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

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

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


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


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

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

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

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

+ 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

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



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

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

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

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

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