Luận văn ThS Bùi Minh Hiếu (ĐH Ngân hàng): Ứng dụng Tập hợp mềm dự báo phá sản

Luận văn khám phá ứng dụng lý thuyết tập hợp mềm tối ưu tỷ số tài chính, nâng cao độ chính xác dự báo phá sản doanh nghiệp tại Việt Nam.

• Tác giả: Bùi Minh Hiếu
• Người hướng dẫn: Pgs., Ts Trịnh Quốc Trung
• Trường học: Trường Đại học Ngân hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Ứng Dụng Lý Thuyết Tập Hợp Mềm Để Tối Ưu Hóa Lựa Chọn Các Tỷ Số Tài Chính Trong Việc Dự Báo Phá Sản Của Doanh Nghiệp
• 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
• LỜI CẢM ƠN
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.1. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
• 2.1.1. Định nghĩa phá sản
• 2.1.2. Lý thuyết về tập hợp mềm
• 2.1.2.1. Định nghĩa về tập hợp mềm (Soft - set)
• 2.2. THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.2.1. Những nghiên cứu ở ngoài Việt Nam
• 2.2.1.1. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán
• 2.2.1.2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường
• 2.2.1.3. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường
• 2.2.2. Những nghiên cứu ở Việt Nam
• 3. CHƯƠNG 3: GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET
• 3.1. Phương pháp chọn biến
• 3.1.1. Biến phụ thuộc (Special Treatment – ST)
• 3.1.2. Biến độc lập
• 3.2. Phân tách dữ liệu nghiên cứu
• 3.2.1. Phân loại công ty
• 3.2.2. Phân tách các công ty chạy mô hình
• 3.2.3. Xác định thời điểm dự báo
• 3.3. Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm
• 3.3.1. Bảng phân loại tác động của từng biến
• 3.3.2. Rút gọn tham số theo phương pháp NSS
• 3.4. Mô hình sử dụng trong bài nghiên cứu
• 3.4.1. Mô hình hồi quy Logistic
• 3.4.2. Mô hình sử dụng phân lớp dữ liệu
• 3.4.2.1. Mô hình NN
• 3.4.2.2. Mô hình SVM
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Hồi quy hệ số Beta
• 4.2. Chọn lọc tỷ số tài chính
• 4.2.1. Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH)
• 4.2.2. Dựa trên phương pháp TSS
• 4.2.3. Dựa trên phương pháp NSS
• 4.3. Kết quả tính chính xác của các mô hình
• 4.3.1. Kết quả tính chính xác dựa vào mô hình hồi quy Logistic
• 4.3.1.1. Phương pháp ACC
• 4.3.1.2. Phương pháp kiểm định hệ số thống kê:
• 4.3.2. Kết quả tính chính xác dựa vào mô hình NN
• 4.3.3. Kết quả tính chính xác dựa vào mô hình SVM
• 4.3.4. Kiểm tra tính vững
• 4.3.5. Kết quả tổng hợp
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC HÌNH

Tóm tắt

I. Tổng quan về dự báo phá sản doanh nghiệp Tại sao cần cảnh báo sớm

Trong bối cảnh nền kinh tế đầy biến động, khả năng một doanh nghiệp lâm vào tình trạng phá sản luôn là mối lo ngại hàng đầu của các nhà quản lý, nhà đầu tư và chủ nợ. Việc nhận diện sớm nguy cơ phá sản doanh nghiệp không chỉ giúp các bên liên quan đưa ra quyết định kịp thời mà còn góp phần bảo vệ lợi ích và duy trì sự ổn định của thị trường tài chính. Dự báo phá sản doanh nghiệp đã trở thành một trọng tâm nghiên cứu quan trọng trong phân tích kinh doanh, thúc đẩy sự phát triển của nhiều mô hình dự báo phá sản tiên tiến.

Các mô hình dự báo truyền thống, như của Beaver (1966) hay Altman (1968) với mô hình Altman Z-score, thường chỉ dựa vào dữ liệu kế toán lịch sử hoặc thông tin thị trường chứng khoán để đánh giá tình trạng vỡ nợ. Tuy nhiên, những phương pháp này đôi khi không phát huy hết khả năng dự báo, đặc biệt trong môi trường kinh doanh phức tạp và thay đổi không ngừng như hiện nay (Bùi Minh Hiếu, 2016). Sự thay đổi liên tục của kiến thức và công nghệ đòi hỏi các phương pháp phân tích dữ liệu tài chính phải liên tục được cập nhật và tối ưu hóa.

Nhu cầu về một hệ thống cảnh báo sớm phá sản chính xác hơn là vô cùng cấp thiết. Một hệ thống hiệu quả giúp các nhà quản lý đưa ra hành động đúng đắn, chẳng hạn như tái cấu trúc tài chính hay thay đổi chiến lược kinh doanh, để tránh khỏi tình trạng kiệt quệ và gia tăng giá trị công ty. Đồng thời, các chủ nợ cũng có thể ngăn chặn những chi phí liên quan đến việc nộp đơn phá sản nếu họ nhận được thông tin kịp thời về khả năng vỡ nợ của doanh nghiệp. Việc dự báo phá sản doanh nghiệp chính xác giúp củng cố sức khỏe tài chính doanh nghiệp và tăng cường quản trị rủi ro tài chính tổng thể. Điều này nhấn mạnh tầm quan trọng của việc không ngừng tìm kiếm và áp dụng các phương pháp lọc biến và mô hình dự báo phá sản tối ưu hơn, như phương pháp tập hợp mềm trong tài chính, để có thể đưa ra những đánh giá đáng tin cậy nhất về khả năng tồn tại và phát triển của doanh nghiệp.

1.1. Định nghĩa phá sản và các nguy cơ tài chính doanh nghiệp hiện đại

Việc xác định một doanh nghiệp đang đối mặt với nguy cơ phá sản đòi hỏi một định nghĩa rõ ràng và toàn diện. Trong các nghiên cứu trước đây, đã có nhiều quan điểm về định nghĩa phá sản. Beaver (1966) định nghĩa phá sản là khi công ty không có khả năng đáp ứng các nghĩa vụ nợ đến hạn. Wruck (1990) mở rộng hơn, cho rằng đó là tình huống dòng tiền của công ty không đủ trang trải các nghĩa vụ tài chính hiện hành. Một cách tiếp cận khác, Asquith, Gertner và Scharfstein (1994) định nghĩa phá sản dựa trên tỷ lệ chi trả lãi vay, tức là khi EBITDA thấp hơn chi phí lãi vay trong hai năm liên tiếp hoặc EBITDA thấp hơn 80% chi phí lãi vay bất kỳ năm nào. Luận văn của Bùi Minh Hiếu (2016) đã áp dụng định nghĩa phù hợp với môi trường Việt Nam và thị trường chứng khoán, theo đó, một doanh nghiệp được xem là phá sản khi công ty đó hủy niêm yết trên thị trường chứng khoán và đồng thời EBITDA thấp hơn chi phí lãi vay liên tục trong hai năm, hoặc công ty phải chịu sự tăng trưởng âm trong giá trị thị trường trong hai năm liên tiếp. Những định nghĩa này giúp nhà phân tích có cơ sở vững chắc để đánh giá nguy cơ phá sản doanh nghiệp và từ đó áp dụng các mô hình dự báo phá sản phù hợp. Hiểu rõ các định nghĩa này là nền tảng để triển khai các phương pháp phân tích tỷ số tài chính và tối ưu hóa chiến lược quản trị rủi ro.

