Bài viết Ứng dụng học máy dự báo nguy cơ phá sản của doanh nghiệp nghiên cứu đề xuất xây dựng mô hình dự báo về nguy cơ phá sản của doanh nghiệp tại Việt Nam ứng dụng học máy (Machine learning), cụ thể hơn là mạng nơ-ron nhân tạo (ANN-Artificial Neural Network). Hy vọng bài báo sẽ đem đến một cách tiếp cận mới mẻ và cụ thể hơn cho trường hợp đặc điểm các doanh nghiệp tại Việt Nam.
Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 ỨNG DỤNG HỌC MÁY DỰ BÁO NGUY CƠ PHÁ SẢN CỦA DOANH NGHIỆP Đặng Thị Thu Hiền Khoa Công nghệ thông tin - Trường Đại học Thủy lợi, email: hiendt@tlu.edu.vn GIỚI THIỆU CHUNG Hội nhập kinh tế sâu rộng mang đến cho doanh nghiệp nhiều hội, song khơng thách thức hoạt động kinh doanh Sự cạnh tranh khốc liệt thương trường làm cho khơng doanh nghiệp phải điêu đứng, thua lỗ dẫn đến nguy đối diện với phá sản, kéo theo nhiều hệ lụy cho thân doanh nghiệp, đối tác liên quan cho kinh tế Vì vậy, việc phân tích dự báo rủi ro phá sản doanh nghiệp có ý nghĩa vơ quan trọng Có nhiều cơng cụ, mơ hình phân tích rủi ro phá sản doanh nghiệp Mỗi mơ hình có ưu nhược điểm định Tại Việt Nam việc nghiên cứu ứng dụng mơ hình tiên tiến vào việc phân tích rủi ro phá sản doanh nghiệp mang đặc điểm “Việt Nam” chưa có nhiều Có số nghiên cứu dựa mơ hình phân tích có sẵn sản phẩm thương mại, số khác dùng công cụ đơn giản Bài báo nghiên cứu đề xuất xây dựng mơ hình dự báo nguy phá sản doanh nghiệp Việt Nam ứng dụng học máy (Machine learning), cụ thể mạng nơ-ron nhân tạo (ANN-Artificial Neural Network) Hy vọng báo đem đến cách tiếp cận mẻ cụ thể cho trường hợp đặc điểm doanh nghiệp Việt Nam sản mức báo động đỏ: Thiếu hụt tiền mặt liên tục; Bán khơng đủ khả trì phương tiện sản xuất chủ chốt, sản phẩm chính; Hệ thống kế tốn báo cáo tài yếu kém; Giấu nợ; Rắc rối xuất liên tục; Truyền thông doanh nghiệp tệ hại; Hoạt động kinh doanh thiếu trung thực, phi đạo đức; Doanh thu sụt giảm, hàng tồn kho luân chuyển chậm; Nhân viên tinh thần làm việc, nhân viên chủ chốt đi; 10 Thay đổi kiểm toán viên, có cảnh báo rủi ro Hoạt động liên tục; 11 Cổ đông lớn, nội cổ đông tổ chức liên tục bán cổ phiếu Như dựa số thông số biến đổi thơng số đó, cần thiết phải dự báo nguy phá sản Doanh nghiệp 2.2 Mơ hình học máy - mạng nơ-ron nhân tạo Mỗi nơ-ron nhân tạo gồm có thành phần sau: Tập đầu vào: Là tín hiệu vào (input signals) nơ-ron Tập liên kết: Mỗi liên kết thể trọng số (gọi trọng số liên kết – Synaptic weight) Bộ tổng (Summing function) Ngưỡng (còn gọi độ lệch - bias Hàm truyền (Transfer f unction): Hàm dùng để giới hạn phạm vi đầu nơ-ron Đầu ra: Là tín hiệu đầu nơ-ron Mạng Nơ-ron nhân tạo Mạng Nơ-ron nhân tạo (Artificial Neural 2.1 Bài toán Doanh nghiệp phá sản Network - ANN) mơ hình xử lý thơng Theo nghị định 189/CP: Nếu công ty tin theo hệ Nơ-ron sinh học Nó có đẩy đủ 11 dấu hiệu tình hình phá tạo lên từ Nơ-ron kết nối với PHƯƠNG PHÁP NGHIÊN CỨU 205 Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 n thông qua liên kết (gọi trọng số liên (2) E (t(xi ,w ) y(xi ))2 kết) làm việc thể thống để giải i 1 vấn đề cụ thể đó: t (xi , w): giá trị tập mẫu Một mạng Nơ-ron nhân tạo xây dựng y (xi ): giá trị kết xuất mạng cho ứng dụng cụ thể thông qua Bước 1: Xác định giá trị Err (lỗi) trình học từ tập mẫu huấn luyện Về Err = T – Y (T: đầu mong muốn, Y: đầu chất học q trình hiệu chỉnh trọng số mạng) liên kết Nơ-ron Có nhiều loại mạng Nếu Err > tăng Y Nơ-ron khác nhau, báo chúng Ngược lại: giảm Y tập trung vào mạng Nơ-ron truyền thẳng Bước 2: Cập nhật giá trị ma trận trọng số nhiều lớp MLP (Multilayer Perceptron) Wj =Wj + *xj *Err ( hệ số học) Bước 3: Lặp lại bước bước Err < ε dừng KẾT QUẢ NGHIÊN CỨU 3.1 Dữ liệu thực nghiệm Ứng dụng dự báo doanh nghiệp phá sản toán lớn Trong phạm vi báo chúng tơi thu nhỏ tốn áp dụng cho Hình Mạng Nơ-ron MLP số doanh nghiệp tỉnh Hưng Yên cụ thể Kiến trúc mạng MLP tổng quát có số liệu sử dụng đến Báo cáo tài doanh nghiệp tỉnh Hưng Yên thể mô tả sau: - Đầu vào vector (x1, x2, , xp) qua năm từ năm 2014 đến năm 2016 Lựa chọn tham số đầu vào: Có nhiều tham khơng gian p chiều, đầu vector số, nhiên khuôn khổ liệu thu (y1, y2, , yq) không gian q chiều - Mỗi Nơ-ron thuộc tầng sau liên kết với lựa chọn tham số sau: tất Nơ-ron thuộc tầng liền trước 1) Tổng tài sản doanh nghiệp; 2) Số nợ phải - Đầu Nơ-ron tầng trước đầu vào trả; 3) Doanh thu; 4) Lưu chuyển tiền tệ qua hoạt động kinh doanh; 5) Nguồn vốn [2] Nơ-ron thuộc tầng liền sau Hoạt động mạng MLP: tầng đầu 3.2 Đề xuất thiết kế xây dựng mơ hình vào Nơ-ron nhận tín hiệu vào xử lý (tính Sơ đồ xây dựng mơ hình dự báo dùng tổng trọng số, gửi tới hàm truyền) cho kết (là kết hàm truyền); kết mạng nơ-ron nhân tạo truyền tới Nơ-ron thuộc tầng ẩn thứ nhất; Nơ-ron tiếp nhận tín hiệu đầu vào, xử lý gửi kết đến tầng ẩn thứ 2;…; trình tiếp tục Nơ-ron thuộc tầng cho kết Để tiện cho việc trình bày, ta ký hiệu y giá trị kết xuất mạng Nơ-ron, t giá trị mong muốn, e sai lệch hai giá trị này: e=t–y (1) Thuật tốn học BP (Back - Propagation) Hình Sơ đồ xây dựng mơ hình dự báo Thuật toán dùng để điều chỉnh dùng mạng Nơ-ron trọng số kết nối cho tổng sai số E nhỏ 206 Tuyển tập Hội nghị Khoa học thường niên năm 2018 ISBN: 978-604-82-2548-3 Xây dựng mơ hình nơ-ron gồm lớp lớp ẩn lớp Đầu vào mơ hình nơ-ron tham số ảnh hưởng đến khả phá sản doanh nghiệp Số nơ-ron lớp ẩn (thử nghiệm từ 2-28) Hàm truyền sử dụng lớp ẩn hàm logsigmoid, lớp hàm tanhyperbol Tham số đầu nơ-ron biểu diễn khả tồn nguy phá sản doanh nghiệp (< 0.5) Chúng tiếp tục thử nghiệm so sánh với kỹ thuật sử dụng hệ số Z-core Edward I.Altman đề xuất Ở Hoa Kỳ, số Z-score dự đoán tương đối xác tình hình phá sản doanh nghiệp tương lai gần Có khoảng 95% doanh nghiệp phá sản dự báo nhờ Z-score trước ngày thực phá sản năm, tỷ lệ giảm xuống 74% cho dự báo vòng năm Khi chạy với hệ số Z-score Z-score