Bối cảnh và vấn đề nghiên cứu

Trong nền kinh tế thị trường, hoạt động tín dụng ngân hàng đóng vai trò là kênh dẫn vốn chủ đạo cho các doanh nghiệp, đặc biệt tại các quốc gia có thị trường tài chính đang phát triển như Việt Nam. Tuy nhiên, sự tăng trưởng tín dụng quá nóng trong một số giai đoạn đã dẫn đến sự suy giảm chất lượng kiểm soát tín dụng, kéo theo rủi ro nợ xấu tăng cao, làm suy giảm lợi nhuận và đe dọa thanh khoản của hệ thống ngân hàng thương mại. Báo cáo của World Bank (2014) từng chỉ ra rằng Việt Nam có tỷ lệ nợ xấu thuộc nhóm cao tại khu vực Đông Nam Á. Điều này đặt ra yêu cầu cấp thiết về việc nâng cao năng lực quản trị rủi ro tín dụng theo chuẩn mực quốc tế Basel II, cụ thể là phương pháp tiếp cận dựa trên xếp hạng nội bộ (Internal Ratings-Based Approach - IRB), vốn chưa được triển khai toàn diện tại nhiều ngân hàng trong nước.

Bên cạnh đó, sự bùng nổ của mảng dịch vụ tài chính bán lẻ tại Việt Nam với tốc độ tăng trưởng tài sản bán lẻ dự báo đạt 29% (Wang và Kapfer, 2017) đòi hỏi một lượng lớn nhân lực thẩm định hồ sơ vay vốn. Việc xây dựng hệ thống chấm điểm và xếp hạng tín dụng tự động giúp tối ưu hóa thời gian, chi phí và nâng cao tính chính xác trong việc ra quyết định cấp tín dụng. Trong các ngành kinh tế, xây dựng là lĩnh vực có quy mô lớn nhưng chịu nhiều biến động chu kỳ và tiềm ẩn rủi ro tài chính cao. Xuất phát từ thực tiễn trên, tác giả Trịnh Thanh Đạt đã thực hiện khóa luận tốt nghiệp với đề tài "Applying logistic model to predict the probability of default for construction enterprises in Vietnam from 2014 to 2016" (Ứng dụng mô hình logistic để dự đoán xác suất vỡ nợ cho các doanh nghiệp xây dựng tại Việt Nam giai đoạn 2014 - 2016).

Mục tiêu và câu hỏi nghiên cứu của khóa luận được xác định cụ thể:

  1. Mục tiêu nghiên cứu: Xây dựng mô hình định lượng dự đoán xác suất vỡ nợ (Probability of Default - PD) cho các doanh nghiệp xây dựng niêm yết tại Việt Nam, từ đó cung cấp công cụ cảnh báo sớm rủi ro cho các ngân hàng thương mại và gợi ý các hàm ý chính sách nhằm nâng cao chất lượng tín dụng.
  2. Câu hỏi nghiên cứu: Những yếu tố tài chính nào tác động có ý nghĩa thống kê đến xác suất vỡ nợ (PD) của các doanh nghiệp xây dựng tại Việt Nam trong giai đoạn 2014 - 2016?

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Xác suất vỡ nợ và các chỉ số tài chính của các doanh nghiệp xây dựng niêm yết trên thị trường chứng khoán Việt Nam.
  • Phạm vi không gian: Các doanh nghiệp ngành xây dựng niêm yết trên Sở Giao dịch Chứng khoán Hà Nội (HNX), Sở Giao dịch Chứng khoán TP.HCM (HOSE) và sàn UPCoM.
  • Phạm vi thời gian: Dữ liệu báo cáo tài chính giai đoạn 2014 - 2016 thu thập từ các cổng thông tin tài chính (cophieu68.vn và cafef.vn).

Cơ sở lý thuyết và phương pháp

Khóa luận dựa trên khung lý thuyết về quản trị rủi ro tín dụng theo Hiệp ước Basel II và các mô hình lượng kinh tế vi mô phân loại nhị phân.

