Mô hình nghiên cứu dự báo khả năng vỡ nợcủa doanh nghiệp

Một phần của tài liệu Phân tích các nhân tố ảnh hưởng tới khả năng vỡ nợ của khách hàng pháp nhân tại Ngân hàng TMCP Ngoại thương Việt Nam – chi nhánh Ba Đình (Trang 33 - 38)

6. Kết cấu của đề tài

1.4.4. Mô hình nghiên cứu dự báo khả năng vỡ nợcủa doanh nghiệp

1.4.4.1. Mô hình logit

Eisenbeis (1977), Ohlson (1980) và Jones (1987) phát hiện ra một số điều chưa thỏa đáng trong mô hình MDA khi đưa ra những giả định dựa vào tính tiêu chuẩn và

độ phân tán nhóm. Điều này có thể dẫn đến chệch trong kiểm định ý nghĩa và dự báo tỷ lệ sai số.

Ohlson (1980) đã giới thiệu mô hình Logit:

Pi=1/[1+exp{(α+β1X1it+β2X2it+β3X3it+β4X4it+β5X5it+β6X6it +β7X7it+β8X8it+β9X9it)}]

X1: log (Tổng tài sản/Chỉ số giá theo GNP) X2: Tổng nợ/ Tổng tài sản

X3: Vốn luân chuyển/ Tổng tài sản X4: Nợ ngắn hạn/ Tổng tài sản

X5: 1 nếu nợ > tài sản, ngược lại bằng 0 X6: Lãi ròng/ Tổng tài sản

X7: Dòng tiền hoạt động kinh doanh/ Tổng nợ

X8: 1 nếu thu nhập < 0 trong 2 năm, ngược lại bằng 0. X9: % thay đổi thu nhập.

Ohlson (1980) cho thấy quy mô, cấu trúc tài chính (Tổng nợ/tổng tài sản), biểu hiện và thanh khoản hiện hành là những nhân tố quyết định việc phá sản doanh nghiệp. Mô hình Logit này chỉ sử dụng dữ liệu trung bình tại một giai đoạn. Do đó, chỉ thực hiện quan sát một năm cho các công ty.

Hillegiesit (2004) cho rằng chọn mẫu chéo phát sinh từ việc sử dụng quan sát về các công ty phá sản một cách không ngẫu nhiên và việc mô hình thất bại khi tính toán những thay đổi theo thời gian để phản ánh những rủi ro cơ bản của việc phá sản. Điều này dẫn tới sự phụ thuộc việc thu thập dữ liệu tại một thời điểm nào đó. Shumway (2001) chỉ ra rằng những vấn đề này dẫn tới ước lượng bị chệch, không hiệu quả và mâu thuẫn lẫn nhau. Nghiên cứu này đã dự báo sự phá sản thông qua mô hình Hazard và khám phá ra rằng mô hình này ưu việt hơn mô hình Logit được giới thiệu trước đây và mô hình MDA. Mô hình này thật sự là mô hình Logit đa thời điểm bởi vì chức năng thực sự của 2 mô hình là giống nhau. Mô hình Hazard có thời gian rời rạc với hiệp phương sai thời gian, có thể được ước lượng thông qua các máy tính hiện tại bằng phân tích hồi quy Binary logistic. Đặc tính chính của mô hình Hazard bao gồm hiệp phương sai cụ thể của công ty cần được cho phép biến thiên theo thời gian để

ước lượng hiệu quả hơn và chức năng cơ bản của Hazard cũng cần, nhưng hiệp phương sai này có thể được ước lượng trực tiếp với các nhân tố vĩ mô để phản ánh những thay đổi quan trọng trong môi trường.”

1.4.4.2. Mô hình cây phân lớp, mạng nơron

“Các nghiên cứu về dự báo phá sản khởi đầu từ năm 1990 với Bell và cộng sự (1990), Tam và Kiang (1992), Wilson và cộng sự (1992), Altman và cộng sự (1994), Boritz và Kennedy (1995), Back và cộng sự (1996), Yang và cộng sự (1999), Fan và Palaniswami (2000), Atiya (2001) sử dụng thuật toán khám phá được chú ý như mạng nơ ron (neural networks) và cây phân nhánh (decision tree) và được áp dụng cho các vấn đề dự báo phá sản để dự báo kiệt quệ tài chính cho ngành ngân hàng và một số ngành nghề kinh doanh khác vẫn tiếp tục còn giá trị thực tiễn.

