Dự đoán xác suất vỡ nợ cho doanh nghiệp nhỏ và vừa dựa trên chỉ số tài chính

Tài liệu nghiên cứu 0385 predicting the probability of default for small and medium enterprises based on financial, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu

• Tác giả: Nguyen Dieu Linh
• Người hướng dẫn: Ph. Nguyen Minh Nhat
• Trường học: Banking University of Ho Chi Minh City
• Chuyên ngành: Finance & Banking
• Đề tài: Dự Đoán Xác Suất Vỡ Nợ Cho Doanh Nghiệp Nhỏ Và Vừa Dựa Trên Chỉ Số Tài Chính
• Loại tài liệu: graduation thesis
• Năm xuất bản: 2021
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ABSTRACT
• DECLARATION
• ACKNOWLEDGEMENTS
• TABLE OF CONTENTS
• 1. CHAPTER 1: INTRODUCTION
• 1.1. The urgency of the research
• 1.2. The Structure of Research
• 2. CHAPTER 2: LITERATURE REVIEW
• 2.1. Small And Medium Enterprises (SMEs)
• 2.2. Probability Of Default (PD)
• 2.3. Overview of probability of default models
• 2.4. probability of default models
• 2.5. The difference between Logit model, Probit model and Complementary log-log model
• 2.6. Related studies in Vietnam
• 2.7. The other related studies
• 3. CHAPTER 3: DATA AND METHODOLOGY OF RESEARCH
• 3.1. Data collection and processing
• 3.2. Selection of input variables in the default prediction model
• 3.3. Models for predict the probability of default
• 3.4. Complementary Log-Log Model
• 3.5. The evaluation criteria of default prediction models
• 4. CHAPTER 4: EMPIRICAL RESULTS
• 4.1. Descriptive statistics results
• 4.2. Regression results of parametric models
• 5. CHAPTER 5: CONCLUSION AND RECOMMENDATION
• 5.1. Applying the model to forecast probability of default of SMEs customers at commercial banks in Vietnam
• 5.2. Tools to assist in identifying groups of potential customers
• 5.3. The model results are the basis of credit policy orientation
• 5.4. Applying the model results to improve the efficiency of credit risk management in commercial banks
• 5.5. Suggest using the model to forecast the probability of default at Credit Rating Agencies in Vietnam
• 5.6. Limitation of the topic and future research direction
• 5.7. Future research direction
• LIST OF ABBREVIATIONS
• LIST OF FIGURES
• LIST OF TABLES

Tóm tắt

I. Tổng quan về dự đoán xác suất vỡ nợ cho doanh nghiệp nhỏ và vừa

Dự đoán xác suất vỡ nợ cho doanh nghiệp nhỏ và vừa (SMEs) là một vấn đề quan trọng trong quản lý rủi ro tài chính. Các ngân hàng thương mại cần có những công cụ chính xác để đánh giá khả năng thanh toán của khách hàng. Việc sử dụng các chỉ số tài chính để dự đoán khả năng vỡ nợ không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn hỗ trợ trong việc ra quyết định cho vay. Nghiên cứu này sẽ cung cấp cái nhìn tổng quan về các mô hình dự đoán và tầm quan trọng của chúng trong bối cảnh hiện tại.

1.1. Khái niệm và vai trò của doanh nghiệp nhỏ và vừa

Doanh nghiệp nhỏ và vừa đóng vai trò quan trọng trong nền kinh tế, đặc biệt là trong việc tạo ra việc làm và thúc đẩy phát triển kinh tế. Theo tiêu chí của Ngân hàng Thế giới, SMEs được phân loại dựa trên quy mô vốn và số lượng lao động. Việc hiểu rõ về SMEs giúp các ngân hàng có cái nhìn chính xác hơn về rủi ro tín dụng.

1.2. Tầm quan trọng của việc dự đoán xác suất vỡ nợ

Dự đoán xác suất vỡ nợ là một yếu tố quan trọng trong phân tích rủi ro tín dụng. Nó giúp ngân hàng xác định khả năng thanh toán của khách hàng, từ đó đưa ra quyết định cho vay hợp lý. Mô hình dự đoán chính xác có thể giảm thiểu rủi ro và tối ưu hóa lợi nhuận cho ngân hàng.

II. Thách thức trong việc dự đoán xác suất vỡ nợ cho SMEs

Mặc dù có nhiều mô hình dự đoán xác suất vỡ nợ, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng chúng cho SMEs. Các mô hình hiện tại thường gặp khó khăn trong việc phản ánh chính xác tình hình tài chính của doanh nghiệp nhỏ. Hơn nữa, sự thiếu hụt dữ liệu và sự biến động của thị trường cũng làm cho việc dự đoán trở nên phức tạp hơn.

2.1. Hạn chế của các mô hình dự đoán hiện tại

Nhiều mô hình dự đoán hiện tại như mô hình Logit hay Probit có những hạn chế nhất định trong việc áp dụng cho SMEs. Chúng thường không phản ánh đầy đủ các yếu tố tài chính và phi tài chính ảnh hưởng đến khả năng thanh toán của doanh nghiệp.

2.2. Thiếu hụt dữ liệu và thông tin

Việc thiếu hụt dữ liệu tài chính chính xác từ các SMEs là một thách thức lớn. Nhiều doanh nghiệp nhỏ không công bố thông tin tài chính đầy đủ, điều này gây khó khăn cho việc phân tích và dự đoán xác suất vỡ nợ.

III. Phương pháp dự đoán xác suất vỡ nợ cho SMEs hiệu quả

Để dự đoán xác suất vỡ nợ cho SMEs một cách hiệu quả, cần áp dụng các phương pháp phân tích tài chính hiện đại. Các mô hình như mô hình hồi quy logistic, mô hình mạng nơ-ron nhân tạo và mô hình phân tích phân biệt có thể được sử dụng để cải thiện độ chính xác của dự đoán.

