Wald Test
H0 β7 = β8 = 0
H1 Có ít nhất 1 hệ số khác 0
Nhận xét: giá trị p-value của chi-square là 0.3071 lớn hơn mức ý nghĩa α = 5%. Ta
kết luận biến giải thích X7, X8 khơng có ý nghĩa trong mơ hình. Tiến hành loại trừ 2 biến X7, X8 và hồi quy mơ hình với các biến cịn lại:
Bảng 4.9: Kết quả ƣớc lƣợng mơ hình Logistic sau khi loại trừ X7, X8
Hệ số hồi quy P - value
Số quan sát Log likelihood LR Chi 2 P-value (Chi2) X1 -13.91 0.002 100 -16.23 55.47 0.00 X3 -27.03 0.008 X4 2.13 0.009 X5 -1.97 0.006 X6 -1.24 0.002 X10 144.37 0.001 _cons 22.72 0.008
Nguồn: Kết quả xử lý dữ liệu từ Stata
Từ bảng trên ta thấy hệ số prob của biến X1 = 0.002, X3= 0.008, X4= 0.009, X5= 0.006, X6= 0.002, X10= 0.001 đều nhỏ hơn 0.05. Với mức ý nghĩa 5% thì các biến này
đều có ý nghĩa thống kê. Các giá trị của hệ số hồi quy β1 =13.91, β3 =-27.03, β4 =2.13, β5 =-1.97, β6 = -1.24, β10 = 144.37 tương ứng với X1, X3, X4, X5 , X6,X10 sẽ ảnh hưởng đến xác suất để Y nhận giá trị bằng 0 hoặc 1.
Tiến hành kiểm định mức độ phù hợp của mơ hình: H0: β1 = β3 = β4 = β5 = β6 =β10 = 0;
H1: Có ít nhất một hệ số beta khác 0.
Dựa trên kết quả hồi quy, giá trị p-value của Chi-square = 0.00 < α= 5%, suy ra bác bỏ giả thiết H0, ta có thể kết luận mơ hình tổng qt cho thấy mối tương quan giữa biến phụ thuộc và các biến độc lập trong mơ hình có ý nghĩa thống kê với khoảng tin cậy 95%. Các biến X1, X3, X4, X5 , X6,X10 đều có ý nghĩa thống kê, nghĩa là các chỉ
số: thanh toán hiện thời, tỷ số nợ trên tổng tài sản, tỷ số nợ trên vốn chủ sở hữu, vòng quay tổng tài sản, vòng quay khoản phải thu, tỷ suất sinh lợi trên doanh thu có tác động đến xác suất vỡ nợ của khách hàng doanh nghiệp. Sau khi xác định các chỉ tiêu tài chính có ảnh hưởng đến khả năng trả nợ, luận văn đưa ra phương trình tính xác suất xuất hiện nợ xấu của mỗi doanh nghiệp như sau:
=
Doanh nghiệp có xác suất càng cao thì rủi ro tín dụng cao và ngược lại. Dựa vào kết quả tính tốn xác suất của khách hàng, đối chiếu với các thông tin thu thập được từ quá trình thẩm định, ngân hàng có thể xác định được doanh nghiệp đang thuộc vùng an toàn hay vùng cảnh báo để chủ động trong cơng tác quyết định cấp tín dụng. Kết quả tính tốn xác suất được so sánh với hạng hệ thống thực tế của từng doanh nghiệp, trên cơ sở đó luận văn đề xuất mối liên hệ giữa xác suất vỡ nợ tương ứng với từng hạng khách hàng.