1.2. Tầm quan trọng của dự báo phá sản để quản trị rủi ro hiệu quả

Khả năng dự báo phá sản doanh nghiệp sớm có ý nghĩa sống còn đối với sự bền vững của bất kỳ tổ chức nào. Đối với các nhà quản lý, thông tin về nguy cơ phá sản giúp họ đưa ra những quyết định chiến lược kịp thời, như tái cấu trúc, cắt giảm chi phí, hoặc tìm kiếm nguồn vốn mới, nhằm duy trì sự tồn tại và phát triển của công ty. Điều này trực tiếp ảnh hưởng đến sức khỏe tài chính doanh nghiệp và khả năng cạnh tranh trên thị trường. Các nhà cho vay và nhà đầu tư cần thông tin chính xác về khả năng vỡ nợ để đánh giá rủi ro trước khi cấp tín dụng hoặc đầu tư vào danh mục. Một hệ thống cảnh báo sớm phá sản hiệu quả giúp họ bảo vệ tài sản và tối ưu hóa lợi nhuận. Nếu không có dự báo phá sản đáng tin cậy, các quyết định tài chính có thể dẫn đến những tổn thất nghiêm trọng. Luận văn của Bùi Minh Hiếu (2016) chỉ ra rằng việc tìm ra bộ tỷ số tài chính doanh nghiệp tối ưu và các mô hình hiệu quả là chìa khóa để nâng cao chất lượng dự báo, hỗ trợ quản trị rủi ro tài chính toàn diện. Tầm quan trọng này nhấn mạnh sự cần thiết của việc không ngừng nghiên cứu và ứng dụng các phương pháp tiên tiến như tập hợp mềm trong tài chính để cải thiện độ chính xác của các mô hình dự báo phá sản.

II. Thách thức khi phân tích tỷ số tài chính truyền thống trong dự báo phá sản

Mặc dù các mô hình dự báo phá sản truyền thống đã đặt nền móng quan trọng, chúng vẫn còn tồn tại nhiều hạn chế đáng kể khi đối mặt với sự phức tạp của thị trường tài chính hiện đại. Các phương pháp kinh điển như Altman Z-score hay Ohlson (1980) thường dựa trên giả định rằng các mối quan hệ giữa các tỷ số tài chính doanh nghiệp và khả năng phá sản là tuyến tính và rõ ràng. Tuy nhiên, trong thực tế, các yếu tố tài chính thường mang tính chất không chắc chắn và mờ nhạt, khiến việc phân loại trở nên khó khăn hơn. Điều này tạo ra những thách thức lớn trong việc phân tích tỷ số tài chính để đưa ra các cảnh báo sớm phá sản có độ chính xác cao.

Một trong những hạn chế chính là khả năng xử lý các dữ liệu không hoàn chỉnh hoặc có sai lệch. Các tỷ số tài chính thường được tính toán từ các báo cáo tài chính, vốn có thể bị ảnh hưởng bởi các chính sách kế toán khác nhau hoặc các sự kiện bất thường. Các mô hình truyền thống thường nhạy cảm với những biến động này, dẫn đến kết quả dự báo không ổn định. Ngoài ra, việc chọn lọc biến số tối ưu cũng là một vấn đề nan giải. Với hàng trăm chỉ số thanh khoản, chỉ số đòn bẩy tài chính, chỉ số sinh lời và các chỉ tiêu khác, việc xác định những tỷ số nào thực sự có ý nghĩa trong việc dự báo phá sản doanh nghiệp đòi hỏi sự cân nhắc kỹ lưỡng và các phương pháp lọc biến tinh vi. Nếu không, mô hình có thể bị quá khớp (overfitting) hoặc bỏ sót những yếu tố quan trọng, làm giảm hiệu quả quản trị rủi ro tài chính.

Bùi Minh Hiếu (2016) cũng nhấn mạnh rằng các mô hình cũ thường chỉ sử dụng dữ liệu kế toán trong lịch sử hoặc dựa vào thông tin thị trường chứng khoán để dự báo, mà không thể phát huy hết khả năng khi thị trường có nhiều biến động hoặc khi có những thông tin phi tài chính quan trọng. Điều này làm tăng nhu cầu về một phương pháp tiếp cận mới, có khả năng xử lý sự không chắc chắn và lựa chọn các biến số một cách tối ưu hơn, chẳng hạn như ứng dụng logic mờ và tập hợp mềm trong tài chính, để cải thiện độ tin cậy của mô hình dự báo phá sản và nâng cao sức khỏe tài chính doanh nghiệp.

2.1. Hạn chế của các mô hình dự báo phá sản kinh điển Altman Ohlson

Các mô hình dự báo phá sản kinh điển như Altman Z-score (1968), Ohlson (1980) hay Springate đã cung cấp những công cụ ban đầu quý giá cho việc đánh giá nguy cơ phá sản doanh nghiệp. Tuy nhiên, chúng có những hạn chế cố hữu. Mô hình Altman Z-score, dù có độ chính xác cao trong mẫu ban đầu, lại có thể không phù hợp cho các ngành công nghiệp khác hoặc các quốc gia có đặc điểm kinh tế khác nhau. Nó cũng chỉ tập trung vào một số tỷ số tài chính doanh nghiệp nhất định và giả định mối quan hệ tuyến tính, điều này có thể không phản ánh đúng bản chất phức tạp của các mối quan hệ tài chính. Ohlson (1980) sử dụng mô hình logit, nhưng cũng gặp phải thách thức trong việc xử lý dữ liệu không rõ ràng và sự mờ nhạt trong các tiêu chí phân loại. Theo Bùi Minh Hiếu (2016), những mô hình này chỉ sử dụng dữ liệu kế toán hoặc thông tin thị trường chứng khoán, không thể phát huy hết khả năng dự báo. Chúng thường gặp khó khăn với các tình huống không chắc chắn và dữ liệu 'mờ', nơi ranh giới giữa 'khỏe mạnh' và 'kiệt quệ' không rõ ràng. Điều này đòi hỏi các phương pháp tiên tiến hơn, có khả năng xử lý sự không chắc chắn và định lượng được mức độ rủi ro một cách linh hoạt hơn, để tối ưu hóa việc phân tích tỷ số tài chính và cải thiện cảnh báo sớm phá sản.

