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 luận án

Thị trường trái phiếu doanh nghiệp tại Việt Nam ghi nhận sự mở rộng nhanh chóng về quy mô nhưng cũng đi kèm với áp lực rủi ro tín dụng gia tăng. Theo số liệu từ Ngân hàng Nhà nước Việt Nam (SBV, 2023), tổng khối lượng trái phiếu doanh nghiệp phát hành trong năm 2023 đạt 333.988 tỷ đồng, tăng 37,8% so với năm 2022. Tuy nhiên, tình hình tài chính của nhiều tổ chức phát hành suy giảm dưới tác động của mặt bằng lãi suất cao và sự sụt giảm tổng cầu. Báo cáo từ FiinRatings (2023) ghi nhận tính đến quý I năm 2023, có 69 tổ chức phát hành có ít nhất một lô trái phiếu chậm thanh toán với tổng giá trị 94,43 nghìn tỷ đồng, chiếm 8,15% tổng giá trị trái phiếu doanh nghiệp đang lưu hành. Trong đó, 65 tổ chức vi phạm nghĩa vụ trả nợ (chiếm 94,3% giá trị chậm trả) và 4 tổ chức thực hiện tái cơ cấu nợ (chiếm 5,7%). Áp lực thanh khoản tập trung lớn ở nhóm doanh nghiệp bất động sản.

Trước thực trạng trên, các phương pháp truyền thống bộc lộ hạn chế trong việc nắm bắt các mối quan hệ phi tuyến phức tạp từ dữ liệu tài chính. Ngược lại, các mô hình máy học tuy có hiệu suất phân loại cao nhưng thường bị xem là các mô hình "hộp đen" (black-box), thiếu tính minh bạch và khả năng giải thích cơ chế đưa ra quyết định. Tại Việt Nam, việc kết hợp thuật toán máy học với các kỹ thuật giải thích hậu nghiệm (Explainable Machine Learning - XML) như SHAP trong quản lý rủi ro tín dụng vẫn còn mới mẻ và chưa được khai thác đầy đủ. Đây chính là khoảng trống nghiên cứu mà luận án hướng tới giải quyết.

Mục tiêu nghiên cứu

1. Mục tiêu tổng quát: Đánh giá hiệu quả của việc kết hợp thuật toán học máy có giám sát và kỹ thuật thống kê giải thích SHAP nhằm nâng cao độ chính xác và khả năng diễn giải của các mô hình dự báo rủi ro vỡ nợ đối với các doanh nghiệp tại Việt Nam.
2. Mục tiêu cụ thể:
   • Xây dựng và so sánh hiệu quả của các mô hình máy học trong việc dự báo khả năng vỡ nợ của các doanh nghiệp Việt Nam trong một năm tiếp theo.
   • Giải thích các yếu tố ảnh hưởng đến dự đoán rủi ro của mô hình tối ưu bằng kỹ thuật thống kê giải thích SHAP.
   • Đưa ra các khuyến nghị và hàm ý chính sách cụ thể để áp dụng các mô hình máy học vào thực tiễn, nâng cao hiệu quả dự báo rủi ro tín dụng.

Câu hỏi nghiên cứu

1. Phương pháp máy học nào mang lại kết quả dự báo tốt nhất trên bộ dữ liệu các doanh nghiệp Việt Nam?
2. Các biến dự báo đầu vào ảnh hưởng đến kết quả dự báo rủi ro vỡ nợ của các doanh nghiệp Việt Nam như thế nào?
3. Những khuyến nghị và hàm ý chính sách nào để triển khai các mô hình máy học trong thực tiễn?

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Khả năng dự báo và khả năng diễn giải của các mô hình máy học trong việc dự báo rủi ro vỡ nợ của doanh nghiệp.
• Phạm vi không gian: Các công ty đại chúng phi tài chính niêm yết và đăng ký giao dịch trên ba sàn HOSE, HNX và UPCOM thuộc các ngành sản xuất, thương mại, bất động sản, xây dựng và dịch vụ tiện ích.
• Phạm vi thời gian: Dữ liệu tài chính và giao dịch được thu thập trong giai đoạn từ năm 2018 đến năm 2023.
• Phạm vi nội dung: Tập trung vào hoạt động dự báo rủi ro vỡ nợ của đối tác trong vòng một năm tiếp theo phục vụ cho công tác quản trị rủi ro tín dụng và đầu tư nợ.

