Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 49 SỬ DỤNG CÁC MƠ HÌNH CÂY PHÂN LỚP DỰ BÁO KIỆT QUỆ TÀI CHÍNH CHO DOANH NGHIỆP VIỆT NAM HUỲNH THỊ CẨM HÀ ố Hồ Chí Minh - hatcdn@ueh.edu.vn NGUYỄN THỊ UYÊN UYÊN ố Hồ Chí Minh - uyentcdn@ueh.edu.vn LÊ ĐÀO TUYẾT MAI ố Hồ Chí Minh - tuyet25mai06@gmail.com (Ngày nhận: 12/05/2017; Ngày nhận l i: 28/05/2017; Ngày duyệ đă : 04/08/2017) TÓM TẮT Bài vi t thực nhằm dự báo kiệt quệ tài (KQTC) cho doanh nghiệp Việt Nam việc sử dụng mô hình phân lớp dựa thuật tốn C4.5 thuật toán AdaBoost cho mẫu liệu nghiên cứu gồm 664 cơng ty thị ng chứng khốn Việt Nam từ ăm 2009-2015 K t nghiên cứu cho thấy mơ hình phân lớp hồn tồn phù hợ để dự báo KQTC cho doanh nghiệ , đặc biệt mơ hình dựa thuật tốn Adaboost, với k t dự báo xác 90% Chúng tơi tìm thấy ba thuộ í va ò qua ng dự báo KQTC từ mơ hình cho doanh nghiệp Việt Nam Thứ nhất, n u số ă ởng vốn chủ sở hữu doanh nghiệ k ô đ đ ợc giá trị tối thiểu -0,3757; doanh nghiệp đối diện với KQTC Thứ a , k ă ởng vốn chủ sở hữu doanh nghiệp lớ -0,3757, doanh nghiệp v o Q C k đồng th i có tỷ lệ nợ vốn chủ sở hữu lớ 3,2136 v ă ởng vốn chủ sở hữu nhỏ 0,1805 ứ ba, n u tỷ lệ lợi nhuận ròng vốn chủ sở hữu khơng thể lớ 0,2 v ỷ lệ nợ vốn chủ sở hữu v ợt 4,3591; doanh nghiệp có khả ă Q C Từ khóa: kiệt quệ tài chính; mơ hình phân lớp; thuật tốn Adaboost ; thuật tốn C4.5 Predicting financial distress using decision tree models: Evidence from Vietnam ABSTRACT This study aims to predict financial distress of Vietnamese firms using Decision Tree models from C4.5 algorithm and Adaboost algorithm to analyze the data collected from a sample of 664 firms listed on Vietnam stock market in the 2009-2015 period The results show that Decision Trees models, especially the Decision Tree model based on Adaboost algorithm, can be properly used to measure firm financial distress with the forecast accuracy of over 90% The study also detects three most important ratios for predicting financial distress of Vietnamese firms F s , a f m s o s de ed o be f a al d s ess f s ow e s’ equ y a o does o mee e m mum ow of -0.3757 Se o d, eve f s ow e s’ equ y a o ow s e a -0.3757, a firm still faces financial distress when concurrently its debt-to-equity ratio is above 3.2136 and ow e s’ equ y a o ow s ays below 0.1805 d, f a f m’s e u o equ y falls below 0.2 a d s debt-to-equity ratio exceeds 4.3591; it will be classified as being in financial distress Keywords: Adaboost algorithm; C4.5 algorithm; Decision Tree model; financial distress Giới thiệu Trong bối cảnh hội nhập kinh t toàn cầu ngày sâu rộng, doanh nghiệp Việt Nam luô đối diện với nhiều rủi ro tiềm ẩn k ó l ng KQTC xảy a doanh nghiệ o ũ xảy vào a đo n chu kỳ kinh doanh Việc dự báo doanh nghiệp v o ì tr ng KQTC giúp cho nhà quản trị doanh nghiệp đ a a quy định phù hợp 50 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 nhằm ă ừa uy ây KQTC, trì ho độ v ú đẩy doanh nghiệp ti p tụ ă ởng Nhận thấy đ ợc vai trò quan tr ng từ việc dự báo sớm KQTC, nhiều ả đ n phức t p nhằm dự báo Q C đ ợc nghiên cứu th giớ , â í b n - đa bi n, phân tích logit, phân tích probit Tuy ê , y l đ kèm số ợ đ ểm giả định việc sử dụng mơ hình phân tích n việc thực trở ê k ók ă i gian gầ đây, ững mơ hình phân lớp dựa thuật tốn mơ hình m ng thầ k đ ợc mở rộng sử dụng nghiên cứu dự báo Q C, t o đ ợc nhiều ý giới h c thuật th giớ k k ắc phụ đ ợc h n ch mơ hình truyền thống, đồng th i l i trực quan dễ sử dụng Tuy vậy, ớng nghiên cứu sử dụng mơ hình phân lớp bên c nh mơ hình truyền thống việc dự báo KQTC t i Việt Nam vẫ a đ ợc khai thác nhiều Xuất phát từ ý ởng này, vi t muốn tìm hiểu khả ă sử dụng mơ hình phân lớp việc dự báo KQTC cho doanh nghiệp Việt Nam, thể qua mục tiêu cụ thể sau: (i) kiểm định phù hợp mơ hình phân lớp dự báo KQTC cho doanh nghiệp Việ Nam, ( ) xá định thuộc tính quan tr để dự báo KQTC mơ hình ( ) đo l ng mứ độ dự báo xác mứ độ phù hợp mơ hình phân lớp dựa thuật tốn C4.5 thuật tốn Adaboost K t nghiên cứu ó v ệc ủng hộ mơ hình phân lớp hoàn toàn phù hợ để dự báo KQTC cho doanh nghiệp Việt Nam, đặc biệt mơ hình dựa thuật tốn Adaboost, khả ă dự báo xác 90% Các thuộ í ă ởng vốn chủ sở hữu, tỷ lệ lợi nhuận ròng vốn chủ sở hữu, tỷ lệ nợ vốn chủ sở hữu vai trò quan tr ng nhấ để dự báo KQTC mơ hình phân lớp K t cho thấy nguyên nhân chủ y u gây KQTC mức độ sử dụ đò bẩy tài cao ho t độ k doa k ô đ t hiệu