Nghiên cứu này xây dựng mô hình dự báo rủi ro vỡ nợ cho doanh nghiệp nhỏ và vừa (SMEs) tại Việt Nam bằng cách sử dụng các phương pháp học máy như hồi quy Logistic (LR), Cây quyết định, XGBoost và Mạng nơ-ron nhân tạo (ANN). Dữ liệu được thu thập từ báo cáo tài chính của các doanh nghiệp vay vốn tại các ngân hàng thương mại và các công ty niêm yết trên thị trường tài chính Việt Nam trong giai đoạn 2010-2022. Hiệu suất của các mô hình được đánh giá qua các chỉ số như điểm F1 và độ chính xác (ACC). Kết quả cho thấy Cây quyết định, XGBoost và ANN vượt trội hơn so với LR. Đặc biệt, ANN đạt điểm F1 là 0,756 và ACC là 0,9345 trên bộ dữ liệu xác thực, chứng minh khả năng dự báo xuất sắc. Phương pháp ANN có tiềm năng lớn trong việc nhận diện khách hàng có rủi ro vỡ nợ cao, giúp tối ưu hóa quy trình quản lý rủi ro tín dụng. 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. Tương lai, các nghiên cứu có thể áp dụng kỹ thuật điều chỉnh hyperparameter tiên tiến và mở rộng bộ đặc trưng để tối ưu hóa mô hình.This study develops a model for predicting default risk (DR) for small and medium-sized enterprises (SMEs) in Vietnam using machine learning methods such as Logistic Regression (LR), Decision Trees, XGBoost, and Artificial Neural Networks (ANN). The data is collected from the financial statements of enterprises borrowing from commercial banks and companies listed on the Vietnamese financial market from 2010 to 2022. The performance of the models is evaluated using metrics such as the F1 score and accuracy (ACC). Results show that Decision Trees, XGBoost, and ANN outperform LR. Specifically, ANN achieves an F1 score of 0.756 and an ACC of 0.9345 on the validation dataset, demonstrating excellent predictive capability. The ANN method has significant potential in identifying high-risk customers, thereby optimizing the credit risk management process. The study also identifies key predictive variables, providing insights for developing more effective DR models. Future research could apply advanced hyperparameter tuning techniques and expand the feature set to optimize the model further.