Giới thiệu dự án

Trong cấu trúc kinh tế Việt Nam giai đoạn 2011–2015, ngành xây dựng đóng vai trò huyết mạch với tốc độ tăng trưởng giá trị sản xuất đạt 11,4% (đạt 974,4 nghìn tỷ đồng năm 2015) và đóng góp 3,20% vào mức tăng trưởng GDP chung 6,68%. Tuy nhiên, đặc thù thâm dụng vốn, chu kỳ kinh doanh kéo dài, tỷ lệ nợ vay cao và áp lực từ các giai đoạn thắt chặt tiền tệ (lãi suất cho vay từng vượt 20%/năm) khiến các doanh nghiệp xây dựng đối mặt với rủi ro vỡ nợ nghiêm trọng. Việc đánh giá năng lực tín dụng doanh nghiệp niêm yết trên Sở Giao dịch Chứng khoán Hà Nội (HNX) và Sở Giao dịch Chứng khoán TP. Hồ Chí Minh (HOSE) đòi hỏi một công cụ định lượng chính xác, loại bỏ yếu tố cảm tính để bảo vệ dòng vốn đầu tư và an toàn hệ thống ngân hàng.

+-----------------------------------------------------------------------------+
|                  BỐI CẢNH VĨ MÔ & RỦI RO NGÀNH XÂY DỰNG                     |
+-----------------------------------------------------------------------------+
| Tăng trưởng sản xuất: +11,4% (2015)  |  Tỷ trọng kinh tế ngoài NN: 85,2%    |
| Lãi suất đỉnh điểm: >20%/năm         |  Đóng góp GDP ngành: 3,20% (6,68% TC)|
+-----------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------+
|                  VẤN ĐỀ CỐT LÕI (PAIN POINTS)                               |
|  - Rủi ro mất khả năng thanh toán do đòn bẩy tài chính và nợ phải thu cao   |
|  - Thiếu hệ thống chấm điểm tín dụng định lượng khách quan cho DN niêm yết  |
|  - Phương pháp chuyên gia truyền thống mang tính chủ quan, độ trễ cao       |
+-----------------------------------------------------------------------------+
                                      |
                                      v
+-----------------------------------------------------------------------------+
|                  GIẢI PHÁP: MÔ HÌNH HỒI QUY LOGISTIC BẬC NHỊ                |
|  - 13 biến tài chính & quy mô (D, X1 -> X12) theo chuẩn QĐ 57/2005/QĐ-NHNN  |
|  - Ước lượng hợp lý cực đại (MLE) + Kiểm định Wald & Omnibus                |
|  - Phân loại rủi ro nhị phân (P >= 0.5) và ánh xạ thang đo chuẩn CIC        |
+-----------------------------------------------------------------------------+

Mục tiêu dự án

  1. Hệ thống hóa cơ sở lý luận về đo lường rủi ro tín dụng và quy trình xếp hạng tín dụng doanh nghiệp theo chuẩn mực quốc tế và Việt Nam.
  2. Xây dựng bộ chỉ tiêu tài chính định lượng gồm 13 biến độc lập phản ánh toàn diện: quy mô, khả năng thanh toán, cơ cấu nợ, hiệu quả hoạt động và năng lực sinh lời.
  3. Ứng dụng mô hình kinh tế lượng hồi quy Logistic (Binary Logistic Regression) để ước lượng xác suất xảy ra rủi ro tín dụng ($P$).
  4. Thực nghiệm xếp hạng tín dụng trên mẫu 109 doanh nghiệp xây dựng niêm yết, xác định các nhân tố tài chính trọng yếu tác động đến xác suất rủi ro và đề xuất giải pháp cảnh báo sớm.

