Luận văn Thạc sĩ: Dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam bằng các mô hình học máy

Sự phức tạp ngày càng tăng của môi trường kinh tế toàn cầu và tốc độ phát triển nhanh chóng của các doanh nghiệp phi tài chính tại Việt Nam đã làm nổi bật nhu cầu cấp thiết về dự báo rủi ro vỡ nợ chính xác. Mặc dù các mô hình truyền thống như Z-score và Hồi quy Logistic đã cung cấp những hiểu biết quan trọng, chúng thường gặp hạn chế trong việc xử lý dữ liệu phức tạp, đa chiều của thị trường hiện đại. Điều này tạo ra một yêu cầu cấp bách đối với các công cụ dự báo mạnh mẽ hơn. Sự xuất hiện của trí tuệ nhân tạo và các mô hình học máy, bao gồm Random Forest và Decision Tree, mang đến cơ hội đột phá. Những kỹ thuật tiên tiến này có khả năng phân tích các tập dữ liệu lớn, phức tạp, nhận diện các mẫu phi tuyến tính, từ đó nâng cao độ chính xác và tin cậy trong đánh giá rủi ro. Với thực trạng số lượng doanh nghiệp ngừng hoạt động và giải thể đáng báo động tại Việt Nam, việc áp dụng hiệu quả các mô hình dự báo rủi ro vỡ nợ là yếu tố then chốt để đảm bảo sự ổn định tài chính và hỗ trợ các quyết định sáng suốt của nhà đầu tư, tổ chức tín dụng và doanh nghiệp.

Các nhà đầu tư cá nhân và tổ chức, các tổ chức tín dụng (ngân hàng), các nhà quản lý doanh nghiệp phi tài chính và các nhà hoạch định chính sách trong lĩnh vực tài chính, những người quan tâm đến công cụ dự báo và quản lý rủi ro vỡ nợ.

Nghiên cứu này, với tiêu đề “Dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam bằng các mô hình học máy”, tập trung vào việc phát triển và đánh giá các mô hình dự báo rủi ro vỡ nợ cho các doanh nghiệp phi tài chính niêm yết trên các sàn chứng khoán Việt Nam. Mục tiêu chính là xác định mô hình dự báo hiệu quả nhất nhằm phát hiện sớm rủi ro vỡ nợ, từ đó hỗ trợ các nhà đầu tư và tổ chức tài chính đưa ra quyết định kịp thời. Dữ liệu nghiên cứu được thu thập từ thông tin tài chính của 1641 doanh nghiệp phi tài chính trong giai đoạn 2014-2024. Phương pháp nghiên cứu bao gồm việc áp dụng các kỹ thuật học máy tiên tiến như Logistic Regression, Decision Tree và Random Forest. Kết quả cho thấy mô hình Random Forest có hiệu suất dự báo cao nhất, trong khi mô hình Hồi quy Logistic Regression tuy ổn định nhưng không đạt được khả năng phân biệt mạnh mẽ như các mô hình phức tạp hơn. Nghiên cứu cũng chỉ ra rằng các chỉ số tài chính quan trọng như Tỷ số nợ trên tài sản (DR), Tỷ số thanh khoản bằng tiền mặt (CR), Vốn lưu động trên tổng tài sản (WCTA), Thu nhập trước lãi vay, thuế và khấu hao (EBITDA), Tỷ số lợi nhuận trên tài sản (ROA) và Tỷ lệ doanh thu trên tổng tài sản (SRTA) có mối quan hệ nghịch đảo với khả năng vỡ nợ. Luận văn đóng góp một cái nhìn mới trong việc dự báo rủi ro vỡ nợ của các doanh nghiệp phi tài chính tại Việt Nam, cung cấp công cụ phân tích giá trị cho các nhà quản lý, nhà đầu tư và tổ chức tín dụng, đồng thời đề xuất hướng nghiên cứu tiếp theo để hoàn thiện mô hình dự báo.