Ước lượng xác suất vỡ nợ của khách hàng doanh nghiệp bằng phương pháp học máy

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH TRẦN KIM NGÂN ƢỚC LƢỢNG XÁC SUẤT VỠ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP BẰNG PHƢƠNG PHÁP HỌC MÁY KHỐ LUẬN TỐT NGHIỆP Chun ngành: Tài - Ngân hàng Mã số: 34 02 01 TP HỒ CHÍ MINH, NĂM 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƢỚC VIỆT NAM TRƢỜNG ĐẠI HỌC NGÂN HÀNG TP HỒ CHÍ MINH Họ tên sinh viên: TRẦN KIM NGÂN Mã số sinh viên: 050607190296 Lớp sinh hoạt: HQ7-GE06 ƢỚC LƢỢNG XÁC SUẤT VỠ NỢ CỦA KHÁCH HÀNG DOANH NGHIỆP BẰNG PHƢƠNG PHÁP HỌC MÁY KHOÁ LUẬN TỐT NGHIỆP Chuyên ngành: Tài - Ngân hàng Mã số: 34 02 01 NGƢỜI HƢỚNG DẪN KHOA HỌC TS NGUYỄN MINH NHẬT TP HỒ CHÍ MINH, NĂM 2023 i ABSTRACT The process of deeper integration of the Vietnamese economy with the global economy has created favorable conditions for our country's financial activities and the banking market has also changed, confirming the development of the country new development in both quality and quantity of the Vietnamese banking system However, with the characteristics of a sensitive business field, under the influence of both direct and indirect factors, banking risk is an unavoidable factor and is likely to become a cause of financial loss severely damage the stable growth of the banking system in particular, the financial market and the Vietnamese economy Currently, the bankruptcy rate of some enterprises is almost very high, warning the urgency of estimating the probability of default in the fields Based on the importance and necessity of the problem, this study aims to: (i) explore models for estimating the default probability of enterprises in the Vietnamese commercial banking system using the suitable machine learning; (ii) how to choose an appropriate model to estimate the default probability of enterprises in the Vietnamese commercial banking system by machine learning method; (iii) and how to choose a suitable model to estimate the probability of default of enterprises in the commercial banking system of Vietnam by machine learning using a unique database of 462 enterprises in Vietnam South in the period 2020 - 2022 includes 14 independent financial variables The most important contribution of this study is the application of machine learning methods in using financial indicators to estimate the probability of default of enterprises, thereby helping to improve the effectiveness of credit risk control of commercial banks in Vietnam in the future ii TĨM TẮT Q trình hồ nhập ngày sâu kinh tế Việt Nam với kinh tế toàn cầu tạo điều kiện thuận lợi cho hoạt động tài đất nước ta thị trường ngân hàng có chuyển biến, khẳng định phát triển cao chất lẫn lượng hệ thống ngân hàng Việt Nam Tuy nhiên, với đặc thù lĩnh vực kinh doanh đầy nhạy cảm, tác động yếu tố kể trực tiếp gián tiếp rủi ro ngân hàng yếu tố khó tránh khỏi có nguy thành nguyên nhân làm tổn hại nặng nề cho tăng trưởng ổn định hệ thống ngân hàng nói riêng, thị trường tài kinh tế việt nam Hiện nay, tỷ lệ phá sản số doanh nghiệp gần cao cảnh báo cấp thiết công tác ước lượng xác suất vỡ nợ lĩnh vực Dựa tầm quan trọng cần thiết vấn đề, nghiên cứu nhằm mục đích: (i) tìm hiểu mơ hình ước lượng xác suất vỡ nợ doanh nghiệp hệ thống ngân hàng thương mại Việt Nam phương pháp học máy phù