Tóm Tắt Một Số Nghiên Cứu Cảnh Báo Vỡ Nợ, Vỡ Nợ Nh Trên Thế Giới

Một nghiên cứu đáng chú ý là của Isabelle Distingguin và Amine Tarazi (2008), nghiên cứu này sử dụng dữ liệu kế toán và thị trường để dự báo sự thay đổi xếp hạng của một số ngân hàng các nước Đông Nam châu Á. Tác giả sử dụng một mô hình Logit đa dấu hiệu và đã xác định được tập các chỉ số dự báo tối ưu. Bài viết cũng kiểm tra sự ảnh hưởng có thể có của qui mô ngân hàng, các tính chất đặc trưng của các chỉ số cảnh báo sớm. Nghiên cứu sử dụng dữ liệu mảng gồm 64 ngân hàng khu vực Đông Nam châu Á gồm một số ngân hàng của các nước Hồng Kông, Hàn Quốc, Đài Loan, Singapore, Malaysia, Thái Lan, Indonesia và Philippines trong khoảng thời gian từ năm 1999 đến năm 2004, tập hợp các tỷ lệ kế toán trong nghiên cứu này lấy trong 4 nhóm CAEL, được tính theo đơn vị năm. Biến phụ thuộc được xây dựng trên cơ sở kết quả xếp hạng của 3 tổ chức xếp hạng uy tín: Fitch, Moody’s, Standard và Poor’s. Kết quả chỉ ra rằng chỉ số kế toán và thị trường là chỉ số hàng đầu hữu ích trong việc giải thích sự nâng hạng, hạ hạng trong tương lai của các ngân hàng.

Tác giả Duclaux và Soupmo Badjio (2009) đã xây dựng mô hình dự báo những NH gặp khó khăn cho các NH thuộc 6 nước khu vực miền trung châu Phi. Bài viết sử dụng một mô hình Logit nhị phân để xây dựng một mô hình dự báo khó khăn của các ngân hàng với đặc trưng miền trung châu Phi. Biến giải thích là một hỗn hợp của các chỉ số tài chính, các yếu tố thể chế và văn hóa liên quan đến bối cảnh các nước này. Do hạn chế về thông tin các ngân hàng gặp khó khăn nên nghiên cứu đã sử dụng định nghĩa ngân hàng gặp khó khăn tài chính, biến phụ thuộc Y=1, nếu tỷ lệ khả năng thanh toán/tổng tài sản rủi ro nhỏ hơn 8% và Y = 0 trong các trường hợp khác. Sự phân nhóm ngân hàng theo cách này căn cứ trên tiêu chuẩn yêu cầu về vốn của hiệp ước vốn Basel

II. Trong số 12 biến sử dụng thì có 3 biến số có ý nghĩa thống kê.

Mô hình Logit, Probit có thể được dùng để đánh giá mức độ giải thích của các biến độc lập, mô hình có thể xét đến các biến không thỏa mãn điều kiện của mô hình MDA. Tuy nhiên các mô hình có các giả định về phân phối xác suất, giả thiết không có hiện tượng đa cộng tuyến do đó làm giảm mức độ áp dụng của mô hình.

b) Nhóm các mô hình phi tham số, sử dụng kỹ thuật thông minh: mạng nơ ron, cây quyết định, thuật toán di truyền.

Mạng nơ ron đã được sử dụng trong nhiều lĩnh vực như y học, tự động hóa,…và được áp dụng trong nghiên cứu cảnh báo vỡ nợ từ những năm 1990. Mạng nơron nhân tạo là một mô phỏng quá trình xử lý thông tin, được nghiên cứu dựa vào hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin. Các

tác giả Odom và Sharda (1990) là những người đầu tiên nghiên cứu dự báo vỡ nợ sử dụng mạng nơ ron (ANN). Nghiên cứu của Odom sử dụng các chỉ số tương tự như các chỉ số sử dụng bởi Altman năm 1968 và áp dụng với một mẫu của 65 công ty vỡ nợ và 64 công ty không vỡ nợ. Các mẫu đào tạo bao gồm 38 công ty vỡ nợ và 36 công ty không vỡ nợ. Một mạng nơ ron với ba lớp, chứa 5 nút ẩn đã được tạo ra. Mô hình của họ xác định chính xác tất cả các công ty vỡ nợ và không vỡ nợ trong mẫu kiểm tra, so với độ chính xác 86.8% bởi mô hình MDA. Các nghiên cứu sử dụng mạng nơ ron còn có Hawley, Johnson và Raina (1990); Boritz và Kennedy (1995); Alam và cộng sự (2000); Celik và Karatepe (2007).

