CHƢƠNG 1 : GIỚI THIỆU TỔNG QUAN NGHIÊN CỨU
4.3 Kết quả nghiên cứu
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 tốn 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 quát 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 quân 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 không 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 (q 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 Cơng 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