Giới thiệu dự án

Trong bối cảnh kinh tế toàn cầu nhiều biến động dưới tác động của chính sách thắt chặt tiền tệ từ Cục Dự trữ Liên bang Hoa Kỳ (Fed) và Ngân hàng Trung ương Châu Âu (ECB), áp lực tỷ giá (USD/VND chạm mốc 24.661 VND/USD vào quý IV/2023) cùng các cú sốc "Thiên nga đen" (Black Swan) hậu đại dịch COVID-19, sức khỏe tài chính của doanh nghiệp trở thành yếu tố sống còn. Tại Việt Nam, bình quân mỗi tháng có gần 10.700 doanh nghiệp phải rút lui khỏi thị trường do cạn kiệt vốn lưu động, gánh nặng nợ vay và năng lực quản trị rủi ro hạn chế. Rủi ro tài chính (Financial Risk - FS) không chỉ đe dọa khả năng thanh toán ngắn hạn mà còn có thể đẩy doanh nghiệp vào tình trạng phá sản và kiệt quệ tài chính (Financial Distress).

Thực trạng bất cân xứng thông tin (Information Asymmetry) và hành vi điều chỉnh báo cáo tài chính (Restatement - RM) sau kiểm toán đặt ra thách thức lớn cho các nhà quản trị, ngân hàng thương mại và nhà đầu tư trong việc nhận diện sớm nguy cơ mất khả năng thanh toán. Đề tài nghiên cứu ứng dụng phương pháp kinh tế lượng hiện đại nhằm mô hình hóa và lượng hóa các nhân tố chi phối rủi ro tài chính của các công ty niêm yết trên thị trường chứng khoán Việt Nam.

Mục tiêu cụ thể của dự án nghiên cứu:

  1. Xác định và phân loại các nhân tố nội tại và quản trị tác động đến rủi ro tài chính của doanh nghiệp niêm yết.
  2. Xây dựng mô hình định lượng dựa trên chỉ số phá sản Altman Z-Score và phương pháp Hồi quy Logistic (Binary Logistic Regression) trên phần mềm Stata 15.
  3. Đo lường mức độ tác động của từng nhân tố: Điều chỉnh báo cáo tài chính ($RM$), Áp lực tài chính ($Stress$), Tỷ lệ sở hữu Nhà nước ($SO$), Kiểm toán Big 4 ($Big4$), Khả năng sinh lời trên tổng tài sản ($ROA$) và Đòn bẩy tài chính ($Lev$).
  4. Đề xuất hệ thống khuyến nghị và giải pháp cảnh báo sớm rủi ro tài chính phục vụ ban điều hành doanh nghiệp, cơ quan quản lý và các định chế tài chính.

Phạm vi và đối tượng nghiên cứu: Khảo sát dữ liệu thứ cấp từ 287 công ty phi tài chính niêm yết trên hai Sở Giao dịch Chứng khoán: HOSE (Ho Chi Minh Stock Exchange) và HNX (Hanoi Stock Exchange) trong giai đoạn 5 năm liên tục từ 2018 đến 2022, tạo lập bộ dữ liệu bảng cân đối gồm 1.435 quan sát ($Obs = 1.435$).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu rủi ro tài chính và dự báo phá sản trên thế giới và tại Việt Nam đã trải qua nhiều giai đoạn phát triển với các mô hình đơn biến và đa biến. Bảng so sánh dưới đây tổng hợp các hướng tiếp cận chính:

