Luận án tiến sĩ về ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng

Tổng hợp kiến thức Ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng, tiếp cận khoa học, hỗ trợ học tập và nghiên cứu hiệu quả trong y học

• Tác giả: Trần Kim Long
• Người hướng dẫn: PGS. Nguyễn Đức Trung
• Trường học: Trường Đại học Ngân hàng Thành phố Hồ Chí Minh
• Chuyên ngành: Tài chính ngân hàng
• Đề tài: Máy học giải thích trong quản lý rủi ro tín dụng
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM KẾT
• LỜI CẢM ƠN
• TÓM TẮT LUẬN ÁN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC CÁC HÌNH
• MỤC LỤC
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Bối cảnh nghiên cứu
• 1.2. Mục tiêu nghiên cứu
• 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
• 1.5. Phương pháp nghiên cứu
• 1.6. Ý nghĩa khoa học và thực tiễn
• 1.7. Cấu trúc luận án
• 2. CHƯƠNG 2: KHẢO LƯỢC LÝ THUYẾT
• 2.1. Tổng quan về rủi ro tín dụng và các lý thuyết liên quan
• 2.1.1. Các quan điểm về rủi ro tín dụng
• 2.1.2. Lý thuyết về việc sử dụng các hệ số trong dự báo rủi ro tín dụng
• 2.1.3. Các phương pháp dự báo rủi ro tín dụng
• 2.1.3.1. Phương pháp dựa trên chuyên gia
• 2.1.3.2. Phương pháp thống kê
• 2.1.3.3. Phương pháp máy học
• 2.2. Các khái niệm cơ bản về máy học giải thích
• 2.2.1. Khái niệm về máy học
• 2.2.2. Máy học giải thích
• 2.2.3. Phân loại máy học giải thích
• 2.3. Các công trình nghiên cứu trong và ngoài nước
• 2.3.1. Các nghiên cứu nước ngoài
• 2.3.1.1. Nghiên cứu so sánh hiệu quả giữa các mô hình học máy
• 2.3.1.2. Nghiên cứu sử dụng kết hợp kỹ thuật thống kê giải thích và máy học
• 2.3.2. Các nghiên cứu trong nước
• 2.3.3. Khoảng trống nghiên cứu
• 2.4. Tóm tắt chương 2
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 3.1. Thiết kế nghiên cứu
• 3.2. Mô hình nghiên cứu
• 3.2.1. Mô tả biến phụ thuộc
• 3.2.2. Mô tả biến độc lập
• 3.3. Dữ liệu nghiên cứu
• 3.3.1. Nguồn dữ liệu và quy trình thu thập dữ liệu
• 3.3.2. Xử lý và làm sạch dữ liệu
• 3.4. Mô hình máy học
• 3.4.1. Hồi quy logistic
• 3.4.2. Cây quyết định
• 3.4.3. Rừng ngẫu nhiên
• 3.4.4. Thuật toán tăng cường độ dốc cực đại (XGBoost)
• 3.4.5. Mạng thần kinh nhân tạo
• 3.4.6. Máy vectơ hỗ trợ (SVM)
• 3.5. Xác thực mô hình và điều chỉnh tham số
• 3.6. Kỹ thuật thống kê giải thích
• 3.6.1. Biểu đồ phụ thuộc bán phần (PDP)
• 3.7. Đánh giá hiệu quả mô hình
• 3.7.1. Ma trận nhầm lẫn (confusion matrix)
• 3.7.2. Thang đo hiệu suất
• 3.8. Công cụ và thư viện cho phân tích dữ liệu
• 3.9. Tóm tắt chương 3
• 4. CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU VÀ THẢO LUẬN
• 4.1. Thực trạng thị trường trái phiếu doanh nghiệp và rủi ro vỡ nợ của các doanh nghiệp phát hành
• 4.2. Thống kê mô tả
• 4.3. Kết quả của các mô hình dự báo
• 4.3.1. Hồi quy logistic
• 4.3.2. Cây quyết định
• 4.3.3. Rừng ngẫu nhiên
• 4.3.4. Tăng cường độ dốc cực đại
• 4.3.5. Mạng thần kinh nhân tạo
• 4.3.6. Máy Vector hỗ trợ
• 4.4. So sánh kết quả giữa các mô hình máy học
• 4.5. Kết quả của mô hình giải thích
• 4.5.1. Khả năng diễn giải tổng thể
• 4.5.2. Khả năng diễn giải riêng lẻ
• 4.5.2.1. CTCP Chế biến và XNK Thủy sản Cadovimex (CAD)
• 4.5.2.2. Công ty Cổ phần Đức Long Gia Lai (DLG)
• 4.5.2.3. Tập đoàn Long Điền (LGD)
• 4.6. Thảo luận kết quả
• 4.7. Tóm tắt chương 4
• 5. CHƯƠNG 5: HÀM Ý CHÍNH SÁCH VÀ KHUYẾN NGHỊ
• 5.1. Đóng góp của nghiên cứu
• 5.2. Các khuyến nghị đối với các bên liên quan
• 5.2.1. Đối với các tổ chức tín dụng
• 5.2.2. Đối với các công ty chứng khoán và công ty quản lý quỹ
• 5.2.3. Đối với các tổ chức xếp hạng tín nhiệm
• 5.2.4. Đối với cơ quan quản lý
• 5.3. Hạn chế của nghiên cứu
• 5.4. Định hướng nghiên cứu trong tương lai
• 5.5. Tóm tắt chương 5
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: Đồ thị phụ thuộc của các biến độc lập
• PHỤ LỤC 2: Biểu đồ phân phối của các biến
• PHỤ LỤC 3: Các hệ số của CAD giai đoạn 2020 - 2022
• PHỤ LỤC 4: Các hệ số của DLG giai đoạn 2020 - 2022
• PHỤ LỤC 5: Các hệ số của LGD giai đoạn 2020 - 2022
• PHỤ LỤC 6: Danh sách các bài báo khoa học

Tóm tắt

I. Giới thiệu về ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng

Trong bối cảnh thị trường tài chính ngày càng phức tạp, việc ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng trở nên cần thiết. Các mô hình máy học có khả năng xử lý và phân tích dữ liệu lớn, giúp phát hiện các mẫu và xu hướng mà các phương pháp truyền thống không thể nhận diện. Việc áp dụng máy học không chỉ nâng cao độ chính xác trong việc dự báo rủi ro tín dụng mà còn tạo ra những dự báo nhanh chóng và linh hoạt hơn. Theo báo cáo của Ngân hàng Nhà nước Việt Nam, tỷ lệ nợ xấu gia tăng đã đặt ra thách thức lớn cho các tổ chức tài chính. Do đó, việc phát triển các phương pháp đo lường và dự báo rủi ro tín dụng là rất cấp thiết.

1.1. Tầm quan trọng của máy học trong quản trị rủi ro tín dụng

Sự phát triển của công nghệ tài chính đã mở ra nhiều cơ hội cho việc ứng dụng máy học trong quản lý rủi ro tín dụng. Các mô hình như Cây quyết định, Rừng ngẫu nhiên và XGBoost đã chứng minh hiệu quả vượt trội trong việc dự báo rủi ro tín dụng so với các phương pháp truyền thống. Việc sử dụng máy học giúp các ngân hàng và tổ chức tài chính có thể phân tích dữ liệu một cách nhanh chóng và chính xác, từ đó đưa ra quyết định kịp thời nhằm giảm thiểu rủi ro. Các nghiên cứu cho thấy rằng, việc áp dụng máy học có thể cải thiện đáng kể khả năng phát hiện sớm các dấu hiệu của rủi ro tín dụng.

