Vận dụng mô hình logistic và neural network trong xếp hạng tín dụng doanh nghiệp tại ngân hàng TMCP công thương việt nam

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƢỜNG ĐẠI HỌC KINH TẾ TP. HỒ CHÍ MINH

THÁI THỊ TRANG

VẬN DỤNG MÔ HÌNH LOGISTIC VÀ NEURAL NETWORK
TRONG XẾP HẠNG TÍN DỤNG DOANH NGHIỆP TẠI NGÂN
HÀNG TMCP CÔNG THƢƠNG VIỆT NAM
Chuyên ngành : Tài chính – Ngân hàng
Mã số

: 60340201

LUẬN VĂN THẠC SĨ KINH TẾ

NGƯỜI HƯỚNG DẪN KHOA HỌC:
TS. TRẦN PHƢƠNG THẢO

TP. Hồ Chí Minh-Năm 2016


LỜI CAM ĐOAN
Tôi xin cam đoan rằng đây là công trình nghiên cứu của tôi, có sự hướng dẫn
của TS. Trần Phương Thảo. Nội dung luận văn được trình bày trong phạm vi hiểu
biết của tôi, có tham khảo và sử dụng thông tin, dữ liệu được đăng tải trên các tài
liệu tiếng Việt, tiếng Anh theo danh mục tài liệu tham khảo.
Tôi xin chịu trách nhiệm hoàn toàn về lời cam đoan của mình.
TPHCM, ngày 25 tháng 10 năm 2016
Người cam đoan

Thái Thị Trang

MỤC LỤC
TRANG PHỤ BÌA
LỜI CAM ĐOAN
MỤC LỤC
DANH MỤC CÁC TỪ VIẾT TẮT
DANH MỤC CÁC BẢNG BIỂU
DANH MỤC CÁC HÌNH VẼ
CHƢƠNG 1: GIỚI THIỆU TỔNG QUAN NGHIÊN CỨU ................................. 1
1.1

Lý do chọn đề tài .......................................................................................... 1

1.2

Mục tiêu nghiên cứu .................................................................................... 2

1.3

Đối tƣợng và phạm vi nghiên cứu .............................................................. 2

1.4

Phƣơng pháp nghiên cứu ............................................................................ 2

1.5

Kết cấu đề tài................................................................................................ 3

CHƢƠNG 2: TỔNG QUAN VỀ XẾP HẠNG TÍN DỤNG KHÁCH HÀNG
DOANH NGHIỆP TẠI NGÂN HÀNG THƢƠNG MẠI ....................................... 4
2.1

Cơ sở lý luận về xếp hạng tín dụng tại ngân hàng thƣơng mại ............... 4

2.1.1

Khái niệm xếp hạng tín dụng ..................................................................... 4

2.1.2

Vai trò của xếp hạng tín dụng doanh nghiệp ............................................ 5

2.1.3

Nguyên tắc xếp hạng tín dụng .................................................................... 7

2.2
Mô hình xếp hạng tín dụng doanh nghiệp tại Trung tâm thông tin tín
dụng của Ngân hàng Nhà Nƣớc Việt Nam (CIC) ................................................... 8
2.3
Tổng quan các nghiên cứu về xếp hạng tín dụng khách hàng doanh
nghiệp ..................................................................................................................... 10
KẾT LUẬN CHƢƠNG 2 ........................................................................................ 17
CHƢƠNG 3: THỰC TRẠNG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG
DOANH NGHIỆP TẠI NGÂN HÀNG TMCP CÔNG THƢƠNG VIỆT NAM18
3.1

Giới thiệu về Ngân hàng TMCP Công Thƣơng Việt Nam .................... 18

3.1.1

Lịch sử hình thành và phát triển .............................................................. 18

3.1.2

Tình hình hoạt động kinh doanh .............................................................. 19

3.2
Thực trạng xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng
TMCP Công Thƣơng Việt Nam ............................................................................. 22
3.2.1

Quy trình chấm điểm xếp hạng tín dụng khách hàng doanh nghiệp ... 22


3.2.2

Nội dung chấm điểm xếp hạng tín dụng khách hàng doanh nghiệp..... 25

3.3
Đánh giá xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng
TMCP Công Thƣơng Việt Nam ............................................................................. 31
3.3.1

Những kết quả đạt đƣợc ........................................................................... 31

3.3.2

Những mặt hạn chế.................................................................................... 33

KẾT LUẬN CHƢƠNG 3 ........................................................................................ 36
CHƢƠNG 4: VẬN DỤNG MÔ HÌNH LOGISTIC VÀ NEURAL NETWORK
TRONG XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP TẠI
NGÂN HÀNG TMCP CÔNG THƢƠNG VIỆT NAM ........................................ 37
4.1

Dữ liệu nghiên cứu ..................................................................................... 37

4.1.1

Thu thập dữ liệu ........................................................................................ 37

4.1.2

Xử lý dữ liệu ............................................................................................... 38

4.2

Phƣơng pháp nghiên cứu .......................................................................... 39

4.3

Kết quả nghiên cứu.................................................................................... 43

4.3.1

Thống kê mô tả dữ liệu.............................................................................. 43

4.3.2

Kết quả ƣớc lƣợng ..................................................................................... 46

4.3.3

Kiểm định mức độ dự báo chính xác của mô hình ................................. 51

KẾT LUẬN CHƢƠNG 4 ........................................................................................ 54
CHƢƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ NHẰM ỨNG DỤNG HIỆU QUẢ
MÔ HÌNH VÀO XẾP HẠNG TÍN DỤNG KHÁCH HÀNG DOANH NGHIỆP
TẠI NGÂN HÀNG TMCP CÔNG THƢƠNG VIỆT NAM................................ 56
5.1

Kết luận ...................................................................................................... 56

5.2

Kiến nghị đối với Ngân hàng TMCP Công Thƣơng Việt Nam ............. 57

5.2.1 Nghiên cứu vận dụng kết hợp mô hình Logistic và Neural Network
trong xếp hạng tín dụng .......................................................................................... 57
5.2.2

Nâng cao chất lƣợng thu thập và xử lý thông tin ................................... 60

5.2.3

Nâng cao nhận thức và tăng cƣờng công tác đào tạo cán bộ ................. 61

5.2.4

Kiểm tra giám sát công tác chấm điểm ................................................... 61

5.3

Kiến nghị đối với các bên có liên quan .................................................... 62

5.4

Hạn chế và gợi ý hƣớng nghiên cứu tiếp theo ......................................... 63

KẾT LUẬN CHƢƠNG 5 ........................................................................................ 65
DANH MỤC TÀI LIỆU THAM KHẢO
PHỤ LỤC


DANH MỤC CÁC TỪ VIẾT TẮT
- BCTC

Báo cáo tài chính

- CIC

Trung tâm Thông tin tín dụng

- NHNN

Ngân hàng Nhà nước Việt Nam

- NHTM

Ngân hàng thương mại

- TCTD

Tổ chức tín dụng

- TMCP

Thương mại cổ phần

- VietinBank

Ngân hàng Thương Mại Cổ phần Công Thương Việt Nam

- XHTD

Xếp hạng tín dụng


DANH MỤC CÁC BẢNG BIỂU
Bảng 2.1: Tóm tắt các nghiên cứu về ứng dụng mô hình trong XHTD.................... 10
Bảng 3.1: Một số chỉ tiêu tài chính cơ bản của VietinBank giai đoạn 2011-2015 ... 19
Bảng 3.2: Danh mục các chỉ tiêu tài chính trong XHTD khách hàng doanh nghiệp
tại VietinBank ........................................................................................................... 28
Bảng 3.3: Điểm trọng số các chỉ tiêu phi tài chính trong XHTD khách hàng doanh
nghiệp tại VietinBank ............................................................................................... 29
Bảng 3.4: Điểm trọng số các chỉ tiêu trong XHTD khách hàng doanh nghiệp tại
VietinBank ................................................................................................................ 30

Bảng 3.5: Bảng điểm tín dụng trong XHTD khách hàng doanh nghiệp tại
VietinBank ............................................................................................................... .30
Bảng 4.1: Tóm tắt các biến độc lập trong mô hình hồi quy Logistic ........................ 38
Bảng 4.2: Tính toán giá trị Specifity và Sensitivity .................................................. 43
Bảng 4.3: Thống kê mô tả các biến độc lập .............................................................. 43
Bảng 4.4: Ma trận hệ số tương quan giữa các biến độc lập ...................................... 45
Bảng 4.5. Kết quả ước lượng mô hình Logistic với đầy đủ các biến số ................... 46
Bảng 4.6: Kiểm định Wald Test biến X2, X9 .......................................................... 46
Bảng 4.7. Kết quả ước lượng mô hình Logistic sau khi loại trừ X2, X9 .................. 47
Bảng 4.8: Kiểm định Wald Test biến X7, X8 .......................................................... 47
Bảng 4.9: Kết quả ước lượng mô hình Logistic sau khi loại trừ X7, X8 .................. 48
Bảng 4.10: Kết quả tính Specifity và Sensitivity tại các ngưỡng xác suất ............... 49


Bảng 4.11: Kết quả dự báo của mô hình Neural Network ........................................ 52
Bảng 4.12: Kết quả đánh giá trọng số các biến trong mô hình Neural Network ...... 53
Bảng 5.1: Mô tả xếp hạng dựa trên xác suất vỡ nợ của khách hàng ......................... 58


DANH MỤC CÁC HÌNH VẼ
Hình 4.1: Mô hình Neural Network dự báo xác suất không thanh toán nợ ............. 42
Hình 4.2: Ngưỡng xác suất tối ưu trong dự báo xác suất vỡ nợ ............................... 51
Hình 4.3: Biểu đồ ROC ............................................................................................. 53


1
CHƢƠNG 1: GIỚI THIỆU TỔNG QUAN NGHIÊN CỨU
1.1

Lý do chọn đề tài

Hoạt động tín dụng của các Ngân hàng thương mại (NHTM) được đánh giá là

hoạt động truyền thống mang lại nguồn thu nhập chính trong cơ cấu tổng thu nhập
hiện nay. Điều tất yếu đặt ra là mỗi NHTM cần xây dựng những biện pháp quản trị
rủi ro tín dụng, một trong những công cụ đó chính là hệ thống chấm điểm và xếp
hạng tín dụng nội bộ nhằm dự báo khả năng trả nợ của khách hàng và đưa ra quyết
định cho vay. Kết quả của xếp hạng tín dụng (XHTD) có ý nghĩa quan trọng đối
với tổ chức cho vay và cả chủ thể được xếp hạng. Chính vì thế, cũng như các
NHTM khác ở Việt Nam, Ngân hàng Thương Mại Cổ Phần (TMCP) Công Thương
Việt Nam đã xây dựng và triển khai mô hình xếp hạng tín dụng nội bộ trên toàn hệ
thống từ năm 2006.
Trong các nghiên cứu ứng dụng tại nhiều nước trên thế giới trong lĩnh vực
XHTD doanh nghiệp, mô hình Logistic và Neural Network cho kết quả dự báo xác
suất vỡ nợ tốt nhất, hỗ trợ quyết định cho vay. Tại Việt Nam, việc vận dụng mô
hình Logistic và Neural Network hiện được nghiên cứu trong dự báo thị trường
chứng khoán, lạm phát mà chưa được áp dụng rộng rãi trong XHTD. Thêm vào đó,
các NHTM hiện xây dựng hệ thống XHTD theo quy trình, tiêu chí đánh giá mà
chưa vận dụng và phát huy hết vai trò của các công cụ dự báo định lượng. Do đó,
việc áp dụng thêm hai mô hình này là cần thiết, nhằm gia tăng tính chính xác trong
dự báo, có ý nghĩa tham khảo khi đánh giá sơ bộ một khách hàng trước khi tiến
hành thẩm định chi tiết, giảm thiểu chi phí thẩm định, hỗ trợ cho việc ra quyết định
cấp tín dụng bên cạnh hệ thống XHTD đã có, giảm bớt sự can thiệp mang tính chủ
quan để đánh giá mức độ rủi ro, cho phép ngân hàng chủ động trong việc lựa chọn
khách hàng và xây dựng chính sách trong hoạt động cấp tín dụng một cách hợp lý.
Xuất phát từ thực tiễn như trên, tôi xin chọn đề tài “Vận dụng mô hình Logistic
và Neural Network trong xếp hạng tín dụng khách hàng doanh nghiệp tại
Ngân hàng TMCP Công Thƣơng Việt Nam” làm luận văn nghiên cứu.


2

1.2 Mục tiêu nghiên cứu
Nghiên cứu nhằm đạt được các mục tiêu sau:
- Đánh giá thực trạng XHTD khách hàng doanh nghiệp tại Ngân hàng TMCP Công
Thương Việt Nam.
- Ứng dụng mô hình Logistic và Neural Network đo lường xác suất vỡ nợ, xác định
ngưỡng xác suất (cut-off point) tương ứng với từng hạng khách hàng, từ đó giúp
ngân hàng phân loại được doanh nghiệp đang thuộc vùng an toàn hay vùng cảnh
báo để chủ động trong công tác quyết định cấp tín dụng.
- Vận dụng kết quả nghiên cứu để đề xuất những giải pháp ứng dụng vào mô hình
XHTD khách hàng doanh nghiệp tại Ngân hàng TMCP Công Thương Việt Nam.
1.3 Đối tƣợng và phạm vi nghiên cứu
- Đối tượng nghiên cứu: mô hình xếp hạng tín dụng khách hàng doanh nghiệp tại
Ngân hàng TMCP Công Thương Việt Nam
- Phạm vi nghiên cứu: Nguồn dữ liệu từ báo cáo tài chính của khách hàng doanh
nghiệp có quan hệ tín dụng tại Ngân hàng TMCP Công Thương Việt Nam từ năm
2011 – 2015.
1.4 Phƣơng pháp nghiên cứu
- Luận văn tiếp cận các cơ sở lý thuyết và mô hình chấm điểm xếp hạng tín dụng
khách hàng doanh nghiệp thông qua các nghiên cứu trong nước và trên thế giới.
- Nghiên cứu thực nghiệm thông qua phương pháp thống kê, so sánh, tổng hợp các
số liệu, phân tích thực trạng, từ đó đưa ra những kiến nghị nhằm nâng cao hiệu quả
trong công tác chấm điểm xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân
hàng TMCP Công Thương Việt Nam.
- Xử lý số liệu cho mô hình hồi quy Logistic và Neural Network với sự hỗ trợ của
phần mềm Stata và SPSS, ứng dụng kết quả nghiên cứu tính xác suất vỡ nợ của
khách hàng đồng thời xác định ngưỡng xác suất hỗ trợ việc ra quyết định cho vay,


3
từ đó đề xuất sử dụng mô hình trong chấm điểm xếp hạng tín dụng khách hàng

doanh nghiệp tại Ngân hàng TMCP Công Thương Việt Nam.
1.5 Kết cấu đề tài
Để thực hiện các mục tiêu trên, nghiên cứu được chia thành 5 chương với
những nội dung như sau:
Chương 1: Giới thiệu tổng quan nghiên cứu
Chương 2: Tổng quan về xếp hạng tín dụng khách hàng doanh nghiệp tại ngân hàng
thương mại
Chương 3: Thực trạng xếp hạng tín dụng khách hàng doanh nghiệp tại Ngân hàng
TMCP Công Thương Việt Nam
Chương 4: Vận dụng mô hình Logistic và Neural Network trong xếp hạng tín dụng
khách hàng doanh nghiệp tại Ngân hàng TMCP Công Thương Việt Nam
Chương 5: Kết luận và kiến nghị nhằm ứng dụng hiệu quả mô hình vào xếp hạng
tín dụng khách hàng doanh nghiệp tại Ngân hàng TMCP Công Thương Việt Nam


4
CHƢƠNG 2: TỔNG QUAN VỀ XẾP HẠNG TÍN DỤNG KHÁCH HÀNG
DOANH NGHIỆP TẠI NGÂN HÀNG THƢƠNG MẠI
2.1

Cơ sở lý luận về xếp hạng tín dụng tại ngân hàng thƣơng mại

2.1.1 Khái niệm xếp hạng tín dụng
Thuật ngữ XHTD được sử dụng để chỉ việc thực hiện đánh giá, xếp hạng
khách hàng vay vốn tại các tổ chức tín dụng. Tại Việt Nam, thuật ngữ này có thể
được dịch và sử dụng với nhiều nghĩa khác nhau như xếp hạng tín nhiệm doanh
nghiệp, xếp hạng tín dụng doanh nghiệp, xếp loại doanh nghiệp, chấm điểm tín
dụng doanh nghiệp, xếp hạng khách hàng,…Trong nghiên cứu này, tác giả sử dụng
thuật ngữ “Xếp hạng tín dụng”.
XHTD là những ý kiến đánh giá hiện tại về rủi ro tín dụng, chất lượng tín dụng,

khả năng và thiện ý của chủ thể đi vay trong việc đáp ứng các nghĩa vụ tài chính
một cách đầy đủ và đúng hạn (Standard & Poor, 2006). Theo Moody's (2016),
XHTD là những ý kiến đánh giá về chất lượng tín dụng và khả năng thanh toán nợ
của chủ thể đi vay dựa trên những phân tích tín dụng cơ bản và biểu hiện thông qua
hệ thống ký hiệu từ Aaa đến C. Với quan điểm của Fitch (2014) thì xếp hạng tín
dụng là đánh giá mức độ khả năng thực hiện các nghĩa vụ nợ như lãi suất, cổ tức ưu
đãi, các khoản bảo hiểm hay các khoản phải trả khác của một tổ chức. Phương pháp
xếp hạng tín dụng của Fitch là sự kết hợp của cả yếu tố tài chính và phi tài chính. Vì
vậy, chỉ số đánh giá còn cho thấy khả năng sinh lợi tương lai của tổ chức được đánh
giá. Đứng trên góc độ ngân hàng, xếp hạng tín dụng được hiểu là những ý kiến đánh
giá về rủi ro tín dụng và chất lượng tín dụng thông qua hệ thống xếp hạng nhằm thể
hiện khả năng trả nợ của đối tượng được cấp tín dụng để đáp ứng các nghĩa vụ tài
chính một cách đầy đủ và đúng hạn (Nguyễn Đức Hưởng, 2012).
Như vậy, XHTD là quá trình thu thập, xử lý và đánh giá chất lượng thông tin
khách hàng nhằm mục tiêu hạn chế rủi ro tín dụng. Mức độ rủi ro tín dụng thay đổi
theo từng đối tượng khách hàng và được xác định bằng thang điểm, dựa vào các
thông tin tài chính và phi tài chính có sẵn tại thời điểm xếp hạng. Thông qua quá


5
trình này, NHTM có thể đánh giá được bản chất hoạt động kinh doanh cả về nguồn
lực, tiềm năng, lợi thế kinh doanh cũng như những rủi ro tiềm ẩn về khả năng trả nợ
của doanh nghiệp để có thể đưa ra quyết định cho vay, chính sách ưu đãi phù hợp,
ngăn ngừa kiểm soát rủi ro trong hoạt động tín dụng.
2.1.2 Vai trò của xếp hạng tín dụng doanh nghiệp
 Đối với ngân hàng thƣơng mại
Nhu cầu về sử dụng kết quả XHTD của các tổ chức tín dụng (TCTD) ngày
càng nhiều, cho thấy được vai trò quan trọng của XHTD trong việc phòng ngừa rủi
ro tín dụng ngân hàng. Cụ thể, XHTD là cơ sở cho việc lựa chọn khách hàng cho
vay bởi thông qua việc đánh giá mức độ tín nhiệm của khách hàng vay vốn, đo

