Hình 4.1: Kết quả hồi quy của mô hình cây quyết định (Decision Tree)
Thông qua kết quả hồi quy của mô hình cây quyết định ta có thể thấy rằng mô hình này sử dụng ba biến X9, X4 và X8 để dự báo xác suất vỡ nợ của doanh nghiệp. Khả năng dự báo xác suất vỡ nợ qua ba biến độc lập trên được thực hiện thông qua các bước như sau:
- Bước 1: Sử dụng biến độc lập X9 để phân tách thành hai nhóm: phá sản và không phá sản. Nếu X9≥ 0,55 thì kết luận doanh nghiệp đó rơi vào trường hợp 78% các công ty có khả năng không bị phá sản. Ngược lại, thì xem xét đến bước tiếp theo. - Bước 2: Nếu X9 < 0,55 và X4 < - 0,18 thì doanh nghiệp rơi vào nhóm 12% công ty
- Bước 3: Nếu X9 < 0,55 và X4 ≥ - 0,18 và X8 < 0,34 thì doanh nghiệp rơi vào nhóm 3% các công ty có khả năng phá sản. Ngược lại X8 ≥ 0,34 thì doanh nghiệp rơi vào nhóm 7% các công ty có khả năng không bị phá sản.
Bảng 4.7: Ma trận Confusion của mô hình cây quyết định (Decision Tree) Decision Tree Predicted class
Actual class
Classes Non-default Default
Non-default 251 13 Default 41 45 Accuracy = 0.8457 Sensitivity = 0.5232 Specificity = 0.9508 Precision = 0.7759 F1 – Score = 0.6250
Hình 4.2: Kết quả của mô hình Random Forest
0 200 400 600 800 1000 0. 1 0. 2 0. 3 0. 4 random_forest_model trees E rro r
Bảng 4.8: Ma trận Confusion của mô hình Random forest Random Forest Predicted class
Actual class
Classes Non-default Default
Non-default 254 10 Default 28 58 Accuracy = 0.8914 Sensitivity = 0.6744 Specificity = 0.9621 Precision = 0.8529 F1 – Score = 0.7532
Thông qua bảng ma trận confusion của hai mô hình dự báo xác suất vỡ nợ phi tham số gồm mô hình cây quyết định và mô hình random forest, ta có thể nhận thấy rằng mô hình random forest mang lại kết quả tốt hơn khi tất cả chỉ số Accuracy, Sensitivity, Specificity, Precision và F1 – Score đều cao hơn so với mô hình cây quyết định. Điều đó cho thấy sự vượt trội của mô hình random forest so với mô hình cây quyết định.
Kết luận chương 4: Chương này tác giả đã thực hiện phân tích kết quả hồi quy từ các mô hình tham số và phi tham số, đồng thời dựa trên các chỉ tiêu được tính toán từ ma trận confusion (Accuracy, Sensitivity, Specificity, Precision, F1 - Score) để so sánh và đánh giá khả năng dự báo xác suất vỡ nợ của từng mô hình. Qua đó tìm ra mô hình phù hợp để dự báo xác suất vỡ nợ của các doanh nghiệp.
CHƯƠNG 5: KẾT LUẬN
Toàn bộ kết quả nghiên cứu của đề tài đã được đề cập trong chương 4 của luận văn, theo đó tác giả đã tìm được câu trả lời cho ba câu hỏi nghiên cứu được đề cập trong chương 1.
- Để giải quyết câu hỏi thứ nhất, tác giả đã sử dụng 14 biến độc lập tương ứng với 14 chỉ số tài chính quan trọng của doanh nghiệp để xác định khả năng vỡ nợ của các khách hàng. Kết quả tìm thấy trong mô hình tham số, 5 biến đóng vai trò quan trọng trong việc dự báo xác suất vỡ nợ của khách hàng, đó là các biến Thu nhập trước thuế/Tổng tài sản (X3), Tổng nợ phải trả/Tổng tài sản (X5), Thu nhập trước thuế, lãi vay và khấu hao/Nợ dài hạn (X10), Giá vốn hàng bán/Hàng tồn kho bình quân (X12) và Tổng doanh thu/Tổng tài sản (X14). Trong khi đó, mô hình phi tham số lại cho thấy 3 biến gồm Lợi nhuận trước thuế và lãi vay/Lãi vay (X9), Thu nhập trước thuế/Vốn chủ sở hữu (X4) và (Tài sản ngắn hạn – Hàng tồn kho)/Nợ ngắn hạn (X8) đóng vai trò quan trọng trong việc phân loại nhóm khách hàng phá sản và không phá sản.
- Với câu hỏi thứ hai, tác giả đã sử dụng các tiêu chí cụ thể bao gồm: ma trận confusion và điểm F1 – Score, qua đó lựa chọn mô hình phù hợp để dự báo xác suất vỡ nợ đối với các doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại ở Việt Nam. Kết quả hồi quy trong chương 4 cho thấy mô hình phi tham số random forest cho kết quả tốt nhất với mức dự báo chính xác lên đến 89,14%. Tuy nhiên, mô hình này được xem là một trong những mô hình “black box”, vì vậy rất khó xác định biến độc lập hay chỉ số tài chính nào tác động chính yếu đến khả năng vỡ nợ của khách hàng. Do đó, các ngân hàng có thể xem xét để sử dụng các mô hình tham số, đặc biệt là mô hình probit để dự báo xác suất vỡ nợ của khách hàng với mức độ chính xác khoảng 81,71%, không chênh lệch quá lớn so với mô hình random forest, nhưng lại giúp ngân hàng biết được các biến độc lập hay chỉ số tài chính nào tác động đến khả năng phá sản của doanh nghiệp.
Trong chương 5 này, tác giả đưa ra một số kiến nghị cho các ngân hàng thương mại tại Việt Nam, đồng thời nêu lên những mặt hạn chế trong quá trình thực hiện đề tài cũng như gợi ý những hướng nghiên cứu mở rộng tiếp theo. Cụ thể bao gồm: