Bối cảnh và vấn đề nghiên cứu

Hội nhập kinh tế quốc tế mang lại nhiều cơ hội phát triển cho Việt Nam nhưng đồng thời gia tăng áp lực cạnh tranh và rủi ro thị trường đối với các doanh nghiệp nội địa. Theo Báo cáo Rủi ro thương mại và đầu tư Việt Nam năm 2022 của Fitch Solutions, Việt Nam xếp thứ 5/35 quốc gia châu Á và thứ 20/201 thị trường toàn cầu về độ mở kinh tế. Tuy nhiên, giai đoạn 2019–2023 chứng kiến nhiều biến động bất lợi đối với sức khỏe tài chính của cộng đồng doanh nghiệp. Theo số liệu từ Cổng Thông tin quốc gia về Đăng ký doanh nghiệp, số doanh nghiệp thành lập mới dù tăng từ 138.139 (năm 2019) lên 159.294 (năm 2023), nhưng đã trải qua giai đoạn sụt giảm mạnh do dịch bệnh Covid-19: giảm 2,3% vào năm 2020 (134.941 doanh nghiệp) và giảm 13,41% vào năm 2021 (116.839 doanh nghiệp). Ngược lại, số doanh nghiệp rút lui khỏi thị trường tăng vọt, đạt 89.533 doanh nghiệp năm 2022 và lên tới 172.578 doanh nghiệp vào năm 2023; riêng trong hai năm 2021 và 2023, số doanh nghiệp rút lui đã vượt quá số thành lập mới. Đáng chú ý, có khoảng 10% doanh nghiệp thực hiện thủ tục giải thể và 51,6% doanh nghiệp tạm ngừng kinh doanh.

Trong bức tranh chung đó, ngành bất động sản (BĐS) chịu tổn thương nặng nề nhất. Theo Hiệp hội Môi giới Bất động sản Việt Nam (VARS), năm 2023 số doanh nghiệp BĐS thành lập mới giảm gần một nửa so với năm 2022 (từ 8.593 xuống 4.725 doanh nghiệp), trong khi số doanh nghiệp giải thể tăng 7,7% lên 1.286 doanh nghiệp. Ngành BĐS giữ vai trò cầu nối với hệ số lan tỏa từ 0,5 đến 1,7 lần tới 35 ngành nghề liên quan, đặc biệt là hệ thống ngân hàng thương mại do tỷ trọng dư nợ tín dụng BĐS chiếm quy mô lớn. Tình trạng kiệt quệ tài chính (KQTC) kéo dài của các doanh nghiệp BĐS nếu không được cảnh báo sớm sẽ tiềm ẩn rủi ro phá sản hàng loạt và đe dọa sự ổn định tài chính quốc gia.

Mục tiêu nghiên cứu của đề tài được xác định cụ thể như sau:

  • Mục tiêu tổng quát: Xác định mô hình dự báo tối ưu nhất khả năng KQTC của các doanh nghiệp ngành BĐS niêm yết trên thị trường chứng khoán (TTCK) Việt Nam, cung cấp cơ sở phân loại rủi ro nhằm chủ động cải thiện và nâng cao hiệu quả dự báo.
  • Mục tiêu cụ thể:
    1. So sánh hiệu quả của các mô hình dự báo, qua đó xác định mô hình dự báo khả năng KQTC tốt nhất đối với các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam.
    2. Xác định các yếu tố có ảnh hưởng quan trọng đến hiệu quả dự báo của các mô hình dự báo khả năng KQTC của các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam.
    3. Đưa ra một số khuyến nghị dựa trên kết quả nghiên cứu đạt được giúp cải thiện và nâng cao hiệu quả dự báo của các mô hình dự báo khả năng KQTC của các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam.

