Bối cảnh và vấn đề nghiên cứu

Làn sóng khủng hoảng tài chính và phá sản doanh nghiệp trên phạm vi toàn cầu gia tăng rõ rệt từ năm 2020 dưới tác động tiêu cực của đại dịch Covid-19 và tình trạng suy thoái kinh tế. Trong lĩnh vực bất động sản, báo cáo của Jones Lang LaSalle (2020) chỉ ra sự sụt giảm mạnh về quy mô đầu tư và giá thuê tại khu vực Châu Á – Thái Bình Dương. Tại thị trường quốc tế, sự kiện Tập đoàn Bất động sản Evergrande (Trung Quốc) bị tòa án Hong Kong ra phán quyết thanh lý tài sản vào đầu năm 2024 nhằm xử lý khối nợ hơn 300 tỷ USD đã phản ánh mức độ rủi ro hệ thống của ngành bất động sản đối với nền kinh tế.

Tại Việt Nam, sự suy giảm thanh khoản cùng những biến động pháp lý đã tác động nghiêm trọng đến các doanh nghiệp địa ốc. Năm 2023, Sở Giao dịch Chứng khoán Thành phố Hồ Chí Minh (HOSE) quyết định hủy niêm yết bắt buộc đối với cổ phiếu của CTCP Tập đoàn FLC do vi phạm nghiêm trọng nghĩa vụ công bố thông tin, gióng lên hồi chuông cảnh báo về quản trị rủi ro thanh toán và sức khỏe tài chính. Trong bối cảnh đó, việc dự báo sớm rủi ro phá sản bằng các công cụ định lượng hiện đại đóng vai trò cấp thiết đối với công tác điều hành doanh nghiệp, định giá và ra quyết định đầu tư.

Khóa luận tốt nghiệp của tác giả Nguyễn Tuấn Khải (chuyên ngành Tài chính – Ngân hàng, Trường Đại học Ngân hàng TP. Hồ Chí Minh, năm 2024, do TS. Phạm Hải Nam hướng dẫn) được triển khai nhằm giải quyết các mục tiêu và nhiệm vụ nghiên cứu sau:

Mục tiêu tổng quát: Áp dụng các mô hình học máy và học sâu nhằm dự báo rủi ro phá sản của các doanh nghiệp bất động sản niêm yết tại Việt Nam, từ đó đề xuất các hàm ý quản trị phục vụ nhà quản trị, nhà đầu tư và các định chế tài chính.

Mục tiêu cụ thể:

  1. Xác định các yếu tố tài chính ảnh hưởng đến rủi ro phá sản tại các doanh nghiệp bất động sản.
  2. Ứng dụng các thuật toán học máy và xác định mô hình có hiệu suất dự báo tối ưu đối với các doanh nghiệp bất động sản niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2019–2023.
  3. Đề xuất các hàm ý quản trị nhằm nâng cao năng lực quản lý rủi ro và duy trì trạng thái an toàn tài chính cho doanh nghiệp.

Câu hỏi nghiên cứu:

  1. Các yếu tố nào ảnh hưởng đến rủi ro phá sản tại các doanh nghiệp bất động sản?
  2. Các biến độc lập được xác định có mối tương quan như thế nào đối với rủi ro phá sản tại các doanh nghiệp bất động sản trong giai đoạn 2019–2023?
  3. Cần có những hàm ý quản trị nào giúp ban lãnh đạo duy trì tình hình tài chính trong giới hạn an toàn theo các chỉ tiêu đánh giá xác định?