Tam và Kiang (1992) áp dụng mạng nơ ron, MDA, LA, cây quyết định với thuật toán ID3 trong nghiên cứu dự báo vỡ nợ của các ngân hàng bang Texas, Mỹ, ông sử dụng mẫu huấn luyện gồm 118 ngân hàng trong đó 59 ngân hàng vỡ nợ, 59 ngân hàng không vỡ nợ. Nghiên cứu dựa vào các chỉ tiêu trong mô hình CAMELS để xây dựng 19 biến đầu vào. Kết quả thực nghiệm của nghiên cứu đã chỉ ra rằng mạng nơron (ANN) có độ chính xác trong phân loại tốt hơn các mô hình MDA, LA, ID3. Các tác giả Salchenberger, Cinar và Lash (1992) sử dụng ANN và mô hình Logit phân tích sự vỡ nợ của các tổ chức tiết kiệm và cho vay, kết quả cho thấy ANN vượt trội so với mô hình Logit qua các lần dẫn khác nhau. Ravi và Pramodh (2008) đã sử dụng mạng nơ ron để dự báo vỡ nợ cho các ngân hàng Thổ Nhĩ Kỳ và Tây Ban Nha, trong đó có sử dụng 9 nhân tố tài chính cho các ngân hàng Thổ Nhĩ Kỳ và 12 nhân tố tài chính cho các ngân hàng Tây Ban Nha. Mức độ chính xác của mô hình xây dựng là 96.6% cho tập số liệu của Tây Ban Nha và 100% cho tập số liệu của Thổ Nhĩ Kỳ.

So với các mô hình LA, PA, MDA mô hình mạng nơ ron có thể áp dụng với các loại dữ liệu không thỏa mãn các điều kiện về phân phối, phương sai, đa cộng tuyến. Tuy nhiên mô hình mạng nơ ron khá phức tạp, cấu trúc của nó khó theo dõi, nằm ngoài sự kiểm soát của người xây dựng mô hình.

Mô hình cây quyết định (DT) tạo một bộ quy tắc nếu–thì chia không gian thuộc tính thành những phần nhỏ hơn, các nhóm đồng nhất hơn đối với một giá trị cụ thể của biến mục tiêu. Các thuật toán khác nhau có thể được sử dụng để xây dựng cây quyết định, chẳng hạn như quy tắc phân loại kết hợp với hồi quy, thuật toán CHAID, thuật toán ID3, C4.5, C5.0, J48,... Cây quyết định đã được sử dụng phổ biến cho các vấn đề phân loại, bởi vì quy tắc phân loại của nó là dễ hiểu và tương tác cao. Một số nghiên cứu áp dụng mô hình cây quyết định có thể tham khảo: Tam và Kiang (1992), Marais, Patell và Wolfson (1984), Frydman, Altman, và Kao (1985), và Li, Sun và Wu (2010).

Mô hình nhận dạng các đặc điểm (TR) là một mô hình phân loại phi tham số để phân biệt các công ty vỡ nợ và các công ty không vỡ nợ. Mô hình TR có lợi thế nó không áp đặt các giả định phân phối trên các biến. TR khai thác thông tin về mối tương quan phức tạp của các biến. Kolari và cộng sự (2002) phát triển một hệ thống cảnh báo sớm dựa trên mô hình Logit và TR. Số liệu sử dụng là số liệu về các ngân hàng lớn Mỹ. Mô hình Logit phân loại chính xác trên 96% cho một năm trước khi vỡ nợ và 95% cho thời gian hai năm trước khi vỡ nợ. Đối với mô hình TR tính chính xác của mô hình là 100%. Do đó, họ kết luận rằng mô hình TR tốt hơn so với các mô hình Logit. Lanine và Vander Vennet (2006) sử dụng mô hình Logit và TR để dự đoán vỡ nợ của các NHTM của Nga. Các tác giả đã kiểm tra khả năng dự đoán của hai mô hình trên cơ sở mẫu xây dựng và mẫu kiểm tra. Kết quả mô hình TR tốt hơn mô hình Logit trong cả hai mẫu. Đối với các biến dự đoán, họ thấy thanh khoản dự kiến đóng một vai trò quan trọng trong dự đoán vỡ nợ của ngân hàng, cũng như chất lượng tài sản và an toàn vốn.

