Phân tích chỉ số tài chính để dự báo xác suất vỡ nợ của doanh nghiệp SME

Luận văn phân tích các chỉ số tài chính quan trọng giúp dự báo chính xác xác suất vỡ nợ của doanh nghiệp SME, hỗ trợ quản trị rủi ro tín dụng.

• Tác giả: Hoang Anh Duc
• Người hướng dẫn: Ph.D. Nguyen Minh Nhat
• Trường học: Banking University Of Ho Chi Minh City
• Chuyên ngành: Finance & Banking
• Đề tài: Phân tích các chỉ số tài chính để dự báo xác suất vỡ nợ của các doanh nghiệp vừa và nhỏ
• Loại tài liệu: Graduation thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• TÓM TẮT
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Kết cấu của đề tài
• 2. CHƯƠNG 2: TỔNG QUAN TÀI LIỆU
• 2.1. Doanh nghiệp vừa và nhỏ (SMEs)
• 2.2. Xác suất vỡ nợ (PD)
• 2.3. Tổng quan về các mô hình xác suất vỡ nợ
• 2.3.1. Các mô hình xác suất vỡ nợ
• 2.3.2. Sự khác biệt giữa mô hình Hồi quy Logistic, Cây quyết định, Tăng cường độ dốc và Mạng nơ-ron nhân tạo
• 2.4. Các nghiên cứu liên quan tại Việt Nam
• 2.5. Các nghiên cứu liên quan khác
• 3. CHƯƠNG 3: DỮ LIỆU VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Thu thập và xử lý dữ liệu
• 3.2. Lựa chọn các biến đầu vào trong mô hình dự báo vỡ nợ
• 3.3. Các mô hình ước lượng khả năng vỡ nợ
• 3.3.1. Mô hình Hồi quy Logistic
• 3.3.2. Mô hình Cây quyết định và Tăng cường độ dốc
• 3.3.3. Mô hình Mạng nơ-ron nhân tạo
• 3.4. Tiêu chí đánh giá các mô hình dự báo vỡ nợ
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. So sánh khả năng dự báo của các mô hình
• 4.2. Kết quả phân tích mức độ quan trọng của biến
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Ứng dụng mô hình để dự báo xác suất vỡ nợ của khách hàng SME tại các ngân hàng thương mại Việt Nam
• 5.1.1. Nhận diện khách hàng tiềm năng
• 5.1.2. Định hướng chính sách tín dụng dựa trên kết quả mô hình
• 5.1.3. Mô hình như một nguồn thông tin cho chính sách tín dụng
• 5.2. Khả năng ứng dụng mô hình tại các tổ chức xếp hạng tín nhiệm (CRA) Việt Nam
• 5.3. Hạn chế của đề tài và hướng nghiên cứu tương lai
• 5.3.1. Hướng nghiên cứu trong tương lai
• Phụ lục 1: Mã Python dùng để ước lượng PD
• Phụ lục 2: Kết quả của các mô hình sau khi chạy mã Python

Tóm tắt

I. Tầm Quan Trọng của Dự báo Vỡ Nợ SME trong Quản Lý Rủi Ro Tín Dụng

Dự báo vỡ nợ SME đóng vai trò then chốt trong hoạt động quản lý rủi ro tín dụng của các ngân hàng thương mại Việt Nam. Theo khuôn khổ Basel II, xác suất vỡ nợ (Probability of Default - PD) là tham số thiết yếu để tính toán mức vốn kinh tế và giảm thiểu rủi ro tín dụng. Doanh nghiệp nhỏ và vừa (SME) chiếm tỷ lệ lớn trong nền kinh tế Việt Nam, đóng góp đáng kể cho việc tạo việc làm và phát triển kinh tế. Tuy nhiên, SME thường có mức độ rủi ro cao hơn so với các doanh nghiệp lớn. Do đó, phát triển mô hình dự báo vỡ nợ dựa trên chỉ số tài chính là điều cấp thiết giúp các ngân hàng nâng cao hiệu quả quản lý rủi ro tín dụng.

1.1. Khái Niệm Xác Suất Vỡ Nợ và Rủi Ro Tín Dụng

Xác suất vỡ nợ (PD) là khả năng một khách hàng không thể hoàn thành các nghĩa vụ tài chính trong khoảng thời gian nhất định. Rủi ro tín dụng phát sinh từ khả năng này và là một trong những rủi ro chính mà các ngân hàng phải quản lý. Việc đánh giá chính xác PD giúp ngân hàng xác định lãi suất phù hợp, quyết định cấp tín dụng hợp lý và dự phòng rủi ro hiệu quả.

1.2. Vị Trí của SME trong Nền Kinh Tế Việt Nam

Theo tiêu chí của Ngân hàng Thế giới, SME được phân loại dựa trên số lao động và vốn đầu tư. Tại Việt Nam, SME là lực lượng kinh tế chủ yếu, tuy nhiên thường gặp khó khăn trong tiếp cận tín dụng do thiếu công cụ đánh giá rủi ro chính xác. Dự báo vỡ nợ SME qua chỉ số tài chính giúp giải quyết vấn đề này.

II. Chỉ Số Tài Chính Chính Để Dự Báo Vỡ Nợ

Chỉ số tài chính là công cụ quan trọng để đánh giá sức khỏe tài chính của doanh nghiệp và dự báo khả năng vỡ nợ. Các chỉ số như tỷ lệ thanh khoản, tỷ lệ solvency, tỷ suất lợi nhuận và tỷ lệ nợ/vốn cung cấp cái nhìn toàn diện về tình hình tài chính của SME. Nghiên cứu khoa học chỉ ra rằng việc kết hợp nhiều chỉ số tài chính vào mô hình dự báo sẽ tăng độ chính xác. Các ngân hàng cần xác định rõ chỉ số nào có ảnh hưởng lớn nhất đến khả năng vỡ nợ của SME. Qua đó, xây dựng hệ thống đánh giá tín dụng nội bộ phù hợp với đặc thù của từng doanh nghiệp.

2.1. Chỉ Số Thanh Khoản và Khả Năng Thanh Toán

Chỉ số thanh khoản (hiện hành, nhanh) đo lường khả năng của SME thanh toán các khoản nợ ngắn hạn. Chỉ số thanh khoản cao cho thấy doanh nghiệp có đủ tài sản lỏng để đối phó với các nghĩa vụ tài chính. Các ngân hàng sử dụng chỉ số này để đánh giá rủi ro thanh toán ngắn hạn.