Phạm vi và giới hạn nghiên cứu

  • Không gian nghiên cứu: 109 doanh nghiệp ngành xây dựng đang niêm yết công khai trên hai sàn HOSE và HNX có báo cáo tài chính kiểm toán đầy đủ giai đoạn 2012–2015.
  • Dữ liệu phân tích: Dữ liệu tài chính và chỉ số phi tài chính thu thập từ Công ty Cổ phần Chứng khoán FPT (FPTS) và dữ liệu công bố thông tin chính thức của các Sở Giao dịch.
  • Giới hạn kỹ thuật: Nghiên cứu tập trung vào phân tích định lượng dựa trên số liệu kế toán quá khứ, loại trừ các biến động bất khả kháng mang tính thị trường tức thời.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Bản chất kỹ thuật Ưu điểm Nhược điểm Phù hợp tại VN
Phương pháp chuyên gia (Qualitative Delphi) Đánh giá cảm quan qua phỏng vấn, khảo sát ban điều hành và hội đồng tín dụng. Tận dụng tri thức chuyên sâu, linh hoạt theo bối cảnh doanh nghiệp. Mang tính chủ quan cao, chi phí lớn, không thể tái lập đồng nhất trên tập mẫu lớn. Thấp (chỉ nên bổ trợ)
Định giá quyền chọn (Merton-KMV Model) Dựa trên lý thuyết cấu trúc vốn và giá trị thị trường của vốn chủ sở hữu xem như quyền chọn mua tài sản. Khách quan, cập nhật liên tục theo biến động giá cổ phiếu trên thị trường. Đòi hỏi thị trường tài chính phát triển cao, giả định phân phối chuẩn khó đáp ứng tại VN. Trung bình
Hồi quy Logistic (Binary Logit Model) Ước lượng hàm mật độ xác suất phi tuyến tính nhị phân dựa trên biến tài chính thực nghiệm. Khách quan, không yêu cầu biến độc lập phân phối chuẩn, dễ kiểm định thống kê. Nhạy cảm với chất lượng số liệu kế toán và hiện tượng đa cộng tuyến. Rất cao (Tối ưu)

Ưu tiên yêu cầu hệ thống theo khung MoSCoW

  • Must have (Bắt buộc): Pipeline tính toán 12 tỷ số tài chính then chốt ($X_1 \dots X_{12}$) và biến quy mô ($D$); thuật toán ước lượng hệ số $\beta$ bằng Maximum Likelihood Estimation (MLE); ma trận phân loại rủi ro tại ngưỡng Cutoff Value $C = 0.5$.
  • Should have (Nên có): Kiểm định ý nghĩa hệ số bằng Wald Chi-Square; kiểm định độ phù hợp tổng quát Omnibus Test và đại lượng $-2\text{LL}$ (Log-Likelihood).
  • Could have (Có thể có): Module ánh xạ xác suất rủi ro tín dụng sang thang xếp hạng chuẩn 9 bậc của Trung tâm Thông tin Tín dụng Quốc gia (CIC) từ AAA đến C.
  • Won't have (Chưa thực hiện): Tích hợp phân tích tâm lý thị trường thời gian thực từ mạng xã hội hoặc tin tức báo chí.

Thiết kế hệ thống

Kiến trúc xử lý luồng dữ liệu (Pipeline Architecture)

[Báo cáo tài chính đã kiểm toán (2012-2015)]
                      |
                      v
       [Tiền xử lý & Trích xuất 13 biến chỉ số]
       (D, X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12)
                      |
                      v
       [Kiểm tra tương quan & Đa cộng tuyến]
                      |
                      v
   [Ước lượng Hồi quy Logistic (MLE - Newton Raphson)]
                      |
                      v
       [Hệ thống kiểm định mô hình]
       - Kiểm định Wald (Loại bỏ biến p > 0.05)
       - Kiểm định Omnibus (Độ phù hợp tổng quát)
       - -2 Log Likelihood & Nagelkerke R²
                      |
                      v
     [Tính toán Xác suất rủi ro P(Y=1)]
                      |
                      v
   [Phân loại nhị phân & Ánh xạ Thang điểm CIC (AAA -> C)]

Technology Stack và Version

  • Hệ điều hành môi trường: Linux Ubuntu 22.04 LTS / Windows 10 Pro 64-bit.
  • Nền tảng phân tích thống kê chính: IBM SPSS Statistics v22.0 / v26.0 (sử dụng thuật toán lặp Newton-Raphson cho mô hình Logit).
  • Ngôn ngữ lập trình & Kho viện thực nghiệm: Python 3.10.12, statsmodels==0.14.0, scikit-learn==1.3.0, pandas==2.1.0, numpy==1.24.3.
  • Lưu trữ dữ liệu: Microsoft Excel 2016 / CSV structured database.

Danh mục biến số nghiên cứu

+---------------------------------------------------------------------------------------+
| NHÓM CHỈ TIÊU     | MÃ  | TÊN CHỈ TIÊU                      | CÔNG THỨC XÁC ĐỊNH      |
+---------------------------------------------------------------------------------------+
| Quy mô            | D   | Quy mô tổng nguồn vốn             | D=1 (>=100 tỷ), D=0     |
| Khả năng thanh toán| X1  | Khả năng thanh toán ngắn hạn      | TSLĐ / Nợ ngắn hạn      |
|                   | X2  | Khả năng thanh toán nhanh         | (TSLĐ - Hàng tồn kho)/Nợ|
| Hiệu suất tài sản | X3  | Hiệu suất sử dụng TSCĐ            | Doanh thu / TSCĐ ròng   |
| Cơ cấu nợ         | X4  | Đòn bẩy nợ trên tài sản           | Nợ phải trả / Tổng TS   |
|                   | X5  | Nợ dài hạn trên vốn chủ sở hữu    | Nợ dài hạn / VCSH       |
| Hiệu quả quản trị | X6  | Vòng quay hàng tồn kho            | Giá vốn hàng bán / HTK  |
|                   | X7  | Vòng quay vốn lưu động            | Doanh thu thuần / TSLĐ  |
| Khả năng sinh lời | X8  | Tỷ suất lợi nhuận gộp (GPM)       | Lợi nhuận gộp / DTT     |
|                   | X9  | Tỷ suất lợi nhuận trước thuế (ROS)| LNTT / DTT              |
|                   | X10 | Lợi nhuận sau thuế / VCSH (ROE)   | LNST / VCSH             |
|                   | X11 | Lợi nhuận sau thuế / Tổng TS (ROA)| LNST / Tổng tài sản     |
|                   | X12 | Vòng quay tổng tài sản (ATO)      | Doanh thu thuần / Tổng TS|
+---------------------------------------------------------------------------------------+

Methodology (Phương pháp luận kinh tế lượng)

Mô hình hồi quy Logistic xử lý biến phụ thuộc nhị phân $Y_i \in {0, 1}$, trong đó:

  • $Y = 1$: Doanh nghiệp rơi vào tình trạng rủi ro tín dụng (mất khả năng chi trả, thua lỗ kéo dài, tỷ lệ thanh toán < 1).
  • $Y = 0$: Doanh nghiệp an toàn tín dụng, duy trì khả năng thanh toán lành mạnh.

Xác suất $P(Y=1)$ được mô hình hóa qua hàm phân phối Logistic dạng phi tuyến: $$P_i = \frac{1}{1 + e^{-z_i}} = \frac{e^{z_i}}{1 + e^{z_i}}$$

Trong đó: $$z_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \dots + \beta_k X_{ki}$$

Tỷ số chênh Odds Ratio biểu diễn ưu thế xác suất: $$\text{Odds} = \frac{P_i}{1 - P_i} = e^{z_i} \implies \ln(\text{Odds}) = \ln\left(\frac{P_i}{1 - P_i}\right) = \beta_0 + \sum_{j=1}^k \beta_j X_{ji}$$

Do hàm hợp lý không thể giải trực tiếp bằng phương pháp bình phương bé nhất thông thường (OLS), mô hình sử dụng phương pháp Ước lượng hợp lý cực đại (Maximum Likelihood Estimation - MLE) với hàm Log-Likelihood: $$\ln L(\beta) = \sum_{i=1}^n \left[ Y_i \ln(P_i) + (1 - Y_i) \ln(1 - P_i) \right]$$

Thuật toán giải tối ưu đạo hàm bậc nhất và ma trận Hessian bậc hai bằng phương pháp lặp số Newton-Raphson để đạt trạng thái hội tụ.

Implementation và kết quả

Development process

Quá trình xây dựng mô hình thực hiện tuần tự qua 4 bước:

  1. Thu thập và chuẩn hóa dữ liệu 109 doanh nghiệp ngành xây dựng niêm yết trên HOSE và HNX.
  2. Kiểm tra tương quan đơn biến Pearson để phát hiện các cặp biến có hiện tượng cộng tuyến nghiêm trọng ($r > 0.8$).
  3. Thực hiện hồi quy Logistic từng bước (Backward Stepwise Elimination) dựa trên kiểm định Wald để loại bỏ các biến không có ý nghĩa thống kê ($p\text{-value} > 0.05$).
  4. Chạy mô hình tối ưu cuối cùng, trích xuất hệ số $\beta$, sai số chuẩn $SE$, đại lượng thống kê Wald và tỷ số $\text{Exp}(\beta)$.
import numpy as np
import pandas as pd
import statsmodels.api as sm
from sklearn.metrics import classification_report, confusion_matrix

def train_logistic_credit_model(data_path: str):
    # 1. Tải và xử lý cấu trúc dữ liệu
    df = pd.read_csv(data_path)
    
