Tải bản đầy đủ (.pdf) (3 trang)

Ứng dụng học máy dự báo nguy cơ phá sản của doanh nghiệp

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (193.89 KB, 3 trang )

Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3

ỨNG DỤNG HỌC MÁY DỰ BÁO NGUY CƠ PHÁ SẢN
CỦA DOANH NGHIỆP
Đặng Thị Thu Hiền
Khoa Công nghệ thông tin - Trường Đại học Thủy lợi, email:

1. GIỚI THIỆU CHUNG

Hội nhập kinh tế sâu rộng mang đến cho
các doanh nghiệp nhiều cơ hội, song cũng
khơng ít thách thức trong hoạt động kinh
doanh. Sự cạnh tranh khốc liệt trên thương
trường làm cho khơng ít doanh nghiệp phải
điêu đứng, thua lỗ dẫn đến nguy cơ đối diện
với phá sản, kéo theo nhiều hệ lụy cho bản
thân doanh nghiệp, những đối tác liên quan
và cho cả nền kinh tế. Vì vậy, việc phân tích
dự báo rủi ro phá sản trong các doanh nghiệp
có ý nghĩa vơ cùng quan trọng.
Có rất nhiều cơng cụ, mơ hình phân tích rủi
ro phá sản của doanh nghiệp. Mỗi mơ hình
đều có những ưu nhược điểm nhất định. Tại
Việt Nam việc nghiên cứu và ứng dụng những
mô hình tiên tiến vào việc phân tích rủi ro phá
sản của doanh nghiệp mang đặc điểm của
“Việt Nam” cũng chưa có nhiều. Có một số
nghiên cứu dựa trên các mơ hình phân tích có
sẵn của các sản phẩm thương mại, một số
khác thì dùng những cơng cụ đơn giản.
Bài báo đã nghiên cứu đề xuất xây dựng


mơ hình dự báo về nguy cơ phá sản của
doanh nghiệp tại Việt Nam ứng dụng học
máy (Machine learning), cụ thể hơn là mạng
nơ-ron nhân tạo (ANN-Artificial Neural
Network). Hy vọng bài báo sẽ đem đến một
cách tiếp cận mới mẻ và cụ thể hơn cho
trường hợp đặc điểm các doanh nghiệp tại
Việt Nam.

sản có thể đang ở mức báo động đỏ: 1. Thiếu
hụt tiền mặt liên tục; 2. Bán hoặc không đủ
khả năng duy trì phương tiện sản xuất chủ
chốt, sản phẩm chính; 3. Hệ thống kế tốn và
báo cáo tài chính yếu kém; 4. Giấu nợ; 5.
Rắc rối xuất hiện liên tục; 6. Truyền thông
doanh nghiệp tệ hại; 7. Hoạt động kinh
doanh thiếu trung thực, phi đạo đức; 8.
Doanh thu sụt giảm, hàng tồn kho luân
chuyển chậm; 9. Nhân viên mất tinh thần làm
việc, nhân viên chủ chốt ra đi; 10. Thay đổi
kiểm tốn viên, hoặc có cảnh báo rủi ro Hoạt
động liên tục; 11. Cổ đông lớn, nội bộ hoặc
cổ đông tổ chức liên tục bán cổ phiếu.
Như vậy dựa trên một số những thông số
trên cũng như sự biến đổi của các thơng số
đó, chúng ta cần thiết phải dự báo được nguy
cơ phá sản của Doanh nghiệp.
2.2. Mơ hình học máy - mạng nơ-ron
nhân tạo
Mỗi nơ-ron nhân tạo gồm có các thành

phần sau: Tập các đầu vào: Là các tín hiệu
vào (input signals) của nơ-ron. Tập các liên
kết: Mỗi liên kết được thể hiện bởi một trọng
số (gọi là trọng số liên kết – Synaptic weight).
Bộ tổng (Summing function). Ngưỡng (còn
gọi là một độ lệch - bias. Hàm truyền
(Transfer f unction): Hàm này được dùng để
giới hạn phạm vi đầu ra của mỗi nơ-ron. Đầu
ra: Là tín hiệu đầu ra của một nơ-ron.

