Lựa chọn mô hình dự báo xác suất vỡ nợ của doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại viêt nam dựa trên các chỉ số tài chính

BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP.HỒ CHÍ MINH NGUYỄN LỆ ĐOAN TRANG LỰA CHỌN MƠ HÌNH DỰ BÁO XÁC SUẤT VỠ NỢ CỦA DOANH NGHIỆP VỪA VÀ NHỎ TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM DỰA TRÊN CÁC CHỈ SỐ TÀI CHÍNH LUẬN VĂN THẠC SĨ KINH TẾ TP HỒ CHÍ MINH - NĂM 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP.HỒ CHÍ MINH NGUYỄN LỆ ĐOAN TRANG LỰA CHỌN MƠ HÌNH DỰ BÁO XÁC SUẤT VỠ NỢ CỦA DOANH NGHIỆP VỪA VÀ NHỎ TẠI CÁC NGÂN HÀNG THƯƠNG MẠI VIỆT NAM DỰA TRÊN CÁC CHỈ SỐ TÀI CHÍNH LUẬN VĂN THẠC SĨ KINH TẾ Chuyên ngành: Tài - Ngân hàng Mã số: 34 02 01 Người hướng dẫn khoa học: TS NGÔ VI TRỌNG TP HỒ CHÍ MINH - NĂM 2019 LỜI CAM ĐOAN Luận văn chưa trình nộp để lấy học vị thạc sĩ trường đại học Luận văn cơng trình nghiên cứu riêng tác giả, kết nghiên cứu trung thực, khơng có nội dung công bố trước nội dung người khác thực ngoại trừ trích dẫn dẫn nguồn đầy đủ luận văn TP Hồ Chí Minh ngày … Tháng … năm 2019 Tác giả luận văn Nguyễn Lệ Đoan Trang i LỜI CẢM ƠN Để hồn thành luận văn thạc sĩ kinh tế này, tơi xin gửi lời cảm ơn sâu sắc đến giảng viên hướng dẫn khoa học: Tiến sĩ Ngô Vi Trọng, tận tình hướng dẫn tơi suốt q trình hồn thiện luận văn Đồng thời xin gửi lời cảm ơn trân trọng đến thầy cô giáo Trường Đại học Ngân hàng TP Hồ Chí Minh tận tình truyền đạt kiến thức năm học tập, vốn kiến thức trang bị trình học kiến thức tảng cho trình nghiên cứu đề tài Cuối kính chúc thầy sức khỏe thành công nghiệp cao quý Xin chân thành cảm ơn! ii TÓM TẮT Hệ thống xếp hạng tín dụng nội ln đóng vai trị quan trọng NHTM việc đánh giá mức độ rủi ro tín dụng khách hàng đồng thời hỗ trợ ngân hàng việc định tín dụng hoạt động quản trị rủi ro ngân hàng Đồng thời, Chính Phủ xây dựng hành lang pháp lý lĩnh vực XHTN nhằm nâng cao tính cơng khai minh bạch thơng tin hỗ trợ cho ngân hàng kiểm soát rủi ro tín dụng từ đầu hỗ trợ thị trường chứng khoán, thị trường trái phiếu thúc đẩy huy động vốn thơng qua thị trường chứng khốn, bảo vệ quyền lợi ích nhà đầu tư Việc nghiên cứu lựa chọn mơ hình xếp hạng phù hợp đóng góp nhiều đến phát triển hoạt động xếp hạng tín nhiệm Việt Nam Tuy nhiên, mơ hình dự báo xác suất vỡ nợ có hạn chế định có nhiều tranh luận, khơng thống mức độ tin cậy mơ hình dẫn đến khó khăn việc lựa chọn mơ hình phù hợp để dự báo xác suất vỡ nợ doanh nghiệp Bên cạnh đó, việc xác định số tài thực tác động đến kết xếp hạng mục tiêu, vấn đề cần nghiên cứu cơng trình nghiên cứu dự báo xác suất vỡ nợ Cho đến nay, chưa có nhiều nghiên cứu cơng bố Việt Nam việc lựa chọn mơ hình dự báo xác suất vỡ nợ doanh nghiệp dựa số tài Trên sở tầm quan trọng mức độ cần thiết, mục tiêu nghiên cứu nhằm: (i) xác định tiêu chí mơ hình dự báo phù hợp; (ii) cách lựa chọn mơ hình có khả dự báo xác suất vỡ nợ doanh nghiệp vừa nhỏ NHTM Việt Nam dựa số tài Kết đạt từ nghiên