3.1. Mô hình hồi quy logistic

Mô hình hồi quy logistic là một trong những phương pháp phổ biến nhất trong việc dự đoán xác suất vỡ nợ. Nó cho phép phân tích mối quan hệ giữa các chỉ số tài chính và khả năng vỡ nợ của doanh nghiệp.

3.2. Mô hình mạng nơ ron nhân tạo

Mô hình mạng nơ-ron nhân tạo có khả năng xử lý dữ liệu phức tạp và không tuyến tính, giúp cải thiện độ chính xác trong việc dự đoán xác suất vỡ nợ cho SMEs. Mô hình này có thể học từ dữ liệu lịch sử và đưa ra dự đoán chính xác hơn.

IV. Ứng dụng thực tiễn của mô hình dự đoán xác suất vỡ nợ

Các mô hình dự đoán xác suất vỡ nợ không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn trong việc quản lý rủi ro tín dụng tại các ngân hàng. Việc áp dụng các mô hình này giúp ngân hàng đánh giá chính xác hơn về khả năng thanh toán của khách hàng, từ đó đưa ra quyết định cho vay hợp lý.

4.1. Cải thiện quy trình cho vay tại ngân hàng

Việc áp dụng mô hình dự đoán xác suất vỡ nợ giúp ngân hàng cải thiện quy trình cho vay. Ngân hàng có thể xác định được những khách hàng có khả năng vỡ nợ cao và từ đó điều chỉnh các điều kiện cho vay cho phù hợp.

4.2. Giảm thiểu rủi ro tín dụng

Mô hình dự đoán chính xác giúp ngân hàng giảm thiểu rủi ro tín dụng. Bằng cách xác định được những khách hàng có khả năng vỡ nợ, ngân hàng có thể đưa ra các biện pháp phòng ngừa kịp thời.

V. Kết luận và triển vọng tương lai trong dự đoán xác suất vỡ nợ

Dự đoán xác suất vỡ nợ cho SMEs là một lĩnh vực nghiên cứu quan trọng và cần thiết trong bối cảnh hiện nay. Các mô hình dự đoán cần được cải tiến và phát triển để đáp ứng nhu cầu thực tiễn. Tương lai, việc ứng dụng công nghệ và dữ liệu lớn sẽ mở ra nhiều cơ hội mới trong việc dự đoán xác suất vỡ nợ.

5.1. Xu hướng phát triển mô hình dự đoán

Trong tương lai, các mô hình dự đoán sẽ ngày càng được cải tiến với sự hỗ trợ của công nghệ thông tin và dữ liệu lớn. Điều này sẽ giúp nâng cao độ chính xác và khả năng dự đoán của các mô hình.

5.2. Tầm quan trọng của nghiên cứu tiếp theo

Nghiên cứu tiếp theo cần tập trung vào việc phát triển các mô hình dự đoán mới và cải tiến các mô hình hiện tại. Điều này sẽ giúp ngân hàng có những công cụ hiệu quả hơn trong việc quản lý rủi ro tín dụng.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự bùng phát và diễn biến phức tạp của đại dịch Covid-19 từ năm 2020 đã tác động sâu rộng đến nền kinh tế toàn cầu, châm ngòi cho làn sóng phá sản doanh nghiệp quy mô lớn. Theo báo cáo dự báo của Euler Hermes (tháng 7/2020), tỷ lệ vỡ nợ doanh nghiệp toàn cầu giai đoạn 2019–2021 được ước tính gia tăng khoảng 35%. Trong đó, số lượng doanh nghiệp mất khả năng thanh toán tại Mỹ dự báo tăng 57%, Brazil tăng 45%, Vương quốc Anh tăng 43%, Tây Ban Nha tăng 41% và Trung Quốc tăng 40%. Xét theo khu vực địa lý, Bắc Mỹ ghi nhận mức tăng dự báo vỡ nợ cao nhất (+56%), tiếp đến là Trung và Đông Âu (+34%), Mỹ Latinh (+33%), Tây Âu (+32%) và Châu Á (+31%).

Tại Việt Nam, với độ mở kinh tế lớn và quá trình hội nhập quốc tế sâu rộng, các hoạt động sản xuất kinh doanh, thương mại, dịch vụ và lưu chuyển hàng hóa đều chịu áp lực gián đoạn. Trong 10 tháng đầu năm 2020, số lượng doanh nghiệp tạm ngừng kinh doanh có thời hạn tăng 41,7% so với cùng kỳ năm 2019, đồng thời có 13,5 nghìn doanh nghiệp hoàn tất thủ tục giải thể. Trong bối cảnh rủi ro phá sản gia tăng, việc xây dựng và hoàn thiện hệ thống xếp hạng tín dụng nội bộ tại các ngân hàng thương mại trở thành yêu cầu cấp thiết nhằm đánh giá chính xác mức độ rủi ro tín dụng của khách hàng, hỗ trợ ra quyết định cấp tín dụng và tuân thủ các chuẩn mực của Hiệp ước Basel II.

Khóa luận chỉ ra 4 khía cạnh mang tính cấp thiết của đề tài:

1. Các mô hình dự báo xác suất vỡ nợ hiện hành vẫn còn những hạn chế nhất định và tồn tại nhiều tranh luận về tính nhất quán cũng như độ tin cậy khi lựa chọn mô hình dự báo phù hợp cho doanh nghiệp (Huseyin & Bora, 2009; Aysegul Iscanoglu, 2005; Hayden & Daniel, 2010).
2. Việc xác định hệ chỉ số tài chính có ý nghĩa trọng yếu ảnh hưởng đến kết quả xếp hạng và dự báo khả năng mất khả năng thanh toán vẫn là vấn đề cần tiếp tục kiểm chứng qua thực nghiệm (Altman, 1968; Deakin, 1972; Blum, 1974).
3. Hoạt động xếp hạng tín dụng tại phần lớn các ngân hàng thương mại Việt Nam hiện nay vẫn mang nặng tính định tính, phụ thuộc vào phương pháp chuyên gia và kinh nghiệm chủ quan của cán bộ tín dụng, trong khi các công trình nghiên cứu công bố về mô hình lượng hóa xác suất vỡ nợ cho doanh nghiệp vừa và nhỏ dựa trên chỉ số tài chính còn tương đối hạn chế.
4. Chính phủ Việt Nam đang tích cực hoàn thiện hành lang pháp lý cho lĩnh vực xếp hạng tín nhiệm thông qua Nghị định số 88/2014/NĐ-CP quy định về dịch vụ xếp hạng tín nhiệm và Quyết định số 507/QĐ-TTg của Thủ tướng Chính phủ phê duyệt Quy hoạch phát triển dịch vụ xếp hạng tín nhiệm đến năm 2020, tầm nhìn đến năm 2030 (trong đó đặt ra lộ trình xếp hạng tín nhiệm đối với trái phiếu doanh nghiệp phát hành ra công chúng).