Mô hình định giá quyền chọn của Merton- Black-Scholes (1974) coi xác suất để một doanh nghiệp lâm vào tình trạng phá sản phụ thuộc vào giá trị thị trường và mức độ dao động của giá trị thị trường tài sản doanh nghiệp. Mô hình này thường được sử dụng trong các trường hợp các doanh nghiệp đã niêm yết trong thời gian dài. Phương pháp Moody’s-KMV năm 1993 là một trường hợp của mô hình định giá quyền chọn và hiện nay được sử dụng rộng rãi, sức mạnh của mô hình nằm ở công cụ tính toán thực nghiệm và kiểm nghiệm dựa trên một cơ sở dữ liệu lớn. Trong mô hình KMV thì xác suất vỡ nợ được tính bằng các dữ liệu thực nghiệm thay vì tính qua công thức sử dụng phân bố chuẩn và độ rủi ro. Mô hình KMV tính khoảng cách tới vỡ nợ làm cơ sở để đo lường độ lệch chuẩn của giá trị tài sản doanh nghiệp và các khoản nợ hiện tại, và cho rằng tỷ lệ phần trăm các doanh nghiệp phá sản trong một năm và giá trị tài sản có độ lệch tiêu chuẩn cao hơn các khoản nợ trong ngắn hạn. Nhìn chung mô hình phát huy hiệu quả hơn trong việc đánh giá các doanh nghiệp gặp vấn đề về tài chính so với mô hình dựa trên các biến tài chính. Các nghiên cứu ứng dụng mô hình này có thể kể đến như của Wilcox (1973); Scott (1981); Varma và Raghunathan (2000); Hillegeist, Keating, Cram và Lundstedt (2004); Du và Suo (2004); Bohn, Arora và Korablev (2005). Tác giả tóm tắt một số nghiên cứu cảnh báo vỡ nợ tiêu biểu trên thế giới trong bảng 1.4.

Bảng 1.4: Tóm tắt một số nghiên cứu cảnh báo vỡ nợ, vỡ nợ NH trên thế giới

Tác giả/ Năm công bố

Cách tiếp cận/ số nhân tố	Các kết quả chính
Beaver (1966)	UDA/30. Dữ liệu sử dụng 79 công ty vỡ nợ và 79 công ty không vỡ nợ trong 38 ngành.	Xác định 5 nhân tố, độ chính xác từ 50% đến 92%
Atlman (1968)	MDA/22. Dữ liệu gồm 33 công ty cho mỗi nhóm.	Xác định 5 nhân tố, độ chính xác 95% cho doanh nghiệp trong mẫu
Martin (1977)	MDA; LA/25. Dữ liệu sử dụng là của các NH Mỹ giai đoạn 1970- 1976.	Xây dựng 6 mô hình cho 6 năm, xác định 4 nhân tố, hiệu suất cao nhất là 92.3%
Hanweck (1977)	PA/6. Dữ liệu sử dụng gồm 177 doanh nghiệp không vỡ nợ và 32 doanh nghiệp vỡ nợ.	Trong 6 nhân tố có 2 nhân tố có ý nghĩa thống kê. Độ chính xác là 83.8%, mẫu kiểm tra là 91.1%.
Ohson (1980)	LA/9. Sử dụng dữ liệu 105 công ty vỡ nợ và 2000 công ty không vỡ nợ	Độ chính xác 96.3%
Tam và Kiang (1992)	ANN/19, MDA/19, LA/19. Sử dụng dữ liệu 118 ngân hàng, chia đều cho 2 nhóm.	Mạng NN có độ chính xác cao nhất, đạt 96.2% với mẫu huấn luyện và 85.2% với mẫu kiểm tra.
Odom và Sharda (1993)	ANN/5; MDA/5. Mẫu gồm 38 công ty vỡ nợ, 36 không vỡ nợ.	Hiệu suất mẫu huấn luyện 100%, mẫu kiểm tra là 77%
Kolari và cộng sự (1996)	TR và LA	Hiệu suất với mẫu gốc 98.6%; mẫu kiểm tra 95.6%
Lanine và Vander Vennet (2006)	Mô hình TR và Logit cho các ngân hàng lớn Nga	Độ chính xác là 91.6% với dữ liệu gốc, 85.1% dữ liệu kiểm tra.
Ravi và Pramodh (2008)	ANN/9;12. Mẫu gồm các ngân hàng Thổ Nhĩ Kỳ và Tây Ban Nha	Hiệu suất 96.6% cho mẫu Thổ Nhĩ Kỳ; 100% cho mẫu Tây Ban Nha

Có thể bạn quan tâm!