Khung lý thuyết và khái niệm cốt lõi

  • Định nghĩa vỡ nợ (Default): Tác giả tổng hợp ba góc độ định nghĩa vỡ nợ theo Servigny và Renault (2004) gồm định nghĩa thị trường (quá hạn thanh toán gốc/lãi), định nghĩa Basel II (quá hạn trên 90 ngày hoặc bị trích lập dự phòng/đánh giá chủ quan từ ngân hàng), và định nghĩa pháp lý (phá sản). Do dữ liệu nợ xấu thực tế của doanh nghiệp Việt Nam khó tiếp cận đầy đủ, tác giả áp dụng khái niệm "vỡ nợ kỹ thuật" (Technical default - Langohr, 2015). Theo đó, một doanh nghiệp bị xác định là rơi vào trạng thái vỡ nợ kỹ thuật (near-default) nếu trong cùng một năm có ít nhất 2 trên 3 chỉ tiêu sau mang giá trị âm:
    1. Lợi nhuận thuần từ hoạt động kinh doanh (Operating Income or Losses).
    2. Vốn chủ sở hữu (Total Equity).
    3. Dòng tiền thuần từ hoạt động kinh doanh (Cash From Operations).
  • Đo lường tổn thất tín dụng:
    • Tổn thất kỳ vọng: $\text{EL} = \text{PD} \times \text{EAD} \times \text{LGD}$.
    • Tổn thất ngoài kỳ vọng: $\text{UL} = \sqrt{\text{PD}(1 - \text{PD})} \times \text{EAD} \times \text{LGD}$ (trong trường hợp đơn giản hóa phương sai của EAD và LGD bằng 0).
  • Tổng quan các nghiên cứu tiền nghiệm: Khóa luận phân tích các mô hình dự báo phá sản kinh điển gồm phân tích phân biệt đơn biến của Beaver (1966), mô hình Z-score của Altman (1968), mô hình phân tích phân biệt đa biến (MDA) của Deakin (1972), mô hình hồi quy Logit đa biến của Ohlson (1980), mô hình Logit đa thức của Lau (1987), mô hình Logit đánh giá rủi ro 5 năm của Zavgren (1985), nghiên cứu của Memić (2015) tại Bosnia & Herzegovina, và các công trình tại Việt Nam của Nguyễn (2004), Trần (2003), Trầm (2002).

Phương pháp nghiên cứu và xử lý dữ liệu

  • Mô hình định lượng: Tác giả sử dụng ba mô hình hồi quy thuộc họ phân phối nhị thức (Binomial family) để ước lượng và so sánh hiệu quả dự báo:
    • Mô hình Logit (Logistic regression).
    • Mô hình Probit.
    • Mô hình Log-Log bù (Complementary Log-Log / C-Log-Log). Phương pháp ước lượng được áp dụng là phương pháp hợp lý cực đại (Maximum Likelihood Estimation - MLE) thực hiện trên ngôn ngữ lập trình R.
  • Quy trình xử lý dữ liệu:
    • Loại bỏ các báo cáo tài chính có chu kỳ kế toán dưới 12 tháng hoặc dữ liệu trùng lặp.
    • Xử lý dữ liệu khuyết thiếu (Missing data) bằng giá trị trung bình (Mean).
    • Xử lý giá trị ngoại lai (Outliers) bằng kỹ thuật phân vị (Quantile), thay thế các điểm dữ liệu cực trị ngoài biên bằng giá trị tại phân vị 1% và 99%.
    • Chia tập dữ liệu thành: Tập huấn luyện (train_set gồm báo cáo tài chính năm 2014 và trạng thái năm 2015 để ước lượng mô hình) và Tập kiểm định (test_set gồm báo cáo tài chính năm 2015 và trạng thái thực tế năm 2016 để đánh giá khả năng dự báo).
  • Bộ chỉ số tài chính lựa chọn (12 biến độc lập thuộc 6 nhóm rủi ro):
    • Nhóm đòn bẩy (Leverage): $X_1$ (Tổng nợ phải trả / Tổng tài sản), $X_2$ (Vốn chủ sở hữu / Tổng tài sản), $X_3$ (Nợ ngắn hạn / Tổng tài sản).
    • Nhóm thanh khoản (Liquidity): $X_4$ (Tài sản ngắn hạn / Nợ ngắn hạn).
    • Nhóm hoạt động (Activity): $X_5$ (Phải thu khách hàng / Doanh thu thuần), $X_6$ (Phải trả người bán / Doanh thu thuần).
    • Nhóm vòng quay (Turnover): $X_7$ (Doanh thu thuần / Tổng tài sản).
    • Nhóm sinh lời (Profitability): $X_8$ (EBIT / Tổng tài sản), $X_9$ (ROE / ROS).
    • Nhóm quy mô (Size): $X_{10}$ (Tổng tài sản).
    • Nhóm tăng trưởng (Growth): $X_{11}$ (Doanh thu thuần năm nay / Doanh thu thuần năm trước), $X_{12}$ (Tổng nợ phải trả năm nay / Tổng nợ phải trả năm trước).
  • Công cụ đánh giá mô hình: Ma trận nhầm lẫn (Confusion Matrix: TP, TN, FP, FN), Độ chính xác (Accuracy), Độ nhạy (Sensitivity), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision), Điểm F1 (F1-score) và Đường cong đặc tính hoạt động máy thu (ROC curve) cùng Diện tích dưới đường cong (AUC).