II. Phân tích dữ liệu và mô hình máy học

Quá trình phân tích dữ liệu là bước quan trọng trong việc ứng dụng máy học vào quản trị rủi ro tín dụng ngân hàng. Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm báo cáo tài chính và các chỉ số kinh tế vĩ mô. Việc xử lý và làm sạch dữ liệu lớn là cần thiết để đảm bảo tính chính xác của các mô hình. Các mô hình máy học như Mạng nơ-ron nhân tạo và Máy vectơ hỗ trợ đã được áp dụng để dự báo rủi ro tín dụng. Kết quả cho thấy các mô hình này có khả năng phân biệt tốt giữa các doanh nghiệp có nguy cơ vỡ nợ và không vỡ nợ, thể hiện qua các chỉ số AUC cao.

2.1. Các mô hình máy học phổ biến

Trong nghiên cứu, các mô hình như Cây quyết định, Rừng ngẫu nhiên và XGBoost đã được sử dụng để dự báo rủi ro tín dụng. Mô hình XGBoost đạt độ chính xác tổng quát lên đến 100% trên tập huấn luyện và 89,6% trên tập kiểm tra. Điều này cho thấy khả năng của máy học trong việc xử lý dữ liệu lớn và phát hiện các mẫu phức tạp. Việc so sánh hiệu suất giữa các mô hình cho thấy rằng máy học không chỉ cải thiện độ chính xác mà còn giúp các nhà phân tích có cái nhìn sâu sắc hơn về các yếu tố ảnh hưởng đến rủi ro tín dụng.

III. Kỹ thuật giải thích trong máy học

Kỹ thuật giải thích như SHAP (SHapley Additive exPlanations) đóng vai trò quan trọng trong việc nâng cao tính minh bạch của các mô hình máy học. SHAP cho phép phân tích các yếu tố ảnh hưởng đến quyết định dự báo của mô hình, từ đó giúp nhà đầu tư và nhà quản lý hiểu rõ hơn về kết quả của các dự báo rủi ro tín dụng. Việc áp dụng SHAP không chỉ nâng cao tính minh bạch mà còn tạo ra sự tin tưởng hơn từ phía người sử dụng khi đưa ra những quyết định đầu tư quan trọng.

3.1. Lợi ích của việc sử dụng SHAP

SHAP cung cấp thông tin chi tiết về tầm quan trọng của các biến trong mô hình dự báo. Các biến như tỷ lệ thu nhập giữ lại trên tổng tài sản và tỷ lệ nợ ròng trên tổng tài sản được xác định là có tác động đáng kể đến khả năng dự báo rủi ro tín dụng. Việc hiểu rõ mối quan hệ giữa các biến này giúp các nhà phân tích đưa ra quyết định chính xác hơn trong việc quản lý rủi ro tín dụng. Kết quả nghiên cứu cho thấy rằng việc kết hợp giữa máy học và kỹ thuật giải thích có thể mang lại những kiến thức và công cụ hữu ích cho các tổ chức tài chính.

IV. Kết luận và khuyến nghị

Nghiên cứu đã chứng minh tính hiệu quả của việc ứng dụng máy học trong quản trị rủi ro tín dụng ngân hàng. Các mô hình máy học không chỉ nâng cao độ chính xác trong việc dự báo rủi ro tín dụng mà còn cung cấp những thông tin chi tiết về các yếu tố ảnh hưởng. Các tổ chức tài chính nên xem xét việc áp dụng các mô hình này để cải thiện khả năng quản lý rủi ro. Đồng thời, việc sử dụng các kỹ thuật giải thích như SHAP sẽ giúp tăng cường tính minh bạch và độ tin cậy của các dự báo.

4.1. Khuyến nghị cho các tổ chức tài chính

Các tổ chức tài chính nên đầu tư vào việc phát triển và áp dụng các mô hình máy học trong quản trị rủi ro tín dụng. Việc này không chỉ giúp nâng cao hiệu quả quản lý rủi ro mà còn tạo ra giá trị gia tăng cho các nhà đầu tư. Hơn nữa, việc đào tạo nhân viên về các kỹ thuật máy học và giải thích sẽ giúp họ có khả năng đưa ra quyết định chính xác hơn trong việc đánh giá rủi ro tín dụng.

Nội dung chính

Tổng quan về luận án

Thị trường tài chính Việt Nam giai đoạn 2018–2023 chứng kiến sự tăng trưởng vượt bậc nhưng đi kèm với nhiều biến động cơ cấu nghiêm trọng, đặc biệt tại phân khúc trái phiếu doanh nghiệp và rủi ro tín dụng đối tác. Theo số liệu thống kê từ Ngân hàng Nhà nước Việt Nam, "tổng lượng trái phiếu doanh nghiệp phát hành đã tăng lên 333.988 tỷ đồng trong năm 2023, tăng 37,8% so với năm 2022 (SBV, 2023)". Đi kèm với sự mở rộng quy mô phát hành là áp lực nợ xấu gia tăng đột biến khi môi trường lãi suất biến động và thanh khoản thị trường suy giảm. Báo cáo của FiinRatings chỉ ra rằng: "tính đến quý I năm 2023, có 69 tổ chức phát hành có ít nhất một lô trái phiếu phát hành không thể thanh toán với tổng giá trị là 94,43 nghìn tỷ đồng. Khối lượng chưa thể thanh toán này chiếm 8,15% giá trị trái phiếu doanh nghiệp đang lưu hành, trong đó có 65 tổ chức phát hành vi phạm nghĩa vụ trả nợ và bốn tổ chức phát hành có trái phiếu đến hạng nhưng đã được tái cơ cấu nợ với tổng giá trị chiếm lần lượt là 94,3% và 5,7% (FiinRatings, 2023)". Thực tế này đặt ra yêu cầu bức thiết về việc xây dựng các công cụ định lượng tiên tiến nhằm nhận diện và dự báo rủi ro vỡ nợ doanh nghiệp.

Khoảng trống nghiên cứu then chốt (Research Gap) xuất phát từ nghịch lý đánh đổi kinh điển giữa hiệu suất dự báo và tính minh bạch (Accuracy vs. Interpretability Trade-off) trong quản trị rủi ro tín dụng. Mặc dù các mô hình máy học (Machine Learning - ML) phi tuyến tính chứng minh sức mạnh vượt trội so với các mô hình thống kê tham số truyền thống, bản chất "hộp đen" (black-box) phức tạp khiến chúng gặp rào cản pháp lý khắt khe theo các chuẩn mực quốc tế như Basel II/III (BCBS, 2004) hay GDPR. Tại các thị trường mới nổi như Việt Nam, việc ứng dụng máy học có khả năng giải thích (Explainable Machine Learning - XML/XAI) vẫn còn sơ khai, thiếu vắng các khung phân tích kết hợp giữa thuật toán học máy phi tuyến và kỹ thuật bóc tách động lực vỡ nợ ở cả cấp độ tổng thể (global) lẫn vi mô doanh nghiệp (local).

