Mức Độ Tin Cậy Và Tính Thống Nhất Trong Các Đánh Giá Mxhtn Của Nhtm

tác động đến MXHTN của các NHTM. Mỗi tác giả lựa chọn các yếu tố tác động đến MXHTN của NHTM một cách khác nhau căn cứ trên mẫu dữ liệu quan sát của họ. Ngoài ra, các nghiên cứu này lại có những kết quả không tương đồng nhau về ảnh hưởng của một số chỉ tiêu tài chính của NHTM đến MXHTN của các đơn vị này. Nguyên nhân của vấn đề có thể do những mô hình dự báo MXHTN của NHTM trong các nghiên cứu kể trên được xây dựng từ mẫu quan sát các NHTM từ nhiều quốc gia có đặc điểm và trình độ phát triển kinh tế khác nhau. Do vậy, những yếu tố đặc thù của các quốc gia có thể tác động dẫn đến sự khác biệt nêu trên.

2.5.1 Mức độ tin cậy và tính thống nhất trong các đánh giá MXHTN của NHTM

Những nghiên cứu tiêu biểu về mức độ tin cậy và tính thống nhất trong việc các tổ chức xếp hạng tín nhiệm quốc tế đánh giá MXHTN của NHTM bao gồm:

Nghiên cứu của Poon và Firth (2005) nhằm kiểm tra các công bố MXHTN không theo yêu cầu của NHTM có phải là thấp hơn các công bố MXHTN được thực hiện theo yêu cầu của NHTM hay không và các đánh giá MXHTN không theo yêu cầu có thể hiện sự thiếu am hiểu của tổ chức xếp hạng tín nhiệm đối với tình hình tài chính của đơn vị được đánh giá MXHTN hay không.

Dữ liệu nghiên cứu bao gồm các 1060 quan sát MXHTN của NHTM tại 82 quốc gia khác nhau và các NHTM này được đánh giá xếp hạng tín nhiệm bởi Fitch tại thời điểm tháng 1/2003. Chỉ số tài chính của các NHTM được lấy từ Bankscope.

Kết quả nghiên cứu đã chỉ ra rằng những NHTM thuộc nhóm được đánh giá MXHTN không theo yêu cầu thường có MXHTN thấp hơn các NHTM thuộc nhóm được đánh giá MXHTN theo yêu cầu từ đơn vị được đánh giá. Nguyên nhân có thể là, các NHTM có tình hình tài chính kém thường không chủ động yêu cầu các tổ chức xếp hạng tín nhiệm thực hiện đánh giá MXHTN đối với bản thân các đơn vị này. Nguyên nhân khác là Fitch không có cùng một mức độ tiếp cận thông tin khi thực hiện các đánh giá MXHTN theo yêu cầu so với các đánh giá MXHTN không theo yêu cầu của NHTM. Ngoài ra, các tổ chức xếp hạng tín nhiệm khi thực hiện các đánh giá MXHTN không theo yêu cầu của đơn vị được đánh giá thường tỏ ra thận trọng và bảo thủ hơn vì cơ sở để đánh giá MXHTN khi này dựa hoàn toàn trên các thông tin đại chúng. Do vậy, các đánh giá MXHTN không theo yêu cầu của đơn vị được đánh giá thường thấp.

Nghiên cứu của Poon và cộng sự (2009) nhằm xác định xem liệu các đánh giá MXHTN không theo yêu cầu của các NHTM có được cải thiện hay không nếu các đánh giá MXHTN này được thực hiện theo yêu cầu của NHTM. Điểm khác biệt so với nghiên cứu của Poon và Firth (2005) ở chỗ nghiên cứu này tập trung để giải quyết 3 giả thuyết nghiên cứu: (1) có tồn tại hay không sự khác biệt trong những yếu tố phản ánh tình hình tài chính giữa các NHTM có đánh giá MXHTN theo yêu cầu so với các NHTM có đánh giá MXHTN không theo yêu cầu; (2) có tồn tại hay không sự sai lệch do việc các NHTM có tình hình tài chính tốt thường chủ động yêu cầu được đánh giá MXHTN, trong khi các NHTM có tình hình tài chính yếu kém thường không chủ động yêu cầu được đánh giá MXHTN; (3) có tồn tại hay không sự khác biệt trong mức độ ảnh hưởng của cùng những chỉ số tài chính đến MXHTN của các NHTM giữa 2 nhóm nêu trên.

Mẫu dữ liệu nghiên cứu gồm 460 NHTM tại 72 quốc gia trên thế giới. Tuy nhiên, mẫu quan sát không bao gồm các NHTM tại Mỹ, vì các NHTM tại Mỹ không có thông tin tài chính riêng của NHTM mà chỉ có thông tin tài chính chung của tập đoàn nắm quyền kiểm soát NHTM. Đồng thời, các NHTM trong mẫu dữ liệu quan sát phải là các đơn vị được Standard & Poor’s đánh giá MXHTN dài hạn trong giai đoạn 1998 - 2003.

Có thể bạn quan tâm!

• Các yếu tố ảnh hưởng đến mức xếp hạng tín nhiệm của ngân hàng thương mại – nghiên cứu tại các nền kinh tế phát triển và các nền kinh tế mới nổi - 2
• Hệ Thống Thống Nhất Đánh Giá Các Tổ Chức Tài Chính (The Uniform Financial Institutions Rating System - Ufirs)
• Sự Tác Động Của Yếu Tố Hỗ Trợ Từ Chính Phủ Hay Tập Đoàn Mẹ Đến Mxhtn Của Các Nhtm
• Định Nghĩa Các Biến Giải Thích Được Sử Dụng Trong Mô Hình Nghiên Cứu
• Mức Xếp Hạng Tín Nhiệm Nhtm Tại Các Nền Kinh Tế Phát Triển Trong Mẫu Dữ Liệu Nghiên Cứu Giai Đoạn 2013 - 2015
• Phân Tích Phương Sai Một Yếu Tố Các Chỉ Tiêu Tài Chính Nhtm Theo Từng Mxhtn

Xem toàn bộ 120 trang tài liệu này.

Tác giả sử dụng mô hình thay đổi trạng thái nội sinh nhằm giải quyết vấn đề nghiên cứu đã đặt ra. Hai trạng thái của NHTM được xem xét trong nghiên cứu này là có đánh giá MXHTN theo yêu cầu và có đánh giá MXHTN không theo yêu cầu. Cụ thể, tác giả xây dựng mô hình dự đoán MXHTN của các NHTM dựa trên các chỉ số tài chính của NHTM và các biến kiểm soát thể hiện tình hình vĩ mô nền kinh tế của quốc gia nơi NHTM có trụ sở riêng biệt cho nhóm các NHTM có đánh giá MXHTN theo yêu cầu và cho nhóm các NHTM có đánh giá MXHTN không theo yêu cầu. Sau đó, tác giả sử dụng mô hình dự đoán MXHTN của các NHTM trong nhóm này để dự đoán MXHTN của các NHTM trong nhóm còn lại.

Tác giả đã chứng minh được rằng sự khác biệt giữa các đánh giá MXHTN theo yêu cầu của NHTM và các đánh giá MXHTN không theo yêu cầu của NHTM không phải đơn thuần do sự khác biệt về các chỉ tiêu tài chính của NHTM được xem xét đánh giá. Mà quan trọng hơn cả, tác giả đã chứng minh rằng việc có đánh giá MXHTN theo yêu cầu hay có đánh giá MXHTN không theo yêu cầu là một yếu tố

quan trọng ảnh hưởng đến MXHTN của NHTM. Trong một số trường hợp, sự tác động của yếu tố nêu trên đến MXHTN của NHTM lớn hơn tác động gây ra bởi sự khác biệt trong các chỉ tiêu tài chính giữa các NHTM.

Nghiên cứu của Shen và cộng sự (2012) nhằm đo lường sự tác động của thông tin bất cân xứng trong đánh giá MXHTN của các NHTM. Tác giả cho rằng, vấn đề thông tin bất cân xứng đã dẫn đến sự không thống nhất trong việc đánh giá MXHTN của các NHTM có cùng các chỉ số tài chính tại các quốc gia khác nhau. Điểm khác biệt của nghiên cứu này so với nghiên cứu của Liu và Ferri (2001) đó là nghiên cứu của Liu và Ferri (2001) đã chỉ ra rằng MXHTN của các đơn vị hoạt động trong lĩnh vực phi tài chính chịu tác động của chất lượng môi trường thể chế của các quốc gia nơi các đơn vị này có trụ sở. Tuy vậy, nghiên cứu của Liu và Ferri (2001) chưa đề cập đến vấn đề thông tin bất cân xứng và cũng không sử dụng mẫu nghiên cứu là các NHTM. Bên cạnh đó, nghiên cứu này cũng sử dụng mẫu nghiên cứu bao gồm một số lượng lớn các NHTM phân bổ trên phạm vi nhiều quốc gia hơn so với các nghiên cứu của Poon và Firth (2005) và nghiên cứu của Poon và cộng sự (2009).