lường mức độ rủi ro tín dụng, khả năng trả nợ của doanh nghiệp, TCTD sẽ đưa ra
quyết định cho vay hiệu quả nhất (Nguyễn Đức Hưởng, 2012). Đồng thời, kết quả
XHTD cũng là cơ sở để xây dựng chính sách tín dụng, danh mục tín dụng, bởi
thông qua kết quả xếp hạng TCTD sẽ phân loại khách hàng theo từng tiêu chí như
ngành nghề kinh doanh, quy mô, địa bàn hoạt động, mức độ rủi ro để từ đó xây
dựng danh mục tín dụng cho từng thời kỳ, đồng thời có các biện pháp kiểm soát
chặt chẽ đối với những khoản vay có xếp hạng thấp để hạn chế rủi ro xảy ra.
Hệ thống XHTD của NHTM cung cấp những dự đoán về khả năng xảy ra rủi
ro tín dụng của khách hàng vay, là công cụ giúp NHTM quản trị rủi ro tín dụng,
kiểm soát mức độ tín nhiệm khách hàng, thiết lập mức lãi suất cho vay phù hợp
tương ứng với dự báo mức độ rủi ro của từng nhóm khách hàng. NHTM có thể đánh
giá hiệu quả danh mục cho vay thông qua giám sát sự thay đổi dư nợ và phân loại
nợ trong từng nhóm khách hàng đã được xếp hạng, qua đó điều chỉnh danh mục
theo hướng ưu tiên nguồn lực vào những nhóm khách hàng an toàn. Cụ thể hơn, kết
quả XHTD được ứng dụng vào:
- Hỗ trợ phê duyệt tín dụng: Cải thiện tính chính xác và hiệu lực của việc ra quyết
định cấp tín dụng, cung cấp phương tiện hỗ trợ để quá trình này trở nên hiệu quả,
tiết kiệm thời gian, chi phí và giảm bớt sự can thiệp từ con người.


6
- Thực hiện quản trị rủi ro tín dụng: XHTD nội bộ là một công cụ để đánh giá mức
rủi ro của khách hàng. Nhờ tích hợp các nguyên tắc, khung chính sách và tiêu chuẩn
tín dụng căn bản của ngân hàng, hệ thống XHTD là căn cứ độc lập để NHTM đánh
giá hiệu quả quá trình quản trị rủi ro của các bộ phận liên quan, bảo đảm việc cấp
tín dụng được quản lý phù hợp, các tài sản có rủi ro tín dụng nằm trong giới hạn,
thống nhất với các tiêu chuẩn thận trọng và khả năng phát hiện rủi ro sớm.
- Hỗ trợ xác định lãi suất cho khoản tín dụng: Mức lãi suất áp dụng đối với từng
khách hàng phải phù hợp, đảm bảo có lợi nhuận và đủ để bồi hoàn tổn thất tín dụng.
XHTD phân loại các mức độ rủi ro và là một trong những căn cứ tin cậy để xác

định lãi suất cho các khoản tín dụng, theo nguyên tắc mức XHTD thấp (rủi ro cao)
có mức lãi suất cao và ngược lại.
- Hỗ trợ quản lý và giám sát khách hàng: Việc XHTD làm cơ sở cho việc phân loại
và giám sát danh mục tín dụng, xác định khi nào cần có sự giám sát hoặc có các
hoạt động điều chỉnh khoản tín dụng phù hợp. Cụ thể, những khoản vay có mức
XHTD thấp, rủi ro cao cần phải được chú trọng theo dõi, kiểm soát, đánh giá
thường xuyên. Ngược lại, những khách hàng tốt với mức XHTD cao sẽ được ưu đãi
hơn trong các quan hệ giao dịch.
 Đối với nhà đầu tƣ
Quá trình XHTD sẽ căn cứ vào các chỉ tiêu tài chính của các báo cáo tài chính
và chỉ tiêu phi tài chính như quản trị điều hành, cơ cấu tổ chức của doanh nghiệp từ
đó đánh giá được tiềm năng sinh lợi, mức độ an toàn vốn khi đầu tư vào một doanh
nghiệp. Kết quả XHTD giúp nhà đầu tư có thêm công cụ đánh giá rủi ro tín dụng,
giảm thiểu chi phí thu thập, phân tích, giám sát khả năng trả nợ của các tổ chức phát
hành công cụ nợ, từ đó đưa ra các quyết định đầu tư hợp lý.
 Đối với doanh nghiệp
Các doanh nghiệp có kết quả XHTD tốt sẽ tạo được lòng tin đối với nhà đầu tư,
giúp các công ty mở rộng thị trường vốn trong và ngoài nước, giúp duy trì sự ổn
định nguồn tài trợ. Những công ty được xếp hạng cao dễ dàng quảng bá hình ảnh,
nâng cao thương hiệu của mình khi phát hành trái phiếu, từ đó duy trì được nguồn


7
vốn trong nhiều hoàn cảnh. XHTD càng cao thì chi phí vay càng thấp, các nhà đầu
tư sẵn sàng nhận một mức lãi suất thấp hơn cho một chứng khoán an toàn.
 Đối với Chính phủ và thị trƣờng tài chính
Kết quả xếp hạng tín dụng là công cụ giúp các ngân hàng quản trị rủi ro từ đó
tăng trưởng tín dụng bền vững, đảm bảo sự thông suốt của thị trường tài chính trong
nước. XHTD cung cấp tín hiệu để cảnh báo rủi ro trong hoạt động và triển vọng
phát triển của các doanh nghiệp, giúp thị trường tài chính minh bạch hơn, nâng cao

hiệu quả của nền kinh tế và tăng cường khả năng giám sát thị trường của Chính phủ.
Trong điều kiện hội nhập với thị trường kinh tế thế giới, việc minh bạch hóa thông
tin tín nhiệm sẽ tạo được lòng tin đối với nhà đầu tư nước ngoài, giúp doanh nghiệp
có cơ hội phát triển.
2.1.3 Nguyên tắc xếp hạng tín dụng
Theo Trần Đắc Sinh (2002), XHTD được thực hiện dựa trên nguyên tắc chủ
yếu bao gồm phân tích tín nhiệm trên cơ sở ý thức và thiện chí trả nợ của khách
hàng trong lịch sử, đánh giá tiềm năng trả nợ thông qua đo lường năng lực tài chính
của khách hàng, từ đó đánh giá rủi ro toàn diện và thống nhất dựa vào hệ thống ký
hiệu xếp hạng. Trong phân tích xếp hạng tín dụng cũng cần chú ý đến phân tích
định tính để bổ sung cho những thiếu sót của phân tích định lượng. Các chỉ tiêu
phân tích có thể thay đổi phù hợp với yếu tố môi trường chung. Việc XHTD được
thực hiện dựa trên những nguyên tắc cơ bản như sau:
- Phân tích dựa trên các yếu tố định tính và định lượng:
+ Các chỉ tiêu định lượng là những chỉ tiêu đo lường bằng con số cụ thể như các chỉ
tiêu khả năng thanh toán, tỷ suất sinh lợi, P/E…
+ Các chỉ tiêu định tính là những quan sát không đo lường được bằng số, như vị thế
cạnh tranh, môi trường chính trị, môi trường kinh tế, văn hóa…
- Việc phân tích được tiến hành bằng phương pháp trên - xuống theo trình tự như
sau:


8
+ Phân tích các yếu tố mang tính chất vĩ mô về xu hướng quốc gia, ngành như tốc
độ tăng trưởng kinh tế của quốc gia, sự ổn định về chính trị, chính sách tài chính, sự
mở cửa thị trường, …
+ Phân tích rủi ro trong hoạt động kinh doanh như tình hình cạnh tranh, xu hướng
thị trường, vị thế kinh doanh,… Phân tích những chỉ tiêu này nhằm phản ánh năng
lực cạnh tranh đối với các đối thủ tiềm năng, sản phẩm thay thế, nhà cung ứng,
khách hàng và những đối thủ cạnh tranh hiện tại trong ngành.

+ Phân tích tình hình tài chính gồm hàng loạt chỉ tiêu phụ thuộc vào từng ngành
nghề, kết hợp so sánh giữa rủi ro tài chính và rủi ro kinh doanh, xem xét độ linh
hoạt tài chính cũng như chính sách tài chính.
+ Phân tích hướng phát triển của công ty thông qua các kế hoạch và chiến lược kinh
doanh.
- Đơn giản, dễ hiểu, dễ so sánh:
Xây dựng thang điểm cho các chỉ tiêu, tổng hợp và phản ánh qua các thứ hạng
theo mẫu tự Latin. Hệ thống xếp hạng được chia thành 02 loại chính là xếp hạng nợ
dài hạn và ngắn hạn, ngoài ra còn có các biểu tượng riêng cho công ty chứng khoán,
bảo hiểm, ngân hàng,…
2.2 Mô hình xếp hạng tín dụng doanh nghiệp tại Trung tâm thông tin tín
dụng của Ngân hàng Nhà Nƣớc Việt Nam (CIC)
Trung tâm thông tin tín dụng (CIC) thực hiện xếp hạng tín nhiệm doanh
nghiệp theo hướng dẫn của Ngân hàng Nhà nước Việt Nam (NHNN) nhằm tiến tới
tiêu chuẩn hóa đánh giá các chỉ tiêu có thể áp dụng cho các NHTM trong nước, nhờ
vào lượng lớn thông tin doanh nghiệp lưu trữ qua nhiều năm. NHNN đã xây dựng
và định hướng khung chính sách theo các Quyết định số 493/2005/QĐ-NHNN ngày
22/04/2005, Quyết định số 18/2007/QĐ-NHNN ngày 25/04/2007 của Thống đốc
ngân hàng nhà nước, quy định về việc phân loại nợ, trích lập và sử dụng dự phòng
để xử lý rủi ro tín dụng trong hoạt động ngân hàng của tổ chức tín dụng và Quyết
định số 1253/ QĐ-NHNN về việc thực hiện nghiệp vụ phân tích, xếp hạng tín dụng


9
doanh nghiệp. CIC thực hiện xếp hạng tín nhiệm các doanh nghiệp niêm yết trên thị
trường chứng khoán hoặc doanh nghiệp thuộc mọi thành phần kinh tế có nhu cầu tự
xếp hạng. Các doanh nghiệp được xếp hạng cũng được phân theo quy mô, nguồn
vốn kinh tế, số lao động, doanh thu thuần, chỉ tiêu nộp ngân sách nhà nước. Ngoài
ra, kết quả khảo sát tổng hợp các yếu tố: bảng cân đối kế toán, kết quả kinh doanh,
tình hình dư nợ ngân hàng, các thông tin phi tài chính… cũng được coi là yếu tố

quan trọng để đánh giá chất lượng tín dụng của doanh nghiệp. Kết quả đánh giá này
chủ yếu được CIC đem cung cấp cho các TCTD làm cơ sở phục vụ việc cấp vốn của
các tổ chức này. Các báo cáo tại CIC gồm có: Báo cáo quan hệ tín dụng, Báo cáo
thông tin tài sản đảm bảo, Báo cáo thông tin thẻ tín dụng.
Việc phân tích, xếp loại tín dụng doanh nghiệp được thực hiện tại Trung tâm
Thông tin tín dụng dựa vào các chỉ tiêu tài chính và phi tài chính.
 Chỉ tiêu tài chính gồm 4 chỉ tiêu phân tích cơ bản:
-

Chỉ tiêu thanh khoản

-

Chỉ tiêu hoạt động

-

Chỉ tiêu cân nợ

-

Chỉ tiêu thu nhập

 Chỉ tiêu phi tài chính gồm:
-

Uy tín trong quan hệ với các TCTD

-

Thời gian hoạt động của doanh nghiệp

-

Trình độ quản lý

-

Môi trường kinh doanh

-

Lĩnh vực, ngành nghề hoạt động
Tại Việt Nam, các NHTM hiện đang xây dựng hệ thống XHTD trên cơ sở

khung chính sách định hướng của NHNN. Trên cơ sở quy trình, tiêu chí đánh giá
xếp hạng tín nhiệm các doanh nghiệp niêm yết được áp dụng tại CIC, các ngân hàng
sẽ xây dựng hệ thống XHTD riêng phụ thuộc vào quy mô, phạm vi hoạt động, tình


10
hình thực tế, đặc điểm kinh doanh và định hướng chính sách tín dụng trong từng
thời kỳ.
2.3 Tổng quan các nghiên cứu về xếp hạng tín dụng khách hàng doanh
nghiệp
Để đánh giá mức độ tín nhiệm, các tổ chức tài chính trước đây thường sử dụng
phương pháp chuyên gia trong hệ thống đánh giá rủi ro tín dụng của các doanh
nghiệp. Dựa trên các thông tin, cơ sở dữ liệu trên thị trường của doanh nghiệp các
chuyên gia tiến hành đánh giá, phối hợp những biến định danh và các biến định tính
để đi đến việc đánh giá rủi ro tín dụng của khách hàng. Từ kết quả đánh giá này, các

tổ chức sẽ quyết định việc cấp hay không cấp các khoản tín dụng. Tuy nhiên, nhìn
chung phương pháp này phụ thuộc nhiều vào tính chủ quan của chuyên gia đánh giá.
Để khắc phục những hạn chế của mô hình chấm điểm và nâng cao tính khách quan
qua việc lượng hóa, hiện nay một số ngân hàng tiếp cận phương pháp xếp hạng tín
dụng qua phương pháp định lượng, trong đó có mô hình điểm số Z-core, Logistic,
Neural Network. Phân tích tìm một hàm tuyến tính của các biến tài chính và thị
trường để có thể phân biệt một cách tốt nhất giữa hai lớp doanh nghiệp vỡ nợ và
không vỡ nợ. Đã có rất nhiều công trình nghiên cứu chuyên sâu được công bố trên
các tạp chí khoa học ứng dụng những mô hình trên để đo lường, xếp hạng tín dụng
nội bộ doanh nghiệp tại một số quốc gia trên thế giới.
Bảng 2.1: Tóm tắt các nghiên cứu về ứng dụng mô hình trong XHTD
Năm

