Khả năng giải thích cho các mô hình học máy (MHHM) đang trở nên ngày càng quan trọng, đặc biệt trong lĩnh vực quản trị rủi ro. Nghiên cứu này sử dụng phương pháp SHAP và LIME để giải thích kết quả dự báo vỡ nợ từ MHHM XGBoost trên bộ dữ liệu các doanh nghiệp niêm yết tại Việt Nam giai đoạn 2018–2023. Kết quả cho thấy SHAP đã xác định được các yếu tố quan trọng có tác động mạnh đến kết quả dự báo như tỷ lệ bao phủ lãi (interest coverage ratio), tỷ lệ lợi nhuận giữ lại trên tổng tài sản, tỷ lệ dòng tiền trên lãi suất, hệ số tiền mặt, tỷ lệ nợ trên tổng tài sản, quy mô doanh nghiệp, và đồng thời nghiên cứu cũng mô tả được mối quan hệ phi tuyến của các tác động này thông qua giá trị SHAP. Bên cạnh đó, nhóm tác giả sử dụng LIME để giải thích các yếu tố tác động lên một đối tượng vỡ nợ cụ thể và cho thấy sự phù hợp giữa kết quả dự báo với tình hình thực tế của doanh nghiệp.The explainability of machine learning models is becoming increasingly important, especially in the field of risk management. In this study, we utilized the SHAP and LIME methods to explain the default prediction results from the XGBoost machine learning model on a dataset of listed companies in Vietnam from 2018 to 2023. The results indicated that SHAP identified significant factors such as the interest coverage ratio, the retained earnings to total assets ratio, the cash flow to interest ratio, the cash ratio, the debt to total assets ratio, and the size of the company as having a strong impact on the prediction outcomes and also described the nonlinear relationship of these impacts through SHAP values. Additionally, LIME was used to explain the factors affecting a specific default case and showed the alignment of the prediction results with the actual situation of the company.