Luận án tiến sĩ của NCS. Trần Kim Long (2024), dưới sự hướng dẫn của PGS. Nguyễn Đức Trung và PGS. Nguyễn Thanh Hiên tại Trường Đại học Ngân hàng Thành phố Hồ Chí Minh, giải quyết ba câu hỏi nghiên cứu cốt lõi:

1. RQ1: Phương pháp máy học có giám sát nào mang lại hiệu suất dự báo rủi ro vỡ nợ tối ưu nhất trên mẫu doanh nghiệp phi tài chính tại Việt Nam khi so sánh với hồi quy logistic truyền thống?
2. RQ2: Kỹ thuật thống kê giải thích SHAP (SHapley Additive exPlanations) bóc tách mức độ đóng góp và quan hệ phi tuyến của các biến dự báo tài chính tác động đến xác suất vỡ nợ như thế nào?
3. RQ3: Những hàm ý chính sách và khuyến nghị thực tiễn nào khả thi để tích hợp hệ thống máy học giải thích vào khung quản trị rủi ro của các tổ chức tín dụng, công ty chứng khoán, tổ chức xếp hạng và cơ quan quản lý?

Khung lý thuyết của luận án tích hợp Lý thuyết Bể chứa dòng tiền (Cash Flow Reservoir Theory - Beaver, 1966), Lý thuyết Phân tích Đa biến về kiệt quệ tài chính (Multivariate Accounting Distress - Altman, 1968), Mô hình Logit có điều kiện (Conditional Logit Model - Ohlson, 1980), Khung định nghĩa vỡ nợ chuẩn mực (BCBS, 2004) và Lý thuyết Trò chơi hợp tác Shapley (Cooperative Game Theory - Shapley, 1953; Lundberg & Lee, 2017). Nghiên cứu được thực hiện trên mẫu 1.027 quan sát từ các công ty phi tài chính niêm yết và giao dịch trên ba sàn HOSE, HNX và UPCOM giai đoạn 2018–2023, với tỷ lệ cân bằng thực nghiệm 48,3% doanh nghiệp vỡ nợ (Default) và 51,7% doanh nghiệp không vỡ nợ (Non-default). Đóng góp đột phá của luận án nằm ở việc phát triển quy trình mô hình hóa hai giai đoạn khép kín, định lượng hóa sự vượt trội của thuật toán XGBoost với độ chính xác kiểm tra ngoài mẫu đạt 89,6%, đồng thời giải mã toàn diện các cơ chế phi tuyến và điểm ngưỡng gãy đổ tài chính của doanh nghiệp Việt Nam thông qua TreeSHAP.

Literature Review và Positioning

Lịch sử nghiên cứu dự báo rủi ro tín dụng và kiệt quệ tài chính phát triển qua ba giai đoạn tiến hóa lý thuyết chính. Giai đoạn đầu khởi nguồn từ các mô hình định lượng truyền thống dựa trên phân tích đơn biến của Beaver (1966), phân tích phân biệt đa biến (MDA) Z-Score của Altman (1968, 1983, 1995) và mô hình O-Score dựa trên hồi quy logit có điều kiện của Ohlson (1980). Dòng nghiên cứu này đặt giả định về mối quan hệ tuyến tính giữa các tỷ số tài chính và xác suất phá sản, vốn bộc lộ nhiều hạn chế nghiêm trọng về giả định phân phối chuẩn đa biến và độ nhạy cảm trước các quan sát ngoại lai.

Giai đoạn thứ hai đánh dấu sự bùng nổ của các thuật toán học máy phi tham số. Nghiên cứu của Chen và cộng sự (2011) trên dữ liệu doanh nghiệp Đức chỉ ra mô hình SVM phi tuyến đạt độ chính xác phân loại 71,85%, vượt trội so với mức 67,24% của Logistic Regression. Barboza và cộng sự (2017) kiểm định trên 10.000 công ty Bắc Mỹ giai đoạn 1985–2013 và khẳng định các mô hình tập hợp cây (Ensemble Trees) như Random Forest đạt độ chính xác 87%, vượt xa mức 69% của hồi quy logistic. Nghiên cứu của Wu và cộng sự (2022) tại thị trường Thượng Hải và Thâm Quyến giai đoạn 2016–2020 phát triển mô hình lai MLP-ANN kết hợp Z-score đạt độ chính xác 99,40%. Tương tự, Zhang và cộng sự (2024) tại Trung Quốc kết hợp GAN và CNN xử lý mất cân bằng dữ liệu trên 25.000 quan sát trái phiếu, đạt chỉ số AUC lên tới 0,9157. Tuy nhiên, một cuộc tranh luận học thuật sâu sắc nổ ra giữa hai trường phái: Trường phái ưu tiên hiệu suất phân loại ủng hộ việc mở rộng mạng nơ-ron sâu và cấu trúc cây phức tạp (Geng et al., 2015; Lahmiri & Bekiros, 2019), trong khi Trường phái thận trọng chỉ ra nguy cơ quá khớp (overfitting) và sự thất bại của các mô hình "hộp đen" khi giải thích nguyên nhân vỡ nợ cho cơ quan giám sát và khách hàng (Rudin, 2019; Muparuri & Gumbo, 2022; Flavio Bazzana et al., 2024).

Giai đoạn thứ ba xuất hiện nhằm giải quyết xung đột trên bằng cách tích hợp máy học giải thích hậu nghiệm (Post-hoc XAI). Bracke và cộng sự (2019) tại Ngân hàng Trung ương Anh (Bank of England) đã ứng dụng kỹ thuật QII và giá trị Shapley trên mô hình Gradient Boosting để dự báo vỡ nợ thế chấp nhà ở, mở đường cho việc lượng hóa đóng góp cận biên của từng biến số. Bussmann và cộng sự (2021) kết hợp TreeSHAP với XGBoost trên 15.000 doanh nghiệp vừa và nhỏ tại châu Âu, chứng minh khả năng bóc tách mức độ rủi ro tín dụng riêng lẻ mà vẫn bảo toàn độ chính xác. Misheva và cộng sự (2021) so sánh LIME và SHAP trên dữ liệu LendingClub, khẳng định tính nhất quán toán học vượt trội của các thuộc tính Shapley. Cascarino và cộng sự (2022) tại Ngân hàng Trung ương Ý áp dụng Random Forest và phân tích tầm quan trọng của biến để chỉ ra sự thay đổi trong cấu trúc rủi ro trước và sau cú sốc kinh tế Covid-19.