hợp; (ii) cách thức lựa chọn mơ hình ước lượng xác suất vỡ nợ doanh nghiệp hệ thống Ngân hàng Thương mại Việt Nam phù hợp phương pháp học máy; (iii) cách chọn mơ hình phù hợp để ước lượng xác suất vỡ nợ doanh nghiệp hệ thống Ngân hàng Thương mại Việt Nam phương pháp học máy sử dụng sở liệu gồm 462 doanh nghiệp Việt Nam giai đoạn 2020 - 2022 bao gồm 14 biến tài độc lập Đóng góp quan trọng nghiên cứu ứng dụng phương pháp học máy việc sử dụng số tài để ước lượng xác suất vỡ nợ doanh nghiệp, từ giúp cải thiện hiệu kiểm sốt rủi ro tín dụng ngân hàng thương mại Việt Nam tương lai iii LỜI CAM ĐOAN Khóa luận cơng trình nghiên cứu riêng tác giả, kết nghiên cứu trung thực, khơng có nội dung cơng bố trước nội dung người khác thực ngoại trừ trích dẫn dẫn nguồn đầy đủ khóa luận Tác giả Trần Kim Ngân iv LỜI CÁM ƠN Tôi xin trân trọng cảm ơn Ban Giám hiệu Trường Đại học Ngân hàng TP Hồ Chí Minh tổ chức tạo điều kiện thuận lợi cho tơi hồn thành chương trình đào tạo trình độ Đại học quy - Chương trình Chất lượng cao, chuyên ngành Tài Ngân hàng Nhà trường Đồng thời, xin chân thành gởi lời cảm ơn đến tồn thể Q Thầy Cơ tham gia giảng dạy, truyền đạt kiến thức cho học viên khác, Thầy Cô quản lý thuộc Khoa Đại học suốt thời gian tham gia lớp học Kính chúc tồn thể Q Thầy Cơ có sức khỏe dồi để tiếp tục nghiệp trồng người cho hệ cách hiệu Đặc biệt, tơi xin bày tỏ lịng biết ơn lời cảm ơn chân thành đến TS Nguyễn Minh Nhật, người trực tiếp hướng dẫn, truyền đạt kiến thức, kinh nghiệm quý báu tận tình giúp đỡ tơi suốt q trình nghiên cứu để tơi hồn thành tốt khố luận tốt nghiệp Và sau cùng, xin gửi lời cảm ơn sâu sắc đến gia đình tồn thể bạn lớp HQ7GE06 bạn bè tôi, người động viên, khích lệ tơi lúc khó khăn giúp đỡ tơi suốt q trình học tập nghiên cứu giảng đường đại học, tạo điều kiện tốt để tơi hồn thành khố luận tốt nghiệp Tác giả Trần Kim Ngân v MỤC LỤC ABSTRACT .i TÓM TẮT ii LỜI CAM ĐOAN iii LỜI CÁM ƠN iv DANH MỤC TỪ VIẾT TẮT viii DANH MỤC HÌNH ẢNH .ix DANH MỤC BẢNG BIỂU x CHƢƠNG 1: GIỚI THIỆU 1.1 Đặt vấn đề 1.2 Tính cấp thiết đề tài 1.3 Mục tiêu đề tài 1.4 Câu hỏi nghiên cứu 1.5 Đối tƣợng phạm vi nghiên cứu 1.6 Phƣơng pháp nghiên cứu 1.7 Đóng góp đề tài 1.8 Bố cục đề tài nghiên cứu CHƢƠNG 2: CƠ SỞ LÝ THUYẾT VÀ KHẢO LƢỢC CÁC NGHIÊN CỨU 10 2.1 Xác suất vỡ nợ 10 2.2 Các số tài 12 2.3 Các mơ hình ƣớc lƣợng xác suất vỡ nợ doanh nghiệp 14 vi 2.4 Khảo lƣợc nghiên cứu 19 KẾT LUẬN CHƢƠNG 24 CHƢƠNG 3: MÔ HÌNH VÀ PHƢƠNG PHÁP NGHIÊN CỨU 25 3.1 Phƣơng pháp xây dựng mơ hình 25 3.2 Thu thập xử lý liệu 27 3.3 Lựa chọn biến đầu vào mơ hình dự báo xác suất vỡ nợ 29 3.4 Các mơ hình dự báo xác suất vỡ nợ đƣợc nghiên cứu 33 3.4.1 Mơ hình Logistic 33 3.4.2 Mơ hình định 34 3.4.3 Mơ hình random forest 35 3.5 Phƣơng pháp lựa chọn mơ hình dự báo xác suất vỡ nợ 36 3.5.1 Ma trận Confussion 36 3.5.2 Điểm số F1 (F1-score) 39 KẾT LUẬN CHƢƠNG 40 CHƢƠNG 4: KẾT QUẢ NGHIÊN CỨU 41 4.1 Kết thống kê mô tả 41 4.2 Hệ số tƣơng quan 42 4.3 Kết hồi quy mơ hình tham số 44 4.3.1 Kết hồi quy mơ hình logistic 44 4.3.2 Ma trận Confusion mơ hình hồi quy logistic 47 4.4 Kết hồi quy mơ hình phi tham số 48 vii 4.4.1 Mơ hình định (Decision tree) 48 4.4.2 Mơ hình Random forest 50 KẾT LUẬN CHƢƠNG 52 CHƢƠNG 5: KẾT LUẬN 53 5.1 Ứng dụng mô hình ƣớc lƣợng xác suất vỡ nợ khách hàng doanh nghiệp Ngân hàng thƣơng mại Việt Nam 54 5.1.1 Các cơng