GIỚI THIỆU TỔNG QUAN
Tính cấp thiết của đề tài
Hệ thống xếp hạng tín dụng nội bộ là yếu tố then chốt tại các ngân hàng thương mại (NHTM) trong việc đánh giá rủi ro tín dụng và hỗ trợ quyết định tín dụng Tại Việt Nam, các NHTM ngày càng nhận thức rõ vai trò của hệ thống này trong hoạt động tín dụng và quản trị rủi ro, đặc biệt trong bối cảnh nỗ lực đáp ứng các tiêu chuẩn của Basel II.
Trong bối cảnh đó, tính cấp thiết của đề tài nghiên cứu này được thể hiện ở các khía cạnh cụ thể như sau:
Các mô hình xác suất vỡ nợ (XHTN) hiện nay gặp phải nhiều hạn chế và tranh luận về độ tin cậy, gây khó khăn trong việc lựa chọn mô hình phù hợp để dự báo xác suất vỡ nợ của doanh nghiệp (Huseyin & Bora, 2009) Nghiên cứu của Aysegul Iscanoglu (2005) và Hayden & Daniel (2010) đã chỉ ra nhiều mô hình như phân tích phân biệt, hồi quy Logit, cây quyết định, mạng thần kinh nhân tạo (ANN), và hồi quy Probit, mỗi mô hình đều có những ưu nhược điểm riêng Nhiều phân tích chuyên sâu đã được thực hiện để đánh giá hiệu quả của các mô hình này.
Năm 1991, Lawrence đã áp dụng mô hình Logit trong việc kiểm định và lựa chọn các biến tài chính Ông cho rằng việc sử dụng các biến tài chính trung bình của ngành sẽ hiệu quả hơn so với việc dựa vào các biến tài chính của một doanh nghiệp đơn lẻ trong việc dự đoán khả năng phá sản của doanh nghiệp.
Năm 1992, một mô hình Logit đã được áp dụng để dự đoán xác suất vỡ nợ của các khoản vay có thế chấp Trước đó, vào năm 1968, Altman đã phát triển mô hình phân tích phân biệt nhằm tìm ra một hàm tuyến tính từ các biến tài chính và thị trường, giúp phân biệt hiệu quả giữa doanh nghiệp vỡ nợ và không vỡ nợ.
Việc xác định các chỉ số tài chính ảnh hưởng đến kết quả xếp hạng trong nghiên cứu dự báo khả năng vỡ nợ luôn là một mục tiêu quan trọng Trong giai đoạn 1926 – 1936, các nhà nghiên cứu chủ yếu sử dụng các chỉ số tài chính cơ bản như tỷ lệ vốn chủ sở hữu trên tổng doanh thu thuần và vốn chủ sở hữu trên tài sản cố định Đến năm 1968, Altman đã phát triển mô hình phân tích phân biệt với 5 chỉ số tài chính quan trọng để dự đoán khả năng vỡ nợ của doanh nghiệp Năm 1972, Deakin mở rộng mô hình này với 14 biến tài chính khác nhau Qua thời gian, nhiều nhà khoa học như Blum và Back cùng cộng sự đã bổ sung thêm nhiều chỉ số tài chính mới, cho thấy sự đa dạng và phức tạp trong việc đánh giá khả năng vỡ nợ của doanh nghiệp.
Hiện nay, phương pháp xếp hạng tín dụng tại các ngân hàng ở Việt Nam chủ yếu mang tính chủ quan và định tính, dựa vào kinh nghiệm của cán bộ tín dụng Điều này chỉ hỗ trợ quyết định cấp tín dụng mà không cung cấp cơ sở khoa học đáng tin cậy để dự đoán khả năng phá sản của doanh nghiệp Đến nay, vẫn còn thiếu các nghiên cứu công bố về mô hình dự báo xác suất vỡ nợ dựa trên chỉ số tài chính tại Việt Nam.
Chính phủ Việt Nam đang xây dựng hành lang pháp lý cho lĩnh vực xếp hạng tín nhiệm (XHTN) nhằm nâng cao tính công khai và minh bạch thông tin, hỗ trợ các ngân hàng kiểm soát rủi ro tín dụng và thúc đẩy thị trường chứng khoán, bảo vệ quyền lợi của nhà đầu tư Nghị định số 88/2014/NĐ-CP ban hành ngày 26/09/2014 quy định về dịch vụ XHTN và điều kiện hoạt động của doanh nghiệp XHTN tại Việt Nam Theo Quyết định số 507/QĐ-TTg ngày 17/04/2015, việc phát hành trái phiếu doanh nghiệp sẽ phải được xếp hạng tín nhiệm kể từ năm 2020, góp phần quan trọng vào sự phát triển của hoạt động xếp hạng tín nhiệm tại Việt Nam.
Việc lựa chọn mô hình dự đoán xác suất vỡ nợ doanh nghiệp dựa trên các chỉ số tài chính là biện pháp quan trọng trong quản lý rủi ro tín dụng của các ngân hàng thương mại Việt Nam, giúp phân loại khách hàng và kiểm soát rủi ro vỡ nợ theo khuyến cáo của Ủy ban Basel Bài luận văn này tập trung nghiên cứu “Lựa chọn mô hình dự báo xác suất vỡ nợ của doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam dựa trên các chỉ số tài chính”, nhằm cung cấp cơ sở lý luận và minh chứng thực nghiệm cho các ngân hàng trong việc chọn mô hình dự báo khả năng phá sản doanh nghiệp, từ đó nâng cao hiệu quả kiểm soát rủi ro tín dụng.
Vấn đề nghiên cứu
Lựa chọn mô hình dự báo xác suất vỡ nợ cho các doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam, dựa trên các chỉ số tài chính trong giai đoạn 2016 – 2018, là một nhiệm vụ quan trọng nhằm nâng cao khả năng quản lý rủi ro tín dụng Việc áp dụng các mô hình phù hợp không chỉ giúp các ngân hàng đánh giá chính xác hơn tình hình tài chính của doanh nghiệp mà còn hỗ trợ trong việc đưa ra quyết định cho vay hiệu quả.
Mục tiêu nghiên cứu
Bài nghiên cứu này xác định các tiêu chí cho một mô hình dự báo phù hợp và lựa chọn mô hình dự báo xác suất vỡ nợ của doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam, dựa trên các chỉ số tài chính trong giai đoạn 2016 – 2018 Mục tiêu là giúp các ngân hàng thương mại sàng lọc khách hàng và cải thiện khả năng kiểm soát rủi ro tín dụng.
Câu hỏi nghiên cứu
Để đạt được mục tiêu nghiên cứu, bài viết đã đưa ra các câu hỏi nghiên cứu, trong đó tập trung vào việc xác định các chỉ số tài chính có ảnh hưởng lớn đến việc lựa chọn mô hình dự báo xác suất vỡ nợ cho các doanh nghiệp vừa và nhỏ.
(ii) Mô hình nào mang lại kết quả tốt nhất trong việc dự báo xác suất vỡ nợ của các doanh nghiệp vừa và nhỏ?
Đối tượng và phạm vi nghiên cứu
Luận văn nghiên cứu xác suất vỡ nợ của khách hàng doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam Doanh nghiệp vừa và nhỏ được định nghĩa là những doanh nghiệp đáp ứng ít nhất một trong hai tiêu chí: tổng nguồn vốn không vượt quá 100 tỷ đồng hoặc tổng doanh thu của năm trước không quá 500 tỷ đồng.
Bài nghiên cứu này tập trung vào việc thu thập các chỉ số tài chính từ báo cáo tài chính của các doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam trong giai đoạn cụ thể.
Phương pháp nghiên cứu
Luận văn sử dụng phương pháp kết hợp phương pháp nghiên cứu định tính và nghiên cứu định lượng Trong đó:
Phương pháp nghiên cứu định tính: Thảo luận về quan điểm, nhận thức đánh giá của các
Nghiên cứu về vấn đề hỗ trợ tài chính cho khách hàng doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại (NHTM) ở Việt Nam nhằm tìm hiểu các yếu tố ảnh hưởng đến kết quả hỗ trợ tài chính Qua đó, xây dựng các thang đo lường để thực hiện nghiên cứu định lượng, giúp nâng cao hiệu quả dịch vụ tài chính cho doanh nghiệp vừa và nhỏ tại các NHTM.