---

Tổng quan tài liệu và vị trí của luận án

Luận án phân loại và hệ thống hóa các công trình nghiên cứu thực nghiệm quốc tế và trong nước theo hai nhóm định hướng chính:

Nhóm nghiên cứu	Các tác giả và công trình tiêu biểu	Phát hiện và phương pháp chính
So sánh hiệu suất giữa máy học và mô hình thống kê	Chen và cộng sự (2011)	Áp dụng Support Vector Machine (SVM) trên dữ liệu Đức giai đoạn 1996–2002; SVM đạt độ chính xác 71,85%, vượt trội hơn Logistic Regression (67,24%).
	Zhao và cộng sự (2015)	Sử dụng Mạng nơ-ron nhân tạo (ANN) nhiều lớp (6–39 lớp ẩn) chấm điểm tín dụng tại Đức, đạt độ chính xác 87%.
	Geng và cộng sự (2015)	Dự báo kiệt quệ tài chính 107 công ty Trung Quốc (2001–2008); ANN vượt trội hơn Decision Tree và SVM.
	Danenas & Garsva (2015)	Kết hợp PSO với SVM tuyến tính (PSO-LinSVM) trên dữ liệu EDGAR (1999–2007), đạt độ chính xác trên 90%.
	Barboza và cộng sự (2017)	Nghiên cứu hơn 10.000 công ty Bắc Mỹ (1985–2013); Random Forest đạt độ chính xác 87%, vượt trội so với Logistic Regression (69%).
	Lahmiri & Bekiros (2019)	Sử dụng mạng nơ-ron hồi quy trên dữ liệu định tính và định lượng, đạt độ chính xác 99,96%.
	Wu và cộng sự (2022)	Đề xuất mô hình lai MLP-ANN kết hợp điểm Z của Altman trên thị trường Thẩm Quyến và Thượng Hải (2016–2020), đạt độ chính xác 99,40%.
	Muparuri & Gumbo (2022)	So sánh ANN và Logit trên sàn Zimbabwe (2014–2021); Logit đạt độ chính xác 92,21% trong khi ANN đạt 85,8%.
	Aydin và cộng sự (2022)	Dùng ANN và Cây quyết định trên 25 hệ số tài chính và 2 biến phi tài chính; ANN đạt 100% phân loại doanh nghiệp vỡ nợ.
	Dumitrescu và cộng sự (2022)	Xây dựng mô hình Logit-Tree (PLTR) kết hợp hiệu ứng phi tuyến của Cây quyết định vào Logistic Regression.
	Kadkhoda & Amiri (2024)	Kết hợp phân tích mạng tương đồng và máy học trên 422 doanh nghiệp vừa và nhỏ tại Iran.
	Wang và cộng sự (2024)	So sánh các mô hình tập hợp (Ensemble) trên 3.355 công ty Trung Quốc (2014–2022); Random Forest đạt hiệu suất tốt nhất.
	Zhang và cộng sự (2024)	Kết hợp GAN (xử lý mất cân bằng) và CNN dự báo vỡ nợ trái phiếu Trung Quốc (2014–2021), đạt AUC 0,9157 và độ chính xác 0,8871.
	Bazzana, Bee & Khatir (2024)	So sánh máy học và Logistic Regression trên doanh nghiệp nhỏ tại Ý; máy học cho hiệu suất cải thiện nhẹ.
Kết hợp kỹ thuật giải thích với thuật toán máy học	Bracke và cộng sự (2019)	Đề xuất khung Quantitative Input Influence (QII) dựa trên giá trị Shapley để giải thích mô hình Gradient Boosting dự báo vỡ nợ vay mua nhà tại Anh (2015–2017).
	Bussmann và cộng sự (2021)	Kết hợp TreeSHAP với XGBoost và mạng nơ-ron tương quan để giải thích rủi ro tín dụng cho vay ngang hàng trên 15.000 doanh nghiệp vừa và nhỏ.
	Misheva và cộng sự (2021)	Ứng dụng LIME và SHAP trên dữ liệu LendingClub để cung cấp khả năng giải thích cục bộ và tổng thể.
	Cascarino và cộng sự (2022)	Sử dụng Random Forest dự báo vỡ nợ doanh nghiệp phi tài chính tại Ý (2009–2019), đánh giá sự thay đổi mức độ quan trọng của các biến trước và sau dịch Covid-19.

