mô hình Logit.
➢ Nghiên cứu của Chiara Pederzoli, Costanza Torricelli:
Đây là mô hình được phát triển dựa trên kết quả nghiên cứu do E.I.Altman (1986) được sử dụng để xác định điểm tín dụng đối với các doanh nghiệp vay vốn dựa trên giả đỉnh rủi ro tài chính của KHDN ảnh hưởng trực tiếp đến rủi ro tín dụng của khách hàng. Nếu như Alman sử dụng đại lượng Z dùng làm thước đo tổng hợp để phân loại rủi ro tín dụng đối với KHDN và phụ thuộc vào: trị số của các chỉ số tài chính của KHDN và tầm quan trọng của các chỉ số này trong việc xác định xác xuất vỡ nợ của KHDN trong quá khứ thì các tác giả sử dụng các chỉ tiêu tài chính và trịnh số để lượng hóa xác suất vỡ nợ của KHDN quy mô nhỏ và quy mô siêu nhỏ.
Các tác giả đã xây dựng mô hình như sau:
PD=1 / (1+exp (2.86 + 3.46LTLA + 3.52EBITA + 11.18EQUITYA + 0.43SALESA))
Trong đó:
LTLA = Nợ dài hạn/Tổng tài sản.
EBITA = Lợi nhuận trước thuế/Tổng tài sản. EQUITYA = Nợ phải trả/Tổng tài sản. SALESA = Doanh thu/Tổng tài sản.
Xác suất PD càng cao, thì xác suất trả nợ của KHDN càng thấp. Ngược lại khi xác suất PD càng thấp thì khả năng trả nợ của KHDN càng tốt. Kết quả mô hình cho thấy chỉ tiêu tài chính có ảnh hưởng đến khả năng trả nợ của KHDN.
➢ Nghiên cứu của Irakli Ninua:
- Để ước tính mối liên hệ giữa khoản tín dụng có TSBĐ với khả năng trả nợ của khách hàng doanh nghiệp tại ProCreditBank của Georgia từ năm 2004-2007, tác giả sử dụng một mô hình Logit, với về tài sản bảo đảm như là một biến phụ thuộc. Mô hình giải thích mối quan hệ giữa tỷ lệ rủi ro tín dụng (thay cho khả năng trả nợ của KHDN) và các khoản vay có TSBĐ.
- Các thông tin về khả năng thanh toán khoản vay của KHDN được đánh giá thông qua tỷ lệ khoản vay không hoàn trả (LLR). Các khoản vay với LLR cao được xác định là các khoản vay rủi ro và khách vay với LLR thấp được xác định là các khoản vay ít rủi ro.
Ảnh hưởng của TSBĐ là đồng biến với LLR, với mức ý nghĩa 1%. Điều đó cho thấy sự hiện diện của TSBĐ ảnh hưởng đến tỷ lệ tổn thất của ngân hàng. Trên cơ sở này, tác giả nhận định các khoản vay thế chấp có xác suất không trả nợ cao hơn nếu so sánh với các khoản vay không có TSBĐ.
Bảng 2. 4. Các biến để ước lượng LLR trong mô hình của Irakli Ninua
STT Biến sử dụng trong mô hình
1 Biến phụ thuộc
→ Tỷ lệ khoản vay không trả nợ (LLR) 2 Biến độc lập
→ Biến giả = 1 nếu có TSBĐ, 0 = Nếu là cho vay không TSBĐ
(COLLATERAL) → Giá trị khoản vay (RAMOUNT) → Thời gian cho vay (RLENGTH) → Tỷ lệ chấp thuận số tiền vay (RATIORA) → Biến giả cho loại khách hàng = 1 nếu khách hàng cũ, = 0 nếu khách hàng mới (CLIENTTYPE) → Số lượng nhân viên của khách hàng tại thời điểm vay (EMPLOYMENT) → Biến giả cho thành phố, nơi đặt chi nhánh cho vay → Biến giả cho ngành công nghiệp của khách hàng
Tỷ lệ số tiền vay đã được phê duyệt (RATIOAR) ảnh hưởng tiêu cức đến LLR, ngụ ý khách hàng được cấp tín dụng theo yêu cầu sẽ trả nợ tốt hơn so với trường hợp không được cấp tín dụng như mong đợi.
