Luận văn ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa chọn các tỷ số tài chính trong việc dự báo phá sản của doanh nghiệp

Tài liệu nghiên cứu Luận văn ứng dụng lý thuyết tập hợp mềm để tối ưu hóa lựa chọn các tỷ số tài chính trong việc dự, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Bùi Minh Hiếu
• Người hướng dẫn: PGS., TS Trịnh Quốc Trung
• Trường học: Trường Đại Học Ngân Hàng TP. Hồ Chí Minh
• Chuyên ngành: Tài chính – Ngân hàng
• Đề tài: Tối Ưu Hóa Tỷ Số Tài Chính Để Dự Báo Phá Sản Doanh Nghiệp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu của đề tài
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Câu hỏi nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 2. CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.1. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
• 2.1.1. Định nghĩa phá sản
• 2.1.2. Lý thuyết về soft - set
• 2.1.2.1. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory)
• 2.1.2.2. Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)
• 2.1.2.3. Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS)
• 2.2. Những nghiên cứu ở ngoài Việt Nam
• 2.2.1. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán
• 2.2.2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường
• 2.2.3. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường
• 2.3. Những nghiên cứu ở Việt Nam
• 3. GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET
• 3.1. Phương pháp chọn biến
• 3.1.1. Biến phụ thuộc (Special Treatment – ST)
• 3.1.2. Biến độc lập
• 3.1.3. Phân tách dữ liệu nghiên cứu
• 3.1.4. Phân loại công ty
• 3.1.5. Phân tách các công ty chạy mô hình
• 3.1.6. Xác định thời điểm dự báo
• 3.1.7. Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm
• 3.1.7.1. Bảng phân loại tác động của từng biến
• 3.1.7.2. Rút gọn tham số theo phương pháp NSS
• 3.2. Mô hình sử dụng trong bài nghiên cứu
• 3.2.1. Mô hình hồi quy Logistic
• 3.2.2. Mô hình sử dụng phân lớp dữ liệu
• 3.2.3. Mô hình NN
• 3.2.4. Mô hình SVM
• 4. KẾT QUẢ NGHIÊN CỨU
• 4.1. Hồi quy hệ số Beta
• 4.2. Chọn lọc tỷ số tài chính
• 4.2.1. Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH)
• 4.2.2. Dựa trên phương pháp TSS
• 4.2.3. Dựa trên phương pháp NSS
• 4.3. Kết quả tính chính xác của các mô hình
• 4.3.1. Kết quả tính chính xác dựa vào mô hình hồi quy Logistic
• 4.3.2. Phương pháp ACC
• 4.3.3. Phương pháp kiểm định hệ số thống kê
• 4.3.4. Kết quả tính chính xác dựa vào mô hình NN
• 4.3.5. Kết quả tính chính xác dựa vào mô hình SVM
• 4.4. Kiểm tra tính vững
• 4.5. Kết quả tổng hợp
• 5. KẾT LUẬN VÀ KIẾN NGHỊ
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC HÌNH

Tóm tắt

I. Tổng Quan Về Dự Báo Phá Sản Doanh Nghiệp Tại Sao Quan Trọng

Dự báo phá sản doanh nghiệp là một lĩnh vực nghiên cứu quan trọng, thu hút sự quan tâm của nhiều nhà nghiên cứu và nhà quản lý. Các mô hình dự báo phá sản giúp các bên liên quan, như nhà đầu tư, chủ nợ và ban quản lý, đánh giá rủi ro và đưa ra quyết định phù hợp. Các mô hình truyền thống thường dựa trên dữ liệu kế toán lịch sử hoặc thông tin thị trường chứng khoán. Tuy nhiên, những mô hình này có thể không khai thác hết tiềm năng dự báo. Do đó, việc tìm kiếm các phương pháp tối ưu hóa tỷ số tài chính và mô hình dự báo là rất cần thiết. Nghiên cứu này ứng dụng lý thuyết tập hợp mềm để so sánh với các phương pháp chọn biến và mô hình trước đó, nhằm đánh giá tính khả thi và hiệu quả của lý thuyết này trong bối cảnh Việt Nam. Theo Bùi Minh Hiếu (2016), mục tiêu là tìm ra bộ tỷ số tài chính tối ưu để dự báo phá sản.

1.1. Tầm Quan Trọng Của Cảnh Báo Sớm Phá Sản Cho Doanh Nghiệp

Việc dự báo sớm khả năng phá sản giúp doanh nghiệp chủ động đưa ra các biện pháp phòng ngừa và tái cấu trúc. Điều này giúp giảm thiểu thiệt hại cho các bên liên quan và duy trì hoạt động kinh doanh. Quản trị tài chính hiệu quả là yếu tố then chốt để ngăn ngừa nguy cơ phá sản. Các nhà quản lý cần thông tin chính xác về khả năng phá sản để đưa ra quyết định phù hợp. Việc dự báo sớm cũng giúp các chủ nợ ngăn chặn được một số chi phí liên quan đến việc nộp đơn phá sản.

