Lựa Chọn Mô Hình Dự Báo Xác Suất Vỡ Nợ Cho Doanh Nghiệp Vừa và Nhỏ Tại Ngân Hàng Thương Mại Việt Nam

Luận văn thạc sĩ phân tích mô hình dự báo xác suất vỡ nợ doanh nghiệp vừa và nhỏ tại ngân hàng thương mại Việt Nam dựa trên chỉ số tài chính.

• Tác giả: Nguyễn Lệ Đoan Trang
• Người hướng dẫn: TS. Ngô Vi Trọng
• Trường học: Trường Đại Học Ngân Hàng TP.Hồ Chí Minh
• Chuyên ngành: Tài chính - Ngân hàng
• Đề tài: Mô Hình Dự Báo Xác Suất Vỡ Nợ Doanh Nghiệp Vừa và Nhỏ Tại Ngân Hàng Việt Nam
• Loại tài liệu: luận văn
• Năm xuất bản: 2019
• Địa điểm: TP Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Tính cấp thiết của đề tài
• 1.2. Vấn đề nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Câu hỏi nghiên cứu
• 1.5. Đối tượng và phạm vi nghiên cứu
• 1.6. Phương pháp nghiên cứu
• 1.7. Đóng góp của đề tài
• 1.8. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY
• 2.1. Xếp hạng tín nhiệm
• 2.2. Xác suất vỡ nợ (PD)
• 2.3. Khảo lược các mô hình dự báo xác suất vỡ nợ của doanh nghiệp
• 2.4. Tổng quan các nghiên cứu trước
• 2.4.1. Các nghiên cứu trên thế giới
• 2.4.2. Các nghiên cứu tại Việt Nam
• 3. CHƯƠNG 3: MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Phương pháp xây dựng các mô hình
• 3.2. Thu thập và xử lý dữ liệu
• 3.3. Lựa chọn các biến đầu vào trong mô hình dự báo xác suất vỡ nợ
• 3.4. Các mô hình dự báo xác suất vỡ nợ được nghiên cứu
• 3.4.1. Mô hình tham số
• 3.4.2. Mô hình phi tham số
• 3.5. Phương pháp lựa chọn mô hình dự báo xác suất vỡ nợ
• 3.5.1. Ma trận Confussion
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
• 4.1. Kết quả thống kê mô tả
• 4.2. Kết quả hồi quy
• 4.2.1. Kết quả hồi quy của các mô hình tham số
• 4.2.2. Kết quả hồi quy của mô hình phi tham số
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Ứng dụng mô hình để dự báo khả năng trả nợ của các khách hàng doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại ở Việt Nam
• 5.1.1. Công cụ hỗ trợ trong việc xác định nhóm đối tượng khách hàng tiềm năng
• 5.1.2. Kết quả mô hình là cơ sở định hướng chính sách tín dụng
• 5.1.3. Vận dụng kết quả mô hình nhằm nâng cao hiệu quả quản lý rủi ro tín dụng ở các ngân hàng thương mại
• 5.2. Hạn chế của đề tài và hướng nghiên cứu tiếp theo
• 5.2.1. Hạn chế của đề tài
• 5.2.2. Hướng nghiên cứu trong tương lai
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC

Tóm tắt

I. Tổng Quan Về Mô Hình Dự Báo Xác Suất Vỡ Nợ Doanh Nghiệp Vừa Và Nhỏ

Mô hình dự báo xác suất vỡ nợ doanh nghiệp vừa và nhỏ tại ngân hàng Việt Nam đang trở thành một chủ đề nóng trong nghiên cứu tài chính. Các ngân hàng thương mại (NHTM) cần có những công cụ chính xác để đánh giá rủi ro tín dụng. Việc lựa chọn mô hình phù hợp không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn nâng cao hiệu quả trong quản lý tín dụng.

1.1. Tầm Quan Trọng Của Mô Hình Dự Báo Trong Ngành Ngân Hàng

Mô hình dự báo xác suất vỡ nợ giúp các NHTM đánh giá chính xác khả năng trả nợ của doanh nghiệp. Điều này không chỉ bảo vệ lợi ích của ngân hàng mà còn hỗ trợ doanh nghiệp trong việc tiếp cận nguồn vốn.

1.2. Các Chỉ Số Tài Chính Quan Trọng Trong Dự Báo

Các chỉ số tài chính như tỷ lệ nợ, lợi nhuận ròng và dòng tiền hoạt động là những yếu tố quan trọng trong việc dự báo xác suất vỡ nợ. Việc phân tích các chỉ số này giúp ngân hàng đưa ra quyết định tín dụng chính xác hơn.

II. Vấn Đề Và Thách Thức Trong Dự Báo Xác Suất Vỡ Nợ

Mặc dù có nhiều mô hình dự báo, nhưng việc lựa chọn mô hình phù hợp vẫn gặp nhiều thách thức. Các mô hình hiện tại thường có những hạn chế nhất định, dẫn đến khó khăn trong việc dự đoán chính xác xác suất vỡ nợ của doanh nghiệp.

2.1. Hạn Chế Của Các Mô Hình Hiện Tại

Nhiều mô hình dự báo hiện tại thiếu tính chính xác và không đồng nhất. Điều này gây khó khăn cho các NHTM trong việc lựa chọn mô hình phù hợp để dự báo xác suất vỡ nợ.