Luận án của NCS. Trần Kim Long định vị vững chắc trong dòng nghiên cứu tiên phong của giai đoạn thứ ba. Điểm khác biệt mang tính đột phá so với các công trình quốc tế nằm ở việc thiết kế khung phân tích kép: vừa so chuẩn toàn diện 6 lớp thuật toán (Logistic Regression, Decision Tree, Random Forest, XGBoost, ANN, SVM), vừa khai thác TreeSHAP để phát hiện các mối quan hệ phi tuyến phi tham số và giá trị ngưỡng biến động tài chính mang tính đặc thù của một thị trường cận biên chuyển đổi sang mới nổi như Việt Nam.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mang lại bốn đóng góp lý thuyết cơ bản, mở rộng và định hình lại các lý thuyết tài chính doanh nghiệp cổ điển:

1. Mở rộng Lý thuyết Bể chứa Dòng tiền của Beaver (1966): Beaver giả định dòng tiền vào và ra vận hành như một bể chứa chất lỏng tuyến tính. Luận án chứng minh rằng năng lực bù đắp thanh khoản chịu tác động phi tuyến sâu sắc; khi tỷ lệ dòng tiền trên chi phí lãi vay và tỷ lệ tiền mặt vượt qua một ngưỡng tới hạn nhất định, xác suất vỡ nợ giảm theo hàm mũ thay vì tuyến tính.
2. Tái định lượng Mô hình Z-Score của Altman (1968) và O-Score của Ohlson (1980): Luận án tái cấu trúc lại trọng số và vai trò của biến tích lũy lợi nhuận (Thu nhập giữ lại/Tổng tài sản). Trong bối cảnh doanh nghiệp Việt Nam, thu nhập giữ lại đóng vai trò là "tấm đệm vốn tự có" quan trọng nhất, chi phối tính ổn định tài chính vượt trội so với các chỉ số khả năng sinh lời ngắn hạn như ROA hay ROE.
3. Thử thách Lý thuyết Đánh đổi Cấu trúc Vốn (Trade-off Theory - Myers, 1984): Luận án cung cấp bằng chứng thực nghiệm về tác động bất đối xứng của tỷ lệ nợ ròng/tổng tài sản và tỷ lệ chi tiêu vốn (CAPEX/Tổng tài sản). Đòn bẩy tài chính không chỉ gia tăng chi phí kiệt quệ tài chính tuyến tính, mà khi kết hợp với áp lực đáo hạn ngắn hạn, nó kích hoạt rủi ro vỡ nợ mang tính bùng phát đột ngột.
4. Xác lập sự dịch chuyển hệ hình (Paradigm Shift) trong Lý thuyết Đo lường Rủi ro Tín dụng: Luận án chứng minh bằng chứng thực nghiệm rằng việc chuyển từ các mô hình tham số đóng sang hệ hình học máy giải thích (XAI Paradigm) cho phép giải phóng các giả định phân phối gò bó, tiếp cận bản chất phân phối dữ liệu thực tế phức tạp mà vẫn duy trì tính minh bạch diễn giải dựa trên nền tảng toán học của Lý thuyết Trò chơi Hợp tác Shapley (Shapley, 1953).

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự liên kết đa tầng giữa ba lý thuyết nền tảng: Lý thuyết Bất cân xứng thông tin (Information Asymmetry Theory - Akerlof, 1970; Stiglitz & Weiss, 1981), Lý thuyết Tín hiệu tài chính (Signaling Theory - Ross, 1977) và Cơ sở Toán học Giải thích Phân bổ Đặc trưng (Additive Feature Attribution - Lundberg & Lee, 2017).

Khung phân tích vận hành qua một quy trình logic hai giai đoạn:

• Giai đoạn 1 (Predictive Engine): Tối ưu hóa không gian siêu tham số của 6 thuật toán phân loại có giám sát. Biến phụ thuộc nhị phân $Y_i \in {0, 1}$ phản ánh tình trạng vỡ nợ (1 = Default theo tiêu chuẩn Basel II/III và chậm thực hiện nghĩa vụ thanh toán; 0 = Non-default). Không gian biến độc lập gồm 4 nhóm chỉ số tài chính vi mô: Thanh khoản, Đòn bẩy tài chính, Khả năng sinh lời và Hiệu quả hoạt động, kết hợp quy mô tài sản.
• Giai đoạn 2 (Explainability Engine): Triển khai thuật toán TreeSHAP trên mô hình máy học tối ưu. Giá trị Shapley ($\phi_j$) cho mỗi biến đầu vào $x_j$ được tính toán dựa trên mức đóng góp biên trung bình qua tất cả các tập hợp con biến số khả dĩ $S \subseteq F \setminus {j}$: $$\phi_j(x) = \sum_{S \subseteq F \setminus {j}} \frac{|S|!(|F| - |S| - 1)!}{|F|!} \left[ f_x(S \cup {j}) - f_x(S) \right]$$ Khung phân tích xác định rõ các điều kiện biên (Boundary Conditions): Áp dụng cho các doanh nghiệp phi tài chính niêm yết và đăng ký giao dịch có công bố thông tin tài chính minh bạch giai đoạn 2018–2023; không áp dụng trực tiếp cho các định chế tài chính đặc thù (ngân hàng, bảo hiểm, công ty chứng khoán) do cấu trúc bảng cân đối kế toán khác biệt.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được định vị theo triết lý thực chứng hậu thực nghiệm (Post-positivism Paradigm), sử dụng phương pháp định lượng nghiêm ngặt kết hợp kiểm chứng đa trường hợp thực tế (Multi-case empirical validation). Thiết kế nghiên cứu đa tầng bao gồm việc xử lý dữ liệu vĩ mô/ngành kết hợp vi mô doanh nghiệp, phân tầng tập mẫu thành hai tập dữ liệu độc lập: Tập huấn luyện (Training set, 80% dữ liệu) dùng để huấn luyện và tối ưu siêu tham số, và Tập kiểm tra (Test set, 20% dữ liệu) dùng để kiểm định hiệu suất ngoài mẫu (out-of-sample).

Mẫu nghiên cứu bao gồm chính xác 1.027 quan sát doanh nghiệp giai đoạn 2018–2023. Tiêu chí chọn mẫu tuân thủ nghiêm ngặt: (1) Doanh nghiệp phi tài chính niêm yết trên HOSE, HNX hoặc đăng ký giao dịch trên UPCOM; (2) Có đầy đủ báo cáo tài chính đã được kiểm toán trong giai đoạn khảo sát trích xuất từ cơ sở dữ liệu FiinPro; (3) Nhóm vỡ nợ (48,3%) bao gồm các doanh nghiệp vi phạm nghĩa vụ trả nợ trái phiếu/nợ vay quá hạn 90 ngày theo chuẩn Basel II (BCBS, 2004) hoặc bị đình chỉ giao dịch/hủy niêm yết do lỗ lũy kế vượt vốn điều lệ; nhóm không vỡ nợ (51,7%) là các doanh nghiệp duy trì nghĩa vụ tài chính bình thường.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu trải qua 6 bước kiểm soát chất lượng chặt chẽ:

1. Thu thập và làm sạch dữ liệu: Thu thập báo cáo tài chính từ FiinPro, xử lý giá trị khuyết thiếu, chuẩn hóa thang đo theo chuẩn Z-score / Robust Scaler.
2. Kiểm tra hiện tượng đa cộng tuyến và phân phối: Tính toán hệ số phóng đại phương sai (VIF), loại bỏ các biến có mức tương quan tuyến tính quá cao nhằm đảm bảo tính ổn định cho mô hình cơ sở.
3. Huấn luyện mô hình và Tối ưu hóa siêu tham số (Hyperparameter Tuning): Sử dụng thuật toán Tìm kiếm Lưới (Grid Search) kết hợp Kiểm định chéo K-lần (K-Fold Cross-Validation, $k=5$) trên tập huấn luyện cho toàn bộ 5 mô hình máy học (DT, RF, XGBoost, ANN, SVM) và mô hình đối chứng Hồi quy Logistic.
4. Đánh giá đa chiều qua Ma trận nhầm lẫn (Confusion Matrix): Đo lường Độ chính xác tổng quát (Accuracy - ACC), Độ nhạy/Độ chính xác thực tế vỡ nợ (Sensitivity/Recall), Độ đặc hiệu (Specificity), Điểm F1-Score và Diện tích dưới đường cong ROC (AUC-ROC).
5. Phân tích diễn giải thống kê hậu nghiệm với SHAP: Sử dụng TreeSHAP bóc tách Summary Plot, Dependence Plots để phát hiện tính phi tuyến và tương tác giữa các biến.
6. Xác thực thực tế (Empirical Case-Study Triangulation): Đánh giá kiểm chứng độ tin cậy của mô hình giải thích trên dữ liệu thực nghiệm của 3 doanh nghiệp gặp khủng hoảng thanh khoản và chậm trả nợ thực tế: CAD, DLG và LDG.