Mẫu dữ liệu nghiên cứu gồm 3347 quan sát về MXHTN của các NHTM tại 86 nước trong giai đoạn từ năm 2002 - 2008. Các chỉ tiêu tài chính của NHTM được tác giả sử dụng trong nghiên cứu bao gồm:

- Profitability (chỉ số sinh lợi) = Lợi nhuận thuần/Tổng tài sản.

- Liquidity (chỉ số khả năng thanh khoản) = Tài sản có tính thanh khoản cao/Tổng vốn huy động và nguồn vốn ngắn hạn.

- Capital (chỉ số năng lực vốn chủ sở hữu) = Tổng vốn chủ sở hữu/tổng tài sản.

- Efficiency (chỉ số hiệu quả hoạt động) = Tổng chi phí/tổng thu nhập.

- Quality (chỉ số chất lượng hoạt động NHTM) = dự phòng rủi ro tín dụng/tổng lợi nhuận thuần từ lãi.

Kết quả nghiên cứu đã chỉ ra rằng tại những nước có tình trạng thông tin bất cân xứng thấp (các quốc gia có nền kinh tế phát triển tại khu vực Bắc Mỹ và Tây Âu) thì tác động của các chỉ tiêu tài chính đến MXHTN của NHTM được thể hiện rõ ràng. Tuy nhiên, tại những nước có tình trạng thông tin bất cân xứng cao (các quốc gia còn lại) thì mức độ tác động của các chỉ tiêu tài chính nêu trên đến MXHTN của NHTM bị giảm sút.

2.5.2 Xây dựng mô hình dự báo MXHTN

2.5.2.1 Các nghiên cứu sử dụng phương pháp phân loại bằng các mô hình hồi quy thống kê

Poon và cộng sự (1999) sử dụng mô hình Hồi quy Logic thứ bậc (Ordered logit) để giải thích các yếu tố tác động đến mức độ đánh giá tình hình tài chính của NHTM do Moody’s công bố và kiểm tra tính độc lập của mức độ đánh giá này với mức độ tín nhiệm ngắn hạn và dài hạn các khoản nợ của NHTM do Moody’s công bố.

Mẫu nghiên cứu bao gồm 130 NHTM từ 30 quốc gia khác nhau. Tác giả thu thập 100 chỉ số tài chính của các NHTM này trong năm 1996 từ nguồn dữ liệu tham khảo để đánh giá mức độ tín nhiệm NHTM của Standard & Poor’s (Standard and Poor’s Credit Analysis Reference Disc-Bank Ratings Services). Bên cạnh đó, tác giả đưa yếu tố thể hiện mức độ rủi ro tài chính tại các quốc gia khác nhau vào mô hình phân tích. Dữ liệu của yếu tố này được lấy vào năm 1997 từ nguồn dữ liệu International Country Risk Guide. Tác giả sử dụng phương pháp phân tích xoay nguyên góc nhân tố (varimax rotation factor analysis) để giảm bớt số lượng biến độc lập trong mô hình phân tích. Từ đó, tác giả rút ra được ba nhóm nhân tố chính tác động đến mức độ đánh giá tình hình tài chính của NHTM bao gồm: nhóm nhân tố thể hiện mức độ rủi ro hoạt động, nhóm nhân tố bao gồm các chỉ tiêu dự phòng trong hoạt động tín dụng và nhóm nhân tố bao gồm các chỉ tiêu thể hiện lợi nhuận.

Kết quả của nghiên cứu này đã chỉ ra rằng mức độ tín nhiệm ngắn hạn, dài hạn các khoản nợ và mức độ đánh giá tình hình tài chính của NHTM do Moody’s công bố có tương quan chặt chẽ với nhau. Bên cạnh đó, 3 nhóm nhân tố nêu trên đều có ảnh hưởng đến mức độ đánh giá tình hình tài chính của NHTM do Moody’s công bố. Tuy nhiên, yếu tố thể hiện rủi ro chính trị, tài chính và kinh tế của các quốc gia không có tác động đến mức độ đánh giá tín nhiệm các NHTM.

Matousek và Stewart (2009) sử dụng phương pháp hồi quy Logit thứ bậc để xây dựng mô hình nhằm xác định những yếu tố định lượng tác động đến MXHTN của các NHTM do tổ chức xếp hạng tín nhiệm Fitch công bố.