Khoảng trống nghiên cứu

Các nghiên cứu trước đây đã chứng minh hiệu suất phân loại vượt trội của các thuật toán máy học dạng tập hợp so với các mô hình thống kê cổ điển. Tuy nhiên, đa số nghiên cứu tại thị trường Việt Nam chỉ dừng lại ở việc so sánh độ chính xác dự báo đơn thuần mà chưa giải quyết vấn đề "hộp đen". Luận án lựa chọn giải quyết khoảng trống này bằng cách thiết lập một khung nghiên cứu tích hợp: vừa so sánh đa dạng các thuật toán máy học có giám sát trên dữ liệu doanh nghiệp Việt Nam, vừa áp dụng kỹ thuật giải thích SHAP để làm sáng tỏ các mối quan hệ phi tuyến và mức độ đóng góp của từng biến số tài chính ở cả cấp độ tổng thể và cấp độ từng doanh nghiệp cụ thể.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và khái niệm nền tảng

• Rủi ro tín dụng và rủi ro vỡ nợ: Anderson (2013) định nghĩa rủi ro tín dụng là xác suất hợp đồng mất giá trị do đối tác không thực hiện nghĩa vụ và phá sản. Saunders và cộng sự (2021) nhấn mạnh rủi ro dòng tiền cam kết không được thanh toán đầy đủ. Bessis (2011) chia rủi ro thành mất khả năng thanh toán và suy giảm chất lượng tín dụng. Ủy ban Basel về Giám sát Ngân hàng (BCBS, 2004) xác định vỡ nợ khi tổ chức khó có khả năng thanh toán hoặc quá hạn thanh toán trên 90 ngày. Altman và cộng sự (2019) bổ sung các tiêu chí nộp đơn phá sản, không thanh toán nợ gốc/lãi trong thời gian ân hạn và khó khăn trong tái cơ cấu nợ. Phân biệt vỡ nợ với phá sản theo Luật Phá sản 2014 (phá sản là tình trạng pháp lý bị Tòa án tuyên bố sau khi mất khả năng thanh toán).
• Lý thuyết về hệ số tài chính trong dự báo vỡ nợ:
  • Mô hình dòng tiền của Beaver (1966): Xem doanh nghiệp như một bể chứa thanh khoản; kiểm tra 30 hệ số và xác định hệ số dòng tiền/tổng nợ có khả năng phân loại cao nhất.
  • Phân tích phân biệt đa biến (MDA) và mô hình Z-score của Altman (1968) gồm 5 biến ($X_1$: Vốn lưu động/Tổng tài sản, $X_2$: Thu nhập giữ lại/Tổng tài sản, $X_3$: EBIT/Tổng tài sản, $X_4$: Giá trị thị trường vốn chủ sở hữu/Giá trị sổ sách nợ, $X_5$: Doanh thu/Tổng tài sản), cùng các biến thể $Z'$-score (1983) cho doanh nghiệp tư nhân và $Z''$-score (1995) cho doanh nghiệp phi sản xuất.
  • Mô hình Logit có điều kiện của Ohlson (1980) với 9 biến số (SIZE, TLTA, WCTA, CLCA, OENEG, NITA, FUTL, INTWO, CHIN) khắc phục các giả định phân phối khắt khe của MDA.
  • Phân loại 4 nhóm hệ số tài chính: Khả năng thanh khoản, Khả năng sinh lời, Tỷ lệ đòn bẩy và Hiệu quả hoạt động.
• Khái niệm và phân loại Máy học giải thích (XML):
  • Khả năng giải thích (Explainability) và khả năng diễn giải (Interpretability) giúp con người hiểu được cơ chế ra quyết định của mô hình (Vilone & Longo, 2020; Gilpin và cộng sự, 2018; Rudin, 2019).
  • Phân loại theo phạm vi: Giải thích tổng thể (Global explainability) và Giải thích cục bộ (Local explainability) (Arrieta và cộng sự, 2020; Bhattacharya, 2022).
  • Phân loại theo bản chất mô hình: Mô hình giải thích được về bản chất (Intrinsic), Mô hình giải thích hậu nghiệm (Post-hoc), và Mô hình bản chất không rõ ràng (Black-box) (Slack và cộng sự, 2021).
  • Phân loại theo định dạng: Phân bổ đặc trưng (Feature attribution), Dựa trên ví dụ, Dựa trên quy tắc, Trực quan và Ngôn ngữ tự nhiên.

