Trong quản trị rủi ro tín dụng hiện nay, dự báo rủi ro vỡ nợ (RRVN) là yếu tố quan trọng trong chiến lược hoạch định của các tổ chức tài chính. Nhóm tác giả đã xây dựng mô hình dự báo RRVN cho doanh nghiệp nhỏ và vừa (SMEs) tại Việt Nam từ 2010 đến 2022, sử dụng các phương pháp học máy như hồi quy Logistic (LR), cây quyết định, XGBoost và mạng nơ-ron nhân tạo (ANN). Hiệu suất của mỗi mô hình được đánh giá qua các chỉ số từ ma trận nhầm lẫn như điểm số F1 và độ chính xác (ACC). Kết quả cho thấy mô hình cây quyết định, XGBoost và ANN có hiệu suất vượt trội so với mô hình LR. Đặc biệt, mô hình ANN đạt điểm F1 là 0.756 và ACC là 0.9345 trên bộ dữ liệu xác thực, chứng minh khả năng dự báo vượt trội. Điều này cho thấy phương pháp dựa trên ANN có tiềm năng lớn trong việc nhận diện khách hàng có rủi ro vỡ nợ cao, qua đó tối ưu hóa quy trình quản lý rủi ro tín dụng. Ngoài ra, 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. Trong tương lai, các nghiên cứu có thể áp dụng kỹ thuật điều chỉnh hyperparameter tiên tiến và bao gồm một bộ đặc trưng rộng lớn hơn để tối ưu hóa mô hình.