Đánh giá khả năng trả nợ của doanh nghiệp bằng ứng dụng Mô hình Logit
ThS. PHI HỒNG HẠNH
Đại học Tài chính Quản trị Kinh doanh
Trong xu thế cạnh tranh ngày càng gay gắt của ngành Ngân hàng và sự gia tăng quản lý của Chính phủ tới việc quản trị rủi ro- đặc biệt là sau thời kỳ nợ xấu bùng nổ, các ngân hàng thương mại (NHTM) Việt Nam đã rất chú trọng tới việc xây dựng và phát triển hệ thống xếp hạng tín dụng nội bộ để kiểm soát rủi ro tín dụng (RRTD), giảm thiểu nợ xấu và tăng lợi nhuận. Tuy nhiên, mặc dù hệ thống xếp hạng tín dụng nội bộ của các ngân hàng đã ngày càng được hoàn thiện nhưng thực trạng bùng nổ về nợ xấu trong những năm qua đã cho thấy những thiếu sót của các hệ thống chấm điểm này. Chính vì vậy, việc thiết lập một mô hình định lượng để đo lường và dự báo xác suất vỡ nợ của doanh nghiệp (DN) là một yêu cầu cấp thiết.
Bài viết này đề xuất ứng dụng mô hình Logit trong phân tích các chỉ tiêu tài chính để đánh giá khả năng trả nợ của DN với mục đích chính là nhằm hỗ trợ cho các ngân hàng trong công tác xếp hạng tín dụng, ra quyết định cho vay hoặc phân loại nợ. Mặt khác, mô hình Logit được đề xuất cũng giúp cho các DN có thể tiếp cận tốt hơn với các nguồn lực tín dụng dựa trên thông tin tín dụng là sẵn có và đáng tin cậy.
quản trị ngân hàng & doanh nghiệp
Từ khóa: mô hình Logit, rủi ro tín dụng, xác suất vỡ nợ
1. Cơ sở lý thuyết
iện nay, bên cạnh phương pháp chuyên gia như phương pháp xếp hạng tín nhiệm của Fitch, Moody’s Investors Service (Moody’s) và Standard
& Poor’s (S&P), các phương pháp dự báo rủi ro tín dụng DN dựa trên dữ liệu thống kê đã và đang phát triển ngày càng mạnh mẽ cả về chiều rộng và chiều sâu.
Từ những năm 1930, mô hình xác suất tuyến tính (Linear probability model- LPM) đã được sử dụng để dự báo rủi ro tín dụng cho ngân hàng. Tuy nhiên, do mô hình gặp phải nhiều hạn chế như sai số hồi quy không phân phối chuẩn, phương sai thay đổi, xác suất không phân bố trong khoảng 0-1… nên sau đó hầu như mô hình này không còn được sử dụng trong dự báo RRTD nữa.
Đến năm 1968, phương pháp phân tích khác biệt đa nhân tố (MDA) đã được Altman sử dụng để xây dựng mô hình dự doán xác suất vỡ nợ của các công ty trên thị trường Mỹ. Kết quả là từ 22 chỉ số ban đầu, một hàm biệt thức gồm 5 chỉ số đã được thiết lập. Hàm biệt thức này được gọi là mô hình điểm số Z (Z- Score) và Z được xác định dựa trên giá trị của từng chỉ số và trọng số tương ứng của nó. Các thực nghiệm trên thị trường Mỹ cho thấy mô hình điểm số Z của Altman đã dự đoán tương đối chính xác khả năng vỡ nợ của một công
ty 2 năm trước khi các sự kiện thực tế xảy ra. Từ mô hình điểm số Z, Altman và cộng sự đã phát triển mô hình điểm số Z’ (1992) để dự báo cho các công ty sản xuất tư nhân và mô hình Z’’ (1995) để dự báo cho các công ty phi sản xuất. Cho đến nay, mô hình điểm số Z của Altman đã được rất nhiều quốc gia áp dụng, với khoảng hơn 30 mô hình khác nhau ở các nước.