Data và phân tích

Bộ công cụ phân tích dữ liệu được xây dựng hoàn toàn trên nền tảng ngôn ngữ lập trình Python với các thư viện chuyên sâu: NumPy, Pandas (xử lý cấu trúc dữ liệu), Scikit-learn (huấn luyện DT, RF, SVM, Logistic Regression và tính toán ma trận hiệu suất), XGBoost (thuật toán tăng cường độ dốc cực đại), và SHAP (tính toán giá trị phân bổ Shapley).

Mô hình thuật toán	Độ chính xác tập huấn luyện (In-Sample ACC)	Độ chính xác tập kiểm tra (Out-of-Sample ACC)	Chỉ số AUC-ROC (Tập kiểm tra)
XGBoost (Mô hình tối ưu)	100,0%	89,6%	0,942
Random Forest (Rừng ngẫu nhiên)	99,8%	86,4%	0,918
Artificial Neural Network (ANN)	88,2%	82,5%	0,865
Support Vector Machine (SVM)	84,1%	79,8%	0,832
Decision Tree (Cây quyết định)	89,5%	78,2%	0,801
Logistic Regression (Hồi quy Logistic)	78,4%	74,5%	0,768

Các kiểm định độ vững (Robustness checks) được thực hiện thông qua việc thay đổi điểm cắt phân loại (classification threshold cut-offs) và kiểm tra trên nhiều phân khúc ngành nghề (bất động sản, xây dựng, sản xuất, thương mại dịch vụ) nhằm xác nhận tính bất biến của thứ hạng biến quan trọng.

Phát hiện đột phá và implications

Những phát hiện then chốt

Kết quả thực nghiệm của luận án cung cấp 5 phát hiện mang tính đột phá về mặt khoa học:

1. Sự vượt trội tuyệt đối của Extreme Gradient Boosting (XGBoost): "mô hình XGBoost đạt độ chính xác tổng quát là 100% trên tập huấn luyện và 89,6% trên tập kiểm tra, trong khi mô hình Rừng ngẫu nhiên đạt độ chính xác tổng quát là 99,8% trên tập huấn luyện và 86,4% trên tập kiểm tra". Thuật toán XGBoost thể hiện khả năng khái quát hóa dữ liệu vượt trội, giảm thiểu tối đa sai lầm loại I (dự báo nhầm doanh nghiệp vỡ nợ thành lành mạnh) và sai lầm loại II so với mô hình Hồi quy Logistic truyền thống (74,5% out-of-sample).

2. Top 10 biến tài chính chi phối rủi ro vỡ nợ tại Việt Nam: Qua phân tích SHAP Summary Plot, 10 biến số có giá trị đóng góp trung bình $|\phi_j|$ cao nhất lần lượt là: (1) Thu nhập giữ lại / Tổng tài sản; (2) Dòng tiền / Chi phí lãi vay; (3) Nợ ròng / Tổng tài sản; (4) Chi tiêu vốn (CAPEX) / Tổng tài sản; (5) Tỷ lệ tiền mặt; (6) Quy mô công ty (Logarithm tổng tài sản); (7) Đầu tư ngắn hạn / Nợ ngắn hạn; (8) Số ngày tồn kho; (9) Lợi nhuận trên vốn chủ sở hữu (ROE); (10) Hệ số bao phủ lãi vay (EBIT / Lãi vay).

3. Khám phá mối quan hệ phi tuyến và ngưỡng đứt gãy tài chính (Nonlinear Thresholds): Biểu đồ phụ thuộc SHAP (Dependence Plots) chỉ ra rằng mối quan hệ giữa các tỷ số tài chính và rủi ro vỡ nợ không phải là đường thẳng đơn điệu:

• Tỷ lệ Thu nhập giữ lại / Tổng tài sản: Khi chỉ số này giảm xuống dưới mức 0, rủi ro vỡ nợ tăng vọt theo cấp số nhân; các doanh nghiệp có giá trị âm liên tục rơi vào vùng rủi ro cực độ.
• Tỷ lệ Dòng tiền / Chi phí lãi vay: Tồn tại điểm uốn rõ rệt. Khi tỷ lệ này dưới 1,0, mỗi đơn vị suy giảm của dòng tiền làm gia tăng giá trị SHAP vỡ nợ mạnh gấp 3,5 lần so với khi tỷ lệ này dao động trên mức 2,0.
• Tỷ lệ CAPEX / Tổng tài sản: Mức đầu tư vốn quá cao trong bối cảnh thanh khoản suy kiệt tạo ra tác động ngược, thúc đẩy nguy cơ mất khả năng thanh toán ngắn hạn do dòng tiền bị chôn vào tài sản cố định dở dang.

4. Giải mã thành công rủi ro tại các ca điển hình chậm trả nợ thực tế:

• Tại CTCP Chế biến và XNK Thủy sản Cadovimex (CAD): Biểu đồ lực (Force Plot) và Thác nước (Waterfall Plot) của SHAP vạch rõ động lực đẩy xác suất vỡ nợ lên gần như tuyệt đối xuất phát từ tỷ lệ Lợi nhuận giữ lại âm kéo dài qua các năm 2020–2022, kết hợp với đòn bẩy tài chính cực đoan và số ngày tồn kho ứ đọng kéo dài.
• Tại CTCP Đức Long Gia Lai (DLG) và Tập đoàn Long Điền (LDG): Mô hình giải thích bóc tách chính xác nguyên nhân rơi vào tình trạng chậm trả nợ trái phiếu do sự suy kiệt dòng tiền kinh doanh so với nghĩa vụ nợ đến hạn, nợ ròng gia tăng và tỷ lệ tiền mặt chạm đáy, khớp hoàn toàn với thực trạng tái cơ cấu nợ trên thị trường.

Implications đa chiều

• Hàm ý lý thuyết: Luận án chứng minh rằng việc kết hợp lý thuyết tài chính doanh nghiệp với khoa học dữ liệu hiện đại cho phép nắm bắt các tương tác phi tuyến phức tạp mà các khung phân tích đơn biến hoặc hồi quy tuyến tính bỏ sót, củng cố cơ sở lý luận cho ngành Tài chính định lượng (Quantitative Finance).
• Hàm ý phương pháp luận: Thiết lập quy trình chuẩn mực cho việc ứng dụng XAI trong tài chính, chứng minh rằng tính giải thích hậu nghiệm bằng TreeSHAP không chỉ khắc phục nhược điểm "hộp đen" mà còn hỗ trợ phát hiện các điểm dị biệt và gian lận kế toán tiềm ẩn.
• Ứng dụng thực tiễn cho các tổ chức tài chính: Cung cấp công cụ xếp hạng tín nhiệm nội bộ tự động, cảnh báo sớm rủi ro vỡ nợ trước 12 tháng với độ chính xác xấp xỉ 90%, hỗ trợ các ngân hàng thương mại, công ty chứng khoán và quỹ đầu tư định giá chính xác phần bù rủi ro tín dụng (credit spread).
• Hàm ý chính sách vĩ mô: Cung cấp cho Ngân hàng Nhà nước và Ủy ban Chứng khoán Nhà nước căn cứ khoa học để xây dựng hệ thống giám sát thị trường trái phiếu doanh nghiệp thời gian thực, quy định các ngưỡng an toàn về đòn bẩy nợ ròng và tỷ lệ bao phủ dòng tiền đối với các tổ chức phát hành.

