Ứng dụng mô hình Logistic xếp hạng tín dụng doanh nghiệp ngành xây dựng niêm yết trên thị trường chứng khoán Việt Nam

(1)

Ứng dụng mô hình Logistic xếp hạng tín dụng doanh nghiệp ngành xây dựng niêm yết trên thị trường chứng khoán Việt Nam

Phạm Quốc Khang Nguyễn Thị Hà Vy

Ngày nhận: 12/12/2016 Ngày nhận bản sửa: 11/01/2017 Ngày duyệt đăng: 13/03/2017

Xếp hạng tín dụng đã trở thành một phương pháp đánh giá quan trọng đối với các doanh nghiệp và các định chế tài chính. Việc đẩy mạnh công tác nghiên cứu, nâng cao chất lượng xếp hạng tín dụng đang là yêu cầu đối với các ngân hàng và toàn bộ nền kinh tế. Bài viết này nghiên cứu ứng dụng mô hình Logistic trong xếp hạng tín dụng 69 doanh nghiệp ngành Xây dựng được niêm yết trên thị trường chứng khoán (TTCK) Việt Nam. Các tiêu chí định lượng được sử dụng để ứng dụng mô hình Logis- tic gồm 13 biến độc lập là các chỉ tiêu tài chính. Kết quả cho thấy, biến Doanh thu/Tổng tài sản có ảnh hưởng mạnh nhất. Trong số 69 doanh nghiệp ngành Xây dựng được xếp hạng tín dụng cho thấy, gần 1/4 doanh nghiệp ngành Xây dựng đang có rủi ro tín dụng, từ đó nghiên cứu đưa ra các khuyến nghị cần thiết.

Từ khóa: Xếp hạng tín dụng; ngành xây dựng; mô hình logistic; niêm yết;

TTCK Việt Nam.

1. Đặt vấn đề

iệt Nam là một quốc gia đang phát triển, nguồn lực tài chính còn thiếu thốn nên cần được sử dụng một cách hiệu quả. Bài học kinh nghiệm cho thấy trong thời gian qua, hàng loạt doanh nghiệp Nhà nước, doanh nghiệp tư nhân có tình hình kinh doanh yếu kém, hoạt động không hiệu quả, kinh doanh thua lỗ nhưng vẫn được vay vốn, gây tổn thất cho Nhà nước và nền kinh tế.

Nền kinh tế chỉ nên dành những nguồn lực tài chính cho những doanh nghiệp hoạt động hiệu quả, được xếp hạng tốt. Vì vậy, cần có những phương pháp đánh giá khách quan tình hình tài chính các doanh nghiệp để xem xét cung cấp nguồn lực tài chính hiệu quả (Daniels, Ramirez, 2008).

Các mô hình dự báo xếp hạng tín dụng trở

thành nội dung nhận được nhiều sự quan

tâm trong nghiên cứu. Nhiều kỹ thuật khai

thác dữ liệu được sử dụng như: Phân tích

biệt số (Discriminant Analysis), Hồi quy

(2)

Logistic (Logistic Regression), Lân cận gần nhất K (K-nearest neighbor) và Mạng nơ ron thần kinh (Neural network), Cây quyết định (Decision Trees)… (Mileris, Boguslauskas, 2011).

Nghiên cứu này vận dụng hồi quy logistic để xếp hạng tín dụng các doanh nghiệp ngành Xây dựng niêm yết trên TTCK Việt Nam, một ngành có vai trò quan trọng đối với kinh tế.

Nghiên cứu có ý nghĩa trong việc tạo cơ sở để so sánh, cung cấp thông tin kịp thời cho các nhà đầu tư, các ngân hàng có thể đưa ra những định hướng đầu tư hoặc cấp tín dụng đúng đắn.

2. Cơ sở lý thuyết

Hồi quy logistic là phương pháp được nhiều nhà nghiên cứu sử dụng như: Martin (1977), Olson (1980), Zavgren (1985); Keasey (1990) và Westgaard & Wijst (2001), Bartual và cộng sự (2012) (trích dẫn từ Psillaki, Tsolas, Margaritis, (2010)). Một số nghiên cứu nước ngoài điển hình như:+ Olson (1980) thực hiện với 105 doanh nghiệp phá sản và 2.058 doanh nghiệp thông thường; 09 tỷ số tài chính được sử dụng. Kết quả cho thấy, 04 yếu tố ảnh hưởng rõ nét đến khả năng phá sản của doanh nghiệp là: quy mô doanh nghiệp, đòn bẩy tài chính, hiệu quả kinh doanh, tính thanh khoản hiện

hành.