Tổng quan nghiên cứu trước 2.1 Thước đo nhận diện kiệt quệ tài Hầu h t nghiên cứu dự báo KQTC tập trung nhiều vào dự báo phá sản (Altman, 1968; Ball Foster, 1982; Moses Liao, 1995) Tuy nhiên, nghiên cứu gầ ỉ rằ Q C k ô đồng với phá sản cho tất doanh nghiệp trải qua KQTC cuố ù đệ sản (Ward Foster, 1997; He cộng sự, 2010) Việc xuất nhiều quan đ ểm khác KQTC nghiên cứu dự báo KQTC khác việc lựa ch n mẫu nghiên cứu nghiên cứu thực nghiệm ũ đa d ng phức t p tr ng thái KQTC (Wruck, 1990), gồm có: tr ng thái thất b i, khả ă a k oản,vỡ nợ phá sản (Atlman Hotchkiss, 2005) Chính vậy, có nhiều đo để nhận diện tình tr ng KQTC doanh nghiệp Một số nghiên cứu nhận diện tình tr ng KQTC dựa vào liệu sổ sách k toán liệu thị ng (Denis Denis, 1995; Andrade Kaplan, 1998; Whitaker, 1999) Nhiều nghiên cứu khác l i dựa vào động thái doanh nghiệ giảm hay ả cổ tức, hủy niêm y t, nộ xin phá sản thực mua bán sáp nhập với doanh nghiệp khác (Turetsky McEwn, 2001; Altman Hotchkiss, 2005) Th i gian gầ đây, ều nghiên cứu k ẳ định số xá đị Q C ỉ số Z Altman (Altman, 1968); số O Ohlson (Ohlson, 1980); số Zmijewski (Zmijewski, 1984) đ ợc sử dụ mộ đo để xá định doanh nghiệp có đa o ì ng KQTC hay khơng (Grice, 2000; Altman cộng sự, 2010) o đó, ỉ số Zm jewsk đ ợc sử dụng phổ bi n khơng nh y cảm với tr ng thái khác Q C v ũ k ô nh y cảm với ngành (Munsif cộng sự, 2011; Kim Upneja, 2014) Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 51 2.2 Mơ hình phân lớp dùng dự báo kiệt quệ tài Các chứng thực nghiệm dự báo KQTC th a qua o mơ hình y v đa đ ợc cải thiện khả ă dự báo lẫ độ xác qua th i kỳ khác nhau, từ so sá ỷ số tài doanh nghiệp (Fitzpatrick, 1931) đ â í b n (Beaver, 1960), phân tích phân biệ đa b n (Altman, 1968) phân tích thống kê xác suất ó đ ều kiện Logistic (Ohlson, 1980) Phân tích phân biệ đa b n phân tích Logistic a ổ bi n có độ xác cao Tuy nhiên, a mơ ì y có h n ch giả định n việc sử dụng trở ê k ó k ă P â í â b ệ đa b n giả định bi độc lập có phân phối chuẩn có ma trậ sa - hiệ sa phải giống doanh nghiệp KQTC không KQTC, phân tích Logistic (Ohlson, 1980) l i có giả định bi độ đồng liệu nh y cảm vớ đa ộng n Từ nhữ ăm đầu thập niên 90, với phát triển khoa h c cơng nghệ, mơ hình m ng thần kinh nhân t o (ANN - Artificial Neural networks) mơ hình phân lớp (Decision tree classification) trở thành hai p cận phi tham số ng đ ợc sử dụng nghiên cứu dự báo KQTC uy ng xuyên gặp vấ đề khớp liệu rấ k ó để khái quát cấu trúc quy chuẩn cho nhữ ng hợp khác nh y cảm vớ ay đổi mẫu, song mơ hình phân lớp l ó u v ợt trội khắc phụ o o ợ đ ểm mơ hình dự báo k k k đò hỏi giả định mẫu nghiên cứu ũ k ô ức t p sử dụng không gặp vấ đề hộ đe l ê qua đ n tầm quan tr ng bi mơ ì ANN ( m v Upneja, 2014) Bên c đó, ững h n ch mơ hình phân lớp dễ d đ ợc khắc phục, cụ thể vấ đề khớp liệu đ ợc khắc phục kỹ thuật cắt tỉa nhánh vấ đề nh y cảm vớ ay đổi mẫu đ ợc cải thiện kỹ thuật boosting (Bastos, 2008; Kotsiantis cộng sự, 2006) Với nhữ u v ợt trội mình, mơ hình phân lớ đ ợ đá iá công cụ m nh, phổ bi v đặc biệt thích hợp cho phân lớp liệu nói chung dự báo KQTC nói riêng Mơ hình phân lớp lo i kỹ thuật khai phá liệu dùng thống kê thể hiệ d ới d ng biểu đồ phát triển hình gồm: nút gốc; nút biểu diễn kiểm tra thuộ í ; ây b ểu diễn k t kiểm tra nút trong; nút biểu diễn phân phối lớp giá trị, đí đ n cuối phân lớp Quá trình t o xuất phát từ nút gốc với tất mẫu huấn luyệ , sau â a mộ đệ qui dựa thuộc tính tốt nhấ để ó đ ợc phân phối lớp giá trị nút Mơ hình phân lớ ó ăm u đ ểm lớn so với kỹ thuật khai phá liệu khác: (1) việc giải thích cho phân lớp hay dự báo mơ ì y ũ đối minh b ch trình xây dựng rõ ràng, chí với tập liệu lớn n cho hình dáng trở nên phức t p; (2) thuậ oá đ ợc sử dụng ng kiểm a ản, dễ dàng tính toán t i nút, vậy, dễ dàng t o phân lớp với số phân nhánh thấp; (3) mơ hình rút trích quy luật nhấ định từ tập liệu, từ đó, dự báo nhữ xu ớng la liệu nên không yêu cầu giả định thố kê l ê qua đ n liệu mẫu; (4) mơ hình có khả ă xử lý với thuộc tính liên tục lẫn r i r c (5) k t mơ hình cho thấy đ ợc thuộc tính quan tr ng trình phân lớp Trong thuật tốn xây dựng mơ hình phân lớp, C4.5 thuậ oá đ ợc sử dụng phổ bi n (Quinlan, 1996; Shirata, 1998) thuật tốn C4.5 có khả ă l m v ệc với thuộc tính liên tục, thuộc tính có nhiều giá trị 52 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 liệu bị thi u bị nhiễu Thuật toán C4.5 thực hiệ â ỡng