GIỚI THIỆU CHUNG VỀ NGHIÊN CỨU ỨNG DỤNG MÔ HÌNH
Mục đích nghiên cứu
Nghiên cứu này tập trung vào vai trò quan trọng của quản trị rủi ro tín dụng và việc cải thiện hệ thống xử lý tín dụng cho khách hàng doanh nghiệp tại các ngân hàng thương mại hiện nay Mô hình định lượng sẽ được áp dụng để kiểm chứng tính khả thi và hiệu quả của nó trong việc xử lý tín dụng tại Việt Nam.
Mô hình Logistic là một trong những phương pháp kinh tế lượng phổ biến toàn cầu, đặc biệt trong việc đo lường rủi ro tín dụng đối với khách hàng doanh nghiệp vay vốn ngân hàng Nghiên cứu cho thấy mô hình này có thể áp dụng hiệu quả tại các quốc gia có tỷ lệ doanh nghiệp vừa và nhỏ cao Tuy nhiên, hiện tại, các ngân hàng thương mại Việt Nam vẫn chỉ đang ở giai đoạn nghiên cứu sơ bộ và thử nghiệm, chưa triển khai rộng rãi Khóa luận này được thực hiện với mục đích nghiên cứu sâu hơn về ứng dụng của mô hình Logistic trong lĩnh vực ngân hàng.
Bài viết này làm rõ các vấn đề lý luận và thực tiễn liên quan đến công tác XHTD nội bộ, đồng thời ứng dụng mô hình Logistic để nâng cao hiệu quả XHTD Nó cũng kiểm định tính chính xác của mô hình Logistic trong việc đo lường và dự báo rủi ro vỡ nợ của khách hàng trong vòng một năm tới, cũng như trong việc XHTD các doanh nghiệp Việt Nam Mục tiêu là củng cố niềm tin của các nhà quản trị ngân hàng vào độ tin cậy của mô hình này.
– So sánh kết quả thu được với kết quả của các nghiên cứu trước
– Đƣa ra các khuyến nghị để việc áp dụng mô hình Logistic tại Việt Nam trở nên hiệu quả hơn
Thông qua khóa luận, chúng ta sẽ trả lời đƣợc các câu hỏi nghiên cứu sau:
Hiệu quả đo lường RRTD của mô hình Logistic đối với các doanh nghiệp Việt Nam cho thấy khả năng vỡ nợ trong vòng một năm tới của các doanh nghiệp này.
(2) Mô hình này có những ƣu, nhƣợc điểm gì và có thể khắc phục đƣợc phần nào các khó khăn trong việc ứng dụng mô hình này hay không?
(3) Những điều kiện cần thiết nào mà ngân hàng cần có để phát huy thế mạnh của mô hình Logistic?
Đối tƣợng và phạm vi nghiên cứu
Nhiều nhà kinh tế trong và ngoài nước đã nghiên cứu ứng dụng mô hình Logistic trong xếp hạng tín dụng, xuất phát từ lý thuyết chung về XHTD nhưng với đối tượng và phạm vi nghiên cứu khác nhau, dẫn đến kết quả và giá trị ứng dụng khác biệt Để tiếp cận các mô hình nghiên cứu hiệu quả, cần có nguồn thông tin về doanh nghiệp vay vốn từ NHTM, tuy nhiên, thông tin khách hàng của ngân hàng luôn được bảo mật Do chỉ là một bài nghiên cứu sinh viên, tôi đã lựa chọn mẫu nghiên cứu với đối tượng và phạm vi phù hợp.
Mẫu nghiên cứu: gồm các DN được niêm yết trên thị trường chứng khoán Việt Nam, có đầy đủ thông tin tài chính đƣợc cập nhật
Các chỉ tiêu tài chính được tính toán từ báo cáo tài chính đã được kiểm toán hoặc soát xét năm 2012 và 2013, do các doanh nghiệp công bố, cung cấp cái nhìn tổng quan về tình hình hoạt động và năng lực tài chính hiện tại của doanh nghiệp Những thông tin này rất quan trọng để dự báo rủi ro cho năm tới.
Mô hình thống kê Logistic được áp dụng để xếp hạng tín dụng và phát triển các phần mềm thống kê, cùng với các kiểm định liên quan, nhằm xây dựng mô hình ước lượng và dự báo khả năng vỡ nợ của các doanh nghiệp trong mẫu nghiên cứu.
CƠ SỞ LÝ THUYẾT VỀ XẾP HẠNG TÍN DỤNG KHÁCH HÀNG
Một số nghiên cứu trước đây
Trong hơn bốn mươi năm qua, các nhà kinh tế đã liên tục nghiên cứu và thay thế các mô hình thống kê để đo lường rủi ro vỡ nợ và nguy cơ thua lỗ của khách hàng vay vốn ngân hàng Nổi bật trong số đó là các công trình của Beaver (1967) và Altman (1968), với việc phát triển các mô hình đơn biến và đa biến để dự báo thất bại doanh nghiệp dựa trên các chỉ tiêu tài chính Phương pháp phân tích khác biệt đa nhân tố (MDA) do Altman đề xuất đã giải quyết những mâu thuẫn trong phân tích đơn biến của Beaver, trở thành kỹ thuật thống kê phổ biến trong các mô hình dự báo vỡ nợ.
