Dự báo khả năng phá sản của doanh nghiệp việt nam bằng mô hình học máy

NGÂN HÀNG NHÀ NƯỚC VIỆT NAM HỌC VIỆN NGÂN HÀNG - ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP CƠ SỞ NĂM 2022 DỰ BÁO KHẢ NĂNG PHÁ SẢN CỦA CÁC DOANH NGHIỆP VIỆT NAM BẰNG MƠ HÌNH HỌC MÁY MÃ SỐ: ĐTHV.41/2022 CHỦ NHIỆM ĐỀ TÀI: TS Trương Thị Thùy Dương HÀ NỘI – 2023 Tai ngay!!! Ban co the xoa dong chu nay!!! 17014126218901000000 NGÂN HÀNG NHÀ NƯỚC VIỆT NAM HỌC VIỆN NGÂN HÀNG - ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP CƠ SỞ NĂM 2022 DỰ BÁO KHẢ NĂNG PHÁ SẢN CỦA CÁC DOANH NGHIỆP VIỆT NAM BẰNG MƠ HÌNH HỌC MÁY MÃ SỐ: ĐTHV.41/2022 Chủ nhiệm đề tài : TS Trương Thị Thùy Dương Thư ký đề tài : TS Lê Hải Trung Thành viên tham gia : Ths Lê Công Tuấn Ths Nguyễn Thị Hường HÀ NỘI – 2023 DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI STT 01 Học hàm, học vị Họ tên TS Trương Thị Thùy Dương Vai trò Chủ nhiệm đề tài 02 TS Lê Hải Trung Thư ký đề tài 03 Ths Lê Công Tuấn Chức vụ, Đơn vị cơng tác Giảng viên Bộ mơn Tốn, Học viện Ngân hàng Phó trưởng khoa Ngân hàng, Học viện Ngân hàng Thành viên Ngân hàng Nhà nước - Chi nhánh Lang Sơn 04 Ths Nguyễn Thị Hường Thành viên Ngân hàng Nhà nước - Chi nhánh Lang Sơn MỤC LỤC LỜI MỞ ĐẦU Chương 1: CƠ SỞ LÝ THUYẾT VỀ CÁC PHƯƠNG PHÁP DỰ BÁO RỦI RO PHÁ SẢN DOANH NGHIỆP 1.1 Tổng quan phá sản doanh nghiệp rủi ro phá sản doanh nghiệp 1.1.1 Phá sản doanh nghiệp 1.1.2 Rủi ro phá sản doanh nghiệp 1.1.3 Ảnh hưởng phá sản rủi ro phá sản doanh nghiệp 1.1.4 Nguyên nhân rủi ro phá sản doanh nghiệp 1.2 Các phương pháp dự báo 12 1.2.1 Phương pháp dự báo truyền thống 12 1.2.2 Một số phương pháp dự báo đại 14 1.2 Tổng quan nghiên cứu dự báo rủi ro phá sản doanh nghiệp 19 1.2.1 Các nghiên cứu dự báo rủi ro phá sản sử dụng mơ hình truyền thống 19 1.2.2 Các nghiên cứu dự báo rủi ro phá sản sử dụng mơ hình thơng minh 19 1.2.3 Các tiêu tài cảnh bảo sớm rủi ro phá sản doanh nghiệp 20 TÓM TẮT CHƯƠNG 23 Chương DỰ BÁO RỦI RO PHÁ SẢN CỦA DOANH NGHIỆP VIỆT NAM 24 2.1 Mô tả liệu 24 2.2 Dự báo rủi ro phá sản doanh nghiệp Việt Nam 27 2.2.1 Các mơ hình dự báo 27 2.2.2 Phương pháp đo lường hiệu suất dự báo 28 2.2.3 Phương pháp hồi quy LASSO 29 2.3 Kết dự báo rủi ro phá sản doanh nghiệp Việt Nam 30 2.3.1 Đánh giá hiệu suất dự báo 31 2.3.2 Xác định tiêu cảnh báo sớm rủi ro phá sản 34 TÓM TẮT CHƯƠNG 37 CHƯƠNG KẾT LUẬN VÀ MỘT SỐ KHUYẾN NGHỊ 38 3.1 Kết luận 38 3.2 Một số khuyến nghị 38 3.2.1 Khuyến nghị doanh nghiệp 38 3.2.2 Khuyến nghị dự báo rủi ro phá sản 40 3.3 Một số hạn chế đề tài 41 Tài liệu tham khảo…………………………………………………………………………….43 Phụ lục ……………………………………………………………………… ………………49 DANH MỤC TỪ VIẾT TẮT LR Logistic regression DT Decision tree KNN K-Nearest Neighbor RF Random forest NN Neural network XGboost Extreme Gradient Boosting SVM Support Vectow Machine LSTM Mạng nhớ ngắn hạn dài hạn LASSO Least Absolute Shrinkage and Selection Operator CBS Case-based reasoning TP True positive TN True negative FN False negative FP False positive DANH MỤC BẢNG, BIỂU, HÌNH Tên bảng biểu đồ Trang Bảng 2.1 Các biến độc lập mơ hình 25 Bảng 2.2 Thống kê mơ tả biến tài doanh nghiệp lớp 26 Bảng 