2.2. Thiếu Thống Nhất Trong Các Chỉ Số Tài Chính

Việc xác định các chỉ số tài chính nào thực sự ảnh hưởng đến kết quả xếp hạng vẫn là một vấn đề cần nghiên cứu. Sự thiếu thống nhất này làm giảm độ tin cậy của các mô hình dự báo.

III. Phương Pháp Lựa Chọn Mô Hình Dự Báo Xác Suất Vỡ Nợ

Việc lựa chọn mô hình dự báo xác suất vỡ nợ cần dựa trên các tiêu chí cụ thể. Các phương pháp như hồi quy logistic, phân tích phân biệt và mô hình cây quyết định là những lựa chọn phổ biến.

3.1. Mô Hình Hồi Quy Logistic

Mô hình hồi quy logistic là một trong những phương pháp phổ biến nhất trong dự báo xác suất vỡ nợ. Nó cho phép phân tích mối quan hệ giữa các biến độc lập và xác suất vỡ nợ.

3.2. Mô Hình Cây Quyết Định

Mô hình cây quyết định giúp phân loại doanh nghiệp dựa trên các chỉ số tài chính. Phương pháp này dễ hiểu và trực quan, giúp các nhà quản lý đưa ra quyết định nhanh chóng.

IV. Ứng Dụng Thực Tiễn Của Mô Hình Dự Báo Tại Ngân Hàng Việt Nam

Các mô hình dự báo xác suất vỡ nợ đã được áp dụng tại nhiều ngân hàng thương mại ở Việt Nam. Kết quả từ các mô hình này không chỉ giúp ngân hàng quản lý rủi ro mà còn nâng cao hiệu quả tín dụng.

4.1. Kết Quả Nghiên Cứu Từ Các Ngân Hàng

Nghiên cứu cho thấy rằng việc áp dụng mô hình dự báo xác suất vỡ nợ đã giúp các ngân hàng giảm thiểu rủi ro tín dụng và nâng cao hiệu quả hoạt động.

4.2. Các Chính Sách Tín Dụng Dựa Trên Kết Quả Dự Báo

Kết quả từ mô hình dự báo giúp ngân hàng điều chỉnh chính sách tín dụng, từ đó tối ưu hóa quy trình cấp tín dụng và giảm thiểu rủi ro.

V. Kết Luận Và Hướng Nghiên Cứu Tương Lai

Mô hình dự báo xác suất vỡ nợ doanh nghiệp vừa và nhỏ tại ngân hàng Việt Nam cần được nghiên cứu và cải tiến liên tục. Việc áp dụng các mô hình mới và cải tiến sẽ giúp nâng cao độ chính xác trong dự báo.

5.1. Tầm Quan Trọng Của Nghiên Cứu Liên Tục

Nghiên cứu liên tục về các mô hình dự báo sẽ giúp các ngân hàng cập nhật và cải tiến phương pháp đánh giá rủi ro tín dụng.

5.2. Đề Xuất Các Hướng Nghiên Cứu Mới

Các nghiên cứu trong tương lai nên tập trung vào việc phát triển các mô hình mới và cải tiến các chỉ số tài chính để nâng cao độ chính xác trong dự báo xác suất vỡ nợ.

Nội dung chính

Tổng quan nghiên cứu

Khu vực doanh nghiệp vừa và nhỏ (SMEs) hiện chiếm hơn 97% tổng số doanh nghiệp tại Việt Nam, đóng góp khoảng 45% GDP và tạo ra hơn 5 triệu việc làm cho nền kinh tế. Tuy nhiên, khả năng tiếp cận vốn tín dụng ngân hàng của khối doanh nghiệp này vẫn gặp nhiều rào cản lớn do mức độ rủi ro tín dụng cao, năng lực tài chính hạn chế và tính minh bạch thông tin chưa đồng đều. Trong bối cảnh các ngân hàng thương mại Việt Nam đang đẩy mạnh lộ trình triển khai chuẩn mực an toàn vốn Basel II cũng như tuân thủ Nghị định số 88/2014/NĐ-CP và Quyết định số 507/QĐ-TTg của Thủ tướng Chính phủ về định hướng phát triển dịch vụ xếp hạng tín nhiệm, việc xây dựng một hệ thống xếp hạng tín dụng nội bộ chuẩn xác là yêu cầu cấp thiết.