Trong các nghiên cứu tiếp theo, nhiều tác giả đã chỉ ra rằng các giả định cơ bản của phương pháp MDA thường bị vi phạm, điều này đã thúc đẩy nhà kinh tế Zmijewski (1984) tiên phong sử dụng mô hình Probit trong dự báo vỡ nợ Tuy nhiên, phân tích Logit hiện vẫn được công nhận là hiệu quả hơn Probit Ohlson (1980) là người đầu tiên áp dụng mô hình Logit để nghiên cứu dự báo nguy cơ vỡ nợ của khách hàng, nhấn mạnh rằng mô hình Logistic không yêu cầu các giả định hạn chế như MDA và có thể áp dụng cho các mẫu không cân đối Ohlson đã sử dụng dữ liệu từ 105 công ty bị phá sản và 2,058 công ty không bị phá sản, thu thập từ cơ sở dữ liệu Compustat trong giai đoạn 1970-1976, dựa trên chín biến dự báo, bao gồm bảy tỷ lệ tài chính và hai biến nhị phân Tuy nhiên, độ chính xác và hiệu suất phân loại của mô hình này vẫn thấp hơn so với mong đợi.
3 Beaver, W., „Financial Ratios as Predictors of Failure‟, Journal of Accounting Research, Vol 4, (Supplement),
4 Altman, E I., „Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy‟, Journal of Finance, Vol 23, No 4, 1968
5 Zmijewski, M E., „Methodological Issues Related to the Estimation of Financial Distress Prediction Models‟, Journal of Accounting Research, Vol 22, No 3 (Supplement), 1984
In his 1980 article "Financial Ratios and the Probabilistic Prediction of Bankruptcy," published in the Journal of Accounting Research, J Ohlson explores the effectiveness of financial ratios in predicting bankruptcy This study builds on prior research utilizing Multiple Discriminant Analysis (MDA), notably the work of Altman in 1968 and his collaborators.
Mô hình Logistic, với những đặc điểm nổi bật trong việc đo lường rủi ro, đã tạo ra nền tảng vững chắc cho các nghiên cứu tiếp theo từ năm 1977.
Nghiên cứu “Modeling Credit Risk for SMEs: Evidence from the U.S Market” năm 2007 của Edward I Altman và Gabriele Sabato
Altman và Sabato đã tiến hành nghiên cứu nhằm phát triển một mô hình dự báo vỡ nợ đặc thù cho các doanh nghiệp vừa và nhỏ (SME) Nghiên cứu này cũng phân tích hiệu quả của mô hình mới so với mô hình chung áp dụng cho tất cả các doanh nghiệp.
Hai tác giả muốn đánh giá khả năng của mô hình trong việc giảm nhu cầu vốn ngân hàng cho các doanh nghiệp vừa và nhỏ (SME) theo các quy định mới của Hiệp ước vốn Basel II.
Công trình này đã có những cải tiến đáng kể so với các nghiên cứu trước đó, đặc biệt là việc áp dụng định nghĩa về SME theo Hiệp ước Basel mới, với doanh thu dưới $65.000.000, phù hợp với thời điểm Basel II sắp có hiệu lực Sử dụng kỹ thuật thống kê Logistic, các nhà kinh tế học đã xác định năm chỉ tiêu tài chính dự đoán tốt nhất nguy cơ vỡ nợ của SME, từ đó phát triển một mô hình đo lường RRTD riêng biệt cho nhóm doanh nghiệp này Hiệu quả của mô hình mới được so sánh với mô hình điểm số Z để đánh giá độ chính xác trong việc lượng hóa rủi ro cho SME.
Bảng 1.1: Nội dung nghiên cứu cơ bản của Edward I Altman và Gabriele Sabato
Mẫu: chứa dữ liệu tài chính của 2,010 SME của Mỹ với doanh thu ít hơn
$65.000.000 (khoảng 50 triệu Eur), đƣợc thu thập từ cơ sở dữ liệu WRDS Compustat trong giai đoạn 1994-2002 Cách chọn mẫu:
Trong nghiên cứu này, chúng tôi đã đánh giá số lượng doanh nghiệp (DN) vỡ nợ có trong cơ sở dữ liệu Compustat trong khoảng thời gian lựa chọn Kết quả cho thấy có 120 DN được xác định là vỡ nợ, theo quy định của Chương 11 trong luật phá sản Mỹ.
Chúng tôi đã chọn ngẫu nhiên 1.890 doanh nghiệp không vỡ nợ trong cùng kỳ, nhằm hướng đến tỷ lệ vỡ nợ trung bình của mẫu nghiên cứu gần nhất, đạt khoảng 6%, tương ứng với tỷ lệ vỡ nợ dự kiến của các doanh nghiệp nhỏ và vừa (SME) tại Mỹ.
Nghiên cứu chỉ sử dụng các biến định lượng, không bao gồm biến định tính Biến phụ thuộc được xác định là biến nhị phân, chỉ nhận giá trị 0 hoặc 1 Từ năm nhóm chỉ tiêu tài chính cơ bản của doanh nghiệp, bao gồm thanh khoản, lợi nhuận, cơ cấu vốn, bảo hiểm tiền vay và hiệu quả hoạt động, đã lựa chọn được 5 biến độc lập có ý nghĩa giải thích cho mô hình nghiên cứu.
