Dự báo khả năng vỡ nợ của doanh nghiệp nhỏ và vừa tại Việt Nam: Nghiên cứu trên các mô hình học máy

Tóm tắt

Nghiên cứu này xây dựng mô hình dự báo rủi ro vỡ nợ cho doanh
nghiệp nhỏ và vừa (SMEs) tại Việt Nam bằng cách sử dụng các phương pháp
học máy như hồi quy Logistic (LR), Cây quyết định, XGBoost và Mạng nơ-ron
nhân tạo (ANN). Dữ liệu được thu thập từ báo cáo tài chính của các doanh
nghiệp vay vốn tại các ngân hàng thương mại và các công ty niêm yết trên thị
trường tài chính Việt Nam trong giai đoạn 2010-2022. Hiệu suất của các mô
hình được đánh giá qua các chỉ số như điểm F1 và độ chính xác (ACC). Kết quả
cho thấy Cây quyết định, XGBoost và ANN vượt trội hơn so với LR. Đặc biệt,
ANN đạt điểm F1 là 0,756 và ACC là 0,9345 trên bộ dữ liệu xác thực, chứng
minh khả năng dự báo xuất sắc. Phương pháp ANN có tiềm năng lớn trong
việc nhận diện khách hàng có rủi ro vỡ nợ cao, giúp tối ưu hóa quy trình quản lý rủi ro tín dụng. Nghiên cứu cũng xác định được các biến dự báo chính, cung
cấp cái nhìn sâu sắc để phát triển mô hình RRVN hiệu quả hơn. Tương lai, các
nghiên cứu có thể áp dụng kỹ thuật điều chỉnh hyperparameter tiên tiến và mở
rộng bộ đặc trưng để tối ưu hóa mô hình.