2.2. Sự phức tạp của dữ liệu tài chính và vấn đề chọn lọc biến số tối ưu

Trong quá trình dự báo phá sản doanh nghiệp, việc xử lý sự phức tạp của dữ liệu tài chính là một thách thức lớn. Các báo cáo tài chính chứa đựng vô số tỷ số tài chính doanh nghiệp, từ chỉ số thanh khoản, chỉ số đòn bẩy tài chính đến chỉ số sinh lời. Tuy nhiên, không phải tất cả các tỷ số này đều có ý nghĩa như nhau trong việc dự báo. Vấn đề đặt ra là làm thế nào để chọn lọc được một tập hợp các biến số tối ưu, vừa có khả năng phân biệt cao, vừa không gây nhiễu cho mô hình. Bùi Minh Hiếu (2016) chỉ ra rằng việc sử dụng một lượng lớn biến số có thể dẫn đến sự phức tạp trong tính toán và làm giảm hiệu quả của mô hình. Các phương pháp chọn lọc biến truyền thống đôi khi bỏ qua các mối quan hệ phi tuyến tính hoặc sự ảnh hưởng lẫn nhau giữa các biến. Ngoài ra, dữ liệu thực tế thường bao gồm các giá trị ngoại lai, thiếu sót hoặc không chính xác, đòi hỏi các kỹ thuật làm sạch và tiền xử lý dữ liệu tinh vi. Nếu việc chọn biến không được tối ưu, mô hình có thể đưa ra kết quả dự báo sai lệch, ảnh hưởng nghiêm trọng đến quản trị rủi ro tài chính và khả năng đưa ra các quyết định nhằm tối ưu tỷ số tài chính của doanh nghiệp. Đây là lý do cần có các phương pháp lọc biến tiên tiến như tập hợp mềm để giải quyết triệt để vấn đề này, đảm bảo các biến được lựa chọn thực sự có giá trị trong việc cảnh báo sớm phá sản.

III. Khám phá Tập hợp mềm Giải pháp đột phá cho tối ưu tỷ số tài chính

Để vượt qua những hạn chế của các mô hình dự báo phá sản truyền thống, lý thuyết Tập hợp mềm (Soft Set) đã nổi lên như một giải pháp đột phá. Được Molodtsov giới thiệu vào năm 1999 và tiếp tục được Wei Xu cùng các cộng sự phát triển năm 2014, tập hợp mềm trong tài chính cung cấp một khung lý thuyết mạnh mẽ để xử lý các dữ liệu không chắc chắn, không rõ ràng và phi số, điều mà các phương pháp toán học kinh điển thường gặp khó khăn. Lý thuyết này không dựa trên các định nghĩa 'có' hoặc 'không' rõ ràng mà thay vào đó sử dụng 'mức độ thuộc về', giúp định lượng sự mơ hồ trong các thông tin tài chính (Bùi Minh Hiếu, 2016).

Cốt lõi của tập hợp mềm là khả năng biểu diễn thông tin bằng cách gán các thuộc tính (tham số) cho các đối tượng trong một tập hợp gốc, thông qua các hàm tham số. Điều này cho phép nhà phân tích xem xét các thuộc tính từ nhiều góc độ khác nhau mà không cần gán các giá trị số chính xác, mà thay vào đó là các tập hợp con của tập tổng thể. Cách tiếp cận này đặc biệt hữu ích khi dự báo phá sản doanh nghiệp, nơi các yếu tố định tính và các ranh giới không rõ ràng thường xuyên xuất hiện. Chẳng hạn, một doanh nghiệp có thể không hoàn toàn 'khỏe mạnh' hay 'phá sản' mà nằm ở một trạng thái 'rủi ro cao', điều này được tập hợp mềm định lượng hiệu quả.

Một trong những ứng dụng quan trọng của lý thuyết tập hợp mềm là trong việc lọc biến để tối ưu tỷ số tài chính. Thay vì chọn một cách cứng nhắc, tập hợp mềm có thể xác định các tỷ số có ảnh hưởng lớn nhất đến tình trạng của doanh nghiệp một cách linh hoạt hơn. Bằng cách kết hợp ứng dụng logic mờ và các phương pháp lọc biến dựa trên Soft Set, chúng ta có thể xây dựng các bộ tỷ số tài chính doanh nghiệp tối ưu, giúp nâng cao độ chính xác của mô hình dự báo phá sản. Điều này mở ra một hướng đi mới cho quản trị rủi ro tài chính và phân tích tín dụng, đặc biệt trong việc cung cấp cảnh báo sớm phá sản đáng tin cậy hơn cho các doanh nghiệp.

3.1. Lý thuyết tập hợp mềm Soft Set Theory là gì và ứng dụng logic mờ

Lý thuyết Tập hợp mềm (Soft Set Theory), do Molodtsov giới thiệu, là một công cụ toán học mạnh mẽ để đối phó với sự không chắc chắn và dữ liệu không rõ ràng. Khác với lý thuyết tập hợp truyền thống, Soft Set không yêu cầu các hàm thành viên chính xác (như trong tập hợp mờ) mà sử dụng các hàm tham số ánh xạ các tham số đến các tập con của tập tổng thể gốc. Theo Bùi Minh Hiếu (2016), tập hợp mềm trên tập U được định nghĩa bởi một tập các cặp thỏa mãn F_A = {(x, f_A(x)): x ∈ E, f_A(x) ∈ U}, trong đó f_A là hàm tham số. Điều này cho phép mô tả một đối tượng bằng cách gán cho nó các thuộc tính từ một tập hợp các tham số, mà không cần gán giá trị số cụ thể. Ứng dụng logic mờ kết hợp với tập hợp mềm đặc biệt hiệu quả trong dự báo phá sản doanh nghiệp. Logic mờ cho phép các giá trị nằm trong khoảng từ 0 đến 1, thay vì chỉ 0 hoặc 1 tuyệt đối, phản ánh mức độ 'thuộc về' một tập hợp nào đó. Khi được áp dụng vào phân tích tỷ số tài chính, điều này cho phép đánh giá mức độ rủi ro hoặc sức khỏe tài chính doanh nghiệp một cách linh hoạt, thay vì chỉ phân loại cứng nhắc. Từ đó, các mô hình dự báo phá sản có thể trở nên nhạy bén và chính xác hơn, cung cấp cảnh báo sớm phá sản hiệu quả.

