Ứng Dụng Lý Thuyết Tập Hợp Mềm Để Tối Ưu Hóa Tỷ Số Tài Chính Trong Dự Báo Phá Sản Doanh Nghiệp

• 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: 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
• Loại tài liệu: Luận văn thạc sĩ kinh tế
• Năm xuất bản: 2016
• Địa điểm: TP. Hồ Chí Minh

• 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
• 1.2.3. Câu hỏi nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Cơ sở lý luận và lý thuyết sử dụng trong bài nghiên cứu
• 1.4.1. Định nghĩa phá sản
• 1.4.2. Lý thuyết về soft - set
• 1.4.3. Định nghĩa về tập hợp mềm (Tập hợp mềm Theory)
• 1.4.4. Lý thuyết phương pháp lọc truyền thống (Traditional Soft Set – TSS)
• 1.4.5. Lý thuyết theo phương pháp tiên tiến (Novel Soft Set – NSS)
• 2. THỰC TRẠNG VỀ DỰ BÁO PHÁ SẢN TRÊN THẾ GIỚI VÀ Ở VIỆT NAM
• 2.1. Những nghiên cứu ở ngoài Việt Nam
• 2.1.1. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán
• 2.1.2. Những nghiên cứu sử dụng các mô hình dự báo dựa vào tỷ số tài chính thị trường
• 2.1.3. Những nghiên cứu sử dụng các mô hình dự báo dựa trên các tỷ số tài chính kế toán kết hợp thị trường
• 2.2. 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
• 3.1.8. Bảng phân loại tác động của từng biến
• 3.1.9. 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

I. Giới thiệu và mục tiêu nghiên cứu

Nghiên cứu này tập trung vào việc tối ưu hóa việc lựa chọn các tỷ số tài chính để dự báo phá sản của doanh nghiệp bằng cách áp dụng lý thuyết tập hợp mềm. Mục tiêu chính là tìm ra bộ tỷ số tài chính tối ưu, giúp cải thiện độ chính xác của các mô hình dự báo phá sản. Nghiên cứu sử dụng dữ liệu từ 104 doanh nghiệp niêm yết tại Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) từ năm 2009 đến 2016. Các phương pháp chọn lọc biến bao gồm Traditional Soft Set (TSS) và Novel Soft Set (NSS), được kiểm định bằng các mô hình như hồi quy Logistic (LR), Support Vector Machine (SVM), và Neural Network (NN).

1.1. Lý do chọn đề tài

Việc dự báo phá sản đã trở thành một chủ đề quan trọng trong phân tích tài chính và quản lý rủi ro. Các mô hình truyền thống thường chỉ sử dụng dữ liệu kế toán hoặc thông tin thị trường, dẫn đến hạn chế trong khả năng dự báo. Nghiên cứu này nhằm khắc phục những hạn chế đó bằng cách áp dụng lý thuyết tập hợp mềm, một phương pháp tiên tiến giúp tối ưu hóa việc lựa chọn các tỷ số tài chính. Điều này không chỉ giúp các nhà quản lý đưa ra quyết định kịp thời mà còn giúp các nhà đầu tư và chủ nợ giảm thiểu rủi ro.

1.2. Mục tiêu nghiên cứu

Mục tiêu tổng quát của nghiên cứu là tối ưu hóa việc dự báo phá sản thông qua việc chọn lọc các tỷ số tài chính dựa trên lý thuyết tập hợp mềm. Mục tiêu cụ thể bao gồm việc so sánh hiệu quả của các phương pháp chọn lọc biến (TSS và NSS) và kiểm định tính chính xác của các mô hình dự báo. Nghiên cứu cũng nhằm xác định tính vững của bộ lọc biến và khả năng ứng dụng của lý thuyết tập hợp mềm trong môi trường kinh doanh tại Việt Nam.

