Bối cảnh và vấn đề nghiên cứu
Trong bối cảnh nền kinh tế Việt Nam ngày càng hội nhập sâu rộng với thị trường tài chính quốc tế, hoạt động cấp tín dụng của các ngân hàng thương mại đóng vai trò huyết mạch trong việc cung ứng vốn cho khu vực doanh nghiệp phục hồi và mở rộng sản xuất sau đại dịch COVID-19. Tuy nhiên, hoạt động tín dụng doanh nghiệp luôn tiềm ẩn nhiều rủi ro biến động khó lường. Rủi ro vỡ nợ của khách hàng doanh nghiệp nếu không được kiểm soát chặt chẽ sẽ trực tiếp dẫn đến nợ xấu, đe dọa sự an toàn của từng tổ chức tín dụng cũng như toàn bộ hệ thống tài chính quốc gia.
Tính cấp thiết của đề tài xuất phát từ ba vấn đề thực tiễn và học thuật:
- Thứ nhất, các phương pháp phân loại và chấm điểm tín dụng truyền thống (như phân tích phân biệt MDA, mô hình thống kê cổ điển) bộc lộ nhiều hạn chế trong việc xử lý các tập dữ liệu lớn, phi tuyến tính và phức tạp. Trong khi đó, các kỹ thuật học máy đã được chứng minh có năng lực phân loại vượt trội nhưng chưa được ứng dụng rộng rãi tại các ngân hàng thương mại Việt Nam do rào cản về kỹ thuật triển khai.
- Thứ hai, việc xác định tập hợp các chỉ số tài chính tối ưu có ảnh hưởng mạnh nhất đến khả năng trả nợ vẫn là bài toán thách thức, đòi hỏi phải được kiểm chứng trên dữ liệu thực tế tại thị trường Việt Nam.
- Thứ ba, quy trình xếp hạng tín dụng hiện hành tại nhiều ngân hàng thương mại trong nước vẫn phụ thuộc đáng kể vào đánh giá chủ quan của cán bộ tín dụng, thiếu các mô hình định lượng hiện đại hỗ trợ ra quyết định khách quan.
Khóa luận xác lập hệ thống mục tiêu nghiên cứu cụ thể:
- Tìm hiểu phương pháp ước lượng rủi ro vỡ nợ doanh nghiệp bằng các thuật toán học máy.
- Ứng dụng học máy để xây dựng các mô hình dự báo rủi ro vỡ nợ của doanh nghiệp tại Việt Nam.
- Đánh giá và so sánh hiệu quả dự báo giữa các mô hình (tham số và phi tham số), từ đó lựa chọn mô hình tối ưu cho từng bối cảnh.
- Đề xuất các khuyến nghị, hàm ý quản trị cùng các điều kiện, lưu ý kỹ thuật khi triển khai mô hình học máy vào công tác quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam.
Nhiệm vụ nghiên cứu được cụ thể hóa qua 4 câu hỏi nghiên cứu:
- Các phương pháp học máy nào đang được sử dụng phổ biến để ước lượng rủi ro vỡ nợ doanh nghiệp?
- Mô hình học máy nào đem lại hiệu quả dự báo rủi ro vỡ nợ tối ưu nhất trên tập dữ liệu nghiên cứu?
- Những khuyến nghị cụ thể nào giúp các ngân hàng thương mại Việt Nam ứng dụng hiệu quả các mô hình học máy vào thực tiễn quản trị rủi ro tín dụng?
- Các điều kiện và lưu ý kỹ thuật quan trọng nào cần được cân nhắc khi triển khai các mô hình học máy tại các ngân hàng thương mại Việt Nam?
Đối tượng và phạm vi nghiên cứu:
- Đối tượng ứng dụng: Hệ thống ngân hàng thương mại tại Việt Nam.
- Đối tượng nghiên cứu: Xác suất vỡ nợ (PD) của các doanh nghiệp phi tài chính tại Việt Nam.
- Phạm vi dữ liệu: 400 doanh nghiệp phi tài chính niêm yết trên ba sàn giao dịch chứng khoán (HOSE, HNX, UPCOM) thuộc 12 nhóm ngành kinh tế khác nhau.
- Phạm vi thời gian: Giai đoạn 4 năm từ 2020 đến 2023, tạo nên bộ dữ liệu bảng gồm 1.600 quan sát năm-doanh nghiệp.