3.2. Phương pháp Traditional Soft Set TSS và Novel Soft Set NSS để lọc biến

Trong khuôn khổ lý thuyết tập hợp mềm, hai phương pháp lọc biến chính được sử dụng để tối ưu tỷ số tài chính trong dự báo phá sản doanh nghiệp là Traditional Soft Set (TSS) và Novel Soft Set (NSS). Phương pháp TSS, được Chen và các cộng sự (2005) đề xuất, tập trung vào việc rút gọn tham số của các Soft Set bằng cách loại bỏ các tham số không trọng yếu, tức là những tham số mà sự khác biệt của chúng không ảnh hưởng đến quyết định cuối cùng (Bùi Minh Hiếu, 2016). Mục tiêu là tìm ra một tập con rút gọn nhất của các tham số vẫn giữ nguyên khả năng ra quyết định lựa chọn. Tuy nhiên, TSS có thể gặp khó khăn với số lượng biến lớn và dữ liệu dạng số. Để khắc phục những hạn chế này, phương pháp Novel Soft Set (NSS) được phát triển. NSS tiếp cận bằng cách đặt tập hợp các tỷ số tài chính là tập đối tượng và tập hợp các công ty là tập tham số. Điều này giúp chuyển vấn đề rút gọn tham số thành vấn đề chọn quyết định tối ưu, giảm thiểu số lượng biến cần xem xét. NSS sử dụng hồi quy logistic để xác định mối quan hệ giữa các tỷ số tài chính doanh nghiệp và tình trạng công ty (phá sản/bình thường), sau đó tạo bảng 0-1 cho tập hợp mềm và sử dụng quyết định uniint để tìm ra tham số rút gọn. Theo Bùi Minh Hiếu (2016), các mô hình sử dụng bộ lọc theo phương pháp NSS cho khả năng dự báo phá sản tốt với độ chính xác cao hơn so với TSS và các phương pháp truyền thống khác, đặc biệt là trong việc cung cấp cảnh báo sớm phá sản.

IV. Hướng dẫn ứng dụng Tập hợp mềm để nâng cao độ chính xác dự báo phá sản

Việc ứng dụng Tập hợp mềm vào dự báo phá sản doanh nghiệp không chỉ mang lại một khung lý thuyết mới mà còn cung cấp một quy trình thực tiễn để nâng cao độ chính xác của các mô hình dự báo phá sản. Quy trình này bắt đầu từ việc xác định rõ ràng mục tiêu nghiên cứu và định nghĩa phá sản phù hợp với bối cảnh cụ thể, như đã được Bùi Minh Hiếu (2016) đề cập trong luận văn của mình. Sau đó, việc lựa chọn và phân tích dữ liệu đóng vai trò then chốt, bao gồm việc thu thập các tỷ số tài chính doanh nghiệp từ báo cáo tài chính kiểm toán và dữ liệu thị trường, đồng thời phân loại công ty thành nhóm 'khỏe mạnh' và 'kiệt quệ'.

Bước tiếp theo là giai đoạn chọn lọc tham số (biến độc lập) bằng cách sử dụng các phương pháp lọc biến tiên tiến như Novel Soft Set (NSS). NSS, như đã trình bày, giúp tìm ra những tỷ số tài chính có ảnh hưởng mạnh mẽ nhất đến tình trạng phá sản, tối ưu hóa việc lựa chọn các chỉ số từ một tập hợp lớn các chỉ số thanh khoản, chỉ số đòn bẩy tài chính, chỉ số sinh lời, v.v. Việc này không chỉ giảm thiểu sự phức tạp của mô hình mà còn tăng cường khả năng phân biệt của nó. Sau khi có bộ biến tối ưu, các mô hình dự báo phá sản có thể được xây dựng bằng cách kết hợp tập hợp mềm với các kỹ thuật Machine Learning tài chính mạnh mẽ.

Các mô hình như hồi quy Logistic (LR), mạng thần kinh nhân tạo (Neural Network - NN), và kỹ thuật vectơ hỗ trợ (Support Vector Machine - SVM) là những lựa chọn phổ biến. Bằng cách huấn luyện các mô hình này trên dữ liệu đã được lọc bằng tập hợp mềm, chúng ta có thể khai thác tối đa sức mạnh của cả hai phương pháp. Việc phân tách dữ liệu thành tập thử nghiệm (training data) và tập kiểm định (testing data) cũng rất quan trọng để đánh giá tính chính xác thực sự của mô hình, tránh hiện tượng chính xác 'ảo' (Bùi Minh Hiếu, 2016). Quá trình này đảm bảo rằng mô hình dự báo phá sản không chỉ hoạt động tốt trên dữ liệu đã biết mà còn có khả năng dự đoán chính xác nguy cơ phá sản doanh nghiệp đối với các trường hợp mới, cung cấp cảnh báo sớm phá sản hiệu quả và hỗ trợ quản trị rủi ro tài chính toàn diện.

4.1. Quy trình xây dựng mô hình dự báo phá sản với tập hợp mềm

Xây dựng một mô hình dự báo phá sản hiệu quả bằng tập hợp mềm đòi hỏi một quy trình có cấu trúc và tỉ mỉ. Bắt đầu bằng việc định nghĩa rõ ràng về phá sản và thu thập dữ liệu tài chính từ các doanh nghiệp (Bùi Minh Hiếu, 2016). Dữ liệu này sau đó được phân loại thành hai nhóm: công ty 'khỏe mạnh' và 'kiệt quệ'. Tiếp theo, một tập hợp lớn các tỷ số tài chính doanh nghiệp (như chỉ số thanh khoản, chỉ số đòn bẩy tài chính, chỉ số sinh lời) được trích xuất. Đây là lúc lý thuyết tập hợp mềm phát huy tác dụng. Sử dụng các phương pháp như Novel Soft Set (NSS), các biến số tài chính này được lọc để xác định những tỷ số tối ưu nhất, có ảnh hưởng mạnh mẽ nhất đến khả năng phá sản của công ty. Phương pháp này giúp xử lý sự không chắc chắn trong dữ liệu và giảm thiểu số lượng biến không cần thiết. Sau khi đã có bộ tỷ số tối ưu, dữ liệu được chia thành tập thử nghiệm và tập kiểm định để xây dựng và đánh giá mô hình. Quy trình này không chỉ giúp tối ưu tỷ số tài chính mà còn đảm bảo mô hình có khả năng cung cấp cảnh báo sớm phá sản đáng tin cậy, góp phần nâng cao sức khỏe tài chính doanh nghiệp.