Mẫu dữ liệu quan sát gồm 681 đánh giá xếp hạng tín nhiệm của hơn 600 NHTM trên thế giới được công bố bởi Fitch trong thời gian từ 2000 - 2007, các dữ liệu này được lấy từ nguồn dữ liệu của Bankscope. Biến giải thích trong nghiên cứu

này bao gồm 9 chỉ số tài chính của các NHTM được đưa vào mô hình với 4 độ trễ từ t - 1 đến t - 4.

Kết quả nghiên cứu đã chỉ ra các chỉ tiêu tài chính có tác động đến MXHTN của NHTM bao gồm:

- Tỷ lệ vốn chủ sở hữu/tổng tài sản, phản ánh quy mô nguồn vốn chủ sở hữu của NHTM, có tác động dương.

- Tỷ lệ tài sản có tính thanh khoản cao/tổng tài sản, phản ánh khả năng thanh khoản của NHTM, có tác động âm.

- Quy mô tổng tài sản của NHTM có tác động dương.

- Tỷ lệ lãi cận biên và tỷ lệ tổng chi phí hoạt động/tổng thu nhập hoạt động, phản ánh hiệu quả công tác quản lý NHTM, có tác động âm.

Caporale và cộng sự (2012) sử dụng mô hình Ordered logit nhằm chứng minh rằng MXHTN của NHTM chịu sự tác động của các chỉ số tài chính, thời điểm thực hiện các đánh giá MXHTN và quốc gia nơi NHTM có trụ sở.

Mẫu dữ liệu quan sát gồm 450 NHTM tại 90 quốc gia trong giai đoạn từ năm 2000 - 2007 được lấy từ nguồn dữ liệu Bankscope. So với nghiên cứu của Matousek và Stewart (2009) thì tác giả cũng có xem xét các yếu tố như quy mô tổng tài sản, tỷ lệ vốn chủ sở hữu/tổng tài sản và đặc điểm của quốc gia nơi NHTM có trụ sở trong mô hình nghiên cứu. Bên cạnh đó, tác giả bổ sung thêm vào mô hình nghiên cứu một số chỉ tiêu phản ánh tình hình tài chính của NHTM như: tỷ lệ tổng chi phí/tổng thu nhập, tỷ lệ nợ quá hạn/tổng dư nợ,… Từ đó kết quả nghiên cứu này vừa có một số điểm khác biệt vừa có một số nét tương đồng so với nghiên cứu của Matousek và Stewart (2009), chi tiết như sau:

- Các chỉ tiêu tài chính có tác động dương đến MXHTN bao gồm: tỷ lệ vốn chủ sở hữu/tổng tài sản, quy mô tổng tài sản NHTM, tỷ lệ lợi nhuận sau thuế/tổng vốn chủ sở hữu bình quân và tỷ lệ thu nhập ròng từ hoạt động/tổng tài sản.

- Các chỉ tiêu tài chính có tác động âm đến MXHTN bao gồm: tỷ lệ tổng chi phí hoạt động/tổng thu nhập hoạt động và tỷ lệ nợ quá hạn/tổng dư nợ.

- Đặc điểm quốc gia nơi NHTM có trụ sở có ảnh hưởng quan trọng đến MXHTN của NHTM. Cụ thể là, những NHTM có trụ sở tại các quốc gia có nền kinh tế kém phát triển, hay tình hình kinh tế bất ổn sẽ có MXHTN thấp hơn những NHTM tại các quốc gia có nền kinh tế phát triển ổn định.

- Khả năng dự báo chính xác MXHTN của các NHTM của mô hình Ordered logit sẽ được cải thiện nếu giảm bớt số lượng giá trị của biến phụ thuộc hay rút ngắn khung thời gian phân bổ các MXHTN.

2.5.2.2 Các nghiên cứu sử dụng các phương pháp phân loại trí tuệ nhân tạo

Boyacioglu và cộng sự (2009) sử dụng phương pháp mạng thần kinh nhân tạo, Support vector machines, phân tích đa biệt thức (MDA), K mean cluster, hồi quy Logit để xây dựng mô hình dự đoán tình trạng bất ổn tài chính của các NHTM tại Thổ Nhĩ Kỳ. Bên cạnh đó, các tác giả thực hiện so sánh mức độ dự đoán chính xác của các mô hình được xây dựng từ các phương pháp kể trên.