Cơ sở lý thuyết và phương pháp
Cơ sở lý thuyết và căn cứ pháp lý
Nghiên cứu được xây dựng dựa trên các nền tảng pháp lý và chuẩn mực quản trị rủi ro ngân hàng quốc tế:
- Luật Doanh nghiệp năm 2020 (Khoản 10, Điều 4): Xác định tư cách pháp nhân và bản chất hoạt động của doanh nghiệp kinh doanh.
- Thông tư số 41/2016/TT-NHNN của Ngân hàng Nhà nước Việt Nam: Quy định về tỷ lệ an toàn vốn đối với ngân hàng thương mại, chi nhánh ngân hàng nước ngoài và định nghĩa về rủi ro tín dụng.
- Hiệp ước vốn Basel II (Basel Committee on Banking Supervision, 2004, 2006): Quy định ba tham số đo lường rủi ro tín dụng cốt lõi bao gồm Xác suất vỡ nợ (Probability of Default - PD), Dư nợ tại thời điểm vỡ nợ (Exposure at Default - EAD), và Tổn thất khi vỡ nợ (Loss Given Default - LGD). Nghiên cứu tập trung ước lượng tham số PD trong khung thời gian 1 năm.
Tiêu chí xác định doanh nghiệp có rủi ro vỡ nợ (biến phụ thuộc $Y = 1$) theo nghiên cứu dựa trên việc thỏa mãn đồng thời 2 điều kiện kỹ thuật xuất phát từ thông lệ Basel II:
- Điều kiện A: Vốn lưu động thường xuyên nhỏ hơn 0 (Tài sản ngắn hạn nhỏ hơn Nợ ngắn hạn).
- Điều kiện B: Giá trị vốn hóa thị trường của doanh nghiệp nhỏ hơn Tổng nợ phải trả (Giá đóng cửa cổ phiếu $\times$ Số lượng cổ phiếu lưu hành $<$ Nợ ngắn hạn + Nợ dài hạn).
- Doanh nghiệp không thỏa mãn đồng thời hai điều kiện trên được phân loại an toàn ($Y = 0$).
Phương pháp nghiên cứu và hệ thống biến
Nghiên cứu áp dụng phương pháp định lượng kết hợp phân tích - tổng hợp (Analytic-Synthetic), thống kê mô tả, phân tích tương quan và kỹ thuật học máy có giám sát để phân loại nhị phân. Dữ liệu thứ cấp được trích xuất từ báo cáo tài chính đã kiểm toán thông qua phần mềm VietstockFinance Pro.
Mô hình sử dụng 13 chỉ số tài chính độc lập ($X_1$ đến $X_{13}$) thuộc 5 nhóm chức năng tài chính cốt lõi:
| Mã biến |
Tên chỉ số tài chính |
Nhóm chỉ số |
Công thức xác định |
| $X_1$ |
Tỷ suất sinh lợi trên tổng tài sản bình quân (ROAA) |
Khả năng sinh lợi |
Lợi nhuận ròng / Tổng tài sản bình quân |
| $X_2$ |
Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân (ROAE) |
Khả năng sinh lợi |
Lợi nhuận ròng / Vốn chủ sở hữu bình quân |
| $X_3$ |
Tỷ suất sinh lợi trên doanh thu thuần (ROS) |
Khả năng sinh lợi |
Lợi nhuận sau thuế / Doanh thu thuần |
| $X_4$ |
Tỷ số thanh toán hiện hành (Current Ratio) |
Khả năng thanh khoản |
Tài sản ngắn hạn / Nợ ngắn hạn |
| $X_5$ |
Tỷ số thanh toán nhanh (Quick Ratio) |
Khả năng thanh khoản |
(Tài sản ngắn hạn - Hàng tồn kho) / Nợ ngắn hạn |
| $X_6$ |
Khả năng thanh toán lãi vay (Interest Coverage) |
Khả năng thanh khoản |
Lợi nhuận trước thuế và lãi vay (EBIT) / Chi phí lãi vay |
| $X_7$ |
Tỷ số nợ trên vốn chủ sở hữu (D/E) |
Đòn bẩy tài chính |
Tổng nợ phải trả / Vốn chủ sở hữu |
| $X_8$ |
Tỷ số vốn chủ sở hữu trên tổng tài sản (E/A) |
Đòn bẩy tài chính |
Tổng vốn chủ sở hữu / Tổng tài sản |
| $X_9$ |
Vòng quay hàng tồn kho |