4.2. Kết hợp tập hợp mềm với các mô hình Machine Learning tài chính Logistic NN SVM

Sức mạnh thực sự của tập hợp mềm trong tài chính được phát huy khi kết hợp với các kỹ thuật Machine Learning tài chính tiên tiến. Sau khi tập hợp mềm đã lọc ra bộ tỷ số tài chính doanh nghiệp tối ưu, các mô hình học máy có thể sử dụng bộ dữ liệu tinh gọn này để huấn luyện và đưa ra dự báo. Bùi Minh Hiếu (2016) đã kiểm định tính chính xác trong việc dự báo phá sản của ba mô hình phổ biến: mô hình hồi quy Logistic (LR), mô hình kỹ thuật vectơ hỗ trợ (Support Vector Machine - SVM) và mô hình mạng thần kinh nhân tạo (Neural Network - NN). Mô hình hồi quy Logistic là một công cụ thống kê được sử dụng rộng rãi để dự đoán xác suất của một sự kiện (ví dụ: phá sản hay không phá sản) dựa trên một tập hợp các biến độc lập. SVM là một mô hình học máy mạnh mẽ cho các tác vụ phân loại và hồi quy, tìm kiếm siêu phẳng tốt nhất để phân chia các lớp dữ liệu. Trong khi đó, NN, một phần của trí tuệ nhân tạo trong dự báo phá sản, có khả năng học hỏi các mối quan hệ phức tạp và phi tuyến tính trong dữ liệu, tạo ra các dự đoán cực kỳ chính xác. Khi các mô hình này được cung cấp dữ liệu đã được tối ưu hóa bởi tập hợp mềm, hiệu suất dự báo phá sản doanh nghiệp được cải thiện đáng kể, mang lại các cảnh báo sớm phá sản với độ tin cậy cao hơn và hỗ trợ hiệu quả cho quản trị rủi ro tài chính.

V. Thực tiễn và Kết quả Độ chính xác vượt trội từ Tập hợp mềm trong dự báo phá sản

Các nghiên cứu thực nghiệm đã chứng minh rằng việc áp dụng Tập hợp mềm mang lại độ chính xác vượt trội trong việc dự báo phá sản doanh nghiệp so với các phương pháp truyền thống. Luận văn của Bùi Minh Hiếu (2016), được thực hiện dựa trên mẫu quan sát gồm 104 doanh nghiệp tại Việt Nam từ năm 2009 đến năm 2016, đã kiểm định hiệu quả của tập hợp mềm khi kết hợp với các mô hình dự báo phá sản khác nhau.

Kết quả nghiên cứu cho thấy các mô hình sử dụng bộ lọc theo phương pháp tiên tiến Novel Soft Set (NSS) đều cho khả năng dự báo phá sản tốt với độ chính xác cao hơn đáng kể. Cụ thể, khi so sánh với bộ lọc theo phương pháp Traditional Soft Set (TSS) và cách chọn biến của Nguyễn Trọng Hòa (phân tích phân biệt), NSS đã chứng minh sự ưu việt. Độ chính xác của các mô hình như hồi quy Logistic (LR), mạng thần kinh nhân tạo (NN), và kỹ thuật vectơ hỗ trợ (SVM) đều được cải thiện rõ rệt khi sử dụng bộ biến được lọc bởi NSS. Đây là một minh chứng mạnh mẽ cho khả năng của tập hợp mềm trong tài chính trong việc tối ưu tỷ số tài chính và nâng cao chất lượng phân tích dữ liệu tài chính.

Nghiên cứu cũng kiểm định tính vững của các tỷ số được chọn bởi lý thuyết tập hợp mềm bằng cách so sánh với bộ tỷ số được chọn lọc bằng cách kết hợp ba dạng dữ liệu: kế toán, thị trường và vĩ mô của Mario Hernandez Tinoco, Nick Wilson (2013). Sự phù hợp của kết quả với kỳ vọng của tác giả về tính hiệu quả của bộ lọc tỷ số tài chính dựa trên phương pháp tiên tiến đối với dữ liệu các doanh nghiệp tại Việt Nam càng khẳng định giá trị thực tiễn của phương pháp này. Những kết quả này không chỉ đóng góp vào lý thuyết mà còn cung cấp một công cụ mạnh mẽ cho các nhà quản lý và nhà đầu tư trong việc đưa ra các quyết định sáng suốt, hỗ trợ quản trị rủi ro tài chính và tạo ra cảnh báo sớm phá sản hiệu quả. Việc ứng dụng logic mờ thông qua tập hợp mềm đã mở ra một kỷ nguyên mới cho việc phân tích tín dụng và đánh giá sức khỏe tài chính doanh nghiệp một cách toàn diện hơn.

5.1. So sánh hiệu quả dự báo Tập hợp mềm vượt trội các phương pháp truyền thống

Trong lĩnh vực dự báo phá sản doanh nghiệp, hiệu quả của các mô hình là yếu tố quyết định. Nghiên cứu của Bùi Minh Hiếu (2016) đã tiến hành so sánh trực tiếp hiệu quả dự báo của các mô hình sử dụng bộ lọc theo lý thuyết tập hợp mềm (Novel Soft Set - NSS) với các phương pháp truyền thống hơn. Kết quả đã chỉ rõ sự vượt trội của NSS. Cụ thể, khi các mô hình hồi quy Logistic, mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM) được cung cấp bộ biến được lọc bởi NSS, chúng đều cho khả năng dự báo tốt hơn và độ chính xác cao hơn. Điều này đặc biệt đúng khi so sánh với bộ lọc Traditional Soft Set (TSS) và phương pháp chọn biến của Nguyễn Trọng Hòa (2010), vốn dựa trên phân tích đa biệt số. Các phương pháp truyền thống thường bị hạn chế bởi tính chất cứng nhắc của chúng, không thể xử lý hiệu quả sự mơ hồ và không chắc chắn trong dữ liệu tài chính. Ngược lại, tập hợp mềm trong tài chính có khả năng điều chỉnh linh hoạt hơn, từ đó chọn lọc được những tỷ số tài chính doanh nghiệp có ý nghĩa thực sự. Sự cải thiện về độ chính xác này là bằng chứng rõ ràng cho thấy tối ưu tỷ số tài chính bằng tập hợp mềm là một hướng đi đúng đắn để nâng cao hiệu quả cảnh báo sớm phá sản và quản trị rủi ro tài chính.

