Luận văn dự báo rủi ro vỡ nợ doanh nghiệp phi tài chính bằng học máy

Luận văn nghiên cứu dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam bằng các mô hình học máy hiện đại, nâng cao độ chính xác.

• Tác giả: Trần Thị Minh Thư
• Người hướng dẫn: PGS. Nguyễn Minh Hải
• Trường học: Trường Đại học Ngân hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính - Ngân hàng
• Đề tài: Dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam bằng các mô hình học máy
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2025
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan dự báo rủi ro vỡ nợ doanh nghiệp phi tài chính

Rủi ro vỡ nợ là nguy cơ doanh nghiệp không thể hoàn thành nghĩa vụ tài chính đúng hạn. Trong bối cảnh kinh tế biến động, việc đánh giá sức khỏe doanh nghiệp phi tài chính tại Việt Nam trở nên cấp thiết. Các doanh nghiệp này đóng vai trò cốt lõi trong chuỗi cung ứng và sản xuất công nghiệp. Khi một doanh nghiệp rơi vào tình trạng kiệt quệ tài chính, hệ thống ngân hàng và thị trường vốn sẽ chịu tổn thất lớn. Luận văn tập trung nghiên cứu cơ chế phát hiện sớm rủi ro này. Nền tảng phân tích dựa trên dữ liệu báo cáo tài chính của các công ty niêm yết. Các phương pháp thống kê cổ điển như mô hình Z-score hay hồi quy Logit từng được sử dụng phổ biến. Tuy nhiên, dữ liệu tài chính hiện đại có tính phi tuyến và phức tạp cao. Các mô hình học máy hiện đại mở ra giải pháp dự báo hiệu quả và chuẩn xác hơn. Việc tiếp cận đề tài này góp phần quan trọng vào việc bảo vệ an toàn cho thị trường tài chính quốc gia.

1.1. Khái niệm và bối cảnh rủi ro vỡ nợ doanh nghiệp

Rủi ro vỡ nợ phản ánh tình trạng mất cân đối dòng tiền nghiêm trọng của tổ chức kinh tế. Doanh nghiệp không đủ khả năng thanh toán nợ gốc hoặc lãi vay đến hạn cho chủ nợ. Tại Việt Nam, nhóm doanh nghiệp phi tài chính bao gồm ngành sản xuất, xây dựng, thương mại và dịch vụ. Những đơn vị này chịu ảnh hưởng trực tiếp từ chu kỳ kinh tế, lãi suất và biến động thị trường. Sự suy giảm doanh thu kéo dài dễ dẫn đến kiệt quệ tài chính. Đánh giá đúng rủi ro giúp nhà đầu tư và tổ chức tín dụng kiểm soát tổn thất kịp thời. Do đó, việc xây dựng hệ thống cảnh báo sớm đóng vai trò then chốt trong quản trị rủi ro doanh nghiệp.

1.2. Xu hướng ứng dụng học máy trong dự báo tài chính

Học máy là nhánh công nghệ xử lý dữ liệu lớn thông qua các thuật toán tự học. Trong lĩnh vực tài chính ngân hàng, học máy tạo ra bước đột phá về độ chính xác dự báo. Các thuật toán có khả năng phân tích mối quan hệ phi tuyến phức tạp giữa các chỉ tiêu tài chính. Khác với phương pháp truyền thống, học máy không đòi hỏi các giả định phân phối chuẩn ngặt nghèo. Mô hình tự động khai thác mẫu hình tiềm ẩn từ dữ liệu quá khứ. Khả năng dự báo trước nguy cơ vỡ nợ từ một đến ba năm được cải thiện rõ rệt. Nhờ đó, việc ứng dụng học máy đang trở thành xu hướng tất yếu trong phân tích định lượng.