2.2. Chỉ Số Sinh Lời và Hiệu Quả Kinh Doanh

Tỷ suất lợi nhuận ròng (NPM), tỷ suất lợi nhuận trên tài sản (ROA) và tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) phản ánh hiệu quả hoạt động kinh doanh. Doanh nghiệp có lợi nhuận cao có khả năng trả nợ tốt hơn. Chỉ số này là yếu tố quan trọng trong mô hình dự báo vỡ nợ.

III. Các Mô Hình Dự Báo Vỡ Nợ Phổ Biến

Hiện nay, có nhiều mô hình dự báo vỡ nợ được áp dụng trong thực tiễn ngân hàng, bao gồm mô hình Altman Z-score, Logistic Regression, Machine Learning models và các phương pháp thống kê hiện đại khác. Mỗi mô hình có ưu và nhược điểm riêng, phù hợp với các ngữ cảnh kinh tế khác nhau. Việc lựa chọn mô hình phù hợp là yếu tố quyết định độ chính xác của dự báo. Tại Việt Nam, sự thiếu hụt các nghiên cứu chuyên sâu về dự báo vỡ nợ SME tạo thách thức cho các ngân hàng trong việc chọn mô hình. Cần phải kiểm định và điều chỉnh các mô hình sao cho phù hợp với đặc thù tài chính của SME Việt Nam.

3.1. Mô Hình Altman Z Score

Mô hình Altman sử dụng năm chỉ số tài chính để tính toán điểm số rủi ro. Công thức này được phát triển từ các công ty sản xuất và vẫn được sử dụng rộng rãi. Mô hình này có ưu điểm dễ áp dụng, nhưng nhược điểm là không được tối ưu hóa cho SME Việt Nam.

3.2. Mô Hình Logistic Regression

Logistic Regression là phương pháp thống kê cho phép mô hình xác suất vỡ nợ dựa trên chỉ số tài chính. Mô hình này có khả năng xử lý nhiều biến số và phổ biến trong ngân hàng hiện đại. Nó cung cấp xác suất rõ ràng và dễ diễn giải.

IV. Hướng Phát Triển Dự Báo Vỡ Nợ SME tại Việt Nam

Dự báo vỡ nợ SME cần được phát triển dựa trên dữ liệu tài chính Việt Nam thực tế. Các ngân hàng thương mại cần xây dựng hệ thống đánh giá tín dụng nội bộ được chuẩn hóa và kiểm định kỹ lưỡng. Chính phủ Việt Nam đang hoàn thiện khung pháp lý về đánh giá tín dụng, điều này sẽ giúp nâng cao tính minh bạch và bảo vệ quyền lợi nhà đầu tư. Cần đẩy mạnh nghiên cứu học thuật về dự báo vỡ nợ SME để có các mô hình phù hợp. Sự kết hợp giữa lý thuyết tài chính, phương pháp thống kê hiện đại và điều kiện kinh tế Việt Nam sẽ tạo ra công cụ đánh giá rủi ro hiệu quả.

4.1. Xây Dựng Cơ Sở Dữ Liệu Tài Chính

Cơ sở dữ liệu tài chính chất lượng cao về SME là nền tảng để phát triển mô hình dự báo vỡ nợ. Cần thu thập chỉ số tài chính từ các SME trong nhiều năm để kiểm định mô hình. Dữ liệu đầy đủ và chính xác sẽ cải thiện độ tin cậy của dự báo.

4.2. Ứng Dụng Công Nghệ AI và Machine Learning

Trí tuệ nhân tạo và Machine Learning mở ra cơ hội mới cho dự báo vỡ nợ SME với độ chính xác cao hơn. Các mô hình học sâu (Deep Learning) có thể xử lý chỉ số tài chính phức tạp và phát hiện các mẫu tiềm ẩn. Việc áp dụng công nghệ này sẽ nâng cao năng lực quản lý rủi ro của ngân hàng Việt Nam.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khủng hoảng kinh tế bắt nguồn từ đại dịch COVID-19 đã gây ra làn sóng phá sản trên phạm vi toàn cầu. Theo số liệu dự báo từ Euler Hermes (07/2020), tỷ lệ vỡ nợ doanh nghiệp toàn cầu giai đoạn 2019–2021 tăng ước tính khoảng 35%. Trong đó, tỷ lệ phá sản tại Bắc Mỹ dự báo tăng mạnh nhất (+56% so với năm 2019), tiếp theo là Trung và Đông Âu (+34%), Mỹ Latinh (+33%), Tây Âu (+32%) và Châu Á (+31%). Xét theo từng quốc gia, số lượng doanh nghiệp mất khả năng thanh toán được dự báo tăng 57% tại Hoa Kỳ, 45% tại Brazil, 43% tại Vương quốc Anh, 41% tại Tây Ban Nha và 40% tại Trung Quốc. Thống kê từ Tòa án Hoa Kỳ cũng chỉ ra số lượng đơn xin phá sản của cá nhân và doanh nghiệp trong 12 tháng tính đến ngày 30/06/2023 đã tăng 10% so với năm trước do áp lực lạm phát và chi phí lãi vay gia tăng.

Tại Việt Nam, sự đứt gãy chuỗi sản xuất, cung ứng, thương mại, du lịch và lao động đã khiến số lượng doanh nghiệp rời khỏi thị trường tăng cao. Trong 10 tháng đầu năm 2020, có 41,8 nghìn doanh nghiệp tạm ngừng kinh doanh (tăng 58,7% so với cùng kỳ năm 2019) và 13,5 nghìn doanh nghiệp hoàn tất thủ tục giải thể. Tăng trưởng GDP của Việt Nam chậm lại từ mức 8% năm 2022 xuống còn 3,7% trong nửa đầu năm 2023; Ngân hàng Thế giới dự báo mức tăng trưởng của năm 2023 đạt khoảng 4,7%.

