Dự báo rủi ro phá sản của doanh nghiệp có ý nghĩa quan trọng trong việc đưa ra các quyết định đối với chủ doanh nghiệp, chủ nợ, nhà đầu tư và các cơ quan quản lý, giúp thực hiện giám sát và cảnh báo sớm sức khỏe tài chính của doanh nghiệp. Các mô hình dự báo thống kê truyền thống và các mô hình thông minh hiện đại dựa trên kỹ thuật máy học được phát triển để dự báo tương đối chính xác về rủi ro phá sản của các doanh nghiệp. Tuy nhiên, hiệu suất dự báo của các mô hình này phụ thuộc vào các biến số dự báo được đưa vào mô hình theo quan điểm chủ quan của người thực hiện. Bài viết đánh giá khả năng ứng dụng phương pháp lựa chọn biến chủ động dựa trên dữ liệu LASSO (Least Absolute Shrinkage and Selection Operator) để nâng cao hiệu suất dự báo rủi ro phá sản của các doanh nghiệp Việt Nam. Kết quả nghiên cứu thực nghiệm trên 284 doanh nghiệp Việt Nam giai đoạn 2017-2019 cho thấy, khi kết hợp với phương pháp LASSO đế lựa chọn biến dự báo phù hợp giúp nâng cao hiệu suất của các mô hình dự báo so với việc không thực hiện lựa chọn biến dự báo phù hợp. Kết quả này có nghĩa cao hơn với các mô hình thông minh., Tóm tắt tiếng anh, Corporate bankruptcy risk prediction has important implications to the corporate owners, lenders, investors and regulators in their supervision, decision making, which provides early warning indicators to the firm's financial strength. Several statistical and machine-learning based models have been developed to predict the corporate bankruptcy risks, however, the performance of these models largely depends on the arguably choice of the predictors. In this study, we examine the potentials of the popular variable selection method, namely LASSO (Least Absolute Shrinkage and Selection Operator) to improve the predicting ability of the corporate bankruptcy risks in Vietnam. Using data sample from 284 Vietnamese companies in period 2017- 2019, our study shows that the use of the LASSO technique to ex-ante select suitable predictors significantly improve the forecasting power of the prediction models, especially for the machine-learning based models in correctly identifying bankrupted firms in the testing sample.