Limitations và Future Research

Luận án thẳng thắn thừa nhận 4 giới hạn nghiên cứu cụ thể:

1. Giới hạn không gian dữ liệu: Mẫu nghiên cứu mới tập trung vào các công ty đại chúng và niêm yết trên HOSE, HNX và UPCOM; chưa thể bao quát khối doanh nghiệp tư nhân vừa và nhỏ (SMEs) do hạn chế về tính sẵn có và minh bạch của báo cáo tài chính.
2. Cấu trúc biến định lượng: Dữ liệu đầu vào chủ yếu dựa trên các chỉ số tài chính từ báo cáo tài chính quá khứ và dữ liệu thị trường từ FiinPro; chưa tích hợp các biến phi tài chính dạng văn bản như báo cáo quản trị, phân tích tâm lý thị trường (sentiment analysis) hay các chỉ số ESG (Môi trường, Xã hội, Quản trị).
3. Độ trễ thời gian của dữ liệu kế toán: Báo cáo tài chính kiểm toán có độ trễ công bố nhất định (quarterly/annually), có thể làm giảm tính phản ứng tức thời của mô hình trước các biến cố thanh khoản đột ngột diễn ra trong chu kỳ ngắn.
4. Phạm vi ngành nghề: Nghiên cứu loại trừ các định chế tài chính (ngân hàng, bảo hiểm) để đảm bảo tính đồng nhất của hệ thống chỉ số tài chính.

Định hướng nghiên cứu tương lai:

• Mở rộng tập dữ liệu đa quốc gia sang các thị trường mới nổi trong khu vực ASEAN (Thái Lan, Indonesia, Malaysia) để kiểm định tính tổng quát hóa xuyên biên giới của mô hình XGBoost-SHAP.
• Tích hợp kỹ thuật Xử lý Ngôn ngữ Tự nhiên (NLP) để phân tích báo cáo thường niên và biên bản họp Đại hội đồng cổ đông nhằm kết hợp biến định tính vào mô hình máy học đa phương thức (Multimodal ML).
• Ứng dụng Học tăng cường (Reinforcement Learning) và Mạng nơ-ron đồ thị (Graph Neural Networks - GNN) để mô hình hóa rủi ro lan truyền tín dụng trong mạng lưới sở hữu chéo giữa các tập đoàn.

Tác động và ảnh hưởng

Về mặt học thuật, công trình đóng vai trò là tài liệu tham khảo tiên phong tại Việt Nam trong lĩnh vực máy học giải thích ứng dụng trong tài chính ngân hàng, mở ra hướng nghiên cứu liên ngành giữa Trí tuệ nhân tạo (AI) và Quản trị rủi ro tài chính, với tiềm năng trích dẫn khoa học cao trên các tạp chí thuộc danh mục ISI/Scopus.

Về mặt chuyển đổi ngành tài chính, mô hình giúp các ngân hàng thương mại và quỹ đầu tư tiết kiệm hàng triệu USD chi phí thẩm định thủ công, tự động hóa quy trình phê duyệt tín dụng và nâng cao năng lực định giá rủi ro danh mục trái phiếu.

Về mặt chính sách và xã hội, nghiên cứu đóng góp trực tiếp vào mục tiêu Tài chính toàn diện (Financial Inclusion) bằng cách loại bỏ các định kiến chủ quan trong quá trình xét duyệt tín dụng, bảo vệ quyền lợi hợp pháp của nhà đầu tư cá nhân trên thị trường vốn, đồng thời cung cấp công cụ đắc lực hỗ trợ Ngân hàng Nhà nước trong việc ổn định hệ thống tài chính quốc gia.

Đối tượng hưởng lợi

• Nghiên cứu sinh và Giảng viên đại học: Tiếp cận khung phương pháp luận kết hợp Machine Learning và XAI hoàn chỉnh, làm chủ mã nguồn phân tích Python và phương pháp lượng hóa TreeSHAP.
• Chuyên viên phân tích rủi ro và Quản lý danh mục: Sở hữu bộ công cụ dự báo sớm rủi ro vỡ nợ doanh nghiệp với độ chính xác 89,6%, giúp tối ưu hóa danh mục đầu tư trái phiếu và cổ phiếu.
• Ngân hàng Thương mại và Định chế Tín dụng: Ứng dụng trực tiếp thuật toán vào hệ thống xếp hạng tín dụng nội bộ, tuân thủ các yêu cầu giải trình minh bạch của Basel II/III.
• Cơ quan Quản lý Nhà nước (NHNN, UBCKNN): Xây dựng hệ thống cảnh báo sớm rủi ro hệ thống và giám sát thị trường nợ doanh nghiệp dựa trên bằng chứng dữ liệu định lượng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp độc đáo nhất là việc mở rộng Lý thuyết Bể chứa Dòng tiền của Beaver (1966) và Lý thuyết Kiệt quệ Tài chính của Altman (1968) sang môi trường phi tuyến, chứng minh rằng rủi ro vỡ nợ không diễn tiến theo quan hệ tuyến tính mà chịu sự chi phối của các ngưỡng đứt gãy tài chính phi tham số được lượng hóa chính xác qua giá trị đóng góp biên Shapley.

2. Tính đột phá trong phương pháp luận khi so sánh với các nghiên cứu quốc tế trước đây? So với nghiên cứu của Chen và cộng sự (2011) chỉ dừng lại ở hiệu suất phân loại của SVM đơn lẻ hay Barboza và cộng sự (2017) dùng Random Forest dạng "hộp đen", luận án đã xây dựng thành công kiến trúc hai giai đoạn kết hợp XGBoost tối ưu siêu tham số với kỹ thuật TreeSHAP, đạt độ chính xác kiểm định ngoài mẫu 89,6% và AUC 0,942, vượt qua rào cản diễn giải mà các nghiên cứu trước chưa giải quyết trọn vẹn tại thị trường cận biên.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất? Phát hiện bất ngờ nhất là tỷ lệ Chi tiêu vốn (CAPEX/Tổng tài sản) ở mức quá cao tại các doanh nghiệp Việt Nam lại làm tăng vọt xác suất vỡ nợ trong ngắn hạn. Điều này phản ánh thực trạng mở rộng đầu tư tài sản cố định quá mức bằng nguồn vốn nợ ngắn hạn khi dòng tiền kinh doanh chưa kịp sinh lời, dẫn đến mất cân đối kỳ hạn nghiêm trọng.

4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không? Có. Luận án mô tả chi tiết toàn bộ quy trình thu thập từ cơ sở dữ liệu FiinPro, danh mục biến độc lập, kỹ thuật tiền xử lý, cấu trúc siêu tham số tối ưu và các đoạn mã lệnh triển khai trên Python với các thư viện mở Scikit-learn, XGBoost, SHAP, cho phép tái lập kết quả thực nghiệm hoàn toàn.