Nhiệm vụ nghiên cứu được cụ thể hóa qua ba câu hỏi nghiên cứu:

  1. Những yếu tố nào được sử dụng trong việc xây dựng mô hình dự báo khả năng KQTC của các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam?
  2. Mô hình dự báo nào có khả năng dự báo KQTC tốt nhất đối với các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam?
  3. Các khuyến nghị nào có thể hỗ trợ cải thiện hiệu quả của các mô hình dự báo khả năng KQTC của các doanh nghiệp ngành BĐS niêm yết trên TTCK Việt Nam?
  • Đối tượng nghiên cứu: Khả năng kiệt quệ tài chính của các doanh nghiệp ngành bất động sản niêm yết trên thị trường chứng khoán Việt Nam.
  • Phạm vi nghiên cứu: 59 doanh nghiệp ngành BĐS niêm yết trên Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) trong giai đoạn 2008–2023. Tác giả chọn sàn HOSE do đây là sàn giao dịch có quy mô lớn nhất Việt Nam, áp dụng quy chuẩn niêm yết khắt khe và tập trung phần lớn doanh nghiệp BĐS có mức vốn hóa lớn, đảm bảo tính đại diện và độ tin cậy của dữ liệu phân tích.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của khóa luận dựa trên hai lý thuyết tài chính doanh nghiệp nền tảng:

  • Lý thuyết đánh đổi tĩnh (Static Trade-Off Theory): Được Kraus và Litzenberger (1973) phát triển dựa trên nghiên cứu của Modigliani và Miller (1963). Doanh nghiệp xác định cấu trúc vốn tối ưu tại điểm cân bằng giữa lợi ích cận biên từ lá chắn thuế của nợ vay và chi phí cận biên của kiệt quệ tài chính. Khi đòn bẩy vượt ngưỡng tới hạn, chi phí kiệt quệ tài chính (trực tiếp và gián tiếp) gia tăng nhanh chóng, lấn át lợi ích thuế và làm suy giảm giá trị doanh nghiệp.
  • Lý thuyết tín hiệu (Signaling Theory): Bắt nguồn từ sự bất cân xứng thông tin giữa nhà quản trị và nhà đầu tư (Myers và Majluf, 1981; Leland và Pyle, 1985). Tỷ lệ nợ và các chỉ tiêu tài chính được xem là công cụ truyền tải tín hiệu ra thị trường về triển vọng hoạt động và dòng tiền tương lai của doanh nghiệp.

Về mặt khái niệm và khung pháp lý:

  • Tác giả tiếp thu các định nghĩa về KQTC của Beaver (1966) (ví von dòng tiền như hồ chứa nước), Wruck (1990) (dòng tiền không đủ chi trả các nghĩa vụ hiện tại), Foster (1986), Hing và Lau (1987) với 5 trạng thái tài chính, Purnanandam (2008), và Altman cùng Hotchkiss (2011) về thất bại kinh tế và thất bại pháp lý. Các biểu hiện suy thoái được phân định theo bốn mức độ: thất bại (failure), mất khả năng thanh toán (insolvency), vỡ nợ (default) và phá sản (bankruptcy).
  • Khung nhận diện pháp lý thực tế tại Việt Nam dựa trên Luật Phá sản năm 2014 (quy định mất khả năng thanh toán khi không thực hiện nghĩa vụ thanh toán khoản nợ trong thời hạn 03 tháng kể từ ngày đến hạn) và Quyết định số 17/QĐ-HĐTV ban hành Quy chế niêm yết và giao dịch chứng khoán của UBCKNN (các ngưỡng cảnh báo, kiểm soát khi vốn điều lệ giảm dưới 30 tỷ đồng, lợi nhuận sau thuế âm, lỗ lũy kế vượt vốn điều lệ, vốn chủ sở hữu âm).

Phương pháp nghiên cứu và nguồn dữ liệu:

  • Nguồn dữ liệu: Dữ liệu thứ cấp thu thập từ Bộ cơ sở Dữ liệu Kinh tế - Tài chính - Vĩ Mô Việt Nam thông qua phần mềm FiinPro, gồm 59 công ty BĐS niêm yết trên sàn HOSE giai đoạn 2008–2023. Dữ liệu bao gồm ba nhóm biến độc lập: biến chỉ số tài chính, biến thị trường và biến kinh tế vĩ mô.
  • Kỹ thuật phân tích: Xử lý và làm sạch dữ liệu, phân tích tương quan, kiểm tra đa cộng tuyến và huấn luyện mô hình trên nền tảng Google Colab.
  • Các thuật toán thực nghiệm: So sánh 05 mô hình phân loại:
    1. Hồi quy Logistic (Logistic Regression - LR)
    2. Cây quyết định (Decision Tree - DT)
    3. Rừng ngẫu nhiên (Random Forest - RF)
    4. Extreme Gradient Boosting (XGBoost)
    5. Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN)
  • Tiêu chí đánh giá: Đánh giá hiệu suất phân loại thông qua đường cong ROC (Receiver Operating Characteristic) và diện tích dưới đường cong ROC (AUC). Đánh giá tầm quan trọng của các biến đặc trưng đầu vào bằng phương pháp giá trị SHAP (Shapley Additive Explanations).