Mẫu dữ liệu quan sát gồm 65 NHTM Thổ Nhĩ Kỳ trong giai đoạn 1997 - 2003. Nguồn dữ liệu các báo cáo tài chính thường niên của các NHTM do Hiệp hội ngân hàng Thổ Nhĩ Kỳ (Banks Association of Turkey- BAT) cung cấp. Điểm khác biệt của nghiên cứu này so với các nghiên cứu xây dựng mô hình dự đoán MXHTN sẽ được trình bày trong mục này đó là biến phụ thuộc trong nghiên cứu này chỉ có 2 giá trị, 0 cho các NHTM hoạt động bình thường và 1 cho các NHTM phải chuyển sang hình thức hoạt động dưới sự giám sát Quỹ Bảo hiểm tiền gởi Thổ Nhĩ Kỳ (Savings Deposit Insurance Fund - SDIF) đại diện cho các NHTM rơi vào tình trạng bất ổn tài chính.

Các biến độc lập được sử dụng trong các mô hình phân tích gồm 4 nhóm khác nhau: Nhóm 1: gồm 20 chỉ số tài chính của các NHTM.

Nhóm 2: 20 chỉ số tài chính trên được tác giả tính toán và quy về hệ số z-score

Nhóm 3: 9 chỉ số tài chính có sự khác biệt mang ý nghĩa thống kê giữa nhóm các NHTM trong tình trạng bất ổn tài chính và các NHTM hoạt động bình thường được tác giả tính toán và quy về hệ số z (z-score).

Nhóm 4: gồm các biến độc lập được xây dựng dựa trên kết quả của quá trình phân tích nhân tố (Factor analysis). Tác giả xây dựng 7 nhân tố mới (factor) từ 20 chỉ số tài chính ban đầu của các NHTM.

Sau quá trình phân tích và đánh giá khả năng dự đoán chính xác của các mô hình được xây dựng trên các phương pháp phân loại khác nhau nêu trên, tác giả cho rằng mô hình phân loại được xây dựng trên cơ sở phương pháp mạng thần kinh nhân tạo và Support vector machines cho kết quả dự đoán tình trạng bất ổn tài chính của các NHTM có độ chính xác cao hơn các phương pháp khác. Bên cạnh đó, tác giả cũng cho

rằng khả năng dự đoán của các mô hình chịu ảnh hưởng rất lớn từ việc chọn lựa các biến giải thích.

Ioannidis và cộng sự (2010) đã sử dụng 6 phương pháp phân loại khác nhau để xây dựng mô hình dự đoán MXHTN của các NHTM dựa trên các chỉ số tài chính, các yếu tố về môi trường pháp lý và điều kiện vĩ mô của nền kinh tế. Các phương pháp được sử dụng trong nghiên cứu này gồm: Utilite´s additives Discriminantes (UTADIS), mạng thần kinh nhân tạo (Artificial neural network - ANN), Classification and regression trees (CART), k-Nearest neighbours (k-NN), hồi quy logit thứ bậc (Ordered logistic regression - OLR) và phân tích đa biệt thức (Multiple discriminant analysis - MDA).

Mẫu dữ liệu quan sát gồm 944 quan sát các NHTM từ 78 quốc gia khác nhau, các đánh giá MXHTN được lấy trong năm 2008, các thông tin về tình hình tài chính của các NHTM được lấy trong năm 2007 hay cuối tháng 3/2008 từ các báo cáo thường niên. Các dữ liệu được tác giả thu thập từ nguồn dữ liệu của Bankscope. So với nghiên cứu của Boyacioglu và cộng sự (2009) đã trình bày ở trên thì phạm vi nghiên cứu của nghiên cứu này bao gồm nhiều NHTM tại các quốc gia khác nhau hơn. Bên cạnh đó, biến phụ thuộc trong mô hình nghiên cứu có 3 giá trị khác nhau và được mã hóa tương ứng với 3 nhóm MXHTN thực tế của các NHTM. Ngoài ra, các tác giả này cũng đưa vào mô hình những biến giải thích thể hiện môi trường vĩ mô của quốc gia nơi các NHTM có trụ sở. Tuy nhiên, số lượng biến giải thích phản ánh tình hình tài chính của các NHTM trong nghiên cứu này khá hạn chế. Một số kết luận chủ yếu của các tác giả trong nghiên cứu này như sau:

- Tỷ số vốn chủ sở hữu/tổng tài sản (Equity to total assets), tỷ số lợi nhuận ròng/bình quân tổng tài sản (Return on average assets) và quy mô tổng tài sản ngân hàng (Logarit tự nhiên tổng giá trị tài sản NHTM) tác động nhiều nhất đến MXHTN của các NHTM.