Tác giả

Kết quả nghiên cứu

1. Nghiên cứu trên thế giới

2015

Laura và
cộng sự

2014 Bekhet và

Mô hình điểm số Z của Altman là mô hình hữu ích cho việc
dự đoán tài chính, hỗ trợ các nhà quản lý trong quản trị rủi
ro.
Đề xuất việc ứng dụng kết hợp mô hình Logistic và Neural

11
Eletter

Network như là công cụ kỹ thuật khai thác dữ liệu, hỗ trợ
quyết định cho vay đối với các ngân hàng thương mại tại
Jordan, giúp công việc thẩm định hồ sơ vay vốn hiệu quả ,
tiết kiệm thời gian phân tích và chi phí

Soureshjani
2012 và
Kimiagari

Vận dụng kết hợp mô hình Logistic và Neural Network, kết
quả nghiên cứu hỗ trợ ngân hàng ra quyết định cho vay đối
với 2 nhóm khách hàng trong mẫu: khách hàng có rủi ro cao
và khách hàng có rủi ro thấp.
Nghiên cứu khả năng dự đoán xếp hạng của mô hình probit
dựa trên dữ liệu đánh giá của Fitch về trái phiếu của các

2012

Mizen và

công ty tại Mỹ trong những năm 2000-2007. Qua nghiên

Tsoukas

cứu, tác giả kết luận việc ứng dụng mô hình phi tuyến probit

vào dự đoán xếp hạng tốt hơn so với mô hình tuyến tính
truyền thống
Sử dụng mô hình Logistic để dự đoán sự phá sản dựa trên

2012

Ahmadi và

mẫu nghiên cứu. Kết quả nghiên cứu cho thấy chỉ số nợ, tỷ

cộng sự

lệ lợi nhuận giữ lại trên tổng tài sản và tỷ suất sinh lợi trên
tổng tài sản có vai trò dự báo tình hình kinh doanh công ty
Ứng dụng mô hình Probit vào dự đoán xu hướng lợi nhuận

2011 Nyberg

cổ phiếu của các công ty trên thị trường chứng khoán Mỹ
nhằm mục tiêu dự báo suy thoái kinh tế
Nghiên cứu kết luận rằng mô hình Z-Score có thể được sử

2010

Muchlis và

dụng để xác định các công ty đang gặp vấn đề về tài chính

Jayanti

hoặc để cảnh báo sớm các vấn đề tài chính đang đe dọa hoạt
động của ngành.


12

2010

Dong và
cộng sự

Đề xuất sử dụng mô hình hồi quy logistic với hệ số ngẫu
nhiên để xây dựng bảng điểm tín dụng nhờ vào ưu điểm
khách quan và tính chính xác trong dự báo
Nghiên cứu phân loại rủi ro tín dụng thông qua mô hình

2008

Matoussi và
Abdelmoula

Neural Network. Kết quả dự báo chính xác đến 97,1% mẫu
quan sát trong tập huấn luyện và 71% trong tập xác nhận, hỗ
trợ ngân hàng trong quá trình quản trị rủi ro tín dụng và từ
đó thiết lập chính sách phù hợp

2008

Angelini và
cộng sự

Mô hình Neural Network mở ra hướng nghiên cứu đầy hứa
hẹn trong ứng dụng mạng để dự báo rủi ro tín dụng trong
xếp hạng nội bộ
Nghiên cứu ứng dụng mô hình Neural Network trong dự

2008 Tsai và Wu

báo phá sản và chấm điểm tín dụng khách hàng, tác giả kết
luận mô hình cho kết quả tốt hơn mô hình thống kê truyền
thống khác trong vấn đề ra quyết định tài chính.

2.

2014

Nghiên cứu tại Việt Nam
Khắc Hiếu

Ứng dụng mô hình Neural Network để dự báo lạm phát tại

và Nguyễn

Việt Nam.

Thị Anh
Vân
Xây dựng phương trình dự báo rủi ro tín dụng cho các
doanh nghiệp. Kết quả nghiên cứu mở ra hướng ứng dụng

2011 Hoàng Tùng xây dựng mô hình XHTD đối với các doanh nghiệp niêm
yết, giúp nâng cao hiệu quả và phát huy vai trò của thị
trường chứng khoán đối với nền kinh tế.


13

Ứng dụng mô hình Neural Network vào dự báo giá chứng
2010 Lê Đạt Chí

khoán tại TPHCM và kết luận mô hình cho ra kết quả dự
báo chính xác hơn mô hình hồi quy tuyến tính truyền thống.

Muchlis và Jayanti (2010) vận dụng mô hình Z-core trong phân tích nguy cơ
phá sản của các công ty bất động sản niêm yết giao dịch trên sàn chứng khoán
Indonesia vào giai đoạn 2004-2008. Nghiên cứu kết luận rằng mô hình Z-Score có
thể được sử dụng để xác định các công ty đang gặp vấn đề về tài chính hoặc để cảnh
báo sớm các vấn đề tài chính đang đe dọa hoạt động của ngành. Tương tự, Grice và
Ingram (2001), Laura và cộng sự (2015) cũng cho rằng mô hình điểm số Z của
Altman là mô hình hữu ích cho việc dự đoán tài chính, hỗ trợ các nhà quản lý trong
quản trị rủi ro.
Mizen và Tsoukas (2012) nghiên cứu khả năng dự đoán xếp hạng của mô hình
probit dựa trên dữ liệu đánh giá của Fitch về trái phiếu của các công ty tại Mỹ trong
những năm 2000-2007. Qua nghiên cứu, tác giả kết luận việc ứng dụng mô hình phi
tuyến probit vào dự đoán xếp hạng tốt hơn so với mô hình tuyến tính truyền thống.
Tương tự, Nyberg (2011) ứng dụng mô hình Probit vào dự đoán xu hướng lợi nhuận
cổ phiếu của các công ty trên thị trường chứng khoán Mỹ nhằm mục tiêu dự báo suy
thoái kinh tế. Một số công trình nghiên cứu vận dụng mô hình Logistic trong dự báo
khả năng thanh toán nợ vay của doanh nghiệp có thể kể đến nghiên cứu của Ahmadi
và cộng sự (2012), tác giả sử dụng mô hình Logistic để dự đoán sự phá sản dựa trên