Mục tiêu nghiên cứu của đề tài gồm 3 nội dung:

• Xác định các tiêu chí đánh giá một mô hình dự báo xác suất vỡ nợ phù hợp.
• Lựa chọn mô hình có khả năng dự báo tốt nhất xác suất vỡ nợ của các doanh nghiệp nhỏ và vừa (SMEs) tại các ngân hàng thương mại Việt Nam dựa trên hệ thống chỉ số tài chính.
• Cung cấp bằng chứng thực nghiệm và phát triển cơ sở ứng dụng các chỉ tiêu tài chính phục vụ công tác kiểm soát rủi ro tín dụng tại các ngân hàng thương mại.

Hai câu hỏi nghiên cứu trọng tâm được đặt ra:

• (i) Các chỉ số tài chính tác động như thế nào đến xác suất vỡ nợ của doanh nghiệp nhỏ và vừa?
• (ii) Mô hình xác suất vỡ nợ (PD) nào cho kết quả dự báo tối ưu nhất đối với nhóm khách hàng SMEs tại các ngân hàng thương mại Việt Nam?

Đối tượng nghiên cứu là xác suất vỡ nợ của khách hàng doanh nghiệp nhỏ và vừa tại các ngân hàng thương mại Việt Nam. Tiêu chí xác định doanh nghiệp nhỏ và vừa trong đề tài thỏa mãn một trong hai điều kiện: tổng nguồn vốn không quá 100 tỷ đồng hoặc tổng doanh thu của năm liền trước không vượt quá 500 tỷ đồng (kết hợp các tiêu chuẩn phân loại tại Nghị định số 39/2018/NĐ-CP và tiêu chí của Nhóm Ngân hàng Thế giới - World Bank Group). Phạm vi nghiên cứu sử dụng dữ liệu báo cáo tài chính đã được kiểm toán của 400 doanh nghiệp SMEs thuộc 9 nhóm ngành kinh tế tại Việt Nam trong giai đoạn 3 năm từ 2017 đến hết năm 2019.

---

Cơ sở lý thuyết và phương pháp

Khóa luận hệ thống hóa cơ sở lý thuyết về rủi ro tín dụng và xác suất vỡ nợ (Probability of Default - PD). Theo chuẩn mực Basel II, PD là tham số cốt lõi trong việc xác định mức vốn kinh tế dự phòng rủi ro tại các tổ chức tín dụng. Khái niệm xác suất vỡ nợ được Văn phòng Kiểm soát Tiền tệ Hoa Kỳ (OCC) và Tysk (2010) định nghĩa là khả năng định lượng việc bên đi vay không thực hiện hoặc không có khả năng thực hiện đầy đủ nghĩa vụ trả nợ gốc và lãi theo các điều khoản hợp đồng trong một khoảng thời gian xác định (thường là một năm). Các tổ chức xếp hạng tín nhiệm quốc tế như Standard & Poor's, Fitch Ratings, Moody's (với mô hình RiskCalc) đều sử dụng kết hợp các nhóm chỉ số tài chính then chốt để đo lường năng lực tài chính và dự báo rủi ro vỡ nợ.

Hệ thống chỉ số tài chính dùng trong dự báo rủi ro doanh nghiệp được tổng hợp thành 4 nhóm chính:

• Nhóm chỉ số khả năng thanh toán (Liquidity): Phản ánh năng lực chuyển đổi tài sản thành tiền để chi trả nợ ngắn hạn (hệ số thanh toán hiện hành, hệ số thanh toán nhanh, tỷ lệ tiền mặt trên vốn chủ sở hữu).
• Nhóm chỉ số đòn bẩy tài chính (Financial Leverage): Đo lường mức độ sử dụng nợ và gánh nặng nợ (tổng nợ trên tổng tài sản, nợ trên vốn chủ sở hữu, hệ số chi trả lãi vay, hệ số thanh toán nợ dài hạn).
• Nhóm chỉ số khả năng sinh lời (Profitability): Đánh giá hiệu quả tạo lợi nhuận (tỷ suất lợi nhuận gộp, tỷ suất sinh lời trên doanh thu, ROA, ROE).
• Nhóm chỉ số hiệu quả hoạt động (Performance): Đo lường hiệu quả quản lý và khai thác tài sản, vòng quay vốn (vòng quay hàng tồn kho, tỷ lệ phải thu trên doanh thu bình quân, vòng quay tổng tài sản).