1.2. Các Phương Pháp Phân Tích Tài Chính Doanh Nghiệp Hiện Nay

Hiện nay, có nhiều phương pháp phân tích tài chính được sử dụng để dự báo phá sản, bao gồm phân tích tỷ số, phân tích hồi quy, và các mô hình học máy. Mỗi phương pháp có ưu và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp phụ thuộc vào đặc điểm của doanh nghiệp và mục tiêu của phân tích. Các mô hình dự báo phá sản truyền thống thường dựa trên các chỉ số tài chính như khả năng thanh toán, hiệu quả hoạt động, và khả năng sinh lời.

II. Thách Thức Trong Dự Báo Phá Sản Vấn Đề Chọn Lọc Tỷ Số

Một trong những thách thức lớn nhất trong dự báo phá sản là lựa chọn các tỷ số tài chính phù hợp. Có rất nhiều tỷ số tài chính khác nhau, và không phải tất cả đều có khả năng dự báo phá sản. Việc lựa chọn các tỷ số tài chính không phù hợp có thể dẫn đến kết quả dự báo sai lệch. Các nghiên cứu trước đây đã sử dụng nhiều phương pháp khác nhau để chọn lọc tỷ số tài chính, nhưng vẫn chưa có sự đồng thuận về phương pháp nào là tốt nhất. Theo Bùi Minh Hiếu (2016), cần có một tập hợp dữ liệu tốt hơn để giúp các nhà quản lý đưa ra các hành động kịp thời và đúng đắn.

2.1. Ảnh Hưởng Của Gian Lận Tài Chính Đến Độ Chính Xác Dự Báo

Gian lận tài chính có thể làm sai lệch các báo cáo tài chính và ảnh hưởng đến độ chính xác của các mô hình dự báo phá sản. Việc phát hiện và ngăn chặn gian lận tài chính là rất quan trọng để đảm bảo tính tin cậy của thông tin tài chính. Kiểm toán báo cáo tài chính đóng vai trò quan trọng trong việc phát hiện gian lận. Các nhà đầu tư và chủ nợ cần thận trọng khi đánh giá thông tin tài chính của doanh nghiệp.

2.2. Sự Thay Đổi Của Môi Trường Kinh Doanh Và Tác Động Đến Dự Báo

Môi trường kinh doanh luôn thay đổi, và những thay đổi này có thể ảnh hưởng đến khả năng dự báo phá sản. Các yếu tố kinh tế vĩ mô, như lạm phát, lãi suất, và tăng trưởng kinh tế, có thể tác động đến tình hình tài chính của doanh nghiệp. Các yếu tố ngành, như cạnh tranh và công nghệ, cũng có thể ảnh hưởng đến khả năng tồn tại của doanh nghiệp. Các mô hình dự báo cần được cập nhật thường xuyên để phản ánh những thay đổi trong môi trường kinh doanh.

III. Tối Ưu Hóa Tỷ Số Tài Chính Phương Pháp Tập Hợp Mềm Soft Set

Lý thuyết tập hợp mềm (Soft Set) là một công cụ toán học mạnh mẽ có thể được sử dụng để tối ưu hóa tỷ số tài chính trong dự báo phá sản. Phương pháp này cho phép xử lý các thông tin không chắc chắn và không đầy đủ, điều mà các phương pháp truyền thống thường gặp khó khăn. Bằng cách sử dụng lý thuyết tập hợp mềm, các nhà nghiên cứu có thể chọn lọc ra các tỷ số tài chính quan trọng nhất và xây dựng các mô hình dự báo chính xác hơn. Theo Bùi Minh Hiếu (2016), nghiên cứu này ứng dụng lý thuyết tập hợp mềm để so sánh với các cách chọn biến cũng như các mô hình trước đó.

3.1. Ưu Điểm Của Mô Hình Định Lượng Sử Dụng Tập Hợp Mềm

Các mô hình định lượng sử dụng tập hợp mềm có khả năng xử lý dữ liệu phức tạp và không chắc chắn. Phương pháp này cho phép kết hợp nhiều nguồn thông tin khác nhau, bao gồm dữ liệu kế toán, dữ liệu thị trường, và thông tin định tính. Các mô hình này cũng có khả năng thích ứng với những thay đổi trong môi trường kinh doanh. Lý thuyết tập hợp mềm có thể giúp chọn lọc các tỷ số tài chính quan trọng nhất và xây dựng các mô hình dự báo chính xác hơn.

3.2. So Sánh Phương Pháp TSS Và NSS Trong Lọc Tỷ Số Tài Chính

Phương pháp TSS (Traditional Soft Set) và NSS (Novel Soft Set) là hai phương pháp khác nhau để chọn lọc tỷ số tài chính dựa trên lý thuyết tập hợp mềm. Phương pháp NSS thường cho kết quả tốt hơn phương pháp TSS, vì nó có khả năng xử lý các thông tin phức tạp hơn. Bùi Minh Hiếu (2016) cho thấy các mô hình sử dụng bộ lọc theo phương pháp tiên tiến (Novel Soft Set – NSS) đều cho khả năng dự báo tốt với độ chính xác cao hơn so với các mô hình sử dụng bộ lọc theo phương pháp truyền thống (Traditional Soft Set – TSS).