Bảng 4.10: Kết quả tính Specifity và Sensitivity tại các ngƣỡng xác suất
Cut off point Specifity Sensitivity SUM
0.01 64.3% 93.8% 157.8% 0.10 83.3% 93.8% 177.1% 0.20 92.9% 93.8% 186.7% 0.30 95.2% 93.8% 189.0% 0.40 97.6% 87.5% 185.1% 0.50 97.6% 81.3% 178.9%
0.60 100% 81.3% 181.3%
0.70 100% 75.0% 175.0%
0.80 100% 62.5% 162.5%
0.90 100% 25.0% 125.0%
0.99 100% 12.5% 112.5%
(Nguồn: Tổng hợp kết quả xử lý dữ liệu từ SPSS)
Tham khảo nghiên cứu của Soureshjani và Kimiagari, luận văn hồi quy xác định giá trị Specifity và Sensitivity tại các ngưỡng xác suất từ 0.01 đến 0.99, giá trị Specifity thể hiện phần trăm dự báo khách hàng trả nợ đúng hạn tăng dần từ 64.3% tại ngưỡng xác suất 0.01 đến 100% tại xác suất 0.99 và ngược lại Sensitivity- phần trăm dự báo khách hàng có nợ quá hạn giảm dần từ 93.8% tại ngưỡng xác suất 0.01 xuống còn 12.5% tại xác suất 0.99. Tổng giá trị Specifity và Sensitivity đạt 177.1% tại xác suất 0.1, 186.7% tại 0.2 và tại ngưỡng 0.3 giá trị này đạt 189.0%. Tại ngưỡng xác suất 0.3, Specifity đạt 95.2%, Sensitivity đạt 93.8%, tổng giá trị Specifity và Sensitivity đạt tối đa, đây là ngưỡng tối ưu của mơ hình. Tại ngưỡng này, mức độ dự báo chính xác của mơ hình là tốt nhất, xác suất dự báo đúng một khách hàng tốt là 95,2% (hay xác suất mắc sai lầm loại 1 là 4,8%) và xác suất dự báo đúng một khách hàng xấu là 93.8% (hay xác suất mắc sai lầm loại 2 là 6,2%). Tại mức xác suất 0.4, giá trị tính tốn cho tổng trên đạt 185.1% và giảm dần ở các mức tiếp theo, xuống còn 125.0% tại xác suất 0.9 và còn 112.5% tại 0.99. Từ kết quả nghiên cứu, ta kết luận các khách hàng có mức xác suất ≤ 0.3 được xếp vào nhóm khách hàng có mức độ an tồn tín dụng cao và ngược lại các khách hàng có xác suất > 0.3 được xếp vào nhóm có rủi ro tín dụng. Giá trị này được thể hiện trong bảng 4.10 và hình 4.2 sau đây:
Hình 4.2: Ngƣỡng xác suất tối ƣu trong dự báo xác suất vỡ nợ
(Nguồn: Tác giả tự xây dựng dựa trên kết quả xử lý dữ liệu từ SPSS)
Kết quả hồi quy tìm ra ngưỡng xác suất tối ưu hay điểm cut-off của mơ hình, tại điểm này các khoảng các giữa hai đường biểu diễn giá trị Specifity và Sensitivity là nhỏ nhất.
4.3.3 Kiểm định mức độ dự báo chính xác của mơ hình
Luận văn tiến hành kiểm định mức độ dự báo chính xác của mơ hình nghiên cứu thơng qua kết quả hồi quy Neural Network. Dữ liệu đầu vào mơ hình là 6 biến X1- tỷ số thanh toán hiện thời, X3 -tỷ số nợ trên tổng tài sản, X4- tỷ số nợ trên vốn chủ sở hữu, X5- vòng quay tổng tài sản, X6- vòng quay khoản phải thu và X10- tỷ suất sinh lợi trên doanh thu được xác định từ mơ hình Logistic (chi tiết theo Phụ lục 13). Dữ liệu bao gồm 100 quan sát trong đó 70% được sử dụng cho tập huấn luyện (training) và 30% được sử dụng cho tập kiểm tra (testing-dùng để ước lượng khái qt hóa trong phân tích mà mơ hình đạt được sau khi trải qua bước huấn luyện). Luận văn tham khảo tỷ lệ
0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0.01 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 0.99 Sensitivity Specifity