Vấn đề nghiên cứu trọng tâm của luận văn là giải quyết sự thiếu hụt các công cụ định lượng đáng tin cậy trong việc dự báo xác suất vỡ nợ (Probability of Default - PD) của các doanh nghiệp vừa và nhỏ dựa trên các chỉ số tài chính. Mục tiêu cụ thể của đề tài bao gồm: xác định các tỷ số tài chính có ý nghĩa thống kê cao nhất tác động đến rủi ro vỡ nợ, đồng thời so sánh hiệu quả dự báo giữa các mô hình tham số truyền thống và mô hình phi tham số học máy. Phạm vi nghiên cứu được thực hiện trên mẫu dữ liệu gồm 350 doanh nghiệp vừa và nhỏ thuộc 9 ngành nghề kinh doanh trọng yếu tại Việt Nam trong giai đoạn 3 năm liên tiếp từ năm 2016 đến năm 2018, với tổng số 1.050 quan sát năm - công ty (trong đó ghi nhận 38 trường hợp vỡ nợ năm 2016, 60 trường hợp năm 2017 và 48 trường hợp năm 2018). Kết quả nghiên cứu mang lại ý nghĩa thực tiễn to lớn, giúp các ngân hàng thương mại nâng cao tỷ lệ dự báo chính xác, cắt giảm tỷ lệ nợ xấu nhóm 3 đến nhóm 5 xuống dưới mức 3% và tối ưu hóa chi phí trích lập dự phòng rủi ro.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết phân tích chỉ số tài chính của Beaver (1966) và mô hình phân tích phân biệt đa biến của Altman (1968), kết hợp với khung quản trị rủi ro tín dụng hiện đại theo Hiệp ước Vốn Basel II (2004). Theo chuẩn mực của Ủy ban Basel và Cục Kiểm soát Tiền tệ Hoa Kỳ (OCC), xác suất vỡ nợ (PD) được định nghĩa là thước đo định lượng thể hiện khả năng một khách hàng vay vốn không có năng lực hoặc không sẵn sàng thực hiện đầy đủ nghĩa vụ trả nợ gốc và lãi theo các điều khoản hợp đồng trong thời hạn 12 tháng. Khái niệm xếp hạng tín nhiệm, khởi xướng từ công trình của John Moody năm 1900 và được chuẩn hóa bởi các tổ chức quốc tế như Standard & Poor's hay Fitch Ratings, là quy trình đánh giá có hệ thống về năng lực tài chính nhằm phản ánh chất lượng tín dụng và triển vọng thanh toán của bên đi vay.

Khung mô hình nghiên cứu đã chuẩn hóa 14 chỉ số tài chính đại diện thuộc 4 nhóm năng lực cốt lõi của doanh nghiệp:

• Nhóm chỉ số khả năng thanh khoản: Hệ số khả năng thanh toán hiện hành (X7: Tài sản ngắn hạn/Nợ ngắn hạn), hệ số thanh toán nhanh (X8: [Tài sản ngắn hạn - Hàng tồn kho]/Nợ ngắn hạn) và tỷ lệ tiền mặt trên vốn chủ sở hữu (X11).
• Nhóm chỉ số đòn bẩy tài chính và chi trả nợ: Hệ số nợ trên tổng tài sản (X5), hệ số nợ trên vốn chủ sở hữu (X6), hệ số thanh toán lãi vay (X9: EBIT/Lãi vay) và hệ số thanh toán nợ dài hạn (X10: EBITDA/Nợ dài hạn).
• Nhóm chỉ số khả năng sinh lời: Tỷ suất lợi nhuận gộp biên (X1), tỷ suất thu nhập trước thuế trên doanh thu thuần (X2), tỷ suất sinh lời trên tổng tài sản (X3: ROA) và tỷ suất sinh lời trên vốn chủ sở hữu (X4: ROE).
• Nhóm chỉ số hiệu quả hoạt động: Vòng quay hàng tồn kho (X12), kỳ thu tiền bình quân (X13) và vòng quay tổng tài sản (X14: Doanh thu thuần/Tổng tài sản).

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp nghiên cứu định tính và định lượng nhằm đảm bảo tính khách quan và khoa học. Mẫu dữ liệu nghiên cứu được thu thập từ báo cáo tài chính hàng năm đã được kiểm toán độc lập của 350 doanh nghiệp vừa và nhỏ trong giai đoạn 2016 - 2018, trải rộng trên 9 lĩnh vực ngành nghề: Nông sản (58 doanh nghiệp), Sắt thép (47 doanh nghiệp), Thủy sản (41 doanh nghiệp), Dệt may (39 doanh nghiệp), Dược phẩm và thiết bị y tế (38 doanh nghiệp), Thi công xây lắp (35 doanh nghiệp), Kinh doanh ô tô (34 doanh nghiệp), Kinh doanh xăng dầu (31 doanh nghiệp) và Thương mại hàng tiêu dùng (27 doanh nghiệp). Phương pháp chọn mẫu có chủ đích kết hợp phân tầng ngành nghề giúp bao quát cấu trúc nguồn vốn đa dạng của nền kinh tế Việt Nam.

Quy trình phân tích định lượng được thực hiện thông qua việc kiểm thử và so sánh hai nhóm phương pháp:

• Nhóm mô hình tham số: Mô hình hồi quy Logistic (Logit), mô hình hồi quy Probit và mô hình Complementary Log-Log (Cloglog). Việc lựa chọn các mô hình này xuất phát từ khả năng mô hình hóa quan hệ phi tuyến giữa biến phụ thuộc nhị phân (vỡ nợ = 1, không vỡ nợ = 0) và các biến độc lập liên tục, giúp ước lượng trực tiếp giá trị xác suất PD từ mẫu khảo sát.
• Nhóm mô hình phi tham số (Học máy): Mô hình Cây quyết định (Decision Tree) ứng dụng thuật toán CART với chỉ số phân tách Gini, và mô hình Rừng ngẫu nhiên (Random Forest) hoạt động dựa trên cơ chế tái tạo mẫu ngẫu nhiên (Bootstrap Aggregation) nhằm loại bỏ hiện tượng quá khớp (Overfitting).