II. Thực trạng và thách thức dự báo rủi ro vỡ nợ doanh nghiệp

Dữ liệu tài chính của doanh nghiệp phi tài chính tại Việt Nam tồn tại nhiều đặc thù phức tạp. Thực tế ghi nhận số lượng doanh nghiệp vỡ nợ chiếm tỷ lệ rất nhỏ so với toàn bộ thị trường. Hiện tượng mất cân bằng dữ liệu nghiêm trọng này khiến các mô hình phân loại dễ bị sai lệch kết quả. Nếu không xử lý chuẩn xác, mô hình sẽ có xu hướng dự đoán toàn bộ doanh nghiệp ở trạng thái an toàn. Điều này làm bỏ sót những trường hợp suy kiệt tài chính nguy hiểm. Bên cạnh đó, chất lượng thông tin kế toán giữa các doanh nghiệp niêm yết chưa hoàn toàn đồng đều. Nhiều chỉ số tài chính có độ trễ hoặc bị ảnh hưởng bởi kỹ thuật làm đẹp báo cáo. Mối quan hệ giữa các biến số tài chính như thanh khoản, đòn bẩy và khả năng sinh lời mang tính phi tuyến tính cao. Các mô hình thống kê tuyến tính truyền thống khó nắm bắt trọn vẹn những rủi ro tiềm ẩn này. Việc nhận diện đúng các thách thức là nền tảng để xây dựng giải pháp dự báo hiệu quả.

2.1. Thách thức mất cân bằng dữ liệu tài chính thực tế

Tỷ lệ công ty phá sản hoặc mất khả năng thanh toán tại Việt Nam thường dưới mức 5% tổng mẫu. Dữ liệu mất cân bằng gây khó khăn lớn cho các thuật toán học máy tiêu chuẩn. Thuật toán có thể đạt độ chính xác tổng thể cao nhưng lại thất bại trong việc nhận diện đúng doanh nghiệp vỡ nợ. Sai lầm loại hai này mang lại tổn thất tài chính cực kỳ nghiêm trọng cho ngân hàng và nhà đầu tư. Vì vậy, việc áp dụng các kỹ thuật cân bằng mẫu như SMOTE hoặc điều chỉnh trọng số lớp là bắt buộc. Khâu tiền xử lý dữ liệu quyết định trực tiếp đến độ tin cậy của toàn bộ mô hình.

2.2. Hạn chế của các mô hình đánh giá rủi ro truyền thống

Các mô hình truyền thống như Altman Z-score hay Hồi quy Logistic dựa trên các giả định thống kê nghiêm ngặt. Những mô hình này giả định mối quan hệ giữa các tỷ số tài chính là tuyến tính độc lập. Tuy nhiên, môi trường kinh doanh tại Việt Nam vận động không ngừng với nhiều cú sốc vĩ mô bất ngờ. Các rủi ro tài chính thường tác động tương hỗ và tích tụ theo chuỗi. Mô hình truyền thống bộc lộ rõ hạn chế khi xử lý khối lượng dữ liệu đa chiều quy mô lớn. Tỷ lệ dự báo sai lệch tăng cao khi doanh nghiệp gặp khủng hoảng dòng tiền đột ngột. Do đó, yêu cầu đổi mới công cụ dự báo trở nên cấp thiết.

III. Phương pháp xây dựng mô hình học máy dự báo rủi ro vỡ nợ

Quy trình xây dựng mô hình học máy dự báo rủi ro vỡ nợ bao gồm các bước chặt chẽ và khoa học. Bước đầu tiên là thu thập và chuẩn hóa hệ thống chỉ số tài chính của các công ty niêm yết. Các nhóm chỉ số cốt lõi gồm khả năng thanh toán ngắn hạn, tỷ lệ đòn bẩy, hiệu quả hoạt động và tốc độ tăng trưởng. Tiếp theo, dữ liệu được xử lý loại bỏ ngoại lai và khắc phục tình trạng mất cân bằng mẫu. Quá trình phân tích thực nghiệm triển khai hàng loạt thuật toán học máy tiên tiến. Những thuật toán tiêu biểu gồm Cây quyết định, Rừng ngẫu nhiên, XGBoost, Support Vector Machine và Mạng nơ-ron nhân tạo. Hiệu năng của từng mô hình được đánh giá toàn diện qua các thước đo chuẩn xác như AUC-ROC, độ nhạy và F1-score. Kỹ thuật kiểm định chéo K-fold giúp ngăn ngừa hiện tượng quá khớp dữ liệu. Kết quả thực nghiệm xác định mô hình tối ưu nhất cho nhóm doanh nghiệp phi tài chính Việt Nam.