5.2. Ứng dụng trong môi trường doanh nghiệp Việt Nam và những kiểm định vững

Điểm đặc biệt của luận văn Bùi Minh Hiếu (2016) là việc kiểm định và ứng dụng lý thuyết tập hợp mềm trong bối cảnh các doanh nghiệp tại Việt Nam. Điều này mang lại giá trị thực tiễn cao, vì các mô hình dự báo thường cần được điều chỉnh để phù hợp với đặc thù kinh tế, pháp lý và thị trường của từng quốc gia. Nghiên cứu đã sử dụng dữ liệu từ các công ty niêm yết tại Sở giao dịch chứng khoán TP. Hồ Chí Minh (HOSE) để đảm bảo tính phù hợp và khả năng áp dụng. Kết quả cho thấy phương pháp lọc biến dựa trên Novel Soft Set (NSS) không chỉ hoạt động hiệu quả trên dữ liệu quốc tế mà còn cho thấy tính hiệu quả cao đối với dữ liệu các doanh nghiệp tại Việt Nam. Việc kiểm định tính vững của bộ lọc biến qua lý thuyết tập hợp mềm cũng là một mục tiêu quan trọng, đảm bảo rằng các tỷ số tài chính được lựa chọn vẫn giữ được ý nghĩa và khả năng dự báo qua thời gian, không bị ảnh hưởng bởi những biến động ngắn hạn. Điều này cung cấp sự tin cậy cho các nhà ra quyết định khi áp dụng mô hình vào thực tế. Khả năng dự báo phá sản doanh nghiệp với độ chính xác cao bằng tập hợp mềm tại Việt Nam mở ra nhiều cơ hội cho các tổ chức tài chính, nhà đầu tư và chính bản thân các doanh nghiệp trong việc phòng ngừa phá sản doanh nghiệp, phân tích tín dụng và nâng cao sức khỏe tài chính doanh nghiệp toàn diện.

VI. Kết luận và Tương lai Phát triển dự báo phá sản với Trí tuệ nhân tạo

Việc khám phá và ứng dụng lý thuyết tập hợp mềm trong dự báo phá sản doanh nghiệp đã mở ra một kỷ nguyên mới cho việc phân tích tỷ số tài chính và quản trị rủi ro tài chính. Như đã chứng minh qua nghiên cứu của Bùi Minh Hiếu (2016), việc tối ưu tỷ số tài chính bằng Tập hợp mềm (Soft Set), đặc biệt là thông qua phương pháp Novel Soft Set (NSS), mang lại độ chính xác dự báo vượt trội so với các phương pháp truyền thống. Khả năng xử lý sự không chắc chắn và tính chất 'mờ' của dữ liệu tài chính là điểm mạnh cốt lõi, giúp các mô hình dự báo phá sản trở nên nhạy bén và đáng tin cậy hơn, cung cấp cảnh báo sớm phá sản hiệu quả cho các bên liên quan.

Sự thành công của tập hợp mềm trong tài chính không chỉ dừng lại ở lý thuyết mà còn thể hiện rõ trong thực tiễn, đặc biệt khi kết hợp với các kỹ thuật Machine Learning tài chính như hồi quy Logistic, Neural Network, và Support Vector Machine. Điều này đã cung cấp một công cụ mạnh mẽ để phòng ngừa phá sản doanh nghiệp, giúp các công ty cải thiện sức khỏe tài chính doanh nghiệp và duy trì sự bền vững trong môi trường kinh doanh cạnh tranh. Nghiên cứu tại Việt Nam cũng đã xác nhận tính hiệu quả và vững chắc của phương pháp này, mở ra nhiều cơ hội ứng dụng trong phân tích tín dụng và hệ thống hỗ trợ quyết định tài chính.

Trong tương lai, xu hướng phát triển của trí tuệ nhân tạo trong dự báo phá sản sẽ tiếp tục nâng cao khả năng của các mô hình hiện có. Việc tích hợp sâu hơn các kỹ thuật học sâu (Deep Learning), xử lý ngôn ngữ tự nhiên (NLP) để phân tích các yếu tố phi tài chính từ báo cáo thường niên, tin tức, và mạng xã hội sẽ làm cho mô hình dự báo phá sản trở nên toàn diện và chính xác hơn nữa. Các hệ thống phân tích dữ liệu tài chính thông minh sẽ không chỉ dự báo mà còn đề xuất các hành động cụ thể để tối ưu tỷ số tài chính và giảm thiểu nguy cơ phá sản doanh nghiệp. Điều này hứa hẹn một tương lai mà các doanh nghiệp có thể chủ động đối phó với rủi ro tài chính, hướng tới sự phát triển bền vững và thịnh vượng.

6.1. Ý nghĩa của việc tối ưu tỷ số tài chính bằng Tập hợp mềm

Việc tối ưu tỷ số tài chính bằng tập hợp mềm mang ý nghĩa chiến lược quan trọng đối với dự báo phá sản doanh nghiệp và quản trị rủi ro tài chính. Khác với các phương pháp truyền thống, tập hợp mềm trong tài chính có khả năng xử lý các dữ liệu không rõ ràng và không chắc chắn, vốn là đặc trưng của nhiều tỷ số tài chính doanh nghiệp. Điều này cho phép chọn lọc một bộ các chỉ số thực sự có ý nghĩa và khả năng phân biệt cao, giảm thiểu nhiễu và tăng cường độ chính xác của mô hình dự báo phá sản. Theo Bùi Minh Hiếu (2016), việc áp dụng lý thuyết tập hợp mềm giúp các doanh nghiệp và nhà đầu tư có được cái nhìn sâu sắc hơn về sức khỏe tài chính doanh nghiệp thực sự, không bị ảnh hưởng bởi những biến động nhỏ hoặc các thông tin không hoàn chỉnh. Từ đó, họ có thể đưa ra các quyết định sáng suốt hơn về đầu tư, cấp tín dụng, và các chiến lược phòng ngừa phá sản doanh nghiệp. Ý nghĩa lớn nhất nằm ở khả năng cung cấp cảnh báo sớm phá sản một cách đáng tin cậy, giúp các bên liên quan hành động kịp thời để giảm thiểu tổn thất và bảo vệ tài sản.