Bảng tổng hợp đặc điểm các mô hình dự báo xác suất vỡ nợ theo tổng quan lý thuyết:

Tên mô hình	Bản chất mô hình	Ưu điểm	Nhược điểm
Hồi quy tuyến tính (Linear Regression)	Mô hình tham số tuyến tính (Orgler, 1970)	Phổ biến, dễ tính toán, kết quả dễ giải thích	Giá trị ước lượng có thể nằm ngoài khoảng [0, 1]; rất nhạy cảm với các quan sát ngoại lai
Phân tích phân biệt (MDA)	Phân tách nhóm tốt/xấu qua hàm phân biệt tuyến tính (Fisher, 1936; Altman, 1968)	Tính toán điểm số trực tiếp, giảm thiểu tỷ lệ phân loại sai	Giả định biến phân phối chuẩn thường bị vi phạm trong thực tế; khó kiểm định tính vững
Hồi quy Logit & Probit	Hồi quy biến phụ thuộc nhị phân dựa trên phân phối Logistic và phân phối Chuẩn	Đầu ra là xác suất trong khoảng [0, 1], dễ giải thích, kiểm định được ý nghĩa thống kê	Có thể vi phạm các giả định chuẩn; khó áp dụng cho dữ liệu có cấu trúc tài chính dị biệt
Mô hình Cây quyết định (Decision Tree)	Phân loại phi tham số cấu trúc phân nhánh (Breiman, 1980)	Trực quan, không yêu cầu giả định phân phối dữ liệu, xử lý tốt phi tuyến	Dễ rơi vào hiện tượng quá khớp (overfitting) khi cây có quá nhiều tầng; chi phí tính toán cao
Mô hình Rừng ngẫu nhiên (Random Forest)	Tập hợp nhiều cây quyết định với cơ chế lấy mẫu ngẫu nhiên (Ho, 1995)	Độ chính xác dự báo cao, khắc phục overfitting, xử lý được dữ liệu khuyết thiếu	Là mô hình dạng "hộp đen" (black-box), cơ chế vận hành phức tạp, khó giải thích trực tiếp
Mạng nơ-ron nhân tạo (ANN)	Mô hình phi tham số mô phỏng cấu trúc tế bào thần kinh sinh học	Xử lý được các mối quan hệ phức tạp, dữ liệu phi tuyến, kiểm soát tốt nhiễu	Bản chất "hộp đen", không ước lượng tham số cụ thể, yêu cầu tập dữ liệu lớn và chuẩn hóa cao

Phương pháp nghiên cứu thực nghiệm được tác giả triển khai qua quy trình 4 giai đoạn:

1. Giai đoạn 1 - Thu thập và xử lý dữ liệu: Thu thập báo cáo tài chính đã kiểm toán của 400 doanh nghiệp SMEs giai đoạn 2017–2019. Xử lý dữ liệu khuyết thiếu bằng giá trị trung bình của nhóm tương ứng (vỡ nợ hoặc không vỡ nợ); xử lý giá trị ngoại lai (outliers) bằng mức phân vị 5% và 95%.
2. Giai đoạn 2 - Lựa chọn biến đầu vào: Thiết lập hệ thống 14 chỉ số tài chính độc lập ($X_1$ đến $X_{14}$) đại diện cho 4 nhóm năng lực tài chính.
3. Giai đoạn 3 - Ước lượng mô hình hồi quy: Chạy hồi quy trên các mô hình tham số nhị phân gồm mô hình Logit, mô hình Probit và mô hình Complementary Log-Log (C-Log-Log).
4. Giai đoạn 4 - Đánh giá và so sánh mô hình: Sử dụng Ma trận nhầm lẫn (Confusion Matrix) và các chỉ số đo lường (Độ chính xác - Accuracy, Độ nhạy - Sensitivity, Độ đặc hiệu - Specificity, Độ chuẩn xác - Precision, Điểm F1 - F1-Score) để lựa chọn mô hình dự báo tối ưu.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan (Introduction)

Chương 1 thiết lập khung nghiên cứu tổng thể, phân tích bối cảnh gia tăng rủi ro phá sản doanh nghiệp trong đại dịch Covid-19 và sức ép tuân thủ hiệp ước Basel II tại hệ thống ngân hàng thương mại Việt Nam. Tác giả trình bày tính cấp thiết qua 4 phương diện lý luận và thực tiễn, xác định rõ 3 mục tiêu nghiên cứu, 2 câu hỏi nghiên cứu, đối tượng nghiên cứu (xác suất vỡ nợ của khách hàng SMEs) và phạm vi mẫu gồm 400 doanh nghiệp trong giai đoạn 2017–2019. Chương này cũng phác thảo phương pháp nghiên cứu kết hợp định tính - định lượng và cấu trúc 5 chương của khóa luận.

Chương 2: Tổng quan nghiên cứu (Literature Review)

Chương 2 trình bày khung lý thuyết nền tảng về doanh nghiệp nhỏ và vừa theo tiêu chuẩn quốc tế và Nghị định số 39/2018/NĐ-CP của Chính phủ Việt Nam; làm rõ bản chất xác suất vỡ nợ (PD) và vai trò của hệ thống xếp hạng tín dụng nội bộ. Tác giả phân tích chuyên sâu 4 nhóm chỉ số tài chính doanh nghiệp và so sánh 6 nhóm mô hình dự báo phá sản (Hồi quy tuyến tính, MDA, Logit, Probit, C-Log-Log, Decision Tree, Random Forest, ANN). Đồng thời, chương này tổng thuật các nghiên cứu trong nước (Hay Sinh, 2003; Lê Nguyễn Sơn Vũ, 2013; Nguyễn Thị Tuyết Lan, 2019...) và quốc tế (Altman, 1968; Neophytou et al., 2000; Ravi & Pramodh, 2008; Ben Chin-FookYap et al., 2010...), từ đó chỉ ra khoảng trống nghiên cứu về việc lựa chọn mô hình lượng hóa thực nghiệm dự báo PD cho SMEs tại Việt Nam.

Chương 3: Dữ liệu và phương pháp nghiên cứu (Data And Methodology Of Research)

Chương 3 trình bày chi tiết quy trình xử lý dữ liệu và xây dựng mô hình định lượng. Tập dữ liệu 400 doanh nghiệp SMEs được phân bổ theo 9 nhóm ngành cụ thể và được gắn nhãn vỡ nợ ($Y = 1$) dựa trên 4 tiêu chí khắt khe: vốn chủ sở hữu âm; lợi nhuận sau thuế và dòng tiền thuần từ hoạt động kinh doanh âm 2 năm liên tiếp; doanh nghiệp tuyên bố phá sản; hoặc phát sinh nợ xấu nhóm 3, 4, 5.

