Giới thiệu dự án

Bối cảnh và thực trạng ngành sản xuất

Ngành sản xuất đóng vai trò xương sống trong nền kinh tế Việt Nam, đóng góp trực tiếp vào kim ngạch xuất khẩu, giải quyết việc làm cho hàng triệu lao động và thúc đẩy chuỗi cung ứng công nghiệp phụ trợ. Tuy nhiên, dưới tác động của biến động kinh tế vĩ mô và sự đứt gãy chuỗi cung ứng toàn cầu, sức khỏe tài chính của các doanh nghiệp đối mặt với nhiều thách thức nghiêm trọng. Theo số liệu từ Tổng cục Thống kê (2022), cả nước có 143.200 doanh nghiệp rút lui khỏi thị trường (tăng 19,5% so với năm 2021), trung bình mỗi tháng ghi nhận 11.900 doanh nghiệp đóng cửa hoặc giải thể. Thực trạng này đặt ra yêu cầu cấp thiết về một công cụ cảnh báo sớm nguy cơ kiệt quệ tài chính và phá sản cho các doanh nghiệp niêm yết.

Vấn đề nghiên cứu (Problem Statement)

Các doanh nghiệp sản xuất niêm yết tại Việt Nam thường duy trì tỷ lệ đòn bẩy tài chính (LEV - Financial Leverage) cao để đầu tư tài sản cố định và mở rộng nhà xưởng. Khi dòng tiền hoạt động suy giảm hoặc vòng quay hàng tồn kho bị kéo dài, doanh nghiệp nhanh chóng rơi vào tình trạng mất khả năng thanh khoản (Liquidity Distress). Việc thiếu các mô hình định lượng dự báo rủi ro phá sản được chuẩn hóa theo đặc thù dữ liệu kế toán Việt Nam dẫn đến sự chậm trễ trong việc cơ cấu nợ và quản trị rủi ro của ban điều hành lẫn các tổ chức tín dụng.

Mục tiêu dự án

  1. Xác định hệ thống chỉ tiêu: Thiết lập tập hợp các nhân tố tài chính (hiệu suất hoạt động, đòn bẩy tài chính, thanh khoản, khả năng sinh lời) và phi tài chính/vĩ mô (tuổi doanh nghiệp, lãi suất thực, tăng trưởng GDP) tác động đến rủi ro phá sản.
  2. Đo lường mức độ tác động: Ước lượng độ nhạy và hệ số hồi quy của từng biến độc lập thông qua mô hình Binary Logit trên dữ liệu bảng (Panel Data).
  3. Xây dựng công cụ dự báo: Ứng dụng mô hình S-Score của Springate làm thước đo phân loại kết hợp hàm Logit để đưa ra chỉ số xác suất phá sản chuẩn xác, hỗ trợ ra quyết định tài chính.

Phương pháp tiếp cận (Solution Approach)

Đề tài kết hợp phương pháp phân tích đa biệt thức (MDA - Multiple Discriminant Analysis) của Springate (1978) để lượng hóa biến phụ thuộc nhị phân $BR \in {0, 1}$ và kỹ thuật ước lượng hợp lý cực đại (MLE - Maximum Likelihood Estimation) qua hồi quy Logistic nhị phân. Cách tiếp cận này khắc phục nhược điểm của hồi quy tuyến tính cổ điển (OLS) khi biến phụ thuộc bị chặn trong khoảng $[0, 1]$.

Kết quả kỳ vọng và chỉ số đo lường

  • Chỉ số mẫu: 250 quan sát từ 50 doanh nghiệp sản xuất niêm yết (25 doanh nghiệp trên HOSE, 25 doanh nghiệp trên HNX) giai đoạn 2017–2021.
  • Độ chính xác dự báo: Mô hình đạt độ nhạy phân loại trên 85%, diện tích dưới đường cong ROC (AUC - Area Under Curve) đạt mức xuất sắc ($> 0,80$).
  • Mức ý nghĩa thống kê: Các biến then chốt đạt giá trị $p < 0,05$ và hệ số phóng đại phương sai $\text{VIF} < 5,0$ (loại bỏ hoàn toàn đa cộng tuyến).

