hàng doanh nghiệp
Theo hướng dẫn của Oesterreichische National Bank về quản lý rủi ro tín dụng thì các mô hình thường được sử dụng trong việc xếp hạng tín dụng các doanh nghiệp bao gồm:
2.3.1. Mô hình chuẩn đoán (Mô hình Heuristic)
Mô hình chuẩn đoán là mô hình thực hiện thu thập và xử lý những đánh giá, dự báo bằng cách tập hợp và hỏi các ý kiến chuyên gia để đưa đến kết luận, nhận định. Mô hình chuẩn đoán sẽ đưa ra những dự báo khách quan về tình hình hiện tại và tương lai phát triển của một lĩnh vực khoa học dựa trên việc xử lý có hệ thống đánh giá các dự báo của các chuyên gia. Có rất nhiều loại mô hình chuẩn đoán và được chia thành:
- Bảng câu hỏi đánh giá cổ điển (“Classic” rating Questionnaires) - Mô hình định tính (Qualitative Systems)
- Mô hình chuyên gia - Mô hình Fuzzy Logic
Nhược điểm chung của các mô hình chuẩn đoán là chất lượng của các mô hình này phụ thuộc vào kinh nghiệm chủ quan của các chuyên gia tín dụng. Hơn nữa không chỉ các nhân tố liên quan đến khả năng trả nợ được xác định bằng kinh nghiệm mà mức độ tương quan và các trọng số của các nhân tố trong toàn bộ đánh giá cũng đều dựa trên kinh nghiệm chủ quan của chuyên gia. Do đó, trên thực tế mô hình chuẩn đoán ít được sử dụng trong nghiên cứu.
2.3.2. Mô hình thống kê (Statistical models)
Mô hình thống kê là một trong những phương pháp nghiên cứu chính xác. Phương pháp thống kê là một quá trình, bao gồm điều tra thống kê, khái quát hóa thông tin (tổng hợp thống kê), phân tích và dự báo. Mô hình này có khả năng ứng dụng các phương pháp phân tích thống kê nhiều chiều, lý thuyết điều khiển, lý thuyết dự báo… cũng như ứng dụng công nghệ trong quá trình nghiên cứu. Sau đây là một số các mô hình được áp dụng tương đối phổ biến.
2.3.2.1. Mô hình phân tích biệt thức (Dirciminant Analysis models)
Mô hình phân tích biệt thức là một kỹ thuật thống kê được sử dụng để phân loại một quan sát vào một trong vài nhóm định danh dựa theo những đặc điểm cá biệt của các quan sát này. Mô hình phân tích biệt thức đơn giản nhất là xây dựng quan hệ tuyến tính của những đặc điểm có thể phân biệt tốt nhất giữa các nhóm công ty. Trong mô hình phân tích biệt thức, một sự kết hợp giữa các hệ số biệt thức và các chỉ số định lượng được tạo ra để cho phép phân loại trường hợp tốt và xấu.
Mục tiêu chung của mô hình phân tích biệt thức trong đo lường rủi ro vỡ nợ là phân biệt giữa công ty có nguy cơ vỡ nợ và các công ty không có nguy cơ vỡ nợ một cách khách quan và chính xác nhất thông qua hàm biệt thức trong đó các biến số là biến định lượng (số liệu được thu thập từ báo cáo tài chính). Mục tiêu chính là tìm ra
một tổ hợp tuyến tính của các biến nhằm phân biệt các nhóm, các cá thể trong mỗi nhóm gần nhau nhất và các nhóm được phân biệt tốt nhất (xa nhau nhất). Sau đó được chuyển đổi thành một hàm biệt thức, hay còn gọi là hệ số Z. Hàm biệt thức này có dạng:
Trong phương trình này:
D = Chỉ số đo lường toàn bộ mức độ rủi ro của người vay Ki = Các hệ số biệt thức
ai = Các chỉ số tài chính
n = số lượng các chỉ số tài chính
Ưu điểm của mô hình phân tích biệt thức là mô hình này được vận dụng khá nhiều trong XHTD và có khả năng phân biệt được các nhóm KHDN có khả năng trả nợ hoặc không có khả năng trả nợ. Hơn nữa, thực tế cho thấy mô hình này khá đơn giản và dễ áp dụng.