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Rủi ro phá sản và các yếu tố tài chính tác động đến khả năng phá sản của các công ty bất động sản.
  • Phạm vi không gian: 78 doanh nghiệp bất động sản niêm yết trên Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) và Sở Giao dịch Chứng khoán Hà Nội (HNX), được sàng lọc từ tổng số 125 doanh nghiệp khảo sát trên ba sàn HOSE, HNX và UPCOM nhằm bảo đảm tính liên tục và đầy đủ của dữ liệu.
  • Phạm vi thời gian: Giai đoạn 5 năm, từ năm 2019 đến năm 2023.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý luận dựa trên khung pháp lý hiện hành và các mô hình đánh giá rủi ro tài chính kinh điển:

Khung pháp lý và khái niệm:

  • Luật Phá sản Việt Nam năm 2014: Khoản 2 Điều 4 định nghĩa phá sản là tình trạng doanh nghiệp mất khả năng thanh toán và bị Tòa án nhân dân ra quyết định tuyên bố phá sản; Khoản 1 Điều 4 xác định mất khả năng thanh toán khi không thực hiện nghĩa vụ thanh toán nợ trong thời hạn 03 tháng kể từ ngày đến hạn; Điểm b Khoản 1 Điều 83 quy định về áp dụng biện pháp phục hồi hoạt động kinh doanh thông qua Nghị quyết của Hội nghị chủ nợ.
  • Đối chiếu luật quốc tế: Insolvency Code của Đức (phân định phá sản tự nguyện và quản lý tài sản); Luật Phá sản sửa đổi 1994 của Pháp (thủ tục phục hồi và thủ tục phá sản); Luật Phá sản 2005 của Mỹ (Chương 7 về thanh lý tài sản và Chương 11 về tái cấu trúc); hệ thống pháp luật phá sản Nhật Bản (Luật Phá sản 1922, Bộ luật Thương mại 1938, Luật Thỏa hiệp 1922/2000, Bộ luật Phục hồi dân sự 1999/2000, Luật Tổ chức lại công ty 1952).

Các chỉ tiêu và mô hình tài chính nền tảng:

  • Hệ số khả năng thanh toán tổng quát: $H_{tq} = \text{Tổng tài sản} / \text{Nợ phải trả}$.
  • Mô hình Merton (1974) dựa trên định giá quyền chọn Black-Scholes xác định xác suất vỡ nợ: $P(Default) = \Phi(-d_2)$.
  • Mô hình chỉ số Altman Z-Score đối với doanh nghiệp: $$Z = 1,2X_1 + 1,4X_2 + 3,3X_3 + 0,64X_4 + 0,999X_5$$ Trong đó:
    • $X_1$: Vốn lưu động / Tổng tài sản (WCTA)
    • $X_2$: Lợi nhuận giữ lại / Tổng tài sản (RETA)
    • $X_3$: Lợi nhuận trước thuế và lãi vay / Tổng tài sản (EBIT / Tổng tài sản)
    • $X_4$: Giá trị thị trường của vốn chủ sở hữu / Nợ phải trả (MV/TL)
    • $X_5$: Doanh thu / Tổng tài sản (Sales / Total Assets)
    • Tiêu chuẩn phân loại: $Z > 2,99$ (vùng an toàn); $1,8 < Z < 2,99$ (vùng có nguy cơ/vùng xám); $Z < 1,8$ (vùng nguy hiểm, nguy cơ phá sản cao).

Phương pháp nghiên cứu thực nghiệm: Nghiên cứu sử dụng phương pháp định lượng thực nghiệm thông qua các thuật toán học máy có giám sát (Supervised Learning), lập trình bằng ngôn ngữ Python trên môi trường Visual Studio Code và xử lý bảng biểu qua Microsoft Excel.