Phương pháp nghiên cứu định lượng được áp dụng để xác định các yếu tố tài chính ảnh hưởng đến kết quả XHTN của khách hàng doanh nghiệp vừa và nhỏ tại các NHTM ở Việt Nam Nghiên cứu sử dụng phương pháp hồi quy, bao gồm các mô hình logit và probit, để đo lường mức độ tác động của từng yếu tố Ngoài ra, luận văn cũng triển khai mô hình xếp hạng thông qua phương pháp cây quyết định và Random Forest nhằm đánh giá hạng tín nhiệm của các doanh nghiệp vừa và nhỏ.
Luận văn áp dụng nhiều phương pháp nghiên cứu, bao gồm phương pháp thống kê mô tả để tổ chức dữ liệu theo các đặc tính cần thiết, phương pháp so sánh đối chiếu giữa mô hình lý thuyết và thực tiễn để rút ra kết luận, và phương pháp phân tích tổng hợp nhằm tổng hợp và phân tích dữ liệu liên quan trong quá trình nghiên cứu.
Đóng góp của đề tài
Kết quả nghiên cứu của luận văn có ý nghĩa khoa học và thực tiễn được thể hiện trên các khía cạnh chủ yếu sau:
Bài nghiên cứu này phân tích một cách hệ thống các lý luận cơ bản và lý thuyết nền liên quan đến mô hình dự báo xác suất vỡ nợ, đồng thời đề xuất tiêu chí lựa chọn mô hình phù hợp Nghiên cứu cung cấp cái nhìn toàn diện về các công trình đã được công bố, từ đó chỉ ra những khoảng trống trong các nghiên cứu trước đây về việc lựa chọn mô hình dự báo khả năng phá sản cho doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam, dựa trên các chỉ số tài chính Kết quả này sẽ là cơ sở quan trọng cho các nhà nghiên cứu tiếp tục phát triển các nghiên cứu liên quan trong tương lai.
Bài nghiên cứu đề xuất một mô hình XHTN phù hợp để dự báo xác suất vỡ nợ cho các doanh nghiệp vừa và nhỏ tại các ngân hàng thương mại Việt Nam, dựa trên các chỉ số tài chính Mô hình này nhằm nâng cao hiệu quả trong công tác kiểm soát rủi ro tín dụng của các ngân hàng thương mại trong thời gian tới.
Cấu trúc của luận văn
Luận văn được cấu trúc thành 5 chương, bắt đầu với phần giới thiệu tổng quan, tiếp theo là cơ sở lý thuyết và nghiên cứu trước đây, sau đó trình bày mô hình xếp hạng tín nhiệm Tiếp theo, luận văn tiến hành phân tích kết quả và cuối cùng là phần trao đổi kèm theo những kiến nghị cụ thể.
Chương 1 (Giới thiệu tổng quan) trình bày về tính cấp thiết của đề tài, vấn đề nghiện cứu, mục tiêu nghiên cứu, câu hỏi nghiên cứu, đối tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, đóng góp của đề tài và cấu trúc của luận văn nhằm cung cấp cho người đọc một bức tranh tổng thể về toàn bộ bài nghiên cứu
Chương 2 (Cơ sở lý thuyết và các nghiên cứu trước đây) trình bày những lý luận cơ bản và các lý thuyết nền liên quan đến xếp hạng tín dụng, xác suất vỡ nợ của các doanh nghiệp và phương pháp đo lường, dự báo các nội dung này cũng như kết quả đánh giá các nghiên cứu trước đây đã được công bố để làm rõ tính cấp thiết của đề tài, đồng thời cung cấp cơ sở cho việc tiến hành đề xuất mô hình nghiên cứu và phân tích kết quả nghiên cứu được trình bày ở các chương tiếp theo
Chương 3 (Mô hình và phương pháp nghiên cứu) trình bày chi tiết nội dung của mô hình nghiên cứu – mô hình dự báo xác suất vỡ nợ được đề xuất, mô tả chi tiết các dữ liệu đã thu thập và các phương pháp nghiên cứu được sử dụng để cho thấy mức độ tin cậy của kết quả nghiên cứu được trình bày ở chương tiếp theo Mô hình dự báo xác suất vỡ nợ được đề xuất sử dụng bao gồm mô hình tham số (với các mô hình logit, probit, complementary log-log) và mô hình phi tham số (gồm mô hình cây quyết định decision tree, mô hình random forest)
Chương 4 (Kết quả nghiên cứu) phân tích kết quả hồi quy từ các mô hình tham số và phi tham số, đồng thời dựa trên các chỉ tiêu được tính toán từ ma trận confusion (Accuracy, Sensitivity, Specificity, Precision, F1 - Score) để so sánh và đánh giá khả năng dự báo xác suất vỡ nợ của từng mô hình
Chương 5 (Kết luận và kiến nghị) tổng kết các kết quả đạt được của bài luận văn, từ đó đề xuất các giải pháp giúp các ngân hàng thương mại nâng cao khả năng dự báo xác suất vỡ nợ của các doanh nghiệp vừa và nhỏ, theo đó kịp thời có các chính sách định hướng cũng như điều chỉnh hoạt động cấp tín dụng của các NHTM để đạt hiệu quả cao hơn và giảm thiểu rủi ro tín dụng, đảm bảo an toàn vốn Ngoài ra, bài luận văn cũng gợi ý một số hàm ý chính sách quản trị cho chính các doanh nghiệp để giảm thiểu rủi ro phá sản Thêm vào đó, bài luận văn cũng đưa ra những hạn chế và các vấn đề còn tồn tại, từ đó đề xuất các hướng nghiên cứu tiếp theo.
CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU TRƯỚC ĐÂY
Xếp hạng tín nhiệm
Thuật ngữ “xếp hạng tín nhiệm” (XHTN) được John Moody giới thiệu lần đầu tiên vào năm 1900 trong ấn phẩm “Moody’s Manual of Industrial and Miscellaneous Securities” XHTN được định nghĩa là ý kiến về khả năng và sự sẵn sàng của một đơn vị trong việc thanh toán đúng hạn cho một khoản nợ trong suốt thời gian tồn tại của nó Hệ thống xếp hạng tín nhiệm sử dụng các ký hiệu ba chữ cái ABC, trong đó AAA biểu thị mức ổn định cao nhất và C đại diện cho mức rủi ro cao nhất.
Kể từ thời điểm đó, việc sử dụng XHTN đã trở nên phổ biến và đa dạng, phục vụ nhiều mục đích và đối tượng khác nhau Quan điểm và cách nhìn nhận về XHTN cũng đã có nhiều thay đổi đáng kể.
Theo Michael K.Ong (2003), xếp hạng tín nhiệm (XHTN) là quá trình đánh giá và phân loại mức độ tín nhiệm tương ứng với các cấp độ rủi ro khác nhau Mỗi kết quả xếp hạng phản ánh khả năng thanh toán nợ của công ty một cách rõ ràng và ngắn gọn Đồng thời, XHTN còn sử dụng thông tin đã biết và thông tin hiện tại để dự báo kết quả trong tương lai.
Theo Standard & Poor’s, XHTN (Xếp hạng tín nhiệm) là đánh giá khả năng tín dụng của một bên trong việc thực hiện nghĩa vụ tài chính tương lai, dựa trên các yếu tố hiện tại và quan điểm của người đánh giá Nói cách khác, XHTN phản ánh các ý kiến liên quan đến rủi ro tín dụng.
