Luận văn thạc sĩ: Ứng dụng mô hình logit trong đo lường khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Á Châu

• Tác giả: Đoàn Thị Xuân Duyên
• Người hướng dẫn: PGS.TS Trầm Thị Xuân Hương
• Trường học: Trường Đại Học Kinh Tế Tp.Hồ Chí Minh
• Chuyên ngành: Tài Chính – Ngân Hàng
• Đề tài: Đo Lường Khả Năng Trả Nợ Doanh Nghiệp Bằng Mô Hình Logit Tại Ngân Hàng Á Châu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Tp. Hồ Chí Minh

I. Tổng quan về mô hình logit đo lường khả năng trả nợ của khách hàng doanh nghiệp

Mô hình logit là một công cụ quan trọng trong việc đo lường khả năng trả nợ của khách hàng doanh nghiệp. Mô hình này giúp ngân hàng xác định xác suất khách hàng có khả năng trả nợ hay không, từ đó đưa ra quyết định tín dụng hợp lý. Khả năng trả nợ của khách hàng doanh nghiệp không chỉ phụ thuộc vào tình hình tài chính của họ mà còn bị ảnh hưởng bởi nhiều yếu tố khác như đặc điểm sản phẩm tín dụng, môi trường kinh doanh và các yếu tố vĩ mô. Việc áp dụng mô hình logit giúp ngân hàng có cái nhìn tổng quan và chính xác hơn về rủi ro tín dụng, từ đó nâng cao hiệu quả quản lý rủi ro. Theo nghiên cứu, mô hình logit có thể phân tích các biến độc lập như doanh thu, lợi nhuận, và tỷ lệ nợ trên vốn chủ sở hữu để dự đoán khả năng trả nợ của khách hàng. Điều này cho phép ngân hàng có thể phân loại khách hàng thành các nhóm có khả năng trả nợ tốt và không tốt, từ đó đưa ra các chính sách tín dụng phù hợp.

1.1 Khái quát về khả năng trả nợ của khách hàng

Khả năng trả nợ của khách hàng doanh nghiệp là một yếu tố quan trọng trong việc đánh giá rủi ro tín dụng. Để xác định khả năng này, ngân hàng thường dựa vào các tiêu chí như lịch sử thanh toán, tình hình tài chính hiện tại và các yếu tố bên ngoài. Khả năng trả nợ không chỉ phản ánh năng lực tài chính mà còn thể hiện thiện chí của khách hàng trong việc thực hiện nghĩa vụ nợ. Theo quy định của Basel, khả năng trả nợ được xác định dựa trên các chỉ số như tỷ lệ nợ xấu và thời gian quá hạn. Việc đánh giá khả năng trả nợ cần được thực hiện thường xuyên để đảm bảo tính chính xác và kịp thời trong quản lý rủi ro tín dụng.

1.2 Vai trò của khả năng trả nợ trong việc xác định rủi ro tín dụng

Khả năng trả nợ của khách hàng doanh nghiệp đóng vai trò then chốt trong việc xác định rủi ro tín dụng. Ngân hàng cần phải đánh giá chính xác khả năng này để đưa ra quyết định cho vay hợp lý. Nếu khả năng trả nợ thấp, ngân hàng có thể phải đối mặt với rủi ro cao hơn, dẫn đến tổn thất tài chính. Việc áp dụng mô hình logit giúp ngân hàng có thể dự đoán xác suất vỡ nợ của khách hàng, từ đó điều chỉnh chính sách tín dụng cho phù hợp. Mô hình này không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tối ưu hóa quy trình cho vay, đảm bảo an toàn tài chính cho ngân hàng.

II. Thực trạng phương pháp đánh giá khả năng trả nợ tại ngân hàng TMCP Á Châu

Ngân hàng TMCP Á Châu đã áp dụng nhiều phương pháp để đo lường khả năng trả nợ của khách hàng doanh nghiệp. Tuy nhiên, thực trạng hiện tại cho thấy còn nhiều hạn chế trong quy trình đánh giá. Ngân hàng chủ yếu dựa vào kinh nghiệm của nhân viên tín dụng mà chưa có một hệ thống chuẩn hóa rõ ràng. Điều này dẫn đến việc đánh giá khả năng trả nợ không đồng nhất và thiếu chính xác. Hệ thống xếp hạng tín dụng nội bộ được áp dụng từ năm 2010 đã giúp cải thiện phần nào trong việc đánh giá, nhưng vẫn cần phải hoàn thiện hơn nữa. Việc sử dụng mô hình logit có thể giúp ngân hàng cải thiện quy trình này, từ đó nâng cao độ tin cậy trong việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp.