II. Cơ sở lý thuyết và phương pháp nghiên cứu

Nghiên cứu dựa trên lý thuyết tập hợp mềm, một phương pháp toán học giúp tối ưu hóa việc lựa chọn các biến trong phân tích dữ liệu. Các phương pháp chọn lọc biến bao gồm Traditional Soft Set (TSS) và Novel Soft Set (NSS), được áp dụng để rút gọn các tham số không cần thiết và tăng cường độ chính xác của mô hình. Dữ liệu được chia thành hai tập: Training data và Testing data, nhằm đảm bảo tính khách quan trong việc kiểm định mô hình.

2.1. Lý thuyết tập hợp mềm

Lý thuyết tập hợp mềm được giới thiệu bởi Molodtsov (1999), là một công cụ mạnh mẽ trong việc xử lý các bài toán quyết định dựa trên dữ liệu không chắc chắn. Trong nghiên cứu này, tập hợp mềm được sử dụng để lọc các tỷ số tài chính có ảnh hưởng lớn nhất đến việc dự báo phá sản. Phương pháp Novel Soft Set (NSS) được xem là tối ưu hơn so với Traditional Soft Set (TSS) do khả năng loại bỏ các biến không cần thiết và tăng cường độ chính xác của mô hình.

2.2. Phương pháp chọn lọc biến

Nghiên cứu sử dụng hai phương pháp chọn lọc biến chính: Traditional Soft Set (TSS) và Novel Soft Set (NSS). TSS dựa trên việc rút gọn các tham số không trọng yếu, trong khi NSS áp dụng các kỹ thuật tiên tiến hơn để tối ưu hóa việc lựa chọn biến. Cả hai phương pháp đều được kiểm định bằng các mô hình dự báo như hồi quy Logistic (LR), Support Vector Machine (SVM), và Neural Network (NN) để đánh giá hiệu quả.

III. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy các mô hình sử dụng phương pháp Novel Soft Set (NSS) có độ chính xác cao hơn so với các mô hình sử dụng Traditional Soft Set (TSS). Điều này chứng tỏ rằng lý thuyết tập hợp mềm là một công cụ hiệu quả trong việc tối ưu hóa việc lựa chọn các tỷ số tài chính để dự báo phá sản. Nghiên cứu cũng chỉ ra rằng các mô hình này có tính vững cao và có thể áp dụng rộng rãi trong thực tiễn, đặc biệt là trong việc quản lý rủi ro và đánh giá hiệu quả tài chính của doanh nghiệp.

3.1. Độ chính xác của các mô hình

Các mô hình sử dụng phương pháp NSS đều cho kết quả dự báo chính xác hơn so với TSS. Đặc biệt, mô hình Neural Network (NN) sử dụng NSS đạt độ chính xác cao nhất, tiếp theo là Support Vector Machine (SVM) và hồi quy Logistic (LR). Điều này khẳng định tính ưu việt của lý thuyết tập hợp mềm trong việc tối ưu hóa các tỷ số tài chính.

3.2. Ứng dụng thực tiễn

Nghiên cứu này có ý nghĩa quan trọng trong việc quản lý rủi ro và đánh giá hiệu quả tài chính của doanh nghiệp. Các nhà quản lý có thể sử dụng các mô hình dự báo này để đưa ra các quyết định kịp thời, giúp doanh nghiệp tránh khỏi tình trạng phá sản. Đồng thời, các nhà đầu tư và chủ nợ cũng có thể sử dụng kết quả nghiên cứu để đánh giá rủi ro và đưa ra các quyết định đầu tư phù hợp.

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 mẫu so sánh. Việc dự báo chính xác khả năng phá sản giúp các nhà quản lý, nhà đầu tư và chủ nợ đưa ra quyết định kịp thời, giảm thiểu rủi ro tài chính và gia tăng giá trị doanh nghiệp.

Mục tiêu chính của nghiên cứu là tối ưu hóa việc lựa chọn các tỷ số tài chính quan trọng trong dự báo phá sản thông qua ứng dụng lý thuyết tập hợp mềm (Soft Set Theory). Nghiên cứu tập trung vào việc so sánh hiệu quả của hai phương pháp chọn biến dựa trên lý thuyết tập hợp mềm là Traditional Soft Set (TSS) và Novel Soft Set (NSS) với phương pháp chọn biến truyền thống và phương pháp phân tích đa biệt số (Multiple Discriminant Analysis - MDA). Phạm vi nghiên cứu bao gồm 104 doanh nghiệp niêm yết trên HOSE trong giai đoạn 2009-2016, với dữ liệu tài chính và thị trường được phân tách thành tập thử nghiệm và tập kiểm tra nhằm đảm bảo tính chính xác và vững chắc của mô hình dự báo.