2.3 Ma trận nhầm lẫn 28 Bảng 2.4 Kết dự báo mơ hình với đầy đủ biến 32 Bảng 2.5 Kết độ hội tụ bao phủ mô hình với đầy đủ biến 33 Bảng 2.6 Kết dự báo mơ hình với biến theo LASSO 34 Bảng 2.7 Kết độ hội tụ độ bao phủ mơ hình với biến theo LASSO 34 Hình 1.1 Mơ hình định 15 Hình 1.2 Mơ hình Random forest 17 Hình 1.3 Mơ hình mạng nơ ron 18 Hình 2.1 Các bước thực mơ hình 31 Hình 2.2 Giá trị tham số lambda hồi quy LASSO 32 Hình 2.3 Tầm quan trọng biến RF 36 LỜI MỞ ĐẦU Tính cấp thiết đề tài Những biến động khó dự đốn kinh tế giới kể từ sau đại dịch Covid-19 với tình hình lạm phát tăng cao sau giai đoạn nới lỏng tiền tệ kéo dài, với bất ổn địa trị từ chiến tranh mâu thuẫn trị chiến Ukraine khiến doanh nghiệp đối mặt với rủi ro phá sản gia tăng Điều dẫn đến hệ lụy tiêu cực kinh tế môi trường xã hội tác động lan truyền tới doanh nghiệp khác chuỗi cung ứng suy giảm thu nhập người lao động Chính vậy, việc đưa dự báo có tính xác cao rủi ro phá sản doanh nghiệp thu hút quan tâm tổ chức, doanh nghiệp, nhà quản lý để giám sát cảnh báo sớm sức khỏe tài doanh nghiệp, sở đó, đưa định quản trị, đầu tư quản lý phù hợp Các mơ hình dự báo rủi ro phá sản doanh nghiệp phát triển từ sớm với nghiên cứu tiên phong Beaver (1966) Altman (1968) Các mơ hình truyền thống sử dụng phương pháp phân tích phân biệt hồi quy phi tuyến tính logistics với nhân tố dự báo từ tiêu tài doanh nghiệp (Jones Hensher, 2004; Tian cộng sự, 2015) Sự phát triển mơ hình tính tốn thơng minh cơng nghệ với lực xử lý thuật tốn phức tạp, kỹ thuật tính tốn dựa mơ hình học máy phát triển ứng dụng dự báo khả phá sản (Le Viviani, 2018; Chen cộng sự, 2019) So sánh với phương pháp thống kê, mô hình học máy chứng minh có hiệu suất vượt trội hơn, cho phép xử lý hiệu mối quan hệ phi tuyến toán có độ phức tạp cao mà khơng địi hỏi nhiều yêu cầu liệu Một số phương pháp tiếp cận bật mơ hình rừng ngẫu nghiên RF- Random Forest (Xie cộng sự, 2009), thuật toán K-Nearest Neighbor (KNN) (Chandra cộng 2009), mơ hình máy học vector hỗ trợ SVM- Support Vectow Machine (Serrano-Cinca GutiéRrezNieto, 2013) hay mơ hình thuật tốn tăng cường XGboost- Extreme Gradient Boosting (Heo Zhang, 2014) Barboza cộng (2017) phương pháp dự báo dựa mơ hình thơng minh thể khả dự báo tốt so với mơ hình thống kê truyền thống Bên cạnh đưa dự báo có tỷ lệ xác cao mơ hình dự báo hiệu cần xác định thuộc tính đặc trưng doanh nghiệp có khả giải thích cao rủi ro phá sản doanh nghiệp (Shrivastava cộng sự, 2020) Những thông tin giúp cho nhà quản trị, nhà đầu tư quan quản lý đưa cảnh báo sớm định Một số phương pháp sử dụng đưa vào biến mơ hình loại biến trình kiểm thử dự báo Các phương pháp có điểm hạn chế nhạy cảm với liệu (Tian Yu, 2017) Để lựa chọn biến quan trọng mơ hình dự báo, Tibshirani (1996) giới thiệu phát triển phương pháp hàm phạt (LASSO- Least Absolute Shrinkage and Selection Operator), hoạt động ngun tắc loại bỏ biến khơng có ý nghĩa dự báo thông qua hàm phạt (penalty function) q trình tối ưu hóa quan sát Tian cộng (2015) điểm mạnh LASSO tính ổn định hiệu suất, phương pháp ổn định với nhiễu nhỏ mơ hình Do đó, LASSO giải vấn đề đa cộng tuyến loại bỏ biến