+ Bartual và cộng sự (2012) nghiên cứu rủi ro tín dụng của 622 doanh nghiệp ở Tây Ban Nha.

Nghiên cứu lựa chọn 23 biến là các chỉ số tài chính đưa vào mô hình logistic nhưng cuối cùng chỉ còn 8 biến có ảnh hưởng đến khả năng phá sản. Kết quả dự báo cho thấy có 49 doanh nghiệp (chiếm 8% mẫu nghiên cứu) có rủi ro không thể trả nợ.

Trong bài viết này, các chỉ số tài chính giới hạn gồm 12 biến, trong đó có 11 biến là các chỉ số tài chính và 01 biến quy mô doanh nghiệp. Các biến này được lựa chọn dựa trên sự kế thừa từ các chỉ số tài chính trong xếp hạng tín dụng của Trung tâm Thông tin Tín dụng (CIC) và nghiên cứu của Hoàng Tùng (2011). Điều này nhằm đảm bảo sự phù hợp trong việc ứng dụng mô hình Logistic và từ quy trình xếp hạng đối với doanh nghiệp thuộc ngành Xây dựng niêm yết trên TTCK Việt Nam.

3. Phương pháp nghiên cứu và số liệu nghiên cứu

3.1. Phương pháp nghiên cứu

Theo Nguyễn Trọng Hòa (2009) và Hoàng Tùng (2011), mô hình logistic có phương trình tổng quát:

ln[P(Y = 1)/P(Y = 0)] = β₀ + β₁X₁ + β₂X₂ + ... + β_jX_i

Phương trình hồi quy Binary Logistic:

Bảng 1. Các biến đưa vào mô hình

Ký hiệu Chỉ tiêu Ý nghĩa Dấu kỳ vọng

D Quy mô của doanh nghiệp. Nếu doanh nghiệp có

quy mô nhỏ và vừa (D = 0), quy mô lớn (D = 1). Lợi thế về quy mô doanh

nghiệp -

X1 Khả năng thanh toán ngắn hạn Tỷ số khả năng thanh

toán -

X2 Khả năng thanh toán nhanh -

X3 Hiệu suất sử dụng TSCĐ Hiệu suất sử dụng TSCĐ -

X4 Nợ phải trả/Tổng tài sản Cơ cấu nợ, quy mô tài

chính của doanh nghiệp +

X5 Nợ dài hạn/Vốn chủ sở hữu +

X6 Vòng quay hàng tồn kho Hiệu quả quản trị ngân

quỹ -

X7 Vòng quay vốn lưu động -

X8 Lợi nhuận gộp/Doanh thu thuần

Tỷ suất sinh lợi

-

X9 Lợi nhuận trước thuế/Doanh thu thuần -

X10 Lợi nhuận sau thuế/Vốn chủ sở hữu -

X11 Lợi nhuận sau thuế/Tổng tài sản -

X12 Doanh thu thuần/ Tổng tài sản Hiệu quả sử dụng tài sản - Nguồn: Tổng hợp của tác giả

(3)

ln[P(Y = 1)/P(Y = 0)] = β₀ + β₁X₁ + β₂X₂ + ... + β₁₂X₁₂

Trong đó:

P(Y = 1) = P₀: Xác suất xảy ra sự kiện hay xác suất xảy ra rủi ro tín dụng.

P(Y = 0) = 1- P₀: Xác xuất không xảy ra sự kiện hay xác suất không có rủi ro tín dụng.

Biến phụ thuộc

Y: Mức độ rủi ro của doanh nghiệp

Y= 0: Doanh nghiệp không có hay có rủi ro tín dụng thấp

Y= 1: Doanh nghiệp có rủi ro tín dụng Biến độc lập

X_i: Các biến độc lập

ln: log của cơ số e (e = 2,714)

Biến độc lập ứng với các chỉ tiêu tài chính, nó phản ánh mức độ rủi ro của doanh nghiệp, và được tổng hợp từ các báo cáo tài chính.