cụ hỗ trợ xác định nhóm khách hàng doanh nghiệp tiềm 54 5.1.2 Kết mơ hình làm sở định hướng sách tín dụng 54 5.1.3 Vận dụng kết mơ hình nhằm nâng cao hiệu quản trị rủi ro tín dụng Ngân hàng thương mại 56 5.2 Áp dụng mơ hình ƣớc lƣợng xác suất vỡ nợ cho Tổ chức xếp hạng tín dụng Việt Nam 56 5.3 Hạn chế đề tài hƣớng nghiên cứu 58 5.3.1 Hạn chế đề tài 58 5.3.2 Hướng nghiên cứu 59 TÀI LIỆU THAM KHẢO 60 PHỤ LỤC 64 viii DANH MỤC TỪ VIẾT TẮT Từ viết tắt Từ đƣợc viết tắt BCTC Báo cáo tài CRA Các tổ chức xếp hạng tín nhiệm NHTM Ngân hàng Thương mại 54 5.1 Ứng dụng mơ hình ƣớc lƣợng xác suất vỡ nợ khách hàng doanh nghiệp Ngân hàng thƣơng mại Việt Nam 5.1.1 Các công cụ hỗ trợ xác định nhóm khách hàng doanh nghiệp tiềm Khố luận xây dựng mơ hình ước lượng xác suất vỡ nợ khách hàng doanh nghiệp NHTM Việt Nam Cách làm giúp ổn định chất lượng tín dụng, giảm nợ xấu phát sinh Những khách hàng kết hợp xếp hạng tín dụng đủ tiêu chuẩn (A trở lên) với kết đánh giá khả trả nợ tốt mơ hình có khả tích lũy nợ xấu Vì vậy, khoản tín dụng rủi ro nhóm khách hàng thấp Mơ hình coi cơng cụ hỗ trợ NHTM quản lý tổ chức tín dụng chất lượng tín dụng, nhằm trì phát triển ổn định, an toàn hiệu Điều cho phép ngân hàng lựa chọn trì sở khách hàng lành mạnh, khuyến khích kỹ thuật tiếp thị cho khách hàng có rủi ro thấp xây dựng mạng lưới khách hàng đáng tin cậy để đảm bảo thu hồi nợ 5.1.2 Kết mơ hình làm sở định hƣớng sách tín dụng Kết mơ hình sở để NHTM phân bổ tín dụng giảm sút cho khách hàng rủi ro cao tăng trưởng tín dụng hiệu cho doanh nghiệp có xác suất phá sản thấp Đồng thời, xây dựng sách tín dụng phù hợp với đối tượng khách hàng thời hạn tín dụng, lãi suất, phí, điều kiện bảo đảm để đảm bảo an tồn vận hành Nhóm có xác suất vỡ nợ thấp: cấp tín dụng với nhiều hồn cảnh ưu đãi lãi suất ưu đãi, cấp tín dụng khơng có tài sản bảo đảm có bảo đảm phần tài sản, điều kiện cam kết số tài khơng bị giám sát… Nhóm có xác suất vỡ nợ trung bình: cấp tín dụng phù hợp với yêu cầu chung ngân hàng, dự kiến giảm lãi suất tài sản chấp người tiêu dùng mức quy định nhóm khách hàng sản phẩm tín dụng 55 Nhóm có khả vỡ nợ cao: khơng cấp tín dụng mới, hạn chế dần dư nợ cấp trước, thời gian cấp tín dụng áp dụng lãi suất cao tiêu chí nghiêm ngặt số tài hạn chế khắc nghiệt khác để giảm thiểu rủi ro người tiêu dùng khơng tốn nghĩa vụ họ Ngồi ra, cần tập trung cấp tín dụng cho khách hàng vào ngành nghề kinh doanh hiệu cao, rủi ro vỡ nợ thấp; ngược lại, cần có sách, định hướng thắt chặt tăng cường kiểm sốt khách hàng thuộc nhóm ngành có khả sinh lời kém, rủi ro phá sản lớn Ngồi ra, kết hồi quy mơ hình tham số Chương cho thấy có biến số tài có ý nghĩa thống kê có ảnh hưởng lớn đến khả tốn DNNVV là Lợi nhuận gộp/Doanh thu (X1), Thu nhập trước thuế/Doanh thu (X2), Thu nhập trước thuế/Tổng tài sản (X3), Tổng nợ phải trả/Tổng tài sản (X5), Tiền khoản tương đương tiền/Vốn chủ sở hữu (X11) Tổng doanh thu/Tổng tài sản (X14) Kết nghiên cứu thực nghiệm cho thấy số Lợi nhuận gộp/Doanh thu (X1), Thu nhập trước thuế/Tổng tài sản (X3), Tổng nợ phải trả/Tổng tài sản (X5), Tiền khoản tương đương tiền/Vốn chủ sở hữu (X11) Tổng doanh thu/Tổng tài sản (X14) có biến động trái chiều với khả phá sản doanh nghiệp, khả tạo doanh thu lợi nhuận doanh nghiệp lớn khả phá sản doanh nghiệp thấp Cụ thể: ưu tiên cấp tín dụng cho doanh nghiệp có doanh