cứu hướng đến việc cung cấp thêm chứng khoa học định lượng nhằm trả lời câu hỏi mơ hình dự báo mang lại kết tốt việc dự báo xác suất vỡ nợ doanh nghiệp vừa nhỏ NHTM Việt Nam iii Đóng góp quan trọng nghiên cứu đề ý tưởng việc sử dụng tiêu tài để dự báo xác suất vỡ nợ doanh nghiệp vừa nhỏ, qua góp phần nâng cao hiệu cơng tác kiểm sốt rủi ro tín dụng NHTM Việt Nam thời gian tới iv MỤC LỤC DANH MỤC CÁC BẢNG viii DANH MỤC HÌNH ix DANH MỤC TỪ VIẾT TẮT x CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN 1.1 Tính cấp thiết đề tài 1.2 Vấn đề nghiên cứu 1.3 Mục tiêu nghiên cứu 1.4 Câu hỏi nghiên cứu 1.5 Đối tượng phạm vi nghiên cứu 1.6 Phương pháp nghiên cứu 1.7 Đóng góp đề tài 1.8 Cấu trúc luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY 2.1 Xếp hạng tín nhiệm 2.2 Xác suất vỡ nợ (PD) 2.3 Khảo lược mơ hình dự báo xác suất vỡ nợ doanh nghiệp 10 2.4 Tổng quan nghiên cứu trước 16 2.4.1 Các nghiên cứu giới 16 2.3.2 Các nghiên cứu Việt Nam 18 v CHƯƠNG 3: MƠ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU 21 3.1 Phương pháp xây dựng mơ hình 21 3.2 Thu thập xử lý liệu 22 3.3 Lựa chọn biến đầu vào mơ hình dự báo xác suất vỡ nợ 24 3.4 Các mơ hình dự báo xác suất vỡ nợ nghiên cứu 27 3.4.1 Mơ hình tham số 27 3.4.2 Mơ hình phi tham số 29 3.5 Phương pháp lựa chọn mơ hình dự báo xác suất vỡ nợ 31 3.5.1 Ma trận Confussion 31 3.5.2 Điểm số F1 (F1-score) 34 CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 35 4.1 Kết thống kê mô tả 35 4.2 Kết hồi quy 37 4.2.1 Kết hồi quy mơ hình tham số 37 4.2.2 Kết hồi quy mơ hình phi tham số 42 CHƯƠNG 5: KẾT LUẬN 45 5.1 Ứng dụng mơ hình để dự báo khả trả nợ khách hàng doanh nghiệp vừa nhỏ ngân hàng thương mại Việt Nam 46 5.1.1 Công cụ hỗ trợ việc xác định nhóm đối tượng khách hàng tiềm 46 5.1.2 Kết mơ hình sở định hướng sách tín dụng 46 5.1.3 Vận dụng kết mơ hình nhằm nâng cao hiệu quản lý rủi ro tín dụng ngân hàng thương mại 48 vi 5.2 Hạn chế đề tài hướng nghiên cứu 48 5.2.1 Hạn chế đề tài 48 5.2.2 Hướng nghiên cứu tương lai 49 TÀI LIỆU THAM KHẢO 50 PHỤ LỤC vii DANH MỤC CÁC BẢNG Số thứ tự Tên bảng Trang Bảng 2.1 Khảo lược mơ hình xếp hạng tín nhiệm dự báo xác suất vỡ nợ 11 Bảng 3.1 Tổng hợp số lượng doanh nghiệp – ngành nghề kinh doanh 24 Bảng 3.2 Phân tách công ty phá sản không phá sản 25 Bảng 3.3 Các biến độc lập mơ hình dự báo xác suất vỡ nợ 29 Bảng 3.4 Cấu trúc liệu biến mơ hình Logit 30 Bảng 3.5 Ma trận Confussion 34 Bảng 4.1 Thống kê mô tả biến độc lập 38 Bảng 4.2 Ma trận tương quan 39 Bảng 4.3 Kết hồi quy mơ hình tham số 40 Bảng 4.4 Ma trận Confussion mơ hình logit 43 Bảng 4.5 Ma trận Confusion mơ hình probit 43 Bảng 4.6 Ma trận Confusion mơ hình Complementary log-log 44 Bảng 4.7 Bảng 4.8 Ma trận Confusion mơ hình định(Decision Tree) Ma trận Confusion mơ hình Random forest viii 46 47 Ma trận Confussion mô hình tham số Bảng 4.4: Ma trận Confussion mơ hình logit Logit Model Actual class Predicted class Non-default Default Non-default 