Nội dung chính theo từng chương

Chương 1: Giới thiệu đề tài

Chương 1 thiết lập tính cấp thiết của đề tài nghiên cứu trong bối cảnh nền kinh tế có độ mở cao và thị trường BĐS Việt Nam chịu tác động nghiêm trọng sau dịch Covid-19 và suy thoái kinh tế. Tác giả trình bày các số liệu thống kê thực tế về tốc độ giải thể, ngừng kinh doanh của các doanh nghiệp BĐS năm 2023, phân tích tính liên đới giữa BĐS và hệ thống tài chính - ngân hàng. Trên cơ sở đó, chương này xác định mục tiêu nghiên cứu tổng quát, 03 mục tiêu cụ thể, 03 câu hỏi nghiên cứu, đối tượng nghiên cứu (khả năng KQTC của doanh nghiệp BĐS), phạm vi dữ liệu (59 công ty trên HOSE giai đoạn 2008–2023), phương pháp nghiên cứu định lượng kết hợp học máy và ý nghĩa thực tiễn của đề tài.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 2 xây dựng khung cơ sở lý thuyết toàn diện về kiệt quệ tài chính. Tác giả phân tích nguồn gốc khái niệm, phân biệt các trạng thái tài chính (thất bại, mất khả năng thanh toán kỹ thuật/nghiêm trọng, vỡ nợ, phá sản) và phân tích tác động đa chiều của KQTC đối với doanh nghiệp (tổn thất khách hàng, đối thủ cạnh tranh, quản lý; chi phí gián tiếp chiếm 5–10% giá trị doanh nghiệp theo Branch, 2002), đối với ngành (minh chứng qua sự sụp đổ của Tập đoàn Evergrande dẫn tới khủng hoảng thanh khoản dây chuyền) và đối với nền kinh tế vĩ mô.

Chương này trình bày chi tiết hai lý thuyết nền: Lý thuyết đánh đổi tĩnh và Lý thuyết tín hiệu, đồng thời rà soát sự tiến hóa của các mô hình dự báo từ phương pháp thống kê truyền thống (kiểm định đơn biến của Beaver 1966, mô hình Z-score của Altman 1968, mô hình ZETA 1977, mô hình Logit của Ohlson 1980) đến các thuật toán học máy hiện đại (DT, RF, XGBoost, ANN).

Bảng so sánh phương pháp truyền thống và học máy được tác giả tổng hợp như sau:

Tiêu chí Phương pháp truyền thống (LR, MDA) Phương pháp học máy (DT, RF, XGB, ANN)
Ưu điểm Đơn giản, dễ áp dụng; phù hợp với dữ liệu ít biến động; hiệu quả giải thích cao. Tốc độ huấn luyện nhanh trên dữ liệu lớn; không yêu cầu giả định phân phối cố định; xử lý tốt dữ liệu đa cộng tuyến; độ chính xác và khả năng phân loại cao; linh hoạt với nhiều loại biến.
Nhược điểm Đòi hỏi dữ liệu đáp ứng giả định nghiêm ngặt (phân phối chuẩn đa biến); kém linh hoạt; khó mở rộng trên tập dữ liệu lớn và phức tạp. Yêu cầu lượng dữ liệu huấn luyện lớn; kém hiệu quả nếu dữ liệu mất cân bằng nghiêm trọng; đòi hỏi kiến thức chuyên sâu về thuật toán và kỹ thuật tối ưu hóa.