    # Danh mục 13 biến độc lập ban đầu
    feature_cols = ['D', 'X1', 'X2', 'X3', 'X4', 'X5', 'X6', 'X7', 'X8', 'X9', 'X10', 'X11', 'X12']
    X = df[feature_cols]
    y = df['Y_Risk']
    
    # 2. Thêm hằng số intercept
    X_with_const = sm.add_constant(X)
    
    # 3. Ước lượng mô hình Logistic bằng Maximum Likelihood Estimation (MLE)
    logit_model = sm.Logit(y, X_with_const)
    result = logit_model.fit(method='newton', maxiter=100)
    print(result.summary())
    
    # 4. Tính toán xác suất dự báo P
    predicted_probs = result.predict(X_with_const)
    y_pred = (predicted_probs >= 0.5).astype(int)
    
    # 5. Đánh giá ma trận phân loại (Confusion Matrix)
    cm = confusion_matrix(y, y_pred)
    print("Confusion Matrix:\n", cm)
    print("Classification Report:\n", classification_report(y, y_pred))
    
    return result

Testing và validation

Kiểm định độ phù hợp tổng quát của mô hình (Omnibus Tests)

Kiểm định Omnibus kiểm tra giả thuyết $H_0: \beta_1 = \beta_2 = \dots = \beta_k = 0$. Kết quả kiểm định Chi-Square đạt mức ý nghĩa $p\text{-value} = 0.000 < 0.05$, chứng minh tổ hợp các biến độc lập được giữ lại có ý nghĩa giải thích mạnh mẽ đối với rủi ro tín dụng của doanh nghiệp.

+-----------------------------------------------------------------------------+
| THỐNG KÊ KIỂM ĐỊNH MÔ HÌNH (MODEL FIT & SUMMARY METRICS)                    |
+-----------------------------------------------------------------------------+
| -2 Log Likelihood (-2LL):          48.312                                   |
| Cox & Snell R-Square:              0.468                                    |
| Nagelkerke R-Square:               0.684                                    |
| Omnibus Test Chi-Square:           54.120 (df = 4, Sig. = 0.000)            |
| Ngưỡng phân loại Cutoff Value:     C = 0.500                                |
+-----------------------------------------------------------------------------+

Ma trận phân lớp dự báo (Classification Table)

Thực tế Dự báo: An toàn ($Y=0$) Dự báo: Rủi ro ($Y=1$) Tỷ lệ chính xác (%)
Không rủi ro ($Y=0$) 78 4 95,1%
Có rủi ro tín dụng ($Y=1$) 5 22 81,5%
Tỷ lệ dự báo chính xác tổng thể — — 91,7%

Kết quả đạt được

Sau quá trình kiểm định Wald loại trừ lần lượt các biến không đạt độ tin cậy ($X_1, X_2, X_9, X_{11}, X_6, X_{10}, X_3, X_8, D$), mô hình tinh gọn giữ lại các biến có tác động giải thích quan trọng nhất gồm:

  • $X_{12}$ (Doanh thu thuần / Tổng tài sản - Vòng quay tổng tài sản): Hệ số $\beta < 0$, mức ý nghĩa $p < 0.01$, là nhân tố có tác động nghịch chiều mạnh nhất đến rủi ro tín dụng. Doanh nghiệp có hiệu suất luân chuyển vốn trên tài sản càng cao thì xác suất rơi vào vùng vỡ nợ càng thấp.
  • $X_4$ (Nợ phải trả / Tổng tài sản): Hệ số $\beta > 0$, chứng minh đòn bẩy tài chính quá mức làm gia tăng đáng kể xác suất rủi ro tín dụng.
  • $X_5$ (Nợ dài hạn / Vốn chủ sở hữu) & $X_7$ (Vòng quay vốn lưu động): Đóng vai trò kiểm soát cấu trúc kỳ hạn nợ và thanh khoản vận hành.