Mô hình ở mỗi nước có thể khác so với mô hình gốc tùy thuộc vào tình trạng và đặc thù kinh tế của mỗi quốc gia (Đào Thị Thanh Bình, 2013).
Bên cạnh phương pháp MDA, từ những năm 1980 trở lại đây, mô hình Logit và Probit cũng được sử dụng khá phổ biến.
Lý do là Logit và Probit không cần bất cứ giả thiết nào về phân phối của các biến độc lập, kiểm định thống kê không phức tạp, có thể điều
chỉnh hàm phi tuyến dễ dàng và
các biến định tính đều xử lý được thông qua việc thiết lập biến giả có thể chuyển thành định lượng. Mô hình Logit và Probit đã được ứng dụng trong rất nhiều lĩnh vực khác nhau và trong ngân hàng, nó chủ yếu được sử dụng để ước lượng xác suất vỡ nợ của người đi vay dựa trên những thông tin có được của khách hàng.
Ngoài các phương pháp trên, gần đây cũng xuất
hiện các cách thức tiếp cận mới sử dụng phương pháp
thống kê phi thông số (non-
parametric) phức tạp như lân cận gần nhất K và mạng nơ ron thần kinh. Mô hình ước lượng và dự báo dựa trên lân cận gần nhất K và mạng nơ ron thần kinh cũng được đánh giá là tốt hơn so với mô hình Logit và Probit, sau đó mới là MDA và LPM nhưng do lân cận gần nhất K và mạng nơ ron thần kinh đòi hỏi dữ liệu đầu vào lớn, các phương pháp này cũng rất phức tạp và chưa phổ biến nên trong khuôn khổ bài viết này, với yêu cầu mẫu không quá cao, ít ràng buộc về mặt giả thiết, mô hình Logit đã được lựa chọn để làm cơ sở phân tích số liệu.
2. Mô hình và giả thuyết nghiên cứu
Mô hình Logit được sử dụng để xem xét ảnh hưởng của quy mô DN và các chỉ tiêu tài chính đến xác suất vỡ nợ (khả năng trả nợ) của DN. Dạng của mô
hình Logit được viết như sau:
Mô hình này có p không phải là hàm tuyến tính của các biến độc lập. Do đó, trong mô hình Logit, người ta không nghiên cứu ảnh hưởng trực tiếp của biến độc lập Xk đối với Y mà xem xét ảnh hưởng của Xk đến xác suất để Y nhận giá trị bằng 1 hay kỳ vọng của Y. Ảnh hưởng của Xk đến pi được tính như sau:
Trong bài viết này, mô hình
( )
( i i) ( i i)
i i
X X
X i
i e e
p e X Y
E ββ+β+β −β −β
= +
= +
=
= 0 0
0
1 1 ) 1
/ 1 (
k i i k i
i k
i p p
X X X
p β β
β
β (1 )
ˆ)) exp(
1 (
ˆ) exp(
2 = −
= +
∂
∂
Logit xây dựng bao gồm 1 biến phụ thuộc và 13 biến độc lập, cụ thể các biến trong mô hình được giải thích như sau:
Biến phụ thuộc: Khả năng trả nợ của DN (Y)
Y = 1: DN có nợ xấu/ Khả năng trả nợ thấp
Y = 0: DN không có nợ xấu/
Khả năng trả nợ cao
Biến phụ thuộc Y được xác định căn cứ vào số ngày chậm nộp thuế của DN. Những DN chậm nộp thuế trên 90 ngày được coi là có nợ xấu vì khi chậm nộp thuế trên 90 ngày: (i) DN đã biết việc chậm nộp thuế và số tiền thuế nợ; (ii) DN chấp nhận tiền phạt theo lãi suất phạt bằng 0,05%/ngày tương đương 1,5%/tháng, có thể coi như ngang bằng lãi suất quá hạn của ngân hàng; (iii) DN phải chịu các biện pháp cưỡng chế để truy thu thuế như: Cơ quan thuế trích tiền gửi ngân hàng
để thu hồi tiền thuế, kê biên và phát mãi tài sản khác của đối tượng trốn thuế, thu hồi mã số thuế, đình chỉ sử dụng hóa đơn.... Do đó, trong trường hợp chậm nộp thuế trên 90 ngày, có thể DN đang gặp khó khăn về tài chính, việc trả nợ cho ngân hàng vì thế cũng có thể khó được đảm bảo và khả năng có nợ xấu là rất cao.