Phương pháp nghiên cứu

Nghiên cứu áp dụng phương pháp định lượng qua quy trình hai giai đoạn nối tiếp:

[Dữ liệu BCTC & FiinPro 2018-2023: 1027 quan sát]
    [Chia tập: Training Set & Test Set]
        [Lựa chọn mô hình tối ưu: XGBoost]

• Nguồn dữ liệu và mẫu nghiên cứu: Dữ liệu thu thập từ báo cáo tài chính và cơ sở dữ liệu FiinPro giai đoạn 2018–2023 với tổng cộng 1.027 quan sát của các công ty phi tài chính. Nhãn biến phụ thuộc gồm hai nhóm: vỡ nợ (Default) chiếm 48,3% và không vỡ nợ (Non-default) chiếm 51,7%. Bộ dữ liệu được chia thành tập huấn luyện (training set) để tối ưu siêu tham số và tập kiểm tra (test set) để đánh giá khả năng tổng quát hóa ngoài mẫu.
• Các thuật toán máy học và mô hình đối chuẩn: Hồi quy Logistic (LR), Cây quyết định (Decision Tree), Rừng ngẫu nhiên (Random Forest), Thuật toán tăng cường độ dốc cực đại (XGBoost), Mạng nơ-ron nhân tạo (ANN), và Máy vector hỗ trợ (SVM).
• Thang đo đánh giá hiệu suất: Ma trận nhầm lẫn (Confusion Matrix), Độ chính xác tổng quát (Accuracy - ACC), Độ chính xác dương tính (Precision), Độ đặc hiệu (Specificity), Điểm F-1 (F1-score), và Diện tích dưới đường cong ROC (AUC-ROC).
• Kỹ thuật thống kê giải thích: Kỹ thuật SHAP (dựa trên giá trị đóng góp Shapley từ lý thuyết trò chơi) kết hợp Biểu đồ phụ thuộc bán phần (Partial Dependence Plot - PDP), Biểu đồ thác nước (Waterfall plot) và Biểu đồ lực (Force plot).
• Công cụ phân tích: Ngôn ngữ lập trình Python kết hợp các thư viện chuyên dụng: NumPy, Pandas, Scikit-learn, Seaborn và SHAP.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 thiết lập nền tảng nghiên cứu dựa trên bối cảnh thị trường tài chính Việt Nam giai đoạn 2022–2023. Tác giả chỉ ra các số liệu cụ thể về sự gia tăng quy mô phát hành trái phiếu doanh nghiệp (đạt 333.988 tỷ đồng năm 2023 theo SBV) đi kèm với rủi ro chậm trả nợ của 69 tổ chức phát hành (chiếm 8,15% giá trị lưu hành theo FiinRatings). Chương này xác định rõ mục tiêu tổng quát, 3 mục tiêu cụ thể, 3 câu hỏi nghiên cứu, đối tượng nghiên cứu, phạm vi dữ liệu (công ty phi tài chính trên HOSE, HNX, UPCOM giai đoạn 2018–2023), tóm lược phương pháp định lượng 2 giai đoạn và khẳng định ý nghĩa khoa học, thực tiễn và xã hội của đề tài.