Nội dung chính theo từng chương

Chapter 1: Overview

Chương 1 trình bày tính cấp thiết của việc kiểm soát rủi ro tín dụng tại các ngân hàng thương mại Việt Nam trong bối cảnh tỷ lệ nợ xấu ở mức cao và xu hướng mở rộng dịch vụ ngân hàng bán lẻ. Tác giả xác định đối tượng nghiên cứu là các doanh nghiệp xây dựng niêm yết trên thị trường chứng khoán Việt Nam giai đoạn 2014 - 2016, thiết lập câu hỏi nghiên cứu, phương pháp tiếp cận định lượng bằng mô hình Logistic trên phần mềm R, và cấu trúc 5 chương của khóa luận.

Chapter 2: Literature Review and Theoretical Foundations

Chương 2 tổng hợp cơ sở lý luận về rủi ro tín dụng, xác suất vỡ nợ (PD) theo chuẩn mực Basel II và cấu trúc ba trụ cột giám sát. Tác giả phân tích các phương pháp đo lường thành phần tổn thất tín dụng ($EL, UL, EAD, LGD$) và khảo cứu các công trình nghiên cứu định lượng dự báo phá sản từ mô hình Z-score của Altman (1968) đến các mô hình hồi quy Logit của Ohlson (1980), Zavgren (1985), Memić (2015). Đồng thời, chương này giới thiệu chi tiết cơ sở toán học của ba hàm liên kết (Logit, Probit, C-Log-Log) và các công cụ kiểm định hiệu năng mô hình phân loại nhị phân.

Chapter 3: Model Establishment

Chương 3 mô tả chi tiết quy trình thu thập dữ liệu từ 127 doanh nghiệp xây dựng niêm yết (tương ứng 140 quan sát công ty-năm cho mỗi năm từ 2014 đến 2016). Tác giả thiết lập tiêu chuẩn xác định biến phụ thuộc nhị phân dựa trên 3 tiêu chí dòng tiền, vốn chủ sở hữu và lợi nhuận hoạt động. Quy trình làm sạch dữ liệu được thực hiện chặt chẽ thông qua xử lý khuyết thiếu và cắt biên ngoại lai tại phân vị 1% - 99%. 12 tỷ số tài chính đại diện cho 6 nhóm yếu tố rủi ro được tính toán và đưa vào thiết lập phương trình hồi quy trên tập train_set, sau đó áp dụng vào tập test_set cùng kỹ thuật lựa chọn ngưỡng cắt (cutoff value) bằng vòng lặp trong R.