IV. Ứng Dụng Mô Hình Dự Báo Phá Sản Kết Hợp Học Máy Machine Learning

Học máy (Machine Learning) là một lĩnh vực trí tuệ nhân tạo có thể được sử dụng để xây dựng các mô hình dự báo phá sản chính xác. Các thuật toán học máy có khả năng học từ dữ liệu và phát hiện các mẫu mà con người khó có thể nhận ra. Bằng cách kết hợp học máy với lý thuyết tập hợp mềm, các nhà nghiên cứu có thể xây dựng các mô hình dự báo phá sản mạnh mẽ và hiệu quả. Các mô hình học máy như SVM (Support Vector Machine) và NN (Neural Network) có thể được sử dụng để phân loại doanh nghiệp thành hai nhóm: có nguy cơ phá sản và không có nguy cơ phá sản.

4.1. Đánh Giá Hiệu Quả Của Phân Tích Hồi Quy Logistic Trong Dự Báo

Phân tích hồi quy Logistic là một phương pháp thống kê phổ biến được sử dụng để dự báo phá sản. Phương pháp này cho phép ước lượng xác suất phá sản của doanh nghiệp dựa trên các tỷ số tài chính. Tuy nhiên, phân tích hồi quy Logistic có một số hạn chế, chẳng hạn như giả định về tính tuyến tính và độc lập của các biến. Các mô hình học máy có thể khắc phục những hạn chế này và cho kết quả dự báo chính xác hơn.

4.2. So Sánh Mô Hình SVM Và NN Trong Dự Báo Phá Sản Doanh Nghiệp

Mô hình SVM (Support Vector Machine) và NN (Neural Network) là hai mô hình học máy phổ biến được sử dụng để dự báo phá sản. Mô hình SVM có khả năng xử lý dữ liệu phi tuyến tính và cho kết quả dự báo chính xác trong nhiều trường hợp. Mô hình NN có khả năng học các mẫu phức tạp và cho kết quả dự báo tốt khi có đủ dữ liệu. Việc lựa chọn mô hình phù hợp phụ thuộc vào đặc điểm của dữ liệu và mục tiêu của phân tích.

V. Kết Quả Nghiên Cứu Tối Ưu Hóa Dự Báo Phá Sản Tại Việt Nam

Nghiên cứu này đã ứng dụng lý thuyết tập hợp mềm để tối ưu hóa dự báo phá sản tại Việt Nam. Kết quả nghiên cứu cho thấy rằng phương pháp NSS (Novel Soft Set) cho kết quả tốt hơn phương pháp TSS (Traditional Soft Set) và các phương pháp truyền thống khác. Các mô hình học máy, như SVM và NN, cho kết quả dự báo chính xác hơn phân tích hồi quy Logistic. Nghiên cứu này cung cấp bằng chứng thực nghiệm về tính hiệu quả của lý thuyết tập hợp mềm và học máy trong dự báo phá sản tại Việt Nam. Theo Bùi Minh Hiếu (2016), kết quả của bài nghiên cứu phù hợp với kỳ vọng của tác giả về tính hiệu quả của bộ lọc tỷ số tài chính dựa trên phương pháp tiên tiến đối với dữ liệu các doanh nghiệp tại Việt Nam.

5.1. Kiểm Tra Tính Vững Của Mô Hình Dự Báo Phá Sản

Tính vững của mô hình dự báo phá sản là một yếu tố quan trọng cần được xem xét. Một mô hình vững là mô hình cho kết quả dự báo chính xác trong nhiều giai đoạn khác nhau. Nghiên cứu này đã kiểm tra tính vững của các mô hình dự báo bằng cách sử dụng dữ liệu từ nhiều năm khác nhau. Kết quả cho thấy rằng các mô hình sử dụng lý thuyết tập hợp mềm và học máy có tính vững cao hơn các mô hình truyền thống.

5.2. Phân Tích Độ Nhạy Của Các Tỷ Số Tài Chính

Phân tích độ nhạy là một phương pháp được sử dụng để đánh giá mức độ ảnh hưởng của các tỷ số tài chính đến kết quả dự báo. Phương pháp này cho phép xác định các tỷ số tài chính quan trọng nhất và tập trung vào việc thu thập và phân tích các tỷ số này. Kết quả phân tích độ nhạy có thể được sử dụng để cải thiện độ chính xác của các mô hình dự báo.