3.2. Mẫu nghiên cứu

Dữ liệu được thu thập qua các chỉ số tài chính của 69 doanh nghiệp ngành Xây dựng được niêm yết trên các Sở Giao dịch Chứng khoán Hà Nội và TP.

Hồ Chí Minh có đủ báo cáo tài chính trong 4 năm 2012- 2015. Dữ liệu này được thu thập từ Cổng thông tin điện tử của Công ty Cổ phần Chứng khoán FPT (FPTS). Các công ty xây dựng niêm Bảng 2. Kiểm định Wald với đầy đủ các biến số

B S.E. Wald df Sig. Exp(B)

X1D X2X3 X4 X5X6 X7X8 X9 X10X11 X12 Constant

-2,033 1,811 1,260 1 ,262 ,131

,726 2,522 ,083 1 ,773 2,067

-1,142 1,948 ,344 1 ,558 ,319

-,043 ,054 ,632 1 ,427 ,958

-8,879 6,772 1,719 1 ,190 ,000

1,971 1,109 3,156 1 ,076 7,176

-,139 ,150 ,860 1 ,354 ,870

-2,690 2,586 1,083 1 ,298 ,068

-2,078 5,869 ,125 1 ,723 ,125

3,928 8,241 ,227 1 ,634 50,794

-23,290 21,657 1,156 1 ,282 ,000

-17,104 60,335 ,080 1 ,777 ,000

3,328 3,466 ,922 1 ,337 27,889

11,241 6,778 2,751 1 ,097 76181,36

Nguồn: Tính toán của tác giả Bảng 3. Kiểm định Wald loại bỏ các biến X8, X12

D X1X2 X3 X4X5 X6X7 X9 X10X11 Constant

-2,590 1,869 1,921 1 ,166 ,075

,935 2,453 ,145 1 ,703 2,547

-,840 2,010 ,175 1 ,676 ,432

-,024 ,050 ,235 1 ,628 ,976

-7,112 6,421 1,227 1 ,268 ,001

1,240 ,830 2,230 1 ,135 3,455

-,162 ,146 1,230 1 ,268 ,850

-,568 ,932 ,372 1 ,542 ,567

,352 10,029 ,001 1 ,972 1,423

-14,815 20,234 ,536 1 ,464 ,000

-31,534 58,963 ,286 1 ,593 ,000

10,083 6,289 2,571 1 ,109 23943,755

Nguồn: Tính toán của tác giả

(4)

yết được tổng hợp từ FPTS với tiêu chí phân loại là tỷ lệ doanh thu đóng góp từ mảng xây dựng của các doanh nghiệp trong tổng doanh thu tối thiểu là 30%. Theo đó, có tất cả 69 doanh nghiệp ngành Xây dựng niêm yết với báo cáo tài chính đầy đủ trong giai đoạn 2012- 2015.

4. Ước lượng mô hình logistic 4.1. Hệ số tương quan giữa các biến

Kết quả phân tích mô hình tương quan giữa các biến cho thấy, hệ số tương quan của một số cặp biến số là rất lớn và tương đối:

r (X2,X3) = 0,840

r (X8,X12) = 0,893

Điều này có nghĩa là các biến có tương quan chặt chẽ với nhau, nếu giữ nguyên các biến đó và chạy mô hình hồi quy, sẽ không tách được ảnh hưởng của các biến tới biến phụ thuộc cho nên kết quả hồi quy sẽ không chính xác. Do đó, cần loại bỏ một hoặc cả hai biến trong các cặp biến có quan hệ tương quan chặt chẽ với nhau.

4.2. Kiểm định Walk

Hồi quy Logistic sử dụng đại lượng Wald Chi square để kiểm định ý nghĩa thống kê của hệ số hồi quy tổng thể.

