuật toán SVM và cây quyết định để sàng lọc cổ phiếu, loại bỏ các mã chứng khoán có xác suất kiệt quệ trên 70%, bảo vệ danh mục đầu tư trước rủi ro bị đình chỉ giao dịch hoặc hủy niêm yết bắt buộc.
• Chuyên viên Thẩm định Tín dụng Ngân hàng: Sử dụng mô hình dự báo như một công cụ độc lập để thẩm định hồ sơ vay vốn trung và dài hạn, nâng cao độ chính xác trong việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp lên trên 88%.
• Giảng viên, Học viên Cao học và Nhà nghiên cứu: Sử dụng đề tài làm tài liệu tham khảo chuyên sâu về phương pháp luận kết hợp giữa tài chính định lượng và khoa học dữ liệu, mở rộng nghiên cứu sang tập dữ liệu lớn hơn với hơn 500 doanh nghiệp.

Câu hỏi thường gặp

Tiêu chí xác định doanh nghiệp kiệt quệ tài chính trong nghiên cứu là gì? Nghiên cứu định nghĩa doanh nghiệp kiệt quệ tài chính là các công ty bị Sở Giao dịch Chứng khoán đưa vào diện kiểm soát đặc biệt do có lợi nhuận sau thuế âm liên tiếp trong 2 năm. Tiêu chí này đại diện cho sự suy thoái tài chính có tính hệ thống trước khi dẫn đến thủ tục phá sản pháp lý.

Tại sao thuật toán Support Vector Machine (SVM) lại cho kết quả dự báo tốt hơn các phương pháp khác? Thuật toán SVM vượt trội nhờ khả năng ánh xạ dữ liệu vào không gian nhiều chiều để tìm ra siêu phẳng phân tách tối ưu với khoảng cách biên lớn nhất. Điều này giúp SVM xử lý xuất sắc các mối quan hệ phi tuyến tính phức tạp của 26 chỉ số tài chính mà không bị ảnh hưởng bởi giả định phân phối chuẩn.

Khung thời gian nào đem lại kết quả dự báo kiệt quệ tài chính chuẩn xác nhất? Khung thời gian t-1 (1 năm trước khi bị kiểm soát đặc biệt) đạt độ chính xác cao nhất với tỷ lệ trung bình 89,5%. Khi dự báo trước 2 năm (t-2) và 3 năm (t-3), độ chính xác lần lượt đạt 78,2% và 68,5% do biến động vĩ mô và sự thay đổi chiến lược của doanh nghiệp theo thời gian.

Việc cắt giảm từ 26 chỉ số xuống 9 chỉ số tài chính có làm giảm chất lượng mô hình không? Thực nghiệm chứng minh việc tinh gọn bộ dữ liệu từ 26 xuống 9 chỉ số không làm suy giảm chất lượng dự báo khi độ chính xác chỉ chênh lệch dưới 2,5%. Ngược lại, điều này giúp loại bỏ các biến đa cộng tuyến, giảm thiểu hiện tượng quá khớp và đơn giản hóa việc thu thập dữ liệu trong thực tế.

Mô hình có thể áp dụng cho các doanh nghiệp chưa niêm yết tại Việt Nam hay không? Mô hình hoàn toàn có thể mở rộng áp dụng cho các doanh nghiệp chưa niêm yết nếu có đầy đủ báo cáo tài chính minh bạch được kiểm toán trong tối thiểu 3 năm liên tiếp, đặc biệt hữu ích cho các ngân hàng khi chấm điểm tín dụng doanh nghiệp vừa và nhỏ.

Kết luận

• Luận văn đã ứng dụng thành công kỹ thuật khai phá dữ liệu (Data Mining) để giải quyết bài toán dự báo kiệt quệ tài chính của các công ty niêm yết tại Việt Nam.
• Thuật toán SVM và Mạng nơ-ron chứng minh hiệu quả vượt bậc với độ chính xác đạt trên 88% đến 91,5% ở khung thời gian 1 năm trước khủng hoảng.
• Khung thời gian t-1 được xác định là thời điểm tối ưu cho độ chính xác cao nhất (89,5%), đồng thời mô hình vẫn duy trì khả năng cảnh báo sớm hiệu quả trước 2 đến 3 năm.
• Bộ 9 chỉ số tài chính tinh gọn tập trung vào thanh khoản và sinh lợi được chứng minh là đủ năng lực đại diện, thay thế hiệu quả cho bộ 26 biến ban đầu.
• Đóng góp thực tiễn to lớn trong việc cung cấp công cụ giám sát rủi ro định lượng cho các doanh nghiệp, ngân hàng thương mại và nhà đầu tư trên sàn HOSE và HNX.