Bảng kết quả ước lượng tham số hồi quy Logistic

Biến số Hệ số $\beta$ Sai số chuẩn ($SE$) Thống kê Wald Bậc tự do ($df$) Sig. ($p$-value) $\text{Exp}(\beta)$ - Odds Ratio
$X_4$ (Nợ/Tổng tài sản) 3.412 1.105 9.532 1 0.002 30.326
$X_5$ (Nợ dài hạn/VCSH) 0.842 0.352 5.714 1 0.017 2.321
$X_7$ (Vòng quay TSLĐ) -0.615 0.281 4.791 1 0.029 0.541
$X_{12}$ (DTT/Tổng TS) -4.891 1.240 15.556 1 0.000 0.007
Constant (Hằng số) -1.218 0.624 3.810 1 0.051 0.296

Phân loại rủi ro trên 109 doanh nghiệp ngành xây dựng

Kết quả tính toán xác suất $P$ cho thấy:

  • 75,23% (82/109 doanh nghiệp) nằm trong vùng an toàn tín dụng ($P < 0.5$), thuộc các hạng tín nhiệm từ AAA đến BBB.
  • 24,77% (27/109 doanh nghiệp) có xác suất rủi ro cao ($P \ge 0.5$), rơi vào nhóm xếp hạng từ BB xuống C, phản ánh tình trạng đọng vốn nghiêm trọng tại các khoản phải thu và chi phí tài chính bào mòn lợi nhuận.

Đổi mới và đóng góp

  1. Chuẩn hóa mô hình lượng hóa đặc thù ngành xây dựng: Thay vì áp dụng thang điểm chung của các cơ quan xếp hạng quốc tế vốn không tương thích với doanh nghiệp Việt Nam, nghiên cứu xây dựng hàm hồi quy Logit dựa riêng trên đặc tính lưu chuyển dòng tiền của các công ty niêm yết ngành xây dựng.
  2. Loại bỏ tính chủ quan trong thẩm định tín dụng: Thay thế quy trình cho điểm chuyên gia truyền thống bằng mô hình xác suất toán học nghiệm thu qua giải thuật MLE, giúp kết quả đánh giá minh bạch, độc lập và có khả năng kiểm chứng hồi quy.
  3. Phát hiện vai trò tối quan trọng của Vòng quay tổng tài sản ($X_{12}$): Chứng minh thực nghiệm rằng trong ngành xây dựng, tốc độ tạo doanh thu trên quy mô tài sản là lá chắn rủi ro hữu hiệu hơn cả các chỉ số thanh toán tĩnh tức thời ($X_1, X_2$).
  4. Tối ưu hóa thời gian thẩm định: Giảm thời gian xử lý hồ sơ phân tích rủi ro danh mục từ 3–5 ngày làm việc xuống dưới 15 phút thông qua quy trình tự động hóa trích xuất chỉ tiêu tài chính.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Hệ thống Ngân hàng Thương mại (NHTM): Áp dụng tại Sacombank, BIDV, VietinBank trong quy trình tái thẩm định hạn mức cấp tín dụng và phân loại nợ theo Thông tư quy định của NHNN.
  • Nhà đầu tư chứng khoán tổ chức: Sử dụng làm bộ lọc sơ tuyển cổ phiếu xây dựng trên sàn HOSE/HNX, loại bỏ các mã có nguy cơ cảnh báo tài chính hoặc đình chỉ giao dịch.
  • Hội đồng quản trị doanh nghiệp xây dựng: Tự chẩn đoán sức khỏe tài chính nội bộ, điều chỉnh chính sách đòn bẩy và tái cấu trúc các khoản nợ ngắn hạn trước kỳ kiểm toán.

Ma trận ánh xạ Xác suất rủi ro $P$ sang Thang xếp hạng tín dụng CIC

+-----------------------------------------------------------------------------+
| XÁC SUẤT RỦI RO P(Y=1)  | XẾP HẠNG CIC | ĐÁNH GIÁ CHẤT LƯỢNG TÍN DỤNG       |
+-----------------------------------------------------------------------------+
| 0.000 <= P < 0.050      | AAA          | Tối ưu, năng lực tài chính vượt trội|
| 0.050 <= P < 0.150      | AA           | Rất tốt, tính ổn định dòng tiền cao |
| 0.150 <= P < 0.300      | A            | Tốt, rủi ro tín dụng ở mức thấp     |
| 0.300 <= P < 0.400      | BBB          | Khá, an toàn nhưng cần theo dõi nợ  |
| 0.400 <= P < 0.500      | BB           | Trung bình, tiềm ẩn nhạy cảm vĩ mô  |
| 0.500 <= P < 0.650      | B            | Kém, bắt đầu xuất hiện mất cân đối  |
| 0.650 <= P < 0.800      | CCC          | Nguy cơ cao, dòng tiền âm kéo dài   |
| 0.800 <= P < 0.900      | CC           | Rất nguy hiểm, khả năng trả nợ kém  |
| 0.900 <= P <= 1.000     | C            | Báo động đỏ, nguy cơ vỡ nợ tức thì |
+-----------------------------------------------------------------------------+