5. Chương trình nghị sự nghiên cứu 10 năm tới được phác thảo như thế nào? Luận án định hướng lộ trình phát triển hệ sinh thái AI giải thích trong tài chính qua 3 giai đoạn: (1) Chuẩn hóa mô hình XAI cho khối SMEs; (2) Tích hợp dữ liệu phi tài chính và NLP phân tích biên bản quản trị; (3) Xây dựng mạng lưới nơ-ron đồ thị giám sát rủi ro vỡ nợ hệ thống thời gian thực cho toàn thị trường tài chính Việt Nam.

Kết luận

Luận án tiến sĩ của NCS. Trần Kim Long đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp cốt lõi:

1. Xác lập vị thế vượt trội của thuật toán XGBoost với độ chính xác 89,6% trên tập kiểm tra ngoài mẫu, tối ưu hóa công tác phân loại rủi ro vỡ nợ doanh nghiệp.
2. Tiên phong ứng dụng thành công kỹ thuật giải thích TreeSHAP vào thị trường tài chính Việt Nam, xóa bỏ định kiến "hộp đen" của các mô hình máy học phức tạp.
3. Xác định chính xác cấu trúc phân cấp tầm quan trọng của 10 tỷ số tài chính cốt lõi chi phối rủi ro vỡ nợ, dẫn đầu bởi tỷ lệ Thu nhập giữ lại/Tổng tài sản và Dòng tiền/Chi phí lãi vay.
4. Khám phá các mối quan hệ phi tuyến và ngưỡng gãy đổ thanh khoản thực nghiệm, bổ sung luận cứ thực tiễn đắt giá cho lý thuyết tài chính doanh nghiệp.
5. Kiểm chứng thành công trên các ca lâm sàng tài chính thực tế (CAD, DLG, LDG), mang lại giải pháp công nghệ có khả năng triển khai ngay vào thực tiễn quản trị rủi ro ngân hàng.

Công trình tạo ra bước tiến hệ hình quan trọng, mở ra 3 nhánh nghiên cứu mới: XAI trong định giá tài sản nợ, NLP trong đánh giá rủi ro phi tài chính và Mô hình hóa rủi ro lan truyền hệ thống. Với nền tảng khoa học vững chắc và số liệu thực chứng thuyết phục, luận án khẳng định giá trị ứng dụng bền vững, đóng góp thiết thực vào sự ổn định và minh bạch của hệ thống tài chính Việt Nam trong kỷ nguyên số.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu. Chương này cung cấp cái nhìn tổng quan về bối cảnh nghiên cứu, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu và ý nghĩa của luận án. Chương 2: Khảo lược lý thuyết. Chương này xem xét các lý thuyết nền tảng về rủi ro tín dụng, lý thuyết về sử dụng các hệ số trong dự báo rủi ro tín dụng, lý thuyết về máy học và ứng dụng trong dự báo rủi ro vỡ nợ và lược khảo các công trình nghiên cứu trong và ngoài nước.

Chương 3: Phương pháp nghiên cứu. Chương này mô tả thiết kế nghiên cứu, mô hình nghiên cứu, phương pháp thu thập dữ liệu, kỹ thuật phân tích dữ liệu cũng như quy trình đánh giá và phát triển mô hình máy học, và kỹ thuật thống kê giải thích SHAP được sử dụng trong nghiên cứu. Chương 4: Kết quả và thảo luận. Chương này trình bày kết quả nghiên cứu, bao gồm hiệu suất dự báo của các mô hình máy học tiên tiến trên mẫu dữ liệu doanh nghiệp Việt Nam, mối quan hệ của các yếu tố chính góp phần vào khả năng dự báo của các mô hình máy học.

Chương này cũng trình bày kết quả đánh giá và giải thích trên ba doanh nghiệp là CAD, DLG và LGD. Chương 5: Hàm ý và khuyến nghị. Chương này tóm tắt các kết quả nghiên cứu và nêu các khuyến nghị đối với các bên liên quan trong việc ứng dụng máy học vào việc quản lý rủi ro tín dụng. Chương này cũng trình bày các giới hạn và đề xuất các hướng nghiên cứu trong tương lai.

6 CHƯƠNG 2 KHẢO LƯỢC LÝ THUYẾT 2.1 Tổng quan về rủi ro tín dụng và các lý thuyết liên quan 2.1 Các quan điểm về rủi ro tín dụng Rủi ro tín dụng là một khái niệm quan trọng trong lĩnh vực tài chính, đề cập đến khả năng người vay trong một hợp đồng nợ không trả nợ đúng hạn hoặc chậm trễ trong việc hoàn trả nợ, dù là toàn bộ hay một phần. Anderson (2013) định nghĩa rủi ro tín dụng là “xác suất mà một hợp đồng hợp pháp có thể trở nên vô giá trị (hoặc giảm đáng kể giá trị) vì bên đối tác không thực hiện nghĩa vụ và phá sản”. Theo Saunders và cộng sự (2021), đây là “rủi ro mà các dòng tiền đã cam kết thanh toán đối với các khoản vay và chứng khoán do các tổ chức tài chính nắm giữ có thể không được thanh toán đầy đủ.” Theo Bessis (2011), rủi ro tín dụng là rủi ro mất mát do người vay không thực hiện nghĩa vụ hoặc suy giảm khả năng tín dụng. Trong các giao dịch phái sinh thì rủi ro tín dụng phát sinh được định nghĩa là khả năng nhà phát hành không thực hiện nghĩa vụ của mình đối với các bên đối tác trong các giao dịch phái sinh (Hull, 2012).

Dựa theo định nghĩa trên thì rủi ro tín dụng xảy ra có thể được phân thành hai trường hợp như sau (i) Một là, người đi vay hoặc nhà phát hành không thể thanh toán các nghĩa vụ tài chính khi khoản nợ đến hạn; (ii) Hai là, chất lượng khoản tín dụng suy giảm, như trong trường hợp các trái phiếu bị hạ hạng tín nhiệm. Điểm chung của hai trường hợp này là đều đề cập đến khả năng trả nợ bị suy giảm của người đi vay hoặc nhà phát hành. Tuy nhiên trong trường hợp thứ hai, mặc dù khoản nợ có thể chưa đến thời gian đáo hạn nhưng có những bằng chứng rõ ràng cho thấy khả năng trả nợ bị suy yếu. Cách tiếp cận này phù hợp với quan điểm phòng ngừa rủi ro của các nhà quản lý với mục tiêu thực hiện các biện pháp đánh giá và theo dõi rủi ro trước khi nó thực sự xảy ra.

Một khái niệm tương tự thường được đề cập đến khi đánh giá rủi ro tín dụng là rủi ro vỡ nợ. Theo Bessis (2011), rủi ro vỡ nợ là khả năng mà người vay không tuân thủ các nghĩa vụ thanh toán theo hợp đồng. Nhiều sự kiện khác nhau có thể được coi là vỡ nợ như (i) Người đi vay chậm thanh toán tạm thời hoặc không thanh toán; (ii) Người đi vay buộc phải cơ cấu lại các nghĩa vụ nợ do sự suy giảm khả năng trả nợ; (iii) Người đi vay bị phá sản. Tuy nhiên, tác giả cũng lưu ý rằng vỡ nợ có thể chỉ là tình trạng tạm thời nếu tình trạng thiếu hụt tiền được khắc phục trong một khoảng thời gian ngắn.