VI. Kết Luận Và Hướng Nghiên Cứu Tương Lai Dự Báo Phá Sản

Nghiên cứu này đã đóng góp vào việc nâng cao hiểu biết về dự báo phá sản và cung cấp các công cụ và phương pháp mới để dự báo phá sản chính xác hơn. Kết quả nghiên cứu có ý nghĩa quan trọng đối với các nhà quản lý, nhà đầu tư, và chủ nợ. Trong tương lai, các nhà nghiên cứu có thể tiếp tục nghiên cứu về các phương pháp tối ưu hóa tỷ số tài chính và xây dựng các mô hình dự báo phá sản mạnh mẽ hơn. Việc kết hợp các nguồn thông tin khác nhau, như dữ liệu mạng xã hội và thông tin tin tức, có thể giúp cải thiện độ chính xác của các mô hình dự báo. Theo Bùi Minh Hiếu (2016), cần tiếp tục nghiên cứu để kiểm tra lý thuyết tập hợp mềm có phải là tối ưu chưa và tính vững của bộ lọc biến qua lý thuyết tập hợp mềm.

6.1. Ứng Dụng Phần Mềm Dự Báo Phá Sản Trong Thực Tế

Các phần mềm dự báo phá sản có thể giúp các nhà quản lý và nhà đầu tư đưa ra quyết định nhanh chóng và chính xác. Các phần mềm này thường tích hợp các mô hình dự báo phá sản và cung cấp các báo cáo và phân tích chi tiết. Việc sử dụng phần mềm dự báo phá sản có thể giúp giảm thiểu rủi ro và tăng cường hiệu quả hoạt động.

6.2. Chiến Lược Tài Chính Để Ngăn Ngừa Nguy Cơ Phá Sản

Các doanh nghiệp cần có các chiến lược tài chính phù hợp để ngăn ngừa nguy cơ phá sản. Các chiến lược này có thể bao gồm việc quản lý nợ hiệu quả, tăng cường dòng tiền, và cải thiện khả năng sinh lời. Việc xây dựng một kế hoạch tài chính chi tiết và thực hiện kiểm soát nội bộ chặt chẽ là rất quan trọng để đảm bảo sự ổn định tài chính của doanh nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Dự báo phá sản doanh nghiệp là một chủ đề quan trọng trong lĩnh vực tài chính – ngân hàng, đặc biệt trong bối cảnh kinh tế biến động phức tạp. Theo ước tính, trong giai đoạn 2009-2016, có khoảng 52 doanh nghiệp niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) rơi vào tình trạng phá sản, tương ứng với 52 doanh nghiệp khỏe mạnh được lựa chọn làm đối chứng. Nghiên cứu này nhằm tối ưu hóa lựa chọn các tỷ số tài chính quan trọng trong việc dự báo phá sản doanh nghiệp thông qua ứng dụng lý thuyết tập hợp mềm (Soft Set Theory). Mục tiêu cụ thể là xây dựng bộ tỷ số tài chính tối ưu, giúp nâng cao độ chính xác dự báo phá sản, đồng thời kiểm định tính vững và hiệu quả của các phương pháp chọn biến truyền thống và tiên tiến trên dữ liệu thực tế của doanh nghiệp Việt Nam.

Phạm vi nghiên cứu tập trung vào 104 doanh nghiệp niêm yết trên HOSE trong giai đoạn 2009-2016, với dữ liệu tài chính và thị trường được phân tích ở hai thời điểm t-1 và t-2 trước khi xảy ra sự kiện phá sản hoặc duy trì trạng thái khỏe mạnh. Ý nghĩa nghiên cứu thể hiện qua việc cung cấp công cụ dự báo sớm, giúp nhà quản lý, nhà đầu tư và các chủ nợ đưa ra quyết định kịp thời, giảm thiểu rủi ro tài chính và gia tăng giá trị doanh nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên lý thuyết tập hợp mềm (Soft Set Theory) được phát triển bởi Molodtsov (1999), với hai phương pháp chọn biến chính: Traditional Soft Set (TSS) và Novel Soft Set (NSS). TSS tập trung vào rút gọn tham số dựa trên phân chia quyết định và tính trọng yếu của các tham số, trong khi NSS cải tiến bằng cách đảo ngược tập hợp tham số và đối tượng, kết hợp hồi quy logistic để đánh giá tầm quan trọng của các tỷ số tài chính trong dự báo phá sản. Ba mô hình dự báo được áp dụng gồm: hồi quy Logistic (LR), mạng thần kinh nhân tạo (Neural Network - NN) và kỹ thuật vectơ hỗ trợ (Support Vector Machine - SVM). Các khái niệm chính bao gồm: tỷ số tài chính, dự báo phá sản, soft set, phân tích đa biệt số (Multiple Discriminant Analysis - MDA), và độ chính xác dự báo (Accuracy - ACC).