2.1 Giới thiệu về ngân hàng TMCP Á Châu

Ngân hàng TMCP Á Châu là một trong những ngân hàng thương mại hàng đầu tại Việt Nam, với nhiều năm kinh nghiệm trong lĩnh vực tài chính ngân hàng. Ngân hàng đã phát triển mạnh mẽ và mở rộng dịch vụ tín dụng cho khách hàng doanh nghiệp. Tuy nhiên, trong bối cảnh cạnh tranh ngày càng gia tăng, việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp trở nên cấp thiết hơn bao giờ hết. Ngân hàng cần phải áp dụng các phương pháp hiện đại để đảm bảo tính chính xác trong việc đánh giá rủi ro tín dụng.

2.2 Thực trạng hoạt động tín dụng khách hàng doanh nghiệp

Hoạt động tín dụng tại ngân hàng TMCP Á Châu đã có những bước phát triển đáng kể, với dư nợ tín dụng khách hàng doanh nghiệp tăng trưởng ổn định qua các năm. Tuy nhiên, thực trạng rủi ro tín dụng vẫn còn tồn tại, đặc biệt là trong việc phân loại nợ và đánh giá khả năng trả nợ. Ngân hàng cần phải cải thiện quy trình đánh giá khả năng trả nợ để giảm thiểu rủi ro tín dụng, đồng thời nâng cao hiệu quả quản lý tín dụng. Việc áp dụng mô hình logit sẽ giúp ngân hàng có cái nhìn rõ ràng hơn về khả năng trả nợ của khách hàng, từ đó đưa ra các quyết định tín dụng hợp lý.

III. Ứng dụng mô hình logit trong đo lường khả năng trả nợ

Mô hình logit đã được áp dụng để đo lường khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Á Châu. Mô hình này cho phép ngân hàng xác định xác suất khách hàng có khả năng trả nợ hay không dựa trên các biến độc lập như doanh thu, lợi nhuận và tỷ lệ nợ. Kết quả nghiên cứu cho thấy mô hình logit có độ chính xác cao trong việc dự đoán khả năng trả nợ của khách hàng. Điều này giúp ngân hàng có thể phân loại khách hàng thành các nhóm có khả năng trả nợ tốt và không tốt, từ đó đưa ra các chính sách tín dụng phù hợp. Việc ứng dụng mô hình logit không chỉ giúp ngân hàng giảm thiểu rủi ro mà còn tối ưu hóa quy trình cho vay, đảm bảo an toàn tài chính cho ngân hàng.

3.1 Lý do lựa chọn mô hình logit

Mô hình logit được lựa chọn vì tính hiệu quả trong việc phân tích và dự đoán khả năng trả nợ của khách hàng doanh nghiệp. Mô hình này cho phép ngân hàng xác định xác suất vỡ nợ dựa trên các yếu tố tài chính và phi tài chính. Việc sử dụng mô hình logit giúp ngân hàng có cái nhìn tổng quan về rủi ro tín dụng, từ đó đưa ra quyết định cho vay hợp lý. Hơn nữa, mô hình logit có khả năng xử lý các biến độc lập không tuyến tính, điều này rất quan trọng trong việc đánh giá khả năng trả nợ của khách hàng doanh nghiệp.

3.2 Quy trình xây dựng mô hình logit

Quy trình xây dựng mô hình logit bao gồm các bước như xác định biến phụ thuộc, xác định biến độc lập và thu thập dữ liệu. Ngân hàng cần phải xác định rõ các yếu tố ảnh hưởng đến khả năng trả nợ của khách hàng doanh nghiệp, từ đó lựa chọn các biến độc lập phù hợp. Sau khi thu thập dữ liệu, ngân hàng tiến hành phân tích thống kê để xây dựng mô hình logit. Kết quả của mô hình sẽ giúp ngân hàng có cái nhìn rõ ràng hơn về khả năng trả nợ của khách hàng, từ đó đưa ra các quyết định tín dụng hợp lý.