Để đánh giá và lựa chọn mô hình tối ưu, nghiên cứu sử dụng Ma trận nhầm lẫn (Confusion Matrix) nhằm tính toán các chỉ số thống kê: Độ chính xác tổng thể (Accuracy), Độ nhạy (Sensitivity - tỷ lệ phát hiện đúng doanh nghiệp phá sản), Độ đặc hiệu (Specificity), Độ chuẩn xác (Precision) và Điểm số F1 (F1-Score). Điểm số F1 đóng vai trò là thước đo then chốt giúp xử lý hiện tượng mất cân bằng dữ liệu giữa nhóm doanh nghiệp lành mạnh (904 quan sát) và nhóm doanh nghiệp vỡ nợ (146 quan sát).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phân tích định lượng từ 1.050 quan sát thực nghiệm mang lại nhiều kết quả nổi bật về mức độ tác động của các chỉ số tài chính đến xác suất vỡ nợ:

• Tỷ suất sinh lời trên tổng tài sản (X3 - ROA) là biến độc lập có sức tác động ngược chiều mạnh nhất đến nguy cơ phá sản. Trong mô hình hồi quy Logit, hệ số ước lượng của biến X3 đạt mức kỷ lục là -71,83 (với mức ý nghĩa thống kê 1%), cho thấy khả năng sinh lời từ tài sản càng cao thì xác suất vỡ nợ của doanh nghiệp vừa và nhỏ càng giảm thiểu nhanh chóng.
• Hệ số đòn bẩy tài chính (X5 - Tổng nợ phải trả/Tổng tài sản) là nhân tố thúc đẩy rủi ro tín dụng hàng đầu với hệ số hồi quy dương +12,35 trong mô hình Logit, +6,79 trong mô hình Probit và +7,98 trong mô hình Cloglog. Tỷ lệ nợ trên tài sản tăng cao trực tiếp làm suy yếu tấm đệm tài chính của doanh nghiệp.
• Khả năng thanh toán nợ dài hạn (X10 - EBITDA/Nợ dài hạn) và vòng quay tổng tài sản (X14) ghi nhận tác động nghịch chiều đáng kể với hệ số ước lượng lần lượt là -27,47 và -8,827 trong mô hình Logit. Doanh nghiệp duy trì dòng tiền dồi dào từ hoạt động kinh doanh để bù đắp nợ vay dài hạn sẽ giảm thiểu tới hơn 80% nguy cơ mất khả năng thanh toán.
• Kết quả kiểm định ma trận tương quan chỉ ra mức độ tương quan giữa X7 và X8 là 0,72; giữa X2 và X3 là 0,69; giữa X5 và X8 là -0,70. Tất cả các hệ số tương quan đều nhỏ hơn ngưỡng 0,80, khẳng định mô hình không bị ảnh hưởng nghiêm trọng bởi hiện tượng đa cộng tuyến.
• Đánh giá hiệu năng dự báo thông qua Ma trận nhầm lẫn: Mô hình Rừng ngẫu nhiên (Random Forest) và mô hình hồi quy Logit thể hiện năng lực vượt trội với điểm số F1-Score tiệm cận 0,85, vượt hơn 15% so với mô hình Cây quyết định đơn lẻ. Đặc biệt, các mô hình này kiểm soát hiệu quả lỗi loại 2 (False Negative - dự báo nhầm doanh nghiệp vỡ nợ thành doanh nghiệp hoạt động bình thường), giúp hạn chế thiệt hại vốn vay cho ngân hàng.

Thảo luận kết quả

Cơ chế tác động tài chính phản ánh rõ thực trạng vận hành của khối SMEs tại Việt Nam: các doanh nghiệp có hệ số nợ trên vốn chủ sở hữu bình quân cao (giá trị trung bình đạt 9,405 lần theo Bảng thống kê mô tả) thường chịu áp lực chi phí lãi vay rất lớn. Khi biên lợi nhuận trước thuế trên doanh thu (X2 trung bình âm -1,208%) bị suy giảm do biến động thị trường, dòng tiền EBITDA không đủ bù đắp chi phí vốn, dẫn tới sự sụt giảm tức thì của hệ số thanh toán lãi vay (X9 trung bình -46,384 lần). Những phát hiện này hoàn toàn tương thích và củng cố các kết luận kinh điển của Altman (1968), Neophytou và cộng sự (2000), cũng như các nghiên cứu thực nghiệm tại Việt Nam của Lê Nguyễn Sơn Vũ (2013) và Nguyễn Thị Tuyết Lan (2019).

Để hỗ trợ công tác quản trị trực quan tại ngân hàng, toàn bộ dữ liệu phân loại xác suất vỡ nợ có thể được hiển thị trực quan thông qua biểu đồ đường cong ROC (Receiver Operating Characteristic), cho phép so sánh diện tích dưới đường cong (AUC) giữa các mô hình. Cấu trúc cây phân nhánh của mô hình Cây quyết định (Decision Tree) với các điểm cắt ngưỡng (cut-off points) định lượng dựa trên chỉ số Gini có thể được biểu diễn dưới dạng sơ đồ luồng quyết định nhị phân, giúp chuyên viên tín dụng xác định ngay ngưỡng cảnh báo đỏ khi ROA (X3) giảm xuống dưới mức 0% hoặc tỷ lệ nợ (X5) vượt quá 70%.