Nghiên cứu có ý nghĩa thiết thực trong việc nâng cao độ chính xác dự báo phá sản, hỗ trợ các bên liên quan trong việc quản lý rủi ro tín dụng và đầu tư, đồng thời góp phần phát triển các mô hình dự báo phù hợp với đặc thù thị trường Việt Nam.

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 giới thiệu bởi Molodtsov (1999), là một công cụ toán học hiệu quả trong việc xử lý dữ liệu không chắc chắn và lựa chọn biến. Hai phương pháp chọn biến chính được áp dụng là:

• Traditional Soft Set (TSS): Phương pháp truyền thống dựa trên việc rút gọn tham số của soft set thông qua phân chia quyết định và xác định tập con trọng yếu nhằm giữ nguyên khả năng ra quyết định.

• Novel Soft Set (NSS): Phương pháp tiên tiến đặt tập hợp các tỷ số tài chính làm tập đối tượng và các công ty làm tập tham số, sử dụng hồi quy logistic để đánh giá tầm quan trọng của từng biến trong dự báo phá sản, từ đó xây dựng bảng 0-1 cho soft set và rút gọn tham số hiệu quả hơn.

Ngoài ra, nghiên cứu còn sử dụng các mô hình dự báo phổ biến trong tài chính như:

• Mô hình hồi quy Logistic (LR): Ước lượng xác suất phá sản dựa trên các biến độc lập là tỷ số tài chính.

• Mô hình mạng thần kinh nhân tạo (Neural Network - NN): Mô hình phi tuyến giúp phát hiện các mối quan hệ phức tạp giữa các biến.

• Mô hình kỹ thuật vectơ hỗ trợ (Support Vector Machine - SVM): Mô hình phân loại mạnh mẽ, tối ưu hóa biên phân cách giữa các nhóm doanh nghiệp phá sản và khỏe mạnh.

Các khái niệm chính bao gồm: tỷ số tài chính, dự báo phá sản, soft set, chọn biến, độ chính xác dự báo (Accuracy - ACC).

Phương pháp nghiên cứu

Nghiên cứu sử dụng dữ liệu tài chính và thị trường của 104 doanh nghiệp niêm yết trên HOSE trong giai đoạn 2009-2016, trong đó có 52 doanh nghiệp phá sản và 52 doanh nghiệp khỏe mạnh. Dữ liệu được thu thập từ báo cáo tài chính đã kiểm toán và các nguồn thị trường chứng khoán.

Phương pháp chọn mẫu là chọn ngẫu nhiên 52 doanh nghiệp khỏe mạnh tương ứng với 52 doanh nghiệp phá sản để đảm bảo tính cân bằng mẫu. Dữ liệu được phân tách thành tập thử nghiệm (training data) và tập kiểm tra (testing data) theo kỹ thuật phân loại chéo 10-fold cross-validation nhằm đánh giá độ chính xác mô hình một cách khách quan.

Phân tích dữ liệu được thực hiện qua ba bước chính:

1. Chọn biến: Áp dụng ba phương pháp chọn biến gồm phương pháp của Nguyễn Trọng Hòa (phân tích đa biệt số), TSS và NSS dựa trên lý thuyết tập hợp mềm.

2. Xây dựng mô hình dự báo: Sử dụng ba mô hình LR, NN và SVM để đánh giá hiệu quả dự báo dựa trên các bộ biến được chọn.

3. Đánh giá và so sánh: Tính toán độ chính xác dự báo (ACC), kiểm định tính vững chắc của mô hình qua các tập dữ liệu khác nhau và so sánh với các nghiên cứu quốc tế.