khơng có tính giải thích khỏi mơ hình tránh tượng q mức mơ hình (overfitting) Shrivastava cộng (2020) chứng minh mơ hình LASSO kết hợp với mơ hình học máy có khả nâng cao khả dự báo rủi ro phá sản doanh nghiệp sau loại bỏ biến số ý nghĩa khả dự báo Từ lý trên, nhóm nghiên cứu lựa chọn đề tài “Dự báo khả phá sản doanh nghiệp Việt Nam mơ hình học máy” Mục đích nghiên cứu làm rõ tiêu phản ánh rủi ro phá sản doanh nghiệp Kiểm chứng tính hiệu mơ hình học máy so với mơ hình truyền thống áp dụng với doanh nghiệp Việt Nam Chỉ yếu tố quan trọng có ý nghĩa việc đưa cảnh báo sớm rủi ro phá sản doanh nghiệp Đây kênh tham khảo hữu ích cho doanh nghiệp việc xây dựng công cụ cảnh báo rủi ro phá sản Tổng quan nghiên cứu 2.1 Các nghiên cứu dự báo rủi ro phá sản quốc tế Các phương pháp dự báo rủi ro phá sản thực bao gồm mô hình thống kê truyền thống mơ hình thơng minh Altman (1968) Beaver (1966) nghiên cứu mở đầu cho phương pháp dự báo rủi ro phá sản truyền thống Beaver (1966) sử dụng mơ hình đơn biến với số tỷ lệ tài địn bẩy tài chính, lợi nhuận tài sản tính khoản để dự báo rủi ro phá sản doanh nghiệp Altman (1968) phát triển mơ hình dự báo dựa phân tích đa biến, qua xây dựng mơ hình điểm số để đánh giá doanh nghiệp Mỹ với tiêu tài để dự báo khả vỡ nợ Sau phát triển thống kê logistic trở thành phương pháp phổ biến toán dự báo phân lớp (Olson cộng sự, 2012) rủi ro phá sản doanh nghiệp Lin (2009) kiểm tra khả dự đốn khó khăn tài mơ hình phân tích khác biệt, logit, probit cơng ty Đài Loan sau khủng hoảng tài năm 2009 Kết dự báo cho hiệu suất ổn định, nhiên giả định số điều kiện để liệu khơng thỏa mãn giả thiết thống kê hiệu suất giảm Serrano-Cinca GutiérrezNieto (2013) khắc phục trường hợp biến có tương quan cao mơ hình phương pháp kết hợp phân tích khác biệt với bình phương nhỏ phần để dự báo khủng hoảng tài ngân hàng Mỹ năm 2008 Hiệu suất kết hợp tương đương với hiệu suất sử dụng mơ hình học máy Các mơ hình thơng minh phát triển tương đối sớm, đó, mơ hình mạng thần kinh Neural network phát triển thống trị thời gian dài vào năm 1990 (Wilson Sharda, 1994) Neural network áp dụng linh hoạt khơng có u cầu giả định thống kê xử lý với quan hệ phi tuyến Điều quan trọng dự báo phá sản mối quan hệ khả phá sản biến giải thích phi tuyến (Barboza cộng sự, 2017) Các mơ hình thơng minh gần phát triển mạnh mẽ với tiến công nghệ cho phép xử lý thuật toán phức tạp thời gian ngắn Để so sánh mơ hình truyền thống mơ hình thơng minh, Zhao cộng (2009) so sánh mơ hình logit, Neural network K-Nearest Neighboor dự báo doanh nghiệp sử dụng số tài Kết cho thấy Neural network cho hiệu cao Tương tự, Barboza cộng (2017) kiểm chứng xác dự báo mơ hình rừng ngẫu nhiên, adaboost cao so với logistic phân tích khác biệt Kết tương đồng với nghiên cứu Heo Yang (2014), Kim cộng (2015), Xiao cộng (2016) 2.2 Các nghiên cứu dự báo rủi ro phá sản Việt Nam Tại Việt Nam, dự báo khả phá sản doanh nghiệp thu hút nhiều quan tâm Bùi Phúc Trung (2012) sử dụng phương pháp truyền thống Z-score để đánh giá nguy phá sản cơng ty niêm yết sàn chứng khốn Việt Nam Nguyễn Thị Cành & Phạm Chí Khoa (2014) xét khách hàng doanh nghiệp