- Các mô hình bao gồm các biến giải thích thể hiện tình hình tài chính và môi trường hoạt động của các NHTM có khả năng dự báo chính xác MXHTN của các NHTM hơn so với các mô hình chỉ bao gồm các biến thể hiện tình hình tài chính của các NHTM. Trong đó, các yếu tố môi trường hoạt động của NHTM có liên quan mật thiết tới MXHTN của các NHTM.

Bellotti và cộng sự (2011a, 2011b) sử dụng phương pháp hồi quy Logit thứ bậc và phương pháp Support vector machine để xây dựng mô hình dự đoán MXHTN của các NHTM trên cơ sở các chỉ tiêu tài chính nhằm đánh giá khả năng của 2 phương pháp này trong việc xây dựng mô hình dự đoán MXHTN của NHTM.

Mẫu quan sát gồm 2 phần: mẫu quan sát để xây dựng mô hình gồm 517 đánh giá MXHTN các NHTM do Fitch thực hiện từ năm 2000 - 2006, mẫu quan sát dùng để đánh giá khả năng dự đoán chính xác của mô hình gồm 112 đánh giá MXHTN của các NHTM trong năm 2007. Các NHTM trong mẫu dữ liệu của nghiên cứu được chọn từ 90 quốc gia khác nhau.

Sau quá trình phân tích đánh giá khả năng phân loại của 2 mô hình được xây dựng bằng 2 phương pháp khác nhau trên cơ sở so sánh tỷ lệ xác suất dự báo chính xác của 2 mô hình từ những quan sát trong mẫu dữ liệu xây dựng mô hình và trong mẫu dữ liệu dùng để kiểm tra đánh giá mô hình, các tác giả kết luận rằng mô hình dự báo MXHTN được xây dựng bằng phương pháp Support vector machines cho kết quả dự báo chính xác hơn. Do mô hình dự báo MXHTN của NHTM được xây dựng trên phương pháp Support vector machines có thể ước lượng một số lượng lớn các biến giả đại diện cho từng quốc gia khác nhau còn mô hình xây dựng trên phương pháp hồi quy Logit thứ bậc không thể ước lượng một số lượng lớn các biến giả này với một số lượng mẫu quan sát hạn chế để ước lượng mô hình.

Chen (2012) sử dụng phương pháp lựa chọn yếu tố đặc trưng kết hợp với phương pháp phân phối xác suất tích lũy (Cumulative probability distribution approach) và lý thuyết tập thô (Rough set theory) để xác định MXHTN của các NHTM và các yếu tố chủ yếu ảnh hưởng đến MXHTN của các NHTM tại các nước trong khu vực Châu Á.

Mẫu dữ liệu quan sát gồm 1327 NHTM tại các nước Châu Á trong trong giai đoạn từ năm 1993 đến 2007. Các biến giải thích trong mô hình bao gồm 18 chỉ số tài chính của các NHTM được lấy từ nguồn dữ liệu Bankscope.

Đầu tiên, tác giả thực hiện lựa chọn các chỉ tiêu tài chính chủ yếu có tác động đến MXHTN bằng phương pháp lựa chọn yếu tố đặc trưng. Tiếp theo, tác giả thực hiện phân đoạn giá trị của các biến giải thích bằng phương pháp phân phối xác suất tích lũy. Để xác định được quy luật kết hợp dữ liệu của các biến giải thích cho từng MXHTN tác giả sử dụng thuật toán RS LEM2. Cuối cùng, tác giả thực hiện so sánh

mức độ chính xác của mô hình phân loại MXHTN của NHTM được xây dựng từ bài nghiên cứu với các mô hình phân loại MXHTN của NHTM được xây dựng bằng các phương pháp phân loại khác như: Decision Tree, Bayes Net, OneR, Artificial Neural Networks - Multilayer Perceptron, Logistic và Support vector machines using Sequential Minimal Optimization.

Kết quả nghiên cứu chỉ ra rằng phương pháp phân loại được đề xuất bởi nghiên cứu này cho kết quả xác suất phân loại chính xác nhất.