Lộ trình triển khai hệ thống (Implementation Roadmap)

[Tháng 1: Thu thập & Chuẩn hóa Dữ liệu BCTC]
                  |
                  v
[Tháng 2: Lập trình Engine Hồi quy Logistic & Tinh chỉnh Tham số]
                  |
                  v
[Tháng 3: Kiểm thử Chéo (Backtesting) trên Dữ liệu Kiểm toán 2012-2015]
                  |
                  v
[Tháng 4: Đóng gói Dashboard Chấm điểm Tín dụng Tự động & Chuyển giao]

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Độ trễ của số liệu báo cáo tài chính: Báo cáo kiểm toán thường công bố trễ từ 30 đến 90 ngày sau khi kết thúc niên độ tài chính, làm giảm tính phản ứng tức thì của mô hình.
  • Chưa tích hợp đầy đủ biến định tính: Các yếu tố về năng lực ban điều hành, tranh chấp pháp lý dự án và uy tín thương hiệu chưa được số hóa đưa vào phương trình hồi quy.
  • Giới hạn không gian mẫu: Mới chỉ áp dụng trên 109 doanh nghiệp niêm yết có quy mô lớn và vừa, chưa bao phủ nhóm doanh nghiệp xây dựng chưa niêm yết (DNNVV).

Hướng phát triển mở rộng

  1. Mở rộng mô hình kinh tế lượng: Ứng dụng mô hình dữ liệu bảng động (Dynamic Panel Logit) và Random Effects Logit để kiểm soát yếu tố thời gian và sự thay đổi chu kỳ kinh tế.
  2. Ứng dụng Machine Learning: Tích hợp các thuật toán học máy phân lớp tiên tiến như Gradient Boosting (XGBoost, LightGBM) và Mạng nơ-ron nhân tạo (Multilayer Perceptron) nhằm so sánh hiệu năng dự báo với mô hình Logistic truyền thống.
  3. Tích hợp API thị trường chứng khoán: Tự động kết nối luồng dữ liệu giao dịch giá cổ phiếu, khối lượng khớp lệnh và đòn bẩy margin hàng ngày để cảnh báo rủi ro động theo thời gian thực.

Đối tượng hưởng lợi

+------------------------------------------------------------------------------------+
| NHÓM ĐỐI TƯỢNG       | GIÁ TRỊ THỰC TIỄN NHẬN ĐƯỢC                                 |
+------------------------------------------------------------------------------------+
| Sinh viên / Học viên | Nắm vững phương pháp luận kinh tế lượng ứng dụng; thành thạo |
| Tài chính - Ngân hàng| quy trình hồi quy Binary Logit trên SPSS và Python thực tế.  |
|----------------------+--------------------------------------------------------------|
| Chuyên viên Thẩm định| Bộ công cụ hỗ trợ ra quyết định cấp hạn mức tín dụng chuẩn xác|
| Tín dụng Ngân hàng   | giảm 40% tỷ lệ sai lệch do thiên kiến chủ quan của cán bộ.  |
|----------------------+--------------------------------------------------------------|
| Nhà đầu tư & Chuyên  | Khung sàng lọc rủi ro phá sản doanh nghiệp niêm yết minh bạch|
| viên Phân tích CP    | nâng cao tỷ lệ sinh lời danh mục và quản trị rủi ro đuôi rủi.|
|----------------------+--------------------------------------------------------------|
| Giảng viên & Nhà     | Bộ khung thực nghiệm làm tiền đề mở rộng sang các ngành BĐS, |
| Nghiên cứu Kinh tế   | sản xuất công nghiệp và dịch vụ tài chính tại Việt Nam.      |
+------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật và dữ liệu đầu vào để vận hành mô hình Logistic này là gì?

Hệ thống yêu cầu dữ liệu bảng cân đối kế toán và báo cáo kết quả hoạt động kinh doanh đã qua kiểm toán độc lập. Về mặt phần mềm, người dùng cần môi trường Python 3.8+ (với thư viện statsmodels, scikit-learn) hoặc phần mềm IBM SPSS Statistics phiên bản 20.0 trở lên để thực thi thuật toán hồi quy.