Kế hoạch phát triển tiếp theo bao gồm việc mở rộng cỡ mẫu sang giai đoạn sau năm 2016 và tích hợp thêm các biến số vĩ mô trong vòng 12 đến 18 tháng tới. Các nhà quản trị và chuyên gia phân tích rủi ro được khuyến nghị ứng dụng ngay mô hình này vào quy trình đánh giá định kỳ để chủ động bảo vệ nguồn vốn và tối ưu hóa hiệu quả hoạt động kinh doanh.

Trích đoạn nội dung tài liệu

Chương 1 – CÁC NGHIÊN CỨU TRƯỚC ĐÂY VỀ DỰ BÁO KIỆT QUỆ TÀI CHÍNH 1.1 Kiệt quệ tài chính và những ảnh hưởng của kiệt quệ tài chính đến các chủ thể trong nền kinh tế 1.1 Kiệt quệ tài chính Kiệt quệ tài chính là một khái niệm với nghĩa khá rộng, nó thể hiện tình trạng các doanh nghiệp phải đối mặt với khó khăn về tài chính.Thuật ngữ phổ biến nhất sử dụng để mô tả những tình trạng này là “thất bại” (failure), “mất thanh khoản” (insolvency), “vỡ nợ” (default), và “phá sản” (bankruptcy). Thất bại (failure): Altman và Hotckiss (2005) định nghĩa “thất bại”theo chuẩnkinh tế học, nghĩa là “tỷ suất sinh lợi thực tế trên vốn đầu tư, cùng với các tỷ số khác để đánh giá rủi ro, là thấp hơn liên tục và đáng kể so với các tỷ số của các đầu tư tương đương trên thị trường, hoặc doanh thu không đủ bù đắp chi phí của công ty”. Tuy nhiên, định nghĩa như trên vẫn chưa đủ, bởi vì mặc dù có doanh thu không đủ bù đắp chi phí hoặc tỷ suất sinh lợi thực trên vốn đâu tư thấp hơn so với tỷ số của các đầu tư tương đương trên thị trường thì một công ty trong tình huống này cũng có thể tiếp tục hoạt động kinh doanh nếu các nhà đầu tư đồng ý chấp nhận mức tỷ suất sinh lợi thấp. Vì vậy, rất khó để phân loại một công ty đối mặt các tình huống ở trên như một doanh nghiệp kiệt quệ tài chính.

Một quan điểm khác, dựa theo chuẩn tài chính, “thất bại” là việc dòng tiền của doanh nghiệp không đủ để thỏa mãn nghĩa vụ tài chính hiện tại. Các nghĩa vụ tài chính này bao gồm việc không thể giải quyết nợ đối với các nhà cung cấp tín dụng và người lao động, hoặc gánh chịu tổn thất từ quá trình pháp lý diễn ra dai dẳng, hoặc không thể hoàn trả nợ gốc và lãi vay (Wruck, 1990). Từ các quan điểm trên, “thất bại” của công ty được chia làm 2 loại, đó là: “thất bại kinh tế” (economic failure) và “thất bại tài chính” (financial failure). Andrade và Kaplan (1998) nhấn mạnh cần thiết phải phân biệt giữa “thất bại tài chính” và “thất bại kinh tế”.

Hai ông định nghĩa rằng một công ty vi phạm việc trả nợ là “thất LUAN VAN CHAT LUONG download : add [e-mail] 5 bại tài chính”, còn một công ty đang thua lỗ trong hoạt động kinh doanh là “thất bại kinh tế”. Ở một quan điểm phổ biến khác, “thất bại tài chính” được định nghĩa là việc công ty bất lực trong việc hoàn thành các nghĩa vụ nợ.Tuy nhiên, một công ty không đủ khả năng thanh toán các khoản nợ cũng có thể xảy ra ngay cả khi công ty có giá trị tài sản ròng dương (Gaughan, 2011). Như vậy, có thể hiểu rằng bên cạnh tình trạng “bất lực” của công ty trong việc trả nợ, thì tình trạng “khó khăn” của công ty trong việc thanh toán các khoản nợ cũng được xem là “thất bại tài chính”. Cuối cùng, cần nhấn mạnh rằng “thất bại tài chính” không đồng nghĩa với “phá sản” hay “giải thể”.

Bởi vì, tất cả các công ty khi gặp khó khăn trong hoạt động kinh doanh thì đều sẽ trải qua “thất bại tài chính” và “thất bại kinh tế”, nhưng chỉ một số công ty trong số đó sẽ đi đến “phá sản” hay “giải thể” chứ không phải tất cả. Mất thanh khoản (insolvency): là một dạng khác đểmô tảkết quảhoạt động kinhdoanh thất bại và kiệt quệ tài chính. Một công ty “mất thanh khoản” có thể đượcđịnh nghĩa là không đủ khả năng để hoàn thành các nghĩa vụ tài chính bao gồm cả các khoản nợ đối với người lao động, nhà cung cấp, chủ nợ (Shrader và Hickman, 1993).