208 56 Default 18 68 Accuracy = 0.7886 Sensitivity = 0.8095 Specificity = 0.7879 Precision = 0.5484 F1 – Score = 0.6538 Bảng 4.5: Ma trận Confusion mô hình probit Probit Model Predicted class Classes Actual class Non-default Default Non-default 218 46 Default 18 68 Accuracy = 0.8171 Sensitivity = 0.8095 Specificity = 0.8258 Precision = 0.5965 F1 – Score = 0.6869 40 Bảng 4.6: Ma trận Confusion mơ hình Complementary log-log cloglog Model Predicted class Classes Actual class Non-default Default Non-default 180 84 Default 12 74 Accuracy = 0.7257 Sensitivity = 0.8605 Specificity = 0.6818 Precision = 0.4684 F1 – Score = 0.6066 Thông qua bảng ma trận confusion ba mơ hình dự báo xác suất vỡ nợ tham số nêu trên, ta đưa vài nhận xét sau:  Accuracycủa mơ hình probit cao nhất, tương ứng với tỷ lệ xác 0,8171 Điều cho thấy khả mơ hình probit phân biệt cơng ty phá sản khơng phá sản xác lên đến 81,71%  Sensitivity mơ hình complementary log-log đạt 0,8605 – cao ba mơ hình, cho thấy mơ hình có khả phát trường hợp cơng ty phá sản xác lên đến 86,05%  Specificitycủa mơ hình probit cao nhất, tương ứng với tỷ lệ xác 0,8258, cho thấy mơ hình có khả phát trường hợp cơng ty khơng bị phá sản xác lên đến 82,58%  Mặc dù mơ hình có khác Accuracy, Sensitivity, Specificity hay Precision, nhìn chung mơ hình probit mang lại kết tốt có F1 Score đạt giá trị cao nhất, tương ứng với mức độ dự báo xác 68,69% 41 4.2.2 Kết hồi quy mơ hình phi tham số Hình 4.1: Kết hồi quy mơ hình định (Decision Tree) Thông qua kết hồi quy mơ hình định ta thấy mơ hình sử dụng ba biến X9, X4 X8 để dự báo xác suất vỡ nợ doanh nghiệp Khả dự báo xác suất vỡ nợ qua ba biến độc lập thực thông qua bước sau: - Bước 1: Sử dụng biến độc lập X9 để phân tách thành hai nhóm: phá sản khơng phá sản Nếu X9≥ 0,55 kết luận doanh nghiệp rơi vào trường hợp 78% cơng ty có khả khơng bị phá sản Ngược lại, xem xét đến bước - Bước 2: Nếu X9 < 0,55 X4 < - 0,18 doanh nghiệp rơi vào nhóm 12% cơng ty có khả bị phá sản Ngược lại X4 ≥ - 0,18 ta xem xét đến bước 42 Bước 3: Nếu X9 < 0,55 X4 ≥ - 0,18 X8 < 0,34 doanh nghiệp rơi vào nhóm 3% cơng ty có khả phá sản Ngược lại X8 ≥ 0,34 doanh nghiệp rơi vào nhóm 7% cơng ty có khả khơng bị phá sản Bảng 4.7: Ma trận Confusion mô hình định (Decision Tree) Decision Tree Predicted class Classes Actual class Non-default Default Non-default 251 13 Default 41 45 Accuracy = 0.8457 Sensitivity = 0.5232 Specificity = 0.9508 Precision = 0.7759 F1 – Score = 0.6250 Hình 4.2: Kết mơ hình Random Forest 0.3 0.4 random_forest_model 0.1 0.2 Error - 200 400 600 trees 43 800 1000 Bảng 4.8: Ma trận Confusion mơ hình Random forest Random Forest Predicted class Classes Actual class Non-default Default Non-default 254 10 Default 28 58 Accuracy = 0.8914 Sensitivity = 0.6744 Specificity = 0.9621 Precision = 0.8529 F1 – Score = 0.7532 Thông qua bảng ma trận confusion hai mơ hình dự báo xác suất vỡ nợ phi tham số gồm mơ hình định mơ hình random forest, ta