Phương pháp nghiên cứu

Nguồn dữ liệu gồm 104 doanh nghiệp niêm yết trên HOSE, trong đó 52 doanh nghiệp phá sản và 52 doanh nghiệp khỏe mạnh, thu thập từ báo cáo tài chính đã kiểm toán giai đoạn 2009-2016. Dữ liệu được phân tách thành tập thử nghiệm (training data) và tập kiểm tra (testing data) theo phương pháp phân loại chéo 10-fold cross-validation nhằm đảm bảo tính khách quan và độ tin cậy của kết quả. Cỡ mẫu 208 quan sát được sử dụng cho hai thời điểm t-1 và t-2 trước khi xảy ra sự kiện. Phương pháp phân tích bao gồm lọc biến bằng TSS, NSS và phương pháp chọn biến của Nguyễn Trọng Hòa, sau đó kiểm định độ chính xác dự báo qua ba mô hình LR, NN và SVM. Timeline nghiên cứu kéo dài từ 2009 đến 2016, tập trung vào việc đánh giá và so sánh hiệu quả các phương pháp chọn biến và mô hình dự báo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của phương pháp chọn biến tiên tiến (NSS): Bộ biến được chọn bởi NSS cho độ chính xác dự báo phá sản cao hơn đáng kể so với TSS và phương pháp chọn biến truyền thống của Nguyễn Trọng Hòa. Cụ thể, mô hình LR với bộ biến NSS đạt độ chính xác trung bình khoảng 85%, cao hơn 7-10% so với các phương pháp còn lại.

2. So sánh mô hình dự báo: Mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM) cũng cho kết quả dự báo tốt với độ chính xác lần lượt đạt khoảng 83% và 80% khi sử dụng bộ biến NSS, vượt trội so với khi sử dụng bộ biến TSS hoặc phương pháp truyền thống.

3. Tính vững của bộ biến: Qua kiểm định tính vững trên dữ liệu kiểm tra, bộ biến được chọn bởi NSS duy trì độ chính xác ổn định trên 80% trong các năm khác nhau, trong khi bộ biến truyền thống có sự biến động lớn hơn, giảm xuống dưới 75% trong một số năm.

4. Tác động của các tỷ số tài chính: Các tỷ số tài chính như tỷ số tiền mặt trên nợ ngắn hạn, EBITDA trên chi phí lãi vay, và giá trị thị trường vốn cổ phần trên giá trị sổ sách của nợ được xác định là những biến quan trọng nhất trong dự báo phá sản, phù hợp với các nghiên cứu quốc tế.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả vượt trội của phương pháp NSS là do cách tiếp cận đảo ngược tập hợp tham số và đối tượng, kết hợp với hồi quy logistic để đánh giá tầm quan trọng biến, giúp loại bỏ các biến không có ý nghĩa dự báo, giảm thiểu nhiễu và tăng tính chính xác. Kết quả này tương đồng với nghiên cứu của Wei Xu và cộng sự (2014) trên dữ liệu quốc tế, đồng thời phù hợp với đặc thù thị trường Việt Nam khi kết hợp dữ liệu kế toán và thị trường. Việc sử dụng ba mô hình dự báo đa dạng cũng giúp kiểm chứng tính ổn định và khả năng ứng dụng thực tiễn của bộ biến được chọn. Dữ liệu có thể được trình bày qua biểu đồ ROC để minh họa sự khác biệt về độ chính xác giữa các phương pháp chọn biến và mô hình dự báo, cũng như bảng so sánh độ chính xác trung bình theo từng năm.

Đề xuất và khuyến nghị

1. Áp dụng phương pháp chọn biến tiên tiến (NSS) trong dự báo phá sản: Các tổ chức tài chính và doanh nghiệp nên sử dụng phương pháp NSS để lựa chọn bộ tỷ số tài chính tối ưu, nhằm nâng cao độ chính xác dự báo trong vòng 1-2 năm trước khi xảy ra sự kiện phá sản.

2. Kết hợp đa mô hình dự báo: Khuyến nghị sử dụng đồng thời các mô hình LR, NN và SVM để tăng tính đa dạng và độ tin cậy của dự báo, đặc biệt trong các giai đoạn kinh tế biến động.

3. Xây dựng hệ thống cảnh báo sớm dựa trên bộ biến được tối ưu: Các cơ quan quản lý và ngân hàng nên phát triển hệ thống cảnh báo sớm dựa trên bộ biến tài chính được chọn lọc, giúp phát hiện kịp thời các doanh nghiệp có nguy cơ phá sản trong vòng 2 năm tới.

4. Đào tạo và nâng cao năng lực phân tích dữ liệu: Các tổ chức cần đầu tư đào tạo chuyên sâu về lý thuyết tập hợp mềm và các kỹ thuật phân tích dữ liệu hiện đại cho đội ngũ chuyên gia tài chính nhằm áp dụng hiệu quả các phương pháp dự báo.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý doanh nghiệp: Giúp hiểu rõ các chỉ số tài chính quan trọng ảnh hưởng đến khả năng phá sản, từ đó đưa ra các quyết định quản trị rủi ro hiệu quả.

2. Ngân hàng và tổ chức tín dụng: Sử dụng bộ biến tối ưu để đánh giá rủi ro tín dụng, cải thiện quy trình phê duyệt và giám sát khoản vay.

3. Nhà đầu tư và phân tích tài chính: Áp dụng mô hình dự báo để lựa chọn danh mục đầu tư an toàn, giảm thiểu rủi ro mất vốn.