Đề xuất và khuyến nghị

Nhằm nâng cao hiệu quả quản trị rủi ro tín dụng và hỗ trợ mở rộng cho vay an toàn đối với khu vực SMEs, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược:

1. Thiết lập ngưỡng cảnh báo sớm tự động dựa trên các chỉ số tài chính trọng yếu: Khối Quản trị rủi ro tại các ngân hàng thương mại cần ban hành quy chế giám sát định kỳ hàng quý, cài đặt ngưỡng cảnh báo tự động đối với các hồ sơ vay có hệ số Tổng nợ/Tổng tài sản (X5) vượt quá 65% và hệ số thanh toán nợ dài hạn (X10) dưới 1,5 lần. Mục tiêu hướng tới là phát hiện sớm 90% rủi ro tiềm ẩn trước 12 tháng so với thời điểm phát sinh nợ xấu, triển khai đồng bộ trong giai đoạn 2026 - 2027.
2. Ứng dụng mô hình Random Forest kết hợp hồi quy Logit vào hệ thống xếp hạng tín dụng nội bộ: Khối Công nghệ thông tin và Trung tâm Phân tích dữ liệu ngân hàng cần tích hợp thuật toán học máy Random Forest để tự động xử lý dữ liệu báo cáo tài chính đã kiểm toán, hướng tới giảm tỷ lệ lỗi loại 2 (False Negative) xuống dưới mức 5% trong vòng 12 tháng tới, đảm bảo tuân thủ các tiêu chuẩn xếp hạng nâng cao theo hiệp ước Basel II.
3. Hoàn thiện cơ sở dữ liệu tín dụng quốc gia và hành lang pháp lý xếp hạng tín nhiệm: Ngân hàng Nhà nước Việt Nam phối hợp cùng Bộ Tài chính đẩy mạnh thực thi Nghị định số 88/2014/NĐ-CP và Quyết định số 507/QĐ-TTg, thành lập cổng thông tin chia sẻ dữ liệu báo cáo tài chính chuẩn hóa cho hơn 500.000 doanh nghiệp vừa và nhỏ trên toàn quốc đến năm 2030, tạo nền tảng dữ liệu sạch cho các định chế tài chính.
4. Nâng cao năng lực quản trị tài chính nội bộ tại các doanh nghiệp SMEs: Ban Giám đốc và Giám đốc Tài chính (CFO) của các doanh nghiệp vừa và nhỏ cần chủ động tái cấu trúc kỳ hạn nợ, duy trì hệ số đệm tiền mặt an toàn (X11 > 0,5 lần) và nâng cao hiệu quả sử dụng tài sản (vòng quay tổng tài sản X14 đạt trên 1,2 vòng/năm) nhằm nâng cao điểm số tín nhiệm định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu học thuật và ứng dụng thực tiễn chuyên sâu, đặc biệt hữu ích cho 4 nhóm đối tượng:

• Cán bộ quản trị rủi ro và thẩm định tín dụng tại các ngân hàng thương mại: Sử dụng bộ 14 chỉ số tài chính và các trọng số hồi quy đã kiểm định để xây dựng lại thang điểm chấm điểm tín dụng vi mô, giúp sàng lọc chính xác hồ sơ vay vốn của khách hàng doanh nghiệp vừa và nhỏ, hạn chế nợ xấu phát sinh.
• Chuyên gia phân tích dữ liệu rủi ro (Risk Modelers) và kỹ sư phát triển mô hình tài chính: Khai thác phương pháp so sánh thực nghiệm giữa mô hình tham số (Logit, Probit, Cloglog) và phi tham số (Decision Tree, Random Forest) trên ma trận nhầm lẫn (Confusion Matrix) để áp dụng vào các bài toán phân loại rủi ro tín dụng tại các công ty Fintech và ngân hàng số.
• Giám đốc Tài chính (CFO) và chủ doanh nghiệp vừa và nhỏ (SMEs): Nắm bắt chi tiết các tiêu chuẩn định lượng mà ngân hàng sử dụng để đánh giá xác suất vỡ nợ, từ đó chủ động điều tiết chỉ số ROA (X3), đòn bẩy nợ (X5) và dòng tiền trả nợ (X10) nhằm tối ưu hóa hồ sơ vay vốn.
• Giảng viên, học viên cao học và nhà nghiên cứu ngành Tài chính - Ngân hàng: Sử dụng khung phân tích và nguồn dữ liệu thực nghiệm 1.050 quan sát như một tài liệu tham khảo chuẩn mực để mở rộng hướng nghiên cứu ứng dụng Trí tuệ nhân tạo (AI) và Mạng nơ-ron nhân tạo (ANN) trong dự báo tài chính.

Câu hỏi thường gặp

1. Mô hình nào mang lại hiệu quả dự báo xác suất vỡ nợ tốt nhất cho doanh nghiệp vừa và nhỏ tại Việt Nam? Nghiên cứu chỉ ra rằng mô hình Rừng ngẫu nhiên (Random Forest) kết hợp với mô hình hồi quy Logit mang lại kết quả dự báo vượt trội nhất với điểm số F1-Score đạt xấp xỉ 0,85. Sự kết hợp này tận dụng được tính minh bạch trong diễn giải hệ số của Logit và khả năng xử lý phi tuyến, tránh quá khớp dữ liệu của Random Forest trên tập mẫu 1.050 quan sát.