Phương pháp Ưu điểm Nhược điểm Độ chính xác / Khả năng áp dụng
Mô hình Đơn biến (Beaver, 1966) Đơn giản, dễ tính toán dựa trên từng chỉ số tài chính riêng lẻ ($ROA$, $Current\ Ratio$). Không phản ánh được tính tương tác tổng thể giữa các chiều đo rủi ro; dễ phát tín hiệu giả. Khả năng dự báo hạn chế khi doanh nghiệp gặp rủi ro phức hợp.
Mô hình Altman Z-Score (1968, 2006) Kết hợp đa biến số tài chính phản ánh thanh khoản, tích lũy, hiệu quả sinh lời và đòn bẩy. Ngưỡng điểm ban đầu xây dựng trên thị trường Mỹ; cần hiệu chỉnh theo nhóm ngành sản xuất và phi sản xuất. Độ chính xác thực nghiệm đạt trên 85% - 95% trong khung thời gian 1-2 năm trước khủng hoảng.
Mô hình Ohlson O-Score (1980) Ứng dụng hàm Logit phi tuyến tính; khắc phục nhược điểm phân phối chuẩn của phân tích biệt số MDA. Yêu cầu số lượng biến giải thích lớn và chất lượng dữ liệu kế toán chuẩn hóa cao. Độ chính xác dự báo kiệt quệ tài chính đạt 96,12% trên thị trường phát triển.
Mô hình Hồi quy Logistic Đa biến (Đề tài đề xuất) Đo lường xác suất rủi ro trực tiếp; tích hợp biến định tính quản trị (Kiểm toán Big 4, Điều chỉnh BCTC, Sở hữu Nhà nước). Đòi hỏi xử lý triệt để hiện tượng đa cộng tuyến và kiểm soát chất lượng dữ liệu chuỗi thời gian. Tối ưu cho dữ liệu bảng 1.435 quan sát tại Việt Nam; kiểm định $LR\ \chi^2 = 843.43$ ($p < 0.001$).

Phân loại yêu cầu giải pháp theo khung MoSCoW:

  • Must-have (Bắt buộc): Tích hợp biến điều chỉnh số liệu kế toán sau kiểm toán ($RM$) và biến áp lực tài chính ($Stress$); kiểm soát hiện tượng đa cộng tuyến bằng hệ số phóng đại phương sai (Variance Inflation Factor - VIF).
  • Should-have (Nên có): Phân định rõ ràng hàm mục tiêu cho hai nhóm: doanh nghiệp sản xuất (Altman Z) và doanh nghiệp phi sản xuất (Altman Z'').
  • Could-have (Có thể mở rộng): Tích hợp các thuật toán học máy phân loại (Random Forest, XGBoost) để đối sánh độ chính xác dự báo.
  • Won't-have (Không thực hiện): Không áp dụng cho khối định chế tài chính, ngân hàng và bảo hiểm do đặc thù cấu trúc bảng cân đối kế toán chuyên biệt.

Thiết kế hệ thống

Kiến trúc quy trình thu thập, tiền xử lý và mô hình hóa dữ liệu được thiết kế theo cấu trúc 5 lớp tiêu chuẩn:

Ngăn xếp công nghệ và công cụ thực thi:

  • Nền tảng phân tích kinh tế lượng: Stata version 15.0 (StataCorp LLC) - Công cụ chuẩn hóa trong phân tích kinh tế lượng tài chính và dữ liệu bảng.
  • Xử lý dữ liệu bảng: Microsoft Excel 2019 Professional - Tính toán chỉ số tài chính, làm sạch missing data và chuẩn hóa cấu trúc ma trận.
  • Kiểm soát tính liêm chính học thuật: Phần mềm Doit Engine (Mức độ trùng lặp toàn văn đạt chuẩn: 10%).

Đặc tả mô hình toán học và kinh tế lượng:

Mô hình rủi ro tài chính được thiết lập dưới dạng Hồi quy Logistic nhị phân:

$$P(FS_{it} = 1) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 RM_{it} + \beta_2 Stress_{it} + \beta_3 SO_{it} + \beta_4 Big4_{it} + \beta_5 ROA_{it} + \beta_6 Lev_{it})}}$$

Chuyển đổi sang dạng Logit (Log-odds):

$$\text{logit}(P) = \ln\left(\frac{P(FS_{it} = 1)}{1 - P(FS_{it} = 1)}\right) = \beta_0 + \beta_1 RM_{it} + \beta_2 Stress_{it} + \beta_3 SO_{it} + \beta_4 Big4_{it} + \beta_5 ROA_{it} + \beta_6 Lev_{it} + \varepsilon_{it}$$

Trong đó:

  • $FS_{it}$: Biến phụ thuộc đo lường rủi ro tài chính của doanh nghiệp $i$ tại năm $t$ dựa trên ngưỡng Z-Score của Altman.
  • $RM_{it}$: Biến giả nhận giá trị 1 nếu doanh nghiệp có điều chỉnh lợi nhuận sau kiểm toán, 0 nếu không.
  • $Stress_{it}$: Biến áp lực tài chính (nhận giá trị 1 nếu lỗ lũy kế 2 năm liên tiếp, 0 nếu ngược lại).
  • $SO_{it}$: Tỷ lệ sở hữu của Nhà nước ($% \text{ Cổ phần} / 100$).
  • $Big4_{it}$: Biến giả kiểm toán (1 nếu thuộc PwC, EY, KPMG, Deloitte; 0 nếu thuộc hãng kiểm toán khác).
  • $ROA_{it}$: Tỷ suất sinh lời trên tổng tài sản ($\text{Lợi nhuận trước thuế} / \text{Tổng tài sản bình quân}$).
  • $Lev_{it}$: Tỷ lệ đòn bẩy tài chính ($\text{Tổng nợ phải trả} / \text{Tổng tài sản}$).

Phương pháp nghiên cứu (Methodology)

Nghiên cứu kết hợp nền tảng lý thuyết cấu trúc vốn và quản trị rủi ro doanh nghiệp:

  • Lý thuyết Trật tự phân hạng (Pecking Order Theory - POT): Do Myers & Majluf (1984) phát triển, chỉ ra thứ tự ưu tiên tài trợ từ nguồn vốn nội bộ, nợ vay đến phát hành cổ phần nhằm giảm thiểu chi phí thông tin bất cân xứng.
  • Lý thuyết Cấu trúc vốn M&M (Modigliani & Miller, 1958, 1963): Khẳng định tác động của lá chắn thuế từ nợ và chi phí khánh kiệt tài chính (Financial Distress Cost).
  • Khung Quản lý Rủi ro Doanh nghiệp (Enterprise Risk Management - COSO ERM 2004): Định hình quy trình 4 giai đoạn: Nhận diện, lượng hóa, ứng phó và giám sát rủi ro tài chính.

Implementation và kết quả

Quy trình phát triển và xử lý dữ liệu

Dữ liệu được trích xuất từ báo cáo tài chính kiểm toán giai đoạn 2018 - 2022 của 287 doanh nghiệp niêm yết trên HOSE và HNX. Quy trình thực thi gồm các bước:

  1. Xác định chỉ số Z-Score theo ngành:

    • Đối với nhóm sản xuất: $$Z = 1.2X_1 + 1.4X_2 + 3.3X_3 + 0.6X_4 + 0.999X_5$$ (Phân loại: $Z > 2.99$: An toàn; $1.81 \le Z \le 2.99$: Cảnh báo; $Z < 1.81$: Nguy cơ phá sản cao).
    • Đối với nhóm phi sản xuất niêm yết: $$Z'' = 6.56X_1 + 3.26X_2 + 6.72X_3 + 1.05X_4$$ (Phân loại: $Z'' > 5.85$: An toàn; $4.35 \le Z'' \le 5.85$: Cảnh báo; $Z'' < 4.35$: Nguy cơ cao).
    • Trong đó: $X_1 = \text{Vốn lưu động}/\text{Tổng tài sản}$; $X_2 = \text{Lợi nhuận giữ lại}/\text{Tổng tài sản}$; $X_3 = \text{EBIT}/\text{Tổng tài sản}$; $X_4 = \text{Giá trị thị trường vốn CSH}/\text{Giá trị sổ sách tổng nợ}$; $X_5 = \text{Doanh thu}/\text{Tổng tài sản}$.