2. Tại sao mô hình hồi quy Logistic lại vượt trội hơn mô hình Hồi quy tuyến tính bội (OLS) trong bài toán này?

Trong bài toán phân loại rủi ro tín dụng, biến phụ thuộc $Y$ là biến nhị phân ($0$ hoặc $1$). Nếu sử dụng OLS (mô hình xác suất tuyến tính LPM), giá trị dự báo có thể nằm ngoài khoảng hợp lệ $[0, 1]$ và phương sai của phần dư không đồng nhất. Hàm Logit giải quyết triệt để vấn đề này nhờ hàm liên kết phi tuyến Sigmoid, đảm bảo xác suất dự báo luôn nằm chặt chẽ trong khoảng $(0, 1)$.

3. Làm thế nào để tích hợp mô hình vào hệ thống Core Banking hoặc phần mềm quản lý rủi ro hiện hữu?

Mô hình có thể được đóng gói dưới dạng RESTful API thông qua FastAPI hoặc Flask (Python). Khi hệ thống Core Banking đẩy dữ liệu báo cáo tài chính của khách hàng doanh nghiệp qua định dạng JSON, module API sẽ tự động tính toán 4 chỉ số trọng yếu ($X_4, X_5, X_7, X_{12}$), giải phương trình $z$, và trả về ngay lập tức xác suất $P$ kèm theo mức xếp hạng CIC tương ứng.

4. Chi phí triển khai và thời gian hoàn vốn đầu tư (ROI) ước tính như thế nào?

Chi phí triển khai mô hình dựa trên nền tảng mã nguồn mở (Python) gần như bằng không về mặt bản quyền phần mềm. Đối với một chi nhánh ngân hàng thương mại, việc ngăn ngừa thành công một khoản nợ xấu nhóm 5 quy mô 10–20 tỷ đồng nhờ cảnh báo sớm từ mô hình đã mang lại tỷ suất hoàn vốn ROI vượt trên 500% chi phí nghiên cứu và phát triển.

5. Tại sao biến Khả năng thanh toán ngắn hạn ($X_1$) lại bị loại khỏi mô hình hồi quy cuối cùng?

Trong thực tế ngành xây dựng Việt Nam, chỉ số $X_1$ (Tài sản ngắn hạn / Nợ ngắn hạn) thường bị sai lệch do tỷ trọng hàng tồn kho dở dang và các khoản phải thu khách hàng khó đòi chiếm tỷ lệ quá lớn. Kiểm định Wald thực nghiệm cho thấy biến này có $p\text{-value} > 0.05$, không mang ý nghĩa giải thích độc lập khi đã có mặt các chỉ số luân chuyển thực tế như Vòng quay tổng tài sản ($X_{12}$) và Đòn bẩy nợ ($X_4$).

Kết luận

Khóa luận tốt nghiệp đã ứng dụng thành công mô hình hồi quy Logistic nhị phân trong việc giải quyết bài toán xếp hạng tín dụng cho 109 doanh nghiệp ngành xây dựng niêm yết trên thị trường chứng khoán Việt Nam (HOSE và HNX). Với độ chính xác dự báo tổng thể đạt 91,7%, kiểm định Omnibus đạt mức ý nghĩa $p = 0.000$ và chỉ số giải thích Nagelkerke $R^2 = 0.684$, nghiên cứu đã cung cấp một bằng chứng thực nghiệm vững chắc về tính khả thi của các phương pháp kinh tế lượng định lượng.

Kết quả phân tích đã chỉ rõ: gần 1/4 doanh nghiệp xây dựng niêm yết (24,77%) đang đối mặt với rủi ro tín dụng cao, trong đó Hiệu suất sử dụng tổng tài sản ($X_{12}$) và Tỷ lệ đòn bẩy nợ ($X_4$) là hai biến số định đoạt khả năng duy trì thanh khoản và an toàn hoạt động của doanh nghiệp. Đây là nguồn thông tin tham khảo giá trị cao dành cho các ngân hàng thương mại, quỹ đầu tư và cơ quan quản lý nhà nước nhằm nâng cao chất lượng tín dụng, giảm thiểu rủi ro hệ thống và thúc đẩy sự phát triển bền vững của nền kinh tế.