Biến độc lập (bao gồm các biến từ X1 đến X13) được mô tả cụ thể trong Bảng 1. Dấu kỳ vọng mô hình Logit thể hiện kỳ vọng về mối quan hệ giữa biến độc lập (Xi) và biến phụ thuộc Y. 3. Phương pháp nghiên cứu
3.1. Phương pháp thu thập số liệu
Nghiên cứu sử dụng bộ số liệu lấy từ báo cáo tài chính, báo cáo quyết toán thuế và xác nhận của cơ quan thuế về việc DN đã nộp thuế vào NSNN
năm 2012- 2013 của 93 DN thuộc nhóm ngành nông, lâm và ngư nghiệp đang vay vốn tại NHTMCP Ngoại thương Việt Nam. Các DN này thuộc một trong ba trường hợp sau: (i) Nộp thuế đầy đủ và đúng hạn;
(ii) chậm nộp thuế đến 90 ngày;
và (iii) chậm nộp thuế trên 90 ngày. Từ 93 DN này, các DN thiếu báo cáo quyết toán thuế hoặc có báo cáo tài chính không đầy đủ hoặc các chỉ tiêu chính trong báo cáo tài chính thiếu, khuyết hoặc không khớp nhau sẽ bị loại. Cuối cùng, mẫu nghiên cứu bao gồm 79 quan sát tương ứng với 79 DN và 79 báo cáo tài chính được sử dụng để đưa vào mô hình.
3.2. Phương pháp phân tích số liệu
Nghiên cứu sử dụng hồi qui logistic nhị thức (binary logistic) với sự trợ giúp kĩ thuật của phần mềm SPSS 18.0 để Bảng 1. Các biến độc lập kì vọng của mô hình Logit
Ký hiệu Chỉ tiêu Dấu kì vọng
MH Logit X1
Quy mô của DN:
D = 0 nếu DN có quy mô nhỏ D = 1 nếu DN có quy mô vừa D = 2 nếu DN có quy mô lớn
-
X2 Khả năng thanh toán ngắn hạn = Tài sản ngắn hạn/ Nợ ngắn hạn - X3 Khả năng thanh toán nhanh = (TS ngắn hạn – Hàng tồn kho)/ Nợ ngắn hạn - X4 Vòng quay hàng tồn kho = Giá vốn hàng bán/Hàng tồn kho bình quân - X5 Kỳ thu tiền bình quân = (360 * Các khoản phải thu)/Doanh thu thuần + X6 Hiệu suất sử dụng tổng tài sản = Doanh thu thuần/Tổng tài sản - X7 Vòng quay vốn lưu động = Doanh thu thuần/Tổng TS ngắn hạn bình quân -
X8 Tỷ số Nợ phải trả/Tổng tài sản +
X9 Tỷ số Nợ phải trả/ Vốn chủ sở hữu +
X10 Lợi nhuận trước thuế/ Doanh thu thuần -
X11 Lợi nhuận trước thuế/ Tổng tài sản -
X12 Lợi nhuận trước thuế/ Vốn chủ sở hữu -
X13 Hệ số khả năng trả lãi vay = (LN trước thuế + Chi phí lãi vay)/Chi phí lãi vay - Ghi chú: Dấu (-) kì vọng mối quan hệ ngược chiều, dấu (+) kì vọng mối quan hệ thuận chiều giữa biến độc
lập (Xi) và biến phụ thuộc Y trong mô hình
ước lượng xác suất có nợ xấu của DN dựa trên những thông tin có được về biến độc lập.