Phạm vi và giới hạn nghiên cứu

  • Phạm vi không gian: 50 doanh nghiệp ngành sản xuất thuộc nhóm hàng tiêu dùng, công nghiệp và y tế niêm yết trên HOSE và HNX.
  • Phạm vi thời gian: Chuỗi dữ liệu 5 năm liên tục từ 2017 đến 2021.
  • Giới hạn: Nghiên cứu không bao gồm các doanh nghiệp sản xuất chưa niêm yết hoặc các doanh nghiệp đã chính thức hủy niêm yết do âm vốn chủ sở hữu trước năm 2017.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Mô hình dự báo Tác giả & Năm Ưu điểm kỹ thuật Nhược điểm / Hạn chế
Z-Score Altman (1968) Tiên phong trong MDA, dễ tính toán trên BCTC Chỉ áp dụng chuẩn xác cho công ty sản xuất lớn tại Mỹ
Z"-Score Altman (2000) Loại bỏ biến doanh thu/tài sản để áp dụng đa ngành Độ nhạy suy giảm khi áp dụng vào thị trường cận biên
X-Score Zmijewski (1984) Dùng hàm Probit, ít nhạy cảm với mẫu lệch Yêu cầu dữ liệu chuẩn tắc cao, cấu trúc phức tạp
S-Score Springate (1978) Độ chính xác cao (92,5% mẫu gốc), 4 chỉ số cô đọng Ngưỡng cut-off cố định cần kiểm định lại tại VN
Logit Đa biến Đề tài (2023) Kết hợp Springate + Logit + Kinh tế vĩ mô Cần xử lý dữ liệu bảng và kiểm định hiện tượng tự tương quan

Đánh giá yêu cầu theo mô hình MoSCoW

  • Must have (Bắt buộc): Biến phụ thuộc nhị phân $BR$ tính từ S-Score Springate; 4 chỉ số tài chính cốt lõi: Vòng quay tài sản ($\text{TAT}$), Đòn bẩy ($\text{LEV}$), Thanh khoản ($\text{LIQ}$), Khả năng sinh lời ($\text{ROE}$); Kiểm định đa cộng tuyến (VIF).
  • Should have (Nên có): Biến phi tài chính: Tuổi doanh nghiệp ($\text{AGE}$); Biến vĩ mô: Lãi suất thực ($\text{IR}$), Tăng trưởng $\text{GDP}$.
  • Could have (Có thể mở rộng): Kiểm định tương quan chuỗi Wooldridge và kiểm định Hausman lựa chọn mô hình Fixed/Random Effect.
  • Won't have (Chưa thực hiện): Tích hợp biến quản trị doanh nghiệp (quy mô hội đồng quản trị, sở hữu nhà nước) do hạn chế công bố thông tin minh bạch đồng đều.

Thiết kế hệ thống

Công nghệ và công cụ sử dụng

  • Stata 17.0: Công cụ tính toán kinh tế lượng chính, thực hiện ước lượng logit, xtlogit, kiểm định vif, hausman, xtserial.
  • Microsoft Excel 365: Tiền xử lý dữ liệu, làm sạch số liệu BCTC và lập ma trận phân loại.
  • World Bank Open Data API (v2): Trích xuất chỉ số tăng trưởng GDP hàng năm và lãi suất thực tế của Việt Nam giai đoạn 2017–2021.

Cấu trúc bảng dữ liệu (Data Schema)

Table: manufacturing_bankruptcy_panel

Phương pháp luận (Methodology)

Quy trình nghiên cứu định lượng tuân thủ 4 giai đoạn chuẩn mực:

  1. Thu thập dữ liệu: Thu thập 250 báo cáo tài chính kiểm toán từ sàn HOSE và HNX; trích xuất dữ liệu vĩ mô từ World Bank.
  2. Phân loại qua S-Score: Áp dụng phương trình Springate (1978): $$S = 1{,}03 X_1 + 3{,}07 X_2 + 0{,}66 X_3 + 0{,}40 X_4$$
    • Nếu $S < 0{,}826 \implies BR = 1$ (Doanh nghiệp có rủi ro phá sản).
    • Nếu $S \ge 0{,}826 \implies BR = 0$ (Doanh nghiệp an toàn tài chính).
  3. Mô hình hồi quy Logistic: Xây dựng phương trình log-odds: $$\ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \beta_1 \text{TAT}_i + \beta_2 \text{LEV}_i + \beta_3 \text{LIQ}_i + \beta_4 \text{ROE}_i + \beta_5 \text{AGE}_i + \beta_6 \text{IR}_i + \beta_7 \text{GDP}i + \varepsilon_i$$ Xác suất rủi ro phá sản $P_i$ được tính bằng: $$P_i = \frac{1}{1 + e^{-(\beta_0 + \sum \beta_k X{ki})}}$$
  4. Kiểm định chất lượng mô hình: Kiểm định Hausman (chọn REM/FEM), kiểm định Wald, kiểm định Wooldridge (tự tương quan chuỗi) và kiểm định đa cộng tuyến VIF.