Mạng nơ ron được khám phá là một cách phân loại tốt hơn là các phương pháp phân tích biệt số trong một số công trình dựa trên số liệu thống kê từ các công ty Mỹ (Odom và Shada, 1990; Wilson và Sharda, 1994). Tuy nhiên, khuyết điểm chính của các mô hình nơ ron là sự khó khăn khi xây dựng mô hình, thời gian cần để hoàn tất quá trình lặp đi lặp lại và sự khó khăn trong việc diễn dịch mô hình. Zheng và Yanhui (2007) cho rằng mô hình mạng nơ ron là phức tạp trong xây dựng và diễn dịch hoặc mô hình thống kê như là hồi quy bội và hồi quy logistic khi những mẫu cơ sở dữ liệu cần phân tách một cách tuyến tính và mẫu phải theo phân phối chuẩn đa biến. Nghiên cứu này sử dụng mô hình cây phân nhánh (decision tree) khám phá ra những nhân tố ảnh hưởng đến dự báo kiệt quệ tài chính là dòng tiền từ hoạt động/ Nợ, ROA, Tăng trưởng tổng tài sản và tỷ lệ phải thu khách hàng. Hai ông cũng lưu ý rằng thật không phù hợp khi sử dụng thông tin tài chính để dự báo kiệt quệ tài chính chỉ trước 4 năm. Tuy nhiên, kết quả này được chứng minh bởi kết quả của nghiên cứu kiểm định trong đó chỉ ra mô hình phân nhánh cây là mô hình có giá trị trong dự báo kiệt quệ tài chính ở Trung Quốc với mức độ giải thích lên tới 80%.

Altman (1968) nghiên cứu các công ty khác nhau tại Mỹ và phát minh ra chỉ số Z (Z-Score). Chỉ số này được công nhận và sử dụng rộng rãi nhiều tại nhiều nước trên thế giới. Chỉ số Z bao gồm 5 chỉ số X1, X2, X3, X4, X5:

X1 = Tỷ số Vốn Lưu Động trên Tổng Tài Sản (Working Capitals/Total Assets). X2 = Tỷ số Lợi Nhuận Giữ Lại trên Tổng Tài Sản (Retain Earnings/Total Assets)

X3 = Tỷ Số Lợi Nhuận Trước Lãi Vay và Thuế trên Tổng Tài sản (EBIT/Total Assets)

X44 = Giá Trị Thị Trường của Vốn Chủ Sỡ Hữu trên Giá trị sổ sách của Tổng Nợ (Market Value of Total Equity / Book values of total Liabilities)

X5= Tỷ số Doanh Số trên Tổng Tài Sản (Sales/Total Assets)

Cụ thể như trường hợp doanh nghiệp đã cổ phần hóa ngành sản xuất, Altman đề xuất mô hình:

Z = 1.2 × X1 + 1.4 × X2 + 3.3 × X3 + 0.64 × X4 + 0.999 × X5 Mô hình này được diễn giải như sau:

* Nếu Z > 2.99 Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ kiệt quệ. * Nếu 1.8 < Z < 2.99 Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ kiệt

quệ.

* Nếu Z <1.8: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ kiệt quệ cao.

Từ mô hình của Altman có thể thấy doanh nghiệp cần quản trị để tăng chỉ số Z lên, tùy theo tình huống mà sẽ quyết định những giải pháp cụ thể. Ví dụ: trong trường hợp tài sản đang bị nợ, khi bán chúng đi, vốn luân chuyển có thể sẽ không tăng lên, nhưng tổng nợ (mẫu số X4) sẽ giảm, chi phí lãi vay và khấu hao sẽ giảm. Tỷ lệ lợi nhuận vì thế sẽ tăng, tử số X2, X3 sẽ tăng lên. Nếu quản lý tốt doanh nghiệp sẽ có thêm tiền mặt để hoạt động, tức là có thêm vốn luân chuyển điều này làm tử số X1 tăng lên theo. Từ ví dụ trên, có thể thấy việc bán đi những tài sản không hoạt động sẽ tạo ra ảnh hưởng tốt đến sự tăng trưởng của các chỉ số Z. Cần lưu ý không phải việc bán tài sản nào cũng làm chỉ số Z tăng lên (những tài sản là nguồn chủ yếu phát sinh doanh thu) do đó doanh nghiệp phải cẩn trọng trong việc phân loại tài sản.