Nợ ngắn hạn / Vốn chủ sở hữu giá trị sổ sách (NNH/VCSH)
Tiền/Tổng tài sản (Tiền/TTS)
EBITDA/Tổng tài sản (EBITDA/TTS)
Lợi nhuận giữ lại/Tổng tài sản (LN/TTS)
EBITDA/Chi phí tiền lãi (EBITDA/CPL) Mức ý nghĩa đƣợc thiết lập là 20%
Đầu tiên chạy hồi quy Logistic với các biến ban đầu (chƣa logarit) đƣợc mô hình:
Log(PD/1-PD) = KPG = 4.28 +0.18*EBITDA/TTS - 0.01*NNH/VCSH+ 0.08*LN/TTS + 0.02*Tiền/TTS + 0.19*EBITDA/CPL
Để tăng độ chính xác, phát triển mô hình hồi quy Logistic với các biến đã logarit đƣợc:
Log(PD/1-PD) = KPG = 53.48 - 4.09*Log(1-EBITDA/TTS) - 1.13*Log(NNH/VCSH) - 4.32*Log(1- LN/TTS) + 1.84*Log(Tiền/TTS) + 1.97*Log(EBITDA/CPL)
Kết quả kiểm định cho thấy tất cả các biến đều có ý nghĩa thống kê (sig 0
Nhóm 2: 50 Doanh nghiệp xấu (có rủi ro vỡ nợ) có VLĐ ròng < 0
Biến phụ thuộc Y: là biến nhị phân đại diện cho khả năng có rủi ro tín dụng của doanh nghiệp Cụ thể là :
Y = 1 nếu khách hàng ko có RRTD
Y = 0 nếu khách hàng có RRTD
Giả sử biến giả Y phụ thuộc vào chỉ số khả dụng Y* Trong đó: Y*=ò 1 +ò 2 X 2i + +ò k X ki +Є i (X i là cỏc biến độc lập của mụ hỡnh nghiờn cứu)
Biến độc lập (biến giải thích)
Dựa trên lý thuyết và nghiên cứu về rủi ro phá sản, từ 12 biến tài chính ban đầu được tính toán từ báo cáo tài chính năm 2013 của các công ty niêm yết trên thị trường chứng khoán Việt Nam, đã chọn ra 5 biến độc lập quan trọng nhất phản ánh các đặc trưng tài chính cơ bản của doanh nghiệp, có ý nghĩa trong việc giải thích biến phụ thuộc thông qua phương pháp loại trừ trong mô hình Logistic.
Các biến độc lập (X i ) đặc trưng cho các yếu tố ảnh hưởng đến khả năng rủi ro tín dụng của doanh nghiệp, cụ thể là :
Bảng 3.3: Các biến độc lập (X i )được chọn vào mô hình Logistic đề xuất
Nhóm Kí hiệu Chỉ tiêu Cách tính Giả thuyết
ROS Tỷ suất lợi nhuận doanh thu Lợi nhuận sau thuế /
TS_No Tỷ số nợ Nợ phải trả / Tổng tài sản -
Vq_TSNH Số vòng quay tài sản ngắn hạn
Doanh thu thuần trên tài sản ngắn hạn bình quân cho thấy hiệu quả sử dụng tài sản ngắn hạn trong việc tạo ra doanh thu Số vòng quay tổng tài sản được tính bằng doanh thu thuần chia cho tổng tài sản bình quân, phản ánh khả năng sinh lời từ tổng tài sản Tỉ suất tài sản ngắn hạn là tỷ lệ giữa tài sản ngắn hạn và tổng tài sản, giúp đánh giá mức độ đầu tư vào tài sản ngắn hạn so với tổng tài sản.
Ý nghĩa của các biến độc lập
Tỷ suất lợi nhuận doanh thu (ROS)
Tỷ suất xem xét lợi nhuận là chỉ số đo lường hiệu quả sinh lời từ doanh thu trong hoạt động sản xuất kinh doanh Chỉ số này cho biết trong mỗi một trăm đồng doanh thu mà doanh nghiệp thu được trong kỳ, có bao nhiêu đồng lợi nhuận sau thuế.
Các doanh nghiệp có tỷ lệ lợi nhuận trên doanh thu (ROS) cao thường là những doanh nghiệp quản lý chi phí hiệu quả trong hoạt động kinh doanh hoặc thực hiện các chiến lược cạnh tranh về chi phí một cách tốt nhất.
Tỷ lệ lợi nhuận trên doanh thu (ROS) cao cho thấy doanh nghiệp có khả năng sinh lời tốt hơn, từ đó cải thiện khả năng thanh toán nợ Điều này chỉ ra rằng, hiệu quả sinh lời trong quá khứ của doanh nghiệp có tác động tích cực đến khả năng trả nợ của khách hàng.
Tỷ suất lợi nhuận doanh thu (ROS) có ảnh hưởng tích cực đến khả năng trả nợ của doanh nghiệp, đồng thời có tác động ngược lại đến rủi ro tín dụng (RRTD) của khách hàng doanh nghiệp.
Tỷ số nợ là tỷ lệ giữa tổng nợ phải trả và tổng tài sản hoặc tổng nguồn vốn của doanh nghiệp tại một thời điểm nhất định Chỉ số này cho thấy tỷ lệ phần trăm nguồn vốn từ bên ngoài, tức là từ các chủ nợ, trong tổng nguồn vốn của doanh nghiệp.
Giới thiệu chung về mô hình Logistic
3.2.1 Mô hình hồi quy Logistic
Mô hình Logistic là một dạng hồi quy mà biến phụ thuộc là biến giả, thường được sử dụng để mô tả các hiện tượng và quá trình trong kinh tế lượng Trong nhiều trường hợp, biến phụ thuộc không phải là biến liên tục mà là biến chất, do đó cần sử dụng biến giả, có khả năng nhận một trong hai giá trị là 0 hoặc 1.