3.1. Lựa chọn hệ thống biến số tài chính đặc trưng

Hệ thống biến số đầu vào đóng vai trò quyết định chất lượng dự báo của mô hình học máy. Nghiên cứu chọn lọc các chỉ số tài chính then chốt phản ánh toàn diện sức khỏe doanh nghiệp. Nhóm chỉ số thanh khoản như CR, QR và WCTA đo lường năng lực chi trả nợ ngắn hạn. Tỷ lệ đòn bẩy tài chính DR phản ánh mức độ phụ thuộc vào vốn vay rủi ro. Các chỉ số sinh lời và hiệu suất hoạt động như ROA, ROE, SRTA thể hiện năng lực sinh dòng tiền. Ngoài ra, tốc độ tăng trưởng doanh thu và lợi nhuận ròng bổ sung thông tin về tiềm năng phát triển. Tập biến số này cung cấp bức tranh tài chính đầy đủ và chuẩn xác.

3.2. Đánh giá và so sánh hiệu năng các thuật toán học máy

Nghiên cứu so sánh hiệu năng giữa nhiều thuật toán học máy để tìm ra mô hình vượt trội nhất. Các thuật toán nhóm học kết hợp như Random Forest và XGBoost cho thấy độ chính xác vượt bậc. Những mô hình này kiểm soát tốt nhiễu dữ liệu và xử lý hiệu quả mối quan hệ phi tuyến phức tạp. Chỉ số diện tích dưới đường cong ROC (AUC-ROC) đạt mức cao vượt trội so với mô hình hồi quy Logit truyền thống. Khả năng phát hiện sớm doanh nghiệp có nguy cơ vỡ nợ trước 1 đến 2 năm đạt độ tin cậy vững chắc. Kết quả khẳng định tính ưu việt của học máy trong phân tích rủi ro tín dụng doanh nghiệp.

IV. Ứng dụng mô hình học máy dự báo rủi ro vỡ nợ tại Việt Nam

Nghiên cứu khẳng định giá trị thực tiễn to lớn của việc ứng dụng học máy vào quản trị rủi ro tài chính. Các mô hình học máy hiện đại không chỉ nâng cao độ chính xác dự báo mà còn giúp nhận diện sớm các dấu hiệu cảnh báo nguy hiểm. Đối với các ngân hàng thương mại, mô hình cung cấp công cụ thẩm định tín dụng tự động và khách quan. Việc phát hiện sớm rủi ro giúp ngân hàng chủ động trích lập dự phòng và tái cơ cấu nợ kịp thời. Đối với các nhà đầu tư trên thị trường chứng khoán, mô hình là cơ sở sàng lọc cổ phiếu và phòng ngừa rủi ro danh mục. Bản thân doanh nghiệp phi tài chính cũng có thể ứng dụng mô hình để tự kiểm tra sức khỏe tài chính định kỳ. Từ đó, ban lãnh đạo chủ động điều chỉnh chiến lược vốn và tối ưu hóa dòng tiền. Việc ứng dụng công nghệ này thúc đẩy sự minh bạch và ổn định bền vững cho toàn thị trường tài chính Việt Nam.

4.1. Giá trị ứng dụng đối với hệ thống ngân hàng thương mại

Ngân hàng thương mại là đối tượng hưởng lợi trực tiếp từ mô hình dự báo học máy. Việc tích hợp mô hình vào quy trình chấm điểm tín dụng giúp rút ngắn thời gian phê duyệt hồ sơ vay. Hệ thống tự động cảnh báo sớm các khoản nợ có nguy cơ chuyển xấu trước nhiều tháng. Nhờ vậy, ngân hàng có thể chủ động thương thảo phương án xử lý nợ hoặc siết chặt tài sản bảo đảm. Độ chính xác cao của mô hình giúp tối ưu hóa chi phí trích lập dự phòng rủi ro. Ngân hàng vừa bảo toàn vốn hiệu quả vừa mở rộng tín dụng an toàn cho các doanh nghiệp lành mạnh.