Hiệu quả hoạt động |
(Hàng tồn kho bình quân $\times$ 365) / Giá vốn hàng bán |
| $X_{10}$ |
Vòng quay phải thu khách hàng |
Hiệu quả hoạt động |
(Các khoản phải thu bình quân $\times$ 365) / Doanh thu bình quân |
| $X_{11}$ |
Vòng quay tổng tài sản |
Hiệu quả hoạt động |
Doanh thu thuần / Tổng tài sản |
| $X_{12}$ |
Lợi nhuận trên mỗi cổ phiếu (EPS) |
Định giá thị trường |
Lợi nhuận ròng / Số lượng cổ phiếu đang lưu hành |
| $X_{13}$ |
Chỉ số giá thị trường trên thu nhập (P/E) |
Định giá thị trường |
Giá cổ phiếu hiện tại / EPS |
Quy trình nghiên cứu gồm 5 bước: (1) Thu thập dữ liệu; (2) Lựa chọn biến đầu vào; (3) Tiền xử lý dữ liệu (xử lý giá trị khuyết thiếu bằng kỹ thuật Fillna, chuẩn hóa dữ liệu); (4) Huấn luyện mô hình trên môi trường Google Colab với ngôn ngữ Python; (5) Đánh giá và so sánh mô hình.
Bốn thuật toán được triển khai bao gồm:
- Mô hình Hồi quy Logistic (Logistic Regression): Mô hình tham số ước lượng xác suất $P(Y=1)$ thông qua hàm Sigmoid dạng $\frac{1}{1 + e^{-(\beta_0 + \sum \beta_i X_i)}}$.
- Mô hình Cây quyết định (Decision Tree): Thuật toán CART sử dụng chỉ số bất thuần Gini (Gini Impurity) để phân chia các nút nhằm tạo các tập con đồng nhất.
- Mô hình Rừng ngẫu nhiên (Random Forest): Kỹ thuật học kết hợp (Ensemble Learning) dựa trên thuật toán lấy mẫu tái lặp (Bootstrap Aggregating / Bagging) từ hàng trăm cây quyết định đơn lẻ.
- Mô hình Mạng thần kinh nhân tạo (Artificial Neural Network - ANN): Mạng nơ-ron truyền thẳng đa tầng học các hàm phi tuyến tính phức tạp giữa các thuộc tính đầu vào và trạng thái vỡ nợ.
Bộ tiêu chí đánh giá hiệu năng mô hình gồm: Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác tổng thể (Accuracy), Độ chính xác phân loại lớp dương (Precision), Độ nhạy (Sensitivity/Recall), Độ đặc hiệu (Specificity), Điểm F1 (F1-Score) và Diện tích dưới đường cong ROC (AUC).
Nội dung chính theo từng chương
Chương 1: Giới thiệu về nghiên cứu
Chương 1 thiết lập khung đề cương nghiên cứu, làm rõ tính cấp thiết của việc áp dụng trí tuệ nhân tạo/học máy vào quản trị rủi ro tín dụng tại Việt Nam. Tác giả phân tích khoảng trống nghiên cứu khi các công trình trong nước trước đây thường có quy mô mẫu hẹp, giới hạn trong một ngành hoặc một giai đoạn trước năm 2020. Chương này trình bày chi tiết mục tiêu tổng quát, 4 mục tiêu cụ thể, 4 câu hỏi nghiên cứu, phạm vi dữ liệu gồm 400 doanh nghiệp giai đoạn 2020–2023, cùng bố cục 5 chương của khóa luận.
Chương 2: Cơ sở lý thuyết và tình hình nghiên cứu
Chương 2 tổng hợp hệ thống lý luận về rủi ro vỡ nợ doanh nghiệp, các định nghĩa rủi ro tín dụng và tham số PD theo chuẩn Basel II. Tác giả phân tích sâu ưu điểm và nhược điểm của bốn nhóm nhân tố ảnh hưởng đến khả năng vỡ nợ: nhân tố tài chính, nhân tố phi tài chính (năng lực điều hành, văn hóa doanh nghiệp, vị thế ngành), nhân tố vĩ mô (GDP, lạm phát, lãi suất) và các yếu tố khác (uy tín thương hiệu, CSR).