7 Ủy ban Basel về giám sát Ngân hàng (BCBS, 2004) đã định nghĩa về rủi ro vỡ nợ như sau. Rủi ro vỡ nợ xảy ra dựa trên sự tồn tại ít nhất một trong hai sự kiện sau: (i) Ngân hàng cho rằng bên nghĩa vụ khó có khả năng thanh toán đầy đủ các nghĩa vụ tín dụng của mình đối với các ngân hàng, mà không cần ngân hàng phải thực hiện các hành động như xử lý tài sản đảm bảo (nếu có); (ii) Bên nghĩa vụ đã quá hạn hơn 90 ngày đối với bất kỳ nghĩa vụ tín dụng nào đối với nhóm ngân hàng. Các khoản thấu chi sẽ được coi là quá hạn khi khách hàng vi phạm một giới hạn đã được thông báo” (BCBS, 2004). Tiêu chí kép này đảm bảo khả năng bao quát các sự kiện vỡ nợ, phù hợp với nhiều loại nghĩa vụ, hợp đồng và các khu vực pháp lý khác nhau (Stephanou & Mendoza, 2005).

Quy định này rất quan trọng vì nó đảm bảo rằng các ngân hàng vẫn có khả năng thu hồi tín dụng khi rủi ro xảy ra. Theo Altman và cộng sự (2019), một loại trái phiếu hoặc tổ chức phát hành bị vỡ nợ khi tồn tại một trong các sự kiện sau: (i) Tổ chức phát hành nộp đơn xin phá sản và được chấp nhận. Trong trường hợp này, tất cả các khoản nợ của tổ chức phát hành đều bị vỡ nợ; (ii) Tổ chức phát hành không thanh toán lãi hoặc trả nợ gốc, kèm theo việc thanh toán không được khắc phục trong thời hạn ân hạn được thỏa thuận trong hợp đồng (thường là 30 ngày); (iii) Việc chuyển nhượng hoặc quá trình tái cơ cấu các khoản nợ gặp nhiều khó khăn. Việc tái cơ cấu có thể bao gồm việc mua bán khoản nợ, cho vay mới để thanh toán khoản vay cũ hoặc chuyển nợ thành vốn chủ sở hữu.

Một thuật ngữ khác liên quan đến rủi ro tín dụng là vỡ nợ về mặt kỹ thuật (technical default). Các trường hợp vỡ nợ kỹ thuật xảy ra khi người đi vay vi phạm một điều khoản khác ngoài việc thanh toán theo lịch trả nợ, chẳng hạn như vi phạm một cam kết như duy trì một tỷ lệ thanh toán tối thiểu hoặc tỷ lệ nợ tối đa (Altman và cộng sự, 2019). Việc vi phạm một cam kết vay thường dẫn đến việc tái đàm phán và thường là dấu hiệu cảnh báo tình trạng tín dụng của công ty đang xấu đi. Nếu các vấn đề không được khắc phục trong thời gian ân hạn, tổ chức phát hành sẽ được tuyên bố là "đã vi phạm".

Sau khoảng thời gian này, chủ nợ có thể thực hiện các biện pháp khắc phục, chẳng hạn như tuyên bố toàn bộ số tiền nợ đến hạn ngay lập tức. Thường thì, một sự vi phạm thanh toán sẽ kích hoạt việc tái cấu trúc các khoản thanh toán nợ hoặc nộp đơn phá sản chính thức. Dưới góc nhìn thực tế, rủi ro tín dụng có thể được xem như một quá trình chuyển hóa gồm nhiều giai đoạn nối tiếp nhau, chứ không chỉ là một sự kiện đơn lẻ. Đây là quan điểm động, trong đó xem xét rủi ro tín dụng là một quá trình chuyển động không ngừng, đối lập với quan điểm tĩnh xem rủi ro chỉ dựa vào một sự kiện (Barboza và cộng sự, 2017).

8 Các tổ chức tài chính có thể phải đối mặt với rủi ro tín dụng ở nhiều thời điểm khác nhau trong suốt vòng đời hoạt động cho vay và đầu tư của mình. Giai đoạn ban đầu, rủi ro tín dụng xuất hiện khi các tổ chức đánh giá và ra quyết định đầu tư vào các công cụ nợ. Việc thẩm định hoặc đánh giá rủi ro không đầy đủ có thể dẫn đến rủi ro tín dụng trong quá trình ra quyết định tín dụng. Trong giai đoạn giám sát, những thay đổi về điều kiện tài chính của tổ chức phát hành, những thay đổi của ngành hoặc các yếu tố kinh tế vĩ mô có thể làm tăng khả năng vỡ nợ.

Rủi ro tín dụng cũng có thể phát sinh từ các hoạt động quản lý danh mục tín dụng không hiệu quả, chẳng hạn như việc đa dạng hóa không đầy đủ, tập trung quá nhiều vào một lĩnh vực hoặc một khu vực cụ thể hoặc nhóm đối tượng có mối tương quan cao. Ngay cả sự kiện vỡ nợ xảy ra, các tổ chức tài chính vẫn có thể phải đối mặt với rủi ro tín dụng trong giai đoạn thu hồi. Các yếu tố như chất lượng tài sản thế chấp, sự phức tạp của các quy định pháp lý hoặc sự thay đổi của điều kiện thị trường có thể ảnh hưởng đến khả năng thu hồi nợ. Trong một số nghiên cứu, một số học giả xem rủi ro tín dụng tương đồng với việc doanh nghiệp bị phá sản, tuy nhiên đây là hai khái niệm khác nhau.

Phá sản là một thủ tục pháp lý liên quan đến việc một cá nhân hoặc công ty không có khả năng thanh toán các khoản nợ của mình (Lewis, 2018). Ở hầu hết các quốc gia, việc phá sản được áp dụng theo lệnh của tòa án, thường do các chủ nợ hoặc đại diện của họ đệ trình. Trong quá trình tố tụng phá sản, toàn bộ tài sản thuộc sở hữu của doanh nghiệp đều được định giá và thanh lý để thanh toán một phần hoặc toàn bộ nghĩa vụ nợ tồn đọng và các chi phí liên quan. Ở Việt Nam, Luật phá sản năm 2014 định nghĩa phá sản là “ tình trạng doanh nghiệp, hợp tác xã mất khả năng thanh toán và bị Tòa án nhân dân ra quyết định tuyên bố phá sản ”.

Như vậy thuật ngữ phá sản được dùng để mô tả một công ty đang gặp khó khăn trong việc thanh toán các khoản nợ và khả năng cao sẽ chấm dứt việc kinh doanh theo quyết định của tòa án. Trong khi đó, không phải doanh nghiệp nào chậm thanh toán nợ cũng sẽ bị phá sản, mà họ có thể đàm phán với các chủ nợ để gia hạn nợ hoặc tái cơ cấu lại các khoản trả nợ. Để nhận diện rủi ro vỡ nợ, có hai phương pháp được sử dụng trong nghiên cứu, đó là phương pháp tiếp cận dựa trên dòng tiền và phương pháp tiếp cận dựa trên bảng cân đối kế toán.