Quá trình nghiên cứu kéo dài trong khoảng thời gian từ 2009 đến 2016, với việc thu thập, xử lý và phân tích dữ liệu theo quy trình khoa học nghiêm ngặt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của phương pháp chọn biến Novel Soft Set (NSS): Bộ biến được chọn bởi NSS cho độ chính xác dự báo phá sản cao hơn đáng kể so với Traditional Soft Set (TSS) và phương pháp phân tích đa biệt số (MDA). Cụ thể, mô hình LR với bộ biến NSS đạt độ chính xác trung bình khoảng 87%, cao hơn khoảng 5-7% so với TSS và MDA.

2. So sánh mô hình dự báo: Trong ba mô hình dự báo, mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM) cho kết quả dự báo tốt hơn mô hình hồi quy Logistic (LR), với độ chính xác lần lượt đạt khoảng 89% và 88% khi sử dụng bộ biến NSS.

3. Tính vững chắc của bộ biến: Bộ biến được chọn bởi NSS duy trì độ chính xác cao khi áp dụng trên tập dữ liệu kiểm tra (testing data), với độ chính xác giảm không quá 3% so với tập thử nghiệm, cho thấy tính ổn định và khả năng ứng dụng thực tiễn.

4. So sánh với nghiên cứu quốc tế: Kết quả nghiên cứu vượt trội hơn so với bộ biến được xây dựng trong nghiên cứu của Wei Xu và cộng sự (2014) với độ chính xác dự báo cao hơn khoảng 4%, đồng thời phù hợp với đặc thù thị trường Việt Nam.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu quả vượt trội của phương pháp NSS là do cách tiếp cận đổi vai trò tập đối tượng và tập tham số, giúp giảm thiểu mất mát thông tin khi chuyển đổi dữ liệu liên tục sang dạng phân loại. Việc sử dụng hồi quy logistic để đánh giá tầm quan trọng của từng biến cũng giúp loại bỏ các biến không có ý nghĩa trong dự báo phá sản.

So với các nghiên cứu trước đây chỉ sử dụng dữ liệu kế toán hoặc thị trường riêng lẻ, nghiên cứu này kết hợp cả hai loại dữ liệu, nâng cao tính toàn diện và độ chính xác của mô hình. Việc phân tách dữ liệu thành tập thử nghiệm và kiểm tra theo kỹ thuật cross-validation cũng giúp tránh hiện tượng overfitting, đảm bảo tính khách quan trong đánh giá mô hình.

Dữ liệu có thể được trình bày qua biểu đồ đường cong ROC để minh họa khả năng phân biệt giữa doanh nghiệp phá sản và khỏe mạnh, hoặc bảng so sánh độ chính xác các mô hình và phương pháp chọn biến. Kết quả cho thấy rõ ràng sự ưu việt của phương pháp NSS và mô hình NN trong dự báo phá sản doanh nghiệp tại Việt Nam.

Đề xuất và khuyến nghị

1. Áp dụng phương pháp chọn biến Novel Soft Set (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 và giảm thiểu rủi ro phá sản trong vòng 1-2 năm tới.

2. Kết hợp mô hình mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM): Đề xuất sử dụng song song hai mô hình này để tăng tính đa dạng và độ tin cậy trong dự báo, đặc biệt trong các giai đoạn kinh tế biến động.

3. Xây dựng hệ thống cảnh báo sớm dựa trên dữ liệu tài chính và thị trường: Các cơ quan quản lý và ngân hàng nên phát triển hệ thống cảnh báo sớm dựa trên bộ biến được chọn lọc, cập nhật dữ liệu hàng năm để kịp thời phát hiện nguy cơ phá sản.

4. Đào tạo và nâng cao năng lực phân tích dữ liệu cho cán bộ tài chính: Tổ chức các khóa đào tạo về lý thuyết tập hợp mềm và các mô hình dự báo hiện đại nhằm nâng cao năng lực phân tích và ra quyết định dựa trên dữ liệu.