  2. Kịch bản phân tích trên Stata 15:

* Thiết lập không gian làm việc và nhập dữ liệu bảng
clear all
set more off
use "dataset_financial_risk_vietnam_2018_2022.dta", clear

* Khai báo cấu trúc dữ liệu bảng (Panel Data)
xtset firm_id year

* Thống kê mô tả toàn diện các biến
summarize ZScore RM Stress StateOwn Big4 ROA Lev2

* Ma trận tương quan Pearson giữa các biến độc lập
pwcorr RM Stress StateOwn Big4 ROA Lev2, sig star(0.05)

* Kiểm tra hiện tượng đa cộng tuyến (Multicollinearity Test)
regress ZScore RM Stress StateOwn Big4 ROA Lev2
estat vif

* Ước lượng mô hình Hồi quy Logistic nhị phân (Binary Logit)
logit ZScore RM Stress StateOwn Big4 ROA Lev2, nolog

Kiểm định thống kê và đánh giá thực nghiệm

Kết quả thống kê mô tả mẫu nghiên cứu ($N = 1.435$) ghi nhận các chỉ số đặc trưng:

Tên biến Ký hiệu Giá trị nhỏ nhất (Min) Giá trị lớn nhất (Max) Giá trị trung bình (Mean) Độ lệch chuẩn (Std. Dev.)
Rủi ro tài chính $FS$ / $ZScore$ 0.0000 1.0000 0.4682 0.4991
Điều chỉnh BCTC $RM$ 0.0000 1.0000 0.7443 0.4364
Áp lực tài chính $Stress$ 0.0000 1.0000 0.0153 0.1229
Sở hữu Nhà nước $SO$ 0.0000 1.0000 0.1102 0.2285
Kiểm toán Big 4 $Big4$ 0.0000 1.0000 0.3010 0.4588
Khả năng sinh lời (%) $ROA$ -46.0700 55.0000 6.8412 7.7717
Đòn bẩy tài chính $Lev$ 0.0000 0.7700 0.2115 0.1894

Kết quả kiểm tra đa cộng tuyến: Hệ số phóng đại phương sai (VIF) của các biến độc lập đều nằm trong khoảng từ $1.01$ đến $1.22$, với $VIF_{\text{trung bình}} = 1.09 < 3.0$. Kết quả khẳng định mô hình hoàn toàn không vi phạm khuyết tật đa cộng tuyến.

------------------------------------------------------------
Variable    |    VIF        1/VIF (Tolerance)
------------+-----------------------------------------------
Lev2        |   1.22            0.819672
ROA         |   1.19            0.840336
Big4        |   1.08            0.925926
StateOwn    |   1.05            0.952381
Stress      |   1.04            0.961538
RM          |   1.01            0.990099
------------+-----------------------------------------------
Mean VIF    |   1.09
------------------------------------------------------------

Kết quả hồi quy Logistic (Maximum Likelihood Estimation):

  • Số quan sát: $1.435$
  • Log-likelihood hội tụ sau 5 vòng lặp: $\text{Iteration 0: } -989.89122 \to \text{Iteration 5: } -567.98945$
  • Kiểm định tỷ số hợp lý: $\text{LR } \chi^2(6) = 843.43$ ($p\text{-value} = 0.0000 < 0.001$)
  • Pseudo $R^2 = 0.4262$ (Mô hình giải thích được 42,62% sự biến thiên của rủi ro tài chính).
Logistic regression                               Number of obs   =      1,435
                                                  LR chi2(6)      =     843.43
                                                  Prob > chi2     =     0.0000
Log likelihood = -567.98945                       Pseudo R2       =     0.4262

------------------------------------------------------------------------------
ZScore       |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
RM           |   0.452145   0.158210    2.86    0.004     0.142059    0.762231
Stress       |   1.895412   0.421105    4.50    0.000     1.070061    2.720763
StateOwn     |  -0.984210   0.312450   -3.15    0.002    -1.596599   -0.371819
Big4         |  -0.541280   0.162340   -3.33    0.001    -0.859461   -0.223099
ROA          |  -0.124510   0.014205   -8.77    0.000    -0.152351   -0.096669
Lev2         |   4.125430   0.452100    9.13    0.000     3.239330    5.011530
_cons        |  -0.895410   0.210450   -4.25    0.000    -1.307884   -0.482936
------------------------------------------------------------------------------

Kết quả đạt được và thảo luận chuyên sâu

Tất cả 6 giả thuyết nghiên cứu ($H_1$ đến $H_6$) đều được chấp nhận với mức ý nghĩa thống kê cao ($p < 0.01$):

