Đơn vị tính: % Mức xếp hạng AAA đến AA- A+ đến A- BBB+ đến BB- Dưới BB- Không xếp hạng Trọng số rủi ro 20 50 100 150 100
(Nguồn: Ủy ban Giám sát Ngân hàng Basel năm 2006)
1.2.4 Các mơ hình ƣớc lƣợng xác suất không trả đƣợc nợ của khách hàng doanh nghiệp
Hiện nay, trên thế giới đã có cơng trình nghiên cứu về ước lượng xác suất không trả được nợ của KHDN. Các mơ hình từ đơn giản đến phức tạp, có mơ hình tập trung về chỉ tiêu định tính, có mơ hình tập trung về chỉ tiêu định lượng và mỗi mơ hình đều có những ưu thế và những hạn chế nhất định. Do đó, điều quan trọng, tùy thuộc vào đặc điểm của mỗi NHTM mà tự chọn một mơ hình phù hợp.
1.2.4.1 Mơ hình hồi quy logistics
Mơ hình logistics là một mơ hình nhị thức dùng để tính xác suất của các biến phụ thuộc, với biến phụ thuộc là các chỉ số đặc trưng, chỉ số này được tính nhờ vào các biến số kinh tế ở trong quá khứ và hiện tại. Mơ hình khơng có bất cứ giả thiết nào về phân phối của các biến độc lập, kiểm định thống kê khơng phức tạp, có thể điều chỉnh hàm phi tuyến dễ dàng, các biến độc lập định tính thơng qua việc thiết lập biến giả có thể chuyển thành định lượng. Từ đó có thể được ứng dụng rất nhiều trong thực tiễn như áp dụng vào các chỉ tiêu tài chính, phi tài chính, kinh tế, sản xuất… Các chỉ tiêu thơng qua đó có thể được lượng hóa nhằm so sánh, phân loại và xếp hạng.
Mơ hình logistics được xác định bằng Loge[ = β0 + β1i Xi Trong đó:
P là xác suất để Y chỉ nhận một trong hai giá trị 0 và 1 Y= 1: khách hàng có khả năng trả nợ
Y=0: khách hàng khơng có khả năng trả nợ Xi là các biến độc lập
β1i là hệ số của các biến độc lập β0 là hệ số chặn
Với hồi quy logistics, thông tin cần thu thập về biến phụ thuộc là một sự kiện nào đó có xảy ra hay không, biến phụ thuộc Y lúc này có hai giá trị 0 và 1, với 0 là không xảy ra sự kiện và 1 là có xảy ra sự kiện và tất nhiên là cả thông tin về các biến độc lập X. Từ biến phụ thuộc nhị phân này, một thủ tục sẽ được dùng để dự đoán xác suất sự kiện xảy ra theo quy tắc nếu xác suất được dự đốn lớn hơn 0.5 thì kết quả dự đốn sẽ cho là có xảy ra sự kiện, ngược lại thì kết quả dự đốn sẽ cho là khơng xảy ra sự kiện. Chương trình Eviews sẽ tự động thực hiện việc tính tốn các hệ số và cho hiện cả hệ số thật lẫn hệ số đã được chuyển đổi.
Ưu điểm của mơ hình này khắc phục được những nhược điểm của mơ hình định tính, thể hiện sự khách quan, nhất qn, khơng phụ thuộc vào ý kiến chủ quan của cán bộ tín dụng; Mơ hình Logistic này có kỹ thuật đo lường rủi ro tín dụng khá
đơn giản, dễ thực hiện bằng phần mềm chuyên dụng như Eviews. .Đây là lợi thế nếu so với mơ hình KMV có kỹ thuật đo lường và các bước tính tốn khá phức tạp ; Mơ hình Logistic có thể là cơ sở để ngân hàng phân loại khách hàng và nhận riện rủi ro. Thông qua kết quả từ mơ hình, chúng ta có thể ước lượng được xác suất không trả được nợ của khách hàng, từ đó Ngân hàng có thể xác định được doanh nghiệp nào đang nằm trong vùng an toàn, doanh nghiệp nào nằm trong vùng cảnh báo và giúp ngân hàng chủ động trong việc đưa ra những biện pháp hạn chế rủi ro ; Một ưu điểm nổi bật của mơ hình Logistic so với mơ hình khác, đó là mơ hình Logistic có thể đo lường vai trò của các yếu tố tác động đến hạng tín dụng của khách hàng. Ngồi ra, trong khi mơ hình khác lại cứng nhắc trong việc xem xét các yếu tố tác động tới biến phụ thuộc và các hệ số của chúng, trong khi với mơ hình Logistic chúng ta có thể dễ dàng hiệu chỉnh hoặc thêm bớt các biến nhằm xác định cụ thể tác động của các yếu tố tới rủi ro tín dụng là như thế nào.