4. Kết quả nghiên cứu Từ 13 biến độc lập đưa vào mô hình, thông qua việc xem xét hệ số tương quan của một số cặp biến r (X2, X3) = 0,999;
r (X6, X7) = 0,777; r (X10, X11) = 0,728 và giá trị p (sig.) của từng biến độc lập Xi trong mô hình hồi quy tổng thể với đầy đủ các biến số, các biến X7, X11, X4, X3, X12, X6, X10 lần lượt được loại ra khỏi mô hình. Mô hình cuối cùng hồi quy 6 biến độc lập X1, X2, X5, X8, X9, X13 theo biến phụ thuộc cho kết quả hồi quy như Bảng 2.
Bảng 2 cho thấy:
(i) Toàn bộ các hệ số trong mô hình đều có ý nghĩa trong việc giải thích cho biến phụ thuộc vì giá trị Sig. của kiểm định chi bình phương là 0,000;
(ii) Mức độ phù hợp của mô hình chấp nhận được vì giá trị của -2LL = 23,229 không quá cao (trong hồi quy logistic nhị thức, giá trị của -2LL càng nhỏ
thì mức độ phù hợp của mô hình càng cao, khi -2LL = 0 mô hình đạt được độ phù hợp hoàn hảo).
(iii) Tỷ lệ dự đoán đúng của mô hình khá cao: Trong 39 DN không có nợ xấu, mô hình dự đoán đúng 37 DN với tỷ lệ đúng là 94,9% và trong 40 DN có nợ xấu, mô hình đự đoán sai 3 DN với tỷ lệ đúng là 92,5%, theo đó tỷ lệ dự đoán đúng của toàn bộ mô hình là 93,7%.
(iv) Các biến quy mô DN (X1), khả năng thanh toán ngắn hạn (X2), kỳ thu tiền bình quân (X5), nợ phải trả trên tổng tài sản (X8), nợ phải trả trên vốn chủ sở hữu (X9) và hệ số khả năng trả lãi vay (X13) đưa vào mô hình đều có ý nghĩa thống kê trong việc ảnh hưởng đến khả năng trả nợ của DN với mức ý nghĩa từ 10% đến 5%.
Sự tác động của các biến độc lập lên biến phụ thuộc trong mô hình được xem xét lần lượt như sau:
- Quy mô DN (X1) có ý nghĩa ở mức thống kê 5%. Hệ số hồi quy B(1) = 1,960 cho thấy quy
mô DN có tác động thuận chiều đến xác suất có nợ xấu của DN, hay nói cách khác DN có quy mô càng lớn thì xác suất có nợ xấu càng cao. Nguyên nhân dẫn tới kết quả này là do giá trị trung bình (mean) của các chỉ tiêu về khả năng thanh toán ngắn hạn, kỳ thu tiền bình quân, nợ phải trả/tổng tài sản, nợ phải trả/vốn chủ sở hữu và hệ số khả năng trả lãi vay của nhóm các DN lớn đều không tốt bằng nhóm các DN vừa và kém hơn hẳn so với nhóm các DN nhỏ.
Trong mô hình, xác suất vỡ nợ trung bình ước lượng được của 26 DN lớn là 0,5452 trong khi chỉ số này ở nhóm 22 DN vừa và 31 DN nhỏ còn lại chỉ là 0,5294 và 0,4572. Dấu của hệ số B(1) ngược với dấu kì vọng của mô hình khá phù hợp với thực tế các DN ở Việt Nam khi mà báo cáo tài chính của phần lớn các DN vừa và nhỏ thường không được kiểm toán, và vì vậy để vay được vốn của ngân hàng, các số liệu trong báo cáo tài chính có thể đã bị thổi phồng hoặc cố ý làm sai lệch so với thực tế.
- Khả năng thanh toán ngắn hạn (X2) cho biết trung bình mỗi đồng nợ ngắn hạn của DN có bao nhiêu đồng tài sản ngắn hạn sẵn sàng chi trả. Đối với các DN nông, lâm và ngư nghiệp chỉ tiêu này tốt nhất nằm trong khoảng từ 1 đến 3.
Trong mô hình, chỉ tiêu khả năng thanh toán ngắn hạn có ý nghĩa ở mức thống kê 5%.