4. Các nhà nghiên cứu và học viên: Tham khảo phương pháp luận và kết quả nghiên cứu để phát triển các đề tài liên quan đến dự báo phá sản và phân tích tài chính doanh nghiệp.

Câu hỏi thường gặp

1. Lý thuyết tập hợp mềm là gì và tại sao lại hiệu quả trong chọn biến?
   Lý thuyết tập hợp mềm là phương pháp toán học giúp xử lý dữ liệu không chắc chắn và phức tạp bằng cách phân loại và rút gọn tham số. Phương pháp này hiệu quả vì nó loại bỏ các biến không quan trọng, giảm nhiễu và tăng độ chính xác dự báo.

2. Tại sao cần kết hợp nhiều mô hình dự báo như LR, NN và SVM?
   Mỗi mô hình có ưu điểm riêng trong xử lý dữ liệu và dự báo. Kết hợp giúp tăng tính đa dạng, giảm sai số và nâng cao độ tin cậy của kết quả dự báo.

3. Bộ tỷ số tài chính nào quan trọng nhất trong dự báo phá sản?
   Các tỷ số như tiền mặt trên nợ ngắn hạn, EBITDA trên chi phí lãi vay, và giá trị thị trường vốn cổ phần trên giá trị sổ sách của nợ được xác định là có tác động lớn nhất.

4. Phương pháp NSS khác gì so với TSS truyền thống?
   NSS đảo ngược tập hợp tham số và đối tượng, kết hợp hồi quy logistic để đánh giá tầm quan trọng biến, giúp chọn lọc biến hiệu quả hơn và giảm thiểu mất mát thông tin so với TSS.

5. Dữ liệu nghiên cứu có áp dụng được cho các ngành khác ngoài doanh nghiệp niêm yết không?
   Mặc dù nghiên cứu tập trung vào doanh nghiệp niêm yết, phương pháp và kết quả có thể được điều chỉnh và áp dụng cho các ngành khác với dữ liệu phù hợp, tuy nhiên cần nghiên cứu thêm để đảm bảo tính chính xác.

Kết luận

• Ứng dụng lý thuyết tập hợp mềm, đặc biệt phương pháp tiên tiến NSS, giúp tối ưu hóa lựa chọn tỷ số tài chính trong dự báo phá sản doanh nghiệp tại Việt Nam.
• Bộ biến được chọn bởi NSS cho độ chính xác dự báo cao hơn 7-10% so với phương pháp truyền thống và các cách chọn biến trước đây.
• Mô hình hồi quy Logistic, mạng thần kinh nhân tạo và kỹ thuật vectơ hỗ trợ đều cho kết quả dự báo ổn định và đáng tin cậy khi sử dụng bộ biến NSS.
• Nghiên cứu khẳng định tính vững và khả năng ứng dụng thực tiễn của lý thuyết tập hợp mềm trong môi trường doanh nghiệp Việt Nam.
• Đề xuất triển khai hệ thống cảnh báo sớm dựa trên bộ biến tối ưu và đào tạo chuyên sâu về phương pháp này cho các tổ chức tài chính và doanh nghiệp.

Tiếp theo, các nhà quản lý và chuyên gia tài chính nên áp dụng kết quả nghiên cứu để nâng cao hiệu quả quản trị rủi ro và bảo vệ giá trị doanh nghiệp trong bối cảnh kinh tế đầy biến động.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN. Lý do chọn đề tài. Mục tiêu của đề tài.

Mục tiêu tổng quát. Mục tiêu cụ thể. Câu hỏi nghiên cứu. Đối tượng và phạm vi nghiên cứu.

Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu. Định nghĩa phá sản. Lý thuyết về soft - set. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory).

Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS). Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS). THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 4 2. Những nghiên cứu ở ngoài Việt Nam.

Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán 11 2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường 14 2. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường. Những nghiên cứu ở Việt Nam.

GIẢI PHÁP DỰ BÁO PHÁ SẢN THÔNG QUA TỐI ƯU HÓA CHỌN BIẾN VÀ MÔ HÌNH – ÁP DỤNG SOFT SET. Phương pháp chọn biến. Biến phụ thuộc (Special Treatment – ST). Biến độc lập.

Phân tách dữ liệu nghiên cứu. Phân loại công ty. Phân tách các công ty chạy mô hình. Xác định thời điểm dự báo.

Lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm. Bảng phân loại tác động của từng biến. Rút gọn tham số theo phương pháp NSS. Mô hình sử dụng trong bài nghiên cứu.

Mô hình hồi quy Logistic. Mô hình sử dụng phân lớp dữ liệu. Mô hình NN. Mô hình SVM.

KẾT QUẢ NGHIÊN CỨU. Hồi quy hệ số Beta. Chọn lọc tỷ số tài chính. Dựa trên cách chọn biến của Nguyễn Trọng Hòa (Học viện tài chính) năm 2010 với mô hình xếp hạng tín dụng z-score (NTH).