thuộc tính liên tục phép tách nhị phân dựa v o độ đo Ga Ra o để lựa ch n thuộc tính tốt nhấ để phát triển Bản thân thuậ oá C4.5 bao hàm kỹ thuật nhằm khắc phụ ợc đ ểm khớp liệu ũ ải thiện ổ định mứ độ dự báo xác mơ hình phân lớp, bao gồm cắt tỉa3 thử nghiệm chéo4, có ă l m ảm mức độ phân chia mơ ì o ng hợp nút có chứa quan sát giống hệt giá trị bi n phụ thuộc khơng có tiêu chí dừng Chính vậy, mơ hình phân lớ đ ợc xây dựng từ thuật toán C4.5 đ ợc sử dụ để dự báo KQTC (Huarng cộng sự, 2005; Bastos, 2008; Kim Upneja, 2014) N o a, để cải thiện nh y cảm với thay đổi mẫu nâng cao mứ độ dự báo xác mơ hình phân lớp, nhiều nghiên cứu gầ sử dụ tập hợp mơ hình.5 o đó, uật tốn Adaboost đ ợ đề xuất Freund Schapire (1996) nhữ pháp tập hợp mơ hình quan tr ng có nhiều chứng vững mặt lý thuy t thực nghiệm cho thấy Adaboost có mứ độ dự báo í xá ao, ản, ứng dụng rộng rãi thành công (Alfaro cộng sự, 2008a; Qu la , 1996) êm v o đó, nghiên cứu khác cho thấy Adaboost không ng gặp vấ đề khớp liệu tự C4.5, Adaboost cải thiện cho mô hình phân lớ ũ xây dự đ ều kiện phân lớp thuộc tính phép tách nhị phân Tuy nhiên, thuật toán Adaboost sử dụng thêm tr ng số thích ứ để thi t lập phân lớp tập huấn luyện Sau trình phân lớ đầu ê đ ợc xây dựng, trình phân lớp ti p theo đ ợc thi t lập dựa tr ng số khác với tr ng số phân lớ đầu ê phân lớp khơng thỏa đ ều kiện Q trình lặp l o đ k đ đ ợc đ ều kiện dừng phân lớ đ ợc k t hợp thành phân lớp cuối với mức độ xác cao Dựa vào tổng quan nghiên cứu th giới, nhóm tác giả vi t k thừa ứng dụng mơ hình dựa thuật toán C4.5 Adaboos để kiểm định mứ độ phù hợp mơ hình dự báo KQTC cho doanh nghiệp Việt Nam Dữ liệu phương pháp nghiên cứu 3.1 Dữ liệu nghiên cứu Mẫu liệu vi t gồm 664 cơng ty í đ ợc niêm y t HSX HNX từ 2009 đ n 2015, lo i khỏi mẫu quan sát công ty thuộ lĩ vực tài chính, ngân hàng, bảo hiểm cơng ty chịu đ ều ti t số luậ đ ều chỉnh riêng biệt khác n báo cáo tài k đá kể so với cơng ty nhóm ngành khác Các liệu tài quản trị doanh nghiệ đ ợc thu thập từ báo cáo tài í k ểm oá v báo áo ng niên; liệu giá k oá đ ợc thu thập từ cophieu68.vn; liệu GDP đ ợc lấy từ Tổng cục thống kê Việt Nam Ngo a, doanh nghiệ ủy niêm y t bắt buộc, vi t thu thập liệu từ mộ ăm ớc hủy bỏ niêm y t trở o a đo n từ ăm 2009 đ ăm 2015 để đảm bảo khả ă dự báo sớm Q C ớc mộ ăm C ú ô nhận diện doanh nghiệ đa o ì ng KQTC dòng tiền t o a k đủ chi trả khoản nợ giá trị thị ng doanh nghiệp bị sụt giảm dựa ê W ake (1999), đồng th i, k t hợp thêm mơ hình số Zmijewski6 để xá định tình tr ng KQTC doanh nghiệp Việt Nam Ngoài ra, nhằm ă quy mô mẫu nghiên cứu sức m nh dự báo mơ hình nghiên cứu, nhóm tác giả đề tài bổ sung doanh nghiệp bị hủy niêm y t bắt buộc HSX HNX N vậy, doanh nghiệ đ ợc nhận diện l Q C o ăm quan sát thỏa mãn nhữ đ ều kiện sau: Thứ nhất, dòng tiền ho động doanh nghiệp không đủ chi trả khoản nợ ngắn h n giá trị thị ng doanh nghiệp bị sụt giảm Thứ hai, Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 53 số Zmijewski doanh nghiệ v ợt giá trị không Thứ ba, doanh nghiệp bị hủy niêm y t bắt buộc tuyên bố phá sản Cuối cùng, tác giả u đ ợc mẫu liệu gồm 268 doanh nghiệp HSX, 325 doanh nghiệp HNX 71 doanh nghiệ ủy niêm y t bắt buộc Thống kê số quan sát mẫu liệu đ ợc thể Bảng Bảng Thống kê số quan sát mẫu liệu doanh nghiệp Năm KQTC Số quan sát Không KQTC Tỷ trọng Số quan sát Tỷ trọng Tổng Số quan sát Tỷ trọng 2009 85 1,89% 568 12,61% 653 14,50% 2010 81 1,80% 583 12,94% 664 14,74% 2011 101 2,24% 564 12,52% 665 14,76% 2012 121 2,69% 531 11,79% 652 14,47% 2013 115 2,55% 530 11,76% 645 14,32% 2014 93 2,06% 530 11,76% 623 13,83% 2015 88 1,95% 515 11,43% 603 13,39% Tổng 684 15,18% 3821 84,82% 4505 100% Nguồn: Nhóm tác giả tự tổng hợp 3.2 Phương pháp nghiên cứu K thừa nghiên cứu Kim Upneja (2014), vi t sử dụng mơ hình phân lớp dựa thuật toán C4.5 thuật toán Adaboost Hai thuậ oá y xem xét tất thuộ í để phân chia tập liệu o ch n thuộc tính có giá trị Gain Ratio lớn Tuy nhiên, thuật toán Adaboost bổ sung thêm tr ng số để giúp mơ hình phân lớp ă í í ứng với ay đổi mẫu nghiên cứu Gain Ratio thuộc tính X tập liệu D đ ợc tính theo cơng thức: GainRatio(X) = (1) Với: InformationGain(X) = Info(D) - InfoX(D) = (2) SplitInfoX(D) = (3) Trong đó, D tập huấn luyện Các phân lớp D có giá trị d ={d1,d2,…,d }; Thuộc tính X có giá trị xj={x1,x2,…,xv}, dù uộ í X để phân chia tập huấn luyện D thành v tập Dj={D1, D2, …, Dv}; |Dj|,|D|: số quan sát thuộc tập Dj tập huấn luyện D; pi tỷ lệ quan sát thuộc phân lớp i chia cho tất quan sát tập D Information Gain thuộ í X đ ợc tính theo cơng thức (2) cho bi l ợng thông u đ ợc sau dùng thuộc tính X phân lớ Vì độ đo I fo ma o Ga ó xu ớng thiên vị cho thuộc tính có nhiều giá trị nên độ đo Ga Ra o đ ợc tính theo công thức (1) mộ đ l ợ I fo ma o Ga đ ợc chuẩn hóa nhằm khắc phục h n ch độ đo 54 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 số thuộc tính Việ l ợt bỏ đ ợc thực lầ l ợt thuộc tính, từ thuộc tính có Gain ratio thấp nhấ đ n mơ hình có mức độ dự báo xác tổng thể lớn Bước bốn: Từ k t u đ ợc b ớc 3, nhóm tác giả thực hiệ đá v so sánh sức m nh dự báo mơ hình xem xét mứ độ phù hợp thuật tốn việc dự báo KQTC, thơng qua ba tiêu: mứ độ dự báo xác tổng thể, hệ số Kappa diệ í d đ ng cong ROC (hay g i AUC - Area under ROC curve) Hệ số Kappa tỷ số tỷ lệ phù hợp quan sát tỷ lệ phù hợp lý thuy t, nhằm kiểm tra mứ độ lặp l i dự báo áp dụng với mẫu nghiên cứu khác Hệ số bi n thiên từ -1 đ +1 ứng với hồn tồn khơng lặp l đ n lặp l i hồn tồn N u mơ hình có mứ độ lặp l i cao áp dụng với mẫu nghiên cứu k , đ ều hàm ý mơ hình có tính ứng dụng thực tiễn tốt nên sử dụ để dự báo KQTC AUC đ ợ dù để đo l ng tính xác mơ hình dự báo eo ị phần diện tích nằm d đ ng ROC đ ợc dù để đo l ng tính xác mơ hình dự báo, khả ă â b ệt mơ hình tốt hay xấu Giá trị AUC nhỏ 0,6 o thấy khả ă â b ệt mơ hình, AUC nằm khoảng 0,8 đ n 0,9 tốt; 0,9 cho tốt Information Gain Các thuộ í đ ợc sử dụng vi t gồm 25 số tài chính, x p theo nhóm: nhóm số khả ă a ố , nhóm số cấu trúc vốn khả ă ả nợ, nhóm số khả ă s lợi, nhóm số ho t động, nhóm số ă ởng thơng tin í ỷ lệ sở hữu Hộ đồng quản trị, xu ớng giá cổ phi u, thu nhập cổ phi u v ay đổi GDP Các thuộ í y đ ợc tóm tắt Bảng Nghiên cứu y đ ợc thực theo trình tự sau: Bước một: Thống kê mơ tả thuộc tính đ ợc sử dụ để dự báo KQTC Bước hai: Sử dụng phân lớp thuật tốn C4.5 Adaboost cho tồn thuộc í đ ợ xá định thơng qua thẻ lệnh J48 thẻ lệ Adaboos M1 o ì WEKA 3.6.9 Từ đó, b v t kiểm định mức độ phù hợ , độ xác từ việc sử dụng mơ hình phân lớ để dự báo KQTC Các mức độ dự báo xác mơ hình cho bi độ khớp giá trị dự báo giá trị quan sát thực t N u mứ độ dự báo xác lớn mơ hình phù hợp Bước ba: Do có số thuộc tính khơng động hoặ động rấ í đ n q trình phân lớp mơ hình cây, vi l ợt bỏ thuộc tính khỏi mẫu nghiên cứu để giảm độ nhiễu ă l ợt bỏ thuộc tính WEKA dựa bảng x p h ng Gain Ratio tất thuộ í Sau đó, p tục áp dụng thuật tốn C4.5 Adaboost phân lớp cho mẫu liệu sau k l ợt bỏ Bảng Mô tả thuộ í đ ợc sử dụng mơ hình Tên thuộc tính Nhóm số khả ă Kí hiệu Tỷ số tốn hành X1 Tỷ số tốn nhanh X2 Mơ tả thuộc tính Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Tên thuộc tính Kí hiệu tốn Vòng quay khoản phải thu X3 Tỷ lệ dòng tiền ho động nợ ngắn h n X4 Cấu Tỷ lệ nợ vốn chủ sở hữu (VCSH) trúc vốn Tỷ lệ tài sản cố đị ( SC ) ê vốn dài h n khả ă trả nợ Tỷ lệ dòng tiền ho động tổng nợ Nhóm số khả ă sinh lợi X6 X7 Biên lợi nhuận ròng X8 Biên thu nhập ho động X9 Tỷ lệ lợi nhuận ròng giá trị sổ sách vốn cổ phần X10 Tỷ lệ lợi nhuận ròng VCSH X11 Tỷ lệ thu nhập ho động giá trị sổ sách vốn cổ phần X12 Vòng quay tổng tài sản X13 Kỳ luân chuyển hàng tồn kho X14 Nhóm số ho t động Vò ă Nhóm số ă ởng X5 ă X15 ởng doanh thu X16 ởng tài sản X17 ởng thu nhập ho động X18 ởng lợi nhuận ròng X19 ă ă quay SC Mơ tả thuộc tính 55 56 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Tên thuộc tính ă Kí hiệu ởng VCSH X20 Tỷ lệ sở hữu Hộ đồng quản trị Các thuộc tính phi tài Xu Mơ tả thuộc tính ớng giá cổ phi u X21 X22 Thu nhập cổ phi u X23 Thực hành quản trị X24 Chỉ số quản trị doanh nghiệp CGI7 Xs GDPt - GDPt-1 ay đổi GDP Nguồn: Nhóm tác giả tự tổng hợp Kết nghiên cứu thảo luận Thống kê mô tả Bảng cung cấp thơng tin giá trị trung bình thuộc tính doanh nghiệp KQTC khơng KQTC Số liệu thống kê cho thấy có khác biệt rõ rệt giá trị trung bình doanh nghiệp KQTC không Q C ầu tiên, giá trị trung bình số thuộc nhóm khả ă a ố doanh nghiệ k Q C ao doanh nghiệp KQTC, cho thấy doanh nghiệp KQTC gặ k ó k ă o v ệc toán khoản nợ vay, khoản nợ ngắn h n Thứ hai, việc sử dụ đò bẩy tài doanh nghiệp KQTC cao số thể khả ă ả nợ doanh nghiệp KQTC thể không tốt công ty không KQTC Thứ ba, giá trị trung bình số thuộc nhóm khả sinh lợi doanh nghiệp KQTC thấ ất nhiều, cho thấy doanh nghiệp có ho động kinh doanh hiệu dễ xảy