Phần khảo lược tài liệu tổng hợp có hệ thống 8 nghiên cứu quốc tế tiêu biểu (Patel và Vlamis, 2006; Lin, Liang và Chen, 2011; Geng, Bose và Chen, 2015; Hu và Sathye, 2015; Barboza, Kimura và Altman, 2017; Yan, Chi và Lai, 2020; Aydin và cộng sự, 2022; Barboza và Altman, 2024) và 6 nghiên cứu trong nước (Binh, Trung và Duc, 2018; Duc và cộng sự, 2019; Lê Hoàng Vinh và Phạm Lê Quang, 2021; Long và cộng sự, 2022; Ha, Dang và Tran, 2023; Nguyễn Thị Kim Oanh, 2023). Từ đó, tác giả chỉ ra khoảng trống nghiên cứu: phần lớn các nghiên cứu trong nước trước đây áp dụng mô hình hồi quy truyền thống hoặc khảo sát trên diện rộng các ngành công nghiệp chung, còn thiếu các nghiên cứu ứng dụng các thuật toán học máy tiên tiến kết hợp giải thích biến bằng giá trị SHAP chuyên biệt cho nhóm doanh nghiệp BĐS niêm yết trên HOSE.

Chương 3: Phương pháp nghiên cứu

Chương 3 thiết lập quy trình nghiên cứu thực nghiệm định lượng chi tiết. Tác giả mô tả phương pháp thu thập biến mục tiêu (phân loại tình trạng doanh nghiệp dựa trên quy chế giao dịch chứng khoán của UBCKNN và tình trạng thua lỗ/mất khả năng thanh toán) và các biến đặc trưng (chia thành 3 nhóm: biến tài chính, biến thị trường, biến kinh tế vĩ mô).

Quy trình kỹ thuật gồm các bước:

  1. Thu thập dữ liệu thứ cấp từ FiinPro của 59 công ty ngành BĐS niêm yết trên HOSE (2008–2023).
  2. Tiền xử lý, làm sạch dữ liệu, xử lý giá trị ngoại lai và giá trị khuyết thiếu.
  3. Thống kê mô tả và phân tích ma trận tương quan, kiểm định đa cộng tuyến (VIF).
  4. Phân chia tập dữ liệu thành tập huấn luyện (training set) và tập kiểm tra (testing set).
  5. Huấn luyện 05 thuật toán (LR, DT, RF, XGBoost, ANN) trên 03 kịch bản biến đầu vào: (i) chỉ sử dụng biến tài chính, (ii) kết hợp biến tài chính và biến thị trường, (iii) tích hợp cả biến tài chính, biến thị trường và biến kinh tế vĩ mô.
  6. Đánh giá hiệu suất phân loại qua đường cong ROC và chỉ số AUC.
  7. Áp dụng giá trị SHAP để xác định và giải thích mức độ quan trọng của từng biến đặc trưng trong các mô hình đạt hiệu suất cao.

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 trình bày kết quả khám phá dữ liệu và hiệu suất thực nghiệm của các mô hình:

  • Khám phá dữ liệu: Thống kê mô tả chỉ ra sự phân hóa lớn về các chỉ số đòn bẩy và khả năng thanh toán giữa các doanh nghiệp trong mẫu nghiên cứu qua các chu kỳ kinh tế 2008–2023. Ma trận tương quan và kiểm định đa cộng tuyến cho thấy các biến được lựa chọn đáp ứng yêu cầu kỹ thuật cho quá trình mô hình hóa.
  • So sánh hiệu suất mô hình qua diện tích dưới đường cong ROC (AUC):
    • Khi chỉ sử dụng biến tài chính: Mô hình Rừng ngẫu nhiên (Random Forest) thể hiện năng lực dự báo và phân loại vượt trội so với các thuật toán còn lại.
    • Khi tích hợp đồng thời ba nhóm biến (tài chính, thị trường và kinh tế vĩ mô): Mô hình XGBoost đạt hiệu suất tối ưu nhất, cho thấy khả năng khai thác hiệu quả các mối quan hệ phi tuyến phức tạp giữa sức khỏe nội tại của doanh nghiệp và biến động môi trường kinh tế bên ngoài.
    • Mô hình Hồi quy Logistic truyền thống bộc lộ hạn chế khi xử lý tập dữ liệu nhiều chiều so với các mô hình học máy dạng tổ hợp (Ensemble Learning).
  • Phân tích tầm quan trọng của biến qua giá trị SHAP: Kết quả phân tích SHAP xác định ba biến tài chính có vai trò chi phối và tác động mạnh mẽ nhất đến xác suất kiệt quệ tài chính của doanh nghiệp BĐS:
    1. EBITTA: Tỷ lệ lợi nhuận trước lãi vay và thuế trên tổng tài sản.
    2. PTB: Tỷ lệ giá trị thị trường của cổ phiếu trên giá trị sổ sách của tài sản hữu hình.
    3. TLTE: Tỷ lệ tổng nợ phải trả trên vốn chủ sở hữu.