5. Thời gian thực hiện: Các giải pháp trên nên được triển khai trong vòng 1-3 năm tới để đảm bảo tính kịp thời và hiệu quả trong quản lý rủi ro doanh nghiệp.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý doanh nghiệp: Giúp hiểu rõ các yếu tố tài chính quan trọng ảnh hưởng đến khả năng phá sản, từ đó xây dựng chiến lược tài chính và quản trị rủi ro hiệu quả.

2. Ngân hàng và tổ chức tín dụng: Hỗ trợ trong việc đánh giá rủi ro tín dụng, lựa chọn khách hàng vay vốn và thiết kế các chính sách tín dụng phù hợp.

3. Nhà đầu tư và chuyên gia phân tích tài chính: Cung cấp công cụ dự báo chính xác để đưa ra quyết định đầu tư an toàn và hiệu quả trên thị trường chứng khoán.

4. Các nhà nghiên cứu và sinh viên ngành tài chính – ngân hàng: Là tài liệu tham khảo quý giá về ứng dụng lý thuyết tập hợp mềm trong phân tích tài chính và dự báo phá sản doanh nghiệp.

Câu hỏi thường gặp

1. Lý thuyết tập hợp mềm là gì và tại sao lại được sử dụng trong dự báo phá sản?
   Lý thuyết tập hợp mềm là công cụ toán học giúp xử lý dữ liệu không chắc chắn và lựa chọn biến hiệu quả. Nó giúp tối ưu hóa bộ biến tài chính trong dự báo phá sản, nâng cao độ chính xác so với các phương pháp truyền thống.

2. Phương pháp Novel Soft Set (NSS) khác gì so với Traditional Soft Set (TSS)?
   NSS đổi vai trò tập đối tượng và tập tham số, sử dụng hồi quy logistic để đánh giá tầm quan trọng biến, giúp rút gọn biến hiệu quả hơn và tăng độ chính xác dự báo.

3. Mô hình nào cho kết quả dự báo phá sản tốt nhất trong nghiên cứu?
   Mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM) cho độ chính xác dự báo cao hơn mô hình hồi quy Logistic, đặc biệt khi sử dụng bộ biến được chọn bởi NSS.

4. Dữ liệu nghiên cứu được thu thập từ đâu và có đảm bảo độ tin cậy không?
   Dữ liệu được lấy từ báo cáo tài chính đã kiểm toán và thông tin thị trường của 104 doanh nghiệp niêm yết trên HOSE trong giai đoạn 2009-2016, đảm bảo tính chính xác và đại diện cho thị trường Việt Nam.

5. Nghiên cứu có thể áp dụng cho các ngành nghề 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 nghề khác, tuy nhiên cần nghiên cứu chuyên sâu hơn để phù hợp đặc thù từng ngành.

Kết luận

• Ứng dụng lý thuyết tập hợp mềm, đặc biệt là phương pháp Novel Soft Set (NSS), giúp tối ưu hóa lựa chọn các tỷ số tài chính trong dự báo phá sản doanh nghiệp với độ chính xác cao hơn các phương pháp truyền thống.
• Mô hình mạng thần kinh nhân tạo (NN) và kỹ thuật vectơ hỗ trợ (SVM) cho kết quả dự báo vượt trội, phù hợp với dữ liệu doanh nghiệp Việt Nam.
• Bộ biến được chọn bởi NSS duy trì tính vững chắc và ổn định khi áp dụng trên các tập dữ liệu khác nhau.
• Nghiên cứu góp phần nâng cao hiệu quả quản lý rủi ro tài chính, hỗ trợ nhà quản lý, ngân hàng và nhà đầu tư trong việc ra quyết định.
• Đề xuất triển khai các giải pháp dự báo và cảnh báo sớm trong vòng 1-3 năm tới nhằm giảm thiểu rủi ro phá sản và gia tăng giá trị doanh nghiệp.

Quý độc giả và các nhà nghiên cứu quan tâm có thể áp dụng và phát triển thêm các mô hình dự báo dựa trên lý thuyết tập hợp mềm để nâng cao hiệu quả quản trị tài chính doanh nghiệp trong bối cảnh kinh tế hiện nay.