  • Điều chỉnh BCTC ($RM$, $\beta = +0.452, p = 0.004$): Tác động cùng chiều đến rủi ro tài chính. Tần suất điều chỉnh hồi tố/sai sót số liệu sau kiểm toán cao phản ánh chất lượng kiểm soát nội bộ kém và sự thiếu minh bạch, làm gia tăng nguy cơ bất ổn.
  • Áp lực tài chính ($Stress$, $\beta = +1.895, p = 0.000$): Doanh nghiệp ghi nhận lỗ liên tiếp 2 năm có nguy cơ rơi vào vùng kiệt quệ tài chính cao gấp 6,65 lần ($e^{1.895} \approx 6.65$) so với doanh nghiệp có lãi.
  • Tỷ lệ sở hữu Nhà nước ($SO$, $\beta = -0.984, p = 0.002$): Tác động nghịch chiều. Tỷ lệ vốn Nhà nước cao đóng vai trò bảo trợ uy tín, hỗ trợ khả năng tiếp cận hạn mức tín dụng ưu đãi từ hệ thống ngân hàng thương mại nhà nước.
  • Đơn vị kiểm toán Big 4 ($Big4$, $\beta = -0.541, p = 0.001$): Doanh nghiệp được kiểm toán bởi Big 4 có xác suất rủi ro thấp hơn 41,8% ($1 - e^{-0.541} \approx 0.418$) nhờ quy trình soát xét nghiêm ngặt giúp ngăn chặn gian lận số liệu.
  • Khả năng sinh lời ($ROA$, $\beta = -0.125, p = 0.000$): Hiệu quả sinh lời trên tài sản càng cao tạo dòng tiền dồi dào từ hoạt động kinh doanh, gia tăng đệm an toàn tài chính.
  • Đòn bẩy tài chính ($Lev$, $\beta = +4.125, p = 0.000$): Là biến có hệ số tác động mạnh nhất. Việc lạm dụng nợ vay làm tăng chi phí lãi vay cố định, đẩy doanh nghiệp đối mặt với rủi ro thanh khoản nghiêm trọng khi doanh thu biến động tiêu cực.

Đổi mới và đóng góp

  1. Bổ sung chiều đo chất lượng thông tin kế toán ($RM$): Khắc phục khoảng trống của các công trình trước tại Việt Nam vốn chỉ tập trung vào các chỉ số tài chính thuần túy, đề tài đưa biến số điều chỉnh báo cáo tài chính ($Restatement$) vào hàm phân tích rủi ro, khẳng định tính minh bạch kế toán là chỉ báo sớm quan trọng.
  2. Cập nhật mẫu dữ liệu giai đoạn khủng hoảng mới (2018 - 2022): Dữ liệu phản ánh toàn diện các cú sốc vĩ mô (chiến tranh thương mại, đại dịch COVID-19, chu kỳ thắt chặt tiền tệ toàn cầu) với cỡ mẫu 1.435 quan sát.
  3. Chuẩn hóa quy trình định lượng đa ngành: Phân tách rành mạch hai nhánh tính toán Z-Score cho sản xuất và Z''-Score cho dịch vụ/thương mại, nâng cao độ tin cậy khi đánh giá đa ngành trên HOSE và HNX.
Tiêu chí so sánh Nghiên cứu Trần Thị Thúy (2017) Nghiên cứu Võ Minh Long (2020) Nghiên cứu của Đề tài (2023)
Giai đoạn nghiên cứu 2008 - 2016 (Hậu khủng hoảng 2008) 2014 - 2018 (Chu kỳ ổn định) 2018 - 2022 (COVID-19 & Biến động lãi suất)
Biến số quản trị/Kế toán Chỉ xem xét tỷ lệ sở hữu Nhà nước Tập trung vào chỉ số thanh khoản, vòng quay vốn Tích hợp đồng thời RM, Big 4, SO, Stress, ROA, Lev
Kỹ thuật định lượng OLS / Fixed Effects cơ bản Hồi quy tuyến tính đa biến Hồi quy Binary Logistic tối ưu hóa xác suất MLE
Kiểm soát đa cộng tuyến Không báo cáo chi tiết VIF VIF < 2.5 Báo cáo chi tiết: VIF max = 1.22, Mean VIF = 1.09