Hệ số hồi quy B(2) = - 7,373 cho thấy khả năng thanh toán ngắn hạn tác động ngược chiều Bảng 2. Kết quả hồi quy Binary Logistic
Biến (Variables) Hệ số hồi quy (B) Giá trị P (Sig.) Hằng số (Constant)
Quy mô doanh nghiệp (X1)
Khả năng thanh toán ngắn hạn (X2) Kỳ thu tiền bình quân (X5)
Nợ phải trả/ Tổng tài sản (X8) Nợ phải trả/ Vốn chủ sở hữu (X9) Hệ số khả năng trả lãi vay (X13)
19,666 1,960 - 7,373
0,024 - 29,435
3,395 - 2,711
.070.048 .023.063 .090.027 .012 Tổng số quan sát
Giá trị kiểm định chi bình phương
Giá trị P (sig.) của kiểm định chi bình phương Giá trị của -2LL (-2 Log likelihood)
Tỷ lệ dự đoán đúng của mô hình
7986,275 ,000 23,229 93,7%
Ghi chú: Có ý nghĩa ở mức ý nghĩa 10% khi P<0,1; có ý nghĩa ở mức ý nghĩa 5% khi P<0,05; có ý nghĩa ở mức ý nghĩa 1% khi giá trị P<0,01
đến xác suất có nợ xấu của DN.
Kết quả này hoàn toàn phù hợp với lý thuyết vì khi DN có khả năng thanh toán ngắn hạn càng cao thì khả năng trả nợ vay sẽ càng tốt và vì thế xác suất có nợ xấu của DN cũng thấp đi tương ứng.
- Kỳ thu tiền bình quân (X5) cho biết DN phải mất bao nhiêu ngày mới thu hồi được các khoản phải thu. Đối
với các DN nông, lâm, ngư nghiệp, kỳ thu tiền bình quân tốt nhất nằm
trong khoảng từ 35- 70 ngày.
Trong mô hình, kỳ thu tiền bình quân có ý nghĩa ở mức thống kê 10%. Hệ số hồi quy B(3) = 0,024 cho thấy kỳ thu tiền bình quân tác động thuận chiều đến xác suất có nợ xấu của DN. Kết quả này cũng phù hợp với thực tế vì kỳ thu tiền bình quân càng dài thì hiệu quả thu hồi nợ của DN đối với các khoản phải thu càng kém và do đó ảnh hưởng không tốt đến khả năng hoàn trả nợ vay cho ngân hàng.
- Nợ phải trả trên tổng tài sản (X8) có ý nghĩa ở mức thống kê 10%. Hệ số hồi quy B(4) = - 29,435 ngược dấu với dấu kì vọng hàm ý rằng nợ phải trả trên tổng tài sản có tác động ngược chiều tới xác suất có nợ xấu của DN, hay nợ phải trả/tổng tài sản càng cao thì xác suất có nợ xấu của DN càng thấp. Kết quả này mặc dù không phù hợp về mặt lý thuyết nhưng vẫn chấp nhận được vì có một khoảng cách khá xa về giá trị trung bình của nợ phải trả/tổng tài sản giữa hai nhóm có nợ xấu và không có nợ xấu. Thống kê cho
thấy chỉ số này ở 39 DN không có nợ xấu là 0,4807 trong khi ở 40 DN có nợ xấu là 0,7451 và của cả 79 DN là 0,6146. Điều này có nghĩa là đối với các DN thuộc lĩnh vực nông, lâm, ngư nghiệp, nếu DN có nợ phải trả/
tổng tài sản ở mức thấp thì việc DN gia tăng nợ phải trả trong giới hạn cho phép vẫn có thể đảm bảo được khả năng trả nợ
của DN đối với ngân hàng.
- Nợ phải trả trên vốn chủ sở hữu (X9) có ý nghĩa ở mức thống kê 5%. Hệ số hồi quy B(5) = 3,395 cho thấy chỉ tiêu nợ phải trả/VCSH tác động thuận chiều đến xác suất có nợ xấu của DN. Kết quả này phù hợp với thực tế vì chỉ tiêu nợ phải trả/VCSH cho biết mức độ sử dụng nợ của DN và qua đó đo lường được khả năng tự chủ tài chính của DN. Nếu DN có nợ phải trả/VCSH càng lớn (lớn hơn 1) thì DN đã quá lệ thuộc vào vốn vay, ngân hàng có thể sẽ phải đối mặt với rủi ro mất vốn lớn khi DN gặp khó khăn về tài chính.