Bối cảnh thực tiễn đặt ra yêu cầu cấp thiết đối với hệ thống xếp hạng tín dụng nội bộ tại các ngân hàng thương mại nhằm kiểm soát rủi ro tín dụng và tuân thủ các chuẩn mực của Hiệp ước Basel II. Tuy nhiên, hoạt động xếp hạng tín dụng cho nhóm khách hàng doanh nghiệp nhỏ và vừa (SME) tại Việt Nam đang đối mặt với các vấn đề then chốt:

1. Các mô hình xếp hạng tín dụng hiện hành còn nhiều hạn chế và tồn tại tranh luận về độ tin cậy trong việc dự báo xác suất vỡ nợ.
2. Việc lựa chọn và xác định các chỉ số tài chính có ý nghĩa then chốt tác động đến xác suất vỡ nợ của doanh nghiệp chưa đạt được sự đồng thuận cao giữa các nghiên cứu thực nghiệm.
3. Phương pháp xếp hạng tín dụng doanh nghiệp tại các ngân hàng thương mại Việt Nam hiện nay chủ yếu mang tính định tính, phụ thuộc vào đánh giá chủ quan của chuyên viên tín dụng (phương pháp chuyên gia), thiếu vắng mô hình định lượng khoa học có độ tin cậy cao dựa trên dữ liệu báo cáo tài chính.
4. Khung pháp lý về xếp hạng tín dụng tại Việt Nam đang trong quá trình hoàn thiện thông qua Nghị định số 88/2014/NĐ-CP ngày 26/09/2014 quy định về dịch vụ xếp hạng tín nhiệm và Quyết định số 507/QĐ-TTg ngày 17/04/2015 của Thủ tướng Chính phủ phê duyệt Quy hoạch phát triển dịch vụ xếp hạng tín nhiệm đến năm 2020 và tầm nhìn đến năm 2030 (quy định bắt buộc xếp hạng tín nhiệm khi phát hành trái phiếu doanh nghiệp từ năm 2020).

Mục tiêu nghiên cứu:

• Mục tiêu chung: Xây dựng và đánh giá mô hình định lượng dự báo xác suất vỡ nợ (Probability of Default - PD) cho các doanh nghiệp nhỏ và vừa (SME) tại Việt Nam dựa trên các chỉ số tài chính, cung cấp cơ sở thực nghiệm giúp các ngân hàng thương mại nâng cao hiệu quả quản trị rủi ro tín dụng.
• Mục tiêu cụ thể:
  1. Xác định các tiêu chí đánh giá một mô hình dự báo xác suất vỡ nợ phù hợp.
  2. Thiết lập quy trình lựa chọn mô hình tối ưu trong việc dự báo xác suất vỡ nợ của khách hàng SME tại các ngân hàng thương mại Việt Nam dựa trên các chỉ số tài chính.
  3. Cung cấp bằng chứng thực nghiệm về các chỉ số tài chính có tác động quan trọng đến khả năng vỡ nợ của doanh nghiệp SME.

Câu hỏi nghiên cứu:

1. Các chỉ số tài chính có tác động như thế nào đến xác suất vỡ nợ của các doanh nghiệp nhỏ và vừa (SME)?
2. Mô hình ước lượng xác suất vỡ nợ (PD) nào thể hiện hiệu quả dự báo tối ưu đối với nhóm khách hàng SME?

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Xác suất vỡ nợ (PD) của khách hàng doanh nghiệp nhỏ và vừa (SME) tại các ngân hàng thương mại Việt Nam. Tiêu chí xác định SME thỏa mãn: tổng nguồn vốn không quá 100 tỷ đồng hoặc tổng doanh thu năm liền kề không quá 300 tỷ đồng (theo tiêu chí của Ngân hàng Thế giới và Nghị định số 39/2018/NĐ-CP).
• Phạm vi không gian và thời gian: Dữ liệu được thu thập từ báo cáo tài chính đã kiểm toán giai đoạn 2020–2022 của 400 doanh nghiệp thuộc 9 ngành nghề kinh doanh tại Việt Nam.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và khái niệm nền tảng

• Doanh nghiệp nhỏ và vừa (SME): Chiếm khoảng 90% tổng số doanh nghiệp và hơn 50% việc làm toàn cầu, đóng góp tới 40% GDP tại các nền kinh tế mới nổi. Tiêu chuẩn phân loại theo Nghị định số 39/2018/NĐ-CP chia thành ba nhóm: siêu nhỏ, nhỏ và vừa căn cứ trên số lượng lao động tham gia bảo hiểm xã hội, tổng doanh thu và tổng nguồn vốn theo từng lĩnh vực (nông nghiệp, lâm nghiệp, thủy sản, công nghiệp - xây dựng, thương mại - dịch vụ).
• Xác suất vỡ nợ (Probability of Default - PD): Là thông số trọng yếu trong khung khổ Basel II dùng để tính toán mức vốn kinh tế dự phòng rủi ro. Theo định nghĩa của Văn phòng Kiểm soát Tiền tệ Hoa Kỳ (OCC) và Tysk (2010), PD phản ánh xác suất định lượng về việc bên vay không thực hiện hoặc không thể thực hiện đúng nghĩa vụ trả nợ gốc/lãi trong khoảng thời gian xác định (thường là 1 năm).
• Hệ thống xếp hạng tín dụng: Khái niệm theo Michael K. Ong (2003), Standard & Poor's và Fitch Ratings định nghĩa xếp hạng tín dụng là quá trình đánh giá có hệ thống năng lực và mức độ sẵn sàng thực hiện nghĩa vụ tài chính của doanh nghiệp, thể hiện qua hệ thống ký hiệu phân hạng (từ AAA đến C).
• Các nhóm chỉ số tài chính: Nghiên cứu phân chia các biến độc lập thành 4 nhóm chính:
  1. Nhóm chỉ số khả năng thanh khoản (Liquidity).
  2. Nhóm chỉ số đòn bẩy tài chính và khả năng thanh toán nợ dài hạn (Financial Leverage & Long-term Debt Solvency).
  3. Nhóm chỉ số khả năng sinh lời (Profitability).
  4. Nhóm chỉ số hiệu quả hoạt động (Performance / Asset Efficiency).