Tổng quan nghiên cứu

Trong bối cảnh hệ thống ngân hàng thương mại Việt Nam ngày càng phát triển, hoạt động tín dụng vẫn giữ vai trò chủ đạo trong việc tạo nguồn thu nhập cho các ngân hàng. Tuy nhiên, rủi ro tín dụng luôn là thách thức lớn, đặc biệt là khả năng trả nợ của khách hàng doanh nghiệp (KHDN). Theo báo cáo của Ngân hàng TMCP Á Châu (ACB), dư nợ tín dụng KHDN giai đoạn 2009-2012 có sự biến động rõ nét với dư nợ ngắn hạn chiếm trên 75% tổng dư nợ, trong khi tỷ lệ nợ xấu tăng từ 0,30% năm 2009 lên 2,46% năm 2012. Điều này đặt ra yêu cầu cấp thiết về việc đo lường chính xác khả năng trả nợ của KHDN nhằm giảm thiểu rủi ro và nâng cao hiệu quả quản lý tín dụng.

Mục tiêu nghiên cứu tập trung vào việc ứng dụng mô hình Logit để đo lường khả năng trả nợ của KHDN tại ACB, dựa trên dữ liệu từ hệ thống xếp hạng tín dụng nội bộ và lịch sử quan hệ tín dụng của khách hàng. Phạm vi nghiên cứu giới hạn trong giai đoạn 2010-2012, tập trung vào các khách hàng doanh nghiệp có dư nợ tín dụng và được xếp hạng tín dụng nội bộ tại ACB. Nghiên cứu không xem xét ảnh hưởng của các yếu tố vĩ mô đến khả năng trả nợ trong phạm vi này.

Việc đo lường khả năng trả nợ không chỉ giúp ngân hàng nhận diện rủi ro tín dụng mà còn hỗ trợ xây dựng chính sách tín dụng phù hợp, nâng cao hiệu quả quản lý rủi ro và đảm bảo an toàn hệ thống tài chính. Đây là một bước tiến quan trọng trong việc chuẩn hóa và hiện đại hóa công tác quản lý tín dụng tại các ngân hàng thương mại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình đo lường rủi ro tín dụng, trong đó mô hình Logit được lựa chọn làm công cụ chính để đánh giá khả năng trả nợ của KHDN. Mô hình Logit là mô hình hồi quy logistic, trong đó biến phụ thuộc là biến nhị phân (0 hoặc 1), thể hiện khách hàng không trả được nợ hoặc trả được nợ. Mô hình này cho phép ước lượng xác suất trả nợ dựa trên các biến độc lập như chỉ số tài chính, đặc điểm khoản vay, và các yếu tố liên quan đến khách hàng.

Ngoài mô hình Logit, nghiên cứu cũng tham khảo các mô hình khác như:

• Mô hình phân tích phân biệt (Discriminant Analysis): Phân loại khách hàng dựa trên các chỉ số tài chính để phân biệt nhóm có rủi ro cao và thấp.
• Mô hình Probit: Tương tự Logit nhưng giả định sai số tuân theo phân phối chuẩn.
• Mô hình mạng nơron (Neural Network): Phân tích phi tuyến tính, phù hợp với dữ liệu phức tạp nhưng đòi hỏi dữ liệu lớn.
• Mô hình chuẩn đoán (Heuristic models): Dựa trên kinh nghiệm chuyên gia và đánh giá định tính.
• Mô hình quan hệ nhân quả (Causal models): Dựa trên lý thuyết tài chính và dòng tiền để đánh giá khả năng trả nợ.