6.2. Triển vọng của trí tuệ nhân tạo và Machine Learning trong cảnh báo sớm phá sản

Tương lai của dự báo phá sản doanh nghiệp sẽ gắn liền với sự phát triển mạnh mẽ của trí tuệ nhân tạo trong dự báo phá sản và Machine Learning tài chính. Sau khi tập hợp mềm đã tối ưu hóa việc chọn lọc tỷ số tài chính doanh nghiệp, các thuật toán AI và ML sẽ tiếp tục nâng cao khả năng phân tích và dự đoán. Các mô hình học sâu (Deep Learning) có thể phát hiện các mẫu ẩn và mối quan hệ phức tạp trong lượng lớn dữ liệu tài chính và phi tài chính, vượt xa khả năng của các mô hình truyền thống. Công nghệ xử lý ngôn ngữ tự nhiên (NLP) có thể phân tích các báo cáo thường niên, tin tức, và thảo luận trên mạng xã hội để nhận diện các dấu hiệu cảnh báo sớm mà các tỷ số tài chính đơn thuần không thể nắm bắt được. Mục tiêu là xây dựng các hệ thống hỗ trợ quyết định tài chính thông minh, không chỉ đưa ra cảnh báo sớm phá sản mà còn đề xuất các hành động cụ thể để tối ưu tỷ số tài chính và quản trị rủi ro tài chính hiệu quả. Bằng cách tận dụng sức mạnh tổng hợp của tập hợp mềm, Machine Learning, và trí tuệ nhân tạo, các doanh nghiệp sẽ có khả năng phòng ngừa phá sản doanh nghiệp một cách chủ động hơn, hướng tới một tương lai tài chính ổn định và bền vững.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN 1. Lý do chọn đề tài Hiện nay đã có nhiều nghiên cứu mở rộng về mô hình dự báo phá sản của doanh nghiệp như Beaver (1966), Altman (1968), Ohlson (1980), Shumway (2001), Agarwal và Taffler (2008), Fengyi Lin và các cộng sự (2013), tuy nhiên các mô hình này chỉ sử dụng dữ liệu kế toán trong lịch sử hoặc dựa vào thông tin thị trường chứng khoán để dự báo tình trạng không trả được nợ của doanh nghiệp. Do đó, các mô hình dự báo này không thể phát huy được hết khả năng dự báo phá sản.

Vì vậy, xuất hiện nhu cầu về một tập hợp dữ liệu tốt hơn nhằm giúp các nhà quản lý đưa ra các hành động kịp thời và đúng đắn, giúp công ty tránh khỏi tình trạng phá sản và từ đó gia tăng giá trị công ty. Đồng thời, việc dự báo sớm cũng giúp cho các chủ nợ ngăn chặn được một số chi phí liên quan đến việc nộp đơn phá sản. Các nhà quản lý cần những thông tin về việc dự báo chính xác khả năng rơi vào tình trạng phá sản để đưa ra những quyết định phù hợp nhằm duy trì sự tồn tại và phát triển của công ty. Những nhà cho vay và các nhà đầu tư trong khu vực doanh nghiệp cần những thông tin kịp thời về khả năng vỡ nợ của các doanh nghiệp trong quá trình đưa quyết định cho vay và đầu tư vào các danh mục đầu tư của mình.

Việc dự báo khi nào thì doanh nghiệp có nguy cơ phá sản đã trở thành trọng tâm của nghiên cứu phân tích kinh doanh và có ý nghĩa quan trọng đối với các nhà quản lý, cổ đông, cũng như các chủ nợ. Ở Việt Nam cũng đã có nhiều bài nghiên cứu về dự báo phá sản nhưng đó có phải là những mô hình, cách chọn biến tối ưu hay chưa khi sự thay đổi, cập nhật kiến thức không ngừng biến động. Để trả lời câu hỏi này tác giả ứng dụng lý thuyết tập mềm để có sự so sánh với các cách chọn biến cũng như các mô hình trước đó, cuối cùng là kết luận lý thuyết tập hợp mềm có khả dụng và tối ưu trong việc dự báo phá sản ở Việt Nam hay không. download by : skknchat@gmail.

Mục tiêu của đề tài 1. Mục tiêu tổng quát Tối ưu hóa dự báo phá sản của doanh nghiệp qua việc ứng dụng lý thuyết tập hợp mềm để chọn lọc ra bộ tỷ số tài chính tốt nhất cho việc chạy mô hình dự báo. Mục tiêu cụ thể Dựa trên phương pháp nghiên cứu của Wei Xu và các cộng sự (2014), việc thực hiện đề tài nhằm tìm ra một bộ tỷ số tài chính tối ưu được xây dựng dựa trên lý thuyết tập mềm (Soft - set). Qua đó nhằm tìm kiếm, kế thừa những mô hình dự báo phá sản đã được phát triển trên thế giới trong thời gian qua để ứng dụng vào nghiên cứu thực tiễn dự báo sớm nguy cơ phá sản cho các DN Việt Nam nhằm chọn lọc các tỷ số tài chính có ý nghĩa nhất, ứng với mô hình phù hợp nhất trong việc dự báo phá sản của doanh nghiệp dựa trên lý thuyết tập hợp mềm.

Ngoài ra việc kiểm tra lý thuyết tập hợp mềm có phải là tối ưu chưa và tính vững của bộ lọc biến qua lý thuyết tập hợp mềm cũng là mục tiêu mà bài nghiên cứu muốn hướng tới để làm sáng tỏ. Câu hỏi nghiên cứu Bài nghiên cứu tập trung giải quyết các câu hỏi: - Thứ nhất, lý thuyết tập hợp mềm có hoạt động hiệu quả với dữ liệu từ các tỷ số tài chính được xây dựng tài thị trường chứng khoán Việt Nam hay không? - Thứ hai, lý thuyết tập hợp mềm có phải là bộ lọc biến tối ưu hay chưa? - Thứ ba, mô hình ước lượng theo các tỷ số tài chính được chọn lọc bởi lý thuyết tập hợp mềm có vững qua thời gian và đáng tin cậy hơn so với các tỷ số được sử dụng ở các phương pháp dự báo phá sản đã sử dụng trước đây hay không? 1. Đối tượng và phạm vi nghiên cứu download by : [e-mail] 3 Trước hết, người nghiên cứu cần xác định đối tượng nghiên cứu. Dự báo phá sản là một chủ đề rộng.

Những ngành nghề khác nhau như ngân hàng, du lịch, công ty nhỏ, hoặc công ty bất động sản sẽ có những cách tiếp cận cũng như kết quả khác nhau. Bài nghiên cứu không đi sâu vào từng ngành nghề cụ thể hay những nhóm ngành nghề bởi như thế sẽ rất phức tạp và cần có những chuyên đề nghiên cứu sâu hơn. Trước hết, dựa trên các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE), bài nghiên cứu tổng hợp 52 công ty phá sản trong giai đoạn từ năm 2011 đến năm 2016 (Định nghĩa phá sản được giới thiệu trong mục 2.1), tương ứng là 52 công ty khỏe mạnh ngẫu nhiên được lựa chọn trong giai đoạn này.