2. Tại sao tỷ suất sinh lời trên tổng tài sản (ROA - X3) lại có hệ số tác động âm rất lớn (-71,83) đến xác suất vỡ nợ? Chỉ số ROA phản ánh trực tiếp hiệu quả tạo ra lợi nhuận thuần từ toàn bộ quy mô tài sản của doanh nghiệp. Khi ROA tăng 1%, năng lực tạo dòng tiền nội tại để tự tài trợ và trả nợ tăng lên theo cấp số nhân, giúp triệt tiêu nguy cơ rơi vào tình trạng âm vốn chủ sở hữu hoặc mất thanh khoản cục bộ.

3. Lỗi loại 2 (False Negative) trong dự báo rủi ro tín dụng gây ra tổn thất như thế nào cho ngân hàng? Lỗi loại 2 xảy ra khi mô hình phân loại một doanh nghiệp thực tế bị phá sản thành một khách hàng khỏe mạnh. Sai lầm này khiến ngân hàng tiếp tục giải ngân tín dụng, dẫn tới nguy cơ mất trắng vốn gốc và lãi khi doanh nghiệp vỡ nợ, gây thiệt hại tài chính nặng nề gấp nhiều lần so với lỗi loại 1 (từ chối nhầm khách hàng tốt).

4. Các chỉ số tài chính nào đóng vai trò cảnh báo sớm nguy cơ vỡ nợ quan trọng nhất? Bốn chỉ số đóng vai trò cảnh báo sớm quyết định nhất bao gồm: Tỷ suất sinh lời trên tổng tài sản (X3 - ROA), Hệ số tổng nợ trên tổng tài sản (X5), Khả năng thanh toán nợ dài hạn (X10 - EBITDA/Nợ dài hạn) và Vòng quay tổng tài sản (X14). Biến động tiêu cực đồng thời của 4 chỉ số này là tín hiệu cảnh báo vỡ nợ trước 1 đến 2 năm.

5. Tiêu chuẩn xác định một doanh nghiệp bị vỡ nợ trong nghiên cứu gồm những điều kiện nào? Doanh nghiệp được phân loại vào nhóm vỡ nợ (nhận giá trị bằng 1) khi rơi vào một trong 4 trường hợp cụ thể: Vốn chủ sở hữu bị âm trên bảng cân đối kế toán; Hai năm liên tiếp ghi nhận lợi nhuận sau thuế âm và dòng tiền thuần từ hoạt động kinh doanh âm; Doanh nghiệp chính thức tuyên bố phá sản; hoặc Khoản vay của doanh nghiệp bị chuyển sang nhóm nợ xấu (nhóm 3, nhóm 4, nhóm 5) tại ngân hàng.

Kết luận

• Luận văn đã phân tích toàn diện cơ sở lý luận và thực nghiệm về xếp hạng tín dụng nội bộ, chuẩn hóa bộ 14 chỉ số tài chính then chốt để dự báo xác suất vỡ nợ cho khối SMEs tại Việt Nam.
• Cung cấp minh chứng định lượng khẳng định năng lực dự báo vượt trội của mô hình Logit và Random Forest với điểm số F1-Score tiệm cận 0,85 trên mẫu khảo sát 350 doanh nghiệp giai đoạn 2016 - 2018.
• Xác định rõ vai trò chi phối của hai nhân tố chính: tỷ suất sinh lời ROA (hệ số âm -71,83) và đòn bẩy tài chính tổng nợ trên tài sản (hệ số dương +12,35) đối với sức khỏe tài chính doanh nghiệp.
• Đề xuất hệ thống 4 giải pháp thực thi đồng bộ, giúp các ngân hàng thương mại nâng cấp hệ thống quản trị rủi ro tín dụng đáp ứng chuẩn mực Basel II và khung pháp lý Việt Nam.
• Mở ra định hướng nghiên cứu tiếp theo về việc tích hợp dữ liệu phi tài chính và công nghệ Big Data vào mô hình dự báo xác suất vỡ nợ trong giai đoạn 2026 - 2030.

Hãy áp dụng ngay khung mô hình định lượng và hệ thống 14 chỉ số tài chính này vào quy trình thẩm định tín dụng để tối ưu hóa danh mục cho vay, giảm thiểu tỷ lệ nợ xấu và nâng cao hiệu quả hoạt động kinh doanh bền vững!

Trích đoạn nội dung tài liệu

Chương 1 (Giới thiệu tổng quan) trình bày về tính cấp thiết của đề tài, vấn đề nghiện cứu, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, đóng góp của đề tài và cấu trúc của luận văn nhằm cung cấp cho người đọc một bức tranh tổng thể về toàn bộ bài nghiên cứu. Chương 2 (Cơ sở lý thuyết và các nghiên cứu trước đây) trình bày những lý luận cơ bản và các lý thuyết nền liên quan đến xếp hạng tín dụng, xác suất vỡ nợ của các doanh nghiệp và phương pháp đo lường, dự báo các nội dung này cũng như kết quả đánh giá các nghiên cứu trước đây đã được công bố để làm rõ tính cấp thiết của đề tài, đồng thời cung cấp cơ sở cho việc tiến hành đề xuất mô hình nghiên cứu và phân tích kết quả nghiên cứu được trình bày ở các chương tiếp theo. Chương 3 (Mô hình và phương pháp nghiên cứu) trình bày chi tiết nội dung của mô hình nghiên cứu – mô hình dự báo xác suất vỡ nợ được đề xuất, mô tả chi tiết các dữ liệu đã thu thập và các phương pháp nghiên cứu được sử dụng để cho thấy mức độ tin cậy của kết quả nghiên cứu được trình bày ở chương tiếp theo. Mô hình dự báo xác suất vỡ nợ được đề xuất sử dụng bao gồm mô hình tham số (với các mô hình logit, probit, complementary log-log) và mô hình phi tham số (gồm mô hình cây quyết định decision tree, mô hình random forest).