Mạng Nơ-ron nhân tạo
Mạng Nơ-ron nhân tạo (Artificial Neural
2.1. Bài toán Doanh nghiệp phá sản
Network - ANN) là một mơ hình xử lý thơng
Theo nghị định 189/CP: Nếu một công ty tin phỏng theo các hệ Nơ-ron sinh học. Nó
có đẩy đủ 11 dấu hiệu này thì tình hình phá được tạo lên từ các Nơ-ron kết nối với nhau
2. PHƯƠNG PHÁP NGHIÊN CỨU

205


Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3
n
thông qua các liên kết (gọi là trọng số liên
(2)
E

 (t(xi ,w )  y(xi ))2
kết) làm việc như một thể thống nhất để giải
i 1

quyết một vấn đề cụ thể nào đó.
trong đó: t (xi , w): giá trị của tập mẫu
Một mạng Nơ-ron nhân tạo được xây dựng
y (xi ): giá trị kết xuất của mạng
cho một ứng dụng cụ thể thông qua một quá
Bước 1: Xác định giá trị Err (lỗi)
trình học từ tập các mẫu huấn luyện. Về bản
Err = T – Y (T: đầu ra mong muốn, Y: đầu
chất học chính là q trình hiệu chỉnh trọng số ra của mạng)
liên kết giữa các Nơ-ron. Có nhiều loại mạng
Nếu Err > 0 thì tăng Y
Nơ-ron khác nhau, trong bài báo này chúng
Ngược lại: giảm Y
tôi tập trung vào mạng Nơ-ron truyền thẳng
Bước 2: Cập nhật giá trị ma trận trọng số
nhiều lớp MLP (Multilayer Perceptron).
Wj =Wj + *xj *Err. ( là hệ số học)
Bước 3: Lặp lại bước 1 và bước 2 cho đến
khi Err < ε thì dừng.

3. KẾT QUẢ NGHIÊN CỨU

3.1. Dữ liệu thực nghiệm
Ứng dụng dự báo doanh nghiệp phá sản là
bài tốn lớn. Trong phạm vi bài báo này
chúng tơi thu nhỏ bài tốn áp dụng cho một
Hình 1. Mạng Nơ-ron MLP
số doanh nghiệp của tỉnh Hưng Yên và cụ thể
Kiến trúc của một mạng MLP tổng quát có số liệu được sử dụng đến ở đây là Báo cáo tài
chính của các doanh nghiệp tỉnh Hưng n

thể mơ tả như sau:
- Đầu vào là các vector (x1, x2, ..., xp) qua các năm từ năm 2014 đến năm 2016.
Lựa chọn tham số đầu vào: Có nhiều tham
trong khơng gian p chiều, đầu ra là các vector
số, tuy nhiên trong khuôn khổ dữ liệu thu
(y1, y2, ..., yq) trong không gian q chiều.
- Mỗi Nơ-ron thuộc tầng sau liên kết với được chúng tôi lựa chọn các tham số sau:
tất cả các Nơ-ron thuộc tầng liền trước nó. 1) Tổng tài sản doanh nghiệp; 2) Số nợ phải
- Đầu ra của Nơ-ron tầng trước là đầu vào trả; 3) Doanh thu; 4) Lưu chuyển tiền tệ qua
hoạt động kinh doanh; 5) Nguồn vốn [2].
của Nơ-ron thuộc tầng liền sau nó.
Hoạt động của mạng MLP: tại tầng đầu
3.2. Đề xuất thiết kế xây dựng mơ hình
vào các Nơ-ron nhận tín hiệu vào xử lý (tính
Sơ đồ xây dựng mơ hình dự báo dùng
tổng trọng số, gửi tới hàm truyền) rồi cho ra
kết quả (là kết quả của hàm truyền); kết quả mạng nơ-ron nhân tạo
này sẽ được truyền tới các Nơ-ron thuộc tầng
ẩn thứ nhất; các Nơ-ron tại đây tiếp nhận như
là tín hiệu đầu vào, xử lý và gửi kết quả đến
tầng ẩn thứ 2;…; quá trình tiếp tục cho đến
khi các Nơ-ron thuộc tầng ra cho kết quả.
Để tiện cho việc trình bày, ta ký hiệu y là
giá trị kết xuất của mạng Nơ-ron, t là giá trị ra
mong muốn, e là sai lệch giữa hai giá trị này:
e=t–y
(1)
Thuật tốn học BP (Back - Propagation)
Hình 2. Sơ đồ xây dựng mơ hình dự báo
Thuật tốn này dùng để điều chỉnh các

dùng mạng Nơ-ron
trọng số kết nối sao cho tổng sai số E nhỏ nhất.
206


Tuyển tập Hội nghị Khoa học thường niên năm 2018. ISBN: 978-604-82-2548-3

Xây dựng mơ hình nơ-ron gồm 2 lớp là một
lớp ẩn và một lớp ra. Đầu vào của mô hình
nơ-ron là 5 tham số ảnh hưởng chính đến khả
năng phá sản của doanh nghiệp. Số nơ-ron
trên lớp ẩn (thử nghiệm từ 2-28). Hàm truyền
sử dụng trên lớp ẩn là hàm logsigmoid, lớp ra
là hàm tanhyperbol. Tham số đầu ra là một
nơ-ron biểu diễn khả năng tồn tại nguy cơ phá
sản của doanh nghiệp (< 0.5).