- Hệ số khả năng trả lãi vay (X13) có ý nghĩa ở mức thống kê 5%. Hệ số hồi quy B(6) = -2,711 cho thấy hệ số khả năng trả lãi vay có tác động ngược chiều tới xác suất có nợ xấu của DN. Kết quả này cũng phù hợp với lý thuyết vì hệ số khả năng trả lãi vay cho biết hiệu quả sử dụng đòn cân nợ của DN.
Trong trường hợp DN vay nợ nhiều nhưng kinh doanh không
tốt, mức sinh lời của đồng vốn quá thấp hoặc bị thua lỗ thì khó có thể đảm bảo thanh toán tiền lãi vay đúng hạn, do đó chỉ số này càng thấp thì khả năng DN có nợ xấu sẽ càng cao.
Từ kết quả hồi quy, mô hình logit ước lượng xác suất có nợ xấu của các DN thuộc lĩnh vực nông, lâm và ngư nghiệp có thể viết dưới dạng như sau:
Mô hình cho thấy các biến nợ phải trả/tổng tài sản (X8), khả năng thanh toán ngắn hạn (X2) và nợ phải trả/VCSH (X9) là những biến tác động mạnh nhất đến xác suất có nợ xấu của DN.
Việc điều chỉnh các biến này theo hướng phù hợp sẽ giúp DN giảm xác suất vỡ nợ, từ đó nâng cao khả năng tiếp cận vốn ngân hàng của DN.
5. Đề xuất và kiến nghị 5.1. Đề xuất đối với ngân hàngNgân hàng có thể ứng dụng mô hình Logit để hỗ trợ cho công tác xếp hạng tín nhiệm DN tại ngân hàng vì so với phương pháp chấm điểm tín dụng, mô hình Logit cho phép ngân hàng có thể dự báo nhanh nhất xác suất có nợ xấu của DN dựa trên những thông tin có được về tình hình tài chính của DN. Nếu ngân hàng xếp hạng khách hàng DN thành 10 hạng theo mức độ rủi ro từ thấp đến cao là: AAA, AA, A, BBB, BB, B, CCC, CC, C, D thì có thể đưa ra mối quan hệ giữa hai cách xếp hạng như Bảng 3.
( )
( 1 2 5 8 9 13)
13 9 8 5
2 1
711 . 2 395 . 3 435 . 29 024 . 0 373 . 7 960 . 1 666 . 19
711 . 2 395 . 3 435 . 29 024 . 0 373 . 7 960 . 1 666 . 19
) 1 /
( t t t X X XX XX XX XX XX
e p e
X Y
E ++ −− ++ −− + + − −
= +
=
Từ kết quả xếp hạng, ngân hàng có thể đưa ra quyết định cấp tín dụng (xác định hạn mức tín dụng, thời hạn, mức lãi suất, biện pháp bảo đảm tiền vay, phê duyệt hay không phê duyệt…) hoặc thực hiện phân loại nợ.
Nếu phân loại nợ, ngân hàng cần đánh giá tình hình trả nợ của DN theo ba mức tốt (luôn đúng hạn, hoặc khách hàng mới), trung bình (đã có nợ quá hạn trong quá khứ nhưng hiện tại không còn nợ quá hạn) và xấu (đang có nợ quá hạn). Khi đó, chất lượng của khoản nợ có
thể được xác định theo ma trận hai chiều giữa mức xếp hạng tín dụng và tình hình trả nợ của DN như Bảng 4.