nhận thấy mơ hình random forest mang lại kết tốt tất số Accuracy, Sensitivity, Specificity, Precision F1 – Score cao so với mơ hình định Điều cho thấy vượt trội mơ hình random forest so với mơ hình định Kết luận chương 4: Chương tác giả thực phân tích kết hồi quy từ mơ hình tham số phi tham số, đồng thời dựa tiêu tính tốn từ ma trận confusion (Accuracy, Sensitivity, Specificity, Precision, F1 - Score) để so sánh đánh giá khả dự báo xác suất vỡ nợ mơ hình Qua tìm mơ hình phù hợp để dự báo xác suất vỡ nợ doanh nghiệp 44 CHƯƠNG 5: KẾT LUẬN Toàn kết nghiên cứu đề tài đề cập chương luận văn, theo tác giả tìm câu trả lời cho ba câu hỏi nghiên cứu đề cập chương - Để giải câu hỏi thứ nhất, tác giả sử dụng 14 biến độc lập tương ứng với 14 số tài quan trọng doanh nghiệp để xác định khả vỡ nợ khách hàng Kết tìm thấy mơ hình tham số, biến đóng vai trị quan trọng việc dự báo xác suất vỡ nợ khách hàng, biến Thu nhập trước thuế/Tổng tài sản (X3), Tổng nợ phải trả/Tổng tài sản (X5), Thu nhập trước thuế, lãi vay khấu hao/Nợ dài hạn (X10), Giá vốn hàng bán/Hàng tồn kho bình quân (X12) Tổng doanh thu/Tổng tài sản (X14) Trong đó, mơ hình phi tham số lại cho thấy biến gồm Lợi nhuận trước thuế lãi vay/Lãi vay (X9), Thu nhập trước thuế/Vốn chủ sở hữu (X4) (Tài sản ngắn hạn – Hàng tồn kho)/Nợ ngắn hạn (X8) đóng vai trị quan trọng việc phân loại nhóm khách hàng phá sản không phá sản - Với câu hỏi thứ hai, tác giả sử dụng tiêu chí cụ thể bao gồm: ma trận confusion điểm F1 – Score, qua lựa chọn mơ hình phù hợp để dự báo xác suất vỡ nợ doanh nghiệp vừa nhỏ ngân hàng thương mại Việt Nam Kết hồi quy chương cho thấy mơ hình phi tham số random forest cho kết tốt với mức dự báo xác lên đến 89,14% Tuy nhiên, mơ hình xem mơ hình “black box”, khó xác định biến độc lập hay số tài tác động yếu đến khả vỡ nợ khách hàng Do đó, ngân hàng xem xét để sử dụng mơ hình tham số, đặc biệt mơ hình probit để dự báo xác suất vỡ nợ khách hàng với mức độ xác khoảng 81,71%, khơng chênh lệch q lớn so với mơ hình random forest, lại giúp ngân hàng biết biến độc lập hay số tài tác động đến khả phá sản doanh nghiệp 45 Trong chương này, tác giả đưa số kiến nghị cho ngân hàng thương mại Việt Nam, đồng thời nêu lên mặt hạn chế trình thực đề tài gợi ý hướng nghiên cứu mở rộng Cụ thể bao gồm: 5.1 Ứng dụng mơ hình để dự báo khả trả nợ khách hàng doanh nghiệp vừa nhỏ ngân hàng thương mại Việt Nam 5.1.1 Cơng cụ hỗ trợ việc xác định nhóm đối tượng khách hàng tiềm Luận văn tìm mơ hình dự báo khả trả nợ (xác suất vỡ nợ) khách hàng doanh nghiệp vừa nhỏ ngân hàng thương mại Việt Nam Mơ hình hỗ trợ ổn định chất lượng tín dụng, giảm thiểu nợ xấu phát sinh Các khách hàng xếp hạng tín nhiệm đạt chuẩn (xếp hạng từ A trở lên) kết hợp với kết đo lường khả trả nợ tốt theo mơ hình có xác suất phát sinh nợ xấu khơng cao, theo rủi ro tín dụng nhóm khách hàng nhỏ Có thể thấy mơ hình cơng cụ hỗ trợ cho ngân hàng thương mại hoạt động cấp tín dụng, đảm bảo chất