Năm quan sát Doanh nghiệp vỡ nợ kỹ thuật (1) Doanh nghiệp bình thường (0) Tổng số quan sát
2014 15 125 140
2015 24 116 140
2016 19 121 140

Chapter 4: Validating Model’s Performance and Evaluating Results

Chương 4 trình bày thống kê mô tả, ma trận tương quan giữa các biến và kết quả ước lượng của ba mô hình hồi quy. Ma trận tương quan xác nhận không có cặp biến nào có hệ số tương quan vượt quá 0,8, loại trừ hiện tượng đa cộng tuyến nghiêm trọng.

Kết quả hồi quy trên tập dữ liệu huấn luyện cho thấy:

  • Mô hình Logit: Giá trị AIC đạt 78,716; độ lệch dư (Residual Deviance) là 52,716 trên 127 bậc tự do (Null Deviance là 128,280 trên 139 bậc tự do). Các biến có ý nghĩa thống kê gồm: $X_4$ (Tài sản ngắn hạn/Nợ ngắn hạn, $p = 0{,}09$), $X_6$ (Phải trả người bán/Doanh thu thuần, $p = 0{,}09$), $X_7$ (Doanh thu thuần/Tổng tài sản, $p = 0{,}006$) và $X_8$ (EBIT/Tổng tài sản, $p = 0{,}006$).
  • Mô hình Probit: Giá trị AIC đạt 78,519; độ lệch dư đạt 52,519. Các biến có ý nghĩa thống kê gồm $X_4$ ($p = 0{,}034$), $X_6$ ($p = 0{,}09$), $X_7$ ($p = 0{,}004$) và $X_8$ ($p = 0{,}004$).
  • Mô hình C-Log-Log: Giá trị AIC đạt 78,519; độ lệch dư đạt 52,412. Các biến có ý nghĩa thống kê gồm $X_4$ ($p = 0{,}069$), $X_6$ ($p = 0{,}069$), $X_7$ ($p = 0{,}003$) và $X_8$ ($p = 0{,}003$).

Đánh giá ma trận nhầm lẫn trên tập kiểm định năm 2016 tại ngưỡng cắt $\text{cutoff} = 0{,}01$ cho thấy cả ba mô hình đều đạt Độ nhạy (Sensitivity) là 63,2% (dự báo đúng 12/19 trường hợp vỡ nợ thực tế).

Chapter 5: Conclusions

Chương 5 đúc kết các phát hiện thực nghiệm, khẳng định khả năng ứng dụng của mô hình hồi quy nhị phân trong việc phân loại và cảnh báo sớm rủi ro vỡ nợ cho doanh nghiệp xây dựng. Từ kết quả nghiên cứu, tác giả đề xuất các giải pháp nâng cao hiệu quả quản trị tín dụng cho ngân hàng thương mại, đồng thời chỉ ra các hạn chế về dữ liệu và đề xuất định hướng nghiên cứu mở rộng trong tương lai.

Kết quả và đóng góp

Kết quả định lượng chính

Cả ba mô hình hồi quy (Logit, Probit, C-Log-Log) đều xác định được 4 biến tài chính có ý nghĩa thống kê tác động đến xác suất vỡ nợ của các doanh nghiệp xây dựng:

  1. $X_8$ (EBIT / Tổng tài sản): Mang hệ số âm có ý nghĩa thống kê cao nhất ($p < 0{,}01$ ở cả 3 mô hình; hệ số Logit: $-23{,}51$). Khả năng sinh lời từ hoạt động kinh doanh cốt lõi càng cao thì xác suất vỡ nợ của doanh nghiệp càng thấp.
  2. $X_7$ (Doanh thu thuần / Tổng tài sản): Mang hệ số âm có ý nghĩa thống kê ở mức 1% (hệ số Logit: $-5{,}004$). Hiệu quả sử dụng tài sản tạo ra doanh thu giúp giảm thiểu nguy cơ rơi vào trạng thái vỡ nợ.
  3. $X_6$ (Phải trả người bán / Doanh thu thuần): Mang hệ số dương có ý nghĩa thống kê ở mức 10% (hệ số Logit: $+1{,}09$). Tỷ lệ nợ chiếm dụng từ nhà cung cấp quá lớn so với quy mô doanh thu làm gia tăng áp lực trả nợ ngắn hạn và đẩy cao rủi ro vỡ nợ.
  4. $X_4$ (Tài sản ngắn hạn / Nợ ngắn hạn): Có ý nghĩa thống kê nhưng mang hệ số dương (hệ số Logit: $+1{,}06$), ngược với dấu kỳ vọng ban đầu. Tác giả lý giải điều này phản ánh đặc thù ngành xây dựng khi tài sản ngắn hạn chủ yếu tồn tại dưới dạng hàng tồn kho dở dang và chi phí xây dựng dở dang khó chuyển hóa thành tiền mặt ngay, tạo ra thanh khoản ảo nhưng thực tế làm tăng nguy cơ tắc nghẽn dòng tiền.
Chỉ tiêu thống kê / Đánh giá Mô hình Logit Mô hình Probit Mô hình C-Log-Log
AIC 78,716 78,519 78,519
Residual Deviance 52,716 52,519 52,412
Biến có ý nghĩa ($p < 0{,}01$) $X_7, X_8$ $X_7, X_8$ $X_7, X_8$
Biến có ý nghĩa ($p < 0{,}05$) - $X_4$ -
Biến có ý nghĩa ($p < 0{,}10$) $X_4, X_6$ $X_6$ $X_4, X_6$
Dự báo đúng ca vỡ nợ (TP) tại cutoff 0,01 12 12 12
Bỏ sót ca vỡ nợ (FN) tại cutoff 0,01 7 7 7
Độ nhạy (Sensitivity) 63,2% 63,2% 63,2%

Đóng góp và hàm ý của nghiên cứu

  • Đóng góp học thuật: Nghiên cứu xây dựng một quy trình định lượng hoàn chỉnh trong việc ứng dụng các mô hình họ phân phối nhị thức (Logit, Probit, C-Log-Log) trên dữ liệu doanh nghiệp xây dựng Việt Nam. Khóa luận cung cấp bằng chứng thực nghiệm về việc so sánh các hàm liên kết nhị phân trong bối cảnh dữ liệu tài chính đặc thù của thị trường cận biên.
  • Hàm ý thực tiễn cho ngân hàng: Mô hình đóng vai trò là công cụ hỗ trợ cán bộ tín dụng rà soát và sàng lọc sơ bộ khách hàng doanh nghiệp xây dựng trước khi giải ngân, đồng thời theo dõi biến động của các chỉ tiêu trọng yếu ($X_8, X_7, X_6, X_4$) để đưa ra cảnh báo sớm.
  • Hàm ý cho doanh nghiệp xây dựng: Cảnh báo ban lãnh đạo doanh nghiệp về rủi ro của việc chiếm dụng vốn nhà cung cấp quá mức ($X_6$) và sự tích tụ tài sản ngắn hạn kém thanh khoản ($X_4$), nhấn mạnh tầm quan trọng của việc duy trì hiệu quả sinh lời trên tài sản ($X_8$).

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số hạn chế gắn liền với điều kiện dữ liệu thực tế:

  1. Tiêu chí xác định vỡ nợ: Do hạn chế trong việc tiếp cận dữ liệu nợ xấu và vỡ nợ chính thức từ hệ thống ngân hàng hoặc Trung tâm Thông tin Tín dụng (CIC), nghiên cứu phải sử dụng định nghĩa "vỡ nợ kỹ thuật" dựa trên các chỉ tiêu báo cáo tài chính thay vì sự kiện phá sản hoặc quá hạn thanh toán thực tế.
  2. Quy mô mẫu và phạm vi thời gian: Nghiên cứu chỉ khảo sát 127 doanh nghiệp xây dựng niêm yết trong khoảng thời gian 3 năm (2014 - 2016), chưa bao quát toàn bộ các doanh nghiệp xây dựng vừa và nhỏ (SMEs) chưa niêm yết.
  3. Biến số vĩ mô và phi tài chính: Mô hình chỉ tập trung vào các tỷ số tài chính kế toán, chưa tích hợp các yếu tố kinh tế vĩ mô (lãi suất, lạm phát, tăng trưởng ngành bất động sản) cũng như các biến định tính (năng lực ban điều hành, lịch sử tín dụng).