Kết quả Bảng 2 cho thấy hệ số của biến Nợ phải Bảng 4. Kiểm định Wald loại bỏ các biến X2, X3

X1D X4X5 X6 X7X9 X10X11 Constant

-2,404 1,907 1,589 1 ,207 ,090

,207 1,247 ,027 1 ,868 1,230

-5,826 5,972 ,952 1 ,329 ,003

1,239 ,641 3,732 1 ,053 3,451

-,131 ,113 1,353 1 ,245 ,877

-,385 ,855 ,203 1 ,652 ,680

1,187 8,330 ,020 1 ,887 3,279

-19,163 19,061 1,011 1 ,315 ,000

-22,182 56,371 ,155 1 ,694 ,000

8,008 5,620 2,030 1 ,154 3004,638

Nguồn: Tính toán của tác giả Bảng 5. Kiểm định Wald loại bỏ các biến X1, X9

DX4 X5 X6X7 X10 X11Constant

-2,400 1,761 1,857 1 ,173 ,091

-6,432 5,205 1,527 1 ,217 ,002

1,276 ,625 4,165 1 ,041 3,582

-,121 ,094 1,668 1 ,197 ,886

-,449 ,816 ,302 1 ,582 ,638

-18,603 18,870 ,972 1 ,324 ,000

-21,221 55,132 ,148 1 ,700 ,000

8,613 4,561 3,566 1 ,059 5500,546

Nguồn: Tính toán của tác giả Bảng 6. Kiểm định Wald loại bỏ các biến X6, X7, X11 và D

X4 X10X5 Constant

-4,151 2,317 3,209 1 ,073 ,016

,967 ,500 3,741 1 ,053 2,630

-27,476 7,615 13,019 1 ,000 ,000

4,205 1,793 5,498 1 ,019 67,044

(5)

trả/Tổng tài sản (X4) mang dấu âm; hệ số của biến Lợi nhuận trước thuế/Doanh thu thuần (X9) và Doanh thu thuần/Tổng tài sản (X12) mang dấu dương; không đúng về ý nghĩa kinh tế, trái với dấu kỳ vọng. Điều này có thể giải thích do tương quan của các biến với nhau lớn. Dựa vào mô hình được ước lượng với đầy đủ các biến, bài viết xem xét các cặp biến có tương quan mạnh; và tiến hành kiểm định loại bỏ biến.

Đầu tiên, xem tiến hành lần lượt loại biến X8, X12 và cả X8, X12 cho thấy nếu loại cả hai biến thì giá trị P- value của các biến còn lại giảm không đáng kể và nếu loại một trong hai biến thì P- value của biến còn lại vẫn> 0,1 cho thấy thỏa mãn khi loại cả hai biến.

Tiếp tục xem xét cặp biến có tương quan mạnh tiếp theo là (X2, X3). Tương tự, nếu loại lần lượt hoặc loại cả hai biến X2, X3 thì giá trị P- value của biến còn lại vẫn> 0,1 cho thấy cả hai biến đều không có ý nghĩa thống kê với biến phụ thuộc. Do đó, có thể thực hiện loại cả hai biến.

Bảng 4 cho thấy giá trị P- value của tất cả các biến đều >0,1; trong đó, 2 biến X1 và X9 có giá trị P- value lớn nhất cho nên nghi ngờ về ý nghĩa thống kê của các biến này. Tiến hành kiểm định Wald để loại biến X1 và X9 như trên. Ta thấy giá trị P- value của các biến còn lại giảm đáng kể khi loại cả

hai biến, cho nên việc loại 2 biến trên giúp tăng ý nghĩa thống kê của mô hình nghiên cứu (Bảng 5).

Với mức ý nghĩa là 0,1, giá trị P- Value của các biến X6, X7, X11 và D đều> 0,1 cho nên tiếp tục nghi ngờ về ý nghĩa thống kê của các biến nói trên.

Bài viết tiếp tục thực hiện kiểm định Wald để loại X6, X7, X11 và D. Sau khi loại các biến trên, giá trị P- value của các biến đều< 0,1. Như vậy, việc loại bỏ các biến giúp tăng ý nghĩa thống kê của các biến còn lại trong mô hình (Bảng 6).

4.3. Kiểm định mức độ phù hợp của mô hình (kiểm định Omnibus)

Dựa vào kết quả có thể thấy mức độ phù hợp của mô hình, ta có giá trị P- value< 0,1 do vậy mô hình tổng quát cho thấy mối tương quan giữa biến phụ thuộc và các biến độc lập X4, X5, X10 trong mô hình có ý nghĩa thống kê với độ tin cậy 90%.

4.4. Kiểm định mức độ giải thích của mô hình Dựa vào chỉ tiêu LL (log likelihood), thước đo này có ý nghĩa giống như SSE (Sum of squares of error) nghĩa là có giá trị càng nhỏ càng tốt. Giá trị nhỏ nhất của LL là 0 (tức là không có sai số) khi đó mô hình có một độ phù hợp hoàn hảo.