Trong mô hình này, p i đƣợc xác định bằng:
Trong mô hình, p i không phải là hàm tuyến tính của các biến độc lập Phương trình (1) được gọi là hàm phân bố logistic Hàm này cho thấy khi X β nhận các giá trị từ
Khi p nhận giá trị từ 0 đến 1 trong khoảng từ ∞ đến +∞, p có mối quan hệ phi tuyến với X và các tham số β Do đó, không thể áp dụng phương pháp OLS một cách trực tiếp để ước lượng Thay vào đó, người ta sử dụng phương pháp ước lượng hợp lý tối đa để xác định giá trị của β.
Vì Y chỉ nhận giá trị 0 hoặc 1, Y có phân bố nhị thức, nên hàm hợp lý với mẫu kích thước n được biểu diễn như sau: Đặt t* là véc tơ hai chiều, với số chiều tương ứng với số hệ số hồi quy Mục tiêu là tìm ước lượng hợp lý tối đa của β.
Phương trình trên phi tuyến đối với β, người ta dùng phương pháp Newton- Raphson để giải hệ phương trình này
H(β) đƣợc gọi là ma trận thông tin Nếu nhƣ là nghiệm của g(β), khai triển Taylor tại β, ta có :
Nếu là ma trận không suy biến thì
Quá trình lặp lại bắt đầu với giá trị ban đầu β, chẳng hạn như β 0 Từ đó, ta tính S(β 0) và I(β 0) Tiếp theo, chúng ta xác định giá trị β mới bằng công thức đã cho.
Quá trình lặp sẽ tiếp tục cho đến khi hội tụ, với H(β) là dạng toàn phương xác định dương, dẫn đến ước lượng hợp lý cực đại Ma trận hiệp phương sai [H( )] -1 tương ứng với ước lượng này, được sử dụng để kiểm định giả thiết và thực hiện các suy đoán thống kê khác.
Sau khi ƣớc lƣợng đƣợc , ta có thể tính đƣợc ƣớc lƣợng xác suất p i =P(Y=1 |X i ),
Kết hợp với (3) ta có :
Phương trình này dùng để kiểm nghiệm lại các i
Trong mô hình Logistic, không tập trung vào ảnh hưởng trực tiếp của biến độc lập Xk đối với biến phụ thuộc Y, mà thay vào đó, nghiên cứu tác động của Xk đến xác suất để Y nhận giá trị bằng 1 hoặc kỳ vọng của Y Ảnh hưởng của Xk đến xác suất p i được tính toán như sau:
3.2.2 Mô hình Logistic trong xếp hạng tín dụng
Xác suất vỡ nợ được đo lường thông qua hàm toán học Logistic, trong đó biến phụ thuộc Y thể hiện khả năng trả nợ của doanh nghiệp, chỉ có hai giá trị là 0 hoặc 1.
Y= 0: doanh nghiệp không trả đƣợc nợ (có RRTD)
Y= 1: doanh nghiệp trả đƣợc nợ (không có RRTD)
Chỉ số này được tính dựa trên các biến số kinh tế trong quá khứ và hiện tại Hàm này mô tả xác suất vỡ nợ có điều kiện trong khoảng thời gian t của doanh nghiệp thứ i, ký hiệu là p i,t.
Y i,t là giá trị chỉ số nền kinh tế từ mô hình đa nhân tố được mô tả trong phương trình 2.2 Phương trình (2.1) đảm bảo xác suất vỡ nợ nằm trong khoảng từ 0 đến 1.
Trong bối cảnh kinh tế suy thoái, xác suất vỡ nợ trung bình thường cao hơn so với thời kỳ kinh tế tăng trưởng mạnh Chỉ số kinh tế của mỗi giai đoạn phát triển của một quốc gia được xác định thông qua mô hình đa nhân tố.
Y i,t là giá trị chỉ số kinh tế trong khoảng thời gian t của DN thứ i
β i,0 , β i,1 , …, β i,m là hệ số xác định cho DN thứ i
X i,1,t , X i,2,t ,…., X i,m,t là giá trị các biến kinh tế cho DN thứ i trong khoảng thời gian t
u i,t là sai số ngẫu nhiên, giả thiết nó không phụ thuộc vào X i,t Và chúng ta cũng giả định ui,t phân phối chuẩn
Khi có đủ dữ liệu, mô hình có khả năng xác định hạng doanh nghiệp dựa trên xác suất vỡ nợ p i,t và chỉ số Y i,t, từ đó làm rõ sự tương thích giữa hạng doanh nghiệp và ma trận các hệ số βi, t Để đảm bảo tính đầy đủ trong việc đề xuất, mỗi biến kinh tế được giả định thuộc loại mô hình tự hồi quy, cụ thể là mô hình AR(2).
Ở đây, X j,I,t-1 , X j,i,t-2 là giá trị quá khứ của biến X j,i,t
là ma trận các hệ số;
e j,i,t là sai số ngẫu nhiên e j,i,t ~ N (0, σ ej,t )
Dựa vào phương trình (2.3), chúng ta có khả năng dự đoán giá trị các chỉ số tài chính cho năm tới Mô hình xác suất vỡ nợ được xác định bởi các phương trình (2.1), (2.2) và (2.3), do đó, cần giải hệ phương trình này để có kết quả chính xác.
Thông qua hệ phương trình, chúng ta có thể dự báo xác suất nợ không đủ tiêu chuẩn của doanh nghiệp Phương pháp dự báo này dựa vào các chỉ tiêu phi tài chính và được thực hiện bằng cách thay thế các chỉ tiêu đã dự báo vào phương trình, từ đó xác định xác suất nợ xấu Điều này giúp các ngân hàng có biện pháp quản trị rủi ro tín dụng hiệu quả hơn.