Hướng nghiên cứu tiếp theo:

  • Mở rộng phạm vi nghiên cứu sang các ngành nghề khác trong nền kinh tế để kiểm tra tính tổng quát của mô hình.
  • Mở rộng chuỗi thời gian quan sát qua nhiều chu kỳ kinh tế và kết hợp thêm các yếu tố rủi ro vĩ mô.
  • Thử nghiệm các phương pháp học máy nâng cao (như mạng nơ-ron nhân tạo, cây quyết định) để so sánh hiệu năng với mô hình Logistic truyền thống.

Giá trị tham khảo

Khóa luận tốt nghiệp này mang lại giá trị tham khảo thiết thực cho nhiều nhóm đối tượng:

  • Sinh viên và học viên ngành Tài chính - Ngân hàng, Kinh tế học ứng dụng: Tài liệu là tài liệu tham khảo chi tiết về quy trình nghiên cứu định lượng rủi ro tín dụng, từ phương pháp thu thập dữ liệu báo cáo tài chính, kỹ thuật xử lý outlier/missing data trong R đến việc diễn giải kết quả hồi quy nhị phân và đánh giá ma trận nhầm lẫn.
  • Chuyên viên phân tích và quản trị rủi ro tại các ngân hàng thương mại: Cung cấp khung tham chiếu về việc lựa chọn các chỉ số tài chính đặc thù của ngành xây dựng phục vụ cho việc xây dựng hoặc hiệu chỉnh mô hình xếp hạng tín dụng nội bộ theo chuẩn Basel II.
  • Nhà nghiên cứu về thị trường chứng khoán và tài chính doanh nghiệp: Phần khảo cứu tài liệu ở Chương 2 hệ thống hóa đầy đủ các mô hình dự báo phá sản từ cổ điển đến hiện đại, là nguồn tổng quan lý thuyết hữu ích cho các đề tài liên quan.

Câu hỏi thường gặp

1. Khóa luận định nghĩa một doanh nghiệp rơi vào trạng thái "vỡ nợ kỹ thuật" dựa trên những tiêu chí nào?

Do thông tin vỡ nợ thực tế của các công ty tại Việt Nam khó tiếp cận, tác giả áp dụng khái niệm vỡ nợ kỹ thuật theo Langohr (2015). Một doanh nghiệp bị phân loại là vỡ nợ kỹ thuật (gán giá trị 1) nếu trong cùng một năm có ít nhất 2 trong 3 chỉ tiêu tài chính sau mang giá trị âm: (1) Lợi nhuận thuần từ hoạt động kinh doanh (Operating Income/Losses), (2) Vốn chủ sở hữu (Total Equity), và (3) Dòng tiền thuần từ hoạt động kinh doanh (Cash From Operations).

2. Dữ liệu nghiên cứu được thu thập từ đâu và phân chia tập huấn luyện (train set), tập kiểm định (test set) như thế nào?

Dữ liệu được thu thập từ báo cáo tài chính của 127 công ty xây dựng niêm yết trên HOSE, HNX và UPCoM từ năm 2014 đến 2016 thông qua các trang web cophieu68.vn và cafef.vn (tương đương 140 quan sát công ty-năm mỗi năm sau khi làm sạch). Tác giả chia dữ liệu thành hai tập:

  • Tập huấn luyện (train_set): Sử dụng các tỷ số tài chính năm 2014 để ước lượng trạng thái vỡ nợ của doanh nghiệp trong năm 2015.
  • Tập kiểm định (test_set): Sử dụng các tỷ số tài chính năm 2015 để dự báo trạng thái vỡ nợ trong năm 2016 và so sánh với kết quả thực tế.