Phương pháp nghiên cứu thực nghiệm

Quy trình nghiên cứu định lượng được thực hiện qua 4 giai đoạn:

1. Thu thập và tiền xử lý dữ liệu: Thu thập báo cáo tài chính đã kiểm toán của 400 doanh nghiệp SME. Phân loại biến phụ thuộc nhị phân ($Y = 1$: vỡ nợ/phá sản; $Y = 0$: không vỡ nợ). Doanh nghiệp được xác định vỡ nợ ($Y = 1$) khi thỏa mãn ít nhất một trong ba điều kiện:
   • Vốn chủ sở hữu âm.
   • Lợi nhuận sau thuế và dòng tiền từ hoạt động kinh doanh âm liên tục trong 2 năm.
   • Doanh nghiệp tuyên bố phá sản. Xử lý dữ liệu khuyết thiếu bằng giá trị trung bình của nhóm phân loại tương ứng; xử lý giá trị vô cực bằng giá trị max/min; xử lý ngoại lai cực trị bằng phương pháp winsorization tại phân vị 5% và 95%.
2. Lựa chọn biến số đầu vào: Xác định 13 biến chỉ số tài chính độc lập từ 4 nhóm chỉ số.
3. Ước lượng các mô hình phân loại: Sử dụng ngôn ngữ lập trình Python và các thư viện chuyên dụng (NumPy, Pandas, Scikit-learn, TensorFlow, XGBoost, Seaborn). Bốn mô hình định lượng được xây dựng gồm:
   • Mô hình Hồi quy Logistic (Logistic Regression).
   • Mô hình Cây quyết định (Decision Trees).
   • Mô hình Gradient Boosting (triển khai qua thuật toán XGBoost / XGBClassifier).
   • Mô hình Mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN, áp dụng chuẩn hóa dữ liệu Min-Max).
4. Đánh giá và so sánh mô hình: Sử dụng Ma trận nhầm lẫn (Confusion Matrix) và các thước đo định lượng: Độ chính xác (Accuracy), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision), Điểm F1 (F1-Score) và diện tích dưới đường cong ROC (AUC).

---

Nội dung chính theo từng chương

CHAPTER 1: INTRODUCTION

Chương mở đầu thiết lập tính cấp thiết của đề tài trong bối cảnh tỷ lệ vỡ nợ gia tăng toàn cầu hậu COVID-19 và tiến trình triển khai chuẩn mực Basel II tại Việt Nam. Tác giả chỉ ra lỗ hổng nghiên cứu về việc thiếu vắng các mô hình định lượng thực nghiệm dự báo phá sản dựa trên chỉ số tài chính cho khách hàng SME trong nước. Chương này xác định rõ mục tiêu, 2 câu hỏi nghiên cứu, đối tượng, phạm vi nghiên cứu 400 doanh nghiệp giai đoạn 2020–2022, phương pháp tiếp cận kết hợp định tính - định lượng và cấu trúc 5 chương của khóa luận.

CHAPTER 2: LITERATURE REVIEW

Chương tổng quan lý thuyết hệ thống hóa các khái niệm về SME theo World Bank và Nghị định số 39/2018/NĐ-CP; cơ chế xác định xác suất vỡ nợ PD theo Basel II và OCC; quy chuẩn xếp hạng tín nhiệm của các tổ chức quốc tế (Standard & Poor's, Fitch Ratings, Moody's).

Chương này đánh giá ưu - nhược điểm của các thế hệ mô hình dự báo vỡ nợ:

• Mô hình hồi quy tuyến tính (Orgler, 1970).
• Mô hình phân tích biệt số tuyến tính MDA (Fisher, 1936; Altman, 1968 với mô hình 5 chỉ số Z-score).
• Mô hình Logit và Probit (Ohlson, 1980; Platt, 1991; Lawrence, 1992; Hayden, 2010).
• Mô hình phi tham số và học máy: Cây quyết định (Breiman, 1980), Rừng ngẫu nhiên (Ho, 1995), Mạng nơ-ron nhân tạo ANN (Shade, 1990; Ravi & Pramodh, 2008), Gradient Boosting.

Đồng thời, chương tổng hợp các công trình nghiên cứu tại Việt Nam (Hay Sinh, 2003; Lê Đạt Chí & Lê Tuấn Anh, 2012; Lê Nguyễn Sơn Vũ, 2013; Nguyễn Thị Tuyết Lan, 2019) và nghiên cứu quốc tế (Beaver, 1966; Deakin, 1972; Blum, 1974; Back và cộng sự, 1996; Neophytou và cộng sự, 2000; Yap và cộng sự, 2010), từ đó làm rõ khoảng trống nghiên cứu thực nghiệm đối với phân khúc SME tại Việt Nam.

CHAPTER 3: DATA AND METHODOLOGY OF RESEARCH

Chương 3 trình bày chi tiết cơ sở dữ liệu mẫu và thiết kế nghiên cứu. Mẫu gồm 400 doanh nghiệp kiểm toán thuộc 9 ngành kinh tế giai đoạn 2020–2022:

STT	Ngành nghề kinh doanh	Số lượng doanh nghiệp
1	Thương mại hàng tiêu dùng (Consumer Goods Trading)	31
2	Kinh doanh xăng dầu (Petroleum Business)	35
3	Kinh doanh ô tô (Automotive Business)	39
4	Xây dựng và lắp đặt (Construction and Installation)	40
5	Dược phẩm và thiết bị y tế (Pharmaceutical & Medical Equipment)	43
6	Dệt may (Textile and Garment)	45
7	Thủy sản (Fisheries - cá, tôm, nghêu,...)	47
8	Sắt thép (Iron and Steel)	54
9	Nông nghiệp (Agricultural - lúa gạo, cà phê, hạt điều, tiêu,...)	66
Tổng	Tổng số doanh nghiệp trong mẫu	400

Danh mục 13 biến chỉ số tài chính độc lập được thiết lập và kỳ vọng dấu tác động:

Ký hiệu	Chỉ số tài chính	Nhóm chỉ số	Kỳ vọng dấu
$X_1$	Lợi nhuận gộp / Doanh thu thuần (Gross profit / Net revenue)	Khả năng sinh lời	$-$
$X_2$	Lợi nhuận trước thuế / Doanh thu thuần (Income before tax / Net revenue)	Khả năng sinh lời	$-$
$X_3$	Lợi nhuận trước thuế / Tổng tài sản (Income before tax / Total assets)	Khả năng sinh lời	$-$
$X_4$	Lợi nhuận trước thuế / Vốn chủ sở hữu (Earnings before tax / Equity)	Khả năng sinh lời	$-$
$X_5$	Tổng nợ phải trả / Tổng tài sản (Total liabilities / Total assets)	Đòn bẩy tài chính	$+$
$X_6$	Tài sản ngắn hạn / Nợ ngắn hạn (Short-term assets / Short-term liabilities)	Khả năng thanh khoản	$-$
$X_7$	(Tài sản ngắn hạn - Hàng tồn kho) / Nợ ngắn hạn	Khả năng thanh khoản	$-$
$X_8$	Lợi nhuận trước thuế và lãi vay / Chi phí lãi vay (EBIT / Interest payment)	Khả năng trả lãi	$-$
$X_9$	(Lợi nhuận trước thuế, lãi vay và khấu hao) / Nợ dài hạn đến hạn trả (EBITDA / Long-term debt payments)	Khả năng trả nợ dài hạn	$-$
$X_{10}$	Tiền và tương đương tiền / Vốn chủ sở hữu (Cash & cash equivalents / Equity)	Khả năng thanh khoản	$-$
$X_{11}$	Giá vốn hàng bán bình quân / Hàng tồn kho (Cost of goods sold / Inventory)	Hiệu quả hoạt động	$+$
$X_{12}$	Các khoản phải thu / Doanh thu bình quân (Receivables / Average Revenue)	Hiệu quả hoạt động	$+$
$X_{13}$	Tổng doanh thu / Tổng tài sản (Total revenue / Total assets)	Hiệu quả hoạt động	$-$