Dựa trên cấu trúc dữ liệu đã xây dựng và mô hình đề xuất, mô hình hồi quy sẽ có dạng sau:
Log(p i ) = Y = β 0 + β 1 *ROS + β 2 *VqTSNH + β 3 *VqTTS + β 4 *HSn + β 5 *HStsnh
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU
VÀ CÁC ĐÁNH GIÁ, KHUYẾN NGHỊ
Kết quả nghiên cứu
Mẫu nghiên cứu gồm 2 nhóm:
Nhóm 1: Gồm các DN có rủi ro tín dụng (50 DN)
Nhóm 2: Gồm các DN không có rủi ro tín dụng (50 DN)
Các kết quả trình bày dưới đây thu được từ hồi quy mô hình Logistic bằng phần mềm SPSS (Xem số liệu đầu vào ở phụ lục 3 )
Bảng 4.1: Omnibus Test of Model Coeficients
Ta kiểm định giả thiết:
≠ 0 Cặp giả thiết này xem xét khả năng giải thích cho biến phụ thuộc của tổ hợp các biến độc lập
Omnibus Tests of Model Coefficients
Kết quả ở bảng trên cho thấy độ phù hợp tổng quát có mức ý nghĩa quan sát sig
Trong mô hình, hệ số H o có giá trị bằng 0.000, do đó chúng ta bác bỏ H o Điều này cho thấy rằng tổ hợp liên hệ tuyến tính của tất cả các hệ số trong mô hình có ý nghĩa quan trọng trong việc giải thích biến phụ thuộc.
Bảng 4.2 trình bày kết quả độ phù hợp của mô hình, với giá trị -2Log Likelihood (-LL) = 22.304 Mặc dù không cao, giá trị này cho thấy độ phù hợp khá tốt của mô hình tổng thể Trong hồi quy Binary Logistic, chỉ tiêu -2LL càng nhỏ thì độ phù hợp càng cao.
Cox & Snell R Square Nagelkerke R Square
1 22.304 a 688 917 a timation terminated at iteration number 9 because parameter estimates changed by less than 001
Overall Percentage 95.0 a The cut value is 500
Bảng 4.3 thể hiện mức độ chính xác của mô hình Cụ thể cho thấy:
50 trường hợp doanh nghiệp có RRTD, mô hình đã dự đoán đúng 47 trường hợp (hàng ngang), nên tỷ lệ đúng là 94%
50 trường hợp doanh nghiệp không có RRTD, mô hình đã dự đoán đúng 48 trường hợp (hàng ngang), nên tỷ lệ đúng là 96%
Từ đó ta tính đƣợc tỷ lệ dự đoán đúng của toàn bộ mô hình 95%
Bảng 4.4: Variables in the Equation
Bảng 4.4 thể hiện kết quả của kiểm định Wald (kiểm định giả thuyết hồi quy khác không)
Giá trị p (sig.) nhỏ hơn mức ý nghĩa α = 0.05 cho thấy chúng ta bác bỏ giả thuyết H0 Hầu hết các giá trị β đều thỏa mãn điều kiện này, chứng tỏ rằng các hệ số hồi quy tính được có ý nghĩa và mô hình đang được sử dụng hiệu quả.
Riêng đối với biến ROS có Sig =0.064 > 0.05 Tuy nhiên trong điều kiện quy mô mẫu chƣa đủ lớn ta có thể chấp nhận đƣợc biến này trong mô hình
Constant -6.368 2.767 5.295 1 021 002 a Variable(s) entered on step 1: HStsnh, HSn, VqTTS, VqTSNH, ROS
Từ các hệ số , ta có thể xác định mô hình hồi quy Logistic nhƣ sau:
4.1.2 Lý giải từ lý thuyết đến thực tế
Mô hình thu được cho thấy một số giả thuyết ban đầu phù hợp với kết quả, trong khi một số khác lại trái ngược Điều này chứng tỏ rằng dự đoán ban đầu về tác động của các chỉ tiêu độc lập đối với biến phụ thuộc có sự khác biệt nhất định.
Chạy mô hình cho kết quả đúng với giả thuyết ban đầu
Tỷ suất lợi nhuận doanh thu ROS
Với mức ý nghĩa sig =0.064 > 0.05 nhƣng vẫn nhỏ hơn 0.1 là hoàn toàn có thể chấp nhận đƣợc trong một nghiên cứu với quy mô mẫu 100 doanh nghiệp
Hệ số = 11.187 > 0, điều này chứng tỏ biến ROS tác động thuận chiều lên biến phụ thuộc, giả thuyết ban đầu đặt ra là đúng
Sự tương đồng giữa kết quả mô hình và lý thuyết cho thấy tỷ suất lợi nhuận trên doanh thu (ROS) có ảnh hưởng tích cực đến khả năng trả nợ của doanh nghiệp Khi ROS cao, tức là doanh nghiệp thu về nhiều lợi nhuận từ mỗi đồng doanh thu, điều này phản ánh hiệu quả trong hoạt động kinh doanh, khả năng kiểm soát chi phí tốt và các chiến lược đầu tư, sản xuất, bán hàng hiệu quả Do đó, rủi ro tín dụng của những doanh nghiệp này thường ở mức thấp.