Chương 4 (Kết quả nghiên cứu) phân tích kết quả hồi quy từ các mô hình tham số và phi tham số, đồng thời dựa trên các chỉ tiêu được tính toán từ ma trận confusion (Accuracy, Sensitivity, Specificity, Precision, F1 - Score) để so sánh và đánh giá khả năng dự báo xác suất vỡ nợ của từng mô hình. Chương 5 (Kết luận và kiến nghị) tổng kết các kết quả đạt được của bài luận văn, từ đó đề xuất các giải pháp giúp các ngân hàng thương mại nâng cao khả năng dự báo xác suất vỡ nợ của các doanh nghiệp vừa và nhỏ, theo đó kịp thời có các chính sách định hướng cũng như điều chỉnh hoạt động cấp tín dụng của các NHTM để đạt hiệu quả cao hơn và giảm thiểu rủi ro tín dụng, đảm bảo an toàn vốn. Ngoài ra, bài luận văn cũng gợi ý một số hàm ý chính sách quản trị cho chính các doanh nghiệp để giảm thiểu rủi ro phá 6 LUAN VAN CHAT LUONG download : add luanvanchat@agmail. Thêm vào đó, bài luận văn cũng đưa ra những hạn chế và các vấn đề còn tồn tại, từ đó đề xuất các hướng nghiên cứu tiếp theo.

7 LUAN VAN CHAT LUONG download : add [e-mail] CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY 2.1 Xếp hạng tín nhiệm Thuật ngữ “xếp hạng tín nhiệm” (XHTN) lần đầu tiên được đưa ra bởi John Moody năm 1900 trong ấn phẩm “Moody’s Manual of Industrial and Miscellaneous Securities” khi cho rằng XHTN là ý kiến về khả năng và sự sẵn sàng của một đơn vị trong việc thanh toán đúng hạn cho một khoản nợ nhất định trong suốt thời hạn tồn tại của khoản nợ. Hệ thống xếp hạng trình bày trong báo cáo này được ký hiệu gồm 3 chữ cái ABC được xếp hạng lần lượt là AAA (mức ổn định cao nhất) đến C (mức rủi ro cao nhất). Kể từ đó đến nay, việc sử dụng XHTN trở nên rất phổ biến và đa dạng về mục đích cũng như đối tượng xếp hạng, theo đó cách nhìn nhận cũng như quan điểm về XHTN đã có nhiều thay đổi.Ong (2003), XHTN là một tiến trình đánh giá và phân loại mức độ tín nhiệm tương ứng với các cấp độ rủi ro khác nhau, mỗi kết quả xếp hạng là một sự phản ánh rõ ràng và ngắn gọn về khả năng thanh toán nợ của công ty được xếp hạng, đồng thời XHTN còn là quá trình sử dụng các thông tin đã biết và thông tin hiện thời để dự báo kết quả tương lai. Với quan điểm của Standard & Poor’s thì XHTN là đánh giá khả năng tín dụng của bên phải thực hiện nghĩa vụ tài chính trong tương lai dựa trên những yếu tố hiện tại và quan điểm của người đánh giá.

Nói cách khác, XHTN là trình bày các ý kiến về rủi ro tín dụng. Cụ thể là thể hiện ý kiến về khả năng và và sự sẵn sàng của tổ chức phát hành (Rating issuers) - chẳng hạn như một tổng công ty hoặc chính phủ tiểu bang hoặc thành phố - để đáp ứng các nghĩa vụ tài chính đầy đủ và đúng hạn. XHTN cũng có thể đề cập tới chất lượng tín dụng của một khoản nợ riêng lẻ (Rating issues) - chẳng hạn như trái phiếu công ty hoặc trái phiếu chính phủ - hoặc đánh giá nguy cơ liên quan có thể dẫn đến bị tổn thất. Fitch Ratings khẳng định theo quan điểm của họ, XHTN là đánh giá mức độ khả năng thực hiện các nghĩa vụ nợ như lãi suất, cổ tức ưu đãi, các khoản bảo hiểm hay các khoản phải trả khác của một đối tượng được xếp hạng.

Phương pháp XHTN của Fitch là sự kết 8 LUAN VAN CHAT LUONG download : add [e-mail] hợp của cả yếu tố tài chính và phi tài chính. Vì vậy, chỉ số đánh giá còn cho thấy khả năng sinh lợi tương lai của tổ chức được đánh giá. Một cách khái quát có thể hiểu XHTN là một tiến trình đánh giá và phân loại mức độ tín nhiệm tương ứng với các cấp độ rủi ro khác nhau, phản ánh về chất lượng, khả năng thanh toán nợ của đối tượng được xếp hạng và dự báo kết quả trong tương lai, được thể hiện thông qua hệ thống các ký hiệu xếp hạng. Theo đó, XHTN cung cấp thông tin cho các nhà đầu tư biết về tình trạng tài chính và mức độ rủi ro của các định chế tài chính để có quyết định đầu tư phù hợp.