Bảng 7. Kiểm định mức độ giải thích của mô hình

-2 Log likelihood Cox & Snell R Square Nagelkerke R Square

62,500^a ,378 ,505

Nguồn: Tính toán của tác giả Bảng 8. Kiểm định mức độ dự báo chính xác của mô hình

Quan sát Dự báo

Y Tỷ lệ dự báo

chính xác Không có rủi ro tín dụng Có rủi ro tín dụng

Y Không có rủi ro tín dụng 29 8 78,4

Có rủi ro tín dụng 7 25 78,1

Tổng tỷ lệ dự báo chính xác 78,3

Nguồn: Tính toán của tác giả Bảng 9. Mức độ ảnh hưởng của các biến độc lập

X4X5 ConstantX10

-4,151 2,317 3,209 1 ,073 ,016

,967 ,500 3,741 1 ,053 2,630

-27,476 7,615 13,019 1 ,000 ,000

4,205 1,793 5,498 1 ,019 67,044

(6)

Hệ số mức độ giải thích của mô hình: Nagelkerke

= 0,505. Điều này có nghĩa là 50,5% sự thay đổi của biến phụ thuộc được giải thích bởi 4 biến độc lập trong mô hình, còn lại là các biến khác. Giá trị LL là 62,500 mặc dù có thay đổi so với mô hình ước lượng ban đầu tuy nhiên vẫn ở mức chấp nhận được.

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

Trong số các doanh nghiệp ngành Xây dựng niêm yết không có rủi ro tín dụng, quan sát thực tế có 37 doanh nghiệp, trong khi mô hình dự báo gồm 29 doanh nghiệp không có rủi ro tín dụng và 8 doanh nghiệp có rủi ro tín dụng. Do đó, mô hình dự báo có tỷ lệ chính xác của mô hình dự báo là 78,4%.

Trong số 32 doanh nghiệp ngành Xây dựng niêm yết quan sát thực tế có rủi ro tín dụng, nhưng mô hình dự báo có 07 doanh nghiệp không có rủi ro tín dụng và 25 doanh nghiệp có rủi ro tín dụng, như vậy tỉ lệ dự báo chính xác của mô hình là 78,1%.

Bảng 10. Vai trò ảnh hưởng của các yếu tố

STT Biến B EXP(B) Xác suất ban đầu

P0=10% Tốc độ tăng (giảm)

%

Vị trí hưởngảnh 1 Nợ phải trả/Tổng tài sản -4,151 0,0157 P10,0174% -9,826 % 3

2 Nợ dài hạn/Vốn chủ sở hữu ,967 2,4630 22,60 % 12,600% 1

3 Lợi nhuận sau thuế/Vốn chủ sở hữu -27,476 ,0000 0,00 % -10,00% 2 Nguồn: Tính toán của tác giả Bảng 11. Kết quả xếp hạng tín dụng của 69 doanh nghiệp ngành xây dựng niêm yết

MCK P XH MCK P XH MCK P XH

B82 0,50 B LUT 0,82 C SIC 0,94 C

BCE 0,24 A MCG 0,70 CC SJE 0,01 AAA

BHT 0,99 C MCO 0,76 CC TDC 0,57 B

C32 0,01 AAA MDG 0,68 CC TKC 0,38 BBB

C47 0,58 B PVV 0,67 CC TV1 0,59 B

C92 0,19 AA PVX 0,73 CC TV2 0,00 AAA

CDC 0,53 B PXI 0,22 A TV3 0,10 AAA

CID 0,99 C PHC 0,24 A TV4 0,44 BB

CT6 0,71 CC QTC 0,07 AAA V12 0,18 AA

CTD 0,01 AAA S12 1,00 C V21 0,66 CC

CTN 0,22 A S55 0,13 AA VC1 0,64 CC

DC2 0,70 CC S74 0,84 C VC2 0,49 BB

DC4 0,51 B S99 0,77 CC VC3 0,05 AAA

FCN 0,10 AA SC5 0,24 A VC5 1,00 C

HBC 0,28 A SD2 0,63 CC VC9 0,33 BBB

HTI 0,29 A SD4 0,04 AAA VCC 0,00 AAA

HUT 0,75 CC SD5 0,33 BBB VCG 0,53 B

KTT 0,87 C SD6 0,15 AA VE1 0,40 BB

L18 0,22 A SD7 0,95 C VE2 0,02 AAA

LCD 0,68 CC SD9 0,43 BB VE3 0,05 AAA

LCS 0,71 CC SDH 0,99 C VE9 0,92 C

LHC 0,13 AA SDT 0,46 BB VMC 0,32 BBB

LIG 0,09 AAA SDU 0,75 CC VNE 0,42 BB

(7)