Cơ cấu mẫu nghiên cứu theo ngành kinh doanh và tình trạng vỡ nợ qua các năm được tổng hợp như sau:

STT	Nhóm ngành kinh doanh	Số lượng DN	Tình trạng theo năm	2017	2018	2019
1	Thương mại hàng tiêu dùng	31	Vỡ nợ ($Y = 1$)	43	69	55
2	Kinh doanh xăng dầu	35	Không vỡ nợ ($Y = 0$)	357	331	345
3	Kinh doanh ô tô	39	Tổng số quan sát	400	400	400
4	Xây dựng và lắp đặt	40
5	Dược phẩm và thiết bị y tế	43
6	Dệt may	45
7	Thủy hải sản (cá, tôm, nghêu...)	47
8	Sản xuất sắt thép	54
9	Nông sản (gạo, cà phê, điều, tiêu...)	66
	Tổng cộng	400

Hệ thống 14 biến độc lập được xác lập phục vụ ước lượng mô hình:

Ký hiệu	Tên chỉ số tài chính	Nhóm chỉ số	Dấu kỳ vọng
$X_1$	Lợi nhuận gộp / Doanh thu thuần	Khả năng sinh lời	$-$
$X_2$	Lợi nhuận trước thuế / Doanh thu thuần	Khả năng sinh lời	$-$
$X_3$	Lợi nhuận trước thuế / Tổng tài sản	Khả năng sinh lời	$-$
$X_4$	Lợi nhuận trước thuế / Vốn chủ sở hữu	Khả năng sinh lời	$-$
$X_5$	Tổng nợ phải trả / Tổng tài sản	Đòn bẩy tài chính	$+$
$X_6$	Tổng nợ phải trả / Vốn chủ sở hữu	Đòn bẩy tài chính	$+$
$X_7$	Tài sản ngắn hạn / Nợ ngắn hạn	Khả năng thanh toán	$-$
$X_8$	(Tài sản ngắn hạn - Hàng tồn kho) / Nợ ngắn hạn	Khả năng thanh toán	$-$
$X_9$	Lợi nhuận trước thuế và lãi vay / Chi phí lãi vay	Khả năng thanh toán lãi vay	$-$
$X_{10}$	(Lợi nhuận trước thuế, lãi vay và khấu hao) / Nợ dài hạn	Thanh toán nợ dài hạn	$-$
$X_{11}$	Tiền và tương đương tiền / Vốn chủ sở hữu	Khả năng thanh toán	$-$
$X_{12}$	Giá vốn hàng bán bình quân / Hàng tồn kho	Hiệu quả hoạt động	$+$
$X_{13}$	Các khoản phải thu / Doanh thu bình quân	Hiệu quả hoạt động	$+$
$X_{14}$	Tổng doanh thu / Tổng tài sản	Hiệu quả hoạt động	$-$

Chương này cũng thiết lập công thức toán học cho hàm hồi quy Logit, Probit, Complementary Log-Log và cấu trúc Ma trận nhầm lẫn (Confusion Matrix).

Chương 4: Kết quả thực nghiệm (Empirical Results)

Chương 4 thực hiện thống kê mô tả 14 biến tài chính và trình bày kết quả ước lượng từ các mô hình hồi quy tham số. Dựa trên kết quả ma trận nhầm lẫn của từng mô hình (Bảng 4.4 cho Logit, Bảng 4.5 cho Probit, Bảng 4.6 cho Complementary Log-Log), tác giả tính toán và so sánh các tiêu chí Accuracy, Sensitivity, Specificity, Precision và F1-Score để xác định mô hình có năng lực phân loại và dự báo xác suất vỡ nợ chính xác nhất.

Chương 5: Kết luận và khuyến nghị (Conclusion And Recommendation)

Chương 5 đúc kết toàn bộ kết quả nghiên cứu và đề xuất 5 nhóm hàm ý ứng dụng thực tiễn:

• Triển khai mô hình dự báo PD cho khách hàng SMEs tại các ngân hàng thương mại Việt Nam nhằm ổn định chất lượng tín dụng và giảm thiểu nợ xấu.
• Sử dụng mô hình như một công cụ hỗ trợ nhận diện nhóm khách hàng tiềm năng, duy trì cơ cấu khách hàng ít rủi ro và mở rộng mạng lưới khách hàng uy tín.
• Sử dụng kết quả mô hình làm căn cứ định hướng chính sách tín dụng: thu hẹp cấp tín dụng đối với nhóm khách hàng yếu kém và mở rộng tín dụng an toàn đối với nhóm khách hàng có năng lực tài chính tốt.
• Tối ưu hóa công tác quản trị rủi ro tín dụng thông qua việc cá biệt hóa điều kiện vay, lãi suất, phí và biện pháp bảo đảm.
• Đề xuất ứng dụng mô hình dự báo vỡ nợ cho các tổ chức xếp hạng tín nhiệm độc lập tại Việt Nam.

---

Kết quả và đóng góp

Nghiên cứu chỉ ra rằng trong tổng số 14 chỉ số tài chính đưa vào mô hình thực nghiệm, có 5 biến số giữ vai trò quan trọng và có ý nghĩa thống kê cao nhất trong việc dự báo xác suất vỡ nợ của các doanh nghiệp nhỏ và vừa tại Việt Nam:

1. $X_3$ (Lợi nhuận trước thuế / Tổng tài sản - ROA): Phản ánh năng lực sinh lời tổng thể trên quy mô tài sản.
2. $X_5$ (Tổng nợ phải trả / Tổng tài sản): Đo lường mức độ đòn bẩy nợ của doanh nghiệp.
3. $X_{10}$ (Lợi nhuận trước thuế, lãi vay và khấu hao / Nợ dài hạn): Đo lường năng lực tạo dòng tiền trang trải các nghĩa vụ nợ dài hạn.
4. $X_{12}$ (Giá vốn hàng bán bình quân / Hàng tồn kho): Đo lường hiệu quả quản trị và tốc độ luân chuyển hàng tồn kho.
5. $X_{14}$ (Tổng doanh thu / Tổng tài sản): Đo lường hiệu suất sinh doanh thu trên tổng tài sản đầu tư.