Xem toàn bộ 168 trang tài liệu này.

Nguồn: Tổng hợp của tác giả từ các tài liệu tham khảo

Trong đó: UDA- phân tích phân biệt đơn biến; MDA- phân tích phân biệt đa biến; ANN- mạng nơ ron nhân tạo; TR- mô hình nhận dạng đặc điểm; DT- cây quyết định; LA- mô hình Logit; PA- mô hình Probit.

Như vậy các mô hình dự báo vỡ nợ được phát triển hết sức đa dạng và luôn được bổ sung nhưng chưa một mô hình nào khẳng định được tính ưu việt tuyệt đối so với các mô hình còn lại trong tất cả các bối cảnh nghiên cứu.

1.2.2. Tổng quan các tiêu chí được coi là vỡ nợ hoặc nguy cơ vỡ nợ cao trong các nghiên cứu trước

Trong các nghiên cứu cảnh báo vỡ nợ, các tác giả thường đưa ra định nghĩa về vỡ nợ, cơ sở chọn mẫu nghiên cứu. Phần lớn các nghiên cứu cảnh báo vỡ nợ trên thế giới định nghĩa vỡ nợ dựa trên thông tin về các công ty vỡ nợ hoặc quyết định đóng cửa; một số nghiên cứu khác định nghĩa vỡ nợ dựa trên những khủng hoảng tài chính hoặc dựa trên khả năng đáp ứng các nghĩa vụ tài chính.

Lược lại các nghiên cứu trước về vỡ nợ ngân hàng có tác giả đã sử dụng chỉ số mất thanh khoản ngân hàng, chỉ số nợ xấu cao dẫn tới khả năng mất vốn, chỉ số thiếu vốn làm chỉ tiêu đo lường nguy cơ đổ vỡ, chẳng hạn các tác giả Dermirgue-Kunt (1989), Barr và Siem (1994) chỉ ra rằng chất lượng tài sản, hiệu quả hoạt động là các yếu tố dự đoán vỡ nợ quan trọng về mặt thống kê và các tổ chức ngân hàng trước khi phá sản luôn có mức nợ xấu cao và hiệu quả hoạt động thấp. Trong các nghiên cứu cảnh báo sớm những khó khăn tài chính của ngân hàng, nhiều tác giả đã chọn các tiêu chí khác: Tác giả Gropp sử dụng xếp hạng của Fitch-IBCA để đánh giá sức mạnh tài chính của ngân hàng. Ông sử dụng mức hạng C để phân đôi giữa rủi ro thấp và rủi ro cao. Whalen (2005) xây dựng mô hình dự đoán xác suất mà một ngân hàng cộng đồng có nguy cơ vỡ nợ thấp sẽ chuyển sang trạng thái có nguy cơ vỡ nợ cao hơn trong một khoảng thời gian tám quý. Các NH được chỉ định "nguy cơ vỡ nợ thấp" nếu NH có điểm tổng hợp CAMELS là 1 hoặc 2, ngân hàng với điểm số CAMELS tổng hợp lớn hơn 2 được phân loại rủi ro cao. Tác giả Duclaux và Soupmo Badjio (2009) đã xây dựng mô hình dự báo những ngân hàng gặp khó khăn cho các ngân hàng thuộc 6 nước khu vực miền trung châu Phi. Nghiên cứu đã sử dụng định nghĩa ngân hàng gặp khó khăn tài chính, biến phụ thuộc Y=1, nếu tỷ lệ khả năng thanh toán/tổng tài sản rủi ro nhỏ hơn 8% và Y = 0 trong các trường hợp khác.

Birsen Eggi Erdogan (2016) tính toán chỉ tiêu ROA để đo lợi nhuận sau đó sử dụng tiêu chí về ROA để xác định tình trạng sức khỏe của ngân hàng. Cụ thể, biến phụ thuộc Y =1, ngân hàng vỡ nợ nếu ROA  0.01 , biến Y = 0, ngân hàng không vỡ nợ nếu ROA0.01.

Bảng 1.5: Một số định nghĩa sử dụng trong các nghiên cứu cảnh báo vỡ nợ

Tác giả/ Năm công bố

Tên sử dụng	Định nghĩa
Beaver (1966)	Vỡ nợ	Một công ty không trả được nợ các nghĩa vụ tài chính khi đến hạn. Hay một công ty xảy ra một trong các sự kiện: vỡ nợ, vỡ nợ trái phiếu, rút tiền quá mức tài khoản ngân hàng, không chi trả được cổ phiếu ưu đãi.
Atlman (1968)	Phá sản	Các hãng bị tuyên bố phá sản, hoặc các cơ quan quản lý tổ chức lại theo quy định.
Deakin (1972)	Vỡ nợ	Các công ty bị phá sản, mất khả năng chi trả, bị các chủ nợ yêu cầu thanh lý.
Blum (1974)	Vỡ nợ	Không trả được nợ khi đến hạn, tiến hành quá trình tố tụng phá sản hoặc phải thỏa thuận vi phạm với chủ nợ để giảm nợ.
Santomero và Vinso (1977)	Vỡ nợ	Các ngân hàng vỡ nợ khi tài khoản vốn của ngân hàng bằng không hoặc âm.
Whalen (2005)	Nguy cơ vỡ nợ cao	Ngân hàng có nguy cơ vỡ nợ cao nếu ngân hàng có điểm tổng hợp CAMELS lớn hơn 2.
Duclaux và Soupmo (2009)	Ngân hàng gặp khó khăn	Ngân hàng gặp khó khăn nếu tỷ lệ khả năng thanh toán/ tổng tài sản rủi ro nhỏ hơn 8%
Booth (2011)	Vỡ nợ	Không cung cấp định nghĩa rõ ràng, sử dụng tiêu chí công ty rời khỏi giao dịch trên tất cả các thị trường chứng khoán làm cơ sở chọn mẫu.
Birsen Eggi Erdogan (2016)	Ngân hàng vỡ nợ	Ngân hàng vỡ nợ nếu ROA  0.01, ngân hàng không vỡ nợ nếu ROA  0.01.

Nguồn: Tổng hợp của tác giả từ các tài liệu tham khảo

Như vậy, trong các nghiên cứu trước trên thế giới các tác giả đã sử dụng nhiều tiêu chí khác nhau để xác định ngân hàng vỡ nợ, ngân hàng có nguy cơ vỡ nợ cao.

1.2.3. Các nhân tố, biến số trong các nghiên cứu vỡ nợ

Khi tiến hành dự báo vỡ nợ cần xác định 3 yếu tố đó là biến dự báo, biến phụ thuộc và phương pháp dự báo. Việc lựa chọn 3 yếu tố này quyết định chất lượng mô

hình xây dựng. Về biến dự báo, hầu hết các tác giả thống nhất trong việc các đánh giá điều kiện tài chính có nguồn gốc từ các BCTC ở quá khứ, hiện tại có thể được sử dụng để dự đoán hoạt động, nguy cơ vỡ nợ của doanh nghiệp trong tương lai. Qua tổng quan tài liệu tác giả thấy các biến dự báo vỡ nợ (biến độc lập) chủ yếu được tính toán từ các BCTC của doanh nghiệp. Số lượng các nhân tố xét trong các nghiên cứu dao động mạnh trong khoảng 1 đến 57 nhân tố (Jodi Bellovary và cộng sự, 2007). Sự phong phú và đa dạng của các biến dự báo vỡ nợ sử dụng trong các nghiên cứu được tác giả tổng hợp một phần ở bảng 1.6.

Bảng 1.6: Bảng tổng hợp một số biến sử dụng trong cảnh báo vỡ nợ

Biến

Nội dung	Các tác giả
X1	Luồng tiền mặt/ tổng nợ	Beaver (1966), Deakin (1972), Blum (1974), Zmijewski (1984), Martens và cộng sự (2008)
X2	Tổng nợ/ tổng tài sản	Beaver (1966), Deakin (1972), Ohlson (1980), Martens và cộng sự (2008), Ding và cộng sự (2008)
X3	Vốn lưu động / tổng tài sản	Beaver (1966); Atlman (1968)
X4	Lợi nhuận chưa phân phối/ tổng tài sản	Atlman (1968), Ding và cộng sự (2008)
X5	Lợi nhuận trước thuế và lãi/ tổng tài sản	Atlman (1968), Li và Sun (2009)
X6	Giá trị thị trường của VCSH/ giá trị hạch toán của tổng nợ	Atlman (1968), Martens và cộng sự (2008), Li và Sun (2009)
X7	Hệ số doanh thu/ tổng tài sản	Atlman (1968), Li và Sun (2009)
X8	Lợi nhuận ròng/ tổng tài sản	Beaver (1966); Deakin (1972), Ohlson (1980), Zmijewski (1984)
X9	Vốn lưu động/ doanh thu	Beaver (1966); Deakin (1972), Ohlson (1980), Marten và cộng sự (2008)
X10	Thu nhập dòng/ doanh thu	Beaver (1966)
X11	Thu nhập dòng/ tổng tài sản	Beaver (1966)
X12	ROE	Wheelock và Wilson(1995), Dabos và Escudero (2000), Shumway(2001)