mẫu nghiên cứu gồm 49 công ty bị phá sản và 49 công ty không bị phá sản ở Iran
trong những năm 2005-2007. Mô hình sử dụng 19 biến tài chính sau: chỉ số tăng
trưởng doanh thu, chỉ số thanh toán nhanh, vốn lưu động ròng, tỷ suất sinh lợi trên
tổng tài sản, tỷ suất sinh lợi trên vốn chủ sở hữu, hệ số thu nhập trả lãi định kỳ, tỷ
suất sinh lợi trên doanh thu, tỷ lệ tăng trưởng lợi nhuận, dòng tiền trên tổng tài sản,
lợi nhuận giữ lại trên tổng tài sản, vòng quay tổng tài sản, chỉ số nợ, dòng tiền/nợ,
vốn lưu động ròng/tổng nợ, dòng tiền và tỷ suất lợi nhuận ròng, nợ/vốn chủ sở hữu,
thu nhập hoạt động/tổng tài sản, vốn chủ sở hữu/tổng tài sản, nợ/dòng tiền từ hoạt


14
động kinh doanh. Kết quả nghiên cứu cho thấy chỉ số nợ, tỷ lệ lợi nhuận giữ lại trên
tổng tài sản và tỷ suất sinh lợi trên tổng tài sản có vai trò dự báo tình hình kinh
doanh công ty. Dong và cộng sự (2010) đề xuất sử dụng mô hình hồi quy logistic
với hệ số ngẫu nhiên để xây dựng bảng điểm tín dụng nhờ vào ưu điểm khách quan
và tính chính xác trong dự báo. Cũng trong nghiên cứu định lượng bằng phương
pháp hồi quy phi tuyến, Klieštik và cộng sự (2015) sử dụng đồng thời mô hình
Logistic và Probit trong dự báo tình hình tài chính công ty. Qua nghiên cứu, tác giả
kết luận việc vận dụng hai mô hình trên có sự tương đồng, tuy nhiên mô hình
Logistic có nhiều ưu điểm hơn nhờ vào đặc điểm phân phối của các tham số. Nhìn
chung, mô hình Logistic được sử dụng phổ biến hơn so với mô hình Probit trong
các nghiên cứu về XHTD doanh nghiệp tại các ngân hàng.
Matoussi và Abdelmoula (2008) nghiên cứu phân loại rủi ro tín dụng thông
qua mô hình Neural Network dựa trên cơ sở dữ liệu 1.100 hồ sơ vay gồm các công
ty thương mại và công nghiệp của một ngân hàng thương mại trong giai đoạn 20022003 tại Tunisia. Mô hình sử dụng 22 biến tài chính đầu vào gồm 4 nhóm chỉ tiêu
cơ bản là chỉ tiêu thanh khoản, chỉ tiêu hoạt động, chỉ tiêu cân nợ và chỉ tiêu thu
nhập. Kết quả dự báo chính xác đến 97,1% mẫu quan sát trong tập huấn luyện và
71% trong tập xác nhận, hỗ trợ ngân hàng trong quá trình quản trị rủi ro tín dụng và
từ đó thiết lập chính sách phù hợp. Angelini và cộng sự (2008) kết luận rằng mô
hình Neural Network mở ra hướng nghiên cứu đầy hứa hẹn trong ứng dụng mạng

để dự báo rủi ro tín dụng trong xếp hạng nội bộ dựa trên mẫu nghiên cứu gồm 76
doanh nghiệp nhỏ từ một ngân hàng của Ý. Cũng với các biến số đầu vào là các chỉ
tiêu tài chính của từ báo cáo tài chính của khách hàng doanh nghiệp có phát sinh
quan hệ tín dụng, Pacelli và Azzollini (2011), Azayite và Achchab (2016) sử dụng
mô hình Neural Network để dự đoán rủi ro tín dụng với kết quả dự báo khả năng
trả nợ của khách hàng có đảm bảo hoặc không từ các thông số đầu ra của mô hình;
mô hình được đánh giá là có vai trò quan trọng trong chấm điểm và xếp hạng tín
dụng. Cùng quan điểm trên, Tsai và Wu (2008), nghiên cứu ứng dụng mô hình
Neural Network trong dự báo phá sản và chấm điểm tín dụng khách hàng, tác giả


15
kết luận mô hình cho kết quả tốt hơn mô hình thống kê truyền thống khác trong vấn
đề ra quyết định tài chính.
Không chỉ được áp dụng riêng lẻ, đã có nhiều công trình nghiên cứu vận dụng
kết hợp đồng thời các phương pháp để tìm ra mô hình dự báo tốt nhất trong XHTD
doanh nghiệp. Soureshjani và Kimiagari (2012), vận dụng kết hợp mô hình Logistic
và Neural Network với 127 quan sát được chọn lọc từ 1000 dữ liệu, là khách hàng
doanh nghiệp của một NHTM, trong đó có 21 doanh nghiệp không trả được nợ, để
ước lượng những biến số tài chính trong mô hình kinh tế lượng tốt có khả năng tính
toán xác suất vỡ nợ. Bốn nhóm chỉ tiêu tài chính quan trọng trong mô hình nghiên
cứu được thu thập và tính toán dựa vào báo cáo tài chính gồm: chỉ tiêu thanh toán,
chỉ tiêu hoạt động chỉ tiêu cân nợ, chỉ tiêu thu nhập. Biến phụ thuộc Y nhận giá trị 0
– không có nợ xấu hoặc 1 – có nợ xấu, giá trị ước lượng của Y thu được khi hồi quy
Y theo các biến độc lập. Biến độc lập gồm 10 biến: chỉ số thanh toán hiện thời, chỉ
số thanh toán nhanh, chỉ số nợ/tổng tài sản, chỉ số nợ/vốn chủ sở hữu, vòng quay
tổng tài sản, vòng quay khoản phải thu, vòng quay hàng tồn kho, tỷ suất sinh lợi
trên tổng tài sản, tỷ suất sinh lợi trên vốn chủ sở hữu, tỷ suất sinh lợi trên doanh
thu. Kết quả hồi quy Logistic xác định 3 biến gồm chỉ số thanh toán hiện thời, chỉ
số nợ/tổng tài sản và tỷ suất sinh lợi trên tổng tài sản có ý nghĩa quyết định trong