Đóng góp của khóa luận thể hiện ở cả phương diện học thuật và thực tiễn quản trị ngân hàng:

• Đóng góp học thuật: Hệ thống hóa toàn diện các lý thuyết xếp hạng tín dụng và mô hình dự báo vỡ nợ; bổ sung bằng chứng thực nghiệm định lượng rõ ràng tại thị trường Việt Nam về năng lực dự báo của các mô hình tham số dựa trên bộ dữ liệu tài chính đa ngành của doanh nghiệp nhỏ và vừa giai đoạn 2017–2019.
• Đóng góp thực tiễn: Cung cấp cho các ngân hàng thương mại công cụ định lượng hỗ trợ sàng lọc khách hàng ngay từ khâu tiếp nhận hồ sơ. Doanh nghiệp được xếp hạng tín nhiệm cao (từ hạng A trở lên) kết hợp với kết quả đo lường khả năng trả nợ tốt từ mô hình sẽ có xác suất phát sinh nợ xấu thấp, giúp ngân hàng định hướng mở rộng tín dụng an toàn, thiết lập chính sách lãi suất và biện pháp bảo đảm phù hợp.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với dữ liệu và phạm vi nghiên cứu:

• Về phạm vi dữ liệu: Dữ liệu nghiên cứu mới được thu thập trong giai đoạn 3 năm (2017–2019) với quy mô 400 doanh nghiệp SMEs, do đó khả năng khái quát hóa đối với các chu kỳ kinh tế biến động mạnh hoặc kéo dài có thể bị ảnh hưởng.
• Về bản chất thông tin: Mô hình dựa hoàn toàn trên các chỉ số tài chính quá khứ từ báo cáo tài chính đã kiểm toán, chưa tích hợp đầy đủ các yếu tố phi tài chính (như năng lực ban điều hành, vị thế cạnh tranh trong ngành, các biến số kinh tế vĩ mô).

Hướng nghiên cứu tiếp theo được đề xuất:

• Mở rộng quy mô mẫu khảo sát và kéo dài chuỗi thời gian dữ liệu sau giai đoạn biến động đại dịch Covid-19.
• Bổ sung và kết hợp các biến số phi tài chính, biến vĩ mô vào mô hình dự báo.
• Tiếp tục kiểm định sâu hơn các mô hình phi tham số tiên tiến (như Random Forest, Artificial Neural Networks) trên các tập dữ liệu lớn để nâng cao năng lực phân loại và dự báo.

---

Giá trị tham khảo

Khóa luận có giá trị tham khảo thiết thực cho các nhóm độc giả:

• Sinh viên, học viên chuyên ngành Tài chính - Ngân hàng, Quản trị rủi ro tài chính: Cung cấp tài liệu tham khảo chi tiết về quy trình nghiên cứu định lượng rủi ro tín dụng, phương pháp thiết lập biến từ báo cáo tài chính và kỹ thuật so sánh các mô hình xác suất nhị phân (Logit, Probit, C-Log-Log) bằng Ma trận nhầm lẫn.
• Cán bộ phân tích, thẩm định tín dụng và quản trị rủi ro tại các ngân hàng thương mại: Tham khảo bộ 5 chỉ số tài chính trọng yếu ($X_3, X_5, X_{10}, X_{12}, X_{14}$) để ứng dụng vào quy trình chấm điểm tín dụng nội bộ và sàng lọc hồ sơ vay vốn của phân khúc khách hàng SMEs.
• Chuyên viên phân tích tại các tổ chức xếp hạng tín nhiệm doanh nghiệp: Tham khảo phương pháp lượng hóa rủi ro phá sản phục vụ công tác định hạng doanh nghiệp và định hạng công cụ nợ theo quy định pháp lý hiện hành.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng tiêu chí nào để phân loại một doanh nghiệp rơi vào tình trạng vỡ nợ ($Y = 1$)?
Doanh nghiệp được phân loại vỡ nợ nếu thỏa mãn ít nhất một trong 4 điều kiện: (i) Vốn chủ sở hữu bị âm; (ii) Lợi nhuận sau thuế và dòng tiền thuần từ hoạt động kinh doanh âm trong 2 năm liên tiếp; (iii) Doanh nghiệp chính thức tuyên bố phá sản; (iv) Doanh nghiệp bị phân loại vào nhóm nợ xấu (nhóm 3, 4 hoặc 5 tại ngân hàng).

2. Mẫu dữ liệu nghiên cứu của khóa luận được thu thập từ những ngành nghề nào và gồm bao nhiêu doanh nghiệp?
Mẫu nghiên cứu gồm 400 doanh nghiệp nhỏ và vừa trong giai đoạn 2017–2019 thuộc 9 nhóm ngành: Nông nghiệp (66 DN), Sắt thép (54 DN), Thủy hải sản (47 DN), Dệt may (45 DN), Dược phẩm & TBYT (43 DN), Xây dựng & lắp đặt (40 DN), Kinh doanh ô tô (39 DN), Xăng dầu (35 DN) và Thương mại hàng tiêu dùng (31 DN).

3. Năm chỉ số tài chính nào đóng vai trò quan trọng nhất trong việc dự báo xác suất vỡ nợ theo kết quả nghiên cứu?
Năm chỉ số có ý nghĩa thống kê cao nhất gồm: $X_3$ (Lợi nhuận trước thuế / Tổng tài sản), $X_5$ (Tổng nợ phải trả / Tổng tài sản), $X_{10}$ (Lợi nhuận trước thuế, lãi vay và khấu hao / Nợ dài hạn), $X_{12}$ (Giá vốn hàng bán bình quân / Hàng tồn kho) và $X_{14}$ (Tổng doanh thu / Tổng tài sản).