Tóm lại, qua việc lược khảo các nghiên cứu trước, tác giả có một số nhận xét như sau. Đối với các nghiên cứu về xây dựng mô hình dự đoán MXHTN của các NHTM như nghiên cứu của Ioannidis và cộng sự (2010), nghiên cứu của Boyacioglu và cộng sự (2009), nghiên cứu của Matousek và Stewart (2009), nghiên cứu của Caporale và cộng sự (2012), tác giả nhận thấy có sự không nhất trong việc lựa chọn các chỉ tiêu tài chính của các NHTM trong các mô hình nghiên cứu mặc dù các tác giả cùng sử dụng nguồn dữ liệu từ Bankscope. Bên cạnh đó, chiều hướng tác động của các chỉ tiêu tài chính như: tỷ lệ lãi cận biên, tỷ lệ tài sản có khả năng thanh khoản cao/tổng tài sản, … đến MXHTN của NHTM trong các nghiên cứu không có sự thống nhất với nhau. Mặt khác, các biến giải thích thể hiện tình hình tài chính của các NHTM thường được các tác giả chọn có độ trễ 1 so với biến phụ thuộc (riêng nghiên cứu của Matousek và Stewart (2009) có độ trễ từ 1 đến 4). Ngoài ra, trong việc xây dựng mô hình dự đoán MXHTN của NHTM thì các phương pháp phân loại trí tuệ nhân tạo thường có độ chính xác cao hơn phương pháp phân loại bằng các mô hình hồi quy thống kê. Tuy nhiên, mô hình dự đoán MXHTN của NHTM xây dựng trên phương pháp phân loại trí tuệ nhân tạo không thể hiện cụ thể chiều hướng tác động của các biến giải thích đối với biến phụ thuộc trong mô hình.

2.6 Khe hổng nghiên cứu và khung phân tích của luận án

2.6.1 Khe hổng nghiên cứu

Sau khi tiến hành lược khảo lý thuyết và các nghiên cứu trước liên quan đến MXHTN của NHTM và doanh nghiệp, tác giả nhận thấy rằng có khe hổng trong các nghiên cứu về MXHTN của NHTM như sau:

Các nghiên cứu về xây dựng mô hình dự đoán MXHTN của NHTM như: nghiên cứu của Poon và cộng sự (1999), Ioannidis và cộng sự (2010), Bellotti và cộng sự (2011a, 2011b), Caporale và cộng sự (2012), … chủ yếu nhằm xác định các yếu tố

tác động đến MXHTN của NHTM và so sánh mức độ chính xác giữa các mô hình dự báo MXHTN của NHTM được xây dựng bằng các phương pháp khác nhau. Bên cạnh đó, các nghiên cứu về sự chính xác và tính thống nhất trong các đánh giá MXHTN của NHTM như nghiên cứu của Poon và Firth (2005), Poon và cộng sự (2009) đều nhằm chứng minh các đánh giá MXHTN không theo yêu cầu của NHTM được đánh giá thấp hơn các đánh giá MXHTN được thực hiện theo yêu cầu của NHTM được đánh giá. Mặt khác, các nghiên cứu này đều nhằm mục đích chứng minh rằng việc có đánh giá MXHTN theo yêu cầu hay có đánh giá MXHTN không theo yêu cầu có ảnh hưởng quan trọng đến MXHTN của NHTM. Chỉ duy nhất nghiên cứu của Shen và cộng sự (2012) với mục đích chứng minh mức độ bất cân xứng thông tin tại các quốc gia khác nhau ảnh hưởng đến mức độ tác động của một số chỉ tiêu tài chính đến MXHTN của NHTM. Do vậy, tác giả nhận thấy rằng các nghiên cứu trước chưa đề cập đến sự khác biệt trong tác động của các yếu tố như: rủi ro quốc gia, rủi ro ngành ngân hàng và đặc điểm sở hữu của NHTM đến MXHTN của các NHTM tại các nền kinh tế phát triển so với các nền kinh tế mới nổi. Đồng thời, các chỉ tiêu tài chính mà các tác giả sử dụng trong các nghiên cứu trước đây khá hạn chế.

Xuất phát từ khe hổng trong nghiên cứu kể trên, một lần nữa cho thấy sự cần thiết để thực hiện nghiên cứu nhằm đưa ra những giải thích cụ thể cho các vấn đề nghiên cứu đã trình bày và đóng góp một nghiên cứu thực nghiệm cho việc xác định sự khác biệt trong tác động của các yếu tố ảnh hưởng đến MXHTN của NHTM tại các nền kinh tế phát triển so với các nền kinh tế mới nổi.