Mặc dù mô hình định lượng có tính khách quan cao hơn so với phương pháp chấm điểm tín dụng trong việc phân tích, đánh giá khả năng trả nợ của DN nhưng do các chỉ tiêu tài chính sử dụng trong mô hình đóng vai trò tiên quyết quyết định hiệu quả của việc sử dụng mô hình nên khi áp dụng mô hình, ngân hàng cần kiểm tra, đánh giá báo cáo tài chính Bảng 3. Mô tả hạng khách hàng doanh nghiệp dựa
trên xác suất có nợ xấu
STT Hạng của khách hàng Xác suất có
nợ xấu Mức độ rủi ro 1 AAA 0 → 0,05 Rủi ro ở mức thấp nhất 2 AA 0,05 → 0,15 Rủi ro ở mức tương đối thấp 3 A 0,15 → 0,25 Rủi ro ở mức tương đối thấp 4 BBB 0,25 → 0,35 Rủi ro ở mức thấp
5 BB 0,35 → 0,45 Rủi ro ở mức thấp 6 B 0,45 → 0,55 Rủi ro ở mức trung bình 7 CCC 0,55 → 0,65 Rủi ro ở mức trung bình 8 CC 0,65 → 0,75 Rủi ro cao
9 C 0,75 → 0,85 Rủi ro rất cao 10 D 0,85 → 1 Đặc biệt rủi ro
Bảng 4. Ma trận xếp loại khoản vay của doanh nghiệp
Tình hình trả nợ
Mức XHTD Tốt Trung bình Xấu
AAA
Nợ đủ tiêu chuẩn Nợ cần chú ý Nợ dưới tiêu chuẩn AA
A
BBB Nợ cần chú ý Nợ dưới tiêu chuẩn Nợ dưới tiêu chuẩn BB Nợ cần chú ý Nợ dưới tiêu chuẩn Nợ nghi ngờ B
CCC Nợ dưới tiêu chuẩn Nợ nghi ngờ Nợ có khả năng mất vốn CC
Nợ nghi ngờ Nợ có khả năng
mất vốn Nợ có khả năng mất vốn C
D
của DN một cách chặt chẽ để đảm bảo tính minh bạch và độ tin cậy cho nguồn dữ liệu đầu vào. Việc sử dụng các thông tin sai sẽ dẫn đến những đánh giá không đúng về khả năng trả nợ của DN và có thể gây ra rủi ro lớn cho ngân hàng. Cơ sở dữ liệu sẵn có của ngân hàng, các thông tin thu thập được, trình độ chuyên môn và đạo đức nghề nghiệp của cán bộ tín dụng ngân hàng trong trường hợp này là điều kiện cần để ngân hàng có thể ứng dụng mô hình định lượng trong việc hỗ trợ cho các quyết định tín dụng hoặc thực hiện phân loại nợ.
5.2. Kiến nghị đối với các cơ quan chức năng
- Bộ Tài chính cần tiếp tục hoàn thiện các quy định và chuẩn mực kế toán của Việt Nam theo các tiêu chuẩn quốc tế, đồng thời phải thực hiện kiểm tra, giám sát chặt chẽ việc lập và nộp báo cáo tài chính DN theo đúng quy định để đảm bảo thông tin tài chính chính xác. Hiện nay, mặc dù Bộ Tài chính đã có chương trình đánh giá, thống kê hoặc kiểm toán các DN nhưng kết quả và số liệu vẫn không được công khai. Bộ Tài chính cần có cơ chế chia sẻ thông tin để các ngân hàng có thể khai thác dữ liệu về các DN.
- Cơ quan thuế cần có sự phối hợp chặt chẽ với ngân hàng trong việc thẩm định báo cáo tài chính của
DN để tránh tình trạng các DN báo cáo thuế thì lỗ nhưng báo cáo vay vốn ngân hàng thì lãi.
Đồng thời cũng cần có sự hỗ trợ tích cực cho các ngân hàng trong việc xác định các DN chậm nộp thuế theo quy định.
- Trung tâm thông tin tín dụng (CIC) của Ngân hàng Nhà nước cần nâng cao hơn nữa việc thu thập thông tin và đánh giá xếp hạng khách hàng của mình.
Đồng thời từ các thông tin thu thập được về DN của cả nước, CIC nên triển khai xây dựng cơ sở dữ liệu về các DN và cho phép các NHTM truy cập cơ sở dữ liệu này, từ đó giúp các ngân hàng có thêm thông tin đầy đủ hơn về DN vay vốn.