4.2. Khuyến nghị quản trị tài chính cho doanh nghiệp phi tài chính

Doanh nghiệp phi tài chính cần chủ động thiết lập hệ thống cảnh báo sớm rủi ro nội bộ. Ban điều hành cần thường xuyên theo dõi các chỉ số trọng yếu như đòn bẩy tài chính và thanh khoản tức thời. Doanh nghiệp cần duy trì dòng tiền hoạt động ổn định và tránh lạm dụng nợ vay ngắn hạn để tài trợ tài sản dài hạn. Việc minh bạch hóa báo cáo tài chính giúp doanh nghiệp nâng cao uy tín và dễ dàng tiếp cận nguồn vốn ưu đãi. Ứng dụng các công cụ phân tích hiện đại giúp doanh nghiệp tăng cường sức đề kháng trước các biến động khó lường của thị trường.

Trích đoạn nội dung tài liệu

Đặt vấn đề Sự phát triển mạnh mẽ của công nghệ thông tin và trí tuệ nhân tạo đã mở ra nhiều cơ hội mới trong việc ứng dụng các mô hình học máy vào lĩnh vực tài chính, đặc biệt trong dự báo rủi ro vỡ nợ của doanh nghiệp. Trước đây, các mô hình truyền thống như Z-score do Edward I. Altman phát triển vào năm 1968 với công thức đơn giản dựa trên các chỉ số tài chính đã trở thành một trong những công cụ phổ biến nhất để đánh giá điểm tín dụng và dự báo nguy cơ vỡ nợ. Tiếp nối đó, mô hình Logistic Regression của James A.

Ohlson (1980) cũng được sử dụng rộng rãi để xác định xác suất vỡ nợ dựa trên các yếu tố tài chính. Những mô hình này đã góp phần không nhỏ trong việc đưa ra các quyết định tài chính hợp lý và kịp thời trong nhiều thập kỷ. Tuy nhiên, theo thời gian, các phương pháp truyền thống này bắt đầu bộc lộ những hạn chế rõ rệt, như độ chính xác bị giảm sút khi đối mặt với dữ liệu phức tạp và biến động kinh tế đa chiều. Điều này dẫn đến hiệu quả quản lý rủi ro tài chính không cao, thậm chí có thể khiến doanh nghiệp rơi vào tình trạng phá sản do các quyết định sai lầm.

Bước vào thời đại công nghiệp 4.0, sự xuất hiện của các mô hình học máy như Random Forest, Decision Tree đã tạo nên bước đột phá trong việc xử lý dữ liệu lớn và phức tạp. Những mô hình này không chỉ khắc phục được những điểm yếu của các mô hình truyền thống mà còn có khả năng phát hiện các mẫu phi tuyến tính một cách chính xác, từ đó nâng cao độ tin cậy trong dự báo rủi ro vỡ nợ. Nhờ sức mạnh của trí tuệ nhân tạo, các mô hình học máy đã mở ra một kỷ nguyên mới trong quản lý rủi ro tài chính, giúp doanh nghiệp, nhà đầu tư và ngân hàng có thể chủ động ứng phó với những biến động không ngừng của thị trường. Việc áp dụng rộng rãi các kỹ thuật này trong tương lai hứa hẹn sẽ mang lại lợi ích to lớn, góp phần đảm bảo sự ổn định và phát triển bền vững của nền kinh tế toàn cầu.

Tuy nhiên, các nghiên cứu quốc tế cũng chỉ ra rằng, dù có nhiều ưu điểm, các mô hình học máy vẫn còn những thách thức nhất định như yêu cầu dữ liệu chất lượng cao, tính giải thích còn hạn chế và chi phí triển khai cao. Tại Việt Nam, thực trạng doanh nghiệp đang đối mặt với nhiều khó khăn trong duy trì khả năng thanh toán 3 càng làm nổi bật nhu cầu cấp thiết trong việc nâng cao hiệu quả dự báo rủi ro. Theo báo cáo của Tổng cục Thống kê năm 2024, năm 2023 có tới 89,1 nghìn doanh nghiệp tạm ngừng kinh doanh có thời hạn, tăng 20,7% so với năm trước; 65,5 nghìn doanh nghiệp ngừng hoạt động chờ làm thủ tục giải thể, tăng 28,9%. Những con số này phản ánh rõ thách thức lớn trong quản lý tài chính doanh nghiệp dưới tác động của môi trường kinh tế vĩ mô còn nhiều biến động.