Chương này cũng mô tả các bước tinh chỉnh siêu tham số cho Logistic Regression (tham số điều chuẩn $C$, penalty, solver), cấu trúc bộ phân loại XGBoost (learning rate, số lượng cây ước lượng, độ sâu tối đa) và cấu trúc mạng ANN (chuẩn hóa Min-Max, các lớp ẩn và hàm kích hoạt).

CHAPTER 4: EMPERICAL RESULTS

Chương kết quả thực nghiệm trình bày:

• Thống kê mô tả các biến nghiên cứu và ma trận tương quan giữa các chỉ số tài chính trong mô hình.
• Kết quả ước lượng và dự báo ngoài mẫu (Out-of-Sample Bankruptcy Prediction) của 4 mô hình: Logistic Regression, Decision Trees, Gradient Boosting (XGBoost) và Mạng nơ-ron nhân tạo (ANN).
• Kết quả đánh giá hiệu năng dựa trên Ma trận nhầm lẫn (Confusion Matrix), so sánh các chỉ số Accuracy, Sensitivity, Specificity, Precision và F1-Score.
• Phân tích tầm quan trọng của biến số (Variable Importance Analysis): Trong 13 biến chỉ số tài chính đưa vào mô hình, kết quả thực nghiệm xác định được 4 biến số có ý nghĩa quan trọng nhất trong việc dự báo xác suất vỡ nợ của doanh nghiệp SME.

CHAPTER 5: CONCLUSION AND RECOMMENDATION

Chương kết luận tổng kết toàn bộ kết quả nghiên cứu, đồng thời đề xuất khung ứng dụng mô hình dự báo PD vào thực tiễn quản trị tín dụng tại các ngân hàng thương mại Việt Nam và các tổ chức xếp hạng tín nhiệm (CRAs). Nội dung bao gồm việc phân loại khách hàng tiềm năng, thiết lập chính sách tín dụng phân hóa (lãi suất, thời hạn vay, biện pháp bảo đảm), chỉ ra các giới hạn nghiên cứu và định hướng phát triển trong tương lai.

---

Kết quả và đóng góp

Kết quả nghiên cứu chính

1. Xác định các biến tài chính có ý nghĩa dự báo then chốt: Trong số 13 chỉ số tài chính thuộc 4 nhóm được đưa vào phân tích thực nghiệm, nghiên cứu chỉ ra 4 biến số có tác động vượt trội và quan trọng nhất đối với khả năng dự báo xác suất vỡ nợ của khách hàng doanh nghiệp SME:
   • $X_{13}$: Tổng doanh thu / Tổng tài sản (Total revenue / Total assets - vòng quay tổng tài sản).
   • $X_2$: Lợi nhuận trước thuế / Doanh thu thuần (Income before tax / Net revenue - tỷ suất sinh lời trên doanh thu).
   • $X_3$: Lợi nhuận trước thuế / Tổng tài sản (Income before tax / Total assets - tỷ suất sinh lời trên tổng tài sản ROA).
   • $X_{12}$: Các khoản phải thu / Doanh thu bình quân (Receivables / Average Revenue - kỳ thu tiền bình quân/tỷ lệ khoản phải thu).
2. So sánh hiệu năng các mô hình học máy và kinh tế lượng: Nghiên cứu đã thực hiện đối chiếu hiệu quả phân loại ngoài mẫu của 4 cấu trúc mô hình (Logistic Regression, Decision Trees, Gradient Boosting và ANN) qua hệ thống chỉ tiêu Ma trận nhầm lẫn, chứng minh khả năng ứng dụng của các thuật toán học máy trong việc nhận diện khách hàng có rủi ro nợ xấu.

Giải pháp và khuyến nghị cho ngân hàng thương mại

• Sàng lọc và nhận diện khách hàng rủi ro: Khách hàng được mô hình xếp hạng tín nhiệm mức A trở lên kết hợp với đánh giá khả năng trả nợ tốt sẽ có xác suất phát sinh nợ xấu thấp, giúp ngân hàng an tâm cấp tín dụng và tối ưu hóa chi phí dự phòng.
• Tái cấu trúc danh mục tín dụng: Chuyển dịch nguồn vốn từ nhóm khách hàng có xác suất vỡ nợ cao sang nhóm khách hàng có hiệu quả hoạt động tốt và khả năng phá sản thấp.
• Phân hóa chính sách tín dụng: Sử dụng kết quả dự báo xác suất vỡ nợ để thiết kế các điều khoản tín dụng chi tiết, bao gồm: mức lãi suất cho vay, thời hạn cấp tín dụng, mức phí và yêu cầu về tài sản bảo đảm phù hợp với mức độ rủi ro của từng nhóm khách hàng.
• Hỗ trợ phân tích chuyên sâu theo ngành: Dữ liệu đầu ra của mô hình cung cấp cơ sở để đánh giá rủi ro đặc thù theo từng ngành kinh tế, làm nguồn thông tin đầu vào cho công tác xây dựng chính sách tín dụng định kỳ.
• Định hướng cho các tổ chức xếp hạng tín nhiệm (CRAs): Cung cấp khung mô hình tham chiếu phục vụ quá trình lượng hóa rủi ro vỡ nợ của các doanh nghiệp chưa niêm yết tại Việt Nam.

