P. 1
CÁC PHƯƠNG PHÁP XẾP HẠNG TÍN DỤNG DOANH NGHIỆP ĐIỂN HÌNH TRÊN THẾ GIỚI

CÁC PHƯƠNG PHÁP XẾP HẠNG TÍN DỤNG DOANH NGHIỆP ĐIỂN HÌNH TRÊN THẾ GIỚI

|Views: 2,883|Likes:
Được xuất bản bởiNgô Túc Hòa

More info:

Published by: Ngô Túc Hòa on Nov 10, 2010
Bản quyền:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

05/23/2013

pdf

text

original

CÁC PHƯƠNG PHÁP XẾP HẠNG TÍN DỤNG DOANH NGHIỆP ĐIỂN HÌNH TRÊN THẾ GIỚI PHẦN

1 ( Rating.com.vn - Tuesday 11.24.09 7:57 pm ) Xếp hạng tín dụng hay xếp hạng tín nhiệm là những ý kiến đánh giá về rủi ro tín dụng và chất lượng tín dụng, thể hiện khả năng và thiện ý trả nợ (gốc, lãi hoặc cả hai) của đối tượng đi vay để đáp ứng các nghĩa vụ tài chính một cách đầy đủ và đúng hạn thông qua hệ thống xếp hạng theo ký hiệu. Hiện nay, trên thế giới có hai phương pháp xếp hạng tín dụng chính là mô hình toán học và phương pháp chuyên gia:

1. Mô hình toán học xếp hạng tín nhiệm doanh nghiệp

Trước khi quyết định đánh giá tín nhiệm và ước lượng rủi ro tín dụng phát triển thành những hình toán học và thống kê, việc cấp tín dụng hoàn toàn dựa trên phương pháp xét đoán. Phươ pháp này sử dụng mọi loại thông tin liên quan đến khách hàng mà các chuyên viên tín dụng cần thiết và dùng các phán đoán chủ quan để đánh giá rủi ro.

Phương pháp xét đoán do vậy có nhiều thiếu sót. Đầu tiên, phương pháp không đáng tin cậy nó phụ thuộc vào cách thức của mỗi chủ nợ; thứ hai, quyết định có thể thay đổi từ người này sang người khác nên khó tranh luận và truyền thụ; thứ ba là không thể giải quyết với số lượn lớn hoặc phải duy trì một hệ thống chuyên viên phân tích chi phí cao.

Vì vậy, khi có sự phát triển của khoa học thống kê, những phương pháp phân tích, phân lớp dự báo nhanh chóng được ứng dụng và đã bổ sung hiệu quả cho phương pháp truyền thống, lượng hóa các chỉ tiêu đến dự báo rủi ro tín dụng . Hiện nay, các ứng dụng thống kê trong xế hạng tín nhiệm lại đang chuyển mình từ mục tiêu tối thiểu hóa rủi ro tín dụng sang mục tiêu đa hóa lợi nhuận cho các chủ nợ (chủ yếu là các ngân hàng). 1.1. Chỉ số Z của Edward I. Altman

Chỉ số Z được xây dựng bởi Edward I. Altman (1968), Đại Học New York, dựa vào việc ngh cứu khá công phu trên số lượng lớn các công ty khác nhau tại Mỹ. Chỉ số Z là công cụ được hai giới học thuật và thực hành, công nhận và sử dụng rộng rãi nhất trên thế giới. Mặc dù ch Z được phát minh tại Mỹ, nhưng hầu hết các nuớc vẫn có thể sử dụng với độ tin cậy khá cao Mexico, Indian... Chỉ số này dựa trên phương pháp thống kê với công cụ phân tích biệt số đa tố (MDA). Vốn luân chuyển Tổng tài sản • • X2 = • Vốn luân chuyển = tài sản ngắn hạn - nợ ngắn hạn Những khoản thua lỗ trong hoạt động kinh doanh sẽ làm giảm tỷ số X1 Lợi nhuận giữ lại Tổng tài sản Tỷ số này đo lường lợi nhuận giữ lại tích lũy qua thời gian.

Chỉ số Z bao gồm 5 tỷ số X1, X2, X3, X4, X5:Chỉ số Z bao gồm 5 tỷ số X1, X2, X3, X4, X5 X1=

Sự trưởng thành của công ty cũng được đánh giá qua tỷ số này. Các công ty mới thành lập thường có tỷ số này thấp vì chưa có thời gian để tích lũy lợi nhuận. Theo một nghiên cứu của Dun & Bradstreet (1993), khoảng 50% công ty phá sản chỉ hoạt động trong 5 năm. EBIT Tổng tài sản Sự tồn tại và khả năng trả nợ của công ty sau cùng đều dựa trên khả năng tạo ra lợi nhuận từ các tài sản của nó. Vì vậy, tỷ số này, theo Atlman thể hiện tốt hơn các thước đo tỷ suất sinh lợi. Giá thị trường của vốn cổ phần Giá sổ sách của nợ

X3 = •

X4 = • • •

Nợ = nợ ngắn hạn + nợ dài hạn Vốn cổ phần = cổ phần thường + cổ phần ưu đãi Tỷ số này cho biết giá trị tài sản của công ty sụt giảm bao nhiêu lần trước khi công ty lâm vào tình trạng mất khả năng thanh toán. Đây là một phiên bản đã được sửa đổi của một trong các biến được Fisher sử dụng khi nghiên cứu tỷ suất sinh lợi của trái phiếu (1959). Nếu tỷ số này thấp hơn 1/3 thì xác suất công ty phá sản là rất cao. Đối với công ty chưa cổ phần hóa thì giá trị thị trường được thay bằng giá trị sổ sách của vốn cổ phần. Doanh thu Tổng tài sản Đo lường khả năng quản trị của công ty để tạo ra doanh thu trước sức ép cạnh tranh của các đối thủ khác. Tỷ số này có mức ý nghĩa thấp nhất trong mô hình nhưng nó là một tỷ số quan trọng vì giúp khả năng phân biệt của mô hình được nâng cao. X5 thay đổi trên một khoảng rộng đối với các ngành khác nhau và các quốc gia khác nhau.

X5 = • • •

Một số nghiên cứu vào thập niên 1960 chỉ ra rằng tỷ số dòng tiền trên nợ là tỷ số rất tốt để dự báo nhưng do trong giai đoạn này, dữ liệu về dòng tiền và khấu hao của các doanh nghiệp không nhất quán nên chỉ số Z của Altman không bao gồm các tỷ số có liên quan đến dòng tiền. Điều này khá phù hợp với thực trạng về thông tin tài chính của doanh nghiệp Việt Nam hiện nay, hơn nữa chỉ số Z đã được sử dụng hiệu quả ở Mỹ (dự báo chính xác 95% đối với mẫu dữ liệu) và nhiều nước khác thì rất có thể cũng sẽ thực hiện tốt tại Việt Nam trong lĩnh vực xếp hạng tín nhiệm hay dự báo phá sản. Từ một chỉ số Z ban đầu, Altman phát triển thêm Z' và Z" để có thể áp dụng theo từng loại hình của doanh nghiệp:

Đối với doanh nghiệp đã cổ phần hoá, ngành sản suất: Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.64X4 + 0.999X5 • • • Nếu Z >2.99: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản Nếu 1.8< Z <2.99: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản Nếu Z <1.8: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao.

Đối với doanh nghiệp chưa cổ phần hoá, ngành sản suất: Z' = 0.717X1 + 0.847X2 + 3.107X3 + 0.42X4 + 0.998X5 • • • Nếu Z' > 2.9: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản Nếu 1.23 < Z' < 2.9: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản Nếu Z' <1.23: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao.