thu, khả sinh lời cao phân tích, đánh giá kỹ trước cấp tín dụng cho doanh nghiệp sử dụng nhiều nợ, khả tự chủ tài thấp, xem xét cách thức quản lý hàng tồn kho doanh nghiệp sản xuất, có đảm bảo sản xuất liên tục hay khơng giảm thiểu thiệt hại biến động giá nguyên vật liệu thay đổi hay không Mặt khác, thông tin để đo lường khả toán kết mơ hình thể nhiều thách thức liên quan đến hiệu hoạt động công ty lĩnh vực - lĩnh 56 vực sản xuất kinh doanh Do đó, mơ hình đóng vai trị nguồn tài nguyên cho nghiên cứu, đánh giá, dự báo quản lý sách tín dụng tương lai 5.1.3 Vận dụng kết mơ hình nhằm nâng cao hiệu quản trị rủi ro tín dụng Ngân hàng thƣơng mại Dự đoán khả trả nợ người tiêu dùng chiến lược giúp ngân hàng xác định khách hàng tiềm nâng cao chất lượng theo dõi, đánh giá lại khách hàng sau cấp tín dụng Dựa kết mơ hình, NHTM nhanh chóng nhận hành động để giải vấn đề tín dụng với khách hàng doanh nghiệp có khả vỡ nợ cao, giảm rủi ro vốn ngân hàng Căn Quyết định số 493/2005/QĐ-NHNN ngày 22/04/2005 Ngân hàng Nhà nước Việt Nam việc ban hành Quy chế phân loại nợ, trích lập, trích lập sử dụng dự phịng để xử lý rủi ro tín dụng hoạt động tín dụng ngân hàng phần lớn NHTM Việt Nam tiếp tục áp dụng trích lập dự phòng dựa kết phân loại nợ khách hàng doanh nghiệp để từ tính tốn tỷ lệ phù hợp Do đó, NHTM dự đốn xác khả trả nợ khách hàng doanh nghiệp (khả vỡ nợ), việc trích lập dự phịng trở nên dễ dàng việc xây dựng quỹ dự phịng rủi ro tín dụng hiệu 5.2 Áp dụng mơ hình ƣớc lƣợng xác suất vỡ nợ cho Tổ chức xếp hạng tín dụng Việt Nam Các tổ chức xếp hạng tín nhiệm (CRA) cơng ty lợi nhuận thu thập thơng tin nợ từ cá nhân công ty cung cấp giá trị số gọi điểm tín dụng thể mức độ đáng tin cậy người vay Thị trường nợ (trái phiếu) nhiều quốc gia phụ thuộc nhiều vào CRA Các chủ nợ người cho vay, chẳng hạn cơng ty thẻ tín dụng ngân hàng, báo cáo cho quan tín dụng hoạt động lịch sử vay mượn khách hàng họ Các cá nhân tập đồn u cầu 57 thông tin báo cáo họ cách liên hệ với văn phịng tín dụng tổ chức bên thứ ba liên kết trả khoản phí nhỏ Nghị định số 88/2014/NĐ-CP ngày 26/09/2014 Chính phủ dịch vụ xếp hạng tín nhiệm Vốn pháp định doanh nghiệp xếp hạng tín nhiệm 15 tỷ đồng Đồng thời, Thủ tướng Chính phủ phê duyệt Quy hoạch phát triển dịch vụ xếp hạng tín nhiệm đến năm 2020 tầm nhìn đến năm 2030 Theo đó, dự kiến tối đa đến năm 2030 cấp Giấy chứng nhận đủ điều kiện kinh doanh cho doanh nghiệp xếp hạng tín nhiệm Năm doanh nghiệp chiến lược đến 2021, tất doanh nghiệp phát hành trái phiếu phải xếp hạng tín nhiệm Một tổ chức xếp hạng tín nhiệm đáng tin cậy Việt Nam FiinRatings, thương hiệu FiinGroup Nó Bộ Tài chấp thuận cho hoạt động Cơ quan xếp hạng tín nhiệm ("CRA") Việt Nam FiinGroup cấp giấy phép vào ngày 20 tháng năm 2020 theo Nghị định 88/2014/NĐ-CP ngày 26 tháng năm 2014 quy định hoạt động dịch vụ Đại lý xếp hạng tín nhiệm Ngồi ra, Saigon Ratings CRA nước cung cấp dịch vụ xếp hạng tín nhiệm thị trường Việt Nam Tiên phong lĩnh vực tài Bộ Tài cấp phép hoạt động xếp hạng tín nhiệm ngày 21/7/2017 với Bộ, ngành Tài chính, Cơng an, Tư pháp, Kế hoạch & Đầu tư, Ngân hàng Nhà nước, Chứng khoán Nhà nước, Ủy Ban Nhân Dân Thành phố CRAs thu thập thơng tin tín dụng khách hàng vay tiền hàng tháng tất tổ chức tín dụng tồn quốc, sau sử dụng mơ hình dự đốn khả vỡ nợ khách hàng để xác định nhóm nợ tổng hợp thơng tin