Xếp hạng tín nhiệm (XHTN) đánh giá khả năng và sự sẵn sàng của tổ chức phát hành, như tổng công ty hoặc chính phủ, trong việc đáp ứng các nghĩa vụ tài chính một cách đầy đủ và đúng hạn Nó cũng có thể áp dụng cho chất lượng tín dụng của một khoản nợ cụ thể, như trái phiếu công ty hoặc trái phiếu chính phủ, cùng với việc đánh giá các rủi ro có thể dẫn đến tổn thất Fitch Ratings cho rằng XHTN phản ánh mức độ khả năng thực hiện các nghĩa vụ nợ, bao gồm lãi suất, cổ tức ưu đãi và các khoản phải trả khác Phương pháp XHTN của Fitch kết hợp cả yếu tố tài chính và phi tài chính, đồng thời cung cấp cái nhìn về khả năng sinh lợi tương lai của tổ chức được đánh giá.
XHTN là quá trình đánh giá và phân loại mức độ tín nhiệm tương ứng với các cấp độ rủi ro khác nhau, phản ánh chất lượng và khả năng thanh toán nợ của đối tượng được xếp hạng Hệ thống ký hiệu xếp hạng giúp nhà đầu tư hiểu rõ tình trạng tài chính và mức độ rủi ro của các định chế tài chính, từ đó đưa ra quyết định đầu tư hợp lý Các yếu tố đánh giá bao gồm yếu tố tài chính, như tỷ số tài chính quan trọng từ báo cáo tài chính, và yếu tố phi tài chính, như chính trị, ngành nghề kinh doanh và môi trường kinh tế vĩ mô.
Xác suất vỡ nợ (PD)
Xác suất vỡ nợ là yếu tố quan trọng trong phân tích rủi ro tín dụng và quản lý rủi ro Theo quy định của Basel II, nó đóng vai trò then chốt trong việc tính toán mức vốn kinh tế cần thiết để hấp thụ các rủi ro tại các tổ chức tín dụng.
Theo định nghĩa của Office of the Comptroller of the Currency, xác suất vỡ nợ là rủi ro mà người đi vay không thể hoặc không sẵn sàng trả nợ đúng hạn Rủi ro này phát sinh từ việc phân tích khả năng tài chính của bên vay, bao gồm các yếu tố như dòng tiền không đủ, doanh thu hoặc tỷ suất lợi nhuận giảm, đòn bẩy cao và thanh khoản kém Ngoài ra, sự sẵn sàng trả nợ của người vay cũng cần được xem xét để đánh giá chính xác xác suất vỡ nợ.
Xác suất vỡ nợ, theo Tysk (2010), là đánh giá định lượng khả năng một bên có nghĩa vụ sẽ phá sản trong một khoảng thời gian nhất định, thường là một năm Nó phản ánh khả năng công ty không hoàn thành trách nhiệm thanh toán khoản vay, chủ yếu do thua lỗ kinh doanh hoặc thiếu hụt tài chính Ngân hàng có thể ước tính xác suất vỡ nợ bằng cách cho điểm các công ty dựa trên khả năng trả nợ, từ đó đưa ra quyết định cho vay hợp lý hơn.
PD là tỷ lệ hiệu quả trong việc phân loại người vay, yêu cầu các ngân hàng cung cấp ước tính nội bộ cho giám sát viên Kết quả xếp hạng dựa trên số liệu PD được coi là chính xác vì phản ánh thực tế tài chính của doanh nghiệp Việc xem xét đầy đủ PD có thể giúp giảm rủi ro tín dụng hiệu quả.
Khảo lược các mô hình dự báo xác suất vỡ nợ của doanh nghiệp
Trên toàn cầu, nhiều nghiên cứu đã được thực hiện về mô hình dự báo xác suất vỡ nợ của doanh nghiệp Mỗi mô hình đều có những biến đầu vào, cũng như ưu và nhược điểm riêng, được trình bày rõ ràng trong bảng dưới đây.
Bảng 2.1: Khảo lược các mô hình dự báo xác suất vỡ nợ
TT Tên mô hình Tổng quan về mô hình Ưu điểm Nhược điểm
Mô hình hồi quy tuyến tính là một công cụ thống kê quan trọng, được sử dụng để nghiên cứu và mô hình hóa mối quan hệ tuyến tính giữa các biến.
Năm 1970, Orgler đã áp dụng mô hình này để phân tích mối quan hệ tuyến tính giữa các đặc điểm của khách hàng và tình trạng vỡ nợ của họ.
- Phổ biến và dễ áp dụng
- Dễ tính toán và kết quả có thể được giải thích
- Có thể đưa ra được một kết quả tốt với hệ thống dữ liệu ít
- Kết quả hồi quy có thể nằm bên ngoài khoảng [0,1]
- Khả năng ngoại suy có thể thấp
- Rất nhạy cảm với những trường hợp đặc biệt
2 Mô hình phân tích phân biệt
Fisher (1936) đã phát triển mô hình phân tích phân biệt nhằm phân loại người đi vay thành hai nhóm: tốt và xấu Mô hình này sử dụng ước lượng hàm phân biệt tuyến tính, trong đó các biến số được xác định từ các dữ liệu định lượng, chủ yếu là thông tin từ báo cáo tài chính hàng năm của doanh nghiệp.
Chức năng phân biệt cần tuân thủ các nguyên tắc quan trọng, bao gồm việc tối đa hóa sự khác biệt giữa các nhóm khách hàng đã phá sản và chưa phá sản, đồng thời đảm bảo khoảng cách rõ ràng giữa các nhóm này.
- Phổ biến và dễ thực hiện
- Điểm số có thể được tính trực tiếp từ mô hình tuyến tính ước tính
- Giảm tỷ lệ lỗi của mô hình
Các biến được giả định theo phân phối chuẩn, nhưng điều này không thực tế và khó kiểm tra tính ổn định của mô hình cũng như tính hợp lý của các hệ số hồi quy.
- Tương tự như hồi qui tuyến tính, giá trị tuyệt
TT Tên mô hình Tổng quan về mô hình Ưu điểm Nhược điểm giữa các khách hàng trong cùng một nhóm là thấp nhất
Mặc dù mô hình này tương tự như mô hình hồi quy tuyến tính, nhưng có sự khác biệt quan trọng Trong mô hình hồi quy tuyến tính, các đặc điểm của người vay được xác định rõ ràng, trong khi trạng thái của người vay lại mang tính ngẫu nhiên.
Trong mô hình phân tích phân biệt, trạng thái của người đi vay được xác định một cách ngẫu nhiên, trong khi các đặc điểm của họ cũng không thể diễn giải một cách rõ ràng.
3 Mô hình hồi quy Logit and
Probit (Logit and Probit models)
- Được sử dụng trong nghiên cứu của Olso (1980), Gilbert
Mô hình logit và Probit được sử dụng để nghiên cứu sự phụ thuộc của biến nhị phân (biến phụ thuộc Y) vào các biến độc lập khác (X i) Qua đó, các mô hình này cho phép ước lượng xác suất vỡ nợ của một doanh nghiệp có nguy cơ phá sản, trực tiếp từ mẫu dữ liệu.
- Dễ dàng đưa ra kết quả và kết quả thì dễ giải thích
- Kết quả đưa ra là xác suất vì vậy hỗ trợ cho việc đưa ra quyết định
- Có thể kiểm định được
- Có thể vi phạm giả định chuẩn của các biến trong mô hình
- Mô hình không thể ứng dụng đối với các trường hợp DN khiếm khuyết dữ liệu hoặc DN có cấu trúc tài chính đặc biệt
TT Tên mô hình Tổng quan về mô hình Ưu điểm Nhược điểm mức độ tin cậy của kết quả xếp hạng và các biến
- Vấn đề đánh giá quá cao hoặc quá thấp có thể xuất hiện trong mô hình
4 Mô hình cây quyết định
Mô hình cây quyết định, được giới thiệu bởi Breiman vào năm 1980, là một phương pháp phi tham số hiệu quả trong việc phân loại và dự đoán vỡ nợ của doanh nghiệp.
Cây quyết định là một phương pháp phân tích dữ liệu và phân lớp, trong đó quá trình này chia một tập dữ liệu thành các tập con nhằm tạo ra sự đồng nhất cao hơn với biến phân lớp.