Nguồn dữ liệu và quy trình xử lý:

  • Thu thập dữ liệu: Dữ liệu thô gồm 389 quan sát từ Bảng cân đối kế toán và Báo cáo kết quả hoạt động kinh doanh của 78 công ty bất động sản niêm yết qua thư viện Vnstock (sau xử lý còn 388 quan sát hợp lệ).
  • Tiền xử lý dữ liệu: Áp dụng khoảng tứ phân vị $IQR = Q_3 - Q_1$ để phát hiện và xử lý giá trị ngoại lai (outliers); sử dụng kỹ thuật SMOTE (Synthetic Minority Over-sampling Technique) để khắc phục hiện tượng mất cân bằng dữ liệu giữa các nhóm phân loại.
  • Huấn luyện và kiểm thử: Dữ liệu được phân chia theo tỷ lệ 70% dành cho tập huấn luyện (Training Set) và 30% dành cho tập kiểm tra (Testing Set).
  • Các mô hình học máy triển khai: Logistic Regression (Cox, 1958), Decision Tree, Random Forest, K-Nearest Neighbors (KNN), Gradient Boosting Classifier (Friedman, 2001) và Mạng Nơ-ron nhân tạo (Artificial Neural Network / NEURON NETWORK) ứng dụng thuật toán lan truyền tiến (Forward Propagation), hàm mất mát MSE/Cross-Entropy và lan truyền ngược (Backpropagation) với Gradient Descent.

Nội dung chính theo từng chương

Chương 1: Giới thiệu về đề tài nghiên cứu

Chương 1 thiết lập tính cấp thiết của đề tài xuất phát từ các vụ vỡ nợ, hủy niêm yết trong nước (FLC) và quốc tế (Evergrande) giai đoạn hậu Covid-19. Tác giả xác định rõ mục tiêu tổng quát, 3 mục tiêu cụ thể, 3 câu hỏi nghiên cứu, đối tượng nghiên cứu là 78 công ty bất động sản niêm yết trên HOSE và HNX giai đoạn 2019–2023, cùng cấu trúc 5 chương của khóa luận.

Chương 2: Cơ sở lý luận và tổng quan về nghiên cứu trước

Chương này tổng kết các quy định pháp lý về phá sản của Việt Nam và 4 quốc gia (Đức, Pháp, Mỹ, Nhật Bản). Đồng thời, tác giả hệ thống hóa các phương pháp đánh giá phá sản từ chỉ tiêu kế toán đơn lẻ, mô hình cấu trúc Merton (1974) đến mô hình đa biến Altman Z-Score. Chương 2 cũng thực hiện tổng quan 14 công trình thực nghiệm tiêu biểu trong nước và quốc tế (Wang Yi, 2012; Irvan, 2024; Servet Say, 2024; Lin, 2009; Kumar & Ravi, 2007; John Ohlson, 1980; Harris & Wong, 2023; Johnson và cộng sự, 2024; Lê Hải Trung & Trương Thị Thùy Dương, 2023; Pham Tiến Mạnh và cộng sự, 2024; Nguyễn Thị Thanh Loan và cộng sự, 2024; Bùi Quang Minh, 2022; Nguyễn Thị Bích Thủy & Nguyễn Ngọc Anh, 2017; Trần Thị Tuyết Mai, 2019; Phạm Văn Thắng & Nguyễn Thị Hồng Vân, 2018).

Chương 3: Mô hình và phương pháp nghiên cứu

Chương 3 chi tiết hóa cấu trúc toán học của 5 biến thành phần trong chỉ số Z-Score, mô hình hồi quy Logistic, cơ chế hoạt động của thuật toán tăng cường độ dốc Gradient Boosting qua từng bước đạo hàm hàm tổn thất, thuật toán láng giềng gần nhất KNN, cấu trúc phân nhánh giảm thiểu độ hỗn loạn của Decision Tree, kỹ thuật Bagging và Feature Randomness trong Random Forest, cùng quy trình 4 bước của mạng Nơ-ron nhân tạo. Tác giả đồng thời trình bày cụ thể quy trình 4 bước tiền xử lý và chia tách dữ liệu thực nghiệm.