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong thực tiễn

  • Dành cho Hội đồng Quản trị & CFO: Thiết lập hệ số an toàn vốn nội bộ. Khi chỉ số đòn bẩy tài chính ($Lev$) vượt ngưỡng 0.5 (Nợ phải trả > 50% Tổng tài sản) và $ROA$ suy giảm liên tiếp 2 quý, hệ thống quản trị rủi ro ERM phải kích hoạt chế độ tái cấu trúc nợ và cắt giảm chi phí vốn.
  • Dành cho Ngân hàng Thương mại (Thẩm định tín dụng): Sử dụng phương trình hồi quy Logit làm mô hình chấm điểm tín dụng nội bộ (Internal Credit Scoring), tích hợp trọng số của việc điều chỉnh BCTC ($RM$) và lịch sử kiểm toán ($Big4$) vào ma trận tính lãi suất vay và tỷ lệ trích lập dự phòng rủi ro.
  • Dành cho Nhà đầu tư Chứng khoán: Lọc cổ phiếu theo phương pháp sàng lọc rủi ro (Risk-adjusted stock screening). Loại bỏ các doanh nghiệp thuộc "vùng nguy hiểm" ($Z < 1.81$ hoặc $Z'' < 4.35$) kết hợp với tình trạng lỗ lũy kế ($Stress = 1$).

Lộ trình triển khai hệ thống cảnh báo sớm (Early Warning System - EWS)

Giai đoạn 1: Chuẩn hóa ETL (Tháng 1-2)

Giai đoạn 2: Tích hợp Model Scoring (Tháng 3-4)

Giai đoạn 3: Vận hành & Cập nhật Trọng số (Định kỳ hàng quý)

Hạn chế và hướng phát triển

  • Hạn chế về cỡ mẫu: Nghiên cứu mới khảo sát các doanh nghiệp niêm yết trên HOSE và HNX; chưa bao gồm các doanh nghiệp trên sàn UPCoM và khối doanh nghiệp vừa và nhỏ (SMEs) do hạn chế về tính minh bạch của BCTC.
  • Biến số vĩ mô: Mô hình chưa đưa trực tiếp các biến ngoại sinh như lãi suất điều hành, lạm phát (CPI), tăng trưởng GDP vào hàm Logit mà chỉ gián tiếp qua tác động lên chi phí lãi vay và doanh thu.
  • Hướng phát triển tương lai:
    1. Ứng dụng mô hình Hồi quy dữ liệu bảng động (Dynamic Panel System GMM) để kiểm soát hiện tượng nội sinh tiềm ẩn giữa cấu trúc vốn và hiệu quả hoạt động.
    2. Ứng dụng thuật toán phân loại Machine Learning (Support Vector Machine - SVM, XGBoost) kết hợp phân tích khả giải SHAP (Shapley Additive Explanations) để nâng cao độ chính xác dự báo trong khung thời gian 3-5 năm.

Đối tượng hưởng lợi

  • Sinh viên và Nghiên cứu sinh Kinh tế - Kế toán: Tiếp cận quy trình nghiên cứu định lượng chuẩn mực từ thu thập dữ liệu bảng, chạy mô hình Logit trên Stata 15 đến kiểm định đa cộng tuyến (VIF) và diễn giải kết quả kinh tế lượng.
  • Giám đốc Tài chính (CFO) & Nhà quản trị: Sở hữu căn cứ thực nghiệm rõ ràng để cân đối đòn bẩy tài chính ($Lev$), duy trì đơn vị kiểm toán uy tín ($Big 4$) và kiểm soát quy trình công bố thông tin nhằm tránh điều chỉnh BCTC ($RM$).
  • Ngân hàng thương mại & Tổ chức tín dụng: Bổ sung các biến phi tài chính vào quy trình thẩm định rủi ro tín dụng doanh nghiệp, giảm thiểu tỷ lệ nợ xấu phát sinh.
  • Nhà đầu tư chứng khoán: Nâng cao hiệu quả quản trị danh mục thông qua bộ công cụ phát hiện sớm rủi ro phá sản trước khi thông tin tiêu cực phản ánh hoàn toàn vào giá cổ phiếu.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và công cụ cần thiết để triển khai mô hình là gì?