Đối với các doanh nghiệp khác: Chỉ số Z" dưới đây có thể được dùng cho hầu hết các ngành, các loại hình doanh nghiệp. Vì sự khác nhau khá lớn của X5 giữa các ngành, nên X5 được đưa ra. Z" = 6.56X1 + 3.26X2 + 6.72X3 + 1.05X4 • • • Nếu Z" >2.6: Doanh nghiệp nằm trong vùng an toàn, chưa có nguy cơ phá sản Nếu 1.2 < Z" < 2.6: Doanh nghiệp nằm trong vùng cảnh báo, có thể có nguy cơ phá sản Nếu Z <1.1: Doanh nghiệp nằm trong vùng nguy hiểm, nguy cơ phá sản cao.

Ngoài tác dụng cảnh báo dấu hiệu phá sản, Altman đã nghiên cứu trên 700 công ty để cho ra chỉ số Z" điều chỉnh: Z"điều chỉnh = 3.25 + Z" = 3.25 + 6.56X1 + 3.26X2 + 6.72X3 + 1.05X4 Z" điều chỉnh có tương đồng khá cao với các hạng mức tín nhiệm trái phiếu của S&P. Hàm ý rằng các mô hình toán học có thể sánh ngang với phương pháp chuyên gia.

Nguồn: Lâm Minh Chánh (2007), "Dùng chỉ số Z để ước tính Hệ số Tín Nhiệm" Để xem xét chỉ số Z hoạt động như thế nào đối với doanh nghiệp Việt Nam, tác giả lấy ví dụ về Công ty cổ phần Bông Bạch Tuyết (BBT) - công ty niêm yết điển hình có nhiều triệu chứng đang trước ngưỡng phá sản trong năm qua (Tháng 7/2008, Ngân hàng Hàng hải Việt Nam bắt đầu gửi thông báo nợ quá hạn đến BBT). BBT đã cổ phần hóa từ năm 1997 và là công ty sản xuất nên áp dụng công thức:

Vì trong hai năm 2006 và 2007, các cổ đông không biết là BBT bị lỗ, cộng với tính không hiệu quả của thị trường chứng khoán Việt Nam nên giá cổ phiếu vẫn gia tăng theo thị trường. Nếu giá thị trường không thay đổi gì so với năm 2005 thì chỉ số Z năm 2006 và 2007 lần lượt là 1.64 và 1.04, tức là chỉ số Z giảm dần từ 2.41 điểm (2002) đến -0.41 điểm (2008).

Từ kết quả này, cho thấy, chỉ số Z phản ánh gần sát với tình trạng thực tế mà BBT đang gánh chịu và cũng minh chứng phần nào tính hữu dụng của chỉ số Z nói riêng và mô hình toán học dự báo phá sản nói chung tại Việt Nam. Tuy nhiên, để ứng dụng tốt vào thực tế thì chỉ số Z hay các mô hình định lượng phải được hiệu chỉnh, được xây dựng trên dữ liệu của các doanh nghiệp Việt Nam, qua kiểm định cụ thể thì hiệu quả mới chính thức được công nhận và nâng cao. 1.2. Chỉ số Zeta Zeta là một chỉ số được Altman cải tiến từ chỉ số Z, Zeta làm việc tốt với dữ liệu tài chính của các công ty sản xuất và cả bán lẻ với độ chính xác hơn 90% trước khi phá sản 1 năm và chính xác trên 70% từ năm thứ 5 trở đi trước khi phá sản. Vì tính độc quyền của mô hình nên Altman không công bố một cách đầy đủ các trọng số của mô hình mà chỉ cung cấp 7 biến số mô hình sử dụng: X1 = EBIT Tổng tài sản

Tổng tài sản không bao gồm các lợi thế thương mại và tài sản vô hình trong các biến số của Zeta. X2 = Mức ổn định thu nhập • • Chỉ tiêu này đo lường sai số chuẩn trong xu hướng của X1 trong vòng 5 đến 10 năm. Rủi ro kinh doanh thường được biểu hiện thông qua sự dao động của thu nhập nên biến số này tỏ ra có hiệu quả đặc biệt. Bên cạnh đó, Altman cũng đánh giá thông tin chứa đựng trong một vài biến số tương tự để đo lường những rủi ro có thể xảy ra đối với công ty. Những biến số này có ý nghĩa nhưng nó không được đưa vào mô hình EBIT Lãi vay Tỷ số này được chuyển sang thước đo log cơ số 10 để chuẩn hóa và làm cho khác biệt giữa các tỷ số không quá lớn. Lãi vay bao gồm lãi phải trả cho các tài sản thuê ngoài.

X3 = • •

X4 =

Lợi nhuận giữ lại Tổng tài sản Tài sản lưu động Tổng tài sản Vốn cổ phần thường Tổng vốn

X5 =

X6= • •

Vốn cổ phần thường được tính bằng giá trị thị trường bình quân trong thời gian 5 năm. Tổng vốn = Vốn cổ phần thường + cổ phần ưu đãi + nợ + tài sản thuê ngoài đã được vốn hóa. Biến số này được điều chỉnh tùy theo những thay đổi trong báo cáo tài chính. Quy mô tài sản cũng được chuyển sang thước đo log cơ số 10 để chuẩn hóa phân phối của biến. Mô hình này được nhiều ngân hàng ở các nước áp dụng và phát triển thành các mô hình khác để xếp hạng khách hàng đi vay như mô hình mạng nơ ron thần kinh (neural network), mô hình dựa trên mức tăng giá thị trường...
Lê Tất Thành - www.rating.com.vn

X7 = Quy mô (tổng tài sản) • • •

Tham khảo 1. Bina Lehmann (2003), "Is It Worth the While? The Relevance of Qualitative Information in Credit Rating", Social Science Research Network 2. Edward I. Altman (1968), "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The Journal of Finance 3. Edward I. Altman (2000), "Predicting Financial Distress Of Companies: Revisiting The ZScore And Zeta® Models", New York University 4. Edward I. Altman, "The use of credit scoring models and the important of a credit culture", New York University 5. Fitch (2006), "Corporate Rating Methodology", www.fitchratings.com 6. Moody's (2008), "Moody's Rating Symbols and Definations", www.moodys.com 7. Moody's (2008), "Moody's Financial MetricsTM Key Ratios by Rating and Industry for Global Non- Financial Corporations: 2008", www.moodys.com 8. Standard & Poor's (2008), "Corporate Ratings Criteria", Standard & Poor's 9. Lâm Minh Chánh (2007), "Dùng chỉ số Z để ước tính Hệ số Tín Nhiệm", www.saga.vn
CÁC PHƯƠNG PHÁP XẾP HẠNG TÍN DỤNG DOANH NGHIỆP ĐIỂN HÌNH TRÊN THẾ GIỚI PHẦN 2 ( Rating.com.vn - Friday 11.20.09 4:18 pm ) Xếp hạng tín dụng hay xếp hạng tín nhiệm là những ý kiến đánh giá về rủi ro tín dụng và chất lượng tín dụng, thể hiện khả năng và thiện ý trả nợ (gốc, lãi hoặc cả hai) của đối tượng đi vay để đáp ứng các nghĩa vụ tài chính một

cách đầy đủ và đúng hạn thông qua hệ thống xếp hạng theo ký hiệu. Hiện nay, trên thế giới có hai phương pháp xếp hạng tín dụng chính là mô hình toán học và phương pháp chuyên gia:

2. Phương pháp chuyên gia Nghiên cứu thực nghiệm của Bina Lehmann (2003) với 20,000 quan sát trong dữ liệu tín dụng doanh nghiệp vừa và nhỏ của Đức, nhằm giải quyết vần đề mà theo cách diễn đạt của ông là: các nhân tố mềm có thật sự cải thiện khả năng dự báo của hệ thống xếp hạng tín nhiệm nội bộ ở các ngân hàng mà đã được xử lý dựa trên các nhân tố cứng hay chưa? Các nhân tố mềm là các thông tin định tính, các điều chỉnh chủ quan của chuyên viên phân tích tín dụng; các nhân tố cứng là các tỷ số tài chính và dữ liệu tài khoản thanh toán của công ty vay nợ. Lehman so sánh hai mô hình hồi quy Logistic: một không bao gồm các nhân tố mềm, hai bao gồm các nhân tố mềm và kết quả cho thấy các nhân tố mềm thật sự có thể cải thiện khả năng dự báo mức tín nhiệm của các công ty. Và đây cũng là cách mà các tổ chức xếp hạng tín nhiệm hàng đầu trên thế giới đang sử dụng: kết hợp các nhân tố mềm với các nhân tố cứng. 2.1. Phương pháp xếp hạng tín nhiệm doanh nghiệp của Fitch Fitch xếp hạng doanh nghiệp dựa trên phân tích định tính và phân tích định lượng. Phương pháp phân tích của Fitch bao gồm phân tích dữ liệu tài chính và hoạt động kinh doanh của doanh nghiệp trong khoảng thời gian ít nhất là 5 năm. Mục tiêu chủ yếu trong cách tiếp cận của Fitch là phân tích so sánh mà Fitch sử dụng để đánh giá sức mạnh của mỗi doanh nghiệp và rủi ro kinh doanh trong mối quan hệ với các doanh nghiệp khác trong cùng một nhóm các doanh nghiệp tương đồng. Thêm vào đó, phân tích độ nhạy cũng được thực hiện thông qua một vài kịch bản để đánh giá khả năng của doanh nghiệp khi đương đầu với những thay đổi trong môi trường kinh doanh. Một nhân tố xếp hạng then chốt theo Fitch là tính linh hoạt tài chính mà nó dựa phần lớn vào khả năng tạo ra dòng tiền tự do từ hoạt động kinh doanh của doanh nghiệp. Phân tích định tính gồm có phân tích rủi ro ngành, môi trường kinh doanh, vị thế của doanh nghiệp trong ngành, năng lực của ban quản trị, phân tích kế toán. Rủi ro ngành: Fitch xếp hạng tín nhiệm các doanh nghiệp trong bối cảnh chung của ngành mà nó hoạt động. Những ngành tăng trưởng thấp, cạnh tranh ở mức cao, đòi hỏi vốn lớn, có tính chu kỳ hay không ổn định thì rủi ro vốn có sẽ lớn hơn các ngành ổn định với ít đối thủ cạnh tranh, rào cản gia nhập ngành cao, nhu cầu có thể dự báo dễ dàng. Môi trường kinh doanh: Fitch khảo sát tỉ mỉ những rủi ro và cơ hội có thể tác động đến ngành từ sự thay đổi tập quán tiêu dùng, dân số, khoa học kỹ thuật... Ví dụ, kết cấu dân số ngày càng già đi cho thấy một sự sụt giảm trong triển vọng ngành bán lẻ và một sự gia tăng triển vọng của ngành dịch vụ tài chính. Vị thế công ty: một vài nhân tố tác động đến năng lực cạnh tranh của doanh nghiệp như vị thế của doanh nghiệp trên thị trường, sự xuất hiện các sản phẩm thay thế, khả năng mặc cả với người mua và người bán. Để duy trì vị thế của mình các công ty phải dựa vào sự đa dạng hóa sản phẩm, bán hàng trải đều khắp các khu vực, đa dạng hóa khách hàng và người cung ứng, quản lý tốt chi phí sản xuất.... Về năng lực của ban quản trị: các đánh giá về chất lượng quản trị thường mang tính chủ quan do đây là một yếu tố định tính. Nên người ta thường thông qua các chỉ tiêu tài chính để làm thước đo năng lực ban quản trị, điều này sẽ khách quan và dễ so sánh hơn. Fitch cũng đánh giá thành tích của ban quản trị thông qua khả năng tạo ra sự hài hòa về mọi mặt trong doanh nghiệp, duy trì hiệu quả hoạt động kinh doanh và củng cố vị thế công ty trên thị trường.

Về kế toán: mục tiêu của phân tích kế toán là nghiên cứu chính sách kế toán như nguyên lý kế toán, phương pháp định giá hàng tồn kho, phương pháp khấu hao, nhận diện thu nhập, cách xử lý tài sản vô hình và kế toán ngoài bảng. Sau đó điều chỉnh và trình bày lại báo cáo tài chính của doanh nghiệp để có thể so sánh với các công ty khác, tránh xảy ra tình trạng khác biệt về chính sách kế toán. Phân tích định lượng Trong phân tích định lượng, Fitch nhấn mạnh đến thước đo dòng tiền của thu nhập, các khoản đảm bảo (coverage) và đòn bẩy. Dòng tiền từ hoạt động kinh doanh cung cấp cho doanh nghiệp sự đảm bảo rủi ro tín dụng nhiều hơn là từ nguồn tài trợ bên ngoài. Và Fitch quan tâm tới phân tích xu hướng của một nhóm các tỷ số hơn việc phân tích bất kỳ một tỷ số riêng lẻ nào. Fitch sử dụng một cách đa dạng các thước đo định lượng về dòng tiền, thu nhập, đòn bẩy và các khoản đảm bảo nợ để đánh giá rủi ro tín dụng. Fitch cũng nhấn mạnh vai trò của EBITDA - một thước đo quan trọng về khả năng tạo ra thu nhập chưa tính đến đòn bẩy tài chính và được sử dụng phổ biến trong quá trình định giá. Sau đây là những thước đo chính mà Fitch dùng để phân tích rủi ro tín dụng : Các thước đo dòng tiền: * Dòng tiền trước thay đổi vốn lưu động FFO * Dòng tiền từ hoạt động kinh doanh CFO * Dòng tiền tự do FCF * EBITDA và EBITDAR (EBITDA + chi phí thuê ngoài)

2.2. Phương pháp xếp hạng tín nhiệm doanh nghiệp của S&P Cũng như Fitch, phương pháp xếp hạng của S&P bao gồm cả phân tích định tính và định lượng. S&P cũng tập trung nhiều vào phân tích dòng tiền và khả năng thanh toán trong quá khứ. Về phân tích khả năng sinh lợi, theo tiêu chuẩn xếp hạng doanh nghiệp 2006, là một phần trong bước phân tích rủi ro tài chính của doanh nghiệp nhưng theo tiêu chuẩn xếp hạng tín nhiệm doanh nghiệp 2008, S&P nhấn mạnh khả năng sinh lợi như một phần của bước đánh giá rủi ro kinh doanh và năng lực cạnh tranh. Trong quy trình xếp hạng, S&P không phân loại theo tính chất của dữ liệu mà phân loại theo rủi ro là rủi ro kinh doanh và rủi ro tài chính. Rủi ro kinh doanh bao gồm rủi ro ngành, khả năng cạnh tranh/ vị thế doanh nghiệp trong ngành/ lợi thế kinh tế, khả năng sinh lợi trong sự so sánh với các doanh nghiệp khác trong nhóm tương đồng. S&P nhấn mạnh nhân tố chính trong rủi ro kinh doanh là khả năng cạnh tranh của doanh nghiệp. Vì các vấn đề phân tích trong rủi ro kinh doanh hay trong phân tích định tính của Fitch,

S&P và Moody's hầu hết là giống nhau nên sẽ không được nhắc lại. Rủi ro tài chính gồm phân tích chính sách tài chính, chính sách và thông tin kế toán, khả năng đáp ứng của dòng tiền, cấu trúc vốn, khả năng thanh toán ngắn hạn. Để đánh giá khả năng trả nợ, S&P đưa ra một số tỷ số chính để phân tích:

2.3. Phương pháp xếp hạng tín nhiệm doanh nghiệp của Moody's Moody's thiết lập 11 tỷ số chung nhất để sử dụng trong phân tích so sánh, các tỷ số này được Moody's ứng dụng rộng rãi ở những quốc gia khác nhau, những ngành khác nhau và cả ở các báo cáo xếp hạng tín nhiệmdoanh nghiệp. Tuy nhiên, trong quy trình cụ thể, Moody's có thể xem xét bớt hoặc thêm vào các chỉ tiêu cho phù hợp với từng ngành riêng biệt. 11 tỷ số thường được