Số vòng quay tài sản ngắn hạn (Vq_TSNH)
Với mức ý nghĩa sig = 0.034 < 0.05, đảm bảo rằng biến Vq_TSNH hoàn toàn có ý nghĩa với mô hình đang nghiên cứu
Hệ số = 1.386 cho thấy sự biến động cùng chiều giữa vòng quay tài sản ngắn hạn và biến phụ thuộc của mô hình, xác nhận giả thuyết ban đầu.
Tài sản ngắn hạn là những tài sản có tính thanh khoản cao, giúp doanh nghiệp đáp ứng nhu cầu thanh toán và duy trì hoạt động sản xuất kinh doanh Trong bối cảnh kinh tế khó khăn và chính sách tín dụng thắt chặt từ các tổ chức tín dụng, doanh nghiệp cần xây dựng chiến lược đầu tư hợp lý để tận dụng cơ hội kinh doanh đồng thời đảm bảo khả năng thanh toán.
Trong Basel II, một tiêu chí quan trọng để phân nhóm doanh nghiệp là khi tài sản ngắn hạn nhỏ hơn nợ ngắn hạn Hiệu quả sử dụng tài sản ngắn hạn đóng vai trò then chốt trong việc giảm thiểu rủi ro cho doanh nghiệp trong môi trường kinh doanh hiện nay.
Tỷ số nợ (TS_No)
Với mức ý nghĩa sig = 0.004 < 0 05 khẳng định TS_No có mức ý nghĩa rất cao trong mô hình nghiên cứu, có thể sử dụng để giải thích cho biến phụ thuộc
Hệ số β = -18.121 < 0 cho thấy biến tỷ số nợ có sự tác động ngƣợc chiều đến biến phụ thuộc, giả thuyết ban đầu là chính xác
Tỷ số nợ cao cho thấy doanh nghiệp vay nợ nhiều, dẫn đến việc tài sản chủ yếu được tài trợ bằng nguồn vốn bên ngoài, làm tăng sự phụ thuộc vào chủ nợ và rủi ro tài chính cao Ngược lại, tỷ số nợ thấp thể hiện sự tự chủ tài chính, giúp doanh nghiệp có khả năng trả nợ tốt hơn Do đó, các tổ chức tín dụng thường xem xét kỹ lưỡng tỷ số nợ và lịch sử tín dụng của doanh nghiệp trước khi quyết định cho vay.
Tỷ suất tài sản ngắn hạn (TS_TSNH)
Với mức ý nghĩa sig = 0.001 0, giả thuyết đã đúng vì theo kết quả kiểm định mô hình thì biến TS_TSNH tác động cùng chiều đến biến phụ thuộc
Trong môi trường kinh doanh biến động như năm 2012 và 2013, chỉ tiêu tài sản ngắn hạn và hiệu quả sử dụng tài sản ngắn hạn trở nên quan trọng hàng đầu Dù thuộc các ngành khác nhau, khả năng thanh khoản là yếu tố được các nhà đầu tư và tổ chức tín dụng đặc biệt chú trọng Việc duy trì tỷ lệ tài sản ngắn hạn hợp lý so với tổng tài sản không chỉ giúp doanh nghiệp đảm bảo sự liên tục trong hoạt động kinh doanh mà còn giảm thiểu rủi ro vỡ nợ.
Chạy mô hình cho kết quả ngược giả thuyết ban đầu
Số vòng quay tổng tài sản (Vq_TTS)
Biến Vq_TTS có ý nghĩa giải thích cho biến độc lập với mức ý nghĩa sig = 0.048, nhỏ hơn 0.05, cho thấy nó có thể được sử dụng để đo lường rủi ro của các doanh nghiệp đang nghiên cứu.
Hệ số β = -4.490 < 0, biến Vq_TTS có tác động ngƣợc chiều đến biến phụ thuộc của mô hình, điều này ngƣợc với giả thuyết ban đầu β Vq_TTS > 0
Số vòng quay tổng tài sản là chỉ số đo lường hiệu suất sử dụng tổng tài sản của doanh nghiệp, bao gồm cả tài sản dài hạn và ngắn hạn Chỉ số này thể hiện mối quan hệ giữa doanh thu thuần và tổng tài sản hiện có, giúp đánh giá năng lực hoạt động của toàn bộ tài sản Để có cái nhìn tổng quát hơn về nguồn thu của doanh nghiệp, có thể thay doanh thu thuần bằng tổng doanh thu và thu nhập khác trong kỳ trong công thức tính toán.
Tỷ số cao cho thấy hiệu quả sử dụng tài sản trong hoạt động sản xuất kinh doanh của doanh nghiệp tốt hơn, đồng nghĩa với việc doanh nghiệp cần ít tài sản hơn để duy trì mức độ hoạt động kinh doanh đã đề ra.
Trong nghiên cứu này, chúng tôi đã sử dụng mẫu 100 doanh nghiệp được chọn ngẫu nhiên từ 5 nhóm ngành khác nhau Phân tích các chỉ tiêu tài chính giữa các ngành không phải là điều đơn giản, do mỗi ngành có đặc trưng và chiến lược kinh doanh riêng Kết quả từ mô hình logistic cho thấy sự tác động của số vòng quay tổng tài sản đến khả năng trả nợ không phù hợp với lý thuyết.
Xây dựng thang điểm
4.2.1 Nguyên tắc xây dựng thang điểm
Thang điểm cần được thiết kế để tránh sự tập trung quá mức của khách hàng tại ba mức điểm đầu và ba mức điểm cuối Đồng thời, phải đạt được phân phối mịn cho đường p i, với các mức điểm p i phải liên tục và không được xảy ra trường hợp một mức p i có thể thuộc vào hai khoảng khác nhau.