lượng tín dụng, tạo điều kiện cho trình mở rộng tăng trưởng hiệu quả, an tồn, bền vững Từ giúp ngân hàng chọn lọc trì cấu khách hàng tốt, đẩy mạnh chiến lược marketing hướng tới nhóm khách hàng rủi ro phát triển mạng lưới khách hàng có uy tín, đảm bảo khả trả nợ 5.1.2 Kết mô hình sở định hướng sách tín dụng Kết mơ hình sở để ngân hàng thương mại định hướng thu hẹp tín dụng nhóm khách hàng yếu (xác suất vỡ nợ cao) tăng trưởng tín dụng hiệu nhóm khách hàng hoạt động tốt (xác suất phá sản thấp) Đồng thời xây dựng sách tín dụng phù hợp loại khách hàng điều kiện cấp tín dụng, sách lãi suất, phí, yêu cầu biện pháp bảo đảm,… nhằm đảm bảo an toàn hoạt động - Nhóm có xác suất vỡ nợ thấp: thực cấp tín dụng với nhiều điều kiện ưu đãi áp dụng lãi suất ưu đãi, cấp tín dụng khơng có bảo đảm tài sản có bảo đảm phần tài sản, khơng quy định điều kiện cam kết số tài chính,… 46 - Nhóm có xác suất vỡ nợ trung bình: cấp tín dụng phù hợp với quy định chung ngân hàng, xem xét giảm lãi suất khách hàng chấp tài sản bảo đảm tỷ lệ theo quy định nhóm khách hàng sản phẩm tín dụng - Nhóm có xác suất vỡ nợ cao: khơng cấp tín dụng mới, thu hẹp dần số dư tín dụng cấp trước đó, thời gian cấp tín dụng áp dụng lãi suất cao ràng buộc điều kiện chặt chẽ số tài hay yêu cầu khắt khe khác nhằm giảm thiểu rủi ro khách hàng không trả nợ - Ngồi ra, cần tập trung cấp tín dụng khách hàng thuộc ngành kinh doanh có hiệu hoạt động cao, rủi ro vỡ nợ thấp; ngược lại cần có sách, định hướng thu hẹp, tăng cường kiểm sốt khách hàng thuộc nhóm ngành có hiệu sinh lời thấp, rủi ro phá sản cao Bên cạnh đó, kết hồi quy mơ hình tham số Chương cho thấy có biến số tài có ý nghĩa thống kê ảnh hưởng lớn đến khả vỡ nợ doanh nghiệp vừa nhỏ, bao gồm Thu nhập trước thuế / Tổng tài sản, Tổng nợ phải trả / Tổng tài sản, Thu nhập trước thuế, lãi vay khấu hao / Nợ dài hạn, Giá vốn hàng bán / Hàng tồn kho bình quân Tổng doanh thu / Tổng tài sản Kết nghiên cứu thực nghiệm số Thu nhập trước thuế / Tổng tài sản, Thu nhập trước thuế, lãi vay khấu hao/Nợ dài hạn Tổng doanh thu/Tổng tài sảncó biến động ngược chiều với khả phá sản doanh nghiệp, tức khả tạo doanh thu lợi nhuận doanh nghiệp lớn khả phá sản doanh nghiệp thấp.Ngược lại, số Tổng nợ phải trả/Tổng tài sản Giá vốn hàng bán/Hàng tồn kho bình quân biến động chiều với khả vỡ nợ doanh nghiệp; điều cho thấy doanh nghiệp sử dụng nợ vay nhiều áp lực tài lớn dẫn đến khả phá sản cao; đồng thời doanh nghiệp khơng có biện pháp quản lý tích trữ hàng tồn kho phù hợp dễ dẫn đến khả vỡ nợ Thông qua kết nghiên cứu trên, ngân hàng thương mại sử dụng để đánh giá, lựa chọn khách hàng thực tế nhằm giảm thiểu rủi ro khách hàng không trả nợ vay.Cụ thể: ưu tiên cấp tín dụng doanh nghiệpcó khả tạo doanh thu, lợi nhuận cao cẩn trọng phân tích đánh giá trước cấp tín dụng doanh nghiệp sử dụng nợ vay nhiều, khả tự chủ 47 tài thấp xem xét việc quản lý tồn trữ hàng tồn kho doanh nghiệp sản xuất có đảm bảo cho hoạt động sản