Sử dụng các mô hình phân lớp, cảnh báo sớm rủi ro phá sản của doanh nghiệp, thông qua báo cáo tài chính, bằng chứng thực nghiệm tại Việt Nam

Nghiên cứu sử dụng một số Mô hình phân lớp để giải quyết vấn đề này; việc xử lý kết quả được thông qua ngôn ngữ lập trình Python. Bước đầu đạt kết quả khả quan và đáng tin cậy thông qua bằng chứng thực nghiệm tại Việt Nam.
Nội dung trích xuất từ tài liệu:
Sử dụng các mô hình phân lớp, cảnh báo sớm rủi ro phá sản của doanh nghiệp, thông qua báo cáo tài chính, bằng chứng thực nghiệm tại Việt Nam SỬ DỤNG CÁC MÔ HÌNH PHÂN LỚP, CẢNH BÁO SỚM RỦI RO PHÁ SẢN CỦA DOANH NGHIỆP, THÔNG QUA BÁO CÁO TÀI CHÍNH, BẰNG CHỨNG THỰC NGHIỆM TẠI VIỆT NAM TS Nguyễn Huy Hoàng* Nguyễn Tâm Nhi*TÓM TẮTTrong quá trình hoạt động, có thể một số Doanh nghiệp gặp phải rủi ro dẫn đến phá sản;Việc dự báo sớm được khả năng này sẽ giúp ích cho Doanh nghiệp cũng như các Nhà quảnlý, Nhà đầu tư. Thông tin hoạt động Doanh nghiệp chủ yếu dựa vào báo cáo tài chính(BCTC), nên việc xây dựng Mô hình cảnh báo sớm, rủi ro phá sản Doanh nghiệp thôngqua thông tin báo cáo tài chính là khả thi và hữu dụng. Nghiên cứu sử dụng một số Môhình phân lớp để giải quyết vấn đề này; việc xử lý kết quả được thông qua ngôn ngữ lậptrình Python. Bước đầu đạt kết quả khả quan và đáng tin cậy thông qua bằng chứng thựcnghiệm tại Việt Nam.Từ khóa: Phá sản doanh nghiệp; Báo cáo tài chính; Mô hình phân lớp; Python.1. Giới thiệu các kiến thức cơ bản Các nhân tố, mô hình và phương pháp trong nghiên cứu Biến phụ thuộc Biến phụ thuộc trong mô hình dự báo rủi ro phá sản của doanh nghiệp là một biến nhịphân. Nghiên cứu thực hiện thu thập số liệu theo 2 khung thời gian của các doanh nghiệp,cụ thể như sau: + 4 quý: Đối với các doanh nghiệp đã phá sản, chọn quý thứ nhất là từ thời điểm phásản và 3 quý còn lại là từ thời điểm phá sản trở về trước. Đối với các doanh nghiệp đanghoạt động, nghiên cứu chọn 4 quý từ quý III năm 2019 đến quý II năm 2020. + 8 quý: Đối với các doanh nghiệp đã phá sản, chọn quý thứ nhất là từ thời điểm phásản và 7 quý còn lại là từ thời điểm phá sản trở về trước. Đối với các doanh nghiệp đanghoạt động, nghiên cứu chọn 8 quý từ quý IV năm 2018 đến quý II năm 2020. Khoa Kinh tế – Luật, Trường Đại học Tài chính – Marketing.* - 235 Biến phụ thuộc được xác định như sau: đối với các doanh nghiệp đã phá sản tại mộtthời điểm xác định sẽ được gán nhãn với giá trị “1”; ngược lại, đối với các doanh nghiệphoạt động tại một thời điểm xác định sẽ được gán nhãn với giá trị “0”. Mô hình sau khi dựbáo sẽ cho xác suất phá sản cho từng đối tượng, tùy thuộc vào ngưỡng phân loại riêng củamỗi nghiên cứu. Từ đó, có thể sắp xếp rủi ro phá sản vào các lớp phù hợp. Doanh nghiệpcó xác suất phá sản lớn hơn ngưỡng phân loại sẽ được xếp vào lớp “1” và ngược lại sẽ đượcxếp vào lớp “0”. Các biến độc lập Nghiên cứu sử dụng 7 biến độc lập (thông tin trong BCTC) trong bảng dưới đây: Bảng 1. Các biến của mô hình STT Biến Z1 Lợi nhuận sau thuế Z2 Tổng tài sản Z3 Nợ phải trả Z4 Vốn chủ sở hữu Z5 P/E Z6 ROA Z7 ROE Trong nhiều tình huống cuộc sống, dự báo các phản ứng định tính là một nhu cầucần thiết, quá trình dự báo này được gọi là phân lớp (classification). Các phương thức đượcsử dụng để phân lớp trước tiên dự báo xác suất xuất hiện từng lớp của một biến định tính,làm cơ sở để thực hiện phân loại. Có nhiều kỹ thuật để xây dựng một mô hình phân lớp, dự báo một phản ứng địnhtính. Nghiên cứu này sử dụng một số các thuật toán phân lớp được sử dụng phổ biến nhất:Logistic Regression; Random forest;… Xử lý kết quả bằng ngôn ngữ lập trình Python.Các thuật toán này xác định xác suất phá sản của từng đối tượng, từ đó dự báo sớm doanhnghiệp phá sản và doanh nghiệp hoạt động. Mô hình Logistic Regression Mô hình Logistic Regression ra đời vào những năm 1970 bởi Giáo sư David RoxbeeCox. Logistic Regression nghiên cứu sự tác động của các biến độc lập (liên tục hoặc rờirạc) đến biến phụ thuộc nhị phân (chỉ nhận một trong 2 giá trị: 0 hoặc 1). Một số khái niệmliên quan đến mô hình Logistic Regression: Odds ratio Tỷ lệ Odds được định nghĩa là tỉ số của xác suất biến cố xảy ra trên xác suất biến cốkhông/chưa xảy ra. Giá trị của xác suất dao động trong khoảng 0 đến 1, nhưng giá trị củaOdds thì không có giới hạn và là một biến liên tục.236 - x Odds = N–x Trong đó: + N: không gian mẫu + x: số lượng biến cố xảy ra Logit của một biến cố ...