tín dụng cho khách hàng Cuối cùng, tổ chức tài u cầu trả khoản phí cho nó, CRA bán lại thơng tin tín dụng tổng hợp người vay Theo kết nghiên cứu luận án này, CRA nên tập trung vào yếu tố số tài có ý nghĩa thống kê có tác động lớn đến khả phá sản doanh 58 nghiệp, bao gồm Lợi nhuận trước thuế, Giá trị tài sản ròng Việc quan tâm nghiên cứu sâu biến số giúp CRA đưa báo cáo xếp hạng tín nhiệm xác hơn, từ đưa nhận xét đề xuất phù hợp cho doanh nghiệp Nó hỗ trợ ngân hàng quản lý rủi ro tín dụng dễ dàng Bài viết cung cấp cách đầy đủ toàn diện nghiên cứu công bố nhằm lỗ hổng nghiên cứu trước liên quan đến việc lựa chọn mơ hình dự đốn xác suất vỡ nợ phù hợp doanh nghiệp Việt Nam dựa số tài Dựa kết hồi quy Chương 4, nghiên cứu cho thấy mô hình random forest cho kết tốt với độ xác cao nhất, chúng tơi khuyến nghị sử dụng mơ hình random forest để dự đốn xác suất vỡ nợ khuyến nghị cho doanh nghiệp lên đến 94,52%, lý quan trọng để CRA lựa chọn mơ hình xếp hạng phù hợp Về nguyên tắc, cạnh tranh đảm bảo đổi đóng vai trị kiểm tra lành mạnh chất lượng sản phẩm Mặt khác, hoạt động kinh doanh xếp hạng hoàn toàn xây dựng dựa danh tiếng Có số căng thẳng cạnh tranh danh tiếng Các CRA hàng đầu có vốn danh tiếng khổng lồ Các nhà đầu tư tin tưởng vào phán CRA họ yêu cầu phần bù rủi ro tùy thuộc vào xếp hạng tổ chức phát hành Ngay sau thảm họa nợ chuẩn, đánh giá xếp hạng thường xuyên tranh luận báo chí tài chính, nhấn mạnh tầm quan trọng liên tục chúng Do đó, việc lựa chọn thơng tin liệu khách hàng xác quan trọng CRA để ước lượng khả vỡ nợ Dữ liệu sử dụng nghiên cứu giúp ích cho q trình thu thập liệu để ước lượng tỷ lệ vỡ nợ khách hàng CRA 5.3 Hạn chế đề tài hƣớng nghiên cứu 5.3.1 Hạn chế đề tài Bên cạnh kết đạt được, khoá luận cịn số hạn chế khó khăn Bộ liệu hạn chế nhược điểm rõ ràng nghiên cứu Do hạn chế mặt 59 thời gian, có 462 doanh nghiệp ghi nhận, giới hạn lĩnh vực kinh doanh Số lượng biến đầu vào 14, phù hợp với số lượng quan sát Tuy nhiên, mẫu coi nhỏ khơng mang lại kết đáng kể Hơn nữa, chất lượng liệu đầu vào Báo cáo tài hợp kiểm tốn để đảm bảo chất lượng nguồn thơng tin chất lượng kiểm toán Việt Nam chưa minh bạch, rõ ràng hiệu nước phát triển Tại Việt Nam, công ty phép lập báo cáo tài hàng năm cho mục đích khác thuế, ngân hàng, kiểm tốn kiểm sốt nội Do đó, chất lượng đầu vào mơ hình quản lý phân tích quan trọng để có kết xác Hơn nữa, mơ hình ước lương xác suất vỡ nợ trình bày viết dựa liệu tài mà khơng xét đến yếu tố phi tài chính, khác với mơ hình xếp hạng tín dụng nội mà NHTM Việt Nam sử dụng Các ngân hàng phải dựa vào thơng tin phi tài để xác minh phân khúc khách hàng, báo cáo tài khách hàng khơng phải lúc phản ánh xác đầy đủ tình hình hoạt động tình hình tài họ 5.3.2 Hƣớng nghiên cứu Khoá luận khuyến nghị nghiên cứu thêm ngành lĩnh vực sau: Bộ liệu mở rộng tầm nhìn thời gian: mở rộng số lượng doanh nghiệp thu thập lên 1.000 doanh nghiệp nhiều để có kết đáng tin cậy Ngồi ra, tài khoản cơng ty hàng q thu thập thay tài khoản hàng năm để có độ xác cao Ngồi ra, liệu thu thập đủ lớn phân tách theo nhóm người tiêu dùng lĩnh vực kinh doanh khác cho kết tin cậy, phù hợp với hoạt động kinh doanh tổ chức, tăng khả ứng dụng mơ hình 60 TÀI LIỆU THAM KHẢO Danh mục tài liệu tham khảo tiếng Việt "Hay Sinh, 2003, “Ước tính xác suất phá sản thẩm định giá trị doanh nghiệp”, Tạp chí Phát