Chương này cũng tổng quan cơ chế hoạt động, ưu - nhược điểm của các mô hình dự báo kinh điển (MDA của Altman, Logit của Ohlson) so với các thuật toán học máy hiện đại (Decision Tree, Random Forest, ANN, SVM). Đồng thời, tác giả tổng hợp các công trình thực nghiệm tại Việt Nam (Trương Thị Thùy Dương & Lê Hải Trung, 2023; Huỳnh Thị Cẩm Hà và cộng sự, 2017; Nguyễn Thị Tuyết Lan, 2019; Vũ Thị Loan, 2016; Hoàng Tùng, 2011) và các nghiên cứu quốc tế (Altman, 1968; Ohlson, 1980; Beaver, 1966; Barboza và cộng sự, 2017; Guido Perboli & Ehsan Arabnezhad, 2021), chỉ ra tính ưu việt của học máy trong việc cải thiện độ chính xác phân loại.
Chương 3: Mô hình và phương pháp nghiên cứu
Chương 3 trình bày chi tiết phương pháp xây dựng mô hình dự báo. Tác giả giải thích lý do lựa chọn giai đoạn 2020–2023 – giai đoạn kinh tế Việt Nam chịu tác động mạnh bởi đại dịch COVID-19, giúp phản ánh rõ nét sức chống chịu tài chính của doanh nghiệp. Mẫu nghiên cứu gồm 400 doanh nghiệp phi tài chính được phân bổ chi tiết theo 12 ngành kinh tế:
| STT |
Lĩnh vực kinh doanh |
Số lượng doanh nghiệp |
| 1 |
Sắt thép |
26 |
| 2 |
Dệt may |
41 |
| 3 |
Du lịch và giải trí |
23 |
| 4 |
Chế biến thủy sản |
31 |
| 5 |
Khai khoáng (dầu mỏ, khí đốt, than,...) |
32 |
| 6 |
Kinh doanh ô tô và phụ tùng ô tô |
18 |
| 7 |
Sản xuất thiết bị và máy móc |
35 |
| 8 |
Sản xuất thực phẩm và đồ uống |
46 |
| 9 |
Dịch vụ sức khỏe và y tế |
54 |
| 10 |
Sản xuất nông nghiệp (Lúa, tiêu, điều, chè,...) |
20 |
| 11 |
Công nghệ và thông tin |
37 |
| 12 |
Bất động sản và xây dựng |
37 |
| Tổng |
12 lĩnh vực kinh tế |
400 |
Cơ cấu phân bổ theo sàn niêm yết gồm: 118 doanh nghiệp trên HOSE, 99 doanh nghiệp trên HNX và 183 doanh nghiệp trên UPCOM. Chương này cũng chuẩn hóa định nghĩa toán học của 13 biến độc lập tài chính, thiết lập thuật toán xử lý dữ liệu khuyết thiếu bằng hàm fillna trong Python, phân chia tập dữ liệu thành tập huấn luyện (Train) và tập kiểm tra (Test), đồng thời trình bày cấu trúc toán học của bốn mô hình: Logistic Regression, Decision Tree (CART/Gini), Random Forest và Mạng thần kinh nhân tạo (ANN).
Chương 4: Kết quả nghiên cứu
Chương 4 công bố kết quả thống kê mô tả, ma trận tương quan giữa các biến độc lập và kết quả chạy thực nghiệm bốn mô hình học máy. Phân tích hồi quy tham số chỉ ra 5 biến tài chính có ý nghĩa thống kê quan trọng nhất đối với xác suất vỡ nợ doanh nghiệp:
- $X_1$ (Tỷ suất sinh lợi trên tổng tài sản bình quân - ROAA)
- $X_2$ (Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân - ROAE)
- $X_{11}$ (Vòng quay tổng tài sản)
- $X_{12}$ (Lợi nhuận trên mỗi cổ phiếu - EPS)
- $X_{13}$ (Chỉ số giá thị trường trên thu nhập - P/E)
Các chỉ số này khẳng định khả năng sinh lời và hiệu suất sử dụng tài sản là những thước đo chủ đạo phản ánh rủi ro tín dụng. Đánh giá so sánh trên tập kiểm định thông qua các chỉ số Accuracy, Sensitivity, Specificity, Precision, F1-Score và AUC cho thấy mô hình Rừng ngẫu nhiên (Random Forest) đạt hiệu năng tổng thể vượt trội nhất, trong khi mô hình Mạng thần kinh nhân tạo (ANN) cho kết quả dự báo thấp nhất trong bốn mô hình do hạn chế về quy mô mẫu huấn luyện.