Đóng góp học thuật

• Bổ sung cơ sở lý thuyết và bằng chứng thực nghiệm định lượng về việc áp dụng các mô hình học máy (Machine Learning) kết hợp chỉ số tài chính để dự báo rủi ro vỡ nợ cho phân khúc khách hàng SME tại Việt Nam – một lĩnh vực vốn trước đây chủ yếu sử dụng thống kê mô tả hoặc phương pháp chuyên gia định tính.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

1. Quy mô và phạm vi dữ liệu: Mẫu nghiên cứu giới hạn ở 400 doanh nghiệp trong giai đoạn 3 năm (2020–2022). Đây là giai đoạn nền kinh tế chịu tác động bất thường từ dịch bệnh COVID-19, có thể tạo ra các biến động tài chính mang tính chu kỳ ngắn hạn.
2. Yếu tố đầu vào: Mô hình chỉ tập trung vào 13 chỉ số tài chính trích xuất từ báo cáo tài chính đã kiểm toán, chưa kết hợp các biến phi tài chính (năng lực quản trị, uy tín ban lãnh đạo) và các biến số kinh tế vĩ mô (lạm phát, lãi suất điều hành, tăng trưởng GDP ngành).
3. Tính chất mô hình: Một số thuật toán học máy phức tạp (như mạng nơ-ron hoặc gradient boosting) có đặc tính "hộp đen" (black-box), gây khó khăn nhất định trong việc giải thích chi tiết cơ chế ra quyết định cho từng trường hợp hồ sơ tín dụng cụ thể so với mô hình hồi quy tuyến tính truyền thống.

Hướng nghiên cứu tiếp theo

• Mở rộng quy mô mẫu nghiên cứu và kéo dài chuỗi dữ liệu thời gian sau giai đoạn phục hồi kinh tế để nâng cao tính đại diện và độ ổn định của các tham số ước lượng.
• Tích hợp thêm các nhóm biến phi tài chính, thông tin phi cấu trúc và các biến số kinh tế vĩ mô vào mô hình phân loại.
• Thử nghiệm các kiến trúc mô hình học sâu hoặc mô hình kết hợp (hybrid models) nhằm tối ưu hóa hơn nữa độ nhạy và điểm F1-Score trong việc phát hiện doanh nghiệp vỡ nợ.

---

Giá trị tham khảo

• Đối tượng thụ hưởng:
  • Sinh viên, học viên cao học và nghiên cứu sinh chuyên ngành Tài chính - Ngân hàng, Quản trị rủi ro tài chính, Phân tích dữ liệu kinh tế.
  • Chuyên viên phát triển mô hình định lượng rủi ro tín dụng (Credit Risk Modeler), chuyên viên thẩm định và phê duyệt tín dụng tại các ngân hàng thương mại.
  • Chuyên viên phân tích tại các công ty định mức tín nhiệm (CRAs) và các định chế tài chính phi ngân hàng.
• Nội dung tham khảo giá trị:
  • Quy trình 4 bước làm sạch và tiền xử lý dữ liệu báo cáo tài chính (xử lý khuyết thiếu theo nhóm, winsorization).
  • Khung 13 chỉ số tài chính đại diện cho 4 khía cạnh hoạt động của doanh nghiệp SME.
  • Phương pháp xây dựng, tinh chỉnh siêu tham số và đánh giá chéo 4 mô hình định lượng (Logistic Regression, Decision Trees, XGBoost, ANN) bằng ngôn ngữ Python phục vụ xếp hạng tín dụng nội bộ.

---

Câu hỏi thường gặp

1. Tiêu chí xác định một doanh nghiệp bị coi là vỡ nợ (nhãn 1) trong nghiên cứu là gì?

Doanh nghiệp được phân loại vào nhóm vỡ nợ ($Y = 1$) khi thỏa mãn ít nhất một trong ba điều kiện:

• Vốn chủ sở hữu trên Bảng cân đối kế toán bị âm.
• Lợi nhuận sau thuế trên Báo cáo kết quả hoạt động kinh doanh và dòng tiền thuần từ hoạt động kinh doanh trên Báo cáo lưu chuyển tiền tệ bị âm liên tục trong 2 năm liên tiếp.
• Doanh nghiệp chính thức tuyên bố phá sản.

2. Bốn chỉ số tài chính nào có tác động quan trọng nhất đến dự báo xác suất vỡ nợ của SME?

Kết quả phân tích tầm quan trọng của biến số chỉ ra 4 chỉ số tài chính then chốt:

1. $X_{13}$ (Tổng doanh thu / Tổng tài sản - Hiệu quả sử dụng tài sản).
2. $X_2$ (Lợi nhuận trước thuế / Doanh thu thuần - Tỷ suất sinh lời trên doanh thu).
3. $X_3$ (Lợi nhuận trước thuế / Tổng tài sản - Tỷ suất sinh lời trên tổng tài sản).
4. $X_{12}$ (Các khoản phải thu / Doanh thu bình quân - Hiệu quả quản lý khoản phải thu).

3. Mẫu dữ liệu nghiên cứu được phân bổ như thế nào theo các ngành nghề?

Mẫu nghiên cứu gồm 400 doanh nghiệp có báo cáo tài chính kiểm toán giai đoạn 2020–2022 thuộc 9 ngành nghề: Nông nghiệp (66 doanh nghiệp), Sắt thép (54), Thủy sản (47), Dệt may (45), Dược phẩm và thiết bị y tế (43), Xây dựng và lắp đặt (40), Kinh doanh ô tô (39), Kinh doanh xăng dầu (35) và Thương mại hàng tiêu dùng (31).

4. Những kỹ thuật và thuật toán nào được tác giả sử dụng để xây dựng mô hình dự báo?

Nghiên cứu sử dụng ngôn ngữ Python (cùng các thư viện NumPy, Pandas, Scikit-learn, XGBoost, TensorFlow, Seaborn) để triển khai 4 mô hình: Hồi quy Logistic (tinh chỉnh tham số điều chuẩn C, solver), Cây quyết định (Decision Trees), Gradient Boosting (thuật toán XGBoost) và Mạng nơ-ron nhân tạo (ANN với chuẩn hóa Min-Max). Hiệu năng được kiểm định qua Ma trận nhầm lẫn với các chỉ số Accuracy, Sensitivity, Specificity, Precision, F1-Score và AUC.