cộng sự (2008), trong đó khơng có giá trị dự báo ngồi mẫu. Qua q trình hồi quy, mơ hình xác định được số lớp ẩn và trọng số của các biến đầu vào, kết quả dự báo của mơ hình được thể hiện trong Bảng 4.11:
Bảng 4.11: Kết quả dự báo của mơ hình Neural Network
Sample Observed Predicted
0.00 1.00 Percent Correct Training y 0.00 60 0 100.0% 1.00 3 7 70.0% Overall Percentage 90.0% 10.0% 95.7% Testing y 0.00 24 0 100.0% 1.00 1 5 83.3% Overall Percentage 83.3% 16.7% 96.7%
(Nguồn: Kết quả xử lý dữ liệu từ SPSS)
Để đánh giá chất lượng đầu ra của mơ hình ta sử dụng biểu đồ ROC (Receiver Operating Characteristic). Biểu đồ mô tả mối liên hệ giữa độ nhạy (Sensitivity) và độ đặc hiệu (Specifity), có trục tung là Sensitivity và trục hồnh là 1- Specifity. Một cách bình qn hóa tốt nhất là ước tính diện tích dưới đường biểu diễn ROC (còn gọi là Area Under Curve – AUC). Theo qui ước thì một mơ hình với AUC trên 0.9 được xem là rất tốt, trên 0.8 được xem là tốt; cịn AUC dưới 0.6 được xem là khơng tốt và khơng thể áp dụng; mơ hình nào có AUC cao hơn có nghĩa là sẽ đó có độ chính xác cao hơn (Chrzanowski, 2014). Biểu đồ ROC mô tả mối liên hệ giữa Sensitivity và Specifity, có trục tung là Sensitivity và trục hồnh là 1- Specifity có dạng như sau:
(Nguồn: Kết quả xử lý dữ liệu từ SPSS)
Giá trị dự báo đúng đối với tập mẫu huấn luyện là 95,7% và mẫu kiểm tra là 96,7%. Bên cạnh đó, phần diện tích dưới đường biểu diễn ROC đạt 96.4% > 90% cho thấy hiệu quả dự báo của mơ hình là rất tốt.
Ngồi ra, luận văn phân tích thêm một thành phần của mơ hình Neural Network, thể hiện mức độ quan trọng của dữ liệu đầu vào đối với q trình xử lý thơng tin (quá trình chuyển đổi dữ liệu từ lớp ẩn này này sang lớp ẩn khác) đó chính là trọng số. Trọng số là tỷ lệ kết nối các biến giải thích Xi để dự báo biến phụ thuộc Y thơng qua hàm kích hoạt diễn ra trong q trình huấn luyện mạng neuron. Kết quả hồi quy mơ hình Neural Network xác định được vai trị của từng biến độc lập trong dự báo xác suất khơng thanh tốn nợ vay như sau:
Bảng 4.12: Kết quả đánh giá trọng số các biến trong mơ hình Neural Network
STT Biến Trọng số
1 X1 86.6% 2 X3 85.7% 3 X4 79.4% 4 X5 37.7% 5 X6 100.0% 6 X10 95.9%
(Nguồn: Kết quả xử lý dữ liệu từ SPSS)
Qua kết quả ước lượng mơ hình Logistic và Neural Network các yếu tố tác động đến khả năng trả nợ của khách hàng được xác định. Trong đó, các tỷ số thanh toán hiện thời, tỷ số nợ trên tổng tài sản, tỷ số nợ trên vốn chủ sở hữu, vòng quay khoản phải thu, hệ số biên lợi nhuận đóng vai trị quan trọng (>70%) trong dự báo xác suất vỡ nợ của một khách hàng doanh nghiệp. Một chỉ tiêu khác cũng có vai trị khá quan trọng chính là vịng quay tổng tài sản chiếm trọng số 37,7%. Luận văn kiểm định tính chính xác trong dự báo của mơ hình nghiên cứu, kết quả cho thấy mức độ dự báo là khá cao (>95%). Như vậy, việc ứng dụng mơ hình Logistic và Neural Network vào nghiên cứu thực nghiệm trên không chỉ để để dự báo biến kinh tế mà còn dự báo xác suất vỡ nợ. Đây có thể là một gợi ý cho những nghiên cứu chuyên sâu hơn đối với hướng vận dụng một trong hai mơ hình vào dự báo xác suất khơng thanh tốn nợ vay của khách hàng doanh nghiệp trong xếp hạng tín dụng tại các NHTM.