Chương 2: Khảo lược lý thuyết

Chương 2 trình bày có hệ thống các lý thuyết nền tảng về rủi ro tín dụng và rủi ro vỡ nợ (Anderson, Saunders, Bessis, Hull, chuẩn mực Basel và Altman). Tác giả phân tích quá trình tiến hóa của các phương pháp đánh giá rủi ro từ phương pháp chuyên gia sang phương pháp thống kê cổ điển (Mô hình Z-score của Altman 1968, mô hình Logit của Ohlson 1980, mô hình rủi ro tỷ lệ Cox 1972) và các mô hình học máy hiện đại. Chương 2 phân tích chuyên sâu về lý thuyết máy học giải thích (XML), cấu trúc phân loại XML theo phạm vi, loại mô hình và định dạng giải thích. Cuối cùng, chương khảo lược 18 công trình nghiên cứu thực nghiệm trong và ngoài nước, từ đó định vị khoảng trống nghiên cứu tại Việt Nam.

Chương 3: Phương pháp nghiên cứu

Chương 3 trình bày chi tiết quy trình thiết kế nghiên cứu 2 giai đoạn:

• Mô tả định nghĩa biến phụ thuộc (nhị phân: 1 là vỡ nợ, 0 là không vỡ nợ) và danh mục các biến độc lập thuộc 4 nhóm hệ số tài chính.
• Trình bày quy trình thu thập dữ liệu 1.027 quan sát từ FiinPro và báo cáo tài chính, phương pháp làm sạch dữ liệu, xử lý đa cộng tuyến và chuẩn hóa dữ liệu.
• Thiết lập cấu trúc toán học của 6 mô hình: Hồi quy Logistic, Cây quyết định, Rừng ngẫu nhiên, XGBoost, Mạng thần kinh nhân tạo (ANN) và Máy vector hỗ trợ (SVM).
• Quy trình phân chia tập dữ liệu huấn luyện và kiểm tra, kỹ thuật điều chỉnh siêu tham số tối ưu (Hyperparameter tuning).
• Thiết lập khung giải thích SHAP và các thang đo ma trận nhầm lẫn, ROC-AUC, cùng môi trường thư viện Python (NumPy, Pandas, Scikit-learn, Seaborn, SHAP).

Chương 4: Kết quả nghiên cứu và thảo luận

Chương 4 cung cấp kết quả thực nghiệm toàn diện trên bộ dữ liệu doanh nghiệp Việt Nam:

• Phân tích thực trạng thị trường và cơ cấu nợ của 69 tổ chức phát hành trái phiếu chậm trả.
• Báo cáo thống kê mô tả, phân tích đa cộng tuyến của các biến độc lập.
• Báo cáo kết quả dự báo trong mẫu (in-sample) và ngoài mẫu (out-of-sample) cho cả 6 mô hình. Kết quả cho thấy XGBoost và Random Forest đạt hiệu suất cao nhất:

Mô hình	Độ chính xác tập huấn luyện (In-sample ACC)	Độ chính xác tập kiểm tra (Out-of-sample ACC)
XGBoost	100,0%	89,6%
Random Forest	99,8%	86,4%
Hồi quy Logistic / Khác	Thấp hơn đáng kể	Thấp hơn đáng kể

• Kết quả phân tích SHAP toàn cục xác định 10 biến số tài chính có mức độ ảnh hưởng quyết định đến dự báo vỡ nợ và phân tích mối quan hệ phi tuyến thông qua biểu đồ phụ thuộc SHAP (PDP).
• Kết quả phân tích giải thích cục bộ trên 3 trường hợp doanh nghiệp chậm thanh toán thực tế:
  1. CTCP Chế biến và XNK Thủy sản Cadovimex (CAD): Thể hiện qua biểu đồ thác nước và biểu đồ lực về tình trạng suy giảm lợi nhuận ròng, đòn bẩy tài chính cao và ứ đọng hàng tồn kho.
  2. Công ty Cổ phần Đức Long Gia Lai (DLG): Phân tích các chỉ số thanh khoản và nợ suy yếu dẫn đến xác suất vỡ nợ cao.
  3. Tập đoàn Long Điền (LDG/LGD): Minh họa sự suy giảm của dòng tiền kinh doanh và áp lực chi phí lãi vay qua biểu đồ lực SHAP.