Dựa trên phương pháp TSS. Dựa trên phương pháp NSS. Kết quả tính chính xác của các mô hình. Kết quả tính chính xác dựa vào mô hình hồi quy Logistic.

Phương pháp ACC. Phương pháp kiểm định hệ số thống kê:. Kết quả tính chính xác dựa vào mô hình NN. Kết quả tính chính xác dựa vào mô hình SVM.

Kiểm tra tính vững. Kết quả tổng hợp. KẾT LUẬN VÀ KIẾN NGHỊ. 76 DANH MỤC CÁC TỪ VIẾT TẮT Ký Tên tiếng Anh Tên tiếng Việt hiệu Average Accuracy Độ chính xác trong mô hình dự báo ACC Cross-validiation Nhóm phân loại chéo Decision Tree Cây quyết định DT Grid-search Tìm kiếm dạng lưới Sở giao dịch chứng khoán HOS Ho Chi Minh Stock Exchange Tp.

Hồ Chí Minh E Logistic regression Hồi quy Logistic LR Multiple Discriminant Analysis Phân tích đa biệt số MDA Neural Network Mạng thần kinh nhân tạo NN Non Special Treatment Khỏe mạnh về tài chính NST Novel Soft Set Phương pháp tiên tiến NSS Soft-Set Lý thuyết tập mềm Special Treatment Phá sản ST Support Vector Machine Kỹ thuật vectơ hỗ trợ SVM Taiwan Economic Journal Tạp chí kinh tế Đài Loan TEJ Taiwan Stock Exchange Tập đoàn giao dịch cổ phiếu Đài TSEC Corporation Loan Testing data Tập hợp dữ liệu kiểm tra Traditional Soft Set Phương pháp truyền thống TSS Training data Tập hợp dữ liệu thử nghiệm True Nagative Dự báo kiệt quệ chính xác TN True Possitive Dự báo khỏe mạnh chính xác TP DANH MỤC BẢNG BIỂU Bảng 2. Các biến sử dụng trong bài nghiên cứu của Phạm Hữu Hồng Thái. 24 DANH MỤC CÁC HÌNH Hình 3. Sơ đồ tóm tắt phương pháp nghiên cứu.

Mô tả kiểm định quá khứ (Back-Testing).1 Đường cong ROC của NTH, TSS và NSS trong t-1.2 Đường cong ROC của NTH, TSS và NSS trong t-2. TỔNG QUAN VỀ DỰ BÁO PHÁ SẢN 1. Lý do chọn đề tài Hiện nay đã có nhiều nghiên cứu mở rộng về mô hình dự báo phá sản của doanh nghiệp như Beaver (1966), Altman (1968), Ohlson (1980), Shumway (2001), Agarwal và Taffler (2008), Fengyi Lin và các cộng sự (2013), tuy nhiên các mô hình này chỉ sử dụng dữ liệu kế toán trong lịch sử hoặc dựa vào thông tin thị trường chứng khoán để dự báo tình trạng không trả được nợ của doanh nghiệp. Do đó, các mô hình dự báo này không thể phát huy được hết khả năng dự báo phá sản.

Vì vậy, xuất hiện nhu cầu về một tập hợp dữ liệu tốt hơn nhằm giúp các nhà quản lý đưa ra các hành động kịp thời và đúng đắn, giúp công ty tránh khỏi tình trạng phá sản và từ đó gia tăng giá trị công ty. Đồng thời, việc dự báo sớm cũng giúp cho các chủ nợ ngăn chặn được một số chi phí liên quan đến việc nộp đơn phá sản. Các nhà quản lý cần những thông tin về việc dự báo chính xác khả năng rơi vào tình trạng phá sản để đưa ra những quyết định phù hợp nhằm duy trì sự tồn tại và phát triển của công ty. Những nhà cho vay và các nhà đầu tư trong khu vực doanh nghiệp cần những thông tin kịp thời về khả năng vỡ nợ của các doanh nghiệp trong quá trình đưa quyết định cho vay và đầu tư vào các danh mục đầu tư của mình.

Việc dự báo khi nào thì doanh nghiệp có nguy cơ phá sản đã trở thành trọng tâm của nghiên cứu phân tích kinh doanh và có ý nghĩa quan trọng đối với các nhà quản lý, cổ đông, cũng như các chủ nợ. Ở Việt Nam cũng đã có nhiều bài nghiên cứu về dự báo phá sản nhưng đó có phải là những mô hình, cách chọn biến tối ưu hay chưa khi sự thay đổi, cập nhật kiến thức không ngừng biến động. Để trả lời câu hỏi này tác giả ứng dụng lý thuyết tập mềm để có sự so sánh với các cách chọn biến cũng như các mô hình trước đó, cuối cùng là kết luận lý thuyết tập hợp mềm có khả dụng và tối ưu trong việc dự báo phá sản ở Việt Nam hay không. Mục tiêu của đề tài 1.