5. Mô hình nghiên cứu hỗ trợ ngân hàng thương mại ban hành chính sách tín dụng cụ thể ra sao?

Kết quả ước lượng PD giúp ngân hàng phân loại rủi ro khách hàng để xây dựng chính sách tín dụng phân hóa: định giá lãi suất vay theo mức độ rủi ro, xác định tỷ lệ tài sản bảo đảm phù hợp, quy định thời hạn và hạn mức tín dụng linh hoạt, đồng thời chủ động phân bổ dòng vốn tín dụng an toàn sang các nhóm ngành và doanh nghiệp có xác suất vỡ nợ thấp.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Hoàng Anh Đức đã giải quyết bài toán định lượng hóa xác suất vỡ nợ của các doanh nghiệp nhỏ và vừa (SME) tại Việt Nam thông qua việc so sánh 4 mô hình kinh tế lượng và học máy trên bộ dữ liệu 400 doanh nghiệp giai đoạn 2020–2022. Kết quả nghiên cứu đã chứng minh tính hiệu quả của các mô hình dự báo và khẳng định vai trò trọng yếu của 4 chỉ số tài chính (Doanh thu/Tổng tài sản, Lợi nhuận trước thuế/Doanh thu thuần, Lợi nhuận trước thuế/Tổng tài sản, Phải thu/Doanh thu bình quân) trong việc cảnh báo sớm rủi ro mất khả năng thanh toán. Đây là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn cao cho công tác quản trị rủi ro tín dụng theo chuẩn Basel II tại các ngân hàng thương mại và các tổ chức định mức tín nhiệm tại Việt Nam.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING STATE BANK OF VIETNAM BANKING UNIVERSITY OF HO CHI MINH CITY GRADUATION THESIS ANALYZING FINANCIAL METRICS FOR PREDICTING DEFAULT PROBABILITY IN SMALL AND MEDIUM ENTERPRIES MAJOR: FINANCE & BANKING CODE: 7340201 HOANG ANH DUC HO CHI MINH CITY, 2024 MINISTRY OF EDUCATION AND TRAINING STATE BANK OF VIETNAM BANKING UNIVERSITY OF HO CHI MINH CITY GRADUATION THESIS ANALYZING FINANCIAL METRICS FOR PREDICTING DEFAULT PROBABILITY IN SMALL AND MEDIUM ENTERPRIES MAJOR: FINANCE & BANKING CODE: 7340201 Full name: HOANG ANH DUC Student code: 030632160346 Class: HQ4-GE01 THESIS ADVISOR Ph. NGUYEN MINH NHAT HO CHI MINH CITY, 2024 REVIEWS OF THESIS ADVISOR. Ho Chi Minh City, January 17, 2024 Thesis advisor ABSTRACT Commercial banks rely on their internal credit rating system to evaluate the credit risk of customers and make informed decisions about extending credit while managing risks. Meanwhile, the Government is working on developing a legal framework for credit rating to improve transparency, help banks control initial credit risk, facilitate capital mobilization through the stock market, and protect investors' rights and interests.

This initiative aims to strengthen the overall financial ecosystem by providing clear guidelines for assessing and mitigating credit risks. Researching and choosing appropriate rating models will greatly enhance the advancement of credit rating activities in Vietnam. Therefore, it is important to address the specific constraints and ongoing discussions surrounding existing models for forecasting default likelihood. There is a lack of consensus regarding the reliability of these models, posing challenges in selecting an appropriate model for predicting business default probability.

Furthermore, identifying which financial ratios influence the rating outcomes remains a critical objective that necessitates exploration within default prediction research. To date, there has been limited published research in Vietnam on selecting models to predict enterprises' default probability based on financial indicators. Thus, the thesis centers on the problem of "Analyzing financial metrics for predicting default probability in Small and Medium Enterprises" in order to systematically offer theoretical support and empirical data to commercial banks regarding the choice of a suitable business bankruptcy prediction model, thereby enhancing the bank's future credit risk management efficiency. In light of its significance and imperative, the primary aim of this research is threefold: (i) to ascertain the criteria for an apt forecasting model; (ii) to delineate the process for selecting a model proficient in forecasting the default probability of Small ii and Medium Enterprises (SMEs) within Vietnamese commercial banks, grounded in financial indicators.

The outcomes derived from this inquiry are intended to furnish supplementary quantitative empirical substantiation, elucidating the optimal predictive model for ascertaining the probability of default among medium and small-scale enterprises within Vietnamese commercial banks. (iii) A paramount contribution of this research lies in the foundational development of the utilization of financial indicators for prognosticating the default probability of SMEs, thereby augmenting the efficacy of credit risk management in Vietnamese commercial banks in the foreseeable future. Small and Medium Enterprises (SMEs) exert a substantial influence on the economies of numerous nations, particularly those in the developmental stage. Globally, SMEs constitute the predominant proportion of businesses and significantly contribute to both employment generation and the advancement of the worldwide economic landscape.

Referred to interchangeably as micro, small, and medium enterprises, these entities are characterized by their modest scale in terms of capital, labor force, or turnover. Classified based on their dimensions, SMEs can be categorized into three distinct groups: micro enterprises, small enterprises, and medium enterprises. As per the criteria established by the World Bank Group, a micro enterprise is defined by an employee count of fewer than 10 individuals; a small enterprise encompasses 10 to less than 200 employees, accompanied by a capital of 20 billion or less; medium enterprises, on the other hand, involve 200 to 300 employees and a capital ranging from 20 to 100 billion. The Probability of Default (PD) holds a pivotal role in various credit risk analysis and risk management endeavors.

In accordance with the Basel II framework, it serves as a crucial parameter employed in the computation of economic capital levels, essential for mitigating risks within credit institutions. PD stands out as an indispensable metric for the categorization of borrowers, mandating all banks, irrespective of their utilization iii of standard or advanced methods, to furnish regulatory authorities with an internal PD estimate corresponding to the borrower's profile. The hierarchical outcome derived from PD rankings is deemed notably accurate, given its calculation grounded in the firm's authentic financial ratios, thereby offering a practical reflection of the business's current state. The judicious consideration of PD can significantly ameliorate credit risk when comprehensively incorporated into risk management strategies.

A comprehensive examination of both domestic and international studies reveals that financial institutions possess a repertoire of diverse credit rating models to prognosticate the likelihood of enterprise default. These predictive models encompass polynomial models, logit models, probit models, and artificial neural network models. Furthermore, these ranking models incorporate various inputs and financial indicators to anticipate business bankruptcy, with commonly employed financial ratios including short-term solvency, rate of return on total assets, and total liabilities to total assets. However, disparities in conclusions arise across researchers when employing diverse datasets spanning distinct periods, leading to variations in the selection of appropriate credit rating models and the identification of financial indicators influencing the probability of default.