Mặc dù mô hình phân tích biệt thức là một mô hình được đánh giá có khá nhiều ưu điểm và được nhiều nhà nghiên cứu sử dụng trong việc ước lượng khả năng vỡ nợ của đối tượng là các khách hàng vay vốn tại các TCTD. Tuy nhiên mô hình này chỉ thực sự thích hợp với việc phân tích các số liệu là các chỉ tiêu tài chính (chỉ số định lượng) hơn là xem xét phân tích các chỉ tiêu phi tài chính (chỉ tiêu định tính). Và để đánh giá tính thích hợp của mô hình phân tích phân biệt thì các nhà nghiên cứu phải kiểm định xem mô hình có thỏa mãn các giả thiết toán học không, đặc biệt là tính phân phối chuẩn của các nhân tố liên quan tới khả năng trả nợ. Nếu giả thiết về tính phân phối chuẩn không được thỏa mãn thì kết quả mô hình là không tối ưu, không đạt được sự công nhận và ít có ý nghĩa trong sử dụng.
2.3.2.2. Mô hình hồi quy
Giống như mô hình phân tích biệt thức, mô hình hồi quy đưa ra một mô hình thể hiện sự phụ thuộc của một biến theo các biến độc lập khác. Mục tiêu chính là để xác định xác suất trả nợ vay của khách hàng với một tập hợp các đặc điểm nhất định bằng cách sử dụng khả năng ước lượng tối đa. Các mô hình hồi quy thường được sử dụng để đánh giá xác suất vỡ nợ: mô hình hồi quy Probit và Logit. Tuy nhiên, nghiên cứu sử dụng mô hình probit và phần mở rộng của nó là khá hạn chế. Còn trong mô hình Logit, biến phụ thuộc là biến giả, chỉ nhận giá trị 0 hoặc 1. Mô hình này giúp xác định được khả năng khách hàng sẽ có rủi ro tín dụng (biến phụ thuộc) trên cơ sở sử dụng các nhân tố có ảnh hưởng đến khách hàng (biến độc lập). Mô hình này được thể hiện như sau:
Trong công thức này:
Ki = giá trị cụ thể của các tiêu chí mức độ tín nhiệm bi = hệ số của mỗi chỉ số
n = số lượng các chỉ số tài chính
Mô hình Logit có một số lợi thế hơn mô hình phân tích biệt thức:
Thứ nhất, mô hình hồi quy Logit không yêu cầu các nhân tố đầu vào phân phối
chuẩn. Điều này cho phép mô hình hồi quy Logit xử lý những nhân tố về nguy cơ phá sản định tính mà không cần sự biến đổi như trước đây (Johnsen & Melicher, 1994).
Thứ hai, các kết quả của mô hình Logit hiển thị một số từ số không đến một, do
đó nó có thể giải thích được xác suất trả nợ của khách hàng. Kết quả này cũng được coi là rõ ràng và chính xác hơn so với những kết quả được đưa ra từ mô hình phân tích biệt thức.
Thứ ba, hồi quy Logit đòi hỏi dữ liệu ít hơn so với mô hình phân tích biệt thức.
Do đó trong những năm gần đây mô hình hồi quy Logit được sử dụng rộng rãi hơn cả trong nghiên cứu khoa học và thực tiễn.
2.3.2.3. Mô hình mạng nơron (Neural Network Models)
Mô hình mạng nơron sử dụng các nguyên tắc tính toán song song bao gồm nhiều quá trình tính toán đơn giản kết nối với nhau. Trong mỗi quá trình, các phép tính được thực hiện rất đơn giản, do một nơron đảm trách. Tuy nhiên, chính những nơron đơn giản này có thể giải quyết được những nhiệm vụ rất phức tạp khi được kết nối và tổ chức một cách hợp lý và logic.