Do đó, việc nghiên cứu và ứng dụng các mô hình học máy trong dự báo rủi ro vỡ nợ, đặc biệt đối với các doanh nghiệp niêm yết trên thị trường chứng khoán Việt Nam, là vô cùng cần thiết. Mục tiêu của nghiên cứu này không chỉ nhằm nâng cao độ chính xác trong dự báo, mà còn hỗ trợ các nhà quản lý tài chính xây dựng các chiến lược phòng ngừa và kiểm soát rủi ro hiệu quả, góp phần ổn định và phát triển bền vững thị trường tài chính trong bối cảnh toàn cầu đầy biến động. Do đó, các doanh nghiệp tại Việt Nam đã và đang gặp rất nhiều khó khăn trong việc đảm bảo khả năng thanh toán nhằm duy trì sự tồn tại ổn định và bền vững trong bối cảnh kinh tế vĩ mô có nhiều bất ổn. Để đạt được mục tiêu này, đòi hỏi các nhà quản trị tài chính doanh nghiệp cần đo lường và đánh giá kỹ lưỡng nguy cơ rơi vào vùng rủi ro và có thể dẫn đến vỡ nợ.

Từ đó, có thể đóng góp vào việc phát triển các giải pháp phòng ngừa và thực hiện các biện pháp kiểm soát rủi ro một cách hiệu quả, phù hợp. Tính cấp thiết của đề tài Sự gia tăng nhanh chóng của các doanh nghiệp phi tài chính đã tạo ra môi trường cạnh tranh khốc liệt, khiến nhiều doanh nghiệp gặp khó khăn trong việc duy trì hoạt động và ổn định tài chính, làm tăng nguy cơ vỡ nợ. Việc dự báo rủi ro vỡ nợ không chỉ giúp doanh nghiệp chủ động hơn trong quản lý tài chính mà còn bảo vệ lợi ích của các nhà đầu tư và các bên liên quan, ví dụ như các bên cấp vốn như ngân hàng Nhà đầu tư, với mục tiêu tối đa hóa lợi nhuận, ngày càng chú trọng hơn đến việc đánh giá hoạt động và khả năng tài chính của doanh nghiệp nhằm tránh tổn thất do vỡ nợ. Do đó các mục tiêu nghiên cứu liên quan đến hiệu quả quản trị doanh nghiệp cũng trở nên cấp thiết hơn.

Sau cuộc khủng hoảng kinh tế toàn cầu năm 2008–2009, rủi ro khủng hoảng tài chính đã trở thành một chủ đề thu hút nhiều sự chú ý của giới 4 nghiên cứu, theo (Shi & Li, 2019). Sự phát triển của công nghệ và dữ liệu lớn đã tạo ra cơ hội cho việc áp dụng các phương pháp phân tích hiện đại trong lĩnh vực tài chính. Các mô hình học máy có khả năng xử lý và phân tích dữ liệu phức tạp, từ đó phát hiện ra những xu hướng và mẫu hình mà phương pháp truyền thống khó có thể nhận diện. Việc áp dụng những công nghệ này vào việc dự báo rủi ro sẽ giúp nâng cao độ chính xác và hiệu quả trong việc đánh giá tình hình tài chính của doanh nghiệp.

Cuối cùng, nghiên cứu về dự báo rủi ro vỡ nợ không chỉ có ý nghĩa cho từng doanh nghiệp mà còn góp phần vào sự ổn định và phát triển bền vững của nền kinh tế Việt Nam. Khi các doanh nghiệp có khả năng quản lý rủi ro tốt hơn, họ sẽ đóng góp tích cực vào sự phát triển kinh tế chung, tạo ra nhiều cơ hội việc làm và nâng cao đời sống cho người dân. Trên thế giới, các mô hình dự báo rủi ro vỡ nợ đã được phát triển phong phú, với nhiều nghiên cứu kiểm nghiệm nhằm tìm ra những phương pháp phù hợp với điều kiện của từng thị trường, bao gồm Việt Nam. Bên cạnh đó, có một số nghiên cứu đã thực hiện kiểm định thông qua các phương pháp truyền thống bằng phương pháp thống kê áp dụng kỹ thuật phân tích đa biến, phân tích logit, phân tích probit, v.