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 cung cấp số liệu thống kê mô tả chi tiết của 388 mẫu quan sát và phân tích ma trận tương quan giữa các biến:

Chỉ tiêu thống kê Vốn lưu động / Tổng tài sản ($X_1$) Lợi nhuận giữ lại / Tổng tài sản ($X_2$) EBIT / Tổng tài sản ($X_3$) Giá trị TT VCSH / Nợ phải trả ($X_4$) Doanh thu / Tổng tài sản ($X_5$) Chỉ số Z-Score
Giá trị trung bình (Mean) 0,5185 0,0364 0,0530 2,1638 0,2396 2,4725
Độ lệch chuẩn (Std) 0,2281 0,0550 0,0590 11,2047 0,1906 7,1364
Giá trị nhỏ nhất (Min) -0,0255 -0,5114 -0,3274 -0,1581 0,1264 0,0730
Phân vị 25% (Q1) 0,3382 0,0083 0,0148 0,5382 0,1074 1,3221
Trung vị (Median / 50%) 0,5363 0,0312 0,0392 0,9306 0,1991 1,7494
Phân vị 75% (Q3) 0,6917 0,0620 0,0852 1,6651 0,3131 2,4616
Giá trị lớn nhất (Max) 0,9738 0,1820 0,2677 213,4000 0,9287 137,0086

Phân tích hệ số tương quan tuyến tính qua biểu đồ nhiệt (Heatmap) cho thấy:

  • Biến $X_4$ (Giá trị thị trường của vốn chủ sở hữu / Nợ phải trả) có tương quan thuận mạnh nhất với Z-Score ($r = 0,63$).
  • Biến $X_1$ (Vốn lưu động / Tổng tài sản) đạt mức tương quan $r = 0,59$ với Z-Score.
  • Biến $X_3$ (EBIT / Tổng tài sản) đạt tương quan $r = 0,43$ với Z-Score, đồng thời có mối quan hệ gắn kết cao với $X_2$ ($r = 0,73$) và $X_5$ ($r = 0,62$).
  • Biến $X_5$ (Doanh thu / Tổng tài sản) có hệ số tương quan dương $r = 0,38$ đối với Z-Score.

Chương 5: Kết luận và hàm ý quản trị

Dựa trên kết quả thực nghiệm, chương 5 đúc kết các phát hiện cốt lõi và đề xuất 5 nhóm khuyến nghị quản trị chi tiết dành cho các nhà quản lý doanh nghiệp bất động sản. Chương này cũng chỉ rõ các hạn chế nội tại của bộ dữ liệu và định hướng các nghiên cứu tiếp nối.

Kết quả và đóng góp

Kết quả dự báo của các mô hình học máy

Thực nghiệm so sánh hiệu năng giữa các thuật toán học máy có giám sát trên tập dữ liệu kiểm tra đem lại kết quả cụ thể như sau:

Mô hình học máy Độ chính xác (Accuracy %) F1-Score (%) Precision (%) Recall (%)
Mạng Nơ-ron nhân tạo (NEURON NETWORK) 97,27 97,04 97,55 96,79
K-Nearest Neighbors (KNN) 94,54 94,19 94,97 88,91
Random Forest 91,80 91,11 91,46 90,94
Logistic Regression 90,16 89,28 90,00 89,10
Decision Tree 89,62 88,83 88,86 88,83

Ghi chú: Mô hình Gradient Boosting Classifier (GBC) cho hiệu suất tương đương với Decision Tree (đạt độ chính xác khoảng 89,62%).

Mô hình Mạng Nơ-ron nhân tạo (NEURON NETWORK) đạt hiệu suất vượt trội trên toàn bộ các chỉ số kiểm định, với độ chính xác đạt 97,27% và F1-Score đạt 97,04%, chứng minh khả năng tổng quát hóa cao và xử lý tốt các quan hệ phi tuyến phức tạp trong dữ liệu tài chính.