- Các công ty sử dụng nhiều lao động xu hướng có LLR cao hơn so với các công ty sử dụng ít lao dộng. Tác giả giải thích do các công ty lớn thường có khoản vay lớn, nghĩa vụ trả nợ lớn nên tỷ lệ rủi ro tín dụng cao tương ứng.
- Số tiền vay (RAMOUNT) và thời gian vay (RLEGTH) có tác động ngược chiều với LLR nhưng ảnh hưởng không đáng kể và không có ý nghĩa thống kê.
- Biến loại khách hàng TYPECLIENT có tác động đồng biến và có ý nghĩa ở mức 1%, mới quan hệ của ngân hàng và khách hàng làm tăng nguy cơ vỡ nợ.
- Đối với kết quả biến giả của các ngành công nghiệp, tác giả thấy rằng sản xuất các sản xuất thực phẩm có tác động đồng biến và có ý nghĩa ở mức 10%, có LLR cao hơn hơn các ngành công nghiệp khác.
➢ Nghiên cứu của Andrea Ruth Coravos:
- Tác giả sử dụng mô hình Logit đa thức (Multinomial Logistic Regression Models) để đo lượng khả năng trả nợ của khách hàng là các KHDN quy mô nhỏ tại Community development financial institutions (CIFIs):
+ + + + = = Xi Yi Zi Mi F Weak Medium Strong Di , , ) 0 1 2 3 4 Pr(
- Biến phụ thuộc kết quả khả năng trả nợ của khách hàng được xác định dựa trên tình trạng thanh toán thực tế của khách hàng (“Strong”: chưa từng NQH, cơ cấu nợ; “Medium”: từng hơn 1 lần NQH 30 ngày, từng NQH 60 ngày, từng cơ cấu nợ; “Weak”: từng NQH 90 ngày, không trả nợ). Các biến độc lập được đưa vào mô hình gồm biến Xi đặc điểm
mã ngành, thời gian kinh doanh, nợ trước khi vay, doanh nghiệp mới) Yi đặc điểm khoản vay (thời gian vay, tỷ lệ bảo lãnh của chính phủ đối với khoản vay doanh nghiệp, lãi suất, số tiền vay,…), Zi đặc điểm người cho vay (lãi suất được Dè cấp vốn) và Mi đặc điểm vĩ mô (chỉ số S&P, tỷ lệ thất nghiệp).
- Bộ dữ liệu chứa 530 khoản vay, trong đó bao gồm 229 khoản vay doạnh nghiệp nhỏ có bảo lãnh và 301 khoản vay doanh nghiệp nhỏ không có bảo lãnh từ năm 2002 – 2007. Dữ liệu được lấy từ một mẫu không ngẫu nhiên, tập trung vào các khoản vay “Weak”, “Medium”.
➢ Nghiên cứu Jiménez và Saurina:
- Nhóm tác giả sử dụng dữ liệu tất cả các khoản vay của các TCTD (ngân hàng, quỹ tiết kiệm, hợp tác xã hội và cơ sở tài chính tín dụng) ở Tây Ban Nha với giá trị món vay hơn 6,000euro với trên 3 triệu dữ liệu quan sát. Để bao phủ dữ liệu cho toàn bộ một chu kỳ kinh tế, tác giả đã sử dụng dữ liệu từ các tháng trong 05 năm, cụ thể là năm 1987, 1990, 1993, 1997 và 2000.
Phương pháp tiếp cận đo lượng khả năng vỡ nợ dựa trên một mô hình Logit nhị thức (Binary Logistic Regressions Models) như sau:
𝑝𝑟𝑜𝑏(𝑦𝑖𝑡 = 1/(𝑥𝑖𝑡, 𝑧𝑡)) = 𝑝𝑟𝑜𝑏(𝑦 ∗ 𝑖𝑡 > 0/(𝑋𝑖𝑡, 𝑧𝑡)) = 𝐹(𝛼 + 𝑋′𝑖𝑡𝛽 + 𝑍′𝑡𝛾)
Trong đó: Prob (Yit = 1/(Xi,Zt)) là xác suất vỡ nợ của khách vay. Các biến độc lập (Xit) được xem xét đưa vào mô hình gồm các loại sản phẩm tín dụng, tiền tệ, kỳ hạn, TSBĐ, số tiền vay, lĩnh vực kinh doanh, khu vực, loại hình TCTD. Để kiểm soát các yếu tố kinh tế vĩ mô chung cho tất cả KHDN đi vay và các khoản vay, mô hình bổ sung một biến giả năm (Zt).