đã được áp dụng rộng rãi để dự báo rủi ro vỡ nợ. Tuy vậy, hướng nghiên cứu sử dụng phương pháp máy học bên cạnh các phương pháp truyền thống trong việc dự báo rủi ro vỡ nợ chưa được khai thác nhiều và có quan điểm cho rằng nó có thể khắc phục được các nhược điểm của các phương pháp truyền thống. Tóm lại, đề tài "Dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam bằng các mô hình học máy" không chỉ mang tính cấp thiết về mặt lý thuyết mà còn có giá trị thực tiễn cao, góp phần vào việc nâng cao khả năng quản lý rủi ro và phát triển bền vững cho các doanh nghiệp trong bối cảnh kinh tế đầy thách thức hiện nay. Mục tiêu đề tài Mục tiêu tổng quát Mục tiêu tổng quát của nghiên cứu là xây dựng và lựa chọn mô hình học máy có hiệu suất dự báo tốt nhất nhằm nhận diện sớm rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam.

Trên cơ sở đó, nghiên cứu tiếp tục sử dụng mô hình được lựa chọn để phân tích và đánh giá mức độ ảnh hưởng của các yếu tố tài chính đến 5 khả năng vỡ nợ của doanh nghiệp, qua đó cung cấp cơ sở khoa học cho việc hỗ trợ ra quyết định quản lý rủi ro cho doanh nghiệp, nhà đầu tư và các bên liên quan. Mục tiêu cụ thể: ▪ Xác định thế nào là rủi ro vỡ nợ của doanh nghiệp phi tài chính từ đó nhằm xác định được đối tượng nghiên cứu của mô hình dự báo. ▪ Đánh giá các yếu tố tác động đến rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam. ▪ Ứng dụng các mô hình học máy trong việc dự báo rủi ro vỡ nợ.

Từ đó, so sánh hiệu suất của các mô hình này để xác định mô hình nào cho kết quả chính xác nhất nhằm hỗ trợ các doanh nghiệp và nhà đầu tư trong việc giảm thiểu rủi ro. Câu hỏi nghiên cứu Dựa trên các mục tiêu nghiên cứu đã nêu, nghiên cứu này nhằm trả lời 3 câu hỏi sau: ▪ Làm thế nào để xác định và phân loại các doanh nghiệp phi tài chính có nguy cơ vỡ nợ? ▪ Những yếu tố nào có ảnh hưởng đáng kể đến rủi ro vỡ nợ của doanh nghiệp phi tài chính tại Việt Nam? ▪ Hiệu suất của các mô hình học máy khác nhau như thế nào trong việc dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam, và mô hình nào cho kết quả chính xác nhất và có thể ứng dụng vào thực tiễn để hỗ trợ quản lý rủi ro cho các doanh nghiệp và nhà đầu tư? 1. Đối tượng và phạm vi nghiên cứu 1. Đối tượng nghiên cứu Nghiên cứu sử dụng phần mềm Python để tiến hành phân tích tương quan giữa các biến, xây dựng và kiểm định các mô hình dự báo rủi ro vỡ nợ.

Ba mô hình gồm Logistic Regression, Random Forest và Decision Tree được triển khai nhằm đánh giá khả năng dự báo và mức độ chính xác trong phân loại doanh nghiệp theo mức độ rủi ro. Phạm vi nghiên cứu Bài nghiên cứu sẽ sử dụng dữ liệu của tất cả doanh nghiệp phi tài chính niêm yết trên Sàn Chứng khoán Thành phố Hồ Chí Minh (HOSE), Sàn Chứng khoán Hà Nội (HNX) và Sàn giao dịch chứng khoán dành cho các công ty chưa niêm yết trên Sở giao dịch chứng khoán (UPCOM) cùng với thông tin được công bố trên trang chính thức của từng công ty được thu thập theo năm, và phạm vi nghiên cứu giới hạn trong giai đoạn từ năm 2014 đến 2024. Các doanh nghiệp phi tài chính bao gồm các ngành: Bất động sản, chăm sóc sức khỏe, công nghệ thông tin, công nghiệp, dịch vụ tiện ích, dịch vụ viễn thông, hàng tiêu dùng, hàng tiêu dùng thiết yếu, năng lượng, nguyên vật liệu.