Các khái niệm chính bao gồm:

• Khả năng trả nợ (Probability of Default - PD): Xác suất khách hàng không trả được nợ trong kỳ hạn.
• Tỷ lệ mất vốn dự kiến (Loss Given Default - LGD): Tỷ lệ tổn thất khi khách hàng vỡ nợ.
• Dư nợ tại thời điểm vỡ nợ (Exposure at Default - EAD): Giá trị khoản vay khi khách hàng không trả được nợ.
• Xếp hạng tín dụng nội bộ (Internal Rating-Based - IRB): Hệ thống đánh giá rủi ro tín dụng dựa trên dữ liệu nội bộ của ngân hàng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp định lượng với cỡ mẫu khoảng vài trăm khách hàng doanh nghiệp có dư nợ tín dụng tại ACB trong giai đoạn 2010-2012. Phương pháp chọn mẫu phi xác suất được áp dụng nhằm thu thập dữ liệu từ hệ thống xếp hạng tín dụng nội bộ và hồ sơ tín dụng của khách hàng.

Dữ liệu thu thập bao gồm các chỉ số tài chính, đặc điểm khoản vay (số tiền vay, thời hạn vay, tài sản bảo đảm), ngành nghề kinh doanh, và các thông tin liên quan đến lịch sử trả nợ. Phân tích thống kê mô tả được sử dụng để mô tả đặc điểm mẫu và phân bố khả năng trả nợ.

Mô hình Logit được xây dựng với biến phụ thuộc là khả năng trả nợ (1: trả nợ tốt, 0: không trả nợ) và các biến độc lập là các nhân tố ảnh hưởng đã được lựa chọn dựa trên cơ sở lý thuyết và thực tiễn. Các hệ số hồi quy được ước lượng bằng phương pháp tối đa hợp lý thông qua phần mềm kinh tế lượng như Eviews hoặc SPSS.

Quá trình kiểm định mô hình bao gồm:

• Kiểm định tính ngẫu nhiên của phần dư (sai số).
• Kiểm định định dạng đúng của mô hình bằng thống kê Hosmer-Lemeshow.
• Đánh giá độ chính xác dự báo qua tỷ lệ phân loại đúng.

Timeline nghiên cứu kéo dài trong khoảng 12 tháng, bao gồm thu thập dữ liệu, xử lý, phân tích và xây dựng mô hình, cũng như đề xuất giải pháp ứng dụng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của các chỉ số tài chính đến khả năng trả nợ: Các chỉ số như tỷ suất sinh lợi trên vốn chủ sở hữu (ROE), tỷ suất lợi nhuận trên tài sản (ROA) có tác động tích cực và có ý nghĩa thống kê đến khả năng trả nợ của KHDN. Cụ thể, ROE cao hơn 15% tương ứng với xác suất trả nợ tốt tăng khoảng 20% so với nhóm có ROE thấp hơn.

2. Tác động của đặc điểm khoản vay: Số tiền vay lớn hơn 5 tỷ đồng và thời hạn vay dưới 12 tháng có xu hướng liên quan đến khả năng trả nợ tốt hơn. Khoảng 70% khách hàng vay ngắn hạn trả nợ đúng hạn, trong khi nhóm vay dài hạn có tỷ lệ trả nợ đúng hạn chỉ khoảng 55%.

3. Vai trò của tài sản bảo đảm: Mặc dù truyền thống cho rằng tài sản bảo đảm giúp giảm rủi ro, kết quả mô hình Logit cho thấy các khoản vay có tài sản bảo đảm có xác suất không trả nợ cao hơn khoảng 10% so với khoản vay không có tài sản bảo đảm, phù hợp với nghiên cứu của Irakli Ninua. Điều này phản ánh thực trạng thông tin bất đối xứng và rủi ro đạo đức trong quan hệ tín dụng.

4. Ảnh hưởng của ngành nghề kinh doanh: Ngành thương mại hàng tiêu dùng và xây dựng có tỷ lệ nợ xấu cao nhất, chiếm lần lượt 33,14% và 8,62% tổng nợ xấu năm 2012 tại ACB. Ngược lại, ngành sản xuất điện, khí đốt và nước có tỷ lệ nợ xấu thấp nhất, dưới 2%.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy mô hình Logit phù hợp và hiệu quả trong việc đo lường khả năng trả nợ của KHDN tại ACB, với độ chính xác dự báo trên 80%. Việc sử dụng các biến độc lập đa dạng, bao gồm cả các chỉ số tài chính và đặc điểm khoản vay, giúp mô hình phản ánh thực tế phức tạp của rủi ro tín dụng.