Với cỡ mẫu 52x52, nếu năm t là năm phá sản thì dữ liệu sẽ được lấy ở năm t-1 và năm t-2 tương ứng; tổng số 208 quan sát và 4700 biến quan sát theo năm, trung bình khoảng 50 biến quan sát hàng năm cho mỗi công ty trong khoảng thời gian 2009-2015, với thời điểm cụ thể được xác định là 2 năm trước khi xảy ra sự kiện (khỏe mạnh hoặc kiệt quệ). Dữ liệu được thu thập từ báo cáo tài chính đã qua kiểm toán của các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE). download by : [e-mail] 4 CHƯƠNG 2.

CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 2. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu 2. Định nghĩa phá sản Phá sản là gì? Đã có rất nhiều định nghĩa ở các bài nghiên cứu trước đây: Beaver (1966) định nghĩa tình trạng phá sản là việc không có khả năng đáp ứng các nghĩa vụ nợ đến hạn của công ty. Hay Wruck (1990) định nghĩa phá sản là tình huống mà dòng tiền của một công ty không đủ để trang trải các nghĩa vụ tài chính hiện hành, các nghĩa vụ này là nợ phải thanh toán cho nhà cung cấp và nhân viên, tiền thanh toán lãi vay và chủ nợ, các nghĩa vụ khác.

Khác với hai bài nghiên cứu của Beaver (1966) và Wruck (1990), trong bài nghiên cứu của mình, Asquith, Gertner và Scharfstein (1994) định nghĩa phá sản dựa trên tỷ lệ chi trả lãi vay. Theo đó, một công ty được phân loại là phá sản nếu EBITDA thấp hơn so với chi phí tài chính (chi phí lãi vay) được báo cáo trong hai năm liên tiếp bắt đầu từ năm phát hành trái phiếu lãi suất cao; hoặc trong bất kỳ năm nào khác có EBITDA thấp hơn 80% chi phí lãi vay của công ty đó. Tương tự như vậy, Andrade và Kaplan (1998) xác định một công ty lâm vào tình trạng phá sản khi EBITDA thấp hơn chi phí tài chính hoặc khi công ty đó nỗ lực tái cơ cấu nợ hay bị mất khả năng thanh toán. Whitaker (1999) định nghĩa phá sản là khi trong năm đầu tiên mà dòng tiền của một công ty thấp hơn nợ dài hạn đến hạn phải trả.

Hơn nữa, một công ty được xác định phá sản khi giá trị thị trường của công ty có tỷ lệ tăng trưởng âm so với giá trị trung bình của thị trường hoặc có tỷ lệ tăng trưởng âm theo giá trị trung bình của thị trường được hiệu chỉnh theo ngành. Doumpos và Zopounidis (1999) định nghĩa phá sản là tình huống mà công ty không thể thực hiện đầy đủ nghĩa vụ đối với chủ nợ, nhà cung cấp dẫn đến kết quả là tạm dừng hoạt động kinh doanh download by : [e-mail] 5 Bài nghiên cứu áp dụng tại môi trường Việt Nam, theo luật phá sản năm 2014: Một doanh nghiệp phá sản khi doanh nghiệp mất khả năng thanh toán và bị tòa án nhân dân ra tuyên bố phá sán. Tuy nhiên đó là cách tiếp cận bên luật, bài nghiên cứu tiếp cận theo hướng của thị trường chứng khoán kết hợp những yếu tố quan trọng để xác định suy yếu tài chính của doanh nghiệp đó là một doanh nghiệp được xem là phá sản khi doanh nghiệp đó hủy niêm yết trên thị trường chứng khoán và EBITDA của công ty thấp hơn chi phí lãi vay liên tục trong hai năm hoặc bất cứ khi nào công ty phải chịu một sự tăng trưởng âm trong giá trị thị trường trong hai năm liên tiếp. Lý thuyết về tập hợp mềm Theo bài nghiên cứu của Molodtsov (1999) và Wei Xu cùng các cộng sự (2014), tác giả tổng hợp các định nghĩa chính về lý thuyết soft set như sau: 2.

Định nghĩa về tập hợp mềm Gọi 𝑼 là tập tổng thể gốc, 𝑬 là tập gồm các tham số, 𝑷(𝑼) là tập con của 𝑼 và 𝑨 ⊆ 𝑬. Định nghĩa 1 về tập hợp mềm (Soft - set) Một soft set 𝑭𝑨 trên tập 𝑼 được định nghĩa bởi tập các cặp thỏa 𝑭𝑨 = {(𝒙, 𝒇𝑨 (𝒙)): 𝒙 ∈ 𝑬, 𝒇𝑨 (𝒙) ∈ 𝑼} Trong đó 𝒇𝑨 : 𝑬 → 𝑷(𝑼) hay 𝒇𝑨 = ∅ nếu 𝒙 ∉ 𝑨 Hay nói một cách khác, một soft set trên tập U là một họ tham số của các tập con trong tập U. Ví dụ: Một soft set 𝐹𝐴 mô tả ảnh hưởng của các biến tới việc dự báo phá sản của các công ty. Giả sử chúng ta có 6 công ty được xem xét thì tập tổng thể gốc là 𝑈 = {𝑢1 , 𝑢2 , 𝑢3 , 𝑢4 , 𝑢5 , 𝑢6 } và 𝐸 = {𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 } là tập các tham số.

Trong đó 𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 đại diện lần lượt cho các biến: Tài sản ngắn hạn/Nợ ngắn hạn, Dòng tiền/Tổng nợ, Dòng tiền/Tổng tài sản, Dòng tiền/Doanh thu ròng, Tổng nợ/Tổng tài sản, Giá trị thị trường vốn cổ phần/Giá trị sổ sách của nợ. Trong trường hợp này, soft set là chỉ ra biến nào có tác động tới việc dự báo phá sản cho các công ty. download by : [e-mail] 6 Giả sử 𝐴 = {𝑥1 , 𝑥3 , 𝑥4 } ⊆ 𝐸 và 𝑓𝐴 (𝑥1 ) = {𝑢2 , 𝑢4 }, 𝑓𝐴 (𝑥3 ) = 𝑈,𝑓𝐴 (𝑥4 ) = {𝑢1 , 𝑢3, 𝑢5 } Từ đó ta có thể viết soft set 𝐹𝐴 là: 𝐹𝐴 = {(𝑥1 , {𝑢2 , 𝑢4 }), (𝑥3 , 𝑈), (𝑥4 , {𝑢1 , 𝑢3 , 𝑢5 })}. Hay nói một cách khác, tương ứng với tham số 𝑥1 , 𝑥3 , 𝑥4 trong tập 𝐴 sẽ tìm được các phần tử tương ứng trong tập 𝑈.