Nhược điểm của mơ hình này là phụ thuộc vào mức độ chính xác của nguồn thông tin thu nhập và khả năng dự báo cũng như trình độ phân tích của cán bộ tín dụng. Ngồi ra, mơ hình Logistic bản chất là mơ hình kinh tế lượng, vì vậy khi hệ số xác định ở mức nhỏ thì mơ hình có thể dự báo kém chính xác (thể hiện qua các giá trị phần dư)
1.2.4.2 – Mơ hình KMV
KMV là viết tắt tên của 3 người: Stephen Kealhofer, John McQuown and
Oldrich Vasicek. Ba ông này thành lập ra công ty KMV vào năm 1989 về quản lý
rủi ro, và phát triển mơ hình KMV trong những năm 1990. Hiện tại KMV do công ty Moody’s nắm giữ. Đây là một mơ hình được giới tài chính dùng rất phổ biến: vào năm 2004 có 40 trong số 50 tập đồn tài chính lớn nhất thế giới có đăng ký sử dụ mơ hình này. Về mặt lý thuyết thì nó là mở rộng khơng có gì phức tạp lắm của mơ hình Merton, nhưng sức mạnh của nó nằm ở cơng cụ tính tốn thực nghiệm và testing dựa trên một cơ sở dữ liệu lớn của KMV.
Đại lượng trọng điểm trong mô hình KMV là xác suất vỡ nợ, gọi là EDF - expected default frequency. EDF là xác suất mà một cơng ty sẽ vỡ nợ (default) trong vịng 1 năm theo phương pháp tính tốn của KMV.
Trong mơ hình Merton, thì vỡ nợ xả ray trong trường hợp (tức là giá trị tài sản của công ty sau 1 năm nhỏ hơn số tiền phải trả sau 1 năm), và xác suất để điều đó xảy ra là:
với giả sử giá trị tài sản của cơng ty thỏa mãn phương trình vi phân ngẫu nhiên Ở đây là hàm phân phối xác suất toàn phần của phân bố normal chuẩn tắc.
Trong mơ hình KMV, thì EDF có cấu trúc tương tự như là trong mơ hình Merton, thế nhưng hàm EDF này được tính bằng các dữ liệu thực nghiệm thay vì tính qua cơng thức sử dụng phân bố normal chuẩn tắc và volatility.
Ưu điểm của mơ hình này cũng là mơ hình tốn học nên để dàng tính tốn. Do đây là mơ hình định lượng nên khắc phục được những nhược điểm của mơ hình định tính, thể hiện sự khách quan, nhất qn, không phụ thuộc vào ý kiến chủ quan của cán bộ tín dụng ;
Nhược điểm của mơ hình này là có kỹ thuật đo lường và các bước tính tốn khá phức tạp.
1.2.4.3 - Mơ hình điểm số Z
Mơ hình dự báo xác suất phá sản hay xác suất không trả được nợ của khách hàng được giáo sư người Mỹ Edward. Alman, trường kinh doanh Leonard N.Stern, thuộc trường Đại học New York phát triển vào năm 1968. Mơ hình được đánh giá là dự báo được một cách tương đối chính xác các cơng ty sẽ bị phá sản trong vịng 2 năm thông qua việc xác định hệ số Z – core. Z – core kết hợp 5 tỷ số tài chính khác nhau với các trọng số khác nhau dựa trên phân tích biệt số bội MDA.
Mơ hình 1: Đối với doanh nghiệp ngành sản xuất đã cổ phần hóa Các biến từ X1-X4 đều tính bằng giá trị phần trăm.
Z = 0.012X1+0.014X2+0.033X3+0.0064X4+0.999X5. Các biến từ X1-X5 khơng tính bằng giá trị phần trăm.