Cây quyết định là một cấu trúc biểu diễn dưới dạng hình cây, bao gồm các nút quyết định và nút lá, với đỉnh trên cùng được gọi là gốc Mỗi nút quyết định đại diện cho một thử nghiệm trên một thuộc tính duy nhất của dữ liệu đầu vào, và mỗi nút này xử lý một kết quả cụ thể.
- Không có các giả định về phân phối chuẩn của các biến trong mô hình
- Xác suất phá sản có thể tính toán được
- Trực quan, dễ nhìn, dễ dàng giải thích các kết quả
- Mối quan hệ phi tuyến giữa các biến độc lập và biến phụ thuộc được mô hình hóa dễ dàng
- Dễ xảy ra lỗi khi có quá nhiều lớp
- Chi phí tính toán để xây dựng mô hình cao
- Sự ổn định của mô hình không thể được đánh giá bằng các bài kiểm tra thống kê
TT Tên mô hình Tổng quan về mô hình Ưu điểm Nhược điểm của thử nghiệm Mỗi nút lá là kết quả của quyết định cho một trường hợp
- Quá trình phân nhánh hay quá trình ra quyết định ở từng bước đều được dựa trên những điều kiện, hệ số đo lường, tính toán nhất định
Random forests, được giới thiệu bởi Ho vào năm 1995, là một mô hình dự báo xác suất vỡ nợ Mô hình này thực hiện phân loại bằng cách xây dựng nhiều cây quyết định và đưa ra kết quả dưới dạng giá trị Mode của nhóm hoặc giá trị Mean của các cây quyết định.
Random Forest là một mô hình học máy bao gồm hàng trăm cây quyết định, được xây dựng ngẫu nhiên bằng cách tái chọn mẫu và chọn ngẫu nhiên các biến từ tập dữ liệu Nhờ vào cơ chế này, Random Forest thường mang lại hiệu suất cao trong việc phân loại và dự đoán.
- Cho kết quả dự báo tốt hơn so với mô hình cây quyết định
- Mô hình vẫn có thể làm việc được với dữ liệu thiếu giá trị
- Khi rừng có nhiều cây hơn, có thể tránh được hiện tượng overfitting tập dữ liệu (hiện tượng mô hình tìm
- Không thể giải thích được cơ chế hoạt động của mô hình,
Random Forest là một trong những mô hình hộp đen (Black box)
- Phải mất nhiều thời gian hơn để phân tích dữ liệu so với các tập dữ liệu trước đó
Mô hình TT có cấu trúc phức tạp, khiến việc hiểu cơ chế hoạt động bên trong trở nên khó khăn Mặc dù độ chính xác của mô hình cao, nhưng nó có thể gặp vấn đề với việc quá khớp dữ liệu.
6 Mô hình mạng thần kinh nhân tạo (Artificial
Tổng quan các nghiên cứu trước
Đến nay, nhiều nghiên cứu đã được thực hiện về dự báo xác suất vỡ nợ và rủi ro phá sản của doanh nghiệp Tuy nhiên, kết quả nghiên cứu vẫn chưa thống nhất do nhiều yếu tố khác nhau, bao gồm sự khác biệt về đối tượng và phạm vi nghiên cứu, cũng như các mô hình và phương pháp nghiên cứu được áp dụng.
2.4.1 Các nghiên cứu trên thế giới
Trên toàn cầu, nhiều nghiên cứu đã được thực hiện nhằm dự báo xác suất vỡ nợ và rủi ro phá sản của doanh nghiệp, trong đó có nghiên cứu nổi bật của Edward I.
Nghiên cứu năm 1968 về chỉ số tài chính và phân tích mô hình đa thức đã chỉ ra khả năng dự báo sự phá sản của doanh nghiệp Mẫu khảo sát bao gồm 66 doanh nghiệp, được chia thành hai nhóm: 33 doanh nghiệp đã phá sản theo Chương X của Luật phá sản Hoa Kỳ.
Từ năm 1946 đến 1965, có 33 doanh nghiệp không phá sản và vẫn hoạt động vào năm 1966 Tác giả đã phân tích 22 biến độc lập chỉ số tài chính, chia thành 5 nhóm: khả năng thanh khoản, khả năng sinh lời, đòn bẩy tài chính, khả năng thanh toán nợ và chỉ số hoạt động Kết quả nghiên cứu từ mô hình phân tích đa thức của Edward I A đạt độ chính xác cao, dự báo đúng 94% mẫu khảo sát ban đầu Tuy nhiên, nghiên cứu chỉ tập trung vào các doanh nghiệp sản xuất lớn Tiếp theo, nghiên cứu của Evridiki Neophytou, Andreas Charitou và Chris Charalambous (2000) đã sử dụng kỹ thuật phân tích logit để phát triển mô hình phân loại doanh nghiệp công nghiệp thất bại tại Anh, dựa trên bộ dữ liệu gồm 51 cặp doanh nghiệp thất bại và không thất bại trong giai đoạn 1988.
Mô hình dự báo thất bại doanh nghiệp được phát triển vào năm 1997, dựa trên ba biến tài chính chính: khả năng sinh lời, dòng tiền hoạt động kinh doanh và biến đòn bẩy tài chính Mô hình này có khả năng giải thích chính xác 83% khả năng thất bại của doanh nghiệp trước một năm Tuy nhiên, nó dựa trên giả định về phân phối xác suất và không có hiện tượng đa cộng tuyến, điều này hạn chế mức độ áp dụng của mô hình trong thực tiễn.
Ravi và Pramodh (2008) đã áp dụng mô hình mạng thần kinh nhân tạo nơtron để dự đoán khả năng vỡ nợ của các ngân hàng tại Thổ Nhĩ Kỳ và Tây Ban Nha, sử dụng 9 nhân tố tài chính cho ngân hàng Thổ Nhĩ Kỳ và 12 nhân tố cho ngân hàng Tây Ban Nha Mô hình đạt độ chính xác 96,6% cho dữ liệu ngân hàng Tây Ban Nha và 100% cho dữ liệu ngân hàng Thổ Nhĩ Kỳ Tuy nhiên, do tính phức tạp và cấu trúc khó theo dõi, mô hình này có tính ứng dụng không cao.
Trong nghiên cứu về chỉ số tài chính và phân tích biệt số đa nhân tố nhằm dự báo sự thất bại của các doanh nghiệp Malaysia, nhóm tác giả Ben Chin-Fook Yap, David Gun-Fie Yong và Wai-Ching Poon (2010) đã phát triển mô hình phân tích biệt số đa nhân tố (MDA) để nâng cao khả năng dự báo sau giai đoạn cơ cấu lại với các điều kiện tài chính và hoạt động khác nhau Nghiên cứu sử dụng 16 biến chỉ số tài chính trên mẫu 64 doanh nghiệp và phát hiện 7 biến có ý nghĩa thống kê với tỷ lệ chính xác dự báo từ 88% đến 94% trước khi doanh nghiệp thất bại, bao gồm tổng tài sản trên tổng nợ phải trả, dòng tiền trên tổng nợ dài hạn, và thu nhập trước thuế và lãi vay trên doanh thu Tuy nhiên, phương pháp này cũng gặp phải nhược điểm liên quan đến các giả định cơ bản trong mô hình, như giả thiết về phân phối chuẩn và phương sai bằng nhau, có thể làm giảm độ tin cậy và khả năng áp dụng của mô hình.
2.3.2 Các nghiên cứu tại Việt Nam
Tại Việt Nam, nhiều nghiên cứu đã được thực hiện về rủi ro phá sản doanh nghiệp, với các công trình nổi bật từ các tác giả như Hay Sinh (2003), Lê Đạt Chí & Lê Tuấn Anh (2012), và Nguyễn Minh Hà & Nguyễn Bá Hướng (2016) Tuy nhiên, hầu hết các nghiên cứu này chủ yếu áp dụng phương pháp phân tích thống kê mô tả và chưa tập trung vào việc phát triển các mô hình dự báo xác suất vỡ nợ Do đó, hiện vẫn thiếu các bằng chứng thực nghiệm từ phân tích hồi quy để hỗ trợ việc đề xuất mô hình dự báo xác suất phá sản doanh nghiệp với độ chính xác cao hơn.