Notably, the application of such models in predicting the default likelihood of Small and Medium Enterprises (SMEs) customers in Vietnam, as posited by the author, introduces a novel perspective. The analysis, comparison, and synthesis of the aforementioned studies, along with related issues, underscore several research gaps. Consequently, the author proposes a research model and anticipates employing a specific methodology to address these gaps and contribute to the existing body of knowledge on the subject. To attain the research objectives, the author executed a structured methodology comprising four stages, each delineated by specific procedural steps.

In the initial stage, data collection and processing were undertaken. Subsequently, during the second phase, iv a meticulous selection of input variables for the model was conducted. The third stage involved the execution of regression analyses on chosen credit rating models, namely the logistic regression model, the decision trees model, the gradient boosting model and the artificial neural networks model. The final stage encompassed the utilization of the Confusion matrix and F1-Score to assess the accuracy of each outcome of the models.

Through this comprehensive process, the objective was to discern an appropriate credit rating model demonstrating efficacy in predicting the probability of default among customers. The research utilized a dataset extracted from the annual financial statements of approximately 400 companies spanning the period from 2020 to 2022. Rigorous auditing processes were employed to ensure the integrity and quality of the data source. Among the sampled businesses, 31 were engaged in consumer goods trading, 35 in the petroleum sector, 39 in the automotive industry, 40 in the construction and installation sector, 43 in the pharmaceutical and medical equipment domain, 45 in the textile and garment sector, 47 in fisheries (including fish, shrimp, clam, etc.), 54 in the iron and steel industry, and 66 in agriculture (covering rice, coffee, pepper, etc.

A meticulous selection process led to the inclusion of 14 financial indicators as independent variables in the credit rating models under scrutiny. The analysis of regression outcomes derived from parametric models, coupled with the application of metrics calculated from the confusion matrix (Accuracy, Sensitivity, Specificity, Precision, F1-Score), facilitated a comparative evaluation of each model's proficiency in predicting the default probability of enterprises. This systematic approach aimed to identify an optimal model with the capability to effectively forecast the likelihood of default among businesses. The conclusive findings of this research underscore the significance of four out of thirteen variables in effectively predicting the default probability of customers.

v Specifically, these influential variables encompass Total revenue/Total assets, Income before tax/Net revenue, Income before tax/Total assets, Receivables/Average Revenue. These outcomes offer practical insights for commercial banks, empowering them to assess and strategically select customers, thereby mitigating the risk associated with loan repayment uncertainties. Building upon these research outcomes, the author proffers recommendations for commercial banks to enhance their internal credit rating systems in the future. The thesis introduces a predictive model tailored to forecast the solvency (default probability) of Small and Medium Enterprises (SMEs) customers within commercial banks in Vietnam.

This model serves as a strategic tool for maintaining credit quality and minimizing the incidence of Non-Performing Loans. Customers assigned a favorable credit rating (classified as A or higher), coupled with a positive evaluation of repayment capacity based on the model, exhibit a diminished likelihood of incurring Non-Performing Loans. Consequently, the credit risk associated with this subgroup of customers is deemed negligible. The model, as delineated, serves as a instrumental tool for commercial banks in the realm of credit provision, ensuring the maintenance of credit quality, and fostering a judicious, secure, and sustainable trajectory of expansion and growth.

Its utility extends to aiding banks in the strategic selection and retention of a robust customer portfolio, facilitating the implementation of marketing strategies tailored towards low-risk clientele, and fostering the cultivation of a network populated by reputable customers, thereby safeguarding the repayment of debts. Consequently, the results derived from the model form the foundation for commercial banks to strategically tailor their credit allocation, directing resources away from clients deemed weak (with a high probability of default) and towards those exhibiting strong performance (with a low probability of bankruptcy). Simultaneously, vi the model informs the formulation of a credit policy attuned to the nuances of each customer type, encompassing credit terms, interest rates, fees, and security requirements, thereby ensuring operational safety. Furthermore, the information encapsulated in the assessment of solvency and model outcomes unveils insights into nuanced issues pertaining to the business performance of enterprises and specific industries.

Consequently, the model emerges as a substantive source of information for the forthcoming analysis, assessment, forecasting, and administration of credit policies. vii DECLARATION This thesis represents the original research of the author, presenting accurate and authentic research outcomes. The content contained herein is devoid of any previously published material or contributions from others, with the exception of appropriately cited references acknowledged within the thesis. The author Hoang Anh Duc viii ACKNOWLEDGEMENTS Foremost, I extend my sincere appreciation to the esteemed faculty at Banking University of Ho Chi Minh City for their dedicated and insightful instruction.

Their commitment to imparting knowledge has been instrumental in fortifying my academic foundation, enabling the successful fulfillment of the university curriculum. In particular, I wish to express profound gratitude to Mr. Nguyen Minh Nhat for his meticulous guidance and wholehearted assistance throughout the completion of this graduation thesis. His thoughtful support has proven indispensable, significantly contributing to the successful execution of this academic endeavor.

Acknowledging the constraints of my limited practical experience, I anticipate and welcome further guidance from esteemed educators to refine and enhance the content of the graduation thesis. I am confident that these insights will be invaluable for my ongoing academic and professional development. I extend my sincere thanks for the support and guidance received. ix TABLE OF CONTENT ABSTRACT.

viii TABLE OF CONTENT. ix LIST OF ABBREVIATION. xi LIST OF FIGURES. xi LIST OF TABLE.

xii CHAPTER 1: INTRODUCTION. The Urgency of The Research. The Structure of the Research .8 CHAPTER 2 LITERATURE REVIEW. Small And Medium Enterprises (SMEs).

Probability Of Default (PD).1: 4 popular groups of financial indicators. Overview of probability of default models. Probability of default models. The difference between Logistic Regression model, Decision Trees model, Gradient Boosting model and Artificial Neural Networks model.

Related studies in Vietnam. The other related studies .22 CHAPTER 3: DATA AND METHODOLOGY OF RESEARCH. Data collection and processing .1: Synthesize the number of businesses - business lines. Selection of input variables in the default prediction model .2: Independent variables in the probability default prediction model.

Models for Estimating the Likelihood of Default. Logistic Regression model. Decision Trees and Gradient Boosting model .