Biểu đồ dưới đây minh họa sự phân bố tần suất của các phần tử, cho thấy sự phân hóa rõ rệt giữa nhóm doanh nghiệp có rủi ro và không có rủi ro trong giai đoạn nghiên cứu Nhóm doanh nghiệp tốt chủ yếu tập trung vào tần suất từ 0.9 đến 1, chiếm hơn 80% tỷ trọng, trong khi nhóm doanh nghiệp xấu lại phân bố rộng hơn nhưng chủ yếu nằm dưới 0.1, chiếm 90% tỷ trọng của nhóm này.
Biểu đồ 02 – Phân phối xác suất trả được nợ (p i ) của các DN trong mẫu nghiên cứu
Khác với các nghiên cứu trước, bài viết này trình bày một bảng xếp hạng xác suất trả nợ của doanh nghiệp, được phân chia thành 10 nhóm không đều nhằm phản ánh chính xác thực nghiệm Bảng xếp hạng mức độ RRTD được xây dựng dựa trên tiêu chí phân chia theo độ tập trung của các tần suất, đảm bảo tính phù hợp và chính xác trong việc đánh giá khả năng trả nợ của các doanh nghiệp.
X ác suất t rả đƣ ợc nợ của các doan h n ghiệ p
Các doanh nghiệp đang nghiên cứu
Bảng 4.5 : Thang xếp hạng tín dụng khách hàng doanh nghiệp
0.999→1 AAA Đây là khách hàng có mức xếp hạng cao nhất Khả năng hoàn trả khoản vay của khách hàng đƣợc xếp hạng này là đặc biệt tốt
Khách hàng xếp hạng AA có khả năng trả nợ gần tương đương với khách hàng xếp hạng AAA, cho thấy năng lực hoàn trả nợ của họ rất tốt.
Khách hàng xếp hạng A có khả năng chịu tác động tiêu cực từ các yếu tố bên ngoài và điều kiện kinh tế cao hơn so với khách hàng có xếp hạng cao hơn Dù vậy, khả năng trả nợ của họ vẫn được đánh giá là tốt.
Khách hàng được xếp hạng này có khả năng trả nợ đầy đủ, nhưng điều kiện kinh tế bất lợi và sự thay đổi của các yếu tố bên ngoài có thể làm suy giảm khả năng này.
Khách hàng xếp hạng BB có nguy cơ mất khả năng trả nợ thấp hơn so với các nhóm từ B đến D Tuy nhiên, họ đang phải đối mặt với nhiều rủi ro tiềm ẩn và ảnh hưởng từ các điều kiện kinh doanh, tài chính và kinh tế bất lợi, điều này có thể dẫn đến suy giảm khả năng trả nợ.
Khách hàng xếp hạng B có nguy cơ mất khả năng trả nợ cao hơn so với nhóm BB, nhưng hiện tại vẫn có khả năng hoàn trả khoản vay Các yếu tố kinh doanh, tài chính và kinh tế có thể tác động đến khả năng và thiện chí trả nợ của khách hàng.
Khách hàng xếp hạng CCC hiện tại đang gặp khó khăn trong khả năng trả nợ, điều này phụ thuộc vào các yếu tố kinh doanh, tài chính và kinh tế Khi xuất hiện các yếu tố bất lợi, khả năng khách hàng không thể trả nợ sẽ tăng cao.
0.1→ 0.2 CC Khách hàng xếp hạng CC hiện thời đang bị suy giảm nhiều khả năng trả nợ 0.01 →0.1 C
Khách hàng xếp hạng C là những đối tượng đã thực hiện thủ tục xin phá sản hoặc có hành động tương tự, tuy nhiên họ vẫn duy trì khả năng trả nợ.
Khách hàng được xếp hạng D khi họ đã mất khả năng trả nợ và tổn thất thực tế đã xảy ra Tuy nhiên, không áp dụng xếp hạng D cho những khách hàng chỉ có khả năng mất khả năng trả nợ trong tương lai.
Bảng 4.6: Bảng kết quả XHTD của nhóm DN tốt trong mẫu nghiên cứu
STT MCK Pi Hạng TD STT MCK Pi Hạng TD
Bảng 4.7: Bảng kết quả XHTD của nhóm DN xấu trong mẫu nghiên cứu
STT MCK p i Hạng TD STT MCK p i Hạng TD
Các đánh giá và khuyến nghị
4.3.1 Đánh giá mô hình Logistic
Nghiên cứu đã chỉ ra rằng mô hình Logistic có triển vọng lớn trong việc hỗ trợ doanh nghiệp vay vốn ngân hàng Trong tương lai, sẽ có nhiều nghiên cứu sâu hơn về ứng dụng của mô hình này trong hỗ trợ doanh nghiệp cũng như các lĩnh vực liên quan Từ lý thuyết đến thực nghiệm, mô hình Logistic thể hiện một số ưu điểm và nhược điểm đáng chú ý.
Mô hình này, tương tự như mô hình điểm số Z, là một mô hình toán học với nhiều ưu điểm nổi bật Đặc biệt, đây là mô hình định lượng, giúp khắc phục những nhược điểm của mô hình định tính, đồng thời thể hiện sự khách quan và nhất quán, không bị ảnh hưởng bởi ý kiến chủ quan của các cán bộ tín dụng.
Mô hình Logistic sử dụng kỹ thuật đo lường RRTD đơn giản và dễ thực hiện qua các phần mềm chuyên dụng như Eviews và SPSS Điều này mang lại lợi thế so với mô hình KMV, vốn có kỹ thuật đo lường và quy trình tính toán phức tạp hơn.