xuất diễn liên tục giảm thiểu thiệt hại biến động giá nguyên vật liệu thường xuyên thay đổi hay không Mặt khác thông tin đo lường khả trả nợ kết mơ hình cịn phản ánh nhiều vấn đề liên quan đến tình hình hoạt động kinh doanh doanh nghiệp lĩnh vực – ngành sản xuất kinh doanh Nhờ vậy, mơ hình trở thành nguồn cung cấp thơng tin cho hoạt động phân tích, đánh giá, dự báo điều hành sách tín dụng tương lai 5.1.3 Vận dụng kết mơ hình nhằm nâng cao hiệu quản lý rủi ro tín dụng ngân hàng thương mại Việc dự báo khả trả nợ khách hàng công cụ hỗ trợ ngân hàng việc xác định đối tượng khách hàng tiềm mà giúp ngân hàng nâng cao chất lượng việc giám sát tái xếp hạng khách hàng sau cấp tín dụng Trên sở kết mơ hình, ngân hàng thương mại kịp thời phát có biện pháp ứng xử tín dụng nhanh chóng khách hàng có vấn đề khả trả nợ (xác suất vỡ nợ cao), qua góp phần hạn chế rủi ro tổn thất vốn cho ngân hàng Hiện nay, theo Quyết định số 493/2005/QĐ-NHNN ngày 22/04/2005 phân loại nợ, trích lập sử dụng dự phịng để xử lý rủi ro tín dụng hoạt động ngân hàng tổ chức tín dụng; ngân hàng thương mại Việt Nam đa phần áp dụng việc trích lập dự phịng theo kết phân loại nợ khách hàng, từ trích lập dự phịng theo tỷ lệ phù hợp Vì vậy, ngân hàng thương mại dự báo tốt khả trả nợ (xác suất vỡ nợ) khách hàng việc trích lập dự phịng trở nên dễ dàng nhiều, theo việc xây dựng Quỹ dự phịng rủi ro tín dụng hiệu 5.2 Hạn chế đề tài hướng nghiên cứu 5.2.1 Hạn chế đề tài Ngồi kết đạt luận văn có số giới hạn khó khăn định 48 Hạn chế bật nghiên cứu tập hợp liệu nhỏ Do hạn chế thời gian, có 350 doanh nghiệp thu thập giới hạn lĩnh vực kinh doanh.Số biến đầu vào 14, phù hợp với số lượng quan sát Tuy nhiên, mẫu coi nhỏ, dẫn đến thiếu kết quan trọng Bên cạnh đó, chất lượng nguồn thông tin đầu vào chưa cao Tuy để đảm bảo chất lượng nguồn thông tin, báo cáo tài thu thập kiểm tốn chất lượng kiểm tốn báo cáo tài Việt Nam chưa thực minh bạch, rõ ràng mang lại hiệu cao nước phát triển Tại Việt Nam, doanh nghiệp lập ba bốn báo cáo tài để phục vụ cho nhiều mục đích khác gửi quan thuế, gửi ngân hàng, kiểm toán, kiểm soát nội bộ… Do việc kiểm sốt, đánh giá chất lượng thơng tin đầu vào mơ hình quan trọng để thu kết xác Ngồi ra, mơ hình xếp hạng tín nhiệm đề cập luận văn xây dựng dựa số tài chính, khơng xét đến yếu tố phi tài mơ hình xếp hạng tín dụng nội áp dụng ngân hàng thương mại Việt Nam Trong thực tế, nhiều trường hợp báo cáo tài khách hàng cung cấp không phản ánh đúng, đầy đủ kết hoạt động kinh doanh tình hình tài đơn vị nên ngân hàng phải dựa vào thơng tin phi tài để sàng lọc, phân loại khách hàng 5.2.2 Hướng nghiên cứu tương lai Tôi đề xuất nghiên cứu sâu lĩnh vực/khu vực sau: Mở rộng tập hợp liệu khoảng thời gian: Để có kết đáng tin cậy hơn, số lượng doanh nghiệp thu thập mở rộng lên 1.000 doanh nghiệp chí cao Bên cạnh đó, thay thu thập báo cáo tài hàng năm, thu thập báo cáo tài doanh nghiệp hàng quý để đạt mức độ xác cao Ngồi ra, trường hợp số