triển & Hội nhập - Số (18) Lê Đạt Chí Lê Tuấn Anh (2012), “Kết hợp phương pháp Cvar mơ hình Merto/KMV để đo lường rủi ro vỡ nợ: Bằng chứng thực nghiệm Việt Nam”, Tạp chí Phát triển & Hội nhập - Số (15) Lê Nguyễn Sơn Vũ, 2013, Quyết định đầu tư rủi ro phá sản công ty niêm yết thị trường chứng khoán Việt Nam, Luận văn thạc sĩ kinh tế, Trường Đại học Kinh tế Thành phố Hồ Chí Minh Nguyễn Thị Tuyết Lan, 2019, “Các nhân tố ảnh hưởng đến rủi ro phá sản doanh nghiệp niêm yết ngành xây dựng Việt Nam”, Tạp chí Khoa học & Đào tạo Ngân hàng - Số 205 Võ Hồng Đức Nguyễn Đình Thiên (2013a), “XHTN doanh nghiệp niêm yết Việt Nam sử dụng lý thuyết mờ”,Tạp chí Phát triển kinh tế - Số 269 Danh mục tài liệu tham khảo tiếng Anh Abdou, H., &Pointon, J (2011) Credit Scoring, Statistical Techniques, and Evaluation Criteria: A Review of the Literature Intelligent Systems in Accounting, Finance & Management, 59-88 Altman, E I (2014) Predicting financial distress of companies: Revisiting the Z-Score and ZETA models In A R Bell, C Brooks & M Prokopczuk (Eds.), Handbook of research methods and applications in empirical finance (pp 428-456) Edward Elgar Pub Altman, Edward I, 1968 Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy Journal of Finance, 189-209 Back, B., Laitinen, T., Sere, K & Van Wezel, M (1996) Choosing bankruptcy predictors using discriminant analysis, logit analysis, and genetic algorithms Turku Centre for Computer Science Technical Report, 40 61 Baldi, M M., Manerba, D., Perboli, G., & Tadei, R (2019) A Generalized Bin Packing Problem for parcel delivery in last-mile logistics European Journal of Operational Research, 274(3), 990-999 Barboza, F., H Kimura, and E Altman.Machine learning models and bankruptcy prediction, Expert Systems with Applications: An International Journal, 83(c), 2017, 405-417 Basel Committee on Banking Supervision 2006 International convergence of 20 capital measurement and capital standards Beaver, W H (1966) Financial ratios as predictors of failure Journal of accounting research, 71-111 Begley, J., Ming, J., & Watts, S (1996) Bankruptcy classification errors in the 1980s: An empirical analysis of Altman‟s and Ohlson‟s models Review of Accounting Studies, (4), 267-284 Brieman, 1980 Classification and regression trees Chapman and Hall Ciampi, F., and Gordini, N (2013) Small Enterprise Default Prediction Modeling through Artificial Neural Networks: An Empirical Analysis of Italian Small Enterprises Journal of Small Business Management 51(1): 23-45 Crouhy, M., Galai, D., & Mark, R (2001) Prototype risk rating system Journal of banking & finance, 25(1), 47-95 Demerjian, P R (2007) Financial ratios and credit risk: The selection of financial ratio covenants in debt contracts AAA Dichev, I.D, & Skinner, D J (2002) Large-sample evidence on the debt covenant hypothesis Journal of accounting research, 40(4), 1091-1123 Fisher, R A (1936) The use of multiple measurements in taxonomic problems Annals of eugenics, 7(2), 179-188 Fitzpatrick, F., 1932.