a Q C Thứ , nhóm số tăng trưởng doanh nghiệp KQTC thấ doa iệp không KQTC Ở thuộc tính phi tài chính, giá cổ phi u doanh nghiệ Q C ó xu ớng sụt giảm nhiều so với doanh nghiệp không KQTC, thu nhập cổ phiếu doanh nghiệp khơng KQTC có giá trị trung bình thấ doa ệp KQTC ă lực quản trị doanh nghiệp KQTC l doa ệp không KQTC Bảng Thống kê giá trị trung bình thuộc tính doanh nghiệp KQTC doanh nghiệp khơng KQTC Thuộc tính Doanh nghiệp khơng KQTC Doanh nghiệp KQTC Tổng thể doanh nghiệp X1 Tỷ số toán hành 2,751 1,193 2,515 X2 Tỷ số tốn nhanh 2,098 0,716 1,888 X3 Vòng quay khoản phải thu 10,974 7,502 10,447 X4 Tỷ lệ dòng tiền ho động nợ ngắn h n 0,254 0,033 0,220 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Thuộc tính Doanh nghiệp khơng KQTC Doanh nghiệp KQTC Tổng thể doanh nghiệp X5 Tỷ lệ nợ VCSH 1,158 7,863 2,176 X6 Tỷ lệ SC 0,412 0,732 0,460 X7 Tỷ lệ dòng tiền ho động tổng nợ 0,195 -0,007 0,164 X8 Biên lợi nhuận ròng 0,099 -0,275 0,042 X9 Biên thu nhập ho động 0,120 -0,265 0,061 X10 Tỷ lệ lợi nhuận ròng giá trị sổ sách vốn cổ phần 0,261 0,011 0,223 0,126 -0,329 0,057 0,297 0,036 0,258 X13 Vòng quay tổng tài sản 1,159 0,836 1,110 X14 Kỳ luân chuyển hàng tồn kho 2.581 12.093 4.025 X15 Vò 26,941 38,114 28,637 ê vốn dài h n X11 Tỷ lệ lợi nhuận ròng VCSH X12 Tỷ lệ thu nhập ho động giá trị sổ sách vốn cổ phần quay SC X16 ă ởng doanh thu 0,370 0,138 0,335 X17 ă ởng tài sản 0,237 0,102 0,216 X18 ă động ởng thu nhập ho t 1,775 0,548 1,589 X19 ă ởng lợi nhuận ròng 1,449 0,236 1,265 X20 ă ởng VCSH 0,335 -0,056 0,276 0,295 0,300 0,296 0,917 0,806 0,900 X23 Thu nhập cổ phi u 2.608 111 2.229 X24 Thực hành quản trị 40,008 34,916 39,235 3,69E+14 3,77E+14 3,70E+14 X21 Tỷ lệ sở hữu Hộ đồng quản trị X22 Xu Xs ớng giá cổ phi u T ay đổi GDP 57 Nguồn: Nhóm tác giả tự tổng hợp Kiểm định phù hợp mơ hình phân lớp dự báo kiệt quệ tài Thơng qua thẻ lệ J48 o trình WEKA 3.6.9 thực 10 thử nghiệm chéo vớ độ tin cậy cho trình cắt tỉa nhánh 0,25; mơ hình phân lớp dựa thuật ố C4.5 ó kí ớc 27 nút với 14 nút Thuậ oá Adaboos bổ sung thêm tr ng số 0,89 để thi t lập phân lớp với kí ớc 35 nút với 18 nút Sau l ợt bỏ lầ l ợt thuộc tính, vi t thu đ ợc k t gồm 10 thuộc tính có ả ởng đ n q trình dự báo mơ ì , đ ợc thể Bảng 58 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Bảng Các thuộc tính có ả đ n q trình dự báo KQTC Xếp hạng Thuộc tính Tên thuộc tính X5 Tỷ lệ nợ VCSH Giá trị thông tin 0,37023 Tỷ lệ sở hữu Hộ đồng quản trị X21 X20 X9 Biên thu nhập ho động 0,83900 X12 Tỷ lệ thu nhập ho động giá trị sổ sách vốn cổ phần 0,07812 X1 Tỷ số toán hành 0,07445 X6 Tỷ lệ SC 0,07072 X8 Biên lợi nhuận ròng 0,06425 X11 Tỷ lệ lợi nhuận ròng VCSH 0,05992 10 X2 Tỷ số toán nhanh 0,57720 ă 0,14011 ởng VCSH 0,10267 ê vốn dài h n Nguồn: Nhóm tác giả tự tổng hợp Sau k l ợt bỏ thuộc tính khơng tác động hoặ động rấ í đ n q trình phân lớ , kí ớc mơ hình phân lớp từ thuật tốn C4.5 giảm 23 nút với 12 nút lá, o k đó, mơ ì thuật tốn Adaboost l ă kí ớc lên 47 nút với 24 nút Mứ độ dự báo xác a mơ ì cải thiện (Bảng 5) Ở thuật oá C4.5 sau k l ợt bỏ số thuộc tính dự báo xác 93,4% doanh nghiệp Q C (ba đầu 92,8%); 99,4% mức dự báo xác cho doanh nghiệp không Q C (ba đầu l 99,3 %) ự, mơ hình phân lớp từ thuật tốn Adaboost sau k l ợt bỏ số thuộc tính mứ độ dự báo í xá l ao so vớ ba đầu, cụ thể mứ độ dự báo xác 99,5% cho doanh nghiệ k ô Q C (ba đầu 99,4%) dự báo xác 94,2% cho doanh nghiệp KQTC Do vậy, nghiên cứu sử dụng k t mơ hình phân lớp sau lo i bỏ số thuộ í để thực phân tích Ngồi ra, k t cho thấy mơ hình dự báo Q C có mứ độ dự báo xác 90%, hàm ý việc sử dụng mơ hình phân lớ để dự báo KQTC cho doanh nghiệp Việt Nam hoàn toàn phù hợp Bảng Mứ độ dự báo xác mơ hình phân lớp Mức độ dự báo xác Mơ hình Tồn thuộc tính Sau k l ợt bỏ số thuộc tính C4.5 Adaboost C4.5 Adaboost KQTC 92,80% 94,20% 93,40% 94,20% Không KQTC 99,30% 99,30% 99,40% 99,50% Ghi chú: C4.5, Adaboost thuật tốn sử dụng mơ hình phân lớp Nguồn: Nhóm tác giả tự tổng hợp Tổng thể 98,35% 98,49% 98,51% 98,67% Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Các k t nghiên cứu mơ hình sau l ợt bỏ số thuộ í đ ợc thể Bảng Ở mơ hình từ thuật toán C4.5 ch n số X5 (nợ vốn chủ sở hữu) thuộc tính quan tr ng nhấ để dự báo KQTC cho doanh nghiệ , đ ều cho thấy mứ độ sử dụ đò bẩy tài cơng ty lớn ị 3,3531 k doa nghiệ đ ợc dự báo KQTC Chỉ số X12 nhỏ -0,1642 X20 nhỏ -0,3757 hàm ý tỷ lệ thu nhập hoạt