- Tổng cục Thống kê cần thực hiện các nghiên cứu và đưa ra hệ thống chỉ số trung bình ngành có độ tin cậy cao, đồng thời phải liên tục cập nhật các chỉ tiêu theo tình hình kinh tế
chung. Điều này không những tạo thuận lợi cho ngân hàng trong việc đánh giá khả năng trả nợ của khách hàng mà còn tạo thuận lợi cho DN trong phân tích tài chính để cải thiện hiệu quả quản lý của DN mình.
■
TÀI LIỆU THAM KHẢO 1. Đào Thị Thanh Bình (2013),
“Mô hình xếp hạng tín dụng cho các công ty sản xuất ở Việt Nam”, Tạp chí Kinh tế và Phát triển, (Số 188), tr 39- 49.
2. Nguyễn Quang Dong (2007), Kinh Tế Lượng Chương Trình Nâng Cao, NXB Khoa Học và Kỹ Thuật.
3. Bùi Phúc Trung (2011), “Ứng dụng phương pháp thống kê xây dựng mô hình xếp hạng tín dụng cho doanh nghiệp niêm yết trên thị trường chứng khoán Việt Nam”, Tạp chí Phát triển kinh tế, (Số 245), tr. 43-51.
4. Nguyễn Trọng Hòa (2010), Xây dựng mô hình xếp hạng tín dụng đối
với các doanh nghiệp Việt Nam trong nền kinh tế chuyển đổi, Luận án Tiến sỹ, TP HCM.
5. Nguyễn Thị Thanh Huyền (2011), “Quản lý rủi ro tín dụng doanh nghiệp theo mức độ rủi ro khách hàng- Kinh nghiệm quốc tế”, Tạp chí Ngân hàng, (Số 7), tr. 60- 67.
6. Nguyễn Văn Hương (2013),
“Nguyên nhân nợ xấu dưới góc nhìn từ báo cáo tài chính của doanh nghiệp”, www.ntu.edu.vn/khoakttc/
Nghiêncứukhoahọc/HTKH613.aspx 7. Nguyễn Minh Kiều (2012), Nghiệp vụ ngân hàng thương mại, NXB Lao động xã hội.
8. Nguyễn Thùy Linh (2013), Hoàn thiện công tác xếp hạng tín dụng doanh nghiệp tại Ngân hàng TMCP Ngoại thương Việt Nam, Luận văn thạc sỹ kinh tế, Đại học KTQD.
9. Ngân hàng TMCP Ngoại thương Việt Nam (2009), Sổ tay hướng dẫn chấm điểm hệ thống xếp hạng tín dụng nội bộ khách hàng doanh nghiệp.
SUMMARY
The assessment of company solvency using a Logit model
In the trend of increasingly fierce competition of the banking sector and the increase of the Government to control the risk management- especially after the outbreak of bad debt, commercial banks of Vietnam were very interested in the construction and development of the system of internal credit rating to control credit risk effectively, minimize bad debt and increase profit. However, although the system of internal credit ratings of the banks have increasingly been completed, the outbreak of bad debts in recent years has unveiled the shortcomings and inadequacies of the rating system. Therefore, the establishment of a quantitative model to measure and predict the probability of the enterprise is a pressing requirement.
This paper proposes the application of Logit model in the analysis of financial criteria to assess the ability to settle the debts of the company mainly to support the banks in the credit rating, making a lending decision or debt classification. On the other hand, Logit model is proposed to help businesses have better access to financial resources basing on credit information available and reliable.
THÔNG TIN TÁC GIẢ Phi Hồng Hạnh, Thạc sĩ
Đơn vị công tác: Đại học Tài chính Quản trị kinh doanh Lĩnh vực nghiên cứu chính: Quản trị ngân hàng thương mại
Tạp chí tiêu biểu đã có bài viết đăng tải: Tạp chí Kinh tế và dự báo, Tạp chí Công thương Email: phihonghanh85@gmail.com