Chương 5: Kết luận và khuyến nghị
Chương 5 đúc kết các phát hiện chính, đề xuất các khuyến nghị cụ thể cho các nhà quản trị rủi ro tại ngân hàng thương mại Việt Nam. Tác giả xây dựng bảng điều kiện và lưu ý kỹ thuật khi triển khai từng mô hình trong thực tế ngân hàng: khuyến khích kết hợp giữa mô hình học máy định lượng và quy trình chấm điểm thủ công truyền thống. Đồng thời, chương này chỉ rõ các giới hạn của đề tài về dữ liệu và đề xuất định hướng nghiên cứu mở rộng trong tương lai.
Kết quả và đóng góp
Kết quả nghiên cứu chính
- Xác định mô hình tối ưu: Trong số bốn thuật toán thực nghiệm, mô hình Rừng ngẫu nhiên (Random Forest) đem lại kết quả dự báo rủi ro vỡ nợ chính xác và ổn định nhất, nhờ cơ chế kết hợp nhiều cây quyết định giúp giảm thiểu hiện tượng quá khớp (overfitting). Ngược lại, mô hình Mạng thần kinh nhân tạo (ANN) cho kết quả dự báo thấp nhất do cấu trúc mạng nơ-ron đòi hỏi kích thước mẫu lớn (thường trên 500 quan sát đơn lẻ trong từng lớp phân loại sâu) để tối ưu hóa trọng số.
- Nhận diện 5 chỉ số tài chính trọng yếu: Mô hình tham số xác định 5 biến độc lập có đóng góp lớn nhất vào việc phân loại rủi ro vỡ nợ gồm: $X_1$ (ROAA), $X_2$ (ROAE), $X_{11}$ (Vòng quay tổng tài sản), $X_{12}$ (EPS), và $X_{13}$ (P/E). Kết quả này cho thấy sức khỏe tài chính của doanh nghiệp tại Việt Nam phụ thuộc chủ yếu vào năng lực tạo ra lợi nhuận trên tài sản/vốn chủ sở hữu và sự đánh giá của thị trường chứng khoán.
Giải pháp và khuyến nghị quản trị
- Tích hợp mô hình học máy vào hệ thống chấm điểm nội bộ: Khuyến nghị các ngân hàng thương mại áp dụng Random Forest như một công cụ lọc và xếp hạng tín dụng sơ bộ tự động, kết hợp song song với thẩm định thủ công của cán bộ tín dụng để tối ưu hóa thời gian phê duyệt khoản vay.
- Quy chuẩn điều kiện triển khai mô hình: Khi áp dụng các mô hình học máy, ngân hàng cần tuân thủ các điều kiện đặc thù:
- Hồi quy Logistic: Sử dụng khi cần tính giải thích cao, minh bạch hệ số tác động phục vụ giải trình với cơ quan thanh tra giám sát.
- Cây quyết định: Sử dụng khi cần trực quan hóa quy tắc ra quyết định cho các khoản vay quy mô nhỏ.
- Rừng ngẫu nhiên: Ưu tiên triển khai cho các tập dữ liệu đa chiều, phức tạp để nâng cao độ chính xác dự báo rủi ro danh mục.
- Mạng thần kinh nhân tạo: Chỉ nên áp dụng khi ngân hàng đã tích lũy được cơ sở dữ liệu lớn và chấp nhận đặc tính "hộp đen" (black-box) của thuật toán.
Đóng góp của đề tài
- Về mặt lý thuyết: Nghiên cứu bổ sung bằng chứng thực nghiệm về hiệu năng của các thuật toán học máy phi tham số so với mô hình tham số truyền thống trong điều kiện thị trường tài chính mới nổi tại Việt Nam giai đoạn hậu COVID-19 (2020–2023).