động giá trị sổ sách vốn cổ phần không vượt qua giá trị 0,1642 mức tăng trưởng vốn chủ sở hữu thấp giá trị -0,3757 doanh nghiệp v o ì ng KQTC Ngồi ra, doanh nghiệ ũ đ ợc xem có khả ă Q C ao doa ệp khác n u khả ă sinh lợi công ty thấp, cụ thể tỷ lệ lợi nhuận ròng vốn chủ sở hữu (X11) nhỏ trị 0,0586 doanh nghiệp có tỷ lệ thu nhập hoạt động giá trị sổ sách vốn cổ phần (X12) lớ -0,1642 tỷ lệ nợ vốn chủ sở hữu (X5) lớ 3,1224 Ở thuật tốn Adaboost tìm thấy số thể tăng trưởng vốn chủ sở hữu qua năm (X20) thuộc tính quan tr ng nhấ để dự báo KQTC, ti p theo thuộc tính X5 X11 K t cho thấy, với mức tăng trưởng vốn chủ sở hữu (X20) doanh nghiệp k ô đ đ ợc giá trị tối thiểu -0,3757, doanh nghiệp đ ợc dự báo l Q C, đ ều giống với dự báo thuật tốn C4.5 Ngồi ra, tăng trưởng vốn chủ sở hữu (X20) doanh nghiệp lớ 0,3757, doanh nghiệp v o Q C k đồng th i có tỷ lệ nợ vốn chủ sở hữu (X5) lớ 3,2136 v tăng trưởng vốn chủ sở hữu (X20) nhỏ 0,1805 p sau đó, u tỷ lệ lợi nhuận ròng vốn chủ sở hữu (X11) lớ 0,2 v tỷ lệ nợ vốn chủ sở hữu (X5) v ợt 4,3591; doanh nghiệp có khả ă Q C ao Bên c đó, doa ệp có khả ă KQTC tỷ lệ tài sản cố định vốn dài hạn (X6) tỷ số toán nhanh (X2) lần l ợ v ợt 1,32 0,6169 N vậy, mơ hình dựa thuật tốn cho thấy quy mơ vốn chủ sở hữu, đò bẩy tài chính, khả ă s lợi, khả ă tốn lầ l ợt số va ò quan tr ng việc dự báo KQTC công ty Việt Nam Với vốn chủ sở hữu doanh nghiệp sụt giảm qua ăm o thấy bất ổn trình ho động, báo hiệu khả ă v o Q C doanh nghiệ đa ă ao Thứ hai, doanh nghiệp có mứ độ nợ sử dụng cấu trúc vốn ao l m ă ủi ro tài doanh nghiệ k đủ tốn khoản lãi vay dễ xảy KQTC Thứ ba, doanh nghiệ Q C ng có tỷ lệ lợi nhuận ròng vốn chủ sở hữu thấ , đ ều cho thấy doanh nghiệp ho động hiệu doanh nghiệp khác Thứ , sản cố định doanh nghiệ đ ợc tài trợ khoản vay ngắn h n cho thấy không ổ định cấu trúc vốn doanh nghiệp nên dễ đối diện với KQTC Cuối cùng, khả ă a oá a ao ũ l m ă k ả ă xảy KQTC, biểu việc doanh nghiệp nắm giữ nhiều tài sản có tính khoản cao làm giảm hiệu sử dụng vốn doanh nghiệp Bảng K t dự báo mơ hình phân lớp Thuật tốn C4.5 Cấp Thuộc độ tính 59 Tên thuộc tính Ngưỡng phân lớp Kiệt quệ X5 Tỷ lệ nợ vốn chủ sở hữu > 3,3531 KQ X12 Tỷ lệ thu nhập ho động giá trị sổ sách vốn cổ phần ≤ -0,1642 KQ 60 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Thuật tốn Adaboost Cấp Thuộc độ tính Tên thuộc tính ă ởng vốn chủ sở hữu Ngưỡng phân lớp Kiệt quệ ≤ -0,3757 KQ X20 X5 Tỷ lệ nợ vốn chủ sở hữu > 3,1224 X11 Tỷ lệ lợi nhuận ròng vốn chủ sở hữu ≤ 0,0586 KQ X20 ≤ -0,3757 KQ X5 > 3,2136 X20 ≤ 0,1805 KQ X11 Tỷ lệ lợi nhuận ròng vốn chủ sở hữu ≤ 0,2000 KQ X5 Tỷ lệ nợ vốn chủ sở hữu > 4,3591 KQ X6 Tỷ lệ tài sản cố định vốn dài h n > 1,3200 KQ X2 Tỷ số toán nhanh > 0,6169 KQ ă ởng vốn chủ sở hữu Tỷ lệ nợ vốn chủ sở hữu ă ởng vốn chủ sở hữu Nguồn: Nhóm tác giả tự tổng hợp Ghi chú: KQ: kiệt quệ Đánh giá khả dự báo kiệt quệ tài mơ hình ể so sánh khả ă dự báo KQTC thuật tốn từ mơ hình cây, vi t sử dụng lầ l ợt tiêu chí K t Bảng cho thấy, diệ í d đ ng cong ROC (AUC) mơ hình từ thuật toán C4.5 AdaBoost lớ 0,9 ( ột 3); hệ số a a d v ần 1; mứ độ dự báo xác tổng thể gần Mặc dù giá trị AUC thuật toán C4.5 lớ chút so với thuật tốn Adaboost song, mứ độ dự báo xác tổng thể lẫn hệ số Kappa mơ hình từ thuật toán Adaboost cao C4.5, m ý uật tốn Adaboost có khả ă dự báo í xá v í ứng dụng thực tiễn tố C4.5 C í vậy, thuật ố Adaboos ê đ ợc u ê sử dụng mơ hình phân lớp nhằm dự báo KQTC cho doanh nghiệp Việt Nam Bảng Sức m nh dự báo mơ hình phân lớp Mơ hình Mức độ dự báo xác tổng thể Hệ số Kappa AUC C4.5 Adaboost 0,9851 0,9414 0,994 0,9867 0,9477 0,991 Nguồn: Nhóm tác giả tự tổng hợp Bằng việc sử dụng mơ hình phân lớp đ ợc xây dựng từ thuật toán Adaboost, vi u đ ợc k t phù hợp với tiêu chí nhận diện KQTC Cụ thể, thuộc tính dự báo KQTC cao tăng trưởng vốn chủ sở hữu (X20) (khi X20 nhỏ -0,3757 nhỏ 0,18058 doanh nghiệ đ ợc xác đị l v o Q C), m ý vốn chủ sở hữu doanh nghiệ đa ảm m nh, ho động sản xuất kinh doanh bị thua lỗ tổng số lỗ lũy k k n vốn chủ sở hữu bị sụt giảm ều phù hợp với tiêu chí doanh nghiệp bị hủy niêm y t bắt buộc tuyên bố phá sản dựa Quy ch niêm y t Ti p theo, n u tỷ Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 lệ lợi nhuận ròng vốn chủ sở hữu (X11) nhỏ oặc 0,2 tỷ lệ nợ vốn chủ sở hữu (X5) lớ 4,3591; doanh nghiệp có khả ă Q C, ù ợp với tiêu chí nhận diện doanh nghiệ v o KQTC số Zmijewski8 doanh