Đóng góp của đề tài

  1. Đóng góp về phương pháp luận: Ứng dụng thành công ngôn ngữ lập trình Python kết hợp các thuật toán học máy hiện đại (ANN, KNN, Random Forest) vào phân tích tài chính doanh nghiệp bất động sản tại Việt Nam, cung cấp giải pháp dự báo thay thế cho các mô hình hồi quy tuyến tính truyền thống.
  2. Đóng góp về dữ liệu thực nghiệm: Cập nhật bộ dữ liệu tài chính mới nhất giai đoạn 2019–2023, bao hàm giai đoạn dịch bệnh Covid-19 và giai đoạn tái cấu trúc thị trường bất động sản.
  3. Đóng góp cho thực tiễn quản trị: Chứng minh định lượng vai trò quyết định của tỷ lệ Giá trị thị trường VCSH / Nợ phải trả ($r = 0,63$) và Vốn lưu động / Tổng tài sản ($r = 0,59$) đối với sự an toàn tài chính của doanh nghiệp BĐS.

Hệ thống hàm ý quản trị tác giả đề xuất

  1. Cải thiện và tối ưu hóa quy trình bán hàng: Đẩy nhanh vòng quay hàng tồn kho, linh hoạt hóa chính sách thanh toán để gia tăng tỷ lệ Doanh thu / Tổng tài sản.
  2. Phân tích sâu và khám phá các yếu tố tiềm ẩn: Thường xuyên theo dõi các biến động chi phí ngầm, rủi ro thanh khoản tiềm ẩn trong chu kỳ kinh doanh bất động sản.
  3. Gia tăng lợi nhuận giữ lại và khả năng sinh lời: Cân đối tỷ lệ chi trả cổ tức hợp lý để tích lũy nguồn vốn tái đầu tư, cải thiện hệ số Lợi nhuận giữ lại / Tổng tài sản.
  4. Cải thiện khả năng sinh lời trước thuế và lãi vay (EBIT): Tối ưu hóa chi phí vận hành dự án, kiểm soát chặt chẽ chi phí lãi vay phát sinh từ các khoản nợ vay lớn.
  5. Quản lý cơ cấu vốn và nợ: Giữ tỷ lệ đòn bẩy tài chính ở mức an toàn, nâng cao giá trị vốn chủ sở hữu trên thị trường và tránh phụ thuộc quá mức vào nợ vay ngắn hạn.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài:

  • Khảo sát giới hạn trong phạm vi 78 doanh nghiệp niêm yết trên hai sàn HOSE và HNX có báo cáo tài chính liên tục và đầy đủ số liệu trong 5 năm (2019–2023), chưa mở rộng khảo sát sang toàn bộ các doanh nghiệp thuộc sàn UPCOM cũng như khối doanh nghiệp bất động sản chưa niêm yết.
  • Mô hình chỉ tập trung vào 5 biến tài chính kế toán theo khung Altman Z-Score, chưa tích hợp các biến số kinh tế vĩ mô (lãi suất, lạm phát, chính sách tín dụng bất động sản) và các biến định tính phi tài chính (năng lực ban quản trị, uy tín thương hiệu dự án).

Hướng nghiên cứu tiếp theo:

  • Mở rộng quy mô mẫu nghiên cứu sang các doanh nghiệp bất động sản vừa và nhỏ, doanh nghiệp chưa đại chúng hóa.
  • Bổ sung các biến vĩ mô và dữ liệu phi tài chính vào tập đặc trưng đầu vào của mô hình.
  • Thử nghiệm các kiến trúc học sâu chuyên sâu về chuỗi thời gian (Time-Series Deep Learning) để nắm bắt biến động tài chính theo các mốc thời gian liên tục.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo chuyên môn hữu ích cho:

  • Sinh viên, học viên chuyên ngành Tài chính – Ngân hàng, Phân tích dữ liệu tài chính (Fintech): Tham khảo quy trình kết hợp công cụ lập trình Python, thư viện Vnstock và các thuật toán học máy trong việc giải quyết bài toán định lượng rủi ro phá sản.
  • Nhà quản trị doanh nghiệp bất động sản: Vận dụng bảng ma trận tương quan và ngưỡng đánh giá Z-Score để thiết lập hệ thống cảnh báo sớm rủi ro thanh khoản, tái cấu trúc nợ và cân đối dòng tiền.
  • Chuyên viên phân tích tín dụng và nhà đầu tư chứng khoán: Sử dụng mô hình mạng Nơ-ron nhân tạo và các tỷ số tài chính trọng yếu ($X_1, X_3, X_4$) làm công cụ sàng lọc, đánh giá mức độ an toàn trước khi ra quyết định giải ngân hoặc phân bổ vốn đầu tư.