Sự khác biệt về tác động của tài sản bảo đảm so với quan điểm truyền thống được giải thích bởi bối cảnh thông tin bất đối xứng và hành vi rủi ro đạo đức của khách hàng doanh nghiệp. Điều này cũng phù hợp với các nghiên cứu quốc tế như của Jiménez và Saurina, cho thấy các khoản vay có tài sản bảo đảm có thể đi kèm với rủi ro tín dụng cao hơn do ngân hàng có thể nới lỏng kiểm soát.

Việc phân tích theo ngành nghề kinh doanh giúp ngân hàng nhận diện các lĩnh vực rủi ro cao để có chính sách tín dụng phù hợp, đồng thời hỗ trợ trong việc phân loại nợ và trích lập dự phòng. Dữ liệu có thể được trình bày qua biểu đồ phân bố tỷ lệ nợ xấu theo ngành và bảng hệ số hồi quy của các biến trong mô hình Logit để minh họa rõ ràng hơn.

Đề xuất và khuyến nghị

1. Xây dựng quy trình ứng dụng mô hình Logit trong quản lý tín dụng: Ngân hàng cần thiết lập quy trình chuẩn hóa việc sử dụng mô hình Logit để đánh giá khả năng trả nợ của KHDN trong toàn bộ chu trình tín dụng, từ thẩm định đến giám sát sau giải ngân. Mục tiêu nâng cao tỷ lệ dự báo chính xác trên 85% trong vòng 12 tháng.

2. Ứng dụng kết quả mô hình trong định giá và phân loại tín dụng: Sử dụng xác suất trả nợ ước lượng từ mô hình để điều chỉnh lãi suất tín dụng phù hợp với mức độ rủi ro của từng khách hàng, đồng thời phân loại nhóm nợ và trích lập dự phòng chính xác hơn. Thời gian thực hiện trong 6 tháng, do phòng quản lý rủi ro chủ trì.

3. Cải tiến chất lượng dữ liệu đầu vào: Tăng cường thu thập và cập nhật dữ liệu tài chính, lịch sử tín dụng và các thông tin liên quan nhằm đảm bảo dữ liệu đầu vào đầy đủ, chính xác và kịp thời. Mục tiêu nâng cao chất lượng dữ liệu lên trên 90% trong 1 năm, phối hợp giữa phòng CNTT và phòng tín dụng.

4. Đào tạo và nâng cao nhận thức cho cán bộ tín dụng: Tổ chức các khóa đào tạo về mô hình Logit và quản lý rủi ro tín dụng cho cán bộ tín dụng và lãnh đạo nhằm nâng cao năng lực phân tích và ứng dụng mô hình. Kế hoạch đào tạo định kỳ 6 tháng/lần.

5. Phát triển phần mềm hỗ trợ phân tích và báo cáo: Xây dựng hoặc mua sắm phần mềm chuyên dụng tích hợp mô hình Logit để tự động hóa quá trình phân tích, báo cáo và cảnh báo rủi ro tín dụng. Thời gian triển khai dự kiến 12-18 tháng.

6. Kiến nghị Ngân hàng Nhà nước Việt Nam: Điều chỉnh các quy định về phân loại nợ và trích lập dự phòng theo tiêu chuẩn quốc tế, đồng thời tăng cường giám sát và hỗ trợ các ngân hàng trong việc áp dụng mô hình đo lường rủi ro tín dụng hiện đại.

Đối tượng nên tham khảo luận văn

1. Cán bộ quản lý tín dụng ngân hàng: Giúp nâng cao hiểu biết về các phương pháp đo lường rủi ro tín dụng, đặc biệt là mô hình Logit, từ đó cải thiện quy trình thẩm định và quản lý tín dụng doanh nghiệp.

2. Chuyên gia phân tích rủi ro tài chính: Cung cấp cơ sở lý thuyết và thực tiễn về mô hình định lượng trong đánh giá khả năng trả nợ, hỗ trợ phát triển các mô hình dự báo rủi ro tín dụng chính xác hơn.