Chương 5: Hàm ý chính sách và khuyến nghị

Chương 5 đúc kết các đóng góp mới của đề tài và đề xuất các nhóm khuyến nghị ứng dụng thực tế:

• Khuyến nghị đối với các tổ chức tín dụng trong việc nâng cấp hệ thống chấm điểm tín dụng nội bộ bằng mô hình máy học kết hợp SHAP.
• Khuyến nghị đối với công ty chứng khoán và công ty quản lý quỹ trong quản trị danh mục đầu tư trái phiếu.
• Khuyến nghị đối với các tổ chức xếp hạng tín nhiệm về việc chuẩn hóa phương pháp đánh giá rủi ro.
• Khuyến nghị đối với cơ quan quản lý (Ngân hàng Nhà nước, Ủy ban Chứng khoán Nhà nước) trong việc xây dựng khung pháp lý giám sát an toàn thị trường.
• Trình bày các hạn chế về phạm vi mẫu và đề xuất định hướng nghiên cứu tiếp theo.

---

Kết quả và những đóng góp mới

Kết quả nghiên cứu chính

1. Hiệu suất dự báo vượt trội của mô hình máy học: Mô hình XGBoost đạt độ chính xác 100% trên tập huấn luyện và 89,6% trên tập kiểm tra; mô hình Random Forest đạt 99,8% trên tập huấn luyện và 86,4% trên tập kiểm tra, vượt trội so với mô hình Hồi quy Logistic truyền thống. Cả hai mô hình đều có diện tích dưới đường cong ROC (AUC) cao, phản ánh khả năng phân loại tốt giữa nhóm doanh nghiệp vỡ nợ và không vỡ nợ.
2. Xác định các yếu tố tài chính trọng yếu: Kỹ thuật SHAP đã bóc tách và xếp hạng 10 biến số tài chính có ảnh hưởng lớn nhất đến dự báo rủi ro vỡ nợ của doanh nghiệp Việt Nam:
   • Tỷ lệ thu nhập giữ lại trên tổng tài sản
   • Dòng tiền trên chi phí lãi vay
   • Tỷ lệ nợ ròng trên tổng tài sản
   • Tỷ lệ chi tiêu vốn (CAPEX) trên tổng tài sản
   • Tỷ lệ tiền mặt
   • Quy mô công ty (SIZE)
   • Tỷ lệ đầu tư ngắn hạn trên nợ ngắn hạn
   • Số ngày tồn kho
   • Lợi nhuận trên vốn chủ sở hữu (ROE)
   • Hệ số bao phủ lãi vay
3. Làm rõ mối quan hệ phi tuyến và giải thích cục bộ: SHAP làm sáng tỏ tác động phi tuyến của từng biến độc lập tới xác suất vỡ nợ qua biểu đồ phụ thuộc bán phần (PDP). Kết quả giải thích cục bộ bằng biểu đồ thác nước và biểu đồ lực trên 3 doanh nghiệp thực tế (CAD, DLG, LDG) hoàn toàn phù hợp với thực trạng tài chính được công bố của các doanh nghiệp này.

Những đóng góp mới về lý luận và thực tiễn

• Về mặt khoa học và lý luận: Cung cấp bằng chứng thực nghiệm có hệ thống về việc ứng dụng khung phân tích máy học giải thích (XML) kết hợp thuật toán học máy có giám sát (XGBoost, Random Forest) với kỹ thuật thống kê giải thích hậu nghiệm (SHAP) trong lĩnh vực tài chính ngân hàng tại một thị trường mới nổi như Việt Nam. Nghiên cứu giải quyết vấn đề đánh đổi giữa độ chính xác dự báo cao và tính minh bạch của mô hình.
• Về mặt thực tiễn: Cung cấp giải pháp định lượng có thể chuyển giao cho các tổ chức tín dụng, công ty quản lý quỹ và nhà đầu tư nhằm tự động hóa quy trình cảnh báo sớm rủi ro vỡ nợ, hỗ trợ ra quyết định cấp tín dụng và tái cơ cấu danh mục nợ.
• Về mặt xã hội: Tăng cường tính công bằng và trách nhiệm giải trình của các hệ thống AI trong tài chính, góp phần giảm thiểu thiên lệch thuật toán, hỗ trợ phát triển tài chính toàn diện.