Mô hình Logistic là công cụ hữu ích cho ngân hàng trong việc phân loại khách hàng và nhận diện rủi ro Qua kết quả của mô hình, ngân hàng có thể ước lượng xác suất không trả được nợ của khách hàng, từ đó xác định doanh nghiệp nào nằm trong vùng an toàn và doanh nghiệp nào ở vùng cảnh báo Điều này giúp ngân hàng chủ động triển khai các biện pháp hạn chế rủi ro hiệu quả.
Mô hình Logistic nổi bật hơn so với mô hình xếp hạng tín dụng truyền thống và mô hình KMV nhờ khả năng đo lường vai trò của các yếu tố tác động đến hạng tín dụng của khách hàng Trong khi mô hình điểm số Z có sự cứng nhắc trong việc xem xét các yếu tố và hệ số của chúng, mô hình Logistic cho phép điều chỉnh linh hoạt và thêm bớt các biến để xác định cụ thể tác động của các yếu tố đến rủi ro tín dụng.
Mô hình Logistic vẫn tồn tại một số nhƣợc điểm mà các NHTM cần quan tâm để khắc phục trong quá trình sử dụng Đó là:
Mô hình Logistic hiện tại chủ yếu được áp dụng cho các biến định lượng dựa trên thông tin có sẵn Tuy nhiên, nghiên cứu của Altman và Sabato đã chỉ ra rằng mô hình này có thể được phát triển để bao gồm cả biến định tính và định lượng, mặc dù việc sử dụng cơ sở dữ liệu vẫn là một yếu tố quan trọng.
Compustat nên không bao gồm yếu tố định tính
Mô hình này phụ thuộc vào độ chính xác và đầy đủ của nguồn thông tin thu thập, khả năng dự báo và trình độ phân tích của các chuyên gia Do là mô hình kinh tế lượng, các chuyên gia cần có kiến thức cơ bản về kinh tế lượng cũng như hiểu biết sâu về các mô hình định lượng để thực hiện công tác đo lường và dự báo rủi ro hiệu quả.
Mô hình Logistic là một mô hình kinh tế lượng, tuy nhiên, khi hệ số xác định ở mức thấp, khả năng dự báo của mô hình sẽ kém chính xác, điều này thể hiện qua các giá trị phần dư không đáng tin cậy.
Khóa luận đề xuất một số khuyến nghị nhằm khắc phục hạn chế của mô hình Logistic trong việc áp dụng tại Việt Nam Những khuyến nghị này sẽ hỗ trợ việc áp dụng mô hình định lượng vào quản trị rủi ro tín dụng (RRTD) tại các ngân hàng thương mại (NHTM), từ đó nâng cao hiệu quả cho vay tín dụng (XHTD) và chất lượng quản trị RRTD Việc này không chỉ giúp giảm thiểu tổn thất cho NHTM mà còn giảm tình trạng thông tin bất cân xứng và lựa chọn đối kháng, qua đó nâng cao hiệu quả kinh doanh.
Hoàn thiện môi trường pháp lý
Ngân hàng Nhà Nước cùng các cơ quan liên quan cần xác định các định hướng cụ thể và thiết lập chuẩn mực, quy định rõ ràng cho việc xây dựng hệ thống XHTD Điều này cũng áp dụng cho công tác quản trị rủi ro tín dụng (RRTD) trong ngân hàng để đảm bảo hiệu quả và tính minh bạch trong hoạt động.
Nâng cao chất lượng thu thập và xử lý nguồn thông tin phục vụ cho công tác xếp hạng tín dụng
Xây dựng một hệ thống lưu trữ thông tin khách hàng toàn diện, bao gồm cả dữ liệu tài chính và phi tài chính Hệ thống này sẽ thu thập và lưu trữ tất cả thông tin liên quan đến tình trạng vay và cho vay, cũng như lịch sử từ chối cho vay của từng khách hàng.
Xây dựng danh mục các yếu tố định tính là cần thiết để hướng dẫn việc thu thập thông tin khách hàng Cần thống nhất cách tính toán và ý nghĩa của các yếu tố định lượng, hoặc phát triển các bảng biểu tính toán sẵn nhằm rút ngắn thời gian tính toán các chỉ tiêu tài chính.
Thực hiện phân tích các ngành và các quy mô khác nhau làm cơ sở để phân tích khách hàng DN
Xây dựng hệ thống cơ sở dữ liệu minh bạch và đầy đủ về khách hàng vay vốn là mục tiêu quan trọng, nhằm cung cấp thông tin kịp thời liên quan đến hoạt động cấp tín dụng của các ngân hàng thương mại.
Đẩy mạnh đào tạo, nâng cao trình độ chuyên môn của CBTD
Nâng cao ý thức trách nhiệm và nhận thức về tầm quan trọng của quản trị RRTD tới tất cả các cán bộ nhân viên trong ngân hàng
Cần nâng cao chất lượng và số lượng đào tạo về quản trị rủi ro tín dụng (RRTD), đặc biệt là kiến thức về mô hình định lượng và công cụ đo lường rủi ro Điều này nhằm trang bị cho cả cán bộ trực tiếp và gián tiếp tham gia vào hoạt động tín dụng những kỹ năng cần thiết để quản lý rủi ro hiệu quả.
Khuyến khích và khen thưởng các cán bộ thực hiện nghiên cứu xuất sắc về các mô hình hiện đại đo lường rủi ro tài chính, cũng như sáng tạo các công cụ hỗ trợ quản trị rủi ro tài chính.