nghiệ v ợt giá trị không số tỷ lệ nghịch với lợi nhuận ròng, khả ă tốn tỷ lệ thuận với mứ độ nợ doanh nghiệp Ngồi ra, doanh nghiệp có khả ă Q C k Tỷ lệ tài sản cố định vốn dài hạn (X6) lớ 1,32 ể không ổ định cấu trúc vốn doanh nghiệp ợ cho tài sản cố định khoản vay ngắn h n, tỷ số toán nhanh (X2) v ợt 0,6169 thể thi u hiệu việc sử dụng vố , l phát mơ hình phân lớ dù để dự báo KQTC t i Việt Nam K t y đồng tình với Kim Upneja (2014) vốn chủ sở hữu ó xu ớng giảm, mứ độ nợ ă ao, k ả ă a oá cao khả ă s l i kém, doanh nghiệp dễ v o Q C Bê đó, b v t cho thấy doanh nghiệp Việt Nam có xu ớng tài trợ tài sản cố định khoản nợ ngắn h n có nguy ơ vào KQTC Nhóm tác giả cho rằ đ ều bắt nguồn từ hai nguyên nhân: (1) mứ độ tài trợ nợ cấu trúc vốn doanh nghiệp cao, chí sử dụng nhiều nợ ngắn h để tài trợ cho tài sản cố định làm ă ủi ro tài làm khả ă toán khoản nợ doanh nghiệp, đặc biệt nhiều khoản nợ ngắn h đáo n lúc; (2) doanh nghiệp sử dụng vốn hiệu k ữ nhiều tài sản có tính khoản cao ho động sản xuất kinh doanh doanh nghiệp không hiệu n doanh nghiệp bị thua lỗ Kết luận Bài vi t cho thấy mơ hình phân lớp hồn toàn phù hợ để dự báo KQTC cho doanh nghiệp Việt Nam K t 61 chứng ủng hộ việc sử dụng mơ hình phân lớp dự báo KQTC, bên c nh mơ hình phân tích nghiên cứu eo đó, mơ hình phân lớp dựa thuật tốn Adaboost mơ hình phù hợ để dự báo KQTC cho k t dự báo xác 90% Các số tăng ởng vốn chủ sở hữu, nợ vốn chủ sở hữu, lợi nhuận ròng vốn chủ sở hữu ba thuộ í va ò quan tr ng việc dự báo KQTC doanh nghiệp K t vi t cho thấy doanh nghiệp Việt Nam th i gian nghiên cứu bị KQTC thực quy định tài trợ quy đị đầu k ô đú đắn xuất phát từ việc sử dụ đò bẩy tài q cao cấu trúc vốn doanh nghiệp kèm theo ho động sản xuất kinh doanh không hiệu Những chứng nghiên cứu y l sở khoa h c quan tr nhà quản trị tài xây dựng chi l ợc k ho ch tài o la doanh nghiệp Từ k t đ đ ợc cho thấy nhà quản trị tài cần: (1) thận tr quy định huy động nguồn tài trợ, khai thác triệ để nguồn vốn nội bộ, đặc biệt từ nguồn lợi nhuận giữ l i bên c nh giảm bớt chi phí sử dụng vốn doanh nghiệp mà h n ch việc sử dụng nguồn từ nợ vay, đặc biệt nợ ngắn h ; (2) a ă v ệc khai thác tài sản có tính khoả ao để nâng cao hiệu đầu ; (3) ng xuyên kiểm tra l i quy đị đầu để có chi l ợ đ ều chỉnh k ho ch kinh doanh kịp th ; (4) đ a mơ ì phân lớp dựa thuật tốn Adaboost vào phần mềm quản trị doanh nghiệ để ứng dụng việc dự báo sớm tình tr ng KQTC Trong la , để đ đ ợc k t tố , vi t ti p tục thử nghiệm cách thay bi n phi tài khác thử nghiệm đ ều kiệ k au, o bao gồm tình KQTC dẫ đ n nộ sản quay trở l i vớ đ ều kiện tài khỏe m nh 62 Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Chú thích: Vấn đề khớp liệu - Overfitting: xảy mơ hình q tập trung vào việ đú t tất đ ểm liệu tập huấn luyện t i, số đặ ê tập liệu t i Việ l i làm giảm khả ă dự đố í mơ hình tập liệu khác Vấn đề hộp đen - Black box problem: hệ thống cung cấp l i giải thích thích hợp cho câu trả l i mà mơ ì đ a a Cắt tỉa – prun: tố u óa q ì ân chia t o nút nhằm giảm thiểu tổn thất Thử nghiệm chéo – cross validation: kỹ thuật lấy l i mẫu sử dụng nhiều mẫu nhỏ huấn luyện nhiều mẫu thử nghiệm ngẫu nhiên từ tập liệu ba đầu Thử nghiệm éo đ ợ u ê sử dụ ủ thuật lấy mẫu hold-out mứ độ dự báo í xá đ ợ í í xá k ỡ mẫu nhỏ Phương pháp Tập hợp mơ hình – Ensemble: lo mơ ì model) đ ợc huấn luyệ độc lập Các thuật toán ì sở k au ây â lớp, SVM, Naive Bayes,… đ ợc tổng hợp từ nhiều mơ hình (weaker y dù để cải thiện cho nhiều lo i mơ Mơ hình số Zmijewski (Zmijewski, 1984) mơ tả xác suất kiệt quệ tài chính: P(B=1) = P(B*>0); B* = −4,3 – 4,5ROA + 5,7FINL – 0,004LIQ; o P(*): xác suất; B: n u doanh nghiệp KQTC, n u doanh nghiệp không KQTC; B*: số Zmijewski; ROA: thu nhập ròng/tổng tài sản; FINL: tổng nợ/tổng tài sản; LIQ: Tài sản ngắn h n/nợ ngắn h n; N u số Zmijewski doanh nghiệp cụ thể B* v ợt 0, doanh nghiệp đ ợc nhận diện KQTC Chỉ số Zmijewski cao, khả ă Q C lớn Chỉ số CGI ă ứ pháp luật Việt Nam, nguyên tắc quản trị doanh nghiệp Tổ chức Hợp tác Phát triển Kinh t thông lệ tốt Th giới, bao gồm ăm ội dung chính: Quyền cổ , đối xử bì đẳng với cổ , va ò bên liên quan, minh b ch công bố thông tin, trách nhiệm Hộ đồng quản trị Tổ chức Hợp tác Nguồn: Tổ chức Tài Quốc tế Ủy ban Chứng khoán Nhà nước hợp tác thực nhằm cải thiện công tác quản trị doanh nghiệp Việt Nam Vớ đ ều kiện Tỷ lệ nợ vốn chủ sở hữu (X5) lớ 3, 2136 Tài liệu tham