Nguồn: Tác giả tổng kết từ các tài liệu tham khảo

Sự đa dạng và không thống nhất về các nhân tố ảnh hưởng tới vỡ nợ trong các nghiên cứu cho thấy cần có nghiên cứu, phân tích sâu sắc cho các tập chỉ số khi đưa vào nghiên cứu cảnh báo vỡ nợ, đặc biệt đối với các ngành đặc thù như ngành ngân hàng. Tính đa dạng và không thống nhất này là do mỗi một quốc gia, mỗi một ngành có đặc điểm riêng biệt, có hệ thống chính sách khác nhau và vì vậy, các nhân tố ảnh hưởng đến khả năng vỡ nợ khác nhau. Dù vậy, có thể thấy một số nhân tố: thu nhập ròng/ tổng tài sản, tổng tài sản/ tổng nợ, các tỷ lệ trong nghiên cứu gốc của Atlman (1968) có mặt trong nhiều mô hình. Qua phân tích cho thấy số lượng các nhân tố trong các mô hình không ảnh hưởng nhiều đến hiệu suất của mô hình. Chẳng hạn, mô hình của Bearver (1968) có độ chính xác lên tới 92% với chỉ một nhân tố, trong khi nghiên cứu của Jo (1997) có độ chính xác chỉ là 86% khi sử dụng tới 57 nhân tố. Các nhân tố vĩ mô thường ít được đề cập trong các nghiên cứu, mặc dù các nghiên cứu lý thuyết đều cho rằng bối cảnh kinh tế vĩ mô có ảnh hưởng đến vỡ nợ của các công ty. Khi nghiên cứu vỡ nợ ngân hàng thì không thể không nhắc tới các nhân tố trong mô hình CAMELS.

Mô hình CAMELS, mô hình xếp hạng các ngân hàng được xây dựng và được thông qua năm 1987 bởi cơ quan giám sát ngân hàng trung ương Mỹ. Mô hình phân tích theo 6 yếu tố cơ bản (Mức độ an toàn vốn, chất lượng tài sản, hiệu quả quản lý, lợi nhuận, thanh khoản và mức độ nhạy cảm với rủi ro). Các chỉ tiêu trong mô hình CAMELS sẽ được tác giả phân tích chi tiết trong chương 2. Mô hình thường định mức xếp hạng từ mức 1 (mức tốt nhất) đến mức 5 (mức xấu nhất) cho mỗi nhóm yếu tố, sau đó sẽ lại tổng hợp cả 6 kết quả để ra kết quả đánh giá cuối cùng cũng theo 5 mức như trên.

Phương pháp tiếp cận CAMELS là phương pháp mở và khi tiếp cận thì ở mỗi vùng miền có những đặc trưng riêng phù hợp với một nhóm các biến khác nhau. Tuy nhiên Rojas-Suarez (2001) chỉ ra rằng ở các nền kinh tế mới nổi nếu các chuẩn mực kế toán và hệ thống báo cáo yếu, việc phân loại các khoản nợ xấu (NPLs) không chặt chẽ, các quy định không hợp lý về các khoản dự phòng tín dụng, các hoạt động giám sát theo luật không được thực thi, và thị trường vốn không có tính thanh khoản và phát triển, thì sẽ có khó khăn để xác định giá trị thực của ngân hàng nhằm tách biệt giá trị theo sổ sách, nghĩa là các hệ số truyền thống dạng CAMLES sẽ không dự báo trước được những khó khăn ở từng ngân hàng. Tuy nhiên các nhân tố trong mô hình CAMELS vẫn giữ vai trò đặc biệt quan trọng trong phân tích rủi ro hoạt động ngân hàng.

Tác giả Hilda Rossieta (2016) đã sử dụng các tỷ lệ tài chính trong mô hình CAMELS, chỉ số dòng tiền, chỉ số thị trường để dự đoán phát hiện sớm ngân hàng phá sản. Dữ liệu sử dụng trong nghiên cứu là của các ngân hàng Indonexia các năm 2006, 2007, một mô hình Logit bội được sử dụng đã chỉ ra các tỷ lệ giúp dự báo phá sản