Câu hỏi thường gặp

1. Trong các mô hình học máy được thử nghiệm, mô hình nào cho kết quả dự báo rủi ro phá sản chính xác nhất?
Mô hình Mạng Nơ-ron nhân tạo (NEURON NETWORK) đạt kết quả cao nhất với độ chính xác (Accuracy) 97,27%, F1-Score 97,04%, Precision 97,55% và Recall 96,79%, vượt trội so với KNN (94,54%), Random Forest (91,80%), Logistic Regression (90,16%) và Decision Tree (89,62%).

2. Bộ dữ liệu nghiên cứu được thu thập từ đâu và có quy mô quan sát như thế nào?
Dữ liệu được trích xuất từ Bảng cân đối kế toán và Báo cáo kết quả hoạt động kinh doanh của 78 công ty bất động sản niêm yết trên sàn HOSE và HNX giai đoạn 2019–2023 thông qua thư viện Vnstock, tạo ra 388 quan sát hợp lệ sau khi loại trừ giá trị ngoại lai.

3. Biến tài chính độc lập nào có mối tương quan mạnh nhất đối với chỉ số sức khỏe tài chính Z-Score?
Tỷ lệ Giá trị thị trường của vốn chủ sở hữu / Nợ phải trả ($X_4$) có mối tương quan thuận mạnh nhất với Z-Score ($r = 0,63$), tiếp theo là Vốn lưu động / Tổng tài sản ($X_1$ với $r = 0,59$) và EBIT / Tổng tài sản ($X_3$ với $r = 0,43$).

4. Tác giả đã sử dụng những kỹ thuật gì để xử lý hiện tượng ngoại lai và mất cân bằng dữ liệu?
Nghiên cứu sử dụng thước đo khoảng tứ phân vị $IQR = Q_3 - Q_1$ để phát hiện và loại bỏ các giá trị dị biệt (outliers), đồng thời áp dụng thuật toán SMOTE (Synthetic Minority Over-sampling Technique) nhằm tạo thêm mẫu tổng hợp cho nhóm thiểu số để cân bằng dữ liệu trước khi huấn luyện mô hình.

5. Tác giả đã phân chia tập dữ liệu huấn luyện và kiểm tra theo tỷ lệ bao nhiêu?
Dữ liệu được phân chia theo tỷ lệ 70% dành cho tập huấn luyện (Training Data) để xây dựng mô hình và 30% dành cho tập kiểm tra (Testing Data) để đánh giá hiệu suất dự báo.

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Tuấn Khải đã ứng dụng thành công các thuật toán học máy có giám sát để dự báo rủi ro phá sản của 78 doanh nghiệp bất động sản niêm yết tại Việt Nam giai đoạn 2019–2023. Kết quả kiểm định khẳng định mô hình Mạng Nơ-ron nhân tạo đạt hiệu suất dự báo tối ưu với độ chính xác 97,27%, đồng thời xác định tỷ lệ Giá trị thị trường VCSH / Nợ phải trả và Vốn lưu động / Tổng tài sản là hai yếu tố then chốt chi phối an toàn tài chính. Công trình cung cấp hệ thống 5 giải pháp quản trị thiết thực giúp các nhà điều hành doanh nghiệp kiểm soát cấu trúc vốn, cải thiện thanh khoản và ngăn ngừa rủi ro vỡ nợ trong điều kiện thị trường biến động.