4. Khóa luận sử dụng các tiêu chí nào để so sánh và đánh giá độ chính xác của các mô hình dự báo?
Tác giả sử dụng Ma trận nhầm lẫn (Confusion Matrix) để tính toán 5 chỉ số định lượng đánh giá mô hình gồm: Độ chính xác (Accuracy), Độ nhạy (Sensitivity), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision) và Điểm F1 (F1-Score).

---

Kết luận

Khóa luận của tác giả Nguyễn Diệu Linh đã nghiên cứu thực nghiệm vấn đề dự báo xác suất vỡ nợ của nhóm doanh nghiệp nhỏ và vừa (SMEs) tại Việt Nam trên cơ sở dữ liệu 400 doanh nghiệp giai đoạn 2017–2019. Thông qua việc so sánh các mô hình hồi quy tham số nhị phân và đánh giá bằng Ma trận nhầm lẫn, đề tài đã chỉ ra 5 chỉ số tài chính trọng yếu có năng lực dự báo rủi ro vỡ nợ vượt trội. Kết quả nghiên cứu cung cấp cơ sở khoa học và thực tiễn giúp các ngân hàng thương mại tối ưu hóa hệ thống xếp hạng tín dụng nội bộ, sàng lọc khách hàng hiệu quả và nâng cao an toàn vốn theo chuẩn mực Basel II.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING STATE BANK OF VIETNAM BANKING UNIVERSITY OF HO CHI MINH CITY -----oOo----- NGUYEN DIEU LINH PREDICTING THE PROBABILITY OF DEFAULT FOR SMALL AND MEDIUM ENTERPRISES BASED ON FINANCIAL INDICATORS GRADUATION THESIS MAJOR: FINANCE & BANKING CODE: 7340201 HO CHI MINH CITY, 2021 MINISTRY OF EDUCATION AND TRAINING STATE BANK OF VIETNAM BANKING UNIVERSITY OF HO CHI MINH CITY NGUYEN DIEU LINH PREDICTING THE PROBABILITY OF DEFAULT FOR SMALL AND MEDIUM ENTERPRISES BASED ON FINANCIAL INDICATORS GRADUATION THESIS MAJOR: FINANCE & BANKING CODE: 7340201 SCIENCE INSTRUCTOR Ph. NGUYEN MINH NHAT HO CHI MINH CITY, 2021 i ABSTRACT The internal credit rating system always plays an important role at commercial banks in assessing customers' credit risk and assisting the bank in making credit decisions as well as in management activities, risk treatment at the bank. At the same time, the Government has been building a legal framework for the credit rating to improve information transparency and support for banks to control credit risk from the beginning as well as support the stock market, the bond market to promote capital mobilization through the stock market, protect the rights and interests of investors. Researching and selecting suitable rating models will significantly contribute to the development of credit rating activities in Vietnam.

However, the current models for predicting default probability have certain limitations and are being debated, inconsistency about these models' reliability, which leads to difficulty in choosing the model is suitable to predict the probability of default of the business. Besides, determining which financial ratios affect the ranking results is always the goal, which needs to be studied in default prediction research. Up to now, there are still not many studies published in Vietnam on selecting models to forecast the probability of default of enterprises based on financial indicators. Therefore, the thesis focuses on the issue of "Predicting the probability of default for Small and Medium Enterprise based on financial indicators" to provide commercial banks systematically a theoretical basis and empirical evidence related to the selection of an appropriate business bankruptcy prediction model to contribute to improving the efficiency in credit risk management of the bank in the future.

Based on the importance and necessity, the objective of this study is to: (i) determine the criteria of an appropriate forecasting model; (ii) how to choose a model capable of predicting the default probability of Small and Medium Enterprises (SMEs) at Vietnamese commercial banks based on financial indicators. The results obtained from this study aim to provide additional quantitative scientific evidence to answer which predictive model gives the best results in predicting the probability of default of medium firms and small in Vietnamese commercial banks; (iii) The most important ii contribution of this study is to develop a basic idea in the use of financial indicators to forecast the default probability of SMEs, thereby contributing to improving efficiency results in the credit risk control of commercial banks in Vietnam in the coming time. SMEs play a major role in most economies, particularly in developing countries. SMEs account for the majority of businesses worldwide and are important contributors to job creation and global economic development.

Micro, small and medium enterprises, commonly known as small and medium enterprises, are small- sized enterprises in terms of capital, labor or turnover. Small and medium enterprises can be divided into three categories based on their size: micro enterprises, small enterprises and medium enterprises. According to the World Bank Group's criteria, a micro enterprise is an enterprise with a number of employees less than 10 people; a small enterprise with a number of employees from 10 to less than 200 people and a capital of 20 billion or less; medium enterprises have from 200 to 300 employees with capital of 20 to 100 billion. Probability of default is an important component applied in many credit risk analysis and risk management activities.

According to Basel II, it is a key parameter used in calculating the level of economic capital capable of absorbing risks at credit institutions. PD is one of the most useful ratios for classifying borrowers. All banks, whether using standard or other advanced methods must provide supervisors with an internal estimate of the PD relative to the borrower to the extent of the score. The ranking result based on PD is considered relatively accurate as it is calculated on the firm's actual financial ratios and can practically reflect the business's state.

PD can effectively reduce credit risk if fully considered. Through a review of domestic and foreign studies shows that financial institutions can apply many different credit rating models to predict the default probability of enterprises. These predictive models can be polynomial models, logit models, probit models, artificial neural network models. Besides, these ranking models use inputs or different financial indicators to forecast the bankruptcy of a business.