Implementation và kết quả

Quá trình thực thi và xử lý kỹ thuật

Hệ thống xử lý được thực thi trên môi trường Stata 17.0 với quy trình do-file chuẩn hóa:

*====================================================================*
* QUY TRÌNH HỒI QUY DỮ LIỆU BẢNG VÀ DỰ BÁO RỦI RO PHÁ SẢN TRÊN STATA
* Tác giả: Nguyễn Xuân Mai (2023)
*====================================================================*

clear all
set more off

* 1. Nhập và khai báo cấu trúc dữ liệu bảng (Panel Data)
use "manufacturing_bankruptcy_2017_2021.dta", clear
xtset enterprise_id fiscal_year

* 2. Tính toán S-Score Springate và tạo biến phụ thuộc nhị phân
gen X1 = working_capital / total_assets
gen X2 = ebit / total_assets
gen X3 = ebt / current_liabilities
gen X4 = revenue / total_assets

gen s_score = 1.03*X1 + 3.07*X2 + 0.66*X3 + 0.40*X4
gen BR = (s_score < 0.826)
label define lbl_br 0 "Khoe_manh" 1 "Rui_ro_pha_san"
label values BR lbl_br

* 3. Thống kê mô tả và Ma trận tương quan Pearson
summarize BR TAT LEV LIQ ROE AGE IR GDP
correlate BR TAT LEV LIQ ROE AGE IR GDP

* 4. Ước lượng mô hình Logistic trên dữ liệu bảng (Random Effects)
xtlogit BR TAT LEV LIQ ROE AGE IR GDP, re
estimates store model_rem

* 5. Kiểm tra đa cộng tuyến (VIF) qua hồi quy phụ trợ OLS
regress BR TAT LEV LIQ ROE AGE IR GDP
estat vif

* 6. Kiểm định tự tương quan (Wooldridge test)
xtserial BR TAT LEV LIQ ROE AGE IR GDP

* 7. Đánh giá độ chính xác dự báo và vẽ đường cong ROC
predict p_hat, pr
roctab BR p_hat, graph

Thử nghiệm và kiểm định mô hình (Testing & Validation)

Kết quả kiểm định thống kê và lựa chọn mô hình

  • Kiểm định Hausman: Cho giá trị $p\text{-value} > 0{,}05$, xác nhận mô hình Hiệu ứng Ngẫu nhiên (Random Effects Model - REM) phù hợp hơn mô hình Hiệu ứng Cố định (Fixed Effects Model - FEM).
  • Kiểm định đa cộng tuyến: Toàn bộ hệ số VIF của các biến độc lập đều nằm trong khoảng $1{,}12 - 2{,}45$ (trung bình $\text{VIF} = 1{,}68 < 5{,}0$), loại trừ nguy cơ đa cộng tuyến.
  • Kiểm định Wooldridge: Giá trị $F\text{-test}$ có $p\text{-value} > 0{,}05$, chứng minh không tồn tại hiện tượng tự tương quan chuỗi bậc nhất.
       Đặc tính Hoạt động Máy thu (ROC Curve)
       0.00        0.25        0.50        0.75        1.00
                           1 - Độ đặc hiệu

Ma trận nhầm lẫn và độ chính xác phân loại

Thực tế \ Dự báo Dự báo Khỏe mạnh ($BR=0$) Dự báo Rủi ro ($BR=1$) Tổng thực tế Tỷ lệ chính xác
Khỏe mạnh ($BR=0$) 138 quan sát 14 quan sát 152 quan sát 90,79% (Độ đặc hiệu)
Rủi ro ($BR=1$) 18 quan sát 80 quan sát 98 quan sát 81,63% (Độ nhạy)
Tổng dự báo 156 quan sát 94 quan sát 250 quan sát 87,20% (Chính xác chung)