Như vậy tỉ lệ dự báo chính xác trung bình của toàn mô hình là 78,3%.

4.6. Thảo luận kết quả hồi quy

- Biến X4 (Nợ phải trả/Tổng tài sản): Có β₁ = -4,151, e^(β₁) = 0,0157, P₀ = 10%

P₁ = (P₀ × e^(β₁))/(1 - P₀(1- e^(β₁)) = (0,1×0,0157)/

(1 - 0,1×(1 - 0,0157)) = 0,00174 = 0,174%

Nếu xác suất có rủi ro tín dụng của doanh nghiệp ban đầu là 10%, khi các yếu tố khác không đổi, nếu doanh nghiệp tăng thêm 1 đơn vị Nợ phải trả/

Tổng tài sản thì xác suất có rủi ro tín dụng của doanh nghiệp sẽ là xấp xỉ bằng 0,197% (giảm xấp xỉ 9,826% so với xác suất ban đầu là 10%).

- Biến X5 (Nợ dài hạn/ Vốn chủ sở hữu): Có β₂

= 0,967, e^(β₂) = 2,63, P₁= 10%

P₁ = (P₀ × e^(β₂))/(1 - P₀(1- e^(β₂)) = (0,1×2,63)/(1 - 0,1×(1 - 2,63)) = 0,226= 22,60%

Nếu xác suất xác suất có rủi ro tín dụng của doanh nghiệp ban đầu là 10%, khi các yếu tố khác không đổi, nếu doanh nghiệp tăng thêm 1 đơn vị Nợ dài hạn/Vốn chủ sở hữu thì xác suất có rủi ro tín dụng của doanh nghiệp sẽ là 22,60% (tăng 12,60% so với xác suất ban đầu là 10%).

- Biến X10 (Lợi nhuận sau thuế/Vốn chủ sở hữu): Có β₃ = -27,476, e^(β₃) = 0,00, P₁= 10%

P₁ = (P₀ × e^(β₃))/(1 - P₀(1- e^(β₃)) = (0,1×0,00)/(1 - 0,1×(1 - 0,00)) = 0,00= 0 %

Nếu xác suất có rủi ro tín dụng của doanh nghiệp ban đầu là 10%, khi các yếu tố khác không đổi, nếu doanh nghiệp tăng thêm 1 đơn vị Vòng quay vốn lưu động thì xác suất có rủi ro tín dụng của doanh nghiệp xấp xỉ bằng 0 (xấp xỉ giảm 10% so với xác suất ban đầu là 10%).

- Vai trò ảnh hưởng của các yếu tố

Trong các biến ảnh hưởng đến rủi ro tín dụng, biến Nợ dài hạn/Vốn chủ sở hữu có ảnh hưởng mạnh nhất, và còn lại theo thứ tự là: Lợi nhuận sau thuế/

Vốn chủ sở hữu; Nợ phải trả/Tổng tài sản.

4.7. Dự báo của mô hình hồi quy Logistic Từ nguồn xử lý số và căn cứ vào lý thuyết phân tích, ta có được xác suất rủi ro của doanh nghiệp ngành xây dựng niêm yết:

p_i = e^(Y^{^})(1 + e^(Y^{^}))^-1 = exp(4,205 - 4,151X₄ + ,967X₅ - 27,476X₁₀)(1+ exp(4,205 - 4,151X₄ + ,967X₅ - 27,476X₁₀))^-1

Với ngưỡng xác suất là 0,5, nghĩa là nếu xác suất nhỏ hơn 0,5 thì biến Y nhận giá trị 0 hay đối tượng xếp hạng không có rủi ro tín dụng. Nếu xác suất lớn hơn 0,5 thì biến Y nhận giá trị 1 hay đối tượng xếp hạng có rủi ro tín dụng.