Nghiên cứu của Hay Sinh (2003) về ước tính xác suất phá sản trong thẩm định giá trị doanh nghiệp cho thấy xác suất phá sản là một yếu tố tài chính quan trọng ảnh hưởng trực tiếp đến giá trị doanh nghiệp Tác giả đề xuất hai phương pháp thẩm định: phương pháp dòng tiền, trong đó xác suất phá sản không được ước tính như một tham số độc lập, và phương pháp giá trị hiện tại có điều chỉnh (APV), trong đó xác suất phá sản được xem xét độc lập Kết quả nghiên cứu nhằm thiết lập các phương pháp ước tính xác suất phá sản, từ đó giúp APV được áp dụng rộng rãi hơn và đa dạng hóa các phương pháp thẩm định giá trị doanh nghiệp tại Việt Nam.
Lê Nguyễn Sơn Vũ (2013) đã tiến hành nghiên cứu về quyết định đầu tư và rủi ro phá sản của các công ty niêm yết trên thị trường chứng khoán Việt Nam Nghiên cứu cung cấp các bằng chứng thực nghiệm về ảnh hưởng của các chỉ số tài chính đến quyết định đầu tư và rủi ro phá sản của các công ty trong giai đoạn này.
Nghiên cứu từ năm 2003 đến 2012 với 737 công ty cho thấy ba yếu tố quan trọng ảnh hưởng đến chỉ số dự báo phá sản Oscore: thu nhập ròng âm trong hai năm gần nhất, khả năng thanh khoản ngắn hạn và tỷ lệ nợ trên tổng tài sản có mối tương quan thuận chiều với Oscore Ngược lại, tỷ suất sinh lợi trên tổng tài sản và tốc độ tăng trưởng thu nhập ròng có mối quan hệ nghịch với chỉ số này, và tất cả đều có ý nghĩa thống kê Bốn yếu tố còn lại, bao gồm quy mô doanh nghiệp, tổng nợ trên tổng tài sản, vốn lưu động trên tổng tài sản và quỹ từ hoạt động trên tổng nợ, cũng ảnh hưởng đến Oscore nhưng không có ý nghĩa thống kê.
Nguyễn Thị Tuyết Lan (2019) đã nghiên cứu các nhân tố ảnh hưởng đến rủi ro phá sản của doanh nghiệp niêm yết ngành xây dựng tại Việt Nam, sử dụng mô hình logit với 5 biến độc lập: tổng nợ phải trả trên tổng tài sản, vốn lưu động trên tổng tài sản, khả năng thanh toán ngắn hạn, tỷ suất sinh lợi trên tổng tài sản và tốc độ tăng trưởng thu nhập ròng Mẫu khảo sát bao gồm 109 doanh nghiệp niêm yết trên 2 sàn HNX và HOSE trong giai đoạn 2005 – 2017 Kết quả cho thấy tổng nợ phải trả trên tổng tài sản có mối tương quan cùng chiều với rủi ro phá sản, trong khi tỷ suất sinh lợi trên tổng tài sản ảnh hưởng ngược chiều đến rủi ro này.
Nghiên cứu cho thấy các tổ chức tài chính có thể áp dụng nhiều mô hình xếp hạng tín nhiệm để dự đoán xác suất vỡ nợ của doanh nghiệp, bao gồm mô hình đa thức, logit, probit và mạng thần kinh nhân tạo Những mô hình này sử dụng các chỉ số tài chính như khả năng thanh toán ngắn hạn, tỷ suất sinh lợi trên tổng tài sản và tổng nợ phải trả trên tổng tài sản để đánh giá khả năng phá sản Tuy nhiên, kết quả nghiên cứu về lựa chọn mô hình và các chỉ số tài chính ảnh hưởng đến xác suất vỡ nợ có sự khác biệt do dữ liệu được xây dựng trong các khoảng thời gian khác nhau Tác giả chỉ ra những khoảng trống trong nghiên cứu và đề xuất mô hình cùng phương pháp nghiên cứu cho đề tài, sẽ được trình bày chi tiết trong Chương 3, làm cơ sở cho việc đánh giá độ tin cậy của kết quả trong Chương 4.
Trong chương 2, tác giả đã trình bày các lý luận cơ bản và lý thuyết nền liên quan đến xếp hạng tín dụng và xác suất vỡ nợ của doanh nghiệp Chương này cũng đề cập đến phương pháp đo lường và dự báo các yếu tố này, cùng với việc đánh giá các nghiên cứu trước đây để làm rõ tính cấp thiết của đề tài Những nội dung này cung cấp cơ sở cho việc đề xuất mô hình nghiên cứu và phân tích kết quả nghiên cứu trong các chương tiếp theo.
MÔ HÌNH VÀ PHƯƠNG PHÁP NGHIÊN CỨU
Phương pháp xây dựng các mô hình
Trong nghiên cứu này, tác giả áp dụng các mô hình tham số và phi tham số để dự đoán khả năng vỡ nợ của các doanh nghiệp vừa và nhỏ tại Việt Nam trong giai đoạn 2016 – 2018 Quy trình xây dựng mô hình được thực hiện qua các bước cụ thể nhằm đảm bảo tính chính xác và hiệu quả trong việc phân tích dữ liệu.
Bước đầu tiên trong quá trình nghiên cứu là thu thập và xử lý dữ liệu, với nguồn thông tin được lấy từ báo cáo tài chính hàng năm đã được kiểm toán của khoảng 350 doanh nghiệp vừa và nhỏ hoạt động trong 9 ngành khác nhau tại Việt Nam, trong khoảng thời gian từ năm 2016 đến 2018.
Bước 2 trong quá trình dự báo khả năng vỡ nợ của doanh nghiệp là lựa chọn các biến đầu vào cho mô hình Tác giả đã xác định 14 biến đầu vào, được tính toán từ báo cáo tài chính của các doanh nghiệp, bao gồm các chỉ số tài chính thuộc 4 nhóm chính: khả năng thanh khoản, mức độ sử dụng nợ, khả năng sinh lời, và hiệu quả hoạt động.
Bước 3: Tiến hành chạy hồi quy trên các mô hình xếp hạng tín nhiệm đã được lựa chọn, bao gồm cả mô hình tham số và phi tham số Mô hình tham số gồm có logit, probit và complementary log-log, trong khi đó các mô hình phi tham số bao gồm cây quyết định và random forest.
Bước 4: Đánh giá kết quả hồi quy của từng mô hình bằng cách sử dụng ma trận Confusion và điểm số F1 (F1-Score) Dựa trên kết quả này, lựa chọn mô hình xếp hạng tín nhiệm phù hợp để dự đoán chính xác xác suất vỡ nợ của khách hàng.
Các bước nghiên cứu trên sẽ được trình bày chi tiết trong các phần nội dung tiếp theo của Chương 3.
Thu thập và xử lý dữ liệu
Dữ liệu trong bài viết được thu thập từ báo cáo tài chính hàng năm của khoảng 350 công ty trong giai đoạn 2016 đến 2018, với các báo cáo đã được kiểm toán để đảm bảo chất lượng thông tin Trong số 350 doanh nghiệp này, có 27 doanh nghiệp hoạt động trong lĩnh vực thương mại hàng tiêu dùng và 31 doanh nghiệp thuộc ngành kinh doanh xăng dầu.
Trong số các doanh nghiệp, có 34 doanh nghiệp hoạt động trong ngành kinh doanh ô tô, 35 doanh nghiệp trong lĩnh vực thi công xây lắp, 38 doanh nghiệp chuyên về dược phẩm và thiết bị y tế, 39 doanh nghiệp thuộc ngành dệt may, 41 doanh nghiệp trong ngành thủy sản (bao gồm cá tra, tôm, nghêu), 47 doanh nghiệp hoạt động trong lĩnh vực sắt thép, và 58 doanh nghiệp kinh doanh nông sản như lúa gạo, cà phê, điều, và tiêu.