Kiến nghị và giải pháp đề xuất

1. Đối với các tổ chức tín dụng: Tích hợp mô hình XGBoost và SHAP vào hệ thống xếp hạng tín dụng nội bộ; giám sát chặt chẽ các chỉ số dòng tiền trên chi phí lãi vay và tỷ lệ nợ ròng của khách hàng doanh nghiệp.
2. Đối với công ty chứng khoán và quỹ đầu tư: Sử dụng công cụ giải thích SHAP để phân tích đa chiều các lô trái phiếu doanh nghiệp trước khi ra quyết định đầu tư, theo dõi biến động của hệ số CAPEX và vòng quay tồn kho.
3. Đối với các tổ chức xếp hạng tín nhiệm: Ứng dụng mô hình máy học giải thích để chuẩn hóa thang điểm, nâng cao độ tin cậy và tính giải trình của báo cáo xếp hạng.
4. Đối với cơ quan quản lý nhà nước: Xây dựng hướng dẫn kỹ thuật về ứng dụng trí tuệ nhân tạo có giải thích trong lĩnh vực tài chính ngân hàng; hoàn thiện cơ sở dữ liệu tập trung về lịch sử tín dụng và phát hành trái phiếu doanh nghiệp.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

• Phạm vi dữ liệu tập trung chủ yếu vào các công ty phi tài chính đại chúng và niêm yết trên HOSE, HNX và UPCOM, chưa mở rộng sang khối doanh nghiệp tư nhân chưa đại chúng do hạn chế về tính minh bạch của báo cáo tài chính.
• Bộ biến số đầu vào chủ yếu dựa trên các chỉ số tài chính định lượng thu thập từ báo cáo tài chính và dữ liệu FiinPro giai đoạn 2018–2023, chưa tích hợp đầy đủ các yếu tố định tính (chất lượng quản trị, uy tín ban lãnh đạo) và biến số kinh tế vĩ mô theo thời gian thực.

Hướng nghiên cứu tiếp theo

• Mở rộng mẫu nghiên cứu sang các doanh nghiệp chưa niêm yết và doanh nghiệp vừa và nhỏ (SMEs) khi có nguồn dữ liệu phù hợp.
• Tích hợp thêm các biến số phi tài chính, biến số quản trị công ty và các chỉ số kinh tế vĩ mô (lãi suất, lạm phát, tăng trưởng ngành) vào mô hình máy học.
• Thử nghiệm kết hợp các kỹ thuật giải thích nâng cao khác (như LIME hoặc Counterfactual Explanations) để so sánh đối chiếu với phương pháp SHAP.

---

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn cao cho nhiều nhóm đối tượng:

• Nghiên cứu sinh và giảng viên ngành Tài chính - Ngân hàng, Khoa học dữ liệu ứng dụng: Cung cấp khung phương pháp luận hoàn chỉnh về học máy giải thích (XML), phương pháp tiền xử lý dữ liệu bảng tài chính và quy trình đánh giá mô hình bằng Python (Scikit-learn, SHAP). Chương 2 và Chương 3 là tài liệu tham khảo chuẩn mực về tổng quan học thuật và thiết kế nghiên cứu thực nghiệm.
• Chuyên viên quản trị rủi ro tại các NHTM, công ty chứng khoán và quỹ đầu tư: Tham khảo quy trình xây dựng mô hình dự báo vỡ nợ bằng XGBoost và việc sử dụng biểu đồ thác nước/biểu đồ lực SHAP trong việc thẩm định tín dụng từng hồ sơ doanh nghiệp cụ thể (tham khảo Chương 4).
• Cơ quan quản lý và hoạch định chính sách (NHNN, UBCKNN): Cung cấp cơ sở khoa học để xây dựng chính sách quản lý rủi ro thị trường trái phiếu doanh nghiệp và định hướng áp dụng AI an toàn, minh bạch trong ngành tài chính.

---

Câu hỏi thường gặp

1. Quy mô mẫu và đặc điểm phân bổ dữ liệu trong luận án được thiết kế như thế nào?

Mẫu nghiên cứu gồm 1.027 quan sát thu thập từ các công ty phi tài chính niêm yết và đăng ký giao dịch trên các sàn HOSE, HNX và UPCOM trong giai đoạn 2018–2023 từ cơ sở dữ liệu FiinPro và báo cáo tài chính. Bộ dữ liệu có cơ cấu cân bằng tương đối với 48,3% quan sát thuộc nhóm vỡ nợ (Default) và 51,7% thuộc nhóm không vỡ nợ (Non-default).