Financial ratios are commonly used as short-term solvency, rate of return/total assets, total iii liabilities/total assets. However, with data sets built in different periods, the conclusions about choosing the appropriate credit rating model and financial indicators affecting the probability of default in the researchers are different, as well as the application in Research to predict the possibility of default of SMEs customers in Vietnam according to the author which is a new point. Through the analysis, comparison and synthesis of the above studies and related issues, the author has pointed out some research gaps, proposing the proposed research model and expected method for the topic. To accomplish the research objectives, the author implemented through 04 stages according to the following steps: Stage one is collect and process data; The second phase select the input variables of the model; The third stage run the regression on selected credit rating models (the logit model, the probit model, the complementary log-log model); The last stage use the Confusion matrix and F1 - Score to evaluate each model's regression results.

On that basis, select an appropriate credit rating model and has the ability to predict well the probability of default of customers. The study was conducted based on the data, which are taken from the annual financial statements of approximately 400 companies from 2017 to 2019. These financial statements have been audited to ensure the quality of the information source. Out of 400 businesses, there are 31 businesses in the field of consumer goods trading; 35 enterprises in the petroleum business sector; 39 businesses in the automotive business; 40 enterprises in the construction and installation industry; 43 enterprises in the pharmaceutical industry and medical equipment; 45 enterprises in the textile and garment industry; 47 enterprises in the fisheries sector (fish, shrimp, clam,.); 54 businesses in the iron and steel industry and 66 businesses in the agricultural sector (rice, coffee, pepper,.

Based on the studies, the author selected 14 financial indicators as independent variables for the credit rating models in the research paper. Through analyzing the regression results from parametric models, and based on criteria calculated from the confusion matrix (Accuracy, Sensitivity, Specificity, Precision, F1 - Score) to compare and evaluate the ability to predict default iv probability of each model. Thereby finding a suitable model to predict the default probability of enterprises. The final result of the research shows that there are 5/14 variables play an important role in predicting the default probability of customers, these are Income before tax/Total assets, Total liabilities/Total assets, Earnings before tax, interest and amortization/Long-term debt, Average cost of goods sold/Inventory and Total revenue/Total assets.

Through the research results, commercial banks can evaluate and select customers in practice to minimize the risk that customers cannot repay their loans. From the research results, the author proposes some suggestions for commercial banks on the development of the internal credit rating system in the coming time. The thesis has found a model to predict the solvency (default probability) of SMEs customers at commercial banks in Vietnam. The model can help stabilize credit quality, minimize arising bad debts.

Customers with a qualified credit rating (rated A or higher) combined with the results of measuring the good repayment capacity according to the model will have a low probability of incurring bad debt, according to which credit risk for this group of customers is small. The model can be seen as a supporting tool for commercial banks in credit granting, assuring credit quality, and facilitating an efficient, safe, and sustainable expansion and growth. From there, it can help banks select and maintain a good customer structure, promote marketing strategies towards low-risk customers and develop a network of reputable customers, ensuring debt repayment. The model results are the basis for commercial banks to orient credit shrinking to weak customers (high probability of default) and effective credit growth for well- performing customers (low probability of bankruptcy).

Simultaneously, building a credit policy suitable for each type of customer in terms of credit terms, interest rates, fees, requirements for security measures…to ensure safety in operation. On the other hand, information to measure the solvency and the results of the model also reflects many problems related to the business performance of the business and v the field - production and business sector. As a result, the model becomes a source of information for future credit policy analysis, assessment, forecast and administration. vi DECLARATION This thesis is the author’s own research, the research results are truthful, in which there is no previously published content, or the content made by others except the full citations cited in the thesis.

The author Nguyen Dieu Linh vii ACKNOWLEDGEMENTS First of all, I would like to express my sincere thanks and express my deep ratitude to the teachers of Banking University of Ho Chi Minh City for their enthusiastic teaching, as well as consolidating the solid foundation knowledge, helping me successfully complete the university curriculum. In particularly, I would like to express my sincere thanks to Mr. Nguyen Minh Nhat for giving me the detailed guidance and wholehearted assistance in completing the graduation thesis. Without his thoughtful support, it would be difficult for me to complete this thesis well.

Due to my limited practical experience, the content of the graduation thesis cannot avoid some shortcomings, I am looking forward to receiving further advice from teachers to learn more experiences. I believe these experiences are extremely valuable so that I can develop myself well in the future. I sincerely thank you! viii TABLE OF CONTENTS ABSTRACT.i LIST OF ABBREVIATIONS.x LIST OF FIGURES.x LIST OF TABLES. xi CHAPTER 1: INTRODUCTION.

The urgency of the research. The Structure of Research.7 CHAPTER 2: LITERATURE REVIEW. Small And Medium Enterprises (SMEs). Probability Of Default (PD).

Overview of probability of default models. probability of default models. The difference between Logit model, Probit model and Complementary log-log model. Related studies in Vietnam.

The other related studies.24 CHAPTER 3: DATA AND METHODOLOGY OF RESEARCH. Data collection and processing. Selection of input variables in the default prediction model. Models for predict the probability of default.

Complementary Log-Log Model. The evaluation criteria of default prediction models.39 CHAPTER 4: EMPIRICAL RESULTS. Descriptive statistics results. Regression results of parametric models.44 CHAPTER 5: CONCLUSION AND RECOMMENDATION.

Applying the model to forecast probability of default of SMEs customers at commercial banks in Vietnam. Tools to assist in identifying groups of potential customers. The model results are the basis of credit policy orientation. Applying the model results to improve the efficiency of credit risk management in commercial banks.

Suggest using the model to forecast the probability of default at Credit Rating Agencies in Vietnam. Limitation of the topic and future research direction. Future research direction. x LIST OF ABBREVIATIONS SMEs Small and Medium Enterprises ANN Artificial Neural Networks UK United Kingdom MDA Multiple Discriminant Analysis APV Present Value Method LIST OF FIGURES Figure Name of Table Page 1.1 Forecast Bankruptcy Rate in 2021 compared to 2019 2 2.1 4 popular groups of financial indicators 14 xi LIST OF TABLES Table Name of Table Page 2.1 Review models to predict the probability of default 15 The difference between Logit model, Probit model and 2.