- Về mặt thực tiễn: Cung cấp cơ sở định lượng và bộ chỉ số tài chính rút gọn giúp các nhà quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam cải thiện độ chính xác trong phân loại nợ và cảnh báo sớm rủi ro vỡ nợ doanh nghiệp.
Hạn chế và hướng nghiên cứu tiếp
Hạn chế của nghiên cứu
- Giới hạn mẫu nghiên cứu: Mẫu chỉ bao gồm 400 doanh nghiệp phi tài chính có cổ phiếu niêm yết trên HOSE, HNX và UPCOM. Do đó, kết quả có thể chưa đại diện hoàn toàn cho khu vực doanh nghiệp vừa và nhỏ (SMEs) chưa niêm yết – đối tượng khách hàng vay vốn chiếm tỷ trọng lớn tại các ngân hàng thương mại.
- Không đưa biến vĩ mô và phi tài chính vào mô hình: Do giai đoạn 2020–2023 chịu ảnh hưởng dị biệt từ đại dịch COVID-19 khiến các biến số kinh tế vĩ mô biến động mạnh bất thường, cùng với việc dữ liệu phi tài chính (năng lực quản trị, văn hóa doanh nghiệp) khó định lượng đồng nhất, nghiên cứu chỉ tập trung hoàn toàn vào 13 chỉ số tài chính.
- Quy mô mẫu cho mạng nơ-ron: Kích thước mẫu 1.600 quan sát chưa đủ lớn để mô hình Mạng thần kinh nhân tạo (ANN) phát huy tối đa hiệu quả học sâu.
Hướng nghiên cứu tiếp theo
- Mở rộng quy mô và đối tượng mẫu: Thu thập thêm dữ liệu của các doanh nghiệp chưa niêm yết và mở rộng chuỗi thời gian nghiên cứu để kiểm tra tính ổn định của mô hình qua nhiều chu kỳ kinh tế khác nhau.
- Tích hợp các nhóm biến đa chiều: Bổ sung các biến kinh tế vĩ mô (lãi suất, tăng trưởng GDP, lạm phát) và các biến phi tài chính (chỉ số quản trị công ty, trách nhiệm xã hội CSR) khi có nguồn dữ liệu chuẩn hóa.
- Thử nghiệm các thuật toán học máy nâng cao: Ứng dụng thêm các thuật toán tăng cường độ dốc (Gradient Boosting, XGBoost, CatBoost, NGBoost) và các kiến trúc học sâu chuyên sâu để nâng cao hơn nữa độ chính xác dự báo.
Giá trị tham khảo
Nghiên cứu có giá trị tham khảo thiết thực cho các nhóm đối tượng và mục đích học thuật, thực tiễn:
- Đối với sinh viên, học viên cao học và nhà nghiên cứu ngành Tài chính - Ngân hàng, Công nghệ tài chính (Fintech), Khoa học dữ liệu: Khóa luận là tài liệu tham khảo chi tiết về quy trình ứng dụng máy học giải quyết bài toán tài chính doanh nghiệp. Phần đáng tham khảo nhất là Chương 3 (phương pháp xác định biến vỡ nợ theo Basel II, hệ thống 13 công thức chỉ số tài chính, và quy trình tiền xử lý dữ liệu trên Python/Google Colab).
- Đối với cán bộ quản trị rủi ro và phân tích tín dụng tại các ngân hàng thương mại: Khóa luận cung cấp góc nhìn so sánh thực nghiệm giữa 4 thuật toán, giúp định hình tiêu chí lựa chọn công cụ dự báo phù hợp với quy mô dữ liệu nội bộ của ngân hàng. Phần đáng tham khảo là phân tích 5 chỉ số tài chính trọng yếu tại Chương 4 và bảng hướng dẫn điều kiện triển khai từng mô hình tại Chương 5.
Câu hỏi thường gặp
1. Nghiên cứu xác định một doanh nghiệp có rủi ro vỡ nợ dựa trên những tiêu chí cụ thể nào?
Theo khung lý thuyết Basel II được điều chỉnh trong nghiên cứu, một doanh nghiệp được gán nhãn có rủi ro vỡ nợ ($Y = 1$) khi thỏa mãn đồng thời hai dấu hiệu tài chính: (1) Vốn lưu động thường xuyên nhỏ hơn 0 (Tài sản ngắn hạn nhỏ hơn Nợ ngắn hạn) và (2) Giá trị vốn hóa thị trường nhỏ hơn Tổng nợ phải trả (bao gồm toàn bộ nợ ngắn hạn và nợ dài hạn). Doanh nghiệp không đồng thời thỏa mãn cả hai điều kiện này được phân loại là không có nguy cơ vỡ nợ ($Y = 0$).