Kết quả đạt được

Hồi quy Logit nhị phân xác nhận 5 nhân tố có ý nghĩa thống kê tác động trực tiếp đến rủi ro phá sản của các doanh nghiệp sản xuất:

Biến độc lập Ký hiệu Hệ số hồi quy ($\beta$) Mức ý nghĩa ($p\text{-value}$) Chiều tác động Kết luận giả thuyết
Vòng quay tài sản TAT $-1{,}412$ $p < 0{,}01$ Nghịch chiều ($-$) Chấp nhận $H_1$
Đòn bẩy tài chính LEV $+0{,}845$ $p < 0{,}05$ Thuận chiều ($+$) Chấp nhận $H_2$
Khả năng thanh khoản LIQ $-2{,}180$ $p < 0{,}01$ Nghịch chiều ($-$) Chấp nhận $H_3$
Khả năng sinh lời ROE $-3{,}264$ $p < 0{,}01$ Nghịch chiều ($-$) Chấp nhận $H_4$
Tuổi doanh nghiệp AGE $-0{,}062$ $p < 0{,}05$ Nghịch chiều ($-$) Chấp nhận $H_5$
Lãi suất thực IR $+0{,}114$ $p > 0{,}10$ Không có ý nghĩa Không đủ bằng chứng
Tăng trưởng GDP GDP $-0{,}089$ $p > 0{,}10$ Không có ý nghĩa Không đủ bằng chứng
  1. Hiệu suất hoạt động (TAT): Khi hệ số vòng quay tài sản tăng 1 đơn vị, tỷ số Odds rủi ro phá sản giảm đáng kể. Doanh nghiệp tối ưu hóa dây chuyền sản xuất sẽ giải phóng vốn ứ đọng trong tài sản ngắn hạn.
  2. Đòn bẩy tài chính (LEV): Nợ vay trên vốn chủ sở hữu tăng làm gia tăng áp lực trả nợ gốc và lãi vay định kỳ, đẩy doanh nghiệp vào nguy cơ mất khả năng thanh toán.
  3. Khả năng thanh khoản (LIQ): Vốn lưu động ròng đóng vai trò tấm đệm an toàn giúp doanh nghiệp ứng phó kịp thời với các nghĩa vụ nợ đến hạn dưới 1 năm.
  4. Khả năng sinh lời (ROE): Doanh nghiệp có tỷ suất sinh lời trên vốn cao có khả năng tích lũy lợi nhuận giữ lại, tái đầu tư và gia tăng sức chống chịu trước khủng hoảng.
  5. Tuổi doanh nghiệp (AGE): Các doanh nghiệp lâu năm có uy tín thương hiệu, quan hệ tín dụng bền vững và kinh nghiệm quản trị chuỗi cung ứng vượt trội so với các doanh nghiệp non trẻ.

Đổi mới và đóng góp

  • Tích hợp mô hình lai ghép hai bước (Two-Stage Hybrid Framework): Khắc phục nhược điểm đánh giá chủ quan tình trạng kiệt quệ tài chính bằng cách kết hợp ngưỡng định lượng khách quan của Springate S-Score với mô hình kinh tế lượng Binary Logistic.
  • Hiệu chuẩn cho thị trường sản xuất Việt Nam: Đánh giá thực nghiệm trên 50 doanh nghiệp niêm yết thuộc cả hai sàn HOSE và HNX, chứng minh tính vượt trội của chỉ số thanh khoản và sinh lời trong việc giải thích rủi ro doanh nghiệp nội địa so với các nghiên cứu đơn lẻ theo địa phương trước đây.
  • Đóng góp học thuật và thực tiễn: Cung cấp bộ tham số thực nghiệm tin cậy cho các nghiên cứu tiếp theo về quản trị rủi ro tài chính tại các thị trường mới nổi (Emerging Markets).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Cases)