việc đánh giá khả năng trả nợ vay. Ba biến số trên được sử dụng làm dữ liệu đầu
vào cho mô hình Neural Network. Qua nghiên cứu, tác giả xác định ngưỡng xác
suất tốt nhất của mẫu nghiên cứu là 0.3. Tại ngưỡng xác suất, mô hình dự báo có độ
chính xác cao nhất, đây là ngưỡng mà các ngân hàng quyết định có nên chấp nhận
cho vay hoặc không. Kết quả nghiên cứu hỗ trợ ngân hàng ra quyết định cho vay
đối với 2 nhóm khách hàng trong mẫu: khách hàng có rủi ro cao (có xác suất vỡ nợ
>0,3), khách hàng có rủi ro thấp (có xác suất vỡ nợ ≤ 0,3).
Bekhet và Eletter (2014) nghiên cứu đề xuất việc ứng dụng kết hợp mô hình
Logistic và Neural Network như là công cụ kỹ thuật khai thác dữ liệu, hỗ trợ quyết
định cho vay đối với các ngân hàng thương mại tại Jordan, giúp công việc thẩm
định hồ sơ vay vốn hiệu quả , tiết kiệm thời gian phân tích và chi phí.


16
Tương tự đối với nghiên cứu đánh giá rủi ro trong xếp hạng tín dụng khách hàng
doanh nghiệp, Smaranda (2014) tiến hành nghiên cứu xác suất vỡ nợ và xác định
ngưỡng xác suất từ một mẫu dữ liệu gồm 105 doanh nghiệp vừa và nhỏ thu thập từ
một nền kinh tế mới nổi Trung-Đông Âu như Romania vào cuối năm 2009. Nghiên
cứu sử dụng đồng thời 3 mô hình là Altman, Taffler và Logistic; kết quả hồi quy
xác định 4 trong số 14 chỉ số tài chính có ảnh hưởng đến khả năng thanh toán nợ
của chủ thể vay vốn, bao gồm hệ số nợ/vốn chủ sở hữu, tỷ suất sinh lợi trên vốn chủ
sở hữu, vòng quay tổng tài sản và hệ số nợ/tổng tài sản. Cũng qua nghiên cứu này,
tác giả kết luận rằng mô hình hồi quy logistic là thích hợp để dự báo kết quả cho các
mẫu dữ liệu.
Không chỉ được vận dụng trong XHTD đối với khách hàng doanh nghiệp, mô
hình Logistic và Neural Network còn là một trong những công cụ dự báo xác suất
vỡ nợ đối với khách hàng cá nhân. Gouvêa và Gonçalves (2007) kiểm định và đưa
ra kết luận vai trò hữu hiệu của mô hình Logistic và Neural Network trong chấm
điểm và xếp hạng tín dụng với mẫu ngẫu nhiên là hồ sơ vay vốn của khách hàng cá
nhân tại các NHTM. Tương tự, Abdou và cộng sự (2008) sử dụng đồng thời mô

hình phân tích khác biệt (Discriminant Analysis –DA), Probit, Logistic và Neural
Network xếp hạng tín dụng khách hàng cá nhân gồm 581 mẫu quan sát (trong đó
433 khách hàng tốt và 148 khách hàng xấu) và xác định ngưỡng xác suất của từng
mô hình. Kết quả nghiên cứu cho thấy, mô hình Logistic và Neural Network cho kết
quả dự báo chính xác tốt nhất.
Tại Việt Nam, việc ứng dụng mô hình Logistic và Neural Network nhằm phân
tích và dự báo kinh tế đã được các tác giả phát triển trong thời gian qua. Tác giả
Hoàng Tùng (2011) tiếp cận phân tích rủi ro tín dụng bằng phương pháp hồi quy
Logistic. Từ số liệu tài chính thực tế của 463 doanh nghiệp niêm yết trên thị trường
chứng khoán Việt Nam, tác giả xây dựng phương trình dự báo rủi ro tín dụng cho
các doanh nghiệp. Kết quả nghiên cứu mở ra hướng ứng dụng xây dựng mô hình
XHTD đối với các doanh nghiệp niêm yết, giúp nâng cao hiệu quả và phát huy vai
trò của thị trường chứng khoán đối với nền kinh tế. Lê Đạt Chí (2010) đã ứng dụng


17
mô hình Neural Network vào dự báo giá chứng khoán tại TPHCM và kết luận mô
hình cho ra kết quả dự báo chính xác hơn mô hình hồi quy tuyến tính truyền thống.
Tương tự, Nguyễn Khắc Hiếu và Nguyễn Thị Anh Vân (2014) đã ứng dụng mô
hình Neural Network để dự báo lạm phát tại Việt Nam.
Tóm lại, trong các nghiên cứu trên bộ chỉ tiêu tài chính được sử dụng để dự
báo khả năng thanh toán nợ vay khách hàng doanh nghiệp thuộc 4 nhóm: chỉ tiêu
thanh khoản, chỉ tiêu hoạt động, chỉ tiêu cân nợ và chỉ tiêu thu nhập. Các mô hình
nêu trên hiện đã được nghiên cứu ứng dụng tại nhiều nước trên thế giới trong lĩnh
vực XHTD doanh nghiệp. Trong đó, mô hình Logistic và Neural Network cho kết
quả dự báo tốt nhất. Tại Việt Nam, việc vận dụng mô hình Logistic và Neural
Network hiện được nghiên cứu trong dự báo thị trường chứng khoán, lạm phát mà
chưa được áp dụng rộng rãi trong XHTD. Thêm vào đó, các NHTM hiện xây dựng
hệ thống XHTD theo quy trình, tiêu chí đánh giá xếp hạng tín nhiệm tại Trung tâm
thông tin tín dụng mà chưa vận dụng và phát huy hết vai trò của các công cụ dự báo

định lượng. Do đó, việc áp dụng thêm hai mô hình này là cần thiết, nhằm gia tăng
tính chính xác trong dự báo và có ý nghĩa tham khảo đối với công tác XHTD tại các
NHTM Việt Nam.
KẾT LUẬN CHƢƠNG 2
Chương 2 đã cung cấp những lý luận cơ bản về mô hình xếp hạng tín dụng tại
các NHTM, làm rõ được khái niệm, nguyên tắc cũng như tổng quan về vai trò của
XHTD đối với các chủ thể trong nền kinh tế. Ngoài ra, Chương 2 còn lượt khảo một
số mô hình xếp hạng tín dụng trên thế giới, phương pháp thống kê và các biến được
sử dụng phổ biến trong các bài nghiên cứu trước đây có cùng đề tài để tham khảo
học hỏi, đặc biệt là mô hình Logistic và Neural Netwok. Những lý luận cơ bản này
là khung lý thuyết định hướng cho quá trình nghiên cứu thực hiện mục tiêu của đề
tài.