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firm Certified Public Accountant, 6, 727-731 Hay, S (2003) Estimating the probability of bankruptcy in enterprise valuation Journal of Development & Integration, (18) 62 Hayden, E (2010) Estimation of a Rating Model for Corporate Exposures The Basel II Risk Parameters, 13-24 Hayden, E., & Porath, D (2010) Statistical Methods to Develop Rating Models The Basel II Risk Parameters, 1-12 Ho, T K (1995) Random Decision Forests, Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, 278-282 Iscanoglu, A (2005) Credit scoring methods and accuray ratio (Master's thesis, Middle East Technical University) Le, D C., & Le, T A (2012) Combining CvaR model and Merton-KMV model to measure default risk: Empirical evidence in Vietnam, Journal of Development & Integratio, 5(15) Le, N S V (2013), Investment decisions and bankruptcy risks of companies listed on the Vietnamese stock market, Master's thesis in economics, University of Economics, Ho Chi Minh City Lundholm, R., & Sloan, R (2004) Equity valuation and analysis Mestre, D.; Fonseca, J.M.; Mora, A Monitoring of in-vitro plant cultures using digital image processing and random forests In Proceedings of the 8th International Conference of Pattern Recognition Systems (ICPRS 2017), Madrid, Spain, 11-13 July 2017; pp 1-6 Ong, M (2005) Internal Credit Risk Models Capital Allocation and Performance Measurement Risk Books Oslo Hosmer, D W., Jovanovic, B., and Lemeshow, S (1989) Best subsets logistic regression Biometrics, 1265-1270 Patcha, A., & Park, J M (2009) An overview of outlier detection techniques: Existing solutions and latest technological trends Computer Networks, 3448- 3470 Perboli, G., Tadei, R., & Gobbato, L (2014) The multi-handler Knapsack problem is under uncertainty European Journal of Operational Research, 236, 1000-1007 Platt, H D (1991) Predicting corporate financial distress: Reflections on choice-based sample bias Journal of Economics and Finance 2002 63 Ravi, V., &Pramodh, C (2008) Threshold accepting trained principal component neural network and feature subset selection: Application to bankruptcy prediction in banks Applied Soft Computing, 8(4), 1539-1548 Serrasqueiro, Z., & Nunes, P M (2010) Non-linear relationships between growth opportunities and debt: Evidence from quoted Portuguese companies Journal of Business Research, 63(8), 870-878 Smith, C.bW., & Warner, J B (1979) Bankruptcy, secured debt, and optimal capital structure: Comment The Journal of Finance, 34(1), 247-251 Stehman, S V (1997) Selecting and interpreting measures of thematic classification accuracy Remote sensing of Environment, 62(1), 77-89 Sudhakar, M., & Reddy, C V K (2016) Two step credit risk assessment model for retail bank loan applications using Decision Tree data mining technique International Journal of Advanced Research in Computer Engineering & Technology (IJARCET), 5(3), 705-718 Svetnik, V., Liaw, A., Tong, C., Culberson, J C., Sheridan, R P., & Feuston, B P (2003) Random forest: a classification and regression tool for compound classification and QSAR modeling Journal of chemical information and computer sciences, 43(6), 1947-1958 Tham dinh Tin dung Blog (2018) Overview of Credit Rating Agency (CRA) in the world Available from The International Journal of Advanced Research in Computer Engineering & Technology 2016, 705-718 Vo, H D and Nguyen, D T (2013a) Credit rating for listed companies in Vietnam using fuzzy theory Journal of Economic Development, No 269 Yang, Z.,Platt, M.B., andPlatt, H.D Probabilistic neural networks in bankruptcy prediction J Bus Res 1999, 44, 67-74 Yap, B C F., Yong, D G F., & Poon, W C (2010) How well financial ratios and multiple discriminant analysis predict company failures in Malaysia? International Research Journal of Finance and Economics, 54(13), 166-175." 