Bảng 3.1: Tổng hợp số lượng doanh nghiệp – ngành nghề kinh doanh
STT Ngành Số lượng công ty
1 Thương mại hàng tiêu dùng 27
5 Kinh doanh dược phẩm – thiết bị y tế 38
7 Thủy sản (cá tra, tôm,nghêu…) 41
9 Kinh doanh nông sản (lúa gạo, cà phê, điều, tiêu…) 58
Nguồn: Thống kê từ tác giả
Crouhy, Galai & Mark (2001) đã chỉ ra rằng nhiều mô hình đo lường rủi ro có điểm yếu do dựa vào thông tin tài chính lịch sử, có thể không còn phù hợp trong tương lai Hơn nữa, dữ liệu trong các mô hình này thường được cập nhật không thường xuyên Vì vậy, nghiên cứu trong ba năm gần đây là cần thiết, khi tình hình kinh tế và hoạt động doanh nghiệp không có nhiều biến động.
Các công ty được phân chia thành hai nhóm: nhóm phá sản (đánh dấu là 1) và nhóm không phá sản (đánh dấu là 0) Sự phân chia này dựa trên các yếu tố như Vốn chủ sở hữu từ bảng cân đối kế toán, lợi nhuận sau thuế từ bảng báo cáo kết quả hoạt động kinh doanh và dòng tiền hoạt động kinh doanh từ bảng lưu chuyển tiền tệ Các công ty sẽ được xếp vào nhóm phá sản nếu chúng rơi vào những trường hợp nhất định.
(i) Vốn chủ sở hữu âm
(ii) Hai năm liên tiếp lợi nhuận sau thuế âm và dòng tiền từ hoạt động kinh doanh âm (iii) Các công ty tuyên bố phá sản
(iv) Thuộc nhóm nợ xấu (nhóm 3, 4 và 5)
Giả thuyết này dựa trên lý thuyết của Crouhy, Galai & Mark, nhấn mạnh rằng phân tích rủi ro tín dụng cần xem xét nhiều thuộc tính của người vay Những thuộc tính này bao gồm tình hình tài chính, khả năng quản lý, thu nhập và dòng tiền, cũng như chất lượng tài sản và thanh khoản của công ty.
Bảng 3.2: Phân tách các công ty phá sản và không phá sản
Năm Các doanh nghiệp phá sản
Các doanh nghiệp không phá sản Tổng
Nguồn: Thống kê từ tác giả
Trong tập dữ liệu, các giá trị bị thiếu, không chính xác hoặc không có ý nghĩa sẽ được xem xét điều chỉnh theo nguyên tắc như sau:
Thay thế các giá trị bị thiếu bằng giá trị trung bình của nhóm mà người vay thuộc về là một phương pháp hữu ích Chẳng hạn, nếu giá trị thiếu đến từ một công ty phá sản, nó sẽ được thay thế bằng giá trị trung bình của nhóm các công ty phá sản, giúp đảm bảo tính chính xác và đáng tin cậy trong phân tích dữ liệu.
- Thay thế các giá trị không xác định (infinitive values) bằng các giá trị tối đa hoặc tối thiểu tùy thuộc vào giá trị nào sẽ phù hợp hơn
- Các giá trị biến động bất thường sẽ được thay thế bằng quantile 5% hoặc 95% của các chỉ số tài chính
Lựa chọn các biến đầu vào trong mô hình dự báo xác suất vỡ nợ
Nhiều nghiên cứu khoa học đã chỉ ra rằng các chỉ số tài chính là nguồn thông tin quan trọng để đánh giá rủi ro tín dụng, như Demerjian (2007) đã nhấn mạnh Smith & Warner (1979) cũng chỉ ra rằng việc vi phạm các điều kiện cam kết của khách hàng sẽ cung cấp tín hiệu về khả năng trả nợ của họ đối với ngân hàng Thêm vào đó, Dichev & Skinner (2002) nhận định rằng các điều kiện cam kết liên quan đến chỉ số tài chính sẽ ảnh hưởng đến nội dung của các hợp đồng tín dụng.
Lundholm & Sloan (2004) chỉ ra rằng các điều kiện cam kết về tỷ lệ tài chính rất quan trọng, vì ngân hàng có thể thu hồi nợ hoặc xử lý tài sản khi công ty bắt đầu gặp khó khăn Bên cạnh đó, Beaver (1966) đã cung cấp bằng chứng thực nghiệm cho thấy một số chỉ số tài chính có thể dự đoán trước các thất bại trong kinh doanh Ông đã cố gắng xác định xác suất vỡ nợ của công ty thông qua các chỉ số tài chính, tuy nhiên, nghiên cứu chủ yếu tập trung vào tỷ lệ đòn bẩy và thanh khoản, có thể chưa đủ để đưa ra dự báo chính xác.
Chỉ số tài chính đóng vai trò quan trọng trong việc đánh giá chất lượng tín dụng của các tổ chức Chẳng hạn, Standard & Poor's (2006) đã nâng hạng tín dụng cho Staples, Inc dựa trên sự cải thiện của tỷ lệ nợ trên dòng tiền và hệ số khả năng thanh toán Tương tự, Moody's (2006) đã chỉ ra rằng sự suy giảm hoặc ổn định trong phạm vi bảo hiểm và tỷ lệ nợ trên dòng tiền sẽ ảnh hưởng đến xếp hạng tín dụng của Limited Brands, Inc trong tương lai.
Theo Demerjian (2007), có năm điều kiện cam kết về chỉ số tài chính thường được áp dụng trong các hợp đồng tín dụng nhằm dự đoán rủi ro tín dụng của người vay Những điều kiện này bao gồm: i Mức bảo hiểm tối thiểu, được tính bằng tỷ lệ thu nhập trên chi phí liên quan đến nợ định kỳ; ii Tỷ lệ nợ tối đa đối với dòng tiền, thể hiện qua tổng nợ so với thu nhập; iii Giá trị thuần tối thiểu, được xác định bằng tài sản trừ đi nợ phải trả; iv Đòn bẩy tối đa, tính bằng tổng nợ so với tổng tài sản; và v Khả năng thanh toán tối thiểu, được đo bằng tỷ lệ tài sản ngắn hạn trên nợ ngắn hạn.
Moody’s và Standard and Poor's sử dụng nhiều chỉ số tài chính quan trọng trong quy trình xếp hạng của họ, bao gồm chỉ số Nợ/Tài sản, chỉ số thanh toán lãi vay từ lợi nhuận trước thuế và lãi vay, cũng như triển vọng kinh doanh dựa trên tăng trưởng dòng tiền hoặc lợi nhuận trên tài sản Ngoài ra, các yếu tố như cổ tức và các khoản thanh toán khác, rủi ro kinh doanh liên quan đến biến động dòng tiền hoặc giá trị tài sản, và thanh khoản tài sản cũng được xem xét.
Báo cáo của Moody (2001) đã giới thiệu mô hình xếp hạng tín dụng định lượng RiskCalc, nhằm đánh giá các công ty thuộc thị trường cấp cao tại Nhật Bản Mô hình này dựa trên bảy chỉ tiêu quan trọng, bao gồm khả năng sinh lời, đòn bẩy tài chính, khả năng thanh khoản, khả năng trả nợ gốc, khả năng trả lãi vay, quy mô và các chỉ số hoạt động của doanh nghiệp.
Engelmann & Rauhmeier (2010) đã mở rộng nghiên cứu của Hayden bằng cách phân tích 14 tỷ lệ tài chính, được chia thành 9 nhóm rủi ro khác nhau Các nhóm này bao gồm đòn bẩy tài chính, khả năng thanh khoản, chỉ số hoạt động, khả năng kiểm soát chi phí, hiệu quả sử dụng tài sản, khả năng sinh lời, quy mô doanh nghiệp, tốc độ tăng trưởng và tốc độ gia tăng nợ vay (Phụ lục – Bảng 02).