Do mô hình sử dụng các biến là chỉ tiêu tài chính nên nghiên cứu đưa ra mối liên hệ giữa xác suất rủi ro tín dụng của các doanh nghiệp với xếp hạng doanh nghiệp dựa vào mô hình chấm điểm tín dụng của CIC và tính toán từ tác giả thể hiện ở Bảng 11.

5. Kết luận

Nghiên cứu đã đưa ra cách tiếp cận xếp hạng tín dụng đối với các doanh nghiệp xây dựng niêm yết trên TTCK Việt Nam bằng mô hình hồi quy Logistic. Từ 69 doanh nghiệp ngành xây dựng niêm yết trên TTCK Việt Nam, nghiên cứu đã đưa ra mô hình dự báo rủi ro tín dụng cho các doanh nghiệp trong mẫu nghiên cứu. Phương trình cho thấy mối liên hệ tỷ lệ thuận giữa điểm số của 3 chỉ tiêu và kết quả chấm điểm tín dụng. Trong đó, biến Nợ dài hạn/Vốn chủ sở hữu có ảnh hưởng mạnh nhất, và còn lại theo thứ tự là: Lợi nhuận sau thuế/

Vốn chủ sở hữu; Nợ phải trả/Tổng tài sản.

Kết quả trên cung cấp thông tin cảnh báo về tình hình rủi ro tín dụng của một số doanh nghiệp ngành xây dựng đang niêm yết. Các ngân hàng vận dụng trong việc dự báo rủi ro tín dụng của doanh nghiệp xây dựng đến vay vốn. ■

Tài liệu tham khảo

1. Nguyễn Trọng Hòa (2009), Xây dựng mô hình xếp hạng tín dụng đối với các doanh nghiệp Việt Nam trong nền kinh tế chuyển đổi, Học viện tài chính, Luận án tiến sĩ kinh tế.

2. Hoàng Tùng (2011), “Phân tích rủi ro tín dụng doanh nghiệp bằng mô hình Logistic”, Tạp chí khoa học và công nghệ Đại học Đà Nẵng, Số 2(43).

3. Bartual, C., et al (2012), “Probability of Default Using the Logit model: The Impact of Explanatory Variable and Data Base selection”, International Scientific Conference “Whither Our Economics”.

4. Daniels, K., & Ramirez, G. G. (2008), “Information, Credit Risk, Lender Specialization and Loan Pricing: Evidence from the DIP Financing Market”, Journal of Financial Services Research,34(1), 35-59.

5. Mileris, R., Boguslauskas, V., (2011), “Credit Risk Estimation Model Development Process: Main Steps and Model Improvement”,

(8)

Magazine of Economic - Engineering Economics, 22(2), 126-133.

6. Ohlson. J. A. (1980): Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research(Spring): 109-131.

7. Psillaki, M., Tsolas, I., Margaritis, D., (2010), Evaluation of Credit Risk based on Firm Performance, European Journal of Operation Research, Vol.201, Issue 3, 873-881.

Thông tin tác giả

Phạm Quốc Khang, Thạc sỹ Đại học Kinh tế Huế

Email: [email protected] Nguyễn Thị Hà Vy,

Ngân hàng TMCP Ngoại thương Việt Nam- Chi nhánh Nam Đà Nẵng Email: [email protected]

Summary

Applyied logistic regression in credit ratings for construction sector enterprises listed on Vietnam stock exchange

Credit ratings have become an important method of assessment not only for manufacturing firms, financial institutions, but also for the economy in general. Researching and improving quality in credit ratings is essential for banks, and the economy. This study applied Logistic models in credit rating 69 construction enterprises listed on the stock exchange of Vietnam. The quantitative criteria used for Logistic model consists of 13 independent variables are financial indicators. The result showed that the variable Revenue/Total assets had the strongest impact. In the sample of 69 construction enterprises, nearly ¼ of the enterprises have credit risks. Finally, the study proposes some recommendations on the credit risks of construction enterprises.

Key words: Credit ratings; construction sector; logistic model; listed; Vietnam stock exchange.

Khang Quoc Pham, M.Ec.

Hue College of Economics, Hue University Vy Thi Ha Nguyen,

Joint Stock Commercial Bank for Foreign Trade of Vietnam, South Danang City Branch