Moody's sử dụng gồm:

Theo báo cáo của Moody's, họ đã nghiên cứu khoảng 50% các công ty phi tài chính của Mỹ về phân phối của 11 tỷ số trên tất cả các ngành theo hạng mức tín nhiệm từ cao đến thấp (tính tỷ số trung bình từng ngành). Trong đó, 5 tỷ số có mối quan hệ mạnh mẽ với các hạng mức tín nhiệm ngành từ Aaa đến C: * (FFO +lãi vay)/ Lãi vay, FFO/ Tổng nợ và EBITA/ Lãi vay tăng một cách đều đặn với hạng mức tín nhiệm như mong đợi. * Tổng nợ/ EBITDA và Tổng nợ/ Tổng vốn hóa thì giảm một cách đều đặn 5 tỷ số khác có mối quan hệ gần như đồng đều với hạng mức tín nhiệm : Lợi nhuận hoạt động biên, EBITAbiên, EBITA/ Tài sản trung bình, CAPEX/ Khấu hao, RCF/ Tổng nợ

Chỉ có một tỷ số có mối quan hệ yếu với các hạng mức tín nhiệm là tỷ số biến động doanh thu (hệ số phương sai của doanh thu). 3. Kết luận Nhìn chung, các tổ chức xếp hạng tín nhiệm hàng đầu trên thế giới gồm Fitch, S&P, Moody's sử dụng chủ yếu phương pháp chuyên gia, đánh giá một cách toàn diện về nền kinh tế, ngành và công ty. Với chỉ tiêu phi tài chính được nỗ lực lượng hóa tối đa, chỉ tiêu tài chính được tính toán sau khi dữ liệu đã điều chỉnh để có thể so sánh với các doanh nghiệp tương đồng hoặc các doanh

nghiệp trong ngành. Họ cũng chú trọng xem xét các nhóm tỷ số hơn bất kỳ tỷ số riêng lẻ nào và thiên về đánh giá dòng tiền thực chất mà doanh nghiệp tạo ra được với dòng tiền mà doanh nghiệp phải chi trả. Tuy nhiên, dù sử dụng phương pháp nào, mô hình toán học hay phương pháp chuyên gia, mỗi hệ thống xếp hạng tín nhiệm đều có một số khuyết điểm nhất định. Nếu như phương pháp định lượng cần sự hỗ trợ của các nhân tố mềm thì phương pháp chuyên gia, tự thân đã chứa đựng rủi ro do yếu tố chủ quan trong xếp hạng, chắc chắn 100% về khả năng trả nợ của doanh nghiệp là điều không thể làm được. Koresh Galil (2003) khảo sát 2631 hạng mức tín nhiệm trái phiếu của S&P trong giai đoạn 1983 - 1993, đã kết luận rằng: phân loại S&P không cung cấp đủ thông tin rủi ro tín dụng ; khác biệt giữa hạng mức tín nhiệm chính và các hạng mức tín nhiệm phụ của S&P không có ý nghĩa thống kê; các hạng mức tín nhiệm phụ thậm chí không đồng đều với rủi ro tín dụng . Lê Tất Thành - www.rating.com.vn Tham khảo 1. Bina Lehmann (2003), "Is It Worth the While? The Relevance of Qualitative Information in Credit Rating", Social Science Research Network 2. Edward I. Altman (1968), "Financial ratios, discriminant analysis and the prediction of corporate bankruptcy", The Journal of Finance 3. Edward I. Altman (2000), "Predicting Financial Distress Of Companies: Revisiting The ZScore And Zeta® Models", New York University 4. Edward I. Altman, "The use of credit scoring models and the important of a credit culture", New York University 5. Fitch (2006), "Corporate Rating Methodology", www.fitchratings.com 6. Moody's (2008), "Moody's Rating Symbols and Definations", www.moodys.com 7. Moody's (2008), "Moody's Financial MetricsTM Key Ratios by Rating and Industry for Global Non- Financial Corporations: 2008", www.moodys.com 8. Standard & Poor's (2008), "Corporate Ratings Criteria", Standard & Poor's 9. Lâm Minh Chánh (2007), "Dùng chỉ số Z để ước tính Hệ số Tín Nhiệm", www.saga.vn
CÁC CƠ QUAN XẾP HẠNG TÍN DỤNG MỸ SẼ BỊ THAY THẾ? ( Rating.com.vn - Wednesday 08.11.10 10:20 am ) Nhóm tổ chức xếp hạng tín dụng như Moody, Standard & Poor's đã chịu chỉ trích nặng nề về vai trò của họ trong cuộc khủng hoảng năm 2007 - 2009.

Các nhà điều tiết ngành ngân hàng Mỹ trong ngày thứ Ba đang tiến gần hơn đến khả năng th thế các tổ chức xếp hạng tín dụng tư nhân trong việc đánh giá "sức khỏe" của các ngân hàng Tuy nhiên họ cũng thể hiện sự lo lắng về sự thay đổi này.

Theo điều khoản mới trong Luật cải tổ ngành tài chính Mỹ mới được Tổng thống Obama ký thông qua vào cuối tháng trước, nhà điều tiết ngành ngân hàng Mỹ trong năm tới sẽ phải đưa lựa chọn thay thế cho việc sử dụng các cơ quan xếp hạng tín dụng tư nhân trong việc đánh g lệ vốn của các ngân hàng.

Nhóm tổ chức xếp hạng tín dụng như Moody, Standard & Poor's đã chịu chỉ trích nặng nề về trò của họ trong cuộc khủng hoảng năm 2007 - 2009. Họ chịu chỉ trích bởi đưa ra xếp hạng q cao đối với các loại chứng khoán có độ rủi ro cao và cuối cùng gây ra sự bất ổn trên các thị trường tài chính.

Thành viên thuộc Tập đoàn bảo hiểm tiền gửi Mỹ (FDIC) trong ngày thứ Ba đã yêu cầu ý ki công chúng về lựa chọn thay thế cho các cơ quan xếp hạng tín dụng tư nhân. Biện pháp được tính đến có thể là sử dụng mô hình phòng ngừa rủi ro nội bộ và nhiều phương phác khác do

chính các nhà điều tiết đưa ra. Các nhà điều tiết thể hiện sự ủng hộ đối với việc hạn chế sử dụng các cơ quan xếp hạng tín dụng tư nhân, họ còn đặt dấu hỏi về việc ngưng hẳn sử dụng các tổ chức trên. Ông John Dugan, giám đốc cơ quan giám sát tiền tệ Mỹ, nhận xét nhóm ngân hàng nhỏ đã sử dụng tốt các tổ chức xếp hạng tín dụng tư nhân trong việc đánh giá rủi ro. Dù thể hiện sự ủng hộ đối với quy định mới, chủ tịch Tập đoàn bảo hiểm tiền gửi Mỹ thể hiện sự lo lắng về khó khăn trong việc rút các tổ chức xếp hạng tín dụng ra khỏi khung điều tiết. Nhà điều tiết thuộc Tập đoàn bảo hiểm tiền gửi Mỹ sẽ nhận phản hồi và đóng góp về lựa chọn thay thế cho tổ chức xếp hạng tư nhân trong khoảng thời gian 60 ngày. Hiện chưa rõ, khi nào đề xuất chính thức liên quan đến vấn đề sẽ được đưa ra. Ngày thứ Ba, ban điều hành Tập đoàn bảo hiểm tiền gửi (FDIC) cũng đồng ý về việc tạo ra 2 cơ quan để thực thi quy định cải tổ theo luật mới của ngành tài chính. Cơ quan thứ nhất phụ trách các sản phẩm tài chính phức tạp (Office of Complex Financial Institutions) sẽ chịu trách nhiệm đánh sập hoặc giải tán tổ chức tài chính lớn có nhiều vấn đề. Cơ quan thứ hai chịu trách nhiệm bảo vệ người gửi tiền và người tiêu dùng (Division of Depositor and Consumer Protection) sẽ tập trung vào bảo vệ người tiêu dùng và quy định cho vay an toàn áp dụng chủ yếu đối với các ngân hàng có dưới 10 tỷ USD tài sản. Theo Cafef
TỔNG QUAN VỀ CRYSTAL BALL ( Rating.com.vn - Thursday 12.03.09 6:57 pm )
Crystal Ball là một chương trình phân tích rủi ro và dự báo với giao diện người dùng rất thân thiện và dễ sử dụng. Crystal Ball dử dụng các đồ thị trong phân tích và minh họa các báo cáo nhằm giúp loại trừ các yếu tố bất định khi ra quyết định.