64 PHỤ LỤC Bảng 1: Các biến đầu vào RiskCalc - mơ hình cơng ty tƣ nhân Nhật Bản Chỉ số tài Cách tính Khả sinh lời Lợi nhuận từ hoạt động kinh doanh tổng tài sản Địn bẩy tài Tổng nợ tổng tài sản Khả khoản Tiền mặt tài sản ngắn hạn Khả trả nợ gốc Thu nhập giữ lại nợ ngắn hạn Khả trả lãi vay Lợi nhuận gộp tổng chi phí lãi vay Quy mơ Tổng doanh thu Chỉ số hoạt động Tổng hàng tồn kho tổng doanh thu Nguồn: Báo cáo Moody: RiskCalc for Japanese private companies, 2001 65 Bảng 2: Biến đầu vào đƣợc lựa chọn Engelmann and Rauhmeier Chỉ số tài Yếu tố rủi ro Tổng nợ phải trả / Tổng tài sản Vốn chủ sở hữu / Tổng tài sản Đòn bẩy tài Nợ ngân hàng / Tổng tài sản Nợ ngắn hạn/ Tổng tài sản Khả khoản Tài sản ngắn hạn / Nợ ngắn hạn Các khoản phải thu / Doanh thu Chỉ số hoạt động Các khoản phải trả / Doanh thu (Doanh thu - Chi phí ngun liệu) / Chi phí nhân cơng Khả kiểm sốt chi phí Hiệu sử dụng tài Doanh thu / Tổng tài sản sản Lợi nhuận trước thuế lãi vay / Tổng tài sản Khả sinh lời Lợi nhuận từ hoạt động kinh doanh / Tổng tài sản Tổng tài sản Quy mô Doanh thu / Doanh thu năm liền kề Tốc độ tăng trưởng Tổng nợ phải trả / Tổng nợ phải trả năm liền kề Tốc độ gia tăng nợ vay Nguồn: Báo cáo Risk Parameter, 2010 66 Bảng 3: Mẫu tiêu tài doanh nghiệp Doanh nghiệp Chỉ số tài Lợi nhuận gộp/Doanh thu Thu nhập trước thuế/Doanh thu Thu nhập trước thuế/Tổng tài sản Thu nhập trước thuế/Vốn chủ sở hữu Tổng nợ phải trả/Tổng tài sản Tổng nợ phải trả/Vốn chủ sở hữu Tài sản ngắn hạn/Nợ ngắn hạn (Tài sản ngắn hạn Hàng tồn kho)/Nợ ngắn hạn Lợi nhuận trước thuế lãi vay/Lãi vay Thu nhập trước thuế, lãi vay khấu hao/Nợ dài hạn Tiền khoản tương đương tiền/Vốn chủ sở hữu Giá vốn hàng bán/Hàng tồn kho bình quân Các khoản phải thu/Doanh thu bình quân Tổng doanh thu/Tổng tài sản … 0.03 0.04 0.02 -0.1 0.21 0.19 0.19 0.21 0.06 0.19 0.05 0.05 0.07 0.09 0.08 0.08 0.08 0.03 0.16 0.04 0.04 0.03 0.16 0.12 0.12 0.11 0.11 0.21 0.06 0.06 0.03 0.33 0.29 0.29 0.29 0.29 0.3 0.3 0.34 0.13 0.53 0.59 0.61 0.62 0.52 0.42 0.43 0.52 0.15 1.13 1.45 1.56 1.61 1.06 2.66 2.37 1.96 4.15 1.42 1.84 1.72 1.46 3.6 25.8 3.16 3.55 4.08 -0.4 -0.4 -0.3 -21 1.3 1.27 1.26 1.89 1.06 0.91 0.91 0.97 0.81 20 16.1 11.9 9.05 6.76 0.65 0.43 0.43 0.42 0.35 0.35 0.37 0.39 0.43 0.33 0.47 0.35 0.53 0.52 4.24 3.86 4.48 2.97 7.13 6.27 5.88 5.95 5.62 82.3 86.2 80.5 142 43.5 39.9 0.84 0.87 0.83 0.34 1.7 38 40.9 25.8 1.62 1.56 1.41 3.29 Nguồn: Tổng hợp từ tác giả 67 Hình 1: Phần code dùng để chạy mơ hình logistic gồm bƣớc Đầu tiên, nhập liệu thu thập với 14 biến sau: Bƣớc 1: Tách biến giải thích biến dự báo: Bƣớc 2: Phân chia liệu thành tập huấn luyện tập kiểm tra Bƣớc 3: Thiết lập mơ hình Logistic Bƣớc 4: Thực đào tạo Bƣớc 5: Đưa dự đoán tập liệu thử nghiệm Nguồn: Tổng hợp từ tác giả Hình 2: Phần code dùng để chạy ma trận Confusion mơ hình logistic Nguồn: Tổng hợp từ tác giả 68 Hình 3: Phần code dùng để vẽ mơ hình định Nguồn: Tổng hợp từ tác giả Hình 4: Phần code dùng để chạy ma trận Confusion mơ hình định Nguồn: Tổng hợp từ tác giả Hình 5: Phần code dùng để chạy ma trận Confusion mơ hình random forest Nguồn: Tổng hợp từ tác giả