  1. Tại các Ngân hàng Thương mại & Tổ chức Tín dụng:
    • Sử dụng mô hình như một cấu phần trong hệ thống chấm điểm tín dụng nội bộ (Internal Credit Rating System).
    • Tự động cảnh báo sớm khi chỉ số $P_i$ của khách hàng doanh nghiệp sản xuất vượt ngưỡng rủi ro $0{,}50$ để điều chỉnh hạn mức hoặc yêu cầu bổ sung tài sản bảo đảm.
  2. Tại Doanh nghiệp Sản xuất (Hội đồng Quản trị & CFO):
    • Định kỳ mỗi quý rà soát 5 chỉ số then chốt (TAT, LEV, LIQ, ROE, AGE).
    • Thiết lập ngưỡng đòn bẩy tài chính an toàn: Duy trì $\text{LEV} \le 1{,}5$ và tỷ lệ $\text{LIQ} \ge 0{,}20$ để phòng tránh kiệt quệ tài chính.
  3. Tại các Quỹ Đầu tư & Nhà đầu tư Cá nhân:
    • Sàng lọc cổ phiếu rủi ro trên HOSE/HNX trước khi ra quyết định giải ngân trung và dài hạn.

Kế hoạch và Lộ trình Triển khai (Implementation Roadmap)

Giai đoạn 1 (Tháng 1-2): Thu thập & Chuẩn hóa dữ liệu BCTC từ cổng thông tin HOSE/HNX
Giai đoạn 2 (Tháng 3):   Xây dựng Pipeline tự động tính toán S-Score và các tỷ số tài chính
Giai đoạn 3 (Tháng 4):   Kiểm thử mô hình trên Stata và tích hợp giao diện cảnh báo (Dashboard)
Giai đoạn 4 (Tháng 5+):  Ứng dụng chấm điểm định kỳ hàng quý sau mỗi mùa công bố BCTC

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Quy mô mẫu dữ liệu: Nghiên cứu giới hạn ở 50 doanh nghiệp (250 quan sát) trong giai đoạn 2017–2021, chưa bao phủ toàn bộ các doanh nghiệp sản xuất vừa và nhỏ chưa niêm yết.
  • Biến số vĩ mô: Hai biến lãi suất thực và tăng trưởng GDP chưa thể hiện ý nghĩa thống kê rõ nét trong giai đoạn 5 năm do độ trễ tác động chính sách tiền tệ thường kéo dài hơn chu kỳ kế toán năm.
  • Yếu tố phi tài chính: Chưa tích hợp các biến quản trị doanh nghiệp chuyên sâu như cơ cấu sở hữu, quy mô ban kiểm soát hoặc trình độ chuyên môn của CEO.

Hướng phát triển trong tương lai

  • Ứng dụng Machine Learning: Mở rộng nghiên cứu với các thuật toán học máy như Random Forest, XGBoost và Support Vector Machine (SVM) để so sánh hiệu năng phân loại với Logistic Regression truyền thống.
  • Mở rộng chu kỳ nghiên cứu: Cập nhật dữ liệu giai đoạn 2022–2025 để đánh giá thêm tác động của làn sóng tăng lãi suất toàn cầu và lạm phát hậu đại dịch.
  • Tích hợp chỉ số ESG: Đưa các tiêu chuẩn Môi trường - Xã hội - Quản trị (ESG) vào mô hình dự báo rủi ro phá sản nhằm bắt kịp xu hướng tài chính bền vững.

Đối tượng hưởng lợi

  • Sinh viên & Học viên Cao học ngành Tài chính - Ngân hàng: Tiếp cận tài liệu tham khảo hoàn chỉnh về phương pháp luận nghiên cứu định lượng, quy trình xử lý dữ liệu bảng và kỹ thuật thực thi mô hình Logit trên Stata 17.0.
  • Chuyên viên Phân tích Dữ liệu Tài chính (Data Analysts / Risk Modelers): Tham khảo cấu trúc cơ sở dữ liệu bảng, quy trình kiểm định kinh tế lượng (Hausman, Wooldridge, VIF) và cách đánh giá hiệu năng mô hình qua đường cong ROC/AUC.
  • Doanh nghiệp Sản xuất & Giám đốc Tài chính (CFO): Nhận diện cụ thể các động lực làm suy giảm sức khỏe tài chính để chủ động tái cấu trúc nợ và tối ưu hóa hiệu suất tài sản.
  • Nhà đầu tư & Tổ chức Tín dụng: Sở hữu bộ tiêu chí định lượng chuẩn xác nhằm phát hiện sớm các dấu hiệu suy yếu tài chính tiềm ẩn, từ đó tối thiểu hóa tổn thất tín dụng và nâng cao tỷ suất sinh lời danh mục đầu tư.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để vận hành mô hình này là gì?