Tóm lại, các biến độc lập được lựa chọn trong mô hình dự báo xác suất vỡ nợ thường thuộc 4 nhóm chỉ số tài chính sau:
Nhóm chỉ số về khả năng thanh khoản:
Nhóm chỉ số thanh toán ngắn hạn phản ánh khả năng chuyển đổi tài sản thành tiền để thanh toán các khoản nợ ngắn hạn của doanh nghiệp, bao gồm hệ số khả năng thanh toán hiện hành và hệ số khả năng thanh toán nhanh Các hệ số này càng thấp thì rủi ro phá sản của doanh nghiệp càng cao, cho thấy tầm quan trọng của việc duy trì khả năng thanh toán trong ngắn hạn.
Nhóm chỉ số về đòn bẩy tài chính:
Nhóm chỉ số nợ doanh nghiệp đánh giá mức độ sử dụng nợ qua các chỉ số như hệ số nợ trên tổng tài sản, hệ số nợ trên vốn chủ sở hữu, khả năng thanh toán lãi vay và khả năng thanh toán nợ dài hạn Khi các hệ số nợ tăng cao và khả năng thanh toán nợ giảm, rủi ro vỡ nợ của doanh nghiệp sẽ tăng theo.
Nhóm chỉ số về khả năng sinh lời
Nhóm chỉ số này đánh giá khả năng sinh lợi của doanh nghiệp thông qua các chỉ số như lợi nhuận gộp biên, thu nhập trước thuế trên doanh thu thuần, thu nhập trước thuế trên tổng tài sản và thu nhập trước thuế trên vốn chủ sở hữu Khả năng sinh lời của công ty được xem là yếu tố dự báo quan trọng về khả năng thanh toán nghĩa vụ nợ, vì một công ty liên tục thua lỗ sẽ cạn kiệt nguồn vốn chủ sở hữu và không có khả năng trả nợ.
Nhóm chỉ số về hiệu quả hoạt động
Chỉ số hiệu quả hoạt động phản ánh mức độ sử dụng tài sản của doanh nghiệp Chỉ số này càng thấp, rủi ro tín dụng của doanh nghiệp càng gia tăng, đặc biệt là khi doanh nghiệp không sử dụng hiệu quả hàng tồn kho, các khoản phải thu và các tài sản khác.
Dựa trên các nghiên cứu đã thực hiện, tác giả đã chọn 14 chỉ số tài chính làm biến độc lập cho các mô hình xếp hạng tín nhiệm trong bài nghiên cứu Bảng dưới đây sẽ trình bày chi tiết về các chỉ số này.
14 biến độc lập được tính toán, cũng như kỳ vọng về dấu của các biến này trong mô hình dự báo xác suất vỡ nợ
Bảng 3.3: Các biến độc lập trong mô hình dự báo xác suất vỡ nợ
Các biến độc lập Các chỉ số tài chính Nhóm chỉ số tài chính Kỳ vọng về dấu X1 Lợi nhuận gộp/Doanh thu thuần Khả năng sinh lời -
X2 Thu nhập trước thuế/Doanh thu thuần Khả năng sinh lời -
X3 Thu nhập trước thuế/Tổng tài sản Khả năng sinh lời -
X4 Thu nhập trước thuế/Vốn chủ sở hữu Khả năng sinh lời -
X5 Tổng nợ phải trả/Tổng tài sản Đòn bẩy tài chính +
X6 Tổng nợ phải trả/Vốn chủ sở hữu Đòn bẩy tài chính +
X7 Tài sản ngắn hạn/Nợ ngắn hạn Khả năng thanh khoản -
X8 (Tài sản ngắn hạn – Hàng tồn kho)/Nợ ngắn hạn Khả năng thanh khoản -
X9 Lợi nhuận trước thuế và lãi vay/Lãi vay Thanh toán lãi vay -
X10 Thu nhập trước thuế, lãi vay và khấu hao/Nợ dài hạn Thanh toán nợ dài hạn -
X11 Tiền và các khoản tương đương tiền/Vốn chủ sở hữu Khả năng thanh khoản -
X12 Giá vốn hàng bán/Hàng tồn kho bình quân Hiệu quả hoạt động +
X13 Các khoản phải thu/Doanh thu bình quân Hiệu quả hoạt động +
X14 Tổng doanh thu/Tổng tài sản Hiệu quả hoạt động -
Các mô hình dự báo xác suất vỡ nợ được nghiên cứu
Mô hình Logit là một loại hồi quy với biến phụ thuộc (Y) là biến giả nhị phân, nhận hai giá trị 0 và 1 Trong mô hình XHTN, Y bằng 1 khi khách hàng không trả được nợ và Y bằng 0 khi khách hàng trả được nợ Các biến độc lập trong mô hình này có thể là biến rời rạc hoặc biến liên tục.
Bảng 3.4: Cấu trúc dữ liệu các biến trong mô hình Logit
Phụ thuộc Y Nhị phân Độc lập 𝑋 𝑖 Liên tục hoặc rời rạc
Mối quan hệ giữa biến phụ thuộc (Y) và các biến độc lập được thể hiện thông qua phương trình sau:
- P là xác suất trả nợ của khách hàng
Để xác định xác suất vỡ nợ của khách hàng, cần xem xét các nhân tố ảnh hưởng 𝑋 1 , 𝑋 2 ,…, 𝑋 𝑘 Giá trị 𝑌̂, được tính toán thông qua hồi quy Y theo các biến độc lập 𝑋 𝑖, sẽ là giá trị ước lượng của Y.
Công thức tính xác suất phá sản của doanh nghiệp được ước lượng theo mô hình logit như sau:
Năm 1934, Chester Ittner Bliss đã nảy ra ý tưởng về phân tích probit, nhưng phải đến năm 1952, cuốn sách "Phân tích probit" mới được xuất bản bởi David Finney, một giáo sư thống kê tại Đại học Edinburgh.
Mô hình Probit có cấu trúc dữ liệu tương tự như mô hình Logit, cho phép ước lượng xác suất trả nợ của khách hàng Một điểm khác biệt quan trọng là mô hình Probit giả định rằng sai số ngẫu nhiên tuân theo phân phối chuẩn với trung bình 0 và độ lệch chuẩn 1: 𝜀 ~ N(0,1).
Trong đó F là hàm phân phối xác suất tích lũy Khi đó hàm hợp lý có dạng:
Các biến và tham số trong mô hình Probit tương tự như mô hình Logit
(iii) Mô hình Complementary Log-Log
Mô hình Complementary Log-Log là một dạng hồi quy nhị phân tương tự như mô hình logit và probit, nhưng thường được áp dụng trong các trường hợp xác suất xảy ra biến cố rất thấp hoặc rất cao Khác với logit và probit, hàm Complementary Log-Log không đối xứng do giả thiết về sai số ngẫu nhiên theo phân phối log-Weibull.
Hàm log-likelihood cho mô hình Complementary Log-Log là:
𝑙𝑛𝐿 = ∑ 𝑊 𝑗 𝑙𝑛𝐹(𝑥 𝑗 𝑏) + ∑ 𝑊 𝑗 ln (1 − 𝐹(𝑥 𝑗 𝑏)) Trong đó: F(z) = 1-exp(-exp(z)) và 𝑤 𝑗 là trọng số
3.4.2 Mô hình phi tham số
(i) Mô hình cây quyết định
Cây quyết định (DT) là một kiểu mô hình phân lớp các quan sát dựa vào dãy các luật
Mô hình cây quyết định (Decision Tree) bao gồm ba loại nút: nút gốc, nút bên trong và nút lá Mỗi nút đại diện cho một biến, trong khi các đường nối giữa nút và các nút con thể hiện giá trị cụ thể của biến đó, đóng vai trò là điều kiện hoặc luật để phân nhánh trong cây.
Mỗi nút lá trong cây quyết định thể hiện giá trị dự đoán của biến mục tiêu, trong khi các giá trị đã cho của các biến được thể hiện qua đường đi từ nút gốc đến nút lá.