2. Thuật toán máy học nào đạt hiệu suất dự báo rủi ro vỡ nợ cao nhất?

Thuật toán tăng cường độ dốc cực đại (XGBoost) đạt hiệu suất cao nhất với độ chính xác tuyệt đối 100% trên tập huấn luyện và 89,6% trên tập kiểm tra ngoài mẫu. Mô hình Rừng ngẫu nhiên (Random Forest) đạt hiệu suất cao thứ hai với 99,8% trên tập huấn luyện và 86,4% trên tập kiểm tra. Cả hai mô hình tập hợp này đều vượt trội hơn so với mô hình Hồi quy Logistic truyền thống.

3. Kỹ thuật SHAP đã chỉ ra những biến số tài chính nào đóng vai trò quan trọng nhất trong việc dự báo?

SHAP xác định 10 biến số tài chính hàng đầu ảnh hưởng đến dự báo rủi ro vỡ nợ: (1) Tỷ lệ thu nhập giữ lại trên tổng tài sản, (2) Dòng tiền trên chi phí lãi vay, (3) Tỷ lệ nợ ròng trên tổng tài sản, (4) Tỷ lệ chi tiêu vốn (CAPEX) trên tổng tài sản, (5) Tỷ lệ tiền mặt, (6) Quy mô công ty (SIZE), (7) Tỷ lệ đầu tư ngắn hạn trên nợ ngắn hạn, (8) Số ngày tồn kho, (9) Lợi nhuận trên vốn chủ sở hữu (ROE), và (10) Hệ số bao phủ lãi vay.

4. Kết quả giải thích cục bộ của mô hình được kiểm chứng trên các doanh nghiệp thực tế nào?

Khả năng giải thích cục bộ của mô hình SHAP được kiểm chứng trên 3 doanh nghiệp thực tế ghi nhận tình trạng chậm thực hiện nghĩa vụ nợ: CTCP Chế biến và XNK Thủy sản Cadovimex (CAD), Công ty Cổ phần Đức Long Gia Lai (DLG), và Tập đoàn Long Điền (LDG/LGD). Kết quả bóc tách từ biểu đồ thác nước và biểu đồ lực SHAP hoàn toàn trùng khớp với các dấu hiệu suy kiệt tài chính thực tế của các doanh nghiệp này.

5. Vì sao việc ứng dụng máy học giải thích (XML) lại cần thiết trong quản lý rủi ro tín dụng?

Các mô hình máy học phức tạp thường hoạt động như một "hộp đen", gây cản trở cho việc thẩm định và tuân thủ các quy định quản lý rủi ro. Máy học giải thích (cụ thể là SHAP) giúp chuyển đổi các kết quả dự báo phức tạp thành các phân bổ đóng góp cụ thể của từng biến số, làm sáng tỏ các tác động phi tuyến, từ đó gia tăng tính minh bạch, hỗ trợ nhà quản lý đưa ra quyết định tín dụng chính xác và đáp ứng các yêu cầu pháp lý.

---

Kết luận

Luận án của tác giả Trần Kim Long đã thực hiện nghiên cứu thực nghiệm có hệ thống về việc ứng dụng máy học giải thích trong dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam giai đoạn 2018–2023. Thông qua thiết kế nghiên cứu hai giai đoạn, công trình chứng minh tính ưu việt của thuật toán XGBoost và Random Forest so với mô hình Hồi quy Logistic truyền thống, đồng thời sử dụng thành công kỹ thuật SHAP để bóc tách 10 biến số tài chính trọng yếu tác động phi tuyến đến xác suất vỡ nợ. Kết quả nghiên cứu cung cấp cả đóng góp học thuật lẫn công cụ ứng dụng thực tiễn cho các tổ chức tín dụng, công ty đầu tư và cơ quan quản lý nhà nước trong công tác giám sát và quản trị rủi ro tín dụng.

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.