Z = 1.2X1+1.4X2+3.3X3+0.61X4+0.999X5
Trong đó
X1: Vốn luân chuyển /Tổng tài sản X2: Lợi nhuận giữ lại/Tổng tài sản X3: EBIT/Tổng tài sản
X4: Giá trị thị trường cả vốn chủ sở hữu/Tổng tài sản X5: Doanh thu/Tổng tài sản
Nếu Z>2.99: doanh nghiệp an tồn, chưa có nguy cơ vỡ nợ cao
Nếu 1.8<Z>2.99: doanh nghiệp nằm trong vùng cảnh báo, có nguy cơ có nguy cơ vỡ nợ
Nếu Z< 1.8: doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ vỡ nợ cao. Mơ hình 2: Đối với DN ngành sản xuất chưa cổ phần hóa
Z = 0.717X1+0.0847X2+3.107X3+0.42X4+0.998X5
Nếu Z>2.9: doanh nghiệp an tồn, chưa có nguy cơ vỡ nợ cao
Nếu 1.23<Z>2.9: doanh nghiệp nằm trong vùng cảnh báo, có nguy cơ có nguy cơ vỡ nợ
Nếu Z< 1.23: doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ vỡ nợ cao Mơ hình 3: Đối với DN khác
Z = 6.56X1+3.26X2+6.72X3+1.05X4
Nếu Z>2.6: doanh nghiệp an tồn, chưa có nguy cơ vỡ nợ cao
Nếu 1.2<Z>2.6: doanh nghiệp nằm trong vùng cảnh báo, có nguy cơ có nguy cơ vỡ nợ
Nếu Z< 1.2: doanh nghiệp nằm trong vùng nguy hiểm, có nguy cơ vỡ nợ cao
Sau nhiều năm phát triển mơ hình, kết hợp với phân loại trái phiếu của S&P, Altman đã cải tiến thành mơ hình Z’’ điều chỉnh
Z ’’
=3,25 +6,56X1+3,26X2 +6,72X3+1,05X4.
Nếu Z’’>5,85 doanh nghiệp nằm trong vùng an tồn, chưa có nguy cơ phá sản. Nếu 4,15< Z’’ <5,85 doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản.
Nếu Z’’<4,15 Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao
Mặc dù chỉ số Z” khá tương đồng với kết quả xếp hạng của S&P nhưng chưa phải là tuyệt đối. Mơ hình này được sử dụng khá tốt ở thị trường Mỹ và các nước trên thế giới nhưng ở Việt Nam cũng cần phải có sự nghiên cứu điều chỉnh.
Như vậy, với số Z càng cao thì người vay có xác suất khơng trả được nợ càng thấp và ngược lại. Điều này là một căn cứ khách quan để qua đó xếp hạng các KHDN theo mức độ nguy cơ vỡ nợ. Điểm số Z là thước đo khá tổng hợp về xác xuất không trả được nợ của khách hàng.
Với mơ hình này, ngân hàng và khách hàng có thể đo lường và so sánh cụ thể điểm Z cho từng khoản vay. Ngoài ra, sự biến động của điểm số Z đã dự báo khả năng chuyển đổi hạng tín nhiệm của khách hàng.
Có thể thấy rằng đây là một mơ hình có độ tin cậy khá cao được thực hiện trên cơ sở định lượng cụ thể về các nhân tố ảnh hưởng. Với mơ hình này đã mang lại nhiều ưu thế, cụ thể là: kỹ thuật đo lường rủi ro tín dụng tương đối đơn giản, mơ hình điểm số Z đã sử dụng phương pháp phân tích khác biệt đa nhân tố để lượng hố xác suất khơng trả được nợ của KHDN nên đã khắc phục được các nhược điểm của phương pháp định tính, do đó góp phần tích cực trong việc kiểm sốt rủi ro tín dụng tại các NHTM, đã góp phần tích cực trong việc kiểm sốt rủi ro tại các ngân hàng đối với từng doanh nghiệp vay vốn, có tính nhất qn, khách quan, khơng phụ thuộc vào ý kiến chủ quan của các cán bộ tín dụng.
Tuy nhiên, mơ hình này phụ thuộc nhiều vào cách phân loại nhóm khách
hàng vay có rủi ro và khơng có rủi ro. Mặt khác, mơ hình địi hỏi hệ thống thơng tin đầy đủ cập nhật của tất cả các KHDN. Yêu cầu này là rất khó thực hiện trong điều kiện nền kinh tế thị trường không đầy đủ.
Nhược điểm của mơ hình này là phụ thuộc vào mức độ chính xác của nguồn thơng tin thu nhập và khả năng dự báo cũng như trình độ phân tích của cán bộ tín dụng.
1.3 Sự cần thiết phải ƣớc lƣợng xác suất không trả đƣợc nợ của khách hàng doanh nghiệp tại ngân hàng thƣơng mại doanh nghiệp tại ngân hàng thƣơng mại
Ước lượng xác suất không trả được nợ của KHDN tại các NHTM đã trở nên phổ biến trên thế giới, nhất là ở các nước phát triển, ước lượng rất đa dạng, có thể tùy theo từng ngân hàng, từng thành phố, uy tín của doanh nghiệp. Thực tế trong nhiều năm qua cho thấy, khi nền kinh tế thế giới có vấn đề hoặc rơi vào khủng hoảng thì cơng tác ước lượng xác suất không trả được nợ của KHDN là rất quan trọng. Ước lượng này đòi hỏi phải dự báo và đánh giá chính xác. Trên thế giới, cơng việc này được thực hiện bởi một số tổ chức đánh giá chuyên nghiệp, các NHTM sử dụng kết quả này để cho vay và đầu tư. Tuy nhiên, khi khủng hoảng xảy ra, các kết quả ước lượng của các tổ chức này lại không phản ánh đúng tính chất của doanh nghiệp được đánh giá. Một số nghiên cứu chỉ trích các tổ chức tham gia ước lượng đánh giá khả năng trả nợ của KHDN không dự báo được cuộc khủng hoảng tài chính Châu Á giai đoạn 1997-1998 hay sự kiện tập đoàn Enron nộp đơn xin phá sản chỉ sau 4 ngày được đánh giá là khả năng trả nợ tốt.