Hình 3.1: Mô phỏng mô hình cây quyết định
Cây quyết định được tạo ra bằng cách phân tách các thuộc tính giá trị tại mỗi nút dựa trên thuộc tính đầu vào Quá trình phân lớp diễn ra liên tục cho đến khi đạt tới các nút lá, tương ứng với giá trị mục tiêu Tập hợp các quy tắc từ nút gốc đến nút lá sẽ xác định các luật quyết định, từ đó hàm mục tiêu trả về giá trị tương ứng với mức độ rủi ro của khách hàng.
Việc phân tách tại các nút sẽ được xác định theo chỉ số Gini với thuật toán CART (Classicification and Regression Tree)
- 𝑝 𝑖 là xác suất để 1 bộ bất kỳ trong D thuộc về lớp 𝐶 𝑖
Mô hình cây quyết định là phương pháp phân lớp hiệu quả và dễ hiểu, nhưng hiệu quả của nó phụ thuộc nhiều vào dữ liệu huấn luyện Do đó, việc sử dụng một bộ dữ liệu lớn về lịch sử vay nợ của khách hàng là cần thiết để xây dựng mô hình cây quyết định đáng tin cậy.
(ii) Mô hình Random forest
Mô hình Random Forest, hay còn gọi là rừng ngẫu nhiên, là phương pháp xây dựng một tập hợp nhiều cây quyết định nhằm dự đoán biến mục tiêu Mỗi cây quyết định được tạo ra ngẫu nhiên thông qua quá trình tái chọn mẫu và sử dụng một phần nhỏ biến ngẫu nhiên từ toàn bộ dữ liệu Mặc dù mô hình Random Forest thường cho kết quả chính xác cao, nhưng nhược điểm lớn của nó là khó hiểu cơ chế hoạt động bên trong do cấu trúc phức tạp, khiến nó trở thành một trong những mô hình hộp đen.
Hình 3.2: Mô phỏng mô hình random forest
Phương pháp lựa chọn mô hình dự báo xác suất vỡ nợ
Để đánh giá tính chính xác của các mô hình dự báo xác suất vỡ nợ, có thể áp dụng một số kỹ thuật như ma trận Confusion, tỷ lệ độ chính xác, tỷ lệ nhạy cảm, tỷ lệ đặc hiệu và điểm F1.
Ma trận Confussion là công cụ quan trọng để đánh giá hiệu quả của các bài toán phân loại, thông qua việc phân tích tỷ lệ độ chính xác và độ bao quát của dự đoán cho từng lớp Ma trận này bao gồm bốn chỉ số chính: True Positive (TP) thể hiện số lượng dự đoán chính xác, True Negative (TN) chỉ số dự đoán chính xác gián tiếp, False Positive (FP) là số lượng dự đoán sai lệch, và False Negative (FN) là số lượng sai lệch gián tiếp.
Trong trường hợp đánh giá kết quả dự báo khả năng vỡ nợ của các doanh nghiệp, ma trận Confussion được mô hình như bảng dưới đây:
Non-default (Không phá sản)
Non-default (Không phá sản) True Negative (TN) False Positive (FP)
Default (Phá sản) False Negative (FN) True Positive (TP)
Trong đó các chỉ số đối với mỗi lớp phân loại được hiểu như sau:
True Positive (TP): Số lượng dự báo chính xác Là khi mô hình dự báo đúng một công ty bị phá sản
True Negative (TN) là số lượng dự báo chính xác, phản ánh việc mô hình dự đoán đúng rằng một doanh nghiệp không bị phá sản Điều này có nghĩa là việc không chọn trường hợp doanh nghiệp bị phá sản là một quyết định chính xác.
False Positive (FP) là số lượng dự đoán sai lệch trong mô hình, xảy ra khi mô hình dự báo một công ty sẽ phá sản, trong khi thực tế công ty đó vẫn hoàn toàn khỏe mạnh Đây được xem là lỗi loại 1 của mô hình.
False Negative (FN) là số lượng dự đoán sai lệch, cụ thể là khi mô hình dự đoán rằng một công ty sẽ không bị phá sản, nhưng thực tế công ty đó lại rơi vào tình trạng phá sản Điều này có nghĩa là mô hình đã không nhận diện đúng trường hợp công ty bị phá sản, và đây được coi là lỗi loại 2 trong mô hình.
Theo nghiên cứu của Hayden và Daniel, mục tiêu của mô hình dự báo xác suất vỡ nợ là phân tích và đánh giá các khách hàng vay để phân loại họ thành khách hàng tốt và khách hàng xấu Tuy nhiên, khi rủi ro xảy ra, các thống kê cho thấy rằng
Lỗi loại 2, hay còn gọi là False Negative, có thể gây ra tổn thất lớn cho ngân hàng hơn so với lỗi loại 1 (False Positive) Nguyên nhân là do khả năng không thu hồi vốn từ nhóm khách hàng bị ảnh hưởng bởi lỗi loại 2, dẫn đến rủi ro tài chính nghiêm trọng cho tổ chức.
Dựa trên bốn chỉ số đã nêu, các nhà nghiên cứu đã phát triển các nhóm chỉ số nhằm đánh giá độ tin cậy của mô hình dự báo xác suất vỡ nợ của doanh nghiệp.
Tỷ lệ đo lường sự chính xác của mô hình (Accuracy ratio) phản ánh khả năng phân biệt hiệu quả giữa các công ty có khả năng phá sản và không phá sản Để xác định mức độ chính xác của mô hình dự báo, các nhà nghiên cứu đã phát triển công thức tính toán cụ thể.
Accuracy = (TN + TP)/(TN + FN + TP + FP)
Tỷ lệ đo lường mức độ nhạy cảm của mô hình (sensitivity ratio) phản ánh khả năng chính xác của mô hình trong việc xác định các trường hợp công ty phá sản Mức độ nhạy cảm được tính bằng tỷ lệ giữa số công ty được dự báo phá sản chính xác và tổng số công ty thực sự phá sản Công thức tính mức độ nhạy cảm của mô hình sẽ được trình bày cụ thể trong bài viết.
Tỷ lệ specificity (tỷ lệ đặc hiệu) là chỉ số quan trọng dùng để đánh giá khả năng của mô hình trong việc nhận diện chính xác các trường hợp công ty không bị phá sản.
Tỷ lệ này được tính toán dựa trên tỷ lệ các công ty được dự báo sẽ không phá sản so với tổng số công ty thực tế không bị phá sản Công thức để xác định tỷ lệ này như sau:
Tỷ lệ precision (tỷ lệ chính xác) là chỉ số đánh giá số lượng công ty dự đoán sẽ phá sản một cách chính xác so với tổng số công ty được dự báo Tỷ lệ này được tính toán theo công thức cụ thể.
3.5.2 Điểm số F1 (F1-score) Điểm số F1-score được đưa ra nhằm khắc phục nhược điểm của việc đánh giá mức độ tin cậy của mô hình dựa trên các nhóm chỉ số được xây dựng dựa trên ma trận Confussion Trong các bài toán phân loại các công ty thuộc lớp phá sản hoặc không phá sản, bộ dữ liệu được sử dụng để xây dựng và kiểm định mô hình thường có sự phân bố không đồng đều, trong trường hợp này dữ liệu về các công ty không phá sản sẽ chiếm một tỷ lệ lớn hơn rất nhiều so với dữ liệu của các công ty phá sản, từ đó dẫn đến các tỷ lệ sensitivity và tỷ lệ precision thường bị lệch và cho kết quả dự báo không thật sự chính xác Vì vậy, điểm số F1 được đưa ra, nó là chỉ số được xây dựng dựa trên việc đánh giá đồng thời giữa
Hai nhóm tỷ lệ sensitivity và precision giúp đánh giá hiệu quả của các mô hình xếp hạng, mang lại kết quả đáng tin cậy hơn Điểm số F1, hay còn gọi là F-measure, được xác định thông qua một công thức cụ thể.