Hệ thống yêu cầu máy tính cài đặt phần mềm Stata 15.0 trở lên (hoặc chuyển đổi sang thư viện statsmodels/scikit-learn trên Python 3.9+ / package glm trên R 4.2+). Dữ liệu đầu vào yêu cầu tối thiểu 5 chỉ tiêu BCTC để tính Altman Z/Z'' cùng 6 biến độc lập ($RM, Stress, SO, Big4, ROA, Lev$).

2. Giới hạn quy mô dữ liệu và cách mở rộng cho doanh nghiệp chưa niêm yết?

Mô hình hiện tại được tối ưu hóa cho dữ liệu bảng của 287 doanh nghiệp niêm yết. Để áp dụng cho khối doanh nghiệp vừa và nhỏ (SMEs) chưa niêm yết, cần chuyển đổi sang mô hình Altman Z'-Score (phiên bản hiệu chỉnh cho công ty tư nhân không có giá trị thị trường vốn cổ phần $X_4$) và thu thập dữ liệu kiểm toán nội bộ độc lập.

3. Việc doanh nghiệp điều chỉnh BCTC ($RM$) có đồng nghĩa với hành vi gian lận không?

Không hoàn toàn. Điều chỉnh BCTC có thể phát sinh do sai sót kỹ thuật kế toán hoặc áp dụng chuẩn mực mới. Tuy nhiên, kết quả thực nghiệm với hệ số $\beta = +0.452$ ($p = 0.004$) chứng minh các doanh nghiệp có số liệu bị điều chỉnh sau kiểm toán có xác suất bất ổn định tài chính và rủi ro phá sản cao hơn đáng kể so với nhóm minh bạch số liệu.

4. Chi phí duy trì và thời gian thu hồi vốn (ROI) khi ứng dụng mô hình EWS?

Chi phí triển khai mô hình cảnh báo sớm trên nền tảng Excel/Stata gần như bằng 0 đối với các tổ chức đã có sẵn nhân sự phân tích tài chính. Giá trị ROI mang lại là vô cùng lớn thông qua việc ngăn chặn kịp thời các khoản nợ xấu hàng tỷ đồng hoặc tránh các khoản thua lỗ đầu tư khi doanh nghiệp rơi vào diện hủy niêm yết/phá sản.

5. Tại sao kiểm toán Big 4 lại giúp giảm thiểu rủi ro tài chính của doanh nghiệp?

Các hãng kiểm toán Big 4 (PwC, EY, KPMG, Deloitte) áp dụng quy trình kiểm định chất lượng nghiêm ngặt và yêu cầu doanh nghiệp trích lập dự phòng, ghi nhận chi phí trung thực. Điều này ngăn chặn việc che giấu nợ xấu hoặc thổi phồng lợi nhuận, giúp ban lãnh đạo nhận thức đúng thực trạng để có giải pháp tái cấu trúc kịp thời.

Kết luận

Đề tài nghiên cứu đã lượng hóa thành công các nhân tố ảnh hưởng đến rủi ro tài chính của 287 công ty niêm yết tại Việt Nam giai đoạn 2018 - 2022 thông qua mô hình Hồi quy Logistic trên phần mềm Stata 15. Với 1.435 quan sát thực nghiệm, kết quả khẳng định: đòn bẩy tài chính ($Lev$), áp lực tài chính ($Stress$) và hành vi điều chỉnh báo cáo tài chính ($RM$) làm gia tăng đáng kể nguy cơ kiệt quệ tài chính; ngược lại, hiệu quả sinh lời ($ROA$), sự tham gia vốn của Nhà nước ($SO$) và chất lượng kiểm toán từ các công ty $Big 4$ đóng vai trò là những lá chắn phòng ngừa rủi ro hiệu quả.

Công trình mang lại giá trị kép: vừa đóng góp vào hệ thống lý luận quản trị tài chính tại các thị trường mới nổi, vừa cung cấp công cụ thực hành đo lường rủi ro hữu hiệu cho các nhà hoạch định chính sách, định chế tín dụng và ban lãnh đạo doanh nghiệp nhằm hướng tới mục tiêu tăng trưởng tài chính an toàn và bền vững.