3. Những biến tài chính nào có ý nghĩa thống kê trong việc dự đoán xác suất vỡ nợ ở cả ba mô hình?

Cả ba mô hình (Logit, Probit, C-Log-Log) đều chỉ ra 4 biến có ý nghĩa thống kê:

  • $X_8$ (EBIT / Tổng tài sản): Ý nghĩa ở mức 1% ($p = 0{,}006$ trong Logit), hệ số âm thể hiện năng lực sinh lời làm giảm xác suất vỡ nợ.
  • $X_7$ (Doanh thu thuần / Tổng tài sản): Ý nghĩa ở mức 1% ($p = 0{,}006$ trong Logit), hệ số âm thể hiện hiệu quả quay vòng tài sản làm giảm rủi ro vỡ nợ.
  • $X_6$ (Phải trả người bán / Doanh thu thuần): Ý nghĩa ở mức 10% ($p = 0{,}09$ trong Logit), hệ số dương thể hiện áp lực chiếm dụng vốn nhà cung cấp làm tăng rủi ro vỡ nợ.
  • $X_4$ (Tài sản ngắn hạn / Nợ ngắn hạn): Ý nghĩa ở mức 10% trong Logit ($p = 0{,}09$) và 5% trong Probit ($p = 0{,}034$), mang hệ số dương phản ánh tài sản ngắn hạn kém thanh khoản (hàng tồn kho, dở dang) làm gia tăng rủi ro thanh khoản thực tế trong ngành xây dựng.

4. Tại sao biến tỷ số thanh toán hiện hành ($X_4$) lại mang hệ số dương, trái với kỳ vọng lý thuyết ban đầu?

Theo lý thuyết thông thường, khả năng thanh toán hiện hành cao sẽ giúp giảm rủi ro vỡ nợ. Tuy nhiên, trong mô hình thực nghiệm của khóa luận, biến $X_4$ nhận hệ số dương ($+1{,}06$ trong mô hình Logit). Điều này được giải thích bởi đặc thù ngành xây dựng tại Việt Nam: phần lớn tài sản ngắn hạn nằm ở các khoản chi phí sản xuất kinh doanh dở dang và tồn kho dự án chậm luân chuyển. Việc ghi nhận giá trị tài sản ngắn hạn lớn trên sổ sách tạo ra mức thanh khoản danh nghĩa cao nhưng không thể chuyển đổi nhanh thành tiền mặt để trả nợ đến hạn, dẫn đến rủi ro vỡ nợ kỹ thuật thực tế lại tăng lên.

5. Tác giả đã sử dụng kỹ thuật nào trên phần mềm R để xử lý giá trị khuyết thiếu và giá trị ngoại lai?

  • Xử lý dữ liệu khuyết thiếu (Missing values): Loại bỏ các trường hợp thiếu quá nhiều dữ liệu; với các biến thiếu cục bộ từng năm, tác giả sử dụng giá trị trung bình (hàm mean trong R) của các năm liền kề hoặc giá trị trung bình mẫu để thay thế.
  • Xử lý giá trị ngoại lai (Outliers): Tác giả sử dụng hàm quantile trong R để thực hiện phương pháp Winsorization/cắt biên phân vị, thay thế các giá trị cực trị vượt ra ngoài bằng giá trị tại phân vị thứ 1% (1st percentile) và phân vị thứ 99% (99th percentile) của từng tỷ số tài chính.

Kết luận

Khóa luận tốt nghiệp của tác giả Trịnh Thanh Đạt đã xây dựng và kiểm định thành công mô hình định lượng dự đoán xác suất vỡ nợ (PD) cho các doanh nghiệp ngành xây dựng niêm yết tại Việt Nam giai đoạn 2014 - 2016 dựa trên hồi quy Logit, Probit và C-Log-Log. Kết quả thực nghiệm khẳng định tỷ suất sinh lời trên tài sản ($X_8$), vòng quay tổng tài sản ($X_7$), tỷ lệ phải trả người bán ($X_6$) và tỷ số thanh toán ngắn hạn ($X_4$) là các chỉ báo tài chính quan trọng nhất chi phối rủi ro vỡ nợ kỹ thuật của nhóm doanh nghiệp này. Công trình không chỉ hoàn thành mục tiêu học thuật về so sánh các mô hình phân loại nhị phân mà còn cung cấp một công cụ thực hành hữu ích cho công tác thẩm định và quản trị rủi ro tín dụng tại các ngân hàng thương mại Việt Nam.