Mô hình yêu cầu máy tính cài đặt phần mềm Stata phiên bản từ 14.0 trở lên (khuyến nghị Stata 17.0) hoặc môi trường Python 3.9+ với các thư viện pandas, statsmodels, scikit-learn. Dữ liệu đầu vào cần có đầy đủ 4 báo cáo tài chính kiểm toán năm (Bảng Cân đối kế toán, Báo cáo Kết quả kinh doanh, Báo cáo Lưu chuyển tiền tệ và Thuyết minh BCTC).

2. Mô hình có áp dụng được cho các doanh nghiệp thương mại và dịch vụ không?

Mô hình Springate S-Score nguyên bản được thiết kế đặc thù cho các công ty sản xuất với các tỷ số gắn liền với vòng quay hàng tồn kho và tài sản cố định. Đối với doanh nghiệp ngành dịch vụ, ngân hàng hoặc bất động sản, cần hiệu chỉnh lại hệ thống biến số độc lập và áp dụng mô hình Altman Z"-Score hoặc Zmijewski X-Score để đảm bảo độ tin cậy.

3. Làm thế nào để tích hợp mô hình vào hệ thống ERP hoặc phần mềm kế toán hiện có?

Quy trình hồi quy Logit đã được chuẩn hóa thành công thức xác suất toán học. Doanh nghiệp chỉ cần lập trình một module API trích xuất tự động 5 chỉ số tài chính từ phần mềm ERP (như SAP, Oracle, MISA) và đưa vào hàm kích hoạt sigmoid để tính toán xác suất rủi ro $P_i$ theo thời gian thực.

4. Chi phí triển khai và thời gian hoàn vốn (ROI) ước tính như thế nào?

Chi phí triển khai mô hình cảnh báo sớm rất thấp vì chủ yếu tận dụng dữ liệu kế toán sẵn có và các công cụ phân tích mã nguồn mở hoặc bản quyền Stata hiện hành. Lợi ích tài chính mang lại là vô cùng lớn khi giúp doanh nghiệp và ngân hàng phòng ngừa các khoản nợ xấu trị giá hàng chục tỷ đồng, mang lại ROI đo lường được ngay trong chu kỳ tài chính đầu tiên.

5. Tại sao nghiên cứu chọn ngưỡng cắt 0,826 của Springate thay vì ngưỡng 1,81 của Altman Z-Score?

Các kiểm định thực nghiệm tại thị trường Việt Nam (điển hình như nghiên cứu của Vinh, Quang và Dung, 2022) chứng minh mô hình S-Score của Springate đạt độ chính xác lên đến 86,24% với sai số loại 1 thấp hơn đáng kể so với mô hình Z-Score của Altman khi áp dụng cho các doanh nghiệp sản xuất niêm yết.

Kết luận

Nghiên cứu đã giải quyết trọn vẹn mục tiêu xác định và lượng hóa các nhân tố ảnh hưởng đến rủi ro phá sản của 50 doanh nghiệp sản xuất niêm yết trên HOSE và HNX giai đoạn 2017–2021. Bằng việc kết hợp mô hình Springate S-Score và hồi quy Binary Logistic trên phần mềm Stata 17.0, đề tài chứng minh 5 nhân tố có tác động mang ý nghĩa thống kê rõ rệt: Vòng quay tài sản (TAT), Thanh khoản (LIQ), Khả năng sinh lời (ROE), Tuổi doanh nghiệp (AGE) giúp giảm thiểu nguy cơ phá sản, trong khi Đòn bẩy tài chính (LEV) làm gia tăng đáng kể xác suất kiệt quệ tài chính.

Kết quả nghiên cứu cung cấp cơ sở khoa học vững chắc giúp các nhà quản trị doanh nghiệp sản xuất tối ưu hóa cấu trúc vốn, hỗ trợ ngân hàng thương mại nâng cao chất lượng thẩm định tín dụng và cung cấp cho nhà đầu tư công cụ cảnh báo rủi ro đáng tin cậy trên thị trường chứng khoán Việt Nam.