3. Nhà nghiên cứu và sinh viên chuyên ngành Tài chính – Ngân hàng: Là tài liệu tham khảo quý giá về ứng dụng mô hình Logit trong lĩnh vực tín dụng doanh nghiệp, đồng thời cung cấp các phân tích thực nghiệm tại một ngân hàng thương mại lớn.

4. Cơ quan quản lý nhà nước và hoạch định chính sách: Giúp hiểu rõ hơn về thực trạng và phương pháp quản lý rủi ro tín dụng tại các ngân hàng thương mại, từ đó xây dựng chính sách phù hợp nhằm ổn định hệ thống tài chính.

Câu hỏi thường gặp

1. Mô hình Logit là gì và tại sao được chọn để đo lường khả năng trả nợ?
   Mô hình Logit là mô hình hồi quy logistic dùng để ước lượng xác suất xảy ra một sự kiện nhị phân, trong trường hợp này là khả năng trả nợ của khách hàng (có hoặc không). Mô hình được chọn vì tính đơn giản, khả năng xử lý cả biến định tính và định lượng, và độ chính xác dự báo cao.

2. Các biến nào ảnh hưởng mạnh nhất đến khả năng trả nợ của khách hàng doanh nghiệp?
   Các chỉ số tài chính như ROE, ROA, đặc điểm khoản vay (số tiền vay, thời hạn vay), và ngành nghề kinh doanh là những biến có ảnh hưởng đáng kể. Ví dụ, ROE cao hơn 15% làm tăng xác suất trả nợ tốt khoảng 20%.

3. Tại sao tài sản bảo đảm không luôn giúp giảm rủi ro tín dụng?
   Do thông tin bất đối xứng và rủi ro đạo đức, khách hàng có rủi ro cao thường được yêu cầu tài sản bảo đảm nhiều hơn, nhưng điều này không đảm bảo họ sẽ trả nợ tốt. Nghiên cứu cho thấy khoản vay có tài sản bảo đảm có thể có xác suất không trả nợ cao hơn.

4. Làm thế nào để áp dụng kết quả mô hình Logit vào quản lý tín dụng thực tế?
   Ngân hàng có thể sử dụng xác suất trả nợ ước lượng để phân loại khách hàng, điều chỉnh lãi suất, xác định mức trích lập dự phòng và giám sát rủi ro sau giải ngân, từ đó nâng cao hiệu quả quản lý tín dụng.

5. Mô hình Logit có những hạn chế gì?
   Mô hình yêu cầu dữ liệu đầu vào lớn và đầy đủ, không giải thích được nguyên nhân sâu xa của rủi ro, và không phù hợp với các trường hợp khách hàng có cấu trúc tài chính đặc biệt hoặc dữ liệu thiếu hụt.

Kết luận

• Mô hình Logit là công cụ hiệu quả, phù hợp để đo lường khả năng trả nợ của khách hàng doanh nghiệp tại ngân hàng TMCP Á Châu, với độ chính xác dự báo trên 80%.
• Các chỉ số tài chính, đặc điểm khoản vay và ngành nghề kinh doanh là những nhân tố quan trọng ảnh hưởng đến khả năng trả nợ.
• Tài sản bảo đảm không phải lúc nào cũng giảm rủi ro tín dụng do các yếu tố thông tin bất đối xứng và rủi ro đạo đức.
• Ứng dụng mô hình Logit giúp ngân hàng nâng cao hiệu quả quản lý rủi ro tín dụng, hỗ trợ định giá sản phẩm và phân loại nợ chính xác hơn.
• Đề xuất xây dựng quy trình ứng dụng mô hình, cải tiến dữ liệu đầu vào, đào tạo nhân sự và phát triển phần mềm hỗ trợ nhằm nâng cao năng lực quản lý tín dụng trong 1-2 năm tới.

Hành động tiếp theo: Các phòng ban liên quan tại ACB cần phối hợp triển khai các giải pháp ứng dụng mô hình Logit, đồng thời cập nhật và hoàn thiện dữ liệu khách hàng để đảm bảo hiệu quả mô hình. Các nhà quản lý và chuyên gia tài chính nên nghiên cứu sâu hơn để mở rộng ứng dụng mô hình trong các lĩnh vực tín dụng khác.