Giới thiệu về phần mềm mô phỏng Crystal Ball

Xây dựng một mô hình mô phỏng là một trong những công việc quan trọng giúp cho chún

đánh giá, phân tích khả năng thành công của một dự án hay đánh giá chất lượng của mộ

hình ứng dụng trong thực tế. Có điều là hầu hết các hệ thống trong thế giới thực là rất p

tạp, vì thế quá trình thiết lập một hình mô phỏng cho các hệ thống này là rất khó khăn, và

cầu hệ thống mô phỏng phải có tốc độ xử lý rất cao. Nhưng trong những năm gần đây, vớ

phát triển của các công cụ xử lý, các nguyên lý mô phỏng, các phần mềm tính toán t

minh… thì vấn đề xây dựng mô hình đã trở lên dễ dàng hơn rất nhiều. Vì thế các chuyên g

thuật, các doanh nhân ngày nay…hoàn toàn có thể dễ dàng tiếp cận với các công cụ xử lý án trước khi triển khai vào thực tế.

nhằm xây dựng mô hình mô phỏng cho các dự án của mình nhằm đánh giá tính khả thi củ

Crystal Ball, là một phần mềm trợ giúp quá trình thiết lập mô hình mô phỏng cho nhiều lĩnh

khác nhau, dựa trên nguyên lý mô phỏng Monte Carlo và trên nền phần mềm Excel. Cr

Ball cho phép những người sử dụng định nghĩa các phân bố xác suất trên một tập các biế

ngẫu nhiên của mô hình. Sau khi chạy chương trình mô phỏng, những người thiết lập mô hình bảng tính có thể thiết lập và phân tích hàng nghìn các viễn cảnh khác nhau có thể xảy ra trong thực tế và xác định mức rủi ro cho các viễn cảnh nhận được này dựa trên các kết quả thu được từ quá trình mô phỏng. Những tiện ích bổ sung bởi Crystal Ball không làm thay đổi các công thức hoặc các chức năng trong mô hình bảng tính truyền thống. Trong mỗi một lần chạy chương trình mô phỏng. Crystal Ball sẽ lựa chọn giá trị ngẫu nhiên từ mỗi một giả thiết trong mô hình đã chọn. Hình 1 dưới đây cho chúng ta thấy được một quá trình thực hiện mô phỏng trong Crystal Ball. Ưu điểm của Crystal Ball so với Excell Do chỉ xử lý các biến đơn lẻ trên từng ô nên các mô hình được thiết lập bằng Excel sẽ chỉ đưa ra một kết quả dự báo đơn lẻ. Để mô phỏng các sự kiện mang tính quá trình bằng Excel, người thực hiện mô phỏng buộc phải thay đổi thủ công các tham số của mô hình để thu được một tập hợp các dự báo về các khả năng có thể xảy ra. Phương thức này đưa ra một phạm vi các kết quả có thể xảy ra nhưng không đưa ra được các khả năng xảy ra hoặc các rủi ro của các kết quả thu được. Excel không được tối ưu để có thể sử dụng cho các dữ liệu thống kê, vì thế các tổ chức khác đã xây dựng các phần mềm bổ xung hỗ trợ cho Excel như Crystal Ball hay @Risk. Chúng không chỉ tính toán xác suất mà còn cho phép thực hiện các phép mô phỏng Monte Carlo để lặp đi lặp lại việc lấy các giá trị khác nhau từ phân bố xác suất của biến số. Mô phỏng Monte Carlo là một kỹ thuật hiệu quả đã được chứng minh. Trong nguyên lý mô phỏng Monte Carlo, chỉ yêu cầu một bảng số ngẫu nhiên hoặc một bộ tạo số ngẫu nhiên trên máy tính. Một số ngẫu nhiên là một giá trị toán học lựa chọn được tạo ra theo một phân bố xác suất. Crystal Ball bổ sung thêm 2 kỹ thuật trên nền Excel: sự thay thế các giá trị đơn lẻ bằng một phân bố xác suất và việc mô phỏng mô hình một cách ngẫu nhiên. Kết quả là một bảng tính với sự hỗ trợ cải tiến thêm vào các phân bố xác suất này sẽ đưa ra các kết quả có thể xác định được như xác suất thu được lợi nhuận từ một sản phẩm mới, hoặc mức độ chắc chắn của yêu cầu chấp nhận được. Các phương pháp lấy mẫu phổ biến trong Crystal ball Có hai phương pháp lấy mẫu cơ bản trong phần mềm Crystal Ball: Lấy mẫu Monte Carlo: chương trình mô phỏng sẽ lựa chọn một cách ngẫu nhiên môt giá trị sẵn có từ phân bố xác suất của tập giá trị đầu vào đã được định nghĩa trong giả thuyết. Lấy mẫu Latin Hypercube: chương trình mô phỏng cũng lựa chọn các giá trị một cách ngẫu

nhiên, nhưng số lần lấy mẫu là bằng nhau với mỗi một phân bố đã định nghĩa trong giả thiết. Trong thực tế, người ta lựa chọn phương pháp lẫy mẫu Monte Carlo khi cần tính toán xấp xỉ trạng thái thực của phân bố với yêu cầu nhiều lần thử hơn so với lẫy mẫu Latin Hypercube. Hoặc khi ta muốn mô phỏng điều gì sẽ xảy ra trong điều kiện gần với thực tế hơn cho mô hình bảng tính của bạn. Lựa chọn lấy mẫu theo phương pháp Latin Hypercube khi ta chủ yếu quan tâm tới độ chính xác của các thông số trong chương trình mô phỏng. Các phân phối trong Crystal Ball Việc chọn loại phân bố cho một giả thuyết là một trong những bước quan trọng nhất trong quá trình thiết lập một mô hình Crystal Ball. Với mỗi một biến số ngẫu nhiên trong một chương trình mô phỏng, chúng ta phải xác định các giá trị mà nó có thể xảy ra bằng một phân bố xác suất. Loại phân bố xác suất mà chúng ta chọn tuỳ thuộc vào các đặc điểm của biến số đó. Trong một chương trình mô phỏng giá trị thay cho biến số được lựa chọn một cách ngẫu nhiên từ các giá trị có thể xảy ra đã được chúng ta định nghĩa trước đó. Một chương trình mô phỏng sẽ đưa ra các khả năng có thể xảy ra của mô hình mô phỏng bằng cách lặp đi lặp lại công việc lấy giá trị từ hàm phân bố xác suất cho các biến số ngẫu nhiên và sử dụng những giá trị này cho ô. Thông thường, một chương trình mô phỏng bằng Crystal Ball sẽ đưa ra hàng trăm hoặc hàng nghìn viễn cảnh sẽ xảy ra trong vòng một vài giây. Trong phần mềm Crystal Ball có sẵn nhiều loại phân bố xác suất bao gồm cả các hàm phân bố liên tục và rời rạc được dùng để mô tả cho một giả định, ngoài ra còn có cả phân bố tuỳ chọn (có thể bao gồm cả phân bố liên tục và rời rạc). - Một phân bố xác suất liên tục giả định rằng tất cả các dữ liệu trong phạm vi đều có thể xuất hiện, vì thể bất kỳ một giá trị nào nằm trong tập giá trị đều là những giá trị có thể xuất hiện. Những phân bố xác suất này là những đường cong liên tục. - Một phân bố xác suất rời rạc mô tả các giá trị thường là những giá trị nguyên rời rạc nhau. Trong đồ thị của hàm phân bố loại này thường là những cột nối tiếp nhau. Tuỳ điều kiện thực tế chúng ta có thể lựa chọn một trong các loại phân bố xác suất mà Crystal Ball có để làm giả thuyết cho mô hình mô phỏng của chúng ta. Dưới đây mô tả một số hàm phân bố xác suất được tích hợp trong Crystal Ball. Các bước xây dựng mô hình mô phỏng trong Crystal Ball