liệu thu thập đủ lớn phân tách theo nhóm khách hàng thuộc ngành kinh doanh khác mang lại kết xác phù hợp với đặc thù hoạt động kinh doanh doanh nghiệp, tăng khả ứng dụng mơ hình vào thực tế 49 TÀI LIỆU THAM KHẢO Danh mục tài liệu tham khảo tiếng Việt Hay Sinh, 2003, “Ước tính xác suất phá sản thẩm định giá trị doanh nghiệp”, Tạp chí Phát triển & Hội nhập – Số (18) Lê Đạt Chí Lê Tuấn Anh (2012), “Kết hợp phương pháp Cvar mô hình Merto/KMV để đo lường rủi ro vỡ nợ: Bằng chứng thực nghiệm Việt Nam”, Tạp chí Phát triển & Hội nhập – Số (15) Lê Nguyễn Sơn Vũ, 2013, Quyết định đầu tư rủi ro phá sản công ty niêm yết thị trường chứng khoán Việt Nam, Luận văn thạc sĩ kinh tế, Trường Đại học Kinh tế Thành phố Hồ Chí Minh Nguyễn Thị Tuyết Lan, 2019, “Các nhân tố ảnh hưởng đến rủi ro phá sản doanh nghiệp niêm yết ngành xây dựng Việt Nam”, Tạp chí Khoa học & Đào tạo Ngân hàng – Số 205 Võ Hồng Đức Nguyễn Đình Thiên (2013a), “XHTN doanh nghiệp niêm yết Việt Nam sử dụng lý thuyết mờ”,Tạp chí Phát triển kinh tế - Số 269 Danh mục tài liệu tham khảo tiếng Anh Altman, Edward I, 1968 Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy Journal of Finance, 189-209 Beaver, 1996 Financial Ratios As Predictors of Failure Journal of Accounting Research,71-111 Brieman, 1980 Classification and regression trees Chapman and Hall Dombolena, I and S Khoury, 1980 Ratio Stability and Corporate Failure Journal of Finance, 1017-1026 Evridiki Neophytou, Andreas Charitou and Chris Charalambous, 2000 Predicting Corporate Failure: Empirical Evidence for the UK Journal of Accounting Literature Fisher, R 1936.The Use of Multiple Measurements in Taxonomic Problems.Annals of Eugenics 7,179-188 50 Fitzpatrick, F., 1932.A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firm Certified Public Accountant, 6, 727-731 HaydenEvelyn and Daniel Porath, 2010.Statistical Methods to Develop Rating Models The Basel II Risk Parameters, 1-12 HaydenEvelyn, 2010 Estimation of a Rating Model for Corporate Exposures The Basel II Risk Parameters, 13-24 Ho Tin Kam, 1995 Random Decision Forests, Proceedings of the 3rd International Conference on Document Analysis and Recognition, Montreal, 278-282 Leo Breiman, Jerome Friedman and Charles J Stone, 1984 Classification and Regression Trees R.A Olshen M Fernandez Delgado, E Cernadas, S Barro and D Amorim, 2014.Do we Need Hundreds of Classifiers to Solve Real Worls Classification problems? Journal of Machine Learning Research Myers and Forgy, 1963 The development of numerical credit evaluation system Journal of the American Statistical Association, 799-806 Odom and Sharda,1993 A Neural Network for Bankruptcy Prediction International Joint Conference on Neural Networks, 163-168 Ong, M 2005, Internal Credit Risk Models Capital Allocation and Performance Measurement, Risk Books Oslo Hosmer, D W., Jovanovic, B., and Lemeshow, S., 1989.Best subsets logistic regression, Biometrics, 1265-1270 Patcha, A