Chương 5: Kết luận và hàm ý chính sách

Chương cuối cùng tổng kết các phát hiện chính của khóa luận, đối chiếu với các mục tiêu nghiên cứu ban đầu. Trên cơ sở kết quả thực nghiệm, tác giả đề xuất các hàm ý chính sách và khuyến nghị quản trị cụ thể nhằm nâng cao năng lực kiểm soát rủi ro kiệt quệ tài chính cho các bên liên quan. Đồng thời, chương này chỉ ra các giới hạn của đề tài và định hướng các nghiên cứu tiếp theo.

Kết quả và đóng góp

Nghiên cứu mang lại các kết quả thực nghiệm và đóng góp khoa học cụ thể sau:

  1. Kết quả so sánh mô hình dự báo:

    • Trong kịch bản dữ liệu đầu vào chỉ gồm các chỉ số tài chính, thuật toán Random Forest (RF) đạt hiệu quả dự báo cao nhất.
    • Trong kịch bản dữ liệu đầu vào kết hợp cả 3 nhóm biến (chỉ số tài chính, biến thị trường và biến kinh tế vĩ mô), thuật toán XGBoost đạt hiệu suất phân loại và độ chính xác tối ưu nhất.
    • Các kỹ thuật học máy hiện đại (RF, XGBoost) chứng minh tính ưu việt rõ rệt so với mô hình thống kê truyền thống (Hồi quy Logistic) khi giải quyết bài toán dự báo rủi ro tài chính doanh nghiệp BĐS.

  2. Xác định các yếu tố tài chính cốt lõi: Phân tích giá trị SHAP chỉ ra 03 biến số tài chính có đóng góp quan trọng nhất vào khả năng dự báo kiệt quệ tài chính của các công ty BĐS trên HOSE:

Ký hiệu biến Tên đầy đủ Ý nghĩa phân tích tài chính Chiều hướng tác động đến KQTC
EBITTA Lợi nhuận trước lãi vay và thuế trên tổng tài sản Phản ánh hiệu quả sinh lời thuần từ tài sản hoạt động của doanh nghiệp BĐS. Tác động nghịch chiều: EBITTA càng cao thì nguy cơ kiệt quệ tài chính càng thấp.
PTB Giá cổ phiếu trên giá trị sổ sách tài sản hữu hình Đo lường mức định giá thị trường đối với tài sản hữu hình và kỳ vọng của nhà đầu tư. Tác động nghịch chiều: Doanh nghiệp có PTB cao duy trì uy tín thị trường và khả năng huy động vốn tốt hơn.
TLTE Tổng nợ phải trả trên vốn chủ sở hữu Thể hiện mức độ sử dụng đòn bẩy tài chính và mức độ phụ thuộc vào nguồn vốn vay nợ. Tác động thuận chiều: TLTE càng lớn thể hiện gánh nặng nợ vay cao, làm tăng trực tiếp xác suất rơi vào KQTC.