Các yếu tố để đánh giá thường bao gồm yếu tố tài chính và phi tài chính. Yếu tố tài chính bao gồm các tỷ số tài chính quan trọng thông qua các báo cáo tài chính. Yếu tố phi tài chính là các yếu tố khó có thể định lượng như: chính trị, ngành nghề kinh doanh, môi trường kinh tế vĩ mô… 2.2 Xác suất vỡ nợ (PD) Xác suất vỡ nợ là một thành phần quan trọng được áp dụng trong nhiều phân tích rủi ro tín dụng và hoạt động quản lý rủi ro. Theo Basel II, nó là một tham số chính được sử dụng trong tính toán mức vốn kinh tế có khả năng hấp thụ các rủi ro tại các tổ chức tín dụng.

Theo định nghĩa được đưa ra bởi Office of the Comptroller of the Currency: “Xác suất vỡ nợ là rủi ro mà người đi vay sẽ không thể hoặc không sẵn sàng trả nợ đầy đủ hoặc đúng hạn. Rủi ro vỡ nợ bắt nguồn từ việc phân tích năng lực của bên có nghĩa vụ để trả nợ theo các điều khoản hợp đồng”. PD thường liên quan đến các đặc điểm tài chính như dòng tiền không đủ bù đắp chi phí, doanh thu hoặc tỷ suất lợi nhuận hoạt động sụt giảm, đòn bẩy cao, thanh khoản giảm hoặc không đảm bảo năng lực để thực hiện các kế hoạch kinh doanh thành công. Ngoài những yếu tố có thể định lượng này, sự sẵn sàng trả nợ của người đi vay cũng cần phải được đánh giá để xác định xác suất vỡ nợ.

Hoặc như Tysk (2010) đã giải thích, xác suất vỡ nợ là sự đánh giá định lượng về khả năng một bên có nghĩa vụ sẽ phá sản trong một khoảng thời gian nhất định, thường là một năm. Thông thường, xác suất vỡ nợ phác thảo công ty không hoàn thành trách nhiệm với khoản vay của họ hay nói cách khác là trách nhiệm thanh toán đối với các 9 LUAN VAN CHAT LUONG download : add [e-mail] ngân hàng. Vì các nguyên nhân chính khiến các công ty mất khả năng trả nợ là thua lỗ kinh doanh hoặc thiếu tiền, nên nó cũng có thể được coi là khả năng phá sản của các công ty. Để ước tính xác suất vỡ nợ, ngân hàng có thể cho điểm các công ty dựa trên khả năng trả nợ của họ, từ đó đưa ra quyết định tốt hơn trong việc cho vay.

PD là một trong những tỷ lệ hiệu quả nhất để phân loại người vay. Tất cả các ngân hàng, cho dù sử dụng phương pháp tiêu chuẩn hay các phương pháp tiên tiến khác đều phải cung cấp cho giám sát viên với một ước tính nội bộ của PD liên quan đế người đi vay trong phạm vi số điểm được chấm. Kết quả xếp hạng dựa trên số liệu PD được xem là tương đối chính xác vì nó được tính toán trên các tỷ lệ tài chính thực tế của doanh nghiệp và có thể phản ánh tình trạng của doanh nghiệp một cách thiết thực. PD có thể giúp giảm rủi ro tín dụng một cách hiệu quả nếu được xem xét đầy đủ.3 Khảo lược các mô hình dự báo xác suất vỡ nợ của doanh nghiệp Trên thế giới đã có khá nhiều các nghiên cứu liên quan đến mô hình dự báo xác suất vỡ nợ của doanh nghiệp.

Mỗi một mô hình sẽ có biến đầu vào, ưu và nhược điểm khác nhau, được thể hiện cụ thể trong bảng sau: 10 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.1: Khảo lược các mô hình dự báo xác suất vỡ nợ TT Tên mô hình Tổng quan về mô hình Ưu điểm Nhược điểm 1 Mô hình hồi - Mô hình hồi quy tuyến tính là - Phổ biến và - Kết quả hồi quy quy một mô hình thống kê nhằm dễ áp dụng. có thể nằm bên (Regression mục đích điều tra nghiên cứu - Dễ tính toán ngoài khoảng Analysis và mô hình hóa mối quan hệ và kết quả có [0,1]. Models) tuyến tính giữa các biến. Năm thể được giải - Khả năng ngoại 1970, Orgler đã sử dụng mô thích.

suy có thể thấp. hình này để xác định mối - Có thể đưa ra - Rất nhạy cảm quan hệ tuyến tính giữa các được một kết với những đặc điểm của khách hàng với quả tốt với trường hợp đặc tình trạng vỡ nợ của khách hệ thống dữ biệt. 2 Mô hình phân - Fisher (1936) đã đưa ra mô - Phổ biến và - Các biến được tích phân biệt hình phân tích phân biệt để dễ thực hiện.