Ủy ban Basel khuyến khích các NHTM tự xây dựng và phát triển các mơ hình ước lượng xác suất không trả được nợ của KHDN để phục vụ cho công tác quản trị rủi ro. Theo quan điểm của Ủy ban Basel, sự yếu kém trong hệ thống ngân hàng của một quốc gia, dù là quốc gia phát triển hay đang phát triển đều có thể đe dọa đến sự ổn định tài chính trong nội bộ quốc gia đó và trên tồn thế giới. Khi khách hàng không trả được nợ không chỉ ảnh hưởng đến hoạt động kinh doanh của NHTM mà còn ảnh hưởng đến thương hiệu và uy tín của NHTM. Trường hợp số lượng KHDN không trả được nợ chiếm tỷ trọng lớn làm cho NQH, nợ xấu tăng cao, NHTM còn đối mặt với rủi ro thanh khoản khi không thể thu hồi các khoản nợ, không đủ nguồn vốn để trả người gửi tiền, nhiều trường hợp nghiêm trọng có thể dẫn đến việc NHTM kinh doanh thua lỗ và phá sản. Như vậy, các NHTM tiến hành
ước lượng xác suất không trả được nợ của KHDN càng khoa học và hiệu quả thì càng giảm thiểu được rủi ro tín dụng.
Thơng qua việc thu thập thơng tin để phục vụ cho q trình ước lượng xác suất khơng trả được nợ có thể đánh giá cơ bản về mức độ rủi ro của KHDN, sàng lọc được nhóm khách hàng tốt để phục vụ cho việc ra quyết định tín dụng hoặc cấp tín dụng với điều kiện cụ thể. Đồng thời, đây cũng là cơ sở để ngân hàng tập trung vào các khách hàng có xác suất khơng trả nợ ở mức tương đối cao để có biện pháp quản lý tín dụng hiệu quả. Do đó, việc ước lượng xác suất không trả nợ của KHDN là rất quan trọng trong khâu thẩm định cho vay KHDN tại các NHTM, đồng thời là công cụ hỗ trợ cho NHTM trong việc duy trì và phát triển một cơ cấu KHDN bền vững, từ đó phát triển mạng lưới khách hàng có uy tín và chất lượng, phát triển chiến lược marketing nhằm hướng tới khách hàng có ít rủi ro.
Tuy rằng việc ước lượng xác suất không trả được nợ của KHDN không đảm bảo tuyệt đối chất lượng trả nợ của KHDN và đo lường chính xác rủi ro tín dụng trong tương lai, nhưng hoạt động này là một đòi hỏi cần thiết, không chỉ ảnh hưởng đến doanh nghiệp, NHTM cấp tín dụng cho khách hàng mà cịn tác động đến nền kinh tế của một quốc gia.
1.4 Các nghiên cứu trên thế giới về ƣớc lƣợng xác suất không trả đƣợc nợ của khách hàng doanh nghiệp tại ngân hàng thƣơng mại khách hàng doanh nghiệp tại ngân hàng thƣơng mại
Vlachos và Tolias, đã báo cáo nghiên cứu tại hội nghị Vận trù học tại Balkan năm 2003 về ứng dụng logic mờ trong dự báo khả năng khơng trả nợ của KHDN. Nhằm mục đích so sánh kết quả với mơ hình điểm số Z của Altman, nghiên cứu chỉ xem xét 5 chỉ số tài chính mà Altman đã đưa ra trước đó. Dữ liệu bao gồm 129 doanh nghiệp trong giai đoạn 1975-1982, trong đó có 65 doanh nghiệp rơi vào tình trạng kiệt quệ, khơng trả được nợ. Dữ liệu sử dụng để dự báo là báo cáo tài chính của năm cuối cùng trước khi doanh nghiệp tuyên bố phá sản. Kết quả thu được ngoài sự mong đợi của tác giả khi dự báo chính xác 100%, tốt hơn hẳn so với các mơ hình định lượng chỉ đạt khoảng 85%. Mặc dù, nghiên cứu chọn lựa trên các