Để xây dựng một mô hình mô phỏng, người ta cần tuân theo các bước sau: - Xây dựng một mẫu bảng tính dựa trên tình huống ngẫu nhiên. - Chạy mô phỏng trên bảng tính đó. - Phân tích kết quả. Ngoài ra, khi muốn thiết lập một mô hình mô phỏng, ta cần phải định nghĩa 3 loại ô: - Các ô giả định: chứa các giá trị ngẫu nhiên (đó là các biến độc lập ngẫu nhiên của vấn đề cần giải quyết). Các giá trị trong ô giả định phải là các giá trị số học, không được là công thức hoặc ký tự. - Các ô “biến số có ảnh hưởng quyết định tới kết quả mô phỏng” chứa những giá trị có khả năng kiểm soát phạm vi biến thiên các giá trị khác trong mô hình của người sử dụng. Các giá trị nằm trong các ô này cũng phải dưới dạng số học chứ không được dưới dạng công thức hay ký tự. - Các ô dự báo (chứa các biến phụ thuộc) chứa các công thức có liên quan tới một hoặc nhiều giả định và các ô biến số quyết định. Các ô này sẽ tiến hành kết hợp các giá trị trong các ô giả định, ô biến số quyết định và các ô khác để đưa ra kết quả. Các ô dự báo phải chứa các công thức toán học. 1. Xác định mô hình giả thuyết Với mỗi một biến số hay một giả thuyết trong một chương trình mô phỏng, chúng ta phải định nghĩa những giá trị có khả năng xảy ra của nó dưới dạng một phân bố xác suất. Loại phân bố xác suất mà chúng ta lựa chọn tuỳ thuộc vào tính chất của biến đó. Trong một chương trình mô phỏng, Crystal Ball sẽ đưa ra nhiều viễn cảnh dự báo khác nhau của mô hình bằng cách lặp đi lặp lại công việc nhặt các giá trị từ phân bố xác suất của chúng và sử dụng các biến này cho mỗi một ô giả thuyết. Do các phân bố được sử dụng để mô tả sự biến thiên cho các biến độc lập quan trọng cho các mô phỏng (các phân bố xác suất này mô tả xác suất mà biến số rơi vào một giá trị trong một tập giá trị cho trước), việc lựa chọn và áp dụng các phân bố phù hợp là nhân tố chính khi định nghĩa một ô giả thuyết. Xuất phát từ các nhân tố trên khi tiến hành xác định một mô hình giả thuyết chúng ta phải xác định phân bố xác suất phù hợp với mỗi biến số. Để thực hiện được công việc trên chúng ta cần xác định các bước định nghĩa cho một hay nhiều ô giả thuyết trong Crystal Ball: - Lựa chọn một ô hay một phạm vi các ô. Những ô này có thể được để trống hoặc có một số các giá trị bằng số (trong những ô này không được phép tồn tại các công thức toán học hoặc

ký tự). - Lựa chọn lệnh Define  Define Assumption để định nghĩa các giả thuyết. - Từ bảng lựa chọn phân bố xác suất, lựa chọn phân bố mà chúng ta muốn. - Khi cửa sổ “Define Assumption” xuất hiện, nhập các thông số cho phân bố mà chúng ta chọn. Những thông số này có thể là dưới dạng số hoặc các ô liên quan. - Click “Enter” khi đã chấp nhận những tham số đã nhập. - Click “Ok” để kết thúc. Nếu như chúng ta đã có sẵn các dữ liệu được lưu giữ trước đó, Crystal Ball có thể giúp chúng ta lựa chọn phân bố phù hợp nhất cho biến số cần mô tả này bằng các công cụ sẵn có của nó. 2. Định nghĩa các thành phần khác
Định nghĩa các biến số quyết định

Các biến số quyết định có thể không cần cho một mô hình mô phỏng, nhưng chúng có thể hữu ích khi cần so sánh hoặc tối ưu các kết quả. Những biến số quyết định là những giá trị mà chúng ta có thể kiểm soát được chúng. Việc xác định một giá trị tối ưu cho các biến số quyết định có thể tạo nên sự khác nhau trong việc thu được một mục tiêu quan trọng và việc không đạt được mục tiêu này. Để định nghĩa một ô biến số quyết định, chúng ta thực hiện theo các bước sau: - Lựa chọn một ô hoặc một vài ô. - Sử dụng lệnh define decision để nhập các thông số liên quan. Định nghĩa các dự báo Sau khi dã định nghĩa các ô giả thuyết và các ô biến số quyết định, chúng ta cần lựa chọn ô dự báo và định nghĩa ô này. Các ô dự báo thường chứa các công thức tương ứng với một hoặc nhiều các ô giả thuyết và các ô biến số quyết định. Các ô dự báo kết hợp các ô trong mô hình của chúng ta để đưa ra kết quả mà chúng ta cần. Để định nghĩa một ô dự báo hoặc một số các ô dự báo chúng ta sử dụng lệnh “Define Define Forecast” để nhập các thông số cần thiết. Chạy mô phỏng Sau khi đã hoàn thành các thao tác trên trong mô hình bảng tính, chúng ta đã có thể chạy chương trình mô phỏng của mình bằng lệnh “Run simulation”. Chúng ta có thể tận dụng các công cụ sẵn có trong phần mềm Crystal Ball để thu được những phân tích chuẩn xác về dự báo mà nó đưa ra, từ đó chúng ta có được một kết quả gần với thực tế hơn.

--------------------------------------------------------------------------------------------------------------------Tài liệu tham khảo [1] Decesioneering Inc., Crystal Ball User Manual, 2006. [2] Lawrence I. Goldman, Crystal Ball Professional Introductory Tutorial, In Proceeding of IEEE Winter Simmulation Conference, pp. 1539-1545, 2002. [3] Lawrence I. Goldman, Ethan Evans-Hilton, Hilary Emmell, Crystal Ball for Sigma Tutorial, In Proceeding of IEEE Winter Simmulation Conference, pp. 293-300, 2003. [4] Lawrence I. Goldman, Crystal Campbell, Crystal Ball®and Design for Six Sigma, In Proceeding of IEEE Winter Simmulation Conference, 2004.
Theo Kinhtexaydung.plus.vn

MUA BÁN NỢ XẤU: CẦN NHỮNG GIẢI PHÁP “CÂY GẬY VÀ CỦ CÀ RỐT” ( Rating.com.vn - Monday 10.19.09 10:11 pm ) Hoạt động mua bán nợ xấu tại các doanh nghiệp Nhà nước sẽ hiệu quả hơn nếu chúng ta mở rộng đối tượng tham gia.