khảo Alfa o, E., Gamez, M., & Ga a, N (2008b) “L ea d s m a a alys s ve sus adaboos fo fa lu e fo e as Spanish Journal of Finance and Accounting, 37(137), 13-32 ” Alfa o, E., Ga a, N., Gamez, M., & Elzo do, D (2008a) “Ba k u y fo e as Adaboos a d eu al e wo ks” Decision support system, 45(1), 110-122 of Altman, E I (1968) “F a al Ra os, D s Journal of Finance, 23(4), 589-609 m a A alys s a d e P ed :a empirical comparison o of Co o a e Ba k u y” The Altman, E I., & Hotchkiss, E (2005) Corporate financial distress and bankruptcy: Predict and avoid bankruptcy, analyze and invest in distressed debt (3rd ed) NJ: John Wiley & Sons Al ma , E., Saba o, G., & W lso , N (2010) “ e value of o -financial information in small and medium - sized e e se sk ma a eme ” Journal of Credit Risk, 6(2), 95-127 Andrade, G., & a la , S (1998) “How os ly s f a al ( o e o om ) d s ess? Ev de e f om leve a ed a sa o s a be ame d s essed” The Journal of Finance, 53(5), 1143-1493 ly Ball, R., & Fos e , G (1982) “Co o a e f a al e o Journal of Accounting Research, 20, 161–248 ” Bas os, J (2008) “C ed s o w boos ed de s o : a me odolo al ev ew of em ees” Munich Personal RePEc Archive, 8156 al esea Huỳnh Thị Cẩm Hà cộng Tạp chí Khoa học Đại học Mở Thành phố Hồ Chí Minh, 56(5), 49-63 Beave , W H (1966) “F a al a os as ed o s of fa lu e, em Journal of Accounting Research, 5, 71-111 De s, D., & De s D (1995) “Causes of f a Financial Economics, 37, 129-157 al d s ess follow al esea leve a ed a ou e a 63 : Sele ed s ud es” al za o s” Journal of Fitzpatrick, P (1931) Symptoms of Industrial Failure Catholic University of America Press Freund, Y., & Schapire, R (1996) Experiments with a new boosting algorithm Proceedings of the Thirteenth International Conference on Machine Learning, Morgan Kauffman, San Francisco He, Q., C o , , L , L., & Z a , J (2010) “A om e Management, 39(4), 1697–1718 sks a alys s of o o a e su v val”.Financial Huarng, K., Yu, H., & Chen, C (2005) The application of decision trees to forecast financial distress companies Proceedings of International Conference on Intelligent Technologies and Applied Statistics, Taipei, Taiwan m, S., & U eja, A (2014) “P ed es au a f a ee models” Economic Modelling, 36, 354-362 o s a s, S., w ma al d s ess us de s o ee a d adaboosted decision ouma akos, E., zele s, D., & am akas, V (2006) “P ed f audule f a e lea e ques” Lecture Notes in Artificial Intelligence, 3955, 538-542 Moses, D., & Liao, S (1995) “O develo Lending, 69 (7), 27-38 models fo fa lu e ed o ” The Journal of Commercial Bank Munsif, V., Raghunandan, D., Rama, V., & Singhvi, M (2011) “Aud fees af e weak esses” Accounting Horizons, 25(1), 87-105 O lso , J A (1980) “F a al a os a d Research, 18(1), 109-131 e obab l s ed al s a eme s emed a o of o of ba k u e al o ol y” Journal of Accounting Quinlan, J (1996) Bagging, boosting, and C4.5 Proceedings, Fourteenth National Conference on Artificial Intelligence and the Eighth Innovative Applications of Artificial Intelligence Conference AAAI Press/MIT Press, Menlo Park, 725–730 S a a, C (1998) “F a al a os as ed o s of ba k u y Ja a : a em al esea ” P o eed Second Asian Pacific Interdisciplinary Research in Accounting Conference, Osaka, Japan u e sky, H., & M Ew , R A (2001) “A em al ves a o of f m lo ev y: A model of the b ed o s of f a al d s ess” Review of Quantitative Finance and Accounting, 16, 323-343 W ake , R (1999) “ e ea ly s a es of f a W u k, H (1990) “F a Economics, 27, 419-444 s of ex e ante al d s ess” Journal of Economics and Finance, 23(2), 123-133 al d s ess, eo a za o Zm jewsk , M (1984) “Me odolo al ssues ela ed o Journal of Accounting Research, 22, 59-86 a d o a za o al eff e y” Journal of Financial e es ma o of f a al d s ess ed o models”  ... hiểu khả ă sử dụng mơ hình phân lớp việc dự báo KQTC cho doanh nghiệp Việt Nam, thể qua mục tiêu cụ thể sau: (i) kiểm định phù hợp mơ hình phân lớp dự báo KQTC cho doanh nghiệp Việ Nam, ( ) xá... ă dự báo í xá v í ứng dụng thực tiễn tố C4.5 C í vậy, thuật oá Adaboos ê đ ợc u ê sử dụng mơ hình phân lớp nhằm dự báo KQTC cho doanh nghiệp Việt Nam Bảng Sức m nh dự báo mơ hình phân lớp Mơ hình. .. để dự báo KQTC cho doanh nghiệp Việt Nam K t 61 chứng ủng hộ việc sử dụng mơ hình phân lớp dự báo KQTC, bên c nh mơ hình phân tích nghiên cứu eo đó, mơ hình phân lớp dựa thuật tốn Adaboost mơ hình