  1. Hàm ý chính sách và khuyến nghị của tác giả:

    • Đối với nhà quản trị doanh nghiệp BĐS: Cần tái cấu trúc nguồn vốn, kiểm soát chặt chẽ tỷ lệ đòn bẩy TLTE, hạn chế phụ thuộc quá mức vào nợ vay ngắn hạn và trái phiếu doanh nghiệp; nâng cao năng lực khai thác tài sản để cải thiện chỉ số EBITTA; chủ động áp dụng các công cụ học máy vào hệ thống cảnh báo sớm rủi ro thanh khoản nội bộ.
    • Đối với các tổ chức tín dụng và ngân hàng thương mại: Ứng dụng các thuật toán RF và XGBoost trong quy trình thẩm định và xếp hạng tín nhiệm doanh nghiệp BĐS vay vốn; đặc biệt giám sát biến động của ba chỉ số EBITTA, PTB, TLTE nhằm kiểm soát nợ xấu và rủi ro lan truyền tín dụng.
    • Đối với cơ quan quản lý nhà nước và TTCK: Tiếp tục hoàn thiện khung khổ giám sát, nâng cao tính minh bạch thông tin tài chính trên sàn niêm yết, đồng thời theo dõi các biến số vĩ mô để có chính sách can thiệp thanh khoản thị trường kịp thời.

  2. Đóng góp so với nghiên cứu trước: Khóa luận bổ sung bằng chứng thực nghiệm chuyên sâu cho phân khúc doanh nghiệp bất động sản niêm yết trên TTCK Việt Nam qua chu kỳ dữ liệu 16 năm (2008–2023). Nghiên cứu khẳng định giá trị của việc tích hợp đồng thời ba nhóm nhân tố (tài chính - thị trường - vĩ mô), đồng thời ứng dụng thành công kỹ thuật SHAP để vượt qua nhược điểm "hộp đen" của các mô hình học máy trong phân tích kinh tế lượng tài chính.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế và định hướng nghiên cứu tiếp theo dựa trên nội dung văn bản:

  • Hạn chế về phạm vi mẫu: Dữ liệu nghiên cứu chỉ tập trung vào 59 doanh nghiệp ngành BĐS niêm yết trên sàn HOSE giai đoạn 2008–2023. Nghiên cứu chưa bao quát các doanh nghiệp BĐS niêm yết trên sàn HNX, UPCoM, cũng như các doanh nghiệp BĐS chưa niêm yết vốn có mức độ rủi ro thanh khoản và cấu trúc vốn đa dạng hơn.
  • Hạn chế về nhóm biến đặc trưng: Nghiên cứu tập trung chủ yếu vào các biến số tài chính định lượng, các chỉ số thị trường và biến vĩ mô tổng thể; chưa khai thác sâu các yếu tố phi tài chính hoặc quản trị công ty (như cơ cấu hội đồng quản trị, sở hữu nhà nước/nước ngoài, uy tín của đơn vị kiểm toán độc lập) vốn có thể cung cấp thêm tín hiệu dự báo quan trọng.
  • Hướng nghiên cứu tiếp: Mở rộng tập mẫu sang toàn bộ các sàn giao dịch chứng khoán tại Việt Nam và phân nhóm chi tiết theo từng loại hình BĐS (dân cư, khu công nghiệp, thương mại); tích hợp thêm các biến quản trị doanh nghiệp và thử nghiệm thêm các cấu trúc học sâu (Deep Learning) nhằm nâng cao độ chính xác dự báo dài hạn.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho các nhóm đối tượng sau:

  • Sinh viên và học viên cao học chuyên ngành Tài chính - Ngân hàng, Kinh tế học ứng dụng, Hệ thống thông tin quản lý: Cung cấp tài liệu tham khảo hoàn chỉnh về cách triển khai đề tài phân tích định lượng kết hợp kinh tế lượng tài chính và học máy.
  • Chuyên viên phân tích rủi ro tín dụng và quản trị danh mục đầu tư: Giá trị ứng dụng trực tiếp từ khung phương pháp so sánh mô hình và việc lựa chọn các chỉ báo tài chính quan trọng (EBITTA, PTB, TLTE) để thiết lập hệ thống cảnh báo sớm rủi ro thanh khoản đối với nhóm khách hàng BĐS.
  • Các phần đáng tham khảo nhất:
    1. Bảng khảo lược nghiên cứu trước tại Chương 2 (tổng hợp chi tiết 14 công trình trong và ngoài nước kèm phương pháp, số mẫu và biến số).
    2. Quy trình thực nghiệm trên Google Colab tại Chương 3 (hướng dẫn thiết kế kịch bản kiểm thử biến từ đơn nhóm đến đa nhóm).
    3. Phương pháp giải thích mô hình bằng SHAP values tại Chương 4 (giải pháp khắc phục tính trừu tượng của thuật toán học máy trong phân tích tài chính).