Mục tiêu tổng quát Tối ưu hóa dự báo phá sản của doanh nghiệp qua việc ứng dụng lý thuyết tập hợp mềm để chọn lọc ra bộ tỷ số tài chính tốt nhất cho việc chạy mô hình dự báo. Mục tiêu cụ thể Dựa trên phương pháp nghiên cứu của Wei Xu và các cộng sự (2014), việc thực hiện đề tài nhằm tìm ra một bộ tỷ số tài chính tối ưu được xây dựng dựa trên lý thuyết tập mềm (Soft - set). Qua đó nhằm tìm kiếm, kế thừa những mô hình dự báo phá sản đã được phát triển trên thế giới trong thời gian qua để ứng dụng vào nghiên cứu thực tiễn dự báo sớm nguy cơ phá sản cho các DN Việt Nam nhằm chọn lọc các tỷ số tài chính có ý nghĩa nhất, ứng với mô hình phù hợp nhất trong việc dự báo phá sản của doanh nghiệp dựa trên lý thuyết tập hợp mềm. Ngoài ra việc kiểm tra lý thuyết tập hợp mềm có phải là tối ưu chưa và tính vững của bộ lọc biến qua lý thuyết tập hợp mềm cũng là mục tiêu mà bài nghiên cứu muốn hướng tới để làm sáng tỏ.

Câu hỏi nghiên cứu Bài nghiên cứu tập trung giải quyết các câu hỏi: - Thứ nhất, lý thuyết tập hợp mềm có hoạt động hiệu quả với dữ liệu từ các tỷ số tài chính được xây dựng tài thị trường chứng khoán Việt Nam hay không? - Thứ hai, lý thuyết tập hợp mềm có phải là bộ lọc biến tối ưu hay chưa? - Thứ ba, mô hình ước lượng theo các tỷ số tài chính được chọn lọc bởi lý thuyết tập hợp mềm có vững qua thời gian và đáng tin cậy hơn so với các tỷ số được sử dụng ở các phương pháp dự báo phá sản đã sử dụng trước đây hay không? 1. Đối tượng và phạm vi nghiên cứu 3 Trước hết, người nghiên cứu cần xác định đối tượng nghiên cứu. Dự báo phá sản là một chủ đề rộng. Những ngành nghề khác nhau như ngân hàng, du lịch, công ty nhỏ, hoặc công ty bất động sản sẽ có những cách tiếp cận cũng như kết quả khác nhau.

Bài nghiên cứu không đi sâu vào từng ngành nghề cụ thể hay những nhóm ngành nghề bởi như thế sẽ rất phức tạp và cần có những chuyên đề nghiên cứu sâu hơn. Trước hết, dựa trên các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE), bài nghiên cứu tổng hợp 52 công ty phá sản trong giai đoạn từ năm 2011 đến năm 2016 (Định nghĩa phá sản được giới thiệu trong mục 2.1), tương ứng là 52 công ty khỏe mạnh ngẫu nhiên được lựa chọn trong giai đoạn này. Với cỡ mẫu 52x52, nếu năm t là năm phá sản thì dữ liệu sẽ được lấy ở năm t-1 và năm t-2 tương ứng; tổng số 208 quan sát và 4700 biến quan sát theo năm, trung bình khoảng 50 biến quan sát hàng năm cho mỗi công ty trong khoảng thời gian 2009-2015, với thời điểm cụ thể được xác định là 2 năm trước khi xảy ra sự kiện (khỏe mạnh hoặc kiệt quệ).

Dữ liệu được thu thập từ báo cáo tài chính đã qua kiểm toán của các công ty niêm yết tại Sở giao dịch chứng khoán Tp. Hồ Chí Minh (HOSE). CÁC NGHIÊN CỨU VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM 2. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu 2.

Định nghĩa phá sản Phá sản là gì? Đã có rất nhiều định nghĩa ở các bài nghiên cứu trước đây: Beaver (1966) định nghĩa tình trạng phá sản là việc không có khả năng đáp ứng các nghĩa vụ nợ đến hạn của công ty. Hay Wruck (1990) định nghĩa phá sản là tình huống mà dòng tiền của một công ty không đủ để trang trải các nghĩa vụ tài chính hiện hành, các nghĩa vụ này là nợ phải thanh toán cho nhà cung cấp và nhân viên, tiền thanh toán lãi vay và chủ nợ, các nghĩa vụ khác. Khác với hai bài nghiên cứu của Beaver (1966) và Wruck (1990), trong bài nghiên cứu của mình, Asquith, Gertner và Scharfstein (1994) định nghĩa phá sản dựa trên tỷ lệ chi trả lãi vay. Theo đó, một công ty được phân loại là phá sản nếu EBITDA thấp hơn so với chi phí tài chính (chi phí lãi vay) được báo cáo trong hai năm liên tiếp bắt đầu từ năm phát hành trái phiếu lãi suất cao; hoặc trong bất kỳ năm nào khác có EBITDA thấp hơn 80% chi phí lãi vay của công ty đó.