KẾT LUẬN CHƢƠNG 4
Trong chương 4, luận văn đã trình bày về mơ hình, phương pháp và dữ liệu để tiến hành nghiên cứu thực nghiệm đối với mẫu quan sát là các doanh nghiệp có quan hệ tín dụng tại Ngân hàng TMCP Công Thương Việt Nam. Các kết quả kiểm định đưa ra các yếu tố tác động đến khả năng trả nợ của khách hàng bao gồm: tỷ số thanh toán
hiện thời, tỷ số nợ trên tổng tài sản, tỷ số nợ trên vốn chủ sở hữu, vòng quay tổng tài sản, vòng quay khoản phải thu, tỷ suất sinh lợi trên doanh thu.
Kết quả dự báo xác suất vỡ nợ là cơ sở để ngân hàng phân loại khách hàng và nhận diện rủi ro. Doanh nghiệp có xác suất càng cao thì rủi ro tín dụng cao và ngược lại. Thơng qua kết quả từ mơ hình, ngân hàng có thể xác định được doanh nghiệp nào đang nằm trong vùng an toàn, doanh nghiệp nào nằm trong vùng cảnh báo từ đó giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro. Q trình phân tích mơ hình Logistic và Neural Network đã giúp cho luận văn xác định được mức độ tác động của các biến giải thích lên xác suất vỡ nợ của khách hàng doanh nghiệp, cũng như xác định ngưỡng xác suất an toàn, là cơ sở để nghiên cứu đề xuất việc vận dụng mơ hình định lượng Logistic và Neural Network trong XHTD khách hàng doanh nghiệp trong nội dung chương 5.
CHƢƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ NHẰM ỨNG DỤNG HIỆU QUẢ MƠ HÌNH VÀO XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP TẠI NGÂN HÀNG TMCP CÔNG THƢƠNG VIỆT NAM
5.1 Kết luận
XHTD đóng vai trị rất quan trọng trong hoạt động quản trị rủi ro tín dụng tại Ngân hàng TMCP Công Thương Việt Nam, là cơng cụ hỗ trợ quyết định cấp tín dụng. Xuất phát từ vấn đề trên, luận văn đã phân tích thực trạng XHTD đồng thời áp dụng phương pháp phân tích định lượng thơng qua mơ hình hồi quy Logistic và Neural Network, lấy số liệu từ 100 báo cáo tài chính đã qua thẩm định của 100 khách hàng doanh nghiệp có quan hệ tín dụng tại Ngân hàng TMCP Cơng Thương Việt Nam giai đoạn 2011-2015 để ước lượng xác suất vỡ nợ. Luận văn sử dụng các biến tài chính thuộc 4 nhóm chỉ tiêu phổ biến để xây dựng mơ hình dự báo xác suất vỡ nợ gồm: nhóm chỉ tiêu thanh khoản, nhóm chỉ tiêu cân nợ, nhóm chỉ tiêu về hiệu quả hoạt động và nhóm chỉ tiêu thu nhập. Với mục tiêu và phương pháp trên, luận văn đã đạt được những kết quả chính sau: Phân tích và đánh giá được thực trạng XHTD khách hàng doanh nghiệp tại Ngân hàng TMCP Cơng Thương Việt Nam. Nhận thấy, qua q trình triển khai áp dụng, mơ hình XHTD đã mang lại nhiều hiệu quả, hỗ trợ hoạt động cấp tín dụng, tuy nhiên vẫn tồn tại một số điểm hạn chế. Qua nghiên cứu, luận văn xác định được các chỉ tiêu tài chính tác động đến khả năng trả nợ của khách hàng gồm: tỷ số thanh toán hiện thời, tỷ số nợ trên tổng tài sản, tỷ số nợ trên vốn chủ sở hữu, vòng quay tổng tài sản, vòng quay khoản phải thu, tỷ suất sinh lợi trên doanh thu. Kết quả dự báo xác suất vỡ nợ từ hồi quy mơ hình Logistic và Neural Network là cơ sở để ngân hàng phân loại khách hàng và nhận diện rủi ro. Mơ hình thể hiện được tính khách quan, không phụ thuộc vào ý kiến chủ quan của các cán bộ thẩm định tín dụng khi nguồn dữ liệu đầu vào chủ yếu được lấy từ các báo cáo tài chính, qua đó cơng tác tư vấn, ra quyết định tín dụng và dự báo sự chuyển hạng của khách hàng doanh nghiệp một cách nhanh chóng và hiệu quả hơn.Thơng qua kết quả mơ hình, ngân hàng có thể
xác định được doanh nghiệp nào đang nằm trong vùng an toàn, doanh nghiệp nào nằm trong vùng cảnh báo từ đó giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro.