Mạng nơron đặc biệt thích hợp cho các mô tả của mô hình đánh giá phức tạp mà phải lấy nhiều loại thông tin khác nhau. Một ưu điểm của mô hình này là nó có thể giải quyết các mối quan hệ phi tuyến tính và chứa thông tin còn thiếu (Charalambous, Charitou & Neophytou, 2000). Tuy nhiên, mô hình mạng nơron vẫn không được sử dụng phổ biến trong thực tế do những lý do sau đây:
Thứ nhất, mô hình mạng nơron đòi hỏi dữ liệu đầu vào lớn, với ít nhất 500 quan
sát hoặc hơn (Kumar & Ravi, 2007).
Thứ hai, các bước thực hiện trong mô hình mạng nơron khá phức tạp và khó sử
dụng đối với người dùng, và do đó dễ xảy ra nhiều vấn đề.
2.3.3. Phương pháp quan hệ nhân quả (Causal models)
Phương pháp quan hệ nhân quả thực hiện liên kết để phân tích tín dụng trên cơ sở lý thuyết tài chính. Điều này có nghĩa là phương pháp thống kê không được sử dụng để kiểm tra giả thuyết từ một tập hợp dữ liệu thực nghiệm.
2.3.3.1. Mô hình định giá quyền chọn giá (Option pricing models)
Phương pháp được sử dụng trong trường hợp không tập hợp đủ dữ liệu các trường hợp khách hàng không trả được nợ để phát triển mô hình thống kê. Tuy nhiên, phương pháp này đòi hỏi dữ liệu về giá trị thị trường của nợ vay và vốn chủ sở hữu, và đặc biệt là sự biến động bất thường. Ý tưởng chính cơ bản mô hình tùy chọn định giá là khách hàng không trả nợ sẽ xảy ra khi giá trị thị trường của khoản vay giảm xuống dưới giá trị của khoản nợ (Merton, 1974).
Có thể thấy ưu điểm của mô hình định giá quyền chọn giá là mô hình này rất thích hợp trong việc XHTD các DN lớn, đã niêm yết trên thị trường chứng khoán. Tuy nhiên cũng chính vì ưu điểm này mà mô hình định giá quyền chọn chỉ có thể xác định được khi thu thập đầy đủ các thông số đầu vào cần thiết cho mô hình. Vì vậy khi sử dụng mô hình này các nhà nghiên cứu cần phải xem xét độ tin cậy của các thông số đầu vào để đảm bảo mô hình hoạt động hiệu quả.
2.3.3.2. Mô hình lưu chuyển tiền tệ
Đặc biệt phù hợp để đánh giá khả năng trả nợ cho các giao dịch cho vay đặc biệt, như nguồn trả nợ của khách hàng phụ thuộc vào dòng tiền phát sinh từ tài sản được tài trợ.
Mô hình lưu chuyển tiền tệ là tương đối thích hợp với các khoản vay như tài trợ dự án có nguồn thu nhập là nguồn trả nợ. Yếu tố quyết định sự thành công của mô hình là tính phù hợp của dòng tiền tương lai và các yếu tố chiết khấu. Tuy nhiên nhược điểm của mô hình này đó là mô hình lưu chuyển tiền tệ được tính trực tiếp trên cơ sở giá trị lịch sử, do đó ngân hàng phải đảm bảo rằng các dữ liệu được sử dụng có thể đại diện cho tổng thể.
2.3.4. Mô hình kết hợp
Thông qua các phân tích, nhận xét về các mô hình đo lường khả năng trả nợ của KHDN cho thấy không có mô hình nào là hoàn hảo mà mỗi mô hình sẽ thích hợp cho một số nội dung đánh giá nhất định. Vì vậy, để tận dụng được những ưu điểm và hạn chế nhược điểm của mỗi mô hình, ngân hàng có thể áp dụng mô hình kết hợp.