Quan điểm trên được ông Phạm Mạnh Thường, Phó tổng giám đốc Tổng công ty Mua bán n Tài sản tồn đọng của doanh nghiệp (DATC) đưa ra khi nói về nguyên nhân, khó khăn của vi mua bán, xử lý nợ xấu cũng như quá trình cổ phần hóa doanh nghiệp Nhà nước. Ông Thường nói:

- Hiện tại trong nền kinh tế, đặc biệt là đối với doanh nghiệp Nhà nước, việc tồn tại về mặt tà chính, công nợ khó đòi rất là lớn. Điều này đã ảnh hưởng không nhỏ đến tiến độ cổ phần hóa Nếu như không xử lý được, chắc chắn chương trình cổ phần hóa sẽ không đạt được mục tiêu

Trong thời gian qua, với chức năng của mình, DATC đã thực hiện mua các khoản nợ xấu củ các doanh nghiệp từ ngân hàng, sau đó đánh giá thực trạng của doanh nghiệp về khả năng có tái cơ cấu lại doanh nghiệp đó, định vị lại hướng doanh nghiệp. Đối với những doanh nghiệp Nhà nước không đủ điều kiện cổ phần hóa, chúng tôi sẽ phát hành cổ phiếu ra công chúng, s đó chuyển thành công ty cổ phần. Còn những công ty đã cổ phần hóa nhưng hoạt động yếu k sẽ tái cơ cấu để phục hồi, đưa doanh nghiệp quay trở lại quỹ đạo hoạt động.

Tính đến nay, DATC đã mua khoảng 6.500 tỷ đồng nợ xấu từ các ngân hàng, đang thực hiện lý nợ xấu cho khoảng 100 doanh nghiệp Nhà nước và doanh nghiệp đã cổ phần hóa; đã hoàn thành xử lý nợ xấu cho khoảng 20 doanh nghiệp, trong đó có một nửa là doanh nghiệp Nhà nước, còn lại là doanh nghiệp đã cổ phần hóa nhưng hoạt động yếu kém.

Kết quả là có nhiều doanh nghiệp đã hồi phục trở lại, hiệu quả sinh lời/vốn chủ sở hữu trên 3 còn trung bình là 20%.

Chẳng hạn như Công ty Mía đường Sơn La. Trước đây địa phương cũng đã "bất lực" trong v cổ phần hóa trong suốt 3 - 4 năm. Nhưng sau khi chúng tôi tham gia xử lý nợ xấu và chuyển thành công ty cổ phần thì đã hiệu quả rõ rệt. Công ty ngay lập tức, tạo việc làm cho hơn 4 ng

hộ dân đồng bào thiểu số.
Cụ thể là mức độ nợ xấu của doanh nghiệp Nhà nước hiện nay như thế nào?

Hiện đã có rất nhiều đánh giá về quy mô nợ của các doanh nghiệp Nhà nước. Có những đơn vị nợ đến vài lần trên vốn chủ sở hữu, thậm chí có đơn vị nợ đến chục lần. Theo đánh giá của chúng tôi, quy mô nợ của các doanh nghiệp Nhà nước hiện nay là tương đối lớn, đặc biệt là quy mô nợ xấu. Đó là khoản nợ mà các ngân hàng, các tổ chức tín dụng đã cấp vốn cho doanh nghiệp nhưng vì nhiều lý do khác nhau mà họ không thể trả được. Nếu không có một cơ chế để xử lý nợ xấu, khi tụ thành quy mô lớn, nó có thể sẽ nguy hại đối với nền kinh tế. Chúng ta nên nhớ rằng, khủng hoảng tài chính Đông Á năm 1997 -1998 và khủng hoảng toàn cầu hiện nay cũng có nguyên nhân từ các khoản nợ xấu. Đối với hệ thống ngân hàng, theo thống kê của chúng tôi, quy mô nợ xấu khoảng 60 -70 nghìn tỷ đồng. Nếu theo tiêu chuẩn quốc tế có thể còn cao hơn. Nhưng điều đáng chú ý, đa số khoản nợ này lại nằm trong các ngân hàng thương mại Nhà nước và khách nợ chủ yếu vẫn là doanh nghiệp Nhà nước. Do đó, việc xử lý nợ xấu là rất cần thiết. Nếu không xử lý được thì bản thân tính thanh khoản của các ngân hàng sẽ bị ảnh hưởng, nền kinh tế mất đi một khoản vốn lớn không quay vòng được, còn các doanh nghiệp cũng không thể cổ phần hóa được.
Nhưng DATC sẽ bắt đầu từ đâu khi mà đa phần doanh nghiệp trong số này được xếp vào diện "hết thuốc chữa"?

Khi tiếp nhận chúng tôi có nhiều hướng xử lý, nhưng chủ yếu thông qua việc mua và xử lý nợ xấu để tái cấu trúc. Bởi, đúng là hầu hết các doanh nghiệp thuộc nhóm này đều có "bệnh nặng" khó chữa, nên phải xuất phát từ "thể trạng" của doanh nghiệp để kê đơn thuốc, đó là phải bắt nguồn từ khâu tài chính, quản trị điều hành, đến việc định vị lại hướng phát triển của doanh nghiệp đó. Nhưng trước hết là chúng tôi sẽ bắt đầu tái cấu trúc lại vấn đề tài chính, cân đối lại, xác định lại quy mô, mời đối tác... Thực ra thì cơ hội luôn đi kèm rủi ro. Đối với nhưng doanh nghiệp mà chúng tôi tiếp cận, họ vẫn có rất nhiều tiềm năng phát triển nhưng họ không thể biến tiềm năng đó thành cơ hội để phát triển vì những trục trặc tài chính, quản trị điều hành. Nếu tập trung tái cấu trúc thì cơ hội đó sẽ được hiện thực hóa.
Được biết, khả năng xử lý nợ xấu của DATC hiện nay vẫn khá khiêm tốn?

Cơ chế chúng tôi đang làm là theo cơ chế thỏa thuận giữa chúng tôi và các ngân hàng. Chúng tôi phải đàm phán các khoản nợ có thể mua bán được, giá cả. Sau đó mới tính đến xử lý tài chính. Hiện việc mua bán nợ là khá mới nên hệ thống pháp lý, chế tài cho hoạt động này vẫn còn thiếu, nên gặp nhiều khó khăn. Nhà nước nên đặt vấn đề xử lý nợ xấu thành một chương trình ở cấp quốc gia, vì nó sẽ giúp tăng tính thanh khoản cho ngân hàng, đẩy nhanh được tiến trình cổ phần hóa.

Với quan điểm như vậy, Chính phủ cần có những giải pháp theo kiểu "cây gậy và củ cà rốt" để có các biện pháp yêu cầu các ngân hàng chủ nợ phải thực hiện việc bán nợ. Việc phân loại nợ xấu được thực hiện theo quyết định 493 của Ngân hàng Nhà nước. Tùy vào mức độ rủi ro, thanh khoản của các khoản nợ sẽ phân thành nhóm 1, 2, 3, 4, 5. Nếu rơi vào nhóm 4 hay 5 thì gọi là nợ xấu. Theo đánh giá của chúng tôi thì trong số nợ xấu đó, có một số lượng không nhỏ sẽ không xử lý được, bởi mang tính lịch sử: các ngân hàng thương mại Nhà nước cấp tín dụng theo chương trình chỉ định của Chính phủ như: Chương trình 135, mía đường, đánh bắt xa bờ...nên Chính phủ cho phép các ngân hàng được trích lập dự phòng và sử dụng nó để xử lý nợ xấu.
Nhưng cũng có ý kiến cho rằng, hiệu quả mua bán, xử lý nợ xấu hiện nay không cao là do DATC đang độc quyền trong hoạt động này?