Câu hỏi thường gặp

1. Dữ liệu nghiên cứu được thu thập từ nguồn nào và bao gồm bao nhiêu doanh nghiệp?

Dữ liệu nghiên cứu là số liệu thứ cấp thu thập từ Bộ cơ sở Dữ liệu Kinh tế - Tài chính - Vĩ Mô Việt Nam thông qua phần mềm FiinPro. Mẫu nghiên cứu bao gồm 59 công ty thuộc ngành bất động sản niêm yết trên sàn HOSE trong giai đoạn 16 năm, từ năm 2008 đến năm 2023.

2. Hai mô hình học máy nào cho kết quả dự báo kiệt quệ tài chính tốt nhất trong khóa luận?

Hai mô hình hiệu quả nhất được xác định là:

  • Mô hình Rừng ngẫu nhiên (Random Forest) khi sử dụng tập biến đầu vào là các chỉ số tài chính.
  • Mô hình XGBoost khi sử dụng tập biến đầu vào kết hợp cả 3 nhóm yếu tố: chỉ số tài chính, biến thị trường và biến kinh tế vĩ mô.

3. Ba chỉ số tài chính nào đóng vai trò quan trọng nhất trong việc dự báo kiệt quệ tài chính của doanh nghiệp BĐS?

Thông qua phân tích giá trị SHAP, ba chỉ số tài chính quan trọng nhất là:

  1. EBITTA (Lợi nhuận trước lãi vay và thuế trên tổng tài sản): phản ánh khả năng sinh lợi từ tài sản.
  2. PTB (Tỷ lệ giá cổ phiếu trên giá trị sổ sách hữu hình): phản ánh khả năng tạo ra giá trị từ tài sản hữu hình.
  3. TLTE (Tổng nợ phải trả trên vốn chủ sở hữu): phản ánh mức độ phụ thuộc vào nợ vay của doanh nghiệp.

4. Tại sao tác giả chỉ giới hạn phạm vi nghiên cứu ở sàn HOSE mà không mở rộng sang sàn HNX hay UPCoM?

Tác giả lựa chọn HOSE vì đây là sàn giao dịch có quy mô vốn hóa lớn nhất cả nước, áp dụng các điều kiện và tiêu chuẩn niêm yết khắt khe nhất, đồng thời là nơi tập trung phần lớn các doanh nghiệp BĐS đầu ngành của Việt Nam. Điều này đảm bảo tính chuẩn hóa, tính đại diện và chất lượng dữ liệu BCTC của mẫu nghiên cứu.

5. Khóa luận sử dụng các thuật toán nào để so sánh hiệu quả dự báo?

Nghiên cứu tiến hành huấn luyện và so sánh thực nghiệm 05 thuật toán: Hồi quy Logistic (Logistic Regression - LR), Cây quyết định (Decision Tree - DT), Rừng ngẫu nhiên (Random Forest - RF), XGBoost và Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN).

Kết luận

Khóa luận tốt nghiệp của tác giả Ngô Huỳnh Thy Anh đã hoàn thành mục tiêu nghiên cứu thông qua việc phân tích thực nghiệm dữ liệu 59 doanh nghiệp bất động sản niêm yết trên HOSE giai đoạn 2008–2023. Kết quả chứng minh tính ưu việt của các mô hình học máy dạng tổ hợp, cụ thể là Random Forest đối với dữ liệu tài chính thuần túy và XGBoost đối với mô hình tích hợp tài chính - thị trường - vĩ mô, vượt trội hơn so với mô hình hồi quy truyền thống. Nghiên cứu đã xác định ba chỉ số then chốt gồm EBITTA, PTB và TLTE chi phối rủi ro thanh khoản, đồng thời cung cấp cơ sở khoa học và thực tiễn tin cậy cho các nhà quản trị doanh nghiệp, ngân hàng thương mại và cơ quan quản lý trong việc thiết lập hệ thống cảnh báo sớm kiệt quệ tài chính.