5.2 Kiến nghị đối với Ngân hàng TMCP Công Thƣơng Việt Nam
Dựa vào các kết quả nghiên cứu, luận văn đưa ra một số khuyến nghị nhằm ứng dụng hiệu quả mô hình Logistic và Neural Network vào XHTD khách hàng doanh nghiệp tại Ngân hàng TMCP Công Thương Việt Nam trên cơ sở các hạn chế còn tồn tại được phân tích trong nội dung chương 3.
5.2.1 Nghiên cứu vận dụng kết hợp mơ hình Logistic và Neural Network trong xếp hạng tín dụng xếp hạng tín dụng
Trong các nghiên cứu ứng dụng công cụ định lượng vào XHTD doanh nghiệp, mơ hình Logistic và Neural Network đã được áp dụng rộng rãi tại nhiều nước tuy nhiên chưa ứng dụng nhiều tại Việt Nam. Thơng qua nghiên cứu mơ hình XHTD tại Ngân hàng TMCP Công Thương Việt Nam, luận văn đề xuất thêm việc ứng dụng hai mơ hình này trong dự báo, đánh giá sơ bộ khách hàng, hỗ trợ cho việc ra quyết định cấp tín dụng bên cạnh hệ thống XHTD đã có. Mơ hình Logistic và Neural Network được biết đến là một trong những công cụ hỗ trợ hiệu quả trong nghiên cứu khoa học, kinh doanh và kinh tế đặc biệt là trong dự báo và ra quyết định kinh doanh. Kết quả nghiên cứu đã cung cấp được các yếu tố định lượng quan trọng ảnh hưởng đến xác suất vỡ nợ, cần thiết cho việc đánh giá hiệu quả hoạt động, mức độ rủi ro cũng như dự báo được ngưỡng an tồn tín dụng để đưa ra quyết định tín dụng đối với một doanh nghiệp vay vốn. Việc vận dụng kết hợp mơ hình Logistic và Neural Network trong xếp hạng tín dụng là phương pháp có nhiều ưu điểm, có thể được vận dụng song song cùng với hệ thống XHTD khách hàng doanh nghiệp vì mơ hình gồm các biến độc lập được xây dựng dựa trên các chỉ tiêu trong BCTC, hạn chế tư duy chủ quan trong quá trình quyết định tín dụng. Đây là cơng cụ hữu hiệu cho các phòng ban thẩm định và các cấp
quản trị kiểm sốt rủi ro tín dụng. Chính vì vậy, luận văn đề xuất triển khai ứng dụng mơ hình dự báo trên vào cơng tác xếp hạng tín dụng, như một công cụ củng cố cho những phương pháp truyền thống hiện đang áp dụng.
Cũng từ kết quả phân tích tại chương 4, mơ hình góp phần nâng cao hiệu quả hoạt động tín dụng thơng qua việc xác định ngưỡng an tồn tín dụng. Tại ngưỡng này, các đơn vị cho vay có thể hạn chế tối thiểu các quyết định mắc sai lầm khi từ chối một