Boyd và Graham (1986) sử dụng Z-score = [E(ROA) + ETA]/ σROA đã đánh giá rủi ro phá sản. Hannan và Hanweck (1988) phát triển chỉ số rủi ro (the risk index) Z-score = [ROAbq + ETA]/σROA nêu tương tác giữa rủi ro danh mục ngân hàng và vốn CSH, đồng thời cho rằng rủi ro kiệt quệ phụ thuộc hai thành tố này. Z- score thể hiện việc giảm thu nhập sẽ làm thâm hụt vốn, từ đó khiến ngân hàng lâm vào trạng thái kiệt quệ và đứng trước nguy cơ phá sản. Cho đến nay chỉ số Z-score được áp dụng rộng rãi cho các nghiên cứu về sức khỏe và rủi ro phá sản ngân hàng. Theo Foos và cộng sự (2010) đưa nghiên cứu bổ sung sử dụng chỉ số Z-score = Mean[ROA + ETA]/σROA theo đề xuất của Roy (1952) và Boyd và Runkle (1993) đo lường rủi ro kiệt quệ tài chính của các công ty.

Trong các mô hình dự báo thì xác suất mắc sai lầm loại I và II trong dự báo được nhắc đến khá nhiều trong các tài liệu thống kế hoạch và đây là những loại sai lầm đặc trưng cơ bản trong các mô hình dự báo.

Bảng 1.1. Ma trận nhầm lẫn (Confusion matrix)

Vỡ nợ Không vỡ nợ

Bác bỏ Dự đoán đúng (TN) Lỗi loại I (FN)

Không bác bỏ Lỗi loại II (FP) Dự đoán đúng (TP)

Sử dụng phương pháp kiểm định hệ số tương quan Matthews (Matthews correlation coeficient) để kiểm định đối với sử dụng mô hình Z-score. Hệ số tương quan Mathews là hệ số đánh giá độ chất lượng của hệ thống phân loại nhị phân (quality of binary classifications – MCC) được coi là một trong các đại lượng tốt nhất, không chỉ đánh giá được hệ thống phân loại nhị phân mà còn có thế dùng cho hệ thống phân loại khác nhau.

1.4.4.4. Mô hình CVaR

Hiệp ước Basel quy định VaR là thước đo yêu cầu để xác định mức an toàn vốn cho rủi ro thị trường. Không chỉ đo lường rủi ro thị trường, VaR cũng được ứng dụng để đo lường rủi ro tín dụng. Một số mô hình ứng dụng VaR đối với rủi ro tín

dụng có thể kể đến như mô hình CreditMetrics (Gupton và cộng sự, 1997), mô hình CreditPortfolioView (Wilson, 1998).

Allen và Powell (2006; 2007) khám phá ra CVaR như là một phương pháp tương đương VaR trong việc đo lường rủi ro thị trường và tín dụng. CVaR cho ra những kết quả phù hợp với VaR khi áp dụng cho các loại rủi ro ngành ở Australia, nhưng thêm vào đó là thuận lợi cho việc đo lường lợi tức cực biên. CVaR là một thước đo rủi ro chặt chẽ với nhiều thuộc tính như mong muốn như là tính lồi và tính đơn điệu, hai trong số những tính chất đáng quan tâm nhất. CVaR xác định số lượng tổn thất có thể gặp phải trong đuôi (tail) phân phối. Theo Rockefeller và Uryasev (2002; 2000) thì nghiên cứu CVaR đối với các bài toán tối đa hóa danh mục đầu tư và cũng đưa ra những bằng chứng cho thấy CVaR hiệu quả hơn VaR.”

Một phần của tài liệu Phân tích các nhân tố ảnh hưởng tới khả năng vỡ nợ của khách hàng pháp nhân tại Ngân hàng TMCP Ngoại thương Việt Nam – chi nhánh Ba Đình (Trang 33 - 38)

Tải bản đầy đủ (DOCX)

(101 trang)
w