and Park, J.M, 2009 An overview of outlier detection techniques: Existing solutions and latest technological trends Computer Networks 3448-3470 Platt, H.D., 1991 Predicting corporate financial distress: Reflections on choice-based sample bias Journal of Economics and Finance 2002 Rajan R, Zingales L What we know about capital structure? some evidence from international data Journal of Finance 1995; 1421-1460 51 Serrasqueiroand Macas Nunes Non-linear relationships between growth opportunities and debt: Evidence from quoted Portuguese companies J Business Research 2009,870878 Stehman and Stephen, 1997 Selecting and interpreting measures of thematic classification accuracy Remote Sensing of Environment, 77-89 Sudhakar, M., and Reddy C.V.K Two Step Credit Risk Assessment Model For Retail Bank Loan Applications Using Decision Tree Data Mining Technique International Journal of Advanced Research in Computer Engineering & Technology 2016, 705-718 Svetnik 2003 Random Forest:A Classification and Regression Tool for Compound Classification and QSAR Modeling Journal of Chemical Information Computer Science, 1947–1958 52 PHỤ LỤC Bảng 01: Các biến đầu vào RiskCalcTM - mơ hình cơng ty tư nhân Nhật Bản Chỉ số tài Khả sinh lời Cách tính Lợi nhuận từ hoạt động kinh doanh tổng tài sản Địn bẩy tài Tổng nợ tổng tài sản Khả khoản Tiền mặt tài sản ngắn hạn Khả trả nợ gốc Thu nhập giữ lại nợ ngắn hạn Khả trả lãi vay Lợi nhuận gộp tổng chi phí lãi vay Quy mơ Tổng doanh thu Chỉ số hoạt động Tổng hàng tồn kho tổng doanh thu Nguồn: Báo cáo Moody: RiskCalc for Japanese private companies, 2001 53 Bảng 02: Biến đầu vào lựa chọn Engelmann and Rauhmeier Chỉ số tài Yếu tố rủi ro Tổng nợ phải trả / Tổng tài sản Địn bẩy tài Vốn chủ sở hữu / Tổng tài sản Nợ ngân hàng / Tổng tài sản Nợ ngắn hạn/ Tổng tài sản Khả Tài sản ngắn hạn / Nợ ngắn hạn khoản Các khoản phải thu / Doanh thu Chỉ số hoạt động Các khoản phải trả / Doanh thu (Doanh thu - Chi phí nguyên liệu) / Chi phí nhân cơng Khả kiểm sốt chi phí Hiệu sử dụng Doanh thu / Tổng tài sản tài sản Lợi nhuận trước thuế lãi vay / Tổng tài sản Lợi nhuận từ hoạt động kinh doanh / Tổng tài sản Khả sinh lời Tổng tài sản Quy mô Doanh thu / Doanh thu năm liền kề Tốc độ tăng trưởng Tổng nợ phải trả / Tổng nợ phải trả năm liền kề Nguồn: Báo cáo Risk Parameter, 2010 54 Tốc độ gia tăng nợ vay ... DỤC VÀ ĐÀO TẠO NGÂN HÀNG NHÀ NƯỚC VIỆT NAM TRƯỜNG ĐẠI HỌC NGÂN HÀNG TP.HỒ CHÍ MINH NGUYỄN LỆ ĐOAN TRANG LỰA CHỌN MƠ HÌNH DỰ BÁO XÁC SUẤT VỠ NỢ CỦA DOANH NGHIỆP VỪA VÀ NHỎ TẠI CÁC NGÂN HÀNG THƯƠNG... cứu cơng trình nghiên cứu dự báo xác suất vỡ nợ Cho đến nay, chưa có nhiều nghiên cứu công bố Việt Nam việc lựa chọn mô hình dự báo xác suất vỡ nợ doanh nghiệp dựa số tài Trên sở tầm quan trọng... hành lựa chọn mơ hình có khả dự báo xác suất vỡ nợ doanh nghiệp vừa nhỏ NHTM Việt Nam dựa số tài giai đoạn từ năm 2016 – 2018 Thơng qua giúp ngân hàng thương mại sàng lọc khách hàng kiểm sốt rủi