2. Mẫu dữ liệu thực nghiệm được thu thập từ đâu và có quy mô như thế nào?
Dữ liệu được thu thập từ báo cáo tài chính kiểm toán của 400 doanh nghiệp phi tài chính tại Việt Nam trong giai đoạn 4 năm liên tục từ 2020 đến 2023, tạo ra tổng cộng 1.600 quan sát. Mẫu gồm 118 doanh nghiệp niêm yết trên HOSE, 99 doanh nghiệp trên HNX và 183 doanh nghiệp trên UPCOM, phân bổ trên 12 ngành nghề kinh doanh khác nhau.
3. Trong bốn mô hình học máy được thử nghiệm, mô hình nào đạt kết quả dự báo tốt nhất và mô hình nào thấp nhất?
Mô hình Rừng ngẫu nhiên (Random Forest) đạt hiệu quả dự báo rủi ro vỡ nợ chính xác và tối ưu nhất trong nghiên cứu nhờ khả năng hạn chế quá khớp từ việc tổng hợp nhiều cây quyết định. Ngược lại, mô hình Mạng thần kinh nhân tạo (ANN) cho kết quả dự báo thấp nhất trong bốn mô hình do tập dữ liệu thực nghiệm chưa đủ lớn để huấn luyện tối ưu các tầng nơ-ron phức tạp.
4. Năm chỉ số tài chính nào đóng vai trò quan trọng nhất trong việc ước lượng xác suất vỡ nợ của doanh nghiệp?
Thông qua mô hình tham số, 5 chỉ số tài chính có ý nghĩa đóng góp quan trọng nhất được xác định gồm: $X_1$ - Tỷ suất sinh lợi trên tổng tài sản bình quân (ROAA), $X_2$ - Tỷ suất lợi nhuận trên vốn chủ sở hữu bình quân (ROAE), $X_{11}$ - Vòng quay tổng tài sản, $X_{12}$ - Lợi nhuận trên mỗi cổ phiếu (EPS), và $X_{13}$ - Chỉ số giá thị trường trên thu nhập (P/E). Các chỉ số này tập trung phản ánh hiệu quả hoạt động kinh doanh, năng lực sinh lời và định giá thị trường của doanh nghiệp.
5. Vì sao nghiên cứu không đưa các biến kinh tế vĩ mô và nhân tố phi tài chính vào mô hình dự báo?
Tác giả không đưa các yếu tố vĩ mô (như GDP, lãi suất, tỷ lệ thất nghiệp) vào mô hình vì giai đoạn 2020–2023 có những biến động bất thường do đại dịch COVID-19, dễ gây nhiễu và làm mất tính ổn định của mô hình. Các yếu tố phi tài chính (như năng lực ban lãnh đạo, văn hóa tổ chức) cũng bị loại trừ do khó thu thập dữ liệu định lượng chuẩn hóa và mang tính đánh giá chủ quan cao.
Kết luận
Khóa luận tốt nghiệp của tác giả Lê Thị Trúc Ly đã ứng dụng thành công bốn thuật toán học máy (Hồi quy Logistic, Cây quyết định, Rừng ngẫu nhiên và Mạng thần kinh nhân tạo) để dự báo rủi ro vỡ nợ của 400 doanh nghiệp phi tài chính niêm yết tại Việt Nam giai đoạn 2020–2023. Kết quả thực nghiệm khẳng định mô hình Rừng ngẫu nhiên (Random Forest) sở hữu năng lực dự báo tối ưu nhất, đồng thời xác định 5 chỉ số tài chính then chốt về khả năng sinh lợi và hiệu quả tài sản ($X_1, X_2, X_{11}, X_{12}, X_{13}$) chi phối trực tiếp đến xác suất vỡ nợ. Công trình cung cấp cơ sở khoa học và hàm ý thực tiễn giá trị, hỗ trợ các ngân hàng thương mại Việt Nam hiện đại hóa công tác chấm điểm tín dụng và nâng cao hiệu quả kiểm soát rủi ro danh mục.