Chúng tôi tiếp tục thử nghiệm so sánh với
kỹ thuật sử dụng hệ số Z-core do Edward
I.Altman đề xuất. Ở Hoa Kỳ, chỉ số Z-score
đã dự đốn tương đối chính xác tình hình phá
sản của các doanh nghiệp trong tương lai
gần. Có khoảng 95% doanh nghiệp phá sản
được dự báo nhờ Z-score trước ngày thực sự
phá sản một năm, nhưng tỷ lệ này giảm
xuống chỉ còn 74% cho những dự báo trong
vòng 2 năm. Khi chạy với hệ số Z-score thì
nếu Z-score<=1.81 Doanh nghiệp có vấn đề
nghiêm trọng về tài chính; 1.81Doanh nghiệp khơng có vấn đề trong ngắn

hạn, tuy nhiên cần phải xem xét điều kiện tài
chính một cách thận trọng; Z-score>=2.99
Doanh nghiệp có tài chính lành mạnh.
Hình 3. Mơ hình mạng nơ-ron dự báo
Nhận xét: Kết quả thực nghiệm dựa trên
30% dữ liệu kiểm tra cho thấy, hai mơ hình
3.3. Kết quả thực nghiệm
mạng nơ-ron và Z-score đều cho những kết
Thực hiện trên bộ dữ liệu của các doanh quả tương đồng về doanh nghiệp có nguy cơ
nghiệp của tỉnh Hưng Yên gồm hơn 100 phá sản (giá trị bơi đậm). Mơ hình mạng nơdoanh nghiệp. Chúng tôi chia tập dữ liệu ron sẽ linh động hơn khi ta có thể điều chỉnh
training chiếm 70%, còn tập Testing chiếm các tham số.
30%. Chúng tôi chạy với các thử nghiệm về
số lượng nơ-ron ẩn, chọn hàm truyền. Cuối 4. KẾT LUẬN
cùng với số lượng nơ-ron ẩn là 20 và với hàm
Bài báo đã trình bày về tình hình phá sản
truyền là làm sigmoid là cho kết quả khả của doanh nghiệp. Ứng dụng kỹ thuật học
quan nhất.
máy tiên tiến bước đầu áp dụng vào bài toán
thực tế. Cụ thể là sử dụng mạng nơ-ron nhân
Bảng 1. Dự báo nguy cơ phá sản
tạo để dự báo nguy cơ phá sản, kết quả thực
của doanh nghiệp năm 2017
nghiệm cho thấy mơ hình dự báo tương đối
dùng mạng nơ-ron và hệ số Z-score
tốt. Ngồi ra chúng tơi còn so sánh với
ID Doanh Dự báo dùng Dự báo dùng Z- phương pháp dùng hệ số Z-core, điều đó
nghiệp
Nơ-ron
score
càng khẳng định việc dùng mơ hình học máy

có nhiều hứa hẹn. Trong thời gian tới chúng
DN1
0.99997
3.295189087
tôi sẽ tiếp tục thử nghiệm với một số mơ hình
DN2
0.000191
1.328989384
tiên tiến khác.
DN3

0.85696

3.024387540

DN4

0.743864

3.497594765

5. TÀI LIỆU THAM KHẢO

DN5

0.178934

1.636875463

DN6


0.683453

2.438456633

DN7

0.976835

3.598735223

DN8

0.000567

1.498734563

DN9

0.724344

2.898434333

DN10
DN11

0.835437
0.796325

3.198745468

2.899365323

[1] Đặng Thị Thu Hiền (2008) Tài liệu về mạng
Neural nhân tạo.
[2] Dữ liệu của Cục Thuế tỉnh Hưng Yên (2016)
[3] Christos Stergiou and Dimitrios Siganos.
Neural Networks.
/>urnal/vol4/cs11/report.html.
[4] />207



×