Chúng tôi vẫn có quan điểm nên mở thị trường này cho tất cả các nhà đầu tư cùng tham gia, vì nợ xấu cũng là một món hàng và việc định giá nợ xấu phải được thông qua thị trường, cho dù chúng ta có nhiều nghiệp vụ khác nhau để định giá. Nếu làm được như vậy, chúng ta sẽ mở được thị trường mua bán nợ sơ cấp: giữa ngân hàng chủ nợ và các nhà đầu tư xử lý nợ xấu. Sau đó, chúng ta có thể có được thị trường mua bán nợ thứ cấp, đó là việc mua bán các khoản nợ xấu giữa các nhà đầu tư tư nhân lẫn Nhà nước. Tuy nhiên, để cơ chế này phát huy hiệu quả thì chúng ta cần phải có sự hội tụ của 3 yếu tố: độ mở về mặt tư duy của người làm chính sách, của cơ quan quản lý Nhà nước, mức độ phản ứng của chính sách với đòi hỏi của thị trường và khuôn khổ pháp lý đủ rộng cho hoạt động này.
Năm nay, khi mà nền kinh tế chịu ảnh hưởng của khủng hoảng kinh tế, tỷ lệ nợ xấu của doanh nghiệp Nhà nước có tăng, thưa ông?

Qua thống kê, chúng tôi thấy số doanh nghiệp không trả được nợ trong năm nay tăng lên rất nhiều. Còn số cụ thể thì không thể công bố được. Những doanh nghiệp bị tác động nhiều nhất của khủng hoảng nằm trong nhóm: chế biến nông lâm - thủy sản, xuất khẩu, xây dựng, giao thông..., vì khi khủng hoảng thì luồng tiền vào doanh nghiệp này giảm đi rất lớn, hàng hóa không xuất khẩu được. Theo Vneconomy
DN SẼ BẤT NGỜ VỚI CÔNG BỐ ĐỊNH MỨC TÍN NHIỆM ( Rating.com.vn - Sunday 07.18.10 7:56 pm ) Lần đầu tiên, hơn 500 DN niêm yết trên 2 Sở GDCK tập trung sẽ được CTCP Xếp hạng tín nhiệm DN Việt Nam (CRV) công bố báo cáo xếp hạng tín nhiệm (XHTN). Mục đích của việc xếp hạng là gì, tiêu chí ra sao, việc công bố báo cáo này có tác động như thế nào đến NĐT và các DN? Báo ĐTCK đã có cuộc phỏng vấn TS. Nguyễn Trọng Hòa, Phó trưởng bộ môn Kinh tế lượng, Học viện Tài chính, Trưởng nhóm Phân tích XHTN DN, CRV.
Kết quả ước lượng hàm phân biệt

Mục đích của việc XHTN các DN niêm yết là gì, thưa ông? XHTN là nội dung quan trọng nhất trong quản lý rủi ro. Chúng tôi nghiên cứu và công bố bảng XHTN các DN niêm yết với mục đích cung cấp những thông tin cần thiết cho người đầu tư về tình trạng của nhà phát hành. Bên cạnh đó là giúp các ngân hàng trong việc ra quyết định cấp tín dụng, xác định hạn mức tín dụng... DN được xếp hạng sẽ biết rõ tình trạng thực tế của mình, triển vọng phát triển trong tương lai cũng như những rủi ro có thể gặp phải. Nó cũng có thể giúp các cơ quan quản lý nhà nước đánh giá được đối tượng quản lý của mình. Vừa qua, dư luận liên tiếp đề cập đến việc một số mã chứng khoán bị làm giá. Với việc công bố bảng XHTN này, tôi nghĩ sẽ là một trong các dấu hiệu nhận diện được những cổ phiếu có biến động giá bất thường thông qua việc so sánh kết quả XHTN với mức giá hiện tại. Bên cạnh đó, một số DN bị đưa vào diện cảnh báo do có kết quả kinh doanh thua lỗ và thông qua XHTN của chúng tôi thì hầu hết đều được xếp vào nhóm có mức rủi ro khá cao. Đâu là tính khách quan và khoa học của việc đưa ra cách tính toán XHTN? Trước đây, các tổ chức tài chính thường sử dụng phương pháp "chuyên gia" trong XHTN DN, nhưng đây là phương pháp tốn kém thời gian, kết quả đánh giá mang tính chủ quan. Đã có rất nhiều mô hình được đề xuất, áp dụng và thu được những kết quả khá tốt. Tuy nhiên, qua nghiên cứu của chúng tôi thì mô hình thống kê được đánh giá rất cao trong quá trình phát triển các phương pháp XHTN và đang được nhiều các tổ chức XHTN độc lập trên thế giới sử dụng trong nghiên cứu cũng như thực tế XHTN DN hiện nay. Để xếp hạng một DN niêm yết, chúng tôi sử dụng 54 chỉ tiêu tài chính được tính toán từ báo cáo tài chính của các DN. Sau đó, từng bước lựa chọn những chỉ tiêu có ý nghĩa nhất trong việc phân biệt giữa hai nhóm DN trên. Căn cứ vào hàm phân biệt và tiêu chí phân lớp của chúng tôi, sẽ phân nhóm được DN với mức độ rủi ro tương ứng. Z= -0,352 – 3,118X4 + 2,763 X 8 – 0,55X22 – 0,163X24 + 6,543X29 + 0,12X53 Trong đó: X4 là tỷ số tổng vốn vay/tổng tài sản X 8 là tỷ số vốn lưu động/tổng tài sản X22 là tỷ số các khoản phải thu/doanh thu thuần X24 là tỷ số các khoản phải thu/nợ phải trả X29 là tỷ số lợi nhuận trước lãi vay và thuế/tổng tài sản X53 là tỷ số lợi nhuận sau thuế/vốn chủ sở hữu Hàm Z là kết hợp giữa các chỉ tiêu này, nên chỉ số Z càng cao thì chứng tỏ các DN có tình hình tài chính tốt, hoạt động kinh doanh hiệu quả, lợi nhuận cao và khả năng thanh toán tốt. Tiêu chuẩn phân lớp: Điểm phân biệt Z >1,7 0,85 < Z < 1,7 0 < Z < 0,85 -0,85 < Z < 0 -1,7 < Z < -0,85 -2,55 < Z < -1,7 Loại AAA AA A BBB BB B

-3,25 < Z < -2,55 -4,1 < Z < -3,25 Z < - 4,1

CCC CC C

Liệu có chuẩn xác khi chúng ta XHTN những DN đã niêm yết gần chục năm trên TTCK với DN mới thực hiện niêm yết? Số liệu quá khứ và hiện tại là yếu tố đầu vào quan trọng nhất trong các mô hình thống kê, do chỉ tiêu tài chính mà chúng tôi sử dụng dựa trên các báo cáo tài chính của DN đều tuân thủ theo một chuẩn mực kế toán chung. Việc xếp hạng ở đây là căn cứ vào số liệu các DN đã công bố năm 2009, không tính đến năm thành lập cũng như thời gian niêm yết. TTCK là hết sức nhạy cảm, CRV có lường trước sự phản ứng của thị trường đối với bản báo cáo của mình? Tôi nghĩ nhiều DN sẽ bất ngờ với kết quả công bố của chúng tôi. Sẽ có ý kiến phản đối và cũng có ý kiến thừa nhận. Chúng tôi mong nhận được càng nhiều thông tin phản hồi càng tốt. Từ những phản hồi đó, chúng tôi sẽ tiến hành phân tích, đánh giá và phối hợp với các cơ quan chức năng để có những kết quả XHTN đạt được sự thừa nhận cao hơn. Có thể hiện nay NĐT chưa có những phản ứng tích cực với kết quả XHTN được công bố. Tuy nhiên, khi họ hiểu rõ hơn vai trò của XHTN thì nó có tính nhạy cảm rất cao và trở thành một chỉ báo khi ra quyết định. Dự kiến, cuối tháng 6/2010, CRV sẽ công bố XHTN hơn 500 DN niêm yết trên TTCK. Dựa trên phương pháp của chúng tôi, thứ hạng của DN trong bảng xếp hạng này có thể thay đổi từng năm sau khi báo cáo tài chính năm của DN được công bố.

Theo CRV

You're Reading a Free Preview

Tải về
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->