2.6.2 Khung phân tích của luận án

Căn cứ trên phương pháp đánh giá MXHTN NHTM của tổ chức xếp hạng tín nhiệm và qua lược khảo các nghiên cứu thực nghiệm liên quan đến MXHTN của NHTM đã trình bày ở phần trên, tác giả sẽ đưa vào mô hình nghiên cứu của luận án 2 nhóm yếu tố: nhóm yếu tố thể hiện những đặc điểm mang tính hệ thống (bao gồm rủi ro chung của quốc gia và rủi ro đặc thù ngành ngân hàng tại nước nơi NHTM có trụ sở) và nhóm yếu tố thể hiện những đặc điểm riêng của NHTM (bao gồm đặc điểm sở hữu, quy mô tổng tài sản và các chỉ tiêu tài chính, ….). Tác giả kết hợp giữa việc phân tích phương sai một yếu tố (One way – ANOVA) các chỉ tiêu tài chính của NHTM và phương pháp lựa chọn biến giải thích trong mô hình hồi quy Ordered logit để xác định các yếu tố chủ yếu tác động đến MXHTN của NHTM tại các nước có nền kinh tế phát

triển và các nước có nền kinh tế mới nổi một cách tách biệt nhau. Sau đó, tác giả thực hiện đánh giá mức độ phù hợp và kiểm định các giả thuyết của mô hình nghiên cứu. Cuối cùng, tác giả thực hiện phân tích tác động của các yếu tố trên đến MXHTN của các NHTM cũng như sự khác biệt trong tác động của các yếu tố này đến MXHTN của các NHTM tại các nước có nền kinh tế phát triển so với các NHTM tại các nước có nền kinh tế mới nổi. Quá trình này được trình bày tóm tắt qua khung phân tích của luận án.

Các yếu tố tác động đến mức xếp hạng tín nhiệm NHTM

Sơ đồ 2.3: Khung phân tích của luận án

Lựa chọn các biến giải thích trong mô hình Ordered logit

Rủi ro quốc gia

Rủi ro ngành

Phân tích One way - ANOVA các chỉ tiêu tài chính NHTM

Yếu tố vĩ mô Yếu tố đặc thù của NHTM

Xác định các yếu tố tác động chủ yếu đến MXHTN NHTM

Đặc điểm sở hữu

Quy mô

ngân hàng

Các chỉ số tài chính

Đánh giá mức độ phù hợp và kiểm định các giả định trong mô hình

Phân tích tác động của các yếu tố đến MXHTN NHTM

Xác định sự khác biệt trong tác động của các yếu tố đến MXHTN của NHTM giữa 2 nhóm nước

Nguồn: Tổng hợp của tác giả từ lược khảo lý thuyết và các nghiên cứu liên quan.

Tóm lại, qua việc lược khảo phương pháp đánh giá MXHTN của NHTM của các tổ chức xếp hạng tín nhiệm quốc tế là Fitch, Standard & Poor’s và Hội đồng Giám sát các tổ chức tài chính Liên Bang Mỹ, tác giả nhận thấy rằng các tổ chức này trình bày phương pháp đánh giá khá chi tiết. Tuy nhiên, các đơn vị này chỉ dừng lại ở chỗ trình bày các bước thực hiện quá trình đánh giá còn những mô tả chi tiết về các tiêu chí đánh giá và các yếu tố có ảnh hưởng quyết định cũng như chiều hướng tác động của các yếu tố này đến MXHTN của NHTM thì không được trình bày cụ thể (Orsenigo và Vercellis, 2013). Đồng thời, qua việc lược khảo các nghiên cứu thực nghiệm về mức độ chính xác và tính thống nhất của các đánh giá MXHTN, tác giả thấy rằng một số nhà nghiên cứu đã chứng minh được có tồn tại sự khác biệt trong tác động của các chỉ tiêu tài chính đến MXHTN của NHTM tại các quốc gia khác nhau. Ngoài ra, từ việc lược khảo các nghiên cứu thực nghiệm liên quan đến việc xây dựng mô hình dự đoán MXHTN của NHTM, tác giả thấy rằng có sự không thống nhất giữa các nghiên cứu về các yếu tố có ảnh hưởng đến MXHTN của NHTM cũng như chiều hướng tác động của các yếu tố này đến MXHTN của NHTM. Theo tác giả, nguyên nhân cơ bản dẫn đến vấn đề này có thể xuất phát từ sự bất cân xứng thông tin trong việc các tổ chức xếp hạng tín nhiệm quốc tế thực hiện các đánh giá MXHTN của NHTM tại các quốc gia khác nhau.

Trên cơ sở như vậy, tác giả đề xuất khung phân tích cho luận án nhằm giải quyết các mục tiêu nghiên cứu và trả lời các câu hỏi nghiên cứu đã đề ra.